Escolar Documentos
Profissional Documentos
Cultura Documentos
Modelos de optimización
Objetivos
2. Modelos de optimización
CNN x 0 , x1 0 (3)
si es una decisión de la persona que invierte, por lo tanto, c1, c 2 y c 3 son las
variables de decisión.
Las variables de decisión se identi can con literales o etiquetas que faciliten su
manejo en los modelos matemáticos; así, en el ejemplo anterior c1 representa la
Ejemplo 2 Una empresa comercializa dos tipos de viaje en globo aerostático, uno llamado de
lujo y el segundo llamado económico a un precio de $3,000.00 y $2,000.00
respectivamente. Saben que en un día sólo pueden vender a lo más 6 viajes
de cualquier tipo, debido a que tienen prohibido volar de noche por razones
de seguridad. Cada viaje de lujo requiere de tres cilindros de gas y cada viaje
económico sólo dos cilindros, la empresa cuenta con 12 cilindros de gas en total.
Con esta información se desea conocer la combinación óptima de viajes necesaria
para maximizar los ingresos de la empresa.
A partir de este punto, las expresiones de “la función objetivo” y “las restricciones”
del problema en un modelo de P. L. deben escribirse en función de las variables de
decisión de nidas.
Toda vez que se han de nido las variables de decisión, es momento de indicar la
forma en que estas variables y los datos se interrelacionan, obteniendo de esto la
función objetivo y las restricciones del problema.
• Costos de producción.
• Precio de venta.
• Volumen de venta.
Por lo tanto, toda función objetivo deberá estar conformada por este tipo de
componentes. De no ser así, se sugiere validar la función objetivo con las variables
y datos del problema.
Para el ejemplo 2 de los viajes en globo (del cual tenemos identificadas las
variables de decisión) se trata de maximizar los ingresos de la empresa, ya que se
indica “combinación óptima de viajes necesaria para maximizar los ingresos”; la forma
en la que se cuanti can los ingresos es multiplicando el ingreso que cada tipo de
viaje genera por el número de viajes que se pueden comercializar. Esto es:
Las restricciones son una serie de expresiones matemáticas que indican las
relaciones entre las variables de decisión y las limitantes de la organización.
Tales expresiones son desigualdades o igualdades lineales. Las limitantes de toda
50
Matemáticas para negocios 50
Unidad 2 ▪ Modelos de optimización
50 50
Las restricciones son las limitantes o condiciones que las variables de decisión
deben satisfacer para constituir una solución del modelo de programación lineal.
Para plantear las limitantes o condiciones que las variables deben cumplir se debe
extraer información del planteamiento, primero identi cado las limitantes o
recursos del mismo, en este caso se sabe que “en un día sólo se pueden vender a lo más
6 viajes de cualquier tipo” y “la empresa cuenta con 12 cilindros de gas en total”, lo cual
51
Matemáticas para negocios 51
Unidad 2 ▪ Modelos de optimización
51 51
Entonces, el número total de viajes que se puede vender debe ser menor o igual
a 6 viajes:
x y 6 (1) Cantidad de viajes vendidos en un día.
Y la cantidad de cilindros de gas que se utilizan en cada tipo de viaje (tres en los
viajes de lujo y dos en los económicos) debe ser menor a 12 cilindros que son con
los que cuenta la compañía:
3x 2 y 12 (2) Cantidad de cilindros disponibles para los viajes.
Cabe mencionar que esta última restricción no se utiliza como una ecuación en
sí pero debe cumplirse, ya que no puede considerarse una solución factible si una
de las variables de decisión toma un valor negativo; por ejemplo, no se puede
“vender” una cantidad negativa de viajes en globo.
Una vez que se han establecido todas las restricciones del modelo, se escriben juntas
la función objetivo y las restricciones para formar el modelo de programación
lineal:
Max Z 3000 x 2000 y ()
sujeto a
Donde la ecuación () es la función objetivo y las ecuaciones (1) a (3) son las
restricciones del modelo de programación lineal.
Aunque son pocos los ejemplos reales de dos dimensiones, éstos sirven como
antecedente para comprender mejor el método analítico de solución que se
estudiará más adelante, el cual se utiliza para resolver problemas de PL de n
variables.
Para utilizar el método grá co se requiere gra car rectas y desigualdades asociadas
a la función objetivo y a cada restricción respectivamente, y debido a esta razón
revisaremos los siguientes apartados.
Una línea recta es un objeto geométrico que ha sido de nido por diversos autores
con características bien de nidas, las cuales utilizaremos para dibujarlas.
y y0
La pendiente m de una recta responde a la expresión m , y todos los puntos
x x0
(x,y) que cumplan esta relación pertenecen a la misma recta. Por otro lado, la
ordenada al origen b indica la ordenada del punto de intersección de la línea recta
con el eje y.
Grá ca de rectas
Para gra car líneas rectas consideraremos que sólo necesitamos obtener dos
puntos de una misma recta; para obtener dichos puntos podemos utilizar dos
caminos:
2 0 y 6 0
0 y 6 0
y6
Esto nos indica un primer punto por donde pasará nuestra recta, el punto es
P1 0, 6 .
Ahora sustituimos el valor de y 0 en la ecuación general de la recta dada y se
2 x 0 6 0
2x 6 0
2x 6
6
x
2
x 3
Esto nos indica un segundo punto por donde pasará nuestra recta, el punto es
P2 (3, 0) . Los dos puntos recién obtenidos se gra can sobre ejes coordenados y se
unen mediante una línea recta, la cual representa la recta de la ecuación dada. La
línea recta que une los dos puntos puede prolongarse tanto como se requiera
en cualquier sentido.
Figura 2.1. Grá ca de una línea recta a partir de la unión de dos puntos conocidos.
56
Matemáticas para negocios 56
Unidad 2 ▪ Modelos de optimización
56 56
y 0 1
y 0 1
y 1
Esto nos indica un primer punto por donde pasará la recta, el punto es P1 0,1 .
Ahora sustituimos el valor de y 0 en la ecuación ordinaria de la recta dada y se
0 x 1
x 1
Esto nos indica un segundo punto por donde pasará la recta, el punto es P2 1, 0 .
Los dos puntos recién obtenidos se gra can sobre ejes coordenados y se unen
mediante una línea recta.
Figura 2.2. Grá ca de una línea recta a partir de la unión de dos puntos conocidos.
57
Matemáticas para negocios 57
Unidad 2 ▪ Modelos de optimización
57 57
La línea recta que une los dos puntos puede prolongarse tanto como se requiera en
cualquier sentido, como ya se ha mencionado; sin embargo, para el estudio de la
solución grá ca de modelos de PL, la condición de no negatividad (CNN) limita la
búsqueda de la solución al primer cuadrante del plano cartesiano, por lo que las
grá cas obtenidas sólo se muestran en el primer cuadrante. Ahora es el turno de
presentar la forma en que se gra can las desigualdades.
Grá ca de desigualdades
Toda desigualdad de dos variables tiene asociada una línea recta, la cual se
obtiene gra cando la restricción o desigualdad como una igualdad.
Se sabe que una desigualdad lineal de una variable, así como una desigualdad
lineal de dos variables, tiene por solución una región del plano cartesiano, por lo
que para obtener dicha región se emplea el siguiente procedimiento:
Figura 2.3. Grá ca de una línea recta a partir de la unión de dos puntos conocidos.
3(3) 2(4) 6
98 6
17 6
Figura 2.4. Grá ca de una desigualdad y el punto de prueba (3,4). La parte sombreada indica la región
solución de la desigualdad incluida la línea recta.
59
Matemáticas para negocios 59
Unidad 2 ▪ Modelos de optimización
59 59
por ejemplo, las cuales se representan también con líneas rectas horizontales y
verticales respectivamente como se observa en la Figura 2.5.
Figura. 2.5. Grá ca de desigualdades del tipo L1: x 4 o L2: y 2 . Las echas indican la región solución
de cada desigualdad.
La región factible o región de soluciones factibles es una región del plano cartesiano
donde se satisfacen todas las restricciones de un modelo de programación lineal y,
por tanto, en ella se encuentran las probables soluciones del modelo. Existen
diferentes tipos de región factible e incluso problemas que no tienen región factible
debido a las condiciones que las restricciones imponen.
Min Z x 2 x1 ()
Sujeto a
x1 5 (1)
x2 3 (2)
3
x1 x 2 3 (3)
5
CNN x1, x 2 0
La última acción para encontrar la región factible del modelo es empalmar las tres
grá cas en una sola y señalar la región factible como la región donde se cumplen
todas las restricciones, es decir, la región donde se traslapan todas las regiones
solución de cada restricción.
61
Matemáticas para negocios 61
Unidad 2 ▪ Modelos de optimización
61 61
El ejemplo anterior se desarrolló gra cando por separado cada una de las restricciones; sin embargo,
como ya se ha mencionado, este proceso se puede llevar a cabo en una sola grá ca
desde el principio.
A continuación se presentan los diferentes tipos de regiones factibles, así como los
casos especiales cuando no existe solución a un modelo de PL.
Como en los ejemplos anteriores, las echas en la Figura 2.7. indican la región
solución de cada desigualdad. En la misma gura se observa que no se forma un
polígono para la región o zona factible, a diferencia de esto la región factible se
extiende inde nidamente hacia la extrema derecha del plano cartesiano.
63
Matemáticas para negocios 63
Unidad 2 ▪ Modelos de optimización
63 63
Región no factible
Ejemplo 10 La siguiente es una región no factible. Es decir, no existe una región factible
donde se pueda buscar una solución potencial al modelo matemático al cual
pertenece la grá ca.
De la Figura 2.8. se puede concluir que no existe una región donde se cumplan
todas las restricciones gra cadas, lo más que encontramos son zonas donde se
satisfacen dos restricciones a la vez, sin embargo, para tener una región factible, es
estrictamente necesario generar una zona donde se satisfagan todas las
restricciones del modelo; por lo tanto, esta región es una región no factible.
Una vez que se ha obtenido la región factible –si ésta existe– de un problema, es
momento de localizar el punto óptimo en la grá ca generada y para tal efecto es
necesario gra car la recta asociada a la función objetivo del modelo PL.
Para gra car la función objetivo simplemente se toma un par ordenado que
pertenezca a la región factible y se sustituye en la función Z, después se obtienen
los puntos restantes de la recta por sustitución.
El punto localizado por este método se le conoce como punto óptimo del modelo
y representa los valores de la variables de decisión del problema, lo cual quiere
decir que con este punto podemos interpretar la solución de un modelo.
Del ejemplo 8 recuperamos la región factible generada para gra car la función
objetivo del modelo PL sobre la región factible.
65
Matemáticas para negocios 65
Unidad 2 ▪ Modelos de optimización
65 65
Min Z x 2 x1 ()
Sujeto a
x1 5 (1)
x2 3 (2)
3
x1 x 2 3 (3)
5
CNN x1, x 2 0
Para gra car la función objetivo se toma el punto (0,1), por ejemplo, ya que está
dentro de la región factible, y se sustituye en Z x 2 x1 :
Z 0,1 0 1
Z 0,1 1
Y con este resultado se buscan todos los puntos de la recta x 2 x1 1 para
gra carla sobre la región factible. (Figura 2.10.)
Figura 2.11. Desplazamiento de la función objetivo sobre la región factible con escuadras.
El último punto que se toca de la región factible con este desplazamiento es (0,0).
Entonces, el punto óptimo del modelo es (0,0), lo cual quiere decir que el valor de
las variables de decisión son x1 0 y x 2 0 ; con un valor mínimo de Z 0. El
Con base en lo anterior, lo que debe hacerse es identi car los puntos de todos los
vértices de la región factible y evaluarlos en la función objetivo. Si el propósito es
maximizar, se selecciona el punto con resultado máximo en la función objetivo;
en caso de minimizar se escoge el punto cuyo valor en la función objetivo
sea mínimo. Este método es más preciso por ser analítico, sin embargo, es
indispensable obtener la región factible y después estudiar el comportamiento de
los vértices en la función objetivo en lugar de los desplazamientos. De cualquier
forma es indispensable señalar el punto óptimo en la región factible, como se
muestra en la Figura 2.12.
Figura 2.12. La función objetivo desplazada sobre el punto óptimo de un modelo PL.
68
Matemáticas para negocios 68
Unidad 2 ▪ Modelos de optimización
68 68
Ejemplo 12 Una empresa comercializa dos tipos de viaje en globo aerostático, uno llamado de
lujo y el segundo llamado económico a un precio de $3,000.00 y $2,000.00
respectivamente. Saben que en un día sólo pueden vender a lo más 6 viajes
de cualquier tipo, debido a que tienen prohibido volar de noche por razones
de seguridad. Cada viaje de lujo requiere de tres cilindros de gas y cada viaje
económico sólo dos cilindros; la empresa cuenta con 12 cilindros de gas en total.
Con esta información se desea conocer la combinación óptima de viajes necesaria
para maximizar los ingresos de la empresa.
En este caso la función objetivo es paralela a una de las fronteras que contiene un
punto óptimo, es decir, se tienen infinidad de soluciones; sin embargo, debe notarse
que el problema de la comercialización de globos obedece a que las variables de
solución tengan un valor entero, ya que no se puede vender una fracción de viaje,
por lo tanto se pueden identi car tres puntos solución para este problema que son
(0,6), (2,3) y (4,0); es decir, se requiere vender sólo seis viajes económicos, o dos
viajes de lujo y tres económicos, o sólo cuatro viajes de lujo para tener un ingreso
máximo de Z $12, 000.00 para los tres casos; por lo que la implantación de la
Debido a que los sistemas con los que se trabaja son dinámicos y no estáticos,
es necesario realizar un análisis de sensibilidad para conocer cómo se afecta la
solución a un modelo cuando se modi can los coe cientes de la función objetivo o
las cantidades limitantes del modelo.
Los coe cientes de la función objetivo representan la utilidad o costo unitario de cada
uno de los bienes o servicios, y por esta razón un cambio en alguno de estos datos
representará una modi cación a la función objetivo, para lo cual se considera que la
solución se mantendrá en el mismo vértice mientras la pendiente m de la recta asociada
a la función objetivo sea tal que m m m ; siendo m y m las pendientes de
Ri Rj Ri Rj
las fronteras de la región factible cuya intersección forma el vértice solución. Como
se muestra en la Figura 2.13. donde las curvas punteadas indican el cambio que la
70
Matemáticas para negocios 70
Unidad 2 ▪ Modelos de optimización
70 70
pendiente de la función objetivo puede tener sin modi car la solución del problema.
71
Matemáticas para negocios 71
Unidad 2 ▪ Modelos de optimización
71 71
Figura 2.13. Rango de movimiento de la pendiente m de la función objetivo sin cambiar la solución.
Figura 2.14. Cambio de la pendiente m de la función objetivo que ocasiona se modi que la solución.
Al comparar las Figuras 2.13. y 2.14. puede identi carse la misma región factible en
ambas guras, pero con la diferencia en el valor de la pendiente de la función
objetivo, lo que provoca que la solución al modelo haya cambiado del vértice
central al vértice inferior de la misma región factible.
3x 4 y 18 (2)
CNN x, y 0 (3)
Como una aplicación del modelo de programación lineal se encuentran los casos
de inversión y distribución, los cuales generalmente están sujetos a múltiples
restricciones que dependen de diversos contextos, desde reservas de capital hasta
cantidad de orígenes y destinos de un problema de distribución.
Ejemplo 14 Para realizar una inversión se puede seleccionar entre cinco instrumentos
diferentes clasi cados con nivel de riesgo 1, 2 y 3, donde 1 es el nivel más bajo
y 3 el más alto. El nivel de riesgo de cada instrumento se muestra en la
siguiente tabla:
Para este caso de inversión es claro que las limitantes son el riesgo combinado de “7”
unidades y el capital disponible de “$126,472.00” y estas limitantes generarán dos
desigualdades de la forma: “expresión del riesgo combinado” 7 y “expresión del costo total
inversión” 126, 472 . En este ejemplo sólo se especi ca la relación de los casos de
inversión y las desigualdades lineales, el modelo completo se obtendrá más adelante.
Ejemplo 15 Una distribuidora de cartuchos para impresora que da servicio a domicilio tiene
dos o cinas y tres clientes ubicados en diferentes puntos de la ciudad. Los costos
unitarios de transporte se muestran en la siguiente tabla:
0,1125000 .
Si y 0 , entonces x 0 1125000 ; x 1125000 , lo cual genera el punto
1125000, 0 .
x 500000 (2)
y 750000 (3)
x=500000
y=750000
x + y =1125000
En la grá ca se han identi cado los vértices de la región factible con las letras A, B y
C para un mejor manejo de la información. Las coordenadas de los vértices A y
C se leyeron directamente de la grá ca. Para obtener las coordenadas del vértice
B, como en el punto donde se cruzan las rectas, las restricciones tienen las mismas
coordenadas, se igualaron las ecuaciones de las restricciones R1 y R2 y
se resolvió el sistema de ecuaciones.
x y 1125000 (1)
x 500000 (2)
Otro caso importante en los negocios será cuando se deba decidir entre diferentes
fuentes de nanciamiento, por esto en la siguiente sección se proponen varios
ejercicios para su solución.
77
Matemáticas para negocios 77
Unidad 2 ▪ Modelos de optimización
77 77
Ejercicios
Con el n de practicar todos los pasos del método grá co, se han propuesto los
siguientes ejercic ios, desde los pasos básicos del método para gra car desigualdades hasta la completa aplicación del
método e interpretación de los resultados.
Región factible
1. Gra ca la región factible asociada a cada uno de los siguientes modelos PL:
a) Max Z 5x 3 y
Sujeto a
2 y 18
2 x 3 y 12
x, y 0
b) Max Z 5x 3 y
Sujeto a
2 y 18
2 x 3 y 12
x, y 0
c) Max Z 16 x 10 y
Sujeto a
5x 2 y 6
3x 4 y 16
x2 1
x, y 0
78
Matemáticas para negocios 78
Unidad 2 ▪ Modelos de optimización
78 78
d) Min Z 20 x1 16 x 2
Sujeto a
x1 2 x 2 9
2 x1 4 x 2 8
x1 , x 2 0
e) Min Z 9 x1 6 x 2
Sujeto a
x2 6
2 x1 4 x 2 18
x1 3
x1 , x 2 0
Método grá co
a) Max Z 5x 3 y
Sujeto a
2 y 10
2 x 3 y 18
x, y 0
b) Max Z 5x 3 y
Sujeto a
2y 4
2 x 2 y 24
5x y 100
x, y 0
c) Max Z 8x 5 y
Sujeto a
2x 5y 6
4 x 3 y 16
x2 3
x, y 0
79
Matemáticas para negocios 79
Unidad 2 ▪ Modelos de optimización
79 79
d) Min Z 15x1 12 x 2
Sujeto a
x1 2 x 2 6
2 x1 4 x 2 8
x1 , x 2 0
e) Min Z 10 x1 6 x 2
Sujeto a
x2 5
2 x1 4 x 2 18
x1 3
x1 , x 2 0
2. Una empresa arma y vende dos clases de autos, uno de lujo y otro estándar; cada
auto requiere un proceso diferente de fabricación. El auto de lujo requiere 20 horas
de armado, 2 horas en equipamiento y produce una utilidad de $100,000.00. El
auto estándar requiere de 10 horas de armado, 1 hora en equipamiento y
produce una utilidad de $65,000.00. Se dispone de 1,000 horas para armado
y 400 para equipamiento. Se ha pronosticado que la demanda para el modelo
estándar es a lo más de 100 autos. ¿Cuál es el nivel óptimo de producción?
x1 x 2 20 (2)
x1, x 2 0 CNN
Autoevaluación
2. ¿De cuántas variables son los problemas que se pueden resolver con el método
gráfico?
a) 2 y 3 variables.
b) Más de 2 variables.
c) 2 variables.
d) 3 variables.
a) No hay solución.
b) La solución es óptima pero no factible.
c) La solución es factible pero no óptima.
d) Hay in nidad de soluciones.
6. Cuando se tiene un polígono como región factible se dice que la región es:
a) No factible.
b) Inexistente.
c) No acotada.
d) Acotada.
8. Son las variables con las que se expresan la función objetivo y las restricciones
de un modelo de PL.
a) Variables aleatorias.
b) Variables de decisión.
c) Variables no controlables.
d) Variables discretas.
9. Un modelo PL tiene como una de sus características que todas las ecuaciones
que los componen son de orden:
a) Lineal.
b) Exponencial.
c) Cuadrático.
d) Cero.
82
Matemáticas para negocios 82
Unidad 2 ▪ Modelos de optimización
82 82
a)
b)
c)
d)
Región factible
1. Gra ca la región factible asociada a cada uno de los siguientes modelos PL:
a)
c)
e)
Método grá co
vender 100 autos estándar, ninguno de lujo, para tener una utilidad máxima
de $6,500,000.00
tipo A y ninguna acción tipo B, al menos para las condiciones que se tienen.
El punto óptimo es el vértice B(22.5,7.5) con Z max 2.55 , pero como la escala
de la grá ca está en millones la interpretación es:
Respuestas a la autoevaluación
1. a)
2. c)
3. b)
4. d)
5. d)
6. d)
7. a)
8. b)
9. a)