METODOS CUANTITATIVOS

 Solución Gráfica de problemas de Programación Lineal

 Proceso de graficación, definiciones, propiedades
 Casos especiales de problemas de Programación Lineal

Ing. Manuel Sánchez Terán

GRAFICACION DE PROBLEMAS DE PROGRAMACION LINEAL

 El uso de la solución gráfica se limita a problemas de dos variables. Para problemas con
tres variables se trabaja en el espacio de tres dimensiones, podría aún graficarse pero
con mayor dificultad. Es imposible determinar una gráfica para un problema de más de
3 variables.

 Permite determinar la región factible (espacio de soluciones factibles) que satisface

todas las restricciones en forma simultánea.

 El método gráfico permite conocer la base matemática de la solución de modelos

lineales, los conjuntos convexos, y observar gráficamente situaciones que se presentan
en modelos de cualquier tamaño. Esto ayuda a la comprensión de la Programación
Lineal. Permite deducir conclusiones generales que sirven como base para el desarrollo
del método de solución general

PROCESO DE GRAFICACION

Problema:

Se necesita cartón corrugado de dos tipos en especial: plateado y dorado. Cada tipo de
cartón requiere de un tiempo de proceso en 3 etapas y para cada etapa se tiene una
cantidad fija de minutos disponibles.

Sabiendo que la ganancia por unidad de cartón plateado es $1 y del cartón dorado es
$1.5 Determinar la cantidad de cada tipo de cartón a elaborar, haciendo el mejor uso
del tiempo disponible.

Tiempo de Manufactura
Producto (minutos)
Corte Pintado Secado
Cartón Plateado 2 1 4
Cartón Dorado 2 2 2
minutos
160 120 280
disponibles
V a r i a b l e s d e d e c i s i ó n
unidades del producto 1 x2 = número de
unidades del producto 2

Función objetivo: Max Z = x1 + 1.5x2 maximizar ganancias

Restricciones:

Sujeto a: 2x1 + 2x2 ≤ 160 (1) tiempo disponible Corte

x1 + 2x2 ≤ 120 (2) tiempo disponible Pintado

4x1 + 2x2 ≤ 280 (3) tiempo disponible Secado

x 1 , x2 > 0 (4)* condición de no negatividad

1
  Iniciar la graficación de restricciones como si se trataran de igualdades, luego de
representar la recta, determinar hacia qué región diversos valores de las variables
cumplen la desigualdad (> ó <).

 La condición de no negatividad (*) limita los valores de la región factible al primer

cuadrante.

 El conjunto de todos los valores no negativos que asuman las variables de decisión
satisfaciendo todas las restricciones conforma la región factible.

 Para graficar la recta de la función objetivo establecerla como una ecuación en cuyo
lado derecho tenga un valor arbitrario (se recomienda un múltiplo de los coeficientes de
las variables) que le permita mostrarse en la región factible.

 Desplazar paralelamente la FO en la dirección que incremente su valor (si está

maximizando) o disminuya su valor (si está minimizando). El punto o los puntos
extremos que toque la recta antes de salir totalmente fuera de la región factible
determinarán el óptimo, o solución del modelo.

 Cualquier punto sobre la recta de la función objetivo obtiene el mismo valor, pero solo
uno (que es el caso más común) es el punto que determina la solución óptima (aquel
determinado en el paso anterior).

x2
120
110

100
90

80
70 2x1+ 2x2 =160
60
50
40
REGION QUE CUMPLE CON :
30
2x1+ 2x2 £160
20
10
x2
10 20 30 40 50 60 70 80 90 100 110 120 x1
120
Fig.1 Graficación de la restricción
110
(1).
100
90
80
70 2x1+ 2x2 £ 160
60
50
40
x1+ 2x2 £ 120

30
20

10

10 20 30 40 50 60 70 80 90 100 110 120 x1

Fig.2 Restricciones (1) y (2). Nótese que el

área sombreada es la común de las dos
restricciones.

2
 x2
4
140
130 x2
120 120
110 110
4x1+ 2x2 £ 280
100 100
90 90
3
80 80
REGION FACTIBLE
70 2x1+ 2x2 £ 160 70
2 2
60 60
50 50
5 x1+ 2x2 £ 120 5
40 6 40
30 30
20 7 7
20
10 10 z ³ 100
8 9 10 8
1 1
10 20 30 40 50 60 70 80 90 100 110 120 x1 10 20 30 40 50 60 70 80 90 100 110 120 x1

z=0 z = 25 z = 60 z = 100

Fig.3 Area común para las tres
restricciones. Cualquier punto perteneciente
a ésta región obtiene valores de x1 y x2 que
cumplen con todas las restricciones.
Fig.4 Región factible y función objetivo.
Véanse los diversos valores de z. El
segmento se desplaza hasta el vértice de la
región factible que permite maximizar su
valor (punto 5).

Según la Fig.4 el punto óptimo es el punto 5 que tiene como coordenadas x 1 = 40 y x2 = 40

siendo ésta la solución óptima que determina un valor óptimo de 100 al reemplazar estos valores
en las variables de la función objetivo.

Si el punto óptimo no tuviera valores enteros fáciles de apreciar en el gráfico resuelva el sistema
de ecuaciones de las restricciones que se intersectan en dicho punto. (2x1 + 2x2 ≤ 160 y x1 +
2x2 ≤ 120, estas son las restricciones activas)

2x1 + 2x2 = 160

-2x1 - 4x2 = -240

- 2x2 = -80

x2 = 40 reemplazando en alguna de las ecuaciones → x 1 = 40

Como el punto óptimo se encuentra sobre estas restricciones (restricciones activas) y éstas
representan horas disponibles en las áreas de Corte y Pintado respectivamente, significa
entonces que al producir 40 unidades de cartón plateado y 40 unidades de cartón dorado se han
hecho uso de todas las horas disponibles en éstas áreas.

Como la tercera restricción 4x1 + 2x2 ≤ 280 representa la disponibilidad de minutos en el área
de Secado y ésta no pasa por el punto óptimo se considera como una restricción inactiva. Por lo
tanto no se ha hecho uso del total de este tiempo. Para conocer el total de minutos utilizados en
esta área se debe reemplazar la solución óptima en esta ecuación, lo que nos da un total de 240
minutos.

3
 DEFINICIONES EN SOLUCION GRAFICA

 Región factible: área cuyos puntos (interiores y de contorno) cumplen con todas las
restricciones y con las condiciones de no negatividad.

 Solución factible o decisión factible: cualquier punto situado en la región factible.

 Solución no factible: solución que no satisface todas las restricciones en forma

simultánea. Punto que no se encuentra dentro de la región factible.

 Solución óptima: (referida a las variables) solución factible ubicada en un vértice de la

región factible que maximiza o minimiza, según el caso, la función objetivo. Punto 5.

 Soluciones óptimas alternativas: soluciones que producen el mismo valor (máximo o

mínimo) en la función objetivo. Si la función objetivo hubiera sido paralela a la
restricción (1) el conjunto de soluciones óptimas alternativas estarían comprendidas
entre los puntos 5 y 7.

 Restricción de enlace o activa: restricción que cruza el punto de solución óptima. Al

evaluarse con la solución óptima el lado izquierdo es igual al derecho. Puede
considerarse como un recurso escaso. Restricción (1) y (2).

 Restricción de no enlace o inactiva: restricción que no cruza el punto de solución

óptimo. Puede considerarse como un recurso abundante. Restricción (3)

 Restricción redundante: restricción que no tiene ningún efecto en el espacio de

soluciones. Su eliminación no afecta la región factible. Cuando la restricción
redundante está sobre el punto extremo óptimo, la solución es Degenerada.

 Región factible no acotada: espacio de soluciones no cerrado en el cual (algunas veces)

la función objetivo puede crecer o decrecer indefinidamente sin violar ninguna de las
restricciones. También se considera a la solución de dicha función objetivo como no
acotada. Se origina generalmente porque no se toman en cuenta una o más restricciones
en la formulación del modelo.

 Valor óptimo: Valor asumido por la función objetivo al ser evaluada con los valores de
las variables en la solución óptima. El valor de la función Z (que se maximizó o
minimizó).

4
PROPIEDADES EN LA SOLUCION GRAFICA

 Para la resolución de problemas de PL sólo se necesitan considerar los puntos extremos del
espacio de soluciones (vértices). La solución óptima puede identificarse siempre con uno de
estos puntos extremos factibles.

 Si existe exactamente una solución óptima, entonces debe ser una solución factible en un
vértice.

 El conjunto de todas las soluciones factibles al problema de programación lineal es un

conjunto convexo.

 Sólo existe un número finito de soluciones factibles en vértices.

 La región factible tiene un espacio infinito de soluciones (si es que el problema no exige
valores exclusivamente enteros).

 Si una solución factible en un vértice es mejor, o al menos tan buena, que todas sus
soluciones factibles en vértices adyacentes, entonces es mejor que todas las demás
soluciones factibles en vértices, es decir, es óptima. Esto se cumple porque la región factible
tiene la propiedad de ser convexa.

 Las restricciones de no negatividad confinan los valores factibles al primer cuadrante.

 Al agregar restricciones, el espacio de soluciones o región factible se va reduciendo, o como

mínimo no se altera.

 Un modelo tiene soluciones óptimas alternativas cuando más de una combinación de

variables proporciona el óptimo valor del objetivo. La recta objetivo al desplazarse dentro
de la región solución cae paralelamente sobre alguna restricción antes de salir totalmente de
la región solución. Los puntos soluciones son puntos adyacentes en la región factible.

 Un modelo no tiene solución cuando no hay alguna combinación de variables que satisfaga
todas las restricciones. Se debe a la presencia de restricciones inconsistentes en el modelo.
Se reconocen en el gráfico porque no existe ninguna región común para todas las
restricciones.

 Un modelo tiene solución no acotada cuando hay combinaciones de variables que

proporcionan valor infinito para el objetivo y no hay alguna combinación que limite el valor
del objetivo a un valor finito. Esto se debe a la omisión de restricciones importantes, del
sistema, en el modelo. Estas restricciones limitarían las variables de decisión a valores
factibles. Se reconocen en el gráfico porque el espacio de solución es abierto, no acotado,
no limitado y la Función Objetivo puede moverse dentro de esa región hasta el infinito sin
que un punto extremo, con valor finito, limite su valor.

 Un modelo tiene espacio de soluciones no acotado y solución óptima cuando existen

combinaciones de variables que dan un valor infinito al objetivo pero existe al menos una
combinación de variables que le proporciona un valor finito. Se reconocen en el gráfico
porque la región de soluciones posibles es abierta, no limitada pero hay por lo menos un
punto extremo que limita el valor del objetivo.

5
  Agregar una restricción no redundante reduce la región factible, nunca la expande. Cuando
la restricción redundante está sobre el punto extremo óptimo, la solución es Degenerada.

CASOS ESPECIALES EN GRAFICACION

 SOLUCIONES OPTIMAS ALTERNATIVAS

x2
Max Z = x1 + x2 5

-2x1 + x2 ≤ 1 (1) 4
1
x1 ≤ 2 (2) 3
2

x1 + x 2 ≤ 3 (3) 2

x 1 , x2 ≥ 0 A
1 C
Z 3
Al optimizarse la función objetivo, no llega a D
x1
un punto sino a un lado paralelo del polígono 1 2 3 4 5 6

de la región factible. (lado BC)

Fig.5

 RESTRICCIONES REDUNDANTES
x2
6
x1 + x 2 ≤ 4 (1)
5
4x1 + 3x2 ≤ 12 (2)
4
-x1 + x2 ≥ 1 (3)
3
x1 + x 2 ≤ 6 (4) 4

2
x 1 , x2 ≥ 0 1
3
1
Las restricciones (1) y (4) son 2
redundantes, no afectan el espacio de
1 2 3 4 5 6 x1
soluciones.

Fig.6

6
 SOLUCION NO FACTIBLE O INFACTIBLE

Max Z = 3x1 + 2x2 x2

5
2x1 + x2 ≤ 2 (1)
4
3x1 + 4x2 ≥ 12 (2)
3
x1 , x2 ≥ 0
2
El problema carece de solución 2

factible porque la región factible se 1 1

z
encuentra fuera del rango de valores
positivos. 1 2 3 4 5 6 x1

Fig.7

 SOLUCION NO ACOTADA

Max Z = 2x1 + 2x2

x2

- x 1 + x2 ≤ 1 (1)

-½ x1 + x2 < 2 (2) 2

x1 , x2 ≥ 0

La función objetivo crece 1

indefinidamente desplazándose
paralelamente a sí misma.

Este problema no tiene valor máximo 1 2 3 x1

Z Z
finito.
Fig.8

7
8
 GRAFICACION DE UN MODELO DE PL DE 3 VARIABLES

Esta solución gráfica se muestra solamente para observar cómo puede representarse un
espacio de soluciones para 3 variables (espacio tridimensional).

Max Z = 0.60x1 + 0.70x2 + 0.50x3

Sujeto a: 2.5x2 + 1.5x3 ≤ 600

(1)

2.4x1 + 3.0x2 + 2.0x3 ≤ 1200 (2)

5.0x1 + 2.5x3 ≤ 1500 (3)

x1 , x2, x3 ≥ 0

Fig.9

Los puntos A, B, ...,G se encuentran intersectando los planos correspondientes a cada una
de las restricciones. Se obtiene el máximo valor de Z en el punto E, donde:

x1 = 180, x2 = 96, x3 = 240 con Z = 295

Punt Coordenadas Z
o x1 x2 x3
0 0 0 0 0
A 0 240 0 168
B 200 240 0 288
C 300 160 0 292
D 180 0 0 180
E 180 96 240 295
F 100 0 400 260
G 0 0 400 200

9
 PROBLEMAS

1. Un constructor va a edificar dos tipos de viviendas A y B (A: solo concreto, B: interiores

con Drywall). Dispone de 600 mil dólares y el costo de una casa del tipo A es de 13 mil
dólares y 8 mil dólares una del tipo B. El número de casas del tipo A ha de ser, al menos,
del 40% del total y el del tipo B, el 20% por lo menos. Si cada casa de tipo A se vende a 16
mil y cada una del tipo B en 9 mil. ¿Cuántas casas de cada tipo debe construir para obtener
el beneficio máximo?

2. Una persona gana 10 millones de soles en una lotería y le aconsejan que los invierta en dos
tipos de siembra: espárragos y caña de azúcar. La inversión en espárrago tiene más riesgo
pero produce un beneficio anual del 10%. La inversión en caña es más segura, pero produce
sólo el 7%. Después de varias deliberaciones decide invertir como máximo 6 millones en la
siembra de espárrago y por lo menos, 2 millones en la siembra de caña. Además, decide que
lo invertido en espárrago sea, por lo menos, igual a lo invertido en caña. ¿Cómo deberá
invertir los 10 millones para que el beneficio anual sea máximo?

3. Una refinería de petróleo tiene dos fuentes de petróleo crudo: crudo ligero, que cuesta $35
por barril y crudo pesado a $30 el barril. Con cada barril de crudo ligero, la refinería
produce 0.3 barriles de gasolina (G), 0.2 barriles de combustible para calefacción (C) y 0.3
barriles de combustible para turbinas (T); mientras que con cada barril de crudo pesado
produce 0.3 barriles de G, 0.4 barriles de C y 0.2 barriles de T. La refinería ha contratado el
suministro de 900 000 barriles de G, 800 000 barriles de C y 500 000 barriles de T. Hallar
las cantidades de crudo ligero y pesado que debe comprar para poder cubrir sus necesidades
al costo mínimo.

4. En una carnicería se prepara carne molida con una combinación de carne de res y carne de
cerdo. La carne de res contiene 80% de carne y 20% de grasa y le cuesta a la carnicería S/.8
el kg; la carne de cerdo tiene 68% de carne y 32% de grasa, y cuesta S/.6 el kg. ¿Qué
cantidad de cada tipo de carne debe emplear la carnicería en cada kg de carne molida, si se
desea minimizar el costo y mantener el contenido de grasa no mayor del 25%?

5. Una joyería elabora sortijas sencillas y adornadas ganando S/.45 y S/.60 respectivamente. El
equipo de la joyería no puede producir más de 40 sortijas simples, 30 adornadas o 50 en
total al día. Suponiendo la venta del total de la producción diaria. ¿Cuántas sortijas de cada
tipo deben elaborarse para obtener la máxima ganancia?, ¿cuánto debería ser la ganancia
por cada tipo de sortija para obtener más de una solución? (interprétese geométricamente)

6. Los 500 alumnos de un colegio van a ir de excursión. La empresa que realiza el viaje
dispone de 10 autobuses de 40 asientos y 8 de 55, pero sólo de 11 conductores en ese día. El
alquiler de los autobuses pequeños es de S/.500 y el de los grandes de S/.600. ¿Cuántos
autobuses de cada clase convendrá alquilar para que el viaje resulte lo más económico
posible?

7. Una compañía de automotores fabrica automóviles y camiones. Cada uno de los vehículos
debe pasar por el taller de pintura y por el de ensamble. Si el taller de pintura pintara sólo
camiones, entonces podría pintar 40 vehículos diarios y si pintara sólo automóviles, pintaría

10
 60. Si el taller de ensamble se destinara sólo a ensamblar automóviles, procesaría 50 por día
y sólo lo hiciera con los camiones, también procesaría 50. Cada camión contribuye con
$300 a la utilidad, y cada automóvil contribuye con $200. Mediante la programación lineal,
determine un programa de producción diaria que maximice las utilidades de la compañía.
8. Suponga que los vendedores de automóviles requieren que la compañía de automóviles del
ejemplo anterior fabriquen por lo menos 30 camiones y 20 automóviles. Determine la
solución óptima para el nuevo programa lineal.

9. Resolver en forma gráfica el siguiente programa lineal:

Max Z = 2X1 – X2

s.a: X1 – X2 ≤ 1 (1)

2X1 + X2 ≥ 6 (2)

X1, X2 ≥ 0

10. Resolver en forma gráfica el siguiente programa lineal:

Max Z = 2X2 – X1

s.a: X1 – X2 ≥ -1 (1)

-0.5X1 + X2 ≤ 2 (2)

X1, X2 ≥ 0

11