Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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)
Denición 2.1. Una variable controlable o de decisión es aquella que se puede medir y modicar
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.
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.
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 denidas.
Toda vez que se han denido 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.
• 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.
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 cuantican 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 ()
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
50 Unidad 2 ▪ Modelos de optimización
Las restricciones son las limitantes o condiciones que las variables de decisión
deben satisfacer para constituir una solución del modelo de programación lineal.
Max Z = 3000 x + 2000 y ()
Para plantear las limitantes o condiciones que las variables deben cumplir se
debe extraer información del planteamiento, primero identicado 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.
Matemáticas para negocios 51
Entonces, el número total de viajes que se puede vender debe ser menor o igual
a 6 viajes:
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:
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:
sujeto a
x + y ≤ 6 (1) Cantidad de viajes vendidos en un día.
3 x + 2 y ≤ 12 (2) Cantidad de cilindros disponibles para los viajes.
x , y ≥ 0 (3) Condición de no negatividad (CNN).
Donde la ecuación () es la función objetivo y las ecuaciones (1) a (3) son las
restricciones del modelo de programación lineal.
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.
Una línea recta es un objeto geométrico que ha sido denido por diversos autores
con características bien denidas, las cuales utilizaremos para dibujarlas.
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.
Gráca de rectas
Para gracar líneas rectas consideraremos que sólo necesitamos obtener dos
puntos de una misma recta; para obtener dichos puntos podemos utilizar dos
caminos:
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 ).
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 gracan 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. Gráca de una línea recta a partir de la unión de dos puntos conocidos.
Matemáticas para negocios 55
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) .
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 gracan sobre ejes coordenados y se unen
mediante una línea recta.
Figura 2.2. Gráca de una línea recta a partir de la unión de dos puntos conocidos.
56 Unidad 2 ▪ Modelos de optimización
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 gráca 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 grácas obtenidas sólo se muestran en el primer cuadrante. Ahora es el
turno de presentar la forma en que se gracan las desigualdades.
Gráca de desigualdades
Toda desigualdad de dos variables tiene asociada una línea recta, la cual se
obtiene gracando la restricción o desigualdad como una igualdad.
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:
Figura 2.3. Gráca de una línea recta a partir de la unión de dos puntos conocidos.
3(3) + 2(4) ≤ 6
9+8 ≤ 6
17 ≤ 6
Figura 2.4. Gráca de una desigualdad y el punto de prueba (3,4). La parte sombreada indica la región
solución de la desigualdad incluida la línea recta.
58 Unidad 2 ▪ Modelos de optimización
Figura. 2.5. Gráca de desigualdades del tipo L1: x ≤ 4 o L2: y ≥ 2 . Las echas indican la región solución
de cada desigualdad.
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.
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
La gráca de x1 ≤ 5 es:
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 ) .
La última acción para encontrar la región factible del modelo es empalmar las
tres grácas 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.
Matemáticas para negocios 61
A continuación se presentan los diferentes tipos de regiones factibles, así como los
casos especiales cuando no existe solución a un modelo de PL.
Figura 2.6. Región factible 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 indenidamente hacia la extrema derecha del plano cartesiano.
Matemáticas para negocios 63
Región no factible
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 gráca.
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 gracadas, 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.
Una vez que se ha obtenido la región factible –si ésta existe– de un problema, es
momento de localizar el punto óptimo en la gráca generada y para tal efecto es
necesario gracar la recta asociada a la función objetivo del modelo PL.
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.
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
Figura 2.9. Región factible acotada.
Para gracar 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
Figura 2.10. Gráca de la función objetivo sobre la región factible acotada.
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.
Con base en lo anterior, lo que debe hacerse es identicar 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.
Matemáticas para negocios 67
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.
Sujeto a
x + y ≤ 6 (1) Cantidad de viajes vendidos en un día.
3 x + 2 y ≤ 12 (2) Cantidad de cilindros disponibles para los viajes.
x , y ≥ 0 (3) Condición de no negatividad (CNN).
68 Unidad 2 ▪ Modelos de optimización
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 identicar 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.
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 modican los coecientes de la función objetivo
o las cantidades limitantes del modelo.
Figura 2.13. Rango de movimiento de la pendiente m de la función objetivo sin cambiar la solución.
Figura 2.14. Cambio de la pendiente m de la función objetivo que ocasiona se modique la solución.
Al comparar las Figuras 2.13. y 2.14. puede identicarse 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.
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)
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.
Ejemplo 14 Para realizar una inversión se puede seleccionar entre cinco instrumentos
diferentes clasicados 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:
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 especica la relación de los casos de
inversión y las desigualdades lineales, el modelo completo se obtendrá más adelante.
Ejemplo 15 Una distribuidora de cartuchos para impresora que da servicio a domicilio tiene
dos ocinas y tres clientes ubicados en diferentes puntos de la ciudad. Los costos
unitarios de transporte se muestran en la siguiente tabla:
Denición 2.4.1. Se entiende por negocio: cualquier ocupación, quehacer o trabajo que sea lucrativo
o de interés.
x + y ≤ 1125000 (1)
x ≥ 500000 (2)
y ≤ 750000 (3)
x=500000
y=750000
x + y =1125000
En la gráca se han identicado 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 gráca. 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)
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.
Matemáticas para negocios 77
Ejercicios
Con el n de practicar todos los pasos del método gráco, se han propuesto
los siguientes ejercicios, desde los pasos básicos del método para gracar
desigualdades hasta la completa aplicación del método e interpretación de los
resultados.
Región factible
1. Graca 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
78 Unidad 2 ▪ Modelos de optimización
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 gráco
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
Matemáticas para negocios 79
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?
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
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.
a) No hay solución.
b) La solución es óptima pero no factible.
c) La solución es factible pero no óptima.
d) Hay innidad 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.
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.
82 Unidad 2 ▪ Modelos de optimización
a)
b)
c)
d)
Matemáticas para negocios 83
Región factible
1. Graca la región factible asociada a cada uno de los siguientes modelos PL:
a)
c)
84 Unidad 2 ▪ Modelos de optimización
e)
Método gráco
De la gráca 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
Matemáticas para negocios 85
vender 100 autos estándar, ninguno de lujo, para tener una utilidad máxima
de $6,500,000.00
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.
El punto óptimo es el vértice B(22.5,7.5) con Z max = 2.55 , pero como la escala
de la gráca está en millones la interpretación es:
Respuestas a la autoevaluación
1. a)
2. c)
3. b)
4. d)
5. d)
6. d)
7. a)
8. b)
9. a)