1

Tema 2: MODELOS DE PROGRAMACION LINEAL

1. ESTRUCTURA DEL MODELO GENERAL DE PROGRAMACIÓN LINEAL

La programación lineal es una técnica matemática diseñada para ayudar a los

directivos en la planificación y toma de decisiones referente a la asignación de
recursos, compuesto por los siguientes elementos:

Función objetivo: consiste en optimizar el objetivo que persigue una situación la

cual es una función lineal de las diferentes actividades del problema, la función
objetivo se maximiza o minimiza y se denota por Max Z (UTILIDADES,
GANANCIAS, BENEFICIOS) o Min Z (COSTOS).

Variables de decisión: son las incógnitas del problema. La definición de las

variables es el punto clave y básicamente consiste en los niveles de todas las
actividades que pueden llevarse a cabo en el problema a formular. Las variables de
decisión se denotan por Xj, j = 1, 2, 3…n.

Restricciones estructurales: son los diferentes requisitos que debe cumplir

cualquier solución de un modelo de programación lineal, para que pueda llevarse a
cabo, dichas restricciones pueden ser de capacidad, mercado, materia prima,
balance de materiales, etc. y son tres, i) ≤; ii) =; y iii) ≥. (> o <)

Condiciones técnicas: todas las variables de decisión deben tomar generalmente

valores positivos, o en algunos casos pueden ser que algunas variables tomen
valores negativos (Xj ≥ 0).

1.1. FORMA CARTESIANA

Sea el modelo de programación lineal, Entonces:
Optimizar (max o min) 𝑍 = ∑𝑛𝑗=1 𝑐𝑗 𝑥𝑗
≤

NPJ IO 1 MULTIDISCIPLINARIO
 2

Sujeto a 𝑍 = ∑𝑛𝑗=1 𝑎1, 𝑥𝑗 = 𝑏 donde i =1, 2, 3,…, m

𝑥𝑗 ≥ 0, 𝑗 = 1, 2, 3, … , 𝑛
1.2. FORMA CANÓNICA
Sea el modelo de programación lineal, entonces:
Maximizar
Función objetivo o 𝑍 = 𝑐1 𝑥1 + 𝑐2 𝑥2 +𝑐3 𝑥3 + ⋯ +𝑐𝑛 𝑥𝑛
Minimizar
≤
Sujeto a 𝑎11 𝑥1 + 𝑎12 𝑥2 +𝑎13 𝑥3 + ⋯ +𝑎1𝑛 𝑥𝑛 ≥ 𝑏1
≤
𝑎21 𝑥1 + 𝑎22 𝑥2 +𝑎23 𝑥3 + ⋯ +𝑎2𝑛 𝑥𝑛 ≥ 𝑏2
≤
𝑎31 𝑥1 + 𝑎32 𝑥2 +𝑎33 𝑥3 + ⋯ +𝑎3𝑛 𝑥𝑛 𝑏3
≥

: : : :
≤
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 +𝑎𝑚3 𝑥3 + ⋯ +𝑎𝑚𝑛 𝑥𝑛1 ≥ 𝑏𝑚

𝑥𝑗 ≥ 0 , 𝑗 = 1, 2, 3, … , 𝑛

1.3. FORMA MATRICIAL

Sea el modelo de programación lineal, entonces:
𝑚𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟
Función objetivo 𝑜 𝑍 = 𝑐𝑥
𝑚𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟
≤
Sujeto a 𝐴𝑥 𝑏
≥

𝑥≥0
Donde
 Z: representa un parámetro o cantidad que se desea optimizar (maximizar o
minimizar). Ejemplo; ingresos, utilidades, costos, tiempo de ejecución de un
trabajo, etc.
 C = (c1, c2, c3, …, cn): vector fila de costos o utilidades correspondientes a
cada una de las variables de decisión.
b1
b2
 b= b3 Vector columna de recursos disponibles. Valor que representa la
disponibilidad de un recurso.
NPJ IO 1 MULTIDISCIPLINARIO
 3

:
bm

(Limitación), límites de producción, disponibilidad de materia prima, disponibilidad

horas hombre, etc., un requerimiento como demanda, compromisos de entrega, etc.
Todas ellas forman parte de las restricciones del entorno.

x1
x2
 x= x3 Vector columna de las variables de decisión o niveles de actividad.
:
Xn

a11 a12 a13 … a1n

a21 a22 a23 … a2n
 A= a31 a32 a33 … a3n Matriz de coeficientes tecnológicos.
: : : … :
am1 am2 am3 … amn

n: número de variables de decisión (número de actividades)

m: número restricciones (número de recursos)
n: no necesariamente debe ser igual a m.

2. MODELO MATEMÁTICO DE UN PROBLEMA DE PROGRAMACIÓN

LINEAL

El modelo matemático es un procedimiento que reconoce y verbaliza un problema

de programación lineal, para posteriormente cuantificarlo transformando las

NPJ IO 1 MULTIDISCIPLINARIO
 4

expresiones verbales en expresiones matemáticas. El proceso de modelado

matemático consta de cuatro pasos:
a) Identificar las variables de decisión
b) Identificar la función objetivo
c) Identificar las restricciones
d) Traducir los elementos anteriores a un modelo matemático

2.1. PROPIEDADES DE UN MODELO DE PROGRAMACIÓN LINEAL

Para que un modelo de Programación Lineal sea válido, debe cumplir las
propiedades siguientes:

 Proporcionalidad. Significa que la contribución al valor de la función objetivo

y el consumo o requerimiento de los recursos utilizados, son proporcionales
al valor de cada variable de decisión. Así el término 2x1 es proporcional,
porque contribuye al valor de la función Z con 2, 4, 8, etc. para los valores 1,
2, 3, etc., respectivamente, de x1. Se puede observar el aumento constante
y proporcional de 2 conforme crece el valor de x1.
 Aditividad. Significa que se puede valorar la función objetivo Z, así como
también los recursos utilizados, sumando las contribuciones de cada uno de
los términos que intervienen en la función Z y en las restricciones.
 Divisibilidad. Significa que las variables de decisión son continuas y por lo
tanto son aceptados valores no enteros para ellas. La hipótesis de
divisibilidad más la restricción de no negatividad, significa que las variables
de decisión pueden tener cualquier valor que sea positivo o por lo menos
igual a cero.
 Certidumbre. Significa que los parámetros o constantes son estimados con
certeza, o sea, no interviene una función de probabilidad para obtenerlos.
El modelo de programación lineal es un caso especial de la programación
matemática, pues debe cumplir que, tanto la función objetivo como todas las
funciones de restricción, sean lineales.

NPJ IO 1 MULTIDISCIPLINARIO
 5

Dependiendo del tipo de restricción que presente el problema de programación

lineal, tendremos:
 Restricciones (=): Formulación estándar.
 Restricciones (≤) o (≥): Formulación canónica.
 Restricciones (≤) o (≥) o (=): Formulación mixta.
 Sin restricciones de signo: xk =(x+) - (x-), donde (x+) ≥ 0; (x-) ≤ 0

2.2. LEYES DE EQUIVALENCIA

Existe cinco leyes de equivalencia fundamentales para pasar un modelo a su

estructura o forma canónica y estándar, dichas leyes pueden ser utilizadas en la
forma no lineal.
 Max (Z) = Min (-Z)
Min (Z) = Max (-Z)
 Toda restricción de tipo inecuación puede ser cambiada de sentido siempre
que se multiplique por un escalar negativo
AX ≤ b es equivalente a – AX ≤ –b
AX ≥ b es equivalente a – AX ≤ –b
 Toda restricción de tipo ecuación puede ser descompuesta en dos
inecuaciones simultáneas.
AX = b es equivalente a AX ≤ b y AX ≥ b

 Toda restricción de tipo inecuación puede ser convertida en ecuación

siempre que se sume o reste un vector 𝑆⃗ de orden m x n no negativo de la
siguiente manera.
AX ≤ b AX + S = b S= Vector holgura
AX ≥ b AX - S = b S= Vector superfluo

 Toda variable de decisión que pueda tomar valores negativos, positivos o

nulos, se denominan irrestricta en signo, o no restringida en signo, está

NPJ IO 1 MULTIDISCIPLINARIO
 6

siempre se podrá definir como la diferencia de dos variables netamente

positivos.

2.2.9. TIPOS DE RESTRICCIÓN

Las restricciones se clasifican según su naturaleza en:

a) Activas. - Una restricción es activa, sí que esta contiene al punto óptimo, es
decir pasa por el punto óptimo.
b) Inactiva. - es aquella que no contiene al punto óptimo.
c) Primaria. - es aquella que delimita la región de factibilidad.
d) Secundarias. - llamadas también superfluas o redundantes, son aquellas
que no delimitan la región de factibilidad, es decir se encuentran fuera de la
región de factibilidad, pero quedan satisfechas por todos los vectores
solución.

NPJ IO 1 MULTIDISCIPLINARIO