Programación Lineal

La programación lineal es una técnica matemática utilizada para maximizar o

minimizar una función objetivo, la cual se expresa como una función lineal de varias
variables, por ejemplo, f(x,y)=ax+by . Este método es fundamental en la optimización
de recursos y tiene aplicaciones en diversas áreas, como la economía y la ingeniería.
En términos generales, el proceso para aplicar la programación lineal comienza con
la identificación de un problema real, el cual se formula como un modelo matemático
mediante herramientas de modelado. Una vez definido el modelo, se pueden emplear
algoritmos específicos o métodos gráficos (cuando es posible) para encontrar una
solución. Posteriormente, esta solución es analizada para verificar su validez y,
finalmente, se interpreta en términos de las variables reales del problema, con el fin de
proporcionar una explicación comprensible y útil.

Un Problema de la
Vida Real
Modelado
Matemático

Verificación Problema
y Explicación Matemático
Algoritmos
Física
de Análisis
Matemático

Solución del
Problema
Matemático

Fig.1 Proceso de formulación y solución de un caso de Programación Lineal

Requerimientos de un modelo de programación lineal

Para formular un modelo de programación lineal, es necesario cumplir con ciertos
requerimientos. Entre los más importantes tenemos:

1. Definir Variables de decisión: Se deben identificar las variables que afectarán

la función objetivo. Estas variables deben ser no negativas (en la mayoría de los
casos), es decir, deben cumplir con x i ≥ 0
 2. Formular la Función objetivo: Debe definirse una función lineal la cual se
desea maximizar o minimizar. La función objetivo se puede expresar en la
forma: Z = c 1 x 1 + c 2 x 2 + … + = c n x n donde Z es la función objetivo, c i son
coeficientes constantes y x i son los variables de decisión.
3. Formular las Restricciones: Un conjunto de restricciones lineales que
delimitan las posibilidades de las variables de decisión. Las restricciones son
expresiones lineales que limitan los valores que pueden tomar las variables y se
expresan en la forma a 1 x 1 + a 2 x 2 + … + a n x n ≤ b o ≥ o =, donde a i son
coeficientes constantes y es un recurso o límite.
4. Linealidad: Tanto la función objetivo como las restricciones deben ser lineales.
Esto significa que cada término es una constante multiplicada por una variable,
sin exponentes, productos de variables o funciones no lineales.
5. No negatividad: Las variables de decisión, en la mayoría de los casos, deben ser
no negativas (es decir, x i ≥ 0). Esto representa que no se pueden tomar valores
negativos en este contexto.
6. Coherencia y realidad: El modelo debe ser coherente con la realidad del
problema que se quiere resolver y debe reflejar adecuadamente las relaciones
entre las variables.
Al cumplir con estos requerimientos, es posible utilizar diversos métodos de
solución, como el método simplex en sus diferentes variantes, para encontrar la mejor
solución al problema planteado.

Supuestos básicos de la programación lineal

La programación lineal (PL) se basa en varios supuestos fundamentales que son
esenciales para la validez y aplicabilidad de los modelos de PL. Estos supuestos son:

1. Linealidad: Tanto la función objetivo como las restricciones deben ser

funciones lineales. Esto implica que la relación entre las variables es aditiva y
que no hay términos y que no hay términos cuadráticos, cúbicos, exponentes, ni
productos de variables. Por ejemplo, si x 1 y x 2 son variables de decisión, la
expresión a 1 x 1 + a 2 x 2 es lineal, mientras que x 21 + 2 x2 no lo es.

2. Aditividad: Las contribuciones de cada variable en la función objetivo y en las

restricciones se suman de manera aditiva. Esto significa que el efecto de cambiar
una variable no depende del nivel de las otros variables en el contexto del
modelo.

3. No negatividad: Las variables de decisión deben ser no negativas. En muchas

aplicaciones, esto es lógico porque muchas cantidades en la vida real no pueden
 ser negativas (por ejemplo, cantidades producidas, recursos utilizados).
Generalmente se establece que x i ≥ 0.

4. Certidumbre: Los coeficientes en la función objetivo y en las restricciones son

conocidos y constantes. Esto implica que no hay incertidumbre o variabilidad en
la información utilizada para formular el modelo. Por ejemplo, los costos,
recursos y restricciones son determinados sin ambigüedad.

5. Escalabilidad: Las relaciones y los resultados del modelo son válidos sin
importar la escala de las variables. Esto significa que, si todas las variables se
multiplican por una constante positiva, las relaciones y resultados siguen siendo
válidos.

6. Suma de componentes: Las variables se pueden dividir en componentes que

aportan individualmente a la función objetivo o a las restricciones. Esto permite
que se considere la contribución específica de cada variable.

7. Puntos extremos o vértices: Las soluciones óptimas para los modelos de

programación lineal se encuentran en los vértices del conjunto factible, que es la
región definida por las restricciones. Esto se relaciona con el concepto de
convexidad en la geometría.

Estos supuestos son cruciales para que las técnicas de programación lineal, como el
método simplex o la programación entera, sean efectivas y produzcan soluciones válidas
dentro del contexto del problema que se está abordando. Si alguna de estas condiciones
no se cumple, puede ser necesario emplear otros métodos de optimización más
complejos, como la programación no lineal o métodos heurísticos.

Formulación de un problema de programación lineal (PL)

Como se mencionó anteriormente en la introducción la formulación de un problema
de programación lineal implica traducir un problema real en un modelo matemático que
incluya una función objetivo, variables de decisión y restricciones.
En esta sección ahondaremos un poco más en cada uno de los pasos necesarios para
formular correctamente un problema de programación lineal, junto con tres modelos
típicos que poseen un extendido rango de aplicaciones según sea el campo de uso.
Pasos:
1. Definir el problema: Comprender el contexto y los objetivos que se desean
alcanzar.

2. Identificar las variables de decisión: Determinar qué cantidades se necesitan

definir para resolver el problema. Deben ser mensurables y relevantes para la
decisión.
 3. Establecer la función objetivo: Definir una función que se debe maximizar o
minimizar, utilizando las variables de decisión identificadas. Se debe expresar en
términos lineales.

4. Formular las restricciones: Identificar las limitaciones o condiciones que

afectan al problema. Estas restricciones deben expresarse como ecuaciones o
inecuaciones lineales en función de las variables de decisión.

5. Definir las condiciones: Especificar que las variables de decisión son no

negativas, cuando sea posible.

Una vez recopilada la data pertinente al caso en estudio y es recomendable

organizarla en una tabla para facilitar su interpretación, identificar las variables de
decisión y subsecuente formulación de la función objetivo y las restricciones aplicables.
Si es cierto que hay infinidad de aplicaciones de la técnica de programación lineal en
esta sección intentaremos presentar la forma general para algunos casos que típicamente
pueden ser resueltos utilizando este recurso.

Modelo de Mezcla o Combinación:

Como su nombre lo sugiere este tipo de modelo es aplicable en aquellos casos donde se
busca conseguir una combinación optima de varios elementos o recursos con distintas
características maximizando o minimizando la propiedad de interés.
Algunos ejemplos de aplicación de este modelo son:
 Combinación de Alimentos para Ganado
 Combinación de Químicos en industria Farmacéutica
 Combinación de Recursos de Maquinaria o Mano de Obra.

C1 C2 C3 C4 Cn
X1 x1,1 x2,1 x3,1 x4,1 xn,1 K1
X2 x1,2 x2,2 x3,2 x4,2 xn,2 K2
X3 x1,3 x2,3 x3,3 x4,3 xn,3 K3
X4 x1,4 x2,4 x3,4 x4,4 xn,4 K4
Xn x1,n x2,n x3,n x4,n xn,n Kn
L1 L2 L3 L4 Ln

Leyenda:
X1, X2, …Xn Se refiere a los distintos elementos, recursos, o productos a ser
combinados.
C1, C2, …Cn Representan las propiedades particulares de las opciones en estudio.
L1, L2, …Ln Son los valores límite para cada una de las propiedades que deben ser
cumplidos por la solución
K1, K2, …Kn Es el valor o propiedad de los recursos que a ser Maximizados o
Minimizados
xn,n Son los valores obtenidos en la fase de colección de datos para cada una de las
propiedades en estudio.

Para este caso la función objetivo tendrá la siguiente forma:

F (X, Xn) = X1K1+ X2K2+ X3K3+ X4K4+ XnKn

Mientras que las restricciones:

X1*x1,1 + X2*x1,2 + X3*x1,3 + X4*x1,4 + Xn*x1,n ≤ o ≥ L1
X1*x2,1 + X2*x2,2 + X3*x2,3 + X4*x2,4 + Xn*x2,n ≤ o ≥ L2
X1*x3,1 + X2*x3,2 + X3*x3,3 + X4*x3,4 + Xn*x3,n ≤ o ≥ L3
X1*x4,1 + X2*x4,2 + X3*x4,3 + X4*x4,4 + Xn*x4,n ≤ o ≥ L4
X1*xn,1 + X2*xn,2 + X3*xn,3 + X4*xn,4 + Xn*xn,n ≤ o ≥ Ln
y por último la restricción de no negatividad:
X1, X2, X3, X4, Xn ≥ 0

Modelo de Producción
En los modelos de producción se busca optimizar los procesos productivos con el fin de
maximizar o minimizar la propiedad de interés.
Algunos ejemplos de aplicación de este modelo son.
 Utilización de equipo en manufactura
 Utilización de recursos de mano de obra

C1 C2 Cn S1 S2 Sn Pa Pb Pn
X1 x1,1 x2,1 xcn,1 x3,1 x4,1 xsn,1 Pa,1 Pb,1 Pn,1
X2 x1,2 x2,2 xcn,2 x3,2 x4,2 xsn,2 Pa,2 Pb,2 Pn,2
X3 x1,3 x2,3 xcn,3 x3,3 x4,3 xsn,3 Pa,3 Pb,3 Pn,3
X4 x1,4 x2,4 xcn,4 x3,4 x4,4 xsn,4 Pa,4 Pb,4 Pn,4
Xn x1,n x2,n xcn,n x3,n x4,n xsn,n Pa,n Pb,n Pn,n
 L1 L2 LCn L3 L4 LSn La Lb Lpn
K1 K2 K3

Leyenda:
X1, X2, …Xn Se refiere a los procesos productivos necesarios.
C1, C2, …Cn Representan las propiedades particulares a evaluar de los procesos.
S1, S2, …Sn Representan las propiedades inherentes a las opciones a ser comparadas.
L1, L2, …Ln Son los valores límite para cada una de las propiedades que deben ser
cumplidos por la solución
K1, K2, …Kn Es el valor o propiedad de las opciones a ser Maximizadas o Minimizadas
xn,n Son los valores obtenidos en la fase de colección de datos para cada una de las
propiedades en estudio.
Pa, Pb, …Pn Son los valores de producción objetivos a ser alcanzados

Para este caso la función objetivo tendrá la siguiente forma:

F (X, Xn) = K1*(X1*x3,1 + X2*x3,2 + X3*x3,3 + Xn*x3, n ) + K2*(X1*x4,1 + X2*x4,2 + X3*x4,3 +
Xn*x4, n ) + K3*(X1*xsn,1 + X2*xsn,2 + X3*xsn,3 + Xn*xsn, n )

Mientras que las restricciones:

X1*x1,1 + X2*x1,2 + X3*x1,3 + X4*x1,4 + Xn*x1,n ≤ o ≥ L1
X1*x2,1 + X2*x2,2 + X3*x2,3 + X4*x2,4 + Xn*x2,n ≤ o ≥ L2
X1*xcn,1 + X2*xcn,2 + X3*xcn,3 + X4*xcn,4 + Xn*xcn,n ≤ o ≥ LCn

X1*x3,1 + X2*x3,2 + X3*x3,3 + X4*x3,4 + Xn*x3,n ≤ o ≥ L3

X1*x4,1 + X2*x4,2 + X3*x4,3 + X4*x4,4 + Xn*x4,n ≤ o ≥ L4
X1*xsn,1 + X2*xsn,2 + X3*xsn,3 + X4*xsn,4 + Xn*xsn,n ≤ o ≥ LSn

X1*Pa,1 + X2*Pa,2 + X3*Pa,3 + X4*Pa,4 + Xn*Pa,n ≤ o ≥ La

X1*Pb,1 + X2*Pb,2 + X3*Pb,3 + X4*Pb,4 + Xn*Pb,n ≤ o ≥ Lb
X1*Pn,1 + X2*Pn,2 + X3*Pn,3 + X4*Pn,4 + Xn*Pn,n ≤ o ≥ Lpn

y por último la restricción de no negatividad:

 X1, X2, X3, X4, Xn ≥ 0

Modelo de Transporte
Este modelo puede emplearse cuando se quiere determinar la forma mas optima de
reubicar materias primas, productos, recursos desde un punto a otro maximizando
eficiencia o minimizando costos
Algunos ejemplos de aplicación de este modelo son:
 Movimiento de agregados, materias primas o productos utilizando cintas
trasportadoras
 Reubicación de productos entre ubicaciones de almacenamiento y distribución

B1 B2 B3 B4 Bn
A1 x1,1*X1,1 x2,1*X2,1 x3,1*X3,1 x4,1*X4,1 xn,1*Xn,1 K1
A2 x1,2*X1,2 x2,2*X2,2 x3,2*X3,2 x4,2*X4,2 xn,2*Xn,2 K2
A3 x1,3*X1,3 x2,3*X2,3 x3,3*X3,3 x4,3*X4,3 xn,3*Xn,3 K3
An x1,n*X1,n x2,n*X2,n x3,n*X3,n x4,n*X4,n xn,n*Xn,n Kn
L1 L2 L3 L4 Ln

Leyenda:
A1, A2, …An Se refiere a la ubicación origen elementos, recursos, o productos a ser
reubicados.
B1, B2, …Bn Se refiere a la ubicación destino de los elementos, recursos, o productos a
ser reubicados.
K1, K2, …Kn Corresponde al número de elementos, recursos o productos en la ubicación
de origen
L1, L2, …Ln Corresponde al número de elementos, recursos o productos en la ubicación
de destino
Xn,n Es el valor o propiedad inherente de las opciones a ser Maximizadas o
Minimizadas.
xn,n Son los valores obtenidos en la fase de colección de datos para cada una de las
propiedades en estudio.
Para este caso la función objetivo tendrá la siguiente forma:
 F (Xn,n) = Ʃ x1,1*X1,1+…+ xn,1*Xn,1+ x1,2*X1,2+…+ xn,2*Xn,2+ x1,3*X1,3+…+ xn,3*Xn,3+
x1,n*X1,n+…+ xn,n*Xn,n

Mientras que las restricciones:

x1,1*X1,1+ x2,1*X2,1+ x3,1*X3,1+ x4,1*X4,1+ xn,1*Xn,1 ≤, = or ≥ K1
x1,2*X1,2 + x2,2*X2,2 + x3,2*X3,2 + x4,2*X4,2+ xn,2*Xn,2 ≤ ,= or ≥ K2
x1,3*X1,3+ x2,3*X2,3+ x3,3*X3,3+ x4,3*X4,3+ xn,3*Xn,3 ≤ ,= or ≥ K3
x1,n*X1,n + x2,n*X2,n + x3,n*X3,n 3 + x4,n*X4,n + xn,n*Xn,n ≤ ,= or ≥ Kn
x1,1*X1,1+ x1,2*X1,2 + x1,3*X1,3+ x1,n*X1,n ≤ ,= or ≥ L1
x2,1*X2,1+ x2,2*X2,2 + x2,3*X2,3+ x2,n*X2,n ≤ ,= or ≥ L2
x3,1*X3,1+ x3,2*X3,2 + x3,3*X3,3+ x4,n*X4,n ≤ ,= or ≥ L3
x3,1*X3,1+ x3,2*X3,2 + x3,3*X3,3+ x4,n*X4,n ≤ ,= or ≥ L3

y por último la restricción de no negatividad:

Xi,j ≥ 0

Formulación del Problema de Estudio:

Para la aplicación de la técnica de programación lineal se ha seleccionado el siguiente
caso:
Como parte de la preparación del presupuesto del próximo mantenimiento mayor en una
planta de Reducción Directa, el equipo de investigación de operaciones ha sido
presentado con una serie de datos en los que se busca maximizar la disponibilidad de los
equipos principales reduciendo o redirigiendo los recursos hacia las áreas que mas lo
requieran.
Inv. Equipo de Remplazo

Disponibilidad Objetivo
Disponibilidad actual
Tiempo promedio de
Costo de Materiales
Hrs. Maquinaria

X10000 US$

X10000 US$
Hrs. Hombre

Reparación
X1000

X1000

Hrs.

Transportadores de Carga 5 2 5 10 96 78 90
 Reactor 12 3 20 38 144 95 95

Briquetado 15 5 15 12 144 72 85

Enfriadores de Producto 10 2 10 25 144 68 80

Transportadores de 8 1 6 10 96 75 85
Descarga
Colectores de Vapor 5 1 3 5 72 90 90

Colectores de Polvo 7 2 5 4 72 85 85
Compresores de Gas 5 1 8 30 144 92 92
Proceso
Compresores de Gas de 4 2 5 12 96 90 90
Sello
Ventiladores de Aire 2 1 8 15 96 85 95
Principal
Ventiladores Auxiliares 1 1 2 2 72 95 95

Reformación 20 5 25 80 144 85 95
Sistema de agua de 15 4 18 50 144 76 85
Proceso
Torre de Enfriamiento 8 2 5 10 96 80 95

≤ ≤ ≤ ≤ ≤ ≥
Valores Objetivó 100 20 90 230 120 90

Refiriéndonos al modelo de producción y eliminando las variables no aplicables de

acuerdo al caso de estudio la forma simplificada de este seria:

C1 C2 C3 C4 Cn S1 S2
A1 x1,1 x2,1 x3,1 x4,1 xcn,1 X5,1*x5,1 X6,1*x6,1
A2 x1,2 x2,2 x3,2 x4,2 xcn,2 X5,2*x5,2 X6,2*x6,2
A3 x1,3 x2,3 x3,3 x4,3 xcn,3 X5,3*x5,3 X6,3*x6,3
A4 x1,4 x2,4 x3,4 x4,4 xcn,4 X5,4*x5,4 X6,4*x6,4
An x1,n x2,n x3,n x4,n xcn,n Xn,n*xn,n Xn,n*xn,n
L1 L2 L3 L4 LCn L6

Donde:
C1, C2, …Cn Representan los recursos necesarios para ejecutar el mantenimiento a cada
uno de los equipos o sistemas.
S1, S2, …Sn Representan los valores de productividad a ser maximizados
L1, L2, …Ln Son los valores límite para cada una de las propiedades que deben ser
cumplidos por la solución
La función objetivo sería de la forma:
F (S1, S2) = (X1*x3,1 + X2*x3,2 + X3*x3,3 + Xn*x3, n )-(X1*x4,1 + X2*x4,2 + X3*x4,3 + Xn*x4, n )

F (S1, S2) = 12X1+23X3+12X4+10X5+10X10+10X12+19X13+15X14

mientras que las restricciones aplicables:
5X1+12X2+15X3+10X4+8X5+5X6+7X7+5X8+4X9+2X10+X11+20X12+15X13+8X14 ≤ 100
2X1+3X2+5X3+2X4+X5+X6+2X7+X8+2X9+2X10+X11+5X12+4X13+2X14 ≤ 20
5X1+20X2+15X3+10X4+6X5+3X6+5X7+8X8+5X9+8X10+2X11+25X12+18X13+5X14 ≤ 90
10X1+38X2+12X3+25X4+10X5+5X6+4X7+30X8+12X9+15X10+2X11+80X12+50X13+10X1
4 ≤ 230

(96X1+144X2+144X3+144X4+96X5+72X6+72X7+72X8+144X9+96X10+72X11+144X12+1
44X13+96X14) /14 ≤ 120
X1, X2, X3, X4,…, X14 ≥ 0