ING200 – Optimización

Análisis Gráfico

Javier Maturana Ross

javier.maturana@edu.uai.cl
Introducción
• Consideremos el siguiente problema de programación lineal:

Max Z = 3x1 + 5 x2
s.a : 2 x1 + x2 £ 230 (1)
x1 + 2 x2 £ 250 (2)
x2 £ 120 (3)
x1 ³ 0 (4)
x2 ³ 0 (5)
Javier Maturana Ross, 2021 2
Introducción
• Graficando (4) y (5)

Javier Maturana Ross, 2021 3

Introducción
x2 ³ 0

2 x1 + x2 £ 230
x2 £ 120

Espacio x1 + 2 x2 £ 250
De
Soluciones x1 ³ 0

Javier Maturana Ross, 2021 4

Introducción
• Enseguida, se estudia el comportamiento de las curvas de
nivel de la función objetivo, fijando la atención en la
dirección de crecimiento de la función (que corresponde a la
dirección del vector gradiente de la función).

• ¿Cuál es el vector gradiente de la función objetivo?

Javier Maturana Ross, 2021 5

Introducción

Z = 660
Este es el gradiente de la FO

Z = 345
Z =0 (70,90)

(115, 0)

6
Javier Maturana Ross, 2021
Conceptos fundamentales
• Espacio de soluciones (S): sub-conjunto del espacio en el
que están contenidas todas las soluciones factibles del
problema.
• Están definidas por las restricciones del problema.
• Básicamente es la intersección de todas las restricciones del
problema.

Poliedro: cuerpo geométrico cuyas

caras son planas y encierran un
espacio finito.
Javier Maturana Ross, 2021 7
Conceptos fundamentales
• Semiplano: Cada una de las partes en que queda dividido un
plano por una recta cualquiera.

• Punto extremo: Punto en el que se cumple que:

x Î S Ù f ( x) : !ℝn! ® ! : f ( x) £ f ( y ), "y Î S - {x}
→ ℝ:

Javier Maturana Ross, 2021 8

Conceptos fundamentales
• Espacio o conjunto convexo:

Javier Maturana Ross, 2021 9

Conceptos fundamentales
• El conjunto de soluciones de un grupo de desigualdades
lineales es un conjunto convexo. Por tanto, el área de
soluciones factibles (si es que existe) para un problema de
programación lineal será un conjunto convexo.

Javier Maturana Ross, 2021 10

Teorema
• Si la función objetivo f(x) es una función continua y la
región factible S es un conjunto convexo, entonces el
problema admite al menos un mínimo y un máximo
globales.

Javier Maturana Ross, 2021 11

Ejercicio
• Graficar y resolver el siguiente problema de programación
lineal:
Max 3x1 + 5 x2
s.a : 2 x2 £ 12 (1)
3 x1 + 2 x2 £ 18 (2)
x1 £ 4 (3)
x1 ³ 0 (4)
x2 ³ 0 (5)
Javier Maturana Ross, 2021 12
Conceptos fundamentales
• Una restricción activa contiene al punto óptimo del problema.

• Una restricción no-activa (o inactiva) no contiene al punto

óptimo del problema.

Javier Maturana Ross, 2021 14

Otros casos
• Cuando resolvemos problemas de Programación Lineal, una
variedad de casos pueden ocurrir. Ya hemos estudiado el caso
en donde encontramos una solución óptima para el problema.

• ¿Cómo podemos hacer que un problema tenga infinitas

soluciones?

Javier Maturana Ross, 2021 15

Otros casos
Consideremos la
siguiente F.O.

x2 £ 65 Max 2 x1 + 4 x2

x1 + 2 x2 £ 150

x1 £ 80

Javier Maturana Ross, 2021 16

Otros casos
• ¿Qué ocurre si agregamos la restricción x1 ³ 150 ?
x2 ³ 0 x1 ³ 150

2 x1 + x2 £ 230
x2 £ 120
x1 + 2 x2 £ 250
x1 ³ 0
17
Otros casos
• Consideremos el siguiente problema de PL:

Max 3 x1 + 5 x2
s.a : 2 x1 + x2 ³ 230 (1)
x1 + 2 x2 ³ 250 (2)
- x1 + x2 £ 50 (3)
x1 ³ 0 (4)
x2 ³ 0 (5)
Javier Maturana Ross, 2021 18
Otros casos

2 x1 + x2 ³ 230 - x1 + x2 £ 50

x1 + 2 x2 ³ 250

Javier Maturana Ross, 2021 19

Resumen
Entonces, los problemas de programación lineal pueden tener:

• Una única solución óptima.

• Múltiples soluciones óptimas.
• Sin solución óptima.

Además, los problemas de programación lineal

pueden ser:

• Acotados
• No acotados
• Infactibles
Javier Maturana Ross, 2021 20
Ejemplo 2
Max Z = 15x+20y (0,0) -> Z = 0
2x+2y <= 8
(4,0) -> Z = 60
x+2y <= 6
(2,2) -> Z = 70
x,y >= 0
(0,3) -> Z = 60

¿Solución óptima?
X=Y=2

Javier Maturana Ross, 2021 21

Análisis de sensibilidad
• Una vez que se ha obtenido la solución óptima del problema, es
interesante estudiar posibles cambios en el modelo.

• Por ejemplo: ¿Cuánto pueden cambiar los coeficientes de la FO, de

manera tal que la solución óptima siga siendo la misma?

Javier Maturana Ross, 2021 22

Análisis de sensibilidad
• Si escribimos de forma genérica la FO como:

𝑍 = 𝑐$ 𝑥$ + 𝑐% 𝑥%

• ¿Cuál es la pendiente de la FO?

Javier Maturana Ross, 2021 23

Análisis de sensibilidad
• Para determinar el rango, necesitamos conocer la pendiente de
las restricciones activas del problema ¿Cuáles son?

• Por lo tanto, la solución óptima de este problema será la misma

si y sólo si:

−𝑐$ −1
−1 ≤ ≤
𝑐% 2

Javier Maturana Ross, 2021 24

Análisis de sensibilidad
• También podemos estudiar el intervalo de un solo coeficiente,
dejando el otro constante. Por ejemplo:

−𝑐$ −1
−1 ≤ ≤
20 2

10 ≤ 𝑐$ ≤ 20

Javier Maturana Ross, 2021 25

Análisis de sensibilidad
Max Z = 30x+20y
2x+2y <= 8
Nueva FO (0,0) -> Z = 0
x+2y <= 6
(4,0) -> Z = 120
x,y >= 0
(2,2) -> Z = 100

(0,3) -> Z = 60

Javier Maturana Ross, 2021 26

Análisis de sensibilidad
• Así como hemos modificado el coeficiente de una variable en la
función objetivo, otro aspecto interesante es modificar el lado
derecho de una restricción.
Max Z = 3x1 + 5 x2
s.a : 2 x1 + x2 £ 230 + d (1)
x1 + 2 x2 £ 250 (2)
x2 £ 120 (3)
x1 ³ 0 (4)
x2 ³ 0 (5)
Javier Maturana Ross, 2021 27
Análisis de sensibilidad

Nueva solución
óptima

Javier Maturana Ross, 2021 28

Análisis de sensibilidad
• Entonces, la nueva solución óptima es:

𝑥! = "!#$"%
&
𝑥" = "'#(%
&
𝛿
• Con lo que la nueva función objetivo es: 𝑧 = 660 +
3

• Luego:
FO nueva - FO antigua
l=
d

Javier Maturana Ross, 2021 29

Precio sombra
• El valor λ se conoce como el precio sombra de una restricción.

• Este valor nos indica cuánto cambia el valor (óptimo) de la

función objetivo si es que se modifica el lado derecho de
una restricción.

Javier Maturana Ross, 2021 30