SlideShare una empresa de Scribd logo
1 de 50
Descargar para leer sin conexión
INVESTIGACIÓN OPERATIVA 
UNIVERSIDAD NACIONAL 
“SAN AGUSTIN” - AREQUIPA 
Augusto JAVES SANCHEZ 
Lic. Administración 
Maestría en Gestión Estratégica de Organizaciones 
Doctorado en Administración 
EXPOSITOR 
http://www.facebook.com/cursospara.emprendedores?sk=notes 
http://cursosparaemprendedores.blogspot.com/p/tesis.html 
2 
PROGRAMACIÓN LINEAL Formulación matemática del problema
TEXTO BASE: 
2. IO - Programación Lineal
Programación Lineal 
Un modelo de programación lineal busca maximizar o minimizar una función lineal, sujeta a un conjunto de restricciones lineales. 
Un modelo de programación lineal esta compuesto de lo siguiente: 
* Un conjunto de variables de decisión 
* Una función objetivo 
* Un conjunto de restricciones
PROGRAMACIÓN LINEAL 
Es un método matemático que se emplea para resolver problemas de optimización. En palabras simples la P.L. busca asignar recursos limitados, entre actividades que compiten, de la forma mas óptima posible. 
Supuestos de la P.L. 
•Proporcionalidad 
•Aditividad 
•Divisibilidad 
•Certidumbre 
•Objetivo único 
•No negatividad
PROGRAMACIÓN LINEAL 
FORMULACION MATEMATICAMETODO GRAFICOMETODO ALGEBRAICO(SIMPLEX) PROBLEMA GENERALPROBLEMAS DE TRANSPORTEPROBLEMAS DE ASIGNACIÓNPROBLEMAS ESPECIALESPROGRAMACION LINEAL
La importancia de la programación lineal: 
•Ciertos problemas se describen fácilmente a través de la programación lineal. 
•Muchos problemas pueden aproximarse a modelos lineales. 
•La salida generada por el programa que resuelve el modelo de programación lineal entrega información útil para responder nuevas condiciones sobre el “qué pasa si”.
7
Formulación matemática básica 
en un problema de I.O. (PL) 
Ejemplo: Una multinacional minera extrae un tipo de mineral de dos minas diferentes, el cuales es sometido a un proceso de trituración, con tres grados: alto , medio y bajo. La compañía han firmado un contrato para proveer de mineral a una planta de fundición, cada semana, 12 toneladas de mineral de grado alto, 8 toneladas de grado medio y 24 toneladas de grado bajo. Cada una de las minas tiene diferentes procesos de fabricación. 
Mina Costo por día (miles de Euros) Producción(toneladas/día) 
Alto Medio Bajo 
X 180 6 3 4 
Y 160 1 1 6 
¿Cuántos días a la semana debería operar cada mina para cumplir el contrato con la planta de fundición con el que se comprometió la multinacional?
Es necesario buscar una solución que minimice el costo de producción global de la empresa, sujeta a las restricciones impuestas por los proceso productivos asociados a cada mina así como el contrato con la planta de fundición. Traducción del problema en términos matemáticos 
1.definir las variables 
2.las restricciones 
3.el objetivo 
Formulación matemática básica en un problema de I.O. (PL)
Variables 
Representan las decisiones que puede tomar la empresa: 
Dx = número de días a la semana que la mina X produce 
Dy= número de días a la semana que la mina Y produce 
Notar que Dx0 y Dy0 
Restricciones 
Se recomienda primero plantear las restricciones con palabras antes de pasar a su formulación matemática. 
Restricción 1. refleja el balance entre las limitaciones productivas de la fábrica y el contrato con la plante de fundición 
Grado 
Alto 6Dx+1Dy12 
Medio 3Dx+1Dy8 
Bajo 4Dx+6Dy24 
Restricción 2. días de trabajo disponibles a la semana 
Dx5 y Dy5 
Objetivo Como objetivo buscamos minimizar el costo 180Dx+160Dy 
Formulación matemática básica 
en un problema de I.O. (PL)
La representación completa del problema tomaría la siguiente forma: 
Minimizar 180Dx+160Dy 
s.a. 
6Dx+1Dy12 
3Dx+1Dy8 
4Dx+6Dy24 
Dx5, Dy5 
Dx0, Dy0 
Formulación matemática básica 
en un problema de I.O. (PL)
PROGRAMACIÓN LINEAL Construcción de modelos 
PROBLEMA DE LA MEZCLA DE PRODUCTOS Una compañía fabrica dos tipos de componentes electrónicos: transistores y bobinas. Cada transistor requiere un minuto de tiempo en el departamento de ensamble, dos minutos de tiempo en el departamento de Control de Calidad y un minuto de tiempo en empaque. Cada bobina requiere dos minutos de tiempo en ensamble, un minuto de tiempo en Control de Calidad y dos minutos en empaque. Existe un total de 300 minutos en Ensamble, 400 minutos en C. Calidad y 400 minutos en Empaque disponibles cada día. Tanto los transistores como las bobinas contribuyen en un dólar a la utilidad. La compañía desea determinar la mezcla de productos optima que maximice la utilidad total.
PROGRAMACIÓN LINEAL Construcción de modelos 
Solución: 
Formulación 
Paso 1: Identificar el objetivo (meta) a optimizar 
Maximizar las utilidades de la compañía (U).{dólares/día} 
Paso 2: Identificar las variables de decisión que se desea determinar 
X….Cantidad de transistores a fabricar por día {unds./día} 
Y….Cantidad de bobinas a fabricar por día {unds./día} 
Paso 3: Identificar las restricciones del modelo 
R1) Tiempo disponible en el depto. de Ensamble por día 300 min. 
R2) Tiempo disponible en el depto. de C. Calidad por día de 400 min. 
R3) Tiempo disponible en el depto. de Empaque por día de 400 min. 
R4) No Negatividad.
PROGRAMACIÓN LINEAL Construcción de modelos 
Paso 4: Construcción del modelo matemático 
F.Objetivo 
MAX { U = X + Y } 
Sujeto a : 
R1) X + 2Y  300 
R2) 2X + Y  400 
R3) X + 2Y  400 
R4) X , Y  0
8 
Métodos de Resolución 
Método Gráfico Empleado principalmente para PPL con dos variables de decisión. Este método se basa en la idea de obtener regiones de soluciones factibles (RSF), en las cuales se encontraría la combinación de variables de decisión que optimizan el modelo. 
Método Algebraico (SIMPLEX) Empleado principalmente para PPL con más de dos variables de decisión. Este método se desarrollo con base en el método gráfico y corresponde a un sistema heurístico, por lo cual requiere de una solución inicial factible para empezar a funcionar.
Problemas típicos 
•Problema del transporte 
•Problema de flujo con coste mínimo en red 
•Problema de asignación 
•Problema de la mochila (knapsack) 
•Problema del emparejamiento (matching) 
•Problema del recubrimiento (set-covering) 
•Problema del empaquetado (set-packing) 
•Problema de partición (set-partitioning) 
•Problema del coste fijo (fixed-charge) 
•Problema del viajante (TSP) 
•Problema de rutas óptimas
Algunas reflexiones 
•Hemos pasado de la definición del problema a su formulación matemática. 
•Error de especificación, el error más frecuente consiste en descuidar las limitaciones (restricciones, características de las variables, etc,) En el ejemplo anterior: 
a)Todas las variables son continuas (admitimos fracciones de día) 
b)Existe un único objetivo (minimizar los costes) 
c)El objetivo y las restricciones son lineales Las tres consideraciones anteriores nos llevan a lo que denominamos un problema de Programación Lineal PL
Algunas reflexiones 
El ejercicio anterior plantea un PROBLEMA DE DECISIÓN 
Se ha tomado una situación real y se ha construido su equivalente matemático MODELO MATEMÁTICO 
Durante la formulación del modelo matemático se considera el método cuantitativo que (esperanzadamente) nos permitirá resolver el modelo numéricamente ALGORITMO 
El algoritmo es un conjunto de instrucciones que siguiendo de manera gradual producen una solución numérica 
Otra definición de I.O. Ciencia para la representación de problemas reales mediante modelos matemáticos que junto con métodos cuantitativos nos permiten obtener una solución numérica a los mismos
Dificultades 
Dificultades de este tipo de enfoques: 
•Identificación del problema (debemos ignorar partes o tratar el problema entero). 
•Elección del modelo matemático adecuado así como el algoritmo adecuado para resolverlo (validación del algoritmo). 
•Dificultades en la implementación. 
•Velocidad (costes) que supone llegar a una solución. 
•Calidad de la solución. 
•Consistencia de la solución.
Cada muñeco: 
• Produce un beneficio neto de 3 €. 
• Requiere 2 horas de trabajo de acabado. 
• Requiere 1 hora de trabajo de carpinteria. Cada tren: 
• Produce un beneficio neto de 2 €. 
• Requiere 1 hora de trabajo de acabado. 
• Requiere 1 hora trabajo de carpinteria. 
Ejemplo desarrollado 
Gepetto S.L., manufactura muñecos y trenes de madera. 
Cada semana Gepetto puede disponer de: 
• Todo el material que necesite. 
• Solamente 100 horas de acabado. 
• Solamente 80 horas de carpinteria. También: 
• La demanda de trenes puede ser cualquiera (sin límite). 
• La demanda de muñecos es como mucho 40. 
Gepetto quiere maximizar sus beneficios. 
¿Cuántos muñecos y cuántos trenes debe fabricar?
Variables de Decisión x = nº de muñecos producidos a la semana y = nº de trenes producidos a la semana 
Función Objetivo. En cualquier PPL, la decisión a tomar es como maximizar (normalmente el beneficio) o minimizar (el coste) de alguna función de las variables de decisión. Esta función a maximizar o minimizar se llama función objetivo. 
Max z = 3x + 2y 
El objetivo de Gepetto es elegir valores de x e y para maximizar 3x + 2y. Usaremos la variable z para denotar el valor de la función objetivo. La función objetivo de Gepetto es: 
Este problema es un ejemplo típico de un problema de programación lineal (PPL). 
Restricciones Son desigualdades que limitan los posibles valores de las variables de decisión. En este problema las restricciones vienen dadas por la disponibilidad de horas de acabado y carpintería y por la demanda de muñecos. También suele haber restricciones de signo o no negatividad: x ≥ 0 y ≥ 0
Restricción 1: no más de 100 horas de tiempo de acabado pueden ser usadas. Restricción 2: no más de 80 horas de tiempo de carpinteria pueden ser usadas. Restricción 3: limitación de demanda, no deben fabricarse más de 40 muñecos. 
Estas tres restricciones pueden expresarse matematicamente por las siguientes desigualdades: 
Restricción 1: 2 x + y ≤ 100 Restricción 2: x + y ≤ 80 Restricción 3: x ≤ 40 
Cuando x e y crecen, la función objetivo de Gepetto también crece. Pero no puede crecer indefinidamente porque, para Gepetto, los valores de x e y están limitados por las siguientes tres restricciones: 
Restricciones 
Además, tenemos las restricciones de signo: x ≥ 0 e y ≥ 0
x ≥ 0 (restricción de signo) y ≥ 0 (restricción de signo) 
Muñeco 
Tren 
Beneficio 
3 
2 
Acabado 
2 
1 
≤ 100 
Carpintería 
1 
1 
≤ 80 
Demanda 
≤ 40 
Formulación matemática del PPL 
Max z = 3x + 2y (función objetivo) 
2 x + y ≤ 100 (acabado) 
x + y ≤ 80 (carpinteria) 
x ≤ 40 (demanda muñecos) 
Variables de Decisión x = nº de muñecos producidos a la semana y = nº de trenes producidos a la semana
Max z = 3x + 2y (función objetivo) Sujeto a (s.a:) 2 x + y ≤ 100 (restricción de acabado) x + y ≤ 80 (restricción de carpinteria) x ≤ 40 (restricción de demanda de muñecos) x ≥ 0 (restricción de signo) y ≥ 0 (restricción de signo) 
Para el problema de Gepetto, combinando las restricciones de signo x ≥ 0 e y ≥ 0 con la función objetivo y las restricciones, tenemos el siguiente modelo de optimización: 
Formulación matemática del PPL
Región factible 
x = 40 e y = 20 está en la región factible porque satisfacen todas las restricciones de Gepetto. 
Sin embargo, x = 15, y = 70 no está en la región factible porque este punto no satisface la restricción de carpinteria 
[15 + 70 > 80]. 
Restricciones de Gepetto 2x + y ≤ 100 (restricción finalizado) x + y ≤ 80 (restricción carpintería) x ≤ 40 (restricción demanda) x ≥ 0 (restricción signo) y ≥ 0 (restricción signo) 
La región factible de un PPL es el conjunto de todos los puntos que satisfacen todas las restricciones. Es la región del plano delimitada por el sistema de desigualdades que forman las restricciones.
Solución óptima 
La mayoría de PPL tienen solamente una solución óptima. Sin embargo, algunos PPL no tienen solución óptima, y otros PPL tienen un número infinito de soluciones. Más adelante veremos que la solución del PPL de Gepetto es x = 20 e y = 60. Esta solución da un valor de la función objetivo de: 
z = 3x + 2y = 3·20 + 2·60 = 180 € 
Cuando decimos que x = 20 e y = 60 es la solución óptima, estamos diciendo que, en ningún punto en la región factible, la función objetivo tiene un valor (beneficio) superior a 180. 
Para un problema de maximización, una solución óptima es un punto en la región factible en el cual la función objetivo tiene un valor máximo. Para un problema de minimización, una solución óptima es un punto en la región factible en el cual la función objetivo tiene un valor mínimo. 
Se puede demostrar que la solución óptima de un PPL está siempre en la frontera de la región factible, en un vértice (si la solución es única) o en un segmento entre dos vértices contiguos (si hay infinitas soluciones)
Representación Gráfica de las restricciones 
2x + y = 100 
Cualquier PPL con sólo dos variables puede resolverse gráficamente. Por ejemplo, para representar gráficamente la primera restricción, 2x + y ≤ 100 : Dibujamos la recta 2x + y = 100 
20 
20 
40 
60 
80 
40 
60 
80 
100 
Y 
X 
Elegimos el semiplano que cumple la desigualdad: el punto (0, 0) la cumple (2·0 + 0 ≤ 100), así que tomamos el semiplano que lo contiene.
Dibujar la región factible 
Puesto que el PPL de Gepetto tiene dos variables, se puede resolver gráficamente. La región factible es el conjunto de todos los puntos que satisfacen las restricciones: 
2 x + y ≤ 100 (restricción de acabado) x + y ≤ 80 (restricción de carpintería) x ≤ 40 (restricción de demanda) x ≥ 0 (restricción de signo) y ≥ 0 (restricción de signo) 
Vamos a dibujar la región factible que satisface estas restricciones.
Y 
X 
20 
20 
40 
60 
80 
40 
60 
80 
100 
2x + y = 100 
Restricciones 
2 x + y ≤ 100 
x + y ≤ 80 
x ≤ 40 
x ≥ 0 
y ≥ 0 
Dibujar la región factible 
Teniendo en cuenta las restricciones de signo (x ≥ 0, y ≥ 0), nos queda:
Y 
X 
20 
20 
40 
60 
80 
40 
60 
80 
100 
x + y = 80 
Restricciones 2 x + y ≤ 100 x + y ≤ 80 x ≤ 40 x ≥ 0 y ≥ 0 
Dibujar la región factible
Y 
X 
20 
20 
40 
60 
80 
40 
60 
80 
100 
x = 40 
Restricciones 2 x + y ≤ 100 x + y ≤ 80 x ≤ 40 x ≥ 0 y ≥ 0 
Dibujar la región factible
Y 
X 
20 
20 
40 
60 
80 
40 
60 
80 
100 
2x + y = 100 
x + y = 80 
x = 40 
La intersección de todos estos semiplanos (restricciones) nos da la región factible 
Región Factible 
Dibujar la región factible
Y 
X 
20 
20 
40 
60 
80 
40 
60 
80 
100 
2x + y = 100 
x + y = 80 
x = 40 
Región Factible 
La región factible (al estar limitada por rectas) es un polígono. En esta caso, el polígono ABCDE. 
A 
B 
C 
D 
E 
Como la solución óptima está en alguno de los vértices (A, B, C, D o E) de la región factible, calculamos esos vértices. 
Vértices de la región factible 
Restricciones 2 x + y ≤ 100 x + y ≤ 80 x ≤ 40 x ≥ 0 y ≥ 0
Región 
Factible 
E(0, 80) 
(20, 60) 
C(40, 20) 
B(40, 0) 
A(0, 0) 
Vértices de la región factible 
Los vértices de la región factible son intersecciones de dos rectas. El punto D es la intersección de las rectas 2x + y = 100 x + y = 80 La solución del sistema x = 20, y = 60 nos da el punto D. 
20 
20 
40 
60 
80 
40 
60 
80 
100 
Y 
X 
D 
B es solución de x = 40 y = 0 
2x + y = 100 
x = 40 
x + y = 80 
C es solución de 
x = 40 
2x + y = 100 
E es solución de x + y = 80 x = 0
Y 
X 
20 
20 
40 
60 
80 
40 
60 
80 
100 
Región Factible 
(0, 80) 
(20, 60) 
(40, 20) 
(40, 0) 
(0, 0) 
Max z = 3x + 2y 
z = 0 
z = 100 
z = 180 
Para hallar la solución óptima, dibujamos las rectas en las cuales los puntos tienen el mismo valor de z. 
La figura muestra estas lineas para 
z = 0, z = 100, y z = 180 
Resolución gráfica
Región Factible 
(0, 80) 
(20, 60) 
(40, 20) 
(40, 0) 
(0, 0) 
Max z = 3x + 2y 
z = 0 
z = 100 
z = 180 
La última recta de z que interseca (toca) la región factible indica la solución óptima para el PPL. Para el problema de Gepetto, esto ocurre en el punto D (x = 20, y = 60, z = 180). 
20 
20 
40 
60 
80 
40 
60 
80 
100 
Y 
X 
Resolución gráfica
Región 
Factible 
(0, 80) 
(20, 60) 
(40, 20) 
(40, 0) 
(0, 0) 
Max z = 3x + 2y 
También podemos encontrar la solución óptima calculando el valor de z en los vértices de la región factible. 
Vértice z = 3x + 2y 
(0, 0) z = 3·0+2·0 = 0 
(40, 0) z = 3·40+2·0 = 120 
(40, 20) z = 3·40+2·20 = 160 
(20, 60) z = 3·20+2·60 = 180 
(0, 80) z = 3·0+2·80 = 160 
20 
20 
40 
60 
80 
40 
60 
80 
100 
Y 
X 
La solución óptima es: x = 20 muñecos y = 60 trenes z = 180 € de beneficio 
Resolución analítica
Hemos identificado la región factible para el problema de Gepetto y buscado la solución óptima, la cual era el punto en la región factible con el mayor valor posible de z.
Recuerda que: 
•La región factible en cualquier PPL está limitada por segmentos (es un polígono, acotado o no). 
•La región factible de cualquier PPL tiene solamente un número finito de vértices. 
•Cualquier PPL que tenga solución óptima tiene un vértice que es óptimo.
Un problema de minimización 
Dorian Auto fabrica y vende coches y 
furgonetas.La empresa quiere emprender 
una campaña publicitaria en TV y tiene 
que decidir comprar los tiempos de 
anuncios en dos tipos de programas: del 
corazón y fútbol. 
• Cada anuncio del programa del corazón es visto por 6 millones de mujeres 
y 2 millones de hombres. 
• Cada partido de fútbol es visto por 3 millones de mujeres y 8 millones de 
hombres. 
• Un anuncio en el programa de corazón cuesta 50.000 € y un anuncio del 
fútbol cuesta 100.000 €. 
• Dorian Auto quisiera que los anuncios sean vistos por por lo menos 30 
millones de mujeres y 24 millones de hombres. 
Dorian Auto quiere saber cuántos anuncios debe contratar en cada tipo de 
programa para que el coste de la campaña publicitaria sea mínimo.
•Cada anuncio del programa del corazón es visto por 6 millones de mujeres y 2 millones de hombres. 
•Cada partido de fútbol es visto por 3 millones de mujeres y 8 millones de hombres. 
•Un anuncio en el programa de corazón cuesta 50.000 € y un anuncio del fútbol cuesta 100.000 €. 
•Dorian Auto quisiera que los anuncios sean vistos por por lo menos 30 millones de mujeres y 24 millones de hombres. 
•Dorian Auto quiere saber cuántos anuncios debe contratar en cada tipo de programa para que el coste de la campaña publicitaria sea mínimo. 
Corazón 
(x) 
Fútbol 
(y) 
mujeres 
6 
3 
6x + 3y ≥ 30 
hombres 
2 
8 
2x + 8y ≥ 24 
Coste 
1.000€ 
50 
100 
50x +100y 
Formulación del problema:
Variables de decisión: x = nº de anuncios en programa de corazón 
y = nº de anuncios en fútbol 
Min z = 50x + 100y (función objetivo en 1.000 €) s.a: 6x + 3y ≥ 30 (mujeres) 2x + 8y ≥ 24 (hombres) x, y ≥ 0 (no negatividad) 
Formulación del problema:
X 
Y 
2 4 6 8 10 12 14 
14 12 10 8 6 4 2 
Min z = 50 x + 100y 
s.a. 6x + 3y ≥ 30 
2x + 8y ≥ 24 
x, y ≥ 0 
6x + 3y = 30 
2x + 8y = 24 
Dibujamos la región factible.
X 
Y 
2 4 6 8 10 12 14 
14 12 10 8 6 4 2 
La región factible 
no está acotada 
Región 
Factible 
Calculamos los vértices de la región factible: 
A 
B 
C 
El vértice A es solución del sistema 6x + 3y = 30 x = 0 Por tanto, A(0, 10) 
El vértice B es solución de 6x + 3y = 30 2x + 8y = 24 Por tanto, B(4, 2) 
El vértice C es solución de 
2x + 8y = 24 
y = 0 
Por tanto, C(12, 0)
Región 
Factible 
Resolvemos por el método analítico 
A(0, 10) 
B(4, 2) 
C(12, 0) 
X 
Y 
2 4 6 8 10 12 14 
14 
12 
10 
8 
6 
4 
2 
Vértice 
z = 50x + 100y 
A(0, 10) 
z = 50·0 + 100·10 = 
= 0+10000 = 10 000 
B(4, 2) 
z = 50·4 + 100·2 = 
= 200+200 = 400 
C(12, 0) 
z = 50·12 + 100·0 = 
= 6000+0 = 6 000 
El coste mínimo se obtiene en B. 
Solución: 
x = 4 anuncios en pr. corazón 
y = 2 anuncios en futbol 
Coste z = 400 (mil €) 
Evaluamos la función objetivo z en los vértices.
Región Factible 
Resolvemos por el método gráfico 
A(0, 10) 
B(4, 2) 
C(12, 0) 
X 
Y 
2 4 6 8 10 12 14 
14 12 10 8 6 4 2 
El coste mínimo se obtiene en el punto B. 
Solución: x = 4 anuncios en pr. corazón y = 2 anuncios en futbol Coste z = 400 (mil €) 
Min z = 50 x + 100y 
s.a. 6x + 3y ≥ 30 
2x + 8y ≥ 24 
x, y ≥ 0 
Z = 600 
Z = 400
Número de Soluciones de un PPL 
•Algunos PPL tienen un número infinito de soluciones óptimas (alternativas o múltiples soluciones óptimas). 
•Algunos PPL no tienen soluciones factibles (no tienen región factible). 
•Algunos PPL son no acotados: Existen puntos en la región factible con valores de z arbitrariamente grandes (en un problema de maximización). 
Los dos ejemplos anteriores, Gepetto y Dorian Auto, tienen, cada uno, una única solución óptima. No en todos los PPL ocurre esto. Se pueden dar también las siguientes posibilidades: 
Veamos un ejemplo de cada caso.
Número infinito de soluciones óptimas 
max z = 3x + 2y 
s.a: 
Cualquier punto (solución) situado en el segmento AB puede ser una solución óptima de z =120. 
Consideremos el siguiente problema: 
3x + 2y ≤ 120 x + y ≤ 50 x , y ≥ 0 
10 
10 
20 
30 
40 
20 
30 
40 
50 
50 
60 
Y 
X 
z = 60 
z = 100 
z = 120 
A 
B 
C 
Región 
Factible
Sin soluciones factibles 
s.a: 
max z = 3x1 + 2x2 
No existe región factible 
Consideremos el siguiente problema: 
3x + 2y ≤ 120 
x + y ≤ 50 
x ≥ 30 
y ≥ 30 
x , y ≥ 0 
10 
10 
20 
30 
40 
20 
30 
40 
50 
50 
60 
Y 
X 
No existe Región Factible 
y ≥ 30 
x ≥ 30 
x + y ≤ 50 
3x + 2y ≤ 120
PPL no acotado 
max z = 2x – y 
s.a: x – y ≤ 1 
2x + y ≥ 6 
x, y ≥ 0 
La región factible es no acotada. Se muestran en el gráfico las rectas de nivel para z = 4 y z = 6. Pero podemos desplazar las rectas de nivel hacia la derecha indefinidamente sin abandonar la región factible. Por tanto, el valor de z puede crecer indefinidamente. 
1 
1 
2 
3 
4 
2 
3 
4 
5 
5 
6 
Y 
X 
z = 4 
z = 6 
Región Factible

Más contenido relacionado

La actualidad más candente

Resolucion problemas vi
Resolucion problemas viResolucion problemas vi
Resolucion problemas vilineal
 
Método Simplex Caso de Maximización
Método Simplex Caso de MaximizaciónMétodo Simplex Caso de Maximización
Método Simplex Caso de MaximizaciónLuis Guerrero
 
50 ejercicios estadistica
50 ejercicios estadistica50 ejercicios estadistica
50 ejercicios estadisticaPAHOLA24
 
Ejercicios árbol-de-decisión
Ejercicios árbol-de-decisión Ejercicios árbol-de-decisión
Ejercicios árbol-de-decisión ISRA VILEMA
 
Análisis de sensibilidad.
Análisis de sensibilidad.Análisis de sensibilidad.
Análisis de sensibilidad.Hebzi01
 
2 precio dual y costo reducido (1)
2 precio dual y costo reducido (1)2 precio dual y costo reducido (1)
2 precio dual y costo reducido (1)Pierina Diaz Meza
 
Problemas resueltos de distribución muestral
Problemas resueltos de distribución muestralProblemas resueltos de distribución muestral
Problemas resueltos de distribución muestralasrodriguez75
 
Ejercicios programacion lineal
Ejercicios programacion linealEjercicios programacion lineal
Ejercicios programacion linealJose Perez
 
50 ejercicio de estadistica.docx1
50 ejercicio de estadistica.docx150 ejercicio de estadistica.docx1
50 ejercicio de estadistica.docx1Juan Zaruma
 
Dominio de una funcion vectorial - UNSCH
Dominio de una funcion vectorial - UNSCHDominio de una funcion vectorial - UNSCH
Dominio de una funcion vectorial - UNSCHDarcknes
 
Estadistica y probabilidades cap VII
Estadistica y probabilidades cap VIIEstadistica y probabilidades cap VII
Estadistica y probabilidades cap VIIRichard Huaman Durand
 
Programación lineal
Programación linealProgramación lineal
Programación linealCris Panchi
 
Programación lineal
Programación linealProgramación lineal
Programación linealNelson Quinde
 

La actualidad más candente (20)

Resolucion problemas vi
Resolucion problemas viResolucion problemas vi
Resolucion problemas vi
 
Método Simplex Caso de Maximización
Método Simplex Caso de MaximizaciónMétodo Simplex Caso de Maximización
Método Simplex Caso de Maximización
 
50 ejercicios estadistica
50 ejercicios estadistica50 ejercicios estadistica
50 ejercicios estadistica
 
Ejercicios árbol-de-decisión
Ejercicios árbol-de-decisión Ejercicios árbol-de-decisión
Ejercicios árbol-de-decisión
 
Análisis de sensibilidad.
Análisis de sensibilidad.Análisis de sensibilidad.
Análisis de sensibilidad.
 
5 91-1-pb (1)
5 91-1-pb (1)5 91-1-pb (1)
5 91-1-pb (1)
 
2 precio dual y costo reducido (1)
2 precio dual y costo reducido (1)2 precio dual y costo reducido (1)
2 precio dual y costo reducido (1)
 
Tarea 4 operativa luis
Tarea 4 operativa luisTarea 4 operativa luis
Tarea 4 operativa luis
 
Ejercicios estadistica
Ejercicios estadisticaEjercicios estadistica
Ejercicios estadistica
 
Modelos de transporte
Modelos de transporteModelos de transporte
Modelos de transporte
 
Problemas resueltos de distribución muestral
Problemas resueltos de distribución muestralProblemas resueltos de distribución muestral
Problemas resueltos de distribución muestral
 
Ejercicios programacion lineal
Ejercicios programacion linealEjercicios programacion lineal
Ejercicios programacion lineal
 
50 ejercicio de estadistica.docx1
50 ejercicio de estadistica.docx150 ejercicio de estadistica.docx1
50 ejercicio de estadistica.docx1
 
Dominio de una funcion vectorial - UNSCH
Dominio de una funcion vectorial - UNSCHDominio de una funcion vectorial - UNSCH
Dominio de una funcion vectorial - UNSCH
 
Estadistica y probabilidades cap VII
Estadistica y probabilidades cap VIIEstadistica y probabilidades cap VII
Estadistica y probabilidades cap VII
 
Programación lineal
Programación linealProgramación lineal
Programación lineal
 
Método grafico. Teoría y Práctica
Método grafico. Teoría y PrácticaMétodo grafico. Teoría y Práctica
Método grafico. Teoría y Práctica
 
Programación lineal
Programación linealProgramación lineal
Programación lineal
 
Regresión lineal múltiple
Regresión lineal múltipleRegresión lineal múltiple
Regresión lineal múltiple
 
Optimizacion de funcion
Optimizacion de funcionOptimizacion de funcion
Optimizacion de funcion
 

Destacado

Io 5ta gestion de inventarios ejercicicios resueltos
Io 5ta gestion de inventarios ejercicicios resueltosIo 5ta gestion de inventarios ejercicicios resueltos
Io 5ta gestion de inventarios ejercicicios resueltosAugusto Javes Sanchez
 
Sesion 5 modelos de control de la gestión
Sesion 5 modelos de control de la gestiónSesion 5 modelos de control de la gestión
Sesion 5 modelos de control de la gestiónAugusto Javes Sanchez
 
Sesión 11 y 12 introducción a la administración
Sesión 11 y 12 introducción a la administraciónSesión 11 y 12 introducción a la administración
Sesión 11 y 12 introducción a la administraciónAugusto Javes Sanchez
 
Sesión 9 y 10 introducción a la administración
Sesión 9 y 10 introducción a la administraciónSesión 9 y 10 introducción a la administración
Sesión 9 y 10 introducción a la administraciónAugusto Javes Sanchez
 

Destacado (20)

Io 3ra modelo de transporte
Io 3ra modelo de transporteIo 3ra modelo de transporte
Io 3ra modelo de transporte
 
Io 4ta pert cpm
Io 4ta pert cpmIo 4ta pert cpm
Io 4ta pert cpm
 
Io 5ta gestion de inventarios
Io 5ta gestion de inventariosIo 5ta gestion de inventarios
Io 5ta gestion de inventarios
 
Sesión 1 logística y cds
Sesión 1  logística y cdsSesión 1  logística y cds
Sesión 1 logística y cds
 
Io 1ra sem introducción
Io 1ra sem introducciónIo 1ra sem introducción
Io 1ra sem introducción
 
Sesión 3 el almacén por dentro
Sesión 3   el almacén por dentroSesión 3   el almacén por dentro
Sesión 3 el almacén por dentro
 
Io 5ta gestion de inventarios ejercicicios resueltos
Io 5ta gestion de inventarios ejercicicios resueltosIo 5ta gestion de inventarios ejercicicios resueltos
Io 5ta gestion de inventarios ejercicicios resueltos
 
Sesión 4 la gestión de stocks
Sesión 4   la gestión de stocksSesión 4   la gestión de stocks
Sesión 4 la gestión de stocks
 
Sesión 2 el almacén
Sesión 2   el almacénSesión 2   el almacén
Sesión 2 el almacén
 
Cómo identificar a un buen socio
Cómo identificar a un buen socioCómo identificar a un buen socio
Cómo identificar a un buen socio
 
Io 4ta pert cpm ejercicio resuelto
Io 4ta pert cpm ejercicio resueltoIo 4ta pert cpm ejercicio resuelto
Io 4ta pert cpm ejercicio resuelto
 
Caso renzo costa p l
Caso renzo costa    p lCaso renzo costa    p l
Caso renzo costa p l
 
Programación lineal
Programación linealProgramación lineal
Programación lineal
 
Sesion 5 modelos de control de la gestión
Sesion 5 modelos de control de la gestiónSesion 5 modelos de control de la gestión
Sesion 5 modelos de control de la gestión
 
Ppt project management sesión 4
Ppt project management sesión 4Ppt project management sesión 4
Ppt project management sesión 4
 
Semana 15
Semana 15Semana 15
Semana 15
 
Semana 13
Semana 13Semana 13
Semana 13
 
Sesión 11 y 12 introducción a la administración
Sesión 11 y 12 introducción a la administraciónSesión 11 y 12 introducción a la administración
Sesión 11 y 12 introducción a la administración
 
Semana 14
Semana 14Semana 14
Semana 14
 
Sesión 9 y 10 introducción a la administración
Sesión 9 y 10 introducción a la administraciónSesión 9 y 10 introducción a la administración
Sesión 9 y 10 introducción a la administración
 

Similar a Io 2da programacion lineal

Investigación de operaciones
Investigación de operaciones Investigación de operaciones
Investigación de operaciones Abelino Almanza
 
Investigación de operaciones
Investigación de operacionesInvestigación de operaciones
Investigación de operacionesabelino0909
 
Unidad_II.pdf aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa
Unidad_II.pdf aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaUnidad_II.pdf aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa
Unidad_II.pdf aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaafedealmiron02
 
Introduccion a los metodos cuantitativos para la toma de decisiones
Introduccion a los metodos cuantitativos para la toma de decisionesIntroduccion a los metodos cuantitativos para la toma de decisiones
Introduccion a los metodos cuantitativos para la toma de decisionesJordandejesusLopezFe
 
UNMSM MODELAMIENTO MODELAMIENTO 2024 UNMSM
UNMSM MODELAMIENTO MODELAMIENTO 2024 UNMSMUNMSM MODELAMIENTO MODELAMIENTO 2024 UNMSM
UNMSM MODELAMIENTO MODELAMIENTO 2024 UNMSMGuadalupeSevillano1
 
INVESTIGACIÓN DE OPERACIONES I
INVESTIGACIÓN DE OPERACIONES IINVESTIGACIÓN DE OPERACIONES I
INVESTIGACIÓN DE OPERACIONES IMaria Batista
 
Unidad 3. decisiones bajo certidumbre
Unidad 3. decisiones bajo certidumbreUnidad 3. decisiones bajo certidumbre
Unidad 3. decisiones bajo certidumbrealixindriago2013
 
5 semana sesion 10 analisis de sensibilidad (6)
5 semana   sesion 10 analisis de sensibilidad (6)5 semana   sesion 10 analisis de sensibilidad (6)
5 semana sesion 10 analisis de sensibilidad (6)JorgeAHuarachiCh
 
kupdf.net_ejercicios-analisis-de-sistemas-mineros-metodo-grafico.pdf
kupdf.net_ejercicios-analisis-de-sistemas-mineros-metodo-grafico.pdfkupdf.net_ejercicios-analisis-de-sistemas-mineros-metodo-grafico.pdf
kupdf.net_ejercicios-analisis-de-sistemas-mineros-metodo-grafico.pdfYaninaSegobiaCampos
 
Investigación de operaciones I y II.pptx
Investigación de operaciones I y II.pptxInvestigación de operaciones I y II.pptx
Investigación de operaciones I y II.pptxluisfernando570687
 

Similar a Io 2da programacion lineal (20)

Investigación de operaciones
Investigación de operaciones Investigación de operaciones
Investigación de operaciones
 
Investigación de operaciones
Investigación de operacionesInvestigación de operaciones
Investigación de operaciones
 
Unidad_II.pdf aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa
Unidad_II.pdf aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaUnidad_II.pdf aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa
Unidad_II.pdf aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa
 
Revista de inv de operac
Revista de inv de operacRevista de inv de operac
Revista de inv de operac
 
Introduccion a los metodos cuantitativos para la toma de decisiones
Introduccion a los metodos cuantitativos para la toma de decisionesIntroduccion a los metodos cuantitativos para la toma de decisiones
Introduccion a los metodos cuantitativos para la toma de decisiones
 
cap3-gest-estr.ppt
cap3-gest-estr.pptcap3-gest-estr.ppt
cap3-gest-estr.ppt
 
UNMSM MODELAMIENTO MODELAMIENTO 2024 UNMSM
UNMSM MODELAMIENTO MODELAMIENTO 2024 UNMSMUNMSM MODELAMIENTO MODELAMIENTO 2024 UNMSM
UNMSM MODELAMIENTO MODELAMIENTO 2024 UNMSM
 
Optimizacion
OptimizacionOptimizacion
Optimizacion
 
programacion lineal
 programacion lineal programacion lineal
programacion lineal
 
INVESTIGACIÓN DE OPERACIONES I
INVESTIGACIÓN DE OPERACIONES IINVESTIGACIÓN DE OPERACIONES I
INVESTIGACIÓN DE OPERACIONES I
 
Produccion industrial
Produccion industrialProduccion industrial
Produccion industrial
 
Unidad 3. decisiones bajo certidumbre
Unidad 3. decisiones bajo certidumbreUnidad 3. decisiones bajo certidumbre
Unidad 3. decisiones bajo certidumbre
 
00026992
0002699200026992
00026992
 
Unidad 1 IO.ppt
Unidad 1 IO.pptUnidad 1 IO.ppt
Unidad 1 IO.ppt
 
5 semana sesion 10 analisis de sensibilidad (6)
5 semana   sesion 10 analisis de sensibilidad (6)5 semana   sesion 10 analisis de sensibilidad (6)
5 semana sesion 10 analisis de sensibilidad (6)
 
kupdf.net_ejercicios-analisis-de-sistemas-mineros-metodo-grafico.pdf
kupdf.net_ejercicios-analisis-de-sistemas-mineros-metodo-grafico.pdfkupdf.net_ejercicios-analisis-de-sistemas-mineros-metodo-grafico.pdf
kupdf.net_ejercicios-analisis-de-sistemas-mineros-metodo-grafico.pdf
 
Cuestionario
CuestionarioCuestionario
Cuestionario
 
Investigación de operaciones I y II.pptx
Investigación de operaciones I y II.pptxInvestigación de operaciones I y II.pptx
Investigación de operaciones I y II.pptx
 
curso-pl.ppt
curso-pl.pptcurso-pl.ppt
curso-pl.ppt
 
curso-pl.ppt
curso-pl.pptcurso-pl.ppt
curso-pl.ppt
 

Más de Augusto Javes Sanchez (13)

Elcomercio 2015 01-03-#01_002
Elcomercio 2015 01-03-#01_002Elcomercio 2015 01-03-#01_002
Elcomercio 2015 01-03-#01_002
 
Elcomercio 2015 01-03-#06
Elcomercio 2015 01-03-#06Elcomercio 2015 01-03-#06
Elcomercio 2015 01-03-#06
 
Elcomercio 2015 01-03-#01
Elcomercio 2015 01-03-#01Elcomercio 2015 01-03-#01
Elcomercio 2015 01-03-#01
 
Practica stocks logistica 2014
Practica stocks logistica 2014Practica stocks logistica 2014
Practica stocks logistica 2014
 
Practica de programación lineal
Practica  de programación linealPractica  de programación lineal
Practica de programación lineal
 
1er control de lectura
1er control de lectura1er control de lectura
1er control de lectura
 
Libro somos libres
Libro somos libresLibro somos libres
Libro somos libres
 
10 casos de_exito
10 casos de_exito10 casos de_exito
10 casos de_exito
 
Caso práctico natura spa
Caso práctico natura spaCaso práctico natura spa
Caso práctico natura spa
 
Caso practico caso boehm
Caso practico  caso boehmCaso practico  caso boehm
Caso practico caso boehm
 
Practica caso ford adm operaciones
Practica caso ford   adm operacionesPractica caso ford   adm operaciones
Practica caso ford adm operaciones
 
Guia de negocios e inversiones en el perú 2013 2014
Guia de negocios e inversiones en el perú 2013   2014Guia de negocios e inversiones en el perú 2013   2014
Guia de negocios e inversiones en el perú 2013 2014
 
Respuesta a crucigrama
Respuesta a crucigramaRespuesta a crucigrama
Respuesta a crucigrama
 

Último

Módulo No. 1 Salud mental y escucha activa FINAL 25ABR2024 técnicos.pptx
Módulo No. 1 Salud mental y escucha activa FINAL 25ABR2024 técnicos.pptxMódulo No. 1 Salud mental y escucha activa FINAL 25ABR2024 técnicos.pptx
Módulo No. 1 Salud mental y escucha activa FINAL 25ABR2024 técnicos.pptxPabloPazmio14
 
32 LECTURAS CORTAS PARA NIÑOS.pdf · versión 1.pdf
32 LECTURAS CORTAS PARA NIÑOS.pdf · versión 1.pdf32 LECTURAS CORTAS PARA NIÑOS.pdf · versión 1.pdf
32 LECTURAS CORTAS PARA NIÑOS.pdf · versión 1.pdfnataliavera27
 
ensayo literario rios profundos jose maria ARGUEDAS
ensayo literario rios profundos jose maria ARGUEDASensayo literario rios profundos jose maria ARGUEDAS
ensayo literario rios profundos jose maria ARGUEDASAntoineMoltisanti
 
Presentación Revistas y Periódicos Digitales
Presentación Revistas y Periódicos DigitalesPresentación Revistas y Periódicos Digitales
Presentación Revistas y Periódicos Digitalesnievesjiesc03
 
LA ILIADA Y LA ODISEA.LITERATURA UNIVERSAL
LA ILIADA Y LA ODISEA.LITERATURA UNIVERSALLA ILIADA Y LA ODISEA.LITERATURA UNIVERSAL
LA ILIADA Y LA ODISEA.LITERATURA UNIVERSALJorge Castillo
 
Descripción anatómica de los músculos de la cabeza de equino y bovino (6).pdf
Descripción anatómica de los músculos de la cabeza de equino y bovino (6).pdfDescripción anatómica de los músculos de la cabeza de equino y bovino (6).pdf
Descripción anatómica de los músculos de la cabeza de equino y bovino (6).pdfrehabilitvet
 
ESTEREOTIPOS DE GÉNERO A LAS PERSONAS? (Grupo)
ESTEREOTIPOS DE GÉNERO A LAS PERSONAS? (Grupo)ESTEREOTIPOS DE GÉNERO A LAS PERSONAS? (Grupo)
ESTEREOTIPOS DE GÉNERO A LAS PERSONAS? (Grupo)portafoliodigitalyos
 
IMPLICACIONES BIOÉTICAS ANTE EL TRANSHUMANISMO A PARTIR DEL PENSAMIENTO FILOS...
IMPLICACIONES BIOÉTICAS ANTE EL TRANSHUMANISMO A PARTIR DEL PENSAMIENTO FILOS...IMPLICACIONES BIOÉTICAS ANTE EL TRANSHUMANISMO A PARTIR DEL PENSAMIENTO FILOS...
IMPLICACIONES BIOÉTICAS ANTE EL TRANSHUMANISMO A PARTIR DEL PENSAMIENTO FILOS...Andrés Canale
 
5º PARTE 3 SOY LECTOR -MD EDUCATIVO_240418_155445 (1).pdf
5º PARTE 3 SOY LECTOR -MD EDUCATIVO_240418_155445 (1).pdf5º PARTE 3 SOY LECTOR -MD EDUCATIVO_240418_155445 (1).pdf
5º PARTE 3 SOY LECTOR -MD EDUCATIVO_240418_155445 (1).pdfFlorHernandezNuez
 
2. Entornos Virtuales de Aprendizaje.pptx
2. Entornos Virtuales de Aprendizaje.pptx2. Entornos Virtuales de Aprendizaje.pptx
2. Entornos Virtuales de Aprendizaje.pptxJunkotantik
 
LA GEOMETRÍA Y LOS SISTEMAS ANGULARES, APRENDER LEYENDO LA BIBLIA
LA GEOMETRÍA Y LOS SISTEMAS ANGULARES, APRENDER LEYENDO LA BIBLIALA GEOMETRÍA Y LOS SISTEMAS ANGULARES, APRENDER LEYENDO LA BIBLIA
LA GEOMETRÍA Y LOS SISTEMAS ANGULARES, APRENDER LEYENDO LA BIBLIASandra Mariela Ballón Aguedo
 
Tipologías de vínculos afectivos (grupo)
Tipologías de vínculos afectivos (grupo)Tipologías de vínculos afectivos (grupo)
Tipologías de vínculos afectivos (grupo)portafoliodigitalyos
 
BIENESTAR TOTAL - LA EXPERIENCIA DEL CLIENTE CON ATR
BIENESTAR TOTAL - LA EXPERIENCIA DEL CLIENTE CON ATRBIENESTAR TOTAL - LA EXPERIENCIA DEL CLIENTE CON ATR
BIENESTAR TOTAL - LA EXPERIENCIA DEL CLIENTE CON ATRDanielGrajeda7
 
11.NEOLIBERALISMO: que es, ventajas, desventajas, consecuenciaspptx
11.NEOLIBERALISMO: que es, ventajas, desventajas, consecuenciaspptx11.NEOLIBERALISMO: que es, ventajas, desventajas, consecuenciaspptx
11.NEOLIBERALISMO: que es, ventajas, desventajas, consecuenciaspptxFESARAUGUSTOFANDIORI
 
Proceso de gestión de obras - Aquí tu Remodelación
Proceso de gestión de obras - Aquí tu RemodelaciónProceso de gestión de obras - Aquí tu Remodelación
Proceso de gestión de obras - Aquí tu RemodelaciónDanielGrajeda7
 
Como construir los vínculos afectivos (Grupal)
Como construir los vínculos afectivos (Grupal)Como construir los vínculos afectivos (Grupal)
Como construir los vínculos afectivos (Grupal)portafoliodigitalyos
 
RESPONSABILIDAD SOCIAL EN LAS ORGANIZACIONES (4).pdf
RESPONSABILIDAD SOCIAL EN LAS ORGANIZACIONES (4).pdfRESPONSABILIDAD SOCIAL EN LAS ORGANIZACIONES (4).pdf
RESPONSABILIDAD SOCIAL EN LAS ORGANIZACIONES (4).pdfANEP - DETP
 

Último (20)

Módulo No. 1 Salud mental y escucha activa FINAL 25ABR2024 técnicos.pptx
Módulo No. 1 Salud mental y escucha activa FINAL 25ABR2024 técnicos.pptxMódulo No. 1 Salud mental y escucha activa FINAL 25ABR2024 técnicos.pptx
Módulo No. 1 Salud mental y escucha activa FINAL 25ABR2024 técnicos.pptx
 
32 LECTURAS CORTAS PARA NIÑOS.pdf · versión 1.pdf
32 LECTURAS CORTAS PARA NIÑOS.pdf · versión 1.pdf32 LECTURAS CORTAS PARA NIÑOS.pdf · versión 1.pdf
32 LECTURAS CORTAS PARA NIÑOS.pdf · versión 1.pdf
 
ensayo literario rios profundos jose maria ARGUEDAS
ensayo literario rios profundos jose maria ARGUEDASensayo literario rios profundos jose maria ARGUEDAS
ensayo literario rios profundos jose maria ARGUEDAS
 
Presentación Revistas y Periódicos Digitales
Presentación Revistas y Periódicos DigitalesPresentación Revistas y Periódicos Digitales
Presentación Revistas y Periódicos Digitales
 
LA ILIADA Y LA ODISEA.LITERATURA UNIVERSAL
LA ILIADA Y LA ODISEA.LITERATURA UNIVERSALLA ILIADA Y LA ODISEA.LITERATURA UNIVERSAL
LA ILIADA Y LA ODISEA.LITERATURA UNIVERSAL
 
Descripción anatómica de los músculos de la cabeza de equino y bovino (6).pdf
Descripción anatómica de los músculos de la cabeza de equino y bovino (6).pdfDescripción anatómica de los músculos de la cabeza de equino y bovino (6).pdf
Descripción anatómica de los músculos de la cabeza de equino y bovino (6).pdf
 
ESTEREOTIPOS DE GÉNERO A LAS PERSONAS? (Grupo)
ESTEREOTIPOS DE GÉNERO A LAS PERSONAS? (Grupo)ESTEREOTIPOS DE GÉNERO A LAS PERSONAS? (Grupo)
ESTEREOTIPOS DE GÉNERO A LAS PERSONAS? (Grupo)
 
La historia de la vida estudiantil a 102 años de la fundación de las Normales...
La historia de la vida estudiantil a 102 años de la fundación de las Normales...La historia de la vida estudiantil a 102 años de la fundación de las Normales...
La historia de la vida estudiantil a 102 años de la fundación de las Normales...
 
IMPLICACIONES BIOÉTICAS ANTE EL TRANSHUMANISMO A PARTIR DEL PENSAMIENTO FILOS...
IMPLICACIONES BIOÉTICAS ANTE EL TRANSHUMANISMO A PARTIR DEL PENSAMIENTO FILOS...IMPLICACIONES BIOÉTICAS ANTE EL TRANSHUMANISMO A PARTIR DEL PENSAMIENTO FILOS...
IMPLICACIONES BIOÉTICAS ANTE EL TRANSHUMANISMO A PARTIR DEL PENSAMIENTO FILOS...
 
5º PARTE 3 SOY LECTOR -MD EDUCATIVO_240418_155445 (1).pdf
5º PARTE 3 SOY LECTOR -MD EDUCATIVO_240418_155445 (1).pdf5º PARTE 3 SOY LECTOR -MD EDUCATIVO_240418_155445 (1).pdf
5º PARTE 3 SOY LECTOR -MD EDUCATIVO_240418_155445 (1).pdf
 
2. Entornos Virtuales de Aprendizaje.pptx
2. Entornos Virtuales de Aprendizaje.pptx2. Entornos Virtuales de Aprendizaje.pptx
2. Entornos Virtuales de Aprendizaje.pptx
 
LA GEOMETRÍA Y LOS SISTEMAS ANGULARES, APRENDER LEYENDO LA BIBLIA
LA GEOMETRÍA Y LOS SISTEMAS ANGULARES, APRENDER LEYENDO LA BIBLIALA GEOMETRÍA Y LOS SISTEMAS ANGULARES, APRENDER LEYENDO LA BIBLIA
LA GEOMETRÍA Y LOS SISTEMAS ANGULARES, APRENDER LEYENDO LA BIBLIA
 
Tipologías de vínculos afectivos (grupo)
Tipologías de vínculos afectivos (grupo)Tipologías de vínculos afectivos (grupo)
Tipologías de vínculos afectivos (grupo)
 
BIENESTAR TOTAL - LA EXPERIENCIA DEL CLIENTE CON ATR
BIENESTAR TOTAL - LA EXPERIENCIA DEL CLIENTE CON ATRBIENESTAR TOTAL - LA EXPERIENCIA DEL CLIENTE CON ATR
BIENESTAR TOTAL - LA EXPERIENCIA DEL CLIENTE CON ATR
 
TRABAJO CON TRES O MAS FRACCIONES PARA NIÑOS
TRABAJO CON TRES O MAS FRACCIONES PARA NIÑOSTRABAJO CON TRES O MAS FRACCIONES PARA NIÑOS
TRABAJO CON TRES O MAS FRACCIONES PARA NIÑOS
 
11.NEOLIBERALISMO: que es, ventajas, desventajas, consecuenciaspptx
11.NEOLIBERALISMO: que es, ventajas, desventajas, consecuenciaspptx11.NEOLIBERALISMO: que es, ventajas, desventajas, consecuenciaspptx
11.NEOLIBERALISMO: que es, ventajas, desventajas, consecuenciaspptx
 
Proceso de gestión de obras - Aquí tu Remodelación
Proceso de gestión de obras - Aquí tu RemodelaciónProceso de gestión de obras - Aquí tu Remodelación
Proceso de gestión de obras - Aquí tu Remodelación
 
6.Deícticos Dos_Enfermería_EspanolAcademico
6.Deícticos Dos_Enfermería_EspanolAcademico6.Deícticos Dos_Enfermería_EspanolAcademico
6.Deícticos Dos_Enfermería_EspanolAcademico
 
Como construir los vínculos afectivos (Grupal)
Como construir los vínculos afectivos (Grupal)Como construir los vínculos afectivos (Grupal)
Como construir los vínculos afectivos (Grupal)
 
RESPONSABILIDAD SOCIAL EN LAS ORGANIZACIONES (4).pdf
RESPONSABILIDAD SOCIAL EN LAS ORGANIZACIONES (4).pdfRESPONSABILIDAD SOCIAL EN LAS ORGANIZACIONES (4).pdf
RESPONSABILIDAD SOCIAL EN LAS ORGANIZACIONES (4).pdf
 

Io 2da programacion lineal

  • 1. INVESTIGACIÓN OPERATIVA UNIVERSIDAD NACIONAL “SAN AGUSTIN” - AREQUIPA Augusto JAVES SANCHEZ Lic. Administración Maestría en Gestión Estratégica de Organizaciones Doctorado en Administración EXPOSITOR http://www.facebook.com/cursospara.emprendedores?sk=notes http://cursosparaemprendedores.blogspot.com/p/tesis.html 2 PROGRAMACIÓN LINEAL Formulación matemática del problema
  • 2. TEXTO BASE: 2. IO - Programación Lineal
  • 3. Programación Lineal Un modelo de programación lineal busca maximizar o minimizar una función lineal, sujeta a un conjunto de restricciones lineales. Un modelo de programación lineal esta compuesto de lo siguiente: * Un conjunto de variables de decisión * Una función objetivo * Un conjunto de restricciones
  • 4. PROGRAMACIÓN LINEAL Es un método matemático que se emplea para resolver problemas de optimización. En palabras simples la P.L. busca asignar recursos limitados, entre actividades que compiten, de la forma mas óptima posible. Supuestos de la P.L. •Proporcionalidad •Aditividad •Divisibilidad •Certidumbre •Objetivo único •No negatividad
  • 5. PROGRAMACIÓN LINEAL FORMULACION MATEMATICAMETODO GRAFICOMETODO ALGEBRAICO(SIMPLEX) PROBLEMA GENERALPROBLEMAS DE TRANSPORTEPROBLEMAS DE ASIGNACIÓNPROBLEMAS ESPECIALESPROGRAMACION LINEAL
  • 6. La importancia de la programación lineal: •Ciertos problemas se describen fácilmente a través de la programación lineal. •Muchos problemas pueden aproximarse a modelos lineales. •La salida generada por el programa que resuelve el modelo de programación lineal entrega información útil para responder nuevas condiciones sobre el “qué pasa si”.
  • 7. 7
  • 8. Formulación matemática básica en un problema de I.O. (PL) Ejemplo: Una multinacional minera extrae un tipo de mineral de dos minas diferentes, el cuales es sometido a un proceso de trituración, con tres grados: alto , medio y bajo. La compañía han firmado un contrato para proveer de mineral a una planta de fundición, cada semana, 12 toneladas de mineral de grado alto, 8 toneladas de grado medio y 24 toneladas de grado bajo. Cada una de las minas tiene diferentes procesos de fabricación. Mina Costo por día (miles de Euros) Producción(toneladas/día) Alto Medio Bajo X 180 6 3 4 Y 160 1 1 6 ¿Cuántos días a la semana debería operar cada mina para cumplir el contrato con la planta de fundición con el que se comprometió la multinacional?
  • 9. Es necesario buscar una solución que minimice el costo de producción global de la empresa, sujeta a las restricciones impuestas por los proceso productivos asociados a cada mina así como el contrato con la planta de fundición. Traducción del problema en términos matemáticos 1.definir las variables 2.las restricciones 3.el objetivo Formulación matemática básica en un problema de I.O. (PL)
  • 10. Variables Representan las decisiones que puede tomar la empresa: Dx = número de días a la semana que la mina X produce Dy= número de días a la semana que la mina Y produce Notar que Dx0 y Dy0 Restricciones Se recomienda primero plantear las restricciones con palabras antes de pasar a su formulación matemática. Restricción 1. refleja el balance entre las limitaciones productivas de la fábrica y el contrato con la plante de fundición Grado Alto 6Dx+1Dy12 Medio 3Dx+1Dy8 Bajo 4Dx+6Dy24 Restricción 2. días de trabajo disponibles a la semana Dx5 y Dy5 Objetivo Como objetivo buscamos minimizar el costo 180Dx+160Dy Formulación matemática básica en un problema de I.O. (PL)
  • 11. La representación completa del problema tomaría la siguiente forma: Minimizar 180Dx+160Dy s.a. 6Dx+1Dy12 3Dx+1Dy8 4Dx+6Dy24 Dx5, Dy5 Dx0, Dy0 Formulación matemática básica en un problema de I.O. (PL)
  • 12. PROGRAMACIÓN LINEAL Construcción de modelos PROBLEMA DE LA MEZCLA DE PRODUCTOS Una compañía fabrica dos tipos de componentes electrónicos: transistores y bobinas. Cada transistor requiere un minuto de tiempo en el departamento de ensamble, dos minutos de tiempo en el departamento de Control de Calidad y un minuto de tiempo en empaque. Cada bobina requiere dos minutos de tiempo en ensamble, un minuto de tiempo en Control de Calidad y dos minutos en empaque. Existe un total de 300 minutos en Ensamble, 400 minutos en C. Calidad y 400 minutos en Empaque disponibles cada día. Tanto los transistores como las bobinas contribuyen en un dólar a la utilidad. La compañía desea determinar la mezcla de productos optima que maximice la utilidad total.
  • 13. PROGRAMACIÓN LINEAL Construcción de modelos Solución: Formulación Paso 1: Identificar el objetivo (meta) a optimizar Maximizar las utilidades de la compañía (U).{dólares/día} Paso 2: Identificar las variables de decisión que se desea determinar X….Cantidad de transistores a fabricar por día {unds./día} Y….Cantidad de bobinas a fabricar por día {unds./día} Paso 3: Identificar las restricciones del modelo R1) Tiempo disponible en el depto. de Ensamble por día 300 min. R2) Tiempo disponible en el depto. de C. Calidad por día de 400 min. R3) Tiempo disponible en el depto. de Empaque por día de 400 min. R4) No Negatividad.
  • 14. PROGRAMACIÓN LINEAL Construcción de modelos Paso 4: Construcción del modelo matemático F.Objetivo MAX { U = X + Y } Sujeto a : R1) X + 2Y  300 R2) 2X + Y  400 R3) X + 2Y  400 R4) X , Y  0
  • 15. 8 Métodos de Resolución Método Gráfico Empleado principalmente para PPL con dos variables de decisión. Este método se basa en la idea de obtener regiones de soluciones factibles (RSF), en las cuales se encontraría la combinación de variables de decisión que optimizan el modelo. Método Algebraico (SIMPLEX) Empleado principalmente para PPL con más de dos variables de decisión. Este método se desarrollo con base en el método gráfico y corresponde a un sistema heurístico, por lo cual requiere de una solución inicial factible para empezar a funcionar.
  • 16. Problemas típicos •Problema del transporte •Problema de flujo con coste mínimo en red •Problema de asignación •Problema de la mochila (knapsack) •Problema del emparejamiento (matching) •Problema del recubrimiento (set-covering) •Problema del empaquetado (set-packing) •Problema de partición (set-partitioning) •Problema del coste fijo (fixed-charge) •Problema del viajante (TSP) •Problema de rutas óptimas
  • 17. Algunas reflexiones •Hemos pasado de la definición del problema a su formulación matemática. •Error de especificación, el error más frecuente consiste en descuidar las limitaciones (restricciones, características de las variables, etc,) En el ejemplo anterior: a)Todas las variables son continuas (admitimos fracciones de día) b)Existe un único objetivo (minimizar los costes) c)El objetivo y las restricciones son lineales Las tres consideraciones anteriores nos llevan a lo que denominamos un problema de Programación Lineal PL
  • 18. Algunas reflexiones El ejercicio anterior plantea un PROBLEMA DE DECISIÓN Se ha tomado una situación real y se ha construido su equivalente matemático MODELO MATEMÁTICO Durante la formulación del modelo matemático se considera el método cuantitativo que (esperanzadamente) nos permitirá resolver el modelo numéricamente ALGORITMO El algoritmo es un conjunto de instrucciones que siguiendo de manera gradual producen una solución numérica Otra definición de I.O. Ciencia para la representación de problemas reales mediante modelos matemáticos que junto con métodos cuantitativos nos permiten obtener una solución numérica a los mismos
  • 19. Dificultades Dificultades de este tipo de enfoques: •Identificación del problema (debemos ignorar partes o tratar el problema entero). •Elección del modelo matemático adecuado así como el algoritmo adecuado para resolverlo (validación del algoritmo). •Dificultades en la implementación. •Velocidad (costes) que supone llegar a una solución. •Calidad de la solución. •Consistencia de la solución.
  • 20. Cada muñeco: • Produce un beneficio neto de 3 €. • Requiere 2 horas de trabajo de acabado. • Requiere 1 hora de trabajo de carpinteria. Cada tren: • Produce un beneficio neto de 2 €. • Requiere 1 hora de trabajo de acabado. • Requiere 1 hora trabajo de carpinteria. Ejemplo desarrollado Gepetto S.L., manufactura muñecos y trenes de madera. Cada semana Gepetto puede disponer de: • Todo el material que necesite. • Solamente 100 horas de acabado. • Solamente 80 horas de carpinteria. También: • La demanda de trenes puede ser cualquiera (sin límite). • La demanda de muñecos es como mucho 40. Gepetto quiere maximizar sus beneficios. ¿Cuántos muñecos y cuántos trenes debe fabricar?
  • 21. Variables de Decisión x = nº de muñecos producidos a la semana y = nº de trenes producidos a la semana Función Objetivo. En cualquier PPL, la decisión a tomar es como maximizar (normalmente el beneficio) o minimizar (el coste) de alguna función de las variables de decisión. Esta función a maximizar o minimizar se llama función objetivo. Max z = 3x + 2y El objetivo de Gepetto es elegir valores de x e y para maximizar 3x + 2y. Usaremos la variable z para denotar el valor de la función objetivo. La función objetivo de Gepetto es: Este problema es un ejemplo típico de un problema de programación lineal (PPL). Restricciones Son desigualdades que limitan los posibles valores de las variables de decisión. En este problema las restricciones vienen dadas por la disponibilidad de horas de acabado y carpintería y por la demanda de muñecos. También suele haber restricciones de signo o no negatividad: x ≥ 0 y ≥ 0
  • 22. Restricción 1: no más de 100 horas de tiempo de acabado pueden ser usadas. Restricción 2: no más de 80 horas de tiempo de carpinteria pueden ser usadas. Restricción 3: limitación de demanda, no deben fabricarse más de 40 muñecos. Estas tres restricciones pueden expresarse matematicamente por las siguientes desigualdades: Restricción 1: 2 x + y ≤ 100 Restricción 2: x + y ≤ 80 Restricción 3: x ≤ 40 Cuando x e y crecen, la función objetivo de Gepetto también crece. Pero no puede crecer indefinidamente porque, para Gepetto, los valores de x e y están limitados por las siguientes tres restricciones: Restricciones Además, tenemos las restricciones de signo: x ≥ 0 e y ≥ 0
  • 23. x ≥ 0 (restricción de signo) y ≥ 0 (restricción de signo) Muñeco Tren Beneficio 3 2 Acabado 2 1 ≤ 100 Carpintería 1 1 ≤ 80 Demanda ≤ 40 Formulación matemática del PPL Max z = 3x + 2y (función objetivo) 2 x + y ≤ 100 (acabado) x + y ≤ 80 (carpinteria) x ≤ 40 (demanda muñecos) Variables de Decisión x = nº de muñecos producidos a la semana y = nº de trenes producidos a la semana
  • 24. Max z = 3x + 2y (función objetivo) Sujeto a (s.a:) 2 x + y ≤ 100 (restricción de acabado) x + y ≤ 80 (restricción de carpinteria) x ≤ 40 (restricción de demanda de muñecos) x ≥ 0 (restricción de signo) y ≥ 0 (restricción de signo) Para el problema de Gepetto, combinando las restricciones de signo x ≥ 0 e y ≥ 0 con la función objetivo y las restricciones, tenemos el siguiente modelo de optimización: Formulación matemática del PPL
  • 25. Región factible x = 40 e y = 20 está en la región factible porque satisfacen todas las restricciones de Gepetto. Sin embargo, x = 15, y = 70 no está en la región factible porque este punto no satisface la restricción de carpinteria [15 + 70 > 80]. Restricciones de Gepetto 2x + y ≤ 100 (restricción finalizado) x + y ≤ 80 (restricción carpintería) x ≤ 40 (restricción demanda) x ≥ 0 (restricción signo) y ≥ 0 (restricción signo) La región factible de un PPL es el conjunto de todos los puntos que satisfacen todas las restricciones. Es la región del plano delimitada por el sistema de desigualdades que forman las restricciones.
  • 26. Solución óptima La mayoría de PPL tienen solamente una solución óptima. Sin embargo, algunos PPL no tienen solución óptima, y otros PPL tienen un número infinito de soluciones. Más adelante veremos que la solución del PPL de Gepetto es x = 20 e y = 60. Esta solución da un valor de la función objetivo de: z = 3x + 2y = 3·20 + 2·60 = 180 € Cuando decimos que x = 20 e y = 60 es la solución óptima, estamos diciendo que, en ningún punto en la región factible, la función objetivo tiene un valor (beneficio) superior a 180. Para un problema de maximización, una solución óptima es un punto en la región factible en el cual la función objetivo tiene un valor máximo. Para un problema de minimización, una solución óptima es un punto en la región factible en el cual la función objetivo tiene un valor mínimo. Se puede demostrar que la solución óptima de un PPL está siempre en la frontera de la región factible, en un vértice (si la solución es única) o en un segmento entre dos vértices contiguos (si hay infinitas soluciones)
  • 27. Representación Gráfica de las restricciones 2x + y = 100 Cualquier PPL con sólo dos variables puede resolverse gráficamente. Por ejemplo, para representar gráficamente la primera restricción, 2x + y ≤ 100 : Dibujamos la recta 2x + y = 100 20 20 40 60 80 40 60 80 100 Y X Elegimos el semiplano que cumple la desigualdad: el punto (0, 0) la cumple (2·0 + 0 ≤ 100), así que tomamos el semiplano que lo contiene.
  • 28. Dibujar la región factible Puesto que el PPL de Gepetto tiene dos variables, se puede resolver gráficamente. La región factible es el conjunto de todos los puntos que satisfacen las restricciones: 2 x + y ≤ 100 (restricción de acabado) x + y ≤ 80 (restricción de carpintería) x ≤ 40 (restricción de demanda) x ≥ 0 (restricción de signo) y ≥ 0 (restricción de signo) Vamos a dibujar la región factible que satisface estas restricciones.
  • 29. Y X 20 20 40 60 80 40 60 80 100 2x + y = 100 Restricciones 2 x + y ≤ 100 x + y ≤ 80 x ≤ 40 x ≥ 0 y ≥ 0 Dibujar la región factible Teniendo en cuenta las restricciones de signo (x ≥ 0, y ≥ 0), nos queda:
  • 30. Y X 20 20 40 60 80 40 60 80 100 x + y = 80 Restricciones 2 x + y ≤ 100 x + y ≤ 80 x ≤ 40 x ≥ 0 y ≥ 0 Dibujar la región factible
  • 31. Y X 20 20 40 60 80 40 60 80 100 x = 40 Restricciones 2 x + y ≤ 100 x + y ≤ 80 x ≤ 40 x ≥ 0 y ≥ 0 Dibujar la región factible
  • 32. Y X 20 20 40 60 80 40 60 80 100 2x + y = 100 x + y = 80 x = 40 La intersección de todos estos semiplanos (restricciones) nos da la región factible Región Factible Dibujar la región factible
  • 33. Y X 20 20 40 60 80 40 60 80 100 2x + y = 100 x + y = 80 x = 40 Región Factible La región factible (al estar limitada por rectas) es un polígono. En esta caso, el polígono ABCDE. A B C D E Como la solución óptima está en alguno de los vértices (A, B, C, D o E) de la región factible, calculamos esos vértices. Vértices de la región factible Restricciones 2 x + y ≤ 100 x + y ≤ 80 x ≤ 40 x ≥ 0 y ≥ 0
  • 34. Región Factible E(0, 80) (20, 60) C(40, 20) B(40, 0) A(0, 0) Vértices de la región factible Los vértices de la región factible son intersecciones de dos rectas. El punto D es la intersección de las rectas 2x + y = 100 x + y = 80 La solución del sistema x = 20, y = 60 nos da el punto D. 20 20 40 60 80 40 60 80 100 Y X D B es solución de x = 40 y = 0 2x + y = 100 x = 40 x + y = 80 C es solución de x = 40 2x + y = 100 E es solución de x + y = 80 x = 0
  • 35. Y X 20 20 40 60 80 40 60 80 100 Región Factible (0, 80) (20, 60) (40, 20) (40, 0) (0, 0) Max z = 3x + 2y z = 0 z = 100 z = 180 Para hallar la solución óptima, dibujamos las rectas en las cuales los puntos tienen el mismo valor de z. La figura muestra estas lineas para z = 0, z = 100, y z = 180 Resolución gráfica
  • 36. Región Factible (0, 80) (20, 60) (40, 20) (40, 0) (0, 0) Max z = 3x + 2y z = 0 z = 100 z = 180 La última recta de z que interseca (toca) la región factible indica la solución óptima para el PPL. Para el problema de Gepetto, esto ocurre en el punto D (x = 20, y = 60, z = 180). 20 20 40 60 80 40 60 80 100 Y X Resolución gráfica
  • 37. Región Factible (0, 80) (20, 60) (40, 20) (40, 0) (0, 0) Max z = 3x + 2y También podemos encontrar la solución óptima calculando el valor de z en los vértices de la región factible. Vértice z = 3x + 2y (0, 0) z = 3·0+2·0 = 0 (40, 0) z = 3·40+2·0 = 120 (40, 20) z = 3·40+2·20 = 160 (20, 60) z = 3·20+2·60 = 180 (0, 80) z = 3·0+2·80 = 160 20 20 40 60 80 40 60 80 100 Y X La solución óptima es: x = 20 muñecos y = 60 trenes z = 180 € de beneficio Resolución analítica
  • 38. Hemos identificado la región factible para el problema de Gepetto y buscado la solución óptima, la cual era el punto en la región factible con el mayor valor posible de z.
  • 39. Recuerda que: •La región factible en cualquier PPL está limitada por segmentos (es un polígono, acotado o no). •La región factible de cualquier PPL tiene solamente un número finito de vértices. •Cualquier PPL que tenga solución óptima tiene un vértice que es óptimo.
  • 40. Un problema de minimización Dorian Auto fabrica y vende coches y furgonetas.La empresa quiere emprender una campaña publicitaria en TV y tiene que decidir comprar los tiempos de anuncios en dos tipos de programas: del corazón y fútbol. • Cada anuncio del programa del corazón es visto por 6 millones de mujeres y 2 millones de hombres. • Cada partido de fútbol es visto por 3 millones de mujeres y 8 millones de hombres. • Un anuncio en el programa de corazón cuesta 50.000 € y un anuncio del fútbol cuesta 100.000 €. • Dorian Auto quisiera que los anuncios sean vistos por por lo menos 30 millones de mujeres y 24 millones de hombres. Dorian Auto quiere saber cuántos anuncios debe contratar en cada tipo de programa para que el coste de la campaña publicitaria sea mínimo.
  • 41. •Cada anuncio del programa del corazón es visto por 6 millones de mujeres y 2 millones de hombres. •Cada partido de fútbol es visto por 3 millones de mujeres y 8 millones de hombres. •Un anuncio en el programa de corazón cuesta 50.000 € y un anuncio del fútbol cuesta 100.000 €. •Dorian Auto quisiera que los anuncios sean vistos por por lo menos 30 millones de mujeres y 24 millones de hombres. •Dorian Auto quiere saber cuántos anuncios debe contratar en cada tipo de programa para que el coste de la campaña publicitaria sea mínimo. Corazón (x) Fútbol (y) mujeres 6 3 6x + 3y ≥ 30 hombres 2 8 2x + 8y ≥ 24 Coste 1.000€ 50 100 50x +100y Formulación del problema:
  • 42. Variables de decisión: x = nº de anuncios en programa de corazón y = nº de anuncios en fútbol Min z = 50x + 100y (función objetivo en 1.000 €) s.a: 6x + 3y ≥ 30 (mujeres) 2x + 8y ≥ 24 (hombres) x, y ≥ 0 (no negatividad) Formulación del problema:
  • 43. X Y 2 4 6 8 10 12 14 14 12 10 8 6 4 2 Min z = 50 x + 100y s.a. 6x + 3y ≥ 30 2x + 8y ≥ 24 x, y ≥ 0 6x + 3y = 30 2x + 8y = 24 Dibujamos la región factible.
  • 44. X Y 2 4 6 8 10 12 14 14 12 10 8 6 4 2 La región factible no está acotada Región Factible Calculamos los vértices de la región factible: A B C El vértice A es solución del sistema 6x + 3y = 30 x = 0 Por tanto, A(0, 10) El vértice B es solución de 6x + 3y = 30 2x + 8y = 24 Por tanto, B(4, 2) El vértice C es solución de 2x + 8y = 24 y = 0 Por tanto, C(12, 0)
  • 45. Región Factible Resolvemos por el método analítico A(0, 10) B(4, 2) C(12, 0) X Y 2 4 6 8 10 12 14 14 12 10 8 6 4 2 Vértice z = 50x + 100y A(0, 10) z = 50·0 + 100·10 = = 0+10000 = 10 000 B(4, 2) z = 50·4 + 100·2 = = 200+200 = 400 C(12, 0) z = 50·12 + 100·0 = = 6000+0 = 6 000 El coste mínimo se obtiene en B. Solución: x = 4 anuncios en pr. corazón y = 2 anuncios en futbol Coste z = 400 (mil €) Evaluamos la función objetivo z en los vértices.
  • 46. Región Factible Resolvemos por el método gráfico A(0, 10) B(4, 2) C(12, 0) X Y 2 4 6 8 10 12 14 14 12 10 8 6 4 2 El coste mínimo se obtiene en el punto B. Solución: x = 4 anuncios en pr. corazón y = 2 anuncios en futbol Coste z = 400 (mil €) Min z = 50 x + 100y s.a. 6x + 3y ≥ 30 2x + 8y ≥ 24 x, y ≥ 0 Z = 600 Z = 400
  • 47. Número de Soluciones de un PPL •Algunos PPL tienen un número infinito de soluciones óptimas (alternativas o múltiples soluciones óptimas). •Algunos PPL no tienen soluciones factibles (no tienen región factible). •Algunos PPL son no acotados: Existen puntos en la región factible con valores de z arbitrariamente grandes (en un problema de maximización). Los dos ejemplos anteriores, Gepetto y Dorian Auto, tienen, cada uno, una única solución óptima. No en todos los PPL ocurre esto. Se pueden dar también las siguientes posibilidades: Veamos un ejemplo de cada caso.
  • 48. Número infinito de soluciones óptimas max z = 3x + 2y s.a: Cualquier punto (solución) situado en el segmento AB puede ser una solución óptima de z =120. Consideremos el siguiente problema: 3x + 2y ≤ 120 x + y ≤ 50 x , y ≥ 0 10 10 20 30 40 20 30 40 50 50 60 Y X z = 60 z = 100 z = 120 A B C Región Factible
  • 49. Sin soluciones factibles s.a: max z = 3x1 + 2x2 No existe región factible Consideremos el siguiente problema: 3x + 2y ≤ 120 x + y ≤ 50 x ≥ 30 y ≥ 30 x , y ≥ 0 10 10 20 30 40 20 30 40 50 50 60 Y X No existe Región Factible y ≥ 30 x ≥ 30 x + y ≤ 50 3x + 2y ≤ 120
  • 50. PPL no acotado max z = 2x – y s.a: x – y ≤ 1 2x + y ≥ 6 x, y ≥ 0 La región factible es no acotada. Se muestran en el gráfico las rectas de nivel para z = 4 y z = 6. Pero podemos desplazar las rectas de nivel hacia la derecha indefinidamente sin abandonar la región factible. Por tanto, el valor de z puede crecer indefinidamente. 1 1 2 3 4 2 3 4 5 5 6 Y X z = 4 z = 6 Región Factible