1

qwertyuiopasdfghjklzxcvbnmqwert
yuiopasdfghjklzxcvbnmqwertyuiop
asdfghjklzxcvbnmqwertyuiopasdfg
hjklzxcvbnmqwertyuiopasdfghjklzx
cvbnmqwertyuiopasdfghjklzxcvbn
mqwertyuiopasdfghjklzxcvbnmqwe
rtyuiopasdfghjklzxcvbnmqwertyuio
pasdfghjklzxcvbnmqwertyuiopasdf
ghjklzxcvbnmqwertyuiopasdfghjklz
xcvbnmqwertyuiopasdfghjklzxcvbn
mqwertyuiopasdfghjklzxcvbnmqwe
rtyuiopasdfghjklzxcvbnmqwertyuio
pasdfghjklzxcvbnmqwertyuiopasdf
ghjklzxcvbnmqwertyuiopasdfghjklz
xcvbnmqwertyuiopasdfghjklzxcvbn
mrtyuiopasdfghjklzxcvbnmqwertyu
iopasdfghjklzxcvbnmqwertyuiopas
dfghjklzxcvbnmqwertyuiopasdfghj
klzxcvbnmqwertyuiopasdfghjklzxcv




I
I
N
N
V
V
E
E
S
S
T
T
I
I
G
G
A
A
C
C
I
I
Ó
Ó
N
N

D
D
E
E

O
O
P
P
E
E
R
R
A
A
C
C
I
I
O
O
N
N
E
E
S
S

AUTOR: ERNESTO FIGUEROA MANZI

2






3

AUTOR



El profesor Ernesto Augusto Figueroa Manzi es Licenciado en Matemáticas, Estadístico y
Analista de Sistemas; con postítulo en Control de Calidad y finalizando una Licenciatura en
Gestión Ambiental.

Profesionalmente se ha desempeñado en docencia en universidades e institutos del país. Ha sido
asesor estadístico de SGS filial Chile y presta servicios estadísticos e informáticos en forma
privada. Actualmente es docente en el Instituto Profesional Diego Portales, realizando clases
desde el primer hasta el octavo semestre en las asignaturas de Matemática I y II, Cálculo,
Estadística I y II, Investigación Operacional y Simulación. También se desempeña como docente
de la Universidad de los Lagos; se desempeña además, como Supervisor de Educación para el
Departamento Provincial de Educación del Ministerio respectivo.
















4





5
ASIGNATURA
METODOLOGÍA DE LA INVESTIGACIÓN

INTRODUCCIÓN A LA ASIGNATURA


Este módulo, denominado Investigación Operacional tiene una gran importancia en la formación
profesional de los ingenieros, especialmente en aquellos relacionados con el área de Administración y
Economía. El dominio de estas competencias es vital en la nueva etapa de relaciones comerciales que
tiene nuestro país, puesto que estaremos sometidos a normativa internacional lo que implica el cabal
conocimiento de los procesos de gestión que posee nuestra organización. En este punto es menester
mencionar que el actual contexto de las empresas es la complejidad de la información, lo que trae como
consecuencia que en los procesos de tomas de decisión ya no basta la experiencia como factor de
solución, sino se requieren herramientas sistematizadas que coadyuven en dichos procesos. En este
marco, la aplicación de las matemáticas aplicadas es fundamental y nuestra asignatura ocupa un sitial
muy importante en este rol, involucrando una serie de herramientas con distintas orientaciones
especialmente las relacionadas con el proceso de planeación.
Cabe mencionar que uno de los aspectos más deficitarios en la evaluación de proyectos (instalados y
por instalarse), son aquellos que generan estimaciones futuras de distintas mediciones, siendo éste un
que se requiere una sólida formación en tales herramientas.


OBJETIVOS DE LA ASIGNATURA


1. Captar la idea de la programación lineal y sus posibilidades de aplicación a problemas
prácticos
2. Dominar el lenguaje propio de la programación lineal: función objetivo, restricciones, región
factible, etc...
3. Aplicar las técnicas de resolución de sistemas de ecuaciones e inecuaciones lineales..
4. Saber representar regiones factibles y determinar gráficamente los puntos donde puede
darse la solución óptima.
5. Saber encontrar esa solución óptima.
6. Saber plantear un problema de programación lineal partiendo de su enunciado en términos
generales.
7. Conocer y valorar el origen de la programación lineal y su influencia en la historia de este
siglo.
8. Conocer y valorar el uso y aplicación de la programación no lineal
9. Utilizar y valorar software de uso común en el medio laboral




6





7

PRIMERA UNIDAD
INTRODUCCIÓN A LA INVESTIGACIÓN DE OPERACIONES




OBJETIVOS ESPECÍFICOS


Al término de la unidad, el alumno será capaz de:

- Describir los orígenes de la investigación operacional y sus proyecciones










8





9
1.1. RESEÑA HISTÓRICA DE LA PROGRAMACIÓN LINEAL
En los siglos XVII y XVIII, grandes matemáticos como Newton, Leibnitz, Bernouilli y, sobre todo,
Lagrange, que tanto habían contribuido al desarrollo del cálculo infinitesimal, se ocuparon de obtener
máximos y mínimos condicionados de determinadas funciones.
Posteriormente el matemático fránces Jean Baptiste-Joseph Fourier (1768-1830) fue el primero en intuir,
aunque de forma imprecisa, los métodos de lo que actualmente llamamos programación lineal y la
potencialidad que de ellos se deriva.
Si exceptuamos al matemático Gaspar Monge (1746-1818), quien en 1776 se interesó por problemas de
este género, debemos remontarnos al año 1939 para encontrar nuevos estudios relacionados con los
métodos de la actual programación lineal. En este año, el matemático ruso Leonidas Vitalyevich
Kantarovitch publica una extensa monografía titulada Métodos matemáticos de organización y
planificación de la producción en la que por primera vez se hace corresponder a una extensa gama de
problemas una teoría matemática precisa y bien definida llamada, hoy en día, programación lineal.
En 1941-1942 se formula por primera vez el problema de transporte, estudiado independientemente por
Koopmans y Kantarovitch, razón por la cual se suele conocer con el nombre de problema de
Koopmans-Kantarovitch.
Tres años más tarde, G. Stigler plantea otro problema particular conocido con el nombre de régimen
alimenticio optimal.
En estos años posteriores a la Segunda Guerra Mundial, en Estados Unidos se asumió que la eficaz
coordinación de todas las energías y recursos de la nación era un problema de tal complejidad, que su
resolución y simplificación pasaba necesariamente por los modelos de optimización que resuelve la
programación lineal.
Paralelamente a los hechos descritos se desarrollan las técnicas de computación y los ordenadores,
instrumentos que harían posible la resolución y simplificación de los problemas que se estaban gestando.




En 1947, G.B. Dantzig (en la foto) formula, en términos matemáticos muy
precisos, el enunciado estándar al que cabe reducir todo problema de
programación lineal. Dantzig, junto con una serie de investigadores del United
10
States Departament of Air Force, formarían el grupo que dio en denominarse SCOOP (Scientific
Computation of Optimum Programs).


Una de las primeras aplicaciones de los estudios del grupo SCOOP fue
el puente aéreo de Berlín. Se continuó con infinidad de aplicaciones de
tipo preferentemente militar.
Hacia 1950 se constituyen, fundamentalmente en Estados Unidos,
distintos grupos de estudio para ir desarrollando las diferentes
ramificaciones de la programación lineal. Cabe citar, entre otros, Rand
Corporation, con Dantzig, Orchard-Hays, Ford, Fulkerson y Gale, el departamento de Matemáticas de la
Universidad de Princenton, con Tucker y Kuhn, así como la Escuela Graduada de Administración
Industrial, dependiente del Carnegie Institute of Technology , con Charnes y Cooper.
Respecto al método del simplex, que estudiaremos después, señalaremos que su estudio comenzó en el
año 1951 y fue desarrollado por Dantzig en el United States Bureau of Standards SEAC COMPUTER,
ayudándose de varios modelos de ordenador de la firma IBM.
Los fundamentos matemáticos de la programación lineal se deben al matemático norteamericano de
origen húngaro John von Neuman (1903-1957), quie en 1928 publicó su famoso trabajo Teoría de
Juegos. En 1947 conjetura la equivalencia de los problemas de programación lineal y la teoría de
matrices desarrollada en sus trabajos. La influencia de este respetado matemático, discípulo de David
Hilbert en Götinga y, desde 1930, catedrático de la Universidad de Princenton de Estados Unidos, hace
que otros investigadores se interesaran paulatinamente por el desarrollo riguroso de esta disciplina.
En 1858 se aplicaron los métodos de la programación lineal a un problema concreto: el cálculo del plan
óptimo de transporte de arena de construcción a las obras de edificación de la ciudad de Moscú. En este
problema había 10 puntos de partida y 230 de llegada. El plan óptimo de transporte, calculado con el
ordenador Strena en 10 días del mes de junio, rebajó un 11% los gastos respecto a los costes previstos.
Se ha estimado, de una manera general, que si un país subdesarrollado utilizase los métodos de la
programación lineal, su producto interior bruto (PIB) aumentaría entre un 10 y un 15% en tan sólo un año.

1.2. LA PROGRAMACIÓN LINEAL HACE HISTORIA: EL PUENTE AÉREO DE BERLÍN
En 1946 comienza el largo período de la guerra fría entre la antigua Unión Soviética (URSS) y las
potencias aliadas (principalmente, Inglaterra y Estados Unidos). Uno de los episodios más llamativos de
esa guerra fría se produjo a mediados de 1948, cuando la URSS bloqueó las comunicaciones terrestres
desde las zonas alemanas en poder de los aliados con la ciudad de Berlín, iniciando el bloqueo de Berlín.



11
A los aliados se les plantearon dos posibilidades: o romper el bloqueo terrestre por la fuerza, o llegar a
Berlín por el aire. Se adoptó la decisión de programar una demostración técnica del poder aéreo
norteamericano; a tal efecto, se organizó un gigantesco puente aéreo para abastecer la ciudad: en
diciembre de 1948 se estaban transportando 4500 toneladas diarias; en marzo de 1949, se llegó a las
8000 toneladas, tanto como se transportaba por carretera y ferrocarril antes del corte de las
comunicaciones. En la planificación de los suministros se utilizó la programación lineal. (El 12 de mayo de
1949, los soviéticos levantaron el bloqueo).

1.3. QUÉ ES LA PROGRAMACIÓN LINEAL Y SU RELACIÓN CON LA ADMINISTRACIÓN
1.3.1. Introducción.
En infinidad de aplicaciones de la industria, la economía, la estrategia militar, etc.. se presentan
situaciones en las que se exige maximizar o minimizar algunas funciones que se encuentran sujetas a
determinadas limitaciones, que llamaremos restricciones.
La administración de cualquier organización debe tomar decisiones acerca de cómo asignar recursos a
diversas actividades para cumplir mejor con los objetivos organizacionales. La P.L. es una poderosa
herramienta que nos permite tomar decisiones en tiempos donde la compleja intervención de diferentes
variables hace casi imposible, mediante sólo la experiencia, optimizar procesos de bienes o servicios.
En muchos casos, una amplia variedad de recursos debe asignarse en forma simultánea. Las actividades
que requieren estos recursos pueden ser actividades de producción diversa (fabricación de varios
productos), actividades de comercialización (anuncios en diferentes medios), actividades financieras
(inversiones de capital) o alguna otra actividad. Algunos problemas, incluso, pueden involucrar
actividades de todos estos tipos, porque compiten por los mismos recursos.



Como muchas de las técnicas en investigación de operaciones, usa un modelo matemático para
representar el problema que se estudia. La palabra lineal en el nombre se refiere a la forma de las
expresiones matemáticas de este modelo. Programación se refiere a planeación, no a programación en
una computadora en algún determinado lenguaje. Por la tanto, P.L. significa planeación de actividades
por un modelo matemático lineal.
El proceso de planificación, programación y control de la producción. Una aproximación teórica y
conceptual
Son variados y similares los enfoques que con respecto al proceso de planificación, programación y
control de la producción han sido tratados por diversos autores tales como Schroeder [1992], Tawfik &
Chauvel [1992], Nahmias [1997], Rigss [1998], Buffa & Sarin [1995], Meredith & Gibbs [1986] entre otros,
12
quienes establecen, en términos generales, que este se inicia con las previsiones, de las cuales se
desprenden los planes a largo, mediano y corto plazo. Este enfoque, a juicio del autor presenta algunas
falencias, ya que carece del concepto integrador que en el sentido vertical, debe comenzar en la
estrategia empresarial y que en el sentido horizontal, debe relacionarse con los demás subsistemas de la
organización.
Otros autores como Starr, [1979], Companys Pascual, [1989], Ploss, [1987] y Chase & Aquilano [1995],
Adam & Ebert [1991], ofrecen en sus obras modelos de gestión de la producción que, a pesar de
establecer un concepto integrador en el sentido vertical, no expresan claramente la integración en el
sentido horizontal. Tal vez son Vollmann et al [1997] y Domínguez Machuca et al [1995], quienes de
acuerdo a la literatura consultada presentan un mejor enfoque, pues consideran la integración en ambos
sentidos. Al respecto, este último autor afirma que, el proceso de planificación y control de la producción
debe seguir un enfoque jerárquico, en el que se logre una integración vertical entre los objetivos
estratégicos, tácticos y operativos y además se establezca su relación horizontal con las otras áreas
funcionales de la compañía.
Básicamente las cinco fases que componen el proceso de planificación y control de la producción son
[Domínguez Machuca 1995]:
1. Planificación estratégica o a largo plazo.
2. Planificación agregada o a medio plazo.
3. Programación maestra.
4. Programación de componentes.
5. Ejecución y control.



Es importante anotar, que de acuerdo con Domínguez Machuca [1995], estas fases se deberán llevar a
cabo en cualquier empresa manufacturera, independientemente de su tamaño y actividad, aunque la
forma como estas se desarrollen dependerá de las características propias de cada sistema productivo. La
figura 1, resume las principales fases mencionadas junto con los planes que de ellos se derivan,
relacionando por un lado, los niveles de planificación empresarial y por otro la planificación y gestión de la
capacidad.
Teniendo en cuenta los aspectos que se deben considerar en el proceso de planificación, programación y
control de la producción y en aras de su importancia en las acciones de mejoramiento de la capacidad
competitiva de una organización, a continuación se procederá a analizar de manera detallada los aportes
de distintos autores en cuanto a conceptos, métodos y técnicas más empleados en cada una de sus
fases.



13

Figura 1. Proceso de Planificación, programación y control de la producción
Fuente: Domínguez Machuca José Antonio, 1995.

1.3.2. Pronósticos
En aproximación a lo expresado por Rigss [1998], Domínguez Machuca et al [1995], Buffa & Sarin [1992],
Adam & Ebert [1991], Hanke & Reitsch [1996] y Voris [1977], se puede afirmar, que los pronósticos son el
primer paso dentro del proceso de planificación de la producción y estos sirven como punto de partida, no
solo para la elaboración de los planes estratégicos, sino además, para el diseño de los planes a mediano
y corto plazo, lo cual permite a las organizaciones, visualizar de manera aproximada los acontecimientos
futuros y eliminar en gran parte la incertidumbre y reaccionar con rapidez a las condiciones cambiantes
con algún grado de precisión.
Desde el punto de vista conceptual, algunos autores [Tawfik & Chauvel, 1992; Adam & Ebert, 1991;
Kalenatic & Blanco, 1993] expresan la importancia de diferenciar entre los términos predicción y
pronóstico, ya que de acuerdo a su criterio, las predicciones se basan meramente en la consideración de
aspectos subjetivos dentro del proceso de estimación de eventos futuros, mientras que los pronósticos,
se desarrollan a través de procedimientos científicos, basados en datos históricos, que son procesados
mediante métodoscuantitativos.
14
En lo referente a los tipos de pronósticos, estos pueden ser clasificados de acuerdo a tres criterios: según
el horizonte de tiempo, según el entorno económico abarcado y según el procedimiento empleado
[Hanke&Reitsch,1996].
Los pronósticos según el horizonte de tiempo pueden ser de largo plazo, mediano plazo o corto plazo
[Domínguez Machuca et al, 1995; Lockyer, 1995; Hanke & Reitsch,1996] y su empleo va desde la
elaboración de los planes a nivel estratégico hasta los de nivel operativo.
Los pronósticos según el entorno económico pueden ser de tipo micro o de tipo macro y se definen de
acuerdo al grado en que intervienen pequeños detalles vs. grandes valores resumidos
[Hanke&Reitsch,1996].
Los pronósticos según el procedimiento empleado pueden ser de tipo puramente cualitativo, en aquellos
casos en que no se requiere de una abierta manipulación de datos y solo se utiliza el juicio o la intuición
de quien pronostica o puramente cuantitativos, cuando se utilizan procedimientos matemáticos y
estadísticos que no requieren los elementos del juicio.
Tal vez esta última clasificación es la más generalizada por los distintos autores consultados de acuerdo
con los cuales, los métodos cualitativos y cuantitativos que se pueden aplicar en la elaboración de los
pronósticos son los siguientes: [Buffa & Sarin; Adam & Ebert,1991; Hanke & Reitsch,1996; Tawfik &
Chauvel, 1992, Monks, 1991; Chase & Aquilano, 1995; Rigss,1998; Schroeder,1992]:


- Métodos Cualitativos: Método Delphi, método del juicio informado, método de la analogía de los ciclos
de vida y método de la investigación de mercados.
- Métodos cuantitativos: Métodos por series de tiempo y métodos causales.
Una clasificación de los métodos aplicados en la elaboración de pronósticos, realizada con base en
Hanke & Reitsch [1996] y Schroeder [1992], se presenta en la tabla 1a.


Tabla 1a. Clasificación de los métodos de pronóstico cualitativo
Basada en: Hanke & Reitsch [1996] y Schroeder [1992].

NOMBRE HORIZONTE DE PREDICCIÓN
Delphi Mediano y largo plazo



15
Juicio informado Corto plazo
Analogía de ciclos de vida Mediano y largo plazo
Investigación de mercados Corto y mediano plazo








Tabla 1b. Clasificación de los métodos de pronóstico cuantitativo
Basada en: Hanke & Reitsch [1996] y Schroeder [1992].
NOMBRE SERIE DE TIEMPO HORIZONTE
No formales Corto
Promedio simple Corto
Promedio móvil Corto
Suavización exponencial Corto
Suavización exponencial lineal Corto
Suavización exponencial cuadrática Corto
Suavización exponencial estacional Corto
Filtración adaptativa Corto
Descomposición clásica Corto
Modelos de tendencia exponencial Mediano y largo
Ajuste de curva S Mediano y largo
Modelo de Gompertz Mediano y largo
Curvas de crecimiento Mediano y largo
16
Census II Corto
Box-Jenkins Corto
NOMBRE CAUSALES HORIZONTE
Regresión simple Mediano
Regresión Múltiple Mediano
Indicadores principales Corto
Modelos econométricos Corto
Regresión múltiple de series de tiempo. Mediano y largo





Resulta evidente que uno de los principales problemas del administrador de operaciones, es el de
seleccionar el mejor método de pronóstico, que debe obedecer, en el caso de los métodos cuantitativos,
al comportamiento histórico de los datos, con base en el análisis de los patrones de comportamiento
medio, tendencia, ciclos estacionales y elementos aleatorios. En el caso de que los datos históricos no
existan o sean poco confiables, lo mejor es emplear un método cualitativo, los cuales, aunque no ofrecen
un alto grado de seguridad, resultan mejores que nada.
Uno de los elementos de juicio que permiten la selección del método, lo proporciona el análisis de error,
el cual expresa la diferencia entre los datos reales y los pronosticados. Los métodos de cálculo del error
del pronóstico más comunes son: Error promedio, Desviación Absoluta Media (MAD), Error Cuadrado
Medio (MSE), Error Porcentual Medio Absoluto (MAPE) y la Media de las Desviaciones por Periodo
(BIAS).
De cualquier forma, el mejor pronóstico es aquel, que además de manipular los datos históricos mediante
una técnica cuantitativa, también hace uso del juicio y el sentido común empleando el conocimiento de
los expertos. [Hanke & Reitsch 1996]
1.3.3. Planeación a largo plazo
Una de las necesidades expresas, en el camino para mejorar la competitividad, es la adopción de una
correcta estrategia de operaciones, la cual es definida por Schroeder [1995] como una visión de la
función de operaciones que depende de la dirección o impulso generales para la toma de decisiones.



17
Esta visión, se debe integrar con la estrategia empresarial y con frecuencia, aunque no siempre, se refleja
en un plan formal.
La estrategia de operaciones debe dar como resultado un patrón consistente de toma de decisiones en
las operaciones y una ventaja competitiva para la compañía. Así mismo, Chase & Aquilano [1995],
expresan, como aspecto importante a considerar, que dicha estrategia debe especificar la manera en que
la empresa empleará sus capacidades productivas para apoyar la estrategia corporativa. Todo esto
significa, que la estrategia de operaciones debe surgir de una estrategia empresarial a largo plazo y a su
vez, debe integrarse de manera horizontal con las estrategias de los demás subsistemas de la compañía.
De acuerdo con esta afirmación y en concordancia con Domínguez Machuca et al [1995], la estrategia de
operaciones se constituye como un plan a largo plazo para el subsistema de operaciones, en el que se
recogen los objetivos a lograr y los cursos de acción, así como la asignación de recursos a los diferentes
productos y funciones. Todo ello debe perseguir el logro de los objetivos globales de la empresa en el
marco de su estrategia corporativa, constituyendo además un patrón consistente para el desarrollo de las
decisiones tácticas y operativas del subsistema. Lo anterior, no difiere del concepto de Schroeder [1992],
quien agrega además que la estrategia de operaciones debe ser una estrategia funcional que debe
guiarse por la estrategia empresarial y cuyo corazón debe estar constituido por la misión, la competencia
distintiva, los objetivos y las políticas.
En consonancia con lo anterior, Domínguez Machuca et al [1995] plantea, que las dos funciones básicas
que ha de cumplir la estrategia de operaciones son:
1. Servir como marco de referencia para la planificación y control de la producción, de la cual es su
punto de partida.
2. Marcar las pautas que permitan apreciar en qué medida el subsistema de operaciones esta
colaborando el logro de la estrategia corporativa.
Dentro de este propósito, las decisiones básicas que deben ser contempladas dentro de la estrategia de
operaciones son:
1. Decisiones de posicionamiento, que afectan la dirección futura de la compañía y dentro de la cual
se incluyen los objetivos a largo plazo, el establecimiento de las prioridades competitivas, la
fijación del modelo de gestión de la calidad, la selección de productos y la selección de procesos.
2. Decisiones de diseño, concernientes al subsistema de operaciones, que implican compromiso a
largo plazo y entre las cuales se encuentran el diseño del productos y procesos, la mano de obra,
la apropiación de nuevas tecnologías, decisiones de capacidad, localización y distribución de
instalaciones y sistemas de aprovisionamiento.
1.3.4. Planeación Agregada
18
La planeación agregada denominada también planeación combinada [Meredith & Gibbs, 1986], se
encuentra ubicada en el nivel táctico del proceso jerárquico de planeación y tiene como misión
fundamental, en aproximación al planteamiento de varios autores [Schroeder,1992; Chase &
Aquilano,1995; Nahmias,1997; Heizer & Render,1997; Rusell & Taylor,1998; Domínguez Machuca et al,
1995], la de establecer los niveles de producción en unidades agregadas a lo largo de un horizonte de
tiempo que, generalmente, fluctúa entre 3 y 18 meses, de tal forma que se logre cumplir con las
necesidades establecidas en el plan a largo plazo, manteniendo a la vez niveles mínimos de costos y un
buen nivel de servicio al cliente.
El término agregado, en este nivel de planeación, implica que las cantidades a producir se deben
establecer de manera global o como lo expresa Schroeder [1992] para una medida general de producción
o cuando mucho para algunas pocas categorías de productos acumulados. De acuerdo con Nahmias
[1997], puede ser aconsejable utilizar unidades agregadas tales como familias de productos, unidad de
peso, unidad de volumen, tiempo de uso de la fuerza de trabajo o valor en dinero. De todas maneras,
cualquier unidad agregada que se escoja debe ser significativa, fácilmente manejable y comprensible
dentro del plan.
De otra parte, dentro del proceso de elaboración del plan agregado y en áreas del cumplimiento de su
objetivo fundamental, es importante el manejo de las variables que pueden influir en este, las cuales
pueden ser clasificadas en dos grandes grupos [Schroeder, 1992]: En primer lugar, están las variables de
oferta, las cuales permiten modificar la capacidad de producción a través de la programación de horas
extras, contratación de trabajadores eventuales, subcontratación de unidades y acuerdos de cooperación;
en segundo lugar, están las variables de demanda, las cuales pueden influir en el comportamiento del
mercado mediante la publicidad, el manejo de precios, promociones, etc.
Así mismo, existen varias estrategias para la elaboración del plan agregado, las cuales han sido
clasificadas por la mayoría de los autores en dos grupos, subdivididos así: [Schroeder,1992; Chase &
Aquilano,1995; Nahmias,1997; Heizer & Render,1997; Rusell & Taylor,1998; Vollmann et al,1997;
Domínguez Machuca et al, 1995]:
Estrategias puras:
- Mano de obra nivelada (con empleo de horas extras o trabajadores eventuales)
- Estrategia de persecución, adaptación a la demanda o de caza: (con o sin empleo de la
subcontratación).
Estrategias mixtas: Se realizan mezclando varias estrategias puras.
Debido a las diferentes estrategias que se pueden adoptar, se debe obtener un plan que satisfaga las
restricciones internas de la organización y a la vez mantenga el costo de utilización de los recursos lo
más bajo posible.



19
En cuanto a las técnicas existentes en la elaboración de planes agregados, de acuerdo con los autores
consultados (Ibídem), las más renombradas son las siguientes:
1. Métodos manuales de gráficos y tablas
2. Métodos matemáticos y de simulación: programación lineal (método simplex y método del
transporte), programación cuadrática, simulación con reglas de búsqueda (Search Decision
Rules) y programación con simulación.
3. Métodos heurísticos: método de los coeficientes de gestión, método PSH (Production Switching
Heuristic), reglas lineales de decisión (LDR) y búsqueda de reglas de decisión (SDR).
Un análisis comparativo acerca de algunas de las citadas técnicas fue desarrollado por Chase & Aquilano
[1995] y se presenta en la tabla 2.

Tabla 2. Comparación entre algunos métodos de planificación agregada.
Fuente: Chase & Aquilano, 1995, p. 632.
METODOS HIPOTESIS TÉCNICA Asignatura
Gráficos y
tablas
Ninguna Pruebas alternativas de planes por medio del tanteo. No es
optimo pero si fácil de desarrollar y comprender.
Estadística, Investigación
De Operaciones Y Otras
Programación
con
simulación
Existencia de un
programa de
producción basado en
computador.
Prueba los planes agregados desarrollados por otros
métodos.
Investigación De
Operaciones
Programación
lineal, método
del transporte
Linealidad, plantilla
laboral constante.
Útil para el caso especial donde los costos de contratación
y despido no son un factor. Proporciona una solución
óptima.
Investigación De
Operaciones
Programación
lineal, método
simplex
Linealidad Puede manejar cualquier número de variables, pero
muchas veces es difícil formular. Proporciona una solución
óptima.
Investigación De
Operaciones
Reglas de
decisión
lineal.
Funciones cuadráticas
de costos
Utiliza coeficientes derivados matemáticamente para
especificar las tasas de producción y los niveles de plantilla
laboral en una serie de ecuaciones.
Cálculo
Coeficientes
de gestión
Los gerentes toman
básicamente buenas
decisiones
Emplea el análisis estadístico de decisiones anteriores para
tomar nuevas decisiones. Se aplica a un sólo grupo de
gerentes y no es óptimo.
Inferencia Estadística
Reglas de
búsqueda de
decisiones
Cualquier tipo de
estructura de costos
Usa procedimientos de búsqueda de patrones para
encontrar los costos mínimos de las curvas de costos
totales. Difícil de desarrollar, no es óptimo.
Cálculo 2
Investigación De
Operaciones
20
Cabe anotar que, debido a su fácil comprensión, tal vez las de mayor utilización por parte de los
empresarios son las de tipo manual a través de gráficos y tablas.[Domínguez Machuca et al, 1995].
1.3.5. Programa Maestro
Una vez concluido el plan agregado, el siguiente paso consiste en traducirlo a unidades o ítems finales
específicos. Este proceso es lo que se conoce como desagregación [Domínguez Machuca, 1995],
subdivisión [Adam & Ebert,1991] o descomposición [Narasimhan et al, 1996] del plan agregado y su
resultado final se denomina programa maestro de producción (Master Production Schedule, MPS).
Básicamente, se puede afirmar que un programa maestro de producción, es un plan detallado que
establece la cantidad específica y las fechas exactas de fabricación de los productos finales [ Heizer &
Render,1997; Russell & Taylor, 1998]. Al respecto, Vollmann et al [1997] agrega que un efectivo MPS
debe proporcionar las bases para establecer los compromisos de envío al cliente, utilizar eficazmente la
capacidad de la planta, lograr los objetivos estratégicos de la empresa y resolver las negociaciones entre
fabricación y marketing.
Las unidades en que puede ser expresado un MPS son: [ Heizer & Render,1997]
- Artículos acabados en un entorno continuo.(Make to stock).
- Módulos en un entorno repetitivo (Assemble to stock).
- Pedido de un cliente en un entorno de taller (Make to order).
En cuanto al horizonte de tiempo de un MPS, la mayoría de los autores coinciden en que este puede ser
variable y que dependiendo del tipo de producto, del volumen de producción y de los componentes de
tiempo de entrega, este puede ir desde una horas hasta varias semanas y meses, con revisiones,
generalmente, semanales. Asi mismo, Chase & Aquilano [1995], agregan que, en aras de mantener el
control y evitar el caos en el desarrollo del MPS, es importante subdividir su horizonte de tiempo en tres
marcos:
- Fijo: Periodo durante el cual no es posible hacer modificaciones al PMP.
- Medio fijo: Aquel en el que se pueden hacer cambios a ciertos productos.
- Flexible: Lapso de tiempo más alejado, en el cual es posible hacer cualquier modificación al MPS.
En lo referente a los insumos para la obtención del MPS es importante la consideración de los siguientes
elementos [Domínguez Machuca et al, 1995]: el plan agregado en unidades de producto, las previsiones
de ventas a corto plazo en unidades de producto, los pedidos en firme comprometidos con los clientes, la
capacidad disponible de la instalación o el centro de trabajo y por último, otras fuentes de demanda.
Dentro del proceso de formalización del MPS, algunas de las funciones claves que este debe cumplir son
[Monks,1991]:
- Traducir los planes agregados en artículos finales específicos.



21
- Evaluar alternativas de programación.
- Generar requerimientos de materiales.
- Generar requerimientos de capacidad y maximizar su utilización.
- Facilitar el procesamiento de la información.
- Mantener las prioridades válidas.
Con respecto a las técnicas existentes para desagregar el plan agregado y traducirlo a un MPS, se han
desarrollado algunos modelos analíticos [Monks, 1991; Domínguez Machuca,1995; Schroeder,1992;
Narasimhan et al, 1996] y de simulación los cuales, a juicio de los autores citados, adolecen de los
mismos problemas de la planificación agregada , siendo los de mayor uso por parte de los empresarios,
los métodos de prueba y error. No obstante, Narasimhan et al [1996], plantea la existencia de otros
métodos para la desagregación, a saber:
- Método de corte y ajuste: Pone a prueba diversas distribuciones de la capacidad para los
productos en un grupo hasta que se determine una combinación satisfactoria.
- Métodos de programación matemática: Modelos de optimización que permiten la minimización de
los costos.
- Métodos heurísticos: Al igual que en la planeación agregada, permiten llegar a soluciones
satisfactorias aunque no óptimas.
Por último y de acuerdo con Vollmann [1997], es importante anotar que un buen MPS debe tomar
en cuenta las limitaciones de capacidad y mantenerse factible desde este punto de vista, lo cual
puede lograrse aplicando las siguientes técnicas:
- Planificación de capacidad usando factores agregados (CPOF, Capacity Planning Using Overall
Factors).
- Listas de capacidad (Capacity Bills).
- Perfiles de recursos (Resourse profiles).
De estas, las más utilizadas son las dos últimas por su mayor exactitud.
En lo referente a la programación de componentes, que se corresponde con la siguiente etapa del
enfoque jerárquico, se ha preferido darle un tratamiento diferenciado y por tanto se publicará en un
documento posterior.
1.3.6. Ejecución y control de la producción
El último paso dentro del proceso jerárquico de planificación y control, lo constituye el programa final de
operaciones, el cual le permitirá saber a cada trabajador o a cada responsable de un centro de trabajo lo
22
que debe hacer para cumplir el plan de materiales y con el, el MPS, el plan agregado y los planes
estratégicos de la empresa.[Domínguez Machuca et al, 1995].
Estas actividades, se enmarcan dentro de la fase de ejecución y control, que en el caso de las empresas
fabriles se denomina gestión de talleres. Un taller de trabajo, de acuerdo con Chase & Aquilano [1995], se
define como una organización funcional cuyos departamentos o centros de trabajo se organizan
alrededor de ciertos tipos de equipos u operaciones; en ellos, los productos fluyen por los departamentos
en lotes que corresponden a los pedidos de los clientes.
Es importante dentro de esta fase de gestión, tomar en consideración el tipo de configuración productiva
que tiene el taller, pues dependiendo de esta, así mismo será la técnica o procedimiento a emplear en su
programación y control. Básicamente, la generalidad de los autores consultados, plantea, que la
configuración de los talleres puede ser de dos tipos[Mayer, 1977; Domínguez Machuca et el,1995; Adam
& Ebert,1991;Chase & Aquilano, 1995; Nahmias, 1997; Tawfik & Chauvel,1992] :
1. Talleres de configuración continua o en serie: Aquellos en donde las máquinas y centros de
trabajo se organizan de acuerdo a la secuencia de fabricación (líneas de ensamblaje), con
procesos estables y especializados en uno o pocos productos y en grandes lotes. En ellos, las
actividades de programación están encaminadas principalmente, a ajustar la tasa de producción
periódicamente.
2. Talleres de configuración por lotes: En los que la distribución de máquinas y centros de trabajo,
se organizan por funciones o departamentos con la suficiente flexibilidad para procesar
diversidad de productos. Estos pueden ser de dos tipos[Bera,1996]:
- Configurados en Flow Shop: Donde los distintos productos siguen una misma secuencia de
fabricación.
- Configurados en Job Shop: Aquellos donde los productos siguen secuencias de fabricación
distintas.
Así mismo, en la práctica, muchos talleres debido a las necesidades de fabricación y exigencias
competitivas del mercado actual, han adoptado configuraciones híbridas, de las cuales, la más
generalizada es la configuración celular o células de manufactura. Estas constituyen un sistema de
fabricación diseñado para procesar familias de piezas, con una distribución física tal, que permite
simplificar los procedimientos de planificación y control.[Vollmann, 1997].
En términos generales y en el caso más complejo, las actividades que se presentan en la programación y
control de operaciones son[Domínguez Machuca et al,1995; Schroeder,1992; Chase & Aquilano, 1995] :
Asignación de cargas, Secuenciación de pedidos y programación detallada. A estas, Adam & Eber
t[1991], agregan otras dos: Fluidez y Control de insumo/producto (control input/output).
El cumplimiento de estas actividades debe responder a las siguientes preguntas del programador
[Schroeder,1992]:



23
1. ¿Qué capacidad se necesita en el centro de trabajo?
2. ¿Qué fecha de entrega se debe prometer en cada pedido?
3. ¿En qué momento comenzar cada pedido?
4. ¿Cómo asegurar que los pedidos terminen a tiempo?

Las pregunta 1 puede ser resuelta a través de los análisis de carga; las preguntas 2 y 3 se resuelven con
la aplicación de las técnicas de Secuenciación y la programación detallada y la pregunta 4 con el análisis
de fluidez y el control insumo producto.
Asignación de carga: En aproximación a los conceptos de Heizer & Render [1997], Adam & Ebert [1991],
Lockyer [1995], Schroeder [1992] y Domínguez Machuca et al [1995], esta se define como la asignación
de tareas a cada centro de trabajo o de proceso, que permite controlar la capacidad y la asignación de
actividades específicas en cada centro de trabajo. En general las técnicas más empleadas en la
asignación de carga son: Gráficos Gantt, perfiles de carga o diagramas de carga, métodos optimizadores
(algoritmo de Kuhn o método Húngaro) y soluciones heurísticas (método de los índices).
Secuenciación de pedidos: Esta actividad consiste, en la determinación del orden en que serán
procesados los pedidos en cada centro de trabajo, una vez establecida la existencia de capacidad.
[Ibídem]. El problema de la Secuenciación se hace más complejo en la medida que aumenta el número
de centros de trabajo, sin importar la cantidad de pedidos; así mismo, es importante tomar en cuenta el
tipo de configuración del taller, pues de esto depende la aplicabilidad de las diferentes técnicas. En lo
referente a talleres configurados en Flow Shop, las técnicas más conocidas son:
1. Técnicas de Secuenciación en una máquina: algoritmo húngaro, algoritmo de Kauffman, regla
SPT y el método de persecución de objetivos utilizado en los sistemas Kanban.
2. Técnicas de Secuenciación en varias máquinas: regla de Johnson para N pedidos y dos
máquinas, regla de Johnson para N pedidos y tres máquinas y reglas para N pedidos y M
máquinas (algoritmo de Campbell-Dudek-Schmith, algoritmo de Bera, técnicas de simulación,
sistemas expertos y más recientemente los Sistemas Cooperativos Asistidos).
Para los talleres configurados en Job Shop, debido a la diversidad en la secuencia de operaciones, no es
posible emplear alguna técnica de optimización, por lo cual, la secuencia de operaciones, se establece en
función de los objetivos específicos de cada programador, a través del uso de reglas de prioridad.[Adam
& Ebert, 1991].
Una recopilación realizada en las obras de varios autores, permite determinar que las reglas de prioridad
más empleadas son [ Buffa & Sarin,1995; Tawfik & Chauvel, 1992; Monks, 1991; Russell & Taylor,1998;
Mayer,1977; Domínguez Machuca et el,1995; Adam & Ebert,1991;Chase & Aquilano, 1995; Nahmias,
1997; Schroeder, 1992]:
- FCFS: First come/ First serve (primero en llegar, primero en ser atendido).
24
- FISFS: First In System/ First Serve (primero en el sistema, primero en ser atendido)
- SPT: Shortes Processing Time (menor tiempo de procesamiento).
- EDD: Earliest Due date (fecha de entrega más próxima).
- CR: Critical Ratio (razón critica o ratio crítico).
- LWR: Least Work Remaining (mínimo trabajo remanente).
- FOR. Fewest Operations Remaining (número mínimo de operaciones remanentes).
- ST : Slack Time (tiempo de holgura).
- ST/O: Slack Time per Operation (tiempo de holgura por operación).
- NQ: Next Queue (siguiente en la cola).
Programación detallada: Determina los momentos de comienzo y fin de las actividades de cada centro
de trabajo, así como las operaciones de cada pedido para la secuencia realizada. [Adam & Ebert,1991].
Las técnicas más utilizadas son: programación adelante y hacia atrás, listas de expedición, gráficos Gantt
y programación a capacidad finita.
Fluidez: Permite verificar que los tiempos planeados se cumplan, de tal forma que, si existen
desviaciones en la producción real, se puedan tomar medidas correctivas a tiempo. [Adam & Ebert,1991].
Control de insumo / Producto: Controlan los niveles de utilización de la capacidad de cada centro de
trabajo, mediante los informes de entrada/salida [Ibídem].
Para concluir y en consonancia con Domínguez Machuca et al [1995] y Dilworth [1993],es importante
aclarar, que con independencia de la técnica escogida, la programación detallada y el control de
operaciones a corto plazo, deben ser diseñadas y ejecutadas en función del alcance de dos objetivos
básicos: la reducción de costos y el aumento del servicio al cliente.
1.3.7. Conclusiones
De los diferentes autores consultados se concluye que el enfoque jerárquico de la planificación,
programación y control de la producción, presenta la perspectiva más completa en el desarrollo de las
tareas que abarcan esta función, dado que permite una completa integración en el sentido vertical
iniciando desde las decisiones a largo plazo en los niveles tácticos hasta llegar a los aspectos mas
detallados de la programación en el muy corto plazo; así mismo permite una integración en el sentido
horizontal de tal manera que la función de producción interactúa de forma dinámica con las demás
funciones de la empresa. Dentro del proceso de planificación, programación y control que plantea dicho
enfoque, las fases que son aplicables a cualquier tipo de empresa y por las que debe transitar el
administrador de operaciones son: Planificación estratégica o a largo plazo. Planificación agregada o a
medio plazo. Programación maestra. Programación de componentes y Ejecución y control. El desarrollo
de dichas fases dependerá del tipo de empresa y de la complejidad de sus operaciones y solo a través de
ellas la organización se acercará a mejores niveles de competitividad y productividad.




25
SEGUNDA UNIDAD
PROGRAMACIÓN LINEAL



OBJETIVOS ESPECÍFICOS


Al término de la unidad, el alumno será capaz de:

- Producir modelos en base a la teoría de la programación lineal, de situaciones
reales especificando un camino adecuado al logro de la solución del problema.













26





27
2.1. Aplicaciones clásicas de la programación lineal.
Para obtener una perspectiva de cómo funciona la P.L. y su desempeño en la toma de decisiones
administrativas, se describirá brevemente cómo se empleó en situaciones reales.
2.2. Ejemplos de Programación Lineal
Para hacernos una idea más clara de estos supuestos, veamos dos ejemplos:
Ejemplo 1: Problema de máximos.
En una granja se preparan dos clases de piensos, P y Q, mezclando dos productos A y B. Un saco de P
contiene 8 kg de A y 2 de B, y un saco de Q contiene 10 kg de A y 5 de B. Cada saco de P se vende a
$300. y cada saco de Q a $800. Si en la granja hay almacenados 80 kg de A y 25 de B, ¿cuántos sacos
de cada tipo de pienso deben preparar para obtener los máximos ingresos?
Ejemplo 2: Problema de mínimos.
Una campaña para promocionar una marca de productos lácteos se basa en el reparto gratuito de
yogures con sabor a limón o a fresa. Se decide repartir al menos 30000 yogures.
Cada yogur de limón necesita para su elaboración 0.5 gramos de un producto de fermentación y cada
yogur de fresa necesita 0.2 gramos de este mismo producto. Se dispone de 9 kilogramos de este
producto para fermentación.
El coste de producción de un yogur de limón es de $30 y $20 uno de fresa.
En los dos ejemplos descritos está claro que tanto la cantidad que deseamos maximizar como la cantidad
que deseamos minimizar podemos expresarlas en forma de ecuaciones lineales. Por otra parte, las
restricciones que imponen las condiciones de ambos problemas se pueden expresar en forma de
inecuaciones lineales.
Tratemos de plantear en términos matemáticos los dos ejemplos anteriores:
1) Si designamos por x al número de sacos de pienso de clase P y por y el número de sacos de pienso
de clase Q que se han de vender, la función: Z = 300x + 800y representará la cantidad de pesos
obtenidas por la venta de los sacos, y por tanto es la que debemos maximizar.
Podemos hacer un pequeño cuadro que nos ayude a obtener las restricciones:

Nº kg de A kg de B
P x 8x 2x
Q y 10y 5y
80 25

28
Por otra parte, las variables x e y, lógicamente, han de ser no negativas (ya que estamos hablando de
cantidades), por tanto: x 0, y 0

Conjunto de restricciones:
8x + 10y 80
2x + 5y 25
x 0, y 0

2) Si representamos por x el número de yogures de limón e y al número de yogures de fresa, se tiene que
la función de coste es Z = 30x + 20y.

Por otra parte, las condiciones del problema imponen las siguientes restricciones:
- De número : x + y 80
- De fermentación: 0.5x + 0.2y 9000
- Las variables x e y han de ser, lógicamente, no negativas; es decir: x 0, y 0



Conjunto de restricciones:
x + y 80
0.5x + 0.2y 9000
x 0, y 0

En definitiva:
Se llama programación lineal al conjunto de técnicas matemáticas que pretenden resolver
la situación siguiente: Optimizar (maximizar o minimizar) una función objetivo, función
lineal de varias variables, sujeta a:
una serie de restricciones, expresadas por inecuaciones lineales.





29


2.3. FORMULACIÓN MATEMÁTICA DE UN PROBLEMA DE PROGRAMACIÓN
LINEAL
Un problema de programación lineal en dos variables, tiene la siguiente formulación:
Max z = ax + by
Sujeto a:
a
1
x + b
1
y ≤ c
1
a
2
x + b
2
y ≤ c
2

a
n
x + b
n
y ≤ c
n
x ≥ 0; y ≥ 0
pudiendo cambiarse maximizar por minimizar, y el sentido de las desigualdades.

En un problema de programación lineal (con n variables) intervienen:
- La función f(x,y) = c
1
x
1
+ c
2
x
2
(en general, las escribiremos como: z = c
1
x
1
+ c
2
x
2
+ c
3
x
3
+
c
4
x
4
+ …. + c
n
x
n
llamada función objetivo y que es necesario optimizar. En esa expresión x
1
e
x
2
son las variables de decisión, mientras que los c
i
son los coeficientes (constantes).
- Las restricciones que deben ser inecuaciones lineales. Su número depende del problema en
cuestión. El carácter de desigualdad viene impuesto por las limitaciones, disponibilidades o
necesidades, que son: “inferiores a” o “a lo más”, y que su desigualdad es < o ; por otro lado,
como “mínimo de” o “ a lo menos” usan > o . Tanto si se trata de maximizar como de
minimizar, las desigualdades pueden darse en cualquiera de los dos sentidos.
- Al conjunto de valores de x
1
e x
2
– en nuestros ejemplos iniciales usaremos x e y- que verifican
todas y cada una de las restricciones se lo denomina conjunto (o región ) factible. Todo punto
de ese conjunto puede ser solución del problema; todo punto no perteneciente a ese conjunto no
puede ser solución. En el apartado siguiente veremos como se determina la región factible.
- La solución óptima del problema será un par de valores (x
0,
y
0
) del conjunto factible que haga
que f(x, y) tome el valor máximo o mínimo.
En ocasiones utilizaremos las siglas PPL para indicar Problema de Programación Lineal.

·
·
·
30
2.4. Determinación de la Región Factible
La solución de un problema de programación lineal, en el supuesto de que exista, debe estar en la
región determinada por las distintas desigualdades. Esta recibe el nombre de región factible, y
puede estar o no acotada.


Región factible acotada

Región factible no acotada



La región factible incluye o no los lados y los vértices, según que las desigualdades sean en sentido
amplio ( o ) o en sentido estricto (< o >).
Si la región factible está acotada, su representación gráfica es un polígono convexo con un número de
lados menor o igual que el número de restricciones.
El procedimiento para determinar la región factible es el siguiente:

Paso 1) Se resuelve cada inecuación por separado, es decir, se encuentra el semiplano de soluciones
de cada una de las inecuaciones.
- Se dibuja la recta asociada a la inecuación. Esta recta divide al plano en dos regiones o
semiplanos.
- Para averiguar cuál es la región válida, el procedimiento práctico consiste en elegir un punto, por
ejemplo, el (0,0) si la recta no pasa por el origen, y comprobar si las coordenadas satisfacen o no
la inecuación. Si lo hacen, la región en la que está ese punto es aquella cuyos puntos verifican la
inecuación; en caso contrario, la región válida es la otra.

Paso 2) La región factible está formada por la intersección o región común de las soluciones de
todas las inecuaciones.
Como sucede con los sistemas de ecuaciones lineales, los sistemas de inecuaciones lineales pueden
presentar varias opciones respecto a sus soluciones: puede no existir solución, en el caso de que exista
el conjunto solución puede ser acotado o no.



31
Veámoslo con un ejemplo: Dibuja la región factible asociada a las restricciones:
x + y 4
y 4
y x
Las rectas asociadas son : r : x + y = 4 ; s : y = 4 , t: : y = x


Elegimos el punto O(0,0), que se encuentra en
el semiplano situado por debajo de la recta.
Introduciendo las coordenadas (0,0) en la
inecuación x + y 4, vemos que no la
satisface: 0 + 0 = 0 < 4 . Por tanto, el conjunto
de soluciones de la inecuación es el semiplano
situado por encima de la recta r : x + y = 4

Procedemos como en el paso anterior. Las
coordenadas (0,0) satisfacen la inecuación y
4 ( 0 4) . Por tanto, el conjunto de
soluciones de la inecuación es el semiplano
que incluye al punto O.

La recta t asociada a la restricción pasa por el
origen, lo cual significa que si probásemos con
el punto O(0,0) no llegaríamos a ninguna
conclusión. Elegimos el punto (1,0) y vemos
que no satisface la inecuación y x ( y = 0 < 1
= x ). Por tanto, el conjunto solución de esta
inecuación es el semiplano determinado por la
recta t que no incluye al punto (1,0).

La región factible está formada por los puntos
que cumplen las tres restricciones, es decir, se
encuentran en los tres semiplanos anteriores.
32
2.5. MÉTODO GRÁFICO O MÉTODO DE LAS RECTAS DE NIVEL
Las rectas de nivel dan los puntos del plano en los que la función objetivo toma el mismo valor.
Si la función objetivo es f(x,y) = ax + by + c, la ecuación de las rectas de nivel es de la forma:
ax + by + c = 0 ax + by = k
Variando k (o p) se obtienen distintos niveles para esas rectas y, en consecuencia, distintos valores para
f(x, y). En otras palabras, se desplaza la recta hacia arriba o hacia abajo
En un problema todas las rectas de nivel son paralelas, pues los coeficientes a y b de la recta ax + by = k
son los que determinan su pendiente. Por tanto, si k
1
es distinto de k
2
, las rectas ax + by = k
1
y ax + by =
k
2
son paralelas. Luego, trazada una cualquiera de esas rectas, las demás de obtienen por
desplazamientos paralelos a ella.





Si lo que se pretende es resolver un problema de programación
lineal, los únicos puntos que interesan son los de la región factible, y las únicas rectas de nivel que
importan son aquellas que están en contacto con dicha región. Como el nivel aumenta (o disminuye)
desplazando las rectas, el máximo (o el mínimo) de f(x,y) se alcanzará en el último (o en el primer) punto
de contacto de esas rectas con la región factible.
Veamos ahora como se aplica todo esto a la resolución de un problema de programación lineal :
Maximizar Z = f(x,y) = x + y
sujeto a: 0 x 4
0 y 4
y x /2
1) Representamos la región factible:
- La recta s : x = 4 pasa por el punto (4,0) y es paralela al eje Y. Las soluciones de 0 x 4 son
los puntos entre el eje Y y la recta x = 4
- La recta r : y = 4 pasa por el punto (0,4) y es paralela al eje X. Las soluciones de 0 y 4 son
los puntos entre el eje X y la recta y = 4



33
- La recta t : y = x/2 pasa por los puntos (0,0) y (2,1) . Las soluciones de y x /2 son los puntos
de su izquierda.
Resolviendo los sistemas correspondientes calculamos los vértices de la región factible:
{ y = x/2 , x = 0 } nos da el vértice O(0,0)
{ x = 4, y = x/2 } nos da el vértice A(4,2)
{ x = 4 , y = 4} nos da el vértice B(4,4)
{ y = 4 , x = 0 } nos da el vértice C(0,4)
2) Representamos las rectas de nivel :
En nuestro caso son rectas de la forma x + y = k . Inicialmente representamos Z = x + y = 0 .
Trasladándola hacia la derecha, obtenemos las rectas : x + y = 2, x + y = 4, x + y = 8 , es decir aumenta
el nivel.
3) Obtenemos la solución óptima:
Se obtiene en el punto de la región factible que hace máximo k. En nuestro caso esto ocurre en el punto
B; es el último punto de contacto de esas rectas con la región factible, para el que k = 8.

Si hay dos vértices, P y Q, que se encuentran en la misma recta de nivel, de ecuación ax +
by = k. Es evidente que todos los puntos del segmento PQ son de esa recta; por tanto, en
todos ellos f(x,y) vale k. Así pues, la solución óptima es cualquier punto de esa recta; en
particular los vértices P y Q.

2.6. MÉTODO ANALÍTICO O MÉTODO DE LOS VÉRTICES
El siguiente resultado, denominado teorema fundamental de la programación lineal, nos permite
conocer otro método de solucionar un programa con dos variables.
“En un programa lineal con dos variables, si existe una solución única que optimice la función
objetivo, ésta se encuentra en un punto extremo (vértice) de la región factible acotada, nunca en el
interior de dicha región. Si la función objetivo toma el mismo valor óptimo en dos vértices,
también toma idéntico valor en los puntos del segmento que determinan. En el caso de que la
región factible no es acotada, la función lineal objetivo no alcanza necesariamente un valor óptimo
concreto, pero, si lo hace, éste se encuentra en uno de los vértices de la región”
La evaluación de la función objetivo en los vértices de la región factible nos va a permitir encontrar el
valor óptimo (máximo o mínimo) en alguno de ellos.
Veámoslo con un ejemplo:
34
Maximizar Z = f(x,y) = 3x + 8y
sujeto a: 4x + 5y 40
2x + 5y 30
x 0 , y 0
1) Hallar los puntos de corte de las rectas asociadas a las restricciones:
Calculamos las soluciones de cada uno de los seis sistemas de dos ecuaciones con dos incógnitas que
se pueden formar con las cuatro restricciones:

{4x + 5y = 40, 2x + 5y = 30}. Solución
A(5,4)
{ 4x + 5y = 40 , x = 0 } Solución:B
(0,8)
{4x + 5y = 40, y = 0}. Solución: C(10,0) { 2x + 5y = 30 , x = 0} Solución: D(0,6)
{2x + 5y = 30, y = 0}. Solución : E(15,0) { x = 0, y = 0} Solución: O(0,0)
2) Determinar los vértices de la región factible:
Los vértices de la región factible son aquellos puntos que cumplen todas las restricciones.
Si sustituimos los puntos en cada una de las desigualdades tenemos que:
- B no cumple la segunda restricción 2x + 5y 30 , ya que 2·0 + 5·8 = 40 . Por tanto, el punto B
no es un vértice de la región factible.
- E no cumple la primera restricción 4x + 5y 40 , ya que 4·15 + 5·0 = 60 . Por tanto, el punto E
no es un vértice de la región factible.
Los puntos A, C, D y O verifican todas las desigualdades, son los vértices de la región factible.
3) Calcular los valores de la función objetivo en los vértices:
f(A) = f(5,4) = 3·5 + 8·4 =
47
f(C) = f(10,0) = 3·10 + 8· 0 =
30
f(D) = f(0,6) = 3·0 + 8·6 =
48
f(O) = f(0,0) = 3·0 + 8·0 = 0

La solución óptima corresponde al vértice para el que la función objetivo toma el valor máximo. En este
caso es el vértice D(0,6).
Este método es el menos utilizado de los tres que veremos, ya que posee la dificultad de



35
tener mucho calculo

2.7. ESQUEMA PRÁCTICO
Los problemas de programación lineal pueden presentarse en su formulación matemática, dando la
función objetivo y las restricciones, o bien plantearlos mediante un enunciado. Si éste es el caso, puede
seguirse el camino que indicamos a continuación, ejemplificado con el siguiente problema:
En un almacén se guarda aceite de girasol y de oliva. Para atender a los clientes se han de tener
almacenados un mínimo de 20 bidones de aceite de girasol y 40 de aceite de oliva y, además, el número
de bidones de aceite de oliva no debe ser inferior a la mitad del número de bidones de aceite de girasol.
La capacidad total del almacén es de 150 bidones. Sabiendo que el gasto de almacenaje es el mismo
para los dos tipos de aceite (1 unidad monetaria) . ¿Cuántos bidones de cada tipo habrá que almacenar
para que el gasto sea máximo?

Puede parecer algo absurdo maximizar los gastos , pero se ha enunciado de esta forma
para que el ejemplo sea lo más completo posible

Paso 1º: Leer detenidamente el enunciado: determinar el objetivo, definir las variables y escribir la
función objetivo.
El objetivo es: halla cuántos bidones de cada tipo hay que almacenar para maximizar los gastos
Suponemos que tal objetivo se consigue almacenado x bidones de aceite de girasol e y de aceite de oliva
Cómo cada bidón de aceite de girasol cuesta almacenarlo 1 unidad monetaria y lo mismo para uno de
aceite, los gastos serán x + y
Luego, la función objetivo es:
Maximizar la función Z = f(x,y) = x + y

Paso 2º: Reordenar los datos del problema y a partir de las cantidades decididas, x e y, escribir el
sistema de inecuaciones que determinan las restricciones.
- Un mínimo de 20 bidones de aceite de girasol: x 20
- Un mínimo de 40 bidones de aceite de oliva: y 40
- El número de bidones de aceite de oliva no debe ser inferior a la mitad del número de bidones de
aceite de girasol: y x/2
36
- La capacidad total del almacén es de 150 bidones: x + y 150
Además, los números de bidones deben ser cantidades positivas: x 0 ; y 0
Obs.: Como veremos en ejemplos posteriores en algunas ocasiones puede interesar utilizar
una tabla para recopilar toda la información y hacer los dos primeros apartados



Paso 3º: Expresar el problema en la forma matemática.
Siguiendo con el ejemplo, sería:

Maximizar: Z = f(x,y) = x + y
sujeto a: x + y 150
y x/2
x 20 ; y 40

Aquí termina el planteamiento del problema. Para su resolución hay que continuar con :

Paso 4º: Representar gráficamente las restricciones y marcar claramente la región factible.
Para las restricciones anteriores debemos representar las rectas: x + y = 150 , y = x/2 , x = 20 e y = 40,
obteniéndose la región factible que en la figura se encuentra coloreada.










37




Paso 5º: Hallar las coordenadas de los vértices del polígono obtenido.
Resolviendo los sistemas : { x = 20, y = 40 } , { y = x/2 , y = 40 } , { y = x/2 , x + y = 150} , { x + y = 150,
x = 20}; se obtienen los vértices: A(20,40), B(80,40), C(100, 50), D(20,130)

Paso 6º: Sustituir las coordenadas de esos puntos en la función objetivo y hallar el valor máximo o
mínimo.
Sustituyendo en f(x,y) = x + y, se tiene:
f(20,40) = 60 , f(80,40) = 120 , f(100, 50) = 150 , f(20,130) = 150
Como el valor máximo se obtiene en los puntos C y D, puede optarse por cualquiera de los dos, o por
cualquier punto perteneciente al segmento que los une. Así, por ejemplo, se obtendría el mismo gasto
con 40 bidones de aceite girasol y 110 bidones de aceite de oliva; o 90 y 60 respectivamente.

Paso 7º: También es conveniente representar las rectas de nivel para comprobar que la solución gráfica
coincide con la encontrada. Esta conveniencia se convierte en necesidad cuando la región factible es no
acotada.
En nuestro caso, puede comprobarse que las rectas de nivel tienen la misma pendiente que la recta límite
de la restricción x + y 150 ; por tanto, hay múltiples soluciones.

Paso 8º: Por último, como en la resolución de todo problema es necesario criticar la solución: cerciorarse
de que la solución hallada es lógica y correcta.
En este ejemplo, no todos los puntos del segmento CD son soluciones válidas, ya que no podemos
admitir valores de x e y no enteros , como ocurriría en el punto (90.5,59.5)
Obs.: Si un problema en la forma estándar no indica que se debe realizar por el método analítico o
gráfico , seguiremos para su resolución los pasos del 4º al 8º


38




2.8. TIPOS DE SOLUCIONES
Los programas lineales con dos variables suelen clasificarse atendiendo al tipo de solución que
presentan. Éstos pueden ser:

Factibles
Si existe el conjunto de soluciones o valores que satisfacen las
restricciones. A su vez, pueden ser:


En una urbanización se van a construir casas de dos tipos: A y B. La
empresa constructora dispone para ello de un máximo de 1800 millones de
pesos, siendo el coste de cada tipo de casa de 30 y 20 millones,
respectivamente. El Ayuntamiento exige que el número total de casas no
sea superior a 80.
Sabiendo que el beneficio obtenido por la venta de una casa de tipo A es 4
millones y de 3 millones por una de tipo B, ¿cuántas casas deben
construirse de cada tipo para obtener el máximo beneficio?
- Variables: x = nº de casas tipo A ; y = nº de casas tipo B
- Función objetivo: Maximizar Z = f(x,y) = 4x + 3y
- Conjunto de restricciones: El coste total 30x + 20y 1800 . El
Ayuntamiento impone x + y 80 . De no negatividad: x 0 , y
0.
Tiene por región factible la región coloreada.
Si hallamos los valores de la función objetivo en cada uno de los vértices :
f(O) = f(0,0) = 0 ; f(C)=f(60,0) = 240 ;f(D) = f(20,60) = 260 ; f(E) = f(0,80) =
240
La solución es única, y corresponde al vértice para el que la función
objetivo toma el valor máximo. En este caso es el vértice D(20,60). Por
tanto se deben construir 20 casas de tipo A y 60 de tipo B con un coste de
260 millones de pesetas.



39






Consoitiple


Si existe más de una solución.

Maximizar la función Z = f(x,y) = 4x + 2y
sujeta a las restricciones 2x + y 4 , x - y 1 , x 0 , y 0.
Los valores de la fucnión objetivo en cada uno de los vértices son:
f(O)=f(0,0) = 0 , f(A) = f(1,0) = 4 ; f(B)=f(5/3,2/3) = 8 , f(C) = f(0,4) = 8
La función objetivo alcanza el valor máximo en los vértices B y C, por tanto,
en todos los puntos del segmento BC.
Hay infinitas soluciones, solución múltiple, que corresponden a los puntos
del segmento situado entre dos vértices de la región factible.
En estos casos, como ya vimos en el capítulo anterior, la función objetivo
es paralela a una de las restricciones.
C
Cuando no existe límite para la función objetivo

Maximizar la función Z = f(x,y) = x + y sujeta a las restricciones y 2x , y
x/2 .
Tiene por región factible la zona coloreada que aparece en la figura, que es
una región no acotada.
La función crece indefinidamente para valores crecientes de x e y.
En este caso no existe un valor extremo para la función objetivo, por lo que
puede decirse que el problema carece de solución.
Para que suceda esta situación la región factible debe estar no acotada
No factibles
Cuando no existe el conjunto de soluciones que cumplen las
restricciones, es decir, las restricciones son inconsistentes.

Maximizar la función Z = f(x,y) = 3x + 8y sujeta a las restricciones x + y 6
, x + y 2 , x 0 , y 0.
40
No existe la región factible, ya que las zonas coloreadas que aparecen en
la figura son únicamente soluciones de alguna de las inecuaciones.
Por tanto, el conjunto de soluciones del sistema de desigualdades no
determina ninguna región factible.
Este tipo de problemas carece de solución.

2.9. ACTIVIDADES RESUELTAS
1) Se considera la región del plano determinada por las inecuaciones: x + 3 y ; 8 x + y ; y x - 3 ; x
0; y 0
a) Dibujar la región del plano que definen, y calcular sus vértices.
b) Hallar el punto de esa región en el que la función F(x,y) = 6x + 4y alcanza el valor máximo y calcular
dicho valor.
a ) Hay que dibujar la región factible correspondiente. Para ello vamos a representar las rectas:
x - y = - 3 ; x + y = 8 ; x - y = 3
La región factible es la determinada por los vértices O, A, B, C y D.
Las coordenadas de los vértices son: A(3,0) ; B(5.5, 2.5) ; C(2.5, 5.5) ; D(0,3) y O(0,0)

b) Para determinar dónde la función objetivo F(x,y) = 6x + 4y alcanza su máximo, calculamos los valores
que toma en los vértices:
F(A) = 18 ; F(B) = 43 ; F(C) = 37 ; F(D) = 12 ; F(O) = 0.
Luego la función alcanza su máximo en el vértice B y su valor es 43.
2)Las restricciones pesqueras impuestas por la CEE obligan a cierta empresa a pescar como máximo
2.000 toneladas de merluza y 2.000 toneladas de rape, además, en total, las capturas de estas dos
especies no pueden pasar de las 3.000 toneladas. Si el precio de la merluza es de $1.000 /kg y el precio
del rape es de $1.500 , ¿qué cantidades debe pescar para obtener el máximo beneficio?



41
Sean :
x = número de toneladas de merluza
y = número de toneladas de rape
Del enunciado deducimos las restricciones:
- Como máximo 2000 toneladas de merluza: x 2000
- Como máximo 2000 toneladas de rape: y 2000
- Las capturas de estas dos especies no pueden pasar de las 3000 toneladas: x + y 3000
La función objetivo que da el beneficio en miles de pesos y que hay que maximizar viene dada por:
f(x,y) = 1000x + 1500y
Representando las rectas: x = 2000, y = 2000, x + y = 3000 correspondientes a las fronteras de las
restricciones obtenemos la región factible:


Donde los vértices obtenidos son:
A(2000,0) ; B(2000, 1000) ; C(1000, 2000) , D(0,2000) y O(0,0)
Al sustituir sus coordenadas en la función objetivo f resulta :
f(A) = 2000 millones de pesos. ; f(B) = 3500 millones de pesos ; f(C) = 4000 millones de pesos ; f(D) =
3000 millones de pesos y f(O)= 0 pesos.
La función objetivo alcanza su máximo en el vértice C, por lo que las cantidades a pescar son 1000
toneladas de merluza y 2000 toneladas de rape.
3) Dos pinturas A y B tienen ambas dos tipos de pigmentos p y q; A está compuesto de un 30% de p y un
40% de q, B está compuesto de un 50% de p y un 20% de q, siendo el resto incoloro. Se mezclan A y B
con las siguientes restricciones:
La cantidad de A es mayor que la de B. Su diferencia no es menor que 10 gramos y no supera los 30
gramos. B no puede superar los 30 gramos ni ser inferior a 10 gramos.
a. ¿Qué mezcla contiene la mayor cantidad del pigmento p?
42
b. ¿Qué mezcla hace q mínimo?
Sean x e y, respectivamente, los gramos de las pinturas A y B que aparecen en la mezcla. Traduzcamos
a inecuaciones las restricciones a las que se han de someter esas cantidades.
- La cantidad de A es mayor que la de B: x > y
- Su diferencia no es menor que 10 gramos y no supera los 30 gramos: 30 x - y 10
- B no puede superar los 30 gramos ni ser inferior a 10 gramos: 30 y 10
Además sabemos que : x 0 , y 0.
Veamos las cantidades de pigmento de cada tipo:
Cantidad de pigmento de tipo p: F
p
(x, y) = 0.3x + 0.5y
Cantidad de pigmento de tipo q: F
q
(x, y) = 0.4x + 0.2y
La región factible es la que aparece en la imagen del margen.
Sus vértices son A(20,10) , B(40,10), C(60,30) y D(40,30)





a) La mayor cantidad de pigmento p, se produce para 60 gramos de la pintura A y
30 de la B:
F
p
(40,30) = 0.3·40 + 0.5·30 = 27 ; F
p
(20,10) = 11 ; F
p
(40, 10) = 17; F
p
(60, 30) = 33
b) La menor cantidad de pigmento q, se produce para 20 gramos de la pintura A y 10 de la B:
F
q
(40, 30) = 0.4·40 + 0.2·30 = 22; F
q
(20, 10) = 10 ; F
q
(40, 10) = 18 ; F
q
(60, 30) = 30









43







4)El problema del Transporte
Una empresa dedicada a la fabricación de
componentes de ordenador tiene dos fábricas
que producen, respectivamente, 800 y 1500
piezas mensuales. Estas piezas han de ser
transportadas a tres tiendas que necesitan
1000, 700 y 600 piezas, respectivamente. Los
costes de transporte, en pesetas por pieza
son los que aparecen en la tabla adjunta.
¿Cómo debe organizarse el transporte para
que el coste sea mínimo?
Un problema particular que se resuelve con los
procedimientos de la programación lineal es la
situación conocida como problema del transporte o
problema de la distribución de mercancías.
Se trata de encontrar los caminos para trasladar
mercancía, desde varias plantas (orígenes) a
diferentes centros de almacenamiento (destinos),
de manera que se minimice el costo del transporte.

Tienda A
Tienda B
Tienda C

Fábrica I
3
7
1

Fábrica II
2
2
6
Para que un problema pueda ser resuelto por el
método del transporte debe cumplir:
1) La función objetivo y las restricciones deben ser
lineales.

2) El total de unidades que salen en origen debe
ser igual al total de unidades que entran en
destino.



44
En este tipo de problemas se exige que toda la producción sea distribuida a los centros de ventas en las
cantidades que precisa cada uno; por tanto, no pueden generarse stocks del producto ni en las fábricas ni
en los centros de ventas.
En consecuencia, los 800 artículos producidos en la fábrica I deben distribuirse en las cantidades x, y, z a
A, B y C, de manera que x + y + z = 800. Pero, además, si desde I se envían x unidades a A, el resto,
hasta las 1000 necesarias en A, deben ser enviadas desde la fábrica II; esto es, 1000 - x unidades serán
enviadas desde II a A.

Del mismo modo, si desde I a B se envían y, el resto necesario, 700 - y, deben enviarse desde II. Y lo
mismo para C, que recibirá z desde I y 600 - z desde II.
En la siguiente tabla de distribución se resume lo dicho:
Envíos a la tienda A (1000) a la tienda B (700) a la tienda C (600)
Desde la fábrica I ( 800) x y 800 - x - y
Desde la fábrica II (1500) 1000 - x 700 - y x + y - 200
La última columna la hemos obtenido de la siguiente forma:
Como x + y + z = 800 , se tiene que z = 800 - x - y, de donde, 600 - z = 600 - (800 - x - y) = x + y - 200.
Ahora bien, todas las cantidades anteriores deben ser mayores o iguales que cero. Por tanto, se obtienen
las siguientes desigualdades:
x 0 ; 1000 - x 0 ; y 0; 700 - y 0 ; 800 - x - y 0 ; x + y - 200 0
Simplificando las desigualdades anteriores, se obtienen las siguientes inecuaciones:
1000 x 0 ; 700 y 0 ; 800 x + y 0
Recordemos que nuestro objetivo es abaratar al máximo los costes de transporte. Estos costes se hallan
multiplicando las cantidades enviadas a desde cada fábrica a cada tienda por los respectivos costes de
transporte unitario.
Se obtiene:
Z = f(x,y) = 3x + 2(1000 - x) + 7y + 2(700 - y) + (800 - x - y) + 6(x + y - 200) = 6x + 10y + 3000
En definitiva, el programa lineal a resolver es :
Minimizar: Z = 6x + 10y + 3000
sujeto a: 1000 x 0
700 y 0
800 x + y 0
La región factible se da en la imagen del margen.



45







Sus vértices son A(200,0) ; B(800,0) ; C(100,700) ; D(0,700) y E(0,200).
El coste, el valor de Z en cada uno de esos puntos, es:
- en A, 4200
- en B, 7800
- en C, 10600
- en D, 10000
- en E, 5000
El mínimo se da en A , cuando x = 200 e y = 0.
Luego, las cantidades a distribuir son:

Envíos a la tienda A (1000) a la tienda B (700) a la tienda C (600)
Desde la fábrica I ( 800) 200 0 600
Desde la fábrica II (1500) 800 700 0

5)El Problema de la Dieta

En una granja de pollos se da una dieta "para
engordar" con una composición mínima de 15
unidades de una sustancia A y otras 15 de una
sustancia B. En el mercado sólo se encuentran
dos clases de compuestos: el tipo X con una
El problema se llama así porque en sus orígenes
consistió únicamente en determinar la dieta
humana más económica.
En su forma industrial más corriente, el problema
consiste en saber cómo mezclar de la forma más
46
composición de una unidad de A y cinco de B, y
el tipo Y, con una composición de cinco
unidades de A y una de B. El precio del tipo X
es de 1000 pesetas y el del tipo Y es de 3000
pesetas. Se pregunta:
¿Qué cantidades se han de comprar de cada
tipo para cubrir las necesidades con un coste
mínimo ?
económica posible las materias primas que
constituyen un producto de fórmula química
conocida.



Podemos organizar la información mediante una tabla:
Unidades Sustancia A Sustancia B Coste
Compuesto X x x 5x 1000x
Compuesto Y y 5y y 3000y
Total
15 15
1000x + 3000y
La función objetivo del coste total, f, si se emplean x kg del compuesto X e y kg del compuesto Y, es :
Z = f(x,y) = 1000x + 3000y
El conjunto de restricciones es: x 0 , y 0 ; x + 5y 15 ; 5x + y 15 .
Con estos datos representamos la región factible y las rectas de nivel de la función objetivo.






De todas las rectas de nivel que tocan a la región factible, hace que el coste Z sea mínimo la que pasa
por el vértice A(2.5,2.5).
La solución óptima se obtiene comprando 2.5 unidades de X y 2.5 unidades de Y.



47
El coste total es : Z = f(2.5,2.5) = 1000·2.5 + 3000·2.5 = 10000 pesos.
6) Considera el recinto de la figura en el que están incluidos todos los lados y todos los vértices.








a) Escribe las inecuaciones que lo definen
b) Maximiza la función Z = x + y
a) Hallamos la ecuación de la recta que pasa por (2,0) y (0,2):

(0,2) 2 = m·0 + n n = 2
y = mx + n y = - x + 2 x + y = 2
(2,0) 0 = m·2 + 2 m = - 1

Los puntos del recinto (por ejemplo, el (0,0) ) verifican x + y 2
- Ecuación de la recta paralela al eje X que pasa por (0,2) : y = 2.
Los puntos del recinto verifican y 2
- Ecuación de la recta paralela al eje X que pasa por (0,-1): y = -1
Los puntos del recinto verifican y - 1
- Ecuación de la recta paralela al eje Y que pasa por (2,0) : x = 2
Los puntos del recinto verifican x 2
- Ecuación de la recta paralela al eje Y que pasa por (-2,0): x = - 2
Los puntos del recinto verifican x - 2
Las inecuaciones que cumplen los puntos del recinto son:
x + y 2
48
- 2 x 2
- 1 y 2

b) Como la dirección de la función Z = x + y a maximizar es la misma que la del borde x + y = 2, resulta
que esta recta es tal que deja todo el recinto a un lado, precisamente del lado que hace x + y 2 . Por
tanto, el máximo de Z = x + y para (x,y) en el recinto se alcanza para cualquier punto de ese segmento
del borde y tiene por valor 2.




2.10. EJERCICIOS PROPUESTOS
1) Representar el conjunto de puntos que satisfacen simultáneamente las inecuaciones: x 2 ; x - 2 ;
y 1
2) Describir mediante un sistema de desigualdades la región interior del polígono convexo con vértices en
los puntos: O(0,0) , A(0,4), B(4,0), C(3,3).
3) Escribe inecuaciones que definan una región plana cerrada de modo que los puntos (1,0) y (0,1)
pertenezcan a dicha región, y que los puntos (0,0) y (2,2) no pertenezcan. Haz una representación gráfica
de la región que elijas.
4) Escribe un conjunto de inecuaciones que tengan como solución común el interior de un triángulo
rectángulo cuyos catetos miden 1 y 2 respectivamente y se apoyan en los ejes coordenados X e Y.
(Puedes elegir cualquiera de las posibles colocaciones)
5) Dada la región del plano definida por las inecuaciones:
x + y - 1 0 ; 0 x 3 ; 0 y 2.
¿Para qué valores de la región es máxima la función Z = 5x + 2y?
6) Maximizar la función F(x,y) = 3x + 2y en el dominio y + 2x 0 ; 3y - x 1 ; 2 x 0; y 0
7) Se considera el recinto plano de la figura en el que están incluidos los tres lados y los tres vértices de
las rectas asociadas a las desigualdades






49



a) Hallar las inecuaciones que definen la región.
b) Maximizar la función Z = 3x - 6y sujeta a las restricciones del recinto.
8) Se considera la región del primer cuadrante determinada por las inecuaciones:
x + y 8 ; x + y 4 ; x + 2y 6
a) Dibujar la región del plano que definen, y calcular sus vértices.
b) Hallar el punto de esa región en el que la función F(x,y) = 3x + 2y alcanza el valor mínimo y calcular
dicho valor.
9)
a) Representar gráficamente el conjunto de puntos que satisfacen las siguientes inecuaciones lineales:

x+2y 10;x+y 2;x 8;x 0;y 0

b) Hallar el máximo y el mínimo de F(x,y) = x - 3y, sujeto a las restricciones representadas por las
inecuaciones del apartado anterior.

10) Hallar los valores máximo y mínimo de la función f(x,y) = x + 2y - 2, sometida a las restricciones:

x + y - 2 0 ; x - y + 2 0; x 3; y 1; y 3

11) Resolver gráficamente el siguiente problema de programación lineal:

Maximizar Z = 0.75x + y
Sujeto a : x + 3y 15
5x + y 20
3x + 4y 24
x 0 ; y 0
¿Es única la solución?
50
12) Sea el recinto poligonal convexo definido por el sistema de inecuaciones:
x - 4y - 4 ; x + 2y - 4 0; x 0 ; y 0
Se pide:
a) Dibujarlo y hallar sus vértices.
b) Razonar si es posible maximizar en él la función f(x,y)= x + 2y .
c) En caso afirmativo, calcular el valor óptimo correspondiente y puntos donde se alcanza.

13) Un estudiante dedica parte de su tiempo al reparto de propaganda publicitaria. La empresa A le paga
5 pesos por cada impreso repartido y la empresa B, con folletos más grandes, le paga 7 pesos por
impreso. El estudiante lleva dos bolsas: una para los impresos A, en la que caben 120, y otra para los
impresos B, en la que caben 100. Ha calculado que cada día es capaz de repartir 150 impresos como
máximo.
Lo que se pregunta el estudiante es: ¿cuántos impresos habrá de repartir de cada clase para que su
beneficio diario sea máximo?
14) En una fábrica de bombillas se producen dos tipos de ellas, las de tipo normal valen 450 pesos y las
halógenas 600 pesos. La producción está limitada por el hecho de que no pueden fabricarse al día más
de 400 normales y 300 halógenas ni más de 500 en total. Si se vende en toda la producción, ¿cuántas de
cada clase convendrá producir para obtener la máxima facturación?
15) Una compañía aérea tiene dos aviones A y B para cubrir un determinado trayecto. El avión A debe
hacer más veces el trayecto que el avión B pero no puede sobrepasar 120 viajes. Entre los dos aviones
deben hacer más de 60 vuelos pero no menos de 200. En cada vuelo A consume 900 litros de
combustible y B 700 litros. En cada viaje del avión A la empresa gana 300000 pesos . y 200000 por cada
viaje del B. ¿Cuántos viajes debe hacer cada avión para obtener el máximo de ganancias? ¿Cuántos
vuelos debe hacer cada avión para que el consumo de combustible sea mínimo
16) Una fábrica de carrocerías de automóviles y camiones tiene dos naves. En la nave A, para hacer la
carrocería de un camión, se invierten 7 días-operario, para fabricar la de un coche se precisan 2 días-
operario. En la nave B se invierten tres días operario tanto en carrocerías de camión como de coche. Por
limitaciones de mano de obra y maquinaria, la nave A dispone de 300 días operario, y la nave B de 270
días-operario. Si los beneficios que se obtienen por cada camión son de 6 millones de pesos y por cada
automóvil 2 millones de pesos, ¿cuántas unidades de cada uno se deben producir para maximizar las
ganancias?
17) Un pastelero tiene 150 kg de harina, 22 kg de azúcar y 27’5 kg de mantequilla para hacer dos tipos
de pasteles P y Q. Para hacer una docena de pasteles de tipo P necesita 3 kg de harina, 1 kg de azúcar y
1 de mantequilla y para hacer una docena de tipo Q necesita 6 kg de harina, 0’5 kg de azúcar y 1 kg de
mantequilla.
El beneficio que obtiene por una docena de tipo P es 20 y por una docena de tipo Q es 30. Halla,



51
utilizando las técnicas de programación lineal, el número de docenas que tiene que hacer de cada clase
para que el beneficio sea máximo.
18) Una empresa fabrica dos tipos de rotuladores, de la clase A a 200 pesos la unidad y de la clase B a
150 pesos. En la producción diaria se sabe que el número de rotuladores de la clase B no supera en
1000 unidades a los de la A; además, entre las dos clases no superan las 3000 unidades y la de la clase
B no bajan de 1000 unidades por día. Hallar el costo máximo y mínimo de la producción diaria.
19) Una compañía fabrica dos modelos de sombrero: Bae y Viz. La fabricación de los sombreros se
realiza en las secciones de moldeado, pintura y montaje. La fabricación de cada modelo Bae requiere 2
horas de moldeado, 3 de pintura y una de montaje. La fabricación del modelo Viz requiere tres horas de
moldeado, 2 de pintura y una de montaje. Las secciones de moldeado y pintura disponen, cada una, de
un máximo de 1.500 horas cada mes, y la de montaje de 600.Si el modelo Bae se vende a 10.000 pesos
y el modelo Viz a 12.000 pesos, ¿qué cantidad de sombreros de cada tipo ha de fabricar para maximizar
el beneficio mensual?
20) Cada mes una empresa puede gastar como máximo, $1.000.000 pesos. en salarios y $1.800.000
pesos. en energía (electricidad y gasoil). La empresa sólo elabora dos tipos de productos A y B. Por cada
unidad de A que elabora gana $80 pesos y $50 pesos por cada unidad de B. El coste salarial y
energético que acarrea la elaboración de una unidad del producto A y una del B aparece en la siguiente
tabla:
A B
Coste salarial 200 100
Coste energético 100 300

Se desea determinar cuántas unidades de cada uno de los productos A y B debe producir la empresa
para que el beneficio sea máximo.
21) Una persona tiene $500.000 para invertir en dos tipos de acciones A y B. El tipo A tiene bastante
riesgo con un interés anual del 10% y el tipo B es bastante seguro con un interés anual del 7%. Decide
invertir como máximo $300.000 en A y como mínimo $100.000 en B, e invertir en A por lo menos tanto
como en B. ¿Cómo deberá invertir sus $500.000 para maximizar sus intereses anuales?
22) Una industria vinícola produce vino y vinagre. El doble de la producción de vino es siempre menor o
igual que la producción de vinagre más cuatro unidades. Por otra parte, el triple de la producción de
vinagre sumado con cuatro veces la producción de vino se mantiene siempre menor o igual a 18
unidades.
Halla el número de unidades de cada producto que se deben producir para alcanzar un beneficio máximo,
sabiendo que cada unidad de vino deja un beneficio de $800 . y cada unidad de vinagre de $200.
52
23) Un hipermercado necesita como mínimo 16 cajas de langostinos, 5 cajas de nécoras y 20 de
percebes. Dos mayoristas, A y B, se ofrecen al hipermercado para satisfacer sus necesidades, pero sólo
venden dicho marisco en contenedores completos. El mayorista A envía en cada contenedor 8 cajas de
langostinos, 1 de nécoras y 2 de percebes. Por su parte, B envía en cada contenedor 2, 1 y 7 cajas
respectivamente. Cada contenedor que suministra A cuesta $210.000, mientras que los del mayorista B
cuestan $300.000 cada uno. ¿Cuántos contenedores debe pedir el hipermercado a cada mayorista para
satisfacer sus necesidades mínimas con el menor coste posible?
24) Imaginemos que las necesidades semanales mínimas de una persona en proteínas, hidratos de
carbono y grasas son 8, 12, 9 unidades respectivamente. Supongamos que debemos obtener un
preparado con esa composición mínima mezclando los productos A y B cuyos contenidos por kilogramo
son los que se indican en la siguiente tabla:

Proteínas Hidratos Grasas Coste(kg)
Producto A 2 6 1 600
Producto B 1 1 3 400

¿Cuántos kilogramos de cada producto deberán comprarse semanalmente para que el costo de preparar
la dieta sea mínimo?
25) Podemos comprar paquetes de abono A o B. Cada paquete contiene las unidades de potasio (K),
fósforo (P) y nitrógeno (N) indicadas en la tabla, donde se da el precio del paquete.
Marca K P N Precio
A 4 6 1 15
B 1 10 6 24
¿En qué proporción hay que mezclar ambos tipos de abono para obtener al mínimo precio un abono que
contenga 4 unidades de K, 23 de P y 6 de N?
26) Dos mataderos, P y Q, se encargan de suministrar la carne consumida semanalmente en tres
ciudades, R, S y T: 20, 22 y 14 toneladas, respectivamente. El matadero P produce cada semana 26
toneladas de carne, y el Q, 30. Sabiendo que los costes de transporte, por tonelada de carne, desde cada
matadero de a cada ciudad, son los reflejados en la siguiente tabla:

R S T
P 1 3 1
Q 2 1 1



53
Determinar cuál es la distribución de transporte que supone un coste mínimo.
27) Desde dos almacenes A y B, se tiene que distribuir fruta a tres mercados de la ciudad. El almacén A
dispone de 10 toneladas de fruta diarias y el B de 15 toneladas, que se reparten en su totalidad. Los dos
primeros mercados necesitan, diariamente, 8 toneladas de fruta, mientras que el tercero necesita 9
toneladas diarias.
El coste del transporte desde cada almacén a cada mercado viene dado por el siguiente cuadro:
Almacén Mercado 1 Mercado 2 Mercado 3
A 10 15 20
B 15 10 10
Planificar el transporte para que el coste sea mínimo.
28) Se va a organizar una planta de un taller de automóviles donde van a trabajar electricistas y
mecánicos; por necesidades de mercado, es necesario que haya mayor o igual número de mecánicos
que de electricistas y que el número de mecánicos no supere al doble que el de electricistas. En total hay
disponibles 20 electricistas y 30 mecánicos. El beneficio de la empresa por jornada es 25.000 ptas. por
electricista y 20.000 por mecánico. ¿Cuántos trabajadores de cada clase deben elegirse para obtener el
máximo beneficio?
29) Una empresa fabrica dos tipos de colonia: A y B. La primera contiene un 15% de extracto de jazmín,
un 20% de alcohol y el resto es agua y la segunda lleva un 30% de extracto de jazmín, un 15% de alcohol
y el resto es agua. Diariamente se dispone de 60 litros de extracto de jazmín y de 50 litros de alcohol.
Cada día se pueden producir como máximo 150 litros de la colonia B. El precio de venta por litro de la
colonia A es de 500 pesetas y el de la colonia B es 2.000 pesetas. Hallar los litros de cada tipo que deben
producirse diariamente para que el beneficio sea máximo.
30) Los 400 alumnos de un colegio van a ir de excursión. Para ello se contrata el viaje a una empresa
que dispone de 8 autobuses con 40 plazas y 10 con 50 plazas, pero sólo de 9 conductores para ese día.
Dada la diferente capacidad y calidad, el alquiler de cada autobús de los grandes cuesta $8000 y el de
cada uno de los pequeños, $6000. ¿Cuántos autobuses de cada clase convendrá alquilar para que el
viaje resulte lo más económico posible?
31) La casa X fabrica helados A y B, hasta un máximo diario de 1000 kg. La fabricación de un kg de A
cuesta $180, y uno de B, $150. Calcule cuántos kg de A y B deben fabricarse, sabiendo que la casa
dispone de $270000 día y que un kg de A deja un margen igual al 90% del que deja uno de B.
32) A una persona que quiere adelgazar se le ofrecen dos productos A y B para que tome una mezcla de
ambos con las siguientes recomendaciones:
No de be tomar más de 150 g de la mezcla ni menos de 50 g.
La cantidad de A debe ser igual o superior a la de B.
54
No debe incluir más de 100 g de A
Si 100g de A contiene 30 mg de vitaminas y 450 calorías y 100 g de B contienen 20 mg de vitaminas y
150 calorías:
a) ¿Cuántos gramos de cada producto debe mezclar para obtener el preparado más rico en vitaminas?
b) ¿Y el más pobre en calorías?
33) Se desea obtener tres elementos químicos a partir de las sustancias A y B. Un kilo de A contiene 8
gramos del primer elemento, 1 gramo del segundo y 2 del tercero; un kilo de B tiene 4 gramos del primer
elemento, 1 gramo del segundo y 2 del tercero. Si se desea obtener al menos 16 gramos del primer
elemento y las cantidades del segundo y del tercero han de ser como mucho 5 y 20 gramos
respectivamente y la cantidad de A es como mucho el doble que la de B, calcule los kilos de A y y los de
B que han de tomarse para que el coste sea mínimo si un kilo de A vale $200 y uno de B $1000. ¿Puede
eliminarse alguna restricción?
34) Los precios de venta de dos productos A y B están en la misma relación que 7 y 6. La producción de
estos está definida por las siguientes condiciones:
La producción de A es mayor o igual que la mitad de B y menor o igual que el doble de B. La producción
total es tal que si sólo se produce A, se producen 10 kg, y si sólo se produce B, se producen 15 kg. Y si
se producen conjuntamente, la producción máxima se encuentra en la recta que une los puntos
anteriores.
Dar la función objetivo de la venta de ambos productos.
Expresar mediante inecuaciones el recinto definido.
Determinar los kilos que se han de producir de cada producto para obtener el máximo beneficio
35) Un carpintero tiene que construir mesas rectangulares cuyas dimensiones no sobrepasen 2 metros y
tales que la suma de su dimensión mayor y el doble de la menor no sobrepase 4 metros. ¿Cuál es el
máximo valor del perímetro de dichas mesas?
2.11 SOLUCIONES DE EJERCICIO PROPUESTOS

1) Vo
2) x > 0 , y > 0 , x + 3y < 12 , 3x + y < 12 .
3) x 0 , y 0 , x + y 2 , x + y 1 . Entre otras posibles soluciones.



55
4) x > 0 , y > 0 , 2x + y < 2 .
5) La función Z es máxima para el vértice (3,2), que es 19 .
6) La función alcanza su máximo en el vértice (2,1) y su valor es 8 .
7) Las inecuaciones son: y 3 ; y - x 0 ; y - 3x 0. La función es máxima para (0,0) y el valor
alcanzado es 0..
8) Los vértices son A(6,0), B(8,0) , C(0,8) , D(0,4) y E(2,2). La función toma el mínimo valor en el vértice
D y vale 8 .
9) El máximo se alcanza en (8,0) y es 8. El mínimo se alcanza en (0,5) y es - 15 .
10) El máximo se alcanza en (3,3) y es 7. El mínimo se alcanza en (1,1) y es 1.
11) El máximo es 24 y se alcanza en todos los puntos de un segmento. Por tanto, la solución no es
única. Una posible solución es (56/17,60/17) .
12) Como Z = x + 2y es paralela a x + 2y - 4 = 0, cualquier punto del segmento que une (4/3,4/3) con
(4,0) maximiza Z, dando el mismo valor , 4.
13) 50 de A y 100 de B .
14) 200 normales y 300 halógenas.
15) La máxima ganancia se obtiene con 120 viajes del avión A y 80 del avión B y es de 52 millones de
pesos.
El mínimo consumo se obtiene con 30 viajes de cada avión y es 48000 litros.
16) 66 automóviles y 24 camiones.
17) 5 docenas de pasteles del tipo P y 22. 5 docenas de pasteles del tipo Q.
18) La solución óptima mínima es producir 1000 rotuladores de clase B y ninguno de la clase A, siendo el
costo mínimo diario de 150000 pesetas.
La solución óptima máxima es producir 2000 rotuladores de la clase A y 1000 de la clase B, siendo el
costo máximo de 550000 pesetas.
19) 300 sombreros del tipo Bae y 300 sombreros del tipo Viz.
20) 2400 unidades del producto A y 5200 del producto B.
21) 300000 pesetas en acciones del tipo A y 200000 pesetas en acciones del tipo B.
22) 3 unidades de vino y 2 de vinagre.
23) 3 contenedores al mayorista A y 2 al mayorista B.
24) 3 kg del producto A y 2 kg del producto B.
25) Se minimiza el precio con 1/2 de A y 2 de B.
56
26)
R S T
P 20 0 6
Q 0 22 8
27)
M1 M2 M3
A 8 2 0
B 0 6 9
28) 20 electricistas y 30 mecánicos.
29) 100 litros de colonia del tipo A y 150 litros de colonia del tipo B.
30) Hay que alquilar 5 autobuses de 40 plazas y 4 de 50 plazas. El precio es de 62000 pesos.
31) 1000 kg del helado tipo B y nada de tipo A.
32) (a) 100 g de A y 50 g de B
(b) 25 g de A y 25 g de B.
33) 1.6 kg de A y 0.8 kg de B.
34) f(x,y) = (7/6)x + y
2y x y/2 ; x/10 + y/15 1 ; x 0; y 0
30/7 kilogramos del producto A y 60/7 kilogramos del producto B.
35) 6 metros.

2.12 EJERCICIOS PROPUESTOS
1 1) ) Las rectas asociadas a las desigualdades
2x + y ≤ 18; 2x + 3y ≤ 26; x + y ≤ 16
se cortan dos a dos en tres puntos que son los vértices de un triángulo T. Sea S la intersección del
triángulo T con el primer cuadrante (x 0, y 0). Hallar el máximo de la función 5x + 3y cuando x e y
varían en S

2 2) ) Se considera la región del plano determinada por las inecuaciones:
x + 3 y; 8 x + y; y x-3; x 0 ; y 0
a) Dibujar la región del plano que definen, y calcular sus vértices.
b) Hallar el punto de esa región en el que la función F(x,y)= 6x + 4y alcanza el valor máximo y
calcular dicho valor.




57
3 3) ) Una entidad financiera capta depósitos y presta dinero. La captación de depósitos lleva una hora para
convencer al cliente y otra de trabajo burocrático. El préstamo de dinero lleva una hora para convencer al
cliente y dos horas de trabajo burocrático. El máximo número de horas de trabajo disponibles es de 40
horas para convencer a los clientes y 60 horas para el trabajo burocrático. El beneficio obtenido por
prestar dinero es 1/3 mayor que el de captar depósitos. ¿Cuántas operaciones de cada tipo le conviene
realizar para obtener el máximo beneficio? Seguir los siguiente pasos:
Expresar mediante inecuaciones el recinto definido.
Dar la función objetivo.
¿Cuántas operaciones realiza de cada tipo?

4 4) ) Se considera la región del primer cuadrante determinada por las inecuaciones:
x + y ≤ 8 ; x + y ≥ 4 ; x + 2y ≥ 6
a) Dibuja la región y determina sus vértices.
b) Dada la función objetivo F(x.y)= 3x + 2y halla dónde alcanza dicha función su valor mínimo y
calcula éste.

5 5) ) Dada la región del plano definida por las inecuaciones
x + y – 1 ≥ 0 ; 0 ≤ x ≤ 3 ; 0 ≤ y ≤ 2
¿Para qué valores de la región es máxima la función z= 5x + 2y?

6 6) ) Me ofrecen la posibilidad de vender hasta un máximo de 24 toneladas de dos productos A y B. Me
dan una comisión de $15.000 por tonelada vendida de A y $10.000 por tonelada vendida de B. Averiguar,
razonadamente, cuántas toneladas debo vender de A y cuántas de B para maximizar la ganancia.

7 7) ) Una fábrica textil elabora prendas de punto de calidades A y B. Las de calidad A se fabrican con 1
unidad de lana y 2 unidades de fibra sintética y las de calidad B con dos unidades de lana y 1 de fibra
sintética. Los beneficios obtenidos en la venta de las prendas son de 1.500 ptas. para las de calidad A y
1.000 ptas. para las de calidad B. Sabiendo que sólo se dispone de 180 unidades de lana y 240 de fibra
sintética, se pide:
a) Determinar cuántas prendas de cada tipo deben elaborarse para obtener un beneficio
máximo si la producción no puede ser superior a 1.000 prendas.
b) ¿A cuánto ascenderá dicho beneficio? Justificar las respuestas.

8 8) ) Se considera la función z = 20000x + 16000y. Determinar el punto en que esta función toma valor
mínimo con las siguientes restricciones:
6x + 2y ≤ 12 ; 2x + 2y ≥ 8; 4x + 12y ≥ 24; x ≥ 0; y ≥ 0; x ≤ 7; y ≤ 7

58
9 9) ) Optimizar la función objetivo z = y – x condicionada a : y ≤ -x + 4; y ≥ -x + 2; y ≤ x + 2; y ≥ x-2

1 10 0) ) En un taller de motos estiman que, por término medio, la revisión normal de una moto nueva
supone 0’5 h en la sección de mecánica, y 1 h. en la sección de electricidad, mientras que la revisión de
una moto usada supone 3h de mecánica y 1h de electricidad. Por la revisión de una moto nueva cobran
2500 ptas. y por la revisión de una moto usada cobran 4500 ptas.

Si la sección mecánica puede trabajar durante 9 h al día como máximo, y la de electricidad durante
8h al día, calcular cómo deben seleccionar el trabajo para obtener los máximos ingresos.

1 11 1) ) Podemos comprar paquetes de abono A o B. Cada paquete contiene las unidades de potasio
(K), fósforo (P) y nitrógeno (N) indicadas en la tabla, donde se da el precio del paquete.
Marca K P N Precio
A 4 6 1 15
B 1 10 6 24

¿En qué proporción hay que mezclar ambos tipos de abono para obtener al mínimo precio un abono que
contenga 4 unidades de K, 23 de P y 6 de N?

1 12 2) ) Para fabricar los artículos A y B se dispone de 600 kg de acero. Para producir un artículo A se
consumen 4 kg de acero y, para obtener uno de B, 8 kg. Calcular cuántos artículos de cada tipo se deben
fabricar para obtener el máximo beneficio, sabiendo que el precio de venta de cada artículo de tipo A es
de 1200 ptas. y cada uno del tipo B es de $2000 y que, por falta de otros materiales, no se pueden
fabricar más de 120 unidades del tipo A ni más de 70 unidades del tipo B.

1 13 3) ) Optimizar la función z = 3x – 2y sujeta a las restricciones:x ≥ 1; y ≥ 2; 3y ≤ 24 – 2x; y + 2x ≤
12.

1 14 4) ) Hallar los valores máximo y mínimo de la función f(x,y) = x + 2y – 2, sometida a las
restricciones:
x + y – 2 ≥ 0; x – y + 2 ≤ 0; x ≤ 3 ; y ≥ 1; y ≤ 3

1 15 5) ) Se considera la función f(x,y) = 2350x – 2690y. Determinar el punto en el que la función toma
valor máximo con las siguientes restricciones: x + y ≤ 100 ; x ≥ 3y; x ≥ 0; y ≥ 0




59
1 16 6) ) Un fabricante produce sillas y mesas. Tiene la producción montada en dos secciones, la de
montaje y la de pintura. Fabricar una mesa requiere 3 horas de montaje y 1 hora de pintura, una silla
requiere 1 hora de montaje y 2 horas de pintura.
La sección de montaje sólo puede funcionar 9 horas al día como máximo, mientras que la de pintura
puede funcionar 8 horas a lo sumo.
El beneficio que se obtiene en cada mesa es de 500 ptas. y en cada silla de 250 ptas. ¿Cuál sería la
producción de sillas y mesas que permitiría maximizar el beneficio?

1 17 7) ) Un camión puede transportar como máximo 9 Tm por viaje. En cierto viaje desea transportar al
menos 4 Tm de la mercancía A, y un peso de la mercancía B que no sea inferior a la mitad del peso que
transporta de A. Sabiendo que se cobran $3. por kg de A y $2 por kg de B ¿cómo se debe cargar el
camión para obtener la ganancia máxima?

1 18 8) ) Resolver gráficamente el siguiente problema de programación lineal:
Maximizar z= 0,75x + y
Sujeto a : x + 3y ≤ 15
5x + y ≤ 20
3x + 4y ≤ 24
x ≥ 0; y ≥ 0
¿Es única la solución?

1 19 9) ) Minimizar y maximizar la función 5x + 4y en el recinto 12x + 5y ≥ 120, 6x + 8y ≤ 180,
5x + 10y ≥ 100, x ≥ 0, y ≥ 0.

2 20 0) ) Es factible la solución en z = 3x + 2y sujeta a: - 7x + 5y ≤ 10 ; -7x + 3y ≤ - 15; 2x – 3y ≥ - 10;
x ≥ 0; y ≥ 0.

2 21 1) ) Representar el conjunto de puntos que satisfacen simultáneamente las ecuaciones:

x ≤ 2, x ≥ -2, y ≥ 1.

2 22 2) ) Maximizar la función z= 6x – 2y en el primer cuadrante con las restricciones y + 2x ≤ 1, 2y ≥ 1 +
x, x ≥ ¼, analizando la posibilidad de resolución del problema.

2 23 3) ) Un orfebre fabrica dos tipos de joyas. Las del tipo A precisan 1g de oro y 1,5g de plata,
vendiéndolas a 4000 ptas. cada una. Para la fabricación de las del tipo B emplea 1,5g de oro y 1g de
60
plata, y las vende a 5000 ptas. El orfebre tiene sólo en el taller 750g de cada uno de los metales. Calcular
cuántas joyas ha de fabricar de cada clase para obtener un beneficio máximo.

2 24 4) ) Dada la región del plano definida por las inecuaciones: x + y – 1 ≤ 0, 0 ≤ x ≤ 3, 0 ≤ y ≤ 2; ¿para
qué valores (x,y) de la región es máxima la función z = 5x + 2y ¿ ¿Para cuáles es mínima?

2 25 5) ) Un quiosco vende bolígrafos a 20 ptas. y cuadernos a 30 ptas. y pretendemos comprar los
mismos cuadernos que bolígrafos por lo menos. ¿Cuál será el número máximo de piezas que podemos
comprar?

2 26 6) ) Cierto fabricante produce dos artículos A y B, para los que requiere la utilización de dos
secciones de producción: sección de montaje y sección de pintura.
La fabricación del artículo A requiere una hora de trabajo en la sección de montaje y dos horas en la
de pintura, y la del artículo B tres horas en la sección de montaje y una hora en la de pintura.
La sección de montaje sólo puede estar en funcionamiento nueve horas diarias, mientras que la de
pintura sólo ocho horas cada día. El beneficio que se obtiene produciendo el artículo B es doble que
produciendo el artículo A. Calcular la producción diaria de los artículos A y B que maximiza los beneficios.

2 27 7) ) Un fabricante de aviones produce en dos fábricas tres tipos de aparatos: el A, el B y el C. Se ha
comprometido a entregar semanalmente a un emirato árabe 12 aviones del tipo A, 8 del tipo B y 24 del
tipo C. Al fabricante le cuesta 2 millones de pesetas diarias el funcionamiento de la primera fábrica y 1’6
millones el de la segunda. La primera fábrica produce, en un día, 6 aviones tipo A, 2 tipo B y 4 tipo C
mientras que la segunda produce, respectivamente, 2, 2 y 12. ¿Cuántos días por semana debe trabajar
cada fábrica para, cumpliendo el contrato con el emir, conseguir reducir al máximo los costos de
funcionamiento de las fábricas?

2 28 8) ) Considerar la función z = 1,5x + y en el conjunto: x ≥ 0, y ≥ 0; 3x + 2y - 2 ≥ 0, 3x + 4y –12 ≤ 0
comprobar que esta función alcanza su valor mínimo en más de un punto.

2 29 9) ) Escribe un conjunto de inecuaciones que tengan como solución común el interior de un triángulo
rectángulo cuyos catetos miden 1 y 2 respectivamente y se apoyan en los ejes coordenados X e Y.
(Puedes elegir cualquiera de las posibles colocaciones).
Optimiza sobre ese recinto la función 2x – 3y.

3 30 0) ) Maximizar z = x + y sujeta a x + 3y ≤ 26, 4x + 3y ≤ 44, 2x + 3y ≤ 28, x ≥ 0, y ≥ 0.




61
3 31 1) ) En la región determinada por: x + 2y ≤ 3, x – y ≥ 1, x ≥ -1, y ≥ -1 ; hallar el máximo y el mínimo de
la función f(x,y)= x + y.

3 32 2) ) Pablo dispone de $12000 para gastar en libros y discos. A la tienda donde acude, el precio de
los libros es de $400 y el de discos es de $1200. Suponiendo que desea comprar como mucho doble
número de libros que de discos, se pide:
a) Formular el problema y representarlo gráficamente.
b) Contestar razonadamente si puede comprar 12 libros y 6 discos. En caso afirmativo,
indicar si gasta todo su presupuesto.
c) ¿Puede adquirir 15 libros y 5 discos?, ¿cuánto dinero le sobra?. Razonar la respuesta.

3 33 3) ) En un problema de programación lineal se desea minimizar la función lineal
3x + 4y + 2(10 – x) + 3(18 – y)
con las siguientes restricciones: x ≥ 0, y ≥ 0, 10- x ≥ 0, 18 – y ≥ 0, x + y ≤ 13, (10-x) + (18-y) ≤ 15. Se
pide:
a) Representación gráfica del conjunto factible
b) Hallar las coordenadas de todos su vértices.
c) Hallar todas las soluciones óptimas.

3 34 4) ) En una pequeña empresa se fabrican diariamente sólo dos tipos de aparatos, A y B. Como
máximo pueden fabricarse 3 aparatos de cada tipo y, obligatoriamente, al menos 1 artículo del tipo B.
Indicar todas las posibilidades de fabricación si se quieren obtener unas ventas superiores a $6000,
teniendo en cuenta que los precios de los artículos A y B son de $3000 y $1000, respectivamente.

3 35 5) ) Represente la región del plano delimitada por: x + 2y ≤ 6 ; 3x + 2y ≥ 12 ; x ≥ 0 ; y ≥ 0
¿Es posible maximizar y minimizar la función z = 4x + 3y en ella? Razone la respuesta y, en caso
afirmativo, indique en qué puntos se consigue el máximo.

3 36 6) ) Se dispone de 600 g de un determinado fármaco para elaborar pastillas grandes y pequeñas.
Las grandes pesan 40 g y las pequeñas 30 g. Se necesitan al menos tres pastillas grandes y al menos el
doble de pequeñas que de grandes. Cada pastilla grande proporciona un beneficio de $20 y la pequeña
de $10. ¿Cuántas pastillas se han de elaborar de cada clase para que el beneficio sea máximo?

3 37 7) ) Es factible de Maximizar y minimizar la función z = x – y/3 sujeta a las siguientes restricciones:
2x – y ≤-3; y + 3x ≤E 3; - y ≥ 3

62
3 38 8) ) Se considera la función f(x,y) = 12x + 8y. Determinar el punto donde la función toma su valor
mínimo con las siguientes restricciones: 20x + 25y ≤ 100, 35x +10y ≥ 70

3 39 9) ) En unos grandes almacenes necesitan entre 6 y 15 vigilantes cuando están abiertos al público y
entre 4 y 7 vigilantes nocturnos. Por razones de seguridad, debe haber más vigilantes cuando están
abiertos. Si el salario nocturno es un 60% más alto que el diurno, ¿cómo debe organizarse el servicio
para que resulte lo más económico posible?

4 40 0) ) La Compañía Hierros del Norte debe decidir cuántas toneladas de acero puro X y cuántas de
chatarra Y se deben utilizar en la preparación de una aleación para un cliente. El costo por tonelada de
acero puro es de 3 y el de chatarra 6 (por las impurezas); la demanda del cliente es de por lo menos 5, y
él aceptaría más si así se requiere.
La disponibilidad de X es 4 toneladas y 7 la de Y. La relación entre chatarra y acero puro no puede
exceder 7/8. La fábrica tiene 18 horas disponibles para derretir y fundir; una tonelada de acero puro
requiere 3 horas mientras que la de chatarra sólo 2 horas.
a) Escribir el problema de programación lineal
b) Resolverlo gráficamente.

4 41 1) ) Para el tratamiento de cierta enfermedad, hay que administrar tres vitaminas: X,Y, Z. Cada
semana es preciso consumir, al menos, 437 mg de la vitamina X, 270 mg de la Y y 199 mg de la Z. Estas
vitaminas se presentan en dos preparados: el A, con comprimidos de 80 mg que cuestan 25 ptas. y cuya
composición es de un 20% de X, 40% de Y y 40% de Z; y el preparado B, cuyos comprimidos pesan
90mg, cuestan 30 pesetas y tienen una composición de 30% de X, 60% de Y y 10% de Z. ¿Qué número
de comprimidos de cada preparado harán más económico el tratamiento? ¿Se puede prescindir de
alguna restricción en este problema? ¿Por qué?

4 42 2) ) Dibujar el polígono de vértices (10,0), (11,0) y (6,6), y averiguar en qué punto (x,y) de la región
limitada por ese polígono, alcanza el máximo la función f(x,y) = 7x + 4y.

4 43 3) ) Unos grandes almacenes desean liquidar 200 camisas y 100 pantalones de la temporada
anterior. Para ello, lanzan dos ofertas, A y B: La oferta A consiste en un lote de una camisa y un pantalón,
que se vende a $3000.; la oferta B consiste en un lote de tres camisas y un pantalón, que se vende a
$5000. No se desea ofrecer menos de 20 lotes de la oferta A ni menos de 10 de B. ¿Cuántos lotes ha de
vender de cada tipo para maximizar la ganancia?




63
4 44 4) ) Un veterinario ha recomendado que durante un mes, un animal enfermo tome diariamente para
su recuperación, al menos, 4 unidades de hidratos de carbono, 23 de proteínas y 6 de grasa.
En el mercado se encuentran dos marcas de pienso A y B con la siguiente composición:
Marca Hidratos Proteínas Grasa Precio
A 4 6 1 $100
B 1 10 6 $160


¿Cómo deben combinarse ambas marcas para obtener la dieta deseada al mínimo precio?

4 45 5) ) Optimizar la función z = 3x – 2y sujeta a las restricciones: x ≥ 1, y ≥ 2, 3y ≤ 24 – 2x, y + 2x ≤12.

4 46 6) ) Escribe inecuaciones que definan una región plana cerrada de modo que los puntos (1,0) y (0,1)
pertenezcan a dicha región, y que los puntos (0,0) y (2,2) no pertenezcan. Haz una representación gráfica
de la región que elijas.

4 47 7) ) Es factible minimizar la función f(x,y)= 4x + 12y sujeta a las restricciones: y ≥ 0, 3y – 2x ≤ 5,

y+x ≥ 5, 3y + x ≥ 2.

4 48 8) ) Con el comienzo del curso se van a lanzar unas ofertas de material escolar. Unos almacenes
quieren ofrecer 600 cuadernos, 500 carpetas y 400 bolígrafos para la oferta, empaquetándolo de dos
formas distintas; en el primer bloque, pondrán 2 cuadernos, 1 carpeta y 2 bolígrafos; en el segundo,
pondrán 3 cuadernos, 1 carpeta y 1 bolígrafo. Los precios de cada paquete serán $650 y $700,
respectivamente. ¿Cuántos paquetes les conviene poner de cada tipo para obtener los máximos
beneficios?
a) Escribir el problema de Programación Lineal
b) Resolver gráficamente
.
4 49 9) ) María distribuye su tiempo de ocio entre discoteca y cine. Cada vez que va a la discoteca gasta
por término medio $600., mientras que si va al cine su gasto es de $400. En cierto mes su presupuesto
para ocio asciende a $12000 y desea ir a la discoteca al menos tantas veces como al cine.
a) ¿Cuántas veces puede ir a cada sitio? Plantear el problema algebraicamente y dar su
representación gráfica.
b) ¿Puede ir 10 veces a cada uno de los sitios? ¿Gasta todo su presupuesto?
c) Si decide ir a la discoteca solamente, ¿cuántas veces podrá hacerlo como máximo?
64
d) Si María quiere maximizar el número total de veces que puede acudir a divertirse,
determinar gráficamente cuántas veces irá a la discoteca y cuántas al cine.

5 50 0) ) En un país hay dos fuentes de carbón, A y B, y tres centros de consumo, X, Y y Z. Las fuentes
producen 26 y 30 toneladas, respectivamente. Las necesidades de carbón de los tres centros, son: 20,22
y 14 toneladas, respectivamente. Si los costes de transporte por tonelada de las minas a las ciudades
son, en miles de pesetas, las que se indican en el siguiente cuadro, proponer el transporte para que el
coste sea mínimo.


X Y Z
A 1 3 1
B 2 1 1



5 51 1) ) Una empresa elabora dos productos, cada uno de ellos en una cantidad que es múltiplo de 1000.
Conoce que la demanda, de ambos productos conjuntamente es mayor que 3000 unidades y menor que
6000 unidades . Asimismo, sabe que la cantidad que se demanda de un producto es mayor que la mitad
y menor que el doble de la del otro.
Si la empresa desea vender toda la producción:
a) ¿De cuántos modos puede organizar la producción?
b) Para obtener los máximos beneficios, ¿cuánto ha de ser la producción de cada uno de
ellos si uno lo vende a un precio que es el triple que el del otro?

5 52 2) ) En un almacén hay 100 cajas de tipo A y 100 cajas de tipo B. La siguiente tabla nos informa del
peso, del volumen y del valor de cada una:
Tipo Peso(en kg) Volumen(en dm
3
) Valor
A 100 30 75000
B 200 40 125000

Una camioneta puede cargar 10000 kg y un volumen máximo de 2400 dm
3
. Averiguar cómo han de
cargarla para que el valor de las cajas que lleve sea lo más alto posible.




65
5 53 3) ) Un ganadero debe suministrar un mínimo de 4 mg de vitamina A y 6 de vitamina B por cada
kilogramo de pienso que da a sus reses. Dispone, para ello, de dos tipos de pienso, F y G, cuyos
contenidos vitamínicos por kilo son los siguientes:
A B
F 2 6
G 4 3


El kilo de pienso F vale 40 ptas. y el de G, 60 ptas.
¿Cómo debe mezclar los piensos para suministrar las vitaminas requeridas a un coste mínimo?

5 54 4) ) Sea el recinto poligonal convexo definido por el sistema de inecuaciones:
x – 4y ≥ 4; x+2y – 4 ≤ 0; x ≥ 0; y ≥ 0. Se pide:
a) Dibujarlo y hallar sus vértices.
b) Razonar si es posible maximizar en él la función f(x,y) = x + 2y.
c) En caso afirmativo, calcular el valor óptimo correspondiente y puntos donde se alcanza.

5 55 5) ) Describir mediante un sistema de desigualdades la región interior del polígono convexo con
vértices en los puntos: O(0,0) , A(0,4), B(4,0), C(3,3)



























































66











































2.13 MÉTODO DEL SIMPLEX
Es un procedimiento iterativo que permite ir
mejorando la solución a cada paso. El proceso
concluye cuando no es posible seguir mejorando
más dicha solución.
Partiendo del valor de la función objetivo en un
vértice cualquiera, el método consiste en buscar
sucesivamente otro vértice que mejore al anterior.
La búsqueda se hace siempre a través de los lados
del polígono (o de las aristas del poliedro, si el
número de variables es mayor). Cómo el número
de vértices (y de aristas) es finito, siempre se podrá
encontrar la solución.
El método del simplex se basa en la siguiente
propiedad: si la función objetivo, f, no toma su valor
máximo en el vértice A, entonces hay una arista
que parte de A, a lo largo de la cual f aumenta.
El método del simplex fue creado en 1947
por el matemático George Dantzig .
El método del simplex se utiliza, sobre todo,
para resolver problemas de programación
lineal en los que intervienen tres o más
variables.
El álgebra matricial y el proceso de
eliminación de Gauss-Jordan para resolver
un sistema de ecuaciones lineales
constituyen la base del método simplex.
Vamos a resolver mediante el método del simplex el siguiente problema:
Maximizar Z= f(x,y)= 3x + 2y
sujeto a: 2x + y 18

2x + 3y 42

3x + y 24



67

x 0 , y 0
Se consideran las siguientes fases:
1. Estandarización. Convertir las desigualdades en igualdades
Se introduce una variable de holgura, o cuanto le falta a 2 + y para completar 18, por cada una de las
restricciones, para convertirlas en igualdades, resultando el sistema de ecuaciones lineales:
2x + y + h = 18
2x + 3y + s = 42
3x +y + d = 24
2. Igualar la función objetivo a cero. Pasando todas las variables al lado izquierdo, de modo que:
- 3x - 2y + Z = 0


3. Escribir la tabla inicial simplex
En las columnas aparecerán todas las variables del problema y, en las filas, los coeficientes de las
igualdades obtenidas, una fila para cada restricción y la última fila con los coeficientes de la función
objetivo:
Tabla I . Iteración nº 1
Base Variable de decisión Variable de holgura Valores solución
x y h s d
h 2 1 1 0 0 18
s 2 3 0 1 0 42
d 3 1 0 0 1 24
Z -3 -2 0 0 0 0


4. Encontrar la variable de decisión que entra en la base y la variable de holgura que sale de la
base
A. Para escoger la variable de decisión que entra en la base, nos fijamos en la última fila, la de los
coeficientes de la función objetivo y escogemos la variable con el coeficiente negativo mayor (en
valor absoluto).
En nuestro caso, la variable x de coeficiente - 3.
68
Si existiesen dos o más coeficientes iguales que cumplan la condición anterior, entonces se
elige uno cualquiera de ellos.
Si en la última fila no existiese ningún coeficiente negativo, significa que se ha alcanzado la
solución óptima. Por tanto, lo que va a determinar el final del proceso de aplicación del método
del simplex, es que en la última fila no haya elementos negativos.
La columna de la variable que entra en la base se llama columna pivote (En color verde).
B. Para encontrar la variable de holgura que tiene que salir de la base, se divide cada término de la
última columna (valores solución) por el término correspondiente de la columna pivote, siempre
que estos últimos sean mayores que cero. En nuestro caso:
18/2 [=9] , 42/2 [=21] y 24/3 [=8]
Si hubiese algún elemento menor o igual que cero no se hace dicho cociente. En el caso de que
todos los elementos fuesen menores o iguales a cero, entonces tendríamos una solución no
acotada y no se puede seguir.
El término de la columna pivote que en la división anterior dé lugar al menor cociente positivo, el
3, ya 8 es el menor, indica la fila de la variable de holgura que sale de la base, d. Esta fila se
llama fila pivote (En color verde).
Si al calcular los cocientes, dos o más son iguales, indica que cualquiera de las variables
correspondientes pueden salir de la base.

C. En la intersección de la fila pivote y columna pivote tenemos el elemento pivote operacional, 3.

5. Encontrar los coeficientes de la nueva tabla.
Los nuevos coeficientes de x se obtienen dividiendo todos los coeficientes de la fila d por el pivote
operacional, 3, que es el que hay que convertir en 1.
A continuación mediante la reducción gaussiana hacemos ceros los restantes términos de su columna,
con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la función objetivo Z.
También se puede hacer utilizando el siguiente esquema:
Fila del pivote:
Nueva fila del pivote= (Vieja fila del pivote) : (Pivote)
Resto de las filas:
Nueva fila= (Vieja fila) - (Coeficiente de la vieja fila en la columna de la variable entrante) X
(Nueva fila del pivote)
Veámoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla II):



69





Vieja fila de s
2
3
0
1
0
42



Coeficiente
2
2
2
2
2
2
x
x
x
X
x
x

Nueva fila pivote
1
1/3
0
0
1/3
8


70
=
=
=
=
=
=

Nueva fila de s
0
7/3
0
1
-2/3
26


Tabla II . Iteración nº 2
Base Variable de decisión Variable de holgura Valores solución
x y h s d
h 0 1/3 1 0 -2/3 2
s 0 7/3 0 1 -2/3 26
x 1 1/3 0 0 1/3 8
Z 0 -1 0 0 1 24


Como en los elementos de la última fila hay uno negativo, -1, significa que no hemos llegado todavía a la
solución óptima. Hay que repetir el proceso:
A. La variable que entra en la base es y, por ser la variable que corresponde al coeficiente -1
B. Para calcular la variable que sale, dividimos los términos de la última columna entre los términos
correspondientes de la nueva columna pivote:
2:1/3 [=6] , 26:7/3 [=78/7] y 8:1/3 [=8]
y como el menor cociente positivo es 6, tenemos que la variable de holgura que sale es h.
C. El elemento pivote, que ahora hay que hacer 1, es 1/3.
Operando de forma análoga a la anterior obtenemos la tabla:





71
Tabla III . Iteración nº 3
Base Variable de decisión Variable de holgura Valores solución
x y h s d
y 0 1 3 0 -2 6
s 0 0 -7 0 4 12
x 1 0 -1 0 1 6
Z 0 0 3 0 -1 30

Como en los elementos de la última fila hay uno negativo, -1, significa que no hemos llegado todavía a la
solución óptima. Hay que repetir el proceso:
A. La variable que entra en la base es d, por ser la variable que corresponde al coeficiente -1
B. Para calcular la variable que sale, dividimos los términos de la última columna entre los términos
correspondientes de la nueva columna pivote:
6/(-2) [=-3] , 12/4 [=3], y 6:1 [=6]
y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es s.
C. El elemento pivote, que ahora hay que hacer 1, es 4.
Obtenemos la tabla:
Tabla IV . Final del proceso
Base Variable de decisión Variable de holgura Valores solución
x y h s d
y 0 1 -1/2 0 0 12
d 0 0 -7/4 0 1 3
x 1 0 -3/4 0 0 3
Z 0 0 5/4 0 0 33

Como todos los coeficientes de la fila de la función objetivo son positivos, hemos llegado a la solución
óptima.
Los solución óptima viene dada por el valor de Z en la columna de los valores solución, en nuestro caso:
33. En la misma columna se puede observar el vértice donde se alcanza, observando las filas
correspondientes a las variables de decisión que han entrado en la base: D(3,12)

* Si en el problema de maximizar apareciesen como restricciones inecuaciones de la forma: ax +
by c; multiplicándolas por - 1 se transforman en inecuaciones de la forma - ax - by - c y
72
estamos en el caso anterior
* Si en lugar de maximizar se trata de un problema de minimizar se sigue el mismo proceso, pero
cambiando el sentido del criterio, es decir, para entrar en la base se elige la variable cuyo valor,
en la fila de la función objetivo, sea el mayor de los positivos y se finalizan las iteraciones cuando
todos los coeficientes de la fila de la función objetivo son negativos






2.14. INTERPRETACIÓN GEOMÉTRICA DEL MÉTODO DEL SIMPLEX
Las sucesivas tablas que hemos construido van proporcionando el
valor de la función objetivo en los distintos vértices, ajustándose, a
la vez, los coeficientes de las variables iniciales y de holgura.
En la primera iteración, Tabla I han permanecido todos los
coeficientes iguales, se ha calculado el valor de la función objetivo
en el vértice A(0,0), siendo este 0.
A continuación se desplaza por la arista AB, calculando el valor de f,
hasta llegar a B.
Este paso aporta la Tabla II. En esta segunda iteración se ha
calculado el valor que corresponde al vértice B(8,0): Z=f(8,0) = 24
Sigue por la arista BC, hasta llegar a C, donde se para y despliega
los datos de la Tabla III.
En esta tercera iteración se ha calculado el valor que corresponde al vértice C(6,6) : Z=f(6,6)=30.
Continúa haciendo cálculos a través de la arista CD, hasta llegar al vértice D. Los datos que se reflejan
son los de la Tabla IV.
Concluye con esta tabla, advirtiendo que ha terminado (antes ha comprobado que la solución no mejora
al desplazarse por la arista DE)
El valor máximo de la función objetivo es 33, y corresponde a x = 3 e y = 12 (vértice D).
Si calculas el valor de la función objetivo en el vértice E(0,14), su valor no supera el valor 33.




73
2.15. ANÁLISIS DE SENSIBILIDAD
Introducción
Una vez obtenida la solución usted se podría preguntar que pasaría si alguno de los parámetros que usó
para calcular su óptimo variara? Esta es la función principal del análisis de sensibilidad (o análisis “Qué
pasa si…”). La idea principal radica en conservar el punto óptimo o variarlo lo menos posible, de modo de
no realizar grandes cambios en las condiciones en que se desea producir.
Las herramientas matemáticas necesarias para realizarla no son muchas. La recta, fracciones,
ecuaciones de una variable.
A continuación resumiremos las ideas principales:
- El análisis posóptimo implica llevar a cabo un análisis de sensibilidad para determinar que
parámetros del modelo son los más críticos (parámetros sensibles) al determinar la solución
- Parámetros sensibles, son aquellos cuyos valores no se pueden cambiar sin que la solución
óptima cambie
- Es importante identificar los parámetros sensibles, porque estos determinan aquellos valores
que deben asignarse con mas cuidado para evitar distorsiones en los resultados del modelo

Definición
- Analizar la forma en que cambiaría (si es que cambia) la solución derivada del problema si el
valor asignado al parámetro se cambiara por otros valores posibles.

Objetivo
- Investigar el cambio en la solución óptima del problema, cuando se producen cambios en los
parámetros del modelo

Procedimiento
- Revisión del modelo:
o Se hacen los cambios deseados en el modelo que se va a investigar
o Revisión de la tabla Simplex final:
o Utilización de la idea fundamental para determinar los cambios en la tabla.

Procedimiento
- Conversión a la forma apropiada:
o Conversión de tabla en la forma apropiada para identificar y evaluar la solución
básica actual.
o Prueba de factibilidad:
74
o Verificar que todas las variables básicas sigan teniendo valores no negativos en el
segundo miembro.

Procedimiento
- Prueba de optimalidad:
o Verificación si solución es óptima. Coeficientes variables no básicas en el renglón 0
sigan siendo no negativos.
- Reoptimización:
o Si no pasa cualquiera de las pruebas, se puede obtener la nueva solución, partiendo
de la tabla actual haciendo las conversiones necesarias.

Aplicación del Análisis
- Cambio en el segundo miembro de las restricciones
- Cambio en los coeficientes de la función objetivo
- Cambio en los coeficientes de las variables de las restricciones
- Adición de nuevas variables al problema
- Adición de nuevas restricciones


Ejemplo: Datos del problema





Modelo
Programación
Lineal
- X
1
= Número de lotes del producto 1 fabricado por semana
- X
2
= Número de lotes del producto 2 fabricado por semana
- Z = Ganancia semanal total ( en miles de Pesos) por la producción de estos dos productos.

Modelo Programación Lineal
Maximizar Z = 3X
1
+ 5X
2


Planta 1 2
1 1 0
2 0 2
3 3 2
Ganacia por lote $3.000 $5.000
Semana/horas
4
12
18
Tiempo de Producción
por lote, horas
Producto Tiempo producc Disponible



75
Sujeta a las restricciones:
X
1
≤ 4
2X
2
≤ 12
3X
1
+ 2X
2
≤ 18
X
1
≥ 0, X
2
≥ 0


Como observamos, la solución en el gráfico es el punto (2, 6). A partir de ésta, estudiaremos cómo variar
los distintos parámetros del modelo.
Solución Óptima Gráfica


Aplicación del Análisis
Caso 1
– Cambio en el segundo Miembro (en la ecuación: 2x
2
=12)
– Optimizar precios
– Solución Gráfica.
Solución Óptima Gráfica
76











Aplicación del Análisis
Caso 2
- Cambio en los coeficientes de una variable no básica.
o Cambios en la función objetivo
- Introducción de una nueva Variable.
o Considerar una nueva actividad, requiere variables adicionales.
Aplicación del Análisis
Caso 3
- Cambios en los coeficientes de una variable básica.
o Modificaciones en esta variable en los coeficientes.
o Solución Gráfica.

Solución Óptima Gráfica








77







Aplicación del Análisis
Caso 4
- Introducción de una nueva restricción
o Una vez resuelto una nueva restricción.
o Paso por alto o surgieron nuevas consideraciones.
o 2X1 +3X2 <=24
- Solución Gráfica
Solución Óptima Gráfica












Conclusiones
- El análisis de sensibilidad juega un papel de gran importancia, en la investigación de que
si las estimaciones están equivocadas o no.
78
- La idea fundamental es proporcionar la clave para realizar la investigación de manera
eficiente.
Identificar parámetros relativamente sensibles que afecten la solución optima, estimarlos de mayor
cuidado y elegir una solución que se mantenga dentro de los valores posibles.

2.16. EL PODER DEL SOLVER
INTRODUCCIÓN
En estos tiempos donde se habla de la tecnología, información, sociedad del conocimiento, etc.,
aprovecho la oportunidad de describir lo poderosa que es la hoja de cálculo de Excel, pero voy a
referirme en particular a una de las herramientas la cual se denomina Solver, y se puede ubicar en el
menú principal en la opción herramientas
1
, al pulsar este icono aparecerán varias opciones y ahí
encontrarán dicha instrucción, ella resuelve problemas lineales y enteros utilizando el método más simple
con límites en las variables y el método de ramificación y límite, implantado por John Watson y Dan
Fylstra de Frontline Systems, Inc. Es de hacer notar que estos problemas se presentan en las ciencias
administrativas y es requisito indispensable en casi todas las áreas de ciencias sociales, ingeniería, y en
cualquiera de las carreras universitas como Ciencias Estadísticas, Economía, Administración, entre otras,
allí se estudia en una cátedra llamada Investigación de Operaciones u Operacional; en ella se construyen
modelos para el análisis y la toma de decisiones administrativas, los cuales en tiempos remotos se
utilizaban algoritmos muy complejos entre ellos el del método simples y el dual, estas técnicas
manualmente son complejas, pero con la tecnología aparecieron softwares para resolver sendos
problemas entre ellos se encuentra el más conocido que es el “LINDO”, pero hoy tenemos la oportunidad
de resolverlos muy fácilmente mediante la hoja de cálculo de Excel y el paquete agregado llamado
“SOLVER” que optimiza los modelos sujetos a restricciones, como los modelos de programación lineal y
no lineales, la cual permite obtener las soluciones óptimas para un modelo determinado, y dependiendo
de los niveles de la organización se tomen las mejores decisiones para resolver los conflictos de una
empresa.

Proceso de construcción de modelos
1.- Definir variables de decisión.
2.- Definir la función de objetivos.
3.- Definir las restricciones
Utilidad o perdida = PX – CX – F
MAX Z =PX – CX – F

1
Si no lo encuentra puede instalarlo en Herramientas/Complementos. Si le pide que inserte el disco de office, debe hacerlo ya que
esta herramienta no se encuentra instalada.




79
S.A.
Donde:
P= Precio

C= Costo
X= Utilidades vendidas
F= Costo fijo
X<= U
X<= D
X<= O

2. Ejemplo de cómo usar "SOLVER"
Andrés Z. Es presidente de una microempresa de inversiones que se dedica a administrar las carteras de
acciones de varios clientes. Un nuevo cliente ha solicitado que la compañía se haga cargo de administrar
para él una cartera de $100.000. A ese cliente le agradaría restringir la cartera a una mezcla de tres tipos
de acciones únicamente, como podemos apreciar en la siguiente tabla. Formule usted un modelo de
Programación Lineal para mostrar cuántas acciones de cada tipo tendría que comprar Andrés con el fin
de maximizar el rendimiento anual total estimado de esa cartera.
Acciones Precio ($) Rendimiento Anual Estimado
por Acción ($)
Inversión Posible ($)
Navesa 60 7 60.000
Telectricidad 25 3 25.000
Rampa 20 3 30.000

Para solucionar este problema debemos seguir los pasos para la construcción de modelos de
programación lineal (PL):
1.- Definir la variable de decisión.
2.- Definir la función objetivo.
3.- Definir las restricciones.
Luego construimos el modelo:
Max Z = 7x
1
+ 3x
2
+ 3x
3

s.a.:
80
60x
1
+25x
2
+ 20x
3
≤ 100.000
60x
1
≤ 60.000
25x
2
≤ 25.000
20x
3
≤ 30.000
x
i
≥0
A continuación se construye el modelo en una hoja de cálculo de excel de la siguiente manera:


En la fila 2 se coloca la variable de decisión la cual es el número de acciones y sus valores desde la B2
hasta la D2.
En la fila 3 el rendimiento anual y sus valores desde B3 hasta D3.
En la celda E3 colocaremos una formula la cual nos va indicar el rendimiento anual total,
=sumaproducto($B$2:$D$2;B3:D3).
Desde la fila B5 hasta la D8 colocaremos los coeficientes que acompañan a las variables de decisión que
componen las restricciones.
Desde la E5 hasta la E8 se encuentra la función de restricción (LI) y no es mas que utilizar la siguiente
formula =sumaproducto($B$2:$D$2;B5:D5) la cual se alojaría en la celda E5, luego daríamos un copy
hasta la E8.



81
Desde la F5 hasta F8 se encuentran los valores de las restricciones.
Desde la G5 hasta G8 se encuentra la holgura o excedente.
Una vez completada la hoja de cálculo con el modelo respectivo ¡GRABE SU HOJA!, y seleccione
"Solver…" en el menú de "Herramientas", ahí tendrá que especificar dentro del cuadro de dialogo de
Solver:

o La celda que va a optimizar
o Las celdas cambiantes
o Las restricciones
Así tendremos la siguiente pantalla:



Como se puede observar en la celda objetivo se coloca la celda que se quiere optimizar, en las celdas
cambiantes las variables de decisión y por último se debe de complementar con las restricciones. Una
vez realizado estos pasos deben pulsar el icono de "Opciones" y debe hacer clic en "Asumir modelo
lineal" y enseguida el botón de "Aceptar". Luego haga clic en el botón de "Resolver" para realizar la
optimización, lea detenidamente el mensaje de terminación de Solver y ahí observará si se encontró una
solución o hay que modificar el modelo, en caso de haber encontrado una solución óptima usted podrá
82
aceptar o no dicha solución, luego tendrá oportunidad de analizar un informe de análisis de sensibilidad
para luego tomar la mejor decisión.





En nuestro ejemplo el máximo rendimiento anual fue de $12750, y la cantidad de acciones a comprar
serían 750, 1000 y 1500 para Navesa, Telectricidad y Rampa respectivamente. De está forma podemos
observar la potencia que tiene el Solver, para mayor información sobre el tema, en la ayuda de la hoja de
cálculo de Excel o en libro de Investigación de Operaciones en la Ciencias Administrativas, autor: Eppen
quinta edición, Editorial Prentice Hall tendrán una mayor explicación.
2.17. PROGRAMACIÓN ENTERA
En la optimización entera son considerados problemas en los que la solución debe ser entera. La
optimización entera no será aquí descrita en detalle como el Método del Simplex. Sin embargo daremos
una idea de como se puede obtener una solución entera.
Problemática
Consideramos de nuevo la solución que hemos obtenido en el ejemplo: x
1
= 0, x
2
=36,571438, x
3
= 20,
x
4
= 35,71429
Esta solución no resuelve verdaderamente el problema de maximizar la producción de sus máquinas de
jardín, ya que la solución necesita ser entera. ¿Cómo se debe actuar, para que a partir de la solución
óptima se pueda conseguir una solución entera?



83
Es evidente obtener una solución entera mediante redondeo por arriba y por abajo de la solución óptima.
Para el ejemplo se obtiene como solución x
1
=0, x
2
=37, x
3
=20, x
4
=36. Pero esta solución es infactible, ya
que viola la segunda y la tercera restricción del PL. .
Hay también casos en los que mediante el redondeo de la solución se obtiene una solución factible pero
muy mala solución entera. Se reconoce así pues, que el método lógico para producir una solución entera,
conduce rápidamente a soluciones malas e incluso a soluciones factibles. En lo que sigue será
presentado de manera breve un mejor método para la producción de una solución entera.
2.17.1. Resolución en el caso bidimensional
Debido a la posibilidad de su representación gráfica se presenta el método para la producción de
soluciones enteras en un ejemplo con dos variables.
Ejemplo 6.2 Una fábrica de transportes quisiera transportar diferentes mercancías, las cuales se
clasifican en distintos niveles de peligrosidad. Una unidad de la mercancía 1 tiene un valor de
peligrosidad 9 en una escala del -10 al +10, mientras que una unidad de la mercancía 2 posee un valor
de peligrosidad de -4t. Además una unidad de la mercancía 1 necesita una plaza para ser transportada y
obtiene un beneficio de 2 millones de euros. Una unidad de la mercancía 2 trae un beneficio de 7
millones de euros , pero necesita 4 plazas para ser transportada. La capacidad total de un transporte es
de 14 plazas y el valor más alto de peligrosidad, el cual no está permitido ser sobrepasado es de 36.
Como la empresa de transportes quiere almacenar las máximas mercancías posibles en un transporte, se
obtiene el siguiente problema de optimización:

Figura: Representación gráfica del problema de programación entera del ejemplo con solución óptima
no entera
84

En la figura se reconoce que la solución óptima de este problema no es entera. Es cierto que x
1
=5 es
un número entero, pero con x
2
=2,25 la empresa de transportes no puede hacer mucho. Ahora se debe
cumplir que x
2
≤ 2 o que x
2
≥ 3. Estos dos casos serán ahora considerados.

Figura: Partición del problema de optimización del ejemplo

Se desplaza en ambas subregiones del ejemplo la función objetivo por separado, se obtiene así para
cada subproblema una solución óptima con un valor de la función objetivo distinto cada una, la solución
es más pequeña que la original. En este caso se obtiene para x
1
=4. 8 , x
2
=2 un valor de la función
objetivo de 23. 7 y para x
1
=2, x
2
=3 un valor de la función objetivo de 25. Como el mayor de los valores de
la función objetivo pertenece a una solución entera, se resuelve el problema. Si este no fuera el caso, es
decir, si el mejor valor perteneciese a una solución no entera, se debería repetir el procedimiento y
compararse siempre los valores de la función objetivo.



85
2.17.2. Resolución en el caso de más dimensiones
El método de la sección se puede usar también en problemas de mas de dos variables. Los
subproblemas son tratados y resueltos como un PL. Se examina si la solución óptima es entera, y si no
es así el problema se vuelve a dividir. Volvemos al ejemplo . Mediante el método del simplex la
solución obtenida es x
1
=0, x
2
=36,571438, x
3
=20, x
4
=35,71429.
Como x
2
y x
4
no son enteros, deben ser considerados cuatro casos,
x
2
≤ 36y x
4
≤ 35, x
2
≤ 36 y x
4
≥ 36, x
2
≥ 37 y x
4
≤ 35, x
2
≥ 37 y x
4
≥ 36 Se añaden en cada caso estas
desigualdades como adicionales restricciones en el P y se resuelven con el método del simplex, se
obtiene:


x
2
≤ 36 x
2
≤ 36 x
2
≥ 36
x
4
≤ 35 x
4
≥ 36 x
4
≤ 35
x
1
= 10 x
1
= 0 x
1
= 0
x
2
= 33 x
2
= 36 x
2
= 37
x
3
= 20 x
3
= 20 x
3
= 20
x
4
= 35 x
4
= 36 x
4
=35
5 . 330 x c = · 330 x c = · 5 . 329 x c = ·

- Para x
2
≥ 37 y x
4
≥ 36 se obtiene un problema no factible.
- Para x
2
≥ 37, x
4
≥ 36 y x
3
≥ 20 contradicen la restricción:
x
1
+ 2x
2
+ 2.7x
3
+ 4x
4
≤ 270.
Como se trata de un problema de maximización, el mayor valor de la función objetivo es el mejor, i.e.
5 . 330 x c = · y x
1
=10, x
2
=33, x
3
=20 y x
4
=35 es la solución entera optima. Existen más procedimientos
para la programación entera, que pueden ser vistos en [1].
2.18. TEORÍA DE LA DUALIDAD

Hemos visto como la programación lineal puede ser usada para resolver una extensa variedad de
problemas propios de los negocios, ya sea para maximizar utilidades o minimizar costos. Las variables
de decisión en tales problemas fueron, por ejemplo, el número de productos a producir, la cantidad de
pesos a emplear, etc. En cada caso la solución óptima no explicó cómo podrían ser asignados los
recursos (ejemplo: materia prima, capacidad de las máquinas, el dinero, etc.) para obtener un objetivo
establecido.
En este capítulo veremos que a cada problema de programación lineal se le asocia otro problema de
programación lineal, llamado el problema de programación dual. La solución óptima del problema de
programación dual, proporciona la siguiente información respecto del problema de programación original:
86
1. La solución óptima del problema dual proporciona los precios en el mercado o los beneficios de los
recursos escasos asignados en el problema original.
2. La solución óptima del problema dual aporta la solución óptima del problema original y viceversa.
Normalmente llamamos al problema de programación lineal original el problema de programación primal.
2.18.1. El concepto de Holgura Complementaria

Es el concepto clave que permite resolver un problema a partir de otro, y se deriva de las relaciones
primo-dual, en el valor de la función objetivo
Formulación del problema dual.
El problema dual es un problema de PL auxiliar que se define directa y sistemáticamente a partir del
modelo de PL original o primal.
El problema de programación lineal viene dado por:
Maximizar Z = c
1
x
1
+ c
2
x
2
+ ……. + c
n
x
n

sujeto a: a
11
x
1
+ a
12
x
2
+ … + a
1n
x
n
≤ b
1
a
21
x
1
+ a
22
x
2
+ … + a
2n
x
n
≤ b
2

a
m1
x
1
+ a
m2
x
2
+ … + a
mn
x
m
≤ b
m

x
1
≥ 0; x
2
≥ 0; x
3
≥ 0; …….; x
m
≥ 0


su dual asociado es el problema de PL dado por:
Minimizar Z’ = b
1
y
1
+ b
2y2
+ b
3y3
+ … + b
mym

sujeto a: AW<= C
W >= 0

De lo anterior se deduce que el paso al dual se lleva a cabo teniendo presente las cuatro reglas
siguientes:
a) Los coeficientes de la i-ésima restricción para el problema primal pasan a ser los coeficientes de las
variables Wi en las restricciones del problema dual. El problema dual tiene tantas variables como
restricciones hay en el primal.
b) Los coeficientes de las variables de decisión Xj en el problema primal pasan a ser los coeficientes de
la restricción j-ésima en el problema dual. El problema dual tiene tantas restricciones como variables hay
en el primal.
c) Los coeficientes de la función objetivo en el problema primal pasan a ser los coeficientes del segundo
miembro de las restricciones en el problema dual.
d) Los coeficientes del segundo miembro de las restricciones del problema primal pasan a ser los
coeficientes de la función objetivo del dual.
Ejemplo:
Primal
Maximizar : Z = 60 X
1
+ 30 X
2
+ 20 X
3

sujeto a: 8X
1
+ 6X
2
+ X
3
≤ 48
4X
1
+ 2X
2
+ 1.5X
3
≤ 20
2X
1
+ 1.5X
2
+ 0.5X
3
≤ 8
X
1
, X
2
, X
3
≥0



87
Dual:
Minimizar : Z’ = 48 W
1
+ 20 W
2
+ 8W
3

sujeto a: 8W
1
+ 4W
2
+ 2W
3
≥ 60
6W
1
+ 2W
2
+ 1.5W
3
≥ 30
W
1
+ 1.5W
2
+ 0.5W
3
≥ 20
W
1
, W
2
, W
3
≥ 0
Relación de la solución óptima del problema dual con la solución óptima del problema primo
La relación principal entre ellos es que tanto el problema primal como el dual buscan el valor óptimo del
sistema.





2.18.2. Interpretación económica del problema dual
Precio Sombra: Se define como la proporción con que mejora el valor de la función objetivo a partir de la
i - ésima restricción, dependiendo si se trata de maximización tiende a aumentar y a disminuir cuando es
de minimización.
La interpretación económica de la dualidad se basa directamente en la interpretación más frecuente del
problema primal Interpretación del problema dual.
Para ver cómo la interpretación del problema primal conduce a una interpretación económica del
problema dual. Nótese el valor de Z como:
Z = W
1
b
1
+ W
2
b
2
+ W
3
b
3
+ ... + W
m
b
m

donde cada:
b
i
W
i
puede interpretarse como la contribución a la ganancia por disponer de b
i
unidades del recurso i.
W
i
se interpreta como la contribución a la ganancia por unidad del recurso i ( i = 1 , 2, . . . , m), cuando se
usa el conjunto actual de variables básicas para obtener la solución primal.
sujeto a:

Observaciones


Las
restricciones j-ésima del dual indican que el valor total de los recursos consumidos para elaborar una
unidad de la j-ésima actividad, debe ser al menos tan grande como la ganancia asignada a cada unidad
de la actividad j-ésima.
A partir de lo visto anteriormente se puede interpretar el problema dual en los siguientes términos:
” Dados unos recursos b
i
y un límite inferior para la ganancia C
j
, asignada a cada unidad de la actividad j-

Valor unitario
del recurso j-
ésimo
Ganancia
asignada
a cada unidad
de la actividad
j-ésima
¿
=
= ¬
m
1 i
: n ,..., 1 j

Unidades del
recurso i-ésimo
utilizados por
unidad de la
actividad j-ésima
88
ésima ¿Qué valor, W
i
, se debe asignar a cada unidad del recurso i-ésimo de forma que se minimice el
valor total de los recursos?.”
Explicación de la solución primal-dual, de nuestro ejercicio de construcción de mesas y sillas con piezas
grandes y piezas chicas.
Recordemos que nuestro modelo es:


MAX Z= $16X
1
+$10X
2

s.a.
2X
1
+ 1X
2
≤ 6 Restricción de Piezas Grandes
2X
1
+ 2X
2
≤ 6 Restricción de piezas Chicas
toda X
1
, X
2
≥ 0



2.18.3. Cambios en el modelo General. Análisis de Sensibilidad

Mediante el análisis de sensibilidad pueden existir diferentes tipos de cambios en el modelo original
como:
- Cambios en los coeficientes de la función objetivo,
- Cambios en los recursos,
- Cambios en los coeficientes tecnológicos,
- Adición de una nueva variable y
- Adición de una nueva restricción.
Para calcular los límites superior e inferior de los coeficientes c
j
de la función objetivo se utiliza el
siguiente modelo:
C’B
k
(S) = CB
k
+ Mínimo (F
j
/a
ij
para a
ij
<0 )
C’B
k
(i) = CB
k
+ Máximo (F
j
/a
ij
para a
ij
>0 )
Donde:
C’B
k
(S) = Limite superior de la variable básica
C’B
k
(i) = Limite inferior de la variable básica
F
j
= coeficiente de las variables no-básicas en la tabla óptima (renglón cj-zj)
a
ij
= coeficientes tecnológicos de las restricciones con respecto a la base
y a las no básicas
CB
k
= coeficiente de la variable básica en el modelo original
Para calcular los límites superior e inferior del recurso se utiliza el siguiente modelo:
C
i
(s) = b
i
– max (X,Sb
i
/µS
i
para µS
i
< 0
C
i
(i) = b
i
– min (X,Sb
i
/µS
i
para µS
i
> 0
Donde:
C
i
(s) = Limite superior de la restricción i
C
i
(i) = Limite inferior de la restricción i
b
i
= recurso disponible actual (modelo original)



89
X,Sb
i
= solución de las básicas de la tabla óptima
µS
i
= coeficientes tecnológicos de las holguras en la tabla óptima











TERCERA UNIDAD
PROGRAMACIÓN NO LINEAL



OBJETIVOS ESPECÍFICOS


Al término de la unidad, el alumno será capaz de:

- Usar algoritmos de programación no lineal aplicados a problemas prácticos.






90











3.1. INTRODUCCIÓN

Los capítulos anteriores se dedicaron a los problemas de programación lineal, en los que las restricciones
y la función a optimizar eran lineales.
Aunque los problemas de programación lineal son muy comunes y cubren un amplio rango de
aplicaciones, en la vida real uno se tiene que enfrentar con cierta frecuencia a otro tipo de problemas que
no son lineales. Cuando el conjunto de restricciones, la función objetivo, o ambos, son no lineales, se dice
que se trata de un problema de programación no lineal (PPNL). En este capítulo se presentan algunos
problemas de programación no lineal. En algunos casos, coinciden con los que se han descrito en
capítulos precedentes, pero bajo hipótesis distintas.

3.2. EL PROBLEMA DE PROGRAMACIÓN NO LINEAL

El problema de programación no lineal (PPNL), se puede formular como sigue.
Minimizar
Z = f(x
1
, . . . , x
n
)
sujeto a
h1(x
1
, . . . , x
n
) = 0
h_(x
1
, . . . , x
n
) = 0
g1(x
1
, . . . , x
n
) ≤ 0
gm(x
1
, . . . , x
n
) ≤ 0
Para que este problema sea propiamente no lineal, al menos una de las unciones involucradas en su
formulación debe serlo. Cualquier vector x є IR
n
que satisface las restricciones se denomina solución
factible, y el conjunto de todas las soluciones factibles se denomina región factible. Los problemas de
optimización no lineal son más difíciles de resolver que los problemas lineales. Estas mayores dificultades
aparecen incluso en el caso más simple de minimizar una función de una variable en IR (sin
restricciones). Este problema se formula como la minimización de



91
Z = f(x)
sujeto a
x є IR.
El matemático francés Pierre de Fermat trató este problema en su libro Methodus
ad disquirendam maximan et minimam en el siglo XVII.

La figura 8.1(a) muestra un problema en el que su mínimo se alcanza en un punto del conjunto de puntos
donde la recta tangente es horizontal. Existe otro tipo de problemas en los que los mínimos relativos no
satisfacen la condición anterior (véase la figura 8.1(b)). Las funciones anteriores muestran una primera
dificultad: la caracterización de los candidatos a mínimo. En un problema general, la función no
necesariamente posee recta tangente (o hiperplano tangente en el caso de funciones de




varias variables); para poseer recta tangente la función debe ser diferenciable.
El ejemplo siguiente ahonda en esta cuestión. Si se considera el problema de buscar el mínimo de la
función (véase la figura 8.2):

f(x) = (x + 2)
2/3
- (x -. 2)
2/3


92
en IR, se encontraría una dificultad importante. El criterio de buscar puntos donde se anula la primera
derivada no conduciría a ningún candidato. Pero por otro lado, el hecho de que la función f tiende a cero
cuando x tiende a ±∞ y que la misma toma valores negativos, indica que f debe alcanzar su mínimo en
algún punto. ¿Dónde está la contradicción? Un análisis de f revela que el mínimo es alcanzado en x = -2,
pero f no es diferenciable en dicho punto. Este simple ejemplo pone de manifiesto que se debe ser
extremadamente cuidadoso



cuando se está trabajando con funciones que no son diferenciables. Puesto que este tema escapa de los
objetivos perseguidos en este libro, se estudiarán únicamente problemas en los que todas las funciones
involucradas sean diferenciables. La teoría de la optimización y los métodos computacionales para estos
problemas se denomina optimización no lineal diferenciable. Se han desarrollado generalizaciones del
concepto de diferenciabilidad para poder abordar problemas más generales de optimización. El hecho de
que se puedan caracterizar los candidatos a mínimos de la función no es suficiente para determinarlos
explícitamente. Para ilustrarlo, se considerará el siguiente ejemplo (véease la figura 8.3)

f(x) = ) x cos x senox ( 10 x
10
1
2
÷ +

Esta función es diferenciable en toda la recta real, pero posee una dificultad importante: posee infinitos
puntos donde la recta tangente es horizontal, esto es, puntos donde f_(x) = 0. Si se quisiera saber cuál
de ellos es una solución al problema, se debería evaluar la función objetivo en todos ellos. Este hecho
hace inviable, en un tiempo finito, poder abordar numéricamente el problema. Por otro lado, existe la
dificultad de resolver de forma cerrada (analíticamente) la ecuación f_(x) = 0. Como conclusión, la
existencia de infinitos candidatos además de no poder generarlos explícitamente hace imposible saber,
de una forma cierta, si un candidato dado es un mínimo absoluto.




93



Una de las principales diferencias entre la programación lineal y la no lineal es la existencia de los
llamados mínimos locales. En ellos se optimiza la función objetivo en un entorno, pero no en toda la
región factible. Esta dificultad motiva una nueva exigencia para la familia de funciones a analizar. Se
consideraría una clase de funciones en la que sus óptimos locales son también globales. En la figura 8.4
se muestra la gráfica de una función que posee un mínimo local que no es un mínimo global. Se observa
que las imágenes de los puntos del intervalo [ x x, .] están por encima del segmento que une el mínimo
absoluto con el relativo. La condición de convexidad aparece como una condición suficiente que evita
este comportamiento. Para que una función sea convexa, su grafo, en cualquier intervalo, debe quedar
por debajo del segmento que une las imágenes de los extremos. Finalmente, es importante señalar que
un problema general de programación no lineal puede que no posea solución óptima, esencialmente
debido a una de las razones siguientes:

1. La función no está acotada en la región factible S. Por ejemplo, la función de variable real f(x) = x,
donde x є IR decrece sin límite a - · cuando x tiende a - · En este caso se escribiría
Infimo
xєS
f(x) = - ·

2. La función está acotada en S, pero ésta no alcanza la mayor de las cotas inferiores en S. Este valor se
denota por ínfimo
xєS
f(x). Por ejemplo, la función f(x) = e
-x
está acotada en S = IR y la mayor de las
cotas inferiores es 0 pero no es alcanzada por f(x).

En muchos casos es importante saber si existe al menos una solución del problema de optimización.
Existen condiciones suficientes que lo garantizan, como la proporcionada por el teorema de Weierstrass,
que garantiza la existencia de soluciones cuando f es una función continua y el conjunto factible S es
cerrado y acotado.


Teorema (Weierstrass). Sea S un conjunto cerrado (incluye a sus extremos o frontera), acotado (el
valor absoluto de todos sus valores son menores que un número finito) y no vacío de IR
n
y f : S → IR una
función continua. El problema de minimizar
Z = f(x)
sujeto a
x є S
posee al menos una solución óptima. En ocasiones el conjunto factible no es acotado, y para este caso
se puede aplicar el siguiente corolario del teorema anterior.
Corolario (existencia de soluciones óptimas.) Sea S un conjunto cerrado no vacío (posiblemente no
acotado ) de IR
n
y f : S → IR una función continua. Si
94
+· =
e · ÷
) x ( f
lim
S x , x

entonces el problema de minimizar
Z = f(x)
sujeto a
x є S
admite solución óptima.

Estos resultados pueden ser más explícitos, como se vería, cuando la función objetivo f sea convexa. En
la siguiente sección se analizarían importantes condiciones necesarias para el PPNL con restricciones,
conocidas con el nombre de condiciones de optimalidad de Karush–Kuhn–Tucker. Éstas deben ser
satisfechas por todos los mínimos locales de la “mayoría” de los PPNL, en particular por sus mínimos
globales. Se motivaría cómo aparecen estas condiciones y al final del capítulo, se introducirían las
condiciones que garantizan que un determinado PPNL pertenece a esta “mayoría” de problemas para los
que son necesarias las condiciones KKT. También se estudiarán hipótesis bajo las cuales las condiciones
KKT son suficientes para garantizar que una determinada solución es un mínimo global, lo que nos
conduciría al concepto de convexidad, ya enunciado anteriormente. A continuación se trataría la teoría de
dualidad en programación matemática, que será de gran importancia en los métodos numéricos
analizados en el capítulo 9. Esta teoría de la dualidad se ilustra con un caso de estudio práctico.
Finalmente, se establecen de forma breve las condiciones de regularidad necesarias para la formulación
de las condiciones de optimalidad anteriores.

Estos resultados pueden ser más explícitos, como se verá, cuando la función objetivo f sea convexa. En
la siguiente sección se analizarán importantes condiciones necesarias para el PPNL con restricciones,
conocidas con el nombre de condiciones de optimalidad de Karush–Kuhn–Tucker. Estas deben ser
satisfechas por todos los mínimos locales de la “mayoría” de los PPNL, en particular por sus mínimos
globales. Se motivará cómo aparecen estas condiciones y al final, se introducirán las condiciones que
garantizan que un determinado PPNL pertenece a esta “mayoría” de problemas para los que son
necesarias las condiciones KKT.
También se estudiarán hipótesis bajo las cuales las condiciones KKT son suficientes para garantizar que
una determinada solución es un mínimo global, lo que nos conducirá al concepto de convexidad, ya
enunciado anteriormente. A continuación se tratará la teoría de dualidad en programación matemática,
que será de gran importancia en los métodos numéricos analizados en el capítulo 9. Esta teoría de la
dualidad se ilustra con un caso de estudio práctico. Finalmente, se establecen de forma breve las
condiciones de regularidad necesarias para la formulación de las condiciones de optimalidad anteriores.
Condiciones necesarias de optimalidad

Diferenciabilidad
En la sección anterior se han mencionado los conceptos de diferenciabilidad y convexidad para
problemas de optimización sin restricciones. En ésta y en la sección siguiente se emplearán estos
conceptos en el caso general de problemas de optimización, no necesariamente sin restricciones. La
propiedad de diferenciabilidad permite caracterizar los extremos locales (mínimos o máximos),
proporcionando condiciones necesarias para la optimalidad de una solución. Se centrará la atención en la
búsqueda de mínimos, ya que los máximos pueden ser obtenidos a partir de la relación

Maximizar
xєS
f(x) = -Minimizar
xєS
-f(x)
Para una mayor claridad, se da la siguiente definición precisa de este tipo de puntos.
Definición (mínimo global). Una función f(x) tiene un mínimo global en el conjunto de puntos S
(respectivamente, un mínimo global estricto) en el punto x*., si y sólo si f(x*) ≤ f(x) [respectivamente, f(x*)
< f(x)] para todo x en S.

Definición (mínimo local). Una función f(x) tiene un mínimo local (respectivamente, un mínimo local
estricto) sobre el conjunto S en el punto x , si
y sólo si existe un número positivo ε cumpliendo f( x ) ≤ f(x) (respectivamente,



95
f( x ) < f(x)) para todo x en S tal que c s ÷ s x x 0
De estas definiciones se concluye que todo mínimo global también es local. En una dimensión es fácil
ilustrar los conceptos de mínimo local y global (véase la figura 8.5). En este ejemplo, S es el segmento [a,
b]. S= {a, x
1
, x
2
} es el conjunto de óptimos locales y S* = {a, x2} es el conjunto de mínimos globales.









Ejemplo: En esta sección, se describe un problema de programación no lineal:

El paquete postal
Un paquete postal es una caja de dimensiones x, y, y z (ver la Figura), que debe verificar los siguientes
requisitos para ser aceptado en la oficina de correos.

z + 2x + 2y ≤ 108; x, y, z ≥ 0

pues no son posibles las longitudes negativas.
Se buscan las tres dimensiones que maximizan el volumen
V (x, y, z) = xyz
x
96
Figura 3.1: Esquema de las dimensiones del paquete postal.


Para resolver este problema se requieren varias herramientas matemáticas que a continuación
detallaremos (muy simplificadamente)
- Cálculo diferencial: primera y segunda derivada
- Geometría analítica: La recta y todas sus implicancias así como otras cónicas.






APENDICE
Repaso de la Recta
Recordemos que la ecuación de la recta es y = mx + b donde la estructura es:
Variables: x, y; Constantes: m, b
Pero, quién es cada una de ellas (m y b)?
b: es el intercepto o constante. Es el valor producido cuando la recta graficada intersecta al eje y.
m: es la pendiente. Geométricamente, es el ángulo de elevación que la recta tiene sobre el eje de las x.
Luego daremos una definición en el sentido más cotidiano para ambos conceptos.

LA PENDIENTE
El siguiente ejemplo muestra cómo entendemos el concepto de pendiente. Supongamos que tenemos
una tabla con los siguientes datos relacionados a diferentes jugadores de fútbol.

JUGADOR Nº DE GOLES
A 35
B 30
C 40
D 25

Cómo responderíamos a la pregunta de cuál de los jugadores es el mejor? Evidentemente la tabla
muestra que el jugador C es el más goleador de todos ellos. Pero, desde qué criterio esto es verídico?
Esto sería cierto si el número de partidos que hayan jugado todos los jugadores fuera el mismo. Si no
fuere así, deberíamos saber en cuántos partidos los jugadores han realizado los goles. La siguiente
muestra la misma tabla anterior pero con dos columnas nuevas (nº de partidos y nº de goles/nº de
partidos)




97
JUGADOR Nº DE GOLES Nº DE PARTIDOS Nº DE GOLES/Nº DE PARTIDOS
A 36 9 36 / 9 = 4
B 30 10 30 / 10 = 3
C 40 20 40 / 20 = 2
D 25 5 25 / 5 = 5





Como en la tercera columna tenemos el número de partidos, obviamente deberíamos obtener el número
de goles por cada partido, de modo d------e obtener cuál de ellos es el que posee mejor rendimiento. Ese
cálculo se realiza en la última columna. Como vemos el jugador D, que en un principio era el de más baja
producción, resultó ser el de mejor rendimiento (5 > 4 > 3 > 2).
A partir de este ejemplo, podemos encontrar otras tasas o rendimientos en otros aspectos de la vida.


Caudal: Litros por unidad de tiempo (lts/seg)
Rendimiento automovilístico: Kilómetros por litro (Kmt/lt)
Costos de adquisición: Precio o costo unitario ($/nº de unidades)
Podríamos seguir enumerando una serie de ejemplos más, pero ya nos hemos dado cuenta de que
estamos hablando de rendimientos.
Ahora, supongamos que relacionamos el numerador de la fracción con el eje y y el denominador con el
eje x, de esta forma tendríamos el siguiente esquema:







De modo que si hacemos el cálculo Litros/segundos estaremos calculando la tangente del ángulo de
elevación o pendiente. Por lo tanto, cuando hablamos de rendimiento, matemáticamente estamos
hablando de pendiente. Una ecuación importante en contabilidad es la siguiente:
CT ($)= CV($) + CF($)
Segundos
L
i
t
r
o
s
o
98
El valor encerrado en paréntesis corresponde a la unidad que estamos usando, en este caso el peso, $.
Pero, sabemos que el costo variable va indudablemente relacionado al número de unidades producidas,
por lo que la ecuación queda como:
CT ($)= * unidades + CF($)


Por lo tanto, las unidades correspondientes al rectángulo de la ecuación deberían ser: $/unidades, de
modo que al multiplicarlas por las unidades, nos dé en pesos. De tal forma, esta tasa corresponde a un
precio unitario y matemáticamente a la pendiente de la recta.

EL INTERCEPTO
En el ejemplo anterior el costo fijo es una cantidad constante y en este caso positiva. Porqué cruza o
corta al eje Y. Bien sencillo, debe recordar que no importando la cantidad que se produzca, este costo es
el mismos; más aún, si no hay producción, los costos fijos son los mismos, lo que origina el punto (0 , b).
Como observaremos después, aunque en general el valor de b pudiere ser negativo, en el caso de
programación lineal, habitualmente son cuantificaciones de diferentes objetos por lo que usaremos sólo el
primer cuadrante.

















Debe estar en pesos



99









BIBLIOGRAFÍA


- Chase y Aquilano: Administración de la Producción, Mc Graw-Hill
- Lieberman; Investigación de Operaciones, Mc Graw-Hill
- González,C.; Llorente,J.;Ruiz, M.J.. (1997): Matemáticas Aplicadas a las Ciencias Sociales II.
EDITEX
- Vizmanos, J.R.; Anzola, M. (1993): Matemáticas II COU. SM
- Ramos,E. (1993): Programación lineal y Métodos de optimización. UNED
- Colera, J.; Oliveira, Mª. J.; Fernández, S. (1998): Matemáticas Aplicadas a las Ciencias Sociales
II. ANAYA
- Equipo Arrixaca (1997): Matemáticas Aplicadas a las Ciencias Sociales II. SANTILLANA.
- González, F.; Villanova, J. . (1990): Curso práctico de Matemáticas COU II. EDUNSA
- Martínez-Mediano, J.Mª. ; Heras,A.; Paz, Miguel A.; Rodrigo, C. Santos, L.; Silveira, M. (1994):
Matemáticas para Ciencias Sociales. McGRAW-HILL
- Larrañeta, J. (1987): Programación lineal y grafos. UNIVERSIDAD DE SEVILLA
- Martínez-Mediano, J.Mª; Cuadra, R. (1997): Matemáticas Aplicadas a las Ciencias Sociales 2.
McGRAW-HILL
- de Guzmán, M.; Volera, J. (1991): Selectividad Matemáticas II Pruebas de 1990. ANAYA
- de Guzmán, M.; Volera, J. (1992): Selectividad Matemáticas II Pruebas de 1991. ANAYA
- de Guzmán, M.; Volera, J. (1993): Selectividad Matemáticas II Pruebas de 1992. ANAYA
- de Guzmán, M.; Volera, J. (1994): Selectividad Matemáticas II Pruebas de 1993. ANAYA
- de Guzmán, M.; Volera, J. (1995): Selectividad Matemáticas II Pruebas de 1994. ANAYA
- de Guzmán, M.; Volera, J. (1996): Selectividad Matemáticas II Pruebas de 1995. ANAYA
- de Guzmán, M.; Volera, J. (1997): Selectividad Matemáticas II Pruebas de 1996. ANAYA
- de Guzmán, M.; Volera, J. (1998): Selectividad Matemáticas II Pruebas de 1997. ANAYA
- Granados, P.; Arribas, A. (1998): Pruebas de Selectividad Matemáticas II . McGRAW-HILL
100
- Jiménez, P.; Lozano,F.;Miñano, A.; Nortes, A.; Ródenas, J.A..(1999): Matemáticas Ciencias
Sociales. Colección Acceso. SANTILLANA
- Losada, R.; Muruáis, E.; Sánchez, Mª.J.; Suárez,M.; Touzón, C.; (1994): Preparar la Selectividad
Matemáticas II. SANTILLANA

2

AUTOR

El profesor Ernesto Augusto Figueroa Manzi es Licenciado en Matemáticas, Estadístico y Analista de Sistemas; con postítulo en Control de Calidad y finalizando una Licenciatura en Gestión Ambiental.

Profesionalmente se ha desempeñado en docencia en universidades e institutos del país. Ha sido asesor estadístico de SGS filial Chile y presta servicios estadísticos e informáticos en forma privada. Actualmente es docente en el Instituto Profesional Diego Portales, realizando clases desde el primer hasta el octavo semestre en las asignaturas de Matemática I y II, Cálculo, Estadística I y II, Investigación Operacional y Simulación. También se desempeña como docente de la Universidad de los Lagos; se desempeña además, como Supervisor de Educación para el Departamento Provincial de Educación del Ministerio respectivo.

3

4 .

Conocer y valorar el origen de la programación lineal y su influencia en la historia de este siglo. Saber representar regiones factibles y determinar gráficamente los puntos donde puede darse la solución óptima. restricciones. En este marco.. lo que trae como consecuencia que en los procesos de tomas de decisión ya no basta la experiencia como factor de solución. Captar la idea de la programación lineal y sus posibilidades de aplicación a problemas prácticos 2. Conocer y valorar el uso y aplicación de la programación no lineal 9. 5. Saber encontrar esa solución óptima. etc. En este punto es menester mencionar que el actual contexto de las empresas es la complejidad de la información. Cabe mencionar que uno de los aspectos más deficitarios en la evaluación de proyectos (instalados y por instalarse). denominado Investigación Operacional tiene una gran importancia en la formación profesional de los ingenieros. OBJETIVOS DE LA ASIGNATURA 1. Aplicar las técnicas de resolución de sistemas de ecuaciones e inecuaciones lineales. Utilizar y valorar software de uso común en el medio laboral 5 . siendo éste un que se requiere una sólida formación en tales herramientas.. puesto que estaremos sometidos a normativa internacional lo que implica el cabal conocimiento de los procesos de gestión que posee nuestra organización. especialmente en aquellos relacionados con el área de Administración y Economía. sino se requieren herramientas sistematizadas que coadyuven en dichos procesos. Saber plantear un problema de programación lineal partiendo de su enunciado en términos generales. 7. involucrando una serie de herramientas con distintas orientaciones especialmente las relacionadas con el proceso de planeación. El dominio de estas competencias es vital en la nueva etapa de relaciones comerciales que tiene nuestro país..ASIGNATURA METODOLOGÍA DE LA INVESTIGACIÓN INTRODUCCIÓN A LA ASIGNATURA Este módulo. 4. región factible. Dominar el lenguaje propio de la programación lineal: función objetivo. la aplicación de las matemáticas aplicadas es fundamental y nuestra asignatura ocupa un sitial muy importante en este rol. 8. 3. 6. son aquellos que generan estimaciones futuras de distintas mediciones.

6 .

el alumno será capaz de:  Describir los orígenes de la investigación operacional y sus proyecciones 7 .PRIMERA UNIDAD INTRODUCCIÓN A LA INVESTIGACIÓN DE OPERACIONES OBJETIVOS ESPECÍFICOS Al término de la unidad.

8 .

En este año. en términos matemáticos muy precisos. Si exceptuamos al matemático Gaspar Monge (1746-1818). que su resolución y simplificación pasaba necesariamente por los modelos de optimización que resuelve la programación lineal. grandes matemáticos como Newton. los métodos de lo que actualmente llamamos programación lineal y la potencialidad que de ellos se deriva. estudiado independientemente por Koopmans y Kantarovitch. RESEÑA HISTÓRICA DE LA PROGRAMACIÓN LINEAL En los siglos XVII y XVIII. instrumentos que harían posible la resolución y simplificación de los problemas que se estaban gestando. el enunciado estándar al que cabe reducir todo problema de programación lineal. razón por la cual se suele conocer con el nombre de problema de Koopmans-Kantarovitch. Leibnitz. Tres años más tarde. Dantzig. Stigler plantea otro problema particular conocido con el nombre de régimen alimenticio optimal. sobre todo. aunque de forma imprecisa. junto con una serie de investigadores del United 9 .1. En estos años posteriores a la Segunda Guerra Mundial. se ocuparon de obtener máximos y mínimos condicionados de determinadas funciones. programación lineal. Dantzig (en la foto) formula. En 1947. el matemático ruso Leonidas Vitalyevich Kantarovitch publica una extensa monografía titulada Métodos matemáticos de organización y planificación de la producción en la que por primera vez se hace corresponder a una extensa gama de problemas una teoría matemática precisa y bien definida llamada. G. debemos remontarnos al año 1939 para encontrar nuevos estudios relacionados con los métodos de la actual programación lineal. quien en 1776 se interesó por problemas de este género.1. Lagrange. Bernouilli y. que tanto habían contribuido al desarrollo del cálculo infinitesimal. en Estados Unidos se asumió que la eficaz coordinación de todas las energías y recursos de la nación era un problema de tal complejidad. hoy en día. Paralelamente a los hechos descritos se desarrollan las técnicas de computación y los ordenadores.B. G. Posteriormente el matemático fránces Jean Baptiste-Joseph Fourier (1768-1830) fue el primero en intuir. En 1941-1942 se formula por primera vez el problema de transporte.

con Dantzig. Rand Corporation. su producto interior bruto (PIB) aumentaría entre un 10 y un 15% en tan sólo un año. LA PROGRAMACIÓN LINEAL HACE HISTORIA: EL PUENTE AÉREO DE BERLÍN En 1946 comienza el largo período de la guerra fría entre la antigua Unión Soviética (URSS) y las potencias aliadas (principalmente. con Tucker y Kuhn. desde 1930. 1. En 1858 se aplicaron los métodos de la programación lineal a un problema concreto: el cálculo del plan óptimo de transporte de arena de construcción a las obras de edificación de la ciudad de Moscú. Los fundamentos matemáticos de la programación lineal se deben al matemático norteamericano de origen húngaro John von Neuman (1903-1957). Uno de los episodios más llamativos de esa guerra fría se produjo a mediados de 1948. ayudándose de varios modelos de ordenador de la firma IBM. Se continuó con infinidad de aplicaciones de tipo preferentemente militar. así como la Escuela Graduada de Administración Industrial. Ford. fundamentalmente en Estados Unidos. quie en 1928 publicó su famoso trabajo Teoría de Juegos. En 1947 conjetura la equivalencia de los problemas de programación lineal y la teoría de matrices desarrollada en sus trabajos.2. de una manera general. catedrático de la Universidad de Princenton de Estados Unidos. La influencia de este respetado matemático. dependiente del Carnegie Institute of Technology . 10 . El plan óptimo de transporte. iniciando el bloqueo de Berlín. Orchard-Hays. el departamento de Matemáticas de la Universidad de Princenton. entre otros. Fulkerson y Gale. Respecto al método del simplex. señalaremos que su estudio comenzó en el año 1951 y fue desarrollado por Dantzig en el United States Bureau of Standards SEAC COMPUTER. cuando la URSS bloqueó las comunicaciones terrestres desde las zonas alemanas en poder de los aliados con la ciudad de Berlín. distintos grupos de estudio para ir desarrollando las diferentes ramificaciones de la programación lineal. con Charnes y Cooper. discípulo de David Hilbert en Götinga y. Cabe citar. Inglaterra y Estados Unidos). Se ha estimado. En este problema había 10 puntos de partida y 230 de llegada. Una de las primeras aplicaciones de los estudios del grupo SCOOP fue el puente aéreo de Berlín.States Departament of Air Force. formarían el grupo que dio en denominarse SCOOP (Scientific Computation of Optimum Programs). Hacia 1950 se constituyen. que si un país subdesarrollado utilizase los métodos de la programación lineal. calculado con el ordenador Strena en 10 días del mes de junio. que estudiaremos después. hace que otros investigadores se interesaran paulatinamente por el desarrollo riguroso de esta disciplina. rebajó un 11% los gastos respecto a los costes previstos.

significa planeación de actividades por un modelo matemático lineal. Tawfik & Chauvel [1992]. la estrategia militar. En infinidad de aplicaciones de la industria. etc. QUÉ ES LA PROGRAMACIÓN LINEAL Y SU RELACIÓN CON LA ADMINISTRACIÓN 1. los soviéticos levantaron el bloqueo). no a programación en una computadora en algún determinado lenguaje. Rigss [1998]. Nahmias [1997]. Meredith & Gibbs [1986] entre otros. se organizó un gigantesco puente aéreo para abastecer la ciudad: en diciembre de 1948 se estaban transportando 4500 toneladas diarias. La palabra lineal en el nombre se refiere a la forma de las expresiones matemáticas de este modelo. P. a tal efecto. la economía.A los aliados se les plantearon dos posibilidades: o romper el bloqueo terrestre por la fuerza. optimizar procesos de bienes o servicios. actividades financieras (inversiones de capital) o alguna otra actividad. Por la tanto. incluso.L.L. Introducción. programación y control de la producción. Una aproximación teórica y conceptual Son variados y similares los enfoques que con respecto al proceso de planificación.3. se presentan situaciones en las que se exige maximizar o minimizar algunas funciones que se encuentran sujetas a determinadas limitaciones. (El 12 de mayo de 1949. La administración de cualquier organización debe tomar decisiones acerca de cómo asignar recursos a diversas actividades para cumplir mejor con los objetivos organizacionales. pueden involucrar actividades de todos estos tipos. Las actividades que requieren estos recursos pueden ser actividades de producción diversa (fabricación de varios productos). una amplia variedad de recursos debe asignarse en forma simultánea.1. en marzo de 1949. actividades de comercialización (anuncios en diferentes medios). usa un modelo matemático para representar el problema que se estudia. 11 . se llegó a las 8000 toneladas. programación y control de la producción han sido tratados por diversos autores tales como Schroeder [1992]. que llamaremos restricciones. Algunos problemas. Buffa & Sarin [1995]. El proceso de planificación. En la planificación de los suministros se utilizó la programación lineal. En muchos casos.. Se adoptó la decisión de programar una demostración técnica del poder aéreo norteamericano. porque compiten por los mismos recursos. mediante sólo la experiencia. es una poderosa herramienta que nos permite tomar decisiones en tiempos donde la compleja intervención de diferentes variables hace casi imposible. Programación se refiere a planeación. tanto como se transportaba por carretera y ferrocarril antes del corte de las comunicaciones. La P. Como muchas de las técnicas en investigación de operaciones. 1.3. o llegar a Berlín por el aire.

quienes establecen, en términos generales, que este se inicia con las previsiones, de las cuales se desprenden los planes a largo, mediano y corto plazo. Este enfoque, a juicio del autor presenta algunas falencias, ya que carece del concepto integrador que en el sentido vertical, debe comenzar en la estrategia empresarial y que en el sentido horizontal, debe relacionarse con los demás subsistemas de la organización. Otros autores como Starr, [1979], Companys Pascual, [1989], Ploss, [1987] y Chase & Aquilano [1995], Adam & Ebert [1991], ofrecen en sus obras modelos de gestión de la producción que, a pesar de establecer un concepto integrador en el sentido vertical, no expresan claramente la integración en el sentido horizontal. Tal vez son Vollmann et al [1997] y Domínguez Machuca et al [1995], quienes de acuerdo a la literatura consultada presentan un mejor enfoque, pues consideran la integración en ambos sentidos. Al respecto, este último autor afirma que, el proceso de planificación y control de la producción debe seguir un enfoque jerárquico, en el que se logre una integración vertical entre los objetivos estratégicos, tácticos y operativos y además se establezca su relación horizontal con las otras áreas funcionales de la compañía. Básicamente las cinco fases que componen el proceso de planificación y control de la producción son [Domínguez Machuca 1995]: 1. Planificación estratégica o a largo plazo. 2. Planificación agregada o a medio plazo. 3. Programación maestra. 4. Programación de componentes. 5. Ejecución y control.

Es importante anotar, que de acuerdo con Domínguez Machuca [1995], estas fases se deberán llevar a cabo en cualquier empresa manufacturera, independientemente de su tamaño y actividad, aunque la forma como estas se desarrollen dependerá de las características propias de cada sistema productivo. La figura 1, resume las principales fases mencionadas junto con los planes que de ellos se derivan, relacionando por un lado, los niveles de planificación empresarial y por otro la planificación y gestión de la capacidad. Teniendo en cuenta los aspectos que se deben considerar en el proceso de planificación, programación y control de la producción y en aras de su importancia en las acciones de mejoramiento de la capacidad competitiva de una organización, a continuación se procederá a analizar de manera detallada los aportes de distintos autores en cuanto a conceptos, métodos y técnicas más empleados en cada una de sus fases.

12

Figura

1.

Proceso

de

Planificación,

programación

y

control

de

la

producción

Fuente: Domínguez Machuca José Antonio, 1995.

1.3.2. Pronósticos
En aproximación a lo expresado por Rigss [1998], Domínguez Machuca et al [1995], Buffa & Sarin [1992], Adam & Ebert [1991], Hanke & Reitsch [1996] y Voris [1977], se puede afirmar, que los pronósticos son el primer paso dentro del proceso de planificación de la producción y estos sirven como punto de partida, no solo para la elaboración de los planes estratégicos, sino además, para el diseño de los planes a mediano y corto plazo, lo cual permite a las organizaciones, visualizar de manera aproximada los acontecimientos futuros y eliminar en gran parte la incertidumbre y reaccionar con rapidez a las condiciones cambiantes con algún grado de precisión. Desde el punto de vista conceptual, algunos autores [Tawfik & Chauvel, 1992; Adam & Ebert, 1991; Kalenatic & Blanco, 1993] expresan la importancia de diferenciar entre los términos predicción y pronóstico, ya que de acuerdo a su criterio, las predicciones se basan meramente en la consideración de aspectos subjetivos dentro del proceso de estimación de eventos futuros, mientras que los pronósticos, se desarrollan a través de procedimientos científicos, basados en datos históricos, que son procesados mediante métodoscuantitativos.

13

En lo referente a los tipos de pronósticos, estos pueden ser clasificados de acuerdo a tres criterios: según el horizonte de tiempo, según el entorno económico abarcado y según el procedimiento empleado [Hanke&Reitsch,1996]. Los pronósticos según el horizonte de tiempo pueden ser de largo plazo, mediano plazo o corto plazo [Domínguez Machuca et al, 1995; Lockyer, 1995; Hanke & Reitsch,1996] y su empleo va desde la elaboración de los planes a nivel estratégico hasta los de nivel operativo.

Los pronósticos según el entorno económico pueden ser de tipo micro o de tipo macro y se definen de acuerdo al grado en que intervienen pequeños detalles vs. grandes valores resumidos

[Hanke&Reitsch,1996]. Los pronósticos según el procedimiento empleado pueden ser de tipo puramente cualitativo, en aquellos casos en que no se requiere de una abierta manipulación de datos y solo se utiliza el juicio o la intuición de quien pronostica o puramente cuantitativos, cuando se utilizan procedimientos matemáticos y estadísticos que no requieren los elementos del juicio. Tal vez esta última clasificación es la más generalizada por los distintos autores consultados de acuerdo con los cuales, los métodos cualitativos y cuantitativos que se pueden aplicar en la elaboración de los pronósticos son los siguientes: [Buffa & Sarin; Adam & Ebert,1991; Hanke & Reitsch,1996; Tawfik & Chauvel, 1992, Monks, 1991; Chase & Aquilano, 1995; Rigss,1998; Schroeder,1992]:

 Métodos Cualitativos: Método Delphi, método del juicio informado, método de la analogía de los ciclos de vida y método de la investigación de mercados.  Métodos cuantitativos: Métodos por series de tiempo y métodos causales. Una clasificación de los métodos aplicados en la elaboración de pronósticos, realizada con base en Hanke & Reitsch [1996] y Schroeder [1992], se presenta en la tabla 1a.

Tabla 1a. Clasificación de los métodos de pronóstico cualitativo Basada en: Hanke & Reitsch [1996] y Schroeder [1992].

NOMBRE Delphi

HORIZONTE DE PREDICCIÓN Mediano y largo plazo

14

Clasificación de los métodos de pronóstico cuantitativo Basada en: Hanke & Reitsch [1996] y Schroeder [1992].Juicio informado Analogía de ciclos de vida Investigación de mercados Corto plazo Mediano y largo plazo Corto y mediano plazo Tabla 1b. NOMBRE SERIE DE TIEMPO No formales Promedio simple Promedio móvil Suavización exponencial Suavización exponencial lineal Suavización exponencial cuadrática Suavización exponencial estacional Filtración adaptativa Descomposición clásica Modelos de tendencia exponencial Ajuste de curva S Modelo de Gompertz Curvas de crecimiento HORIZONTE Corto Corto Corto Corto Corto Corto Corto Corto Corto Mediano y largo Mediano y largo Mediano y largo Mediano y largo 15 .

en el camino para mejorar la competitividad. resultan mejores que nada. con base en el análisis de los patrones de comportamiento medio. lo proporciona el análisis de error. el cual expresa la diferencia entre los datos reales y los pronosticados. al comportamiento histórico de los datos. es la adopción de una correcta estrategia de operaciones. es el de seleccionar el mejor método de pronóstico. De cualquier forma. Error Porcentual Medio Absoluto (MAPE) y la Media de las Desviaciones por Periodo (BIAS). Error Cuadrado Medio (MSE). En el caso de que los datos históricos no existan o sean poco confiables. tendencia. Desviación Absoluta Media (MAD). [Hanke & Reitsch 1996] 1. el mejor pronóstico es aquel. Corto Corto HORIZONTE Mediano Mediano Corto Corto Mediano y largo Resulta evidente que uno de los principales problemas del administrador de operaciones. Los métodos de cálculo del error del pronóstico más comunes son: Error promedio. lo mejor es emplear un método cualitativo.3. también hace uso del juicio y el sentido común empleando el conocimiento de los expertos. que además de manipular los datos históricos mediante una técnica cuantitativa. que debe obedecer. en el caso de los métodos cuantitativos. la cual es definida por Schroeder [1995] como una visión de la función de operaciones que depende de la dirección o impulso generales para la toma de decisiones. aunque no ofrecen un alto grado de seguridad.3. Planeación a largo plazo Una de las necesidades expresas. los cuales. Uno de los elementos de juicio que permiten la selección del método. ciclos estacionales y elementos aleatorios.Census II Box-Jenkins NOMBRE CAUSALES Regresión simple Regresión Múltiple Indicadores principales Modelos econométricos Regresión múltiple de series de tiempo. 16 .

4. Dentro de este propósito. Planeación Agregada 17 . de la cual es su punto de partida. Decisiones de diseño. la apropiación de nuevas tecnologías. 2. la mano de obra. localización y distribución de instalaciones y sistemas de aprovisionamiento. Domínguez Machuca et al [1995] plantea. Marcar las pautas que permitan apreciar en qué medida el subsistema de operaciones esta colaborando el logro de la estrategia corporativa. así como la asignación de recursos a los diferentes productos y funciones. Lo anterior. la selección de productos y la selección de procesos. Todo ello debe perseguir el logro de los objetivos globales de la empresa en el marco de su estrategia corporativa. Chase & Aquilano [1995]. 1. expresan. Servir como marco de referencia para la planificación y control de la producción. en el que se recogen los objetivos a lograr y los cursos de acción. no difiere del concepto de Schroeder [1992]. La estrategia de operaciones debe dar como resultado un patrón consistente de toma de decisiones en las operaciones y una ventaja competitiva para la compañía. la estrategia de operaciones se constituye como un plan a largo plazo para el subsistema de operaciones. 2. que afectan la dirección futura de la compañía y dentro de la cual se incluyen los objetivos a largo plazo. debe integrarse de manera horizontal con las estrategias de los demás subsistemas de la compañía. Así mismo. como aspecto importante a considerar. que dicha estrategia debe especificar la manera en que la empresa empleará sus capacidades productivas para apoyar la estrategia corporativa. Decisiones de posicionamiento.3. el establecimiento de las prioridades competitivas. que la estrategia de operaciones debe surgir de una estrategia empresarial a largo plazo y a su vez. concernientes al subsistema de operaciones. constituyendo además un patrón consistente para el desarrollo de las decisiones tácticas y operativas del subsistema. De acuerdo con esta afirmación y en concordancia con Domínguez Machuca et al [1995]. Todo esto significa. aunque no siempre. que las dos funciones básicas que ha de cumplir la estrategia de operaciones son: 1.Esta visión. que implican compromiso a largo plazo y entre las cuales se encuentran el diseño del productos y procesos. decisiones de capacidad. quien agrega además que la estrategia de operaciones debe ser una estrategia funcional que debe guiarse por la estrategia empresarial y cuyo corazón debe estar constituido por la misión. las decisiones básicas que deben ser contempladas dentro de la estrategia de operaciones son: 1. se debe integrar con la estrategia empresarial y con frecuencia. En consonancia con lo anterior. los objetivos y las políticas. la competencia distintiva. la fijación del modelo de gestión de la calidad. se refleja en un plan formal.

las cuales permiten modificar la capacidad de producción a través de la programación de horas extras. Estrategias mixtas: Se realizan mezclando varias estrategias puras.1997.1997. etc.1997.La planeación agregada denominada también planeación combinada [Meredith & Gibbs. de tal forma que se logre cumplir con las necesidades establecidas en el plan a largo plazo. en aproximación al planteamiento de varios autores [Schroeder. Domínguez Machuca et al. Nahmias. 1992]: En primer lugar. las cuales han sido clasificadas por la mayoría de los autores en dos grupos.1998.1992. De todas maneras. existen varias estrategias para la elaboración del plan agregado. 1995]. De otra parte. Rusell & Taylor. están las variables de oferta. contratación de trabajadores eventuales. la de establecer los niveles de producción en unidades agregadas a lo largo de un horizonte de tiempo que. implica que las cantidades a producir se deben establecer de manera global o como lo expresa Schroeder [1992] para una medida general de producción o cuando mucho para algunas pocas categorías de productos acumulados. De acuerdo con Nahmias [1997].1992. Debido a las diferentes estrategias que se pueden adoptar. generalmente.1997. El término agregado. Rusell & Taylor. subcontratación de unidades y acuerdos de cooperación.1995.1998. se encuentra ubicada en el nivel táctico del proceso jerárquico de planeación y tiene como misión fundamental. están las variables de demanda. Vollmann et al. Chase & Aquilano. puede ser aconsejable utilizar unidades agregadas tales como familias de productos. Heizer & Render.1995. Heizer & Render. fácilmente manejable y comprensible dentro del plan. promociones. unidad de volumen. Chase & Aquilano. 18 . 1995]: Estrategias puras:   Mano de obra nivelada (con empleo de horas extras o trabajadores eventuales) Estrategia de persecución. las cuales pueden influir en el comportamiento del mercado mediante la publicidad. 1986]. adaptación a la demanda o de caza: (con o sin empleo de la subcontratación). en segundo lugar. cualquier unidad agregada que se escoja debe ser significativa. es importante el manejo de las variables que pueden influir en este. manteniendo a la vez niveles mínimos de costos y un buen nivel de servicio al cliente. Nahmias. fluctúa entre 3 y 18 meses. Domínguez Machuca et al. en este nivel de planeación.1997. las cuales pueden ser clasificadas en dos grandes grupos [Schroeder. Así mismo. dentro del proceso de elaboración del plan agregado y en áreas del cumplimiento de su objetivo fundamental. se debe obtener un plan que satisfaga las restricciones internas de la organización y a la vez mantenga el costo de utilización de los recursos lo más bajo posible. subdivididos así: [Schroeder. unidad de peso. tiempo de uso de la fuerza de trabajo o valor en dinero. el manejo de precios.

Comparación entre algunos métodos de planificación agregada. simulación con reglas de búsqueda (Search Decision Rules) y programación con simulación. Se aplica a un sólo grupo de decisiones gerentes y no es óptimo. Los gerentes toman Emplea el análisis estadístico de decisiones anteriores para Inferencia Estadística básicamente buenas tomar nuevas decisiones. Programación Linealidad. las más renombradas son las siguientes: 1. Un análisis comparativo acerca de algunas de las citadas técnicas fue desarrollado por Chase & Aquilano [1995] y se presenta en la tabla 2. Fuente: Chase & Aquilano. p. Coeficientes de gestión Reglas de Cualquier tipo de Usa procedimientos de búsqueda de patrones para Cálculo 2 búsqueda de estructura de costos encontrar los costos mínimos de las curvas de costos Investigación De decisiones totales. 3. Métodos heurísticos: método de los coeficientes de gestión. Tabla 2. Difícil de desarrollar. método simplex Reglas decisión lineal. método laboral constante. y despido no son un factor. Puede manejar cualquier número de variables. pero Investigación De muchas veces es difícil formular. Proporciona una solución Operaciones óptima. Investigación optimo pero si fácil de desarrollar y comprender. Operaciones simulación producción basado en computador. De Operaciones Y Otras Programación Existencia de un Prueba los planes agregados desarrollados por otros Investigación De con programa de métodos. Programación Linealidad lineal. de Funciones cuadráticas Utiliza coeficientes derivados matemáticamente para Cálculo de costos especificar las tasas de producción y los niveles de plantilla laboral en una serie de ecuaciones. 1995. no es óptimo. reglas lineales de decisión (LDR) y búsqueda de reglas de decisión (SDR). 632.En cuanto a las técnicas existentes en la elaboración de planes agregados. No es Estadística. Métodos manuales de gráficos y tablas 2. Operaciones 19 . método PSH (Production Switching Heuristic). Proporciona una solución Operaciones del transporte óptima. de acuerdo con los autores consultados (Ibídem). Métodos matemáticos y de simulación: programación lineal (método simplex y método del transporte). plantilla Útil para el caso especial donde los costos de contratación Investigación De lineal. programación cuadrática. METODOS Gráficos tablas HIPOTESIS y Ninguna TÉCNICA Asignatura Pruebas alternativas de planes por medio del tanteo.

en aras de mantener el control y evitar el caos en el desarrollo del MPS.  Flexible: Lapso de tiempo más alejado.  Módulos en un entorno repetitivo (Assemble to stock). utilizar eficazmente la capacidad de la planta. tal vez las de mayor utilización por parte de los empresarios son las de tipo manual a través de gráficos y tablas. las previsiones de ventas a corto plazo en unidades de producto. agregan que.Cabe anotar que. 1.1997]  Artículos acabados en un entorno continuo. Al respecto. otras fuentes de demanda. Este proceso es lo que se conoce como desagregación [Domínguez Machuca. 20 . subdivisión [Adam & Ebert. semanales.1991]:  Traducir los planes agregados en artículos finales específicos. Dentro del proceso de formalización del MPS. lograr los objetivos estratégicos de la empresa y resolver las negociaciones entre fabricación y marketing.1991] o descomposición [Narasimhan et al. es un plan detallado que establece la cantidad específica y las fechas exactas de fabricación de los productos finales [ Heizer & Render. En cuanto al horizonte de tiempo de un MPS.5. 1996] del plan agregado y su resultado final se denomina programa maestro de producción (Master Production Schedule. En lo referente a los insumos para la obtención del MPS es importante la consideración de los siguientes elementos [Domínguez Machuca et al.1997. la mayoría de los autores coinciden en que este puede ser variable y que dependiendo del tipo de producto. debido a su fácil comprensión. el siguiente paso consiste en traducirlo a unidades o ítems finales específicos.(Make to stock). generalmente. algunas de las funciones claves que este debe cumplir son [Monks. los pedidos en firme comprometidos con los clientes. 1998].  Medio fijo: Aquel en el que se pueden hacer cambios a ciertos productos.3. Chase & Aquilano [1995]. Las unidades en que puede ser expresado un MPS son: [ Heizer & Render. Russell & Taylor. MPS).  Pedido de un cliente en un entorno de taller (Make to order). la capacidad disponible de la instalación o el centro de trabajo y por último.[Domínguez Machuca et al. Programa Maestro Una vez concluido el plan agregado. Básicamente. Asi mismo. en el cual es posible hacer cualquier modificación al MPS. 1995]: el plan agregado en unidades de producto. con revisiones. del volumen de producción y de los componentes de tiempo de entrega. 1995]. 1995]. se puede afirmar que un programa maestro de producción. es importante subdividir su horizonte de tiempo en tres marcos:  Fijo: Periodo durante el cual no es posible hacer modificaciones al PMP. este puede ir desde una horas hasta varias semanas y meses. Vollmann et al [1997] agrega que un efectivo MPS debe proporcionar las bases para establecer los compromisos de envío al cliente.

se han desarrollado algunos modelos analíticos [Monks. se ha preferido darle un tratamiento diferenciado y por tanto se publicará en un documento posterior.3. Narasimhan et al [1996]. 1. lo cual puede lograrse aplicando las siguientes técnicas:  Planificación de capacidad usando factores agregados (CPOF.  Métodos de programación matemática: Modelos de optimización que permiten la minimización de los costos.1992.  Generar requerimientos de materiales. Ejecución y control de la producción El último paso dentro del proceso jerárquico de planificación y control. 1991. Por último y de acuerdo con Vollmann [1997]. a juicio de los autores citados.  Generar requerimientos de capacidad y maximizar su utilización. Capacity Planning Using Overall Factors). a saber:  Método de corte y ajuste: Pone a prueba diversas distribuciones de la capacidad para los productos en un grupo hasta que se determine una combinación satisfactoria.6. adolecen de los mismos problemas de la planificación agregada . es importante anotar que un buen MPS debe tomar en cuenta las limitaciones de capacidad y mantenerse factible desde este punto de vista.  Mantener las prioridades válidas. siendo los de mayor uso por parte de los empresarios. las más utilizadas son las dos últimas por su mayor exactitud. De estas. Con respecto a las técnicas existentes para desagregar el plan agregado y traducirlo a un MPS.1995. permiten llegar a soluciones satisfactorias aunque no óptimas.  Perfiles de recursos (Resourse profiles). plantea la existencia de otros métodos para la desagregación. No obstante. el cual le permitirá saber a cada trabajador o a cada responsable de un centro de trabajo lo 21 . los métodos de prueba y error.  Facilitar el procesamiento de la información.  Métodos heurísticos: Al igual que en la planeación agregada. Schroeder. Evaluar alternativas de programación. 1996] y de simulación los cuales. Narasimhan et al. Domínguez Machuca. lo constituye el programa final de operaciones. En lo referente a la programación de componentes.  Listas de capacidad (Capacity Bills). que se corresponde con la siguiente etapa del enfoque jerárquico.

1997]. plantea.Chase & Aquilano. de las cuales.[Domínguez Machuca et al. Nahmias. que la configuración de los talleres puede ser de dos tipos[Mayer. En ellos.  Configurados en Job Shop: Aquellos donde los productos siguen secuencias de fabricación distintas.1995. Básicamente. Estos pueden ser de dos tipos[Bera. 1995. las actividades de programación están encaminadas principalmente. En términos generales y en el caso más complejo. Domínguez Machuca et el. han adoptado configuraciones híbridas. así mismo será la técnica o procedimiento a emplear en su programación y control. la más generalizada es la configuración celular o células de manufactura.1992]: 22 . se define como una organización funcional cuyos departamentos o centros de trabajo se organizan alrededor de ciertos tipos de equipos u operaciones. 2. Chase & Aquilano. Talleres de configuración continua o en serie: Aquellos en donde las máquinas y centros de trabajo se organizan de acuerdo a la secuencia de fabricación (líneas de ensamblaje). 1995] : Asignación de cargas. 1995]. las actividades que se presentan en la programación y control de operaciones son[Domínguez Machuca et al.1995. Adam & Eber t[1991].1991. Estas actividades. Estas constituyen un sistema de fabricación diseñado para procesar familias de piezas. Secuenciación de pedidos y programación detallada.[Vollmann. que permite simplificar los procedimientos de planificación y control. los productos fluyen por los departamentos en lotes que corresponden a los pedidos de los clientes. en la práctica. con procesos estables y especializados en uno o pocos productos y en grandes lotes. que en el caso de las empresas fabriles se denomina gestión de talleres. en ellos. Adam & Ebert. El cumplimiento de estas actividades debe responder a las siguientes preguntas del programador [Schroeder. 1977. el MPS. Un taller de trabajo. se enmarcan dentro de la fase de ejecución y control. A estas. 1997. tomar en consideración el tipo de configuración productiva que tiene el taller.1996]:  Configurados en Flow Shop: Donde los distintos productos siguen una misma secuencia de fabricación. el plan agregado y los planes estratégicos de la empresa. Talleres de configuración por lotes: En los que la distribución de máquinas y centros de trabajo. Tawfik & Chauvel. Es importante dentro de esta fase de gestión. la generalidad de los autores consultados.que debe hacer para cumplir el plan de materiales y con el. de acuerdo con Chase & Aquilano [1995]. a ajustar la tasa de producción periódicamente. muchos talleres debido a las necesidades de fabricación y exigencias competitivas del mercado actual. agregan otras dos: Fluidez y Control de insumo/producto (control input/output). pues dependiendo de esta. con una distribución física tal. Así mismo. se organizan por funciones o departamentos con la suficiente flexibilidad para procesar diversidad de productos.1992] : 1.1992. Schroeder.

así mismo. 1991. Adam & Ebert [1991]. El problema de la Secuenciación se hace más complejo en la medida que aumenta el número de centros de trabajo. que permite controlar la capacidad y la asignación de actividades específicas en cada centro de trabajo. 1995. Tawfik & Chauvel. una vez establecida la existencia de capacidad. Russell & Taylor. ¿Qué capacidad se necesita en el centro de trabajo? 2. no es posible emplear alguna técnica de optimización. las técnicas más conocidas son: 1. 1991]. Nahmias. se establece en función de los objetivos específicos de cada programador. perfiles de carga o diagramas de carga. en la determinación del orden en que serán procesados los pedidos en cada centro de trabajo. algoritmo de Bera. Mayer. Para los talleres configurados en Job Shop. Secuenciación de pedidos: Esta actividad consiste.1995. métodos optimizadores (algoritmo de Kuhn o método Húngaro) y soluciones heurísticas (método de los índices). 1992]:  FCFS: First come/ First serve (primero en llegar. la secuencia de operaciones. Domínguez Machuca et el. Una recopilación realizada en las obras de varios autores. Schroeder [1992] y Domínguez Machuca et al [1995]. algoritmo de Kauffman. Lockyer [1995]. Técnicas de Secuenciación en varias máquinas: regla de Johnson para N pedidos y dos máquinas. debido a la diversidad en la secuencia de operaciones.Chase & Aquilano. técnicas de simulación. a través del uso de reglas de prioridad. ¿Cómo asegurar que los pedidos terminen a tiempo? Las pregunta 1 puede ser resuelta a través de los análisis de carga. regla de Johnson para N pedidos y tres máquinas y reglas para N pedidos y M máquinas (algoritmo de Campbell-Dudek-Schmith. 1992. En general las técnicas más empleadas en la asignación de carga son: Gráficos Gantt. las preguntas 2 y 3 se resuelven con la aplicación de las técnicas de Secuenciación y la programación detallada y la pregunta 4 con el análisis de fluidez y el control insumo producto. Monks. permite determinar que las reglas de prioridad más empleadas son [ Buffa & Sarin. Técnicas de Secuenciación en una máquina: algoritmo húngaro. 2. pues de esto depende la aplicabilidad de las diferentes técnicas. regla SPT y el método de persecución de objetivos utilizado en los sistemas Kanban. es importante tomar en cuenta el tipo de configuración del taller. [Ibídem].1977. En lo referente a talleres configurados en Flow Shop. 1997.1995. 23 .[Adam & Ebert. ¿En qué momento comenzar cada pedido? 4. Adam & Ebert. primero en ser atendido).1. sin importar la cantidad de pedidos. Asignación de carga: En aproximación a los conceptos de Heizer & Render [1997]. ¿Qué fecha de entrega se debe prometer en cada pedido? 3. Schroeder. por lo cual. sistemas expertos y más recientemente los Sistemas Cooperativos Asistidos). esta se define como la asignación de tareas a cada centro de trabajo o de proceso.1998.1991.

1991]. El desarrollo de dichas fases dependerá del tipo de empresa y de la complejidad de sus operaciones y solo a través de ellas la organización se acercará a mejores niveles de competitividad y productividad. Programación de componentes y Ejecución y control. Control de insumo / Producto: Controlan los niveles de utilización de la capacidad de cada centro de trabajo. de tal forma que. Fluidez: Permite verificar que los tiempos planeados se cumplan. FOR. Programación detallada: Determina los momentos de comienzo y fin de las actividades de cada centro de trabajo. programación y control de la producción.es importante aclarar. EDD: Earliest Due date (fecha de entrega más próxima). primero en ser atendido) SPT: Shortes Processing Time (menor tiempo de procesamiento). así como las operaciones de cada pedido para la secuencia realizada. así mismo permite una integración en el sentido horizontal de tal manera que la función de producción interactúa de forma dinámica con las demás funciones de la empresa. deben ser diseñadas y ejecutadas en función del alcance de dos objetivos básicos: la reducción de costos y el aumento del servicio al cliente.3. [Adam & Ebert. que con independencia de la técnica escogida. 1. si existen desviaciones en la producción real. la programación detallada y el control de operaciones a corto plazo. Dentro del proceso de planificación. ST : Slack Time (tiempo de holgura). ST/O: Slack Time per Operation (tiempo de holgura por operación). NQ: Next Queue (siguiente en la cola). Las técnicas más utilizadas son: programación adelante y hacia atrás.1991]. CR: Critical Ratio (razón critica o ratio crítico). 24 . Para concluir y en consonancia con Domínguez Machuca et al [1995] y Dilworth [1993]. gráficos Gantt y programación a capacidad finita. listas de expedición. programación y control que plantea dicho enfoque. se puedan tomar medidas correctivas a tiempo. [Adam & Ebert. mediante los informes de entrada/salida [Ibídem]. LWR: Least Work Remaining (mínimo trabajo remanente).7.         FISFS: First In System/ First Serve (primero en el sistema. Planificación agregada o a medio plazo. presenta la perspectiva más completa en el desarrollo de las tareas que abarcan esta función. Programación maestra. Fewest Operations Remaining (número mínimo de operaciones remanentes). las fases que son aplicables a cualquier tipo de empresa y por las que debe transitar el administrador de operaciones son: Planificación estratégica o a largo plazo. Conclusiones De los diferentes autores consultados se concluye que el enfoque jerárquico de la planificación. dado que permite una completa integración en el sentido vertical iniciando desde las decisiones a largo plazo en los niveles tácticos hasta llegar a los aspectos mas detallados de la programación en el muy corto plazo.

SEGUNDA UNIDAD PROGRAMACIÓN LINEAL OBJETIVOS ESPECÍFICOS Al término de la unidad. 25 . el alumno será capaz de:  Producir modelos en base a la teoría de la programación lineal. de situaciones reales especificando un camino adecuado al logro de la solución del problema.

26 .

Ejemplos de Programación Lineal Para hacernos una idea más clara de estos supuestos. las restricciones que imponen las condiciones de ambos problemas se pueden expresar en forma de inecuaciones lineales. Un saco de P contiene 8 kg de A y 2 de B. y cada saco de Q a $800. Podemos hacer un pequeño cuadro que nos ayude a obtener las restricciones: Nº kg de A kg de B P x Q y 8x 10y 80 2x 5y 25 27 .5 gramos de un producto de fermentación y cada yogur de fresa necesita 0. 2. y su desempeño en la toma de decisiones administrativas.2. En una granja se preparan dos clases de piensos. y un saco de Q contiene 10 kg de A y 5 de B. Tratemos de plantear en términos matemáticos los dos ejemplos anteriores: 1) Si designamos por x al número de sacos de pienso de clase P y por y el número de sacos de pienso de clase Q que se han de vender. se describirá brevemente cómo se empleó en situaciones reales. Cada yogur de limón necesita para su elaboración 0. Se dispone de 9 kilogramos de este producto para fermentación. Aplicaciones clásicas de la programación lineal. Cada saco de P se vende a $300. Para obtener una perspectiva de cómo funciona la P. El coste de producción de un yogur de limón es de $30 y $20 uno de fresa. mezclando dos productos A y B. Se decide repartir al menos 30000 yogures. P y Q. Si en la granja hay almacenados 80 kg de A y 25 de B.2 gramos de este mismo producto. En los dos ejemplos descritos está claro que tanto la cantidad que deseamos maximizar como la cantidad que deseamos minimizar podemos expresarlas en forma de ecuaciones lineales.1. Una campaña para promocionar una marca de productos lácteos se basa en el reparto gratuito de yogures con sabor a limón o a fresa. Por otra parte.L. veamos dos ejemplos: Ejemplo 1: Problema de máximos. la función: Z = 300x + 800y representará la cantidad de pesos obtenidas por la venta de los sacos. ¿cuántos sacos de cada tipo de pienso deben preparar para obtener los máximos ingresos? Ejemplo 2: Problema de mínimos. y por tanto es la que debemos maximizar.2.

Por otra parte, las variables x e y, lógicamente, han de ser no negativas (ya que estamos hablando de cantidades), por tanto: x 0, y 0

Conjunto de restricciones:

8x + 10y 2x + 5y x 0, y

80 25 0

2) Si representamos por x el número de yogures de limón e y al número de yogures de fresa, se tiene que la función de coste es Z = 30x + 20y.

Por otra parte, las condiciones del problema imponen las siguientes restricciones:    De número : x + y 80 9000 0, y 0

De fermentación: 0.5x + 0.2y

Las variables x e y han de ser, lógicamente, no negativas; es decir: x

Conjunto de restricciones:

x+y 0.5x + 0.2y x 0, y

80 9000 0

En definitiva: Se llama programación lineal al conjunto de técnicas matemáticas que pretenden resolver la situación siguiente: Optimizar (maximizar o minimizar) una función objetivo, función lineal de varias variables, sujeta a: una serie de restricciones, expresadas por inecuaciones lineales.

28

2.3. FORMULACIÓN MATEMÁTICA DE UN PROBLEMA DE PROGRAMACIÓN LINEAL
Un problema de programación lineal en dos variables, tiene la siguiente formulación: Max z = ax + by Sujeto a: a1x + b 1 y ≤ c1

a2x + b2y ≤ c2

anx

· · ·

+ bn y ≤ c n

x ≥ 0; y ≥ 0 pudiendo cambiarse maximizar por minimizar, y el sentido de las desigualdades.

En un problema de programación lineal (con n variables) intervienen:  La función f(x,y) = c1x1 + c2x2 (en general, las escribiremos como: x2  z = c1x1 + c2x2+ c3x3 +

c4x4 + …. + cnxn llamada función objetivo y que es necesario optimizar. En esa expresión x1 e son las variables de decisión, mientras que los ci son los coeficientes (constantes).

Las restricciones que deben ser inecuaciones lineales. Su número depende del problema en cuestión. El carácter de desigualdad viene impuesto por las limitaciones, disponibilidades o necesidades, que son: “inferiores a” o “a lo más”, y que su desigualdad es < o como “mínimo de” o “ a lo menos” usan > o ; por otro lado,

. Tanto si se trata de maximizar como de

minimizar, las desigualdades pueden darse en cualquiera de los dos sentidos.  Al conjunto de valores de x1 e x2 – en nuestros ejemplos iniciales usaremos x e y- que verifican todas y cada una de las restricciones se lo denomina conjunto (o región ) factible. Todo punto de ese conjunto puede ser solución del problema; todo punto no perteneciente a ese conjunto no puede ser solución. En el apartado siguiente veremos como se determina la región factible.  La solución óptima del problema será un par de valores (x0, y0) del conjunto factible que haga que f(x, y) tome el valor máximo o mínimo. En ocasiones utilizaremos las siglas PPL para indicar Problema de Programación Lineal.

29

2.4. Determinación de la Región Factible
La solución de un problema de programación lineal, en el supuesto de que exista, debe estar en la región determinada por las distintas desigualdades. Esta recibe el nombre de región factible, y puede estar o no acotada.

Región factible acotada

Región factible no acotada

La región factible incluye o no los lados y los vértices, según que las desigualdades sean en sentido amplio ( o ) o en sentido estricto (< o >).

Si la región factible está acotada, su representación gráfica es un polígono convexo con un número de lados menor o igual que el número de restricciones. El procedimiento para determinar la región factible es el siguiente:

Paso 1) Se resuelve cada inecuación por separado, es decir, se encuentra el semiplano de soluciones de cada una de las inecuaciones.  Se dibuja la recta asociada a la inecuación. Esta recta divide al plano en dos regiones o semiplanos.  Para averiguar cuál es la región válida, el procedimiento práctico consiste en elegir un punto, por ejemplo, el (0,0) si la recta no pasa por el origen, y comprobar si las coordenadas satisfacen o no la inecuación. Si lo hacen, la región en la que está ese punto es aquella cuyos puntos verifican la inecuación; en caso contrario, la región válida es la otra.

Paso 2) La región factible está formada por la intersección o región común de las soluciones de todas las inecuaciones. Como sucede con los sistemas de ecuaciones lineales, los sistemas de inecuaciones lineales pueden presentar varias opciones respecto a sus soluciones: puede no existir solución, en el caso de que exista el conjunto solución puede ser acotado o no.

30

vemos que no la satisface: 0 + 0 = 0 < 4 . el conjunto de soluciones de la inecuación es el semiplano situado por encima de la recta r : x + y = 4 Procedemos como en el paso coordenadas (0. Por tanto. Introduciendo las coordenadas (0. anterior. s : y = 4 .0) y vemos que no satisface la inecuación y x(y=0<1 = x ). La región factible está formada por los puntos que cumplen las tres restricciones.0) satisfacen la 4 ( 0 4) . se encuentran en los tres semiplanos anteriores.0). el conjunto solución de esta inecuación es el semiplano determinado por la recta t que no incluye al punto (1. Por tanto. es decir. t: : y = x Elegimos el punto O(0. Las inecuación y conjunto de el semiplano La recta t asociada a la restricción pasa por el origen. que se encuentra en el semiplano situado por debajo de la recta. Elegimos el punto (1.0) en la inecuación x + y 4. lo cual significa que si probásemos con el punto O(0. 31 .Veámoslo con un ejemplo: Dibuja la región factible asociada a las restricciones: x+y y y 4 x 4 Las rectas asociadas son : r : x + y = 4 . Por tanto.0).0) no llegaríamos a ninguna conclusión. el soluciones de la inecuación es que incluye al punto O.

los únicos puntos que interesan son los de la región factible.y) = x + y 0 0 y x y x /2 4 4 1) Representamos la región factible:  La recta s : x = 4 pasa por el punto (4. si k 1 es distinto de k2. se desplaza la recta hacia arriba o hacia abajo En un problema todas las rectas de nivel son paralelas. Por tanto. en consecuencia.5. las demás de obtienen por desplazamientos paralelos a ella. Como el nivel aumenta (o disminuye) desplazando las rectas. y). Veamos ahora como se aplica todo esto a la resolución de un problema de programación lineal : Maximizar sujeto a: Z = f(x. MÉTODO GRÁFICO O MÉTODO DE LAS RECTAS DE NIVEL Las rectas de nivel dan los puntos del plano en los que la función objetivo toma el mismo valor. En otras palabras. Las soluciones de 0 los puntos entre el eje X y la recta y = 4 y 4 son x 4 son 32 . el máximo (o el mínimo) de f(x. y las únicas rectas de nivel que importan son aquellas que están en contacto con dicha región. Las soluciones de 0 los puntos entre el eje Y y la recta x = 4  La recta r : y = 4 pasa por el punto (0. trazada una cualquiera de esas rectas. la ecuación de las rectas de nivel es de la forma: ax + by + c = 0 ax + by = k Variando k (o p) se obtienen distintos niveles para esas rectas y.2. las rectas ax + by = k1 y ax + by = k2 son paralelas. Si la función objetivo es f(x.y) se alcanzará en el último (o en el primer) punto de contacto de esas rectas con la región factible. Si lo que se pretende es resolver un problema de programación lineal.4) y es paralela al eje X. distintos valores para f(x.0) y es paralela al eje Y. Luego.y) = ax + by + c. pues los coeficientes a y b de la recta ax + by = k son los que determinan su pendiente.

2. x /2 son los puntos Resolviendo los sistemas correspondientes calculamos los vértices de la región factible: { y = x/2 . para el que k = 8. y = 4} nos da el vértice B(4. por tanto. Si la función objetivo toma el mismo valor óptimo en dos vértices. x + y = 8 . En el caso de que la región factible no es acotada. también toma idéntico valor en los puntos del segmento que determinan.4) { y = 4 .4) 2) Representamos las rectas de nivel : En nuestro caso son rectas de la forma x + y = k . La recta t : y = x/2 pasa por los puntos (0. x = 0 } nos da el vértice C(0. Es evidente que todos los puntos del segmento PQ son de esa recta. si existe una solución única que optimice la función objetivo.0) y (2. la solución óptima es cualquier punto de esa recta. y = x/2 } nos da el vértice A(4. nos permite conocer otro método de solucionar un programa con dos variables. en todos ellos f(x. si lo hace. En nuestro caso esto ocurre en el punto B. que se encuentran en la misma recta de nivel. es el último punto de contacto de esas rectas con la región factible. éste se encuentra en uno de los vértices de la región” La evaluación de la función objetivo en los vértices de la región factible nos va a permitir encontrar el valor óptimo (máximo o mínimo) en alguno de ellos. Trasladándola hacia la derecha.2) { x = 4 . obtenemos las rectas : x + y = 2.6. MÉTODO ANALÍTICO O MÉTODO DE LOS VÉRTICES El siguiente resultado.y) vale k. es decir aumenta el nivel. Las soluciones de y de su izquierda. x = 0 } nos da el vértice O(0. Si hay dos vértices. x + y = 4.0) { x = 4. 3) Obtenemos la solución óptima: Se obtiene en el punto de la región factible que hace máximo k. denominado teorema fundamental de la programación lineal. de ecuación ax + by = k. Veámoslo con un ejemplo: 33 . “En un programa lineal con dos variables.1) . en particular los vértices P y Q. pero. P y Q. Inicialmente representamos Z = x + y = 0 . la función lineal objetivo no alcanza necesariamente un valor óptimo concreto. nunca en el interior de dicha región. ésta se encuentra en un punto extremo (vértice) de la región factible acotada. Así pues.

D y O verifican todas las desigualdades. 3) Calcular los valores de la función objetivo en los vértices: 40 . x = 0 } Solución:B (0. ya que 2·0 + 5·8 = 40 . Este método es el menos utilizado de los tres que veremos.  E no cumple la primera restricción 4x + 5y no es un vértice de la región factible.0) { 4x + 5y = 40 . Solución : E(15. C. y = 0}. Por tanto.y) = 3x + 8y 4x + 5y 2x + 5y x 0.6). son los vértices de la región factible. x = 0} Solución: D(0. 2x + 5y = 30}.8) { 2x + 5y = 30 .0) = 3·0 + 8·0 = 0 La solución óptima corresponde al vértice para el que la función objetivo toma el valor máximo. y = 0}. el punto E 30 . el punto B f(A) = f(5. Solución: C(10.0) 2) Determinar los vértices de la región factible: Los vértices de la región factible son aquellos puntos que cumplen todas las restricciones. Los puntos A. Si sustituimos los puntos en cada una de las desigualdades tenemos que:  B no cumple la segunda restricción 2x + 5y no es un vértice de la región factible.y 40 30 0 1) Hallar los puntos de corte de las rectas asociadas a las restricciones: Calculamos las soluciones de cada uno de los seis sistemas de dos ecuaciones con dos incógnitas que se pueden formar con las cuatro restricciones: {4x + 5y = 40.4) {4x + 5y = 40.4) = 3·5 + 8·4 = 47 f(D) = f(0. ya que posee la dificultad de 34 . Por tanto. y = 0} Solución: O(0.Maximizar sujeto a: Z = f(x. En este caso es el vértice D(0. ya que 4·15 + 5·0 = 60 .0) = 3·10 + 8· 0 = 30 f(O) = f(0. Solución A(5.0) { x = 0.6) = 3·0 + 8·6 = 48 f(C) = f(10.6) {2x + 5y = 30.

Para atender a los clientes se han de tener almacenados un mínimo de 20 bidones de aceite de girasol y 40 de aceite de oliva y.7. pero se ha enunciado de esta forma para que el ejemplo sea lo más completo posible Paso 1º: Leer detenidamente el enunciado: determinar el objetivo. x e y. Si éste es el caso. Sabiendo que el gasto de almacenaje es el mismo para los dos tipos de aceite (1 unidad monetaria) . el número de bidones de aceite de oliva no debe ser inferior a la mitad del número de bidones de aceite de girasol. definir las variables y escribir la función objetivo. además.y) = x + y Paso 2º: Reordenar los datos del problema y a partir de las cantidades decididas. dando la función objetivo y las restricciones. los gastos serán x + y Luego. o bien plantearlos mediante un enunciado. ESQUEMA PRÁCTICO Los problemas de programación lineal pueden presentarse en su formulación matemática. El objetivo es: halla cuántos bidones de cada tipo hay que almacenar para maximizar los gastos Suponemos que tal objetivo se consigue almacenado x bidones de aceite de girasol e y de aceite de oliva Cómo cada bidón de aceite de girasol cuesta almacenarlo 1 unidad monetaria y lo mismo para uno de aceite. la función objetivo es: Maximizar la función Z = f(x.tener mucho calculo 2. ejemplificado con el siguiente problema: En un almacén se guarda aceite de girasol y de oliva. puede seguirse el camino que indicamos a continuación. escribir el sistema de inecuaciones que determinan las restricciones. La capacidad total del almacén es de 150 bidones.    Un mínimo de 20 bidones de aceite de girasol: x Un mínimo de 40 bidones de aceite de oliva: y 20 40 El número de bidones de aceite de oliva no debe ser inferior a la mitad del número de bidones de aceite de girasol: y x/2 35 . ¿Cuántos bidones de cada tipo habrá que almacenar para que el gasto sea máximo? Puede parecer algo absurdo maximizar los gastos .

los números de bidones deben ser cantidades positivas: x Obs. obteniéndose la región factible que en la figura se encuentra coloreada. Para su resolución hay que continuar con : Paso 4º: Representar gráficamente las restricciones y marcar claramente la región factible. Siguiendo con el ejemplo. y 150 x/2 40 Aquí termina el planteamiento del problema. x = 20 e y = 40.y) = x + y x+y y x 20 . Para las restricciones anteriores debemos representar las rectas: x + y = 150 . La capacidad total del almacén es de 150 bidones: x + y 150 0. sería: Maximizar: sujeto a: Z = f(x. y = x/2 . 36 .: Como veremos en ejemplos posteriores en algunas ocasiones puede interesar utilizar una tabla para recopilar toda la información y hacer los dos primeros apartados Paso 3º: Expresar el problema en la forma matemática.y 0 Además.

5) Obs. y = 40 } . se tiene: f(20.5. { y = x/2 .130) = 150 Como el valor máximo se obtiene en los puntos C y D. se obtienen los vértices: A(20. ya que no podemos admitir valores de x e y no enteros . Así. y = 40 } . En nuestro caso. B(80. Esta conveniencia se convierte en necesidad cuando la región factible es no acotada. Paso 8º: Por último.130) Paso 6º: Sustituir las coordenadas de esos puntos en la función objetivo y hallar el valor máximo o mínimo. Resolviendo los sistemas : { x = 20. En este ejemplo. no todos los puntos del segmento CD son soluciones válidas. f(100. f(20.40) = 120 . como en la resolución de todo problema es necesario criticar la solución: cerciorarse de que la solución hallada es lógica y correcta. puede optarse por cualquiera de los dos. x = 20}. por ejemplo.: Si un problema en la forma estándar no indica que se debe realizar por el método analítico o gráfico .40). { y = x/2 . { x + y = 150. por tanto.y) = x + y. o 90 y 60 respectivamente. puede comprobarse que las rectas de nivel tienen la misma pendiente que la recta límite de la restricción x + y 150 . f(80. como ocurriría en el punto (90. Paso 7º: También es conveniente representar las rectas de nivel para comprobar que la solución gráfica coincide con la encontrada. D(20. o por cualquier punto perteneciente al segmento que los une. 50). seguiremos para su resolución los pasos del 4º al 8º 37 . x + y = 150} .40). hay múltiples soluciones.40) = 60 . C(100. se obtendría el mismo gasto con 40 bidones de aceite girasol y 110 bidones de aceite de oliva.59.Paso 5º: Hallar las coordenadas de los vértices del polígono obtenido. Sustituyendo en f(x. 50) = 150 .

Éstos pueden ser: Si existe el conjunto de soluciones o valores que satisfacen las restricciones.y 80 . y corresponde al vértice para el que la función objetivo toma el valor máximo. TIPOS DE SOLUCIONES Los programas lineales con dos variables suelen clasificarse atendiendo al tipo de solución que presentan. pueden ser: Factibles En una urbanización se van a construir casas de dos tipos: A y B. Sabiendo que el beneficio obtenido por la venta de una casa de tipo A es 4 millones y de 3 millones por una de tipo B. y = nº de casas tipo B Función objetivo: Maximizar Z = f(x. Si hallamos los valores de la función objetivo en cada uno de los vértices : f(O) = f(0. La empresa constructora dispone para ello de un máximo de 1800 millones de pesos. El 0.2. Tiene por región factible la región coloreada.y) = 4x + 3y Conjunto de restricciones: El coste total 30x + 20y Ayuntamiento impone x + y 0.f(D) = f(20.8. A su vez. 1800 . El Ayuntamiento exige que el número total de casas no sea superior a 80. En este caso es el vértice D(20. Por tanto se deben construir 20 casas de tipo A y 60 de tipo B con un coste de 260 millones de pesetas.60) = 260 . f(C)=f(60. De no negatividad: x 38 .0) = 240 . ¿cuántas casas deben construirse de cada tipo para obtener el máximo beneficio?    Variables: x = nº de casas tipo A .0) = 0 .80) = 240 La solución es única. siendo el coste de cada tipo de casa de 30 y 20 millones. f(E) = f(0.60). respectivamente.

La función crece indefinidamente para valores crecientes de x e y. es decir. las restricciones son inconsistentes. Hay infinitas soluciones.0) = 0 . En estos casos. y No factibles Cuando no existe el conjunto de soluciones que cumplen las restricciones.x 0. f(B)=f(5/3.y) = x + y sujeta a las restricciones y x/2 .y) = 4x + 2y sujeta a las restricciones 2x + y 4.y 0. que corresponden a los puntos del segmento situado entre dos vértices de la región factible. Los valores de la fucnión objetivo en cada uno de los vértices son: f(O)=f(0.2/3) = 8 .Consoitiple Si existe más de una solución. 6 39 .y 0. f(C) = f(0.4) = 8 La función objetivo alcanza el valor máximo en los vértices B y C.x+y 2. Maximizar la función Z = f(x.0) = 4 . por tanto.y) = 3x + 8y sujeta a las restricciones x + y . Maximizar la función Z = f(x. que es una región no acotada. f(A) = f(1. la función objetivo es paralela a una de las restricciones. En este caso no existe un valor extremo para la función objetivo. Tiene por región factible la zona coloreada que aparece en la figura. por lo que puede decirse que el problema carece de solución. como ya vimos en el capítulo anterior.x 0. C Cuando no existe límite para la función objetivo Maximizar la función Z = f(x.x-y 1. Para que suceda esta situación la región factible debe estar no acotada 2x . en todos los puntos del segmento BC. solución múltiple.

el conjunto de soluciones del sistema de desigualdades no determina ninguna región factible. 2)Las restricciones pesqueras impuestas por la CEE obligan a cierta empresa a pescar como máximo 2. Este tipo de problemas carece de solución.000 /kg y el precio del rape es de $1. F(C) = 37 .8 x+y. Las coordenadas de los vértices son: A(3.000 toneladas. 2. en total.5) . F(B) = 43 . ya que las zonas coloreadas que aparecen en la figura son únicamente soluciones de alguna de las inecuaciones. A. C(2. F(O) = 0. a ) Hay que dibujar la región factible correspondiente.5. además. 5. B. Luego la función alcanza su máximo en el vértice B y su valor es 43.y) = 6x + 4y alcanza el valor máximo y calcular dicho valor. F(D) = 12 . y 0 y. Para ello vamos a representar las rectas: x-y=-3. y calcular sus vértices.9.y x-3. C y D. ¿qué cantidades debe pescar para obtener el máximo beneficio? 40 .x a) Dibujar la región del plano que definen. ACTIVIDADES RESUELTAS 1) Se considera la región del plano determinada por las inecuaciones: x + 3 0. D(0.No existe la región factible.5) . Por tanto.x-y=3 La región factible es la determinada por los vértices O. B(5.3) y O(0. 2. calculamos los valores que toma en los vértices: F(A) = 18 .0) .y) = 6x + 4y alcanza su máximo. Si el precio de la merluza es de $1.000 toneladas de merluza y 2.000 toneladas de rape. las capturas de estas dos especies no pueden pasar de las 3.5. b) Hallar el punto de esa región en el que la función F(x.0) b) Para determinar dónde la función objetivo F(x.500 .x+y=8.

1000) . Se mezclan A y B con las siguientes restricciones: La cantidad de A es mayor que la de B. D(0. x + y = 3000 correspondientes a las fronteras de las restricciones obtenemos la región factible: Donde los vértices obtenidos son: A(2000.0) . Su diferencia no es menor que 10 gramos y no supera los 30 gramos. B(2000. C(1000. por lo que las cantidades a pescar son 1000 toneladas de merluza y 2000 toneladas de rape. A está compuesto de un 30% de p y un 40% de q. ¿Qué mezcla contiene la mayor cantidad del pigmento p? 41 . y = 2000.0) Al sustituir sus coordenadas en la función objetivo f resulta : f(A) = 2000 millones de pesos.2000) y O(0. La función objetivo alcanza su máximo en el vértice C. 2000) . a. 3) Dos pinturas A y B tienen ambas dos tipos de pigmentos p y q.Sean : x = número de toneladas de merluza y = número de toneladas de rape Del enunciado deducimos las restricciones:    Como máximo 2000 toneladas de merluza: x Como máximo 2000 toneladas de rape: y 2000 2000 3000 Las capturas de estas dos especies no pueden pasar de las 3000 toneladas: x + y La función objetivo que da el beneficio en miles de pesos y que hay que maximizar viene dada por: f(x. B está compuesto de un 50% de p y un 20% de q.y) = 1000x + 1500y Representando las rectas: x = 2000. f(D) = 3000 millones de pesos y f(O)= 0 pesos. f(C) = 4000 millones de pesos . B no puede superar los 30 gramos ni ser inferior a 10 gramos. . f(B) = 3500 millones de pesos . siendo el resto incoloro.

10) = 11 . respectivamente.10).2·30 = 22.5·30 = 27 . 30) = 33 b) La menor cantidad de pigmento q.10) .y 0.    La cantidad de A es mayor que la de B: x > y Su diferencia no es menor que 10 gramos y no supera los 30 gramos: 30 B no puede superar los 30 gramos ni ser inferior a 10 gramos: 30 0.5y Cantidad de pigmento de tipo q: Fq (x. Fq (20. 10) = 17. Fq (40. ¿Qué mezcla hace q mínimo? Sean x e y. Fq (60. 30) = 0.2y La región factible es la que aparece en la imagen del margen.3x + 0.b. Fp (40. Traduzcamos a inecuaciones las restricciones a las que se han de someter esas cantidades. y) = 0. B(40. y) = 0.4x + 0.30) y D(40. 30) = 30 42 . 10) = 18 . Sus vértices son A(20. 10) = 10 . Fp (60.3·40 + 0.30) a) La 30 de la B: mayor cantidad de pigmento p. C(60.4·40 + 0. se produce para 60 gramos de la pintura A y Fp (40. Fp (20. se produce para 20 gramos de la pintura A y 10 de la B: Fq (40.30) = 0. y 10 x-y 10 Además sabemos que : x Veamos las cantidades de pigmento de cada tipo: Cantidad de pigmento de tipo p: Fp (x. los gramos de las pinturas A y B que aparecen en la mezcla.

Fábrica I 3 7 1 2) El total de unidades que salen en origen debe ser igual al total de unidades que entran en destino. 700 y 600 piezas. ¿Cómo debe organizarse el transporte para de manera que se minimice el costo del transporte. desde varias plantas (orígenes) a son los que aparecen en la tabla adjunta. 800 y 1500 procedimientos de la programación lineal es la piezas mensuales. respectivamente. en pesetas por pieza mercancía. Estas piezas han de ser situación conocida como problema del transporte o transportadas a tres tiendas que necesitan problema de la distribución de mercancías. 1000. Fábrica II 2 2 6 43 .4)El problema del Transporte Una empresa dedicada a la fabricación de componentes de ordenador tiene dos fábricas Un problema particular que se resuelve con los que producen. que el coste sea mínimo? Para que un problema pueda ser resuelto por el Tienda A Tienda B Tienda C método del transporte debe cumplir: 1) La función objetivo y las restricciones deben ser lineales. diferentes centros de almacenamiento (destinos). respectivamente. Los Se trata de encontrar los caminos para trasladar costes de transporte.

y 0 . Ahora bien. 1000 . el resto. Estos costes se hallan multiplicando las cantidades enviadas a desde cada fábrica a cada tienda por los respectivos costes de transporte unitario.y) + (800 . deben enviarse desde II. esto es. Pero.200) = 6x + 10y + 3000 En definitiva.z desde II. Se obtiene: Z = f(x. B y C. deben ser enviadas desde la fábrica II. además. 1000 . hasta las 1000 necesarias en A. se obtienen las siguientes inecuaciones: 1000 x 0 .y) = 3x + 2(1000 .y.x 0.En este tipo de problemas se exige que toda la producción sea distribuida a los centros de ventas en las cantidades que precisa cada uno.200.(800 . x + y . x y 0 0 0 x+y 44 .x) + 7y + 2(700 .200 La última columna la hemos obtenido de la siguiente forma: Como x + y + z = 800 . el resto necesario. 700 . En consecuencia.x unidades serán enviadas desde II a A. por tanto. todas las cantidades anteriores deben ser mayores o iguales que cero.x .y 0. de donde. Y lo mismo para C. que recibirá z desde I y 600 .x . si desde I se envían x unidades a A.y. Por tanto. y.z = 600 . 700 y 0 .x . z a A. los 800 artículos producidos en la fábrica I deben distribuirse en las cantidades x.y) = x + y . se obtienen las siguientes desigualdades: x 0 .y) + 6(x + y .y x + y .x . no pueden generarse stocks del producto ni en las fábricas ni en los centros de ventas.x a la tienda B (700) y 700 . 600 . se tiene que z = 800 . En la siguiente tabla de distribución se resume lo dicho: Envíos Desde la fábrica I ( 800) Desde la fábrica II (1500) a la tienda A (1000) x 1000 .x . 800 . 800 x+y 0 Recordemos que nuestro objetivo es abaratar al máximo los costes de transporte. Del mismo modo.y 0 .200 0 Simplificando las desigualdades anteriores.y a la tienda C (600) 800 . el programa lineal a resolver es : Minimizar: sujeto a: Z = 6x + 10y + 3000 1000 700 800 La región factible se da en la imagen del margen. de manera que x + y + z = 800. 700 . si desde I a B se envían y.

200). las cantidades a distribuir son: Envíos Desde la fábrica I ( 800) Desde la fábrica II (1500) a la tienda A (1000) 200 800 a la tienda B (700) 0 700 a la tienda C (600) 600 0 5)El Problema de la Dieta En una granja de pollos se da una dieta "para El problema se llama así porque en sus orígenes engordar" con una composición mínima de 15 consistió únicamente en determinar la dieta unidades de una sustancia A y otras 15 de una humana más económica. es:      en A. 4200 en B. Luego. El coste.Sus vértices son A(200.700) y E(0. B(800.700) . 10600 en D. C(100.0) . En el mercado sólo se encuentran En su forma industrial más corriente. el valor de Z en cada uno de esos puntos. el problema dos clases de compuestos: el tipo X con una consiste en saber cómo mezclar de la forma más 45 .0) . 10000 en E. sustancia B. D(0. 7800 en C. 5000 El mínimo se da en A . cuando x = 200 e y = 0.

es de 1000 pesetas y el del tipo Y es de 3000 pesetas.composición de una unidad de A y cinco de B.y) = 1000x + 3000y El conjunto de restricciones es: x 0. con una composición de cinco constituyen un producto de fórmula química unidades de A y una de B. f.5). x + 5y 15 . Se pregunta: ¿Qué cantidades se han de comprar de cada tipo para cubrir las necesidades con un coste mínimo ? Podemos organizar la información mediante una tabla: Unidades Compuesto X Compuesto Y Total x y Sustancia A x 5y 15 Sustancia B 5x y 15 Coste 1000x 3000y 1000x + 3000y La función objetivo del coste total.5 unidades de X y 2. De todas las rectas de nivel que tocan a la región factible. es : Z = f(x. si se emplean x kg del compuesto X e y kg del compuesto Y.5 unidades de Y. 46 . hace que el coste Z sea mínimo la que pasa por el vértice A(2.5. El precio del tipo X conocida. 5x + y 15 .y 0 . y económica posible las materias primas que el tipo Y. Con estos datos representamos la región factible y las rectas de nivel de la función objetivo.2. La solución óptima se obtiene comprando 2.

6) Considera el recinto de la figura en el que están incluidos todos los lados y todos los vértices.2): (0.El coste total es : Z = f(2. Los puntos del recinto verifican y 2  Ecuación de la recta paralela al eje X que pasa por (0.2 Los puntos del recinto verifican x -2 Las inecuaciones que cumplen los puntos del recinto son: x+y 2 47 .0) y (0. el (0.0) 2 = m·0 + n n=2 y=-x+2 x+y=2 0 = m·2 + 2 m=-1 Los puntos del recinto (por ejemplo.0) : x = 2 Los puntos del recinto verifican x 2  Ecuación de la recta paralela al eje Y que pasa por (-2.5.5) = 1000·2.-1): y = -1 Los puntos del recinto verifican y -1  Ecuación de la recta paralela al eje Y que pasa por (2.0) ) verifican x + y  2 Ecuación de la recta paralela al eje X que pasa por (0.2) : y = 2.5 + 3000·2.2.5 = 10000 pesos.0): x = .2) y = mx + n (2. a) Escribe las inecuaciones que lo definen b) Maximiza la función Z = x + y a) Hallamos la ecuación de la recta que pasa por (2.

3).10. 2.2) no pertenezcan.0).4).y) = 3x + 2y en el dominio y + 2x 0 . y que los puntos (0. 4) Escribe un conjunto de inecuaciones que tengan como solución común el interior de un triángulo rectángulo cuyos catetos miden 1 y 2 respectivamente y se apoyan en los ejes coordenados X e Y.1) pertenezcan a dicha región.0) y (2. el máximo de Z = x + y para (x. (Puedes elegir cualquiera de las posibles colocaciones) 5) Dada la región del plano definida por las inecuaciones: x+y-1 0. A(0.0) . Por tanto. 3) Escribe inecuaciones que definan una región plana cerrada de modo que los puntos (1.x -2. precisamente del lado que hace x + y 2 . C(3.y) en el recinto se alcanza para cualquier punto de ese segmento del borde y tiene por valor 2.0) y (0. B(4. resulta que esta recta es tal que deja todo el recinto a un lado. y 0 7) Se considera el recinto plano de la figura en el que están incluidos los tres lados y los tres vértices de las rectas asociadas a las desigualdades 48 .0 y 2. ¿Para qué valores de la región es máxima la función Z = 5x + 2y? 6) Maximizar la función F(x. EJERCICIOS PROPUESTOS 2. Haz una representación gráfica de la región que elijas. 3y .2 x 0.x 1. 1) Representar el conjunto de puntos que satisfacen simultáneamente las inecuaciones: x y 1 2) Describir mediante un sistema de desigualdades la región interior del polígono convexo con vértices en los puntos: O(0.-2 -1 x y 2 2 b) Como la dirección de la función Z = x + y a maximizar es la misma que la del borde x + y = 2.0 x 3.

x+y 4 .75x + y Sujeto a : x + 3y 20 24 15 5x + y 3x + 4y x 0 . x 3.y 0 b) Hallar el máximo y el mínimo de F(x. y 1.y) = x . b) Hallar el punto de esa región en el que la función F(x. 9) a) Representar gráficamente el conjunto de puntos que satisfacen las siguientes inecuaciones lineales: x+2y 10. sujeto a las restricciones representadas por las inecuaciones del apartado anterior. 8) Se considera la región del primer cuadrante determinada por las inecuaciones: x+y 8. b) Maximizar la función Z = 3x .x+y 2.6y sujeta a las restricciones del recinto.x 0. sometida a las restricciones: x+y-2 0.y 0 ¿Es única la solución? 49 .y) = x + 2y . y calcular sus vértices.3y.y) = 3x + 2y alcanza el valor mínimo y calcular dicho valor.x 8. y 3 11) Resolver gráficamente el siguiente problema de programación lineal: Maximizar Z = 0.a) Hallar las inecuaciones que definen la región.x-y+2 0.2. 10) Hallar los valores máximo y mínimo de la función f(x. x + 2y 6 a) Dibujar la región del plano que definen.

22 kg de azúcar y 27’5 kg de mantequilla para hacer dos tipos de pasteles P y Q. En la nave B se invierten tres días operario tanto en carrocerías de camión como de coche. calcular el valor óptimo correspondiente y puntos donde se alcanza. 1 kg de azúcar y 1 de mantequilla y para hacer una docena de tipo Q necesita 6 kg de harina. ¿Cuántos viajes debe hacer cada avión para obtener el máximo de ganancias? ¿Cuántos vuelos debe hacer cada avión para que el consumo de combustible sea mínimo 16) Una fábrica de carrocerías de automóviles y camiones tiene dos naves. y 200000 por cada viaje del B. 50 . x 0. El estudiante lleva dos bolsas: una para los impresos A. la nave A dispone de 300 días operario. La producción está limitada por el hecho de que no pueden fabricarse al día más de 400 normales y 300 halógenas ni más de 500 en total. 0’5 kg de azúcar y 1 kg de mantequilla. En cada vuelo A consume 900 litros de combustible y B 700 litros.4y Se pide: a) Dibujarlo y hallar sus vértices.12) Sea el recinto poligonal convexo definido por el sistema de inecuaciones: x . El avión A debe hacer más veces el trayecto que el avión B pero no puede sobrepasar 120 viajes.4 0. ¿cuántas unidades de cada uno se deben producir para maximizar las ganancias? 17) Un pastelero tiene 150 kg de harina.y 0 13) Un estudiante dedica parte de su tiempo al reparto de propaganda publicitaria. se invierten 7 días-operario. Halla. b) Razonar si es posible maximizar en él la función f(x.4 . Lo que se pregunta el estudiante es: ¿cuántos impresos habrá de repartir de cada clase para que su beneficio diario sea máximo? 14) En una fábrica de bombillas se producen dos tipos de ellas. ¿cuántas de cada clase convendrá producir para obtener la máxima facturación? 15) Una compañía aérea tiene dos aviones A y B para cubrir un determinado trayecto. para fabricar la de un coche se precisan 2 díasoperario. En la nave A. La empresa A le paga 5 pesos por cada impreso repartido y la empresa B. le paga 7 pesos por impreso. con folletos más grandes. Si los beneficios que se obtienen por cada camión son de 6 millones de pesos y por cada automóvil 2 millones de pesos.y)= x + 2y . en la que caben 100. c) En caso afirmativo. Entre los dos aviones deben hacer más de 60 vuelos pero no menos de 200. En cada viaje del avión A la empresa gana 300000 pesos . y la nave B de 270 días-operario. x + 2y . Por limitaciones de mano de obra y maquinaria. Para hacer una docena de pasteles de tipo P necesita 3 kg de harina. . y otra para los impresos B. las de tipo normal valen 450 pesos y las halógenas 600 pesos. en la que caben 120. para hacer la carrocería de un camión. Si se vende en toda la producción. El beneficio que obtiene por una docena de tipo P es 20 y por una docena de tipo Q es 30. Ha calculado que cada día es capaz de repartir 150 impresos como máximo.

2 de pintura y una de montaje. ¿qué cantidad de sombreros de cada tipo ha de fabricar para maximizar el beneficio mensual? 20) Cada mes una empresa puede gastar como máximo. La fabricación de los sombreros se realiza en las secciones de moldeado.000 pesos. el número de docenas que tiene que hacer de cada clase para que el beneficio sea máximo. Las secciones de moldeado y pintura disponen. en energía (electricidad y gasoil). El coste salarial y energético que acarrea la elaboración de una unidad del producto A y una del B aparece en la siguiente tabla: A Coste salarial Coste energético B 200 100 100 300 Se desea determinar cuántas unidades de cada uno de los productos A y B debe producir la empresa para que el beneficio sea máximo. entre las dos clases no superan las 3000 unidades y la de la clase B no bajan de 1000 unidades por día. y cada unidad de vinagre de $200. La fabricación de cada modelo Bae requiere 2 horas de moldeado. La fabricación del modelo Viz requiere tres horas de moldeado. de la clase A a 200 pesos la unidad y de la clase B a 150 pesos. 21) Una persona tiene $500.000 pesos. Halla el número de unidades de cada producto que se deben producir para alcanzar un beneficio máximo. y la de montaje de 600. pintura y montaje. sabiendo que cada unidad de vino deja un beneficio de $800 . 19) Una compañía fabrica dos modelos de sombrero: Bae y Viz. 51 . La empresa sólo elabora dos tipos de productos A y B. Decide invertir como máximo $300.000. Por otra parte.800. $1.000 pesos y el modelo Viz a 12. 3 de pintura y una de montaje. Hallar el costo máximo y mínimo de la producción diaria. Por cada unidad de A que elabora gana $80 pesos y $50 pesos por cada unidad de B.Si el modelo Bae se vende a 10. además. ¿Cómo deberá invertir sus $500. El tipo A tiene bastante riesgo con un interés anual del 10% y el tipo B es bastante seguro con un interés anual del 7%.utilizando las técnicas de programación lineal.000 pesos. en salarios y $1. el triple de la producción de vinagre sumado con cuatro veces la producción de vino se mantiene siempre menor o igual a 18 unidades. El doble de la producción de vino es siempre menor o igual que la producción de vinagre más cuatro unidades.000 para maximizar sus intereses anuales? 22) Una industria vinícola produce vino y vinagre.500 horas cada mes.000 en B. cada una.000 para invertir en dos tipos de acciones A y B. e invertir en A por lo menos tanto como en B. En la producción diaria se sabe que el número de rotuladores de la clase B no supera en 1000 unidades a los de la A.000 en A y como mínimo $100. 18) Una empresa fabrica dos tipos de rotuladores. de un máximo de 1.

1 de nécoras y 2 de percebes. pero sólo venden dicho marisco en contenedores completos. Cada paquete contiene las unidades de potasio (K). R. mientras que los del mayorista B cuestan $300. 30. Marca A B K P 4 1 6 N Precio 1 15 24 10 6 ¿En qué proporción hay que mezclar ambos tipos de abono para obtener al mínimo precio un abono que contenga 4 unidades de K. 23 de P y 6 de N? 26) Dos mataderos. 1 y 7 cajas respectivamente. 5 cajas de nécoras y 20 de percebes. Por su parte. se encargan de suministrar la carne consumida semanalmente en tres ciudades. fósforo (P) y nitrógeno (N) indicadas en la tabla. El matadero P produce cada semana 26 toneladas de carne. Cada contenedor que suministra A cuesta $210.23) Un hipermercado necesita como mínimo 16 cajas de langostinos. por tonelada de carne. hidratos de carbono y grasas son 8.000 cada uno. Dos mayoristas. 22 y 14 toneladas. Supongamos que debemos obtener un preparado con esa composición mínima mezclando los productos A y B cuyos contenidos por kilogramo son los que se indican en la siguiente tabla: Proteínas Producto A Producto B 2 1 Hidratos 6 1 Grasas 1 3 Coste(kg) 600 400 ¿Cuántos kilogramos de cada producto deberán comprarse semanalmente para que el costo de preparar la dieta sea mínimo? 25) Podemos comprar paquetes de abono A o B. P y Q. y el Q. ¿Cuántos contenedores debe pedir el hipermercado a cada mayorista para satisfacer sus necesidades mínimas con el menor coste posible? 24) Imaginemos que las necesidades semanales mínimas de una persona en proteínas. desde cada matadero de a cada ciudad. 12. B envía en cada contenedor 2.000. A y B. El mayorista A envía en cada contenedor 8 cajas de langostinos. se ofrecen al hipermercado para satisfacer sus necesidades. 9 unidades respectivamente. donde se da el precio del paquete. son los reflejados en la siguiente tabla: R S T P 1 3 1 1 1 Q 2 52 . S y T: 20. Sabiendo que los costes de transporte. respectivamente.

30) Los 400 alumnos de un colegio van a ir de excursión. un 15% de alcohol y el resto es agua. se tiene que distribuir fruta a tres mercados de la ciudad. el alquiler de cada autobús de los grandes cuesta $8000 y el de cada uno de los pequeños.Determinar cuál es la distribución de transporte que supone un coste mínimo. La fabricación de un kg de A cuesta $180. La primera contiene un 15% de extracto de jazmín. La cantidad de A debe ser igual o superior a la de B. Hallar los litros de cada tipo que deben producirse diariamente para que el beneficio sea máximo. En total hay disponibles 20 electricistas y 30 mecánicos. pero sólo de 9 conductores para ese día. 28) Se va a organizar una planta de un taller de automóviles donde van a trabajar electricistas y mecánicos. y uno de B. Diariamente se dispone de 60 litros de extracto de jazmín y de 50 litros de alcohol.000 ptas. ¿Cuántos trabajadores de cada clase deben elegirse para obtener el máximo beneficio? 29) Una empresa fabrica dos tipos de colonia: A y B. El beneficio de la empresa por jornada es 25. Cada día se pueden producir como máximo 150 litros de la colonia B. 8 toneladas de fruta. diariamente.000 pesetas. que se reparten en su totalidad. Dada la diferente capacidad y calidad.000 por mecánico. 32) A una persona que quiere adelgazar se le ofrecen dos productos A y B para que tome una mezcla de ambos con las siguientes recomendaciones: No de be tomar más de 150 g de la mezcla ni menos de 50 g. Los dos primeros mercados necesitan. 53 . El almacén A dispone de 10 toneladas de fruta diarias y el B de 15 toneladas. un 20% de alcohol y el resto es agua y la segunda lleva un 30% de extracto de jazmín. El precio de venta por litro de la colonia A es de 500 pesetas y el de la colonia B es 2. $150. por electricista y 20. por necesidades de mercado. Para ello se contrata el viaje a una empresa que dispone de 8 autobuses con 40 plazas y 10 con 50 plazas. $6000. hasta un máximo diario de 1000 kg. es necesario que haya mayor o igual número de mecánicos que de electricistas y que el número de mecánicos no supere al doble que el de electricistas. sabiendo que la casa dispone de $270000 día y que un kg de A deja un margen igual al 90% del que deja uno de B. 27) Desde dos almacenes A y B. Calcule cuántos kg de A y B deben fabricarse. ¿Cuántos autobuses de cada clase convendrá alquilar para que el viaje resulte lo más económico posible? 31) La casa X fabrica helados A y B. El coste del transporte desde cada almacén a cada mercado viene dado por el siguiente cuadro: Almacén A B Mercado 1 10 15 Mercado 2 15 10 Mercado 3 20 10 Planificar el transporte para que el coste sea mínimo. mientras que el tercero necesita 9 toneladas diarias.

No debe incluir más de 100 g de A Si 100g de A contiene 30 mg de vitaminas y 450 calorías y 100 g de B contienen 20 mg de vitaminas y 150 calorías: a) ¿Cuántos gramos de cada producto debe mezclar para obtener el preparado más rico en vitaminas? b) ¿Y el más pobre en calorías? 33) Se desea obtener tres elementos químicos a partir de las sustancias A y B. calcule los kilos de A y y los de B que han de tomarse para que el coste sea mínimo si un kilo de A vale $200 y uno de B $1000. 54 . Determinar los kilos que se han de producir de cada producto para obtener el máximo beneficio 35) Un carpintero tiene que construir mesas rectangulares cuyas dimensiones no sobrepasen 2 metros y tales que la suma de su dimensión mayor y el doble de la menor no sobrepase 4 metros. Expresar mediante inecuaciones el recinto definido. ¿Puede eliminarse alguna restricción? 34) Los precios de venta de dos productos A y B están en la misma relación que 7 y 6. ¿Cuál es el máximo valor del perímetro de dichas mesas? 2. se producen 10 kg. 3x + y < 12 .y 0. Si se desea obtener al menos 16 gramos del primer elemento y las cantidades del segundo y del tercero han de ser como mucho 5 y 20 gramos respectivamente y la cantidad de A es como mucho el doble que la de B. La producción total es tal que si sólo se produce A. 3) x 0. Un kilo de A contiene 8 gramos del primer elemento. se producen 15 kg. Y si se producen conjuntamente. Dar la función objetivo de la venta de ambos productos. 1 gramo del segundo y 2 del tercero.x+y 1 . la producción máxima se encuentra en la recta que une los puntos anteriores. 1 gramo del segundo y 2 del tercero.x+y 2. y > 0 . Entre otras posibles soluciones. La producción de estos está definida por las siguientes condiciones: La producción de A es mayor o igual que la mitad de B y menor o igual que el doble de B. y si sólo se produce B. un kilo de B tiene 4 gramos del primer elemento.11 SOLUCIONES DE EJERCICIO PROPUESTOS 1) Vo 2) x > 0 . x + 3y < 12 .

1) y es 1.3) y es 7. 15) La máxima ganancia se obtiene con 120 viajes del avión A y 80 del avión B y es de 52 millones de pesos. 5) La función Z es máxima para el vértice (3.5) y es . 12) Como Z = x + 2y es paralela a x + 2y . Una posible solución es (56/17. 10) El máximo se alcanza en (3. 16) 66 automóviles y 24 camiones. 25) Se minimiza el precio con 1/2 de A y 2 de B.y-x 0 .1) y su valor es 8 .2). la solución no es única. B(8. 3. dando el mismo valor . cualquier punto del segmento que une (4/3. 22) 3 unidades de vino y 2 de vinagre. que es 19 . 23) 3 contenedores al mayorista A y 2 al mayorista B. El mínimo se alcanza en (1. C(0.0) maximiza Z. El mínimo se alcanza en (0. 24) 3 kg del producto A y 2 kg del producto B..8) . siendo el costo máximo de 550000 pesetas.15 . 21) 300000 pesetas en acciones del tipo A y 200000 pesetas en acciones del tipo B.60/17) . 19) 300 sombreros del tipo Bae y 300 sombreros del tipo Viz. 11) El máximo es 24 y se alcanza en todos los puntos de un segmento.0) y es 8. El mínimo consumo se obtiene con 30 viajes de cada avión y es 48000 litros. y .4) y E(2.4 = 0. 8) Los vértices son A(6. La solución óptima máxima es producir 2000 rotuladores de la clase A y 1000 de la clase B. D(0. Por tanto. 6) La función alcanza su máximo en el vértice (2. 13) 50 de A y 100 de B .4/3) con (4.0) . 7) Las inecuaciones son: y alcanzado es 0.2). 20) 2400 unidades del producto A y 5200 del producto B. La función es máxima para (0. 9) El máximo se alcanza en (8. 14) 200 normales y 300 halógenas.0). 4.0) y el valor 55 . y > 0 . La función toma el mínimo valor en el vértice D y vale 8 . 5 docenas de pasteles del tipo Q. 17) 5 docenas de pasteles del tipo P y 22.4) x > 0 . siendo el costo mínimo diario de 150000 pesetas. 2x + y < 2 .3x 0. 18) La solución óptima mínima es producir 1000 rotuladores de clase B y ninguno de la clase A.

12 EJERCICIOS PROPUESTOS 1) Las rectas asociadas a las desigualdades 2x + y ≤ 18.x 0. 30) Hay que alquilar 5 autobuses de 40 plazas y 4 de 50 plazas.6 kg de A y 0. x/10 + y/15 1. x 0. 34) f(x. 2.y 0 a) Dibujar la región del plano que definen. 56 .y)= 6x + 4y alcanza el valor máximo y calcular dicho valor. 32) (a) 100 g de A y 50 g de B (b) 25 g de A y 25 g de B.26) R P Q 27) M1 A B 28) 20 electricistas y 30 mecánicos. y x-3. y 0). x + y ≤ 16 se cortan dos a dos en tres puntos que son los vértices de un triángulo T. 8 x + y. 29) 100 litros de colonia del tipo A y 150 litros de colonia del tipo B. 2x + 3y ≤ 26. 35) 6 metros. El precio es de 62000 pesos.y) = (7/6)x + y 2y x y/2 . y calcular sus vértices.8 kg de B. Sea S la intersección del triángulo T con el primer cuadrante (x varían en S 0. y 0 8 0 M2 2 6 M3 0 9 20 0 S 0 T 6 22 8 30/7 kilogramos del producto A y 60/7 kilogramos del producto B. Hallar el máximo de la función 5x + 3y cuando x e y 2) Se considera la región del plano determinada por las inecuaciones: x+3 y. 33) 1. 31) 1000 kg del helado tipo B y nada de tipo A. b) Hallar el punto de esa región en el que la función F(x.

El préstamo de dinero lleva una hora para convencer al cliente y dos horas de trabajo burocrático. El beneficio obtenido por prestar dinero es 1/3 mayor que el de captar depósitos. y ≥ 0. cuántas toneladas debo vender de A y cuántas de B para maximizar la ganancia. 7) Una fábrica textil elabora prendas de punto de calidades A y B. El máximo número de horas de trabajo disponibles es de 40 horas para convencer a los clientes y 60 horas para el trabajo burocrático. b) ¿A cuánto ascenderá dicho beneficio? Justificar las respuestas.y)= 3x + 2y halla dónde alcanza dicha función su valor mínimo y calcula éste.0≤ y≤ 2 ¿Para qué valores de la región es máxima la función z= 5x + 2y? 6) Me ofrecen la posibilidad de vender hasta un máximo de 24 toneladas de dos productos A y B. Sabiendo que sólo se dispone de 180 unidades de lana y 240 de fibra sintética.500 ptas. x ≥ 0. Las de calidad A se fabrican con 1 unidad de lana y 2 unidades de fibra sintética y las de calidad B con dos unidades de lana y 1 de fibra sintética. se pide: a) Determinar cuántas prendas de cada tipo deben elaborarse para obtener un beneficio máximo si la producción no puede ser superior a 1. 5) Dada la región del plano definida por las inecuaciones x+y–1≥0 . x + 2y ≥ 6 a) Dibuja la región y determina sus vértices. Dar la función objetivo. b) Dada la función objetivo F(x. 8) Se considera la función z = 20000x + 16000y.000 prendas. x ≤ 7. La captación de depósitos lleva una hora para convencer al cliente y otra de trabajo burocrático.000 por tonelada vendida de B. 2x + 2y ≥ 8. Los beneficios obtenidos en la venta de las prendas son de 1. x+y ≥ 4. ¿Cuántas operaciones de cada tipo le conviene realizar para obtener el máximo beneficio? Seguir los siguiente pasos: Expresar mediante inecuaciones el recinto definido. 0≤x≤3 . 4x + 12y ≥ 24. para las de calidad A y 1. Averiguar. para las de calidad B.000 por tonelada vendida de A y $10. razonadamente. y ≤ 7 57 . ¿Cuántas operaciones realiza de cada tipo? 4) Se considera la región del primer cuadrante determinada por las inecuaciones: x+y ≤ 8 . Determinar el punto en que esta función toma valor mínimo con las siguientes restricciones: 6x + 2y ≤ 12 .000 ptas.3) Una entidad financiera capta depósitos y presta dinero. Me dan una comisión de $15.

y 1 h.9) Optimizar la función objetivo z = y – x condicionada a : y ≤ -x + 4. 8 kg. y ≥ 1. 14) Optimizar la función z = 3x – 2y sujeta a las restricciones:x ≥ 1. y ≥ 0 58 . y la de electricidad durante 8h al día. Calcular cuántos artículos de cada tipo se deben fabricar para obtener el máximo beneficio. donde se da el precio del paquete. 13) 12. Cada paquete contiene las unidades de potasio (K). y ≥ -x + 2. 11) Podemos comprar paquetes de abono A o B. fósforo (P) y nitrógeno (N) indicadas en la tabla. y ≤ x + 2. Marca A B K 4 1 P 6 10 N 1 6 Precio 15 24 ¿En qué proporción hay que mezclar ambos tipos de abono para obtener al mínimo precio un abono que contenga 4 unidades de K. y por la revisión de una moto usada cobran 4500 ptas. x – y + 2 ≤ 0. y ≥ 2. Por la revisión de una moto nueva cobran 2500 ptas.y) = 2350x – 2690y. x ≥ 0. Determinar el punto en el que la función toma valor máximo con las siguientes restricciones: x + y ≤ 100 . sabiendo que el precio de venta de cada artículo de tipo A es de 1200 ptas. 23 de P y 6 de N? 12) Para fabricar los artículos A y B se dispone de 600 kg de acero. y + 2x ≤ Hallar los valores máximo y mínimo de la función f(x. Para producir un artículo A se consumen 4 kg de acero y. y ≤ 3 15) Se considera la función f(x. x ≤ 3 . no se pueden fabricar más de 120 unidades del tipo A ni más de 70 unidades del tipo B. por falta de otros materiales. la revisión normal de una moto nueva supone 0’5 h en la sección de mecánica. Si la sección mecánica puede trabajar durante 9 h al día como máximo. mientras que la revisión de una moto usada supone 3h de mecánica y 1h de electricidad. 3y ≤ 24 – 2x.y) = x + 2y – 2. por término medio. en la sección de electricidad. calcular cómo deben seleccionar el trabajo para obtener los máximos ingresos. sometida a las restricciones: x + y – 2 ≥ 0. para obtener uno de B. y ≥ x-2 10) En un taller de motos estiman que. y cada uno del tipo B es de $2000 y que. x ≥ 3y.

vendiéndolas a 4000 ptas. mientras que la de pintura puede funcionar 8 horas a lo sumo. La sección de montaje sólo puede funcionar 9 horas al día como máximo.75x + y Sujeto a : x + 3y ≤ 15 5x + y ≤ 20 3x + 4y ≤ 24 x ≥ 0. -7x + 3y ≤ . cada una. 20) Es factible la solución en z = 3x + 2y sujeta a: .5g de plata. Para la fabricación de las del tipo B emplea 1. Fabricar una mesa requiere 3 horas de montaje y 1 hora de pintura. Las del tipo A precisan 1g de oro y 1. 6x + 8y ≤ 180. 5x + 10y ≥ 100. Sabiendo que se cobran $3. x ≥ ¼. 2x – 3y ≥ . 23) Un orfebre fabrica dos tipos de joyas. la de montaje y la de pintura. por kg de A y $2 por kg de B ¿cómo se debe cargar el camión para obtener la ganancia máxima? 18) Resolver gráficamente el siguiente problema de programación lineal: Maximizar z= 0.16) Un fabricante produce sillas y mesas. El beneficio que se obtiene en cada mesa es de 500 ptas. En cierto viaje desea transportar al menos 4 Tm de la mercancía A. x ≥ -2.10. 21) Representar el conjunto de puntos que satisfacen simultáneamente las ecuaciones: x ≤ 2. ¿Cuál sería la producción de sillas y mesas que permitiría maximizar el beneficio? 17) Un camión puede transportar como máximo 9 Tm por viaje.15.7x + 5y ≤ 10 . y un peso de la mercancía B que no sea inferior a la mitad del peso que transporta de A. y ≥ 0 ¿Es única la solución? 19) Minimizar y maximizar la función 5x + 4y en el recinto 12x + 5y ≥ 120. una silla requiere 1 hora de montaje y 2 horas de pintura. x ≥ 0. y ≥ 0. x ≥ 0. Tiene la producción montada en dos secciones. y ≥ 1. analizando la posibilidad de resolución del problema. y en cada silla de 250 ptas. 22) Maximizar la función z= 6x – 2y en el primer cuadrante con las restricciones y + 2x ≤ 1. y ≥ 0. 2y ≥ 1 + x.5g de oro y 1g de 59 .

0 ≤ y ≤ 2. (Puedes elegir cualquiera de las posibles colocaciones). Calcular cuántas joyas ha de fabricar de cada clase para obtener un beneficio máximo. respectivamente. Se ha comprometido a entregar semanalmente a un emirato árabe 12 aviones del tipo A. y ≥ 0.plata. y cuadernos a 30 ptas. El orfebre tiene sólo en el taller 750g de cada uno de los metales. 4x + 3y ≤ 44. 0 ≤ x ≤ 3.2 ≥ 0. 27) Un fabricante de aviones produce en dos fábricas tres tipos de aparatos: el A. 60 . 3x + 4y –12 ≤ 0 comprobar que esta función alcanza su valor mínimo en más de un punto. 24) Dada la región del plano definida por las inecuaciones: x + y – 1 ≤ 0. La sección de montaje sólo puede estar en funcionamiento nueve horas diarias. El beneficio que se obtiene produciendo el artículo B es doble que produciendo el artículo A. cumpliendo el contrato con el emir. Al fabricante le cuesta 2 millones de pesetas diarias el funcionamiento de la primera fábrica y 1’6 millones el de la segunda. 3x + 2y . 2 tipo B y 4 tipo C mientras que la segunda produce. 29) Escribe un conjunto de inecuaciones que tengan como solución común el interior de un triángulo rectángulo cuyos catetos miden 1 y 2 respectivamente y se apoyan en los ejes coordenados X e Y. conseguir reducir al máximo los costos de funcionamiento de las fábricas? 28) Considerar la función z = 1.y) de la región es máxima la función z = 5x + 2y ¿ ¿Para cuáles es mínima? 25) Un quiosco vende bolígrafos a 20 ptas. ¿para qué valores (x. 8 del tipo B y 24 del tipo C. en un día. x ≥ 0. y las vende a 5000 ptas. Optimiza sobre ese recinto la función 2x – 3y. y pretendemos comprar los mismos cuadernos que bolígrafos por lo menos. La fabricación del artículo A requiere una hora de trabajo en la sección de montaje y dos horas en la de pintura. 2x + 3y ≤ 28. y la del artículo B tres horas en la sección de montaje y una hora en la de pintura.5x + y en el conjunto: x ≥ 0. y ≥ 0. el B y el C. mientras que la de pintura sólo ocho horas cada día. 6 aviones tipo A. para los que requiere la utilización de dos secciones de producción: sección de montaje y sección de pintura. La primera fábrica produce. ¿Cuál será el número máximo de piezas que podemos comprar? 26) Cierto fabricante produce dos artículos A y B. Calcular la producción diaria de los artículos A y B que maximiza los beneficios. ¿Cuántos días por semana debe trabajar cada fábrica para. 2. 2 y 12. 30) Maximizar z = x + y sujeta a x + 3y ≤ 26.

3x + 2y ≥ 12 . A y B. Las grandes pesan 40 g y las pequeñas 30 g. ¿cuánto dinero le sobra?. x ≥ 0 . 18 – y ≥ 0. el precio de los libros es de $400 y el de discos es de $1200. y ≥ 0 ¿Es posible maximizar y minimizar la función z = 4x + 3y en ella? Razone la respuesta y. Se necesitan al menos tres pastillas grandes y al menos el doble de pequeñas que de grandes. 33) En un problema de programación lineal se desea minimizar la función lineal 3x + 4y + 2(10 – x) + 3(18 – y) con las siguientes restricciones: x ≥ 0. 10. hallar el máximo y el mínimo de la función f(x. ¿Cuántas pastillas se han de elaborar de cada clase para que el beneficio sea máximo? 37) Es factible de Maximizar y minimizar la función z = x – y/3 sujeta a las siguientes restricciones: 2x – y ≤-3. A la tienda donde acude. x + y ≤ 13. 34) En una pequeña empresa se fabrican diariamente sólo dos tipos de aparatos. x – y ≥ 1. b) Contestar razonadamente si puede comprar 12 libros y 6 discos. Razonar la respuesta. (10-x) + (18-y) ≤ 15. respectivamente. Se pide: a) Representación gráfica del conjunto factible b) Hallar las coordenadas de todos su vértices.y)= x + y. se pide: a) Formular el problema y representarlo gráficamente. indique en qué puntos se consigue el máximo. Indicar todas las posibilidades de fabricación si se quieren obtener unas ventas superiores a $6000. 35) Represente la región del plano delimitada por: x + 2y ≤ 6 . y + 3x ≤E 3.x ≥ 0.y ≥ 3 61 . c) ¿Puede adquirir 15 libros y 5 discos?. indicar si gasta todo su presupuesto. Como máximo pueden fabricarse 3 aparatos de cada tipo y. teniendo en cuenta que los precios de los artículos A y B son de $3000 y $1000. y ≥ -1 . Cada pastilla grande proporciona un beneficio de $20 y la pequeña de $10. . en caso afirmativo. 32) Pablo dispone de $12000 para gastar en libros y discos. x ≥ -1. c) Hallar todas las soluciones óptimas. y ≥ 0. al menos 1 artículo del tipo B.31) En la región determinada por: x + 2y ≤ 3. obligatoriamente. Suponiendo que desea comprar como mucho doble número de libros que de discos. 36) Se dispone de 600 g de un determinado fármaco para elaborar pastillas grandes y pequeñas. En caso afirmativo.

y) = 7x + 4y.. Estas vitaminas se presentan en dos preparados: el A. ¿Cuántos lotes ha de vender de cada tipo para maximizar la ganancia? 62 . al menos. alcanza el máximo la función f(x. a) Escribir el problema de programación lineal b) Resolverlo gráficamente. La relación entre chatarra y acero puro no puede exceder 7/8. 270 mg de la Y y 199 mg de la Z. 41) Para el tratamiento de cierta enfermedad. 437 mg de la vitamina X. (11.6). cuyos comprimidos pesan 90mg. Para ello. que se vende a $3000. y el preparado B. cuestan 30 pesetas y tienen una composición de 30% de X. Cada semana es preciso consumir.y) = 12x + 8y. No se desea ofrecer menos de 20 lotes de la oferta A ni menos de 10 de B. Por razones de seguridad. lanzan dos ofertas. La disponibilidad de X es 4 toneladas y 7 la de Y. 35x +10y ≥ 70 39) En unos grandes almacenes necesitan entre 6 y 15 vigilantes cuando están abiertos al público y entre 4 y 7 vigilantes nocturnos.y) de la región limitada por ese polígono. La fábrica tiene 18 horas disponibles para derretir y fundir. A y B: La oferta A consiste en un lote de una camisa y un pantalón.Y. ¿cómo debe organizarse el servicio para que resulte lo más económico posible? 40) La Compañía Hierros del Norte debe decidir cuántas toneladas de acero puro X y cuántas de chatarra Y se deben utilizar en la preparación de una aleación para un cliente. la demanda del cliente es de por lo menos 5.38) Se considera la función f(x. la oferta B consiste en un lote de tres camisas y un pantalón. hay que administrar tres vitaminas: X. debe haber más vigilantes cuando están abiertos. 60% de Y y 10% de Z. y él aceptaría más si así se requiere. y averiguar en qué punto (x.0).0) y (6. Determinar el punto donde la función toma su valor mínimo con las siguientes restricciones: 20x + 25y ≤ 100. una tonelada de acero puro requiere 3 horas mientras que la de chatarra sólo 2 horas. El costo por tonelada de acero puro es de 3 y el de chatarra 6 (por las impurezas). Si el salario nocturno es un 60% más alto que el diurno. que se vende a $5000. con comprimidos de 80 mg que cuestan 25 ptas. 40% de Y y 40% de Z. ¿Qué número de comprimidos de cada preparado harán más económico el tratamiento? ¿Se puede prescindir de alguna restricción en este problema? ¿Por qué? 42) Dibujar el polígono de vértices (10. 43) Unos grandes almacenes desean liquidar 200 camisas y 100 pantalones de la temporada anterior. Z. y cuya composición es de un 20% de X.

4 unidades de hidratos de carbono. Cada vez que va a la discoteca gasta por término medio $600. b) ¿Puede ir 10 veces a cada uno de los sitios? ¿Gasta todo su presupuesto? c) Si decide ir a la discoteca solamente.y)= 4x + 12y sujeta a las restricciones: y ≥ 0. y + 2x ≤12. ¿Cuántos paquetes les conviene poner de cada tipo para obtener los máximos beneficios? a) Escribir el problema de Programación Lineal b) Resolver gráficamente . mientras que si va al cine su gasto es de $400. pondrán 3 cuadernos. 3y – 2x ≤ 5. respectivamente.0) y (0. en el primer bloque. 3y ≤ 24 – 2x. 1 carpeta y 1 bolígrafo. y ≥ 2.1) pertenezcan a dicha región.0) y (2. Los precios de cada paquete serán $650 y $700. En el mercado se encuentran dos marcas de pienso A y B con la siguiente composición: Marca A B Hidratos 4 1 Proteínas 6 10 Grasa 1 6 Precio $100 $160 ¿Cómo deben combinarse ambas marcas para obtener la dieta deseada al mínimo precio? 45) 46) Optimizar la función z = 3x – 2y sujeta a las restricciones: x ≥ 1. Haz una representación gráfica de la región que elijas. ¿cuántas veces podrá hacerlo como máximo? 63 . 1 carpeta y 2 bolígrafos.. 48) Con el comienzo del curso se van a lanzar unas ofertas de material escolar. Unos almacenes quieren ofrecer 600 cuadernos. y que los puntos (0. empaquetándolo de dos formas distintas. 47) Es factible minimizar la función f(x.44) Un veterinario ha recomendado que durante un mes.2) no pertenezcan. 23 de proteínas y 6 de grasa. Escribe inecuaciones que definan una región plana cerrada de modo que los puntos (1. a) ¿Cuántas veces puede ir a cada sitio? Plantear el problema algebraicamente y dar su representación gráfica. En cierto mes su presupuesto para ocio asciende a $12000 y desea ir a la discoteca al menos tantas veces como al cine. 3y + x ≥ 2. 49) María distribuye su tiempo de ocio entre discoteca y cine. un animal enfermo tome diariamente para su recuperación. al menos. en el segundo. 500 carpetas y 400 bolígrafos para la oferta. y+x ≥ 5. pondrán 2 cuadernos.

Si los costes de transporte por tonelada de las minas a las ciudades son. Averiguar cómo han de cargarla para que el valor de las cajas que lleve sea lo más alto posible.d) Si María quiere maximizar el número total de veces que puede acudir a divertirse. de ambos productos conjuntamente es mayor que 3000 unidades y menor que 6000 unidades . Conoce que la demanda. respectivamente.22 y 14 toneladas. La siguiente tabla nos informa del 3 peso. cada uno de ellos en una cantidad que es múltiplo de 1000. en miles de pesetas. Las fuentes producen 26 y 30 toneladas. 50) En un país hay dos fuentes de carbón. son: 20. del volumen y del valor de cada una: Tipo A B Peso(en kg) 100 200 Volumen(en dm ) 30 40 Valor 75000 125000 3 Una camioneta puede cargar 10000 kg y un volumen máximo de 2400 dm . las que se indican en el siguiente cuadro. ¿cuánto ha de ser la producción de cada uno de ellos si uno lo vende a un precio que es el triple que el del otro? 52) En un almacén hay 100 cajas de tipo A y 100 cajas de tipo B. X. A y B. 64 . X A B 1 2 Y 3 1 Z 1 1 51) Una empresa elabora dos productos. respectivamente. Si la empresa desea vender toda la producción: a) ¿De cuántos modos puede organizar la producción? b) Para obtener los máximos beneficios. proponer el transporte para que el coste sea mínimo. Y y Z. sabe que la cantidad que se demanda de un producto es mayor que la mitad y menor que el doble de la del otro. Asimismo. y tres centros de consumo. Las necesidades de carbón de los tres centros. determinar gráficamente cuántas veces irá a la discoteca y cuántas al cine.

53) Un ganadero debe suministrar un mínimo de 4 mg de vitamina A y 6 de vitamina B por cada kilogramo de pienso que da a sus reses.4). cuyos contenidos vitamínicos por kilo son los siguientes: A F G 2 4 B 6 3 El kilo de pienso F vale 40 ptas. A(0. x+2y – 4 ≤ 0. 60 ptas. 55) Describir mediante un sistema de desigualdades la región interior del polígono convexo con O(0.y) = x + 2y. c) En caso afirmativo. F y G. para ello. ¿Cómo debe mezclar los piensos para suministrar las vitaminas requeridas a un coste mínimo? 54) Sea el recinto poligonal convexo definido por el sistema de inecuaciones: x – 4y ≥ 4. calcular el valor óptimo correspondiente y puntos donde se alcanza. b) Razonar si es posible maximizar en él la función f(x. de dos tipos de pienso. Dispone. x ≥ 0.0) .0). y el de G. y ≥ 0.3) vértices en los puntos: 65 . C(3. B(4. Se pide: a) Dibujarlo y hallar sus vértices.

si el variables. propiedad: si la función objetivo. un sistema de ecuaciones lineales El método del simplex se basa en la siguiente constituyen la base del método simplex. El proceso concluye cuando no es posible seguir mejorando más dicha solución. el método consiste en buscar El método del simplex se utiliza.2.13 MÉTODO DEL SIMPLEX Es un procedimiento iterativo que permite ir mejorando la solución a cada paso. entonces hay una arista que parte de A. f. a lo largo de la cual f aumenta. Vamos a resolver mediante el método del simplex el siguiente problema: Maximizar sujeto a: Z= f(x. sobre todo. siempre se podrá eliminación de Gauss-Jordan para resolver encontrar la solución. número de variables es mayor). vértice cualquiera. no toma su valor máximo en el vértice A. El método del simplex fue creado en 1947 Partiendo del valor de la función objetivo en un por el matemático George Dantzig . sucesivamente otro vértice que mejore al anterior. Cómo el número El álgebra matricial y el proceso de de vértices (y de aristas) es finito.y)= 3x + 2y 2x + y 2x + 3y 3x + y 18 42 24 66 . para resolver problemas de programación La búsqueda se hace siempre a través de los lados lineal en los que intervienen tres o más del polígono (o de las aristas del poliedro.

Igualar la función objetivo a cero. de modo que: .3. nos fijamos en la última fila. en las filas. Pasando todas las variables al lado izquierdo. por cada una de las restricciones.3x . 67 . Escribir la tabla inicial simplex En las columnas aparecerán todas las variables del problema y.x Se consideran las siguientes fases: 0. para convertirlas en igualdades.2y + Z = 0 3. una fila para cada restricción y la última fila con los coeficientes de la función objetivo: Tabla I .y 0 1. resultando el sistema de ecuaciones lineales: 2x + y + h = 18 2x + 3y + s = 42 3x +y + d = 24 2. Convertir las desigualdades en igualdades Se introduce una variable de holgura. la de los coeficientes de la función objetivo y escogemos la variable con el coeficiente negativo mayor (en valor absoluto). Iteración nº 1 Base Variable de decisión x h s d Z 2 2 3 -3 y 1 3 1 -2 Variable de holgura h 1 0 0 0 s 0 1 0 0 d 0 0 1 0 18 42 24 0 Valores solución 4. los coeficientes de las igualdades obtenidas. la variable x de coeficiente . En nuestro caso. Encontrar la variable de decisión que entra en la base y la variable de holgura que sale de la base A. Para escoger la variable de decisión que entra en la base. o cuanto le falta a 2 + y para completar 18. Estandarización.

indica la fila de la variable de holgura que sale de la base. Si al calcular los cocientes. Por tanto. 42/2 [=21] y 24/3 [=8] Si hubiese algún elemento menor o igual que cero no se hace dicho cociente. 3. con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la función objetivo Z. Encontrar los coeficientes de la nueva tabla. siempre que estos últimos sean mayores que cero. La columna de la variable que entra en la base se llama columna pivote (En color verde). En la intersección de la fila pivote y columna pivote tenemos el elemento pivote operacional. Para encontrar la variable de holgura que tiene que salir de la base. d. dos o más son iguales. indica que cualquiera de las variables correspondientes pueden salir de la base. Los nuevos coeficientes de x se obtienen dividiendo todos los coeficientes de la fila d por el pivote operacional. entonces tendríamos una solución no acotada y no se puede seguir. También se puede hacer utilizando el siguiente esquema: Fila del pivote: Nueva fila del pivote= (Vieja fila del pivote) : (Pivote) Resto de las filas: Nueva fila= (Vieja fila) . C. En el caso de que todos los elementos fuesen menores o iguales a cero. Esta fila se llama fila pivote (En color verde). el 3. Si en la última fila no existiese ningún coeficiente negativo. que es el que hay que convertir en 1. B.Si existiesen dos o más coeficientes iguales que cumplan la condición anterior. entonces se elige uno cualquiera de ellos. lo que va a determinar el final del proceso de aplicación del método del simplex. se divide cada término de la última columna (valores solución) por el término correspondiente de la columna pivote. 3. 5. ya 8 es el menor. A continuación mediante la reducción gaussiana hacemos ceros los restantes términos de su columna. El término de la columna pivote que en la división anterior dé lugar al menor cociente positivo.(Coeficiente de la vieja fila en la columna de la variable entrante) X (Nueva fila del pivote) Veámoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla II): 68 . En nuestro caso: 18/2 [=9] . significa que se ha alcanzado la solución óptima. es que en la última fila no haya elementos negativos.

Vieja fila de s 2 3 0 1 0 42 Coeficiente 2 2 2 2 2 2 x x x X x x Nueva fila pivote 1 1/3 0 0 1/3 8 69 .

C. significa que no hemos llegado todavía a la solución óptima. El elemento pivote. Iteración nº 2 Base Variable de decisión x h s x Z 0 0 1 0 y 1/3 7/3 1/3 -1 Variable de holgura h 1 0 0 0 s 0 1 0 0 d -2/3 -2/3 1/3 1 2 26 8 24 Valores solución Como en los elementos de la última fila hay uno negativo. Hay que repetir el proceso: A. Operando de forma análoga a la anterior obtenemos la tabla: 70 . La variable que entra en la base es y. por ser la variable que corresponde al coeficiente -1 B. dividimos los términos de la última columna entre los términos correspondientes de la nueva columna pivote: 2:1/3 [=6] . es 1/3. Para calcular la variable que sale.= = = = = = Nueva fila de s 0 7/3 0 1 -2/3 26 Tabla II . que ahora hay que hacer 1. tenemos que la variable de holgura que sale es h. 26:7/3 [=78/7] y 8:1/3 [=8] y como el menor cociente positivo es 6. -1.

C. -1. El elemento pivote. observando las filas correspondientes a las variables de decisión que han entrado en la base: D(3. Final del proceso Base Variable de decisión x y d x Z 0 0 1 0 y 1 0 0 0 Variable de holgura h -1/2 -7/4 -3/4 5/4 s 0 0 0 0 d 0 1 0 0 12 3 3 33 Valores solución Como todos los coeficientes de la fila de la función objetivo son positivos. significa que no hemos llegado todavía a la solución óptima. por ser la variable que corresponde al coeficiente -1 B. En la misma columna se puede observar el vértice donde se alcanza. en nuestro caso: 33. y 6:1 [=6] y como el menor cociente positivo es 3. Los solución óptima viene dada por el valor de Z en la columna de los valores solución. dividimos los términos de la última columna entre los términos correspondientes de la nueva columna pivote: 6/(-2) [=-3] .Tabla III . multiplicándolas por . Para calcular la variable que sale. es 4. Obtenemos la tabla: Tabla IV .12) * Si en el problema de maximizar apareciesen como restricciones inecuaciones de la forma: ax + by c.ax . Hay que repetir el proceso: A. La variable que entra en la base es d. que ahora hay que hacer 1. tenemos que la variable de holgura que sale es s.1 se transforman en inecuaciones de la forma . hemos llegado a la solución óptima.by -cy 71 . 12/4 [=3]. Iteración nº 3 Base Variable de decisión x y s x Z 0 0 1 0 y 1 0 0 0 Variable de holgura h 3 -7 -1 3 s 0 0 0 0 d -2 4 1 -1 6 12 6 30 Valores solución Como en los elementos de la última fila hay uno negativo.

Los datos que se reflejan son los de la Tabla IV. pero cambiando el sentido del criterio. hasta llegar a C.0).0) = 24 Sigue por la arista BC. INTERPRETACIÓN GEOMÉTRICA DEL MÉTODO DEL SIMPLEX Las sucesivas tablas que hemos construido van proporcionando el valor de la función objetivo en los distintos vértices.0): Z=f(8.14. A continuación se desplaza por la arista AB. Si calculas el valor de la función objetivo en el vértice E(0. En esta segunda iteración se ha calculado el valor que corresponde al vértice B(8. Concluye con esta tabla.estamos en el caso anterior * Si en lugar de maximizar se trata de un problema de minimizar se sigue el mismo proceso. para entrar en la base se elige la variable cuyo valor. su valor no supera el valor 33. los coeficientes de las variables iniciales y de holgura. donde se para y despliega los datos de la Tabla III. y corresponde a x = 3 e y = 12 (vértice D).14). a la vez. En esta tercera iteración se ha calculado el valor que corresponde al vértice C(6. Continúa haciendo cálculos a través de la arista CD. ajustándose.6) : Z=f(6. es decir. hasta llegar a B. En la primera iteración. siendo este 0. calculando el valor de f. se ha calculado el valor de la función objetivo en el vértice A(0. 72 . Tabla I han permanecido todos los coeficientes iguales. advirtiendo que ha terminado (antes ha comprobado que la solución no mejora al desplazarse por la arista DE) El valor máximo de la función objetivo es 33. Este paso aporta la Tabla II. en la fila de la función objetivo.6)=30. hasta llegar al vértice D. sea el mayor de los positivos y se finalizan las iteraciones cuando todos los coeficientes de la fila de la función objetivo son negativos 2.

Las herramientas matemáticas necesarias para realizarla no son muchas. porque estos determinan aquellos valores que deben asignarse con mas cuidado para evitar distorsiones en los resultados del modelo Definición  Analizar la forma en que cambiaría (si es que cambia) la solución derivada del problema si el valor asignado al parámetro se cambiara por otros valores posibles. ecuaciones de una variable. La recta. Prueba de factibilidad: 73 . Objetivo  Investigar el cambio en la solución óptima del problema. Procedimiento  Conversión a la forma apropiada: o o Conversión de tabla en la forma apropiada para identificar y evaluar la solución básica actual.15. A continuación resumiremos las ideas principales:    El análisis posóptimo implica llevar a cabo un análisis de sensibilidad para determinar que parámetros del modelo son los más críticos (parámetros sensibles) al determinar la solución Parámetros sensibles. son aquellos cuyos valores no se pueden cambiar sin que la solución óptima cambie Es importante identificar los parámetros sensibles. cuando se producen cambios en los parámetros del modelo Procedimiento  Revisión del modelo: o o o Se hacen los cambios deseados en el modelo que se va a investigar Revisión de la tabla Simplex final: Utilización de la idea fundamental para determinar los cambios en la tabla. La idea principal radica en conservar el punto óptimo o variarlo lo menos posible.2. de modo de no realizar grandes cambios en las condiciones en que se desea producir. Introducción ANÁLISIS DE SENSIBILIDAD Una vez obtenida la solución usted se podría preguntar que pasaría si alguno de los parámetros que usó para calcular su óptimo variara? Esta es la función principal del análisis de sensibilidad (o análisis “Qué pasa si…”). fracciones.

000 $5. Procedimiento  Prueba de optimalidad: o  Verificación si solución es óptima. Modelo Programación Lineal Maximizar Z = 3X1 + 5X2 74 .o Verificar que todas las variables básicas sigan teniendo valores no negativos en el segundo miembro. Coeficientes variables no básicas en el renglón 0 sigan siendo no negativos.000 Tiempo producc Disponible Semana/horas 4 12 18 Modelo Programación X1 = Número de lotes del producto 1 fabricado por semana X2 = Número de lotes del producto 2 fabricado por semana Z = Ganancia semanal total ( en miles de Pesos) por la producción de estos dos productos. Reoptimización: o Si no pasa cualquiera de las pruebas. Aplicación del Análisis      Cambio en el segundo miembro de las restricciones Cambio en los coeficientes de la función objetivo Cambio en los coeficientes de las variables de las restricciones Adición de nuevas variables al problema Adición de nuevas restricciones Ejemplo: Datos del problema Planta 1 2 3 Ganacia por lote Lineal    Tiempo de Producción por lote. horas Producto 1 2 1 0 0 2 3 2 $3. se puede obtener la nueva solución. partiendo de la tabla actual haciendo las conversiones necesarias.

estudiaremos cómo variar los distintos parámetros del modelo. Solución Óptima Gráfica Aplicación del Análisis Caso 1 – – – Cambio en el segundo Miembro (en la ecuación: 2x2=12) Optimizar precios Solución Gráfica. 6). A partir de ésta. Solución Óptima Gráfica 75 . X2 ≥ 0 Como observamos. la solución en el gráfico es el punto (2.Sujeta a las restricciones: X1 ≤4 2X2 ≤ 12 3X1 + 2X2 ≤ 18 X1 ≥ 0.

Aplicación del Análisis Caso 3  Cambios en los coeficientes de una variable básica.Aplicación del Análisis Caso 2   Cambio en los coeficientes de una variable no básica. Solución Óptima Gráfica 76 . requiere variables adicionales. Solución Gráfica. o o Modificaciones en esta variable en los coeficientes. o Cambios en la función objetivo Introducción de una nueva Variable. o Considerar una nueva actividad.

Aplicación del Análisis Caso 4  Introducción de una nueva restricción o o o  Una vez resuelto una nueva restricción. en la investigación de que si las estimaciones están equivocadas o no. 77 . Paso por alto o surgieron nuevas consideraciones. 2X1 +3X2 <=24 Solución Gráfica Solución Óptima Gráfica Conclusiones  El análisis de sensibilidad juega un papel de gran importancia.

2. etc. Es de hacer notar que estos problemas se presentan en las ciencias administrativas y es requisito indispensable en casi todas las áreas de ciencias sociales.Definir las restricciones Utilidad o perdida = PX – CX – F MAX Z =PX – CX – F 1 Si no lo encuentra puede instalarlo en Herramientas/Complementos. Proceso de construcción de modelos 1. al pulsar 1 este icono aparecerán varias opciones y ahí encontrarán dicha instrucción. pero voy a referirme en particular a una de las herramientas la cual se denomina Solver. implantado por John Watson y Dan Fylstra de Frontline Systems. Administración. y se puede ubicar en el menú principal en la opción herramientas . estimarlos de mayor cuidado y elegir una solución que se mantenga dentro de los valores posibles. en ella se construyen modelos para el análisis y la toma de decisiones administrativas. estas técnicas manualmente son complejas. 2. Economía. Inc. ingeniería. pero hoy tenemos la oportunidad de resolverlos muy fácilmente mediante la hoja de cálculo de Excel y el paquete agregado llamado “SOLVER” que optimiza los modelos sujetos a restricciones. y en cualquiera de las carreras universitas como Ciencias Estadísticas. debe hacerlo ya que esta herramienta no se encuentra instalada.Definir la función de objetivos.. la cual permite obtener las soluciones óptimas para un modelo determinado. aprovecho la oportunidad de describir lo poderosa que es la hoja de cálculo de Excel. y dependiendo de los niveles de la organización se tomen las mejores decisiones para resolver los conflictos de una empresa. los cuales en tiempos remotos se utilizaban algoritmos muy complejos entre ellos el del método simples y el dual....Definir variables de decisión. 3.16. ella resuelve problemas lineales y enteros utilizando el método más simple con límites en las variables y el método de ramificación y límite. 78 . sociedad del conocimiento. pero con la tecnología aparecieron softwares para resolver sendos problemas entre ellos se encuentra el más conocido que es el “LINDO”. como los modelos de programación lineal y no lineales. La idea fundamental es proporcionar la clave para realizar la investigación de manera eficiente. EL PODER DEL SOLVER INTRODUCCIÓN En estos tiempos donde se habla de la tecnología. allí se estudia en una cátedra llamada Investigación de Operaciones u Operacional. información. Identificar parámetros relativamente sensibles que afecten la solución optima. Si le pide que inserte el disco de office. entre otras.

: 79 .000 25. 3.Definir las restricciones.A. Donde: P= Precio C= Costo X= Utilidades vendidas F= Costo fijo X<= U X<= D X<= O 2. A ese cliente le agradaría restringir la cartera a una mezcla de tres tipos de acciones únicamente. Formule usted un modelo de Programación Lineal para mostrar cuántas acciones de cada tipo tendría que comprar Andrés con el fin de maximizar el rendimiento anual total estimado de esa cartera. Ejemplo de cómo usar "SOLVER" Andrés Z.000 30. 2.a. como podemos apreciar en la siguiente tabla. Luego construimos el modelo: Max Z = 7x1 + 3x2 + 3x3 s. Acciones Precio ($) Rendimiento Anual Estimado por Acción ($) Navesa Telectricidad Rampa 60 25 20 7 3 3 60. Un nuevo cliente ha solicitado que la compañía se haga cargo de administrar para él una cartera de $100.. Es presidente de una microempresa de inversiones que se dedica a administrar las carteras de acciones de varios clientes.S.000 Inversión Posible ($) Para solucionar este problema debemos seguir los pasos para la construcción de modelos de programación lineal (PL): 1.Definir la variable de decisión..Definir la función objetivo..000.

Desde la fila B5 hasta la D8 colocaremos los coeficientes que acompañan a las variables de decisión que componen las restricciones.000 60x1 ≤ 60. =sumaproducto($B$2:$D$2.000 xi ≥0 A continuación se construye el modelo en una hoja de cálculo de excel de la siguiente manera: En la fila 2 se coloca la variable de decisión la cual es el número de acciones y sus valores desde la B2 hasta la D2. En la celda E3 colocaremos una formula la cual nos va indicar el rendimiento anual total.000 20x3 ≤ 30. luego daríamos un copy hasta la E8. En la fila 3 el rendimiento anual y sus valores desde B3 hasta D3.60x1 +25x2 + 20x3 ≤ 100.B3:D3). Desde la E5 hasta la E8 se encuentra la función de restricción (LI) y no es mas que utilizar la siguiente formula =sumaproducto($B$2:$D$2.B5:D5) la cual se alojaría en la celda E5. 80 .000 25x2 ≤ 25.

en caso de haber encontrado una solución óptima usted podrá 81 . ahí tendrá que especificar dentro del cuadro de dialogo de Solver: o o o La celda que va a optimizar Las celdas cambiantes Las restricciones Así tendremos la siguiente pantalla: Como se puede observar en la celda objetivo se coloca la celda que se quiere optimizar. Una vez completada la hoja de cálculo con el modelo respectivo ¡GRABE SU HOJA!. Desde la G5 hasta G8 se encuentra la holgura o excedente. y seleccione "Solver…" en el menú de "Herramientas". Luego haga clic en el botón de "Resolver" para realizar la optimización. en las celdas cambiantes las variables de decisión y por último se debe de complementar con las restricciones. Una vez realizado estos pasos deben pulsar el icono de "Opciones" y debe hacer clic en "Asumir modelo lineal" y enseguida el botón de "Aceptar". lea detenidamente el mensaje de terminación de Solver y ahí observará si se encontró una solución o hay que modificar el modelo.Desde la F5 hasta F8 se encuentran los valores de las restricciones.

luego tendrá oportunidad de analizar un informe de análisis de sensibilidad para luego tomar la mejor decisión. y la cantidad de acciones a comprar serían 750. 2.571438. para que a partir de la solución óptima se pueda conseguir una solución entera? x2 =36. x3 = 20. Problemática Consideramos de nuevo la solución que hemos obtenido en el ejemplo: x1 = 0. PROGRAMACIÓN ENTERA En la optimización entera son considerados problemas en los que la solución debe ser entera. En nuestro ejemplo el máximo rendimiento anual fue de $12750.71429 Esta solución no resuelve verdaderamente el problema de maximizar la producción de sus máquinas de jardín.17. para mayor información sobre el tema. Sin embargo daremos una idea de como se puede obtener una solución entera. x4 = 35. De está forma podemos observar la potencia que tiene el Solver. Telectricidad y Rampa respectivamente. en la ayuda de la hoja de cálculo de Excel o en libro de Investigación de Operaciones en la Ciencias Administrativas. autor: Eppen quinta edición. 1000 y 1500 para Navesa.aceptar o no dicha solución. 82 . ya que la solución necesita ser entera. La optimización entera no será aquí descrita en detalle como el Método del Simplex. Editorial Prentice Hall tendrán una mayor explicación. ¿Cómo se debe actuar.

Una unidad de la mercancía 1 tiene un valor de peligrosidad 9 en una escala del -10 al +10. Para el ejemplo se obtiene como solución x1=0. x3=20. Como la empresa de transportes quiere almacenar las máximas mercancías posibles en un transporte. las cuales se clasifican en distintos niveles de peligrosidad.Es evidente obtener una solución entera mediante redondeo por arriba y por abajo de la solución óptima. 2. . Hay también casos en los que mediante el redondeo de la solución se obtiene una solución factible pero muy mala solución entera. Se reconoce así pues.17. Resolución en el caso bidimensional Debido a la posibilidad de su representación gráfica se presenta el método para la producción de soluciones enteras en un ejemplo con dos variables.2 Una fábrica de transportes quisiera transportar diferentes mercancías.1. Pero esta solución es infactible. Ejemplo 6. x4=36. conduce rápidamente a soluciones malas e incluso a soluciones factibles. se obtiene el siguiente problema de optimización: Figura: Representación gráfica del problema de programación entera del ejemplo no entera con solución óptima 83 . pero necesita 4 plazas para ser transportada. ya que viola la segunda y la tercera restricción del PL. que el método lógico para producir una solución entera. el cual no está permitido ser sobrepasado es de 36. x2=37. Una unidad de la mercancía 2 trae un beneficio de 7 millones de euros . La capacidad total de un transporte es de 14 plazas y el valor más alto de peligrosidad. Además una unidad de la mercancía 1 necesita una plaza para ser transportada y obtiene un beneficio de 2 millones de euros. En lo que sigue será presentado de manera breve un mejor método para la producción de una solución entera. mientras que una unidad de la mercancía 2 posee un valor de peligrosidad de -4t.

Estos dos casos serán ahora considerados. Figura: Partición del problema de optimización del ejemplo Se desplaza en ambas subregiones del ejemplo la función objetivo por separado. se obtiene así para cada subproblema una solución óptima con un valor de la función objetivo distinto cada una. pero con x2=2. la solución es más pequeña que la original. 8 . es decir. Ahora se debe cumplir que x2 ≤ 2 o que x2 ≥ 3. En este caso se obtiene para x1=4. 84 . x2=2 un valor de la función objetivo de 23.En la figura se reconoce que la solución óptima de este problema no es entera. se debería repetir el procedimiento y compararse siempre los valores de la función objetivo.25 la empresa de transportes no puede hacer mucho. 7 y para x1=2. x2=3 un valor de la función objetivo de 25. se resuelve el problema. si el mejor valor perteneciese a una solución no entera. Como el mayor de los valores de la función objetivo pertenece a una solución entera. Es cierto que x1=5 es un número entero. Si este no fuera el caso.

y si no es así el problema se vuelve a dividir. capacidad de las máquinas. x4=35.e. etc. por ejemplo.18. x2 ≥ 37 y x4 ≥ 36 Se añaden en cada caso estas desigualdades como adicionales restricciones en el P y se resuelven con el método del simplex. el número de productos a producir.7x3 + 4x4 ≤ 270. En cada caso la solución óptima no explicó cómo podrían ser asignados los recursos (ejemplo: materia prima. x2 ≤ 36 y x4 ≥ 36. Las variables de decisión en tales problemas fueron. x4 ≥ 36 y x3 ≥ 20 contradicen la restricción: x1 + 2x2 + 2.71429.5 y x1=10. que pueden ser vistos en [1]. La solución óptima del problema de programación dual. x2 ≤ 36 x4 ≤ 35 x1 = 10 x2 = 33 x3 = 20 x4 = 35 x2 ≤ 36 x4 ≥ 36 x1 = 0 x2 = 36 x3 = 20 x4 = 36 x2 ≥ 36 x4 ≤ 35 x1 = 0 x2 = 37 x3 = 20 x4 =35 c  x  330 . Como x2 y x4 no son enteros. Se examina si la solución óptima es entera. x2 ≤ 36y x4 ≤ 35.Resolución en el caso de más dimensiones El método de la sección se puede usar también en problemas de mas de dos variables. proporciona la siguiente información respecto del problema de programación original: 85 . deben ser considerados cuatro casos.) para obtener un objetivo establecido. 2. Los subproblemas son tratados y resueltos como un PL. x2 ≥ 37 y x4 ≤ 35. el dinero.5 c  x  330 c  x  329 . llamado el problema de programación dual. En este capítulo veremos que a cada problema de programación lineal se le asocia otro problema de programación lineal. Como se trata de un problema de maximización. Para x2 ≥ 37. x2=36. TEORÍA DE LA DUALIDAD Hemos visto como la programación lineal puede ser usada para resolver una extensa variedad de problemas propios de los negocios. Existen más procedimientos para la programación entera.571438. ya sea para maximizar utilidades o minimizar costos. etc. el mayor valor de la función objetivo es el mejor. x3=20. Volvemos al ejemplo solución obtenida es x1=0. x2=33.2. x3=20 y x4=35 es la solución entera optima. Mediante el método del simplex la 2. la cantidad de pesos a emplear. se obtiene: .5   Para x2 ≥ 37 y x4 ≥ 36 se obtiene un problema no factible.17. c  x  330 . i.

El problema de programación lineal viene dado por: Maximizar Z = c1x1 + c2x2 + ……. d) Los coeficientes del segundo miembro de las restricciones del problema primal pasan a ser los coeficientes de la función objetivo del dual. El problema dual tiene tantas restricciones como variables hay en el primal.5X3 ≤ 8 X1. El concepto de Holgura Complementaria Es el concepto clave que permite resolver un problema a partir de otro. en el valor de la función objetivo Formulación del problema dual. b) Los coeficientes de las variables de decisión Xj en el problema primal pasan a ser los coeficientes de la restricción j-ésima en el problema dual.18.5X2 + 0. …….1. 2. X3 ≥0 86 . + cnxn sujeto a: a11x1 + a12 x2+ … + a1n xn ≤ b1 a21x1 + a22 x2+ … + a2n xn ≤ b2 am1x1 + am2 x2+ … + amn xm ≤ bm x1 ≥ 0. Ejemplo: Primal Maximizar : Z = 60 X1 + 30 X2 + 20 X3 sujeto a: 8X1 + 6X2 + X3 ≤ 48 4X1 + 2X2 + 1. x2 ≥ 0. x3 ≥ 0. Normalmente llamamos al problema de programación lineal original el problema de programación primal. 2. El problema dual es un problema de PL auxiliar que se define directa y sistemáticamente a partir del modelo de PL original o primal. c) Los coeficientes de la función objetivo en el problema primal pasan a ser los coeficientes del segundo miembro de las restricciones en el problema dual. La solución óptima del problema dual proporciona los precios en el mercado o los beneficios de los recursos escasos asignados en el problema original.5X3 ≤ 20 2X1 + 1.1. xm ≥ 0 su dual asociado es el problema de PL dado por: Minimizar Z’ = b1y1 + b2y2 + b3y3 + … + bmym sujeto a: AW<= C W >= 0 De lo anterior se deduce que el paso al dual se lleva a cabo teniendo presente las cuatro reglas siguientes: a) Los coeficientes de la i-ésima restricción para el problema primal pasan a ser los coeficientes de las variables Wi en las restricciones del problema dual. El problema dual tiene tantas variables como restricciones hay en el primal. y se deriva de las relaciones primo-dual. La solución óptima del problema dual aporta la solución óptima del problema original y viceversa.. X2.

. sujeto a: Observaciones j  1.. 2.. dependiendo si se trata de maximización tiende a aumentar y a disminuir cuando es de minimización.ésima restricción.n :  i 1 m Unidades del recurso i-ésimo utilizados por unidad de la actividad j-ésima Valor unitario del recurso jésimo Ganancia asignada a cada unidad de la actividad j-ésima Las restricciones j-ésima del dual indican que el valor total de los recursos consumidos para elaborar una unidad de la j-ésima actividad. cuando se usa el conjunto actual de variables básicas para obtener la solución primal. 2. W 2. Nótese el valor de Z como: Z = W 1b1 + W 2b2 + W 3b3 + . Interpretación económica del problema dual Precio Sombra: Se define como la proporción con que mejora el valor de la función objetivo a partir de la i . + W mbm donde cada: bi W i puede interpretarse como la contribución a la ganancia por disponer de b i unidades del recurso i.. . A partir de lo visto anteriormente se puede interpretar el problema dual en los siguientes términos: ” Dados unos recursos bi y un límite inferior para la ganancia Cj. asignada a cada unidad de la actividad j- 87 .18. . Para ver cómo la interpretación del problema primal conduce a una interpretación económica del problema dual.5W 3 ≥ 30 W 1 + 1. La interpretación económica de la dualidad se basa directamente en la interpretación más frecuente del problema primal Interpretación del problema dual.Dual: Minimizar : Z’ = 48 W 1 + 20 W 2 + 8W 3 sujeto a: 8W 1 + 4W 2 + 2W 3 ≥ 60 6W 1 + 2W 2 + 1. debe ser al menos tan grande como la ganancia asignada a cada unidad de la actividad j-ésima.2. . m)..5W 3 ≥ 20 W 1.. W 3 ≥ 0 Relación de la solución óptima del problema dual con la solución óptima del problema primo La relación principal entre ellos es que tanto el problema primal como el dual buscan el valor óptimo del sistema. W i se interpreta como la contribución a la ganancia por unidad del recurso i ( i = 1 ..5W 2 + 0.

se debe asignar a cada unidad del recurso i-ésimo de forma que se minimice el valor total de los recursos?.3.a.ésima ¿Qué valor. 2X1 + 1X2 ≤ 6 Restricción de Piezas Grandes 2X1 + 2X2 ≤ 6 Restricción de piezas Chicas toda X1. Cambios en el modelo General. Análisis de Sensibilidad Mediante el análisis de sensibilidad pueden existir diferentes tipos de cambios en el modelo original como:      Cambios en los coeficientes de la función objetivo.18. Cambios en los recursos. Recordemos que nuestro modelo es: MAX Z= $16X1+$10X2 s. X2 ≥ 0 2. Adición de una nueva variable y Adición de una nueva restricción. de nuestro ejercicio de construcción de mesas y sillas con piezas grandes y piezas chicas. Cambios en los coeficientes tecnológicos. Para calcular los límites superior e inferior de los coeficientes cj de la función objetivo se utiliza el siguiente modelo: C’Bk (S) = CBk + Mínimo (Fj/aij para aij<0 ) C’Bk (i) = CBk + Máximo (Fj/aij para aij >0 ) Donde: C’Bk (S) = Limite superior de la variable básica C’Bk (i) = Limite inferior de la variable básica Fj = coeficiente de las variables no-básicas en la tabla óptima (renglón cj-zj) aij = coeficientes tecnológicos de las restricciones con respecto a la base y a las no básicas CBk = coeficiente de la variable básica en el modelo original Para calcular los límites superior e inferior del recurso se utiliza el siguiente modelo: Ci (s) = bi – max (X.Sbi/µSi para µSi < 0 Ci (i) = bi – min (X.” Explicación de la solución primal-dual. W i.Sbi/µSi para µSi > 0 Donde: Ci (s) = Limite superior de la restricción i Ci (i) = Limite inferior de la restricción i bi = recurso disponible actual (modelo original) 88 .

89 . el alumno será capaz de:  Usar algoritmos de programación no lineal aplicados a problemas prácticos.X.Sbi = solución de las básicas de la tabla óptima µSi = coeficientes tecnológicos de las holguras en la tabla óptima TERCERA UNIDAD PROGRAMACIÓN NO LINEAL OBJETIVOS ESPECÍFICOS Al término de la unidad.

y el conjunto de todas las soluciones factibles se denomina región factible. xn) = 0 h_(x1. . . .2. . Cualquier vector x є IRn que satisface las restricciones se denomina solución factible. INTRODUCCIÓN Los capítulos anteriores se dedicaron a los problemas de programación lineal. Aunque los problemas de programación lineal son muy comunes y cubren un amplio rango de aplicaciones. pero bajo hipótesis distintas. son no lineales. . al menos una de las unciones involucradas en su formulación debe serlo.3. Minimizar Z = f(x1. . En algunos casos. 3. . Los problemas de optimización no lineal son más difíciles de resolver que los problemas lineales. En este capítulo se presentan algunos problemas de programación no lineal.1. . xn) = 0 g1(x1. . se puede formular como sigue. en los que las restricciones y la función a optimizar eran lineales. xn) sujeto a h1(x1. . coinciden con los que se han descrito en capítulos precedentes. EL PROBLEMA DE PROGRAMACIÓN NO LINEAL El problema de programación no lineal (PPNL). la función objetivo. . Estas mayores dificultades aparecen incluso en el caso más simple de minimizar una función de una variable en IR (sin restricciones). . en la vida real uno se tiene que enfrentar con cierta frecuencia a otro tipo de problemas que no son lineales. o ambos. . . Este problema se formula como la minimización de 90 . . Cuando el conjunto de restricciones. . xn) ≤ 0 Para que este problema sea propiamente no lineal. . xn) ≤ 0 gm(x1. . . . se dice que se trata de un problema de programación no lineal (PPNL).

2): f(x) = (x + 2) 2/3 . El matemático francés Pierre de Fermat trató este problema en su libro Methodus ad disquirendam maximan et minimam en el siglo XVII. para poseer recta tangente la función debe ser diferenciable. Si se considera el problema de buscar el mínimo de la función (véase la figura 8.1(b)). El ejemplo siguiente ahonda en esta cuestión. Las funciones anteriores muestran una primera dificultad: la caracterización de los candidatos a mínimo. 2) 2/3 91 .Z = f(x) sujeto a x є IR.(x -. En un problema general. la función no necesariamente posee recta tangente (o hiperplano tangente en el caso de funciones de varias variables). La figura 8. Existe otro tipo de problemas en los que los mínimos relativos no satisfacen la condición anterior (véase la figura 8.1(a) muestra un problema en el que su mínimo se alcanza en un punto del conjunto de puntos donde la recta tangente es horizontal.

el hecho de que la función f tiende a cero cuando x tiende a ±∞ y que la misma toma valores negativos. La teoría de la optimización y los métodos computacionales para estos problemas se denomina optimización no lineal diferenciable. Como conclusión. pero f no es diferenciable en dicho punto. El hecho de que se puedan caracterizar los candidatos a mínimos de la función no es suficiente para determinarlos explícitamente.3) f(x) = 1 2 x  10(senox  x cos x ) 10 Esta función es diferenciable en toda la recta real. indica que f debe alcanzar su mínimo en algún punto. Este simple ejemplo pone de manifiesto que se debe ser extremadamente cuidadoso cuando se está trabajando con funciones que no son diferenciables.en IR. existe la dificultad de resolver de forma cerrada (analíticamente) la ecuación f_(x) = 0. se debería evaluar la función objetivo en todos ellos. 92 . Para ilustrarlo. Por otro lado. Pero por otro lado. ¿Dónde está la contradicción? Un análisis de f revela que el mínimo es alcanzado en x = -2. Si se quisiera saber cuál de ellos es una solución al problema. si un candidato dado es un mínimo absoluto. pero posee una dificultad importante: posee infinitos puntos donde la recta tangente es horizontal. se estudiarán únicamente problemas en los que todas las funciones involucradas sean diferenciables. se encontraría una dificultad importante. poder abordar numéricamente el problema. Este hecho hace inviable. en un tiempo finito. Puesto que este tema escapa de los objetivos perseguidos en este libro. Se han desarrollado generalizaciones del concepto de diferenciabilidad para poder abordar problemas más generales de optimización. puntos donde f_(x) = 0. se considerará el siguiente ejemplo (véease la figura 8. de una forma cierta. la existencia de infinitos candidatos además de no poder generarlos explícitamente hace imposible saber. El criterio de buscar puntos donde se anula la primera derivada no conduciría a ningún candidato. esto es.

La función está acotada en S. 2. la función f(x) = e está acotada en S = IR y la mayor de las cotas inferiores es 0 pero no es alcanzada por f(x). Teorema (Weierstrass). en cualquier intervalo.) Sea S un conjunto cerrado no vacío (posiblemente no n acotado ) de IR y f : S → IR una función continua. En ocasiones el conjunto factible no es acotado. pero no en toda la región factible.4 se muestra la gráfica de una función que posee un mínimo local que no es un mínimo global. donde x є IR decrece sin límite a . Corolario (existencia de soluciones óptimas. El problema de minimizar Z = f(x) sujeto a xєS posee al menos una solución óptima. como la proporcionada por el teorema de Weierstrass. y para este caso se puede aplicar el siguiente corolario del teorema anterior. Si 93 . Finalmente. que garantiza la existencia de soluciones cuando f es una función continua y el conjunto factible S es cerrado y acotado. Por ejemplo. Por ejemplo. Se observa que las imágenes de los puntos del intervalo [ x. debe quedar por debajo del segmento que une las imágenes de los extremos. x . La condición de convexidad aparece como una condición suficiente que evita este comportamiento.] están por encima del segmento que une el mínimo absoluto con el relativo. Sea S un conjunto cerrado (incluye a sus extremos o frontera). Este valor se -x denota por ínfimo xєS f(x). Para que una función sea convexa. esencialmente debido a una de las razones siguientes: 1. la función de variable real f(x) = x. pero ésta no alcanza la mayor de las cotas inferiores en S. La función no está acotada en la región factible S. su grafo.Una de las principales diferencias entre la programación lineal y la no lineal es la existencia de los llamados mínimos locales. cuando x tiende a . acotado (el valor absoluto de todos sus valores son menores que un número finito) y no vacío de IRn y f : S → IR una función continua. En este caso se escribiría Infimo xєS f(x) = . Esta dificultad motiva una nueva exigencia para la familia de funciones a analizar. Existen condiciones suficientes que lo garantizan. En ellos se optimiza la función objetivo en un entorno. En muchos casos es importante saber si existe al menos una solución del problema de optimización. Se consideraría una clase de funciones en la que sus óptimos locales son también globales. es importante señalar que un problema general de programación no lineal puede que no posea solución óptima. En la figura 8.

Finalmente. cuando la función objetivo f sea convexa. conocidas con el nombre de condiciones de optimalidad de Karush–Kuhn–Tucker. como se vería. un mínimo local estricto) sobre el conjunto S en el punto x . f(x*) < f(x)] para todo x en S. 94 . cuando la función objetivo f sea convexa. Definición (mínimo local). se introducirán las condiciones que garantizan que un determinado PPNL pertenece a esta “mayoría” de problemas para los que son necesarias las condiciones KKT. En la siguiente sección se analizarían importantes condiciones necesarias para el PPNL con restricciones. A continuación se trataría la teoría de dualidad en programación matemática. Estos resultados pueden ser más explícitos. se establecen de forma breve las condiciones de regularidad necesarias para la formulación de las condiciones de optimalidad anteriores. ya enunciado anteriormente. Estas deben ser satisfechas por todos los mínimos locales de la “mayoría” de los PPNL.x . Condiciones necesarias de optimalidad Diferenciabilidad En la sección anterior se han mencionado los conceptos de diferenciabilidad y convexidad para problemas de optimización sin restricciones. no necesariamente sin restricciones. si y sólo si existe un número positivo ε cumpliendo f( x ) ≤ f(x) (respectivamente. lo que nos conduciría al concepto de convexidad. lo que nos conducirá al concepto de convexidad. Esta teoría de la dualidad se ilustra con un caso de estudio práctico. un mínimo global estricto) en el punto x*. También se estudiarán hipótesis bajo las cuales las condiciones KKT son suficientes para garantizar que una determinada solución es un mínimo global. Éstas deben ser satisfechas por todos los mínimos locales de la “mayoría” de los PPNL. como se verá. que será de gran importancia en los métodos numéricos analizados en el capítulo 9.xS lim f ( x )   Z = f(x) entonces el problema de minimizar sujeto a xєS admite solución óptima. Se motivaría cómo aparecen estas condiciones y al final del capítulo. La propiedad de diferenciabilidad permite caracterizar los extremos locales (mínimos o máximos). Esta teoría de la dualidad se ilustra con un caso de estudio práctico. ya que los máximos pueden ser obtenidos a partir de la relación MaximizarxєS f(x) = -Minimizar xєS -f(x) Para una mayor claridad. Finalmente. En la siguiente sección se analizarán importantes condiciones necesarias para el PPNL con restricciones. en particular por sus mínimos globales. proporcionando condiciones necesarias para la optimalidad de una solución. A continuación se tratará la teoría de dualidad en programación matemática. ya enunciado anteriormente. Definición (mínimo global). en particular por sus mínimos globales. se establecen de forma breve las condiciones de regularidad necesarias para la formulación de las condiciones de optimalidad anteriores. Una función f(x) tiene un mínimo local (respectivamente. Una función f(x) tiene un mínimo global en el conjunto de puntos S (respectivamente. que será de gran importancia en los métodos numéricos analizados en el capítulo 9. si y sólo si f(x*) ≤ f(x) [respectivamente. En ésta y en la sección siguiente se emplearán estos conceptos en el caso general de problemas de optimización. Se motivará cómo aparecen estas condiciones y al final. se da la siguiente definición precisa de este tipo de puntos. También se estudiarán hipótesis bajo las cuales las condiciones KKT son suficientes para garantizar que una determinada solución es un mínimo global. Estos resultados pueden ser más explícitos. conocidas con el nombre de condiciones de optimalidad de Karush–Kuhn–Tucker. se introducirían las condiciones que garantizan que un determinado PPNL pertenece a esta “mayoría” de problemas para los que son necesarias las condiciones KKT.. Se centrará la atención en la búsqueda de mínimos.

y. que debe verificar los siguientes requisitos para ser aceptado en la oficina de correos. z) = xyz x 95 . En este ejemplo. b]. S = {a. x2} es el conjunto de mínimos globales. se describe un problema de programación no lineal: El paquete postal Un paquete postal es una caja de dimensiones x. z ≥ 0 pues no son posibles las longitudes negativas. S es el segmento [a. En una dimensión es fácil ilustrar los conceptos de mínimo local y global (véase la figura 8.f( x ) < f(x)) para todo x en S tal que 0 xx  De estas definiciones se concluye que todo mínimo global también es local. x2} es el conjunto de óptimos locales y S* = {a. y. x1. Ejemplo: En esta sección. y. x. z + 2x + 2y ≤ 108. y z (ver la Figura). Se buscan las tres dimensiones que maximizan el volumen V (x.5).

m: es la pendiente. Para resolver este problema se requieren varias herramientas matemáticas que a continuación detallaremos (muy simplificadamente)  Cálculo diferencial: primera y segunda derivada  Geometría analítica: La recta y todas sus implicancias así como otras cónicas. APENDICE Repaso de la Recta Recordemos que la ecuación de la recta es y = mx + b donde la estructura es: Variables: x. Geométricamente. quién es cada una de ellas (m y b)? b: es el intercepto o constante. LA PENDIENTE El siguiente ejemplo muestra cómo entendemos el concepto de pendiente. Constantes: m. Supongamos que tenemos una tabla con los siguientes datos relacionados a diferentes jugadores de fútbol. Es el valor producido cuando la recta graficada intersecta al eje y. deberíamos saber en cuántos partidos los jugadores han realizado los goles. es el ángulo de elevación que la recta tiene sobre el eje de las x.1: Esquema de las dimensiones del paquete postal. JUGADOR A B C D Nº DE GOLES 35 30 40 25 Cómo responderíamos a la pregunta de cuál de los jugadores es el mejor? Evidentemente la tabla muestra que el jugador C es el más goleador de todos ellos. Pero. Luego daremos una definición en el sentido más cotidiano para ambos conceptos. b Pero. desde qué criterio esto es verídico? Esto sería cierto si el número de partidos que hayan jugado todos los jugadores fuera el mismo. Si no fuere así. y. La siguiente muestra la misma tabla anterior pero con dos columnas nuevas (nº de partidos y nº de goles/nº de partidos) 96 .Figura 3.

cuando hablamos de rendimiento. Por lo tanto. Ahora. de esta forma tendríamos el siguiente esquema: L i t r o s Segundos  De modo que si hacemos el cálculo Litros/segundos estaremos calculando la tangente del ángulo de elevación o pendiente. que en un principio era el de más baja producción. Una ecuación importante en contabilidad es la siguiente: CT ($)= CV($) + CF($) 97 . Ese cálculo se realiza en la última columna. de modo d------e obtener cuál de ellos es el que posee mejor rendimiento. podemos encontrar otras tasas o rendimientos en otros aspectos de la vida. resultó ser el de mejor rendimiento (5 > 4 > 3 > 2). obviamente deberíamos obtener el número de goles por cada partido. matemáticamente estamos hablando de pendiente. A partir de este ejemplo. Como vemos el jugador D. pero ya nos hemos dado cuenta de que estamos hablando de rendimientos. Caudal: Litros por unidad de tiempo (lts/seg) Rendimiento automovilístico: Kilómetros por litro (Kmt/lt) Costos de adquisición: Precio o costo unitario ($/nº de unidades) Podríamos seguir enumerando una serie de ejemplos más. supongamos que relacionamos el numerador de la fracción con el eje y y el denominador con el eje x.JUGADOR A B C D Nº DE GOLES 36 30 40 25 Nº DE PARTIDOS 9 10 20 5 Nº DE GOLES/Nº DE PARTIDOS 36 / 9 = 4 30 / 10 = 3 40 / 20 = 2 25 / 5 = 5 Como en la tercera columna tenemos el número de partidos.

si no hay producción. nos dé en pesos.El valor encerrado en paréntesis corresponde a la unidad que estamos usando. 98 . sabemos que el costo variable va indudablemente relacionado al número de unidades producidas. De tal forma. $. Porqué cruza o corta al eje Y. más aún. los costos fijos son los mismos. de modo que al multiplicarlas por las unidades. lo que origina el punto (0 . EL INTERCEPTO En el ejemplo anterior el costo fijo es una cantidad constante y en este caso positiva. en el caso de programación lineal. esta tasa corresponde a un precio unitario y matemáticamente a la pendiente de la recta. por lo que la ecuación queda como: CT ($)= * unidades + CF($) Debe estar en pesos Por lo tanto. aunque en general el valor de b pudiere ser negativo. Bien sencillo. en este caso el peso. Pero. este costo es el mismos. Como observaremos después. habitualmente son cuantificaciones de diferentes objetos por lo que usaremos sólo el primer cuadrante. las unidades correspondientes al rectángulo de la ecuación deberían ser: $/unidades. b). debe recordar que no importando la cantidad que se produzca.

M..J. SM Ramos. J. McGRAW-HILL Larrañeta. SANTILLANA.. Llorente. L. (1997): Selectividad Matemáticas II Pruebas de 1996. M.. McGRAW-HILL de Guzmán. Heras. J. M.. Arribas. Silveira. C.E.A. J.Mª. UNED Colera. (1994): Matemáticas para Ciencias Sociales. (1998): Matemáticas Aplicadas a las Ciencias Sociales II. Mª. (1995): Selectividad Matemáticas II Pruebas de 1994. (1996): Selectividad Matemáticas II Pruebas de 1995. M.. Volera. Volera. M. Fernández.. ANAYA de Guzmán. M. M. (1997): Matemáticas Aplicadas a las Ciencias Sociales II. J. ANAYA Equipo Arrixaca (1997): Matemáticas Aplicadas a las Ciencias Sociales II. Volera. ANAYA de Guzmán. (1998): Selectividad Matemáticas II Pruebas de 1997...Ruiz. (1992): Selectividad Matemáticas II Pruebas de 1991. J.C. ANAYA de Guzmán. Santos. ANAYA de Guzmán. Paz. . Cuadra. (1998): Pruebas de Selectividad Matemáticas II . ANAYA de Guzmán. (1997): Matemáticas Aplicadas a las Ciencias Sociales 2. EDITEX Vizmanos.. J. (1993): Matemáticas II COU. (1993): Programación lineal y Métodos de optimización.. (1990): Curso práctico de Matemáticas COU II. González. M. Volera. J. (1994): Selectividad Matemáticas II Pruebas de 1993. Investigación de Operaciones. Villanova. S. Oliveira. (1987): Programación lineal y grafos. F. Anzola. Volera. J..Mª. R.. A. M.. ANAYA Granados. M. J. Volera. J. Volera. EDUNSA Martínez-Mediano. ANAYA de Guzmán. Rodrigo... P. Volera. Miguel A. Mc Graw-Hill Lieberman. . J. J. ANAYA de Guzmán. J.BIBLIOGRAFÍA                     Chase y Aquilano: Administración de la Producción. Mc Graw-Hill González.. J...J.. J.R. M. McGRAW-HILL 99 . (1993): Selectividad Matemáticas II Pruebas de 1992. (1991): Selectividad Matemáticas II Pruebas de 1990. UNIVERSIDAD DE SEVILLA Martínez-Mediano.

  Jiménez. R. A. E. Lozano..(1999): Matemáticas Ciencias Sociales. P.F. C. SANTILLANA 100 .. Colección Acceso. Nortes.. Sánchez. (1994): Preparar la Selectividad Matemáticas II.A. Mª... Suárez....J. Muruáis.Miñano. A. J. Ródenas. Touzón.M. SANTILLANA Losada...

Sign up to vote on this title
UsefulNot useful