Metido de Optimización

Matemáticas para negocios 45
2. Modelos de optimización
La investigación de operaciones utiliza una metodología sencilla para acercarse a

la solución de problemas que requieren de optimización. Tal metodología puede
expresarse como sigue:
Identicación del problema que requiere de la investigación de operaciones

•
y recopilación de información.
• Planteamiento del modelo matemático.
• Solución del problema matemático y ajustes al mismo.
• Implementación de la mejor solución.
Los puntos de la metodología pueden desarrollarse, también, respondiendo a

algunas de las siguientes preguntas: ¿la situación o problemática es un problema
operacional?, es decir, si se puede resolver con la investigación de operaciones;
¿qué valores deben determinarse?, por ejemplo nivel de producción, número de
horas-hombre por contratar, etc., ¿qué información se necesita para saber cómo
se relacionan los valores por determinar?, es decir, la obtención del modelo
matemático y ¿cómo puede resolverse el modelo obtenido para encontrar la mejor
solución? Las respuestas a estas preguntas pueden orientar hacia el seguimiento
de la metodología de la investigación de operaciones, y en este capítulo
estudiaremos principalmente la obtención de modelos matemáticos de problemas
operacionales.
Uno de los modelos más utilizado en la investigación de operaciones es el

Modelo de Programación Lineal (PL), el cual tiene la característica de que
todas las expresiones que lo componen son lineales. El modelo de programación
lineal cuenta con una función objetivo, la cual se pretende optimizar, y una
serie de expresiones matemáticas que representan las restricciones que deben
satisfacerse para que la solución obtenida sea óptima y factible. Es decir,
que la solución del modelo matemático sea la mejor posible y que pueda
46 Unidad 2 ▪ Modelos de optimización
implementarse en la realidad. El siguiente es un ejemplo de un modelo de

programación lineal:
Max Z = 5 x 0 + 12 x1 (A)

s. a
x 0 + 2 x1 ≤ 125 (1)

3 x 0 + x1 ≤ 65 (2)
CNN x 0 , x1 ≥ 0 (3)
La ecuación (A) es la función objetivo a maximizar en este caso, y las ecuaciones

(1), (2) y (3) representan el conjunto de restricciones a satisfacer, cabe mencionar
que la ecuación (3) se conoce como Condición de No Negatividad (CNN) y
que el modelo se lee como “la función objetivo Z sujeta a (s. a) el conjunto de
restricciones dado”.
2.1. Planteamiento del modelo
Un modelo es la representación abstracta de un proceso en particular o de la

realidad en general. Dependiendo de la complejidad y del n de lo que se desea
representar, se han desarrollado diferentes modelos como son los diagramas
de ujo, que indican el orden y secuencia de una serie de actividades; los
organigramas, que indican la jerarquía e interrelaciones de una organización;
o los modelos matemáticos, que son representaciones de problemas o casos
prácticos con números y signos matemáticos. Ejemplo de estos últimos son las
ecuaciones que representan la oferta y la demanda y la expresión matemática de
las utilidades o de los costos de producción de una empresa.
Para comenzar el modelado se utilizan modelos sencillos, y a partir de éstos se

construyen otros más complejos y con más información; concluyendo el modelado
hasta que el responsable del mismo considere que con éste se representa de manera
satisfactoria el problema de estudio; es decir, que se tiene un modelo con validez.
A continuación se presenta la forma en la que se construyen los modelos

matemáticos en la investigación de operaciones.
2.1.1. Datos y variables de decisión
La identicación de un problema, proceso o situación que puede optimizarse con

la investigación de operaciones se basa en reconocer si el problema de estudio
cuenta con variables controlables, que llamaremos variables de decisión.
Denición 2.1. Una variable controlable o de decisión es aquella que se puede medir y modicar
en su valor deliberadamente.
Ejemplo 1 Para invertir cierto capital C en tres instrumentos financieros T1, T2 y T3. Se
requiere determinar la cantidad a invertir en cada uno de los instrumentos de
modo que el rendimiento sea el mayor posible.
Los rendimientos que ofrecen los instrumentos T1, T2 y T3 son valores que no
pueden ser determinados por el inversionista, pero la cantidad de dinero a invertir
en cada uno de ellos (que podemos denotar como c1, c2 y c3 respectivamente)
si es una decisión de la persona que invierte, por lo tanto, c1, c2 y c3 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
variable de decisión “cantidad proveniente del capital C a invertir en el instrumento
T1”, donde se observa que el uso de la etiqueta c1 es más fácil de manejar en una
ecuación, que todo el signicado de la variable.
Las variables de decisión de un problema pueden obtenerse respondiendo algunas

de las preguntas:
• ¿Qué valores debo determinar para resolver el problema?

• ¿Qué valores puedo controlar para modicar los resultados del proceso?
• ¿Qué se desea cuanticar?
• ¿De cuáles variables se desea calcular su valor?
Analicemos el siguiente planteamiento para poder denir la variables de decisión

del problema.
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.
De manera similar al primer ejemplo de la sección, las variables de decisión

pueden obtenerse respondiendo a la pregunta ¿qué se desea cuanticar?, y la
respuesta está en el planteamiento mismo como “...la combinación óptima de viajes
necesaria para maximizar los ingresos...”, entonces se denen como variables de
decisión aquellas que indiquen la cantidad de viajes de cada tipo:
x := Cantidad de viajes de lujo que se requiere vender.

y := Cantidad de viajes económicos que se requiere vender.
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.
2.1.2. Función objetivo y las restricciones
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.
Identicación de la función objetivo
La función objetivo es una expresión matemática que representa una cantidad,

la cual tratamos de optimizar (maximizar o minimizar) como pueden ser los
ingresos, las utilidades o los costos en una empresa.
Como la investigación de operaciones es una herramienta que permite tomar

decisiones de tipo operativo, estas decisiones son tomadas con la premisa de
maximizar las utilidades o minimizar los costos de la organización, los cuales
dependen de los siguientes factores:
• 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.
La función objetivo se obtiene, primero, identicando si se trata de maximizar

ingresos o minimizar costos y, segundo, escribiendo la forma en la que los ingresos
o costos se cuantican.
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:


Max Z = 3000 x + 2000 y ()
Identicación de las restricciones
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
organización pueden clasicarse de manera general en limitantes físicas, políticas

de la organización y limitantes externas a la empresa. Ejemplos de limitantes son:
disponibilidad de recursos humanos, materiales, tecnológicos, y políticas como
las regulaciones ociales, y externos como la demanda de los clientes. El siguiente
esquema indica algunas limitantes de toda organización:
Las restricciones son las limitantes o condiciones que las variables de decisión
deben satisfacer para constituir una solución del modelo de programación lineal.
Para el ejemplo 2 de los viajes en globo, tenemos las variables de decisión y la

función objetivo, ecuación (), y como se ha indicado es necesario expresar las
restricciones en términos de las variables de decisión:


Max Z = 3000 x + 2000 y ()
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
indica claramente las limitantes de la política de ventas y la disponibilidad de los
recursos materiales, y segundo, identificando la forma en la que se relacionan las
variables de decisión con las limitantes.
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:
3 x + 2 y ≤ 12 (2) Cantidad de cilindros disponibles para los viajes.
Además de todas la restricciones del modelo, en todo modelo de programación

lineal se debe incluir la condición de no negatividad que indica que todas las
variables del modelo deben ser iguales o mayores a cero:
x , y ≥ 0 (3) Condición de no negatividad (CNN).
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.
Se observa que aunque la construcción de modelos obedece a un planteamiento

lógico de la información presentada, también es importante dejar claro que no
existe una metodología especíca y puntual para construir modelos, lo cual es
considerado por algunos autores como un arte, y que la misma construcción y
complejidad del modelo dependen totalmente del problema a resolver. Asimismo,
debe considerarse que los modelos matemáticos pueden tener n variables y m

restricciones, y que dependiendo del número de variables con que cuenta el
modelo se selecciona el método de solución adecuado.
2.2. Solución gráca
La solución de un modelo de programación lineal es el siguiente paso después

de obtener el modelo matemático de un problema. Para seleccionar el método de
solución se requiere considerar la cantidad de variables de decisión del modelo
matemático; cuando se tienen dos variables de decisión puede obtenerse la
solución de manera gráca; sin embargo, cuando se tienen más de dos variables
a gracar se torna complejo y por esta razón se han desarrollado otros métodos
que se estudiarán más adelante.
El método gráco para encontrar la solución de modelos de programación lineal

es el siguiente:
• Se requiere un modelo PL.

• Se gracan las restricciones como desigualdades y se indican cada una de
ellas.
• Se halla la región factible (región de posibles soluciones) y se señala en la
gráca.
• Se graca la función objetivo.
• Se desplaza la función objetivo hasta encontrar la solución óptima.
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.
Por otra parte realizaremos un análisis de sensibilidad, el cual consiste en estudiar

el comportamiento de la solución óptima de un modelo cuando los coecientes de
la función objetivo o las cantidades limitantes de las restricciones se modican.
Se debe tener presente que existen problemas cuya solución no existe o bien no es
única, lo cual se presenta continuamente en la realidad.
2.2.1. Gráca de rectas y desigualdades
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.
La ecuación general de una línea recta es de la forma Ax + By + C = 0, donde

A, B y C son números reales. Ésta es una ecuación de primer orden con dos
incógnitas que tiene un grado de libertad, esto quiere decir que podemos dar un
valor arbitrario a cualquiera de las incógnitas y después despejar el valor de la otra
variable, el cual queda determinado por el primer valor arbitrario que utilizamos.
Otra forma de expresar la ecuación de una recta es la forma ordinaria y = mx + b ;
donde m representa la pendiente de la recta y b la ordenada al origen.
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:
1. Partiendo de la ecuación general Ax + By + C = 0 se da un valor arbitrario

a una de las dos variables y se despeja o resuelve la ecuación para la otra
variable. Como se indica, puede sustituirse cualquier valor; sin embargo,
se recomienda sustituir el valor de cero para las dos variables (no al mismo
tiempo), ya que esto facilita los cálculos y la construcción de una gráca
más precisa y con esto se determinan los puntos de intersección de la recta
con los ejes coordenados.
Ejemplo 3 Obtener la gráca de la ecuación 2 x + 6 y − 6 = 0 .
Comenzamos por sustituir arbitrariamente el valor de x = 0 en la ecuación

general de la recta dada y resolver la expresión para y , con lo que se tiene:
2 (0 ) + y − 6 = 0

0+ y −6 = 0
y=6
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

resuelve la expresión para x , con lo que se tiene:
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.
2. Partiendo de la ecuación ordinaria y = mx + b , se da un valor arbitrario a una de

las dos variables y se despeja o resuelve la ecuación para la otra variable. Como
en la primera forma, en realidad se está realizando la misma operación; sin
embargo, el lector puede hacer uso de la que más fácil represente su manejo.
Ejemplo 4 Obtener la gráca de la ecuación y = − x + 1 .
Comenzamos por sustituir arbitrariamente el valor de x = 0 en la ecuación

ordinaria de la recta dada y se resuelve la expresión para y , con lo que se tiene:
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

resuelve la expresión para x , con lo que se tiene:
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.

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.
Ejemplo 5 Considera la desigualdad 3 x + 2 y ≤ 6 , y la línea recta asociada a ésta 3 x + 2 y = 6 .
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:
1. Gracar la igualdad asociada a la restricción. La línea recta obtenida divide

el plano cartesiano en dos regiones.
2. Para seleccionar la región que satisface la desigualdad, se toma un punto

cualquiera del plano cartesiano. Este punto se sustituye en la desigualdad.
3. Si la desigualdad se cumple, entonces la región donde tomamos el punto es

la región solución. Si no satisface la desigualdad, entonces la región solución
es la opuesta a donde tomamos el punto.
Ejemplo 6 Con la desigualdad 3 x + 2 y ≤ 6 sabemos que la línea recta asociada a la igualdad

es 3x + 2y = 6, de la cual obtenemos los puntos P1 = (0,3) y P2 = (2,0), con la
metodología mencionada en la sección de gráca de rectas, gracando estos dos
puntos sobre los ejes coordenados y uniendo los puntos con una línea recta como
se muestra en la Figura 2.3.

Para seleccionar la región que satisface la desigualdad, se toma el punto (3, 4 ) y

se sustituye en la desigualdad 3 x + 2 y ≤ 6 , lo cual queda como:
3(3) + 2(4) ≤ 6
9+8 ≤ 6
17 ≤ 6
Como no se cumple la desigualdad, quiere decir que el punto escogido para la

prueba no pertenece a la región solución de la desigualdad y, por lo tanto, debe
tomarse la región opuesta a donde pertenece el punto probado. Lo anterior se
esquematiza en la Figura 2.4.

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.
Es importante hacer notar la diferencia entre las desigualdades de la forma < y ≤

o > y ≥ , por ejemplo, si se tiene la desigualdad 5 x + 3 y > 0 la línea recta asociada
a la igualdad no es parte del conjunto solución de esta desigualdad. En general se
indica con los signos ≤ y ≥ para incluir la línea recta en la región solución y con
< o > para no incluirla.
Es común encontrar restricciones o desigualdades del tipo L1: x ≤ 4 o L2: y ≥ 2 ,

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.
2.2.2. Región factible
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.
En un solo sistema coordenado se graca el conjunto de restricciones (rectas

llamadas fronteras y regiones) cuya intersección será la región factible; es importante
señalar la región factible de cada modelo, por ejemplo, sombreando la región, con
una letra “R” o con el símbolo Ω, como algunos autores lo aconsejan.
Ejemplo 7 Encuentra la región factible asociada al modelo de programación lineal:

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
Las restricciones (1) y (2) son vertical y horizontal respectivamente, para la

restricción (3) se obtienen dos puntos y se gracan las tres desigualdades en un
mismo plano cartesiano. Sin embargo, para este ejemplo se gracan por separado
para al nal juntar las tres grácas.
La gráca de x1 ≤ 5 es:
La región solución está hacia la izquierda de la restricción 1, ya que se requiere

que los valores de x1 sean menores o iguales a cinco, se incluye la recta en la
región solución debido a la igualdad.
La gráca de x 2 ≤ 3 está dada por:
La región solución está hacia abajo de la recta representada por la restricción 2,

ya que se requiere que los valores de x 2 sean menores o iguales a tres, se incluye
la recta en la región solución debido a la igualdad.
Para la restricción 3, primero se obtienen dos puntos, como se presentó en la

3
sección de gráca de rectas con la ecuación x1 + x 2 ≤ 3 :
5
3
Si x1 = 0 , entonces (0 ) + x 2 = 3
5
0 + x2 = 3
x2 = 3

El primer punto es P1 = (0,3 ) .
3
Si x 2 = 0 , entonces x1 + (0 ) = 3
5
3
x1 + 0 = 3
5
5
x1 = 3  
3
x1 = 5

El primer punto es P2 = (5,0 ) .
Los puntos P1 = (0,3 ) y P2 = (5,0 ) se gracan en un plano cartesiano y se unen

con una línea recta, como se muestra a continuación:
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.

Observamos que la región donde se cumplen todas las restricciones en este

ejemplo es el polígono que se forma en la parte inferior izquierda de la gráca,
por lo tanto, la gráca de la región factible del modelo de programación lineal
es la siguiente:
La región factible del modelo de programación lineal es el polígono sombreado

de la gráca anterior. Cabe mencionar que, como en toda gráca, es necesario
indicar qué variable está en cada uno de los ejes de las abscisas y las ordenadas,
además de escribir la escala de la gráca, ya que en algún momento se realizan
lecturas de estos valores; por último, se observa que todas las restricciones
están etiquetadas para su fácil identicación y manejo en la gráca de la
región factible.
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.
Región factible acotada
La región factible es acotada si la región que se obtiene se encuentra dentro de un

polígono irregular que contiene todos los puntos solución del modelo, las líneas
del polígono también pertenecen a la región factible, ya que estamos trabajando
con desigualdades donde la igualdad se incluye. Cabe mencionar que en este tipo
de región factible es posible generar polígonos tanto regulares como irregulares.
Ejemplo 8 La región factible que a continuación se presenta es acotada.

Figura 2.6. Región factible acotada.
En la Figura 2.6. se observa cómo se forma un polígono irregular correspondiente

a la región factible de este ejemplo.
Región factible no acotada
La región factible es no acotada, cuando puede extenderse indenidamente hacia

algún extremo del plano cartesiano.
Ejemplo 9 La región factible que a continuación se presenta es no acotada.

Figura 2.7. Región factible no acotada.
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.
Región no factible
Otro resultado importante en el método gráco se reere a las regiones no

factibles, esto quiere decir que existen modelos PL que no tienen solución debido
a las condiciones y limitantes a las que están sujetos, es decir, el problema no
puede ser resuelto y, por lo tanto, no se puede obtener una región factible asociada
al modelo. Cuando un modelo tiene región no factible, quiere decir que no existe
una región factible para el modelo en estudio.
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.

Figura 2.8. Región no factible.
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.
La importancia de la región no factible radica en que este resultado nos lleva a

concluir que el modelo no tiene solución tal como está planteado; sin embargo,
al modicar el modelo o hacer más exible alguna de las restricciones, quizás el
modelo pueda tener solución. Más adelante se presenta un estudio que permite
identicar estos aspectos.
2.2.3. Punto óptimo
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.
Cuando se tiene la gráca de la función objetivo, la línea recta que se obtuvo se

desplaza de manera paralela a la recta original hasta alcanzar el último punto de
la región factible sin salirse de la misma, considerando lo siguiente:
i) Para maximizar se desplaza hacia la derecha y arriba de la región factible.

ii) Para minimizar se desplaza hacia la izquierda y debajo de la región factible.
Es importante recordar que los desplazamientos siempre se realizan de forma

paralela a la gráca de la recta de la función objetivo.
Una forma de realizar los desplazamientos abarca los siguientes pasos:
1. Alinear una escuadra sobre la función objetivo.

2. Apoyar el otro lado recto de la escuadra sobre una regla o escuadra.
3. Desplazar la primera escuadra hacia la izquierda o derecha, según
corresponda, de la región factible hasta el último punto de la misma.
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.
Ejemplo 11 Resolver el modelo:

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
Donde la región factible se muestra en la Figura 2.9.

Figura 2.9. Región factible acotada.
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 2.10. Gráca de la función objetivo sobre la región factible acotada.
Como el objetivo de este ejemplo es minimizar, tendremos que desplazar la

función objetivo de manera paralela hacia la izquierda de la región factible
hasta alcanzar el último punto de la misma con la función, como se muestra en

la Figura 2.11.

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
resultado de este modelo es de tipo didáctico; sin embargo, se resolverán modelos
con resultados diferentes.
Una forma analítica de encontrar el punto óptimo de un modelo PL de dos

variables proviene de aplicar un teorema (el cual no se demuestra en este texto)
que asegura que la solución óptima de un problema (al maximizar o minimizar
la función objetivo) se encuentra en uno de los vértices de la región factible.
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.
Existen algunos casos especiales en cuanto a las posibles soluciones de modelos

de programación lineal, por ejemplo, cuando la función objetivo es paralela a
una de las fronteras de la región factible se tiene una innidad de soluciones, ya
que toda la frontera contiene soluciones al modelo PL.
Para concluir con la solución gráca de modelos de programación lineal se

deben interpretar los resultados obtenidos para la implantación de la solución.
Para mostrar todo el proceso relacionado con el método gráco, retomaremos el
ejemplo 2 y su desarrollo completo.
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.
Se denen las variables de decisión:

Se establece el modelo PL:
Max Z = 3000 x + 2000 y ()
Sujeto a
La región factible asociada a este modelo con la función objetivo desplazada

hacia la derecha de la región se ve como:
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
solución puede ser cualquiera de las tres presentadas.
2.2.4. Análisis gráco de sensibilidad
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.
Cambio en los coecientes de la función objetivo
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 mRi ≤ m ≤ mR j ; siendo mRi y mR j las pendientes de
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
pendiente de la función objetivo puede tener sin modicar la solución del problema.

Figura 2.13. Rango de movimiento de la pendiente m de la función objetivo sin cambiar la solución.
En la Figura 2.13. se observa que si la pendiente de la función objetivo cambia

más que la diferencia mR2 − mR1 , se tendrá una solución diferente como se ve en
la Figura 2.14. para el mismo ejemplo.

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.
Por lo anterior se concluye que la solución de un modelo de PL puede modicarse

si los cambios realizados en los coecientes de la función objetivo afectan el valor
de la pendiente de la recta asociada a esta función, de tal forma que se modique
el valor de la pendiente a otro valor diferente y que este cambio sobrepase el rango
que las pendientes del vértice solución le permiten.
Cambio en las cantidades limitantes
Cuando cambia alguna de las cantidades limitantes, la región factible cambia

su tamaño, por lo que el vértice solución puede cambiar. Al realizar el análisis
debemos cuidar que el cambio que se haga no provoque una región no factible.
Para mostrar el efecto de un cambio en las cantidades limitantes del modelo se

presenta el siguiente ejemplo.
Ejemplo 13 Sea el modelo:

Max Z = 75 x + 45 y ()
Sujeto a

6 x + 4 y ≤ 24 (1)

3 x + 4 y ≤ 18 (2)
CNN x, y ≥ 0 (3)
La región factible asociada a este modelo es:
Entonces, si se aplica un cambio en una de las restricciones, por ejemplo el cambio

de 6 x + 4 y ≤ 24 a 6 x + 4 y ≤ 30
Se genera un aumento en la región factible y, como cambian los vértices, también

se modica la región, lo cual se indica con la parte sombreada de la gura cuya
frontera es la restricción R2′ . De manera general se puede decir que pequeños
incrementos en las cantidades limitantes de las restricciones generan pequeños
aumentos en la región factible y viceversa con los decrementos.
2.3. Desigualdades lineales: Casos de inversión y

distribución
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.
El problema de un caso de inversión puede ser la selección óptima de los

instrumentos nancieros que conforman un portafolio de inversiones donde
las restricciones quizás estén asociadas al riesgo de cada instrumento, a la
tasa de rendimientos o al plazo de que cada uno maneje. Otro problema útil
en los negocios puede ser la selección de diferentes fuentes de nanciamiento,
ya que generalmente los negocios requieren buscar recursos de varias fuentes y
por esta razón la toma de decisiones debe apoyarse en información cuantitativa
proveniente de la solución de modelos matemáticos. Las variables de decisión
serían la cantidad de unidades que deben ser nanciadas por cada opción de
nanciación y la nalidad es maximizar los ingresos o minimizar los pagos
del nanciamiento.
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:
Instrumento Nivel de riesgo Costo unitario Rendimiento

A 1 2 5%
B 2 7 8%
C 2 3 6%
D 3 10 12%
E 3 14 15%
La empresa tiene una política de no manejar riesgos combinados de más

de siete unidades, es decir, que la suma del nivel de riesgo de todos los
tipos de instrumentos adquiridos sea mayor a este riesgo combinado. Además,
consideran que el capital máximo disponible es de $126,472.00.
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.
Otro problema útil y práctico es el relacionado con la distribución de productos, ya

que toda actividad comercial está relacionada con el transporte de materia prima,
insumos de ocina, distribución de productos, transporte de desechos de procesos
e incluso transporte de personal. En este caso, las variables de decisión serían la
cantidad de productos a distribuir de cada origen a cada uno de los diferentes destinos,
con el propósito de minimizar los costos de transporte de toda la operación.
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:
Cliente 1 Cliente 2 Cliente 3

Ocina 1 4 3 8
Ocina 2 2 5 5
En cada ocina tienen 10 y 20 cartuchos de impresora respectivamente y cada

cliente requiere al menos 7 cartuchos. Con esta información se desea conocer la
combinación óptima de envíos para tener un costo de distribución mínimo.
Para este planteamiento se observa que las desigualdades asociadas a las

restricciones del modelo pueden plantearse como 21 ≤ “número de cartuchos
enviados” ≤ 30, que en realidad son dos desigualdades.
En general, los problemas de inversión y distribución se relacionan con las

desigualdades de manera tal que se generan las restricciones de un modelo, es
decir, cada una de las condiciones que un problema debe cumplir.
De manera práctica, los modelos que representan casos de inversión y distribución

cuentan con más de dos variables, por lo que más adelante se resuelven ejemplos
de este tipo de problemas.
2.4. Aplicaciones de la optimización en la toma de

decisiones en los negocios
En esta sección se muestra cómo la optimización puede aportar información

válida y conable para sustentar una toma de decisión; es importante remarcar
que, a n de cuentas, el gerente o administrador es quien tomará la decisión; sin
embargo, si se fundamenta esta decisión en resultados cuantitativos se estará en
posición de generar mejores resultados en un negocio.
Al manejar el término negocio podríamos pensar en diferentes deniciones, y para

evitar confusiones se presenta la siguiente denición:
Denición 2.4.1. Se entiende por negocio: cualquier ocupación, quehacer o trabajo que sea lucrativo
o de interés.
De acuerdo con lo anterior: cualquier planteamiento referido a alguna actividad

de producción, transformación, distribución o en general que se apegue a la
denición de negocio se considera como tal; dentro de estas actividades también
se tienen negocios particularmente especícos, como los casos de inversión y
distribución.
Ejemplo 16 Se cuenta con un capital de $1,125,000.00 disponible para invertir en bienes

raíces y en instrumentos de inversión. El rendimiento de los bienes raíces es de
4% mientras que para los instrumentos de inversión es de 12%. La institución
que manejará la inversión requiere que para invertir en bienes raíces se tenga un
importe mínimo de $500,000.00 y para los instrumentos de inversión un importe
máximo de $750,000.00, debido a las reglas de sociedades de inversión.
Como responsable de tomar la decisión en este negocio, tienes que indicar la

combinación óptima de cantidad a invertir en los bienes raíces y en los instrumentos
de inversión para maximizar las utilidades por concepto de rendimientos de
inversión.
Para resolver este caso de inversión utilizaremos el método gráco.

Se denen las variables de decisión como:
x = Cantidad a invertir en bienes raíces.

y = Cantidad a invertir en instrumentos de inversión.
Por lo tanto, el modelo de programación lineal asociado al caso de inversión es:
Max Z = 0.04 x + 0.12 y () Función de la utilidad de los rendimientos.

Sujeto a
x + y ≤ 1125000 (1) Restricción del capital disponible.
x ≥ 500000 (2) Restricción del importe mínimo de inversión
en bienes raíces.
y ≤ 750000 (3) Restricción del importe máximo de inversión
en instrumentos.
CNN x , y ≥ 0 (4)
Es importante notar que en la función objetivo se utilizaron los valores en

decimales correspondientes a los porcentajes dados como rendimientos. Como
regla general no se utilizan porcentajes en ninguna ecuación.
La región factible del modelo matemático del caso de inversión se obtiene

gracando las restricciones del modelo.
Los puntos para gracar la restricciones son:
x + y ≤ 1125000 (1)
Si x = 0 , entonces 0 + y ≤ 1125000 ; y = 1125000 , lo cual genera el punto

(0,1125000 ) .
Si y = 0 , entonces x + 0 ≤ 1125000 ; x = 1125000 , lo cual genera el punto
(1125000,0 ) .
x ≥ 500000 (2)
Esta ecuación representa una recta vertical en x = 500000.
y ≤ 750000 (3)
Esta ecuación representa una recta horizontal en y = 750000.

Entonces, la gráca de la región factible (R) es:
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)
Para resolver este sistema, únicamente se sustituye el valor de x en la ecuación (2)

y se obtiene el valor de y, con estos dos valores se generan las coordenadas del
vértice B (500000, 625000).
En este ejemplo evaluaremos los vértices de la región factible en la función

objetivo, para posteriormente elegir el punto que genere el valor máximo en la
función objetivo como solución al problema.
Los vértices de la región factible y su evolución en la función objetivo pueden

expresarse como sigue:
A (500000, 0); evaluado en Z (500000,0) = 0.04(500000) + .12 (0 ) = 20000
B (500000, 625000); evaluado en Z (500000,625000) = 0.04(500000) + .12 (625000 ) = 95000
C (1125000,0); evaluado en Z (1125000,0) = 0.04(1125000) + .12 (0 ) = 45000

Con el vértice B se obtiene el mayor valor de la función objetivo Z, por lo que se

indica, en la región factible, este vértice como el punto óptimo del problema.
La conclusión de este problema consiste en interpretar la solución obtenida y ésta

puede ser de la forma:
“Se debe invertir $500,000.00 en bienes raíces y $625,000.00 en instrumentos

de inversión, para obtener una utilidad máxima por concepto de rendimientos de
$95,000.00.”
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.
Ejercicios
Con el n de practicar todos los pasos del método gráco, se han propuesto
los siguientes ejercicios, desde los pasos básicos del método para gracar
desigualdades hasta la completa aplicación del método e interpretación de los
resultados.
Gráca de rectas y desigualdades
1. Obtén la gráca de las siguientes rectas:
a) La recta que pasa por los puntos (3,4) y (2,1).

b) La recta que pasa por los puntos (0,5) y (7,0).
c) ¿Cuál es la gráca de la ecuación 6 x1 − 10 x 2 = 12 ?
d) En el primer cuadrante del plano cartesiano graca la recta 2 x1 + 6 x 2 = 18 .
e) ¿Cuál es la gráca de 3 x + 10 y > 30 ?
f) En el cuadrante I del plano cartesiano graca la desigualdad 21x + 7 y ≤ 21 .
Región factible
1. Graca la región factible asociada a cada uno de los siguientes modelos PL:
a) Max Z = 5 x + 3 y
Sujeto a
2 y ≤ 18
2 x + 3 y ≤ 12
x, y ≥ 0
b) Max Z = 5 x + 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
3 x + 4 y ≤ 16
x2 ≥ 1

x, y ≥ 0
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
1. Resuelve los siguientes modelos PL con el método gráco.
a) Max Z = 5 x + 3 y
Sujeto a
2 y ≤ 10
2 x + 3 y ≤ 18
x, y ≥ 0
b) Max Z = 5 x + 3 y
Sujeto a
2y ≥ 4
2 x + 2 y ≤ 24
5 x + y ≤ 100
x, y ≥ 0
c) Max Z = 8 x + 5 y
Sujeto a
2x + 5y ≥ 6
4 x + 3 y ≤ 16
x2 ≤ 3

x, y ≥ 0
d) Min Z = 15 x1 + 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?
3. Se desea vender dos clases de acciones de una empresa de manera telefónica

y con apoyo de computadoras. Las acciones son de dos tipos, A y B; cada
acción tipo A producirá una ganancia de $8.00, mientras que una de tipo B
generará una ganancia de $3.00. Para vender una acción tipo A se necesitan
2 minutos por teléfono y 1 minuto en la computadora. La acción tipo B
requiere un minuto en el teléfono y 3 minutos en la computadora. Hay dos
horas disponibles en el teléfono y cuatro horas de computadora. Suponiendo
que todas las llamadas que se realizan concluyen con una venta y que a lo
más se pueden vender 150 acciones tipo B, determine la combinación óptima
de acciones vendidas que maximicen la utilidad.
4. Una agencia nanciera maneja $30 millones para nanciamiento de

pequeñas y medianas empresas. Conocen que la tasa anual de recuperación
para las pequeñas empresas es de 8% y de 10% para las medianas. El comité
técnico dictaminó que la cantidad total de nanciamiento a las medianas
empresas debe ser al menos de tres veces la cantidad total de nanciamientos
de pequeñas empresas. ¿Cuál es el modelo de programación lineal que indica
la cantidad invertida en cada tipo de nanciamiento que la agencia debe
realizar para obtener el máximo monto de recuperación?
5. Resuelve con el método gráco el siguiente modelo:
Z min = 12 x1 + 27 x 2 ()

Sujeto a:
x1 + x 2 ≥ 30 (1)

x1 + x 2 ≤ 20 (2)

x1 , x 2 ≥ 0 CNN

Autoevaluación
1. Es un modelo de uso común en la investigación de operación:
a) Modelo de programación lineal.

b) Modelo a escala.
c) Modelo representativo.
d) Modelo cuadrático.
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.
3. ¿Cuál es la solución de una desigualdad lineal?
a) Un punto fuera del plano cartesiano.

b) Una región del plano cartesiano.
c) Los puntos de una línea recta.
d) El origen.
4. Es la zona donde se satisfacen todas las restricciones de un modelo PL.
a) Región solución de una desigualdad.

b) Zona de convergencia.
c) Zona no factible.
d) Región factible.
5. Si la región factible de un problema de maximización es no acotada:
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.
7. El punto óptimo de un modelo de programación lineal de minimización es

aquel que:
a) Evaluado en la función objetivo genera el valor mínimo posible.

b) Evaluado en todas las restricciones es mínimo.
c) Evaluado en la función objetivo genera el valor máximo posible.
d) Evaluado en la condición de no negatividad es mínimo.
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.
Respuestas a los ejercicios
Gráca de rectas y desigualdades
1. Obtén la gráca de las siguientes rectas:
a)
b)
c)
d)
e) La región sombreada es la región solución y no incluye la recta, ya que es

una desigualdad estrictamente mayor que (>).

f) La región sombreada es la región solución y sí incluye la recta, ya que es

una desigualdad ( ≤ ).
Región factible
1. Graca la región factible asociada a cada uno de los siguientes modelos PL:
a)
b) Es una región factible no acotada.
c)
d) Es una región factible no acotada que se extiende indenidamente hacia

la derecha del plano.

e)
Método gráco
1. Resuelve los siguientes modelos PL con el método gráco.
a) El punto óptimo es (9,0) con Zmax = 45.

b) El punto óptimo es B (10,2 ) con Zmax = 56 .
c) El punto óptimo es D (4,0 ) con Zmax = 32 .
d) El punto óptimo es (0,2 ) con Zmin = 24.
e) El punto óptimo es B (3,3 ) con Zmin = 48.
2. x := Cantidad de autos de lujo a armar y vender.

y := Cantidad de autos estándar a armar y vender.
Z max = 100000 x + 65000 y ()

Sujeto a:
20 x + 10 y ≤ 1000 (1) Restricción de las horas disponibles para armado.
2 x + y ≤ 400 (2) Restricción de las horas disponibles para
equipamiento.
y ≤ 100 (3) Restricción de la demanda máxima de
autos tipo estándar.
x , y ≥ 0 CNN.

De la gráca de la región factible se obtiene que el punto óptimo es el vértice
B(0,100) con Z max = 6500000, lo cual quiere decir que se deben armar y
vender 100 autos estándar, ninguno de lujo, para tener una utilidad máxima
de $6,500,000.00
3. x := Cantidad de acciones tipo A para vender.

y := Cantidad de acciones tipo B para vender.
Z max = 8 x + 3 y ()

Sujeto a:
2 x + y ≤ 120 (1) Restricción de las horas disponibles para
hablar por teléfono.
x + 3 y ≤ 240 (2) Restricción de las horas disponibles de cómputo.
y ≤ 150 (3) Restricción de la venta máxima de acciones
tipo B.
x , y ≥ 0 CNN.
De la gráca de la región factible se obtiene que el punto óptimo es el vértice

D(80,0) con Z max = 640 , lo cual quiere decir que se deben vender 80 acciones
tipo A y ninguna acción tipo B, al menos para las condiciones que se tienen.
4. x1 := Cantidad invertida en pequeñas empresas.

x 2 := Cantidad invertida en medianas empresas.
Z max = 0.08 x1 + 0.1x 2 ()

Sujeto a:
x1 + x 2 ≤ 30 000 000 (1) Restricción del capital para financiamiento.
x 2 ≥ 3 x1 (2) Restricción propuesta por el comité técnico.
x1 , x 2 ≥ 0 CNN.

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:
“Se deben invertir $22,500,000.00 en medianas empresas y $7,500,000.00 en

pequeñas empresas para obtener un monto máximo de recuperación de $2,550,000.00.”
5. Como no existe una región factible para el modelo, entonces el problema no

tiene solución.
Respuestas a la autoevaluación
1. a)
2. c)
3. b)
4. d)
5. d)
6. d)
7. a)
8. b)
9. a)

Metido de Optimización

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Metido de Optimización

Cargado por

Copyright:

Formatos disponibles

Matemáticas para negocios 45

2. Modelos de optimización

La investigación de operaciones utiliza una metodología sencilla para acercarse a

Identicación del problema que requiere de la investigación de operaciones

Los puntos de la metodología pueden desarrollarse, también, respondiendo a

Uno de los modelos más utilizado en la investigación de operaciones es el

implementarse en la realidad. El siguiente es un ejemplo de un modelo de

La ecuación (A) es la función objetivo a maximizar en este caso, y las ecuaciones

2.1. Planteamiento del modelo

Un modelo es la representación abstracta de un proceso en particular o de la

Para comenzar el modelado se utilizan modelos sencillos, y a partir de éstos se

A continuación se presenta la forma en la que se construyen los modelos

2.1.1. Datos y variables de decisión

La identicación de un problema, proceso o situación que puede optimizarse con

Las variables de decisión se identican con literales o etiquetas que faciliten su

Las variables de decisión de un problema pueden obtenerse respondiendo algunas

• ¿Qué valores debo determinar para resolver el problema?

Analicemos el siguiente planteamiento para poder denir la variables de decisión

De manera similar al primer ejemplo de la sección, las variables de decisión

x := Cantidad de viajes de lujo que se requiere vender.

2.1.2. Función objetivo y las restricciones

Identicación de la función objetivo

La función objetivo es una expresión matemática que representa una cantidad,

Como la investigación de operaciones es una herramienta que permite tomar

La función objetivo se obtiene, primero, identicando si se trata de maximizar

x := Cantidad de viajes de lujo que se requiere vender.

Identicación de las restricciones

organización pueden clasicarse de manera general en limitantes físicas, políticas

Para el ejemplo 2 de los viajes en globo, tenemos las variables de decisión y la

x := Cantidad de viajes de lujo que se requiere vender.

x + y ≤ 6 (1) Cantidad de viajes vendidos en un día.

3 x + 2 y ≤ 12 (2) Cantidad de cilindros disponibles para los viajes.

Además de todas la restricciones del modelo, en todo modelo de programación

x , y ≥ 0 (3) Condición de no negatividad (CNN).

Max Z = 3000 x + 2000 y ()

Se observa que aunque la construcción de modelos obedece a un planteamiento

debe considerarse que los modelos matemáticos pueden tener n variables y m

2.2. Solución gráca

La solución de un modelo de programación lineal es el siguiente paso después

El método gráco para encontrar la solución de modelos de programación lineal

• Se requiere un modelo PL.

Por otra parte realizaremos un análisis de sensibilidad, el cual consiste en estudiar

2.2.1. Gráca de rectas y desigualdades

Para utilizar el método gráco se requiere gracar rectas y desigualdades asociadas

La ecuación general de una línea recta es de la forma Ax + By + C = 0, donde

1. Partiendo de la ecuación general Ax + By + C = 0 se da un valor arbitrario

Ejemplo 3 Obtener la gráca de la ecuación 2 x + 6 y − 6 = 0 .

Comenzamos por sustituir arbitrariamente el valor de x = 0 en la ecuación

Ahora sustituimos el valor de y = 0 en la ecuación general de la recta dada y se

2. Partiendo de la ecuación ordinaria y = mx + b , se da un valor arbitrario a una de

Ejemplo 4 Obtener la gráca de la ecuación y = − x + 1 .

Comenzamos por sustituir arbitrariamente el valor de x = 0 en la ecuación

Ahora sustituimos el valor de y = 0 en la ecuación ordinaria de la recta dada y se

Ejemplo 5 Considera la desigualdad 3 x + 2 y ≤ 6 , y la línea recta asociada a ésta 3 x + 2 y = 6 .

1. Gracar la igualdad asociada a la restricción. La línea recta obtenida divide

2. Para seleccionar la región que satisface la desigualdad, se toma un punto

3. Si la desigualdad se cumple, entonces la región donde tomamos el punto es

Ejemplo 6 Con la desigualdad 3 x + 2 y ≤ 6 sabemos que la línea recta asociada a la igualdad

Para seleccionar la región que satisface la desigualdad, se toma el punto (3, 4 ) y

Como no se cumple la desigualdad, quiere decir que el punto escogido para la

Es importante hacer notar la diferencia entre las desigualdades de la forma < y ≤

Es común encontrar restricciones o desigualdades del tipo L1: x ≤ 4 o L2: y ≥ 2 ,

2.2.2. Región factible