You are on page 1of 8

Fundamentos de Investigaci on de Operaciones

Investigaci on de Operaciones 1
Resoluci on Gr aca de Modelos de LP
25 de julio de 2004
1. Descripci on del Metodo
Cualquier problema de Programacion Lineal de solo 2 variables puede ser resuelto gracamente.
La idea general es dibujar en un sistema de ejes ortogonales las variables de decision y representar
gracamente las restricciones del problema en dicho plano.
Para ilustrar la tecnica, consideremos el ejemplo de la mueblera estudiado previamente:
Ejemplo 1
Max z = 3x
1
+ 2x
2
(Funci on Objetivo)
sujeto a (st)
2x
1
+ x
2
100 (a) Restricci on de terminaciones
x
1
+ x
2
80 (b) Restricci on de carpintera
x
1
40 (c) Restricci on de demanda m axima
x
1
0 (d) Restricci on de signo
x
2
0 (e) Restricci on de signo
(1.1)
1.1. Regi on Factible
El conjunto de todos los puntos (x
1
, x
2
) que satisfacen todas las restricciones de (1.1) conforman
la regi on factible para el problema.
Para gracar la region factible, trazamos en primer lugar dos ejes ortogonales (uno para cada variable)
en el plano. A continuacion se representan las rectas correspondientes a cada restriccion como si el
signo de desigualdad correspondiera a una igualdad. Como cada recta divide al plano en 2 regiones,
debemos identicar cual lado es el que satisface la desigualdad. Para ello basta evaluar un punto que
no pertenezca a la recta y determinar si cumple o no la restriccion, en general se identica la region
que satisface la restriccion con unas echas perpendiculares a la recta.
Representadas todas las restricciones e identicadas las zonas que satisfacen cada una de ellas se
busca aquella area que satisfaga simultaneamente todas las restricciones: esta sera la region factible
del problema (usualmente se achura).
El procedimiento descrito se ilustra en la Figura 1.1 para el modelo asociado al problema de la
mueblera (1.1). Notese que interesa solo el primer cuadrante ya que las restricciones de signo obligan
a que las variables sean positivas.
1
Segundo Semestre 2004 Resoluci on Gr aca
x
1
x
2
(b)
80
80
(a)
100
50
(c)
40 A
B
C
D
E
Figura 1.1: Region Factible
Luego, la region factible queda denida por el polgono ABCDE. Cualquier punto de la frontera o
interior al polgono satisface todas las restricciones y por lo tanto es una combinacion factible.
1.2. Calculo del

Optimo
Una vez identicada la region factible del problema, se debe determinar el punto de dicha region
que maximiza o minimiza la funcion objetivo. En el ejemplo (1.1), se debe determinar el punto que
maximiza:
z = 3x
1
+ 2x
2
(1.2)
Para encontrar el optimo, debemos gracar las lneas de igual valor de z, es decir las rectas de isobe-
necio. En un problema de minimizacion se habla de las rectas de isocosto. A modo de ejemplo, se
muestran en la Figura 1.2 las lneas de isobenecio z = 180 y z = 210 en lnea segmentada.
Evidentemente, en todo problema de programacion lineal las lneas de isobenecio son rectas paralelas,
por lo tanto para determinar el optimo basta encontrar la mayor recta de isobenecio (o la menor
recta de isocosto si se esta minimizando) que intersecta a la region factible.
En el ejemplo, la mayor recta de isobenecio corresponde a la lnea de z = 180 que se muestra
en la Figura 1.2, la que intersecta a la region factible en el punto G, es decir: x
1
= 20 y x
2
= 60, punto
que corresponde al optimo del problema.
1.3. Restricciones Activas y No Activas
Una vez obtenida la solucion optima de un LP, se puede introducir la siguiente clasicacion respecto
de las restricciones del problema:
Denici on 1 Una restricci on es activa si el lado izquierdo y derecho de la desigualdad son iguales
cuando el valor optimo de las variables es substituido en las expresiones.
2
Segundo Semestre 2004 Resoluci on Gr aca
x
1
x
2
A
B
C
D
E
z
=
1
8
0
90
60
z
=
2
0
0
105
70
Figura 1.2: Lneas de Isobenecio
En el ejemplo, las restricciones (a) y (b) son activas.
Denici on 2 Una restricci on no es activa si el lado izquierdo y derecho de la desigualdad no son
iguales cuando el valor optimo de las variables es substituido en las expresiones.
En el ejemplo, como x
1
= 20 en el optimo, la restriccion (c) es no activa pues 20 es menor que 40.
1.4. Regiones Convexas y Extremos
El problema de la mueblera corresponde a un ejemplo de region factible convexa.
Denici on 3 Una regi on S es convexa si toda lnea recta que une cualquier par de puntos de la regi on
est a completamente contenida en S.
La Figura 1.3 (a) y (b) muestra ejemplos de regiones convexas. En la misma gura, las regiones (c)
y (d) no son convexas. En el caso de regiones convexas, ciertos puntos (Puntos Extremos) son de
(a) (b) (c) (d)
Figura 1.3: Regiones Convexas y No Convexas
gran interes para LP.
Denici on 4 Para cualquier regi on convexa S, un punto P es un punto extremo si cada lnea
completamente contenida en S y que contiene a P tiene a P como punto nal del segmento.
3
Segundo Semestre 2004 Resoluci on Gr aca
Por ejemplo, en la Figura 1.3(b) cada punto del contorno del crculo es un punto extremo. En la Figura
1.3(a) los cuatro vertices del rectangulo son puntos extremos. Frecuentemente, los puntos extremos
se denominan esquinas, ya que en el caso de polgonos, todos sus vertices corresponden a puntos
extremos.
En el problema de la mueblera, la region factible es convexa. Esto no es un accidente y se puede
demostrar que la region factible de un LP siempre es convexa. En el ejemplo, de la Figura 1.1 se obser-
va que los puntos A, B, C, D y E son puntos extremos y se puede demostrar que la region factible de
un LP siempre posee un n umero nito de puntos extremos. Ademas, se puede observar que la solucion
optima del ejemplo (punto D) corresponde a un punto extremo. En general, se puede demostrar que
cualquier LP que tenga soluci on optima debe tener como optimo un punto extremo. Este resultado es
muy importante, pues reduce el problema de determinar el optimo de un LP a un conjunto nito de
puntos de la region factible, en otras palabras, el optimo (si existe) pertenece al conjunto de puntos
extremos. El resulto anterior es valido cualquiera que sea el tama no del LP (no solo para el caso en dos
variables) y sera fundamental para desarrollar el algoritmo general de solucion de un LP (SIMPLEX).
2. Problemas de Minimizaci on
Para ver algunas consideraciones especiales en el caso de minimizacion tomemos el siguiente ejem-
plo:
Ejemplo 2 Una distribuidora de vehculos vende autos y camionetas. Para ampliar el mercado de
posibles clientes ha decidido iniciar una ambiciosa campa na publicitaria por televisi on. La estrategia
consiste en adquirir minutos de avisos comerciales en dos tipos de programas: teleseries y juegos de
f utbol. Se espera que cada minuto de publicidad en horario de teleseries sea visto por al menos 700
mil mujeres y 200 mil varones. Cada minuto de publicidad en horario de f utbol debera ser visto
por al menos 200 mil mujeres y 1200000 varones. Cada minuto en horario de teleseries cuesta 5
millones de pesos y en horario de f utbol cuesta 10 millones de pesos. La distribuidora desea que al
menos 2,8 millones de mujeres y 2,4 millones de varones vean los avisos comerciales. Empleando LP
determine c omo deben ser contratos los minutos de publicidad para satisfacer los requerimientos de la
distribuidora a costo mnimo.
Si entrar en mayores detalles, designando como x
1
y x
2
la cantidad de minutos de publicidad con-
tratados en horario de teleseries y f utbol respectivamente, el modelo queda:
Min z = 5x
1
+ 10x
2
(Funcion Objetivo)
st
7x
1
+ 2x
2
28 (a) Mujeres
2x
1
+ 12x
2
24 (b) Varones
x
1
0
x
2
0
(2.1)
La funcion objetivo se ha escrito en termino de millones y las restricciones se han referido a cientos
de miles personas para simplicar el modelo.
Para resolver el problema se representan las restricciones un plano formado por dos ejes ortogonales
(uno por variable), al igual que el caso anterior. La Figura 2.1 muestra las restricciones, la region
factible y algunas lneas de isocosto.
En este caso, al igual que el anterior, la region factible ABC es convexa, pero en este caso la region
4
Segundo Semestre 2004 Resoluci on Gr aca
0 2 4 6 8 10 12 14
0
2
4
6
8
10
12
14
x
1
x
2
(b)
(a)
A
B
C
z
=
6
0
z
=
3
2
Figura 2.1: Problema de la Distribuidora de Vehculos
contiene puntos en los cuales al menos una de las dos variables puede hacerse arbitrariamente grande.
En estos casos se habla de regi on factible no acotada.
Debido a que se desea minimizar el costo, interesa la lnea de isocosto de menor valor que intercepte
la region factible. Ello ocurre con la lnea de isocosto que pasa por el punto B, el cual se determina
calculando la interseccion de las dos restricciones del problema (x
1
= 3,6 y x
2
= 1,4). El valor de la
funcion objetivo para este caso es z = 320, es decir, 320 millones de pesos. Otra forma de obtener
el optimo es evaluando en los puntos extremos de la region factible, es decir, evaluando la funcion
objetivo en A, B y C, para luego escoger el menor valor. Debido a que la solucion optima se encuentra
sobre las rectas (a) y (b), ambas restricciones son activas.
3. Casos Especiales
Los problemas estudiados anteriormente poseen una unica solucion, sin embargo existen varias
situaciones especiales:
1. Algunos LP pueden tener un n umero innito de soluciones optimas (alternativos o m ultiples
optimos).
2. Algunos LP pueden no tener soluciones factible (LP no factibles).
3. Algunos LP pueden ser no acotados: existen puntos en la region factible que pueden tener un
valor arbitrariamente grande de la funcion objetivo (caso de maximizacion).
3.1.

Optimos Alternativos o M ultiples
Ejemplo 3 Una armadura fabrica autos y camionetas. Cada vehculo pasa por una etapa de ensam-
blaje y por otra de pintado. Si en el taller de pintura s olo se pintan camionetas, se puede terminar
40 camionetas al da. Si en el taller de pintura s olo se pintan autos, se pueden terminar 60 autos al
da. Si en el taller de ensamblaje s olo se trabaja con camionetas, se pueden producir 50 camionetas al
da. Similarmente, si en el taller de ensamblaje s olo se trabaja con autos, se puede terminar hasta 50
5
Segundo Semestre 2004 Resoluci on Gr aca
autos al da. El benecio neto de cada camioneta es 3 millones, mientras que el de cada auto es de 2
millones. Emplee LP para determinar la producci on diaria que maximiza la utilidad de la compa na.
Escogiendo como x
1
y x
2
el n umero diario de camionetas y autos producidos al da, respectivamente,
el modelo de LP que resuelve el problema queda:
Max z = 3x
1
+ 2x
2
(Funcion Objetivo)
st
1
40
x
1
+
1
60
x
2
1 (a) Pintura
1
50
x
1
+
1
50
x
2
1 (b) Ensamblaje
x
1
, x
2
0
(3.1)
La funcion objetivo se ha escrito en millones por simplicidad. Siguiendo el procedimiento descrito
previamente, la representacion graca del problema se ilustra en la Figura 3.1.
0 10 20 30 40 50 60
0
10
20
30
40
50
60
x
1
x
2
(a)
(b)
A
B
C
D
z
=
6
0
z
=
1
0
0
z
=
1
2
0
Figura 3.1: Problema de la Armadura de Vehculos
En este caso, la region factible es la denida por el polgono ABCD. Siguiendo el procedimiento
descrito, se debe evaluar la funcion objetivo en los puntos extremos de la region, en este caso se
encuentra que el mayor valor z se obtiene en el punto A, pero tambien en el punto B donde tambien
z = 120. Analizando con mayor cuidado la situacion, se observa que el segmento de recta de (a) entre
los puntos A y B es paralela a las lneas de isocosto, por lo tanto la evaluacion de la funcion objetivo
sobre cualquier punto de (c) entre A y B entregara el mismo resultado. Luego, en este caso existen
innitos optimos alternativos. Otra forma de chequear la situacion consiste en reemplazar la ecuacion
de la recta en la expresion de la funcion objetivo:
de (a): x
1
= 40

1
1
60
x
2

reemplazando en z: z = 3 40

1
1
60
x
2

+ 2x
2
= 120
(3.2)
En la practica, cuando el tomador de decisiones encuentra que existen m ultiples optimos, debe recurrir
a criterios secundarios para seleccionar un determinado optimo. En la Figura 3.1 el segmento grueso
entre los puntos A y B ilustra el conjunto (innito) de optimos del problema.
6
Segundo Semestre 2004 Resoluci on Gr aca
3.2. LP No Factibles
Supongamos que al problema del Ejemplo 3 incorporamos la restriccion de producir al menos 30
camionetas y al menos 20 autos. Luego, el modelo de LP queda:
Max z = 3x
1
+ 2x
2
(Funcion Objetivo)
st
1
40
x
1
+
1
60
x
2
1 (a) Pintura
1
50
x
1
+
1
50
x
2
1 (b) Ensamblaje
x
1
30 (c) Camionetas
x
2
20 (d) Autos
x
1
, x
2
0
(3.3)
De acuerdo a la tecnica descrita, se construye la Figura 3.2
0 10 20 30 40 50 60
0
10
20
30
40
50
60
x
1
x
2
(a)
(b)
(c)
(d)
Figura 3.2: Problema de la Armadura de Vehculos - Caso No Factible
A partir de la Figura 3.2 se observa claramente que no existen puntos que satisfagan todas las res-
tricciones simultaneamente, por lo tanto la region factible es vaca y el problema es No Factible. El
problema es No Factible debido a que producir 30 camionetas o 20 autos requiere mayor tiempo de
taller de pintura del disponible.
3.3. LP No Acotados
En el caso de maximizacion, un LP No Acotado ocurre cuando es posible encontrar puntos en la
region factible con valores de la funcion objetivo z arbitrariamente grandes. Evidentemente, en un LP
bien formulado no deberan existir soluciones optimas arbitrariamente grandes, pues en la practica no
tiene sentido hablar de utilidades o ingresos ilimitados.
En un problema de minimizacion, un LP No Acotado ocurre cuando es posible encontrar puntos
en la region factible con valores de la funcion objetivo z arbitrariamente peque nos.
Para ilustrar dicha situacion consideremos:
7
Segundo Semestre 2004 Resoluci on Gr aca
Ejemplo 4
Max z = 2x
1
x
2
(Funci on Objetivo)
sujeto a (st)
x
1
x
2
1 (a)
2x
1
+ x
2
6 (b)
x
1
, x
2
0
(3.4)
De acuerdo al procedimiento descrito, se construye la Figura 3.3.
0 1 2 3 4 5 6
0
1
2
3
4
5
6
x
1
x
2
(b)
(a)
A
B
C
z
=
4
z
=
6
Figura 3.3: Ejemplo 4
En este caso, la region factible queda denida por el polgono no acotado ABC. En la gura se muestra
dos lneas de isobenecio que ilustran como va creciendo el benecio en la medida que las rectas se
trazan mas a la derecha de la gura. En este caso, el punto C no es un vertice de la region y solo ilustra
el ultimo punto de mayor benecio dentro de la escala de ejes representada. Luego, en la medida que
se desplaza C a la derecha, el punto se aleja del orgen y la funcion objetivo crece tan arbitrariamente
como se desplace el punto C. Esto se debe a que las rectas de isobenecio tienen mayor pendiente que
la restriccio n (a). Finalmente, la funcion objetivo no esta acotada y el problema no tiene sentido.
Si bien en esta seccion se han mostrado problemas con un unico optimo, m ultiples optimos, no factibles
y no acotados solo para el caso de dos variables, los conceptos se extienden a problemas de mas variables
que seran estudiados mas adelante. Si el LP se ha formulado con una funcion objetivo y restricciones
adecuadas para un conjunto de variables de decision, no es difcil encontrar una solucion optima. Los
problemas de resolucion mas frecuentes aparecen cuando no se ha seleccionado las variables de decision
correctas.
8