FUNDAMENTOS DE

PROGRAMACIÓN LINEAL
Investigación de Operaciones 1
Semana 1
Ing. Nicolás E. Gómez Jacome
 Modelación Matemática en IO
• El modelo matemático de un problema
industrial está conformado por el sistema de
ecuaciones y expresiones matemáticas
relacionadas que describen la esencia del
problema.
• Los modelos utilizados en la investigación de
operaciones constan de elementos como
variables de decisión, función objetivo,
restricciones y parámetros.
 Variables de decisión
• Las variables de decisión son la forma
en la que se representan las decisiones
cuantificables de un problema.
• Si deben tomarse 𝑛 decisiones
cuantificables relacionadas entre sí, se
representan como 𝑛 variables de decisión.
• Ejemplo: 𝑥1, 𝑥2, … , 𝑥𝑛
 Función Objetivo
• Se le llama función objetivo a la medida
de desempeño adecuada de un problema.
• Se expresa como una función matemática
de las variables de decisión.
• Siempre se querrá optimizar esta
función ya sea minimizándola o
maximizándola.
• Ejemplo: 𝑍 = 𝑥1 + 4𝑥2 + ⋯ + 3𝑥𝑛
 Restricciones
• Las restricciones son todas las
limitaciones que se puedan imponer sobre
los valores de las variables de decisión
son expresadas en términos matemáticos.
• Casi siempre están forma de
en ecuaciones o
desigualdades.
• Ejemplo: 𝑥1 + 𝑥2 + 𝑥3 ≤ 15
 Parámetros
• Los parámetros son las constantes de
función
la objetivo y los términos
independientes de las restricciones(el
lado derecho de las expresiones)
 Modelado con Programación
Lineal (PL)
• El modelado con programación lineal se
refiere a la elaboración de modelos con
los elementos mencionados previamente,
cuyas funciones matemáticas deben ser
funciones lineales.
• El término programación se refiere en
realidad a planeación ya sea de
actividades o de asignación de recursos.
 Modelo de Programación Lineal
Maximizar/Minimizar
𝑍 = 𝑐1𝑥1 + 𝑐2𝑥2 + ⋯ + 𝑐𝑛𝑥𝑛
Sujeta a las restricciones
𝑎11𝑥1 + 𝑎12𝑥2 + ⋯ + 𝑎1𝑛𝑥𝑛 ≤ 𝑏1
𝑎21𝑥1 + 𝑎22𝑥2 + ⋯ + 𝑎2𝑛𝑥𝑛 ≤ 𝑏2
⋮
𝑎𝑚1𝑥1 + 𝑎 𝑚2𝑥 2 + ⋯ + 𝑎 𝑚 𝑛 𝑥 𝑛
≤ 𝑏𝑚
y
En el modelo presentado anteriormente, se tiene que:
• La función objetivo se representa con la letra 𝑍 y se
puede requerir que sea maximizada o minimizada.
• Los valores 𝑐1 hasta 𝑐𝑛 son los coeficientes de
la función objetivo.
• Los valores 𝑎𝑗 𝑖 son las constantes de entrada
al modelo.
• Los valores 𝑏1 hasta 𝑏𝑚 son los
términos independientes de las restricciones.
• Las primeras 𝑚 restricciones se conocen
como
restricciones funcionales.
• Las restricciones de 𝑥𝑗 ≥ 0 se conocen
como
 Ejemplo 1
Adaptado de Taha (2011)
• Pintucol es una empresa que produce dos tipos
de pinturas: para interiores y para exteriores. Para
su proceso de producción utilizan dos materias
primas (MP1 y MP2). Para producir una tonelada
de pintura para interiores consume 3 ton de MP1 y
1 ton de MP2. Por otra parte, para producir una
tonelada de pintura para exteriores consume 5 ton
de MP1 y 2 ton de MP2. En total, tiene disponible
30 ton de MP1 y 12 ton de MP2. La utilidad que le
produce cada tonelada de pintura para interiores y
exteriores son $7000 y $5000, respectivamente.
 Ejemplo 1
En el enunciado se observa que:
• Las decisiones recaen sobre las toneladas de pintura que se
deben producir, por lo tanto estas son las variables decisión.
• Las utilidades se generan por tonelada de cada tipo de
pintura, por lo tanto estas son los coeficientes de la función
objetivo.
• El problema es de utilidades generadas, por lo tanto la
función debe maximizarse, pues las utilidades siempre se
querrán maximizar.
• Las toneladas de materia prima que utilizan cada tipo
de
pintura son las constantes de entrada al modelo.
• Las capacidades de materias primas son los términos
independientes de las restricciones.
 Ejemplo 1
Teniendo en cuenta lo anterior, el modelo de PL para
el ejemplo en cuestión es:
• Variables:
𝑥1 = Ton de pintura para interiores a producir
𝑥2 = Ton de pintura para exteriores a producir
• Función objetivo:
𝑍 𝑚𝑎𝑥 = 7000𝑥1 + 5000𝑥2
• Sujeto a las restricciones:
3𝑥1 + 5𝑥2 ≤ 30
𝑥1 + 2𝑥2 ≤ 12
 Terminología de las soluciones
del modelo de PL
• Una solución es cualquier
posibilidad deseable o no permitida.
• Una solución factible es aquella para la que
todas las restricciones se satisfacen.
• Una solución no factible es aquella para la
que al menos una restricción se viola.
• La región factible es el conjunto de
todas las soluciones factibles.
• Es posible que un problema no
tenga soluciones factibles.
 Terminología de las soluciones
del modelo de PL
• Una solución óptima es una solución factible que
proporciona el valor más favorable de la función
objetivo.
• El valor más favorable es el valor más grande si
la función objetivo debe maximizarse, o el valor
más pequeño si debe minimizarse.
• Es posible que un problema tenga múltiples
soluciones óptimas, que tenga infinitas
soluciones óptimas o que no tenga soluciones
óptimas (Z no acotada).
 Terminología de las soluciones
del modelo de PL
• Una solución factible en un vértice (FEV)
es una solución que se encuentra en una
esquina de la región factible.
• Si un problema tiene exactamente una
solución óptima, ésta debe ser una solución
FEV.
• Si el problema tiene múltiples soluciones
óptimas, al menos dos deben ser soluciones
FEV.
 Supuestos de la
Programación Lineal
Los supuestos de la programación
lineal son:
• Proporcionalidad
• Aditividad
• Divisibilidad
• Certidumbre
 Supuesto de Proporcionalidad
• La contribución de cada actividad al valor de la
función objetivo 𝑍 es proporcional al nivel de la
actividad 𝑥𝑗, como lo representa el término 𝑐𝑥
𝑗 𝑗en la
función objetivo.
• La contribución de cada actividad al lado izquierdo
de cada restricción funcional es proporcional al
nivel de la actividad 𝑥𝑗 , como lo representa el
término 𝑎𝑗𝑥
𝑖 en
𝑗 la restricción.
• Este supuesto elimina cualquier exponente
diferente de 1 para las variables en cualquier
término de las funciones en un modelo de
programación lineal.
 Supuesto de
Aditividad
• Cada función de un modelo de
programación lineal es la suma de las
contribuciones individuales de las
actividades respectivas.
 Supuesto de Divisibilidad
• En un modelo de programación lineal, las
variables de decisión pueden tomar cualquier
valor, incluso valores no enteros, que
satisfagan las restricciones funcionales y de
no negatividad.
• Como cada variable de decisión representa
el nivel de una actividad, se supondrá que las
actividades se pueden realizar a niveles
fraccionales.
 Supuesto de Certidumbre
• Se supone que los valores asignados
cada
a parámetro de un modelo de
programación lineal son
conocidas. constantes
• En los problemas reales, este supuesto
casi nunca se satisface por completo, por
eso se utiliza un análisis de sensibilidad
después de encontrar una solución
óptima.
 Bibliografía
• Hillier, F. S., Lieberman G. J. (2010).
Introducción a la Investigación de
Operaciones. (9a ed.). México: McGraw-
Hill Educación.
• Taha, H. A. (2011). Investigación de
Operaciones. (9a ed.). México: Pearson
Educación.