Maximización y Minimización
Conceptos Básicos
Consideremos el siguiente ejemplo para describir
los términos presentes en todo problema de LP.
Ejemplo 1.
Una mueblería produce mesas y sillas de madera.
Cada mesa es vendida en $27000 y requiere
$10000 en materiales, además, el costo de
unitario por mano de obra se estima en
$14000.
En el caso de las sillas, su precio de venta es de
$21000 y los costos son de $9000 y $10000, en
materiales y mano de obra respectivamente. La
fabricación de cada producto requiere de dos tipos
de labores: carpintería y terminaciones.
Una mesa requiere de 1 hora de carpintería y
2 horas de terminaciones. Una silla requiere de
1 hora de carpintería y 1 hora de terminaciones.
Cada semana, la mueblería puede obtener
todos los materiales que desee, sin embargo,
se pueden dedicar hasta 100 horas a las
terminaciones y hasta 80 horas a la carpintería.
La demanda por mesas no está limitada, mientras
que la demanda semanal máxima por sillas es de
40.
La mueblería desea maximizar sus utilidades
(ingresos - costos). Formule un modelo
matemático que permita maximizar las utilidades.
Variables de Decisión
Se debe comenzar definiendo las variables de
decisión relevantes. En un modelo de
programación lineal las variables de decisión
deben ser capaces de describir completamente las
decisiones que puedan ser tomadas y todas las
variantes que existan.
Antes de definir las variables de decisión es
importante definir las unidades involucradas en el
problema.
En este caso, se habla de unidades de sillas y
mesas, de horas de trabajo por unidad y de
demanda semanal.
De acuerdo a ello, una buena opción para definir
las variables de decisión consiste en asociar las
variables al número de unidades de sillas y mesas
a producir por semana. Por lo tanto, podemos
definir:
x1 = número de mesas producidas por semana.
x2 = número de sillas producidas por semana.
Función Objetivo
En un problema de LP, se debe tomar la
decisión de maximizar (usualmente las
utilidades) o de minimizar (usualmente los
costos) cierta función de las variables de
decisión. La función a maximizar o minimizar se
denomina función objetivo. Antes de formular
el modelo matemático conviene resumir los datos
del problema (Tabla 1.1).
Ventas Metriales M.O. Carpinteria Terminaciones Dda. Maxima
Columna1
$/Und. $/Und. $/Und. Hrs./Und. Hrs./Und. Und./Sem.
Mesa 27000 10000 14000 1 c –
Silla 21000 9000 10000 1 1 40
Disponibilidad – – – 80 100 –
Tabla 1.1: Resumen Ejemplo 1
En el ejemplo, los costos e ingresos no dependen
del valor de x1 o de x2, por lo tanto basta
concentrarse en maximizar la diferencia entre:

(1.2)
Luego, se debe expresar los términos anteriores
en función de las variables de decisión x1 y x2.
Supondremos que todas las sillas y mesas
fabricadas son vendidas (respetando las
condiciones de mercado del enunciado). Así:
(1.3)
Similarmente:
(1.4)
Por lo tanto la función a maximizar queda (en
miles):
(1.5)
Otra opción para construir la función objetivo
consiste en calcular previamente los ingresos
netos o utilidades de cada uno de los productos de
la mueblería. Así:
(1.6)
Así, el objetivo de la mueblería es escoger los
valores de x1 y x2 tal que se maximice 3x1 + 2x2.
Denotando por z el valor de la función objetivo
para cualquier LP, la función objetivo de la
mueblería es:
Maximizar Z=3X1+2X2
(1.7)
El coeficiente que acompaña a cada variable en la
función objetivo se denomina coeficiente en la
función objetivo de la variable y refleja el aporte
unitario de dicha variable a la función objetivo.
Restricciones
En la medida que las variables x1 y x2 crecen, la
función objetivo aumenta su valor. Por lo tanto si
se pudiera escoger arbitrariamente el valor de x1
y x2, la mueblería podría hacer crecer
arbitrariamente el valor de sus utilidades.
Evidentemente, en la práctica esto no es posible.
En este ejemplo, el valor de las variables esta´
limitado por las siguientes tres restricciones:
 Restricción 1: máximo 100 horas
semanales para terminaciones.
 Restricción 2: máximo 80 horas semanales
para carpintería.
 Restricción 3: producción máxima de 40
sillas semanales.
Se asume que la cantidad disponible de material
es ilimitada. Luego, el próximo paso consiste en
formular matemáticamente las restricciones
anteriores en función de las variables de
decisión.
Para formular la primera restricción en función de
las variables x1 y x2 observamos que:
(1.8)
Por lo tanto la primera restricción queda:
2X1 + X2 ≤ 100
Es importante notar que todos los valores en la
expresión anterior son por semana, ya que las
variables de decisión se han escogido con esa
referencia.
Análogamente la segunda restricción queda:
x1 + x2 ≤ 80

Finalmente, la tercera restricción solo limita el
valor de x2:
x2 ≤ 40
El valor que aparece a la derecha del signo de
la desigualdad en cada restricción se denomina
the constraint’s right-hand side (rhs) o coeficiente
del lado derecho de la restricción. Usualmente,
representa la cantidad disponible de cierto
recurso.
Restricción de Signo
Para completar la formulación del modelo es
importante definir si existe alguna restricción de
signo para cada variable de decisión.
Si una variable de decisión xi debe cumplir
condiciones de no-negatividad, debemos
agregar la restricción Xi ≥ 0 Si la variable de
decisión xi puede asumir valores positivos y
negativos se dice que la variable xi no tiene
restricción de signo (srs).
En este ejemplo, ambas variables de decisión
se refieren a cantidades a producir, por lo tanto
son no-negativas, luego: X1 ≥ 0 y X2 ≥ 0. Sin
embargo, en otros ejemplos las variables pueden
ser srs, por ejemplo en el caso de que xi se refiera
al saldo de alguna cuenta.
Combinando todas las expresiones anteriores,
es posible completar el modelo matemático
para este problema de optimización:
(1.9)
Se deja como ejercicio al lector determinar las
modificaciones sobre el modelo anterior si:
 El excedente de horas de terminaciones
puede ser empleado para carpintería y
viceversa.
 La misma hipótesis del punto anterior pero
suponiendo que cada hora de
terminaciones equivale a dos horas de
carpintería.
 La producción de mesas no puede exceder
al 40 % del total de unidades producidas de
mesas y sillas.
Generalización
Repasemos en primer lugar algunos conceptos de
linealidad de funciones y desigualdades.
Definición 1: Una función f (X1, X2,…., Xn) de X1,
X2,….. , Xn es una función lineal si y solo si para
un conjunto de constantes C1, C2, ….., Cn, se tiene:
f (X1, X2, …… , Xn) = C1X1 + C2X2 + …… + CnXn
Definición 2: Para cualquier función f (X1, X2,…..,
Xn) y cualquier número b las desigualdades:
 f (X1, X2, ….. , Xn) ≤ b f
 f (X1, X2, …… , Xn) ≥ b
Son desigualdades lineales.
Definición 3: Un problema de programación lineal
(LP) es un problema de optimización para el cual
debemos tener presente lo siguiente:
1. Se maximiza (o minimiza) una función
lineal de las variables de decisión. La
función que es maximizada o minimizada
se denomina función objetivo.
2. Los valores de las variables de decisión
deben satisfacer un conjunto de
restricciones. Cada restricción debe ser
una ecuación o desigualdad lineal.
3. Existe una restricción de signo asociada a
cada variable. Para toda variable xi, la
restricción de signo especifica si xi debe
ser no-negativa (Xi ≥ 0) o bien sin
restricción de signo (srs).
De acuerdo a las definiciones anteriores, el
ejemplo estudiado corresponde efectivamente a
un LP, pues tanto la función objetivo como las
restricciones son funciones lineales de x1 y x2.
El problema estudiado corresponde a un
problema típico de decisión donde se debe
obtener el programa de producción que
maximiza las utilidades sujeto a recursos
limitados.
Consecuencias y Supuestos
El hecho que la función objetivo de un PL sea una
función lineal de las variables de decisión tiene dos
implicancias:
1. La contribución a la función objetivo de
cada variable es proporcional al valor de la
variable de decisión.
2. La contribución a la función objetivo
para toda variable es independiente de
los valores de las otras variables de
decisión.
Análogamente, el hecho de que cada restricción
sea una ecuación o desigualdad lineal también
tiene dos implicancias:
1. La contribución de cada variable al
coeficiente del lado izquierdo de cada
restricción es proporcional al valor de la
variable.
2. La contribución de cada variable al
coeficiente del lado izquierdo de cada
restricción es independiente de los valores
de las otras variables.
Las primeras implicancias de las listas anteriores
constituyen el Supuesto de Proporción en LP. Las
segundas implicancias de las listas anteriores
constituyen el Supuesto de Adición en LP.
Para que un modelo de LP corresponda a una
representación adecuada de la realidad, las
variables de decisión deben satisfacer los dos
supuestos anteriores. Adicionalmente, se
agregan dos supuestos: el supuesto de
Divisibilidad y el de Certeza.
El Supuesto de Divisibilidad requiere que cada
variable de decisión pueda tomar valores
fraccionarios. En el ejemplo anterior, el supuesto
se traduce en que es aceptable producir 2.4 sillas
o 1.6 mesas.
Evidentemente, el supuesto de divisibilidad no se
satisface en el ejemplo. En este caso se puede
proceder a formular el modelo como un problema
de programación lineal entera (ILP), problema en
el cual una o más variables deben ser enteras.
Este tipo de problema se estudiara´ más adelante.
Cuando no se satisface el supuesto de
divisibilidad, una posibilidad es redondear la
solución obtenida a un valor entero, sin embargo
no existen garantías que dicha solución sea la
mejor.
El Supuesto de Certeza exige que cada
parámetro: coeficientes de la función objetivo,
coeficientes del lado derecho, etc. sean conocido
con certeza, es decir, no se acepta incertidumbre
en sus valores.
Es claro que es muy difícil que un problema cumpla
exactamente con todos los supuestos. Sin
embargo, un modelo puede ser útil aunque difiera
de la realidad si se es consistente con los
requerimientos más estrictos del problema y se
tienen presente las limitaciones al interpretar los
resultados.
Regiones Factibles y
Soluciones Óptimas
Dos de los conceptos más fundamentales en LP
son el de región factible y de solución óptima de
un problema. Llamaremos punto a la
especificación de un valor para cada variable de
decisión.
Definición 4: La región factible para un LP es
el conjunto de puntos que satisfacen todas las
restricciones (incluidas las de signo) de un
problema de LP.
Definición 5: En el caso de un problema de
maximización, una solución ´optima del LP es un
punto de la región factible que está asociado al
mayor valor posible de la función objetivo.
Similarmente, para un problema de minimización,
una solución óptima es un punto que está
asociado al menor valor posible de la función
objetivo.
La mayoría de los problemas de LP tienen solo una
solución óptima. Sin embargo, existen muchos
problemas de LP que no poseen solución óptima o
bien poseen varios o infinitos valores ´óptimos.
Algunos Ejemplos
Problema de la Dieta
Una dieta diaria satisfactoria debe contener al
menos 2000 [kCal], 55 [g] de proteínas y 800 [mg]
de Calcio.
Se pide formular un modelo que permita
determinar una dieta satisfactoria de mínimo
costo a partir de los alimentos indicados en el
Tabla 5.1.
Tabla 5.1: Alimentos disponibles
Modelo:
En este caso resulta natural definir como variable
de decisión xi la cantidad de alimento tipo ”i” (i =
1 . . . 6) a consumir. Como cada alimento tiene un
costo, basta ponderar cada variable de decisión
por su respectivo coeficiente y construir la función
objetivo a minimizar.
Las restricciones obedecen a los límites diarios de
consumo por alimento y a las condiciones de
energía, proteínas y calcio que debe cumplir la
dieta. Por lo tanto, el modelo queda:
Problema de Planificación de Personal
Las enfermeras de un hospital llegan cada 4 horas
y trabajan en turnos de 8 horas continuas. La
administración ha decidido definir 6 cambios de
turno al día para minimizar las distracciones y
los problemas de comunicación que ocurren en los
cambios de turno.
El hospital ha realizado un análisis del trabajo
requerido durante cada uno de los seis bloques
horarios del día. Las características de cada bloque
se muestran en el Tabla 5.2.
Tabla 5.2: Características de cada Bloque Horario
Las enfermeras que empiezan a trabajar en los
periodos 2, 3 y 4 ganan US$40 al día, y aquellas que
comienzan en los periodos 1, 5 y 6 ganan US$50 al
día. ¿Cuál es la planificación de los turnos de las
enfermeras que minimizan los costos por salarios?
Modelo:
En este caso podemos identificar como variable de
decisión el número de enfermeras Ni que
comienza a trabajar en el turno ”i”(i = 1 . . . 6). De
esta forma, la función objetivo queda:
Z = 50N1 + 40N2 + 40N3 + 40N4 + 50N5 +
50N6
Evidentemente, la función anterior debe ser
minimizada. Para construir las restricciones es
conveniente recurrir a una representación gráfica
de los turnos (Figura 5.1).

De la gráfica anterior se observa que en cada
bloque trabajan las enfermeras que comenzaron
su turno en dicho bloque, pero también las que
empezaron su turno en el bloque anterior.
Por lo tanto, las restricciones de personal mínimo
por turno quedan:
N1 + N2 ≥ 60
N2 + N3 ≥ 50
N3 + N4 ≥ 35
N4 + N5 ≥ 55
N5 + N6 ≥ 40
N6 + N1 ≥ 25
Finalmente, el modelo se completa con las
restricciones de signo:
Ni ≥ ∀ i
Problema de Planificación de Producción
La empresa Sil Computer necesita satisfacer la
demanda de computadores por parte de sus
clientes (grandes corporaciones e instituciones
educacionales) para los próximos 4 trimestres.
Actualmente, Sil Computer tiene 5000
computadores en inventario. La demanda
esperada para los próximos trimestres son 7000,
15000, 10000 y 8000.
Sil Computer tiene el material y la capacidad de
producir hasta 10000 computadores cada
trimestre, a un costo de US$ 2000 por
computador.
Empleando personal de sobretiempo se puede
producir hasta 2500 computadores más a un costo
individual de US$ 2200.
Los computadores producidos en un trimestre
pueden ser usados para satisfacer la demanda de
ese periodo, o bien quedar en inventario para ser
usados posteriormente.
Cada computador en inventario tiene un costo
adicional de US$100 por periodo para reflejar
los costos de almacenaje.
¿Cómo puede satisfacer Sil Computer su demanda
a costo mínimo?
Modelo:
En este caso la decisión a tomar corresponde
a la producción de computadores por trimestre.
Como se puede fabricar computadores en horario
normal y en sobretiempo es conveniente separar
ambos tipos de producción en variables distintas.
Además, se debe decidir en cada periodo cuantas
unidades guardar en inventario. Definamos las
siguientes variables:
(∀ t = 1 … 4)
Xt = producción en el periodo t en horario normal
Yt = producción en el periodo t en sobretiempo
It = inventario al final del periodo t
De acuerdo a las variables definidas podemos
formular el modelo completo considerando el
balance trimestral entre lo producido, lo
proveniente del periodo anterior en inventario
y la demanda del trimestre respectivo.
Min z = 2000(x1 + x2 + x3 + x4) + 2200(y1 +
y2 + y3 + y4) + 100(i1 + i2 + i3)
Para la formulación anterior se ha supuesto que
cada computador es completamente fabricado
en horario normal o en sobretiempo y que las
variables pueden ser no enteras. Evidentemente
este supuesto puede no ser correcto en la
situación real, pero constituye una buena
aproximación del problema.

Revisando la formulación propuesta, se observa

que no existe la variable i4 ¿Por qué no se incluye
en el modelo? ¿Qué pasaría si se incorporara?