El método gráfico

Hasta aquí sabemos plantear un problema de programación lineal (PL), pero aún no
hemos aprendido a resolverlo.

La solución a los problemas de PL puede hacerse en forma gráfica cuando la función

objetivo y las restricciones están en función de solo dos variables de decisión.

En esta lectura desarrollaremos el método gráfico para resolver problemas de PL.

Resolución de un problema de PL mediante el método grá co

Referencias

Revisión del módulo

LECCIÓN 1 de 3

Resolución de un problema de PL mediante el

método gráfico

Para aprender a resolver un problema de PL por el método gráfico

retomaremos el problema inicial formulado:

Problema: La empresa Silban S.A. fabrica y vende dos tipos de productos:

sillas y bancos, para lo que dispone de una máquina cortadora de madera
que trabaja 8 horas diarias y dispone de un total de 9 kg de madera como
materia prima por día para fabricarlos. 

Se desea determinar el número de productos diarios a fabricar de cada tipo

(sillas y bancos) para obtener el máximo beneficio, teniendo en cuenta que la
utilidad por cada silla es de $2000 y por cada banco de $3000. Además, se
conocen los datos de la siguiente tabla que representan las horas de trabajo
de la máquina cortadora empleadas para cada producto y la materia prima
(madera) necesaria para cada uno.

Tabla 1: Datos de los recursos que se necesitan para la producción

Recursos Silla Banco

 Recursos Silla Banco

Horas
1 2
máquina cortadora

Materia prima
3 1
(madera)

Fuente: adaptado de Davis y McKeown, 1995.

La empresa te solicita que determines:

a) La cantidad de productos de sillas y bancos a fabricar para maximizar la

ganancia.

b) ¿A cuánto asciende la ganancia máxima de la fábrica?

Para resolver los problemas de PL, el método gráfico que se debe seguir
incluye los siguientes pasos:

1 Plantear el problema en términos matemáticos:

Definir las variables de decisión.

Plantear en términos matemáticos la función objetivo.

2 Plantear las restricciones sobre los recursos en términos

matemáticos.
 3 Graficar las restricciones.

4 Graficar la función objetivo.

5 Determinar los valores de las variables al punto que arrojen las

máximas utilidades o mínimos costos según corresponda.

Recuerda que la identificación de los elementos fue estudiada en la Lectura 3

de este módulo, es decir, que en el primer paso, plantear el problema en
términos matemáticos, obtuvimos:

Variables de decisión:

X: Representa silla

y: Representa banco

Maximizar: z= 2000x + 3000y

Sujeta a las restricciones (SA):

Las restricciones de no negatividad   x ≥ 0 e  y ≥ 0 existen, ya que en este
problema no pueden existir sillas y bancos con valor negativo de fabricación.
Siempre se agregan las condiciones de no negatividad a cualquiera que sea
el problema de PL que se plantee.

Es indispensable que, antes de abordar el paso 2: graficar las restricciones,

repasemos  qué representa un sistema de inecuaciones lineales.

A continuación se exhiben gráficamente las inecuaciones por separado y

posteriormente como un sistema de inecuaciones:

Figura 1: Representación gráfica de la inecuación x + 2y ≤ 8

Fuente: elaboración propia.

Figura 2: Representación gráfica de la inecuación 3x + y ≤ 9

Fuente: elaboración propia.

Figura 3: Representación gráfica del sistema de inecuaciones conformado

por x + 2y ≤ 8 y 3x + y ≤ 9 
 Fuente: elaboración propia.

Por las restricciones de no negatividad x ≥ 0 e y ≥ 0 solo se toma el primer

cuadrante como se observa en la siguiente figura (no pueden fabricarse
cantidad negativa de sillas y/o bancos).

Figura 4: Solución gráfica de las condiciones de no negatividad

 Fuente: elaboración propia.

Ahora resultará sencillo analizar el conjunto solución, teniendo como base las
condiciones de no negatividad y el sistema de inecuaciones. Si unificamos
todas las gráficas  obtendremos la siguiente solución gráfica que muestra el
área común de todas las restricciones.

Figura 5: Solución gráfica del sistema de inecuaciones correspondiente al

problema planteado
 Fuente: elaboración propia.

La región pintada de azul es la que incluye todos los puntos que son
soluciones factibles de las inecuaciones. Es aconsejable que se considere
una restricción a la vez (ordenadamente) y se vaya buscando las regiones
que son comunes a todas las restricciones.

Como observamos, la región solución o factible es un conjunto infinito de

puntos conformados, según nuestro problema, por silla y banco. Pero, ¿cuál
de las combinaciones de sillas y bancos (x, y), que pertenecen a la región
factible, optimiza (maximiza) a la función objetivo?
No olvidemos que x representa a una unidad de silla e y a una unidad de
banco que se fabrican en la empresa.

Nuestro problema ahora será determinar el par o los pares (x, y) que
producen la máxima ganancia.

Retomemos entonces a la función objetivo del planteo inicial: 

Maximizar Z= 2000x + 3000y

Valuemos la función objetivo en un punto de la región factible para poder

graficarla, por ejemplo, en el punto (2, 1), que significa producir dos sillas y un
banco, entonces reemplazando en la función objetivo, se tiene que:

Z = 2000 x 2 + 3000 x 1 = 4000 + 3000 = 7000

En este caso alcanzaríamos un beneficio de $7000 al  fabricar diariamente

dos sillas y un banco.

Figura 6: Recta representativa de la función objetivo Z= 2000x + 3000y =

7000
 Fuente: elaboración propia.

Como se observa en la figura 6, la función objetivo (Z) no alcanzó su valor

máximo porque existen puntos de la región factible que están por encima de
Z. A esta altura cabe preguntarse: ¿cómo obtenemos el punto óptimo de silla
y banco que maximice en forma gráfica la función objetivo?

La respuesta es llevar gráficamente a la función objetivo (Z) – en forma

paralela- hasta que arribe al punto más extremo, como se observa a
continuación:
Figura 7: Recta representativa de la función objetivo (Z) que pasa por el
punto más extremo de la región factible

Fuente: elaboración propia.

Para ampliar y para demostrar que lo realizado hasta ahora tiene sentido,
analicemos qué sucede con la función objetivo en el punto (0, 0), que es
equivalente a no fabricar ninguno de los dos productos y que por lo tanto
resulta en: 

Z = 2000 x 0 + 3000 x 0 = 0
Es decir, que el beneficio que obtenemos es nulo si no hay producción de
sillas y bancos.

Ahora bien, continuando con la figura 7, en la que se observa que la función

objetivo (Z) pasa por el punto más lejano de la región factible: ¿cuál es el
valor de coordenada de este punto (cantidad de silla y banco)?, es decir, hay
que determinar el valor de la variable en el punto que arroje la mayor utilidad
o, expresado de otra manera, la cantidad de silla y de banco a fabricar para
maximizar las ganancias indicando el valor del beneficio obtenido.

Para conseguir este valor, en la figura 7 se muestra que la función objetivo

toca el valor extremo más lejano de la región factible en la intersección de las
inecuaciones x+2y≤8   y 3x+y≤9. Como las inecuaciones representan
semiplanos, convertimos las inecuaciones antes mencionadas en
ecuaciones porque la intersección se produce en el cruce de las dos rectas,
de lo que resulta el siguiente sistema de ecuaciones:{x + 2y = 8 3x + y=9

Este sistema de dos ecuaciones con dos incógnitas se puede resolver al

emplear algunos de estos métodos: sustitución, igualación o reducción. Al
utilizar cualquiera de ellos obtenemos que x=2 e y=3, por lo tanto, el punto de
intersección es el punto (2, 3) que en nuestro problema sería fabricar dos
sillas y tres bancos diariamente.

Para conocer el beneficio valuamos el punto (2, 3) en la función objetivo, que

resulta en:
 Z = 2000 x 2 + 3000 x 3 = 13.000

Podemos concluir que si   se fabrican  dos sillas y tres bancos, el fabricante

obtendrá el máximo beneficio diario de $13000.

Gráficamente se expresa:

Figura 8: Recta representativa de la función objetivo (Z) que pasa por el

punto (2, 3)

Fuente: elaboración propia.

A continuación, mostramos una síntesis en la que se exhibe cómo se
encuentra el punto que optimiza, maximiza, en este caso, a la función
objetivo del problema planteado.

A partir de un punto inicial de la región factible:

1 se trazó la función objetivo;

2 se localizó su mejor lado;

3 se desplazó la función objetivo paralelamente a sí misma en la

dirección de mejora.

Finalmente, es necesario aclarar que el método gráfico de resolución es solo

aproximado. Además, es válido para cuando el problema tiene dos o tres
variables de decisión.

Hasta ahora vimos el método gráfico para problemas de maximización, pero:

¿cómo se resuelven en un caso de minimización?

Para abordar la minimización mediante el método gráfico emplearemos el

siguiente problema:

Los administradores de empresa de jugos JuCor S.A. han especificado que

la producción mensual total combinada de jugo de naranja y de manzana
debe ser, al menos, de 7700 litros. Por otro lado, se debe satisfacer también
el pedido de un cliente de 2750 litros de jugo de naranja. Los objetivos de los
administradores de la empresa son cumplir con los requisitos anteriores e
incurrir en un costo de producción mínimo. Los costos de producción son de
$3 por litro de jugo de naranja y de $2 por litro de jugo de manzana.

El proceso de resolución es similar al de maximización ya visto, así que

comencemos a identificar las variables de decisión: a las mismas, las
llamaremos x1 a la cantidad de litros de jugo de naranja y x2 a la cantidad de
litros de jugo de manzana. Como los costos de producción son de $3 para
cada litro de jugo de naranja y de $2 para cada litro de jugo de manzana, la
función objetivo será:

Minimizar: Z= 3x1 + 2x2

En cuanto a las restricciones, tenemos que se debe producir no menos de

7700 litros (jugos de naranja y de manzanas), por lo tanto:

x1 + x2  ≥ 7700  

Además, se debe satisfacer la demanda del cliente de 2750 litros de jugo de

naranja, entonces:

x1 ≥ 2750
Determinadas la función objetivo y las restricciones, podemos formular el
planteo de programación lineal correspondiente con este problema:

Variable de decisión:

x1: cantidad de litros de jugo de naranja

x2: cantidad de litros de jugo de manzana

Minimizar: Z= 3x₁ + 2x₂,

Sujeta a las restricciones (SA):

La restricción (1) se refiere a la producción de jugos de naranja y manzana, la

restricción (2) se refiere a la demanda de jugo de naranja, las restricciones
(3) y las restricciones (4) son las de no negatividad, es decir, no puede haber
cantidades negativas de jugos de naranja y/o de manzana.

Figura 9: Región factible de un problema de minimización 

 Fuentes: adaptado de Conforte y Mase, 2001, p. 67; De las Casas y Mase, 2010, p. 143.

La región sombreada es la región de soluciones factibles. Debemos ahora

representar una recta de la familia de la función objetivo (podemos tomar la
que pasa por el origen del sistema de coordenadas) y desplazarla hasta
encontrar la primer recta que tenga intersección con la región de soluciones
factibles.

Figura 10: Solución óptima en forma gráfica del problema de minimización

planteado
 Fuente: adaptado de Conforte y Mase, 2001, p. 68; De las Casas y Mase, 2010, p. 143.

Con un gráfico a escala se podrá verificar que el punto de la solución óptima

es el punto (2750, 4950), que reemplazado en la función objetivo, se obtiene:

Z= 3 x 2750 + 2 x 4950 = 18.150

Es decir, que para nuestro problema de minimización podemos concluir que,

sí produce 2750 litros de jugo de naranja y 4950 litros de jugo de manzana, la
empresa obtendrá un costo mínimo de $18150 por mes.

Finalmente, una vez vistos los métodos de maximización y minimización

para un problema de PL por el método gráfico, cabe preguntarse: ¿todos los
problemas de programación lineal tienen una única solución óptima?

La respuesta es NO. Cuando los problemas de programación lineal no tienen

una sola solución óptima se denominan casos especiales de PL.

A continuación, se describen los casos especiales, pero no se realiza sobre un

problema concreto porque no se arriba a una solución óptima única para
maximizar o minimizar a la función objetivo.

Casos especiales:

PRO BLE M A N O PRO BLE M A N O

D E G E N E RA C I Ó N Ó PT I M O S M Ú LT I PLE S
A C O TA D O FA C T I BLE

Esto ocurre cuando el conjunto factible no está acotado y la función objetivo

se puede incrementar o decrementar ilimitadamente. En la realidad esto es
imposible, ya que no es posible obtener beneficios o costos infinitos. 

Significa que hay un error en la formulación del modelo, posiblemente debido

a que no se incluyeron en el mismo una o varias restricciones que acoten a la
región factible.
  
Figura 11: Caso especial: problema no acotado
Fuente: elaboración propia.
 PRO BLE M A N O PRO BLE M A N O
D E G E N E RA C I Ó N Ó PT I M O S M Ú LT I PLE S
A C O TA D O FA C T I BLE

Esto ocurre cuando no existe ninguna solución posible, es decir, un conjunto

factible vacío.

Se produce por un error en la formulación del problema por una cantidad

excesiva de restricciones o la inclusión de restricciones incorrectas.

Figura 12: Caso especial: Problema no factible

Fuente: elaboración propia.
 PRO BLE M A N O PRO BLE M A N O
D E G E N E RA C I Ó N Ó PT I M O S M Ú LT I PLE S
A C O TA D O FA C T I BLE

Esto ocurre cuando por un vértice de la región factible pasan más de dos
restricciones, por lo que una de ellas es redundante y el punto está
determinado en exceso.
 
Figura 13: Caso especial: degeneración
Fuente: elaboración propia.
 PRO BLE M A N O PRO BLE M A N O
D E G E N E RA C I Ó N Ó PT I M O S M Ú LT I PLE S
A C O TA D O FA C T I BLE

Esto ocurre cuando la función objetivo (Z) es paralela a una restricción no

acotada, es decir, la función objetivo tendrá el mismo valor óptimo en más de
un punto del conjunto factible, por lo que puede seleccionar varias alternativas
sin deterioro del valor óptimo.
 
Figura 14: Caso especial: óptimos múltiples u opciones óptimas
Fuente: elaboración propia.
Todos los problemas de programación lineal que se resuelven por el método
gráfico tienen una única solución óptima factible.

Falso, porque no todos los problemas de PL tienen una

única solución óptima.

Verdadero, porque el método gráfico siempre asegura

una única solución óptima factible que coincide con
uno de los vértices de la región factible.
 SUBMIT

¿Cómo se denomina el caso especial de PL que no tiene una única región

factible?

No factible, porque tiene más una región factible.

No acotado, porque crece infinitamente la región

factible.

Degenerado, porque tiene más de una región factible.

Óptimo múltiple, porque varios puntos de la región

factible pueden ser óptimos.

SUBMIT

C O NT I NU A R
LECCIÓN 2 de 3

Referencias

De las Casas, G., y Mase, M. (2010). Álgebra. Córdoba: IES Siglo 21. 

Conforte, J., y Mase, M. (2001). Matemática I. Córdoba: IES Siglo 21

C O NT I NU A R
LECCIÓN 3 de 3

Revisión del módulo

Hasta acá aprendimos

Concepto de modelado. Generalidades

–
En Gran Bretaña comenzó la investigación de operaciones durante la
segunda guerra mundial para estudiar problemas tácticos y estratégicos.
Posteriormente, la Ciencia de la Administración, lo traslado para resolución de
problemas de esta disciplina mediante el modelado de problemas,
estudiándolo como una abstracción de la realidad.

Fases del estudio de IO

–
En el estudio de la investigación de operaciones (IO), los modelos
matemáticos presentan una serie de secuencia o pasos, conocida como
fases, para la resolución de problemas, mediante diversas técnicas de la IO.

Concepto de programación lineal. Formulación del modelo

–
Existen diferentes técnicas para la resolución de problemas de Investigación
de operaciones, entre ellas está la programación lineal, cuyos elementos del
modelado cuenta con variables de decisión, función objetivo a maximizar o
minimizar según el problema y un conjunto de restricciones de recursos.

El método gráfico
–
Para la resolución de problemas de programación lineal, el método gráfico es
una técnica que se emplea cuando la función objetivo y las restricciones son
lineales, es decir, que están en función de solo dos variables de decisión.

C O NT I NU A R