Optimización

Profesor: Enrique Faijo B.

Magister en Optimización
Pontificia Universidad Católica de Chile
Email: wfaijo@puc.cl
 Agenda

• Presentación profesor
• Presentación asignatura
• Presentación de Reglas de Juego
• Consultas, dudas de alumnos, etc.
• Inicio de clases
Estoy realmente pensando en la
Solución a mis problemas?
Historia…

• La primera actividad de Investigación de Operaciones se dio

durante la Segunda Guerra Mundial en Gran Bretaña, para
estudiar los problemas tácticos y estratégicos de la defensa del
país.
• El nombre de Investigación de Operaciones fue porque el
equipo estaba llevando a cabo la actividad de “investigar
operaciones” (militares).
• EE.UU, motivados por los resultados alentadores obtenidos,
comenzaron a realizar investigaciones similares, incluyendo
problemas logísticos complejos, la planeación de minas en el
mar y la utilización efectiva del equipo electrónico.
 Historia….. (cont.)

• La primera técnica matemática fue el Método Símplex de

Programación Lineal, desarrollado en 1947 por el matemático
norteamericano George B. Dantzig.
• El computador digital fue un factor en el progreso impresionante
de la Investigación de Operaciones , que con sus tremendas
capacidades, permitieron al tomador de decisiones rapidez y
precisión.
Simplicidad versus Exactitud en Modelos Matemáticos

Simplicidad Exactitud

Equilibrio del Modelo

 ¿Qué es un modelo?

• Una ciencia o teoría es un conjunto de modelos relacionados

y coherentes.
• Un modelo es una descripción simplificada de un fenómeno,
en donde las leyes que relacionan los datos observados están
especificadas formalmente.

Fenómeno Datos Conceptos Decisiones

Complejo Modelo Persona
En que casos usar un Modelo Matemático:
1.- Entender el comportamiento de la conducta del sistema.
2.- Predecir el comportamiento del sistema actual en una variedad
de circunstancias.
3.- Como sustituto de experimentación
4.- Identificación del sistema.
 Elementos de un Modelo Matemático
3.Restricciones (cont.)
Las restricciones más comunes son de cinco tipos:
• Restricción de capacidad: limitan el valor de las variables debido a las
disponibilidad de horas-hombre, horas-máquina, espacio, etc.
•Restricción de mercado: Surgen de los valores máximos y mínimos en las
ventas o el uso del producto o actividad a realizar.
•Restricción de entradas: Son limitantes debido a la escasez de materias
primas, mano de obra, dinero, etc.
• Restricción de calidad: Son las restricciones que limitan las mezclas de
ingredientes, definiendo usualmente la calidad de los artículos a manufacturar.
•Restricciones de balance de material: Estas son las restricciones que definen
las salidas de un proceso en función de las entradas, tomando en cuenta
generalmente cierto porcentaje de merma o desperdicio.
 Pasos Básicos en Modelación y Análisis
Objetivos, incluye
nivel de
sofisticación
requerida Identificar cantidades a ser
usadas que describen el
comportamiento

Solución del ¿Se necesita

Modelo modelo información
Sistema o rediseño
Fenómeno a Matemático matemático:
idealizado del modelo?
estudiar
Analítico y
Numérico

Aplicación de leyes
apropiadas

Observaciones o Comparar: El modelo necesita

resultados revisión?
experimentales
Recomendaciones para el Modelador:
1.No debe elaborarse un modelo complicado cuando uno simple es
suficiente.
2. El problema no debe ajustarse al modelo o método de solución.
3. La fase deductiva de la modelación debe realizarse rigurosamente.
4. Nunca debe pensarse que el modelo es exactamente el sistema real.
5. Los modelos deben validarse antes de su implementación.
6. No venda un modelo como la perfección máxima.
7. Uno de los primeros beneficios de la modelación reside en el
desarrollo del modelo.
8. Un modelo es tan bueno o tan malo como la información con la que
trabaja.
9. Los modelos no pueden reemplazar al tomador de decisiones, sólo
lo auxilian.
 Revistas
Ingeniería de Sistemas
(http://www.dii.uchile.cl/revistas/frame_ris.html)
 Revistas
European Journal of Operational Research
(http://www.elsevier.nl/homepage/sae/orms/eor/menu.htm)
 Revistas
ORMS Today ( http://lionhrtpub.com/ORMS.shtml )
 Revistas
Aplicaciones (localización óptima de recursos).
David L. Martell, Al Tithecott y Paul C. Ward

Abril 1999
 Revistas
Aplicaciones (gestión del uso del suelo y de reservas
naturales)
John Hearne

Abril 1999
 Revistas
Aplicaciones (planificación de la producción y
distribución). Elise del Rosario

Abril 1999
 Revistas
International Transactions in Operational Research

(http://www.blackwellpublishers.co.uk/asp/journal.asp?ref=096
9-6016)
 Revistas
IIE Transactions
(http://www.kluweronline.com/issn/0740-817X)
 Revistas
INTERFACES ( http://silmaril.smeal.psu.edu/interfaces/ )
 Revistas

Aplicaciones (value chain management)

The Sense-and-Respond Enterprise. IBM researchers develop
integrated SAR system of global value chain optimization
Grace Lin, Steve Buckley, Heng Cao, Nathan Caswell, Markus
Ettl, Shubir Kapoor, Lisa Koenig, Kaan Katircioglu, Anil
Nigam, Bala Ramachandran and Ko-Yang Wang
Abril 2002
 Revistas

Aplicaciones (redes de telecomunicaciones)

Optimizing Internet Networks. France Telecom:
Changing the rules to accommodate demanding new
traffic streams. Eric Gourdin

Abril 2001
 Revistas

Aplicaciones (redes de telecomunicaciones)

Canadian Telecom Makes the Right Call
Jean-Marie Bourjolly, Leslie Déjoie, Ke Ding, Oumar
Dioume and Michel Lominy

Abril 2002
 Revistas

Aplicaciones (planificación aviación comercial)

Air Canada Reaches 'Altitude’. Preferential Bidding
System helps carrier integrate 1,400 pilots following
acquisition of Canadian Airlines. Jacques Desrosiers

Abril 2001
 Revistas
Aplicaciones (problemas en redes de transporte)
Michael Florian

Abril 1999
 Revistas

Aplicaciones (tratamientos en salud)

Translating OR into Success. German institute
tackles a variety of problems, including life-saving
cancer radiation project. Horst W. Hamacher

Abril 2001
 Revistas

Aplicaciones (planificación sector eléctrico)

Power Play Goals. New trends and operations
research opportunities in the electricity open
market. Laureano F. Escudero y Mario Pereira

Abril 2000
 Revistas

Aplicaciones (planificación en aviación comercial)

Optimization Earns Its Wings. The development of
crew scheduling systems for Air New Zealand.
David M. Ryan

Abril 2000
 Revistas
Aplicaciones (gestión medioambiental)
Susana Mondschein y Sara Pimentel

Abril 1999
 Aplicaciones de Modelamiento

Aplicaciones de Métodos Cuantitativos en el Área de Producción

Compañía Proyecto Utilidad
IBM Manejo de la cadena de Ahorro de US$ 750 millones en
abastecimiento 1998
Visteon ’s Sterling (partes de Programación de la Aumento de la productividad de
automóvil) producción un 30%, ahorro anual de US$ 15
millones
Cerestar (alimentos) Control robusto de proceso Aumento de la productividad de
un 20%, ahorro anual de US$ 11
millones
Hewlett-Packard Diseño de una planta de Aumento de la productividad de
producción de impresoras un 50%, aumento de ventas
anuales de US$ 280 millones
Pacific Gas and Electric Programa de producción Ahorro anual de US$2.000
(PG&E) termo o hidroeléctrica millones
 Aplicaciones de Modelamiento

Aplicaciones de Métodos Cuantitativos en el Área de Recursos Humanos

Compañía Proyecto Utilidad
British Telecommunications Programación dinámica de la Ahorro de US$ 150 millones en
fuerza de trabajo 1998
distribución y transporte Planificación de la fuerza de Ahorro de US$ 53 millones en
trabajo 1997

Aplicaciones de Métodos Cuantitativos en Áreas de Distribución y Transporte

Compañía Proyecto Utilidad
Celulosa Arauco Transporte, localización de Ahorro anual de US$ 20
plantas, planes de tala millones
Sears, Roebuck and Company Coordinación de la Ahorro anual de US$ 42
distribución usando GPS millones
Societe´ Nationale des Chemins Planificación de itinerarios y Ahorro anual de 110 millones de
de Fer Francais capacidad de trenes francos
 Aplicaciones de Modelamiento

Aplicaciones de Métodos Cuantitativos en el Área Financiera

Compañía Proyecto Utilidad
Towers Perrin-Tillinghast Optimización de cartera de El cliente US WEST ahorró US$
inversión 450 millones
Grantham, Mayo, Van Otterloo Optimización de cartera de Reducción en un 70% de las
inversión transacciones, ahorro anual de
US$ 4 millones
 Contribuciones de Premios Nobel de Economía a la Programación Lineal1
Publicación Año Autor Nobel
Principles of linear programming with particular reference to the 1954 Ragnar Frisch 1969
double gradient form of the logarithmic potential network
Linear Programming and Economic Analysis (Dorfman, 1958 Paul 1970
Samuelson, Solow) Samuelson
Studies in Linear and Nonlinear Programming (Arrow, Hurwicz, 1958 Kenneth 1972
Uzawa) Arrow
The Structure of the American Economy, 1919-1939 1951 Wassily 1973
Leontiev
Mathematical Methods for Organizing and Planning Production 1939 Leonid 1975
Kantorovich
Activity Analysis of Production and Allocation 1951 Tjalling 1975
Koopmans
Derivation of linear decision rule for production and employment 1956 Herbert Simon 1978
(Holt, Modigliani, Muth, Simon)
The cost of subsistence 1945 George Stigler 1982
Derivation of a linear decision rule for production and 1956 Franco 1985
employment (Holt,Modigliani,Muth, Simon) Modigliani
Linear Programming and Economic Analysis (Dorfman, 1958 Robert Solow 1987
Samuelson, Solow)
The elimination form of the inverse and its application in linear 1957 Harry 1990
programming Markowitz
 Modelamiento Matemático

Ejemplo:

Se dispone de 8 piezas pequeñas y 6 piezas grandes para

fabricar dos productos (sillas y mesas).
Cada silla usa 2 piezas pequeñas y 1 pieza grande.
Cada mesa usa 2 piezas de cada tipo.
¿Cuántas sillas y mesas fabricar para obtener la máxima
utilidad?
Dato:
Utilidad:
U$15 por cada silla fabricada.
U$20 por cada mesa fabricada.
 Elementos de un Modelo Matemático
1. Variables y parámetros de decisión: son las incógnitas que
deben determinarse resolviendo el modelo. Los parámetros
son los valores conocidos que relacionan las variables de
decisión con las restricciones y función objetivo.
Ejemplo:
x: número de sillas fabricadas.
y: número de mesas fabricadas.
2. Función objetivo: define la medida de efectividad del
sistema como una función matemática de las variables de
decisión.
z = f(x,y) = 15x + 20y
3. Restricciones: son las limitaciones (explícitas o implícitas)
tecnológicas, económicas y otras del sistema, que restringen
las variables de decisión a un rango de valores factibles.
Piezas pequeñas: 2x + 2y  8
Piezas grandes : x + 2y  6
Restricciones de no – negatividad:
x,y  0
 Modelamiento Matemático

Finalmente:

Max 15x + 20y

sa: 2x + 2y  8
x + 2y  6
x,y  0

El modelo es uno de Programación Lineal.

Qué pasa si:
•Restringimos x e y a números enteros, entonces tendríamos
un modelo de Programación Entera.
•Hubiese retornos crecientes a escala, entonces deberíamos
emplear una función objetivo no lineal como f(x,y) = cxa + dyb
con a,b >1, con lo cual tendríamos un modelo de
Programación No Lineal.
 Modelamiento Matemático

Supuestos Básicos de un Modelo Lineal:

Linealidad, modelos deterministas, variables reales,
no-negatividad, es decir:
1. La función objetivo debe ser lineal. Se debe
verificar que todas las variables estén elevadas a la
primera potencia y que sean sumadas o restadas (no
divididas ni multiplicadas).
2. El objetivo debe ser ya sea la maximización o
minimización de una función lineal. El objetivo
debe representar la meta del decisor.
3. Las restricciones también deben ser lineales. .
Asimismo, la restricción debe adoptar alguna de las
siguientes formas (, , o =, es decir que las
restricciones de PL siempre están cerradas).
Modelamiento Matemático
Tipos de Soluciones
Modelamiento Matemático
Tipos de Soluciones
Modelamiento Matemático
Tipos de Soluciones
 Modelamiento Matemático

Caso:Planificación de Recursos
(en serie y en paralelo)

Una fábrica elabora tres tipos de teléfonos: celulares, fijos e

inalámbricos. Las utilidades de los teléfonos son de $50, $25 y
$20 respectivamente. Para elaborar un teléfono éste debe pasar
de forma consecutiva o en serie por las tres máquinas uno, dos
y tres, las cuales pueden trabajar un máximo de 10 horas, 20
horas y 22 horas diarias respectivamente.
 Modelamiento Matemático
Caso:Planificación de Recursos
(en serie y en paralelo)

La productividad de cada máquina, expresada en

unidades por hora, se muestra en la Tabla 1.

Tabla 1: Productividad de las Máquinas

Celulares Fijos Inalámbricos
Máquina 1 9 3 5
Máquina 2 5 4 1
Máquina 3 3 1 2
Modele matemáticamente para una
producción en serie y en paralelo.
 Modelamiento Matemático
Caso:Planificación de Recursos
(en serie y en paralelo)

A continuación se muestra gráficamente la diferencia entre

ambos casos:
 Modelamiento Matemático
Caso:Planificación de Recursos
(en paralelo)

• Si la elaboración de teléfonos se puede realizar en serie, el

número de variables es una para cada tipo de teléfono.

• Si la elaboración de teléfonos se puede realizar en cualquiera

de las tres máquinas que dispone la fábrica, el número de
variables de decisión aumenta pues se debe determinar en cuál
máquina producir qué modelo de teléfono. La formulación de
este problema como un programa lineal requiere una
combinación de variables de tipo de teléfono en cada máquina,
pues se pueden producir en paralelo.
 Modelamiento Matemático
Caso:Fusión Bancaria

• A comienzos de año se concretó la unión entre el “Banco

Chileno” y el “Banco Eduardo”. Tras la aprobación de la
fusión por parte de los accionistas se decidió que el
nuevo banco adoptaría la marca Banco Fusión. La
gerencia debe decidir el número de sucursales de cada
banco original con las cuales el Banco Fusión va a
operar de manera de maximizar las utilidades, siempre y
cuando se cumplan un conjunto de restricciones:
• Los accionistas del Banco Eduardo exigen que el
número de sucursales del Banco Chileno tenga como
límite máximo cuadruplicar el número de sucursales del
Banco Eduardo.
• Por su parte los accionistas del Banco Chileno exigen
como límite máximo de sucursales del Banco Eduardo
que por cada dos sucursales del Banco Chileno no haya
más de cinco sucursales del Banco Eduardo.
 Modelamiento Matemático
Caso:Fusión Bancaria (cont.)

• El Banco Fusión no necesita más de 22.800 m2 de

superficie entre todas las sucursales.
• El Banco Fusión debe poder atender una cartera máxima
de 300.000 clientes al mes y una cartera mínima de
150.000 clientes.
• El presupuesto para gastos administrativos para todas las
sucursales es de 350 MM$ al mes.
• Asumiendo que cada sucursal tiene el “mismo peso”, la
tasa de fidelidad promedio debe ser no menor que 85%
del total.
• El número de ejecutivos de cuenta de las sucursales del
Banco Chileno no pueden superar el 80% de los
ejecutivos totales del Banco Fusión.
Suponga que los consultores a cargo de la operación
identificaron los siguientes índices de gestión.
 Modelamiento Matemático
Caso:Fusión Bancaria (cont.)
Índice Unidad Banco Banco Descripción
Chileno Eduardo
Superficie m2/suc 150 120 Metros cuadrados de superficie
promedio promedio por sucursal
Nº de ejecutivos de ej/suc 10 6 Cantidad promedio de ejecutivos
cuenta de cuenta por sucursal
Capacidad de cl/ej 250 200 Número de clientes que un
atención ejecutivo de cuenta puede atender
al mes
Gastos MM$/suc 2 1,75 Gastos administrativos mensuales
administrativos por sucursal
Fidelidad ó lealtad %/suc 80 90 Porcentaje de los clientes que
permanecen en el Banco más de un
año.

Dado que las sucursales del Banco Eduardo fueron destinadas para la
división de clientes con altos ingresos, las sucursales del Banco Eduardo
son un 20% más rentables que las del Banco Chileno. Modele este
problema como programación lineal para maximizar la rentabilidad del
Banco Fusión. (Recuerde que las variables de decisión son el número de
sucursales a mantener de cada Banco).
 Modelamiento Matemático

Caso: Requerimientos de Mercadería en un Supermercado

Un supermercado debe planificar las compras diarias de los

distintos tipos de productos [en kilos] dados los precios
diarios y considerando que existe un cierto espacio en
góndolas para exponer los distintos productos en venta.
El supermercado tiene la política de mantener las góndolas
con su capacidad Kg de exhibición copada al menos en un
87% todos los días (al final del día) y se supone que las
compras diarias van directamente a reposición de las
góndolas. Las góndolas pueden exhibir más de un tipo de
producto así como también un mismo producto puede
encontrarse exhibido en más de una góndola. Además, debe
cumplirse con la política de que todos los días haya un
mínimo de cada producto en exhibición (al final del día). Se
sabe además que cada producto enfrenta una demanda distinta
cada día.
 Modelamiento Matemático

Caso: Requerimientos Mercadería Supermercado

Defina las variables y modele este problema para

maximizar el flujo de caja del supermercado en un
horizonte de un año, donde el flujo de caja se mide como
los ingresos por ventas menos los costos por compras
realizadas durante el año. Utilice los parámetros que se
definen a continuación.
Conjuntos:
G = {pasillo1 superior, pasillo 4 inferior, ...} : Góndolas
T = {peras, manzanas, ...} : Tipos de Productos
D = {1,2, ..., 360} : Días del año
Parámetros:
Pt,d : precio del producto t el día d
Kg : capacidad de la góndola g
Ct,d : costo del producto t comprado el día d
Et : cantidad diaria mínima en exhibición del producto t
Dt,d : demanda del producto t el día d
 Modelamiento Matemático

Caso: Becas Magister y Doctoorado

Una fundación está interesada en apoyar la formación de alumnos de postgrado en el país. Para ello, está planificando la entrega
de becas para alumnos de magíster y de doctorado. Estas becas consistirían en la subvención del 100% del costo anual de la
matrícula, más la entrega de $1.000.000 para gastos de mantención de los estudiantes.
El costo anual de la matrícula de magíster es de $2.000.000 y la de doctorado es un 50% mayor. A nivel nacional existen 200
alumnos de magíster y 100 de doctorado, un 20% de los cuales (tanto los de magíster como los de doctorado) cuenta con una
beca financiada por otros organismos y, por tanto, no podrían recibir una subvención adicional. Estos alumnos son subsidiados
por algunas instituciones debido a que entregan un beneficio social y económico al país gracias a su estímulo por la investigación
y generación de nuevo conocimiento.
La fundación cuenta con un presupuesto de $480 millones de pesos para financiar su plan de becas del próximo año. Debido a
que la institución está preocupada de fomentar la producción de futuros académicos del país, se ha impuesto la restricción de que
por cada 2 alumnos de magíster becados se apoye la educación de al menos 1 alumno de doctorado. Además, el número total de
becados por la fundación debe ser al menos un 10% del total de alumnos de postgrado.
Para poder otorgar las becas, la institución necesita destinar tiempo para contactarse con los beneficiados y hacer un seguimiento
de su rendimiento. Dado el tiempo que tiene disponible, si éste lo dedicara en forma exclusiva a atender a becarios de magíster,
podría otorgar 320 de dichas becas. El tiempo necesario para atender a alumnos de doctorado es cuatro veces el requerido por
becarios de magíster.
Asumiendo que un alumno de doctorado tiene un beneficio social un 60% mayor que el de un alumno de magíster, se considera
las variables de decisión: m: número de becas de magíster a otorgar; d: número de becas de doctorado a otorgar. El modelo
incompleto es el siguiente:
Maximizar m + 1,6 d
Sujeto a:
3m + 4d ≤ 480
m ≤ 160
Con la información entregada, complete el modelo el problema como programa lineal para optimizar el valor social de la
formación de alumnos de postgrado.
 Modelamiento Matemático
Caso:Asado
Pedro y Juan están organizando un asado pero tienen dudas respecto
a cuántos hombres y cuántas mujeres invitar. Por un lado Pedro dice
que valora a cada mujer en 1,5 veces lo que valora a un hombre,
mientras que para Juan la valoración es justo la inversa, un hombre
en su asado vale por 1,5 mujeres. Ambos han hecho una lista de
gente a la que no pueden dejar de invitar, en la cual hay 35 hombres
y 20 mujeres. Por otra parte, saben que a las mujeres no les gusta ir
a este tipo de eventos si hay muchas mujeres, por lo que si invitan a
más de 2 por cada 3 hombres corren el riesgo de que no asista
ninguna. El asado se realizará en la casa de Juan, la que tiene una
capacidad para 70 invitados.
 Modelamiento Matemático
Caso: Transporte

Problemas de Transporte
El problema consiste en decidir cuántas unidades
trasladar desde ciertos puntos de origen (plantas,
ciudades, etc.) a ciertos puntos de destino (centros de
distribución, ciudades, etc..) de modo de minimizar los
costos de transporte, dada la oferta y demanda en dichos
puntos.
Se suponen conocidos los costos unitarios de transporte,
los requerimientos de demanda y la oferta disponible.
 Modelamiento Matemático
Caso: Transporte
Caso: Farmacias Salto Brand
Datos generales:
La farmacéutica abastece de suministros médicos.
Esta tiene tres plantas en: Claveland, Detroit, Greensboro.
Tiene cuatro centros de distribución en: Boston, Richmond,
Atlanta y St Louis.
La gerencia de la farmaceútica desea realizar el transporte de
sus productos de la manera más económica posible.
 Modelamiento Matemático
Caso: Transporte Boston
X11 1 D1=1100
35
Cleveland 1
S1=1200
30 Richmond

2 D2=400

Detroit 2
S2=1000 Atlanta

3 D3=750

3
St.Louis
Greensboro X34
S3= 800 4 D4=750
 Modelamiento Matemático
Datos Caso: Transporte
Costo de transporte por unidad, oferta y demanda.
Hacia
Desde Boston Richmond Atlanta St. Louis Oferta
Cleveland $35 30 40 32 1200
Detroit 37 40 42 25 1000
Greensboro 40 15 20 28 800
Demanda 1100 400 750 750

Supuestos
* El costo de transporte por unidad es constante
* Todos los transportes ocurren simultáneamente.
* Solo se considera el costo de transporte entre el lugar de
origen y el de destino
* La oferta total es igual a la demanda total.
 Modelos No Lineales
La Bombilla (ampolleta)
 Método Gráfico
Caso: Producción de Pinturas Interiores y Exteriores

Una empresa produce pinturas para interiores y exteriores. Para la producción

se necesita dos materias primas M1 y M2. Se tiene la siguiente información:

• La producción diaria de pinturas para interiores no puede exceder a la de

exteriores en 1 tonelada.
• Una encuesta de mercado restringe que la demanda máxima diaria de pintura
para interiores es 2 toneladas.
Determine cuál es el modelo de programación lineal que maximice la utilidad
total diaria y resolver por el método gráfico.
 Método Gráfico
Caso: Producción de Pinturas Interiores y Exteriores

Resolución por el “Método Gráfico”

Sirve para resolver modelos de hasta dos variables de
decisión
Declaración de las variables de decisión:
Sea:
X1: las toneladas diarias producidas de pinturas para
exteriores.
X2: las toneladas diarias producidas de pinturas para
interiores.

¿Determine cuál es el modelo de programación lineal que

maximice la utilidad total diaria?
 Método Gráfico
Caso: Producción de Pinturas Interiores y Exteriores

Max 5X1+4X2
S.A.
6X1+4X2<=24
X1+2X2<=6
X2 - X1<=1
X2<=2
X1,X2>=0
Encontrar los puntos
de corte de cada
restricción con los
ejes X1 y X2
 X2
Gráfico
6
(i) (iii) Se grafica cada una
5 de las restricciones
de acuerdo a los
Pintura Interior

4
resultados obtenidos
F.O
en el paso anterior

H
(iv)
2
E D (8/3 , 2)
(1,2) (2,2)
C
(3 , 3/2)
1 F
(0,1)
(ii)

(0,0) (4,0) B G
A 1 2 3 4 5 6 7 X1
Pinturas Exterior
Para encontrar la región
factible se elige un punto
arbitrario (1,1) y se evalúa en
cada restricción, si dicho
punto satisface la restricción,
entonces es región factible
aquella egión que pertenece
dicho punto

Para encontrar la solución

óptima, se evalúa cada vértice
de la región factible en la
Función Objetivo y se elige
aquel vértice que resulta el
mayor valor (Maximización),
caso contrario se elige el
menor valor ( Minimización)
 Método Gráfico
Caso: Producción de Pinturas Interiores y Exteriores
Análisis de Sensibilidad

C1 C2
C1 C2 Restricciones activas
Max 5X1+4X2
S.A.
6X1+4X2<=24 Restricciones inactivas
X1+2X2<=6
X2 - X1<=1
X2<=2
X1,X2>=0
El análisis de sensibilidad para C1 y C2
se realiza para aquellas restricciones que
pasan por el vértice óptimo (restricción 1
y restricción 2).
Se compara la pendiente de la función
objetivo respecto de las pendientes de las
restricciones.

Análisis de sensibilidad para M1 y M2.

Se desplaza cada restricción hasta la
intercepción con el eje o con otra
restricción. Por ejemplo para el caso de
M1 ( restricción 1) se aumenta el valor 24
a 25, 26,,etc, la recta se desplaza hasta el
punto G (intercepción con el eje X. Si el
valor 24 se disminuye a 23, 22, 21 etc la
restricción se desplaza hasta el vértice D.
Entonces se evalúa D y G en la
restricción 1. Ojo, la unión de los
vértivces D y G debe ser una recta.
De igual forma se realiza para M2 (
restricción 2)
Precio Sombra

Y1 es el precio sombra de la
restricción 1 . Es el impacto
económico en la Función objetivo
por cada unidad adicional de
recurso 1 (lado derecho de la
restricción 1). Es la variación de la
función objetivo desde D hasta G
respecto de la variación de M1
desde D hasta G. Entonces se debe
evaluar D y G tanto en la Función
Objetivo como en la Restricción 1
 Método Simplex
Para que sirve?
Sirve para resolver modelos de dos o mas variables de decisión

Estructura del Método Simplex

• Paso Inicial: Verificar que el modelo esté en su formato estándar( lado derecho
de la restricción positivo y las restricciones <=)
• Paso Iterativo: Elegir la Variable que entra a la base, se debe elegir aquella
variable cuyo parámetro nos lleva más rápidamente a la función objetivo, en
este caso es X1.
Para elegir la variable que sale de la base encontrar el Min[ Bm/Ami) donde Bm es
el lado derecho de la restricción y Ami es la columna de la variable que se eligió
para entrar a la base.
• Prueba de Optimalidad: se debe verificar que en la fila del Z todas las
variables sean positivas o cero, esto para el caso que inicié con todos los
parámetros negativos. En caso de haber iniciado con las variables positivas,
estamos en el óptimo cuando la fila del Z son negativos o cero.
 Método Simplex
Sirve para resolver modelos de dos o mas variables de
decisión

Max 5X1+4X2
S.A.
6X1+4X2<=24
X1+2X2<=6
X2 - X1<=1
X2<=2
X1,X2>=0
Se agrega
variablesde holgura

Aquí se debe lograr

el 1 y el resto de la
columna deben ser
cero. Entonces por
1/6 a toda la fila del
X3
Mire fila del Z y
elige variable
entrante cuyo
parámetro llega más
rápido a la función
objetivo (entra X1
porque es el más
negativo)
Se elije el menor valor
resultante entre cada
valor lado derecho de la
restricción y el valor de
la columna entrante, sale
X3 porque es el menor
valor.
En la intercepción de la
variable que entra con la
variable que sale debe
ser igual a 1. Por eso se
multiplica toda la fila
por 1/6

Se busca lograr cero en

el primer término de
cada fila. Primero se
pone la fila actual y
después se multiplica al
pivote por un valor que
permita lograr “cero en
el primer término”. Se
repite para cada fila
Después de realizar
operaciones básicas y
lograr ceros en el primer
término en cada fila se
verifica la fila del Z y se
realiza la prueba de
optimalidad. Para esto se
verifica si toda la fila del
Z es cero o positivos
también pueden ser cero
o negativos. En este caso
no está en el óptimo
porque existe un valor
negativo, se debe volver
a iterar.
Variables básicas
son aquellas
variables cuya
columna hay un 1
el resto de la
columna cero.
Variables no
básicas son las
restantes, en este
caso X2 y X3
Variables Básicas
(X1,X2,X5,X6) cuya
columna hay un 1 el
resto de la columna cero.
Variables No Básicas
son las restantes, en este
caso X3 y X4

La Tabla Simplex
también ofrece los
precios sombra. Por
ejemplo el precio
sombra de la restricción
1 se observa que la
variable de holgura X3
corresponde a la
restricción 1 entonces se
recorre la fila del Z en
la tabla final y a la altura
del X3 está el precio
sombre de a restricción 1
 Modelamiento Matemático

Solución de Problemas Propuestos

 Modelamiento Matemático
Caso:Planificación de Recursos
(en serie)

Variables de decisión:
c : números de teléfonos celulares a producir.
y : números de teléfonos inalámbricos a producir.
f : números de teléfonos fijos a producir.

Maximizar: z = 50c  20 y  25 f
Sujeto a:
c f y
   10
9 3 5
c f
  y  20
5 4
c y
 f   22
3 2
c, y, f  0
 Modelamiento Matemático
Caso:Planificación de Recursos
(en paralelo)
Variables de decisión:
ci = números de teléfonos celulares a producir en la máquina i
yi = números de teléfonos inalámbricos a producir en la máquina i
fi = números de teléfonos fijos a producir en la máquina i
i = 1, 2, 3.
3 3 3
Maximizar: z = 50   ci  20   yi  25   f i
i 1 i 1 i 1
Sujeto a:
c1 f1 y1
   10
9 3 5
c2 f2
  y2  20
5 4
c3 y
 f 3  3  22
3 2
ci , yi , f i  0
 Modelamiento Matemático
Caso:Fusión Bancaria (cont.)

Variables
c: nro de sucursales del Banco Chileno
e: nro. de sucursales del Banco Eduardo
a) Maximizar:
z = 1 c + 1,2 e
Sujeto a:
i) c4e Límite máximo de sucursales Banco Chileno
ii) 5c2e Límite máximo de sucursales Banco Eduardo
iii) 150 c + 120 e  22.800 Superficie total sucursales
iv) 2500 c + 1200 e  300.000 Atención máxima de clientes
v) 2500 c + 1200 e  150.000 Atención mínima de clientes
vi) 2 c + 1,75 e  350 Restricción presupuestaria
vii) 0,8 c + 0,9 e  0,85 (c + e) Fidelidad promedio
viii) 10 c  0,8 (10 c + 6 e) % ejecutivos del Banco Chileno sobre el total
ix) c, e  0 No negatividad
 Modelamiento Matemático

Caso: Requerimientos Mercadería Supermercado

Variables:
vt,d,g, : Ventas del producto t, el día d en la góndola g
xt,d,g, : Compras del producto t, el día d en la góndola g
it,d,g : Inventario del producto t, el día d en la góndola g

Maximizar:
360  
z=   p   v t ,d t ,d , g  Ct , d   xt , d , g 
t d 1  g g 
Sujeto a:
it,d,g = it,d-1,g + xt,d,g - vt,d,g g,d Ecuación Inventario

i t
t ,d , g  Kg g,d Capacidad de las góndolas

i g
t ,d , g  0.87*Kg g,d Mínimo de inventario en las góndolas

i g
t ,d , g  Et t,d Mínimo de cada producto en exhibición

v
g
t ,d , g  dt,d t,d Ventas máximas

xt,d,g, vt,d,g, it,d,g  0 t,d,g No negatividad

 Modelamiento Matemático

Caso: Becas Magíster y Doctorado

1. Variables:

m: número de becas de magíster a otorgar

d: número de becas de doctorado a otorgar

Maximizar m + 1,6 d (Asumiendo que un alumno de doctorado tiene un beneficio social un 60% mayor que el
de un alumno de magíster)
Sujeto a:
i) 3m + 4d ≤ 480 ( matricula 2 millones para cada magíster y 3 millones para cada doctorado más
entrega de $1.000.000 para gastos de mantención de los estudiantes.
ii) m ≤ 160 (20% menos dado que los de magíster cuenta con una beca financiada por otros organismos)
iii) d ≤ 80(20% menos dado que los de doctorado cuenta con una beca financiada por otros organismos)
iv) m – 2d ≤ 0 (se ha impuesto la restricción de que por cada 2 alumnos de magíster becados se apoye la
educación de al menos 1 alumno de doctorado)
m + d ≥ 30 (el número total de becados por la fundación debe ser al menos un 10% del total (300)de alumnos de
postgrado)
v)
vi) m + 4d ≤ 320 (Dado el tiempo que tiene disponible, si éste lo dedicara en forma exclusiva a atender a
becarios de magíster, podría otorgar 320 de dichas becas. El tiempo necesario para atender a alumnos
de doctorado es cuatro veces el requerido por becarios de magíster
vii) m≥0
viii) d≥0
 Modelamiento Matemático
Caso:Asado
Variables de decisión:
H: Cantidad de hombres a invitar
M: Cantidad de mujeres a invitar
Maximizar:
Pedro: z = 2H + 3M
Juan : z = 3H + 2M
Sujeto a:
H  35 Mínimo hombres
M  20 Mínimo Mujeres
2H–3M 0 Cantidad de hombres por mujeres
H + M  70 Máxima cantidad de invitados
H,M  0
El óptimo para Pedro es (42, 28), donde z = 168
El óptimo para Juan es (50, 20), donde z = 190
 Modelamiento Matemático
Caso: Transporte
* La estructura del modelo es la siguiente:

Minimizar :Costo total de transporte

sujeto a :
cantidad a transportar desde la fabrica = oferta de la fábrica
cantidad a recibir por la distribuidora = demanda de la
distribuidora.

* Variables de decisión:

Xij = cantidad a transportar desde la fábrica i al centro de

distribuciónj, donde i = 1(Claveland), 2(Detroit), 3(Greensboro)
j = 1(Boston), 2(Richmond), 3(Atlanta), 4 (St,Louis)
 Modelamiento Matemático
Caso: Transporte Boston
X11 1 D1=1100
35
Cleveland 1
S1=1200
30 Richmond

2 D2=400

Detroit 2
S2=1000 Atlanta

3 D3=750

3
St.Louis
Greensboro X34
S3= 800 4 D4=750
 Modelamiento Matemático
Caso: Transporte

3 4
Min   Cij . X ij
i 1 j 1

Restricciones oferta:
X11+ X12+ X13+ X14 = 1200
X21+ X22+ X23+ X24 = 1000
X31+ X32+ X33+ X34 = 800
Restricciones de demanda:
X11+ X21+ X31 = 1100
X12+ X22+ X32 = 400
X13+ X23+ X33 = 750
X14+ X24+ X34 = 750

Todos los Xi,j mayores que cero

 Modelamiento Matemático
Caso: Transporte
Solución optima obtenida a través de Excel

COSTOS UNITARIOS
BOSTON RICHMOND ATLANTA ST.LOUIS OFERTAS
CLEVELAND $ 35,00 $ 30,00 $ 40,00 $ 32,00 1200
DETROIT $ 37,00 $ 40,00 $ 42,00 $ 25,00 1000
GREENSBORO $ 40,00 $ 15,00 $ 20,00 $ 28,00 800

DEMANDAS 1100 400 750 750

ALTERNATIVAS DE TRANSPORTE
BOSTON RICHMOND ATLANTA ST.LOUIS TOTAL
CLEVELAND 850 350 0 0 1200
DETROIT 250 0 0 750 1000
GREENSBORO 0 50 750 0 800

TOTAL 1100 400 750 750

COSTO TOTAL = 84000
 Modelamiento Matemático
Caso: Transporte

Interpretación de los resultados del análisis de

sensibilidad.
* Precios Sombra:
- Para las plantas el precio sombra de
transporte corresponde al costo de cada unidad
disponible en la planta.
- Para las distribuidoras, el precio sombra de
transporte corresponde al costo de cada unidad
extra demandada por la distribuidora.
 Modelos No Lineales
La Bombilla