Cap.1 IO1 2015-0a

Universidad Nacional Mayor de San Marcos
Facultad de Ingeniería Industrial
Programación lineal:
Postulados básicos
2015-0
MSc. Ing. Ezzard Omar Alvarez Díaz

¿Cuántas hectáreas de cada verdura debo
cultivar para gastar lo mínimo y
maximizar los ingresos de mi cosecha?
¿Quién podrá ayudarme?

Naturaleza de la Investigación
Operativa
 También llamada, Ciencia de la Administración o

Management Science .
Data de la segunda guerra mundial, pero por sus
aplicaciones, se dice que su impacto social es amplio
Las aplicaciones de la Investigación de Operaciones, van
desde el aspecto laboral hasta el plano criminal, pasando
por el de polución y de la segregación racial.

Orígenes
 Primera revolución industrial, se trajo consigo el

desarrollo de la energía, las maquinarias y los equipos .
Segmentación funcional y geográfica de la
administración.
Durante la segunda guerra mundial existían grupos
especialistas ( matemáticos, físicos, psicólogos, ingenieros,
etc.)
Por el año de 1941 se establece una sección de Operations
Research en la RAF
Al finalizar la Gran Guerra, un grupo de ellos se dedicó a
la industria y al gobierno; empezando a aparecer la
palabra IO para designar a aquellos científicos que se
preocupaban por dar solución a los problemas que
aparecían en la administración
Objetivos de la Investigación
Operativa
 El objetivo más importante de la aplicación de la

Investigación Operativa es apoyar en la “toma óptima de
decisiones” en los sistemas y en la planificación de sus
actividades.
Para hallar la solución, la Investigación Operativa
generalmente representa el problema como un modelo
matemático, que es analizado y evaluado previamente.

Características de la I.O
 Enfoque de sistema. considera a los sistemas tomados en

conjuntos y no en sus partes individuales

El uso del equipo interdisciplinario, es indispensable,

cuando nos encontramos ante una situación compleja,
como lo es el sistema de la organización hombre-máquina.

 La adopción del método científico , automáticamente se

relaciona con el método de la experimentación; realmente
sería muy costoso que el investigador de operaciones
experimentara sus decisiones y por otro lado las
consecuencias fatales que traería una mala decisión dentro de
una empresa

Modelos en la I.O
 Simbólicos
Matemáticos
Ello radica en la facilidad que se consigue de expresar las
relaciones de causa-efecto de un sistema
La formulación de hipótesis, no es otra cosa que la
construcción de un modelo matemático y la predicción del
comportamiento del sistema, la obtención de la solución del
mismo

Condiciones de un modelos en I.O
 Variables de decisión y parámetros.- Las variables de

decisión son las variables no conocidas y que deben de ser
determinadas en el modelo. Los parámetros representan la
variables controlables.
Restricciones.- Están representadas por las limitaciones
físicas del sistema; el modelo incluye restricciones para
limitar el valor de la variable de decisión.
Funciones objetivo.- Define la medida de efectividad del
sistema en función de las variables de decisión.

Diagrama del Modelo de la I.O
VARIABLES
DECISION
MEDIDAS DE

VARIABLES
INCONTROLABLES
EFECTIVIDAD

Fases de un Estudio de Inv.Operativa
 Formulación del problema

 Construcción del modelo
 Solución del modelo
 Validación del modelo
 Control del modelo
 Implantación del modelo

Fases de un Estudio de Inv.Operativa
FORMULACION
DEL
PROBLEMA
CONSTRUCCION DE UN
MODELO PARA
REPRESENTAR EL SISTEMA
DEDUCCION DE
UNA SOLUCION
A PARTIR DEL MODELO
PRUEBA DEL
MODELO Y
DE LA SOLUCION
ESTABLECIMIENTO
DE CONTROLES
SOBRE LA SOLUCION
PONER LA
SOLUCION A
TRABAJAR: EJECUCION
Validez de un modelo de Inv.
Operativa
Se dice que un modelo es válido cuando representa la

realidad de una manera adecuada; siendo para ello
necesario:
 Comprobar con la data histórica el rendimiento del
sistema real y el del ofrecido por el modelo.
 Comprobar el rendimiento del sistema en
funcionamiento (sin cambios) y el del modelo.
“Un modelo es construido en base a parámetros y

restricciones que con el transcurso del tiempo pueden
cambiar”
Validez de un Estudio de
Inv.Operativa
VARIABLES RELACIONES
RELEVANTES RELEVANTES
SISTEMA SISTEMA MODELO
REAL ASUMIDO CUANTITATIVO
MÉTODO
DE SOLUCIÓN
SOLUCIÓN AL
JUICIOS Y SOLUCIÓN
PROBLEMA DEL
EXPERIENCIAS AL MODELO
SISTEMA REAL
DECISIONES INTERPRETACIÓN

El impacto de la Investigación
Operativa
Las aplicaciones de la investigación de operaciones han

llegado diversos campos como:
 Finanzas.
 Cadenas de abastecimiento.
 Localización de facilidades.
 Manufactura.
 Construcción y mantenimiento.
 Mercados.
 Personal
 Desarrollo e investigación.
Ventajas de la Inv. Operativa
En general, ayudan a tomar 2 tipos de decisiones :

Decisiones estratégicas.- Es una decisión de una sola vez,
que involucra políticas con consecuencias a largo plazo
para la organización.
Se consideran decisiones importantes, considera la
incertidumbre y escoge entre varias alternativas.
 Decisiones Operacionales.- Es una decisión que implica

cuestiones de planeación a corto plazo que generalmente
deben hacerse repetidamente.
Se consideran decisiones de menor importancia y frecuentes
por ser dadas para el corto plazo. Ignoran la incertidumbre y no
evita barajear alternativas nuevas.

Ventajas de la Inv. Operativa
Método de determinación de la mejor forma de

lograr un objetivo
Por la forma de evaluar el impacto de un nuevo sistema
sin el costo ni el tiempo de llevarlo a cabo
Permite evaluar la fortaleza de la solución
óptima (problemas de sensibilidad)


Limitaciones de la Inv. Operativa
 Frecuentemente es necesario hacer simplificaciones del

problema original para poder manipularlo y tener una
solución.
 La mayoría de los modelos sólo considera un solo
objetivo y frecuentemente en las organizaciones se
tienen objetivos múltiples.
 Rara vez se realizan análisis costo-beneficio de la
implantación de soluciones definidas por medio de la I
de O, en ocasiones los beneficios potenciales se ven
superados por los costos ocasionados por el desarrollo e
implantación de un modelo.

Limitaciones de la Inv. Operativa
 Existe la tendencia a no considerar la totalidad de las

restricciones en un problema práctico, debido a que los
métodos de enseñanza y entrenamiento dan la
aplicación de esta ciencia centralmente se basan en
problemas pequeños para razones de índole práctico,
por lo que se desarrolla en los alumnos una opinión
muy simplista e ingenua sobre la aplicación de estas
técnicas a problemas reales.

Conclusiones
 Los problemas complicados del mundo real no suelen

tener solución óptima
 No se debe permitir que el modelo tome las decisiones
sin analizar los resultados
 El modelo de optimización produce la respuesta
óptima al problema matemático propuesto por el
modelo, que puede no ser una buena respuesta para el
problema real
 Óptimo significa grandes esperanzas de buena
decisión, pero no certeza

La programación Lineal PL
2015-0
Conceptos
La programación lineal o PL, tiene el

propósito de construir modelos a una amplia
clase de problemas de decisión; siendo muy
solicitados en la industria, el gobierno, la
economía y la ingeniería.

Definicion de un PL
Un programa lineal es aquel en el cual la

función objetivo es lineal y las restricciones
están dadas por un conjunto de ecuaciones e
inecuaciones también lineales.

Postulados básicos
George B. Dantzig, es considerado como el

padre de la programación lineal.
La PL descansa en 4 supuestos, los que son:
La proporcionalidad.
La aditividad
La divisibilidad.
La certeza.

Postulados básicos
La proporcionalidad.
Así, cuando en el Dpto. de corte se utilizan 3 horas-
hombre para procesar una mesa, entonces para la
actividad k se tiene 3k como el tiempo total para
cortar toda la producción de mesas.
1mesa               c1
xmesa               c1 x

Postulados básicos
La aditividad.
Cada función en un modelo de programación lineal
(ya sea la función objetivo o el lado izquierdo de las
restricciones funcionales) es la suma de las
contribuciones individuales de las actividades
respectivas.
x1mesas       c1
x2 sillas        c2
c1 x1  c 2 x 2
Postulados básicos
La divisibilidad.
Como cada variable de decisión representa el nivel
de alguna actividad, se supondrá que las actividades
se pueden realizar a niveles fracciónales.
X1 = 50 carpetas
X2 = 25.32 escritorios ← ACEPTABLE
X3 = - 12 mesas ¿?

Postulados básicos
La certeza.
Esta dado por la confianza que dará el resultado de
elaborar un PL.

Postulados básicos
¿Qué pasaría, si en vez de sumarse las variables,
por ejemplo se multiplicarán? Estaríamos ante el
dominio de la programación no lineal. Este es un
campo fértil, en nuestros días actuales.
Considerar lo siguiente:

Postulados básicos
25
20
15
10
0
1 2 3 4 5

Postulados básicos
La solución a un PL es resultado de la manipulación
de un sistema de ecuaciones lineales; por tanto,
las unidades de las actividades pueden dividirse en
niveles fraccionarios, de modo que pueden
permitirse valores no enteros para las variables de
decisión.
Muchos problemas de PL obtienen valores enteros,
porque sus estructuras se ajustan al principio de la
unimodularidad.

Estructura general de un
modelo PL
Max z  c1 x1  c 2 x 2   + cnxn
sujeto a
a11 x1  a12 x 2   + a1 nxn  b1
a 21 x1  a 22 x 2   + a 2 nxn  b 2

am1 x1  am 2 x 2   + amnxn  bm
xj  0 j

modelo PL
Max z  c1 x1  c 2 x 2   + cnxn
Donde el vector c también conocido como el vector
costos, viene dado por:
c   c1 c 2  c n 1 c n 

modelo PL
El vector de la mano derecha o b, viene dado por:
 b1 
 
Este es un vector columna,
 b2  que representa los recursos
b   de las m actividades.
 
Es por lo tanto el elemento
 bm 1 
de la mano derecha de cada
 b 
 m  una de las m ecuaciones.

modelo PL
La matriz A, representa los coeficiente tecnológicos;
es la matriz para el sistema de ecuaciones Ax = b:
 a11 a1 2  a1n 
 
 a 21 a2 2  a2n 
A 
   
 
a a m,2  a m ,n 
 m ,1
Soluciones básicas
Sea una matriz A de m x n; es decir se consideran m
ecuaciones y n incógnitas. El sistema de ecuaciones:
Ax = b
origina la matriz aumentada (A, b) con m filas y
(n+1) columnas.

Cuando el rango ( A , b)= rango ( A) = k, entones se
puede escribir :
 A 1 b1 
( A, b)   
A2 b2 
Soluciones básicas
Con A1 de orden k x n y A2 de orden (m-k) x n;
satisfaciendo:
A1x = b1
donde el sistema A2x = b2 es redundante.

Puesto que el rango ( A1) = k, entonces seleccionando k
columnas linealmente independientes, se tiene :
A1 = (B,N)
Donde B es una matriz no singular de orden k x k
( llamada matriz básica ) y N de orden n x (n-k) (matriz no
básica). El sistema queda expresado A1x = b1

Puntos extremos y
solución básica
Sea una x BFS (una solución básica factible) a las
restricciones:

Ax = b

Luego, la matriz A, se descompone en (B,N) y x en
(xB,xN); siendo la solución desde BxB = b; igual :

xB = B-1b, xN = 0

Existencia de una
solución básica factible
Si un PL con restricciones no redundantes, tiene
solución factible (dado que la restricción es ser las
variables no negativas); entonces tiene solución
básica factible.

Ejemplo
Sea el PL:
Ax = b
x0
Donde A es de orden m x n, por ejemplo :
 x1 
 
2 1 1 0 x 2   40
   
1 1 0 1 x 3
   40
 
 x4

Formato canónico de un
PL

Min Max

Min Z  CX Max Z  CX

sa. sa. Canónica
AX  b AX  b
X0 X0
Min Z  CX Max Z  CX
sa. sa.
AX  b AX  b Estándar

X0 X0

Ventajas de un PL

 Resultan más fáciles de definir y formular.
Permiten trabajar de manera eficiente con mayor

número de variables de decisión.
Se adaptan mejor al tratamiento algorítmico con

computadores, aprovechando la rapidez de cálculo
de éstos.

Formulación de problemas
en PL
2015-0
Introducción.
El principal objetivo de esta área de conocimientos

consiste en formular y resolver diversos problemas
orientados a la toma de decisiones.
La naturaleza de los problemas abordados puede ser

determinística, como en los Modelos de Programación
Matemática, donde la teoría de probabilidades no es
necesaria, o bien de problemas donde la presencia de
incertidumbre tiene un rol preponderante, como en los
Modelos Probabilísticos.
Introducción
Hoy en día, la toma de decisiones abarca una gran cantidad

de problemas reales cada más complejos y especializados,
que necesariamente requieren del uso de metodologías para
la formulación matemática de estos problemas y,
conjuntamente, de métodos y herramientas de resolución,
como los que provee la Investigación de Operaciones.
Elementos de un modelo de
optimización
Supongamos que se dispone de determinadas piezas para la elaboración
de dos productos finales. Se dispone de 8 “piezas pequeñas” y 6 “piezas
grandes”, que son utilizadas para elaborar sillas (usando 2 piezas
pequeñas y 1 pieza grande) y mesas (usando 2 piezas de cada tipo).
Interesa decidir cuántas sillas y mesas fabricar de modo de obtener la

máxima utilidad, dado un beneficio neto de U$ 15 por cada silla y de
U$20 por cada mesa fabricada.
optimización
Posibles soluciones factibles a considerar, esto es
soluciones que respetan las restricciones del número de
piezas disponibles, son por ejemplo, fabricar:
• 4 sillas, que reportan una utilidad de U$60
• 1 sillas y 2 mesas , utilidad de U$55
• 3 mesas, utilidad de U$60
• 1 mesa y tres sillas, utilidad de U$65
• 2 sillas y 2 mesas, utilidad de U$70
• etc.
optimización
Un modelo matemático para hallar la mejor solución
factible a este problema tiene tres componentes básicas:
i) Las variables de decisión, que consiste en definir cuáles

son las decisiones que se debe tomar. En el ejemplo,
x: número de sillas elaboradas.

y: número de mesas elaboradas.
optimización
ii) La función objetivo del problema, que permita

tener un criterio para decidir entre todas las
soluciones factibles. En el ejemplo, maximizar la
utilidad dada por:
z = f(x,y) = 15x + 20y

optimización
iii) Restricciones del problema, que consiste en
definir un conjunto de ecuaciones e inecuaciones
que restringen los valores de las variables de
decisión a aquellos considerados como factibles. En
el ejemplo, respetar la disponibilidad de piezas para
la fabricación de sillas y mesas:
Piezas pequeñas: 2x + 2y  8
Piezas grandes : x + 2y  6
También se impone restricciones de no –
negatividad:
x,y  0
optimización
En resumen: Max 15x + 20y
sa: 2x + 2y  8
x + 2y  6
x,y  0
El ejemplo corresponde a un modelo de Programación

Lineal. Si además restringimos los valores de x e y a
números enteros, tendríamos un modelo de
Programación Entera. Por otra parte, si hubiese retornos
crecientes a escala, deberíamos emplear una función
objetivo no lineal como f(x,y) = cxa + dyb con a,b >1, y
tendríamos un modelo de Programación No Lineal.
Formulación de problemas en
PL
Un programa lineal puede formularse de
muy diferentes formas, pero dentro de la
Programación Lineal se adopta como
estándar la siguiente:
Max z  cx
sa :
Ax  b
x  0
Etapas en la Formulación de
problemas en PL
 Definición de Variables
 Coeficientes de costos (o de utilidades)
 Función Objetivo (F.O)
 Término independiente o del lado derecho
(recursos o requerimientos)
 Coeficientes tecnológicos
 Restricciones funcionales
 Restricciones de signo de las variables
Usos de los PL
Alguno de los tipos de problemas que se pueden

formular son:
 Planeación de la producción e inventarios
 Mezcla de Alimentos
 Transporte y asignación
 Planeación financiera
 Mercadotecnia
 Asignación de recursos
Mezcla de productos...
Considere la producción de 3 artículos; cada uno
produciendo una ganancia unidades monetarias
por unidad. Los artículos hacen uso de los recursos
de dos departamentos; siendo los tiempos
estándares consumidos por cada artículo por
departamento:
Artículo Ganancia Dpto. 1 Dpto. 2
1 c1 a11 a21
2 c2 a12 a22
3 c3 a13 a23
...Mezcla de productos
Si existen un total de tiempos disponibles de b1 y
b2, respectivamente por los departamentos 1 y 2.
¿Cuál es la mejor decisión, con la finalidad de
optimizar la ganancia total?
Artículo Ganancia Dpto. 1 Dpto. 2

1 c1 a11 a21
2 c2 a12 a22
3 c3 a13 a23
Solución
Analizando:
¿Cuál es el objetivo de la modelación?
¿Como queremos maximizar la ganancia total ?
Mediante el producto de la cantidad de unidades por
cada artículo
Entonces nuestras variables de decisión,

corresponden al número de unidades a producir por
cada artículo.
Solución
Sea; xj la cantida de unidades a producir para el
articulo j entonces la FO (función objetivo),
expresará la maximización de la ganancia total;
producto de la contribución de cada uno de los
artículos, de la sgte manera:
Max z  c1 x1  c2 x2  c3 x3
Solución
Para la producción de las unidades expresadas en las
variables de decisiones; se hace necesario, balancear
el uso de los recursos de cada Dpto., con su
disponibilidad; así se tiene que para cada
departamento :
Departamento 1:
a11 x1  a12 x2  a13 x3  b1
Departamento 2:
a21 x1  a22 x2  a23 x3  b2
x j  0, j  1,2,3
Solución
El modelo de PL, completo se presenta a
continuación:
Max z  c1 x1  c2 x2  c3 x3
sa :
a11 x1  a12 x2  a13 x3  b1
a21 x1  a22 x2  a23 x3  b2
x j , j  1,2,3
Ejercicios
En una fábrica de muebles se producen dos tipos:

mesa y silla, adicionalmente la empresa dispone de
2 áreas en su planta: Corte y acabado.
Ejercicios
Para producir una mesa se requiere de 2hr y 1hr en las
áreas respectivas. Para la producción de una silla se
requiere de 1.5 hr. y 0.5 hr. en las diferentes áreas.
Adicionalmente se sabe que la mesa da una utilidad
de S / 10.00 y la silla S /. 8.00
¿Qué cantidad de muebles se debe producir?, si se
sabe que la capacidad de producción en el área de
corte y acabado es de 80hr y 60 hr. respectivamente.
Solución
Elaborando la tabla:
Sección Sección Utilidad
Corte(Hr) Acabado(Hr) unit.(s.)
Mesas 2.0 1.0 10.0
Sillas 1.5 0.5 8.0
Cap. Prod. 80.0 60.0
Solución
Sección de Sección de
Corte Acabado
X1 Mesa
X2 Silla
80 hr. 60 hr.
Solución
Sección Sección Utilidad
Corte(Hr) Acabado(Hr) unit.(s.)
Mesas 2.0 1.0 10.0
Sillas 1.5 0.5 8.0
Cap. Prod. 80.0 60.0
Mesa 2X1 + 1.5X2 < 80
Silla 1X1 + 0.5X2 < 60
Función Objetivo:
Max Z = 10X1 + 8X2
Solución
El PL queda de la siguiente manera:
Max Z = 10X1 + 8X2

s.a:
2X1 + 1.5X2 < 80
1X1 + 0.5X2 < 60
X1,X2 > 0
Ejercicio
Se fabrica mesas y sillas. Para una mesa se necesitan 40 pies tabla de
madera, y para una silla 30 pies tabla. Se puede conseguir la madera a 1
dólar el pie tabla, y se pueden comprar 40000 pies tabla. Se necesitan 2
horas de trabajo especializado para producir una mesa y una silla sin
acabado. Tres horas mas de trabajo especializado convertirán una mesa
sin acabar, en una mesa acabada, y se necesitan 2 horas de trabajo
especializado para acabar una silla. Se disponen de 6000 horas para cada
trabajo especializado (que ya se han pagado).
Todos los muebles producidos se pueden vender a los siguientes precios
unitarios: una mesa sin acabar, 70 dólares; una mesa acabada, 140
dólares; una silla sin acabar, 60 dólares; y una silla acabada, 110 dólares.
Formule un programa lineal que maximice la ganancia de la producción
de mesas y sillas.
Ejercicio
Todos los muebles producidos se pueden vender a los

siguientes precios unitarios: una mesa sin acabar, 70
dólares; una mesa acabada, 140 dólares; una silla sin
acabar, 60 dólares; y una silla acabada, 110 dólares.
Formule un programa lineal que maximice la
ganancia de la producción de mesas y sillas.
Solución
Colocando los Datos:
Productos Requerimientos Costo x Tiempo (hr.)/Precios US$

xpies-tabla pie-tablar Sin acabar Acabado
de madera
Mesas 40 US$.1 2 70 3 140
Sillas 30 US$.1 2 60 2 110
Solución
Variable de decisión:
Xij = Cantidad de unidades del producto i que
esta en el proceso j

i = 1 => mesa
i = 2 => silla
j =1 => sin acabar
j = 2 => acabado.
Solución
Función Objetivo:

MAX Z = HI – E
Max Z = 70X11 + 60X21+140X12+110X22-40(X11+X12)-

30(X21+X22)
Max Z = 30X11 +100X12+30X21+80X22

Solución
a) Restricciones:
RR de insumos:
40(X11+X12)+30(X21+X22)<=40000
RR de capacidad sección acabado
2X11+2X21<=6000
RR de capacidad sección sin acabar
3X12+2X22<=6000
RR de no negatividad
X11,X12,X21,X22>=0
Solución
Max Z = 30X11 +100X12+30X21+80X22
s.a
40(X11+X12)+30(X21+X22)<=40000
2X11+ 2X21 <=6000
3X12 +2X22<=6000
X11,X12,X21,X22>=0
Ejemplo
El granjero Lopez tiene 480 hectáreas de tierra en la
que se puede sembrar ya sea trigo o maíz. El calcula
que tiene 800 horas de trabajo disponible durante la
estación crucial del verano. ¿Cuántas hectáreas de
cada uno debe plantar para maximizar su utilidad?
¿Cuál es ésta utilidad máxima? Si se tiene la
siguiente información de utilidad y requerimiento de
mano de obra:
Utilidad $. Cant. Trabajo Hr
Maíz: 40 2
Trigo: 30 1
Solucion.
Como primer paso para la formulación matemática
de este problema, se tabula la información dada.
Elementos
Maíz Trigo
disponibles
Horas 2 1 800
Hectáreas 1 1 480
Utilidad por unidad $ 40 30
Solución.
Si llamamos x a las hectáreas de maíz e y a las

hectáreas de trigo. Entonces la ganancia total Z, en
dólares, está dada por:
Z=40x+30y
Que viene a ser la función objetivo por maximizar.
Solución.
Elementos
Maíz Trigo
disponibles
Horas 2 1 800
La cantidad total de tiempo por hectáreas para

sembrar maíz y trigo está dada por:
2x+y
Haciendo la restricción por disponibilidad
2x+y < 800
Solución.
Elementos
Maíz Trigo
disponibles
Hectáreas 1 1 480
La cantidad de hectáreas para sembrar maíz y trigo

está dada por:
x+y
Haciendo la restricción por disponibilidad
x+y < 480
Solución.
En resumen, el problema en cuestión queda de la

siguiente manera:
Maximizar Z=40x+30y
Sujeto a:
2x+y < 800 Hora disp.
x+y < 480 Terreno disp.
x >0 Positiva
y>0 Positiva
Ejemplo
Un nutricionista asesora a un individuo que sufre una
deficiencia de hierro y vitamina B, y le indica que debe
ingerir al menos 2400 mg de Hierro y 2100 mg de vitamina
B-1 (tiamina) y 1500 mg de vitamina B-2 (riboflavina)
durante cierto período de tiempo. Existen dos píldoras de
vitaminas disponibles, la marca A y la marca B. Cada
píldora de la marca A contiene 40 mg de hierro, 10 mg de
vitamina B-1, 5 mg de vitamina B-2 y cuesta 6 centavos.
Cada píldora de la marca B contiene 10 mg de hierro, 15 mg
de vitamina B-1 y de vitamina B-2, y cuesta 8 centavos
(tabla). Cuáles combinaciones de píldoras debe comprar
el paciente para cubrir sus requerimientos de hierro y
vitamina al menor costo?
Ejemplo
¿Cuáles combinaciones de píldoras debe
comprar el paciente para cubrir sus
requerimientos de hierro y vitamina al menor
costo?
Marca A Marca B Req. mínimos
Hierro 40 mg 10 mg 2400 mg
Vitamina B-1 10 mg 15 mg 2100 mg
Cost *píldora(US$) 0,06 0,08
Solución.
¿Cual es el objetivo?
Sea “x” el número de píldoras de la marca A; “y” el
número de píldoras de la marca B por comprar. El
costo Z, medido en centavos, está dado por
Z = 0.06x+ 0.08y
Que viene a ser la función objetivo por minimizar.
Solución.

Hierro 40 mg 10 mg 2400 mg
La cantidad de hierro contenida en x píldoras de la
marca A e y el número de píldoras de la marca B
está dada por:
40x+10y
Haciendo la restricción por cantidad mínima
requerida.
40x+10y >= 2400
Solución.

La cantidad de Vitamina B-1 contenida en x
píldoras de la marca A e y el número de píldoras de
la marca B está dada por:
10x+15y
requerida.
10x+15y >= 2100
Solución.

La cantidad de Vitamina B-2 contenida en x
píldoras de la marca A e y el número de píldoras de
la marca B está dada por:
5x+15y
requerida.
5x+15y >= 1500
Solución.
En resumen, el problema en cuestión queda de la

siguiente manera:
Minimizar Z = 0.06x+ 0.08y
Sujeto a:
40x+10y >= 2400 Hierro.
10x+15y >= 2100 Vitamina B-1
5x+15y >= 1500 Vitamina B-2
y >0 Positiva
x >0 Positiva
Modelo de Inventario-
Producción
La demanda de un artículo ha sido pronosticada, para
los siguientes 4 periodos en las siguientes cantidades:
D1, D 2., D 3, D 4 . Se sabe que los costos variables de
producción son: C , C , C , C . Asumiendo que se
1 2 3 4
puede utilizar inventarios, a un costo de h/unidad .

Formular un programa lineal para minimizar los
costos totales, combinación de costos de producción
mas costos por llevar inventario.
Solución
De lo siguiente:
Inv. final = Inv. inicial + Producción – Demanda
Definiendo :
x Cantidad a producir por periodo.
I0 Como el inventario Inicial.
I Como el inventario Final.
Solución
Período 1:
I 1  I 0  x 1  D1

Período 2:
I 2  I 1  x2  D2
Período 3:
I 3  I 2  x3  D3
Período 4:
I 4  I 3  x4  D4
Solución
Luego el costo total viene dado por la
z = c1x1 + c2x2 + c3x3 + c4x4 + h(I1+I2+I3+I4)
Generalizando para un horizonte de planeación a n

periodos:
Solución
Generalizando para un horizonte de planeación a n

periodos:
n xi n
Min z =    hIi
i
i 1 i 1
sa :
Ii  Ii  1  xi  Di , i  1,2,, n
xi  0
Ii  0 , i  1,2,, n
El Problema del Almacén
Una persona compra y vende artículos. Su depósito
posee una capacidad de B unidades. Cada mes
puede vender cualquier cantidad sin sobrepasarse el
inventario a principios del mes.
Sean ci y pi, el valor de compra y el precio
respectivo para cada mes. ¿Cuál deberá ser la
política óptima para n períodos, si el inventario
inicial es Io?
Solución
Sea:
yi = cantidad a vender.
xi = cantidad a comprar.
La función objetivo:
n
Max z  ( p y  c x )
i i i i
i 1
Solución
La función objetivo:
n
Max z  ( p y  c x )
i i i i
Restricciones: i 1
yi  Inventario a inicio de mes i

i 1
yi  I 0   x
k 1
k  yk 
equivalente a :
i i 1
y
k 1
k   xk  I 0
k 1
, i  1,2,  , n
Inventario final en i  B
i
I0   x
k 1
k  yk   B , i  1, 2,  , n
xi , yi  0 , i  1,2,  , n
 Necesito obtener informacion para una semana de 3 turnos,
tengo que producir como maximo 500 unid, se dispone de 10
trabajadores ´para el primer turno, 7 para el segundo, 5 para el
tercero.
 Para ofrecer un minimo de 300 unidades, dispongo de 10
trabajadores en el primer turno, 7 en el segundo y 5 en el tercer
turno.Por cada articulo se va a recibir una renta de S/.2.00para el
primero y los dos productos se procesan secuencialment en los
3 turnos empleando tiempos diferentes.
 1 turno requiere 2 horas; 2turno tambien 2 horas y en el 3 turno,
1 hora para el primer producto para el segundo producto
requiero 1 hora para el primer turno 2 horas para el segundo
turno y media hora para el tercer turno.
Ejemplo: Asignación de Recursos
El señor Martínez tiene un pequeño camión con
capacidad interior de 20m3en el cual transporta
mercancía. Una reconocida empresa de la ciudad
le ha contratado para hacer acarreos de esta
mercancía, desde la planta de producción, hacia
los puntos de distribución. La mercancía está
empacada en cajas de 3 tamaños diferentes.
Además la ganancia por transportar cada tipo de
caja es distinta.
1 m3
Caja tipo 1
$ 1000 c/u
1,2 m3
Caja tipo 2 $ 1120 c/u
0.8 m3
Caja tipo 3 $ 900 c/u
¿ Cómo debe llenar el señor Martínez su camión para

maximizar las ganancias en cada viaje que realice, si tiene
que transportar como mínimo 8 cajas tipo 1 y 5 cajas tipo 3
en cada viaje ?
Definición de Variables.
X1: Número de cajas tipo 1 : transportados

en cada viaje [caja/viaje]
X2: Número de cajas tipo 2 : transportados
en cada viaje [caja/viaje]
X3: Número de cajas tipo 3 : transportado
Coeficientes de costo (utilidad): Datos
Medida de la eficiencia (F. O.)
Z: Ganancia total (pesos) por el transporte de

: los 3 tipos de cajas en cada viaje.
Max Z = 1000X1+ 1120X2 + 900X3
[$/ caja] * [caja/viaje] = [$/ viaje]
Restricciones funcionales
R1: Capacidad del camión (recurso)
X1+ 1.2X2 + 0.8 X3 ≤ 20
[m3/ caja] * [caja/viaje ] = [m3/viaje]
R2: Mínimo de mercancía tipo 2 (requerimiento)
X1≥8 [caja/viaje ]
R3 : Mínimo de mercancía tipo 2 (requerimiento)
X3 ≥ 5 [caja/viaje ]
Restricción de signo de las variables
X 1, X 2 , X 3 ≥ 0
Modelo completo.
Max Z = 1000X1+ 1120X2 + 900X3

s.a.
X1+ 1.2X2 + 0.8 X3 ≤ 20

X1 ≥8
X3 ≥ 5
X1, X2 , X3 ≥ 0

Cap.1 IO1 2015-0a

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Cap.1 IO1 2015-0a

Загружено:

Авторское право:

Доступные форматы

Universidad Nacional Mayor de San Marcos

Facultad de Ingeniería Industrial

MSc. Ing. Ezzard Omar Alvarez Díaz

¿Quién podrá ayudarme?

MSc. Ing. Ezzard Omar Alvarez Díaz

 También llamada, Ciencia de la Administración o

MSc. Ing. Ezzard Omar Alvarez Díaz

 Primera revolución industrial, se trajo consigo el

 El objetivo más importante de la aplicación de la

MSc. Ing. Ezzard Omar Alvarez Díaz

 Enfoque de sistema. considera a los sistemas tomados en

MSc. Ing. Ezzard Omar Alvarez Díaz

El uso del equipo interdisciplinario, es indispensable,

MSc. Ing. Ezzard Omar Alvarez Díaz

 La adopción del método científico , automáticamente se

MSc. Ing. Ezzard Omar Alvarez Díaz

MSc. Ing. Ezzard Omar Alvarez Díaz

 Variables de decisión y parámetros.- Las variables de

MSc. Ing. Ezzard Omar Alvarez Díaz

MSc. Ing. Ezzard Omar Alvarez Díaz

 Formulación del problema

MSc. Ing. Ezzard Omar Alvarez Díaz

Se dice que un modelo es válido cuando representa la

“Un modelo es construido en base a parámetros y

MSc. Ing. Ezzard Omar Alvarez Díaz

Las aplicaciones de la investigación de operaciones han

En general, ayudan a tomar 2 tipos de decisiones :

 Decisiones Operacionales.- Es una decisión que implica

MSc. Ing. Ezzard Omar Alvarez Díaz

Método de determinación de la mejor forma de

MSc. Ing. Ezzard Omar Alvarez Díaz

 Frecuentemente es necesario hacer simplificaciones del

MSc. Ing. Ezzard Omar Alvarez Díaz

 Existe la tendencia a no considerar la totalidad de las

MSc. Ing. Ezzard Omar Alvarez Díaz

 Los problemas complicados del mundo real no suelen

MSc. Ing. Ezzard Omar Alvarez Díaz

La programación lineal o PL, tiene el

MSc. Ing. Ezzard Omar Alvarez Díaz

Un programa lineal es aquel en el cual la

MSc. Ing. Ezzard Omar Alvarez Díaz

George B. Dantzig, es considerado como el

MSc. Ing. Ezzard Omar Alvarez Díaz

MSc. Ing. Ezzard Omar Alvarez Díaz

MSc. Ing. Ezzard Omar Alvarez Díaz

MSc. Ing. Ezzard Omar Alvarez Díaz

MSc. Ing. Ezzard Omar Alvarez Díaz

MSc. Ing. Ezzard Omar Alvarez Díaz

MSc. Ing. Ezzard Omar Alvarez Díaz

MSc. Ing. Ezzard Omar Alvarez Díaz

MSc. Ing. Ezzard Omar Alvarez Díaz

MSc. Ing. Ezzard Omar Alvarez Díaz

MSc. Ing. Ezzard Omar Alvarez Díaz

MSc. Ing. Ezzard Omar Alvarez Díaz

MSc. Ing. Ezzard Omar Alvarez Díaz

MSc. Ing. Ezzard Omar Alvarez Díaz

MSc. Ing. Ezzard Omar Alvarez Díaz

Permiten trabajar de manera eficiente con mayor

Se adaptan mejor al tratamiento algorítmico con

MSc. Ing. Ezzard Omar Alvarez Díaz

El principal objetivo de esta área de conocimientos

La naturaleza de los problemas abordados puede ser

Hoy en día, la toma de decisiones abarca una gran cantidad