Universidad Autónoma de Santo Domingo (UASD)
Facultad de Ciencias de ingeniería y arquitectura
Asignatura
investigación de operación I
profesor
Dagoberto peña
Grupo #8 nombres y matricula
Johnsito Louis – 100422725
Johvanny Herrera-100404880
Pablo Noel De La Cruz- DA0499
5 de marzo 2022
Hacer un resumen interpretativo de los capítulos 1 y 2.
Como se mencionó en la unidad 1, a partir de la Segunda Guerra Mundial se inician las primeras
aplicaciones de los modelos matemáticos a la solución de problemas prácticos como: la asignación
óptima de alimentos y pertrechos militares para las tropas, la utilización eficiente del radar en los
sistemas de defensa, el mejor aprovechamiento de la capacidad instalada en las fábricas de
armamento, y muchas otras aplicaciones de logística, distribución y asignación de recursos.
Posteriormente, ya en la posguerra, la Industria del Acero en Inglaterra, las líneas aéreas en Estados
Unidos, las empresas de construcción que desarrollaban grandes y complejos proyectos,
encontraron en los procedimientos de la investigación de operaciones (I. O.), una poderosa
herramienta que permitía hacer más eficiente la ejecución de sus tareas.
Dentro de las muchas técnicas que contempla la I. de O., se puede incluir la programación lineal. Su
propósito fundamental es determinar los valores de las variables asociadas al problema, para que
una función objetivo alcance su valor óptimo.
En esta unidad, analizaremos los elementos constitutivos de un modelo de programación lineal, sus
distintas y amplísimas posibilidades de aplicación a situaciones prácticas, así como la forma
matemática que adoptan en su planteamiento. Asimismo, se construirán modelos asociados a:
✓ Problemas de mezclas.
✓ Planeación de la producción.
✓ Problemas de dieta.
✓ Problemas de asignación.
1.2 I.O como apoyo a la toma de decisiones
Los procesos de decisión pueden desarrollarse bajo situaciones deterministas, aleatorias, de
incertidumbre, o de competencia (adversas). Estas situaciones se modelan a través de sistemas que
también serán de tipo deterministas, aleatorios, inciertos o basados en situaciones de competencia
(adversas). Los sistemas determinísticos interpretan la realidad bajo el principio de que todo es
conocido con certeza. Los sistemas basados en situaciones aleatorias, de incertidumbre o de
competencia, asocian la incertidumbre a los fenómenos a analizar, incertidumbre que puede
resultar de la variación propia de los fenómenos (variaciones que eluden a nuestro control, pero
que tienen un patrón específico) o incertidumbre resultante de la propia inconsistencia de esos
fenómenos.
Aplicando el método científico, el Investigador de Operaciones construirá uno o más modelos
(representaciones) del sistema, con sus operaciones correspondientes y sobre él realizará su
investigación.
Los modelos de IO se pueden representar con ecuaciones las que, aunque puedan resultar
complejas, tienen una estructura muy sencilla:
U = f (xi , yj )
según restricciones
✓ U es la utilidad o valor de ejecución del sistema,
✓ xi son las variables no controlables, o dependientes, cuyos valores dependerán de las
interrelaciones y valores de las variables independientes.
✓ yj son las variables controlables, o independientes, con valores dados.
✓ f es una función en xi e yj .
Frecuentemente se requieren una o más ecuaciones o inecuaciones de las llamadas restricciones,
para expresar el hecho de que algunas de las variables no controlables (o todas), pueden manejarse
dentro de ciertos límites. Por ejemplo, el tiempo de máquina asignado a la producción de un
producto siempre tendrá valor positivo, y no será mayor que el tiempo total disponible o asignado
para tal fin; otro ejemplo, la suma del dinero presupuestado para cada departamento en un
organización o industria no puede exceder la suma de dinero disponible, etc.
1.3 Problemas tipo en Investigación Operativa
Desde sus comienzos la Investigación de Operaciones se ha aplicado a una gran variedad de
problemas; la gran mayoría de ellos han sido de naturaleza táctica, más que estratégica.
Un problema es más táctico que estratégico si cumple con las siguientes condiciones:
1) su solución puede modificarse o anularse fácilmente, tiene efecto de corta duración;
2) su solución afecta a una parte menor de la organización;
3) los resultados deseados se consideran como proporcionados (obtenidos), sin que medie una
selección de medios, fines, metas u objetivos a largo plazo.
La planificación de una empresa u organización, con sus metas y objetivos, es un problema más
estratégico que táctico. El minimizar los costos del transporte, en el que la minimización en sí es el
resultado conveniente, es considerado un problema más táctico que estratégico.
El proceso de administración de los recursos escasos de un sistema se suele dividir en seis fases:
✓ análisis matemático del sistema
✓ construcción de un modelo matemático que refleja los aspectos importantes del
sistema
✓ validación del modelo
✓ manipulación del modelo a fin de obtener una solución satisfactoria, si no óptima
✓ implementación de la solución seleccionada
✓ introducción de una estrategia de control del desempeño del sistema después de la
implementación efectuada.
2.7 Programación Lineal
En este capítulo se exponen la teoría y los métodos de la Programación Lineal (PL), que comprende
los problemas de optimización donde se tiene una función objetivo lineal y restricciones lineales.
Esta es la clase de problemas más importante y más usada, entre otras cosas porque se puede
resolver problemas muy grandes en poco tiempo de cálculo y con bajo consumo de recursos
computacionales, y también porque esta teoría inspira el desarrollo de otras áreas.
Generalidades
En los problemas de programación lineal (PL) se tiene una función objetivo lineal y restricciones
lineales. En general se exige también la positividad de las variables.
El método predominante para la resolución de problemas de PL es el llamado método simplex, el
cual utiliza una estrategia “active set”, que en este caso implica que se recorran las aristas de la
región factible, de vértice en vértice. El método simplex exige que se haya formulado el problema
en su forma “standard”, en la que sólo se tienen restricciones de igualdad (y la exigencia de
positividad de las variables). Sin embargo, la formulación más usual en el contexto teórico es la
forma “canónica”, en que se tienen solamente restricciones de desigualdad (y condiciones de
positividad de las variables). Cualquier problema de PL se puede formular tanto en forma canónica
como en forma standard
El Alcance de la Optimización
Una de las herramientas más importantes de la optimización es la programación lineal. Un
problema de programación lineal está dado por una función lineal de varias variables que debe ser
optimizada (maximizada o minimizada) cumpliendo con cierto número de restricciones también
lineales.
El matemático G.B. Dantzig desarrolló un algoritmo llamado el método simplex para resolver
problemas de este tipo. El método simplex original ha sido modificado a fin de obtener un algoritmo
eficiente para resolver grandes problemas de programación lineal por computadora.4 Por medio de
la programación lineal se pueden formular y resolver problemas de una gran variedad de campos
del quehacer humano, entre los que se puede mencionar: asignación de recursos en la planificación
de gobierno, análisis de redes para planificación urbana y regional, planificación de la producción
en la industria, y la administración de sistemas de transporte y distribución. Por esto la
programación lineal es uno de los éxitos de la moderna teoría de la optimización.
Establecer una definición descriptiva de la Investigación de Operaciones.
Como su nombre lo indica, la Investigación de Operaciones (IO), o Investigación Operativa, es la
investigación de las operaciones a realizar para el logro óptimo de los objetivos de un sistema o la
mejora del mismo. Esta disciplina brinda y utiliza la metodología científica en la búsqueda de
soluciones óptimas, como apoyo en los procesos de decisión, en cuanto a lo que se refiere a la toma
de decisiones óptimas y en sistemas que se originan en la vida real.
Hacer una lectura rigurosa del capítulo 3. Enuncie los conceptos y principios tratados. ▪ Analizar
cuidadosamente cada paso de los ejemplos resueltos del capítulo
3.1. Definición de modelo de programación lineal
Un proceso productivo, en su forma más general, puede ser analizado como un conjunto
secuenciado de actividades que tienen como propósito combinar y transformar ciertos insumos,
para obtener uno o varios tipos de productos terminados.
Recordemos que la forma en que se establece la secuencia de las actividades, generalmente está
dada por las condiciones tecnológicas del proceso productivo.
3.2. Usos y aplicaciones de la programación lineal
Son muchas y muy variadas las posibles aplicaciones de la programación lineal. En esta sección se
mostrarán algunas de ellas, específicamente, los modelos que surgen como respuesta a situaciones
problemáticas como:
✓ Problemas de mezclas.
✓ Planeación de la producción.
✓ El problema de dieta.
✓ Problemas de asignación.
3.2.1. Modelo para mezcla de productos
Este tipo de modelos se identifican con situaciones como la siguiente: Se desea obtener cierto
producto que es elaborado a partir de una mezcla de n ingredientes; por ejemplo, el cemento se
obtiene a partir de la mezcla de silicato tricálcico, aluminato tircálcico, silicato dicálcico y yeso.
Un fabricante que actúe racionalmente tratará de mezclar sustancias que tengan un alto contenido
de los ingredientes requeridos; sin embargo, buscará que los costos de cada una de estas sustancias
sean lo más reducidos.
Mediante la programación lineal podemos construir un modelo representativo de la situación antes
descrita y que nos permita obtener una solución que cumpla con todas las condiciones que se
necesitan imponer y que a la vez sea óptima.
Ejemplo 1
Un ingeniero desea obtener un tipo particular de bronce. Las especificaciones técnicas de este
material requieren que tenga 30% de estaño y 70% de cobre. Para hacer el metal se requiere mezclar
cualesquiera de tres aleaciones. Cada una de ellas con distintas proporciones de estaño y cobre, y
también con distintos precios, como se muestra en la tabla siguiente:
Aleación 1 2 3
Porcentaje de estano 10 50 80
Porcentaje de cobre 90 50 20
Precio por kg $5 $10 $7
El propósito es obtener una mezcla a partir de estas tres aleaciones que cumpla con los
requerimientos técnicos en cuanto a porcentajes de estaño y cobre y que, además, se obtenga a
costo mínimo. Si denotamos por X1 la cantidad en kg de la aleación número 1; x 2 la cantidad en kg
de la aleación 2 y, finalmente, X3 como la cantidad en kg de la aleación número 3, entonces el costo
mínimo de producción de la mezcla está dada por la expresión:
Zmín= 5 X1 +10 X2 + 7X3
Por lo que a las restricciones se refiere, tenemos: La mezcla a partes iguales de las tres aleaciones
está dada por X1 + X2 + X3; entonces, la cantidad de estaño de la mezcla está dada por 0.10 X1 +
0.50 X2 + 0.80 ; a su vez, la cantidad de cobre contenida en esa mezcla es igual a 0.90 X1 + 0.50 X2 +
0.20 . Como la cantidad de estaño debe ser 30% del total de la mezcla, entonces esta restricción se
expresa matemáticamente como:
0.10 X1 + 0.50 X2 + 0.80/ X1 + X2 + X3
Por un razonamiento similar, la mezcla también debe cumplir la restricción en cuanto a la
proporción que debe contener de cobre:
0.90 X1 + 0.50 X2 + 0.20 / X1 + X2 + X3 =0.70
Tomando estas dos igualdades y simplificando términos, las restricciones adoptan la forma:
-0.20 X1 + 0.20 X2 + 0.50 X3 =0
0.20 X1 - 0.20 X2 - 0.50 X3 =0
Puesto que las variables: X1, X2, X3 representan proporciones a mezclar de cada una de las
aleaciones, entonces se espera que estas variables tomen valores positivos o iguales a cero. Alguna
de estas variables sería cero, para el caso en el que una de las aleaciones no se incluyera en la
mezcla. Por lo anterior, podemos decir que las variables cumplen con las restricciones de no
negatividad, esto es: X1, X2, X3 ≥0. Reuniendo las expresiones desarrolladas, el problema planteado
es:
Zmin =5X1 + 10 X2 + 7 X3
s.a : -0.20 X1 + 0.20 X2 - 0.50 X3 =0
0.20 X1 - 0.20 X2 - 0.50 X3=0
X1, X2, X3 ≥0
Obtener el modelo de programación lineal asociado a los siguientes problemas.
Ejemplo 2
La fábrica de chocolates La Azteca elabora dos tipos de productos; el chocolate dulce y el amargo.
Para producir una tonelada de chocolate amargo necesita 700 horas de mano de obra. Para hacer
la misma cantidad de chocolate dulce requieren sólo 500 horas.
Debido a recientes ajustes que se han hecho en la plantilla de personal, sólo se puede disponer de
60 000 horas de mano de obra al mes; además, se sabe que será necesario producir cuando menos
8 toneladas mensuales de chocolate, independientemente de la proporción en cuanto a los sabores
que se produzcan. Es importante tomar en consideración que la demanda de chocolate dulce es el
doble de la del chocolate amargo, por lo tanto, este criterio deberá ser tomado en cuenta cuando
se diseñe el esquema de producción.
Si cada tonelada de chocolate amargo deja una utilidad de $ 1 000 y cada tonelada de chocolate
dulce de $ 1 500, ¿cuántas toneladas de cada sabor de chocolate se deben producir, si se espera
que la utilidad sea máxima?
Denotemos con la letra x el número de toneladas que se desean producir del chocolate dulce, y con
la letra y el número de toneladas de chocolate sabor amargo. La función objetivo, misma que
describe la utilidad del fabricante y que deseamos sea máxima, está dada por:
Zmáx = 1000x+1500y
Por lo que a las restricciones se refiere, éstas se pueden expresar de la manera siguiente:
La producción mínima debe ser de 8 toneladas; por lo tanto, la suma de las dos cantidades a producir
debe ser mayor o igual que 8; donde:
x +y≥8
• La especificación de la demanda nos dice que la cantidad de chocolate dulce debe ser el
doble que la del chocolate amargo; por lo tanto: x – 2y = 0
• Finalmente, la restricción en cuanto al número de horas disponibles de mano de obra está
dada por: 700x + 500y ≤ 60000
Reuniendo la función objetivo y las restricciones, el problema planteado toma la forma: Zmáx =
1000x+1500y
X+y ≥ 8
x-2y=0
700x+500y≤60000
x≥0, y≥0
problemas
Construcción del Modelo
FRESADORA TORNO RECTIFICADORA GANANCIA
X1 9 5 3 50
X2 3 4 0 20
X3 5 0 2 25
500 350 150 50X1+20X2+25X3
Elección y Formulación de las Variables
Televisor 27" = X1
Televisor 20" = X2
Evaluación y Formulación de las Restricciones
9X1+3X2+5X3 = 500
5X1 + 4X2 +0X3 = 350 X1=0, X2=0, X3=0
3X1+0X2+2X3 = 150
Formulación de la Función Objetivo
Maximizar (Z) = 50X + 20X2 + 25X3
Desarrollo del Método Grafico, Algebraico y Simplex
Igualando valores de X1, X2, X3 y aumentando sus valores de holgura:
9X1+3X2+5X3 = 500
5X1 + 4X2 +0X3 = 350
3X1+0X2+2X3 = 150
Igualando la función objetivo:
Z-50X1-20X2-25X3 = 0
Primera Iteración:
Variable X1 X2 X3 Dirección R.H.S
Maximizar 50 20 25 500
C1 9 3 5 350
C2 5 4 0 150
C3 3 0 2
Banda Inf. 0 0 0
Banda Sup. M M M
Tipo Varia. Continuo Continuo Continuo
Segunda Iteración:
X1 X2 X3 Sl C1 Sl C2 Sl C3
Bases C(i) 50,0000 20,0000 25,0000 0 0 0 R.H.S Radio
Sl C1 0 9,00000 3,0000 5,0000 1,0000 0 0 500,0000 55,5555
Sl C2 0 5,0000 4,0000 0 0 1,0000 0 350,0000 70,0000
Sl C3 0 3,0000 0 2,0000 0 0 1,0000 150,0000 50,0000
C(i)Z(i) 50,0000 20,0000 25,0000 0 0 0 0
Tercera Iteración:
X1 X2 X3 Sl C1 Sl C2 Sl C3
Bases C(i) 50,0000 20,0000 25,0000 0 0 0 R.H.S Radio
Sl C1 0 0 3,0000 -1,0000 1,0000 0 -3,000 50,0000 16,6667
Sl C2 0 0 4,0000 -3,3333 0 1,0000 -1,666 100,0000 25,0000
X1 50,0000 1,0000 0 0,6667 0 0 0,3333 50,0000 M
C(i)Z(i) 0 20,0000 -8,3333 0 0 -16,66 2.500,0000
Cuarta Iteración
X1 X2 X3 Sl C1 Sl C2 Sl C3
Bases C(i) 50,0000 20,0000 25,0000 0 0 0 R.H.S Radio
X2 20,0000 1,2500 1,0000 0 0 0,2500 0 87,0000
Sl C3 0 0,9000 0,0000 0 -0,40 0,3000 1,0000 55,0000
X3 25,0000 1,0500 0,0000 1,0000 0,200 -0,150 0 47,0000
C(i)Z(i) 1,2500 0 0 -5,00 -1,250 0 2.937,50
Obtención de Resultados y Toma de decisiones orientados a la organización.
Reemplazando en:
Maximizar (Z) = 50X + 20X2 + 25X3
= 50 (0) + 20 (87, 50) + 25 (47, 50)
= 2937,50
La compañía debe producir o de producto 1, 87 y medio del 2 y 47 y medio del 3.
3.2-3. * Hoy es su día de suerte. Acaba de ganar un premio de $10,000. Dedicará $4,000 a
impuestos y diversiones, pero ha decidido invertir los otros $6,000. Al oír esta noticia, dos amigos
le han ofrecido una oportunidad de convertirse en socio en dos empresas distintas, cada una
planeada por uno de ellos. En ambos casos, la inversión incluye dedicar parte de su tiempo el
siguiente verano y dinero en efectivo. Para ser un socio pleno en el caso del primer amigo debe
invertir $5,000 y 400 horas, y su ganancia estimada (sin tomar en cuenta el valor de su tiempo)
sería de $4,500. Las cifras correspondientes para el segundo caso son $4,000 y 500 horas, con una
ganancia estimada igual a la anterior. Sin embargo, ambos amigos son flexibles y le permitirían
asociarse con cualquier fracción de participación que quiera. Si elige una participación parcial,
todas las cifras dadas para la sociedad plena (inversión de dinero y tiempo, y la ganancia) se
pueden multiplicar por esta fracción. Como de todas formas usted busca un trabajo de verano
interesante (máximo 600 horas), ha decidido participar en una o ambas empresas en alguna
combinación que maximice su ganancia total estimada. Usted debe resolver el problema de
encontrar la mejor combinación. a) Describa la analogía entre este problema y el de la Wyndor
Glass Co. que se presentó en la sección 3.1. Después construya y llene una tabla como la 3.1 para
manejar este problema, e identifique las actividades y los recursos. b) Formule un modelo de
programación lineal para este problema. D,I c) Use el método gráfico para resolver el modelo.
¿Cuál es su ganancia total estimada?
compañía 1 compañía 2
Inversión 5000 4000 6000
Horas 400 600 600
utilidad 4500 4500
5000𝑥1 +4000𝑥2 ≤ 6000 5000𝑥1 +4000𝑥2 + 𝑥3 =6000
Maximizar 400𝑥1 + 600𝑥2 ≤ 600 400𝑥1 +600𝑥2 + 𝑥4 =600
Z= 4500𝑥1 +4500𝑥2 𝑥1 ≥ 0 𝑥2 ≥ 0 Z- 4500𝑥1 +4500𝑥2 = 0
It Ec Vb Z X1 X2 X3 X4 LD
0 Z 1 -4500 -4500 0 0 0
Solución:
0 1 X3 0 5000 4000 1 0 6000
02 X4 0 400 500 0 1 600
It Ec Vb Z X1 X2 X3 X4 LD
0 Z 1 0 -900 0,9 0 5400
1 1 X1 0 1 0,8 0,0002 0 1,2
2 X4 0 0 180 -0,08 1 120
It Ec Vb Z X1 X2 X3 X4 LD
0 Z 1 0 0 0,5 5 6000
2 1 X1 0 1 0 0,000556 -0,00444 0,66666667
2 X2 0 0 1 -0,00044 0,005556 0,66666667
Z=6000𝑥1 = 0.66666667 𝑥2 = 0,66666667
Z= 4500*0,66666667+4500*0,66666667=6
a) Modelo de Programación Lineal
Identificando Variables:
X1= Numero de porciones necesarias de Res que debe consumir
X2= Numero de porciones necesarias de Res que debe consumir
Formulación
Minimizar Z= 4x1+2x2
Sujeto a: 5x1+15x250
20𝑥1 +5𝑥2 40z
151+2𝑥2 60
𝑥1 , 𝑥2 0
GeoGebra
c.
gramos de ingredientes por porción
ingredientes res papas requerimiento diario
carbohidratos 5 15 50
proteínas 20 5 40
grasa 15 2 60
costo/porción 4 2
Solución 1,27272727 2,90909091
Z 10,9090909
x1 1,27272727
x2 2,90909091
Z= 300𝑥1 + 200𝑥2 +400𝑥3
Sujeto a:
600𝑥1 + 800𝑥2 ≥+700 𝑥2 ≥ 400
400𝑥1 + 900𝑥2 ≥+600 𝑥3 ≥ 500
𝑥1 , 𝑥2 , 𝑥3 ≥ 0
B.
MINIMIZAR: MAXIMIZAR:
Z= 300x+200x+400x 600𝑥1 +800𝑥2 +700𝑥3 + 1𝑥4 + 1𝑥5 =400
Sujeto a: 400𝑥1 +900𝑥2 +600𝑥3 + 1𝑥4 + 1𝑥5 = 500
600𝑥1 +800𝑥2 +700𝑥3 ≥400 𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 ≥ 0
400𝑥1 +900𝑥2 +600𝑥3 ≥ 500
𝑥1 , 𝑥2 , 𝑥3 ≥ 0
Tabla 1 0 0 0 0 0 -1 -1
Base -Cb 𝑃0 𝑃1 𝑃2 𝑃3 𝑃4 𝑃5 𝑃6 𝑃7
𝑃6 -1 400 600 800 700 -1 0 1 0
𝑃7 -1 500 400 900 600 0 -1 0 1
Z -900 -1000 -1 700 1 1 0 0
Tabla 0 0 0 0 0 -1 -1
2
Base Cb 𝑃0 𝑃1 𝑃2 𝑃3 𝑃4 𝑃5 𝑃6 𝑃7
𝑃6 0 0.5 0.75 1 0.875 - 0 0.002125 0
0.00125
𝑃7 -1 50 -275 0 -187.5 1.125 -1 -1.125 1
Z -50 275 0 187.5 -1.125 1 2.125 0
Tab 0 0 0 0 0 - -1
la 3 1
Bas C 𝑃0 𝑃1 𝑃2 𝑃3 𝑃4 𝑃5 𝑃6 𝑃7
e b
𝑃6 0 0.55555555 0.444444444 1 0.66666666 0 0.0011111111 0 0.001111111
55556 44444 66667 111111 11111
𝑃7 0 44.4444444 - 0 - 1 - 0 1
44444 244.4444444 166.666666 0.8888888888
44444 66667 88889
Z 0 0 0 0 0 0 1 1
Tabla 0 0 0 0 0
3
Base Cb 𝑃0 𝑃1 𝑃2 𝑃3 𝑃4 𝑃5
𝑃6 - 0.5555555555556 0.44444444444444 1 0.6666666666667 0 0.0011111111111111
200
𝑃7 0 44.444444444444 -244.444444444444 0 -166.66666666667 1 -0.888888888888889
Z 0 0 0 0 0 0
La solución óptima es Z= 111.11111111111
𝑥1 = 0
𝑥2 = 0.55555555555556
𝑥3 =0
Variables de decisión.
Sea
M = Kg de maíz N = kg de nutrimento A = Alfalfa
Modelo matemático
Minimizar Z=84N+72N+60A
Sujeto a:
90M+20N+40A≥200
30M+80N+60A≥180
10C+20N+60A≥160
M,N,A≥0
Introducción del modelo en Excel.
Restricciones Maíz nutrimento Alfalta Estimación Signo LD
Carbohidratos 90 20 40 200 ≥ 200
Proteína 30 80 60 180 ≥ 180
Vitaminas 10 20 60 150 ≥ 150
Costo $84.00 $72.00 $60.00 $243.53
Solución 1,19 0.10 2.27
b)
(𝑥1 , 𝑥2 , 𝑥3 )=(1,2,3) si es una solución óptima, esta dieta provee los
siguientes:
Carbohidratos: 210, proteína: 310 y vitamina: 170.
Con un costo total de: $348.00
c) No encontré mejor solución que esta.
Interpretación
Ingredientes Valor
Carbohidratos 200
Proteína 180
Vitaminas 150
Variables de decisión.
Sea
I = Los productos K = Planta 1 o planta 2 M = regiones de venta
J = Los meses L = Los procesos, (1 o 2).
𝑥𝑖𝑗𝑘𝑙𝑚 = cantidad producida del producto i, en el mes j, por la planta k usando el proceso l , para
ser vendido en la región m.
𝑑𝑖𝑗𝑚 = Demanda del = Demanda del producto producto i en el mes j en la región m.
𝑒𝑖𝑘𝑙 =Costo = Costo de producción del producto de producción del producto i en la planta
k usando el proceso l .
𝑅𝑖𝑘𝑙 = Tasa = Tasa de producción del producto de producción del producto i en la planta k usando
el proceso l
𝑆𝑖𝑚 = Cantidad en inventario in marzo del producto i en la región m.
𝑃𝑖 = Cantidad vendida del producto i .
𝑇𝑖𝑘𝑚 = Costo de transporte del producto i , producido por la planta k , para enviarse a la región
m. 𝐴𝑗 = Días = Días disponibles para producción en el mes j disponibles para producción en el mes
j𝑀𝑖 = Costo de = Costo de almacenaje por unidad del producto almacenaje por unidad del producto
i.
Modelo matemático
Maximizar Z=ingresos-costoProduccion-costosinventarios-costosTransportacion
Maximizar Z= = = ∑𝑖 𝑃𝑖 (∑𝑗𝑘𝑙𝑚 x𝑖𝑗𝑘𝑙𝑚 )- ∑𝑖𝑘𝑙 C𝐼𝑘𝑙 (∑𝑗𝑚 x𝑖𝑗𝑘𝑙𝑚 )- ∑𝑖 M𝑖 (∑𝑚 S𝑖𝑚 )-
∑𝑖𝑘𝑚 T𝑖𝑘𝑚 (∑𝑗𝑙 X𝑖𝑗𝑘𝑙𝑚 )
∑𝒌𝒍 x𝑖𝑗𝑘𝑙𝑚 − S𝑖𝑚 ≤ D𝑖𝑗𝑚 : Donde: j = feb, i = 1,2 M = 1,2
∑𝒌𝒍 x𝑖𝑗𝑘𝑙𝑚 − S𝑖𝑚 ≤ D𝑖𝑗𝑚 : Donde: j = marzo, i = 1,2 M = 1,2
∑𝑖 S𝑖𝑚 ≤ L: Donde M = 1,2
1
∑𝒊 (∑𝑚 x𝑖𝑗𝑘𝑙𝑚 ) ≤ A𝑗 : Donde: j = feb, Marzo R = 1,2 M = 1,2
R𝑖𝑅𝑙
x𝑖𝑗𝑘𝑙𝑚 ≥; 𝐷𝑜𝑛𝑑𝑒: 𝑖 = 1,2; 𝑗 = 𝑓𝑒𝑏, 𝑚𝑎𝑟𝑧𝑜; 𝑘 = 1,2; 𝑙 = 1,2; 𝑚 = 1,2
