Investigación Operativa

DEF.:
“la aplicación de métodos
científicos a la administración y
gestión de las organizaciones
militares, gubernamentales,
comerciales e industriales”
(Enciclopedia Británica 8,964)

“la ciencia de la toma de decisiones”

(Gass 1983)
 El problema

Los recursos Los sistemas son cada

son escasos vez más complejos

Cada vez es más difícil asignar los

recursos o actividades de la forma más eficiente
 Investigación operativa (I.O.)

• Es la aplicación del método científico para

asignar los recursos o actividades de forma
eficiente, en la gestión y organización de
sistemas complejos
• Su objetivo es ayudar a la toma de decisiones
• Requiere un enfoque interdisciplinario
 Historia de la I.O.
• Se aplica por primera vez en 1780 (Fourier,Lagrange)
• Antecedentes:
– Matemáticas: modelos lineales (Farkas, Minkowski) (s.XIX)
– Estadística: fenómenos de espera (Erlang, Markov) (años
20)
– Economía: Quesnay (x.XVIII), Walras (s.XIX), Von
Neumann (años 20)
• El origen de la I.O. moderna se sitúa en la 2ª Guerra
Mundial
 Historia de la I.O.
• Al terminar la guerra, sigue el desarrollo en la
industria, debido a:
– competitividad industrial
– progreso teórico
• RAND (Dantzig) Algoritmo Simplex
• Princeton (Gomory, Kuhn, Tucker)
• Carnegie Institute of Technology (Charnes, Cooper)
– gran desarrollo de los ordenadores
 Actualidad de la I.O.
• Sigue habiendo un gran desarrollo, en muchos
sectores, con grandes avances sobre todo en el
campo de la Inteligencia Artificial
• Más información:
– Sociedad Española de Estadística e Inv. Op. (SEIO)
• www.cica.es/aliens/seio
– Association of European O.R. Societies (EURO)
• www.ulb.ac.be/euro/euro_welcome.html
– Institute for O.R. and the Management Sci. (INFORMS)
• www.informs.org
– International Federation of O.R. Societies (IFORS)
• www.ifors.org
 El método de la I.O.
• Definición del problema
– identificar el ámbito del sistema en estudio
– establecer el (los) objetivo(s)
– identificar las alternativas de decisión
• Construcción del modelo
– representación matemática idealizada
– calidad del modelo
– uso de símbolos, variables, funciones, etc.
– elementos característicos de un MM
• variables (decisión, parámetros, estado)
• restricciones
• medidas de efectividad
 El método de la I.O.
• Resolución
– analítica
– numérica (heurísticos)
• Validación
– predicción
• Implementación y control
– dato oportuno y consistente
– resolución del modelo solución(es)
– uso
 El método de la I.O.
FALLAS
– falta de integración e interacción entre el equipo de
desarrollo y las personas a cargo del sistema
– problemas de diseño
 Disciplinas de I.O.

• Programación matemática u optimización

• Programación dinámica
• Teoría de colas
• Simulación
• Teoría de juegos
 Tipos de modelos

• Determinísticos
– Programación
matemática
• Programación lineal
• Programación entera
• Programación dinámica
• Programación no lineal
– Modelos de transporte
– Modelos de redes
• Probabilísticos
– Programación
estocástica
– Gestión de inventarios
– Fenómenos de espera
(colas)
– Teoría de juegos
– Simulación
 Problema general de
optimización
• Modelo matemático determinístico y unicriterio
• Determinar los valores de las variables de decisión
(solución)

• función objetivo
Min f(x) o Max f(x)
s.a. s.a.
xS xS
• variables de decisión
x1, x2, x3, ........, xn.

si S  Rn , no restringido
 Problema general de
optimización
S se representará como un conjunto de desigualdades, entonces

Min f(x)
s.a.
gi(x)0 i = 1,2, ......., m

si las funciones f y g son lineales afines, es decir

t X   , con  vector de R y  un escalar Pg. lineal

si al menos una de ella no es lineal Pg. no lineal

si todas las variables son enteras Pg. entera

 Ejemplo nº1
En una fábrica de cerveza se producen dos tipos: rubia y
negra. Su precio de venta es de 50 ptas/l y 30 ptas/l,
respectivamente. Sus necesidades de mano de obra son de
3 y 5 empleados, y de 5.000 y 2.000 ptas de materias primas
por cada 1000 l.
La empresa dispone semanalmente de 15 empleados y
10.000 ptas para materias primas, y desea maximizar su
beneficio. ¿Cuántos litros debe producir?
 Formulación

Max z  50.000 x1  30.000 x2

s .a .
3 x1  5 x2  15
5.000 x1  2.000 x2  10.000
x1 , x2  0
 El modelo de P.L.
Opt z  c1 x1  c2 x2    cn xn
s .a .
a11 x1  a12 x2    a1n xn  b1

a m1 x1  a m 2 x2    a mn xn  bm

x1 , x2 , , xn  0
 El modelo de P.L.
z: función objetivo
CT (c1,...,cn): vector de coeficientes de la f.o.
XT (x1,...,xn): vector de variables de decisión
A (...,aij,...): matriz de coeficientes técnicos
b (b1,...,bm): vector de demandas
Matricialmente,

Opt CTX
s.a.
AX b
x0
 Ejemplo n° 2
Un taller desea determinar la cantidad de
sillas y mesas que debe producir durante la
próxima semana. Para ello cuenta con dos
insumos: madera y hierro. Además, dispone
de mano de obra especializada, en
particular, el proceso de barnizado lo realiza
una persona solamente. La disponibilidad de
madera es de 100 m2 , la de hierro es de 60
m lineales y el operario que barniza puede
trabajar hasta 50 horas por semana.

Para fabricar cada silla se requiere 1 m2

de madera, 1 m de hierro y 1 hora para
barnizarlo, y para cada mesa se necesitan
4 m2 de madera, 2 m de hierro y 1 hora para
barnizado. Se desea decidir la cantidad de
muebles que se deben fabricar de modo que
el beneficio total sea máximo. El beneficio es
de M$ 1 para cada silla y de M$ 3, cada
mesa.
Sol:

Para modelar el problema se definen las

siguientes variables de decisión:

X1 = cantidad de sillas por fabricar durante

la semana
X2 = cantidad de mesas por fabricar durante
la semana

las restricciones son:

a) Disponibilidad de los recursos

La producción total puede utilizar hasta

100 m2 de madera
X1 + 4 X2  100

La producción total puede utilizar hasta 60

m de hierro

X1 + 2 X2  60
 La producción total puede utilizar hasta 50
horas-hombre para el proceso de
barnizado

X1 + X2  50

b) No negatividad de las variables

X1, X2  0

La función objetivo consiste en maximizar el

beneficio total, o sea,

max Z = X1 + 3 X2

de esta forma el modelo lineal es:

max Z = X1 + 3 X2

s.a.
X1 + 4 X2  100
X1 + 2 X2  60
X1 + X2  50
X1, X2  0
Ejemplo N° 3
La Empresa ABRAX Ltda. fabrica puertas y ventanas de
madera. Existen dos modelos de puertas y ventanas: dobles y
simples. El insumo más importante es la madera. El proceso
de corte de las partes se realiza en dos sierras eléctricas de
precisión y el barnizado lo efectúa personal experimentado.
Las cantidades de madera y los tiempos de corte y barnizado
que requiere cada producto se muestran en la tabla siguiente:
Producto Madera Corte Barnizado
2
(m ) (horas-máquina) (horas-hombre)
Puertas dobles 4,0 1,5 2,0
Puertas simples 2,5 1,0 1,2
Ventanas dobles 3,0 2,0 1,5
Ventanas simples 1,8 0,8 0,8

Los proveedores de madera pueden entregar hasta 800 m 2

en un mes. Además se pueden utilizar hasta 400 horas de
sierra para el proceso de corte y 300 horas-hombre para el
barnizado. La empresa está comprometida con una
constructora para entregar 200 puertas simples y 120
ventanas dobles en el mes. Los precios de venta unitarios y
costos unitarios de producción, en miles de pesos (M$), se
muestran en la tabla siguiente:

Se desea determinar un plan de producción para el mes que

maximice el beneficio total y cumpla con los compromisos de
entrega, suponiendo que todo lo que se produce se vende.
Producto Precio Costo unitario
(M$) (M$)
Puertas dobles 120 80
Puertas simples 80 50
Ventanas dobles 100 75
Ventanas simples 60 30
FORMULACIÓN DEL MODELO

Variables de decisión

Las decisiones que la empresa desea tomar se refieren a la

cantidad de puertas y ventanas de cada tipo por producir en
el periodo considerado.

X1 = cantidad de puertas dobles a fabricar en el mes

X2 = cantidad de puertas simples a fabricar en el mes
X3 = cantidad de ventanas dobles a fabricar en el mes
X4 = cantidad de ventanas simples a fabricar en el mes

Restricciones

Las restricciones deben establecer las limitaciones existentes

en cuanto a la disponibilidad de los recursos y la necesidad
de cumplir con los compromisos contraídos para el período.

a) Disponibilidad de los recursos

La cantidad de madera utilizada en la producción total no

puede exceder la cantidad máxima que la empresa pueda
adquirir:

4,0 X 1  2,5 X 2  3,0 X 3  1,8 X 4  800

La cantidad de horas-máquina de sierra utilizada en el corte

no puede exceder la cantidad máxima disponible:

1,5 X 1  1,0 X 2  2,0 X 3  0,8 X 4  400

La cantidad de horas-hombre para barnizado utilizada no

puede exceder la cantidad máxima disponible:
 2,0 X 1  1,2 X 2  1,5 X 3  0,8 X 4  300

b) Cumplimiento de compromisos de entrega

La cantidad producida de puertas simples debe ser al menos

suficiente para cumplir los compromisos contraídos:

X 2  200

La cantidad producida de ventanas dobles debe ser al menos

suficiente para cumplir los compromisos contraídos:

X 3  120

c) No negatividad de los variables:

X1, X 2 , X 3 , X 4  0

Función objetivo

En resumen, el modelo lineal que maximiza el beneficio total

es:

Max Z  40 X 1  30 X 2  25 X 3  30 X 4
s.a.

4,0 X 1  2,5 X 2  3,0 X 3  1,8 X 4  800

1,5 X 1  1,0 X 2  2,0 X 3  0,8 X 4  400
2,0 X 1  1,2 X 2  1,5 X 3  0,8 X 4  300
X 2  200
X 3  120
X1, X 2 , X 3 , X 4  0
 Ejemplo N° 4
El administrador de un plantel cunícola desea determinar la
composición de 1000 kg de alimento que cumpla con los
requerimientos nutritivos establecidos para el normal
crecimiento de los conejos y que tenga el menos costo
posible. En la elaboración del alimento pueden utilizarse los
ingredientes cuyas características nutritivas y costo se
señalan en la tabla siguiente:

Ingredientes proteínas fibra hidratos de calorías costo

Carbono
(%) (%) (%) (calorías/kg) ($/kg)
Harina de soya 9 12 50 1000 45
Harina de pescado 55 -- 4 1950 100
Trigo 7 6 66 1750 70
Alfalfa 12 25 35 450 45
Avena 8,5 11 58 1700 80

La dieta debe tener las siguientes características:

Proteína: 15 %
Fibra: mínimo 25 %
Hidratos de carbono: mínimo 20 % y máximo 40 %
Calorías: mínimo 800/kg y máximo 1800/kg
Harina de pescado: máximo 10 %
FORMULACIÓN DEL MODELO

Variables de decisión

El administrador del plantel debe decidir qué cantidad de cada

uno de los ingredientes debe contener la composición del
alimento de los conejos.

X 1 = cantidad de harina de soya que se debe usar

X 2 = cantidad de harina de pescado que se debe usar
X 3 = cantidad de trigo que se debe usar
X 4 = cantidad de alfalfa que se debe usar
X 5 = cantidad de avena que se debe usar
(todo en kg)

Restricciones

Las restricciones se refieren a las características técnicas

(nutritivas) que debe tener el alimento.

a) Cantidad total: se necesita una cantidad de 1000 kg

X 1  X 2  X 3  X 4  X 5  1000

b) Proteína: el alimento debe contener 15 % de proteína

9 X 1 55 X 2  7 X 3  12 X 4  8,5 X 5  15( X 1  X 2  X 3  X 4  X 5 ), o bien

9 X 1 55 X 2  7 X 3  12 X 4  8,5 X 5  15000

c) Fibra: el alimento debe contener al menos 25 % de fibra

12 X 1  6 X 3  25 X 4  11X 5  25( X 1  X 2  X 3  X 4  X 5 )

d) Hidratos de carbono: la cantidad de hidratos de carbono

que contiene el alimento debe ser al menos 20 % y no más de
40 %

50 X 1  4 X 2  66 X 3  35 X 4  58 X 5  20( X 1  X 2  X 3  X 4  X 5 )

50 X 1  4 X 2  66 X 3  35 X 4  58 X 5  40( X 1  X 2  X 3  X 4  X 5 )

e) Calorías: el alimento debe contener al menos 800 calorías

por kg y no más de 1800

1000 X 1 1950 X 2  1750 X 3  450 X 4  1700 X 5  800( X 1  X 2  X 3  X 4  X 5 )

1000 X 1  1950 X 2  1750 X 3  450 X 4  1700 X 5  1800( X 1  X 2  X 3  X 4  X 5 )

f) Harina de pescado: la cantidad de harina de pescado

contenida en el alimento no debe ser más de 10 %

X 2  100

g) no negatividad de las variables

X1, X 2 , X 3 , X 4 , X 5  0

Función objetivo

El costo total de la fórmula debe ser el menor posible. Por lo

tanto, la función objetivo:

Min Z  45 X 1  100 X 2  70 X 3  45 X 4  80 X 5
Ejemplo N° 5
La empresa GASOL Ltda., produce y vende dos tipos de
gasolina: corriente y especial. Para ello utiliza dos tipos de
petróleo crudo: liviano y pesado, que tienen un costo de US$
15 y US$ 20por barril, respectivamente. Las características de
los dos tipos de petróleo se señalan en la tabla siguiente:

Petróleo liviano Petróleo

pesado
Densidad 0,65 0,85
Octanaje 70 102
Disponibilidad 800 600
(barriles)
Costo (US$/barril) 15 20

Las especificaciones exigidas para los productos finales:

gasolina corriente y especial, y los precios de venta se
muestran en la tabla siguiente:

Combustible Densidad Octanaje Precio

(kg/lt) (US$/barril)
Gasolina min = 0,70
Corriente max = 0,75 85 25
Gasolina min = 0,70
Especial max = 0,75 94 30

Cada barril puede contener 40 kg de petróleo liviano, o 50 kg

de petróleo pesado, o 60 lt de gasolina. El octanaje de los
combustibles corresponde a la media de los octanajes de sus
componentes ponderada por su volumen.

El encargado de la producción de combustibles necesita

determinar que tipos de mezclas utilizar para cada
combustible y cual debe ser el nivel de producción, de
manera que se obtenga la mayor utilidad posible.
FORMULACIÓN DEL MODELO

Variables de decisión
La decisión de cuánto producir de cada gasolina y qué tipo de
mezcla utilizar en cada una de ellas se puede introducir en el
modelo por medio de las siguientes variables:

X 11 = cantidad de petróleo liviano a usar en gasolina

corriente
X 12 = cantidad de petróleo liviano a usar en gasolina especial
X 21 = cantidad de petróleo pesado a usar en gasolina
corriente
X 22 = cantidad de petróleo pesado a usar en gasolina
especial
(todo en kg)

Restricciones
Las restricciones deben establecer las características
técnicas que requiere cada gasolina y las limitaciones en
cuanto a disponibilidad de petróleo.

a) Características técnicas

Densidad: recordemos que ésta es igual a la masa dividida

por el volumen.

La densidad de la gasolina corriente debe ser al menos 0,7 y

no más de 0,75:

X X 
0,7 11  21   X 11  X 21
 0,65 0,85 

X X 
0,75 11  21   X 11  X 21
 0,65 0,85 
Las variables X ij representan masa de petróleo y están
medidas en kg. Al ser divididas por la densidad del petróleo
se obtiene el volumen. En el lado derecho de la restricción se
tiene la masa total de petróleo usado. Cálculos de este tipo
son también realizados en las otras restricciones.

La densidad de la gasolina especial debe ser al menos 0,7 y

no más de 0,75:

X X 
0,7 12  22   X 12  X 22
 0,65 0,85 

X X 
0,75 12  22   X 12  X 22
 0,65 0,85 

Octanaje:

El octanaje mínimo de la gasolina corriente es 85 octanos:

X X  X X
85 11  21   70 11  102 21
 0,65 0,85  0,65 0,85

El octanaje mínimo de la gasolina especiales de 94 octanos

X X  X X
94 12  22   70 12  102 22
 0,65 0,85  0,65 0,85

d) Disponibilidad de petróleo:

Petróleo liviano: se pueden utilizar hasta 800 barriles de

petróleo liviano

X 11  X 21  800 x 40
Petróleo pesado: se pueden utilizar hasta 600 barriles de
petróleo pesado

X 12  X 21  600 x50

d) No negatividad de las variables:

X 11 , X 12 , X 21 , X 22  0

Función objetivo

Se desea maximizar el beneficio total. Por lo tanto, la F.O.:

25  X 11 X 21  30  X 12 X 22   X  X 12   X  X 22 
Max Z         15 11   20 21 
60  0,65 0,85  60  0,65 0,85   40   50 
Ejemplo N° 6
Una empresa transnacional exportadora de frutas que opera
en América del Sur desea determinar un plan de distribución
de la fruta desde las plantas empacadoras hasta los centros
de distribución, para el período de verano. Las plantas se
encuentran ubicadas en Rancagua, San Pablo y Bogotá. El
mercado se ha agrupado en cuatro regiones, como se
muestra en la figura siguiente:

En la tabla siguiente se señalan los costos unitarios de

transporte en M$, los requerimientos de cada región y la
producción de fruta en las plantas, para el período de verano.
 Costos de transporte Producción
(M$/ton) (ton)
Destinos
Orígenes Santiago Río de Quito Caracas
Janeiro
Rancuaga 3 20 30 35 300
San Pablo 15 5 35 40 250
Bogotá 45 25 10 12 200
Requerimientos
(ton) 120 300 80 200

FORMULACIÓN DEL MODELO

Variables de decisión
Sea X ij la cantidad de fruta que se transportará desde la
planta i al centro de distribución j , donde los valores de i
corresponden a 1 = Rancagua, 2 = San Pablo, 3 = Bogotá y
los de j a 1 = Santiago, 2 = Río de Janeiro, 3 = Quito, 4 =
Caracas.

Restricciones
a) Disponibilidad en las plantas: la cantidad total de fruta
enviada por una planta no puede exceder la cantidad
producida en esa planta:

X 11  X 12  X 13  X 14  300
X 21  X 22  X 23  X 24  250
X 31  X 32  X 33  X 34  200

b) Satisfacción de la demanda (requerimientos): cada centro

de distribución debe recibir la cantidad requerida:
X 11  X 21  X 31  120
X 12  X 22  X 32  300
X 13  X 23  X 33  80
X 14  X 24  X 34  200

c) No negatividad de las variables:

X ij  0 i  1,2,3; j  1,2,3,4.

Función objetivo
El plan de distribución debe ser de mínimo costo de
transporte.

Min Z  3 X 11  20 X 12  30 X 13  35 X 14  15 X 21  5 X 22  35 X 23 
40 X 24  45 X 31  25 X 32  10 X 33  12 X 34
 ANÁLISIS GRÁFICO
DE UN
MODELO DE PROGRAMACIÓN LINEAL
Para realizar el análisis gráfico de un modelo de
programación lineal se usará el ejemplo N°2, para lo cual se
repite su enunciado:

Un taller desea determinar la cantidad de sillas y mesas que

debe producir durante la próxima semana. Para ello cuenta
con dos insumos: madera y hierro. Además, dispone de mano
de obra especializada, en particular, el proceso de barnizado
lo realiza una persona solamente. La disponibilidad de
madera es de 100 m2 , la de hierro es de 60 m lineales y el
operario que barniza puede trabajar hasta 50 horas por
semana.

Para fabricar cada silla se requiere 1 m2 de madera, 1 m de

hierro y 1 hora para barnizarlo, y para cada mesa se
necesitan 4 m2 de madera, 2 m de hierro y 1 hora para
barnizado. Se desea decidir la cantidad de muebles que se
deben fabricar de modo que el beneficio total sea máximo. El
beneficio es de M$ 1 para cada silla y de M$ 3, cada mesa.

Para modelar el problema se definen las siguientes variables

de decisión:

X1 = cantidad de sillas por fabricar durante la semana

X2 = cantidad de mesas por fabricar durante la semana

las restricciones son:

a) Disponibilidad de los recursos

La producción total puede utilizar hasta 100 m2 de madera

 X 1  4 X 2  100

La producción total puede utilizar hasta 60 m de hierro

X 1  2 X 2  60

La producción total puede utilizar hasta 50 horas-hombre

para el proceso de barnizado

X 1  X 2  50

b) No negatividad de las variables

X1, X 2  0

La función objetivo consiste en maximizar el beneficio total, o sea,

Max Z  X 1  3X 2

s.a.
X 1  4 X 2  100 (a)
X 1  2 X 2  60 (b)
X 1  X 2  50 (c)
X1, X 2  0

El conjunto de puntos que satisfacen todas las restricciones

del problema se denomina conjunto de soluciones
factibles, y se dice que las restricciones generan un conjunto
de soluciones factibles. Las restricciones de no negatividad
restringen las soluciones al primer cuadrante. Estas se
denominan restricciones generales.

La primera restricción es verificada por los puntos del primer

cuadrante que se encuentran en y bajo la recta X 1  4 X 2  100 ,
como se muestra en la figura siguiente:
 Restricción de disponibilidad de madera

Luego, el conjunto de soluciones factibles de este problema

es la intersección de los semi-espacios generados por las
cinco restricciones, como se puede apreciar en la figura
siguiente:

Conjunto factible

Los puntos A, B, C, D y E se denominan vértices del

conjunto factible. Los puntos contenidos en este conjunto
verifican todas las restricciones del problema.

La pregunta que nace aquí es: ¿cuál de ellos hace máxima la

función objetivo?
Maximizar C T X corresponder a desplazar lo máximo posible,
la recta C T X  K , donde K es una constante, en la dirección del
vector C . Esto significa desplazar la curva de nivel K (recta en
realidad), en la dirección del gradiente, mientras ella contenga
al menos un punto factible. Se observa que C es el gradiente
de la función C T X .

Una curva de nivel de la función objetivo, en el ejemplo,

corresponde a los puntos tales que X 1  3 X 2  k donde k es una
constante. Desplazando esta recta en la dirección C  1,3T que
corresponde al gradiente de la función objetivo, se obtienen
una serie de rectas paralelas con valores crecientes de la
constante k . Se puede repetir esto mientras la curva de nivel
contenga puntos del espacio factible. El o los puntos
contenidos en la última posición posible de esta curva de nivel
constituye(n) la solución óptima del problema.

En el ejemplo, esto corresponde al vértice A, como se

muestra en la figura:

Función objetivo del problema del taller de carpintería

Para determinar el punto A se observa que este corresponde
a la intersección de las rectas que limitan los semiespacios
generados por las restricciones (a) y (b). Resolviendo el
sistema de ecuaciones:

X 1  4 X 2  100
X 1  2 X 2  60

se tiene que el punto A corresponde a  X 1, X 2   20,20 .

Procediendo de forma análoga se puede determinar los
puntos B, C, D y E. En la tabla siguiente se evalúa la función
objetivo para cada uno de ellos.

Punto X1 X2 Z
A 20 20 80
B 40 10 70
C 50 0 50
D 0 0 0
E 0 25 75
Vértices factibles

Así la solución óptima es: producir 20 sillas y 20 mesas, lo

que proporciona un beneficio total de 80.
Ejemplo N° 7
Reddy Mikks Company posee una pequeña fábrica de
pinturas que produce colorantes para interiores y exteriores de
casas para su distribución al mayoreo.

Se utilizan dos materiales básicos, A y B, para producir las

pinturas.

La disponibilidad máxima de A es de 6 toneladas diarias; la de

B es de 8 toneladas por día. Los requisitos diarios de materias
primas por tonelada de pintura para interiores y exteriores se
resumen en la tabla siguiente:

Tonelada de materia prima Disponibilidad

Materia Prima por tonelada de pintura máxima
Exterior Interior (toneladas)
A 1 2 6
B 2 1 8

Un estudio del mercado ha establecido que la demanda diaria

de pintura para interiores no puede ser mayor que la pintura
para exteriores en más de 1 tonelada.

El estudio señala asimismo, que la demanda máxima de

pintura para interiores está limitada a 2 toneladas diarias.

El precio al mayoreo por tonelada es de M$ 3 para la pintura

de exteriores y M$ 2 para la pintura de interiores.

¿Cuánta pintura para exteriores e interiores debe producir la

compañía todos los días para maximizar el ingreso bruto?
Solución:

Para modelar el problema se definen las siguientes variables

de decisión:

X I = toneladas de pintura para interiores producidas

diariamente
X E = toneladas de pintura para exteriores producidas
diariamente

las restricciones son:

a) Disponibilidad de los recursos

La producción total puede utilizar hasta 6 ton de materia

prima A

X E  2X I  6

La producción total puede utilizar hasta 8 ton de materia

prima B

2X E  X I  8

Las restricciones por demanda quedan representadas por:

 X E  X I 1
XI  2

b) No negatividad de las variables

XE,XI  0
La función objetivo consiste en maximizar el beneficio total, o
sea,

Max Z  3X E  2 X I

Luego el modelo matemático completo para el problema de

Reddy Mikks, se puede resumir de la manera siguiente:

Max Z  3X E  2 X I Función objetivo

s.a.
X E  2X I  6 a)
2X E  X I  8 b)
 X E  X I 1 c)
XI  2 d)
XE,XI  0

Para resolver de manera gráfica el problema de Reddy Mikks,

las restricciones a), b), c) y d), se asumirán como igualdades,
conduciendo a ecuaciones de rectas. Entonces se tiene:

X E  2X I  6

Si XE  0  XI 3
XI  0  XE  6

Asumiendo X I como la variable independiente, entonces al

graficar la recta se tiene:
De igual forma para el resto de las restricciones, se tiene:

Restricción b)

Si XE  0  XI 8
XI  0  XE  4

Restricción c)

Si X E  0  X I 1
X I  0  X E  1

Restricción d)

XI  2
Graficando todas las rectas obtenidas, se tiene:

Realizando todas las consideraciones necesarias se obtiene

la región del conjunto de soluciones factibles delimitada por
los vértices de la solución factible (FEV): A, B, C, D, E y F.

Trabajando con la función objetivo e igualándola a una

constante, se obtiene la recta:

2
XE   XI k
3

De aquí se deduce que la recta que permite obtener la

solución óptima tiene pendiente igual a  2 . Al desplazar
3
desde el origen hacia los FEV, se logra determinar que el
vértice que entrega la solución óptima, es decir maximiza la
función objetivo, es B. Para determinar el valor máximo de Z ,
se debe obtener el valor de X E y X I en la intersección de las
rectas a) y b). Entonces se tiene:
 X E  2X I  6
2X E  X I  8

despejando XE en ambas ecuaciones se tiene

X E  2 X I  6
1
XE   XI 4
2

igualando se obtiene:

1
 2X I  6   X I  4
2

despejando XI , tenemos:

4
XI 
3

entonces

10
XE 
3

por lo tanto

10 4 38
Z 3 2 
3 3 3
Ejemplo N° 8
Resuelva de manera gráfica el problema siguiente:

Minimizar Z  0,4 X 1  0,5 X 2

s.a.
0,3 X 1  0,1X 1  2,7
0,5 X 1  0,5 X 2  6
0,6 X 1  0,4 X 2  6
X1, X 2  0

Solución:

Primero se deben dejar todas las desigualdades como

igualdades. Se obtienen 3 ecuaciones de rectas.

0,3 X 1  0,1X 1  2,7 (a )

0,5 X 1  0,5 X 2  6 (b)
0,6 X 1  0,4 X 2  6 (c )

Luego se grafican:

La
Si
X 1  0  X 2  27
X 2  0  X1  9

Lb
Si
X 1  0  X 2  12
X 2  0  X 1  12
 Lc
Si
X 1  0  X 2  15
X 2  0  X 1  10

Se obtiene el siguiente gráfico:

De donde se obtiene que la región de solución factible queda

delimitada por la recta Lb , entre los vértices (6,6) y (15/2,9/2).
Posteriormente se toma la función objetivo, haciendo Z=k,
entonces se obtiene una recta, con pendiente –4/5. Esta recta
se desplaza desde el punto (1,0) y donde corta en el punto
más cercano a (0,0), corresponde al mínimo de la función
objetivo. Para comprobar, se realiza la tabla siguiente:

X1 X2 Z
6 6 5,40
7,5 4,5 5,25 Vértice óptimo.