DEFIN IC I N DE

P ROG RA MA CI N LIN EA L

Se conoce como programacin lineal a la tcnica de la matemtica que permite

la optimizacin de una funcin objetivo a travs de la aplicacin de
diversas restricciones a sus variables. Se trata de un modelo compuesto, por lo
tanto, por una funcin objetivo y sus restricciones, constituyndose todos estos
componentes como funciones lineales en las variables en cuestin.
A lo largo de la historia han existido diversos acontecimientos importantes relativos a
la programacin lineal, como son estos:
-Durante la Segunda Guerra Mundial se mantuvo en secreto y fue utilizada como
mecanismo para poder gestionar y planificar todos los gastos. De esta manera se
pretenda, gestionar mejor los recursos propios y reducir lo mximo posible lo que
eran los costos del ejrcito.
-Tres se consideran sus padres o creadores: el hngaro-estadounidense John von
Neumann, el profesor norteamericano George Dantzig y el matemtico de origen
ruso Leonid Kantorvich, que recibi el Premio Nobel de
Economa en 1975.
Los modelos de programacin lineal contemplan
que las variables de decisin (es decir, la funcin
objetivo y las restricciones) mantienen un
comportamiento de tipo lineal. Esto hace que, a travs
de su mtodo, se puedan simplificar los clculos y obtener un resultado prximo a
la realidad.
Adems de todo lo expuesto, no podemos pasar por alto tampoco la existencia de
otra serie importante de conceptos que estn en relacin a la citada programacin
lineal. En este caso, nos estamos refiriendo a tres en concreto:
-Solucin factible. Bajo esta denominacin se encuentra un recinto, que puede estar
acotado o no y que est determinado por lo que viene a ser el conjunto de las
restricciones de todos los semiplanos. Tambin es conocida por el nombre de regin
de validez.

-Solucin ptima. Se da en llamar as a lo que es el conjunto de todos los vrtices del

recinto. Hay que subrayar adems que, en concreto, esa puede ser mnima o mxima
segn cada caso.
-Valor del programa lineal. En este caso, este viene a ser el valor que la mencionada
funcin objetivo toma en lo que es el vrtice de la solucin ptima.
Lee todo en: Definicin de programacin lineal - Qu es, Significado y
Concepto http://definicion.de/programacion-lineal/#ixzz3o8m69cvc

PROGRAMACIN LINEAL
Es un enfoque de solucin de problemas elaborado para ayudar a tomar decisiones. Es un modelo
matemtico con una funcin objetivo lineal, un conjunto de restricciones lineales variables no
negativas. En el ambiente de negocios actual, pueden encontrarse gran cantidad de aplicaciones.
La funcin objetivo define la cantidad que se va a maximizar o minimizar en un modelo de
programacin lineal.
Las restricciones limitan o reducen el grado en que puede perseguirse el objetivo.
Las variables son las entradas controlables en el problema.
Para resolver un problema de programacin lineal es recomendable seguir ciertos pasos que son:
1. Entender el problema a fondo.
2. Describir el objetivo.
3. Describir cada restriccin.
4. Definir las variables de decisin.
5. Escribir el objetivo en funcin de las
variables de decisin.
6. Escribir las restricciones en funcin de
las variables de decisin.
7. Agregar las restricciones de no negatividad.

TRMINOS CLAVE
Modelo Matemtico
Representacin de un problema donde el objetivo y todas las condiciones de restriccin se
describen con expresiones matemticas.
Restricciones de no negatividad
Conjunto de restricciones que requiere que todas las variables sean no negativas.
Solucin Factible
Solucin que satisface simultneamente todas las restricciones.
Regin Factible
Conjunto de todas las soluciones factibles.
Variable de holgura
Variable agregada al lado izquierdo de una restriccin de "menos o igual que" para convertir la
restriccin en una igualdad. El valor de esta variable comnmente puede interpretarse como la
cantidad de recurso no usado.
Forma Estndar
Programacin lineal en el que todas las restricciones estn escritas como igualdades. La solucin
ptima de la forma estndar de un programa lineal es la misma que la solucin ptima de la
formulacin original del programa lineal.
Punto Extremo
Desde el punto de vista grfico, los puntos extremos son los puntos de solucin factible que ocurren
en los vrtices o "esquinas" de la regin factible. Con problemas de dos variables, los puntos
extremos estn determinados por la interseccin de las lneas de restriccin.
Variable de Excedente
Variable restada del lado izquierdo de una restriccin de "mayor o igual que" para convertir dicha
restriccin en una igualdad. Generalmente el valor de esta variable puede interpretarse como la
cantidad por encima de algn nivel mnimo requerido

MTODO SIMPLEX
El algoritmo simplex est diseado para localizar la solucin ptima concentrndose en un nmero
seleccionado de las soluciones bsicas factibles del problema. Siempre empieza en una solucin
bsica factible y despus trata de encontrar otra solucin bsica factible que mejorar el valor del
objetivo.
Los clculos para producir la nueva solucin bsica incluyen dos tipos:
1. Rengln pivote:
Nuevo rengln pivote = rengln pivote actual / elemento pivote
2. Todos los dems renglones, incluyendo z:
Nuevo rengln = (rengln actual) (su coeficiente de la columna pivote) x (nuevo rengln pivote)

Introduccin al anlisis de sensibilidad

El trabajo del equipo de investigacin de operaciones recin se inicia cuando se ha aplicado con
xito el mtodo smplex para identificar una solucin ptima. Una suposicin de programacin
lineal es que todos los parmetros del modelo (aij, bi y cj ) son constantes conocidas. En
realidad, los valores de los parmetros que se usan en este modelo son
sloestimaciones basadas en una prediccin de las condiciones futuras. Los datos obtenidos
para desarrollar estas estimaciones con frecuencia son bastante imperfectos o no existen, es
por esta razn que los parmetros de la formulacin original pueden representar poco ms que
algunas pequeas reglas proporcionadas por el personal de lnea el que tal vez se sinti
presionado para dar su opinin. Los datos pueden incluso representar estimaciones optimistas o
pesimistas que protegen los intereses de los estimadores.
Por todo esto, un gerente razonable y el personal de investigacin de operaciones mantendrn
cierto escepticismo respecto a los valores originales entregados por el computador y, en los
muchos casos, los considerarn solamente como un punto de inicio para el anlisis posterior del
problema. Una solucin "ptima" es ptima nada ms en lo que se refiere al modelo especfico
que se est usando para representar el problema real, y tal solucin no se convierte en una gua
confiable para la accin hasta que se verifica que su comportamiento es bueno para otras
representaciones razonables del problema. An ms, algunas veces los parmetros del modelo
(en particular bi) se establecen como resultado de decisiones por polticas gerenciales, y estas
decisiones deben revisarse despus de detectar sus consecuencias.
Estas son las razones por las cuales es importante llevar a cabo un anlisis
desensibilidad, para investigar el efecto que tendra sobre la solucin ptima proporcionada por
el mtodo smplex el hecho de que los parmetros tomaran otros valores posibles. En general,
habr algunos parmetros a los que se les pueda asignar cualquier valor razonable sin que
afecten la optimalidad de la solucin. Sin embargo, tambin existirn parmetros con valores
probables que nos lleven a una nueva solucin ptima. Esta situacin es particularmente
preocupante, si la solucin original adquiere valores sustancialmente inferiores en la funcin
objetivo, o tal vez no factibles!
Por lo tanto, el objetivo fundamental del anlisis de sensibilidad es identificar losparmetros
sensibles, (por ejemplo, los parmetros cuyos valores no pueden cambiar sin que cambie la
solucin ptima ). Para ciertos parmetros que no estn clasificados como sensibles, tambin
puede resultar de gran utilidad determinar el intervalo de valores del parmetro para el que la
solucin ptima no cambia. (Este intervalo de valores se conoce como intervalo permisible para
permanecer ptimo). En algunos casos, cambiar el valor de un parmetro puede afectar
la factibilidad de la solucin BF ptima. Para tales parmetros, es til determinar el intervalo de
valores para el que la solucin BF ptima (con los valores ajustados de las variables bsicas)
seguir siendo factible. (Este intervalo recibe el nombre de intervalo permisible para permanecer
factible).
La informacin de este tipo es invaluable en dos sentidos. Primero, identifica los parmetros
ms importantes, con lo que se puede poner un cuidado especial al hacer sus estimaciones y al
seleccionar una solucin que tenga un buen desempeo para la mayora de los valores
posibles. Segundo, identifica los parmetros que ser necesario controlar de cerca cuando el
estudio se lleve a la prctica. Si se descubre que el valor real de un parmetro se encuentra
fuera de su intervalo de valores permisibles, sta es una seal de que es necesario cambiar la
solucin.

En esencia, la idea fundamental revela de inmediato la forma en que los cambios al modelo
original alteraran los nmeros de la tabla smplex final (si se supone que se duplica la
misma secuencia de operaciones algebraicas que realiz el mtodo smplex la primera vez). Por
lo tanto, despus de hacer unos cuantos clculos para actualizar esta tabla smplex, se puede
verificar con facilidad si la solucin BF ptima original ahora es no ptima (o no factible). Si es
as, esta solucin se usar como solucin bsica inicial para comenzar de nuevo el mtodo
smplex (o el smplex dual ) para encontrar una nueva solucin ptima, si se desea. Si los
cambios realizados en el modelo no son cambios mayores, slo se requerirn unas cuantas
iteraciones para obtener la nueva solucin ptima a partir de esta solucin bsica inicial
"avanzada".
Para describir este procedimiento con ms detalle, considere la siguiente situacin. Se ha
empleado el mtodo smplex para obtener una solucin ptima para un modelo de programacin
lineal con valores especficos para los parmetros bi, cj y aij. Para iniciar el anlisis de
sensibilidad se cambian uno o ms parmetros. Despus de hacer los cambios, sean bi, cj
y aij los valores de los distintos parmetros. Entonces, en notacin matricial, para el modelo
revisado.
Este anlisis incremental proporciona tambin una idea general til, que los cambios en la
tabla smplex final deben ser proporcionales a cada cambio en la tabla smplex inicial. A
continuacin se ejemplificar cmo esta propiedad permite usar la interpolacin o extrapolacin
lineal para determinar el intervalo de valores de un parmetro dado para el cual la solucin
bsica final permanece factible como ptima.
Despus de obtener la tabla smplex final revisada, se convierte la tabla en la forma apropiada
de eliminacin de Gauss (como sea necesario). En particular, la variable bsica para el rengln i
debe tener un coeficiente de 1 en ese rengln y 0 en todos los dems renglones (incluyendo el
rengln 0), para que la tabla est en la forma apropiada para identificar y evaluar la solucin
bsica actual. Por lo tanto, si los cambios no cumplen este requisito (lo que puede ocurrir slo si
se cambiaron los coeficientes de una variable bsica original), se debern realizar los cambios
necesarios para restablecer esta forma. Esta restauracin se hace con el mtodo de eliminacin
de Gauss, es decir, mediante aplicaciones sucesivas del paso 3 de una iteracin del mtodo
smplex como si cada variable que no cumple con el requisito fuera una variable entrante. Note
que este proceso puede causar otros cambios en la columna del lado derecho, por lo que la
solucin actual se podr leer en esta columna cuando se haya recuperado plenamente la forma
apropiada de eliminacin de Gauss.
Cuando se realizan pruebas para detectar cun sensible es la solucin ptima original a los
distintos parmetros del modelo, el enfoque comn es verificar cada parmetro ( o al menos las
cj y bi ) individualmente. Adems de encontrar los intervalos permisibles como se describe en la
siguiente seccin, esta verificacin puede incluir cambiar el valor del parmetro de su estimacin
inicial a otras posibilidades dentro delintervalo de valores probables (incluyendo los extremos
de este intervalo). Despus, se pueden investigar algunas combinaciones de cambios
simultneos (como cambiar una restriccin funcional completa). Cada vez que se cambia uno o
ms parmetros, se debe aplicar el procedimiento que acaba de describirse. A continuacin se
resumir este procedimiento.
Resumen del procedimiento para anlisis de sensibilidad
1. Revisin del modelo: se hacen los cambios deseados en el modelo que se va a investigar.

2. Revisin de la tabla simplex final: se emplea la idea fundamental para determinar los
cambios que resultan en la tabla smplex final.
3. Conversin a la forma apropiada: se convierte esta tabla en la forma apropiada para
identificar y evaluar la solucin bsica actual aplicando (segn sea necesario) eliminacin de
Gauss.
4. Prueba de factibilidad: se prueba la factibilidad de esta solucin verificando que todas las
variables bsicas sigan teniendo valores no negativos en la columna del lado derecho.
5. Prueba de optimalidad: se verifica si esta solucin es ptima (si es factible), comprobando
que todos los coeficientes de las variables no bsicas en el rengln 0 sigan siendo no negativos.
6. Reoptimizacin: si esta solucin no pasa cualquiera de las pruebas, se puede obtener (si se
desea) la nueva solucin ptima partiendo de la tabla actual como tabla smplex inicial
(haciendo las conversiones necesarias) para el mtodo smplex primal o el smplex dual.
La rutina interactiva llamada Sensitivity Analysis (anlisis de sensibilidad) en el OR
Courseware le permite practicar la aplicacin de este procedimiento. Adems, se proporcionar
una demostracin (bajo el mismo nombre) con otro ejemplo.
A continuacin se presentar e la aplicacin de este procedimiento a cada una de las categoras
ms importantes de cambios al modelo original. Esto incluye, en parte, la extensin sobre el
ejemplo que se introdujo en este trabajo para investigar cambios en el modelo de la Wyndor
Glass Co. De hecho, se comenzar por verificar individualmente cada uno de los cambios
anteriores. Al mismo tiempo, se integrarn al anlisis de sensibilidad algunas de las aplicaciones
de la teora de dualidad.
Aplicacin del anlisis de sensibilidad
Este anlisis casi siempre comienza con la investigacin de los cambios en los valores de
las bi, la cantidad del recurso i (i = 1, 2,. . . , m) que se encuentra disponible para las actividades
bajo consideracin. La razn es que en general existe mayor flexibilidad al establecer y ajustar
estos valores que los otros parmetros del modelo. La interpretacin econmica de las variables
duales (las yi) como precios sombra es extremadamente til para decidir cules son los cambios
que se deben estudiar.
onclusin
Hay que considerar que todo problema de programacin lineal tiene, asociado a l, un problema
dual de programacin lineal. Existen ciertas relaciones tiles entre el problema original (primal) y
su problema dual que refuerzan la habilidad para analizar el problema original. Por ejemplo, la
interpretacin econmica del problema dual proporciona los precios sombra que miden el valor
marginal de los recursos en el problema primal, al igual que permite dar una interpretacin del
mtodo smplex. Puesto que el mtodo smplex se puede aplicar directamente a cualquiera de
los dos problemas para obtener la solucin de ambos al mismo tiempo, es posible ahorrar una
gran cantidad de esfuerzo computacional si se maneja directamente el problema dual.
La teora de dualidad, que incluye el mtodo smplex dual para trabajar con soluciones bsicas
ptimas, juega un papel de gran importancia en el anlisis de sensibilidad.

Los valores usados como parmetros de un modelo de programacin lineal son slo
estimaciones. Por lo tanto, es necesario llevar a cabo el anlisis de sensibilidad para investigar
lo que ocurre si las estimaciones estn equivocadas. La idea fundamental es proporcionar la
clave para realizar esta investigacin de manera eficiente.
Los objetivos generales del anlisis de sensibilidad son identificar los parmetros relativamente
sensibles que afectan la solucin ptima, para tratar de estimarlos con ms cuidado y despus
elegir una solucin que se mantenga como buena en un cierto intervalo de valores posibles de
estos parmetros sensibles. No hay que olvidar que este anlisis constituye una parte muy
importante de los estudios de programacin lineal.

JEFE DE PLANTA
BIO FRUTOS S.A.C
julio de 2013 actualidad (2 aos 4 meses)CHANCAY - HUARAL - LIMA

-PRODUCCIN DE PRODUCTOS CONGELADOS ( TNICOS, MANGO,FRESA,PALTA Y PULPAS

DE FRUTAS)
-RESPONSABLE DEL PLANEAMIENTO DE LA PRODUCCIN, INCLUYE PROGRAMAS DE
ABASTECIMIENTO DE ENVASES, INSUMOS Y EMBALAJES.
- DESARROLLO DE NUEVOS PRODUCTOS ( PULPAS )
-RESPONSABLE DE LA PROGRAMACION Y EJECUCION DE LOS PROGRAMAS DE
PRODUCCION Y DISTRIBUCION DE EQUIPOS.
-CONTROL DE COSTOS UNITARIOS DEL REA.
-MANEJO DE INDICADORES DE GESTIN.
-ELABORACIN DE PRESUPUESTOS E INVERSIONES.
-SUPERVISION DEL MANTENIMIENTO PLANTA.
-MANEJO Y CONTROL DEL PERSONAL.
* RESPONSABLE DE LA ADMINISTRACION DE LA PLANTA ( CONTROL DE ACCESOS,
SERVICIOS GENERALES,SERVICIOS DE TERCEROS,VIGILANCIA)

http://www.inf.ufrgs.br/elavio2012/elavio2012/Downloads_files/slides_elavio_aray
a.pdf