1.

INTRODUCCIÓN A LA PROGRAMACIÓN LINEAL

La Programación Lineal es una de las principales ramas de la Investigación Operativa. En esta

categoría se consideran todos aquellos modelos de optimización donde las funciones que lo
componen, es decir, función objetivo y restricciones, son funciones lineales en las variables de
decisión. Dicho en otras palabras, la programación lineal es una técnica de la Investigación de
Operaciones que se encarga de buscar la mejor forma de utilizar los recursos limitados, mediante
modelos de simulación conocidos como modelos de programación lineal. Se llega a una solución
óptima después de la experimentación con dichos modelos. Una de las principales características
de los problemas en donde se va a utilizar la programación lineal, es que los recursos deben ser
limitados. El siguiente diagrama ilustra lo anterior.
EMPRESA
Limitación en la disponibilidad de Recursos

 Disponer de una cantidad

Se disponen de Máxima de Recursos (< o =).
RECURSOS forma limitada  Disponer de una cantidad Mínima
de Recursos (> o =).
 Disponer de una cantidad Exacta
de Recursos. (=)

Cómo Optimizarlos INVESTIGACION DE OPERACIONES

Técnicas para decidir (TÉCNICAS)
cómo usarlos en
forma óptima  Programación Lineal.
 Inventarios.
 Evaluación de Proyectos.
 Transporte y Asignación.
 Teoría de Redes.
 Etc.

Encontrar la
Solución
Óptima

3
Los elementos que debe contener un modelo de programación lineal, son los siguientes:

Expresiones matemáticas

En tales expresiones encontramos a las Ecuaciones

Ejemplo: A+B=C

Las Inecuaciones
Ejemplo: 2A+3B ≥ C

Las Variables de decisión, las cuales deben existir por lo menos dos variables y la mejor forma de
representarlas es con Xn, donde n puede tomar infinitos valores.

Las relaciones permitidas con las variables son las siguientes: =, +, -, ≤, ≥, exponente 1 en las
variables, producto entre el coeficiente y la variable.
Por otro lado, las relaciones no permitidas son las siguientes: ≠, <, >, división y producto entre
variables, exponente distinto (mayor) de uno, raíz cuadrada.

Restricciones
De estas, debe haber dos o más.

Restricciones de No negatividad, significa que los valores de variables no deben ser negativos. Esto
es: Xn ≥ 0

Objetivo
Es la meta o logro que la empresa quiere alcanzar cuando determine cómo utilizará sus recursos
limitados. El objetivo será básicamente de dos tipos:

Maximizar.- Incrementar utilidades, rendimientos, contribuciones, etc. (MAX).

Minimizar.- Reducir Costo, tiempo (MIN).

De lo anterior se desprende lo que conocemos como FUNCIÓN OBJETIVO, que no es otra cosa más
que una expresión matemática que nos debe decir qué objetivo se persigue.
Se representa con:
-ZMAX ó MaxZ
-ZMIN ó MinZ

MODELO DE PROGRAMACIÓN LINEAL

La estructura que debe presentar un modelo de programación lineal, es más o menos como sigue:
 Primero, que existan recursos limitados.
 Determinar variables de decisión (X1=, X2=,)

4
  El siguiente paso es escribir SÓLO UNA Función Objetivo
Ejemplo:
ZMAX = 3X1+2X2

Al escribir la función objetivo, se deben tomar en cuenta las siguientes consideraciones:

 Una función objetivo siempre es una ecuación (igualdad)

 La relación entre las variables siempre es de suma.
 La función objetivo está sujeta a las restricciones (s.a. “sujeto a”)

Estructura de las restricciones de recursos.

Las restricciones de recursos deben ser dos o más y tendrán la siguiente estructura.
Relaciones
Recursos
entre
limitados
variables

RESTRICCIÓN 1 X1 + 3X2 ≤ 50
RESTRICCIÓN 2 2X1 – X2 ≤ 20

Las restricciones generalmente son desigualdades y en muy raras ocasiones son una igualdad.
Debe existir una restricción por tipo de recurso. Las variables no deben ser negativas (restricción
de no negatividad: X1, X2 ≥ 0).

Tipos de modelos de programación lineal.

Existen por lo menos cuatro tipos distintos de programación lineal:

1) Modelo de Maximizar Homogéneo: En este tipo de modelo, las restricciones son del mismo
tipo.
Ejemplo:

ZMAX= 3X1 + 2X2

s.a. X1 + 3X2 ≤ 50

2X1 – X2 ≤ 20

X1, X2 ≥ 0

5
2) Modelo de Maximizar Heterogéneo: Restricciones de recursos son distintas.

Ejemplo:
ZMAX= 4X1 + X2

s.a. 3X1 + X2 ≤ 25

X 1 – X2 ≤ 8

X2 ≥ 4

X1, X2 ≥ 0

3) Modelo de Minimizar Homogéneo

Ejemplo:

ZMIN= 4X1 + 2X2

s.a. 2X1 + X2 ≥ 10

X1 + 3X2 ≥ 15

3 X1 - X 2 ≥ 8

X1, X2 ≥ 0

4) Modelo de Minimizar Heterogéneo.

Ejemplo:

ZMIN= X1 + X2

s.a. 3X1 + 4X2 ≥ 10

X 1 + X2 ≤ 5

X1, X2 ≥ 0
Cuándo usar reglas generales para determinar el tipo de restricción.

Las reglas generales se aplican cuando el problema no especifique las restricciones de recursos y
sólo se aplica a los modelos heterogéneos.

Las reglas generales son las siguientes:

 En un modelo de maximizar heterogéneo tiene las restricciones del tipo ≤

 En un modelo de minimizar heterogéneo tiene las restricciones del tipo ≥

6
 2. FORMULACIÓN DE MODELOS DE PROGRAMACIÓN LINEAL.

El paso inicial es que exista un problema, luego contar con la información necesaria (recursos
limitados, variables de decisión, objetivo, recursos para cada variable) y si el problema no nos
aporta más información, recurrimos a las reglas generales.

El siguiente paso es construir una tabla como la siguiente.

Variables de Decisión
Recursos Disponibilidad
X1 X2
Recurso1

Recurso2

Utilidad o
Costos

Ejemplo con datos de un problema real.

X1 X2

Mesa Silla
Madera ≤ 100 M3
Recursos

0.75 0.5
≤ 10 Kg
Clavos 1/4 1/8
≤ 80 Hrs
Mano de obra 5 4

Utilidad 50 45 Función
Objetivo

Coeficientes

Construcción del Modelo de Programación Lineal

ZMAX= 50X1 + 45X2

s.a. 0.75X1 + 0.5X2 ≤ 100

1/4X1 + 1/8X2 ≤ 10
* El resultado es un Modelo de Maximizar
5X1 + 4X2 ≤ 80
Homogéneo o Estándar de Maximizar
X1, X2 ≥ 0

7
RESOLUCIÓN DE MODELOS DE PROGRAMACIÓN LINEAL

Para la resolución de los modelos de programación lineal, se consideran dos métodos.

3. MÉTODO GRÁFICO

Es considerado como el método más sencillo, pero tiene que satisfacer los siguientes criterios:

 Solo es aplicable para modelos de 2 variables de decisión.

 Para 2 o más restricciones de recursos.
 Sólo proporciona información de las variables de decisión y Z.
 No proporciona información directa de la utilización de los recursos (solo indirectamente).
 Requiere el uso de escalas lineales.

Otras consideraciones:

 El número de líneas rectas estará dado por el número de restricciones de recursos.

 Para los modelos homogéneos se espera que las áreas de análisis aparezcan del mismo
lado.
 La orientación de la línea, dependerá del número de variables.
Ejemplo:
Para 2 variables se espera,
ó

Para 1 Variable se espera

ó

Pasos a seguir para resolución mediante el método gráfico.

Considere el siguiente ejemplo para ayudarnos a comprender mejor los pasos a seguir.

ZMAX= 16XA + 12XB

s.a. 8XA + 15XB ≤ 112

20XA + 10XB ≤ 170

X A, X B ≥ 0

1. Identificar el modelo a resolver. Esto significa que vamos a determinar si buscamos el valor
máximo de Z (ZMAX) o el valor mínimo de Z (Z MIN). Cuando existen áreas del mismo lado (modelos
homogéneos) significa que por lo menos hay una solución óptima. En el ejemplo nos interesa
obtener el valor máximo de Z.

8
2. Establecer las fronteras de cada restricción. Las fronteras son las igualdades de las restricciones.
Para hallarlas, solamente convertimos las desigualdades (inecuaciones) en igualdades
(ecuaciones).

Esto es:
8XA + 15XB ≤ 112 8XA + 15XB = 112

20XA + 10XB ≤ 170 20XA + 10XB = 170

Una vez hecho lo anterior, podremos graficar las líneas rectas.

3. Graficar las líneas rectas.

Obtención de los puntos.

Le asignamos el valor 0 a una de las variables, para hallar el punto donde la línea hace intersección
con el eje de las Y (XB). Empezamos con XA

1.- 8XA + 15XB = 112

Si XB = 0
Si XA = 0
Entonces diremos que:
Entonces diremos que:
8XA + 0 = 112
0+15XB = 112
XA = 112/8
XB = 112/15
XA = 14
Por lo tanto, el punto 1 sería:
Por lo tanto, el punto 2 sería:
P1 (0 , 112/15)
P1 (14 , 0)

2.- 20XA + 10XB = 170

Si XA = 0 Si XB = 0
Entonces diremos que: Entonces diremos que:
0 + 10XB = 170 20XA + 0 = 170
XB = 170/10 XA = 170/20
XB = 17 XA = 17/2
Por lo tanto, el punto 1 sería: Por lo tanto, el punto 2 sería:
P1 (0 , 17) P2 (17/2 , 0)

El siguiente paso sería graficar los puntos en el plano.

La gráfica de la solución del modelo anterior la incluimos en la página siguiente.

9
Gráfica del ejemplo anterior.

Área de
solución
20XA + 10XB = 170
factible

Vértices de
Optimalidad

V2
Área de
optimalidad
8XA + 15XB = 112

V3 Área de
solución
factible

V1 V4

4. Identificación del área de solución factible para cada restricción.

Esta área contiene los valores de las variables que satisfacen la restricción (recurso limitado) que
se analiza. En la gráfica anterior se puede identificar claramente el área de solución factible para
cada una de las líneas rectas.

5. Identificar el área de Optimalidad

Esta área es la que contiene los valores de las variables que satisfacen a todas las restricciones del
modelo y que además en uno o más vértices que la delimitan, llamados “vértices de optimalidad”,
se encontrará la solución óptima del modelo. En la gráfica anterior identificamos al área de
optimalidad por ser la región marcada con líneas color rojo en forma de rejilla delimitada por
cuatro vértices de optimalidad señalados por flechas punteadas color amarillo.

10
6. Construir una tabla donde se ubiquen los vértices de optimalidad, los valores de las variables en
esos vértices y el valor de la función objetivo para cada vértice.

La tabla quedaría más o menos como sigue.

Hallar el valor de XA, XB en los vértices 1, 2, y 4 no
Vértice XA XB ZMAX= 16 XA + 12XB supone ningún problema, puesto que sabemos que en
1 0 0 0
cualquiera de esos tres casos los vértices hacen contacto
2 0 112/15 448/5 (89.6 aprox)
con los ejes XA y XB. Para encontrar los valores de XA y
3 6.5 4 152
4 8.5 0 136 XB en el vértice 3, recurrimos a un sistema de
ecuaciones simultáneo. Al resolverlo obtenemos los
valores para XA= 6.5 y XB= 4

7. Encontrar la solución óptima.

Esto lo haremos al seleccionar el vértice que satisfaga de mejor manera el objetivo que se
persigue. Para el ejemplo que estamos analizando, el objetivo que perseguimos es de maximizar
utilidades, por lo tanto nos interesa el valor más alto que es 152 y se encuentra en el vértice 3.

8. A partir de la solución óptima, interpretar dicha solución para encontrar la solución al problema
que se está resolviendo.

POR LO TANTO,

La solución óptima es:

XA= 6.5

XB= 4

Con ZMAX = 152

4. EL MÉTODO SIMPLEX

Es un procedimiento iterativo que permite ir mejorando la solución a cada paso. El proceso

concluye cuando no es posible seguir mejorando más dicha solución. Fue creado en 1947 por el
matemático George Dantzig .

El método del simplex se utiliza, sobre todo, para resolver problemas de programación lineal en
los que intervienen tres o más variables.

Para construirlo se siguen los siguientes pasos.

1 Modelo original o modelo de desigualdades.

El objetivo que se persigue es lo que nos marcará las reglas a seguir.

11
 Supongamos que tenemos el siguiente modelo original.

ZMAX= 16XA + 12XB A las restricciones de recursos, dependiendo de qué tipo

sean, se incorporará una variable adicional (+S en este caso)
s.a. 8XA + 15XB ≤ 112
El número de restricciones nos determinará el total de
20XA + 10XB ≤ 170 variables adicionales.
X A, X B ≥ 0

2. Relaciones aumentadas.

Se construye un modelo equivalente de programación lineal y se incorporan variables adicionales

para encontrar la frontera. Al modelo equivalente también se le conoce como modelo de igualdad.

ZMAX= 16XA + 12XB + 0S1 + 0S2

Donde:
s.a. 8XA + 15XB + S1 + 0S2 = 112
XA, XB son Variables de Decisión
20XA + 10XB + 0S1 + S2 = 170
S1, S2 son variables de Holgura
XA, XB, S1, S2 ≥ 0

Si un momento dado se quiere volver de un modelo equivalente al modelo original, lo único que se
tiene que hacer es eliminar las variables de holgura.

3. Construir Solución Inicial.

Las variables de decisión siempre serán 0. (XA = 0, XB = 0. En este punto se conocen como variables
no básicas) ZMAX = 0

Las variables de holgura serán igual a los valores de los recursos.

S1=112, S2= 170 (Variables básicas)

4. Tabla Simplex Inicial.

Cj 16 12 0 0 Zj = ∑ Cij aij
VB XA XB S1 S2 VS

0 S1 8 15 1 0 112 Rengl
ón
0 S2 20 10 0 1 170
Pivote
Zj 0 0 0 0 0
Cj- Zj 16 12 0 0 ZMAX= 0
XA= 0
Columna XB= 0
Pivote
12
5. Cambio de Bases.

Consiste en cambiar una variable no básica a una básica y viceversa. La terminología para este tipo
de variables es Variable Básica Entrante (VBE) y Variable Básica Saliente (VBS).

VBE= XA Columna Pivote

VBS= S2 Renglón Pivote

112 170 17
Para S1 = =14 Para S2= = =8.5
8 20 2

A la intersección entre la columna pivote y el renglón pivote se le llama número pivote. En este
caso es 20.

Construcción de la primera tabla simplex revisada.

Cj 16 12 0 0
VB XA XB S1 S2 VS

0 S1 Primero se divide todo el renglón (ahora

1 1 17 saliente entre el número pivote (20) y
16 XA 1 0
2 20 2 escribimos el resultado.
Zj
Cj- Zj

Cj 16 12 0 0 Luego, calculamos el valor de S2 con la siguiente

VB XA XB S1 S2 VS operación:
8 (1 ½ 0 1/20 = 17/2) Se efectúa el producto.
0 S1 0 11 1 −2 44 8 15 1 0 = 112 (Renglón pivote anterior)
5 -8 -4 0 -2/5 = -68 (Producto resultante)
1 1 17
16 XA 1 0 0 11 1 -2/5= 44 El resultado se escribe en S1
2 20 2
Zj 16 8 0 4 136 Luego calculamos el valor de Zj
Cj- Zj 5
0 4 0 −4
5
Nueva Solución:
S1= 44
XA= 17/2
ZMAX= 135
S2=0, XB=0

13
Podemos ver que aún quedan valores positivos en Cj - Zj, por lo tanto aunque la solución parezca
más optima que la anterior, todavía podemos hacer otra iteración. Entonces procedemos.

Cj 16 12 0 0
VB XA XB S1 S2 VS
Rengl
Determinamos un nuevo renglón y
0 S1 0 11 1 −2 44 ón
columna pivotes.
5 Pivote
1 1 17
16 XA 1 0
2 20 2
Zj 16 8 0 4 136
Cj- Zj 5
0 4
Columna 0 −4
Pivote 5

En este punto tendremos que repetir la operación anterior, es decir dividir todo el renglón pivote
anterior entre el número pivote. Posteriormente buscar nuevos valores para el renglón XA,
calcular los valores de Zj, y finalmente Cj-Zj. El resultado final queda como sigue.

Cj 16 12 0 0
VB XA XB S1 S2 VS
Nueva Solución:
12 XB 0 1 1/11 -2/55 4 XA= 6.5
XB= 4
16 XA 1 0 -1/22 3/44 13/2
ZMAX= 152
Zj 16 12 4/11 36/55 152 S2=0, S2=0
0 0 -4/11 -36/55
Cj- Zj

Nos damos cuenta de que hemos llegado a la solución óptima porque en el renglón del criterio
simplex (Cj – Zj) solo encontramos valores 0 y negativos.

Pudimos darnos cuenta que llegamos al mismo resultado que con el método gráfico, pero de
distinta manera.

14