REPUBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DE EL PODER POPULAR PARA LA DEFENSA

UNIVERSIDAD NACIONAL EXPERIMENTAL POLITECNICA

DE LA FUERZA ARMADA

UNEFA

Docente : Jose Dos Reis

Alumna: Mariela Cruz

Cedula : 15612708
La programación lineal es una técnica matemática
utilizada para optimizar una función objetivo sujeta a
ciertas restricciones , es muy útil en campos como la
economía , la ingeniería , la logística y la administración.

Algunos de sus conceptos fundamentales son : Función

objetivo , restricciones, región factible, solución optima .
En este trabajo estudiaremos cada una de ellas y los
pasos para resolver un problema de programación lineal.
Programación lineal : problema de asignación de
recursos :

La programación lineal es particularmente útil para

resolver problemas de asignación de recursos , donde el
objetivo es optimizar la utilización de recursos limitados
para obtener el máximo beneficio o el mínimo costo .

Problemas de asignación :

Supongamos que tienes n tareas que deben ser

asignadas a n recursos / como trabajadores , maquinas
etc. )

De tal manera que minimice el costo o se maximice el

beneficio total . Cada combinación tarea – recurso tiene
un costo o beneficio asociado.

Ejemplo : Asignación de trabajos

trabajos ( W1 , W2 , W3 ) de manera que el costo total sea

mínimo. Los costos están dados por un a matriz .

Donde Cij representan el costo de asignar el trabajo J i al

trabajador W j .

Formulación de modelos de programación lineal :

Es un proceso esencial para la resolución de problemas

de optimización .

Identificación de el problema :

Primero debes entender claramente el problema que

estas tratando de resolver . ¿ Que necesitas optimizar
¿ Cuales son las limitaciones y restricciones .

Definir las variables de decisión :

Estas son las incógnitas que debes determinar para

resolver el problema . Las variables de decisión
representan las cantidades que necesitan encontrar .

Ejemplo : Si una empresa fabrica productos A a producir .

X1 cantidad de producto A a producir .

X 2 Cantidad de producto B a producir .

Formular la función objetivo : La función objetivo es la

expresión matemática que se desea maximizar o
minimizar .Generalmente , refleja el costo total , el
beneficio, o alguna otra medida de desempeño .

Ejemplo : Si el beneficio por unidad de A es 3$ y el de B

es 5$ , la función objetivo seria :

Maximizar  = 3x1 + 5x2.

Establecer las restricciones

Las restricciones son las limitaciones que deben cumplir

las variables de decisión . Estas pueden ser recursos
disponibles ,capacidades , demanda , entre otros .

Ejemplo :

Si se dispone de 40 horas de trabajo y 120 unidades de

materia prima , y si cada unidad de A requiere dos horas
y una unidad de materia prima , y cada unidad de B 1
hora y 2 unidades de materia prima , las restricciones
serian :
2x1 + x2 ≤ 40 ( horas de trabajo )

X1 + 2x2 ≤ 120 ( materia prima )

No negatividad :

En la mayoría de los casos , las variables de decisión no

pueden ser negativas .

Ejemplo :

X1 ≥ 0 X2 ≥0

Escribir el modelo completo :

Combina todos los elementos anteriores para formular el

modelo de programación lineal completo .

Solución de el modelo :

Finalmente , resuelve el modelo usando métodos

algebraico como el método simplex , o mediante
software de optimización como Excel , Solver , MATLAB ,
R , o PYTHON .

Aplicaciones comunes :

Planificación de producción : Determinar la cantidad

optima de productos a fabricar para maximizar
beneficios o minimizar costos .

Transporte y logística : Optimización de rutas y

distribución de productos .

Finanzas : Asignación optima de inversiones en una

cartera .
Gestión de recursos :

Asignación de personal y recursos en proyectos :

Formular correctamente un modelo de programación

lineal es crucial para garantizar que las

Métodos de solución a problemas de programación

lineal :

Método simplex : Es uno de los algoritmos mas populares

y eficientes para resolver problemas de programación
lineal . Este método iterativo busca solución optima
moviéndose a lo largo de las aristas de el poliedro de la
región factible hasta encontrar el vértice que maximiza o
minimiza la función objetivo .

Algebra de el método simplex :

Tabla inicial simplex :

Variable de entrada : X1 ( mayor coeficiente negativo en

).

Variable de salida : s2 ( mínimo valor de solución /

coeficiente de X1 ) .

Actualizamos la tabla realizando la pivotación .

Tabla actualizada simplex :

Repitiendo el proceso hasta que no hayan mas

coeficientes negativos en  , se obtiene la solución
optima .
Solución optima :

La solución optima se encuentra cuando todos los

coeficientes en la fila  son no negativos . En nuestro
ejemplo , la solución optima seria X1 = 3 , X2 = 0 , con
un valor optimo de  = 9 .

El método simplex es una combinación de algebra lineal

y técnicas de optimización que nos permite encontrar
soluciones eficientes a problemas complejos de
programación lineal.

Método grafico :

El método grafico es una técnica utilizada para resolver

problemas de programación lineal con dos variables . Es
una forma visual y muy intuitiva de encontrar la solución
optima .

Paso 1 : Formular el problema :

Debemos tener la función objetivo que queremos

maximizar o minimizar , así como las restricciones del
problema.

Ejemplo :

Maximizar  = 3X1 + 2X2

Paso 2 : Graficar las restricciones .

Dibujamos cada restricción en el plano cartesiano .

❖ Para X1 + X2 ≤ 4

Si X1 = 0 , entonces X2 = 4
Si X2 = 0 , entonces X1 = 4

Graficamos la línea que pasa por ( 0,4) y ( 4,0) .

Para 2X1 + X2 ≤ 6 :

Si X1 = 0 , entonces X2 = 6

Si X2 = 0 , entonces X1 = 3

Graficamos la línea que pasa por ( 0.6) y (3,0)

Paso 3 : Determinar la región factible :

La región factible es el área donde se superponen las

restricciones . En este caso , es el área que esta por
debajo de ambas líneas y en el primer cuadrante ( porque
X1 ≥ 0 y X2 ≥ 0 ) .

Paso 4 : Identificar los puntos extremos : Los puntos

extremos ( vértices ) de la región factible son los puntos
donde las líneas de las restricciones se interceptan o
donde interceptan los ejes . En nuestro ejemplo , los
puntos son :

(0,0)

(0,4)

(3,0)

(2,2) ( intersección de

X1 + X2 = 4

2X1 + X2 = 6 )

Paso 5 : Evaluar la función objetivo en los puntos

extremos
Calculamos el valor de la función objetivo

 = 3X1 + 2X2 en cada uno de los extremos .

En (0,0 ) :  = 3 (0) + 2(0) = 0

En (0,4) :  = 3(0) + 2(4) = 8

En (3,0)  = 3(3) + 2(0) = 9

En (2,2)  = 3(2) + 2(2) = 10

Paso 6 : Determinar la solución optima

La solución optima es el punto extremo donde  es

máximo ( o mínimo , según el problema ) . En nuestro
ejemplo , la solución optima es (2,2) con  = 10.

Método simplex en forma tabular :

Pasos con el método simplex tabular :

1) Formulación de el problema :
Escribe el problema de programación de
programación lineal en forma estándar , incluyendo
la función objetivo y las restricciones .
2) Construcción de la tabla inicial :
Crea la tabla inicial , conocida como simplex .
Incluye las variables básicas ( las que cumplen con
las restricciones ) y las no básicas ( las variables de
decisión originales ) .
3) Identificación de la variable de entrada :
Selecciona la variable que entrara en la base . Esta
será la variable con el coeficiente mas negativo en
la fila de la función objetivo ( para maximización ) o
el coeficiente mas positivo ( para minimización ).
4) Determinación de la variable de salida :
Encuentra la variable de salida de la base . Esto se
hace mediante el calculo de la razón entre valores
de la columna de solución y los coeficientes
positivos en la columna de la variable de entrada .
La variable que tenga la menor razón positiva es la
que sale de la base .
5) Actualización de la tabla :
Realiza operaciones de fila para actualizar la tabla
simplex. Asegúrate de que la nueva variable básica
tenga un coeficiente de 1 en su columna y que todas
las demás variables tengan coeficientes de 0 en esa
columna .
6) Repetir el proceso :
Repite los procesos 3 a 5 hasta que no haya mas
coeficientes negativos ( o positivos , dependiendo
de el problema ) en la fila de la función onjetivo .
Ejemplo :
Supongamos que queremos maximizar la función
objetivo  = 3X1 + 5X2 ≤ 8 sujeta a las siguientes
restricciones :
2X1 + 3X2 ≤ 8 4X1 + X2 ≤ 6 X1,X2≥ 0
Transformamos el problema en su forma estándar ,
agregando variables de holgura S1 y S2 :
 = 3X1 + 5X2 + 0s1 +0s2
2X1 + 3X2 + S1 = 8
4X1 + X2 + S = 6
Tabla inicial :

| | X1 | X2 | s1 | s2 | RHS | | ---- | ----- | ------ | --- ||  | -3 |

-5 | 0 | 0 | 0 | || s1 | 2 | 3 | 1 | 0 | 8 || s2 | 4 | 1 | 0 | 1 | 6 |
Luego seleccionamos la variable de entrada y salida
, y actualizamos la tabla hasta encontrar la
solución optima .
Adaptación a otras formas del modelo la teoría del
método simplex :
Método de la gran M :
Este introduce una penalización en la función
objetivo para manejar restricciones de igualdad o
variables artificiales . Es útil cuando los problemas
tiene restricciones de igualdad .
Método de las dos faces :
Divide el problema en dos fases . La primera fase
busca una solución factible inicial mediante la
introducción de variables artificiales . En la segunda
fase , se optimiza la función objetivo original
utilizando la solución factible encontrada en la
primera fase .
Método simplex revisado :
Una modificación del método simplex estándar que
utiliza una representación mas compacta de la
matriz de restricciones . Esto puede ser mas
eficiente en términos computacionales .
Método dual : teoría dual e interpretación
económica de dualidad : Método dual simplex :
Este enfoque resuelve problemas de programación
lineal que no cumplen con las condiciones básicas
iniciales de el método simplex estándar . Trabaja
con las soluciones duales y ajusta iterativamente la
solución primal .
Teoría dual :
En la teoría de la programación lineal , cada
problema de optimización ( denominado primal )
tiene un problema asociado llamado dual . Las
características clave son :
❖ Relación primal dual : Si el problema primal
maximiza una función objetivo , el problema
dual maximiza una función objetivo , y
viceversa .
❖ Correspondencia de restricciones :
Cada restricción de el problema primal se
corresponde con una variable del problema dual
, y cada variable del problema dual , y cada
problema variable del problema primal se
corresponde con una restricción del problema
dual.
❖ Soluciones y optimalidad :
Si el problema primal tiene una solucion
optima finita , también la tiene el problema
dual . Los valores optimos de sus
respectivas funciones objetivos son
iguales .
Interpretación económica de la dualidad:
La interpretación económica del problema
dual es especialmente interesante porque
ofrece insights sobre los precios sombras
o valores duales . Aquí algunos puntos
claves :
Precios sombras : Representa el valor
marginal de los recursos en términos de la
función objetivo . Por ejemplo , en un
problema de maximización de beneficios ,
el precio sombra de un recurso indica
cuanto aumentara el beneficio máximo al
incrementar en una unidad la
disponibilidad de ese recurso .
Interpretación de las restricciones :
Las restricciones del problema primal
reflejan la disponibilidad de recursos ,
mientras que las variables del problema
dual reflejan los precios asociados a esos
recursos .
Complementariedad débil o fuerte :
Las condiciones de KKT establecen que
no puede existir un excedente simultaneo
de recursos y un déficit en el uso de esos
recursos en la solución optima .
Método de solución por computadora :
Para resolver problemas de programación
lineal por computadora , normalmente
empleamos software especializado en
optimización o lenguajes de programación
con bibliotecas adecuadas . Herramientas
populares a utilizar :
Modelado de el problema :
Primero debes formular tu problema en
términos de programación lineal . Esto
incluye definir la función objetivo y las
restricciones .
Selección del software :
Existen varias bibliotecas o software que
pueden ayudarte a resolver problemas de
programación lineal : Python , Matlab , Gnu
linear programming kit , gurobi Cplex .
Interpretación de resultados :
Una vez que el problema es resuelto ,
puedes interpretar los resultados
obtenidos , incluyendo los valores de las
variables duales , que te proporcionan
información valiosa sobre el valor de los
recursos.
Documentación y Visualización :
Muchas veces es útil documentar el
proceso y visualizar los resultados .
Herramientas como jupyter notebooks te
permiten combinar código , texto y gráfico
en un solo documento interactivo.
Análisis de sensibilidad :
Es una técnica que permite evaluar como
la variación en los parámetros de un
modelo afecta su solución optima .
Es especialmente útil en la programación
lineal y otros tipos de optimización
Porque ayuda a entender la estabilidad y
robustez de las soluciones obtenidas .
Conceptos claves del análisis de
sensibilidad :
Variación en los coeficientes de la función
objetivo :
Evalúa como los cambios en los
coeficientes de la función objetivo afectan
la solución optima .
Variación en los coeficientes delas
restricciones :
Analiza el impacto de los cambios en los
coeficientes de las restricciones sobre la
solución.
Estudia la sensibilidad de los recursos
disponibles .
Precios sombra :
Valores duales asociados a las
restricciones de el problema primal .
Indican el cambio en el valor optimo de la
función objetivo por cada unidad adicional
de un recurso disponible .
Variación .
Casos prácticos administrativos :
Planificación de producción :
Escenario : Una fabrica produce dos
productos , A y B . La empresa quiere
maximizar los beneficios dados los
recursos limitados de materias primas y
tiempo de trabajo .
Problema primal :
Función objetivo :
Maximizar el beneficio total .
Restricciones :
Limitaciones de materia prima y horas de
trabajo .
Problema dual :
Función objetivo :
Minimizar el costo de los recursos .
Interpretación económica :
El precio sombra de las materias primas y
el tiempo de trabajo indica el valor de
estos recursos en términos de la función
objetivo .
Análisis de sensibilidad :
Que sucede si aumenta el costo de las
materias primas .
Este análisis ayuda a determinar como se
afecta la solución optima y la rentabilidad .
Que pasa si se incrementan las horas
disponibles .
Evaluar como cambiaria la producción
optima y los beneficios
En resumen la programación lineal es una herramienta
poderosa para la optimización de recursos y la toma de
decisiones en diversas áreas . Su capacidad para
encontrar soluciones optimas dentro de un conjunto de
restricciones hace que sea invaluable en campos como
la economía , la ingeniería , la logística , y la gestión
empresarial .

La programación lineal no solo simplifica la complejidad

de la toma de decisiones , sino que también proporciona
un enfoque sistemático y cuantitativo para resolver
problemas prácticos .

Su impacto en la eficiencia y efectividad organizacional

no puede subestimarse .
Ptolomeo.unam.mx

Programcionlineal-academia.edu

Biblioteca.unirioja.es

Ocw.ehu.eus

academia.edu