CAPÍTULO 1

INTRODUCCIÓN

1
Conceptos de teoría de
decisiones

Director: escoger la acción más “efectiva”

para alcanzar las metas de la
organización.

Distintas
decisiones Decisión
posibles Criterio

Unidades monetarias, mas común.

A veces no es el mas adecuado
2
 Proc. general para la toma
de decisiones

1. Establecer el criterio que usará. Ej.

máximo beneficio.
2. Seleccionar un conjunto de alternativas
para considerarlas.
3. Determinar el modelo que se usará y los
valores de los parámetros del proceso.

Gastos Totales = a + ( b * unidades vendidas )

a y b será necesario
deter. sus valores
para el modelo. Costo Fijo Costo Variable unitario 3
Gastos Totales = a + ( b * unidades
vendidas)
areal= 50
breal=3

aestimado= 49.7 aestimado= 39.8

bestimado= 3.02 bestimado= 4.07

4
Proc. general para la toma
de decisiones

4. Determinar cuál de las alternativas

optimiza (mejor valor para el criterio
definido en 1).

5
Criterios

Ingresos, Beneficio, Rentabilidad

(positivas): tener lo mayor posible de
ellas. Maximizar (Criterio +).

Costos, Pérdidas, Gastos (negativas):

tener lo menor posible de ellos. Minimizar
(Criterio -).

6
Abstracción y simplificación
Prob. reales tienen complejidad enorme

Decisor: deter. cuáles son los factores más relevantes para

el prob.

Modelo del prob. real. Se Modelo: representación

busca el modelo más simplificada de una
sencillo que pronostique situación empírica.
los resultados con
precisión razonable y que
sea consistente con la
acción efectiva.

Solución Conclusiones Toma de decisiones 7

Conceptos de teoría de
decisiones
 Modelo de decisión: medio para “resumir” un problema de
decisión en una forma que permita la identificación y evaluación
sistemática, de todas las opciones del problema.

 Decisión: escoge la opción que se considera como la “mejor” entre

todas las posibles.

 Componentes básicas del proceso de toma de decisiones

 Opciones de decisión
 Restricciones del problema
 Criterio objetivo

 Datos Confiables: aunque el modelo está bien definido, la calidad

de la solución depende de los datos 8
 Opciones de decisión: En Programación Matemática le llamamos
variables de decisión.
 Restricciones del problema: Se llama igual en Programación
Matemática.
 Criterio objetivo: En Programación Matemática le llamamos Función
Objetivo.

9
 Situación
Real

Alto nº de
variables y
restricciones

Pequeña fracción Sistema Real

domina su
comportamiento
Sistema
Concentrarse real
Supuesto
Modelo

¿Que decisión se toma?

Método o técnica de Modelo

solución

Solución

10
Modelo: Programación Lineal Continua.
Técnica de solución: Simplex.

Modelo: Programación Lineal Entera.

Técnica de solución: Branch and Bound
(Ramificar y Acotar).

11
Conceptos
INVESTIGACIÓN DE OPERACIONES (I.O.)
 Inicio: 2da guerra mundial, asignación óptima de recursos limitados
de material de guerra.
 Determinar el mejor curso de acción (óptimo) de un problema de
decisión con la restricción de recursos limitados.

Técnicas Matemáticas
I.O. +
Factores intangibles no modelables
matemáticamente (humano)

12
13
Ejemplos Recursos

Electricidad, vapor, agua, gas

Recurso Humano: HH Horas Hombre,
capacidades,
Capital ($)
Tiempo
Capacidad de las máquinas, materia
prima, ….

14
Ventajas de un modelo

Reduce la cantidad de tiempo y esfuerzo.

El decisor puede comprenderlo
rápidamente.
Se puede modificar de manera rápida y
efectiva.

15
Factores cualitativos

Las decisiones implica considerar factores

cualitativos. Ej: moral, liderazgo en una
organización, alterar el empleo, etc.
No pueden considerarse en términos
monetarios.
¿Cómo considerarlas?

16
Factores cualitativos

Evitar
 Omitir factores cualitativos. Se suele decir
factores que no son medibles no son
importantes”.
Mod. cuantitativos no tienen valor, sólo
factores cualitativos son importantes.
Encontrar equilibrio: juicio intuitivo acerca
de factores cualitativos.

17
Decisiones e Incertidumbre

Decisiones empresariales: lo mas común

incertidumbre (se conoce probabilidad).
Ej: vender al gobierno 1.000 u de un
producto, al precio de 50 $/u.
¿Deberá aceptar el pedido? La empresa
tiene exceso de capacidad.

18
Decisiones e Incertidumbre

1. Se usará el criterio de max. beneficio.

2. Alternativas
a) Aceptar el pedido (aumenta beneficio)
b) Rechazar el pedido (disminuye beneficio)
3. Modelo: hay que saber cuáles son los
gastos adicionales (marginales) de la
producción de 1000 u.

19
Decisiones e Incertidumbre
Beneficio = Ingresos - Egresos
E= a + 1000 b Modelo de gastos

Cantidad
producida Con a = 5000 CF
b = 30 CVu

I= 1000 precio

20
Decisiones e Incertidumbre

4. Alternativa que optimiza

a. I=1000*50=50000
E=5000+1000*30=35000
B=50000-35000=15000(Beneficio aumenta)
b. 0
Se acepta el pedido. Decisión en condiciones de
certidumbre.

21
Decisiones e Incertidumbre

Incertidumbre en el nivel de ventas 100,

250 ó 1000. Aplicar los CF (5000) antes
de conocer la demanda real.
???????

22
Ventas = 100

Beneficio=?
I = 100*50=5000
E=5000+100*30=8000
Beneficio=5000-8000=-3000

23
Ventas = 250

Beneficio=?
I = 250*50=12500
E=5000+250*30=12500
Beneficio=12500-12500=0

24
Ventas = 1000

Beneficio=?
I = 1000*50=50000
E=5000+1000*30=35000
Beneficio=50000-35000=15000

25
Si introduzco el producto Beneficio
Ventas = 100 -3000
Ventas = 250 0
Ventas =1000 15000

Si no introduzco el 0
producto

26
Si introduzco el Beneficio Probabilidad
producto
Ventas = 100 -3000 1/3
Ventas = 250 0 1/3
Ventas =1000 15000 1/3

Si no introduzco el 0
producto

Valor Monetario Esperado = (-3000*1/3)+(0*1/3)+(15000*1/3)

= (-1000)+(0)+(5000)
= 4000
El VME de introducir el producto es 4000, y el de no introducir
es 0. Por tanto se decide introducir el producto. 27
Clasificación de Modelos

Modelos ciertos: se conocen los factores

principales.
Modelos inciertos: se desconocen algunos
factores.

28
Clasificación de Modelos

Tipos de modelos
Las var principales en los prob de decisión
son
El prob de decisión es Cierto Incierto
Sencillo Modelos de caso Análisis de decisiones
(árboles de decisiones)
Complejo Modelos de caso Simulación
Prog lineal
Prog entera

Dinámico (decisiones Mod de inventario Mod de inventario

se relacionan entre sí Mod PERT (ruta Modelos de colas
en el tiempo) critica) Proc de Markov
Prog dinámica Prog dinámica
29
Sistema de apoyo para la
toma de decisiones (DSS)

Sistema integrado de computación,

diseñado para auxiliar la toma de
decisiones para la dirección.

+ Base de datos
Computador + Gráficos
Modelo resuelve el + Informes
modelo

Que lo utilicen no expertos

30
Sistema de apoyo para la
toma de decisiones (DSS)

Interfaz Estructura
Usuario del modelo

Base de Generador Solucionador

datos de instancias (Solver)

31
Construcción de modelos

Mapa de carreteras: excluye la mayoría de

los detalles de los terrenos, edificios, etc,
para mostrar claramente los caminos (útil
por ser simple).
Primer paso en la construcción de un
modelo: elegir los factores o las variables
que el decisor considera importante.

32
Construcción de modelos

Variables de decisión: están bajo el

control del decisor y representan
alternativas para el director.
Gerente de mercado: que decide
introducción de un producto:
Introducir o no introducir.
Precio de venta.
Cantidad a colocar en el mercado.
33
Construcción de modelos

Variables exógenas: están bajo el control

de factores ajenos al decisor.
Condiciones económicas.
Acciones de los competidores.
Precio de materias primas.
Políticas y restricciones: impuestas por la
compañía, cuestiones legales y
limitaciones físicas.
34
Construcción de modelos

Capacidad de la planta (restringe las ventas).

Niveles de calidad.
En ocasiones se pueden modificar.
Importante tener presente que se pueden
modificar.
Ampliar la planta (aumentar capacidad).

35
Construcción de modelos

Medidas de rendimiento: al tomar una

decisión se tienen metas que se tratan de
alcanzar. Las medidas de rendimiento
(criterios) son expresiones cuantitativas
de estos objetivos.
Nivel de beneficios.
Cuota de mercado.
Rendimiento sobre la inversión.

36
Construcción de modelos

Variables intermedias: para relacionar las

variables de decisión y exógenas con las
medidas de rendimiento.
Variables contables relativas a los factores de
costos o ingresos.
Nivel de ingresos totales (precio*cant. de ventas).
Componentes de los costos de manufactura y
ventas.

37
Modelo y relación entre
variables

Variables exógenas

Modelo =
Variables conjunto de Medidas de
de relaciones rendimiento
decisión

Políticas y Entradas y
restriccio salidas del
nes modelo
38
Modelo y relación entre
variables

Definición: segundo paso en la

construcción de un modelo.
Contables Beneficio=Ingresos-Costos.
Físicos Producto de cierta mat. prima.
Modelo es el conjunto de estas relaciones.
“Transforma las variables de decisión en
medidas de rendimiento para un conjunto
específico de variables exógenas, políticas
y restricciones”. 39
Diagrama de influencia

Muestra cómo se relacionan las variables

o influyen en otras (construir y
comprender el modelo).

Salida Rendimiento

Variables y relaciones

Entrada Variables de decisión y exógenas

40
Diagrama de influencia

41
Incertidumbre

Decisiones empresariales – Condiciones

de certidumbre – Pronostico perfecto.
Mala decisión: no considerar los hechos
pertinentes.
Incertidumbre: acerca de lo que sucederá
después.
Herramientas: teoría matemática de
probabilidad.
42
T. de d. en condiciones de
incertidumbre

Se desarrolla un: medio para tomar

decisiones consistentes y para estimar el
costo de la incertidumbre.
Valor monetario esperado: criterio para la
toma de decisiones.
Oportunidad de experimentar.
Recopilar información adicional.
Modificar las probabilidades antes de tomar
la decisión. 43
Un primer ejemplo

RMC posee una pequeña fábrica de pintura para interiores y exteriores

de casas. Se utilizan dos materiales básicos, A y B, para producir las
pinturas. La disponibilidad máxima de A y B es 6 y 8 ton. por día.

La necesidad diaria de materia prima por tonelada de pintura para

exteriores e interiores se resume en la tabla siguiente:

Ton. de mat.
prima por ton. de
pintura
Disponiblidad
Exterior Interior
Máx. (ton)
Mat. prima A 1 2 6
Mat. prima B 2 1 8 44
Un primer ejemplo

Un estudio del mercado ha establecido que la demanda diaria de

pintura para interior no puede ser mayor que la de pintura para
exteriores en más de una tonelada. Asimismo, el estudio señala que la
demanda máxima de pintura para interiores está limitada a dos
toneladas diarias.

El precio por tonelada para las pinturas es de $3.000 y $2.000 para

exteriores e interiores respectivamente.

¿Cuanta pintura para exteriores e interiores debe producir la compañía

todos los días para maximizar su ingreso bruto?

45
Construcción del modelo
matemático

Se construye respondiendo 3 preguntas:

¿Qué busca determinar el modelo? ¿Cuáles son las
variables (incógnitas ) del problema?
¿Qué restricciones deben imponerse a las variables a fin
de satisfacer las limitaciones del sistema representado
por el modelo?
¿Cuál es el objetivo (meta) que necesita alcanzarse para
determinar la solución óptima (mejor) de entre todos los
valores Factibles de las variables?
Expresar el objetivo y las
Identificar restricciones como funciones
variables matemáticas de las variables
(PL: funciones lineales) 46
Variables de decisión: v.d.
xe: producción diaria de pintura para
exterior.
xi: producción diaria de pintura para
interior.

47
Objetivo: función objetivo
maximizar su ingreso bruto

Ingreso Bruto = (precio pint exterior *

cantidad de pint exterior vendida) + (precio
pint interior * cantidad de pint interior
vendida) = (3000*xe)+(2000*xi)

48
Maximizar z = (3000*xe)+(2000*xi)
Max z = (3000*xe)+(2000*xi)
Max ((3000*xe)+(2000*xi))

49
Restricciones
Nuestra f.o. la vamos a maximizar sujeta a
una serie de restricciones

Max z = (3000*xe)+(2000*xi)
s.a. sujeta a
s.t.

50
Restricciones

Solo podemos utilizar restricciones del

tipo =,  y .

51
Restricciones

 La disponibilidad máxima de A y B es 6 y 8 ton. por día.

Materia prima A
Consumo de mat prima A  Disponibilidad mat prima A
Consumo de mat prima A  6
Consumo de mat prima A = 1 xe + 2 xi

1 xe + 2 xi  6

52
Materia prima B
2 xe + 1 xi  8

 Un estudio del mercado ha establecido que la demanda

diaria de pintura para interior no puede ser mayor que
la de pintura para exteriores en más de una tonelada.

xi - xe  1

53
 Estudio señala que la demanda máxima de pintura para
interiores está limitada a dos toneladas diarias.

xi  2

 No negatividad: las variables por lo que representan no

pueden tomar valores negativos. No puedo producir una
cantidad negativa de pintura (exterior o interior)

xe, xi  0

54
Max z = (3000*xe)+(2000*xi)
s/a
1 xe + 2 xi  6
2 xe + 1 xi  8
-1 xe + 1 xi  1
1 xi  2
xe, xi  0

55
En el ejemplo

 Variables (de decisión): responder a la pregunta 1.

XE: ton. de pintura para exteriores producidas diariamente.
XI: ton. de pintura para interiores producidas diariamente.
 Función objetivo: maximizar el ingreso bruto.

Ingreso   precio * venta

todos los productos

Ingreso = 3.000 xE + 2.000 xI

Si nuestra unidad monetaria son los miles de pesos:
Ingreso = 3 xE + 2 xI Max z = 3 xE + 2 xI
56
En el ejemplo

 Restricciones: leamos de nuevo el enunciado

Restricciones en el uso de materias primas

1 xE + 2 xI  6 (mat. prima A)
2 xE + 1 xI  8 (mat. prima B)

 Restricciones sobre la demanda

xI - xE  1 (exceso de pintura para interiores sobre pintura
para exteriores)
xI  2 (demanda máxima de pintura para interiores)
57
En el ejemplo

 Restricciones de no negatividad: una restricción

implícita, cantidad producida no puede ser negativa.
xI, xE  0
 Modelo completo
Max z = 3 xE + 2 xI
S/a 1 xE + 2 xI  6
2 xE + 1 xI  8
- xE + xI  1
xI  2
xE, xI  0
58
En el ejemplo

 Def. Solución factible: los valores de las variables (ej. xI

y xE) que satisfacen (todas) las restricciones del modelo.

 Ejercicios:
Reescriba c/u de las restricciones:
La demanda diaria de pintura para interiores es mayor que la de
pintura para exteriores cuando menos en una tonelada.
El usos diario de la mat. prima A es cuando mucho de 6
toneladas y cuando menos de 3 toneladas.
La demanda de pintura para interiores no puede ser menor que
la pintura para exteriores.

59
En el ejemplo
 Verifique si las siguientes soluciones son factibles.
xE = 1, xI = 4 xE = 2, xI = 2 xE = 10/3, xI = 4/3
xE = 2, xI = 1 xE = 2, xI = -1

 Considere la solución factible xE = 2, xI = 2. Determine:

La cantidad no usada (holgura) de la materia prima A.
La cantidad no usada (holgura) de la materia prima B.

 Deter. la mejor solución entre todas las soluciones

factibles. (Puede usted acertar al numero de soluciones
factibles que puede tener el problema. Infinito numero
de soluciones ? técnica mas selectiva.) 60
(xE, xI)= (1, 4) ¿es solución factible? Para chequear si es
una solución factible se reemplaza en todas las
restricciones.

1 xe + 2 xi  6 (1*1)+(2*4) = 9  6 No cumple
2 xe + 1 xi  8
-1 xe + 1 xi  1
1 xi  2
xe, xi  0 Se cumple

La solución (1, 4) es infactible. 61

(xE, xI)= (2, 2) ¿es solución factible?

1 xe + 2 xi  6 (1*2)+(2*2) = 6  6 Se cumple
2 xe + 1 x i  8 (2*2)+(1*2) = 6  8 Se cumple
-1 xe + 1 xi  1 (-1*2)+(1*2)= 0  1 Se cumple
1 xi  2 (1*2)= 2  2 Se cumple
xe, xi  0 Se cumple

La solución (2, 2) es una solución factible. Significa quien

toma la decisión fabricar 2 ton de pintura para exterior y 2
ton de pintura para interior es una alternativa de decisión.

Como (2, 2) es factible podemos calcular el valor de la f.o

Z = (3*xe)+(2*xi) = (3*2)+(2*2)=10 miles de pesos
62
La cantidad no usada (holgura) de la materia prima A.

(1*2)+(2*2) = 6  6 La restricción se cumple como

igualdad y la holgura es cero.

La cantidad no usada (holgura) de la materia prima B.

(2*2)+(1*2) = 6  8 No me consumo toda la materia

prima B y la holgura (8-6) = 2.

63
Otros problemas

Un alumno tiene 100 horas para preparar tres asignaturas

A, B y C. Por cada hora de estudio espera conseguir 1
punto en A, 2 en B y 3 en C. Tiene ya asegurados 60, 70 y
67 puntos que ha conseguido durante el curso en cada una
de las asignaturas A, B y C y debe conseguir 40, 30 y 33
puntos respectivamente para aprobar cada una de las
asignaturas.

Formule un modelo de PL que permita maximizar la

puntuación en los exámenes.

64
v.d.
x1: horas de estudio en la asignatura A.
x2: horas de estudio en la asignatura B.
x3:horas de estudio en la asignatura C.

f.o. Maximizar z = 1 x1 + 2 x2 + 3 x3

Restricciones
s/a

65
Un alumno tiene 100 horas para preparar tres asignaturas
A, B y C.
x1 + x2 + x3  100 (también puede ser =)

Debe conseguir 40, 30 y 33 puntos respectivamente para

aprobar cada una de las asignaturas.
Para A
1*x1  40
Para B
2*x2  30 / :2
x2  15
Para C
3*x3  33 / :3
x3  11 66
No negatividad

x1, x2, x3  0

67
Otros problemas

Una pequeña fabrica de muebles produce mesas y sillas.

Un trabajador tarda dos horas en ensamblar una mesa y
30 minutos en armar una silla. La fábrica tiene 4
trabajadores que laboran un turno diario de 8 horas. Los
clientes suelen comprar cuando menos cuatro sillas con
cada mesa, lo que significa que la fabrica debe producir
por lo menos cuatro veces más sillas que mesas. El precio
de venta es de $135 por mesa y $50 por silla.

Formule un modelo de P.L. para el problema y determine

la combinación de sillas y mesas en la producción diaria
que maximizaría el ingreso total diario de la fábrica.
68
v.d.
x1= número de sillas fabricadas por día.
x2= número de mesas fabricadas por día.

f.o.
Maximizar (Ingreso Total diario)
Max z = 50 x1 + 135 x2

Restricciones
s/a

69
1) Un trabajador tarda dos horas en ensamblar una mesa y
30 minutos en armar una silla. La fábrica tiene 4
trabajadores que laboran un turno diario de 8 horas.

Existe un recurso Horas Hombre (HH), que es igual a

4*8=32 HH

0,5 x1 + 2 x2 ≤ 32

Si el recurso lo expresamos en Minutos Hombres, tenemos

60*32=1920 MH

30 x1 + 120 x2 ≤ 1920

70
2) La fabrica debe producir por lo menos cuatro veces más
sillas que mesas.

Mesas (x2) Sillas (x1)

x1 ≥ 4 x2 0 0, 1, 2, 3
1 4, 5, 6, 7,…
Si x2=0 2 8, 9, 10, 11,…
x1 ≥ 4*0 3 12, 13, 14,…

x1 ≥ 0

x1 puede tomar valores 0, 1, 2, 3, 4,…

71
Si x2=1
x1 ≥ 4*1
x1 ≥ 4

x1 puede tomar valores 4, 5, 6, 7,….

No negatividad

x1, x2 ≥ 0

72
Modelo completo

Max z = 50 x1 + 135 x2
s/a
0,5 x1 + 2 x2 ≤ 32
x1 ≥ 4 x2
x1, x2 ≥ 0

73
Modelo completo

Max z = 50 x1 + 135 x2
s/a
0,5 x1 + 2 x2 ≤ 32
x1 – 4 x2 ≥ 0
x1, x2 ≥ 0

74
Otros problemas

Una persona en edad de crecimiento necesita diariamente

al menos 75 gr. de proteínas, 90 gr. de grasas y 300 gr. de
hidratos de carbono. Supongamos que se quiere
proporcionar esos ingredientes a partir de cuatro alimentos
según la tabla siguiente:
Formule un modelo de PL que permita obtener la
combinación de alimentos que asegure los requerimientos
diarios al coste mínimo.
Proteínas Grasas Hidratos de Precio por
(gr/ud) (gr/ud) carbono unidad
(gr/ud)
Pan 2.5 0.5 15 0.5
Queso 7 10 0 2
Nueces 2.5 9.5 1 3
Margarina 0 30 0 1 75
v.d.
x1 = unidades de pan en la dieta.
x2 = unidades de queso en la dieta.
x3 = unidades de nueces en la dieta.
x4 = unidades de margarina en la dieta.

f.o.
Min z = 0.5 x1 + 2 x2 + 3 x3 + 1 x4
Min costo = 0.5 x1 + 2 x2 + 3 x3 + 1 x4

Restricciones
s/a

76
 Una persona en edad de crecimiento necesita
diariamente al menos 75 gr. de proteínas, 90 gr. de
grasas y 300 gr. de hidratos de carbono.

75 gr. de proteínas 2.5x1 + 7 x2 +2.5 x3 ≥ 75

90 gr. de grasas 0.5x1 + 10 x2 +9.5 x3+30 x4 ≥ 90
300 gr. de h de c 15x1 +1 x3 ≥ 300

 No negatividad
x1, x2, x3, x4 ≥ 0

Proteínas Grasas Hidratos de Precio por

(gr/ud) (gr/ud) carbono unidad
(gr/ud)
Pan 2.5 0.5 15 0.5
Queso 7 10 0 2
Nueces 2.5 9.5 1 3
Margarina 0 30 0 1 77
Otros problemas

Una compañía elabora dos tipos de sombreros. Cada

Sombrero del primer tipo requiere dos veces más tiempo
de mano de obra que un producto del segundo tipo. Si
todos los sombreros son exclusivamente del segundo tipo,
la compañía puede producir un total de 500 unidades al
día. El mercado limita las ventas diarias del primero y
segundo tipos a 150 y 200 unidades. La ganancia que se
obtiene por producto es $8 para el tipo 1 y $5 para el tipo
2.

Determine el número de sombreros de cada tipo que

deben elaborarse para maximizar la ganancia.
78
v.d.
x1 = número de sombreros tipo 1 fabricados.
x2 = número de sombreros tipo 2 fabricados.

f.o.

Max z = 8 x1 + 5 x2

Restricciones
s/a

79
Cada Sombrero del primer tipo requiere dos veces más
tiempo de mano de obra que un producto del segundo
tipo. Si todos los sombreros son exclusivamente del
segundo tipo, la compañía puede producir un total de 500
unidades al día.
Vamos a pensar que el recurso es 1 día

x1/250 + x2/500 ≤1

El mercado limita las ventas diarias del primero y segundo

tipos a 150 y 200 unidades.
x1 ≤ 150
x2 ≤ 200

No negatividad x1, x2 ≥ 0 80
 y

(x, y) = (0, 0) x

En este caso las variables x e

y pueden tomar valores
negativos.

81
Otros problemas

Una compañía elabora dos productos, A y B. El volumen de

ventas del producto A es cuando menos el 60% de las
ventas totales de los dos productos. Ambos productos
utilizan la misma materia prima, cuya disponibilidad diaria,
está limitada a 100 ton. Los productos A y B utilizan esta
materia prima a tasas de 2 ton/unidad y 4 ton/unidad,
respectivamente. El precio de venta de los dos productos
es de $20 y $40 por unidad.

Formule un modelo de P.L. para el problema y determine

la asignación óptima de la materia prima a los 2
productos.
82
v.d.
x1 = producción por día de producto A.
x2 = producción por día de producto B.

f.o. Maximizar (Ingresos)

Max z = 20 x1 + 40 x2

Restricciones
s/a

83
El volumen de ventas del producto A es cuando menos el
60% de las ventas totales de los dos productos.

Volumen de ventas del producto A = x1

Ventas totales de los dos productos = x1 + x2

x1/ (x1+x2) ≥ 0.6 (x1/ (x1+x2))*100 ≥ 60

La función x1/ (x1+x2) es no lineal. Se puede linealizar

fácilmente.
x1/ (x1+x2) ≥ 0.6 *(x1+x2)
X1 ≥ 0.6 (x1+X2)
X1 -0.6 x1 – 0.6 x2 ≥0
0.4 x1 – 0.6 x2 ≥0
84
Ambos productos utilizan la misma materia prima, cuya
disponibilidad diaria, está limitada a 100 ton. Los
productos A y B utilizan esta materia prima a tasas de 2
ton/unidad y 4 ton/unidad, respectivamente

2 x1 + 4 x2 ≤ 100

No negatividad

x1, x2 ≥ 0

85
Otras aplicaciones de
programación lineal

 Programación lineal entera: alguna o todas las variables

toman valores enteros o discretos.
 Mixta: algunas variables enteras.
 Pura: todas las variable son enteras.
 Algoritmos de P.L.E.: ninguno es confiable desde el
punto de vista de calculo (mucho tiempo).

86
Solución Gráfica

 Solución Gráfica: Deducción de conclusiones como base

para el desarrollo del método de soluciones general.
1er paso: Graficar las soluciones factibles (espacio de
soluciones factibles). Satisface todas las restricciones
en forma simultánea.
10
9
8
(2)
7
6 Espacio de Soluciones abcdef
5
(1)
4
3
e d k
2 (4)
c
1 f
h
Xe
1 2 3 4 5 6 7 8 9 10
87
 xI Max z = 3 xE + 2 xI
(0, 8) S/a
1 xE + 2 xI  6 (1)
2 xE + 1 xI  8 (2)
- xE + xI  1 (3)
xI  2 (4)
xE , xI  0

(3)

(0, 3)

(4)

(0, 1)
Región factible

(-1, 0)
0 (4, 0) (6, 0) xE 88
(2) (1)
Debemos graficar 1 x E + 2 xI  6 (1)
Primero debemos graficar la ecuación o igualdad
1 x E + 2 xI = 6 (es una recta)
Si xE=0 xI=6/2=3 Pasa por el punto (xE, xI) = (0, 3)
Si xI=0 xE=6/1=6 Pasa por el punto (xE, xI) = (6, 0)
Para graficar la inecuación necesitamos saber el sentido de
la desigualdad. Para saber el sentido evaluamos en un
punto fuera de la igualdad. Generalmente se hace en el
origen (xE, xI) = (0, 0), debido a la facilidad de multiplicar
por 0. Reemplazamos el origen el la inecuación:

(1*0)+ (2*0) = 0  6 Si, el origen satisface la inecuación

89
2 xE + 1 xI  8 (2)
Debemos graficar la igualdad 2 xE + 1 xI = 8
xE=0 xI=8/1=8 Pasa por el punto (xE, xI) = (0, 8)
xI=0 xE=8/2=4 Pasa por el punto (xE, xI) = (4, 0)
Evaluamos en el origen (0, 0)
(2*0) +(1+0) = 0  8 El origen satiface la inecuación.

90
-xE + xI  1 (3)
Graficamos la igualdad - xE + xI = 1
xE=0 xI=1 Pasa por el punto (xE, xI) = (0, 1)
xI=0 xE=-1 Pasa por el punto (xE, xI) = (-1, 0)
Evaluamos (0, 0) para ver el sentido de la desigualdad.

-0 + 0 = 0  1 el punto (0, 0) satisface la desigualdad.

91
xI  2 (4)
Graficamos xI = 2

92
Solución Gráfica

2X I  6  X E
X E  2 X I  6 (1) XE X
XI  3  XI  3 E
2 2

 Para determinar cual es la región, se evalúa (XE,XI)=

(0,0) si satisface la igualdad. Considera el origen.

0  20  0  6

93
Solución Gráfica

Paso 2: Para obtener la solución optima máxima

(mínima), desplazamos la recta del ingreso en la
dirección en que crecen (decrecen) los valores de Z
hasta el punto en que cualquier incremento
(decremento) adicional en el ingreso producirá una
solución infactible.
1
X E  3 ton
3 MaxZ  3 X E  2 X I
1 2 X I  Z  3X E
X I  1 ton
3 Z 3
XI   XE
2 2 2
Z  12
3
94
 xI Max z = 3 xE + 2 xI
(0, 8) S/a
1 xE + 2 xI  6 (1)
2 xE + 1 xI  8 (2)
- xE + xI  1 (3)
xI  2 (4)
xE , xI  0

(3)

(0, 5)

Z=10

(0, 3)

(4)

Óptimo (xI, xE)*= (4/3, 10/3)

(0, 1)
z*=38/3
Región factible

(-1, 0)
0 (10/3, 0) (4, 0) (6, 0) xE 95
(2) (1)
Debemos graficar la f.o. Max z = 3 xE + 2 xI
Para graficarla la expresamos como la ecuación de una
recta.
z=3 xE + 2 xI
2 xI =z- 3 xE
xI =(z/2)-((3/2)*xE)
A priori no lo podemos graficar. Para graficar nos damos
valores de z. Por ejemplo z=10
xI =(10/2)-((3/2)*xE)
xI =5-((3/2)*xE) Que si podemos graficar
xE=0 xI=5 o sea pasa por el punto (0, 5)
xI=0 xE=10/3 o sea pasa por el punto (10/3, 0)

96
El óptimo se encuentra en la intersección de la las rectas
de 2 restricciones, restricciones (1) y (2)
1 xE + 2 xI = 6
2 xE + 1 xI = 8
Para obtener los valores óptimos de xE y xI debemos
resolver el sistema de ecuaciones.
Despejamos xE de la primera restricción
xE = 6-2xI
Y reemplazamos en la segunda restricción donde se
encuentra xE.
2(6-2xI)+xI=8
12-4xI+xI=8
-3xI = -4
xI=4/3 xE=6 – 2*(4/3) =(18 -8)/3=10/3
97
Los valores óptimos son (xE, xI)*= (10/3,
4/3). También podemos calcular el z
óptimo.
z = 3 xE + 2 xI
z* = 3 (10/3) + 2 (4/3) = 38/3

98
Resolver por método gráfico

Min Z = 2 x1 + 3 x2
s/a
x1 + x2 ≤ 15 (1)
x1 + 2 x2 ≥ 10 (2)
x1, x2 ≥ 0
99
 x2

(0, 15) Min Z = 2 x1 + 3 x2

El punto óptimo es (0, 5) y

Z óptimo es:
(0, 10) Z=(2*0)+(3*5)=15
Z=30
Región Factible

(6, 6)
Z=15
(0, 5)

(2) (1)

(10, 0) (15, 0) x1 100

Graficar x1 + x2 ≤ 15
Graficamos x1 + x2 = 15
x1=0 x2=15 (0, 15)
x2=0 x1=15 (15, 0)
Evaluamos si el origen (0, 0) cumple la desigualdad
x1 + x2 ≤ 15
0 + 0 = 0 ≤ 15 Si se cumple

101
Graficar x1 + 2 x2 ≥ 10
Graficar x1 + 2 x2 = 10
x1=0 x2=10/2=5 (0, 5)
x2=0 x1=10 (10, 0)
Evaluamos si el origen (0, 0) cumple la desigualdad
x1 + 2 x2 ≥ 10
0 +(2*0) = 0 ≥ 10 No se cumple

102
Graficar la f.o. Z = 2 x1 + 3 x2
3 x2 = Z – 2x1
x2=(Z/3)-(2/3)x1
Para graficar debemos darle valores a Z
Z(6,6) = (2*6)+(3*6)=12+18=30
Vamos a graficar Z para Z=30. La f.o. queda de la forma
siguiente:

x2=(30/3)-(2/3)x1
x2=10-(2/3)x1
x1=0 x2=10 (0, 10)

x2=0 0=10-(2/3)x1
103
0=10-(2/3)x1
-(2/3)x1 = -10
x1 = -(10*3)/-2
x1 =30/2 =15

Pasa por el punto (15, 0)

104
Ejercicios

Identifique el espacio factible para c/u de las

restricciones en forma independiente. Suponga no
negatividad.

(a) -3X1+X2  7
(b) X1-2X2  5
(c) 2X1-3X2  8
(d) X1-X2  0
(e) –X1+X2  0

105
Ejercicios

Identifique la dirección del crecimiento o decrecimiento

de Z en c/u de los casos siguientes.

(a) Max Z=X1-X2

(b) Min Z=-3X1+X2
(c) Min Z=-X1-2X2
(d) Max Z=-5X1-6X2

106
(a) Max Z=X1-X2

x2

x1

107
Max Z=c1 X1+c2 X2

x2
c1<0
c2>0
c1, c2 > 0

x1

c1, c2 < 0 c1>0

c2<0

108
Min Z=c1 X1+c2 X2

x2
c1>0
c2<0
c1, c2 < 0

x1

c1, c2 > 0 c1<0

c2>0

109
Conclusión

Solución óptima puede identificarse

siempre con uno de los puntos de esquina
(o extremos) factibles del espacio de
solución.

Concentramos en un número finito de

puntos (extremos).

110