UNIVERSIDAD ALAS PERUANAS

ESCUELA DE CIENCIAS ADMINISTRATIVAS, ECONÓMICAS, CONTABLES Y

FINANCIERAS

AUTOR : Mag. José Luís Tejeda Praelli

ASIGNATURA : Investigación Operativa.

CAPITULO : II

TITULO : Programación Lineal

CARRERA PROFESIONAL : Administración.

Este material ha sido preparado, teniendo como fuente bibliográfica

importante:

1. CHAVEZ MANUEL, Separata de Métodos Cuantitativos para los

Negocios de la Universidad Peruana de Ciencias Aplicadas.

2. EPPEN/GOULD, Quinta Edición, “Investigación de Operaciones en

la Ciencia Administrativa” Prentice Hall; Editado el 2000, México.

3. HAMDY/TAHA, Séptima Edición, “Investigación de Operaciones”,

Prentice Hall; Editado el 2004, México.

1
 CAPITULO II
Programación Lineal
1) Formulación de modelos.

a) Modelo formal.

En toda organización, siempre hay objetivos que quieren ser maximizados (p.e.
las utilidades, la rentabilidad de la inversión, la difusión de los avisos, la
satisfacción de los clientes, la productividad de los trabajadores, etc.) o
minimizados (p.e. costos de producción, mermas en la materia prima, plazos de
entrega de proyectos, etc.).

Estos objetivos deben ser logrados mediante decisiones (p.e. cuantos productos
fabricar, cuantos trabajadores contratar, cuantas acciones comprar, en que
proyectos invertir, cuantos avisos publicar, etc.).

Sin embargo, estas decisiones deben cumplir con determinadas condiciones, ya

sea porque los recursos con que cuenta la organización son limitados (p.e.
materia prima, maquinas disponibles, área de almacenamiento, presupuesto, etc.)
o porque hay determinadas políticas o compromisos que cumplir (p.e. lotes
mínimos de producción, compromisos con los proveedores, normas técnicas,
acuerdos con el sindicato, etc.).

Las situaciones mencionadas generalmente conducen a la formulación de un

problema de programación lineal, el cual es un modelo matemático que expresa
cuantitativamente el objetivo que se quiere alcanzar (función objetivo) mediante
determinadas decisiones que están bajo el control de quien toma la decisión
(variables de decisión) y que deben cumplir las condiciones determinadas por la
situación analizada (restricciones).

Tomemos la siguiente situación como ejemplo para mostrar como se formula un

problema de programación lineal.

Ejemplo 2.1

Enigma S.A. es una pequeña empresa fabricante de carteras de cuero. Una

importante cadena de tiendas por departamentos esta interesada en adquirir en
los próximos tres meses todas las carteras que pueda producir Enigma S.A. en
sus dos tipos, (cartera estándar y cartera de lujo). Un análisis cuidadoso de los
requerimientos de fabricación dio como resultado la siguiente tabla en la que se
muestra la necesidad de tiempos de producción (en horas) para las tres
operaciones de manufactura que requiere cada producto.

Tiempo de producción (horas)

Producto
Corte Costura Acabado
Cartera estándar 0.5 1.0 0.5
Cartera de lujo 1.5 0.5 0.5

El departamento de Contabilidad ha determinado que la utilidad por cartera

estándar es de S/. 20 y por cartera de lujo S/. 15.

2
El departamento de Producción estima que para los siguientes tres meses estarán
disponibles 750 horas de tiempo para Corte, 600 horas de tiempo para Costura y
350 horas de tiempo para Acabado.

También se sabe que el lote mínimo de producción es de 300 unidades, en

cualquier combinación de las cantidades de productos.

La pregunta es: ¿Cuántas carteras de cada tipo debe fabricar la empresa los
próximos tres meses, de tal manera que se obtenga la máxima utilidad dentro de
los limites de capacidad de producción mencionados?

Primero se definen las variables de decisión en este caso:

X1: número de carteras estándar a fabricar los próximos tres meses.

X2: número de carteras de lujo a fabricar los próximos tres meses.

De acuerdo a la situación planteada, la utilidad total por la producción y venta de

las carteras es:

Utilidad total 20 X1 + 15X2

La solución óptima es la combinación de producción que maximice la utilidad, el

problema es determinar los valores de las variables X1 y X2 que dan el valor mas
elevado de utilidad.

Max 20X1 + 15 X2

La producción de las carteras esta limitada por la cantidad de horas disponibles.

De la tabla sabemos que cada cartera estándar necesita de 0.5 horas de corte por
lo que X1 carteras estándar necesitarán 0.5 X1 horas de corte. Así también, una
cartera de lujo necesita 1.5 horas de corte por lo que X2 carteras de lujo
necesitarán 1.5 X2 horas de corte. El total de horas utilizadas para producir X1
carteras estándar y X2 carteras de lujo es:

Total de horas utilizadas en la operación de corte = 0.5 X1 + 1.5 X2

En vista que para corte solo se dispone de 750 horas, se debe cumplir que:

0.5 X1 + 1.5 X2 ≤ 750 Horas disponibles para corte

Esta desigualdad se conoce como restricción. En general una restricción es una

limitación de un recurso a utilizar (≤) o un requerimiento mínimo a satisfacer (≥),
que puede ser expresada matemáticamente como una desigualdad o igualdad, y
que debe ser cumplida por las variables del modelo.

De manera similar a la operación de corte, las limitaciones de horas para las otras
operaciones son las siguientes restricciones:

X1 + 0.5 X2 ≤ 600 Horas disponibles para costura

0.5 X1 + 0.5 X2 ≤ 350 Horas disponibles para acabado

También hay un lote mínimo a producir, es decir la cantidad de unidades a

producir (X1 + X2) debe ser por lo menos 300 unidades, entonces la restricción es:

3
 X1 + X2 ≥ 300 Lote mínimo de producción

Además debemos considerar que no pueden producirse un número e carteras

negativo, por lo tanto debe cumplirse:

X1 ≥ 0 y X2 ≥ 0 Condiciones de no negatividad

Estas restricciones aseguran que la solución no tendrá valores negativos y se les

conoce como condiciones o restricciones de no negatividad.

En resumen, el modelo formal de programación lineal para el problema

planteado es el siguiente:

Max 20X1 + 15 X2

Sujeto a:

0.5 X1 + 1.5 X2 ≤ 750 Horas disponibles para corte.

X1 + 0.5 X2 ≤ 600 Horas disponibles para costura.
0.5 X1 + 0.5 X2 ≤ 350 Horas disponibles para acabado.
X1 + X2 ≥ 300 Lote mínimo de producción.
X1 ≥ 0 y X2 ≥ 0 Condiciones de no negatividad.

Sobre el modelo formal de programación lineal hay que hacer algunas

observaciones:

• La función objetivo puede ser minimizar.

• Las restricciones también pueden ser estrictamente de igualdad (=), mayor que
(>) o menor que (<).

• La función objetivo y todos los lados izquierdos de las restricciones son

funciones lineales de las variables de decisión (las variables tienen exponente
1) y no hay multiplicación ni división entre variables.

• Las variables de decisión en las restricciones siempre se colocan en el lado

izquierdo de la restricción.

• En determinados problemas es posible que unas variables sean positivas, otras

negativas e inclusive pueden no tener limitaciones de signo. Entonces, según
sea el caso puede que algunas variables no necesiten cumplir con la condición
de no negatividad.

b) Guía para formulación de modelos.

Como se ha visto, la formulación de modelos de programación lineal es el proceso

mediante el cual un enunciado verbal se traduce en un enunciado matemático.

El modelado de problemas de programación lineal solo se puede dominar con la

práctica y la experiencia. A continuación se dan unas guías para la formulación de
modelos:

• Comprenda el problema en su totalidad.

4
• Identifique el enunciado verbal de la función objetivo y de cada una de las
restricciones.

• Defina las variables de decisión.

• Describa la función objetivo en función de las variables de decisión.

• Escriba las restricciones en función de las variables de decisión.

Ejemplo 2.2

Enigma Diet S.A. es una empresa que produce alimentos dietéticos. En la línea de
alimentos deshidratados produce dos tipos de alimentos: Fit y Sbelt. Cada tipo de
alimento deshidratado se produce mezclando trigo, fruta deshidratada y avena. El
precio de venta de 1 kilogramo de Fit es S/. 14 y el precio de venta de 1 kilogramo
de Sbelt es S/. 10. En la siguiente tabla se presentan los precios de compra de los
insumos (en nuevos soles) programados para el siguiente mes:

En la programación de la producción del próximo mes, Enigma debe tener en

cuenta las siguientes condiciones:

• El producto Fit debe tener un contenido de por lo menos de 30% de trigo y a lo

mas de 50% de fruta deshidratada.

• El producto Sbelt debe tener por lo menos 45% de trigo y a lo más 40% de
frutas deshidratadas.

• La transformación de un kilogramo de insumos en producto Fit cuesta S/. 1.2 y

en el caso del producto Sbelt la transformación cuesta S/. 1.

• Existe un compromiso en realizar una entrega de 6,000 kilogramos del

producto Fit.

• Dada la gran demanda de productos dietéticos, todos los productos elaborados

por Enigma se venden.

• En el proceso de transformación de los insumos en producto se produce una

merma en el peso de 5%, es decir, por cada kilogramo de insumos se obtiene
0.95 kilogramos de producto.

Determine el modelo de programación lineal que maximice las utilidades

obtenidas por la producción y venta de los productos Fit y Sbelt.

Solución:

VARIABLES DE DECISIÓN

X1A : kilogramos de trigo en el producto Fit.

X2A : kilogramos de fruta deshidratada en el producto Fit.
X3A : kilogramos de avena en el producto Fit.
X1B : kilogramos de trigo en el producto Sbelt.
X2B : kilogramos de fruta deshidratada en el producto Sbelt.
X3B : kilogramos de avena en el producto Sbelt.

5
 FUNCIÓN OBJETIVO

Max 14 * 0.95 (X1A + X2A + X3A) + ingreso por venta de producto Fit.
10 * 0.95 (X1B + X2B + X3B) - ingreso por venta de producto Sbelt.
6 (X1A + X1B) - costo del trigo.
4 (X2A + X2B) - costo de fruta deshidratada.
3 (X3A + X3B) - costo de avena.
1.2 (X1A + X2A + X3A) - costo de mezcla de insumos de Fit.
1 (X1B + X2B + X3B) - costo de mezcla de insumos de Sbelt.

RESTRICCIONES

Sujeto a:

X1A ≥ 0.30 (X1A + X2A + X3A) contenido de trigo en Fit.

X2A ≥ 0.50 (X1A + X2A + X3A)
X1B ≥ 0.45 (X1A + X2A + X3A)
X2B ≥ 0.30 (X1A + X2A + X3A)
X1A + X1B ≤ 10,000
X2A + X2B ≤ 5,000
0.95 (X1A + X2A + X3A) ≥ 6,000
X1 ≥ 0 y X2 ≥ 0
contenido de fruta deshidratada en Fit.
contenido de trigo en Sbelt.
contenido de fruta deshidratada en
Sbelt.
disponibilidad de trigo.
disponibilidad de fruta deshidratada.
contenido de avena en Fit.
condiciones de no negatividad

Finalmente, el modelo quedaría:

0.70 X1A - 0.30 X2A – 0.30 X3A ≥ 0
0.50 X2A - 0.50 X1A – 0.50 X3A ≤ 0
0.55 X1B - 0.45 X2B – 0.45 X3B ≥ 0
0.60 X2B - 0.40 X1B – 0.40 X3B ≤ 0
X1A + X1B ≤ 10,000
X2A + X2B ≤ 5,000
0.95 X1A + 0.95 X2A + 0.95 X3A ≥ 6,000
X1 ≥ 0 y X2 ≥ 0

2) Solución por método grafico.

a) Solución grafica.

Una vez establecido el modelo de programación lineal, el siguiente paso es

resolver el modelo, es decir, encontrar los valores de las variables de decisión que
optimizan la función objetivo.

Si el modelo de programación lineal es de dos variables, entonces puede ser

resuelto gráficamente. Si bien es cierto que los problemas se pueden resolver
mediante el uso de programas aplicativos en computadora, tema que
desarrollaremos posteriormente, la solución grafica tiene la bondad de permitirnos
comprender conceptos que posteriormente vamos a utilizar en la solución de
modelos con mas de dos variables y que por no poderse representar gráficamente
dichos conceptos serian muy difíciles de aplicar en la interpretación de los
resultados.

Tomemos el modelo de programación lineal encontrado para la producción de

carteras de Enigma S.A., el cual se muestra a continuación.

6
 Max 20X1 + 15 X2 Utilidad en soles

Sujeto a:

0.5 X1 + 1.5 X2 ≤ 750 (1) Horas disponibles para corte

X1 + 0.5 X2 ≤ 600 (2) Horas disponibles para costura
0.5 X1 + 0.5 X2 ≤ 350 (3) Horas disponibles para acabado
X1 + X2 ≥ 300 (4) Lote mínimo de producción
X1 ≥ 0 y X2 ≥ 0 Condiciones de no negatividad

A continuación desarrollaremos el método gráfico para encontrar los valores de X1

y X2 que maximizan la función objetivo.

Región factible:

Para facilitar su identificación en el desarrollo del método grafico se ha numerado

cada una de las restricciones.

En el método grafico se utiliza el plano cartesiano y se asigna cada variable a uno

de los ejes cartesianos. La asignación es arbitraria, en nuestro caso, X1 se asigna
al eje horizontal y X2 al eje vertical.
Dado que las variables X1 y X2 en el modelo deben cumplir las condiciones de no
negatividad, su representación grafica se hará en el primer cuadrante, tal como se
muestra en el siguiente grafico.

a continuación se representan las restricciones. Como se puede observar, las

restricciones gráficamente corresponden a regiones del plano limitadas por rectas.
Para la representación grafica de la restricción (1) primero se representa la
ecuación de la recta:

0.5 X1 + 1.5 X2 = 750

7
Luego se establece la región que corresponde a la desigualdad:

0.5 X1 + 1.5 X2 ≤ 750

La región definida por la restricción (1) interceptada con la región definida por las
condiciones de no negatividad determina la región indicada en el siguiente grafico.

8
El procedimiento seguido para representar la restricción (1) es el mismo para cada
una de las otras restricciones. Por ejemplo, si representamos en el plano la
restricción (2):

X1 + 0.5 X2 ≤ 600

La región definida por la restricción (2) se intercepta con las establecidas por las
restricciones anteriores. La representación grafica de los puntos que cumplen las
restricciones hasta ahora analizadas es como se indica a continuación:

Para el caso de la restricción (3)

0.5 X1 + 0.5 X2 ≤ 350

9
La región de puntos que cumplen las restricciones hasta ahora analizadas es la
siguiente:

Finalmente, la restricción (4)

X1 + X2 ≥ 300

Entonces la intersección de todas las regiones determinadas por las restricciones

será:

10
La región de puntos que cumplen simultáneamente todas las restricciones se
conoce como región factible y es la que se muestra en el grafico siguiente. Cada
uno de los vértices de región factible se conoce como punto extremo (A, B, C, D,
E y F). Cada uno de los puntos que forman parte de la región factible se conoce
como solución factible. La solución factible que optimiza (en este caso
maximiza) la función objetivo se le conoce como solución optima.

Solución optima y valor optimo:

El siguiente paso es encontrar los valores de X1 y X2 que den el máximo valor

posible a la función objetivo:

Utilidad total 20 X1 + 15X2

11
Dado un valor de utilidad en particular, todos los pares de valores X1 y X2 que
dan dicho valor de utilidad describen una recta, razón por la cual se le denomina
recta isoutilidad. Inicialmente tracemos en el plano algunas rectas que expresen
valores arbitrarios de utilidades, por ejemplo:

20 X1 + 15X2 = 3,000

20 X1 + 15X2 = 6,000

20 X1 + 15X2 = 9,000

El grafico a continuación muestra la región factible y las rectas de isoutilidad

mencionadas.

Como se puede apreciar en el caso de la primera recta (20 X1 + 15X2 = 3,000),

ninguno de sus puntos intercepta la región factible y por lo tanto ninguna
combinación de X1 y X2 que den utilidad 3,000 cumple con todas las restricciones.

La segunda recta (20 X1 + 15X2 = 6,000) si tiene puntos dentro de la región

factible y por lo tanto si hay valores de X1 y X2 que dan una utilidad de 6,000 y que
cumplen las restricciones.

Al trazar la tercera recta (20 X1 + 15X2 = 9,000) sucede algo similar a la anterior.

Observando el grafico podemos notar también que a medida que aumentamos el

valor de la función objetivo, las rectas de isoutilidad se “desplazan” paralelamente
siguiendo la dirección indicada por la flecha. Como nuestro objetivo es maximizar
la utilidad, entonces debemos encontrar una recta de isoutilidad lo mas
“desplazada” en la dirección indicada pero sin salir de la región factible.

12
En el ejemplo, el máximo valor de utilidad se logra cuando la recta de isoutilidad
pasa por el vértice D, y por lo tanto el punto D es la solución óptima.

Los valores de X1 y X2 del punto D se obtienen del mismo grafico, o dado que el
punto pertenece a las restricciones (2) y (3), se obtienen también resolviendo el
siguiente sistema de ecuaciones:

X1 + 0.5 X2 = 600 (restricción 2)

0.5 X1 + 0.5 X2 = 350 (restricción 3)

Los valores obtenidos son: X1 = 500 y X2 = 200. Reemplazando estos valores en

la función objetivo se obtiene el valor optimo igual a S/. 13,000.

Podemos concluir que si para los próximos 3 meses se produjera 500 carteras
estándar y 200 carteras de lujo se obtendría la máxima utilidad posible la cual
seria S/. 13,000.

Del método grafico podemos concluir:

• Las rectas de isoutilidad son paralelas. Por lo tanto, lo importante de trazar una
recta con valor de utilidad arbitraria y la “desplazamos” paralelamente en la
dirección conveniente hasta determinar el punto optimo.

• La dirección a la cual se desplazara la recta de la función objetivo (hacia donde

aumenta o disminuye el valor de la función objetivo) se hará dependiendo si el
objetivo del problema es de maximizar o minimizar.

13
• Debido a que la recta de isoutilidad se desplaza hasta un extremo de la región
factible, la solución óptima siempre es un punto extremo o vértice de la región
factible.

• La solución optima es el punto de intercepción de dos rectas, los valores

correspondientes a X1 y X2 se determinan gráficamente o resolviendo un
sistema de ecuaciones formado por las ecuaciones de las rectas de las
restricciones.

Holguras y excedentes:

Si reemplazamos los valores de la solución óptima (X1 = 500; X2 = 200) en la

primera restricción (0.5 X1 + 1.5 X2 ≤ 750) que corresponde a las horas
disponibles para Corte tenemos:

0.5 * 500 + 1.5 * 200 = 550 ≤ 750

550 ≤ 750

Esto no solo significa que cumple la restricción, también significa que de las 750
horas disponibles para corte, si se ejecutara el plan de producción optimo solo se
utilizarían 550 horas. Es decir, quedarían 200 horas “libres”. La diferencia entre el
recurso disponible (750) y lo que se utilizaría (550) al ejecutar la solución
propuesta se denomina holgura. En este caso la holgura es 200 horas.

Si reemplazamos los valores de las variables de la solución óptima en la segunda

restricción (X1 + 0.5 X2 ≤ 600) que corresponden a las horas disponibles para
Costura tenemos:

500 + 0.5 * 200 = 600 ≤ 600

600 ≤ 600

Esto significa que de las 600 horas disponibles para Costura, si se ejecutará el
plan óptimo de producción se utilizaría las 600 horas, es decir estamos utilizando
todo el recurso disponible. En este caso decimos que la holgura es cero horas.

Si reemplazamos los valores de las variables de la solución óptima en la tercera

restricción (0.5 X1 + 0.5 X2 ≤ 350) que corresponden a las horas disponibles para
Acabado tenemos:

0.5 * 500 + 0.5 * 200 = 350 ≤ 350

350 ≤ 350

Esto significa que de las 350 horas disponibles para Acabado, si se ejecutara el
plan óptimo de producción se utilizarían todas las horas disponibles. En este caso,
como en la anterior restricción, la holgura es cero.

Si reemplazamos los valores de las variables en la solución óptima en la cuarta

restricción (X1 + X2 ≥ 300) que corresponde al lote mínimo de producción,
tenemos:

500 + 200 = 700 ≥ 300

14
 700 ≥ 300

Esto significa que con el plan optimo de producción, se producirán 400 unidades
más de la cantidad mínima requerida. La diferencia entre lo que realmente se esta
obteniendo al ejecutar la solución propuesta (700) y el requisito mínimo a cumplir
(300) se denomina excedente. En este caso se dice que se cumple el
requerimiento mínimo de producción con un excedente de 400 unidades.

Las holguras se presentan en las restricciones del tipo (≤) y los excedentes se
presentan en las restricciones del tipo (≥).

Las restricciones con holgura o excedente cero se denominan restricciones

activas y son las que determinan la solución óptima. Estas restricciones son las
más importantes en el modelo de programación lineal.

Cuando las restricciones tienen holguras o excedentes mayores a cero se

denominan restricciones no activas. Estas restricciones están en un segundo
nivel de importancia.

También existen algunas restricciones no activas que se denominan

restricciones redundantes, es decir, restricciones que no definen la región
factible y que perfectamente pudieron no ser consideradas. De todos los tipos de
restricciones son las menos importantes.

Ejemplo 2.3

Dado el siguiente problema de programación lineal:

Min 2 X1 + 2 X2

Sujeto a:

X1 + 3 X2 ≤ 12
3 X1 + X2 ≥ 12
X1 ≥ 0 y X2 ≥ 0

Apoyado en el método grafico determine:

a) La región factible.
b) Los puntos extremos de la región factible.
c) La solución optima y el valor optimo.
d) La región factible y la solución optima si se agrega la restricción: X1 - X2 = 3.

Solución:

a) La región factible es:

15
b) Los puntos extremos son:

A: X1 = 3 y X2 = 3
B: X1 = 12 y X2 = 0
C: X1 = 4 y X2 = 0

c) La solución óptima es el vértice C.

d) Dado que la nueva restricción es una igualdad, solo los puntos del segmento
DE que pertenece a la recta X1 - X2 = 3 forman la región factible.

16
 Los puntos extremos son:

D: X1 = 3.75 y X2 = 0.75
E: X1 = 5.25 y X2 = 2.25

La región factible y la solución optima si se agrega la restricción

b) Casos especiales.

i) Soluciones óptimas alternativas:

Las soluciones óptimas alternativas se presentan cuando mas de una solución

da el valor óptimo de la función objetivo. Gráficamente se puede ver cuando la
línea de la función objetivo con una de las líneas de restricción de recursos.

Tomando como referencia el modelo de enigma S.A. pero esta vez

cambiaremos la función objetivo a: X1 + 3 X2. Obtengamos gráficamente la
solución óptima.

Como no han cambiado las restricciones, la región factible tampoco cambia. Al

trazar la recta de máxima utilidad, el vértice D (500, 200) sigue siendo solución
optima, pero también el punto C (300, 400). De hecho, cualquier punto sobre
el segmento CD es solución óptima. Por lo tanto, si existe más de una solución
óptima se dice que el problema tiene soluciones óptimas alternativas.

17
 Si reemplazamos el punto C y el punto D en la función objetivo tendremos:

Utilidad en el punto D: 15 * 500 + 15 * 200 = 10,500

Utilidad en el punto C: 15 * 300 + 15 * 400 = 10,500

ii) Región no factible:

Una región no factible se presenta cuando no existe solución al problema que

satisfaga simultáneamente todas las restricciones.

Tomando como referencia el modelo de Enigma S.A. obtenga gráficamente la

región factible si además agregamos las siguientes restricciones: “se sabe que
la produccion mínima de las carteras estándar debe ser 600 unidades y de las
carteras de lujo 200 unidades”.

A la región factible original se le intercepta con la región determinada por las

dos nuevas restricciones:

X1 ≥ 600 (5) Lote mínimo de carteras estándar

X2 ≥ 200 (6) Lote mínimo de carteras de lujo

Como se puede apreciar, la intercepción de las regiones es vacía, es decir,

ningún punto cumple simultáneamente con todas las restricciones. Se dice

18
 entonces que el problema tiene una región no factible y consecuentemente no
tiene soluciones factibles ni solución optima.

iii) Región factible no acotada:

Una región factible no acotada se presenta cuando no esta limitada en uno de

sus lados.

Para mostrar el concepto resolvamos el siguiente modelo de programación

lineal:

Max 20 X1 - 15 X2

Sujeto a:

X1 ≤ 100 (1)
X2 ≥ 200 (2)
X1 ≥ 0 y X2 ≥ 0

Al trazar las restricciones observamos que la región factible se prolonga

indefinidamente hacia la derecha y se dice que es una región factible no
acotada. Al tratar de hallar la solución óptima, las rectas de isoutilidad se
pueden desplazar en la dirección creciente indefinidamente, por lo que el
problema carece de solución optima.

Sin embargo, si la función objetivo hubiese sido de minimización, la solución

optima si existiría y seria el vértice B.

En conclusión, puede existir una región factible no acotada y dependiendo de

la función objetivo puede o no carecer de solución optima.

Ejemplo 2.4

En el siguiente problema de programacion lineal, determine la solución óptima.

Max X1 + X2

Sujeto a:

4 X1 + 3 X2 ≥ 12
2 X2 ≥ 4
X1 ≥ 0 y X2 ≥ 0

19
 Solución:

La región es no acotada y dado que la función objetivo es maximizar X1 + X2,

entonces no existe solución optima.

c) Conceptos básicos en Análisis de Sensibilidad

El Análisis de Sensibilidad se utiliza para examinar los efectos de cambios en tres

áreas diferenciadas del problema:

1) Los coeficientes de la función objetivo (coeficientes objetivo). Los cambios en

los coeficientes objetivos NO afectan la forma de la región factible, por lo que
no afectarán a la solución óptima (aunque sí al valor de la función objetivo).

2) Los coeficientes tecnológicos (aquellos coeficientes que afectan a las

variables de las restricciones, situados a la izquierda de la desigualdad). Los
cambios en estos coeficientes provocarán cambios sustanciales en la forma
de la región factible. Gráficamente (en el caso de 2 variables) lo que varía es
la pendiente de las rectas que representan las restricciones.

3) Los recursos disponibles (los términos independientes de cada restricción,

situados a la derecha de la desigualdad). Intuitivamente (para 2 variables), los
cambios en el RHS suponen desplazamientos paralelos de las rectas

20
 asociadas a las restricciones, lo cual hará variar la forma de la región factible
y, con ello, a la solución óptima.

Se observa rápidamente que el Análisis de Sensibilidad está íntimamente

relacionado con lo que en el mundo de las hojas de cálculo (Excel, Lotus 123,
etc.) se conoce como Análisis de Escenarios o “what-if analysis”: ¿Qué ocurriría si
el beneficio producido por la línea de artículos B aumentase en un 10%?, ¿Qué
sucedería si los trabajadores hiciesen una hora extra retribuida un 50% más que
una normal?, etc. Así, vemos cómo el Análisis de Sensibilidad no sólo tiene que
ver con el estudio de la robustez de la solución frente a posibles errores en el
cálculo de los coeficientes y recursos disponibles, sino que también puede ser de
gran ayuda a la hora de valorar futuras estrategias de desarrollo y mejora de una
empresa.

Hay dos maneras de estudiar la “sensibilidad” de una solución respecto a cambios

en alguna de las áreas antes mencionadas. La primera de ellas sería volver a
resolver todo el problema cada vez que alguno de los datos originales se haya
modificado. Obviamente, utilizando este método, podría llevar bastante tiempo
determinar todas las variantes cuando nos encontremos ante un conjunto amplio
de posibles cambios. La otra forma (Análisis de Sensibilidad) consistiría en, una
vez resuelto un problema, analizar cómo afectaría a la solución obtenida y al valor
de la función objetivo la variación dentro de un rango “tolerable”, de uno de los
parámetros, manteniendo fijos los restantes. Por supuesto, en caso de que
queramos estudiar los efectos de la variación de más de un parámetro (o de un
parámetro más allá del “rango de tolerancia”) deberemos reprogramar el
problema.

d) Análisis de sensibilidad en el método grafico.

Al encontrar la solución optima de un problema, las utilidades (o costos) y los

lados derechos se consideran fijos y exactos. Sin embargo estas cantidades
pueden ser solo aproximadas o estar sujetas a variaciones (p.e.: si se esta
negociando el precio de un producto con un cliente). Por lo tanto los valores que
se utilizan en el modelo podrían ser solo referenciales. Lo mismo podría decirse
de los lados derechos de las restricciones. Entonces es necesario preguntarse
que pasa con la solución optima o con el valor optimo si algunos valores del
modelo están sujetos a ciertas variaciones. Justamente el análisis de sensibilidad
consiste en determinar las implicaciones que tendría variar determinados
parámetros dentro del modelo formulado de programacion lineal.

Concretamente, el análisis de sensibilidad se centra en dos puntos:

• La variación de los coeficientes de las variables en la función objetivo.

21
 • La variación de los lados derechos de las restricciones.

Inicialmente se presenta el análisis de sensibilidad para dos variables apoyados

en el método grafico, lo que nos permitirá comprender más fácilmente los criterios
utilizados en dicho análisis. Posteriormente extenderemos el análisis de
sensibilidad a problemas con más de dos variables mediante el uso del
computador.

i) Cambios en los coeficientes de las variables en la función objetivo.

Gráficamente los coeficientes de las variables en la función objetivo

determinan la pendiente de las rectas de isoutilidad. Por tanto, si un
coeficiente varia, la pendiente de las rectas de isoutilidad varía.

La variación de la pendiente de la función objetivo puede ser tal que no

necesariamente cambie la solución óptima. Tomemos como referencia la
solución grafica de la producción de carteras de Enigma S.A.

La pendiente de la función objetivo (mfo 0 -4/3) cambia si uno de los

coeficientes de las variables cambia. Mientras este valor este entre la
pendiente de la restricción 2 (m2 = -2) y la pendiente de la restricción 3 (m3 = -
1), la solución óptima no cambiara, geométricamente seguirá siendo el punto
D. es decir, la solución óptima del problema no cambiara mientras el valor de
la pendiente de la función objetivo se encuentre en el rango:

-2 ≤ mfo ≥ -1

Si la pendiente de la función objetivo coincide exactamente con -2 o con -1

habrá soluciones óptimas alternativas. Esto es porque en esos casos la
pendiente de la función objetivo coincide con la de un recurso.

Si la pendiente de la función objetivo excede el rango, la solución optima

cambia, geométricamente ya no es el punto D. si la recta cambio a mas
vertical la nueva solución optima es el punto E. si la recta cambio a mas
horizontal, la nueva solución optima es el punto C.

Calculemos ahora cuanto puede variar el coeficiente de una variable en la

función objetivo sin que varíe la solución óptima. Volvamos al problema

22
 Enigma S.A. y su producción de carteras. La pregunta seria ¿Cuál es el rango
de variación de la utilidad unitaria de la cartera estándar sin que cambie el
plan de producción?

La utilidad unitaria actual de la cartera estándar es 20. Reemplacemos dicho

valor por uno genérico C1. Entonces la función objetivo es:

Max c1 x1 + 15 x2

La pendiente de la recta es:

c1
m fo = −
15
Para que la solución óptima no cambie se debe cumplir:
-2 ≤ mfo ≥ -1

c1
-2 ≤ − ≥ -1
15

15 c1 ≥ 30

La solución matemática es que mientras el coeficiente de x1 en la función

objetivo tenga un valor entre 15 y 30, la solución optima siempre será x1 = 500
y x2 = 200. La interpretación de la solución matemática es: mientras que la
utilidad de la cartera estándar tenga un valor entre 15 y 30 soles, el plan de
producción que maximiza la utilidad será producir 500 carteras estancar y 200
carteras de lujo.

Los rangos entre los que pueden variar los coeficientes de las variables en la
función objetivo sin que varíe la solución óptima se conocen como rangos de
optimalidad.

ii) Cambios en los lados derechos de las restricciones.

Para mostrar el efecto en el cambio del lado derecho de una restricción

volvamos al modelo de programación lineal de Enigma S.A. Tomemos
inicialmente una restricción activa, por ejemplo la restricción 2, que es:

Restricción 2: x1 + 0.5 x2 ≤ 600 horas disponibles para Costura

Cambiemos el lado derecho de la restricción de 600 horas disponibles a 500

horas disponibles, entonces la restricción 2 quedaría:

Restricción 2: x1 + 0.5 x2 ≤ 500 horas disponibles para Costura

Geométricamente el cambio del lado derecho de un recurso produciría un

desplazamiento paralelo de la recta de restricción produciéndose un cambio
en la región factible. Además, como la restricción es activa, el punto de
solución óptima también cambia, lo cual se aprecia claramente en el siguiente
grafico.

23
Como las horas disponibles para Costura son un recurso limitante (se utiliza la
totalidad de dicho recurso y por lo tanto la restricción es activa) un cambio en
la cantidad del recurso disponible no solo cambiara la región factible y la
solución optima sino que como en este caso el cambio disminuye un recurso
limitante, la región factible disminuye en tamaño (mas difícil de cumplir y por lo
tanto menos puntos que cumplen) y la solución optima empeora (la solución
optima se debe lograr con menos recursos). Lógicamente si el cambio
aumentara la disponibilidad del recurso limitante, la región factible aumentaría
en tamaño y la solución óptima mejoraría.

La nueva solución optima es x1 = 300 y x2 = 400; el valor optimo es S/. 12,000.

como ya analizamos, la disminución de un recurso limitante disminuye la
utilidad.

Ahora centremos nuestro análisis en el cambio del lado derecho de una

restricción no activa, por ejemplo la restricción 4 que es:

Restricción 4: x1 + x2 ≥ 300 Lote mínimo de producción

Cambiemos el lado derecho de la restricción de un lote mínimo de 300

unidades a 200 unidades, entonces la restricción 4 quedaría:

Restricción 4: x1 + x2 ≥ 200 Lote mínimo de producción

El cambio del lado derecho de la restricción se puede apreciar en el siguiente

grafico:

24
 Como el lote mínimo de producción no cambia no es una condición a cumplir
limitante (se excede lo mínimo requerido) un cambio en dicha condición
mínima cambiaria solo la región factible pero no la solución optima. Como en
este caso el cambio en la condición mínima disminuye, la región factible
aumenta en tamaño (mas fácil de cumplir y por lo tanto mas puntos cumplen)
pero la solución optima no cambia (la solución optima cumple largamente lo
mínimo requerido). Lógicamente si el cambio aumentara la condición minima
requerida, la región factible disminuiría de tamaño pero la solución optima no
cambiaria necesariamente.

e) Precio Dual.

Representa en realidad el valor por unidad de un recurso, esto es, expresa la

contribución de un aumento o disminución unitarios en la disponibilidad de un
recurso sobre la función objetivo. También se le conoce como precio sombra y
multiplicadores simplex al precio dual.

El Precio Dual de una restricción es la mejora del valor óptimo si se agrega una
unidad adicional al lado derecho de dicha restricción

Dado que el Precio Dual de una restricción es la mejora del valor optimo, esta
mejora va a depender si el modelo es de maximizar o minimizar la función

25
 objetivo. Si el objetivo es maximizar, entonces la mejora significara un aumento
del valor óptimo. Si el objetivo es minimizar, entonces la mejora significara una
disminución del valor óptimo.

Para ilustrar el cálculo y la interpretación del precio dual, retomemos el ejemplo de

la producción de carteras estándar y de lujo y calculemos el precio dual de la
restricción 3.

Aumentamos una unidad el lado derecho de dicha restricción y calculemos la

nueva solución óptima:

x1 + 0.5 x2 = 600 (restricción 2)

0.5 x1 + 0.5 x2 = 351 (restricción 3)

Resolviendo el sistema de ecuaciones obtenemos la nueva solución optima: x1 =

498 y x2 = 204. Reemplazando estos valores en la función utilidad, el nuevo
óptimo es 13,020. Si compara estos resultados con la solución óptima original (x1
= 500, x2 = 200) y el valor optimo original (13,000) notara un cambio de valores.

El aumento en 1 del lado derecho de la restricción 3 ha producido una mejora de

20 en el valor óptimo, es decir, el precio dual de la restricción 3 es 20. La
interpretación del precio dual de la restricción 3 es que si aumentamos una hora la
capacidad del departamento de Acabado, este aumento generara un incremento
de S/. 20 en la utilidad.

f) Costo Reducido.

El costo reducido de una variable en el modelo de Programación Lineal

es la cantidad en que se debe cambiar el coeficiente de esa variable en la
función objetivo para que en la solución óptima dicha variable tenga un
valor positivo.

Se puede definir al costo reducido con base en un aspecto económico del

modelo de programación lineal. Se considera que una variable de
programa lineal es una actividad económica que se consume (le entran)
recursos para fines de producir (sale) una utilidad. Desde este punto de
vista se tiene la siguiente definición:

(Costo reducido por unidad de actividad j) = (costo de

recursos consumidos por unidad de actividad j) –
(utilidad por unidad de actividad j)

Si es positivo el costo reducido de la actividad por unidad, su costo unitario

de recursos consumidos es mayor que su utilidad unitaria, y se debe
desechar la actividad. Eso quiere decir que el valor de su variable asociada
en la solución óptima debe ser cero. También, una actividad que es
económicamente atractiva tendrá un costo reducido igual a cero en la
solución óptima, y eso quiere decir que hay equilibrio entre la salida
(utilidad unitaria) y la entrada (costo unitario de recursos consumidos).

26
 También se interpreta como el valor que disminuye la función objetivo
cuando esta variable cuyo valor es cero, es forzada a entrar en una unidad.

Como en el ejemplo de las carteras, la solución optima tiene valores de las

variables positivas, entonces no es necesario realizar ningún cambio en los
coeficientes de las variables en la función objetivo y por lo tanto el costo
reducido de ambas variables es cero.

g) Conclusiones sobre el análisis de sensibilidad.

i) Al cambiar los coeficientes de la F.O., esta puede cambiar su pendiente. El

cambio de la pendiente puede afectar a la solución óptima y al valor optimo.

ii) El cambio en el valor del lado derecho de una restricción equivale

gráficamente a un desplazamiento paralelo de la restricción. Esto puede
afectar tanto a la solución óptima como al valor optimo. El efecto dependerá
de que restricción se haya cambiado y en que medida.

iii) Estrechar una restricción de desigualdad significa hacerla mas difícil de

satisfacer. Para una restricción ≥ esto significa aumentar el lado derecho. Para
una restricción ≤ significa disminuirlo.

iv) Relajar una restricción de desigualdad, o bien crece el conjunto factible o

posiblemente quede inalterado.

v) Estrechar una restricción de desigualdad, o bien se contrae el conjunto factible

o posiblemente quede inalterado.

vi) Una restricción es redundante si al ser retirada no cambia la región factible.

vii) Es muy importante considerar que una restricción redundante para un

conjunto dado, no lo sea cuando se cambian algunos datos.

viii) En cualquier modelo de PL, para un conjunto fijo de datos, las restricciones
inactivas pueden ser retiradas sin afectar la solución óptima. La solución
óptima depende por completo de las restricciones activas.

ix) Al eliminar las restricciones la región factible queda inalterada o aumenta.

x) La adición de restricciones hace que la región factible quede inalterada o se

reduzca.

xi) La adición de restricciones a un modelo o bien empeora el valor optimo o lo

deja inalterado. La eliminación de restricciones o bien mejora el valor optimo o
lo deja inalterado.

3) Solución por computadora

El método grafico permite encontrar la solución óptima en modelos con dos variables.
Para problemas de más de dos variables existen procedimientos (algoritmos) que
permiten encontrar la solución. Sin embargo, gracias al avance de la tecnología, hoy
en día podemos acceder a programas aplicativos fáciles de usar y que hacen que los
esfuerzos se orienten principalmente al modelado de situaciones cada vez mas

27
complejas y al análisis de resultados, dejando el procedimiento de resolución al
programa. En el mercado existen programas como el LINDO, el WIN QSV, el Minitab,
TORA, Excel, etc. algunos de ellos con versiones de uso libre. Por su fácil acceso y
su uso directo en la resolución de modelos, en forma sucinta se explicara el uso de
tres de ellos, Excel, LINDO y TORA.

Para mayores detalles de la sintaxis y uso de los comandos de Excel, LINDO y TORA
puede consultar una amplia variedad de libros que existen en el mercado y la propia
ayuda de los programas. En esta parte nos concentraremos directamente en el
ingreso de modelo al programa y a la obtención de resultados.

a) Uso del Excel.

Ejemplo 2.4: Compañía de producción de televisores.

Una compañía produce televisores, equipos Hi-Fi y altavoces utilizando una serie
de componentes comunes, tal y como se indica en la tabla inferior.

Estos componentes están disponibles en cantidades limitadas, por lo que se trata

de plantear el problema de maximización restringida de beneficios sabiendo que
la contribución neta de los tres productos es, respectivamente, de 75 €, 50 €, y 35
€.

Televisor Hi-Fi Altavoces Disponibilidad

Chasis 1 0 450
Tubo de imágenes 1 0 250
Conos de altavoces 2 1 800
Fuente de alimentación 1 0 450
Componentes electrónicos 2 1 600

El primer paso sería plantear el problema en la hoja de cálculo:

El menú de diálogo de Solver nos quedará algo así:

28
Ahora, deberemos seleccionar dentro de Opciones la casilla Adoptar modelo
lineal:

Haciendo clic sobre el botón Resolver, obtendremos la ventana de Resultados:

Elegimos las opciones Respuestas y Sensibilidad. Excel nos dará el siguiente

“output”:

29
 Una vez identificados los componentes del informe, su interpretación es casi
inmediata: la solución óptima sería producir 200 televisores, 200 equipos Hi-Fi, y
ningún altavoz. La columna de Coste (Gradiente) Reducido nos indica que no
resultará rentable producir altavoces a menos que el beneficio que éstos generen
aumente en 2,5 € (llegando a 37,5 €). Examinando los Rangos de los Coeficientes
Objetivo, observamos que la solución actual no variaría si el beneficio generado
por cada televisor se moviese en el rango 70-100 €, o si el generado por los
equipos Hi-Fi lo hiciese en el rango 37,5-75 €, o si el de los altavoces no se
incrementase en más de 2,5 €. Los Precios Duales determinan, junto con los
Rangos del Right-Hand-Side, que estaríamos dispuestos a pagar hasta 12,5 € por
cada unidad adicional de conos hasta un máximo de 100 conos, y hasta 25 € por
cada unidad adicional de componentes electrónicos hasta un máximo de 50
componentes. Observar que, por el contrario, perderíamos 25 € por cada
componente electrónico que “nos quitasen” de los 600 disponibles, hasta un
máximo de 200 unidades (cifra a partir de la cual será necesario volver a
programar).

b) Informe del Análisis de Sensibilidad

i) Análisis de Sensibilidad, Compañía de producción de televisores.

30
Una compañía produce televisores, equipos Hi-Fi y altavoces utilizando una
serie de componentes comunes, tal y como se indica en la tabla inferior.

Estos componentes están disponibles en cantidades limitadas, por lo que se

trata de plantear el problema de maximización restringida de beneficios
sabiendo que la contribución neta de los tres productos es, respectivamente,
de 75 €, 50 €, y 35 €.

Televisor Hi-Fi Altavoces Disponibilidad

Chasis 1 1 0 450
Tubo de imágenes 1 0 0 250
Conos de altavoces 2 2 1 800
Fuente de alimentación 1 1 0 450
Componentes electrónicos 2 1 1 600

a.- Resumen de la solución optima

1) La solución final es obtenida en la cuarta iteración.

2) La máxima ganancia que se espera esta determinada por el “Valor

Objetivo (VO)”, el cual es de $25,000.

3) En cuanto a las Variables de decisión, estas han sido definidas como:

X1 = TV
X2 = HI-FI
X3 = Altavoces

(a) El valor optimo de X1 es “200”, por lo que contribuye al VO con

“15,000 €”.

(b) El valor optimo de X2 es “200”, por lo que contribuye al VO con

“10,000 €”.

(c) El valor optimo de X3 es “0”, por lo que contribuye al VO con “0 €”.

b.- En cuanto a las restricciones se tiene:

1) Con respecto a la primera (referida a la disponibilidad chasis), se tiene

una holgura de cincuenta (50) unidades, por lo tanto es una variable
inactiva.

2) Con respecto a la segunda (referidas a la disponibilidad de tubos de

imagen), se tiene una holgura de cincuenta (50) unidades, por lo tanto
es una variable inactiva.

3) Con respecto a la tercera (referidas a la disponibilidad de conos de

altavoces), NO se tiene holgura NI excedencia, por lo tanto es una
variable activas.

31
 4) Con respecto a la segunda (referidas a la disponibilidad de fuentes de
alimentación), se tiene una holgura de cincuenta (50) unidades, por lo
tanto es una variable inactiva.

5) Con respecto a la tercera (referidas a la disponibilidad de componentes

electrónicos), NO se tiene holgura NI excedencia, por lo tanto es una
variable activas.

c.- Análisis de sensibilidad.- Que trata de los cambios individuales en los

coeficientes de la función objetivo y de los lados derechos de las
restricciones, se tiene:

1) En cuanto a las Variables, la solución optima del momento

permanecerá sin cambio mientras los Rangos de los Coeficientes
Objetivo (utilidad) este:

a)TV este entre 70.00 € y 100.00 €

b)HI-FI este entre $37.50 y $75.00

c) Altavoces este entre –infinito y 37.50 € o no se incremente en mas de

2,5 €

Con respecto al Costo reducido se tiene:

a)Que para los TV el valor es “0”, entre los limites de 70.00 € y 100.00
€, lo que indica que es una actividad económicamente atractiva, lo
que quiere decir que hay un equilibrio entre la salida (utilidad unitaria)
y la entrada (costo unitario de recursos consumidos).

b)Que para los HI-FI el valor es “0”, entre los limites de $37.50 y 100.00
€, lo que indica que es una actividad económicamente atractiva, lo
que quiere decir que hay un equilibrio entre la salida (utilidad unitaria)
y la entrada (costo unitario de recursos consumidos).

c) Que para los Altavoces el valor es de 2,50 €, entre los limites de –

infinito y 37.50 €, lo que nos indica que no resultará rentable producir
altavoces a menos que el beneficio que éstos generen aumente en
2,5 € (llegando a 37,5 €).

2) En cuanto a las restricciones, la solución optima del momento

permanecerá sin cambio mientras la disponibilidad de los recursos:

a)De la primera restricción (Chasis), este entre 400 e infinito unidades.

b)De la segunda restricción (Tubos de imagen), este entre 200 e

infinito unidades.

c) De la tercera restricción (Conos de altavoces), este entre 700 y 900

unidades.

d)De la cuarta restricción (Fuentes de alimentación), este entre 400 e

infinito unidades.

32
 e)De la quinta restricción (Componentes electrónicos), este entre 400 y
650 unidades.
En cuanto al Precio dual, o Precio sombra o Multiplicadores simplex,
que representa el valor por unidad de un recurso, se tiene:

a)Para la primera, segunda y cuarta restricción (Chasis, Tubos de

imagen y Fuentes de alimentación), el precio dual es de “0 €” lo que
nos indica que existe holgura en la disponibilidad de los recursos.

b)Para la tercera restricción (Conos de altavoces), el precio dual es de

“12.50 €” lo que indica que por cada unidad adicional de Conos
estaríamos dispuestos a pagar ese monto hasta un máximo de 100
unidades; caso contrario perderíamos “12.50 €” por cada Cono de
altavoces que “nos quitasen” de los 800 disponibles, hasta un
máximo de 200 unidades (cifra a partir de la cual será necesario
volver a programar).

c) Para la quinta restricción (Componentes electrónicos), el precio dual

es de “25.0 €” lo que indica que por cada unidad adicional de
Componentes electrónicos estaríamos dispuestos a pagar ese monto
hasta un máximo de 50 unidades; caso contrario perderíamos “25.0
€” por cada componente electrónico que “nos quitasen” de los 600
disponibles, hasta un máximo de 200 unidades (cifra a partir de la
cual será necesario volver a programar).

ii) Otros aspectos importantes del Análisis de Sensibilidad

El análisis de sensibilidad es de suma importancia en las aplicaciones

prácticas de la programación lineal, puesto que la realidad nunca es estática.
Los cambios son continuos en los problemas reales: cambios de precios, de
disponibilidad de recursos, de tecnología de producción, etc. No obstante, en
el análisis de cambios existen dos perspectivas que permiten abordar los
problemas:

(1) Análisis de sensibilidad discreto (ha cambiado el precio de un producto P

de 5 € a 8 € y se quiere saber si con el nuevo valor la solución óptima del
problema ha cambiado o no, y si lo ha hecho cuál es la nueva solución)

(2) Análisis de sensibilidad continuo (el precio de un producto P es w∈[4,10]

euros, entonces se pide resolver el problema de programación lineal en
función de w).

El primer caso, es el que se ha analizado aquí mediante el uso de LINDO y

Excel. El segundo caso es mucho más complejo, pero permite saber cuál es el
valor mejor para un parámetro w. De esta forma, en lugar de decir qué pasa si
cambio el precio del producto P de 5€ a 8€, me preguntó qué precio debo
poner al producto P dentro de un rango preestablecido para cumplir otras
metas que no se hayan especificado en las restricciones del problema. Se
trata de un proceso de elección óptima de precios. La resolución de
programas lineales con parámetros es lo que se llama Programación
Paramétrica, que no se estudiará directamente aquí pero que es interesante
conocer. Un ejemplo de programa paramétrico es el siguiente:

33
 Habría que resolver el programa lineal arrastrando los valores del parámetro.
Para cada valor de dicho parámetro con sentido económico habría que dar
una solución al programa lineal que podría representar una minimización de
costes.

c) Uso del LINDO (Linear, INterative, and Discrete Optimizer).

Para ingresar el modelo al programa, simplemente escribimos el modelo formal

respetando unas reglas sencillas de sintaxis. Tomemos como ejemplo el modelo
de la producción de Enigma S.A. e ingresando en la ventana principal del
programa de la siguiente manera:

Las reglas básicas de sintaxis son:

i) La función objetivo va precedida del término MAX (para maximizar) o MIN

(para minimizar).

ii) Las restricciones van precedidas por cualquiera de las siguientes expresiones:

SUBJECT TO
SUCH THAT
S.T.
ST

iii) El final de las restricciones se indica con la palabra END.

iv) Es indistinto ingresar las palabras mencionadas con mayúsculas o minúsculas.

34
v) El nombre de las variables debe tener una extensión máxima de 8 caracteres.

vi) El nombre de las variables debe comenzar con un carácter alfabético.

vii) El nombre de las variables no debe utilizar ninguno de los siguientes

caracteres: ¡ ) + - 0 < >.

viii) Las condiciones de no negatividad no se indican pues el LINDO las asume por
omisión.

Para el reporte presente el modelo que se ha resuelto, active el comando

Reports, Formulation, como se indica en la siguiente figura:

Para que el reporte con la solución del modelo se presente, use el comando
Solve o el icono indicado en la siguiente figura.

Al activar el comando Solve (o el icono correspondiente), el programa mostrara

una pantalla como se presenta en la siguiente figura. Se debe indicar si se quiere
que además de la solución al modelo, el reporte muestre el análisis de
sensibilidad.

35
El reporte obtenido por el LINDO es el siguiente:

MODELO
MAX 20 X1 + 15 X2
SUBJECT TO
2) 0.5 X1 + 1.5 X2 ≤ 750
3) X1 + 0.5 X2 ≤ 600
4) 0.5 X1 + 0.5 X2 ≤ 350
5) X1 + X2 ≥ 300
END

SOLUCION
OBJECTIVE FUNCTION VALUE

1) 13000.00

VARIABLE VALUE REDUCED COST

X1 500.000000 0.000000
X2 200.000000 0.000000

ROW SLACK OR SURPLUS DUAL PRICES

2) 200.000000 0.000000
3) 0.000000 10.000000
4) 0.000000 20.000000
5) 400.000000 0.000000

ANALISIS DE SENSIBILIDAD

NO. ITERATIONS = 2

RANGES IN WHICH THE BASIS IS UNCHANGED

OBJ COEFFICIENT RANGES

VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
X1 20.000000 10.000000 5.000000
X2 15.000000 5.000000 5.000000

36
 RIGHTHAND SIDE RANGES
ROW CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
2 750.000000 INFINITY 200.000000
3 600.000000 100.000000 100.000000
4 350.000000 40.000000 50.000000
5 300.000000 400.000000 INFINITY

Como se puede apreciar, el reporte presentado consta de tres partes:

La primera parte (opcional) es el modelo que se ha resuelto.

La segunda parte muestra el valor óptimo, la solución optima con sus respectivos
costos reducidos y las restricciones con sus respectivas holguras o excedentes y
precios duales.

La tercera parte (opcional) muestra el análisis de sensibilidad de los coeficientes

de las variables en la función objetivo (rangos de optimalidad) y los rangos de
variación de los lados derechos de las variables en los que son validos los precios
duales antes mostrados.

d) Interpretación de reportes de LINDO.

En el reporte se ha incluido el modelo de programación resuelto. Si bien esta

inclusión es opcional, es recomendable incluirla para que se tenga a la mano el
modelo resuelto.

MAX 20 X1 + 15 X2
SUBJECT TO
2) 0.5 X1 + 1.5 X2 ≤ 750
3) X1 + 0.5 X2 ≤ 600
4) 0.5 X1 + 0.5 X2 ≤ 350
5) X1 + X2 ≥ 300
END

Note que el programa ha numerado las restricciones pero que esta numeración
empieza en 2). Esto es porque la numeración es por filas y la fila 1) es la
correspondiente a la función objetivo. Esta numeración de las filas, que sirve para
identificar las restricciones y es mantenida a lo largo del reporte.

La parte siguiente del reporte:

OBJECTIVE FUNCTION VALUE

1) 13000.00

Corresponde al valor óptimo del modelo. Como ya lo habíamos mencionado, la

numeración 1) corresponde a la función objetivo. En este caso, el ingreso máximo
es S/. 13,000.

La siguiente parte del reporte:

VARIABLE VALUE REDUCED COST

X1 500.000000 0.000000
X2 200.000000 0.000000

37
Muestra el valor de cada variable en la solución óptima. Coincidiendo con la
solución obtenida mediante el método grafico, la solución óptima (el plan optimo
de producción) es fabricar 500 unidades de carteras estándar y 200 unidades de
carteras de lujo. También se muestra el costo reducido de cada variable que es
ente caso es cero.

La siguiente parte de reporte muestra las filas numeradas que corresponden a las
restricciones, sus correspondientes holguras/excedentes y sus precios duales.

ROW SLACK OR SURPLUS DUAL PRICES

2) 200.000000 0.000000
3) 0.000000 10.000000
4) 0.000000 20.000000
5) 400.000000 0.000000

Para la fila 2), que corresponde a una disponibilidad de 750 horas para corte, se
tiene una holgura de 200 horas, por lo tanto es una restricción no activa. Para la
fila 3) que corresponde a una disponibilidad de 600 horas de costura, la holgura
es cero y por lo tanto es una restricción activa. Para la fila 4) que corresponde a
350 horas de acabado, también la holgura es cero y por lo tanto, también es una
restricción activa. La fila 5) corresponde al lote mínimo de producción y el
excedente es 400 unidades y por lo tanto es una restricción no activa. Como se
puede apreciar, los resultados coinciden con la solución grafica.

Respecto a los precios duales, para la fila 2) si aumenta en una unidad el lado
derecho de la restricción la utilidad no cambia porque el precio dual es cero. Es
decir, si a las 750 horas con que se cuenta para corte le agregamos una hora, la
utilidad no cambia. Esto es lógico porque si para la solución optima y el valor
optimo hay horas sobrantes de corte, agregar una hora mas no mejora la solución
optima ni el valor optimo.

Para la fila 3), si aumentamos una hora adicional a las 600 horas ya disponibles,
la utilidad aumenta en un monto equivalente al precio dual es decir S/. 10.

Para la fila 4), si aumentamos una hora adicional a las 350 horas disponibles, la
utilidad aumenta en un monto equivalente al precio dual es decir S/. 20. Este
resultado confirma el que obtuviéramos en el análisis que hiciéramos en la
solución grafica.

Para la fila 5), si exigimos una unidad adicional a las 300 del lote mínimo, la
utilidad no varia (el precio dual es cero) dado que se han producido 400 unidades
mas de las mínimas exigidas.

La siguiente parte del reporte muestra los coeficientes de las variables en la

función objetivo, en este caso las utilidades unitarias.

OBJ COEFFICIENT RANGES

VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
X1 20.000000 10.000000 5.000000
X2 15.000000 5.000000 5.000000

La utilidad actual de la cartera estándar es S/. 20 y puede aumentar hasta en S/.

10 o puede reducirse hasta en S/. 5 y la solución optima no variara, es decir,

38
 mientras la utilidad unitaria de la cartera estándar tenga un valor entre S/. 15 y S/.
30 (rango de optimalidad) el plan optimo de producción será x1 = 500; x2 = 200.
Note que si bien la solución optima no varia, el valor optimo si. Un análisis similar
se cumple para la utilidad unitaria de la cartera de lujo, la utilidad actual es S/. 15
y puede aumentar como máximo hasta S/. 5 y disminuir como máximo hasta S/. 5
sin que la solución óptima cambie.

La última parte del reporte se refiere al lado derecho de las restricciones y los
rangos de variación en los que es valido el valor del precio dual.

RIGTHAND SIDE RANGES

ROW CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
2 750.000000 INFINITY 200.000000
3 600.000000 100.000000 100.000000
4 350.000000 40.000000 50.000000
5 300.000000 400.000000 INFINITY

e) Uso del TORA.

Para ingresar el modelo al programa, simplemente escribimos el modelo formal

respetando unas reglas sencillas de sintaxis. Tomemos el siguiente problema
como ejemplo para explicar el empleo del programa TORA.

“Juan acaba de entrar a la universidad y se da cuenta que si solo estudia y no

juega, su personalidad ser gris. Desea repartir su tiempo, disponible,
aproximadamente de 10 horas por día, entre juego y estudio. Estima que el juego
es doblemente divertido que el estudio. También desea estudiar cuando menos un
tiempo igual al que pasa jugando. Sin embargo, se da cuenta que si debe hacer
todas sus tareas escolares, no puede jugar más de 4 horas diarias. ¿Como debe
repartir Juan su tiempo, para maximizar su placer de estudiar?”

El modelo para el ejemplo planteado seria:

Maximizar 2 x1 + x2
Sujeto a
x1 + x2 ≤ 10 tiempo disponible para jugar y estudiar
x1 - x2 ≤ 0 tiempo de estudio vs tiempo de juego
x1 ≤4 tiempo máximo de juego
x1, x2 ≥ 0 restricciones de no negatividad

Al ingresar al software TORA aparece la pantalla siguiente:

39
Luego se activa el comando “Click Here” y aparece la siguiente pantalla:

En donde uno puede seleccionar el tipo de algoritmo requerido para solucionar el

modelo que se tiene, en nuestro caso utilizaremos el comando “Linear
Programing”, para que salga la pantalla siguiente:

40
En donde uno puede seleccionar entre resolver un modelo nuevo o uno ya
almacenado, en nuestro caso seleccionamos "Enter New Problem” (resolver un
modelo nuevo) y utilizamos el comando “Go To Input Screen”, para que salga la
pantalla siguiente:

En esta pantalla ingresamos el titulo del problema a desarrollar, el número de

variables y el número de restricciones, para luego usar el comando “Enter”, y
aparecerá la pantalla en donde ingresamos el nombre de las variables de
decisión, en el casillero de la función objetivo seleccionamos si es Maximizar
(Maximize) o Minimizar (Minimize), para después insertar los diferentes
coeficientes de la función objetivo y los coeficientes de las restricciones con su
respectivo símbolo de inecuación.

41
Seguidamente se utiliza el comando “Solve” para resolver el problema, teniendo
la opción de salvar en un archivo el modelo planteado.

Seguidamente se selecciona si el modelo se soluciona gráficamente o

algebraicamente.

Posteriormente si se ha seleccionado el método grafico se sigue las instrucciones

el software y se obtiene la siguiente pantalla la misma que nos muestra cual es el
área factible, el punto optimo y el valor optimo.

42
 Si se hubiese elegido el método algebraico se obtiene la siguiente pantalla, la
misma que al seleccionar el comando “Go To Ouput Screen” se genera la
pantalla con la solución del modelo, la misma que nos muestra no solo los valores
óptimos y el valor objetivo del modelo planteado, sino que además nos da los
diferentes valores para efectuar el análisis de sensibilidad.

f) Interpretación de reportes de TORA.

Al igual que el reporte del software LINDO, el reporte del software TORA, tiene
tres partes, tal como se aprecia a continuación.

43
Primera parte:

La segunda parte

La tercera parte

44
 g) Regla del 100%.

Como sabemos, en el análisis de sensibilidad que presentan los diferentes

software, los rangos de optimalidad y de variación del lado derecho de una
restricción es siempre y cuando todos los demás términos se mantengan
invariables.

Sin embargo pueden presentarse casos en los que:

• Más de un coeficiente de variable en la F.O. cambia simultáneamente.

• Más de un lado derecho de restricción cambia simultáneamente.

En dichos casos se aplica la regla del 100%

Regla del 100% para los coeficientes de la F.O.

Para todos los coeficientes de la F.O. que se cambia, sume los porcentajes de los
aumentos permisibles y las disminuciones permisibles. La solución óptima no
variara si la suma de los porcentajes es menor o igual que 100%.

Regla del 100% para los lados derechos

Para todos los lados derechos que se cambian, sume los porcentajes de los
aumentos permisibles y de las disminuciones permisibles. Si la suma de los
porcentajes es menor o igual que 100%, los precios duales no cambian.

Recuerden:

• Si este total es mayor que 100%, la solución óptima puede cambiar.

• Siempre sumen los porcentajes.

4) Aplicaciones especiales

a) Problema de transporte.

El problema de transporte se presenta frecuentemente al planear la distribución

de bienes y servicios desde varias localizaciones de suministros hacia varias
localizaciones de demanda.

Características del modelo

• La cantidad de bienes disponibles en cada localización de suministros (origen)

es limitada.

• La cantidad de bienes necesarios en cada una de las localizaciones de

demanda (destino) es conocida.

• El objetivo generalmente es minimizar costos de traslado de los bienes desde

los orígenes hasta los destinos.

45
Para mostrar el modelo que resuelve el problema de transporte tomemos la
siguiente situación:

Ejemplo 2.5

Enigma S.A. tiene cuatro centros de distribución de productos marinos de Lima y

están ubicadas en Ate, Barranco, Comas y magdalena. Los productos que
distribuye los acopia de los terminales pesqueros de Ventanilla, San Juan de
Miraflores y la Victoria. La demanda diaria solicitada por cada centro de
distribución (en kg.) son los siguientes:

Centro de distribución Cantidad (kg.)

Ate 400
Barranco 900
Comas 200
Magdalena 500

La cantidad de productos marinos que puede disponer cada Terminal pesquero es

la mostrada en la siguiente tabla:

Terminal pesquero Cantidad (kg.)

Ventanilla 500
San Juan de Miraflores 700
La Victoria 800

El costo de transporte de cada kg. de producto marino desde uno de los

terminales pesqueros a un centro de distribución (en soles) es el siguiente:

Terminal Centro de distribución

pesquero Ate Barranco Comas Magdalena
Ventanilla 1.20 1.30 0.40 0.60
San Juan de 0.50 0.40 1.00 1.10
Miraflores
La Victoria 1.00 0.90 1.20 0.40

Se debe decidir cuantos kilogramos debe destinar de cada Terminal pesquero a

cada centro de distribución de manera que se minimice el costo de transporte.

Diagrama de red:

El diagrama de red muestra los centros de suministro y los de destinos y están

representados por círculos conectados con una línea que indica la ruta. Al lado de
cada circulo se indica la cantidad de bienes suministrados y demandados sobre
las líneas se indican los costos unitarios respectivos.

46
Variables de decisión

Xij : numero de unidades embarcadas del suministro i al destino j

Modelo

Minimizar 1.2x11 + 1.3x12 + 0.4x13 + 0.6x14 + 0.5x21 + 0.4x22 + x23 + 1.1x24 + x31
+ 0.9x32 + 1.2x33 + 4.6x34

Sujeto a:
x11 + x12 + x13 + x14 + ≤ 500 (suministro de Ventanilla)
x21 + x22 + x23 + x24 + ≤ 700 (suministro de San Juan de Miraflores)
x31 + x32 + x33 + x34 + ≤ 800 (suministro de La Victoria)
x11 + x21 + x31 = 400 (demanda de Ate)
x12 + x22 + x32 = 900 (demanda de Barranco)
x13 + x23 + x33 = 200 (demanda de Comas)
x14 + x24 + x34 = 500 (demanda de Magdalena)

xij ≥ 0 para i = 1, 2, 3 ; j = 1, 2, 3, 4

Resolviendo el problema con TORA tenemos:

Valor optimo = 1,200

47
 Variable Valor Costo reducido
X11 0 0
X12 0 0.2
X13 200 0
X14 300 0
X21 0 0.1
X22 700 0
x23 0 1.3
x24 0 1.2
x31 400 0
x32 200 0
x33 0 1
x34 200 0

De acuerdo al reporte la solución es:

x13 200 kg. Transportados de Ventanilla a Comas.

x14 300 kg. Transportados de Ventanilla a Magdalena.
x22 700 kg. Transportados de San Juan de Miraflores a Barranco.
x31 400 kg. Transportados de La Victoria a Ate.
x32 200 kg. Transportados de La Victoria a Barranco.
x32 200 kg. Transportados de La Victoria a Magdalena.

El costo total del transporte propuesto es de S/. 1200

Diagrama de red con la solución:

Variantes del modelo

• Oferta o suministro total es mayor a la demanda total.

48
 • Oferta o suministro total es menor a la demanda total.
• Maximización de la función objetivo.
• Rutas con capacidad limitada.
• Rutas no aceptables.

b) Problema de asignación.

El problema de asignación consiste en asignar un elemento (persona, maquina,

contrato, etc.) a un destino (territorio, trabajo, limitante, etc.).

Características del modelo

• El número de elementos y el número de destinos son iguales.

• Un elemento es asignado a un solo destino.

• El objetivo es minimizar costos.

• Todas las asignaciones son posibles.

• Es una caso especial del problema de transporte donde Xij es igual a 1 si el

elemento i es asignado al destino j y 0 si no es asignado.

Para mostrar el modelo que resuelve el problema de asignación tomemos la

siguiente situación:

Ejemplo 2.6

La gerencia de Enigma S.A. quiere asignar a tres ejecutivos para que visiten e
inspeccionen las tres plantas con que cuenta la empresa en provincias. Los
costos de asignación (en soles) de cada ejecutivo a cada planta son mostrados en
el siguiente cuadro:

Ejecutivo Planta
Tacna Huánuco Cusco
Finanzas 24 10 21
Mercadeo 14 22 10
Operaciones 15 17 20

Encuentre la solución óptima de asignación de los ejecutivos a cada planta de

Enigma S.A. de tal manera que se minimice el costo.

Diagrama de red:

De una manera similar al caso de transporte, el diagrama de red en el problema

de asignación muestra las unidades a asignar y los de destinos y están
representados por círculos conectados con una línea la asignación. Al lado
derecho de cada circulo se indica 1 que es la única asignación del modelo y sobre
las líneas se indican los respectivos costos de la asignación.

49
Variables de decisión

Xij = 1 si el ejecutivo i se asigna al cliente j

0 de no ser ese el caso.

donde i = 1, 2, 3 y j = 1, 2, 3

Modelo

Minimizar 24x11 + 10x12 + 21x13 + 14x21 + 22x22 + 10x23 + 15x31 +17x32

+ 20x33

Sujeto a:

x11 + x12 + x13 ≤ 1 (Asignación de ejecutivo de Finanzas)

x21 + x22 + x23 ≤ 1 (Asignación de ejecutivo de Mercadeo)
x31 + x32 + x33 ≤ 1 (Asignación de ejecutivo de Operaciones)
x11 + x12 + x13 = 1 (Cliente 1)
x21 + x22 + x23 = 1 (Cliente 2)
x31 + x32 + x33 = 1 (Cliente 3)

xij para i = 1, 2, 3 ; j = 1, 2, 3

Resolviendo el problema con TORA tenemos:

Valor optimo = 35

Variable Valor Costo reducido

x11 0 9
x12 1 0
x13 0 10
x21 0 0
x22 0 13
x23 1 0
x31 1 0
x32 0 7
x33 0 9

50
 Los resultados se interpretan de la siguiente manera:

• Ejecutivo de Finanzas asignado a Huánuco (X12 = 1)

• Ejecutivo de Mercadeo asignado a Cusco (X23 = 1)
• Ejecutivo de Operaciones asignado a Tacna (X31 = 1)

El costo total de asignar los ejecutivos a las diferentes plantas es de S/. 35

Diagrama de red con la solución:

Variantes del modelo

• Numero de elementos que se van a asignar es mayor al numero de destinos.

• Numero de elementos que se van a asignar es menor al numero de destinos.
• Hay un problema de maximización.
• Se dan asignaciones inaceptables.
• Un elemento puede ser asignado a más de un destino.

c) Problema de trasbordo.

El problema de trasbordo es una extensión del modelo de transporte, al cual se

agregan nodos intermedios denominados nodos de trasbordo.

Características del modelo

• La oferta disponible es limitada.

• En cada destino, la demanda es especificada.
• El objetivo generalmente es minimizar costos de traslado de los bienes desde
los orígenes hasta los destinos.

Para mostrar el modelo de trasbordo, desarrollemos el siguiente ejemplo:

Ejemplo 2.7

Enigma S.A. tiene plantas de producción en Lima y Tacna. Los productos

fabricados en cualquiera de estas instalaciones pueden ser enviados a cualquiera
de sus almacenes regionales en Ica y Arequipa. De los almacenes regionales, la
empresa distribuye a detallistas al menudeo en Ayacucho, Huancayo, Cusco y

51
 Huánuco. En las siguientes tablas aparece el costo unitario de transporte de cada
ruta de distribución.

Planta Almacén Cantidad

Ica Arequipa ofrecida
Lima 2 3 600
Tacna 3 1 400

Almacén Distribuidor al detalle

Ayacucho Huancayo Cusco Huánuco
Ica 2 6 3 6
Arequipa 4 4 6 5
Cantidad demandada 200 150 350 300

Se debe determinar cuantos productos deben ser trasladados por cada ruta
propuesta de tal manera que se cumpla con la cantidad demandada por cada
distribuidor al menor costo posible.

Diagrama de red:

Como es un caso de transporte, el diagrama de red en el problema de trasbordo

muestra las unidades a transportar. Los lugares de origen trasbordo y los de
destinos están representados por círculos conectados con una línea que indica la
ruta. Al lado de cada círculo de origen y destino se indican los respectivos costos
de transporte. La numeración de los nodos se hace de manera consecutiva dado
que los nodos de trasbordo son tanto origen como destino de rutas.

Variables de decisión

Xij = numero de unidades transportadas de suministro i al destino j

52
Modelo

Minimizar 2x13 + 30x14 + 3x23 + x24 + 2x35 + 6x36 + 3x37 +6x38 + 4x45 + 4x46+
6x47 + 5x48

Sujeto a:

x13 + x14 ≤ 600 (Suministro de Lima)

x23 + x24 ≤ 400 (Suministro de Tacna)
-x13 - x23 + x35 + x36 + x37 + x38 = 0 (Trasbordo de Ica)
-x14 - x24 + x45 + x46 + x47 + x48 = 0 (Trasbordo de Arequipa)
x35 + x45 = 200 (Demanda de Ayacucho)
x36 + x46 = 150 (Demanda de Huancayo)
x37 + x47 = 350 (Demanda de Cusco)
x38 + x48 = 300 (Demanda de Huánuco)

xij ≥ 0 para todos los i, j

Resolviendo el problema con TORA tenemos:

Valor optimo = 5200

Variable Valor Costo reducido

x13 550 0
x14 50 0
x23 0 3
x24 400 0
x35 200 0
x36 0 1
x37 350 0
x38 0 0
x45 0 3
x46 150 0
x47 0 4
x48 300 0

Los valores de las variables representan la cantidad de productos que serán

transportados siguiendo la respectiva ruta:

x13 550 unidades transportadas de Lima a Ica.

x14 50 unidades transportadas de Lima a Arequipa.
x24 400 unidades transportadas de Tacna a Arequipa.
x35 200 unidades transportadas de Ica a Ayacucho.
x37 350 unidades transportadas de Ica a Cusco.
x46 150 unidades transportadas de Arequipa a Huancayo.
x48 300 unidades transportadas de Arequipa a Huánuco.

El costo total de la operación es de S/. 5,200

Diagrama de red con la solución:

53
Variantes del modelo

• Oferta o suministro total es mayor a la demanda total.

• Oferta o suministro total es menor a la demanda total.
• Maximización de la función objetivo.
• Rutas directas a destinos finales.
• Rutas entre destinos finales.
• Rutas entre puntos de trasbordo.
• Rutas con capacidad limitada.
• Rutas no aceptables.

54