LA PROGRAMACION LINEAL

EN LAS CIENCIAS
AGROPECUARIAS

ING. JOHN ZAMORA CORDOVA

 Mapa conceptual del área de INVESTIGACION DE OPERACIONES (IO)
 
 
Alumnos capaces de definir un problema TIPOS DE PROBLEMAS
DIAGNOSTICO
Que el área de sistemas lo proporcione

Planeación Distribución Asignación de Inventarios Programación Pronósticos Medio Análisis de Analisis de

de la recursos de Actividades de Ambiente Líneas de Sistemas de
Producción limitados Demanda Espera Producción

Información Cuantitativa y Cualitativa del

Sistema bajo estudio

Seleccionar el Modelo

Modelos Deterministicos Modelos Estocásticos

Programació Programación Programación Optimización Control de Pronósticos Teoría de Simulación de

Programación n Lineal Lineal por Dinámica de Redes Inventarios   Colas Sistemas
Lineal Entera metas       Comportamiento Determinación Estimación de
futuro sistema de tiempos de
        Soluciones Soluciones por las medidas de
basado en datos espera y longitud
Soluciones   Soluciones en Soluciones en orientadas a la etapas (n+1) históricos desempeño del
de la cola
Reales Soluciones orden de Etapas continuas distribución sistema
promedio
  Entereas prioridad óptima modelado
 
 

HERRAMIENTAS DE INVESTIGACIÓN DE OPERACIONES

 CONCEPTO Y DELIMITACIÓN DE LA I.O.
• ANTECEDENTES: Surge durante la segunda Guerra
Mundial, luego y con motivo de la revolución
industrial, ha ido teniendo cada vez más importancia
dado el crecimiento y complejidad de las nuevas
organizaciones. Actualmente está cobrando especial
importancia con el desarrollo de la informática.
• DEFINICIÓN: Aplicación del método científico por
un grupo multidisciplinario de personas avocados en la
resolución de un problema.
• OBJETIVO: Decidir mediante métodos científicos el
diseño que optimiza el funcionamiento del proceso
analizado, generalmente bajo condiciones que implican
la utilización de recursos escasos.
      
Fases FORMULACIÓN DEL CONSTRUCCIÓN DEL
PROBLEMA MODELO
de un  

estudio
     
NECESIDAD DE MODELO DEL SISTEMA
REORGANIZACIÓN REAL
 

     
SISTEMA DE INTERÉS OBTENCIÓN DE DATOS
 

     
TOMA DE DECISIONES  
IMPLEMENTACIÓN Y SOLUCIÓN DEL MODELO
CONTROL
 

     
INTERPRETACIÓN DE VALIDACIÓN DEL MODELO
RESULTADOS E ANÁLISIS DE SENSIBILIDAD
IMPLICACIONES
 
 BASE FILOSOFICA
 El reduccionismo ha sido el enfoque que
más accionó en la especialización
progresiva que ha sufrido la ciencia hasta
hoy, con él, se ganó profundidad en los
conocimientos pero no, amplitud. “ por
observar el árbol se perdió de vista el
bosque”.
 En tanto, la visión general de sistemas
persigue un enfoque fenomenológico,
integrador, que permite ver el conjunto,
comprender el todo, “entender el bosque”,
para luego comprender las partes que lo
constituyen
 PROGRAMACION LINEAL
 Mucha gente sitúa el desarrollo de la
programación lineal entre los avances
científicos más importantes de la segunda
mitad del siglo XX, y debemos estar de acuerdo
con esta afirmación si tenemos en cuenta que su
impacto desde 1950 ha sido extraordinario.
 Un modelo de programación lineal proporciona
un método eficiente para determinar una
decisión óptima, (o una estrategia óptima o un
plan óptimo) escogida de un gran número de
decisiones posibles.
 APLICACIONES
 Se aplica a problemas que se refieren a la
conducción y coordinación de operaciones o
actividades dentro de una organización. La
naturaleza de la organización es esencialmente
inmaterial y, de hecho, se ha aplicado en los
negocios, la industria, la milicia, el gobierno, los
hospitales, etc. Desde la asignación de
instalaciones de producción a los productos,
hasta la asignación de los recursos nacionales a
las necesidades de un país; desde la selección de
una cartera de inversiones, hasta la selección de
los patrones de envío; desde la planeación
agropecuaria (formular raciones: Mixit-2plus),
hasta el diseño de una terapia de radiación, etc.
El problema de la industria de las Pelotas
 produce dos tipos de pelotas:
* Pelotas de basquet
* Pelotas de fútbol
 Los recursos están limitados a:
* 1200 libras de plástico especial.
* 40 horas de producción semanalmente.
 Requerimientos de Marketing.

* La producción total no puede exceder de 800 docenas.

* El número de docenas de las pelotas de básquet no puede
exceder al número de docenas de las de fútbol por más de
450.
 Requerimientos Tecnológicos.

* Las de básquet requiere 2 libras de plástico y 3 minutos de

producción por docena.
* Las de fútbol requiere 1 libra de plástico y 4 minutos de
producción por docena.
 Plan común de producción para:

* Fabricar la mayor cantidad del producto que deje mejores

ganancias, el cual corresponde a las de básquet ($8 de
utilidad por docena).
* Usar la menor cantidad de recursos para producir las de
fútbol, porque estos dejan una menor utilidad ($5 de
utilidad por docena).
 Solución
 Variables de decisión
* X1 = Cantidad producida de Pelotas de Básquet (en docenas
por semana).

* X2 = Cantidad producida de Pelotas de Fútbol (en docenas

por semana).

Función objetivo
* Maximizar la ganancia semanal.
 El conjunto de puntos que satisface todas las
restricciones del modelo es llamado:

REGION FACTIBLE
 Modelo de Programación Lineal

Max 8X1 + 5X2 (ganancia semanal)

Sujeto a:

2X1 + 1X2 <= 1200 (Cantidad de plástico)

3X1 + 4X2 <= 2400 (Tiempo de producción)
X1 + X2 <= 800 (Limite producción total)
X1 - X2 <= 450 (Producción en exceso)
Xj >= 0 , j= 1, 2. (Resultados positivos)
 X2

1200
Restricción del plástico:
The Plastic constraint
2X1+X2<=1200
Restricción del total de producción:
X1+X2<=800
600 No Factible

Restricción del
Horas de Factible exceso de producción:
Producción X1-X2<=450
3X1+4X2<=2400 600 800
X1

Punto Inferior
• Tipos de puntos deMedio
Punto factibilidad
Punto Extremo
 comenzar con una ganancia dada de = $2,000...
X2 Entonces aumente la ganancia...
1200
...y continúe hasta que salga de la región factible

Ganancia 4,
Utilid. = $ 3,
2,
000
=$5040
800

600

X1

400 600 800

1200 X2
Se toma un valor cercano al
punto óptimo

800 Región no
factible
600

Feasible
Región
region
Factible
X1
400 600 800
 Resumen de la solución óptima

Pelotas de básquet = 480 docenas

Pelotas de Fútbol = 240 docenas
Ganancia = $5040

* Esta solución utiliza todas las materias primas (plástico) y

todas las horas de producción.
* La producción total son 720 docenas (no 800).
* La producción de las de Básquet excede a las de Fútbol por
solo 240 docenas y no por 450.
 Soluciones óptimas y puntos extremos.
* Si un problema de programación lineal tiene una solución
óptima, entonces esta corresponde a un punto extremo.
 Múltiples soluciones óptimas.
* Cuando existen múltiples soluciones óptimas implica que la
función objetivo es una recta paralela a uno de los lados
de la región factible.
* Cualquier promedio ponderado de la solución óptima es
también una solución óptima.
Soluciones no acotadas y no factibles.
* Cuando no se puede encontrar la mas optima de todas las
soluciones (la región factible no esta limitada) tiende al
infinito
* Cuando no existe ningún valor que cumpla con todas las
restricciones (la región factible es vacío).
 Solución mediante el método Simplex

Partamos de la base que el problema a resolver es el siguiente:

Max 8X1 + 5X2 (ganancia semanal)
Sujeto a:
2X1 + 1X2 <= 1200 (Cantidad de plástico
3X1 + 4X2 <= 2400 (Tiempo de producción X1
+ X2 <= 800 (Limite producción total
X1 - X2 <= 450 (Producción en exceso
Xj >= 0 , j= 1, 2. (Resultados positivos)

Para poder utilizar el método simplex se deben cumplir las

siguientes restricciones:
 Restricciones del Algoritmo

a) Solo se puede utilizar para maximizar la función objetivo.

Para minimizar se debe maximizar (-z).
b) Solo se puede aplicar a restricciones de igualdad.
2x1 + X2 + S1 =1200 ;S1 = Var. de holgura
<= 3X1 + 4X2 + S2 = 2400 ;S2 = Var de holgura
X1 + X2 + S3 = 800 ;S3 = Var de holgura

(caso ficticio)
>= 2X1 + x2 >= 100
2X1 + X2 - S4 = 100 ;S4 = Var de exceso
c) Todas las variables deben ser mayores que cero.

x1 - x2 + S4 + a1 = 450 a1= Var artificial

Por el hecho de haber agregado una variable artificial se

debe agregar a la función objetivo a1 pero con un valor muy
grande y negativo representado por -M.

Max 8x1 + 5x2 - Ma1

 8 5 0 0 0 0
CB XB X1 X2 S1 S2 S3 S4 bi
Zj –Cj -8 -5 0 0 0 0 0
0 S1 2 1 1 0 0 0 1200
0 S2 3 4 0 1 0 0 2400
0 S3 1 1 0 0 1 0 800
0 S4 1 -1 0 0 0 1 450
COEF. TEC MATRIZ IDENTIDAD
 8 5 0 0 0 0
CB XB X1 X2 S1 S2 S3 S4 bi
Zj –Cj 00 0 3.4 0.4 4.4 0 0 5040
0
0 X1 1 0 0.8 -0.2 0 0 480
0 X2 0 1 -0.6 0.4 0 0 240
0 S3 1 0 -0.2 -0.2 1 0 80
0 S4 1 0 -1.4 0.6 0 1 210
Y5 Y6 YY1 Y2 Y3 Y4
COSTOS PRECIOS DUALES
REDUCIDOS
 Análisis de sensibilidad para la
solución óptima.
 ¿Es sensible la solución óptima a cambios en los
parámetros de entrada?

 Posibles razones para responder la pregunta anterior:

* Los valores de los parámetros usados fueron los mejores

estimados.
* Medio ambiente por ser dinámico puede producir cambios.
* El análisis del “qué pasa si” puede proveer información
económica y operacional.
 Análisis de sensibilidad de los
coeficientes de la función objetivo
 Rango de optimalidad
– La solución óptima permanecerá inalterable mientras:
 Un coeficiente de la función objetivo se encuentre dentro

del rango de optimalidad.

 No hay cambios en ningún otro parámetro.

– El valor de la función objetivo cambiará si el coeficiente

multiplica una variable cuyo valor es distinto de cero.
 Los efectos del cambios en un coeficiente de la
función objetivo, sobre la solución óptima
X2
1200

800
Ma
Ma

x4
x

Ma x1 +
8x

600
1+

x3 5
.75 x2
5x

x1
+
2

5x2
Max
2x1
+ 5 x2

X1

400 600 800

 Los efectos del cambio de un coeficiente de la
función objetivo, sobre la solución óptima

X2
1200
Rango de optimalidad

Ma
Ma
x8

x1
x 1+
Ma

0x
x

5x
33.7.

1+
800 75
5 x1
+5

5x2
x2
Ma

Ma
x8

600 x
x1

3.7
5x
+

1+
5x

5x2
2

400 600 800 X1

 8 5 0 0 0 0
CB XB X1 X2 S1 S2 S3 S4 bi
Zj –Cj 00 0 3.4 0.4 4.4 0 0 5040
0
0 X1 1 0 0.8 -0.2 0 0 480
0 X2 0 1 -0.6 0.4 0 0 240
0 S3 1 0 -0.2 -0.2 1 0 80
0 S4 1 0 -1.4 0.6 0 1 210
Y5 Y6 YY1 Y2 Y3 Y4
COSTOS PRECIOS DUALES
REDUCIDOS
  Cambios Múltìples
 El rango de optimalidad es válido cuando un único coeficiente
de la función objetivo cambia.

 Cuando cambia más de una variable se utiliza la regla del

100%.
 Para cada aumento (disminución) en un coeficiente de la
función objetivo calcular (y expresar como un porcentaje) la
relación de cambio del coeficiente al máximo aumento posible
(disminución) determinada por los límites del rango de
optimalidad.

 Sumar todos los cambios de porcentaje. Si el total es menor

que 100%, la solución óptima no cambiará. Si este total es
mayor que 100%, la solución óptima puede cambiar.
 Reducción de costos
La reducción de costos de una variable a su cota inferior
(comúnmente cero) implica que:
– Los coeficientes de la función objetivo deben cambiar antes
que la variable pueda tomar un valor sobre la cota inferior.
– Con lo anterior la cantidad de ganancia óptima cambiará
según las variables aumentadas desde la cota inferior.

 Holgura complementaria

– Existe holgura en la solución óptima, cuando cada variable

está en su cota inferior o el costo reducido es 0.
Análisis de Sensibilidad del
coeficiente del lado derecho

 Cualquier cambio en el lado derecho (bi) de una

restricción activa cambiará la solución óptima.

 Cualquier cambio en el lado derecho de una

restricción no activa que sea menor que la holgura o
o el exceso, no produce ningún cambio en la solución
óptima.
 Para el análisis de sensibilidad de la validez de
los coeficiente del lado derecho nos interesa
responder las siguientes preguntas :

 ¿ Manteniendo todos los otros coeficientes , en cuánto

cambiaría el valor óptimo de la función objetivo (por ejemplo, la
ganancia) si el coeficiente del lado derecho de una restricción
cambia en una unidad?

 ¿ Hasta cuántas unidades se puede agregar o disminuir para

que la solución siga siendo válida?
 X2

1200

2x1 Restricción materiales

+1
(plásticos)
Nueva restricción materiales (plásticos)
x2

2x1
<=

+
Ganancia máxima= 5040
12

1x2
00

600
<= Combinación de restricciones
13
50
en la producción
Restricción del
Feasible
tiempo de Puntos extremos
X1
producción
600 800
 8 5 0 0 0 0
CB XB X1 X2 S1 S2 S3 S4 bi
Zj –Cj 00 0 3.4 0.4 4.4 0 0 5040
0
0 X1 1 0 0.8 -0.2 0 0 480
0 X2 0 1 -0.6 0.4 0 0 240
0 S3 1 0 -0.2 -0.2 1 0 80
0 S4 1 0 -1.4 0.6 0 1 210
Y5 Y6 YY1 Y2 Y3 Y4
COSTOS PRECIOS DUALES
REDUCIDOS
 Interpretación correcta del precio
sombra
 Los costos amortizados: El precio sombra, es el valor por una
unidad extra del recurso, ya que el costo del recurso no es
incluido en el cálculo de los coeficientes de la función objetivo.

 Los costos incluídos: El precio sombra es el valor superior por

unidad del recurso, el costo del recurso se incluye en el cálculo
del coeficiente de la función objetivo.
 EL RANGO DE FACTIBILIDAD
 El conjunto de los coeficientes del lado derecho
entregan el rango para que el mismo conjunto de
restricciones determine el punto óptimo.
 Dentro del rango de factibilidad, los precios sombras
permanecen constante; sin embargo, la solución
óptima cambiará.
 Otros Cambios para optimizar la Función Objetivo:
  La incorporación de una restricción.
 La eliminación de una restricción.
 La incorporación de un variable.
 La eliminación de un variable.
 Cambio en el lado izquierdo de los coeficientes.
 PROBLEMA

Considere el problema de la empresa que opera una

hacienda con 800 hectáreas de tierra en la costa
norte del país. Las principales actividades de esta
empresa son el cultivo de trigo, alfalfa y la crianza
de ganado vacuno. Las autoridades de recursos
hidráulicos en el referido valle acaban de dar las
asignaciones de agua para el próximo año. (A esta
empresa se le asigno con 1000 ha-pie) y se esta
ocupado en la preparación de su plan de producción
del próximo año. El se imagina que los precios de la
carne se mantendrán alrededor de $500.00 por
tonelada y el trigo se venderá $2.00 por acre.
La mejor predicción es que la alfalfa se podría
vender a $22.00 por tonelada, pero si llegara a
necesitar mas alfalfa que la que pudiera cosechar
para alimentar su ganado tendría que pagar $28.00
por tonelada para conseguirla.
Algunos detalles tecnológicos de la operación por la
empresa son los siguientes: el trigo produce 70
acres por hectárea; la alfalfa 4 toneladas por
hectárea. Otros datos en la siguiente tabla:
ACTIVIDAD COSTO M/O REQUERIMIEN REQUERIMIEN REQUERIMIEN
MAQ.Y OTROS TO DE AGUA TO DE TIERRA DE ALFALFA
1 Ha de trigo $ 20 2 Ha-pie 1 Ha
1 Ha de alfalfa $ 28 3 Ha-pie 1 Ha
1 Ton de carne $ 50 0.05 Ha-pie 0.1 Ha 5 Ton
SOLUCION PROGRAMACION LINEAL
Un modelo matemático para hallar la mejor
solución factible a este problema tiene tres
componentes básicas:

i) Las variables de decisión, que consiste en

definir cuáles son las decisiones que se debe
tomar. En el ejemplo,
W: Hectáreas de trigo cultivado y vendido.
B: Ton. de carne de ganado criado y vendido
C: Toneladas de alfalfa comprada
D: Tonelada de alfalfa vendida.
A: Toneladas de alfalfa cultivada.
ii) La función objetivo del problema, que permita
tener un criterio para decidir entre todas las soluciones
factibles. En el ejemplo, maximizar la utilidad dada
por:
Z = C1W + C2B + C3D + C4C - C5A
C1 = ($2/acre)(70acre/Ha)-$20/Ha=140-20 = $120/Ha
C2 = $500/Ton - $50/Ton = $450/Ton
C3 = $22/Ton
C4 = $28/Ton
C5 = ($28/Ha)(1Ha/4Ton) = $7/Ton

Z = f(W,A,B,C,D) = 120W + 450B + 22D + 28C - 7A

iii) Restricciones del problema, que consiste en
definir un conjunto de ecuaciones e inecuaciones que
restringen los valores de las variables de decisión a
aquellos considerados como factibles. Respetar lo
disponible de tierra, agua para el plan de producción:
(1HaTIE/HaTRI) WHaTRI + (1HaTIE/HaALF) (1HaALF/ 4TonALF)
ATonALF + (0.1HaTIE/TonCARNE)BTonCARNE
(2Ha-pieAGUA/HaTRI)WHaTRI +(3Ha-pieAGUA/HaALF)(1HaALF/
4TonALF)ATonALF + (0.05Ha-pieAGUA/TonCARNE)BTonCARNE
(5TonALF/TonCAR)BTonCAR+DTonALF =
ATonALF+CTonALF

Has de tierra disponibles: W + 0.25A + 0.1B  800

Ha-pie de ración de agua:2W + 0.75A + 0.05B  1000
Ton de alfalfa para el ganado : - A + 5B - C + D = 0
También se impone restricciones de no-negatividad:
En resumen:
z = f(W,A,B,C,D) = 120W + 450B + 22D + 28C - 7A
sa: W + 0.25A + 0.1B +S1  800
2W + 0.75A + 0.05B +S2 1000
-A + 5B - C +D +A3 = 0

SOLUCION POR EL METODO SIMPLEX:

TABLERO INICIAL

120 450 22 -28 -7 0 0 -M

CB XB W B D C A S1 S2 A3 BI
Z -120 -450 -22 28 7 + M 0 0 0 0
-5M -M +M
0 S1 1 0.1 0 0 0.25 1 0 0 800
0 S2 2 0.05 0 0 0.75 0 1 0 1000
-M A3 0 5 1 -1 -1 0 0 1 0
VAR. BASICA MATRIZ DE COEFICIENTES TECNOLOGICOS MATRIZ IDENTIDAD LADO DER
 TABLERO FINAL Y SOLUCION OPTIMA
120 450 22 -28 -7 0 0 -M
CB XB W B D C A S1 S2 A3 BI
Z 2980 0 6 0 754 3100 0 M+28 2480000
-28 C 50 0 -1 1 13.5 50 0 -1 40000
0 S2 1.5 0 0 0 0.625 -0.5 1 0 600
450 B 10 1 0 0 2.5 10 0 0 8000
Y4 Y5 Y6 Y7 Y8 Y1 Y2 Y3

W= 0 Hectáreas de trigo cultivado y vendido.

A = 0 Toneladas de alfalfa cultivada.
B = 8000 Ton. de carne de ganado criado y vendido
C = 40000 Toneladas de alfalfa comprada
D = 0 Tonelada de alfalfa vendida.
S2 = 600 Ha-pie de ración de agua no utilizados
Z = 2480000 Valor optimo
 ¿qué cantidad de agua se esta usando?
 ¿Comprara o venderá alfalfa? Cuanto.
 ¿Cuanto pagara para adquirir otro Ha-pie de agua?
 ¿Que sucede con la política de plantación optima si
el precio del trigo se triplica?¿qué pasa con la FO?
¿en cuanto se deberá incrementar el precio del
trigo para que sea atractivo su cultivo?
 ¿Que sucede con el valor optimo de la FO si el
costo de alfalfa comprada aumenta de $28 a $29?
¿En cuanto disminuirá el costo de compra de alfalfa
sin que la política optima de plantación cambie?
 Si la disponibilidad de tierra aumenta de 800 a
2100 ¿la FO aumenta en 4030000?
 En cuanto debiera solicitar le diminuyan el agua