INVESTIGACIN DE OPERACIONES I

PROGRAMA DE ESTUDIO
Objetivo
Familiarizar al alumno con las tcnicas de modelamiento y
metodologas de resolucin de problemas de la Investigacin de
operaciones, con especial nfasis en la aplicacin de algoritmos
de solucin para modelos de programacin matemtica, en
especial modelos lineales

Contenido
Introduccin

Investigacin de operaciones
Modelos matemticos
Programacin Lineal

Programacin
Lineal

Formulacin de modelos
Mtodos Grfico
Mtodo Simplex
Problema Dual y Anlisis de Sensibilidad
Programacin Entera, Binaria y Mixta

INVESTIGACION DE OPERACIONES
PROGRAMA DEL CURSO
DESCRIPCION
El curso trata principalmente sobre la aplicacin de los modelos
usuales de Investigacin de Operaciones en la solucin de
problemas reales, tales como modelos de Programacin Lineal,
Entera, Binaria y Mixta

OBJETIVOS
Aplicar modelos cuantitativos en la resolucin de problemas
lineales.
Optimizar soluciones usando la Investigacin de Operaciones.
METODOLOGA

Clases expositivas para conceptos tericos con discusiones sobre

cada tema.
Practicas en laboratorio, donde se conocern diversos software de
apoyo a la Investigacin de Operaciones.

BIBLIOGRAFIA
TAHA HAMDY A. Investigacin de operaciones. PEARSON. 9
Ed. 2012
HILLIER, FREDERICK Y LIEBERMAN, GERALD: Introduccin
a la Investigacin de Operaciones, McGraw Hill
Interamericana
WINSTON WAYNE L.: Investigacin de Operaciones:
Aplicaciones y Algoritmos. Grupo Editorial Iberoamericana.
DAVIS K ROSCOE y MC KEOWN Patrick. Modelos
Cuantitativos para Administracin. Grupo editorial
Iberoamerica. 2 Ed. 1986.
PRAWDA, Juan. Mtodos y modelos de Investigacin de
operaciones. Limusa.
JORGE ALVAREZ ALVAREZ, Investigacin de Operaciones,
Universidad Nacional de Ingeniera, Edicin 2001

INVESTIGACION DE OPERACIONES
Definicin:
Conjunto de tcnicas matemticas y estadsticas aplicable a diversos
sistemas con el fin de mejorarlos, buscando las mejores alternativas de
accin; esto mediante el modelamiento matemtico de los problemas en
estudio.

Qu es la investigacin de
operaciones?
Lawrence y Pasternak, (1998) Es un enfoque
cientfico para la toma de decisiones ejecutivas,
que consiste en:
El arte de modelar situaciones complejas,
La ciencia de desarrollar tcnicas de
solucin para resolver dichos modelos.
La capacidad de comunicar efectivamente
los resultados.

Qu es la investigacin de
operaciones?
Kamblesh Mathur: Es el uso de la Matemtica
y computadoras para ayudar a tomar
decisiones racionales frente a problemas de
administracin.
Jorge Alvarez: Es un procedimiento o un
enfoque para resolver problemas relacionados
con la toma de decisiones.

La Investigacin de Operaciones es el uso de la matemtica e

informtica para resolver problemas del mundo real, tomando
decisiones acertadas que garanticen el xito.
La investigacin de operaciones tiene como objetivo buscar las
soluciones que sean significativamente mas eficientes (en
tiempo, recursos , beneficios , costos , etc.)

TOMA DE DECISIONES
Toda toma de decisin empieza con la
deteccin de un problema.

Para tomar la decisin correcta, se debe:

Definir el problema en forma clara
Formular el o los objetivos
Identificar las restricciones
Identificar las alternativas de solucin
Evaluar las alternativas y elegir la mejor

Tiende a representar el problema cuantitativamente para poder

analizarlo y evaluar un criterio comn.

TOMA DE DECISIONES
Como se elige la mejor
alternativa?

Mtodos Cualitativos
En base a la experiencia y al juicio profesional
de la persona que toma la decisin
Mtodos Cuantitativos
En base a la utilizacin de herramientas
matemticas que permitan maximizar la
efectividad en la toma de decisiones.

INVESTIGACIN DE OPERACIONES
La dificultad de tomar decisiones ha hecho que el hombre se aboque
en la bsqueda de una herramienta o mtodo que le permita tomar las
mejores decisiones de acuerdo a los recursos disponibles y a los
objetivos que persigue.
Este conjunto de herramientas o mtodos es lo que llamaremos
Investigacin de Operaciones.
Definicin ms formal
Enfoque cientfico de la toma de decisiones que requiere la
operacin de sistemas organizacionales.
La IO nos ofrece una serie de herramientas cuantitativas para la toma
de decisiones.

MODELOS DE LA INVESTIGACIN DE
OPERACIONES
Modelos de IO
Determinsticos
Optimizacin
Lineal

Hbridos

Optimizacin
no Lineal

Programacin
Lineal

Mtodos
Clsicos

Transporte y
Asignacin

Mtodos
de bsqueda

Prog Entera
y 0,1

Programacin
no lineal

Redes

Estocsticos

Programacin
Dinmica

Cadenas
de Markov

Teora de
Inventarios

Teora de
Colas

Simulacin

Procesos
Estocsticos

Pert / CPM

Heursticas

Teora de
Decisiones
y Juegos

Qu se busca en el curso de Investigacin

de Operaciones?
Se intenta encontrar una mejor solucin llamada solucin
ptima.
Areas de Aplicacin de la Investigacin de Operaciones
Manufactura.
Transporte.
Telecomunicaciones.
Salud.
Planeacin.
Servicios.
Finanzas.
Otros.

LA NATURALEZA DE UN SISTEMA
Un sistema es un conjunto de dos o ms elementos que satisface las
siguientes tres condiciones:

La conducta de cada elemento tiene un efecto sobre la conducta del

todo.

La conducta de los elementos y sus efectos sobre el todo son

interdependientes.

Sin considerar cmo se formen los subgrupos de elementos, cada

uno tiene un efecto sobre la conducta del todo, y ninguno tiene un
efecto independiente sobre l.

SISTEMAS V/S PROCESOS

Proceso: Conjunto de actividades que crean una salida o

resultado a partir de una o ms entradas o insumos.

Sistema: Un conjunto de elementos interconectados utilizados

para realizar el proceso. Incluye subprocesos pero tambin
incluye los recursos y controles para llevar a cabo estos procesos.

En el diseo de procesos nos enfocamos en QU se ejecuta.

En el diseo del Sistemas el nfasis est en los detalles de

CMO, DNDE Y CUNDO.

SISTEMAS V/S PROCESOS

Reglas de
Operacin
(Controles)

Sistema

Entidades
que Entran

Actividades

Recursos

Entidades
que Salen

METODOLOGA DE LA
INVESTIGACION DE OPERACIONES
Problema
Es identificar, comprender y describir
trminos precisos, el problema que
organizacin enfrenta. El enunciado es
definicin del problema. Un problema no
formula sino se define.

Los recursos
son escasos

Los sistemas
son cada vez
ms complejos

Cada vez es ms difcil asignar los

recursos o actividades de la forma ms eficaz

en
la
la
se

MTODOS EN INVESTIGACIN OPERATIVA

Mtodos determinsticos: Programacin lineal, programacin
entera, probabilidad de transporte, teora de la localizacin o
redes, programacin multicriterio, teora de inventarios, etc.
Mtodos probabilsticos: Cadenas de markov, teora de juegos,
lneas de espera, teora de inventarios, etc.
Mtodos hbridos:
probabilsticos.

Conjugan

mtodos

determinsticos

Mtodos heursticos: soluciones basadas en la experiencia.

INVESTIGACION DE OPERACIONES
Clasificacin de los modelos segn la
Investigacin Operaciones
Modelo Matemtico
Es aquel modelo que describe el comportamiento de un sistema a
travs de relaciones matemticas y supone que todas las variables
relevantes son cuantificables. Por ende tiene una solucin optima.
Modelo de Simulacin
Es un modelo que imita el comportamiento de un sistema sobre un
periodo de tiempo dado, esta basado en observaciones
estadsticas. Este tipo de modelo entrega soluciones aproximadas.
Modelo Heurstico
Es una regla intuitiva que nos permite la determinacin de una
solucin mejorada, dada una solucin actual del modelo,
generalmente son procedimientos de bsqueda. Este tipo de
modelo tambin entrega soluciones aproximadas.

INVESTIGACION DE OPERACIONES
El Arte del Modelado
La Investigacin de Operaciones debe ser considerada como
una ciencia y la vez como un arte.
Una ciencia por el uso de tcnicas matemticas para la resolucin
de los problemas.
Un arte ya que la formulacin del modelo depende en gran parte
de la creatividad y la experiencia de las operaciones del equipo
investigador.

ELEMENTOS PARA FORMULACIN DE

PROBLEMAS
Habilidad para describir el diseo en trminos matemticos
Variables
Parmetros
Funciones

VARIABLES DE DISEO

Las variables de diseo son aquellas que asumen ms de

un valor o estado durante el rango de validez del modelo.

Los valores del conjunto de estas variables caracterizan un

diseo particular

Cambian en un determinado rango a medida que buscamos

el diseo ptimo

Son las incgnitas del problema

Tamao de un objeto, nmero de objetos,

Deben ser linealmente independientes

VARIABLES DE DISEO

El conjunto de variables de diseo se identifica como vector

de diseo

Nomenclatura
[X]
Xx
[x1, x2, , xn]
xi, i = 1,2,,n

FUNCIN OBJETIVO

Problema: Minimizar o maximizar cierta cantidad que se

calcula con una funcin

Un problema de maximizacin se puede convertir en uno de

minimizacin sin ms que cambiar el signo de la funcin
objetivo

Nomenclatura:
f
f(x1, x2, , xn) o f(X)

PARMETROS DE DISEO

Parmetros de diseo son aquellos que no cambian o no

pueden cambiar su valor durante el rango de validez del
modelo matemtico o fsico de un proceso.

Constantes que no cambian para los diferentes diseos

Importantes en modelo pero no en la bsqueda del diseo

ptimo

Nomenclatura:
[P]
P
[p1, p2, , pq]

RESTRICCIONES

Comparacin con un valor numrico que limita

Tipos:
De igualdad: =
De desigualdad: ,

Ejemplo 1
Volumen de la lata: fun1(X) = 500 cm3

Ejemplo 2
Deflexin: fun2(X) 1 mm

RESTRICCIONES

Si las restricciones no se cumplen No hay solucin

Diseo factible Todas las restricciones se satisfacen

Un diseo ptimo debe ser factible

El espacio definido por las restricciones se llama dominio

factible

FORMATO ESTNDAR

Minimizar f(x1, x2, , xn)

Sujeto a
hk(x1, x2, , xn) = 0, k=1,2,,l
gj (x1, x2, , xn) 0, j=1,2,,m
xil xi xiu, i=1,2,,n

Lenguaje natural
Minimizar la funcin objetivo f, sujeto a 1 restricciones
de igualdad, m restricciones de desigualdad, con n
variables de diseo comprendidas entre unos lmites
inferior y superior

MODELADO EJEMPLO 1
d
h

Variables de diseo: d, h
Parmetro de diseo: C (coste del material por unidad rea)
Volumen = d2h/4
rea = dh
Restriccin esttica: h2d

MODELO EJEMPLO 1

Minimizar f(d,h): Cdh

Sujeto a
h1(d,h): d2h/4 500 = 0
g1(d,h): 2d h 0
6 d 9;
5 h 20

Minimizar f(x1,x2): Cx1x2

Sujeto a
h1(x1,x2): x12x2/4 500 = 0
g1(x1,x2): 2x1 x2 0
6 x1 9;

5 x2 20

INVESTIGACIN DE OPERACIONES
Para la aplicacin de la IO se siguen los siguientes pasos:

La IO comienza con la observacin cuidadosa de la realidad.

Formular el problema.
Construir un modelo que intente abstraer la esencia del problema real.
Solucin del modelo.
Anlisis de sensibilidad, hay que ver como se comporta el modelo
ante cambios en las restricciones y/o parmetros del modelo

Implementar los resultados, se debe interpretar los resultados y dar

conclusiones y cursos de accin para la optimizacin del problema
real

METODOLOGA DE LA INVESTIGACION
DE OPERACIONES
I) Identificacion de las variables
Xij=#deconsultoresqueviajandel
origenialdestinoj
II) Identificacion de la funcion
objetivo
Max
540X11+300X12+420X13+
500X21+330X22+330X23+
520X31+310X32+350X33
III) Identificacion de las
restricciones
X11+X12+X132
X21+X22+X231
X31+X32+X334
X11+X21+X31=3
X12+X22+X32=2
X13+X23+X33=1
Xij0;entero

Desarrollo de un modelo matemtico Es la

traduccin del problema a trminos matemticos.
Es formular un modelo matemtico:
Identificando variables
Identificando la Funcin Objetivo
Identificando las restricciones
Objetivos: funcin objetivo
alternativas: variables de decisin
limitaciones del sistema: restricciones

METODOLOGA DE LA INVESTIGACION
DE OPERACIONES
Desarrollo de un modelo matemtico
Paso 1. Identificar las variables de decisin
Sobre qu tengo control?
Qu es lo que hay que decidir?
Cul sera una respuesta vlida del caso?
Paso 2. Identificar la funcin objetivo
Qu pretendemos conseguir?
qu me interesara ms?
Paso 3. Identificar las restricciones o factores que limitan la
decisin, recursos disponibles (trabajadores,
mquinas,
material), fechas lmite, naturaleza de las
variables (no
negatividad, enteras, binarias).
Paso 4.Traduccin de los elementos bsicos a un modelo
matemtico.

METODOLOGA DE LA INVESTIGACION
DE OPERACIONES
Resolucin del modelo
Es resolver el modelo usando una tcnica
adecuada, es decir obtener valores numricos
para la variable de decisin.
Es determinar los valores de las variables de
decisin de modo que la solucin sea ptima (o
satisfactoria) sujeta a las restricciones.
Puede haber distintos algoritmos y formas de
aplicarlos. En esta parte se usa el Software WIN
QSB. Hay otros como el LINDO, MLP y TORA

VENTAJA DE LOS MODELOS

Unmtodoptimoparalograrunobjetivo.
Unaformadeevaluarpreguntasdesensibilidaddelaforma:
Qusucederas...?

EL MODELO DE
PROGRAMACIN LINEAL
PROVEE UNA SOLUCIN
INTELIGENTE PARA ESTE
PROBLEMA

Es un Arte que mejora con la

prctica

PRACTIQUEMOS!

Hoy en da, la toma de decisiones abarca una gran cantidad

de problemas reales cada ms complejos y especializados,
que necesariamente requieren del uso de metodologas para
la formulacin matemtica de estos problemas y,
conjuntamente, de mtodos y herramientas de resolucin,
como los que provee la Investigacin de Operaciones.

FORMULACION DE UN PROBLEMA
PROGRAMACIN LINEAL
Funcin Objetivo: Max o Min (Z) = C X
Sujeto a :
AXB
Xi 0 ; i = 1, 2,...., n
La Programacin Lineal es una herramienta para resolver problemas
de optimizacin que se caracterizan por tener como funcin objetivo y
restricciones combinaciones lineales de las variables de decisin.
Conceptos Bsicos:

Variables de Decisin

Funcin Objetivo
Restricciones
Restricciones de Signo
Consideremos los siguientes ejemplos para describir los conceptos
bsicos presentes en todo problema de programacin lineal (PPL)

CONSTRUCCIN DE MODELOS DE PROGRAMACION LINEAL

Ejemplo N 1
La Compaa PARGOLF es un pequeo fabricante de equipo y suministros
para golf. El distribuidor de PARGOLF cree que existe un mercado tanto
para una bolsa de golf de precio moderado, denominada modelo estndar,
como para una bolsa de precio elevado, denominada modelo de lujo. El
distribuidor est tan confiado en el que, si PARGOLF puede hacer las
bolsas a un precio competitivo, el distribuidor comprar todas las bolsas
que PARGOLF pueda fabricar durante los siguientes tres meses. Un
anlisis cuidadoso de los requerimientos de tiempo de produccin para
las cuatro operaciones de manufactura y la estimacin hecha por el
departamento de contabilidad de la contribucin a la ganancia por bolsa.
Tiempo de produccin (horas/bolsa)
Producto

Corte y
teido

Estndar

7/10

1/2

1/10

S/. 10

5/6

2/3

1/4

S/. 9

De lujo

Costura

Terminado

Inspeccin
y empaque

Ganancia
por bolsa

El director de manufactura estima que dispondrn de 630 horas de

tiempo de corte y teido, 600 horas de tiempo de costura, 708 horas de
tiempo de terminado y 135 horas de tiempo de inspeccin y empaque
para la produccin de bolsas de golf durante los siguientes tres meses.
a) Si la compaa desea maximizar la contribucin a la ganancia
total, Cuntas bolsas de cada modelo debera fabricar?
b) Cuntas horas de tiempo de produccin se programaran para
cada operacin?
c) Cuntas horas de tiempo de ocio se tendrn en cada operacin?

Formulacin:

Variable de decisin:
Xi = Nmero de bolsas de modelo i a fabricar por trimestre
i = 1, 2
Objetivo:
Maximizar: Ganancia/trimestre
Restricciones:
Tiempo disponible por trimestre
Condiciones tcnicas.
X1, X2 > 0

Corte y teido
Corte
Acabado
Inspeccin y empaque

Modelo Matemtico de Programacin Lineal:

Mx: Ganancia
Max. (Z) = 10X1 + 9X2
S/.

Trimestre

S/.

Bolsa

Bolsa

Trimestre

Sujeto a:
Hora

Bolsas

Bolsa

Trimestre

7/10X1 +

Horas
Trimestre

X2 < 630 Corte y teido

1/2X1 + 5/6X2 < 600 Costura

X1 + 2/3X2 < 708 Acabado
1/10X1 + 1/4X2 < 135 Inspeccin y empaque
X1, X2 > 0

Ejemplo N 2: El problema de la industria

de juguetes Galaxia.

Galaxia produce dos tipos de juguetes:

* Space Ray
* Zapper

Los recursos estn limitados a:

* 1200 libras de plstico especial.
* 40 horas de produccin semanalmente.

Requerimientos de Marketing.
* La produccin total no puede exceder de 800 docenas.
* El nmero de docenas de Space Rays no puede exceder al
nmero de docenas de Zappers por ms de 450.

Requerimientos Tecnolgicos.
* Space Rays requiere 2 libras de plstico y 3 minutos de
produccin por docena.
* Zappers requiere 1 libra de plstico y 4 minutos de produccin
por docena.

Plan comn de produccin para:

* Fabricar la mayor cantidad del producto que deje mejores
ganancias, el cual corresponde a Space Ray (S/. 8 de utilidad
por docena).
* Usar la menor cantidad de recursos para producir Zappers,
porque estos dejan una menor utilidad (S/. 5 de utilidad por
docena).

Solucin

Variables de decisin
* X1 = Cantidad producida de Space Rays (en docenas por
semana).
* X2 = Cantidad producida de Zappers (en docenas por
semana).

Funcin objetivo
* Maximizar la ganancia semanal.

Modelo de Programacin Lineal

Max (Z) = 8X1 + 5X2 (ganancia semanal)
Sujeto a:
2X1 + 1X2 1200
3X1 + 4X2 2400
X1 + X2 800
X1 - X2 450
Xj 0, j = 1, 2.

(Cantidad de plstico)
(Tiempo de produccin)
(Limite produccin total)
(Produccin en exceso)
(Resultados positivos)

El plan comn de produccin consiste en:

Space Rays = 550 docenas
Zappers
Utilidad

= 100 docenas
= S/. 4900 por semana

EJEMPLO N 3
Una firma industrial elabora dos productos, en los cuales entran
cuatro componentes en cada uno. Hay una determinada
disponibilidad de cada componente y un beneficio por cada
producto. Se desea hallar la cantidad de cada articulo que debe
fabricarse con el fin de maximizar los beneficios.
El siguiente cuadro resume los coeficientes de transformacin o
sea la cantidad de cada componente que entra en cada producto.
Producto
Componente
A
B
C
D
Beneficios
S/./unidad

P1

P2

1
2
2
1
4

3
1
2
1
3

Disponibilidad
(kilogramos)
15,000
10,000
12,000
10,000

X1 = N de unidades de producto P1
X2 = N de unidades de producto P2
Entonces el programa lineal correspondiente es:
Max (Z) = 4X1 + 3X2
Sujeto a :
1X1 + 3X2 15,000
2X1 + 1X2 10,000
2X1 + 2X2 12,000
1X1 + 1X2 10,000
X1, X2 0

EJEMPLO N 4
En una fbrica de cerveza se producen dos tipos: rubia y negra. Su
precio de venta es de S/. 0.5 / litro y S/. 0.3 / litro, respectivamente.
Sus necesidades de mano de obra son de 3 y 5 empleados, y de
5,000 y 2,000 soles de materias primas por cada 10,000 litro.
La empresa dispone semanalmente de 15 empleados y 10,000 soles
para materias primas, y desea maximizar su beneficio. Cuntos
litros debe producir?

FORMULACIN

Max (Z) = 5,000X1 + 3,000X2

S. A.
3X1 + 5X2

15

5,000X1 + 2,000X 2 10,000

X1, X2 0

Ejemplo N 5
Una mueblera produce mesas y sillas de madera. Cada mesa es
vendida en $27.000 y se requiere $10.000 en materiales para su
construccin, adems, el costo unitario por mano de obra es de
$14.000. En el caso de las sillas, el precio de venta es de $21.000 y
los costos de materiales y mano de obra son $9.000 y $10.000
respectivamente.
La fabricacin de cada producto requiere de dos labores: carpintera
y terminaciones. Una mesa requiere de 1 hora de carpintera y 2 de
terminaciones, mientras que la silla requiere de 1 hora en cada labor.
Cada semana, la mueblera puede obtener todos los materiales que
desee, sin embargo, se pueden dedicar hasta 100 horas a las
terminaciones y hasta 80 horas a la carpintera. La demanda por
mesas no est limitada, mientras que la demanda por sillas es de 40
unidades.
Formule un modelo matemtico que permita maximizar las utilidades
de la mueblera.

Formulacin
Variables de decisin:
Se debe comenzar definiendo las variables de decisin relevantes. En
un PPL las variables de decisin deben ser capaces de describir
completamente las decisiones que puedan ser tomadas y todas las
variantes que existan.
Antes de definir las variables de decisin es importante definir las
unidades involucradas en el problema.
En este caso, se habla de unidades de sillas y mesas, de horas de
trabajo por unidad y de demanda semanal. De acuerdo a ello, una
buena opcin para definir las variables de decisin consiste en
asociar las variables al nmero de unidades de sillas y mesas a
producir por semana. Por lo tanto, podemos definir:
X1 = Nmero de mesas producidas por semana.
X2 = Nmero de sillas producidas por semana.

Funcin Objetivo:
En un PPL, se debe tomar la decisin de maximizar (usualmente las
utilidades) o de minimizar (usualmente los costos) cierta funcin de
las variables de decisin.
La funcin que se va a optimizar se llama Funcin Objetivo y en ella
no aparece ningn trmino independiente o constante. Los valores
de las variables de decisin son independientes de cualquier
constante.
En el ejemplo, los costos e ingresos no dependen del valor de X 1 o
X2 por lo tanto basta concentrarse en maximizar la diferencia entre:
Ingresos Semanales Costos de Materiales Costos por mano de obra

Luego se deben expresar los trminos anteriores en funcin de las

variables de decisin X1 y X2.
Por lo que la funcin objetivo queda (expresada en miles de $):
(27X1 + 21X2) (10X1 + 9X2) (14X1 + 10X2) = 3X1 + 2X2
As, el objetivo de la mueblera es escoger los valores X1 y X2 tal que se
maximice 3X1 + 2X2
Denotando por Z el valor de la Funcin Objetivo para cualquier
Problema de Programacin Lineal, la funcin de la mueblera es:
Max Z = 3X1 + 2X2
El coeficiente que acompaa a cada variable en la Funcin Objetivo se
denomina coeficiente en la funcin objetivo de la variable y refleja el
aporte unitario de dicha variable.

Restricciones:
En las medidas que las variables crecen, la Funcin Objetivo
aumenta su valor. Por lo tanto si se pudiera escoger arbitrariamente
el valor de la variables, la mueblera podra hacer crecer el valor de
sus utilidades en forma infinita. En la prctica esto no es posible y en
el ejemplo el valor que toman las variables est limitado por las
siguientes 3 restricciones:

Mximo 100 horas semanales para terminaciones.

Mximo 80 horas semanales para carpintera.
Produccin mxima de 40 sillas semanales.
Luego, el prximo paso consiste en formular matemticamente las
restricciones anteriores en funcin de las variables de decisin.

Para formular la primera restriccin en funcin de las variables X1 y X2

observamos que:
Hrs. terminaciones x mesa + hrs. terminaciones x silla hrs.
disponibles para terminacin

Por lo que la restriccin queda:

2X1 + X2 100
Es importante notar que todos los valores en la expresin anterior
son por semana, ya que las variables de decisin se han escogido
con esa referencia.

Anlogamente la segunda restriccin queda:

X1 + X2 80
Finalmente, la tercera restriccin slo limita el valor de la variable X 2
X2 40
Restricciones de Signo:
Para completar la formulacin del modelo es importante definir si
existe alguna restriccin de signo para cada variable de decisin.
Si una variable de decisin Xi debe cumplir condiciones de NO
NEGATIVIDAD, debemos agregar la siguiente restriccin:
Xi 0

Si la variable de decisin Xi puede asumir valores positivos o

negativos se dice que Xi no tiene restriccin de signo (SRS).
En el ejemplo ambas variables de decisin se refieren a cantidades
a producir, por lo tanto son no negativas. Sin embargo, en otros
ejemplos las variables pueden ser SRS, por ejemplo en el caso de
que Xi se refiere al saldo de alguna cuenta.
Combinando todas las expresiones anteriores, es posible
completar el modelo matemtico para este problema de
optimizacin, quedando de la siguiente forma:

Definicin de variables:
X1: nmero de mesas producidas por semana.
X2: nmero de sillas producidas por semana.
Funcin Objetivo:
Max Z = 3X1 + 2X2
Sujeto a:
2X1 + X2 100
X1 + X2 80
X2 40
Xj 0

j=1y2

Horas disponibles para terminaciones por semana

Horas disponibles para carpintera por semana
Produccin mxima de sillas por semana
No negatividad

MODELO GENERAL DE PROGRAMACIN LINEAL

Optimizar

Coeficientes objetivo
Variables de decisin

Max(Z) = C1 X 1 + C 2 X 2 +...... + Cn Xn
Sujeto a:

a X +a X
11

a X +a
21

Coeficientes recurso

Coeficientes tecnolgicos

12

22

+ ..... + a X ( , = , ) b
1

1n

+ ..... + a

2n

X n ( , = , ) b2
.

m1

X +a
1

m2

X + ..... + a
2

X1,2,.....n > 0

mn

X ( , = , )b
n

Condiciones tcnicas o
No negatividad

Donde el vector c tambin conocido como el vector costos,

viene dado por:

C = c1 c 2 ... c n-1 c n

El vector de lado derecho o b, viene dado por:

b1

b2
.

.
bm-1

bm

Este es un vector columna, que representa los recursos de

las m actividades. Es por lo tanto el elemento de la mano
derecha de cada una de las m ecuaciones.

 La matriz A, representa los coeficiente tecnolgicos; es la

matriz para el sistema de ecuaciones Ax = b:

a11

a21

A
.

am,1

a12
a2 2
.
am,2

... a1n

... a2n
...
.

... am,n

El sistema de ecuaciones o el modelo de PL, queda

representado por:
Max (Z) = C X
Sujeto a:
A X = bi
A X bi
A X bi
X0

EL MODELO DE P.L.
Z: funcin objetivo
C (c1,...,cn): vector de coeficientes de la f. o.
X (x1,...,xn): vector de variables de decisin
A (...,aij,...): matriz de coeficientes tcnicos
b (b1,...,bm): vector de demandas
Matricialmente,
Optimizacin Max o Min = CX
S.A.
AX b
Forma cannica
x0

Problema N 1

Variables de Decisin
X1 = Cantidad de Manteles comprados (slo se puede comprar el
primer da).
X2 = Cantidad de Manteles mandados a lavar en servicio rpido el
primer da.
X3 = Cantidad de Manteles mandados a lavar en servicio normal el
primer da.
X4 = Cantidad de Manteles mandados a lavar en servicio rpido el
segundo da.

Restricciones.
a) Satisfaccin de la necesidad de manteles al primer da X1 40
b) Satisfaccin de la necesidad de manteles al segundo da.
(X1 40) + X2 60 X1 + X2 100
c) Satisfaccin de la necesidad de manteles al tercer da.
(X1 40) + X2 60 + X3 + X4 70 X1 + X2 + X3 + X4 170
d) El nmero de manteles mandados a lavar el primer da, puede a l
o mas ser igual al nmero de manteles usados ese da.
X2 + X3 40
e) El nmero de manteles mandados a lavar hasta el segundo da,
puede a lo mas ser igual al nmero de manteles usados hasta
ese da.
X2 + X3 + X4 40 + 60 X2 + X3 + X4 100
f ) No negatividad.
X1, X2, X3, X4 0
Funcin Objetivo
Min (Z) = 20X1 + 15X2 + 8X3 + 15X4

Problema N 2
Variables de Decisin
X1 = numero de libras de carne molida de res empleadas en cada libra
de albndigas.
X2 = numero de libras de carne molida de cerdo empleadas en cada
libra de albndigas.
Restricciones
Cada libra de albndigas tendr 0.20 X1, libras de grasa provenientes
de la carne de res y 0.32 X2 libras de grasa de la carne de cerdo. El
contenido total de grasa de una libra de albndigas no debe ser
mayor de 0.25 libras. Entonces:
0.20X1 + 0.32X2 0.25
El nmero de libras de carne de res y de cerdo empleadas en cada
libra de albndigas debe sumar 1; entonces:
X1 + X 2 = 1
Finalmente, la tienda no puede usar cantidades negativas de ninguna
de las carnes, as que hay dos restricciones de no negatividad: X1 0
y X2 0.
Funcin Objetivo
Min (Z) = 80X1 + 60X2

Problema N 3

Variables de decisin
X1: Unidades de A producidas en total
X2: Unidades de B producidas en total
X3: Unidades de C producidas en total
X4: Unidades de A vendidas
X5: Unidades de B vendidas

Funcin Objetivo
Max (Z) = 700 X4 + 3,500 X5 + 7,000 X3

Restricciones
Sujeto a:
X1 + 2X2 + 3X3 40
X1 = X4 + 2X2
X2 = X 5 + X 3
X1, X2, X3, X4, X5 0

Problema N 5
Un fabricante cuyo negocio es mezclar aguardiente, compra tres grados A, B, y C. Los
combina de acuerdo a las recetas que especifican los porcentajes mximo y mnimo
de los grados A y C en cada mezcla. Estos porcentajes se dan en la tabla N 1.
TABLA N 1 ESPECIFICACIONES DE MEZCLAS
MEZCLA

ESPECIFICACION

PRECIO POR BOTELLA

Sper Fuerte

No menos de 60% de A
No mas de 20% de C

S/. 6.80

Fuerte

No ms de 60% de C
No menos de 15% de A

S/. 5.70

Menos Fuerte

No ms de 50% de C

S/. 4.50

La provisin de los tres grados de aguardientes bsicos, junto con sus costos se presente
en la tabla N 2.
TABLA N 2 DISPONIBILIDAD Y COSTOS DE AGUARDIENTE
MAXIMA CANTIDAD
DISPONIBLE
BOTELLAS POR DIA

COSTO POR BOTELLA

AGUARDIENTE
A

2000

S/. 7.00

2500

S/. 5.00

1200

S/. 4.00

Indique cmo se obtiene la primera matriz en un modelo de programacin lineal de una

poltica de produccin que haga mxima la ganancia.

Solucin
X11 : Cantidad de A usada para el super fuerte
X21 : Cantidad de B usada para el super fuerte
X31 : Cantidad de C usada para el super fuerte
X12 : Cantidad de A usada para el fuerte
X22 : Cantidad de B usada para el fuerte
X32 : Cantidad de C usada para el fuerte
Max (Z) = 6.80 (X11 + X21 + X31) + 5.7 (X12 + X22 + X32) [ 7(X11 + X12) +
5(X21 + X22) + 4(X31 + X32)]
Sujeto a:
X11 + X12 2,000
X21 + X22 2,500
Disponibilidad
X31 + X32 1,200
X11 0.60 (X11 + X21 + X31)
X31 0.20 (X11 + X21 + X31)

X32 0.60 (X12 + X22 + X32)

X12 0.15 (X12 + X22 + X32)
Xij 0 : i = 1, 2, 3 ; j = 1, 2

Problema N 6
Una compaa fabrica dos clases de cinturones de piel. El cinturn A
es de alta calidad, y el cinturn B es de baja calidad. La ganancia
respectiva por cinturn es de S/. 0.40 y S/. 0.30. Cada cinturn de tipo
A requiere el doble de tiempo que el que usa el de tipo B, y si todos
los cinturones fueran de tipo B, la compaa podra fabricar 1000 da,
el abastecimiento de piel es suficiente nicamente para 800
cinturones diarios (A y B combinados) el cinturn A requiere una
hebilla elegante, de las que solamente se dispone 400 diarias. Se
tiene nicamente 700 hebillas al da para el cinturn B. Establezca las
ecuaciones de programacin lineal para el problema.
Tipo de cinturn
A
B

Ganancia
S/. / Cin
0.4
0.3

Disponibilidad
hebillas/da
400
700

Xi: Nmero de cinturones producidos por da del tipo i; donde i =

A, B
tA = 2tB
FUNCIN OBJETIVO: Max (Z) = 0.4 XA + 0.3 XB
Sujeto a:
2 XA + XB 1,000
XA + XB

800

XA

400

XB

700

XB

XA,

Problema N 5
Un fabricante cuyo negocio es mezclar aguardiente, compra tres grados A, B, y C. Los
combina de acuerdo a las recetas que especifican los porcentajes mximo y mnimo
de los grados A y C en cada mezcla. Estos porcentajes se dan en la tabla N 1.
TABLA N 1 ESPECIFICACIONES DE MEZCLAS
MEZCLA

ESPECIFICACION

PRECIO POR BOTELLA

Sper Fuerte

No menos de 60% de A
No mas de 20% de C

S/. 6.80

Fuerte

No ms de 60% de C
No menos de 15% de A

S/. 5.70

Menos Fuerte

No ms de 50% de C

S/. 4.50

La provisin de los tres grados de aguardientes bsicos, junto con sus costos se presente
en la tabla N 2.
TABLA N 2 DISPONIBILIDAD Y COSTOS DE AGUARDIENTE
MAXIMA CANTIDAD
DISPONIBLE
BOTELLAS POR DIA

COSTO POR BOTELLA

AGUARDIENTE
A

2000

S/. 7.00

2500

S/. 5.00

1200

S/. 4.00

Indique cmo se obtiene la primera matriz en un modelo de programacin lineal de una

poltica de produccin que haga mxima la ganancia.

Solucin
X11 : Cantidad de A usada para el super fuerte
X21 : Cantidad de B usada para el super fuerte
X31 : Cantidad de C usada para el super fuerte
X12 : Cantidad de A usada para el fuerte
X22 : Cantidad de B usada para el fuerte
X32 : Cantidad de C usada para el fuerte
Max (Z) = 6.80 (X11 + X21 + X31) + 5.7 (X12 + X22 + X32) [ 7(X11 + X12) +
5(X21 + X22) + 4(X31 + X32)]
Sujeto a:
X11 + X12 2,000
X21 + X22 2,500
Disponibilidad
X31 + X32 1,200
X11 0.60 (X11 + X21 + X31)
X31 0.20 (X11 + X21 + X31)

X32 0.60 (X12 + X22 + X32)

X12 0.15 (X12 + X22 + X32)
Xij 0 : i = 1, 2, 3 ; j = 1, 2

Problema N 7

X1 = toneladas de mineral 1 en el molde

X2 = toneladas de mineral 2 en el molde
Hierro forjado
Plomo
Min (Z) = 260 X1 + 80 X2

Mineral 1
60%
10%

Mineral 2
13%
3%

Sujeto a:
0.60 X1 + 0.13 X2 0.20 (X1 + X2)
0.10 X1 + 0.03 X2 0.05 (X1 + X2)
X1,

X2, 0

Problema N 8
Una industria de muebles requiere de 350 barras de 2x4x20
cm. y de 200 barras de 2x3x20 cm., si dicha empresa dispone
de barras cuyas dimensiones son 7x5x20 cm., cual debe ser el
programa que debe seguir para minimizar desperdicios
sabiendo que el mximo debe ser de 140 cm3.

Solucin

140 cm3 = 7 cm2

20 cm
350
2 x 4 x 20
200
2 x 3 x 20
Xi = cantidad de barras a obtenerse en la modalidad de corte i
Min (Z) = 100 X1 + 60 X2 + 140 X3
2 x 4 x 20
2 x 3 x 20

X1

X2

X3

0
5

1
4

2
2

Sujeto a:
X2 + 2 X3 350
5 X1 + 4 X2 + 2 X3 200
X1,

X2,

X3 0

Problema N 9
Un fabricante de lminas metlicas recibe un pedido para producir
2000 lminas de tamao 2 x 4 y 1000 lminas de tamao 4 x 7. Se
dispone de dos lminas estndar de tamao 10 x 3000 y 11 x 2000.
El personal del departamento de ingeniera decide que los tres
siguientes patrones de corte son adecuados para satisfacer el
pedido y minimizar el desperdicio. Formule el problema como un
modelo de programacin lineal.
Patron N 1

Patron N 2

4'

2'

4'

2'

2'

7'

Patron N 3

4'

2'

2'

2'

2'

2'

Solucin
Lminas 2 x 4
4x7
750 para
cortar

2,000
1,000

10 x 3,000
11 x 2,000

Xij = Cantidad de patrones i utilizado para cortar

en la lmina j
Sujeto a:
2 x 4
1 X11 + 5 X31 + 2 X22 + 5 X32 2,000
4 x 7

1 X11 + 0 X31 + 1 X22 + 0 X32 1,000

X11 +

500 para
cortar

X11,

X31
X31,

3,000/4
X22 + X32 2,000/4
X22, X32 0

Min (Z) = 4 X11 + 0 X31 + 0 X22 + 4 X32

Problema N 10

El Real Hotel opera los 7 das a la semana. Las mucamas son

contratadas para trabajar seis horas diarias. El contrato
colectivo especifica que cada mucama debe trabajar 5 das
consecutivos y descansar 2 das. Todas las mucamas reciben el
mismo sueldo semanal. El Real hotel requiere como mnimo las
horas de servicio.
Lunes 150, Martes 200, Mircoles 400, Jueves 300, Viernes 700,
Sbado 800 y Domingo 300. El administrador desea encontrar
un plan de programacin de empleos que satisfaga estos
requerimientos y a un costo mnimo.
Formule este problema como un modelo de programacin
lineal.

Solucin

Continuacin..
Xi = Nmero de mucamas que empiezan a trabajar el da i
durante
cinco dias consecutivos
XJ + XV + XS + XD + XL
150 / 6
XV + XS + XD + XL + XMa
200 / 6
XS + XD + XL + XMa+ XMi
400 / 6
XD + XL + XMa+ XMi+ XJ
300 / 6
XL + XMa+ XMi+ XJ + XV
700 / 6
XMa+ XMi+ XJ + XV +XS
800 / 6
XMi+ XJ + XV +XS + XD 300 / 6
XL , XMa, XMi, XJ , XV , XS , XD 0
Min (Z) = XL + XMa+ XMi+ XJ + XV + XS + XD

Problema

El hospital ESSALUD ha decidido ampliar su servicio de urgencias (abierto las 24 horas) con
la consiguiente necesidad de nuevo personal de enfermera. La gerencia del hospital ha
estimado las necesidades mnimas de personal por tramos horarios para poder cubrir las
urgencias que se presenten. Se definieron 6 tramos de 4 horas. La necesidad mnima de
personal en cada tramo se indica en el cuadro mostrado. Por otro lado, el departamento de
recursos humanos ha informado a gerencia que los contratos laborales han de ser de ocho
horas seguidas, segn el Convenio firmado con los sindicatos, independientemente de los
horarios de entrada y salida del personal.
El problema es encontrar el nmero mnimo de personal necesario para cubrir la
demanda.

Solucin

Min (Z) = X1 + X2 + X3 + X4 + X5 + X6
Sujeto a:
X1 + X 2

X2 + X3

X3 + X 4

X4 + X5

X5 + X 6

X6 + X1 9
Xj 0, j= 1,...,6

Problema
Dos aleaciones, A y B, estn hechas de cuatro metales diferentes: I, II, III y IV, segn las especificaciones
siguientes:

Los cuatro metales se extraen de tres minerales metlicos diferentes:

Suponiendo que los precios de venta de las aleaciones A y B son US$ 200 y US$ 399 por tonelada,
formule el problema como un modelo de programacin lineal.
Sugerencia: supngase que Xijk representa el nmero de toneladas del i-simo metal obtenido de la jsimo mineral metlico y asignado a la k-sima aleacin.

Solucin
Xijk = nmero de toneladas del i esimo metal obtenido de la j esimo mineral metlico
asignado a la k esima aleacin
Max (Z) = [(X11A + X21A + X31A + X41A + X12A + X22A + X32A + X42A + X13A + X23A + X33A + X43A)200
(X11B + X21B + X31B + X41B + X12B + X22B + X32B + X42B + X13B + X23B + X33B + X43B)399] (X11A + X21A + X31A + X41A )30 (X11B + X21B + X31B + X41B)30 (X12A + X22A + X32A +
X42A)40 - (X12B + X22B + X32B + X42B)40 (X13A + X23A + X33A + X43A)50 (X13B + X23B + X33B + X43B)50
Sujeto a:
X11A + X21A + X31A + X41A + X11B + X21B + X31B + X41B 1,000
X12A + X22A + X32A + X42A + X12B + X22B + X32B + X42B 2,000

Disponibilidad

X13A + X23A + X33A + X43A + X13B + X23B + X33B + X43B 3,000

X11A + X12A + X13A 0.80 [X11A + X21A + X31A + X41A + X12A + X22A + X32A + X42A + X13A +
X23A + X33A + X43A]
Xijk 0

Problema N 11
La Compaa XYZ produce tornillos y clavos. La materia Prima para
los tornillos cuesta S/. 2 por unidad, mientras que la materia prima
para el clavo cuesta S/. 2.50. Un clavo requiere dos horas de mano de
obra en el departamento N 1 y tres en el departamento N 2, mientras
que un tornillo requiere 4 horas en el departamento N 1 y 2 horas en
departamento N 2, el jornal por hora en ambos departamentos es de
S/. 2. Si ambos productos se venden a S/. 18, y el nmero de horas de
mano de obra disponibles por semana en los departamentos son de
160 y 180 respectivamente. Expresar el problema propuesto como un
programa lineal, tal que maximice las utilidades.

Solucin
X1 : unidades de clavos a producirse por semana
X2 : unidades de tornillos a producirse por semana
Max (Z) = 18(X1 + X2) [10 X1 + 2 X1 + 12 X2 + 2.5 X2]
Sujeto a:
2 X1 + 4 X2 160
3 X1 + 2 X2 180
X1 ,

X2 0

Problema N 12
Xi : cantidad de unidades del tipo i a ser fabricados para ser
vendidos a la semana
i : 1, 2, y 3
1 = vlvula globo
2 = vlvula aguja
3 = mdulo
Max (Z) = 10 X1 + 20 X2 + 60 X3
Sujeto a:
10X1 + 15X2 + (25 + 2 x 10)X3 25,000
5X1 + 5X2 + (10 + 2 x 5) X3 15,000
5X1 + 5X2 +
10 X3 45,000
5X2 +
10 X3 45,000
5X2 +
20 X3 45,000
X3 200
X1 ,
X2 ,
X3 0

Problema N 13
TAKAGAKI S. A. fabrica dos tipos de alimentos balanceados,
recibe un pedido especial de 200 TN de una mezcla de protenas
y carbohidratos, la mezcla debe contener a lo ms 40% de
protenas y por lo menos 30% de carbohidratos, el costo de cada
TN de protenas es de S/. 3 y de cada TN de carbohidratos es de
8, determinar la mezcla ptima.
XP: TN. de protenas utilizadas en la mezcla
Xc: TN. de carbohidratos utilizadas en la mezcla
Max (Z) = 3 XP + 8 XC
Sujeto a:
XP + XC = 200
XP
0.40 ( XP + XC)
XC 0.30 ( XP + XC)
XP , XC 0

Problema N 14
Xi: Nmero de acres que se destinan a cada cosecha en cada comunidad
I = 1, 2, 3, 4, 5, 6, 7, 8, 9

Max (Z) = 1,000 (X1 + X2 + X3) + 750 (X4 + X5 + X6) + 250 (X7 + X8 + X9)
Sujeto a:
Terreno para uso en cada comunidad

X1 + X4 + X7 400
X2 + X5 + X8 600
X3 + X6 + X9 300

Continuacin
Asignacin de agua para cada comunidad
3 X1 + 2 X4 + X7 600

3 X2 + 2 X5 + X8 800
3 X3 + 2 X6 + X9 375
Total de acres para cada cosecha

X1 + X2 + X3 600
X4 + X5 + X6 500
X7 + X8 + X9 325
Igual proporcin del rea planteada

X1 + X4 + X7 = X2 + X5 + X8
400
600
X2 + X5 + X8 = X3 + X6 + X9
600
Xi 0 , i = 1,,9

300

Problema N 15
Variable de decisin
Xi = El uso de cada uno de los tres mtodos de abatimiento en cada
tipo de horno, expresado como una fraccin de la capacidad de
abatimiento de tal manera que Xi no exceda a 1
Funcin Objetivo
Min (Z) = 8X1 + 10X2 + 7X3 + 6X4 + 11X5 + 9X6
Sujeto a:
12X1 + 9X2 + 25X3 + 20X4 + 17X5 + 13X6 60
35X1 + 42X2 + 18X3 + 31X4 + 56X5 + 49X6 150
37X1 + 53X2 + 28X3 + 24X4 + 29X5 + 20X6 125
X1 +
X1,

X2 +
X2 ,

X3 +
X3 ,

X4 +
X4,

X5 +
X5 ,

X6 1
X6 0

Mtodo de
abatimiento

Tecnologa

METODOS DE SOLUCION DE PROBLEMAS

LINEALES
Mtodos:
Grfico. Fcilmente comprensible y permite visualizar
algunas propiedades.
Analtico. El mtodo simplex ha demostrado ser
eficiente
por el uso del computador.
Algeibraco
Mtodo Grfico: Este mtodo consiste en delinear sobre el primer
cuadrante (debido a la condicin de no negatividad) la regin de
soluciones factibles; luego sobre ella se grafica la funcin objetivo.
Ejemplo 1
Xi = Nmero de unidades del producto i
Max (Z) = X1 + X2
Sujeto a:
2 X1 + 2 X2 8
6 X1 + 2 X2 18
2 X1 + 4 X2 16
X1 , X2 0

SOLUCION GRAFICA

Cualquier punto dentro de la regin cumple simultneamente con las tres

restricciones y con la no negatividad.
Ahora el problema consiste en maximizar la funcin objetivo Z = X 1+X2
sobre la regin sombreada que representa a las restricciones del
problema lineal en estudio:
X1+X2 = 0

M = - X2
X1

Z=2
Z=0

La recta X1+X2 = 4 representa el mximo valor de Z, Sujeta a las

restricciones del programa lineal propuesto. Cualquier valor de Z > 6, no
tendr ningn punto con la regin sombreada

Regin Factible. Es aquella que cumple con

restricciones y las condiciones de no negatividad.

todas

las

Solucin Factible. Es cualquier punto situado en la regin factible.

Solucin Bsica. Es aquella que se encuentra en la interseccin
de rectas o hiperplanos o en la interseccin con los ejes
coordenados.
Solucin Bsica Factible. Es una solucin bsica que pertenece a
la regin factible.
Solucin Optima. Es una solucin factible que maximiza o
minimiza la funcin objetivo segn sea el caso
Solucin Bsica Factible Degenerada. Es una solucin factible
bsica en la que una o ms variables bsicas toman el valor de
cero.

TEOREMA 1. El conjunto de todas las soluciones factibles al problema

de programacin lineal es un conjunto convexo.
TEOREMA 2. La funcin objetivo alcanza su mximo en un punto
extremo del conjunto convexo, generado por el conjunto de soluciones
factibles al problema de programacin lineal.
1. Existe un punto extremo del polgono (poliedro) convexo en el
cual la funcin objetivo tiene su mximo (mnimo).
2. Cada solucin factible bsica corresponde a un punto extremo
del polgono (poliedro) convexo.
Se tendr que buscar que investigar nicamente los puntos extremos
del polgono (poliedro) convexo y buscar aquel punto que proporcione
el mayor (menor) valor para que la funcin objetivo y as obtendremos la
solucin buscada.

Restriccin de mayor o igual que cero, lmite mnimo

Ejemplo 2
Min (Z) = 2 X1 + 6 X2
Sujeto a:
12 X1 + 6 X2 16
4 X1 + 12 X2 12
X1 ,

X2 0

Ejemplo 3
Min (Z) = 2 X1 + 3 X2
Sujeto a:
X1 + X2 4
6 X1 + 2 X2 = 8
X1 + 5 X2 4
X1
3
X2 3
X1 , X2 0

La solucin se encuentra en el segmento A y B, donde X1 = 8/7 y X2

= 4/7. la funcin objetivo toma el valor de 4.

Ejemplo 4
Max (Z) = X1 + X2
Sujeto a:
- 4 X 1 + 2 X2 2
2 X1

2 X 1 + 2 X2 6
X1 ,

(2/3,7/3)
B
(2,1)

X2 0
C

Se aprecia que la recta de la funcin objetivo no es ahora tangente

a un vrtice del polgono factible, si no es coincidente con uno de
los lados del mismo.
Cul es entonces la solucin?
En este caso es posible definir cualquier punto sobre la recta BC y
hallar en consecuencia los valores X1 y X2.
X1 = 2 ; X2 = 1; Z = 3, otro resultado X1 = 2/3 , X2 = 7/3 ; Z = 3

Ejemplo 5
Max (Z) = 2 X1 + 2 X2

(6,5)

Sujeto a:
X1 - X2 1
1/ 2 X1 + X2 2
X1 ,

X2 0

No tiene un valor mximo finito.

En problemas prcticos no puede presentarse este tipo de
solucin

Ejemplo 6
Max (Z) = 3 X1 + 2 X2
Sujeto a:
X1 + X 2 1
2 X1 + 2 X 2 4
X1 ,

X2 0

Ejemplo 7
Max (Z) = X1 + X2
Sujeto a:
3 X1 - X 2 - 3
X1 +

X2 4

X1 ,

X2 0

No se puede garantizar que todo problema tenga solucin factible.

USANDO UN GRAFICO SE
PUEDEN REPRESENTAR TODAS
LAS RESTRICCIONES, LA
FUNCION OBJETIVO Y LOS
TRES TIPOS DE PUNTOS DE
FACTIBILIDAD.

Ejemplo: El problema de la industria de

juguetes Galaxia.

Galaxia produce dos tipos de juguetes:

* Space Ray
* Zapper

Los recursos estn limitados a:

* 1200 libras de plstico especial.
* 40 horas de produccin semanalmente.

Requerimientos de Marketing.
* La produccin total no puede exceder de 800 docenas.
* El nmero de docenas de Space Rays no puede exceder al
nmero de docenas de Zappers por ms de 450.

Requerimientos Tecnolgicos.
* Space Rays requiere 2 libras de plstico y 3 minutos de
produccin por docena.
* Zappers requiere 1 libra de plstico y 4 minutos de produccin
por docena.

Plan comn de produccin para:

Fabricar la mayor cantidad del producto que deje mejores
ganancias, el cual corresponde a Space Ray (S/. 8 de utilidad
por docena).
Usar la menor cantidad de recursos para producir Zappers, porque
estos dejan una menor utilidad (S/. 5 de utilidad por docena).

Solucin
Variables de decisin
X1 = Cantidad producida de Space Rays (en docenas por
semana).
X2 = Cantidad producida de Zappers (en docenas por
semana).

Funcin objetivo
Maximizar la ganancia semanal.

Modelo de Programacin Lineal

Max (Z) = 8X1 + 5X2 (ganancia semanal)
Sujeto a:
2X1 + 1X2 1200
3X1 + 4X2 2400
X1 + X2 800
X1 - X2 450
Xj 0, j = 1, 2.

(Cantidad de plstico)
(Tiempo de produccin)
(Limite produccin total)
(Produccin en exceso)
(Resultados positivos)

El plan comn de produccin consiste en:

Space Rays = 550 docenas
Zappers
Utilidad

= 100 docenas
= S/. 4900 por semana

Tipos de Puntos de factibilidad

X2
1200

Restriccin del plstico:

2X1 + X2 1200
Restriccin del total de produccin:
X1 + X2 800

No Factible

600

Horas de
Produccin
3X1 + 4X2 2400

Restriccin del
exceso de produccin:
X1 - X2 450

Factible
600

Punto Inferior

Punto Medio

800

X1

Punto Extremo

 Resolucin grfica para encontrar la solucin

optima

comenzar con una ganancia dada de = S/. 2,000...

1200

X2

Entonces aumente la ganancia...

...y contine hasta que salga de la regin factible

800

Ganancia
=S/.
5,040
Util. = S/.
3,
4,
2,000

600

Re

l
r
la
u
lc
a
c

e
r
a

a
f
n

i
g

le
b
i
ct

X1
400

600

800

1200

X2

Se toma un valor cercano al

punto ptimo

800

Regin no
factible

600

Feasible
Regin
region
Factible
400

X1
600

800

Resumen de la solucin ptima

Space Rays = 480 docenas
Zappers
= 240 docenas
Ganancia
= S/. 5,040
*Esta solucin utiliza todas las materias primas (plstico) y
todas las horas de produccin.
* La produccin total son 720 docenas (no 800).
* La produccin de Space Rays excede a la de Zappers por
solo 240 docenas y no por 450.

Soluciones ptimas y puntos extremos.

* Si un problema de programacin lineal tiene una solucin
ptima, entonces esta corresponde a un punto extremo.

Mltiples soluciones ptimas.

* Cuando existen mltiples soluciones ptimas implica

que la funcin objetivo es una recta paralela a

uno de los lados de la regin factible.
* Cualquier promedio ponderado de la solucin ptima
es tambin una solucin ptima.

METODO SIMPLEX
1.
2.
3.
4.
5.
6.

bi 0
Restricciones
Restricciones
Restricciones =
Xj 0; xi = - Xi, donde Xi 0
Xi Sin Restriccin de Signo (SRS)
+,-,0
X1 ; SRS
X1 = X1+ - X1X1 = A1 - D1
A1 > D1; X1 > 0; X1 = A1 - 0
A1 = D1; X1 = 0; X1 = 0 - 0
A1< D1; X1 < 0; X1 = 0 - D1
donde :
A1, D 1 0

7.

Empate en el criterio en la variable que ingresa

se escoge arbitrariamente cualquiera.
Seleccionamos la variable que sale {i menor}

8.

Empate en el criterio en la variable que sale se

escoge arbitrariamente cualquiera.
Criterio de Optimalidad
Max Zj - Cj 0 ; Cj - Zj 0
Min

9.

Z j - Cj 0 ;

Tipo de soluciones.

Cj - Z j 0

Ejemplo Mtodo Simplex

Xi: Numero de unidades del producto tipo i que se deben producir

mensualmente.
Max (Z) = 30 X1 + 50 X2
Sujeto a:
X1 + 2 X2 200
X1 +

X2 140

X1 ,

X2 0

Solucin

(0,100)

(80,60)

(140,0)

Solucin

Iteracin N 1
Cj

30

50

Ci

XB

X1

X2

S1

S2

bi

S1

200

100

S2

140

140

30

50

30

50

Cj -Zj

Iteracin N 2
Cj
Ci

XB

X1

X2

S1

S2

bi

50

X2

1/2

1/2

100

200

S2

1/2

-1/2

40

80

-25

Cj -Zj

5000

Solucin

Iteracin N 3
Cj

30

50

Ci

XB

X1

X2

S1

S2

bi

50

X2

-1

60

30

X1

-1

80

-20

-10

Cj -Zj

5400

Maquinado
Armado
Montaje
Beneficio

ARTEFACTO A
(min/unid)

ARTEFACTO B
(min/unid)

DISPONIBILIDAD

4
5
12
100

8
6
6
120

480
600
540

Cuntos artefactos de A y B deben de producir para obtener el

mximo beneficio?

Xi: Cantidad de artefactos del tipo i a producirse al da.

FUNCIN OBJETIVO
Max (Z) = 100 X1 + 120 X2
Sujeto a:
4 X1 + 8 X2 480 Area de Maquinado
5 X1 + 6 X2 600 Area de Armado
12 X1 + 8 X2 540 Area de Montaje
X1 ,

X2 0

(0, 60)
(15/2, 225/4)

(45, 0)

Solucin

Iteracin N 1
Cj

100

120

Ci

XB

X1

X2

S1

S2

S3

bi

S1

480

60

S2

600

100

S3

12

540

135/2

Cj -Zj
Iteracin N 2

100

120

Cj

100

120

Ci

XB

X1

X2

S1

S2

S3

bi

120

X2

1/2

1/8

60

120

S2

-3/4

240

120

S3

-1

60

15/2

40

-15

Cj -Zj

7200

Iteracin N 3
Cj

100

120

0
S3

Ci

XB

X1

X2

S1

S2

120

X2

3/16

-1/16 225/4

S2

-1/2

-1/4

225

100

X1

-1/8

1/8

15/2

-10

-5

Cj -Zj

bi

7500

Xi: Variable de decisin

FUNCIN OBJETIVO
Max (Z) = 4 X1 + 3 X2
Sujeto a:
4 X1 + 2 X2 12
X1 + 3 X2 9
7 X1 + 2 X2 28
X1 ,

X2 0

Tipos de Solucin

Iteraciones
Cj

Ci

XB

X1

X2

S1

S2

S3

bi

S1

12

S2

S3

28

X1

4
1

3
1/2

0
1/4

0
0

0
0

S2

5/2

-1/4

12/5

S3

-3/2

-7/4

-1

Cj -Zj

Cj -Zj

24

X1

3/10

-1/5

9/5

X2

-1/10

2/5

12/5

S3

-19/10

3/5

53/5

-9/10

-2/5

Cj -Zj

Solucin Optima Unica

72/5

Xi: Variable de decisin

FUNCIN OBJETIVO
Max (Z) = 3 X1 + 5 X2
Sujeto a:
X1

4
2 X2 12

3 X1 + 2 X2 18
X1 ,

X2 0

Tipos de Solucin

Iteraciones
Cj

Ci

XB

X1

X2

S1

S2

S3

bi

S1

S2

12

S3

18

S1

3
1

5
0

0
1

0
0

0
0

X2

1/2

S3

-1

-5/2

Cj - Zj

Cj - Zj

30

S1

1/3

-1/3

X2

1/2

X1

-1/3

1/3

-3/2

-1

Cj - Zj

Solucin Optima Unica

36

Xi: Variable de decisin

FUNCIN OBJETIVO
Max (Z) = 3 X1 + 2 X2
Sujeto a:
X1

4
2 X2 12

3 X1 + 2 X2 18
X1 ,

X2 0

Tipos de Solucin

Iteraciones
Cj

Ci

XB

X1

X2

S1

S2

S3

bi

S1

S2

12

S3

18

X1

3
1

2
0

0
1

0
0

0
0

S2

12

S3

-3

-3

Cj - Zj

Cj - Zj

12

X1

S2

-1

X2

-3/2

1/2

-1

Cj - Zj

18

X1

-1/3

1/3

S1

1/3

-1/3

X2

1/2

-1

Cj - Zj

Solucin Optima Altenativa

18

Xi: Variable de decisin

FUNCIN OBJETIVO
Max (Z) = 10 X1 + 5 X2
Sujeto a:
-3 X1 + 4 X2 12
X1 - 2 X 2 2
X1 + 2 X2 8
X1 ,

X2 0

Tipos de Solucin

Iteraciones
Cj

10

-M

Ci

XB

X1

X2

S1

S2

S3

A3

bi

S1

-3

12

S2

-2

-M

A3

-1

X2

10+M
-3/4

5 + 2M
1

0
1/4

0
0

-M
0

0
0

S2

-1/2

1/2

-M

A3

5/2

-1/2

-1

4/5

55/4+5M/2

-5/4-M/2

-M

Cj - Zj

Cj - Zj

15

X2

1/10

-3/10

3/10

18/5

S2

4/10

-1/5

1/5

42/5

10

X1

-1/5

-2/5

2/5

4/5

3/2

11/2

-M-11/2

Cj - Zj

Solucin No Acotada

26

Xi: Variable de decisin

FUNCIN OBJETIVO
Min (Z) = X1 + X2
Sujeto a:
9 X1 + 3 X2

3 X1 + 3 X2 15
3 X1 + 4 X2 = 12
X1 ,

X2 0

Tipos de Solucin

Iteraciones
Cj

Ci

XB

X1

X2

S1

S2

A1

A3

bi

A1

-1

S2

15

A3

12

1-12M

1-7M

Cj Zj

X1

1/3

-1/9

1/9

S2

1/3

-1/3

12

A3

1/3

-1/3

2/3-3M

1/9-M/3

-1/9+4M/3

Cj - Zj

X1

-4/27

4/27

-1/9

S2

1/9

-1/9

-2/3

X2

1/9

-1/9

1/3

1/27

M-1/27

M-2/9

Cj - Zj

Solucin Degenerada

Xi: Variable de decisin

FUNCIN OBJETIVO
Min (Z) = X1 + X2
Sujeto a:
9 X1 + 3 X2

X1 - 2 X2 15
X1 + 2 X2 = 12
X1 ,

X2 0

Tipos de Solucin

Iteraciones
Cj

Ci

XB

X1

X2

S1

S2

A1

A3

bi

A1

-1

S2

-2

15

15

A3

12

12

1-10M

1-5M

Cj Zj

X1

1/3

-1/9

1/9

S2

-7/3

1/9

-1/9

14

A3

5/3

1/9

-1/9

11

33/5

2/3-5M/3

1/9-M/9

-1/9+M/9

Cj - Zj

X2

-1/3

1/3

S2

-2/3

2/3

21

A3

-5

2/3

-2/3

-2+5M

1/3-2M/3

5M/3-1/3

Cj - Zj

X2

1/2

1/2

S2

27

S1

-15/2

-1

3/2

1/2

M-1/2

Cj - Zj

Xi: Variable de decisin

FUNCIN OBJETIVO
Max (Z) = 3X1 + 5X2
Sujeto a:
X1
8
2 X2 12
3 X1 + 2 X2 = 18
X1 ,

X2 0

GRAFICA

Tipos de Solucin

Iteraciones
Cj

-M

Ci

XB

X1

X2

S1

S2

S3

A1

Bi

-M

A1

-1

S2

12

-M

A3

18

3+M

5 + 2M

-M

Cj Zj

-M

A1

-2/3

-1

-1/3

S2

12

X1

2/3

1/3

5-2M/3

-M

-M/3-1

Cj - Zj

Solucin No Factible

Xi: Variable de decisin

FUNCIN OBJETIVO
Max (Z) = 460X1 + 200X2
Sujeto a:
18 X1 + 3 X2 800
9 X1 + 4 X2 600
X1
X1 ,

80
X2 0

Tipos de Solucin

Iteraciones
Cj

460

200

-M

Ci

XB

X1

X2

S1

S2

S3

A3

bi

S1

18

800

400/9

S2

600

200/3

-M

A3

-1

80

80

460+M

200

-M

Cj Zj

460

X1

1/6

1/18

400/9

S2

5/2

-1/2

200

-M

A3

-1/6

-1/18

-1

320/9

370/3-M/6

230/9-M/18

-M

Cj Zj

Solucin No Factible

Xi: Variable de decisin

FUNCIN OBJETIVO
Max (Z) = X1 + X2
Sujeto a:
2 X1 + 2 X2 8
6 X1 + 2 X2 18
2 X1 + 4 X2 16
X1 ,

X2 0

Tipos de Solucin

Iteraciones
Cj

Ci

XB

X1

X2

S1

S2

S3

bi

S1

S2

18

S3

16

S1

1
0

1
4/3

0
1

0
-1/3

0
0

X1

1/3

1/6

S3

10/3

-1/3

10

2/3

-1/6

Cj - Zj

Cj - Zj

X1

3/4

-1/4

3/2

X2

10

-1/4

1/4

5/2

S3

-5/2

-1/2

-1/2

Cj - Zj

X2

1/2

S2

-1

10

S3

-3

10

-1/2

Cj - Zj

Solucin Optima Altenativa

Max (Z) = 4 X1 + 8 X2
Sujeto a:
6 X1 + 8 X2 24
20 X1

= 10X2

8 X1 - 4 X2 16
X1,

X2 0

Tipos de Solucin

Iteraciones
Cj

-M

Ci

XB

X1

X2

S1

A2

S3

bi

S1

24

-M

A2

20

-10

S3

-4

16

S1

4+20M
0

8 -10M
11

0
1

0
-3/10

0
0

24

24/11

X1

-1/2

1/20

S3

-2/5

16

10

-1/6

Cj - Zj

Cj - Zj
1

X2

1/11

-3/110

24/11

X1

1/22

2/55

12/11

S3

-2/5

16

Cj - Zj

-10/11 -M-4/55

240/11