Está en la página 1de 21

HISTORIA DE LA PROGRAMACION LINEAL En los siglos XVII y XVIII, grandes matemticos como Newton, Leibnitz, Bernouilli y, sobre todo,

Lagrange, que tanto haban contribuido al desarrollo del clculo infinitesimal, se ocuparon de obtener mximos y mnimos condicionados de determinadas funciones. Posteriormente el matemtico frnces Jean BaptisteJoseph Fourier (1768-1830) fue el primero en intuir, aunque de forma imprecisa, los mtodos de lo que actualmente llamamos programacin lineal y la potencialidad que de ellos se deriva. Si exceptuamos al matemtico Gaspar Monge (17461818), quien en 1776 se interes por problemas de este gnero, debemos remontarnos al ao 1939 para encontrar nuevos estudios relacionados con los mtodos de la actual programacin lineal. En este ao, el matemtico ruso Leonodas Vitalyevich Kantarovitch publica una extensa monografa titulada Mtodos matemticos de organizacin y planificacin de la produccin en la que por primera vez se hace corresponder a una extensa gama de problemas una teora matemtica precisa y bien definida llamada, hoy en da, programacin lineal . En 1941-1942 se formula por primera vez el problema de transporte, estudiado independientemente por Koopmans y Kantarovitch, razn por la cual se suele conocer con el nombre de problema de Koopmans-Kantarovitch. Tres aos ms tarde, G. Stigler plantea otro problema particular conocido con el nombre de rgimen alimenticio optimal. En estos aos posteriores a la Segunda Guerra Mundial, en Estados Unidos se asumi que la eficaz coordinacin de todas las energas y recursos de la nacin era un problema de tal complejidad, que su resolucin y simplificacin pasaba necesariamente por los modelos de optimizacin que resuelve la programacin lineal. Paralelamente a los hechos descritos se desarrollan las tcnicas de computacin y los ordenadores, instrumentos que haran posible la resolucin y simplificacin de los problemas que se estaban gestando. En 1947, G.B. Dantzig formula, en trminos matemticos muy precisos, el enunciado estndar al que cabe reducir todo problema de programacin lineal. Dantzig, junto con una serie de investigadores del United States Departament of Air Force, formaran el grupo que dio en denominarse SCOOP (Scientific Computation of Optimum Programs). Una de las primeras aplicaciones de los estudios del grupo SCOOP fue el puente areo de Berln. Se continu con infinidad de aplicaciones de tipo preferentemente militar. Hacia 1950 se constituyen, fundamentalmente en Estados Unidos, distintos grupos de estudio para ir desarrollando las diferentes ramificaciones de la programacin lineal. Cabe citar, entre otros, Rand Corporation, con Dantzig, Orchard-Hays, Ford, Fulkerson y Gale, el departamento de Matemticas de la Universidad de Princenton, con Tucker y Kuhn, as como la Escuela Graduada de Administracin

Industrial, dependiente del Carnegie Institute of Technology , con Charnes y Cooper. Respecto al mtodo del simplex, que estudiaremos despus, sealaremos que su estudio comenz en el ao 1951 y fue desarrollado por Dantzig en el United States Bureau of Standards SEAC COMPUTER, ayudndose de varios modelos de ordenador de la firma IBM. Los fundamentos matemticos de la programacin lineal se deben al matemtico norteamericano de origen hngaro Janos von Neuman (1903-1957), quie en 1928 public su famoso trabajo Teora de Juegos. En 1947 conjetura la equivalencia de los problemas de programacin lineal y la teora de matrices desarrollada en sus trabajos. La influencia de este respetado matemtico, discpulo de David Hilbert en Gotinga y, desde 1930, catedrtico de la Universidad de Princenton de Estados Unidos, hace que otros investigadores se interesaran paulatinamente por el desarrollo riguroso de esta disciplina. En 1858 se aplicaron los mtodos de la programacin lineal a un problema concreto: el clculo del plan ptimo de transporte de arena de construccin a las obras de edificacin de la ciudad de Mosc. En este problema haba 10 puntos de partida y 230 de llegada. El plan ptimo de transporte, calculado con el ordenador Strena en 10 das del mes de junio, rebaj un 11% los gastos respecto a los costes previstos. Se ha estimado, de una manera general, que si un pas subdesarrollado utilizase los mtodos de la programacin lineal, su producto interior bruto (PIB) aumentara entre un 10 y un 15% en tan slo un ao. Fue utilizada por G. Monge en 1776 y se considera a L. V. Kantorvich uno de sus creadores. La present en su libro Mtodos matemticos para la organizacin y la produccin (1939) y la desarroll en su trabajo Sobre la transferencia de masas (1942). Kantorvich recibi el premio Nobel de economa en 1975 por sus aportaciones al problema de la asignacin ptima de recursos humanos.Uno de momentos ms importantes en la programacin lineal fue la aparicin del mtodo del Simplex. Este mtodo, desarrollado por G. B. Dantzig en 1947, consiste en la utilizacin de un algoritmo para optimizar el valor de la funcin objetivo teniendo en cuenta las restricciones planteadas. Este tipo de anlisis se utiliza en casos donde intervienen cientos e incluso miles de variables.

En 1946 comienza el largo perodo de la guerra fra entre la antigua Unin Sovitica (URSS) y las potencias aliadas (principalmente , Inglaterra y Estados Unidos). Uno de los episodios ms llamativos de esa guerra fra se produjo a mediados de 1948, cuando la URSS bloque las comunicaciones terrestres desde las zonas alemanas en poder de los aliados con la ciudad de Berln, iniciando el bloqueo de Berln. A los aliados se les plantearon dos posibilidades: o romper el bloqueo terrestre por la fuerza, o llegar a Berln por el aire. Se adopt la decisin de programar una demostracin tcnica del poder areo norteamericano; a tal efecto, se organiz un gigantesco puente areo para abastecer la ciudad: en diciembre de 1948 se estaban transportando 4500 toneladas diarias; en marzo de 1949, se lleg a las 8000 toneladas, tanto como se transportaba por carretera y ferrocarril antes del corte de las comunicaciones. En la planificacin de los suministros se utiliz la programacin lineal. (El 12 de mayo de 1949, los soviticos levantaron el bloqueo) Ahora bien , esta disciplina cientfica se aplica principalmente en el terreno de la actividad econmica y, por consiguiente, tiene una importancia muy especial para la economa poltica y otras ciencias econmicas. El nombre de programacin lineal no procede de la creacin de programas de ordenador, sino de un trmino militar, programar, que significa realizar planes o propuestas de tiempo para el entrenamiento, la logstica o el despliegue de las unidades de combate.

FORMULACIN DE MODELOS DE PROGRAMACIN LINEAL Alguno de los tipos de problemas que se pueden formular son:

Planeacin de la produccin e inventarios Mezcla de Alimentos Transporte y asignacin Planeacin financiera Mercadotecnia Asignacin de recursos

En esta parte debemos considerar algo muy importante, hay una variedad de aplicaciones de modelos lineales, en las siguientes paginas vamos a tratar de considerar modelos lineales y sobre todo de mas aplicacin al inicio del aprendizaje de formulacin de modelos lineales. Problema 1.-(produccin) Una industria vincola produce vino y vinagre. El doble de la produccin de vino es siempre menor o igual que la produccin de vinagre ms cuatro unidades. Por otra parte, el triple de la produccin de vinagre sumado con cuatro veces la produccin de vino se mantiene siempre menor o igual a 18 unidades.Halla el nmero de unidades de cada producto que se deben producir para alcanzar un beneficio mximo, sabiendo que cada unidad de vino deja un beneficio de S/8 y cada unidad de vinagre de S/2. Solucin:

Vino Beneficio Variable de decisin: S/8 / unidad

Vinagre S/ 2 /unidad

Xi= Nmero de unidades producidas de i(i=Vino,vinagre=1,2) a elaborar. Funcin Objetivo: Max=8x1+2x2 Restricciones: El doble de la produccin de vino es siempre menor o igual que la produccin de vinagre ms cuatro unidades:2x1<=x2+4 el triple de la produccin de vinagre sumado con cuatro veces la produccin de vino se mantiene siempre menor o igual a 18 unidades. 3x2+4x1<=18 Modelo Lineal Max=8x1+2x2 Sujeto a: 2x1-x2<=4 4x1+3x2<=18 no negatividad: Xi>=0
SOLUCIN GRFICA DE PROBLEMAS DE PROGRAMACIN LINEAL Muchos problemas de administracin y economa estn relacionados con la optimizacin (maximizacin o minimizacin) de una funcin sujeta a un sistema de igualdades o desigualdades. La funcin por optimizar es la funcin objetivo. Las funciones de ganancia y de costo son ejemplos de funciones objetivo. El sistema de igualdades o desigualdades a las que est sujeta la funcin objetivo reflejan las restricciones (por ejemplo, las limitaciones sobre recursos como materiales y mano de obra) impuestas a la solucin (o soluciones) del problema. Los problemas de esta naturaleza se llamanproblemas de programacin matemtica. En particular, aquellas donde la funcin objetivo y las restricciones se expresan como ecuaciones o desigualdades lineales se llaman problemas de programacin lineal.

Un problema de programacin lineal: Un problema de programacin lineal consta de una funcin objetivo lineal por maximizar o minimizar, sujeta a ciertas restricciones en la forma de igualdades o desigualdades lineales.

Como ejemplo de un problema de programacin lineal en que la funcin objetivo debe maximizarse, considerese el siguiente problema de produccin con dos variables

El granjero Lopez tiene 480 hectreas en la que se puede sembrar ya sea trigo o maz. El calcula que tiene 800 horas de trabajo disponible durante la estacin crucial del verano. Dados mrgenes de utilidad y los requerimientos laborales mostrados a la derecha, Cuntas hectreas de cada uno debe plantar para maximizar su utilidad?Cul es sta utilidad mxima?

Maiz: Utilidad: $40 por hrs. Trabajo: 2hs por hrs. Trigo: Utilidad: $30 por hrs. Trabajo: 1hs por hrs.

Solucin: Como primer paso para la formulacin matemtica de este problema, se tabula la informacin dada (Tabla 1). Si llamamos x a las hectreas de maz e y a las hectreas de trigo. Entonces la ganancia total P, en dlares, est dada por: P=40x+30y Que es la funcin objetivo por maximizar.

Maz Horas Hectreas Utilidad por unidad 2 1 $40

Trigo 1 1 $30

Elementos disponibles 800 480

La cantidad total de tiempo par hectreas para sembrar maz y trigo est dada por 2x+y horas que no debe exceder las 800 horas disponibles para el trabajo. As se tiene la desigualdad: 2x+y<800 En forma anloga, la cantidad de hectreas disponibles est dada por x+y, y sta no puede exceder las hectreas disponibles para el trabajo, lo que conduce a la desigualdad. Por ltimo, si no queremos tener prdidas, x y y no pueden ser negativa, de modo que x>0 y>0 En resumen, el problema en cuestin consiste en maximizar la funcin objetivo P=40x+30y sujeta a las desigualdades 2x+y<800 x+y<480 x>0 y>0

Solucin Grfica Los problemas de programacin lineal en dos variables tienen interpretaciones geomtricas relativamente sencillas; por ejemplo, el sistema de restricciones lineales asociado con un problema de programacin lineal bidimensional- si no es inconsistente- define una regin plana cuya frontera est formada por segmentos de recta o semirrectas, por lo tanto es posible analizar tales problemas en forma grfica. Si consideremos el problema del granjero Lpez, es decir, de maximizar P = 40x+ 30y sujeta a 2x+y<800 x+y<480 x>0, y>0 (7)

El sistema de desigualdades (7) define la regin plana S que aparece en la figura 5. Cada punto de S es un candidato para resolver este problema y se conoce

como solucin factible. El conjunto S se conoce como conjunto factible. El objetivo es encontrar entre todos los puntos del conjunto S- el punto o los puntos que optimicen la funcin objetivo P. Tal solucin factible es una solucin ptima y constituyen la solucin del problema de programacin lineal en cuestin. Como ya se ha observado, cada punto P(x,y) en S es un candidato para la solucin ptima del problema en cuestin, por ejemplo, es fcil ver que el punto (200, 150) est en S y, por lo tanto, entra en la competencia. El valor de la funcin objetivo P en el punto (200,150) est dado por P=40(200)+30(150)=12.500 . Ahora si se pudiera calcular el valor de P correspondiente a cada punto de S, entonces el punto (o los puntos) en S que proporcione el valor mximo de P formar el conjunto solucin buscado. Por desgracia, en la mayora de los problemas, la cantidad de candidatos es demasiado grande o, como en este problema, es infinita. As este mtodo no es adecuado. Es mejor cambiar de punto de vista: en vez de buscar el valor de la funcin objetivo P en un punto factible, se asignar un valor a la funcin P y se buscarn los puntos factibles que correspondieran a un valor dado de P. Para esto supngase que se asigna a P el valor 6000. Entonces la funcin objetivo se convierte en 40x+ 30y = 6.000,una ecuacin lineal en x e y; por lo tanto, tiene como grfica una lnea recta L1 en el plano.

Est claro que a cada punto del segmento de recta dado por la interseccin de la lnea recta L1 y el conjunto factible S corresponde el valor dado 6000 de P. Al repetir el proceso, pero ahora asignando a P el valor de 12.000, se obtiene la ecuacin 40x+ 30y =12.000 y la recta L2 lo cual sugiere que existen puntos factibles que corresponden a un valor mayor de P. Obsrvese que la recta L2es paralela a L1, pues ambas tienen una pendiente igual a 4/3. Esto se comprueba con facilidad escribiendo las ecuaciones en explcita de la recta. En general, al asignar diversos valores a la funcin objetivo, se obtiene una familia de rectas paralelas, cada una con pendiente igual a 4/3. Adems, una recta correspondiente a un valor mayor de Pest ms alejada del origen que una recta con un valor menor de P. El significado es claro. Para obtener las soluciones ptimas de este problema, se encuentra la recta perteneciente a esta familia que se encuentra ms lejos del origen y que interseque al conjunto factible S. La recta requerida es aquella que pasa por el punto P(320,160) (Fig. 6), de modo que la solucin de este problema est dado porx=320, y=160 ( es decir que el granjero Lpez deber sembrar 320 hectreas de maz y 160 hectreas de trigo), lo que produce el valor mximo P=40(320)+30(160)=17.600. No es casualidad que la solucin ptima de este problema aparezca como vrtice del conjunto factible S. De hecho, el resultado es consecuencia del siguiente teorema bsico de la programacin lineal, que se enuncia sin demostracin.

Teorema 1: Si en problema de programacin lineal tiene una solucin, entonces sta debe aparecer en un vrtice, o esquina, del conjunto factible S asociado con el problema. Adems, si la funcin objetivo P se optimiza en dos vrtices adyacente de S, entonces se optimiza en todos los puntos del segmento de recta que une estos vrtices, en cuyo caso existe una infinidad de soluciones al problema
En nuestro ejemplo los nicos vrtice del conjunto factible S son los puntos coordenados: (0,0); (400,0); (320,160); (0,480), llamados tambin puntos esquinas (Fig. 6). Un ejemplo en el que tendramos infinitas soluciones, es:

VERTICE P=40x+40y Supngase que la utilidad por hectreas es de $40 para ambos, maz y trigo. La tabla para este caso muestra la misma utilidad total (0,0) 0 en los vrtices(0,480) y (320,160). Esto significa que la lnea de (0,480) 19.200 utilidad en movimiento abandona la regin sombreada por el lado determinado por esos vrtices (adyacentes) , as todo punto en ese (320,160) 19.200 lado da una utilidad mxima. Todava es vlido, sin embargo, que la (400,0) 16.000 utilidad mxima ocurre en un vrtice.
El teorema 1 dice que la bsqueda de las soluciones a un problema de programacin lineal se puede restringir al examen del conjunto de vrtices del conjunto factible S relacionado con el problema. Como un conjunto factible S tiene un nmero finito de vrtices, el teorema sugiere que las soluciones a un problema de programacin lineal se puedan hallar inspeccionando los valores de la funcin objetivo P en los vrtices. Aunque el teorema 1 arroja un poco de luz acerca de la naturaleza de la solucin de un problema de programacin lineal, no indica cundo tiene solucin. El siguiente teorema

establece ciertas condiciones que garantizan la existencia de la solucin de un problema de programacin lineal. Teorema 2: Supngase un problema de programacin lineal con un conjunto factible S y una funcin objetivo P = ax + by.

Existencia de una 1. Si S est acotado, entonces P tiene u valor mximo y n valor mnimo en S. solucin

2. Si S no est acotado y tanto a como b son no negativos, entonces P tiene un valor mnimo en S, si las restricciones que definen a S incluyen las desigualdades x 0 e y 0. 3. Si S es el conjunto vaco, entonces el problema de programacin lineal no tiene solucin; es decir, P no tiene un valor mximo ni uno mnimo

El mtodo utilizado para resolver el problema del granjero Lpez recibe el nombre de mtodo de las esquinas. Este mtodo sigue un procedimiento muy sencillo para resolver los problemas de programacin lineal basada en el teorema1.

Mtodo de 1. las esquinas 2.

Se grafica el conjunto factible. Se encuentran las coordenadas de todas las esquinas (vrtices) del conjunto factible.

3. Se evala la funcin objetivo en cada esquina. 4. Se halla el vrtice que proporcione el mximo (mnimo) de la funcin objetivo. Si slo existe un vrtice con esta propiedad, entonces constituye una solucin nica del problema. Si la funcin objetivo se maximiza (minimiza) en dos esquinas adyacentes de S, entonces existe una infinidad de soluciones ptimas dadas por los puntos del segmento de recta determinado por estos dos vrtices.

Aplicaremos los conceptos antes emitidos al siguiente problema de nutricin, basado en los requerimientos, en el cual hay que minimizar la funcin objetivo.

Un nutricionista asesora a un individuo que sufre una deficiencia de hierro y vitamina B, y le indica que debe ingerir al menos 2400 mg de vitamina B-1 (tiamina) y 1500 mg de vitamina B-2 (riboflavina) durante cierto perodo de tiempo. Existen dos pldoras de vitaminas disponibles, la marca A y la marca B. Cada pldora de la marca A contiene 40 mg de hierro, 10 mg de vitamina B-1, 5 mg de vitamina B-2 y cuesta 6 centavos. Cada pldora de la marca B contiene 10 mg de hierro, 15 mg de vitamina B-1 y de vitamina B-2, y cuesta 8 centavos (tabla 2). Cules combinaciones de pldoras debe comprar el paciente para cubrir sus requerimientos de hierro y vitamina al menor costo?

Marca A Hierro Vitamina B-1 Vitamina B-2 Costo por pldora (US$) 40 mg 10 mg 5 mg 0,06

Marca B 10 mg 15 mg 15 mg 0,08

Requerimientos mnimos 2400 mg 2100 mg 1500 mg

Solucin: Sea x el nmero de pldoras de la marca A e y el nmero de pldoras de la marca B por comprar. El costo C, medido en centavos, est dado por C = 6x+ 8y que representa la funcin objetivo por minimizar. La cantidad de hierro contenida en x pldoras de la marca A e y el nmero de pldoras de la marca B est dada por 40x+10y mg, y esto debe ser mayor o igual a 2400 mg. Esto se traduce en la desigualdad. 40x+10y>2400 Consideraciones similares con los requisitos mnimos de vitaminas B-1 y B-2 conducen a las desigualdades: 10x+15y>2100 5x+15y>1500 respectivamente. As el problema en este caso consiste en minimizar C=6x+8y sujeta a 40x+10y>2400 10x+15y>2100 5x+15y>1500 x>0, y>0 El conjunto factible S definido por el sistema de restricciones aparece en la figura. Los vrtices del conjunto factible S son A(0,240); B(30,120); C(120; 60) y D(300,0).

Los valores de la funcin objetivo C en estos vrtices en la tabla que sigue

Vertice A (0,240) B(30,120) C(120,60) D(300,0)

C=6x + 8y 1920 1140 1200 1800

La tabla muestra que el mnimo de la funcin objetivo C=6x+8y ocurre en el vrtice B(30,120) y tiene un valor de 1140. As el paciente debe adquirir 30 pldoras de la marca A y 120 de la marca B, con un costo mnimo de $11,40. El mtodo de las esquinas es de particular utilidad para resolver problemas de programacin lineal en dos variables con un nmero pequeo de restricciones, como han demostrado los ejemplos anteriores, sin embargo su efectividad decrece con rapidez cuando el nmero de variables o de restricciones aumenta. Por ejemplo, se puede mostrar que un ejemplo de programacin lineal en tres variables y cinco restricciones puede tener hasta diez esquinas factibles. La determinacin de las esquinas factibles requiere resolver 10 sistemas 3x3 de ecuaciones lineales y luego comprobar que cada uno es un punto factible, sustituyendo cada una de estas soluciones en el sistema de restricciones. Cuando el nmero de variables y de restricciones aumenta a cinco y diez, respectivamente (que an es un sistema pequeo desde el punto de vista de las aplicaciones en economa), la cantidad de vrtice por hallar y comprobar como esquinas factibles aumenta hasta 252, y cada uno de estos vrtices se encuentra resolviendo el sistema lineal... de 5x5! Por esta razn, el mtodo de las esquinas se utiliza con poca frecuencia para resolver problemas de programacin lineal, su valor reside en que permite tener una mejor idea acerca de la naturaleza de las soluciones a los problemas de programacin lineal a travs de su uso en la solucin de problemas de dos variables.

El mtodo grfico se emplea para resolver problemas que presentan slo 2 variables de decisin. El procedimiento consiste en trazar las ecuaciones de las restricciones en un eje de coordenadas X1, X2para tratar de identificar el rea de soluciones factibles (soluciones que cumplen con todas las restricciones).

La solucin ptima del problema se encuentra en uno de los vrtices de esta rea de soluciones creada, por lo que se buscar en estos datos el valor mnimo o mximo del problema. EJEMPLO 1: Una compaa de auditores se especializa en preparar liquidaciones y auditoras de empresas pequeas. Tienen inters en saber cuantas auditoras y liquidaciones pueden realizar mensualmente para maximizar sus ingresos. Se dispone de 800 horas de trabajo directo y 320 horas para revisin. Una auditora en promedio requiere de 40 horas de trabajo directo y 10 horas de revisin, adems aporta un ingreso de 300 dls. Una liquidacin de impuesto requiere de 8 horas de trabajo directo y de 5 horas de revisin, produce un ingreso de 100 dls. El mximo de liquidaciones mensuales disponibles es de 60. OBJETIVO : Maximizar el ingreso total. VARIABLE DE DECISION: Cantidad de auditoras (X1). Cantidad de liquidaciones (X2). RESTRICCIONES : Tiempo disponible de trabajo directo Tiempo disponible de revisin Nmero mximo de liquidaciones. Maximizar Sujeto a:

La solucin ptima siempre se encuentra en uno de los vrtices del conjunto de soluciones factibles. Se analizan estos valores en la funcin objetivo. El vrtice que representa el mejor valor de la funcin objetivo ser la solucin ptima.

EJEMPLO 2.

Un departamento de publicidad tiene que planear para el prximo mes una estrategia de publicidad para el lanzamiento de una lnea de T.V. a color tiene a consideracin 2 medios de difusin: La televisin y el peridico.

Los estudios de mercado han mostrado que:

1. La publicidad por T.V. Llega al 2 % de las familias de ingresos altos y al 3 % de las familias de ingresos medios por comercial.

2. La publicidad en el peridico llega al 3 % de las familias de ingresos altos y al 6 % de las familias de ingresos medios por anuncio.

La publicidad en peridico tiene un costo de 500 dls. por anuncio y la publicidad por T.V. tiene un costo de 2000 dls. por comercial. La meta es obtener al menos una presentacin como mnimo al 36 % de las familias de ingresos altos y al 60 % de las familias de ingresos medios minimizando los costos de publicidad.

OBJETIVO : Minimizar los costos de publicidad.

VARIABLE DE DECISION: Anuncios para las familias de ingreso alto (X1). Anuncios para las familias de ingreso medio (X2).

RESTRICCIONES : Porcentaje de presentacin.

Minimizar Sujeto a:

SOLUCION OPTIMA:

EJEMPLO 3.

Un expendio de carnes acostumbra preparar carne para hamburguesa con una combinacin de carne molida de res y carne molida de cerdo. La carne de res contiene 80 % de carne y 20 % de grasa y le cuesta a la tienda 80 centavos por libra. La carne de cerdo contiene 68 % de carne y 32 % de grasa y cuesta 60 centavos por libra. Qu cantidad de cada tipo de carne debe emplear la tienda por cada libra de carne para hamburguesa si desea minimizar el costo y mantener el contenido de grasa no mayor de 25 %?

Minimizar Sujeto a:

PROGRAMACIN LINEAL MTODO GRFICORestricciones: a. X 1 10b. X 2 10c. X 1 +X 2 16d. 6X 1 + 4X 2 48e. X 1 +X 2 20f. 2X 1 + 4X 2 16g. X 1 -X 2 0h. No negatividad: X 1 ,X 2 0

SOLUCION OPTIMA:

El mtodo grfico se emplea para resolver problemas que presentan slo 2 variables de decisin. El procedimiento consiste en trazar las ecuaciones de las restricciones en un eje de coordenadas X1, X2para tratar de identificar el rea de soluciones factibles (soluciones que cumplen con todas las restricciones). La solucin ptima del problema se encuentra en uno de los vrtices de esta rea de soluciones creada, por lo que se buscar en estos datos el valor mnimo o mximo del problema.

EJEMPLO 1:

Una compaa de auditores se especializa en preparar liquidaciones y auditoras de empresas pequeas. Tienen inters en saber cuantas auditoras y liquidaciones pueden realizar mensualmente para maximizar sus ingresos. Se dispone de 800 horas de trabajo directo y 320 horas para revisin. Una auditora en promedio requiere de 40 horas de trabajo directo y 10 horas de revisin, adems aporta un ingreso de 300 dls. Una liquidacin de impuesto requiere de 8 horas de trabajo directo y de 5 horas de revisin, produce un ingreso de 100 dls. El mximo de liquidaciones mensuales disponibles es de 60. OBJETIVO : Maximizar el ingreso total.

VARIABLE DE DECISION: Cantidad de auditoras (X1). Cantidad de liquidaciones (X2).

RESTRICCIONES : Tiempo disponible de trabajo directo Tiempo disponible de revisin Nmero mximo de liquidaciones.

Maximizar Sujeto a:

La solucin ptima siempre se encuentra en uno de los vrtices del conjunto de soluciones factibles. Se analizan estos valores en la funcin objetivo. El vrtice que representa el mejor valor de la funcin objetivo ser la solucin ptima.

EJEMPLO 2.

Un departamento de publicidad tiene que planear para el prximo mes una estrategia de publicidad para el lanzamiento de una lnea de T.V. a color tiene a consideracin 2 medios de difusin: La televisin y el peridico. Los estudios de mercado han mostrado que:

1. La publicidad por T.V. Llega al 2 % de las familias de ingresos altos y al 3 % de las familias de ingresos medios por comercial.

2. La publicidad en el peridico llega al 3 % de las familias de ingresos altos y al 6 % de las familias de ingresos medios por anuncio.

La publicidad en peridico tiene un costo de 500 dls. por anuncio y la publicidad por T.V. tiene un costo de 2000 dls. por comercial. La meta es obtener al menos una presentacin como mnimo al 36 % de las familias de ingresos altos y al 60 % de las familias de ingresos medios minimizando los costos de publicidad.

OBJETIVO : Minimizar los costos de publicidad.

VARIABLE DE DECISION: Anuncios para las familias de ingreso alto (X1). Anuncios para las familias de ingreso medio (X2).

RESTRICCIONES : Porcentaje de presentacin.

Minimizar Sujeto a:

SOLUCION OPTIMA:

EJEMPLO 3.

Un expendio de carnes acostumbra preparar carne para hamburguesa con una combinacin de carne molida de res y carne molida de cerdo. La carne de res contiene 80 % de carne y 20 % de grasa y le cuesta a la tienda 80 centavos por libra. La carne de cerdo contiene 68 % de carne y 32 % de grasa y cuesta 60 centavos por libra. Qu cantidad de cada tipo de carne debe emplear la tienda

por cada libra de carne para hamburguesa si desea minimizar el costo y mantener el contenido de grasa no mayor de 25 %?

Minimizar Sujeto a:

SOLUCION OPTIMA: