TEMA

INTRODUCCION
La programacin lineal es actualmente la tcnica matemtica
utilizada mas actualmente gracias a que el algoritmo simplex es
muy eficiente y al desarrollo de la computacin.
Lo que se busca con la aplicacin de la programacin lineal es
resolver problemas comunes y a la vez muy variados de la
empresa en donde en general se tienen necesidades por
satisfacer con cierto nmero de recursos limitados o escasos y
con el objetivo de lograrlo en forma ptima. Esto significa la
bsqueda de un valor mximo cuando se trata de beneficios; o
bien la bsqueda de un mnimo cuando se trata de esfuerzos a
desarrollar.

La programacin lineal es una tcnica de

modelado (construccin de modelos).
La programacin lineal (PL) es una tcnica
matemtica de optimizacin, es decir, un
mtodo que trata de maximizar o minimizar
un objetivo.
Su inters principal es tomar decisiones
ptimas.
Se usa mucho en la industria militar y en la
petrolera. S i bien esos sectores han sido
quiz los principales usuarios de ella, el
sector servicios y el sector pblico de la
economa tambin la han aprovechado
ampliamente.

ESTRUCTURA BSICA DE UN PROBLEMA DE

PROGRAMACIN LINEAL (PL)
Un problema de PL consta
de una funcin objetivo
(lineal) por maximizar o
minimizar, sujeta a ciertas
restricciones en la forma de
igualdades o desigualdades.

CONCEPTOS CLAVE:

Funcin

funcin

objetivo:

por

La

optimizar

(maximizar o minimizar).

Restricciones:
Representan condiciones
que es preciso satisfacer.

Sistema de igualdades y
desigualdades (< 1).

TIPO DE RESTRICCIONES

SOLUCIN GRFICA DE PROGRAMACION LINEAL

Cuando un modelo de programacin lineal se expresa en trminos de dos
variables puede resolverse con procedimientos grficos.

CONCEPTOS CLAVE:

CONJUNTO FACTIBLE: Es el conjunto de puntos que

integran la regin de resolucin
SOLUCIN FACTIBLE: Cada punto que integra la
regin (plana) que resuelve el problema
SOLUCIN PTIMA: Constituye la solucin al
problema de programacin lineal

LA IMPORTANCIA DE LA LINEALIDAD
1. Los modelos de Programacin
Lineal exigen que tanto las
expresiones de las restricciones
como de los objetivos se hagan de
modo lineal.

5. Desde luego en cada ocasin

hay que comprobar que es posible
resolver mediante Programacin
Lineal, es decir, comprobar que el
modelo se ajusta suficientemente a
la realidad.

4. Los modelos de Programacin Lineal

son ms fciles de resolver puesto que
en el espacio de soluciones factibles
siempre ser posible encontrar una
solucin en vrtice, reduciendo de este
modo el espacio de posibles soluciones
ptimas a un nmero finito de las
mismas.

2. Para muchos problemas prcticos sta

es una consideracin que impide el uso
de la Programacin Lineal (aunque
existen modos de reconvertir modelos de
Programacin no-Lineal en modelos de
Programacin Lineal).

3. La principal razn por la que los

modelos de Programacin Lineal
son preferibles es porque son
mucho ms fciles de resolver.

BLENDING (MEZCLA). Este tipo

de problemas considera las
decisiones relativas a la mejor
generacin de uno o varios
productos resultados de una
mezcla.

PROBLEMA DEL TRANSPORTE.

Consiste en definir, en una red de
suministro, los centros que deben
producir, la cantidad a producir y el
destino
de
esta
produccin,
teniendo en cuenta costes de
transporte y/o de almacn, adems
de
beneficios
esperados
y
limitaciones
en
los
recursos
disponibles.

6. Pese a sus restricciones

evidentes por las caractersticas
de las variables y las funciones,
tiene una amplia variedad de
aplicaciones. Algunos de los
problemas
clsicos
de
Programacin Lineal son:

DECISIN DE INVERSIONES. Otro

de los problemas clsicos consiste en
seleccionar la mejor cartera de
inversiones minimizando riesgos o
maximizando beneficios dado un
conjunto de limitaciones en los
recursos.

PRODUCT MIX (CATLOGO DE

PRODUCTOS). En su versin
ms bsica pretende establecer
la proporcin de productos a
fabricar dados unos recursos
limitados y unos beneficios
esperados

 Quiz uno de los aspectos

ms curiosos para el
modelador novel son los
parmetros de los modelos.
No se sabe exactamente se
suele asumir que los
parmetros del modelo
existen, son ciertos y son
conocidos.

El modelador quiere creer que

valores como el coste o la
duracin de un cambio de
partida, el ritmo de produccin
o su coste asociado, la
capacidad de la mquina
(medida
en
horas,
en
unidades?), el precio de los
productos, o el nivel de stock
en un momento dado para un
determinado producto, es
conocido.

Esto no es as en
prcticamente
ninguna
empresa para casi ningn
datos. Comenzando por
la demanda que siempre
es incierta por sus
propias
caractersticas,
siguiendo por los costes
que dependen del modo
de clculo

Dado un conjunto de restricciones,

diferentes
funciones
objetivo
conducirn a diferentes soluciones. Si
diferentes funciones objetivo dan lugar
a la misma solucin es
conveniente analizar la
estructura del modelo
puesto que puede
aportar un mejor
entendimiento del
1. DEFINICIN
problema.

OBJETIVOS
(POR ACABAR)

4. EL MTODO
DE LAS
PONDERACIONES

Un modo de abordar este

tipo de problemas es
optimizar la suma ponderada
de los valores de cada objetivo.
aunque esto no es siempre posible.
Los pesos deben ser relativos (o
valores monetarios o similares) y
deben tener en cuenta el rango de
accin de cada variable. Al sumar
diferentes objetivos, aunque sean
ponderados, se est introduciendo un
cierto grado de arbitrariedad por lo
que ser necesario comprobar que el
resultado .

DE

El caso de los Objetivos Simples es el caso

ms sencillo, generalmente se pretenden
maximizar beneficios o
minimizar costes.
La principal ventaja de estos
objetivos es que los
diferentes factores se ven
reducidos a una
unidad comn

2. PROBLEMAS
MONO OBJETIVO

3. PROGRAMACIN
MULTI-OBJETIVO
Es Programacin
Matemtica, puesto que
conceptualmente
pertenece a ella con la
caracterstica de la existencia de
ms de un objetivo (lo que por otro
lado es ms habitual en la realidad
que el caso de un solo objetivo).

MTODO DE LAS RESTRICCIONES

5.
Otro modo interesante de
abordar estos problemas es el
denominado
metodo
de
resticciones.
En
ella
los
objetivos
se
ordenan
po
importancia y se vasa tratandio
de optimizar uno detras de otro,
fijando en cada casocomo
restriccion que el valor de las
funciones objetivos mas ha
de
ser
igual
al
optimo
encontrado.

ESTE ES UN EJEMPLO CLARO DE PROGRAMACION LINEAL

TIPOS BSICOS DE RESTRICCIONES EN DIRECCIN DE

OPERACIONES
Las restricciones son expresiones de relaciones entre variables. Dichas relaciones
se representan mediante restricciones en la programacin matemtica, y tienen la
formulacin de una combinacin lineal de variables limitada por un determinado
valor. Las restricciones se pueden clasificar en funcin de la realidad que pretenden
representar, o en funcin de su relacin con el resto del modelo matemtico. Segn
su relacin con la realidad que pretenden representar se pueden encontrar las
siguientes:
A). DE CAPACIDAD. Se limita el
consumo de capacidad productiva de un
conjunto de
recursos/productos/operaciones.
B). DE MATERIA PRIMA. Se limita el
consumo de un determinado conjunto de
productos (y en consecuencia la
produccin de un conjunto de productos)
segn la cantidad de materia prima
disponible en cada momento.

C) LIMITACIONES EN LA DEMANDA DEL MERCADO. Se limita la produccin de un

producto en funcin de la venta estimada de ste.

C.1 RESTRICCIONES DE CONTINUIDAD O BALANCE DE MATERIALES O ENERGA. En

programacin multiperiodo, los productos que quedan al final de un periodo son las
que hay al principio del siguiente. Tambin si un producto se descompone en otras
unidades la suma de las cantidades descompuestas es igual a la cantidad original (o
con un factor de rendimiento). Son tambin restricciones de continuidad las que

conectan los diferentes arcos que entran o salen de un nodo (por ejemplo en problemas
de distribucin de energa).
C.2 ESTIPULACIONES DE CALIDAD. Al planificar la produccin de productos, se
pueden establecer restricciones en funcin de las caractersticas de calidad de la
mezcla y de las materias primas.

C.3 RELACIONES DE TIPO LGICO. En ocasiones las restricciones tienen forma de

expresin lgica, "si consumes ms de 40kw, hay que activar un segundo generador".

MTODO SIMPLEX DE DANTZIG

Este mtodo, es un algoritmo que parte de una solucin bsica posible y
encuentra otra que mejora el valor de la funcin objetivo.
Este procedimiento se repite hasta que se alcanza el ptimo, si ste existe, o
se arriba a una condicin de final anormal.
El mtodo realiza una bsqueda eficiente pero no necesariamente recorriendo
la ruta ms corta.
El mtodo hace uso de una tabla de coeficientes de m + 1 filas,
correspondiendo a las m restricciones y a la funcin objetivo y n + m + 2
columnas donde n primeras corresponden a las variables originales, las m
siguientes a las flojas, la penltima a la variable asociada a la funcin objetivo y
la restante contiene los trminos independientes de las restricciones. .
La funcin objetivo Z = C0 + Cj Xj se incorpora a la tabla bajo la forma Z - Cj
Xj = C0 y es posible considerar a Z como una variable ms.
Dichas condiciones pueden ser inexistencia de una zona de soluciones
posibles u ptimo en el infinito.
Esto es vlido para problemas donde todas las restricciones son del tipo aij Xj
di con di 0. Ms adelante se ver como se modifica esta matriz para otros
casos.

PROGRAMACIN NO-LINEAL
Los modelos de programacin no-lineal son mucho ms complejos de
resolver que sus anlogos lineales. Adems en muchos paquetes
aunque se encuentra una solucin sta no es necesariamente ptima.
Sin embargo es posible convertir relaciones no-lineales en
aproximaciones lineales. Para poder tomar la decisin acerca de qu
mtodo de resolucin es ms apropiado es importante conocer si el
problema es convexo o no-convexo.

APLICACIONES TPICAS:

Planeacin de operaciones y ventas para encontrar el

Programacin de vehculos (mtodo de transporte),

encontrar la ruta ptima para utilizar los recursos de

programa de produccin que tenga el costo mnimo.

transporte

que

involucren

el

movimiento

de

Anlisis de la productividad en la produccin o

productos o materiales de varios puntos llamados

servicios, considerar el grado de eficiencia con el cual

origen hacia otros puntos llamados destinos.

los establecimientos de servicios y de manufactura

Control de procesos, minimizar el volumen de

desperdicio de material generado en los procesos de

estn utilizando sus recursos en comparacin con la

produccin, tales como cortes de acero, pieles o

unidad que tiene mayor desempeo.

Planeacin de los productos, encontrar la mezcla

telas.

Control de inventario, encontrar la combinacin

ptima de productos a mantener en existencia

ptima de productos, considerando que varios

dentro de una red de almacenes para garantizar el

productos requieren diferentes recursos y tienen

abastecimiento de las demandas de las lneas de

distintos costos.

produccin.

Rutas de los productos se refiere a encontrar el

Otras aplicaciones que se pueden mencionar estn

la programacin de la distribucin de embarques, los

camino ptimo para fabricar un producto que debe

estudios para ubicar una planta entre distintas

ser procesado en secuencia.

alternativas

los

programas

materiales con un costo mnimo.

de

manejo

de

MTODO MATEMTICO:

Como se pudo observar, la solucin ptima

de cualquier modelo de programacin lineal
se encuentra en uno de los puntos o
vrtices que conforman el polgono del
espacio solucin, los cuales se forman por
las intersecciones de las restricciones del
modelo. El enfoque matemtico aprovecha
esa situacin, y emplea el lgebra para
encontrar
esos
puntos
de interseccin a travs de la solucin de
cada sistema de ecuaciones (inecuaciones)
que se forma con cada par de restricciones
y luego evaluando esos puntos en
la
funcin
objetivo
se
determina
la solucin ptima, ya sea el mayor valor
para los casos de maximizacin, como el
menor
valor
para
los
casos
de
minimizacin.

Existen diversas aplicaciones y/o

paquetes de software en el
mercado que se pueden descargar
de manera gratuita. Se les
recomienda a los estudiantes
para la solucin de problemas
de programacin lineal buscar por
alguno de estos:
LINDO / LINGO
MPL / CPLEX

REPRESENTACIN MATEMTICA DE UN
PROBLEMA DE PL
Funcin objetivo

Z = c1X1 + c2X2 + ... + cnXn

Relaciones entre Requerimientos y Disponibilidad de Recursos

a11X1 + a12X2 + ..... + a1nXn <= b1

............................................. <= ..
am1X1 + am2X2 + ..... + amnXn <= bm

Xj = variables de decisin
cj = costos o ingresos por unidad
aij = coeficientes insumo producto
bi = disponibilidad de recursos

Este problema es un ejemplo tpico de un problema de programacin lineal (PPL).

Variables de
Decisin
x = n de muecos
producidos a la
semana
y = n de trenes
producidos a la
semana

Funcin Objetivo. En cualquier

PPL, la decisin a tomar es como
maximizar (normalmente el
beneficio) o minimizar (el coste) de
alguna funcin de las variables de
decisin. Esta funcin a maximizar
o minimizar se llama funcin
objetivo.

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
funcin objetivo. La funcin
objetivo de Gepetto es:

Max z = 3x + 2y

Restricciones
Son desigualdades que
limitan los posibles valores
de las variables de
decisin.
En este problema las
restricciones vienen dadas
por la disponibilidad de
horas de acabado y
carpintera y por la
demanda de muecos.
Tambin suele haber
restricciones de signo o no
negatividad:
x0
y0

Restricciones
Cuando x e y crecen, la funcin objetivo de Gepetto tambin crece. Pero no puede
crecer indefinidamente porque, para Gepetto, los valores de x e y estn limitados
por las siguientes tres restricciones:
Restriccin 1: no ms de 100 horas de tiempo de acabado pueden ser usadas.

Restriccin 2: no ms de 80 horas de tiempo de carpinteria pueden ser usadas.

Restriccin 3: limitacin de demanda, no deben fabricarse ms de 40 muecos.

Estas tres restricciones pueden expresarse matematicamente por las

siguientes desigualdades:
Restriccin 1: 2 x + y 100
Restriccin 2:

x + y 80

Restriccin 3:

x 40

Adems, tenemos las restricciones de signo: x 0 e y 0

Formulacin matemtica del PPL

Variables de Decisin
x = n de muecos producidos a la semana
y = n de trenes producidos a la semana

Mueco

Tren

Beneficio

Acabado

100

2 x + y 100

Carpintera

80

x + y 80

Demanda

Max z = 3x + 2y (funcin objetivo)

40

(acabado)
(carpinteria)

40 (demanda muecos)

0 (restriccin de signo)
y 0

(restriccin de signo)

Formulacin matemtica del PPL

Para el problema de Gepetto, combinando las restricciones de signo x 0 e
y 0 con la funcin objetivo y las restricciones, tenemos el siguiente modelo
de optimizacin:

Max z = 3x + 2y

(funcin objetivo)

Sujeto a (s.a:)

2 x + y 100
x + y 80

(restriccin de acabado)
(restriccin de carpinteria)

40

(restriccin de demanda de muecos)

(restriccin de signo)

y 0

(restriccin de signo)

Regin factible
La regin factible de un PPL es el conjunto de todos los puntos que satisfacen
todas las restricciones. Es la regin del plano delimitada por el sistema de
desigualdades que forman las restricciones.

x = 40 e y = 20 est en la regin factible

porque satisfacen todas las restricciones
de Gepetto.
Sin embargo, x = 15, y = 70 no est en la
regin factible porque este punto no
satisface la restriccin de carpinteria
[15 + 70 > 80].

Restricciones de Gepetto
2x + y 100 (restriccin finalizado)

x + y 80 (restriccin carpintera)
x

40 (restriccin demanda)

(restriccin signo)

y 0

(restriccin signo)

Solucin ptima
Para un problema de maximizacin, una solucin ptima es
un punto en la regin factible en el cual la funcin objetivo
tiene un valor mximo. Para un problema de minimizacin,
una solucin ptima es un punto en la regin factible en el
cual la funcin objetivo tiene un valor mnimo.

La mayora de PPL tienen solamente una solucin ptima.

Sin embargo, algunos PPL no tienen solucin ptima, y
otros PPL tienen un nmero infinito de soluciones.

Se puede demostrar que

la solucin ptima de
un PPL est siempre en
la frontera de la regin
factible, en un vrtice (si
la solucin es nica) o en
un segmento entre dos
vrtices contiguos (si
hay infinitas soluciones)

Ms adelante veremos que la solucin del PPL de Gepetto es

x = 20 e y = 60. Esta solucin da un valor de la funcin
objetivo de:

z = 3x + 2y = 320 + 260 = 180

Cuando decimos que x = 20 e y = 60 es la solucin ptima, estamos diciendo que,
en ningn punto en la regin factible, la funcin objetivo tiene un valor
(beneficio) superior a 180.

Representacin GrficaYde las restricciones

Cualquier PPL con slo dos variables
puede resolverse grficamente.
100

Por ejemplo, para representar

grficamente la primera restriccin, 2x
+ y 100 :
Dibujamos la recta 2x + y = 100

2x + y = 100
80

60

Elegimos el semiplano que cumple

la desigualdad: el punto (0, 0) la
cumple
(20 + 0 100),
as que tomamos el semiplano que
lo contiene.

40

20

20

40

60

80

Dibujar la regin factible

Puesto que el PPL de Gepetto tiene dos variables, se puede resolver grficamente.
La regin factible es el conjunto de todos los puntos que satisfacen las restricciones:

2 x + y 100 (restriccin de acabado)

x + y 80 (restriccin de carpintera)
x

40 (restriccin de demanda)

(restriccin de signo)

y 0

(restriccin de signo)

Vamos a dibujar la regin factible que satisface estas restricciones.

Dibujar la regin factible

Y

Restricciones

2x + y = 100

100

2 x + y 100

x + y 80
x

40

80

60

y 0
40

Teniendo en cuenta las

restricciones de signo
(x 0, y 0), nos
queda:

20

20

40

60

80

Dibujar la regin factible

Y

100

Restricciones

80

2 x + y 100
x + y 80
x

40

60

x + y = 80

40

y 0
20

20

40

60

80

Dibujar la regin factible

Y

100

Restricciones

80

x = 40

2 x + y 100
x + y 80
x

40

60

40

y 0
20

20

40

60

80

Dibujar la regin factible

La interseccin de
todos estos
semiplanos
(restricciones) nos
da la regin factible

2x + y = 100

100

80

x = 40

60

x + y = 80
40

20

Regin
Factible

20

40

60

80

Vrtices de la regin factible

La regin factible (al estar
limitada por rectas) es un
polgono.
En esta caso, el polgono
ABCDE.
Como la solucin ptima
est en alguno de los
vrtices (A, B, C, D o E) de la
regin factible, calculamos
esos vrtices.

Restricciones

2 x + y 100

80

60

x + y 80

2x + y = 100

100

x = 40

40

y 0

D
x + y = 80

40

20

Regin
Factible

C
B

20

40

60

80

Vrtices de la regin factible

Los vrtices de la regin factible son
intersecciones de dos rectas. El punto
D es la interseccin de las rectas
2x + y = 100
x + y = 80
La solucin del sistema x = 20, y = 60
nos da el punto D.

100

2x + y = 100
80

E(0, 80)

x = 40

D (20, 60)
60

B es solucin de
x = 40
y=0
C es solucin de
x = 40
2x + y = 100
E es solucin de
x + y = 80
x=0

40

20

Regin
Factible

C(40, 20)
x + y = 80

B(40, 0)
A(0, 0)

20

40

60

80

Resolucin grfica
Y

Max z = 3x + 2y
Para hallar la solucin
ptima, 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

100

(0, 80)
80

(20, 60)
60

40

20

Regin
Factible

(40, 20)
(40, 0)

(0, 0)

20

z=0

40

z = 100

60

80

z = 180

Resolucin grfica

Max z = 3x + 2y
100

La ltima recta de z
que interseca (toca)
la regin factible
indica la solucin
ptima para el PPL.
Para el problema de
Gepetto, esto ocurre
en el punto D (x = 20,
y = 60, z = 180).

(0, 80)
80

(20, 60)
60

40

20

Regin
Factible

(40, 20)

(40, 0)
(0, 0)

20

z=0

40

z = 100

60

80

z = 180

Resolucin analtica
Y

Max z = 3x + 2y
Tambin podemos encontrar la
solucin ptima calculando el valor de
z en los vrtices de la regin factible.

100

80

Vrtice
(0, 0)
(40, 0)
(40, 20)
(20, 60)
(0, 80)

z = 3x + 2y
z = 30+20 = 0
z = 340+20 = 120
z = 340+220 = 160
z = 320+260 = 180
z = 30+280 = 160

(20, 60)
60

40

20

La solucin ptima es:

x = 20 muecos
y = 60 trenes
z = 180 de beneficio

(0, 80)

Regin
Factible

(40, 20)
(40, 0)

(0, 0)

20

40

60

80

Hemos identificado la regin factible para el

problema de Gepetto y buscado la solucin
ptima, la cual era el punto en la regin
factible con el mayor valor posible de z.

Recuerda que:
La regin factible en cualquier PPL est
limitada por segmentos (es un polgono,
acotado o no).
La regin factible de cualquier PPL tiene
solamente un nmero finito de vrtices.
Cualquier PPL que tenga solucin ptima
tiene un vrtice que es ptimo.