Instituto Tecnológico de Cerro Azul

Materia:
MODELOS DE OPTIMIZACION DE RECURSOS
Tema:
PROGRAMACION LINEAL

Carrera:
Ingeniería Civil

Alumno: Pérez Martínez Lizeth. 17500116

Profesor: Ing. ADALBERTHO VARGAS

Unidad I: Programación Lineal

1.1 Definición, desarrollo y tipos de modelos de investigación de

operaciones
Actualmente la administración está funcionando en un ambiente
de negocios que está sometido a muchos más cambios, los
ciclos de vida de los productos se hacen más cortos, además de
la nueva tecnología y la internacionalización creciente.

Las raíces de la investigación de operaciones se remonta a

cuando se hicieron los primeros intentos para emplear el
método científico en la administración de una empresa. Sin
embargo, el inicio de esta disciplina se atribuye a los servicios
militares prestados a principios de la segunda guerra mundial.

La investigación de operaciones se aplica a problemas que se

refieren a la conducción y coordinación de operaciones (o
actividades) dentro de una organización.

La investigación de operaciones intenta encontrar una mejor

solución, (llamada solución óptima) para el problema bajo
consideración.
Una de las principales razones de la existencia de grupos de
investigación de operaciones es que la mayor parte de los
problemas de negocios tienen múltiples aspectos es
perfectamente razonable que las fases individuales de un
problema se comprendan y analicen mejor por los que tienen el
adiestramiento necesario en los campos apropiados.
La investigación de operaciones es la aplicación, por grupos
interdisciplinarios, del método científico a problemas
relacionados con el control de las organizaciones o sistemas, a
fin de que se produzcan soluciones que mejor sirvan a los
objetivos de la organización.

Tipos de Modelos de Investigación de Operaciones.

Modelo Matemático: Se emplea cuando la función objetivo y las
restricciones del modelo se pueden expresar en forma
cuantitativa o matemática como funciones de las variables de
decisión.

Modelo de Simulación: Los modelos de simulación difieren de los

matemáticos en que las relación entre la entrada y la salida no
se indican en forma explícita. En cambio, un modelo de
simulación divide el sistema representado en módulos básicos o
elementales que después se enlazan entre si vía relaciones
lógicas bien definidas. Por lo tanto, las operaciones de cálculos
pasaran de un módulo a otro hasta que se obtenga un resultado
de salida.

Los modelos de simulación cuando se comparan con modelos

matemáticos; ofrecen mayor flexibilidad al representar sistemas
complejos, pero esta flexibilidad no esta libre de inconvenientes.
La elaboración de este modelo suele ser costoso en tiempo y
recursos. Por otra parte, los modelos matemáticos óptimos
suelen poder manejarse en términos de cálculos.
Modelos de Investigación de Operaciones de la ciencia de la
administración: Los científicos de la administración trabajan con
modelos cuantitativos de decisiones.

Modelos Formales: Se usan para resolver problemas

cuantitativos de decisión en el mundo real. Algunos modelos en
la ciencia de la administración son llamados modelos
determinísticos. Esto significa que todos los datos relevantes (es
decir, los datos que los modelos utilizarán o evaluarán) se dan
por conocidos. En los modelos probabilísticos (o estocásticos),
alguno de los datos importantes se considera inciertos, aunque
debe especificarse la probabilidad de tales datos.

1.2 Formulación de modelos

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. El modelo
matemático puede expresarse entonces como el problema de
elegir los valores de las variables de decisión de manera que se
maximice la función objetivo, sujeta a las restricciones dadas.
Un modelo de este tipo, y algunas variaciones menores sobre él,
tipifican los modelos analizados en investigación de
operaciones.

Un paso crucial en la formulación de un modelo de Investigación

de Operaciones es la construcción de la función objetivo. Esto
requiere desarrollar una medida cuantitativa de la efectividad
relativa a cada objetivo del tomador de decisiones identificado
cuando se estaba definiendo el problema. Si en el estudio se
contemplan mas de un objetivo, es necesario transformar y
combinar las medidas respectivas en una medida compuesta de
efectividad llamada medida global de efectividad. A veces esta
medida compuesta puede ser algo tangible (por ejemplo,
ganancias) y corresponder a una meta mas alta de la
organización, o puede ser abstracta (como “utilidad”). En este
último caso la tarea para desarrollar esta medida puede ser
compleja y requerir una comparación cuidadosa de los objetivos
y su importancia relativa.
Aplicación: La Oficina responsable del control del agua y los
servicios públicos del Gobierno de Holanda, el Rijkswaterstatt,
concesionó un importante estudio de Investigación de
Operaciones para guiarlo en el desarrollo de una importante
política de administración del agua. La nueva política ahorro
cientos de millones de dólares en gastos de inversión y redujo el
daño agrícola en alrededor de 15 millones de dólares anuales, al
mismo tiempo que disminuyo la contaminación térmica y debida
a las algas. En lugar de formular un modelo matemático, este
estudio de Investigación de Operaciones desarrolló un sistema
integrado y comprensible de ¡50 modelos! Mas aún, para alguno
de los modelos, se desarrollan versiones sencillas y complejas.
La versión sencilla se usó para
adquirir una visión básica incluyendo el análisis de trueques. La
versión compleja se usó después en las corridas finales del
análisis o cuando se deseaba mayor exactitud o más detalles en
los resultados. El estudio completo de Investigación de
Operaciones involucró directamente a más de 125 personas –
año de esfuerzo (más de un tercio de ellas en la recolección de
datos), creó varias docenas de programas de computación y
estructuró una enorme cantidad de datos.

1.3 Método gráfico

El método gráfico se utiliza para la solución de problemas de PL,
representando geométricamente a las restricciones, condiciones
técnicas y el objetivo.
El modelo se puede resolver en forma gráfica si sólo tiene dos
variables. Para modelos con tres o más variables, el método
gráfico es impráctico o imposible.
Cuando los ejes son relacionados con las variables del problema,
el método es llamado método gráfico en actividad. Cuando se
relacionan las restricciones tecnológicas se denomina método
gráfico en recursos.

Los pasos necesarios para realizar el método son nueve:

1. graficar las soluciones factibles, o el espacio de soluciones

(factible), que satisfagan todas las restricciones en forma
simultánea.
2. Las restricciones de no negatividad Xi>= 0 confían todos los
valores posibles.
3. El espacio encerrado por las restricciones restantes se
determinan sustituyendo en primer término <= por (=) para
cada restricción, con lo cual se produce la ecuación de una línea
recta.
4. trazar cada línea recta en el plano y la región en cual se
encuentra cada restricción cuando se considera la desigualdad
lo indica la dirección de la flecha situada sobre la línea recta
asociada.
5. Cada punto contenido o situado en la frontera del espacio de
soluciones satisfacen todas las restricciones y por consiguiente,
representa un punto factible.
6. Aunque hay un número infinito de puntos factibles en el
espacio de soluciones, la solución óptima puede determinarse al
observar la dirección en la cual aumenta la función objetivo.
7. Las líneas paralelas que representan la función objetivo se
trazan mediante la asignación de valores arbitrarios a fin de
determinar la pendiente y la dirección en la cual crece o decrece
el valor de la función objetivo.

Ejemplo.
Maximizar Z = 3X1 + 2X2
restricciones : X1 + 2X2 <=6 (1)

2X1 + X2 <=8 (2)

-X1 + X2 <=1 (3)
X2 <= 2 (4)
X1 >= 0 (5)
X2 >= 0 (6)
Convirtiendo las restricciones a igualdad y representandolas
gráficamente se tiene:
X1 + 2X2 = 6 (1)
2X1 + X2 = 8 (2)
-X1 + X2 = 1 (3)
X2 = 2 (4)
X1 =0 (5)
X2 = 0 (6)

1.4 Fundamentos del método simplex

En la solución gráfica observamos que la solución óptima está
asociada siempre con un punto extremo del espacio de
soluciones. El método simplex está basado fundamentalmente
en este concepto.
Careciendo de la ventaja visual asociada con la representación
gráfica del espacio de soluciones, el método simplex emplea un
proceso iterativo que principia en un punto extremo factible,
normalmente el origen, y se desplaza sistemáticamente de un
punto extremo factible a otro, hasta que se llega por último al
punto óptimo.
Existen reglas que rigen la selección del siguiente punto
extremo del método simplex:

1. El siguiente punto extremo debe ser adyacente al actual.

2. La solución no puede regresar nunca a un punto extremo
considerado con la anterioridad.
El algoritmo simplex da inicio en el origen, que suele llamarse
solución inicial. Después se desplaza a un punto extremo
adyacente. La elección específica de uno a otro punto depende
de los coeficientes de la función objetivo hasta encontrar el
punto óptimo.
Al aplicar la condición de optimidad a la tabla inicial
seleccionamos a Xi como la variable que entra. En este punto la
variable que sale debe ser una de las variables artificiales.

Los pasos del algoritmo simplex son (10):

1. Determinar una solución básica factible inicial.
2. Prueba de optimidad: determinar si la solución básica factible
inicial es óptima y sólo si todos los coeficientes de la ecuación
son no negativos ( >= 0 ). Si es así, el proceso termina; de otra
manera se lleva a cabo otra interacción para obtener la nueva
solución básica factible inicial.
3. Condición de factibilidad.- Para todos los problemas de
maximización y minimización, variable que sale es la variable
básica que tiene la razón más pequeña (positiva). Una
coincidencia se anula arbitrariamente.
4. Seleccionar las variables de holgura como las variables
básicas de inicio.
5. Selecciona una variable que entra de entre las variables no
básicas actuales que, cuando se incrementan arriba de cero,
pueden mejorar el valor de la función objetivo. Si no existe la
solución básica es la óptima, si existe pasar al paso siguiente.
6. Realizar el paso iterativo.
a) Se determina la variable básica entrante mediante la elección
de la variable con el coeficiente negativo que tiene el valor
mayor valor absoluto en la ecuación. Se enmarca la columna
correspondiente a este coeficiente y se le da el nombre de
columna pivote.
b) Se determina la variable básica que sale; para esta, se toma
cada coeficiente positivo (>0) de la columna enmarcada, se
divide el lado derecho de cada renglón entre estos coeficientes,
se identifica la ecuación con el menor cociente y se selecciona la
variable básica para esta ecuación.
c) Se determina la nueva solución básica factible construyendo
una nueva tabla en la forma apropiada de eliminación de Gauss,
abajo de la que se tiene. Para cambiar el coeficiente de la nueva
variable básica en el renglón pivote a 1, se divide todo el
renglón entre el número pivote, entonces
Renglón pivote nuevo = renglón pivote antiguo número pivote
Para completar la primera iteración es necesario seguir usando
la eliminación de Gauss para obtener coeficientes de 0 para la
nueva variable básica Xj en los otros renglones, para realizar
este cambio se utiliza la siguiente fórmula:
Renglón nuevo = renglón antiguo – (coeficiente de la columna
pivote X renglón pivote nuevo)
Cuando el coeficiente es negativo se utiliza la fórmula:
Renglón nuevo = renglón antiguo + (coeficiente de la columna
pivote X renglón pivote nuevo)

TABLA SIMPLEX
Como se capturaría la solución básica factible inicial en el
siguiente ejemplo:
Sea:
Maximizar Z = 2X1+4X2 sujeto a:
2X1+ X2<= 230 X1+ 2X2<= 250 X2<= 120 todas las
X1,X2>=0
BASE Z X1 X2 S1 S2 S3 SOLUCIÓN RAZÓN
Z 0 -2 -4 0 0 0 0 0
S1 0 2 1 1 0 0 230 230/1
S2 0 1 2 0 1 0 250 250/2
S3 0 0 1 0 0 1 120 120/1
Seleccione la variable que entra y la variable que sale de la
base:
Entra X2 y sale S3, se desarrolla la nueva tabla solución y se
continua el proceso iterativo hasta encontrar la solución óptima
si es que está existe.

Tabla Óptima:
BASE Z X1 X2 S1 S2 S3 SOLUCIÓN RAZÓN
Z 0 0 0 0 2 0 500

S1 0 0 0 1 -2 3 90

X1 0 1 0 0 1 -2 10

X2 0 0 1 0 0 1 120

Solución: Z = $500 fabricando X1=10 X2=120 Sobrante de

S1 = 90 Tipo de solución: Optima Múltiple

1.5 Aplicaciones diversas de programación lineal.

Conceptos fundamentales Programación lineal y método

simplex:

Una vez se tiene un concepto general de lo que es la

programación lineal, es importante conocer la forma de
actuación particular de los algoritmos que resuelven programas
lineales. De entre todos los algoritmos destaca por su
importancia histórica y práctica el método simplex. Dicho
método fue desarrollado por Dantzig en 1947, alcanzando un
éxito inusitado en las décadas posteriores con el desarrollo de
los computadores. El conocimiento básico de dicho método
ayuda a la comprensión de las diferentes formas de resolución
de programas lineales. Dicho método puede ser estudiado en
alguno de los manuales que se presentan a continuación: Hillier
y Liebermann (2001) (Capítulos 4 y 5) o bien
Winston (1994) (Capítulos 3 y 4). Por otra parte, el estudio de
aplicaciones de la Programación Lineal es exhaustivo en los
textos de Hillier, Hillier y Liebermann (2000); Eppen et al.(1998);
o bien de Anderson, Sweeney y Williams (2001).

Clasificación de las aplicaciones de PL:

La Programación Lineal presenta un gran número de aplicaciones en multitud de ámbitos

empresariales, industriales, de gestión y en general, de toma de decisiones

La programación lineal es una de las técnicas que ayuda a la toma decisiones, utiliza un
modelo matemático para describir el problema. El adjetivo lineal significa que todas las
funciones matemáticas deben ser lineales, mientras que la palabra programación es en
esencia un sinónimo de planeación (no se refiere a la programación computacional).

Así la programación lineal es una metodología que se utiliza en la solución de problemas

en los que se desea optimizar (maximizar o minimizar) una función lineal de una o más
variables (variables de decisión) llamada función objetivo, sujeta ciertas limitaciones
(restricciones) que se pueden representar como desigualdades o igualdades de funciones
lineales de las variables. 

Elementos básicos de un modelo matemático

Un modelo matemático es producto de la abstracción de un sistema
real, eliminando las complejidades y haciendo suposiciones pertinentes;
se aplica una técnica matemática y se obtiene una representación
simbólica del mismo.
Un modelo matemático consta al menos de tres elementos o
condiciones básicas: Las Variables de decisión, la Función Objetivo y las
Restricciones.
 Variables de decisión y parámetros
Las variables de decisión son incógnitas que deben ser determinadas a
partir de la solución del modelo. Los parámetros representan los valores
conocidos del sistema o que se pueden controlar. Las variables de
decisión se representan por: X1, X2, X3,…, Xn ó Xi, i = 1, 2, 3,…, n.
 Función Objetivo
La función objetivo es una relación matemática entre las variables de
decisión, parámetros y una magnitud que representa el objetivo o
producto del sistema. Es la medición de la efectividad del Modelo
formulado en función de las variables. Determina lo que se va optimizar
(Maximizar o Minimizar).
La solución ÓPTIMA se obtiene cuando el valor de la Función Objetivo
es óptimo (valor máximo o mínimo), para un conjunto de valores
factibles de las variables. Es decir, hay que reemplazar las variables
obtenidas X1, X2, X3,…, Xn; en la Función Objetivo Z = f (C1X1, C2X2,
C3X3,…, CnXn) sujeto a las restricciones del modelo matemático.
Por ejemplo, si el objetivo es minimizar los costos de operación, la
función objetivo debe expresar la relación entre el costo y las variables
de decisión, siendo el resultado el menor costo de las soluciones
factibles obtenidas.

 Restricciones
Las restricciones son relaciones entre las variables de decisión y los
recursos disponibles. Las restricciones del modelo limitan el valor de las
variables de decisión. Se generan cuando los recursos disponibles son
limitados.
En el Modelo se incluye, adicionalmente de las restricciones, la
Restricción de No Negatividad de las Variables de decisión, o sea: Xi
= 0.
Por ejemplo, si una de las variables de decisión representa el número de
empleados de un taller, el valor de esa variable no puede ser negativo.
O también, si una de las variables es la cantidad de mesas a fabricar, su
valor solamente podrá ser igual a cero ó mayor que cero, o sea positivo;
sería absurdo obtener como resultado que se va a fabricar – 4 mesas.
La programación lineal es la interrelación de los componentes de un
sistema, en términos matemáticos, ya sea en forma de ecuaciones o
inecuaciones lineales llamado Modelo de Programación Lineal. Es una
técnica utilizada para desarrollar modelos matemáticos, diseñada para
optimizar el uso de los recursos limitados en una empresa u
organización.
El Modelo de Programación Lineal, es una representación simbólica
de la realidad que se estudia, o del problema que se va a solucionar. Se
forma con expresiones de lógicas matemáticas, conteniendo términos
que significan contribuciones: a la utilidad (con máximo) o al costo (con
mínimo) en la Función Objetivo del modelo. Y al consumo de recursos
disponibles (con desigualdades = ó = e igualdades =) en las
restricciones.
En el presente texto desarrollaremos Modelos Matemáticos de
Programación Lineal de: Maximización y Minimización, los cuales estarán
indicados en la Función Objetivo del Modelo.

Problemas de aplicación para formular un modelo

1). Proceso de producción.- Una fábrica produce dos tipos de productos: M y N,
los costos de producción de ambos productos son $3 para el producto M y $5 para
el producto N. El tiempo total de producción está restringido a 500 horas; y los
tiempos de producción son de 8 horas/unidad para el producto M y de 4
horas/unidad para el producto N. Formule el Modelo matemático que
permita determinar la cantidad de productos M y N a producir, y que
optimice el Costo total de producción de los dos productos.

Formulación del Modelo

En la formulación del modelo, podemos ayudarnos con la representación
del Problema mediante un organizador gráfico o esquema:
 Definición de Variables
Se desea formular un modelo matemático para determinar la cantidad
que debe producirse por cada producto (M y N), por lo tanto tendremos
dos variables, representados por: x1 , x2.
Siendo: x1 = Cantidad a producirse del producto M,
x2 = Cantidad a producirse del producto N
 Función Objetivo
Como se tiene información de Costos de producción de los productos M
y N, el objetivo será minimizarlos:

Luego la Función Objetivo será Minimizar "C" igual al Costo total de

producción del producto M más el Costo total de producción del
producto N.
Matemáticamente la Función Objetivo es:

 Definición de Restricciones
El tipo de recurso en el problema es el tiempo (puede ser horas hombre
u horas máquina). Formulamos la restricción, colocando en el lado
izquierdo de la inecuación el consumo unitario de los productos M y N, y
en el lado derecho la cantidad disponible del recurso (500 horas).
Resumiendo tenemos el siguiente Modelo matemático de Programación
Lineal del Problema (un modelo con dos variables y una restricción,
estando listo para aplicar un método de solución:

2). Líneas de Producción.- Un empresario tiene 80 kg de acero y 120

kg de aluminio, y quiere fabricar dos modelos de bicicletas: bicicletas de
paseo y bicicletas de montaña, para venderlas en el mercado a S/. 200 y
S/. 150 respectivamente cada modelo, a fin de obtener el máximo
beneficio. Para la bicicleta de paseo empleará 1 kg de acero y 3 kg de
aluminio, y para la bicicleta de montaña usará 2 kg de ambos metales.
Formular el modelo matemático de programación lineal, que permita
determinar la cantidad óptima de bicicletas a producir, para obtener el
mayor beneficio económico.
Formulación del Modelo
Representamos el Problema mediante un organizador gráfico o esquema

 Definición de Variables:
Se desea determinar la cantidad de bicicletas a producir por cada modelo (paseo y
montaña), por lo tanto tendremos dos variables.
Sean: x1 = Cantidad de bicicletas de paseo a fabricar
x2 = Cantidad de bicicletas de montaña a fabricar
 Función Objetivo
El objetivo del problema es maximizar los beneficios económicos totales (Z) de los
modelos de bicicletas que fabricará el empresario.
Precio de venta de la bicicleta de paseo = S/. 200
Precio de venta de la bicicleta de montaña = S/. 150
Beneficio económico = Precio de venta unitario x cantidad a fabricar
Beneficio económico total de bicicleta de paseo = 200 x1
Beneficio económico total de bicicleta de montaña = 150 x2
Luego la Función objetivo será: Maximizar: Z = 200 x1 + 150 x2
 Definición de Restricciones
Elaboramos una tabla de materia prima consumida (Acero y Aluminio) por cada
modelo de bicicleta (paseo y montaña) y su disponibilidad:

Modelo de bicicleta Acero Aluminio

Paseo 1 kg. 3 kg.

Montaña 2 kg. 2 kg.

 Disponibilidad de materia prima 80 kg. 120 kg.

Restricción del consumo de Acero en la fabricación de bicicletas:

1 x1 + 2 x2 < 80
Restricción del consumo de Aluminio en la fabricación de bicicletas:
3 x1 + 2 x2 < 120
Observación:
 El lado derecho de las restricciones, 80 y 120 representa la disponibilidad en
kg. de acero y aluminio respectivamente (materia prima).
 El lado izquierdo en las restricciones indica el consumo unitario de materia
prima por cada modelo de bicicleta.
 Condición de no negatividad: La producción de cada modelo de las
bicicletas pueden ser cero (0) o mayor que cero, o sea: x1, x2 = 0
Luego el Modelo matemático de Programación Lineal (con dos variables y dos
restricciones) será:

3). Caso de toma de decisiones.- Suponga con los datos del problema 2),
anterior, si el empresario por restricción económica decide hacer solo un modelo
de bicicleta. ¿Cuál modelo debe elegir? ¿Por qué?
Las alternativas de fabricación se desarrollan en las restricciones del Modelo
matemático; y la toma de decisiones se determina evaluando en la Función
objetivo las alternativas obtenidas.
La decisión a tomar, por restricción económica, es producir un solo modelo de
bicicleta que genere mayor beneficio al empresario. Luego desarrollamos las
alternativas evaluando en las restricciones del modelo:
La toma de decisiones se realiza evaluando en la Función objetivo las
alternativas de fabricación obtenidas por modelo de bicicleta. A continuación se
muestra el procedimiento a realizar.

Toma de decisiones:
Como la Función objetivo es maximizar el beneficio económico, generado por las
ventas, tomamos la decisión de fabricar solo bicicletas de paseo, por ser el
modelo que va generar mayor ganancia, equivalente a S/. 8,000.
Observación: