PROGRAMACION LINEAL

Muchas personas clasifican el desarrollo de la Programacin Lineal (PL) entre los

avances cientficos ms importantes del siglo XX. En la actualidad es una herramienta
comn que ha ahorrado miles o millones de dlares a muchas compaas y negocios,

LA PROGRAMACIN LINEAL trata la planeacin de las actividades para obtener un

resultado ptimo, esto es, el resultado que mejor alcance la meta especificada entre
todas las opciones de solucin. Aunque la asignacin de recursos limitados entre las
actividades competitivas de la mejor manera posible es la aplicacin ms frecuente, la
PL tiene muchas otras posibilidades.

El adjetivo lineal significa que todas las funciones matemticas del modelo deben ser
funciones lineales. La palabra programacin se refiere a planeacin.
La PL es una tcnica determinista, es decir, no incluye probabilidades, en cambio
utiliza un modelo matemtico para describir el problema.

Aquellos que manejan y controlan sistemas de hombres y equipos se enfrentan al

constante problema de mejorar (optimizar) el rendimiento del sistema. El problema
puede ser reducir el costo de operacin y a la vez mantener un nivel aceptable de
servicio, proporcionar un mayor nivel de servicio sin aumentar los costos, o "mejorar"
un aspecto de la calidad del producto sin reducir la calidad de otros aspectos.

Un modelo puede considerarse como una entidad que captura la esencia de la

realidad sin la presencia de la misma. Una fotografa es un modelo de la realidad
ilustrada en la imagen, el modelo captura algn aspecto de la realidad que intenta
representar. Un modelo matemtico es un sistema de ecuaciones o desigualdades que
representa determinados aspectos del sistema fsico representado en el modelo.

A fin de definir las condiciones que nos conducirn a la solucin del problema, el
analista primero debe identificar un criterio (funcin objetivo) que maximice o
minimice el sistema. Este criterio a menudo se denomina medida del rendimiento o
medida de efectividad. En aplicaciones empresariales, la medida de efectividad
generalmente son los costos o las utilidades.

6.1. ESTRUCTURA DE UN MODELO DE PROG. LINEAL

a. Variables: Representan la informacin para la toma de decisiones Sus valores o
resultados son determinadas por el modelo. Las variables pueden ser:

Variables de decisin: Aquellas que nos indican la accin o alternativa que

debemos seguir para conseguir un determinado objetivo

Variables auxiliares: Sirven de apoyo para los clculos de las variables de

decisin, tales como variables de inventarios, holgura, desviacin, etc.

b. Parmetros: Es toda informacin conocida a priori e invariable para el horizonte

de planeacin del modelo. Deben estar expresados en alguna unidad de medicin
o mtrica. Estos parmetros pueden ser

Coeficiente de la funcin Objetivo (Cj): Son factores que corresponden por

cada variable de decisin. Tales como: utilidades, precios de venta, costos,
ponderaciones, etc. Expresados de manera unitaria por producto o actividad

Coeficiente tecnolgico (Aij): Son factores que corresponden por cada

variable de decisin y restriccin. Tales como ratio de consumo o demanda de
producto o actividad sobre un recurso.

Coeficiente de recurso (bj): Son factores que corresponden por cada

restriccin. Tales como disponibilidad de un recurso limitado. Las cuales
pueden ser recursos materiales, financieros o recursos humanos. Tambin
puede expresar una condicin o cuota a cumplir.

c. Funcin Objetivo: Es una expresin de variables que representa el objetivo que

se desea alcanzar y expresa la cuantificacin de la efectividad en una unidad de
medida. Puede ser de dos maneras:
1. Maximizar (Max): En un problema se podra requerir, aumentar lo mas posible:
las utilidades o los ingresos por ventas, efectividad de polticas alternativas,
volumen, probabilidad de xito.
2. Minimizar (Min): En un problema se deseara reducir lo mas posible: costos,
mermas, desviaciones sobre una condicin o restriccin, el tiempo de
finalizacin de un trabajo, riesgo, etc.

d. Restricciones: Son relaciones entre las variables y parmetros que se

representan por desigualdades o ecuaciones, resulta debido a limitaciones de

recursos. Las restricciones estn expresadas en una unidad homognea a ambos

lados de la ecuacin o desigualdad.

El siguiente modelo formula un modelo matemtico para un problema general de

asignacin de recursos a actividades.

Si existiese la condicin de que a lo menos una de las variables debiera ser entera,
entonces el modelo sera de Programacin Lineal Entera.
Cualquiera discrepancia respecto de la linealidad en la Funcin objetivo y/o en las
restricciones del problema conducira a un modelo de Programacin No Lineal.

UN PROBLEMA SIMPLE DE MAXIMIZACION

RMC es una empresa que produce diversos productos qumicos. En un proceso de
produccin en particular, se utilizan 3 materias primas para elaborar 2 productos:
Un aditivo para combustible y una base disolvente

El aditivo para combustible se vende a empresas petroleras y se utiliza en la

produccin de gasolina y otros combustibles relacionados. La base disolvente se
vende a empresas qumicas y se utiliza para la fabricacin de productos de limpieza.
Para formar el aditivo y la base disolvente se mezclan las 3 materias primas
Producto

M. Prima 1

M. Prima 2

M. Prima 3

Aditivo para combustible

2/5

3/5

Base disolvente

1/2

1/5

3/10

20 ton

5 ton

21 ton

Cantidad disponible
para produccin

En esta tabla muestra que 1 tonelada de aditivo para combustible es una mezcla de
2/5 ton de Materia prima 1 y 3/5 ton de materia prima 3

Debido a deterioro y la naturaleza del proceso de produccin, cualquier materia prima

que no se utilice para la produccin actual resulta intil y debe desecharse.
El departamento de control de calidad ha analizado las cifras de produccin,
asignando todos los costos correspondientes, llegando a establecer una contribucin a
la utilidad de $40 para cada tonelada de aditivo para combustible y $30 por cada
tonelada de base disolvente producido.

El problema de RMC es determinar cuantas toneladas de cada producto deber

producir para maximizar la contribucin total a la utilidad. Esto es Cuntas toneladas
de aditivo y cuantas toneladas de base disolvente deber producir para el periodo
actual de produccin?

MODELO DE PROGRAMACIN LINEAL PARA RMC

a) Funcin Objetivo
El objetivo de RMC es maximizar la contribucin total a la utilidad. Podemos
escribir este objetivo como: (Variables de decisin)
Si se producen x1 toneladas de aditivo para combustible la empresa gana $40X1
Si se producen x2 toneladas de base disolvente la empresa gana $30X2,
Identificamos la produccin total (Z), como la utilidad total de la empresa como:
Contribucin total a la utilidad = Z = 40X1 + 30X2

(Funcin Objetivo)

RMC debe determinar los valores de las variables X1 y X2 que den el valor mas
elevado posible de Z

b) Restricciones

El total de materia prima 1 para producir x1 toneladas de aditivo para

combustible y x2 toneladas de base disolvente debe ser menor o igual a la
cantidad de toneladas disponible de materia prima 1 que tiene RMC, es decir
2/5 X1 + X2 20

(Disponibilidad de Materia Prima 1)

El total de materia prima 2 para producir x1 toneladas de aditivo para

combustible y x2 toneladas de base disolvente debe ser menor o igual a la
cantidad de toneladas disponible de materia prima 2 que tiene RMC, es decir
0X1 + 1/5X2 5

El total de materia prima 3 para producir x1 toneladas de aditivo para

combustible y x2 toneladas de base disolvente debe ser menor o igual a la
cantidad de toneladas disponible de materia prima 3 que tiene RMC, es decir
3/5 X1 + 3/10 X2 21

Para evitar que RMC no produzca un numero negativo de toneladas de aditivo

o base disolvente, debern agregarse 2 restricciones llamadas restricciones
X1, X2 0

de no negatividad

La formulacin matemtica del problema de RMC, ahora esta completo, y queda

que esta forma:
Maximizar Z = 40 X1 + 30 X2
Sujeto a
2/5 X1 + X2 20

Materia Prima 1

1/5 X2 5

Materia Prima 2

3/5 X1 + 3/10 X2 21

Materia Prima 3

X1, X2 0

Ahora nuestra tarea es encontrar la mezcla de productos (es decir, las combinaciones
de X1 y X2) que satisfaga todas las restricciones y al mismo tiempo, nos de un valor
mximo de la funcin objetivo.

6.2. SOLUCION GRAFICA DE PROGRAMACION LINEAL

1. Se grafica el conjunto factible.
2. Se encuentran las coordenadas de todas las esquinas de la regin factible.
3. Se evala la funcin objetivo Z en cada esquina.
4. Se halla el vrtice que proporcione el mximo (mnimo) de la funcin objetivo. Si
slo existe un vrtice con esta propiedad, entonces constituye una solucin nica
del problema. Si la funcin objetivo se maximiza (minimiza) en dos esquinas
adyacentes de S, entonces existe una infinidad de soluciones ptimas dadas por
los puntos del segmento de recta determinado por estos dos vrtices.

SOLUCION GRAFICA DEL PROBLEMA DE RMC

Paso 1: Hacemos el plano cartesiano de X1 (eje vertical) y X2 (eje horizontal)
Paso 2: Graficamos las restricciones
Restriccin 1

Restriccin 2

Restriccin 3

2/5 X1 + X2 20

1/5 X2 5

3/5 X1 + 3/10 X2 21

Si X1=0, tenemos

Si X1=0, tenemos

X2 20
X2 40 (0,40)
Si X2 = 0, tenemos

3/10 X2 21
X2 70 (0,70)
Si X2=0, tenemos

X2 25

2/5 X1 20
X1 50 (50,0)

3/5 X1 21
X1 35 (35,0)

Restriccion 1 (materia Prima1)

45
40
35

Restriccion 3 (materia Prima 3)

Restriccion 2 (materia Prima 2)

80 0, 70
70

30

0, 40

0, 25

30, 25

25

30
25
20
15

60

20

50

15

40
30

10

10
5
0

20

50, 0

10

0
0

10

20

30

40

50

60

35, 0

0
0

10

20

30

40

10

20

30

40

50

80
70vez que tenemos la regin factible, encontramos los puntos extremos de la regin
Una

factible.
Estos puntos es la interseccin de las restricciones en la que cruza la lnea.
60
Ejemplo:
50

Si Restriccin 1 = restriccin 3 nos da los puntos X1=25, X2 = 20

Si 40
Restriccin 1 = restriccin 2 nos da los puntos X1=18.75, X2 = 25
30

(18.75,25)

(0,25)

(25,20)

20
10

(35,0)

0
0

10

20

30

40

50

Una vez teniendo los puntos extremos de la regin factible, se prueba ingresando X1 y
X2 en la funcin objetivo y tomamos el valor mas alto posible
X1

X2

FO : Z = 40X1 + 30X2

25

Z = 750

18.75

25

Z = 1500

25

20

Z = 1600

35

Z = 1400

6.3. VARIABLES DE HOLGURA (SLACK en ingles)

Adems de la solucin optima (X1 y X2 ptimos) y su contribucin a la utilidad
asociada (Z), la administracin de RMC, deseara tener informacin sobre las
necesidades de produccin de las 3 materias primas. Podemos obtener esta
informacin reemplazando en las restricciones del programa lneas las variables de
solucin ptima x1=25, x2=20

Restriccin

Toneladas requeridas para Toneladas

Toneladas no

x1 = 25 y x2 = 20

utilizadas

disponibles

Mat. Prima1

2/5(25) + (20) = 20

20

20 - 20 = 0

Mat. Prima2

0(25) + 1/5(20) = 4

5-4=1

Mat. Prima3

3/5(25) + 3/10(20) = 21

21

21 - 21 = 0

Variable de
Holgura

Por lo que la solucin completa le indica a la administracin que la produccin de 25

toneladas de aditivo para combustible y de 20 toneladas de base disolvente requerir
de toda la materia prima disponible 1 y 3, pero solamente cuatro de las 5 toneladas de
la materia prima 2. La tonelada sin utilizar de la materia prima se llama holgura.

En Programacin Lineal, cualquier capacidad sin utilizar y ociosa para una

restriccin menor o igual () se llama holgura asociada con la restriccin.
Al modelo de PL a menudo se agregan variables conocidas como variables de
holgura, para representar la capacidad ociosa. Esta capacidad sin utilizar no hace
ninguna contribucin a la utilizad, por lo que las variables de holgura tienen
coeficiente igual a cero.

De manera general, las variables de holgura representan la diferencia entre el lado

derecho y el lado izquierdo de una restriccin menor o igual ()
Modelo PL

Forma Estndar

Max. Z = 40X1 + 30X2

Max. Z = 40X1 + 30X2 + 0S1 + 0S2 + 0S3

Sujeto a

Sujeto a

2/5 X1 + X2 20
1/5 X2 5
3/5 X1 + 3/10 X2 21
X1, X2 0

2/5 X1 + X2 + S1
1/5 X2

= 20
+ S2

3/5 X1 + 3/10 X2
X1, X2, S1, S2, S3 0

=5
+ S3 = 21

80
70

40

60
50

En el mtodo grafico se puede apreciar la holgura

40

30

(0,25)
30

(18.75,25)

(18.75,25)

(0,25)

(25,20)

20
10

(25,20)

(35,0)

20

0
0

10

20

30

40

50

Al determinar la solucin ptima, vemos que la restriccion1 y la restriccion3, limitan o

10

restringen la regin factible hasta ese momento.

(35,0)

UN PROBLEMA SIMPLE DE MINIMIZACION

10

20

30

Innis Investments administra fondos de empresas y clientes pudientes. La estrategia

de innovacin se adecua a las necesidades de cada cliente. Para un cliente nuevo a
Innis se le ha autorizado invertir hasta 1.2 millones $ en dos fondos de inversin: un
fondo de acciones que cuestan $50 cada unidad y con una tasa de rendimiento anual
de 10%; cada unidad y un fondo de mercado de dinero que cuesta $100, con una tasa
de rendimiento anual del 4%.
El cliente desea minimizar el riesgo, pero quiere tener un ingreso anual sobre la
inversin de por lo menos $60,000. De acuerdo con el sistema de medicin del riesgo
de Innis, cada unidad adquirida en el fondo de acciones tiene un ndice de riesgo de 8,
y cada unidad adquirida en el fondo de mercado dinero tiene un ndice de riesgo de 3

El ndice de riesgo mas elevado asociado con el fondo de acciones indica que
simplemente que se trata de la inversin mas riesgosa. El cliente de Innis tambin ha
especificado que se invierta por lo menos $300,000 en el fondo de de mercado de
dinero. Cuntas unidades de cada uno de los fondos deber adquirir Innis para el
cliente, si el objetivo es minimizar el ndice de riesgo total para esta cartera?

SOLUCION
Para encontrar la mejor asignacin de fondos entre acciones y mercado de dinero,
formularemos el problema como un modelo lineal. Primero definamos las variables:
X1 = Numero de unidades adquiridas en el fondo de acciones
X2 = Numero de unidades adquiridas en el fondo de mercado de dinero

40

FUNCIN OBJETIVO
La funcin objetivo que minimice el riesgo total para la cartera ser:
Min 8X1 + 3X2

RESTRICCIONES
1. Innis solo puede invertir hasta 1200,000 dlares, dado que cada unidad de
fondo cuesta $50 y cada unidad de fondo de mercado cuesta $100. tenemos
50X1 + 100X2 1200,000
2. La inversin debe tener un ingreso anual de por lo menor $60,000. como cada
unidad adquirida del fondo de acciones tendr una utilidad de 10%($50) = $5,
similarmente cada unidad adquirida del fondo de mercado de dinero tendr una
utilidad de 4%($100) = $4, entonces la utilidad total es de :
5X1 + 4X2 $60,000
3. El requisito en que por lo menor invierta $300,000 en el fondo de mercado de
dinero a $100 cada unidad, entonces debern adquirir 3000 unidades en el
X2 3000

fondo del mercado de dinero

Despus de agregar las restricciones de no negatividad, encontramos el modelo

completo de programacin lineal para el problema de Innis Investment
Min Z = 8X1 + 3X2
Sujeto a
50X1 + 100X2 1200,000

Fondos disponibles

5 X1 +

Ingreso anual

4 X2 60,000
X2 3000

Unidades mnimas mercado de dinero

X1, X2 0
16000
15000

50x1 + 100x2 = 1200,000 (/-10)

5x1 + 4x2 = 60,000

14000

12000

12000

10000

50
X1
+

1+
5X

Xb

-5X1 10X2 = 120,000

5X1 + 4X2 = 60,000

Pto optimo
(4000,10000)

8000

2=
40X

6000

10
0X
2=

000
60,

4000

6X2 = 60,000 X2 = 10,000

X1 = 4,000
12
00
,00
0

3000

3000

2000

0
0

5000

10000

15000

20000

0
25000

Xa
Tpo de contruccion

Tpo de pintura

Mdo dinero

30000

6.4. VARIABLES EXCEDENTES (SURPLUS en ingles)

Un anlisis completo de la solucin ptima para el problema de Innis Investments
muestra un ndice de riesgo total para la cartera ptima es de:
8x1 + 3x2 = 8(4000) + 3(10,000) = 62,000
Restriccin 1: 50x1 + 100x2 = 50(4000) + 100(10,000) = 1200,000 1200,000
Restriccin

2:

5x1

4x2

5(4000)

4(10,000)

60,000

60,000

Restriccin 3: x2 3000 10,000 3000

Observe como la adquisicin de 10,000 unidades en el fondo de mercado excede en

7000 unidades el requisito mnimo de 3000 unidades (restriccin 3)

En Programacin lineal cualquier cantidad en exceso (excedente) correspondiente a

una restriccin se le conoce como excedente
Recuerde que:

Con una restriccin se puede agregar una variable de holgura en el lado

izquierdo de la restriccin para convertirla en una igualdad.

En una restriccin se puede agregar una variable excedente en el lado

izquierdo de la restriccin para convertirla en una igualdad.

Igual que las variables de holgura, en la funcin objetivo a las variables excedentes se
les da un coeficiente de cero, ya que no tienen ningn efecto sobre su valor. Despus
de incluir la variable de holgura en el modelo se convierte en:

Modelo PL

Forma Estndar

Min. Z = 8X1 + 3X2

Min. Z = 8X1 + 3X2 + 0S1 + 0S2 + 0S3

Sujeto a

Sujeto a

50 X1 + 100 X2 1200,000
5 X1 +

4 X2 60,000
X2 3000
X1, X2 0

50 X1 + 100 X2 + S1
5 X1 +

4 X2

= 1200,000
S2

X2

= 60,000
S3 = 3000

X1, X2, S1, S2, S3 0

En la solucin ptima X1 = 4000 y X2 = 10,000, los valores de las variables de holgura

y excedente son:

Restriccin
Fondos Disponibles

Variable

Valor de la variables

Holgura

S1 = 0

Ingreso anual

Excedente

S2 = 0

Unidades mnimas mercado dinero

Excedente

S3 = 7000

Observe que el problema de RMC todas las restricciones eran del tipo , y que en el
Innis Investments son una combinacin de o .

6.5. ANALISIS DE SENSIBILIDAD EN PL

El anlisis de sensibilidad es una de las partes ms importantes en la programacin
lineal, sobretodo para la toma de decisiones; pues permite determinar cuando una
solucin sigue siendo ptima, dados algunos cambios ya sea en el entorno del
problema, en la empresa o en los datos del problema mismo.

Este anlisis consiste en determinar que tan sensible es la respuesta ptima al cambio
de algunos datos como las ganancias o costos unitarios (coeficientes de la funcin
objetivo) o la disponibilidad de los recursos (trminos independientes de las
restricciones).

La variacin en estos datos del problema se analizar individualmente, es decir, se

analiza la sensibilidad de la solucin debido a la modificacin de un dato a la vez,
asumiendo que todos los dems permanecen sin alteracin alguna.

Esto es importante porque estamos hablando de que la sensibilidad es esttica y no

dinmica, pues solo contempla el cambio de un dato a la vez y no el de varios.
El anlisis de sensibilidad es el estudio de la forma de en que los cambios en los
coeficientes de un programa lineal afectan a la solucin optima

El Objetivo Principal del Anlisis de Sensibilidad es establecer un intervalo de

nmeros reales en el cual el dato que se analiza puede estar contenido, de tal manera
que la solucin sigue siendo ptimo siempre que el dato pertenezca a dicho intervalo.

Dado que el anlisis de sensibilidad se ocupa de la manera en que los cambios

citados afectan a la solucin optima, el anlisis solo se inicia cuando se ha obtenido la
solucin ptima del problema original. Por esta razn el anlisis de sensibilidad se le
conoce como anlisis de postoptimilidad.