Apoyo a la toma de

decisiones con Solver I

Programacin lineal bsica con Excel. Parte I: Marco
Terico Bsico de la Programacin Lineal

Jose Ignacio Gonzlez Gmez

Departamento de Economa, Contabilidad y Finanzas - Universidad de La Laguna
www.jggomez.eu

INDICE
1 Marco terico de la Programacin Lineal (PL) ............................................................................... 1
1.1 Marco conceptual de la PL .............................................................................................................. 1
1.2 Fundamentos de la Programacin Lineal (PL)........................................................................ 1
1.2.1 Bases tcnicas y condicionantes de PL .............................................................................. 1
1.2.2 Condicin: funciones lineales. Programacin Lineal vs No Lineal .......................... 2
1.2.3 Condicin: variables de decisin son continuas. Programacin Lineal Bsica
(PLB) vs Programacin Lineal Entera (PLE/B) ................................................................................ 2
1.2.4 Condicin: existe un nico objetivo. Programacin Lineal vs Programacin
lineal multicriterio ....................................................................................................................................... 3
1.2.5 Condicin: los parmetros son determinsticos. Programacin Determinstica
vs Estocstica................................................................................................................................................. 3
1.3 Fundamentos de la Programacin Entera: Pura, binaria y mixta ................................... 3
1.3.1 Programacin Lineal Entera Pura ..................................................................................... 3
1.3.2 Programacin Lineal Entera Binaria ................................................................................ 4
2 El Modelo matemtico de PL y tipos de soluciones. .................................................................. 5
2.1 El modelo matemtico general ..................................................................................................... 5
2.2 Modelos cannicos y no cannicos ............................................................................................... 5
2.3 Tipos de soluciones A......................................................................................................................... 6
2.4 Tipos de soluciones B......................................................................................................................... 7
3 Clasificacin de los problemas de PL ............................................................................................... 12
3.1 Clasificacin tcnica. Determinsticos (Lineal y No Lineal) y Estocsticos ................. 12
3.1 Clasificacin funcional o econmica.......................................................................................... 13
3.1.1 rea Comercial y Marketing ............................................................................................... 13
3.1.2 rea Produccin y Contabilidad de Costes .................................................................... 14
3.1.3 rea Recursos Humanos, asignacin de tareas y turnos .......................................... 15
3.1.4 rea Finanzas........................................................................................................................... 16
3.1.5 rea Distribucin, logstica y transportes ..................................................................... 16
 3.1.6 Otros mbitos: Dietas ............................................................................................................ 17
4 Bibliografa................................................................................................................................................... 18
 www.jggomez.eu Pgina |1

1 Marco terico de la Programacin Lineal (PL)

1.1 Marco conceptual de la PL
La programacin lineal es una rama de la Investigacin Operativa que a travs de
una serie de mtodos pretende obtener la mejor solucin a problemas de
optimizacin lineal con restricciones.
As, la programacin lineal trata el problema de la asignacin ptima de los recursos
escasos a las distintas actividades que conducen a la consecucin de una meta o de
un objetivo en una empresa u organizacin. El problema puede ser representado por
un modelo matemtico cuyas funciones son lineales.
Es decir, son modelos matemticos lineales que tratan de optimizar (maximizar o
minimizar) una funcin lineal sujeta a que las variables verifiquen un sistema de
inecuaciones lineales.
Las tcnicas de programacin lineal se utilizan en un amplsimo espectro de
problemas, entre otros, de planificacin y gestin de recursos humanos y materiales,
de transporte, de planificacin financiera y de organizacin de la produccin. En
definitiva, una extensa gama de problemas que aparecen en las reas de tipo
industrial, econmico, administrativo, militar...

La tcnica matemtica conocida por programacin lineal se utiliza para

obtener una solucin ptima a un problema condicionado por
unas variables de partida sujetas a ciertas restricciones

1.2 Fundamentos de la Programacin Lineal (PL)

1.2.1 Bases tcnicas y condicionantes de PL

La programacin lineal es un caso especial de la programacin matemtica, en

donde todas las funciones que hay en el modelo son lineales: siempre tenemos una
funcin objetivo lineal a optimizar (maximizar o minimizar), sujeta a restricciones
lineales individuales. Las variables del modelo, que son continuas, nicamente
pueden coger valores no negativos. Si bien puede parecer que estos supuestos
quitan realismo al problema porque el analista est limitado al uso de ecuaciones
que quizs no son frecuentes en el mundo real, si nos permiten una aproximacin al
tratamiento del problema.
Un problema clsico de la programacin sera el siguiente:
Alta Costura Clida produce dos colecciones POP y VIP. El proceso de
produccin se desarrolla en dos secciones: Seccin de Corte y Seccin de
Acabado. En trminos tcnicos y econmicos se tienen evaluadas las
siguientes estimaciones:
Una coleccin POP necesita 1 hora de corte y 2 horas de acabado.
Un coleccin VIP precisa de 3 horas de corte y 1 hora de acabado
La seccin de corte solo puede estar 9 horas diarias en marcha, mientras
que la de acabado slo 8 horas. El beneficio que se obtiene produciendo
VIP es el doble que el de POP
Se pide:
 www.jggomez.eu Pgina |2

Cul ha de ser la produccin diaria de POP y VIP para obtener el mximo

beneficio?
En el planteamiento del problema se manejan varios conceptos fundamentales:
Las variables.
Las restricciones que se imponen, expresadas por inecuaciones lineales.
La funcin objetivo, de tipo lineal, que describe el problema
Por tanto, la PL consiste en encontrar los valores de unas variables que maximizan
o minimizan un nico objetivo sujeto a una serie de restricciones.
Las principales caractersticas de PL son:
1. Un nico objetivo lineal a optimizar (maximizar o minimizar)
2. Unas variables de decisin que siempre son continuas1 y no negativas
3. Una o ms restricciones lineales
4. Un conocimiento exacto de los parmetros y recursos utilizados en la
construccin del modelo.
Si todas estas condiciones se cumplen, existen varios mtodos de obtencin de
soluciones que nos dan la solucin ptima. A continuacin analizaremos con ms
detalles estas caractersticas y lo que ocurre si una o varias de ellas no se cumplen.
1.2.2 Condicin: funciones lineales. Programacin Lineal vs No Lineal

Como hemos sealado en PL todas las funciones utilizadas tanto en el objetivo como
en las restricciones son lineales. Es decir, las restricciones consisten en la suma de
variables multiplicadas por sus respectivos parmetros, siendo esta funcin menor,
igual o mayor que un determinado recurso. El objetivo tambin es lineal, si bien
desconocemos a priori su valor. En caso de que tanto el objetivo como una o ms
restricciones no fueran lineales, sera necesario el introducir mtodos de
programacin no lineal, que son mucho ms complejos de resolver y cuya
optimalizad no siempre est garantizada.
1.2.3 Condicin: variables de decisin son continuas. Programacin Lineal
Bsica (PLB) vs Programacin Lineal Entera (PLE/B)

La PL bsica considera que las variables de decisin son continuas. Desde el punto
de vista matemtico de obtencin de soluciones, esta caracterstica no ofrece
problemas. Ahora bien, en muchas situaciones, la interpretacin econmica de la
solucin de un problema de PL no tiene sentido si obtenemos fracciones en las
variables. Por ejemplo, si estamos asignando trabajadores a tareas, no tiene sentido
un resultado que en un momento determinado asigne 3,4 trabajadores a una
determinada tarea. Por otro lado, y como veremos ms adelante, si uno opta por

11 Recordemos que una variable es continua si la medida que representa su medicin admite
fraccionar sus unidades (longitud, peso, estatura, volumen, tiempo, etc.) es decir por tanto se trata
de una variable continua. Ejemplo, la cantidad de metros que tiene las telas que salen de un telar
forman una variable continua, la longitud de un rollo de tela podr tener, 34m, o 34.5 m, o 34,234 m,
etc.
Si la medicin de la variable slo puede hacerse en unidades que no se pueden fraccionar (salvo para
obtener un promedio, pero no para obtener un nico valor de los posibles de la variable) es una
variable discreta. Ejemplo, la cantidad de personas que ocupan un estadio es una variable discreta
porque cuentas en enteros, no puedes considerar ni media ni un tercio de persona, el nmero de
defectos admisibles en una cierta longitud de tela, el nmero de clientes que pasan por una caja de
un banco en una hora, etc
 www.jggomez.eu Pgina |3

redondear al entero ms prximo se puede cometer un grave error. Para poder

obtener soluciones enteras en problemas que lo requieren, se utiliza la
Programacin lineal Entera.
1.2.4 Condicin: existe un nico objetivo. Programacin Lineal vs
Programacin lineal multicriterio

Los modelos de PL consideran que hay un nico objetivo a maximizar o minimizar.

Muchas veces podemos tener que resolver problemas que tienen ms de un objetivo.
Por ejemplo, por un lado podemos querer maximizar la cobertura de un
determinado servicio sanitario, mientras que por el otro queremos reducir los
costos generales.
Ambos objetivos son conflictivos, en el sentido de que aumentar la cobertura
significara un aumento en la necesidad de recursos con el consecuente incremento
de costos en el sistema. Esta conflictividad se resuelve utilizando mtodos de
Programacin Multicriterio o multiobjetivo.
1.2.5 Condicin: los parmetros son determinsticos. Programacin
Determinstica vs Estocstica

Se considera que los parmetros utilizados en la construccin del modelo se conocen

con exactitud, o en trminos ms tcnicos, son determinsticos. Sin embargo, existen
situaciones en las que uno o ms parmetros tienen un componente estocstico, o
en palabras menos tcnicas, tienen una variabilidad (que en algunos casos puede ser
representada por una distribucin estadstica). Si esto acontece, la PL ya no es un
buen instrumento para la obtencin de soluciones es necesario utilizar tcnicas de
Programacin Estocstica.
1.3 Fundamentos de la Programacin Entera: Pura, binaria y mixta
Extrado y adaptado de:

Anlisis de Sensibilidad con Excel y LINDO (2003): Proyecto e-Math Proyecto E-MATH: "Uso
de las TIC en asignaturas cuantitativas aplicadas". Financiado por la Secretara de Estado de
Educacin y Universidades (MECD). Autores: ngel A. Juan (ajuanp@uoc.edu), Javier
Fauln (ffaulin@uoc.edu). http://www.uoc.edu/in3/emath/ Consultado el 28/10/2013
Universidad del Pas Vasco Creative Commons License. http://ocw2010.ehu.es/course/view.php?id=19

1.3.1 Programacin Lineal Entera Pura

Como hemos visto, los modelos de programacin lineal consideran que las variables
de decisin son continuas, es decir, que pueden tomar en la solucin final valores
fraccionados. Pero, en muchos casos, una solucin ptima de un programa lineal
puede ser inservible si presenta fracciones. Supongamos, por ejemplo, que hemos
construido un modelo para asignar personal mdico a departamentos dentro de un
hospital. En este caso, las variables de decisin (asignar personas a departamentos)
tienen que ser enteras en la solucin final.
No tendra sentido una solucin en la cual 2,3 mdicos fuesen asignados a la seccin
de dermatologa!
Para poder encontrar soluciones de problemas en los cuales algunas o todas las
variables tienen que ser enteras, se utiliza la programacin entera, que no es ms
que una extensin de la programacin lineal.
 www.jggomez.eu Pgina |4

En los modelos de programacin entera debemos distinguir las siguientes

casusticas:
Modelo Lineal Entero Modelo Lineal 0-1

1. Modelos de programacin entera pura: todas las variables toman valores

enteros.
2. Modelos de programacin entera 0-1: todas las variables son binarias.
3. Modelos de programacin entera mixta: algunas variables toman valores
enteros y otros valores continuos.

1.3.2 Programacin Lineal Entera Binaria

Otro tipo de modelos entran dentro de la programacin entera es la binaria, que es

un caso especial en donde todas o algunas de las variables representan acciones
binarias, es decir, hacer o no hacer. En este caso, las variables nicamente pueden
adoptar los valores 0 1.
Este tipo de problemas es muy comn en la toma de decisiones, en donde muchas
veces tenemos que decidir si, por ejemplo, tenemos que construir un nuevo centro,
si tenemos que invertir en un nuevo departamento, o si tenemos que modificar una
estrategia de planificacin de un servicio.
Cuando nos encontramos con este tipo de problemas, la formulacin matemtica no
se ve alterada; nicamente en las restricciones de nonegatividad hay que indicar
qu variables tienen que tomar valores enteros. El problema reside en encontrar
soluciones que sean factibles, ya que el algoritmo Simplex no garantiza una solucin
adecuada al problema. En esta parte, examinaremos en primer lugar como podemos
modificar el algoritmo Simplex para poder obtener soluciones ptimas. A
continuacin, examinaremos algunos problemas de programacin entera cuyas
variables de decisin son binarias (decisiones hacer o no hacer).
 www.jggomez.eu Pgina |5

2 El Modelo matemtico de PL y tipos de soluciones.

2.1 El modelo matemtico general
El modelo matemtico que expresa de manera general el problema de Programacin
Lineal es el que presentamos a continuacin.
El problema plantea encontrar los valores de x1, x2,xn que hacen que se maximice
o minimice la funcin lineal Z, sujetos a una o varias restricciones2.
Modelo Matemtico (1)
Maximizar (Minimizar) Z = c1x1 + c2x2 ++ cnxn
Sujeta a: a11x1 + a12x2 ++ a1nxn (<) (>) (=) b1
a21x1 + a22x2 ++ a2nxn (<) (>) (=) b2

. . . .
. . . .
. . . .
am1x1 +am2x2 ++amnxn (<) (>) (=) bm
Siendo: x1, x2,, xn > 0
Los componentes del modelo se pueden identificar as:
Funcin Objetivo: Z = c1x1 + c2x2 ++ cnxn
Constantes: aij, bi y ci
Variables de decisin: x1, x2,. xn
Restricciones, funciones del tipo: a11x1 + a12x2 ++ a1nxn (<) (>) (=) b1
De esta forma el modelo se puede interpretar: dadas n actividades, las variables de
decisin x1, x2,. xn representan los niveles a que se llevan a cabo las actividades,
Z denota la medida de efectividad escogida. Los valores de cj expresan el aumento
en la medida de efectividad proveniente de un aumento en la unidad de xj. Adems,
bi representa la cantidad de recurso i disponible para usar en las n actividades y aij
denota la cantidad de insumo o recurso i del que hace uso la actividad j. Por lo tanto,
el lado derecho de las restricciones significa el uso total de los insumos respectivos.
Las ltimas restricciones evitan la posibilidad de que existan niveles de actividades
negativos.
2.2 Modelos cannicos y no cannicos
Cuando el modelo toma la forma (2) se denomina modelo Cannico de
Programacin Lineal.
Modelo Matemtico (2)
Maximizar Z = c1x1 + c2x2 ++ cnxn
Sujeta a: a11x1 + a12x2 ++ a1nxn < b1
a21x1 + a22x2 ++ a2nxn < b2
. . . .
. . . .
. . . .
am1x1 +am2x2 ++amnxn < bm

2 http://metcuantitativos.files.wordpress.com/2008/07/5-mcyal-programacionlineal.pdf
 www.jggomez.eu Pgina |6

Siendo: x1, x2, , xn > 0

Veamos los siguientes ejemplos en los que hemos de determinar si los modelos son
cannicos o no y porque:

Caso I Caso II
Maximizar Z = 6x1 + 3x2 + 8x3 Minimizar Z = 6x1 + 3x2 + 8x3
Sujeta a: x1 + x2 +x3 < 12 Sujeta a: x1 + x2 +x3 < 12
5x1 + 6x2 > 33 5x1 + 6x2 < 33
Siendo: x1, x2, x3 > 0
Siendo: x1, x2, x3 > 0
Solucin. Solucin.
No corresponde a un modelo Cannico ya No corresponde a un modelo Cannico ya que se
que la segunda restriccin tiene la forma > en trata de minimizar la funcin objetivo, diferente a
vez de <, como debera ser. la forma cannica que exige que esta se maximice.
Caso III
Maximizar Z = 6x1 + 3x2 + 8x3
Sujeta a: x1 + x2 +x3 =12
5x1 + 6x2 < 33
Siendo: x1, x2, x3 > 0
Solucin.
No corresponde a un modelo Cannico ya que la
primera restriccin corresponde a una igualdad y
no a una desigualdad < como es la forma exigida
por el modelo cannico

2.3 Tipos de soluciones A

El grupo de las soluciones posibles recibe el nombre de conjunto
restriccin o conjunto solucin factible. La solucin debe situarse en el rea
definida por las inecuaciones de restriccin, que se conoce por regin factible.

Regin factible del sistema de inecuaciones lineales:

La regin factible puede estar acotada, como en la figura, o no acotada. Cuando est
acotada, se representa grficamente como un polgono con un nmero de lados
menor o igual que el de restricciones (en la figura, el polgono acotado tiene cuatro
lados, y las restricciones tambin son cuatro).
Se llama solucin ptima a la que maximiza o minimiza la funcin objetivo. Esta
solucin si es nica siempre se encuentra en un vrtice o punto extremo de la
regin factible.
En los problemas de programacin lineal con dos variables pueden darse varios
tipos de soluciones ptimas:
Solucin nica.
Solucin mltiple (infinitas soluciones).
 www.jggomez.eu Pgina |7

Solucin no acotada (ausencia de solucin), cuando la funcin objetivo no

tiene valores extremos, pues la regin factible es no acotada.
Solucin no factible, cuando no existe regin factible por falta de puntos
comunes en el sistema de inecuaciones.
Solucin degenerada, si en un solo punto (que se dice degenerado)
coinciden tres o ms de las rectas que limitan la regin factible.

Solucin que podemos obtener

Tipo de solucin que podemos obtener en la resolucin de un problema de PL

(especial referencia al caso de dos variables)

Factibles No Factibles
Si existe el conjunto de Cuando no existe el conjunto de
soluciones o valores que soluciones que cumplen las
satisfacen las restricciones restricciones, es decir, las
restricciones son inconsistentes.

Con solucin Con solucin Con solucin

nica mltiple no acotada
Si existe ms de una Cuando no existe lmite
solucin para la funcin objetivo

Otra opcin
2.4 Tipos de soluciones B
Extrado y adaptado de

Anlisis de Sensibilidad con Excel y LINDO (2003): Proyecto e-Math Proyecto E-MATH: "Uso
de las TIC en asignaturas cuantitativas aplicadas". Financiado por la Secretara de Estado de
Educacin y Universidades (MECD). Autores: ngel A. Juan (ajuanp@uoc.edu), Javier
 www.jggomez.eu Pgina |8

Fauln (ffaulin@uoc.edu). http://www.uoc.edu/in3/emath/ Consultado el 28/10/2013

Universidad del Pas Vasco Creative Commons License. http://ocw2010.ehu.es/course/view.php?id=19

Todos los problemas lineales tienen una interpretacin geomtrica y su

representacin grfica nos ofrece una interesante perspectiva adems de mostrar el
tipo de solucin posible.
El conjunto de soluciones del sistema de inecuaciones se obtiene representando
cada ecuacin y determinando el semiespacio delimitado por cada inecuacin. As
se obtiene el polgono de soluciones.
Si el problema tiene solucin acotada el valor ptimo de la funcin objetivo
siempre se encuentra en un vrtice del polgono.
Problema con solucin ptima nica
Considerar el modelo lineal:
max z = 6x1 + 3x2
Sujeto a:
2x1 + 4x2 >= 8
x1 + 4x2 >= 4
x1 x2 >= 2
x1, x2 >=0
El objetivo es determinar los valores de x1 y x2 que, verificando las restricciones,
maximicen el valor de la funcin z = 6x1 + 3x2.
Representando todas las restricciones, y teniendo en cuenta que las variables deben
tomar valores no negativos, se obtiene el conjunto de soluciones del problema que
aparece sombreado en la grfica.
En la representacin grfica se indica con flechas el semiespacio asociado a cada
restriccin.

El polgono OABCD es un conjunto convexo. Se pueden determinar los puntos

extremos del conjunto resolviendo sistemas de ecuaciones. El valor de z aumenta
desplazando la funcin objetivo a travs de la regin de soluciones, alejndola del
origen de coordenadas hasta llegar a la frontera del conjunto. As se puede
comprobar que el ptimo se encuentra en el punto C y el valor de la funcin objetivo
es z = 18.
Problema infactible
Considerar el modelo lineal
 www.jggomez.eu Pgina |9

max z = x1 + x2
Sujeto a:
2x1 + x2 <=5
x1 x2 >= 4
x1, x2 >= 0
Representando todas las restricciones se ve en la grfica, que no hay ningn punto
que verifique todas las restricciones. Por tanto, el problema no tiene solucin.

Problema con soluciones optimas mltiples

Considerar el modelo lineal
max z = x1 + x2
Sujeto a:
x1 + x2 <= 8
4x1 + 4x2 <= 8
2x1 x2 <=6
x1, x2 >= 0
En este caso el conjunto de soluciones es el polgono OABCD que aparece sombreado
en la grfica

Las soluciones ptimas son los puntos extremos B, C y los puntos del segmento BC.
El valor ptimo de la funcin objetivo es z = 8
 www.jggomez.eu P g i n a | 10

Regin no acotada. Solucin no acotada

Considerar el modelo lineal
max z = x1 + 2x2
Sujeto a
x1 + 2x2 >= 2
2x1 + x2 <= 4
x1, x2 >= 0

Como se ve en la grfica el conjunto de soluciones es no acotado y, la funcin objetivo

se puede desplazar indefinidamente alejndola del origen de coordenadas.
Por tanto, el valor ptimo de z crece hasta infinito. Se dice que la solucin ptima es
no acotada.
Regin no acotada. Solucin acotada
Considerar el modelo lineal
min z = x1 + 2x2
Sujeto a:
x1 + 2x2>= 2
2x1 + x2 <=4
x1, x2 >=0
En este ejemplo el conjunto de soluciones es no acotado, pero se puede encontrar el
ptimo acotado desplazando la funcin objetivo acercndola al origen de
coordenadas hasta la frontera de la regin. As podemos comprobar que el ptimo
se encuentra en los puntos A = (0, 1), B = (2, 0) y en todos los puntos del segmento
yz=2
 www.jggomez.eu P g i n a | 11

En los ejemplos hemos visto todos los tipos de soluciones que nos podemos
encontrar al resolver un modelo lineal. Se trata de poder identificar las condiciones
asociadas a cada tipo de solucin.
 www.jggomez.eu P g i n a | 12

3 Clasificacin de los problemas de PL

3.1 Clasificacin tcnica. Determinsticos (Lineal y No Lineal) y
Estocsticos
Segn3 el modelo matemtico de programacin adoptado nos encontramos con la
siguiente clasificacin mostrada en el Ilustracin 1.
Modelos Matemticos de Programacin
Determinsticos Estocsticos
Considera que los parmetros Considera que la totalidad o un
asociados al modelo son subconjunto de los parmetros
conocidos con certeza absoluta tienen una distribucin de
probabilidad asociada.

Lineal No Lineal (PNL) Las variables de decisin son continuas

(Problemas de Programacin Lineal)
(Problemas de Programacin no Lineal)
y la funcin objetivo y las restricciones
son funciones escalares cualesquiera.
La funcin objetivo y/o las restricciones son funciones no lineales de las
variables de decisin. Una sola funcin objetivo.

Convexo Restringido

Irrestricto
No Convexo

Continuo (PLB) Todas las Variables son Continuas.. Existen por tanto intervalos
de valores.
(Programacin Lineal Bsica) Informes: Permite Anlisis de sensibilidad, lectura econmica y
estudio de dualidad.

Las variables de decisin son continuas y la funcin objetivo y las restricciones son funciones
lineales. Se subdivide en dos temas: Dualidad en programacin lineal y Anlisis de
sensibilidad y pos optimizacin
Alguna de las Variables No son Continua. Estas son enteras y/o
binarias. No existen por tanto intervalos de valores para algunas
Entero (PLE/B) de las variables.
(Programacin Lineal Entera Informes: No Permite Anlisis de sensibilidad, lectura econmica y
Binaria) estudio de dualidad.
Problemas tipo: RRHH, rutas a elegir, mochila, localizacin de
almacenes, etc..

Al menos una variable de decisin es entera y/o binarias la funcin objetivo y

las restricciones son funciones lineales.
Binario
Subconjunto de la entera

Ilustracin 1

3 Clasificacin tcnica y funcional (propuesta y ttulo personal basado en notas y mis apuntes.
http://www.uoc.edu/in3/emath/docs/Aplicaciones_PL.pdf
 www.jggomez.eu P g i n a | 13

3.1 Clasificacin funcional o econmica

Bajo una perspectiva de las reas funcionales de la empresa y el tipo de decisin a
tomar presentamos la siguiente propuesta de clasificacin de los problemas de
Investigacin Operativa ms frecuentes (ver Ilustracin 2)
Esquema General
Clasificacin funcional o econmica de los problemas de
Investigacin Operativa
Clasificacin funcional o econmica - Tipo de decisin

Asignacin de tareas
rea Comercial y Marketing

Asignacin de turnos-horarios

rea Produccin y Costes

Asignacin de recursos

Programacin de Personal
rea Recursos Humanos, Asignacin de
Tareas - Turnos
Seleccin y mezclas

Combinacin optima de recursos

rea Finanzas

Otras decisiones.

rea Distribucin, Logstica y

Transportes Planificacin de la produccin

Seleccin de carteras
Otros mbitos: Dietas
Problemas de Transportes
Ilustracin 2

3.1.1 rea Comercial y Marketing

Los modelos de programacin lineal en este caso permiten al administrador la

seleccin de medios de publicidad, asignar presupuestos, entre otros asuntos, con el
fin de maximizar la audiencia y/o minimizar los costes de inversin.
 www.jggomez.eu P g i n a | 14

rea Comercial y marketing

Tipo de decisin
Asignacin de recursos Seleccin y mezclas

Combinacin optima de recursos Otras decisiones.

Ejemplos y casos relacionados:
1. SELECCIN DE MEDIOS PUBLICITARIOS
La Programacin Lineal se utiliza en el campo del marketing y la publicidad
como una herramienta que nos permite determinar cul es la combinacin
ms efectiva de medios para anunciar nuestros productos. En muchas
ocasiones partiremos de un presupuesto para publicidad fijo y nuestro
objetivo ser distribuirlo entre las distintas opciones que se nos ofrecen
(televisin, radio, peridicos, revistas, etc.) de forma que nuestros productos
tengan la mayor difusin posible. En otros casos, las restricciones no sern
presupuestarias sino que vendrn dadas por la disponibilidad de cada medio
y por las polticas publicitarias de nuestra propia empresa
2. ESTUDIOS DE MERCADO
La programacin lineal es aplicable tambin a la investigacin de mercados.
En el siguiente ejemplo se muestra cmo los estadsticos pueden hacer uso
de la Programacin Lineal a la hora de disear encuestas:
Supongamos que pretendemos realizar una encuesta para determinar la
opinin de los espaoles acerca del problema de la inmigracin. A fin de que
la misma sea significativa desde un punto de vista estadstico, exigiremos que
sta deba cumplir los siguientes requisitos:
1. Entrevistar al menos un total de 2.300 familias espaolas.
2. De las familias entrevistadas, al menos 1.000 deben cumplir que su
cabeza de familia no supere los 30 aos de edad.
3. Al menos 600 de las familias entrevistadas tendrn un cabeza de
familia con edad comprendida entre los 31 y los 50 aos.
4. El porcentaje de entrevistados que pertenecen a zonas con elevada
tasa de inmigracin no debe ser inferior a un 15% del total.
5. Finalmente, no ms de un 20% de los entrevistados mayores de 50
aos pertenecern a zonas con alta tasa de inmigracin.
Adems, todas las encuestas debern realizarse en persona.
3.1.2 rea Produccin y Contabilidad de Costes

En este caso, a travs de los modelos de programacin lineal, los administradores de

las empresas tratan los problemas relacionados con la planificacin de la
produccin, la asignacin de recursos para la produccin, los niveles de produccin,
capacidad de produccin, asignacin de mano de obra, almacenamiento de materias
primas y productos terminados; es decir, todos aquellos asuntos que conducen a la
minimizacin de los costos y/o la maximizacin de beneficios.
Tambin la programacin lineal es una importante herramienta de apoyo en la
solucin de los problemas relacionados con la Contabilidad de Costos
 www.jggomez.eu P g i n a | 15

rea Produccin y costes

Combinacin optima de recursos Planificacin de la produccin

Seleccin y mezclas Asignacin de recursos Otras decisiones

Ejemplos y casos relacionados:
1. COMBINACIN PTIMA DE BIENES
Relativo a decidir sobre la cantidad ms adecuada que una empresa debe
producir de cada uno de sus productos a fin maximizar los beneficios sin
dejar de cumplir con unos determinados requisitos (financieros, de
demanda, contractuales, de disponibilidad de materias primas, etc.)
2. PLANIFICACIN DE LA PRODUCCIN
El establecer un plan de produccin para un perodo implica el tomar en
consideracin todo un conjunto de variables de forma coordinada como son:
los requerimientos de mano de obra, costes de inventario y almacn,
demanda, disponibilidad y consumo de input, etc. Todo ello se complica an
ms cuando estamos en un entorno de multiproduccin
El problema de la planificacin se asemeja bastante al de la combinacin
ptima de bienes, pudiendo ser el objetivo maximizar beneficios o bien
minimizar los costes de produccin.
3.1.3 rea Recursos Humanos, asignacin de tareas y turnos

El objetivo central de este tipo de problemas es planificar los tiempos de mano de

obra o el nmero de empleados por turno con el fin de minimizar la cantidad de
personas y as minimizar los costos.

rea Recursos Humanos, Asignacin de

Tareas - Turnos

Asignacin de turnos-horarios Asignacin de tareas

Programacin de Personal Otras decisiones

Ejemplos y casos relacionados:
ASIGNACIN DE TRABAJOS
El objetivo se centra en asignar de la forma ms eficiente posible un trabajo
a cada empleado o mquina. Ejemplos de este tipo de asignacin seran la
distribucin de taxis por las calles de una ciudad o el destino de cada patrulla
de policia a una determinada zona geogrfica. El objetivo puede ser bien
minimizar los tiempos o costes de desplazamiento, o bien maximizar la
efectividad de las asignaciones.
Una propiedad particular de los problemas de asignacin es que tanto los
coeficientes tecnolgicos cmo los trminos independientes (right-hand-
side) siempre toman el valor 1. Adems, todas las variables sern binarias,
tomando el valor 1 si la asignacin propuesta se lleva a cabo y 0 en caso
contrario.
 www.jggomez.eu P g i n a | 16

PLANIFICACIN DE HORARIOS
Bsicamente este tipo de planteamiento pretende solucionar las necesidades
de personal durante un perodo concreto de tiempo. La aplicacin de la PL a
este tipo de problemas resulta especialmente til cuando los directivos
disponen de cierta flexibilidad a la hora de asignar tareas a empleados
polifuncionales.
As el problema consiste en minimizar el nmero de personas que cubran con
horarios determinados. Cada periodo de tiempo es considerado como una
restriccin
3.1.4 rea Finanzas

En estos casos el administrador representa problemas relacionados con la

recoleccin de cartera, seleccin del portafolio de inversiones, costos financieros,
entre otros con el fin de maximizar el rendimiento o minimizar los riesgos.
rea Finanzas

Seleccin de carteras Asignacin de recursos

Otras decisiones

Ejemplos y casos relacionados:

SELECCIN DE UNA CARTERA DE VALORES
Los responsables financieros con frecuencia tienen que enfrentarse a
problemas de seleccin de inversiones y por norma general
El objetivo es maximizar los beneficios esperados de estas inversiones, las
cuales se ven sometidas a un conjunto de restricciones, como el nivel de
riesgo que se desea asumir, la cantidad mxima que se permite invertir, etc.

3.1.5 rea Distribucin, logstica y transportes

En esta rea los problemas principales estn relacionados con el transporte,
localizacin de almacenes, planificacin de rutas, etc...
Es donde ms se ha demandado la aplicacin de tcnicas de investigacin operativa
por la complejidad de los problemas planteados y por su relevancia econmica.
rea Distribucin, logstica y transportes

Problemas de Transportes Asignacin de recursos

Otras decisiones

Ejemplos y casos relacionados:

PROBLEMA DEL TRANSPORTE
En este concepto se agrupan el conjunto de casos denominados problema
del transporte y que pretende determinar el nmero de elementos a
transportar desde diversos orgenes a diversos destinos al menor coste
 www.jggomez.eu P g i n a | 17

posible, normalmente aunque tambin puede sustituirse por el menor

tiempo posible. El objetivo suele estar condicionado a un conjunto de
restricciones como las capacidades productivas o de almacenamiento de
cada origen y las necesidades de cada destino. Este tipo de problema es un
caso especfico de PL, por lo que existen mtodos y algoritmos especiales que
facilitan su resolucin (Regla de la Esquina NorOeste, Mtodo de Vogel,
Mtodo de Paso Secuencial, y Mtodo de distribucin modificada o MODI).
PROBLEMA DE ASIGNACION
Es un caso especial del problema de transporte en el que los asignados son
recursos destinados a la realizacin de tareas. Los asignados pueden ser
personas, mquinas, vehculos, plantas y perodos de trabajo. Aqu la funcin
objetivo es maximizada, se trata de un modelo binario.
PROBLEMA DE TRANSBORDO O TRASPASO
Es un problema general del transporte donde existirn adems nodos de
paso, la idea para encontrar la solucin ptima es transformarlo a un
problema de transporte. La funcin objetivo es minimizada y se trata de un
modelo entero.
MODELO DE COBERTURA DE CONJUNTOS
La funcin objetivo se minimiza, se trata de un modelo binario, se trata de
usar lo menos posible las variables, con lo que se pretende abarcar la mayor
cantidad de espacio
3.1.6 Otros mbitos: Dietas

Aparte de los ya comentados existen otras reas o sectores empresariales donde la

investigacin operativa adquiere una relevancia de primer orden como es el caso de
configuracin de dietas, de optimizacin de peso, caso Mochila etc.
Otros mbitos: Dietas , mochila, etc

Dietas Seleccin y mezclas Otras decisiones

Ejemplos y casos relacionados:

El PROBLEMA DE LA DIETA
Es un clsico de los problemas asociados con la Programacin Lineal y
comenz a utilizarse en los hospitales para determinar la dieta ms
econmica con la que alimentar a los pacientes a partir de unas
especificaciones nutritivas mnimas. En la actualidad tambin se aplica con
xito en el mbito agrcola con la misma idea de encontrar la combinacin
ptima de alimentos que, logrando un aporte nutritivo mnimo, suponga el
menor coste posible. Por tanto, consiste en minimizar la funcin objetivo que
es referente a costos, tambin al menos una de las restricciones es mayor o
igual, e incluye una sola mezcla.
PROBLEMA TIPO MOCHILA
Consiste en escoger un conjunto de artculos de determinado peso para
ocupar un espacio (mochila) de acuerdo a una capacidad dada. Se
caracterizan por manejar una sola restriccin y maximacin en su funcin
objetivo, adems es un modelo binario
 www.jggomez.eu P g i n a | 18

Bibliografa
http://metcuantitativos.wordpress.com/programacion-lineal/
http://metcuantitativos.files.wordpress.com/2008/07/5-mcyal-programacionlineal.pdf
http://uplamcdn.files.wordpress.com/2009/04/libro-cap-03.pdf
http://www.uv.es/asepuma/VI/31.PDF
http://www.hiru.com/matematicas/programacion-lineal
https://sites.google.com/site/optimizacionlineal2404/clasificacion-de-planteamientos
http://www.uoc.edu/in3/emath/
Investigacin operativa. Programacin lineal, [2011/06] [cas]: UPV/EHU. Autores: Fernndez
Gonzlez, Victoria y Zelaia Jauregi, Ana. Creative Commons License. Consultado 30-10-2013
http://ocw2010.ehu.es/course/view.php?id=19
Apuntes de la asignatura Modelos de Optimizacin I, profesor responsable Silvia Ramos, Facultad de
Ingeniera Universidad de Buenos Aires. Consultada realizada el 31/10/2013
http://materias.fi.uba.ar/7114/infogral.php

http://metcuantitativos.files.wordpress.com/2008/07/5-mcyal-programacionlineal.pdf y personal

https://sites.google.com/site/optimizacionlineal2404/clasificacion-de-planteamientos
www.uoc.edu/in3/emath/docs/Analisis_Sensibilidad.pdf - http://www.uoc.edu/in3/emath/