Programación Lineal

INTRODUCCIÓN

● Muchas personas clasifican el desarrollo de la

Programación Lineal (PL) entre los avances
científicos más importantes de mediados del
siglo XX. En la actualidad es una herramienta
común que ha ahorrado miles o millones de
dólares a muchas compañías y negocios,
incluyendo industrias medianas en distintos
países del mundo.
Definiciones de PL

“... trata la planeación de las actividades para obtener un

resultado óptimo, esto es, el resultado que mejor alcance la
meta especificada (según el modelo matemático) entre todas
las alternativas de solución.”

Frederick S. Hiller

“... es un problema de minimizar o maximizar una función

lineal en la presencia de restricciones lineales del tipo de
desigualdad, igualdad o ambas.”

Mokhtar S. Bazaraa
Abarca los métodos de solución de una gran variedad de problemas de
la siguiente naturaleza: se tiene alguna cantidad (tal como un costo o un
tiempo) que tiene una función lineal de cierto número de variables
lineales. Se requiere, a su vez, que estas variables satisfagan un
sistema de igualdades y desigualdades lineales. Es necesario hallar
valores no negativos de las variables que hagan máxima o mínima a la
cantidad dada.

A. S. Basarov
“... es una técnica matemática para encontrar los mejores usos de la
organización. El adjetivo lineal se usa para describir la relación en dos o
más variables, una relación que es directa y precisamente proporcional.
El término programación se refiere al uso de ciertas técnicas
matemáticas para obtener la mejor solución posible a un problema que
involucra recursos limitados.”
Richad I. Levin
APLICACIONES DE LA PROGRAMACIÓN LINEAL
Características de la problemas de
programación lineal
● Proporcionalidad: las variables y la función
objetivo deben ser lineales
● Aditividad: Es necesario que cada variable
sea aditiva respecto a la variable objetivo
● Divisibilidad: las soluciones no deben ser
necesariamente números enteros
● Optimalidad: La solución óptima (máximo o
mínimo) debe ocurrir en uno de los vértices
del conjunto de soluciones factibles
Modelo general de PL

Coeficientes objetivo
Variables de decisión

Sujeto a: Coeficientes tecnológicos Coeficientes recurso

. . . . .
. . . . .
. . . . .

Condiciones técnicas
X1,2,.....n > 0
o No negatividad
Formatos Canónico y Estándar

1.- El formato Canónico

Un modelo de PL está en formato canónico si todas las variables son
no-negativas y todas las restricciones son del tipo " < " para un objeto
de maximización, o si todas las restricciones son del tipo " > " para un
objetivo de minimización. Este formato es de gran utilidad en el
análisis del modelo de PL.

2.- El formato Estándar

Un modelo de PL está en formato estándar si todas las variables son
no-negativas y todas las restricciones son igualdades, tanto en
maximización como minimización. Este formato será siempre en la
solución de problemas de PL. A continuación se presentan los modelos
generales de PL planteados mediante los formatos canónicos y
estándar.
Transformaciones al modelo general de PL

Formato Canónico

Caso de minimización Caso de maximización

Minimizar Maximizar

Sujeto a: Sujeto a:
Transformaciones al modelo general de PL

Formato Estándar

Caso de minimización Caso de maximización

Minimizar Maximizar

Sujeto a: Sujeto a:
Tipos de los problemas de PL
1) Problema de la dieta: este consiste en
determinar una dieta de manera eficiente, a partir
de un conjunto dado de alimentos, de modo de
satisfacer ciertos requerimientos nutricionales.
Supongamos que se tiene la siguiente información:
Leche Legumbre Naranjas Requerimientos
(galon) (1 porción) (unidad) Nutricionales
Niacina 3,2 4,9 0,8 13
Tianina 1,12 1,3 0,19 15
Vitamina C 32 0 93 45
Costo 2 0,2 0,25
Variables de decisión:
x1 : galones de leche utilizados en la dieta.
x2 : porciones de legumbre utilizadas en la dieta.
x3 : unidades de naranja utilizadas en la dieta.

Función Objetivo:
Minimizar el costo total de la dieta, dado por:
2 x1 + 0.2 x2 + 0.25 x3
Restricciones del problema:
Requerimientos mínimos de los nutrientes
considerados:
3.2 x1 + 4.9 x2 + 0.8 x3 ≥ 13
1.12 x1+ 1.3 x2 + 0.19 x3 ≥ 15
32 x1+ + 9 x3 ≥ 45

x1 ≥ 0 ; x2 ≥ 0 ; x3 ≥ 0
2) Problema de dimensionamiento de lotes: este
consiste en hallar una política óptima de producción
para satisfacer demandas fluctuantes en el tiempo,
de modo de minimizar costos de producción e
inventario, considerando la disponibilidad de
diversos recursos escasos.
Supongamos que una fabrica puede elaborar hasta
150 unidades en cada uno de los 4 periodos en que
se ha subdividido el horizonte de planificación y se
tiene adicionalmente la siguiente información:
 Periodos Demandas Costo Prod. Costo de Inventario
(unidades) (US$/unidad) (US$/unidad)
1 130 6 2
2 80 4 1
3 125 8 2.5
4 195 9 3

Supuestos adicionales:
1) Existe un inventario inicial de 15 unidades.
2) No se acepta demanda pendiente o faltante (es
decir, se debe satisfacer toda la demanda del
periodo).
Variables de decisión:
xt : número de unidades elaboradas en el periodo t.
It : número de unidades de inventario al final del
periodo t.
Función objetivo:
Consiste en minimizar los costos de producción y el
costo de mantenimiento de inventario.
6x1+ 4x2 + 8x3 + 9x4 + 2I1 + I2 + 2.5I3 + 3I4
Notar que en el óptimo I4 va a ser 0, así que incluso podríamos no
incluirla, pero de todos modos la consideramos.
Restricciones del problema:
1) Restricciones de cotas, que reflejan la capacidad
de producción.
xt ≤150
2) Restricciones de no negatividad
xt ≥ 0
3) Restricciones de demanda
x1 + I0 – I1 = 130 Periodo 1 I0=15
x2 + I1 – I2 = 80 Periodo 2
x3 + I2 – I3 = 125 Periodo 3
x4 + I3 – I4 = 195 Periodo 4
3) Problema de Transporte. El problema consiste
en decidir cuántas unidades trasladar desde ciertos
puntos de origen (plantas, ciudades, etc.) a ciertos
puntos de destino (centros de distribución,
ciudades, etc..) de modo de minimizar los costos de
transporte, dada la oferta y demanda en dichos
puntos.
Se suponen conocidos los costos unitarios de
transporte, los requerimientos de demanda y la
oferta disponible.
● La meta de un modelo de transporte es minimizar el
costo total de envío de un producto (o productos)
desde los puntos de existencia hasta los puntos de
demanda
● Poseen dos tipos de restricciones:
1. Cada punto de demanda recibe su requerimiento
2. Los envíos desde u punto de suministro no exceden a su
capacidad disponible
Por ejemplo, suponga que una empresa posee dos
plantas que elaboran un determinado producto en
cantidades de 250 y 450 unidades diarias,
respectivamente. Dichas unidades deben ser
trasladadas a tres centros de distribución con
demandas diarias de 200, 200 y 250 unidades,
respectivamente. Los costos de transporte (en
$/unidad) son:
C.Dist. 1 C.Dist.2 C.Dist.3
Planta 1 21 25 15
Planta 2 28 13 19
Diagrama: C.D.1
X11

Planta 1
X12

X21 X22 C.D.2

Planta 2

X13
X23
C.D.3

Orígenes Destinos
Variables de decisión:

xij = Unidades transportadas desde la planta i

(i=1,2), hasta el centro de distribución j (j=1,2,3)

Función Objetivo:

Minimizar el costo total de transporte dado por la

función:
21x11+25x12+15x13+28x21+13x22+19x23
Restricciones del problema:
1) No Negatividad: xij ≥ 0
2) Demanda:
CD1 : x11 +x21 = 200
CD2 : x12 +x22 = 200
CD3 : x13 + x23 = 250
3) Oferta :
P1 : x11 + x12 + x13 ≤ 250
P2 : x21 + x22 + x23 ≤ 450

Las variables de decisión deben aceptar soluciones como

números reales para tener un modelo de P.L.
4) Problema de planificación financiera:
Supongamos que un banco dispone de $250
millones para destinar a 4 tipo de créditos ofrecidos,
los cuales tienen las siguientes, tasas de crédito:
● Primer crédito corriente :12%
● Segundo crédito corriente :16%
● Crédito para el hogar :16%
● Crédito personal :10%
La asignación de estos créditos, debe satisfacer la
siguiente política utilizada por la institución:
El monto asignado a los PCC, debe ser al menos,
el 55% del monto asignado a los créditos
corrientes, y al menos un 25% del total del dinero
prestado.
El SCC, no puede exceder el 30% del total del
dinero prestado, por políticas tributarias el interés
recibido por el banco no debe exceder a un retorno
del 14% sobre el capital prestado.
¿Cuánto asignar a cada tipo de crédito, de la
manera más eficiente, respetando la política del
banco?
Variables de decisión:
x1 :Monto asignado al PCC.
x2 : Monto asignado SCC.
x3 : Monto asignado al crédito para el hogar.
x4 : Monto asignado al crédito personal.
Función Objetivo:
Se propone maximizar los retornos recibidos en la asignación,
dados por:
0.12 x1 + 0.16 x2 + 0.16 x3 + 0.10 x4
Restricciones del problema:
x1 ≥ 0.55 ( x1 + x2 )
x1 ≥ 0.25 ( x1 + x2 +x3 + x4 )
x2 ≤ 0.30 ( x1 + x2 +x3 + x4 )

(0.12x1+0.16x2+0.16x3+0.10x4 ) ≤ 0.14 ( x1+ x2 +x3 +x4 )

Adicionalmente: x1 + x2 +x3 + x4 ≤ 250
5) Problema de mezcla de productos: en este
problema una refinería produce 4 tipos de gasolina
(gas 1, gas 2, gas 3 y gas 4). Dos características
importantes de cada gasolina son su número de
performance (NP) y su presión de vapor (RVP), que
están dados por:

NP RVP Barriles diarios

gas 1 107 5 3814
gas 2 93 8 2666
gas 3 87 4 4016
gas 4 108 21 1300
Estas gasolinas pueden ser vendidas directamente a un
precio de $2483 por barril o bien mezcladas para obtener
gasolinas de aviación (avgas A y avgas B). La calidad de
estas dos últimas junto con sus precios de venta son:

NP RV Precio por barril (US$)

avgas A Al menos 100 A lo más 7 26,45
Avgas B Al menos 91 A lo más 6 25,91

El NP y RVP de cada mezcla es un promedio de los

respectivos NP y RVP de las gasolinas empleadas.
Se desea obtener un plan de venta de las distintas gasolinas
que maximice los retornos.
Variables de decisión:
xj : cantidad de barriles del gas j que son
vendidos sin mezclar, con j = 1, 2, 3, 4.
xA : cantidad de barriles de avgas A.
xB : cantidad de barriles de avgas B.
xjA: cantidad de gas j usado en avgas A.
xjB: cantidad de gas j usado en avgas B.
Función objetivo:
Max 24,83 (x1 + x2 + x3 + x4) + 26,45xA + 25,91xB
Restricciones: x1 + x1A + x1B = 3814
x2 + x2A + x2B = 2666
x3 + x3A + x3B = 4016
x4 + x4A + x4B = 1300
x1A + x2A + x3A + x4A = xA
x1B + x2B + x3B + x4B = xB
NP, avgas A:

NP, avgas B:

RVP, avgas A:

RVP, avgas B:
Ejercicios:
Supongamos que se dispone de determinadas piezas
para la elaboración de dos productos finales. Se dispone
de 8 “piezas pequeñas” y 6 “piezas grandes”, que son
utilizadas para elaborar sillas (usando 2 piezas
pequeñas y 1 pieza grande) y mesas (usando 2 piezas
de cada tipo).
Interesa decidir cuántas sillas y mesas fabricar de modo
de obtener la máxima utilidad, dado un beneficio neto de
U$ 15 por cada silla y de U$20 por cada mesa fabricada.
Posibles soluciones factibles a considerar, esto es
soluciones que respetan las restricciones del número de
piezas disponibles, son por ejemplo, fabricar:
● 4 sillas, que reportan una utilidad de U$60
● 1 sillas y 2 mesas , utilidad de U$55
● 3 mesas, utilidad de U$60
● 1 mesa y tres sillas, utilidad de U$65
● 2 sillas y 2 mesas, utilidad de U$70
● etc.
Solución:
Un modelo matemático para hallar la mejor solución factible a
este problema tiene tres componentes básicas:
i) Las variables de decisión, que consiste en definir cuáles son
las decisiones que se debe tomar. En el ejemplo,
x: número de sillas elaboradas.
y: número de mesas elaboradas.
ii) La función objetivo del problema, que permita tener un criterio
para decidir entre todas las soluciones factibles. En el ejemplo,
maximizar la utilidad dada por:
z = f(x,y) = 15x + 20y
iii) Restricciones del problema, que consiste en definir un conjunto
de ecuaciones e inecuaciones que restringen los valores de las
variables de decisión a aquellos considerados como factibles. En el
ejemplo, respetar la disponibilidad de piezas para la fabricación de
sillas y mesas:

Piezas pequeñas: 2x + 2y ≤ 8
Piezas grandes : x + 2y ≤ 6

También se impone restricciones de no – negatividad:

x,y ≥ 0
En resumen: Max 15x + 20y
sa: 2x + 2y ≤ 8
x + 2y ≤ 6
x,y ≥ 0

El ejemplo corresponde a un modelo de Programación Lineal. Si

además restringimos los valores de x e y a números enteros,
tendríamos un modelo de Programación Entera. Por otra parte, si
hubiese retornos crecientes a escala, deberíamos emplear una
función objetivo no lineal como f(x,y) = cxa + dyb con a,b >1, y
tendríamos un modelo de Programación No Lineal.
Problema de expansión de la capacidad de un Sistema de Potencia
Eléctrica:
En este problema se desea planificar la expansión de la capacidad de un
sistema eléctrico para los siguientes T años. La demanda (estimada) para el
año t corresponde a dt MW para t = 1, 2, ..., T. La capacidad existente del
sistema corresponde a ct MW para el año t = 1, 2, ..., T.
Existen 2 alternativas para la expansión de la capacidad del sistema:
● Usar plantas térmicas a petróleo.
● Usar plantas térmicas a gas.
Se requiere una inversión pt por MW instalado de una planta a
petróleo que esté operativa al comienzo del año t, y el
correspondiente costo para una planta a gas es gt.
Por razones políticas y de seguridad, se ha decidido que no más del
30% de la capacidad instalada, corresponda a plantas a gas
(nuevas).
Cada planta a petróleo tiene una vida de 20 años y una planta a gas
una vida de 15 años.
Se desea proponer un plan de expansión al mínimo costo posible.
Solución:
Variables de decisión:
xt : cantidad de MW expandidos en planta a petróleo al inicio del
año t, con t = 1, 2, ..., T.
yt : cantidad de MW expandidos en planta a gas al inicio del año t,
con t = 1, 2, ..., T.
zt : cantidad total de MW disponible en plantas nuevas a petróleo al
inicio del año t.
wt : cantidad total de MW disponible en plantas nuevas a gas al
inicio del año t.
Función Objetivo:
Restricciones:
Limitaciones de la programación lineal

● No hay garantía de que dé soluciones enteras

● No necesariamente al redondear se llega a la solución óptima
● Para esto es necesario emplear la programación entera
● En algunos casos las soluciones podrían ser deficientes
● Tal es el caso de las decisiones donde las variables deben tomar un
valor como 0 o 1, como las decisiones de “si” o “no”
● No permite la incertidumbre
● Es un modelo determinístico y no probabilista
● Asume que se conocen todos los coeficientes de las ecuaciones
● Existe también la programación lineal bajo incertidumbre
● Tanto la función objetivo como las restricciones están limitadas a ser
lineales
● Existen técnicas más avanzadas de programación no lineal
Construcción de modelos de PL

Ejemplo 1.
Una planta puede fabricar cualquier combinación de cinco
productos diferentes. La fabricación de cada producto
requiere cierto tiempo en tres máquinas diferentes, como se
indica en la siguiente tabla. Todas las cifras están
expresadas en minutos por libra de producto.
TIEMPO-MÁQUINA (min/lb)
PRODUCTO 1 2 3
A 12 8 5
B 7 9 10
C 8 4 7
D 10 3
E 7 11 2
Cada máquina está disponible durante 128 horas por
semana. Los productos A, B, C, D y E son muy competitivos
y pueden venderse cualquier cantidad que se produzca a
precios por libra de $5, $4, $5, $4 y $4, respectivamente.
Los costos variables de mano de obra son $4 por hora para
las máquinas 1 y 2 y $3 por hora en la máquina 3. Los
costos de material son $2 por cada libra de los productos A
y C, y $1 por cada libra de los productos B, D y E. Lo que
se desea es maximizar las ganancias de la compañía.

Formule el modelo de programación

lineal correspondiente.
 Utilidad = PV-[(CM)+(CVMOm1)+(CVMOm2)+(CVMOm3)]
Donde:
PV = Precio de venta
CM = Costo del material.
CVMOm1 = Costo variable de mano de obra en la máquina 1.
CVMOm2 = Costo variable de mano de obra en la máquina 2.
CVMOm3 = Costo variable de mano de obra en la máquina 3.

Cálculo de costos variables de mano de obra en la máquina 1.

Producto A. Producto B. Producto C.
1 hora = $4 1 hora = $4 1 hora = $4
÷ ÷ ÷
60 minutos = $4 60 minutos = $4 60 minutos = $4
× × ×
= 12 minutos = X = 7 minutos = X = 8 minutos = X
X = $ 0.80/lb X = $ 0.47/lb X = $ 0.53/lb
 Solución:

Resumen de información relevante:

Producto

A B C D E

Precio venta ($/lb) $ 5.00 $ 4.00 $ 5.00 $ 4.00 $ 4.00

Costo de Material ($/lb) $ 2.00 $ 1.00 $ 2.00 $ 1.00 $ 1.00

Costo variable M.O ($/lb) Maq.1 $ 0.80 $ 0.47 $ 0.53 $ 0.67 $ 0.47

Costo variable M.O ($/lb) Maq.2 $ 0.53 $ 0.60 $ 0.27 $ - $ 0.73

Costo variable M.O ($/lb) Maq.3 $ 0.25 $ 0.50 $ 0.35 $ 0.15 $ 0.10

Utilidad ($/lb) $ 1.42 $ 1.43 $ 1.85 $ 2.18 $ 1.70

Resumen de información relevante:

Máquinas Tiempo máquina minutos por libra por producto Minutos disponibles por semana

1 12 7 8 10 7 7680

2 8 9 4 11 7680

3 5 10 7 3 2 7680
Formulación:

Variable de decisión:
Xi = Libras del producto i a fabricar por semana.
∀ i = 1, 2, 3, 4 y 5
Objetivo:
X0 = Utilidad /semana
Restricciones: Máquina 1
Tiempo disponible por semana Máquina 2
Máquina 3
Condiciones técnicas.
X1, X2, X3, X4, X5 > 0
Modelo Matemático de Programación Lineal:

Máx: Utilidad
X0 = 1.42X1 + 1.43X2 + 1.85X3 + 2.18X4 + 1.70X5
$ = $ Libras
Semana Libra Semana

Sujeto a:
minutos Libras minutos
=
Libra Semana Semana

12X1 + 7X2 + 8X3 + 10X4 + 7X5 < 7680 Máquina 1

8X1 + 9X2 + 4X3 + 11X5 < 7680 Máquina 2
5X1 + 10X2 + 7X3 + 3X4 + 2X5 < 7680 Máquina 3
X1, X2, X3, X4, X5 > 0
 Construcción de modelos de PL
Ejemplo 2.

La Compañía Par es un pequeño fabricante de equipo y suministros para

golf. El distribuidor de Par cree que existe un mercado tanto para una bolsa
de golf de precio moderado, denominada modelo estándar, como para una
bolsa de precio elevado, denominada modelo de lujo. El distribuidor está
tan confiado en el que, si Par puede hacer las bolsas a un precio
competitivo, el distribuidor comprará todas las bolsas que Par pueda
fabricar durante los siguientes tres meses. Un análisis cuidadoso de los
requerimientos de tiempo de producción para las cuatro operaciones de
manufactura y la estimación hecha por el departamento de contabilidad de
la contribución a la ganancia por bolsa.
Tiempo de producción (horas/bolsa)
Corte y Inspección Ganancia
Producto teñido Costura Terminado y empaque por bolsa

Estándar 7/10 1/2 1 1/10 $ 10

De lujo 1 5/6 2/3 1/4 $ 9

El director de manufactura estima que dispondrán de 630 horas de tiempo
de corte y teñido, 600 horas de tiempo de costura, 708 horas de tiempo de
terminado y 135 horas de tiempo de inspección y empaque para la
producción de bolsas de golf durante los siguientes tres meses.

a) Si la compañía desea maximizar la contribución a la ganancia total,

¿Cuántas bolsas de cada modelo debería fabricar?
b ¿Cuántas horas de tiempo de producción se programaran para cada
operación?

¿Cuántas horas de tiempo de ocio se tendrán en cada operación?

Formulación:

Variable de decisión:
Xi = Número de bolsas de modelo i a fabricar por trimestre
∀ i = 1, 2
Objetivo:
X0 = Ganancia/trimestre
Corte y teñido
Restricciones:
Corte
Tiempo disponible por trimestre Terminado
Inspección y empaque
Condiciones técnicas.
X1, X2 > 0
Modelo Matemático de Programación Lineal:

Máx: Ganancia
X0 = 1.42X1 + 1.43X2
$ = $ Bolsa
Trimestre Bolsa Trimestre

Sujeto a:
Hora Bolsas Horas
=
Bolsa Semana Semana

7/10X1 + X2 < 630 Corte y teñido

1/2X1 + 5/6X2 < 600 Costura
X1 + 2/3X2 < 708 Terminado
1/10X1 + 1/4X2 < 135 Inspección y empaque
X1, X2 > 0
 Construcción de modelos de PL
Ejemplo 3.
Tom’s produce varios productos alimenticios mexicanos y los vende a
Western Foods, cadena de tiendas de abarrotes localizada en Texas y Nuevo
México. Tom’s fabrica dos salsa: Western Foods Salsa y México City Salsa.
Esencialmente, ambos productos son mezclas de tomates enteros, 30% de
salsa de tomate y 20% de pasta de tomate. La México City Salsa, tiene una
consistencia más espesa y troceda. Cada tarro de salsa producida pesa 10
onzas. Para el período de producción actual, Tom’s puede adquirir hasta 280
libras de tomates enteros, 130 libras de salsa de tomate y 100 libras de pasta
de tomate; el precio por libra de estos ingredientes es de $0.96, $0.64 y
$0.56, respectivamente. El costo de las especias y de los demás ingredientes
es de aproximadamente $0.10 por recipiente. Tom’s compra tarros de vidrio
vacíos a $0.02 cada uno, y los costos de etiquetado y llenado se estiman en
$0.03 por cada tarro de salsa producido. El contrato de Tom’s con Western
Foods resulta en ingresos por ventas de $1.64 por cada tarro de Western
Foods Salsa y de $1.93 por cada tarro de México City Salsa.
 Solución:

Resumen de información relevante:

Onzas/recipiente
Tomates Salsa de Pasta de
Salsa enteros tomate tomate
Wastern Foods Salsa 5 3 2
Mexico City Salsa 5 3 2
Disponibilidad Mat. Prima (lb) 280 130 100
Costo por libra $ 0.96 $ 0.64 $ 0.56
Costo por onza ocupada $ 0.30 $ 0.12 $ 0.07
 Resumen de información relevante:

costo
Costo de Etiquetado Precio
especias Utilidad
tarros vacíos ($/recip) venta($/recip)
Salsa ($/recip)
Wastern Foods Salsa $ 0.10 $ 0.02 $ 0.03 $ 1.64 $ 1.00
Mexico City Salsa $ 0.10 $ 0.02 $ 0.03 $ 1.93 $ 1.29
Utilidad = PV-[(CMPte)+(CMPst)+(CMPpt)+(Ce)+(Ct)+(Cet)]

Donde:
PV = Precio de venta
CMPte = Costo de la materia prima (tomates enteros)
CMPst = Costo de la materia prima (salsa de tomate)
CMPpt = Costo de la materia prima (pasta de tomate)
Ce = Costo de las especias
Ct = Costo del tarro
Cet = Costo del etiquetado.
 Formulación:

Variable de decisión:
X1 = Número de recipientes a producir de Western Foods Salsa por periodo.
X2 = Número de recipientes a producir México City Salsa por periodo

Objetivo:
X0 = Utilidad /periodo

Restricciones:
Tomates enteros
Materia Prima Salsa de tomate
Pasta de Tomate
Condiciones técnicas.
X1, X2 > 0
Modelo Matemático de Programación Lineal:

Máx: Utilidad
X0 = X1 + 1.29X2
$ = $ Recipiente
Periodo Recipiente Periodo

Sujeto a:
onzas recipiente onzas
=
recipiente periodo periodo

5X1 + 5X2 < 4480 Tomates enteros

3X1 + 3X2 < 2080 Salsa de tomate
2X1 + 2X2 < 1600 Pasta de tomate
X1, X2 > 0
 Construcción de modelos de PL
Ejemplo 4.

Hexxon Oil Company tiene seis consultores de petróleo, tres de los

cuales están actualmente en los E. U., dos en Rusia y uno en Nigeria.
Arabia Saudita ha solicitado dos consultores durante una semana a
una tarifa de $4200 cada uno. Venezuela ha solicitado dos
consultores durante una semana a una tarifa de $4000 cada uno.
Indonesia ha solicitado tres consultores tres consultores durante una
semana a una tarifa semanal de $4000 cada uno. Los gastos
semanales por consultor son de $1400 en Arabia Saudita, $1000 en
Venezuela y $700 en Indonesia. La tabla siguiente muestra las tarifas
de viaje redondo (en dólares) para enviar por avión a los consultores:
 Hacia
Desde Arabia Saudita Venezuela Indonesia

Estados Unidos 1800 800 2000

Rusia 1600 1800 1700
Nigeria 1300 1200 1500

¿Cómo asignaría los consultores para obtener la mejor ganancia?

Formule un modelo de Programación Lineal

Solución:
Resumen de información

Cantidad de País Viaje País Cantidad de

consultores origen redondo destino consultores Gastos
ofertados en avión demandados Tarifa semanales
3 $1,800 2 $4,200 $1,400
E. U. A. S.
$ 800
$2,000
$1,600
2 $1,800 2 $4,000 $1,000
R. V.
$1,700
$1,300
$1,200
1 N. I. 3 $4,000 $ 700
$1,500

6 7

Oferta ≠ Demanda
 Formulación:

Variable de decisión:
Xij = Número de consultores en el país i enviados al país j.
i = 1, 2 y 3 y j = 1, 2 y 3 (EU, R y N) (AS, V e I)
Objetivo:
X0 = Utilidad
Utilidad = Tarifa – (Gastos + Viaje redondo en avión)
Restricciones:
Estados Unidos Arabia Saudita
Oferta Rusia Demanda Venezuela
Nigeria Indonesia
Condiciones técnicas.
∀ i = 1, 2, 3
Xij > 0
∀ j = 1, 2, 3
 Modelo matemático de PL:

Maximizar utilidad U11 = 4200 – (1400 + 1800)

X0 = 1000X11 + 2200X12 + 1300X13 + 1200X21 + 1200X22 + 1600X23 +
1500X31 + 1800X32 + 1800X33
U12 = 4000 – (1000 + 800)
U13 = 4000 – (700 + 2000)
Sujeto a:
X11 + X12 + X13 =3 Consultores en EU
X21 + X22 + X23 =2 Consultores en R.
X31 + X32 + X33 = 1 Consultores en N.
X11 + X21 + X31 <2 Consultores a enviar AS

X12 + X22 + X32 <2 Consultores a enviar V

X13 + X23 + X33 < 3 Consultores a enviar I
∀ i = 1, 2, 3
Xij > 0
∀ j = 1, 2, 3
Construcción de modelos de PL

Ejemplo 5.

El grupo industrial Antar, S. A., analiza la posibilidad de

orientar su inversión hacia otros sectores en donde se
encuentra operando actualmente. El presupuesto disponible
para inversiones de esta naturaleza se ha fijado en
100,000,000 de pesos. Tomando en cuenta las áreas de
inversión actuales, el director de finanzas ha recomendado que
las nuevas inversiones se realicen en la industria petrolera y
siderúrgica, así como en Certificados de la Tesorería General
del Estado (CETES). Especialmente, ha identificado siete
oportunidades de inversión, así como las tasas de rendimiento
esperadas de las mismas. Esta información se expone a
continuación.
 Opciones de inversión Tasa de rendimiento (%)
Petróleo y derivados, S. A. 25
Industria Petrolera, S. A. 33
Petróleos del Norte, S. A. 20
Aceros Monclova, S. A 35
Siderúrgica Nacional, S. A. 23
Hierro y Acero, S. A. 27
CETES 30
El consejo de administración a impuesto, por su parte, la siguiente
estrategia de inversión:
• No se debe destinar más del 50% del total de la inversión a
una industria en particular.
• La inversión CETES debe equivaler por lo menos al 25% del
total invertido en siderúrgica.
• La inversión en Industria Petrolera, S. A., la cual resulta ser la
de mayor rendimiento, aunque también de mayor riesgo, no
puede exceder al 50% del total a invertir en el sector
petrolero.
• El total a invertir en siderúrgica debe ser por lo menos igual al
invertido en petróleo.
¿Qué recomendaciones (cantidad y opciones de inversión) pueden
hacerse con respecto a este portafolio?
 Solución:
Variable de decisión:
X1 = Cantidad ($) a invertir en Petróleo y Derivados, S. A.
X2 = Cantidad ($) a invertir en Industria Petrolera, S. A.
X3 = Cantidad ($) a invertir en Petróleos del Norte, S. A.
X4 = Cantidad ($) a invertir en Aceros de Monclova, S. A.
X5 = Cantidad ($) a invertir en Siderúrgica Nacional, S. A.
X6 = Cantidad ($) a invertir en Hierro y Acero, S. A.
X7 = Cantidad ($) a invertir en CETES, S. A.

Objetivo:
X0 = Tasa de rendimiento total
Restricciones:

Presupuestal.
Máxima inversión por industrial
Mínima inversión en CETES
Administrativas
Máxima inversión en Industria Petrolera, S. A.
Inversiones en industria siderúrgica y petrolera.

Condiciones técnicas.
Xi > 0 ∀ i = 1, 2, 3, 4, 5, 6, 7
Modelo matemático de PL:

Maximizar
X0 = 0.25X1 + 0.33X2 + 0.20X3 + 0.35X4 + 0.23X5 + 0.27X6 + 0.30X7

Sujeto a:
X1 + X2 + X3 + X4 + X5 + X6 + X7 < 100,000,000 Presupuesto

Máxima inversión por industria.

X1 + X2 + X3 < 50,000,000 Petrolera

X4 + X5 + X6 < 50,000,000 Siderúrgica
Mínima inversión en CETES
X7 < 0.25(X4 + X5 + X6 )

- 0.25X4 - 0.25X5 - 0.25X6 + X7 < 0

 Máxima inversión en Industria Petrolera
X2 < 0.50(X1 + X2 + X3 )
- 0.50X1 + 0.50X2 - 0.50X3 <0

Inversiones en industria petrolera y siderúrgica

X1 + X2 + X3 < X4 + X5 + X6

X1 + X2 + X3 - X4 - X5 - X6 < 0

Condiciones técnicas.
Xi > 0 ∀ i = 1, 2, 3, 4, 5, 6, 7
Resumen del modelo:

Maximizar
X0 = 0.25X1 + 0.33X2 + 0.20X3 + 0.35X4 + 0.23X5 + 0.27X6 + 0.30X7

Sujeto a:
X1 + X2 + X3 + X4 + X5 + X6 + X7 < 100,000,000 Presupuesto
X1 + X2 + X3 < 50,000,000 Petrolera
X4 + X5 + X6 < 50,000,000 Siderúrgica
- 0.25X4 - 0.25X5 - 0.25X6 + X7 < 0 Mínima inversión en CETES

- 0.50X1 + 0.50X2 - 0.50X3 <0 Máxima inversión en Industria

Petrolera
X1 + X2 + X3 - X4 - X5 - X6 <0 Inversiones en industria
petrolera y siderúrgica
Xi > 0 ∀ i = 1, 2, 3, 4, 5, 6, 7
 Construcción de modelos de PL

Ejemplo 5.
La principal sucursal de un Banco requiere de 8 a 15 cajeros
de servicio, dependiendo de la hora del día, como se indica
en la tabla 1. Los cajeros de tiempo completo trabajan 8
horas consecutivas a $15 la hora, comenzando con a las 8 A.
M. Los cajeros de tiempo parcial trabajan 4 horas
consecutivas a $8 la hora, comenzando a las 8 A. M., 10 A. M.
o 12 del mediodía. Las regulaciones sindicales requieren que
a toda hora al menos 60% de los cajeros sean de tiempo
completo. Como gerente del personal, haga una
recomendación respecto al número de empleados de tiempo
completo y de tiempo parcial requeridos a lo largo del día
para minimizar el costo diario total.
Requerimientos de cajeros del Banco.

Periodo Número mínimo de cajeros

8 – 10 A.M. 8
10 – 12 Mediodía 10
12 – 2 P.M. 15
2–4 P.M. 12

Construir el modelo de PL correspondiente

Solución:

Variables de decisión:
X1 = Número de cajeros de tiempo completo a contratar por día.
Yi = Número de cajeros de tiempo parcial i a contratar por día.
i = 1, 2, 3. ( hora de entrada 8, 10 y 12 del mediodía)

Objetivo:
X0 = Costo total diario
Ct = Salario cajeros TC + salario cajeros TP
Restricciones:
8 – 10 am

Requerimientos por periodo 10 -12 del mediodía

12 – 2 pm
2 – 4 pm
 8 – 10 am

Política sindical para turno completo 10 -12 del mediodía

12 – 2 pm
2 – 4 pm

Condiciones técnicas.
X1 > 0
Enteras
Yi > 0 ∀ i = 1, 2, 3
Modelo matemático de PL:

Minimizar X0 = 120X1 + 32Y1 + 32Y2 + 32Y3

$ = $ cajeros
día cajero día

Sujeto a:
Requerimiento de cajeros por periodo
X1 + Y1 =8 Periodo de 8 – 10 a.m.

cajeros cajeros cajeros

=
día TC día TP día

X1 + Y1 + Y2 = 10 Periodo de 10 – 12 del mediodía

X1 + Y2 + Y3 = 15 Periodo de 12 – 2 p.m.
X1 + Y3 = 12 Periodo de 12 – 2 p.m.
Política sindical para turno completo

Y sabemos que una proporción es

X1
P(x) =
X1 + Y1 = 1
X1 + X2 + . . . + Xn
X1
> 0.60
X1 + Y1

X1 > 0.60 (X1 + Y1)

X1 > 0.60X1 + 0.60Y1

X1 - 0.60X1 - 0.60Y1 > 0

0.40X1 - 0.60Y1 > 0 Periodo de 8 – 10 a.m.

0.4X1 - 0.60Y1 - 0.60Y2 >0 Periodo de 10 – 12 del mediodía

0.4X1 - 0.60Y2 - 0.60Y3 > 0 Periodo de 12 – 2 p.m.

0.4X1 - 0.60Y3 > 0 Periodo de 12 – 2 p.m.

X1 > 0
Enteras
Yi > 0 ∀ i = 1, 2, 3
Resumen del modelo:

Minimizar X0 = 120X1 + 32Y1 + 32Y2 + 32Y3

Sujeto a:
X1 + Y1 = 8 Periodo de 8 – 10 a.m.
X1 + Y1 + Y2 = 10 Periodo de 10 – 12 del mediodía

X1 + Y2 + Y3 = 15 Periodo de 12 – 2 p.m.
X1 + Y3 = 12 Periodo de 12 – 2 p.m.
0.40X1 - 0.60Y1 > 0 Periodo de 8 – 10 a.m.
0.4X1 - 0.60Y1 - 0.60Y2 > 0 Periodo de 10 – 12 del mediodía

0.4X1 - 0.60Y2 - 0.60Y3 > 0 Periodo de 12 – 2 p.m.

0.4X1 - 0.60Y3 > 0 Periodo de 12 – 2 p.m.
X1 > 0
Enteras
Yi > 0 ∀ i = 1, 2, 3
Solución de los problemas de PL

Método grafico
DEFINICIÓN DEL PROBLEMA

El problema de la industria de juguetes “Toys”.

✓ La empresa produce dos tipos de juguetes:
✓ Coches
✓ Trenes

✓ Los recursos están limitados a:

✓ 1200 kg de plástico especial
✓ 40 horas de producción semanal
✓ Requerimientos de Marketing
✓ La producción total no puede exceder de 800 docenas.
✓ El número de docenas de carros no puede exceder al número de
docenas de Trenes por más de 450.
✓ Requerimientos de Produccion
✓ El Carro requiere 2 kg de plástico y 3 minutos de producción por
docena
✓ El Tren requiere 1 kg de plástico y 4 minutos de producción por
docena.
✓ Plan común de producción para:
✓ Fabricar la mayor cantidad del producto que deje mejores
ganancias, el cual corresponde a Carro ($8 de utilidad por
docena)
✓ Usar la menor cantidad de recursos para producir Trenes,
porque estos dejan una menor utilidad ($5 de utilidad por
docena).
● ¿Donde están las ganancias?
CONSTRUCCIÓN DEL MODELO
✓ Variables de decisión:
✓ X1 = Cantidad producida de carros (en docenas por semana)
✓ X2 = Cantidad producida de trenes (en docenas por semana)

✓ Función objetivo
✓ Maximizar la ganancia semanal:
Max 8X1 + 5X2 (ganancia semanal)
✓ Sujeto a siguientes restricciones:
2X1 + 1X2 <= 1200 (Cantidad de plástico)
3X1 + 4X2 <= 2400 (Tiempo de producción)
X1 + X2 <= 800 (Limite producción total)
X1 - X2 <= 450 (Producción en exceso)
Xj >= 0 , j= 1, 2. (Resultados positivos)
 SOLUCIÓN:
X Paso 1: Graficar las restricciones
2
120
0 Restricción del plástico:
2X1+X2<=1200
Restricción del total de producción:
X1+X2<=800

60 No Factible
0

Restricción del
exceso de
Horas de Factibl producción:
Producción
3X1+4X2<=240 e X1-X2<=450
X
0 Punto 60 80
1
0 0
Inferior
• Tipos de puntos de factibilidad Punto Medio Punto
SOLUCIÓN:
Paso 2: Graficar la función objetivo

comenzar con una ganancia dada de = $2,000...

1200
X2 Entonces aumente la
...y continúe hasta que salga de la región
ganancia...
factible

Utilid. = $ 4,000
Ganancia 2,000
3,000
=$5040
80
0
60
0

X1

40 60 80
SOLUCIÓN:

✓ Resumen de la solución óptima:

✓ Carros = 480 docenas
✓ Trenes = 240 docenas
✓ Ganancia = $5040
✓ Esta solución utiliza todas las materias primas
(plástico) y todas las horas de producción
✓ La producción total son 720 docenas (no 800).
✓ La producción de Carros excede a la de Trenes
por solo 240 docenas y no por 450.
Ejercicio:

Consideremos el siguiente problema a resolver

gráficamente:
Max z = 3x1 + 5x2
sa: x1 ≤ 4
2x2 ≤ 12
3x1 + 2x2 ≤ 18
x1,x2 ≥ 0
x2 Región de puntos factibles
Curvas de Nivel
9
x* Solución Optima
x*
6

4 6 x1
En primer lugar, se debe obtener la región de puntos factibles en el
plano, obtenida por medio de la intersección de todos los
semiespacios que determinan cada una de las inecuaciones
presentes en las restricciones del problema.
Enseguida, con el desplazamiento de las curvas de nivel de la
función objetivo en la dirección de crecimiento de la función (que
corresponde a la dirección del vector gradiente de la función,
∇z(x1,x2) = (3,5)T), se obtiene la solución óptima del problema en la
intersección de las rectas: 2x2 = 12 y 3x1+2x2 = 18 (restricciones
activas). Esto es:
x1* = 2 x2* = 6
z* = 3 x1* + 5 x2* = 36
Notar que se pueden dar otras situaciones en la búsqueda de una
solución óptima para esta clase de problemas:
1) La solución óptima exista pero haya más de una. En el
ejemplo, considere la nueva función objetivo: z = 6x1+4x2.
2) El problema no tenga solución, dada una región de puntos
factibles n
o - acotada. En el ejemplo, reemplace cada desigualdad ≤ por una
≥.
3) El problema no tenga solución, porque no existen puntos
factibles. En el ejemplo, suponga que agregamos la restricción:x1≥5.
Ejemplo

Burroughs Garment Company fabrica camisas para caballero y blusas

para dama para Walmark Discount Stores. Walmark aceptará toda la
producción que le proporcione Burroughs. El proceso de producción
incluye corte, costura y empacado. Burroughs emplea a 25
trabajadores en el departamento de corte, a 35 en el departamento de
costura y a 5 en el departamento de empacado. La fabrica trabaja un
turno de 8 horas, sólo 5 días a la semana. La tabla siguiente
proporciona los requerimientos de tiempo y las utilidades por unidad
para las dos prendas:
Minutos por unidad Utilidad por
Prenda unidad ($)
Corte Costura Empacado
Camisas 20 70 12 2.50
Blusas 60 60 4 3.20

1.- Construir el modelo de PL.

2.- Solucionar el modelo con el método gráfico.
 Solución:
Variables de decisión:
X1 = Número de camisas a fabricar por semana.
X2 = Número de blusas a fabricar por semana.

Objetivo:
X0 = Utilidad por semana
Restricciones:
Departamento corte
Tiempo disponible por departamento a la semana Departamento costura
Departamento empaque
Condiciones técnicas.
X1, X2 > 0
Modelo matemático de PL:

Maximizar X0 = 2.50X1 + 3.20X2

$ = $ camisas + $ blusas
semana camisa semana blusas semana

Sujeto a:
Cálculo del tiempo disponible por semana
Departamento
horas días horas
25 obreros 8 5 = 1000 corte
día-obrero semana semana
Departamento
horas días horas
35 obreros 8 5 = 1400 costura
día-obrero semana semana
Departamento
horas días horas
5 obreros 8 5 = 200 empaque
día-obrero semana semana
20X1 + 60X2 < (1000)(60) Departamento corte

minutos camisas + minutos blusas = horas minutos

camisa semana blusas semana semana hora

70X1 + 60X2 < (1400)(60) Departamento costura

12X1 + 4X2 < (200)(60) Departamento empaque

X1, X2 > 0
Resumen del modelo:

Maximizar
X0 = 2.50X1 + 3.20X2
Sujeto a:
20X1 + 60X2 < 60,000 Departamento corte
70X1 + 60X2 < 84,000 Departamento costura
12X1 + 4X2 < 12,000 Departamento empaque

X1, X2 > 0
 Método Gráfico:

Paso 1. Representar las variables de decisión en un eje coordenado

XY. (Condiciones técnicas)
X2
Blusas

X1
Camisas
Método Gráfico:

Paso 2. Calcular las coordenadas de intersección los ejes para cada

restricción y representarlas en el primer cuadrante.
20X1 + 60X2 < 60,000
(-1) 20X1 + 60X2 < 60,000 (-1)
70X1 + 60X2 < 84,000 Blusas 70X1 + 60X2 < 84,000
12X1 + 4X2 < 12,000 50X1 < 24,000
X1 = 480
Intersección con los ejes
3000 Sustituir X1 en la Restricción 1
(X1, X2) (X1, X2)
20(480) + 60X2 < 60,000
(0, 1000) (3000, 0)
X2 = 840
2000
(0, 1400) (1200, 0)

(0, 3000) (1000, 0)

1000 B C
Región
Factible
A D
1000 2000 3000 Camisas
Método Gráfico:

Paso 3. Calcular las alternativas de solución (cada vértice de la

región factible)
Alternativas

A B C D
Utilidad
0 $3,200 $3,888 $2,500
X0 =
Camisas
X1 = 0 0 480 1,000
Blusas X2
= 0 1,000 840 0

Esta es la solución óptima

Método Gráfico:

Paso 4. Calcular las variables de holgura para cada restricción de la

solución óptima.
Primero se transforman a igualdades todas las restricciones.
20X1 + 60X2 + s1 = 60,000
70X1 + 60X2 + s2 = 84,000

12X1 + 4X2 + s3 = 12,000

Segundo se sustituyen los valores obtenidos para X1 y X2 de la solución

óptima y se despeja la variable de holgura de cada restricción.

20X1 + 60X2 + s1 = 60,000 Departamento corte

20(480) + 60(840) + s1 = 60,000

9600 + 50400 + s1 = 60,000

60000 + s1 = 60,000
s1 = 0
70X1 + 60X2 + s2 = 84,000 Departamento costura
70(480) + 60(840) + s2 = 84,000

33,600 + 50,400 + s2 = 84,000

84,000 + s2 = 84,000
s2 = 0

12X1 + 4X2 + s3 = 12,000 Departamento empaque

12(480) + 4(840) + s3 = 12,000

5,760 + 3,360 + s3 = 12,000

9,120 + s3 = 12,000
s3 = 2,880
Interpretación de los resultados del modelo.

Burroughs Garment Company, deberá fabricar 480 camisas y 840 blusas,

con este plan de producción logrará obtener una utilidad de $3,888 por
semana

Si Burroughs Garment Company lleva acabo este programa de

producción consumirá las 1000 horas/semana que dispone en el
departamento de corte. Así, como también, consumirá sus 1400
horas/semana del departamento de costura. Sin embargo, en el
departamento de empacado de las 200 horas/semana disponibles solo
utilizará 152 horas/semana, como consecuencia se tendrá un ocio de 48
horas/semana, lo que equivale a 1.2 obreros ociosos y solo trabajarían
3.8 obreros/semana en promedio.
 Ejemplo 2 Solución óptima única

X2
Máx. 2X1 + 3X2 = 12

X0 = 3X1 + 4X2 Coordenadas (-1) 2X1 + X2 = 8 (-1)

Sujeto a: ( 0, 4) ( 6, 0) 2X2 = 4
2X1 + 3X2 < 12 ( 0, 8) ( 4, 0) X2 = 2
2X1 + X2 < 8 2X1 + X2 = 8
Región B
X1, X2 > 0 C 2X1 + 2= 8
Factible
Evaluación de vértices X1 = 3
A D X1
A B C D
X0 = 0 16 17 12
X1 = 0 0 3 4
La solución óptima se presenta
X2 = 0 4 2 0
en el vértice C
s1 = 12 0 0 4
s2 = 8 4 0 0
CASOS ESPECIALES
Solución óptima múltiple ó alternativa
X2
Máx. Puntos óptimos

X0 = 2X1 + 3X2 Coordenadas

Sujeto a: B
( 0, 10) ( 15, 0)
2X1 + 3X2 < 30
( 0, 5) ( - 5, 0)
- X1 + X2 < 5 A
( 0, 5) ( 5, 0)
C
X1 + X2 > 5
( 0, 10)
X1 < 10
Región
X1, X2 > 0 factible E D X1

La pendiente de la
Solución B Solución C
función objetivo es igual
X0 = 30 s2 = 0 X0 = 30 s2 = 35/3 a la pendiente de alguna
X1 = 3 S3 = 6 X1 = 10 S3 = 25/3 de sus restricciones

X2 = 8 s4 = 7 X2 = 10/3 s4 = 0 mX0 = mR1

s1 = 0 s1 = 0 -2/3 = -2/3
 Solución ilimitada ó No Acotada

Máx.
Coordenadas
X0 = X1 + 2X2
X2
Sujeto a: (0, 4) (-2 , 0)
-2X1 + X2 < 4 (0, -1) ( 3, 0)
X1 - 3X2 < 3
X1, X2 > 0

X1
 Solución Infactible

Máx.
Coordenadas
X0 = X1 + 2X2
Sujeto a: (0, 2) (4, 0) X2
X1 + 2X2 < 4 (0, 4) (6, 0)
2X1 + 3X2 < 12
X1, X2 > 0

X1
Análisis de sensibilidad para la solución optima.

● ¿Es sensible la solución óptima a cambios en los

parámetros de entrada?
● Posibles razones para responder la pregunta
anterior:
● Los valores de los parámetros usados fueron los mejores
estimados.
● Medio ambiente por ser dinámico puede producir cambios.
● El análisis del “qué pasa si” puede proveer información
económica y operacional.
Análisis de sensibilidad de los coeficientes de
la función objetivo

▪ Rango de optimalidad
▪ La solución óptima permanecerá inalterable mientras:
▪ Un coeficiente de la función objetivo se encuentre dentro
del rango de optimalidad.
▪ No hay cambios en ningún otro parámetro.

▪ El valor de la función objetivo cambiará si el coeficiente

▪ multiplica una variable cuyo valor es distinto de cero.
 Los efectos del cambios en un coeficiente de la función
objetivo, sobre la solución óptima

X2
1200

80
0
60
0

X1

40 60 80
0 0 0
 Los efectos del cambio de un coeficiente de la función objetivo,
sobre la solución óptima

X2
1200
Rango de optimalidad

80
0
60
0

400 600 800 X1

Cambios Múltìples

● El rango de optimalidad es válido cuando un único coeficiente de

la función objetivo cambia.

● Cuando cambia más de una variable se utiliza la regla del 100%.

Regla del 100%

● Para cada aumento (disminución) en un coeficiente de la función

objetivo calcular (y expresar como un porcentaje) la relación de
cambio del coeficiente al máximo aumento posible (disminución)
determinada por los límites del rango de optimalidad.

● Sumar todos los cambios de porcentaje. Si el total es menor que

100%, la solución óptima no cambiará. Si este total es mayor
que 100%, la solución óptima puede cambiar.
Reducción de costos
La reducción de costos de una variable a su cota inferior
(comúnmente cero) implica que:
● Los coeficientes de la función objetivo deben cambiar antes
que la variable pueda tomar un valor sobre la cota inferior.
● Con lo anterior la cantidad de ganancia óptima cambiará
según las variables aumentadas desde la cota inferior.

Holgura complementaria
● Existe holgura en la solución óptima, cuando cada variable
está en su cota inferior o el costo reducido es 0.
Análisis de Sensibilidad del coeficiente del
lado derecho

● Cualquier cambio en el lado derecho (bi) de una restricción activa

cambiará la solución óptima.
● Cualquier cambio en el lado derecho de una restricción no activa
que sea menor que la holgura o o el exceso, no produce ningún
cambio en la solución óptima.

● Para el análisis de sensibilidad de la validez de los coeficiente

del lado derecho nos interesa responder las siguientes
preguntas:
● ¿ Manteniendo todos los otros coeficientes , en cuánto cambiaría el
valor óptimo de la función objetivo (por ejemplo, la ganancia) si el
coeficiente del lado derecho de una restricción cambia en una
unidad?
● ¿ Hasta cuántas unidades se puede agregar o disminuir para que
la solución siga siendo válida?
 X
2
1200

Restricción materiales
(plásticos)
Nueva restricción materiales
(plásticos)
Ganancia máxima=
600
5040
Combinación de restricciones
en la producción
Restricción del
Feasible
tiempo de Puntos extremos
X
producción 1
600 800
Interpretación correcta del precio sombra

● Los costos amortizados: El precio sombra, es el valor por una

unidad extra del recurso, ya que el costo del recurso no es
incluido en el cálculo de los coeficientes de la función objetivo.

● Los costos incluídos: El precio sombra es el valor superior por

unidad del recurso, el costo del recurso se incluye en el cálculo
del coeficiente de la función objetivo.
El rango de factibilidad

● El conjunto de los coeficientes del lado derecho

entregan el rango para que el mismo conjunto de
restricciones determine el punto óptimo.
● Dentro del rango de factibilidad, los precios sombras
permanecen constante; sin embargo, la solución
óptima cambiará.