Programacion Lineal - Metodo Grafico, Simplex y Dualidad

------. . !
2
Programacin lineal:
Mtodo grfico
La programacin lineal es un mtodo de resolucin de problemas que se ha desarrollado

para ayudar a los administradores a tomar decisiones. En seguida se describen algunas
aplicaciones clsicas de la programacin lineal:
l. Un fabricante desea elaborar un programa de produccin y una poltica de inventarios

que satisfaga la demanda de ventas en periodos futuros. Idealmente, el programa y la
poltica le permitirn a la compaa satisfacer la demanda y, al mismo tiempo, minimizar
los costos totales de produccin e inventarios.
2. Un analista financiero debe seleccionar una cartera de inversiones a partir de diversas
alternativas de inversin en bonos y acciones. Al analista le gustara establecer la cartera
que maximice el rendimiento sobre la inversin.
3. Un gerente de mercadotecnia desea determinar la mejor forma de asignar un presupuesto
de publicidad fijo entre diversos medios publicitarios tales como radio, televisin, peri-
dicos y revistas. Al gerente le gustara determinar la combinacin de medios que maximi-
za la eficacia de la publicidad.
4. Una compaa tiene almacenes en diversos lugares de Estados Unidos. Considerando
las demandas especficas de un conjunto de clientes para sus productos, la compaa
querra determinar qu almacn debe enviar qu cantidad de productos a qu clientes,
de manera que se minimicen los costos totales de transporte.
Estos son slo unos cuantos ejemplos de casos en los cuales se ha utilizado la programa-
cin lineal con xito, pero ilustran la diversidad de las aplicaciones de la programacin
lineal. Un examen cuidadoso revelar una propiedad bsica que tienen en comn todos
estos ejemplos. Lo que interesa en todos ellos es maximizar o minimizar alguna cantidad.
En el ejemplo 1 se desea minimizar costos; <?U el ejemplo 2, maximizar el rendimiento sobre
la inversin; en el ejemplo 3, maximizar la eficacia de la publicidad, y en el ejemplo 4,
minimizar los costos totales de transporte. En t~dos los problemas de programacin lineal,
el objetivo es la maximizacin o minimizacin de alguna cantidad.
Una segunda propiedad de todos los problemas de programacin lineal es que existen
limitaciones o restricciones que obstruyen la medida en que puede tratarse de alcanzar el
29
30 CAPTULO DOS
objetivo. En el caso o ejemplo 1, el fabricante est limitado por restricciones que exigen
que se satisfaga la demanda de los productos, y por las que limitan la capacidad de produc-
cin. El problema de la cartera para el analista financiero est restringido por la cantidad
total de fondos de inversin disponibles y por las cantidades mximas que pueden invertirse
en cada accin o en cada bono. La decisin del gerente de mercadotecnia sobre la seleccin
de medios publicitarios est restringida por un presupuesto de publicidad fijo y por la dispo-
nibilidad de los diversos medios. En el problema de transporte, el programa de remesas
de costo mnimo est restringido por la disponibilidad de los productos en cada almacn.
Por ello, las restricciones son otra caractertstica general de todos los problemas de progra-
macin lineal.
2.1 UN PROBLEMA SENCILLO DE MAXIMIZACIN

La compaa Par, Inc., es un pequeo fabricante de equipo y accesorios para golf cuyos
administradores han decidido incursionar en el mercado de las bolsas para bastones de
golf hechas de piel, a precios mediano y alto. El distribuidor de Par est muy entusiasmado
con la nueva lnea de productos y ha aceptado comprar todas las bolsas de golf que fabrique
Par en los tres meses siguientes.
Despus de una investigacin cuidadosa de las etapas necesarias para fabricar una bolsa,
los administradores determinan que cada bolsa que se fabrique requerir de las siguientes
operaciones:
l. Cortar y teir el material
2. Coser
3. Terminar (insertar el portasombrilla, los separadores de los palos, etc.)
4. Inspeccionar y embalar.
El director de manufactura ha analizado cada una de las operaciones y llegado a la conclu-
sin de que si la compaa fabrica un modelo estndar de precio medio, se requerir 11 10
de hora en el departamento de corte y teido, 112 hora en el departamento de costura, 1
hora en el departamento de terminado, y 11 10 de hora en el departamento de inspeccin
y embalaje. El modelo de lujo ms costoso requerir de 1 hora para corte y teido, 516
de hora para costura, 213 de hora para el terminado, y I/ 4 de hora para inspeccin y emba-
laje. En la Tabla 2.1. se resume esta informacin sobre la produccin.
El departamento de costos ha analizado estas cifras de produccin, ha asignado todos
los costos pertinentes y llegado a la conclusin de que se obtendra una contribucin a
las utilidades 1 de $10 (dlares) para cada bolsa estndar, y de $9 para cada bolsa de lujo
que se fabrique.
TABLA 2.1 Operaciones de produccin y requerimientos de produccin por bolsa

Tiempo de produccin (horas)
Producto Corte y teido Costura Terminado Inspeccin y embalaje
Bolsa estndar 7/ 10 1/2 1/ 10
Bolsa de lujo 1 516 2/ 3 1/ 4
1
Desde una perspectiva contable, es ms correcto describir esto como el margen de contribucin por bolsa; por
ejemplo, no se han asignado los gastos generales.
PROGRAMACIN LINEAL: MTODO GRFICO 31
Adems, despus de estudiar las proyecciones de las cargas de trabajo en los departamen-
tos, el director de manufactura estima que para la produccin de la bolsa de golf en los
3 meses siguientes, habr disponibles 603 horas de tiempo de corte y teido, 600 horas
de costura, 708 horas de acabado y 135 horas de inspeccin y embalaje.
El problema de Par es determinar cuntas bolsa estndares y cuntas bolsas de lujo deben
fabricar con objeto de maximizar la contribucin a las utilidades. Si estuviera a cargo del
programa de produccin para la compaa f'ar, qu decisin tomara?; es decir, cuntas
bolsas estndares o cuntas bolsas de lujo fabricara en los 3 meses siguientes? Anote su
decisin en los cuadros que aparecen en seguida. Se podr hacer una verificacin ms ade-
lante y determinar cun buena fue su apreciacin.
Nmero de Nmero de
bolsas estndares bolsas de lujo Utilidad total
2.2 LA FUNCIN OBJETIVA

Como se seal antes, todo problema de programacin lineal tiene un objetivo de minimiza-
cin o de maximizacin. El correspondiente al problema de Par es maximizar las utilidades.
Se puede plantear este objetivo en forma matemtica introduciendo alguna notacin sim-
ple. Sean
x1 nmero de bolsas estndares fabricadas
x2 nmero de bolsas de lujo faricadas
La contribucin a las utilidades de Par provendr de 2 fuentes: (1) la que proviene de x 1
bolsas estndares y (2) la que procede de la fabricacin de x 2 bolsas de lujo. Como Par
obtiene $10 por cada bolsa estndar que fabrica, la compaa obtendr $10 x 1 si se fabri-
can x 1 artculos estndares. Tambin, como Par obtiene $9 por cada bolsa de lujo que
fabrica, la compaa obtendr $9 x 2 si se manufacturaron x 2 artculos de lujo. Denotando
con z la contribucin total a las utilidades, se tiene
Contribucin a las utilidades totales = z = $10x1 + $9x2
A partir de este momento se supondr que la contribucin a las utilidades se mide en dlares,
y se anotar la expresin de la aportacin total a las utilidades sin los signos monetarios.
Es decir,
Contribucin a las utilidades totales = z = 1Ox 1 + 9x2 (2.1)
Ahora se puede plantear el problema de la empresa como el de elegir los valores de las
variables x 1 y x2 que producen el mayor valor posible de z. En terminologa de programa-
cin lineal, a x 1 y x 2 se las denomina variables de decisin. Como el objetivo, maximizar
la contribucin total a las utilidades, es funcin de esas variables decisorias, a I0x1 + l0x2
se la denominajuncin objetivo. Utilizando max como abreviatura de maximizar, el objeti-
vo de Par se plantea de la siguiente manera:
max z = max 10x1 + 9x2 (2.2)

32 CAPTULO DOS
En el problema en cuestin, a cualquier combinacin especfica de fabricacin de artcu-

los de tipo estndar y de lujo se le designa por solucin del problema. Sin embargo, slo
a las soluciones que satisfacen todas las restricciones se las denomina soluciones factibles .
La combinacin factible especfica de produccin (solucin factible) que da como resultado
la mayor aportacin a las utilidades se la denomina la combinacin ptima de produccin
o, de manera equivalente, solucin ptima. Sin embargo, en este momento no se tiene idea
de cul ser la solucin ptima. De hecho, ni siquiera se ha desarrollado un procedimiento
para identificar las soluciones factibles. El mtodo para determinar las soluciones factibles
exige, en primer lugar, identificar todas las restricciones del problema.
2.3 LAS RESTRICCIONES

Cada una de las bolsas estndar y de lujo que se fabrican deben pasar por cuatro operaciones
de produccin. Como existe una cantidad limitada de tiempo de produccin disponible
para cada una de esas operaciones, puede esperarse que haya cuatro restricciones limitando
el nmero total de bolsas que la Par puede fabricar.
A partir de la informacin de manufactura (Tabla 2.1) se sabe que cada bolsa estndar
que Par fabrique utilizar 11 10 de hora en corte y teido. Por ello, el nmero total de horas
de corte y teido que se utiliza en la fabricacin de x 1 bolsas estndares ser 11 10 x 1 Por
otro lado, cada bolsa de lujo que se fabrique requerir de una hora para corte y teido;
por ello, las bolsas de lujo utilizarn lx2 horas de tales operaciones. El tiempo total de
corte y teido que se requiere para la fabricacin de x 1 bolsas estndares y x 2 bolsas de
lujo est dado por
Tiempo total de corte y teido que se requiere = 11 10X

1
+ lx2
Como el director de manufactura ha planteado que se dispone de cuando mucho 630 horas
para corte y teido, se concluye que la combinacin de productos que se seleccione debe
satisfacer el requisito.
7/ rox 1 + 1x2 :5 630 (2 .3)
en donde el smbolo :5 significa menor que o igual a. A la relacin (2.3) se la denomina

desigualdad, y denota el hecho de que el nmero total de horas que se utilicen para las
operaciones de corte y teido en la fabricacin de x 1 bolsas estndares y x 2 bolsas de lujo,
debe ser menor que o igual a la cantidad mxima de tiempo disponible para corte y teido
en Par.
En la Tabla 2. 1 se observa tambin que cada bolsa estndar que se fabrique requerir
de 112 hora de costura, y que cada bolsa de lujo requerir de 516 de hora de tiempo de corte.
Como hay disponibles 600 horas de tiempo de corte, se concluye que
V2x 1 + % x 2 :5 600 (2.4)
es la representacin matemtica de la restriccin de corte. Verifique que la restriccin para

la capacidad de terminado es
1x 1 + 2JJx 2 :5 708 (2 .5)
y que la restriccin para la capacidad de inspeccin y embalaje es

(2.6)
Ya se han especificado las relaciones matemticas de las restricciones para las cuatro
operaciones de produccin. Existen cualesquiera otras restricciones que se hayan omitido?
Puede la firma fabricar un nmero negativo de bolsas estndar o de lujo? Es evidente
que la respuesta es no. Por ello, con objeto de evitar que las variables de decisin x 1 y
x 2 asuman valores negativos, deben aadirse dos restricciones.
(2 .7)
El smbolo ~ significa mayor que o igual a. Estas restricciones aseguran que la solucin
del problema no contendr valores negativos para las variables de decisin y, por ello,
se las denomina restricciones de no negatividad. Las restricciones de no negatividad son
una caracterstica general de todos los problemas de programacin lineal, y se les escribir
en lo subsiguiente de la siguiente forma abreviada:
2.4 PLANTEAMIENTO MATEMTICO

DEL PROBLEMA DE PAR, INC.
Est ahora completo el planteamiento matemtico del problema de Par, In c. Ya se ha logra-
do traducir el objetivo y las restricciones del problema "real" en un conjunto de relaciones
matemticas a las que se denomina modelo matemtico. El modelo matemtico completo
para el problema es el siguiente:
max 10x 1 + 9x2

sujeta a (s.t.)
7Jwx 1 + lx 2 ::; 630 Corte y teido
l/zx 1+ %x2 ::; 600 Costura
lx 1 + z3 x 2 ::; 708 Terminado
l/wx 1 + l/4x2 ::; 135 Inspeccin y embalaje
Lo que se requiere ahora es encontrar la combinacin de productos (es decir, de x 1 y

x 2 ) que satisfaga todas las restricciones y, al mismo tiempo, d un valor de la funcin ob-
jetivo que sea mayor que o igual a un valor dado por cualquiera otra solucin factible.
Una vez que se hace esto, se ha encontrado la solucin para el problema.
El anterior modelo matemtico para el problema es un programa lineal. El problema
tiene objetivo y restricciones, de las cuales se dijo antes que son propiedades comunes de
todos los programas lineales. Pero, cul es la caracterstica especial de este modelo mate-
mtico que lo convierte en un programa lineal? La caracterstica especial que lo convierte
en tal programa es que la funcin objetivo y todas las funciones de restriccin (los lados
izquierdos de las desigualdades de restriccin) son funciones lineales de las variables decisorias.
Las funciones matemticas en las que todas las variables aparecen en un trmino aparte
y estn elevadas a la primera potencia, reciben el nombre defunciones lineales. La funcin
objetivo (10x 1 + 9x2 ) es lineal porque todas las variables de decisin aparecen en un tr-
mino distinto y tienen exponente de l. Si la forma de la funcin objetivo hubiera sido
!Oxi + 9Vx2 , no hubiera sido entonces una funcin lineal, y no se tendra un programa
/
34 CAPTULO DOS
lineal. El tiempo de produccin que se requiere en el departamento de corte y teido ( 11 10X1

+ lxJ es tambin funcin lineal de las variables de decisin por el mismo motivo. De ma-
nera similar, las funciones del lado izquierdo de todas las desigualdades de restriccin (las
funciones de restriccin) son funciones lineales. Por ello, al planteamiento matemtico del
problema de Par se le denomina programa lineal.
Puede ahora mencionarse que la programacin lineal no tiene nada que ver con la progra-
macin de computadoras . Aqu, el uso de la palabra programacin significa "elegir un
curso de accin". La programacin lineal implica seleccionar un camino de accin cuando
el modelo matemtico del problema contiene slo funciones lineales.
NOTAS Y COMENTARIOS
l. Los tres supuestos necesarios para que un modelo de programacin lineal sea apro-
piado, son: proporcionalidad, aditividad y divisibilidad. Proporcionalidad signifi-
ca que el aporte a la funcin objetivo y la cantidad de recursos que se utilizan
son proporcionales al valor de cada variable de decisin. Aditividad significa que
es posible encontrar el valor de la funcin objetivo y el total de los recursos que
se utilizan sumando la contribucin de ia funcin objetivo y los recursos que se
utilizan, para todas las variables de decisin. Divisibilidad significa que las varia-
bles de decisin son continuas . El supuesto de divisibilidad, aunado a las restriccio-
nes de no negatividad, significa que las variables de decisin slo pueden asumir
valores que sean mayores que o iguales a cero.
2. Los cientficos de la administracin plantean y resuelven diversos modelos mate-
mticos que contienen una funcin objetivo y un conjunto de restricciones . A los
modelos de este tipo se les denomina modelos de programacin matemtica. Los
modelos de programacin lineal son un tipo especial de modelos de programacin
matemtica, ya que son lineales tanto la funcin objetivo como todas las funciones
de restriccin .
?..5 SOLUCIN GRFICA

Se puede resolver un problema de programacin lineal que tenga slo dos variables de deci-
sin utilizando un procedimiento grfico de solucin . Se comienza el procedimiento grfico
de resolucin elaborando una grfica que muestre las soluciones posibles (valores x 1 y x 2)
para el problema de la empresa Par. La grfica (Fig. 2.1) tendr los valores de x 1 en el
eje horizontal y los valores de x 2 en el eje vertical. Se puede ubicar cualquier punto en
la grfica mediante los valores de x 1 y x 2 , los cuales sealan la posicin del punto sobre
los ejes x 1 y x2 , respectivamente. Como cada punto (x 1, x 2 ) corresponde a una posible so-
lucin, a cada punto de la grfica se le denomina punto solucin. El punto solucin en
donde X 1 = O y x 2 = O se denomina origen.
El siguiente paso consiste en determinar qu puntos solucin corresponden a soluciones
factibles para el programa lineal. Se requiere que tanto x 1 como x 2 sean no negativas, y
por ello slo es necesario considerar la porcin de la grfica en la que x 1 2: O y x 2 2: O.
Las flechas de la Fig. 2.2 sealan la porcin de la regin de soluciones en donde se satisfacen
esos requisitos de no negatividad. Como siempre se requiere que las variables decisorias
de la programacin lineal sean no negativas, las grficas que se apliquen en lo subsiguiente
xz
1200
o
B
~ 1000 Un punto solucin con
X1 = 200 y X 2 = 800
-
~
-f1(200, 800)
o
"e:\ 1
'
:::1
"e:\ 1
eo. 6oo 1
e 1 Un punto solucin con
"
E
:::1
X1= 400 y X 2 = 300
5 400 1
"e:\
o:!
:g 1
- - - - -f(400, 300)
~
::
o:! 1 1
u 200
1 1
1 1
- 400 - 200 o 12QQ X
Cantidad de bolsas estndares

- 200
FIGURA 2.1 Grfica de los puntos de solucin para el problema de dos

variables de la compaa Par, lnc.
mostrarn slo la porcin de la regin de soluciones que corresponde a los valores no negati-
vos de las variables de decisin.
Se vio antes que la desigualdad que representa la restriccin de corte y teido es
/wx 1
1 + lx 2 :5 630
Para mostrar todos los puntos solucin que cumplen esta relacin, se comienza por locali-
zar los puntos solucin que satisfacen la parte de igualdad de la restriccin. Es decir, los
puntos en donde 11 10X 1 + lx2 = 630. Como la grfica de la ecuacin es una recta, se la
puede obtener ubicando dos puntos que satisfagan la ecuacin y trazando despus una
recta por tales puntos. Fijando x 1 = O y despejando x 2 se observa que el punto (x, = O,
x 2 = 630) satisface la ecuacin anterior. Para obtener un segundo punto que satisfaga la
ecuacin, se fija x 2 = O y se despeja x 1 Con esto se obtiene 1nox1 + 1(0) = 630, o x 1 =
900. Por ello, un segundo punto que cumple la ecuacin es (x 1 = 900, x 2 = 0). Se puede
trazar ahora la recta que corresponde a la ecuacin
7/wx
1 + lx2 = 630
Esta recta, a la que se denominar lfnea o recta de restriccin de corte y teido, es la que
se muestra en la Fig. 2.3. Se identifica tal lnea como ''C & T'' para indicar que representa
la restriccin de corte y teido.
36 CAPTULO DOS
o
]' Regin de Soluciones
no negativas
"'
"O
o 200 400 600 800 1000 1200 14QQ X
FIGURA 2.2 Las restricciones de no negatividad.
Recurdese que la desigualdad que representa dicha restriccin es

1/wx 1 + lx2 :S 630
Puede identificar todos los puntos solucin que satisfacen esta restriccin? Como todos
los puntos de la recta satisfacen 7nox 1 + lx2 = 630, se sabe que cualquier punto que est
sobre esta recta debe satisfacer la restriccin. Pero, existen puntos solucin que satisfagan
7/ IOX + lx < 630? Considrense dos puntos solucin: (x = 200, x = 200) y (x1 = 600,
1 2 1 2
x 2 = 500). Se puede observar en la Fig. 2.3 que el primer punto solucin se encuentra
abajo de la recta de restriccin, y que el segundo se halla por encima. Cul de estas solucio-
nes satisface la restriccin de corte y teido? Para el punto (x1 = 200, x 2 = 200), se obser-
va que
7fwx 1 + lx2 = 7fw(200) + 1(200) = 340
Como las 340 horas son menos que las 630 horas disponibles, la combinacin de produc-
cin, o punto solucin, (x 1 = 200, x 2 = 200), satisface la restriccin. Para el punto (x1 =
600, x 2 = 500), se tiene
1fwx 1 + Ix2 = 1fw(600) + 1(500) = 920
Las 920 horas son ms que las 630 horas disponibles, por lo que el punto solucin (x1
600, X 2 = 500) no satisface la restriccin y, por ello, no es factible.
x2
1200
1000
o
:a 800
""'"'
~
o
.o
600
""' ~lo.-
":51"' 1 ...
(600,500)
:: (-
400 < <:-
u"' 6..1o
200
FIGURA 2.3 La recta de restriccin de corte y teido.
Resulta que si un punto solucin determinado no es factible, entonces, todos los dems
puntos de solucin que se encuentran al mismo lado de la recta de restriccin tampoco
son factibles. Si un punto solucin especfico es factible, entonces son factibles t0dos los
dems puntos solucin que estn al mismo lado de la recta de restriccin. Por ello, es necesa-
rio evaluar la funcin restrictiva slo para un punto solucin y determinar cul de los lados
de la recta de restriccin se encuentra en la regin factible. En la Fig. 2.4, se sealan todos
los puntos que satisfacen la restriccin de corte y teido mediante el sombreado de la regin
correspondiente.
Se contina ubicando puntos solucin que satisfacen cada una de las otras tres restriccio-
nes. Las soluciones que son factibles para cada una de estas restricciones se muestran en
la Fig. 2.5.
Se tienen ahora cuatro grficas separadas que muestran los puntos de solucin factibles
para cada una de las cuatro restricciones. En los problemas de programacin lineal es nece-
sario localizar los puntos solucin que satisfacen simultneamente todas las restricciones.
Para encontrar estos puntos se indican las cuatro restricciones en una sola grfica y se
observa la restriccin que contiene los puntos que, de hecho, satisfacen en forma simultnea
todas las restricciones.
Pueden ponerse las grficas de las Figs. 2.4 y 2.5 una sobre otra, para obtener una que
contenga las cuatro restricciones. Tal grfica con restricciones combinadas se muestra en
la Fig. 2.6. La regin sombreada incluye todos los puntos solucin que satisfacen en forma
simultnea todas las restricciones. Como a las soluciones que cumplen todas las restriccio-
nes se las denomina soluciones factibles, a la regin sombreada se le nombra regin de
38 CAPTULO DOS
x2
1200
1000
o
E 800
<!)
"O
"'
o"'"'
.o
<!)
600
"O
"O
"'
:9
E 400
u"'
200
o 200 400 600 800 1000 1200 14QQ X
FIGURA 2.4 Soluciones factibles para la restriccin de corte y teido

(C. y T.) representadas mediante la regin sombreada
soluciones factibles, o bien regin factible. Cualquier punto que se encuentre en la frontera
o lmite de la regin factible, o dentro de ella, es un punto solucin factible.
Ahora que se ha identificado la regin factible, es posible continuar con el mtodo grfico
de solucin y obtener la solucin ptima del problema de la compaa Par, lnc. Recurdese
que la solucin ptima para un problema de programacin lineal es la solucin factible
que ofrece el mejor valor posible de la funcin objetivo. Se inicia la etapa de optimizacin
del procedimiento grfico de solucin volviendo a ubicar la regin factible en otra grfica;
se muestra en la Fig. 2.7.
Una forma de encontrar la solucin ptima sera evaluar la funcin objetivo para cada
solucin factible; en este caso, la solucin ptima sera la que produce el mayor valor.
La dificultad con este mtodo es que existen demasiadas soluciones factibles (que son, de
hecho, en nmero infinito), y, por ello, no sera posible evaluar todas las soluciones facti-
bles. Por tanto no se puede utilizar este procedimiento de ensayo y error para identificar
la solucin ptima.
En vez de intentar el clculo de la contribucin a las utilidades para cada solucin factible,
se elige un valor arbitrario para la aportacin a las utilidades y se identifican todas las
soluciones factibles (xl' x 2 ) que producen el valor seleccionado. Por ejemplo, qu solucio-
nes factibles producen una contribucin a las utilidades de $1 800? Estas soluciones estn
dadas por los valores x, y x 2 que se encuentran en la regin factible y que hacen que la
funcin objetivo
10x 1 + 9x2 = 1800
1200
1000-
Restricci n pa ra
la costura
o 400 600
1200
Rest riccin pa ra
el terminado
HlOO
o
E
"'
-;: 800
~ Restri cc in pa ra la
o inspecci n y em ba laje
~ 600 v co .s40 ) (708,0)
"O
,
~--~~~~~~~~~8~0~--~
0 IOL
0~0 ---1~20_0___1_4LOO- -x
"'
:"9
;:: Cantidad de bolsas estndares
u"'
(1 350,0)
~
1400 X
FIGURA 2.5 Soluciones para las restricciones de costura (C.), terminado (T.) e
inspeccin y embalaje (1. y E.), representadas mediante las
regiones sombreadas.
La expresin anterior es simplemente la ecuacin de una recta, por ello, todos los puntos
de solucin factibles (xp x 2 ) que producen una contribucin a las utilidades de $1 800 de-
be caer en esa recta. Ya se aprendi antes en esta seccin la forma de trazar una recta
de restriccin. El procedimiento que se usa para la recta de la funcin objetivo o la de
las utilidades, es el mismo. Fijando x 1 = O, se observa que x 2 puede ser 200; por ello, el
punto de solucin (x 1 = O, x 2 = 200) se encuentra en la recta. De manera similar, fijando
40 CAPTULO DOS
x2
1200
1000
o
2 800
Q)
-o
"'~
o
.o 600
Q)
-o
-o
"'
:9
;:: 400
u"'
200
FIGURA 2.6 Una grfica con la combinacin de las restricciones y que

muestra la regin de soluciones factibles para el
problema de Par, Inc.
"'
o"'"'
.o
Q)
-o
-o
"'
:9
;::
u"'
o
FIGURA 2.7 Regin de soluciones factibles para el problema de Par, lnc.

FIGURA 2.8 Recta de utilidades de $1 800 para el problema de Par, Inc.
x 2 = O, se observa que estos dos puntos identifican a todas las soluciones que tendran
una contribucin a las utilidades de $1 800. En la Fig. 2.8 se presenta esa recta de utilidades.
Como el objetivo es obtener la solucin factible que produzca la mayor contribucin
a las utilidades, se contina seleccionando mayores contribuciones a las utilidades determi-
nando las soluciones que producen los valores que se han seleccionado. Por ejemplo, se
procede a hallar soluciones que produzcan aportes a las utilidades de $3 600 y $5 400. Para
esto se deben evaluar x 1 y x 2 que estn sobre las siguientes rectas:
10x 1 + 9x2 = 3600

y
10x 1 + 9x2 = 5400
Las rectas de utilidades de $3 600 y $5 400 que aparecen en la Fig. 2. 9 se trazaron haciendo
uso del procedimiento visto antes para las rectas de utilidades y de restricciones. Aunque
no todos los puntos solucin de la recta de utilidades de $5 400 se encuentran en la regin
factible, cuando menos algunos puntos de la recta s lo estn, y por ello es posible obtener
una solucin factible que produzca una contribucin de $5 400 a las utilidades.
Se puede encontrar una solucin factible que produzca una contribucin an mayor
a las utilidades? Obsrvese la Fig. 2.9 y vase qu observaciones generales puede formular
acerca de las rectas de utilidades que ya se han trazado. Obsrvese lo siguiente: (1) las rectas
de utilidades son paralelas entre s y (2) se obtienen rectas de mayores utilidades conforme
se alejan del origen. Puede visualizarse esto tambin en forma algebraica. Si z representa
la utilidad total, la funcin objetivo es
z = 10x 1 + 9x2
42 CAPTULO DOS
o
~
"'"'"'~
o
.o
"'"'
"':::!"'
=
u"'
FIGURA 2.9 Rectas de utilidades seleccionadas para el problema de Par, lnc.
Despejando x2 en trminos de x 1 y z, se obtiene

9x2 -10x 1 + z
(2.8)
La expresin (2.8) es la forma pendiente-interseccin de la ecuacin lineal que relaciona

a x 1 y x 2 El coeficiente de x" - I0/ 9, es la pendiente de la recta, y el trmino t 19Z es la
interseccin vertical (u ordenada al origen, es decir, el valor de x 2 para el que la grfica
de la ecuacin (2.8) corta al eje x 2 ). Sustituyendo las contribuciones a las utilidades de
z = 1 800, z = 3 600, y z = 5 400 en la ecuacin (2.8) se obtienen las ecuaciones siguientes
de forma pendiente e interseccin vertical para las rectas de utilidad que se muestran en
la Fig. 2.9:
Para z = 1 800,
Para z 3 600
Para z 5 400
La pendiente (-og) es la misma para todas las rectas de utilidades, puesto que son parale-
las. Adems, se observa que la ordenada al origen, x2 , aumenta conforme lo hacen los
aportes a las utilidades. Por ello, las rectas correspondientes a mayores utilidades estn
ms lejos del origen.
Como las lneas de utilidades son paralelas, y como cuanto mayores son las utilidades
tanto ms lejos del origen estn las rectas, se pueden obtener soluciones que producen valo-
res cada vez mayores de la funcin objetivo desplazando las rectas de utilidades a cada
vez mayor alejamiento del origen, de manera que sigan siendo paralelas entre s. Sin embar-
go, llegar un momento en el que continuar el movimiento alejndose del origen har que
la recta de utilidades quede completamente fuera de la regin factible. Como las soluciones
fuera de la regin factible no son aceptables, el punto de la regin factible que se encuentra
en la recta de utilidades ms altas es la solucin ptima para el programa lineal.
Ya se estar en posibilidades ahora de identi~icar el punto solucin ptima para el proble-
ma de Par, Inc. Utilice una regla o la orilla de una hoja de papel para desplazar la recta
de utilidades tan lejos del origen como sea posible. Cul es el ltimo punto de la regin
factible que se alcanza? Este punto, que es la solucin ptima, se muestra en la Fig. 2.10.
Los valores ptimos de las variables de decisin son los valores de x 1 y x 2 en la solucin
ptima. Es posible que se pueda o no determinar los valores exactos de x 1 y x 2 dependien-
do de la precisin de la grfica. Con referencia a la Fig. 2.10, lo mejor que puede lograrse
es concluir que la combinacin ptima de produccin implica aproximadamente 550 bolsas
estndares (x,) y aproximadamente 250 bolsas de lujo (x).
Una inspeccin ms cuidadosa de las Figs. 2.6 y 2.10 muestra que el punto solucin
ptima se encuentra en la interseccin de la recta de restriccin de corte y teido, y la de
terminado. Es decir, el punto solucin ptima se encuentra tanto sobre la recta de restriccin
de corte y teido
7/wx
1 + 1x2 = 630 (2.9)
como sobre la recta de restriccin de acabado
(2.10)
600
Solucin ptima
FIGURA 2.10 Solucin ptima para el problema de Par, Inc.

44 CAPTULO DOS
De modo que los valores ptimos de las variables de decisin x 1 y x2 deben satisfacer am-
bas ecuaciones (2. 9) y (2.1 0), de manera simultnea. Utilizando la ecuacin (2. 9) y despejan-
do x 1, se obtiene
7f10 x 1 = 630 - 1x2
o bien
(2.11)
Sustituyendo esta expresin de x 1 en la ecuacin (2.10) y despejando x 2 se obtiene lo si-

guiente:
1(900 - + ~3X2 =
10f7X2) 708
900- + ~3X2 =
10/1X2 708
900- 30/21X2 + 1o/21X2 = 708
16/21X2 = -192
x2 = 192 = 252
1o/21
Utilizando x 2 252 en la ecuacin (2.11) y despejando xl' resulta
X = 900 - 10f7(252)
= 900 - 360 = 540
La ubicacin exacta del punto ptimo de solucin es x 1 = 540 y x 2 = 252. Por ello, las
cantidades ptimas de produccin para Par, Inc., son 540 bolsas estndares y 252 bolsas
de lujo, con una aportacin a las utilidades resultante de 10(540) + 9(252) = $7 668.
Para un problema de programacin lineal con dos variables de decisin es posible deter-
minar los valores exactos de dichas variables en la solucin ptima utilizando en primer
lugar el procedimiento grfico de solucin para identificar el punto ptimo; despus se
resuelven en forma simultnea las dos ecuaciones de restriccin correspondientes a ese punto.
Comentarios sobre la graficacin de rectas
Como puede observarse en la solucin grfica del problema de Par, Inc., un aspecto impor-
tante del mtodo grfico es la aptitud para graficar rectas que muestren las restricciones
y la funcin objetivo del programa lineal. El procedimiento que se ha utilizado para graficar
la ecuacin de una recta es encontrar cualesquiera dos puntos que satisfagan la ecuacin
y despus trazar la recta sobre esos puntos. Fue fcil localizar los dos puntos para las restric-
ciones fijando x 1 = O y despejando x 2 en la ecuacin de restriccin. Despus se tom x 2
O y se despej x 1 Para la recta de restriccin de corte y teido
7foX 1 + lx2 = 630
se identificaron dos puntos mediante este procedimiento (x 1 = O, x 2 = 630) y (x 1 = 900,
x 2 = 0). Despus se traz la recta de restriccin de corte y teido pasando una recta sobre
estos dos puntos.
Si es posible identificar dos puntos de la recta, es posible el trazo de todas las rectas
de restriccin y de funcin objetivo en programas lineales de dos variables. Sin embargo,
encontrar dos puntos sobre la recta no siempre es tan sencillo como se vio en el problema
de Par, Inc. Por ejemplo, considrese la siguiente restriccin.
Utilizando la forma de igualdad y considerando x 1 = O, se encuentra que el punto (x 1

O, x" = - 100) cae sobre la recta de restriccin. Si x" = O, se encuentra un segundo punto
(x 1 = 50, x 2 = 0), que tambin cae sobre la recta de restriccin. Si se hubiera dibujado
slo la porcin no negativa (x 1 ~ O, x 2 ~ O) de la grfica, no hubiera sido posible trazar
el primer punto (x 1 = O, x 2 = - 100), porque x 2 = - 100 no forma parte de la grfica.
Los casos en los que se tienen dos puntos de la recta, pero no es posible ubicar alguno
o ambos de ellos en la porcin no negativa de la grfica, el mtodo ms simple consiste
en ampliar el tamao de la representacin para incluir la parte negativa de los ejes x 1 y/ o
x". En este ejemplo puede ubicarse el punto (x 1 = O, x 2 = - 100) ampliando la grfica
para incluir la parte negativa del eje x 1 Se puede trazar la recta una vez que se localizan
los dos puntos que satisfacen la ecuacin de restriccin. En la Fig. 2.11 se muestran la
recta de restriccin y las soluciones factibles para la restriccin 2x 1 1x" :5 1OO.
Como otro ejemplo, considrese una restriccin de la forma
Para encontrar todas las soluciones que satisfacen la parte de igualdad de la restriccin,
se considera en primer Jugar x 1 = O y se despeja x". Esto muestra que el origen (x 1 = O,
X:
FIGURA 2.11 Soluciones factibles para la restriccin 2x 1 -::- 1x2 :5 100.

46 CAPTULO DOS
x,
FIGURA 2.12 Soluciones factibles para la restriccin lx 1 - lx 2 :::: O
x 2 = O) cae en la recta de restriccin si x 2 = O y despejando x 1 se obtiene el mismo punto.

Sin embargo, se puede obtener un segundo punto de la recta igualando x 2 a cualquier va-
lor que no sea cero, y despejando despus x 1 Por ejemplo, si x 2 = 100 y se despeja xl'
se encuentra que el punto (x 1 = 100, x 2 = 100 es parte de la recta. Una vez teniendo los
dos puntos (x 1 = O, x 2 = 0) y (x1 = 100, x 2 = 100), puede trazarse la recta de restriccin
1x1 - 1x2 = Oy las soluciones factibles para 1x1 - 1x2 :::: O, como se muestra en la Fig. 2.12.
Resumen del procedimiento grfico de solucin

para problemas de maximizacin
Como se ha visto, el procedimiento grfico de solucin es un mtodo para resolver proble-
mas de programacin lineal con dos variables, tales como el problema de Par, Inc. En
seguida se resumen los pasos del procedimiento grfico de solucin para problemas de maxi-
mizacin.
l. Elaborar una grfica de los puntos solucin factible para cada una de las restricciones .
2. Determinar la regin factible identificando los puntos solucin que satisfacen en forma
simultnea todas las restricciones.
3. Trazar una recta de la funcin objetivo que muestre los valores de las variables x 1 y
x 2 que proporcionan un valor especfico para la funcin objetivo.
4. Desplazar rectas de funcin objetivo paralelas en direccin de los valores ms altos de
la funcin objetivo hasta que llegue el momento en el que un mayor alejamiento haga
que la recta quede por completo fuera de la regin factible.
S. Un punto solucin factible que se encuentre sobre la recta de la funcin objetivo y que
tenga el mayor valor, es una solucin ptima.
Variables de holgura
Adems de la solucin ptima de x 1 = 540 bolsas estndares y x 2 = 252 bolsas de lujo,

y de la utilidad esperada de $7 668, es probable que los administradores de la compaa
Par, In c., deseen obtener informacin con respecto a los requisitos de tiempo de produccin
para cada una de las operaciones. Puede obtenerse esta informacin sustituyendo los valo-
res ptimos de x 1 y x 2 en las funciones de restriccin para el programa lineal. Los requisi-
tos de tiempo de produccin para el problema de Par, Inc., son los siguientes:
7110(540) + 1(252) 630 horas para corte y teido

112(540) + 516(252) 480 horas para costura
1(540) + 213(252) 708 horas para terminado
1110(540) + 114(252) 117 horas para inspeccin y embalaje
Los resultados anteriores muestran a los administradores que la produccin de 540 bolsas
estndares y 252 bolsas de lujo requerira de todo el tiempo disponible de corte y teido
(630 horas) y de todo el tiempo disponible de acabado (708 horas), y que dejarn de utilizarse
120 horas del tiempo de costura, (600- 480) y 18 horas del tiempo de inspeccin y embalaje
(135- 117). A las 120 horas del tiempo no utilizado de costura y a las 18 horas de tiempo
no utilizado de inspeccin y embalaje se les denomina holgura de los dos departamentos.
En terminologa de programacin lineal, a cualquier capacidad no utilizada, u ociosa, para
una restriccin de s se la denomina holgura correspondiente a la restriccin.
Con frecuencia se aaden variables a los planteamientos de los problemas de programa-
cin lineal para representar la capacidad de holgura. A esas variables se las llama variables
de holgura y, como la capacidad no utilizada no contribuye a las utilidades, tienen coeficien-
tes cero en la funcin objetivo. Despus de aadir variables de holgura al planteamiento
matemtico del problema de Par, Inc., la forma del modelo matemtico es la siguiente:
max 10x 1 + 9x2 + Os 1 + Os 2 + Os 3 + Os4

sujeta a
7j10 x 1 + lx2 + ls 1 = 630
1/2X + Sf6X2 = 600
IX + 2f3X2 = 708
1/wX + 1/4X2 + 1s4 = 135
En los casos en que los programas lineales estn formulados de manera que todas las restric-
ciones se expresan como igualdades, se dice que est escrito en forma estndar.
En la solucin ptima, x 1 = 540 y x 2 = 252, los valores de las variables de holgura son
los siguientes:
Valor de la
Restriccin variable de holgura
Corte y teftido S1 = 0
Costura 52 = 120
Terminado S
3
= 0
Inspeccin y embalaje s. = 18
48 CAPTULO DOS
Se hubiera podido utilizar la solucin grfica para obtener parte de esta informacin?
La respuesta es s. Al encontrar el punto de solucin ptimo de la Fig. 2.6, puede observarse
que las restricciones de corte y teido y de terminado limitan, o acotan la regin factible
en ese punto. Por ello, esta solucin requiere del uso de todo el tiempo disponible para
esas dos operaciones. En otras palabras, la grfica muestra que los departamentos de corte
y teido y de terminado tendrn holgura cero. Por otro lado, como las restricciones de
inspeccin y de embalaje no son lmites de la regin factible en la solucin ptima, puede
observarse algn tiempo no utilizado o de holgura para esas dos operaciones.
Como comentario final sobre el anlisis grfico del problema de la empresa Par, Inc.,
hay que insistir en la restriccin de la capacidad de costura, como se muestra en la Fig.
2.6. Obsrvese, en particular, que tal restriccin no afecta a la regin factible. Es decir,
la regin factible sera la misma ya sea que se incluya la restriccin sobre la capacidad
de costura o no. Esto indica que existe tiempo de costura disponible suficiente para dar
cabida a cualquier nivel de produccin que pueda alcanzarse en los otros tres departamen-
tos. Como la restriccin de costura no afecta a la regin factible ni, por ello, puede afectar
la solucin ptima, se le denomina restriccin redundante.
NOTAS Y COMENTARIOS
l. En la forma estndar de representacin de un modelo de programacin lineal,

los coeficientes de la funcin objetivo para las variables de holgura son cero. Esto
implica que las variables de holgura representan recursos no utilizados que no afec-
tan el valor de la funcin objetivo. Sin embargo, en algunas aplicaciones, es posible
vender los recursos no utilizados para que contribuyan a las utilidades. En casos
como estos, las variables comunes del holgura se convierten en variables de decisin
que representan la cantidad de recursos que se deben vender. Un coeficiente dife-
rente de cero en la funcin objetivo reflejara la utilidad correspondiente a la venta
de una unidad de este recurso.
2. Las restricciones redundantes no afectan a la regin factible y, como resultado,
se les puede eliminar del modelo de programacin lineal sin afectar la solucin
ptima. Sin embargo, si se va a resolver despus el modelo de programacin lineal,
los cambios en algunos de los datos pueden ocasionar que posteriormente una res-
triccin redundante se convierta en una restriccin limitante crtica. Por ello, se
recomienda conservar todas las restricciones de los modelos de programacin li-
neal, aun cuando en algn momento alguna o varias de las restricciones resulten
ser redundantes.
2.6 PUNTOS EN LOS EXTREMOS Y

LA SOLUCIN PTIMA
Supngase que se reduce la contribucin a las utilidades de las bolsas estndares de Par,
Inc., de $10 a $5 por bolsa, al mismo tiempo que la contribucin a las utilidades de las
bolsas de lujo y todas las restricciones permanecen constantes. El modelo de programacin
lineal completo para este problema es idntico al modelo matemtico de la Secc. 2.4, excepto
por la nueva forma de la funcin objetivo:
max z = 5x 1 + 9x 2
6
Solucin ptima
(x 1 = 300 , x 2 = 420)
E
o ~
.,
"O
"'
o"'"'
.,
.D
"O
"O
"'
:'S!
e:
u"'
FIGURA 2.13 Solucin ptima para el problema de Par, In c., con una funcin
objetivo de 5x 1 + 9x2
Cmo afecta este cambio en la funcin objetivo la solucin ptima para el problema
de Par, Inc .? En la Fig. 2.13 se muestra la solucin grfica del problema de Par, Inc.,
con la funcin objetivo modificada. Obsrvese que las restricciones no han cambiado, y,
por ello, la regin factible tampoco ha variado. Sin embargo, las rectas de utilidades se
han modificado para reflejar la nueva funcin objetivo.
Desplazando la recta de utilidades en forma paralela hacia los valores ms altos de las
utilidades, se encuentra la solucin ptima que se muestra en la Fig. 2.13 . En este punto,
las variables de decisin son x 1 = 300 y x 2 = 420. La menor contribucin a las utilidades
para las bolsas estndares ha ocasionado un cambio en la solucin ptima. De hecho, tal
como poda sospecharse, ahora se reduce la produccin de las bolsas estndares, que apor-
tan menos utilidades, y se aumenta la produccin de las bolsas de lujo que producen mayo-
res ganancias.
Qu ha observado usted respecto a la ubicacin de las soluciones ptimas de los dos
problemas de programacin lineal que se han resuelto hasta este momento? Obsrvese cui-
dadosamente las soluciones grficas de las Figs . 2.10 y 2. 13. Una observacin importante
que se debe estar en posibilidades de realizar es que las soluciones ptimas ocurren en
uno de los vrtices o "esquinas" de la regin factible . En terminologa de programacin
lineal, a estos vrrices se les denomina puntos extremos de la regin factible. El problema
de Par, lnc., tiene 5 vrtices, o 5 puntos extremos, para su regin factible (Fig. 2.14). Ahora
puede plantearse de manera formal la observacin con respecto al lugar en el que se encuen-
tra la solucin ptima, de la siguiente manera: 2
2
Se ver en la Secc. 2.8 que existen dos casos especiales (no factibilidad y no acotamiento) en programacin
lineal en los que no existe solucin ptima . As, la anterior afirmacin no es aplicable a estos casos .
50 CAPTULO DOS
o
E
"'
"O 400
"'
:
o
.o
"'
"O
Regin
"O
"'
:S!
;:: 200
factible
u"'
FIGURA 2.14 Los cinco puntos extremos de la regin factible (o de

factibilidad) para el problema de Par, In c.
En un punto extremo de la regin factible de un problema de programacin

lineal se puede encontrar una solucin ptima.
Esta propiedad significa que si se est buscando la solucin ptima de un problema de

programacin lineal no es necesario evaluar todos los puntos de solucin factibles. De he-
cho, slo se necesita considerar las soluciones factibles que ocurran en los puntos extremos
de la regin factible. Por ello, para el problema de la Par, In c., en vez de calcular y comparar
las contribuciones a las utilidades de todas las soluciones factibles, se puede obtener la
solucin ptima evaluando las soluciones en los cinco putos extremos y eligiendo aquella
que ofrezca la mayor contribucin a las utilidades. En realidad, el procedimiento grfico
de solucin no es otra cosa que una manera conveniente de identificar un punto extremo
ptimo para problemas con dos variables.
2. 7 UN PROBLEMA SENCILLO DE MINIMIZACIN

El problema de Par, Inc., era de maximizacin; muchos problemas de programacin lineal
son de minimizacin. Por ejemplo, considrese el caso de la M&D Chemicals. Esta empresa
manufactura dos productos que se venden como materia prima a compaas que fabrican
jabones para bao, detergentes y otros productos de jabn.
Con base en un anlisis de los niveles actuales de inventario y de la demanda potencial
para el siguiente mes, los administradores de M&D Chemicals han especificado que la pro-
duccin total combinada de los productos l y 2 puede ser cuando menos 350 galones. Por
otro lado, se debe satisfacer tambin un pedido de un cliente importante de 125 galones
de producto l. El producto l requiere de 2 horas de tiempo de procesamiento por galn,
en tanto que el producto 2 requiere de una hora de procesamiento por galn, y existen
disponibles 600 horas de tiempo de procesamiento para el siguiente mes. El objetivo de
la M&D es satisfacer los requisitos anteriores incurriendo en un costo de produccin mni-
mo. Los costos de produccin son de $2 por galn de producto l y de $3 por galn del
producto 2.
Para encontrar el programa de produccin de costos mnimos, se plantea el problema
de M&D Chemicals como programa lineal. Siguiendo un procedimiento similar al que se
utiliz para el problema de Par, Inc., se definen en primer lugar las variables de decisin
y la funcin objetivo para el problema. Sean
x1 = nmero de galones del prod. l fabricados

x 2 = nmero de galones del prod. 2 fabricados
Como los costos de operacin son de $2 (dlares) por galn del producto l, y $3 por galn
del producto 2, la minimizacin de la funcin objetivo de costos totales se puede plantear
de la siguiente manera.
min 2x 1 + 3x2
En seguida, considrense las restricciones que tiene el problema de la M&D Chemicals.

Para satisfacer el pedido de 125 galones del producto l que hizo el cliente importante,
se sabe que x 1 debe ser cuando menos 125. Por ello, se plantea la restriccin
lx 1 ::::= 125
Como la produccin total combinada de ambos productos debe ser de cuando menos 350
galones, se puede plantear la restriccin
lx 1 + lx2 ::::= 350
Finalmente, como la limitacin del tiempo disponible de procesamiento es 600 horas, se

aade la restriccin,
2x 1 + lxi ::; 600
Despus de agregar las restricciones de no negatividad (x 1, x 1 ::::= 0), se tiene el siguiente

programa lineal para el problema de M&D Chemicals:
min 2xl + 3x2
sujeta a
lx 1 ::::= 125 Demanda del producto
lx 1 + lx2 ::::= 350 Produccin total
2xl + lx2 ::; 600 Tiempo de procesamiento
X 1 , Xz ::::=
Como el modelo de programacin lineal tiene slo dos variables de decisin, puede utili-
zarse el procedimiento grfico de solucin para encontrar las cantidades ptimas de solu-
cin. El mtodo grfico para este problema, al igual que para el problema de Par, exige
52 CAPTULO DOS
x,
N
o

:::1
"'CI
2
o.
-.;
300
"'CI
"'e
o"'
~
o
o 100 200 300 400 500 600

Galones del producto 1
FIGURA 2.15 La regin factible para el problema de M&D Chemicals.
primero el trazo de las rectas de restriccin para determinar la regin factible. Pueden identi-
fi~arse las soluciones factibles para cada restriccin trazando en forma separada cada recta
de restriccin, y verificando despus puntos en ambos lados de la misma. Combinando
las soluciones factibles para cada restriccin en la misma grfica, se obtiene la regin facti-
ble que se muestra en la Fig. 2.15.
Ahora, para encontrar la solucin de costo mnimo, se traza la recta de la funcin objetivo
correspondiente a un valor determinado de los costos totales. Por ejemplo, se podra comen-
zar trazando la recta 2x1 + 3x2 = 1 200. Esta recta se muestra en la Fig. 2.16. Resulta
evidente que existen puntos de la regin factible que arrojara costos totales de $1 200.
Para encontrar los valores de x 1 y x 2 que ofrecen menores valores para los costos totales,
se desplaza la recta de la funcin objetivo hacia la parte inferior izquierda hasta que, si
se siguiera desplazando, quedara enteramente fuera de la regin factible. Obsrvese que
la recta de la funcin objetivo 2x1 + 3x2 = 800 corta a la regin factible en el punto extre-
mo x 1 = 250 y x2 = 100. Este punto ofrece la solucin de costos mnimos, con un valor
de 800 para la funcin objetivo . En las Figs. 2.15 y 2.16 puede observarse que son cruciales
la restriccin del volumen total de produccin y la restriccin del tiempo de procesamiento.
Al igual que con cualquier problema de programacin lineal, la solucin ptima ocurre
en un punto extremo de la regin factible.
Resumen del procedimiento grfico de solucin para

problemas de minimizacin
En seguida se resumen los pasos para el procedimiento grfico de solucin para problemas
de minimizacin:
x,
"'
"'o
e
";j
o 200
100
400 500 600

Galones del producto 1
FIGURA 2.16 Resolucin grfica para el problema de M&D Chemicals.
l. Elaborar una grfica de los puntos solucin factibles para cada una de las restricciones.
2. Determinar la regin factible identificando los puntos solucin que satisfacen en forma
simultnea todas las restricciones.
3. Trazar una recta de la funcin objetivo que muestre los valores de las variables x 1 y
x 2 que producen un valor especfico de la funcin objetivo.
4. Desplazar rectas paralelas de funciones objetivo hacia valores cada vez menores de la
funcin objetivo hasta que la continuacin del movimiento implique que la recta se sale
completamente de la regin factible .
S. Un punto de solucin factible que se encuentre en la recta de la funcin objetivo que
tenga el menor valor es una solucin ptima.
Variables de excedente
Un anlisis completo de la solucin de costo mnimo del problema de M&D Chemicals
muestra que se logra que la produccin total de 1x1 + 1x2 = 350 galones que se desea,
utilizando todo el tiempo disponible de procesamiento, o sea 2x 1 + 1x2 = 2(250) + 1 (100)
= 600 horas . Adems, obsrvese que se satisface la restriccin que exige satisfacer la deman-
da del producto 1, con x 1 = 250 galones. De hecho, la elaboracin del productor excede
su nivel mnimo en 250- 125 = 125 galones. A este exceso de produccin para el producto
l se le denomina excedente. En terminologa de programacin lineal, cualquier cantidad
en exceso que corresponda a una restriccin de 2:!: se le denomina execedente.
Recurdese que con una restriccin ::5 , puede agregar una variable de holgura al lado
izquierdo de la desigualdad para convertirla en igualdad. Con las restricciones de 2:!: se
54 CAPTULO DOS
puede restar una variable de excedente del lado izquierdo de la desigualdad para convertirla
en igualdad. Al igual que se hace con variables de holgura, a las variables de excedentes
se les asigna coeficiente cero en la funcin objetivo porque no tienen ningn efecto sobre
su valor. Despus de incluir dos variables de excedente para las restricciones de 2: y una
variable de holgura para las restricciones de ::s , el modelo de programacin lineal para
el problema de M&D Chemicals es el siguiente:
min 2x + 3x 2 + Os 1 + Os 2 + Os 3
sujeta a
1x 1 - ls 1 125
lx 1 + 1x2 - lsz 350
2x + lx2 + ls3 600
X, Xz, S, Sz , s3 :2: 0
Ahora todas las restricciones son igualdades. Por ello, el planteamiento anterior es la
representacin en forma estndar del problema de M&D Chemicals . En la solucin ptima
de x 1 = 250 y x 2 = 100, los valores de las variables de holgura y de excedente son los
siguientes:
Valor de las
variables de
Restriccin excedente u holgura
Demanda del producto 1 s, = 125

Produccin total 52 = o
Tiempo de procesamiento S3 = 0
Con referencia a las Figs. 2.15 y 2. 16, obsrvese que las variables de holgura y de excedente
que valen cero estn asociadas a las restricciones limitan tes en la solucin ptima. Es decir,
las restricciones del total de la produccin y del tiempo de procesamiento. El excedente
de 125 unidades corresponde a la restriccin no limitante de la demanda del producto l.
Obsrvese que en el problema de Par, In c., todas las restricciones fueron del tipo ::s
y que en el problema de M&D Chemicals las restricciones eran una combinacin de los
tipos 2: y ::s. El nmero y el tipo de restricciones que se encuentran en los problemas espec-
ficos de programacin lineal dependen de las condiciones especficas del problema. Los
problemas de programacin lineal pueden tener algunas restricciones de ::s, algunas restric-
ciones de 2:, y algunas restricciones de =. Para las restricciones de igualdad, las soluciones
factibles deben caer exactamente en la recta de restriccin.
En seguida se presenta un ejemplo de un programa lineal que contiene las tres formas de
restriccin (en el Problema 35 del final del captulo se pide resolver este mismo problema
utilizando el procedimiento grfico):
min 2x + 2x2
sujeta a
lx 1 + 3x2 ::s 12
3x 1 + lx2 :::: 13
lx 1 lx2 = 3
X, Xz :2: 0
La representacin en forma estndar para este problema es

min 2xl + 2x2 + Os 1 + Os2
sujeta a
lx 1 + 3x2 + ls 1 12
3x 1 + lx2 - ls2 13
lx 1 lx2 = 3
XI> X z , SI> Sz 2:
Este planteamiento requiere de una variable de holgura para la restriccin de :;; y una
variable de excedente para la restriccin de 2:. Sin embargo, no se requiere variable de
holgura ni de excedente para la tercera restriccin, puesto que ya se encuentra en forma
de igualdad.
El procedimiento grfico de resolucin es una forma conveniente de encontrar soluciones
en puntos extremos para problemas de programacin lineal en dos variables. Cuando se
resuelven programas lineales en forma grfica no es necesario plantear el problema en su
forma estndar. No obstante, se debe estar en posibilidades de calcular los valores de las
variables de holgura y de excedente, y de comprender qu es lo que significan. En el Cap.
3 se ver que los valores de las variables de holgura y de excedente se incluyen en las solucio-
nes de programas lineales por computadora. En el Cap . 5 se presenta un procedimiento
algebraico de solucin, el mtodo smplex, que se puede utilizar para encontrar soluciones
ptimas en puntos extremos para problemas de programacin lineal que tiene hasta millares
de variables de decisin. Los pasos matemticos del mtodo smplex implican la resoluCin
simultnea de las ecuaciones que representan las restricciones del programa lineal. Por ello,
al plantear un programa lineal para resolverlo mediante el mtodo smplex, debe tenerse
una ecuacin lineal para cada restriccin del problema; por lo tanto, el problema debe
estar planteado en forma estndar .
Como punto final, es importante darse cuenta de que la forma estndar de los problemas
de programacin lineal equivale al planteamiento original del problema. Es decir, la solu-
cin ptima de cualquier problema de programacin lineal es la misma que la solucin
ptima para la forma estndar del problema. Tal forma no cambia el problema bsico;
slo modifica la forma en que se plantean las restricciones para el problema.
2.8 CASOS ESPECIALES

En esta seccin se analizan tres situaciones especiales que pueden surgir cuando se intenta
resolver problemas de programacin lineal.
Soluciones ptimas alternativas

A partir del anlisis que se hizo del procedimienro grfico de solucin, se sabe que pueden
encontrarse las soluciones ptimas en los puntos extremos de la regin factible. Considrese
ahora el caso especial en el que la recta de la funcin objetivo ptima coincide con la de
algunas de las restricciones limitantes que se encuentran en el extremo de la regin factible.
Como se ver, esto puede conducir al caso de soluciones ptimas alternas; en estos casos,
el valor ptimo de la funcin objetivo se obtiene a partir de ms de una solucin.
Como ejemplo del caso de las soluciones ptimas alternativas, se regresa al problema
de Par, Inc., que tiene cuatro restricciones y la regin factible que se defini antes. Sin
56 CAPTULO DOS
embargo, ahora se supone que la utilidad proveniente de la bolsa estndar (x 1) ha dismi-

nuido a $6.30. La funcin objetivo modificada se convierte en 6.3x 1 + 9x2 En la Fig.
2.17 se muestra la solucin grfica de este problema. Obsrvese que la solucin ptima
sigue ocurriendo en un punto extremo. De hecho, ocurre en dos extremos: el @) (x 1 =
300, x 2 = 420) y el G) (x 1 = 540, x 2 = 252).
Los valores de la funcin objetivo en estos dos puntos extremos son idnticos; es decir,
6.3x 1 + 9x 2 = 6.3(300) + 9(420) = 5670
y
6.3x 1 + 9x2 = 6.3(540) + 9(252) = 5670

Adems, cualquier punto que se encuentra sobre la recta que une a los dos puntos extremos
ptimos tambin ofrece una solucin ptima. Por ejemplo, el punto de solucin (x 1 =
420, x 2 = 336), que se halla a la mitad entre los dos puntos extremos, tambin proporcio-
na el valor ptimo de la funcin objetivo de
6.3x 1 + 9x2 = 6.3(420) + 9(336) = 5670
Por lo general, un problema de programacin lineal que tiene ptimos alternativos es

una buena situacin para el administrador o para quien toma las decisiones. Significa que
800
FIGURA 2.17 El problema de Par, lnc., con una funcin objetivo de 6.3x 1 +
9x2 (ptimos alternos).
varias combinaciones de las variables de decisin son ptimas y que el administrador puede
elegir la solucin ptima especfica que le resulte ms deseable.
No factibilidad
Ocurre la no factibilidad cuando no existe ninguna solucin de un problema de programa-
cin lineal que satisfaga todas las restricciones, incluyendo las condiciones de no negativi-
dad xl' x 2 ~ O. Grficamente, la no factibilidad significa que no existe una regin factible;
es decir, no existen puntos que satisfagan todas las restricciones y todas las condiciones
de no negatividad en forma simultnea. Para ilustrar esta situacin, se regresar de nueva
cuenta al problema de Par, lnc.
Supngase que los administradores han especificado que se deben fabricar cuando menos
500 bolsas estndares y cuando menos 360 de lujo. La grfica de la regin de soluciones
puede construirse ahora para ilustrar estos nuevos requerimientos (Fig. 2.18). El rea som-
breada de la porcin inferior izquierda de la grfica ilustra los puntos que satisfacen las
restricciones que tienen los departamentos sobre la disponibilidad de tiempo. El rea som-
breada de la porcin superior derecha ilustra los puntos que satisfacen los requerimientos
mnimos de produccin de 500 bolsas estndares y 360 de lujo. Pero no existen puntos
que satisfagan ambos conjuntos de restricciones. Por ello, se observa que si los administra-
800
FIGURA 2.18 No existe regin factible para el problema de Par, Inc., con requisitos
mnimos de produccin de 500 bolsas estndares y 360 de lujo.
58 CAPTULO DOS
TABLA 2.2 Recursos que se requieren para fabricar 500 bolsas estndares
y 360 bolsas de lujo
Recursos mnimos Recursos Recursos adicionales

que se requieren disponibles que se necesitan
Operacin (horas) (horas) (horas)
Corte y teido 7/ 10(500) + 1(360) = 710 630 80

Costura 1/2(500) + 516(360) = 550 600 Ningunos
Terminado 1(500) + 213(360) = 740 708 32
Inspeccin y embalaje 1/ 10(500) + 1/4(360) = 140 135 5
dores imponen esos requisitos mnimos de produccin, no habr ninguna solucin factible
para el modelo de programacin lineal.
Cmo debe interpretarse la no factibilidad en trminos de este ltimo problema? En
primer lugar, se debe sealar a los administradores que, dados los recursos disponibles
(es decir, tiempos de corte y teido, de costura, de terminado, y de inspeccin y embalaje),
no es posible fabricar 500 bolsas estndares y 360 de lujo. Adems, puede sealarse a los
administradores exactamente qu cantidad adicional se debe obtener de cada uno de los
recursos para hacer que resulte posible fabricar esa cantidad de bolsas. En la Tabla 2.2
se muestran las cantidades mnimas de recursos que se deben tener disponibles, las cantida-
des que estn disponibles en la actualidad, y las cantidades adicionales que se requieren.
Por ello, para satisfacer los requerimientos mnimos de produccin que han fijado los admi-
nistradores, se requieren 80 horas ms para corte y teido, 32 horas para terminado y 5
horas ms para inspeccin y embalaje.
Si, despus de observar la informacin anterior, los administradores an desean manu-
facturar las 500 bolsas estndares y las 360 bolsas de lujo, deben proporcionar los recursos
adicionales. Es posible que esto signifique contratar a otro operario para que tabaje en
el departamento de corte y teido, transferir a alguna otra persona de alguna otra parte
de la fbrica para que labore tiempo parcial en el departamento de terminado, o hacer
que los operarios de costura ayuden peridicamente en las labores de inspeccin y embalaje.
Como puede observarse existen muchas posibilidades para que los administradores empren-
dan acciones correctivas, una vez que se descubre que no existe solucin factible. Lo que
es importante observar es que el anlisis de programacin lineal puede ayudar a determinar
si los planes de los administradores son factibles o no. Analizando el problema con progra-
macin lineal, con frecuencia pueden identificarse condiciones de no factibilidad y empren-
der acciones correctivas .
No acotamiento
La solucin de un problema de programacin lineal es no acotada si el valor de la solucin
puede ser infinitamente grande, sin violar ninguna de las restricciones. A esta condicin
se la podra denominar "utopa gerencial". Si ocurriera tal condicin en un problema de
maximizacin de utilidades, sera un hecho que los administradores pudieran lograr utilida-
des ilimitadas.
En los modelos de programacin lineal de problemas reales, la ocurrencia de una solucin
no acotada significa que el problema se ha planteado en forma inapropiada. Se sabe que
no es posible aumentar las utilidades en forma indefinida. Por lo tanto, debe concluirse
que, si un problema de maximizacin de utilidades da como resultado una solucin no

acotada, el modelo matemtico no es una representacin lo suficientemente precisa deL
problema real. Por lo general, lo que sucede es que se omite, sin darse cuenta, una restriccin
en el planteamiento del problema.
Como ilustracin, considrese el sencillo ejemplo numrico:
max 20x 1 + 10x2
sujeta a
lx 1 ~ 2
lx2 :5 5
x 1, x2 ~O
En la Fig. 2.19 se grafica la regin factible correspondiente a este problema. Obsrvese

que slo puede sealarse una parte de la regin factible, puesto que se extiende en forma
indefinida en la direccin del eje x,. Observando las rectas de la funcin objetivo de la
figura 2.19, se aprecia que la solucin a este problema puede hacerse tan grande como
se desee. Es decir, sin que importe cul sea la solucin que se elija siempre existe alguna
20
15
10
La funcin objetivo
aumenta sin lmite
Regin factible ....
FIGURA 2.19 Ejemplo de un problema no acotado.

60 CAPTULO DOS
solucin factible con un valor mayor. Por ello, se dice que la solucin a este programa
lineal es no acotada.
NOTAS Y COMENTARIOS
l. La no factibilidad es independiente de la funcin objetivo. Existe porque las restric-

ciones son tan limitantes que no hay regin factible para el modelo de programa-
cin lineal. Por ello, cuando se encuentran condiciones de no factibilidad, hacer
cambios en los coeficientes de la funcin objetivo no es de ninguna utilidad; el
problema sigue siendo factible.
2. El no acotamiento es con frecuencia resultado de una restriccin que se omite.
Sin embargo, un cambio en la funcin objetivo puede ocasionar que un problema
que antes era no acotado se convierta en acotado y que, por ello, tenga una solucin
ptima. Por ejemplo, la grfica de la Fig. 2.19 muestra una solucin no acotada
para la funcin objetivo 20x1 + 10x2 Si embargo, cambiar la funcin objetivo
a -20x 1 -10x2 ofrece la solucin ptima x 1 = 2 y x 2 = O, aun cuando no se hacen
cambios en las restricciones.
RESUMEN
Se plantearon dos problemas, el de la compaa Par, Inc., y el de la empresa M&D Chemi-
cals, como programas lineales, y se resolvieron utilizando un procedimiento grfico. Se
hizo notar, al estudiar el procedimiento grfico de resolucin, que si existe una solucin
ptima para un problema de programacin lineal, se la puede encontrar en un punto extre-
mo de la regin factible.
En el proceso de planteamiento de modelos matemticos de problemas que se expuso
en este captulo, se desarroll la siguiente definicin general de un programa lineal. Un
programa lineal es un modelo matemtico que tiene las siguientes propiedades:
l. Una funcin objetivo lineal que se debe maximizar o minimizar

2. Un conjunto de restricciones lineales
3. Variables que estn todas restringidas a valores no negativos
Se vio cmo pueden utilizarse variables de holgura para plantear restricciones de menor
que o igual a, en forma de igualdad, y la forma en la que pueden utilizarse variables de
excedente para formular restricciones de mayor que o igual a, en forma de igualdad. Por
lo general, puede interpretarse el valor de una variable de holgura como la cantidad no
utilizada de un recurso, mientras que el valor de una variable de excedente seala la cantidad
en la que se sobrepasa algn requisito mnimo planteado. Una vez que se han expresado
todas las restricciones como igualdades, el programa lineal ha quedado planteado en su
forma estndar. Se mostr que, en los casos de no factibilidad y no acotamiento, no existe
solucin ptima para el problema. En el caso de la no factibilidad, no existen soluciones
factibles, mientras que en el caso del no acotamiento, puede hacerse que la funcin objetivo
sea infinitamente grande para un problema de maximizacin, e infinitamente pequea para
un problema de minimizacin. Adems, se analiz un tercer caso especial, el de ptimos
alternativos. En este caso, se tenan dos puntos extremos ptimos alternos, y todos los
puntos que caan sobre el segmento de unin eran tambin ptimos.
Aunque el procedimiento grfico no se utiliza para resolver programas lineales grandes,

la intuicin que se desarrolla en este captulo es til para comprender la solucin de cual-
quier programa lineal.
GLOSARIO
Funcin objetivo Todos los programas lineales tienen una funcin objetivo lineal que
debe maximizarse o minimizarse. En muchos problemas de programacin lineal, la
funcin objetivo se utiliza para medir utilidades o costos de una solucin especfica.
Restriccin Es una ecuacin o desigualdad que elimina ciertas combinaciones de las varia-
bles de decisin como soluciones factibles.
Funcin de restriccin El lado izquierdo de una restriccin (es decir, la porcin de la res-
triccin que contiene las variables).
Solucin Cualquier conjunto de valores para las variables.
Solucin ptima Una solucin factible que maximiza o minimiza el valor de la funcin
objetivo.
Restricciones de no negatividad Conjunto de restricciones que exigen que todas las varia-
bles sean no negativas.
Modelo matemtico Representacin de un problema en la que el objetivo y todas las con-
diciones de restriccin se describen mediante expresiones matemticas.
Programa lineal Modelo matemtico que tiene una funcin objetivo lineal, un conjunto
de restricciones lineales y variables no negativas.
Ecuaciones o funciones lineales Expresiones matemticas en las que las variables aparecen
en trminos separados y estn elevadas a la primera potencia.
Solucin factible Una solucin que sarisface todas las restricciones.
Regin factible El conjunto de todas las soluciones factibles.
Restriccin redundante Restriccin que no afecta a la regin factible. Si una restriccin
es redundante, se la puede eliminar del problema sin afectar la regin factible.
Punto extremo Grficamente hablando, los puntos extremos son puntos de solucin facti-
bles y ocurren en los vrtices o "esquinas" de la regin factible. En problemas con
dos variables, los puntos extremos se determinan mediante la interseccin de las rectas
de restriccin.
Variable de holgura Es una variable que se aade al lado izquierdo de una restriccin
de menor que o igual a, para convertirla en una igualdad. El valor de esta variable
puede, por lo general, interpretarse como la cantidad que no se utiliza de un recurso .
Variable de excedente Una variable que se resta della ")izquierdo de una restriccin de
mayor que o igual a, para convertirla en una igualdad. Por lo general, puede interpretar-
se el valor de esta variable como la cantidad en la que se sobrepasa algn nivel mnimo
requerido.
Forma estndar Un programa lineal en el que todas las restricciones se plantean como
desigualdades. La solucin ptima de la forma estndar de un programa lineal es la
misma que la solucin ptima del planteamiento original.
ptimos alternos La situacin en la que un programa lineal tiene dos o ms soluciones
ptimas.
No factibilidad El caso en el que no existen soluciones para el problema de programacin
lineal que satisfagan todas las restricciones.
No acotamiento Se dice que un problema de maximizacin de programacin lineal es
no acotado, si el valor de la solucin puede ser infinitamente grande sin infringir ningu-
62 CAPTULO DOS
na de las restricciones. Un problema de minimizacin es no acotado si puede hacerse

que el valor de la solucin sea infinitamente pequeo.
PROBLEMAS
l. Cules de las siguientes relaciones matemticas se podran encontrar en un modelo
de programacin lineal y cules no? Para las relaciones que son inaceptables para pro-
gramas lineales, especifique las razones.
a. - Ix 1 + 2x 2 - Ix 3 :5 70
b. 2x - 2x3 = 50
c. lx 1 - 2x~ + 4x 3 :5 10
d. 3~ +2x 2 - Ix3 2: 15
e. 1x 1 + + 1x3 = 6
Ix 2
f. 2x 1 + 5x2 + 1x 1x 2 :5 25
2. Determine los puntos de solucin factibles para las siguientes restricciones:
a. 4x 1 + 2x2 :5 16
b. 4x 1 + 2x 2 2: 16
c. 4x 1 + 2x 2 = 16
3. Trazar las rectas de restriccin es un paso esencial del mtodo grfico. Muestre una
grfica separada de las rectas de restriccin y de las soluciones factibles para cada una
de las siguientes restricciones:
a. 3x 1 + 2x2 :5 18
b. 12x 1 + 8x2 2: 480
c. 5x 1 + 10x2 = 200
4. Muestre una grfica separada de las rectas de restriccin y de las soluciones factibles
para cada una de las siguientes restricciones:
a. 3x 1 - 4x 2 2: 60
b. -6x 1 + 5x2 :5 60
c. 5x 1 - 2x2 :5 O
5. En seguida se presentan las tres funciones objetivo de tres problemas de programacin
lineal:
z = 7x 1 + 10x2
z = 6x 1 + 4x 2
z = -4x 1 + 7x2
Determine la pendiente de cada funcin objetivo. Muestre la grfica de cada una de
esas tres funciones objetivo para z = 420.
6. Resuelva el siguiente programa lineal:
max 5x 1 + 5x2
sujeta a
1x 1 :5 100
1x2 :5 80
2x 1 + 4x2 :5 400
7. Identifique la regin factible para el siguiente conjunto de restricciones:

Y2Xl + l/4X2 ~ 30
lx 1 + 5x2 ~ 250
V4Xl + Y2X2 :5 50
x 1, x2 ~O

2x 1 lx2 :5 O
- lx 1 + l.5x 2 :5 200

3x 1 2x2 ~ O
2x 1 1x2 :5 200
1x 1 :5 150
x 1, x 2 ~O
10. Considrese el siguiente problema de programacin lineal:

max 2x, + 3x2
sujeta a
1x 1 + 2x2 :5 6
5x 1 + 3x2 :5 15
x 1, x2 ~O
Obtenga la solucin ptima. Cul es el valor de la funcin objetivo de la solucin ptima?

max 3x 1 + 3x2
sujeta a
2x 1 + 4x2 :5 12
6x 1 + 4x2 :5 24
a. Encontrar la solucin ptima.

b. Si se cambia la funcin objetivo a 2x 1 + 6x2 , cul sera la solucin ptima?
c. Cuntos puntos extremos existen? Cules son los valores de x 1 y x 2 en cada pun-
to extremo?
max 3x 1 + 2x2
sujeta a
2x, + 2x2 :5 8
3x 1 + 2x2 :5 12
1x 1 + .5x2 :5 3
x 1, x 2 ~O
64 CAPTULO DOS
a. Obtener la solucin ptima. Cul es el valor de la funcin objetivo?

b. Tiene este problema una restriccin redundante? Si es as, cul es? Cambia la
solucin si se elimina del problema la restriccin redundante? Explique.
13. Considrese el siguiente probl ema de programacin lineal:
min x, + 2x2
sujeta a
x, + 4x2 ::5 21
2x, + x2 2: 7
3x 1 + 1.5x2 ::5 21
2x 1 + 6x2 2: O
a. Halle la solucin ptima y el valor de la funcin objetivo.

b. Determine la cantidad de holgura o de excedente para cada restriccin.
c. Suponiendo que se cambia la funcin. objetivo a 5x 1 + 2x2 , halle la solucin pti-
ma y el valor de la funcin objetivo.
14. Qu rectas de restriccin se combinan para formar el punto extremo@) para el proble-
ma de Par, Inc. (vanse las Figs. 2.6 y 2.14)? Resuelva las ecuaciones lineales simult-
neas para mostrar que los valores exactos de x 1 y x 2 en este punto extremo son x 1 =
300 y x 2 = 420.
15. Supngase que los administradores de Par, In c., enfrentan cada una de las siguientes
situaciones:
a. El departamento de contabilidad modifica su estimacin de la contribucin que hace
a las utilidades la bolsa de lujo y la fija en $18 por bolsa.
b. Se encuentra ahora disponible un nuevo material de costo reducido para la bolsa
estndar, y puede aumentarse la contribucin a las utilidades por cada bolsa estn-
dar, a $20 por bolsa. (Supngase que la contribucin a las utilidades de la bolsa
de lujo es el valor original de $9).
c. Ahora hay disponible un nuevo equipo de costura que aumentara la capacidad de
la operacin de costura a 150 horas. (Supngase que 10x1 + 9x2 es la funcin obje-
tivo apropiada).
Si se encontrara por separado cada una de estas condiciones, cul sera la solucin
ptima y la contribucin a las utilidades para cada situacin?
16. Con referencia a la regin factible para el problema de Par, lnc ., de la Fig. 2.14,
a. Desarrolle una funcin objetivo que haga que el punto extremo 5 sea el punto
extremo ptimo.
b. Cul es la situacin ptima utilizando la funcin objetivo que se seleccion en la
parte (a)?
c. Cules son los valores de las variables de holgura correspondientes a esta solucin?
17. La firma Kelson Sporting Equipment, In c., fabrica dos tipos de guantes para bisbol:
un modelo normal y el modelo para catcher. La empresa tiene 900 horas de tiempo
Tiempo de produccin (horas)

Corte Empaque Utilidad
Modelo y costura Terminado y envio por guante
Modelo normal V2 '/s $5

Modelo para catcher 3/2 VJ v. $8
de produccin disponibles en su departamento de corte y costura, 300 horas disponibles

en su departamento de terminado, y 100 horas disponibles en su departamento de empa-
que y envos. Los requisitos de tiempo de produccin y las utilidades por guante son
las que se presentan en la tabla de la pgina anterior.
a. Suponiendo que la compaa desea maximizar las utilidades, cuntos guantes de
cada modelo debe fabricar?
b. Cul es la utilidad que la Kelson puede obtener con las anteriores cantidades de
produccin?
c. Cuntas horas de produccin se programarn en cada departamento?
d. Cul es el tiempo de holgura en cada departamento?
18. La firma Erlanger Manufacturing Company fabrica dos productos. Las estimaciones
de las utilidades son de $25 (dlares) por cada unidad que se venda del producto 1,
y $30 por cada unidad que se venda del producto 2. En seguida se resumen los requeri-
mientos de mano de obra por hora para los productos en cada uno de tres departamentos:
Producto 1 Producto 2
Departamento A 1.50 3.00

Departamento B 2.00 1.00
Departamento C .25 .25
Los supervisores de produccin de cada departamento han estimado que estarn dispo-
nibles las siguientes cantidades de mano de obra para el siguiente mes: 450 horas en
el departamento A, 350 horas en el departamento B, y 50 horas en el departamento
C. Suponiendo que a la empresa le interesa maximizar las utilidades, responda lo siguiente:
a. Cul es el modelo de programacin lineal para este problema?
b. Obtenga la solucin ptima. Qu cantidad se debe fabricar de cada producto, y
cul es la utilidad que se proyecta?
c. Cul es el tiempo programado de produccin y el tiempo de holgura en cada depar-
tamento?
19. La Yard Care, In c., fabrica diversos productos para jardn, incluyendo dos fertilizantes
muy conocidos. Cada uno de los fertilizantes es una mezcla de dos materias primas
conocidas como K40 y K50. Durante el periodo de fabricacin actual existen disponi-
bles 900 libras de K40 y 400 libras de K50. Cada libra del producto llamado "Jardn
Verde" utiliza 3/ 5 de libra de K40 y 2/ 5 de K50. Cada libra del producto designado como
"Atencin al Jardn" utiliza J / 4 de libra de K40 y 1/ 4 de libra de K50. Adems, un de-
terminado lmite sobre la disponibilidad en materiales de empaque restringe la produc-
cin de "Atencin al jardn" a un mximo de 500 libras.
a. Si la contribucin a las utiliddes para ambos productos es de $3 (dlares) por libra,
cuntas libras debe fabricar la compaa de cada producto?
b. Debe preocuparle a la compaa que la disponibilidad de materiales de empaque
est restringiendo la produccin de "Atencin al jardn"? Qu sucedera con las
cantidades de produccin y con las utilidades esperadas si la empresa pudiera elimi-
nar la restriccin sobre la cantidad de Atencin al jardn que se puede fabricar?
20. lnvestment Advisors, Inc., es una empresa de corretaje que administra carteras de ac-
ciones para diversos clientes. Un nuevo cliente ha solicitado a la empresa manejar una
cartera de inversiones de $80 000. Como estrategia inicial de inversin, al cliente le
gustara restringir la cartera a una mezcla de las siguientes acciones:
66 CAPTULO DOS
Rendimiento Anual lndice de

Accin Precio por Accin Estimado por Accin Riesgo por Accin
U.S. Oil $25 $3 .50

Hub Properties $50 $5 .25
El ndice de riesgo para las acciones es una calificacin sobre el riesgo relativo de las
dos alternativas de inversin. Para los datos que se proporcionan, se considera que
la inversin en U.S. Oil es la ms riesgosa. Al limitar el riesgo total de la cartera, la
empresa de inversiones evita colocar cantidades excesivas de la cartera en inversiones
que pudieran potencialmente producir altos rendimientos, pero que tambin implican
altos riesgos. Para esta cartera se ha fijado un lmite superior de 700 para el ndice
de riesgo total de todas las inversiones. Adems, la empresa ha fijado un lmite superior
de 1000 acciones pertenecientes a la U .S. Oil, que son las ms riesgosas. Cuntas
acciones de cada tipo se deben comprar con objeto de maximizar el rendimiento anual
total?
21. Considrese el siguiente programa lineal:
min 3x 1 + 4x2
sujeta a
lx 1 + 3x2 ~ 6
lx 1 + lx2 ~ 4
X, Xz ~
Identifique la regin factible y obtenga la solucin ptima. Cul es el valor de la fun-

cin objetivo?
22. Identifique las tres soluciones de puntos extremos para el problema de la M&D Chemi-
cal (vase la Secc. 2. 7). Identifique el valor de la funcin objetivo y los valores de las
variables de holgura y de excedente en cada punto extremo.
23. La firma Greentree Kennels, lnc., ofrece alojamiento nocturno para diversos tipos
de mascotas. Una caracterstica especial de Greentree es la calidad de la atencin que
se da a las mascotas, incluyendo excelentes alimentos. El alimento para perros del alber-
gue se hace mezclando dos productos alimenticios caninos de alta calidad para obtener
lo que en el albergue se denomina "dieta bien balanceada para perros". Los datos
de los dos alimentos son los siguientes:
Costo por
Alimento para perros onza Protenas (OTo) Grasas (Olo)
Bark Bits $.06 30 15

Canine Chow $.05 20 30
Si Greentree desea asegurarse de que los canes reciben cuando menos 5 onzas de prote-
nas y cuando menos 3 onzas de grasas por da, cul es la mezcla de costo mnimo
de los dos productos alimenticios para perros?
24. J ack Kammer ha estado tratando de determinar la cantidad correcta de fertilizante

que debe aplicar a su jardn. Despus de hacer que la agencia agrcola local analizara
el suelo, se le aconsej poner cuando menos 60 libras de nitgeno, 24libras de compues-
tos de fsforo y 40 libras de compuestos de potasio durante la es.tacin. Se debe aplicar
en mayo un tercio de la mezcla, otro tercio en julio y otro tercio a finales de septiembre.
Despus de verificar en las tiendas locales de descuento, Jack encuentra que en esos
momentos una tienda tiene una venta especial de fertilizante empacado . Un tipo de
los que estn en venta es la mezcla 20-5-20 que contiene 200Jo de nitrgeno, 5% de
compuestos de fsforo y 20% de compuestos de potasio, y se vende a $4 (dlares)
la bolsa de 20 libras . El otro tipo que est en venta es una mezcla de 10-10-5 que se
vende en $5 (dlares) la bolsa de 40 libras. A Jack le gustara saber cuntas bolsas
de cada tipo debe comprar de manera que pueda combinar los ingredientes y formar
una mezcla que satisfaga los requerimientos mnimos aconsejados por la agencia agr-
cola. Al igual que todos los propietarios de casas con jardnes grandes, le gustara gastar
lo menos que fuera posible para mantener a su jardn en buen estado. Qu es lo que
debe hacer nuestro amigo?
25. Car Phones, In c., vende dos modelos de telfono para automvil: el x y el y. Los regis-
tros muestran que se invierten 3 horas de tiempo de ventas para cada modelo de telfono
x, que se vende, y 5 horas para cada modelo y. Para el siguiente periodo de cuatro
semanas existe un total disponible de 600 horas de tiempo de ventas. Adems, las polti-
cas de planeacin de la empresa exigen objetivos de venta de 25 unidades cuando menos
para ambos modelos.
a. Muestre la regin factible para el problema de Car Phones, Inc .
b. Suponiendo que la compaa obtiene una contribucin a las utilidades de $40 (dla-
res) por cada modelo x que se vende, y una de $50 por cada modelo y vendido ,
cul es la meta ptima de ventas para la compaa, para el siguiente periodo de
cuatro semanas?
c. Elabore una restriccin y muestre la regin factible, si los administradores incluyen
la restriccin de que Car Phones debe vender la misma cantidad de modelos y que
de modelos x
d. Cul es la nueva solucin ptima si se incluye en el problema la restriccin planteada
en el inciso (e)?
26. Cats es un nuevo producto alimenticio para mascotas. Cada bote de 16 onzas de Cats
es una mezcla, o combinacin, de dos ingredientes alimenticios para mascotas. Sean
x1 nm. de onzas del ingrediente A en lata de 16 Oz.

x2 nm. de onzas del ingrediente B en lata de 16 Oz.
Cada onza del ingrediente A contiene 112 onzas de protenas y 11s de onza de grasas.
Cada onza del ingrediente B contiene IIIo de onza de protenas y I/3 de onza de grasas.
Las restrricciones implican que un bote de 16 onzas de Cats debe contener cuando
menos 4 onzas de protenas y 2.5 onzas de grasas. Si el ingrediente A cuesta $.04 (dla-
res) por onza y el ingrediente B cuesta $0.3 la onza, cul es la mezcla de costo mnimo
de los ingredientes A y B para cada lata de 16 onzas? Identifique e interprete Jos valores
de las variables de excedente para este problema.
27. La empresa Innis Investments administra los fondos de diversas compaas y clientes
de alto poder econmico. La estrategia de inversin se disea en especial para las necesi-
dades de cada cliente. Un cliente nuevo ha autorizado a la Innis invertir hasta 1.2 millo-
nes de dlares en dos fondos de inversin: uno de acciones y uno de mercado de dinero.
68 CAPTULO DOS
Cada unidad del fondo de acciones cuesta $50 (dlares) y ofrece una tasa anual de
rendimiento de 100Jo; cada unidad del fondo de mercado de dinero cuesta $100 y ofrece
una tasa de rendimiento anual de 40Jo.
El cliente desea minimizar el riesgo, sujeto al requisito de que los ingresos anuales
de la inversin sean de cuando menos $60 000. De acuerdo con el sistema de medicin
de Innis, cada unidad invertida en el fondo de acciones tiene un ndice de riesgo de
8, y cada unidad que se invierte en el fondo de mercado de dinero tiene un ndice de
riesgo de 3. El ndice mayor asociado al fondo de acciones simplemente seala que
el riesgo de la inversin es mayor . El cliente de Innis tambin ha especificado que se
deben invertir cuando menos $300 000 en el fondo de mercado de dinero.
a. Determine cuntas unidades de cada fondo debe adquirir Innis para que el cliente
pueda minimizar el ndice de riesgo total de la cartera.
b. Cuntos ingresos anuales se generarn en esta estrategia de inverin?
c. Supngase que el cliente desea maximizar el rendimiento anual. Cmo se deben
invertir los fondos?
28. Bryant's Pizza lnc . fabrica pizzas congeladas . La compaa obtiene una utilidad de
$1.00 (dlares) por cada pizza normal que fabrica y $1.50 por cada pizza de lujo. Cada
artculo incluye una combinacin de mezcla de masa y de mezcla de aderezo. En estos
momentos, la empresa tiene 150 libras de masa y 50 libras de aderezo. Cada piza regular
utiliza una libra de masa y 4 onzas de aderezo . Con base en demandas pasadas, Bryant
estima que puede vender cuando menos 50 pizzas regulares y cuando menos 25 pizzas
de lujo. Cuntas pizzas regulares y de lujo debe fabricar la compaa con objeto de
maximizar las utilidades?
a. Exprese el problema anterior en forma estndar.
b. Cules son los valores y las interpretaciones de todas las variables de holgura y
de excedente?
c. Qu restricciones acotan la solucin ptima?
29. Wilkinson Motors, Inc. vende automviles estndares y camionetas. La empresa obtie-
ne una utilidad de $400 (dlares) por cada automvil que vende y $500 por cada camio-
neta. La compaa est planeando el pedido para el siguiente trimestre, del cual el
fabricante manifiesta que no puede exceder de 300 automviles y de 150 camionetas .
El tiempo de preparacin que requiere el distribuidor es de 2 horas por cada automvil
y de 3 horas por cada camioneta. Para el siguiente trimestre, la compaa dispone de
900 horas de tiempo de taller para la preparacin de los automviles. Cuntos autom-
viles y cuntas camionetas se deben pedir para maximizar las utilidades?
a. Mostrar el modelo de programacin lineal para el problema anterior.
b. Mostrar la forma estndar e identificar las variables de holgura.
c. Identificar los puntos extremos de la regin factible.
d. Encontrar la solucin ptima.
e. Qu restricciones son acatantes?
30. En Ryland Farms, en el noroeste del estado de Indiana, se cultiva frijol de soya y maz
en 500 acres de terreno. Un acre de frijol de soya produce utilidades de $100 (dlares)
y un acre de maz produce utilidades de $200. Debido a un programa gubernamental,
no se pueden plantar ms de 200 acres de frijol de soya. Durante la poca de siembra,
se dispondr de 1200 horas de tiempo para sembrar. Cada acre de frijol de soya requiere
de dos horas mientras que cada acre de maz requiere de 6 horas. Cuntos acres de
frijol de soya y cuntos acres de maz se deben plantar con el objeto de maximizar
las utildades?
a. Muestre el modelo de programacin lineal para el problema anterior.
b. Muestre la forma estndar e identifique todas las variables de holgura.

c. Obtenga la solucin ptima.
d. Identifique los puntos extremos de la regin factible.
e. Si la granja pudiera obtener ms horas de mano de obra para plantar, o bien terrenos
adicionales, qu es lo que debera primordialmente intentar obtener, por qu?
31. RMC es una empresa pequea que fabrica diversos productos qumicos. En un determi-
nado proceso de produccin, se mezclan o combinan tres materias primas para fabricar
dos productos: un aditivo para combustible y una base disolvente. Cada tonelada de
aditivo para combustible es una mezcla de 215 de tonelada del material 1, y 315 de tone-
lada del material 3. Una tonelada de base disolvente es una mezcla de 112 tonelada del
material 1, 1/ 5 de tonelada del material 2, y 3/ 10 de tonelada del material 3. Despus
de deducir los costos correspondientes, la compaa obtiene $40 (dlares) por cada
tonelada de aditivo de combustible que se fabrica y $30 por cada tonelada de base
disolvente que se produce.
La produccin de RMC est limitada por una disponibilidad restringida de las tres
materias primas. Para el periodo de produccin actual, la RMC tiene a disposicin
las siguientes cantidades de cada una de las materias primas.
Cantidad disponible
Materia prima para produccin
Materia 1 20 toneladas
a. Dada la limitada disponibilidad de materias primas, cuntas toneladas de cada pro-

ducto se deben fabricar con objeto de maximizar las utilidades? Cul es la utilidad
mxima?
b. Existe material que no se utiliza? Si es as, cunto?
c. Existen cualesquiera restricciones redundantes? Si es as, cules son?
32. Reconsidrese la situacin de la RMC que se plante en el problema 31.
a. Identifique todos los puntos extremos de la regin factible.
b. Supngase que RMC descubre una nueva manera de incrementar las utilidades de
la base disolvente a $60 por tonelada. Modifica esto la solucin ptima? Si as
fuera, de qu modo?
c. Supngase que la utilidad para la base disolvente es de $50 por tonelada. Cul
es ahora la solucin ptima? Comentar sobre cualquier caracterstica especial que
pudiera existir para la base solvente con estas utilidades.
33. Reconsidrese la situacin de la RMC que se present en el problema 31. Supngase
que los administradores aaden los requisitos de que se deben fabricar cuando menos
30 toneladas de aditivos para combustibles y cuado menos 15 toneladas de la base solvente.
a. Grafique las restricciones para este problema modificado de la RMC. Qu sucede
con la regin factible? Explique.
b. Si no existen soluciones factibles, explique lo que se requiere para fabricar 30 tonela-
das de aditivo de combustible y 15 toneladas de base disolvente.
70 CAPTULO DOS
34. Considrese el siguiente problema lineal:

max 1x 1 + 2.x2
sujeta a
1x 1 ::5 5
1x2 ::5 4
2.xl + 2.x2 12
x 1, x 2 ~O
a. Muestre la regin factible

b. Cules son los puntos extremos de la regin factible?
c. Encuentre la solucin ptima utilizando el procedimiento grfico.
m in 2xl + 2.x2
sujeta a
1x 1 + 3x2 ::5 12
3x 1 + 1x2 ~ 13
1x 1 1x2 = 3
xt> x 2 ~ O
a. Muestre la regin factible.

b. Cules son los puntos extremos de la regin factible?
c. Encuentre la solucin pitma utilizando el procedimiento grfico.
36. Plantee el siguiente programa lineal en forma estndar:
max 5x 1 + 2.x2 + 8x3

sujeta a
lx 1 2.x2 + Y2x 3 ::5 420
2x 1 + 3x2 - 1x3 ::5 610
6x 1 1x2 + 3x3 ::5 125
X 1, X2 , x3 ~ 0
37. Para el programa lineal

max 4x 1 + 1x2
sujeta a
lOx 1 + 2.x2 ::5 30
3x 1 + 2x 2 ::5 12
2xt + 2.x2 ::5 10
x 1 , x2 ~O
a. Plantee este problema en forma estndar.

b. Resuelva el problema.
c. Cules son los valores de las tres variables de holgura en la solucin ptima?
38. Dado el programa lineal
max 3x 1 + 4x2
sujeta a
-1x 1 + 2x2 :S 8
1x 1 + 2x2 :S 12
2x + 1x2 ::s 16
x 1, x2 ;:::: O
a. Plantee el problema en forma estndar.
b. Resuelva el problema.
c. Cules son los valores de las tres variables de holgura en la solucin ptima?
39. Para el programa lineal
min 6x 1 + 4x 2
sujeta a
2x + lx2 ;:::: 12
1x 1 + 1x2 ;:::: lO
1x2 :S 4
x 1 , x2 ;:::: O
a. Escriba el problema en forma estndar.

b. Resuelva el problema utilizando el procedimiento grfico de solucin.
c. Cules son Jos valores de las variables de holgura y de excedente?
40. Existen no factibilidad, no acotamiento y1o soluciones ptimas alternas en el siguiente
programa lineal? Explique.
max 4x 1 + 8x2
sujeta a
2x + 2x2 :S 10
-1x 1 + lx2 ;:::: 8
X, Xz;:::: 0
41. Existen no factibilidad, no acotamiento y/o soluciones ptimas alternas en el siguiente

programa lineal? Explique.
max Ix 1 + lx2
sujeta a
8x 1 + 6x2 ;:::: 24
4x 1 + 6x2 ;:::: -12
2xz;:::: 4
X, Xz;:::: 0
72 CAPTULO DOS

max 1x 1 + 1x2
sujeta a
5x 1 + 3x2 :s 15
3x 1 + 5x2 :s 15
X, Xz;:::::
a. Cul es la solucin ptima para este problema?

b. Supngase que se cambia la funcin objetivo a lx 1 + 2x2 Obtenga la nueva solu-
cin ptima.
c. Ajustando el coeficiente de x 2 en la funcin objetivo, desarrolle una nueva funcin
objetivo que haga que las soluciones que se encontraron en la parte (a) y (b) anterio-
res, se conviertan en soluciones ptimas alternas.
max 1x 1 - 2x2
sujeta a
-4x 1 + 3x2 :S 3
lx 1 lx 2 :s 3
a. Grafique la regin factible para el problema.

b. La regin factible es no acotada? Explique.
c. Halle la solucin ptima.
d. Una regin factible no acotada implica que la solucin ptima para el programa
lineal es no acotada?
44. Analice lo que sucedera con el problema de M&D Chemicals (vase la Secc. 2. 7) si
se aumenta a $3.00 el costo por galn del producto l. Qu recomendara? Explique.
45. Para el problema de M&D Chemicals de la Secc. 2. 7, analice el efecto que tendra una
solicitud de los administradores de que la produccin total de los dos productos fuera
de 500 galones. Ennumere dos o tres acciones que M&D pudiera considerar para corre-
gir la situacin que se enfrenta.
46. Reconsidere el ejemplo Kelson Sporting Equipment, Inc. (Prob. 17). Comente los con-
ceptos de no factibilidad, no acotamiento y ptimos alternos, segn se presentan en
cada una de las siguientes situaciones:
a. Los administradores han determinado la produccin de guantes de bisbol (modelos
normal y para catcher) sea tal que el nmero total de guantes que se fabriquen sea
de cuando menos 750. Es decir, lx 1 + lx2 ~ 750.
b. Se debe resolver de nueva cuenta el problema original porque se deben ajustar las
utilidades para el modelo normal, que ahora son de $4 por guante.
c. Qu tendra que suceder en este problema para que fuera no acotado?
47. A los administradores de la firma High Tech Services (HTS) les gustara elaborar un
modelo que ayudara a asignar el tiempo del que disponen los tcnicos entre llamadas
de servicio para atender a los clientes con contratos regulares y a los clientes nuevos.
Para el periodo de planeacin de dos semanas se tiene disponible un mximo de 80
horas de tiempo de los tcnicos. Con objeto de satisfacer los requisitos de flujo de
efectivo, deben generarse, durante ese periodo de dos semanas, cuando menos $800
(dlares) de ingresos por tcnico. El tiempo de los tcnicos con clientes regulares genera
$25 por hora. Sin embargo, el tiempo dedicado a clientes nuevos genera solamente
un promedio de $8 por hora porque, en muchos casos, los contactos con clientes nuevos
no implican servicios gravables. Para asegurar que se conservan la comunicacin con
los clientes nuevos, el tiempo que los tcnicos invierten en los contactos con nuevos
clientes debe ser de cuando menos 60 0Jo del tiempo que invierten en el trato con los
clientes regulares. Considerando los requerimientos anteriores de ingresos y de poltica,
a HTS le gustara determinar la forma de asignar el tiempo de los tcnicos entre clientes
regulares y clientes nuevos, de manera que se maximice el tiempo total en que se atiende
a los clientes durante el periodo de dos semanas . Los tcnicos requieren un promedio
de 50 minutos para cada trato o contacto con clientes regulares, y de una hora para
cada comunicacin con clientes nuevos.
a. Elabore un modelo de programacin lineal que permita a HTS determinar la forma
en la que debe asignar el tiempo de los tcnicos entre clientes regulares y clientes nuevos .
b. Grafique la regin factible.
c. Resuelva las ecuaciones lineales simultneas apropiadas para determinar los valores
de x 1 y x 2 en cada punto extremo de la regin factible.
d. Obtenga la solucin ptima .
CASO DE APLICACIN PRCTICA
ESTRATEGIA DE PUBLICIDAD
La empresa Midtown Motors, Inc . ha contratado a una empresa de servicios de mercadotec-
nia para que elabore una estrategia de publicidad destinada a promover la venta de los
automviles usados de la Midtown. La empresa de mercadotecnia ha recomendado a Mid-
town utilizar anuncios tanto en la televisin como en la radio, como los medios de publici-
dad idneos para la campaa promociona! que se propone. Los lineamientos de la estrategia
de publicidad se expresan de la siguiente manera:
l. Utilizar anuncios para la cobertura combinada en radio y televisin.

2. No emplear ms de 25 anuncios por radio.
3. El nmero de anuncios radiofnicos no puede ser menor que el nmero de anuncios
por televisin.
La estacin televisara ha cotizado un costo de $1 200 (dlares) por anuncio, y la radiodifu-

sora ha cotizado uno de $300 por anuncio. Se ha determinado que el presupuesto publicita-
rio de Midtown es de $25 500. La empresa de servicios de mercadotecnia ha evaluado diversos
medios de publicidad en trminos de la radio y tele audiencia que cubren y de la capacidad
de recordacin del anuncio. Para los medios de publicidad alternos de los que dispone
Midtown, se ha calificado el anuncio por televisin con 600 y el anuncio por radio con
200. Al presidente de la firma le gustara saber cuntos anuncios por radio y cuntos por
televisin se deben utilizar para maximizar la calificacin global de la campaa de publicidad .
El funcionario estima que la estacin televisara considerara la exhibicin de sus anuncios
en su programa nocturno de noticias de calificacin elevada (al mismo costo), si Midtown
considerara contratar una mayor cantidad de anuncios por televisin.
74 CAPTULO DOS
REPORTE GERENCIAL
Analice la estrategia de publicidad de Midtown Motors y elabore un reporte para el presi-
dente de la empresa en el que exponga su anlisis y sus recomendaciones . Incluya (pero
no limite la conclusin a esto) una consideracin de lo siguiente:
a. El nmero de anuncios en radio y televisin que son de recomendar .

b. Los mritos relativos de cada medio de difusin .
c. La calificacin que sera necesaria para el programa de noticias, a fin de que tuviera
sentido aumentar el nmero de anuncios por televisin.
d. El nmero de anuncios en la televisin que se contrataran si la calificacin del progra-
ma de noticias es lo suficientemente alta para hacer que resulte aconsejable incrementar
el nmero de anuncios televisivos.
e. Las restricciones sobre la estrategia de publicidad que Midtown podra relajar o alterar.
f. El mejor uso que pueda hacerse de cualquier aumento posible en el prsupuesto de pu-
blicidad.
g. Cualquier otra informacin que pueda ayudar al presidente de Midtown a tomar su
decisin sobre la estrategia de publicidad.
Incluya en el reporte una copia del modelo de programacin lineal y de la solucin grfica.
3 _____
Programacin lineal:
Anlisis de sensibilidad y
resolucin pr computadora
En este captulo se ofrece una introduccin al anlisis de sensibilidad y al uso de las computa-
doras para resolver problemas de programacin lineal. El anlisis de sensibilidad que se
realiza sobre la solucin ptima ofrece informacin complementaria que es valiosa para
quien toma las decisiones. Despus de mostrar cmo se puede llevar a cabo el anlisis de
sensibilidad utilizando un mtodo grfico, se ilustra cmo puede utilizarse The Manage-
ment Scientist, un paquete de programas (software) para microcomputadora que resuelve
problemas de programacin lineal, a fin de dar solucin a los problemas de las empresas
Par, Inc., y M&D Chemicals, que se presentaron en el Cap. 2. Al analizar la resolucin
por computadora de estos problemas, se destacar la interpretacin de los resultados por
computadora, que incluyen la solucin ptima e informacin acerca del anlisis de sensibili-
dad. El captulo termina con un anlisis del planteamiento, de la solucin por computadora
y del anlisis de sensibilidad de un problema de programacin lineal que tiene ms de dos
variables de decisin. En un apndice del captulo se describe la forma en que puede em-
plearse para resolver problemas de programacin lineal el bien conocido paquete para mi-
crocomputadora Lindo/PC, elaborado por Linus Scharge, de la Universidad de Chicago.
3.1 INTRODUCCIN AL ANLISIS DE SENSIBILIDAD
El anlisis de sensibilidad es el estudio de la forma en la que afectan a la solucin ptima

los cambios en los coeficientes de un programa lineal. Utilizando anlisis de sensibilidad
puede responderse a preguntas como las siguientes:
l. Cmo afectar a la solucin ptima un cambio en un coeficiente de la funcin objetivo?

2. Cmo afectar a la solucin ptima un cambio en el valor del segundo miembro de
una restriccin?
Como el anlisis de sensibilidad se ocupa de la forma en que los cambios anteriores afectan
a la solucin ptima, el anlisis no comienza sino hasta que se obtiene tal solucin al proble-
75
76 CAPTULO TRES
ma de programacin lineal original. Por este motivo, al anlisis de sensibilidad con frecuen-
cia se le denomina anlisis de post-optimidad.
La principal razn de la importancia del anlisis mencionado para quienes toman las
decisiones es que los problemas reales ocurren en un medio ambiente dinmico . Los precios
de las materias primas varan, la demanda flucta, las compaas adquieren mquinas nue-
vas para reemplazar a las antiguas, los mercados globales de mano de obra ocasionan cam-
bios en los costos de produccin, se tiene rotacin en los empleos, etctera. Si se ha utilizado
un modelo de programacin lineal en un entorno con estas caractersticas, puede esperarse
que cambien en el tiempo algunos de los coeficientes. Los administradores desearn deter-
minar la forma en que esos cambios afectan a la solucin ptima del problema primitivo
de programacin lineal. El anlisis de sensibilidad ofrece la informacin que se requiere
para responder a esos cambios, sin que sea necesario obtener la solucin completa de un
programa lineal modificado.
Recurdese el problema de la compaa Par, In c., que se present en el captulo 2.
max 10 x 1 + 9x2
sujeto a (s .a.)
11 1UX + 1x2 5
1
630 Corte y teido
112X
1
+ s16X2 5 600 Costura
1x1 + uJX 2 5 708 Terminado
11 1UX
1
+ 114X2 5 135 Inspeccin y embalaje
xl' x 2 ~ O
La solucin ptima x 1 = 540 bolsas de tipo estndar y x 2 = 252 bolsas de lujo, se basa
en cifras de utilidades de $10 por bolsa estndar y $39 por bolsa de lujo . Sin embargo,
supngase que se sabe -posteriormente- que debido a una reduccin en el precio, la
contribucin a las utiliddes de las bolsas estndares se reduce a $7. Puede utilizarse el anlisis
de sensibilidad para determinar si el programa de produccin de 540 bolsas estndares y
252 bolsas de lujo sigue siendo la mejor solucin. Si lo es, no habr necesidad de resolver
un programa lineal modificado que tenga 7x 1 + 9x2 como funcin objetivo.
Se puede utilizar tambin el anlisis de sensibilidad para determinar cules de los coefi-
cientes de un modelo de programacin lineal son ms crticos. Por ejemplo, supngase
que los administradores de la multicitada Par, Inc., consideran que una contribucin a
las utilidades de $9 para la bolsa de lujo es slo una estimacin burda de la contribucin
que realmente se obtendr. Si el anlisis de sensibilidad muestra que la solucin ptima
son 540 bolsas estndares y 252 bolsas de lujo, siempre y cuando la contribucin a las
utilidades de las bolsas de lujo sea de entre $5 y $13, los administradores deben quedar
acordes con la estimacin aproximada de $9 por bolsa y con las cantidades de produccin
que se recomiendan. Sin embargo, si el anlisis de sensibilidad muestra que es ptima la
solucin ptima de 540 bolsas de tipo estndar y 252 bolsas de lujo slo si la contribucin
a las utilidades para la bolsa de lujo se encuentra entre $8.90 y $9.25, es posible que deseen
revisar la precisin de la utilidad esperada de $9 por bolsa.
Otro aspecto del anlisis de sensibilidad se refiere a los cambios en los lados derechos
de las restricciones. Recurdese que en el problema de Par, Inc., la solucin ptima utilizaba
todo el tiempo de corte y teido y todo el tiempo de terminado. De qu manera cambiara
la solucin ptima y la utilidad total si la empresa pudiera obtener tiempo adicional para
cualquiera de esas operaciones? El anlisis de sensibilidad puede ayudar a determinar cun-
to vale cada hora adicional y cuntas horas se pueden adicionar antes de que comiencen
a ocurrir los rendimientos decrecientes .
PROGRAMACIN LINEAL: ANLISIS DE SENSIBILIDAD Y RESOLUCIN POR COMPUTADORA 77
3.2 ANLISIS GRFICO DE SENSIBILIDAD

Se pueden utilizar mtodos grfi cos de solucin para problemas de programacin lineal
con dos variables de decisin con el objeto de realizar anlisis de sensibilidad sobre los
coeficientes de la funcin objetivo y sobre los valores en el seg .,d0 miembro de las restric-
ciones.
Coeficientes de la funcin objetivo
Considrese cmo podran afectarse los cambios de los coeficientes de la funcin objetivo
a la solucin ptima para el problema de Par, Inc. La actual contribucin a las utilidades
es $10 por unidad de la bolsa estndar y $9 por unidad para la bolsa de lujo . Parece evidente
que un aumento en la contribucin a las utilidades por parte de una de las bolsas para
golf podra hacer que los administradores aumentaran la produccin de ese artculo, y que
una disminucin en el aporte a las utilidades de una de las bolsas podra ocasionar que
los administradores disminuyeran la produccin de ese adminculo. Pero no resulta tan
evidente cunto tendra que cambiar la contribucin a las utilidades para que los administra-
dores desearan cambiar las cantidades de produccin.
La actual solucin ptima para el problema de Par, Inc., indica la fabricacin de 540
bolsas estndares y 252 bolsas de lujo. El intervalo de optimidad para cada coeficiente
de la funcin objetivo muestra la gama de valores sobre los cuales la solucin del momento
sigue siendo ptima. La atencin de los administradores se debe concentrar en los coeficien-
tes de la funcin objetivo que tienen un intervalo de optimidad estrecho y en los coeficientes
que se encuentran cerca de los extremos de dicho intervalo. Son stos los coeficientes en
donde un cambio pequeo puede implicar la necesidad de modificar la solucin ptima.
Se proceder ahora a calcular los mrgenes de optimidad para el problema de Par , In c.
En la Fig. 3.1 se muestra la solucin grfica del problema. Una inspeccin cuidadosa
de la grfica indica que mientras la pendiente de la funcin objetivo se encuentra entre
la pendiente de la recta A (la cual coincide con la recta de restriccin de corte y teido)
y la pendiente de la recta B (que coincide con la recta de restriccin de acabado) el punto
extremo G) con x 1 = 540 y x 2 = 252 ser el ptimo. Cambiar un coeficiente de la fun-
cin objetivo para x, o x2 tt:ndr como resultado variar la pendiente de la funcin objeti-
vo . En la Fig. 3.1, se observa que estos cambios ocasionan que la recta de la funcin objetivo
gire sobre el punto extremo(}). Sin embargo, en tanto que la recta mencionada permanezca
dentro de la regin sombreada, el punto extremo G) seguir siendo ptimo.
Girar la recta de la funcin objetivo en sentido contrario al del reloj ocasiona que la pendiente
se vuelva menos negativa y que, por ello, aumente la pendiente. Cuando dicha recta ha
girado lo suficiente en sentido contrario al del reloj (aumento en la pendiente) para que
coincida con la recta A, se obtienen ptimos alternos entre los puntos extremos G) y @).
Si prosi~ue el gir~ de la recta de la funcin ot;ietivo en senti.do.contrari.o a las mane~illas
del reloJ, se ocaswna que el punto extremo (1) ya no sea opumo. As1 que la pend1ente
de la recta A fija un lmite superior para la pendiente de la recta de la funcin objetivo.
Girar tal recta en el sentido de las manecillas del reloj hace que la pendiente se vuel va
cada vez ms negativa y que, por tanto, disminuya. Cuando se ha girado la recta de la
funcin objetivo lo suficiente en el sentido del reloj (disminucin de la pendiente) para
que coincida con la recta B, se obtienen ptimos alternos entre los puntos extremos G)
y @ . Continuar el giro de la recta de la funcin objetivo en el sentido d~>xtro rso ocasio na
78 CAPTULO TRES
Recta B
(coincide con la recta de restriccin
800
de terminado .
\ lx 1 + 2rc 2 = 708 )
'/ \
\
\
\
o \
E \
O)
'O
\
\
"' \
o"'"'
.D
\
O)
\
'O \
2
O)
\ Recta A
E \
::> ~
z
Regin factible
200
CD
0~--------~2~0~0---------4~0~0----------~~~~~~~----X
\
Nmero de bolsas estndares
FIGURA 3.1 Solucin grfica del problema de Par, Inc., en donde la pendiente
de la funcin objetivo est entre las pendientes de las rectas A y B;
el punto extremo G) es ptimo.
que el punto extremo G) ya no sea ptimo. Por ello, la pendiente de la recta B fija un
lmite inferior para la pendiente de la recta citada.
Del anlisis anterior, debe resultar evidente que el punto extremo G) ser la solucin
ptima siempre y cuando
Pendiente de la recta B ::5 pendiente de la recta de la funcin objetivo ::5 pendiente de
la recta A
En la Fig. 3.1 se observa que la ecuacin de la recta A, la recta de la restriccin de corte

y teido, es la siguiente:
7/ IOX 1 + 1X2 = 630

Despejando x 2 en la ecuacin anterior, se puede escribir la ecuacin de la recta A en su
forma de pendiente y ordenada en el origen. Esto da como resultado
x2 = -110 x 1 + 630
i i
Pendiente de Interseccin de
la recta A la recta A
con el eje x 2
Por ello, la pendiente de la recta A vale 7/ to, y su interseccin con el eje x 2 est en 630.
La ecuacin de la recta B de la Fig. 3.1 es
1x 1 + 213x2 = 708
Despejando x 2 se obtiene la forma pendiente-interseccin para la recta B. Haciendo esto,

se obtiene
213X2 = -1x 1 + 708

x2 = -3 12X 1 + 1062
Por ello, la pendiente de la recta B es - 312 , y su interseccin con el eje x 2 es 1062.
Ahora que se han calculado las pendientes de las rectas A y B, se observa que para que
el punto extremo (] siga siendo ptimo, se debe cumplir que
-312 ::s pendiente de la funcin objetivo ::s - 71 10 (3 .1)
Considrese ahora la forma general de la pendiente de la funcin objetivo. Se utiliza

c 1 para representar la utilidad para una bolsa estndar, c2 para la utilidad de una bolsa
de lujo, y z para el valor de la funcin objetivo. Con esta notacin, puede escribirse la
funcin objetivo de la siguiente manera
Z = CX + C:Xz
Escribiendo esta ecuacin en su forma de pendiente y ordenada al origen, se obtiene

c2x 2 = -c 1x 1 + z
y
C l._
x 2 = --x +
Cz t c2
Por ello se observa que la pendiente de la funcin objetivo est dada por -c/c2 Sustitu-
yendo -c/c2 en la expresin (3.1), se observa que el punto extremo G) seguir siendo
ptimo siempre y cuando se satisfaga la siguiente expresin
C
- Yz :S - - :S - 7/10 (3.2)
c2
Para calcular el intervalo de optimidad para la contribucin a las utilidades por las bolsas
estndares, se mantiene fija la contribucin a las utilidades de las bolsas de lujo, en su
valor inicial c2 = 9. Haciendo esto en (3.2),
C
-312 : S - - :S - 7/10
9
Utilizando la desigualdad del lado izquierdo,
C C
-y2 -< --
9 o Y2 ~ 9
Por ello,
27/2 ~ C o C :S 27/2 13.5
80 CAPTULO TRES
Haciendo uso de la desigualdad del lado derecho resulta

Cl Cl
- -
9
::::; -7/lo or 9 :2: 7/10
Por ello,
Cl :2: 63/10 or C 1 :2: 6.3
Combinando los lmites anteriores para e 1 se obtiene el siguiente intervalo de optimidad

para la contribucin a las utilidades de la bolsa estndar:
6.3 :S e1 :S 13 .5
En el problema original de Par, Inc., la bolsa estndar tena una contribucin a las utilida-
des de $10. La solucin ptima resultante fue 540 bolsas de tipo estndar y 252 bolsas
de lujo. El intervalo de optimidad para e 1 indica a los administradores de la empresa que
si no se cambian los dems coeficientes, la contribucin a las utilidades de la bolsa estndar
puede encontrarse en cualquier punto entre $6.30 y $13 .50, y las cantidades de produccin
de 540 bolsas estndares y 252 bolsas de lujo seguirn siendo ptimas. Sin embargo, ntese
que, -aunque las cantidades de produccin no varan-, la contribucin total a las utilida-
des (el valor de la funcin objetivo) tendr otro valor debido al cambio en la contribucin
a las utilidades de la bolsa estndar.
Se pueden repetir los cambios anteriores, manteniendo constante en e 1 = 10 la contri-
bucin a las utilidades de las bolsas estndar. En este caso, es posible determinar el rango
de optimidad para la contribucin a las utilidades de las bolsas de lujo, e2 Verifique el
lector que este rango es 6.67 ::5 e2 ::5 14.29.
En los casos en los que el giro de la recta de la funcin objetivo sobre un punto extremo
ptimo ocasiona que la recta citada adopte una posicin vertical, puede darse el caso de
que exista lmite superior o que no exista lmite inferior para la pendiente, segn se puede
apreciar en la forma de la expresin (3.2). A fin de observar la forma en la que puede
presentarse esta situacin especial en un anlisis grfico de sensibilidad, supngase que
la funcin objetivo para el problema de Par, Inc., hubiera sido 18x1 + 9x2 ; en este caso,
el punto extremo @, Fig. 3.2, es el que ofrece la solucin objetivo. Haciendo girar la
recta de la funcin objetivo en sentido contrario al del reloj sobre el punto extremo @
se obtiene un lmite superior para la pendiente cuando la recta de la funcin objetivo coinci-
de con la recta B. Como ya se haba visto antes que la pendiente de la recta B es - 312,
el lmite superior para la pendiente de la recta de la funcin objetivo debe ser tambin
- 312 . Sin embargo, girando la recta citada en el sentido del reloj se obtiene como resultado
que la pendiente se vuelva cada vez ms negativa, aproximndose a un valor de menos
infinito, conforme la funcin objetivo tiende a la verticalidad. En este caso, no existe lmite
inferior para la pendiente de la funcin objetivo. Utilizando el lmite superior de - 312 , se
puede escribir
Cl
- - ::S-3j2
/ Cz
Pendiente de la recta de la funcin objetivo
Siguiendo el procedimiento anterior de mantener a e2 constante en su valor original, e2

= 9, se tiene
Cl
- -
9 -< - 3 /2 o bien
Recta B
(coincide con la recta de
restriccin de terminado
lx, + 2!Jx, = 708)

_ _ __,Recta de la funcin objetivo

para !8x, + 9x 2
"'~
o
.n Recta vertical
"'
"O ~
2
"'6
:::>
z
Regin factible
200
FIGURA 3.2 Solucin grfica del problema de Par, Inc., con la solucin ptima
en el punto extremo @ .
Despejando e, se obtiene el siguiente resultado:

e1 2: 2112 = 13 .5
Al revisar la Fig. 3.2 se observa que el punto extremo @ sigue siendo ptimo para todos
los valores de e, que se encuentran por encima de 13.5. Por ello, se obtiene el siguiente
intervalo de optimidad para e, en el punto extremo Q):
13.5 ::5 e, < oo
Cambios simultneos El intervalo de optimidad para los coeficientes de la funcin objetivo

es slo aplicable para cambios que se hacen a un coeficiente a la vez. Se supone que todos
los dems coeficientes permanecen fijos en sus valores iniciales. Si se varan en forma simul-
tnea dos o ms coeficientes de la funcin objetivo, es necesario realizar un anlisis ms
1 detallado para determinar si cambia la solucin ptima. Sin embargo, cuando se resuelven
en forma grfica problemas con dos variables, la desigualdad (3 .2) indica una forma sencilla
de determinar si cambios simultneos en ambos coeficientes de la funcin objetivo ocasio-
nan alteraciones en la solucin ptima. Simplemente debe calcularse la pendiente de la
funcin objetivo (-e/ e2) para los nuevos valores de los coeficientes. Si este coeficiente
es mayor que o igual al lmite inferior de la pendiente de la funcin objetivo y menor que o
igual al lmite superior, entonces los cambios que se realicen no ocasionarn variaciones
en la solucin ptima.
82 CAPTULO TRES
En seguida se ilustra este procedimiento considerando cambios en ambos coeficientes

de la funcin objetivo para el problema de Par, Inc. Supngase que se aumenta la contribu-
cin a las utilidades segn las bolsas estndares hasta $13 y que, simultneamente, se reduce
a $8 la contribucin a las utilidades de las bolsas de lujo. Recurdese que los intervalos
de optimidad para c 1 y c2 (ambos calculados en forma aislada) son
6.3 ::5 C 1 ::5 13.5 (3.3)

6.67 ::5 c2 ::5 14.29 (3.4)
Dados estos intervalos de optimidad, puede concluirse que cambiar c 1 hasta $13, o c2 has-
ta $8 (pero no ambas cosas) no ocasionara ningn cambio en la solucin ptima de x 1
= 540 y x 2 = 252. Pero no se puede concluir, a partir de los mrgenes de optimidad, que
cambiar ambos coeficientes en forma simultnea no da como resultado un cambio en la
solucin ptima.
En la expresin (3.2) se mostr que el punto extremo Q) sigue siendo ptimo siempre
y cuando
Si se cambia c 1 a 13 y, simultneamente, se cambia c2 a 8, la pendiente de la nueva funcin

objetivo estar dada por
C 13
-- = - - = -1.625
c2 8
Como este valor es menor que el lmite inferior de -312, la solucin actual de x 1 = 540
y x 2 = 252 ya no ser ptima. Resolviendo el problema con c 1 = 13 y c2 = 8, se encuentra
que el punto extremo W es la nueva solucin ptima.
Observando los intervalos de optimidad, se concluye que cambiar c 1 a $13, o bien c2
a $8 (pero no ambas cosas) no ocasiona cambios en la solucin ptima. Pero, al recalcular
la pendiente de la funcin objetivo, con cambios simultneos en c 1 y c2 , se observ que
la solucin ptima s se alter. Esto enfatiza el hecho de que el intervalo de optimidad
en s slo puede ser utilizado para obtener conclusiones respecto a cambios que se realicen
en los coeficientes de la funcin objetivo, de uno en uno.
Lados derechos (o segundos miembros)
Se considera ahora la forma en que un cambio en el lado derecho de una restriccin puede
afectar a la regin factible y, posiblemente, ocasionar cambios en la solucin ptima
del problema. Por ejemplo, supngase que se disponen de 10 horas adicionales de tiempo
de produccin en el departamento de corte y teido de Par, In c. El lado derecho de la
restriccin de corte y teido cambia de 630 a 640, y reescribiendo la ecuacin, queda de
la siguiente manera:
Al obtener 10 horas adicionales de corte y teido, se ampla la regin factible para el proble-
ma, como se muestra en la Fig. 3.3. Como se ha ampliado la regin de factibilidad, se
800
600
o La nueva regin factible incluye esta rea sombreada
E
"'
"O
"'
~ Solucin ptima
o
..D
400
"'
"O
e
"'
E
:::>
z
200
FIGURA 3.3 Efecto de un cambio de 10 unidades en el valor del lado derecho

de la restriccin de corte y teido.
sabe ahora que la solucin actual sigue siendo factible. Pero es posible que ya no sea ptima.
Se determinar si alguna de las nuevas soluciones factibles ofrece un mejoramiento en el
valor de la funcin objetivo. Aplicando un procedimiento grfico de resolucin al problema
con la regin factible ms amplia, se muestra que el punto extremo que se encuentra en
x 1 = 527.5 y x 2 = 270.75 es ahora la solucin ptima. El nuevo valor para la funcin
objetivo es 10(527.5) + 9(270.75) = $7711.75; esto produce un aumento en las utilidades
de $7711.75 - $7668.00 = $43.75. Por ello, el aumento en las utilidades se da a una tasa
de $43.75/10 horas = $4.375 por hora adicional.
Al cambio en el valor de la funcin objetivo por aumento unitario en el valor del la-
do derecho se le denomina precio sombra (o de sombra). Por ello, el precio de sombra
para el tiempo de produccin de corte y teido es $4.375 por hora. Se consideran importan-
tes los precios de sombra de las restricciones porque puede ser posible adquirir u obtener
unidades adicionales de los recursos. Si no se ha deducido el costo del tiempo de corte
y teido al calcular los coeficientes de utilidad, puede mostrarse que los administradores
deberan estar dispuestos a pagar hasta $4.375 por hora adicional de este recurso.
Se debe tener cuidado porque el valor del precio de sombra puede ser aplicable solamente
para cambios pequeos en el lado derecho. Conforme se obtienen cada vez ms recursos,
y conforme contina aumentando el lado derecho, las dems restricciones se vuelven acota-
doras o acotantes y se reduce la tasa de variacin en el valor de la funcin objetivo . Por
ejemplo, en algn momento en el problema de Par, Inc., se pueden aadir suficientes horas
84 CAPTULO TRES
al departamento de corte y teido de manera que la restriccin ya no sea acatante. En

este caso, la solucin ptima se encontrara en la interseccin de la recta restrictiva de inspec-
cin y embalaje, y la de terminado. En este punto, otras horas adicionales para el departa-
mento de corte y teido ya no tendran ningn valor. En la siguiente seccin se analiza
con mayor detalle el tema de cunto puede cambiarse un lado derecho antes de que ya
no sea deseable continuar hacindolo.
Se define el precio de sombra como el cambio unitario en el valor de la funcin objetivo
por aumento unitario en el lado derecho. Una restriccin no limitante, la que tiene una
cantidad positiva de holgura o de excedente. Resulta claro, entonces, que un aumento pe-
queo en el lado derecho de las restricciones de este tipo slo cambia la cantidad de holgura
o de excedente y no afecta el valor de la funcin objetivo. Por ello, el precio de sombra
para las restricciones no limitantes siempre ser cero.
Advertencia sobre la interpretacin de los precios de sombra
Como se expres antes, el precio de sombra es el cambio en el valor de la funcin objetivo

por aumento unitario en el lado derecho de una restriccin. Cuando el lado derecho de
la restriccin representa la cantidad disponible de un recurso, con frecuencia se interpreta
el correspondiente precio sombra como la cantidad que se debera estar dispuesto a pagar
por una unidad adicional del recurso. Sin embargo, esa interpretacin no siempre es correc-
ta. Para ver por qu, es necesario comprender la diferencia entre costo irrelevante y costo
relevante. El costo irrelevante (en ingls, sunk cost) es aqul que no resulta afectado por
la decisin que se tome. Se incurrir en l sin importar los valores que asuman las variables
de decisin. Un costo relevante es el que depende de la solucin adoptada. El monto de
un costo relevante variar segn los valores de las variables de decisin.
Reconsidrese el problema de Par, Inc. El tiempo disponible de corte y teido es de 630
horas. El costo del tiempo disponible es un costo irrelevante, si es que se debe solventar
sin que importe el nmero de bolsas estndares y de lujo que se fabriquen. Sera un costo
relevante slo si la firma tuviera que pagar nicamente el nmero de horas de corte y teido
qe~e en realidad se utilizaran para fabricar las bolsas de golf. En la funcin objetivo de
un programa lineal deben deducirse todos los costos relevantes. Los costos irrelevantes
no deben reflejarse en la funcin objetivo. Para la compaa Par, In c., se ha supuesto
que debe pagar a sus empleados por el tiempo de la mano de obra, sin importar si es utilizado
o no. Por lo tanto el costo del recurso de mano de obra para Par, In c., es un costo irrelevante
y no se ha reflejado en la funcin objetivo.
Cuando el costo de un recurso es irrelevante, el precio de sombra se puede interpretar
como el valor de una unidad adicional del recurso. Sera la cantidad que la compaa debe
estar dispuesta a pagar por una unidad adicional del recurso. Cuando el costo de un recurso
utilizado es relevante, puede interpretarse el precio de sombra como el monto en que el
valor del recurso excede a su costo. Por ello, cuando el costo del recurso es relevante, se
interpreta el precio de sombra como el sobreprecio mximo, con respecto al costo normal,
que la compaa debe estar dispuesta a pagar por una unidad del recurso.
NOTAS Y COMENTARIOS
l. Si cambian simultneamente dos coeficientes de la funcin objetivo es posible que

ambos salgan de sus respectivos intervalos de optimidad y que no afecten a la sol u-
cin ptima. Por ejemplo, en un programa lineal con dos variables, ambos coefi-
cientes pueden duplicar su valor sin alterar la pendiente de la funcin objetivo.
2. El precio sombra da el cambio de valor de la funcin objetivo por cada aumento
unitario en el lado derecho de una restriccin. Un precio sombra positivo significa
que aumentar el lado derecho ocasionar que se incremente el valor de la funcin
objetivo. Por lo contrario un precio sombra negativo indica que disminuir el lado
derecho ocasionar un aumento en el valor de la funcin objetivo.
3. Frecuentemente se solicita a los administradores una justificacin econmica para
tecnologas nuevas. A menudo tambin se desarrollan o adquieren tecnologas nue-
vas para conservar recursos. Los precios sombra pueden ser tiles en estos casos
porque se les puede utilizar para determinar los ahorros que se pueden atribuir
a tecnologas nuevas, al mostrar los ahorros por unidad de recurso que se conserva.
3.3 RESOLUCIN DE PROGRAMAS

LINEALES EN COMPUTADORA
En la actualidad estn ampliamente disponibles diversos programas de computacin disea-

dos para resolver problemas de programacin lineal. La mayora de las grandes compaas,
al igual que las universidades, tienen acceso a estos programas de cmputo. El desarrollo
de "paquetes de programacin" en gran escala proviene principalmente de los fabricantes
de computadoras y/o de las compaas de servicio programtico, tales como IBM, Control
Data y Ketron. Por lo general, despus de un periodo breve de familiarizacin con las carac-
tersticas especficas del paquete, los usuarios pueden resolver problemas de programacin
lineal con no muchas dificultades. Ahora pueden resolverse en forma rutinaria problemas
en que intervienen millares de variables y millares de restricciones utilizando paquetes com-
putacionales. La mayor parte de los programas lineales se pueden resolver con slo unos
cuantos minutos de cmputo; los programas lineales pequeos por lo general requieren
slo unos cuantos segundos.
En tiempos ms recientes ha habido una virtual "explosin" de programas para micro-
computadoras. Ahora se dispone de un gran nmero de programas de cmputo "amisto-
sos" que pueden utilizarse para resolver programas lineales en microcomputadoras. Dichos
programas, desarrollados por personal acadmico y por pequeas compaas de programa-
cin, generalmente son fciles de utilizar. La mayor parte de estos programas estn disea-
dos para resolver programas lineales pequeos (con - cuando mucho- unos cientos de
variables). Por lo general se requieren paquetes programticos diseados para computado-
ras grandes, en la resolucin de programas lineales en gran escala, que involucran varios
millares de variables y de restricciones.
The Management Scientist (TMS), un paquete de programas para microcomputadoras
elaborado por los autores de este libro*, contiene un mdulo de programacin lineal. En
seguida se ilustra la forma que puede utilizarse el mdulo de programacin lineal para
resolver el problema de la compaa Par, In c. Como la introduccin de datos a la computa-
*(N. del R.) Para facilidad de lenguaje, en esta versin se usar la abreviatura "TMS" .
86 CAPTULO TRES
MEN DE SELECCIN DE PROBLEMAS
Operaciones
l Crear un problema nuevo
2 Recuperar un problema almacenado anteriormente
3 Continuar con el problema actual
4 Eliminar el problema almacenado anteriormente
5 Volver al men principal
HAGA SU SELECCIN Y OPRIMA RETURN l
FIGURA 3.4 Men de programacin lineal de The Management Scientist {TMS)

(las respuestas del usuario se presenten en tono gris) .
dora debe ser en valores con decimales, y no como fracciones, en seguida se replantea el
problema de Par, Inc., con coeficientes decimales :
max 10x 1 + 9x 2
sujeta a
0.7x 1 + 1x2 :5 630 Corte y teido
0.5x 1 + .83333x2 :5 600 Costur~
1.0x 1 + .66667x2 :5 708 Terminado

0. 1x 1 + 0.25x2 :5 135 Inspeccin y embalaje
Obsrvese que en la forma anterior, el coeficiente de x2 de la restriccin de costura se es-

cribe como .83333, que es el valor decimal de cinco posiciones ms cercano a la fraccin
s16. Se da un redondeo similar para el coeficiente de x en la restriccin de terminado, en
2
la que se utiliza el decimal .66667 como valor a cinco cifras ms cercano a la fraccin 213.
Cuando se requiere este redondeo de los datos de entrada, puede esperarse que la solucin
obtenida por computadora sea ligeramente distinta que la solucin obtenida manualmente
con base en los valores fraccionarios exactos . Sin embargo -tal como se ver- las dos
soluciones estn muy estrechamente cercanas y el ligero redondeo en los datos de entrada
no ocasiona ningn problema grave.
Despus de que el usuario elige el mdulo de programacin lineal de The Management
Scientist, aparece el men de seleccin de problemas que se muestra en la Fig. 3.4. En
las siguientes figuras se muestran en tono gris las respuestas del usuario; la informacin
que la computadora imprime aparece en negro. Obsrvese que el usuario ha seleccionado
la opcin 16 "Crear un problema nuevo".* Despus de hacer esta seleccin, se pide al
usuario teclear la funcin objetivo y las restricciones.
*(N. del R.) Aunque es posible que todos los enunciados aparezcan en ingls, la traduccin no es difcil. En
esta versin se presentan las indicaciones en espaol a fin de facilitar el estudio (F.P .)
FUNCIN OBJETIVO: MAX 10X1 + 9X2
RESTRICCIN 1: .7X1 + 1X2 < 630
RESTRICCIN 2: .5X1 + .83333X2 < 600
RESTRICCIN 3: 1X1 + .66667X2 < 708
RESTRICCIN 4: 1X1 + .25X2 < 135
RESTRICCIN 5: FIN
FIGURA 3.5 Entrada de datos del usuario para el problema de Par, Inc.
con el paquete TMS (o sea, The Management Scientist).
MEN DE DISPOSICIN DE PROBLEMAS
Opciones
1 Resolver el problema
2 Almacenar el problema
3 Visualizar/ revisar y corregir el problema
4 Volver al men de seleccin de problemas
HAGA SU SELECCIN Y OPRIMA RETURN
FIGURA 3.6 El usuario adopta la opcin 1 dando instrucciones a TMS para

que resuelva el problema de Par, Inc.
En la Fig. 3.5 se muestran las indicaciones de la computadora y la forma en la que el

usuario teclea el problema. La computadora imprime "FUNCIN OBJETIVO:". Des-
pus, el usuario ha de teclear la funcin objetivo segn se muestra ah. Despus oprimir
la tecla de "retorno" o "entrada", y la mquina imprime "RESTRICCIN 1:". Luego
el usuario ingresa la restriccin y vuelve a pulsar la tecla de "retorno". Obsrvese que
al smbolo < lo interpreta TMS como ::5 La computadora contina solicitando las restric-
ciones hasta que el usuario teclea FIN. La Fig. 3.5 muestra que el usuario ya ha tecleado
las cuatro restricciones y tambin FIN cuando se le pide la restriccin 5.
Teclear FIN seala a TMS que ya se ha introducido el problema completo. En este punto,
la computadora imprime el men de resoluciones para el problema, como se ve en la Fig.
3 .6. En este punto, el usuario puede elegir: 1, para resolver el problema; 2, guardarlo para
utilizarlo en el futuro; 3, mostrar o modificar el problema, o bien 4 para resolver el men
de seleccin de problemas. Se elige el 1 y la solucin que genera TMS es la que se muestra
en la Fig. 3.7.
Interpretacin de los resultados obtenidos por computadora
Ahora se proceder a examinar el listado que produjo TMS (The Management Scientist)
y que se presenta en la Fig. 3. 7; se interpreta la solucin por computadora que se ofrece
ah para el problema de Par, Inc. En primer lugar, obsrvese el nmero 7667 .994100 que
88 CAPTULO TRES
Valor de la funcin objetivo = 7667.994100
Variable Valor Costos reducidos
X1 539.998410 0.000000
X2 252.001099 0.000000
Restriccin Holgura/Excedente Precios duales
1 0.000000 4.374956
2 120.000702 0.000000
3 0.000000 6.937531
4 17.999870 0.000000
INTERVALOS DE COEFICIENTES DE LA FUNCIN OBJETIVO
Variable Lmite inferior Valor actual Lmite superior
X1 6.300000 10.000000 13.499931

X2 6.666700 9.000000 14.285715
INTERVALOS DE LOS LADOS DERECHOS
Restriccin Lmite inferior Valor actual Lmite superior
1 495.600010 630.000000 682.363160

2 479.999300 600.000000 No hay lmite superior
3 580.001460 708.000000 900.000000
4 117.000130 13 5 . OOOOOO No hay lmite superior
FIGURA 3.7 Solucin del problema de Par, Inc., utilizando TMS
(The Management Scientist).
aparece a la derecha de "Valor de la funcin objetivo". Redondeando este valor, se puede

concluir que la solucin ptima para el problema de Par, Inc., ofrece una utilidad de $7,668.
Directamente abajo del valor de la funcin objetivo se encuentran los valores de las variables
de decisin y de la solucin ptima. Por ello, despus de redondear, se tiene que las cantida-
des ptimas de produccin son x 1 = 540 bolsas estndares y x 2 = 252 bolsas de lujo.
La informacin en la columna que tiene como encabezado "Costos reducidos" indica
cunto tendra que mejorar el coeficiente de la funcin objetivo de cada variable de
decisin 1 antes de que sea posible que tal variable asuma un valor positivo en la solucin
ptima. Si una variable de decisin ya es positiva en la solucin ptima, su costo reducido
es cero. Para el problema de Par, Inc., la solucin es x 1 = 540 y x 2 = 252. Siendo que
ambas variables tienen ya valores positivos, sus correspondientes costos reducidos son cero.
En la Secc. 3.4 se interpreta el costo reducido de una variable de decisin que no tiene
un valor positivo en la solucin ptima.
Inmediatamente despus de los valores ptimos de x 1 y x 2 , y de la informacin acerca
de los costos reducidos, el listado de computadora ofrece informacin con respecto al estado
de las restricciones. Recurdese que el problema de Par, Inc., tiene cuatro restricciones
de menor que o igual a, correspondientes a las horas disponibles en cada uno de cuatro
'En un problema de maximizacin, mejorar significa aumentar; en un problema de minimizacin, mejorar

significa disminuir.
departamentos de produccin. La informacin que se presenta en la columna con encabeza-

do "Holgura/ Excedente" proporciona el valor de la variable de holgura para cada uno
de los departamentos. En seguida se resume esta informacin:
Nmero de
restriccin Nombre de la restriccin Holgura
1 Corte y teido o
2 Costura 120
3 Terminado o
4 Inspeccin y embalaje 18
Se puede observar de la informacin anterior que las restricciones limitantes (las de corte
y teido, y de terminado) tienen holgura cero en la solucin ptima. El departamento de
costura tiene 120 horas de holgura o de capacidad no utilizada, y el departamento de inspec-
cin y embalaje tiene 18 horas de holgura o de capacidad no utilizada.
La columna con el encabezado "Precios duales" contiene informacin respecto al valor
de cada uno de los recursos en la solucin ptima. Los precios duales se definen de la
siguiente manera:
El precio dual correspondiente a una restriccin es el mejoramiento en el valor

ptimo de la funcin objetivo por cada aumento unitario en el lado derecho
de la restriccin.
De ah se observa que los precios duales diferentes de cero 4.374956 para la restriccin
1 (restriccin de corte y teido) y 6.937531 para la restriccin 3 (terminado), sealan que
una hora adicional de tiempo de corte y teido mejora (aumenta) el valor de la funcin
objetivo en $4.37, y que una hora adicional de tiempo de terminado mejora (aumenta)
el valor de la funcin objetivo en $6.94. Por ello, si se aumentara el tiempo de corte y
teido de 630 a 631 horas, manteniendo constantes todos los dems coeficientes del proble-
ma, las utilidades de Par aumentaran en $4.37, para pasar de $7,668 a $7668 + $4.37
= $7672.37. Una interpretacin similar para la restriccin de terminado implica que un
aumento en el tiempo disponible de acabado, de 708 a 709 horas -manteniendo constantes
todos los dems coeficientes del problema- aumentara las utilidades de la compaa Par
a $7668 + 6.94 = $7674.94. Como tanto la restriccin de costura como la de inspeccin
y embalaje tienen holgura o capacidad no utilizada disponible, los precios duales de cero
sealan que aumentar las horas disponibles de estos dos recursos no mejora el valor de
la funcin objetivo.
Como se recordar del anlisis sobre los precios de sombra de la Secc. 3.2, la informacin
que a.parece en la columna de "Precios duales" da los precios sombra para los cuatro
recursos de la Par. De hecho, en el caso de un programa lineal de maximizacin, el precio
dual es el mismo que el precio de sombra. Sin embargo, y segn se ver ms tarde, en
los programas lineales de minimizacin, el precio dual es el negativo del correspondiente
precio sombra.
Haciendo referencia de nuevo al listado o salida de computadora de la Fig. 3. 7 se observa
que despus de la informacin referente a las variables de holgura/ excedente, y a los precios
duales de las restricciones, The Management Scientist imprime los intervalos de los coefi-
cientes de la funcin objetivo y de los segundos miembros de las restricciones.
90 CAPTULO TRES
Considerando la informacin que se ofrece bajo el encabezamiento del listado "INTER-

VALOS DE LOS COEFICIENTES OBJETIVOS", se observa que la variable x i' que tie-
ne un coeficiente de utilidad actual de 10, tiene el siguiente intervalo de optimidad para e 1:
6.30 ~ e1 ~ 13.50
Esto indica que mientras se mantenga la contribucin a las utilidades de las bolsas estnda-
res entre $6.30 y $13 .50, la produccin de x 1 = 540 bolsas estndares y x 2 = 252 bolsas
de lujo, seguir siendo la solucin ptima. Obsrvese que este es el intervalo de optimidad
que se obtuvo para el' en la Secc. 3.2, mediante el anlisis grfico de sensibilidad.
Utilizando la informacin sobre los intervalos de los coeficientes de la funcin objetivo,
y para las bolsas de lujo, se observa que The Management Scientist (TMS) ha calculado
el siguiente intervalo de optimidad:
6.67 ~ e2 ~ 14.29
Esto indica que mientras se conserve la contribucin a las utilidades de las bolsas de lujo
entre $6.67 y $14.29, la fabricacin de x 1 = 540 bolsas estndares y x 2 = 252 bolsas de
lujo seguir siendo la solucin ptima.
La seccin final del listado de computadora ("INTERVALOS DEL LADO DERECHO")
contiene la informacin de los mrgenes para los segundos miembros de las restricciones.
Mientras los lados derechos de las restricciones se mantengan dentro de esos intervalos,
el precio dual correspondiente da el mejoramiento del valor de la funcin objetivo por
aumento unitario en el valor del lado derecho . Por ejemplo, considrese la restriccin de
corte y teido, que en estos momentos tiene un valor en el lado derecho de 630. Como
el precio dual para esta restriccin es $4.37, puede concluirse que las horas adicionales
aumentaran la funcin objetivo en $4.37 por hora. Tambin resulta cierto que una reduc-
cin en las horas disponibles, reducira el valor de la funcin objetivo en la misma cantidad.
A partir de la informacin sobre intervalos, se observa que el precio dual de $4.37 es vlido
para aumentos de hasta 682.363160 y para disminuciones de hasta 495.600010. Una inter-
pretacin similar para el lado derecho de la restriccin de acabado (restriccin 3), muestra
que el precio real de $6.94 es aplicable para aumentos de hasta 600 horas y para disminucio-
nes de hasta 580.001460 horas.
Como se mencionaba antes, los intervalos en los lados derechos dan los lmites dentro
de los cuales los precios duales son aplicables. Para cambios que quedan fuera de los mrge-
nes, es necesario volver a resolver el problema para encontrar la nueva solucin ptima
y el nuevo precio real. Al intervalo sobre el cual es aplicable el precio dual se le denomina
intervalo dejaetibilidad. En seguida se da un resumen de los mrgenes de factibilidad para
el problema de Par, In c.
Restriccin LD Mo LD Mx
Corte y teido 495.6 682.4

Costura 480.0 Sin lmite superior
Terminado 580.0 900.0
Inspeccin y embalaje 117.0 Sin lmite superior
En tanto los valores en los segundos miembros se mantengan dentro de los mrgenes ante-
riores, no varan los precios duales que se muestran en el listado de computadora. Los
valores en los lados derechos que se encuentren fuera de estos lmites darn como resultado
cambios en la informacin sobre los precios duales.
En este punto es importante observar que el anlisis de sensibilidad que se presenta en
el listado o salida de computadora se basa en la suposicin de que los coeficientes se varan
slo uno a la vez, y que se mantienen todos los dems coeficientes del problema segn
se plantearon en la forma original. La informacin sobre anlisis de sensibilidad que se
ofrece en el listado de computadora no se aplica a dos o ms cambios simultneos en el
problema.
Cambios simultneos Como se expres antes, los intervalos de los coeficientes de la funcin
objetivo y de los lados derechos de las restricciones slo son aplicables para cambios en
un solo coeficiente. Sin embargo, con el auxilio de la regla del1000Jo 2 , es posible realizar
ciertos anlisis sobre cambios simultneos. Si se realizan dichos cambios en dos o ms coefi-
cientes de la funcin objetivo, la solucin ptima no vara siempre y cuando se satisfaga
la "regla del ciento por ciento".
Para aplicar la regla del 1OOOJo, se debe calcular, para cada coeficiente que se modifica,
el porcentaje de aumento o de decremento permisible que el cambio representa. Para un
coeficiente de funcin objetivo, el aumento permisible es la cantidad mxima en que puede
aumentarse el coeficiente sin exceder el lmite superior del intervalo de optimidad. De mane-
ra similar, la disminucin permisible es la cantidad mxima en que puede disminuirse el
coeficiente sin caer por debajo del lmite inferior del intervalo de optimidad. Para el lado
derecho de una restriccin, el aumento permisible es la cantidad mxima en que se puede
incrementar el valor del lado derecho sin exceder el lmite superior de su intervalo de factibi-
lidad, y la disminucin permisible es la cantidad mxima en que puede disminuirse el valor
del lado derecho sin infringir el lmite inferior del intervalo de factibilidad. En seguida
se plantea la regla del lOO OJo, segn se aplica a cambios simultneos en los coeficientes
de la funcin objetivo y a cambios simultneos en los segundos miembros de las restricciones.
Regla del lOOOJo para coeficientes de la funcin objetivo

Para todos los coeficientes de la funcin objetivo que cambian, smense los porcentajes
de los aumentos y las disminuciones permisibles . Si la suma de los porcentajes no excede
el 1000Jo, entonces la solucin ptima no cambiar.
Regla del 100% para los lados derechos de las restricciones

Para todos los lados derechos que cambian, smence los porcentajes de los aumentos y
las disminuciones permisibles . Si la suma de los porcentajes no excede el 1000Jo entonces
los precios duales no cambiarn.
Ahora se procede a ilustrar la regla del lOOOJo considerando cambios simultneos en los
lados derechos para el problema de Par, Inc. Supngase, por ejemplo, que se pudieran
obtener 20 horas adicionales de tiempo de corte y teido, y 100 horas adicionales de tiempo
de terminado. El aumento permisible para el tiempo de corte y teido es 52.36316 = 682.36316
2 Vase S. P . Bradley, A .C. Hax y T .L. Magnanti (Reading, Mass.: Addison-Wesley, 1977).
92 CAPTULO TRES
-630.0, y el incremento permisible para el tiempo de terminado es 192.0 = 900.0- 708.0

(vase la Fig. 3.7). Las 20 horas adicionales de tiempo de corte y teido son el
(20/52.363130)(100) = 38.190Jo del aumento permisible en el lado derecho de la restriccin.
Las 100 horas adicionales de tiempo de terminado son el (100/192)(100) = 52.08% del
incremento permisible en el lado derecho de la restriccin del tiempo de terminado. El por-
centaje acumulado de cambios es 38.19% + 52.08% = 90.27%. Como el porcentaje acu-
mulado de cambio no excede el1 00%, puede concluirse que los precios duales son aplicables,
y que la funcin objetivo mejorar en (20)(4.37) + (100)(6.94) = 781.40.
Interpretacin de los resultados por computadora-Un segundo ejemplo
Como otro ejemplo de la interpretacin de los resultados por computadora, considrese

el problema de minimizacin de la empresa M&D Chemicals que se present en la Sec.
2. 7. En seguida se plantea de nuevo el modelo de programacin lineal para este problema,
en donde x 1 = nmero de galones del producto 1, y x 2 = nmero de galones del producto
2, y se desea minimizar el costo de produccin.
m in 2xl + 3x 2
sujeta a
lx 1 2: 125 Demanda del producto 1
lx 1+ lx 2 2: 350 Requisito de la produccin total
2xl + lx 2 :5 600 Limitacin del tiempo de procesamiento
X 1 , X 2 2:
En la Fig. 3.8 se presenta la solucin que se obtiene utilizando The Management Scientist.
El listado de la computadora muestra que la solucin de costo mnimo arroja un valor
de la funcin objetivo de $800. Los valores de las variables de decisin sealan que la solu-
cin de costo mnimo se da con 250 galones del producto 1 (x 1 = 250) y 100 galones del
producto 2 (x2 = 100).
La informacin sobre "Holgura/Excedente" muestra que la restriccin del 2: para la
demanda del producto 1 (vase la restriccin 1) tiene un excedente de 125 unidades. Esto
indica que la fabricacin del producto 1 en la solucin ptima excede la demanda en 125
galones. Los valores de "Holgura/Excedente" son cero para el requerimiento total de pro-
duccin (restriccin 2) y para la limitacin del tiempo de procesamiento (restriccin 3);
esto indica que estas restricciones son limitantes en la solucin ptima.
De nueva cuenta, la columna "Precios Duales" muestra el mejoramiento que se da en
la funcin objetivo por cada incremento unitario en el lado derecho de la restriccin. Recal-
cando en primer lugar en el precio dual de 1.00 para la restriccin del tiempo de procesa-
miento (restriccin 3), se observa que si se puede incrementar el tiempo de procesamiento
de 600 horas a 601, el valor de la funcin objetivo mejorar en $1. Como el objetivo es
minimizar costos, en este caso mejoramiento significa reduccin de costo. Por ello, si exis-
ten disponibles 601 horas de procesamiento, el valor de la solucin ptima mejorara, para
quedar en $800- $1 = $799. La seccin de "INTERVALOS DEL LADO DERECHO"
del listado, muestra que el lmite superior para la restriccin del tiempo de procesamiento
(restriccin 3) es 700 horas. Por ello, el precio dual de $1 por unidad sera aplicable para
cada hora adicional de tiempo de procesamiento hasta un total de 700 horas.
Valor de la funcin objetivo 800.000000
X1 250 . 000000 0.000000

X2 100 . 000000 0 . 000000
Restriccin Holgura / Excedente Precios duales
1 12 5 . 000000 0 . 000000
2 0 . 000000 - 4 . 000000
3 0 . 000000 1 . 000000
Variable Lmite inferior Valor actual Lmite su per ior
X1 No hay lmite inferior 2 . 000000 3 . 000000

X2 2 . 000000 3 . 000000 No hay lmite superior
Restriccin Lmite inferior Valor actual L mite superior
1 No hay lmite superior 125. 000000 250 . 000000

2 3 00 . 000000 35 0 . 000000 475 . 000000
3 4 75 . 000000 600 . 000000 700 . 000000
FIGURA 3.8 Solucin del problema de M&D Chemicals obtenida mediante TMS
(The Management Scientist) .
Volviendo de nuevo a la seccin de "Precios duales" del listado, y considerando el precio

dual para la restriccin de la produccin total (restriccin 2), el precio dual negativo indica
que la funcin objetivo no mejorarla si se aumenta en una unidad el valor del segundo
miembro . De hecho el precio dual de -4.00 indica que si se aumenta el lado derecho de
la restriccin de produccin total de 350 a 351 unidades, el valor de la funcin objetivo
empeorar en la cantidad de $4. Como empeorar significa un aumento en los costos, el
valor de la funcin objetivo se convertira en $800 + $4 = $804, si se realiza el aumento
de una unidad en el requerimiento de la produccin total.
Como el precio dual se refiere a un mejoramiento en el valor de la funcin objetivo
por cada incremento unitario en el lado derecho, no debe aumentarse el lado derecho de
una restriccin que tenga un precio dual negativo. De hecho, si el precio dual fuera negativo,
deben hacerse esfuerzos para reducir el lado derecho de la restriccin. Si se disminuyera
el lado derecho de la restriccin de produccin total de 350 unidades a 349 unidades, el
precio dual seala que se podra reducir el costo total en $4, para pasar a $800- $4 = $796.
La inerpretacin del precio dual es el mejoramiento que se da en la fmcin objetivo
por cada incremento unitario er.. el lado derecho de una restriccin. Sin embargo, como
se ha visto, la interpretacin de un mejoramiento en el valor de una funcin objetivo depen-
de de si se est resolviendo un problema de maximizacin o de minimizacin . El precio
dual de una restriccin de :5 siempre ser mayor que o igual a O, porque aumentar el segundo
miembro no puede hacer que empeore el valor de la funcin objetivo. De manera similar,
el precio dual para una restriccin de ~ siempre ser menor que o igual a O, porque el
incremento en el lado derecho no puede mejorar el valor de la funcin objetivo .
94 CAPTULO TRES
Debe advertirse que la interpretacin de los precios duales significa que para problemas
de maximizacin, tales precios y los precios de sombra son la misma cosa; en problemas
de minimizacin, tienen signos opuestos. Si se est utilizando un paquete de computacin
distinto, se debe verificar qu tipo de convencin y terminologa se est aplicando para
este tipo de informacin sobre anlisis de sensibilidad.
Finalmente, considrense los intervalos para el lado derecho que se presentan en la Fig.
3.8. En seguida se resumen los intervalos de factibilidad para el problema de M&D Chemicals.
Restriccin LDMn LD Mx
Demanda del producto 1 Ninguno 250

Requisito de la produccin total 300 475
Limitacin del tiempo de procesamiento 475 700
En tanto se mantengan los lados derechos dentro de los intervalos anteriores, son aplicables
los precios duales que se muestran en la lista de computadora. Se proceder ahora a revisar
la solucin por computadora y la interpretacin de los listados (o salida) para un programa
lineal con ms de dos variables de decisin.
NOTAS Y COMENTARIOS
l. Hay muchos paquetes de programas computacionales disponibles para resolver

programas lineales, La mayora de ellos proporcionan la solucin ptima, informa-
cin sobre precios duales o precios sombra, el intervalo de optimidad para los coefi-
cientes de la funcin objetivo y el intervalo de factibilidad para los lados derechos.
Los encabezados que se utilizan para los citados intervalos de optimidad y factibili-
dad pueden variar, pero el significado es el mismo que se ha descrito aqu.
2. En los casos en que los segundos miembros sean el punto final de su intervalo
de factibilidad, los precios duales y los precios sombra slo ofrecen informacin
unilateral. En este caso, solamente pronostican los cambios en el valor ptimo
de la funcin objetivo para cambios hacia el interior del intervalo.
3. Una condicin a la que se denomina degradacin (o degeneracin) puede ocasionar
una sutil diferencia en la forma en que se interpretan los cambios en los coeficientes
de la funcin objetivo, ms all de los extremos de los intervalos de optimidad.
Ocurre la degradacin cuando el precio dual es igual a cero para una de las restric-
ciones limitantes. La degradacin no afecta la interpretacin de los cambios hacia
el interior del intervalo de optimidad. Sin embargo, cuando se presenta la degenera-
cin, los cambios ms all de los extremos del intervalo no necesariamente signifi-
can que la solucin ptima ser distinta. Desde un punto de vista prctico, es necesario
resolver el problema cuando se dan cambios ms all de los extremos del intervalo
de optimidad.
4. La regla del lOOUJo permite realizar anlisis sobre cambios mltiples en los lados
derechos o sobre cambios mltiples en los coeficientes de la funcin objetivo. Pero
esta regla del lOOUJo no puede aplicarse a cambios simultneos en los coeficientes
de la funcin objetivo y en los lados derechos. Con el objeto de considerar cambios
simultneos tanto en los valores de segundo miembro como en los coeficientes
de la funcin objetivo, es necesario volver a resolver el problema.
3.4 MS DE DOS VARIABLES DE DECISIN

El procedimiento grfico de resolucin es til slo para programas lineales que tienen dos
variables de decisin. Los paquetes de programas de computacin estn diseados para
manejar programas lineales que contienen numerosas variables y restricciones. En esta sec-
cin se analiza el planteamiento y la solucin por computadora de un programa lineal con
cuatro variables de decisin. Como se ver, el mtodo para el planteamiento del problema
y para la solucin en computadora es esencialmente el mismo que el utilizado en problemas
con dos variables de decisin. Despus de obtener un planteamiento verbal del problema,
se definen las variables de decisin que permiten expresar la funcin objetivo y las restriccio-
nes correspondientes al problema en forma de un programa lineal. Una vez que se ha plan-
teado el problema, puede utilizarse un paquete de computacin para obtener la solucin
ptima.
EL PROBLEMA DE LA EMPRESA ELECTRONIC COMMUNICATIONS, INC.
Esta firma fabrica sistemas porttiles de radio-comunicacin que pueden utilizarse en co-
municaciones en dos sentidos. El nuevo producto de la compaa, que tiene un alcance
de hasta 25 millas, es particularmente apropiado para diversas aplicaciones personales y
de negocios. Los canales de distribucin para el nuevo equipo de radio son:
l. Distribuidores de equipos marinos

2. Distribuidores de equipos para negocios
3. Cadenas nacionales de tiendas al menudeo
4. Pedidos por correo
Debido a las diferencias en los costos de distribucin y de promocin, la redituabilidad

del producto vara segn el canal de distribucin. Adems, los costos de publicidad y los
esfuerzos personales de ventas que se requieren varan tambin segn los canales de distribu-
cin. En la Tabla 3.1 se resumen los datos de utilidades, de costos de publicidad y de esfuer-
zos personales de ventas para el problema de Electronic Communications. Otros datos
adicionales son que la empresa ha determinado que su presupuesto de publicidad debe ser
$5,000 y que hay un mximo de 1800 horas de tiempo disponible en el personal vendedor
para asignarlo al esfuerzo de ventas. Los administradores han decidido tambin fabricar
TABLA 3.1 Datos de utilidades, costo de publicidad y tiempo del personal de ventas
para el problema de Electronic Communications, Inc.
Costo de Labor del personal

Canal de Utilidad por publicidad por de ventas por
distribucin unidad vendida unidad vendida unidad vendida
Distribuidores de equipo marino $90 $10 2 horas

Distribuidores de equipos para negocios $84 $ 8 3 horas
Cadena nacional de tiendas de menudeo $70 $ 9 3 horas
Pedidos por correo $60 $15 Ninguna
96 CAPTULO TRES
exactamente 600 unidades para el periodo actual de produccin. Finalmente, un contrato

vigente con una cadena nacional de tiendas de menudeo exige que se distribuyan cuando
menos 150 unidades a travs de este canal.
La Electronic Communications, Inc. enfrenta ahora el problema de establecer la estrate-
gia que maneje la distribucin de sus equipos de manera que se maximice la redituabilidad
global de la fabricacin de los nuevos aparatos. Deben tomarse decisiones con respecto
a cuntas unidades debern asignarse a cada uno de los cuatro canales de distribucin,
as como tambin sobre la forma de asignar el presupuesto de publicidad y la fuerza de
ventas a cada uno de los cuatro canales de distribucin.
Planteamiento del problema de la Electronic Communications, lnc.
Para formular un modelo de programacin lineal para el problema se introducen las siguien-
tes cuatro variables de decisin:
x1 = nmero de unidades fabricadas para el canal de distribucin de equipo marino

x 2 = nmero de unidades fabricadas para el canal de distribucin del equipo de negocios
x3 = nmero de unidades fabricadas para el canal de distribucin de la cadena nacional
de tiendas de menudeo
x4 = nmero de unidades fabricadas para el canal de distribucin de pedidos por correo
Utilizando los datos de la Tabla 3.1, puede escribirse de la siguiente manera la funcin
objetivo para maximizar la utilidad correspondiente a los radios:
Se proceder a plantear las restricciones del problema. Como se ha fijado el presupuesto

de publicidad en $5,000, la restriccin que limita la cantidad de gastos de publicidad puede
escribirse de la siguiente manera:
De manera similar, como el tiempo de ventas est limitado a 1800 horas, se obtiene la restriccin
La decisin de los administradores de fabricar exactamente 600 unidades durante el actual

periodo de produccin se expresa como
Finalmente, para tomar en consideracin el hecho de que el nmero de unidades que se

distribuyan a travs de la cadena nacional de tiendas al menudeo debe ser de cuando menos
150, se aade la restriccin
PROGRAMACIN LINEAL: ANLISIS DE SENSIBILIDAD Y RESOLUCIN POR COMP:JTADORA 97
Combinando todas las restricciones con los requisitos de no negatividad se est en posibili-
dades de escribir el modelo completo de programacin lineal para el problema de Electronic
Communications, Inc., de la siguiente manera:
max 90x 1 + 84x2 + 70x3 + 60x4

sujeta a
IOX + 8x2 + 9x 3 + 15x4 :::=: 5000 Presupuesto de publicidad

2x + 3x 2 + 3x 3 ::::: 1800 Disponibilidad de la fuerza de ventas
IX + lx 2 + Ix 3 + lx4 = 600 Nivel de produccin
Ix 3 2= 150 Requisito de las tiendas de menudeo
X , X z, x3 , X 4 2= 0
Solucin por computadora e interpretacin del

problema de Electronic Communications, lnc.
Se muestra en la Fig. 3.9 una porcin de los resultados que se obtuvieron utilizando TMS,
o sea, The Management Scientist, para resolver el problema de Electronic Communications.
La seccin de "Valor de la funcin objetivo" muestra que la solucin ptima para el
problema arroja una utilidad mxima de $48,450. Los valores ptimos de las variables
de decisin estn dados por x 1 = 25, x 2 = 425, x 3 = 150, y x 4 = O. Por ello, la estrategia
ptima para la empresa consiste en concentarse en el canal de distribucin de equipo para
negocios, con x 2 = 425 unidades. Adems, la empresa debe asignar 25 unidades al canal
de distribuidores de equipo marino (x 1 = 25) y satisfacer su compromiso de 150 unidades
con el canal de distribucin de la cadena nacional de tiendas de ventas al menudeo (x3 =
150). Con x 4 = O, la solucin ptima indica que la empresa no debe utilizar el canal de
distribucin de pedidos por correo.
Obsrvese ahora la informacin contenida en la columna que tiene el encabezado "Cos-
tos reducidos". Debe recordarse que los costos reducidos indican cunto tendra que mejo-
rar cada uno de los coeficientes de la funcin objetivo antes de que la correspondiente
X1 25 . 00003 1 0.000000
X2 424.99 99 7 0 0.000000
X3 15 0 . 000000 0 . 000000
X4 0 . 000000 4 5 . 000000
Restriccin . Holgura / Excedente Precios duales
1 0 . 000000 3 . 000000
2 24 . 999 542 0 . 000000
3 0 . 000000 60 . 000000
4 0 . 000000 -1 7 . 000000
FIGURA 3.9 Una porcin del listado de computacin que se obtiene mediante
TMS, o The Management Scientist, para el problema de
Electronic Communications, Inc.
98 CAPTULO TRES
variable de decisin pueda tomar un valor positivo en la solucin ptima. Como aparece
en el listado de la computadora, los primeros tres costos reducidos son cero, puesto que
las correspondientes variables de decisin ya tienen valores positivos en la solucin ptima.
Sin embargo, el costo reducido de 45 para la variable de decisin x 4 indica que tendra
que aumentar la utilidad para los nuevos radios que se distribuyen a travs de los pedidos
por correo, de su valor actual de $60 por unidad, hasta cuando menos $60 + $45 = $105
por unidad, antes de que sea redituable utilizar este canal de distribucin. La informacin
del listado de la computadora para las variables de holgura/excedente, y los precios duales,
se replantea en la siguiente tabla.
Nmero de Tipo de Holgura o

restriccin Nombre de la restriccin restriccin excedente Precio dual
1 Presupuesto de publicidad :S o 3
2 Disponibilidad de fuerza de ventas :S 25 o
3 Nivel de produccin o 60
4 Requerimiento de las tiendas de menudeo ~ o -17
Se observa que la restriccin del presupuesto de publicidad tiene holgura nula, lo cual
seala que se ha utilizado la totalidad del presupuesto: $5,000. El correspondiente precio
dual de 3 indica que con un dlar que se aada al presupuesto de publicidad mejorar
la funcin objetivo (aumentar las utilidades) en $3. Por ello, la empresa debe considerar
seriamente la posibilidad de incrementar el presupuesto de publicidad. La holgura de 25
horas para la restriccin sobre la disponibilidad de la fuerza de ventas muestra que las
1800 horas del tiempo de ventas que se asignaron, son adecuadas para distribuir los radios
que se van a fabricar y que, an as, habr 25 horas de ese tiempo de la fuerza de ventas
que no se utilizarn. Como la restriccin del nivel de produccin es una igualdad, eran
de esperar los ceros, para holgura y excedente que se muestran en el listado. Sin embargo,
el precio dual de 60 correspondiente a esta restriccin indica que si la empresa aumenta
el nivel de produccin para los radios, mejorara el valor de la funcin objetivo (las utilida-
des) a razn de $60 por radio que se fabrique. Finalmente, el excedente de cero correspon-
diente al compromiso con el canal de distribucin de tiendas al menudeo es resultado de
que la restriccin es limitante. El precio dual negativo indica que aumentar el compromiso
de 150 a 151 unidades en realidad har que disminuyan las utilidades en $17. Por ello,
es posible que la firma Electronic Communications desee evaluar la reduccin de su compro-
miso con el canal de distribucin de ventas al menudeo. De hecho, una disminucin en
este compromiso mejorara las utilidades a razn de $17 por unidad.
Considrese ahora la informacin adicional sobre anlisis de sensibilidad que se presenta
en el listado de computadora de la Fig. 3 .10. Los intervalos de optimidad para los coeficien-
tes de la funcin objetivo son:
84 ::5 e, < No hay lmite superior

50 ::5 c2 ::5 90
No hay lmite inferior < cJ ::5 87
No hay lmite inferior < c4 ::5 105
Varia ble Lmite inferior Valor actual Lmite superior
X1 84.000000 90.000000 No hay lmite superior

X2 50.000011 84 . 000000 90 . 000000
X3 No hay lmite inferior 70.000000 87.000000
X4 No hay lmite superior 60 . 000000 105 . 000000
1 4950 . 001000 5000.000000 5850 . 000000

2 177 5. 000490 1800 . 000000 No hay lmite superior
3 515 . 000000 600 . 000000 603 . 571350
4 0 . 000000 1 50 . 000000 199 . 999100
FIGURA 3.1 O Intervalos de los coeficientes de la funcin objetivo y de los lados
derechos que se obtienen mediante The Management Scientist
para el problema de Electronic Communications, Inc.
La solucin -o estrategia- actual sigue siendo ptima, siempre y cuando los coeficientes
de la funcin objetivo permanezcan dentro de los intervalos anteriores de optimidad. Obsr-
vese en particular el intervalo de optimidad correspondiente al coeficiente del canal de distri-
bucin de pedidos por correo, c4 Esta informacin es congruente con la anterior
observacin que se hizo para la parte " Costos reducidos" del listado. En ambos lados
se observa que tendra que aumentar la utilidad por unidad hasta $105 antes de que el
canal de distribucin de ventas por correo pudiera aparecer con valor positivo en la solucin
ptima.
Finalmente, la informacin de anlisis de sensibilidad sobre "INTERVALOS DEL LA-
DO DERECHO" que se presenta en la Fig. 3. 10, proporciona los intervalos de factibilidad
para los valores del segundo miembro.
Restriccin LD Mo Valor actual LD Mx
Presupuesto de publicidad 4950 5000 5850

Fuerza de ventas 1775 1800 No hay lmite superior
Nivel de produccin 515 600 603.57
Requerimiento de las tiendas de menudeo o 150 200
Es posible formular varias interpretaciones de los intervalos anteriores. En particular,

recurdese que el precio dual para el presupuesto de publicidad permiti concluir que cada
aumento de $1 en el presupuesto mejorara la utilidad en $3. El anterior margen para el
presupuesto de publicidad indica que este planteamiento acerca del valor de los aumentos
en el presupuesto es apropiado hasta para un presupuesto de $5,850. Los incrementos por
encima de este nivel no necesariamente seran provechosos. Ntese tambin que el precio
dual de -17 para el requisito de las tiendas al menudeo sugera la deseabilidad de reducir
100 CAPTULO TRES
tal compromiso. El intervalo de factibilidad que se muestra en la tabla anterior para esta
restriccin, muestra que el compromiso se podra reducir a cero y el valor de la reduccin
se dara a razn de $17 por unidad.
Es de indicar de nuevo que el anlisis de sensibilidad o anlisis de post-optimidad que
se ofrece en los paquetes de programas de computadora para problemas de programacin
lineal, considera solamente un cambio a la vez, manteniendo todos los dems coeficientes
del problema segn se especifkan en su planteamiento original. Como se mencion antes,
en ocasiones pueden analizarse cambios simultneos sin tener que volver a resolver el pro-
blema, suponiendo que los cambios acumulados no son suficientemente grandes para in-
fringir la regla del 1OOOJo.
Finalmente, conviene recordar que la solucin completa para el problema de Electronic
Communications requera informacin no slo sobre el nmero de unidades que deban
distribuirse a travs de cada canal, sino tambin sobre la asignacin del presupuesto de
publicidad y sobre la fuerza de ventas a cada canal de distribucin. Como la solucin ptima
es x 1 = 25, x 2 = 425, x 3 = 150 y X 4 = O, puede simplemente evaluarse cada uno de los
trminos para una constante determinada a fin de determinar qu proporcin del recurso
se asigna a cada canal de distribucin. Por ejemplo, la restriccin sobre el presupuesto
de publicidad,
muestra que 10x1 = 10(25) = $250, 8x2 = 8(425) = $3400, 9x3 = 9(150) = $1350, y 15x4
= 15(0) = $0. Por ello, las asignaciones del presupuesto de publicidad son, respectivamen-
te, $250, $3,400, $1,350 y $0 para cada uno de los cuatro canales de distribucin. Haciendo
clculos similares para la restriccin sobre la fuerza de ventas se obtienen los resultados
que se presentan en el reporte gerencial de la solucin ptima para el problema de Electronic
Communications que se muestra en la Tabla 3.2.
TABLA 3.2 Estrategia de maximizacin de utilidades para el problema

de Electronic Communications, Inc .
Canal de Asignacin de Asignacin de personal

distribucin Volumen publicidad de ventas (horas)
Distribuidores de equipo marino 25 $ 250 50

Distribuidores de equipo para negocios 425 3400 1275
Cadena nacional de tiendas de menudeo 150 1350 450
Pedidos por correo o o o
Totales 600 $ 5000 1775
Utilidad total que se proyecta = $48,450
RESUMEN
En este captulo se presentaron los importantes conceptos de anlisis de sensibilidad y se
ilustr la forma en que pueden utilizarse paquetes de programas de computacin (software)
para resolver problemas de programacin lineal. En primer lugar se llev a cabo un anlisis
grfico de sensibilidad con objeto de ilustrar la forma en que un cambio en un coeficiente

de la funcin objetivo, o en el lado derecho de una restriccin, puede afectar a la solucin
ptima del problema. Se presentaron mtodos para determinar los intervalos de optimidad
para los coeficientes de la funcin objetivo y para los intervalos de optimidad de los lados
derechos de las restricciones. Se expuso el concepto de precio sombra como medida del
cambio en el valor de la funcin objetivo para un aumento unitario en el lado derecho
de una restriccin. En casos en los que la restriccin implica un lmite sobre un recurso
disponible, el precio sombra ofrece una informacin importante que ayuda a determinar
la deseabilidad de obtener unidades adicionales de ese recurso . El precio dual ofrece esen-
cialmente la misma informacin sobre el mejoramiento que se obtiene en el valor ptimo
de la funcin objetivo por cada incremento unitario en el lado derecho de una restriccin.
Los precios sombra y duales son iguales en los problemas de maximizacin; en el caso
de problemas de minimizacin, son iguales en valor absoluto pero tienen signos opuestos .
El anlisis de sensibilidad se lleva a cabo despus de que se obtiene la solucin ptima
para el problema original de programacin lineal. Por esta razn, con frecuencia se denomi-
na anlisis de post-optimidad al anlisis de sensibilidad. Los procedimientos normales del
anlisis de sensibilidad se basan en el supuesto de que slo cambia uno de los coeficientes
del problema; se supone que todos los dems coeficientes se mantienen constantes en su
valor inicial. Es posible realizar un anlisis limitado de sensibilidad sobre el efecto que
se obtiene al variar ms de un coeficiente a la vez. Puede determinarse el efecto de los
cambios en ambos coeficientes de una funcin objetivo en un problema de dos variables
volviendo a calcular la pendiente (-c/ c). En el caso de problemas ms grandes, puede
determinarse el efecto de los cambios simultneos utilizando la regla del 10007o.
Como los mtodos grficos y el anlisis grfico de sensibilidad se limitan a programas
lineales con slo dos variables de decisin, se present un procedimiento de solucin me-
diante computadora, en calidad de mtodo prctico para resolver problemas de progra-
macin lineal con cualquier nmero de variables de decisin. Aunque existen disponibles
muchos paquetes de computacin (software) para obtener soluciones computadorizadas,
se utiliz The Management Scientist para mostrar las soluciones de programacin lineal
en microcomputadora. Se ilustr luego el aspecto "amistoso con el usuario" de la introduc-
cin de datos. Despus se mostraron los resultados computadorizados para tres problemas
de ejemplo con objeto de ilustrar el uso y la interpretacin de los resultados . Adems del
valor de la funcin objetivo y de los valores ptimos de las variables de decisin, los listados
de computadora presentan diversas informaciones adicionales referentes a holguras, excedentes
y precios duales, as como tambin sobre los intervalos o mrgenes de los coeficientes de la
funcn objetivo y los intervalos de los lados derechos . En el apndice de este captulo se
muestra la forma en que se utiliza el frecuente utilizado paquete de computacin LINDO/ PC,
elaborado por Linus E. Schrage, de la Universidad de Chicago .
GLOSARIO
Anlisis de post-optimidad Otro nombre para el anlisis de sensibilidad, que indica que
el anlisis se lleva a cabo despus de que se obtiene la solucin ptima para el problema
original de programacin lineal. .
Anlisis de sensibilidad Evaluacin de la forma en que los cambios en los coeficientes
de un problema de programacin lineal afectan a la solucin ptima del problema.
102 CAPTULO TRES
Costo reducido Monto en que tendran que mejorar un coeficiente de la funcin objetivo
(aumentar para un problema de maximizacin, o disminuir en el caso de un problema
de minimizacin) antes de que fuera posible que la correspondiente variable asumiera
valores positivos en la solucin ptima.
Intervalo de optimidad El intervalo (o "rango") de valores sobre el que puede variar un
coeficiente de la funcin objetivo sin ocasionar cambios en los valores de las variables
de decisin en la solucin ptima.
Precio dual Mejoramiento en el valor de la funcin objetivo por cada incremento unitario
en el lado derecho de una restriccin. En un problema de maximizacin el precio dual
es el mismo que el precio sombra. En un problema de minimizacin el precio dual
es el negativo del precio sombra .
Precio sombra (o de sombra) Cambio en el valor de la funcin objetivo por cada aumento
unitario en el lado derecho de una restriccin.
Rango de factibilidad El rango de valores sobre los que puede variar el lado derecho de
una restriccin sin que cambie ni el valor ni la interpretacin de los precios sombra o duales.
Regla del lOO por ciento Una regla que seala los casos en los que cambios simultneos
en dos o ms coeficientes de la funcin objetivo no ocasionan cambios en los valores
ptimos de las variables de decisin . Tambin se puede aplicar para sealar los casos
en los que cambios en dos o ms lados derechos no ocasionan cambios en ninguno
de los precios duales.
PROBLEMAS
l. Recurdese el problema de la compaa RMC (Cap. 2, Probl. 31). Sean
x1 toneladas de aitivo de combustible producidas

x2 toneladas de base disolvente producidas
lo cual conduce al siguiente planteamiento del problema:
max 40x 1 + 30x 2

sujeta a
2/sx
1 + l/zx2 ~ 20 Material 1
YsX2 ~ 5 Material 2
3/sX 1 + 3fwx 2 ~ 21 Material 3
x 1, x 2 :2: O
Utilice el mtodo grfico de anlisis de sensibilidad para determinar qu intervalos
de valores de las utilidades por tonelada de aditivo para combustibles y de base disolven-
te pueden existir sin que esto ocasione que se modifique la solucin ptima actual de
la RMC, que era de 25 toneladas de aditivo de combustible y 20 toneladas de base
disolvente.
2. Utilice el mtodo del anlisis grfico de sensibilidad en el caso de la RMC para determi-
nar qu es lo que sucede si se tienen disponibles 3 toneladas adicionales del material
3. Cul es el correspondiente precio sombra?
3. Considrese el programa lineal que aparece en seguida

max 2x + 3x2
sujeta a
X + Xz S 10
2x + Xz ::::: 4
X + 3x2 s 24
2x + x2 s 16
x 1 , x2 ::::: O
a. Resuelva este problema aplicando el procedimiento grfico de solucin.
b. Determine el intervalo de optimidad para c 1
c. Determine el intervalo de optimidad para c2
d. Supngase que se aumenta c 1 de 2 a 2.5. Cul es la nueva solucin ptima?
e. Supngase que se reduce c2 de 3 a l. Cul es la nueva solucin ptima?
4. Con referencia al problema 3.
a. Calcule los precios sombra para las restricciones 1 y 2, e interprtelos.
b. Cules son los precios duales para las restricciones 1 y 2? Interprtelos.
5. Considrese el progral!la lineal que aparece en seguida:
min X + x2
sujeta a
X + 2x2 2::: 7
2x + Xz ::::: 5
X + 6x 2 2::: 11
x 1,x2 2:0
a. Resuelva este problema utilizando el mtodo grfico de solucin.
b. Determine el intervalo de optimidad para c 1
c. Determine el intervalo de optimidad para cr
d. Suponga que se aumenta c 1 a 1.5. Obtenga la nueva solucin ptima.
e. Supngase que se disminuye c2 a 113. Obtenga la nueva solucin ptima.
6. Con referencia al Problema 5,
a. Calcular e interpretar los precios sombra para las constantes.
b. Cules son los precios duales? Interpretarlos.
7. Considrese el programa lineal que aparece en seguida:
max 5x 1 + 7x2
sujeta a
2x + x2 2::: 3
-x + 5x2 ::::: 4
2x 1 3x2 s 6
3x 1 + 2x2 s 35
3/7X + X2 S lO
x 1, x2 ::::: O
104 CAPTULO TRES
a. Resuelva este problema utilizando el mtodo grfico de solucin.

b. Determine el intervalo de optimidad para e 1
c. Determine el intervalo de optimidad para e2
d. Supngase que se disminuye e, a 2. Cul es la nueva solucin ptima?
e. Supngase que se aumenta e2 a 10. Cul es la nueva solucin ptima?
8. Haciendo referencia de nuevo al Problema 7, y suponiendo que se reduce a 3 el coefi-
ciente de e2 en la funcin objetivo:
a. Resulvalo utilizando el procedimiento grfico de solucin ptima.
b. Calcule los precios duales para las restricciones 2 y 3.
9. En referencia otra vez al problema 3.
a. Considere que se aumentan e 1 a 3 y e2 a 4. Obtenga la nueva solucin ptima.
b. Supngase que se aumenta e 1 a 3 y que se disminuye e2 a 2. Halle la nueva solucin
ptima.
10. Haciendo referencia de nueva cuenta al Problema 7.
a. Considere que se disminuye e 1 a 4 y que se aumenta e2 a 10. Obtenga la nueva solu-
cin ptima.
b. Considere que se disminuye e, a 4 y que se aumenta e2 a 8. Obtenga la nueva solu-
cin ptima.
c. Suponga que se aumentan e 1 a 20 y e2 a 28. Obtenga la nueva solucin ptima.
11. Recurdese el problema de la empresa Kelson Sporting Equipment (Cap. 2 Probl. 17).
Sean
x1 cantidad de guantes normales
x2 cantidad de guantes para eateher
lo cual conduce al siguiente planteamiento :
max 5x 1 + 8x2
sujeta a
x1 + J/2 x 2 ::s 900 Corte y costura
Y2x 1 + 1/J x2 ::s 300 Terminado
1/s x + 1/ 4x ::s 100 Empaque y embarque
1 2
La solucin por computadora que se obtuvo utilizando el paquete TMS o The Manage-
ment Scientist, se muestra en la Fig. 3.11.
a. Cul es la solucin ptima y cul es el valor de la contribucin a las utilidades?
b. Qu restricciones son limitantes?
c. Cules son los precios duales para los recursos? Interprete cada uno.
d. Si se puede programar tiempo extra para uno de los departamentos, en dnde reco-
mendara que se hiciera?
12. Con referencia de nuevo a la solucin por computadora para el problema de la Kelson
Sporting Equipment, de la Fig. 3.11 (vase el Problema 11 anterior).
a. Determine los intervalos de optimidad para los coeficientes de la funcin objetivo.
b. Interprete los mrgenes de la parte {a) para el problema de la Kelson.
c. Interprete el intervalo de factibilidad para los lados derechos.
d. Cunto mejorara de la solucin ptima si se dispone de 20 horas de tiempo de
empaque y embarque.
X1 500 . 001500 0 . 000000

X2 149 . 999298 0 . 000000
Restriccin Holgura/ Excedente Precios duales
1 174.99963 4 0 . 000000
2 0.000000 2 . 999985
3 0 . 000000 28 . 000061
Variable L.:nite inferior Valor actual Lmite superior
X1 4 .000000 5 . 000000 12 . 000120

X2 3 . 333300 8 . 000000 10.000000
1 725 . 000370 900 . 000000 No hay lmite superior

2 133 . 332016 300 . 000000 400 . 000000
3 7 4. 999992 100 . 000000 134 . 999817
FIGURA 3.11 Solucin de The Management Scientist para el problema de la compaa

Kelson Sporting Equipment.
13. Recurdese el problema del asesor de inversiones (Cap. 2, Probl. 20) . Sean
x1 = acciones de U.S. Oil
x 2 = acciones de Hub Properties
lo cual conduce al siguiente planteamiento:
max 3x 1 + Rendimiento anual mximo

sujeta a
25x 1 + 50x 2 s 80,000 Fondos disponibles
700 Riesgo mximo
s 1000 Mximo en la U.S. Oil
En la Fig. 3.12 se muestra la solucin por computadora de este problema.

a. Cul es la solucin ptima y cul el valor del rendimiento anual total estimado?
b. Qu restricciones son limitantes? Cul es la interpretacin de stas en trminos
del problema?
c. Cules son los precios duales para las restricciones? Interprete uno.
d. Sera provechoso relajar la restriccin sobre la cantidad que se invierte en la firma
U.S. Oil? Por qu s o por qu no?
106 CAPTULO TRES
Valor de la funcin objetivo 8399 .999000
Xl 800.000120 0 . 000000
X2 1199 . 999880 0 . 000000
1 0.000000 0 . 093333
2 0.000000 1. 333333
3 199.999878 0 . 000000
Variable Lmite inferior Valor actual L_~ite superior

-------------- ----- - ----------- ---------------- ---------------
Xl 2 . 500000 3 . 000000 10 . 000000
X2 l . 500000 5. 000000 6 . 000000
1 65000 . 008000 80000 . 000000 1 4 0000 . 0 1 6000

2 399 . 999970 700.000 0 00 77 4. 9999 4 0
3 800 . 000120 1000 . 000000 No hay lmite superior
FIGURA 3.12 Solucin de The Management Scientist para

el problema de Investment Advisors.
14. Haciendo referencia de nueva cuenta a la Fig. 3 .12, que muestra la solucin por compu-
tadora del problema 13.
a. Cunto tendra que aumentar el rendimiento estimado para la U .S. Oil antes de
que resultara provechoso aumentar la inversin en estas acciones?
b. Cunto tendra que disminuir el rendimiento esperado por accin para Hub Porper-
ties antes que resultara provechoso reducir la inversin en estas acciones?
c. Cunto tendra que reducirse el rendimiento anual total si se redujera el mximo
para la U.S. Oil, a 900 acciones?
15. Recurdese el problema de la firma Wilkinson Motors (Cap. 2, Probl. 29). Sean
x1 nmero de automviles
x2 nmero de camionetas

max 400x 1 + 500x2 Contribucin mxima de utilidades
sujeta a
3x2 ::::; 900 Tiempo de preparacin en la distribuidora
::::; 300 Lmite de automviles
Ix 2 ::::; 150 Lmite de camionetas
X1 300.000000 0 . 000000
X2 100.000000 0.000000
1 0.000000 166 . 666672

2 0.000000 66 . 666656
3 50.000000 0 . 000000
X1 333 . 3333 40 4 OO . OOOOOO No hay lmite superior

X2 0 . 000000 500 . 000000 600.000000
1 600.000000 900.000000 1050.000000

2 225.000000 300.000000 450.000000
FIGURA 3.13 Solucin de The Management Scientist para

el problema de Wilkinson Motors.
En la Fig. 3.13 se muestra la solucin por computadora de este problema.

a. Cuntos automviles normales y cuntas camionetas debe pedir la Wilkinson? Cul
ser la contribucin a las utilidades si se venden todas las unidades que se piden?
b. Cunto tendra que disminuir la contribucin a las utilidades de los automviles
normales antes de que la Wilkinson evaluara la posible modificacin de su solucin
ptima?
c. Puede la empresa considerar un aumento en el lmite de las camionetas que se piden,
por encima de 150?
d. Si se reduce en $30 la contribucin a las utilidades de los automviles normales y
se aumenta en $50 la contribucin a las utilidades de las camionetas, debera la
compaa evaluar la posibilidad de cambiar el pedido? Explique.
16. Recurdese el problema de la compaa Innis Investments (Cap. 2, Probl. 27) . Sean
x1 = unidades compradas en el fondo de acciones
x 2 = unidades compradas en el fondo de mercado de dinero
min 8x 1 + 3x2
sujeta a
50x 1 + 100x2 :s 1,200,000 Fondos disponibles
5x 1 + 4x2 2= 60,000 Ingreso anual
x2 2= 3,000 Mnimo de unidades en el mercado
X 1 , x 2 2= 0 de dinero
108 CAPTULO TRES
En la Fig. 3.14 se muestra la solucin por computadora.

a. Cul es la solucin ptima y cul es el riesgo mnimo total?
b. Especifique el intervalo de optimidad para los coeficientes de la funcin objetivo .
c. Cul ser el ingreso anual que se obtenga con esa cartera?
d. Cul es la tasa de rendimiento de la cartera?
e. Cul es el precio dual para la restriccin de los fondos disponibles?
f. Cul es la tasa marginal de rendimiento sobre los fondos extra que se incluyen
en la cartera?
17. Con referencia de nuevo al Probl. 16 y a la solucin por computadora que se muestra
en la Fig. 3.14:
a. Supngase que aumenta el ndice de riesgo para el fondo de acciones (el valor de
c 1) , de su valor actual de 8, hasta 12. De qu manera cambia la solucin ptima,
si es que cambia?
b. Supngase que aumenta el ndice de riesgo para el fondo de mercado de dinero (el
valor de c2) de su valor actual de 3, a 3.5. De qu manera vara la solucin ptima
si es que lo hace?
c. Supngase que se aumenta c 1 a 12 y c2 a 3.3. Como cambia la solucin ptima,
si es que lo hace?
X1 3999 . 998000 0 . 000000

X2 10000 . 002000 0 . 000000
1 0 . 000000 0 . 056667
2 0 . 000000 - 2 . 166667
3 7000 . 002000 0 . 000000
Xl 3 . 750000 8 . 000000 No hay lmite inferior

X2 No hay lmite sup13rior 3. 000000 6 . 400000
1 779999 . 880000 1200000 . 000000 14 99999 . 7 5 0000

2 4 8000 . 008000 6 0000.000000 102000 . 016000
3 No hay lmite superior 3000 . 000000 1 0000 . 00 2 000
FIGURA 3. 14 Solucin de The Management Scientist para

el problema de Innis Investments.
18. Supngase que en un problema de mezcla de productos x 1 , x 2 , x 3 , y x 4 indican las uni-

dades de los productos 1, 2, 3 y 4, respectivamente, y que el programa lineal es
max 4x 1 + 6x 2 + 3x3 + lx 4
sujeta a
1.5X + 2x 2 + 4x 3 + 3x4 ::5 550 Horas en la mquina A
4x 1 + lx 2 + 2x3 + 1x4 ::5 700 Horas en la mquina B
2x + 3x2 + lx 3 + 2x4 ::5 200 Horas en la mquina C
x 1 , x2 , x 3 , x4 2: O
En la Fig. 3. 15 se muestra la solucin por computadora que se obtiene utilizando

The Management Scientist.
a. Cul es la solucin ptima y cul es el valor de la funcin objetivo?
b. Cules restricciones son limitantes?
c. Qu mquinas tienen disponible capacidad en exceso? Qu tanta?
d. Si se aumenta en 0.50 el coeficiente de c 1 de la funcin objetivo, cambia la solu-
cin ptima?
Valor de 1a funcin objetivo 525 .000000
X1 0 . 000000 0 . 0 5 0000
X2 2 5. 00000 4 0.000000
X3 1 2 5. 000000 0 . 000000
X4 0 . 000000 3 .5 00000
Restriccin Holgura t Excedente Precios duales
1 0 . 000000 0.300000
2 425. 000000 0.000000
3 0.000000 1 .800000

variable Lmite inferior Valor actual Limite superior
X1 No hay lmite inferior 4. 000000 4. 0 5 000 0

X2 5.923 0 77 6. 0 0 0000 9.0 000 00
X3 2.0 00 00 0 3.000 000 12.00 0 000
X4 No hay lmite inferior 1. 000 0 00 4.5 0000 0
1 133.333344 55 0 . 00 0 000 800 . 000000

2 2 7 5 .00 00 00 700 . 000000 No hay lmite superior
3 1 3 7.5 0 000 0 2 00 . 000 0 00 82 4. 9999 4 0
FIGURA 3.15 Solucin para el problema 18 obtenido mediante

110 CAPTULO TRES
19. Con referencia de nuevo a la solucin por computadora del Probl. 18 que aparece
en la Fig. 3.15.
a. Identifique el intervalo de optimidad para cada uno de los coeficientes de la funcin
objetivo.
b. Supngase que se disminuye en 3 el coeficiente de x 1 en la funcin objetivo, que
se aumenta en 1.5 el coeficiente de x2 en dicha funcin y que se aumenta en 1 el
coeficiente de x4 en la misma funcin. Cul ser la nueva solucin ptima?
c. Identifique el intervalo de factibilidad para los valores del lado derecho.
d. Si se aumenta en 300 el nmero de horas disponibles en la mquina A, cambia
el precio real para la restriccin?
20. Considrese el siguiente problema de programacin lineal y la solucin por computado-
ra que se muestra en la Fig. 3.16
min 15x 1 + I5x2 + 16x3
sujeta a
lx 1 + Ix3 :::5 30
0.5x 1 Ix 2 + 6x 3 :::=: 15
3x 1 + 4x 2 Ix 3 :::=: 20
Xl 7.297298 0.000001
X2 0.000000 0.675674
X3 l. 891892 0.000001
Restriccin Holgura/Exc~dente Precios duales
1 20.810810 0.000000
2 0.000000 -3.405406
3 0.000000 -4.432433
INTERVALOS DE LOS COEFICIENTES DE LA FUNCIN OBJETIVO
Variable ! Lmite inferior Valor actual 1e Limite superior
Xl 1.333333 15.000000 15.543477

X2 14.324326 15 . OOOOOO No hay lmite superior
X3 13.500005 16.000000 180.000000
Restriccin Lmite inferior Valor actual 1e Lmite superior

2 3.333333 15.000000 111.249992
3 -2.500000 20.000000 89.999992
FIGURA 3.16 Solucin del problema 20 obtenido mediante The Management Scientist.
a. Cul es la solucin ptima y cul el valor ptimo para la funcin objetivo?

b. Cules restricciones son limitantes?
c. Cules son los precios duales? Interprete cada uno.
d. Cules son los precios sombra?
e. Si se pudiera modificar el segundo miembro de una restriccin en una unidad, cul
eligira? Cul sera el nuevo valor del lado derecho?
21. Con referencia de nuevo a la solucin por computadora del Probl. 20 que aparece
en la Fig. 3.16,
a. Interprete los rangos de optimidad para los coeficientes de la funcin objetivo.
b. Supngase que se incrementa c1 en 0.25. Cul es la nueva solucin ptima?
c. Supngase que se aumenta c 1 en 0.25 y que se disminuye c2 en 0.25 Cul es la nue-
va solucin ptima?
22. La firma Supersport Football, lnc., tiene el problema de determinar el mejor nmero
de modelos de balones de ftbol americano que debe fabricar para maximizar sus utili-
dades. Los modelos son All-Pro (x1), College (x) y High School (x3); las restricciones
incluyen limitaciones sobre la capacidad de produccin (minutos de tiempo disponible)
en cada uno de tres departamentos (corte y teido, costura e inspeccin y empaque),
as como tambin una restriccin que exige que se fabriquen cuando menos 100 pelotas
All-Pro. El modelo de programacin lineal para el problema de la Supersport es el
que se muestra en seguida:
max 3x 1 + 5x2 + 4x3

sujeta a
12x + 10x2 + 8x3 $ 18,000 Corte y teido
15x 1 + 15x2 + 12x3$ 18,000 Costura
3x 1 + 4x2 + 2x3 $ 9,000 Inspeccin y embalaje
1x 1 2:: 1,000 Modelo All-Pro
X, Xz, x3 2::
En la Fig. 3.17 se muestra el listado de computadora con la solucin para el problema

de la Supersport.
a. Cuntos balones de cada tipo debe fabricar con objeto de maximizar la contribu-
cin a las utilidades?
b. Qu restricciones son limitantes?
c. Interprete la holgura y/o el excedente en cada restriccin.
d. Interprete el intervalo de optimidad para la contribucin a las utilidades de los tres
balones.
23. Con referencia de nuevo a la solucin por computadora del Probl. 22: (vase la figura 3.17)
a. Las tarifas para el tiempo extra en el departamento de costura son de $12 hora.
Recomendara usted que la compaa evale la posibilidad de utilizar el tiempo
extra en ese departamento? Explicar
b. Cul es el precio sombra para la cuarta restriccin? Interpretar su valor para la
administracin.
c. Obsrvese que el costo reducido para x 3 es cero, pero x 3 no se encuentra en la solu-
cin con valor positivo. Qu interpretacin se da a esto?
d. Supngase que se aumenta en $1la contribucin a las utilidades del baln tipo Colle-
ge. Cmo se esperara que cambie la solucin?
112 CAPTULO TRES
X1 1000 . 000000 0.000000

X2 200.000122 0.000000
X3 0 . 000000 0 . 000000
1 4000.000000 0 . 000000
2 0.000000 0 . 333333
3 5199 . 999 5 00 0 . 000000
4 0 . 000000 -2 . 000000
INTERVALOS DE LOS COEFICIENTES DE LA FUNCIN OBJETIVO

Variable Lmite inferior Valor actual 1e Lmite superior
X1 No hay lmite inferior 3 . 000000 5. 000000

X2 5. 000000 5 . 000 00 0 No hay lmite superior
X3 No hay lmite superior 4. 0 0 0000 4. 000000
Restriccin Lmite inferior Valor actual te Lmite superior
1 1 4 000 . 000000 1800 0 .00 0000 No hay lmite superior

2 1 4999 . 998000 18 000 .00 00 0 0 2 4 000 . 000000
3 3800 . 000500 900 0 .000 0 0 0 No hay lmite inferior
4 0 . 000000 10 0 0. 0 0 0000 1 200 . 000 1 20
FIGURA 3.17 Solucin del problema de Supersport Footballs obtenido mediante

Nota: Los Problemas 24 y 25 y el caso del final requieren de una solucin por computa-
dora y de la interpretacin de los resultados .
24. Un fabricante elabora tres componentes que vende a compaas de refrigeracin, los
cuales se procesan en dos mquinas: una cepilladora y una rectificadora. Los tiempos
(en minutos) que se requieren en cada mquina son los que se presentan en seguida:
Mquina-herramienta
Componente Cepilladora Rectificadora
1 6 4
2 4 5
3 4 2
La cepilladora est disponible durante 120 horas y la rectificadora lo est durante 110
horas . No se pueden vender ms de 200 unidades del componente 3, pero pueden ven-
derse hasta 1000 unidades de cada uno de los otros componentes. De hecho, la compa-
a ya tiene pedidos para 600 unidades del componente 1 que debe satisfacer. Las
contribuciones a las utilidades de los componentes 1, 2 y 3 son $8, $6 y $9, respectivamente.
a. Plantee el problema y determine las cantidades de produccin que se recomiendan.

Utilice cualquier programa de computacin disponible.
b. Cules son los intervalos de optimidad para las contribuciones a las utilidades de
los 3 componentes? Interprete estos mrgenes para los administradores de la compaa
c. Cules son los intervalos de factibilidad para los lados derechos? Interprete estos
intervalos para los administradores de la compaa.
d. Si se pudiera tener a disposici.n ms tiempo en la cepilladora, cunto valdra?
e. Si se pudieran vender ms unidades del componente 3 reduciendo su precio de venta
en $4, debera la compaa reducir el precio?
25. La firma Pfeiffer Company administra aproximadamente 15 millones de dlares para
sus clientes . La empresa elige, para cada cliente, una mezcla de tres tipos de inversin:
un fondo de acciones de crecimiento, un fondo lquido y un fondo de mercado de
dinero. Cada uno de los clientes tiene diferentes objetivos de inversin y distinta tole-
rancia para los riesgos. Con objeto de ajustarse a estas diferencias, Pfeiffer limita el
porcentaje de cada cartera que se pueda invertir en los tres fondos y le asigna un ndice
de riesgo de cartera a cada cliente.
En seguida se plantea la forma en que funciona el sistema para Dennis Hartmann,
uno de los clientes de la empresa. Con base en la evaluacin que se hace sobre la toleran-
cia al riesgo de Hartmann, la Pfeiffer le ha asignado a su cartera un ndice de riesgo
de .05 . Adems, para mantener la diversidad, la fraccin de la cartera de Hartmann
que se invierte en los fondos de crecimiento y lquido debe ser de cuando menos 100Jo
de cada uno, y se debe invertir cuando menos 20% en el fondo de mercado de dinero.
Las calificaciones de riesgo para los fondos de crecimiento, lquido y de mercado
de dinero son 0.10, 0.05 y 0.01, respectivamente. Se calcula un ndice de riesgo de
cartera como promedio ponderado de las calificaciones de riesgo para los tres fondos,
en donde los pesos son las fracciones de la cartera que se invierten en cada uno de
los fondos. Hartmann ha depositado con Pfeiffer $300,000 para que los administre.
La Pfeiffer pronostica en esos momentos un rendimiento de 20% para el fondo de
crecimiento, de 10% sobre el fondo lquido, y de 6% sobre el fondo de mercado de dinero .
a. Desarrolle un modelo de programacin lineal para elegir la mejor mezcla de inversio-
nes para la cartera de Hartmann.
b. Utilice cualquier programa de programacin para resolver el modelo que se desarro-
ll en la parte (a).
c. Cunto pueden variar los rendimientos de los tres fondos antes de que sea necesario
que Pfeiffer modifique la cartera de Hartmann?
d. Si Hartmann tolerara mejor el riesgo, qu incremento en los rendimientos se podra
esperar? Por ejemplo, qu sucedera si se aumenta a 0.06 su ndice de riesgo de cartera?
e. Si Pfeiffer modificara su estimacin de los rendimientos para el fondo de crecimien-
to, para colocarlo en 0.10, de qu manera recomendara que se modificara la cartera
de Hartmann?
f. Qu informacin debe mantener Pfeiffer sobre cada cliente con objeto de utilizar
este sistema para administrar las carteras de sus clientes?
g. La Pfeiffer revisa semanalmente sus estimaciones de rendimiento para los tres fon-
dos. Supngase que la firma tiene 50 clientes . Describa la forma en la que considera
que la Pfeiffer hace modificaciones semanales a la cartera de cada cliente y sobre
la forma en que decide cmo asignar los fondos totales que administra entre los
tres fondos de inversin.
114 CAPTULO TRES
MEZCLA DE PRODUCTOS
La compaa TJ's, loe. produce tres mezclas de nueces para venderlas a cadenas de tiendas
de abarrotes. Las tres clases, a las que denomina Mezcla Regular, Mezcla de Lujo y Mezcla
Holiday, se producen mezclando diferentes porcentajes de 5 tipos de nueces.
Al prepararse para la temporada de otoo, la firma acaba de adquirir las siguientes canti-
dades de nueces, a los precios que se indican:
Tipo de nuez Cantidad en el envo (libras) Costo por remesa
Almendra 6000 $7500

Nuez del Brasil 7500 $7125
Avellana 7500 $6750
Nuez comn 6000 $7200
Nuez de Castilla 7500 $7875
La Mezcla Regular consiste en 150Jo de almendras, 25% de nueces de Brasil, 25% de avella-
nas, 10% de nueces comunes y 25% de nueces de Castilla. La Mezcla de Lujo consiste
en 20% de cada tipo y la Mezcla Holiday consiste en 25% de almendras, 15% de nueces
de Brasil, 15% de avellanas, 25% de nueces comunes y 20% de nueces de Castilla.
El contador de TJ's ha analizado el costo de los materiales de empaque, el precio de
venta por libra, etc., y determinado que la contribucin a las utilidades es de $1.65 (dlares)
por libra de la Mezcla Regular, $2.00 por libra de la Mezcla de Lujo y $2.25 por libra
de la Mezcla Holiday. Estas cifras no incluyen el costo de las nueces que se tienen en las
diferentes combinaciones, porque los costos pueden variar en gran medida en el mercado
de productos perecederos.
Ya se han recibido los siguientes pedidos de clientes:
Tipo de mezcla Pedido (libras)
Normal 10,000
De lujo 3,000
Holiday 5,000
Como la demanda est siendo alta, se espera que la empresa reciba muchos ms pedidos
de los que puede satisfacer.
El compromiso de la TJ's es utilizar las nueces disponibles para maximizar las utilidades
en la temporada de otoo. Las que no se utilizan se regalan a una Tienda Gratuita. Pero,
aun cuando no es redituable hacerlo, el presidente de TJ's ha dado rdenes de que se satisfa-
gan todos los pedidos que ya se han recibido.
REPORTE DE ADMINISTRACIN
Realice un anlisis del problema de mezcla de productos para TJ's y elabore un reporte
para el presidente de la compafia en el que se resuman los resultados. Es importante ase-
guarse de incluir la informacin y los anlisis sobre lo siguiente:
l. El costo por libra de las nueces que se incluyen en cada una de las mezclas.
2. La mezcla ptima de productos y su contribucin a las utilidades.
3. Recomendaciones sobre la forma en que pueden aumentarse las contribuciones a las
utilidades si es posible adquirir cantidades adicionales de nueces.
4. Una recomendacin con respecto a si TJ's debe adquirir mil libras adicionales de almen-
dras en $1,000, a un proveedor que tiene excedentes.
S. Recomendaciones con respecto a la forma en que pueden aumentarse las contribuciones
a las utilidades (si es que fuera posible) en caso de que T J's no satisfaga todos los pedidos
existentes.
t
t
t
~
1
t
APNDICE
Resolucin de programas lineales
con el paquete LINDO/PC
LINDO/PC, elaborado por el investigador Linus E. Schrage, de la Universidad de Chicago,

es una versin para microcomputadoras del paquete de computacin LINDO que est amplia-
mente disponible para maxicomputadoras (mainjrames). El paquete permite al usuario interac-
tuar con la computadora a manera de conversacin. Esto seala que una vez que se ha cargado
el programa en la computadora, el usuario introduce la funcin objetivo y las restricciones segn
lo solicita tal programa. Una vez que el usuario est seguro de que los datos ingresados son
correctos, da la instruccin GO, y el sistema LINDO/ PC resuelve el problema. La solucin pti-
ma y la informacin correlativa se presentan al usuario en el monitor de la computadora.
Se utilizar el problema de la compaa a fin de ilustrar el uso de LINDO/PC. En la Fig.
3.18 se muestra la porcin de datos de entrada de una sesin de LINDO/PC en una Computadora
Personal de IBM. La informacin que el usuario teclea se muestra en tono gris, y la respuesta
del paquete de computacin aparece en negro. Obsrvese en particular la naturaleza interactiva
del sistema, ya que se alternan las entradas del usuario y las respuestas de LINDO/PC. En seguida
se describen algunas instrucciones* y smbolos especficos de la Fig. 3.18:
l. El "A>" es la indicacin (prompt) de la PC de IBM que indica que est lista para recibir
datos. La instruccin (comando) tecleada por el usuario, "LINDO", hace que se cargue el
programa LINDO/PC:
2. LINDO/PC comienza por enviar el smbolo'':" para indicar que espera instrucciones del usuario:
3. El usuario teclea la funcin objetivo, tal como aparece en el planteamiento matemtico del
problema.
4. Despus, LINDO/PC manda el smbolo "?" para indicar que espera datos adicionales con
respecto al programa lineal que ha de resolverse.
5. El usuario ingresa ST, que quiere decir "sujeto a" (del ingls, "subject to") para notificar
al programa que lo que sigue son las restricciones.
6. Despus que se introduce cada una de las restricciones con el smbolo < que LINDO/PC
interpreta como :5, el usuario ingresa END (fin), lo cual indica que se ha terminado la intro-
duccin de los datos .
7. De nueva cuenta, LINDO/PC responde con ":" para indicar que espera una instruccin.
8. El usuario introduce la instruccin optativa LOOK ALL ("ver todo"), lo cual da
como resultado que la computadora imprima el problema de programacin lineal que LIN-
1
DO/PC est listo para resolver. LOOK ALL no es una instruccin que se requiera, pero su i
uso permite realizar una verificacin sencilla sobre la exactitud de los datos de entrada. Con
*N. del T. Comnmente se traduce "command" en la jerga de la computacin cuando debiera ser "instruccin"
u "orden". Creo que el uso de "instruccin" aqu no choca demasiado con el uso en el medio y s favorece
una mejor comprensin de lo que se est haciendo .
116
A> LINDO El comando o instruccin del usuario

LINDO / PC carga el programa LINDO/ PC a partir
de un disco flexible
MAX 10X1 + 9X2

ST
. 7X1 + 1X2 < 630 El usuario introduce
? . 5X1 + . 83333X2 < 600 el problema
? 1Xl T . 66667X2 < 708
.1X1 + . 25X2 < 135
? END
VEA TODO
MAX 10 X1 + 9 X2
SUJETA A
2) 0.7 X1 + X2 <= 630
3) 0 . 5 X1 + 0.83333 X2 <= Resultado del
4) X1 + 0 .66667 X2 <= 708 comando LOOK ALL
5) 0 .1 X1 + 0 . 25 X2 <= 135
FIN
FIGURA 3.18 Sesin de introduccin de datos con LINDO/ PC. (Las respuestas
del usuario se muestran en tono gris.)
LINDO/PC, la funcin objetivo se identifica como el rengln l. Por ello, se observa bajo
el encabezado de "SUBJECT TO" ("sujeta a") la restriccin de corte y teido, identificada
como rengln 2, la restriccin de costura como rengln 3, la restriccin de terminado como
rengln 4, y la restriccin de inspeccin y embalaje como rengln 5.
Una vez que los datos de entrada estn completos, el paquete procede a obtener la solucin
del problema cuando se le da la instruccin GO ("proceda"). En la Fig. 3.19 se muestran los
resultados obtenidos de LINDO/PC.
La primera seccin del listado se explica por s sola. Despus de imprimir los valores de las
variables de holgura y de los precios duales, LINDO/PC hace al usuario la siguiente pregunta:
"DO RANGE (SENSITIVITY) ANALYSIS?" Es decir, "Se realizar anlisis de intervalos
(sensibilidad)?". La respuesta YES del usuario es para solicitar los intervalos de coeficientes
de la funcin objetivo y los valores del lado derecho de las restricciones.
La informacin que se ofrece bajo el encabezado "OBJ COEFFICIENT RANGES" permite
observar que la variable x" que tiene en esos momentos un coeficiente de utilidad de 10, tiene
aumento permisible de 3.5 y una disminucin permisible de 3.7. Sumando 3.5 o restando 3.7
del actual coeficiente de 1O, ofrece el siguiente intervalo de optimidad para c 1:
6.3 :5 c1 :5 13.5
De manera similar, se encuentra que el intervalo de optimidad para c2 es
6.67 :5 c2 :5 14.29
La informacin que aparece bajo el encabezado "RIGHT AND SIDE RANGES" permite
calcular el intervalo de factibilidad para cada uno de los lados derechos. Simplemente se resta
118 CAPTULO TRES
el decremento permisible del valor actual para obtener el lmite inferior, y se suma el incremento
permisible al valor actual para obtener el lmite superior. Haciendo esto resulta
Restriccin LD Mo LD Mx
Corte y te.ido 495 .6 682.4

Costura 480.0 No hay lmite superior
Terminado 580.0 900.0
Inspeccin y embalaje 117.0 No hay lmite superior
Obsrvese en la Fig. 3.19 que, al terminar el anlisis de sensibilidad, el paquete LINDO/PC

sefiala " :"y espera otra instruccin. En este caso , el usuario eligi "QUIT" ("salir") para indicar
el fin de la sesin. Una instruccin optativa en este punto sera ALT, lo cual permitira al usuario
alterar o modificar uno o ms aspectos del problema y buscar informacin adicional acerca de
la solucin.
:GO El usuario solicita la solucin 1
VALOR DE LA FUNCIN OBJETIVO

1) 7667.99400
VARIABLE VALOR COSTO REDUCIDO

X1 539 . 998400 000000 Informacin correspondiente
X2 252 . 00 11 00 000000 :----- a la solucin ptima
HOLGURA O
RENGLN EXCEDENTE PRECIOS DUALES
2) .000000 4.374956
3) 120.000700 .000000
4) .000000 6.937531
5) 1 7.999870 .000000
REALIZAR ANLISIS DE INTERVALOS

(SENSIBILIDAD)? COEF ACTUAL
El usuario solicita
?SI
anlisis de sensibilidad
INTERVALOS EN LOS QUE LA BASE NO CAMBIA
AUMENTO PERMISIBLE
VARIABLE COEF AUMENTO DISMINUCIN
ACTUAL PERMISIBLE PERMISIBLE
Xl 10.000000 3.499932 3 . 700000
X2 9 . 000000 5 . 2857 1 5 2.333000
Informacin
INTERVALOS DE LADOS DERECHOS >-- sobre el
RENGLN LD AUMENTO DISMINUCION anlisis de
ACTUAL PERMISIBLE PERMISIBLE sensibilidad
2 630.000000 52.363 1 30 134 . 400000
3 600.000000 INF I NI TY 1 20 . 000700
4 708.000000 192.000000 127 . 998600
5 135.000000 INFINITY 17.999870
:QUIT - - - - - - - - - - - - - + El usuario indica que ha terminado la sesin

Stop - Prog r am terminated
FIGURA 3.19 Solucin del problema de Par, Inc. , utilizando el paquete LINDO/ PC.
~-------4 _________
Aplicaciones de la
programacin lineal
Hasta estos momentos el estudio se ha orientado a la comprensin de la programacin

lineal en trminos del mtodo grfico de solucin, del anlisis de sensibilidad y de la inter-
pretacin de las soluciones computadorizadas para problemas de programacin lineal. Es-
tos antecedentes son esenciales para saber cundo la programacin lineal es una herramienta
apropiada para resolver problemas y, tambin, para interpretar los resultados que la solu-
cin de programacin lineal da para un problema.
En la prctica, la programacin lineal ha probado ser uno de los enfoques cuantitativos
ms exitosos para la toma de decisiones en la administracin. Se han reportado numerosas
aplicaciones en las industriasqumica, del aerotransporte, del acero, del papel, del petrleo
y en otras. Los problemas especficos que han sido estudiados son diversos e incluyen pro-
gramacin de la produccin, seleccin de medios publicitarios, planeacin financiera, pre-
supuestos de capital, transporte, ubicacin de plantas, mezcla de productos, asignacin
de personal, mezclados y muchas otras.
Tal como sugiere la variedad de las aplicaciones que se menciona, la programacin lineal
es una herramienta flexible para resolver problemas, con aplicaciones en muchas discipli-
nas. En este captulo, se exponen aplicaciones en las reas de mercadotecnia, finanzas y
administracin de la produccin. En la seccin final se presenta una aplicacin en el campo
relativamente nuevo del anlisis global de datos. En muchos de los ejemplos se presentan
soluciones por computadora que se obtienen utilizando el paquete de programas denomina-
do The Management Scientist.
4.1 ALGUNOS LINEAMIENTOS PARA LA FORMULACIN

DE MODELOS
En las aplicaciones que siguen se ver la forma en la que se pueden plantear diversos proble-
mas como programas lineales. Aunque el proceso de formulacin o planteamiento de mode-
los de programacin lineal es un arte que se aprende con la prctica y la experiencia, los
r 119
-
1
CAPTULO CUATRO
120
~
1
siguientes lineamientos o casos generales pueden ser tiles al comenzar a formular los pro-
pios modelos de programacin lineal.
l. Entender por completo el problema.

2. Plantear el problema en forma tan concisa como sea posible, formulando enunciados
verbales de lo siguiente:
a. Objetivo. El propsito del problema, tal como maximizar utilidades, minimizar cos-
tos, minimizar tiempo, etctera.
b. Variables de decisin. Los aspectos del problema que se pueden controlar o determi-
nar y que ayudan a alcanzar el objetivo que se plantea.
c. Restricciones. Las limitaciones o condiciones que se deben satisfacer para que la
solucin sea factible.
j
3. Utilizando las variables de decisin como incgnitas (por ejemplo x 1, x2 , etctera), for-
mular expresiones matemticas que describan el objetivo y cada una de las restricciones.
Se debe recordar que como el mtodo es de programacin lineal, las expresiones que
se utilizan para el objetivo y para las restricciones deben ser relaciones lineales. 1
j
4. Aadir los requisitos de no negatividad (x; ;?: O) para cada una de las variables de de-
cisin.
1
En este punto debe tenerse un modelo de programacin lineal que represente el problema
o aplicacin que se estudia. La solucin del modelo proporcionar los valores ptimos
1
de las variables de decisin, as como tambin informacin acerca del anlisis de sensibili-
dad. La interpretacin adecuada puede ofrecer informacin valiosa sobre la toma de deci-
siones para los administradores.
11
4.2 APLICACIONES EN MERCADOTECNIA

Seleccin de medios de publicidad
Las aplicaciones de programacin lineal para la seleccin de medios publicitarios estn

diseadas para ayudar a los gerentes de mercadotecnia a asignar presupuestos fijos de publi-
cidad a diversos medios. Los medios potenciales incluyen peridicos, revistas, radio, televi-
sin y correo directo. En la mayor parte de estas aplicaciones el objetivo es maximizar l
la exposicin a la audiencia. Las restricciones sobre las asignaciones permisibles usualmente
se producen por consideraciones como polticas de la compaa, requisitos contractuales 1
1
y disponibilidad de los medios. En la aplicacin que se presenta enseguida, se ilustra la 1
forma en que podra plantearse un problema de seleccin de medios, y su solucin utilizando 1
un modelo de programacin lineal. -4
Considrese el caso de la empresa Relax-and-Enjoy Lake Development Corporation.
La Relax-and-Enjoy est realizando el proceso de desarrollo de un centro habitacional que
se ubicar en las riberas de un lago de propiedad privada, y el negocio consiste en la venta
de inmuebles para vacaciones o de albergues para retiro. El principal mercado para estos
lotes en las orillas del lago incluye a todas las familias de ingresos medios y altos dentro
\
1 Las relaciones lineales, segn se describen en el Cap. 2, son expresiones matemticas en las que las variables
aparecen en trminos separados, y estn elevadas slo a la primera potencia. Por ejemplo, 3x 1 + 2x2 :S 50 es
una relacin lineal.
1
APLICACIONES DE LA PROGRAMACIN LINEAL 121
de un radio de aproximadamente 100 millas desde tal centro . La Relax-and-Enjoy ha utiliza-

do los servicios de la firma de publicidad Boone Phillips and Jackson para el proyecto
de la campaa promociona!.
Despus de considerar los posibles medios publicitarios y el mercado que se debe cubrir,
la Boone ha hecho la recomendacin preliminar de restringir la publicidad del primer mes
a cinco fuentes. Al final del mes, la empresa reevaluar su estrategia, con base en los resulta-
dos del mes. La Boone ha recopilado datos acerca del nmero de familias potencialmente
compradoras a las que se llega, el costo por publicidad, el nmero mximo de veces que
est disponible cada medio, y la disposicin esperada para cada uno de los cinco medios
publicitarios. La exposicin esperada se mide en trminos de una unidad de exposicin,
que es una medida del valor relativo de un anuncio en cada uno de los medios. Tales medi-
das, con base en la experiencia que la compaa tiene en el negocio de la publicidad, toman
en consideracin factores tales como perfil de la audiencia (edad, ingresos y grado de educa-
cin), imagen que se presenta y calidad del anuncio. En la Tabla 4.1 se presenta la informa-
cin recopilada.
La firma Relax-and-Enjoy ha proporcionado a la Boone un presupuesto de publicidad
de $30,000 (dlares) para la campaa del primer mes . Adems, ha impuesto las siguientes
restricciones sobre la forma en que la Boone puede asignar esos fondos: se deben utilizar
cuando menos 10 anuncios (o comerciales) de televisin, y se debe llegar cuando menos
a 50 000 compradores potenciales durante el mes. Adems, no pueden invertirse ms de
$18,000 en anuncios por televisin. Qu plan de seleccin de medios debe recomendar
la empresa publicitaria?
TABLA 4.1 Alternativas de medios de publicidad para la Relax-and-Enjoy

Lake Development Corporation
Nmero de
familias Mximo de
potencialmente ocasiones que Unidades de
compradoras Costo por estn disponibles exposicin
Medios de publicidad que se alcanzan anuncio por mes* esperadas
l. TV diurna (1 min),
estacin WKLA 1000 $ 1500 15 65
2. TV nocturna (30 seg),
estacin WKLA 2000 $ 3000 10 90
3. Peridico diario
(pgina completa) The
Morning Journal 1500 $ 400 25 40
4. Suplemento de peridico
1
... dominical ( Y2 pg. a colores)
The Sunday Press 2500 $ 1000 4 60
5. Radio: noticias 8:00A .M.
~
o5:00P.M. (30 seg)
estacin KNOP 300 $ 100 30 20
El nmero mximo de ocasiones que est disponible el medio es el nmero mximo de ocasiones en que se
presenta el medio de publicidad (por ejemplo, cuatro domingos para el medio nmero 4) o el nmero mximo
de ocasiones en que Boone permitir que se utilice el medio.
122 CAPTULO CUATRO
Se comienza definiendo las variables de decisin de la siguiente manera:
x1 nmero de ocasiones en que se utiliza la TV diurna

x2 nmero de ocasiones en que se utiliza la TV nocturna
x3 nmero de ocasiones en que se emplea el peridico diario
x4 nmero de ocasiones en que se emplea el peridico dominical
x5 nmero de ocasiones en que se utiliza la radio
Con el objetivo de maximizar la exposicin esperada, la funcin objetivo se convierte en
Ahora pueden plantearse las restricciones para el modelo a partir de la informacin dada:
X :S 15
:S lO
Disponibilidad de
:S 25
los medios
1500x 1 + 3000x2 + 400x3 + 1000x4 + 100x5 :S 30,000 Presupuesto

~ 10 } Restricciones de
::::; 18,000 televisin
1000x 1 + 2000x2 + 1500x3 + 2500x4 + 300x5 ~ 50,000 Cobertura de
audiencia
En la Tabla 4.2 se presenta la solucin para este modelo de programacin lineal con nueve
restricciones y cinco variables.
TABLA 4.2 Plan de publicidad para la Relax-and-Enjoy Lake Development Corporation
Presupuesto
Medio publicitario Frecuencia (dlares) 1
TV diurna 10 $ 15,000
1
)
Peridico diario 25 10,000

Peridico dominical 2 2,000
Radio 30 3,000
$30,000
Total de audiencia alcanzada = 61,500
Exposicin esperada = 2370
Un posible defecto de este modelo es que, aun cuando la medida de la exposicin esperada
no estuviera sujeta a error, no existe garanta de que maximizar la exposicin esperada
total conducir a la maximizacin de las utilidades o las ventas (un sustituto comn para
las utilidades). Sin embargo este no es un defecto de la programacin lineal; ms bien es
una desventaja de utilizar la exposicin como criterio. Ciertamente, si fuera posible medir
en forma directa el efecto que la publicidad tiene sobre las utilidades, se utilizaran las
utilidades totales como el objetivo a maximizar.
Adems, se debe estar consciente de que el modelo de seleccin de medios, tal como
se plante en esta seccin, no incluye consideraciones como las siguientes:
l. El valor de la exposicin se reduce con la repeticin en el uso de los medios.

2. Descuentos en costos por utilizacin repetida de los medios.
3. Traslape de la audiencia en los distintos medios.
4. Recomendaciones de tiempo para los anuncios.
Con frecuencia es posible utilizar un planteamiento ms complejo (ms variables y res-
tricciones) para vencer estas limitaciones, pero no siempre ser posible superarlas todas
con un modelo de programacin lineal. Sin embargo, aun en estos casos, con frecuencia
puede utilizarse un modelo de programacin lineal para llegar a una aproximacin de la
mejor decisin. La evaluacin de los administradores, combinada con la solucin de la
programacin lineal, debe hacer posible entonces la eleccin de una estrategia global efecti-
va para la publicidad.
NOTAS Y COMENTARIOS
l. En general, se utilizan xi' x 2 , etc., para denotar las variables de decisin en un

modelo de programacin lineal. Al comenzar el planteamiento del modelo, se expo-
ne en forma cuidadosa la notacin utilizada y la definicin de cada variable de
decisin. Al mismo tiempo que se puede utilizar la notacin xi' x 2 , etc., en cual-
quier modelo de programacin lineal, algunos cientficos de la administracin pre-
fieren hacer uso de un esquema de notacin ms descriptivo para cada variable
de decisin. Por ejemplo, el modelo de seleccin de medios podra haber sido for-
mulado como DTV para denotar "televisin durante el da"; por NTV, para
"televisin durante la noche"; por P, para peridicos; por PD, para publica-
cioneli domsticas; por R, para revistas.
En este caso, la funcin objetivo quedara expresada de la siguiente manera:
max 65DTV + 90NTV + 40P + 60PD + 20R
Las restricciones se plantearan en trminos de la notacin ideada: DTV, NTV,
P, PD, R. En cualquier caso, es importante observar que el modelo se puede formu-
lar"Con cualquier notacin o combinacin de notaciones para las variables de deci-
sin. Sin importar cul sea la decisin, siempre es conveniente definir con cuidado
las variables de decisin y la notacin que se utiliza desde el principio del plantea-
miento del modelo.
2. Debe observarse que el modelo de seleccin de medios, quiz ms que la mayora
de los dems modelos de programacin lineal, requiere de evaluaciones subjetivas
crticas para las calificaciones sobre la exposicin de los diversos medios alternos.
Aun cuando los gerentes de mercadotecnia pueden contar con considerables datos
acerca de la exposicin a la publicidad, los coeficientes finales que se utilizan en
124 CAPTULO CUATRO
la funcin objetivo incluyen consideraciones que se basan primordialmente en el

criterio de los administradores. Sin embargo, la introduccin de juicios es una for-
ma aceptable de obtener datos para un modelo de programacin lineal.
Investigacin de mercadotecnia
Diversas organizaciones llevan a cabo investigaciones mercadotcnicas para determinar ca-
ractersticas de los consumidores, actitudes y preferencias con respecto a productos o servi-
cios que las organizaciones ofrecen. Con frecuencia, las investigaciones reales las lleva a
cabo una empresa de investigacin de mercadotecnia que se especializa en ofrecer a sus
clientes la informacin que desean sobre el mercado. Los servicios que las empresas de
investigacin mercadotcnica ofrecen por lo comn incluyen el diseo del estudio, la reali-
zacin de las encuestas de mercado, el anlisis de los datos recopilados y reportes resumidos
y recomendaciones para el cliente. En la fase de diseo de la investigacin, es posible que
se establezcan objetivos o cuotas para el nmero y tipos de entrevistados que la investigacin
debe alcanzar. Cuando se establecen lineamientos sobre cuotas, el objetivo de la empresa
investigadora es llevar a cabo la encuesta de manera que se satisfagan las necesidades de
los clientes a un costo mnimo .
La firma Market Survey, Inc. (MSI), es una empresa de investigacin de mercadotecnia
que se especializa en evaluar la reaccin de los consumidores ante productos, servicios y
campaas de publicidad nuevos. Una empresa cliente ha solicitado que le ayude a determi-
nar la reaccin de consumidores ante un producto recientemente comercializado para uso
domstico. En el curso de algunas reuniones con el cliente, se acord que se utilizaran
entrevistas personales de puerta en puerta para obtener informacin tanto de hogares con
nios como de hogares sin ellos. Adems, se acord que sera necesario realizar entrevistas
tanto diurnas como nocturnas, con objeto de incluir diversos horarios de trabajo en los
hogares. Especficamente, el contrato de este cliente exiga a la SMI realizar 1000 entrevistas
con los siguientes lineamientos sobre cuotas:
l. Se entrevistaran cuando menos 400 hogares con nios.
2. Se entrevistaran cuando menos 400 hogares sin nios.
3. El nmero total de hogares entrevistados durante la noche sera cuando menos igual
al nmero de hogares entrevistados durante el da.
4. Cuando menos el 400Jo de las entrevistas para hogares con nios se realizaran durante
la noche.
S. Cuando menos el 60% de las entrevistas para hogares sin nios se realizaran durante
la noche.
Como las entrevistas en hogares con nios requieren de tiempo adicional del entrevista-
dor, y como a los entrevistadores nocturnos se les paga ms que a los que trabajan de
da, el costo de las entrevistas vara segn su tipo. Con base en estudios previos, las estima-
ciones sobre los costos de las entrevistas son:
Costo de la entrevista
Hogar Diurna Nocturna
Nios $20 $25
No nios $18 $20
Cul es el plan de entrevistas, por hogar y por parte del da, que satisface los requerimientos
contractuales a un costo mnimo total para las entrevistas?
El planteamiento de un modelo de programacin lineal para el problema de la Market
Survey es buena oportunidad para introducir el uso de variables de decisin con doble subn-
dice. Utilizando x para representar las variables decisorias, se utilizan dos subndices para
x, en donde el primer subndice seala si la entrevista implica a nios o no, y el segundo
indica si la entrevista se realiza durante el da o durante la noche. Utilizando 1 para nios,
y 2 para no nios, y 1 para da y 2 para noche, se pueden utilizar subndices dobles para
identificar las siguientes variables de decisin:
x 11 nmero de entrevistas en hogares con

nios a realizar durante el da
x 12 nmero de entrevistas en hogares con
nios a realizar durante la noche
x 21 nmero de entrevistas en hogares sin nios
a llevar a cabo durante el da
nmero de entrevistas en hogares sin nios
a llevar a cabo durante la noche
Se comienza el planteamiento del modelo de programacin lineal utilizando los datos

de costos por entrevista para elaborar la siguiente funcin objetivo:
min 20x,, + 25x 12 + 18x21 + 20x22
La restriccin que exige un total de 1000 entrevistas se expresa como
( Las cinco especificaciones que se refieren a los tipos de entrevistas son las siguientes:
l. Hogares con nios
2. Hogares sin nios:
r
3. Cuando menos tantas entrevistas nocturnas como diurnas:
El formato normal para el planteamiento del modelo de programacin lineal y para

la introduccin de datos en la computadora hace que se coloquen todas las variables
de decisin en el lado izquierdo de la desigualdad, y una constante (posiblemente cero)
en el lado derecho. Por ello, se reescribira esta restriccin como
126 CAPTULO CUATRO
4. Cuando menos 400Jo de las entrevistas en hogares con nios durante la noche:
5. Al menos 60% de las entrevistas en hogares sin nios, durante la noche:
Aadiendo los requisitos de no negatividad, el modelo de programacin lineal de cuatro

variables y seis restricciones se convierte en
min 20X + 25x 12 + 18x21 + 20x 22

sujeta a
X + Xz + Xz + Xzz = 1000 Total de entrevistas
X + Xz ~ 400 Hogares con nios
Xz + Xzz ~ 400 Hogares sin nios
-x + Xz- Xz + Xzz ~ o Ms entrevistas nocturnas
-.4x + .6x 12 ~ o Hogares con nios, noche
- .6x21 + .4Xzz ~ o Hogares sin nios, noche
X,Xz,Xz,X 22 ~ 0
En la Fig. 4.1 se muestra la solucin por computadora del programa lineal anterior.
Utilizando los resultados de la solucin por computadora, se observa que el costo mnimo
de $20,320 se presenta con el siguiente programa de entrevistas:
Nmero de entrevistas
Hogar Diurnas Nocturnas Totales
Nios 240 160 400

No nios 240 360 600
Totales 480 520 1000
Como se puede observar, se programan 480 entrevistas durante el da y 520 durante la

noche. Los hogares con nios se cubren mediante 400 entrevistas, y los hogares sin nios,
mediante 600 entrevistas.
Una informacin seleccionada sobre el anlisis de sensibilidad de la Fig. 4.1 muestra
un precio dual de -19.2 para la restriccin l. Esto indica que la funcin objetivo empeorara
Valor de la funcin objetivo = 2 0 32 0. 000000

X1 1 240 . 000015 0 . 000001

X1 2 159.999985 0.000001
X2 1 240 . 000000 0 . 000002
X22 360.0000 0 0 0 . 000000
Restriccin Holgura / Excedente Precios duales
1 0 . 000000 - 19 . 200001
2 0.000000 - 2 .7 99999
3 200 . 00000 0 0 . 000000
4 40.000000 0 . 000000
5 0 . 000000 - 4 . 999998
6 0 . 000000 -1 .999998
FIGURA 4.1 Solucin por computadora del problema de investigacin de
mercados utilizando The Management Scientist.
(el costo aumentara) en $19.20 si se aumenta el nmero de entrevistas de 1000 a 1001.
t Por ello, $19.20 es el incremento en los costos al obtener entrevistas adicionales. Tambin
representa los ahorros que se podran lograr al reducir el nmero de entrevistas de 1000
a 999. El precio dual para el requisito de 400 hogares con nios (restriccin 2) indica que
solicitar entrevistas adicionales en hogares con nios no mejora la funcin objetivo . De
hecho, las entrevistas adicionales en hogares con' nios aumentaran el costo total a razn
de aproximadamente $2.80 por entrevista.
La variable de excedente que tiene un valor de 200 para la restriccin 3, muestra que
se van a entrevistar 200 ms hogares con nios que los que se requieren. De manera similar,
la variable de excedente que tiene un valor de 40 para la restriccin 4 muestra que el nmero
de entrevistas nocturnas excede al nmero de entrevistas diurnas en 40. Los valores nulos
para las variables de excedente de las restricciones 5 y 6 indican que se mantienen en un
mnimo las entrevistas nocturnas, que son las ms costosas.
4.3 APLICACIONES FINANCIERAS

Seleccin de cartera
Los problemas de seleccin de cartera implican situaciones en las que los gerentes financie-
ros deben elegir inversiones especficas (por ejemplo, acciones, bonos) a partir de diversas
alternativas de inversin. Los administradores de fondos mutualistas, de uniones de crdi-
to, de compaas de seguros y de bancos, encuentran frecuentemente este tipo de problemas .
La funcin objetivo para los problemas de seleccin de cartera es por lo comn la maximiza-
cin del rendimiento esperado o la minimizacin de los riesgos. Las restricciones asumen,
por lo general, la forma de restricciones sobre el tiempo de inversiones permisibles, leyes
estatales, polticas de la compaa, mximo riesgo permisible, etctera.
Se han planteado y resuelto problemas de este tipo utilizando diversas tcnicas de progra-
macin matemtica. Sin embargo, si es posible plantear una funcin objetivo lineal y restric-
ciones lineales en un problema especfico de seleccin de cartera, entonces puede utilizarse
128 CAPTULO CUATRO
la programacin lineal para resolverlo. En esta seccin se muestra la forma en la que puede
plantearse un problema de seleccin de cartera y el modo en que se puede resolver como
programa lineal.
Considrese el caso de la firma Welte Mutual Funds, lnc., ubicada en la ciudad de Nueva
York. La empresa acaba de obtener $100,000 al convertir bonos industriales en efectivo, 1
y ahora est en busca de otras oportunidades de inversin para esos fondos. Considerando
las inversiones de la Welte en esos momentos , el principal analista financiero de la empresa
recomienda que se hagan todas las nuevas inversiones en la industria petrolera, en la indus-
tria del acero o en bonos gubernamentales. Especficamente, el analista ha identificado
j
cinco oportunidades de inversin y proyectado sus tasas anuales de rendimiento. Las inver-
siones y las tasas de rendimiento son las que se muestran en la Tabla 4.3.
La direccin de la Welte ha impuesto los siguientes lineamientos sobre la inversin:
l. Ninguna de las industrias (petrleo o acero) debe recibir ms de 500Jo de la inversin
nueva total.
2. Los bonos de gobierno deben ser de cuando menos 25% de las inversiones en la industria
siderrgica.
3. Las inversiones en la Pacific Oil, la inversin con altos rendimientos pero tambin altos
riesgos, no puede ser ms de 60% del total de las inversiones en la industria petrolera.
Qu recomendaciones de cartera (inversiones y montos) se deben hacer para los $100,000
disponibles? Dado el objetivo de maximizar los rendimientos proyectados, sujeto a las res-
tricciones presupuestales y administrativas que se han impuesto, puede contestarse esta
1
pregunta planteando un modelo de programacin lineal para el problema. La solucin para
este modelo de programacin lineal ofrecer, entonces, recomendaciones sobre inversin
para los administradores de la Welte Mutual Funds.
Sean, 1
x1 dlares invertidos en Atlantic Oil
x2 dlares invertidos en Pacific Oil
x3 dlares invertidos en Midwest Steel
x4 dlares invertidos en Huber Steel
x5 dlares invertidos en bonos gubernamentales
Utilizando las tasas de rendimiento proyectadas que se muestran en la Tabla 4.3, la funcin
objetivo para maximizar el rendimiento total sobre la cartera puede escribirse como
max 0.073x1 + 0.103x2 + 0.064x3 + 0.075x4 + 0.045x5
TABLA 4.3 Oportunidades de inversin para Welte Mutual Funds
Tasa de rendimiento
Inversin proyectada
(O!o)
Atlantic Oil 7.3

Pacific Oil 10.3
Midwest Steel 6.4
Huber Steel 7.5
Bonos gubernamentales 4.5
La restriccin que especifica la inversin de los $100,000 se expresa como
x 1 + x2 + x3 + x4 + x5 = 100,000
Los requisitos de que ni la industria del petrleo ni la industria del acero reciban ms de
500Jo de la inversin de $100,000, se escribe de la siguiente manera:
x 1 + x2 ::5 50,000 Industria petrolera

x3 + X4 ::5 50,000 Industria siderrgica
El requisito de que los bonos de gobierno sean de cuando menos 25% de la inversin en
la industria siderrgica se expresa de la siguiente manera:
o bien
Finalmente, la restriccin de que la inversin en Pacific Oil no puede ser ms de 60% de

la inversin total en la industria petrolera se convierte en:
o bien
-0.60x1 + 0.40x2 ::5 O
Sumando las restricciones de no negatividad, el modelo completo de programacin lineal

para el problema de inversin de la Welte Mutual Funds es el siguiente:
max 0.073x 1 + 0.103x2 + 0.064x 3 + 0.075x4 + 0.045x 5

sujeta a
XI + x2 + x3 + x4 + Xs = 100,000 Fondos
disponibles
XI + x2 ::5 50,000 Mximo de la
industria petrolera
x3 + x4 ::5 50,000 Mximo de la
industria
del acero
- 0.25x 3 - 0.25x4 + Xs::::: o Mnimo de
bonos
gubernamentales
-0.6x 1 + 0.4x2 ::5 o Restriccin de
la Pacific Oil
x 1 ,x2,x3,x4 ,x5 :2:: 0
~~
130 CAPTULO CUATRO
X1 19999.998000 0.000000
X2 30000.002000 0.000000
X3 0.000000 0.011000
X4 40000.000000 0.000000
xs 10000.000000 0.000000
1 0.000000 0.069000
2 0.000000 0.022000
3 10000.000000 0.000000
4 0.000000 -0.024000
5 0.000000 0.030000
FIGURA 4.2 Solucin por computadora del problema de Welte Mutual Funds
utilizando The Management Scientist.
Se resuelve este problema utilizando The Management Scientist y el listado se muestra

en la Fig. 4.2. En la Tabla 4.4 se muestra la forma en la que se dividen los fondos entre
los valores. Obsrvese que la solucin ptima seala que la cartera se debe diversificar
entre todas las oportunidades de inversin, exceptuando a Midwest Steel. El rendimiento
anual proyectado para esta cartera es $8,000, lo cual significa una tasa global de rendimiento
del 80Jo.
Utilizando el listado de la computadora para el problema de inversin de la Welte que
se muestra en la Fig. 4.2, se observa que es cero el precio dual para la restriccin 3. Esto
es as porque el mximo de la industria del acero no es una restriccin limitante; aumentos
en el lmite de la industria siderrgica de $50,000 no mejoraran el valor de la funcin objeti-
vo. De hecho, la variable de holgura para esta restriccin muestra que la inversin actual
en la industria del acero est $10,000 por debajo de su lmite de $50,000. Los precios duales
de las dems restricciones son diferentes de cero, lo cual seala que son restricciones limitan-
tes en la solucin ptima.
TABLA 4.4 Seleccin ptima de cartera para Welte Mutual Funds
Rendimiento
Inversin Monto anual esperado
Atlantic Oil $ 20,000 $1460

Pacific Oil 30,000 3090
Huber Steel 40,000 3000
Bonos gubernamentales 10,000 450
$100,000 $8000
Rendimiento anual esperado de $8000 = 807o
El precio dual de 0.069 para la restriccin 1 muestra que es posible aumentar la funcin
objetivo en 0.069 si se puede tener a disposicin un dlar ms para inversin en la cartera.
Si es posible obtener fondos a un costo inferior a 6.90Jo, los administradores deberan consi-
derar obtenerlos. Por otro lado, si puede adquirirse un rendimiento superior a 6.9% invir-
tiendo los fondos en alguna otra parte (que no sean estos cinco ttulos-valor) los
administradores deben considerar cun conveniente ser invertir la totalidad de los $100,000
en esta cartera. Se pueden dar interpretaciones similares para los otros precios duales. Sin
embargo, ntese que es negativo el precio dual para la restriccin 4; su valor es -0.024.
Esto indica que aumentar en una unidad el valor en el lado derecho de una restriccin
puede ocasionar, posiblemente, un cambio en la funcin objetivo de -0.024. En trminos
de la cartera ptima, esto significa que si la Welte invierte un dlar ms en bonos del gobier-
no, su rendimiento total disminuir en 2.4 centavos. Para ver por qu sucede esto, obsrvese
de nueva cuenta en el precio dual de la restriccin 1 que el rendimiento marginal de los
,' fondos invertidos en la cartera es 6.9% (el rendimiento promedio es 85). La tasa de rendi-
miento de los bonos gubernamentales es 4.5%. Por ello, el costo de invertir un dlar ms
en bonos de gobierno es la diferencia entre el rendimiento marginal de la cartera y el rendi-
miento marginal de los bonos gubernamentales: 6.9% - 4.5% = 2.4%.
Obsrvese que la solucin ptima con x 3 = O muestra que la Midwest Steel no debe in-
cluirse en la cartera. El costo reducido correspondiente a x 3, 0.011, indica que el coefi-
ciente de la funcin objetivo para la Midwest Steel tendra que aumentar en 0.011 antes
de que fuera deseable considerar a esta empresa como alternativa de inversin. Con este
aumento, el rendimiento de la Midwest Steel sera 0.064 + 0.011 = 0.75, haciendo que
esta inversin fuera justamente tan deseable como la alternativa de inversin que actual-
mente se utiliza, la de Huber Steel.
Finalmente, una modificacin sencilla sobre el modelo de programacin lineal de la W el te
permite determinar la fraccin de los fondos disponibles que se invierten en cada alternati-
va. Es decir, se dividen entre 100,000 los valores del lado derecho. Entonces, los valores
ptimos para las variables proporcionan la fraccin de los fondos que deben invertirse
en cada ttulo, para una cartera de cualquier tamao.
NOTAS Y COMENTARIOS
La solucin ptima para el problema de la Welte Mutual Funds indicaba que se deban
invertir $20,000 en acciones de la Atlantic Oil. Si la Atlantic Oil se vende en $75 por
accin, se tendran que comprar exactamente 266 2/3 acciones para invertir exacta-
mente $20,000. Por lo general, la dificultad para adquirir acciones fraccionarias se
maneja adquiriendo el mayor nmero entero posible de acciones con los fondos asig-
nados (por ejemplo, 266 acciones para la Atlantic Oil). Este mtodo garantiza que
no se infringe la restriccin presupuesta!. Por supuesto, lo anterior introduce la posibi-
lidad de que la solucin ya no sea la ptima, pero el peligro es reducido si se trata
de un nmero grande de acciones. En los casos en que el analista considere que es
crucial que las variables de decisin tengan valores enteros, el problema debe plantearse
como modelo de programacin lineal segn enteros. Esta programacin lineal es la
materia del Cap. 8.
132 CAPTULO CUATRO
Estrategia de Combinacin Financiera
Las estrategias de mezcla o combinacin financiera implican la seleccin de medios para

financiar proyectos de la compaa, inventarios, operaciones de produccin y otras activi-
dades . En esta seccin se ilustra la forma en que puede utilizarse la programacin lineal
para resolver problemas de este tipo, planteando y resolviendo un problema que implique
el financiamiento de operaciones de produccin. En esta aplicacin especfica, se debe to-
mar una decisin financiera con respecto a cunta produccin se debe financiar mediante
fondos generados internamente, y qu tanta produccin se debe financiar mediante fondos
externos.
La Jefferson Adding Machine Company va a comenzar la fabricacin de dos nuevos
modelos de calculadoras electrnicas en los tres meses prximos. Como la fabricacin de
estos modelos exige ampliar la operacin de produccin que se tiene en esos momentos,
la compaa necesitar fondos de operacin para cubrir los costos de materiales, mano
de obra y otros gastos, durante el periodo inicial de produccin. Los ingresos provenientes
de este periodo inicial de produccin no estarn disponibles sino hasta despus del final
del periodo . As, la compaa debe obtener financiamiento para estos gastos de operacin,
antes de que pueda empezar a fabricar .
La Jefferson ha apartado $3,000 de fondos internos para cubrir los gastos de la opera-
cin. Si se requieren fondos adicionales, tendrn que ser generados en el exterior. Un banco
local ha ofrecido una lnea de crdito a corto plazo para una cantidad que no exceda de
$10,000. La tasa de inters para la vigencia del prstamo ser de 120Jo anual sobre la cantidad
que se tenga a crdito. Una estipulacin fijada por el banco exige que la parte restante
del efectivo que la compaa apart para esa operacin, ms las cuentas por cobrar prove-
nientes de esta lnea de productos, sean de cuando menos el doble del crdito pendiente
de pagar, ms los intereses al final del periodo inicial de produccin.
Adems de las restricciones financieras sobre la operacin, la capacidad de la mano de
obra es tambin un factor que la Jefferson debe tomar en consideracin. Slo se tienen
disponibles 2500 horas de tiempo de ensamble y 150 horas de tiempo de empaque y envo
para la nueva lnea de productos, durante el periodo inicial de produccin de tres meses.
En la Tabla 4.5 se muestran los datos relevantes sobre costos, precios y requisitos de tiempos
de produccin para los dos niveles, a los que se denomina Y y Z.
Los administradores de la compaa han impuesto restricciones adicionales con objeto
de garantizar que es posible probar la reaccin del mercado ante ambos productos; es decir,
deben fabricarse cuando menos 50 unidades del modelo Y y cuando menos 25 unidades
del modelo Z en ese primer periodo de produccin.
TABLA 4.5 Datos de costos, precios y mano de obra para Jefferson

Adding Machine Company
Costo unitario
(materiales y Horas de mano de obra que se requieren
otros gastos Precio Margen Empaque
Modelo variables) de venta de utilidad Ensamblado y env(o
y $ 50 $ 58 $ 8 12 1
z $100 $120 $20 25 2
Como el costo de las unidades que se fabrican utilizando fondos crediticios sufrir, en
efecto, un cargo por inters, se reducen las contribuciones a las utilidades para los modelos
Y y Z que se fabrican con fondos obtenidos a crdito. Por ello, se adopta la siguiente nota-
cin para las variables de decisin del problema:
x1 unidades del modelo Y fabricadas con fondos de la compaa

x2 unidades del modelo Y fabricadas con fondos obtenidos a crdito
x3 unidades del modelo Z fabricadas con fondos de la compaa
x4 unidades del modelo Z fabricadas con fondos obtenidos a crdito
Qu tanto se reduce la contribucin a las utilidades de las unidades que se fabrican

con fondos obtenidos a crdito? Para resolver esta pregunta, debe saberse durante cunto
tiempo estar vigente el prstamo . Se supone que todas las unidades de cada modelo se
venden, conforme se fabrican, a distribuidores independientes, y que la tasa promedio de
rotacin de las cuentas por cobrar es de tres meses. Como los administradores de la compa-
a han especificado que el crdito debe pagarse con los fondos generados por las unidades
que se fabrican mediante fondos crediticios, los fondos que se obtienen a crdito para fabri-
car una unidad del modelo Y o una unidad del modelo Z se pagarn aproximadamente
tres meses despus.
Por ello, la contribucin a las utilidades para cada unidad del modelo Y que se fabrica
con fondos crediticios se reduce de $8 a $8- ($50 x 0.12 x Y! yr) = $6.50, y la contribucin
a las utilidades para cada unidad del modelo Z que se fabrica con fondos crediticios se
reduce de $20 a $20- ($100 x 0.12 x Y! yr) = $17. Con esta informacin se puede ahora
plantear la funcin objetivo para la mezcla financiera de la Jefferson:
Pueden tambin especificarse las siguientes restricciones para el modelo:
12.x + 12.xz + 25x 3 + 25x4 :5 2,500 Capacidad de ensamble

X + Xz + 2.x3 + 2.x4 :5 150 Capacidad de empaque y envo
50x 1 + 100x3 :5 3,000 Fondos internos disponibles
50x2 + 100x4 :5 10,000 Fondos externos disponibles
X+ Xz :2:: 50 Requerimiento del modelo Y
XJ + x4 :2:: 25 Requerimiento del modelo Z
Adems, se debe incluir la siguiente restriccin para satisfacer el requisito bancario sobre
el crdito:
Efectivo + cuentas por cobrar ::; 2(crdito + intereses)
Esta restriccin debe satisfacerse al final del periodo. Recordando que las cuentas por co-
brar se mantienen vigentes para un promedio de tres meses, puede utilizarse la siguiente
134 CAPTULO CUATRO
relacin para deducir una expresin matemtica para la desigualdad anterior, al final del
periodo:
Efectivo = 3000 - 50x1 - 100x3
Cuentas por cobrar 58x1 + 58x2 + 120x3 + 120x4
Crdito 50x2 + 100x4
Intereses (0.12 x Y4 yr)(50x2 + 100x4) = 1.5x2 + 3x4
Por lo tanto, la restriccin que resulta por la limitacin del banco se puede expresar como
3000 - 50x 1 - 100x3 + 58x 1 + 58x2 + 120x3 + 120x4 ;:::: 2(51.5x2 + 103x4)
o bien
3000 ;:::: - 8x 1 + 45x 2 - 20x3
lo cual es equivalente a
- 8x 1 + 45x 2 - 20x3 + 86x4 :s: 3000
Aadiendo las restricciones de no negatividad, el modelo completo de programacin

lineal para la J efferson Adding Machine Company puede plantearse de la siguiente manera:
max 8x 1 + 6.5x2 + 20x3 + 17x4
sujeto a
12x + 12x2 + 25x3 + 25x4 :s: 2,500
X + x2 + 2x3 + 2x4:S: 150
50x 1 + 100x3 :::; 3,000
50x2 + 100x4 :S: 10,000
X+ x2 ;:::: 50
x3 + x4;:::: 25
-8x 1 + 45x2 - 20x3 + 86x4 :s: 3,000
x 1 , x 2, x 3 , x 4 ;:::: O
En la Fig. 4.3 se muestra la solucin por computadora para este problema de combinacin
financiera con cuatro variables y siete restricciones. Se obtiene la utilidad de $1,191.86
con la solucin ptima de x 1 = 50, x 2 = O, x 3 = 5, y X 4 = 40.7. Obsrvese que el costo
reducido de cero para x 2 indica que no es necesario que aumente el coeficiente de la fun-
cin objetivo para que se pueda evaluar la inclusin de x 2 con la solucin ptima. Esto
es una indicacin de que existe una solucin ptima alternativa para el problema. En la
Fig. 4.4 se muestra una solucin por computadora que ofrece una solucin ptima alternati-
va. La utilidad de $1,191.86 corresponde ahora a la solucin x 1 = O, x 2 = 50, x 3 = 30,
yx4 = 15.7.
Evidentemente, los administradores podran poner en prctica cualquiera de las solucio-
nes que se muestran en esas figuras, y maximizar las utilidades. La solucin de la Fig.
4.4 se resume en la Tabla 4.6, junto con la utilidad esperada y los fondos obtenidos a
crdito para cada modelo de calculadora. Esta solucin exige que la compaa emplee todos
Valor de la funcin objetivo = 1191.8603SO
X1 so.oooooo 0.000001
X2 0.000000 0.000000
X3 s.oooooo 0.000001
X4 40.697674 0.000000
1 7S7.SS8230 0.000000
2 8.604660 0.000000
3 0.000000 0.239S3S
4 S930.232400 0.000000
S 0.000000 -2.39S349
6 20.697670 0.000000
7 0.000000 0.197674
FIGURA 4.3 Solucin por computadora del problema de Jefferson Adding
Machines, utilizando The Management Scientist.
.. Valor de la funcin objetivo = 1191. 8603SO

..
X1 0.000000 0.000001
X2 so.oooooo 0.000000
X3 30.000000 0.000001
X4 1S.697672 0.000000
t 1 7S7.SS8230 0.000000
2 8.604660 0.000000
3 0.000000 0.239S3S
4 S930.232400 0.000000
S 0.000000 -2.39S3SO
6 20.697670 0.000000
7 0.000000 0.197674
FIGURA 4.4 Solucin ptima alternativa para el problema de Jefferson Adding
Machines, utilizando The Management Scientist.
TABLA 4.6 Combinacin financiera ptima para la produccin en la

Jefferson Adding Machine
r Utilidad Monto de los
r Modelo Unidades esperada fondos obtenidos a crdito
Modelo Y
- Fondos obtenidos a crdito (x2) 50 $ 325 $2500
Modelo Z
Fondos de la compaa (x3) 30 600
t Fondos obtenidos a crdito (x.J 15.7
--
267 1570
Totales $1192 $4070
136 CAPTULO CUATRO
sus fondos internos ($3,000), pero slo un poco ms de $4,000 de los $10,000 disponibles
en la lnea de crdito.
Algunas interpretaciones adicionales sobre el listado de computadora de la Fig. 4.4 mues-
tran que la capacidad de ensamblado (restriccin 1, holgura = 757.6 horas) y la capacidad
de empaque y envo (restriccin 2, holgura = 8.6 horas) son adecuadas para satisfacer
los requisitos de produccin . Asignar horas adicionales a estos recursos no mejora el valor
de la solucin ptima. El precio dual correspondiente a la restriccin de los fondos internos
(restriccin 3) muestra que se puede obtener un mejoramiento de las utilidades de aproxima-
damente $0.24 si se invierte un dlar adicional de fondos internos. Con este elevado rendi-
miento sobre la inversin de fondos internos, es posible que la Jefferson desee seriamente
considerar la asignacin de fondos internos adicionales para este producto. El precio dual
negativo para la restriccin 5 indica que los aumentos en el requisito de produccin del
modelo Y reduciran el margen de utilidad. De hecho, el precio dual negativo indica que
reducir el requerimiento actual de 50 unidades para el modelo Y, producira en realidad
aumentos en las utilidades a razn de aproximadamente $2.40 por unidad que se reduzca
en el requisito .
NOTAS Y COMENTARIOS
Las contribuciones a las utilidades para los dos productos de la Jefferson Adding
Machine se basaron en la diferencia entre el precio unitario por unidad y el "costo"
por unidad. Una consideracin interesante al determinar el costo por unidad es la
diferencia entre los costos irrelevantes (sunk) y los costos relevantes. Costos irrelevan-
tes son aqullos que ya se han realizado, tales como compras previas de materiales,
gastos generales, mano de obra indirecta, etctera. Como son costos en los que ya
se ha incurrido, o costos que se realizarn sin importar las decisiones que se tomen,
tales conceptos carecen de relevancia; es decir, no son afectados por los valores de
las variables de decisin. Los costos irrelevantes no deben considerarse cuando se
desarrolla la funcin objetivo para un modelo de programacin lineal. Obsrvese
que la Tabla 4.5 muestra que los costos unitarios se basan en los costos relevantes
variables para los materiales, as como tambin en otros gastos variables. En el caso
referente a la proteccin ambiental que aparece al final del captulo se da oportuni-
dad de identificar los costos relevantes al desarrollar un modelo de programacin lineal.
4.4 APLICACIONES EN ADMINISTRACIN

DE LA PRODUCCIN
Programacin de la produccin
Una de las reas ms importantes de la programacin lineal trata de las aplicaciones en

periodos mltiples de planeacin, tales como la programacin de la produccin. La resolu-
cin de un problema de esta clase permite a los administradores establecer un programa
de produccin eficiente y a costos reducidos, para uno o ms productos, a lo largo de diver-
sos periodos, como semanas, meses, etctera. En esencia, se puede contemplar un problema
de programacin de la produccin como uno de combinacin o mezcla de productos para
cada uno de diversos lapsos hacia el futuro. El administrador debe determinar los niveles
de produccin que permitirn a una compaa satisfacer los requisitos de demanda del
producto, considerando limitaciones sobre la capacidad de produccin, la capacidad de
mano de obra y el espacio de almacenamiento. Al mismo tiempo, se desea minimizar el
costo total para llevar a cabo esa labor.
Un motivo importante de la generalizada aplicacin de la programacin lineal en proble-
mas de programacin de la produccin, es que stos son de naturaleza recurrente. Se debe
establecer un programa de produccin para el mes en curso, despus para el mes siguiente,
luego para el que sigue, y as sucesivamente. Cuando el gerente de produccin considera
el problema cada vez, se encuentra con que, aunque la demanda de los productos vara,
las limitaciones sobre el tiempo y las capacidades de produccin, y sobre el espacio de alma-
cenamiento, son bsicamente las mismas . Por ello, el gerente de produccin resuelve en
esencia el mismo problema que se ha manejado en meses anteriores . Por tanto es posible
aplicar con frecuencia un modelo general de programacin lineal para el procedimiento
de programado de la produccin. Una vez que se plante el modelo, el administrador puede
simplemente proporcionar los datos (demanda, capacidades, etc.) para el periodo de pro-
duccin dado, y puede entonces utilizarse el modelo de programacin lineal para desarrollar
el programa de produccin. De modo que un planteamiento de programacin lineal puede
tener muchas aplicaciones sucesivas.
Considere el caso de la empresa Bollinger Electronics Co., que fabrica dos componentes
electrnicos distintos para un importante fabricante de motores de avin. Tal fabricante
notifica a la oficina de ventas de la Bollinger, cada trimestre, cules sern los requerimientos
de componentes para los tres meses siguientes . Las demandas mensuales de los componentes
pueden variar considerablemente dependiendo del tipo de motor que produce el fabricante .
El pedido que se muestra en la Tabla 4.7 acaba de ser recibido, y corresponde al siguiente
lapso de tres meses.
Despus de que se procesa el pedido, se enva una constancia de demanda al departamento
de control de la produccin. A su vez, este departamento debe elaborar un plan de produc-
cin a tres meses para los componentes. Conociendo la preferencia del gerente del departa-
mento de produccin, por niveles constantes de demanda que den como resultado cargas
de trabajo equilibradas y utilizacin constante de las mquinas y la mano de obra, la persona
encargada del programa de produccin debe tomar en consideracin la alternativa de fabri-
car a una tasa constante durante los tres meses. Esto fijara cuotas de produccin de 3000
unidades por mes para el componente 322A y 1500 unidades al mes para el componente
802B. Por qu no adoptar este programa?
Aunque tal programa resultara atractivo para el departamento de produccin, puede
resultar indebido desde el punto de vista de los costos totales. En particular, omite los
costos de inventarios. Considrense los niveles proyectados de inventario que se produciran
TABLA 4. 7 Programa de la demanda a tres meses para Bollinger Electronic Company
Abril Mayo Junio
Componente 322A 1000 3000 5000

Componente 802B 1000 500 3000
138 CAPTULO CUATRO
30 de abril 31 de mayo
Componente 322A
2000
unidades
Componente 802B
500 1500
unidades unidades
FIGURA 4.5 Niveles proyectados de inventario con un programa de

produccin a tasa constante.
con este programa que exige produccin constante (Fig. 4.5). Se observa que el programa
de produccin conducira a niveles elevados de inventarios. Cuando se considera el costo
del capital y del espacio de almacenamiento comprometidos, un programa que produzca
menores niveles de inventarios puede resultar ms deseable en trminos econmicos.
En el otro extremo del programa de produccin a tasas constantes se encuentra el mtodo
de "fabricar para satisfacer la demanda". Aunque este tipo de programas elimina el proble-
ma de los costos de mantener inventario, las amplias fluctuaciones mensuales en los niveles
de produccin pueden ocasionar algunas dificultades y costos de produccin considerables.
Por ejemplo, tendra que haber capacidad de produccin disponible para satisfacer la de-
manda pico de 8000 unidades en junio. Tambin, y a menos que se pudieran programar
otros componentes para el mismo equipo de produccin en abril y mayo, habra una canti-
dad considerable de capacidad no utilizada y, por ello, una subutilizacin importante en
esos meses. Tales importantes variaciones en la produccin podran tambin exigir ajustes
considerables en la mano de obra que, a su vez, conduciran mayores problemas de rotacin
y de capacitacin del personal. Por ello, parece que el mejor programa de produccin sera
aquel que equilibrara las dos alternativas.
Al gerente de produccin le agradara identificar y considerar los siguientes costos
l. Costos de produccin
2. Costos de almacenamiento
3. Costos por cambios en el nivel de produccin
En la parte restante de esta seccin se muestra la forma en la que puede plantearse un

modelo de programacin lineal para el proceso de produccin e inventarios de la firma
Bollinger Electronics, que toma en consideracin esos costos de manera que se minimicen
los costos totales.
Para desarrollar el modelo se utiliza una notacin con doble subndice para las variables
de decisin. El primer subndice indica el nmero del producto, y el segundo, el mes. As,
en general, se utiliza X ;m para denotar el volumen de produccin en unidades para el pro-
ducto i en el mes m. Aqu, i = 1, 2, y m = 1, 2, 3; se tiene que i = 1 se refiere al componente
322A, i = 2 se refiere al componente 802B, m = 1 corresponde a abril, m = 2 se refiere
a mayo y m = 3 corresponde a junio. El propsito del doble subndice es ofrecer una
notacin ms descriptiva. Se poda simplemente utilizar x 6 para representar el nmero de
unidades del producto 2 que se fabrica en el mes 3, pero x 23 es ms descriptiva en cuanto
a que seala directamente el mes y el producto que la variable representa.
Si cuesta $20 (dlares) cada unidad que se fabrica del componente 322A, y $10 cada
componente 802B, la parte de los costos de produccin de la funcin objetivo se convierte en
Costo de produccin = 20x11 + 20x, 2 + 20x13 + 10x2 , + 10x22 + 10x23
Se debe observar que en este problema el costo por unidad de produccin es el mismo
en todos los meses. Por ello, no es necesario incluir los costos de produccin en la funcin
objetivo, es decir; independientemente de cul sea el programa de produccin que se elija,
los costos totales de produccin seguirn siendo los mismos. En otras palabras, los costos
de produccin son costos no relevantes para la decisin sobre el programa de produccin
que se considera. En casos en que se espera que el costo unitario vare cada mes, los costos
unitarios variables de produccin deben incluirse en la funcin objetivo. Como la solucin
para el problema de la Bollinger Electronics ser la misma independientemente de si se
incluyen estos costos o no, se ha decidido elegirlos para que el valor de la funcin objetivo
de programacin lineal incluya todos los costos correspondientes al problema.
Para incluir los costos relevantes de inventarios en el modelo, se introduce una variable
de decisin con doble subndice que indica el nmero de unidades de inventario para cada
producto y para cada mes. Se utiliza s;m para representar el nivel de inventario para el pro-
ducto i al final del mes m.
La Bollinger ha determinado que, sobre una base mensual, los costos de mantener el
inventario son de 1.50Jo del costo del producto; es decir, (0.015)($20) = $0.30 por unidad
del componente 322Ay (0.015)($10) = $0.15 por unidad para el componente 802B. Ense-
guida se comenta un supuesto que comnmente se hace al utilizar el mtodo de la programa-
cin lineal para programar produccin. Se supone que los inventarios de fin de mes son
una aproximacin aceptable de los niveles promedio de inventarios durante el propio mes.
Dado este supuesto, la porcin del costo del mantenimiento de inventarios de la funcin
objetivo se puede expresar de la siguiente manera:
Costo de mantenimiento de inventarios = 0.30s 11 + 0.30s 12 + 0.30s13 + 0.15s21 + 0.15s22
+ 0.15s23
Con objeto de incluir los costos que se producen por las fluctuaciones en los niveles
de produccin de un mes a otro, es necesario definir las dos variables de decisin adicionales
que siguen:
1m = aumento en el nivel total de produccin

durante el mes m en comparacin con el mes m -
D m = disminucin en el nivel total de produccin durante
el mes m en comparacin con el mes m - 1
Despus de estimar los efectos de los despidos temporales de los empleados, de la rotacin
de personal, de los costos de asignaciones a capacitacin, y de otros costos asociados a
los niveles fluctuantes de produccin, la Bollinger estima que el costo correspondiente a
un aumento en el nivel de la produccin para cualquier mes es $0.50 (de dlar) por aumento
unitario. A una disminucin en el nivel de produccin le corresponde un costo similar,
para cualquier mes, y es de $0.20 por unidad. As, la tercera porcin de la funcin objetivo
puede escribirse de la siguiente manera:
Costos por fluctuaciones en la produccin = 0.5011 + 0.5012 + 0.50/3 + 0.20D 1 + 0.20D2

+ 0.20D3
140 CAPTULO CUATRO
Se debe observar aqu que la Bollinger ha decidido medir los costos correspondientes
a las fluctuaciones en la produccin como funcin del cambio en el nmero total de unidades
que se fabrican en el mes m, en comparacin con el nmero total de unidades fabricadas
en el mes m - l. En otras aplicaciones a programas de produccin, pueden medirse las
fluctuaciones en la produccin en trminos de horas-mquina o de horas-trabajo que se
requieren, en vez de hacerlo en trminos del nmero total de unidades que se fabrican.
Combinando todos estos tres costos, la funcin objetivo completa se convierte en
min 20x 11 + 20x 12 + 20x 13 + 10x2 1 + 10x22 + 10x23 + 0.30s 11
+ 0.30s 12 + 0 .30s 13 + 0.15s2 1 + 0.15s22 + O. l5s 23 + 0.50/ 1
+ 0.50/2 + 0.50/3 + 0.20D 1 + 0.20D 2 + 0.20D 3
Considrense ahora las restricciones . En primer lugar, debe garantizarse que el programa
satisface la demanda del cliente. Como las unidades que se envan pueden provenir de la
produccin del mes en curso, o de los inventarios de periodos previos, se tienen los siguientes
requerimientos bsicos:
Inventario)
final Produccin) Demanda del )
+
( del mes ( en curso ( mes
anterior
La diferencia entre el lado izquierdo y el lado derecho ser la cantidad del inventario final,
al final de ese mes. Por ello, el requerimiento de la demanda asume la forma
In;~::~rio) +
Inventario )
final
Demanda~
( del mes
anterior
Produccin)
( en curso ( de este
mes
1 de este
mes
Supngase que los inventarios al principio del periodo del programa de tres meses fueran
de 500 unidades para el componente 322A y 200 unidades para el componente 802B. Recor-
dando que la demanda para ambos productos en el primer mes (abril) es de 1000 unidades,
las restricciones para satisfacer la demanda en el primer mes se convierten en
500 +X - S 1000
200 + x 21 - s21 1000
Pasando las constantes al lado derecho, se tiene

X S 500
800
De manera similar, se requieren restricciones de demanda para ambos productos en los

meses segundo y tercero. Esas pueden escribirse de la siguiente manera:
Mes 2: s 11 + x 12 3000
500
Mes 3: s 12 + x 13 - s 13 5000
s 22 + x 23 - s 23 3000
Si la compaa especifica un nivel mnimo de inventario al final del periodo de tres meses
de cuando menos 400 unidades del componente 322A y cuando menos 200 unidades del
componente 802B, pueden entonces incluirse las restricciones
S 3 2:: 400
s23 2:: 200
Supngase que se tiene informacin adicional disponible sobre la capacidad de produc-

cin, de mano de obra y almacenamiento, y es la que se presenta en la Tabla 4.8. En la
Tabla 4.9 se presentan los requerimientos de maquinaria, mano de obra y almacenamiento.
Las siguientes restricciones son necesarias para reflejar esas limitaciones:
Capacidad de las mquinas
0. 10x 11 + 0.08x 21 ::; 400 Mes 1

0. 10x 12 + 0.08x 22 ::; 500 Mes2
0. 10x 13 + 0.08x 23 ::; 600 Mes3
Capacidad de mano de obra:

0 .05x 11 + 0 .07x 21 ::; 300 Mes 1
0 .05x 12 + 0 .07x 22 ::; 300 Mes2
0 .05x 13 + 0.07x 23 ::; 300 Mes3
Capacidad de almacenamiento:
2s 11 + 3s 21 ::; 10,000 Mes 1
2s 12 + 3s 22 :s 10,000 Mes2
2s 13 + 3s 23 ::; 10,000 Mes3
TABLA 4.8 Capacidades de maquinaria, mano de obra y almacenamiento para

la Bollinger Electronics
Capacidad de Capacidad de Capacidad de

mquinas mano de obra almacenamiento
(horas) (horas) (pies cuadrados)
Abril 400 300 10,000

Mayo 500 300 10,000
Junio 600 300 10,000
TABLA 4.9 Requerimientos de maquinaria, mano de obra y almacenamiento

para los componentes 322A y 802B
Mquina Mano de obra Almacenamiento

(horas/ unidad) (horas/ unidad) pie 2/ unidad)
Componente 322A 0.10 0.05 2

Componente 802B 0.08 0.07 3
142 CAPTULO CUATRO
Se debe incluir un conjunto final de restricciones. Estas se requieren para garantizar

que Jm y Dm reflejarn el aumento o la disminucin en el nivel total de produccin en el
mes m. Supngase que los niveles de produccin para marzo (el mes anterior al inicio del
problema de la programacin de la produccin que se est. trabajando) hubiera sido de
1200 unidades del componente 322A y 1000 unidades del componente 802B, para un nivel
total de produccin de 1500 + 1000 = 2500 unidades. Puede determinarse la magnitud
del cambio en la produccin para abril, a partir de la relacin:
Produccin en abril - produccin en marzo = cambio
Utilizando las variables de decisin para la produccin de abril x 11 y x2 1' y la produccin

de marzo de 1500 unidades, se puede reescribir la relacin anterior como sigue:
X
11
+ X
21
- 2500 = cambio
Obsrvese que el cambio puede ser positivo o negativo. Un cambio positivo refleja un
aumento en el nivel total de produccin, y uno negativo refleja una disminucin. Utilizando
la relacin anterior, pueden utilizarse el aumento en la variable de produccin para abril
JI' y la disminucin en la variable de produccin para abril DI' para especificar la siguien-
te restriccin que corresponde al cambio en la produccin total para el mes de abril:
Por supuesto, no puede tenerse un aumento en la produccin y una disminucin en el

mismo periodo de un mes; por ello, J1 o bien D 1 ser cero . Si en abril se requieren 3000
unidades de produccin, se tendra J 1 = 500 y D 1 = O. Si en abril se requieren 2200 unida-
des de produccin, se tendr J1 = O y D 1 = 300. Esta forma de denotar el cambio en el
nivel de produccin como la diferencia entre dos variables no negativas J1 y DI' permite
considerar cambios tanto positivos como negativos en el nivel total de produccin. Si se
hubiera utilizado una sola variable, por ejemplo cm, para representar el cambio en el nivel
de produccin, entonces slo seran posibles los cambios positivos debido al requerimiento
de no negatividad.
Aplicando el mismo mtodo para mayo y junio (siempre restando la produccin total
del mes anterior, de la produccin total de mes en curso), se tendran las siguientes restriccio-
nes para los meses segundo y tercero del periodo de programacin de la produccin:
(x2 + xn) (X + X2) = /2 - D2

(x 13 + x 23 ) (x2 + x22) = /3 - D3
Colocando las variables en el lado izquierdo y las restricciones en el lado derecho, el conjun-
to completo de lo que comnmente se denominan restricciones de suavizacin de la produc-
cin, puede expresarse de la siguente manera:
xu + X21 2500
- x 11 - x 21 + x 12 + x 22 o
El problema de programacin inicial, relativamente reducido con dos productos y tres

meses, se ha convertido ahora en un problema de programacin lineal con 18 variables
TABLA 4.1 O Informacin sobre el programa de produccin de costos

mnimos para Bollinger Electronics
Actividad Abril Mayo Junio
Produccin
Componente 322A 500 3,200 5,200
Componente 802B 2,500 2,000 o
Totales 3,000 5,200 5,200
Inventario final
Componente 322A o 200 400
Componente 802B 1,700 3,200 200
Utilizacin de la maquinaria
Horas programadas 250 480 520
Horas de holgura en capacidad 150 20 80
Utilizacin de mano de obra
Horas programadas 200 300 260
Horas de holgura en capacidad 100 o 40
Utilizacin del almacenamiento
Almacenamiento programado 5,100 10,000 1,400
Capacidad de holgura 4,900 o 8,600
Costo total del programa (incluyendo produccin, inventarios y
alisado de la produccin) = $225,295
y 20 restricciones. Obsrvese que lo que importaba en el problema era solamente un tipo

de proceso en mquinas, un solo tipo de mano de obra y un solo tipo de rea de almacena-
miento. En los problemas reales de programacin de la produccin pueden encontrarse
varios tipos de mquinas, varios tipos de mano de obra y/o varios espacios de almacena-
miento. Por ello, es posible que el lector est comenzando a darse cuenta de la forma en
la que se presentan los sistemas de programas lineales de produccin en gran escala. Una
aplicacin tpica podra implicar el desarrollo de un programa de produccin para 100 art-
culos y un horizonte de tiempo de 12 meses. Un problema como ste podra tener ms
de 1000 variables y restricciones.
En la Fig. 4.6 se presenta la solucin computadorizada del problema de programacin
de la produccin de la Bollinger Electronics. En la Tabla 4.10 se muestra una parte del
reporte para los administradores que se basa en esta solucin por computadora.
Se proceder ahora a considerar la variacin mensual en el programa de produccin
de inventarios que se muestra en la Tabla 4.10. Recurdese que el costo de los inventarios
para el componente 802B es la mitad del costo de inventario para el componente 322A.
Por lo tanto, tal como podra esperarse, el componente 802B se fabrica en gran cantidad
en el primer mes (abril) y despus se mantiene en inventario para la demanda que se presente
en los meses siguientes. Se tiende a fabricar el componente 322A cuando se le necesita y
slo se mantiene en cantidades pequeas en los inventarios.
Los costos por los aumentos o disminuciones en el volumen total de produccin tienden
a suavizar las variaciones mensuales. De hecho, un programa de costo mnimo exige un
aumento de 500 unidades en la produccin total de abril y un aumento de 2200 unidades
144 CAPTULO CUATRO
en la produccin de mayo. El nivel de produccin de 5200 unidades se mantiene despus

durante junio.
La seccin del reporte sobre utilizacin de las mquinas muestra que existe considerable
capacidad disponible en los tres meses. Sin embargo, se observa tambin que las capacidades
de mano de obra y almacenamiento se utilizan en su totalidad (holgura = Opara la restric-
cin 13 y para la restriccin 16 de la Fig. 4.6) en el mes de mayo. El precio dual muestra
que una hora adicional de capacidad de mano de obra en mayo mejorara la funcin objeti-
vo (menores costos) en aproximadamente $2.14. Esta informacin podra ayudar al gerente
de produccin a decidir si debe aadir tiempo extra de la mano de obra durante el mes
de mayo. Una interpretacin similar para el precio dual de la restriccin 16 muestra que
cada pie cuadrado adicional de espacio de almacenamiento que se tenga desponible durante
mayo mejorar la funcin objetivo en poco menos de 5 centavos por pie cuadrado.

-------------------- ------------------- -----------------------
Xll 500.000000 0.000002
X12 3199.999000 0.000003
X13 5199.999500 0.000004
X21 2499.999500 0.000002
X22 2000.000980 0.000001
X23 0.000000 0.060719
Sll 0.000000 0.192860
S12 200.000977 0.000000
S13 400.000000 0.000000
S21 1699.999510 0.000000
S22 3200.000000 0.000003
S23 200.000000 0.000000
I1 500.001460 0.000000
I2 2199.998800 0.000000
I3 0.000000 0.000000
D1 0.000000 0.700000
D2 0.000000 0.700000
D3 0.000000 0.700000
-------------------- ------------------- -----------------------
1 0.000000 -20.000002
2 0.000000 -10.000002
3 0.000000 -20.107142
4 0.000000 -10.150002
5 0.000000 -20.499996
6 0.000000 -10.439282
7 0.000000 -20.799995
8 0.000000 -10.589281
9 149.999939 0.000000
10 20.000015 0.000000
11 80.000000 0.000000
12 100.000061 0.000000
13 0.000000 2.142897
14 39.999985 0.000000
15 4899.997100 0.000000
16 0.000000 0.046428
17 8600.000000 0.000000
18 0.000000 0.500000
19 0.000000 0.500000
20 0.000000 0.500000
FIGURA 4.6 Solucin por computadora del problema de programacin de la produccin

para Bollinger Electronics utilizando The Management Scientist.
Ya se ha visto en esta ilustracin que un modelo de programacin lineal para un sistema

de produccin de dos artculos y tres meses ofrece alguna informacin valiosa en trminos
de identificar un programa de costo mnimo. En sistemas de produccin ms grandes, en
los que el nmero de variables y restricciones es demasiado grande para seguirlo en forma
manual, los modelos de programacin lineal pueden ofrecer una ventaja importante en
la elaboracin de programas de produccin para ahorrar costos.
NOTAS Y COMENTARIOS
Al revisar la adecuacin de un modelo de programacin lineal, siempre resulta conve-

niente revisar las unidades de medicin para la funcin objetivo y para las restriccio-
nes. Por ejemplo, las capacidades de las mquinas para el problema de la Bollinger
Electronics se plantearon en unidades de horas. Como el componente 322A requera
0.10 horas (6 minutos) por unidad y el componente 802B requera 0.08 (4.8 minutos)
por unidad, la restriccin para las 400 horas disponibles en el mes se plante, correcta-
mente, de la siguiente manera:
0.10x 11 + 0.08x 12 ~ 400
La unidad de medicin es consistente, ya que se utilizan horas tanto para el lado

izquierdo como para el lado derecho . La restriccin
6x 11 + 4.8x12 ~ 400
no sera un planteamiento correcto porque el uso de minutos en el lado izquierdo
sera inconsistente con el uso de horas en el lado derecho. Esta incongruencia podra
corregirse convirtiendo la capacidad del lado derecho a (400 horas) X (60 minutos
por hora) = 24,000 minutos . Por ello, aunque exista flexibilidad al elegir la unidad
de medicin que se utiliza, es necesario verificar la consistencia.
Planeacin de la mano de obra
Con frecuencia se presentan problemas de planeacin o de programacin de la mano de

obra cuando los administradores deben tomar decisiones que implican requerimientos de-
partamentales de mano de obra para un periodo dado de tiempo. Esto es particularmente
cierto cuando las asignaciones de mano de obra tienen cierta flexibilidad y en los casos
en los que cuando menos cierta parte de la mano de obra puede asignarse a ms de un
departamento o centro de trabajo. Este es con frecuencia el caso cuando se ha capacitado
a los empleados para realizar dos o ms tareas. En el siguiente ejemplo se muestra la forma
en la que puede utilizarse la programacin lineal para determinar no slo una mezcla ptima
de productos sino tambin una asignacin ptima de mano de obra para los diversos depar-
tamentos .
La firma McCarthy's Everyday Glass, Co., est planeando fabricar dos estilos de vasos
para el siguiente mes. Los vasos se procesan en cuatro departamentos distintos. Existe capa-
cidad de equipo en exceso, y no resultar ser un factor limitan te. Sin embargo, los recursos
.' de mano de obra de la compaa son limitados y es posible que restrinjan el volumen de
produccin para los dos artculos . Los requerimientos de mano de obra por cada caja que
se fabrica (una docena de vasos) son los que se muestran en la Tabla 4.11.
146 CAPTULO CUATRO
TABLA 4.11 Horas de mano de obra por caja de productos
Departamento Producto 1 Producto 2
O.o70 0.100
2 0.050 0.084
3 0.100 0.067
4 0.010 0.025
La compaa obtiene utilidades de $1.00 (dlar) por cada caja del producto 1 y $0.90
(de dlar) por cada caja del producto 2. Si el nmero de horas disponibles en cada departa-
mento es fijo, se puede plantear el problema de la McCarthy como un programa lineal
estndar de mezcla de productos. Se utiliza la notacin comn:
x1 cajas del producto 1 quese fabrican 1
x2 cajas del producto 2 que se fabrican
horas de mano de obra disponibles en el departamento i,
El programa lineal puede escribirse de la siguiente manera:
1, 2, 3, 4
1
max 1.00x 1 + 0.90x2
sujeta a
0.070x 1 + 0.100x2 :::; b1
0.050x 1 + 0.084x2 :5 b2
0.100x 1 + 0.067x2 :5 b3
0.010x 1 + 0.025x2 :5 b4
Para resolver este problema de combinacin de productos, se pedira al gerente de produc-

cin que especificara las horas disponibles en cada departamento (bp b2 , b 3 , y b4); des-
pus, podra .resolverse para obtener la mezcla de productos que maximiza las utilidades.
1.
Sin embargo, en este caso se supone que el administrador tiene cierta flexibilidad para asig-
nar los recursos de mano de obra y sera conveniente hacer una recomendacin para esa
asignacin, al igual que para determinar la cumbirtacin ptima de productos.
Supngase que, despus de considerar las calificaciones de capacitacin y experiencia
, 1
.
de los trabajadores, se tiene la siguiente informacin adicional: ..1'
Posibles asignaciones Horas de mano
de mano de obra de obra disponibles
Slo en el departamento 1 430

Departamentos 1 o 2 570
Departamentos 3 o 4 300
Total disponible 2335
Se observa que, de las 2,335 horas disponibles para la produccin del mes, pueden asignarse
870 de ellas a discrecin del administrador. Las restricciones para las horas disponibles
en cada departamento son las siguientes:
b ::::; 430 + 570 = 1000

b2 :S 400 + 570 = 970
b3 ::::; 500 + 300 800
b4 ::::; 135 + 300 435
Como no es posible asignar en forma simultnea a ambos departamentos las 570 horas
que pueden asignarse con flexibilidad entre los departamentos 1 y 2, es necesaria la siguiente
restriccin adicional:
bl + b2 ::::; 430 + 400 + 570 = 1400
De manera similar, para las 300 horas que es posible asignar entre los departamentos 3
y 4, se requiere la restriccin
b3 + b4 ::::; 500 + 135 + 300 = 935
En este planteamiento se estn manejando como variables las horas de mano de obra
que se asignan a los departamentos. Los coeficientes de la funcin objetivo para estas varia-
bles sern cero, porque las variables b; no afectan las utilidades en forma directa. Despus
de colocar todas las variables del lado izquierdo de las restricciones, se obtiene el siguiente
programa lineal
max 1.00x 1 + 0.90x 2 + Ob 1 + Ob 2 + Ob 3 + Ob4
sujeta a
0.070x 1 + 0.100x 2 - b ::::; o
0.050x 1 + 0.084x2 - bz ::::; o
0.100x 1 + 0.067x 2 - b3 ::::; o
0.010x 1 + 0.025x 2 b4::::; o
b ::::; 1000
bz ::::; 970
b3 ::::; 800
b4::::; 435
b + bz ::::; 1400
b3 + b4::::; 935
x 1 , x 2 , b 1 , b 2 , b 3, b 4 2:: O
Este modelo de programacin lineal resolver en realidad dos problemas: (1) permitir
encontrar la mezcla ptima de productos para el periodo de planeacin y (2) permitir
asignar las horas disponibles de mano de obra a los departamentos, de manera que se maxi-
148 CAPTULO CUATRO
TABLA 4.12 Plan ptimo de produccin y asignacin de mano de obra para

McCarthy's Everyday Glass Company
Plan de produccin :
Producto 1 = 4700 cajas
Producto 2 = 4543 cajas
Asignacin de mano de obra
Departamento 1 783 horas
Total 2335 horas
Utilidad = $8789
micen las utilidades . En la Tabla 4.12 se muestra la solucin para este modelo de 10 restric-
ciones y 6 variables.
Obsrvese que el plan ptimo de mano de obra utiliza todas las 2,335 horas disponibles.
En esta solucin, no existe tiempo ocioso en ninguno de los departamentos. No es este
siempre el caso en los problemas de este tipo. Sin embargo, si el administrador tiene de
hecho la libertad de asignar a ciertos empleados a distintos departamentos, el efecto ser
probablemente una reduccin en el tiempo ocioso global. El modelo de programacin asig-
na automticamente a los empleados a los departamentos de la manera ms redituable.
Si el administrador hubiera efectuado una asignacin, segn su juicio, de las horas a los
departamentos, y si hubiera despus resuelto el problema de mezcla de productos utilizando
unas b; fijas, es probable que hubiera tenido holgura en algunos departamentos, al mismo
tiempo que otros departamentos hubieran representado congestionamientos debido a re-
cursos insuficientes.
Pueden utilizarse variantes en el planteamiento bsico de esta seccin en casos como
la asignacin de materias primas a productos, en la asignacin de tiempo de mquina a
productos y en la asignacin de tiempo de fuerza de ventas a lneas de productos o a territo-
rios de ventas.
4.5 PROBLEMA DE MEZCLAS

Los problemas de mezclas se presentan cuando los administradores deciden la forma en
que deben combinarse dos o ms recursos para fabricar uno o ms productos. En estos
casos, los recursos contienen uno o ms ingredientes esenciales que deben mezclarse de
manera que los productos finales contengan porcentajes especficos de los ingredientes esen-
ciales . E-or ello, en la mayor parte de estas aplicaciones, los administradores deben decidir
qu tanto de cada recurso deben adquirir para satisfacer las especificaciones de los prodcu-
tos y las demandas de los productos a un costo mnimo .
Con frecuencia se presentan problemas de mezclas en la industria del petrleo (problemas
como la combinacin de petrleos crudos para fabricar gasolinas con octanajes diferentes),
en la industria qumica (tales como la mezcla de productos qumicos para fabricar fertilizan-
tes o para controlar hierbas, etc.) y en la industria de los alimentos (como mezcla de ingre-
TABLA 4.13 Costos y ofertas de petrleo para el problema de mezclado

en la Grand Strand
Componente de petrleo Costo por galn Mximo disponible
Componente 1 $0 .25 5,000 galones

Componente 2 $0.30 10,000 galones
Componente 3 $0.42 10,000 galones
TABLA 4.14 Especificaciones de los productos para el problema de

mezclado de la Grand Strand
Producto Especificaciones
Gasolina normal Cuando mucho 300Jo del componente 1

Al menos 40% del componente 2
Cuando mucho 20% del componente 3
Gasolina extra Al menos 25% del componente 1
Cuando mucho 40% del componente 2
Al menos 30% del componente 3
dientes para fabricar bebidas, sopas, etc.). Debido a la extensa aplicacin de los problemas
de mezclas, el objetivo de esta seccin es ilustrar la forma en que se puede aplicar la progra-
macin lineal para resolver este tipo de problemas.
La empresa Grand Strand Oil, Co., fabrica gasolinas de grado normal y de grado extra,
que se venden en gasolineras independientes en el sureste de Estados Unidos. La refinera
de la Grand Strand fabrica las gasolinas mezclando tres componentes de petrleo. Las gaso-
linas se venden a precios distintos, y los componentes de petrleo tienen costo diferente.
La empresa pretende determinar cmo mezclar o combinar los tres componentes para obte-
ner las dos gasolinas, de manera que se maximicen las utilidades.
Los datos disponibles muestran que la gasolina de grado normal se puede vender en $0.50
(de dlar) por galn y la gasolina de grado extra en $0.54 por galn. Para el periodo en
curso de la planeacin de la produccin, la Grand Strand puede obtener los tres componen-
tes de petrleo a los costos por galn y en las cantidades que se muestran en la Tabla 4.13.
Las especificaciones de los productos para las gasolinas restringen las cantidades de cada
componente que se pueden utilizar en cada gasolina. Las especificaciones de los productos
se listan en la Tabla 4.14. Los compromisos actuales con los distribuidores requieren que
la Grand Strand fabrique cuando menos 10,000 galones de la gasolina de grado normal.
El problema de mezcla de la Grand Strand consiste en determinar cuntos galones de
cada componente se deben util;zar en la mezcla de la gasolina de grado normal, y cuntos
galones de cada componente en la mezcla de la gasolina de grado extra. La solucin de
la mezcla ptima debe maximizar las utilidades de la empresa, sujeta a las restricciones
que se tienen sobre la disponibilidad de componentes de petrleo que se muestra en la Tabla
4.13, y sujeta a las especificaciones de los productos que se muestran en la Tabla 4.14 y
a los 10,000 galones que se requieren de gasolina de grado normal.
150 CAPTULO CUATRO
1

Se puede utilizar la siguiente notacin para definir a las variables de decisin:
Sean
xu galones del componente i que se utilizan en la gasolina j, en
donde i = 1, 2 o 3, para los componentes 1, 2 o 3;
se tiene que j = r si es normal o j = p si es extra
Las seis variables de decisin se convierten en
x 1, galones del componente 1 en la gasolina normal

x 1P galones del componente 1 en la gasolina extra
Obsrvese que antes se haban utilizado siempre nmeros como subndices para las varia-
bles de decisin. Continuando con el uso de subndices numricos, se hubiera podido fijar
j = 1 para la gasolina normal y j = 2 para la gasolina extra. Sin embargo, el uso de los
subndices r y p resulta descriptivo y permite identificar con facilidad la gasolina a la que
se refiere la variable de decisin.
Utilizando las seis variables decisorias, puede expresarse el nmero total de galones de
cada tipo de gasolina que se fabrica sumando el nmero de galones que se fabrican utilizan-
do cada uno de los tres componentes de petrleo. Es decir,
Total de galones que se producen
Gasolina normal = X 1, + X 2, + X 3,
Gasolina extra = x 1P + X 2P + X 3P
De manera similar, es posible expresar el total de galones de cada componente de petrleo

que se utilizan mediante las siguientes sumas:
Utilizaci6n total de los componentes de petr6leo
Componente 1 x 1, + x 1P
Componente 2 x2, + X2p
Componente 3 x3, + XJp
Puede desarrollarse la funcin objetivo para maximizar la contribucin a las utilidades
identificando la diferencia entre los ingresos totales provenientes de los dos tipos de gasolina
y el costo total de los tres componentes de petrleo. La funcin objetivo puede escribirse
de la siguiente manera; multiplicando el precio por galn de $0.50 por el total de galones
de gasolina normal; el precio por galn de $0.54, por el total de galones de gasolina extra;
y las cifras de costo por galn de cada componente de la Tabla 4.13, por el total de galones
de cada componente que se utilizan:
max 0.50(x 1, + x2, + x3,) + 0.54(x 1P + x 2P + x 3p)
-0.25(:c 1, + x 1p) - 0.30(x2, + x2p) - 0.42(x3, + x 3P)
Combinando trminos semejantes, puede escribirse la funcin objetivo como sigue:

max 0 .25x 1r + 0.20x2r + 0 .08x3r + 0.29x 1P + 0 .24x2P + 0.12x3P
Las limitaciones sobre la disponibilidad de los tres componentes de petrleo se pueden
expresar mediante las siguientes tres restricciones:
xlr + xlp :5 5,000 Componente 1

X 2r + X 2P :5 10,000 Componente 2
x 3r + x 3P :5 10,000 Componente 3
Ahora se requieren seis restricciones para satisfacer las especificaciones de los productos
que se listan en la Tabla 4.14. La primera especificacin plantea que el componente 1 puede
constituir cuando mucho 300Jo del total de galones que se fabrican de gasolina normal. Es decir,
o bien
Replanteando esta restriccin con las variables en el lado izquierdo y una constante en
el lado derecho, la restriccin sobre la especificacin del primer producto se convierte en
0 .70x 1r - 0 .30xzr - 0 .30x3r:::; O
La especificacin para el segundo producto que se lista en la Tabla 4.14 puede escribirse como
o bien
y as
De manera similar, pueden escribirse de la siguiente manera las cuatro especificaciones

adicionales sobre las mezclas, que se muestran en la Tabla 4.14:
-0 .20x 1r - 0.20Xzr + 0 .80x3r:::; O

O. 75x 1P 0 .25x2P 0 .25x3P ~ O
- 0.40x 1P + 0.60x2P O.40x3P :::; O
- 0.30x 1P - 0.30x2P + O.70x3P ~ O
La restriccin para el mnimo de 10,000 galones de la gasolina de grado normal se escribe:
Por ello, el modelo completo de programacin lineal con seis variables de decisin y
dos restricciones se puede escribir de la siguiente manera:
152 CAPTULO CUATRO
max 0.25x 1, + 0.20x2, + 0.08x3, + 0.29x 1P + 0.24x2P + 0.12x3P

sujeta a
X, + Xp ::; 5,000
Xzr + Xzp ::; 10,000
X3r + x3p ::; 10,000
0.70x 1, - 0.30x 2, - 0.30x3, ::; o
-0.40x 1, + 0.60x 2 , - 0.40x 3, 2: o
-0.20x 1, - 0.20x 2 , + 0.80x3, ::; o
0.75x 1P - 0.25x2P 0.25x 3P :::: o
0.40x 1P + 0.60x 2P 0.40x 3P ::; o
0.30x 1P 0.30x2P + 0.70x3P:::: o
X,+ Xzr + X3r 2: 10,000
x 1,, x 2 ,, x 3,, x 1P' x 2P' x 3P 2: O
En la Fig. 4. 7 se muestra la solucin por computadora para el problema de las mezclas
de la Grand Strand. La solucin de mezclado que ofrece una utilidad de $4,650 se resume
en la Tabla 4.15. La estrategia ptima de mezclado seala que se deben fabricar 10,000
galones de gasolina normal. La gasolina normal consistir en una mezcla del componente 1
(1 ,250 galones) y el componente 2 (8,750 galones). Los 15,000 galones de la gasolina extra
se deben elaborar con una combinacin de los tres componentes de petrleo: 3, 750 galones
del componente 1, 1,250 galones del componente 2 y 10,000 galones del componente 3.
X1R 1249.999020 0.000000

X2R 8749.997100 0.000000
X3R 0.000000 0.000000
X1P 3750.001000 0.000000
X2P 1250.005860 0.000000
X3P 10000.000000 0.000000
1 0.000000 0.290000
2 0.000000 0.240000
3 0.000000 0.120000
4 1750.000490 0.000000
5 4"149. 999000 0.000000
6 1999.999390 0.000000
7 0.000000 0.000000
8 4749.998000 0.000000
9 5499.997100 0.000000
10 0.000000 -0.040000
FIGURA 4. 7 Solucin por computadora del problema de mezclado de la Grand

Strand utilizando The Management Scientist.
TABLA 4.15 Estrategia de mezclado de gasolina de la firma Grand Strand
Componentes de los galones (porcentaje)

Gasolina Componente 1 Componente 2 Componente 3 Total
Normal 1250 (12.50Jo) 8750 (87.5%) 10,000

Extra 3750 (25.0%) 1250 ( 8.3%) 10,000 (66. 7%) 15,000
Es necesario aclarar un poco la interpretacin de las variables de holgura y de excedente

correspondientes a las restricciones de especificacin de los productos (restricciones 4 a
9) de la Fig. 4. 7. Si la restriccin es del tipo :5, el valor de la holgura se puede interpretar
como los galones del componente utilizado por debajo de la cantidad mxima especificada
por la restriccin. Por ejemplo, la holgura de 1, 750 para la restriccin 4, muestra que el
uso del componente 1 se encuentra 1, 750 galones por debajo de la cantidad mxima del
componente 1 que se hubiera podido utilizar en la produccin de los 10,000 galones de
la gasolina normal. Si la restriccin de especificacin del producto es del tipo ~ una variable
de excedente muestra los galones del componente que se utilizan por encima de la cantidad
mnima especificada por la restriccin de mezclado. Por ejemplo, el excedente de 4, 750
para la restriccin 5 muestra que el componente 2 se utiliza en 4,750 galones por encima
de la cantidad mnima de ese componente 2 que se hubiera podido utilizar en la produccin
de los 10,000 galones de gasolina normal.
NOTAS Y COMENTARIOS
Una forma conveniente de definir las variables de decisin en un problema de mezclas

es utilizar una matriz en la que los renglones correspondan a las materias y las colum-
nas correspondan a los productos finales. Por ejemplo, en el problema de mezclado
de la Grand Strand se podran definir las variables de decisin de la siguiente manera;
Materias Componente 1 Productos Finales

Primas Componente 2 Gasolina normal Gasolina extra
Componente 3
Existen dos ventajas con este mtodo: (1) ofrece una forma sistemtica de definir
las variables de decisin para cualquier problema de mezcla, (2) es una imagen visual
de las variables de decisin en trminos de la forma en la que se relacionan con las
materias primas, los productos, y entre s.
4.6 ANLISIS GLOBAL DE DATOS

El anlisis global de datos (AGD) (DEA, en ingls, de data envelopment analysis) es una
nueva aplicacin de la programacin lineal que se ha estado utilizando para medir la eficien-
cia relativa de unidades de operacin con las mismas metas y objetivos. Por ejemplo, el
154 CAPTULO CUATRO
AGD se ha utilizado para medir la eficiencia relativa de expendios de ''comida instantnea''

(jast food) pertenecientes a la misma cadena. En este caso, la meta del AGD consista en
identificar los expendios ineficientes que deban programarse para realizar mayores estu-
dios y, si fuera necesario, emprender acciones correctivas. Mediante otras aplicaciones del
AGD se han medido las eficiencias relativas en hospitales, bancos, tribunales, escuelas,
etctera. En estas aplicaciones se midi el desempeo de cada hospital, banco, tribunal
o escuela, en relacin con el desempeo de todas las unidades operativas pertenecientes
al mismo sistema.
Las unidades de operacin de la mayor parte de las organizaciones tienen insumas mlti-
ples, tales como cantidad de personal, monto de sueldos, horas de operacin y presupuestos
de publicidad, as como tambin productos mltiples, como utilidades, participacin en
el mercado y tasa de crecimiento . En estos casos con frecuencia resulta difcil a los adminis-
tradores determinar qu unidades operativas son ineficientes para convertir sus insumas
mltiples en productos mltiples. Es aqu donde el anlisis global de datos ha probado
ser una til herramienta administrativa.
El mtodo del AGD utiliza un modelo de programacin lineal para constituir una unidad
operativa compuesta e hipottica, con base en todas las unidades del grupo de referencia.
Se determinan los resultados de tal unidad calculando un promedio ponderado de los resul-
tados de todas las unidades de grupo de referencia. Las restricciones del modelo de progra-
macin lineal requieren que todos los resultados de la unidad compuesta sean mayores
que o iguales a los resultados de la unidad que se evala. Si se puede probar que los insumas
para la unidad compuesta son inferiores a los insumas para la unidad que se evala, se
tiene que la unidad citada obtiene el mismo resultado (o mayor) con menos insumos. En
este caso, el modelo seala que la unidad compuesta es ms eficiente que la unidad evaluada.
En otras palabras, la unidad que se evala es menos eficiente que la unidad compuesta.
Como la unidad en cuestin se basa en todas las unidades del grupo de referencia, puede
calificarse a la unidad en evaluacin como relativamente ineficiente cuando se la compara
con las otras unidades del grupo.
Evaluacin del desempeo en hospitales

Se procede a evaluar la ilustracin del anlisis global de datos para valorar el desempeo
de un grupo de cuatro hospitales. En el ejemplo se consideran tres medidas de insumas
y cuatro medidas de resultados. Tales medidas son las siguientes:
Medidas de insumas:
l. El nmero de elementos del personal, equivalentes, de tiempo completo y que no son
mdicos
2. La cantidad que se invierte en suministros
3. El nmero de das-cama disponibles
Medidas de los resultados:
l. Das-paciente de servicio segn Medicare*
2. Das-paciente de servicios que no estn bajo Medicare
3. Nmero de enfermeras en capacitacin
4. Nmero de mdicos internos en capacitacin
N. del T. Medicare es un seguro de gastos mdicos patrocinado en parte por el gobierno de Estados Unidos.
TABLA 4.16 Recursos anuales que se consumen (insumas) en los cuatro hospitales
Hospital
Medida del insumo General Universitario Distrito/ Estatal
Personal no mdico
equivalente de tiempo completo 285.20 162.30 275.70 210.40
Gastos en suministros (miles) 123.80 128.70 348.50 154.10
Das-cama disponibles (miles) 106.72 64.21 104.10 104.04
TABLA 4.17 Servicios anuales que ofrecen (resultados) los cuatro hospitales
Hospital
Medida del resultado General Universitario Distrito/ Estatal
Das-paciente con Medicare (miles) 48.14 34.62 36.72 33.16

Das-paciente sin Medicare (miles) 43.10 27.11 45.98 56.46
Enfermeras en capacitacin 253 148 175 160
Mdicos internos en capacitacin 41 27 23 84
En las Tablas 4.16 y 4.17 se presentan resmenes de las medidas de los insumas y de
los resultados para un periodo de cuatro aos en cada hospital. Enseguida se muestra la
forma en la que puede utilizarse el AGD con estos datos para identificar cualquier hospital
relativamente ineficiente.
Al aplicar el AGD, ser necesario desarrollar un modelo de programacin lineal para
cada hospital cuya eficiencia se desee evaluar. En el anlisis que sigue, se desarrolla un
modelo que puede emplearse para valorar la eficiencia relativa del Hospital Distrital (en
el Problema 26 del final del captulo se pide desarrollar un modelo para evaluar la eficiencia
relativa del Hospital General). Al elaborar el modelo de programacin lineal para el Hospi-
tal Distrital, las ponderaciones que se utilizan para construir al hospital compuesto son
las variables. Estas se definen de la siguiente manera:
wg ponderacin aplicada a insumas y resultados del Hospital General

wu ponderacin aplicada a insumas y resultados del Hospital Universitario
wc = ponderacin aplicada a insumas y resultados del Hospital de Distrito
ws = ponderacin aplicada a insumas y resultados del Hospital Estatal
Como se mencionaba, se utilizarn los pesos para determinar los insumas y los resultados
para el hospital compuesto hipottico. Las relaciones de insumas/resultados que se incluyen
en el modelo tendrn la siguiente forma general:
Insumas/ insumas/ ) insumas/ )

resultados en = resultados en wg + resultados en
. l wu
el hospital ( el hospital ( el Hosp1ta
compueso General Unive_:sitario
insumas/ ) ( insumas/ ' )

+ resultados en wc + resultados en ws
( el Hospital el Hospital
Distrital Estatal
156 CAPTULO CUATRO
Al plantear el modelo de programacin lineal de AGD, se utiliza la expresin anterior para

desarrollar una restriccin para cada medida de los insumos y para cada medida de los
resultados. El calcular los pesos para los cuatro hospitales que conforman el hospital com-
puesto, el modelo de programacin lineal de AGD requerir que la suma de las ponderacio-
nes sea igual a la unidad. Por ello, para el ejemplo de los cuatro hospitales, la primera
restriccin ser:
wg + WU + WC + WS = 1
Utilizando la relacin general de insumos/ resultados para cada una de las cuatro medidas
de los resultados, las cuatro restricciones de resultados para el modelo de AGD se escriben
de la siguiente manera:
48.14wg + 34.62wu + 36.72wc + 33 .16ws 2: 36.72 Con Medicare

43 .10wg + 27.llwu + 45.98wc + 56.46ws 2: 45.98 Sin Medicare
253wg + 148wu + 175wc + 160ws 2: 175 Enfermeras
4lwg + 27wu + 23wc + 84ws 2: 23 Mdicos internos
"\
Resultados para el
Resultados para el Hospital Compuesto Hospital Distrital
Las restricciones anteriores requieren que la solucin de programacin lineal proporcione

ponderaciones, de manera que cada resultado para el hospital compuesto sea mayor que
o igual a cada uno de los cuatro resultados del Hospital Distrital. Si se puede obtener una
solucin que satisfaga las restricciones de los resultados, entonces el hospital compuesto
produce cuando menos la misma cantidad de cada resultado que el Hospital Distrital.
Despus es necesario considerar las tres medidas de insumos. El modelo de programacin
lineal de AGD contiene la variable E, que determina la fraccin de los insumos del Hospital
de Distrito que el hospital compuesto requiere. El uso de E, a la cual se denomina lndice
de eficiencia, se muestra en la siguiente tabla.
Recursos de entrada (insumos)

Utilizados por el Disponibles para el
Medida de los insumas Hospital Distrital Hospital Compuesto
Personal no mdico, tiempo completo equiv. 275.70 275.70E

Suministros (miles) 348.50 348 .50E
Das cama (miles) 104.10 104.10E
Como se muestra antes, los recursos disponibles para el hospital compuesto son simplemen-
te un mltiplo de los recursos que se utilizan en el Hospital Distrital. Si E = 1, los recursos
disponibles para el hospital compuesto son los mismos que se emplean en el Hospital Distri-
tal. Si E es mayor que 1, el hospital compuesto tendra a su disposicin proporcionalmente
ms recursos, mientras que si E es menor que 1, el hospital compuesto tendra a su disposi-

cin una cantidad proporcionalmente menor de recursos. Las restricciones de programa-
cin lineal para las tres medidas de insumos se expresan de la siguiente manera:
285 .20wg + 162.30wu + 275 .70wc + 210.40ws :S 275.70E Personal no mdico de

tiempo completo equivalente
123 .80wg+ 128 .70wu + 348.50wc + 154.10ws :S 348 .50E Suministros
106.72wg + 64 .2lwu + 104.10wc + 104.04ws :S 104.10E Das-cama
Insumos para el hospital compuesto

'
Capacidades de insumos
para el hospital compuesto
Si se puede encontrar una solucin con E < 1, el hospital compuesto no requiere tantos
recursos como los que necesita el Hospital de Distrito.
La funcin objetivo para el modelo de AGD consiste en minimizar el valor de E, que
equivale a minimizar los recursos disponibles como insumos para el hospital compuesto .
Por ello, la funcin objetivo es
min E
La conclusin sobre eficiencia en el AGD se basa en el valor ptimo de la funcin objetivo
para E. La regla de decisin es la siguiente:
Si E= 1, el hospital compuesto requiere tantos insumas como

el Hospital Distrital. No hay evidencia de que este
Hospital es ineficiente.
Si E< 1, el hospital compuesto requiere de menos insumas
para obtener los resultados que se logran en el
Hospital Distrital. El hospital compuesto es ms
eficiente. Por ello, se puede decir que el Hospital de
Distrito es relativamente ineficiente.
El modelo de programacin lineal de AGD para evaluar la eficiencia en el Hospital de

Distrito tiene cinco variables de decisin y ocho restricciones. En seguida se expresa de
nuevo el modelo completo:
M in E
sujeta a
wg+ wu + wc + ws =
48.14wg + 34.62wu + 36 .72wc + 33.16ws :2: 36.72
43.10wg + 27 . 1lwu + 45 .98wc + 56.46ws :2:45.98
253wg + 148wu + 175wc + 160ws :2: 175
41wg + 27wu + 23wc + 84ws :2: 23
-275 .50E+ 285 .20 wg + 162.30wu + 275 .70wc + 210.40ws :S o
-348.50E + 123 .80wg + 128 .70wu + 348.50wc + 154. 10ws :S o
-104.10E + 106.72wg + 64 .2lwu + 104.10wc + 104.04ws :S O
wg, WU, WC, WS :2: 0
158 CAPTULO CUATRO
SOLUCIN PTIMA
Valor de la funcin objetivo = 0 . 905238
E 0 . 905238 0 . 000000
WG 0.212266 0 . 000000
wu 0 . 260447 0 . 000000
wc 0.000000 0 . 09 4 762
ws 0.527286 0 . 000000
Restriccin H olgura/ Excedente Precios duales
1 0 . 000000 0.238886
2 0 . 000000 - 0 . 000014
3 0 . 000000 - 0.000014
4 1 . 615387 0.000000
5 37 . 027027 0 . 000000
6 35 . 642986 0 . 000000
7 174422 . 297000 0 . 000000
8 0.000000 0 . 0000 1 0
FIGURA 4.8 Solucin por computadora del anlisis global de datos para el problema
del modelo del Hospital de Distrito, utilizando The Management Scientist.
Obsrvese que en el planteamiento anterior del modelo, se han pasado aliado izquierdo
de las tres restricciones de insumas los trminos que incluyen a E, porque sta es una variable
de decisin. Se resolvi el programa lineal anterior utilizando el paquete de computacin
The Management Scientist. En la Fig. 4.8 se muestra un listado de computadora con la
solucin.
En primer lugar, se observa que la funcin objetivo muestra que la calificacin de la
eficiencia para el Hospital Distrital es 0.905. Esto indica que el hospital compuesto puede
obtener cuando menos el mismo nivel de cada resultado que lo que obtiene el Hospital
de Distrito, teniendo a su disposicin no ms del 90.507o de los recursos de insumas que
requiere el Hospital Distrital. El hospital compuesto es ms eficiente, y el anlisis de AGD
ha identificado que el Hospital de Distrito es relativamente ineficiente.
A partir de la solucin de la Fig. 4.8, se observa que el hospital compuesto est formado
a partir del promedio ponderado del Hospital General (wg = 0.212), Hospital Universitario
(wu = 0.260) y Hospital Estatal (ws = 0.527) . Se determina cada insumo y cada resultado
para el hospital compuesto mediante el mismo promedio ponderado de los insumos y los
resultados de estos tres hospitales . La columna "Holgura/ Excedente" ofrece informacin
adicional sobre la eficiencia del Hospital de Distrito, en comparacin con el hospital com-
puesto. Especficamente, el hospital compuesto tiene cuando menos la misma cantidad de
resultados que el Hospital de Distrito (restricciones 2-5) y ofrece 1.6 ms enfermeras en
capacitacin (el excedente de la restriccin 4) y 37 mdicos internos ms en capacitacin
(excedente de la restriccin 5) . La holgura de O para la restriccin 8 muestra que el hospital
compuesto emplea aproximadamente 90.50Jo de los das-cama que utiliza el Hospital de
Distrito . Los valores de holgura para las restricciones 6 y 7 muestran que el hospital com-
puesto utiliza menos de 90.507o de los recursos de suministros y del personal de tiempo
completo que no sean mdicos en el Hospital de Distrito .
Resulta evidente que el hospital compuesto es ms eficiente que el Hospital Distrital,

y que se justifica concluir que este Hospital es relativamente ineficiente en comparacin
con los hospitales del grupo . Con los resultados del anlisis de AGD, los administradores
del hospital deben examinar sus operaciones para determinar la forma en la que se pueden
utilizar de manera ms efectiva los recursos del Hospital de Distrito.
NOTAS Y COMENTARIOS
l. Se debe recordar que el propsito del anlisis global de datos consiste en identificar
unidades operativas que son relativamente ineficientes. El mtodo no necesaria-
mente identifica las unidades operativas que son relativamente eficientes. El simple
hecho de que el ndice de eficiencia sea E = 1, no permite concluir que la unidad
que se analiza es relativamente eficiente. De hecho, no puede decidirse que cual-
quier unidad que tenga los mayores resultados en cualquiera de las medidas corres-
pondientes es relativamente ineficiente. Por ello, sigue siendo posible mejorar la
eficiencia absoluta de las unidades que no son relativamente ineficientes.
2. Si existe alguna unidad que sea supereficiente, el AGD mostrar que todas las de-
ms unidades son relativamente ineficientes. Este sera el caso si la unidad que
produce la mayor parte de los resultados consume tambin la menor cantidad de
insumos. En la prctica, estos casos son extremadamente raros.
3. Al aplicar el anlisis global de datos a problemas que implican grupos grandes
de unidades operativas, los practicantes han encontrado que aproximadamente
50% de las unidades operativas pueden clasificarse como ineficientes. Comparar
cada unidad relativamente ineficiente con las unidades que contribuyen a la unidad
compuesta puede resultar til para comprender la forma en la que se puede mejorar
la operacin de cada unidad relativamente ineficiente.
RESUMEN
En este captulo se expuso una amplia gama de aplicaciones para ilustrar la forma en que
la programacin lineal puede ayudar en el proceso de toma de decisiones. Utilizando situa-
ciones, se plantearon y resolvieron problemas en las reas de mercadotecnica, finanzas
y administracin de la produccin. Adems, se mostr la forma en que puede aplicarse
la programacin lineal a problemas de mezclas, y al rea relativamente nueva del anlisis
global de datos.
Muchas de las ilustraciones que se presentaron en este captulo son versiones en pequea
escala de situaciones reales en las que se ha aplicado la programacin lineal. En dichas
aplicaciones, el problema puede no estar planteado en forma tan concisa, los datos para
el problema pueden no estar tan fcilmente disponibles, y es muy probable que el problema
implique ms variables de decisin y/o restricciones. Sin embargo, un estudio exhaustivo
de las aplicaciones de este captulo es un buen comienzo para una persona que espera en
algn momento dado estar en posibilidades de aplicar la programacin lineal a problemas
reales. Se incluy un listado del paquete de computacin The Management Scientist (o
TMS) para muchas de las aplicaciones que se presentaron en el captulo. Los resultados
por computadora ofrecen una oportunidad para analizar la informacin correspondiente
y para hacer interpretaciones con base en el anlisis de sensibilidad.
160 CAPTULO CUATRO
PROBLEMAS
Nota para el estudiante: Los siguientes problemas se han diseado para ofrecer una com-
prensin y una apreciacin de la amplia gama de problemas que se pueden plantear como
programas lineales . El lector debe estar en posibilidades de formular un modelo de progra-
macin lineal para cada problema. Sin embargo, ser necesario tener acceso a un paquete
de computacin de programacin lineal para llegar a la solucin y efectuar las interpretacio-
nes que se solicitan.
l. Mezcla de productos. La firma Better Products, Inc., fabrica tres productos en dos
mquinas. En una semana tpica hay disponibles 40 horas de tiempo en cada mquina.
La contribucin a las utilidades y el tiempo de produccin en horas por unidad, son
los siguientes:
Producto 1 Producto 2 Producto 3
Utilidad por unidad $30 $50 $20

Tiempo por unidad en mquina 1 0.5 2.0 0.75
Tiempo por unidad en mquina 2 1.0 1.0 0.5
Se requieren dos operadores para la mquina l. Por ello, deben programarse dos horas
de mano de obra para cada hora del tiempo de la mquina l. En la mquina slo se
requiere un operario. Existe un total de 100 horas de mano de obra disponibles para
asignarlas a las mquinas en la semana siguiente. Otros requerimientos de produccin
son que el producto 1 no puede constituir ms de 500Jo de las unidades que se fabrican
y que el producto 3 debe constituir cuando menos el20% de las unidades que se fabrican.
a. Cuntas unidades de cada producto deben fabricarse con objeto de maximizar la
contribucin a las utilidades? Cul es la utilidad semanal proyectada correspon-
diente a la solucin?
b. Cuntas horas de produccin se programarn en cada mquina?
c. Cul es el valor de una hora adicional de mano de obra?
d. Supngase que se puede aumentar la capacidad de la mano de obra hasta 120 horas.
Habra inters en utilizar las 20 horas adicionales disponibles de este recurso? De-
sarrolle la mezcla ptima de productos suponiendo que se tienen a disposicin las
horas extras.
2. Seleccin de medios de publicidad. La empresa W estchester Chamber of Commerce
patrocina peridicamente seminarios y programas sobre servicios pblicos. En esos
momentos se estn realizando planes promocionales para el programa de este ao .
Las alternativas de publicidad incluyen televisin, radio y peridicos. En seguida se
muestran las estimaciones de audiencia, los costos y las limitaciones sobre el uso mxi-
mo de los medios:
Televisin Radio Peridico
Audiencia por anuncio 100,000 18,000 40,000

Costo por anuncio $2,000 $300 $600
Utilizacin mxima del medio 10 20 10
Para asegurar una utilizacin equilibrada de los medios publicitarios, los anuncios por
radio no deben rebasar el500Jo del nmero total de anuncios que se autoricen. Adems,
se requiere que la televisin constituya cuando menos ellO% del nmero total de anun-
cios autorizados.
a. Si el presupuesto de publicidad est limitado a $18,200 (dlares), cuntos mensajes
comerciales deben colocarse en cada medio con objeto de maximizar el contacto
total con la audiencia? Cul es la asignacin del presupuesto entre los tres medios
y cul la audiencia total que se alcanza?
b. Cul es el contacto que se estima con Vt audiencia y que se obtendra asignando
$100 adicionales al presupuesto de publicidad?
3. Problema de dieta. La compaa Bluegrass Farms, lnc., de Lexington, Kentucky, est
experimentando una dieta especial para sus caballos de carreras. Los componentes dis-
ponibles para la dieta son un producto alimenticio comn para caballos, un producto
de avena enriquecido con vitaminas y un nuevo aditivo con vitaminas y minerales.
Los valores nutritivos, en unidades por libra, y los costos para los tres componentes
alimenticios son los siguientes:
Alimento Avena
estndar enriquecida Aditivo
Ingrediente A 0.8 0.2 o

Ingrediente B l. O 1.5 3.0
Ingrediente C 0. 1 0.6 2.0
Costo por libra $0.25 $0.50 $3.00
a. Supngase que el entrenador de los caballos fija los requerimientos diarios de dieta
en 3 unidades del ingrediente A, 6 unidades del ingrediente B y 4 unidades del ingre-
diente C. Para efectos de control de peso, el entrenador
\
no desea que el alimento
total diario de un caballo exceda de 6 libras. Cul es mezcla ptima diaria de los
tres componentes alimenticios?
b. Cul es el costo por libra para la mezcla diaria?
c. Utilizando los precios duales, determine qu sucedera con los costos totales si se
aumentara la racin alimenticia diaria de seis a siete libras? Explique por qu ocurre
esto.
4. Planeacin del tiempo extra. La firma Hartman Company est tratando de determinar
qu tanto de cada uno de dos productos puede fabricar para el siguiente periodo de
planeacin. En seguida se muestra la informacin referente a disponibilidad de mano
de obra, utilizacin de la misma y redituabilidad de los productos.
Producto 1 Producto 2 Mano de obra disponible
Utilidad por unidad $30.00 $15.00

Horas por unidad en Depto. A 1.00 0.35 100 horas
Horas por unidad en Depto. B 0.30 0.20 36 horas
Horas por unidad en Depto . C 0.20 0.50 50 horas
162 CAPTULO CUATRO
a. Elabore un modelo de programacin lineal para el problema de Hartman Co. Re-

suelva el modelo para determinar las cantidades ptimas de produccin de los artcu-
los 1 y 2.
b. Al calcular la utilidad por unidad, la Hartman no reduce los costos de la mano de
obra porque se consideran fijos para el siguiente periodo de planeacin. Sin embar-
go, supngase que puede programarse tiempo extra en algunos de los departamen-
tos. En cules se recomendara programar tiempo extra? Cunto se estara dispuesto
a pagar por hora de tiempo extra en cada departamento?
c. Supngase que pueden programarse 10, 6 y 8 horas de tiempo extra en los departa-
mentos A, By C, respectivamente. El costo del tiempo extra por hora es de $18 (dla-
res) en el departamento A; $22.50, en el departamento B, y $12 en el departamento
C. Formule un modelo de programacin lineal que pueda aplicarse para determinar
las cantidades ptimas de produccin si se tiene disponible el tiempo extra. Cules
son las cantidades ptimas de produccin y cules las nuevas utilidades? Cunto
tiempo se recomendara emplear en cada departamento? Cul es el aumento en
las utilidades si se utiliza el tiempo extra?
S. Planeacin de inversin y crdito. La organizacin de crdito (prstamos) de empleados
en la Universidad Estatal est haciendo planes para el uso de sus fondos en el ao
prximo. Tal organizacin hace 4 tipos de prstamos a sus miembros. Adems, invierte
en valores libres de riesgo, con objeto de estabilizar los ingresos. Las diversas inversio-
nes que producen ingresos, junto con las tasas anuales de rendimiento, son las siguientes:
Tasa de rendimiento
Tipo de crdito sobre inversin anual (OJo)
Crditos para automvil 8

Crditos para muebles 10
Otros crditos garantizados 11
Crditos quirografarios 12
Valores sin riesgo 9
La empresa tendr $2,000,000 (dlares) disponibles para invertirlos durante el ao si-

guiente. Las leyes estatales y las polticas de la organizacin de crdito imponen las
siguientes restricciones sobre la composicin de los crditos y las inversiones de la unin:
(1) Las inversiones en valores libres de riesgo no pueden exceder de 300Jo de los fon-
dos disponibles totales.
(2) Los crditos quirografarios no pueden exceder de 10% de los fondos que se invier-
ten en todos los crditos (automviles, muebles y otros crditos quirografarios
y garantizados).
(3) Los crditos para adquisicin de muebles, y otros crditos garantizados, no pueden
exceder al monto para los crditos para automvil.
(4) Los otros crditos garantizados junto con los crditos quirografarios no pueden
exceder el monto de los fondos que se invierten en valores libres de riesgo.
Cmo se deben asignar los $2,000,000 a cada una de las alternativas de inversin/ cr-
dito con objeto de maximizar el rendimiento anual total? Cul es el rendimiento anual
proyectado?
6. Aseguramiento de la calidad. La firma Hilltop Coffee fabrica un producto de caf

mezclando tres tipos de granos. El peso por libra y las libras disponibles de cada grano
son las siguientes :
Grano Costo por libra Libras disponibles
1 $0.50 500
2 0.70 600
3 0.45 400
Se utilizan pruebas de lo~ productos de caf con los consumidores para obtener evalua-
ciones en una escala de O a 100, en donde las calificaciones altas son seal de mayor
calidad. Los estndares de calidad para los productos mezclados exigen una calificacin
del aroma, por parte de los consumidores, de cuando menos 75, y una calificacin
l de los consumidores para el sabor, de cuando menos 80. Las calificaciones individuales
para el aroma y para el sabor del caf que se fabrica con el 10007o de cada grano son
las siguientes:
Grano Calificacin de aroma Calificacin de sabor

1
,~
1 75 86
2 85 88
3 60 75
r Puede suponerse que los atributos de aroma y de sabor de la mezcla de caf son un
promedio ponderado de los atributos de los granos que se utilizan en la mezcla.
a. Cul es la mezcla de costo mnimo que satisface los estndares de calidad y produce
1000 libras del producto de caf mezclado?
r b. Cul es el costo por libra de la mezcla de caf?

c. Utilice variables de excedente para determinar las calificaciones de aroma y de sabor
para la mezcla de caf.

d. Si se fuera a fabricar caf adicional, cul sera el costo esperado por libra?
7. Problema de mezclado. La firma Ajax Fuels, In c., est desarrollando un nuevo aditivo
para combustibles de aviones. El aditivo es una mezcla de tres ingredientes: A, By
C. Para un desempeo adecuado, la cantidad total del aditivo (cantidad de A + canti-
r dad de B + cantidad de C) debe ser de cuando menos 10 onzas por galn de combusti-
ble. Sin embargo, y debido a consideraciones de seguridad, la cantidad del aditivo no
~- debe exceder de 15 onzas por galn de combustible. La mezcla o combinacin de los
' tres ingredientes es crucial. Para cada onza del ingrediente B se debe utilizar cuando
menos una onza del ingrediente A. La cantidad del ingrediente e debe ser mayor que
la mitad de la cantidad del ingrediente A. Si el costo por onza de los ingredientes A,
By e es $0.10, $0.03 y $0.09 (de dlar}, respectivamente, encontrar la mezcla de A,
B y e que arroje el costo mnimo, para cada galn de combustible de avin.
8. Planeacin de la mano de obra. La compaa G. Kunz and Sons, Inc., fabrica dos
productos que se utilizan en la industria del equipo pesado. Ambos productos requieren
164 CAPTULO CUATRO
operaciones de manufactura en dos departamentos. El tiempo de produccin en horas

y las cifras de utilidades para los dos productos son las siguientes:
Producto 1 Producto 2
Utilidad por unidad $25 $20

Horas en Depto. A 6 8
Horas en Depto. B 12 10
Para el siguiente periodo de produccin, la Kunz tiene un total de 900 horas disponibles
de mano de obra, que se pueden asignar a cualquiera de los dos departamentos. Obtenga
el plan de produccin y la asignacin de mano de obra (horas asignadas a cada departa-
mento) que maximizan las utilidades.
9. Transporte. La firma C&P Company tien..! dos plantas manufactureras. Una ubicada
en la ciudad de Kansas, y otra, en Louisville. La produccin de cada mes se enva ..
1
a almacenes regionales, los cuales almacenan los productos hasta que reciben los pedi-
dos de los clientes. Las capacidades de produccin y las demandas de los almacenes
para el siguiente mes son las siguientes: 1
Planta Capacidad Almacn Demanda
Ciudad de Kansas 500 Regin 1 200

Louisville 400 Regin 2 250
Regin 3 300
Los costos de transporte, en dlares por unidad transportada, son: 1

Planta Regin 1
Almacenes
Regin 2 Regin 3
1
Ciudad de Kansas 2.10 2.25 3.00
Louisville 2.00 2.40 2.80
a. Elabore un programa de transporte que determine el nmero de unidades que se

deben enviar desde cada planta a cada almacn, de manera que se satisfagan las
demandas de los almacenes con un costo mnimo total de transporte. (Nota: al pro-
blema se le denomina problema de transporte; estos problemas se analizan con ma-
yor detalle en el Cap. 7).
b. Si los costos de produccin son de 2.00 por unidad en la planta de la ciudad de Kansas
y de 2.25 por unidad en la planta de Louisville, cmo se modificara el programa
de transporte para minimizar el total de los costos de produccin y transporte?
10. Programacin de personal. El Departamento de Polica de un condado programa a
los agentes policiales para turnos de 8 horas. Los inicios de los turnos son 8:00a.m.,
medioda, 4:00p.m., 8:00p.m., medianoche y 4:00a.m. Los agentes que comienzan
en alguno de los horarios anteriores de inicio trabajan durante las siguientes 8 horas.
Durante las operaciones normales entre semana, el nmero de oficiales que se requieren
vara dependiendo del momento del da. Los lineamientos de asignacin de personal
del departamento fijan el nmero mnimo siguiente de oficiales de guardia:
Hora del da Nmero mnimo de agentes
8:00 A.M.-Medioda 5
Medioda-4:00P .M. 6
4:00 P.M.-8:00 P.M. 10
8:00 P.M .-medianoche 7
Medianoche-4:00 A.M. 4
4:00 A.M.-8:00 A.M. 6
Determine el nmero de agentes de polica que se deben programar para comenzar

en los turnos de 8 horas, en cada uno de los horarios de inicio (8:00a.m., medioda,
4:00p.m., 8:00p.m., medianoche y 4:00a.m.) de manera que se minimice el nmero
total de oficiales que se requiere. (Sugerencia: Sea x 1 = nmero de agentes que co-
mienzan a trabajar a las 8:00a.m., x 2 = nmero de agentes que comienzan a trabajar
al medioda, y as sucesivamente.)
11. Seleccin de cartera. La Asociacin Nacional de Seguros tiene una cartera de inversio-
nes para acciones, bonos y otras alternativas de inversin. En estos momentos hay
disponibles $200,000 (dlares) de los fondos y se deben evaluar las nuevas oportunida-
des de inversin. Las cuatro opciones de acciones que la Asociacin est considerando,
y los datos financieros relevantes son los siguientes:
Alternativa de inversin
A B e D
Precio por accin $100 $50 $80 $40

Tasa anual de rendimiento 0.12 0.08 0.06 0.10
Medida de riesgo por dlar
invertido (valores altos indican
mayores riesgos) 0.10 0.07 0.05 0.08
La medida del riesgo indica la incertidumbre relativa correspondiente a la accin, en

trminos de la realizacin efectiva del rendimiento anual proyectado. Las medidas de
riesgo son proporcionadas por el principal asesor financiero de la empresa.
Los asesores del primer nivel de la Asociacin han estipulado los siguientes linea-
mientos para la inversin:
(1) La tasa anual de rendimiento para la cartera debe ser de cuando menos 90Jo.
(2) Ninguna accin debe constituir ms de 50% del total de la inversin en dlares.
a. Utilice programacin lineal para desarrollar una cartera de inversin que minimice
el riesgo.
b. Si la empresa ignora el riesgo y utiliza una estrategia de mximo rendimiento sobre
la inversin, cul sera la cartera de inversin?
166 CAPTULO CUATRO
c. Cul es la diferencia (en dlares) entre las carteras que se recomiendan en las partes
(a) y (b )? Por qu podra la compaa preferir el modelo que se plantea en la parte (a)?
12. Encauzamiento de la produccin. La firma Lurix Electronics fabrica dos productos
que se pueden elaborar en dos lneas de produccin. Ambos artculos logran sus meno-
res costos cuando se fabrican en la lnea de produccin que es ms moderna. Sin embar-
go, tal lnea moderna no tiene capacidad para manejar el total de la produccin. Como
resultado, alguna parte de la produccin tiene que manejarse a travs de la lnea de
produccin antigua. En seguida se muestran los datos sobre los requerimientos totales
de produccin, las capacidades de las lneas de produccin y los costos:
Costo unitario de produccin Produccin mnima

L{nea moderna L{nea Antigua Requerimientos
Producto 1 $3.00 $5.00 500 unidades

Producto 2 $2.50 $4.00 700 unidades
Capacidad de lnea de produccin 800 600
Formule un modelo de programacin lineal que pueda utilizarse para tomar decisiones
acerca las rutas o cauces de la produccin. Cul es la decisin que se recomienda
y el costo total?
13. Compras. La compaa Edwards Manufacturing adquiere dos piezas de refaccin
de tres proveedores distintos. Los abastecedores tienen capacidad limitada y ninguno
de ellos puede satisfacer todas las necesidades de la empresa. Adems, los abastecimien-
tos difieren en los precios que se cobran por los componentes. Los datos de precios
de los repuestos son los siguientes:
Proveedor
2 3
Precio unitario, componente 1 $12 $13 $14

Precio unitario, componente 2 $10 $11 $10
La capacidad de los proveedores est limitada en trminos del nmero total de compo-
nentes que pueden suministrar. Sin embargo, siempre y cuando la Edwards proporcione
sus pedidos con la suficiente anticipacin, cada uno de los proveedores puede dedicar
su capacidad al componente 1, al componente 2 o a cualquier combinacin de los dos
componentes, en tanto que el nmero total de unidades que se soliciten est dentro
de su capacidad. Las capacidades de los proveedores son las siguientes:
Capacidad total
Proveedor de componentes
Proveedor 1 600
Proveedor 2 1000
Proveedor 3 800
Si el plan de produccin de la Edwards para el siguiente periodo de produccin incluye

1000 unidades del componente 1 y 800 unidades del componente 2, qu compras se
recomienda realizar? Es decir, cuntas unidades de cada componente se deben ordenar
a cada proveedor? Cul es el costo total de las compras de los componentes?
14. Fabricar o comprar. La firma Carlson Stapler Manufacturing Co. pronostica una de-
manda de 5000 unidades para su modelo Sure-Hold de engrapadoras, para el siguiente
trimestre. Este artculo se ensambla utilizando tres componentes principales: base, car-
tucho para grapas y manija. Hasta ahora, la Carlson ha fabricado los tres componentes.
Sin embargo, el pronstico de 5000 unidades es un nuevo pico en el volumen de ventas
y se duda que la empresa tenga suficiente capacidad de produccin para fabricar todos
los componentes. La empresa est considerando contratar a una empresa local para
que fabrique cuando menos parte de los componentes. Los requerimientos de tiempo
de produccin por unidad son los siguientes:
Tiempo de produccin (horas) Total del

tiempo disponibles
en el departamento
Departamento Base Cartucho Manija (horas)
A 0.03 0.02 0.05 400

B 0.04 0.02 0.04 400
e 0.02 0.03 0.01 400
Despus de considerar los gastos globales de la empresa y los costos de materiales

y de mano de obra, el departamento de contabilidad ha determinado el costo unitario
de fabricacin para cada componente. Estos datos, junto con las cotizaciones de precio
de compra para la empresa contratista, son los siguientes:
Costo de Costo de
Componente fabricacin compra
Base $0.75 $0.95

Cartucho $0.40 $0.55
Manija $1.10 $1.40
a. Determine la decisin de fabricar o comprar que permitir a la Carlson satisfacer

la demanda de las 5000 unidades con un costo total mnimo. Cuntas unidades
de cada componente se deben fabricar, y cuntas se deben adquirir?
b. Qu departamentos estn limitando el volumen de produccin? Si se pudiera consi-
derar el uso de tiempo extra con un costo adicional de $3 la hora, a qu departamen-
to o departamentos se debe asignar ese tiempo extra? Explique.
c. Supngase que se pueden programar en el departamento A hasta 80 horas de tiempo
extra. Qu se recomienda?
15. Problema de mezclado. La Seastrand Oil Company fabrica dos grados de gasolina,
la normal y la de alto octanaje. Ambos tipos de gasolina se fabrican mezclando dos
168 CAPTULO CUATRO
tipos de petrleo crudo. Aunque los dos tipos de petrleo tienen los dos ingredientes
imprtantes que se requieren para fabricar ambas gasolinas, el porcentaje de los ingre-
dientes importantes en cada tipo de petrleo crudo difiere, al igual que difiere el costo
por galn. Se muestra en seguida el porcentaje de los ingredientes A y B que cada
tipo de petrleo crudo contiene y el costo por galn:
Tipo de
petrleo crudo Costo Ingrediente A Ingrediente B
- __--- El crudo 1 es
$0.10 200Jo 600Jo ...--- 600Jo del
2 $0.15 50 0Jo 300Jo ingrediente
B
Cada galn de gasolina normal debe contener cuando menos 400Jo de A, mientras que
cada galn de gasolina de octanaje elevado debe contener cuando mucho 50% de B.
La demanda diaria de la gasolina de octanaje normal es de 800,000 galones, y la deman-
da diaria para la gasolina de alto octanaje es de 500,000 galones. Cuntos galones
de cada tipo de petrleo crudo se deben utilizar en las gasolina normal y de alto octanaje
para satisfacer la demanda diaria a un costo mnimo?
16. Corte de papel. La Ferguson Paper Co. fabrica rollos de papel que se utilizan en mqui-
nas sumadoras, calculadoras de escritorio y cajas registradoras. Los rollos, que tienen
200 pies de longitud, se fabrican en anchos de 1 Yz, 2 \12 y 3 \12 pulgadas. Mediante el
proceso de produccin se obtienen rollos de 200 pies en anchuras exclusivamente de
10 pulgadas. Por ello, la empresa debe cortar los rollos con las dimensiones que se
desean en el producto final. Las 7 alternativas de corte y la cantidad de desperdicio
que se genera con cada una de ellas son las siguientes:
Opcin de Nmero de rollos Desperdicio

corte l Y Plg 2 Y Plg 3 Y Plg (pulgadas)
1 6 o o
2 o 4 o o
3 2 o 2 o
4 o 2 \t
5 3 o 1
6 2 o
7 4 o V2
Los requerimientos mnimos para los tres productos son los siguientes :
Ancho del
rollo (pulgadas) Unidades
1 Y2 1000
2 Y2 2000
3 Y2 4000
a. Si la compaa desea minimizar el nmero de unidades de rollos de 10 pulgadas

que se deben fabricar, cuntos rollos de 10 pulgadas se deben procesar en cada
alternativa de corte? Cuntos rollos se requieren y cul es el total de desperdicios
(pulgadas)?
b. Si la compaa desea minimizar el desperdicio que se genera, cuntas unidades
de 10 pulgadas deben procesarse en cada alternativa de corte? Cuntos rollos se
requieren y cul es el desperdicio total (pulgadas)?
c. Cules son las diferencias en los enfoques (a) y (b) para este problema de cortes?
En este caso, cul es el objetivo que preferira? Explique. Cules son los tipos
de casos que haran que el otro objetivo fuera ms deseable?
17. Inspeccin. La Compaa Medicinal Get-Well inspecciona productos medicinales en
cpsulas haciendo pasar stas por una mesa con iluminacin especial en la que los ins-
pectores verifican visualmente las cpsulas rotas o llenadas parcialmente. En estos mo-
mentos, existen tres inspectores que pueden asignarse a esa tarea de inspeccin. Sin
embargo, las aptitudes de precisin y de velocidad de los inspectores difieren y se les
pagan sueldos ligeramente distintos. Las diferencias son las siguientes:
Velocidad Precisin
Inspector (unidades por hora) ( OJo) Salario por hora
Davis 300 98 $5.90

Wilson 200 99 $5 .20
Lawson 350 96 $5.50
Operando en un turno completo de 8 horas, la compaa requiere que se inspeccionen

cuando menos 2000 cpsulas, sin que se supere en 20Jo los errores en las cpsulas inspec-
cionadas. Adems, debido al factor de fatiga en el proceso de inspeccin, a ningn
inspector se le puede asignar esa tarea durante ms de 4 horas por da. Cuntas horas
debe asignarse cada inspector al proceso de inspeccin de cpsulas durante un da de
8 horas, si se desea minimizar el costo de inspeccin? Qu volumen se inspeccionar
por da y cul es el costo diario de inspeccin de las cpsulas?
18. Adquisicin de equipo. La Compaa Petrolera Dos Ros, ubicada cerca de Pittsburgh
transporta en camiones gasolina para sus distribuidores. La compaa recibi reciente-
mente un contrato para comenzar a proveer a los distribuidores de gasolina del sur
de un estado y dispone de $600,000 (dlares) para invertirlos en la necesaria expansin
de su flotilla de camiones tanques. Existen disponibles tres modelos de camiones para
el transporte :
Costo mensual de
Capacidad Costo operacin, incluyendo
Modelo d~ camin (galones) de compra depreciacin
Super Tanker 5000 $67,000 $550

Lnea normal 2500 $55,000 $425
Eco no-Tanker 1000 $46,000 $350
170 CAPTULO CUATRO
La firma estima que la demanda mensual para esa regin ser de 550 galones de gasoli-
na. Debido a las diferencias en tamao y en velocidad en los vehculos, los distintos
modelos de camiones varan en trminos del nmero de entregas o de viajes redondos
que les sea posible realizar al mes. Se estima que las capacidades de viajes son de 15
viajes por mes para el Super Tanker, 20 viajes por mes para el Regular Line y 25 viajes
por mes para el Eco no-Tanker. Con base en el mantenimiento y en la habilidad de
los conductores, la empresa no desea aadir ms de 15 vehculos nuevos a su flotilla.
Adems, la compaa ha dedicido adquirir tres de los nuevos Eco no-Tankers, para utili-
zarlos en sus rutas cortas con demanda reducida. Como restriccin final, la compaa
no desea que ms de la mitad de los nuevos modelos sean Supertankers.
a. Si la empresa desea satisfacer la demanda de gasolina con gastos de operacin men-
suales mnimos, cuntos modelos debe comprar de cada camin?
b. Si la compaa no requiriera cuando menos tres Econo-Tankers, y no se limitara
el nmero de Super Tankers a cuando mucho la mitad de los modelos nuevos, cun-
tos modelos de cada camin deberan comprarse?
19. Planeacin en periodos mltiples. La firma Silver Star Bicycle Co. va a fabricar mode-
los tanto para hombres como para mujeres de sus nuevas bicicletas Easy-Pedal, de
10 velocidades, en los dos meses siguientes. La compaa pretende elaborar un progra-
ma de produccin que indique cuntas bicicletas de cada modelo se deben fabricar
cada mes. Los pronsticos actuales de la demanda sugieren 150 modelos para hombre
y 125 para mujer, que deben enviarse durante el primer mes, y 200 modelos para hombre
y 150 para mujer que deben enviarse durante el segundo mes. En seguida se muestran
otros datos adicionales:
Mano de obra Mano de obra

requerida para requerida para
Costo de fabricar ensamble Inventario
Modelo produccin (horas) (horas) actual
Para hombres $40 10 3 20

Para mujeres $30 8 2 30
El mes anterior, la compaa utiliz un total de 4000 horas de mano de obra. Su

poltica de relaciones laborales no permite que el total combinado de horas de mano
de obra (manufactura ms ensamble) aumente o disminuya en ms de 500 horas con
respecto al mes anterior. Adems, la compaa carga un inventario mensual a razn
de 20Jo del costo de produccin, con base en los niveles de inventario al final del mes.
La firma pretende tener cuando menos 25 unidades de cada modelo en los inventarios
al final de los dos meses.
a. Establezca un programa de produccin que minimice los costos de produccin e
inventarios y que satisfaga los requisitos de suavizacin de mano de obra, la deman-
da y los inventarios. Qu inventarios se deben mantener, y cules son los requeri-
mientos mensuales de mano de obra?
b. Si la compaa modificara las restricciones de manera que los aumentos y las dismi-
nuciones de mano de obra no pudieran exceder de 250 horas, qu sucedera con
el programa de produccin? Cunto aumentara el costo? Qu sera de recomendar?
20. Equilibrio de mano de obra. La empresa Williams Calculator Co. fabrica dos tipos
de calculadoras: TWIOO y TW200. En el proceso de ensamble se requieren 3 personas.
Los tiempos de ensamble son los siguientes:
Ensamblador 1 Ensamblador 2 Ensamblador 3
TW100 4 min 2 min 3 Yz min

TW200 3 min 4 min 3 min
Nmero mximo de horas 8 8 8
disponibles al da
La poltica de la compaa consiste en equilibrar las cargas de trabajo en todas las

labores de ensamble. De hecho, los administradores desean programar el trabajo de
manera que ningn ensamblador tenga ms de 30 minutos de trabajo por da que los
otros ensambladores. Esto significa que, en un turno normal de 8 horas, a todos los
operarios se les asignan cuando menos 7 Y2 horas de trabajo . Si la empresa obtiene
una utilidad de $2.50 (dlares) por cada TW 100 y una utilidad de $3.50 por cada TW200,
cuntas unidades de cada calculadora se deben fabricar al da? Cunto tiempo se
asignar a cada ensamblador por da?
21. Produccin en periodos mltiples y planeacin de inventarios. Los modelos de produc-
cin y de planeacin de los inventarios, en periodos mltiples determinan un programa
de produccin y un programa de inventarios finales para cada uno de los diversos perio-
dos, y que permite alcanzar la meta de maximizar las utilidades o minimizar los costos .
Considerando el precio de venta, los costos normales de produccin, los costos en tiem-
po extra, los costos de mantenimiento de los inventarios y los costos de las ventas perdi-
das, desarrolle un modelo de planeacin de los inventarios y de produccin para tres
periodos, para la firma Allen Manufacturing Co.
La informacin relevante es la siguiente:
1
( Costo del
Precio de venta Costo de produccin inventario final
Periodo ($/ unid.) ($/ unid.) Demanda ($/ unid.)
1 $5.00 $2.80 500 $0.50

2 $5 .00 $2.90 300 $0 .50
3 $5.50 $3 . 00 400 $0.55
Capacidad normal de Capacidad de produccin

Periodo produccin (unidades) en tiempo extra (unidades)
1 250 100
2 300 100
3 300 125
172 CAPTULO CUATRO
El costo del tiempo extra por unidad en cada periodo es 200Jo mayor que el costo de
produccin por unidad que se muestra antes. El costo de las ventas perdidas, que es
de $4 (dlares) por unidad en cualquier periodo, incluye la buena voluntad que se pierde
con los clientes, pero no toma en consideracin los costos asociados a los ingresos
que no se obtienen. El inventario inicial para el periodo 1 es 100 unidades. Adems,
la empresa pretende tener cuando menos 50 unidades de inventarios finales para el
periodo 3 con objeto de preparar las necesidades de los productos en el periodo 4.
Para tomar en consideracin los aspectos del problema que se refieren a los diversos
periodos, cada uno de estos, t, requerir ecuaciones o restricciones de equilibrio con
base en las siguientes relaciones:
Ventas perdidas (t) = demanda (t) - ventas (t)
Inventario final (t) = inventario inicial (t) + produccin (t) - ventas (t)
Desarrolle un programa lineal que se pueda utilizar para determinar el programa pti-
mo de produccin e inventarios para la firma Allen. Determine las ventas, la produc-
cin normal, la produccin en tiempo extra, el inventario final y las ventas que se pierden
para cada uno de los tres periodos. Cul es la utilidad neta correspondiente a la solu-
cin encontrada?
22. Planeacin financiera en periodos mltiples. La firma Morton Financia! Institution
debe decidir qu porcentaje de los fondos disponibles debe colocar en cada una de dos
inversiones, a las que se denominan A y B, para los siguientes cuatro periodos. La
tabla que aparece en seguida muestra la cantidad de fondos nuevos disponibles para
cada uno de los cuatro periodos, as como tambin los gastos de efectivo que es necesa-
rio realizar para cada inversin (valores negativos) o los ingresos en efectivo provenien-
tes de las inversiones (valores positivos). Los datos que se muestran estn dados en
millares de dlares, y reflejan la cantidad de los gastos o los ingresos si se invierte
el 1000Jo en A o B. Por ejemplo, si la Morton decide invertir el 1000Jo en la alternativa
A, incurrir en gastos en efectivo de $1 ,000 en el mes 1, $800 en el mes 2, $200 en
el mes 3 y obtendra ingresos de $200 en el mes 4. Obsrvese, sin embargo, que si la
Morton toma la decisin de invertir el 800Jo en la alternativa A, las erogaciones o los
ingresos en efectivo seran de 800Jo de los valores que ah se muestran.
Periodo
1 2 3 4
Nuevos fondos disponibles

para inversin 1500 400 500 100
Inversin A -1000 -800 -200 200
Inversin B -800 -500 -300 300
El monto de los fondos disponibles en cualquier periodo es la suma de los fondos nuevos
para inversin correspondientes al periodo, los nuevos fondos crediticios, los ahorros
provenientes del periodo anterior, el ingreso en efectivo proveniente de la inversin
A Y el ingreso en efectivo proveniente de la inversin B. Pueden utilizarse los fondos
disponibles en cualquier periodo para pagar el crdito y los intereses del periodo ante-
rior, o se les puede colocar en cuentas de ahorros, utilizar para pagar los gastos en
efectivo de la inversin A o se les puede utilizar para pagar los gastos en efectivo para
la inversin B.
Suponiendo una tasa de inters de lOo/o por periodo para los ahorros y una tasa
de inters de 18% por periodo sobre los fondos obtenidos a crdito, sean
S (t - 1) denota los ahorros para el periodo t - 1
y
L(t - 1) denota los nuevos fondos crediticios para el periodo t - 1
Entonces, los ingresos por ahorro provenientes del periodo previo son, en cualquier
periodo, l.lS(t- 1) los gastos del crdito y de intereses por el periodo anterior son
I.lSL(t- 1).
Al final del periodo 4, se espera que la inversin A tenga un valor en efectivo de
$3,200 (suponiendo que se invierte el lOO% en esta alternativa), mientras que se espera
que la inversin B tenga un valor en efectivo de $2,500 (suponiendo que se invierte
100% en B). Los ingresos y los gastos adicionales al final del periodo 4 se traducen
en ingresos provenientes de los ahorros del periodo 4 menos el pago del crdito e intere-
ses del periodo 4.
Se utilizan las siguientes variables de decisin:
x1 proporcin de la inversin A que se realiza

x2 proporcin de la inversin B que se realiza
Por ejemplo, si x 1 = .5, se invertiran $500 en la inversin A durante el primer perio-

do, y todos los flujos de efectivo restantes y los valores finales de la inversin A se
multiplicarn por 0.5. Se aplica lo mismo para la inversin B. El modelo debe incluir
restricciones x 1 ~ y x2 ~ 1 para asegurar que se invierte cuando mucho 100% de los
recursos disponibles.
Si se puede obtener a crdito cuando mucho $200 en cualquier periodo, determine
la proporcin de la inversin A, la proporcin de la inversin B y la cantidad de los
ahorros y los crditos para cada periodo que maximizan el valor en efectivo para la
empresa al final de los cuatro periodos.
23. Programacin de personal. La empresa Western Family Steakhouse ofrece diversas
comidas y servicios rpidos de bajo costo. Aparte de los administradores el restaurante
opera con 12 empleados de tiempo completo que trabajan 8 horas al da. El resto de
~
los empleados trabajan tiempo parcial y se h!s programa para turnos de cuatro horas
durante las horas de comida. El restaurante est abierto los sbados de 11 :00 a.m.
hasta las 10:00 p.m. Los administradores pretenden desarrollar un programa para los
empleados de tiempo parcial que minimice los costos de mano de obra y que permita
t ofrecer un excelente servicio a los clientes. La tasa promedio para los empleados de
~ tiempo parcial es de $3.60 (dlares) la hora. El nmero total de empleados de tiempo
1
'
1 completo y de tiempo parcial que se requieren vara con el momento del da, de la
l
1' manera que se indica en la tabla de la pgina siguiente.
Uno de los empleados de tiempo completo llega a trabajar a las 11:00 a.m., trabaja
durante cuatro horas, se toma una hora libre, y regresa para trabajar otras cuatro horas.
El otro empleado de tiempo completo llega a laborar a la 1:00 p.m. y trabaja con el
mismo horario de cuatro horas de trabajo, una de descanso y cuatro horas de trabajo.
174 CAPTULO CUATRO
Nmero total
Hora de empleados
11:00 A.M.-medioda 9
Medioda-1:00 P.M. 9
1:00 P.M.-2 :00P.M. 9
2 :00 P.M.-3 :00 P.M . 3
3:00 P.M.-4:00 P.M. 3
4:00 P.M.-5:00P.M. 3
5:00 P.M.-6:00 P.M. 6
6:00 P.M .-7:00 P.M. 12
7:00 P.M.-8:00 P.M . 12
8:00 P.M.-9:00 P.M. 7
9:00 P.M.-10:00 P.M. 7
a. Desarrolle un programa de costos mnimos para los empleados de tiempo parcial.

b. Cul es la nmina total para los empleados de tiempo parcial? Cuntos turnos
de tiempo parcial se necesitan? Utilice las variables de excedente para comentar sobre
la deseabilidad de programar cuando menos algunos de los empleados de tiempo
parcial para que trabajen turnos de tres horas.
c. Suponiendo que se pueden asignar a los empleados de tiempo parcial a turnos de
cuatro o de tres horas, desarrolle un programa de costo mnimo para ellos. Cun-
tos turnos de tiempo parcial se requieren, y cul es el ahorro de costos en compara-
cin con el programa anterior?
24. Interpretacin de resultados de computadora. En seguida se muestra una parte de una
solucin computadorizada cuando se utiliza The Management Scientist para resolver
el problema de seleccin de medios de la Relax-and-Enjoy Lake Development Corpora-
tion (vase la Secc. 4.2).
Ob jeValor de la funcin objetivo: = 2369.999500
X1 10.000000 0.000023
X2 0.000000 64.999969
X3 25.000000 0.000004
X4 1.999994 0.000004
X5 30.000000 0.000002 "1
1
--------------~--
1 5.000000 0.000000 Disponibilidad
2 10.000000 0.000000 de los medios
3 0.000000 15.999998
~
4 2.000006 0.000000
5 0.000000 13.999998
6 0.000000 0.060000 Restriccione~
7 0.000000 -25.000015 sobrelaTV-
8 2999.999000 0.000000
9 11500.015600 0.000000 Cobertura de
audiencia
a. Cunto aumentara al presupuesto la exposicin esperada por dlar?

Dado el presupuesto actual, cul es la exposicin promedio por dlar de publici-
dad? El ingreso marginal que se obtiene al aumentar el presupuesto parece indicar
que aumentar el presupuesto es una buena inversin.
b. A partir de un anlisis de los precios duales, comente si los anuncios o comerciales
por televisin son una buena idea o no.
25. Anlisis de eficiencia en hospitales. En la Secc. 4.6 se utiliz el anlisis global de datos
para evaluar las eficiencias relativas de cuatro hospitales. En las Tablas 4.16 y 4.17
se presentaron los datos para las tres medidas sobre insumas y para las cuatro medidas
sobre resultados.
a. Utilice esos datos para desarrollar un modelo de programacin lineal que pueda
utilizarse para evaluar el desempeo del Hospital General.
b. En seguida se muestra la solucin por computadora que se obtiene utilizando The
Management Scientist. Esta solucin indica que el Hospital General fue relativa-
mente ineficiente?
c. Qu hospital u hospitales conforman la unidad compu'esta que se utiliz para eva-
luar al Hospital General? Especifique por qu esto resulta ser cierto.

E 1.000000 0.000000
WG 1.000000 0.000000
wu 0.000000 0.000000
wc 0.000000 0.330682
ws 0.000000 0.215189
26. Anlisis de eficiencia en hospitales. Se ha 'utilizado el anlisis global de datos para

medir la eficiencia relativa de un grupo de hospitales [H. David Sherman, "Hospital
Efficiency Measurement and Evaluation'', Medica/ Care (octubre de 1984)]. El estudio de
Sherman se ocupaba de siete hospitales-escuela; los datos sobre las tres medidas de
insumas se presentan en la Tabla 4.18, y en la Tabla 4.19 los datos para las cuatro
medidas sobre resultados.
a. Formule un modelo de programacin lineal que permita utilizar el anlisis global
de datos para evaluar el desempeo del Hospital D.
b. Resuelva el modelo utilizando un paquete de programacin de computadora.
~l TABLA 4.18 Recursos anuales que se consumen (insumas) en siete hospitales
l
Hospital
Personal no mdico
de tiempo completo
equivalente
Gastos en
suministros
(en miles)
Das-cama
disponibles
(en miles)
A 310.0 134.60 116.00

B 278.5 114.30 106.80
e 165.6 131.30 65.52
D 250.0 316.00 94.40
E 206.4 151.20 102.10
F 384.0 217.00 153.70
G 530.1 770.80 215.00
176 CAPTULO CUATRO
TABLA 4.19 Servicios anuales que ofrecen (resultados) siete hospitales
Das-paciente Das-paciente
(de 65 aos o ms) (menos de 65 aos) Enfermeras en Mdicos internos
Hospital (en miles) (en miles) capacitacin en capacitacin
A 55.31 49.52 291 47

B 37 .64 55 .63 156 3
e 32.91 25 .77 141 26
D 33.53 41.99 160 21
E 32.48 55.30 157 82
F 48 .78 81.92 285 92
G 58.41 119.70 111 89
c. El hospital Des relativamente ineficiente? Cul es la interpretacin del valor de

la funcin objetivo?
d. Cuntos das-paciente de cada tipo se producen en el hospital compuesto?
e. Qu hospitales se recomendara al hospital D que tratara de emular con objeto
de mejorar la eficiencia de su operacin?
27. Anlisis de la eficiencia en hospitales. Hgase referencia de nuevo a los datos que se
presentan para el Problema 26.
a. Formule un modelo de programacin lineal que pueda ser utilizado para realizar
anlisis global de datos para el hospital E.
b. Resuelva el modelo utilizando un paquete computacional.
c. El hospital E es relativamente ineficiente? Cul es la interpretacin del valor de
la funcin objetivo?
d. Qu hospitales se incluyen en la conformacin del hospital compuesto? Puede
hacerse un planteamiento general con respecto a qu hospitales conformaran la
unidad compuesta correspondiente a una unidad que no es eficiente?
28. Eficiencia en restaurantes de comida rpida. La firma Ranch House, Inc., opera cinco
restaurantes de fast-food. Las medidas de los insumos para los restaurantes incluyen
horas semanales de operacin, personal de tiempo completo equivalente y gastos sema-
nales en abastecimientos. Las medidas de los resultados en trminos de desempeo
incluyen las utilidades semanales promedio, la participacin en el mercado y la tasa
anual de crecimiento. En las Tablas 4.20 y 4.21 se presentan datos sobre las medidas
de insumos y resultados.
1

TABLA 4.20 Datos de entrada para cinco restaurantes de comida rpida
Personal de
Restaurante Horas de operacin tiempo completo Suministros
Bardstown 96 16 850
Clarksville 110 22 1400
Jeffersonville 100 18 1200
New Albany 125 25 1500
St. Matthews 120 24 1600
TABLA 4.21 Datos de salida para cinco restaurantes de comida rpida
Participacin
Restaurante Utilidaa semanal de mercado Tasa de crecimiento
Bardstown $3800 250fo 8.0%

Clarksville $4600 32% 8.5%
Jeffersonville $4400 35% 8.0%
New Albany $6500 30% lO.OOfo
St. Matthews $6000 28% 9.0%
a. Desarrolle un modelo de programacin lineal que pueda utilizarse para evaluar el

desempeo del restaurante Clarksville Ranch House.
b. Resuelva el modelo utilizando un paquete de computacin.
c. El restaurante Clarksville Ranch House es relativamente ineficiente? Comente.
d. En qu renglones tiene ms resultados el restaurante compuesto que el Clarksville?
Qu tanto menos de cada recurso de entrada (insumo) requiere el restaurante com-
puesto en comparacin con el Clarksville?
e. Qu otros restaurantes se deben estudiar con objeto de encontrar formas que pue-
dan sugerirse para que el restaurante Clarksville mejore su eficiencia?
Proteccin ambiental
La empresa Skillings Industrial Chemicals, Inc., opera una refinera en el suroeste del estado
de Ohio, cerca del ro Ohio. El principal producto de la compaa se fabrica a partir de
un proceso qumico que requiere del uso de dos maierias primas, a las que se identifica
como material A y material B. La produccin de una libra de producto terminado requiere
del uso de 1libra de material A y 2libras del material B. El resultado del proceso qumico
es 1 libra del producto terminado, 1 libra de material lquido de desperdicio y 1 libra de
un producto intermedio slido. El producto intermedio slido se entrega a una planta local
de fertilizantes como pago por recogerlo y ocuparse de l. Como el material lquido de
desperdicio no tiene valor de mercado, la refinera lo ha estado vertiendo directamente
en el ro. En la Fig. 4.9 se presenta en forma esquemtica el proceso de manufactura de
la Skillings.
Algunos lineamientos gubernamentales recientemente puestos en-vigencia y establecidos
por la Agencia de Proteccin Ambiental (EPA, Environment Protection Agency) no permi-
ten la eliminacin de desperdicios lquidos directamente en el ro. El grupo de investigacin
de la refinera ha desarrollado el siguiente conjunto de usos alternos para ese material lqui-
do de desperdicio:
l. Fabricar un producto secundario K, aadiendo 1 libra de la materia prima A a cada

libra del desperdicio lquido.
2. Fabricar un producto secundario M agregando 1 libra de la materia prima B a cada
libra del desperdicio lquido.
178 CAPTULO CUATRO
Desechos slidos por

producto entregado a
planta de fertilizantes
llb
~
8 Productos
terminados
...... ~.............__
Desechos lquidos (al ro)
FIGURA 4.9 Proceso de produccin en Skillins Industrial Chemicals, Inc.
Alternativa 1 Alternativa 2 Alternativa 3
! llb
- u
lllb lllb desecho
desecho desecho
~c-_J
llb Tratamiento
A B especial
!2lb
Producto K
!21b
Producto M
~
~
l
~
Ro
FIGURA 4.1 O Alternativas para el manejo de lquidos de desecho de una refinera
3. Tratar de manera especial el desperdicio lquido para que cumpla con las medidas de
proteccin contra la contaminacin antes de verterlo en el ro.
Estas tres alternativas se ilustran en la Fig. 4.10

Los administradores de la compaa saben que los productos secundarios sern de baja
calidad y que pueden no ser muy redituables. Sin embargo, estn tambin conscientes del
hecho de que el tratamiento especial alterno ser una operacin relativamente costosa. El
problema de la firma consiste en determinar la forma de satisfacer la reglamentacin anti-
contaminante y, aun as, conservar la utilidad ms alta posible. Cmo se deben manejar
los materiales de desecho lquidos? Debe la Skillings fabricar el producto K, fabricar el
producto M, utilizar el tratamiento especial, o bien emplear alguna combinacin de las
tres opciones?
El mes anterior se fabricaron 10,000 libras del producto principal de la compaa. El
departamento de contabilidad ha preparado un reporte de costos que muestra la clasifica-
cin en gastos fijos y gastos variables para los gastos en los que se incurri en ese mes.
Anlisis de costos para 10,000 libras de producto primario
Asignacin de costos fijos

Gastos administrativos $12,000
Gastos generales en refinera 4,000
Costos variables
Materia prima A 15,000
Materia prima B 16,000
Mano de obra directa 5,000
Total $52,000
En el anlisis anterior sobre los costos, la porcin correspondiente a los costos fijos es
la misma todos los meses, sin importar el nivel de produccin. Se espera que los costos
de mano de obra directa sean de $0.20 (dlares) por libra para el producto K, y $0.10 por
libra para el producto M. -
El principal producto de la compaa se vende en $5.70 por libra. Los productos secunda-
rios K y M se venden en $0.85 y $0.65 por libra, respectivamente. El tratamiento especial
de los desechos lquidos costara $0.25 por libra.
Uno de los contadores de la firma considera que es demasiado costoso fabricar el produc-
to K y que no se puede vender a un precio que permita recuperar sus costos de material
y mano de obra. El contador recomienda eliminar el producto K como alternativa. Se ten-
drn disponibles para el siguiente periodo de produccin 5,000 libras de la materia A, y
7,000 libras de la materia prima B. Desarrolle un plan de produccin y de manejo de desper-
dicios para el periodo de produccin.
REPORTE PARA LA ADMINISTRACIN

Desarrolle un modo de manejar el problema que permita a la compaa determinar la canti-
dad del producto principal que debe fabricar, dadas las limitaciones que existen sobre las
cantidades disponibles de materia prima. Inclyanse recomendaciones sobre la forma en
que la compaa debe manejar los desechos lquidos para satisfacer los lineamientos de
proteccin al ambiente. Cuntas libras se deben fabricar del producto K? Cuntas libras
se deben fabricar del producto M? Cuntas libras de desechos slidos se deben tratar en
forma especial para arrojarlas al ro? Incluya un comentario y un anlisis sobre lo siguiente
en el reporte:
l. Un anlisis de costos que muestre la contribucin a las utilidades por libra del producto
principal, del producto K y del producto M.
2. Las cantidades ptimas de produccin y el plan de manejo de desperdicios, incluyendo
la utilidad proyectada.
3. Un anlisis sobre el valor de las libras adicionales de cada materia prima.
4. Un anlisis de sensibilidad sobre los coeficientes de la funcin objetivo.
S. Comentarios acerca de la recomendacin que formula el contador de eliminar el produc-
to K como alternativa. Parece razonable la recomendacin? Qu opina de tal recomen-
dacin? Cmo cambiara la solucin ptima si se elimina el producto K?
180 CAPTULO CUATRO
TABLA 4.22 Datos de demanda mensual, precio, costo variable y precio de

compra para las telas de la Scottsville
Demanda Precio de venta Costo variable Precio de compra

Tela (yardas) ($/ yd) ($/ yd) ($/yd)
1 16,500 0.99 0.66 0.80

2 22,000 0.86 0.55 0.70
3 62,000 1.10 0.49 0.60
4 7,500 1.24 0.51 0.70
5 62,000 0.70 0.50 0.70
TABLA 4.23 Tasas de produccin de los telares
Tela Tasa dobbie (yd/ h) Tasa regular (yd/ h)
4.63 *
2 4.63 *
3 5.23 5.23
4 5.23 5.23
5 4. 17 4.17
* Las telas 1 y 2 se pueden fabricar solamente en el telar tipo dobbie.
Programacin de una fbrica textil

La firma Scottsville Textile MilP fabrica cinco telas diferentes. Se puede tejer cada tela
en uno o ms de sus 38 telares. El departamento de ventas ha pronosticado la demanda
para el mes siguiente, y los datos de demanda se muestran en la Tabla 4.22, junto con
los referentes al precio de venta por yarda y el costo variable tambin por yarda. La fbrica
opera 24 horas al da y est programada para 30 das en el siguiente mes .
En la fbrica existen dos tipos de telares: dobbie y normal. Los telares dobbie son ms
verstiles y se les puede utilizar para las cinco telas. Los telares normales pueden fabricar
slo tres de las telas. Existen en total 38 telares, ocho dobbie y treinta normales. En la
Tabla 4.23 se expone la tasa de produccin para cada tela en cada tipo de mquina. El
tiempo que requiere hacer los cambios necesarios para pasar de fabricar una tela a producir
otra es despreciable, y no es necesario tomarlo en consideracin.
La Scottsville satisface toda demanda con las telas que fabrica o con otras que adquiere
de otra fuente. Es decir, las telas que no se pueden tejer en la Scottsville debido a limitaciones
en la capacidad de los telares se adquieren de otras fbricas. Tambin se muestra en la
Tabla 4.22 el precio de compra para cada tela.
1
Este caso se basa en el Calhou11 Textile Mili Case por Jeffrey D. Camm, P .M . Dearing, y "Scrfsh K. Tadisina,
1987.
APLICACIONES DE LA PROGRAMACION LINEAL 181
REPORTE PARA LA ADMINISTRACIN

Desarrolle un modelo que pueda utilizarse para programar la produccin en la Scottsville
Textile Mili y, al mismo tiempo, determinar cuntas yardas de cada tela deben adquirirse
de otras fuentes. Incluya un anlisis de lo siguiente en el reporte:
l. El programa final de produccin y las asignaciones de telares para cada tela.
2. La utilidad que se proyecta.
3. Un anlisis del valor del tiempo adicional de telares. La fbrica est considerando la
adquisicin de un noveno telar dobbie. Cul sera su estimacin para la contribucin
mensual a las utilidades de este telar adicional?
4. Un anlisis de los intervalos de los coeficientes de la funcin objetivo.
5. Un anlisis de la forma en que el objetivo de minimizar los costos totales podra conducir
a un modelo distinto que el objetivo de maximizar las utilidades. De qu manera diferi-
ra la interpretacin de los intervalos para la funcin objetivo en estos dos modelos?
182 CAPTULO CUATRO
LA CIENCIA DE LA ADMINISTRACIN EN LA PRCTICA
Marathon Oil Company*

Findlay, Ohio
La empresa Marathon Oil Company fue fundada en 1887, cuando catorce personas que se dedica-
ban a la extraccin de petrleo reunieron sus propiedades para organizar una compaa producto-
ra de petrleo en los campos aceitferos de Trenton Rock, en el estado de Ohio. En 1924, la
Marathon pas a la fase de refinacin y comercializacin de la industria petrolera. En la actuali-
dad, la Marathon es una compaa completamente integrada, con importantes operaciones inter-
nacionales. Da empleo a ms de 18,000 personas y sus actividades abarcan seis continentes. En
Estados Unidos, la compaa vende productos de petrleo en 21 estados, primordialmente en
el medio este y el sureste.
LA CIENCIA DE LA ADMINISTRACIN DE LA MARATHON

OIL COMPANY
La mayor parte de las aplicaciones de la ciencia administrativa en la Marathon implican la partici-

pacin de su Departamento de Investigacin de Operaciones. Tal departamento se form en
1963 con el propsito de ayudar a todas las reas de la compaa en la resolucin de problemas
y en la toma de decisiones. Aproximadamente, el 50 0Jo de las aplicaciones implican programacin
lineal. Los problemas tpicos abarcan modelos de refineras, modelos de distribucin, modelos
de mezclas de combustleo y gasolina, y estudios de evaluacin de petrleo crudo. Otro 300Jo
de las aplicaciones implica modelos complejos de simulacin de ingeniera qumica para las opera-
ciones de procesos. El resto de las aplicaciones de la ciencia administrativa se desenvuelve alrede-
dor de tcnicas de solucin que utilizan programacin no lineal, algoritmos de flujo en redes,
y tcnicas estadsticas tales como anlisis de regresin.
Un modelo de planeacin de mercadotecnia
La Marathon Oil Company posee cuatro refineras en Estados Unidos, opera 50 terminales de
productos ligeros y tiene demanda para sus productos en ms de 100 lugares. La Divisin de
Operaciones de Mercadotecnia enfrenta el problema de determinar qu refinera debe abastecer
qu terminal y, al mismo tiempo, decidir qu productos se deben transportar por oleoducto,
en barcazas o en barcos petroleros, con objeto de lograr un costo mnimo. Debe satisfacerse
la demanda de los productos y no se debe exceder la capacidad de abastecimiento de cada refine-
ra. Para ayudar a resolver este difcil problema, el Departamento de Investigacin de Operacio-
nes de la Marathon desarroll un modelo de programacin mercadotcnica para la Divisin de
Operaciones de Mercadotecnia.
El modelo de programacin a usar es uno del tipo lineal en gran escala, que toma en considera-
cin las ventas no slo en las terminales de productos de la Marathon, sino tambin en todas
las ubicaciones de intercambio. Un contrato de intercambio es un acuerdo con otros comercializa-
Los autores agradecen a Jerry T. Ranney y Keith R. Weiss of Marathon Oil Company, Findlay, Ohio. el haber
proporcionado es/a explicacin .
dores de productos de petrleo, que implica el intercambio o la compra-venta de productos de

la Marathon por los productos de las otras compaas, en lugares diferentes. Esto permite reducir
algunos desequilibrios geogrficos entre la oferta y la demanda. Estn representados ambos lados
de los intercambios, puesto que no slo afectan los requisitos netos en una ubicacin de demanda,
sino que -adems- se tienen importantes implicaciones financieras. Tambin estn representa-
dos en el modelo de programacin lineal todos los oleoductos, las barcazas y los barcos tanques
que estn bajo el control del rea de mercadotecnia de la firma.
Se logra en el modelo la optimizacin de las mezclas de gasolina en cada refinera, con base
en las disponibilidades de materias primas y en la estructura de la demanda de las gasolinas,
mediante la inclusin de submodelos para mezcla de gasolina. As, el modelo de programacin
lineal es una combinacin de un modelo de mezclas y de un modelo de transporte.
El objetivo del modelo de programacin lineal es minimizar el costo de satisfacer una determi-
nada estructura de demanda, tomando en consideracin precios de venta, tarifas de oleoductos,
costos de los contratos de intercambio, demanda de los productos, costos de las terminales opera-
tivas, costos de refinacin y las adquisiciones de productos. El tamao actual de la matriz de
programacin lineal es de aproximadamente 1,800 renglones por 6,000 columnas. Se utiliza
el modelo de planeacin de mercadotecnia para resolver una amplia gama de problemas de pla-
neacin. Estos varan desde evaluar econmicamente las mezclas de gasolinas hasta analizar los
conceptos econmicos de una terminal o de un nuevo oleoducto. Aunque los tipos de problemas
que pueden resolverse son casi ilimitados, el modelo es ms efectivo para manejar los siguientes:
l. Evaluar ubicaciones adicionales de demanda de productos, oleoductos, unidades de refinacin

y contratos de intercambio.
2. Determinar la redituabilidad de pasar las ventas de una ubicacin de demanda de productos a otra.
3. Mostrar los efectos que se presentan en las mezclas de gasolina en las refineras cuando se
aumentan los requisitos de octanaje, cuando disminuyan las disponibilidades de materias pri-
mas, o cuando hay un cambio importante en la pauta de la demanda.
4. Determinar los efectos que tienen sobre la oferta y la distribucin los aumentos en las tarifas
de los oleoductos.
5. Optimizar la produccin de los tres grados de gasolina en las cuatro refineras.
El modelo de programacin lineal no slo resuelve estos problemas, sino que tambin proporcio-
na el impacto financiero de cada solucin.
Beneficios
Con ventas diarias de aproximadamente 10 millones de galones de producto ligero refinado,

un ahorro de un milsimo de centavo (de dlar) por galn puede dar como resultado ahorros
importantes a largo plazo. Al mismo tiempo, lo que pudiera parecer un ahorro en una rea,
tal como refinacin o transporte, puede en realidad aumentar los costos globales, cuando se
evalan en forma caballos efectos en todo el sistema. El modelo de planeacin de mercadotecnia
permite hacer un examen simultneo de este efecto total.
Cuestionario
l. Cul es el objetivo primordial del modelo de planeacin de mercadotecnia de la Marathon?

184 CAPTULO CUATRO

Programacion Lineal - Metodo Grafico, Simplex y Dualidad

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Programacion Lineal - Metodo Grafico, Simplex y Dualidad

Hochgeladen von

Copyright:

Verfügbare Formate

------. . !

La programacin lineal es un mtodo de resolucin de problemas que se ha desarrollado

l. Un fabricante desea elaborar un programa de produccin y una poltica de inventarios

2.1 UN PROBLEMA SENCILLO DE MAXIMIZACIN

TABLA 2.1 Operaciones de produccin y requerimientos de produccin por bolsa

2.2 LA FUNCIN OBJETIVA

Contribucin a las utilidades totales = z = $10x1 + $9x2

max z = max 10x1 + 9x2 (2.2)

En el problema en cuestin, a cualquier combinacin especfica de fabricacin de artcu-

2.3 LAS RESTRICCIONES

Tiempo total de corte y teido que se requiere = 11 10X

en donde el smbolo :5 significa menor que o igual a. A la relacin (2.3) se la denomina

es la representacin matemtica de la restriccin de corte. Verifique que la restriccin para

y que la restriccin para la capacidad de inspeccin y embalaje es

2.4 PLANTEAMIENTO MATEMTICO

max 10x 1 + 9x2

Lo que se requiere ahora es encontrar la combinacin de productos (es decir, de x 1 y

lineal. El tiempo de produccin que se requiere en el departamento de corte y teido ( 11 10X1

?..5 SOLUCIN GRFICA

- 400 - 200 o 12QQ X

Cantidad de bolsas estndares

FIGURA 2.1 Grfica de los puntos de solucin para el problema de dos

o 200 400 600 800 1000 1200 14QQ X

Cantidad de bolsas estndares

FIGURA 2.2 Las restricciones de no negatividad.

Recurdese que la desigualdad que representa dicha restriccin es

1fwx 1 + Ix2 = 1fw(600) + 1(500) = 920

Cantidad de bolsas estndares

FIGURA 2.3 La recta de restriccin de corte y teido.

o 200 400 600 800 1000 1200 14QQ X

Cantidad de bolsas estndares

FIGURA 2.4 Soluciones factibles para la restriccin de corte y teido

Cantidad de bolsas estndares

FIGURA 2.6 Una grfica con la combinacin de las restricciones y que

FIGURA 2.7 Regin de soluciones factibles para el problema de Par, lnc.

Cantidad de bolsas estndares

FIGURA 2.8 Recta de utilidades de $1 800 para el problema de Par, Inc.

10x 1 + 9x2 = 3600

Cantidad de bolsas estndares

FIGURA 2.9 Rectas de utilidades seleccionadas para el problema de Par, lnc.

Despejando x2 en trminos de x 1 y z, se obtiene

La expresin (2.8) es la forma pendiente-interseccin de la ecuacin lineal que relaciona

Cantidad de bolsas estndares

FIGURA 2.10 Solucin ptima para el problema de Par, Inc.

Sustituyendo esta expresin de x 1 en la ecuacin (2.10) y despejando x 2 se obtiene lo si-

Comentarios sobre la graficacin de rectas

Utilizando la forma de igualdad y considerando x 1 = O, se encuentra que el punto (x 1

FIGURA 2.11 Soluciones factibles para la restriccin 2x 1 -::- 1x2 :5 100.

FIGURA 2.12 Soluciones factibles para la restriccin lx 1 - lx 2 :::: O

x 2 = O) cae en la recta de restriccin si x 2 = O y despejando x 1 se obtiene el mismo punto.

Resumen del procedimiento grfico de solucin

Adems de la solucin ptima de x 1 = 540 bolsas estndares y x 2 = 252 bolsas de lujo,

7110(540) + 1(252) 630 horas para corte y teido

max 10x 1 + 9x2 + Os 1 + Os 2 + Os 3 + Os4

l. En la forma estndar de representacin de un modelo de programacin lineal,

2.6 PUNTOS EN LOS EXTREMOS Y

Cantidad de bolsas estndares

Cantidad de bolsas estndares

FIGURA 2.14 Los cinco puntos extremos de la regin factible (o de

En un punto extremo de la regin factible de un problema de programacin

Esta propiedad significa que si se est buscando la solucin ptima de un problema de

2. 7 UN PROBLEMA SENCILLO DE MINIMIZACIN

x1 = nmero de galones del prod. l fabricados

En seguida, considrense las restricciones que tiene el problema de la M&D Chemicals.