UNIVERSIDAD NACIONAL

“SANTIAGO ANTÚNEZ DE MAYOLO”

FACULTAD DE CIENCIAS AGRARIAS
ESCUELA PROFESIONAL DE INGENIERÍA AGRÍCOLA

ENSAYO N° 1: DEL CURSO DE INVESTIGACIONES

OPERATIVAS

TEMA: FORMULACIÓN DE MODELOS DE PROGRAMACIÓN LINEAL

RESPONSABLE:
FLORES LLECLLISH, Héctor
MORALES LAZARO, Roger
PALMA TAFUR, Darwin
UTRILLA PRINCIPE, Maycol

HUARAZ – ANCASH – PERÚ

2019
TABLA DE CONTENIDO
I. INTRODUCCIÓN. ............................................................................................................. 3

II. GENERALIDADES.................................................................................................... 4

2.1. Introducción a la investigación operativa.................................................................... 4

2.1.1. ¿En qué consiste la Investigación Operativa? ........................................................... 4

2.1.2. Clasificación ............................................................................................................. 4

2.1.3. Metodología .............................................................................................................. 5

III. DESARROLLO DEL TEMA. .................................................................................... 6

2.2. Historia de la programación lineal .............................................................................. 6

2.3. Cronología histórica .................................................................................................... 6

2.3.1. Antecedentes ............................................................................................................. 6

2.3.2. Etapa de formalización ............................................................................................. 7

2.4. Programación lineal..................................................................................................... 9

2.4.1. Metodología de formulación directa para construir modelos de programación lineal

11

2.4.2. Características de los problemas de programación lineal ....................................... 14

2.4.3. Modelización........................................................................................................... 14

2.5. Método grafico .......................................................................................................... 15

2.5.1. Los pasos necesarios para realizar el método son:.................................................. 16

2.5.2. Resolución Gráfica de un Programa Lineal ............................................................ 17

2.6. Método Simplex ........................................................................................................ 19

2.7. Ejemplos de programación lineal .............................................................................. 19

IV. CONCLUSIONES. ................................................................................................... 21

V. BIBLIOGRAFÍAS. ................................................................................................... 22
I. INTRODUCCIÓN.
La Programación Lineal es una metodología ampliamente utilizada con base en
modelos matemáticos y en ocasiones complejos sistemas de ecuaciones. Se creó para dar
un sentido práctico y de optimización de recursos en la búsqueda de obtener una
mejor y más concreta solución, tal como sucede en la asignación y distribución de
recursos cuando estos son limitados (Coronel & Araujo 2004).
Un modelo de programación lineal busca maximizar o minimizar una función lineal,
sujeta a un conjunto de restricciones lineales. La programación lineal es una herramienta
para resolver problemas de optimización que se caracterizan por tener como función
objetivo y restricciones combinaciones lineales de las variables de decisión. La principal
ventaja radica en que existe un algoritmo eficiente (SIMPLEX) para resolver este tipo de
modelos. La programación lineal es uno de los modelos matemáticos que nos ayuda a
asignar de manera óptima los recursos escasos. Por ello para plantear un problema debemos
de tener en cuenta tres conjuntos básicos de elementos:
a) Variables de decisión y parámetros, siendo las variables de decisión las cantidades
desconocidas que deben determinarse en la solución de un problema cuyo modelo
plantea y los parámetros son valores que especifican la relación entre las variables
de decisión.
b) Conjunto de restricciones, son aquellas limitaciones que restringen las variables
de decisión.
c) Función objetiva, se encarga de definir la eficacia del modelo, en función de las
variables de decisión.
La programación lineal es un conjunto de técnicas racionales de análisis y de resolución
de problemas, que tienen por objeto ayudar a los responsables en las decisiones sobre
asuntos en los que interviene un gran número de variables.
II. GENERALIDADES.
2.1.Introducción a la investigación operativa
2.1.1. ¿En qué consiste la Investigación Operativa?
 La Investigación Operativa es una disciplina moderna que utiliza modelos
matemáticos, estadísticos y algoritmos para modelar y resolver problemas
complejos, determinando la solución óptima y mejorando la toma de
decisiones. Esta materia también recibe el nombre de Investigación de
Operaciones, Investigación Operacional o Ciencias de la Administración. Es
un método científico para dotar a los departamentos ejecutivos de una base
cuantitativa para las decisiones que tengan que ver con las operaciones bajo
su control (McCord y Kimball, 1999).
 El uso de la lógica y de la matemática de forma que no interfieran con el
sentido común (F. Hillier & G. liberman, 2001).
 La ciencia que estudia el modelado de sistemas probabilísticos y
determinísticos que se originan en la vida real desde un punto de vista de
toma de decisiones ´optimas (Hillier y Lieberman, 2000).
 El estudio de cómo formular modelos matemáticos para problemas complejos
de administración e ingeniería y cómo analizarlos para tener una visión de las
posibles soluciones (Rardin, 2002).
 Rama interdisciplinaria de la Maten ática Aplicada que emplea la
modelización matemática, estadística y algoritmos de optimización para
alcanzar soluciones ´optimas (o cuasi-´optimas) a complejos sistemas reales,
con la finalidad de mejorar su funcionamiento. Ayuda en el proceso de toma
de decisiones utilizando métodos científicos (Wikipedia [17], 2013).
2.1.2. Clasificación
Los problemas que aborda la Investigación Operativa se pueden clasificar de
diferentes formas. Atendiendo a la certidumbre de los datos, se dividen en:
a) Modelos Determinísticos
 En los cuales todos los datos se suponen conocidos
b) Modelos probabilísticos
  Cuando los datos se consideran inciertos y vienen dados por
distribuciones de probabilidad.
c) Modelos híbridos
 Como combinación de los anteriores.
Según el objetivo del problema se pueden clasificar en modelos de
optimización, cuando el objetivo es maximizar o minimizar una cantidad, sujeta
a una serie de limitaciones que restringen la decisión; y modelos de predicción,
cuando el objetivo es predecir o describir sucesos dadas ciertas condiciones.
Entre los modelos de optimización, se encuentran:
 Problemas de secuenciación, como puede ser decidir el orden a procesar en el
mínimo tiempo un número de trabajos en varias máquinas que requieren
tiempos diferentes.
 Problemas de localización, como los problemas de asignación que consisten
en asignar recursos limitados (materias primas, inversión, horas máquina,
horas-hombre) de la manera más eficiente (costo mínimo, mínimo tiempo,
mínimo de desperdicios) o los problemas de transporte o transbordo, que
distribuyen objetos desde ciertos orígenes a varios destinos.
 Problemas de rutas, tratan de encontrar la ruta ´optima desde un origen a un
destino cuando existen varias alternativas posibles, como el del viajante de
comercio que tiene que visitar varias ciudades una única vez antes de volver a
su origen.
 Problemas de búsqueda de información para tomar una decisión, como
realizar exploraciones de la tierra para encontrar recursos naturales.
2.1.3. Metodología
En cuanto a la metodología que emplea la Investigación Operativa, puede
reducirse a los siguientes pasos:
 Análisis de la realidad y formulación del problema, el analista debe observar
desde diferentes puntos de vista, consciente de las realidades sociopolíticas y
económicas, para definir de forma clara los objetivos y limitaciones.
 Modelado matemático representativo, se deben identificar las variables de
decisión, la función objetivo y las restricciones del problema.
  Resolución del modelo, en esta fase se elige la técnica de resolución y se
generan las soluciones.
 Presentación de resultados, se lleva a cabo el análisis y verificación de
soluciones, se analiza la representatividad del modelo y se realiza análisis de
sensibilidad.
 Implementación de resultados: ejecución, se preparan los informes y
presentaciones y se supervisa la aplicación
 Como la realidad es compleja, muchos de estos modelos presentan las
siguientes características:
 Son de dimensiones enormes, en términos del número de variables de
decisión o del número de condiciones.
 Son estocásticos, es decir, hay parámetros cuyos valores no pueden ser
controlados por la persona que toma la decisión y son desconocidos.
III. DESARROLLO DEL TEMA.
2.2. Historia de la programación lineal
La programación lineal es una rama de la matemática que se ha venido desarrollando
desde hace varios años, aunque en un principio no hacía uso de principios matemáticos
profundos ha tenido grandes implicaciones en actividades humanas y campos
relacionados con la sociedad, la economía y los negocios. Al igual que en las
matemáticas aplicadas la programación lineal parte de la construcción de modelos bajo
situaciones reales a las que posteriormente se les aplica técnicas matemáticas, y que
procuran la optimización de los recursos para determinar la mejor alternativa en la toma
de decisiones.
2.3. Cronología histórica
2.3.1. Antecedentes
 Siglo III A.C: Durante la II guerra Púnica, 212 A.C., el análisis y solución
que Arquímedes propuso para la defensa de la ciudad de Siracusa, sitiada por
los romanos. Arquímedes ideo una defensa a base de espejos para reflejar y
enfocar la luz del sol sobre los barcos romanos cuando se acercaran a la isla y
los espejos retro transmisores destruyeron la flota de romano Marcelo.
  1503: Leonardo Da Vinci, como ingeniero en la guerra contra Pisa ya que
conocía técnicas para realizar bombardeos, construir barcos, vehículos
acorazados, cañones, catapultas, y otras máquinas bélicas.
 Siglos XVII-XVIII: Newton, Leibniz, Bernoulli y LaGrange, trabajaron en
obtener máximos y mínimos de ciertas funciones. El método iterativo de
newton permite linealizar ecuaciones no lineales para su resolución. Jean
Baptiste - Joseph Fourier aporto el método de eliminación para la solución de
un sistema lineal de desigualdades o inecuaciones.
 1776: Gaspar Monge mediante el desarrollo de la geometría descriptiva
aporta a los precedentes del método gráfico.
2.3.2. Etapa de formalización
 1928: Janos Von Neumann público su trabajo “Teoría de juegos”, que
proporciono fundamentos matemáticos a la programación lineal.
posteriormente, en 1947, visiono la similitud entre los problemas de
programación lineal y la teoría de matrices que desarrollo.
 1932: Wassily M Leontief; propuso el modelo Interindustrial entrada-salida
de la economía norteamericana, el cual consiste de una serie de restricciones
lineales pero sin función objetivo que optimizar.
 1939: Aunque parece ser que la programación lineal fue utilizada por Monge
en 1776, se considera a Leonid Vitálievich Kantoróvich uno de sus creadores.
La presentó en su libro “Métodos matemáticos para la organización y la
producción” (1939) y la desarrolló en su trabajo Sobre la transferencia de
masas (1942). Kantoróvich recibió el premio Nobel de economía en 1975 por
sus aportaciones al problema de la asignación óptima de recursos humanos.
 1941 – 1942 : Kantoróvich y Tjalling Koopmans estudiaron de forma
independiente el problema del transporte por primera vez, conociéndose este
tipo de problemas como problema de Koopmas-Kantorovich
 1945: George Joseph Stigler planteo el problema del régimen alimenticio
optimal. Obtuvo el premio nobel de economía en 1982.
 II Guerra mundial, 1942: La programación lineal se plantea como un modelo
matemático para planificar los gastos y los retornos, a fin de reducir los
 costos al ejército y aumentar las pérdidas del enemigo. Se mantuvo en secreto
hasta 1947. En la posguerra, muchas industrias lo usaron en su planificación
diaria.
 En este momento la programación lineal nace como ciencia, “nueva ciencia
de la investigación operática” o “investigación de las operaciones”. En la
batalla de Inglaterra, donde la fuerza aérea alemana, es decir la luftwaffe,
estaba sometido a los británicos a un duro ataque aéreo ya que estos tenían
una capacidad aérea pequeña, aunque experimentada en el combate.
 El gobierno británico, buscando algún método para defender su país, convoco
a varios científicos de diversas disciplinas para tratar de resolver el problema
de sacar al máximo beneficio de los radares que disponían. Con su trabajo se
determinó la localización optima de las antenas y la mejor distribución de las
señales con lo que duplicaron la efectividad del sistema de defensa aérea.
 Estados Unidos - 1947: Se crea el proyecto SCOOP (Scientific Computation
Of Optimum Programs) para solucionar problemas relacionados con la
logística militar pues al acabar la segunda guerra mundial, la organización de
los Estados Unidos ( energía, armamentos y todo tipo de suministros)
preocupaba y se consideró oportuno realizarla mediante modelos de
optimización, resueltos mediante la programación lineal. En el grupo de
científicos estaba George B Danzig. Con la creación de este grupo se
considera que se formalizo la programación lineal.
 1947: George Bernard Dantzing es el creador del método simplex. Durante el
inicio de la segunda guerra mundial se unió a la fuerza aérea de USA y
trabajo con el Combat Analysis of Statistical Control. Fue el asesor de
matemáticas del U.S. Air Force Controller y resolvió para ellos la forma más
rápida de calcular el tiempo de duración de las etapas de un programa de
despliegue, entrenamiento y suministro logístico, lo que lo llevo a sus
importantes descubrimientos y conto con el apoyo de ordenadores de la IBM.
En 1947 hizo la primera formulación del método simplex para resolver el
citado problema logístico-militar. Contribuyo a la teoría de la dualidad,
ideada conjuntamente con Fulkerson y Johnson en 1954 para resolver el
 problema del agente viajero. Aporto el desarrollo de la programación
estocástica desde 1955 y a sectores de la industria y la administración
 1979: Otro matemático ruso, Leonid Khachiyan, diseñó el llamado Algoritmo
del elipsoide, a través del cual demostró que el problema de la programación
lineal es resoluble de manera eficiente, es decir, en tiempo polinomial y se
constituyó en la base de otros algoritmos más eficientes y sofisticados, con lo
que se ha logrado impulsar a las ciencias de la computación.
 1984: Narendra Karmarkar introduce un nuevo método del punto interior para
resolver problemas de programación lineal, lo que constituiría un enorme
avance en los principios teóricos y prácticos de la programación lineal.
2.4. Programación lineal
Según Beneke y Winterboer (1984: 5) los métodos matemáticos de optimización
(aquellos que permiten identificar los valores máximos o mínimos de determinadas
expresiones matemáticas) alcanzaron un desarrollo notable en la década de los años 40.
Afirman estos autores que ya en 1945 Stiegler define y soluciona el problema particular
de la obtención de la dieta de mínimo costo para la alimentación de ganado.
A partir de 1949 aparece un extraordinario número de publicaciones sobre la base
teórica de la programación lineal así como de sus aplicaciones a las diversas ramas de la
economía. Merecen mención especial, por la decidida influencia que tuvieron en el
perfeccionamiento y difusión de estas técnicas matemáticas, los trabajos y actividades
de la Cowles Commission for research in econoomics, la Rand Corporation, el
Departamento de Matemáticas de la Universidad de Princeton y el Carnegie Institute of
Technology.
Moya (1998: 63) menciona que fue George B. Dantzig y otro grupo de personas
asociadas que en el año 1947, acatando la solicitud de autoridades militares del gobierno
de los Estados Unidos, se dedicaron a investigar cómo se podía aplicar las matemáticas
y la estadística para resolver problemas de planeación y programación con fines
puramente militares. En ese mismo año Dantzig y sus colaboradores plantean por
primera vez la estructura matemática básica del problema de programación lineal.
Según Anderson (2004: 224), en el año 1948 Tjalling Koopmans le comentó a
Dantzig que el nombre era demasiado largo y que era conveniente cambiarlo, ante lo
cual Dantzig accedió y el nombre fue sustituido por el “Programación Lineal”, que se
usa incluso en la actualidad.
En términos generales, se puede decir que cualquier fenómeno en que interviene un
número determinado de variables no negativas (es decir, variables cuyo valor es
positivo o cero), que se pueden ligar entre sí mediante relaciones de desigualdad o
igualdad y que reflejen las limitaciones o restricciones que el fenómeno presenta con
miras a optimizar un objetivo, puede ser formulado como un modelo de programación
matemática. Si tanto las restricciones como la función objetivo se pueden enunciar
mediante expresiones lineales, estamos frente a un campo particular de la programación
matemática denominada “programación lineal”.

En términos generales, se puede decir que cualquier fenómeno en que interviene un

número determinado de variables no negativas (es decir, variables cuyo valor es
positivo o cero), que se pueden ligar entre sí mediante relaciones de desigualdad o
igualdad y que reflejen las limitaciones o restricciones que el fenómeno presenta con
miras a optimizar un objetivo, puede ser formulado como un modelo de programación
matemática. Si tanto las restricciones como la función objetivo se pueden enunciar
mediante expresiones lineales, estamos frente a un campo particular de la programación
matemática denominada “programación lineal”. En este caso la palabra “programación”
no se refiere a programación en computadoras; sino que se le utiliza como sinónimo de
planeación. La programación lineal trata sobre la planeación de las actividades para
obtener un resultado óptimo, esto es, el resultado que mejor alcance la meta
especificada (según el modelo
Para Weber (1984: 718), el problema de programación lineal trata acerca de la
maximización o minimización de una función lineal de varias variables primarias,
llamada función objetivo, con sujeción a un conjunto de igualdades o desigualdades
lineales llamadas restricciones, con la condición adicional de que ninguna de las
variables puede ser negativa. Esta última condición puede ser obviada, cuando el
problema lo requiera, mediante el ingenioso artificio de expresar la variable de interés
como la diferencia de dos variables no negativas.
 En forma resumida se afirma que la programación lineal es un método matemático de
resolución de problemas donde el objetivo es optimizar (maximizar o minimizar) un
resultado a partir de seleccionar los valores de un conjunto de variables de decisión,
respetando restricciones correspondientes a disponibilidad de recursos, especificaciones
técnicas, u otras condicionantes que limiten la libertad de elección.
Como caso de especial interés tenemos que mediante la programación lineal
podemos representar un sistema de producción mediante un modelo o matriz en el que
se incluyen:
 Costos e ingresos generados por unidad de actividad (función objetivo).
 Aportes y requerimientos de insumos y productos por unidad de cada actividad
considerada (coeficientes insumo/producto).
 Disponibilidad de recursos, especificaciones técnicas y empresariales a respetar
(valores del lado derecho de las restricciones).
En concreto, la programación lineal es un método matemático que permite
analizar y elegir la mejor entre muchas alternativas. En términos generales
podemos pensar en la programación lineal como un medio para determinar la
mejor manera de distribuir una cantidad de recursos limitados en procura de lograr
un objetivo expresable en maximizar o minimizar una determinada cantidad. El
modelo general de un problema de programación lineal consta de dos partes muy
importantes: la función objetivo y las restricciones.
2.4.1. Metodología de formulación directa para construir modelos de programación
lineal
Como su nombre lo indica, la formulación directa estriba en pasar directamente
del sistema asumido al modelo de PL. Para tal efecto, se propone el siguiente
orden: definir el objetivo, definir las variables de decisión, enseguida las
restricciones estructurales y finalmente establecer las condiciones técnicas
a) Definir el Objetivo: Consiste en definir un criterio de optimización el cual
puede ser Maximización o Minimización dependiendo del problema que se
desee resolver, el cual es una función lineal de las diferentes actividades del
problema. Bajo el criterio de optimización definido se pretende medir la
 contribución de las soluciones factibles que puedan obtenerse y determinar la
óptima.
Z = Cl X1 + C2 X2 +...... + Cn Xn
O utilizando la notación de sumatorias
Z =∑𝑛𝑗=1 Cj Xj
Donde:
Z = Función objetivo lineal.
Cj = Precio neto o costo unitario, según sea el modelo.
Xj = Actividad o proceso
El objetivo puede ser la maximización de algunas variables de ingreso que
pueden variar desde los ingresos netos o brutos, dependiendo según se
estructure el modelo. La programación lineal puede también aplicarse a los
problemas de minimización de costos y estos programas parten de un diferente
conjunto de criterios para su optimización. Los coeficientes C1, C2...., Cn son
los coeficientes de costo (conocidos) o de ingresos, según el tipo de problema
que estemos resolviendo. Por otra parte, X1, X2. . . . , Xn son las variables de
decisión (variables, o niveles de actividad) que deben determinarse de tal
manera que se alcance el objetivo dentro de las restricciones que enfrenta el
problema.
b) Definir las variables de decisión: Son las incógnitas del problema
básicamente consisten en los niveles de todas las Actividades que pueden
llevarse a cabo en el problema a formular, estas pueden ser de tantos tipos
diferentes como sea necesario, e incluir tantos subíndices como sea requerido.
c) Definir las restricciones: Son los diferentes requisitos que debe cumplir
cualquier solución para que pueda llevarse a cabo. En cierta manera son las
limitantes en los valores de los niveles de las diferentes actividades (variables).
Las restricciones, expresadas mediante desigualdades lineales, están
compuestas por los coeficientes técnicos (Aij), las actividades o procesos (Xn),
las cuales también se tomaron en cuenta en la función objetivo y además los
niveles o limitaciones (Bi). El conjunto de restricciones se expresan de la
siguiente manera:
 A11 X1 + A12 X2 +….+ A1n Xn ≤ B1
A21 X1 + A22 X2 +.....+ A2m Xn ≥B2
Am1 X1 + Am2 X2+…+ Amn Xn = Bm
X1, X2,…,Xn ≥ 0
Según Beneke y Winterboer (1984: 25), hay tres tipos básicos de
restricciones: de “mayor que” (≥), de “menor que” (≤) o de igualdad (=), y
estas pueden ser clasificadas en razón a su naturaleza:
 Restricciones de recursos o entradas: como tales pueden incluirse
terreno, capital, mano de obra e instalaciones.
 Restricciones externas: esta clase incluye conceptos tales como las
asignaciones gubernamentales de superficie de terreno, los límites de
crédito asignado a los productos u obligaciones de tipo legal.
 Restricciones subjetivas: estas restricciones se las impone el propio
operador. Los límites pueden ser difíciles de definir, pero frecuentemente
son reales y significativos en el proceso de planificación. A menudo las
restricciones impuestas provienen de los propios objetivos personales o del
negocio del planeador. Entre las limitaciones de ese tipo pueden citarse las
siguientes:
a) Limitaciones sobre el nivel de crédito que el planeador está dispuesto a
utilizar. En muchas ocasiones es inferior a la cantidad que los
prestamistas están dispuestos a aportar. La motivación típica para tal
tipo de limitaciones es el deseo poco explícito de evitar los azares de la
deuda.
b) Restricciones por el riesgo del nivel de las actividades que presentan
aspectos ligados a ingresos altamente variables como pueden ser la cría
de ovejas o de ganado mayor.
c) Restricciones de mínimos respecto a que el operador considere deseable
por razones no propiamente de ingresos directos como puede ser el
mantener vacas de raza pura, vacas lecheras o cultivos para mantener
las cualidades del terreno. Condiciones Técnicas: En este apartado se
establece que todas las variables deben tomar valores no negativos.
2.4.2. Características de los problemas de programación lineal
Los supuestos en que se basa la programación lineal y que ayudan a concluir
sobre la formulación presentada de un problema son:
d) Proporcionalidad. Implica que en la función objetivo Z, la utilización del
recurso j es 𝐴𝑖𝑗 X. (i = 1, 2,..., m), son directamente proporcionales al valor de
la actividad j determinada.
e) Aditividad. Dados los niveles de actividad, el uso total de cada recurso y el
valor resultante de Z deben igualar la suma correspondiente a las cantidades
generadas por el valor de cada actividad.
f) No negatividad. El resultado de cada una de las variables de decisión en la
solución óptima debe ser positivo. Cuando se presentan variables negativas,
éstas se deben expresar como la adición de variables positivas.
g) Optimalidad. En algunos casos las variables reales que describen las
actividades tienen sentido únicamente con valores enteros; debemos tener en
cuenta que en programación lineal se aceptan valores reales positivos.
2.4.3. Modelización
Un modelo es una abstracción, una representación de la realidad, un concepto o
una idea con la que se pretende aumentar su comprensión, hacer predicciones o
controlar/analizar un sistema. Cuando el sistema no existe, sirve para definir la
estructura ideal de ese sistema futuro indicando las relaciones funcionales entre
sus elementos. En la actualidad un modelo se define como un constructo basado
en nuestras propias percepciones pasadas y actuales; la anterior representación
puede ser holista o reduccionista.
2.4.3.1.Clasificación de modelos
Los modelos se clasifican desde diversos puntos de vista. Es de advertir
que las siguientes divisiones y subdivisiones no fueron realizadas en forma
exhaustiva.
a) Por su grado de abstracción: se dividen en abstractos (no físicos) y
concretos (físicos). Los primeros en general se apartan de la realidad y
los segundos generalmente emulan los sistemas reales. Los abstractos se
clasifican en verbales, diagramáticos y matemáticos. Los verbales,
 corresponden a la representación del modelo en prosa; diagramáticos, el
modelo es expresado por medio de diagramas; los modelos matemáticos
se subdividen su vez en algebraicos, trascendentes, continuos, discretos,
lineales y no lineales. Los modelos algebraicos trabajan con funciones
algebraicas. Los trascendentes utilizan funciones trascendentes. Los
modelos continuos emplean valores correspondientes a distribuciones de
probabilidad mientras que en los modelos discretos los cambios que sufre
un sistema se hacen en intervalos de tiempo. Los modelos lineales
trabajan con funciones lineales en tanto que los modelos no lineales
utilizan funciones no lineales. Además, los modelos matemáticos también
pueden ser estáticos, dinámicos, determinísticos y probabilísticos
(estocásticos): un modelo es estático, cuando sus atributos no muestran
variación en el tiempo, los modelos dinámicos permiten observar el
comportamiento del sistema a través del tiempo, los modelos
determinísticos no tienen funciones de probabilidad; mientras que los
modelos estocásticos existen en ellos funciones de probabilidad.
b) Por su esencia: son normativos y descriptivos. Los modelos primeros
indican normas que se deben cumplir, mientras que los segundos nos
definen una situación real.
c) Por sus características: pueden ser réplicas, cuasirréplicas, analógicos,
formalización, isomorfos y simulación. Réplica, representación estricta
de la realidad a escala; cuasirréplica, su representación se realiza en dos
dimensiones; analógicos, utilizan unas propiedades para representar
otras; formalización, emplean lenguaje abstracto; isomorfos, número de
variables que emplea el modelo; simulación, no se reproducen
características físicas.
2.5. Método grafico
El método gráfico se utiliza para la solución de problemas de PL, representando
geométricamente a las restricciones, condiciones técnicas y el objetivo. El modelo se
puede resolver en forma gráfica si sólo tiene dos variables. Para modelos con tres o más
variables, el método gráfico es impráctico o imposible. Cuando los ejes son
relacionados con las variables del problema, el método es llamado método gráfico en
actividad. Cuando se relacionan las restricciones tecnológicas se denomina método
gráfico en recursos.
2.5.1. Los pasos necesarios para realizar el método son:
a) Graficar las soluciones factibles, o el espacio de soluciones (factible), que
satisfagan todas las restricciones en forma simultánea.
b) Las restricciones de no negatividad Xi>= 0 confían todos los valores posibles.
c) El espacio encerrado por las restricciones restantes se determinan sustituyendo
(en primer término = 0). Si es así, el proceso termina; de otra manera se lleva a
cabo otra interacción para obtener la nueva solución básica factible inicial.
d) Condición de factibilidad.- Para todos los problemas de maximización y
minimización, variable que sale es la variable básica que tiene la razón más
pequeña (positiva). Una coincidencia se anula arbitrariamente.
e) Seleccionar las variables de holgura como las variables básicas de inicio.
f) Selecciona una variable que entra de entre las variables no básicas actuales que,
cuando se incrementan arriba de cero, pueden mejorar el valor de la función
objetivo. Si no existe la solución básica es la óptima, si existe pasar al paso
siguiente.
g) Realizar el paso iterativo.
 Se determina la variable básica entrante mediante la elección de la variable
con el coeficiente negativo que tiene el valor mayor valor absoluto en la
ecuación. Se enmarca la columna correspondiente a este coeficiente y se le
da el nombre de columna pivote.
 Se determina la variable básica que sale; para esta, se toma cada coeficiente
positivo (>0) de la columna enmarcada, se divide el lado derecho de cada
renglón entre estos coeficientes, se identifica la ecuación con el menor
cociente y se selecciona la variable básica para esta ecuación.
 Se determina la nueva solución básica factible construyendo una nueva tabla
en la forma apropiada de eliminación de Gauss, abajo de la que se tiene.
Para cambiar el coeficiente de la nueva variable básica en el renglón pivote
a 1, se divide todo el renglón entre el número pivote, entonces
2.5.2. Resolución Gráfica de un Programa Lineal
Una primera aproximación para dar solución a problemas de tipo PL, es poder
identificar nuestro conjunto factible mediante representaciones gráficas y desde
ahí identificar la solución óptima del sistema. Para una mayor comprensión
mostraremos algunos ejemplos de resolución de programas de 2 variables. Para
resolver estos problemas mediante gráficas, debemos seguir los siguientes pasos:
1. Dibujar un sistema de coordenadas en donde los ejes representan a las variables
de decisión y luego representar las distintas restricciones mediante rectas en el
sistema coordenado.
2. Representar las regiones del plano correspondiente a cada una de las
restricciones, incluyendo las de no negatividad. Luego, la intersección de estas
regiones nos entregará la región de soluciones o región factible.
3. Si la función objetivo es Z = C1x1 + C2x2, tendremos que representar la recta r
≡ C1x1 + C2x2 = 0 y estudiar la variación de Z al desplazarnos dentro de la
región factible mediante rectas paralelas r ≡ C1x1 + C2x2 = 0. En los
problemas de maximización la solución será el punto de la región factible que
nos entregué un Z mayor y en los de minimización el que nos dé un Z menor.
Ahora bien, se nos pueden plantear los siguientes casos:
a) Si la región factible es Ø el programa lineal no tiene solución factible
(INFACTIBILIDAD).
b) b) Si la región factible es acotada entonces siempre hay solución finita, que
pude ser única o múltiple (OPTIMALIDAD).
c) c) Si la región factible es no acotada entonces puede ocurrir que exista
Solución finita (única o múltiple, lo que nos asegurará OPTIMALIDAD) o
Solución ilimitada.
Ejemplo
Max 2X1 + X2
Sujeto a 2X1 + 3X2 ≤ 18
3X1 + X2 ≤ 12
X1 ≥ 0, X2 ≥ 0
SOLUCION:
2X1 + 3X2 =18 3X1 + X2 = 12
X1=0, X2=6 X1=0, X2=12
X1=9, X2=0 X1=4, X2=0
GRAFICA
16
X2

14

12

10

6
B (0,6)
C (18/7, 30/7)
4

2
A (0,0) D (4,0)
0
-2 -1 0 1 2 3 4 5 6 7 8 9 10 11
-2 X1

-4

REGION FACTIBLE
PUNTOS Z = 2X1+X2
A (0, 0) 0.0
B (0, 6) 6.0
C (18/7, 30/7) 9.4
D (4, 0) 8.0

En este caso la solución corresponde a (18/7, 30/7), es finita y única.

2.6. Método Simplex
2.7. Ejemplos de programación lineal
En una explotación agraria de 100 hectáreas se desean realizar diferentes labores
como son: cultivar dos tipos de cereal (trigo y cebada), plantar dos tipos de frutales
(perales y manzanos), y reforestar, para lo cual se plantarán pinos y chopos. Los
beneficios que se obtienen por cada hectárea cultivada de trigo y cebada son
respectivamente 3 y 2.5 unidades monetarias; así mismo, por cada hectárea de perales se
obtienen 3.5 u.m. y por cada hectárea de manzanos, 4 u.m. Por otro lado, se obtiene una
subvención por la reforestación y se otorgan 5 u.m. por cada hectárea de pinos y 4.5
u.m. por cada hectárea de chopos. Las normas de la explotación obligan a utilizar al
menos el 40% del total de la tierra en el cultivo de los cereales, y como máximo un 35%
de la tierra en cualquiera de las otras dos labores, frutales o reforestación. Calcular
cómo ha de repartirse la tierra para obtener un máximo beneficio.
Solución:
Definimos las variables originales como:
X1 = hectáreas cultivadas de trigo.
X2 = hectáreas cultivadas de cebada.
X3 = hectáreas plantadas de perales.
X4 = hectáreas plantadas de manzanos.
X5 = hectáreas plantadas de pinos.
X6 = hectáreas plantadas de chopos.
La función a maximizar, beneficio obtenido, será:
F(X1+X2+X3+X4+X5+X6) = Z = 3X1+2.5X2+3.5X3+4X4+5X5+4.5X6
Las restricciones lineales del problema se formulan como:
X1+X2+X3+X4+X5+X6 ≤ 100 (máximo de hectáreas)
X1+X2 ≥ 0.4 (X1+X2+X3+X4+X5+X6) (normas de la explotación)
X3+X4 ≤ 0.35 (X1+X2+X3+X4+X5+X6) (normas de la explotación)
X5+X6 ≤ 0.35 (X1+X2+X3+X4+X5+X6) (normas de la explotación)
Finalmente, por su definición, tenemos las restricciones de no negatividad de las
variables:
X1, X2, X3, X4, X5, X6 ≥ 0
 El planteamiento del problema queda, por tanto, de la siguiente manera:
Max: f (X1+X2+X3+X4+X5+X6) = Z = 3X1+2.5X2+3.5X3+4X4+5X5+4.5X6
Sujeto a: X1+X2+X3+X4+X5+X6 ≤ 100
X1+X2 ≥ 0.4 (X1+X2+X3+X4+X5+X6)
X3+X4 ≤ 0.35 (X1+X2+X3+X4+X5+X6)
X5+X6 ≤ 0.35 (X1+X2+X3+X4+X5+X6)
X1, X2, X3, X4, X5, X6 ≥ 0
Simplificando las restricciones, e introduciendo las correspondientes variables de
holgura obtenemos la forma estándar:
Max: 3X1+2.5X2+3.5X3+4X4+5X5+4.5X6
Sujeto a: X1+X2+X3+X4+X5+X6+S1 = 100
-3X1-3X2+2X3+2X4+2X5+2X6+S2= 0
-7X1-7X2+13X3+13X4-7X5-7X6+S3 = 0
-7X1-7X2-7X3-7X4+13X5+13X6+S4 = 0
X1, X2, X3, X4, X5, X6 ≥ 0
La solución factible básica inicial es:
X1=X2=X3=X4=X5=X6 = 0, S1 = 100, S2=S3=S4 = 0

TABLA SIMPLEX #1
Z X1 X2 X3 X4 X5 X6 S1 S2 S3 S4 CR
S1 0 1 1 1 1 1 1 1 0 0 0 100
S2 0 -3 -3 2 2 2 2 0 1 0 0 0
S3 0 -7 -7 13 13 -7 -7 0 0 1 0 0
S4 0 -7 -7 -7 -7 13 13 0 0 0 1 0
Z 1 -3 -2.5 -3.5 -4 -5 -4.5 0 0 0 0 0

TABLA SIMPLEX #2
Z X1 X2 X3 X4 X5 X6 S1 S2 S3 S4 CR
S1 0.0 2.5 2.5 0.0 0.0 0.0 0.0 1.0 -0.5 0.0 0.0 100.0
X5 0.0 -1.5 -1.5 1.0 1.0 1.0 1.0 0.0 0.5 0.0 0.0 0.0
S3 0.0 -17.5 -17.5 20.0 20.0 0.0 0.0 0.0 3.5 1.0 0.0 0.0
S4 0.0 12.5 12.5 -20.0 -20.0 0.0 0.0 0.0 -6.5 0.0 1.0 0.0
Z 1.0 -10.5 -10.0 1.5 1.0 0.0 0.5 0.0 2.5 0.0 0.0 0.0
 TABLA SIMPLEX #3
Z X1 X2 X3 X4 X5 X6 S1 S2 S3 S4 CR
S1 0.0 0.0 0.0 4.0 4.0 0.0 0.0 1.0 0.8 0.0 -0.2 100.0
X5 0.0 0.0 0.0 -1.4 -1.4 1.0 1.0 0.0 -0.3 0.0 0.1 0.0
S3 0.0 0.0 0.0 -8.0 -8.0 0.0 0.0 0.0 -5.6 1.0 1.4 0.0
X1 0.0 1.0 1.0 -1.6 -1.6 0.0 0.0 0.0 -0.5 0.0 0.1 0.0
Z 1.0 0.0 0.5 -15.3 -15.8 0.0 0.5 0.0 -3.0 0.0 0.8 0.0

TABLA SIMPLEX #4
Z X1 X2 X3 X4 X5 X6 S1 S2 S3 S4 CR
X4 0.0 0.0 0.0 1.0 1.0 0.0 0.0 0.3 0.2 0.0 -0.1 25.0
X5 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.4 0.0 0.0 0.1 35.0
S3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 -4.0 1.0 1.0 200.0
X1 0.0 1.0 1.0 0.0 0.0 0.0 0.0 0.4 -0.2 0.0 0.0 40.0
Z 1.0 0.0 0.5 0.5 0.0 0.0 0.5 4.0 0.2 0.0 0.0 395.0

Obtenemos, por tanto, la solución óptima cuyo valor es:

X*1 = 40, X*2 = X*3 = 0, X*4 = 25, X*5 =35, X*6 = 0, Z* = 395 u.m. de beneficio.
Esto es, se cultivarán 40 hectáreas de trigo y ninguna de cebada; únicamente se
plantarán 25 hectáreas de manzanos (ninguna de perales); además, se reforestarán 35
hectáreas con pinos y ninguna con chopos. Con todo esto, se obtendrá un beneficio de
395 unidades monetarias.

IV. CONCLUSIONES.
 La programación lineal no puede ser puesta en práctica sin antes tener nociones de
conocimiento y practica básicas de los sistemas lineales, ya que éstos son las bases de
las programaciones lineales. La programación lineal se resuelve mediante los sistemas
lineales.
 La programación lineal no solo es utilizada en ámbitos relacionados con las
matemáticas sino en situaciones de la vida diaria, en los cuales uno desea desenvolverse
y prosperar; es uno de los métodos más eficientes.
 Del mismo modo, la programación lineal es muy usada en la microeconomía y la
administración de empresas, ya sea para aumentar al máximo los ingresos o reducir al
mínimo los costos de un sistema de producción
  Los modelos matemáticos han adquirido cada vez más importancia, gracias sin duda a
aportes de personajes de la historia como Frederick Taylor con la aplicación del método
científico en la administración, la especialización del trabajo y los estudios de tiempos;
Henry L. Gantt con la planeación de la producción; y Ford Harris con modelos para el
cálculo de lotes económicos y control de inventarios.

V. BIBLIOGRAFÍAS.
Anderson, D., Sweeney, D. y T. Williams. (2004). Métodos cuantitativos para los negocios. México:

Recuperado de https://www.redalyc.org/pdf/729/72912559007.pdf

Beneke, R. y R. Winterboer. (1984). Programación lineal aplicación a la agricultura. España:

Editorial AEDOS. 222 p.

Moya, M. (1998). La programación lineal. Costa Rica: EUNED. 264 p.

Weber, J. (1984). Matemática para administración y economía. México: Editorial Hala. 823 p

CORONEL, R. M. & ARAUJO, P. A. (2004) La Programación Ambiente y Sostenibilidad 2016 (6):

97-104 Revista del Doctorado Interinstitucional en Ciencias Ambientales

García Cabañes, J., Fdez. Martínez, L. y Tejera del Pozo, P.: “Técnicas de Investigación operativa”.

Tomo II. Ed. Paraninfo. Madrid 1990. Supervisado por: José María Úbeda Delgado.