Métodos Cuantitativos 1

2 Programación Lineal: Enfoque

Gráfico
Tomado de MATHUR, Solow. Investigación de Operaciones, el Arte de la Toma de Decisiones. Mexico:
Prentice Hall Hispanoamericana, 1996.

Puesto que los problemas reales de programación lineal pueden ser muy grandes y complejos, se emplean
métodos de computación para resolverlos. Los algoritmos de estos métodos generalmente se basan en la técnica
llamada método Simplex, y se analizan posteriormente. Los gerentes se interesan más por las soluciones que por
los aspectos matemáticos de los métodos. Las soluciones de los problemas de programación lineal son
importantes por que permite ver muchos detalles del problema de decisión. Por lo tanto esta sección presenta
algunas ideas de las soluciones algebraica y gráfica de la programación lineal y los conceptos útiles que los
gerentes pueden obtener de estas soluciones.
En la mayoría de los casos no es posible resolver gráficamente los problemas de programación lineal, por nuestra
incapacidad para visualizar más de tres dimensiones espaciales. Sin embargo, es conveniente ver cómo se puede
resolver un problema sencillo en forma gráfica, ya que los problemas de mayor dimensión tienen soluciones
semejantes.

Situación. Un fabricante está tratando de decidir sobre las cantidades de producción para dos artículos:
mesas y sillas. Se cuenta con 96 unidades de material y con 72 horas de mano de obra. Cada mesa requiere 12
unidades de material y 6 horas de mano de obra. Por otra parte las sillas usan 8 unidades de material cada una y
requieren 12 horas de mano de obra por silla. El margen de contribución es el mismo para las mesas que para las
sillas: $5 por unidad. El fabricante prometió construir por lo menos dos mesas.
Paso 1: Formulación del Problema:
¿Cuál es el objetivo? Es maximizar la contribución a la ganancia. Cada unidad de mesas o sillas producidas
contribuirá con $5 en la ganancia. Entonces la función objetivo puede escribirse como:
Maximizar: Z = 5X1 + 5X2
en donde X1 = mesas producidas
X2 = sillas producidas
¿Cuáles son las restricciones o limitaciones del problema? Existen tres restricciones. Primero el material está
limitado a 96 unidades. Cada mesa se lleva 12 unidades de material y cada silla usa 8 unidades. La primera
restricción es, entonces,
12X1 + 8X2≤ 96
La segunda restricción es el total de horas de mano de obra. Una mesa se lleva 6 horas, una silla 12 horas y se
dispone de un total de 72 horas. Así
6X1 +12X2 ≤ 72
Existe una limitación más. El fabricante prometió producir por lo menos dos mesas. Esto puede expresarse
como: X1 ≥ 2. Por último, las restricciones de no negatividad son: X1 ≥ O, X2 ≥ O
Poniendo junto todo el modelo, se tiene:
Maximizar: Z = 5X1 + 5X2
Restricciones: 12X1 + 8X2≤96 ,
6X1+12X2≤72
X1 ≥2
X1≥0, X2≥0

Ing. Efraín Murillo Msc.

Métodos Cuantitativos 2

Paso 2: Gráfica de las restricciones

El siguiente paso en el método gráfico es dibujar todas las restricciones en una gráfica. Esto puede hacerse en
cualquier orden. Por conveniencia se comenzará con las restricciones de no negatividad. Estas se muestran en la
figura 2-1. En esta gráfica, una solución se representaría por un punto con coordenadas X 1 (mesas) y X2 (sillas).
Las coordenadas representarían las cantidades de cada artículo que se deben producir.
El cuadrante superior derecho se llama región factible puesto que es el único cuadrante en que pueden estar las
soluciones. Los otros tres cuadrantes no son factibles, ya que requerirían la producción de cantidades negativas
de mesas o de sillas o ambas.

Figura 2-1
Restricciones de no negatividad
La siguiente restricción es X1 ≥ 2. La manera más sencilla de dibujar las restricciones de recursos es en dos
pasos: (1) convertir una desigualdad en una ecuación y graficar la ecuación y (2) sombrear el área apropiada
arriba y abajo de la línea que resulta en el paso 1. Convertir una igualdad en una ecuación aquí significa ignorar
la parte de "mayor que" o "menor que" de la restricción.
Así, en el ejemplo, X1≥2, se convierte en X1 = 2. Esta ecuación está graficada en la figura 2-2. Cualquier punto
en la línea X1 = 2 satisface la ecuación. Sin embargo, la restricción es más amplia, ya que cualquier punto X1 > 2
también la cumplirá. Esto incluye todos los puntos que están a la derecha de la línea X1 = 2. Entonces, la región
factible incluye todos los valores de X1 que están sobre o ala derecha de la línea X1 = 2.

Figura 2-2
Restricción X1≥2

Ing. Efraín Murillo Msc.

Métodos Cuantitativos 3

La limitación sobre las horas de mano de obra es la siguiente restricción. Como antes, primero se convierte en
una ecuación: 6X1+12X2=72. Puede graficarse esta línea, si se encuentran dos puntos sobre ella. El par de
puntos más sencillo de localizar son las intersecciones con los ejes X1 y X2. Para encontrar la intersección con
el eje X2 se hace X1 = 0. La ecuación se reduce, entonces, a:
12X2 = 72
X2 = 6
La intersección con el eje X1 se encuentra haciendo X2 = 0. Así,
6X1 = 72
X1 = 12
Estos dos puntos y la línea que los une se muestran en al figura 2-3. Cualquier punto que está sobre o abajo de
esta línea cumplirá con la restricción.

Figura 2-3
Restricción de mano de obra
Cualquier punto arriba de esta línea requerirá más de 72 horas de mano de obra y no es aceptable. En la figura
2-4 se combina esta restricción con la anterior. En la región factible, ambas restricciones se cumplen.
La última restricción es la de material. Siguiendo el procedimiento anterior, primero se encuentran las
intersecciones para la igualdad. Éstas son X1 = 0, X2 = 12 y X1 = 8, X2 = 0. Se localizan los dos puntos en la
gráfica; se traza la línea, y como la restricción es del tipo menor o igual que, se sombrea el área que está abajo de
la línea. El resultado se muestra en la figura 2-5. Cualquier solución que esté en la frontera o dentro del área
sombreada cumplirá con todas las restricciones. Ahora se utilizará la función objetivo para seleccionar la
solución óptima.

Ing. Efraín Murillo Msc.

Métodos Cuantitativos 4

Figura 2-4
Las primeras dos restricciones

Figura 2-5
Todas las restricciones combinadas
Paso 3: obtención de la solución óptima: prueba y error
El método de prueba y error para encontrar la solución óptima, aprovecha una propiedad especial de los
problemas de PL. Considérese la figura 2-6 que muestra las restricciones del problema. La frontera extrema de la
región factible está formada por las líneas que conectan los cuatro puntos A, B, C y D. La frontera extrema es de
especial interés porque:
Por lo menos uno de los puntos de intersección en la frontera extrema será una solución óptima.

Ing. Efraín Murillo Msc.

Métodos Cuantitativos 5

Figura 2-6
Frontera extrema de la región factible
Con esta propiedad especial puede reducirse la lista de las posibles soluciones óptimas a sólo cuatro puntos: A,
B, C y D. El punto entre ellos que dé el valor más grande de la función objetivo será la solución óptima.
Entonces, la tarea es encontrar las coordenadas de estos cuatro puntos, sustituir los valores en la función objetivo
y seleccionar el punto que dé el mayor valor de Z.
En cuanto al punto A, se sabe que sus coordenadas son (8,0). El punto B es la intersección de dos restricciones.
Si se resuelven las dos ecuaciones que les corresponden simultáneamente, el resultado será las coordenadas de su
intersección. En seguida se lleva a cabo esta operación.
Ecuación de restricción de materiales (1) 12X1 + 8X2 = 96
Ecuación de restricción de mano de obra (2) 6X1 + 12X2 = 72
Multiplíquese la ecuación (2) por 2 (3) 12X, + 24X, = 144
Réstese la ecuación (1) de (3) (4) 16X2 = 48
X2 = 3
Sustitúyase en la ecuación (1) 12X1 + 8(3) = 96
12X1 = 72
X1 = 6
El punto C también es la intersección de dos líneas de restricción. Resolviendo de nuevo las ecuaciones
simultáneas:
Ecuación de restricción de producción mínima (1) X1 = 2
Ecuación de restricción de mano de obra (2) 6X1 + 12X2 = 72
Sustitúyase (1) en (2) 6(2) + 12X2 = 72
12X2 = 60
X2 = 5
El punto D tiene coordenadas (2,0).
Con las coordenadas de cada uno de los cuatro puntos, ahora se puede proceder a sustituir cada posible solución
en la función objetivo. El cálculo de Z para cada uno de estos puntos da:
Punto A, (8,0): Z = 5(8) + 5(0) = $40
Punto B, (6,3): Z = 5(6) + 5(3) = $45
Punto C, (2,5): Z = 5(2) + 5(5) = $35
Punto D, (2,0): Z = 5(2) + 5(0) = $10
El valor más grande es $45, así el punto B es óptimo: producir seis mesas y tres sillas.
Obtención de la solución óptima: líneas de Indiferencia
Existe otro método para encontrar la solución óptima graficando la función objetivo en la misma gráfica de las
restricciones. Se considerará este método.

Ing. Efraín Murillo Msc.

Métodos Cuantitativos 6

La función objetivo en este problema es Z = 5X 1 + 5X2. Como todavía no se conoce el máximo valor factible de
Z, no puede trazarse el óptimo de la función objetivo. No obstante, es posible suponer algunos valores para Z y
graficar las líneas resultantes. En la figura 2-7 se muestran las líneas para Z = 25 y Z = 50. Las líneas de este tipo
se llaman líneas de indiferencia, porque cualquier punto sobre una línea dada da la misma ganancia total. Nótese
que la distancia perpendicular del origen a la línea aumenta al aumentar el valor de Z. También, todas las líneas de
indiferencia son paralelas entre sí. Estas propiedades gráficas pueden usarse para resolver el problema.
En la figura 2-8 se ilustran todas las restricciones y las dos líneas de indiferencia supuestas. En la gráfica puede
observarse que la línea de indiferencia para Z = 50 está completamente fuera de la región factible. Para Z= 25,
parte de la línea cae dentro de la región factible.

Figura 2-7
Líneas de indiferencia

Figura 2-8
Líneas de restricciones y de indiferencia.
Por tanto, existe alguna combinación de X1 y X2 que satisface todas las restricciones y da una ganancia total de
$25. Por inspección, puede observarse que hay ganancias más altas que son factibles. Imaginando que la línea
de indiferencia Z = 25 se mueve hacia la línea Z = 50, de las propiedades de la gráfica que se hicieron notar
antes, el punto óptimo estará sobre la línea de indiferencia más lejana al origen pero que todavía toque la región
factible. Esto se muestra en la figura 2-9.

Ing. Efraín Murillo Msc.

Métodos Cuantitativos 7

Con el punto óptimo localizado gráficamente, la única tarea que queda es encontrar las coordenadas del punto.
Nótese que el punto óptimo está en la intersección de las líneas de restricción para materiales y horas de mano de
obra. Antes se encontró que las coordenadas de este punto son (6,3). La sustitución de este punto en la función
objetivo de la ganancia máxima:
Z  5(6)  5(3)  $45

Figura 2-9
Localización del punto optimo.
Resumen del método gráfico
Para resolver gráficamente problemas de programación lineal:
1. Exprésense los datos del problema como una función objetivo y restricciones.
2. Grafíquese cada restricción
3. Localícese la solución óptima
a) Por prueba y error, ó
b) Con líneas de indiferencia

EJERCICIO DE PRÁCTICA 2-2

Resuélvase gráficamente le siguiente problema:
Maximizar: Z  10 X  4Y
Restricciones: 5 X  10Y  50
10 X  6Y  60
X  0, Y  0

USO DEL MÉTODO GRÁFICO PARA MINIMIZACIÓN

En esta sección se considera un problema de PL en el cual el objetivo es minimizar costos. La solución del
problema de minimización sigue el mismo procedimiento que la de problemas de maximización. La única

Ing. Efraín Murillo Msc.

Métodos Cuantitativos 8

diferencia es que ahora se quiere el menor valor posible para la función objetivo. Supóngase que se tiene el
siguiente problema.
Problema de dieta
Un comprador está tratando de seleccionar la combinación más barata de dos alimentos, que debe cumplir con
ciertas necesidades diarias de vitaminas. Los requerimientos vitamínicos son por lo menos 40 unidades de
vitamina W, 50 unidades de vitamina X y 49 unidades de vitamina Y. Cada onza de alimento A proporciona 4
unidades de vitamina W, 10 unidades de vitamina X y 7 unidades de vitamina Y; cada onza del alimento B
proporciona 10 unidades de W, 5 unidades de X y 7 unidades de Y. El alimento A Cuesta 5 centavos/onza y el
alimento B cuesta 8 centavos/onza.
Paso 1: formulación del problema
La meta de este problema es encontrar la manera menos costosa para satisfacer las necesidades vitamínicas. Las
dos alternativas disponibles son los alimentos A y B. Matemáticamente la función objetivo es
Minimizar: Z  5 A  8 B
Las restricciones son los requerimientos mínimos de las tres vitaminas.
Éstas se muestran enseguida:
Restricciones: 4 A  10 B  40 vitamina W
10 A  5 B  50 vitamina X
7 A  7 B  49 vitamina Y
A  0, B  0 no negatividad
Paso 2: gráfica de las restricciones
El procedimiento para graficar es el mismo que se usó antes: (1) graficar cada ecuación de restricción; (2)
graficar el área apropiada. Para la primera restricción la ecuación es 4 A  10 B  40 . Las dos intersecciones
con los ejes son (0,4) y (10,0) . Esta línea se muestra en la figura 2-10. La restricción pide 40 unidades o
más de la vitamina W. Cualquier punto que esté arriba de la línea de restricción será factible y todos los puntos
que se quedan debajo de esta línea serán inaceptables. En la figura 2-11 se muestra la región factible.

FIGURA 2-10
Línea para la ecuación 4 A  10 B  40
Después se grafica la restricción para la vitamina X. La ecuación 10 A  5 B  50 tiene intersecciones con los
ejes en (0,10) y (5,0) . En la figura 2-12 se ilustran las restricciones para las vitaminas W y X. Nótese que
las soluciones que quedan en las áreas a o b no son factibles, ya que quedarían debajo de una de las líneas de
restricción.
Al agregar la tercera restricción, este segundo paso queda terminado, como se muestra en la figura 2-13

Ing. Efraín Murillo Msc.

Métodos Cuantitativos 9

Figura 2-11
Restricción de la vitamina W

Figura 2-12
Restricciones para las vitaminas W y X

Figura 2-13
Todas las restricciones

Ing. Efraín Murillo Msc.

Métodos Cuantitativos 10

Paso 3: localización de la solución óptima

En la figura 2-14 se muestra la frontera extrema más dos líneas de indiferencia, las de Z = 40 centavos y Z = 60
centavos. La frontera extrema está formada por los puntos a, b, c y d, puesto que éstos son los puntos de
intersección factibles más cercanos al origen.
Gráficamente, el objetivo de minimizar el valor Z significa ajustar una línea de indiferencia tan cerca del origen
como sea posible. En la figura 2-14 puede observarse que existen muchas soluciones posibles para Z = 60, pero
ninguna para Z = 40. Imaginado mover la línea Z = 60 hacia el origen, el último punto de contacto con la
frontera extrema será el punto b. Entonces, el punto b es la intersección de dos líneas:
(1) 4 A  10 B  40
(2) 7 A  7 B  49
Resolviendo es sistema de ecuaciones:
Multiplíquese la ecuación (1) por 7 (3) 28 A  70 B  280
Multiplíquese la ecuación (2) por 4 (4) 28 A  28 B  196
Réstese (4) de (3) 42 B  84
B=2
Sustitúyase en la ecuación (1) 4 A  10( 2)  40
A5
La solución menos costosa es 5 onzas de alimento A y 2 onzas de alimento B. el costo de esta combinación es
Z - 5A + 8B - 5(5) + 8(2) - 25 + 16 - 41 centavos

Si se usa el método de prueba y error para localizar la

solución óptima, se deben encontrar las coordenadas de
los puntos a, b, c y d. Se debe calcular después el
valor de la función objetivo para cada punto. A
continuación se muestran los resultados de este
procedimiento:
Resultados de prueba y error

Punto Coordenadas Z = 5A + 8B
a A= 10,B=0 50
b A = 5, B = 2 41 menor
c A = 9,B = 4 47
d A = 0,B = 10 80
Figura 2-14
Línea de indiferencia para Z = 40 y Z = 60

EJERCICIODE PRÁCTICA 2–3

Resuélvase gráficamente el siguiente problema:
Minimizar: Z = 5X + 1.5Y
Restricciones: 2X + 5Y ≥ 10
5X + 2Y ≥ 1. 5Y
X ≥ 0, Y≥ 0

Ing. Efraín Murillo Msc.

Métodos Cuantitativos 11

2.3 CASOS ESPECIALES

PRO GRAMAS LINEALES CON PROPIEDADES GEOMÉTRICAS ESPECIALES
En la sección anterior, se vio cómo resolver gráficamente un problema de programación lineal con dos variables. En
los ejemplos, la solución óptima ocurre en un punto extremo de la región factible. En esta sección, verá ejemplos de
programas lineales para los cuales éste no es el caso. También conocerá lo que ocasiona estas excepciones y cómo
interpretarlas.

2.3.1 Programas lineales infactibles

Ejemplo 2.3.1: IJK produce dos solventes, CS-01 y CS-02. La planta opera 40 horas a la semana y emplea a 5
trabajadores de tiempo completo y a 2 de tiempo parcial, que trabajan 15 horas a la semana para operar las 7 máquinas
que mezclan ciertos químicos para producir cada solvente. Esta fuerza de trabajo proporciona 230 horas de trabajo
disponibles en el departamento de mezclado. Los productos una vez mezclados, son refinados en el departamento de
purificación, que actualmente tiene 7 purificadores y emplea a 6 trabajadores de tiempo completo y a 1 de tiempo
parcial, que trabaja 10 horas a la semana. Este trabajo proporciona hasta 250 horas de trabajo disponible en el
departamento de purificación. Las horas requeridas en los departamentos de mezclado y purificación para producir mil
galones de cada uno de los solventes se enumeran en la tabla siguiente:
CS-01 CS-02
Mezclado 2 1
Purificación 1 2
IJK tiene una provisión casi ilimitada de la materia prima que necesita para producir los dos solventes. Puede vender
cualquier cantidad de CS-01, pero la demanda del producto más especializado, CS-02, está limitada a un máximo de
120000 galones por semana. El departamento de contabilidad estima un márgen de ganancia de $0.30 por galón de
CS-01 y $0.50 por galón de CS-02. Como todos los empleados son asalariados y por tanto, se les paga la misma
cantidad sin importar cuántas horas trabajen, estos salarios y los costos de las máquinas se consideran fijos y no se
incluyen en el cálculo del márgen de ganancia. Como gerente del departamento de planeación de producción de IJK,
se le pide determinar el plan de fabricación semanal óptimo para IJK.
El programa lineal es el siguiente:
Maximizar 3x 1 + 5x 2
Dependiendo de: 2 x1 + 2x 2 ≤ 230 (1)
x1 + 2x 2 ≤ 250 (2)
x 2 ≤ 120 (3)
x1 ≥ 0 (4)
x2 ≥ 0 (5)
La región factible correspondiente a esas cinco restricciones se describe en la figura 2.15

Ing. Efraín Murillo Msc.

Métodos Cuantitativos 12

Figura 2.15 Región factible para el ejemplo anterior

Ejemplo 2.3.2: Para examinar un tipo de excepción, su gerente de ventas le informa que desea firmar un contrato a
largo plazo para proveer 150 000 galones de CS-01 cada semana. Se le pide nuevamente determinar el plan de
fabricación semanal óptimo para IJK
El programa lineal es el siguiente: UN PROGRAMA LINEAL INFACTIBLE
Maximizar 3x 1 + 5x 2
Dependiendo de: 2 x1 + 2x 2 ≤ 230 (1)
x1 + 2x 2 ≤ 250 (2)
x 2 ≤ 120 (3)
x1 ≥ 0 (4)
x2 ≥ 0 (5)
x1 ≥ 150 (6)
El resultado de añadir la nueva restricción (6) se ilustra en la figura 2.16. Como puede ver, no existen valores de x1
y x 2 que satisfagan la nueva restricción (6) y todas las anteriores restricciones. Esto significa que, con sus
actuales recursos, IJK no puede satisfacer un acuerdo contractual para proveer 150 000 galones de CS-01 por
semana. Si se firma el contrato propuesto, IJK necesitará obtener recursos adicionales para incrementar las
capacidades de producción. La gerencia ejecutiva, por tanto, tendrá que tomar una decisión estratégica sobre el
valor de esta inversión.
El programa lineal del ejemplo 2.3.2 se denomina programa lineal infactible, lo que significa que ningún
valor de las variables satisface todas las restricciones simultáneamente es decir, que no existe ninguna región
factible. Para tales problemas, se recomienda su reformulación.
Tal vez la causa más común para que un programa lineal sea infactible es un error en alguna de las
restricciones en la formulación del problema. Por ejemplo, puede haberse escrito accidentalmente simultáneamente
una restricción menor o igual como una contracción mayor o igual. De manera alternativa, puede haberse
cometido un error al capturarse los datos para un programa lineal en un programa de computadora. Por ejemplo,
la restricción x1 + x 2 ≤ 230 pudo haberse introducido accidentalmente en la computadora como x l + 2x 2 ≤ 130, y
este error podría resultar en un programa lineal infactible. Si descubre que un programa lineal es infactible,
primero verifique la formulación del problema cuidadosamente, y luego asegúrese que los datos se hayan
introducido correctamente.

Figura 2.16 Solución gráfica para el ejemplo 2.3.2

Ing. Efraín Murillo Msc.

Métodos Cuantitativos 13

Incluso si no hay errores en la formulación del problema o en la forma de capturar los datos en la computadora,
un programa lineal puede seguir siendo infactible. Estos problemas infactibles ocurren en la práctica cuando las
restricciones son demasiado restrictivas. Tales restricciones pueden surgir de numerosas maneras. Por ejemplo,
el requerimiento de producir al menos 150 mil galones de CS-01 en la restricción (6) del ejemplo 2.3.2 impone
una limitación que no puede ser manejada por los recursos disponibles en los departamentos de mezclado y
purificación de IJK. Como otro ejemplo, el gobierno puede imponer restricciones tan severas sobre la cantidad de
contaminantes emitidos por una planta de acero que resulte imposible que ningún plan de producción pueda
satisfacer esos requerimientos y obtener un mínimo nivel de ganancias.

2.3.2 Programas lineales con solución ilimitada

Considere otro ejemplo de un programa lineal cuya solución no ocurra en un punto extremo de la región
factible. Supongamos que los signos de desigualdad de las restricciones (1) y (2) del ejemplo 2.3.2 se revierten
accidentalmente durante la formulación del problema. El programa lineal resultante se da en el ejemplo 2.3.3.
EJEMPLO 2.3.3 UN PROGRAMA LINEAL ILIMITADO
Maximizar 3x 1 + 5x 2
Dependiendo de: 2 x1 + 2x 2 ≤ 230 (1)
x1 + 2x 2 ≤ 250 (2)
x 2 ≤ 120 (3)
x1 ≥ 0 (4)
x2 ≥ 0 (5)
La región factible de este programa lineal aparece en la figura 2.17, junto con la línea de la función objetivo a
través del punto x1 = 100 y x2 = 100. De acuerdo con el procedimiento descrito en la sección 2.2, este programa lineal se
resuelve gráficamente moviendo la línea de la función objetivo paralelamente a sí misma en la dirección de mejora,
indicada por la flecha sobre esa línea en la figura 2.17, hasta que la línea esté a punto de dejar la región factible. En
este ejemplo, la línea de la función objetivo nunca se alejará porque el extremo derecho de la región factible no tiene
límite. Teóricamente, esto significaría que IJK puede obtener una ganancia infinita, lo quo es claramente
imposible.
Se dice que tal problema es un programa lineal ilimitado, lo que significa que la función objetivo puede
mejorarse indefinidamente, esto es, que existen valores factibles de las variables que pueden hacer el valor de la
función objetivo tan grande como se desee en el caso de maximización (o tan chico como se desee en el caso de
minimización). Un programa lineal ilimitado se identifica gráficamente cuando la línea de la función objetivo puede
moverse paralelamente a sí misma en la dirección de mejora sin abandonar nunca la región factible.

Figura 2.17 Solución gráfica para el ejemplo 2.3.3

La causa general de un programa lineal es un error en la formulación del problema. Por ejemplo, pudo haberse
omitido una restricción accidentalmente. Así mismo, pudo haberse cometido un error al capturar los datos en un
programa de computadora. Si descubre que un programa lineal es ilimitado, primero verifique cuidadosamente la

Ing. Efraín Murillo Msc.

Métodos Cuantitativos 14

formulación del problema, y luego asegúrese de que los datos se hayan capturado correctamente. Es importante
observar que existe una diferencia entre una región factible ilimitada y un programa lineal ilimitado. Como se
ilustra en la figura 2.18, es posible que la región factible sea ilimitada, pero que el programa lineal no sea
ilimitado.

Minimizar 3x1  2 x2
Dependiendo de 2 x1  x2  230 (1)
x1  2 x2  250 (2)
x2  120 (3)
x1 , x2  0

Figura 2.18 Una región factible ilimitada pero no un programa lineal ilimitado

CARACTERÍSTICAS CLAVE

Hasta aquí, usted ha visto tres tipos mutuamente excluyentes de problemas de programación lineal. A
saber, aquellos que son:
1. Óptimos: Es decir, que tienen una solución óptima.
2. Infactibles: Es decir, que no existen valores de las variables que satisfagan todas las restricciones
simultáneamente.
3. Ilimitados: Es decir, que existen valores factibles de las variables que hacen la función objetivo tan
grande o tan pequeña como se desee.
Todo programa lineal es óptimo, infactible o ilimitado.

2.3.3 Programas lineales con restricciones redundantes

Al formular un problema de programación lineal, puede encontrarse con una restricción que no es necesaria, en
el sentido de que la región factible es exactamente la misma tanto si incluye esta restricción como si no lo hace.
Tal restricción es una restricción redundante. Como ilustración, supongamos que la siguiente restricción se
añade al ejemplo 2.3.1, el problema de IJK:

La región factible del programa lineal resultante se muestra en la figura 2.19. Observe que la restricción (6) no
afecta la región factible. La región factible de la figura 2.19 con la restricción (6) es exactamente la misma que la
de la figura 2.15, que no incluye esta restricción. La restricción (6) es, por tanto, redundante.
Tal vez no esté conciente de que una restricción es redúndate al formular un programa lineal, pero esto no
necesariamente le concierne. La solución óptima no cambia si se incluye una restricción redundante. El único

Ing. Efraín Murillo Msc.

Métodos Cuantitativos 15

efecto es que aumenta el tamaño del programa lineal, lo que, a su vez, puede ocasionar que un programa de
computadora se tome tiempo extra para resolver el problema. La regla general es: no se preocupe por las
restricciones redundantes; si piensa que necesita una restricción, inclúyala en la formulación.

Figura 2.19 Un programa lineal con una restricción redundante

2.3.4 Programas lineales con soluciones óptimas alternativas o múltiples

Algunos programas lineales tienen más de una solución óptima. Cada solución óptima se denomina solución
óptima alternativa. Tener soluciones óptimas alternativas significa solamente que existen diferentes valores
factibles para las variables que producen el mismo mejor valor de la función objetivo. Todas las soluciones
óptimas son iguales en cuanto a que, por definición, son las mejores. Sin embargo, es posible que usted prefiera
una de estas soluciones óptimas alternativas sobre las demás por alguna razón secundaria, tal vez porque una
solución sea más fácil de poner en práctica que las otras.
Para ilustrar lo anterior, supongamos que los márgenes de ganancia del ejemplo 2.3.1 se modifican a $ 0.20 por
galón de CS–01 y $ 0.40 por galón de CS–02. El nuevo programa lineal se da en el ejemplo 2.3.4.

EJEMPLO 2.3.4 UN PROGRAMA LINEAL CON SOLUCIÓN ÓPTIMA ALTERNATIVA

Minimizar 2 x1  4 x2
Dependiendo de 2 x1  x2  230 (1)
x1  2 x2  250 ( 2)
x2  120 (3)
x1  0 (4)
x2  0 (5)
La solución gráfica a este problema se ilustra en la figura 2.20. Allí puede ver que los dos puntos extremos C y D
son óptimos, de hecho todos los puntos sobre el segmento de línea que conecta estos dos puntos extremos son
óptimos. Geométricamente, la razón por la cual este problema tiene soluciones óptimas alternativas se debe a
que la línea de la función objetivo es paralela a una de las restricciones que pasa por una de las soluciones
óptimas. En el ejemplo 2.3.4, la línea de la función objetivo es paralela a la restricción (2).

Ing. Efraín Murillo Msc.

Métodos Cuantitativos 16

Figura 2.20 Un programa lineal con soluciones óptimas alternativas

Ing. Efraín Murillo Msc.

Métodos Cuantitativos 17

Práctica de Solución de Modelos con el Método Gráfico

CASO 1. MODELOS CON SOLUCIÓN ÓPTIMA ÚNICA.

El modelo es formulado por una empresa asesora de inversiones para elaborar la cartera de un cliente. Las
variables X1 y X2 representan la cantidad de acciones Tipo 1 y 2 a comprar para satisfacer el objetivo
establecido de maximizar el retorno anual de esa inversión o compra de acciones. El monto total disponible
para invertir es de $80.000. El riesgo es una medida relativa de las dos inversiones alternativas. La
acción Tipo 1 es una inversión más riesgosa. Limitando el riesgo total para la cartera, la firma
inversora evita colocar montos excesivos de la cartera en inversiones de retorno potencialmente alto pero de
alto riesgo. También se limita el monto de acciones de mayor riesgo.

Max 3X1+ 5X2 (Retorno anual en $)

Sujeto a:
25 X1 + 50 X2 <= 80.000 $ de fondos disponibles
0.5X1 + 0.25 X2 <= 700 riesgo máximo
1X1 <= 1.000 acciones Tipo 1
X1, X2 >= 0

a) Graficando las restricciones:

Restricción 1: Cuando X1 = 0, entonces X2 = 1.600; Cuando X2 = 0, entonces X1 = 3.200

Una los puntos ( 3.200, 0) y ( 0, 1.600 ). El lado de la restricción “ < “ está bajo esa recta.
Restricción 2: Cuando X1 = 0, entonces X2 = 2.800; Cuando X2 = 0, entonces X1 = 1.400
Una los puntos ( 1.400, 0) y ( 0, 2.800). El lado de la restricción “ < “ está bajo esa recta.
Restricción 3: X1 = 1.000 y X2 = 0 Es una recta que parte de la abscisa en el punto 1.000.
El lado de la restricción “ < “ se tiene, a partir de esa recta, hacia el lado donde está el punto de origen.

Sombree, o señale de alguna manera, el conjunto convexo llamado también región posible.
(Ver Gráfico 1).

b) Grafique la Función Objetivo

asignándole un valor arbitrario. Este valor,
preferiblemente, debe permitir que el objetivo
se muestre en la región solución. Por ejemplo,
puede ser utilizado el valor 3.000. Los
puntos de corte en los ejes, para graficarla,
son los puntos (1.000, 0 ) y ( 0, 600). La
Función Objetivo se grafica con línea de
color, en este caso, para diferenciarla de las
restricciones.

c) Mueva la Función Objetivo, paralelamente

a sí misma en la dirección que incrementa su
valor (hacia arriba en este caso), hasta que
toque el último (los últimos, si los toca al
mismo tiempo) punto extremo de la región
solución.

d) En ese punto extremo final, b en este caso,

resuelva el par de ecuaciones que se
interceptan. En este caso son las ecuaciones 1
y 2. Utilice cualquiera de los métodos para
resolver pares de ecuaciones lineales con dos variables.

Ing. Efraín Murillo Msc.

Métodos Cuantitativos 18

e) Alternativamente, para determinar la solución óptima, puede calcular las coordenadas a todos los puntos
extremos: a, b, c y d y e, en el conjunto convexo de soluciones. Luego evalúa la Función Objetivo en cada uno
de ellos. El punto extremo que proporcione el mayor valor será el punto extremo óptimo.

f) En ambos casos se obtiene la solución óptima en el punto extremo b con coordenadas (800, 1.200). Así,
la solución óptima es X1 = 800 y X2 = 1.200. Resolviendo en la Función Objetivo:

Max 3X1+ 5X2, se obtiene: 3(800) + 5(1.200) = 8.400

En este caso 1, conteste lo siguiente:

1.1 ¿Qué representa el coeficiente de la variable X2 en la Función Objetivo y en la segunda restricción?

1.2 ¿Qué Tipo de solución presenta el modelo?, ¿Por qué? y ¿Cómo se reconoce en el gráfico?
1.3 ¿Cuál es la decisión que se recomendaría con la solución encontrada?
1.4 Analice las restricciones en el punto óptimo y presente la información que se obtiene.
1.5 ¿Qué efecto tendría sobre la solución óptima encontrada un cambio en el retorno anual de cada acción
Tipo 2. Suponga que cambia a 9. Explique y muestre sobre el gráfico. ¿Cómo se llama este Análisis que se
hace?.
RESPUESTAS:

1.1 En la Función Objetivo representa el retorno anual de cada acción Tipo 2 comprada, es decir cada acción
Tipo 2 que se compre proporcionará un retorno anual de Bs. 5. En la restricción 2, representa el riesgo medido
para cada acción Tipo 2. Es decir, cada acción Tipo 2 tiene un riesgo de 0.25.

1.2 Solución Única, porque hay una única combinación de acciones Tipo 1 y 2 a comprar que maximiza el
retorno anual de la inversión y se reconoce en el gráfico porque un único punto extremo proporciona el
máximo valor para el objetivo. En este caso, el punto b.

1.3 Comprar 800 acciones Tipo 1 y 1.200 Acciones Tipo 2 para maximizar el ingreso anual en 8.400
unidades monetarias ($)

1.4 Restricción 1: 25 (800) + 50 ( 1200) = 80.000 Se observa que se cumple exactamente, es decir como
una igualdad. Esto indica que con esa decisión óptima se utiliza totalmente el monto máximo de presupuesto
disponible para la compra.

Restricción 2: 0.5 (800) + 0.25 ( 1200) = 700 Se observa que se cumple exactamente, es decir como una
igualdad. Esto indica que con esa decisión óptima se tendrá totalmente el monto máximo requerido de riesgo
para la compra.

Restricción 3: 1 (800) = 800; 800 < 1.000 Se observa que se cumple como una
desigualdad. Esto indica que con esa decisión óptima se compran 800 acciones Tipo 1, 200 menos del
monto máximo requerido. Recuerde que eso está permitido debido que la restricción es “menor o igual a”.

En el gráfico puede observarse, como algo lógico, que las restricciones que se cumplen como igualdades están
cruzando sobre el punto óptimo y las que se cumplen como desigualdades están en la región solución
alejadas del punto óptimo.

1.5 El análisis se denomina Análisis de Sensibilidad. Se realiza después de haber obtenido la solución
óptima. En este caso, se realiza para determinar el efecto que produce sobre la solución óptima, un
cambio en un coeficiente de una variable en la Función Objetivo.

La nueva Función Objetivo, 3X1 + 9X2, es graficada nuevamente.

Ing. Efraín Murillo Msc.

Métodos Cuantitativos 19

Se observa sobre el mismo gráfico 2 que

la pendiente de la recta objetivo (f.O2)
cambia. Ahora al desplazarse, en
crecimiento, el punto extremo que
la limita es el de la intersección de las
rectas que corresponden a la
restricción de fondos disponibles y a la
ordenada o restricción de no- negatividad,
punto extremo “a”. La nueva solución es
una solución única, con otros valores para
las variables.

CASO 2. MODELOS CON SOLUCIONES ÓPTIMAS ALTERNAS O MÚLTIPLES.

Max 6X1+ 2X2 (Beneficio)

Sujeto a:
3X1 + X2 <= 4 8 horas de trabajo
3X1 + 4X2 <= 120 unidades de materia Prima
3X1 + X2 >= 36 horas de supervisión.
X1, X2 >= 0

El modelo es formulado por una empresa que desea determinar la cantidad de unidades de producto 1 ( X1) y
producto 2 (X2) a fabricar para satisfacer el objetivo establecido de maximizar el beneficio. El monto total
disponible de horas de trabajo para este período es de 48. La disponibilidad de materia prima es de 120 unidades
y la cantidad mínima de horas disponibles para supervisión es de 36 horas.

Graficar las restricciones y obtener el

espacio de solución se efectúa en forma similar
al proceso efectuado en el caso 1 y por lo tanto
no se repetirán las instrucciones.

(Ver Gráfico 3)

Los puntos extremos del conjunto convexo

son: A(16,0), B(8,24), C(8/3,28) y
D(12,0).

Dos puntos extremos proporcionan el

máximo valor del objetivo, los puntos A y B.
Esto permite afirmar que existen soluciones
óptimas Alternas para este modelo. Son
óptimos todos los puntos sobre el segmento
de línea AB que limita el conjunto
convexo de solución y corresponden a la
primera restricción.

Ing. Efraín Murillo Msc.

Métodos Cuantitativos 20

Si Usted utiliza el método de graficar la Función Objetivo con un valor arbitrario, 48 por ejemplo, podrá
observar que la línea es completamente paralela a la primera y tercera restricción. Al desplazarla
paralelamente hacia su optimización, hacia arriba porque se está maximizando, finalmente caerá
completamente sobre la primera restricción, de horas de trabajo, antes de salir totalmente fuera de la región
solución. Dos puntos extremos estarían limitando el crecimiento del objetivo, el punto B y el punto A.

“ Cualquier recta que tenga ratio de coeficientes igual al de otra recta, es paralela a esa otra recta”

La ventaja que presentan los modelos con este Tipo de solución es que se puede elegir cualquiera de las
soluciones óptimas, porque todas presentan el mismo valor óptimo para el objetivo. Por ejemplo, si una de las
soluciones tiene valores fraccionales para las variables y no puede trabajarse con valores fraccionales, el que
toma la decisión seleccionará una solución con valores enteros.

Respuestas para algunas de las preguntas similares a las del modelo anterior (Caso 1: Modelo con
Solución Óptima única):
1.2 Es una solución óptima alterna porque existe más de una combinación de productos1 y 2 a producir, que
proporcionan el mismo valor óptimo para el beneficio.
Se reconoce en el gráfico porque más de un punto extremo limita el valor óptimo del objetivo o proporciona
su valor óptimo, los puntos: A (16,0) y punto B (8,24). Por lo tanto, todos los puntos sobre la recta AB
son también óptimos.
1.3 Debe seleccionar una de todas las soluciones. Suponga que elige la del punto extremo B (8, 24)
En este caso la decisión sería: Producir 8 unidades de producto1 y 24 unidades del producto 2 para maximizar
el beneficio en 96 unidades monetarias: 6 (8) + 2 (24) = 96
Este valor para la Función Objetivo también se obtendría en el otro punto extremo A (16, 0) y en
cualquier punto sobre la recta AB en la región solución.
1.4. Restricción 1: 3 (8) + 1 (24) <= 48 48 = 48

Se observa que se cumple como igualdad. Esto indica que con esa decisión óptima se utiliza totalmente el
monto máximo de horas de trabajo disponible para la producción.

Restricción 2: 3 (8) + 4 (24) = 120

Se observa que se cumple exactamente, es decir como una igualdad. Esto indica que con esa decisión
óptima se utilizará totalmente el monto máximo disponible de Materia Prima.

Restricción 3: 3 (8) + 1(24) >= 36 48 > 36

Se observa que se cumple como una desigualdad. Esto indica que con esa decisión óptima se utilizan 12 horas
sobre el monto mínimo disponible de horas de supervisión. Se utilizan 48 horas.

1.5 Aquí puede practicar Análisis de Sensibilidad sobre el gráfico, variando algún elemento del modelo.

Ing. Efraín Murillo Msc.

Métodos Cuantitativos 21

CASO 3. MODELOS SIN SOLUCIÓN POSIBLE.

No se definirán los elementos del modelo porque no

habrá una solución posible para tomar alguna decisión.

(Ver gráfico 4 )

Max 40 X1 + 30 X2

Sujeto a:
2/5X1 + 1/2X2 <= 20
1/5X2 <= 5
3/5X1 + 3/10X2 <= 21
X1 >= 30
X2 >= 15
X1,X2 >= 0

Puede observarse en el Gráfico 4, que mientras las 3 primeras restricciones delimitan un espacio en
común, las 2 últimas delimitan otro espacio común para ellas. Por lo tanto, no hay una región de puntos
comunes que satisfagan ambos conjuntos de restricciones y el modelo no tendrá solución posible. En
estos casos es necesario determinar cuáles son las restricciones inconsistentes para el modelo. Es decir,
cuáles son realmente válidas para el modelo.

Observe que si las variables X1 y X2 toman el valor mínimo que pueden tomar en las dos
últimas restricciones, es decir X1 = 30 y X2 = 15 entonces la tercera restricción no se cumpliría.
Esto es una inconsistencia.

Estos modelos no deben existir en el mundo real (14). Si el sistema modelado trabaja, entonces el
modelo debe representarlo de tal manera que permita obtener una solución posible.

CASO 4. MODELOS QUE PRESENTAN SOLUCIÓN CON VALOR INFINITO.

Max X1+ 2X2

Sujeto a:
-4 X1 + 3 X2 <= 3
X1 - X2 <= 3
X1, X2 >= 0

No se definirán los elementos del modelo

porque no habrá una solución para tomar
alguna decisión.

En el gráfico 5 el conjunto convexo llamado

región solución, que contiene todas las
soluciones posibles, es un espacio abierto.

Tiene tres puntos extremos A, B y C, pero ninguno delimita el crecimiento del objetivo. Esta función puede

Ing. Efraín Murillo Msc.

Métodos Cuantitativos 22

tomar valores infinitos ya que las variables conforman puntos con valores infinitos dentro de la región
solución y ninguno de ellos le proporciona un valor finito óptimo. Por lo tanto, existiendo restricciones, no
es lógico encontrar un objetivo de valor infinito.

En estos casos debe buscarse dentro del sistema, la restricción o las restricciones que se omitieron en el
modelo y que limitarían las variables de decisión a valores factibles.

CASO 5. MODELOS CON ESPACIO DE SOLUCION NO ACOTADO Y SOLUCION DE VALOR

FINITO.

Min 0.06 X1+ 0.05 X2 (costos)

Sujeto a:

0.30 X1 + 0.20 X2 >= 500 Proteína

0.15 X1 + 0.30 X2 >= 300 Grasa
X1, X2 >= 0

El modelo es formulado para una guardería de perros que se destaca por dar una alimentación balanceada a
las mascotas. El alimento lo elabora mezclando 2 marcas conocidas de alimentos que llamaremos X1 y X2.
Se desea determinar la cantidad de gramos de X1 y X2 a mezclar en el alimento, con el objetivo
establecido de minimizar los costos de la mezcla. Esta,
debe contener al menos 500 gramos de proteínas y al
menos 300 gramos de grasa por día. Los porcentajes
de contenido de grasa y proteína de cada gramo de
X1 y X2 se conocen y son usados en el modelo.

El espacio de solución obtenido se muestra en

el Gráfico 6. Se observa una región abierta con las
soluciones posibles y puntos extremos A, B, C.

Esto indica que pueden existir combinaciones de

cantidad de gramos de alimento X1 y X2 con valor
infinito, en este caso los costos serían infinitos. Esto
es posible porque no se está limitando directamente la
cantidad de X1 y X2 en alguna restricción
específica y las restricciones existentes son todas de
Tipo “ que”.

Pero, mientras exista al menos una combinación

con valor finito, en algún punto extremo que limite el
valor del objetivo, a esa combinación se le
considerará óptima. En los casos de región abierta de
soluciones posibles, es conveniente entonces
encontrar el valor óptimo con el procedimiento de
graficar la Función Objetivo.

Al graficar la Función Objetivo, con un valor arbitrario de 120, se observa que al desplazarla
paralelamente hacia su optimización, hacia abajo porque se está minimizando, la línea cae sobre el punto B,
antes de salir completamente de la región solución. A este punto se le considerará punto extremo óptimo.

La solución óptima es Única con los valores: X1 = 1.500, X2 = 250 F.O. = 102.5

Conociendo la definición del modelo, puede contestar preguntas similares a las hechas en el caso 1

Ing. Efraín Murillo Msc.

Métodos Cuantitativos 23

CASO 6. MODELOS CON SOLUCION DEGENERADA

Min 2500 X + 2200 Y (costos)

Sujeto a:
X + Y <= 10 Empleados temporales
300X + 400Y >= 3 400 cartas
80X + 50Y >= 680 paquetes
X, Y >= 0
El modelo es formulado por una oficina de correos que puede contratar hasta 10 empleados para manejar el
correo. La oficina conoce que un empleado (hombre) puede manejar 300 cartas y 80 paquetes por día y una
empleada (mujer) puede manejar 400 cartas y 50 paquetes en un día. No menos de 3.400 cartas y de 680 paquetes
se esperan por día. A cada empleado hombre (X), se le paga Bs. 2.500 por día y a una empleada mujer (Y)
se le paga Bs. 2.200 por día.
Se quiere determinar la cantidad de hombres (X) y
mujeres (Y) que se deben contratar para satisfacer
las restricciones y lograr el objetivo establecido de
minimizar los costos de la nómina.
Graficar las restricciones y obtener el espacio de
solución se efectúa en forma similar al hecho en el
caso 1 y por lo tanto no se repiten las instrucciones.
El gráfico obtenido es el Gráfico 7.
Se observa una región de soluciones posibles de un
solo punto común para todas las restricciones y por lo
tanto un único punto extremo A.
Esto indica que existe una única combinación
posible y además óptima, de cantidad de empleados
X y Y que satisface las restricciones y optimiza el
objetivo.
Conociendo la definición del modelo, puede contestar
preguntas similares a las hechas en el Caso 1

1.1 ¿Qué representa el coeficiente de la variable Y en la Función Objetivo y en la segunda restricción?

1.2 ¿Qué Tipo de solución presenta el modelo?, ¿Por qué? y ¿Cómo se reconoce en el gráfico?
1.3 ¿Cuál es la solución y la decisión que se recomendaría con la solución encontrada?
1.4 Analice las restricciones en el punto óptimo y presente la información que se obtiene.
1.5 ¿Qué efecto tendría, sobre la solución óptima encontrada, un cambio en el número de cartas esperadas.
Suponga que cambia a 2.400. Explique y muestre sobre el gráfico. ¿Cómo se llama este Análisis?
Respuestas:
1.1 El coeficiente de la variable Y en la Función Objetivo representa lo que se le paga diariamente a cada
trabajadora (mujer), es decir, el costo de contratar una trabajadora al día es de Bs. 2.200. En la segunda
restricción representa la cantidad de cartas que puede manejar al día cada mujer contratada, es decir, 400 cartas
al día puede manejar cada mujer contratada.
1.2 Única y Degenerada. Normalmente la solución de un modelo contiene una variable (Estructural o de
holgura) con valor mayor que cero por cada restricción del modelo. En este caso, más variables de las
normales toman valor cero, para poder satisfacer mayor número de restricciones, en el punto óptimo. Hay
entonces menor cantidad de variables con valor mayor que cero con relación al número de restricciones. Por
eso se le llama Solución Degenerada en contraposición a la Solución Normal. Además es única porque una
sola combinación de empleados, hombres y mujeres, proporciona el mínimo costo.
Se debe a la presencia de restricciones redundantes en el modelo y se reconoce en el gráfico porque más de
dos restricciones cruzan sobre el punto óptimo. Del total de restricciones que cruzan el punto óptimo, sólo dos

Ing. Efraín Murillo Msc.

 Métodos Cuantitativos 24

son necesarias para calcular sus coordenadas. En este caso sólo hay una restricción redundante, por ello la
Solución es Degenerada. Se reconoce que es única porque hay un solo punto extremo que proporciona el
valor óptimo del objetivo.
1.3 La solución es X = 6, Y = 4, F.O. = 23.800. La decisión sería contratar 6 empleados hombres y 4
mujeres para minimizar los costos diarios de contratación en 23.800 unidades monetarias: 2.500(6) +
2.200 (4).
1.4 Restricción 1
X + Y <= 10
6 + 4 = 10 Con esta decisión se contrata el máximo de empleados que se estaba dispuesto
a contratar.
Restricción 2
300X + 400Y <= 3 400
300(6) + 400(4) = 3 400 Con esta decisión se manejará el mínimo de cartas que se espera.
Restricción 3
80X + 50Y >= 680
80(6) +50(4) = 680 Con esta decisión se manejará el mínimo de paquetes que se espera.
1.5 El análisis a efectuar se denomina Análisis de
Sensibilidad.
Sobre el gráfico está graficada la nueva restricción
300X + 400 Y 2.400
Se observa que no cambia el espacio de soluciones
posibles y por lo tanto la solución óptima seguirá
siendo la misma.
En general, disminuir la cantidad del lado derecho de
una restricción Tipo , es relajar la restricción y
hacerla más fácil de satisfacer.
Esto puede expandir el conjunto convexo o dejarlo
igual. En este caso quedó igual. Esto se estudia más
detalladamente en Análisis de Sensibilidad.

EJERCICIOS
1.- ¿Cuáles de las siguientes relaciones no serian aceptables como restricciones de PL?

Ing. Efraín Murillo Msc.

 Métodos Cuantitativos 25

1. 7 X  5Y  9
2. 8 XY  2 X  12
3. 13 X  9 X 2  8
4. 4X  7 /Y
5. XY  1

2.- ¿Cuáles de las siguientes relaciones serian aceptables como restricciones de PL?

1. X 2 Y 2  8
2. 3 X  7Y  9
3. 12 X  8  9 XY
7X
4.  2.2 X   13Y
Y
5. 6 XY  4Y

3. Dados los siguientes datos para los productos A y B

Producto Recurso
Recurso
A B disponible
R1 60 20 1200
R2 40 50 2000
Contribución/unidad $3 $ 1.5

a) Escríbanse la función objetivo y las restricciones.

b) Encuéntrese la solución óptima mediante el método gráfico.

4. Dados los siguientes datos en cuanto a los productos x1 y x 2

Producto Recurso
Recurso disponible
x1 x2
R1 4 2 16
R2 410 2 8
Contribución/unidad $1 $2
a) Escríbanse la función objetivo y las restricciones.
b) Encuéntrese la mezcla de productos que maximice la contribución.

5. Con los siguientes datos:

Producto Recurso
Recurso
A B disponible
R1 10 10 200
R2 8 4 64
R3 3 0 72
Contribución/unidad $5 $5
a) Escríbanse la función objetivo y las restricciones.
b) Encuéntrese la solución óptima mediante el método gráfico.

6. Dados dos productos A y B tales que:

Horas requeridas por unidad

Centro I Centro II Contribución $

Ing. Efraín Murillo Msc.

Métodos Cuantitativos 26

A 8 20 16
B 15 10 12
Horas disponibles 112 170
Encuéntrese la mezcla óptima de productos.

7. Delisabell produce néctar yogures para el consumo humano. Los yogures y los néctares se hacen a partir
de fruta y para el yogurt leche. Los yogurts pueden ser el probiótico y el yogurt comercial.
Tenemos una disponibilidad de 40 kg. de fruta y 90 litros de leche diaria.
Tabla de requerimientos de fruta y leche por cada tipo de yogurt

Probiótico Comercial Disponibilidad diaria

1 kg =
Fruta 20 kg 10 kg 40 kg
1 lt
Leche 40 lt. 35 lt. 90 lt

Utilidad unitaria S/. 4.0 S/. 3.0

Se sabe que la demanda diaria por parte de los clientes de Delisabell en lo que respecta a yogures probióticos
restringe su demanda a 15 litros. Delisabell quiere determinar la mezcla óptima de yogurt probiótico y el
comercial para su maximización de utilidad diaria.

Ing. Efraín Murillo Msc.

Métodos Cuantitativos 27

Para los siguientes problemas encuéntrese la solución óptima por el método gráfico.

Ing. Efraín Murillo Msc.