Introducci

on a la programaci
on lineal
La programacion lineal se aplica a modelos de optimizacion en los que las funciones objetivo y restriccion son estrictamente lineales. La tecnica se aplica en una amplia variedad de
casos, en los campos de agricultura, industria, transporte, economa, salud, ciencias sociales
y de la conducta, y militar. Tambien produce algoritmos eficientes de computo para problemas con miles de restricciones y variables. En realidad, debido a su tremenda eficiencia de
calculo, la programacion lineal forma la columna vertebral de los algoritmos de solucion para
otros modelos de investigacion de operaciones, como las programaciones entera, estocastica
y no lineal.
Este captulo comienza con el caso de un modelo de dos variables, y presenta su solucion
grafica. Esta solucion grafica permite tener una perspectiva del desarrollo del metodo smplex,
tecnica algebraica general. Tambien presenta ideas concretas para el desarrollo y la interpretacion de analisis de sensibilidad en programacion lineal.
LINEAL CON DOS VARIABLES
MODELO DE PROGRAMACION

Esta seccion explicara la solucion grafica de una programacion lineal con dos variables.
Aunque en la practica casi no existen problemas con dos variables, la presentacion aportara
ideas concretas para el desarrollo del algoritmo de solucion general que se presentara en el
captulo 3.
Ejemplo 2.1-1 (La compa
na Reddy Mikks)
Reddy Mikks produce pinturas para interiores y exteriores, M1 y M2. La tabla siguiente
proporciona los datos basicos del problema.

Materia prima M1
Materia prima M2
Utilidad por Ton (miles de $)

Ton de materia prima de

Pinturas para Pinturas para
exteriores
interiores
6
4
1
2
5
4

maxima
disponibilidad diaria
24
6

Una encuesta de mercado indica que la demanda diaria de pintura para interiores no
puede ser mayor que 1 tonelada mas que la de pintura para exteriores. Tambien, que la
demanda maxima diaria de pintura para interiores es de 2 toneladas.
Reddy Mikks desea determinar la mezcla optima (la mejor) de productos para exteriores
y para interiores que maximice la utilidad diaria total.
El modelo de programacion lineal, como en cualquier modelo de investigacion de operaciones, tiene tres componentes basicos.
1. Las variables de decision que se trata de determinar.
2. El objetivo (la meta) que se trata de optimizar.
3. Las restricciones que se deben satisfacer.

La definicion correcta de las variables de decision es un primer paso esencial en el desarrollo

del modelo. Una vez hecha, la tarea de construir la funcion objetivo y las restricciones se
hace en forma mas directa.
Para el problema de Reddy Mikks, se necesita determinar las cantidades a producir de
pinturas para exteriores e interiores. As, las variables del modelo se definen como sigue:
x1 = Toneladas producidas diariamente, de pintura para exteriores
x2 = Toneladas producidas diariamente, de pintura para interiores
Para formar la funcion objetivo, la empresa desea aumentar sus utilidades todo lo posible. Si z representa la utilidad diaria total (en miles de dolares), el objetivo de la empresa
se expresa as:
Maximizar z = 5x1 + 4x2
A continuacion se definen las restricciones que limitan el uso de las materias primas y la
demanda. Las restricciones en materias primas se expresan verbalmente como sigue:
Uso de una materia Prima
para ambas pinturas

Disponibilidad maxima
de materia prima

Seg
un los datos del problema,
Uso de la materia prima M1, por da = 6x1 + 4x2 toneladas
Uso de la materia prima M2, por da = 1x1 + 2x2 toneladas
Ya que la disponibilidad de las materias primas M1 y M2 se limita a 24 y 6 toneladas,
respectivamente, las restricciones correspondientes se expresan como sigue:

6x1 + 4x2
x1 + 2x2

24
6

(Materia prima M1)

(Materia prima M2)

La primera restriccion de la demanda indica que la diferencia entre la produccion diaria

de pinturas para interiores y exteriores, x2 x1 no debe ser mayor que 1 tonelada, y eso
se traduce en x2 x1 1. La segunda restriccion de la demanda estipula que la demanda
maxima diaria de pintura para interiores se limita a 2 toneladas, y eso se traduce como
x2 2.
Una restriccion implcita (o que se sobreentiende) es que las variables x 1 y x2 no pueden
asumir valores negativos. Las restricciones de no negatividad, x1 0 y x2 0, expresan
ese requisito.
El modelo de Reddy Mikks completo es
Maximizar z
s.a. 6x1 + 4x2
x1 + 2x2
2

= 5x1 + 4x2
24

x1 + x2
x2

1
2

x1 , x 2

Cualquier valor de x1 y x2 que satisfaga todas las restricciones del modelo es una soluci
on
factible. Por ejemplo, la solucion x1 = 3 toneladas diarias y x2 = 1 tonelada diaria es
factible, porque no viola alguna de las restricciones, incluyendo las de no negatividad. Para
comprobar este resultado se sustituye (x1 = 3, x2 = 1) en el lado izquierdo de cada restriccion.
Por ejemplo, en la primera restriccion, 6x1 + 4x2 = 6 3 + 4 1 = 22, que es menor que 24 en
el lado derecho. El valor de la funcion objetivo correspondiente a la solucion (x 1 = 3, x3 = 1)
es z = 5 3 + 4 1 = 19 (miles de dolares).
Desde el punto de vista de todo el modelo, nos interesa determinar la soluci
on o
ptima
factible que produzca la utilidad total maxima y al mismo tiempo satisfaga todas las restricciones. No se acepta enumerar las soluciones factibles, porque el modelo tiene una cantidad
infinita de ellas. En su lugar, se necesita un procedimiento sistematico que ubique con eficiencia la solucion optima. El metodo grafico de la seccion 2.3, y su generalizacion algebraica
en el captulo 3, resuelven este punto.
En el ejemplo anterior, las funciones objetivo y restricciones son lineales, todas. La linealidad implica que la programacion lineal debe satisfacer dos propiedades: proporcionalidad
y aditividad.
1. La proporcionalidad requiere que la contribucion de cada variable de decision en la
funcion objetivo, y sus requerimientos en las restricciones, sea directamente proporcional al
valor de la variable. Por ejemplo, en el modelo de Reddy Mikks, las cantidades 5x 1 y 4x2
expresan las utilidades por producir x1 y x2 toneladas de pintura para exteriores y para
interiores, respectivamente, y las utilidades unitarias por tonelada son 5 y 4, que definen
las constantes de proporcionalidad. Si, por otra parte, Reddy Mikks ofrece alguna clase de
descuentos por cantidad cuando las ventas son mayores que ciertas cantidades, la utilidad ya
no sera proporcional a las cantidades producidas x1 y x2 .
2. La aditividad estipula que la contribucion total de todas las variables en la funcion
objetivo y sus requerimientos en las restricciones, sean la suma directa de las contribuciones
o requerimientos individuales de cada variable. En el modelo de Reddy Mikks, la utilidad
total es igual a la suma de dos componentes individuales de utilidad. Sin embargo, si los dos
productos compiten por la misma parte de mercado en forma tal que un aumento de ventas
de uno afecte negativamente al otro, ya no se satisface la propiedad de aditividad.
GRAFICA

LINEAL
SOLUCION
DE LA PROGRAMACION

El procedimiento de solucion grafica comprende dos pasos:

1. Determinacion del espacio de soluciones que define todas las soluciones factibles del
modelo.
2. Determinacion de la solucion optima, entre todos los puntos factibles del espacio de
soluciones.
Usaremos dos ejemplos en el procedimiento, para mostrar como se manejan las funciones
objetivo de maximizacion y de minimizacion.

2.2.1 Soluci
on de un modelo de maximizaci
on
Ejemplo 2.2-1
En este ejemplo se resolvera el modelo de Reddy Mikks, de la seccion 2.1.
Paso 1. Determinaci
on del espacio de soluciones factibles:
Primero, se tendran en cuenta las restricciones de no negatividad x1 0 y x2 0. En
la figura 2.1, el eje horizontal x1 y el eje vertical x2 representan las variables pintura para
exteriores y pintura para interiores, respectivamente. En consecuencia, las restricciones de
no negatividad limitan el area del espacio de soluciones al primer cuadrante: arriba del eje
x1 y a la derecha del eje x2 .
Para tener en cuenta las otras cuatro restricciones, primero se sustituye cada desigualdad con una ecuacion, y a continuacion se grafica la recta resultante, ubicando dos puntos diferentes de ella. Por ejemplo, despues de sustituir 6x1 + 4x2 24 con la recta
6x1 + 4x2 = 24, se pueden determinar dos puntos distintos, primero igualando x 1 = 0
para obtener x2 = 24/4 = 6 y despues igualando x2 = 0 para obtener x1 = 24/6 = 4. De
este modo, la recta que pasa por los dos puntos (0, 6) y (4, 0) es la que se identifica con (1)
en la figura 2.1.
A continuacion consideraremos el efecto de la desigualdad. Todo lo que hace la desigualdad es dividir al plano (x1 , x2 ) en dos semiespacios que en este caso son semi-planos, uno
a cada lado de la lnea graficada. Solo una de esas dos mitades satisface la desigualdad.
Para determinar cual es el lado correcto, se elige cualquier punto de referencia en el primer
cuadrante. Si satisface la desigualdad, el lado en el que esta es el semiplano factible. En caso
contrario, quiere decir que es el otro lado. Desde el punto de vista de los calculos, es comodo
seleccionar a (0,0) como el punto de referencia, a menos que la recta pase por el origen; si as
fuera, se debera elegir otro punto.
El uso del punto de referencia (0,0) se ilustra con la restriccion 6x1 + 4x2 24. Como
6 0 + 4 0 = 0 es menor que 24, el semiplano que representa la desigualdad incluye al origen
(lo que se indica con la flecha en la figura 2.1). Para demostrar el uso de otros puntos de
referencia, investigaremos (6, 0). En este caso 6 6 + 4 0 = 36, que es mayor que el lado
derecho de la primera restriccion, y eso indica que el lado en el que esta (6,0) no es factible
para la desigualdad. Este resultado es consistente con el que se obtuvo usando (0,0) como
punto de referencia.
Con la aplicacion del procedimiento del punto de referencia a todas las restricciones del
modelo se obtiene el espacio factible que se indica en la figura 2.1.
Paso 2. Determinaci
on de la soluci
on o
ptima:
El espacio factible de la figura 2.1 esta delimitado por los segmentos de recta que unen
a los vertices A, B, C, D, E y F. Todo punto dentro o en la frontera del espacio ABCDEF
es factible, porque satisface todas las restricciones. Ya que el espacio factible ABCDEF esta
formado por una cantidad infinita de puntos, es obvio que se necesita un procedimiento
sistematico para identificar la solucion optima.
Para identificar la solucion optima se requiere identificar la direccion en la que aumenta
la funcion utilidad z = 5x1 + 4x2 (recuerdese que se esta maximizando a z). Para hacerlo
se asignan valores arbitrarios crecientes a z. Por ejemplo, si z = 10 y z = 15 equivaldra a
4

Figure 1:

graficar las dos rectas 5x1 + 4x2 = 10 y 5x1 + 4x2 = 15. En consecuencia, la direccion de
aumento en z es la que se ve en la figura 2.2. La solucion optima se encuentra en C, que es
el punto, en el espacio de soluciones, mas alla del cual cualquier aumento en z saca a uno de
las fronteras de ABCDEF.
Los valores de x1 y x2 , correspondientes al punto optimo C se calculan resolviendo las
ecuaciones asociadas a las rectas (1) y (2), esto es, resolviendo
6x1 + 4x2

24

x1 + 2x2

La solucion es x1 = 3 y x2 = 1.5 y en ese caso z = 5 3 + 4 1.5 = 21. Eso equivale a

una mezcla de productos de 3 toneladas de pintura para exteriores y 1.5 toneladas de pintura
para interiores. La utilidad diaria correspondiente es $21.000. No es por accidente que la
solucion optima se encuentre en un punto de esquina (vertice) del espacio de soluciones,
donde se cruzan dos lneas. En realidad, si se cambia la pendiente de la funcion utilidad z
(cambiando sus coeficientes), se vera que la solucion optima siempre se encuentra en esos
puntos de esquina. Esta observacion es clave para desarrollar el algoritmo smplex general
5

Figure 2:

que se presenta en el captulo 3.

2.2.2 Soluci
on de un modelo de minimizaci
on
Ejemplo 2.2-2 (Problema de la dieta)
En Granjas Modelo se usa diariamente un mnimo de 800 libras (Ib) de un alimento
especial, que es una mezcla de maz y soya, con las composiciones siguientes:
Alimento
Maz
Soya

lb por lb de alimento
Protenas
Fibras
0.09
0.02
0.60
0.06

Costo ($/lb)
0.30
0.90

Las necesidades dieteticas del alimento especial son un mnimo de 30% de protenas y un
maximo de 5% de fibras. Granjas Modelo desea determinar las proporciones de alimento que
produzcan un costo diario mnimo.
Como la mezcla de alimentos consiste en maz y soya, las variables de decision del modelo
se definen como sigue:
x1 = lb de maz en la mezcla diaria
x2 = lb de soya en la mezcla diaria

La funcion objetivo trata de minimizar el costo (en dolares) diario total de la mezcla de
alimentos, y en consecuencia se expresa como sigue:
Minimizar

z = 0.3x1 + 0.9x2

Las restricciones del modelo reflejan la cantidad diaria necesaria y los requerimientos
dieteticos. Como Granjas Modelo necesita un mnimo de 800 Ib diarias de alimento, la
restriccion correspondiente se puede expresar como sigue:
x1 + x2 800
En cuanto a la restriccion dietetica de necesidades de protena, la cantidad de protena
que contienen x1 lb de maz y x2 lb de soya es (0.09x1 + 0.6x2 ) lb. Esta cantidad debe ser
cuando menos igual al 30% de la mezcla total de alimentos, (x1 + x2 ) lb; esto es
0.09x1 + 0.6x2 0.3(x1 + x2 )
De manera similar, la restriccion de la fibra se define como
0.02x1 + 0.06x2 0.05(x1 + x2 )
Las restricciones se simplifican agrupando todos los terminos en x1 y x2 y pasandolos al
lado izquierdo de cada desigualdad, para que solo quede una constante en el lado derecho.
As, el modelo completo viene a ser
Minimizar

0.3x1 + 0.9x2

s.a. x1 + x2
0.21x1 0.30x2

800
0

0.03x1 0.01x2
x1 , x 2

0
0

La figura 2.3 muestra la solucion grafica del modelo. A diferencia del modelo de Reddy
Mikks (Ejemplo 2.2-1), la segunda y la tercera restricciones pasan por el origen. Para graficar
las rectas correspondientes solo se necesita un punto adicional, que se puede obtener asignando un valor a una de las variables y despejando la otra. Por ejemplo, en la segunda
restriccion x1 = 200 produce 0.21 200 0.3x2 = 0, es decir, x2 = 140. Eso quiere decir que
la recta 0.21x1 0.3x2 = 0 pasa por (0,0) y (200, 140). Tambien observese que no se puede
usar (0,0) como punto de referencia en las restricciones 2 y 3, porque ambas rectas pasan por
el origen. En lugar de ellos se puede usar cualquier otro punto, por ejemplo (100, 0) o (0,
100) para ese proposito.
Ya que en este modelo se busca minimizar la funcion objetivo, necesitamos reducir todo
lo posible el valor de z, en la direccion que muestra la figura 2.3. La solucion optima es
la interseccion de las dos rectas, x1 + x2 = 800 y 0.21x1 0.3x2 = 0; as se obtienen
x1 = 470.6 lb y x2 = 329.4 lb. El costo mnimo correspondiente, de la mezcla de alimentos,
es z = 0.3 470.6 + 0.9 329.4 = $437.64 diarios.

Figure 3: