24 Programación Lineal

Centro de Altos Estudios Universitarios de la OEI
Curso Iberoamericano de formación permanente

de profesores de matemáticas
Tema 24: Programación lineal
1
Programación lineal
Contenido de este documento:

Introducción
Concepto de Programación lineal
Resolución del problema bidimensional
Resolución de un problema paso a paso
Método gráfico
Tipos de soluciones
Problema del transporte.
Más ejemplos
Nota: Método del simplex
Bibliografía
1. Introducción
La programación lineal es una técnica matemática relativamente

reciente. En 1939 el matemático ruso Leonid Kantarovitch (premio
Nobel en economía 1975) publica “Métodos matemáticos de
organización y planificación de la producción” que por razones
ideológicas no se divulgó hasta dos décadas posteriores. En este libro
se define de forma precisa y rigurosa una teoría matemática aplicable
a infinidad de problemas de optimización. Con anterioridad, grandes
matemáticos como Newton, Leibnitz y Lagrange se interesaron por la
obtención de máximos y mínimos pero fue el francés Joseph Fourier
(1768-1830) el primero en intuir, aunque no con excesiva
rigurosidad, los métodos que hoy conocemos como programación
lineal.
En 1949, George B. Dantzig publicó el “Método simplex” para resolver
programas lineales, introduciendo explícitamente la función objetivo y
reduciendo drásticamente el número de posibles soluciones óptimas.
A partir de esa fecha, un gran número de científicos han contribuido
al campo de la programación lineal en muchas formas, incluyendo
desarrollos teóricos, aspectos de computación y exploración de
nuevas aplicaciones. El método del simplex de programación lineal
tiene mucha aceptación debido a su habilidad para modelar
importantes problemas de decisión en las áreas administrativas
además de su capacidad para producir soluciones en un tiempo
razonable. En este sentido, los ordenadores han contribuido de forma
determinante a mejorar y agilizar dichos métodos.
Dentro de las extensas aplicaciones de la programación lineal
podemos encontrar el problema de la dieta en la que se busca la
2
mejor combinación de alimentos para una dieta con el mínimo coste,

el problema de la producción que busca maximizar beneficios o
minimizar gastos en función de los recursos de los que se dispone y
el problema del transporte que minimiza los costes de distribución
y los tiempos empleados en la distribución de mercancías.
La programación lineal en la posguerra (2ª Guerra Mundial): En 1948

la ciudad alemana de Berlín se encuentra dividida entre la parte soviética y la
de los países aliados (Inglaterra y Estados Unidos principalmente), es
entonces cuando los rusos deciden bloquear las comunicaciones terrestres y
dejar sin abastos a los aliados. Los americanos deciden montar un ambicioso
puente aéreo, basado en técnicas de programación lineal, para abastecer la
ciudad. En diciembre de 1948, se comienza transportando 4 500 toneladas
diarias de abastos llegando a 8000 toneladas en marzo de 1949, y así
alcanzando la cantidad que se transportaba por tren y carretera antes del
bloqueo. El 12 de mayo de 1949, los soviéticos desisten y levantan el bloqueo.
2. Concepto de Programación lineal

Los problemas de optimización, en general, están relacionados con la
asignación de recursos de la mejor manera posible. Ello implica la
determinación de los valores óptimos de un conjunto de variables que
deben verificar ciertas restricciones sobre los valores que pueden
tomar.
Definición Un problema de Programación lineal es un problema

de optimización para el que se verifica lo siguiente:
a) Se trata de maximizar o minimizar una función

lineal de las variables decisión, que se denomina
función objetivo.
b) Los valores de las variables deben satisfacer un
conjunto de restricciones, cada una de las cuales
puede escribirse como una ecuación o inecuación
lineal.
Si utilizamos el lenguaje matemático para definir el problema

podríamos decir que el objetivo principal de la Programación lineal es
la resolución de problemas del tipo:
max{f(x) / xS} ó min{f(x) / xS} , donde Sn y f:S
3
A cada elemento de S se le llama solución factible; a S se le llama

región factible y a f se le llama función objetivo.
En estos problemas de optimización, se plantea la búsqueda de una

solución factible x0 donde f alcanza su mayor (o menor) valor. En
dicha búsqueda nos podemos encontrar con las siguientes
situaciones:
Problema no factible: cuando no existe ninguna solución factible,

es decir, S= (conjunto vacío).
Problemas factibles:
a) Problema no acotado: cuando existan soluciones que hagan

ascender infinitamente a la función objetivo, es decir, cuando
para cualquier valor real M siempre existe un xS tal que
f(x)>M, y en tal caso escribiremos max{f(x) / xS}=+.
Análogamente, cuando existan soluciones que hagan descender

infinitamente a la función objetivo, es decir, cuando para cualquier
valor real M’ siempre existe un xS tal que f(x)<M’, y en tal caso
escribiremos min{f(x) / xS}=-.
b) Problema acotado con solución factible: cuando exista un

xoS tal que f(xo)f(x) para todo xS. En este caso,
f(xo)=max{f(x) / xS} y xo recibe el nombre de solución
factible siendo no necesariamente única.
Análogamente podríamos construir la definición para el problema

del mínimo.
De forma general en cualquier problema de Programación lineal

tenemos:
- La función objetivo, que es lineal, es decir:
F(X)=c1x1+c2x2 +…+ cnxn
- Las condiciones o restricciones del problema que también

son lineales, es decir:
h1(X): a11x1+ a12x2+…+ a1nxn  b1

h2(X): a21x1+ a22x2+…+ a2nxn  b2
.....….. ……….……………………..
hm(X): am1x1+ am2x2+…+ amnxn  bm
Nota: Las desigualdades pueden ser
4
- Puede haber condiciones donden las variables instrumentales

pueden tomar valores mayores o iguales que cero, es decir:
xi0, cualquiera que sea el valor de i.
Es fácil de imaginar la cantidad de posibilidades que se barajan en

estos enunciados. Así la utilización de los ordenadores es vital ya que
nos permite reducir el tiempo de resolución. En el ejemplo que
mostramos a continuación trabajaremos, para simplificar el proceso,
con n=6 e intentaremos encontrar el modelo de optimización para
este problema de la vida real sin llegar a la solución.
La fábrica de muñecas Teide S.A. produce 6 tipos de muñecas a partir

de 6 materias primas, cada una con una diferente combinación de esas
materias primas. La tabla siguiente muestra el beneficio por unidad de
producto que se fabrique. ¿Cómo debe realizarse la producción para
maximizar el beneficio total usando sólo el actual inventario de materia
prima?
Tabla. Beneficio por muñeca producida.
Produc danzarin esquiador
mamá
médi bombe profeso Inventa
to a a co ro ra rio
Acero 1 4 - 4 2 - 800
Madera 4 5 3 - 1 - 1160
Plástico - 3 8 - 1 - 1780
Goma 2 - 1 2 1 5 1050
Vidrio 2 4 2 2 2 4 1360
Pintura 1 4 1 4 3 4 1240
Benefi
30 45 24 26 24 30
cio
MODELO MATEMÁTICO
En este modelo están planteadas todas las configuraciones posibles, que

equivalen a cada muñeca, por tanto consideramos las siguientes
variables:
x1 unidades de danzarina,
x2 unidades de esquiadora,
x3 unidades de mamá,
x4 unidades de médico,
x5 unidades de bombero,
x6 unidades de profesora.
Entonces, la función objetivo que muestra el beneficio que queremos

maximizar sería:
5
F(X)=30x1+45x2+24x3+26x4+24x5+30x6
Sujeta a las siguientes restricciones en función del inventario existente.
x1 + 4x2 + + 4x4 + 2x5  800

4x1 + 5x2 + 3x3 + x5  1160
3x2 + 8x3 + x5  1780
2x1 + x3 + 2x4 + x5 + 5x6  1050
2x1 + 4x2 + 2x3 + 2x4 + 2x5 + 4x6  1360
x1 + 4x2 + x3 + 4x4 + 3x5 + 4x6  1240
y obviamente x1 , x2 , x3 , x4 , x5 , x6 0
Este sistema lineal de inecuaciones definirá la región factible dentro de la

cual habrá que buscar el máximo de la función objetivo (solución factible).
Además habría que imponer que las variables asuman valores enteros, es
decir,
x1 , x2 , x3 , x4 , x5 , x6 
En definitiva, lo que hemos hecho modelizando este problema de la vida

real es pasarlo a lenguaje matemático como se muestra en el siguiente
esquema (Fig. 1). Quedaría pendiente aún su resolución en el “mundo
matemático” (2) y trasladar estas soluciones a la vida real(3) :
(3)
(2)
(1)
Fig. 1: Proceso de resolución de un problema
6
3. Resolución del problema bidimensional
Definición Teniendo en cuenta la complejidad de estos problemas

veremos su planteamiento y resolución completa,
incluida la resolución gráfica, para dos variables x e y.
Así, pues, los problemas quedarán definidos por:
z=ax+by (función objetivo)
sometida a un sistema de inecuaciones lineales (que

surgen de las restricciones a que son sometidas las
variables)
a1x + b2y  c1
a2x + b2y  c2
………. …
anx + bny  cn
Nota: Las desigualdades pueden ser
Como se ha visto en el tema dedicado a inecuaciones, cada

desigualdad de este tipo define un semiplano formado por todos los
puntos del plano que la satisfacen. Si por ejemplo queremos
encontrar el semiplano 2x+3y<3 sería: (Fig.2).
Fig. 2: Inecuación como semiplano
Actividad 1. ¿Cuáles de los siguientes puntos cumplen la inecuación

-2x+3y<5 : (2,0);(0,0);(0,2);(-2,2) y (2,3)?
Ayuda: Si representas la recta -2x+3y=5 observarás que la zona

donde están los dos puntos que cumplen la inecuación es el
semiplano inferior.
7
Actividad 2. Comprueba que la región del plano definida por las

inecuaciones lineales indicadas es la que se indica en la figura
adjunta.
V
1
3
V
2
V
3
V V
5 4
Los puntos del plano que satisfacen un conjunto de desigualdades, si

existen, están en un recinto convexo del plano. Es convexo porque
queda siempre al mismo lado de las rectas que contienen a cada uno
de sus lados (Fig.3)
Fig. 3: Recinto convexo definido por un sistema de

inecuaciones
Definición Esta región del plano es la región factible y cada uno

de los puntos que la forman son las soluciones
factibles. De estas soluciones la que haga máxima o
mínima a la función objetivo se denomina solución
óptima.
En esta situación, nos podemos encontrar regiones factibles vacías,

acotadas y no acotadas. A continuación se muestran ejemplos de las
distintas posibilidades: (Fig.4)
8
Región factible acotada Región factible no acotada Región factible vacía
Fig. 4: Regiones factibles
Pues bien, el teorema siguiente nos permite acercarnos aún más a la

solución del problema en el caso bidimensional:
Teorema Dada F(x)=ax+by+c y una región R convexa acotada se

cumple:
F tiene un valor máximo y un valor mínimo en R que se
alcanzan en los vértices.
4. Resolución de un problema paso a paso

Se trata de exponer un procedimiento de resolución que responda a
un modelo de problema de programación lineal.
Ejemplo 1. Una empresa de informática recibe un encargo para

reparar computadoras y consolas de videojuegos. La empresa
dispone de 2 talleres. El primero puede emplear 300 horas de
trabajo, y necesita emplear 6 horas para cada computadora y 5 para
cada consola. El segundo dispone de 200 horas y necesita 2 horas
para cada computadora y 5 para cada consola. Las ganancias netas
que obtiene la empresa son de 100 € por computadora y 100 € por
consola. ¿Qué cantidad debe repararse de cada artículo para
maximizar la ganancia de la empresa?
Paso 1: Leer detenidamente el problema para determinar el objetivo,

definir las variables y ordenar los datos del enunciado.
x  nº de computadoras que puede reparar cada taller.
9
y  nº de consolas que puede reparar cada taller.
Ordenemos ahora los datos en la siguiente tabla:
Computadoras Consolas Nº horas

Taller 1 6 5 300
Taller 2 2 5 200
Beneficios 100 100
Producción x y
Paso 2: Escribir la función objetivo y las inecuaciones que

determinan las restricciones.
La función beneficio que queremos maximizar sería: Z=100x+100y
Las restricciones que se desprenden de la lectura del problema son:
6x+5y 300 (respecto a las posibilidades del Taller 1)
2x+5y 200 (respecto a las posibilidades del Taller 2)
x0
y0
Paso 3: Representar el sistema de inecuaciones, dado por las

restricciones, para hallar la región factible. (Fig.5)
Región
factible
Fig. 5: Región factible del problema
Paso 4: Calcular los vértices de la región factible.
10
Para ello debemos hallar las intersecciones de cada par de rectas

implicadas resolviendo el sistema de ecuaciones que definen:
x  0
  O  (0,0)
y  0
6x  5y  300 300
  6x  0  300  x   50  U  (50,0)
y0  6
6 x  5y  300 100
  (restando) 4 x  0  100  x   25 
2 x  5y  200  4
(sustituyendo) y  30  V  (25, 30)
2 x  5 y  200 200
  0  5 y  200  x   20  W  (0,40)
x0  5
De esta forma obtenemos los siguientes vértices O(0,0) , U(50,0) ,

V(25,30) , W(0,40) representados en la siguiente gráfica: (Fig.6)
Fig. 6: Vértices de la región factible del problema
Paso 5: Sustituir las coordenadas de los vértices en la función

objetivo para ver donde obtiene el máximo beneficio.
Z=100x+100y (beneficio)
Z(O)= 100·0+100·0=0+0= 0 €
Z(U)= 100·50+100·0=5000+0= 5000 € El máximo se
Z(V)= 100·25+100·30=2500+3000= 5500 € obtiene en el vértice
Z(W)= 100·0+100·40=0+4000= 4000 € V(25,30)
11
Paso 6: Criticar la solución, ver que es lógica y contestar a la

pregunta inicial trasladando el problema a la realidad.
x=25  25 computadoras
V(25,30) 
y=30  30 consolas
Solución final: La empresa debe reparar

25 computadoras y 30 consolas para
obtener un beneficio máximo de 5500 €
5. Método gráfico
Otra manera de resolver este tipo de problemas es a través de su
representación gráfica. Como en el método algebraico ya visto, se
comienza hallando las expresiones de la función objetivo y el sistema
de inecuaciones (restricciones).
A partir de este momento se siguen los siguientes pasos:
Paso 1: Se representa este sistema gráficamente dando lugar a

la región factible sobre la que vamos a buscar la solución.
Paso 2: Se representan las líneas de nivel que se obtienen a

partir de la función objetivo. Estas líneas son las rectas que surgen
cuando igualamos la función objetivo a un valor constante k. Su
expresión sería:
k=ax+by , k
En la práctica se suele dibujar la línea de nivel nula (ax+by=0) de

forma que a medida que vamos cambiando el valor de k obtenemos
rectas paralelas a esta que barren la región factible. Veámoslo
gráficamente utilizando los datos del problema anterior: (Fig.7)
12
Líneas de nivel
100x+100y=k
Fig. 7:Rectas de nivel
Paso 3: Por último de entre todas las líneas de nivel se busca la que
corresponde al valor óptimo, máximo en este caso, de la función
objetivo. Para ello se trasladan las líneas de nivel hasta encontrar el
último punto antes de dejar de tocar la región factible. En nuestro
caso el máximo se produce en el vértice V(25,30) con un valor de k=
5500. (Fig.8)
Función objetivo
100x+100y=5500
Máximo en V(25,30)
Fig. 8: Solución gráfica
6. Tipos de soluciones
Se podría hacer una clasificación de los problemas de programación
lineal atendiendo al tipo de solución que presentan. Se muestra a
continuación de forma esquemática:
13
Con solución única

Factible Con solución múltiple
s No acotada
Soluciones
No Factibles
Definición
Decimos que el problema tiene soluciones factibles
cuando existe un conjunto de valores que satisfacen las
restricciones, es decir, que el sistema de inecuaciones
tiene solución y por lo tanto existe un conjunto de
posibles soluciones (región factible). En este caso
pueden ser:
a) Con solución única: Existe una única solución
óptima, que se alcanza en un vértice. (Fig.9)
Función
objetivo Solución
única
Fig. 9:Solución única
b) Con solución múltiple: Existe infinitas

soluciones óptimas. Esta situación se produce
cuando dos vértices son soluciones óptimas y
entonces cualquier punto sobre el segmento que
los une también es solución. Gráficamente esto
sucede cuando la función objetivo es paralela a
uno de los lados de la región factible. (Fig.10)
Fig. 10: Solución múltiple
14
7. Problema del transporte

Ejemplo 2. Dos ciudades, Gara y Jonay, producen a la semana 26 y
30 toneladas de papel para reciclar, respectivamente. Para realizar el
tratamiento de este tipo de residuos hay en la zona tres fábricas de
reciclaje, F1, F2 y F3 que pueden asumir 20, 22 y 14 toneladas,
respectivamente. Si los costes del transporte por tonelada de las
ciudades a las fábricas son, en cientos de euros, los que se indican en
la tabla adjunta. ¿Cómo podremos organizar el transporte para que el
coste sea mínimo?
Costes del transporte
Fábricas reciclaje
Ciudades F1 F2 F3
Gara 1 3 1
Jonay 2 1 1
Solución: Definimos x como la cantidad de papel que la ciudad Gara

debe entregar a la primera fábrica (F1), e y a la cantidad de papel
que Gara entrega a la segunda fábrica (F2). De esta manera, la
cantidad que Gara debe entregar a la tercera fábrica sería 26-x-y. Y
observando las toneladas que puede asumir cada fábrica se obtiene la
siguiente tabla que recoge todos los datos del problema en función de
x e y. Por ejemplo, si la fábrica 1 (F1) puede asumir como máximo 20
toneladas y x toneladas vienen de la ciudad Gara entonces de la
ciudad Jonay puede asumir 20-x. También, si la ciudad Gara produce
26 toneladas y x van a la fábrica 1 (F1) e y van a la fábrica 2 (F2)
entonces a la fábrica 3(F3) se transportaría el resto, es decir, 26-x-y.
Datos del problema en función de las variables x e y

Fábricas reciclaje
Ciudades F1 F2 F3
Gara x y 26-x-y
Jonay 20-x 22-y -12+x+y
Obsérvese que 14-(26-x-y)= -12+x+y

Además estas cantidades de papel que se entregan a las fábricas no
pueden ser negativas así que se deben cumplir las siguientes
desigualdades:
x0, y0, 20-x0, 22-y0, 26-x-y0, -12+x+y0
Que después de simplificar quedarían reflejadas en el siguiente
sistema de inecuaciones (restricciones del problema):
x0
y0
15
x  20
y  22
x+y  26
x+y  12
El objetivo de nuestro problema es organizar el transporte para que
el coste sea mínimo, así que debemos definir la función objetivo
observando la tabla de costes. Así pues quedaría de la forma
siguiente:
Z=1·x+3·y+1·(26-x-y)+2·(20-x)+1·(22-y)+1·(-12+x+y)
Operando se obtiene que Z= -x+2y+76
Representemos, ahora, gráficamente la región factible y hallamos las
coordenadas de sus vértices (candidatos a ser óptimos): (Fig.12)
Fig. 12:Región factible del problema
Con un simple cálculo se puede ver que T=(0,22), U=(0,12),

P=(12,0) y Q=(20,0). Calculemos ahora R y S:
x  y  26
  20  y  26  y  26  20  6  R  (20, 6)
x  20 
x  y  26
  x  22  26  x  26  22  4  S  (4, 22)
y  22 
Sustituyamos las coordenadas de los vértices en la función objetivo

Z= -x+2y+76
Z(T)= -0+2·22+76=0+44+76= 120

16
Z(S)= -4+2·22+76=-4+44+76= 116

Z(R)= -20+2·6+76=-20+12+76= 68
El mínimo se obtiene
Z(Q)= -20+2·0+76=-20+0+76= 56
en el vértice Q(20,0)
Z(P)= -12+2·0+76=-12+0+76= 64
Z(U)= -0+2·12+76=0+24+76= 100
Entonces la solución es x=20 e y=0 que llevándolo a nuestro

problema significaría que las toneladas de papel a transportar desde
cada ciudad (Gara y Jonay) a cada una de las fábricas (F1, F2, F3)
para que el coste sea mínimo debe ser las que indica esta tabla:
Toneladas de papel que deben ir a cada fábrica

Fábricas reciclaje
Ciudades F1 F2 F3
Gara 20 0 6
Jonay 0 22 8
Gráficamente utilizando las líneas de nivel quedaría así: (Fig.13)
Fig. 13:Solución gráfica del problema
8. Más ejemplos para afianzar el tema.

Ejemplo 3. Una empresa proporciona a un inversor de bolsa 10
millones ($) para que los invierta en dos tipos de productos
financieros, A y B. Los de tipo A tienen más riesgo pero producen un
beneficio del 10 %. Los de tipo B son más seguros, pero producen
sólo el 7% anual. Después de un estudio de mercado decide invertir
17
como máximo 6 millones ($) en la compra de acciones del producto A

y, por lo menos, 2 millones ($) en la compra de acciones del producto
B. Además, decide que lo invertido en A sea, por lo menos, igual a lo
invertido en B. ¿Qué tendría que hacer este inversor, en estas
condiciones, para proporcionarle a la empresa el máximo beneficio?
Paso 1: Definimos las variables y ordenamos los datos del

enunciado.
x  cantidad invertida en el producto financiero A. (millones $)
y  cantidad invertida en el producto financiero B. (millones $)

Producto A Producto B
Inversión x y
Beneficios 0,1·x 0,07·y
x  6 millones y 2 millones
xy
Paso 2: La función beneficio que queremos maximizar sería:
Z  0, 10x  0, 07y
Y las restricciones a las que debe estar sometida serían:
x+y 10 (se dispone en total de 10 millones $)

x 6 (x es como máximo 6 millones $)
y 2 (y es como mínimo 2 millones $)
x y (x es por lo menos y)
x0
y0

18
V
Región
factible
O
U
Fig. 14:Región factible del problema
Paso 4: Calculamos los vértices de la región factible hallando las

intersecciones de cada par de rectas implicadas:
y  x
  O  (2,2)
y  2
y  2
  U  (6,2)
x  6
x  y  10
  y  10  6  4  V  (6,4)
x6 
x  y  10
  y  y  10  2 y  10  y  5  W  (5,5)
yx 
De esta forma obtenemos los siguientes vértices O(2,2) , U(6,2) ,

V(6,4) , W(5,5).
Paso 5: Sustituimos las coordenadas de los vértices en la función

objetivo para ver donde obtiene el máximo beneficio.
Z  0, 10x  0, 07y
34
Z  O   0,1  2  0, 07  2   0, 34 millones ($)
100
19
74
Z U   0,1  6  0, 07  2   0, 74 millones ($)
100
Z V   0,1  6  0, 07  4  0, 88 millones ($)
El máximo se obtiene en
Z W   0,1  5  0, 07  5  0, 85 millones ($) el vértice V(6,4)
Paso 6: Trasladamos el problema a la realidad.

x=6  invertir 6 millones ($)en el producto financiero A
V(6,4) 
y=4  invertir 4 millones ($) en el producto financiero B
Solución final: Se tendría que a invertir 6 millones ($) en

el producto financiero A y 4 millones ($) en el producto
financiero B para obtener un beneficio máximo de 0,88
millones ($).
Ejemplo 4. Una compañía de seguros trabaja para empresas y para

particulares. Para ser rentable en el presente año ha de conseguir
como clientes al menos a 20 empresas y a un número de clientes
particulares que, como mínimo debe ser el doble que el número de
empresas. Además, por problemas de logística tiene un límite global
de 90 clientes anuales. Si cada empresa le produce 280 $ de ingresos
anuales y cada particular 170 $ anuales. ¿Qué cantidad de clientes le
proporcionaría los mayores ingresos anuales? ¿A cuánto ascenderían
dichos ingresos?
Paso 1: Definimos las variables y ordenar los datos del enunciado.

x  cantidad de seguros a empresas
y  cantidad de seguros a particulares
Empresas Particulares
Nº de seguros x y  90
Ingresos 280 $ 170 $
x  20 y  2x
20
Paso 2: La función objetivo de ingresos que queremos maximizar

sería:
Z=280x+170y
Y las restricciones a las que debe estar sometida serían:
x+y  90 (el límite de seguros totales es 90)
y  2x (nº particulares es por lo menos el doble nº empresas)
x  20 (al menos 20 empresas)
y0

U
Región
factible
W
Fig. 15: Región factible del problema
Paso 4: Calculamos los vértices de la región factible hallando las

intersecciones de cada par de rectas implicadas:
x  y  90
  20  y  90  y  70  U  (20,70)
x  20 
y  2·x 
  y  2·20  y  40  V  (20,40)
x  20 
x  y  90
  x  2x  90  3x  90  x  30  y  60  W  (30,60)
y  2·x 
21
De esta forma obtenemos los siguientes vértices U(20,70) , V(20,40)

y W(30,60).
Paso 5: Sustituimos las coordenadas de los vértices en la función
objetivo para ver donde se obtiene el máximo beneficio.
Z=280·x+170·y (ingresos)
Z(U)=280·20+170·70=5600+11900=17500 $
Z(V)=280·20+170·40=5600+6800=12400 $
El máximo se
Z(W)=280·30+170·60=8400+10200=18600 $ obtiene en el
vértice
W(30,60)
Paso 6: Trasladamos el problema a la realidad.

x=30  se deben contratar 30 seguros a empresas
W(30,60)
y=60  se deben contratar 60 seguros a particulares
Solución final: Se tendrían que contratar 30 seguros a empresas

y 60 seguros a particulares para obtener unos ingresos máximos
de 18600 $.
Actividad 3. Un industrial fabrica dos productos A y B. Por cada kilo

de A necesita 4 horas de trabajo y 10000$ de material y, además, le
proporciona un beneficio de 7500$. Por cada kilo de B necesita 7
horas de trabajo y 8000$ de material y obtiene una ganancia de
5000$.
Cada semana el industrial puede contar con 200 horas de trabajo.
Además, firmo un contrato que le obliga a producir un mínimo de 15
kilos de A y de 10 kilos de B, y no puede gastar mas de 320000 $ en
material. ¿Cuántos kilos por semana debe fabricar de cada producto
para obtener el mayor beneficio posible?
Solución: Debe fabricar 24 kg De A y 10 Kg de B y obtendrá un
beneficio de 230000$.
Actividad 4. Para abonar una finca se necesitan al menos 9 kg de
nitrógeno y 15 de fósforo. En el mercado venden dos tipos de
productos cuyas características son:
Nitrógeno Fósforo Precio

por Kg
Producto A 20 % 40 % 4$
Producto B 30 % 30 % 5$
22
¿Qué cantidad ha de comprar el agricultor de cada producto para

abonar la finca con el menor gasto posible?
Solución: Se trata de un problema de programación lineal en el cual
la región factible es no acotada y además, la función objetivo debe
hacerse mínima. La solución es comprar 30 kg de producto A y 10 kg
de producto B con un gasto de 170$.
Método del SIMPLEX: En 1947 el matemático George Dantzig

habló por primera vez de este método a través de su publicación “El
Método Simplex”. Básicamente consiste en un algoritmo iterativo
que secuencialmente se va aproximando a la solución óptima de este
tipo de problemas. Partiendo de la propiedad que dice que la
solución óptima de un problema de Programación lineal se
encuentra en un vértice (o frontera) de la región factible y como el
número de vértices (y de aristas) es finito, podremos decir que
siempre se podrá encontrar dicha solución. De forma más intuitiva,
este método nos dice que si la función objetivo F no toma su valor
máximo en el vértice A, entonces existe una arista que parte de A a
lo largo de la cual F aumenta.
En definitiva, el Método del Simplex es un ingenioso procedimiento

que permite moverse de un vértice a otro, mejorando cada vez (o al
menos, no empeorando) el objetivo. También permite descubrir si la
región factible es vacía o si la solución óptima es no acotada. En la
práctica, el método enumera sólo una pequeña parte de los puntos
extremos de la región factible, lo cual simplifica considerablemente
la resolución.
Es obvio que los ordenadores han jugado un papel determinante en

este proceso. Como anécdota decir que en 1952 para un problema de
71 variables y 48 ecuaciones se realizó la primera implementación
computacional que tardó en resolver el problema 18 horas.
Bibliografía:
- Bazaraa, S. , Mokhtar y Jarvis, J. (1981). Programación lineal y Flujo

de Redes. Ed. Limusa.
- Calvete Fernández, Herminia y Mateo Collazos, P. (1994).
Programación lineal, Entera y Meta. Ed. Prensas Universitarias de
Zaragoza.
- Mocholi Arce,M. y Sala Garrido, R.(1993). Programación lineal.

Metodología y Problemas. Ed. Tebar Flores.
- Salazar González, J. J. (2000). Lecciones de optimización. Ed.
Manuales y textos universitarios (Universidad de La Laguna).
23
- Colorado T. Programación lineal. Recuperado el 15 de febrero de

2010, de
http://thales.cica.es/rd/Recursos/rd98/Matematicas/29/intro.html
- Proyecto Descartes (Ministerio de Educación y Ciencia, España).

Recuperado el 15 de febrero de 2010, de
http://recursostic.educacion.es/descartes/web/materiales_didacticos/
Programacion_lineal/index.htm
- Álavarez Fajardo, J. Material Interactivo de la asignatura de

2ºBachillerato Matemáticas Aplicadas a las Ciencias Sociales.
Recuperado el 15 de febrero de 2010, de
http://www.ite.educacion.es/w3/eos/MaterialesEducativos/mem2008
/zai_mates/web03-inecuaciones/index.html
24

24 Programación Lineal

Загружено:

Сведения о документе

Исходное описание:

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

24 Programación Lineal

Загружено:

Авторское право:

Доступные форматы

Centro de Altos Estudios Universitarios de la OEI

Curso Iberoamericano de formación permanente

Tema 24: Programación lineal

Contenido de este documento:

La programación lineal es una técnica matemática relativamente

mejor combinación de alimentos para una dieta con el mínimo coste,

La programación lineal en la posguerra (2ª Guerra Mundial): En 1948

2. Concepto de Programación lineal

Definición Un problema de Programación lineal es un problema

a) Se trata de maximizar o minimizar una función

Si utilizamos el lenguaje matemático para definir el problema

max{f(x) / xS} ó min{f(x) / xS} , donde Sn y f:S

A cada elemento de S se le llama solución factible; a S se le llama

En estos problemas de optimización, se plantea la búsqueda de una

Problema no factible: cuando no existe ninguna solución factible,

a) Problema no acotado: cuando existan soluciones que hagan

Análogamente, cuando existan soluciones que hagan descender

b) Problema acotado con solución factible: cuando exista un

Análogamente podríamos construir la definición para el problema

De forma general en cualquier problema de Programación lineal

- La función objetivo, que es lineal, es decir:

F(X)=c1x1+c2x2 +…+ cnxn

- Las condiciones o restricciones del problema que también

h1(X): a11x1+ a12x2+…+ a1nxn  b1

Nota: Las desigualdades pueden ser

- Puede haber condiciones donden las variables instrumentales

xi0, cualquiera que sea el valor de i.

Es fácil de imaginar la cantidad de posibilidades que se barajan en

La fábrica de muñecas Teide S.A. produce 6 tipos de muñecas a partir

En este modelo están planteadas todas las configuraciones posibles, que

Entonces, la función objetivo que muestra el beneficio que queremos

Sujeta a las siguientes restricciones en función del inventario existente.

x1 + 4x2 + + 4x4 + 2x5  800

Este sistema lineal de inecuaciones definirá la región factible dentro de la

En definitiva, lo que hemos hecho modelizando este problema de la vida

Fig. 1: Proceso de resolución de un problema

3. Resolución del problema bidimensional

Definición Teniendo en cuenta la complejidad de estos problemas

z=ax+by (función objetivo)

sometida a un sistema de inecuaciones lineales (que

Como se ha visto en el tema dedicado a inecuaciones, cada

Fig. 2: Inecuación como semiplano

Actividad 1. ¿Cuáles de los siguientes puntos cumplen la inecuación

Ayuda: Si representas la recta -2x+3y=5 observarás que la zona

Actividad 2. Comprueba que la región del plano definida por las

Los puntos del plano que satisfacen un conjunto de desigualdades, si

Fig. 3: Recinto convexo definido por un sistema de

Definición Esta región del plano es la región factible y cada uno

En esta situación, nos podemos encontrar regiones factibles vacías,

Región factible acotada Región factible no acotada Región factible vacía

Fig. 4: Regiones factibles

Pues bien, el teorema siguiente nos permite acercarnos aún más a la

Teorema Dada F(x)=ax+by+c y una región R convexa acotada se

4. Resolución de un problema paso a paso

Ejemplo 1. Una empresa de informática recibe un encargo para

Paso 1: Leer detenidamente el problema para determinar el objetivo,

x  nº de computadoras que puede reparar cada taller.

y  nº de consolas que puede reparar cada taller.

Ordenemos ahora los datos en la siguiente tabla:

Computadoras Consolas Nº horas

Paso 2: Escribir la función objetivo y las inecuaciones que

La función beneficio que queremos maximizar sería: Z=100x+100y

Las restricciones que se desprenden de la lectura del problema son: