Ctedra: Produccin I Captulo 7.

Programacin lineal

Captulo 7. PROGRAMACION LINEAL. Introduccin. Muchas personas clasifican el desarrollo de la programacin lineal entre los avances cientficos ms importantes del siglo XX. Su impacto desde 1950 ha sido extraordinario. En la actualidad es una herramienta de uso normal que ha ahorrado miles o millones de dlares a muchas compaias, en los pases industrializados del mundo, su aplicacin a otros sectores de la sociedad se ha ampliado con rapidez. Cual es la naturaleza de esta notable herramienta y que tipo de problemas puede manejar?. Expresado en forma breve, el tipo ms comn de aplicacin abarca el problema general de asignar recursos limitados entre actividades competitivas de la mejor manera posible (de forma ptima). Con ms precisin, este problema incluye elegir el nivel de ciertas actividades que compiten por recursos escasos necesarios para realizarlas. Despus, los niveles de actividad elegidos dictan la cantidad de cada recurso que consumir cada una de ellas. La variedad de situaciones a las que se puede aplicar esta descripcin es sin duda muy grande, y va desde la asignacin de instalaciones de produccin a los productos, hasta la asignacin de recursos nacionales a las necesidades de un pas; desde la planeacin agrcola hasta el diseo de una terapia de radiacin, etc. La programacin lineal utiliza un modelo matemtico para describir el problema. El adjetivo lineal, significa que todas las funciones matemticas del modelo deben ser funciones lineales. En este caso la palabra programacin, no se refiere a programacin en computadoras, en esencia es sinnimo de planeacin. As la programacin lineal trata la planeacin de las actividades para obtener un resultado optimo; esto es, el resultado que mejor alcance la meta especificada (segn el modelo matemtico) entre todas las alternativas de solucin. Cualquier problema cuyo modelo matemtico se ajuste al formato general del modelo de programacin lineal es un problema de programacin lineal. Aun ms, se dispone de un procedimiento de solucin extraordinariamente eficiente llamado mtodo Simplex, para resolver estos problemas lineales incluso de gran tamao. Estas son algunas razones del tremendo auge de la programacin lineal en las ltimas dcadas. 1. EJEMPLO PROTOTIPO La W Glass, produce artculos de vidrio de alta calidad, que incluyen ventanas y puertas de vidrio. Tiene tres plantas. Los marcos y molduras de aluminio se hacen en la planta 1, los de madera en la planta 2; la planta 3 produce el vidrio y ensamblado de los productos. Debido a una reduccin en las ganancias, la alta administracin ha decidido reorganizar la lnea de produccin de la compaa. Se discontinuarn varios productos no rentables y se dejara libre una parte de la capacidad de produccin para emprender la fabricacin de dos productos nuevos que tienen ventas potenciales grandes: Producto 1: una puerta de vidrio con marco de aluminio. Producto 2: una ventana con marco de madera. El producto 1 requiere parte de la capacidad de produccin en las plantas 1 y 3 y nada en la planta 2. El producto 2 solo necesita trabajo en las plantas 2 y 3. La divisin de
1

Ctedra: Produccin I Captulo 7. Programacin lineal

comercializacin ha concluido que la compaa puede vender todos los productos que se puedan fabricar en las plantas. Sin embargo, como ambos productos competirn por la misma capacidad de produccin de la planta 3, no esta claro que mezcla de productos seria la ms rentable. Por lo tanto se ha formado un equipo de IO para estudiar este problema. El equipo de IO comenz por realizar juntas con la alta administracin para identificar los objetivos del estudio y desarrollaron la siguiente definicin del problema: Determinar qu tasas de produccin deben tener los dos productos con el fin de maximizar las utilidades totales, sujetas a las restricciones impuestas por las capacidades de produccin limitadas disponibles en las tres plantas. (Cada producto se fabricara en lotes de 20, de manera que la tasa de produccin esta definida como el nmero de lotes que se producen a la semana). Se permite cualquier combinacin de tasas de produccin que satisfaga estas restricciones, incluso no producir uno de los productos y todo lo que sea posible del otro. El equipo de IO tambin identifico los datos que necesitaba reunir: 1) Numero de horas de produccin disponibles por semana en cada planta para estos nuevos productos. (Casi todo el tiempo de estas plantas esta comprometido con los productos actuales, lo que limita la capacidad para nuevos productos). 2) Numero de horas de produccin que usa cada lote producido de cada producto nuevo en cada una de las plantas. 3) La ganancia por lote de cada producto nuevo. (Se selecciono la ganancia por lote producido como una medida adecuada, debido a que la ganancia incremental de cada lote adicional producido seria en esencia constante sin importar el nmero total de lotes producidos. Debido a que no se incurre en costos sustanciales para iniciar la produccin y en la comercializacin de estos nuevos productos, la ganancia total de cada uno es aproximadamente esta ganancia por lote producido, multiplicada por el nmero de lotes). La obtencin de estimaciones razonables de estas cantidades requirio el apoyo de personal clave en varias unidades de la compaa. El personal de la divisin manufactura proporciono los datos de la primera categora mencionada. El desarrollo de estimaciones para el punto 2 requiri un anlisis por parte de los ingenieros de manufactura involucrados en el diseo de nuevos productos. Al analizar los datos de estos ingenieros junto con la decisin sobre los precios de la divisin mercadotecnia, el departamento de contabilidad calculo las estimaciones para la tercera categora. La tabla 1 resume los datos reunidos. Tabla 1. Datos para el problema Tiempo de produccin por lote, horas Producto Planta 1 1 2 3 Ganancia por lote 1 0 3 $ 3000 2 0 2 2 $ 5000 Tiempo de produccin disponible a la semana, horas 4 12 18

Ctedra: Produccin I Captulo 7. Programacin lineal

El equipo de IO reconoci de inmediato que se trataba de un problema de programacin lineal clsico del tipo de mezcla de productos y procedi a la formulacin del modelo matemtico. 2. Formulacin como un problema de programacin lineal. Para formular el modelo matemtico (de programacin lineal) para este problema, sea: x1 = numero de lotes del producto 1 fabricados por semana. x2 = numero de lotes del producto 2 fabricados por semana. Z = ganancia semanal total (en miles de dlares al producir estos dos productos). As, x1 y x2 son las variables de decisin para el modelo. Si se usa el ltimo rengln de la tabla se obtiene: Z = 3 x1 + 5 x2 El objetivo es elegir los valores de x1 y x2 que maximicen Z = 3x1+5x2, sujeta a las restricciones impuestas sobre sus valores por las capacidades de produccin limitadas disponibles en las tres plantas. La Tabla 1 indica que cada lote del producto 1 que se produce por semana usa 1 hora de produccin a la semana en la planta 1, y solo se dispone de 4 horas semanales. Matemticamente esta restriccin se expresa mediante la desigualdad x1 4. De igual manera, la planta 2 impone la restriccin 2x2 12. El numero de horas de produccin usadas a la semana en la planta 3 que se consume al elegir x1 y x2 como las tasas de produccin de los nuevos productos seria 3x1 + 2x2. Entonces la expresin matemtica para la restriccin de la planta 3 es 3x1 + 2x2 18. Por ultimo, como las tasas de produccin no pueden ser negativas, es necesario restringir las variables de decisin a valores no negativos: x1 0 y x2 0. Para resumir, en el lenguaje matemtico de programacin lineal, el problema consiste en seleccionar valores de x1 y x2 para: Maximizar Z = 3 x1 + 5 x2, Sujeta a las restricciones: x1 4 2 x2 12 3 x1 + 2 x2 18 y x1 0 y x2 0

(Observe como la informacin dada en la tabla 1 queda en esencia duplicada en la distribucin de los coeficientes de x1 y x2 en el modelo de programacin lineal).

Ctedra: Produccin I Captulo 7. Programacin lineal

3. Solucin grfica. Este problema tiene solo dos variables de decisin y por lo tanto solo dos dimensiones, as que se puede usar un procedimiento grfico para resolverlo. Este procedimiento incluye la construccin de una grfica de dos dimensiones con x1 y x2 en los ejes. El primer paso es identificar los valores de x1 y x2 permitidos por las restricciones. Esto se hace dibujando cada una de las rectas que limitan los valores permitidos por una restriccin. Para empezar, note que las restricciones de no negatividad, x1 0 y x2 0, exigen que el punto (x1 , x2), est en el lado positivo de los ejes. Observe que la restriccin x1 4, significa que (x1 , x2), no puede estar a la derecha de la recta x1 = 4. De manera parecida, la restriccin 2x2 12, implica que la recta 2x2 = 12, debe agregarse a la frontera de la regin permisible. La ultima restriccin, 3x1 + 2x2 18, se encuentra al graficar los puntos (x1 , x2), tales que 3x1 + 2x2 = 18 (otra recta para completar la frontera). En la figura 1 se muestra la regin factible ( o de valores permisibles). El paso final es seleccionar, dentro de esta regin factible, el punto que maximiza el valor de Z=3x1+5x2 .

Figura 1. El rea sombreada muestra los valores permitidos de (x1, x2), llamada regin factible. Para realizar este paso, se pueden intentar algunos valores por prueba y error. Por ejemplo Z = 10 = 3x1 + 5x2, para ver si existe algn valor de (x1 , x2), dentro de la regin permisible que de un valor de 10 para Z. Luego se puede intentar un valor de Z ms grande, por ejemplo 20. Nuevamente la figura 2 muestra que un segmento de la recta Z = 20 = 3x1+5x2 se encuentra dentro de la regin. Se puede ver de la figura que las dos rectas graficadas son paralelas, ya que cualquier recta construida de esta manera tiene la forma Z=3x1 + 5x2, o en forma equivalente: x2 = - 3/5 x1 + 1/5 Z

Ctedra: Produccin I Captulo 7. Programacin lineal

Esta ultima ecuacin, llamada forma de pendiente-ordenada de la funcin objetivo, demuestra que la pendiente de las rectas es 3/5 (cada incremento de una unidad en x1 hace que x2 cambie en 3/5), mientras que la ordenada de la recta (la interseccin con el eje x2), es 1/5 Z (puesto que x2 = 1/5 Z cuando x1 = 0). El hecho que la pendiente este fija en 3/5 significa que todas las rectas construidas de esta manera son paralelas.

Figura 2. El valor de (x1, x2) que maximiza 3x1 + 5x2 es (2,6) El procedimiento por prueba y error involucra dibujar una familia de rectas paralelas que contengan al menos un punto en la regin factible y elegir la que corresponda al mayor valor de Z. La figura 2 muestra la recta que pasa por el punto (2,6) y esto indica que la solucin optima es (x1 = 2 y x2 = 6), donde el valor optimo de Z es 36. En lugar de dibujar una serie de rectas paralelas, es suficiente marcar una de ellas, para establecer la pendiente y luego mover la regla con pendiente fija sobre la regin factible en la direccin en que Z aumenta. (cuando el objetivo sea minimizar Z, la regla se mueve en la direccin en que Z decrece). La regla se deja de mover en el momento en que todava pasa por un punto de esta regin. Este punto es la solucin ptima deseada. Conclusiones: El equipo de IO utilizo este procedimiento para encontrar que la solucin optima deseada es (x1 = 2 y x2 = 6), con Z = 36. Esta solucin indica que la W Glass debe fabricar los productos 1 y 2 a una tasa de 2 y 6 lotes por semana, respectivamente con una ganancia total de 36000 dlares semanales. No existe otra mezcla de los dos productos que sea tan redituable, segn el modelo. 4. Modelo de Programacin Lineal. En esta parte se establecer la terminologa y la notacin bsica del modelo general de programacin lineal. En la tabla 2, se resumen las caractersticas del problema analizado anteriormente relacionndolas con los trminos ms generales, que se ajustaran a muchos problemas de programacin lineal.

Ctedra: Produccin I Captulo 7. Programacin lineal

Tabla 2: Terminologa comn para programacin lineal. Ejemplo Prototipo Problema general Capacidad de produccin de las plantas Recursos 3 plantas m recursos Fabricacin de productos Actividades 2 productos n actividades Tasa de produccin del producto j, xj Nivel de actividad j, xj Ganancia Z Medida global de efectividad Z Los trminos clave, son recursos y actividades, en donde m denota el numero de tipos de recursos que se pueden usar y n el numero de actividades bajo consideracin. Algunos ejemplos de recursos son dinero y tipos especiales de maquinaria, equipo, vehculos, personal. Los ejemplos de actividades incluyen inversin de proyectos, publicidad en un medio determinado y el envo de bienes de cierta fuente a cierto destino. Como se menciono anteriormente, el tipo mas comn de aplicacin involucra la asignacin de recursos a ciertas actividades. La cantidad disponible de cada recurso esta limitada, de forma que debe asignarse con sumo cuidado, por lo tanto se debe elegir los niveles de las actividades que lograran el mejor valor posible de la medida global de efectividad. Se utilizan ciertos smbolos de manera convencional para denotar las distintas componentes de un modelo de programacin lineal, estos son: Z = valor de la medida global de efectividad. xj = nivel de la actividad j (para j = 1, 2, ..., n) cj = incremento en Z obtenido al aumentar una unidad en el nivel de la actividad j. bi = cantidad de recurso i disponible para asignar a las actividades (para i = 1, 2, ..., m). aij = cantidad del recurso i consumido por cada unidad de la actividad j. El modelo establece el problema en trminos de tomar decisiones sobre los niveles de las actividades, por lo que x1, x2, ..., xn, se llaman variables de decisin. En la tabla 3 se indican las constantes de entrada cj, bi, y aij (para i = 1, 2...,m y j = 1,2...,n), tambin se conocen como parmetros del modelo. Tabla 3. Datos necesarios para un modelo de programacin lineal que maneja la asignacin de recursos a actividades. Consumo de recursos por unidad de actividad Cantidad de recursos Actividad Recurso disponibles 1 2 ... n 1 a12 ... a1n b1 a11 2 a21 a22 ... a2n b2 . ... ... ... ... . m am1 am2 ... amn bm Contribucin a Z por c1 c2 ... cn unidad de actividad Observar la correspondencia entre la Tabla 3 y la Tabla 1.

Ctedra: Produccin I Captulo 7. Programacin lineal

4.1.Forma estndar del modelo. Ahora podemos aplicar este modelo general de asignar recursos a actividades para el problema de la W Glass. En este caso debemos elegir valores de x1, x2, ..., xn para: Maximizar Z = c1x1 + c2x2 + ... + cnxn, Sujeta a las restricciones: a11x1 + a12x2 + ... + a1nxn b1 a21x1 + a22x2 + ... + a2n xn b2 am1x1 + am2x2 + ...+ amnxn bm x1 0, x2 0, ..., xn 0 (restricciones de no negatividad) (funcin objetivo)

(restricciones funcionales)

Cualquier situacin cuya formulacin matemtica se ajuste a este modelo es un problema de programacin lineal. Para el problema de la W Glass, el modelo se ajusta con m = 3, y n = 2. 4.2. Otras formas de modelos El modelo anterior no se ajusta a la forma natural de algunos problemas de programacin lineal, las otras formas son las siguientes: Caso 1. Minimizar en lugar de maximizar la funcin objetivo: Minimizar Z = c1x1 + c2x2 + ... + cnxn. Caso 2. Algunas restricciones funcionales con desigualdad en el sentido mayor o igual: para algunos valores de i. ai1x1 + ai2x2 + ... + ainxn bi Caso 3. Algunas restricciones funcionales en forma de ecuacin: ai1x1 + ai2x2 + ... + ainxn = bi para algunos valores de i. Caso 4. Las variables de decisin sin la restriccin de no negatividad: xi no restringida en signo para algunos valores de j.

4.3. Terminologa para las soluciones del modelo. En programacin lineal, cualquier conjunto de valores especficos de las variables de decisin (x1, x2, ..., xn) se llama solucin, aunque sea solo una posibilidad deseable o ni siquiera permitida. Luego se identifican los tipos de soluciones usando un adjetivo apropiado: Solucin factible: es aquella para la que todas las restricciones se satisfacen. Solucin no factible: es una solucin para la que al menos una restriccin se viola. En el ejemplo, los puntos (2, 3) y (4, 1) en la figura 1 son soluciones factibles, mientras que (-1, 3) y (4, 4) son soluciones no factibles. Regin factible: es la coleccin de todas las soluciones factibles. (rea sombreada de la figura 1). Dado que existen soluciones factibles, la meta de la programacin lineal es encontrar una solucin factible que sea la mejor, medida por el valor de la funcin objetivo en el modelo.

Ctedra: Produccin I Captulo 7. Programacin lineal

Solucin ptima: es una solucin factible que proporciona el valor ms favorable de la funcin objetivo. El valor ms favorable significa el valor ms grande si la funcin objetivo debe maximizarse, mientras que es el valor ms pequeo si la funcin objetivo ha de ser un mnimo. La mayor parte de los problemas tienen nada mas una solucin optima. Sin embargo, tambin es posible tener ms de una. Esto ocurrira en el ejemplo si la ganancia por lote producido del producto 2 se cambiara a $2000. Esto cambia la funcin objetivo a Z = 3 x1 + 2 x2 , de manera que todos los puntos sobre el segmento de recta que va de (2, 6) a (4, 3) serian soluciones optimas (como puede verse en la figura 3). Igual en este caso, cualquier problema que tenga soluciones ptimas mltiples tendr un nmero infinito de ellas, todas con el mismo valor de la funcin objetivo.

Figura 3. El problema tendra soluciones optimas mltiples si la funcin objetivo se cambiara a Z = 3 x1 + 2 x2. Otra posibilidad es que el problema no tenga soluciones ptimas. Esto ocurre solo si: 1) no tiene soluciones factibles o 2) las restricciones no impiden que el valor de la funcin objetivo (Z) mejore indefinidamente en la direccin favorable. Este caso se conoce como un problema que tiene Z no acotada. Esto se presentara si en el ejemplo por error se omitieran las ltimas dos restricciones funcionales del modelo. (figura 4). Ahora definiremos un tipo especial de soluciones factibles que tiene un papel importante cuando el mtodo simplex busca una solucin ptima. Solucin factible en un vrtice (FEV): es una solucin que este en una esquina de la regin factible. La figura 5 muestra cinco soluciones factibles en los vrtices para el ejemplo.

Ctedra: Produccin I Captulo 7. Programacin lineal

Figura 4. El problema no tendria soluciones optimas si la unica restriccion funcional fuera x1 4, ya que x2 podria aumentar de modo indefinido.

Figura 5. Los puntos son las cinco soluciones FEV para el problema. Relacin entre las soluciones optimas y las soluciones FEV: si consideramos cualquier problema de programacin lineal con soluciones factibles y una regin factible acotada; el problema debe tener soluciones FEV y al menos una solucin optima: mas aun, la mejor solucin FEV debe ser una solucin optima. Entonces, si un problema tiene exactamente una solucin optima, esta debe ser una solucin FEV. Si el problema tiene mltiples soluciones ptimas, al menos dos deben ser soluciones FEV. El ejemplo tiene exactamente una solucin ptima (2, 6), que es una solucin FEV. Cuando se modifica el ejemplo para que tenga soluciones ptimas mltiples, como se muestra en la figura 3, dos de estas soluciones ptimas (2, 6) y (4, 3) son soluciones FEV.

Ctedra: Produccin I Captulo 7. Programacin lineal

5. Suposiciones de Programacin Lineal. 5.1. Proporcionalidad: La contribucin de cada actividad al valor de la funcin objetivo Z es proporcional al nivel de la actividad xj, como lo representa el termino cjxj en la funcin objetivo. De manera similar, la contribucin de cada actividad al lado izquierdo de cada restriccin funcional es proporcional al nivel de actividad xj, como lo representa el termino aijxj en la restriccin. En consecuencia, esta suposicin elimina cualquier exponente diferente a 1 para las variables en cualquier trmino de las funciones (funcin objetivo o funcin del lado izquierdo de las restricciones funcionales). Para ejemplificar esta suposicin, consideremos el primer termino (3x1) en la funcin objetivo Z = 3x1 + 5x2, para el ejemplo que venimos desarrollando. Este trmino representa la ganancia generada por semana al fabricar el producto 1 a una tasa de x1 lotes por semana. La columna de proporcionalidad satisfecha de la Tabla 4, muestra que la ganancia es proporcional a x1, de manera que el termino 3x1 es el apropiado para la funcin objetivo. De forma contraria las otras tres columnas muestran casos hipotticos diferentes en los que la suposicin de proporcionalidad no se cumple. Tabla 4: Ejemplos de proporcionalidad satisfecha o violada. Ganancia del producto 1 ($miles por semana) Proporcionalidad No se cumple la proporcionalidad satisfecha X1 Caso 1 Caso 2 Caso 3 0 0 0 0 0 1 3 2 3 3 2 6 5 7 5 3 9 8 12 6 4 12 11 18 6 El caso 1 surgira si se tuvieran costos fijos asociados al arranque de la fabricacin del producto 1. Por ejemplo, es posible que existan costos debidos a la preparacin de las instalaciones de produccin. Si suponemos que los costos de preparacin significan una reduccin de 1 en Z, pero que la ganancia sin tener en cuenta los costos fijos es de 3x1, la contribucin del producto 1 a Z es (3x1-1) para x1 > 0, mientras que la contribucin es 3x1=0 cuando x1 = 0 (no hay costo fijo). Esta funcin de ganancias no es proporcional a x1. El caso 2 de la tabla surge de forma diferente, no existe costo fijo y la ganancia debida a la primera unidad de producto 1 por semana es $3, pero ahora se tiene un rendimiento marginal creciente, es decir la pendiente de la funcin ganancia para el producto 1 crece conforme aumenta x1. Esto puede ocurrir debido a economas de escala que en ocasiones se pueden lograr para altos niveles de produccin, por ejemplo a travs del uso de maquinaria mas eficiente para altos volmenes, corridas de produccin mas grandes, descuentos por cantidad por compras grandes de materia prima y por el efecto de la curva de aprendizaje debido al cual los trabajadores son cada vez mas eficientes a medida que adquieren experiencia en un trabajo de produccin dado. Cuando el costo incremental disminuye, la ganancia incremental aumenta (si se supone un rendimiento marginal constante).

10

Ctedra: Produccin I Captulo 7. Programacin lineal

El caso 3 es el caso contrario al 2, en el que existe un rendimiento marginal decreciente. En este caso la pendiente de la funcin ganancia para el producto 1 disminuye conforme aumenta x1. Esta violacin de proporcionalidad puede ocurrir debido a que los costos de comercializacin tenga que elevarse ms que proporcionalmente para lograr aumentos en el nivel de ventas. Por ejemplo, tal vez el producto 1 se pueda vender a una tasa de 1 por semana (x1 =1) sin publicidad, mientras que para lograr ventas que sostengan la tasa de produccin de x1 = 2 puede requerir una publicidad moderada, para x1 = 3 es posible que sea necesaria una extensa campaa publicitaria y para x1 = 4 puede requerirse tambin una reduccin de precios. Los tres casos son ejemplos hipotticos de la forma en que la suposicin de proporcionalidad puede no cumplirse. Cual es la situacin real?. La ganancia real al fabricar el producto 1 (o cualquier otro) se deriva del ingreso de ventas menos los distintos costos directos e indirectos. Es inevitable que algunas componentes del costo no sean estrictamente proporcionales a las tasas de produccin. Sin embargo la pregunta importante es si despues de acumular todas las componentes de ganancia, la proporcionalidad es una aproximacin razonable para el modelado. 5.2. Aditividad: Como vimos, la suposicin de proporcionalidad elimina los exponentes diferentes de uno, pero no prohibe los trminos de productos cruzados (trminos que incluyen el producto de dos o mas variables). La suposicin de aditividad elimina esta posibilidad y establece: cada funcin en un modelo de programacin lineal es la suma de las contribuciones individuales de las actividades respectivas. Para ejemplificar esta situacin se analizaran los casos dados en la Tabla 5. Tabla 5. Ejemplos que satisfacen o violan la aditividad de la funcin objetivo. Cantidad de recurso usado (x1, x2) Aditividad satisfecha Aditividad violada Caso 4 Caso 5 (2, 0) 6 6 6 (0, 3) 6 6 6 (2, 3) 12 15 10.8 La interaccin entre actividades puede afectar la aditividad de las funciones de restriccin. Por ejemplo la restriccin 3 x1 + 2 x2 18, se refiere a la capacidad de produccin de la planta 3 en la que se dispone de 18 horas semanales de tiempo de produccin para los dos nuevos productos, y la funcin del lado izquierdo 3 x1 + 2 x2 representa el numero de horas de produccin semanales que se usaran en estos productos. La columna de aditividad satisfecha en la tabla muestra este caso, mientras que las otras dos columnas exponen casos en los que la funcin tienen un trmino adicional de producto cruzado que viola la aditividad. Las contribuciones individuales de cada producto en cuanto al uso de la capacidad de la planta 3 son las mismas, la diferencia estriba en el ltimo rengln, que ahora da el valor total de la funcin para el tiempo de produccin utilizado cuando se fabrican los dos productos de manera conjunta. Para el caso 4, el tiempo de produccin utilizado por los dos productos esta dado por la funcin 3x1+2x2+0.5x1x2, de manera que el valor de la funcin es 15, y por lo tanto viola la suposicin de aditividad de que el valor es solo es (6+6) = 12. Este Caso se puede dar

11

Ctedra: Produccin I Captulo 7. Programacin lineal

cuando ambos productos deben usar la misma maquinaria y equipo. Si se produce cada uno por si solo maquinaria y equipo se dedican a este nico uso. Sin embargo al fabricar ambos productos se requiere cambiar los procesos de produccin de uno a otro, con tiempo y costos involucrados en la interrupcin temporal de la produccin de uno y la preparacin del otro. En definitiva se desperdicia tiempo para cambiar los procesos de produccin entre los dos productos. El termino adicional 0.5x1x2 representa el tiempo de produccin desperdiciado de esta forma. En el caso 5 de la tabla, la funcin de la capacidad que se usa es 3x1+2x2-0.1x12x2, por lo que el valor de la funcin es 10.8. Esta funcin nos esta indicando que el tiempo total de produccin usado cuando se fabrican los productos en forma conjunta es menor que la suma de los tiempos de produccin usados por los productos individuales cuando se fabrican por separado. 5.3. Divisibilidad: Esta suposicin se refiere a los valores permitidos para las variables de decisin. Estas variables en un modelo de programacin lineal pueden tomar cualquier valor, incluso valores no enteros, que satisfagan las relaciones funcionales y de no negatividad. As, estas variables no estn restringidas a solo valores enteros. Como cada variable de decisin representa el nivel de alguna actividad, se supondr que las actividades se pueden realizar a niveles fraccionales. En el ejemplo que analizamos, las variables de decisin representan las tasas de produccin (numero de lotes de un producto fabricados a la semana). Como estas tasas pueden tomar cualquier valor fraccional dentro de la regin factible, la suposicin de divisibilidad se cumple. 5.4. Certidumbre: La ltima suposicin se refiere a los parmetros del modelo, es decir a los coeficientes cj en la funcin objetivo, los coeficientes aij en las restricciones funcionales y los bi en el lado derecho de las restricciones funcionales. La suposicin dice: Se supone que los valores asignados a cada parmetro de un modelo de programacin lineal son constantes conocidas. En los problemas reales, rara vez se satisface por completo la suposicin de certidumbre. Casi siempre se formula un modelo de programacin lineal para elegir un curso de accin futuro. Entonces los valores de los parmetros que se emplean estn basados en una prediccin de las condiciones futuras, lo que es inevitable que se introduzca un cierto grado de incertidumbre. Por esto es siempre importante realizar un anlisis de sensibilidad despus de encontrar una solucin optima para los valores supuestos de los parmetros.

12