MÉTODO

GRAFICO
[Subtítulo del documento]

roxana Condori
Caycho Medina, Wendy
 Sistemas de optimización

MÉTODO GRAFICO

CONCEPTO: El método gráfico es un procedimiento de solución de problemas de programación

lineal, muy limitado en cuanto al número de variables (2 si es un gráfico 2D y 3 si es 3D) pero
muy rico en materia de interpretación de resultados e incluso análisis de sensibilidad.
Pasos básicos del método son:

1) Identificar las variables de decisión;

2) Montar la línea de meta;
3) Reunir las ecuaciones / desigualdades de restricción;
4) Determinar el mínimo de puntos para cada línea de restricción;
5) La trama de puntos y dibujar líneas en el plano cartesiano;
6) Seleccione (marque) la zona viable;
7) Verifique el área común a todas las restricciones;
8) Encontrar el punto óptimo del problema
9) Para formular la respuesta.

Optimizar: Z = c1 x1 +c2 x2 +… + cn xn
Sujeto a:

O en la forma reducida:

Sujeto a:
 Sistemas de optimización

Mapa Conceptual del tema

 Sistemas de optimización

Ejemplo 1:
El taller de Joe se especializa en cambios de aceite del motor y regulación del sistema eléctrico.
El beneficio por cambio del aceite es $7 y de $15 por regulación. Joe tiene un cliente fijo con
cuya flota, le garantiza 30 cambios de aceite por semana. Cada cambio de aceite requiere de 20
minutos de trabajo y $8 de insumos. Una regulación toma una hora de trabajo y gasta $15 en
insumos. Joe paga a los mecánicos $10 por hora de trabajo y emplea actualmente a dos de ellos,
cada uno de los cuales labora 40 horas por semana. Las compras de insumos alcanzan un valor de
$1,750 semanales. Joe desea maximizar el beneficio total. Formule el problema.

SOLUCIÓN:
a) Función Objetivo:
Maximizar beneficio total en función a la especialización (cambio de aceite -
regulación del sistema)
b) Variables:
X: Cambio de aceite del motor
Y: regulación del sistema eléctrico

c) Restricciones:
a. 30 cambios de aceite por semana
b. 40horas por semana y dos laboran por tanto 40h<>4800min

CAMBIO DE REGUACIÓN
ACEITE DEL SISTEMA E
BENEFICIO $7 $15
TIEMPO DE 20min 1H<>60min 480
TRABAJO
INSUMOS $8 $8 1750

d) Ecuación:

Maximizar: 𝟕𝒙 + 𝟏𝟓𝒚
R1: 𝑥 ≥ 30
R2: 20𝑥 + 60𝑦 ≤ 480
R3: 8𝑥 + 15𝑦 ≤ 1750
R4: 𝑥, 𝑦 ≥ 0

Método grafico
R1: 𝑥 ≥ 30
X=30

R1
35
30
25
20
15
10
5
0
0 10 20 30 40
 Sistemas de optimización

R2: 20𝑥 + 60𝑦 ≤ 480

20𝑥 + 60𝑦 = 480
X=0 Y=8
X=12 Y=0

R1
35
30
25
20
15
10
5
0
0 10 20 30 40

R3: 8𝑥 + 15𝑦 ≤ 1750

8𝑥 + 15𝑦 = 1750
X=0 Y=116.67
X=218.75 Y=0

R1
35
30
25
20
15
10
5
0
0 10 20 30 40

Ejemplo 2:
Una nutricionista del Hospital regional, es responsable de la planificación y administración de los
requerimientos. La nutricionista examina en estos momentos un caso de un paciente que se le ha
restringido una dieta especial, que consta de 2 fuentes alimenticias. Al paciente se le ha restringido
el consumo en cantidades de los 2 alimentos, sin embargo se deben satisfacer los siguientes
requerimientos nutritivos mínimos por día:
1,000 unid. Del nutriente A; 2,000 unid. Del nutriente B; 1,500 unid. Del nutriente C
Cada onza de la fuente alimenticia N° 1 contiene 100 unid. de A, 400 unid. de B, y 200 unid. de
C. Cada onza de la fuente alimenticia N° 2 contiene 200 unid. de A, 250 unid. de B, y 200 unid.
de C.
Ambas fuentes alimenticias son algo costosas (la fuente N°1: $6 por libra y N°2: $8 por libra) por
lo tanto la nutricionista desea determinar la combinación de fuentes alimenticias que optimice los
recursos y que satisfaga todos los requerimientos nutritivos.
SOLUCIÓN:
a) Función Objetivo:
 Sistemas de optimización

Minimizar requerimientos nutricionales en función a los números de fuente

alimenticios
b) Variables:
c) X: Numero de onzas de la fuente alimenticia N°1 que deben consumirse
diariamente.
d) Y: Numero de onzas de la fuente alimenticia N°2 que deben consumirse
diariamente.
e) Restricciones:

FUENTE FUENTE
ALIMENTICIO ALIMENTICIO
N°1 N°2
A 100 200 1000 6/lb<>1/16
B 400 250 2000 8/lb<>8/16
C 200 200 1500

f) Ecuación:
Minimizar: 𝟎. 𝟑𝟕𝟓𝒙 + 𝟎. 𝟓𝒚
R1:100𝑥 + 200𝑦 ≥ 1000
R2:400𝑥 + 250𝑦 ≥ 2000
R3:200𝑥 + 200𝑦 ≥ 1500
R4: 𝑥, 𝑦 ≥ 0

Método gráfico:
R1:100𝑥 + 200𝑦 ≥ 1000
100𝑥 + 200𝑦 = 1000
𝑋 = 0 ,𝑌 = 5
X=10, Y=0

R1
35
30
25
20
15
10
5
0
0 10 20 30 40

R2:400𝑥 + 250𝑦 ≥ 2000

400𝑥 + 250𝑦 = 2000
X=0, Y=8
X=5 Y=0
 Sistemas de optimización

R1
35
30
25
20
15
10
5
0
0 10 20 30 40

R3:200𝑥 + 200𝑦 ≥ 1500

200𝑥 + 200𝑦 = 1500
X=0, Y=7.5
X=7.5, Y=0

R1
35
30
25
20
15
10
5
0
0 10 20 30 40
 Sistemas de optimización

ANALISÍS DE SENSIBILIDAD
El análisis de sensibilidad para los modelos de Programación Lineal, tiene por
objetivo identificar el impacto que resulta en los resultados del problema original luego de
determinadas variaciones en los parámetros, variables o restricciones del modelo, sin que
esto pase por resolver el problema nuevamente.

Es decir, ya sea si resolvemos nuestro modelo gráficamente o utilizando el Método Simplex, lo

que se busca es que estas variaciones o sensibilidad hagan uso de la solución y valor óptimo
actual, sin tener la necesidad de resolver para cada variación un nuevo problema. En especial nos
concentraremos en el análisis de sensibilidad que hace uso de la tabla final del Método Simplex.

TEORÍA

Siguiendo la notación utilizada en la sección ded4icada al Método Simplex en nuestro sitio,

éste opera para modelos de Programación Lineal en un formato estándar.

Min cTx
s.a Ax1 = b
x >= 0

Donde la tabla final del Método mantiene la siguiente estructura:

 Donde:
 I: Matriz Identidad
 0: Costos reducidos asociados a las variables básicas
 B: Matriz de variables básicas
 D: Matriz de variables no básicas
 b: Lado derecho
 Cb: Coeficientes en la función objetivo asociados a las variables básicas
 Cd: Coeficientes en la función objetivo asociados a las variables no básicas

1. Cambio en el "lado derecho" de las restricciones: Lo que se busca identificar si las actuales
variables básicas se mantienen luego de la modificación de uno o más parámetros asociados al
"lado derecho" del modelo. Si calculamos:

y se cumple , Las mismas variables básicas lo son también de la nueva

solución óptima, calculada con el nuevo . Si lo anterior no se cumple, se puede aplicar el Método
Simplex Dual.
 Sistemas de optimización

EJEMPLO: Sin resolver nuevamente el problema, se desea saber si las actuales variables básicas
óptimas del problema también lo son del mismo problema, donde los lados derechos corresponde
al vector b=(20,30). (Observación: X4 y X5 son variables de holgura de la restricción 1 y 2
respectivamente)

Max 2x1 + 7x2 - 3x3

sa: x1 + 3x2 + 4x3 <= 30
x1 + 4x2 - x3 <= 10
x1,x2,x3 >= 0

X1 X2 X3 X4 X5
0 -1 5 1 -1 20
1 4 -1 0 1 10
0 1 1 0 2 20

Para analizar este escenario debemos calcular el vector de variables básicas y verificar si todos
sus componentes son positivos definidos. Nótese que para esto necesitamosla matriz B inversa,
la cual fácilmente podemos rescatar identificando los parametros asociados a X4 y X5 (variables
de holgura de la restricción 1 y 2 respectivamente) en la tabla final del Método Simplex:

Luego, dado que al menos uno de los coeficientes del nuevo lado derecho tiene un valor negativo,
cambia la actual base óptima. Cabe destacar que ante esta situación no es necesario resolver el
nuevo escenario partiendo de cero, sino lo que se debe hacer es utilizar la tabla final del simplex
del escenario base, actualizando el lado derecho y valor de la función objetivo.

X1 X2 X3 X4 X5
0 -1 5 1 -1 -10
1 4 -1 0 1 30
0 1 1 0 2 60

Posteriormente, se continua iterando haciendo uso del Método Simplex Dual. (Ver referencia a
la derecha).

2. Inclusión de una nueva variable: Debemos evaluar si la nueva variable es un aporte

significativo a los resultados del modelo original. Luego, para decir si la actual solución básica es
óptima para el nuevo problema, calculamos el costo reducido de la nueva variable como:

donde k es el índice de la nueva variable y Ak su respectiva columna en

la matriz de coeficientes. Si se cumple que rk>=0 se conserva la actual solución óptima. En caso
contrario, se puede seguir con el Simplex agregando a la tabla una nueva columna con entradas B-
1Ak y rk y tomando como variable entrante a la nueva base la que acabamos de introducir al
problema.
 Sistemas de optimización

EJEMPLO: Se desea estudiar la posibilidad de elaborar un nuevo producto con beneficio neto
igual a 8 y que requiere 4, 2 y 5 unidades de los recursos asociados a cada restricción. Sin resolver
nuevamente el problema, ¿Conviene elaborar el producto?

Max 9x1 + 12x2

sa: 4x1 + 3x2 <= 180
2x1 + 3x2 <= 150
4x1 + 2x2 <= 160
x1,x2 >= 0

X1 X2 X3 X4 X5
1 0 1/2 -1/2 0 15
0 1 -1/3 2/3 0 40
0 0 -4/3 2/3 1 20
0 0 1/2 7/2 0 615

Se debe evaluar rk y determinar si este es >=0.

En este ejemplo rk=1>=0, por lo cual no conviene la incorporación de esta nueva variable al
modelo, es decir, aun cuándo sea incorporada no obtendremos un valor óptimo que supere el
actual V(P)=615. De todas formas mostraremos como se incluye en la tabla final del Simplex esta
modificación de modo que el lector pueda entender su incorporación cuando es necesario:

X1 X2 X3 X4 X5 XNew
1 0 1/2 -1/2 0 1 15
0 1 -1/3 2/3 0 0 40
0 0 -4/3 2/3 1 1 20
0 0 1/2 7/2 0 1 615

Si el costo reducido de esta nueva variable hubiese sido cero, entonces el nuevo escenario tendría
infinitas soluciones.

3. Cambio en los Coeficientes Función Objetivo: Se busca identificar qué ocurre con la actual
solución óptima del escenario base si se cambian uno o varios de los coeficientes que definen la
función objetivo. La solución óptima actual también lo será para el nuevo escenario siempre que
los nuevos costos reducidos sean mayores o iguales a cero (notar que también cambia el valor de
la función objetivo en la actual solución óptima). Es decir se debe cumplir que:
 Sistemas de optimización

En caso contrario, se aplica el Simplex a partir de la tabla final del modelo original, con los nuevos
costos reducidos y nuevo valor de la actual solución básica.

EJEMPLO: Sin resolver nuevamente el problema, se desea saber que sucede si se modifica los
parámetros de la función objetivo, quedando éstos de la siguiente forma: Z = x1 + 5x2 - 2x3. (X4
y X5 son las variables de holgura de la restricción 1 y 2 respectivamente).

Max 2x1 + 7x2 - 3x3

sa: x1 + 3x2 + 4x3 <= 30
x1 + 4x2 - x3 <= 10
x1,x2,x3 >= 0

X1 X2 X3 X4 X5
0 -1 5 1 -1 20
1 4 -1 0 1 10
0 1 1 0 2 20

Debido a que los cambios en los parámetros de la función objetivo se producen en más de una
variable consideraremos la siguiente fórmula:

Debido a que al menos uno de los costos reducidos de las variables no básicas se ha vuelto
negativo, entonces cambia la actual solución y valor óptimo del problema. Para incorporar esta
modificación en la tabla final del Método Simplex se actualiza los costos reducidos asociados a
las variables no básicas, además del valor óptimo, quedando como sigue:

X1 X2 X3 X4 X5
0 -1 5 1 -1 20
1 4 -1 0 1 10
0 -1 1 0 1 10

4. Inclusión de una nueva restricción: Para saber si la actual solución y valor óptimo se
mantendrá luego de incorporar una nueva restricción al problema se debe evaluar la solución
actual y verificar si satisface la nueva restricción. En caso afirmativo, la actual solución también
lo será del problema con la nueva restricción, en caso contrario se incorpora la nueva restricción
a la tabla final del Simplex del escenario base.
 Sistemas de optimización

EJEMPLO: Sin resolver nuevamente el problema, se desea saber que sucede si se considera una
nueva restricción de la forma: 3x1 + 2x2 + 3x3 <= 25. (Observación: Considerar mismo modelo
y tabla final del ejemplo anterior)

Se evalua la solución actual en la restricción: 3*(10) + 2*(0) + 3*(0) <= 25. No cumple. Por tanto
se incorpora esta nueva restricción como fila a la tabla final del Simplex. Adicionalmente, se
agrega X6 como variable de holgura asociada a esta nueva restricción:

X1 X2 X3 X4 X5 X6
0 -1 5 1 -1 0 20
1 4 -1 0 1 0 10
3 2 3 0 0 1 25
0 1 1 0 2 0 20

Una alternativa para encontrar el óptimo a través de esta tabla es formar la identidad (debemos
hacer cero el parámetro asociado a X1 en la tercera fila) multiplicando la fila 2 por -3 y sumando
dicho resultado a la fila 3. De esta forma se obtiene:

X1 X2 X3 X4 X5 X6
0 -1 5 1 -1 0 20
1 4 -1 0 1 0 10
0 -10 6 0 -3 1 -5
0 1 1 0 2 0 20

Finalmente obtenemos X4, X1 y X6 como variables básicas. Producto de la transformación un

lado derecho queda negativo y en este caso podemos continuar adelante utilizando el Método
Simplex Dual.