4.

1 Introducción al método gráfico

La geometría plana se puede usar como una “fotografía” que ilustre muchos de
los elementos importantes de los modelos de programación lineal. En particular,
la geometría plana es útil para proporcionar las bases de enfoque de la solución
gráfica. Esta es una manera simple de resolver un problema de programación
lineal que tenga solamente dos variables de decisión. Aunque la mayoría de los
problemas reales tienen más de dos de estas variables y por lo tanto el método
de solución gráfica no les será aplicable, no obstante, proporciona una buena
base intuitiva para lo que veremos más adelante. En otras palabras, el propósito
de esta parte consiste en proporcionar ideas gráficas en el modelo general de PL.
Esto proporcionará un buen fundamento para el uso de la programación lineal en
diversas aplicaciones al mundo real. El método gráfico se utiliza para la solución
de problemas de PL, representando geométricamente a las restricciones,
condiciones técnicas y el objetivo.

Ejemplo No. 1

Un contratista construye dos modelos de casas marinas, el Atlántico y el Pacífico.

Cada modelo del Atlántico requiere de 1000 pies de madera, 3000 pies cúbicos
de concreto y $2000 de publicidad. Cada modelo del Pacífico requiere de de
2000 pies de madera, 3000 pies cúbicos de concreto y $3000 de publicidad. Los
contratos exigen usar por lo menos 800 pies de madera18000 pies cúbicos de
concreto y $15,000 de publicidad. Si el total que se gasta en cada modelo del
Atlántico es de $3000 y el total en cada modelo del Pacífico es de $4000,
¿cuántos de cada modelo deben construirse para minimizar los costos?

4.2 Algoritmo del procedimiento

Son cuatro los pasos que deben seguirse para resolver en forma gráfica un
problema.

Ilustración 4.1
Paso 1: formular el problema en términos matemáticos.

El planteamiento del problema matemático implica un procedimiento que a su

vez consta de tres pasos:

a) Definir las variables de decisión

b) Plantear en términos matemáticos la función objetivo o de utilidad
c) Plantear en términos matemáticos las restricciones sobre los recursos

Para el problema del contratista se definen las variables de decisión como X 1 =

Casas del Atlántico y a X2 =Casas del Pacífico.

Es posible plantear la función Objetivo de la siguiente manera

Esta función Objetivo está sujeta a las restricciones sobre los recursos. Para
plantear las restricciones de este problema, es necesario identificar cada casa
requiere de madera, concreto y gasto en publicidad es las cantidades que se
especifican para cada una de las casas. Las restricciones sobre la disponibilidad
de los materiales a utilizarse. Puede plantearse en términos matemáticos las
relaciones de cada uno de ellos.

Eso significa que cada casa Atlántico requiere de 1000 pies de madera y cada
casa del Pacífico requiere 2000 pies madera y que se debe usar a lo más 8000
pies de madera. De manera similar se tiene que la cantidad de concreto debe
usar a lo mas de 18,000 pies cúbicos
El gasto que se deberá tener en publicidad será cuando mucho de $15,000

Asimismo recordar que no son posibles niveles negativos de construcción por lo

que también debe incluirse restricciones de no negatividad.

En conjunto el problema puede plantearse de la siguiente manera:

4.1

4.2
4.3
4.4
4.5

Paso 2: Graficar las

restricciones.

El método gráfico para

resolver un problema de
programación lineal con
dos variables se entiende
Gráfica 4.1
mejor concentrándose
primero en las
restricciones y
posteriormente en la
f
u

Ilustración 2
 nción objetivo. En un sistema de coordenadas rectangulares describir
gráficamente todas las restricciones. Esto puede hacerse en cualquier orden.
Para graficar las desigualdades se sustituye en primer término los símbolos (≤)
o (≥) por (=) para cada restricción, con lo cual se produce la ecuación de una
línea recta y se traza ésta en el plano la región en cual se encuentra cada
restricción cuando se considera la desigualdad. Si graficamos las desigualdades
lineales (las restricciones del problema de programación lineal), obtenemos un
conjunto de puntos llamado un poliedro. Usualmente este poliedro es convexo;
es decir tiene la propiedad de que el segmento de la recta que une cualquier
Valor factible par de puntos en el conjunto pertenece completamente al conjunto.Ver
Ilustración 4.2
Valores para las
variables de El conjunto que resulta de las restricciones
decisión que de un problema de programación lineal
satisfacen todas siempre es un un poliedro convexo. Esto y el
las restricciones. hecho de que la intersección de un número
finito de conuntos convexos es convexo, nos
permite resolver problemas de prgramación
lineal.

Ilustración 4. 3

Cualquier punto (X1 ; X2) en el poliedro convexo formado por las restricciones
del problema de programación lineal se denomina solución factible.

Si no existe tal punto, el problema de programación lineal no tiene solución.

Ejemplo

Un problema de programación lineal consiste en maximizar la función objetivo

4.1

4.2
4.3
4.4
4.5

Para determinar los valores de satisfacen todas las restricciones,

considere una restricción a la vez. Cada restricción permite ciertos valores
de que satisfacen la restricción. Estos valores se denominan Valores
 factibles. Aquellos valores que no satisfacen la restricción se llaman Valores
Infactibles.

En la restricción permite sólo valores no negativos tanto para

. Geométricamente estás dos restricciones juntas permiten valores
factibles para las variable que están a la derecha del eje y encima del eje
como se ve en la gráfica 4.1.

Se busca aquellos valores de que satisfacen todas las restricciones, no

sólo las de no negatividad.

Para ver gráficamente qué valores son factibles para la

Restricción para la restricción es decir:

Comience por encontrar aquellos valores de

que satisfacen la igualdad.

Observe que un signo de igualdad ha remplazado al

signo de desigualdad. La gráfica de esta ecuación es la línea recta mostrada en la
siguiente gráfica 4.2

Gráfica 4.2

Los valores factibles para la restricción (4.2) consisten en aquellos valores para
los cuales , no sólo para los que
 Los valores factibles para que satisfacen a la línea recta pueden
Región Factible encontrarse si se toma un punto de observación, que puede ser cualquier punto
que no pertenezca a la recta como puede ser el punto (0,0). Se sustituye el punto
El conjunto de
valores para las de observación en la ecuación original y se determina si cumple o no con la
variables de desigualdad.
decisión en un
programa lineal
que satisface
todas las
Resolviendo
restricciones.

Dado que el cero es menor que 8000 se cumple con la desigualdad así como con
el punto de observación. Los puntos que satisfacen a la desigualdad se
encuentran sobre la recta y por debajo de ella.

Se indica los puntos abajo de la recta por medio de un sombreado, como se

muestra en la gráfica 4.3

Gráfica 4.3

El proceso anterior se repite para cada una restricción es decir:

1. Remplazar el signo de desigualdad en una restricción por un signo de

igualdad.
2. Dibujar la línea recta correspondiente a la ecuación
3. Identificar la el lado de la línea que satisfaga la desigualdad original
 4. Sombrear esa porción de la gráfica que satisfaga todas las restricciones
formuladas hasta el momento. Esto se ha hecho para la restricción (4.3)
,
5. finalmente para la restricción: (4.4) . Se
realizó el mismo procedimiento. Observe que en este caso las
restricciones reducen el área factible ver gráfica 4.4

Solución
Factible

Una
solución en
la que las
variables
de decisión
son
factibles El área final sombreada de la gráfica se denomina región factible del programa
lineal. Cualquier punto que este dentro de la región factible es una solución
factible y da origen a valores para que satisfagan todas las restricciones.
También se puede ver que la región factible está limitada por líneas rectas que se
juntan en agudos puntos “puntos esquina” etiquetados A - D. Estos puntos esquina
se denominan puntos extremos. (Ver gráfica 4.5)

GRÁFICA 4.5

Paso 3.- Graficar la

función objetivo
 Para resolver el problema de la programación lineal debe encontrarse un
punto factible que proporcione el mayor valor de la función objetivo:

Comience por elegir cualquier punto dentro de la región factible y calcule el

valor de función objetivo en ese punto. Suponga que elige el punto factible
El valor de la función objetivo en ese punto es

Línea de 3000(20) .
Función
Objetivo
Es momento de preguntarse si: ¿existe otro punto en la región factible que
Línea utilizada proporcione un valor mayor de la función objetivo? Para investigarlo, primero
en el método identifique todos los puntos que produzcan el mismo valor de la función objetivo
gráfico en la como el punto actual. Esto significa que debe encontrar todos los puntos que
cual todos los satisfagan Esto se logra trazando la siguiente
puntos sobre la línea de función Objetivo. Como se observa en la siguiente gráfica 4.6
línea tienen el
mismo valor de
función objetivo

Gráfica 4 6 Med
iant
e
ensa
yo
erro
r se
verá
que
todos los valores de las variables de un lado de la línea proporcionan un mejor
valor de la función objetivo que el punto actual; todos los valores del otro lado
proporcionan un peor valor. Para determinar el mejor lado simplemente elija
cualquier punto que no esté en línea de la función objetivo y vea si sus valores
proporcionan un mejor valor la función objetivo que el punto actual
cuyos valores son . Considere el punto y .
El valor de la función objetivo es 3000(40) Como el
objetivo de este problema es maximizar, este valor de 20,000 es mejor que el de
180,000 Por tanto los valores de y está en el mejor lado de la
línea de la función objetivo, como lo índica la flecha sobre la línea punteada. (Ver
gráfica 4.7)
Solución
óptima factible
Lado de mejora
El punto en la
región factible
que tiene el
mejor valor de GRÁFICA 4.7
la función
objetivo.

Una observación importante es que la nueva línea de la función objetivo es

paralela a la anterior.
En resumen, a partir de un punto inicial factible
1. Trazar la línea de la función objetivo
2. Localizar su mejor lado, y
3. Mover la línea de la función objetivo de manera paralela a sí misma en la
dirección de mejora.

Origina puntos en la región factible cuyos valores de la función objetivos son

cada vez mejores. Para poder resolver gráficamente el problema de
programación lineal gráficamente, sólo se necesita mover la línea de la función
objetivo en forma paralela a sí misma en la dirección de mejora hasta que esté a
Punto
extremo
punto de dejar la región factible. Este punto final es la solución óptima factible al
programa lineal. El resultado de aplicar es que el punto extremo C es la solución
El punto esquina
de una región Con base en la observación de que la solución óptima ocurre en un punto
factible
extremo, un enfoque alternativo para solucionar este problema de programación
lineal es
enumerar a
todos los puntos
extremos de la
región
factible llamados vértices , para calcular el valor de la función objetivo en cada
uno, y seleccionar aquel con el mejor valor esto demuestra a continuación.

(Ver gráfica 4.8)

Obtención de valores numéricos para la solución óptima

Una forma de obtener los valores para variables en esta solución óptima es
leerlas directamente de la gráfica. Este proceso visual no es exacto. Un enfoque
más exacto se basa en la observación de que, en la gráfica 1.9, la solución
óptima ocurre en el punto extremo C. Este punto extremo cae en la
intersección de las dos líneas correspondientes a las restricciones 1 y 2 estas
ecuaciones son:

Puede encontrar los valores exactos para la solución óptima resolviendo estas
dos ecuaciones en las dos incógnitas, X1 y X2. Para ver cómo, use la ecuación 1
para resolver X2 en términos de X1,

Ahora, sustituya es expresión para X2 en la ecuación 2:

Ahora resuelva la ecuación (5) para resolver X1

Finalmente, sustituyendo el valor de X1 (6) en la ecuación de X2 (3) se llega a:

Este proceso de resolver dos ecuaciones con dos incógnitas ha llevado a la

solución óptima factible exacta de X1 = 4 y X2 = 2 para el programa lineal el
valor correspondiente de la función objetivo en este punto es:

Los resultados para este problema:

Cantidad de casas a construir de Atlántico X1 = 4

Cantidad de casas a construir de Pacífico X2 = 2
 La Utilidad Obtenida Z = 20,000

Resumen del procedimiento de solución gráfica para problemas

de maximización

El procedimiento de solución gráfica es un método para resolver problemas de

programación lineal de dos variables.

1. Preparar una gráfica para cada restricción que muestre las soluciones
que satisfagan la restricción.
2. Determinar la región factible identificando las soluciones que satisfacen
simultáneamente todas las restricciones.
3. Trazar una línea de función objetivo que muestre los valores de las
variables de decisión que producen un valor especificado para la misma.
4. Mover la línea de función objetivo paralelas hacia los valores mayores de
la función objetivo hasta que un mayor movimiento sacaría a la línea por
completo de la región factible.
5. Cualquier solución factible en la línea de función objetivo con el valor
máximo encontrado por el procedimiento anterior es una solución
óptima

Variables de holgura

Además de la solución óptima y su contribución a la ganancia asociada,

los tomadores de decisiones desearán información acerca de los
requerimientos de materiales, podemos determinar esta información
sustituyendo los valores de solución óptima, X1 = 4, X2 = 2 en las
restricciones del programa lineal.

Restricción Materiales requeridas para Materiales Materiales no

X1 = 4 y X2 = 2 Disponibles usados
Pies madera 1000(4) +2000(2)=8000 8000 0

Pies cemento 3000(4)+3000(2)=18000 18000 0

Gasto 2000(4)+3000(2)=14000 15000 1000

publicidad
Por tanto, la solución completa indica a la administración que se construyen 4
casas del tipo atlántico y 2 del pacífico, requerirán todo los pies de madera y de
cemento disponibles, pero sólo usarán $14000 dólares en publicidad de los
$15000. Los $1000 dólares si usarse se conocen como una holgura. En
terminología de programación lineal, cualquier capacidad no usada o
desocupada para una restricción de ≤ se conoce como una holgura asociada con
la restricción. Por tanto, la restricción del material3 tiene una holgura de $1000
dólares.

Con frecuencia, las variables, llamadas variables de holgura, se agregan a la

formulación de un problema de programación lineal para representar la
capacidad no usada asociada con una restricción. La capacidad no usada no
contribuye a las ganancias, así que las variables de holgura tienen coeficientes
de cero en la función objetivo. De manera más general, las variables de holgura
representan la diferencia entre el lado derecho y el lado izquierdo de una
restricción ≤. Después de la adición de las variables de holgura a la declaración
matemática del problema se vuelve:

4.1
4.2
4.3
4.4

Siempre que todas las restricciones en un programa lineal se expresen como

igualdades, se dice que están escritas en forma estándar.
Refiriéndose a la forma estándar del problema, vemos que en la solución óptima
(X1 = 4 y X2 = 2) los valores de las variables de holgura son:

Restricción Valor de la variable de holgura

Pies de madera
Pies de cemento
Gasto de publicidad
¿Podríamos haber usado el análisis gráfico para proporcionar alguna de la
información previa? La respuesta es que si. Al encontrar la solución óptima en la
gráfica 4.9 Vemos que la restricción (4.1) y (4.2) limitan o confinan, la región
factible en este punto. Por tanto, la solución óptima requiere el uso de todos
estos dos recursos. En otras
GRÁFICA 4.9 palabras, la grafica muestra
que en la solución óptima las
restricciones (4.1) y (4.2),
tendrían holgura de cero.
Pero, debido a que la
restricción (4.3), no está
confinada para la región
factible en la solución óptima,
podemos esperar alguna
holgura para este recurso.

Restricciones redundantes.
Algunos problemas de programación lineal pueden tener una o más restricciones
que no afectan a la región factible; es decir, la región factible permanece igual se
incluya o no las restricciones en el problema. Debido a que dicha restricción no
afecta a la región factible y por tanto no puede a la solución óptima, se llama
restricción redundante. Las restricciones redundantes pueden eliminarse del
problema sin causar ningún efecto en la solución óptima.

4.1
4.2
4.3

4.5

Al analizar las restricciones,

GRÁFICA 4.10
podemos observar las
restricciones 4.1 y 4.2
limitan la región factible
del programa lineal. La

GRÁFICA 4.15
 restricción 4.3 se puede quitar sin que se vea afectada la solución óptima, es por
En cualquier tanto una restricción redundante.
modelo de (Ver gráfica 4.10)
programación
lineal, para
un conjunto
fijo de datos,
las
El programa lineal resultante se observa la misma región
restricciones GRÁFICA 4.11
factible. Note que la restricción (4.3) fue eliminada y no
inactivas
afecta a la solución óptima.
pueden ser
retiradas sin Es posible que no esté consciente de que una restricción
afectar la es redundante al formular un problema de programación
solución lineal, la solución óptima factible no cambia si se incluye
óptima. Esta una restricción redundante. El único efecto es que
depende por aumenta el tamaño del programa lineal, lo que a su vez,
completo de puede ocasionar que un programa de computadora se
las tome tiempo extra para resolver el problema. La regla
restricciones
general es: no se preocupe por las restricciones
activas
redundantes; si piensa que necesita una restricción,
inclúyala en la formulación.
Una restricción que es redundante hoy podría no serlo
(
mañana. Supóngase que el tomador de decisiones del modelo de 2
Es muy posible programación lineal decide explorar los efectos de una nueva política de )
que una decisión que produzca 7 unidades de X1 y X2 en total en vez de 5. En la gráfica )
restricción
5.15 se muestra con línea de color rojo La gráfica de la primera restricción
redundante para
modificada y se ve que la nueva restricción ya no es redundante. En otras
un conjunto de
palabras, estrechar el requerimiento de 5 a 7 nos obliga a recortar algunas
datos no lo es sea
decisiones originalmente admisibles
cuando se
cambian algunos
datos
Por esta razón es frecuente que una restricción redundante permanezca en
un modelo. Es una práctica común resolver modelos de planeación varias
veces con diferentes conjuntos de datos con el objeto de desarrollar el
entendimiento de los diferentes escenarios futuros. El tomador de decisiones,
puede saber intuitivamente que hay condiciones interesantes (valores de los
datos) para los cuales estas restricciones pueden llegar a ser importantes y es
por esto que se incluyen en el modelo.

Puntos extremos y solución óptima

Suponga que la contribución a la ganancia para la casa tipo pacifico aumenta de

$ 3000 a $6000 mientras que la contribución a la ganancia de la casa atlántico y
todas las restricciones permanecen sin cambios. El modelo de programación
completo de este problema nuevo es idéntico al modelo matemático en la
sección 4.2 excepto por la función objetivo revisada:

¿Cómo afecta este cambio en la función objetivo a la solución óptima para el

problema? La siguiente gráfica ¿?? Muestra los valores de la variable de decisión
en este punto son X1 = 0 ; X2 = 4 . El aumento en la ganancia para la casa del
pacifico causo un cambio en la solución óptima.. De hecho, como podría haberse
sospechado, reducimos la construcción de la casa con menor ganancia y
aumentamos la de mayor ganancia.

¿Qué nota acerca de la ubicación de las soluciones óptimas en los problemas de

programación lineal? Al observar con detenimiento las soluciones óptimas
ocurren en uno de los vértices o esquinas de la región factible. En terminología
de programación lineal, estos vértices se denominan puntos extremos de la
región factible. Por tanto el problema tiene 4 puntos extremos (gráfica
4.12).Podemos plantear nuestra observación acerca de la ubicación de las
soluciones óptimas.

Gráfica 4.12

“La solución óptima para un problema de programación lineal puede encontrarse

en un punto extremo de la región factible para el problema”.
Esta propiedad significa que, si está buscando la solución óptima para un
problema de programación lineal, no tiene que evaluar todos los puntos de
solución factibles. De hecho tiene que considerar sólo las soluciones factibles que
ocurren en los extremos de la región. Por lo tanto para el problema, podemos
calcular la solución óptima evaluando los 4 puntos extremos y seleccionando
aquella que proporcione la ganancia más alta.

4.4 Restricciones activas e inactivas

4.1

4.2
4.3
4.4
4.5

Además del plan de producción óptimo y de la utilidad óptima, el tomador

de decisiones desea obtener información adicional sobre la solución .Por ejemplo
Se puede preguntar:
1.- ¿Qué cantidad de madera se usará en la solución óptima?
2.- ¿Qué cantidad de concreto se usará en la solución óptima?
3.- ¿Qué cantidad de dinero se usará en publicidad en la solución óptima?
La cantidad de madera que se usan de madera está dada por el primer miembro
de la desigualdad. Es decir:

Y puesto que vamos a asignar los valores óptimos de X1 = 4 y X2= 2, la expresión

se evalúa así:
Cantidad de madera usadas (óptimamente) en la ecuación 4,2:
Esto significa que la respuesta a la pregunta 1 es 8000 y diremos que se usarán
“óptimamente” 8000 pies de madera.
Para contestar la pregunta 2 recordemos que las toneladas de concreto están
dadas por el primer miembro de de desigualdad 5.3 por lo tanto, óptimamente,

Finalmente, para responder a la pregunta 3 emplearemos el primer miembro de

la desigualdad 5.4 para descubrir que,” óptimamente”

14000

Al revisar algunos de los términos importantes, que hemos visto en la solución

óptima se consumen 8000 pies de madera. En el modelo esa es la cantidad
disponible de madera en la ecuación 4.2. En consecuencia se tiene que para la
política óptima, la cantidad de pies de madera empleada es igual a los pies de
madera disponible y que la restricción es satisfecha con igualdad. Pero ¿a qué se
debe eso si la restricción en los pies de madera de la ecuación 4.2 es una
desigualdad, no una igualdad? La repuesta si se interpreta correctamente el
símbolo (≤) La restricción (≤) de la ecuación 4.2 permite usar (<) o (=) para la
cantidad de madera disponible. Por lo tanto la igualdad es aceptable. Lo que no
es permisible es que la cantidad de madera exceda la disponibilidad. De esta
restricción, puesto que no ha quedado madera sin usarse, decimos que es activa,
o en forma equivalente, una restricción obligatoria. Nótese que desde el punto
de vista del tomador de decisiones una restricción activa desempeña un papel
importante. Por ejemplo, si hubiese cualquier producción posterior de X1 y X2
esta restricción activa podría ser violada. En este sentido las restricciones activas
impiden ganar utilidades adicionales.

Aplicando razonamientos análogos a la restricción de la ecuación 4.3 podemos

verificar fácilmente que también es activa.

La restricciones de un programa lineal pueden ser (=), (≤) , ( ≥)

Una restricción de igualdad siempre es activa. Una restricción de desigualdad

ya sea del tipo (≤) o (≥) es activa sólo si se cumple la igualdad entre el primer
miembro y el lado derecho cuando se evalúa para los valores óptimos.
 Si consideramos la ecuación 4.3 donde se deben usar menos o igual de 15,000
 dólares en publicidad (el lado derecho de la restricción), mientras que la
 respuesta de la pregunta 3 muestra que en realidad se usarán 14000 dólares en
 publicidad. Dado que hemos dejado sin usar 1000 dólares de publicidad, se dirá
 que hay en el punto óptimo, una holgura de 1000 dólares de publicidad en esta
 restricción. Este es un ejemplo de restricción de desigualdad que no es activa en
 el punto óptimo. Como se puede suponer, se dice que tal restricción es inactiva

Los términos de activa e inactiva son aplicables a cualquier restricción del

modelo.



I
d
e
n
t
i En resumen de la terminología
f
 i
1) Si el punto óptimo (es decir cuando lo evaluamos en la solución
c
 a óptima) el primer miembro de una restricción es igual al lado derecho, se
c dice que la restricción es activa u obligatoria. Entonces una restricción de
Identificación de i igualdad es siempre activa. Una restricción de desigualdad puede ser
una restricción ó
inactiva activa o no.
n
2) Si una restricción no es activa, se dice que es inactiva. Para una
Desde el punto de d restricción del tipo mayor o igual (≥), la diferencia entre el primer
vista geométrico, una e miembro y el lado derecho (exceso) se llama excedente. Para una
restricción inactiva es
restricción del tipo menor o igual (≤) la diferencia entre el segundo
aquella que no pasa u
por la solución miembro y el primero se llama holgura.
n
óptima a 3) En el punto óptimo, toda restricción de desigualdad de un
modelo tiene un valor de holgura o excedente y para las decisiones
r factibles este valor es siempre no negativo. Para una restricción dada, la
e
holgura o el excedente valen cero si y sólo si la restricción es activa.
s
 t
 r Interpretación gráfica de restricciones activas e inactivas
i
 Las restricciones activas e inactivas se podrán identificar a partir de la solución
c
 c gráfica. Para ver esto, recordemos la estructura del modelo.
 i
 ó
n

4.1
 a
 c
t
i
v
a

D
 4.2
4.3
4.4
4.5

Y grafiquemos otra vez las restricciones, pero esta vez etiquetando cada
restricción. Esto se muestra en la siguiente gráfica . La etiqueta (1) se asigna a
la primera línea que graficamos . La etiqueta
(2) va sobre la segunda restricción, etc. En la gráfica se puede ver que
restricciones pasan por el punto óptimo. Dicho de otro modo, la solución óptima
está sobre estas restricciones. Al determinar los valores de X1 y X2
implícitamente reconocemos que las restricciones (1) y (2) son activas. (Ver
gráfica 4.9)

Gráfica 4.13

Hemos identificado que la restricción (3) es inactiva, una rápida

comprobación muestra que:
De esta manera vemos que una restricción inactiva es aquella que no pasa por la
solución óptima.

Cada restricción inactiva tendrá una holgura o un excedente dependiendo de si la

desigualdad correspondiente es o ≥. Sin embargo el valor numérico de la
holgura o del excedente no puede ser obtenido a partir de la gráfica. Se debe
determinar algebraicamente.
 Problema de Minimización

El método gráfico para este problema, requiere que tracemos la gráfica de las
líneas de restricción para encontrar la región factible. Al trazar cada línea de
restricción por separado y luego verificar lso puntos en cada lado de la líena,
pueden identificarse las soluciones que satisfacen cada restricción. Al
combinar las soluciones que satisfacen cada restricción en la misma gráfica
obtenemos la región factible que se se muestra en la gráfica 4.14
Para encontrar la
solución de costo
mínimo, ahora
trazamos la línea de la
función objetivo
Gráfica 4.14
correspondiente a un
valor de costo total
aprticular. Por
ejemplo, podríamos
comenzar trazando la
línea:

Esta línea se muestra en la

gráfica 4.15. Es evidente que
algunos puntos en la región Gráfica 4.15
factible proporcinarían un
costo total de $1200. Para
encontrar los valores de X1 y
X2 que proporcionan valores
de costo total menores,
movemos la linea d ela
función objetivo hacia abajo a
la izquierda hasta que, si la
movemos mas lejos, estaría
fuera de la región fctible por completo. Note que la línea de la función
objetivo:

Cruza la región factible en el punto extremo A =250 y B= 100. Este punto

extremo proporciona la solución de costo mínimo con un valor de de función
objetivo de 800. Delas gráficas podemos ver que al restricción de producción
total y la restricción numero 3 son las confian la región factible. Del mismo
modo que en todo problema de programación lineal, la solución óptima
ocurre en un punto extremo de esta región.

Resumen de procedimiento de solución gráfica para problemas

de minimización

Aquí se resumen lo pasos del procedimiento de solución gráfica para un

problema de minimización:

1. Preparar una gráfica para cada restricción que muestre las soluciones
que la satisfagan.
2. Determinar la región factible identificando las soluciones que satisfacen
todas las restricciones de manera simultánea.
3. Trazar una línea de función objetivo que muestre los valores de las
variables de decisión que producen un valor especificado de la misma.
4. Mover las líneas de la función Objetivo paralelas hacia valores más
pequeños de la función objetivo hasta que un movimiento mayor sacaría
a la línea por completo de región factible.
5. Cualquier solución factible en la línea de función objetivo con el más
pequeño es una solución óptima.

Variables excedente

La solución óptima al problema muestra que la producción total deseada de:

se ha logrado usando todo el tiempo de procesamiento
disponible = horas. Además
observe que al restricción que requiere que se cumpla la demanda del producto
X1 se ah satisfecho con X1 = 250 galones. De hecho, la producción del producto X1
excede su mínimo por 250 - 125 = 125 galones. Este exceso de producción para
el producto X1 se conoce como excedente. En terminología de programación
lineal, cualquier cantidad en exceso correspondiente a una restricción ≥ se
conoce como excedente.

Recuerde que una restricción ≤ puede agregarse una variable de holgura

al lado izquierdo de la desigualdad para convertir la restricción a una forma de
 igualdad. Con una restricción ≥ puede restarse una variable de excedente del
lado izquierdo de la desigualdad para convertir la restricción a una forma de
igualdad. Del mismo modo que con las variables de holguras, las variables de
excedentes se le da un coeficiente de cero en la función objetivo debido a que no
tienen efecto en su valor. Después de incluir dos variables de excedentes, S1 y S2
para restricción ≥ y una variable de holgura, S3 , para la restricción ≤, el modelo
de programación lineal del problema se vuelve.

Ahora todas las restricciones son igualdades; por tanto, las formulación precedente es la
representación en forma estándar del problema.
En la solución óptima X1 = 250 y X2 = 100, los valores de las variables excedentes y
de holgura son los siguientes.

Restricción Valor de la variable de excedente o holgura

Demanda de para el productoX1 S1 = 125
Producción Total S2 = 0
Tiempo de procesamiento S3 = 0

Revise las graficas 4.14 y 4.15 Observe que las variables de excedente y la de
holgura con valor de cero se asocian con las restricciones que son activas en la
solución óptima, es decir, las restricciones de producción total y tiempo de
procesamiento. El excedente de 125 unidades se asocia con la restricción no
activa en la demanda del producto X1
La cantidad y tipo de de restricciones encontradas en un problema de
programación lineal particular depende de las condiciones específicas existentes
en el problema. Los problemas de programación lineal pueden tener algunas
restricciones ≤, algunas de ≥ y algunas de =. Para una restricción de igualdad, las
soluciones factibles deben situarse directamente en la línea de restricción.
Aquí por ejemplo de un programa lineal con dos variables de decisión X1 y X2 y
las tres formas de restricción:
La representación de la forma estándar de este problema es:

La forma estándar requiere una variable de holgura para la restricción de ≤ y una variable
de excedente para la restricción ≥. Sin embargo, ni la variable de holgura ni la de
excedente se requieren para la tercera restricción debido a que ya está en forma de
igualdad.

Cuando se resuelve en forma gráfica los programas lineales, no es necesario escribir el

problema es su forma estándar, no obstante, es útil poder calcular los valores de las
variables de holgura y de excedente y entender qué significan. Un punto final: La forma
estándar no cambia el problema básico; sólo cambia cómo escribimos las restricciones
para el problema.