OPT - 2017 - 02 - Introducción A La Programación Lineal y Método Gráfico

Optimización –- 2°
OPTIMIZACIÓN 1ERsemestre
SEMESTRE2017
2016
Introducción a la Programación Lineal y Método

Gráfico
Clase 02 – miércoles 02 de agosto
Preprarado por Sebastián Varas Kittel / Wilfredo Yushimito

AGENDA
• Recordatorio clase anterior
• Programación lineal
• Método gráfico
• Método de los vértices
• Terminología y casos patológicos
• Sensibilidad
• Ejercicios – Modelos un poco más complejos
• Próximos pasos
Preprarado por Sebastián Varas Kittel / Wilfredo Yushimito 2

AGENDA
• Sensibilidad
• Próximos pasos

LA CLASE PASADA VIMOS LAS 4 COMPONENTES PRINCIPALES DE LOS
MODELOS DE OPTIMIZACIÓN…
RECORDATORIO
• Función objetivo:
‒ Métrica para medir una solución y compararla con otras (ej.: Ingresos, Utilidades,
Costos, Ocupación, Tiempo, etc.)
• Variables de decisión (endógenas):

‒ Variables que podemos modificar para obtener distintos valores de la función objetivo
(ej.: cantidad de producto fabricado, cantidad de hectáreas plantadas, etc.)
• Parámetros o variables exógenas :

‒ Valores/ parámetros del sistema que no se pueden cambiar (ej.: Mano de obra
disponible, terreno disponible, presupuesto, costo de usar determinado insumo, etc.)
• Restricciones:
‒ Limitaciones del problema/ sistema (ej.: el costo incurrido no debe superar el
presupuesto definido, no se pueden sembrar más hectáreas de las disponibles, etc.)

…LOS CUALES SE ESCRIBEN EN FORMA GENERAL COMO UNA FUNCIÓN
OBJETIVO Y UN CONJUNTO DE POSIBLES SOLUCIONES
RECORDATORIO
Modelo general de Optimización
𝐌𝐈𝐍𝐱 𝐨 𝐌𝐀𝐗 𝐱 𝐟 𝐱
𝐬. 𝐚.
𝐱∈𝐒
En este curso en particular….
𝐠 𝐢 𝐱 ≤ 𝟎, 𝐢 = {𝟏. . 𝐦}
𝐒→
𝐱 ∈ ℝ, ℤ

AGENDA
• Sensibilidad
• Próximos pasos

EN UN MODELO DE PROGRAMACIÓN LINEAL (LP), LA FUNCIÓN OBJETIVO
Y LAS RESTRICCIONES SON FUNCIONES LINEALES
NO EXHAUSTIVO
Modelo general de Optimización
𝐌𝐈𝐍𝐱 𝐨 𝐌𝐀𝐗 𝐱 𝐟 𝐱
𝐬. 𝐚.
𝐠 𝐢 𝐱 ≤ 𝟎, 𝐢 = {𝟏. . 𝐦}
𝐱 ∈ ℝ, ℤ
Cuando el modelo es lineal…
• Se tiene solo una función objetivo (f(x)) la cual es lineal
• Las restricciones (g i (x)) son lineales
• Las variables de decisión son continuas (𝐱 ∈ ℝ)

UNA FUNCIÓN ES LINEAL SI ESTÁ DEFINIDA SÓLO POR LA SUMA DE
FUNCIONES DE ORDEN 1 DE LAS VARIABLES DE DECISIÓN…
NO EXHAUSTIVO
• ¿Qué es una función lineal?

n c1
f x = ෍ ci xi , para c = ⋮ dado y fijo
i=1 cn
• Ejemplos de restricciones y funciones objetivos (¿es lineal?):
‒ f x, y, z = 5x + 6y + z (sí)
‒ 5x + 6y + z ≤ 10 (sí)
‒ 7y + 8𝐲𝐳 + 9x ≤ 10 (no)
‒ f x, y = 8𝐲 𝟐 + 10x (no)
‒ sin 10 x + 103 z ≥ 10 (sí)

…DE TODAS FORMAS ES POSIBLE LINEALIZAR ALGUNAS RESTRICCIONES
EN CASOS MUY PARTICULARES…
NO EXHAUSTIVO
• Ejemplos de restricciones:
3x + 7y − 7z
≤6
8𝑦 + 2𝑧
No es lineal, sin embargo si 8𝑦 + 2𝑧 > 0 o 8𝑦 + 2𝑧 < 0 para todas las soluciones posibles
del modelo de programación, entonces se puede linealizar:
si 8y + 2z > 0 → 3x + 7y − 7z ≤ 6 ∙ 8𝑦 + 2𝑧 → 3𝑥 − 41𝑦 − 19𝑧 ≤ 0
si 8y + 2z < 0 → 3x + 7y − 7z ≥ 6 ∙ 8𝑦 + 2𝑧 → 3𝑥 − 41𝑦 − 19𝑧 ≥ 0

…POR LO TANTO, UN PROBLEMA DE PROGRAMACIÓN LINEAL TIENE LA
SIGUIENTE FORMA…
NO EXHAUSTIVO
Modelo de programación lineal

𝐧
𝐌𝐈𝐍𝐱 𝐨 𝐌𝐀𝐗 𝐱 ෍ 𝐜𝐢 𝐱 𝐢 Función Objetivo
𝐢=𝟏
𝐬. 𝐚.
𝐧
෍ 𝐚𝐣𝐢 𝐱 𝐢 = 𝐛𝐣 ∀𝐣 ∈ 𝐉=
𝐢=𝟏 Restricciones
𝐧 principales
෍ 𝐚𝐣𝐢 𝐱 𝐢 ≤ 𝐛𝐣 ∀𝐣 ∈ 𝐉≤
𝐢=𝟏
𝐱𝐢 ≥ 𝟎 ∀𝐢 ∈ 𝐈 +
𝐱𝐢 ≤ 𝟎 ∀𝐢 ∈ 𝐈 − Restricciones de
variables
𝐱 𝐢 𝐥𝐢𝐛𝐫𝐞 ∀𝐢 ∈ 𝐈 𝐥
…PARA FACILITAR EL USO DE ALGORITMOS DE SOLUCIÓN, LOS MODELOS
DE LP SE ESCRIBEN EN LA FORMA ESTÁNDAR
NO EXHAUSTIVO
Forma Estándar
𝐌𝐀𝐗 𝐱 ෍ 𝐜𝐢 𝐱 𝐢
𝐢=𝟏
𝐬. 𝐚.
𝐧
෍ 𝐚𝐣𝐢 𝐱 𝐢 = 𝐛𝐣 ∀𝐣 ∈ 𝐉
𝐢=𝟏
𝐱𝐢 ≥ 𝟎 ∀𝐢 ∈ 𝐈
¿Cómo lo hacemos con los modelos lineales que no cumplen con esa forma?
• Problemas de minimización
Siempre se puede
• Restricciones con desigualdades llevar a la Forma
Estándar
• Variables de decisión negativas o libres

PASANDO UN MODELO LP A LA FORMA ESTÁNDAR
NO EXHAUSTIVO
• Minimización:
n n
MINx ෍ ci xi → MAX x − ෍ ci xi
i=1 i=1
• Desigualdades:
𝐧 𝐧
෍ 𝐚𝐣𝐢 𝐱 𝐢 ≤ 𝐛𝐣 → ෍ 𝐚𝐣𝐢 𝐱 𝐢 + 𝐡𝐣 = 𝐛𝐣 , 𝐡𝐣 ≥ 𝟎
Se crea la
𝐢=𝟏 𝐢=𝟏
𝐧 𝐧
variable de
holgura hj
෍ 𝐚𝐣𝐢 𝐱 𝐢 ≥ 𝐛𝐣 → ෍ 𝐚𝐣𝐢 𝐱 𝐢 − 𝐡𝐣 = 𝐛𝐣 , 𝐡𝐣 ≥ 𝟎
𝐢=𝟏 𝐢=𝟏
• Variables de decisión negativas: Se reemplaza

xj por −xj′
𝐱 𝐢 ≤ 𝟎 → 𝐱 𝐢 = −𝐱 𝐢′ , 𝐱 𝐢′ ≥ 𝟎
• Variables de decisión libres:
Se reemplaza xj
𝐱 𝐢 𝐥𝐢𝐛𝐫𝐞 → 𝐱 𝐢 = 𝐱 𝐢+ − 𝐱 𝐢− , 𝐱 𝐢+ ≥ 𝟎, 𝐱 𝐢− ≥ 𝟎
por la diferencia
de dos variables
positivas

EXISTEN OTRAS DOS FORMAS DE UNIFORMAR LA FORMA DE UN
PROBLEMA LP, LA FORMA CANÓNICA Y LA FORMA MATRICIAL
NO EXHAUSTIVO
Forma Canónica
𝐌𝐀𝐗 𝐱 ෍ 𝐜𝐢 𝐱 𝐢
𝐢=𝟏
𝐬. 𝐚.
𝐧
෍ 𝐚𝐣𝐢 𝐱 𝐢 ≤ 𝐛𝐣 ∀𝐣 ∈ 𝐉
𝐢=𝟏
𝐱𝐢 ≥ 𝟎 ∀𝐢 ∈ 𝐈
Forma Vectorial Canónica
𝐌𝐀𝐗 𝐱 𝐜 ′ 𝐱
𝐬. 𝐚.
𝐀𝐱 ≤ 𝐛
𝐱≥𝟎
𝐜𝟏 𝐱𝟏 𝐚𝟏𝟏 … 𝐚𝟏𝐧 𝐛𝟏
𝐜 = ⋮ ,𝐱 = ⋮ ,𝐀 = ⋮ ⋱ ⋮ ,𝐛 = ⋮
𝐜𝐧 𝐱𝐧 𝐚𝐦𝟏 … 𝐚𝐦𝐧 𝐛𝐦

A PESAR DE LAS LIMITACIONES DE LINEALIDAD, LA PROGRAMACIÓN
LINEAL ES UNA PODEROSA HERRAMIENTA
NO EXHAUSTIVO
• Muchos problemas prácticos son lineales (ej.: asignación de recursos, planificación de la

producción, etc)
• Poderosa herramienta para modelar fenómenos tanto teóricos como prácticos

‒ La región factible es simple (un poliedro – intersección de semi-espacios)
‒ Cubre muchas aplicaciones, versátil
‒ Flexible (análisis de sensibilidad)
‒ Método Simplex permite encontrar soluciones eficientemente
• Existen diversos software comerciales para resolver problema de programación lineal de
alta escala (ej.: Cplex, Xpress, QSOPT, Lingo, Excel, etc)
• Muchos problemas no lineales convexos se pueden aproximar con problemas lineales, lo

que aumenta el abanico de problemas que se pueden abordar con esta herramienta

AGENDA
• Sensibilidad
• Próximos pasos

PARTAMOS MODELANDO Y RESOLVIENDO UN PROBLEMA SIMPLE
Pepé Le Pew’s Perfume
ILUSTRATIVO
• S. T. vende dos productos: colonia y perfume
• La colonia se vende por $3.000/100ml y cada 100ml se requieren para su fabricación:

‒ 2 gramos de fragancia
‒ 6 gramos de intensificador
• El perfume se vende por $8.000/100ml y cada 100ml se requieren para su fabricación:
‒ 4 gramos de fragancia
‒ 2 gramos de intensificador
‒ 1 gramo de estabilizador
• S. T. tiene inventario limitado de recursos. En particular, tiene
‒ 1.600 gramos de fragancia
‒ 1.800 gramos de intensificador
‒ 350 gramos de estabilizador
• S. T. debe usar sus insumos ahora!
• ¿Cuál es la estrategia de producción óptima?

PRIMERO QUE TODO DEBEMOS DEFINIR LAS 4 COMPONENTES DEL
MODELO DE OPTIMIZACIÓN
ILUSTRATIVO
Parámetros Variables de Decisión

• Precio de cada producto • Sea x1 la cantidad producida de colonia
[100 ml]
• Requerimiento de recursos de cada
producto • Sea x2 la cantidad producida de perfume
[100 ml]
• Cantidad de inventario disponible de cada
recurso
Restricciones Función Objetivo

• No se puede ocupar más gramos de cada • Maximizar los ingresos generados por la
recurso de los disponibles en inventario: venta de colonia y perfume
‒ Fragancia: 2x1 + 4x2 ≤ 1.600 ‒ Ingresos = 3.000x1 + 8.000x2
‒ Intensificador: 6x1 + 2x2 ≤ 1.800
‒ Estabilizador: x2 ≤ 350
• No se puede producir cantidad negativa de
colonia o perfume: x1 , x2 ≥ 0

EL MODELO DE OPTIMIZACIÓN RESULTANTE TIENE 2 VARIABLES, POR LO
QUE SE PUEDE RESOLVER GRÁFICAMENTE
ILUSTRATIVO
x2
MAXx Ing = 3.000x1 + 8.000x2 900

s.a.
800
Fragancia: 2x1 + 4x2 ≤ 1.600
700 La estrategia de producción
Intensificador: 6x1 + 2x2 ≤ 1.800 óptima es producir 350 [100ml]
Estabilizador: x2 ≤ 350 600 de perfume y 100 [100ml] de
colonia, lo que generaría un
No negatividad: x1 , x2 ≥ 0 500 ingreso de $ 3,1 MM
400
300
Si el problema tiene
solución acotada, 200 Región I*=3,1 MM
entonces siempre al Factible
menos 1 vértice será 100
solución óptima I=2,4 MM
x1
100 200 300 400 500 600 700 800 900
EN ALGUNAS OCASIONES EL GRÁFICO NOS PUEDE ENGAÑAR, SIN QUE SE
PUEDA RESOLVER A SIMPLE VISTA NO EXHAUSTIVO
ILUSTRATIVO
x2
Forma 1
900
Evaluar esas soluciones en los puntos candidatos
800
¿Cómo me
700 aseguro
aseguro
de haber
de
escogido
escoger el
elóptimo
óptimo
600 entre estos 2
puntos?
500
En A:
400 Ing = 3.000*100+8.000*350 = 3.100.000
A
300 B
En B:
200 Región I*=3,1 MM
Factible Ing = 3.000*200+8.000*300 = 3.000.000
100
I=2,4 MM
x1
100 200 300 400 500 600 700 800 900
OTRA FORMA
NO EXHAUSTIVO
ILUSTRATIVO
x2
Certificado de optimalidad (Forma Canónica):
900
800 Un vértice es óptimo si ∃ λj ≥ 0, ∀j ∈ R activas , tal

que:
¿Cómo me
700 aseguro
aseguro
de haber
de
෍ λj 𝛻R j = 𝛻Fobj
escogido
escoger el
elóptimo
óptimo
600 entre estos 2
j∈Ractivas
puntos?
500
Para este caso en particular, en el
punto A:
400
Restricciones activas R1 y R 3
A
300 B 2 0 3M
𝛻R1 = , 𝛻R 3 = , 𝛻Ing =
4 1 8M
Factible Por lo tanto:
100 2 0 3M λ = 1,5 M
λ1 + λ3 = → 1
I=2,4 MM 4 1 8M λ3 = 2,0 M
x1 Lo que implica que λ , λ ≥ 0, por lo
1 3
100 200 300 400 500 600 700 800 900 que el punto A es el óptimo
¿QUÉ SIGNIFICA EL CERTIFICADO DE OPTIMALIDAD?
NO EXHAUSTIVO
ILUSTRATIVO
x2
Certificado de optimalidad (Forma Canónica):
900
800 Un vértice es óptimo si ∃ λj ≥ 0, ∀j ∈ R activas , tal

que:
700
෍ λj 𝛻R j = 𝛻Fobj
600 j∈Ractivas
500 𝛻R 3 𝛻𝐼𝑛𝑔
𝛻R1
𝛻𝐼𝑛𝑔
400
𝛻R1
A 𝛻R 2
300 B

Factible
100
x1
100 200 300 400 500 600 700 800 900
RESUMEN DEL MÉTODO GRÁFICO
NO EXHAUSTIVO
Para problemas realmente pequeños (~2 variables) la solución óptima se puede obtener de
forma gráfica usando los siguientes pasos:
1. Determinar la región factible usando las restricciones – cada restricción genera un semi-
plano
2. Seleccionar una solución factible y determinar la recta de isobeneficios (isocostos) que

pasa por ella
3. Identificar la dirección de ascenso (descenso)
4. Identificar los vértices candidatos a ser óptimo
5. Calcular el valor en cada vértice identificado
6. Seleccionar el vértice de mayor (menor) valor

AGENDA
• Sensibilidad
• Próximos pasos

EN EL MÉTODO DE LOS VÉRTICES SE EVALÚA CADA VÉRTICE FACTIBLE
DEL PROBLEMA Y SE SELECCIONA EL DE MEJOR VALOR NO EXHAUSTIVO
ILUSTRATIVO
x2
A = 100,350 → Ing = 3,1 MM Cómo se señaló con anterioridad, si
900
B = (200,300) → Ing = 3,0 MM un problema lineal tiene solución y es
800 C = 300,0 00 → Ing = 0,9 MM acotado, entonces siempre al menos
D = 0,0 0000 → Ing = 0,0 MM 1 vértice será solución óptima, por lo
E = 0,350 00 → Ing = 2,8 MM tanto un el siguiente approach es
700
válido:
600
1. Encontrar todos los vértices
Muy factibles del problema
500
ineficiente!!
400 2. Calcular el valor de la función de
beneficio/costo en cada vértice
300 E A
B
3. Seleccionar el vértice con el
200 Región mayor valor
Factible
100
D C
x1
100 200 300 400 500 600 700 800 900
AGENDA
• Sensibilidad
• Próximos pasos

FORMALICEMOS ALGUNOS CONCEPTOS SIMPLES QUE HAN SALIDO
DURANTE LA CLASE…
NO EXHAUSTIVO
• Solución:
‒ Elección de valores de las variables de solución
• Solución factible:
‒ Solución que satisface todas las restricciones
• Región factible:
‒ Conjunto formado por todas las soluciones factibles
• Valor de la función objetivo:
‒ Valor de la función objetivo evaluada en una solución
• Solución óptima:
‒ Solución factible cuyo valor en la función objetivo no puede mejorarse
• Valor óptimo:
‒ Valor de la función objetivo evaluada en la solución óptima

…POR OTRO LADO, LA DEFINICIÓN DE VÉRTICE Y DE PUNTO EXTREMO ES
UN POCO MÁS COMPLEJA
NO EXHAUSTIVO
Sea 𝐏 un poliedro, entonces:
• Un punto x ∈ P se llama vértice si ∃ un vector c, tal que ∀y ∈ P, se cumple que c ′ x > c ′ y

‒ En términos más “coloquiales” un punto x ∈ P se llama vértice si existe alguna función
objetivo para la cual x es el único punto de la región factible donde esta alcanza su
mayor valor
c
• Un punto x ∈ P se llama extremo si ∄ y1 , y2 ∈ P, tal que λy1 + 1 − λ y2 = x, 0 < λ < 1

‒ En términos más “coloquiales” un punto x ∈ P se llama extremo, si no existen 2 puntos
distintos a x en la región factible entre los cuales se pueda trazar una línea que pase
por el punto x
𝒚𝟐
𝒚𝟏
• Teorema: Los vértices y los puntos extremos de un poliedro son lo mismo
• Teorema: Si un poliedro tiene al menos un punto extremo entonces su valor óptimo es ∞ o

está en un punto extremo
PARA CLARIFICAR ESTAS DEFINICIONES LAS REPRESENTAREMOS EN EL
PROBLEMA ANTES RESUELTO
ILUSTRATIVO
x2
900
800
700
Solución factible
600
(vértice)
500 Solución
optima
400 Solución no
factible
300

Factible
Solución 100
factible I=2,4 MM
x1
100 200 300 400 500 600 700 800 900
EN GENERAL, EXISTEN 5 TIPOS DE ESCENARIOS A LA HORA DE RESOLVER
UN PROBLEMA DE PROGRAMACIÓN LINEAL
Casos Patológicos NO EXHAUSTIVO
Región factible acotada y Problema Infactible (Región

solución óptima única: factible vacía)
Infinitas soluciones
Región factible no acotada y Problema no acotado:

solución óptima única:

AGENDA
• Sensibilidad
• Próximos pasos

CON EL MÉTODO GRÁFICO NO SOLO SE PUEDEN RESOLVER MODELOS
SIMPLES, TAMBIÉN ES POSIBLE HACER ANÁLISIS DE SENSIBILIDAD
ILUSTRATIVO
• ¿Cuánto puede subir o caer el precio del perfume para que la solución óptima siga siendo
la misma?
• ¿Qué pasa si aumenta el stock del recurso del estabilizador a 390?
• ¿Qué pasa si aumenta el stock del recurso del intensificador a 2.100?
• ¿Cuánto estaría dispuesto a pagar por los 40 gramos extra de estabilizador? ¿y por los
300 gramos extra de intensificador?
• ¿Cuánto podría aumentar y disminuir el stock de fragancia para que la naturaleza de la

solución siga siendo la misma? (siga siendo la misma base – entenderán este concepto
más adelante)
• ¿Cuánto estaría dispuesto a pagar por una nueva tecnología que permitiera que la
elaboración de los 100ml de perfume requiriesen solo 2 gramos de fragancia en vez de 4?

¿CUÁNTO PUEDE SUBIR O CAER EL PRECIO DEL PERFUME PARA QUE LA
SOLUCIÓN ÓPTIMA SIGA SIENDO LA MISMA?
ILUSTRATIVO
x2
900 Para que la solución siga siendo la misma, significa que

el vértice debe seguir cumpliendo con la condición de
800 optimalidad
En el punto A, las restricciones activas son R1 y R 3

700 Agregamos ∆c2
2 0 3M
𝛻R1 = , 𝛻R 3 = , 𝛻Ing =
4 1 8 M + ∆c2 que será el
600 Por lo tanto: parámetro de
2 0 3M λ = 1,5 M + ∆c2 sensibilidad
500 λ1 + λ3 = → 1
4 1 8 M + ∆c2 λ3 = 2,0 M + ∆c2
Para que siga siendo óptimo necesitamos que
400 λ3 = 2,0 M + ∆c2 ≥ 0 → ∆c2 ≥ −2,0 M
A
300 B • El precio puede caer hasta
en $ 2.000 y la solución
200 Región seguirá siendo la misma
Factible
100 • El precio puede aumentar
sin límites y la solución será
x1 la misma
100 200 300 400 500 600 700 800 900
¿QUÉ PASA SI AUMENTA EL STOCK DEL RECURSO DEL ESTABILIZADOR A
390? ¿Y EL STOCK DEL RECURSO DEL INTENSIFICADOR A 2.100?
ILUSTRATIVO
x2
900 Un aumento en el stock de estabilizador desplazará la curva de restricción, la

cual es una restricción activa. La nueva solución óptima seguirá teniendo la
800 misma naturaleza (las mismas restricciones activas) pero cambiará la decisión
• En este caso la nueva solución sería x1 ; x2 = (20; 390) y el ingreso
700 óptimo aumentaría a I ∗ = 3,18 MM
• Por lo tanto, la disponibilidad a pagar por los 40 gramos extras de
600 estabilizador sería de esta $ 3,18 MM − $ 3,1 MM = $ 80 M
• ¿Coincidencia que es 𝟖𝟎 𝐌 = 𝟒𝟎𝛌𝟑 ?
500 Para el caso del aumento en el
stock de intensificador se
400 desplazará de igual manera la
A curva de restricción, sin embargo
300 B es una restricción no activa por lo
que un aumento en el recurso no
200 Región influye y, por ende, la
Factible disponibilidad a pagar por dicho
100 aumento de recursos es $ 0
x1
100 200 300 400 500 600 700 800 900
¿CUÁNTO PODRÍA AUMENTAR Y DISMINUIR EL STOCK DE FRAGANCIA
PARA QUE LA NATURALEZA DE LA SOLUCIÓN SIGA SIENDO LA MISMA?
ILUSTRATIVO
x2
900 Debemos ver cuales son el máximo y mínimo valor que puede tener el stock
del recurso de la fragancia para que en la solución óptima se sigan
800 intersectando las restricciones 1 y 3
Lo único que cambia al desplazar la recta es el intercepto, la pendiente se
700 mantiene constante. Por lo tanto, debemos buscar la ecuación de la recta que
tiene la misma pendiente que la restricción 1 pero que pasa por el punto D =
600 ത 350) y lo mismo para la que pasa por el punto C = (0; 350)
(183, 3;
500 Resolviendo para D: 2 ∙ 183, 3ത + 4 ∙ 350 = 1.766, 6ത ≥ 1.600 + ∆b → ∆b ≤ 166, 6ത

Resolviendo para C: 2 ∙ 0 + 4 ∙ 350 = 1.400 ≤ 1.600 + ∆b → ∆b ≥ −200
400 D
A
300 C B
Por lo tanto el stock del recurso
200 Región podría aumentar hasta en 166,6
Factible gramos y disminuir hasta en 200
100 gramos
x1
100 200 300 400 500 600 700 800 900
¿HASTA CUÁNTO PAGARÍA POR UNA TECNOLOGÍA QUE PERMITE USAR 2
EN VEZ DE 4 GRAMOS DE FRAGANCIA EN EL PERFUME?
ILUSTRATIVO
x2
900 Un cambio de tecnología nos modificará la pendiente de la

restricción afectada, curva que se moverá teniendo como pivote el
800 punto de intersección de la recta original con el eje de la variable
cuya tecnología no se modifica
700 En este caso, crece la región factible y el nuevo óptimo se genera
en la intersección de la restricción 2 y 3. La nueva solución óptima
600 ത 350) y el nuevo valor óptimo sería I ∗ =
sería x1 ; x2 = (183, 3;
3,35 MM, por lo que la disposición a pagar por la tecnología sería de
500 $ 3,35 MM − $ 3,1 MM = $ 250 M
400
A
300 B
200 Región
Factible
100
x1
100 200 300 400 500 600 700 800 900
PROBLEMA PROPUESTO
Fabricación de Cerveza – Producción Óptima
ILUSTRATIVO
• Una cerveza tiene 2 productos principales: ambar y negra

• Ambas cervezas requieren de cebada y levadura en las siguientes proporciones (en
kilogramos por litro de cerveza)
Cebada Levadura
Ámbar 5 4
Negra 15 4
• Las bodegas de la empresa tienen capacidad para 480 kilos de cebada y 160 kilos de
levadura
• La cerveza ámbar entrega una utilidad de $13 por litro, mientras que la negra de $23 por
litro
• ¿Cuál es la estrategia óptima de producción? ¿Cuánto se está dispuesto a pagar por un
kilo más de cada recurso? ¿Cuánto puede variar la utilidad por cada cerveza para que la
solución optima siga siendo la misma? ¿Qué ocurre si la cantidad de cebada disponible
disminuye a la mitad? ¿Qué ocurre si la cantidad de levadura disponible cae en 20 kilos?
¿Qué ocurre si ahora la cerveza Negra requiere de 10 kilos de cebada para producir un
litro en vez de los 15 kilos originales?

AGENDA
• Sensibilidad
• Próximos pasos

PLANIFICACIÓN DE FUERZA DE TRABAJO
ILUSTRATIVO
• Para funcionar, un hospital necesita tener una cantidad mínima de enfermeras cada día.
Requerimiento señalado en la siguiente tabla:
Día Lunes Martes Miércoles Jueves Viernes Sábado Domingo

Cantidad 14 13 15 16 19 18 11
• Por reglas laborales, cada enfermera debe trabajar 5 días consecutivos y luego tener 2
días de descanso
• Definir un modelo de programación que permita minimizar la cantidad de enfermeras
contratadas satisfaciendo las necesidades mínimas diarias

SOLUCIÓN - PLANIFICACIÓN DE FUERZA DE TRABAJO (1/3)
ILUSTRATIVO
Parámetros
• Sea di la cantidad de enfermeras requeridas el día i [#], i = 1. . 7
dt = 14; 13; 15; 16; 19; 18; 11
Variables de decisión
• Sea xi la cantidad de enfermeras que comienzan su turno el día i [#], i = 1. . 6
Restricciones (1/2)
• El total de enfermeras disponibles para trabajar el día i deben ser al menos las requeridas
Domingo: x7 + x6 + x5 + x4 + x3 ≥ 11
Sábado: x6 + x5 + x4 + x3 + x2 ≥ 18
Viernes: x5 + x4 + x3 + x2 + x1 ≥ 19
Jueves: x4 + x3 + x2 + x1 + x7 ≥ 16
Míercoles: x3 + x2 + x1 + x7 + x6 ≥ 15
Martes: x2 + x1 + x7 + x6 + x5 ≥ 13
Lunes: x1 + x7 + x6 + x5 + x4 ≥ 14
• La cantidad de enfermeras que comienzas su turno un día no pueden ser negativas
xi ≥ 0, ∀i = 1. . 7
ILUSTRATIVO
Restricciones (2/2)
• La cantidad de enfermeras que comienzan a trabajar un día debe ser un número entero
xi ∈ Z0+ , ∀i = 1. . 7
Esto hace que no sea un

modelo lineal
Función Objetivo
• Minimizar el total de enfermeras contratadas
7
MINx Enfermeras Contratadas = ෍ xi

i=1

ILUSTRATIVO
Modelo
7
MINx Enfermeras Contratadas = ෍ xi

i=1
s. a.
Domingo: x7 + x6 + x5 + x4 + x3 ≥ 11
Sábado: x6 + x5 + x4 + x3 + x2 ≥ 18
Viernes: x5 + x4 + x3 + x2 + x1 ≥ 19
Jueves: x4 + x3 + x2 + x1 + x7 ≥ 16
Míercoles: x3 + x2 + x1 + x7 + x6 ≥ 15
Martes: x2 + x1 + x7 + x6 + x5 ≥ 13
Lunes: x1 + x7 + x6 + x5 + x4 ≥ 14
xi ≥ 0, ∀i = 1. . 7
xi ∈ Z0+ , ∀i = 1. . 7

EL MODELO ANTERIOR SE PUEDE RESOLVER FÁCILMENTE USANDO
SOLVER EN EXCEL (PRÓXIMA SEMANA APRENDERÁN A USARLO)
ILUSTRATIVO
Planificación de la fuerza de trabajo
Datos/ Parámetros:
Requerimientos diarios de enfermeras

Día Lunes Martes Miércoles Jueves Viernes Sábado Domingo
Cantidad 14 13 15 16 19 18 11
Variables de Decisión
Cantidad de enfermeras que comienzan a trabajar cada día

Día Lunes Martes Miercoles Jueves Viernes Sábado Domingo
X 4 7 1 4 3 3 0
Función Objetivo
Contratadas [#] 22
Restricciones
Domingo 11 >= 11 Miércoles 15 >= 15

Sábado 18 >= 18 Martes 17 >= 13
Viernes 19 >= 19 Lunes 14 >= 14
Jueves 16 >= 16

GESTIÓN DE PORTAFOLIO
ILUSTRATIVO
• Un inversionista, Mr. Haugh, tiene $ 9.000.000 para invertir en distintos fondos de su AFP
para su jubilación. Por simplicidad, asumimos que Mr. Haug tiene solo tres opciones de
inversión: bonos de renta fija (fondo E), acciones bursátiles de mediano riesgo (C), y
acciones bursátiles de alto riesgo (A). Los retornos anuales y su desviación estándar son:
Fondo Retorno Desviación estándar

Fondo E 5% 0
Fondo C 10% 5%
Fondo A 15% 10%
• Mr. Haugh, como la mayoría, es una persona adversa al riego y por tanto quiere imponer
algunas restricciones en su portafolio de bonos y acciones. Primero, la cantidad invertida
en bonos tiene que al menos igualar la cantidad invertida en ambos tipos de acciones. Más
aún, Mr. Haugh quiere que el riesgo promedio (medido como el promedio ponderado de las
desviaciones estándar) de el portafolio sea menor o igual a 4%. Finalmente, Mr. Haugh
quiere que al menos 10% de su dinero sea invertido en acciones de alto riesgo
• Formule y un modelo de programación lineal que maximice el retorno de el portafolio y que
satisfaga todas las restricciones requeridas

SOLUCIÓN – GESTIÓN DE PORTAFOLIO (1/2)
ILUSTRATIVO
Parámetros
• Sea ri el retorno esperado del fondo i [%], i = 1. . 3, r t = 5; 10; 15
• Sea σi la desviación estándar del fondo i [%], i = 1. . 3, σt = 0; 5; 10
• Sea B el presupuesto disponible para invertir [$], B = 9.000.000
• Sea bσ el riesgo máximo aceptable para el portafolio [%], bσ = 4
• Sea bA la mínima cantidad permitida para invertir en acciones de alto riesgo [%], bσ = 10
Variables de decisión
• Sea xi la cantidad la cantidad invertida en el fondo i [$], i = 1. . 3
Restricciones (1/2)
• El total invertido no puede ser mayor al presupuesto disponible
x1 + x2 + x3 ≤ 9.000.000
• El riesgo ponderado del portafolio no debe superar el limite definido
0x1 + 5x2 + 10x3
≤ 4 → −4x1 + x2 + 6x3 ≤ 0
x1 + x2 + x3

SOLUCIÓN – GESTIÓN DE PORTAFOLIO (2/2)
ILUSTRATIVO
Restricciones (2/2)
• Al menos el 10% del presupuesto total debe ser invertido en acciones de alto riesgo
x3 ≥ 9.000.000 ∙ 0,1 → x3 ≥ 900.000
• La cantidad invertida en bonos debe ser al menos la cantidad invertida en ambos tipos de
acciones
x1 ≥ x2 + x3 (x1 ≥ x2 ; x1 ≥ x3 )
• No se puede invertir una cantidad negativa en un fondo
x1 , x2 , x3 ≥ 0
Función Objetivo
• Maximizar el retorno esperado del portafolio
MAX x Retorno Esperado = 0,05x1 + 0,10x2 + 0,15x3
Modelo
MAX x Retorno Esperado = 0,05x1 + 0,10x2 + 0,15x3
s. a.
Presupuesto: x1 + x2 + x3 ≤ 9.000.000
Riesgo: −4x1 + x2 + 6x3 ≤ 0
Fondo A: x3 ≥ 900.000
Fondo E: x1 ≥ x2 + x3 ó x1 ≥ x2 ; x1 ≥ x3
No negatividad: x1 , x2 , x3 ≥ 0
EL MODELO ANTERIOR SE PUEDE RESOLVER FÁCILMENTE USANDO
SOLVER EN EXCEL (PRÓXIMA SEMANA APRENDERÁN A USARLO)
ILUSTRATIVO
Gestión de Portafolio
Datos/ Parámetros: Variables de Decisión
Información de los fondos de inversión Portafolio seleccionado

Fondo Retorno [%] Desviación Estándar [%] Fondos Monto Invertido [$]
Fondo E 5% 0% x_1 5.400.000
Fondo C 10% 5% x_2 0
Fondo A 15% 10% x_3 3.600.000
Total 9.000.000
Máximo Riesgo [%] 4%
Función Objetivo
Mínima inversión A [%] 10%
Retorno Esperado [$] 810.000
Presupuesto [$] 9.000.000
Restricciones
Presupuesto 9.000.000 <= 9.000.000

Riesgo 0 <= 0
Fondo A 900.000 <= 3.600.000
Fondo E 3.600.000 <= 5.400.000

AGENDA
• Sensibilidad
• Próximos pasos

PRÓXIMOS PASOS
• Leer Capítulo 2 (Ortiz, Vera & Varas)
• Próxima semana comenzaremos en serio!
‒ Problema general de Producción

‒ Problema Mezcla de Producto
‒ ¿Cómo resolvemos estos modelos con ayuda de software? (Excel y AMPL)

Optimización –- 2°
OPTIMIZACIÓN 1ERsemestre
SEMESTRE2017
2016
Introducción a la Programación Lineal y Método

Gráfico
Clase 02 – miércoles 02 de agosto
Preprarado por Sebastián Varas Kittel / Wilfredo Yushimito

OPT - 2017 - 02 - Introducción A La Programación Lineal y Método Gráfico

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

OPT - 2017 - 02 - Introducción A La Programación Lineal y Método Gráfico

Enviado por

Direitos autorais:

Formatos disponíveis

Optimización –- 2°

Introducción a la Programación Lineal y Método

Clase 02 – miércoles 02 de agosto

Preprarado por Sebastián Varas Kittel / Wilfredo Yushimito

• Recordatorio clase anterior

• Método de los vértices

• Terminología y casos patológicos

• Ejercicios – Modelos un poco más complejos

Preprarado por Sebastián Varas Kittel / Wilfredo Yushimito 2

• Recordatorio clase anterior

• Método de los vértices

• Terminología y casos patológicos

• Ejercicios – Modelos un poco más complejos

Preprarado por Sebastián Varas Kittel / Wilfredo Yushimito 3

• Variables de decisión (endógenas):

• Parámetros o variables exógenas :

Preprarado por Sebastián Varas Kittel / Wilfredo Yushimito 4

Modelo general de Optimización

Preprarado por Sebastián Varas Kittel / Wilfredo Yushimito 5

• Recordatorio clase anterior

• Método de los vértices

• Terminología y casos patológicos

• Ejercicios – Modelos un poco más complejos

Preprarado por Sebastián Varas Kittel / Wilfredo Yushimito 6

Modelo general de Optimización

• Se tiene solo una función objetivo (f(x)) la cual es lineal

• Las restricciones (g i (x)) son lineales

• Las variables de decisión son continuas (𝐱 ∈ ℝ)

Preprarado por Sebastián Varas Kittel / Wilfredo Yushimito 7

• ¿Qué es una función lineal?

• Ejemplos de restricciones y funciones objetivos (¿es lineal?):

‒ sin 10 x + 103 z ≥ 10 (sí)

Preprarado por Sebastián Varas Kittel / Wilfredo Yushimito 8

si 8y + 2z > 0 → 3x + 7y − 7z ≤ 6 ∙ 8𝑦 + 2𝑧 → 3𝑥 − 41𝑦 − 19𝑧 ≤ 0

si 8y + 2z < 0 → 3x + 7y − 7z ≥ 6 ∙ 8𝑦 + 2𝑧 → 3𝑥 − 41𝑦 − 19𝑧 ≥ 0

Preprarado por Sebastián Varas Kittel / Wilfredo Yushimito 9

Modelo de programación lineal

𝐌𝐈𝐍𝐱 𝐨 𝐌𝐀𝐗 𝐱 ෍ 𝐜𝐢 𝐱 𝐢 Función Objetivo

Preprarado por Sebastián Varas Kittel / Wilfredo Yushimito 11

• Variables de decisión negativas: Se reemplaza

Preprarado por Sebastián Varas Kittel / Wilfredo Yushimito 12

Forma Vectorial Canónica

Preprarado por Sebastián Varas Kittel / Wilfredo Yushimito 13

• Muchos problemas prácticos son lineales (ej.: asignación de recursos, planificación de la

• Poderosa herramienta para modelar fenómenos tanto teóricos como prácticos

• Muchos problemas no lineales convexos se pueden aproximar con problemas lineales, lo

Preprarado por Sebastián Varas Kittel / Wilfredo Yushimito 14

• Recordatorio clase anterior

• Método de los vértices

• Terminología y casos patológicos

• Ejercicios – Modelos un poco más complejos

Preprarado por Sebastián Varas Kittel / Wilfredo Yushimito 15

• S. T. vende dos productos: colonia y perfume

• La colonia se vende por $3.000/100ml y cada 100ml se requieren para su fabricación:

• ¿Cuál es la estrategia de producción óptima?

Preprarado por Sebastián Varas Kittel / Wilfredo Yushimito 16

Parámetros Variables de Decisión

Restricciones Función Objetivo

Preprarado por Sebastián Varas Kittel / Wilfredo Yushimito 17

MAXx Ing = 3.000x1 + 8.000x2 900

800 Un vértice es óptimo si ∃ λj ≥ 0, ∀j ∈ R activas , tal

800 Un vértice es óptimo si ∃ λj ≥ 0, ∀j ∈ R activas , tal