MÉTODOS CUANTITATIVOS

PARA LA
TOMA DE DECISIONES

DIVISIÓN PERETTO
 Programa Métodos Cuantitativos
Unidad Nº 2: INTRODUCCIÓN A LA PROGRAMACIÓN LINEAL

Modelo matemático lineal. Modelización de programas lineales. Conceptos Básicos. Método

Gráfico. Método Simplex: caso de máximo canónico. Interpretación Económica. Casos
Particulares. Propiedades de las soluciones factibles: Teoremas relacionados.

Objetivos de la clase:
 Conocer el modelo de Programación Lineal, y sus hipótesis.
 Comprender cómo se formulan los modelos.
 Resolver gráficamente problemas simples
 Interpretar la solución obtenida
 Identificar los diferentes tipos de soluciones de un PL en el gráfico.
Es un Modelo Formal, porque puede aplicarse a resolver problemas de diversa naturaleza en
la medida que éstos puedan formularse con la estructura formal que caracteriza a un PL.
 Fábrica de pinturas

La empresa cordobesa Pinturex S.A. es una

PyME que produce y comercializa pinturas y
recubrimientos en general, con tecnologías y
materiales de última generación.

Ofrece distintas líneas de pinturas que distribuye a varias provincias del país: pintura para
interior, pintura para exterior, pintura para uso industrial, pinturas para fines especiales, entre
otros productos.
Frente a nuevas demandas del mercado, nos solicita que analicemos la producción de sus dos
productos más vendidos: pintura látex para interior y pintura látex para exterior.
En el proceso productivo utiliza materia prima base, productos químicos (solventes, resinas,
pigmentos) y personal para elaboración y control.
 Fábrica de pinturas
En el proceso productivo utiliza materia prima base, productos químicos (solventes, resinas,
pigmentos) y personal para elaboración y control.
La pintura para interior utiliza 7,5 unidades de materia prima y la de exterior 15 unidades.
También es necesaria la incorporación de químicos para que la pintura no haga espuma, se
extienda correctamente y se fije a la superficie. Para su elaboración, ambos tipos de pintura
necesitan 9 unidades de productos químicos. Cada clase de pintura requiere, además, horas de
mano de obra para la elaboración, control de calidad y envasado. La pintura látex para interior
necesita 12 horas y la de exterior 6 horas.
La empresa dispone para la producción diaria de 600 unidades de materia prima, 432 unidades de
químicos y 480 horas de mano de obra. Estudios de costos permitieron determinar una
contribución a las utilidades de $70 por litro de pintura látex para interior y de $85 por litro de
pintura para exterior.
La empresa desea determinar la cantidad de litros de cada clase de pintura a fabricar por día, a
fin de maximizar la contribución a las utilidades.
 Fábrica de pinturas
Características del Modelo de PL

Max z = 70 x1 + 85 x2 Único objetivo a optimizar

Sujetas las xj a: Sujeto a restricciones

7,5 x1 + 15 x2 ≤ 600 La función objetivo y las restricciones

son lineales
9 x1 + 9 x2 ≤ 432
Aditivas y proporcionales
12 x1 + 6 x2 ≤ 480
Variables no negativas y pueden asumir
xj  0, j = 1, 2 valores fraccionarios
Certidumbre de los parámetros
 Formulación de Modelos de PL

 Formular:
traducir a la forma matemática general un problema real
 Pasos:
 Leer y comprender el problema
 Identificar el objetivo general y cada una de las restricciones
 Identificar y definir las variables de decisión
 Plantear el modelo en forma matemática:

Función objetivo
Restricciones
Restricción de no negatividad
 Planteo del problema
Objetivo: maximizar la contribución a las utilidades Restricciones:
• Disponibilidad de materia prima
x1 : litros de pintura látex para interior a producir por día • Disponibilidad de productos químicos
x2 : litros de pintura látex para exterior a producir por día • Disponibilidad de horas de mano de obra

Max z = 70 x1 + 85 x2

Sujetas las variables xj a:

7,5 x1 + 15 x2 ≤ 600 (unidades de MP)
9 x1 + 9 x2 ≤ 432 (unidades de químicos)
12 x1 + 6 x2 ≤ 480 (horas de MO)
xj  0, j = 1, 2
 Supuestos o Hipótesis del Modelo de PL

Único objetivo (a maximizar o minimizar) sujeto a restricciones.

Aditividad: la contribución total es la suma de las contribuciones individuales de las
variables.
Proporcionalidad: tanto la función objetivo como las restricciones deben ser
proporcionales al nivel de las variables (función objetivo y restricciones lineales).
Divisibilidad: las variables se pueden dividir a cualquier nivel fraccionario (variables
continuas).
No Negatividad: las variables deben ser positivas o cero.
Certidumbre: se supone que los parámetros del modelo se conocen con certeza.
La PL es un modelo de Programación Matemática:

Máx (Min) Z = f(X)

gi(X)  bi
i = {1, 2, …, m}

Dónde,
X es un vector de n componentes
m representa el número total de restricciones
linealmente independientes del modelo.
 Modelo de Programación Lineal
Función Máx Mín Z  f(X)
Objetivo

Restricciones
Funcionales
g i (X) , ,   bi i  1,2,.....m

Restricciones de
X
No Negatividad
 Modelo Matemático General de PL
Explícita/vectorial/matricial Canónica/estándar/mixta
Forma Explícita Canónica
Maximizar Z = c1 x1 + c2 x2 + c3 x3 + ... + cn xn Minimizar Z = c1 x1 + c2 x2 + c3 x3 + ... + cn xn
Sujetas las xj a: Sujetas las xj a:
a11 x1 + a12 x2 + a13 x3 + ... + a1n xn  b1 a11 x1 + a12 x2 + a13 x3 + ... + a1n xn ≥ b1
a21 x1 + a22 x2 + a23 x3 + ... + a2n xn  b2 a21 x1 + a22 x2 + a23 x3 + ... + a2n xn ≥ b2
.. . . . . . . . . . . . .. . . . . . . . . . . .
am1 x1 + am2 x2 + am3 x3 +… + amn xn  bm am1 x1 + am2 x2 + am3 x3 +… + amn xn ≥ bm
 xj  0 (j = 1 ,2 ,…., n)  xj  0 (j = 1 ,2 ,…., n)

xj: variables de decisión

cj: coeficientes que acompañan a las variables en la Función Objetivo
aij: coeficientes que acompañan a las variables en las restricciones
bi: términos independientes de las restricciones
 Modelo Matemático General de PL

Forma Explícita Estándar Forma Explícita Mixta

Max (Min) Z = c1 x1 + c2 x2 + c3 x3 + ... + cn xn Max (Min) Z = c1 x1 + c2 x2 + c3 x3 + ... + cn xn
Sujetas las xj a: Sujetas las xj a:
a11 x1 + a12 x2 + a13 x3 + ... + a1n xn = b1 a11 x1 + a12 x2 + a13 x3 + ... + a1n xn  b1
a21 x1 + a22 x2 + a23 x3 + ... + a2n xn = b2
a21 x1 + a22 x2 + a23 x3 + ... + a2n xn = b2
.. . . . . . . . . . . .
.. . . . . . . . . . . .
am1 x1 + am2 x2 + am3 x3 +… + amn xn = bm
am1 x1 + am2 x2 + am3 x3 +… + amn xn ≥ bm
 xj  0 (j = 1 ,2 ,…., n)
 xj  0 (j = 1 ,2 ,…., n)
 Modelo Matemático General de PL
Forma Matricial Canónica

Maximizar Z = C X 1*1
AX  B
X 

 xx11   x1x1   x1 
       a
  11
a ... a1n
12
1n  a  a a a ... ...
11

11 12 12  ba1na1n a
1 11
a ...
12  b 1
ba1n 
1

a ... a  a  a a a ... ...  a a  a  ba  

11 12 1

X
 xx22  c X, c ,....,
C=X
x2 x2 x2a
 Ccnn=C =c X,ccA, ,=c....,  cnCc=n  c A, =cA2n2n,=....,
, ....,
21
21 22
22 21


21 22
c n
22
B  2
2
b
 A2n=2n 
21


a22
B B
...
 b  2n 
 2 2

 B

...  ......  1 * n ...   
= 1 =2
= 1= 2 1 1=2 2
... ... ...
1
...
2
... ... ... ...
... ... .
... ... ... ... 
... .  . 
...
...          
      am1  am2
m1 m2
... amnmn
am1
am1a am2... ...
m2
 am1 am2 ...
bamnamn
m
m
amn 
b b
m m

 xxnn   xnxn   xn  n * 1 m*n m*1

 Modelo Matemático General de PL
Forma Vectorial Estándar

n
Máx  c jx j
j1  a1j   b1 
a  b 
sa  2j   2
Pj   .  P0  B   . 
n    

P x
j1
j j  P0  . 
amj 
 
 . 
bm 

x j  0, j
Actividad de revisión N° 1
 Clasifique los siguiente PL según la forma en que están expresados:

a) Min 2x1  2x 2  x1 
c) Max 3U  5H
b) Máx  5 2 8  x 2 
sujeto a:  
 x 3  sujeto a:
1x1  3x 2  12 25U  50H  80.000
sujeto a:
3x1  1x 2  13 0,5U  0,25H  700
1 2 0,5  x 1  420 
1x1  1x 2  3 2 3 1  x 2   610  U,H  0
    
x1 ,x 2  0 6 1 3   x 3  125 
Explícita Canónica
Explícita Mixta X0 -------------------------
--------------------- Matricial Estándar
---------------------------- S
d) Min 10A+6B+14M+9P e) Min8 3  
M 
sujeto a:
sujeto a:
1  0  1  0  100 
0  1  0  1   150   50 100  1200 
  A   B   M   P    5 4   S 
4  3 0  0   600      60 
  M  
         
 0 1     300 
6  8  0  0  1080 
A,B,M,P  0 S,M  0
Vectorial Estándar Matricial Canónica
---------------------------- ----------------------------
 ¿Qué significa Resolver un problema de PL?
Encontrar los valores de las variables que satisfacen simultáneamente todas las restricciones y le
dan el mejor valor (máximo o mínimo) a la función objetivo.

Soluciones de Programación Lineal  x1 

   a11 a12

... a1n 

X
 x2  C = c1, c2 , ...., cn   a21 a22
A=
... a 
2n
 B
Solución de un PL: es el conjunto de valores de las variables xj que ... 
=
 ... ... ... ... 
  am1 am2 ... amn 

verifican el sistema de restricciones.  xn 

Maximizar Z = c1 x1 + c2 x2 + c3 x3 + ... + cn xn
Solución Factible o Posible de un PL: es el conjunto de valores sujetas las xj a:
de las variables xj que verifican el sistema de restricciones incluidas las a11 x1 + a12 x2 + a13 x3 + ... + a1n xn  b1
de no negatividad. a21 x1 + a22 x2 + a23 x3 + ... + a2n xn  b2
. . . . . . . . . . . .
Solución Factible Óptima: es toda solución factible que le da a la am1 x1 + am2 x2 + am3 x3 +… + amn xn  bm
función Z el valor óptimo (máximo o mínimo).  xj  0 (j = 1 ,2 ,…., n)
 ¿Cómo podemos hacerlo?

Resolviendo el sistema de inecuaciones de restricción y luego con la

función objetivo identificar el óptimo.

Métodos para resolver problemas lineales

 Método Gráfico

 Método Simplex
 Método Gráfico
Se puede aplicar cuando el problema tiene solamente dos variables principales.

Pasos a realizar:
 Graficar las restricciones
 Identificar la región factible
 Graficar la función objetivo
 Encontrar el/los puntos que la optimizan
Volvamos a nuestro problema …

Max z = 70 x1 + 85 x2
Sujetas las variables xj a:

7,5 x1 + 15 x2 ≤ 600 (unidades de MP)

9 x1 + 9 x2 ≤ 432 (unidades de químicos)
12 x1 + 6 x2 ≤ 480 (hrs. MO)
xj  0, j = 1, 2

x1: litros de pintura látex para interior a producir por día

x2: litros de pintura látex para exterior a producir por día
 Graficar las restricciones
x2
Max z = 70 x1 + 85 x2 (Contribución a las utilidades)
Sujeto a:
(1) 7,5 x1 + 15 x2 ≤ 600 (unidades de MP)
(2) 9 x1 + 9 x2 ≤ 432 (unidades de químicos) Restricción (1)
(3) 12 x1 + 6 x2 ≤ 480 (hrs. MO)
x1 , x2  0 X1 X2
0 40
80 0
A A = {x1=20, x2=30}
7,5 * 20 + 15 * 30 = 600

B = {x1=40, x2=10}
B
7,5 * 40 + 15 * 10 = 450
(1)
(1)
 Graficar las restricciones

Max z = 70 x1 + 85 x2 (Contribución a las utilidades)

x2
Sujeto a:
(1) 7,5 x1 + 15 x2 ≤ 600 (unidades de MP)
(2) 9 x1 + 9 x2 ≤ 432 (unidades de químicos) Restricción (2)
(3) 12 x1 + 6 x2 ≤ 480 (hrs. MO)
x1 , x2  0 X1 X2
0 48
48 0
A = {x1=20, x2=25}
7,5 * 20 + 15 * 25 = 525
A 9 * 20 + 9 * 25 = 405

B = {x1=50, x2=10}
B 7,5 * 50 + 15 * 10 = 525
(1) 9 * 50 + 9 * 10 = 540
(2)
Graficar las restricciones
x2 Max z = 70 x1 + 85 x2 (Contribución a las utilidades)
Sujeto a:
(3) (1) 7,5 x1 + 15 x2 ≤ 600 (unidades de MP)
(2) 9 x1 + 9 x2 ≤ 432 (unidades de químicos)
(3) 12 x1 + 6 x2 ≤ 480 (hrs. MO)
x1 , x2  0 Restricción (3)

X1 X2

Región Factible o 0 80
40 0
Poliedro de Soluciones

(2) (1)
Identificación de la solución óptima
z = 70 x1 + 85 x2

Ordenada al Coeficiente
Origen angular

z 70
x2   x1
85 85

Define a una familia de

rectas paralelas
Graficar la Función Objetivo
x2
Max z = 70 x1 + 85 x2 (Contribución a las utilidades)
Sujeto a:
(3) (1) 7,5 x1 + 15 x2 ≤ 600 (unidades de MP)
(2) 9 x1 + 9 x2 ≤ 432 (unidades de químicos)
(3) 12 x1 + 6 x2 ≤ 480 (hrs. MO)
x1 , x2  0

Función objetivo
Solución
Z = 70 X1 + 85 X2 = 1.190
óptima
X1 X2
0 14
17 0

(2) (1)
Determinar el valor de las variables principales en el óptimo

x2
Encontramos los valores de x1 y x2 despejando del sistema de ecuaciones:
(1) 7,5 x1 + 15 x2 = 600
(3)
(2) 9 x1 + 9 x2 = 432

Valores de las variables principales en el óptimo

x1 = 16 litros de pintura látex para interior a producir por día
x2 = 32 litros de pintura látex para exterior a producir por día

Solución
óptima Valor de la función objetivo en el óptimo:
Z= 70 * 16 + 85 * 32 = $ 3.840

(2) (1)
 ¿Estamos usando todos los recursos?
Reemplazamos los valores de x1 y x2 en las restricciones:
Recursos utilizados para Recursos
Restricción Diferencia
fabricar x1 = 16 y x2 = 32 disponibles
Unidades de MP 7,5 * 16 + 15 * 32 = 600 600 0
Unidades de químicos 9 * 16 + 9 * 32 = 432 432 0
Hs. MO 12 * 16 + 6 * 32 = 384 480 96

Las unidades de MP y las unidades de

químicos se están usando en su totalidad
Restricciones
LIMITANTES
Restricción
NO LIMITANTE
Hay 96 Hs MO sin utilizar
 Variables de Holgura
Son variables que se agregan en las restricciones para pasar de una inecuación a una ecuación.
Permiten transformar un modelo canónico en uno estándar.

Se agregan sumadas a los primeros miembros de las inecuaciones de <=

ai1 x1 + ai2 x2 + ai3 x3 + ... + ain xn + Si = bi

Se agregan restadas a los primeros miembros de las inecuaciones de >=

ai1 x1 + ai2 x2 + ai3 x3 + ... + ain xn - Si = bi

En la función Z se agregan sumadas y precedidas de un coeficiente nulo.

También se agregan a la restricción de no negatividad.
Problema en forma estándar (con las variables de holgura)

Max z = 70 x1 + 85 x2 + 0S1 + 0S2 + 0S3

Sujeto a:
7,5 x1 + 15 x2 + S1 = 600 (unidades de MP)
9 x1 + 9 x2 + S2 = 432 (unidades de químicos)
12 x1 + 6 x2 + S3 = 480 (hrs. MO)

xj  0, j = 1, 2 ; Si  0, i = 1, 2, 3

x1: litros de pintura látex para interior a producir por día

x2: litros de pintura látex para exterior a producir por día
S1: unidades de MP no utilizadas
S2: unidades de químicos no utilizadas
S3: horas de MO no utilizadas
 Solución óptima
x2
Reemplazamos los valores de x1 y x2 en las restricciones y
determinamos los valores de las variables de holgura.
(3)
Restricción X1 16
NO LIMITANTE X2 32
X* = S1 = 0 Z* = $ 3.840
S2 0
Solución S3 96
óptima
Hay 96 Hs MO sin utilizar

Restricciones
LIMITANTES

(2) (1)
 Explorando los vértices de la región factible
x2 Max Z = 70 x1 + 85 x2
s.a.
7,5 x1 + 15 x2 + S1 = 600 (MP)
(3) 9 x1 + 9 x2 + S2 = 432 (Químicos)
12 x1 + 6 x2 + S3 = 480 (MO)
x1, x2, x3, S1, S2, S3  0

Restricciones
Punto X1 X2 S1 S2 S3 Valor Z que se cortan
Solución
óptima O
A A
B
B
C
C
D
D (2) (1)
0
 Resumen de los pasos del Método gráfico
1. Graficar las restricciones e identificar el conjunto de soluciones posibles del
problema o región factible
2. Trazar la recta representativa de la función objetivo.
3. Desplazar la recta en el sentido de optimización hasta identificar el último punto de
contacto entre la recta y la región factible. Este punto es la solución óptima y
corresponde a un vértice del polígono de soluciones.
4. Encontrar los valores de las variables que optimizan la función objetivo,
resolviendo en forma simultánea las ecuaciones de restricción que determinan el
punto óptimo. Reemplazar estos valores en Z para encontrar su valor.
5. Encontrar los valores de las variables de holgura/excedente, reemplazando los
valores de las variables de decisión en cada una de las ecuaciones de restricción.
 Soluciones de un PL
PL en forma estándar con m restricciones y n variables
Solución Factible no Básica: es toda solución factible que tiene más de m variables positivas.
Solución Factible Básica: es toda solución factible que tiene como máximo m variables
positivas; o por lo menos n-m valores de las variables nulos.
Solución Factible Básica No Degenerada: tiene exactamente m variables positivas,
o exactamente n-m variables nulas.
Solución Factible Básica Degenerada: tiene menos de m variables positivas, o más
de n-m variables nulas.
n=5 16
m=3 32
El número máximo de soluciones básicas se calcula :
X* = 0 Cnm 
5!
 10
Solución 0 3 !( 5  3 )!
n!
Cnm = posible básica
96
m!(n - m)! no degenerada
Soluciones en el gráfico
x2
(3)
PUNTO X1 X2 S1 S2 S3
A >0 >0 =0 =0 >0
B >0 >0 >0 =0 >0
C >0 =0 >0 >0 =0
D >0 >0 >0 >0 >0
Solución
óptima Los puntos A y C se llaman
A Soluciones Factibles Básicas
B Los puntos B y D se llaman
D
Soluciones Factibles No Básicas
(2) (1)
C
¿Cómo se ven las soluciones en el gráfico?
x2
(3)

Soluciones Factibles Básicas

(vértices)

Solución
óptima Soluciones Factibles No Básicas
(aristas y puntos internos)
A

B
D

(2) (1)
C
 Conclusiones del Método Gráfico
 Para verificar la restricción de no negatividad de las variables, se trabaja en
x2
el 1° cuadrante.
(3)
Todos los puntos del poliedro de soluciones verifican las restricciones,
es decir que el problema tiene infinitas soluciones factibles.

 El poliedro de soluciones es un conjunto convexo.

 Para encontrar el óptimo se deben considerar los puntos

sobre la frontera de la región factible. Si el PL tiene solución
ésta se encontrará en, al menos, uno de los vértices.

 En las ecuaciones determinantes del óptimo

(restricciones limitantes), no hay sobrantes de
insumos, las variables de holgura son nulas.

(2) (1)
Actividad de revisión N° 2
Considere el siguiente problema de PL:

Min Z = x1 + 2 x2
Sujeto a:
x1 + 4 x2 ≤ 21
2 x1 + 1 x2 ≥ 7
3 x1 + 1,5 x2 ≤ 21
-2 x1 + 6 x2 ≥ 0
x1, x2  0

a) Encuentre la solución óptima utilizando el Método Gráfico.

b) Determine el valor de las variables y de la función objetivo.

c) Suponga que la función cambia a Z = 5 x1 + 2 x2 , determine la solución

óptima.
Métodos Cuantitativos para la Toma de Decisiones