SOLUCIÓN MODELOS DE PROGRAMACIÓN LINEAL - UN ENFOQUE

GRÁFICO

2.1. GENERALIDADES

La primera fase para emprender la solución a un problema de Programación

Lineal es formular y obtener el modelo. Considerada esta etapa la más
importante del proceso de aplicación, en la cual se necesita definir claramente
el problema y conceptualizar de una manera correcta el problema que presente
el sistema sobre el cual se pretende realizar la aplicación. La etapa siguiente
en el proceso es alcanzar la solución del modelo.

Desde el momento en que George Dantzig desarrolla el método simplex para

obtener la solución a un modelo de programación lineal, éste método ha sido
considerado el único método útil y aplicable a la gran mayoría de problemas de
programación lineal. Sin embargo para poder alcanzar una fuerte comprensión
del método simplex se hace necesario estudiar inicialmente dos métodos
complementarios de solución, el enfoque gráfico ó método de solución gráfica y
el método algebraico ó método de enumeración de soluciones básicas.

Para presentar el enfoque de solución gráfico para un modelo de programación

lineal, se utilizará un ejemplo prototipo que simula la toma de decisiones que
manifiesta la administración de una pequeña empresa. Este problema
empresarial será utilizado para presentar el proceso completo de programación
lineal, formulación, solución con enfoque gráfico, método de enumeración de
soluciones básicas, método simplex y teoría de dualidad.

2.2. EJEMPLO PROTOTIPO

Una empresa de confecciones produce dos tipos de uniformes escolares,

cuyas referencias son UNIF1 y UNIF2. La planta donde se fabrican los
uniformes opera 40 horas a la semana y emplea a cinco trabajadores de tiempo
completo y a dos de tiempo parcial, quienes trabajan 15 horas a la semana.
Estas personas operan las siete máquinas, entre máquinas de cocer y
fileteadoras las cuales se utilizan para fabricar cada uniforme. Los productos
salen del departamento de confección para ser empacados en el departamento
de empaque, el cual emplea a seis trabajadores de tiempo completo y a uno de
tiempo parcial quien trabaja 10 horas a la semana.

La empresa tiene una provisión casi ilimitada de materia prima que necesita
para producir los dos tipos de uniformes. Sin embargo puede vender cualquier
cantidad de UNIF1, pero la demanda del producto más solicitado, UNIF2, esta
limitada a lo más a 120 unidades por semana.

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

El departamento de contabilidad estima un margen de utilidad de $300 por
unidad de UNIF1 y de $500 por unidad de UNIF2.

Se consulta al analista de procesos para recoger la información sobre el tiempo

utilizado en los departamentos de confección y empaque. El departamento de
procesos presenta la información que se detalla en la siguiente tabla:

HORAS POR UNIDAD DE

UNIF1 UNIF2
Confección 2 1
Empaque 1 2

La empresa desea conocer el plan óptimo de producción para la próxima

semana1

Aplicando los criterios para la construcción y formulación de un modelo de

programación lineal, la situación de la pequeña empresa se plantearía de la
siguiente forma:

2.2.1. DEFINICIÓN DEL PROBLEMA

La empresa desea conocer cual es el número de uniformes escolares a fabricar

en la semana, de tal manera que se maximicen las utilidades totales.

2.2.2. IDENTIFICACIÓN DE LAS VARIABLES

X1 = unidades de uniformes tipo 1, UNIF1, a producir en la semana.

X2 = unidades de uniformes tipo 2, UNIF2, a producir en la semana.

2.2.3. MODELO FORMULADO

El modelo a solucionar es:

Maximizar UT = 300 X1 + 500 X2 [Utilidad Total]

1 Adaptado de MATHUR, Kamlesh y SOLOW, D., Investigación de Operaciones: el Arte de la

Toma de Decisiones, Prentice-Hall Hispanoamericana S.A., México, 1996.

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

 Sujeto a:

(R1) 2X1 + X2 ≤ 230 [Horas] Departamento de

Confección
(R2) X1 + 2X2 ≤ 250 [Horas] Departamento de
Empaque
(R3) X2 ≤ 120 [Unidades] Uniformes escolares
UNIF2
(R4) X1 ≥ 0 Restricción de no negatividad
(R5) X2 ≥ 0 Restricción de no negatividad

Observe que el modelo prototipo formulado tiene solamente dos variables de

decisión, UNIF1 y UNIF2, las cuales para facilitar la explicación se denotaran
como X1 y X2 respectivamente. Al poseer el modelo sólo dos variables de
decisión, se puede usar un procedimiento gráfico para resolverlo,
representando el modelo en un plano cartesiano X y Y.

2.3. ENFOQUE GRÁFICO DE SOLUCIÓN

Para obtener la solución al modelo utilizando el enfoque gráfico, se emplean los

siguientes procedimientos:

• Representar una región o área factible.

• Calcular el valor máximo o mínimo de la función objetivo en la región
factible.

2.3.1. REPRESENTAR UNA REGIÓN O ÁREA FACTIBLE

Se considera una región factible o área factible, como aquella región o plano en
el cual las variables de decisión de un modelo lineal satisfacen
simultáneamente todas las restricciones. Región que forma un polígono
convexo cerrado en el plano, o un poliedro cerrado convexo en el espacio.
Entonces, para obtener la región factible se concentra el análisis sobre las
restricciones del modelo, examinando cada una de ellas para graficarlas sobre
el plano cartesiano. La grafica de todas las restricciones representadas por
rectas forman una intersección, la región factible es aquella área donde todos
los pares ordenados (X1, X2) que pertenecen a ella cumplen con todas las
restricciones del modelo.

Cada restricción permite ciertos valores de (X1, X2) que satisfacen las
desigualdades. Los valores que satisfacen la desigualdad y pertenecen al área
factible se conocen como valores factibles o soluciones factibles (valores para
las variables de decisión que satisfacen simultáneamente todas las

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

restricciones). Los valores que no satisfacen alguna de las restricciones se
consideran valores infactibles. Se puede notar que la intersección de las
restricciones al formar la región factible permite un conjunto de infinitas parejas
(X1, X2) las cuales satisfacen todas las restricciones. Este conjunto de parejas
se reconocen como soluciones factibles y en conjunto forman el área factible.

Para hallar la región factible se utilizan los ejes de coordenadas del plano
cartesiano, los cuales representarán a las variables de decisión (X1, X2), ejes
donde se representan los valores mínimos y máximos que podrían tomar las
variables.

La restricción (R4) del modelo, X1 ≥ 0, permite solo valores positivos y la

restricción (R5), X2 ≥ 0, igualmente permite solo valores positivos, gráficamente
la restricción (R4) permite valores que están por encima del eje X1 y la
restricción (R5) solamente permite valores que estén a la derecha del eje X2,
ver gráfica 1.

Para obtener la gráfica de la recta de restricción R1, 2X1 + X2 ≤ 230, se

procede de la siguiente forma. Esta expresión es una desigualdad lineal cuya
grafica corresponde a los puntos ubicados en el lado izquierdo o derecho de la
recta 2X1 + X2 = 230, entonces:

a) Se transforma la restricción de desigualdad en igualdad.

2X1 + X2 = 230

b) Se obtienen los interceptos con lo ejes de coordenadas para graficar la

recta correspondiente a la desigualdad.

• Cuando X1 = 0 ⇒ X2 = 230
• Cuando X2 = 0 ⇒ X1 = 115

Los valores que se consideran para obtener la región factible corresponden a la

desigualdad lineal 2X1 + X2 ≤ 230 y no únicamente los valores de la ecuación
2X1 + X2 = 230, se utiliza la igualdad para poder graficar la recta de restricción.
Esto permite concluir que todos los puntos que pertenecen a la recta cumplen
con la restricción, sin embargo el objetivo de análisis para el enfoque gráfico de
programación lineal es determinar un área factible, por lo tanto se necesita
conocer que lado de la recta hacia la derecha o izquierda presenta valores que
cumplan con la desigualdad lineal. Note, que cuando se grafica la recta de
restricción el plano cartesiano se divide en dos semiplanos ubicados a la
derecha e izquierda de la recta. Para reconocer cual de los semiplanos cumple
con la desigualdad, se pueden utilizar dos formas:

• Se elige cualquier punto que no se encuentre en la recta, ubicado en

cualquiera de los dos semiplanos en que fue dividido el plano cartesiano
cuando se trazo la recta de restricción. Por ejemplo, si se toma el punto X1

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

 = 50 y X2 = 50 ubicado en el semiplano del lado izquierdo de la recta (ver
gráfica 1) y se reemplaza en la restricción R1

2(50) + (50) ≤ 230

⇒ 150 ≤ 230

La desigualdad se cumple, por lo tanto el área que satisface la restricción R1

es la ubicada en el semiplano del lado izquierdo de la recta, como se indica en
la gráfica 1. Se marca con flechas la dirección del semiplano que cumple con la
desigualdad.

Si al reemplazar X1 y X2 la desigualdad NO se cumple, entonces, el área que

satisface la restricción estaría ubicada hacia el semiplano del lado derecho de
la recta.

• Se elige como punto de referencia el origen de coordenadas, que puede

estar ubicado en uno de los dos semiplanos en que fue dividido el plano
cartesiano, se verifica si satisface o no la desigualdad representada por la
restricción. Esta forma es similar a la primera, su diferencia radica en ser
más ágil cuando se reemplaza directamente los valores de las
coordenadas X1 = 0 y X2 = 0 en la desigualdad.

Cuando la desigualdad que se analice sea una recta que pase por el origen de
coordenadas, se hace obligatorio utilizar un punto ubicado en alguno de los
semiplanos en que se dividió el plano cartesiano.

2(0) + (0) ≤ 230

⇒ 0 ≤ 230

Observe que la desigualdad se cumple, entonces el área que satisface la

restricción R1 es el área ubicada en el semiplano del lado izquierdo de la recta.

Se grafican todas las restricciones del modelo sobre el plano cartesiano,

utilizando una de las formas explicadas para reconocer los semiplanos que
cumplen con cada una de las restricciones. Observe que el resultado al
graficarlas, es una intersección de rectas de restricción sobre el plano
cartesiano, las cuales a su vez forman diferentes segmentos de área, uno de
estos segmentos de área es el área factible, región del plano que cumple con
las características de ser un polígono convexo y simultáneamente cumplir con
todas las restricciones del modelo. Para el ejemplo el área que cumple con
todas las restricciones es el área sombreada de la figura 2.

Los infinitos puntos en los límites y aquellos que se encuentran dentro del área
factible son soluciones factibles y dan origen a diferentes valores para las
variables X1 y X2, puntos que satisfacen con todas las restricciones y por lo

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

tanto son solución del modelo. De todas estas infinitas soluciones, solo una es
la solución óptima al modelo, aquella que produzca el mejor valor de la función
objetivo, si el objetivo del problema es de maximizar o el menor valor de la
función si el objetivo es de minimizar (ver teorema fundamental de la
programación lineal).

X2
R5

230

Punto(50,50)

R4

Punto(0,0) 115
X1
R1
Gráfica 1: Representación de recta de restricción

X2
R5

230

125

120
R3

Área R4
Factible

115 250 X1

R1 R2

Gráfica 2: Región o Área Factible

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

2.3.2. CALCULAR EL VALOR MÁXIMO O MÍNIMO DE LA FUNCIÓN
OBJETIVO EN LA REGIÓN FACTIBLE

Para calcular el valor máximo o mínimo de la función objetivo definido como

una solución óptima, se necesita encontrar un punto factible de la región que
proporcione el mayor o menor valor en la función objetivo.

2.3.2.1 TEOREMA FUNDAMENTAL DE LA PROGRAMACIÓN LINEAL: Si un

problema de Programación Lineal tiene región factible no vacía, entonces, si
realmente existe el óptimo (máximo o mínimo) de la función objetivo, este valor
se encuentra en un punto extremo (vértice) de la región factible.

Si una función alcanza el valor óptimo en dos vértices consecutivos de la

región factible, entonces alcanza también dicho valor óptimo en todos los
puntos del segmento de recta que determinan los dos vértices.

Se presentan dos métodos para alcanzar la solución óptima para un modelo de

programación lineal, un análisis gráfico y un método analítico. Estos métodos
aplicados en el ejemplo prototipo permiten comprobar intuitivamente la validez
del teorema fundamental de la programación lineal. Cuando la función alcanza
el valor óptimo en dos vértices consecutivos se reconoce como una solución
con óptimos alternativos, se explica en detalle en el ítem modelos lineales con
soluciones especiales. Sin embargo, si sólo existe un vértice del área que
proporcione el máximo (mínimo) de la función objetivo, se considera como
solución óptima y se constituye como solución única del problema

2.3.3. ANÁLISIS GRÁFICO

El análisis gráfico permite obtener la solución óptima directamente en la gráfica

cuando ya se ha determinado el área factible. Se elige un punto cualquiera de
la región factible, este punto es una solución factible por que cumple con todas
las restricciones. Sin embargo se necesita confirmar si es el mejor, el óptimo.
Por ejemplo, el punto de coordenadas X1 = 40 y X2 = 30, es una solución
factible con el cual la empresa obtendría un valor en la función objetivo de $
27.000. La línea que atraviesa por el punto se indica en la gráfica 3, ésta línea
se le conoce con el nombre de línea de función objetivo, por que representa a
la recta que forma la función objetivo cuando se reemplaza en ella los valores
de las variables. También se le llama de isoutilidades (si se maximiza) o de
isocosto (si se minimiza). Todos los puntos de la recta que se encuentren
dentro del área factible, son soluciones factibles que alcanzarían el mismo valor
de $27.000 en la función objetivo. Observe igualmente en la gráfica que si se
toma un punto por encima de esta recta, el valor de la función objetivo se
incrementa, el valor de las utilidades sería mayor. Por ejemplo, el punto X1 = 50
y X2 = 60, el cual representa también una solución factible, alcanzaría un nuevo

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

valor en la función objetivo de $ 45.000, en la gráfica la línea de función
objetivo 2. (Ver gráfica 3).

En este momento surge una pregunta. ¿Cuál es el punto del área factible que
genera la mejor solución al modelo?

Para hallar la solución óptima utilizando el análisis gráfico, se dibuja la línea de

función objetivo para un punto cualquiera que se encuentre dentro del área
factible como se explico. Este punto genera un valor de función objetivo, la
solución óptima se encuentra, si al reconocer la dirección hacia donde se
presenta un mejor valor de la función objetivo (dirección definida por el criterio
de maximización o minimización formulado para la función objetivo), se trazan
líneas paralelas en ese sentido, tomando como referencia la línea de función
objetivo trazada inicialmente, de tal manera que el último punto que “toque” el
área o región factible una paralela al abandonar esta región, este será el punto
óptimo, quien representara la SOLUCIÓN ÓPTIMA. Las rectas paralelas a la
línea de función objetivo del ejemplo tienen la misma pendiente (-3/5). Observe
en la gráfica 4, este último punto siempre corresponde a un punto ubicado en
los vértices que forman la región factible, como lo define el teorema
fundamental de programación lineal.

X2
R5

230

V2

125
V3
120
V4 R3
90

54 R4
Punto(50,60)
V5
Punto(40,30)
V1 90 115 150 250 X1

R1 R2

Línea de función Línea de función

objetivo 1 objetivo 2

Gráfica 3: Representación línea de función objetivo

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

Para el ejemplo prototipo los vértices que presenta el área o región factible son:

V1 = (0,0) V2 = (0,120) V3 = (10,120)

V4 = (70,90) V5 = (115,0)

Si se consideran nuevos puntos factibles que se ubiquen por encima de la línea

de función objetivo 2, el valor de la función objetivo se incrementara para cada
uno de ellos por que el objetivo del modelo es de maximización. El último punto
de la región factible que toca una de las paralelas al abandonar el área es el
punto ubicado en el vértice V4 (70,90) cuando se traza la línea de función
objetivo 3 (ver gráfica 4). Este será el punto óptimo que represente a la
SOLUCIÓN ÓPTIMA para el problema de la empresa de confecciones, el cual
produce un valor en la función objetivo de $66.000. Si se deseara aumentar
sólo un poco más el valor de la función objetivo a partir de $66000, la nueva
línea de función objetivo estaría completamente por fuera del área factible. Se
concluye entonces que el máximo valor que puede alcanzar la función objetivo
del modelo es de $66.000, para X1 = 70 y X2 = 90.

2.3.4. INTERPRETACIÓN DE LA SOLUCIÓN ÓPTIMA

X1* = 70 X2* = 90 UT* = 66.000

La solución sugiere que el plan óptimo de producción para la empresa de

confecciones es producir 70 unidades de uniformes escolares de referencia
UNIF1 y 90 unidades de uniformes con referencia UNIF2, con lo cual alcanzara
una utilidad máxima de $66.000 durante la semana.

El método de análisis gráfico genera un concepto teórico fundamental para la

programación lineal, si el problema tiene solución y esta solución es única, la
SOLUCIÓN ÓPTIMA se ubicara en uno de los vértices que forme la región
factible y es única por que no existirá otro vértice que presente un valor igual o
mejor en la función objetivo como lo sugiere el teorema fundamental de la
programación lineal. Algunos autores los denominan también PUNTOS
ESQUINA o PUNTOS FRONTERA a los vértices del área factible.

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

 X2
R5

230

SOLUCIÓN
ÓPTIMA ÚNICA
125
120
V 4 (70,90)
R3
90

54 Línea de función R5
objetivo 3

90 115 150 250

X1

R1 R2

Línea de función
Línea de función
objetivo 1
objetivo 2

Gráfica 4: Solución Óptima Análisis Gráfico

Recuerde que el recurso limitado que tiene la empresa es el tiempo (Horas) en

los departamentos, con la solución óptima obtenida la forma de utilizar este
recurso es la siguiente:

2X1 + X2 ≤ 230 [Horas] Depto de Confección

2(70) + 90 = 230
230 = 230

X1 + 2X2 ≤ 250 [Horas] Depto de Empaque

70 + 2+ (90) = 250
250 = 250

Se puede observar que con la solución óptima obtenida, se utiliza

completamente el recurso horas disponible en los dos departamentos. El
análisis del uso de los recursos se realiza más adelante cuando se exponga el
tema de Análisis de Sensibilidad.

2.3.5. MÉTODO ANALÍTICO

El método analítico es una consecuencia directa del análisis gráfico. Por lo

tanto, después de identificar la región factible al problema, se analizan los
vértices que forman la intersección de las rectas de restricción. Cada vértice se
forma por una pareja de pares ordenados X1 y X2, que al reemplazarse en la

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

función objetivo se obtiene el valor máximo o mínimo de la función
dependiendo del criterio utilizado para el problema maximización o
minimización.

Apoyándose en el álgebra lineal se construyen sistemas de ecuaciones para

aquellas rectas de restricción que forman cada uno de los vértices de la región
factible, la solución a cada sistema permite encontrar los valores X1 y X2 de
cada punto esquina. Se puede utilizar el método de eliminación de una
incógnita el cual utiliza tres procedimientos: eliminación de una incógnita,
eliminación por adición y sustracción o el procedimiento de eliminación por
sustitución. Cualquiera de ellos permite reconocer las coordenadas de cada
uno de los vértices que forman el área factible.

Por ejemplo el vértice 3 se forma por el cruce de las restricciones R2 y R3 (Ver

gráfica 5), representado por el siguiente sistema de ecuaciones:

X1 + 2X2 = 250

X2 = 120
X2
R5

230

V3 (10,120)

SOLUCIÓN
ÓPTIMA ÚNICA
125
120
V4 (70,90)
R3

V2 (0,120) REGIÓN O
ÁREA R5
FACTIBLE
115 250
V1 (0,0) X1
V5 (115,0) R1 R2

Gráfica 5: Solución Óptima Método Analítico

La solución al sistema permite obtener las coordenadas del vértice V3, X1 = 10

y X2 = 120

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

Después de encontrar las coordenadas de cada uno de los vértices del área
factible, se evalúan en la función objetivo.

VÉRTICE – PUNTO VALOR FUNCIÓN

X1 X2
ESQUINA OBJETIVO
V1 0 0 $0
V2 0 120 $ 60.000
V3 10 120 $ 63.000
V4 70 90 $ 66.000
V5 115 0 $ 34.500

Como se puede observar el vértice V4 es el que genera el mayor valor en la

función objetivo por que el objetivo del problema es maximizar las utilidades
totales, por lo tanto se considera como la solución óptima. La interpretación es
igual a la planteada con el análisis gráfico.

2.3.6. EJERCICIO DE APLICACIÓN

“Harinera del Sur”, posee para la producción de harina dos molinos. El molino 1
puede operar un máximo de 40 horas, mientras que el molino 2 puede operar
como mucho 60 horas por semana. Cada hora de operación del primer molino
produce 3 toneladas de harina, cada hora del segundo molino produce 4
toneladas de harina. La empresa ha adquirido compromisos con clientes para
producir por lo menos 180 toneladas de producto terminado. Una hora de
producción del molino 1 le cuesta a la organización $40.000 y una hora de
producción del molino 2 le vale $80.000. La empresa desea mantener los
costos tan bajos como sea posible. Por razones de política interna de la
empresa, la operación en horas del molino1 no debe ser mayor a 2 veces la
operación en horas del molino 2.
Formule éste problema como un modelo de programación lineal y halle su
solución utilizando el método gráfico.

2.4. MODELOS LINEALES CON SOLUCIONES ESPECIALES EN EL

ENFOQUE GRÁFICO

Cuando se soluciona un problema de programación lineal se presentan

diferentes tipos de solución. A continuación se detalla como se identifican los
tipos de solución y sus efectos cuando se soluciona el modelo. Tipos de
solución que tienen su explicación también con el método simplex y que se
realiza posteriormente.

Entre las causas más comunes para que se presenten soluciones especiales
en los modelos de programación lineal se pueden considerar: error en la
formulación del problema, equivocación al definir una restricción como ≤ siendo

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

realmente ≥, omisión al transcribir información del modelo formulado al
software.

2.4.1. SOLUCIÓN ÓPTIMA ÚNICA

Después de resolver el ejemplo prototipo utilizando el enfoque gráfico, se nota

que la solución óptima ocurrió en un punto extremo o de esquina de la región
factible. Se halló una región factible y en ella se encontró la solución óptima
para el problema, existe solo un punto X1 y X2 que son solución al modelo. Esta
situación se puede considerar como una solución única.

2.4.2. MODELOS LINEALES INFACTIBLES

Para explicar este tipo de solución se realiza una variación en el ejemplo

prototipo. Suponga que el gerente de ventas de la empresa de confecciones
informa que necesita firmar un contrato a largo plazo con un cliente para
vender como mínimo 200 unidades de uniformes escolares de referencia
UNIF1 para cada semana. Para obtener el nuevo plan de producción, se
necesita reformular el modelo para vincular en él la información del gerente de
ventas, se hace necesario vincular una nueva restricción que represente la
nueva situación. La situación se traduce en el modelo vinculando una nueva
restricción, restricción 4 (R4) de la siguiente forma: X1 ≥ 200. El nuevo modelo
quedaría formulado de la siguiente manera:

Maximizar UT = 300 X1 + 500 X2

Sujeto a:

(R1) 2X1 + X2 ≤ 230

(R2) X1 + 2X2 ≤ 250
(R3) X2 ≤ 120
(R4) X1 ≥ 200
(R5) X1 ≥ 0
(R6) X2 ≥ 0

Cuya gráfica, se presenta en la gráfica 6.

Observe que el sistema de ecuaciones NO presenta intersección para alcanzar

a formar una región factible. No es posible encontrar un área factible, no
existen vértices, no es posible aplicar el teorema fundamental de programación
lineal.

Se explica otro método que se puede utilizar en el método gráfico para

identificar la región factible: Observe que al trazar las rectas de restricción en el
plano cartesiano, se forman diferentes áreas, como se comento. El método
consiste en identificar TODAS las áreas y analizar cada una de ellas aplicando

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

el concepto del método gráfico: para ser área factible un punto X1 y X2 que se
encuentre dentro del área obligatoriamente debe cumplir con TODAS las
restricciones. Si un punto X1 y X2 no cumple con alguna de las restricciones, el
área al cual pertenece el punto no se puede considerar como área o región
factible.

En la gráfica 6, se visualizan las 8 áreas posibles generadas al dibujar las

rectas de restricción del modelo.

Si se analiza cualquier área, se puede observar que ninguna de ellas cumple

simultáneamente con todas las restricciones cuando se considere un punto X1
y X2 que pertenezca al área. Por ejemplo si se analiza la región A6, se toma un
punto que pertenezca al área y se analizan las direcciones de todas las
restricciones, el punto seleccionado no cumpliría con las restricciones R1 ni R4
(verifique todas las áreas). Cuando existe un área que no cumpla con todas las
restricciones, no es posible definir un área factible, la intersección de las
restricciones es un conjunto vacío, por lo tanto la región factible NO existe, es
imposible alcanzar una solución para el modelo. Esta situación se considera
como una Solución Infactible o Modelo Lineal Infactible, el modelo no tiene
solución. Una interpretación para la empresa de confecciones si se encontrara
esta situación al solucionar el modelo, sería que con los actuales recursos no
podría cumplir con el contrato del cliente para vender 200 unidades de
uniformes escolares de referencia UNIF1. Si a la empresa le interesa el
contrato, necesitará adquirir recursos adicionales para alcanzar a cumplir con la
demanda de 200 unidades.
X2
R6
R4

230

A1
A2
A3
125

120 A8
R3
A4
A5
A7 R5
A6
115 200 250 X1

R1 R2

Gráfica 6: Modelos lineales infactibles

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

2.4.3. MODELOS LINEALES ILIMITADOS – REGIÓN NO ACOTADA

Este tipo de modelos se conoce también como modelos con “solución no

acotada” y se presentan cuando la función objetivo puede mejorarse
indefinidamente, o sea, existen valores factibles de las variables que pueden
hacer del valor de la función objetivo tan grande como se desee cuando se está
maximizando y tan pequeño cuando se está minimizado. Una o varias variables
crecen o decrecen sin ninguna restricción, esto produce valores mayores y
menores en la función objetivo sin ningún limite. Suponga que por omisión, en
el modelo prototipo se invierte el signo de las desigualdades R1 y R2, el
modelo formulado y su gráfica correspondiente se presentan a continuación:

Maximizar UT = 300 X1 + 500 X2

Sujeto a:

(R1) 2X1 + X2 ≥ 230

(R2) X1 + 2X2 ≥ 250
(R3) X2 ≤ 120
(R4) X1 ≥ 0
(R5) X2 ≥ 0

X2
R5

230

125

120
R3

R4

115 250 X1
R2
R1

Gráfica 7: Modelos lineales ilimitados

Si se mueve la línea de función objetivo paralelamente a si mismo en la
dirección de mejora (maximizando o minimizando), la línea de función objetivo
nunca va a tocar un punto esquina (por que no existe) y por lo tanto jamás va a
abandonar el área factible, la región factible no tiene límite, es abierta, como lo

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

indica la gráfica 7. Una explicación para la empresa sería que puede alcanzar
una utilidad infinita, lo cual en la práctica es imposible.

Gráficamente se puede observar que la variable X1 no viola las restricciones,

crece indefinidamente y es la variable que aportaría un mayor valor a la función
objetivo. Nótese que no existe una solución acotada. Una causa para que se
presente este tipo de solución es haber ignorado vincular una restricción, que al
ubicarla posteriormente es posible alcanzar una solución óptica única. Por
ejemplo limitar la demanda de los uniformes tipo 1 en 600, esto permitirá acotar
la región y poder encontrar un área factible. Verifique esta situación y
encuentre la solución óptima.

2.4.4. MODELOS LINEALES DEGENERADOS – RESTRICCIONES

REDUNDANTES

Este tipo de solución se presenta cuando existe una restricción en el modelo

que no participa en la intersección de las rectas de restricción para formar el
área factible. A la restricción que no hace parte del área factible se le conoce
como restricción redundante, es una restricción que no hace parte de la región
factible sin embargo cumple con todos los puntos que pertenecen al área
factible. Para identificar en la aplicación del método gráfico una solución
degenerada suponga en el ejemplo prototipo que el departamento de mercadeo
de la empresa determina por un estudio de investigación de mercados que la
demanda de uniformes escolares de referencia UNIF1 para cada semana no
puede ser mayor de 150 unidades. Esta situación obliga a vincular una nueva
restricción al modelo original: X1 ≤ 150. Observe la nueva formulación y su
respectiva grafica del nuevo modelo.

Maximizar UT = 300 X1 + 500 X2

Sujeto a:

(R1) 2X1 + X2 ≤ 230

(R2) X1 + 2X2 ≤ 250
(R3) X2 ≤ 120
(R4) X1 ≤ 150
(R5) X1 ≥ 0
(R6) X2 ≥ 0

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

 X2
R4
R6

230

125

120
R3

R5

115 150 250 X1

R1 R2

Gráfica 8: Modelos lineales degenerados

El área sombreada representa a la región factible, note en la gráfica 8 que la

restricción 4 (R4) no participa en la intersección para obtener esta área, sin
embargo cualquier punto que se encuentre dentro del área factible cumple con
la desigualdad representada por la restricción 4. Esta restricción se considera
redundante, se puede suponer que la restricción “sobra” por que no afecta a la
región factible. Con la restricción o sin ella, la solución del modelo seguiría
siendo la misma.

El efecto de esta situación en los modelos de programación lineal es que

aumenta trabajo en la solución bien sea manual o con software. La
recomendación cuando se está formulando el modelo es no preocuparse si se
incluyen las restricciones redundantes. Si se piensa que se necesita una
restricción que sea redundante es mejor incluirla en el modelo.

2.4.5. MODELOS LINEALES CON SOLUCIONES ÓPTIMAS

ALTERNATIVAS

Este tipo de solución se conoce también como modelos con infinitas soluciones
óptimas. Se presenta cuando algunos modelos tienen más de una solución
óptima, existen dos vértices de la región factible que alcanzan el mismo valor
óptimo en la función objetivo. A cada una de las soluciones se les conoce como
solución óptima alternativa. Significa que existen diferentes valores factibles X1
y X2 que producen el mismo valor óptimo en la función objetivo. Ocurre cuando
la recta de función objetivo es paralela a uno de los lados del área factible.

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

Para realizar la aplicación al ejemplo prototipo, se modifica los datos en la
función objetivo, suponga que el margen de ganancia del producto uniformes
tipo 1 UNIF1, no es de $300 por unidad si no de $ 200 por unidad. De la misma
forma para el producto, uniformes tipo 2 UNIF2, cuyo margen de ganancia era
de $500 por unidad ahora sea de $400 por unidad. Esto obliga a una nueva
formulación del modelo, el cual se representaría de la siguiente forma:

Maximizar UT = 200 X1 + 400 X2

Sujeto a:

(R1) 2X1 + X2 ≤ 230

(R2) X1 + 2X2 ≤ 250
(R3) X2 ≤ 120
(R4) X1 ≥ 0
(R5) X2 ≥ 0

Una de las soluciones óptimas (verifíquela) para éste modelo sería:

X1* = 10
X2* = 120
UT* = 50.000

Al graficar este modelo en el plano cartesiano se observa cómo la recta de

función objetivo es paralela a uno de los lados de la región factible, grafica 9.
Para el caso, el segmento de recta CD del área factible es paralelo a la línea de
función objetivo, segmento de recta que une dos vértices del área. En este
segmento de recta la línea de función objetivo toca infinitos puntos cuando
tenga la misma pendiente que la restricción 2 R2. Cada uno de estos puntos X1
y X2 que pertenecen al segmento de recta, es solución óptima y producen el
mismo valor en la función objetivo cuando se remplacen en ella (confírmelo
utilizando el método analítico).

Las soluciones con óptimos alternativos tienen un nivel de importancia cuando

se presentan en la solución de los modelos de programación lineal. Para el
analista de investigación de operaciones y para la empresa, este tipo de
solución aumenta el espectro para la toma de decisiones, ya no se limita a una
sola opción para tomar la decisión, la solución puede presentar varias
alternativas de decisión. La decisión a elegir depende de situaciones externas
al modelo e inherentes al sistema que se este modelando.

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva

X2
R6

230

125
C
120
D R3
75

R5

115 150 250

X1

R1 R2

Línea de función objetivo

Gráfica 9: Modelos lineales con óptimos alternativos

Investigación de Operaciones I – Jorge Eduardo Calpa Oliva