HISTORIA DE LA PROGRAMACION LINEAL

En los siglos XVII y XVIII, grandes matemáticos como Newton, Leibnitz, Bernouilli y, sobre
todo, Lagrange, que tanto habían contribuido al desarrollo del cálculo infinitesimal, se
ocuparon de obtener máximos y mínimos condicionados de determinadas funciones.

Posteriormente el matemático
fránces Jean Baptiste-
Joseph Fourier (1768-1830) fue el
primero en intuir, aunque de forma
imprecisa, los métodos de lo que
actualmente llamamos
programación lineal y la
potencialidad que de ellos se
deriva.

Si exceptuamos al
matemático Gaspar Monge (1746-
1818), quien en 1776 se interesó por problemas de este género, debemos remontarnos al año
1939 para encontrar nuevos estudios relacionados con los métodos de la actual programación
lineal. En este año, el matemático ruso Leonodas Vitalyevich Kantarovitch publica una
extensa monografía titulada Métodos matemáticos de organización y planificación de la
producción en la que por primera vez se hace corresponder a una extensa gama de problemas
una teoría matemática precisa y bien definida llamada, hoy en día, programación lineal .

En 1941-1942 se formula por primera vez el problema de transporte, estudiado

independientemente por Koopmans y Kantarovitch, razón por la cual se suele conocer con el
nombre de problema de Koopmans-Kantarovitch.

Tres años más tarde, G. Stigler plantea otro problema particular conocido con el nombre de
régimen alimenticio optimal.

En estos años posteriores a la Segunda Guerra Mundial, en Estados Unidos se asumió que la
eficaz coordinación de todas las energías y recursos de la nación era un problema de tal
complejidad, que su resolución y simplificación pasaba necesariamente por los modelos de
optimización que resuelve la programación lineal.

Paralelamente a los hechos descritos se desarrollan las técnicas de computación y los

ordenadores, instrumentos que harían posible la resolución y simplificación de los problemas
que se estaban gestando.

En 1947, G.B. Dantzig formula, en términos matemáticos muy precisos, el enunciado estándar
al que cabe reducir todo problema de programación lineal. Dantzig, junto con una serie de
investigadores del United States Departament of Air Force, formarían el grupo que dio en
denominarse SCOOP (Scientific Computation of Optimum Programs).

Una de las primeras aplicaciones de los estudios del grupo SCOOP fue el puente aéreo de
Berlín. Se continuó con infinidad de aplicaciones de tipo
preferentemente militar.

Hacia 1950 se constituyen, fundamentalmente en Estados Unidos,

distintos grupos de estudio para ir desarrollando las diferentes
ramificaciones de la programación lineal. Cabe citar, entre otros, Rand
Corporation, con Dantzig, Orchard-Hays, Ford, Fulkerson y Gale, el
departamento de Matemáticas de la Universidad de Princenton, con
Tucker y Kuhn, así como la Escuela Graduada de Administración
 Industrial, dependiente del Carnegie Institute of Technology , con Charnes y Cooper.

Respecto al método del simplex, que estudiaremos después, señalaremos que su estudio
comenzó en el año 1951 y fue desarrollado por Dantzig en el United States Bureau of
Standards SEAC COMPUTER, ayudándose de varios modelos de ordenador de la firma IBM.

Los fundamentos matemáticos de la programación lineal se deben al matemático

norteamericano de origen húngaro Janos von Neuman (1903-1957), quie en 1928 publicó su
famoso trabajo Teoría de Juegos. En 1947 conjetura la equivalencia de los problemas de
programación lineal y la teoría de matrices desarrollada en sus trabajos. La influencia de este
respetado matemático, discípulo de David Hilbert en Gotinga y, desde 1930, catedrático de
la Universidad de Princenton de Estados Unidos, hace que otros investigadores se interesaran
paulatinamente por el desarrollo riguroso de esta disciplina.

En 1858 se aplicaron los métodos de la programación lineal a un problema concreto: el cálculo

del plan óptimo de transporte de arena de construcción a las obras de edificación de la ciudad
de Moscú. En este problema había 10 puntos de partida y 230 de llegada. El plan óptimo de
transporte, calculado con el ordenador Strena en 10 días del mes de junio, rebajó un 11% los
gastos respecto a los costes previstos.

Se ha estimado, de una manera general, que si un país subdesarrollado utilizase los métodos
de la programación lineal, su producto interior bruto (PIB) aumentaría entre un 10 y un 15% en
tan sólo un año.

Fue utilizada por G. Monge en 1776 y se considera a L. V. Kantoróvich uno de sus creadores. La
presentó en su libro Métodos matemáticos para la organización y la producción (1939) y la desarrolló
en su trabajo Sobre la transferencia de masas (1942). Kantoróvich recibió el premio Nobel de
economía en 1975 por sus aportaciones al problema de la asignación óptima de recursos
humanos.Uno de momentos más importantes en la programación lineal fue la aparición del método
del Simplex. Este método, desarrollado por G. B. Dantzig en 1947, consiste en la utilización de un
algoritmo para optimizar el valor de la función objetivo teniendo en cuenta las restricciones
planteadas. Este tipo de análisis se utiliza en casos donde intervienen cientos e incluso miles de
variables.

En 1946 comienza el largo período de la guerra fría entre la antigua Unión Soviética (URSS) y las
potencias aliadas (principalmente , Inglaterra y Estados Unidos). Uno de los episodios más
llamativos de esa guerra fría se produjo a mediados de 1948, cuando la URSS bloqueó las
comunicaciones terrestres desde las zonas alemanas en poder de los aliados con la ciudad de Berlín,
iniciando el bloqueo de Berlín. A los aliados se les plantearon dos posibilidades: o romper el bloqueo
terrestre por la fuerza, o llegar a Berlín por el aire. Se adoptó la decisión de programar una
demostración técnica del poder aéreo norteamericano; a tal efecto, se organizó un gigantesco puente
aéreo para abastecer la ciudad: en diciembre de 1948 se estaban transportando 4500 toneladas
diarias; en marzo de 1949, se llegó a las 8000 toneladas, tanto como se transportaba por carretera y
ferrocarril antes del corte de las comunicaciones. En la planificación de los suministros se utilizó la
programación lineal. (El 12 de mayo de 1949, los soviéticos levantaron el bloqueo)
Ahora bien , esta disciplina científica se aplica principalmente en el terreno de la actividad
económica y, por consiguiente, tiene una importancia muy especial para la economía política y otras
ciencias económicas. El nombre de programación lineal no procede de la creación de programas de
ordenador, sino de un término militar, programar, que significa realizar planes o propuestas de
tiempo para el entrenamiento, la logística o el despliegue de las unidades de combate.
FORMULACIÓN DE MODELOS DE PROGRAMACIÓN LINEAL

Alguno de los tipos de problemas que se pueden formular son:

Planeación de la producción e inventarios

Mezcla de Alimentos

Transporte y asignación

Planeación financiera

Mercadotecnia

Asignación de recursos

En esta parte debemos considerar algo muy importante, hay una variedad de
aplicaciones de modelos lineales, en las siguientes paginas vamos a tratar de
considerar modelos lineales y sobre todo de mas aplicación al inicio del
aprendizaje de formulación de modelos lineales.

Problema 1.-(producción)
Una industria vinícola produce vino y vinagre. El doble de la producción de vino es
siempre menor o igual que la producción de vinagre más cuatro unidades. Por otra
parte, el triple de la producción de vinagre sumado con cuatro veces la producción
de vino se mantiene siempre menor o igual a 18 unidades.Halla el número de
unidades de cada producto que se deben producir para alcanzar un beneficio
máximo, sabiendo que cada unidad de vino deja un beneficio de S/8 y cada
unidad de vinagre de S/2.
Solución:
 Vino Vinagre

Beneficio S/8 / unidad S/ 2 /unidad

Variable de decisión:
Xi= Número de unidades producidas de i(i=Vino,vinagre=1,2) a elaborar.

Función Objetivo:
Max=8x1+2x2
Restricciones:
El doble de la producción de vino es siempre menor o igual que la producción de
vinagre más cuatro unidades:2x1<=x2+4 el triple de la producción de vinagre
sumado con cuatro veces la producción de vino se mantiene siempre menor o
igual a 18 unidades.
3x2+4x1<=18
Modelo Lineal
Max=8x1+2x2
Sujeto a:

2x1-x2<=4
4x1+3x2<=18
no negatividad:

Xi>=0

SOLUCIÓN GRÁFICA DE PROBLEMAS DE PROGRAMACIÓN LINEAL

Muchos problemas de administración y economía están relacionados con la optimización

(maximización o minimización) de una función sujeta a un sistema de igualdades o
desigualdades. La función por optimizar es la función objetivo. Las funciones de ganancia y de
costo son ejemplos de funciones objetivo. El sistema de igualdades o desigualdades a las que
está sujeta la función objetivo reflejan las restricciones (por ejemplo, las limitaciones sobre
recursos como materiales y mano de obra) impuestas a la solución (o soluciones) del
problema. Los problemas de esta naturaleza se llamanproblemas de programación
matemática. En particular, aquellas donde la función objetivo y las restricciones se expresan
como ecuaciones o desigualdades lineales se llaman problemas de programación lineal.

Un problema de programación lineal: Un problema de programación lineal

consta de una funci´n objetivo lineal por maximizar o minimizar, sujeta a ciertas
restricciones en la forma de igualdades o desigualdades lineales.
Como ejemplo de un problema de programación lineal en que la función objetivo debe
maximizarse, considerese el siguiente problema de producción con dos variables

El granjero Lopez tiene 480 hectáreas en la que se puede Maiz:

sembrar ya sea trigo o maíz. El calcula que tiene 800 horas Utilidad: $40 por hrs.
de trabajo disponible durante la estación crucial del Trabajo: 2hs por hrs.
verano. Dados márgenes de utilidad y los requerimientos Trigo:
laborales mostrados a la derecha, ¿Cuántas hectáreas de Utilidad: $30 por hrs.
cada uno debe plantar para maximizar su utilidad?¿Cuál Trabajo: 1hs por hrs.
es ésta utilidad máxima?
Solución: Como primer paso para la formulación matemática de este problema, se tabula la
información dada (Tabla 1). Si llamamos x a las hectáreas de maíz e y a las hectáreas de trigo.
Entonces la ganancia total P, en dólares, está dada por:

P=40x+30y

Que es la función objetivo por maximizar.

Elementos
Maíz Trigo
disponibles
Horas 2 1
Hectáreas 1 1 800
Utilidad por unidad $40 $30 480
La cantidad total de tiempo par hectáreas para sembrar maíz y trigo está dada por 2x+y horas
que no debe exceder las 800 horas disponibles para el trabajo. Así se tiene la desigualdad:

2x+y<800

En forma análoga, la cantidad de hectáreas disponibles está dada por x+y, y ésta no puede
exceder las hectáreas disponibles para el trabajo, lo que conduce a la desigualdad.

Por último, si no queremos tener pérdidas, x y y no pueden ser negativa, de modo que

x>0

y>0

En resumen, el problema en cuestión consiste en maximizar la función objetivo P=40x+30y

sujeta a las desigualdades

2x+y<800

x+y<480

x>0

y>0
Solución Gráfica

Los problemas de programación lineal en dos variables tienen interpretaciones geométricas

relativamente sencillas; por ejemplo, el sistema de restricciones lineales asociado con un
problema de programación lineal bidimensional- si no es inconsistente- define una región
plana cuya frontera está formada por segmentos de recta o semirrectas, por lo tanto es
posible analizar tales problemas en forma gráfica.

Si consideremos el problema del granjero López, es decir, de maximizar P = 40x+ 30y sujeta a

2x+y<800

x+y<480

x>0, y>0 (7)

El sistema de desigualdades (7) define la región plana S que aparece en la figura 5. Cada
punto de S es un candidato para resolver este problema y se conoce

como solución factible. El conjunto S se conoce como conjunto factible. El objetivo es

encontrar – entre todos los puntos del conjunto S- el punto o los puntos que optimicen la
función objetivo P. Tal solución factible es una solución óptima y constituyen la solución del
problema de programación lineal en cuestión.

Como ya se ha observado, cada punto P(x,y) en S es un candidato para la solución óptima

del problema en cuestión, por ejemplo, es fácil ver que el punto (200, 150) está en S y, por lo
tanto, entra en la competencia. El valor de la función objetivo P en el punto (200,150) está
dado por P=40(200)+30(150)=12.500 . Ahora si se pudiera calcular el valor
de P correspondiente a cada punto de S, entonces el punto (o los puntos) en S que
proporcione el valor máximo de P formará el conjunto solución buscado. Por desgracia, en la
mayoría de los problemas, la cantidad de candidatos es demasiado grande o, como en este
problema, es infinita. Así este método no es adecuado.

Es mejor cambiar de punto de vista: en vez de buscar el valor de la función objetivo P en un

punto factible, se asignará un valor a la función P y se buscarán los puntos factibles que
correspondieran a un valor dado de P. Para esto supóngase que se asigna a P el valor 6000.
Entonces la función objetivo se convierte en 40x+ 30y = 6.000,una ecuación lineal en x e y; por
lo tanto, tiene como gráfica una línea recta L1 en el plano.
 Está claro que a cada punto del segmento de recta dado por la intersección de la línea
recta L1 y el conjunto factible S corresponde el valor dado 6000 de P. Al repetir el proceso,
pero ahora asignando a P el valor de 12.000, se obtiene la ecuación 40x+ 30y =12.000 y la
recta L2 lo cual sugiere que existen puntos factibles que corresponden a un valor mayor de P.
Obsérvese que la recta L2es paralela a L1, pues ambas tienen una pendiente igual a –4/3. Esto
se comprueba con facilidad escribiendo las ecuaciones en explícita de la recta.

En general, al asignar diversos valores a la función objetivo, se obtiene una familia de

rectas paralelas, cada una con pendiente igual a –4/3. Además, una recta correspondiente a un
valor mayor de Pestá más alejada del origen que una recta con un valor menor de P. El
significado es claro. Para obtener las soluciones óptimas de este problema, se encuentra la
recta perteneciente a esta familia que se encuentra más lejos del origen y que interseque al
conjunto factible S. La recta requerida es aquella que pasa por el punto P(320,160) (Fig. 6), de
modo que la solución de este problema está dado porx=320, y=160 ( es decir que el granjero
López deberá sembrar 320 hectáreas de maíz y 160 hectáreas de trigo), lo que produce el
valor máximo P=40(320)+30(160)=17.600.

No es casualidad que la solución óptima de este problema aparezca como vértice del
conjunto factible S. De hecho, el resultado es consecuencia del siguiente teorema básico de la
programación lineal, que se enuncia sin demostración.

Teorema 1: Si en problema de programación lineal tiene una solución,

entonces ésta debe aparecer en un vértice, o esquina, del conjunto
factible S asociado con el problema. Además, si la función objetivo P se
optimiza en dos vértices adyacente de S, entonces se optimiza en todos los
puntos del segmento de recta que une estos vértices, en cuyo caso existe una
infinidad de soluciones al problema

En nuestro ejemplo los únicos vértice del conjunto factible S son los puntos
coordenados: (0,0); (400,0); (320,160); (0,480), llamados también puntos esquinas (Fig. 6).

Un ejemplo en el que tendríamos infinitas soluciones, es:

VERTICE P=40x+40y Supóngase que la utilidad por hectáreas es de $40 para ambos,
maíz y trigo. La tabla para este caso muestra la misma utilidad total
(0,0) 0 en los vértices(0,480) y (320,160). Esto significa que la línea de
(0,480) 19.200 utilidad en movimiento abandona la región sombreada por el lado
(320,160) 19.200 determinado por esos vértices (adyacentes) , así todo punto en ese
lado da una utilidad máxima. Todavía es válido, sin embargo, que la
(400,0) 16.000 utilidad máxima ocurre en un vértice.
El teorema 1 dice que la búsqueda de las soluciones a un problema de programación lineal se
puede restringir al examen del conjunto de vértices del conjunto factible S relacionado con el
problema. Como un conjunto factible S tiene un número finito de vértices, el teorema sugiere
que las soluciones a un problema de programación lineal se puedan hallar inspeccionando los
valores de la función objetivo P en los vértices.

Aunque el teorema 1 arroja un poco de luz acerca de la naturaleza de la solución de un

problema de programación lineal, no indica cuándo tiene solución. El siguiente teorema
establece ciertas condiciones que garantizan la existencia de la solución de un problema de
programación lineal.

Teorema 2: Supóngase un problema de programación lineal con un conjunto factible S y una función
objetivo P = ax + by.
Existencia
de una 1. Si S está acotado, entonces P tiene u valor máximo y n valor mínimo en S.
solución
2. Si S no está acotado y tanto a como b son no negativos, entonces P tiene un valor mínimo
en S, si las restricciones que definen a S incluyen las desigualdades x ³ 0 e y ³ 0.

3. Si S es el conjunto vacío, entonces el problema de programación lineal no tiene solución;

es decir, P no tiene un valor máximo ni uno mínimo

El método utilizado para resolver el problema del granjero López recibe el nombre de método
de las esquinas. Este método sigue un procedimiento muy sencillo para resolver los problemas
de programación lineal basada en el teorema1.

Método de 1. Se grafica el conjunto factible.

las
esquinas 2. Se encuentran las coordenadas de todas las esquinas (vértices) del conjunto factible.

3. Se evalúa la función objetivo en cada esquina.

4. Se halla el vértice que proporcione el máximo (mínimo) de la función objetivo. Si sólo

existe un vértice con esta propiedad, entonces constituye una solución única del problema.
Si la función objetivo se maximiza (minimiza) en dos esquinas adyacentes de S, entonces
existe una infinidad de soluciones óptimas dadas por los puntos del segmento de recta
determinado por estos dos vértices.

Aplicaremos los conceptos antes emitidos al siguiente problema de nutrición, basado en los
requerimientos, en el cual hay que minimizar la función objetivo.

Un nutricionista asesora a un individuo que sufre una deficiencia de

hierro y vitamina B, y le indica que debe ingerir al menos 2400 mg de
vitamina B-1 (tiamina) y 1500 mg de vitamina B-2 (riboflavina) durante
cierto período de tiempo. Existen dos píldoras de vitaminas disponibles,
la marca A y la marca B. Cada píldora de la marca A contiene 40 mg de
hierro, 10 mg de vitamina B-1, 5 mg de vitamina B-2 y cuesta 6 centavos.
Cada píldora de la marca B contiene 10 mg de hierro, 15 mg de vitamina
B-1 y de vitamina B-2, y cuesta 8 centavos (tabla 2).
¿Cuáles combinaciones de píldoras debe comprar el paciente para cubrir
sus requerimientos de hierro y vitamina al menor costo?
 Requerimientos
Marca A Marca B
mínimos
Hierro 40 mg 10 mg 2400 mg
Vitamina B-1 10 mg 15 mg 2100 mg
Vitamina B-2 5 mg 15 mg 1500 mg
Costo por píldora
0,06 0,08
(US$)
Solución: Sea x el número de píldoras de la marca A e y el número de píldoras de la marca B
por comprar. El costo C, medido en centavos, está dado por

C = 6x+ 8y

que representa la función objetivo por minimizar.

La cantidad de hierro contenida en x píldoras de la marca A e y el número de píldoras de la

marca B está dada por 40x+10y mg, y esto debe ser mayor o igual a 2400 mg. Esto se traduce
en la desigualdad.

40x+10y>2400

Consideraciones similares con los requisitos mínimos de vitaminas B-1 y B-2 conducen a las
desigualdades:

10x+15y>2100

5x+15y>1500

respectivamente. Así el problema en este caso consiste en minimizar C=6x+8y sujeta a

40x+10y>2400

10x+15y>2100

5x+15y>1500

x>0, y>0

El conjunto factible S definido por el sistema de restricciones aparece en la figura. Los vértices
del conjunto factible S son A(0,240); B(30,120); C(120; 60) y D(300,0).
Los valores de la función objetivo C en estos vértices en la tabla que sigue

Vertice C=6x + 8y
A (0,240) 1920
B(30,120) 1140
C(120,60) 1200
D(300,0) 1800
La tabla muestra que el mínimo de la función objetivo C=6x+8y ocurre en el vértice B(30,120) y
tiene un valor de 1140. Así el paciente debe adquirir 30 píldoras de la marca A y 120 de la
marca B, con un costo mínimo de $11,40.

El método de las esquinas es de particular utilidad para resolver problemas de programación

lineal en dos variables con un número pequeño de restricciones, como han demostrado los
ejemplos anteriores, sin embargo su efectividad decrece con rapidez cuando el número de
variables o de restricciones aumenta. Por ejemplo, se puede mostrar que un ejemplo de
programación lineal en tres variables y cinco restricciones puede tener hasta diez esquinas
factibles. La determinación de las esquinas factibles requiere resolver 10 sistemas 3x3 de
ecuaciones lineales y luego comprobar que cada uno es un punto factible, sustituyendo cada
una de estas soluciones en el sistema de restricciones. Cuando el número de variables y de
restricciones aumenta a cinco y diez, respectivamente (que aún es un sistema pequeño desde
el punto de vista de las aplicaciones en economía), la cantidad de vértice por hallar y
comprobar como esquinas factibles aumenta hasta 252, y cada uno de estos vértices se
encuentra resolviendo el sistema lineal... ¡de 5x5! Por esta razón, el método de las esquinas se
utiliza con poca frecuencia para resolver problemas de programación lineal, su valor reside en
que permite tener una mejor idea acerca de la naturaleza de las soluciones a los problemas de
programación lineal a través de su uso en la solución de problemas de dos variables.

El método gráfico se emplea para resolver problemas que presentan sólo 2

variables de decisión. El procedimiento consiste en trazar las ecuaciones de las
restricciones en un eje de coordenadas X1, X2para tratar de identificar el área
de soluciones factibles (soluciones que cumplen con todas las restricciones).
La solución óptima del problema se encuentra en uno de los vértices de esta
área de soluciones creada, por lo que se buscará en estos datos el valor
mínimo o máximo del problema.

EJEMPLO 1:

Una compañía de auditores se especializa en preparar liquidaciones y

auditorías de empresas pequeñas. Tienen interés en saber cuantas auditorías y
liquidaciones pueden realizar mensualmente para maximizar sus ingresos. Se
dispone de 800 horas de trabajo directo y 320 horas para revisión. Una
auditoría en promedio requiere de 40 horas de trabajo directo y 10 horas de
revisión, además aporta un ingreso de 300 dls. Una liquidación de impuesto
requiere de 8 horas de trabajo directo y de 5 horas de revisión, produce un
ingreso de 100 dls. El máximo de liquidaciones mensuales disponibles es de
60.

OBJETIVO : Maximizar el ingreso total.

VARIABLE DE DECISION: Cantidad de auditorías (X1).

Cantidad de liquidaciones (X2).

RESTRICCIONES : Tiempo disponible de trabajo directo

Tiempo disponible de revisión

Número máximo de liquidaciones.

Maximizar

Sujeto a:
La solución óptima siempre se encuentra en uno de los vértices del conjunto de
soluciones factibles. Se analizan estos valores en la función objetivo. El vértice
que representa el mejor valor de la función objetivo será la solución óptima.

EJEMPLO 2.

Un departamento de publicidad tiene que planear para el próximo mes una

estrategia de publicidad para el lanzamiento de una línea de T.V. a color tiene a
consideración 2 medios de difusión: La televisión y el periódico.
Los estudios de mercado han mostrado que:

1. La publicidad por T.V. Llega al 2 % de las familias de ingresos altos y al 3 %

de las familias de ingresos medios por comercial.

2. La publicidad en el periódico llega al 3 % de las familias de ingresos altos y

al 6 % de las familias de ingresos medios por anuncio.

La publicidad en periódico tiene un costo de 500 dls. por anuncio y la publicidad

por T.V. tiene un costo de 2000 dls. por comercial. La meta es obtener al
menos una presentación como mínimo al 36 % de las familias de ingresos altos
y al 60 % de las familias de ingresos medios minimizando los costos de
publicidad.

OBJETIVO : Minimizar los costos de publicidad.

VARIABLE DE DECISION: Anuncios para las familias de ingreso alto (X1).

Anuncios para las familias de ingreso medio (X2).

RESTRICCIONES : Porcentaje de presentación.

Minimizar

Sujeto a:
SOLUCION OPTIMA:

EJEMPLO 3.

Un expendio de carnes acostumbra preparar carne para hamburguesa con una

combinación de carne molida de res y carne molida de cerdo. La carne de res
contiene 80 % de carne y 20 % de grasa y le cuesta a la tienda 80 centavos por
libra. La carne de cerdo contiene 68 % de carne y 32 % de grasa y cuesta 60
centavos por libra. ¿Qué cantidad de cada tipo de carne debe emplear la tienda
por cada libra de carne para hamburguesa si desea minimizar el costo y
mantener el contenido de grasa no mayor de 25 %?

Minimizar

Sujeto a:
 PROGRAMACIÓN LINEAL MÉTODO GRÁFICORestricciones: a. X
1≤
10b. X
2

≤
10c. X
1
+X
2

≤
16d. 6X
1
+ 4X
2

≥
48e. X
1
+X
2

≤
20f. 2X
1
+ 4X
2

≥
16g. X
1
-X
2

≤
0h. No negatividad: X
1
,X
2

≥
0

SOLUCION OPTIMA:
 El método gráfico se emplea para resolver problemas que presentan sólo
2 variables de decisión. El procedimiento consiste en trazar las ecuaciones de
las restricciones en un eje de coordenadas X1, X2para tratar de identificar el
área de soluciones factibles (soluciones que cumplen con todas las
restricciones).

La solución óptima del problema se encuentra en uno de los vértices de esta

área de soluciones creada, por lo que se buscará en estos datos el valor
mínimo o máximo del problema.

EJEMPLO 1:

Una compañía de auditores se especializa en preparar liquidaciones y

auditorías de empresas pequeñas. Tienen interés en saber cuantas auditorías y
liquidaciones pueden realizar mensualmente para maximizar sus ingresos. Se
dispone de 800 horas de trabajo directo y 320 horas para revisión. Una
auditoría en promedio requiere de 40 horas de trabajo directo y 10 horas de
revisión, además aporta un ingreso de 300 dls. Una liquidación de impuesto
requiere de 8 horas de trabajo directo y de 5 horas de revisión, produce un
ingreso de 100 dls. El máximo de liquidaciones mensuales disponibles es de
60.

OBJETIVO : Maximizar el ingreso total.

VARIABLE DE DECISION: Cantidad de auditorías (X1).

Cantidad de liquidaciones (X2).

RESTRICCIONES : Tiempo disponible de trabajo directo

Tiempo disponible de revisión

Número máximo de liquidaciones.

Maximizar

Sujeto a:
La solución óptima siempre se encuentra en uno de los vértices del conjunto de
soluciones factibles. Se analizan estos valores en la función objetivo. El vértice
que representa el mejor valor de la función objetivo será la solución óptima.
EJEMPLO 2.

Un departamento de publicidad tiene que planear para el próximo mes una

estrategia de publicidad para el lanzamiento de una línea de T.V. a color tiene a
consideración 2 medios de difusión: La televisión y el periódico.

Los estudios de mercado han mostrado que:

1. La publicidad por T.V. Llega al 2 % de las familias de ingresos altos y al 3 %

de las familias de ingresos medios por comercial.

2. La publicidad en el periódico llega al 3 % de las familias de ingresos altos y

al 6 % de las familias de ingresos medios por anuncio.

La publicidad en periódico tiene un costo de 500 dls. por anuncio y la publicidad

por T.V. tiene un costo de 2000 dls. por comercial. La meta es obtener al
menos una presentación como mínimo al 36 % de las familias de ingresos altos
y al 60 % de las familias de ingresos medios minimizando los costos de
publicidad.

OBJETIVO : Minimizar los costos de publicidad.

VARIABLE DE DECISION: Anuncios para las familias de ingreso alto (X1).

Anuncios para las familias de ingreso medio (X2).

RESTRICCIONES : Porcentaje de presentación.

Minimizar

Sujeto a:

SOLUCION OPTIMA:

EJEMPLO 3.

Un expendio de carnes acostumbra preparar carne para hamburguesa con una

combinación de carne molida de res y carne molida de cerdo. La carne de res
contiene 80 % de carne y 20 % de grasa y le cuesta a la tienda 80 centavos por
libra. La carne de cerdo contiene 68 % de carne y 32 % de grasa y cuesta 60
centavos por libra. ¿Qué cantidad de cada tipo de carne debe emplear la tienda
por cada libra de carne para hamburguesa si desea minimizar el costo y
mantener el contenido de grasa no mayor de 25 %?

Minimizar

Sujeto a:

SOLUCION OPTIMA: