Professional Documents
Culture Documents
E l arte y la c e n c a
DE CONSTRUIR MODELOS
DETERMINSTICOS
o d e te rm in a Gase C h e m ica ls la m ezcla de p ro d u c to s
C m
w
que m a x im ic e la s ganancias? Cmo deduce C osm ic
C o m p u te r C o m p a n y el p la n m enos caro p a ra tra n s p o rta r sus
m ic ro c o m p u ta d o ra s a los d e ta llis ta s a l m is m o tie m p o que sa
tis fa c e la d e m a n d a de sus clientes? Cmo decide H e x x o n O il la
re d de e m b a rq u e que m a x im ic e el flu jo de p e tr le o a sus ta n q u e s
de a lm a c e n a m ie n to en F ila d e lfia ? P a ra fu n d a m e n ta r m e jo r la
decisin de negocios, debe saber cmo hacer la p re g u n ta adecuada
y cm o fo rm u la r e l p ro b le m a co rre cta m e n te .
En este captulo aprender cmo construir los modelos
matemticos que lo conducirn a las respuestas de stas
y otras preguntas.
12
C a p tu lo 2
E l a r t e y l a c ie n c ia d e c o n s t r u i r m o d e lo s d e t e r m in s t ic o s
2 .1
P aso s
g e n e r a l e s y t c n ic a s
Formulacin
del problema
El proceso de convertir
la descripcin cualitativa
de un problema a una
forma matemtica.
El objetivo ahora es convertir esta descripcin cualitativa del problema a una forma
matemtica que pueda resolverse. Este proceso es llamado formulacin del problema
y generalmente implica cuatro pasos, cada uno de los cuales es descrito en las siguientes
secciones.
2.1
P asos
g e n e r a l e s y t c n ic a s d e l a c o n s t r u c c i n de m o d e l o s m a t e m a
neos
13
CARACTERSTICAS CLAVE
Pautas generales para identificar variables de decisin
y
y
/
Para el ejemplo 2.1, las respuestas a todas est|s preguntas son iguales y lo llevan
a identificar las variables de decisin como el nmero de miles de galones de CS-01 y
CS-02 por producir semanalmente.
Nombre simblico
Un nombre descriptivo
dado a una variable en
un modelo matemtico
que ayuda a la
comprensin del
significado de la variable.
14
a p t u l o
a r t e y l a c ie n c ia d e c o n s t r u ir m o d e l o s d e t e r m in s t ic o s
ayudar a determinar esos valores. Por ejemplo, para determinar las cantidades reales
de los dos solventes a producir para maximizar las ganancias corporativas, necesitar
saber:
1. El nmero de horas de trabajo disponibles en el departamento de mezclado.
2. El nmero de horas de trabajo disponibles en el departamento de purificacin.
3. La cantidad de ganancias obtenidas al producir y vender cada tipo de solvente.
Estas cantidades constituyen los datos del problema. En problemas determinsticos, se
requiere conocer (u obtener) estos valores en el momento de formular el problema. Para
Case Chemicals:
1. Como se estableci en la descripcin del problema, el departamento de mezclado
tiene cinco trabajadores de tiempo completo (40 horas cada uno) y dos trabajadores
de tiempo parcial (15 horas cada uno). Esto da un total de 230 horas de trabajo
a la semana en el departamento de mezclado.
2. De manera similar, los seis trabajadores de tiempo completo (40 horas cada uno)
y el trabajador de tiempo parcial (10 horas) representan un total de 250 horas de
trabajo a la semana en el departamento de purificacin.
3. El departamento de contabilidad estima un margen de ganancias de $0.30 por
galn de CS-01 y de $0.50 por galn de CS-02, esto es, $300 por mil galones de
CS-01 y $500 por mil galones de CS-02.
A diferencia de las variables de decisin, cuyos valores usted puede controlar, usted
no puede controlar directamente los valores de los datos.
CARACTERSTICAS CLAVE
La necesidad de que algunos de los datos del problema pueden aclararse cuando
especifica el problema. Otros datos pueden hacerse necesarios al desarrollar el
modelo matemtico y descubrir que se requiere informacin adicional para
ayudar a determinar los valores de las variables de decisin.
2 .1
P asos
Para lograr la tarea en la tercera etapa, a menudo es til elegir algunos valores
especficos para las variables de decisin y luego usar esos valores para determinar la
forma en que se calcula la funcin objetivo. Se hace referencia a esta tcnica como
trabajo a travs de un ejemplo especfico. En el ejemplo 2.1, supongamos que se
producen 10 mil galones de CS-01 y 20 mil galones de CS-02 (as que CS1= 10 y CS2=
20). El departamento de contabilidad le ha dicho que cada mil galones de CS-01
contribuye con $300 a la ganancia y que cada mil galones de CS-02 contribuye con $500.
Se puede escribir:
Ganancia de CS-01 = 300(10) = $
3 000
= $ 13 000
Sin embargo, el propsito de usar valores especficos para las variables no es obtener
la ganancia total de estos valores, sino ms bien ayudarlo a determinar cmo calcular
el objetivo cuando los valores de las variables no se conocen explcitamente. En este
problema, se puede ver fcilmente de los clculos anteriores que si CS1es el nmero no
especificado de miles de galones de CS-01 y CS2es el nmero no especificado de miles
de galones de CS-02 por producir, entonces la ganancia es:
Ganancia de CS-01 =
300C*S1
+ Ganancia de CS-02 =
500GS2
Ganancia total
300CS1 + 500CS2
3 0 0 0 ^ + 500CS2
CARACTERSTICAS CLAVE
Este problema ilustra las siguientes caractersticas clave:
y
15
g e n e r a l e s y t c n ic a s d e l a c o n s t r u c c i n d e m o d e l o s m a t e m t ic o s
Trabajo a travs de
un ejemplo especfico
La tcnica de usar
valores especficos de
las variables para
determinar cmo se
calcula la funcin
objetivo.
C a p tu lo 2
E l a r t e y l a c ie n c ia d e c o n s t r u i r m o d e lo s d e t e r m in s t ic o s
pone un lmite en los valores que puede asignar a estas variables. En el ejemplo 2.1, los
departamentos de mezclado y purificacin tienen ciertas restricciones fsicas: un
nmero limitado de horas de trabajo disponible cada uno. Estas limitaciones, as como
otras consideraciones que imponen restricciones sobre los valores de las variables, son
las restricciones. El paso final en la formulacin del problema es identificar estas res
tricciones y escribirlas en forma matemtica.
Las restricciones son condiciones que las variables de decisin deben satisfacer para
constituir una solucin aceptable. Estas restricciones por lo general surgen de:
1. Limitaciones fsicas (el nmero limitado de horas de trabajo en los departamentos
de mezclado y purificacin, por ejemplo).
2. Restricciones impuestas por la administracin (por ejemplo, sta pudo haber
prometido una cierta cantidad de un producto a un cliente estimado).
3. Restricciones externas (por ejemplo, Case Chemicals no puede vender ms de
120 mil galones de CS-02 a la semana, y no hay razn para producir ms que la
cantidad demandada).
4. Relaciones implicadas entre variables (por ejemplo, en el problema de inversin
de Mark de la seccin 1.1, las dos fracciones que representan la proporcin de
dinero a invertir en los dos fondos debe sumar 1).
5. Restricciones lgicas sobre variables individuales (por ejemplo, el nmero de
carros producidos debe ser un nmero entero, y Case Chemicals no puede pro
ducir una cantidad negativa de solventes).
CARACTERSTICAS CLAVE
Despus de identificar estas restricciones, debe expresarlas en forma matemtica
usando las variables de decisin y otros datos del problema. Este proceso es
idntico al usado para especificar la funcin objetivo.
y
y
y
Horas
usadas
\
/
I + I
para CS-01 /
Horas
usadas
\
I no pueden exceder de 230
\ para CS-02 J
Matemticas: para expresar las horas usadas para CS-01 y CS-02 en el departamen
to de mezclado, trate de trabajar con un ejemplo especfico. Por ejemplo, suponga que
2 .1
P asos
g e n e r a l e s y t c n ic a s d e l a c o n s t r u c c i n d e m o d e l o s m a t e m t i c o s
CS1= 15 mil y que CS2= 10 mil galones. Cmo calcula el nmero de horas usadas en
el departamento de mezclado? Estos valores son datos del problema (adems de los
datos ya identificados en la seccin 2.1.2) que usted debe obtener. Supongamos que
usted llama al departamento de procesos y recoge los siguientes datos para los
departamentos de mezclado y purificacin:
Mezclado
Purificacin
CS-01
CS-02
2
1
1
2
= 30
= 10
= 2(15) + 1(10) = 40
El propsito de usar este ejemplo numrico especfico es ayudarle a escribir una res
triccin matemtica general cuando los valores de las variables (CS1y CS2, en este caso)
no se conocen. De los clculos anteriores, usted obtiene la siguiente restriccin mate
mtica general:
2CS1 + 1CS2< 230
Descomposicin:
Matemticas:
S t
Horas
usadas
para CS-02
2CSn
250
E l a r t e y l a c ie n c ia d e c o n s t r u i r m o d e lo s d e t e r m in s t ic o s
C a p tu lo 2
CS2> 0
o CSV CS2> 0
Juntando todas las piezas de los pasos anteriores, la formulacin matemtica completa
del problema de planeacin de produccin de Case Chemicals es la siguiente:
300CS1 + 500CS2
2CSX+ 1CS2<230
1CSl + 2 CS2< 250
CS2 < 120
CS1 , CS2 >
0
(ganancia)
(mezclado)
(purificacin)
(limitado en CS-02)
(no negatividad)
donde:
CSl = el nmero de miles de galones de CS-01 por producir semanalmente
CS2 = el nmero de miles de galones de CS-02 por producir semanalmente
En el captulo 4 aprender el procedimiento de solucin para este tipo de problema. La
aplicacin de ese procedimiento da por resultado la solucin ptima:
CS1 = 70
CS2 = 90
2.2
E jemplos
a d ic io n a l e s d e l a f o r m u l a c i n d e p r o b lem as
19
El problema de esta seccin involucra slo dos variables de decisin y unas cuantas
restricciones. Los problemas de importancia prctica a menudo contienen cientos o
miles de variables y un nmero similar de restricciones. Estos problemas ms com
plejos tambin pueden formularse usando los pasos que aprendi en esta seccin.
2 .2
j e m p l o s a d ic io n a l e s
DE LA FORMULACIN DE PROBLEMAS_____________________
En esta seccin, los pasos de formulacin que aprendi en la seccin 2.1 se aplican a pro
blemas de complejidad variable. Tambin aprender nuevas tcnicas tiles en la iden
tificacin de las variables, los datos, la funcin objetivo y las restricciones. Por ejemplo,
una de estas tcnicas consiste en dibujar un diagrama esquemtico para representar
los diversos componentes del problema. Una ventaja de hacer esto es que el aspecto ms
importante de estos problemas puede ser transmitido con una sola imagen. Una clase
de problemas en que los diagramas esquemticos son particularmente tiles se deno
minan problemas de redes, que pueden incluir la distribucin de bienes, como se
ilustra en las secciones 2.2.1 y 2.2.2.
Diagrama
esquemtico
Un dibujo usado para
representar los diversos
componentes de un
problema.
Problema de redes
Un problema que puede
representarse mediante
crculos y flechas que los
conectan.
Problema de
transportacin
El problema de
determinar el plan de
mnimos costos para
embarcar bienes desde
las instalaciones de
produccin hasta los
mercados de distribucin.
20
C a p t u l o 2
El ar te
y l a c ie n c ia de c o n st r u ir m o d e l o s d eterm in stico s
TABLA 2.1
PLANTAS
San Francisco
Los ngeles
Phoenix
Nodo
Un crculo en un
diagrama de redes que
representa un aspecto
importante de un
problema, como la
fuente y destinacin
de bienes en un
problema de
transportacin.
Arco
Una lnea que conecta
dos nodos en un
diagrama esquemtico
que representa una
relacin entre estos dos
nodos, como podra ser
una posible ruta para el
embarque de bienes en
un problema de
transportacin.
SAN DIEGO
BARSTOW
TUCSON
DALLAS
5
4
6
3
7
5
2
8
3
6
10
8
Las respuestas a todas estas preguntas pueden conducirlo a identificar doce varia
bles de decisin, correspondientes al nmero de microcomputadoras por embarcar
desde cada ^na de las tres plantas de ensamblaje hasta cada una de las cuatro tiendas
minoristas. Podra referirse a ellas con nombres simblicos x v x2, . . . , x l2. Pero recuerde
que al trabajar con variables, es til usar un nombre simblico que en cierta manera
le recuerde la cantidad representada. Por ejemplo, podra definir:
San/Tuc = el nmero de microcomputadoras por embarcar de la planta de
ensamblaje en San Francisco a la tienda detallista en Tucson
2 .2
E je m p l o s
a d ic io n a l e s de l a f o r m u l a c i n de pr o b le m a s
Plantas
Tiendas detallistas
San Diego
1000
1500
1200
TABLA 2.2
PLANTAS
San Francisco
Los Angeles
Phoenix
SAN DIEGO
* ps
BARSTOW
TUCSON
*s8
*sr
Kb
Kb
Kr
Kr
DALLAS
Ko
Ko
Para este ejemplo, se utiliza la ltima notacin. Los doce nombres simblicos se re
sumen en la tabla 2.2. En trminos del diagrama de redes de la figura 2.1, cada una de
estas variables de decisin denota el nmero de computadoras por embarcar junto al
arco correspondiente, como se ilustra en la figura 2.2.
C a p tu lo 2
El a r t e y l a c ie n c ia d e c o n s t r u i r m o d e lo s d e t e r m in s t ic o s
Minimizar
costo de \
embarque I
desde SF
Plantas
/ costo de
I embarque
\ desde LA
/
costo de
I
embarque
\ desde Phoenix
Tiendas detallistas
San Diego
Dallas
Figura 2.2 Variables de decisin para el problema de distribucin de CCC.
2 .2
E je m p l o s
23
a d ic io n a l e s de l a f o r m u l a c i n de p r o b l e m a s
Minimizar
I
{
nmero de unidades
embarcadas hacia San Diego
nmero de unidades
embarcadas hacia Barstow
Entero
Un nmero completo.
C a p tu lo 2
E l a r t e y l a c ie n c ia d e c o n s t r u i r m o d e lo s d e t e r m in s t ic o s
nmero de unidades
embarcadas hacia Tucson
nmero de unidades
embarcadas hacia Dallas
Por tanto, la restriccin de capacidad correspondiente a este nodo es:
XSS + XSf + XST + XSD
Un proceso similar, con referencia al diagrama de redes de la figura 2.2, conduce al
siguiente grupo de restricciones de capacidad:
xss + xsb + xst + xsd ^1^00
xLS + xLB + xLT + xLD< 2000
(San Francisco)
(Los ngeles)
(Phoenix)
Para identificar las restricciones de demanda, observe que existe una de tales restric
ciones asociada con cada uno de los cuatro nodos de la figura 2.2, correspondiente a las
cuatro tiendas al detalle. Por ejemplo, el nmero de unidades enviadas a la tienda
detallista de San Diego debe ser exactamente 1700. Ahora use la tcnica de des
composicin para expresar el nmero de unidades embarcadas a San Diego como una
suma de trminos individuales. De la figura 2.2, los tres arcos que entran al nodo
correspondiente a la tienda detallista de San Diego proporcionan la siguiente des
composicin:
Nmero de unidades
embarcadas desde
San Francisco
nmero de unidades
embarcadas desde San Francisco
nmero de unidades
embarcadas desde Los ngeles
nmero de unidades
embarcadas desde Phoenix
1700
1000
^00
1200
(San Diego)
(Barstow)
(Tucson)
(Dallas)
xP D - y
en ter
2 .2
E je m p l o s
a d ic io n a l e s de l a f o r m u l a c i n de p r o b l e m a s
25
Programa entero
EX2_2.DAT
Condicionado por:
RESTRICCIONES DE CAPACIDAD
< 1700
X LS + X LB + X LT + X LD
(San Francisco)
(Los ngeles)
(Phoenix)
2 0 0 0
RESTRICCIONES DE DEMANDA
X SS + X LS + X PS ~
1^00
X SB
l 000
X LB
X PB ~
(San Diego)
(Barstow)
(Tucson)
(Dallas)
X ST + X LT + XPT ^ 0 0
X SD + X LD + XPD ~
1200
RESTRICCIONES LOGICAS
X SS> XS
o,
TIENDAS
PLANTAS
San Francisco
Los ngeles
Phoenix
SAN DIEGO
BARSTOW
TUCSON
DALLAS
0
1700
0
800
0
200
0
0
1500
900
300
0
El costo de embarque total asociado con esta solucin ptima es $23 100.
CARACTERISTICAS CLAVE
El problema de CCC ilustra los siguientes puntos clave adems de las tcnicas
de formulacin de problemas previamente cubiertas.
y
26
C a p tu lo 2
Agrupamiento
La tcnica de identificar
una serie de restricciones
similares, cada una de
las cuales pertenece
a un aspecto particular
del problema, como
la satisfaccin de
demandas.
E l a r t e y l a c ie n c ia d e c o n s t r u i r m o d e lo s d e t e r m in s t ic o s
DE
Newark
Sayerville
Trenton
Newark
Sayerville
Bridgewater
Easton
Easton
Allentown
A
Sayerville
T renton
Filadelfia
Bridgewater
Bridgewater
Easton
Allentown
Trenton
Filadelfia
CAPACIDAD
150
125
130
80
60
100
75
50
90
000
000
000
000
000
000
000
000
000
2 .2
E je m p l o s
a d ic io n a l e s d e l a f o r m u l a c i n de pro b l e m a s
Trenton
Newark
Filadelfia
Bridgewater
* En miles de galones por hora
Easton
Allentown
Figura 2.3 Representacin de red del problema de flujo mximo: problema de flujo de Hexxon
Oil Company.
Trenton
Figura 2.4 Variables de decisin para el problema de flujo mximo de Hexxon Oil Company.
C a p tu lo 2
E l a r t e y l a c ie n c ia d e c o n s t r u i r m o d e lo s d e t e r m in s t ic o s
{ Nmero de galones
} _
por hora a Filadelfia J
X NS
X NB
X SB
X ST
X BE
X EA
X ET
X AP
X TP
2.
80 000
<
60 000
75 000
<
50 000
<
90 000
Cantidad enviada 1
desde Bridgewater J
Cantidad enviada de 1
1 Bridgewater a Easton J
Cantidad recibida 1
en Bridgewater
j
Cantidad recibida en
1
f
Cantidad recibida en
1 Bridgewater desde Newark J + ^Bridgewater desde Sayerville
2 .2
E je m p l o s
a d ic io n a l e s de l a f o r m u l a c i n de pro b l e m a s
x be
x nb
x sb
0 (balance en Bridgewater)
X EA
X TP
X SB ~ X NS
- xET~
X BE
- x ST
qr - xX EKTT = 0 (balance en Trenton)
= 0 (balance en Allentown)
X AP ~ X EA
3.
xAp + xTp
Condicionado por:
RESTRICCIONES DE FRONTERA
xm
X NB
X SB
X ST
80 000
<
60 000
100 000
<
75 000
<
50 000
<
90 000
<
T
**"TP
130 000
X BE
X EA
X KT
X M>
RESTRICCIONES DE BALANCE
X BE
X NB
X SB
X ST
+ X SB
~ X NS
X EA
X ET ~ X BE
TP
X ST '
X AP
X EA
= 0 (balance en Bridgewatei
= 0 (balance en Sayerville)
= 0 (balance en Easton)
Programa lineal
EX2_3.DAT
C a p tu lo 2
E l a r t e y l a c ie n c ia d e c o n s t r u i r m o d e lo s d e t e r m in s t ic o s
RESTRICCIONES LGICAS
Todas las variables son no negativas.
Aplicando el procedimiento de solucin apropiado se obtienen los flujos ptimos
mostrados en la figura 2.5.
Sayerville
Trenton
Figura 2.5 Una solucin ptima para el problema de flujo mximo de Hexxon Oil Company.
Esta solucin resulta en un flujo mximo de 205 000 galones de petrleo por hora
desde la refinera de Newark a los tanques de almacenamiento de Filadelfia.
La administracin no sabe cunta gasolina puede bombear la compaa a Filadelfia.
Esta informacin tambin es importante al tomar la decisin respecto a cul debera ser
la tasa de produccin en la refinera de Newark. De hecho, el flujo mximo hacia
Filadelfia pone un lmite superior sobre cunta gasolina debe fluir desde Newark.
Debe
Debe
Debe
Debe
Estas cuatro preguntas abordan problemas que son distintos en naturaleza del
problema de transportacin y del problema de flujo mximo. Al desarrollar el programa
de embarque y el flujo de gasolina, usted buscaba una respuesta cuantitativa: cunto?
Las cuatro preguntas estratgicas anteriores son cualitativas: Sus respuestas sern
11
E jemplos
a d ic io n a l e s de l a f o r m u l a c i n de p ro blem as
31
Las decisiones cualitativas desconocidas, la respuesta de s o no a estas pregunzzs , son los elementos que puede controlar con libertad y de esta manera se incorpo:=n a un modelo matemtico como variables de decisin. Al formular un modelo, estas
inables de decisin estn restringidas a valores de 0 (para no) y 1 (para s) y son
rn:onces llamadas variables enteras 0-1. El siguiente ejemplo ilustra cmo se usan
r =:as variables en el desarrollo de modelos.
EJEMPLO 2.4 EL PROBLEMA DE ADMINISTRACIN DE CARTERA DE HIGH TECH
1:5 socios generales de High Tech, una compaa de inversin de capital de riesgo,
r5:an considerando invertir en una o ms propuestas que han recibido de varios
" e godos empresariales. El departamento de investigacin ha examinado cada propuesta,
ruatro de los empresarios cumplen con el requerimiento de High Tech de lograr un
rendimiento lo suficientemente alto para el riesgo asociado. Estas compaas son BioTech, Tele-Comm, Laser-Optics y Compu-Ware. El departamento de investigacin de
H:gh Tech tambin ha estimado el rendimiento total de estos negocios en dlares
::uales, dado en la ltima columna de la tabla 2.3.
Cada uno de los cuatro proyectos requiere inversiones de una cantidad conocida al
; nncipio de cada uno de los siguientes cuatro aos, como se muestra en la tabla 2.3. El
: e partamento de contabilidad de High Tech ha preparado una estimacin de los fondos
: ::ales que High Tech tiene para invertir a principios de cada uno de los siguientes
: uatro aos, que se da en la ltima fila de la tabla 2.3. Observe que los fondos no usados
e cualquier ao no estn disponibles para su inversin en los aos posteriores.
Como uno de los socios generales de High Tech, se le ha pedido hacer recomendaciones
respecto a cules de estos proyectos elegir, si acaso, para invertir y lograr el ms alto
rendimiento total en dlares actuales. Usted y los otros socios han acordado que High
Tech, en un esfuerzo por diversificarse, no invertir conjuntamente en Tele-Comm y
Laser-Optics, que estn desarrollando el mismo tipo de tecnologa.
AO 1
AO 2
AO 3
AO 4
DEVOLUCIN
Bio-Tech
Tele-Comm
Laser-Optics
Compu-Ware
60
35
10
15
10
35
50
10
10
35
50
10
10
35
10
40
250
375
275
140
90
80
80
50
j, _
C a p tu lo 2
- {
C=
E l a r t e y l a c ie n c ia d e c o n s t r u i r m o d e lo s d e t e r m in s t ic o s
= rendimiento de Bio-Tech
rendimiento de Laser-Optics
+ rendimiento de Tele-Comm +
+ rendimiento de Compu-Ware
= rendimiento de Bio-Tech
rendimiento de Laser-Optics
+ rendimiento de Tele-Comm +
+ rendimiento de Compu-Ware
2 .2
E je m p l o s
a d ic io n a l e s d e l a f o r m u l a c i n d e p r o b l e m a s
seleccionados no excedan la cantidad de fondos para inversin disponibles ese ao. Por
ejemplo, para el primer ao:
Fondos totales invertidos en proyectos seleccionados < 90
Usando la tcnica de descomposicin, los fondos totales invertidos en proyectos
seleccionados es la suma de las cantidades invertidas en cada uno de los cuatro
proyectos, esto es:
Fondos totales invertidos =
15C < 90
Se requiere de una restriccin similar para cada uno de los restantes tres aos. Usando
los datos de la tabla 2.3, esas restricciones son
IOS + 35T + 50L
10C < 80
10C < 80
40C < 50
R e s t r ic c i n d e p a u t a d e in v e r s i n
34
E l a r t e y l a c ie n c ia d e c o n s t r u i r m o d e lo s d e t e r m in s t ic o s
C a p tu lo 2
Como se especifica en las definiciones, cada variable debe tener un valor de 0 o 1. Esta
restriccin implcita se hace explcita de la siguiente manera:
B, T, L y C = 0 o 1
De manera alternativa, podra escribir estas restricciones lgicas como:
0< B< 1
entera
0< T< 1
entera
0< L< 1
entera
0< C< 1
entera
Condicionado por:
60B
Programa entero
EX2_4.DAT
10L +
15C < 90
(ao 1)
10C < 80
(ao 2)
10C < 80
(ao 3)
10L +
40C < 50
(ao 4)
+ 35T +
10B + 35T +
< 1
T +L
B
T,
0o 1
Esta formulacin se basa en definir las variables como se hace en el paso 1. Una
formulacin alternativa, pero equivalente, puede obtenerse definiendo cada variable
de decisin para que tenga un valor de 1 para no, significando que no invertir en el
proyecto asociado, y de 0 para s, significando que s invertir. Se le pide desarrollar
el modelo correspondiente en un ejercicio al final de est captulo. Esto mostrar que
no existe una formulacin nica de un problema.
De cualquier modo, aprender el procedimiento de solucin para este tipo de
problema en el captulo 8. La aplicacin de ese procedimiento da por resultado en la
recomendacin de invertir slo en los proyectos de Bio-Tech y Laser-Optics, con un
rendimiento esperado de 525 mil dlares.
CARACTERSTICAS CLAVE
Este problema ilustra las siguientes caractersticas clave, adems de las tcnicas
de formulacin de problemas que ya conoce:
2 .2
E jemplos
/
/
y
/
a d ic io n a l e s d e l a f o r m u l a c i n de pro blem as
C a p tu lo 2
El a r t e y l a c ie n c ia d e c o n s t r u i r m o d e lo s d e t e r m in s t ic o s
b5) .
# (av
bi )
7: 1
Ayuntamiento
(a4. b4) *
(a2,b 2)
0 (a3 b,)
Sur
Figura 2.6 Ubicacin de hospitales en la ciudad de Nueva York.
2 .2
E je m p l o s
a d ic io n a l e s d e l a f o r m u l a c i n de pr o b l e m a s
2 *
Minimizar
2 * ( V(x - a t)2 + (y - b J2 ) +
4*
2 * ( V C x-a-P + C y -b ,)2 ) +
4 * ( V(x - a4)2 + (y - b j 2 ) +
2 * ( V ( * - a )2 + (y - 6.)2 )
37
C a p tu lo 2
38
E l a r t e y l a c ie n c ia d e c o n s t r u i r m o d e lo s d e t e r m in s t ic o s
Problema de
optimizacin
irrestricta
Un modelo matemtico
que tiene una funcin
objetiva pero carece de
restricciones.
Para identificar las restricciones, pregntese lo que le impide elegir valores arbitrarios
para las variables x e y. A primera vista, podra sentir que se requieren ciertas
limitaciones sobre estas variables para asegurar que representan una ubicacin vlida
sobre el mapa. No deseara que el banco de sangre estuviera ubicado en Filadelfia. Aun
cuando podra incluir tales restricciones, no se requiere hacer eso en este problema. La
razn es que la funcin objetivo restringe los valores para x e y. Cuando la funcin
objetivo se minimiza de hecho, los valores para x e y automticamente estarn cerca de
los cinco hospitales.
Existen otras muchas consideraciones prcticas respecto a la ubicacin real del
banco de sangre, pero no se incluyen como restricciones en este modelo porque el
objetivo es determinar la ubicacin ideal.
Adicionalmente observe que no existen restricciones de no negatividad. La razn es
que est permitido que las variables x e y tengan valores negativos as como positivos.
De hecho, este problema no tiene restriccin alguna y por lo tanto, se denomina pro
blema de optimizacin irrestricta. La formulacin final es la siguiente.
2 * [ V ( x -a 1)2 + (3'-&1)2 1 +
4 * [ V (x -a )2 + (y - b )2 1 +
VOc - o,)2 + (y - b y
4*
\J(x - a,)2 + (y - b j \ +
CARACTERISTICAS CLAVE
Este problema ilustra las siguientes caractersticas clave ms all de las
tcnicas de formulacin de problemas enseadas:
y
/
2 .2
E je m p l o s
a d ic io n a l e s de l a f o r m u l a c i n de pr o b le m a s
39
Variables irrestrictas
Una variable en un
problema de decisin
cuyo valor puede ser
positivo, negativo o cero.
C a p tu lo 2
E l a r t e y l a c ie n c ia d e c o n s t r u i r m o d e lo s d e t e r m in s t ic o s
lizarn y en las unidades dadas en los datos del problema.Como los datos estn ex
presados en unidades mtricas (centmetros y metros), es apropiado utilizar cent
metros o metros en vez de pulgadas o pies. Eligiendo arbitrariamente centmetros, sean
L - la longitud del contenedor en centmetros
W = el ancho del contenedor en centmetros
H = la altura del contenedor en centmetros
2 .2
E je m p l o s
a d ic io n a l e s d e l a f o r m u l a c i n de pro b l e m a s
:W + 0.004 C
+ 0.004
:W
42
C a p tu lo 2
E l a r t e y l a c ie n c ia d e c o n s t r u i r m o d e lo s d e t e r m in s t ic o s
La r e s t r i c c i n d e v o l u m e n
La compaa britnica ha pedido que el contenedor tenga un volumen de al menos
12 000 cm3. Si recordamos que el volumen de una caja se calcula como el producto de
sus tres dimensiones, puede usar L, W y H anteriormente denidos para expresar esta
restriccin como:
L * W * H > 12 000
(restriccin de volumen)
La r e s t r i c c i n d e t a m a o
Para expresar la limitacin de que el tamao no exceda de 72 cm, recuerde que el
tamao es la suma de las tres dimensiones del contenedor, as que:
L + W + H < 72
(restriccin de tamao)
R e s t r ic c i n s o b r e l a m a y o r d im e n s i n s im p l e
Otra restriccin dada en la descripcin del problema es que la mayor dimensin simple
no exceda de 40 cm. Usted no sabe qu dimensin es la que va a ser la mayor, as que
una forma de expresar esta restriccin es la siguiente:
Mximo IL, W y H) < 40
Esta restriccin es correctaen esta forma, pero puede darse cuenta de que existe otra
forma equivalente de expresar la limitacin de que la dimensin mayor no exceda de
40 cm. Podra requerir que cada dimensin individual no exceda de 40 cm. Por tanto,
la restriccin anterior puede escribirse igualmente bien como las tres restricciones:
L < 40
W < 40
tf< 4 0
Aqu, nuevamente, vea que es posible formular un problema en ms de una forma.
Compare los dos enfoques. El primero requiere una restriccin matemtica compleja,
y el ltimo requiere tres simples. Ambas formulaciones son correctas. La eleccin de la
formulacin a usar debe basarse en su habilidad para encontrar un mtodo para
resolver el problema resultante, como se analiz en la seccin 2.3. Por ahora, el segundo
enfoque se usar debido a su simplicidad.
Condicionado por:
L
L ** W
W **
12 000
000
H >> 12
H
L + W +
<
72
<
<
40
<
W <
40
<
<
40
(volumen)
(tamao)
2 .3
43
l a s if ic a c i n d e m o d e l o s m a t e m t i c o s
Observe que la restriccin 0 < L < 40 significa que L es no negativo (0 < L) y es menor
que 40 (L < 40). En la seccin 2.3, aprender que este problema pertenece a una clase
general llamada problemas de programacin no lineal. El procedimiento para resolver
estos problemas est ms all del alcance de este libro. Sin embargo, tales mtodos
existen y estn disponibles en algunos paquetes de computadora. La aplicacin de un
procedimiento de stos tiene como resultado el diseo ptimo en el que el largo, el ancho
y la altura son cada uno 22.8943 centmetros. Este diseo incurre en un costo total de
$7.29, consistente en $6.29 para la lmina de fibra y un dlar adicional de mano de obra
y gastos generales. La adicin de 25% de margen de ganancia da un total de $9.11. Como
esta cantidad excede la oferta competitiva de $8.20, debe recomendar a la directiva que
la compaa no acepte este contrato.
CARACTERSTICAS CLAVE
Este problema ilustra las siguientes caractersticas clave adems de las tcnicas
de formulacin de problemas anteriores.
/
2 .3
C l a s if ic a c i n
d e m o d e l o s m a t e m t ic o s
Algoritmos
Un procedimiento
sistemtico, paso a paso,
usado para resolver un
modelo matemtico.
44
C a p tu lo 2
E l a r t e y l a c ie n c ia d e c o n s t r u i r m o d e lo s d e t e r m in s t ic o s
Problema restringido
Un problema que tiene
una o ms restricciones.
Aditividad
Una propiedad
matemtica de
restricciones en la que la
contribucin de cada
variable a la funcin de
restriccin se suma (o
sustrae) a la de cada una
de las otras variables de
la restriccin.
(1)
L* W * H > 12 000
(3)
2 .3
l a s if ic a c i n d e m o d e l o s m a t e m t i c o s
45
(4)
La restriccin (4) no satisface la proporcionalidad. Para ver por qu, suponga que Xj
tiene un valor de 5:
Contribucin de x l = x * = (5)2 = 25
Si el valor de x } = 5 se multiplica por una constante, digamos, 2, entonces:
Contribucin de x l = x * - (2 * 5)2 = (22) * (52) = 4 * 25
Como puede ver, si el valor dext se multiplica por 2, la contribucin d exl a la restriccin
se multiplica por 4. La proporcionalidad no se mantiene.
Sobre la base de las propiedades de aditividad y proporcionalidad, existen dos
clasificaciones de problemas restringidos:
1. Restricciones lineales, en las que todas las restricciones satisfacen tanto la
aditividad como la proporcionalidad.
2. Restricciones no lineales, en las que alguna restriccin no satisface al menos
una de las propiedades de aditividad y proporcionalidad.
Usted puede reconocer si una restriccin particular es lineal c no viendo su forma.
Una restriccin es lineal si, en trminos de las variables de decisin x1? . . . , xn (o
cualesquier nombres simblicos), puede escribirse como:
a {x x + a<2x2+ . . . + a x n < (>, = ) b
en donde cada una de las a v . . . , an y b es un nmero real conocido. Por ejemplo, la
restriccin anterior (1) es lineal porque el coeficiente de la variable CSXes a x = 2, el de
CS2 es a2 = 1, y b = 230. La restriccin (2) tambin es lineal porque el coeficiente de la
variable xAp es a = 1, el de xEAes a2 = -1 , y b = 0. En contraste, las restricciones (3) y (4)
son no lineales.
Restriccin lineal
Una propiedad
matemtica de un
modelo en el que todas
las restricciones
satisfacen tanto la
aditividad como la
proporcionalidad.
Restriccin no lineal
Una propiedad
matemtica de un
modelo en el que alguna
restriccin no satisface
al menos una de las
propiedades de
aditividad o
proporcionalidad.
C a p tu lo 2
46
E l a r t e y l a c ie n c ia d e c o n s t r u i r m o d e lo s d e t e r m in s t ic o s
Objetivo lineal
Funcin objetivo
que es lineal.
Objetivo no lineal
Funcin objetivo
que es no lineal.
Maximizar
Divisibilidad
La propiedad de una
variable de decisin que
es capaz de asumir
cualquier valor,
fraccional u otro, dentro
de cierto intervalo.
Problema deterministico
T
Restringido
o irrestricto
Tipo de
restriccin
No lineal
Lineal
Funcin
objetiva
Tipo de
variable
Cont.
Entero Cont.
Entero Cont.
Entero Cont.
Entero Cont.
Entero Cont.
Entero
47
en teora es posible producir 5.132 mil galones, estas variables son divisibles. En
:: ntraste, todas las variables del problema de transportacin de CCC, en el ejemplo 2.2,
de la seccin 2.2 representan el nmero de microcomputadoras a ser enviadas. Estas
ariables no son divisibles porque no es posible enviar 1.3 microcomputadoras, esto es,
a estas variables se les deben asignar valores enteros. La propiedad de divisibilidad da
pie a las dos clases siguientes:
1. la clase de modelos de variable continua, en la que todas las variables satis
facen la divisibilidad.
2. la clase de modelos de variable entera (o discreta), en la que una o ms
variables deben tener valores enteros.
Las diversas clasificaciones de modelos determinsticos se resumen en la figura 2.8.
7 : mo se mencion anteriormente, despus de la formulacin de un modelo, debe deter
minar a qu clase pertenece, para que pueda elegir un algoritmo apropiado para
so lucionar el problema.
En esta seccin, ha aprendido a clasificar un modelo en un grupo particular, basn: : se en sus diversas caractersticas matemticas. Este esfuerzo le ayudar a elegir un
algoritmo apropiado para obtener una solucin a su modelo. A continuacin se analizan
uestiones adicionales referentes al proceso de construccin de modelos.
C o n s id e r a c io n e s
g e r e n c ia l e s c o m p le m e n ta r ia s
Resolucin de ambigedades
en la definicin del problema
Cuando se identifica un problema por primera vez en una organizacin, a me
nudo resultan ambiguos muchos detalles y cuestiones. Por ejemplo:
1. El objetivo global puede no ser claro. Por ejemplo, el concepto de lo que es
mejor para una organizacin puede tener distintos significados.
a. Debera minimizar el costo total de embarcar sus mercancas, la distancia
total viajada en el embarque de esas mercancas, o el tiempo total re
querido para entregar esas mercancas?
b. En un problema de inversin, es mejor maximizar el rendimiento total en
una inversin o la tasa de rendimiento?
c. Qu se quiere decir con la mejor ubicacin para un banco de sangre,
como en el ejemplo 2.5 de la seccin 2.2?
2. Puede haber objetivos conflictivos. Por ejemplo, debera minimizar costos o
maximizar la satisfaccin del cliente?
3. El uso de ciertas palabras para describir aspectos del problema puede ser
vago y estar sujeto a diversas interpretaciones.
Variable continua
Una variable que
satisface la divisibilidad.
Variable entera
(discreta)
Una variable que debe
tener un valor entero.
C a p tu lo 2
E l a r t e y l a c ie n c ia d e c o n s t r u i r m o d e lo s d e t e r m in s t ic o s
T +L< 1
Observe que la primera restriccin es no lineal y que la segunda es lineal. Esta
diferencia es extremadamente importante para elegir un procedimiento de
solucin apropiado para el modelo resultante. (Vase tambin la restriccin que
especifica que el tamao de la dimensin mayor de un contenedor no debe
exceder 40 cm en el problema de diseo de Containers, Inc., en el ejemplo 2.6 de
la seccin 2.2.)
La eleccin de las variables de decisin y de sus unidades puede variar. Por
ejemplo, al decidir cuntas unidades embarcar de cada uno de los dos proveedores
a un cliente con una demanda conocida de D unidades, puede definir dos
variables, digamos, x e y , para representar el nmero de unidades por embarcar
de los dos proveedores, respectivamente. En este caso, necesitara restricciones
de demanda de la forma:
x +y =D
x, y > 0
x> 0
Cuestiones de instrumentacin
Al formular modelos, pueden haber ocurrido ciertas simplificaciones y omisiones
porque no se pudo obtener los datos o porque ciertas restricciones no se iden
tificaron durante la formulacin. Asimismo, es posible que haya tenido que hacer
ciertas suposiciones de simplificacin para obtener un modelo matemtico que
pudiera ser resuelto por el paquete de computadora disponible. Como resultado,
el modelo matemtico generalmente no es una representacin completa y exacta
del problema real. Por tanto, cuando se resuelve un modelo, debe validar la so
lucin. Debe revisar y examinar la solucin en el contexto del problema original,
en vez de hacerlo simplemente como el resultado matemtico de la formulacin,
para determinar si es prctico y tiene sentido implantar la solucin. Por ejemplo,
una solucin que recomienda reducir el personal en veinte personas o cerrar una
planta puede tener implicaciones no contempladas en el modelo matemtico. En
tales casos, un administrador debe usar la experiencia, pericia y sentido comn
ya sea para modificar la solucin apropiadamente antes de su implantacin o
para modificar la formulacin matemtica para reflejar ms exactamente el
problema real y luego resolver el nuevo modelo.
Despus de la implantacin, es necesario supervisar los resultados para
verificar que la solucin logra los objetivos que la organizacin esperaba.
50
C a p tu lo 2
E l a r t e y l a c ie n c ia d e c o n s t r u i r m o d e lo s d e t e r m in s t ic o s
Asimismo, los datos del problema pueden cambiar con el tiempo (por ejemplo, los
costos de la materia prima y las tasas de inters), de tal forma que a menudo es
necesario resolver el problema usando los datos nuevos.
R esu m en
En este captulo, usted ha aprendido a formular y clasificar modelos matemticos para
resolver problemas de decisin determinsticos. En esta seccin se revisan tanto la
formulacin como la clasificacin.
Formulacin de problemas
La formulacin de un problema significa desarrollar un modelo matemtico para ese
problema. Una vez que el problema est en forma matemtica, existen muchas tcnicas
de administracin disponibles para obtener la solucin. Para formular un problema:
1. Identifique las variables de decisin. Estos valores, una vez determinados,
proporcionan la solucin al problema. Esta tarea se logra preguntndose
cualquiera dlas siguientes preguntas:
a. Qu elementos puede elegir y/o controlar libremente?
b. Qu decisiones tiene que tomar?
c. Qu valores constituyen una solucin que puede ser transmitida a otras
personas?
d. Qu elementos afectan los costos y/o ganancias, o el objetivo global?
2. Identifique los datos del problema. Estos son elementos de informacin conocidos
necesarios para desarrollar el modelo matemtico. Aun cuando pueda controlar
los valores de las variables, no puede controlar los valores de los datos. Tal vez
necesite identificar los datos del problema a lo largo del proceso de formulacin.
3. Identifique la funcin objetivo. Este es un objetivo organizacional simple y global
expresado en trminos matemticos usando las variables y los datos del problema.
Esta tarea se realiza comenzando con un enunciado verbal del objetivo y despus
usando cualquiera de las siguientes tcnicas para expresar este objetivo en
trminos matemticos:
a. Descomposicin del objetivo en una suma, diferencia y/o producto de trminos
individuales.
b. Trabajo con un ejemplo especfico. Use los valores especficos de las variables
para determinar cmo calcular la funcin objetivo. El propsito de esta
tcnica es comprender cmo expresar la funcin objetivo cuando los valores
de las variables no se conocen especficamente.
Si su problema tiene ms de un objetivo, puede seguir el procedimiento descrito
en el captulo 7.
4. Identifique las restricciones fsicas y lgicas. stas son limitaciones impuestas
que le prohben elegir valores arbitrarios para las variables. Para expresar estas
restricciones de una manera matemtica, aplique las mismas tcnicas usadas en
la identificacin de la funcin objetivo. Si el problema tiene muchas restricciones,
intente usar la tcnica de agrupamiento para identificar un grupo de restricciones
E je r c ic io s
E je r c ic io s
EJERCICIO 2.1 Identifique un conjunto de variables de decisin apropiadas para este
e; ercicio. Proporcione nombres simblicos relevantes y una descripcin completa de
: ada variable. No necesita formular el modelo.
Florida Citrus, Inc., procesa jugo de naranja y lo transforma en concentrado con
gelado en tres plantas localizadas en Tampa, Miami y Jacksonville. De cualquiera de
1:-s dos huertos ubicados cerca de Orlando y Gainesville se pueden enviar libras de
naranja hacia cualquier planta. Dado el costo de embarque y el precio de venta del
: i ncentrado, el objetivo, sujeto a ciertas restricciones de oferta y demanda, es determinar
::m o embarcar estas naranjas desde los dos huertos a las tres plantas procesadoras
z ara maximizar la ganancia total.
EJ ERCICIO 2.2 Identifique un conjunto de variables de decisin apropiadas para este
e; ercicio. Proporcione nombres simblicos relevantes y una descripcin completa de
:a ia variable. No necesita formular el modelo.
Pension Planners, Inc., administra una cartera particular que consiste en 1800,
1100 y 500 acciones de fondos mutuos. Dadas ciertas suposiciones sobre las condiciones
r: inmicas en los siguientes 2 meses, el administrador de la agenda desea determinar
r nmero de acciones de cada fondo por vender o comprar en cada uno de los siguientes
:: meses, para maximizar el valor esperado de la agenda.
C a p tu lo 2
E l a r t e y l a c ie n c ia d e c o n s t r u i r m o d e lo s d e t e r m in s t ic o s
EJERCICIO 2.3 Para el ejercicio 2.1, el huerto que est cerca de Orlando tiene 20 00C
libras de naranjas y el huerto cercano a Gainesvilletiene 12 000 libras de naranjas. La
planta de Tampa requiere al menos 8000 libras de naranjas para cumplir su cuota de
produccin. Las plantas de Miami y Jacksonville requieren cada una al menos 11 000
libras de naranjas. Use la tcnica de agrupamiento para identificar todos los grupos de
restricciones. No necesita formular las restricciones; sin embargo, especifique el n
mero de restricciones de cada grupo.
EJERCICIO 2.4 Al determinar el nmero de acciones por comprar o vender en el ejer
cicio 2.2, la administracin nunca deseara vender ms acciones de las que tiene. Asi
mismo, el fondo 1 en ningn caso debe tener ms del doble de acciones del fondo 2, y este
ltimo tampoco debe tener ms del doble del nmero de acciones del fondo 3. Final
mente, la cantidad total invertida en cada fondo no debe exceder los $75 000. Use la
tcnica de agrupamiento para identificar todos los grupos de restricciones. No necesita
formular las restricciones; sin embargo, especifique el nmero de restricciones de cada
grupo.
EJERCICIO 2.5 Para el ejercicio 2.1, use la tcnica de descomposicin para expresar
la funcin objetivo de maximizacin de ganancias dados los siguientes datos de costo
e ingresos:
TAMPA
MIAMI
JAkSONVILLE
50
60
75
90
60
45
INGRESOS
($/ton de naranjas procesadas)
Tampa
Miami
Jacksonville
550
750
600
EJERCICIO 2.6 Para el ejercicio 2.2, suponga que al final del segundo mes se espera
que el precio por accin del Fondo 1 sea $28, que el del Fondo 2 sea $60 y el del Fondo
3, $45. Formule una restriccin para asegurar que con estos precios, el valor de la
cartera al final del segundo mes sea al menos $125 000. Ilustre el uso de la descomposicin.
EJERCICIO 2.7 World Oil Company puede comprar dos tipos de petrleo crudo: crudo
ligero a un costo de $25 por barril, y petrleo pesado a $22 por barril. Cada barril de
petrleo crudo, ya refinado, produce tres productos: gasolina, turbosina y queroseno.
La siguiente tabla indica las cantidades en barriles de gasolina, turbosina y queroseno
producidos por barril de cada tipo de petrleo crudo:
E je r c ic io s
Crudo ligero
Crudo pesaso
GASOLINA
TURBOSINA
QUEROSENO
0.45
0.35
0.18
0.36
0.30
0.20
EJERCICIO 2.8 Reconsidere el ejercicio 2.7. Cada barril de petrleo crudo refinado
produce un desecho de 0.07 de barril que se tira a un costo de $1 por barril de desecho.
De manera similar, cada barril de petrleo crudo pesado produce un desecho de 0.09 de
barril y su eliminacin cuesta $1.50 por barril. Formule un nuevo modelo para
incorporar estos costos adicionales usando los mismos datos del ejercicio 2.7.
EJERCICIO 2.9 Carmac Company fabrica carros compactos y subcompactos. La pro
duccin de cada carro requiere una cierta cantidad de materia prima y mano de obra,
como se especifica en la siguiente tabla:
MATERIA PRIMA
(libras)
Compactos
Subcompactos
Costo unitario ($)
Total disponible
MANO DE OBRA
(horas)
200
150
18
20
10
80 000
70
9 000
EJERCICIO 2.10 Fresh Dairy Farms tiene dos mquinas distintas para procesar leche
pura y producir leche descremada, mantequilla o queso. La cantidad de tiempo
requerido en cada mquina para producir cada unidad de producto resultante y las
ganancias netas se proporcionan en la siguiente tabla:
LECHE DESCREMADA
Mquina 1
Mquina 2
Ganancia neta
0.2 min/gal
0.3 min/gal
$0.22/gal
MANTEQUILLA
QUESO
0.5 min/lb
0.7 min/lb
1.5 min/lb
1.2 min/lb
$0.38/lb
$0.72/lb
C a p tu lo 2
54
E l a r t e y l a c ie n c ia d e c o n s t r u i r m o d e lo s d e t e r m in s t ic o s
EJERCICIO 2.11 Cada galn de leche, libra de queso y libra de manzanas proporciona
un nmero conocido de miligramos de protenas y vitaminas A, B y C. La siguiente tabla
incluye esos datos junto con los requerimientos diarios de los ingredientes nutricionales, segn lo recomendado por el Departamento de Agricultura de los EE.UU.
La tabla tambin incluye la cantidad mnima de cada alimento que debe incluirse en
la comida y su costo.
QUESO
(mg/lb)
LECHE
(mg/gal)
Protenas
Vitamina A
Vitamina B
Vitamina C
30
50
30
50
40
5
20
30
Cantidad mnima
Costo unitario ($)
0.5 gal
2.15
0.5 Ib
2.25
MANZANAS
(mg/lb)
REQUERIMIENTOS
MNIMOS DIARIOS (mg)
80
60
50
30
10
30
40
60
0.5 Ib
1.25
Como dietista de una escuela pblica, formule un modelo para determinar la comida
de costo mnimo que rena todos los requerimientos nutricionales. Use el esquema de
la seccin 2.3 para clasificar su modelo.
EJERCICIO 2.12 Una suposicin implcita en el modelo de inversin de High Tech del
ejemplo 2.4, de la seccin 2.2.3, es que cualquier fondo no usado en un ao no puede
usarse en ningn ao subsecuente. Modifique la formulacin del problema para
permitir el remanente de fondos no utilizados de un ao al siguiente definiendo las
siguientes cuatro variables y suponiendo que los fondos no utilizados ganan 10% de
inters anual:
U1 = el nmero de dlares no utilizados despus del ao 1
U2 = el nmero de dlares no utilizados despus del ao 2
U3 = el nmero de dlares no utilizados despus del ao 3
UA= el nmero de dlares no utilizados despus del ao 4
TT-0
EJERCICIO 2.13 Rich Oil Company, cerca de Cleveland, suministra gasolina a sus dis
tribuidores en camiones. La compaa recientemente recibi un contrato para iniciar
el suministro de 800 000 galones de gasolina por mes a distribuidores de Cincinnati. La
compaa tiene $500 000 disponibles para crear una flota consistente en tres tipos
diferentes de camiones. En la siguiente tabla se muestra la capacidad relevante, costo
de compra, costo operativo y nmero mximo de viajes por cada tipo de camin:
TIPO DE
CAMIN
1
2
3
CAPACIDAD
(galones)
6000
3000
2000
COSTO DE
COMPRA ($)
50 000
40 000
25 000
COSTO DE
OPERACIN ($/mes)
800
650
500
MXIMO DE
VIAJES/MES
20
25
30
E je r c ic io s
55
CANTIDAD DE COMBUSTIBLE
AEROPUERTO
Vendedor 1
Vendedor 2
Vendedor 3
REQUERIDO
1
2
3
4
900
900
800
1000
800
1200
1300
1400
900
1300
500
1000
150
250
350
480
Provisin mxima
300
600
700
Formule un modelo para determinar las cantidades que se deben comprar y enviar
por parte de cada vendedor a cada aeropuerto para minimizar el costo total, satisfaciendo
al mismo tiempo por lo menos la demanda mensual a cada aeropuerto y no excediendo
el suministro de cualquier vendedor. Use el esquema de la seccin 2.3 para clasificar
su modelo.
EJERCICIO 2.15 Masn Communication Commission ha recibido solicitudes de asignacin de frecuencias de cuatro nuevas estaciones de radio. Dos frecuencias de radio
interfieren si estn a 0.5 megahertz de distancia. Las siguientes frecuencias (en
megahertz) estn actualmente disponibles: 100.0, 100.1, 100.3, 100.7, 101.0, 101.1,
101.4,101.8. Formule un modelo para determinar si la comisin puede asignar cuatro
nuevas frecuencias y, si es as, cules. Use el esquema de la seccin 2.3 para clasificar
su modelo. (Sugerencia: es usted libre para asignar o no cada frecuencia, as que
considere las variables 0-1.)
EJERCICIO 2.16 La ciudad de Dakota Heights desea determinar cuntas subestacio
nes postales se requieren para dar servicio a su poblacin. La ciudad ha sido dividida
en ocho zonas postales. Se han identificado cinco ubicaciones posibles para las subes
taciones. Cada ubicacin puede dar servicio a un nmero diferente de zonas, como se
indica en la siguiente tabla:
UBICACIN
ZONAS QUE SE
PUEDEN ATENDER
1
2
3
4
5
1 ,2 ,3
1 ,4 ,5
2, 4, 5, 8
3, 5, 6, 7
6, 7,8
TT-0
C a p tu lo 2
E l a r t e y l a c i e n c i a d e c o n s t r u i r m o d e l o s d e t e r m in s t ic o s
ENTRADA/CORRIDA
(unidades)
SALIDA/CORRIDA
(unidades)
MATERIA PRIMA
COMPONENTE
DIVISIN
1
2
3
8
5
3
6
9
8
7
6
8
5
9
4
EJERCICIO 2.18 Los dos productos que produce Case Chemicals, CS-01 y CS-02,
generan cantidades excesivas de tres contaminantes diferentes: A, B y C. El gobierno
estatal le ha ordenado a la compaa que instale y emplee dispositivos anticontaminantes.
La siguiente tabla proporciona las emisiones diarias actuales en kg/1000 litros y el
mximo de cada contaminante permitido en kilogramos.
CONTAMINANTE
CS-01
CS-02
MXIMO PERMITIDO
A
B
C
25
10
80
40
15
60
43
20
50
E je r c ic io s
DISPOSITIVO 1
CONTAMINANTE
A
B
C
DISPOSITIVO 2
CS-01
CS-02
CS-01
CS-02
40
60
55
40
60
55
30
0
65
20
0
80
Por ejemplo, si la emisin de CS-01 se enva a travs del dispositivo 1, se elimina 40%
del contaminante A, 60% del contaminante B y 55% del contaminante C. Las consi
deraciones de fabricacin dictan que CS-01 y CS-02 deben producirse en la proporcin
de 2 a 1. Formule un modelo para determinar un plan que maximice la produc
cin diaria total (cantidad de CS-01 ms la cantidad CS-02) al mismo tiempo que
satisfaga los requerimientos gubernamentales. Use el esquema de la seccin 2.3 para
clasificar su modelo.
EJERCICIO 2.19 Philadelphia Paint Company produce tres tipos de pinturas: Stan
dard, Quality y Premium. Las instalaciones actuales pueden producir un mximo de
18 000 galones de Standard, 10 000 galones de Quality y 500 galones de Premium al
da. Debido a la economa de escala, el costo de producir cada tipo de pintura disminuye
al aumentar el nmero de galones producidos. Por ejemplo, si se producen .t galones de
pintura Standard, entonces el costo por galn es a - bx. La siguiente tabla proporciona
los valores de a y b\ el precio de venta por galn, y la demanda diaria mnima por cada
tipo de pintura.
TIPO DE
PINTURA
VALORES DE
a
b
Standard
Quality
Premium
3
4
5
0.0001
0.0002
0.0003
PRECIO DE VENTA
($/gai)
6.50
8.50
11.00
DEMANDA
MNIMA (gal)
10 000
6 000
2 500
C a p tu lo 2
El a r t e y l a c ie n c ia d e c o n s t r u i r m o d e lo s d e t e r m in s t ic o s
EJERCICIO 2.22 Modifique el ejemplo 2.5 de la seccin 2.2.4 para determinar una
ubicacin para el banco de sangre de tal forma que la distancia al hospital ms lejano
sea lo ms corta posible. (Sugerencia: Cree una variable, digamos D, para denotar la
distancia al hospital ms lejano. Incluya restricciones para asegurar que D es mayor
o4igual a la distancia a todos los hospitales.)
EJERCICIO 2.23 ABC Window Company vende ventanas para casas y edificios de de
partamentos mediante publicidad. La gerencia desea desarrollar un mtodo para pre
decir cuntas ventas anuales habr para una cantidad anual dada de dlares de
publicidad. La gerencia cree que siX dlares se gastan en la publicidad, el volumen de
ventas, Y, ser
Y=aX+b
El nico problema es que la gerencia todava no sabe los mejores valores para a y b. Para
ayudar a determinar esos valores, el departamento de contabilidad ha suministrado los
siguientes datos anteriores ($ miles) de los pasados 6 aos:
AO
PUBLICIDAD
VENTAS REALES
VENTAS PRONOSTICADAS
1988
1989
1990
1991
1992
1993
9.4
10.4
14.5
15.8
16.8
17.4
280.0
281.5
337.4
404.2
402.1
452.0
9.4a + b
10.4a + b
14.5 a + b
15.8 a + b
16.8 a + b
17.4a + b
Los mejores valores para a y b son los que minimizan la suma de los cuadrados de
las cantidades en que los valores de ventas reales de la tabla anterior diferiran del
valor de ventas predicho. Formule un modelo para determinar esos valores. Use el
esquema de la seccin 2.3 para clasificar su modelo.
z ERCICIOS
CAPITAL REQUERIDO
1
2
3
4
5
6
TASA DE DEVOLUCIN
(%)
RIESGO
($)
100 000
400 000
170 000
250 000
200 000
250 000
10
5
20
15
7
30
0.50
0.40
0.70
0.65
0.45
0.80
Los socios generales han acordado que el riesgo total, obtenido aadiendo los
factores de riesgo para cada proyecto respaldado, no debe exceder de 3, y que no deben
reprenderse ms de dos proyectos con un factor de riesgo mayor de 0.6. Usando las
ariables:
P 1
f 1, si se emprende el proyecto i
<
[ 0, si no se emprende el proyecto i
i = 1, . . . , 6
un socio general ha formulado el siguiente modelo para determinar qu proyectos res: .dar para maximizar el rendimiento esperado en un ao sobre la cantidad invertida
mantenerse en un presupuesto de $1 milln:
Maximizar
10P1 +
20P2 +
34P3 + 37.5P4 +
14Pb +
7 5 P 6
Condicionado por: 100P1 + 400P2 + 170P3 + 250P.4 + 200P5 + 250P6 < 1000
0.50^ + 0.40P2 + 0.70P3 + 0.65P.4
p1 .
P2 >
P,
>
P*
+ 0.45P,
+ 0.80P6 >
P*
>
>
Pe
EJERCICIO 2.27 Chirality Company debe producir al menos 600 000 tornillos pequef.os y 400 000 tornillos grandes para satisfacer la demanda de las siguientes 4 semanas.
Estos tornillos pueden producirse en dos mquinas distintas, cada una de las cuales
rsi disponible 40 horas a la semana. Los requerimientos de costos y tiempo para
z roducir cada tamao de tornillo en cada mquina y el precio de venta de cada tamao
ie tornillo se muestran en la siguiente tabla:
TORNILLOS PEQUEOS
TORNILLOS GRANDES
27.50
6.25
8.00
1.50
1.00
32.50
7.75
9.25
1.75
1.25
C a p tu lo 2
E l a r t e y l a c ie n c ia d e c o n s t r u i r m o d e lo s d e t e r m in s t ic o s
27.50^
Sx +
27.50S, + 32.50L1 +
32.50L2
S2
1.5S
<
40
<
40
L2 >
1.75L
+
L
1.25L,
SSV
- ,o ^
Caso de prctica
CMO EXPRIMIR LAS UTILIDADES
New England Apple Products elabora 16 productos
de jugos muy finos de manzanas, naranjas, arn
danos y otras frutas seleccionadas. La pregunta
que los gerentes de New England Apple Products
deben formular es: Qu mezcla de productos de
jugos conduce a una mayor ganancia?. La respuesta
puede parecer una respuesta comn, La mezcla
que produce la mayor cantidad de dinero, pero el
problema resulta ser bastante complejo.
Lo que complica la bsqueda de la mayor ganan
cia es que la compaa tiene provisiones limitadas
de ingredientes. Los gerentes deben tomar muchas
decisiones respecto al uso de estos recursos limita
dos, denominados restricciones. Para alcanzar el
mejor plan global, los gerentes de New England
Apple Products recurrieron a la administracin y
sus herramientas, incluyendo el importante princi
pio matemtico de optimizacin. Los gerentes cons
truyeron un modelo lineal determinstico y buscaron
su respuesta mediante la programacin lineal.
En este caso se analiza una versin simplificada
del problema de New England Apple Products. Se
construy un programa lineal en el que slo se con
sideran dos productos compuestos: arndano-man
zana y manzana-arndano. La demostracin esta
blece que la materia prima para estos dos productos
es la misma, jugo de arndano y jugo de manzana,
y que la nica diferencia en los dos productos fi
nales radica en la receta. Cmo obtiene la com
paa la mayor utilidad?
Suponemos que la compaa logra una ganancia
de tres centavos de dlar por cada galn de jugo de
arndano-manzana vendido y cuatro centavos por
cada galn de jugo de manzana-arndano. Por
qu, entonces, no deciden los gerentes vender slo
manzana-arndano? Bueno, las restricciones son
que la compaa tiene un nmero limitado de ga
lones de los ingredientes el jugo de arndano y el
jugo de manzana que intervienen en la elabo
racin de estos dos productos. Otra cuestin del
problema es que las dos recetas requieren de pro
porciones distintas de los dos ingredientes.
Paso a paso, surge el modelo determinstico
completo y, aplicando un poco de lgebra, se en
cuentra la solucin ptima de entre las muchas soi a
...
'.
^. ;
Consideraciones prcticas
1. Suponga que ha modelado un problema de mez
clado para su compaa. Qu tan difcil sera
modelar otro?
2. Nuevamente suponga que ha modelado un pro
blema de mezclado, qu tan difcil piensa que
sera recolectar un conjunto completo de datos?
Qu tan difcil sera mantener estos datos y
actualizarlos?
Fuente: For All Practical Purposes, de The Consortium for Mathematics and Its Applications (Arlington,
MA: 1986), Programa 3.