UNIVERSIDAD CONTINENTAL

ASIGNATURA: INVESTIGACION DE OPERACIONES

RNC: 26710

PRODUCTO ACADEMICO N° 2
Programación lineal Entera y Programación por metas.

DOCENTE:
JOSE ALBERTO CASTILLO MONTES

INTEGRANTES:

✓ Barzola Briceño Miriam

✓ De La Cruz Zelada Lesly Pamela
✓ Mamani Ccasa Evelyn Yarittza
✓ Romero Lozada Maryory Zarly
✓ Sotomayor Argandoña Lizet Katerine

Perú – 2023
 ENUNCIADOS
1. Una empresa, desea saber para el próximo mes, cuántas unidades debe producir y vender de
cada uno de sus dos productos principales (A y B). Los dos bienes se producen en dos fases de
proceso (I y II) con los siguientes coeficientes técnicos:
Producto Proceso I Proceso II
A 15 hrs/u 20 hrs/u
B 25 hrs/u 12 hrs/u
Cap. máx. próx. mes 75 hrs 60 hrs
El beneficio unitario estimado por ventas es de S/. 3,000 y 4,000 para el producto A y el B,
respectivamente. Encontrar la solución óptima del problema y se desea que el beneficio total
estimado sea el máximo deseado. Aplicar el programa lineal entero. Empleando el método de
ramificación y acotamiento
RESOLUCION:

x1: producción del producto A

x2: producción del producto B

Zmáx = 3000x1 + 4000x2

Sujeto a:

15x1 + 25x2 <= 75

20x1 + 12x2 <= 60

x1>= 0; x2 >= 0

Z0 = 13125
x1 = 1.875
x2 = 1.875
x1<=1 x1>=2
Z1=12600 Z1=12666.6667
x1=1 x1=2
x2=2.4 x2=1.666
x2<=2 x2>=3 x2<=1 x2>=2
Z=11000 Z=12000 Z=11200 Infactible
x1=1 x1=0 x1=2.4
x2=2 P x2=3 P x2=1 P
x1<=2 x1>=3
Z=10000 Z=9000
x1=2 x1=3
x2=1 P x2=0 P

x1 x2 fo
0 3 12000
3000 4000

15 25 <= 75 75
20 12 <= 36 60
 EN SOLVER EXCEL:
x1 x2 fo
3 0 9000
3000 4000

15 25 <= 45 75
20 12 <= 60 60
1 >= 3 2
1 <= 0 1
1 >= 3 3

RESPUESTA: No se producirá unidades del producto A, sin embargo, se producirá 3 unidades del
producto B.

2. Consideremos el siguiente modelo de P.L. Resolver por el método de PL Entera.

Max 2x1 + 3x2

Sujeto a:

5x1 + 7x2 ≤ 35
4x1 + 9x2 ≤ 36
x1, x2 ∈ Z+

RESOLUCION:

Zmax=14,47
x1=3,71
x2=2,35

x1 x2
5 1 13
2 3

5 7 <= 32 35
4 9 >= 29 36
1 >= 5 4
1 <= 1 2
1 >= 5 5
1 <= 1 1
1 <= 5 5
 Zmax=14,47
x1=3,71
x2=2,35

x1<=3 x1>=4
Zmax=14 Zmax=14,43
x1=3 x1=4
x2=2,667 x2=2,14

X2<=2 X2>=3 X2<=2 X2>=3

Zmax=12 Zmax=13,5 Zmax=14,4
x1=3 x1=2,25 x1=4,2 infactible
x2=2 x2=3 x2=2

X1<=2 X1>=3 X1<=4 X1>=5

Zmax=13,33 Zmax=14 Zmax=14,29
x1=2 infactible x1=4 x1=5
x2=3,111 x2=2 x2=1,43

x2<=3 x2>=4 x2<=1 x2>=2

Zmax=13 Zmax=12 Zmax=14,2
x1=2 x1=0 x1=5,6 infactible
x2=3 x2=4 x2=1

x1 x2
X1<=5 X1>=6
4 2 14
Zmax=13
2 3
x1=5 infactible
x2=1
5 7 <= 34 35
4 9 <= 34 36
3. Una empresa produce semanalmente dos tipos de productos A y B. Sabemos que para fabricar
el producto A se necesitan 4 horas y para el producto B, 3 horas. Además, sabemos que se
obtiene 100 euros y 150 euros respectivamente como beneficio del producto A y B. Para la
producción de estos productos se necesita de cierto material, el cual se debe comprar como
mínimo 50 litros por semana. En concreto, para producir A se necesitan 2 litros y para producir
B 1 litro del material anteriormente mencionado. Además, la empresa tiene problemas con los
tiempos disponibles para el uso de la maquinaria y por ello en una semana sólo se pueden
fabricar 75 productos. Aplicar la programación por metas, y la programación Minmax.
Meta 1: no utiliza más de 120 horas de trabajo en la producción de los productos A y B
Meta 2: La empresa quiere obtener un beneficio de al menos 7000ϵ
Meta 3: Fabricar al menos 40 productos tipo A.
Meta 4: Fabricar al menos 40 productos tipo B.

RESOLUCION:

1. Un objetivo: Max = 100x1 + 150x2

X1: Cantidad de producto A que se produce semanalmente

X2: Cantidad de producto B que se produce semanalmente

✓ Función objetivo de minimizar

X1+X2

✓ Restricciones Explicitas

2x1 + x2 >= 50 Litros de material por semana

x1 + x2 <= 75 Productos a fabricar por semana

✓ Restricciones Implícitas

x1 >= 0; x2 >=0

Metas Adicionales

Meta1: 4x1 + 3x2 <= 120 variable desviación d1+

Meta 2: 100x1 + 150 x2 >= 7000 variable desviación d2-
Meta 3: x1 >= 40 variable desviación d3-
Meta 4: x2 >=40 variable desviación d4-
2. Función Objetivo

Min Z= d1(+) + d2(-) + d3(-) + d4(-)

Restricciones:
Meta 1: 4x1 + 3x2 + d1(-) - d1 (+) = 120
Meta 2: 100x1 + 150x2 + d2(-) - d2(+) =7000
Meta 3: x1 + d3(-) - d3(+) = 40
Meta 4: x2 + d4(-) - d4(+) = 40

2x1 + x2 >= 50
x1+x2 <= 75
x1, x2, d1-, d1+, d2-, d2+, d3-, d3+, d4-, d4+ >= 0
 METAS x1 x2 d1- d1+ d2- d2+ d3- d3+ d4- d4+ DESVIACION META
1 4 3 1 -1 0 0 0 0 0 0 (=) 120
2 100 150 0 0 1 -1 0 0 0 0 (=) 7000
3 1 0 0 0 0 0 1 -1 0 0 (=) 40
4 0 1 0 0 0 0 0 0 1 -1 (=) 40
RESTRICCION
2 1 0 0 0 0 0 0 0 >= 50
1 1 0 0 0 0 0 0 0 0 <= 75

En MQ

4. Supongamos que una compañía produce dos tipos de productos: A y B. Para la fabricación, el
producto A requiere 5 piezas del tipo I y 3 piezas del tipo II; B requiere 4 piezas del tipo I y 2
piezas del tipo II. El beneficio de A es de 20€ y el de B de 30€. La compañía aspira a conseguir
un beneficio de 2000€ semanales. El tiempo de producción para el producto A es de 7 horas
por trabajador y para el B de 3 horas por trabajador. La compañía contrata a 7 personas en el
departamento de producción y quiere que el total de horas semanales de trabajo sea de 250.
Han firmado un contrato con un proveedor para recibir un total de 80 piezas del tipo I y 60 del
tipo II. Es posible pedir más partes, pero serían más caras. La capacidad de producción de la
máquina en total, teniendo en cuenta los dos productos, es de 80 productos por semana. La
compañía tiene un propósito de producir al menos 50 productos de cada clase semanalmente.
Aplicar los métodos de programación por metas Ponderados Interpretar resultados

PRIMERO: Identificaremos las variables de decisión, las metas y restricciones:

• El objetivo de 2000€ de beneficio será la primera restricción:

30x1 + 20x2 ≥ 2000

La compañía sobrevivirá a pesar de que el beneficio sea menor, por lo tanto, será una
meta deseable pero no indispensable. Como será preferible tener un mayor beneficio
a un menor, la variable de desviación a minimizar será n 1

30x1 + 20x2 + n1 – p1 = 2000

• La segunda restricción será estipulada por el total de horas de trabajo semanales:

7x1 + 3x2 ≤ 250

 Como los empleados pueden hacer horas extra o puede contratarse un mayor número
de empleados, será una meta deseada. En este caso, la variable que indica horas extra
(p2) será la variable a minimizar.

7x1 + 3x2 + n2 – p2 = 250

• Las siguientes dos restricciones son fijadas por la capacidad del proveedor;
Para las piezas del tipo I:

5x1 + 4x2 ≤ 8
Para piezas del tipo II:

3x1 + 2x2 ≤ 60
La compañía tendrá la opción de pedir más piezas, por lo tanto, será una meta deseable
o una restricción suave. Las piezas adicionales serán más caras, por lo tanto, las variables
de desviación positivas, p3 y p4 serán las variables a minimizar.

5x1 + 4x2 + n3 – p3 = 80
3x1 + 2x2 + n4 – p4 = 60
• Las dos siguientes restricciones, se refieren a los objetivos estratégicos de la compañía, que
es producir un mínimo de 50 productos A y B. Las restricciones serán las siguientes:
x1 ≥ 50
x2 ≥ 50
Es posible producir menos, por lo tanto, las restricciones serán convertidas en las
siguientes metas.
x1 + n5 – p5 = 50
x2 + n6 – p6 = 50

• La última restricción, será la que se refiere a la capacidad de la máquina:

x1 + x2 ≤ 80
Estos es una restricción dura, porque la máquina no tiene mayor capacidad que la
indicada. Por lo tanto, no puede ser transformada en una meta.

Una vez determinadas las variables de desviación no deseadas, el último paso es la

minimización de éstas.

SEGUNDO: Programación por metas ponderadas

En la programación por metas ponderadas, se pretende minimizar las variables de desviación
no deseadas, y para ello se minimiza la suma de todas las variables no deseadas.

min z = n1 + p2 + p3 + p4 + n5 + n6
sujeto a:
30x1 + 20x2 + n1 – p1 = 2000
7x1 + 3x2 + n2 – p2 = 250
5x1 + 4x2 + n3 – p3 = 80
3x1 + 2x2 + n4 – p4 = 60
x1 + n5 – p5 = 50
x2 + n6 – p6 = 50
x1 + x2 ≤ 80
x1, x2 ≤ 0 ni, pi ≥ 0, i = 1,…,6
Pero hay varios problemas, el primero, que son diferentes medidas y la suma de estas no tendría
sentido, lo que sería un problema de homogeneidad. Y otro problema es que, si se consideran
los valores absolutos de las diferentes variables, al considerarlos iguales puede que
favorezcamos a las metas con niveles de aspiración más altas.
Para solventar estos dos problemas, la solución sería utilizar porcentajes, normalizando la
ecuación, y así se evitará cualquier problema de homogeneidad y se eliminará cualquier sesgo
hacia el cumplimiento de metas con niveles de aspiración más elevados. No obstante, después
de haber normalizado, surge otro nuevo problema.
Se presupone que para el centro decisor tienen la misma relevancia cualquiera de las metas,
y esto no tiene necesariamente que ser de esta manera.
Es por ello que se introduce un nuevo coeficiente que se llamará W, para ponderar la
importancia, dándole una importancia relativa a cada objetivo, que será la que el centro
decisor quiera darle a cada meta.
Una programación por metas ponderada a posteriori, es decir, una vez realizado el modelo y
haber minimizado las variables, puede ser ajustado aplicando el análisis de sensibilidad a los
pesos preferenciales, los coeficientes llamados W.
Este análisis a posteriori, permite lograr la solución que mejor se adecúa a las preferencias de
cada centro decisor.

Continuando con el ejemplo, consideremos que alcanzar la segunda meta (la cual se refiere a
las 250h/semanales de trabajo) es 5 veces más importante que el resto de metas.

El nuevo modelo ponderado, sería el siguiente:

1 5 1 1 1 1
min 𝑧 = 𝑛1 + 𝑝2 + + 𝑝3 + 𝑝4 + 𝑛5 + 𝑛
2000 250 80 60 50 50 6

30x1 + 20x2 + n1 – p1 = 2000

7x1 + 3x2 + n2 – p2 = 250
5x1 + 4x2 + n3 – p3 = 80
3x1 + 2x2 + n4 – p4 = 60
x1 + n5 – p5 = 50
x2 + n6 – p6 = 50
x1 + x2 ≤ 80
x1, x2 ≤ 0
ni, pi ≥ 0, i = 1,…,6.
Las variables a minimizar serian: n1, p2, p3, p4, n5 y n6
EVIDENCIAS DE TRABAJO COLABORATIVO