Introducion A PL

El modelo de programación
lineal
Msc. Rubén Darío Buitrago

DEFINICION
• “La Investigación de Operaciones es la
aplicación por grupos interdisciplinarios del
método científico a problemas relacionados
con el control de las organizaciones o sistemas
a fin de que se produzcan soluciones que
mejor sirvan a los objetivos de toda la
organización”.

Investigación de Operaciones (IO)
Definición: método científico que suministra herramientas

cuantitativas, con fundamento en la lógica,
mediante el modelado de sistemas, para la toma de
decisiones complejas.
Objetivo: estudiar la asignación óptima de recursos a

actividades particulares y evaluar el
rendimiento del sistema para lograr su
mejoramiento

HISTORIA
• La primera actividad de Investigación de
Operaciones se dio durante la Segunda Guerra
Mundial en Gran Bretaña, donde la
Administración Militar llamó a un grupo de
científicos de distintas áreas del saber para que
estudiaran los problemas tácticos y estratégicos
asociados a la defensa del país.
• El nombre porque el equipo estaba llevando a
cabo la actividad de investigar operaciones
(militares).
HISTORIA
• Al término de la guerra y atraídos por los

buenos resultados obtenidos por los estrategas
militares, los administradores industriales
empezaron a aplicar las herramientas de la
Investigación de Operaciones a la resolución de
sus problemas que empezaron a originarse
debido al crecimiento del tamaño y la
complejidad de las industrias.

PROGRAMACION LINEAL
• Es una de las principales ramas de la Investigación
Operativa. En esta categoría se consideran todos aquellos
modelos de optimización donde las funciones que lo
componen, es decir, función objetivo y restricciones, son
funciones lineales en las variables de decisión.
• Los modelos de Programación Lineal por su sencillez son
frecuentemente usados para abordar una gran variedad
de problemas de naturaleza real en ingeniería y ciencias
sociales, lo que ha permitido a empresas y organizaciones
importantes beneficios y ahorros asociados a su
utilización.
• METODOS CUANTITATIVOS PARA LA
TOMA DE DECISIONES

1.- INTRODUCCIÓN
• Los procesos de análisis cuantitativo ayudan a analizar
racionalmente los problemas, a determinar
racionalmente las alternativas más relevantes, de modo
que en áreas como la administración de la producción,
la administración financiera, el análisis cuantitativo sea
indispensable.
• Los procesos estadísticos, manejando la teoría de las
probabilidades, el muestreo, los diseños
experimentales, son base de muchas decisiones en
todos los campos de la actividad de las organizaciones
empresariales, como recursos humanos,
mercadotecnia, producción, finanzas, operaciones,
manejo de inventarios, etc.

1.- INTRODUCCIÓN
• Proceso de Toma de Decisiones:
DEFINIR EL PROBLEMA
ESTRUCTURACIÓN ↓
DEL PROBLEMA IDENTIFICAR ALTERNATIVAS
↓
DETERMINAR CRITERIOS
↓
ANALIZAR EVALUAR ALTERNATIVAS
EL PROBLEMA ↓
ELEGIR MEJOR ALTERNATIVA

1.- INTRODUCCIÓN
DETERMINAR CRITERIOS
ANALISIS CUANTITATIVO ANALISIS CUALITATIVO
RESUMEN Y EVALUACIÓN
TOMAR LA DECISIÓN
CUALITATIVO = Experiencia problemas similares o
simple
CUANTITATIVO= Poca experiencia problema complejo
2.- ANÁLISIS CUANTITATIVO Y TOMA DE DECISIONES
• Razones para realizar un Análisis Cuantitativo para la
Toma de Decisiones:
• - Problema Complejo y quién toma la decisión requiere
ayuda cuantitativa.
• - Problema que implica alto costo y el administrador
requiere justificar su decisión.
• - Problema nuevo y el administrador no tiene
experiencia previa.
• - Problema repetitivo y el administrador ahorra tiempo y
esfuerzo con un análisis cuantitativo para recomendar
decisiones.

2.- ANÁLISIS CUANTITATIVO Y TOMA DE DECISIONES
• Para la aplicación exitosa del análisis cuantitativo para
la toma de decisiones, debe haber una estrecha
coordinación entre el analista y el usuario de los
resultados.
• Cuando se tiene el trabajo coordinado se puede
elaborar un modelo que representa el problema en
forma matemática.
• Posteriormente se empleará procedimientos de
solución para encontrar la mejor solución.
• Esa solución es la recomendada.
• El proceso de elaborar y solucionar modelos es la
esencia del proceso de análisis cuantitativo.

3.- MODELOS
• El enfoque de la Investigación de Operaciones es
el modelaje.
• Un modelo es una herramienta que nos sirve
para lograr una visión bien estructurada de la
realidad.
• La ventaja que tiene el sacar un modelo que
represente una situación real, es que nos permite
analizar tal situación sin interferir en la operación
que se realiza, ya que el modelo es como si fuera
“un espejo” de lo que ocurre.
3.- MODELOS
• Un sistema real es complejo por lo que para
estudiar problemas tomamos un MODELO.
• La construcción de un Modelo es una Arte y
Ciencia.
• Debe tomarse en cuenta todas las variables.

Y el comportamiento del modelo debe ser
similar al comportamiento del sistema real.

3.- MODELOS
• Todos los días construimos modelos:
– - Modelos mentales de una situación.
– - Modelos a escala que tratan de representar la
situación real.
• MODELOS ICÓNICOS: Son las réplicas físicas con la
misma apariencia. (modelos a escala)
• MODELOS ANALÓGICOS: Modelos físicos sin la misma
apariencia. (Aparatos de medición)
• MODELOS MATEMÁTICOS: Representa un problema por
símbolos, relaciones o expresiones matemáticas. (P=10x)
donde P=Ganancia Total; x= cantidad de unidades
vendidas y producidas. Margen por unidad $10.
TIPOS DE MODELOS CUANTITATIVOS
ESTATICOS Y DINAMICOS
- Estático: Este modelo hace abstracción del tiempo no

cambian las condiciones en el periodo de estudio.
- Dinámico: Este modelo al igual que el mundo es
dinámico establecen periodos de análisis múltiple
donde parámetros y recursos cambian con el tiempo.
FORMALES Y NO FORMALES
Es formal cuando el problema se adecue a una técnica ya existente
y es no formal cuando el problema es único y se tiene que
desarrollar nuevos procedimientos.

TIPOS DE MODELOS CUANTITATIVOS
NORMATIVOS Y DESCRIPTIVOS
- Descriptivo: Este modelo solo describe la situación y su
variación.
- Normativo: establecen un curso de acción para arribar a la
mejor solución y alcanzar objetivos. Las partes de este
modelo son: - Variables de decisión y Parámetros. -
Restricciones y – Función Objetivo.
DETERMINISTICOS Y PROBABILISTICOS
Es por la naturaleza del parámetro (si es de origen estocástico
o probabilístico el Modelo es probabilístico y si es variable
cuantificada con precisión es Modelo Determinístico.)
Clasificación de los problemas de IO

SEGÚN EL OBJETIVO
Modelos de optimización:
' secuenciación
' localización
' rutas
' búsqueda
Modelos de predicción
' reemplazamiento
' inventarios
' colas

4.- CONSTRUCCIÓN DE MODELOS
CUANTITATIVOS
• Un Modelo es una representación abstracta y simplificada de
algún aspecto de la realidad.
• Modelar es simplificar la realidad a aproximaciones fáciles de
trabajar.
• Los Modelos matemáticos se usan para explicar o predecir el
comportamiento de sistemas administrativos.
• La desventaja es que son aproximaciones de la realidad.
• Para construir un modelo útil se debe incluir lo importante y
omitir lo irrelevante.
• Se selecciona el modelo según el sistema real bajo estudio y
su propósito.

4.- CONSTRUCCIÓN DE MODELOS
CUANTITATIVOS
• Un Modelo es una representación abstracta y simplificada de
algún aspecto de la realidad.
• Modelar es simplificar la realidad a aproximaciones fáciles de
trabajar.
• Los Modelos matemáticos se usan para explicar o predecir el
comportamiento de sistemas administrativos.
• La desventaja es que son aproximaciones de la realidad.
• Para construir un modelo útil se debe incluir lo importante y
omitir lo irrelevante.
• Se selecciona el modelo según el sistema real bajo estudio y
su propósito.

5.- SISTEMAS ADMINISTRATIVOS
• Sistema es un conjunto de partes interrelacionados
entre sí.
• Todos los sistemas reales son sistemas abiertos.
• El Modelo de un sistema abierto es un sistema
cerrado.
• La Empresa en un Sistema Abierto es dinámica y
adaptativa.
• La Empresa en un Sistema Cerrado solo se considera
los aspectos relevantes y se tiene un medio
ambiente excluido.
Metodología de la IO
ESQUEMA CONCEPTUAL
EMPRESA CONSULTORÍA
tiene
tiene
CONOCIMIENTOS Y
nombra PROBLEMA HERRAMIENTAS
nombra
Para resolver
ANALISTA
DECISOR

Metodología de la IO
1. Definir problema
 identificar factores
 planificar trabajo
2. Modelado matemático
 verbalizar problema
 identificar variables
 relacionar variables
 función objetivo
 restricciones
3. Solucionar modelo
 realizar análisis
4. Validación del modelo.
5. Implementación de resultados

Clasificación de los problemas de IO

SEGÚN LOS DATOS
DETERMINÍSTICOS HÍBRIDOS ESTOCÁSTICOS
OPTIMIZACIÓN PLANEACIÓN ANALISIS DE DECISIÓN

DE
PROYECTOS
PROCESOS ESTOCÁSTICOS
LINEAL NO LINEAL
programación INVENTARIOS
? método de TEORÍA DE COLAS
lineal, entera, y
búsqueda
binaria
? programación
redes no lineal SIMULACIÓN
asignación Msc. Rubén Darío Buitrago
Los problemas de optimización dependen fundamentalmente para su
resolución del tipo de variables que forman parte del mismo y del carácter
lineal o no lineal de las restricciones.
• Continuos (Vbles. continuas)

PROGRAMACIÓN LINEAL
[CONTINUA]
• Lineales
(Función Objetivo y
• Enteros (vbles. enteras)
Restricciones lineales)
[Entera mixta (vbles. enteras y continuas)]
Problemas
PROGRAMACIÓN ENTERA
• No Lineales
(Función Objetivo y/o restricciones no lineales)
Resolución
(Métodos exactos)
Programación Lineal • SIMPLEX

Continua • Primal-Dual
• Método de Puntos Interiores
 Método Exactos
Programación Entera
 Método aproximados

MODELOS FORMALES
• Clasificación de Eppen-Gould-Schmidt
TIPO DE MODELO CLASE DE FRECUENCIA DE USO
INCERTIDUMBRE
PROGRAMACION D +
LINEAL
REDES (PERT CPM) D P +
INVENTARIOS D P +
SIMULACION D P +
PROGRAMACION D -
ENTERA, DINAMICA
TEORIA DE JUEGOS Y DE P -
COLAS
CADENAS DE MARKOV P -
6.- MODELOS CUANTITATIVOS
• PROGRAMACIÓN LINEAL: Enfoque para la
resolución de problemas elaborado para situaciones
que implican maximizar o minimizar una función
lineal sujeta a restricciones lineales que limitan el
objetivo.
• MODELOS DE INVENTARIO: Ayuda a mantener
inventarios suficientes para satisfacer la demanda al
menor costo.
• MODELO DE LINEAS DE ESPERA O DE COLAS: Ayuda
a tomar la mejor decisión en la operación de
sistemas que implican líneas de espera.
• PROGRAMACIÓN DE PROYECTOS (PERT – CPM): Los
administradores planean, programan y controlan proyectos
con numerosas actividades y variedad de departamentos .
PERT (Técnica de evaluación y revisión de programas) CPM
(Método de Ruta crítica). Ayuda a cumplir la programación de
proyectos.
• SIMULACIÓN: Técnica utilizada para modelar la operación de
un sistema y con un programa de computadora se modela y
ejecuta cálculos de simulación.
• ANALISIS DE DECISIÓN: Árboles de Decisión, se utiliza para
determinar estrategias óptimas cuando hay varias
alternativas y lo futuro es riesgoso.

• PUNTO DE EQUILIBRIO – PROGRAMACIÓN DE LA
PRODUCCIÓN: En condiciones de Certidumbre, son
modelos determinísticos.
• PRONÓSTICO: Técnica que se utiliza para predecir
aspectos futuros de la operación de un negocio.
• PROCESOS DE MARKOV: Estudia la evolución de los
sistemas, se puede predecir el comportamiento
futuro.
• MODELOS DE TRANSPORTE: Nos sirve para la
planeación de la distribución de bienes o servicios
desde varios punto de suministro a varios puntos de
demanda. Msc. Rubén Darío Buitrago
Beneficios de los Métodos Cuantitativos
para la toma de decisiones
• Provee herramientas lógicas

• Mayor precisión y cuantificación
• Visión mejorada
• Formalización
• Mejores sistemas de planificación, control,
organización y operación

• Una empresa posee tres plantas de
producción: una en Santa Cruz, otra en Sucre
y otra en La Paz. Los costos de producción en
cada planta son los mismos, pero los costos
de transporte difieren significativamente.
• Los principales puntos de demanda están en
Cochabamba, Tarija y El Alto.
• El problema consiste en decidir cuánto se
debe producir en cada planta con el fin de
minimizar los costos de distribución del
producto.
• Un gerente de un banco debe decidir cuántas
cajas debe abrir para atender a sus clientes.
• Si abre muchas cajas el servicio será muy
eficiente, pero los costos se incrementarán
fuertemente.
• Si abre pocas cajas es posible que los clientes
tengan que hacer largas colas para ser
atendidos, y podría ser que prefieran ir a otro
banco.
• Se debe decidir cuántas cajas se van a abrir.
• Un gerente de un supermercado está
convencido de que se deben mantener altos
niveles de inventarios, ya que cuando un
cliente no encuentra un producto irá a
conseguirlo en algún supermercado
competidor.
• Pero esto implica altos costos, sobre todo en el
caso de algunos productos difíciles de
conservar.
• Su pregunta consiste en cuál debe ser el nivel
adecuado de inventarios.
• Un empresario está considerando efectuar
una inversión en un nuevo producto con el fin
de lanzarlo al mercado.
• El nuevo producto podría comercializarse dos
modos:
– 1. Regalar pequeñas muestras de nuevo producto
y
– 2. Colocar algunos anuncios en revistas y
televisión.
• El empresario debe escoger el plan que
maximice las ventas, a un costo y riesgo
aceptables.
Qué es la Programación Lineal?
• Un modelo de Programación Lineal (PL) considera que las variables
de decisión tienen un comportamiento lineal, tanto en la función
objetivo como restricciones del problema. En este sentido, la
Programación Lineal es una de las herramientas más utilizadas en la
Investigación Operativa debido a que por su naturaleza se facilitan
los cálculos y en general permite una buena aproximación de la
realidad.
• Los Modelos Matemáticos se dividen básicamente en Modelos
Determistas (MD) o Modelos Estocásticos (ME). En el primer caso
(MD) se considera que los parámetros asociados al modelo son
conocidos con certeza absoluta, a diferencia de los Modelos
Estocásticos, donde la totalidad o un subconjunto de los
parámetros tienen una distribución de probabilidad asociada. Los
cursos introductorios a la Investigación Operativa generalmente se
enfocan sólo en Modelos Msc.
Determistas .
Rubén Darío Buitrago
CONTENIDO
1. Introducción.
2. El modelo de programación lineal.
3. Ejemplo con dos variables.
4. Formulación del Modelo
5. Características del QSB
6. Solución gráfica
7. Solución SIMPLEX con QSB.
8. Análisis de resultados del simplex

Métodos de solución
Símplex
Algebraico M grande
Gráfico Programación Dos fases

lineal
Karmarkar Símplex
Dual revisado
Símplex

FACILIDADES:
1. Entrada de problemas
2. Método gráfico
3. Método simplex
4. Tabla simplex
5. Análisis de sensibilidad
6. Solución alterna
7. Crear el problema dual

Introducción
• Definición: Se dice que una función f: RnR es lineal sii para
algún conjunto de constantes {c1,c2,...,cn} se tiene que:
f  x1 , x2 ,..., xn   c1 x1  c2 x2  ...  cn xn
 Ejemplos: f(x,y)=x–2y es lineal, pero f(x,y)=x2+2y no es lineal.
 Definición: Sea f: RnR una función lineal, y bR una
constante. Entonces se dice que las desigualdades
f(x1,...,xn)b, f(x1,...,xn)b, son desigualdades lineales, y que la
igualdad f(x1,...,xn)=b es una igualdad lineal. En general nos
referiremos a las tres con el nombre de restricciones lineales

Concepto de problema de programación
lineal
• Definición: Un problema de PL es un problema de
optimización en el que:
– Se debe maximizar (o minimizar) una función
lineal de las variables de decisión que se llama
función objetivo
– Los valores de las variables deben satisfacer un
conjunto de restricciones lineales
• Encontramos que en el problema de PL aparecen
también restricciones de signo para las variables, del
tipo xi0. Estas restricciones son un tipo de
restricciones lineales.
1. Definición
- Un problema de Programación Lineal se presenta en entornos
económicos en el que hay que gestionar una serie de recursos para
realizar una determinada actividad, utilizando para ello un criterio de
tipo económico.
- En un problema de Programación Lineal existen diferentes soluciones y

un criterio para discriminar entre ellas con el objetivo de encontrar la
mejor. A este proceso de búsqueda se le denomina Optimización.
- Optimizar significa poco más que mejorar; en el contexto científico la

optimización es el proceso de tratar de encontrar la mejor solución
posible para un determinado problema. Los problemas de Programación
Lineal pueden considerarse o denominarse como problemas de
optimización, si bien, esta denominación recoge un rango más amplio de
problemas.
1. Definición
- El criterio o función objetivo en un problema PL va referido a la
minimización de los costes de la actividad, o a la maximización de
beneficios.
- De forma más precisa, estos problemas se trata de calcular el valor de

unas variables que están sujetas a una serie de restricciones y para las que
una determinada función objetivo alcanza su valor máximo o mínimo.
- Los problemas de Programación Lineal se expresan mediante un conjunto

de relaciones matemáticas que se conoce como modelo.
- El esfuerzo se centra tanto en la construcción del modelo como en la

resolución del mismo.

1. Definición
Un problema de Programación Lineal está formado por tres componentes
principales:
 Un conjunto de variables: Referidas a la actividad que se desarrolla en el
sistema que se quiere optimizar.
Notación: x1, x2, x3, ….
 Un conjunto de restricciones: Expresan la relación entre el consumo de
recursos y las limitaciones de los mismos, así como toda clase de
características que hay que imponer en el problema y que están
asociadas a la actividad que se realiza en el sistema.
Ejemplo: x1+ x2  3
Una función objetivo: Criterio que se desea optimizar
Ejemplo: Maximizar x1 + 3x2

Programación Lineal
La PL 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.

En PL un sistema de producción se representa
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 (RHS).
Puntos de interés de la PL:
• abarca el problema general de asignar
recursos limitados entre actividades
competitivas de la mejor manera posible
(es decir, en forma óptima).
• incluye elegir el nivel de ciertas
actividades que compiten por recursos
escasos necesarios para realizarlas.

• los niveles de actividad elegidos dictan la
cantidad de cada recurso que consumirá
cada una de ellas.
• La programación lineal utiliza un modelo
matemático para describir el problema.

• El adjetivo lineal significa que todas las
funciones matemáticas del modelo deber
ser funciones lineales. En este caso, las
palabra programación no se refiere a
programación en computadoras; en
esencia es un sinónimo de planeación

• Así, la programación lineal trata la
planeación de las actividades para
obtener un resultado óptimo, esto es, el
resultado que mejor alcance la meta
especificada (según el modelo
matemático) entre todas las alternativas
de solución.
• Método simplex: Resuelve problemas de
n variables por m restricciones.
Supuestos y limitaciones de la PL
Proporcionalidad
Supuestos Aditividad
Divisibilidad
Certeza
Optimalidad
Determinístico
Estático
Limitaciones
No suboptimiza
Supuestos
Proporcionalidad
• Las actividades se pueden representar
mediante funciones de producción lineales.
Esto implica asumir retornos constantes a
escala. Por consiguiente:
• el uso de recursos por parte de una actividad
es proporcional al nivel de la actividad.

Aditividad
• El uso total de recursos es la suma de los
recursos empleados por las actividades
individuales.
• El valor de la función objetivo es la suma de
las contribuciones de las actividades
individuales.
• La contribución de una variable de decisión a
la función objetivo o al uso de recursos es
independiente de los valores que se asignen a
otras variables de decisión.
Divisibilidad
• Es posible que las variables tomen valores no
enteros.
Certeza
• Se asume que no hay aleatoriedad en los
coeficientes que definen a las variables de
decisión del problema.
Optimalidad:
• La solución óptima (máximo o mínimo) debe
ocurrir en uno de los vértices del conjunto de
soluciones factibles
Limitaciones de la programación lineal
• No hay garantía de que dé soluciones

enteras
• No necesariamente al redondear se llega
a la solución óptima
• Para esto es necesario emplear la
programación entera

• En algunos casos las soluciones podrían

ser deficientes
• Tal es el caso de las decisiones donde las
variables deben tomar un valor como 0 o
1, como las decisiones de “si” o “no”

• No permite la incertidumbre
• Es un modelo determinístico y no
probabilista
• Asume que se conocen todos los
coeficientes de las ecuaciones
• Existe también la programación lineal
bajo incertidumbre
• Tanto la función objetivo como las

restricciones están limitadas a ser
lineales
• Existen técnicas más avanzadas de
programación no lineal

Programación lineal
• A pesar de sus limitaciones es una
herramienta muy útil y poderosa
• Muchas empresas a través de su
aplicación han logrado grandes ahorros
de recursos
• Por ejemplo United Airlines, Citgo
Petroleum, GE, National Car Rental, etc.

Representación matemática
de un problema de PL
• Función objetivo
Z = c1X1 + c2X2 + ... + cnXn
• Relaciones entre Requerimientos y Disponibilidad de

Recursos
a11X1 + a12X2 + ..... + a1nXn <= b1
............................................. <= ..
am1X1 + am2X2 + ..... + amnXn <= bm
Xj = variables de decisión
cj = costos o ingresos por unidad
aij = coeficientes insumo producto
b = disponibilidad de recursos
MODELO MATEMATICO
• Un modelo matemático comprende principalmente tres conjuntos básicos de
elementos. Estos son:
• 1. Variables y parámetros de decisión. Las variables de decisión son las
incógnitas (o decisiones) que deben determinarse resolviendo el modelo. Los
parámetros son los valores conocidos que relacionan las variables de decisión
con las restricciones y función objetivo. Los parámetros del modelo pueden ser
determinísticos o probabilísticos.
• 2. Restricciones. Para tener en cuenta las limitaciones tecnológicas,
económicas y otras del sistema, el modelo debe incluir restricciones (implícitas o
explícitas) que restrinjan las variables de decisión a un rango de valores factibles.
• 3. Función objetivo. La función objetivo define la medida de efectividad del
sistema como una función matemática de las variables de decisión.
• La solución óptima será aquella que produzca el mejor valor de la función
objetivo, sujeta a las restricciones.

PROGRAMACIÓN LINEAL EL MODELO
Involucra una función objetivo (lineal) que se debe optimizar

(maximizar o minimizar) y varias funciones de restricción
(lineales)
Maximizar o Minimizar C1 X1 + C2 X2 + ... + Cn Xn
Sujeta a A11 X1 + A12 X2 + ... + A1n Xn  b1,

A21 X1 + A22 X2 + ... + A2n Xn  b2,
A31 X1 + A32 X2 + ... + A3n Xn = b3,... etc.
a  X1  b, 0  X2  , ..., etc.
Campo de Factibilidad
• Es el conjunto de posibilidades de producción que
cumple con la condición de respetar todas las
restricciones de un problema de decisión.
• De todas las alternativas técnicamente factibles, hay
una sola que es óptima desde el punto de vista de la
función a optimizar.
• Hay una serie de soluciones subóptimas que vale la
pena explorar.

Tasa Marginal de Sustitución Técnica
• Es la relación técnica que define el reemplazo
de dos actividades entre sí manteniendo
constante el uso de un determinado recurso.

Ingreso Marginal
• Es el incremento en el resultado provocado

por el ingreso en la solución de una unidad
adicional de una actividad.

Costo de Oportunidad
(Precio Sombra)
• Cuando el objetivo es maximizar el resultado, el Costo
de Oportunidad es el beneficio que se deja de percibir
por no contar con una unidad adicional de un recurso.
• El Costo de Oportunidad de un recurso se determina
en base al mejor uso alternativo. En términos
económicos, es equivalente al Valor del Producto
Marginal del recurso.
• Los recursos escasos se asignan a aquellas actividades
en las que el valor del producto marginal de cada
recurso sea mayor.
Costo de Oportunidad (cont.)
• El valor de los recursos obtenido de acuerdo al
criterio de VPMg es “interno”, propio de cada
situación evaluada en función de las alternativas
consideradas tanto en sus aspectos de mercado
(costos y precios) como técnicos (funciones de
producción asociadas a cada alternativa), y de la
abundancia o escasez relativa de los recursos
disponibles.
• Por consiguiente, el Costo de Oportunidad Interno de
un recurso puede diferir de su valor de mercado.

Costo Marginal
• En un problema de maximización, el Costo

Marginal es el incremento en el costo total
resultante de agregar una unidad de actividad
en la solución.
• En PL, el Costo Marginal de una actividad se
calcula valuando los recursos consumidos por
cada actividad según el Costo de Oportunidad
Interno de los recursos.
Principio de Optimización (Simplex)
• En un problema de maximización, conviene incrementar la
participación de una actividad en el plan en tanto el Ingreso
Marginal sea mayor que el Costo Marginal que se incurra.
• Se llega a una solución óptima siguiendo un mecanismo
iterativo, en la que cada solución mejora sobre la previa a
partir de incluír actividades que aportan más que lo que
“cuestan”.
• Se llega a una solución óptima cuando no hay sustituciones
factibles que permitan lograr un resultado mayor. Para todas
las actividades incluídas en el óptimo se cumple el principio:
Ingreso Marginal = Costo Marginal

Costo de Sustitución
(Costo Reducido)
• Indica la diferencia entre el Ingreso Marginal y el
Costo Marginal para cada actividad.
• En una solución óptima, las actividades incluídas en
el plan cumplen con la condición Ingreso Marginal =
Costo Marginal, por lo que el Costo de Sustitución
de las mismas es igual a 0.
• Las actividades no incluídas en el plan tienen un
Costo Marginal mayor que su Ingreso Marginal. El
Costo de Sustitución indica la magnitud de esta
diferencia.
Solución óptima
• Una solución es óptima para una situación
determinada en relación a precios relativos,
funciones de producción, disponibilidad de recursos
y restricciones empresariales especificadas.
• Cualquier alteración en los supuestos empleados va
a tener un impacto cierto en el resultado obtenido y
eventualmente en el nivel o composición de las
actividades incluídas en la solución.

Información obtenida
• Resultado (óptimo)
• Dimensión de cada actividad en la solución
• Costo de Sustitución de las actividades
• Uso de cada recurso
• Costo de Oportunidad de cada recurso
• Rango de precios dentro del cual no se modifica la
dimensión de las actividades en la solución (ceteris
paribus)
• Rango dentro del cual se mantiene el Costo de
Oportunidad de cada recurso (ceteris paribus)
Soluciones degeneradas
• Cuando en la solución hay menos variables con
valores positivos que cantidad de restricciones, la
solución es degenerada.
• En general la degeneración no es un problema, pero
a veces puede ocurrir que haya soluciones óptimas
alternativas que no son fáciles de identificar.
• Costos de sustitución igual a 0 o costos de
oportunidad igual a 0 son indicadores de soluciones
degeneradas.

Soluciones fallidas
Solución no factible
• Posibles causas: error en la formulación (p.ej. una
desigualdad con signo equivocado), o problema con
restricciones incompatibles.
Solución no limitada
• El modelo fue formulado de tal modo que la función
objetivo puede aumentar (en un problema de
maximización) o disminuír (en un problema de
minimización) sin límites.
• Posibles causas: falta incluír alguna restricción
esencial o se introdujo algún coeficiente con signo
equivocado. Msc. Rubén Darío Buitrago
Problemas de Transporte
• Hay un conjunto de m puntos de origen desde los que
se envía una mercadería.
• Cada punto de origen i tiene una capacidad máxima
de abastecimiento.
• Hay un conjunto de n puntos de demanda hacia los
que se destina mercadería.
• Cada punto de demanda j debe ser abastecido con un
mínimo de mercadería.
• Cada unidad producida en un punto de origen i y
enviada a un punto de demanda j incurre en un costo
cij
Balanceo de un problema de transporte
• Si la oferta excede a la demanda, se puede balancear
el problema creando un punto de demanda ficticia
que absorba el exceso de oferta.
• Si la demanda excede a la oferta, para que el
problema se vuelva factible se puede permitir no
satisfacer parte de la demanda pagando una
penalidad por unidad de demanda insatisfecha. Se
agrega un punto de abastecimiento ficticio con una
capacidad igual a la demanda insatisfecha, y una
penalidad asociada a cada punto demanda.

• Problemas de Asignación: son problemas
balanceados de transporte en los cuales todas las
ofertas y todas las demandas son iguales a 1.
• Problemas de Transbordo: son problemas de

transporte en los que se agregan puntos de
transbordo. Los puntos de transbordo son puntos
que pueden tanto recibir mercadería de otros puntos
como enviar mercadería a otros puntos.

Programación Entera / Mixta
• Los problemas de programación con enteros se
formulan de la misma manera que los problemas de
programación lineal, pero agregando la condición de
que al menos alguna de las variables de decisión
debe tomar valores enteros.
• Una variable de decisión binaria sólo puede tomar
valores 0 o 1. Una variable entera puede tomar
cualquier valor, en tanto éste sea entero.

Factores a considerar al incluír variables de
decisión enteras en un problema.
• El procedimiento de resolución es bastante más
trabajoso que el método Simplex.
• Se pierde la posibilidad de contar con información
sobre el costo de oportunidad de los recursos y el
costo de sustitución de las actividades.

Resolución de problemas enteros por el método de Ramificar y
Podar
• En un problema con enteros existe un número finito

de soluciones posibles (no todas son factibles) que
pueden representarse mediante un diagrama de
árbol.
• No hace falta enumerar todas las soluciones posibles
si se pueden eliminar “ramas dominadas”.
• Una rama puede eliminarse si puede demostrarse
que no contiene una solución factible que sea mejor
que una ya obtenida.

Pasos en el método de Ramificar y Podar
• 1. Comenzar: resolver el problema como si fuera un

problema ordinario de PL (relajación de enteros). La
solución obtenida se toma como cota máxima y base
para el procedimiento de búsqueda de una solución
factible.
• 2. Ramificar: a partir de la solución de PL designar
una variable como entera y seleccionar, a partir de
los posibles valores enteros que pueda tomar, una
rama para investigarla.

Ramificar y Podar (cont.)
• 3. Limitar: encontrar un límite para el problema
definido por la rama seleccionada. El límite está dado
por el valor de la mejor solución factible de enteros
encontrada hasta el momento, y domina a todos los
otros posibles resultados de una rama.

• 4. Comparar: comparar la solución obtenida en la rama con el
límite de referencia vigente.
– Si el valor de la solución es menor que el límite vigente, se
elimina de consideración toda la nueva rama. Se continúa
con las ramas que no hayan sido evaluadas aún.
– Si el valor de la solución es mejor que el límite vigente y si
la solución es entera (factible), entonces se convierte en el
nuevo límite de referencia. Se examinan las ramas que aún
no se han considerado en relación al nuevo límite.
– Si el valor de la solución es mayor que el límite vigente,
pero la solución no es entera (factible) deben explorarse
las ramificaciones de nivel inferior en la misma rama.

• 5. Terminar: quedarse con la mejor solución factible
obtenida una vez examinadas todas las
ramificaciones.

Problemas con Variables Binarias
• Estibaje: son problemas con una sola restricción de
capacidad.
• Cargo Fijo: hay un costo asociado con desarrollar una
actividad que no depende del nivel de la actividad.
• Cobertura: cada elemento de un conjunto debe ser “cubierto”
por un elemento aceptable de otro conjunto. El objetivo del
problema es minimizar el número de elementos del segundo
conjunto requerido para cubrir todos los elementos del
primer conjunto.
• Escala mínima de operación

Forma general de un problema de
programación lineal
• La forma más general de un problema de programación
lineal será:
Maximizar (o minimizar) c1 x1  ...  cn x n
Sujeto a :
a11 x1  ...  a1n x n ~ b1
...
am1 x1  ...  amn xn ~ bm
x1 ,..., xn  0 (que pueden aparecer o no)
donde el símbolo ~ puede denotar a ,  o =.
Forma matricial
• A los coeficientes de la función objetivo (ci) se les llama
costes.
• A los términos independientes de las restricciones (bi),
recursos.
• A los elementos de la matriz de coeficientes que define las
restricciones (aij), coeficientes técnicos.
• Para simplificar la notación, si llamamos c al vector de costes,
b al vector de recursos, y A a la matriz de coeficientes
técnicos, podemos escribir el problema en la llamada forma
matricial: Maximizar (o minimizar) c T x
Sujeto a :
Ax ~ b
x  0 Msc.
(puede aparecer o no)
Rubén Darío Buitrago
Región factible
• Consideraremos que las restricciones del tipo xi0 se
incluyen dentro del conjunto de restricciones Ax ~ b,
con lo cual el problema quedaría:
Maximizar (o minimizar) c T x
Sujeto a Ax ~ b
 Definición: En un problema de PL, la región factible
del problema se denotara por S, al conjunto de
puntos que cumplen todas las restricciones del
problema, es decir:
S  {x  R n | Ax ~ b}
Soluciones óptimas
• Definición: En un problema de PL, se dice que un
punto x0S es una solución óptima si se cumple que
f(x0)f(x) xS (para el caso de minimizar) o bien
f(x0)f(x) xS (para el caso de maximizar). En ese
caso, a f(x0) se le llamará valor óptimo de la función
objetivo.
• Si existe una sola solución óptima, se dice que el
problema tiene solución única. Si no existe solución
óptima, pero S, diremos que el problema tiene
solución ilimitada. Si S=, diremos que el problema
no tiene solución. Msc. Rubén Darío Buitrago
Programacion lineal
• El modelo de programación lineal
• Formulación de modelos
• Método gráfico
• Método del simplex
– Casos anómalos
• Método de las dos fases
• Metodo Dual
• Metodo Transporte
• Metodo Asignacion
Tipos de problemas
• Planeación de la producción e inventarios
• Mezcla de Alimentos
• Transporte y asignación
• Planeación financiera
• Mercadotecnia
• Asignación de recursos
• Redes de optimización

2. Un primer ejemplo
Un fabricante de mantequilla desea optimizar la producción diaria de su factoría. Fabrica

dos tipos de mantequilla (Estándar y Media Sal). Un Kilo de mantequilla Estándar
proporciona un beneficio de 10 € y uno de MediaSal de 15 €. Para la producción de
mantequillas se usan tres procesos, pasterización, centrifugado, y batido. La capacidad
de pasterización es de 6horas/día, de centrifugado es de 3horas/día y de batido es de
3.5horas/día.
Los tiempos(en minutos) de proceso por cada kilo de mantequilla se recogen en la
siguiente tabla:
Estándar Media Sal

Pasterización 3 8
Centrifugado 3 2
Batido 3 4

2. UnConstrucción
2.1. primer ejemplo
del modelo 2. Un primer ejemplo
Identificación de componentes
Variables asociadas a la actividad:

- Cantidad de mantequilla Estándar a producir por día: x1
- Cantidad de mantequilla Media Sal a producir por día: x2
Recursos: Restricciones:
- Tiempo de pasterización - Limitación de las horas de pasterización
- Tiempo de centrifugado - Limitación de las horas de centrifugado
- Tiempo de batido - Limitación de las horas de batido
Objetivo: Maximizar el beneficio

2. UnConstrucción
2.1. primer ejemplo
Restricciones: Expresión matemática

- Limitación de las horas de pasterización
Semántica de la restricción: Consumo  Capacidad

1 Kg Estándar consume 3 minutos de pasterización
2 Kg Estándar consumen 6 minutos(32) de pasterización
.....
x1 Kgs Estándar consumen 3x1minutos de pasterización
Idéntico análisis para Kgs de Media Sal: 8x2
Consumo Total = 3x1 + 8x2 minutos
Capacidad = 6 horas = 360 minutos
Misma Unidad
Restricción completa: 3x1 + 8x2  360
- Análisis equivalente para el resto de restricciones

2. UnConstrucción
2.1. primer ejemplo
Función Objetivo: Expresión matemática

Objetivo: Maximizar los beneficios:
1 Kg Estándar  Beneficio = 10
2 Kg Estándar  Beneficio = 102 = 20
.............
x1 Kg Estándar  Beneficio = 10x1
Idéntico análisis para Media Sal: 15x2
Beneficio Total = 10 * x1 + 15 * x2
Expresión: Max 10x1 + 15x2

2. UnConstrucción
2.1. primer ejemplo
Modelo:
Variables: x1 : Kilos de mantequilla Estándar
 Variables continuas
x2 : Kilos de mantequilla Media Sal
Función Objetivo: Max 10 x1  15 x2

sujeto a
Rest. Recurso pasterización: 3x1  8 x2  360 (R1)
 Expresiones Lineales
Rest. Recurso centrifugado: 3x1  2 x2  180 (R2)
Rest. Recurso batido: 3x1  4 x2  210 (R3)
Signo de las variables: x1 , x2  0
- Modelo lineal
- Programación lineal continua
2. UnLaprimer
2.2. geometría
ejemplo
x2
100
Representación de una restricción: 3x1  8 x2  360
90 - Es un semiespacio del espacio de 2
80 - El semiespacio se define por la recta que expresa la
70
restricción con signo de igualdad
60
50 SEMIESPACIO NO ADMISIBLE
40 3x1  8 x2  360
30
20 SEMIESPACIO
ADMISIBLE
10
3x1  8 x2  360
10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 x1
3x1  8 x2  360
2. UnLaprimer
2.2. geometría
ejemplo
x2
100
Max 10 x1  15 x2
90
Región de s.a.
80
70
admisibilidad 3x1  8 x2  360 (R1)
convexa
60 3x1  2 x2  180 (R2)
50 3x1  4 x2  210 (R3)
40 x1 , x2  0
30
20
10
10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 x1

R3 R1
3x1  2 x2  180 R2 3x1  4 x2  210 3x2  8 x2  360
2. UnLaprimer
2.2. geometría
ejemplo
Max 10 x1  15 x2
x2
s.a.
50
3x1  8 x2  360 (R1)
(R1)
3x1  2 x2  180 (R2)
40
(R2)
30 3x1  4 x2  210 (R3)
(R3)
20
Dirección de x1 , x2  0
máxima mejora
10
10 20 30 40 50 60 70 x1
z=100
z  10 x1  15 x2
z=0

2. UnLaprimer
2.2. geometría
ejemplo
x2 Óptimo  Punto interior
50 Siguiendo la dirección de máxima mejora

desde cualquier punto interior podré ir a
40 otro punto con mejor valor de la F.O.
30
20 Por tanto, el Óptimo debe estar en la

frontera de la región.
10
10 20 30 40 50 60 70 x1

2. UnLaprimer
2.2. geometría
ejemplo
Óptimo  Punto interior de una arista*

: Ángulo agudo = Mejora
: Ángulo obtuso = Empeoramiento
V4 V3
Óptimo  Vértice


V1 V2
X1

2. UnLaprimer
2.2. geometría
ejemplo
obtuso agudo obtuso
agudo
V4
V3
Vértice óptimo
agudo
obtuso
V1
agudo
obtuso
V2
X1

ÍNDICE
1. Definición
2. Un primer ejemplo
2.1. Construcción del modelo
2.2. La geometría del modelo
2.3. El álgebra del modelo
3. Ejercicios

2. UnElprimer
2.3. álgebraejemplo
Max 10 x1  15 x2
Max 10 x1  15 x2
s.a.
s.a.
x2 3 x1  8 x2  h1  360
3x1  8 x2  360 (R1)
50 V2 3 x1  2 x2  h2  180
3x1  2 x2  180 (R2)
3 x1  4 x2  h3  210
40 V3 3x1  4 x2  210 (R3)
x1 , x2 , h1 , h2 , h3  0
x1 , x2  0
30
20 Variables de holgura
V4
10 m = Número de restricciones
V1 V5 n = Número de variables
10 20 30 40 50 60 70 x1

2. UnElprimer
Max 10 x1  15 x2
Características generales de un vértice
s.a.
- El número de variables (0) es igual a m  
3x1  8 x2  360 (R1)
Vbles BÁSICAS x2
3x1  2 x2  180 (R2)
- El número de variables = 0 es igual a (n-m)   50 V2
Vbles NO BÁSICAS 3x1  4 x2  210 (R3)
40 V3 x1 , x2  0
- Se intercambian una a una desde un vértice a otro
adyacente 30
Variables: n=5 20
Restricciones: m=3 V4
x2 10
x1=0
V1 (x1=0; x2=0; h1>0;h2>0;h3>0) V1 V5
V2 (x1=0; x2>0; h1=0;h2>0;h3>0) 10 20 30 40 50 60 70 x1
x1; x2=0
V3 (x1>0; x2>0; h1=0;h2>0;h3=0)
V4 (x1>0; x2>0; h1>0;h2=0;h3=0)
V5 (x1>0; x2=0; h1>0;h2=0;h3>0)
2. UnElprimer
Restricciones:
Vértice V1:
h1=360 (x1 x2 h1 h2 h3)
Max 10 x1  15 x2 x1=x2=0 (n-m)
h2=180 (0 0 360 180 210)
s.a. h1>0; h2>0;h3>0 (m)
h3=210
3x1  8 x2  h1  360
3x1  2 x2  h2  180 Valor de la F.O. en V1 = 0 + 0 = 0
3x1  4 x2  h3  210
x1 , x2 , h1 , h2 , h3  0
Dos cuestiones:
Variables: n=5
• Cómo me desplazo hacia un vértice adyacente?
Restricciones: m=3
• Cómo averiguo si un vértice es el óptimo?

2. UnElprimer
Cómo me desplazo hacia un vértice adyacente?

Paso 1. Calcular el vértice destino
Paso 2. Preparar las restricciones para un desplazamiento posterior
• Paso 1: Calcular el vértice destino
EJEMPLO: V1  V2
Me desplazo por la arista hasta topar con el siguiente vértice
x2 hasta que alguna de las variables que son >0 en V1 se haga = 0
Durante el desplazamiento la otra variable que es = 0 en V1 permanece a 0 en
toda la arista
8 x2  h1  360 h1  360  8 x2
2 x2  h2  180 h2  180  2 x2
4 x2  h3  210 h3  210  4 x2
x1  0, x2 , h1 , h2 , h3  0 x  0, x2 , h1 , h2 , h3  0
1
2. UnElprimer
h1  0 360  8 x2  0 360
x2   45
h2  0 180  2 x2  0 8
h3  0 210  4 x2  0 180
x2   90
2
210
x2   52.5
4
x2  45 x2  45
x2  45 Vértice V2
h1  360  8 x2  0
(x1 x2 h1 h2 h3) = (0 45 0 90 30)
h2  180  2 x2  90
h3  210  4 x2  30 Valor de la F.O. En V2 = 10x1 + 15x2 = = 0 +
x1  0 675 = 675

2. UnElprimer
• Paso 2. Preparar las restricciones para un nuevo desplazamiento:
Hay que realizar transformaciones lineales en las restricciones hasta conseguir la matriz
identidad en las columnas de las variables básicas del vértice en el que me encuentro.
Parto de las expresiones de las restricciones del vértice anterior
V1 3 1
x1  x2  h1  45
3x1  8 x2  h1  360 8 8
V1  V2
18 2
3x1  2 x2  h2  180 x1  h1  h2  90
8 8
3x1  4 x2  h3  210
3 1
x1 , x2 , h1 , h2 , h3  0 x1  h1  h3  30
2 2
x1 , x2 , h1 , h2 , h3  0

2. UnElprimer
El vértice al que he llegado es óptimo?

Para responder a esta pregunta tengo que expresar la F.O.en función de las
variables que valen 0 en el vértice.
3 1 3 1 35 15
F .O.  10 x1  15 x2 [ x2  45  x1  h1 ] F .O (V 2)  10 x1  15(45  x1  h1 )  675  x1  h1
8 8 8 8 8 8
Coste relativo = Índice que me indica si el incremento de
esa variable produce mejora en la F.O. x1 Mejoro con tasa 35/8
Si Índice > 0  Mejoro si me desplazo por esa arista h1 Empeoro con tasa 15/8
Si Índice < 0  Empeoro
Si en el vértice al que llego los índices de la expresión de la F.O. en ese vértice son
todos negativos (en un problema de maximizar), dicho vértice es el óptimo del
problema

3. Ejercicios
Para los sistemas productivos que aparecen a continuación:

- Obtenga el modelo matemático del problema
- Represente gráficamente las restricciones
- Identifique geométricamente el vértice óptimo
- Realice el recorrido algebraico por los vértices hasta alcanzar el

vértice óptimo

3. Ejercicios
Ejercicio 1
Un artesano alfarero desea optimizar la producción diaria de su taller de alfarería.
Fabrica dos tipos de ánforas (Anforas1 y Anforas2). Para ello utiliza un proceso de
producción simple. Emplea dos tipos de arcilla (arcilla A y arcilla B) que mezcla en las
proporciones adecuadas, les da forma durante un cierto tiempo y las pone a secar en el
horno que posee hasta el día siguiente. El alfarero vende posteriormente las ánforas1 a
100u.m. Y las ánforas2 a 250u.m.
El horno posee una capacidad para 144 ánforas. Diariamente, dispone de 300 Kg de
arcilla A y 16 Kg de arcilla B, y 15 horas de trabajo (él y su hijo).
Las proporciones de arcilla A y B y el tiempo que necesita cada ánfora se recogen en la
siguiente tabla:
Ánforas 1 Ánforas 2
Arcilla A 1.5 3
Arcilla B 0 0.2
Tiempo 0.1 0.12
3. Ejercicios
Ejercicio 2
Un fabricante de baldosas desea optimizar la producción semanal de su factoría. Fabrica
dos tipos de baldosas (Estándar y Lujo). Una baldosa Estándar proporciona un beneficio
de 10 € y una Lujo de 15 €. Para la producción de baldosas se usan tres procesos,
apomozado, pulido y abrillantado. La capacidad de apomazado es de 200horas/semana,
de pulido es de 80horas/semana y la de abrillantado de 60horas/semana. Además, cada
baldosa Estándar emplea 25mg de una sustancia para su limpieza por 10 de la baldosa
Lujo. Se disponen de 1,2Kg por semana de esa sustancia.
Los tiempos de pulido y abrillantado(en horas) por cada unidad se recogen en la
siguiente tabla:
Estándar Lujo
Apomazado 0.5 0.45
Pulido 0.3 0.2
Abrillantado 0.15 0.3

Introducion A PL

Cargado por

Copyright:

Formatos disponibles

Introducion A PL

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Introducion A PL

Cargado por

Copyright:

Formatos disponibles

El modelo de programación

Msc. Rubén Darío Buitrago

Msc. Rubén Darío Buitrago

Definición: método científico que suministra herramientas

Objetivo: estudiar la asignación óptima de recursos a

Msc. Rubén Darío Buitrago

• Al término de la guerra y atraídos por los

Msc. Rubén Darío Buitrago

Msc. Rubén Darío Buitrago

Msc. Rubén Darío Buitrago

Msc. Rubén Darío Buitrago

ANALISIS CUANTITATIVO ANALISIS CUALITATIVO

Msc. Rubén Darío Buitrago

Msc. Rubén Darío Buitrago

• Debe tomarse en cuenta todas las variables.

Msc. Rubén Darío Buitrago

- Estático: Este modelo hace abstracción del tiempo no

Msc. Rubén Darío Buitrago

Clasificación de los problemas de IO

Msc. Rubén Darío Buitrago

Msc. Rubén Darío Buitrago

Msc. Rubén Darío Buitrago

Msc. Rubén Darío Buitrago

Msc. Rubén Darío Buitrago

Clasificación de los problemas de IO

DETERMINÍSTICOS HÍBRIDOS ESTOCÁSTICOS

OPTIMIZACIÓN PLANEACIÓN ANALISIS DE DECISIÓN

• Continuos (Vbles. continuas)

Programación Lineal • SIMPLEX

Msc. Rubén Darío Buitrago

Msc. Rubén Darío Buitrago

• Provee herramientas lógicas

Msc. Rubén Darío Buitrago

Msc. Rubén Darío Buitrago

Gráfico Programación Dos fases

Msc. Rubén Darío Buitrago

Msc. Rubén Darío Buitrago

Msc. Rubén Darío Buitrago

- En un problema de Programación Lineal existen diferentes soluciones y

- Optimizar significa poco más que mejorar; en el contexto científico la

- De forma más precisa, estos problemas se trata de calcular el valor de

- Los problemas de Programación Lineal se expresan mediante un conjunto

- El esfuerzo se centra tanto en la construcción del modelo como en la

Msc. Rubén Darío Buitrago

Msc. Rubén Darío Buitrago

Msc. Rubén Darío Buitrago

• costos e ingresos generados por unidad de

Msc. Rubén Darío Buitrago

Msc. Rubén Darío Buitrago

Msc. Rubén Darío Buitrago

Msc. Rubén Darío Buitrago

• No hay garantía de que dé soluciones

Msc. Rubén Darío Buitrago

• En algunos casos las soluciones podrían

Msc. Rubén Darío Buitrago

• Tanto la función objetivo como las

Msc. Rubén Darío Buitrago

Msc. Rubén Darío Buitrago

• Relaciones entre Requerimientos y Disponibilidad de