INVESTIGACIN DE OPERACIONES I

SUMILLA
1. Formulacin de problemas de programacin
Lineal.
2. Solucin de problemas de Programacin Lineal.
3. El Problema Dual y Anlisis de Sensibilidad.
4. Programacin Entera, Binaria y Mixta.

BIBLIOGRAFIA
TAHA HAMDY A. Investigacin de operaciones.
PEARSON. 7 Ed. 2004
HILLIER, F.S Y LIEBERMAN G.J. Introduccin a la
investigacin de Operaciones. 8 Ed. Mc Graw Hill.
2006.
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
Proporcionar herramientas avanzadas en IO que le
permitan al ingeniero estudiar y planificar sistemas
complejos, con el fin de plantear alternativas que en lo
posible sean ptimas para su adecuado funcionamiento.

Qu se busca en el curso de Investigacin

de Operaciones I?
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.

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.
Resumiendo: 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.

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?
Es la aplicacin del mtodo cientfico para
asignar los recursos o actividades de forma
eficaz, en la gestin y organizacin de sistemas
complejos.
Es el conjunto de tcnicas matemticas
aplicadas adecuadas para resolver problemas
reales de:
Planificacin
Logstica
Diseo de productos y procesos
Control de procesos, etc

Objetivo de la investigacin de
operaciones
Apoyar a la toma de decisiones de sistemas complejos.
Estudiar la asignacin ptima de recursos escasos a
determinada actividad.
Evaluar el rendimiento de un sistema con objeto de
mejorarlo.
Obtener informacin cuantitativa.
Mejorar procedimientos tradicionales: opiniones de
expertos, reglas simples.
Lograr flexibilidad y bajo costo.
Hacer el tratamiento de la incertidumbre.

Conocer las limitaciones de los modelos.

PROCESO DE TOMA DE DECISIONES

Exito

MATEMATICA
APLICADA

DATOS

MATEMATICA
PURA

Estadstica,
Informtica,
Mat. Financiera,
Investigacin de
Operaciones

INFORMACION

TOMA DE
DECISIONES
ACERTADAS

RAPIDEZ
PRECISION
GRANDES VOLUMENES

Fracaso

UNA BREVE HISTORIA

Se aplica por primera vez en 1780
Antecedentes:
Matemticas: modelos lineales
Farkas,Minkowski (s.XIX)
Estadstica: fenmenos de espera
Erlang,Markov (aos 20)

Economa: Quesnay (x.XVIII),

Walras (s.XIX), Von Neumann
(aos 20)

UNA BREVE HISTORIA

El origen de la I.O. moderna se sita en la II
Guerra Mundial para resolver problemas de
organizacin militar: Despliegue de radares,
manejo de operaciones de bombardeo,
colocacin de minas.
La Fuerza Area Britnica form el primer
grupo de investigacin operacional.
La Fuerza Armada Estadounidense form un
grupo similar, cinco de los cuales ganaron el
Premio Nbel.

UNA BREVE HISTORIA

Despus de la II Guerra Mundial, las
Empresas reconocieron el valor de aplicar
las tcnicas en:
-

Refineras de petrleo,

Distribucin de productos,

Planeacin y control de la produccin,

Estudio de mercado y Planeacin de

Inversiones.

UNA BREVE HISTORIA

Sigue el desarrollo debido a:
Competitividad industrial
Progreso terico

RAND (Dantzig)
Princeton (Gomory, Kuhn, Tucker)
Carnegie Institute of Technology
George B.
Dantzig

Gran desarrollo de los computadores:

Aumento de la capacidad de almacenamiento
de datos
Incremento de la velocidad de resolucin de
los problemas.

UNA BREVE HISTORIA

Sigue habiendo un gran desarrollo, en muchos
sectores, con grandes avances sobre todo en el
campo de la Inteligencia Artificial.
Ms informacin:
Sociedad Espaola de Estadstica e Inv.
Operativa (SEIO) www.cica.es/aliens/seio.
Association of European O.R.Societies (EURO)
www.ulb.ac.be/euro/euro_welcome.html
Institute for O.R. and the Management Sci.
(INFORMS) www.informs.org
International Federation
(IFORS) www.ifors.org

of

O.R.

Societies

METODOLOGA DE LA
INVESTIGACION DE OPERACIONES
DEFINICION
DEL PROBLEMA

DESARROLLO
MODELO

RESOLUCION
MODELO

MODELO
MODIFICADO

VALIDA?

IMPLEMENTACION

METODOLOGA DE LA I.O.
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

METODOLOGA DE LA I.O.
Definicin del problema
Consiste en identificar los elementos de decisin,
objetivos (uno o varios, optimizar o satisfacer),
alternativas y limitaciones del sistema.
Hay que recoger informacin relevante (los datos
pueden ser un grave problema)
Es la etapa fundamental para que las decisiones
sean tiles

METODOLOGA DE LA I.O.
Definicin del problema
Factores problemticos
Datos incompletos, conflictivos, difusos

Diferencias de opinin
Presupuestos o tiempos limitados
Cuestiones polticas
El decisor no tiene una idea firme de lo que
quiere realmente.
Plan de trabajo:
Observar y ser consciente de
realidades polticas
Decidir qu se quiere realmente
Identificar las restricciones
Bsqueda de informacin continua.

las

METODOLOGA DE LA INVESTIGACION
DE OPERACIONES
I) Identificacion de las variables
Xij = # de consultores que viajan del
origen i al destino j
II) Identificacion de la funcion
objetivo
Max
540X11+300X12+420X13+
500X21+330X22+330X23+
520X31+310X32+350X33
III) Identificacion de las
restricciones
X11+X12+X13 2
X21+X22+X23 1
X31+X32+X33 4
X11+X21+X31 = 3
X12+X22+X32 = 2
X13+X23+X33 = 1
Xij 0 ; 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

METODOLOGA DE LA INVESTIGACION DE
OPERACIONES
Resolucin del modelo

Paso 1.- Elegir la tcnica de resolucin

adecuada, creacin o heursticos.
Paso 2.- Generar las soluciones del modelo
usando programas de computadoras, hojas de
clculo.
Paso 3.- Comprobar/validar los resultados
Probar la solucin en el entorno real
Paso 4.- Si los resultados son inaceptables,
revisar el modelo, comprobar exactitud, revisar
restricciones.
Paso 5.- Realizar anlisis de sensibilidad.
Analizar adaptaciones en la solucin propuesta
frente a posibles cambios.

METODOLOGA DE LA INVESTIGACION DE
OPERACIONES
Verificacin y validacin
Eliminacin de errores
Comprobacin de que el modelo se adapta a la
realidad
Interpretacin y anlisis
Robustez de la solucin ptima obtenida:
Anlisis de sensibilidad
Deteccin de soluciones cuasi-ptimas
Atractivas
Implementacin de resultados
Sistema de ayuda y mantenimiento
Documentacin
Formacin de usuarios

USOS DE LOS MODELOS

DECISIONES ESTRATEGICAS:
Debera reemplazarse un sistema existente con un
nuevo sistema propuesto?
Debera cambiarse su poltica de Administracin?

DECISIONES OPERACIONALES:
Cmo programar la fuerza de trabajo?
Cul es el plan de produccin ptimo?
Cul es plan de embarque ms econmico?

VENTAJA DE LOS MODELOS

Un mtodo ptimo para lograr un objetivo.
Una forma de evaluar preguntas de sensibilidad de la
forma:
Qu sucedera s ...?

MODELOS DE SISTEMAS
Utilidad de modelos:
Estudio de caractersticas de operacin
Imposibilidad de hacer medidas
Prediccin del comportamiento
Situaciones no experimentadas
Facilitar diseo de nuevos productos/sistemas
Tipos de modelos
Normativos: modelos de optimizacin
Descriptivos: modelos de simulacin

MODELOS DE SISTEMAS
Modelos normativos - optimizacin
Ofrecen informacin sobre alternativas
Seleccionan entre ellas
Complejos y no triviales
Difciles de tratar con incertidumbre
Requieren tcnicas complejas de solucin
Modelos descriptivos - simulacin
Analizan una alternativa cada vez
Modelos para situaciones especficas
Ms simples de desarrollar
Adecuados con incertidumbre
Aplicacin muy sencilla

TCNICAS DE INVESTIGACION DE
OPERCIONES
Ejemplos de tcnicas (I)
Optimizacin
Programacin lineal, entera, no lineal
Programacin multiobjetivo
Procesos de decisin (programacin dinmica)
Simulacin
Determinista
Estocstica

TECNICAS DE INVESTIGACION DE
OPERACIONES
Ejemplos de tcnicas (II)

Teora de colas
Colas simples
Redes de colas
Teora de juegos
J. simples (deterministas/estocsticos)
J. repetitivos
Teora de decisin

Determinsticos

Toda la informacin necesaria para obtener una

solucin se conoce con certeza
Estocsticos
Parte de la informacin no se conoce con certeza

TCNICAS DE INVESTIGACION DE
OPERACIONES
Ejemplos de problemas
Planificacin de la produccin
Optimizacin de carteras
Anlisis de riesgo
Planificacin de redes de comunicaciones
Generacin de ofertas en mercados competitivos

TECNICAS DE INVESTIGACION DE
OPERACIONES
Diseo de productos financieros
Diseo de nuevos productos (prstamos, operaciones de
leasing, derivados)
Modelado de diferentes alternativas con informacin incierta:
tasas de inters, mercado de valores, precios futuros

ELEMENTOS PARA FORMULACIN DE

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

VARIABLES DE DISEO
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

PARMETROS DE DISEO
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]

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)

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

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.

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

= 100 docenas

Utilidad

= S/. 4900 por semana

EJEMPLO N 1
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 2
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 + 5X 2

15

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

X1, X2 0

PROGRAMACIN LINEAL: Formulacin

1 GALIMON S. A. Qu cantidad de cada modelo durante
el mes con el objeto de maximizar las utilidades?

Sujeto a:

No deben asignarse ms de 1,200 horas de tiempo

de produccin.

Todos los costos de produccin, de materiales y costos

fijos deben cubrirse con el efectivo disponible durante
el mes que es de S/. 16,560.

Satisfacer ciertos compromisos de demanda: 30 del modelo

N 1, 55 del modelo N 2 y 32 del modelo N 3.

Variables de decisin

X1 = Nmero de pares de zapatos del modelo N 1 que deben

fabricarse durante el mes.
X2 = Nmero de pares de zapatos del modelo N 2 que deben
fabricarse durante el mes.
X3 = Nmero de pares de zapatos del modelo N 3 que deben
fabricarse durante el mes.

Funcin objetivo
Max. Z = C1 X1 + C2 X2 + C3 X3

S/. = (S/. / par de zapato modelo N 1) x (pares de zapato modelo N 1)

+ (S/. / par de zapato modelo N 2) x (pares de zapato modelo N 2)
+ (S/. / par de zapato modelo N 3) x (pares de zapato modelo N 3)
Clculo de C1
(3.5 horas/par) x (S/.10 / hora) = S/. 35 / par
(3.25 U. piel/par) x ($4/U. piel) = S/. 13 / par

S/. 48 / par

EL MODELO DE P. L.
Optimizacin

Max(Z)
= c x +1 c
1 x +
2 ...
2
+cx
sujeto a
a11x1 + a12x2 + ... + a 1nxn b1
a21x1 + a22x2 + ... + a 2nxn b2
.
.

am1x1 + am2x2 + ... + amnxn bm

xj 0
j

 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

b
2

.
b

m-1

b
m

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) = CX
S. A.
AX = b
X 0

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 19
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

Conjunto de soluciones factibles

para el modelo lineal.
El conjunto de puntos que satisface todas las
restricciones del modelo es llamado:

REGION FACTIBLE

METODOS DE SOLUCION DE PROBLEMAS

LINEALES
Mtodos:
Grfico.

Fcilmente comprensible y permite visualizar

algunas propiedades.
Analtica. El mtodo simplex ha demostrado ser
eficiente por el uso del computador.
Algeibraca

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 X 2 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 = X1+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 X1 + 2 X2 2
2 X1
4
2 X1 + 2 X2 6
X1 , X2 0

(2/3,7/3)
B

(2,1)
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
Sujeto a:
X1 - X2 1
1/ 2 X1 + X2 2
X1 , X2 0

(6,5)

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 + X2 1
2 X1 + 2 X2 4
X1 ,
X2 0

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

= 100 docenas

Utilidad

= 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
Util. = S/.=3,
4,
2,S/.
0005,040

600

X1
400

600

800

1200

X2

Se toma un valor cercano al

punto ptimo

Regin no
factible

800
600

Feasible
Regin
region
Factible
X1
400

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.

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
5 X1 + 6 X2 600
12 X1 + 8 X2 540
X1, X2 0

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 :
A 1, 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
Cj - Zj 0 ; Cj - Zj 0

9.

Tipo de soluciones.

Ejemplo Mtodo Simplex

La compaa SONYT S. A. produce radios y televisores, cada radio se vende con una ganancia de S/.
30, mientras que cada televisor vendido se gana S/. 50.
Ambos productos deben pasar por los departamentos A y B (impresin de circuitos y ensamble)
respectivamente: mensualmente se dispone de 200 horas en el departamento A y 140 horas en el
departamento B. Cada radio requiere de una hora en departamento A como en el departamento B,
cada televisor requiere de 2 horas en departamento A y una hora en el departamento B. Cul es el
programa de produccin que maximiza la ganancia.
DEPARATMENTO
A
B

REQUERIMIENTOS
RADIO
TELEVISOR
1 hr.
2 hrs.
1 hr.
1 hr.

DISPONIBILIDAD
200 hrs / mes
140 hrs. / mes

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)