INSTITUTO TECNOLOGICO DE LA ZONA MAYA

ING. EN GESTION EMPRESARIAL

INVESTIGACION DE OPERACIONES
4° SEMESTRE

UNIDAD 2
PROGRAMACION LINEAL
DOCENTE: ING. EFRAIN LARA DOMINGUEZ
ALUMNA: SUSANA SARAI SARAI SANCHEZ BORGES

1
INDICE

INTRODUCCION .............................................................................................................................. 3
2.1 FORMULACION Y APLICACIÓN DE MODELOS DE PROGRAMACION LINEAL ........ 4
2.2 MÉTODO GRAFICO ................................................................................................................. 7
SOLUCIÓN ÓPTIMA NO ACOTADA .................................................................................. 10
SOLUCIÓN INFACTIBLE ...................................................................................................... 12
REDUNDANTES O SOBRANTES ...................................................................................... 13
2.3 EL METODO SIMPLEX .......................................................................................................... 15
CONCLUSION ................................................................................................................................ 18

2
 INTRODUCCION

El problema de la resolución de un sistema lineal de inecuaciones se remonta, al

menos, a Joseph Fourier, después de quien nace el método de eliminación de
Fourier-Motzkin. La programación lineal se plantea como un modelo matemático
desarrollado durante la Segunda Guerra Mundial para planificar los gastos y los
retornos, a fin de reducir los costos al ejército y aumentar las pérdidas del enemigo.
Se mantuvo en secreto hasta 1947. En la posguerra, muchas industrias lo usaron
en su planificación diaria.
Los fundadores de la técnica son George Dantzig, quien publicó el algoritmo
simplex, en 1947, John von Neumann, que desarrolló la teoría de la dualidad en el
mismo año, y Leonid Kantoróvich, un matemático de origen ruso, que utiliza técnicas
similares en la economía antes de Dantzig y ganó el premio Nobel en economía en
1975. En 1979, otro matemático ruso, Leonid Khachiyan, diseñó el llamado
Algoritmo del elipsoide, a través del cual demostró que el problema de la
programación lineal es resoluble de manera eficiente, es decir, en tiempo
polinomial.2 Más tarde, en 1984, Narendra Karmarkar introduce un nuevo método
del punto interior para resolver problemas de programación lineal, lo que constituiría
un enorme avance en los principios teóricos y prácticos en el área. Esta unidad
veremos el método gráfico y método simplex,con ejemplos.

3
 2.1 FORMULACION Y APLICACIÓN DE MODELOS DE
PROGRAMACION LINEAL.

Una vez definido el problema del tomador de decisiones, la siguiente etapa consiste en reformularlo
de manera conveniente para su análisis. La forma convencional en que la investigación de
operaciones realiza esto es construyendo un modelo matemático que represente la esencia del
problema. Antes de analizar como formular los modelos de este tipo, se explorará la naturaleza
general de los modelos y, en particular, la de los modelos matemáticos. El modelo matemático está
constituido por relaciones matemáticas (ecuaciones y desigualdades) establecidas en términos de
variables, que representa la esencia el problema que se pretende solucionar. Para construir un
modelo es necesario primero definir las variables en función de las cuales será establecido. Luego,
se procede a determinar matemáticamente cada una de las dos partes que constituyen un modelo:
a) la medida de efectividad que permite conocer el nivel de logro de los objetivos y generalmente
es una función (ecuación) llamada función objetivo; b) las limitantes del problema llamadas
restricciones que son un conjunto de igualdades o desigualdades que constituyen las barreras y
obstáculos para la consecución del objetivo. Un modelo siempre debe ser menos complejo que el
problema real, es una aproximación abstracta de la realidad con consideraciones y simplificaciones
que hacen más manejable el problema y permiten evaluar eficientemente las alternativas de
solución.

Los modelos matemáticos tienen muchas ventajas sobre una descripción verbal del problema. Una
ventaja obvia es que el modelo matemático describe un problema en forma mucho más concisa.
Esto tiende a hacer que toda la estructura del problema sea más comprensible y ayude a revelar las
relaciones importantes entre causa y efecto. De esta manera, indica con más claridad que datos
adicionales son importantes para el análisis. También facilita simultáneamente el manejo del
problema en su totalidad y el estudio de todas sus interpelaciones. Por último, un modelo
matemático forma un puente para poder emplear técnicas matemáticas y computadoras de alto
poder, para analizar el problema. Sin duda, existe una amplia disponibilidad de paquetes de
software para muchos tipos de modelos matemáticos, para micro y minicomputadoras. Por otro
lado, existen obstáculos que deben evitarse al usar modelos matemáticos. Un modelo es,
necesariamente, una idealización abstracta del problema, por lo que casi siempre se requieren
aproximaciones y suposiciones de simplificación si se quiere que el modelo sea manejable
(susceptible de ser resuelto). Por lo tanto, debe tenerse cuidado de que el modelo sea siempre una
representación válida del problema. El criterio apropiado para juzgar la validez de un modelo es el
hecho de si predice o no con suficiente exactitud los efectos relativos de los diferentes cursos de
acción, para poder tomar una decisión que tenga sentido.

4
En consecuencia, no es necesario incluir detalles sin importancia o factores que tienen
aproximadamente el mismo efecto sobre todas las opciones. Ni siquiera es necesario que la
magnitud absoluta de la medida de efectividad sea aproximadamente correcta para las diferentes
alternativas, siempre que sus valores relativos (es decir, las diferencias entre sus valores) sean
bastante preciso. Entonces, todo lo que se requiere es que exista una alta correlación entre la
predicción del modelo y lo que ocurre en la vida real. Para asegurar que este requisito se cumpla,
es importante hacer un número considerable de pruebas del modelo y las modificaciones
consecuentes. Aunque esta fase de pruebas se haya colocado después en el orden del libro, gran
parte del trabajo de validación del modelo se lleva a cabo durante la etapa de construcción para que
sirva de guía en la obtención del modelo matemático.

OBTENCIÓN DE UNA SOLUCIÓN A PARTIR DEL MODELO

Resolver un modelo consiste en encontrar los valores de las variables dependientes, asociadas a las
componentes controlables del sistema con el propósito de optimizar, si es posible, o cuando menos
mejorar la eficiencia o la efectividad del sistema dentro del marco de referencia que fijan los
objetivos y las restricciones del problema. La selección del método de solución depende de las
características del modelo. Los procedimientos de solución pueden ser clasificados en tres tipos: a)
analíticos, que utilizan procesos de deducción matemática; b) numéricos, que son de carácter
inductivo y funcionan en base a operaciones de prueba y error; c) simulación, que utiliza métodos
que imitan o, emulan al sistema real, en base a un modelo. Muchos de los procedimientos de
solución tienen la característica de ser iterativos, es decir buscan la solución en base a la repetición
de la misma regla analítica hasta llegar a ella, si la hay, o cuando menos a una aproximación.

PRUEBA DEL MODELO

El desarrollo de un modelo matemático grande es análogo en algunos aspectos al desarrollo de un

programa de computadora grande. Cuando se completa la primera versión, es inevitable que
contenga muchas fallas. El programa debe probarse de manera exhaustiva para tratar de encontrar
y corregir tantos problemas como sea posible. Eventualmente, después de una larga serie de
programas mejorados, el programador (o equipo de programación) concluye que el actual da, en
general, resultados razonablemente válidos. Aunque sin duda quedarán algunas fallas ocultas en el
programa (y quizá nunca se detecten, se habrán eliminado suficientes problemas importantes como
para que sea confiable utilizarlo. De manera similar, es inevitable que la primera versión de un
modelo matemático grande tenga muchas fallas. Sin duda, algunos factores o interpelaciones
relevantes no se incorporaron al modelo y algunos parámetros no se estimaron correctamente. Esto
no se puede eludir dada la dificultad de la comunicación y la compresión de todos los aspectos y
sutilezas de un problema operacional complejo, así como la dificultad de recolectar datos confiables.
Por lo tanto, antes de usar el modelo debe probarse exhaustivamente para intentar identificar y
corregir todas las fallas que se pueda. Con el tiempo, después de una larga serie de modelos
mejorados, el equipo de IO concluye que el modelo actual produce resultados razonablemente
válidos. Aunque sin duda quedarán algunos problemas menores ocultos en el modelo (y quizá nunca
se detecten), las fallas importantes se habrán eliminado de manera que ahora es confiable usar el

5
modelo. Este proceso de prueba y mejoramiento de un modelo para incrementar su validez se
conoce como validación del modelo. Debido a que el equipo de IO puede pasar meses desarrollando
todas las piezas detalladas del modelo, es sencillo "no ver el bosque por buscar los árboles”.
Entonces, después de completar los detalles ("los árboles") de la versión inicial del modelo, una
buena manera de comenzar las pruebas es observarlo en forma global("el bosque") para verificar
los errores u omisiones obvias. El grupo que hace esta revisión debe, de preferencia, incluir por lo
menos a una persona que no haya participado en la formulación. Al examinar de nuevo la
formulación del problema comprarla con el modelo pueden descubrirse este tipo de errores.
También es útil asegurarse de que todas las expresiones matemáticas sean consistentes en las
dimensiones de las unidades que emplean. Además, puede obtenerse un mejor conocimiento de la
validez del modelo variando los valores de los parámetros de entrada y/o de las variables de
decisión, y comprobando que los resultados del modelo se comporten de una manera factible. Con
frecuencia, esto es especialmente revelador cuando se asignan a los parámetros o a las variables
valores extremos cercanos a su máximo o a su mínimo. Un enfoque más sistemático para la prueba
del modelo es emplear una prueba retrospectiva. Cuando es aplicable, esta prueba utiliza datos
históricos y reconstruye el pasado para determinar si el modelo y la solución resultante hubieran
tenido un buen desempeño, de haberse usado. La comparación de la efectividad de este desempeño
hipotético con lo que en realidad ocurrió, indica si el uso del modelo tiende a dar mejoras
significativas sobre la práctica actual. Puede también indicar áreas en las que el modelo tiene fallas
y requiere modificaciones. Lo que es más, el emplear las alternativas de solución y estimar sus
desempeños históricos hipotéticos, se pueden reunir evidencias en cuanto a lo bien que el modelo
predícelos efectos relativos de los diferentes cursos de acción. Cuando se determina que el modelo
y la solución no son válidos, es necesario iniciar nuevamente el proceso revisando cada una de las
fases de la metodología dela investigación de operaciones.

ESTABLECIMIENTO DE CONTROLES SOBRE LA SOLUCION

Una solución establecida como válida para un problema, permanece como tal siempre y cuando las
condiciones del problema tales como: las variables no controlables, los parámetros, las relaciones,
etc., no cambien significativamente. Esta situación se vuelve más factible cuando algunos de los
parámetros fueron estimados aproximadamente. Por lo anterior, es necesario generar información
adicional sobre el comportamiento de la solución debido a cambios en los parámetros del modelo.
Usualmente esto se conoce como análisis de sensibilidad. En pocas palabras, estafase consiste en
determinar los rangos de variación de los parámetros dentro de los cuales no cambia la solución del
problema.

IMPLANTACION DE LA SOLUCION

El paso final se inicia con el proceso de "vender" los hallazgos que se hicieron a lo largo del proceso
a los ejecutivos o tomadores de decisiones. Una vez superado éste obstáculo, se debe traducir la
solución encontrada a instrucciones y operaciones comprensibles para los individuos que
intervienen en la operación y administración del sistema. La etapa de implantación de una solución
se simplifica gran medida cuando se ha propiciado la participación de todos los involucrados en el

6
problema en cada fase de la metodología. Preparación para la aplicación del modelo, Esta etapa es
crítica, ya que es aquí, y sólo aquí, donde se cosecharán los beneficios del estudio. Por lo tanto, es
importante que el equipo de IO participe, tanto para asegurar que las soluciones del modelo se
traduzcan con exactitud a un procedimiento operativo, como para corregir cualquier defecto en la
solución que salga a la luz en este momento. El éxito de la puesta en práctica depende en gran parte
del apoyo que proporcionen tanto la alta administración como la gerencia operativa. Es más
probable que el equipo de IO obtenga este apoyo si ha mantenido a la administración bien
informada y ha fomentado la guía de la gerencia durante el estudio. La buena comunicación ayuda
a asegurar que el estudio logre lo que la administración quiere y por lo tanto merezca llevarse a la
práctica. También proporciona a la administración el sentimiento de que el estudio es suyo y esto
facilita el apoyo para la implantación. La etapa de implantación incluye varios pasos. Primero, el
equipo de investigación de operaciones de una cuidadosa explicación a la gerencia operativa sobre
el nuevo sistema que se va a adoptar y su relación con la realidad operativa. En seguida, estos dos
grupos comparten la responsabilidad de desarrollar los procedimientos requeridos para poner este
sistema en operación. La gerencia operativa se encarga después de dar una capacitación detallada
al personal que participa, y se inicia entonces el nuevo curso de acción. Si tiene éxito, el nuevo
sistema se podrá emplear durante algunos años. Con esto en mente, el equipo de IO supervisa la
experiencia inicial con la acción tomada para identificar cualquier modificación que tenga que
hacerse en el futuro.

A la culminación del estudio, es apropiado que el equipo de investigación de operaciones

documento su metodología con suficiente claridad y detalle para que el trabajo sea reproducible.
Poder obtener una réplica debe ser parte del código de ética profesional del investigador de
operaciones. Esta condición es crucial especialmente cuando se estudian políticas gubernamentales
en controversia.

2.2 MÉTODO GRAFICO

Se representa la recta de la función objetivo, se trazan rectas paralelas a ella que pasen
por cada uno de los vértices y se observa cuál de las rectas trazadas tiene mayor menor
ordenada en el origen. En nuestro caso la solución es B .El beneficio máximo que se
alcanza en el punto B será: 2.

7
SOLUCIÓN ÓPTIMA MÚLTIPLE.

EJEMPLO: La ebanistería "SALAZAR LTDA" ha recibido una gran cantidad de partes

prefabricadas para la elaboración de mesas, sin embargo no ha podido iniciar un
plan de producción enfocado a estas por la alta demanda que tiene de sus productos
restantes. Las mesas que pueden elaborarse de las partes prefabricadas son de
dos modelos, modelo A y B, y estas no requieren más que ser ensambladas y
pintadas. Esta semana se ha determinado dedicar 10 horas de ensamble y 8 de
pintura para elaborar la mayor cantidad de mesas posibles teniendo en cuenta que
cada mesa modelo A requiere de 2 horas de ensamble y 1 de pintura
respectivamente, y que cada mesa modelo B requiere de 1 hora de ensamble y 2
de pintura respectivamente. Si el margen de utilidad es de $20000 por cada mesa
modelo A y $10000 por cada mesa modelo B. Determine el modelo adecuado de
producción para esta semana.

X = Cantidad de mesas modelo A a fabricar esta semana

Y = Cantidad de mesas modelo B a fabricar esta semana

Restricciones

2X + Y <= 10 "Horas de ensamble"

X + 2Y <= 8 "Horas de pintura"
X, Y => 0 "De no negatividad"

Función objetivo

Zmax = 20000X + 10000Y

La gráfica resultante sería:

8
www.ingenieriaindustrialonline.com
Como nos podemos dar cuenta mediante la geometría en dos vértices la línea
imaginaria perpendicular a la función objetivo no atraviesa el conjunto solución, por
ende en dos puntos se presentan soluciones óptimas, que son los puntos B y C.

Observemos la solución óptima múltiple

Z(0) = 20000(0) + 10000(0) = 0

Z(A) = 20000(0) + 10000(4) = $40000
Z(B) = 20000(4) + 10000(2) = $100000
Z(C) = 20000(5) + 10000(0) = $100000

Existen entonces dos soluciones óptimas

Solución óptima 1

X=4 Y=2

Solución óptima 2

X=5 Y=0

La pregunta siguiente es ¿cual decisión tomar?, pues depende de factores tales

como una análisis de sensibilidad donde se tenga en cuenta el consumo distinto de

9
determinados recursos (horas ensamble vs. horas pintura) y factores extras al
modelo como lo puede llegar a ser en este caso una necesidad de espacio de
almacenamiento, dado que existe una alternativa en la que se elaboran más mesas
que en la otra, de todas formas es interesante el paso posterior a esbozar los
resultados pues requerirá de la capacidad de quien toma las decisiones.

SOLUCIÓN ÓPTIMA NO ACOTADA

Otra de las variantes que presentan los modelos de programación lineal
corresponde a los modelos de solución óptima no acotada, es decir problemas con
infinitas soluciones óptimas. Hay que reconocer que en la vida real gran parte de
estos problemas se deben a un mal planteamiento de las restricciones, sin embargo
es común que este tipo de problemas sean evaluados en la vida académica.

Un ejemplo:

La compañía comercializadora de bebidas energéticas "CILANTRO SALVAJE" se

encuentra promocionando dos nuevas bebidas, la tipo A y la tipo B, dado que se
encuentran en promoción se puede asegurar el cubrimiento de cualquier cantidad
de demanda, sin embargo existen 2 políticas que la empresa debe tener en cuenta.
Una de ellas es que la cantidad de bebidas tipo A que se vendan no puede ser
menor que las de tipo B, y la segunda es que se deben de vender por lo menos
1500 bebidas de cualquier tipo.

Dado que se encuentran en promoción el precio de venta de ambas bebidas

equivale a $1800 pesos.

Determine la cantidad de unidades que deben venderse!!

Variables

X = Cantidad de bebidas tipo A a vender

Y = Cantidad de bebidas tipo B a vender

Restricciones

X => Y
X + Y => 1500

10
Función Objetivo

Zmax = 1800X + 1800Y

La gráfica resultante sería:

Es claro que en este ejercicio las variables pueden aumentar mejorando

indefinidamente la función objetivo, en estos casos se dice que la solución óptima
no es acotada, por lo cual las posibles soluciones son infinitas.

11
SOLUCIÓN INFACTIBLE
El caso de la solución infactible es más típico de lo pensado, y corresponde a los
casos en los cuales no existen soluciones que cumplen con todas las restricciones.
Es muy común ver este fenómeno producto de inviables proporciones de oferta y
demanda.

Un ejemplo:

La compañía de galletas "CAROLA" desea planificar la producción de galletas que

tendrá que entregar a su cliente en dos semanas, el contrato indica que la compañía
"CAROLA" se compromete a entregar por lo menos 300 cajas de galletas cualquiera
sea su tipo (presentación D, presentación N o una combinación de ambas
presentaciones), cada caja de galletas presentación D tiene un tiempo de
elaboración de 2 horas, y un tiempo de horneado de 3 horas, mientras cada caja de
presentación N tiene un tiempo de elaboración de 3 horas y un tiempo de horneado
de 1 hora. La compañía cuenta estas dos semanas con 550 horas para elaboración
y con 480 horas de horneado.

Teniendo en cuenta que el margen de utilidad de cada caja de galletas presentación

D y N es de $8500 y $8100 respectivamente, determine mediante un modelo de
programación lineal el plan de producción que maximice las utilidades.

Variables

X = Cantidad de cajas de galletas presentación D a producir en 2 semanas

Y = Cantidad de cajas de galletas presentación N a producir en 2 semanas

Restricciones

2X + 3Y <= 550
3X + Y <= 480
X + Y => 300

Función Objetivo

Zmax = 8500X + 8100Y

La gráfica resultante es la siguiente:

12
Evidentemente no existe forma alguna de satisfacer todas las restricciones, por
ende se concluye que no existe solución factible.

REDUNDANTES O SOBRANTES
Existen en los modelos de programación lineal un tipo de restricciones que no
juegan rol alguno en la determinación del conjunto solución (de igual manera en la
solución óptima), lo que lleva a deducir que estas son redundantes.

Por ejemplo:

La compañía "CONGELADORES MAJO" pretende fabricar dos tipos de

congeladores denominados A y B. Cada uno de ellos debe pasar por tres
operaciones antes de su comercialización: Ensamblaje, pintura y control de calidad.
Los congeladores tipo A requieren 2 horas de ensamblaje, 3 kg de pintura y 4 horas
de control de calidad; los congeladores tipo B requieren 3 horas de ensamblaje, 6
kg de pintura y 5 horas de control de calidad. El margen contributivo por cada
congelador tipo A y B es de $102000 y $98000 respectivamente.

La compañía dispone como máximo semanalmente 300 horas de ensamblaje, 840

kg de pintura y 450 horas de control de calidad. Con base en la información
suministrada determine las unidades a producir semanalmente de cada referencia
para maximizar las utilidades.

13
Las variables:

X = Cantidad de congeladores tipo A a producir semanalmente

Y = Cantidad de congeladores tipo B a producir semanalmente

Las restricciones:

2X + 3Y <= 300
3X + 5Y <= 840
4X + 5Y <= 450

Función Objetivo:

Zmax = 102000X + 98000Y

La gráfica resultante es la siguiente,

www.ingenieriaindustrialonline.com
La solución óptima corresponde a:

X = 150
Y=0

y la función objetivo quedaría.

Zmax = $15300000

14
Claramente podemos observar como la restricción 1 y la restricción 2 no determina
el conjunto solución, por ende se denominan restricciones redundantes o sobrantes.

2.3 EL METODO SIMPLEX

La idea general del método Simplex es comenzar en un punto extremo y

desplazarse hacia un punto extremo adyacente con el objeto de mejorar el valor de
la función objetivo, manteniendo la factibilidad. La manera más sencilla de
seleccionar un punto extremo inicial es usar la base B constituida por variables de
holgura y/o artificiales. De esta forma la base B inicial es la matriz identidad I que
obviamente es una base. Los puntos extremos adyacentes se determinan
intercambiando un vector de B con un vector no básico que moverá la solución
hacia la optimalidad.
Tabla Simplex en forma matricial
Expresemos el programa lineal en forma matricial:
Max z = CX
Sujeto a: (AI)X = b
X >= 0

Subdividamos el vector X en XI y XII, entonces el problema estándar se puede

escribir de la siguiente manera: (I)

1 -CI -CII z 0

0 A I XI = b

XII

En una iteración cualquiera, sea XB La representación de las variables básicas

y B su base asociada, entonces XB representa a m elementos de X y B representa
los vectores de (AI) correspondientes a XB, y sea CB el vector de elementos
de C asociado a XB.

15
Entonces:
B XB = b y z = CBXB
o bien:

1 -CB z = 0

0 B XB b

La solución se puede expresar:

z = 1 CBB-1 0 = CBB-1b

XB 0 B-1 b B-1b

Por lo tanto, aplicando este resultado, premultiplicando a (I) se obtiene

1 CBB-1 1 -CI -CII Z CBB-1b

0 B-1 0 A I XI = B-1b

XII

Esta ecuación matricial se resuelve mediante la iteración simplex general (II):

Básica XI XII Solución

z CBB-1A-CI CBB-1-CII CBB-1b

XB B-1A B-1 B-1b

Esta tabla muestra los detalles del cálculo del método simplex, es decir, si se
conoce B se puede encontrar en cada paso B-1, por lo tanto XB y z.

16
 Por ejemplo consideremos el método simplex con variables de holgura, en este
caso, CII = 0 la solución básica inicial se identifica como:
XB = XII, CB = CII = 0, B = I, B-1 = I
Sustituyendo en (II) se obtiene el método simplex general con variables de
holgura (III):

Básica XI XII Solución

z -CI 0

XB A I b

Si utilizamos simplex con variables artificiales (variables utilizadas como variables

de holgura para las restricciones que no cumplen la forma estándar). En este caso
CII = (-M,-M,..., -M) (coeficientes de penalización para la función objetivo). La
solución básica inicial se puede expresar como:
XB = XII, CB = CII, B = I, B-1 = I
Sustituyendo en (II) se obtiene el método simplex general con variables
artificiales y de holgura (IV):

Básica XI XII Solución

z CIIA-CI 0 CIIb

XII A I b

2.3

17
 CONCLUSION

La programación Lineal (PL) es una técnica de modelado matemático, diseñada

para optimizar el empleo de recursos limitados. La programación lineal se aplica
exitosamente en el ejército, en la agricultura, la industria, los transportes, la
economía, los sistemas de salud, e incluso en los sistemas conductuales y sociales.
La utilidad de esta técnica se incrementa mediante el uso y disponibilidad de
programas de computadora altamente eficientes. De hecho la PL, debido a su alto
nivel de eficiencia computacional, es la base para el desarrollo de algoritmos de
solución de otros tipos (más complejos) de modelos de IO, incluyendo la
programación entera, no lineal y estocástica.

18