Módulo: I Unidad: I Semana: 1

INVESTIGACIÓN DE OPERACIONES I
 "Los que mandan generalmente
mueven las manos y dicen 'He
considerado todas las alternativas'.
Pero eso es casi siempre basura.
Lo más probable es que no
pudiesen estudiar todas las
combinaciones."

George B. Dantzig , el creador de la programación lineal, en

una entrevista publicada en The College Mathematical
Journal, marzo de 1986.
2. FUNDAMENTOS DE LA PROGRAMACIÓN LINEAL

La programación lineal utiliza un modelo matemático

para representar el problema que se estudia.
La palabra lineal en el nombre se refiere a la forma de
las expresiones matemáticas de este modelo.
Programación no se refiere a la programación en
computadora; más bien es, en esencia, un sinónimo de
planear.
Así, la programación lineal significa planeación de
actividades representada por un modelo matemático
lineal.
 2. FUNDAMENTOS DE LA PROGRAMACIÓN LINEAL
El útil desarrollo actual de la PL para los negocios y la industria, se
atribuye al doctor George D. Dantzig, un matemático que
presentó su método Simplex, como un procedimiento sistemático
para resolver un problema de programación lineal. Durante el año de
1947, George Dantzig (con Marshall Wood y sus asociados), se
ocupó de un proyecto en la Fuerza Aérea de los Estados Unidos, el
cual dio por resultado la búsqueda de una técnica capaz de resolver
los problemas de planeación militar. La esencia de esas
investigaciones consiste en considerar las interrelaciones entre las
actividades de una gran organización como un modelo de PL,
y determinar el programa de optimización minimizando (o
maximizando) una función objetivo lineal. Dantzig indicó que ese
nuevo enfoque tendría amplias aplicaciones en los problemas de los
negocios, como ocurre actualmente.
 La programación Lineal se usa en las siguientes áreas
-Programación de refinerías de petróleo

- Distribución de productos

- Planeamiento de la producción

- Estudio de mercados

- Planeamiento de inversiones

- Problemas de transporte

- Problemas de dietas, etcétera

 2.1. DEFINICIÓN DE PROGRAMACIÓN LINEAL

La programación lineal es una técnica matemática que nos

permite determinar la mejor asignación de los recursos
limitados de la empresa, de tal manera que la función
objetivo, debe maximizarse o minimizarse, cuando se
consideran un conjunto de restricciones.
2.1.1. Conceptos básicos

Para resolver problemas de Investigación de Operaciones por

medio de PL debemos primero explicar las características
comunes de todos los modelos de PL y las suposiciones
matemáticas que se aplican a ello:

Función Objetivo. La programación lineal es un proceso de

optimización. Con una sola función objetivo, la
cual expresa matemáticamente lo que se
intenta maximizar, (por ejemplo las ganancias
o utilidades) o minimizar (por ejemplo, los
costos o el desperdicio) en cada caso.
2.1.1. Conceptos básicos
Variable de decisión. Representa aquellas selecciones que están bajo
el control de la persona que toma las
decisiones. Resolviendo el problema se
obtienen sus valores óptimos.
Las variables pueden ser endógenas (aquellas que el modelo trata de
explicar y se conocen también como variables dependientes) o
exógenas (aquellas fuerzas exteriores al modelo y cuyas magnitudes
intervienen como datos y también se les denomina variables
independientes). Estas dos expresiones tienen sentido únicamente
dentro del contexto de un modelo específico, pues una variable
endógena en un modelo dado, puede muy bien ser exógena en otro.
Por ejemplo, una variable de decisión podría ser el número de
unidades de un producto que se deben fabricar en el siguiente mes.
La programación lineal se basa en la suposición de que las variables
de decisión son continuas.
2.1.1. Conceptos básicos
Restricciones. Son limitaciones que restringen las selecciones
permisibles para las variables de decisión. Cada
limitación puede expresarse matemáticamente en
cualquiera de estas tres formas:
Restricción menor igual que ( ≤ ) impone un limite
superior a cierta función de las variables de
decisión. Por ejemplo, el número máximo de clientes
a los cuales es posible atender.
Restricción mayor igual que ( ≥ ) impone un limite
inferior a cierta función de las variables de decisión.
Por ejemplo, la producción de cierto producto debe
exceder o igualar a la magnitud de la demanda.
Restricción igual que ( = ) Por ejemplo, que el
inventario final siempre debe ser igual al inventario
inicial más la producción menos las ventas.
2.1.1. Conceptos básicos
Región factible. Todo problema de PL debe tener una o varias
restricciones. Consideradas en conjunto, esas
restricciones definen una región factible, la cual
representa todas las combinaciones permisibles de
las variables de decisión. En la mayor parte de los
casos la región factible contiene un número muy
grande de soluciones posibles. La meta de la
persona que toma decisiones consiste en encontrar
la mejor solución.
Parámetro. La función objetivo y las restricciones son funciones de las
variables de decisión y los parámetros. Un parámetro,
también llamado coeficiente o constante se conocen con
certidumbre. Por ejemplo, un programador de
computadoras puede saber de antemano que la ejecución
de un programa de software requerirá tres horas, ni más
ni menos.
2.1.1. Conceptos básicos
Linealidad. La función objetivo y las ecuaciones de restricción son
lineales. La linealidad implica proporcionalidad y
aditividad; no puede haber en ella productos ni
potencias
(por ejemplo, 10x1x2 , x31 ) de las variables de
decisión.

No negatividad. Significa que las variables de decisión deben ser

positivas o cero. Por ejemplo, una empresa
que fabrica autos jamás podrá producir un
número negativo de autos.
Graficación de ecuaciones y desigualdades lineales
Cuando se grafica una ecuación, se genera una recta sobre el
eje de coordenadas.
Las desigualdades generan un plano al graficarlo sobre el eje de coo
rdenadas.
Pasos para la graficación de una desigualdad:
a. Determinar dos puntos que permitan graficar una recta,
b. Determinación del plano que da la desigualdad.
 Pasos para la gráfica de una desigualdad:
a. Tomar de la desigualdad, la parte de la ecuación, para
determinar dos puntos que permitan graficar una recta, que sería
el límite del plano.
En el caso de que en la ecuación el término constante fuese
cero, la recta pasa por la intercepción de los ejes. Por lo tanto,
uno de los puntos sería (0,0).
El otro punto se obtendría dando un valor diferente de
cero a una de las variables.
Si la constante fuese diferente de cero, se procede de la siguiente
manera:
Para el primer punto, se hace cero una de las variables y se
despeja la otra variable.
Para el segundo punto, se hace cero la otra variable, y
se despeja para la variable que queda pendiente.
 Pasos para la gráfica de una desigualdad:
b. Determinación del plano que da la desigualdad.

Se escoge un punto de prueba, debajo o sobre la recta y se verifica si

satisface la desigualdad.
Si satisface la desigualdad, el plano se forma para el lado que se
encuentra el punto de prueba escogido.
Si no satisface la desigualdad, el plano se forma para el lado contrario
a donde se encuentra el punto de prueba con respecto a la recta o
límite del plano.
2.3. FORMULACIÓN DE UN PROBLEMA DE PROGRAMACIÓN LINEAL

2.3.1. Identificación de las variables de decisión

El primer paso en la formulación del problema es identificar las
variables de decisión, a menudo simplemente llamadas
variables, una vez determinados, proporcionan la solución al
problema.

Característica clave
Pautas generales para identificar variables de decisión
¿Qué elementos afectan los costos y/o ganancias (en genera, el
objetivo global)
¿Qué elementos puede elegir y/o controlar libremente?
¿Qué decisiones tiene que tomar?
2.3. FORMULACIÓN DE UN PROBLEMA DE PROGRAMACIÓN LINEAL

2.3.2. Identificación de los datos del problema

La finalidad de resolver un problema es proporcionar los

valores reales para las variables de decisión que ha
identificado. Se requiere conocer cierta información para
ayudar a determinar esos valores
2.3. FORMULACIÓN DE UN PROBLEMA DE PROGRAMACIÓN LINEAL

2.3.3. Identificación de la función objetivo

Expresar el objetivo organizacional global en forma

matemática usando las variables de decisión y los datos
conocidos del problema. La función objetivo se crea en tres
etapas:
 Establecer la función objetivo en forma verbal.
 Donde sea adecuado descomponer el objetivo (por ejemplo,
suma, diferencia).
 Expresar las cantidades individuales matemáticamente
usando las variables de decisión y otros datos conocidos
en el problema
2.3. FORMULACIÓN DE UN PROBLEMA DE PROGRAMACIÓN LINEAL

2.3.4. Identificación de las restricciones

Las restricciones son condiciones que las variables de decisión
deben satisfacer para constituir una solución aceptable. Las
restricciones por lo general surgen de:
 Limitaciones físicas (por ejemplo, el número limitado de horas
de trabajo)
 Restricciones impuestas por la administración (por ejemplo,
demanda del producto)
 Restricciones externas (por ejemplo, la empresa no puede
vender más de cierta cantidad en el mercado)
 Relaciones implicadas entre variables (por ejemplo, en un
problema de inversión la proporción de dinero a invertir debe
sumar 1.
Modelo de Programación Lineal
 Modelo de Programación Lineal
Observaciones
i) aij , bi , y cj son valores que se asume conocidos
ii) xj son variables de decisión que se desea hallar, de tal manera
que optimicen ( α )
iii) la ecuación ( α ) se conoce como función objetivo
iv) la ecuación ( β ) se conoce como conjunto de restricciones
v) la ecuación ( y ) se conoce como variables de decisión
 2.4. MÉTODO GRÁFICO O
MÉTODO GEOMÉTRICO DE SOLUCIÓN
Es una técnica que permite encontrar la solución de modelos
muy sencillos con dos variables de decisión y a pesar de que casi
todos los problemas reales tienen más de dos variables de
decisión. Sirve en realidad para proporcionar una base intuitiva
que facilita el aprendizaje de soluciones de modelos más
complejos por otros métodos.
Objetivo: establecer la naturaleza de un problema de
programación lineal, introduciendo la terminología
asociada con el y resolverlo geométricamente.
 A. REGION FACTIBLE NO ACOTADA
a. Formulación de dieta
Una dieta debe contener al menos 16 unidades de
carbohidratos y 20 de proteínas. El alimento A contiene 2
unidades de carbohidratos y 4 de proteínas; el alimento B
contiene 2 unidades de carbohidratos y 1 de proteínas. Si
el alimento A cuesta $1.20 por unidad y el B $0.80 por
unidad,
 ¿Cuántas unidades de cada alimento deben comprarse
para minimizar el costo?
 ¿cuál es el costo mínimo?
 A. REGION FACTIBLE NO ACOTADA
Solución

Variables de decisión
Sea X1 en N.º de unidades de alimentos A comprar
Sea X2 en N.º de unidades de alimentos B comprar
 A. REGION FACTIBLE NO ACOTADA
Solución

F.O costo min Z = 1.2 X1+0.8 X2

Sujeto a

2X1+2X2 >= 16 requerimiento mínimo de carbohidratos

4X1+1X2 >=20 requerimiento mínimo de proteínas
X1, X2 >=0
 A. REGION FACTIBLE NO ACOTADA
Solución
Tabulando para cada una de las rectas, pues usted sabe que por
dos puntos pasa una recta
A. REGION FACTIBLE NO ACOTADA
X2

20

16 4X1+X220

12
REGIÓN FACTIBLE NO ACOTADA

4 2X1+2X216

0
2 4 6 8 10 X1
 A. REGION FACTIBLE NO ACOTADA
Solución
Intersección de las rectas L1 y L2
2X1+2X2 = 16
4X1+1X2 =20
resolviendo el sistema de ecuaciones se obtiene:
X1=4
X2=4
Reemplazando en Z = 1.2 X1+0.8 X2
En el punto (0,20) Z= 1.2 (0)+0.8 (20) = 16
En el punto (4,4) Z=1.2 (4)+0.8 (4) =8
En el punto (8,0) Z=1.2 (8)+0.8 (0) = 9.6
Respuesta: Z min. Óptimo = 8 con un plan de compra:
X1: 4 unidades del alimento A
X2: 4 unidades del alimento B
B. SOLUCIÓN MÚLTIPLE
 B. SOLUCIÓN MÚLTIPLE
X2
X1=1
5

Z=X1+X2
4

3
X2=2
2

1 X1+X2=4

0
1 2 3 4 5 X1
B. SOLUCIÓN MÚLTIPLE
 C. REGIÓN FACTIBLE VACÍA
El ejemplo siguiente ilustra una situación
en la que no que existe solución óptima
C. REGIÓN FACTIBLE VACÍA

0
1 2 3 4 5
 C. REGIÓN FACTIBLE VACÍA
Solución
Un punto factible (x1, x2 ) debe tener x1 ≥ 0, x2 ≥ 0 ,
estar sobre la recta superior o por encima de l1 : x1
+ x2 ≥ 4 y sobre o por debajo de la recta inferior l2 : x1
+ 2x2 ≤ 2 . Sin embargo, no existen tales puntos. De
aquí que la región factible sea vacía y, por lo tanto,
este problema no tenga solución óptima.
Siempre que la región factible de un problema de
P.L. sea vacía, no existe solución óptima.
 D. SOLUCIÓN ÓPTIMA ÚNICA

Max z = x1 + x2
s.a.

3x1 + 2x2 ≤ 6
2x1 + 4x2 ≤ 8
x 1, x 2  0
 D. SOLUCIÓN ÓPTIMA ÚNICA
Solución: por dos puntos pasa una recta entonces:
l1 : 3x1 + 2x2 = 6 Tabulando si: x1 = 0
--> x2 = 3 tenemos (0,3)
x2 = 0 --> x1 = 2 Tenemos (4,0)
l2 : 2x1 + 4x2 = 8 Tabulando si: x1 = 0
--> x2 = 2 tenemos (0,3)
x2 = 0 --> x1 = 4 Tenemos (4,0)
Resolviendo el sistema de ecuaciones l1  l2
es decir:
l1 : 3x1 + 2x2 = 6 y l2 : 2x1 + 4x2 = 8
se obtiene x1 = 1 y x2 = 1.5
D. SOLUCIÓN ÓPTIMA ÚNICA
 D. SOLUCIÓN ÓPTIMA ÚNICA
Solución: existe una solución única
 E. EJEMPLO
Un fabricante de juguetes prepara un programa de
producción para dos nuevos juguetes, alfa y beta,
utilizando la información concerniente a sus tiempos de
producción dados en la tabla que sigue. Por ejemplo,
cada alfa requiere de 2 horas en la máquina A. Las
horas disponibles empleadas por semana son: Para
operación de la máquina A, 70 horas; para B, 40
horas; para terminado, 90 horas.
Si las utilidades en cada alfa y cada beta son de $4 y
$6, respectivamente, ¿Cuántos de cada juguete debe
producir por semana con el fin de maximizar la utilidad?
¿Cuál sería la utilidad máxima?
 E. EJEMPLO
Máquina A Máquina B Terminado

Alfa 2 horas 1 hora 1 hora

Beta 1 hora 1 hora 3 horas

Variables de decisión:
Sea:
X1 el numero de juguetes a producir del juguete alfa
X2 el número de juguetes a producir del juguete beta
 E. Ejemplo

Max z = 4x1 + 6x2

s.a.
2x1 + x2 ≤ 70
x1 + x2 ≤ 40
x1 + 3x2 ≤ 90
x 1, x 2  0
E. EJEMPLO
 F. EJEMPLO
EJEMPLO 12:
Mezcla
I II Requerimiento
Nutriente mínimo
A 2 2 80
B 6 2 120
C 4 12 240
Costo $4 $5
Variables de Decisión:
Sea:
X1 El números de bolsas a comprar mezcla I
X2 El números de bolsas a comprar mezcla II
 F. EJEMPLO
F.O. Min C= 4X1 + 5X2

s.a.

2X1 + 2X2  80
6X1 + 2X2  120
4X1 + 12X2  240

Xi  0 i = 1,2
 F. EJEMPLO
Solución:
L1: 2X1 + 2X2 = 80
X1 X2 (0, 40)
0 40
(40, 0)
40 0

L2: 6X1 + 2X2 = 120

X1 X2 (0, 60)
0 60
(20, 0)
20 0

L3: 4X1 + 12X2 = 240

X1 X2 (0, 20)
0 20
60 0
(60, 0)
F. EJEMPLO
F. EJEMPLO
 F. EJEMPLO
F.O. Min C= 4X1 + 5X2
En el punto A (0, 60) Z= 4(109.09)+5(63.64) = 300
En el punto B (10, 30) Z= 4(10)+5(30) = 190
En el punto C (30, 10) Z= 4(30)+5(10) =170
En el punto D (60, 0) Z= 4(60)+5(0) = 240

Rpta:
X1: 30 bolsas de la mezcla I
X2: 10 bolsas de la mezcla II
Costo mínimo óptimo =$ 170
 Serie de problemas 2.0
Resuelva cada uno de los siguientes programas lineales
usando el método gráfico.
Indique si los problemas son:
a) Óptimos: es decir que tiene una solución óptima.
b) Infactibles: es decir, que no existen valores de las
variables que satisfagan todas
las restricciones simultáneamente.
c) Ilimitados: es decir, que existen valores factibles de las
variables que hacen la función objetivo tan grande o tan
pequeña como se desee.

Todo programa lineal es óptimo, infactible o ilimitado.

Serie de problemas 2.0
Serie de problemas 2.0
Definiciones de PL

“... trata la planeación de las actividades para obtener un

resultado óptimo, esto es, el resultado que mejor alcance la meta
especificada (según el modelo matemático) entre todas las
alternativas de solución.”

Frederick S. Hiller

“... es un problema de minimizar o maximizar una función lineal

en la presencia de restricciones lineales del tipo dedesigualdad,
igualdad o ambas.”

Mokhtar S. Bazaraa
Definiciones de PL

Abarca los métodos de solución de una gran variedad de

problemas de la siguiente naturaleza: se tiene alguna
cantidad (tal como un costo o un tiempo) que tiene una
función lineal de cierto número de variables lineales. Se
requiere, a su vez, que estas variables satisfagan un
sistema de igualdades y desigualdades lineales. Es
necesario hallar valores no negativos de las variables que
hagan máxima o mínima a la cantidad dada.

A. S. Basarov
Definiciones de PL

“... es una técnica matemática para encontrar los mejores usos

de la organización. El adjetivo lineal se usa para describir la
relación en dos o más variables, una relación que es directa y
precisamente proporcional. El término programación se refiere
al uso de ciertas técnicas matemáticas para obtener la mejor
solución posible a un problema que involucra recursos
limitados.”
Richad I. Levin
Supuestos y limitaciones de la PL

Proporcionalidad

Supuestos Aditividad

Divisibilidad

Determinístico

Limitaciones Estático

No suboptimiza
 Ejemplo
Gepetto EIRL., manufactura muñecos y trenes de madera.
Cada muñeco:
• Produce un beneficio neto de 3 €.
• Requiere 2 horas de trabajo de acabado.
• Requiere 1 hora de trabajo de carpinteria.
Cada tren:
• Produce un beneficio neto de 2 €.
• Requiere 1 hora de trabajo de acabado.
• Requiere 1 hora trabajo de carpinteria.
Cada semana Gepetto puede disponer de:
• Todo el material que necesite.
• Solamente 100 horas de acabado.
• Solamente 80 horas de carpinteria.
También:
• La demanda de trenes puede ser cualquiera (sin límite).
• La demanda de muñecos es como mucho 40.

Gepetto quiere maximizar sus beneficios.

¿Cuántos muñecos y cuántos trenes debe fabricar?
Este problema es un ejemplo típico de un problema de programación lineal (PPL).
Variables de Función Objetivo. En cualquier
Decisión PPL, la decisión a tomar es
como maximizar (normalmente el
x = nº de muñecos beneficio) o minimizar (el coste)
producidos a la de alguna función de las
semana variables de decisión. Esta
y = nº de trenes función a maximizar o minimizar
producidos a la se llama función objetivo.
semana
El objetivo de Gepetto es
elegir valores de x e y para
maximizar 3x + 2y. Usaremos
la variable z para denotar el
valor de la función objetivo. La
función objetivo de Gepetto es:
Max z = 3x + 2y
Restricciones
Son desigualdades que
limitan los posibles
valores de las variables
de decisión.
En este problema las
restricciones vienen
dadas por la
disponibilidad de horas
de acabado y carpintería
y por la demanda de
muñecos.
También suele haber
restricciones de signo o
no negatividad:
x≥0
y≥0
 Restricciones
Cuando x e y crecen, la función objetivo de Gepetto también crece. Pero no
puede crecer indefinidamente porque, para Gepetto, los valores de x e y
están limitados por las siguientes tres restricciones:

Restricción 1: no más de 100 horas de tiempo de acabado pueden ser usadas.

Restricción 2: no más de 80 horas de tiempo de carpinteria pueden ser usadas.
Restricción 3: limitación de demanda, no deben fabricarse más de 40 muñecos.

Estas tres restricciones pueden expresarse matematicamente por las

siguientes desigualdades:

Restricción 1: 2 x + y ≤ 100
Restricción 2: x + y ≤ 80

Restricción 3: x ≤ 40

Además, tenemos las restricciones de signo: x ≥ 0 e y ≥ 0

 Formulación matemática del PPL
Variables de Decisión x = nº de muñecos producidos a la semana
y = nº de trenes producidos a la semana

Muñeco Tren

Beneficio 3 2 Max z = 3x + 2y (función objetivo)

Acabado 2 1 ≤ 100 2 x + y ≤ 100 (acabado)

Carpintería 1 1 ≤ 80 x + y ≤ 80 (carpinteria)

Demanda ≤ 40 x ≤ 40 (demanda muñecos)

x ≥0 (restricción de signo)

y ≥0 (restricción de signo)
 Formulación matemática
del PPL
Para el problema de Gepetto, combinando las restricciones de signo
x ≥ 0 e y ≥ 0 con la función objetivo y las restricciones, tenemos el
siguiente modelo de optimización:

Max z = 3x + 2y (función objetivo)

Sujeto a (s.a:)
2 x + y ≤ 100 (restricción de acabado)
x + y ≤ 80 (restricción de carpinteria)
x ≤ 40 (restricción de demanda de muñecos)
x ≥0 (restricción de signo)
y ≥0 (restricción de signo)
 Región factible
La región factible de un PPL es el conjunto de todos los puntos que
satisfacen todas las restricciones. Es la región del plano delimitada por el
sistema de desigualdades que forman las restricciones.

x = 40 e y = 20 está en la región Restricciones de Gepetto

factible porque satisfacen todas las 2x + y ≤ 100 (restricción finalizado)
restricciones de Gepetto.
x + y ≤ 80 (restricción carpintería)
Sin embargo, x = 15, y = 70 no está x ≤ 40 (restricción demanda)
en la región factible porque este
punto no satisface la restricción de x ≥0 (restricción signo)
carpinteria y ≥0 (restricción signo)
[15 + 70 > 80].
 Solución óptima Se puede demostrar
Para un problema de maximización, una solución
que la solución
óptima es un punto en la región factible en el cual la
óptima de un PPL
función objetivo tiene un valor máximo. Para un
está siempre en la
problema de minimización, una solución óptima es un
frontera de la región
punto en la región factible en el cual la función objetivo
factible, en un vértice
tiene un valor mínimo.
(si la solución es
única) o en un
La mayoría de PPL tienen solamente una solución segmento entre dos
óptima. Sin embargo, algunos PPL no tienen solución vértices contiguos (si
óptima, y otros PPL tienen un número infinito de hay infinitas
soluciones. soluciones)
Más adelante veremos que la solución del PPL de
Gepetto es x = 20 e y = 60. Esta solución da un valor
de la función objetivo de:
z = 3x + 2y = 3·20 + 2·60 = 180 €

Cuando decimos que x = 20 e y = 60 es la solución óptima, estamos

diciendo que, en ningún punto en la región factible, la función objetivo
tiene un valor (beneficio) superior a 180.
 Representación Gráfica de las restricciones
Y
Cualquier PPL con sólo dos variables
puede resolverse gráficamente.
100
2x + y = 100
Por ejemplo, para representar
gráficamente la primera restricción,
80
2x + y ≤ 100 :
Dibujamos la recta 2x + y = 100
60

Elegimos el semiplano que 40

cumple la desigualdad: el punto
(0, 0) la cumple
(2·0 + 0 ≤ 100), 20
así que tomamos el semiplano
que lo contiene.
20 40 60 80 X
 Dibujar la región factible
Puesto que el PPL de Gepetto tiene dos variables, se puede resolver
gráficamente. La región factible es el conjunto de todos los puntos que
satisfacen las restricciones:

2 x + y ≤ 100 (restricción de acabado)

x + y ≤ 80 (restricción de carpintería)
x ≤ 40 (restricción de demanda)
x ≥0 (restricción de signo)
y ≥0 (restricción de signo)

Vamos a dibujar la región factible que satisface estas restricciones.

 Dibujar Yla región factible

100
2x + y = 100
Restricciones
2 x + y ≤ 100
80
x + y ≤ 80
x ≤ 40
60
x ≥0
y ≥0
40

Teniendo en cuenta
las restricciones de 20
signo (x ≥ 0, y ≥ 0),
nos queda:
20 40 60 80 X
 DibujarYla región factible

100

Restricciones 80

2 x + y ≤ 100
x + y ≤ 80 60 x + y = 80
x ≤ 40
x ≥0 40

y ≥0

20

20 40 60 80 X
 Dibujar la región factible
Y

100

Restricciones 80
x = 40
2 x + y ≤ 100
x + y ≤ 80 60

x ≤ 40
x ≥0 40

y ≥0

20

20 40 60 80 X
 Dibujar la región factible
Y
La intersección de
todos estos
semiplanos 2x + y = 100
100
(restricciones) nos
da la región
factible 80
x = 40

60

x + y = 80
40

Región
20
Factible

20 40 60 80 X
 Vértices de la región factible
Y Restricciones
La región factible (al estar
limitada por rectas) es un 2 x + y ≤ 100
polígono. 2x + y = 100 x + y ≤ 80
100
En esta caso, el polígono x ≤ 40
ABCDE.
x ≥0
80 E x = 40
Como la solución óptima y ≥0
está en alguno de los
vértices (A, B, C, D o E) D
60
de la región factible,
calculamos esos vértices. x + y = 80
40

Región
20 Factible C

B
A 20 40 60 80 X
 Vértices de la región
Y
factible
Los vértices de la región factible
son intersecciones de dos rectas.
El punto D es la intersección de las 100
rectas 2x + y = 100
2x + y = 100
x + y = 80 x = 40
80 E(0, 80)
La solución del sistema x = 20,
y = 60 nos da el punto D. D (20, 60)
60

B es solución de
x = 40 40
y=0
Región
C es solución de C(40, 20)
20 Factible
x = 40 x + y = 80
2x + y = 100
B(40, 0)
E es solución de A(0, 0) 20 40 60 80 X
x + y = 80
x=0
 Resolución gráfica
Y
Max z = 3x + 2y

Para hallar la 100

solución óptima,
dibujamos las rectas (0, 80)
80
en las cuales los
puntos tienen el
mismo valor de z. (20, 60)
60
La figura muestra
estas lineas para
40
z = 0, z = 100,
z = 180 Región
(40, 20)
20 Factible

(40, 0)
(0, 0) 20 40 60 80 X
z = 180
z=0 z = 100
 Resolución gráfica
Y

Max z = 3x + 2y
100

La última recta de z (0, 80)

80
que interseca (toca)
la región factible
(20, 60)
indica la solución 60
óptima para el PPL.
Para el problema
de Gepetto, esto 40
ocurre en el punto
D (x = 20, y = 60, Región
(40, 20)
z = 180). 20 Factible

(40, 0)
(0, 0) 20 40 60 80 X
z = 180
z=0 z = 100
 ResoluciónY analítica
Max z = 3x + 2y
También podemos encontrar la
100
solución óptima calculando el valor
de z en los vértices de la región
factible. 80
(0, 80)

Vértice z = 3x + 2y (20, 60)

(0, 0) z = 3·0+2·0 = 0 60

(40, 0) z = 3·40+2·0 = 120

(40, 20) z = 3·40+2·20 = 160 40
(20, 60) z = 3·20+2·60 = 180
(0, 80) z = 3·0+2·80 = 160 Región
Factible (40, 20)
20

La solución óptima es:

x = 20 muñecos (40, 0)
y = 60 trenes (0, 0) 20 40 60 80 X
z = 180 € de beneficio
Hemos identificado la región factible para el
problema de Gepetto y buscado la solución
óptima, la cual era el punto en la región factible
con el mayor valor posible de z.
Recuerda que:

• La región factible en cualquier PPL está

limitada por segmentos (es un polígono,
acotado o no).

• La región factible de cualquier PPL tiene

solamente un número finito de vértices.

• Cualquier PPL que tenga solución óptima

tiene un vértice que es óptimo.
Un problema de minimización

Dorian Auto fabrica y vende coches y

furgonetas.La empresa quiere emprender una
campaña publicitaria en TV y tiene que decidir
comprar los tiempos de anuncios en dos tipos
de programas: telenovelas y fútbol.

• Cada anuncio del programa telenovelas es visto por 6 millones de mujeres y 2

millones de hombres.
• Cada partido de fútbol es visto por 3 millones de mujeres y 8 millones de hombres.
• Un anuncio en el programa telenovelas cuesta 50.000 € y un anuncio del fútbol
cuesta 100.000 €.
• Dorian Auto quisiera que los anuncios sean vistos por lo menos 30 millones de
mujeres y 24 millones de hombres.
Dorian Auto quiere saber cuántos anuncios debe contratar en cada tipo de
programa para que el coste de la campaña publicitaria sea mínimo.
 Formulación del problema:

• Cada anuncio del programa

telenovela es visto por 6 millones de
mujeres y 2 millones de hombres. Corazón Fútbol
• Cada partido de fútbol es visto por 3
millones de mujeres y 8 millones de (x) (y)
hombres.
• Un anuncio en el programa de mujeres 6 3 6x + 3y ≥ 30
telenovela cuesta 50.000 € y un
anuncio del fútbol cuesta 100.000 €.
• Dorian Auto quisiera que los
anuncios sean vistos por lo menos 30 hombres 2 8 2x + 8y ≥ 24
millones de mujeres y 24 millones de
hombres. Costo
Dorian Auto quiere saber cuántos 50 100 50x +100y
anuncios debe contratar en cada tipo 1.000€
de programa para que el costo de la
campaña publicitaria sea mínimo.
 Formulación del problema:

Variables de decisión: x = nº de anuncios en telenovelas

y = nº de anuncios en fútbol

Min z = 50x + 100y (función objetivo en 1.000 €)

s.a: 6x + 3y ≥ 30 (mujeres)
2x + 8y ≥ 24 (hombres)
x, y ≥ 0 (no negatividad)
 Dibujamos la región factible.
Y

14

Min z = 50 x + 100y 12
6x + 3y = 30
s.a. 6x + 3y ≥ 30
10
2x + 8y ≥ 24
x, y ≥ 0 8

4
2x + 8y = 24
2

X
2 4 6 8 10 12 14
 Calculamos los vértices de la región factible:
La región factible
Y
El vértice A es solución del no está acotada
sistema 14
6x + 3y = 30
x=0 12
Por tanto, A(0, 10)
10 A
Región
El vértice B es solución de 8 Factible
6x + 3y = 30
2x + 8y = 24 6
Por tanto, B(4, 2)
4

El vértice C es solución de B
2
2x + 8y = 24
y=0 C
Por tanto, C(12, 0) 2 4 6 8 10 12 14
X
 Resolvemos por el método analítico

Evaluamos la función objetivo z en los vértices.

Y
Vértice z = 50x + 100y
14
z = 50·0 + 100·10 =
A(0, 10)
= 0+10000 = 10 000 12

z = 50·4 + 100·2 = 10
A(0, 10)
B(4, 2) Región
= 200+200 = 400 Factible
8
z = 50·12 + 100·0 =
C(12, 0)
= 6000+0 = 6 000 6

El costo mínimo se obtiene en B. 4

B(4, 2)
Solución: 2
x = 4 anuncios en telenovelas
C(12, 0)
y = 2 anuncios en futbol
Costo z = 400 (mil €) 2 4 6 8 10 12 14
X
 Resolvemos por el método gráfico
Min z = 50 x + 100y Y

s.a. 6x + 3y ≥ 30 14

2x + 8y ≥ 24
12
x, y ≥ 0

10 A(0, 10)
El costo mínimo Región
se obtiene en el Z = 600
8 Factible
punto B.
6
Z = 400
4

B(4, 2)
2
Solución:
x = 4 anuncios en telenovelas C(12, 0)
y = 2 anuncios en futbol X
2 4 6 8 10 12 14
Costo z = 400 (mil €)
 Número de Soluciones de un
PPL
Los dos ejemplos anteriores, Gepetto y Dorian Auto, tienen,
cada uno, una única solución óptima.
No en todos los PPL ocurre esto. Se pueden dar también las
siguientes posibilidades:

• Algunos PPL tienen un número infinito de soluciones óptimas

(alternativas o múltiples soluciones óptimas).
• Algunos PPL no tienen soluciones factibles (no tienen región
factible).
• Algunos PPL son no acotados: Existen puntos en la región
factible con valores de z arbitrariamente grandes (en un
problema de maximización).

Veamos un ejemplo de cada caso.

 Número infinito deY soluciones óptimas
Consideremos el siguiente 60
problema:

50
C
max z = 3x + 2y

40
s.a: 3x + 2y ≤ 120
x + y ≤ 50
x,y≥0 B
30 Región
Factible
z = 120
Cualquier punto (solución) situado 20
en el segmento AB puede ser una
solución óptima de z =120. z = 60
10
z = 100

A
10 20 30 40 50 X
 Sin soluciones factibles
Y
Consideremos el siguiente
60
problema:
No existe
Región Factible
max z = 3x1 + 2x2 50
x ≥ 30
s.a: 3x + 2y ≤ 120 40
x + y ≤ 50 x + y ≤ 50 y ≥ 30
x ≥ 30
y ≥ 30 30
x,y≥0

20

10 3x + 2y ≤ 120

No existe región factible

10 20 30 40 50 X
 PPL no acotado
max z = 2x – y Y
s.a: x–y≤1 6
Región Factible
2x + y ≥ 6
x, y ≥ 0 5

La región factible es no
4
acotada. Se muestran en el
gráfico las rectas de nivel z=4
para z = 4 y z = 6. Pero 3
podemos desplazar las
rectas de nivel hacia la
2
derecha indefinidamente sin
z=6
abandonar la región factible.
Por tanto, el valor de z 1

puede crecer
indefinidamente.
1 2 3 4 5 X
GRACIAS