.

Pafte 2
Optimizaci6n

380

Programa convexo. Modelo

uDa funci6n

objetivo c6ncava y un conjunto

con una funci6n objetivo coDvexa y un conjunto de restricciones convexo'

Mil

Programaci6n ho lineal (PNL). Un modelo de programaci6n matemetica

ciones de restricci6n o la funci6n objetrvo, o ambas' son no lineaies'
programas cuadr6ticos

(pC).

de IesEicciones convexo'

en el cual pol lo menos una de las

fun-

objeModelos no iineales que maximizan o rrunimizan el valor de una fuDci6n

de no negadvidad'
uvo cuadr6uca some[da a restricciones lineales y, posiblemente, a condiciooes

Punto estacionario. Punto en

e1

cuai se anulan todas las denvadas parcraies'

Varianza. Una medida estadistica del riesgo'

Verdadero-Falso

1. V
2. V

F La economia de escala es una relaci6n no lineai'

F Un problema de aplicaci6n donde interviene una re-

laci6n no lineal no puede reflejarss en un modeio como ei

de la PL.

3. V

Si existen ias condiciones para que se presente un m6-

ximo local. dste se Presenrar6.

de programaci6n cuadriitica siempre es un

tipo especial de modelo de programaci6n c6ncavo.
V F Una PNL es siempre un modelo de programaci6n c6ncavo o convexo.
V F El conjunto de restricciones que se define con las si-

V F Un modelo

guientes desigualdades es convexo.

4. V

9x
4x

+ 4y

5. V

6. V

segundo orden a dichos Puntos.

F Aun cuando los programas no lineales son m6s dificiles que los PL, es verdad que se puede aplicar en e11os ia t6cmca de brisqueda en los v6nices para enconrar una soiuci6n

F Si se presenta un minimo local, las condiciones necesarias para dicho minimo estaran presentes'
F Si un minimo locai es tambi6n un minimo global' representa ei rinico punto donde se cumplen ias condiciones
suficientes para un minimo local.
F Una linea recta no es ni una funciSn c6ncava ni una
convexa.

7, V
8.

F Enunmodelo dePNLoenunc dePL,volvermdses-

tricta una restricci6n no puede ser ritil, pero si pe4udicial'

V F En un modelo Max, un multiplicador de Lagrange se
interpreta igual que el precio sombra incluido por Solver en
general no
1a salida correspondiente a modelos PL. pero en
es constante en todo e1 intervalo del LD.

Opci6n mtltiple
(En las siguientes preguntas, f'(x) y f'(x) indican la primera y 1a
segunda derivada de una funci6n de una sola variable, ;, y xx es

un punto estacionario.)

15.

Supgngi-\ue/es una funci6n de una soia variable"La condi-

ciSn)"(x*) >

a,
b.
c.
d.

0
es una condici6n necesaria para un

minimo iocai
es una condici6n suficiente para un minimo loca1
es una condici6n suficiente para un miiximo local
nada de 1o anterior

=36
<20

12y

En la prdctica, para encontrar un maximo

1oca1 de una

funci6n con diversas variabies debemos enconuar pnmero todos ios puntos estacionarios. Despu6s se aplican pruebas de

6ptima.

Una de las dificultades de la PNL consiste en distin1as soluciones locales y las globaies.

guir entre

Suponga que/es una funci6n de una sola variable. La condici6n/'(xx) g 95

:
a, una condici6n necesaria para que xx sea un maximo local
b. una condici6n necesada para que.;r* sea un minimo local
c" una condici6n necesaria Para que x* sea un minimo giobal
d. todo lo anterior

En modelos no iineales se necesita el c6lculo diferencial

para evitar soluciones mfitiples (loca]es)
para expresar condiciones de opumalidad
tanto por la razon a como Por Ia
d:
por ninguna de las razones a o b

a.
b.
c.
d.

iz/-

Programa c6ncavo. Modelo Max con

/ t'i-?'

Un punto x* con Ia propiedad de que f ' (x*) : 0 y f" (x*) >

(donde/es una funci6n de una sola variabie) satisface las
condiciones suficientes para que.r* sea
a. un mdximo local
b. un minimo local

b.

c.

es una propiedad matem6tica importante que st emplea

i
para garantizar que las soluciones locales tambi6n sean
globales
es 6til tanto en la optimizaci6n restringida como en 1a no
restringida

c. nianib

d.

;Cudl de lai siguientes afirmaciones es verdadera acerca de

una funci6n c6ncava?
L. Se puede tratar de encontrar un mdximo global utilizando un optimizador ascendene, como Soiver.
b. Cualquier mdximo local es al mismo tiempo un miiximo
giobal.
c. Tanto ia afirmaci6n a como ia b anteriores

iCuril de las siguientes afirmaciones no es verdadera, en ge-

todo lo antenor

neral, acerca

cie

un multipiicador.de Lagrange?

a. Tiene una interpretaci6n econ6mica simiiar a ia del pre- . cio sombra.

b. Es la usa de cambio del VO cuando aumenta el LD de
c.

;Cudl de las siguientes afirmaciones es verdadera?

a. Para una PNL de tipo general, ias condiciones de opti-

una restricci6n.
Es v6lido (es decir, constante) para una gama de valores
del LD.

iCu6l de las siguientes afirmaciones no es verdadera?

a.

malidad se usan directamente en la resolucion de problemas de PNL. Es decir, existen optrmizadores para resolver directamente estas condiciones, como Solver, lo cual
produce una soluci6n de PNL.
b. Para un modelo de PNL general, Ias condiciones de optimalidad se usan indirectamente en Ia resoluci6n de problemas de PNL. Es decir, existen optimizadores, como
Solver, para atacar directamente Ia PNL, utiiizando un
enfoque ascendente, por ejempio. Las condiciones de
opfimalidad proporcionan un criterio de terminaci6n para esos algoritmos.
c- Las condiciones de optimalidad tienen soiamente inter6s
te6rico.
Para modelos de progremasiSn c6ncavos
a. las condicrones de segundo orden son mris ritiles
b. un 6ptimo local es tambi6n un 6ptimo globai
c. tanto el conjunto restringido como la funci6n objetivo

b.
c.

Aun cuando las soluciones giobales no pueden ser garantizadas, ia optimizaci6n sigue siendo una herramjenta
ritil para Ia toma de decisiones.
En PL, nunca tenemos que preocupamos por soiuciones
locales (es decir, toda soluci6n local es tambi6n giobal).
Como s61o podemos garantizar que las soluciones locales son tambi6n globales cuando existen las propiedades
adecuadas de convexrdad (o concavidad), 6stos son los
rinicos upos de probiemas de PNL que proporcionan in-

formaci6n ritil.

iCudl de estas afirmaciones acerca de las soluciones

en pun-

tos ubicados en v6rtices es verdadera en PNL?

a. No importa qu6 funci6n objeuvo tengamos, ia soluci6n
6ptima siempre estard en un punto ubicado en un v6rtice.
b. 56lo deberemos preocuparnos por los puntos ubicados
en v6rtices si la funci6n objetivo es lineal.
c. En general, el 6ptimo puede no encontrarse ubicado en

algfn vdnice.

deben ser c6ncavos

Convexidad

a.
'

es una descripci6n apiicable tanto a conjuntos de puntos

como a funciones

Respuestas

1.V
2.F
3.F
4.V
5.F
6. t,
7.V

8. V

14. V

20.

9. F

15.

21.

10. F

16.

22.

17. b

23.

18.

24.

19.

25,

ll.

12. F
13. F

condiciones de no negatividad sobre los valores de las variables de decisi6n, es un modeio de programaci6n cuadriitica.

Verdadero-Falso

1. V

F Un modelo de programaci6n cuadr6tica puede tener

funciones de restricci6n cuadrdticas.
F Tratar de maximizar o minimizar cuaiquier funci6n
objetivo no lineai sujeta a un conjunto de restricciones de
igualdades y desiguaidades iineales, y tambi6n de posibles

2. V

3.

F Cualquier modelo de PL puede resolverse con un oprimizador de PC.

F No es posible identificar
gi6n factible de un

PC.

1os

puntos extremos de

1a re-

6:
381

5. V F La solucr6n 6ptima para un modelo de pC no necesiu

. ' ser una soiuci6n en v6rtice.
6. V F La soluci6n 6ptima para un modeio de pC debe incluir

V F El cambio del coefrciente

6ptima.

' por io menos tantas variables positivas como restrtcciones

V F La varianza

del rendimrento de.una cartera de inversiones es una funci5n lineal de1 monto inverrido en cada acci6n de dicha canera.

haya en el modelo.

?. V F Si se suaviza una restncci6n

en un pC, el VO mejorard

V F Si en Ia cartera

o no cambiarii.

8. V F En un modelo Max, Ia tasa de mejoramrento del VO es

V F E1 modeio de caftera inciuye un limite inferior para el

rendimiento esperado. En general, esta restricci6n-no tiene
que ser obligatona.

siempre el muitiplicador de Lagrange con signo negatrvo.

VO(R) en el punto(ft, VO(R))

Opci6n

14.

a la grrifica de la funci6n
es Ia rasa de cambio de la fun-

R.

miltiple

a.
b.
c.

a.
b.
c
d.

4
.a.
b. xlj
16.

tri
9x,

20.

Un modelo de PL es un caso especial de un pC porque

1a regi6n factible de la PL es un caso especial de la regi6n factibie de un PC
ias funciones de restncci6n en PL son un caso especiai
db las funciones de restricci6n en pC

a.
b.
c.
d.

a.

b.

c.

d.
'

17.

I-a soiuci6n 6ptima para un modeio de PC

debe esur en un v6nice dei conjunto factibie
no puede estar en un v6rtice de1 conjunto factible
siempre es una expresi6n no degenerada
nada de 1o anterior
En la soiuci6n 5pdma para un modeio de pC, 1as vanables de
holgura
no tienen significado
trenen el nrismo signiicado que en un modelo de pL
tienen un significado diferente que en un modelo de pL
no tienen restricciones de signo
Soiver se puede utilizar para resolver
modelos de programaci6n no lineal en general
modeios de PC
modeios de PL
todo 1o anterior

a.
b.
c
d.

La definici6n de un modelo de pC no inciuye

funciones de restricci6n cuadriiticas
restricciones como igualdades lineales
t6rminos no lineaies en la funci6n objetivo
.
15. En un modeio de PC con n variables, (xi, . . ., x),1a funci6n
objetivo puede no inciuir t6rminos de la forma

".
d.

estiin inciuidas tres acciones, la regi6n

factibie estard sobre un piano.

V F La pendiente de la tangente
ci6n VO(R) en R

de un t6rmino en la funci6n

objetiva de un PC siempre produce cambios en la soluci6n

Si se suaviza una restricci6n en un modelo de cartera para

cualesquiera condiciones de no negatividad son especificas de un modelo de pL

minimizar la vaianza,

a.

la funciSn objetivo en PL es un caso especiai de la funci6n objeuvo en PC

La soiuci6n 6ptima de un modelo de pC con n restricciones

b.

puede no tener
valores negativos para algunas variables de decisi6n
mas de n variables de dectsi6n positrvas
menos de n variables de decisi6n positivas
valores de cero para aigunas variables de decisi6n

c.

a.
b.
c.
d.

d.

debe aumentar el multiplicador lagrangiano sobre esa

resEicci6n
debe disminuir el multiplicadoi lagrangiano sobre esa

restricci6n
puede cambiar el sigao del multiplicador iagraagiano
sobre esa restricct6n
no puede incrementar ia funci6n objetivo

Respuestas

i.F
,E

J.V

4.F
5.V
6.F

7.V
8.F

9.v
10.
11.

12.

77.

13.

1E.

u)

14.

19.

15.

20.

16.

21.

382

Verdadero-Falso

1. V F El segmento

V F En el modelo CEP, el costo

del costo de opom:nidad, como parte dei

costo de mantenimiento del inventano, se determina por factores tales como articulos estropeados, me[nas y seguros.

2. V F En modelos de inventario, Ia demanda

3. V F En el modelo CEP, el costo de pedido

siempre

es

anuai de mantenimiento de
existencias y pedidos es aceptablemenre insensible a los errores en la estimaci6n de ios parilmetros de costo.

V F En el modeio del tamaflo del lote de producci6n

ma-

incluyen costos de ajuste iniciai, porque

ducci6n es uniforme.

anual es directa-

e1

ritmo de

1a

no se
pro-

mente proporcional a la cantidad del pedido.

Opci6n m0ltiple

6.

Las siguientes son algunas razones por las cuales se mantiene

un inventario:
para protegerse contra la incertidumbre de la demanda
para abatir los costos de producci6n
como una forma de almacenar mano de obra
por todo .lo anterior

En el modelo CEP, el nimero 6ptimo de pedidos por afro

Enre las consideraciones importantes para decidir cudndo y

Considere un modelo CEP con un descuento por cantidad, en

ei cual se aphca un precio unitano mris bajo a todas las umdades si 1a compra incluye B o miis unidades. Si
mrnimiza el

a.
b.
c.
d.

aumenta drrectamente con

aumenta proporcionalmente alaraiz cuadrada de
dismrnuye en proporci6n directa con
no carnbia con
la rasa anual de demanda.

a.
b.
c.
d.

7.

cudnto conviene ordenar, figuran todos los factores excepto

el trempo de anticipaci6n
la proporci6n de1 costo de mantenimiento de existencias
correspondiente ai costo de oportunidad
la posibilidad de obtener descuentos por.cantidad
el grado en que se conozca Ia demanda fuiura
En ei modelo CEP
cada embarque llega en una partida
la demalda es conocida y se presenta a un ritmo constante
es preciso sadsfacer toda la demanda
todo 1o anterior
En el modelo CEP, si el precio dei articulo aumenta y todos
los dem6s parifunetros pennaDecen iguaies, ia cantidad de pedido 6ptrma generalmente

a.
b.

0i

c
d.

8.

9.

z.
b.

a.
b.
c.
d,

a.
b.
c

0i

costo CAMEP suponiendo e1 precio mris bajo, y

za dicho costo suponiendo el precio regular, y Qb
canudad de pedido 6ptima es siempre

miaimr-

> B, la

Qo
ya sea 0i o B, dependiendo de cu6i de esos vaiores produzca el costo total anuai mds bajo

". Q;
d.B
En el modelo dei tamafio dei lote de producci6n, al incrementar el ritrno de producci6n

a.
b.
c.

aumenta

no sdproduce influencia alguna en

disminuye
el nfmero 6ptrmo de pedidos que conviene hacer cada affo.

aumentarii

disminuirii
permanecerd iguai

Respuestas

1.F
2.V
3.F

4. V

7. b

10.

5. F

8.

ll.

6.

9.

12.

8-1. (a)

8-3.

l4x 32.
Use Solver para maximizar la funci6n f(x)
-8x2
Use Solver para maximizar esta funci6n en el intervalo 1 < .r < 10.
iPuede usted determrnar si esta funci6n es c6ncava o convexa?
x2 + 4x + 6.
Use Soiver para maxim:zar la funci6n f(x)
Use Solver para maxrmizar esta funci5n en ei intervaio 3
= x = 12.
iPuede usted determinar si esta funci6n es c6ncava o convexa?
Lenard Crumb, gerente de Crumb Bakrng Services, estS estudiando la oferta de un distribuidor
que vende una mezcla instantdnea para elaborar croissants El costo total de x libras de la mezcla

(b)
(c)
8-2. (a)
(b)
(c)

se calcula

: -

mediante

..

costo totar :

x3

50x2

iQu6 cantidad de esta mezcla minimizarri el costo total

750x
por libra?

383

384

parte 2

Use Solver para mrnimizar

Optimizacion

(x,

y) = x2 + ?4,

2y2

gx

12y

6.

Ude la tabla de datos y el asisrente para grdficas y

uace la grr{fica de/(x, y).
Hoot Spa importa aceite de coco de su pais de origen,
Jamaica. Usa este aceite para producir
dos tipos de crema bronceadora:.s"u, y ch*.
Ei p"re"io por kiiogramo ar cuai podrii vender es_
tos productos depende de ia cantidad que fabrique
de cada uro. in purti"urrr,'si Hoot produce
x, kilos de Sear y x2 kilos de char, podrri vender toda producci6n
su
a 1os siguientes precios (en
d6lares):

5.

precio por kilogramo de Sear

720

xy

precio por kilogramo de Char

150

2xz

y tambi6n

El costo de fabricaci6n de x, kilos

cie Sear y

t2 kiios de Char

costo de fabricaci6n de las dos cremas

8-6'

8'7

'

= I .24 +

es

76.gx2

L.3xrx,

Suponieudo que pueda vender toda la mercancfa

que produzca, Hoot desea saber cuentos
kilogramos de cada crema debe. programar para producci6n
a fin de maximir- .rr. grn*"i*.
Queremos construir un ciiindro mu"iro .o., voiumen 2rr. Si dese,iramos
el i{rea del cilindro (incluyendo ambas tapas),
acu6les tendrian qr" ,". r, ,"dio y^r,

J**r*

lumen =

rr/h,

fuea

= znri +

Zii

"rilr",

sucERENcrA: vo-

Andlisis de regresi'n lineal. Enel modelo de regresi6n

lineal, Ios puntos corespondientes a los
datos hist6ricos (xu y), i 7,-.., n son conocidos.
=
El modelo-lilear'., unu
estimativa (llamada tambi6n rinea de regresi6n) y ax + D,
""u""ion
donde a y b se"ug", o"
=
que se minimice la
suma de los cuadrados de las desviaciones

)=

S(

;"J"

[y;-(ax1+b)]2

0)Use este enfOquc y dete_nehecuad6ndeesimad6npttabsdttentesdaos

8
6

6
14

12
-18

(b) Use el rdsmo enfOque y detemine la ecuaci6n de estlmaci6n para los siguientes datOs:

10
25

174
10

201
5

8.(a)Resueiva el siguiente prOblema:

12.6
20

14.9
15

Mh +3 : l 2+16

0U d

hfome

s.a l+

2=5

md para

1:1
r

mentara de 5 a 8,y cOnlpare esa estlr

cambio.
8 9

(a) Resuelva el sttviente prOblema:

MaX-3
+42

0H

-3 :+4 2

339

Sa. 1+62=24

1: 1: ]11
: T
:

8 10.

ca nbio.

Indusmas ure tlene una prOductlvidad de

t=2 3 2+2 3

Ll

I

:

Im:

mcadOte

le

-8-12'

DemuesEe que la soluci6n 6ptima para

e1

problema 8-10 satisface la siguiente expresi6n

Productividad marginal de la mano de obra

Productividad marginal del capinl

hecio unitario

optimizaci6n no lihea:
de 1a mano de obra

1a resricci6n sobre e1 presupuesto y sustinrya las resticciones sobu y

sobre y, de modo que cada una de ellas sea menor o igual que sus respectivos valores 6ptimos encontrados en el problema 8-10.

sUcERENcIA: Suprima

-8-13. Resuelvaelejemplo2suponiendoquesi:1.l2pani=1,2,3,pt:2,pr=2.8,.p2=4,yel
B = 250.;Curil es el multiplicador de Lagrange para ia rest-icci6n
iForma un conjunto convexo la siguiente serie de restncciones? 6Por qu6?

presupuesto

-'8-14.

de1

presupuesto?

<20
x+y
>10
-Zx+y
<100
x?-2x-l
-*o-2*2 +60 =36

-8-15.

Un problemt de combinaci1n Dos productos qufmicos, X y I, se fabrican mediante 1a combinaci6n de Ees ingredientes quimicos, A, B y C. Estos insumos est6n contamrnados con azufre, y los
productos deben satisfacer restricciones sobre el contenido de ese elemento. Los tres ingredientes
se embarcan ya mezclados en dos camiones cistema. A se embarca en el cami6n 1, C en el cami6n 2 y B en ei cami6n 1 y en el cami6n 2. No es posible vender m6s que 100 unidades de X y
200 unidades de Y. Con 1os datos de la siguiente tabla, formuie una programaci6n no lineal para
maximizar las ganancias y optimicelo utilizando Soiver.
PRODUCTO QUIMICO

8-16,

8-17.

COSTO UNITAR10(5)

CONTENIDO DE AZUFRE(0/0)

Suponga que en el modelo de Gulf Coast Oil en la secci6n 8.5, el octanaje del suministro i varie
de un mes a otro. lntroduzca una nueva variable, OCTSI, el nfmero de octanos del suministro 1,
y sustituya todas las referencias aI octanaje del suministro 1, en el modeio, por esta variabie.
Agregue a1 modelo Solver Ia restricci6n de que OCIS1 sea igual a 93, y optimice despu6s 1a
PNL. Usando el infonne de sensibilidad, estime q:ue pasaria con 1a ganancia 6ptima si el octanaje
aumentara a 94, a 96 y a 98; a continuaci6n, modifique reaknente el nrimero de octanos a 94, despu6s a 96 y frnalrnente a 98, y vueiva a opti:rrizar en cada ocasi6n, comparando los resultados
reales con su estimaci6n. Observe que en realidad estamos reaiizando un anilisis de sensibilidad
sobre e1 coeficiente de una restricci6n.
Sustitutos econdmicos. En e1 modelo de Astro y Cosmo de 1a secci6n 8.5, suponga que 1as unidades Astro y Cosmo son sustinltos econ6mrcos. Esto significa que un incremento eD el precio de
uno de ellos provoca un incremento en 1a demanda del otro. En t6rminos mils especiflcos, suPongamos que las nuevas ecuaciones de demanda son

A=1000-4.7PA+PC
C =1000+2 -6.2PC
Vuelva a fomular el rnodelo y optlngcelo con Solvet hterprete el inforlne de sensibi

- 8-18.

dad.

,no de las acciones inc)uidas en la cartera de inversiones tiene un rendimiento

"Si por lo
^rno,
esp;mdo mayor que o igual al rendimiento requerido para toda Ia cartera, entonces esta formulaci6n nunca dejard de ser factible." ;Bajo qu6 condiciones es verdadero este enunciado?

38n

Parte 2
Optimizacion

" 8-19.
8-20.

.
8'21.
8-22.
8-23.

8'24.
-8-25.

Considere el modelo de cartera resuelto en la secci6n 8.1 L. La soluci6n actual para este modelo es
0.53, GM = 0.3564, USS : 0.1135). aRepresentan estas cifras un punto extremo de la
regi6nfactible? ;Por qud si o por qu6 no?
Considere el modelo de cartera resuelto en la secci6n 8. 1 1 . Suponga que esui estudiando la posibilidad de agregar acciones de ia corporaci6n MILOCTIRA a su modelo de selecci6n de cartera.
Estas acciones tienen un renciimiento esperado negativo.6En qu6 condiciones e1 modelo podria
seleccionar acclones de MILOCURApaTa incluulas en la cartera?
Considere ei modelo de canera de iaversiones resueito en Ia secci6n 8.11. ;Cu:ii es ia disminuci6n
permisible en la reskicci6n que Limita a'|5Vo lainversi5n en acciones de GM para dicha canera?
Como-dn el caso del aniil-isis de PL puro, hay un Informe de sensibilidad asociado con ia PC.
lPor
qu6 este Informe de sensibilidad de PC no inciuye incrementos y decrementos permrsibies en el
LD de ias restricciones?
Considere el modelo de cartera tesuelto en la secci6n 8. 1 1 . Suponga que su objetivo es maximizar
el rendimiento, bajo ia resmcci6n de que ia variabilidad de ia canera no puecie ser mayor que V
Vueiva a escribir ei modeio simb6lico con esta modificaci5n.
Remitase al probiema 8-23. Sea y: 0.0205. Si no existen 6ptrmos alternativos en ei modelo original, icu6l es el rendimiento esperado m:iximo en la nueva formuiaci6n de su modelo? Explique
su respuesta.
Las acciones x. y, z tienen rendimientos esperados de'lVo,6Vo y 107o respectivafirente, y la siguiente maaiz de yarianza-covarianza:

AT&T:

(b)

8-26,

8'27

La demanda de libros de i-oter6s general en la Libreria Universitaria se presenta a un ritrno constante de 18,000 vohimenes al afro. E1 gerente satisface esta demanda srn acrrmulaci6n de atrasos.
EI calcula la cantidad de pedido 6ptima basandose er un costo de $30 por cada pedido y un costo
anual de mantenimiento de extstencias de $3 por 1ibro. Suponga un total de 250 dias a1 afro.
iCu6_
1es ser6n los valores de Q*, N* y CAMEP(O*)?
Una ferreteria local vende 364,000 libras de clavos al afro. En ia actualidad ordena 14,000 libras
de ciavos cada 2 semanas, ai precio cie $0.50 por libra. Suponga que

1.
23.
4.

8'28.

Determiae la fracci5n de la cartera que se destinarii a cada una de esas acciones pfia midmrzar lavututza de las inversiones y bajo un rendimiento esperado minimo de la cartera de8Vo.
iEs posible que la vananza de ia cartera sea mds pequeia que Ia varianza de cualquier acci6n individual? Expiique su respuesta.
Utilice ia urformacion dei muitiplicador de Lagrange para estimar qu6 pasaria con Ia vananza dela cwtera 6ptima si el rendiruento esperado mirumo se eievara a 9zo. compare su esumaci6n con las cifras reales, resolviendo el modelo.

La demanda se presenta a ntmo constante.

El costo de coiocar un pedido es de $50, independientemente de ia magnituci de1 mismo.
EI costo anual de mantenimiento del inventario es l?Vo del valor del mvel promedio de inventario.

Estos factores no cambian a trav6s dei tiempo.

iCuiil es el nivel promedio del invenrario?
iCuril es ei costo anual de1 mantenimiento de existencias?
;Cur{l es ei cosro anual de ios pedidos?
icudl es el costo anuar del mantenimrento de existencias y de los pedidos?
;Cu61 es el costo total anual?
ll-e resultaria miis barato a1 propietario hacer pedidos por ioles mayores que 14,000
(con menor frecuencra) o en lotes miis pequefros (mds a menudo)?
La heiaderia de la universidad vende 180 cuartos de gai6n de helado de varnilla cada mes. En
la
actualidad' abastece su inventano al pnncipio de cada mes. Ei precio de su helado al mavorto
es
de $3 por cuarto de ga16n. Suponga que

(a)
(b)
(c)
(d)
(e)
(f)