Investigación Operativa

Profesor Milton Córtes Araya

Departamento de Matemáticas

REALIZADO POR OSCAR SOL N.

Programación Lineal(PL)

REALIZADO POR OSCAR SOL N.

Programación Lineal

La programación lineal(PL) es una herramienta para resolver problemas de

optimización. En 1947, George Dantzing creo un método eficaz, el algoritmo
simplex, para resolver problemas de programación lineal. A partir del
surgimiento del algoritmo simple, se ha usado la programación lineal para
resolver problemas de optimización en industrias tan diversas como la banca, la
educación, la civil cultura, el petróleo y el transporte.
La programación lineal como su nombre lo indica requiere que las funciones
matemáticas que constituyen el modelo sean lineales

REALIZADO POR OSCAR SOL N.

Modelo en Programación Lineal

Expresado en forma matemática, el modelo de P.L. es de la siguiente forma

𝑓(𝑥1 ,𝑥2 )=𝑐1 𝑥1 + 𝑐2 𝑥2 + ⋯ + 𝑐𝑗 𝑥𝑗 + ⋯ + 𝑐𝑛 𝑥𝑛 (llamada función objetivo)

Sujeto a
𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑗 𝑥𝑗 + ⋯ + 𝑎1𝑛 𝑥𝑛 ≤ 𝑏1 (≥ ó =)
𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ +𝑎2𝑗 𝑥𝑛 + ⋯ + 𝑎2𝑛 𝑥𝑛 ≤ 𝑏2 (≥ ó =)
⋮ ⋮ ⋮ ⋮
𝑎𝑖1 𝑥1 + 𝑎𝑖2 𝑥2 + ⋯ +𝑎𝑖𝑗 𝑥𝑛 + ⋯ + 𝑎𝑖𝑛 𝑥𝑛 ≤ 𝑏𝑖 (≥ ó =)
⋮ ⋮ ⋮ ⋮
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ +𝑎𝑚𝑗 𝑥𝑛 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 ≤ 𝑏𝑖 (≥ ó =)

Tal que 𝑥𝑗 ≥ 0, ∀ 𝑗 = 1,2, ⋯ , 𝑛

REALIZADO POR OSCAR SOL N.

Programación Lineal

Donde

REALIZADO POR OSCAR SOL N.

 En una encuesta de la revista Fortune, de 500 empresas, el 85% de las que
contestaron dijeron que habían utilizado la programación lineal.
 Como una medida de la importancia de la programación lineal, este curso
dedicara aproximadamente el 40% a la programación lineal y técnicas
relacionadas de optimización.
 Un problema de programación lineal (PL) es un problema de optimización
para el cual se efectúa lo siguiente.
 1.- Se intenta maximizar (minimizar) una función lineal de las variables de
decisión. La función que se desea maximizar o minimizar se llama función
objetivo.
 2.- Los valores de las variables de decisión deben satisfacer un conjunto de
restricciones. Cada restricción debe ser una ecuación lineal o una desigualdad
lineal.
 3.- Se relaciona una restricción de signo con cada variable. Para cualquier
variable 𝑥𝑖 , la restricción de signo especifica que 𝑥𝑖 no debe ser negativa
(𝑥𝑖 ≥ 0) o no tener restricciones de signo.
 Ejemplo: Giapetto`s Woodearving, inc., manufactura dos tipos de juguetes
de madera: soldados y trenes. Un soldado se vende en 27 dólares y requiere
10 dólares de materia prima. Cada soldado que fabrica incrementa la mano
de obra variable y los costos globales de Giapetto en 14 dólares. Un tren se
vende en 21 dólares y utiliza 9 dólares de su valor en materia prima. Todos los
trenes fabricados aumentan la mano de obra variable y los costos globales de
Giapetto en 10 dólares. La fabricación de soldados y trenes de madera
requiere dos tipos de mano de obra especializada: carpintería y acabados. Un
soldado necesita dos horas de trabajo de acabado y una hora de carpintería.
Un tren requiere una hora de acabado y una hora de carpintería. Todas las
semanas, Giapetto consigue todo el material necesario, pero sólo 100 horas
de trabajo de acabado y 80 de carpintería. La demanda de trenes es
ilimitada, pero se venden cuando mucho 40 soldados por semana. Giapetto
desea maximizar las utilidades semanales (ingresos – costos). Diseñe un
modelo matemático para la situación de Giapetto que se use para maximizar
las utilidades semanales de la empresa.
El método grafico

REALIZADO POR OSCAR SOL N.

El método grafico

Un problema de programación lineal que presente solamente dos variables puede

resolverse gráficamente. Los pasos a seguir son los siguiente:
 Plantear en forma matemática el problema.
 Graficar o trazar las restricciones.
 Se determina la región de factibilidad identificando los puntos solución que
satisfacen en forma simultánea todas las restricciones.
 Se traza una recta de la función objetivo para un valor específico de dicha
función, teniendo en cuenta que ésta pase por la región factible
 Se desplazan rectas paralelas a las recta de la función objetivo en dirección
de los valores más altos(o más bajos) de dicha función, hasta que una de las
rectas paralelas tenga un único punto en común con la región de las
soluciones de la región de factibilidad. El punto en común es la solución
optima.

REALIZADO POR OSCAR SOL N.

Región de factibilidad y solución
optima

REALIZADO POR OSCAR SOL N.

Región de factibilidad y solución
optima
 Región de factibilidad
La región de factibilidad para un modelo en programación lineal es el conjunto
de todos los puntos que satisfacen las restricciones del modelo.

 Solución Optima
Para un problema de maximización , una solución óptima para un modelo en
programación lineal es un punto de la región de factibilidad con el mayor valor
de la función objetivo. Similarmente, para un problema de minimización, una
solución óptima corresponde a un punto de la región factible con el menor valor
de la función objetivo

REALIZADO POR OSCAR SOL N.

 Solución: Sean 𝑥1 , 𝑥2 las variables de decisión definidas como:
𝑥1 = N°de soldados de madera a fabricar semanalmente
𝑥2 = N°de trenes de madera a fabricar semanalmente
Luego, el modelo en programación lineal es:
Maximizar 𝑓(𝑥1 , 𝑥2 )= 27 − 10 − 14 𝑥1 + (21 − 9 − 10)𝑥2
= 3𝑥1 + 2𝑥2
Sujeto a :
2𝑥1 + 𝑥2 ≤ 100
𝑥1 + 𝑥2 ≤ 80
𝑥1 ≤ 40
Tal que 𝑥1 , 𝑥2 ≥ 0
R: 𝑥1 = 20 , 𝑥2 =60 y la utilidad máxima es 180 dólares
Forma Estándar de un modelo en
PL

REALIZADO POR OSCAR SOL N.

Forma Estándar

Forma estándar de un modelo en programación lineal

 Variables de holgura: Son tiempos (capacidades)no utilizados que no
contribuyen en nada a las utilidades.
 Variables de Excedentes: Son cantidades en exceso de algún nivel mínimo
requerido.
Luego, al añadir variables de holgura y/o excedente al modelo en programación
lineal, las restricciones se transforman en igualdades. En los casos en que las
restricciones están expresadas mediante igualdades, se dice que el modelo está
en forma estándar

REALIZADO POR OSCAR SOL N.

Forma Estándar

Ejemplo:
Escribir el ejemplo de los soldados y trenes en forma estándar
Solución:
En este caso el modelo en forma estándar es:
𝐺(𝑥1 , 𝑥2 ) = 3𝑥1 +2𝑥2 + 0𝑠1 + 0𝑠2 + 0𝑠3
Sujeto a
2𝑥1 + 𝑥2 + 𝑠1 = 100
𝑥1 + 𝑥2 + 𝑠2 = 80
𝑥1 + 𝑠3 = 40
Tal que 𝑥1 , 𝑥2 , 𝑠1 , 𝑠2 , 𝑠3 ≥ 0

REALIZADO POR OSCAR SOL N.

Análisis de sensibilidad

REALIZADO POR OSCAR SOL N.

Análisis de sensibilidad

El análisis de sensibilidad es un procedimiento que se utiliza normalmente

después que se obtiene la solución óptima, y que muestra, qué tan sensible es
dicha solución a los cambios que se realicen en los coeficientes, y en los
segundos miembros de las restricciones, de un modelo en programación lineal.
Utilizando el análisis de sensibilidad se pueden responder preguntas del tipo,
¿cómo afectará a la solución un cambio en un coeficiente de la función objetivo ?
, cómo afectará a la solución óptima un cambio en el valor del segundo miembro
de una restricción?, en general, ¿cómo afectará la solución los cambios que se
hagan en el modelo?

REALIZADO POR OSCAR SOL N.

Análisis de sensibilidad sobre los
coeficientes de la función objetivo
 Análisis de sensibilidad para el ejemplo de la fabrica de juguetes de soldados
y trenes
En este caso, el modelo en programación lineal es:

𝑚𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 U(𝑥1 , 𝑥2 ) = 3𝑥1 + 2𝑥2

REALIZADO POR OSCAR SOL N.

Análisis de sensibilidad sobre los
coeficientes de la función objetivo
Recordemos que la solución óptima para este problema es (20,60), es decir , para
optimizar las utilidades deben confeccionarse 20 soldados y 60 trenes. Veamos
que significaría aplicar el análisis de sensibilidad a este problema

REALIZADO POR OSCAR SOL N.

 Intervalos de óptimalidad

Consideremos la función objetivo

Donde
𝑐1 𝑅𝑒𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎 𝑙𝑎 𝑢𝑙𝑡𝑖𝑙𝑖𝑑𝑎𝑑 𝑝𝑜𝑟 𝑐𝑎𝑑𝑎 𝑠𝑜𝑙𝑑𝑎𝑑𝑜
𝑐2 𝑅𝑒𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎 𝑙𝑎 𝑢𝑙𝑡𝑖𝑙𝑖𝑑𝑎𝑑 𝑝𝑜𝑟 𝑐𝑎𝑑𝑎 𝑡𝑟𝑒𝑛
Despejando la variable dependiente 𝑥2 se obtiene

Donde

Corresponde a la pendiente de la recta de la función objetivo

REALIZADO POR OSCAR SOL N.

 Intervalos de óptimalidad

Puesto que la pendiente de la recta de la función objetivo se halla entre las

pendientes de las rectas L1 y L2 luego, se tiene la desigualdad:

De esto se desprende que el punto O(20,60) seguirá siendo óptimo siempre que

REALIZADO POR OSCAR SOL N.

Intervalo de óptimalidad para para el
coeficiente c1

Para calcular el intervalo de óptimalidad del coeficiente c1 mantendremos fijo el

coeficiente c2, esto es, supondremos fija la contribución a las utilidades de los
trenes en el valor de $2. Reemplazando este valor en

Resulta
𝑐1
 −2 ≤ ≤ −1
2

Multiplicando la inecuación por -1, se tiene:

Esto significa que, si mantenemos fijos los 2 dólares de utilidad para los trenes,
podemos hacer variar la contribución de las utilidades para los soldados en el
intervalo [2,4] y el punto O(20,60), seguirá siendo óptimo
REALIZADO POR OSCAR SOL N.
Intervalo de óptimalidad para para el
coeficiente c1

Conviene precisar que aunque la producción óptima de soldados y trenes se

mantiene, el valor de la función objetivo cambiará, es decir , cambiarán las
utilidades. En efecto , reemplazando los extremos del intervalo en la función
objetivo, se obtiene:
2*20+2*60=160, y por otro lado 4*20+2*60=200

REALIZADO POR OSCAR SOL N.

La regla del 100% para C1 y C2

REALIZADO POR OSCAR SOL N.

Regla del 100%

hemos dicho que el cambio en los coeficiente de la función objetivo es aplicable,

sólo, para uno de cada vez. Sin embargo si respetamos la regla del 100%podemos
efectuar cambios simultáneos sin que varíe la solución óptima.
Antes de aplicar la regla, debemos calcular, para cada coeficiente que se
modifica, el porcentaje de aumento o disminución permisible que el cambio
representa.
Para un coeficiente , el aumento permisible, es la cantidad máxima en que se
puede aumentarse el coeficiente sin exceder el límite superior del intervalo de
óptimalidad.
Y la disminución permisible, es la cantidad máxima en que puede disminuirse el
coeficiente sin caer por debajo del limite inferior del intervalo de óptimalidad

REALIZADO POR OSCAR SOL N.

Regla del 100%

La regla: Para todos los coeficientes de la función objetivo que cambien, se

suman los porcentajes de los aumentos y las disminuciones permisibles. Si la
suma de dichos porcentajes no excede el 100% , entonces la solución óptima no
cambiara.

REALIZADO POR OSCAR SOL N.

Regla del 100%

Ejemplo: Regla del 100% para los coeficientes de la función objetivos del
problema de los juguete de soldados y trenes
Solución
El análisis de sensibilidad del problema de soldado y trenes, mostro los siguientes
intervalos de óptimalidad

De tal modo que si C1=3, la cantidad máxima permisible, de aumento, es de 1

dólar.

REALIZADO POR OSCAR SOL N.

Regla del 100%

Supongamos que queremos aumentar el coeficiente C1 de 3 a 3.5 dólares. Esto

significa un aumento de 0.5 dólares. En consecuencia el porcentaje de aumento
para C1 es:

Por otra parte la cantidad máxima de aumento permisible, de C2, es de 1 dólar. Si

supone un aumento de C2 de 2 dólares a 2.5 , dólares esto es, un aumento de
0.5 dólares, entonces, el porcentaje de aumento de C2 es de :

REALIZADO POR OSCAR SOL N.

Regla del 100%

Observemos que la suma de los aumentos en ambos coeficientes es de :

Esto significa que si aumentamos ambos coeficientes en las cantidades

propuestas, entonces, la cantidad óptima de producción de 20 soldados y 60
trenes, seguirá siendo óptima y la función utilidad será de:

G=3.5*20+2.5*60=220 Dólares

REALIZADO POR OSCAR SOL N.

Análisis de sensibilidad sobre los
segundos miembros
de las restricciones
Los precios sombra

REALIZADO POR OSCAR SOL N.

Los precios sombra
 Conviene preguntarse, ¿cómo afectará a la región de soluciones factible, o a
la solución óptima, un cambio en los segundos miembros de las restricciones?.
Consideremos nuevamente el modelo en programación lineal que maximiza las
utilidades de la fabricación de soldados y trenes y supongamos que se disponen
de 10 horas más de tiempo para la operación de acabado, esto es, de 110 horas.
Luego, el modelo en programación lineal es
Maximizar U(𝑥1 , 𝑥2 ) = 3𝑥1 +2𝑥2
Sujeto a
𝟐𝑥1 +𝑥1 ≤ 110
𝑥1 +𝑥1 ≤ 80
𝑥1 ≤ 40
tal que 𝑥1 , 𝑥1 ≥ 0

REALIZADO POR OSCAR SOL N.

Los precios sombra

Podemos observar la recta 2𝑥1 + 𝑥2 ≤ 100, se ha desplazado levemente hacia la

derecha, ampliando la región de factibilidad, luego, el punto óptimo ya no será
el mismo, en este caso es (30,50), reemplazando este valor en la función
objetivo se obtiene una utilidad de :
U(x1,x2)=3*30+2*50=190 dólares
Podemos decir que el aumento de 10 horas en la operación de acabado, produce
un aumento de
190-180=10 dólares
Es decir, las utilidades aumentan en $1 dólar por hora.

Al cambio en el valor de la función objetivo, por el aumento unitario en el valor

del lado derecho de las restricciones se les llama Precio Sombra

REALIZADO POR OSCAR SOL N.

Los precios sombra

 Nota: estos precios sombras se consideran interesantes porque permiten

obtener utilidades adicionales aumentando pequeñas cantidades los lados
derechos de la restricciones unitario de la restricciones el lado derecho

En general, se define el precio sombra, como el cambio en el valor de la función

objetivo, a causa del cambio unitario en el lado derecho de las restricciones.

REALIZADO POR OSCAR SOL N.