ata a0)5.1, Moos:03 BF FROGRAMACION UNTAL PARA DECISIONES DE MEZCLA DE mICDUCTOS Enel capitulo2, aprendiéa formulary lasificar problemas determintsticos de acuerdo fan las propiedades matematicas delas variables, la funcién abjetivay las restrieriones Gina de estas clasificaciones es el problema de programacién lineal, esto es, un problema en 6) que la funcisn objetiva y todas las restrieciones son lineales y todas as Siriables gon eontinuas (pueden asumir valores fraccionales). Se Te pone especial Taneién 2 los problemas de programacidn lineal porque tienen amplias aplicaciones prictieas en dreas tan diversas como la asignacion de recursos escasos, 1a compra y [abricacién, la planeacién de dictas, la adminiatracidn de agencias, la combinacisn yla planeaeién de produccién, eom0 so ilustra con Jos ejemplos de este capitulo, En los {apttulos 4 a 6 aprendera eémo obtener la solucién a estos problemas de manera oficiente usando una eomputadora, @ 3.1 MopELos DE PROGRAMACION LINEAL PARA DECISIONES DE MEZCLA DE PRODUCTOS Los administradores a menudo necesitan determinar emo asignar diversos recursos cescasos, como la mano de obra, la materia prima y el capital, a varias alternativas que compiten por estos recursos. La decisién final se basa en la disponibilidad de estos recursos y en el logro de un objetivo global para la organizacién, Por ejemplo, en un marco de produccién, la mezela de productos por fabricar se basa finalmente en un ob- jotivo corporativo global como Ja maximizacién de ganancias o la minimizacién de costos de produccién totales. Los modelos de programacién lineal a menudo se utilizan para ayudar @ los administradores a tomar tales decisiones. Considere el problema enfrentado por la gerencia de BlubberBlaid, Ine. | EJEMPLO 3.1 EL PROBLEMA DE MEZCLA DE PRODUCTOS DE BLUBBERMAID, INC. BlubberMaid, Ine. fabrica tres productos de caucho: Airtex (material esponjoso), Extendex (material eldstico) y Resistex (material rigido). Los tres productos requieren los mismos tres polsmeros quimicos y una base. La cantidad de cada ingrediente usada por libra del producto final so muestra en la tabla 3.1. ree a eee ey ae ees ey INGREDIENTE (oz de progucto) PRODUCTO POUMEROA POLIMEROB POLIMEROG BASE inex ‘ 2 4 6 Extordox 3 2 2 8 Resistex 8 3 5 2 BlubberMaid, Ine. tiene el compromiso de producir al menos 1000 libras de Airtex, 500 libras de Extendex y 400 libras do Rosistex para la préxima semana, pero la ‘gerencia de Ia comparia sabe que puede vender mas de cada uno de los tres productos. Los inventarios actuales de los ingredientes son 500 libras del polimero A, 426 libras, del polfmere B, 650 libras del polimero Cy 1100 libras de la base. Cada libra de Airtex produce a la compafta una ganancia de $7, cada libra de Extendex una ganancia de 87 y cada libra de Resistex una ganancia de $6. Como gerente del departamento de produccién, usted necesita determiner un plan de produecién éptimo para esta semana. Problema de programacién lineal Problema en que la funeion objotivo y vadas las restriceiones son linesles y todas las variables son continuas (pueden asumir valores Fraccionales)CAPITULO 3 APLICACIONES DE PROGRAMACION LINEAL 3.1.1 Identificacién de las variables de decisién Siguiondo los pasos de la formulacién de problemas del capftulo 2, primero identifique Ins variables de decisién. Pregintese lo que puede controlar y la informacién que constituye un plan de produccidn, esto lo debe llevar a identificar las siguientes variables: ‘As el mtimero de libras de Airtex por producir esta semana B= el ntimero de libras de Extendex por producir esta semana R= el niimero de libras de Resistex por producir esta semana 3.1.2 Identificacién de la funcién objetivo Para BlubberMaid, el objetivo logico es determinar cudnto fabricar de cada producto para maximizar la ganancia total. Al aplicar la técnica de deseomposicién se llega a: Gananeia total = ganancia de Airtex + genancia de Extondex + ganancia de Resistex ‘Como cada libra de Airtex produce una ganancia de $7, A libras de Airtex produce $7A. ‘De manera similar, Extendex.y Resistex contribuyen con $TE y $6R, respectivamente, alaganancia total. En términos de las variables de decision y de los datos de ganancia, Ja funcién objetivo es Maximizer 7A + TE +6R 3.1.3 Identificacién de las restricciones Aplicar la térnica de agrupamiento lo debe conducir a identificar los siguientes tres, grupos de restricciones: 1, Restrieciones de recursos para asegurar que noseusen mas delostres polimeros ‘y la base que estén disponibles. 2. Restriceiones de demanda para asegurar que se camplan los compromisos de la compan 8, Restriceiones lgicas para especificar quo todaslas cantidadesde produccién son no negativas, RESTRICCIONES DE RECURSOS Este grupo consiste en cuatro restrieciones: una para cada uno de los tres polimeros y una para la base. Para la disponibilidad limitada de 600 libras del polimero a: Cantidad empleada del polimero & < 600 libras El uso de Ja descomposicién lleva a: Cantidad empleada del polimero A = (cantidad empleada para producir A Iibras de Airtex) + (cantidad empleada para producir libras de Extendex) + (cantidad empleada para producir R Iibras de Resistex) : | |wea que que ates la {3.1 [Link] Ds ROGRAMACION LINEAL PARA DECSTONTS DE MBZCLA DE PRODLCTOS ara determinar la cantidad del polimera A usada en la fabricacién de eada producto, trabaje con un ejemplo espectfica. Por ejemplo, fije A = 100, acuerdo con los datos de la tabla 3.1: Cantidad del polimero A empleada en Airtex = 4(100) = 400 Cantidad del polimero A empleada en Extendex = 3(800) = 900 Cantidad del polimero A empleada en Resistex = 6(200) = 1200 Entonees, en términos de las variables de decisién, podria pensar que la restriecién apropiada para el polimero A es 44.4 3B +6R<500 in embargo, esta restriccién no es eorrocta, La razén es que las unidades en ln ex- presién de la izquierda estén en onzas (véase la tabla 3.1), pero las unidades a la Gorecha estan en libras. Hsta diserepancia puede corregirse convirtiendo las unidades decualquier lado las del otro ado, Por ejemplo, al convertir las 500 libras disponibles {el polimero A a 800 onzas (1 libra es igual’ a 16 onzas) se obtiene Ia siguiente restriction’ 4A+3E+6R<8000 (polimero.A) Siguiendo una l6gica similar para los tres resultados de recursos restantes en estas restricciones: 2A+2E+3R< 6800 (polimero B) 4A+28+5R 10400 (polimero C) 6A+9E+2R< 17600 (base) RESTRICCIONES DE DEMANDA Este grupo consiste en tres restricciones: una para el requerimiento minimo sobre la eantidad de cada uno de los tres productos. Hstas restricciones son Az 1000 (Airtex) Ez 500 (Bxtendex) Rz 400 (Resistex) RESTRICCIONES LOGICAS Como todas las cantidades de produccién deben ser no negativas, se necesitan las si- ‘guientes restrieciones légicas: AE,R20 3.1.4 Formulacién completa ¥ solucién del problema de mezela de productos de BlubberMaid, Inc. Como gerente del departamento de produccién, usted junta todas las piezas, lo que resulta en el siguiente modelo matemético del problema de programacién lines] de BlubberMaid, Ine.6 CarTuto3 APLICACIONES DE MROGRAMACION LINEAL Maximizar TASTE +6R * Dopendiendo de RESTRICCIONES DE RECURSOS Programa lineal EX2_L.DAT 4A+ 3B +6R < 8000 (polimero A) ~ 24428 +3R < 6800 (polimeroB) 444.28 4 5R 10400 (polfmeroC) 6A+9E + 2R < 17600 (base) RESTRICCIONES DE DEMANDA. Aa = 1000 (Airtex) E & 500. (Bxtendex) i R > 400 (Resistex) RESTRICCIONES LOGICAS AB Re 0 ‘La solucidn éptima a este problema, caleulada usando cualquier paquete de software de programaciGn lineal, es | A= 1000.00 B= 583.83 i B= 400.00 ici i Con un valor de funcidn objetivo de 13 193.83. En otras palabras, el plan semanal ép- timo es producir 1000 libras de Airtox, 533.93 libras de Extendex y 400 Tibras de Resistex, dando como resultado una ganancia neta de $13 133.33. Tal ver desee veri: ficar esta solucién eon eu propio software de programacién lineal. 3.2 MobELos DE PROGRAMACION LINEAL PARA DECISIONES DE FABRICACION 0 COMPRA En muchos marcos de produccién, puede ser que una compaitia no tenga suficientes recursos para satisfacer una demanda inesperadamente grande por uno 0 mds productos. En tales casos, la compaiia puede complementar sucapacidad de produccién comprando algunos de los productos a proveedores externos. H] punto central en esas ‘Situaciones e5 la decisiGn por parte de los administradores de la cantidad de cada producto por producir contra la cantidad que hay que comprar del exterior. A menudo 2 util un modelo de programacién lineal en a toma de tales decisiones, como lo ifustra | el siguiente ejemplo. slice anne alli scion | EJEMPLO3.2 EL PROBLEMA DE HACER O COMPRAR DE MTV STEEL COMPANY M1 Stool Company produce tres tamarios de tubos: A, By C, que son vendidos, respec sl \rare op sde ates vada, tudo stra wry eee $32. MooRLos 08 PRGGRAMACON LINEAL PARA DECSICNES DE FRBRICACION © COMA tivamente en $10, $12 y $9 por pie. Para fabricar cada pie del tubo A se requieren 0.5 ‘minutos de tiempo de procesamiento sobre un tipo particular de maquina de modelado, Cada pie del tubo B requiere 0.45 minutos y cada pie del tubo C requiere 0.6 minutos. Después de la produecidn, eada pie de tubo, sin importar el tipo, requiere 1 onza de material de soldar. El costo total se estima en $3, $4 y $4 por pie de los tubos A, By C, respectivamente, Para la siguiente semana; MTV Steel ha recibido pedidos excepcionalmente _grandes que totalizan 2000 pies del tubo A, 4000 pies del tubo B y 6000 pies del tubo Como sélose dispone de 40 horas de tiempo de méquina esta semana y sélose tienen ‘ea inventario 5500 onzas de material de soldar, el depariamento de produecion no podr4 satisfacor esta demanda, que requiere un total de 97 horas de tiempo deméquina } 11.000 onzas de material de soldar. No se espera que contimie este alto nivel de de- thanda, En verde expandir la capacidad de lasinstalaciones de produecién, la gerencia de MI'V Steel esta considerando la compra de algunos de estos tubos a pro-veedores de ‘Japon a un costo de entrega de $6 por pie del tubo A, $6 por pie del tubo B y $7 por pie del tubo C. Estos diversos datos so resumen en la tabla 3.2. Como gerente del departamento de produccién, se le ha podido hacer recomendaciones respecto a la cantidad de produecién de cada tipo de tubo y la eantidad de compra a Japon para satisfacer la demanda y maximizar las ganancias de la compaiia. Ml Boe Tat needed PRECIO TIEMPODE -MATERIAL-«COSTODE cOSTOOE, DE VENTA DEMANOA WAQUINA PARASCLOAR —PRODUCCION COMPRA TPO ist ® (int) fou) ey (sm a 10 2000 080 7 3 6 Bo 4.000 as. 1 4 6 c 9 5.000 080 1 4 7 canted disponible aon 580002 3.2.1 Identificacién de las variables de decision Eneste problema, tiene libertad para ologir cudntos pies de cada tipo de tubo producir yeudntos pies comprar a Japén. Esto da como resultado las siguientes seis variables de decisisn: AP BP = el ntimero de pies de tubo de tipo B por producir | nsimero de pies de tubo de tipo A por producir CP = el nimero de pies de tubo de tipo C por producir JI ntimero de pies de tube de tipo A que comprar « Japén | niimero de pies de tubo de tipo B que comprar a Japén | ntimero de pies de tubo de tipo C que comprar a Japén 3.2.2 Identificacién de la funcién objetivo Como se estabecis en ln deseripeién del problema, el objetivo global es maximizar las ‘Ganancias totale, Si aplieamos la deseomposicién se obtieneCavtruvo 3 APLICACIONES DE rROGRAMACION UNEAL Ganancias totales = (ganancias de la produccién) + (ganancias de los productos comprados a Japén) i aplicamos la descomposicién a las ganancias de la prodnecién tenemos: Ganancias de la produceién = (gananeias de producir el tubo de tipo A) + (ganancias de prodticir el tubo de tipo B) + (gananeias de producir el tubo de tipo C) Cada una deestas ganancias, a su ve, se calcula como el ingreso menos el costo por pie Por ejemplo, como los tubos de tipo A se venden a$10 por pie pero su produceiéncuesta $3,la ganancia nota os $7 por pe. Por tanto, la ganancia por producirAP pes de tuby del tipo A es TAP. Un edleulo similar para los tubos de ls tipos B y C tiene coms resultado: aetna Ganancias de la produccién = TAP + 8BP + 5CP Aplicando una descomposicién y logica similares a los productos comprados a Japén se tiene: Gananciais de los productos comprados a Japéa = 4AJ + 6BJ + 207 Como esperaria, cada pie de tubo producido tiene como resultado wat ganancia mis alta que cada pie de tubo comprado del proveedor extorno. La combinacién de estos dos componentes de ganancia resulta en la siguiente funcién objetivo global: Maximizar TAP+ SBP + SCP + 44 + 6BJ +207 3.2.3 Identificacién de las restricciones Laaplicacién de la téenica de agrupamiento deber‘a llevarlo aidentificar los siguientes tres grupos de restrieciones: 1. Restrieciones de recursos para asegurarse que la cantidad de tiempode maquina y el material para soldar usado no exeeda los suministros disponibles. 2, Restricciones de demanda para asegurarse que se satisface la demanda decada tipo de tubo. 3. Restriceiones logicas. RESTRICCIONES DE RECURSOS { Prosi extos tubos require dos recurso: tiempo de méquinay material para solar. Como estos recur303son Hmitadas se requeren dos restrieiones para aeyerar que los suministroedaponibes no se rabasen, La restriceidn de impo disponible e i El tiempo de maquina total no debe exceder las 40 horas La aplicacisa de la descomposieién leva a: ‘Tiempo de maquina = (tiempo de maquina usado para producir tubo de tipo A) + total usado (tiempo de maquina usado para producir tubo de tipo B) + (tiempo de maquina usado para producir tubo de tipo C) |pie esta ‘tubo como ‘sdos antes cada Tear. telos Ae B+ 432." Mopetos Dt PROGRAMACION LINEAL PABA DECSICNES DE FABRICACICN © COMPRA ° ‘Recuerde do la tabla 3.2 que cada pie del tubo A requiere 0.5 minutos de tiempo de maquina. Por tanto, para producir AP pies se requiere 0.5AP minutes. De manera andloga, cada pie de tubo B requiere 0.45 minutos y cada pie de tubo C requiere 0.6, minutos. La restricei6n es [Link] + O45BP + 0.60P < 40 ‘Sin embargo, obsorve quo la cantidad del lado izquierdo se expresa en minuto, saiontras que la de la derecha se expresa en horas. Una forma de corregir esta incon- tistencia es convertir 40 horas en 40 # 60 = 2400 minutos: OSAP + OASRP + 0.6CP < 2400 (tiempo de méquina) Rogresando a la disponibilidad de material para soldar, la restriecién asociada es: El material para soldar total no debe exceder las 5500 onzas ‘Aplicando la descomposicin y recordando que cada pie de tubo, sin importar el tipo, requiere 1 onza de material para soldar, esta restriecién de recursos es: AP + BP + CP-< 6500 (material para solder) RESTRICCIONES DE DEMANDA Este grapo esta constituid por tres restricciones, una para la demanda asociada con ‘cada tipo de tubo. Para el tubo A: ‘Naimero total de pies del tubo de tipo A = 2000 pit ‘Aplicando la descomposicién: Numero total de pies (aimero de pies de tipo A producidos) + del tubo de tipo A (niémero de pies de tipo A comprados a Japén) AP+A En consecuencia, la restriecién de demanda del tubo de tipo A es: AP +AJ=2000 (demanda del tipo A) Una l6gica similar da como resultado los tubos de tipo B y C: 3. siguientes restricciones de demanda para BP + BJ = 4000 (demanda de! tipo B) CP + CJ = 5000 (demanda del tipo C) RESTRICCIONES LOGICAS {a tinica restriceién lgica en este problema es que todas lus variables deben ser no negativasn Crmvo3 Aruicacowes BF moGRAMACION LINEAL : 3.2.4 Formulacién completa y solucién re del problema de fabricacién 0 compra Le de MTV Steel Company Unavezquesounen todaslaspiezas,daporresultadoelmodelode programaciénline siguiente pars el problema de MTV Steel Company: Be Sea Maximizar TAP + SBP + 5CP + 44 + 68d +20. a ae Dependiendo de fe RESTRICCIONES DE DEMANDA Poe = AP +A 72000 Geman det tipo ad BP + BJ. = 4000 — (demanda del tipo B) ; cP +CJ =5000 (demanda del tipo C) 4 i RESTRICCIONES DE RECURSOS el | OSAP +0.45BP +0.6CP = 2400 (tiempo de méquina) 8 AP + BP + CP = 5500 (material para soldar) 4 es P RESTRICCIONES LOGICAS te | AP, BP CP, Al, Bl , CI 20 f | de | Lasoluciéa éptima aeste problema, obtenidacon un paquete de softwarede programa. fg i cin lineal, es: | & i AP = 2000,000 i BP= 0.000 | oP = 2838.333 Po AJ= 0.000 a Bu = 4000.000 C= 2066.807 : conuuna ganancia neta de $56,000, En otras palabras, MTV Stee] deberia prodtcir 2000 pies de tubo de tipo A y 2333.835 pies ce tubo C e importar 4000 pies de tubo de tipo By 2666.667 pies de tubo de tipo C de Japon. Tal vex desee verificar esta solueién con su propio software de programacicn lineal + P 3.3 MopDELOs DE PROGRAMACION LINEAL & PARA PROBLEMAS DE DIETAS i Los modelos de programacién lineal también pueden aplicarse en la planeacién de Giotas, En particular, dado un nimerode alternativasdecomida, cada una delaseuales produce una cantidad conocida de un nutriente necesario, usted desea determinar qué cantidad de cada tipo de comida incluir on una dieta para asegurar un minimo de i leal po 33. MoDmLos De PROGRAMAGON LINEAL PARA PROBLEMAS 05 DIETAS requerimientos de autrientes, a ls vex. que logra un objetivo global. En el siguiente tjemplo se ilustra un problema de este tipo. EJEMPLO 33 EL, PROBLEMA DE DIETAS DEL HOSPITAL GENERAL MOUNTAIN VIEW ElDepartamento de Nutriein del Hospital General Mountain View prepara 30 menus de cena, uno para cada dia del mes. Una comida consiste en espagueti, pavo, pupas en ‘escalope, expinacas y pastel de manzana. Como director del Departamentode Nutriciéa, ‘usted ha determinado que esta comida debe proporcionar 63 000 miligramos (mg) de proteinas, 10 mg de hierzo, 16 mg de niacina, 1 mg de tiamina y 50 mg de vitamina C. Cada 100 geamoe de esta comida proporciona la cantidad de cada nutiiente y grasas, indicadas en la tabla 3.3, ee eee NUTRIENTE (mg/100 9) PROTEINAS HIERRO TIACINA TIAMINA YITAMINAG. GRASA| Espaguell 5000 1 14018 09 5000 Pave 29.300 1a 54008 oo 5.000 Papas 5.200 05 08005 100 7.900 Espinacas 3.000 22 058 —(Oar 280 200 Pastelde manzara 4000, 32008 Os 30 14300 Para ovitar domasiada cantidad de un tipo de comida, no debe ineluirseen ella mas <4e 300 gramos de espaguti, 300 gramos de pavo, 200 gramos de papas, 100 gramos de espinacas y 100 gramos de pastel de manzana. Como director del departamento de nu tricion, usted desea determinar la composicién de una comida que satisface los requer- smientos nutricionales y proporeiona la minima cantidad de grasas. 3.3.1 Identificacién de las variables de decision Eneste problema, usted puede eontrolar la cantidad de cada uno de los cinco alimentos que ineluir en Ja comida, lo que lo leva a definir las siguientes cinco variables: SPAG =el nimero de 100 grainos de espagueti que incluir PAVO =el nimero de 100 gramos de pavo que ineluir PAPA. =el nGmero de 100 gramos de papas que incluir SPIN =el nsimero de 100 gramos de espinacas que ineluir MANZ = el niimero de 100 gramos de pastel de manzana que incluir Por conveniencia, se ha eseogido que las unidades de las variables se den en cientos de ‘ramos porque é¢as con las unidades usadas en la tabla 3.3. 3.3.2 Identificacién de la funcion objetivo Como ce establecié en a deseripeién del problema, el objetivo global es minimizar el contenido de grasas totales de la dieta. Aplicando los resultados de descomposicién en Jo siguiente: nn Carttuto3 APUCACONES be PROGRAMACION LINEAL Contenido de grasas totales = (grasa aportada por el espagueti) + (grasa aportada por el pavo) + (grasa aportada por las. papas) + (geasa aportada por las espinacas) + (grasa aportada por el pastel de manzana) Siusa los datos dela iltima columna de la tabla 9.3 y trabaja con un ejemplo especifico debe llegar a identificar el siguicnte objetivo global Minimizar § 000SPAG + 5000PAVO + 7900PAPA + S00SPIN + 14300MANZ 3.3.3 Identificacion de las restricciones La aplicacién de la téenica de agrupamiento lo conduce a los siguientes tres grupos de restrieciones: 41. Restricciones denutrientes para asegurarquela comida proporcionalacantidad minima de cada nutriente, 2. Restricciones de limite para asegurar que no se ineluya demasiada cantidad de tun tipo de comida (por ejemplo, solicitar a un paciente que coma 1000 gramos de espinacas). 3, Restriociones légicas para asequrar que todas las variables sean no negativas. REQUERIMIENTOS DE NUTRIENTES { Este grupo consiste en cinco restriesiones, una para asegurar la cantidad minima de I ‘cada tno de los eineo nutrientes. Considere el requerimiento de proteinas: : Cantidad total de proteinas en la comida 2 63.000 mg Aplicando la descomposicisn: Cantidad total de = (cantidad de proteinas del espagueti) + protefnas en la comida (cantidad de proteinas del pavo) + (eantidad de proteinas de las papas) + 4 (cantidad de proteinas de las espinacas) + (cantidad de proteinas del pastel de manzana) | ‘Refigrase ala primera columnade latabla3,3. Cada 100 gramos deespagveticontienen 15000 mg de proteinas. Por tanto, SPAG eien gramos de esta comida proporeiona 5000SPAG mg de protefnas ala comida. De manera similar, usando los datos restantes do la primera columna dela tabla 2.9 da como resultado ta siguiente restriecién para protefnas: 5000SPAG +29300PAVO + 5300PAPA + 3000SPIN + 4000MANZ = 63000 (proteinas) ‘Aunque los unidades de las variables se expresan en cientos de gramos, las unidades Ge ambos lados de Is restriecién anterior estan en miligramos.a) 2ifieo de ‘daa dae ‘mos ade tes ara as) fos 33 MCDEL0S DE PROCRAMACION LINEAL PARA PROBLEMAS DE DIETAS Usando las siguientes cuatro columnas de datos de a tabla 3.3 obtenemos las siguientes restrieciones similares para cada uno de los siguientes cuatro nutrientes: LISPAG + L8PAVO+ OSPAPA+ 225PIN + 1.2MANZ 2 10 (hierro) LASPAG + 54PAVO+ [Link]+ OSSPIN + O6MANZ = 15 (niscina) [Link] +0,06PAVO + 0.06PAPA +0.07TSPIN +0.15MANZ = 1 (tiarina) 1OPAPA + 28SPIN + 3MANZ = 50 (vitamina C) RESTRICCIONES DE LIMITE Estas restricciones limitan Ja eantidad maxima de cada tipo de alimento en la comida. ‘Teniendo en mente que las unidades de las variables estén en cientos de gramos, surgen las siguientes restricciones de limite: SPAG Pavo PAPA SPIN ‘MANZ, www ww RESTRICCIONES LOGICAS La nica restriccion logica en este problema es que todas las variables son nonegativas. 3.3.4 Formulacién completa y solucién del problema de dietas del Hospital General Mountain View ‘Toda esta informacién da como resultado el siguionte modelo de programacién lineal para el problema del Hospital General Mountain View: Dependiendo de Programa lineal REQUERIMIENTOS DE NUTRIENTES eee S00SPAG +29 S00PAVO + SA0DPAPA +S000SPZN + 4000MANZ =63 000 (proteinas) LASPAG + L8PAVOs OSPAPA + 22SPIV+ 1.2MANZ = 10 (hier) LASPAG + S4PAVOs O9PAPA+ OSSPIN+ OSMANZ = 15 (niacina) OA8SPAG + 9.06PAVO + OO6PAPA + DOTSPIN + 0.1SMANZ 1 (tlamina) 1OPAPA + 28SPIVs 3MANZ = 50 (vitaminaC)4 Cartman 3 APLICACONES DE PROGRAMAGION LINEAL, | RESTRICCIONES DE LIMITE i 4 SPAG 3 Avo 3 i PAPA a 1 SPIN steal MANZ S11 RESTRICCIONES LOGICAS SPAG, PAVO, PAPA, SPIN, MANZ > 0 La solucién éptizna a este probloma, que resulta de usar cualquier paquete de” software de programacién lineal, es SPAG = 8.000 PAVO = 2.833 : PAPA = 2.000 : SPIN = 1.000 MANZ = 0.667 ‘con un contenido de grasa de 64 800 miligramos. Hn otras palabras, Ja comida deberia ‘consistir en 300 gramos de espagueti, 283.3 gramos de pavo, 200 gramos de papas, 100 ramos de espinacas y 68.7 gramos de pastel de manzana. Tal vez desee verificar esta solueién con su propio software de programacién lineal. 3.4 Mop&Los DE PROGRAMACION LINEAL PARA ADMINISTRACION DE CARTERA DE VALORES Recuerde el problema de administraciin de cartera de High Tech en el ejemplo 2.4 de Ia seccién 2.2.3. La decisién en ese problema es determinar cudles inversiones selec- cionar. Bse problema requeria tomar una decisién “no/e{” quo resultara en un modelo de programacién entera con variables 0-1. Como vers ahora, una decisiGn de inversion también puede requerir determinar cudnco invertir en cada alternativa disponible. A. = ‘menudo puede formularse un modelo de programacién lineal para un problema de esta naturaleza. El objetivo global de un inversionista es obtener el mas alto rendimiento posible. Pero un alto rendimiento tiene un precio: el riesgo. Un inversionista debe equilibrar el rendimiento frente al riesgo, A menudo puede formularse un modelo de programacién. lineal para disefar tna estrategia da inversién que logre el rendimiento méximo, al ‘mismo tiempo que satisfaga ciertos requerimientos de riesgo. Considere e] problema enfrentado por los socios generales de Pension Planners, Ine. EJEMPLO 3.4 EL PROBLEMA DE INVERSION DE PENSION PLANNERS, INC. Al eren- te de cartera de Pension Planners, Inc. se le ha pedido invertir $1 000.000 de un gran fondo de pensiones. B] departamento de investizacidn de Inversiones ha identificado seis fondos mutuos con estrategias de inversién variables, resultando en diferentes i rendimientos potenciales y riesgos asociadas, como se resume en la table 3.4beria 5,100. esta Ade alee: delo, sign ay asta ble. ral sion al ido “ja Mone DE PROGEAMACIOW LIERL PARA ADMNISTRACION DE CARTER DE VALORES eT Wee eee eee FONDO. 1 2 a 4 8 so Prese (staccin) 45 7% 0 7 2a 2 Deelucién esporada (4) 90 ey 15 2 0 7 Calogoriaderiesgo Alo. lo. Alo. ‘Malano Medano Bajo eects tse eienoee neta saree {Una forma de controlar el riesgo es limitar la eantidad de dinero invertido en los, ‘iversos fondos, Paraese fin, la administracién de Pension Planners, [Link] especificado las siguientes pautas: |. Lacantidad total invertida en fondos de alto riesgo debe estar entre 50y 75% de Ia carters, 2; La cantidad total invertida en fondes de mediano riesgo dehe estar entre 20 y 30% de la eartera. 3, La cantidad total invertida en fondos de bajo riesgo dobe sor al menos de5% de Ja cartora. ‘Una segunda forma de controlar el riesgo es diversificar, esto es, esparcir el riesgo invirtiendo en muchas alternativas diferentes. La gerencia de Pension Planners, Inc., ha especificado que la cantidad invertida en las fondos de alta riesgo 1, 2y 3 deben estar cenla tasa 1:2:3, respectivamente. Lacantidad invertida en los ondos de mediano riesgo 4y 5 debe sor 1:2, Conestas pautas, qué cartera deberfa usted, gerente de cartera, recomendar para maximizar la tasa esperada de rotorno? il 3.4.1 Identificacién de las variables de decisién Eneste problema, usted puede controlar cuanto invertir en cada uno de los seis fondos routuos, dando asi origen a seis variables de decisién. Como siempre, debe especificar Jas unidades asociadas con eada variablo. Por ejemplo, para el fondo 1, podria definir cualquiera do las siguientes variables: el namero de aceiones del fondo 1 por comprar el ntimero de détares por invertir en el fondo 1 Ja fraceién de la agonda por invertir en el fondo 1 F, Cada opcion eonduce a un modelo matemétieo diferente pero equivalente. Aqui se utiliza [a tltima opeién, En los ejercicios al final de este capitulo, se le pide desarrollar 2os modelos apropiados correspondientes a las otras dos opciones. Aaf que, para cada ‘uno de los fondos restantes, defina: la fraecién de la eartora por invertir on el fondo 2 F,= la feaccién de la eartera por invertir en el fondo 3 F, = a fraccién de la cartera por invertir en el fondo 476 Carituo3 APUCACIONES BE PROGHAMACION LINEAL Fr, = Ja fraceién de la cartera por invertir en el fondo 5 2 la fraceién de la cartera por invertir en el fondo 6 5.4.2 Identificacién de la funcién objetivo Como se establecié en la deseripcién del problema, el objetivo global es maximizar la tasa esperada de rendimiento, esto es, rendimiento total esperado eee é “ cantidad invertida ‘Si aplicamos la descomposici6n al numerador obtenemos Rendimiento total esperado = (rendimiento esperado del fondo 1) + (rendimiento esporado del fondo 2) + (rendimiento esperado del fondo 3) + (rendimiento esperado del fondo 4) + (rendimiento esperado del fondo 5) + (rondimiento esperado del fondo 8) ‘Para determinar el rendimiento esperadodel fondo 1, trabaje con un ejemplo espectfica fen el que 10% de la eartera se invierto on el fondo 1, es decir, F, = 0.10. En este caso, 10.10 1 000 000 = $100 000 de la cartera se invierte en el fondo 1. De acuerdo con los datos dea tabla 3.4, se espera que este dinero devuelva 30% 00.30 100 000 = $3000. Por tanto, en términos de F,, Rendimiento esporado del fondo 1 = (cantidad invertida en el fondo 1) (taga de rendimiento del fondo 1) = (F, = 1.000 900) #0.30 100 OOF, ‘Usando una légica similar para los cinco fondos restantes, llegamos a Rendimiento total esperado = $00 000F, + 200 0007, + 150 000F, + 120 000F, + 100 000%, + 70 000, Dividiendo esto entre la inversién total de $1 000000 obtenemos la tasa dezendimiento yy por tanto la siguiente funcién abjetivo: Moximizar 0.90F, + 0.20F, + 0.16F, +0.12F, + 0.10F, + 0.077, 3.4.3 Identificacién de las restricciones ‘Aplicando la tSenica de agrupamionto debe llegar a identificar los siguientes tres grupos de restrieciones: iach cicero pigeinenetotketeneetenterrnrsateei tint (pettiness Fes) Bete ies Est ide delo : $34 MoDeLDS De PROCRAMACiCx LINEAL PARA ADMINISTRACION DE CARTERA DE VALORES 1. Limitaciones de inversién para controlar la cantidad invertida en eada una de las tres eategorias de riesgo. 2, Restricciones de diversificacién para extender la inversién dentro de cada categoria de riesgo. 8, Restrieciones légicas. PESTRICCIONES DE LIMITACION DE INVERSION Este grupo coniste en tres subgrupos de restrieciones, uno para cada eategoria de riesgo, a saber: 1. Lacantidad total invertida en fondos de alto riesgo debe estar entre 50 y 75% de la cartera. Como F,, Fy F, representan la fraccidn de la cartera por invertir en fondos de alto riesgo, la fraccién de la cartera total invertida en fondos de alto riesgo os F, +F, + F,, Estas restricsiones gon F+R+F, FsksF, 50. (mfnimo en alto riesgo) 0.75 (imiximo en alto riesgo) 2, [Link] total invertida en fondos de modiano riesgo debe estar entre 20 y 30% do la vartera. Como F, y F, representan la fraceién de cartera por invertir en fondos de mediane riesgo, la fraccidn de la cartera total invertida en fondos de mediano riesgo es F, + F,, Estas restrieciones son: F,+F,2 020 (minimo en mediano riesgo) F,+F,5 030 (méximo en mediano riesgo) 3. La cantidad total invertida en fondos de bajo riesgo debe ser al menos 5% de la cartera, Como F, es la fraccién de la cartera invertida en fondos de bajo riesgo, cesta restriceién e F, 7.20.05 (mnfnimo en bajo riesgo) RESTRICCIONES DE DIVERSIFICACION Este grupo de restrieciones se utiliza para controlar el riesgo asegurando que la can- tidad invertida en los fondos pertenecientes a una categoria de riesgo dada esté dentro de la tase especificada, de la manera siguiente: 1. La cantidad invertida en los fondos de alto riesgo 1, 2y 9 debe estar en ta tasa 1:23, Esta restrieciin especifica que la cantidad invertida en el fondo 2 sea el able de la eantidad invertida en el fondo 1 F,=2F, Sicambiamos el orden para que todaslas variables estén a la derecha, se obtiene: 28, +F,=0 — (proporcién de F,aF,) De manera similar, la cantidad invertida en el fondo 3 debe ser tres veees la invertida en el fondo 1: Fr, =3F, -8F, + F, = 0 (proporcién de F,aF,)Programalineal EXS_A.DAT Cartruo3 APLICACIONES DEPROGRAMACIEN UNEAL 2, La cantidad invertida en los fondos 4 y 5 de mediano riesgo debe estar en la Paoporeién de 12, esto ea eantidadinvertida en e fondo 5 debe ser ol doble de la dol fondo 4: F,=2F, Sicambiamos elorden para que todaslas variablesesténaladerecha, seobtiene: -2F,+F,=0 — (proporcion do F, a F,) RESTRICCIONES LOGICAS Claro esta queun conjunto de restricciones ligicas es que ct ooarr caso como es posible comprar acciones fraccionales de un fondo mut, © stay 4 sit bles ge los permite tener cualguer valor fraccional, aque resulta en wn problems 4 Yo progeamacién lineal. Més ain, se requiere otra retriccinLogion pass aseRuTet TS 4 oe rea La cartera total de precsaments $1,000 000. Como las variables de decision Tepresentan la fraceidn de esta cartera por invertir en los diversos fondos, esta j restriceién es: La fraccion total de $1 000 000 invertida debe ser igual a 1 -adavvariableseanonegativa, PtFy+Fye Rehr =10 (agenda total 3.4.4 Formulacién completa y solucién del problema de inversion de Pension Planners, Inc. “Accontinnacién se muestra el modolo de programacién lineal completo pars os soe sgenerales de Pension Planners, Ine. Maximizar 0.307, + 0.20F; + 0.15F, + 0.12F, + 0.10F, + 0.07F, Dependiendo de RESTRICCIONES DE LIMITACION DE INVERSION re Rt = 0.50 (minimo en alto riesgo) Fee Fy 0.15. (amaximo en alto riesgo) +k 0.20. (mninimo en mediano ese) Re = 0.30 (méximoenmedianoriess?) F, = 0.05 (minimo en bajo riesgo) RESTRICCIONES DE DIVERSIFICACION -3+ OF, = 0 (proporcidn de F, a F,) -aP, + i = 0 {proporcion de aF,) 0 (prrporcion de F, a F,) > 35)enla ioble tiva, sstas ema vque esta sg0) 1 35, Moosios D8 PROCRAMACION LEAL PATA PROBLEMS DE NEEZCLAS RESTRICCIONES LOGICAS: Ft RtR+ Fe Fo +R = 10 (artoratotal Fo RoR, hs Rome 0 La solucién éptima para este problema que cualquier paqueto de software do programacién lineal produce es = 0.1250 0.2500 = 0.9750 = 00667 = 0.1333 0.0500 a a a Gon una tasa de rendimiento de 0.168589. En otras palabras, la cantidad de dinero invertido en cada uno do los seis fondos es ‘Cantidad on el fondo 1 = 0.1250 = 1 000000: = $ 125.000, Cantidad en el fondo 2 = 0.2500 * 1 000000 = $ 250.000 Cantidad en el fondo 3 = 03750 = 1000000 = $ 375.000 Cantidad en el fondo 4 = 0.0667 * 1000000 = $ 66700 Cantidad en el fondo S = 0.1333 » 1000000 = $ 133300 Cantidad enel fondo 6 = 0.0500 * 1000000 = $ 50000 Inversion total = $1000.00 con una tasa de rendimiento esperado de 16.86% (o $168 600). Tal ver dese verificar esta solucién eon su propio software de programacién lineal. Recuerde que las variables de decision se definen como la fraccién de le cartera a invertir, en vez de la cantidad de délares. Este enfoque tiene una ventaja clara. Sila cantidad de délares de la cartera cambia, un evento probable, e] modelo actual ermanece inalterado, Simplomente necesita multiplicar las fraeciones obtenidas en la solucién anterior por el nuevo tamafio de la cartera para determinar las nuevas cantidades a invertir en cada uno de los seis fondos. Hf 3.5 MopELos DE PROGRAMACION LINEAL PARA PROBLEMAS DE MEZCLAS Otro ejemplo del uso de un modelo de programacién lineal esta en la mezela de diversos componentes para producir un produetofinal. Por ojemplo, jeémo mezcla y procesa una refinerfa el petréleo crudo para producir gasolina? {Como mezela las aleaciones una empresa fabricadora de metales para producir una nueva aleacién con ciertas pro- piedades? Bn los problemasde mezclado, cada componente contiene ciertosingredientes, como azufre el petréleo crudo o hierro una aleacién. La mezcla final puede exigir que estos ingredientes estén presentes en ciertas cantidades. El objetivoen un problema deTULA. APLICACIONES DE PROGRAMACION LINEAL mezelado es determinar la cantidad [Link] componente en la mezcla que lieve al producto deseado a un costo minimo. Considere el problema de mezclado de gasolina que enfrentan los gerentes de Hexcon Oil Company. q Com EJEMPLO3.5 EL PROBLEMA DE MEZCLADO DE GASOLINA DE HEXXON OIL COWt- ‘eat PANY Hoxxon Oil Company obtiene tres tipos de petséleo crudo de sus pozos de acl Mississippi, Nuevo México y Texas, La gasolina obtenida de estos petréleos erudos se ‘ditivos contionen azuire, plomo y Fésforo, como se muestra en la tabla 3.5. Et costo de ‘cada componente también se presenta. Debido a los residuos ¢ impurezas, cada galén | ide petréleo crudo de Mississippi resulta sélo en 0.35 de galon del producto final, que contiene 0.07% de azufte. De manera similar, eada galon de erado de Nuevo México. 4 produce 0.40 de galon del produeto final que contiene 0.08% de sulfure y cada gal6n trudo de Texas resulta en 0,30de gal6n del producto final que contiene 0.10% de azure. Lagerencia ha establecidolas siguientes especificaciones para controlarlascantidades @ de azufte, plomo y fosforo: : rmezela janto con dos aditivos para obtener el producto final. Estos petréleos erudos y “4 1. Cada galin debe tener a lo més 0.07% de azufre. 2. Cada galin debe tener entre 1.25 y 2.5 gramos de plomo. 8. Cada galén debe tener entre 0.0025 y 0.0045 gramos de fésforo, 4. La cantidad total de los aditivos no puede exeeder de 19% de la mezcla, eR aad eek lee aa allied PETROLEDS CRUDOS apmvos ae MISSISSIPPT —-NUEVOMEXICO TEXAS oT 2. ‘zat 0%) oor 0.08 0.10 a Promo (ge) = a ae acta Festero (g/g = - = 0025 one Coste (saa) oss, oar oss 008 0.12 ‘Como gerente de produceién, determine un plan de mezclado que produzca una ge solina aceptable al minimo costo. Ml 3.5.1 Identificacién de las variables de decision Usted puede controlar la eantidad de cada tipo de crudo y eada aditivo por meaclar al produeir un galén de gasolina. Esto leva a las siguientes cinco variables de deeisi6a: 4 ‘= elnuimero de galones de petréleo crudo de Mississippi usados para hacer | ‘on galén de gasolina “lntimerode galones de petrélenerudo de Nuevo México wsndos parahse® | tun galén de gasolina tl iimero de galones de petréleo crudo de ‘Texas usados para hacer W" galon de gosolina J nimero de galones del aditivo 1 usados para hacer un galén de gasolin® | 1 ntimero de alones del aditivo 2 usados para hacer un gal6n de gasolinéga ral on: na 13,5. MOOELOS DE FROGRAMACION LINEAL PARA PROBLEMAS DE MEZCLAS 3.5.2 Identificacién de la funcién objetivo ‘Como se establecid en Ia descripeién del probleina, el objetivo global es minimizar el costo de Jos componentes usados en la fabricacién de cada galdn de gasolina. La apli- cacién de la descomposicién nos llova a Costo total, = (costo del petréleo crudo de Mississippi) + (costo del petréleo erudo de Nuevo Méxieo ) + (costo del petrdleo crudo de ‘Toxas) + (costo del aditivo 1) + {costo del aditivo 2) ‘Usando las variables y los costos asocindos de la tabla 3.5 obtenemos la siguiente fun- cign objetiva: Minimizar 0.551, + 0.47x, + 0.33x, + 0.084, + 0.124, 3.5.3 Identificacién de las restrieciones Aplicando la técnica de agrupamiento debe llogar a la identificacién de los siguientes tres grupos de restriceiones: 1, Una restriceién de produccién para asegurar la produccién de 1 galon de gasolina, porque el plan de mezela es para cada galén. 2. Restrieciones de composicién demezclado para asegurarquela gasolina resultante ‘cumpla con los requerimientos de azufie, plomo, fésforo y aditivos. 8, Restrieciones logicas. RESTRICCION DE PRODUCCION Esta restriccién asegura que se produzca precisamente 1 galén de gasolina: Cantidad de gasolina producida = 1 galén Siaplicamos la descomposicén llegamos a Cantidad de gasolina = (cantidad producida del petréleo erudo de Mississippi) + (ontidad producida del petrdleo crudo de Nuevo Méxien) + (cantidad producida dol petrsle crudo do Toxas) + (cantidad del aditivo 1) + (cantidad del aditive 2) Recuerde que cada galén de crudo de Missiceippi produce a6lo0.25 de galon de gasolina. Por tanto, x, galones de este erudo producen 0.86x,, galones de gasolina. De manera similar, como cada galén de petrbleo erudo de Nuevb México produce 0,40 de galin de fasolina y eada galén de petréleoerudo de Texas resulta en 0.30 de galdn de gasolina, esta restriceén es 0.86, + 040x, +0.30e,+4, +A, = 1.0 (produccién) RESTRICCIONES DE COMPOSICION DE MEZCLADO Este grupo consiste on tres conjuntos de restriesionos, uno por cada una de las limi: taciones de azufie, plomo y fésforo en la mezcla final. Por ejemplo, para el azufte: 8182 CAPITULO APLICACIONES DE PROGRAMACION LINEAL, Proporeién de azufre ena mezcla < 0.0007 (esto es, = 0.07%) Aplicando la descomposicién, cantidad de amufre en la mezela Proporeién de azufre en la mezela = —~ vida total deta mezela sin embargo, de a restrccién de producién anterior lacantidad total dela mezclae3 precisamente 1 galdn, asi que lo nico que se necesita caleuler eslacantidad de azulne fen la mezcla, Aplicando la descomposicién, Cantidad de azufte = (cantidad de arate del petréleo erudo de Mississippi + en la mesdla (cantidad de azuére del petréleo erudo de Nuevo México) + (cantidad de azure del petréteo crudo de Texas) + (cantidad de azufre del aditivo 1)+ (cantidad de aziufre del aditivo 2) ‘Do acuerdo con ta tabla 3.5, cada gal6n de petréieo erudo de Mississippi produce 0.36 deqalén de gasolina quo contiene 0.07% [Link] tanto, x, galones de este petrileg cerudo produce 0.35%, galones que contienen 0.07% de azufte, Asi : Cantidad de azufre del petrsleo crudo de Mississippi = 0.0007 + 0.38 = 0.000246, Observando que los aditivos no aportan ezufre, y aplicando una logica similar a los btros dos resultados de petréleos crudos en la siguiente restrietiOn de azufre: 0.96 10.0007, +040 ¥0,0008y + 0.30 *0.00Lz, = 0.0007 0.000245, + 0.00082x, + 0.0003, < 0.0007 (azure) ‘Existon limites inferiores y superiores sobre las cantidades de plomo y azufre on ‘mezcia final. Aplicando el mismo razonamiento usado en el desarrollo de Ia restriecién Ge azufro, so obtienen las siguientes cuatro restricciones para plomo y fésforo: 7A,+6A, $2.50 limite superior en plomo) 7A,+6A, 2125. (mite inferior en plomo) : 0.0264, +0.02A, < 0.0045 (limite superior en fisforo) 0.0254, + 0.024, = 0.0025 (mite inferior on fsfor0) ‘Finalmente, existe la limitacién de que la mezcla contenga alo mis 19% de aditives Por tanto, el total de, y A, debe ser de alo mas 0.19 de galdn, resultando la siguiente restricciGn: A,+A,50.19 (limite superior en aditivos) RESTRICCIONES LOGICAS: ‘La tinica restrieeién logiea es que todas las variables sean no negativas.TuNEat claes wufre de ico) + 0.36 réleo alos nla sion ie 4 | 536. MODELCS DE PROC2AMACION LINEAL PARA PLINEACION De FRCOUCCION AGRESADA fo 3.5.4 Formulacién completa y solucion del problema de mezclas de la Hexxon Oil Company ‘Como gerente de produccién de Hexxcon Oil Company, retine toda esta informacién en el siguiente modelo de programacién lineal: Minimizar 0.551, + 0.4T7x, + 0.33x, + 0.084, +0.12A, Dependiendo de RESTRICCION DE PRODUCCION Programa lineal EXS_5DAT 0.3%, 0.40r,+0.80r, +4, + A, = LO (produecién) RESTRICCIONES DE COMPOSICION DE MEZCLADO 0.000245, + 0.00082x,, + 0.0008, < 0.0007 (azufre) T+ GAs 250 ‘Qimite superior en plomo A+ 6A ts (limite inferior en plomo) ozs, = 00045 (teaive superior en fisfor0) 0.0284, + = 0.0025 (limite inferior en fésfor0) AL + Ss 0.8 (Qimite superior en aditivos) RESTRICCION LOGICA San hun Sp Ay Ay 20 La solucién éptima a este problema, que resulta de usar cualquier paquete de software de programacién lineal, es Xj = 0.0000 13750 xy = 08867 A, = 0.1400 A, = 0.0500 con un valor de funcién objetivo de 0.94945. En otras palabras, cada galén de producto final se fabrica mezclando y procesando 1.3750 galones de petréleo crudo de Nuevo México y 0.8667 de galén de petrileo crudo de Texas eon 0.14 de alin de aditivo 1 y0.05, de galén de aditivo 2, a un easto total de 94.945 centavos, Tal vex desee verificar esta solucién con su propio software de programacién lineal. @ 3.6 Mopetos DE PROGRAMACION LINEAL PARA PLANEACION DE PRODUCCION AGREGADA. Otra aplicacién de la programacién lineal esta en el area de planeacién de produecién, ‘Los administradores de 1a planeacién de produecién debon doterminar cudntos ele-CCaviravo 3 APLICACIONES DE PROGRAMACION LINEAL mentos producir y cudntos extraer de inventarios existentes para satisfacer demandas nticipadas para un periodo esperifico .Cualesquier elementos sobrantes sealmacenan eninventario. Elobjetivo global es minimizar ostos totales, compestos por produccion, inventario y otros eargos. Considere el problema que enfrenta la administracion de ‘Nationsl Stes] Corporation. EJEMPLO 3,6 EL PROBLEMA DE PLANEACION DE PRODUCCIGN DE NATIONAL STEEL CORPORATION National Steel Corporation (NSC) produce un acero especial usado en las industrias de aviacidn y aeroespaciales. HB] departamento de ventas de ‘NSC ha recibido pedidos de 2400, 2200, 2700 y 2500 toneladas de acero para cada uno de los siguientes 4 meses. NSC puede satisfacer estas demandas produciendo el acero, extrayéndolo desu inventario, ousando cualquier enmbinacién delas dos alternativas, Se proyecta que los eostos de produccién por tonclada de acero durante cada uno de Jos siguientes cuatro meses sean de $7400,$7500, $7600 y$[Link] ‘cada mes, debido a las presiones inflacionarias, tal vez sea mejor que NSC produzca mds acero del que necesita en. un mes determinado y que almacene el exceso. La capacidad de produecién, sin embargo, no puede exceder las 4000 toneladas en ningiin mes. La produecién mensual se termina al final del mes, cuando la demanda se satisface, Cualquier acero remanente se almacena en inventario.a un costo de $120 por tonelada por cada mes que permanece alli, Estas datos se resumen en la tabla 3.6 TABLA36 Datos para el problema de produc fon: de NSC MES 1 2 a 4 Demanda (tors) 400 2200 2700 500 Cosio de produceisn (ston) | 7400 7500 7600 7850 Cosio de inventario (Stonimes) 120 120 120 120 Sielnivel de produccién se incrementadeun mesal siguiente, entonces lacompanifa. incurre en un costo de $50 por tonelada de produccién incrementada para cubrir la mano de obra adicional y/o el tiempo extra. Cada tonelada de produccién dismninuida incurze en un costo de $30 para eubrir los beneficios de empleados no ulilizados. Elnivel de produccién durante el mes anterior fuede 1800 toneladas, yel inventario que comienza es de 1000 toneladas. El inventario al final del euarto mes debe ser de al ‘menos 1500 toneladas para cubrir la demanda anticipada. Formule un plan de pro- uceién para NSC que minimice los costos totales en los siguientes 4 meses, 3 3.6.1 Identificacién de las variables de decisién Eneste problema, usted tiene libertad para elegir cuantas toneladas de acero producir cada mes para satisfacer la demanda. Surgen cuatro variables: ,= el ndimero de toneladas de acero por producir durante el mes 1 1, = el ndimero de toneladas de acer por producir durante el mes 2 1, s€l nsimero de toneladas de scero por producir durante el mes 3 el niimero de toneladas de acero por producir durante el mes 4 t : braaenaee