Programación lineal
Universidad Tecnológica de México
Investigación de Operaciones y optimización
Profesora: Aída Castañeda Rico
1 / 37
Definición del modelo del programación
lineal
La programación lineal (PL) es una herramienta para resolver problemas
de optimización. En 1947, George Dantzig desarrolló un método
efectivo, el algoritmo simplex, para resolver problemas de programación
lineal. Desde que surgió dicho algoritmo. La pl se utiliza para resolver
problemas de optimización en diversas industrias como los bancos, la
educación, petróleo, transporte de carga etc.
2 / 37
Construcción del modelo de pl
• La pl debe su nombre a que todas las funciones que intervienen
en el modelo (función objetivo y restricciones) son de primer
grado.
• Dentro de la estructura de la pl podemos expresarla en forma
matricial bajo el siguiente argumento:
• : = …
2 / 10 : : = …
• ó : = …
…
• : = … … … ≥0 ∀ =
…
1, … , .
3 / 37
• Para mayor estudio se pueden identificar 2 formas de expresar un
problema lineal:
• Forma canónica: para problemas de maximización se deberá
expresar a las restricciones en forma de menor o igual (≤), es
decir, si contamos con restricciones que tengan la desigualdad
opuesta (mayor o igual) se deberá multiplicar por -1 para voltear
la desigualdad. Para el caso de minimización las restricciones
deberán tener la desigualdad mayor o igual (≥).
Forma canónica
Maximización Minimización
max # min #
Sujeto a
≤ ≥
≥0
4 / 37
• Forma estándar: para estandarizar restricciones se deberán de
contemplar variables de holgura o variables artificiales que
ayuden a convertir las desigualdades en igualdades tanto para
maximizar como para minimizar.
Forma estándar
Maximización Minimización
max # min #
Sujeto a
=
≥0
• Si la restricción original lleva la desigualdad menor o igual se le
sumará una variable de holgura en la parte izquierda de la
ecuación para convertirla en igualdad
• + % % + ⋯+ ' ' ≤
• + % % + ⋯+ ' ' + =
5/ 37
• Caso contrario, es decir, Si la restricción original lleva la
desigualdad mayor o igual se le restará una variable de holgura en
la parte izquierda de la ecuación para convertirla en igualdad
• + % % +⋯+ ' ' ≥
• + % % + ⋯+ ' ' − =
• Variables de holgura: Son aquellas variables complementarias
que ayudan a estandarizar las restricciones cuya afectación en la
función objetivo es nula, es decir, puede ser parte de la solución
óptima. Se denotan con la letra s
• Variables artificiales: en algunos modelos es necesario contar
con variables artificiales ya que algunas restricciones cuentan con
limitantes negativas. Esto es que al momento de estandarizar
cuente con una variable de holgura negativa
6/ 37
• Una variable artificial tiene la peculiaridad que no puede ser
parte de una solución, ya que se trata de una transformación en
un plano imaginario por lo que si se encuentra dentro de la
solución se dice que el problema es infactible, es decir, que no
cuenta con regiones de solución.
• Las variables artificiales están denotadas con la letra r y tienen
una carga tan grande en la función objetivo de minimizar (m),
caso contrario en la maximización (-m)
• + % % +⋯+ ' ' ≥
• + % % + ⋯+ ' '− + =
• Considerando los pesos de la variable de holgura y la variable
artificial la función objetivo quedaría como sigue:
• ) )* + % % +⋯+ ' ' +0 + (,)
7/ 37
Solución gráfica de problemas
• Como su nombre lo indica, ésta metodología es la
representación gráfica de la región factible (área que
encierra las posibles soluciones del problema) y la
obtención de la solución óptima a través del gráfico de la
función objetivo. Se ilustrara el algoritmo resolviendo el
ejercicio anteriormente planteado en la presentación de
investigación de operaciones y optimización:
• Una empresa automotriz produce 2 tipos de autos (tipo 1 y
tipo 2). La producción del auto tipo 1 tiene un costo total de
$40,000 mientras que la producción del auto tipo 2 tiene un
costo total de $45,000. Estudios de mercado indican que
por cada 4 automóviles tipo 1 deberán existir por lo menos
3 de autos tipo 2. Para ser rentable la empresa debe
producir por lo menos 1000 unidades (de cualquier tipo) y
se sabe que la demanda del auto tipo 1 deberá ser por lo
menos de 250.
8/ 37
• Recordando el planteamiento nos había quedado como sigue:
• .. /. , ) * 40,000 + 45,000 %
• Sujeto a:
• 3 −4 % ≤0
• + % ≥ 1000
• ≥ 250
• , %≥0
• Paso 1: Se identifica la región factible (si es que la tiene)
mediante las rectas de las restricciones.
• Para realizar el gráfico igualamos cada variable de decisión a cero
para encontrar los puntos de corte sobre los ejes en cada una de
las restricciones como sigue:
9/ 37
• 3 −4 % ≤0
• Para ésta restricción en específico se valuara = 250 en la mayoría de los casos siempre se valúan
las variables de decisión en cero, sin embargo aquí por practicidad se hará así.
7 79:
• Con = 250 4 ) % 56 % ≤ 250 , % =
8 %
8
• Hacemos lo mismo ahora Con % = 0 4 ) 56 ≤ 0 , =
7
0 * ó 6 0,0 5
375
(250, )
2
• Seguimos con la siguiente restricción + % ≥ 1000
• Con =0 < 6 % = 1000
• Con % = 0 < < 6 =
1000 *
• ó 6 0,1000 5 (1000,0)
10/ 37
• Para la última restricción el trazo es una recta = 250
• Se trazan las restricciones en el plano y se identifica la región
factible valuando distintos puntos (usualmente el origen) y
verificando que se cumplan las desigualdades.
11 / 37
• Paso 2: se identifican los vértices que conforman la región
factible.
12 / 37
• Necesitamos obtener las coordenadas de los vértices que
encierran la región factible.
• Observamos que el vértice A se forma con las restricciones 2 y 3,
lo que implica que para encontrar las coordenadas de éste vértice
debemos resolver el sistema de ecuaciones compuesto por éstas
dos ecuaciones, el procedimiento más utilizado es a través de
matrices (gauss-jordan)
• Una vez aplicado éste procedimiento encontramos que el vértice
A esta ubicado en las coordenadas (250, 750)
• Realizamos el mismo procedimiento para el vértice B que está
formado por las restricciones 1 y 2, de nuevo resolvemos el
sistema de ecuaciones conformado por estas 2 ecuaciones y
8=== 7===
encontramos que las coordenadas son ,
9 9
13/ 37
• Paso 3: se identifica la solución óptima mediante la sustitución de los vértices en
la función objetivo.
Vértice , % F.O. min 40,000 1 + 45,000 2
A (250, 750) 43,750,000
4000 3000
,
7 7
B 42,142,857.14
• Nuestra función objetivo era minimizar, por lo tanto los valores de las variables
de decisión que cumplen con ésta condición son las de el vértice B
• Finalmente, para observar gráficamente la solución es de ayuda graficar la
función objetivo en el plano donde se graficaron previamente las restricciones,
el procedimiento es el mismo, sustituir cero en cada variable para despejar a la
otra y encontrar las coordenadas que corten en los ejes y trazar la recta.
• Solución al problema:
Se deben producir 571 autos tipo 1 y 428 autos tipo 2 para poder minimizar el
costo de producción total que tiene la empresa a $42,100,000 aproximadamente.
14 / 37
Gráfica de rectas y regiones en el
plano. Desigualdades con 2 variables.
• Existen muchas formas de graficar una función, desde valuar
punto por punto hasta encontrar coordenadas que corten con los
ejes y trazar una línea.
• Para efectos del método grafico en programación lineal,
utilizaremos el método más rápido es que encontrar puntos de
cortes en los ejes. Para esto lo único que se debe hacer es valuar
cada variable de las ecuaciones en 0 y obtener el valor de la otra
variable. Así para cada restricción (si todas contienen las 2
variables) deberemos encontrar 2 coordenadas que nos permitan
trazar la resta en el plano.
• También es necesario conocer el procedimiento de valuación en
ecuaciones con desigualdades para encontrar la región factible.
15 / 37
• Por lo general para que el método gráfico sea un método
utilizable, los problemas tienen únicamente 2 variables de
decisión, ya que con más de dos variables el problema se
complica para el método gráfico ya que es mucho más
complicado identificar el área de la región factible, el problema
deja de ser en un plano (segunda dimensión) e identificar los
vértices se vuelve casi imposible.
• Así, el proceso de identificar el área en que se cumplen las
desigualdades se vuelve simple. consiste únicamente en tomar un
punto ya sea por debajo o por encima de la recta de la restricción
que se este estudiando y valuarlo en ésta misma restricción
verificando si se cumple la desigualdad.
16 / 37
• En caso de que si se cumpla la desigualdad el área de donde se
tomo el punto es el área solución para ésta restricción, caso
contrario, el lado opuesto o del que no se tomo el punto sería la
región solución de ésta restricción. El procedimiento se repite
para cada restricción y una vez encontrando todas éstas áreas, la
región que cumpla con todas las restricciones al mismo tiempo es
la región factible del problema.
17 / 37
Región de soluciones factibles
• Para el proceso de identificación de la región factible en el paso 1
del método gráfico es de importante conocer todos los tipos de
regiones que se pueden encontrar en un problema de
optimización.
• A) región restricta: es aquella área que se
encuentra encerrada por las restricciones sin dejar
abierta dicha área.
18/ 37
• B) región factible irrestricta: es aquella región
que tiende al infinito ya que no se encuentra
limitada por una restricción.
• C) Región infactible: se dice que existe éste
fenómeno cuando no hay intersección entre
todas las restricciones.
19 / 37
• Es importante conocer también el tipo de soluciones que
podemos encontrar en un problema de programación lineal. A
continuación se describen los tipos de soluciones:
• A) Solución óptima única: Es aquella solución óptima que se
encuentra en un solo vértice (último punto que toca la función
objetivo * ∗ )
20/ 37
• El gráfico de la función objetivo describe el último punto que llega
a tocar a la región factible en caso de la maximización ó el primer
punto que toca a la región factible en caso de la minimización.
• B) solución óptima múltiple finita: se dice que éste fenómeno
ocurre cuando la solución óptima se encuentra en 2 vértices, es
decir, * ∗ cubre la recta que comprende desde el vértice 1 al
vértice 2. gráficamente es una recta que coincide con alguna
restricción.
21 / 37
• C) Solución óptima múltiples infinita o
solución rayo:
éste tipo de fenómeno ocurre cuando la
función objetivo se optimiza en conjunto con
una restricción que tiende al infinito (sólo en
las no acotadas)
• D) sin solución óptima: se dice que este
fenómeno ocurre cuando no hay región
factible o la región no cumple con las
restricciones indirectas.
22 / 37
Análisis de sensibilidad para el
método gráfico
• En el análisis de sensibilidad se analizan los posibles cambios que
pudieran tener los parámetros determinísticos. (vector c, vector
b, una nueva restricción, cambios en la matriz a). Deberá
realizarse un solo cambio a la vez bajo lo siguiente:
• A) cambios en los costos de la función objetivo: cualquier
cambio que sufra el vector c afecta a la pendiente de la recta, por
lo que el límite de dichos cambios se centrará sobre las
pendientes de las restricciones que encierran a la recta de la
función objetivo. Siguiendo con el ejercicio de loa autos:
23/ 37
.. /. , )* 40,000 + 45,000 %
Sujeto a:
3 −4 % ≤0
+ % ≥ 1000
≥ 250
, %≥0
• Haremos uso de las siguientes desigualdades que nos permitirán
modificar los costos:
BC EC FC
• Para revisar cambios en el costo 1: ≤ ≤
BD ED FD
• Se sustituyen valores tomando en cuenta que representa el
coeficiente que acompaña a la en la ecuación (restricción) que
quede por debajo de la recta que representa la función objetivo.
24 / 37
• En el gráfico podemos observar que la
restricción que queda por debajo de la
función objetivo es la restricción 1 y la
que queda encima es la restricción 2,
por lo que usaremos los coeficientes de
estas restricciones para el análisis de
sensibilidad quedando como sigue:
3 1
≤ ≤ − ≤ ≤
% % % 4 45,000 1
7:
- ≤ ≤ 45,000
8
• La solución óptima no cambiaria si el costo de producción del auto 1
varia entre 0 (ya que no existen costos negativos) y $45,000, es decir no
se puede pagar más si se quiere conservar el resultado óptimo
25 / 37
• Se sigue el mismo procedimiento para analizar cambios en el
costo del auto tipo 2 con la siguiente desigualdad:
FD ED BD ED 8
• ≤ ≤ ≤ ≤−
FC EC BC 8=,=== 7
G=
• 40,000 ≤ % ≤ − Es evidente que el costo no puede ser
7
negativo por lo tanto eliminamos esa parte de la desigualdad y
nos queda
• 40,000 ≤ % Interpretando: los cambios en el costo de
producción del auto 2 no tiene efecto en la función objetivo (cabe
destacar que los datos de éste ejercicio en particular son datos
ficticios, en la vida real evidentemente tendría efectos cada uno
de los costos)
26 / 37
• B) Cambios en límites de las restricciones (cambios en el vector b):
Al igual que el análisis de sensibilidad en c, los cambios de las
limitantes se tienen que hacer de manera unitaria, dejando a los
demás parámetros constantes; éste análisis nos dice hasta qué punto
se puede alejar del origen una restricción sin que éste afecte el
vector solución.
• Siguiendo con el mismo ejemplo tenemos 3 restricciones lo que
quiere decir que haremos 2 análisis diferentes.
27 / 37
Para el primero nos enfocamos en la restricción
uno, observamos que lo más que podríamos
desplazar esa restricción es (por debajo) hasta donde
llega la restricción 2 sobre el eje de la es decir,
hasta el punto (1000,0), y hasta el punto donde se
ubica el vértice A (por encima) que es (250, 750) como
se observa en la gráfica. Por lo tanto se mueve de
(1000, 0) a (250, 750).
sustituyendo éstos valores en
la restricción 1: 3 −4 % ≤0
Con (1000, 0) 3(1000)-4(0)=3000
Con (250, 750) 3(250)-4(750)=-2250
Por lo tanto -2250 ≤ ≤ 3000
28 / 37
Repetimos el procedimiento para la segunda
restricción. Observamos que ésta restricción se puede
mover desde el punto en el que intersectan las
restricciones 1 y 3 hasta el infinito, ya que no hay un
punto que limite la región factible ( región irrestricta
no acotada). Sin embargo no conocemos las
coordenadas de la intersección de las restricciones 1
y 3 por lo que resolvemos el sistema de ecuaciones para encontrar el punto.
9:=
Por lo tanto % se mueve de (250, 8
) a infinito
sustituyendo éstos valores en la restricción 2: + % ≥ 1000
9:= 9:= H9:
Con (250, ) 250+ = %
8 8
H9:
entonces ≤ % ≤∞
%
29 / 37
• Finalmente analizamos la restricción 3 y observamos
que ésta se mueve desde el origen hasta el vértice B.
8=== 7===
Por lo tanto 7 se mueve de (0, 0) a ( , )
9 9
sustituyendo éstos valores en la restricción 3:
≥ 250
Con (0, 0) =0
8=== 7=== 8===
Con ( , ) =
9 9 9
8===
entonces 0 ≤ % ≤
9
30 / 37
• C) cambios en las restricciones (cambios en la dimensión de A):
En el análisis gráfico un cambio en a puede significar agregar o
quitar una restricción.
• al quitar una restricción el análisis gráfico indicará si es visible o
no la afectación a la solución óptima y/o a la región factible
siempre y cuando la restricción que se elimine pertenezca a las
restricciones que conforman el vértice z*.
• Para el caso de agregar una nueva restricción se tendrá que
sustituir en primera instancia z*, si cumple con dicha restricción
se dice que ésta nueva restricción no afecta a la solución óptima,
por lo tanto no afecta al vértice que conforma la solución óptima,
caso contrario se tendrá que graficar la nueva restricción y ver la
afectación en z* (z* actual perderá factibilidad, por lo tanto
pierde optimalidad, toda solución óptima es una solución factible
pero una solución factible no siempre es óptima).
31/ 37
Usos y aplicaciones de la programación
lineal en el proceso de optimización
• A continuación se muestran algunas aplicaciones de la PL, son
solo algunos ejemplos de las muchas aplicaciones que se tienen
hoy en día.
• Asignación de Flota de Aviones: El departamento de mercadeo
de las aerolíneas entregan un plan de conexión entre distintas
ciudades, dependiendo la demanda, costos de operación, para los
diferentes tipos de aeronave. Los modelos lineales se han
utilizado para planear una secuencia de tiempo para cada
aeronave, maximizar las ganancias en los aeropuertos y satisfacer
a los clientes.
• Planificación en expansión de redes de telecomunicaciones: Las
compañías de telecomunicaciones se deben modernizar y
expandir continuamente sus redes a una tasa rápida para poder
satisfacer la demanda siempre creciente de clientes. Estos deben
decidir si deben usar cables dedicados para cada circuito
requerido o usar multiplexores, terminales de fibra óptica o
switches . Los modelos lineales se han usado para minimizar el
costo total de la expansión e instalación de la red.
32 / 37
• Control de la Contaminación Ambiental: Los gobiernos regulan la
máxima cantidad de emisiones de gases permitida (monóxido de
carbono, hidrocarburos, etc.) de las distintas fuentes de
contaminación. Individuos y industrias pueden reducir estas emisiones
de formas diferentes. La PL se ha usado para determinar estas
regulaciones a un mínimo costo.
• Distribución de sangre en los hospitales: La sangre se almacena en
"bancos de sangre" los que proveen a los hospitales. Con el tiempo la
sangre se estropea. Uno de los objetivos de los bancos de sangre es
determinar quien abastecerá de sangre en los hospitales, de una
forma, que se "minimice la sangre que vence" (esto es, aquella que no
• ha sido utilizada en cierto tiempo).
Los modelos de PL se han usado para lograr este objetivo,
asegurándose también que los hospitales queden complacidos.
• Agricultura: Los campesinos deben encontrar áreas de plantación
sujetas a varias restricciones como subsidios del gobierno, recursos de
capital y mano de obra, riego, transporte y etc.. De acuerdo a un
conjunto de expectativas razonable de costos se utilizo la PL para
desarrollar un plan en el uso de la tierra y control de inventario
buscando la maximizar las ganancias anuales. Los resultados de los
análisis de sensibilidad dan ciertas herramientas al campesino para
responder a las necesidades.
33 / 37
• La industria: Por ejemplo en las plantas procesadoras de leche,
muchos de los productos producidos de la leche procesada,
incluyendo diferentes tipos de leche, quesos, mantequilla y leche
en polvo, productos como la crema y la lactosa se producen
usando un segundo proceso. Los administradores de esas plantas
toman decisiones de planificación para el flujo de producto,
equipo, asignación de personal, y transporte. La PL se ha usado
para determinar la planificación de la producción óptima que
toma en cuenta las limitaciones de la capacidad de los equipos,
demanda, flujo de producto, etc..
34 / 37
Solución de modelos utilizando métodos
gráfico y tecnología de información
• El método gráfico es un procedimiento de solución de problemas
de PL muy limitado en cuanto al número de variables (2 si es un
gráfico 2D y 3 si es 3D) pero muy rico en materia de
interpretación de resultados e incluso análisis de sensibilidad.
Como habíamos mencionado Este consiste en representar cada
una de las restricciones y encontrar en la medida de lo posible el
polígono (poliedro) factible, comúnmente llamado el conjunto
solución o región factible, en el cual por razones trigonométricas
en uno de sus vértices se encuentra la solución óptima o bien la
mejor respuesta.
• Existen algunos paquetes de programación que se pueden utilizar
para resolver éste tipo de problemas, los más conocidos son
lindo, lingo y tora. El uso de estos programas es básico, pueden
hacer investigación de estos y utilizarlos si les es conveniente.
Anexo la bibliografía que pueden consultar Posteriormente les
enviaré los programas para que hagan uso de ellos si así lo
desean.
35 / 37
Videos para consultar
GRÁFICA DE UNA DESIGUALDAD EN DOS VARIABLES MÉTODO GRAFÍCO CON TORA
https://www.youtube.com/watch?v=9lrL3Pk8z4E https://www.youtube.com/watch?v=PW_GiVKkpoc
PROGRAMACIÓN LINEAL MÉTODO GRAFICO
https://www.youtube.com/watch?v=dd_EMYzGltU
INTRODUCCIÓN A LA PROGRAMACIÓN LINAL Y EL
COMO UTILIZAR TORA EN PROGRAMACIÓN LINEAL
MÉTODO GRAFICO https://www.youtube.com/watch?v=oSU6tLCHBUk
https://www.youtube.com/watch?v=wsywXvBMjso INTRODUCCIÓN A LA PROGRAMACIÓN LINEAL CON
ANÁLISIS DE SENSIBILIDAD METODO GRÁFICO 1 LINGO
https://www.youtube.com/watch?v=QKyYGVQfF7k https://www.youtube.com/watch?v=HZ3oLNHy9qA
ANÁLISIS DE SENSIBILIDAD METODO GRÁFICO 2 PROGRAMACIÓN LINEAL LINDO
https://www.youtube.com/watch?v=QrakInWfOLo https://www.youtube.com/watch?v=PjWovhuJVvc
ANÁLISIS DE SENSIBILIDAD METODO GRÁFICO 3
https://www.youtube.com/watch?v=alC5rnTf680
https://www.youtube.com/watch?v=oBaKJdL63-k
ANÁLISIS DE SENSIBILIDAD METODO GRÁFICO 4 COMO RESOLVER UN PROBEMA DE PROGRAMACIÓN
https://www.youtube.com/watch?v=dliBdtwLNT4 LINEAL CON LINGO Y EXPLICACIÓN DE TÉRMINOS
ANÁLISIS DE SENSIBILIDAD METODO GRÁFICO 5 BÁSICOS HD
https://www.youtube.com/watch?v=vGX0u0yOBYI https://www.youtube.com/watch?v=oBaKJdL63-k
36 / 37
Bibliografía
• Hamdy A. Taha., Investigación de operaciones. México, D.F.
:Alfaomega 1991.
• Winston Wayne L. Investigación de operaciones aplicaciones y
algoritmos, México , Thomson 2005.
• Aplicaciones de la programación lineal
• Referencia:"Applied Management Science. A computer-integrated
approach for Decision Making"
Autores: John A. Lawrence, Jr. & Barry A. Pasternack. Editorial:
John Wiley, 1998.
• Aplicaciones de la programación lineal,
https://www.inf.utfsm.cl/~mcriff/fio/redes/aplicaciones-pl.html
consultado Abril 2020.
37 / 37
