Programación lineal

La Programación lineal es un algoritmo por medio del cual se resuelven situaciones reales, con el
objetivo de aumentar la productividad respecto a los recursos, aumentando de esta manera los
beneficios. El objetivo principal es optimizar, es decir maximizar o minimizar funciones lineales en
varias variables reales con restricciones lineales, optimizando una función objetivo lineal.

Los resultados y el proceso de optimización son un respaldo cuantitativo de las decisiones frente a
las situaciones planteadas. Salazar, Bryan (2016)

https://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-
industrial/investigaci%C3%B3n-de-operaciones/programaci%C3%B3n-lineal/

Tipos

Método de representación grafica

Consiste en representar las restricciones sobre unos ejes de coordenadas, para determinar la
región donde se encuentran las soluciones factibles, en el perímetro del polígono resultante, si
nuestra función objetivo es una maximización y la línea que delimita nuestro dominio no es
convexa, entonces nuestro problema, bajo esta condición no tiene solución.

Cabrera, Sonia (sf)

http://matematicas.uclm.es/ita-cr/web_matematicas/trabajos/248/Programacion_lineal.pdf

Método simplex

El método simplex trabaja con un modelo en su forma estándar, además las restricciones del
modelo deben estar expresadas en su forma estándar, solo acepta restricciones con < = y las
variables de decisión tiene que ser > = 0. Si no se cumplen estas condiciones, entonces no es
posible aplicar el método. Los pasos de un método simplex son:

1. Ubicar que una solución sea el origen.

2. Dejar el modelo en función de las variables básicas.
3. Ubicar en la función objetivo la variable de entrada.
4. Elegir la variable de salida e ir al paso 2 hasta que no exista variable de entrada.

Para ubicar la variable de entrada se busca el valor de Zj – Cj que sea más negativo cuando el
modelo se maximiza o la más positiva cuando el modelo se minimiza.

Método simplex revisado

Este método conserva las mismas características que el método simplex, la diferencia es que la
mayoría de los números que aparecen en la tabla del método normal no se usan realmente en las
iteraciones, por lo cual en el método revisado solo se calculan los valores necesarios para
encontrar la solución óptima a través de matrices, sin embargo este método requiere muchas
operaciones de matrices y deja de estar tan estructurado como el método simplex, por lo cual es
posible confundirse durante las iteraciones.

Método algebraico
Es un método muy similar al método simplex, pero sin usar las tablas, utiliza únicamente algebra y
lógica matemática para hallar la solución óptima. Consta de los siguientes pasos:

1. Determinar si existe una básica factible inicial.

2. Determinar si existe una solución básica factible mejor.
3. Pasar a la siguiente solución básica factible, cambiando una variable básica por una no
básica, haciendo que todas las variables sean no negativas y regresar al paso 2.

Este método es poco aplicado porque llega a ser muy tardado y poco práctico, sin embargo,
trabaja muy rápido cuando los sistemas de restricciones son muy pequeños y no hay que hacer
tantos movimientos entre los extremos de la región factible.

Método de la M grande

Este método es una forma derivada del método simplex, usado para resolver problemas donde el
origen no forma parte de la región factible. Para realizar este algoritmo, e siguen los mismos pasos
que en el método simplex, pero antes tenemos que cambiar la función objetivo para que incluya a
las variables artificiales. Estas variables tendrán que estar multiplicadas por un numero
suficientemente grande para que no se elimine a través de las operaciones, llamado M y que
además deberá irse solamente cuando se sume o se reste con otra M.

Para el caso de maximización, teneos que restar variables artificiales junto con sus coeficientes
para que estas variables no entren a la base, pero si minimizamos entonces sumamos las variables
artificiales.

Método de las dos fases

Este método trabaja por medio de dos procedimientos, con el objetivo de encontrar primero una
solución factible inicial y posteriormente resolver el modelo a través de método simplex. Para
utilizar este método se debe tener el modelo en su forma ampliada, las variables de decisión
deben ser reales y mayores a cero.

Las fases se describen a continuación:

Fase 1 Se busca la primera solución factible

1. Consideramos un modelo de programación lineal que se encuentre en su forma canónica,

este modelo debe ser transformado en su forma ampliada agregando variables artificiales
en las restricciones donde el origen no es una solución.
2. Ahora se cambia la función objetivo por una función de minimización donde las variables
de decisión son las variables artificiales, pero tomamos el conjunto de restricciones de la
función original.
3. Procedemos a resolver el modelo que tenemos planteado hasta que se dé uno de los
siguientes casos: las variables artificiales salen de la base o la función objetivo obtiene el
valor de cero. Si no ocurre ninguno entonces el modelo no tiene solución.

Fase 2 Resolver el modelo con la nueva solución encontrada

1. Eliminamos las variables artificiales de las restricciones, pero conservamos los cambios
que se dieron durante la fase 1.
 2. Regresamos a la función objetivo original y resolvemos el modelo con los cambios que se
dieron en las restricciones durante la fase 1.

https://sites.google.com/site/metodosdeprogramacionlinealdan/metodo-simplex

Usos y aplicaciones de acuerdo a la tipología

Como se ha mencionado la programación lineal es una herramienta utilizada habitualmente en

muchas áreas, siendo la industria y la economía donde ha encontrado sus aplicaciones más
importantes:

Marketing:

La progrmacion lineal en este campo se presenta como una herramienta muy eficaz, en la elección
por ejemplo de la combinación mas efectiva de los medios de comunicación para promocionar
productos o servicios y cuyo objetivo principal es conseguir la mayor audiencia posible y
normalmente las restricciones pueden ser:

 Presupuestaria, ya que no es ilimitado.

 Política publicitaria especifica de la empresa.
 Disponibilidad de cada medio.

Producción:

En este campo la herramienta permite determinar la producción optima de una empresa con el
objetivo de maximizar beneficios o minimizar costes. Las restricciones mas comunes suelen ser:

 Presupuestaria.
 Disponibilidad de recursos.
 Demanda de producto.
 Políticas medioambientales.
 Políticas de la propia empresa.

Finanzas:

Habitualmente los directivos o bancos deben seleccionar una serie de inversiones concretas para
configurar su Cartera de Valores entre la amplia variedad de alternativas que existen en el
mercado. Normalmente el objetivo es maximizar el rendimiento que genera dicha cartera o
minimizar el riesgo adherente a la misma. Las restricciones a las que se enfrentan son:

 Presupuestaria.
 Nivel de riesgo permisible.
 Leyes estatales.
 Políticas de la compañía.

Logística:

Una de las aplicaciones más habituales de la programación lineal en este campo es el denominado
Problema de Transporte. En este tipo de problema se determinar la cantidad de mercancía que se
ha de transportar desde cualquier centro de distribución a cualquier centro de recepción y cuyo
objetivo es minimizar el coste de transporte. Las restricciones son:

 Oferta de cada centro de distribución u origen.

 Demanda de cada centro de recepción o destino.

El problema de transporte es un caso particular de programación lineal y existen algoritmos

específicos para su resolución como por ejemplo la regla de la esquina NorOeste.

Asignación de tareas:

Habitualmente se desea asignar de la forma más eficiente una tarea a cada empleado o máquina y
cuyo objetivo es minimizar el coste total de la asignación. El problema de asignación es un caso
particular del problema de transporte donde las variables de decisión son binarias toman valor 1 o
0 y aunque puede resolverse mediante simplex, existen métodos específicos más eficaces como el
método húngaro.

Otra panificación en este ámbito es la planificación de horarios, en la cual se desea asignar tareas
a empleados poli funcionales.

Conejero, Elena (2013)

https://idus.us.es/xmlui/bitstream/handle/11441/42359/conejero%20calvo%20de%20leon%20ele
na%20tr.pdf?sequence=1&isAllowed=y#targetText=Un%20problema%20de%20programación%20l
ineal,de%20las%20variables%20de%20decisión.

Métodos Determinísticos

Además de ser una herramienta fundamental para la toma de decisiones, optimiza los resultados
logísticos, administrativos y financieros de una organización con el objetivo de mejorar los
procesos, reducir costos y mejorar sus recursos técnicos. De esta manera plantea diferentes
métodos para solucionar problemas relacionados con el transporte, la asignación y la distribución
que se puedan presentar en el ejercicio empresarial.

Melendez, Inocencio (s,f)

https://www.monografias.com/trabajos96/metodos-deterministicos-herramienta-fundamental-
toma-decisiones/metodos-deterministicos-herramienta-fundamental-toma-decisiones2.shtml

Tipos

Programación entera

Método gráfico:

 Solo se aplica a problemas de dos variables.

Enumeración implícita:

 Resolver LP´s para todas las combinaciones posibles de las variables enteras y encontrar el
óptimo global.
 Si las variables son binarias # combinaciones = 2m, m = No. Variables binarias.
Técnica de relajación:

 Redondear la solución del problema LP a la solución entera más cercana.

 Puede producir soluciones no óptimas.

Método BRANCH and BOUND 8ramificacion y acotamiento)

El algoritmo de ramificación y acotamiento inicia con una relajación del problema y construye un
árbol de soluciones factibles enteras particionado el conjunto de soluciones factibles de modo de
descartar soluciones fraccionarias, es decir:

 Enumerar de forma implícita todas las soluciones de un modelo lineal entero y

solucionando subproblemas se van eliminando conjuntos de soluciones posibles.
 Un subproblema puede llegar a no tener sucesores por tres motivos:
1. El problema no es factible.
2. El problema tiene una solución entera.
3. El problema tiene una solución no entera, pero con un valor de la función objetivo
peor que el de la solución candidata actual.
 El algoritmo termina cuando se han resuelto todos los subproblemas posibles.
 El algoritmo se puede utilizar en problemas de programación entera mixta.
 En problemas grandes puede ser muy eficiente gracias a la cota que permite eliminar un
conjunto grande de soluciones factibles.

Modelo de transporte

Método de esquina noroeste:

Este método es un algoritmo heurístico capaz de solucionar problemas de transporte o

distribución, por medio de la consecución de una solución básica inicial que satisfaga todas las
restricciones existentes sin que esto implique que se alcance el costo optimo total.

Método del costo mínimo:

Es un algoritmo con el objetivo de resolver problemas de transporte o distribución, el cual se

enfoca en las rutas que representan menores costos. El diagrama de flujo es mucho más sencillo
dado que se trata simplemente de la asignación de la mayor cantidad de unidades posibles a la
celda menos costosa de toda la matriz hasta finalizar el método.

Método de aproximación de VOGEL:

Es un método heurístico de resolución de problemas de transporte, capaz de alcanzar una solución

básica no artificial de inicio, este modelo requiere de la realización de un numero generalmente
mayor de iteraciones que los demás métodos, sin embargo, produce mejores resultados.

Prueba de optimalidad:

Para saber que tan factibles son todos los métodos mencionados anteriormente esta prueba
determina si el método es el que ofrece el menor costo de envió. La prueba se lleva a cabo
mediante el cálculo de un solo número conocido como costo reducido, para la celda vacía.
Guzmán, Gloria (2010)

http://ple-metodos-deterministicos-
deza.weebly.com/uploads/5/5/7/7/5577408/modulo_102016_metodos_deterministicos_conteni
dos.pdf

Usos y aplicaciones de acuerdo a la tipología

Modelos determinísticos de inventarios

Son aquellos donde se toma como supuesto que tenemos certeza de la demanda, la cual puede
estar dada por pronósticos de demanda o pedidos reales de los clientes, adicionalmente dentro de
estos modelos se genera una subclasificación ya que la demanda puede ser estática o dinámica,
generando los siguientes modelos:

Modelo de cantidad económica de pedido (EOQ – clásico):

Este modelo busca un equilibrio entre los costos de preparación y los costos de almacenamiento.

EOQ con descuentos por cantidad:

Considera la disminución del costo de compra de un artículo cuando se compra en gran cantidad.

EOQ con faltantes planeados:

Plantea que durante un tiempo la demanda no será satisfecha generando faltantes.

Cantidad económica de pedido en producción (POQ):

Considerando que el pedido se puede recibir a lo largo de un periodo de tiempo, este modelo
tiene en cuenta la tasa de demanda y producción.

Lote por lote:

Consiste en obtener justamente lo que necesito, lo que conlleva a tener un inventario exacto
requerido y con bajo costo de mantenimiento.

Periodo constante:

Fija arbitrariamente los intervalos de pedido.

Cantidad económica de pedido (EOQ):

También puede ser usado para determinar el tamaño de un lote, sin embargo, no se recomienda
su uso cuando la demanda es relativamente constante o dinámica.

Balanceo de periodo fragmentado (BPF):

Busca equilibrio entre los costos de mantener inventario y los costos de ordenar.

Algoritmo de SILVER – MEAL (SM):

Es heurístico, es decir que a través de reglas de decisión busca dar una óptima solución al
problema de inventario.
Costo unitario mínimo (CUM):

Se enfoca en la minimización del costo unitario a través de la comparación del costo de ordenar y
mantener para diferentes tamaños de lote.

Algoritmo de WAGNER – WHITIN (WW):

A través de programación dinámica, busca la minimización del costo de ordenar y el de mantener

inventario.

Betancourt, D. F. (24 de septiembre de 2017)

Betancourt, D. F. (24 de septiembre de 2017). Modelos determinísticos de inventario: ¿Cuáles son

y cómo se realizan? Recuperado el 30 de agosto de 2019, de Ingenio Empresa:
www.ingenioempresa.com/modelos-deterministicos-de-inventario.

Métodos probabilísticos

El modelo probabilístico es la forma que pueden tomar un conjunto de datos obtenidos de

muestreos de datos con comportamiento que supone aleatorio. Es un tipo de modelo matemático
que usa la probabilidad y que incluye un conjunto de asunciones sobre la generación de algunos
datos muéstrales, de tal manera que asemejen a los datos de una población mayor.

Barrera, D. (2016)

Barrera, D. (2016). Modelos Determinísticos y Probabilísticos. Recuperado de

http://proyectoeypii.blogspot.com/

Tipos

Modelo de regresión lineal:

Es una de las técnicas estadísticas utilizada en la investigación al relacionar entre dos o más
variables, una de sus utilizaciones está en la construcción de modelos que permitan predecir el
comportamiento de una variable dependiente en función de una o más variables independientes,
lo anterior se logra usando una herramienta grafica denominada diagrama de dispersión.

Modelo de promedio móvil:

Es el indicador más utilizado en análisis técnico ya que muestra la dirección y duración de una
tendencia y cuyo propósito es ilustrar la tendencia de una manera más suavizada y es calculado
como la suma de un numero predeterminado de precios por un cierto número de periodos de
tiempo, dividido por el número de periodos de tiempo. El resultado es el precio promedio en dicho
periodo de tiempo.

Tipos de promedios móviles:

 Promedio móvil simple (SMA)

 Promedio móvil exponencial (EMA)
 Promedio móvil suavizado (SMMA)
  Promedio móvil ponderado lineal (LWMA)

Suavización exponencial:

Es un método de promedio móvil ponderado que permite calcular el promedio de una serie de
tiempo, asignando a las demandas recientes mayor ponderación que a las demandas anteriores.
Requiere solamente tres tipos de datos: el pronóstico del último periodo, la demanda de ese
periodo y un parámetro suavizador.

Usos y aplicaciones de acuerdo a su tipología

Los métodos mencionados anteriormente pueden ser usados para conocer el comportamiento
futuro en muchos fenómenos tales como:

1. Mercadotecnia:
 Tamaño del mercado.
 Participación en el mercado.
 Tendencia de precios.
 Desarrollo de nuevos productos.
2. Producción:
 Costo de materia prima.
 Costo de mano de obra.
 Disponibilidad de materia prima.
 Disponibilidad de mano de obra.
 Requerimientos de mantenimiento.
 Capacidad disponible de la planta para la producción.
3. Finanzas:
 Tasas de interés.
 Cuentas de pagos lentos.
4. Recursos humanos:
 Número de trabajadores.
 Rotación de personal.
 Tendencia de ausentismo.
 Tendencia de llegadas tarde.
5. Planeación estratégica:
 Factores económicos.
 Cambios de precios.
 Costos.
 Crecimiento de líneas de productos.

Vanegas, V. (2013)

Vanegas, V. (2013). Métodos probabilísticos. Recuperado de

https://www.academia.edu/31815908/UNIVERSIDAD_NACIONAL_ABIERTA_Y_A_DISTANCIA_UNA
D_UNIVERSIDAD_NACIONAL_ABIERTA_Y_A_DISTANCIA
La modelación matemática

La modelación matemática es un intento de describir alguna parte del mundo real en términos
matemáticos y los elementos que lo componen son tomados del cálculo, algebra, geometría y
otros campos. Es natural que sean modelos de analogía incompleta, es decir que reflejan algunas
propiedades del objeto modelado y se caracterizan por una suficiente generalidad, describiendo
una clase completa de objetos o fenómenos, por otra parte, la creación de modelos matemáticos
no requiere significativos gastos materiales y la realización del propio proceso de modelación con
ayuda de los medios digitales permite efectuarla en un tiempo relativamente pequeño.

En un modelo matemático se establece un conjunto de relaciones de igualdad o desigualdad

definidas en un conjunto de variables que reflejan la esencia de los fenómenos en el objeto de
estudio. Formalmente un modelo matemático M es una estructura, donde R es el conjunto de las
relaciones y V el conjunto de variables.

Establecido un problema, la primera tarea es formular un modelo matemático, para ello se

identifican, se nombran las variables y se establecen hipótesis que simplifiquen el fenómeno lo
suficiente para que pueda tratarse matemáticamente.

Brito, M., Alemán, I., Fraga, E, Parra, J. & Arias, R. (2011). Recuperado de
http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1815-
59442011000200005#targetText=Un%20modelo%20constituye%20una%20representaci%C3%B3n
,mundo%20real%20en%20t%C3%A9rminos%20matem%C3%A1ticos.

Las herramientas de software

Las herramientas para el desarrollo de software pueden tener diversos propósitos como
compiladores, editores de código, diseñadores de interfaz gráfica, ensambladores, depuradores,
herramientas de análisis de rendimiento, entre otras, las cuales son utilizadas para realizar los
procesos de negocio, documentar el proceso de desarrollo del software y optimizar todos los
procesos, al emplear estas herramientas el resultado de los proyectos será más productivo ya que
complementan a los entornos de desarrollo, utilizados por los desarrolladores de software para
crear, editar, mantener, implementar y depurar otras aplicaciones y programas. Estos entornos se
pueden denominar plataforma de desarrollo.

Velneo (2019)

https://velneo.es/herramientas-software-2019/