SOLUCIN GRFICA DE LA PROGRAMACIN LINEAL

El procedimiento de solucin grfica comprende dos pasos:

1. Determinacin del espacio de soluciones que define todas las
soluciones factibles del modelo.

2. Determinacin de la solucin ptima, entre todos los puntos factibles
del espacio de soluciones.

Usaremos dos ejemplos en el procedimiento, para mostrar cmo se
manejan las funciones objetivo de maximizacin y de minimizacin.

2.2.1 Solucin de un modelo de maximizacin

Ejemplo 2.2-1
En este ejemplo se resolver el modelo de Reddy Mikks, de la seccin
2.1.
Paso 1. Determinacin del espacio de soluciones factibles:
Primero, se tendrn en cuenta las restricciones de no negatividad x
1
0
y x
2
0.
En la figura 2.1, el eje horizontal x
1
y el eje vertical x
2
representan las
variables pintura para exteriores y pintura para interiores,
respectivamente. En consecuencia, las restricciones de no negatividad
limitan el rea del espacio de soluciones al primer cuadrante: arriba del
eje x
1
y a la derecha del eje x
2
.
Para tener en cuenta las otras cuatro restricciones, primero se sustituye
cada desigualdad con una ecuacin, y a continuacin se grafica la recta
resultante, ubicando dos puntos diferentes de ella. Por ejemplo, despus
de sustituir 6x
1
+ 4x
2
24 con la recta 6x
1
+ 4x
2
= 24, se pueden
determinar dos puntos distintos, primero igualando x1=0 para obtener x
2
=

y despus igualando x
2
= 0 para obtener x
1
=

. De este
modo, la recta que pasa por los dos puntos (0, 6) y (4, 0) es la que se
identifica con (1) en la figura 2.1.
A continuacin consideraremos el efecto de la desigualdad. Todo lo que
hace la desigualdad es dividir al plano (x
1
, x
2
) en dos semiespacios que
en este caso son semiplanos, uno a cada lado de la lnea graficada. Slo
una de esas dos mitades satisface la desigualdad. Para determinar cul
es el lado correcto, se elige cualquier punto de referencia en el primer
cuadrante. Si satisface la desigualdad, el lado en el que est es el
semiplano factible. En caso contrario, quiere decir que es el otro lado.
Desde el punto

FIGURA 2.1
Espacio factible del modelo de Reddy Mikks





de vista de los clculos, es cmodo seleccionar a (0, 0) como el punto
de referencia, a menos que la recta pase por el origen; si as fuera, se
debera elegir otro punto.
El uso del punto de referencia (0, 0) se ilustra con la restriccin 6x
1
+ 4x
2

24. Como 6 x 0 +4 x 0=0 es menor que 24, el semiplano que
representa la desigualdad incluye al origen (lo que se indica con la
flecha en la figura 2.1). Para demostrar el uso de otros puntos de
referencia, investigaremos (6, 0). En este caso 6 x 6 +4 x 0=36, que es
mayor que el lado derecho de la primera restriccin, y eso indica que el
lado en el que est (6, 0) no es factible para la desigualdad. Este
resultado es consistente con el que se obtuvo usando (0, 0) como punto
de referencia.
Con la aplicacin del procedimiento del punto de referencia a todas las
restricciones del modelo se obtiene el espacio factible que se indica en
la figura 2.1.
Paso 2. Determinacin de la solucin ptima:
El espacio factible de la figura 2.1 est delimitado por los segmentos de
recta que unen a los vrtices A, B, C, D, E y F. Todo punto dentro o en la
frontera del espacio ABCDEF es factible, porque satisface todas las
restricciones. Ya que el espacio factible ABCDEF est formado por una
cantidad infinita de puntos, es obvio que se necesita un procedimiento
sistemtico para identificar la solucin ptima.
Para identificar la solucin ptima se requiere identificar la direccin en
la que aumenta la funcin utilidad z=5x
1
+ 4x
2
(recurdese que se est
maximizando a z).
Para hacerlo se asignan valores arbitrarios crecientes a z. Por ejemplo,
si z=10 y z=15 equivaldra a graficar las dos rectas 5x
1
+ 4x
2
= 10 y 5x
1
+
4x
2
= 15 . En consecuencia, la direccin de aumento en z es la que se
ve en la figura 2.2. La solucin ptima se encuentra en C, que es el
punto, en el espacio de soluciones, ms all del cual cualquier aumento
en z saca a uno de las fronteras de ABCDEF.

FIGURA 2.2
Solucin ptima del modelo de Reddy Mikks




Los valores de x
1
y x
2
correspondientes al punto ptimo C se calculan
resolviendo las ecuaciones asociadas a las rectas (1) y (2), esto es,
resolviendo
6x
1
+ 4x
2
= 24
X
1
+ 2x
2
= 6
La solucin es x
1
= 3 x
2
= 1.5 y en ese caso z = 5 x 3 + 4 x 1.5 = 21 .
Eso equivale a una mezcla de productos de 3 toneladas de pintura para
exteriores y 1.5 toneladas de pintura para interiores. La utilidad diaria
correspondiente es $21,000.
No es por accidente que la solucin ptima se encuentre en un punto de
esquina del espacio de soluciones, donde se cruzan dos lneas. En
realidad, si se cambia la pendiente de la funcin utilidad z (cambiando
sus coeficientes), se ver que la solucin ptima siempre se encuentra
en esos puntos de esquina. Esta observacin es clave para desarrollar
el algoritmo smplex general que se presenta en el captulo 3.


2.2.2 Solucin de un modelo de minimizacin
Ejemplo 2.2-2 (Problema de la dieta)
En Granjas Modelo se usa diariamente un mnimo de 800 libras (lb) de
un alimento especial, que es una mezcla de maz y soya, con las
composiciones siguientes:

lb por lb de alimento

Alimento Protenas Fibras Costo
($/lb)

Maz 0.09 0.02 0.30

Soya 0.60 0.06 0.90


Las necesidades dietticas del alimento especial son un mnimo de 30%
de protenas y un mximo de 5% de fibras. Granjas Modelo desea
determinar las proporciones de alimento que produzcan un costo diario
mnimo.
Como la mezcla de alimentos consiste en maz y soya, las variables de
decisin del modelo se definen como sigue:
X
1
= lb de maz en la mezcla diaria
X
2
= lb de soya en la mezcla diaria
La funcin objetivo trata de minimizar el costo (en dlares) diario total de
la mezcla de alimentos, y en consecuencia se expresa como sigue:
minimizar z = 0.3x
1
+ 0.9x
2
Las restricciones del modelo reflejan la cantidad diaria necesaria y los
requerimientos dietticos. Como Granjas Modelo necesita un mnimo de
800 lb diarias de alimento, la restriccin correspondiente se puede
expresar como sigue:
X
1
+ x
2
800
En cuanto a la restriccin diettica de necesidades de protena, la
cantidad de protena que contienen x
1
lb de maz y x
2
lb de soya es
(0.09x
1
+ 0.6x
2
) lb. Esta cantidad debe ser cuando menos igual al 30%
de la mezcla total de alimentos, (x
1
+ x
2
) lb; esto es
0.09x
1
+ 0.6x
2
0.3(x
1
+ x
2
)
De manera similar, la restriccin de la fibra se define como
0.02x
1
+ 0.06x
2
0.05(x
1
+ x
2
)
Las restricciones se simplifican agrupando todos los trminos en x
1
y x
2

y pasndolos al lado izquierdo de cada desigualdad, para que slo
quede una constante en el lado derecho.
As, el modelo completo viene a ser
minimizar z = 0.3x
1
+ 0.9x
2


x
1
+ x
2
800
0.21x
1
- 0.30x
2
0
0.03x
1
- 0.01x
2
0
X
1
, x
2
0
La figura 2.3 muestra la solucin grfica del modelo. A diferencia del
modelo de Reddy Mikks (Ejemplo 2.2-1), la segunda y la tercera
restricciones pasan por el origen. Para graficar las rectas
correspondientes slo se necesita un punto adicional, que se puede
obtener asignando un valor a una de las variables y despejando la otra.
Por ejemplo, en la segunda restriccin x
1
= 200 produce 0.21 x 200
0.3x
2
= 0, es decir, x
2
= 140. Eso quiere decir que la recta 0.21x
1
0.3x
2

= 0 pasa por (0, 0) y (200, 140). Tambin obsrvese que no se puede
usar (0, 0) como punto de referencia en las restricciones 2 y 3, porque
ambas rectas pasan por el origen.
En lugar de ellos se puede usar cualquier otro punto, por ejemplo (100,
0) o (0, 100) para ese propsito.
Ya que en este modelo se busca minimizar la funcin objetivo,
necesitamos reducir todo lo posible el valor de z, en la direccin que
muestra la figura 2.3. La solucin ptima es la interseccin de las dos
rectas, x
1
+ x
2
= 800 y 0.21x
1
0.3x
2
= 0; as se obtienen x
1
= 470.6 lb
y x
2
= 329.4 lb. El costo mnimo correspondiente, de la mezcla de
alimentos, es z = 0.3 x 470.6 + 0.9 x 329.4 = $437.64 diarios.







2.2.3 Solucin grfica con TORA

El diseo del programa TORA le permite usarlo en modo tutorial o en
modo automtico (o si lo desea, una combinacin de los dos). Se
maneja con mens, y en consecuencia no requiere un manual del
usuario. Sin embargo, para su comodidad, se presenta una introduccin
a TORA en el apndice C.
La solucin grfica de problemas de programacin lineal con TORA
requiere los pasos siguientes:
1. Seleccione Linear Programming (programacin lineal) del men
MAIN menu (men principal).

2. Especifique el modo de captura (archivo existente o problema nuevo)
y el formato de captura.
3. En problemas nuevos, use la tabla de captura para ingresar los datos.
4. Oprima Solve Menu (men resolver).
5. Seleccione Solve Graphical (resolver grfico) del men
SOLVE/MODIFY (resolver/modificar).
6. Especifique el formato del resultado y a continuacin oprima GoTo
Output Screen (ir a la pantalla de resultados).
7. El modelo de programacin lineal se grafica y se resuelve.

La figura 2.4 muestra la solucin grfica del modelo de Reddy Mikks
(archivo ch2Tora-ReddyMikks.txt). En la ventana izquierda se ve la
programacin lineal algebraica. La ventana derecha comienza con un
primer cuadrante, con ejes x
1
y x
2
ya con escala adecuada, exactamente
como hara usted si estuviera graficando en un papel. Puede graficar la
programacin lineal de dos maneras: si hace clic en el rengln Click
here to graph LP in one stroke (clic aqu para presentar la grfica de
una vez) de la ventana izquierda, toda la programacin lineal se



FIGURA 2.4



Resultado grfico del modelo de Reddy Mikks obtenido con TORA

graficar de una vez. O bien, haciendo clic en las restricciones, una por
una (en cualquier orden) y a continuacin otro clic en la funcin objetivo
para producir una presentacin animada de la determinacin ptima.
Para tener ms flexibilidad al experimentar con el mdulo grfico de
TORA, se puede reiniciar toda la grfica haciendo clic en el rengln de
restriccin de no negatividad all xj>= 0 (todas las xj > 0) en la ventana
izquierda. Tambin puede modificar la programacin lineal del momento
haciendo clic en View/Modify (ver/modificar), resolviendo a continuacin
el nuevo modelo.

2.3 ANLISIS GRFICO DE SENSIBILIDAD

Un modelo de programacin lineal es una foto instantnea de una
situacin real en la que los parmetros del modelo (coeficientes de la
funcin objetivo y de las restricciones) asumen valores estticos. Para
aumentar la aplicacin de la programacin lineal en la prctica, se
necesita agregar una dimensin dinmica que investigue el impacto que
tiene hacer cambios en los parmetros del modelo (coeficientes de la
funcin objetivo y de las restricciones) sobre la solucin ptima. A este
proceso se le llama anlisis de sensibilidad, porque estudia la
sensibilidad de la solucin ptima respecto a los cambios que se hagan
en el modelo.
En esta seccin se investigarn dos casos de anlisis de sensibilidad
basados en la solucin grfica de la programacin lineal: 1) cambios en
los coeficientes de la funcin objetivo y 2) cambios en el lado derecho de
las restricciones. Aunque la presentacin es elemental y su alcance es
limitado, proporciona perspectivas fundamentales del desarrollo del
anlisis de sensibilidad. En el captulo 4 se describe una presentacin
completa del tema.

2.3.1 Cambios en los coeficientes de la funcin objetivo

La funcin objetivo en general en un problema de programacin lineal
con dos variables se puede escribir como sigue:
Maximizar o minimizar z= c
1
x
1
+ c
2
x
2
Los cambios de los coeficientes c
1
y c
2
harn cambiar la pendiente de z
y en consecuencia, posiblemente, el punto de esquina ptimo (vase
una ilustracin en la figura 2.1). Sin embargo, hay un intervalo de
variacin, tanto para c
1
como para c
2
, dentro del cual el ptimo del
momento permanece sin cambio. En forma especfica nos interesa
determinar el intervalo de optimalidad de la relacin

donde
se mantenga sin cambio la solucin ptima del momento. En el
siguiente ejemplo se ilustra el procedimiento.