Teoria de decisiones 1

Optimización lineal

1.1 MODELOS DE PROGRAMACION LINEAL PARA DESICIONES DE MEZCLA DE PRODUCTOS

A menudo se necesita determinar como asignar diversos recursos escasos, como la mano de obra, la materia
prima y el capital, a varias alternativas que compiten por estos recursos. La decisión final se basa en la
disponibilidad de estos recursos y en el logro de un objetivo global para la organización. Por ejemplo en
problemas de producción, la mezcla de productos por fabricar se basa finalmente en un objetivo corporativo
global como la maximización de ganancias o la minimización de costos de producción totales. Los modelos de
programación lineal a menudo se utilizan para ayudar a tomar tales decisiones. Considere el problema enfrentado
por la gerencia de la empresa ABC.
Ejemplo 1.1 El PROBLEMA DE MEZCLA DE PRODUCTOS DE ABC
ABC fabrica tres productos de caucho: Airtex (Material esponjoso), Extendex (Material elástico) y Resistex
(Material rígido). Los tres productos requieren los mismos tres polímeros químicos y una base. La cantidad de
caída ingrediente usada por libra del producto final se muestra en la tabla 1.1

TABLA 1.1 Ingredientes usados en la producción de Airtex, Extender y Resistex

INGREDIENTES (onz/lb de productos)
POLIMERO A POLIMERO B POLIMERO C BASE
Airtex 4 2 4 6
Extender 3 2 2 9
Resistex 6 3 5 2
ABC tiene el compromiso de producir al menos 1000 libras de Airtex, 500 libras de Extendex y 400 libras de
Resitex para la próxima semana, pero la gerencia de la compañía sabe que puede vender mas de cada uno de los
productos.
Los inventarios Actulaes de los ingredientes son 5600 libras del polímero A, 425 libras del polímero B, 650
libras del polímero C y 1100 libras de la base. Cada libra de Airtex produce a la compañía una ganancia de $7,
cada libra de Extendex una ganancia de $7 y cada libra de Resistex una ganancia de $6. Como gerente del
departamento de producción, usted necesita determinar un plan de producción óptimo para esta semana.
1.1.1 Identificación de las variables de decisión
Siguiendo los pasos de la formulación de problemas, primero identifique las variables de decisión. Pregúntese lo
que puede controlar y la información que constituye un plan de producción, esto lo debe llevar a identificar las
siguientes variables:
A = el número de libras de Airtex por producir esta semana
E = el número de libras de Extender por producir esta semana
R = el número de libras de Resistex por producir esta semana
1.1.2 Identificación de la función objetivo
Para ABC, el objetivo lógico es determinar cuánto de cada producto producir para maximizar la ganancia total.
Al aplicar la técnica de descomposición se llega a:
Ganancia total = ganancia de Airtex + ganancia de Extender + ganancia de Resistex
Teoria de decisiones 2

Como cada libra de Airtex produce una ganancia de $7, A libras de Airtex produce $7A. De manera similar,
Extender y Resistex contribuyen con $ 7E y $ 6R, respectivamente, a la ganancia total. En términos de las
variables de decisión y de los datos de ganancia, la función objetivo es
Maximizar 7A + 7E + 6R
1.1.3 Identificación de las restricciones
Aplicar la técnica de agrupamiento lo debe conducir a identificar los siguientes tres grupos de restricciones:
1. Restricciones de recursos para asegurar que no se usen más de los tres polímeros y la base que están
disponibles.
2. Restricciones de demanda para asegurar que se cumplan los compromisos de la compañía.
3. Restricciones lógicas para especificar que todas las cantidades de producción son no negativas.
RESTRICCIONES DE RECURSOS
Este grupo consiste el cuatro restricciones: una para cada uno de los tres polímeros y una para la base. Para la
disponibilidad limitada de 500 libras del polímero A:
Cantidad empleada del polímero A  500 libras
El uso de la descomposición lleva a:
Cantidad empleada del polímero A = (cantidad empleada para producir A libras de Airtex ) +
(cantidad empleada para producir E libras de Extender)+
(cantidad empleada para producir R libras de Resistex)
Para determinar la cantidad del polímero A usada en la fabricación de cada producto trabaje con un ejemplo
específico. Por ejemplo, fije A = 100, E = 300 y R = 200. De acuerdo con los datos de la tabla 1.1:
Cantidad del polímero A empleada en Airtex = 4(100) = 400
Cantidad del polímero A empleada en Extender = 3(300) = 900
Cantidad del polímero A empleada en Resistex = 6(200) = 1200
Entonces, en términos de las variables de decisión, podría pensar que la restricción apropiada para el polímero A
es:
4A + 3E + 6R  500
Sin embargo, esta restricción no es correcta. La razón es que las unidades en la expresión de la izquierda están
en onzas (véase la tabla 3.1), pero las unidades a la derecha están en libras. Esta discrepancia puede corregirse
convirtiendo las unidades de cualquier lado a las del otro lado. Por ejemplo, al convertir las 500 libras
disponibles del polímero A a 800 onzas (1 libra es igual a 16 onzas) se obtiene la siguiente restricción:
4A + 3E + 6R  8 000 (polímero A)
Siguiendo una lógica similar para los tres resultados de recursos restantes en estas restricciones:
2A + 2E + 3R  6 800 (polímero B
4A + 2E + 5R  10 400 (polímero C)
6A + 9E + 2R  17 600 (base)
RESTRICCIONES DE DEMANDA
Este grupo consiste en tres restricciones: una para el requerimiento mínimo sobre la cantidad de cada uno de los
tres productos. Estas restricciones son:
A  1 000 (Airtex)
E  500 (Extender)
R  400 (Resistex)
RESTRICCIONES LÓGICAS
Como todas las cantidades de producción deben ser no negativas, se necesitan las siguientes restricciones
lógicas:
A, E, R  0
1.1.4 Formulación completa y solución del problema de mezcla de productos de ABC.
Teoria de decisiones 3

Como gerente del departamento de producción, usted junta todas las piezas, lo que resulta en el siguiente modelo
matemático del problema de programación lineal de ABC:

Maximizar 7A + 7E + 6R
Dependiendo de
RESTRICCIONES DE RECURSOS
4A + 3E + 6R  8 000 (polímero A)
2A + 2E + 3R  6 800 (polímero B
4A + 2E + 5R  10 400 (polímero C)
6A + 9E + 2R  17 600 (base)
RESTRICCIONES DE DEMANDA
A  1 000 (Airtex)
E  500 (Extender)
R  400 (Resistex)
RESTRICCIONES LÓGICAS
A, E, R  0
La solución óptima a este problema, calculada usando cualquier paquete de software de programación lineal es
A = 1 000.00
E = 533.33
R = 400.00
Con un valor de función objetivo de 13 133.33. En otras palabras, el plan semanal optimo es producir 1000 libras
de Airtex, 533.33 libras de Extender y 400 libras de Resistex, dando como resultado una ganancia neta de
$13133.33. Tal vez desee verificar esta solución con su propio software de programación lineal.

1.2 MODELOS DE PROGRAMACIÓN LINEAL PARA DECISIONES DE FABRICACIÓN O COMPRA

En muchos problemas de producción, puede ser que una compañía no tenga suficientes recursos para satisfacer
una demanda inesperadamente grande de uno o más productos. En tales casos, la compañía puede complementar
su capacidad de producción comprando algunos de los productos a proveedores externos. El punto central en
esas situaciones es la decisión por parte de los administradores de la cantidad de cada producto por producir
contra la cantidad que hay que comprar del exterior. A menudo es útil un modelo de programación lineal en la
toma de tales decisiones, como lo ilustra el siguiente ejemplo.
EJEMPLO 1.2 EL PROBLEMA DE HACER O COMPRAR DE ACEROS AREQUIPA. Aceros Arequipa
produce tres tamaños de tubos: A, B y C, que son vendidos, respectivamente en $10, $12 y $9 por pie. Para cada
pie del tubo A se requieren 0.5 minutos de tiempo de procesamiento sobre un tipo particular de máquina de
modelado. Cada pie del tubo B requiere 0.45 minutos y cada pie del tubo C requiere 0.6 minutos. Después de la
producción, cada 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, B y C, respectivamente.
Para la siguiente semana, Aceros Arequipa ha recibido pedidos excepcionalmente grandes que totalizan 2000
pies del tubo A, 4000 pies del tubo B y 5000 pies del tubo C. Como sólo se dispone de 40 horas de tiempo de
máquina esta semana y sólo se tienen en inventario 5500 onzas de material de soldar, el departamento de
producción no podrá satisfacer esta demanda, que requiere un total de 97 horas de tiempo de máquina y 11000
onzas de material de soldar. No se espera que continúe este alto nivel de demanda. En vez de expandir la
capacidad de las instalaciones de producción, la gerencia de Aceros Arequipa está considerando la compra de
algunos de estos tubos a proveedores de Japón 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 se resumen en la tabla 1.2. Como gerente del departamento de
producción, se le ha pedido hacer recomendaciones respecto a la cantidad de producción de cada tipo de tubo y
la cantidad de compra a Japón para satisfacer la demanda y maximizar las ganancias de la compañía.
TABLA 1.2 Datos para el problema de hacer o comprar de Aceros Arequipa
Teoria de decisiones 4

PRECIO TIEMPO DE MATERIAL COSTO DE COSTO DE

DEMANDA
DE VENTA MAQUINA PARA SOLDAR PRODUCCION COMPRA
(pies)
($/pie) (min/pie) (onz/pie) ($/pie) ($/pie)
A 10 2 000 0.50 1 3 6
B 12 4 000 0.45 1 4 6
C 9 5 000 0.60 1 4 7
Cantidad disponible 40 hrs. 5 500 onz
1.2.1 Identificación de las variables de decisión
En este problema, tiene libertad para elegir cuántos pies de cada tipo de tubo producir y cuántos pies comprar a
Japón. Esto da como resultado las siguientes seis variables de decisión:
AP = número de pies de tubo de tipo A por producir
BP = número de pies de tubo de tipo B por producir
CP = número de pies de tubo de tipo C por producir
AJ = número de pies de tubo de tipo A por comprar a Japón
BJ = número de pies de tubo de tipo B por comprar a Japón
CJ = número de pies de tubo de tipo C por comprar a Japón
1.2.2 Identificación de la función objetivo
Como se estableció en la descripción del problema, el objetivo global es maximizar las ganancias totales. Si
aplicamos la descomposición se obtiene:
Ganancias totales = (ganancias de la producción) +
(ganancias de los productos comprados a Japón)

Si aplicamos la descomposición a las ganancias de la producción tenemos:

Ganancias de la producción = (ganancias de producir el tubo de tipo A) +
(ganancias de producir el tubo de tipo B) +
(ganancias de producir el tubo de tipo C)
Cada una de estas ganancias, a su vez, se calcula como el ingreso menos el costo por pie. Por ejemplo, como los
tubos del tipo A se venden a $10 por pie pero su producción cuesta $3, la ganancia neta es $7 por pie. Por tanto,
la ganancia por producir AP pies de tubo del tipo A es 7AP. Un cálculo similar para los tubos de los tipos B y C
tiene como resultado:
Ganancias de la producción = 7AP + 8BP + 5CP
Aplicando una descomposición y lógica similares a los productos comprados a Japón se tiene:
Ganancias de los productos comprados a Japón = 4AJ + 6BJ + 2CJ
Como esperaría, cada pie de tubo producido tiene como resultado una ganancia más alta que cada pie de tubo
comprado del proveedor externo. La combinación de estos dos componentes de ganancia resulta en la siguiente
función objetivo global:
Maximizar 7AP + 8BP + 5CP + 4AJ + 6BJ + 2CJ
1.2.3 Identificación de las restricciones
La aplicación de la técnica de agrupamiento debería llevarlo a identificar los siguientes tres grupos de
restricciones:
1. Restricciones de recursos para asegurarse que la cantidad de tiempo de máquina y el material para
soldar usado no exceda los suministros disponibles.
2. Restricciones de demanda para asegurarse que se satisface la demanda de cada tipo de tubo.
3. Restricciones lógicas.
RESTRICCIONES DE RECURSOS
Producir estos tubos requiere dos recursos: tiempo de máquina y material para soldar. Como estos recursos son
limitados se requieren dos restricciones para asegurar que los suministros disponibles no se rebasen. La
restricción de tiempo disponible es:
Teoria de decisiones 5

El tiempo de máquina no debe exceder las 40 horas

La aplicación de la descomposición lleva a:
Tiempo de máquina total usado = (tiempo de máquina usado para producir tubo de tipo A) +
(tiempo de máquina usado para producir tubo de tipo B) +
(tiempo de máquina usado para producir tubo de tipo C)
Recuerde de la tabla 1.2 que cada pie del tubo A requiere 0.5 minutos de tiempo de máquina. Por tanto, para
producir AP pies se requiere 0.5AP minutos. De manera análoga, cada pie de tubo B requiere 0.5 minutos y cada
pie de tubo C requiere 0.6 minutos. La restricción es:
0.5AP + 0.45BP + 0.6CP  40
Sin embargo, observe que la cantidad de lado izquierdo se expresa en minutos, mientras que la de la derecha se
expresa en horas. Una forma de corregir esta inconsistencia es convertir 40 horas en 40 * 60 = 2400 minutos:
0.5AP + 0.45BP + 0.6CP  2400 (tiempo de máquina)
Regresando a la disponibilidad de material para soldar, la restricción asociada es:
El material para soldar total no debe exceder las 5500 onzas
Aplicando la descomposición y recordando que cada pie de tubo, sin importar el tipo, requiere 1 onza de material
para soldar, esta restricción de recursos es:
AP + BP + CP  5500 (material para soldar)
RESTRICCIONES DE DEMANDA
Este grupo está constituido por tres restricciones, una para la demanda asociada con cada tipo de tubo. Para el
tubo A:
Número total de pies del tubo de tipo A = 2000 pies
Aplicando la descomposición:
Número total de pies = (número de pies de tipo A producidos) +
del tubo de tipo A (número de pies de tipo A comprados a Japón)
= AP + AJ
En consecuencia, la restricción de demanda del tubo de tipo A es:
AP + AJ = 2000 (demanda del tipo A)
Una lógica similar da como resultado las siguientes restricciones de demanda para los tubos del tipo B y C:
BP + BJ = 4000 (demanda del tipo B)
CP + CJ = 5000 (demanda del tipo C)
RESTRICCIONES LÓGICAS
La única restricción lógica en este problema es que todas las variables deben ser no negativas.
1.2.4 Formulación completa y solución del problema de fabricación o compra de Aceros Arequipa
Una vez que se unen todas las piezas, da por resultado el modelo de programación lineal siguiente para el
problema de Aceros Arequipa:
Maximizar 7AP + 8BP + 5CP + 4AJ + 6BJ + 2CJ
Dependiendo de
RESTRICCIONES DE DEMANDA
AP + AJ = 2000 (demanda del tipo A)
BP + BJ = 4000 (demanda del tipo B )
CP + CJ = 5000 (demanda del tipo C)
RESTRICCIONES DE RECURSOS
0.5AP + 0.45BP + 0.6CP  2400 (tiempo de máquina)
Teoria de decisiones 6

AP + BP + CP  5500 (material para soldar)

RESTRICCIONES LÓGICAS
AP, BP, CP, AJ, BJ, CJ 0
La solución óptima a este problema, obtenida con un paquete de software de programación lineal, es:
AP = 2 000.000
BP = 0.000
CP = 2 333.000
AJ = 0.000
BJ = 4 000.000
CJ = 2 666.667
Con una ganancia neta de $ 55 000. En otras palabras, Aceros Arequipa debería producir 2000 pies de tubo de
tipo A y 2333.333 pies de tubo C e importar 4000 pies de tubo de tipo B y 2666.667 pies de tubo de tipo C de
Japón. Tal vez desee verificar esta solución con su propio software de programación lineal.

1.3 MODELOS DE PROGRAMACIÓN LINEAL PARA PROBLEMAS DE DIETAS

Los modelos de programación lineal también pueden aplicarse en la planeación de dietas. En particular, dado un
número de alternativas de comida, cada una de las cuales produce una cantidad conocida de un nutriente
necesario, usted desea determinar qué cantidad de cada tipo de comida incluir en una dieta para asegurar un
mínimo de requerimientos de nutrientes, a la vez que logra un objetivo global. En el siguiente ejemplo se ilustra
un problema de este tipo.
EJEMPLO 1.3 EL PROBLEMA DE DIETAS DEL HOSPITAL GENERAL XYZ. El Departamento de
Nutrición del Hospital General XYZ prepara 30 menús de cena, uno para cada día del mes. Una comida
consistente en espagueti, pavo, papas en escalope, espinacas y pastel de manzana. Como director del
Departamento de Nutrición, usted ha determinado que esta comida debe proporcionar 63 000 miligramos (mg)
de proteínas, 10 mg de hierro, 15 mg de niacina, 1 mg de tiamina y 50 mg de vitamina C. Cada 100 gramos de
esta comida proporciona la cantidad de cada nutriente y grasas indicadas en al tabla 1.3
TABLA 1.3 Nutrientes proporcionados por las distintas comidas
NUTRIENTE (mg/100 g)
PROTEINAS HIERRO TIACINA TIAMINA VITAMINA C GRASA
Espagueti 5 000 1.1 1.5 0.18 0.0 5 000
Pavo 29 300 1.8 5.4 0.06 0.0 5 000
Papas 5 300 0.5 0.9 0.06 10.0 7 900
Espinacas 3 000 2.2 0.5 0.07 28.0 300
Pastel de manzana 4 000 1.2 0.6 0.15 3.0 14 300
Para evitar demasiada cantidad de un tipo de comida, no debe incluirse en ella más de 300 gramos de espagueti,
300 gramos de pavo, 200 gramos de papas, 100 gramos de espinacas y 100 gramos de pastel de manzana. Como
director del departamento de nutrición, usted desea determinar la composición de una comida que satisface los
requerimientos nutricionales y proporciona la mínima cantidad de grasas.
1.3.1 Identificación de las variables de decisión
En este problema, usted puede controlar la cantidad de cada uno de los cinco alimentos que incluir en la comida,
lo que lleva a definir las siguientes cinco variables:
SPAG = el número de 100 gramos de espagueti que incluir
PAVO = el número de 100 gramos de pavo que incluir
PAPA = el número de 100 gramos de papas que incluir
SPIN = el número de 100 gramos de espinaca que incluir
MANZ = el número de 100 gramos de pastel de manzana que incluir
Por conveniencia, se ha escogido que las unidades de las variables se den en cientos de gramos porque ésas son
las unidades usadas en la tabla 1.3.
1.3.2 Identificación de la función objetivo
Teoria de decisiones 7

Como se estableció en la descripción del problema, el objetivo global es minimizar el contenido de grasas totales
de la dieta. Aplicando los resultados de descomposición en lo siguiente:
Contenido de grasas totales = (grasa aportada por el espagueti) +
(grasa aportada por el pavo) +
(grasa aportada por las papas) +
(grasa aportada por las espinacas) +
(grasa aportada por el pastel de manzana)
Si usa los datos de la última columna de la tabla 1.3 y trabaja con u ejemplo específico debe llegar a identificar el
siguiente objetivo global:
Minimizar 5000SPAG + 5000PAVO + 7900PAPA + 300SPIN + 14300MANZ
1.3.3 Identificación de las restricciones
La aplicación de la técnica de agrupamiento lo conduce a los siguientes tres grupos de restricciones:
Restricciones de nutrientes para asegurar que la comida proporciona la cantidad mínima de cada nutriente.
1. Restricciones de límite para asegurar que no se incluya demasiada cantidad de un tipo de comida (por
ejemplo, solicitar a un paciente que coma 1000 gramos de espinacas)
2. Restricciones lógicas para asegurar que todas las variables sean no negativas.
REQUERIMIENTOS DE NUTRIENTES
Este grupo consiste en cinco restricciones, una para asegurar la cantidad mínima de cada uno de los cinco
nutrientes. Considere el requerimiento de proteínas:
Cantidad total de proteínas en la comida  63 000 mg
Aplicando la descomposición:
Cantidad total de proteínas en la comida = (cantidad de proteínas del espagueti) +
(cantidad de proteínas del pavo) +
(cantidad de proteínas de las papas) +
(cantidad de proteínas de las espinacas) +
(cantidad de proteínas del pastel de manzana)
Refiérase a la primera columna de la tabla 1.3. Cada 100 gramos de espagueti contienen 5000 mg de proteínas.
Por lo tanto, SPAG cien gramos de esta comida proporciona 5000 SPAG mg de proteínas a la comida. De manera
similar, usando los datos restantes de la primera columna de la tabla 1.3 da como resultado la siguiente
restricción para proteínas:
5000SPAG + 29300PAVO + 5300PAPA + 3000SPIN + 4000MANZ  63 000 (proteínas)
Aunque las unidades de las variables se expresan en cientos de gramos, las unidades de ambos lados de la
restricción anterior están en miligramos.
Usando las siguientes cuatro columnas de datos de la tabla 1.3 obtenemos las siguientes restricciones similares
para cada uno de los siguientes cuatro nutrientes:
1.1 SPAG + 1.8 PAVO + 0.5 PAPA + 2.2 SPIN + 1.2 MANZ  10 (hierro)
1.4 SPAG + 5.4 PAVO + 0.9 PAPA + 0.5 SPIN + 0.6 MANZ  15 (niacina)
0.18 SPAG + 0.06 PAVO + 0.06 PAPA + 0.07 SPIN + 0.15 MANZ  1 (tiamina)
10 PAPA + 28 SPIN + 3 MANZ  50 (vitamina C)
RESTRICCIONES DE LÍMITE
Estas restricciones limitan la cantidad máxima de cada tipo de alimento en la comida. Teniendo en mente que las
unidades de las variables están en cientos de gramos, surgen las siguientes restricciones de límite:
SPAG  3
PAVO  3
PAPA  2
SPIN 1
MANZ1
Teoria de decisiones 8

RESTRICCIONES LÓGICAS
La única restricción lógica en este problema es que todas las variables son no negativas.
1.3.4 Formulación completa y solución del problema de dietas del Hospital General XYZ
Toda esta información da como resultado el siguiente modelo de programación lineal para el problema del
Hospital General XYZ:
Minimizar
5000SPAG + 5000PAVO + 7900PAPA + 300SPIN + 14300MANZ
Dependiendo de
REQUERIMIENTO DE NUTRIENTES
5000 SPAG + 29300PAVO + 5300PAPA + 3000SPIN + 4000MANZ  63 000 (proteínas)
1.1 SPAG + 1.8 PAVO + 0.5 PAPA + 2.2 SPIN + 1.2 MANZ  10 (hierro)
1.4 SPAG + 5.4 PAVO + 0.9 PAPA + 0.5 SPIN + 0.6 MANZ  15 (niacina)
0.18 SPAG + 0.06 PAVO + 0.06 PAPA + 0.07 SPIN + 0.15 MANZ  1 (tiamina)
10 PAPA + 28 SPIN + 3 MANZ  50 (vitamina C)

RESTRICCIONES DE LÍMITE
SPAG  3
PAVO  3
PAPA  2
SPIN  1
MANZ  1
RESTRICCIONES LÓGICAS
SPAG, PAVO, PAPA, SPIN, MANZ  0
Con un contenido de grasa de 54 800 miligramos. En otras palabras, la comida debería consistir en 300 gramos
de espagueti, 283.3 gramos de pavo, 200 gramos de papas, 100 gramos de espinacas y 66.7 gramos de pastel de
manzana. Tal vez desee verificar esta solución con su propio software de programación lineal.

1.4 MODELOS DE PROGRAMACIÓN LINEAL PARA ADMINISTRACIÓN DE CARTERA DE

VALORES
La decisión en este tipo de problemas es determinar cuáles inversiones seleccionar. Este problema requiere
tomar una decisión “no/si” que resultará en un modelo de programación entera con variables 0-1. Como será
ahora, una decisión de inversión también puede requerir determinar cuánto invertir en cada alternativa
disponible. A menudo puede formularse un modelo de programación lineal para un problema de esta naturaleza.
El objetivo global de un inversionista es obtener el más 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 programación lineal para diseñar una estrategia de inversión que logre el rendimiento máximo, al
mismo tiempo que satisfaga ciertos requerimientos de riesgo. Considere el problema enfrentando por los socios
generales de AFP JR.
EJEMPLO 1.4 EL PROBLEMA DE INVERSIÓN DE AFP JR. Al gerente de cartera de AFP JR, se le ha
pedido invertir $1 000 000 de un gran fondo de pensiones. El departamento de investigaciones de Inversiones ha
identificado seis fondos mutuos con estrategias de inversión variables, resultando en diferentes rendimientos
potenciales y riesgos asociados, como se resume en la tabla 1.4.
TABLA 1.4. Riesgo y tasa esperada de rendimiento de seis fondos de inversión
FONDO
1 2 3 4 5 6
Predio ($/acción) 45 76 110 17 23 22
Devolución esperada (%) 30 20 15 12 10 7
Teoria de decisiones 9

Categoría de riesgo Alto Alto Alto Mediano Mediano Bajo

Una forma de controlar el riesgo es limitar la cantidad de dinero invertido en los diversos fondos. Para ese fin, la
administración de AFP JR ha especificado las siguientes pautas:
1. La cantidad total invertida en fondos de alto riesgo debe estar entre 50 y 75 % de la cartera.
2. La cantidad total invertida en fondos de mediano riesgo debe estar ente 20 y 30% de la cartera.
3. La cantidad total invertida en fondos de bajo riesgo debe ser al menos de 5% de la cartera.
Una segunda forma de controlar el riesgo es diversificar, esto es, esparcir el riesgo invirtiendo en muchas
alternativas diferentes. La gerencia de AFP JR, ha especificado que la cantidad invertida en los fondos de alto
riesgo 1, 2 y 3 deben estar en la tasa 1:2:3 respectivamente. La cantidad invertida en los fondos de mediano
riesgo 4 y 5 debe ser 1:2.
Con estas pautas, ¿Qué cartera debería usted, gerente de cartera, recomendar para maximizar la tasa esperada de
retorno?
1.3.3 Identificación de las variables de decisión
En este problema, usted controlar cuánto invertir en cada uno de los seis fondos mutuos, dando así origen a seis
variables de decisión. Como siempre, debe especificar las unidades asociadas con cada variable. Por ejemplo,
para el fondo 1, podría definir cualquier de las siguientes variables:
F1 = el número de acciones del fondo 1 por comprar
F1 = el número de dólares por invertir en el fondo 1
F1 = la fracción de la agenda por invertir en el fondo 1
Cada opción conduce a un modelo matemático diferente pero equivalente. Aquí se utiliza la última opción. Así es
que, para cada uno de los fondos restantes, defina:
F2 = la fracción de la cartera por invertir en el fondo 2
F3 = la fracción de la cartera por invertir en el fondo 3
F4 = la fracción de la cartera por invertir en el fondo 4
F5 = la fracción de la cartera por invertir en el fondo 5
F6 = la fracción de la cartera por invertir en el fondo 6
1.4.2 Identificación de la función objetivo.
Como se estableció en la descripción del problema, el objetivo global es maximizar la tasa esperada de
rendimiento, esto es,
Tasa esperada de rendimiento cantidad invertida = rendimiento total esperado
Si aplicamos la descomposición al numerador obtenemos
Rendimiento total esperado = (rendimiento esperado del fondo 1) +
(rendimiento esperado del fondo 2) +
(rendimiento esperado del fondo 3) +
(rendimiento esperado del fondo 4) +
(rendimiento esperado del fondo 5) +
(rendimiento esperado del fondo 6)
Para determinar el rendimiento esperado del fondo 1, trabaje con un ejemplo especifico en el que 10% de la
cartera se invierte en el fondo 1, es decir, F 1 = 0.10. En este caso, 0.10 * 1 000 000 = $ 100 000 de la cartera se
invierte en el fondo 1. De acuerdo con los datos de la tabla 1.4 se espera que este dinero devuelva 30% ó
0.30*1000000 = $ 30 000. Por tanto, en términos de F1,
Rendimiento esperado del fondo 1 = (cantidad invertida en el fondo 1) *
(tasa de rendimiento del fondo 1)
= (F1 * 1 000 000) * 0.30
= 300 000 F1
Usando una lógica similar para los cinco fondos restantes, llegamos a
Rendimiento total esperado = 300 000 F1 + 200 000 F2 + 150 000 F3 +
120 000 F4 + 100 000 F5 + 70 000 F6
Teoria de decisiones 10

Dividiendo esto entre la inversión total de $ 1 000 000 obtenemos la tasa de rendimiento y por tanto la siguiente
función objetivo:
Maximizar 0.30 F1 + 0.2 F2 + 0.15 F3 + 0.12 F4 + 0.10 F5 + 0.07 F6
1.4.3 Identificación de las restricciones
Aplicando la técnica de agrupamiento debe llegar a identificar los siguientes tres grupos de restricciones:
1. Limitaciones de inversión para controlar la cantidad invertida en cada una de las tres categorías de
riesgo.
2. Restricciones de diversificación para extender la inversión dentro de cada categoría de riesgo.
3. Restricciones lógicas.
RESTRICCIONES DE LIMITACIÓN DE INVERSIÓN
Este grupo consiste en tres subgrupos de restricciones, uno para cada categoría de riesgo, a saber:
1. La cantidad total invertida en fondos de alto riesgo debe estar entre 50 y 75% de la cartera. Como F 1, F2
y F3 representan la fracción de la cartera por invertir en fondos de alto riesgo, la fracción de la cartera
total invertida en fondos de alto riesgo es F1 + F2 + F3. Estas restricciones son:
F1 + F2 + F3  0.50 (mínimo en alto riesgo)
F1 + F2 + F3  0.75 (máximo en alto riesgo)
2. La cantidad total invertida en fondos de mediano riesgo debe estar entre 20 y 30% de la cartera. Como
F4 y F5 representan la fracción de cartera por invertir en fondos de mediano riesgo, la fracción de la
cartera total invertida en fondos de mediano riesgo es F4 + F5. Estas restricciones son:
F4 + F5  0.20 (mínimo en mediano riesgo)
F4 + F5  0.30 (máximo en mediano riesgo)
3. La cantidad total invertida en fondos de bajo riesgo debe ser al menos 5% de la cartera. Como F 6 es la
fracción de la cartera invertida en fondos de bajo riesgo, esta restricción es:
F6  0.05 (mínimo en bajo riesgo)
RESTRICCIONES DE DIVERSIFICACIÓN
Este grupo de restricciones se utiliza para controlar el riesgo asegurando que la cantidad invertida en los fondos
pertenecientes a una categoría de riesgo dada esté dentro de la tasa especificada, de la manera siguiente:
1. La cantidad invertida en los fondos de alto riesgo 1, 2 y 3 debe ser en la tasa 1:2:3. Esta restricción
especifica que la cantidad invertida en el fondo 2 sea el doble de la cantidad invertida en el fondo 1:
F2 = 2F1
Si cambiamos el orden para que todas las variables estén a la derecha, se obtiene:
-2F1 + F2 = 0 (proporción de F1 a F2)
De manera similar, la cantidad invertida en el fondo 3 debe ser tres veces la invertida en el fondo 1:
F3 = 3F1
-3F1 + F3 = 0 (proporción de F1 a F3)
2. La cantidad invertida en los fondos 4 y 5 de mediano riesgo debe estar en la proporción de 1:2, esto es,
la cantidad invertida en el fondo 5 debe ser el doble de la del fondo 4:
F5 = 2F4
Si cambiamos el orden para que todas las variables estén a la derecha, se obtiene:
-2F4 + F5 = 0 (proporción de F4 a F5)
RESTRICCIONES LÓGICAS
Claro Está que un conjunto de restricciones lógicas es que cada variable sea no negativa. Asimismo, como es
posible comprar acciones fraccionales de un fondo mutuo, a estas variables se les permite tener cualquier valor
fraccional, lo que resulta en un problema de programación lineal, más aún, se requiere otra restricción lógica
Teoria de decisiones 11

para asegurar que se invierta la cartera total de precisamente $ 1 000 000. Como las variables de decisión
representan la fracción de esta cartera por invertir en los diversos fondos, esta restricción es:
La fracción total de $ 1000 000 invertida debe ser igual a 1
ó
F1 + F2 + F3 + F4 + F5 + F6 = 1.0 (agenda total)
1.4.4 Formulación completa y solución del Problema de inversión de AFP JR.
A continuación se muestra el modelo de programación lineal completo para los socios generales de AFP JR:
Maximizar
0.30 F1 + 0.2 F2 + 0.15 F3 + 0.12 F4 + 0.10 F5 + 0.07 F6
Dependiendo de
RESTRICCIONES DE LIMITACIÓN DE INVERSIÓN
F1 + F2 + F3  0.50 (mínimo en alto riesgo)
F1 + F2 + F3  0.75 (máximo en alto riesgo)
F4 + F5  0.20 (mínimo en mediano riesgo)
F4 + F5  0.30 (máximo en mediano riesgo)
F6  0.05 (mínimo en bajo riesgo)
RESTRICCIONES DE DIVERSIFICACIÓN
-2F1 + F2 =0 (proporción de F1 a F2)
-3F1 + F3 =0 (proporción de F1 a F3)
-2F4 + F5 = 0 (proporción de F4 a F5)
RESTRICCIONES LÓGICAS
F1 + F2 + F3 + F4 + F5 + F6 = 1.0 (cartera total)
F1 , F2 , F3 , F4 , F5 , F6  0
La solución óptima para este problema que cualquier paquete de software de programación lineal produce es:
F1 = 0.1250
F2 = 0.2500
F3 = 0.3750
F4 = 0.0667
F5 = 0.1333
F6 = 0.0500
Con una tasa de rendimiento de 0.168583. En otras palabras, la cantidad de dinero invertido en cada uno de los
seis fondos es:
Cantidad en el fondo 1 = 0.1250 * 1 000 000 = $ 125 000
Cantidad en el fondo 2 = 0.2500 * 1 000 000 = $ 250 000
Cantidad en el fondo 3 = 0.3750 * 1 000 000 = $ 375 000
Cantidad en el fondo 4 = 0.0667 * 1 000 000 = $ 66 700
Cantidad en el fondo 5 = 0.1333 * 1 000 000 = $ 133 300
Cantidad en el fondo 6 = 0.0500 * 1 000 000 = $ 50 000
Inversión total = $ 1 000 000
con una tasa de rendimiento esperado de 16.86% (ó $168 600). Tal vez desee verificar esta solución con su
propio software de programación lineal.
Recuerde que las variables de decisión se definen como la fracción de la cartera a invertir, en vez de la cantidad
de dólares. Este enfoque tiene una ventaja clara, si la cantidad de dólares de la cartera cambia, un evento
probable, el modelo actual permanece inalterado. Simplemente necesita multiplicar las fracciones obtenidas en la
solución anterior por el nuevo tamaño de la cartera para determinar las nuevas cantidades a invertir en cada uno
de los seis fondos.
Teoria de decisiones 12

Problemas para formulación:

1.- Una empresa de producción de muebles dispone de dos diferentes tipos de madera; tiene 1500 pies tabla del
tipo A y 1000 del tipo B (la madera B es importada), también dispone de 800 horas-hombre para
efectuar el trabajo. La demanda semanal que ha estimado es la siguiente: cuando menos 40 mesas,
130 sillas, 30 escritorios y no más de 10 libreros. Las cantidades de madera Ay B, las horas-hombre
que requiere la elaboración de cada unidad de artículo y las utilidades unitarias, están indicadas en el
siguiente cuadro:
Madera Horas Demanda Utilidades
Artículo A B Hombre Estimada por unidad
Mesa 5 2 3 no menos de 40 $ 12
Silla 1 3 2 no menos de 130 5
Escritorio 9 4 5 no menos de 30 15
Librero 12 1 10 no más de 10 10
Disponibilidad semanal 1500 1000 800
a) Formule un Modelo Matemático de Programación Lineal para saber qué cantidad debe fabricar
semanalmente la empresa de cada artículo, de manera que las utilidades sean las máximas?
b) La empresa sufre una huelga laboral y ahora sólo cuenta con 700 horas hombre. Reformule el Modelo y
obtenga su solución. Suponga que la empresa no acepta una solución donde haya que producir
fracciones de un artículo. Formule el Modelo de Programación Lineal Entera que considere esta
restricción.
c) Suponga ahora que el gobierno exige a la empresa minimizar el costo de importación. Formule un
Modelo de Programación Lineal Mixta que satisfaga el objetivo del gobierno (El costo de importación
del pié tabla de madera B es de $ 2)
d) Dado que el empresario se ve perjudicado en sus utilidades al satisfacer el objetivo del gobierno, no
acepta la solución obtenida. Formule un Modelo de Programación de Metas o Multiobjetiva que
considere ambos objetivos.

2.- Una Empresa produce tres tipos de productos: A, B y C. Las horas hombre requeridas son H1 y H2 en los
departamentos 1 y 2 respectivamente para el producto A. Una unidad de B requiere de H3 y H1 horas en los
departamentos 2 y 3 respectivamente y un producto C requiere de H3, H2 y H1 horas en los departamentos 1, 2 y
3 respectivamente. El jornal por horas es “J” en cualquier departamento. Se desea fabricar hasta un máximo de
FT unidades para los tres productos; un máximo de F1 unidades entre los productos A y B y un mínimo de F2
unidades de C. Si los productos A, B y C se vende a V1, V2 y V3 cada unidad respectivamente y la
disponibilidad de horas son HA, HB y HC para los departamentos 1, 2 y 3 respectivamente. Formule un Modelo
de Programación Lineal para este problema.

3.- Puede usarse 3 clasificaciones de trabajadores (w1, w2 y w3) en 3 trabajos distintos (j1, j2 y j3), de acuerdo a
una escala salarial. Cada trabajador tiene un costo (en $) diferente para cada trabajo, que aparece en la tabla
siguiente:
Trabajos Trabajadores
Trabajador j1 j2 j3 disponibles
w1 4.0 4.0 4.6 10
w2 3.6 3.5 4.4 15
w3 3.7 4.4 4.6 10
Trabajadores
requeridos 5 20 10
Formule un Modelo Matemático para determinar la asignación óptima de trabajadores a los diversos trabajos a
fin de minimizar el costo.
Teoria de decisiones 13

4.- XYZ tiene tres plantas de generación de energía eléctrica que suministran la energía requerida a cuatro
ciudades. Cada planta puede suministrar las siguientes cantidades de kilowatt-hora (kwh) de energía
eléctrica: la planta 1, 35 millones; la planta 2, 50 millones; la planta 3, 40 millones. Las demandas
máximas de energía en estas ciudades, que se presentan al mismo momento (2 p.m.), son las
siguientes (en kwh): la ciudad 1, 40 millones; la ciudad 2, 20 millones; la ciudad 3, 30 millones; la
ciudad 4; 30 millones. Los costos para mandar 1 millón de kwh de energía de una planta a una ciudad
depende de la distancia que la energía tiene que viajar (ver tabla 1). Formule un modelo de
Programación Lineal que permita determinar el plan de suministro que minimice el costo para
satisfacer la demanda máxima de energía de cada ciudad.

Tabla 1
HACIA
Ciudad 1 Ciudad 2 Ciudad 3 Ciudad 4
DESDE ($) ($) ($) ($)
Planta 1 8 6 10 9
Planta 2 9 12 13 7
Planta 3 14 9 16 5

5.- La Compañía Industrial de Acero S.A. (IPASA) cuya planta principal está en la ciudad de Chincha (P1)
produce amortiguadores para camiones. IPASA también tiene plantas de producción en Chimbote (P2) y
en Arequipa (P3).
Los productos se venden a cinco distribuidores mayoristas D1, D2, D3, D4 y D5 a S/ 10 por unidad.
Las proyecciones de venta indican que el próximo mes se deben entregar las siguientes cantidades:
a D1 13000
D2 3500
D3 4500
D4 10000
D5 8000
Las capacidades máximas de producción son:
P1 15000
P2 12000
P3 10000
El costo unitario de producción en cada planta es:
P1 $3
P2 $5
P3 $2
El costo unitario de transporte de cada planta a cada distribuidor es:
D1 D2 D3 D4 D5
P1 2 1 3 2 1
P2 3 2 4 1 1
P3 2 2 3 1 3
Formular un Modelo Matemático para determinar la producción óptima de cada planta y el número de
amortiguadores que debe enviar cada planta a cada distribuidor.

6.- Ud. Sabe que como estudiante de ingeniería debe tomar decisiones científicas basadas en herramientas
cuantitativas, en ese sentido se le pide tomar la decisión de elegir su dieta alimenticia. Suponiendo que los
únicos alimentos de que Ud. dispone son: leche, carne y huevos, los cuales abastecen las cantidades de
vitaminas dadas en la tabla 1. Así mismo se proporciona la cantidad diaria mínima en miligramos que se
debe ingerir de cada vitamina, así como el costo unitario de cada alimento.
Teoria de decisiones 14

Tabla 1
Leche Carne Huevos Cantidad
Vitamina (litro) (Kg.) (docena) diaria mínima
A 0.25 mg. 2 mg. 10 mg. 1 mg.
B 15.00 30 10 50
C 2.50 20 10 10
Costo
unitario S/. 2.0 S/. 7.0 S/. 4.0

7.- Se desea instalar 5 fabricas (1, 2, 3, 4 y 5) en las ciudades (A, B, C, D, F y G). Se ha tomado la decisión de
invertir a lo más una fábrica por cada ciudad. La siguiente tabla establece las utilidades netas de inversión en
miles de dólares:
Ciudad
Fabrica A B C D E F G
1 45 50 65 50 75 60 45
2 75 50 55 60 55 60 75
3 55 50 55 40 55 60 75
4 58 60 65 70 65 70 65
5 65 50 45 60 65 40 55
Si se obliga instalar la fábrica 5 en F y se prohíbe instalar la fabrica 2 en B. Formule un Modelo Matemático de
Programación Entera que determine la asignación óptima.

8.- La empresa XXX produce 2 artículos: cubiertas de carro y tolderas. Para la próxima semana dispone de los
siguientes suministros:
400 horas-hombre
1200 mts2 de lino
2700 mts2 de lona
600 horas-máquina
El precio de venta de las cubiertas de carro es de 150 soles y de las tolderas 500 soles.
Si para producir una cubierta de carro requiere 1 hora-hombre, 6 mts 2 de lino y 1 hora-máquina, y para producir
una toldera requiere 2 horas-hombre, 18 mts2 de lona y 1.5 horas-máquina.
a) Defina las variables de decisión del problema.
b) Formular el modelo matemático de programación lineal respectivo.
c) Resolver por el método gráfico y determinar el plan de producción que haga máximo el ingreso de la
empresa. ¿Cuál es la máxima utilidad alcanzada?

9.- Un agricultor puede producir tomate y lechuga. Para producir una tonelada de tomate requiere 0.15 Hás., 3
Kgs. de fertilizante y 30 jornadas y para una tonelada de lechuga requiere 0.20 Hás., 2 Kgs. de fertilizante y 32
jornadas. Determinar la cédula de producción óptima y la situación final de los insumos, si:
- Se dispone de 2 Hás. de terreno agrícola, y
- 60 Kgs. de fertilizante.
- Un presupuesto de 25000 soles para pagar jornales.
Además, el jornal es 15 soles, la tonelada de tomate se vende a 900 soles y la de lechuga a 1800 soles.

10.- Una refinería fabrica 2 tipos de gasolina (1 y 2) a partir de 2 tipos de petróleo bruto (A y B); los precios de
venta, la materia prima para fabricar las gasolinas, así como los costos son:
Teoria de decisiones 15

Máxima Mínimo Precio

Cantidad Costo % de A de venta
Petróleo disponible unitario Gasolina requerido unitario
A 100TM 6 1 60 8
B 200TM 3 2 30 5
Determine un Programa de Programación Lineal que maximice las utilidades. (sugerencia: defina la variable
como Xij: cantidad de petróleo tipo i comprada para producir gasolina tipo j)

11.- Lupita está preocupada por su sobrepeso y el costo de la comida diaria, ella sabe que para bajar de peso,
debe consumir a lo más 1350 Kcalorías, pero requiere un mínimo de 500 mgr. de vitamina A, 350 mgr. de
Calcio, 200 mgr. de proteínas y 150 mgr de minerales. Con los alimentos de la tabla siguiente, formule el
Modelo de Programación Lineal que resuelva la dieta de Lupita.

Alimento Porción Vitam. A Calcio Proteínas Minerales Costo Kcalorías

Leche 1 taza 105 75 50 35 S/. 1.0 80
Huevo 2 unidades 75 80 50 15 S/. 0.7 50
Espinacas 1 ración 100 125 78 S/. 0.5
Chancho 2 chuletas 25 10 55 S/. 4.0 175
Pescado 2 trozos 150 50 100 50 S/. 2.0 150
Pastel 2 rebanadas 30 5 8 S/. 1.5 200