Folleto de Modelación Versión 1

La modelación matemática:
Su importancia en la solución de
múltiples problemas de
Optimización. Iniciarse en el arte
de modelar.
Prof. María Gulnara Baldoquin de la Peña

Dpto. Ingeniería Civil e Industrial
Facultad de Ingeniería
Pontificia Universidad Javeriana de Cali, Colombia
Febrero del 2012

2
Introducción
Varias asignaturas que deben cursar estudiantes de carreras como Ingeniería Industrial y
Administración de Empresas, estudiantes en maestrías de Ingeniería, etc., requieren para
ser aprobadas satisfactoriamente, o como prerrequisitos previos de otros cursos, la
modelación matemática de problemas en los que debe optimizarse en general “algo”
teniendo en cuenta ciertos recursos de que se dispone. Como ejemplos tenemos, en la
PUJ de Cali, los cursos actuales de Modelación y Programación Matemática,
Investigación Operativa, Optimización Combinatoria, Optimización Aplicada,
Ingeniería de Operaciones, y el que pronto se iniciará de Modelación Logística.
La adquisición por parte de estudiantes de la habilidad de modelar problemas de

Optimización es en general compleja. Por otro lado, aunque existen múltiples libros,
páginas web, donde se plantean ejercicios de modelación incluso con las respuestas (que
contemplan los elementos que debe llevar un modelo), falta a nuestro juicio un material
que de manera integral vaya guiando a un principiante cómo ir formulando un modelo,
qué simbologías son más adecuadas utilizar en diferentes casos, señalar errores que
usualmente se cometen en la modelación de problemas, explicando el por qué de esos
errores, ejercicios con diferentes características a tener en cuenta en la modelación, así
como la interrelación de la modelación con otros aspectos cruciales como los métodos
de solución. En la mayoría de los textos introductorios de Optimización se plantean
problemas clásicos como el de asignación y el de la mochila; sin embargo, no se
fundamenta por qué un modelo tan simple como el que corresponde al problema de la
mochila es mucho más difícil que resolver que el de asignación.
Justamente la intención de este material, basado en la experiencia de la autora en más de

30 años como docente en una universidad de Ingenierías impartiendo cursos
relacionados con esta temática, es tratar de guiar a los estudiantes en el complejo
proceso de modelación.
La meta de la labor del profesor no es preparar a los estudiantes para un examen, sino
para su desempeño en la vida profesional, de una manera integral, donde se enfrentará a
retos mayores que problemas “académicos”. Por ello se incluyen en el texto algunas
consideraciones a partir de problemas reales de Optimización en cuyas soluciones la
autora ha participado, con una breve introducción sobre la interrelación de la
modelación matemática con otros aspectos que deben tenerse en cuenta para que la
modelación de un problema real no quede archivada en una gaveta, y pueda ser un
elemento importante en la solución de un conjunto de problemas. Posteriormente se va
incursionando en la modelación, a través de una variedad de situaciones en 19 ejemplos
que se resuelven con todo detalle, que incluyen problemas modelados con variables
continuas, enteras, binarias ó mixtas, con diferentes niveles de dificultad. En los
ejemplos presentados la modelación se va realizando con explicaciones de cómo definir
las diferentes componentes de un modelo, así como relacionando algunos errores
frecuentes que usualmente cometen los estudiantes.
Los ejercicios presentados son una selección de problemas de la gran variedad de

problemas de Programación Lineal que aparecen en libros, páginas web, así como
algunos ofrecidos por el profesor Hernando Prado.
Prof. M. Gulnara Baldoquin de la Peña

3
Este documento es una primera versión, no terminada, que se entrega para que los
estudiantes de los cursos actuales de Investigación Operativa y Programación
Matemática puedan utilizarlo.
Posteriormente se le incluirán nuevos ejercicios, así como otras situaciones, por ejemplo:
• Casos de problemas cuyos modelos más simples de obtener son no lineales, pero
que pueden ser linealizados.
• Problemas donde se presentan diversos modelos para el mismo problema.
Se agradece cualquier crítica o sugerencia que permita mejorar este material para su
versión definitiva
La autora
Febrero del 2012

4
Contenido Pág.
Introducción 5
• ¿Qué es un modelo? 5
• ¿Para qué sirven los modelos? 5
• ¿Por qué la modelación de un problema es muy importante a su vez que en 6
general es difícil adquirir la habilidad de modelación?
• ¿Por qué existen muchas empresas que plantean que los modelos “fallan”? 7
• Recomendaciones iniciales para modelar problemas de PL 10
Modelación de problemas de Programación Lineal (PL) 11
• ¿Qué es la Programación Lineal? 11
• Ejemplo de un modelo de PL 13
• Notación a utilizar para las variables 16
• Organización de la información 18
• Modelos equivalentes: Transformación de la función objetivo 24
• Explicitar lo que representa cada variable 25
• Sustitución de restricciones 29
• Explicitar la dimensión del modelo 31
• Hacer diagrama de la situación planteada 33
• Interpretación de un modelo 38
Modelos con variables binarias 40
De qué depende la complejidad de un modelo 43
Soluciones por el método gráfico. 44
Número de soluciones de un modelo de PL con variables continuas. 48
Ejercicios propuestos 48

5
Introducción
¿Qué es un Modelo?
En la literatura existen diferentes definiciones de lo que es un modelo. En nuestro
contexto pondremos dos de las más representativas:
“Un modelo es una representación de la realidad” (Ackoff, 1968)
“Un modelo es una representación explícita y externa de parte de la realidad como la

ven las personas que desean usar el modelo para entender, cambiar, gestionar y
controlar dicha parte de la realidad” Pidd (1996)
Los modelos son representaciones de la realidad, no la realidad misma, y ésta puede

estar representada de una forma u otra dependiendo de la experticia de la persona que la
modeló, qué aspectos de esa realidad tuvo en cuenta, si discriminó adecuadamente
aspectos relevantes o no, el o los objetivos que pretende alcanzar, etc.
¿Para qué sirven los modelos?

La resolución de los modelos construidos constituye una ayuda a la toma de decisiones,
aportando soluciones óptimas y/o eficientes que aún un experto en el problema
abordado no pudiera haber logrado con otros métodos de solución elegidos.
Pero la solución ó soluciones obtenidas a partir de implementar un método que

solucione el modelo no puede sustituir al decidor, por cuanto entre la solución del
problema y el propio problema media un modelo que en general no representa en toda
su magnitud dicho problema. Aún si lo fuera, existen los problemas con múltiples
objetivos, tratados en la Optimización Multiobjetivo, donde no existe la “mejor”
solución, sino un conjunto de soluciones llamadas eficientes, de las cuales ninguna es
mejor que otra, y el decidor debe determinar cuál o cuáles se ajustaría más a sus
necesidades. Un simple ejemplo de ello lo vemos en la decisión de comprar un carro,
optimizando dos objetivos “contradictorios” entre sí: minimizar costos y maximizar
confort. (Figura 1)
confort
E
D
C
F
B
A
costo
Figura 1: Curva de soluciones eficientes
Dos personas, ante situaciones diferentes como número de personas de su núcleo

familiar que disfrutarían del carro, si usualmente lo usa para viajes largos o no, situación
6
económica, etc., pueden tomar dos soluciones diferentes, de las mejores posibles, que se
encuentran en la curva del gráfico ilustrado, siendo algunas las representadas en los
puntos A, B, C, D y E. Estas mejores soluciones se llaman eficientes, lo que significa
que usted no puede mejorar un objetivo (por ejemplo, disminuir más el costo) sin
afectar el otro objetivo (que sería aumentar el confort). El punto F que no está en esa
curva no es una buena solución, por ejemplo la solución dada por C es mejor, pues tiene
menos costo y aumenta el confort.
¿Por qué la modelación de un problema es muy importante a su vez que en general

es difícil adquirir la habilidad de modelación?
1. Los problemas que no son triviales de resolver, y cuya solución se busca a través de
la modelación, tienen en cuenta los siguientes pasos generales, en el orden planteado:
Problema → Modelo → Solución
Cuando se da una solución, dicha solución responde al modelo planteado, NO AL

PROBLEMA. Lo que se resuelve NO ES EL PROBLEMA, SINO EL MODELO
PLANTEADO.
Los modelos representan parte de la realidad, que siempre es más compleja que
cualquier modelo obtenido, por muy sofisticado que este sea. El modelador discrimina
qué aspectos son relevantes y cuáles no, en función del objetivo que pretende alcanzar.
Diversas personas ante un mismo problema pueden plantear diferentes modelos.
De ahí que si el modelo no responde al problema planteado, por alguno(s) de múltiples

motivos como pueden ser:
• Faltaron restricciones relevantes que debieron tenerse en cuenta
• Faltaron variables relevantes que debieron tenerse en cuenta
• Hay errores en las restricciones planteadas y/o la función a optimizar
• Existen varios objetivos a tener en cuenta y por simplicidad en su solución se
tuvo en cuenta uno solo
puede haberse resuelto adecuadamente por uno de los métodos existentes, pero no
responder a lo que pide el problema.
2. Existen múltiples software que dan solución a problemas de optimización, inclusive

de gran tamaño, como pueden mencionarse el CPLEX, GUROBI, AMPL e inclusive la
herramienta de Excel de Optimización (Solver del Excel), pero TODOS REQUIEREN
EL MODELO DEL PROBLEMA, NINGUNO HACE LA MODELACIÓN A PARTIR
DE UNA PRESENTACIÓN VERBAL DEL PROBLEMA.
3. Los problemas responden a situaciones de la vida real que son innumerables,

diferentes aún ante un mismo tipo general de problemas. Por ejemplo, existen múltiples
situaciones de problemas de localización de instalaciones, de problemas de tipo dieta, de
asignación de personal a tareas. No existe una “fórmula” para modelar, o sea, para
definir variables, plantear función a optimizar y restricciones del problema. La
modelación es más bien un arte, y requiere en general de un entrenamiento de
formulación de modelos de una amplia gama de problemas.

7
¿Por qué existen muchas empresas que no confían en los modelos desarrollados,
básicamente en el ámbito universitario, para la solución de sus problemas y
plantean que los modelos “fallan”?
La razón fundamental es que la metodología de aplicación de la Investigación de

Operaciones para la solución de problemas de Optimización tiene como un paso
importante, pero no el único ni el primero, la modelación, y en ocasiones fallan uno ó
varios del resto de los pasos.
El primer paso muy importante, en la solución del problema, es la definición y análisis

del problema a resolver. Este paso crucial, del cual depende un modelo que se aproxime
lo más posible a la realidad, y que no excluya ninguna consideración importante para el
cliente al cual se le dará el servicio, requiere en ocasiones un tiempo considerable,
necesitando en determinadas situaciones la aplicación de métodos de expertos como el
método Delphi. Un método de experto es aconsejable aplicarlo en la definición de un
problema en situaciones donde:
• Existen varias personas y/o grupos de personas que cumplen roles en la toma de
decisiones del problema y pueden tener diferentes criterios, en algunos casos no
bien fundamentados.
• No existe un documento que regule, de manera clara y precisa, todos los aspectos a
tener en cuenta en la toma de decisiones y el personal encargado de esa toma de
decisiones, muchas veces a nivel operativo, tiene diferentes niveles de experticia
que lleva a tomar diferentes decisiones ante una misma situación.
• Las personas involucradas en la toma de decisiones solo conocen un aspecto del
problema global y por lo planteado en el párrafo anterior, pueden dar criterios que
afectan otros procesos relacionados con el problema.
• Existen aspectos importantes a tener en la consideración del modelo que en una
corta entrevista con los usuarios para usted definir el problema no salen a relucir,
debido a causas como:
¾ Ser tan evidentes para el usuario que asume que usted los conoce.
¾ No convenirle a algunos usuarios pues tenerlos en cuenta implican
afectaciones personales por algún motivo.
¾ Desconocer dichos aspectos, importantes para el problema pero que no los
domina.
¾ Conocerlos pero olvidársele plantearlos por el cúmulo de ellos.
Ejemplos reales de un problema complicado donde ha sido necesario aplicar métodos de

expertos son:
1. El problema integrado de localización de ambulancias, asignación de

ambulancias a llamadas de pacientes y relocalización de ambulancias por una
EMS en una región del país.
2. La asignación del personal más adecuado a grupos de proyectos de software.
En el segundo caso fue interesante descubrir, luego de aplicar el método Delphi en el

estudio realizado de los principales problemas que afectan el desarrollo de los proyectos
de software, que el segundo aspecto que los expertos consideraban en orden de
importancia para que los proyectos de software terminaran exitosos (en tiempo y con
calidad) era que hubiera sinergia en el equipo, es decir, que se llevaran bien, y que

8
hubiera un balance de personalidades que permitiera ello. El primer aspecto era la

capacidad de cada miembro del equipo para cumplir su rol (Jefe de proyecto,
programador, diseñador gráfico, analista, probador, etc.). La segunda causa llevó a
estudiar y aplicar test psicológicos como el 16-PF y de Belbin para incluir este aspecto
en el modelo.
Belbin, es un test de autopercepción que permite identificar los roles de equipo

preferidos y evitados de cada persona. Meredith Belbin, su creador, define rol de equipo
como "nuestra particular tendencia a comportarnos, contribuir y relacionarnos
socialmente", e identifica nueve roles clasificados en tres categorías (Belbin, 2004):
• Roles Mentales
• Roles de Acción:
• Roles Sociales:
Las categorías representan las dimensiones del grado de orientación de las personas
hacia el desempeño de tareas (roles de acción), hacia el mundo de las ideas (roles
mentales) ó hacia las relaciones con las personas (roles sociales). Acorde a la teoría de
Belbin en la formación de un equipo se debe buscar una representación de todos los
roles, logrando un adecuado balance. Deben predominar los roles de acción, y los roles
sociales y los mentales no deben estar sobre-representados. ¿Por qué? En un equipo
donde predomine el rol de acción puede terminarse en tiempo un software pero
probablemente no con la mejor calidad, pues no existen personas con ideas innovadoras;
si predomina el rol mental es posible que el software no se culmine, pues las personas
intentan cada una hacer predominar sus ideas; si predomina el rol social el equipo puede
llevarse muy bien, pero adolecer de falta de lo que aportan los otros roles en beneficio
de un software eficiente y eficaz.
Estos aspectos fueron incluidos en el modelo planteado (el modelo puede encontrarlo en
André, Baldoquin, Acuña, 2011) que no se hubieran tenido en cuenta sin un análisis
cuidadoso del problema abordado.
Otro aspecto en la metodología de aplicación de la Investigación de Operaciones es la

adecuada obtención de datos y/o ajuste de parámetros del modelo
En ocasiones se dedica un esfuerzo extraordinario para modelar un problema que se

ajuste lo más posible a dicho problema pero pueden suceder varias cosas:
• No se tienen datos adecuados para ello. Siguiendo el ejemplo planteado de

formación de equipos para proyectos de software, si no se ha archivado en bases de
datos la información sobre los tests psicológicos que permitan identificar los roles
de equipo preferidos por las personas posibles a considerar, no puede utilizarse el
modelo propuesto.
• Los datos pueden ser no confiables, estar incompletos ó desactualizados.
La selección del método de solución para el modelo propuesto debe estar muy bien
fundamentado, no solo para permitir resolver la situación actual, sino la escalabilidad
del problema en un futuro, al aumentar las dimensiones del mismo por causas como:
aumento de número de clientes, personal, productos, etc. Para ello debe tenerse en
cuenta cómo se pudiera afectar el desempeño del algoritmo ó método utilizado al
aumentar sus dimensiones y qué aspecto del desempeño del algoritmo es predominante.
Los dos aspectos más importantes en el desempeño de algoritmos utilizados para

9
resolver problemas de optimización son la calidad de la solución y el tiempo de

ejecución del algoritmo.
Poniendo ejemplos que sustenten lo planteado en el párrafo anterior, existe diferencia

significativa en la importancia del tiempo de respuesta de un método a modelos que
responden a:
• Asignación de una ambulancia ante una llamada de emergencia médica.
• Búsqueda de una ruta eficiente de un vuelo entre ciudades de Colombia y
España.
• Localización eficiente de almacenes en una cadena de suministro.
En el primer caso el tiempo máximo de respuesta son pocos minutos. En el segundo

caso no puede sobrepasar unas 3 ó 4 horas, tiempo máximo en que la ruta debe definirse
antes del vuelo pues debe tener en cuenta la información meteorológica actualizada, y
ésta se renueva cada 6 horas aproximadamente. En el tercer caso puede esperarse
incluso días, teniendo en cuenta que es una decisión de tipo estratégica.
El tipo de modelo debe conjugarse con lo planteado sobre el tiempo de respuesta de una
solución. En problemas de Optimización Combinatoria, donde las variables son enteras
y puede existir un número muy grande de soluciones posibles (por ejemplo, 2n, que
crece de manera exponencial al aumentar el “tamaño” del problema dado por el
parámetro n) métodos de solución exactos en general no pueden dar una respuesta en un
tiempo aceptable para valores de n aún relativamente pequeños, exceptuando un número
pequeño de problemas que tienen una estructura “buena” para resolverse con métodos
exactos, no importa su dimensión.
El modelo no debe formularse para ajustarlo a un método de solución escogido, sino al

revés, el método debe ajustarse a las características del modelo.
Dos ejemplos de este tipo son:

1. Eliminar restricciones relevantes al modelo porque ellas destruyen la linealidad del
modelo haciendo más difícil su resolución, y se quiere utilizar por ejemplo el Simplex
de la Programación Lineal para resolver el modelo.
2. Existen más de un objetivo a optimizar, igualmente importantes a tener en cuenta. En
este caso a veces se usan dos estrategias que distancian la realidad del modelo:
• Tomar solo uno de los objetivos en cuenta
• Formular un solo objetivo mediante la suma de los varios objetivos con
factores de ponderación
En el segundo caso el problema que generalmente se presenta es que muchas veces ni

los propios decidores saben definir adecuadamente esos factores de ponderación.
Depende de cuáles sean esos factores las soluciones pudieran dar muy diferentes, por
tanto si no se usan factores adecuados las soluciones obtenidas de implementar el
modelo pueden estar alejadas de las que debían obtenerse y que se ajusten al problema
planteado.
La validación de la aplicabilidad del modelo propuesto mediante el uso de una

herramienta en la solución de casos de prueba es también un paso importante al que hay
que dedicarle tiempo y hacer un diseño de experimentos cuidadosamente preparado,
donde se tenga en cuenta, entre otros aspectos:

10
Los diferentes factores que determinan el volumen de variables, restricciones del

problema y probar el modelo con datos reales y simulados teniendo en cuenta
situaciones que puedan presentarse con una dimensión mayor que las actuales.
Por ejemplo, en el caso de un modelo para asignación de vehículos de emergencia

médica a llamadas de pacientes, no bastaría probar cómo responde el método
implementado para el modelo generado teniendo en cuenta solo los periodos de tiempo
con más llamadas realizadas en un rango de meses analizados. Otros factores pueden
distorsionar este análisis si no se tienen en cuenta aspectos como: franjas del día de esas
llamadas (la movilidad de vehículos no es la misma, por ejemplo, a las 5am que a las
7am), por cientos de llamadas de cada tipo (llamadas de urgencia no pueden cubrirse
con cualquier tipo de vehículo como las de consulta), etc.
Por último, en muchos casos la solución de un problema dado para una empresa
concluye con el diseño e implementación de una herramienta (software) de apoyo a la
decisión que soporte el modelo propuesto, e implemente métodos y algoritmos para su
solución. La herramienta debe ser “amigable”, permitir personalizar la mayor cantidad
de parámetros posibles que la haga flexible y robusta, de lo contrario implicará una
constante actualización de la misma y con ello la interrupción del uso de la misma y la
pérdida de confianza en su aplicabilidad. Por otro lado debe existir una interacción muy
estrecha entre el personal que desarrolla la herramienta y aquel que la implementará,
conllevando una capacitación de este último personal, que debe tener a su disposición
manuales de usuario de la herramienta a utilizar.
Hemos expresado algunas consideraciones del complejo y prolongado proceso que en

muchas ocasiones debe realizarse para llevar a un término exitoso la Investigación de
Operaciones como herramienta en la Toma de Decisiones.
En lo adelante, solo nos referiremos al proceso de la modelación, y en determinados

momentos a métodos de solución cuando sea necesario para la obtención de un modelo
eficiente.
Recomendaciones iniciales para modelar problemas de PL a estudiantes que se

inician en ello:
1. Leer cuidadosamente el problema completo, preferiblemente más de una vez, antes

de comenzar a modelarlo. Es posible que, de no hacerlo así, comience a declarar
variables, que luego tiene que redefinirlas por aspectos que se plantean
posteriormente en el texto del problema.
2. En ocasiones el problema planteado tiene una descripción larga que involucra
muchas restricciones y puede no darse cuenta que le faltó modelar alguna(s). Esto
se evita si va marcando o subrayando en el problema los aspectos que ya tuvo en
cuenta.
3. Si no tuvo en cuenta en su modelo alguna información que le dieron, analice el por
qué, pues usualmente no se da información que usted no necesite utilizar.
4. Utilice diagramas siempre que sea posible para mejor comprensión del problema.
5. Cuando la cantidad de información lo amerita, organice la misma en tablas
adecuadas previo a iniciar la modelación.

11
6. Cuando los datos del problema aparecen con unidades de medida diferentes, revise
que no mezcla en una misma restricción ó función unidades de medidas diferentes,
por ejemplo, estar sumando pesos con miles de pesos, centímetros con metros ó
libras con kilogramos.
7. En la presentación del modelo debe declarar explícitamente y en el siguiente orden
la siguiente información:
• Índices utilizados, cuando lo amerite, si las variables están indexadas.
• Datos del problema que utiliza en el modelo, de manera simbólica. Por ejemplo,
si un dato es la demanda de 15 clientes y denotó por i el índice referido a
clientes, expresar este dato por ejemplo con el símbolo Di, para que cuando lo
utilice en restricciones y/o función objetivo se sepa qué significa eso, y no que el
profesor lo tenga que “adivinar” o suponer.
• Variables utilizadas, indicando el número de ellas si están indexadas. Por
ejemplo, no colocar simplemente xi, sino xi, i = 1,…, hasta la cantidad de
valores que toma i.
• Función a optimizar
• Restricciones del problema.
• Restricciones referidas a dominio de las variables. Esto es importante para luego
decidir el método de solución a utilizar. Por ejemplo, no es igual declarar si debe
satisfacerse xi ≥ 0 que xi ≥ 0, enteras
8. Reforzando el aspecto anterior, no mezcle en el modelo variables y datos, sin
saberse qué representan unos y otros, que a veces “hay que adivinarlo” y eso hace
ambiguo e impreciso el modelo.
9. Es importante reconocer los signos de las desigualdades en las restricciones de
acuerdo a lo que piden, en términos de frases como:
• A lo sumo (≤)
• Como mínimo (≥)
• Al menos ó por lo menos (≥)
• Como máximo (≤)
Cuando al referirse a una cantidad disponible de un recurso dado, sea por ejemplo
el valor 30, y referido a ese recurso se usan las palabras a lo sumo ó como máximo,
el signo de la desigualdad debe ser ≤ 30.
Si al referirse a una cantidad que debe hacerse de un producto dado, sea por
ejemplo el valor 15, y referido a ese producto se usan las palabras como mínimo, al
menos ó por lo menos, el signo de la desigualdad debe ser ≥15.
¿Qué sucede si una restricción del modelo se refiere al cumplimiento de una
demanda, a la satisfacción de la demanda?
Depende del contexto del problema, se utilizan los signos = ó ≥. Por las
características de la demanda, si es un producto muy costoso, con ciclo de vida
corto, que por volumen incrementa el valor del inventario, etc., puede pedirse que
se cumpla estrictamente la demanda (=). En otros casos, lo más común es plantearlo
con el signo ≥. En general no afecta a la solución del problema pues es común
plantear la función objetivo como un problema de minimizar costos, por lo cual la
mejor solución buscará satisfacer la demanda mínima, o sea, cumplirse la
restricción en la igualdad, salvo que sea un poco superior debido a la integralidad
de variables cuando representan productos que son cantidades indivisibles.
Modelación de problemas de Programación Lineal (PL)
¿Qué es la Programación Lineal?

12
La Programación Lineal es un tipo de método dentro de la Programación Matemática

que utiliza un modelo matemático para describir el problema que se aborda. El adjetivo
lineal significa que todas las funciones matemáticas del modelo deben ser funciones
lineales. En este contexto la palabra programación no se refiere a programación en
computadoras sino como sinónimo de planeación. ¿Por qué? Porque la asignación de
recursos limitados a diferentes actividades competitivas buscando el mejor beneficio
posible (sea éste de lograr la mejor ganancia ó el menor costo posible) es su aplicación
más frecuente, aunque la Programación lineal tiene muchas otras posibilidades. Los
recursos pueden ser materia prima, personas, tiempo ó equipos disponibles, etc. Entre
esas actividades se encuentran: la asignación de tareas, finanzas, marketing, producción,
transporte, problemas de mezcla, redes de telecomunicaciones, diseño de circuitos, etc.
La formulación general de un modelo de PL puede plantearse como:

Minimizar (Maximizar) z = c1x1+c2x2+…cnxn
sujeta a las restricciones:

a11x1+a12x2+....+a1nxn (<=, >=, =) b1
a21x1+a22x2+....+a2nxn (<=, >=, =) b2
.
.
.
am1x1+am2x2+....+amnxn (<=, >=, =) bm
x1 >= 0, x2 >= 0, ..., xn>=0 (*)
La función a optimizar se le suele llamar función objetivo y los símbolos c1, c2,…,cn son
números (sus coeficientes). Los símbolos x1, x2,…,xn representan las variables del
modelo. Los símbolos aij son los coeficientes de ese sistema de restricciones, donde i
toma valores entre 1 y m (la cantidad de restricciones que existen) y j toma valores entre
1 y n (la cantidad de variables que existen),.
Las restricciones de no negatividad de las variables, están expresadas en (*).

Los valores que pudieran tomar las variables distinguen subcategorías en las que se
dividen los métodos de la Programación Lineal:
• Si todas las variables deben tomar valores enteros corresponden a la
Programación Lineal Entera.
• Si al menos una de las variables deben tomar valores enteros corresponden a la
Programación Lineal Entera Mixta.
• Si todas las variables deben tomar valores binarios (0 ó 1) corresponden a la
Programación Lineal Binaria.
¿Por qué la distinción de estas clasificaciones?

Porque los métodos de solución en general no son los mismos en las diferentes
soluciones.
Se presentará primeramente un ejemplo simple donde se irá induciendo cómo ir

planteando un modelo matemático de Programación Lineal que represente el problema
planteado, a partir de la obtención de los elementos que deben conformar un modelo

13
que responda al problema: variables, función a optimizar y restricciones. Luego se

continuará planteando modelos donde se insistirá en algunos aspectos que se deben
tener en cuenta en diversos tipos de problemas.
Ejemplo 1:
Un taller tiene tres tipos de máquinas A, B y C y puede fabricar dos productos. Todos
los productos tienen que ir a cada máquina y cada uno va en el mismo orden: Primero a
la máquina A, luego a la B y luego a la C. La Tabla 1 muestra:
1. Las horas requeridas en cada máquina, por unidad de producto.
2. Las horas totales disponibles para cada máquina, por semana.
3. La ganancia por unidad vendida de cada producto.
Tipo de máq. Producto 1 Producto 2 Horas disponibles x semana
A 2 1 18
B 2 3 42
C 3 1 24
Ganancia 3 2
unitaria
Tabla 1
¿Qué cantidad de cada producto se debe manufacturar cada semana, para obtener la
máxima ganancia?
Los elementos que debemos ofrecer para conformar un modelo que responda al
problema son: variables, función a optimizar y restricciones. Las variables son las
primeras que hay que definir, pues sin ellas no se pueden expresar los otros elementos.
En general, una buena definición de las variables es indispensable para obtener
exitosamente un modelo adecuado. Veamos por pasos cómo obtener cada uno de dichos
elementos.
1. ¿Cuáles son las variables a definir en el modelo? Generalmente la respuesta la

encontramos en la pregunta que se formula. Observar la pregunta: ¿Qué cantidad de
cada producto se debe manufacturar cada semana, para obtener la máxima ganancia?
Puesto que el problema se refiere a dos productos, son dos variables: cantidad de
unidades a producir de cada producto semanalmente. Pero hay que denotarlas
simbólicamente.
Denotemos:
x1: Cantidad de unidades a producir del producto A semanalmente
x2: Cantidad de unidades a producir del producto B semanalmente
Pudieron denotarse x, y respectivamente
2. ¿Cuál es la función a optimizar?

Observar:

14
• La pregunta: ¿Qué cantidad de cada producto se debe manufacturar cada semana,

para obtener la máxima ganancia?
• La parte de los datos relacionada con la ganancia que se debe producir:
Producto 1 Producto 2
Ganancia 3 2
unitaria
• Variables: x1, x2
Con ello se puede formular la función a optimizar.
Si la cantidad de cada producto de tipo 1 a fabricar se denota x1 y por cada uno la

ganancia es 3 unidades de algún tipo de moneda, el total de ellos dará un beneficio de
3x1. Análogamente el total de los productos de tipo 2 (x2) dará un beneficio de 3x2,
puesto por cada uno la ganancia es 2. Luego la ganancia total será la suma de las
ganancias de ambos, o sea, 3x1 + 3x2.
3. ¿Cuáles son las restricciones?

Hay que buscar en el texto dónde se encuentra limitación de recursos como puede ser
presupuesto que se tiene, personal disponible, tiempo de uso de máquinas, etc.
Observar en este caso:

• Las restricciones de recurso tiempo: horas totales disponibles para cada máquina,
por semana.
• Los datos que se tienen de horas requeridas en cada máquina por unidad de
producto así como el máximo de horas disponibles en cada una.
Tipo de máq. Producto 1 Producto 2 Horas disponibles

x semana
A 2 1 18
B 2 3 42
C 3 1 24
• Variables: x1, x2
Primero debe notar que hay 3 restricciones por limitaciones de recurso, que
corresponden a las horas máximas disponibles para cada tipo de máquina.
¿Cómo plantearlas?
Si cada producto de tipo 1 requiere 2 horas para su producción en la máquina A y se
tienen x1 productos de ese tipo, el total de horas que todos ellos necesitarán en la
máquina A será de 2x1. Análogamente el total de horas requeridas por los productos de
tipo 2 (x2) será 1.x2= x2, pues cada uno requiere solo de una hora para su producción.
Luego el total de horas requeridas por los dos productos para fabricarse en la máquina A
será la suma de las horas requeridas por cada tipo de producto: 2x1 + x2.
Puesto que esa cantidad de horas no debe sobrepasar el límite que se dispone de 18
horas, la primera restricción será:
2x1 + x2 ≤ 18

15
Con igual análisis para las restricciones por limitaciones de recurso en las máquinas B y
C se tiene que:
2x1 + 3x2 ≤ 42 (Para máquina B)

3x1 + x2 ≤ 24 (Para máquina C)
¿Qué falta por definir?
Rango de valores de las variables: x1, x2 ≥0, enteras
Luego el modelo que responde al problema planteado es:
Variables:
x1: Cantidad de unidades a producir del producto A semanalmente
x2: Cantidad de unidades a producir del producto B semanalmente
Función objetivo: max 3x1 + 2x2
Restricciones:
2x1 + x2 ≤ 18
2x1 + 3x2 ≤ 42
3x1 + x2 ≤ 24
Rango de valores de las variables: x1, x2 ≥0, enteras
Dos errores que pueden cometerse en la modelación de este problema:
1. Plantear las restricciones con signo de igualdad.
En ese caso está añadiendo limitaciones que no le dan, pues el problema no exige que
tenga que utilizar exactamente el máximo de horas disponibles. La solución de este
modelo buscará utilizar el máximo de recursos posibles (o sea, que la solución satisfaga
las restricciones en la igualdad), pues con ello aumenta la cantidad de productos a
producir y con ello aumenta el valor de la función objetivo que se busca maximizar. Sin
embargo, es posible que el sistema de ecuaciones lineales resultantes de sustituir las
desigualdades por igualdades sea incompatible, o sea, que no tenga soluciones, ni aún
continuas, sin la restricción de integralidad de sus variables.
En este caso, en efecto, el sistema de ecuaciones lineales:

2x1 + x2 = 18
2x1 + 3x2 = 42
3x1 + x2 = 24
no tiene soluciones, luego no podrá buscarse la que dé el mejor valor de la función

objetivo.
2. Plantear por error la función objetivo como de minimizar

16
Si fuera así, entonces la solución sería NO PRODUCIR NADA, o sea, x1 = x2 = 0, pues

serían los valores que darían el menor valor de la función objetivo (z = 0) y cumpliría
las restricciones.
De aquí puede generalizar lo siguiente:
S i tiene un problema de Programación Lineal del tipo:
• F.O. f(x1,x2,…,xn) = c1x1 + c2x2 +…+ cnxn, con c1, c2, …,cn ≥ 0
• TODAS las restricciones son del tipo g(x1,x2,…,xn) ≤ d
• Las soluciones posibles a ofrecer no deben considerar que todas las variables sean
cero
Entonces debe ser un problema de maximizar, de lo contrario la mejor solución sería
x1 = x2 =…= xn = 0
Análogamente, si tiene un problema de Programación Lineal del tipo:
• F.O. f(x1,x2,…,xn) = c1x1 + c2x2 +…+ cnxn, con c1, c2, …,cn ≥ 0
• TODAS las restricciones son del tipo g(x1,x2,…,xn) ≥ d
Entonces debe ser un problema de minimizar, de lo contrario no tendría una mejor

solución, pues los recursos al ser infinitos y maximizar la función objetivo que depende
de esas variables, con coeficientes no negativos, los valores de las variables pueden
crecer infinitamente cumpliendo las restricciones y siempre podrá encontrar una mejor
solución que otra ya encontrada.
Notación a utilizar para las variables
La notación utilizada para las variables que defina debe permitirle de una forma fácil
identificar qué representa cada variable, lo que le facilitará plantear correctamente la
función objetivo y restricciones.
Un ejemplo de ello se presenta en el siguiente sencillo problema:
Ejemplo 2:
Una pequeña empresa que se dedica al turismo ecológico con base en las orillas de un
río tiene $420,000 que puede usar para comprar nuevos botes para rentar durante el
verano. Los botes pueden comprarse a dos fabricantes diferentes. Luego de un análisis
concluyen que:
• Quieren comprar al menos 50 botes
• Comprar la misma cantidad de botes a cada fabricante, para mantener un crédito
favorable de ambos proveedores.
• Los botes comprados tengan al menos una capacidad total de 200 asientos.
Se tiene además la siguiente información para la toma de decisiones (Tabla 2):

17
Tipo de bote Fabricante Costo (USD) Máximo sillas Utilidad diaria

por bote (USD)
Pequeño 1 6500 3 70
Grande 1 7800 5 80
Pequeño 2 5400 2 50
Grande 2 9300 6 110
Tabla 2
¿Cuántos botes deben comprarse para obtener la máxima utilidad?
En este ejemplo se puede comprar botes a dos fabricantes, y cada uno le oferta dos tipos
diferentes, por lo que son cuatro variables a definir. Pudiera definirlas como x1, x2, x3, x4,
lo cual pudiera confundirlo en lo que representa cada una de ellas, por ejemplo, si las
dos primeras se refiere a un mismo fabricante o si a una característica del bote (pequeño
ó grande).
Otras opciones mejores serían:

x1, x2, y1, y2, donde la x se refiere a un tipo de fabricante y la y a otro. Los números 1 y
2 pueden indicarle el tipo de bote en ambos casos: pequeño ó grande.
También pudiera haberlas denotado como: xP, xG, yP, yG
Un modelo para este problema sería:
Variables:
x1 , x2: Número de botes a comprar al fabricante 1
y1, y2: Número de botes a comprar al fabricante 2
En ambos casos el 1 identifica bote pequeño, el 2 bote grande
Función objetivo a maximizar: z = 70 x1 + 80 x2 + 50 y1 + 110 y2
Restricciones:
6500x1 + 7800x2 + 5400y1 + 9300y2 ≤ 420000 (Presupuesto para comprar)
x1 + x2 + y1 + y2 ≥ 50 (Cantidad total de botes a comprar)
x1 + x2 = y1 + y2 (Cantidad de botes a comprar por fabricantes)
3x1 + 5x2 + 2y1 + 6y2 ≥ 200 (Cantidad total de sillas en los botes)
x1 , x2 , y1 , y2 ≥ 0, enteras
¿Cuándo utilizar subíndices en las variables?
Cuando lo que representa el subíndice describe de manera clara lo que representan las
variables en todos los casos y también cuando se tienen un número considerable de esas
variables.
Siguiendo el ejemplo anterior, podemos poner tres situaciones diferentes:

1. Que la empresa tuviera n proveedores diferentes y todos les proporcionan un mismo
tipo de bote, pudieran definirse de la siguiente manera:

18
xi: cantidad de botes comprado al proveedor i, donde i =1,…,n y tendría n variables de

ese tipo.
2. Que la empresa tuviera n proveedores diferentes y cada uno le proporcionara m

modelos diferentes de botes, pudieran definirse de la siguiente manera:
xij: cantidad de botes comprado al proveedor i del tipo j, donde i =1,…,n, j=1,…,m y
tendría nxm variables de ese tipo.
3. Que la empresa tuviera n proveedores diferentes, cada uno le proporcionara m

modelos diferentes de botes, y a su vez de cada modelo de botes tiene las mismas p
opciones a escoger que definen las capacidades posibles con ese mismo modelo. En este
caso pudieran definirse de la siguiente manera:
xijk: cantidad de botes comprado al proveedor i del tipo j con capacidad k, donde:
i =1,…,n, j=1,…,m, k = 1,…,p y tendría nxmxp variables de ese tipo.
En el caso de que se trabaje con variables con subíndices es muy aconsejable

previamente declarar explícitamente las notaciones que se han usado para las mismas,
para clarificar la modelación. Por ejemplo, si luego en las restricciones se está sumando
en i identificar rápidamente que se está considerando en ese caso todos los proveedores.
Por ejemplo, en la última situación presentada sería:
Notaciones:
i: Representa el proveedor
j: Representa el tipo de modelo
k: Representa la capacidad del bote
Un error común que se comete cuando se trabaja con variables con subíndices como en
el ejemplo anterior es pensar que se tiene una sola variable, lo cual es falso. Se tiene un
solo tipo de variable. En la Situación 1 se tienen n variables de ese tipo, en la Situación
2 son nxm variables de ese tipo y en la Situación 3 son nxmxp variables de ese tipo.
Organizar la información previo a iniciar la modelación
Existen problemas donde debido a la cantidad y diversidad de información que se da es

conveniente, previa a iniciar la modelación, organizar primero en una tabla la
información dada. Un ejemplo de ello (y no es de los más complicados) es el siguiente:
Ejemplo 3
Con el comienzo del curso se va a lanzar unas ofertas de material escolar. Un tipo de
almacén que oferta materiales escolares quiere ofrecer dos tipos de paquetes con estos
materiales. El primero contendrá 2 cuadernos, 1 carpeta y 2 bolígrafos; el segundo
tendrá 3 cuadernos, 1 carpeta y 1 bolígrafo. Si el almacén dispone de 600 cuadernos,
500 carpetas y 400 bolígrafos para la oferta, y los precios de cada tipo de paquete serán
de $18000 y $21000, respectivamente. ¿Cuántos paquetes convienen preparar de cada
tipo para obtener el máximo beneficio?
La información dada puede utilizarse más fácilmente si se organiza como se muestra en

la Tabla 3:

19
P1 P2 Disponibles
Cuadernos 2 3 600
Carpetas 1 1 500
Bolígrafos 2 1 400
Precio 18.00021.000
Tabla 3
En la pregunta se expresa de manera clara que las variables deben ser dos, la cantidad
de paquetes a hacer de cada tipo, y la tabla muestra en las tres primeras filas las
restricciones de disponibilidad en cuanto a cuadernos, carpetas y bolígrafos. La última
fila da la información para generar la función objetivo.
Con ello tenemos que el modelo sería:
Variables:
x: Cantidad de paquetes a hacer de tipo 1
y: Cantidad de paquetes a hacer de tipo 1
Función objetivo:
max z = 18000x + 21000y
Restricciones:
2 x + 3 y ≤ 600 (Disponibilidad de cuadernos)
x + y ≤ 500 (Disponibilidad de carpetas)
2 x + y ≤ 400 (Disponibilidad de bolígrafos)
x ≥ 0 , y ≥ 0, enteras
En el siguiente ejemplo no solo se quiere destacar la conveniencia de organizar la

información en una tabla previo a iniciar la información, sino otros dos aspectos:
• Los coeficientes que aparecen en la función objetivo y en una de las restricciones
son los elementos de dificultad en el problema (no la definición de las variables que
es muy simple), los cuales son el producto de varios datos, cada uno con unidades
de medida diferentes.
• La longitud en la descripción del problema y el número de restricciones de tipos
diversos justifica aplicar una de las recomendaciones dadas para modelar: ir
subrayando en el texto los elementos que ya se han tenido en cuenta en la
modelación para que no se “escape” ningún aspecto a modelar.
Ejemplo 4
Una compañía de transporte dispone de $4.000.000.000 para comprar un nuevo equipo
y está considerando tres tipos de vehículos. El vehículo A puede transportar 10
toneladas y se espera que promedie 35 millas /hora, siendo su costo de $80.000.000. El
vehículo B tiene una capacidad de 20 toneladas, promedia una velocidad de 30
millas/hora, y su costo es $130.000.000. El vehículo C es un modelo modificado del
tipo B, tiene un sitio para que duerma el conductor, lo cual reduce su capacidad a 18
toneladas y eleva su costo a $ 150.000.000.
Cada vehículo A recorre 20 millas por cada galón de gasolina; cada vehículo B recorre
15 millas/galón y cada vehículo C recorre 12 millas/galón. El tanque de combustible

20
para el suministro diario para los vehículos tiene una capacidad de 10.000 galones de
gasolina.
El vehículo A requiere una tripulación de un hombre y, si opera durante los tres turnos
del día, puede trabajar un promedio de 18 horas por día. Los vehículos B y C requieren
una tripulación de dos hombres cada uno, pero mientras que B puede trabajar 15 horas
por día en tres turnos, C puede promediar 21 horas diarias. La compañía dispone de 150
conductores por día y tendría muchas dificultades para obtener conductores adicionales.
El espacio del estacionamiento permite la entrada de 24 vehículos tipo A si sólo
parquean este tipo de vehículo. El espacio que ocupa un vehículo tipo B es 20% mayor
que el del tipo A y, el espacio requerido para parquear un tipo C es 20% menor que el
de tipo A. Las facilidades de mantenimiento son tales que el número total de vehículos
no puede exceder de 25.
Se quiere determinar cuántos vehículos de cada tipo deberán comprarse si la compañía
desea maximizar su capacidad diaria de movilización en toneladas.
Organizando la información como aparece en la Tabla 4
Tipo Recorrido Horas de Espacio Cap. de Veloc. Costo x Tripul

camión x galón labor x parqueo carga promedio camión x día
día
A 20 18 1 10 35 80 3
B 15 15 1.2 20 30 130 6
C 12 21 0.8 18 30 150 6
Unid. millas/gal. horas/día ton millas/hor millones pers/
medid a pesos día
a
Tabla 4
Para definir las variables, observar la pregunta: cuántos vehículos de cada tipo deberán
comprarse.
Variables:
xi: Número de camiones a comprar de tipo i, i = 1,2,3, donde 1 representa el camión tipo
A, 2 es el B, 3 es el C
Función objetivo:
Observar la pregunta: Maximizar su capacidad diaria de movilización en toneladas. Esto
serían las toneladas por millas por día que recorrerían todos los camiones.
¿Cuáles serían esos coeficientes que llevarían las variables en la f.o.?
Velocidad promedio x Horas de labor en un día x capacidad de carga de cada camión

millas horas millas horas millas horas
(35 .18 .10ton) x1 + (30 .15 .20ton) x 2 + (30 .21 .18ton) x3
horas día horas día horas día
max z = 6300 x1 + 9.000 x 2 + 11.340 x3 (ton.millas / día )
Restricciones:

21
Para definirlas iremos repitiendo el texto pero subrayando los elementos ya

considerados y con color azul los elementos que se tendrán en cuenta en el momento
para definir la próxima restricción.
Una compañía de transporte dispone de $4.000.000.000 para comprar un nuevo

equipo y está considerando tres tipos de vehículos. El vehículo A puede transportar 10
para el suministro diario para los vehículos tiene una capacidad de 10.000 galones de
gasolina.
Se quiere determinar cuántos vehículos de cada tipo deberán comprarse si la
compañía desea maximizar su capacidad diaria de movilización en toneladas.
1. Restricción de presupuesto:
80x1 + 130x2 + 150x2 ≤ 4000 (en millones de pesos)
Sigamos leyendo el problema:

para el suministro diario para los vehículos tiene una capacidad de 10.000 galones
de gasolina.

22
2. Restricción de combustible disponible:
millas horas millas horas millas horas

35 .18 30 .15 30 .21
( horas día ) x + ( horas día ) x + ( horas día ) x ≤ 10.000
1 2 3
millas millas millas
20 15 12
gal gal gal
31,5 x1 + 30 x 2 + 52,5 x3 ≤ 10.000 ( gal / día )
Notar que las unidades de medida no se ponen acompañando a los coeficientes de las
restricciones, se hizo en este caso para que notara, dada la cantidad de valores a
multiplicar con diferentes unidades de medidas que se estaban multiplicando los valores
adecuados.

de gasolina.
por día en tres turnos, C puede promediar 21 horas diarias. La compañía dispone de
150 conductores por día y tendría muchas dificultades para obtener conductores
adicionales. El espacio del estacionamiento permite la entrada de 24 vehículos tipo A si
sólo parquean este tipo de vehículo. El espacio que ocupa un vehículo tipo B es 20%
mayor que el del tipo A y, el espacio requerido para parquear un tipo C es 20% menor
que el de tipo A. Las facilidades de mantenimiento son tales que el número total de
vehículos no puede exceder de 25.
23

3. Restricción de conductores disponibles por día:

3x1 + 6x2 + 6x2 ≤ 150

de gasolina.
adicionales. El espacio del estacionamiento permite la entrada de 24 vehículos tipo
A si sólo parquean este tipo de vehículo. El espacio que ocupa un vehículo tipo B es
20% mayor que el del tipo A y, el espacio requerido para parquear un tipo C es
20% menor que el de tipo A. Las facilidades de mantenimiento son tales que el
número total de vehículos no puede exceder de 25.
4. Restricción de espacio disponible en el parqueo:
Sea C la capacidad total del parqueo, no importa cuál sea ese valor. Sea Ei el espacio
que ocupa un camión de tipo i. Por los datos que aporta el problema se tiene que:
C = 24 E1, E2 = 1.2 E1, E3 = 0.8 E1
Expresemos el espacio que ocupa cada camión de tipo i. en función de un solo
parámetro: C, la capacidad del parqueo. Luego:
E1= C/24 E2 = 1.2 (C/24) = C/20, E3 = 0.8 (C/24) = C/30
Luego si multiplicamos la capacidad de cada vehículo (en función de C) por la cantidad

de vehículos diarios que pudieran estar en el parqueo tendríamos:
(C/24)x1 + (C/20)x2 + (C/30)x3 ≤ C Eliminando C se tiene que:
x1 x 2 x3
+ + ≤1 (**)
24 20 30

24
Otra manera de plantear sería: si el máximo de camiones de tipo A en el parqueo serían

24 si solo se tienen allí de ese tipo, podría plantearse x1≤ 24. Si incluimos de tipo B,
como ocupan un 20% más de espacio, y de tipo C que ocupan un 20% menos de espacio
que los de tipo A, la restricción sería: x1 + 1.2 x2 + 0.8 x3 ≤ 24.
Observe que si en la desigualdad (**) multiplicamos por 24 obtenemos:

x1 + (24/20) x2 + (24/30) x3≤ 24 que es la misma restricción planteada por el otro
razonamiento.

de gasolina.
adicionales. El espacio del estacionamiento permite la entrada de 24 vehículos tipo
A si sólo parquean este tipo de vehículo. El espacio que ocupa un vehículo tipo B es
20% mayor que el del tipo A y, el espacio requerido para parquear un tipo C es
20% menor que el de tipo A. Las facilidades de mantenimiento son tales que el
número total de vehículos no puede exceder de 25.
5. Restricción de mantenimiento (número máximo de camiones):

x1 + x2 + x3 ≤ 25
x1 , x2 , x3 ≥ 0, enteras
Observar en la última “copia” del problema planteado que no queda nada sin subrayar
que sea una restricción del problema planteado.
Modelos equivalentes: Transformación de la función objetivo
El objetivo de la modelación no es en general un fin. Luego de obtener un modelo debe

buscarse un método que lo resuelva, dé soluciones, y para ello debe tratarse de obtener
un modelo lo más simple posible. En ocasiones es posible obtener un modelo

25
equivalente al planteado si se conoce la siguiente propiedad de los modelos de

Programación Lineal:
Propiedad
Sea f(x) la función a minimizar (maximizar) y se conoce que f(x) = k.g(x) donde k es
una constante (número). Entonces minimizar (maximizar) f(x) es equivalente a
minimizar (maximizar) g(x)
O sea, min (max) z = f(x) ⇔ min (max) z’ = g(x)
La equivalencia significa que la(s) solución(es) encontradas en ambos casos son

exactamente las mismas. La diferencia radica en que el valor de la función objetivo real
será el valor dado al evaluar g en la solución encontrada pero multiplicado por k, pues la
función objetivo real es f(x), no g(x).
Si nos remitimos al Ejemplo 3 la función objetivo es:

z = 18000x + 21000y
Puesto que f(x,y) = 18000x + 21000y = 1000(18x + 21y) pudiera trabajarse con la
función objetivo:
z = 18x + 21y
Luego el valor de z encontrado para la mejor solución se multiplicará por 1000, el valor
de k en este caso.
Otra conveniencia de hacer esto en algunos casos donde la función objetivo tiene
coeficientes muy grandes en relación a los coeficientes encontrados en las restricciones
es disminuir errores computacionales al aplicar los métodos de solución, que trabajan
con estos datos en innumerables iteraciones, pudiendo aumentar propagación de errores.
Explicitar lo que representa cada variable
En ocasiones las variables definidas representan cantidades de un artículo dado pero se

obvia poner la unidad de medida en que se dará la respuesta, lo cual aún es más
peligroso cuando se da información con diferentes unidades de medida.
Para ver las implicaciones respecto a las soluciones obtenidas al mezclar diferentes
unidades de medida en alguna restricción del modelo ó en la función objetivo, suponga
el siguiente ejemplo:
Ejemplo 5
Se requiere hacer dos productos donde lo que define cuánto hacer de cada uno de ellos
es la limitación de una materia prima de la cual se dispone a lo sumo de 10 libras. Cada
unidad de ambos productos pesa una libra. El producto 2 requiere por cada unidad
producida el doble de materia prima que el producto 1. No deben producirse más de 8
productos de tipo 1 ni más de 4 productos de tipo 2. La ganancia y por tanto el precio
del producto lo define el siguiente cálculo: cada libra del producto 1 da una ganancia de
$3, la ganancia del producto 2 es de 50 centavos la onza del mismo. Determine la
cantidad de productos de cada tipo a hacer para maximizar la ganancia.
El modelo que representa el problema puede plantearse así:

26
Variables:
x: Unidades a hacer de producto 1
y: Unidades a hacer de producto 2
Restricciones:
x+ 2y ≤ 10 (Disponibilidad de materia prima)
x ≤ 8 (Cantidad a hacer de producto 1)
y ≤ 4 (Cantidad a hacer de producto 2)
x, y ≥ 0 enteras (tipo y rango de valores de las variables)
Para definir la función objetivo hay que tener en cuenta que la información sobre la
ganancia por productos se da en dos unidades de medida diferentes: libras y onzas. Hay
que plantearlo en términos de una de ellas y hacer la conversión necesaria. Supóngase
que se plantea en libras, la más lógica pues las unidades a hacer de cada producto
coinciden con la cantidad de libras a usar.
Puesto que una libra es igual a 16 onzas, lo que se ganaría por cada unidad de producto
de tipo 2 (pesa una libra) sería: (50)(16) = 800 centavos = $8
Luego la función a maximizar sería z = 3x +8y y no z = 3x + 0.5y
Observe en el siguiente gráfico (Figura 2) las implicaciones que tendría ese error en
términos de la solución obtenida. La región de soluciones es la que está comprendida
por los segmentos de recta OA, AB, BC, CD y OD. Si se tomara como función objetivo
z = 3x + 0.5 y y la recta 3x + 0.5 y = 1 se desplaza paralelamente alejándose del origen
de coordenadas, el vértice más alejado de la región que tocaría sería el C, lo que
significaría que: x = 10, y =1.
Sin embargo, si se selecciona la función correcta z = 3x + 8 y y la recta 3x + 8 y = 24

se desplaza paralelamente alejándose del origen de coordenadas, el vértice más alejado
de la región que tocaría sería el B, lo que significaría que: x = 2, y =4. Dos soluciones
totalmente diferentes!
y
•
•
B
•A
•
• 3x+8y=24
3x+0.5y=1 C
•
o • • • • • • • • • • • x
D
Figura 2

27
Otros ejemplos serían los siguientes:
Ejemplo 6
Una compañía fabrica y vende dos modelos de lámparas L1 y L2. Para su fabricación se
necesita un trabajo manual de 20 minutos para el modelo L1 y de 30 minutos para el L2;
y un trabajo de máquina de 20 minutos para L1 y de 10 minutos para L2. Se dispone
para el trabajo manual de 100 horas al mes y para la máquina 80 horas al mes. Sabiendo
que el beneficio por unidad de lámpara producida es de 15 y 10 euros para L1 y L2,
respectivamente, planificar la producción para obtener el máximo beneficio.
Este es un ejemplo que aunque simple sería conveniente previamente organizar la

información en una tabla como se ilustra en la Tabla 5:
Tipo de trabajo/Tiempo L1 L2 Tiempo disponible

(min) (min) (horas)
Manual 20 30 100
Máquina 20 10 80
Tabla 5
Variables
x = Nº de lámparas a producir de tipo L1
y = Nº de lámparas a producir de tipo L2
La función objetivo será maximizar utilidad en euros que será dada por la función
z =15x + 10y
Para plantear las restricciones dadas por tiempo disponible en horas para cada uno de
los tipos de trabajo, obsérvese que el tiempo que cada lámpara requiere en cada tipo de
trabajo está dado en minutos, y el tiempo disponible en horas.
Dos opciones son:

• Convertir los tiempos por lámpara para cada tipo de trabajo en horas, ó
• Convertir los tiempos máximos disponibles por tipo de trabajo a minutos.
En el primer caso, como

20 min = 1/3 h; 30 min = 1/2 h; 10 min = 1/6 h
Las restricciones serían:

(1/3) x + (1/2) y ≤ 100 (De disponibilidad, en horas, para el trabajo manual)
(1/3) x + (1/6) y ≤ 80 (De disponibilidad, en horas, para el trabajo en máquina)
Para eliminar los coeficientes con números racionales, multiplicando ambas

inecuaciones por el mínimo común denominador entre 3 y 2, así como entre 3 y 6, que
en ambos casos es el número 6, se tiene:
2x + 3y ≤ 600
2x + y ≤ 480
En el segundo caso, como

28
100 horas = 6000 min; 80 horas = 4800 mi n

20x + 30y ≤ 6000 (De disponibilidad, en minutos, para el trabajo manual)
20x + 10y ≤ 4800 (De disponibilidad, en minutos, para el trabajo en máquina)
Simplificando ambas inecuaciones multiplicando ambos miembros de cada una por

1/10 se tiene:
2x + 3y ≤ 600 (I)
2x + y ≤ 480
Las mismas inecuaciones obtenidas por la otra variante de unificar unidades de

medidas.
Si no hubiera tenido en cuenta la heterogeneidad de las unidades de medida al plantear

las restricciones le hubiera quedado:
2x + 3y ≤ 100 (II)
2x + y ≤ 80
Se le deja que por el método gráfico compruebe cuán diferentes serían las regiones de
soluciones teniendo en cuenta las restricciones en (I) y en (II), así como la solución del
problema.
Ejemplo 7
Un granjero tiene 200 cerdos que consumen 90 libras de comida especial todos los días.
El alimento se prepara como una mezcla de maíz y harina de soya con las siguientes
composiciones presentadas en la Tabla 6.
Alimento Calcio Proteína Fibra Costo ($/Kg)

Maíz 0.001 0.09 0.02 0.1
Harina de Soya 0.002 0.6 0.06 0.3
Tabla 6
Los requisitos de alimento de los cerdos son:
1. Cuando menos 1% de calcio
2. Por lo menos 30% de proteína
3. Máximo 5% de fibra
Determine la mezcla de alimentos con el mínimo de costo por día
Modelo:
Variables:
En la pregunta piden determinar la mezcla de alimentos, pero la misma se hace con
maíz y harina de soya; por ello las variables deben ser cantidades a mezclar de maíz y
harina de soya. Pero por otro lado, en los datos dan información relacionada con la
mezcla a hacer en dos unidades de medida: libras por alimento para las composiciones
de la mezcla y Kg para el costo. Por ello se hace necesario aclarar bien en qué unidad
de medida se definirán las variables y en las restricciones hacer conversiones necesarias
para que no existan inconsistencias.
29
Por los datos planteados es más fácil utilizar como unidad de medida Libras por Libra
de Alimento. De ahí que las variables serían:
x1 :Cantidad de Maíz, en libras
x2 : Cantidad de Harina de Soya, en libras
Observar que definir las variables como cantidad de maíz ó cantidad de soya, queda
impreciso. Es costumbre de algunos estudiantes, en definiciones de variables como
las anteriores, argumentar: “Pero si revisa las restricciones que puse lo que yo quise
decir es…”
La argumentación no es adecuada. La persona que lee el modelo no debe suponer nada,
y las variables no deben declararse de modo ambiguo.
Función objetivo a minimizar:
z = (0.1)(2.2)x1 + (0.3)(2.2)x2 = 0.22x1 + 0.66x2
Observe que como el costo está en peso por Kg y las variables en libras, hay que
convertir los Kgs en libras multiplicando por 2.2 (pues 1Kg = 2.2 libras)
Restricciones:
En las restricciones no hay que hacer conversiones pues todo está dado en libras (datos
y variables):
0.001x1 + 0.002x2 ≥ (90)(0.01) (Requerimiento de calcio)

0.09x1 + 0.6x2 ≥ (90)(0.3) (Requerimiento de proteína)
0.02x1 + 0.06x2 ≤ (90)(0.05) .......... (Requerimiento de fibra)
Rango de las variables: x1, x2 ≥ 0

Observe un detalle: En este problema se da un dato que realmente no es necesario para
el modelo: que el granjero dispone de 200 cerdos.
Sustitución de restricciones
En ocasiones se tiende a tratar de reducir restricciones dando un modelo que no es
equivalente al original y por tanto no tienen las mismas soluciones, pudiendo ser una de
ellas errónea. Lo anterior se ilustra en el siguiente ejemplo:
Ejemplo 8
Es usual que empresas, para transportar su mercancía desde su planta de producción
hacia los puntos de distribución, contraten los servicios de personas que tienen
pequeños camiones con ese objetivo. Una empresa contrata a un camionero para
transportar su mercancía que está empacada en cajas de 3 tamaños diferentes. Datos que
se tienen del problema son:
• El camión a utilizar tiene una capacidad interior de 20m3.
• Los tamaños, así como ganancia por cada tipo de caja transportada, son los
siguientes:
Caja Tipo 1: 1 m3 - $ 1.000 c/u
Caja Tipo 2: 1.2 m3 - $ 1.120 c/u
Caja Tipo 3: 0.8 m3 - $ 900 c/u

30
• Se tiene que transportar como mínimo 8 cajas tipo 1 y 5 cajas tipo 3 en cada
viaje.
• Debe haber cajas de tipo 2 transportadas en cada viaje, pero como máximo la
mitad del total de las otras cajas.
¿Cómo debe llenar el transportista su camión para maximizar las ganancias en cada
viaje que realice?
Previo a comenzar la modelación organicemos la información como aparece en la

Tabla 7.
Cajas Volumen (m3) Ganancia ($) Demanda

Tipo 1 1 1.000 Al menos 8
Tipo 2 1.2 1.120
Tipo 3 0.8 900 Al menos 5
Tabla 7
Variables:
Sean xi: la cantidad de cajas de tipo i (i = 1, 2, 3) a transportar en cada viaje.
La función objetivo a maximizar sería: z= 1000x1 + 1120x2 + 900x3

x1 + 1.2x2 + 0.8x3 ≥ 20 (Capacidad del camión en m3)
x2 ≤ 0.5(x1 +x3) (Cantidad de cajas a transportar de tipo 2 en relación con las demás)
x1 ≥ 8
x3 ≥ 5
Las dos últimas restricciones no pueden sustituirse por la restricción: x1 + x3 ≥ 13.
¿Por qué? x1 ≥ 8 y x3 ≥ 5 implica que se cumple x1 + x3 ≥ 13, pero lo recíproco no es

necesariamente cierto. Por ejemplo, si x1 = 6, x3 = 8, x1 + x3 = 14 ≥ 13, sin embargo la
variable x1 no cumple la primera restricción impuesta: x1 ≥ 8
Otra sustitución (y reducción de restricciones) errónea pudiera darse en la modelación

del Ejemplo 2:
Si en el sistema de restricciones visto:
6500x1 + 7800x2 + 5400y1 + 9300y2 ≤ 420000 (Presupuesto para comprar) (1)
x1 + x2 + y1 + y2 ≥ 50 (Cantidad total de botes a comprar) (2)
x1 + x2 = y1 + y2 (Cantidad de botes a comprar por fabricantes) (3)
3x1 + 5x2 + 2y1 + 6y2 ≥ 200 (Cantidad total de sillas en los botes) (4)
x1 , x2 , y1 , y2 ≥ 0, enteras
Se sustituyera la restricción (3) en la (2) obteniéndose:

6500x1 + 7800x2 + 5400y1 + 9300y2 ≤ 420000 (Presupuesto para comprar) (1’)
y1 + y2 ≥ 25 (Cantidad total de botes a comprar) (2’)
3x1 + 5x2 + 2y1 + 6y2 ≥ 200 (Cantidad total de sillas en los botes) (3’)
x1 , x2 , y1 , y2 ≥ 0, enteras
Pudiera dar una solución no apropiada para el problema, pues si la cantidad total de
botes a comprar es mayor o igual a 50, debido a la restricción (3) es verdad que se debe

31
cumplir la restricción (2’), pero este nuevo conjunto de restricciones no obliga a que la
cantidad total de botes a comprar sea como mínimo 50, pues tampoco establece que la
cantidad de botes a comprar a cada fabricante sea la misma.
Sí sería posible la sustitución siguiente, sin eliminar la restricción (3):

6500x1 + 7800x2 + 5400y1 + 9300y2 ≤ 420000 (Presupuesto para comprar) (1)
y1 + y2 ≥ 25 (Cantidad de botes a comprar) (2’)
x1 + x2 = y1 + y2 (Cantidad de botes a comprar por fabricantes) (3)
3x1 + 5x2 + 2y1 + 6y2 ≥ 200 (Cantidad total de sillas en los botes) (4)
x1 , x2 , y1 , y2 ≥ 0, enteras
Explicitar la dimensión del modelo: número de variables y restricciones

¿Por qué? Depende de las características del modelo (lineales con variables continuas,
lineales con variables enteras ó binarias, no lineales, etc.) y la estructura del modelo
como por ejemplo, características de la matriz del sistema de ecuaciones lineales que
representan las restricciones, unido a la dimensión del problema (número de variables y
restricciones) es que puede valorarse la complejidad de su solución y la posibilidad de
utilizar un software conocido.
Poniendo un simple ejemplo:

El Solver del Excel, a disposición en cualquier computadora personal, puede utilizarse
para resolver problemas de Programación Lineal con un máximo de 200 restricciones y
200 variables.
Ejemplo 9
Una oficina técnica coordinadora de cultivos tiene a su cargo la administración de 3
parcelas. El rendimiento agrícola de cada parcela está limitado tanto por la cantidad de
tierra cultivable como por la cantidad de agua asignada para regadío de la parcela por la
comisión de aguas. Los datos proporcionados por este organismo se dan en la Tabla 8:
Parcela Tierra cultivable (ha) Asignación agua (m3)

1 400 600
2 600 800
3 300 375
Tabla 8
Las especies disponibles para el cultivo son la remolacha, trigo y maravilla, pero el
Ministerio de Agricultura ha establecido un número máximo de hectáreas que pueden
dedicarse a cada uno de estos cultivos en las 3 parcelas en conjunto, como lo muestra la
Tabla 9:
Especie Consumo agua Cuota Ganancia
3
(m /ha) máxima (ha) neta ($/ha)
Remol 3 600 400
Trigo 2 500 300
Marav 1 325 100
Tabla 9
Los dueños de las parcelas, en un acto de solidaridad social, han convenido que en cada
parcela se sembrará la misma fracción de su tierra cultivable. Sin embargo, puede
cultivarse cualquier combinación en cualquiera de las parcelas. La tarea que encara la

32
oficina es plantear cuántas hectáreas se deben dedicar al cultivo de las distintas especies
en cada parcela, de modo de maximizar la ganancia neta total para todas las parcelas a
cargo de la oficina.
Variables:
Observar la pregunta: ¿cuántas hectáreas se deben dedicar al cultivo de las distintas
especies en cada parcela? Puesto que existen 3 parcelas, y en cada una se pueden
cultivar 3 especies distintas, existen 3x3 = 9 variables.
Cada variable está identificada por dos elementos: la parcela y la especie, por ello la
mejor forma de denotar las variables es con dos subíndices: uno se refiere a la parcela,
el otro a la especie. El orden en que se haga (primero la parcela y luego la especie o
viceversa) usted debe definirla, no es significativo.
Denotemos:
xij: número de hectáreas que se sembrarán la parcela i de la especie j, i=1,2,3; j=1,2,3
donde j=1 representa remolacha, j=2 representa trigo y j=3 representa Maravilla.
Función objetivo:
Debe maximizarse la ganancia neta, en $/ha. Observe que la ganancia de cada especie
no depende de en cuál parcela ocurre, luego la f.o. es:
z = 400(x11 + x21 + x31) + 300(x12 + x22 + x32) + 100(x13 + x23 + x33)

Observe que en cada paréntesis el primer subíndice de las variables varía de 1 a 3, pues
representa las parcelas, y el segundo subíndice es fijo, 1, 2 ó 3, dependiendo de cuál es
la especie a que se refiere.
De manera más compacta puede expresarse como:

3 3 3
z = 400∑ xi1 + 300∑ xi 2 + 100∑ xi 3
i =1 i =1 i =1
Restricciones:
Cuántas restricciones existen? Qué representan?
Observar que existen subconjuntos de restricciones por motivo de:

1. Tierra disponible, por parcela (son 3)
2. Disponibilidad de agua, por parcela (son 3)
3. Cuota máxima de cultivo, por especie (son 3)
4. Restricción de misma proporción de tierra cultivable en las parcelas (son 3, pues
al existir 3 parcelas, está el equiparar la proporción entre parcelas 1 y 3, entre la
1 y 2, entre la 2 y 3, o sea, todas las combinaciones posibles de 3 en 2).
Luego existen 12 restricciones. Cada tipo de restricciones, de las tres primeras, puede
escribirse de manera compacta de la siguiente manera:
Restricciones de tierra disponible (son 3, una para cada parcela):

3
∑x
j =1
ij ≤ bi i = 1,2,3 siendo b1 = 400, b2 = 600, b3 = 300

33
Estas restricciones de manera explícita son:

x11 + x12 + x13 ≤ 400
x21 + x22 + x23 ≤ 600
x31 + x32 + x33 ≤ 300
Restricciones de disponibilidad de agua (son 3, una para cada parcela):

3
∑a
j =1
j xij ≤ u i i = 1,2,3 siendo a1 = 3, a2 = 2, a3 = 1; u1 = 600, u2 = 800, u3 = 375

3x11 + 2x12 + x13 ≤ 600
3x21 + 2x22 + x23 ≤ 800
3x31 + 2x32 + x33 ≤ 375
Restricciones de cuota máxima de cultivo (son 3, una para cada especie):

3
∑x
i =1
ij ≤ vj j = 1,2,3 siendo v1 = 600, v2 = 500, v3 = 325

x11 + x21 + x31 ≤ 600
x12 + x22 + x32 ≤ 500
x13 + x23 + x33 ≤ 325
Restricciones de misma proporción de tierra cultivable en las parcelas:
En Parcela 1 = En Parcela 2:
3 3
∑ x1 j
j =1
∑x
j =1
2j
=
400 600
3 3
∑ x2 j
j =1
∑x
j =1
3j
=
600 300
3 3
∑x
j =1
1j ∑x
j =1
3j
=
400 300
xij ≥ 0, i = 1,2,3; j = 1,2,3
Variables no fáciles de determinar de una lectura: Hacer diagrama de la situación
Los tres siguientes ejemplos muestran cómo en ocasiones lo más difícil de la

modelación es la determinación de las variables, que no se observa fácilmente de una

34
lectura del problema, en cuyos casos es recomendable hacer un diagrama inicial que
ayude a formular las variables, paso crucial, pues si las variables no están definidas
adecuadamente, no resultará el modelo planteado.
Ejemplo 10
Una industria que fabrica papel y lo distribuye en rollos debe determinar la mejor forma
de realizar el proceso de corte. Los rollos de papel que se producen tienen un ancho de
100 cms; sin embargo, los clientes demandan rollos de 30 cms, 45 cms y 50 cms de
ancho. Por lo tanto, al cortar los rollos de 100 cms se incurre en una pérdida de material
que depende de la forma en que se corten los rollos originales. Se desea determinar la
forma de efectuar el corte de manera que se satisfaga la demanda y se pierda la menor
cantidad posible de material. Se tiene un pedido de 800 rollos de 30 cm, 500 de 45 cms
y 1.000 de 50 cms.
Este es un problema clásico de corte de materiales (telas, vidrio, papel, madera, etc.)
donde se pretende minimizar el desperdicio.
El diagrama inicial debía plantear, a partir de lo cual se definen las variables, las formas
en que se puede cortar un rollo de 100 cms y que consideren los tipos de corte que
demandan los clientes. En otras palabras, los diferentes patrones de corte definirían las
variables
30 30 30 10
45 45 10
50 50
45 50 5
45 30 25
50 30 20
Figura 3
Observe en la Figura 3 que existen 6 patrones de corte. ¿Por qué? Pues son todas las
combinaciones posibles de 30, 45 y 50 cuya suma no sobrepase 100.
Conocido esto, organicemos la información en una tabla, como se muestra en la Tabla 10
Ancho del Patrones de corte de rollos

rollo (cm)
1 2 3 4 5 6
30 3 0 0 0 1 1
45 0 2 0 1 1 0
50 0 0 2 1 0 1
Desp. (cm) 10 10 0 5 25 20
Tabla 10

35
Variables de decisión
xi = Número de rollos a cortar según el patrón i (i=1,…,6)
Función Objetivo
Minimizar z = 10 x1 + 10 x2 + 5 x4 + 25 x5 + 20 x6
Restricciones
3 x1 + 1 x5+ 1 x6 = 800 (rollos a hacer de 30cms)
xi≥ 0, enteras.
¿Por qué en los problemas reales de corte a nivel industrial este problema es en general
muy difícil de resolver? Porque es un problema de Programación Lineal Entera, y en la
medida que aumentan los tipos de corte va aumentando de manera exponencial los
patrones de corte y por tanto, las variables del problema.
Ejemplo 11
El dueño de un restaurante necesitaría en 3 días sucesivos 40, 60 y 70 manteles. El
puede adquirir manteles a un costo de $20 cada una y después de haberlos usado, puede
mandar manteles sucios a lavar, para lo cual tiene 2 servicios de lavandería disponibles:
uno rápido (el lavado tarda 1 día) que cuesta $ 15 por cada mantel y uno normal (tarda 2
días) que cuesta $8 por mantel. Formule un modelo que permita conocer al dueño del
restaurante que número de manteles debe comprar inicialmente y que número debe
mandar a lavar cada día para minimizar sus costos.
En este ejemplo es muy aconsejable, antes de plantear el modelo, hacer un diagrama que
ayude a la modelación. A pesar de que en la pregunta se reflejan las variables, las
decisiones de qué tipo de lavado se puede hacer cada día es lo que dificulta la definición
de dichas variables. Observar en la Figura 4 que hay 4 tipos de decisiones por día que
definen las variables y son las subrayadas en el diagrama dado en la Figura 4:
Día 2: Manteles lavado

Día 1: Comprar manteles rápido del día 1
Lavar rápido manteles
• Lavado normal
• Lavado rápido
Día 3: Manteles lavado

normal del día 1
lavado rápido del día 2
Figura 4
De ahí las variables a definir serán:

x1 = Cantidad de manteles comprados (sólo se puede comprar el primer día).
x2 = Cantidad de manteles mandados a lavar en servicio rápido el primer día.
x3 = Cantidad de manteles mandados a lavar en servicio normal el primer día.

36
x4 = Cantidad de manteles mandados a lavar en servicio rápido el segundo día.
Usualmente existen estudiantes que intentan antes de modelar el problema darle los
valores a las variables, por ejemplo decir que son 70 los manteles a comprar, el máximo
número de comensales. El problema es determinar el resto de las mejores decisiones, a
las que podría llegarse también aplicando la lógica.
Función Objetivo.
mın z = 20x1 + 15x2 + 8x3 + 15x4 = 20x1 + 15(x2 + x4)+ 8x3
Restricciones:
• Se satisfaga la cantidad de manteles necesarios cada día
Primer día: Los que se compran, luego x1 ≥ 40

Segundo día: Los que quedaron sin usar del primer día más los lavados rápidos el
primer día.
(x1 − 40) + x2 ≥ 60 ⇔ x1 + x2 ≥ 100
Tercer día: Los que quedaron sin usar del primer día más los lavados rápidos el primer
día que no se usaron el segundo día (x1 + x2 - 100) más cantidad de manteles mandados
a lavar en servicio normal el primer día (x3) más cantidad de manteles mandados a lavar
en servicio rápido el segundo día (x4).
x1 + x2 – 100 + x3 + x4 ≥ 70 ⇔ x1 + x2 + x3 + x4 ≥ 170
• Restricciones lógicas:
o El número de manteles mandados a lavar el primer día, puede a lo sumo ser
igual al número de manteles usados ese día
x2 + x3 ≤ 40
o El número de manteles mandados a lavar hasta el segundo día, puede a lo
sumo ser igual al número de manteles usados hasta ese día.
x2 + x3 + x4 ≤ 40 + 60 = 100
x1, x2, x3, x4 ≥ 0 enteras
Observe que plantear las restricciones lógicas es importante. El modelo no considera lo

que no se plantea como restricciones, pues no sabe qué representan cada una de las
variables. Sin ellas, por ejemplo, pudiera dar como respuesta x1 = 40, x2 = 60 que con
los otros valores de x3, x4 cumplirían las restricciones y no es posible mandar a lavar
más manteles que los comprados.
Ejemplo 12 (Programación de las inversiones)

Un administrador tiene la opción de invertir su dinero en dos planes. El Plan A
garantiza que cada peso invertido producirá 60 centavos después de un año, mientras
que el Plan B garantiza que cada peso invertido producirá $1,65 después de dos años.
El Plan B solo capta inversiones por periodos que sean múltiples de dos años. El
administrador cuenta con $10.000.000 para inversiones y requiere contar con el máximo
dinero disponible al final de tres años.
Formule un modelo que le permita determinar la forma de efectuar sus inversiones.

37
Observe que éste es un buen ejemplo para mostrar que en la medida que usted modela
diferentes tipos de problema va adquiriendo habilidad y experiencia que le hace más
simple otras modelaciones. Siendo este problema y el anterior (de la compra y lavado de
manteles) dos problemas totalmente diferentes, tienen muchas similitudes. Decisiones a
tomar en un grupo de días (años), tipos de decisiones (lavar rápido ó normal, invertir en
Plan A ó en B).
Observe el diagrama de la Figura 5. Como se requiere contar con el máximo dinero

disponible al final de tres años, y en el Plan A se puede invertir cada año, pueden
definirse tres variables para lo que se invierte al principio de los tres primeros años en el
Plan A. Como en el Plan B se puede invertir cada dos años, pueden definirse solo dos
variables para lo que se invierte en el Plan B: al principio del año 1 y al principio del
año 2.
Las variables tendrán dos subíndices: el primero se refiere al Plan (1 →A, 2→B) y el
tercero al año
Figura 5
De ahí, para el Plan A pueden darse las variables: x11, x12, x13 porque puede invertirse al
principio de cada año para recibir la capitalización correspondiente al año siguiente.
Para el Plan B pueden darse las variables: x21 y x22 porque sólo puede invertirse al
principio de los dos primeros años para recibir la capitalización correspondiente a los
dos años siguientes dentro del plazo de 3 años fijado para la inversión.
Función objetivo:
max z = 1,6 x13 + 2,65 x22
En la f.o. solo aparecen las variables x13 y x22 pues el último dinero que se invierte en el
Plan A (x13) y en el Plan B (x22) tiene en cuenta el dinero invertido anteriormente, y los
interese que produjo. Los coeficientes son el dinero invertido más el interés ganado por
cada plan. En el caso del Plan A será x13 + 0,6 x13 = 1,6 x13 y en el B es x22 + 1,65 x22
= 2,65 x22
Las restricciones serán la disponibilidad de dinero al principio de cada año:

Del primer año: x11 + x21 ≤ 10.000.000
Del segundo año: x12 + x22 ≤ 1,6 x11 = (1 + 0,6) x11
Del tercer año: x13 ≤ 1,6 x12 + 2,65 x21 = (1 +0,6) x12 + (1 + 1,65) x21
x11, x12, x13, x21, x22 ≥ 0

38
Interpretación de un modelo
El dominio de la modelación matemática incluye no solo modelar un problema dado,

sino el problema inverso: dado el modelo que representa un modelo dado poder explicar
de forma verbal y simple qué representa cada una de las restricciones así como la
función objetivo.
Interpretemos el modelo planteado por el siguiente problema.
Ejemplo 13
Una compañía de consultorías de cadena de suministro en Colombia debe decidir dónde

localizar 4 oficinas centrales, escogidas de 8 posibles lugares donde ubicarlas, que
deben atender a 15 ciudades en el país (son sus clientes). Cada lugar posible de
ubicación de las oficinas tendrá un número de consultores diferentes para atender a los
clientes. Cada consultor puede realizar a lo sumo 25 viajes en el año a sus clientes.
Existe un costo unitario de cada viaje dependiendo de la oficina que lo proporcione y
donde se encuentre el cliente (o sea, de distancia de la oficina donde está el cliente y la
ciudad que se visita). Cada lugar posible de ubicación tendrá un costo fijo de apertura
diferente, en caso de que se abra. Cada ciudad tiene previsto un número de visitas que le
realicen en el año. Perteneciendo todos los consultores a la misma compañía no existe
ninguna restricción que limite a que una ciudad pueda ser visitada por consultores que
estén en diferentes oficinas.
Plantee el modelo matemático que permita decidir dónde ubicar sus oficinas centrales,
así como cuántas visitas y de dónde recibirá cada ciudad, dentro del grupo de las
oficinas que se abran.
Modelo
Índices
i: ciudades (clientes)
j: lugares a ubicar las oficinas centrales
Datos
Kj: Cantidad de consultores a ubicar en la oficina potencial j
dij: distancia entre ciudad i y lugar j
cij: costo unitario dependiendo de la distancia entre ciudad i y lugar j
fj: costo fijo de abrir oficina j
Di: Demanda de visitas de la ciudad i
Variables
xij: Cantidad de visitas a cliente i de oficina j
⎧1 si se ubica oficina en j
yj = ⎨
⎩ 0 si no
∑y
j =1
j =4 (1)

39
∑x
j =1
ij ≥ Di ∀i = 1,...,15 (2)
15
∑x
i =1
ij ≤ 25 K j y j ∀j = 1,...8 (3)
8 15 8
min ∑∑ cij d ij xij + ∑ f j y j
j =1 i =1 j =1
( 4)
xij ≥ 0 enteras , i= 1,…,15; j = 1,…8; yj ∈{0,1} j = 1,…8
En la primera restricción en la parte izquierda aparece una suma en j de las variables yj

que representan las decisiones de abrir o no en los 8 lugares las oficinas. En la parte
derecha aparece un 4, la cantidad de oficinas que deben abrirse. O sea, solo 4 de las
variables yj tomarán el valor 1.
Luego esa restricción plantea que: de los 8 lugares posibles donde abrir oficinas deben
escogerse exactamente 4.
En (2) no aparece una sola restricción, sino un conjunto de 15 restricciones, una por
cada cliente. Esto es debido a que en la parte derecha aparece ∀ i =1,…,15
En la parte izquierda aparece una suma en j de las variables xij donde cada una
representa la cantidad de visitas al cliente i de la oficina j. Luego se refiere a todas las
visitas que van a realizar las 8 oficinas. En la parte derecha aparece la demanda de cada
ciudad i (Di). Luego significa que: todas las visitas que recibe cada una de las 15
ciudades de cada oficina deben ser como mínimo su demanda.
En (3) tampoco no aparece una sola restricción, sino un conjunto de 8 restricciones, una
por cada lugar potencial donde ubicar las oficinas. Esto es debido a que en la parte
derecha aparece ∀ j =1,…,8.
En la parte izquierda aparece una suma en i de las variables xij donde cada una
representa la cantidad de visitas al cliente i de la oficina j. Luego se refiere al total de las
visitas que va a realizar cada oficina potencial a todos los clientes. En la parte derecha
aparece la capacidad de cada oficina potencia en términos de visitas que puede hacer,
que es 25Kj, pues cada oficina tendría Kj consultores y cada uno puede hacer 25 visitas. .
Obviando el factor yj, o sea, suponiendo que solo tenga el término 25Kj, significa que:
las visitas que realiza cada oficina a las 15 ciudades deben ser como máximo su
capacidad.
¿Qué papel juega el factor yj? Garantizar que si en un lugar j no se abre una oficina,
entonces no puede hacer visitas a ninguna de las ciudades. O sea, si un yj = 0, entonces
la restricción correspondiente sería:
15
∑x
i =1
ij ≤ 0 . Como las variables xij deben ser no negativas, entonces se cumple que x1j=
x2j =…= x15j = 0. Si yj = 1, entonces la restricción correspondiente sería:

40
15
∑x
i =1
ij ≤ 25K j y en la parte derecha está la capacidad de esa oficina.
Como conclusión tenemos que esa restricción plantea lo siguiente: las visitas que realiza
cada oficina a las 15 ciudades, si se abren, deben ser como máximo su capacidad.
La función objetivo tiene dos grupos de sumas. El primer grupo se refiere a todos los
costos variables resultantes de todos los viajes de las oficinas que se abren a las
ciudades. El segundo grupo son los costos fijos de las oficinas que serán abiertas.
Es un error la forma en que a veces se explican los modelos. Por ejemplo, en el caso de
la restricción (1) decir:”la suma de las y’is es igual a 4”. Eso es simplemente “leer” la
restricción.
Modelos con variables binarias
Las variables binarias son muy utilizadas en modelos de optimización en diversas

situaciones, frecuentemente relacionadas con la toma de decisiones. Por ejemplo,
construir o no un almacén, ampliar ó no la capacidad de un almacén, asignar una
persona (tarea) a un puesto de trabajo (máquina), etc.
También se usan como variables auxiliares, para indicar valores ó estados de ciertas
variables continuas.
A continuación plantaremos algunos ejemplos típicos de estos tipos de modelos.
Ejemplo 14: Problema de la mochila

Puede plantearse de la siguiente manera: Un montañero debe introducir en su mochila
un subconjunto de una serie de objetos que le serán de utilidad, pero que no exceda un
límite de peso y tal que maximice su utilidad.
Este problema tiene múltiples aplicaciones, en áreas financieras, determinar los

artículos que se pueden almacenar en un contenedor maximizando su valor total, etc.
Observe que en el problema hay que tomar una decisión de si se incluye ó no se incluye
en la mochila cada objeto de los disponibles. Hay que tomar una decisión por cada
artículo.
Datos (de manera simbólica)

n: número de objetos para escoger
K: Capacidad de la mochila:
vi : Peso o volumen del objeto i, i = 1,…,n
ui : Utilidad del objeto i, i = 1,…,n
Variables:
⎧1 si selecciona artículo i
xi = ⎨ i =1,…,n
⎩ 0 si no
Función objetivo:

41
n
max z = ∑ ui xi
i =1
Restricciones: Una sola, capacidad en peso ó volumen de la mochila:

n
∑v x
i =1
i i ≤K
Ejemplo 15: Problema de asignación

Un Jefe de personal en una empresa está ofreciendo n plazas de trabajo diferentes (cada
una cumple roles distintos) a n candidatos. A cada candidato se le ha evaluado su
aptitud para cubrir cada una de las plazas, expresado en un coeficiente numérico b.
Plantee un modelo que permita hacer la asignación del personal a las plazas de manera
de optimizar las aptitudes de los candidatos a las plazas ofertadas.
Observe que en este ejemplo también hay que tomar decisiones referidas a qué
candidato asignar a qué plaza. Habría que decidir, por ejemplo, si la plaza 1 se asigna o
no al candidato 1, al 2, y así sucesivamente, al candidato n. De igual manera habría que
plantearlo para la plaza 2, la plaza 3, hasta la plaza n. Una plaza, por ejemplo, se asigna
ó no a un candidato, de ahí el uso de variables binarias.
Puesto que la asignación depende de plazas y candidatos, las variables deben tener dos
subíndices, luego es recomendable primero ver los índices que se utilizarán y qué
representa cada uno.
Índices a utilizar:
i: para candidatos;
j: para plazas a cubrir
Datos:
n: número de candidatos
cij: capacidad del candidato i para cubrir la plaza j, i=1,…,n; j=1,…,n
Variables
xij =1 si el candidato i se asigna a la plaza j, 0 en caso contrario
El número de variables es nxn = n2
Función objetivo:
n n
max z = ∑∑ cij xij
j =1 i =1
Restricciones:
n
∑x
i =1
ij =1 j = 1,..., n
Cada plaza a cubrir (dada por j, son n restricciones) debe ser asignada exactamente a
una persona.

42
∑x j =1
ij =1 i = 1,..., n
Cada persona (dada por i, son n restricciones) debe ser asignada exactamente a una
plaza.
Ejemplo 16
Una empresa trata de elegir la localización de dos plantas de entre un conjunto de 10
posibles localizaciones, teniendo en cuenta las necesidades de sus 30 consumidores a la
vez que maximizando sus ganancias netas. Si una planta se decide abrir en un lugar
determinado, ello implica un costo fijo de posicionarla en dicho lugar. Se conocen
además:
• el beneficio unitario por venta, a cada consumidor, de bienes producidos en cada
planta.
• la capacidad productiva de la planta localizada en cada lugar posible.
• la demanda de cada consumidor, en unidades del producto.
¿Dónde ubicar las plantas y qué cantidad de producto enviar de cada planta abierta a
cada consumidor?
Existen dos tipos de variables:

1. Las que reflejan la cantidad del producto a enviar de las plantas abiertas a los
consumidores.
2. Las que reflejan la decisión de abrir o no una planta en un lugar dado (binarias).
Índices a usar:
i: referido a las plantas (i =1,…,10)
j: referido a los clientes (j =1,…,30)
Datos de manera simbólica (para usarlos en el modelo):

1. fi : costo fijo de construcción de la planta localizada en i
2. ui : la capacidad productiva de la planta localizada en i
3. dj: la demanda del consumidor j
4. bij: beneficio unitario por venta, al consumidor j, de bienes producidos en la
planta i
Variables del problema:

yi: variable binaria que toma el valor 1 si se abre una planta en la localización i, 0 si no.
xij: unidades del producto enviados de la planta i al consumidor j
10 30 10
Función objetivo: z = ∑∑ bij xij − ∑ f i yi
i =1 j =1 i =1
Restricciones:
10
∑x
i =1
ij = dj ∀j = 1...,30 Satisfacer demanda de los clientes
30
∑x
j =1
ij ≤ u i yi ∀i = 1...,10 Capacidad máxima de las plantas, si se abren. Por ello está
la variable binaria yi multiplicando a la capacidad ui. Si yi = 0, la cota superior es cero,

es decir, se tiene que:

43
30
∑x ij ≤ 0 y todas las variables xij para ese i tendrían que ser cero, puesto que no se
j =1 puede mandar productos de una planta a ningún cliente si la planta no se abrió.
Si yi = 0, la cota superior es exactamente la capacidad ui.

10
∑y
i =1
i =2 Abrir exactamente dos plantas
Rango de variables: xij≥0, enteras, yi ∈{0,1} i=1,…,10, j=1,…,30
¿Cuántas variables tiene el modelo?

10 binarias, 10x30 = 300 variables enteras. Total: 330 variables
¿Cuántas restricciones tiene el modelo?
30 + 10 + 1 =41 restricciones.
Un error usual es decir que hay 3 restricciones. Son tres tipos de restricciones. Del
primer tipo son 30, del tercer tipo son 10 y del tercero una sola.
De qué depende la complejidad de un modelo ¿Modelos “simples” conducen a una

fácil resolución para obtener las mejores soluciones?
Todos los modelos simples, entendiendo por ello aquellos que son fáciles de entender u
obtener a partir del problema dado, y que tienen pocas variables y/o restricciones, no
son necesariamente los más fáciles de resolver.
El incremento de la dimensionalidad del modelo, en cuanto a variables y restricciones,

representa un problema en su resolución, dependiendo del tipo de modelo obtenido.
En modelos que responden a problemas de Programación Lineal con variables continuas

el método Simplex, implementado en múltiples software que existen en la actualidad
como el CPLEX, Gurobi, AMPL, Lindo, Lingo, etc., son capaces de dar soluciones
óptimas en pocos segundos cuando se tienen incluso miles de variables y/o restricciones.
No sucede así con modelos con variables enteras, binarias, aún en el caso de que el
modelo sea lineal (función a optimizar y restricciones lineales) o con al menos una
restricción y/o función a optimizar no lineales.
La estructura del modelo puede influir en que en algunos casos ante dos problemas
aparentemente del mismo tipo (por ejemplo, todas las variables binarias) uno sea muy
fácil de resolver y el otro muy difícil, cuando se tienen muchas variables.
Veamos como ejemplos el problema de la mochila y el de asignación de máquinas

(personas) a tareas, planteados en los Ejemplos 14 y 15.
El problema de la mochila es aparentemente un “inofensivo” modelo, con una sola

restricción lineal, una función objetivo lineal y n variables. ¿Por qué es tan difícil de
resolver? ¿Cuántas posibles soluciones tendrá el problema si se tienen n posibles
artículos para escoger? 2 n-1
n= 5 → 31 n= 8 → 255 n= 12 → 4095

44
n= 15 → 32767 n= 20 → 1.048.575 n= 40→ 1.099.500.000.000
En el problema de asignación vimos que el número de variables es n2 (n en el de la

mochila) y hay 2n restricciones (una sola en el de la mochila)
El problema de asignación es mucho más fácil que resolver que el de la mochila, a pesar
de tener muchas más variables binarias y restricciones. ¿Por qué? Por la estructura muy
particular que tiene la matriz del sistema de restricciones. Veámoslo en un ejemplo:
Suponga i=j=3. Las restricciones serían:

n
x11 + x21 + x31 =1 Corresponden a ∑x ij =1 j = 1,..., n
x12+ x22 + x32 =1 i =1
x13+ x23 + x33 =1

n
x11 + x12 + x13 =1 Corresponden a ∑x

j =1
ij =1 i = 1,..., n
x21 + x22 + x23 =1
x31 + x32 + x33 =1
Suponga que se ordenan las 9 variables de la forma: x11 x12 x13 x21 x22 x23 x31 x32 x33
La matriz que corresponde al sistema de restricciones es:
⎡1 0 0 1 0 0 1 0 0⎤
⎢0 1 0 0 1 0 0 1 0⎥⎥
⎢
⎢0 0 1 0 0 1 0 0 1⎥
A=⎢ ⎥
⎢1 1 1 0 0 0 0 0 0⎥
⎢0 0 0 1 1 1 0 0 0⎥
⎢ ⎥
⎢⎣0 0 0 0 0 0 1 1 1⎥⎦
¿Qué características tiene la matriz A?
• Todos los elementos son 0 ó 1
• Cada columna tiene exactamente dos unos
• Las filas se pueden particionar en dos grupos, el primero con las 3 primeras y el
segundo con las tres últimas donde en cada grupo cada columna tiene exactamente
un 1
Lo anterior es justo un conjunto de condiciones suficientes que cumplen matrices

totalmente unimodulares. De ahí la matriz A es totalmente unimodular, lo que hace que,
a pesar de ser un problema de PL entera, es muy fácil de resolver, pues si se tratara
como un Problema de Programación Lineal continuo, usando la técnica clásica del
Simplex para ello, las soluciones óptimas del problema siempre serán enteras, aunque
no se declare en la formulación del problema.
Soluciones por el método gráfico. Número de soluciones de un modelo de

Programación Lineal con variables continuas.
En el caso de contar con dos variables, se puede obtener la solución de manera gráfica,
lo cual es muy simple pues se trabaja en R2, o sea, con dos variables y se puede

45
representar en el plano coordenado. Los ejemplos que a continuación se presentan nos

ilustrará las situaciones que pueden presentarse en cuanto al número de soluciones de un
problema de PL con variables continuas.
Ejemplo 17
Supongamos que el modelo de un problema, con dos variables denotadas x, y es el
siguiente:
max z =2x +y
4x + 3y ≤ 60
2x + 3y ≤ 42
x ≤ 12
x, y ≥ 0
Observe la Figura 6. Primero se representan las rectas 4x + 3y = 60, 2x + 3y = 42 y

x = 12. Como se debe cumplir que x, y ≥ 0 la región de soluciones estará en el primer
cuadrante del plano. Cada recta divide al plano en un semiplano. Las flechas indican
qué semiplano satisface cada restricción. Como se deben cumplir TODAS las
restricciones la región de soluciones será el poliedro cuyos vértices son los puntos O, A,
B, C y D. La mejor solución es uno de esos vértices. Para ello se representa la recta z =
2x +y = k, donde la k es una constante cualquiera, el valor que le haga más simple
representar la recta. Si se toma el valor de k = 10, se representa dicha recta 2x +y = 10,
que aparece en líneas discontinuas. Como se está maximizando la función objetivo, se
debe buscar aquellos valores de x, y que están en la región de soluciones tal que k es el
valor mayor posible donde 2x +y = k. Geométricamente significa desplazar dicha recta
paralela a ella alejándose del origen de coordenadas, y la mejor solución se representa
por aquel último vértice de la región de soluciones por donde la recta desplazada pasa,
cuando se “aleja” del origen de coordenadas. En el ejemplo es el vértice denotado por C.
y
25
20
4x +3y = 60 x = 12
15
A
10 B
2x +y = 10 2x + 3y = 42
5 C
D
O 5 10 15 20 x
15
Figura 6
Observe que en este ejemplo existe una única mejor solución
¿Qué hubiera pasado si la función a optimizar hubiera sido: z = 2x + 3y?

Observe en la Figura 7 que en este caso pudiera haberse tomado k =42, y dicha recta
sería la que pasa por los puntos A y B. Siguiendo el mismo principio de desplazar la

46
recta (paralela a ella) por la región factible lo más alejada del origen de coordenadas,
existen dos vértices que representan las mejores soluciones con igual valor de la función
objetivo (42) dados por los puntos A y B. En este caso, todos los puntos que están en el
segmento de recta entre A y B también serán soluciones igualmente buenas, con el
mismo valor de la f.o.
y
25
20
4x +3y = 60 x = 12
15
A
10 B
5 2x + 3y = 42
C
D
O 5 10 15 20 x
15
Figura 7
Ejemplo 18
En un laboratorio clínico se experimentan dos nuevos tipos de medicamentos (M1 y
M2) en tabletas con dos componentes (denotadas A, B) que se conocen que son
favorables para la cura de cierta enfermedad. Se quiere que la persona tome diariamente
ambos tipos de medicamentos. Las fórmulas plantean una combinación de 2 unidades
de A y una unidad de B para cada tableta de M1 así como una combinación de 1 unidad
de A y una unidad de B para cada tableta de M2. Se plantea que como mínimo se
ingieran 3 unidades de B y como máximo 2 unidades de A. No se define el precio de los
medicamentos hasta conocer si estas fórmulas serán posibles. Fundamente.
Veamos solo el sistema de restricciones en este modelo:
x: Cantidad de tabletas a ingerir diariamente de M1

y: Cantidad de tabletas a ingerir diariamente de M2
2x + y ≤ 2
x+y≥3
x,y≥0
No existe ninguna solución en el primer cuadrante del plano y que pertenezca al mismo
tiempo a la región por encima de la recta x + y = 3 y por debajo de la recta 2x + y = 2.
Significa que no existen soluciones del modelo, por lo cual no tiene sentido buscar la
mejor solución.

47
3 x+y= 3
2x+y=2
2
1 3 x
Figura 8
Ejemplo 19
Un carpintero quiere hacer mesas con dos tipos de madera, Ca y Ce. Desea que el
número de mesas Ca no sobrepase el número de mesas confeccionadas con Ce. Cada
mesa de tipo Ca le consume 1 m2 y la de tipo Ce el doble de madera, pudiendo disponer
dinero para comprar como mínimo 6 m2 de madera. Si la ganancia prevista para cada
mesa vendida con madera Ce es el triplo de la obtenida con la confeccionada con
madera Ca, ¿cuántas mesas de cada tipo debiera hacer para maximizar su ganancia?
Veamos el modelo:
Sea K: Ganancia prevista por cada mesa vendida de tipo Ca
Variables:
x: Cantidad de mesas a hacer de tipo Ca
y: Cantidad de mesas a hacer de tipo Ce
Función objetivo:
max z = Kx + 3Ky = K(x + 3y)
Restricciones:
x≤ y
x + 2y ≥ 6
x , y ≥ 0, enteras
Observe en la Figura 9 que en este caso la región de soluciones no está acotada, y si se

plantea z = K se tiene la recta K(x + 3y) = K, equivalente a x + 3y = 1. Si la recta se
desplaza en la región de soluciones puede alejarse indefinidamente del origen de
coordenadas y no existirá una mejor solución.
La diferencia con el Ejemplo 18 es que en éste no existen soluciones. En el Ejemplo 19

existen infinitas soluciones, pero no se puede encontrar ninguna mejor que las demás,
pues el valor de la función objetivo crece indefinidamente.

48
y Región de soluciones no
acotada
3 x=y
x+3y=1
1
x+2y=6
1 3 6 x
Figura 9
En el caso de un problema de minimizar, la recta z =k obtenida a partir de la función

objetivo se desplaza paralela a ella, por la región factible hasta interceptar el punto de la
región factible más cercano (no más alejado como en el caso de maximizar) del
origen de coordenadas.
De los ejemplos anteriores podemos concluir que (no lo hemos demostrado, aunque
la generalización es válida):
El conjunto solución de un problema de PL con variables continuas, entendiéndose por

ello todas las soluciones que cumplen todas las restricciones y hacen máximo ó mínimo
la función objetivo, puede ser:
1. ∅ Es decir, el problema NO tiene soluciones.
2. Unitario, tiene una única solución
3. Infinito, entendiendo por ello que tiene infinitas soluciones. En ese caso, al menos
existen dos soluciones de ese conjunto que coinciden con vértices de la región de
factibilidad.
4. No acotado. En este caso existen soluciones del problema, pero ninguna mejor que
las demás.
Ejercicios propuestos
1. Una línea aérea va a incrementar el número de rutas que ofrecerá y valora contratar
más personal de servicio al cliente, teniendo en cuenta que debe brindar un buen nivel
de servicio al cliente pero minimizando costos. En un análisis realizado para definir el
personal a contratar se tuvieron en cuenta los siguientes elementos:
• Cada agente debe trabajar un turno de 8 horas, de 5 tipos de turnos posibles, 5 días
a la semana.
• Los salarios de cada turno son diferentes debido a que unos son más deseables que
otros, por las horas del día que cubre.
• Aunque los turnos son de 8 horas, se identificó el mínimo número de personas
necesarias en periodos de 2 horas, contados a partir de las 6am.
En la siguiente tabla se reflejan los datos de los aspectos mencionados anteriormente.

49
¿Cuántos agentes deben asignarse a los turnos respectivos cada día para minimizar el
costo total del personal y teniendo en cuenta las restricciones planteadas?
Periodos cubiertos por turno No.

Periodo 1 2 3 4 5 Mínimo
agentes
6:00am-8:00am √ 48
8:00am-10:00am √ √ 79
10:00am-12:00pm √ √ 65
12:00pm-2:00pm √ √ √ 87
2:00pm-4:00pm √ √ 64
4:00pm-6:00pm √ √ 73
6:00pm-8:00pm √ √ 82
8:00pm-10:00pm √ 43
10:00pm-12:00am √ √ 52
12:00am-6:00am √ 15
Costo diario x agente 170 160 175 180 195
2. Una cadena de comidas rápidas desea atender el mercado ubicado en 5 barrios de Cali.
Para ello dispone de un presupuesto P para abrir puntos de venta (PV) en los barrios, de
tres tipos distintos, cada uno con una capacidad y un costo fijo de apertura diferente.
Cada barrio tiene una demanda determinada y se sabe que no será posible satisfacer toda
la demanda con el presupuesto que se tiene. Cada PV en un barrio solo deberá atender a
aquellos barrios que estén a menos de 6 cuadras de distancia del mismo. Se conoce la
distancia en cuadras entre barrios. Se considera que en cada barrio se debe poner a lo
sumo un PV y si un barrio se atiende, se atiende toda su demanda. Se necesita decidir
qué puntos de venta se abren y en qué barrios, qué barrios atenderán de manera de
maximizar la demanda que se tiene.
3. Se tienen 3 plantas que pueden enviar un producto fabricado a 5 clientes. Los

productos pueden ir directamente de las plantas a los clientes ó pueden hacer trasbordo
en dos almacenes cross-docking (aquellos donde los productos permanecen pocas horas).
Se conocen:
• Las demandas de los clientes
• Las capacidades de las plantas
• Los costos de transportación de plantas a almacenes, plantas a clientes y almacenes
a clientes.
Modele el problema de cómo determinar el flujo de productos en la red de distribución,

de forma de minimizar los costos de transporte.
4. Modele el problema anterior de cómo determinar el flujo de productos en la red de

distribución, de forma de minimizar los costos de transporte, si existen 6 tipos de
productos a transportar y se conoce además:
• Capacidad de cada planta para producir cada producto

50
• Demanda de cada cliente para cada producto
No existe diferencia en costos de transportación por tipo de producto
5. Considere un sistema de distribución de un tipo de producto en el cual operan

actualmente dos plantas de producción, en los lugares A, B y C. Debido a un plan de
expansión de los mercados de la compañía se debe tomar la decisión de reordenamiento
de la red de distribución. En particular, se están evaluando dos nuevas locaciones para
una nueva planta productiva de gran capacidad a escoger una de los lugares D y E. Es
posible que debido a la apertura de la nueva y moderna planta de producción se tome al
tiempo la decisión de cierre de alguna de las plantas actuales. Cada planta tiene una
capacidad de producción en toneladas y la que se abra tiene definida también su
capacidad de producción. El abrir la planta nueva acarreará un costo fijo el cual difiere
en función de dónde se abra. Existe un costo unitario de producción para cada una de las
plantas actuales, así como para la que se abra (diferente para cada planta). El cerrar
cualquiera de las plantas actuales acarrea un costo fijo, también diferente para cada una.
La empresa cuenta con 3 centros de distribución (CD) altamente tecnificados que se

desean mantener en operación. Cada uno tiene una capacidad de almacenamiento en
toneladas. La distribución ocurre típicamente desde los centros de distribución hacia los
clientes, pero también se puede despachar el producto directamente desde las plantas
hacia los clientes, logrando ahorros potenciales y una entrega más controlada; sin
embargo si se envía directamente a un cliente sin pasar por CD toda su demanda debe
ser atendida por una sola planta. Si un cliente recibe solo de los CD, puede recibirlo de
varios CD. Es decir, cada cliente no puede recibir al mismo tiempo de plantas y CD, si
recibe de plantas es de una sola, si recibe de CD puede ser de varias.
Cada cliente tiene una demanda anual del producto. Se conocen los costos unitarios de
transportar de plantas a CD, de CD a clientes, de plantas a clientes.
a. Determine un conjunto de variables de decisión adecuadas para modelar la situación

descrita, que permita tomar la mejor decisión de minimizar todos los costos
garantizando que se cumplan las restricciones impuestas.
b. Formule matemáticamente la función objetivo teniendo en cuenta todos los costos de
transportación en la cadena, los costos fijos de apertura y/o cierre de plantas, y los
costos de producción en plantas.
c. Formule matemáticamente el conjunto de restricciones que aseguran la satisfacción
de la demanda de los clientes.
d. Formule matemáticamente las restricciones de capacidad de producción de las plantas
(tenga en cuenta las condiciones de apertura y /o cierre de las mismas).
e. Formule matemáticamente las restricciones de balance en los CD.
f. Formule otras restricciones lógicas si considera necesario.
6. A una persona le tocan 10 millones de dólares en una lotería y le aconsejan que las
invierta en dos tipos de acciones, A y B.
Las de tipo A tienen más riesgo pero producen un beneficio del 10 %. Las de tipo B
son más seguras, pero producen sólo el 7% anual. Después de varias deliberaciones
decide invertir como máximo 6 millones en la compra de acciones A y por lo menos, 2
millones en la compra de acciones B. Además, decide que lo invertido en A sea, por lo

51
menos, igual a lo invertido en B. ¿Cómo deberá invertir 10 millones para que el

beneficio anual sea máximo?
7. Una refinería de petróleo tiene un oleoducto que la alimenta con una capacidad hasta
50.000 barriles de petróleo por día. El costo del barril de petróleo es $ 30.000.
La refinería debe suministrar por lo menos, diariamente, 27.000 barriles de gasolina a
las bombas vendedoras de la compañía.
La refinería utiliza dos procesos de refinación con los siguientes rendimientos por barril
de petróleo procesado:
Productos Procesados Proceso I Proceso II

Gasolina 40% 60%
Otros Productos 60% 30%
Costos del Proceso $6000 $8000
La refinería vende gasolina a $ 60.000 cada barril y otros productos a $40.000 cada
barril. Si la demanda lo exige se puede comprar gasolina a otros productores a $52.000
cada barril, quienes sólo pueden suministrar hasta 15.000 barriles diarios. ¿Qué debe
hacer la refinería?
8. Campaña publicitaria
El Gerente de Mercadeo de una compañía que vende productos dietéticos, está
considerando la promoción publicitaria para un nuevo producto.
El presupuesto para esta promoción se ha fijado en $ 18.000.000. La compañía puede
hacer publicidad al nuevo producto a través de comerciales de televisión y/o anuncios
en revistas.
Cada comercial de televisión cuesta $ 80.000 y se estima que cada vez que se presenta
el comercial lo ven 500.000 personas.
Cada anuncio en la revista cuesta $ 50.000 y se estima que cada anuncio de revista lo
ven 180.000 personas.
La disponibilidad operativa de las firmas de diseño gráfico para crear las propagandas,
debido al poco tiempo disponible, permite que puedan llegar a diseñar hasta 9 pautas
publicitarias para revistas si se dedican exclusivamente a ellas, o hasta 7 pautas
televisivas únicamente, o cualquier combinación factible de pautas para revistas o
televisión que permita su limitada capacidad operativa. Debido a que la Compañía tiene
también acciones en diversas imprentas, la administración ha decidido colocar por lo
menos tres anuncios en revistas. Por su parte, el Gerente de Mercadeo ha establecido
que la compañía debería tener, cuando menos, tantos comerciales de televisión como
anuncios en las revistas. Se quiere determinar la distribución del presupuesto de
publicidad de modo que se maximice el número de personas influidas por la promoción
publicitaria.
9. Una compañía de fabricación de muebles ha de determinar cuántas mesas, sillas,

pupitres y librerías debe hacer para optimizar el uso de sus recursos.
Estos productos utilizan dos tipos diferentes de paneles, y la compañía dispone de 1500
tableros de un tipo y 1000 de otro tipo. Por otro lado cuenta con 800 horas de mano de
obra. Las predicciones de venta así como los pedidos atrasados exigen la fabricación de
al menos 40 mesas, 130 sillas, 30 pupitres y como máximo 10 librerías. Cada mesa, silla,
pupitre y librería necesita 5, 1, 9, y 12 tableros, respectivamente, del primer tipo de
panel y 2, 3, 4, y 1 tableros del segundo. Una mesa requiere 3 horas de trabajo; una silla,

52
2; un pupitre, 5; y una librería 10. La compañía obtiene un beneficio de 12 dólares en

cada mesa, 5 dólares en cada silla, 15 dólares en un pupitre, y 10 dólares en una librería
a. Plantéese el modelo de programación lineal para maximizar los beneficios totales.
b. Modifíquese el problema para imponer que deban fabricarse cuatro sillas por cada
mesa.
10. El costo de transportar arena de un lugar a otro en un contenedor de dimensiones x,

y y z es 2 dólares por cada viaje completo. Suponiendo que el precio del material de las
paredes superior e inferior, y de los laterales del contenedor son el triple y el doble,
respectivamente, de las paredes anterior y posterior, encontrar el precio mínimo de
transportar c = 50m3 de arena.
11. Una empresa aérea ha decidido la ampliación de su flota mediante la adquisición de

nuevos aviones, a lo que ha asignado un presupuesto de 75.000 millones. Las aeronaves
consideradas son: el tipo Airbus 310 (A), que tiene un coste unitario de 3.000 millones,
el Boeing 767 (B), con un coste de 4.200 millones por unidad y el Mc Douglas (M), con
costo 2.750 millones por aeronave.
Estudios realizados indican que cada avión aportaría unos beneficios anuales netos de
280 millones en el caso de A, 350 en el B y 300 en el M. Para facilitar el mantenimiento
y los repuestos se desea que del nuevo grupo de aeronaves que se adquiera, uno de los
tipos de avión sea dominante, adquiriendo al menos 10 unidades del mismo.
Además, por razones de diversificación y de especialización de la flota, en el caso de

que se adquiera un tipo de avión, la cantidad mínima que se compre debe ser al menos
de 2 unidades.
Desde el punto de vista de las necesidades de personal para el mantenimiento de los

aviones, los aviones del tipo A suponen 18 millones de coste anual de personal cada uno,
los de tipo B requieren 20 millones cada uno y 19 millones los de tipo M.
En cuanto a las instalaciones de mantenimiento y al tiempo necesario para realizarlo,

cada avión del tipo A requiere un mantenimiento anual de 38 días, 45 días los de tipo B
y 42 los M. La empresa ha asignado 1000 millones anuales de presupuesto propio para
el coste del personal de mantenimiento (presupuesto independiente del asignado a la
adquisición de aviones) y las instalaciones actuales tienen una capacidad de
mantenimiento para los nuevos aviones de 800 días.
Podría ampliarse la capacidad de las instalaciones de mantenimiento dedicada a los

aviones nuevos desde los 800 días anuales hasta un total de 1250 días. Dicha decisión
requeriría una inversión adicional de 1000 millones, que se habría de detraer de los
75000 asignados para la adquisición de los nuevos aviones. En cualquier caso, no se
puede ampliar el presupuesto dedicado al personal de mantenimiento de los aviones.
Construya un modelo para estudiar la recomendación sobre qué aviones compondrán la

ampliación de la flota, con el criterio de maximizar los beneficios anuales netos que
aportarán los aviones adquiridos.

53
Referencias bibliográficas
Ackoff, R.L., Sasieni, M.W. (1968) Fundamentals of Operations Research, John Wiley
& Sons.
André, M., Baldoquín, M.G., Acuña, S. (2011) Formal model for assigning human
resources to teams in software projects, Information and Software Technology, Vol. 53,
No. 3, March 2011, pp.259-275, ISSN:0950-5849, Elsevier
Belbin, R.M.(2004), Management Teams: Why they Succeed or Fail. 2nd ed.,
Butterworth Heinemann,Oxford.
Pidd, M. (1996). Tools for thinking, Wiley.
Pidd, M. (2003). Tools for Thinking: Modelling in Management Science. Wiley

Folleto de Modelación Versión 1

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Folleto de Modelación Versión 1

Cargado por

Copyright:

Formatos disponibles

La modelación matemática:

Prof. María Gulnara Baldoquin de la Peña

Febrero del 2012

La adquisición por parte de estudiantes de la habilidad de modelar problemas de

Justamente la intención de este material, basado en la experiencia de la autora en más de

Los ejercicios presentados son una selección de problemas de la gran variedad de

Prof. M. Gulnara Baldoquin de la Peña

• Problemas donde se presentan diversos modelos para el mismo problema.

Prof. M. Gulnara Baldoquin de la Peña

Prof. M. Gulnara Baldoquin de la Peña

“Un modelo es una representación de la realidad” (Ackoff, 1968)

“Un modelo es una representación explícita y externa de parte de la realidad como la

Los modelos son representaciones de la realidad, no la realidad misma, y ésta puede

¿Para qué sirven los modelos?

Pero la solución ó soluciones obtenidas a partir de implementar un método que

Dos personas, ante situaciones diferentes como número de personas de su núcleo

¿Por qué la modelación de un problema es muy importante a su vez que en general

Problema → Modelo → Solución

Cuando se da una solución, dicha solución responde al modelo planteado, NO AL

Diversas personas ante un mismo problema pueden plantear diferentes modelos.

De ahí que si el modelo no responde al problema planteado, por alguno(s) de múltiples

2. Existen múltiples software que dan solución a problemas de optimización, inclusive

3. Los problemas responden a situaciones de la vida real que son innumerables,

Prof. M. Gulnara Baldoquin de la Peña

La razón fundamental es que la metodología de aplicación de la Investigación de

El primer paso muy importante, en la solución del problema, es la definición y análisis

Ejemplos reales de un problema complicado donde ha sido necesario aplicar métodos de

1. El problema integrado de localización de ambulancias, asignación de

En el segundo caso fue interesante descubrir, luego de aplicar el método Delphi en el

Prof. M. Gulnara Baldoquin de la Peña

hubiera un balance de personalidades que permitiera ello. El primer aspecto era la

Belbin, es un test de autopercepción que permite identificar los roles de equipo

Otro aspecto en la metodología de aplicación de la Investigación de Operaciones es la

En ocasiones se dedica un esfuerzo extraordinario para modelar un problema que se

• No se tienen datos adecuados para ello. Siguiendo el ejemplo planteado de

Prof. M. Gulnara Baldoquin de la Peña

resolver problemas de optimización son la calidad de la solución y el tiempo de

Poniendo ejemplos que sustenten lo planteado en el párrafo anterior, existe diferencia

En el primer caso el tiempo máximo de respuesta son pocos minutos. En el segundo

El modelo no debe formularse para ajustarlo a un método de solución escogido, sino al

Dos ejemplos de este tipo son:

En el segundo caso el problema que generalmente se presenta es que muchas veces ni

La validación de la aplicabilidad del modelo propuesto mediante el uso de una

Prof. M. Gulnara Baldoquin de la Peña

Los diferentes factores que determinan el volumen de variables, restricciones del

Por ejemplo, en el caso de un modelo para asignación de vehículos de emergencia

Hemos expresado algunas consideraciones del complejo y prolongado proceso que en

En lo adelante, solo nos referiremos al proceso de la modelación, y en determinados

Recomendaciones iniciales para modelar problemas de PL a estudiantes que se

1. Leer cuidadosamente el problema completo, preferiblemente más de una vez, antes

Prof. M. Gulnara Baldoquin de la Peña

Modelación de problemas de Programación Lineal (PL)

¿Qué es la Programación Lineal?

La Programación Lineal es un tipo de método dentro de la Programación Matemática

La formulación general de un modelo de PL puede plantearse como:

sujeta a las restricciones:

x1 >= 0, x2 >= 0, ..., xn>=0 (*)

Las restricciones de no negatividad de las variables, están expresadas en (*).

¿Por qué la distinción de estas clasificaciones?

Se presentará primeramente un ejemplo simple donde se irá induciendo cómo ir

Prof. M. Gulnara Baldoquin de la Peña

que responda al problema: variables, función a optimizar y restricciones. Luego se

Tipo de máq. Producto 1 Producto 2 Horas disponibles x semana

1. ¿Cuáles son las variables a definir en el modelo? Generalmente la respuesta la