“UNIVERSIDAD NACIONAL DE SAN CRISTÓBAL

DE HUAMANGA”
FACULTAD DE INGENIERÍA DE MINAS, GEOLOGÍA Y CIVIL
ESCUELA PROFESIONAL DE INGENIERÍA DE MINAS

MÉTODOS NÚMERICOS(MI-345)

“MODELOS DE PROGRAMACION MATEMATICA”

DOCENTE: Ing. CCATAMAYO BARRIOS, Johnny Henrry

INTEGRANTES:

 TABOADA ARONÉ, Jubert

 GARCIA AUCCASIO, Ronald.

 FLORES TUEROS, Hugo.

 MORALES RIVERA, Augusto F.

 GUTIERREZ LOA, Joselin

 IPURRE SUAREZ, Cezar

2018
AYACUCHO - PERÚ
INDICE
Capítulo 1: Resumen ejecutivo .................................................................................................... 3
Objetivos ....................................................................................................................................... 4
Alcance .......................................................................................................................................... 5
Capítulo 2: Modelos de programación matemática ...................................................................... 6
1. Programas computacionales ................................................................................................ 6
2. Optimización en ingeniería .................................................................................................. 7
2.1. Variables de decisión y parámetros. ........................................................................... 7
2.2. Restricciones. ................................................................................................................ 7
2.3. Función objetivo. .......................................................................................................... 7
3. Programación lineal ................................................................................................................. 8
3.1. métodos para la resolución de problemas en programación lineal. ............................... 10
3.1.1. Métodos de presentación gráfica. .............................................................................. 10
3.1.2. Método simplex. ................................................................................................................ 11
3.1.2.1. Variables de holgura. ................................................................................................ 12
3.1.2.2. Condiciones de optimización y factibilidad del método simplex ........................... 12
3.1.2.3. Condición de Optimalidad: ...................................................................................... 13
3.1.2.4. Condición de Factibilidad ......................................................................................... 13
3.1.2.5. Pasos Del Método Simplex ........................................................................................ 13
3.1.3. Método de duabilidad. ..................................................................................................... 14
3.3.1. Obtención del dual a partir del primal en forma estándar....................................... 15
3.3.2. Obtención del problema dual ...................................................................................... 15
Capitulo 3: Análisis de datos. ........................................................................................................ 17
Recomendaciones ....................................................................................................................... 18
Conclusiones ............................................................................................................................... 19
Observaciones ............................................................................................................................. 20
Bibliografía ................................................................................................................................. 21
 Capítulo 1: Resumen ejecutivo

Se estudiará y comprenderá el comportamiento de los algoritmos en programaciones

matemáticas en ecuaciones lineales, su aplicación en los softwares y su facilidad de cálculos.

Años atrás los cálculos matemáticos eran analíticos o manuales, las soluciones que se
obtenían eran limitadas simplemente se prestaba para ciertas clases de problemas. En
ecuaciones matemáticas complejas se les hacía difícil tener una solución he ahí el uso de
modelos y programaciones matemáticas.
Los programas matemáticas fue de mayor ayudar en la ingeniería, la facilidad de resolver
ecuaciones sencillas hasta los más complejos, obtener muchos cálculos, optimizar estos
cálculos para poder llegar a una conclusión, todo ello se encarga los programas
matemáticas
 Objetivos

Objetivos Generales.
El objetivo primordial de la programación lineal es optimizar, es decir maximizar y
minimizar funciones en varias variables reales que están sujetas a restricciones lineales
(sistema de inecuaciones lineales) optimizando una función objetiva también lineal.

Objetivos Especifico.
 Entender el modelo general de programación matemática como un problema de
optimización.

 Modelar problemas de optimización por medio de la programación lineal, en este

caso modelaremos un método en nuestro análisis de datos (método gauss-jordan)

 Estudiar los diferentes métodos para resolver un problema de programación lineal.

 Implementar algoritmos para resolver un problema de programación lineal.

 Estudiar el concepto de dualidad en programación lineal.

 Alcance
Para nuestro desarrollo en el “análisis de datos” usaremos un modelo de programación
matemática llamado “modelo de transporte o camino”.

El principal objetivo de este modelo de transporte es la satisfacción de todo los requerimientos

establecidos por los destinos y claro está, la minimización de costos relacionados con el plan
determinado por las rutas escogidas
 Capítulo 2: Modelos de programación matemática

1. Programas computacionales
Los programas computacionales son únicamente conjuntos de instrucciones que dirigen
a la computadora para realizar una cierta tarea. Hay mucha gente que escribe programas
para un amplio rango de aplicaciones en los lenguajes de alto nivel, como Fortran 90 o
C, porque tienen una gran variedad de capacidades. Aunque habrá algunos ingenieros
que usarán toda la amplia gama de capacidades, la mayoría sólo necesitará realizar los
cálculos numéricos orientados a la ingeniería.
Visto desde esta perspectiva, reducimos toda esa complejidad a unos cuantos tópicos
de programación, que son:

 Representación de información sencilla (declaración de constantes, variables y tipos)

 Representación de información más compleja (estructuras de datos, arreglos y

registros)

 Fórmulas matemáticas (asignación, reglas de prioridad y funciones intrínsecas)

 Entrada/Salida

 Representación lógica (secuencia, selección y repetición)

 Programación modular (funciones y subrutinas)

La programación matemática es una potente técnica de modelado usada en el proceso de

toma de decisiones. Cuando se trata de resolver un problema de este tipo, la primera etapa
consiste en identificar las posibles decisiones que pueden tomarse; esto lleva a identificar las
variables del problema concreto. Normalmente, las variables son de carácter cuantitativo y
se buscan los valores que optimizan el objetivo. La segunda etapa supone determinar que
decisiones resultan admisibles; esto conduce a un conjunto de restricciones que se
determinan teniendo presente la naturaleza del problema en cuestión. En la tercera etapa, se
calcula el coste/beneficio asociado a cada decisión admisible; esto supone determinar una
función objetivo que asigna, a cada conjunto posible de valores para las variables que
determinan una decisión, un valor de coste/beneficio. El conjunto de todos estos elementos
define el problema de optimización.

2. Optimización en ingeniería

La optimización es una parte muy importante dentro de la investigación operativa; tiene

como propósito analizar e identificar la mejor solución posible, entre todas las soluciones
potenciales.

A menudo no hay una solución de diseño que funcione bien en todos los casos, por lo tanto,
en esos casos los ingenieros para poder optimizar deben tomar los atributos de mayor interés.
Es necesario la aplicación de la investigación de operaciones y de modelos matemáticos, los
cuales ayudan a la disminución y optimización de problemas que se presenta en el campo de
la ingeniería. En los modelos matemáticos se representan en tres elementos principales:

2.1. Variables de decisión y parámetros.

Se trata de incógnitas establecidas para la solución del problema. Los parámetros son los
valores fijos en el problema.

2.2. Restricciones.

Representan el conjunto de relaciones que ciertas variables están obligadas a satisfacer. Son
expresadas matemáticamente mediante ecuaciones e inecuaciones.

2.3. Función objetivo.

Es una función matemática que define la calidad de la solución en función de las variables
de decisión.

El interés en la optimización se concentra en la solución de problemas reales, los cuales

deben ser representados matemáticamente. La optimización de la representación matemática
de procesos reales presenta dos tipos de problemas:

 Formulación del modelo matemático: en el cual se debe representar la

función a ser optimizada o como también se conoce, la función objetivo.

 Técnica de solución: donde se supone que los coeficientes y variables

del modelo no son variables aleatorias.
Sabemos que la optimización abarca muchos ámbitos de la ingeniería, como por ejemplo
sistemas complejos, es por ello que se trata de optimizar esos sistemas. La ingeniería tiene
la necesidad de mejorar los procesos de las empresas constantemente para que puedan ser
competitivas en el mercado actual, ya sea de producción y de servicio.

3. Programación lineal
La Programación Lineal corresponde a un algoritmo a través del cual se resuelven
situaciones reales en las que se pretende identificar y resolver dificultades para aumentar la
productividad respecto a los recursos (principalmente los limitados y costosos), aumentando
así los beneficios. El objetivo primordial de la Programación Lineal es optimizar, es decir,
maximizar o minimizar funciones lineales en varias variables reales con restricciones
lineales (sistemas de inecuaciones lineales), optimizando una función objetivo también
lineal.

Los resultados y el proceso de optimización se convierten en un respaldo cuantitativo de las

decisiones frente a las situaciones planteadas. Decisiones en las que sería importante tener
en cuenta diversos criterios administrativos como:

 Los hechos
 La experiencia
 La intuición
 La autoridad

¿COMO RESOLVER UN PROBLEMA MEDIANTE PROGRAMACIÓN LINEAL?

El primer paso para la resolución de un problema de programación lineal consiste en la

identificación de los elementos básicos de un modelo matemático, estos son:

 Función Objetivo
 Variables
 Restricciones
El siguiente paso consiste en la determinación de los mismos, para lo cual proponemos seguir
la siguiente metodología:

Definir el Identificar y Identificar y Plantear la

criterio definir variables definir funcion
De la funcion restricciones objetivo

LA FUNCIÓN OBJETIVO

La función objetivo tiene una estrecha relación con la pregunta general que se desea
responder. Si en un modelo resultasen distintas preguntas, la función objetivo se relacionaría
con la pregunta del nivel superior, es decir, la pregunta fundamental. Así por ejemplo, si en
una situación se desean minimizar los costos, es muy probable que la pregunta de mayor
nivel sea la que se relacione con aumentar la utilidad en lugar de un interrogante que busque
hallar la manera de disminuir los costos.

PREGUNTA FUNDAMENTAL/Función Objetiva

-¿Como se puede disminuir los -MINIMIZAR

costos de inventario?

-¿Qué debe hacer para mejorar -MAXIMIZAR

las utilidades de la empresa?

LAS VARIABLES DE DECISIÓN

Las variables de decisión, son en teoría, factores controlables del sistema que se está
modelando, y como tal, estas pueden tomar diversos valores posibles, de los cuales se precisa
conocer su valor óptimo, que contribuya con la consecución del objetivo de la función
general del problema.
LAS RESTRICCIONES

Cuando hablamos de las restricciones en un problema de programación lineal, nos referimos

a todo aquello que limita la libertad de los valores que pueden tomar las variables de
decisión.

La mejor manera de hallarlas consiste en pensar en un caso hipotético en el que decidiéramos

darles un valor infinito a nuestras variables de decisión, por ejemplo, ¿qué pasaría si en un
problema que precisa maximizar sus utilidades en un sistema de producción de calzado
decidiéramos producir una cantidad infinita de zapatos? Seguramente ahora nos surgirían
múltiples interrogantes, como, por ejemplo:

 ¿Con cuánta materia prima cuento para producirlos?

 ¿Con cuánta mano de obra cuento para fabricarlos?
 ¿Pueden las instalaciones de mi empresa albergar tal cantidad de producto?
 ¿Podría mi fuerza de mercadeo vender todos los zapatos?
 ¿Puedo financiar tal empresa?

Pues bueno, entonces habríamos descubierto que nuestro sistema presenta una serie de
limitantes, tanto físicas, como de contexto, de tal manera que los valores que en un momento
dado podrían tomar nuestras variables de decisión se encuentran condicionados por una serie
de restricciones.

3.1. Métodos para la resolución de problemas en programación lineal.

3.1.1. Métodos de presentación gráfica.

Consiste en representar las restricciones sobre unos ejes de coordenadas, para delimitar la
región dónde se encuentran las soluciones factibles.
Las soluciones óptimas se encontrarán 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 estas condiciones, no tiene solución.
Ejemplo:

F.O: Max 5𝑋 + 6𝑌

S.a: 𝑋 + 𝑌 ≤ 4

𝑋 + 2𝑌 ≤ 6
La representación gráfica se ve en la figura.

Dando valores a la función objetivo vamos obteniendo sucesivas rectas paralelas, de forma
que según aumenta la función objetivo, la recta se separa del origen.
Por tanto, puede suceder que nuestra función objetivo de valor óptimo coincida con
una arista o con un vértice del polígono que delimite nuestro dominio.
En nuestro caso, el vértice A (2,2) será la solución óptima.
Luego el valor óptimo de nuestra función objetivo será:

5 ∗ 2 + 6 ∗ 2 = 22

sí por el contrario nuestro problema hubiese sido:

F.O: Max 5𝑋 + 6𝑌

S.a: 𝑋 + 𝑌 ≥ 4

𝑋 + 2𝑌 ≥ 6
Gráficamente:

3.1.2. Método simplex.

El método simplex es un procedimiento matricial para resolver problemas lineales
expresados en forma estándar.
Empezando con x0, el método localiza sucesivamente otras soluciones factibles básicas que
tienen mejores valores del objetivo, hasta obtener la solución óptima.

El desarrollo del método simplex está basado en el uso de la forma estándar (en la cual todas
las restricciones se convierten en ecuaciones) a fin de hacer la transición de las
representaciones gráficas a las algebraicas.
Un punto extremo factible, se define como una solución básica factible.

Los puntos extremos factibles de un programa lineal son totalmente determinados por las
soluciones básicas factibles de las ecuaciones que lo definen.

3.1.2.1. Variables de holgura.

El valor de una variable de holgura, representa el sobrante de la restricción a la que
está asociada. Por ello, una variación en el valor de una variable de holgura implica una
modificación en los términos independientes de las restricciones.
Variables básicas:
El valor de una variable de holgura BÁSICA representa la disminución máxima que
puede tener la restricción a la que está asociada, sin que varíe nuestra base factible. Es
decir, refleja el exceso que tenemos en la restricción correspondiente.

3.1.2.2. Condiciones de optimización y factibilidad del método simplex

La solución óptima para un programa lineal general con “m” ecuaciones y “n” incógnitas
𝑛
puede obtenerse resolviendo 𝐶𝑚 = 𝑛! [𝑚! (𝑛 − 𝑚)!] conjunto de ecuaciones simultáneas.
Este procedimiento es ineficiente.

 Primero, el número de soluciones básicas posibles puede ser demasiado grande.

 Segundo, muchas de estas soluciones pueden ser no factibles o no existentes.

 Tercero, la función objetivo juega un papel pasivo en el cálculo, ya que es utilizada

únicamente después de todas las soluciones básicas factibles han sido determinadas

El método simplex está diseñado específicamente para evitar estas ineficiencias. El enfoque
consiste en partir de una solución básica factible (esto es, un punto extremo factible) y luego
pasar sucesivamente a través de una sucesión de soluciones básicas factibles (no
redundantes), de tal manera que cada nueva solución tenga la facultad de mejorar el valor de
la función objetivo.

Es mucho más fácil operar con igualdades que con desigualdades. Por tanto, se convierten a
ecuaciones las restricciones agregando variables de holgura(𝑆1 , 𝑆2 , 𝑆3 , … . , 𝑆𝑛 ), por
ejemplo:2𝑥1 + 3𝑥2 ≤ 6, para convertirla a ecuación se le agrega una variable de holgura y
se obtiene 2𝑥1 + 3𝑥2 + 𝑆1 = 6, y estás variables de holgura son enumeradas por el orden
correlativo de las restricciones del problema. Es claro que para que el método sea válido,
debemos especificar que las variables de holgura sean no negativas.

Básicas 𝑥0 𝑥1 𝑥2 𝑺𝟏 𝑺𝟐 𝑺𝟑 𝑺𝟒 Solución
𝑥0 1 -4 3 0 0 0 0 0 Ecuación 𝑥0
𝑆1 0 2 -3 1 0 0 0 6 Ecuación 𝑆1
𝑆2 0 -3 2 0 1 0 0 3 Ecuación 𝑆2
𝑆3 0 0 2 0 0 1 0 5 Ecuación 𝑆3
𝑆4 0 2 1 0 0 0 1 4 Ecuación 𝑆4

3.1.2.3. Condición de Optimalidad:

Dada la ecuación x0 expresada en función de las variables no básicas solamente, se elige la

variable que entra en maximización (minimización) como la variable no básica que tiene el
mayor coeficiente negativo (el más positivo) en la ecuación 𝑥0 . Un empate entre dos
variables no básicas debe descomponerse arbitrariamente. Cuando todos los coeficientes del
lado izquierdo de la ecuación x0 son no negativos (no positivos) se ha llegado al óptimo.

3.1.2.4. Condición de Factibilidad

La variable que sale es la variable básica correspondiente al cociente más pequeño de los
valores actuales de las variables básicas entre los coeficientes positivos de las restricciones
de la variable que entra. Un empate puede romperse arbitrariamente.

3.1.2.5. Pasos Del Método Simplex

 Paso 1: Se localiza el número más negativo en el renglón inferior del tablero simplex,
incluyendo la última columna. A la columna en la cual aparece este número, se le
denominará columna de trabajo. Si existe más de una posibilidad en la selección del
número más negativo, se selecciona sólo uno.

 Paso 2: Se obtienen razones dividiendo cada número positivo de la columna de

trabajo, excluyendo el último renglón, entre el elemento en el mismo renglón y en la
última columna. Al elemento de la columna de trabajo que dé la razón más pequeña,
se le denomina elemento pivote. Si más de un elemento da la misma razón más
pequeña, se selecciona uno de ellos. Si ningún elemento en la columna de trabajo es
positivo, el problema no tiene solución.

 Paso 3: Utilice operaciones elementales de renglones para convertir el elemento

pivote a 1 y reducir después a todos los demás elementos en la columna de trabajo a
0.

 Paso 4: Se reemplaza la variable x en el renglón pivote y en la primera columna por

la variable x en el primer renglón y en la columna pivote. Esta nueva primera
columna es ahora el conjunto de variables básicas.
  Paso 5: Se repiten los pasos 1 al 4 hasta que no queden números negativos en el
último renglón, excluyendo a la última columna.

 Paso 6: La solución óptima se obtiene asignando a cada variable de la primera

columna aquel valor en el renglón correspondiente y en la última columna. A todas
las otras variables se les asigna el valor cero. El valor asociado z*, último valor
óptimo de la función objetivo, es el número en el último renglón y última columna
para un problema de maximización, pero es el negativo de este número para un
problema de minimización.

3.1.3. Método de duabilidad.

Dado un modelo lineal determinado, se puede definir otro modelo lineal que permite obtener
propiedades interesantes del primero y que será su dual. La solución del modelo dual permite
obtener interesantes resultados, relativos al análisis de sensibilidad de los términos
independientes. Más concretamente, para los rangos de valores de los términos
independientes para los que se mantiene la base óptima (que podemos conocer mediante el
análisis de sensibilidad), la solución del dual permite conocer la variación de la función
objetivo por unidad incrementada del término independiente de la restricción
Dado el problema de programación lineal

Minimizar: Z = CT x

Sujeta a:

Ax ≥ b

x≥0
Su problema dual es maximizar:

Z = bT y
Sujeta a:

AT y ≤ c

𝑦≥0

Donde 𝑦 = (𝑦1 , … … , 𝑦𝑚 )𝑇 se denomina variables duales.

Se denomina al primer problema primal, y al segundo, su dual. Donde se puede apreciar que
los mismos elementos (la matriz A, y los vectores b y c configuran ambos problemas). El
problema primal no se ha escrito en forma estándar, sino en una forma que permite apreciar
la simetría entre ambos problemas, y mostrar así que el dual del dual es el primal.
 3.3.1. Obtención del dual a partir del primal en forma estándar
Se obtiene el problema dual a partir del problema primal en forma estándar. Para hacer esto
basta con aplicar la relación primal-dual como se explicó en tema anterior de dualidad.

Minimizar: Z = CT x

Sujeta a:

Ax = b

x≥0

La igualdad Ax = b puede reemplazarse por las desigualdades Ax ≥ b y −Ax ≥ −b

Entonces, puede escribirse el problema como:

Minimizar: Z = CT x

Sujeta a:’

(𝐴 )𝑋 ≥ (𝑏 )
−𝐴 −𝑏
x≥0
el dual de este problema es:

Z = bT 𝑦 1 − bT 𝑦 2 = bT y

Donde 𝑦 = 𝑦 1 − 𝑦 2 no está restringida en signos, sujeta a:

𝑦 (1)
(𝐴𝑇 − 𝐴𝑇 ) ( (2)
) = 𝐴𝑇 𝑦 ≤ 𝑐
𝑦

3.3.2. Obtención del problema dual

Un problema de programación lineal de la forma (10) tiene asociado un problema dual que
puede
formularse según las reglas siguientes:

 Regla 1. Una restricción de igualdad en el primal (dual) hace que la correspondiente

variable dual (primal) no esté restringida en signo.

 Regla 2. Una restricción de desigualdad ≥ (≤) en el primal (dual) da lugar a una

variable dual (primal)no negativa.

 Regla 3. Una restricción de desigualdad ≤ (≥) en el primal (dual) da lugar a una

variable dual (primal)no positiva.
  Regla 4. Una variable no negativa primal (dual) da lugar a una restricción de
desigualdad ≤ (≥) en el problema dual (primal).

 Regla 5. Una variable primal (dual) no positiva da lugar a una restricción de

desigualdad ≥ (≤) en el problema dual (primal).

 Regla 6. Una variable no restringida en signo del problema primal (dual) da lugar a
una restricción desigualdad en el dual (primal).

4.Metodo Gauss-Jordan

Se trata de una serie de algoritmos del algebra lineal para determinar los resultados de un
sistema de ecuaciones lineales y así hallar matrices e inversas. El sistema de Gauss se utiliza
para resolver un sistema de ecuaciones y obtener las soluciones por medio de la reducción
del sistema dado a otro que sea equivalente en el cual cada una de las ecuaciones tendrá una
incógnita menos que la anterior. La matriz que resulta de este proceso lleva el nombre que
se conoce como forma escalonada.

Este método, permite resolver hasta 20 ecuaciones simultáneas. Lo que lo diferencia del
método Gaussiano es que cuando es eliminada una incógnita, se eliminará de todas las
ecuaciones restantes, o sea, las que anteceden a la ecuación principal, así como de las que la
siguen a continuación. De esta manera el paso de eliminación forma una matriz identidad en
vez de una matriz triangular. No es necesario entonces utilizar la sustitución hacia atrás para
conseguir la solución.

Para resolver sistemas de ecuaciones lineales con el método Gauss-Jordan, debemos en

primer lugar anotar los coeficientes de las variables del sistema de ecuaciones lineales con
la notación matricial, por ejemplo:

𝑎1 𝑥 + 𝑏1 𝑦+𝑐1 𝑧 = 𝑑1

𝑎2 𝑥 + 𝑏2 𝑦+𝑐2 𝑧 = 𝑑2

𝑎3 𝑥 + 𝑏3 𝑦+𝑐3 𝑧 = 𝑑3
Luego llevarlo matricialmente.

a1 b1 c1 d1
(a2 b2 c 2 | d2 )
a3 b3 c 3 d3
Ahora transformaremos dicha matriz en una matriz identidad, ósea en una matriz equivalente
a la inicial, de la forma:

0 0 0
[1 1 0]
0 1 0

Logramos esto aplicando a las distintas columnas y filas de las matrices, restas, sumas,
multiplicaciones y divisiones. Debemos tener en cuenta que las operaciones utilizadas se
aplicarán en todos los elementos de la fila.

En dicha matriz identidad no vemos los términos independientes. Esto sucede ya que cuando
la matriz original alcance la matriz identidad, los términos serán la solución del sistema y
verificarán la igualdad para cada variable que se corresponderán de la forma siguiente:

 d1 = 𝑥
 d2 = 𝑦
 d3 = 𝑧

Capitulo 3: Análisis de datos.

 Recomendaciones

Programación lineal es ampliamente utilizado en labores financieras, administrativa e ingeniería y

sirve para optimizar y maximizar cálculos que se obtendrán.

El meto
 Conclusiones

 Los programas lineales, es un modelo de decisiones restringidas que son parámetros

o condiciones que se deben tomar.

 En la programación lineal se da una asignación de recursos limitados para optimizar

un objetivo con el fin al que se debe llegar.

 Existen 2 componentes básicos en programación lineal, los cuales son:

o Funciones objetivas
 Variables de decisión
o Restricciones
 Limitaciones
 Requerimientos
Existen varios tipos de modelos de programación lineal, acuerdo a lo que se quiere resolver.
 Observaciones

Los modelos de programación lineal trabajan solo con variables de primer grado,
restringiendo así operaciones de segundo grado a mayores.

El modelo de programación lineal es ampliamente usado en el mundo de la ingeniería ayuda

en la optimización de los cálculos sacados del campo.
Bibliografía

https://www.aiu.edu/cursos/matematica/pdf%20leccion%203/lecci%C3%B3n%203.4.pdf

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

http://linealprogramation.blogspot.com/2008/10/importancia-de-la-programacin-lineal.html