Introducción

La programación lineal es el campo de es la programación matemática dedicado a

maximizar o minimizar (optimizar) una función lineal, denominada función objetivo, de
tal forma que las variables de dicha función estén sujetas a una serie de restricciones
expresadas mediante un sistema de ecuaciones o inecuaciones también lineales. El
método tradicionalmente usado para resolver problemas de programación lineal es el
Método Simplex.

El problema de la resolución de un sistema lineal de inecuaciones se remonta, al

menos, a Joseph Fourier, después de quien nace el método de eliminación de Fourier-
Motzkin. La programación lineal se plantea como un modelo matemático desarrollado
durante la Segunda Guerra Mundial para planificar los gastos y los retornos, a fin de
reducir los costos al ejército y aumentar las pérdidas del enemigo. Se mantuvo en
secreto hasta 1947. En la posguerra, muchas industrias lo usaron en su planificación
diaria.

DESARROLLO
La programación lineal constituye un importante campo de la optimización por varias
razones, muchos problemas prácticos de la investigación de operaciones pueden
plantearse como problemas de programación lineal. Algunos casos especiales de
programación lineal, tales como los problemas de flujo de redes y problemas de flujo de
mercancías se consideraron en el desarrollo de las matemáticas lo suficientemente
importantes como para generar por si mismos mucha investigación sobre algoritmos
especializados en su solución. Una serie de algoritmos diseñados para resolver otros
tipos de problemas de optimización constituyen casos particulares de la más amplia
técnica de la programación lineal. Históricamente, las ideas de programación lineal han
inspirado muchos de los conceptos centrales de la teoría de optimización tales como la
dualidad, la descomposición y la importancia de la convexidad y sus generalizaciones.
Del mismo modo, la programación lineal es muy usada en la microeconomía y la
administración de empresas, ya sea para aumentar al máximo los ingresos o reducir al
mínimo los costos de un sistema de producción. Algunos ejemplos son la mezcla de
alimentos, la gestión de inventarios, la cartera y la gestión de las finanzas, la
asignación de recursos humanos y recursos de máquinas, la planificación de campañas
de publicidad, etc.

Los fundadores de la técnica son George Dantzig, quien publicó el algoritmo simplex,
en 1947, John von Neumann, que desarrolló la teoría de la dualidad en el mismo año, y
Leonid Kantoróvich, un matemático de origen ruso, que utiliza técnicas similares en la
economía antes de Dantzig y ganó el premio Nobel en economía en 1975. En 1979,
otro matemático ruso, Leonid Khachiyan, diseñó el llamado Algoritmo del elipsoide, a
través del cual demostró que el problema de la programación lineal es resoluble de
manera eficiente, es decir, en tiempo polinomial. Más tarde, en 1984, Narendra
Karmarkar introduce un nuevo método del punto interior para resolver problemas de
programación lineal, lo que constituiría un enorme avance en los principios teóricos y
prácticos en el área.
El ejemplo original de Dantzig de la búsqueda de la mejor asignación de 70 personas a
70 puestos de trabajo es un ejemplo de la utilidad de la programación lineal. La
potencia de computación necesaria para examinar todas las permutaciones a fin de
seleccionar la mejor asignación es inmensa (factorial de 70, 70!) ; el número de
posibles configuraciones excede al número de partículas en el universo. Sin embargo,
toma sólo un momento encontrar la solución óptima mediante el planteamiento del
problema como una programación lineal y la aplicación del algoritmo simplex. La teoría
de la programación lineal reduce drásticamente el número de posibles soluciones
factibles que deben ser revisadas.

Variables

Las variables son números reales mayores o iguales a cero.

En caso que se requiera que el valor resultante de las variables sea un número entero,
el procedimiento de resolución se denomina Programación entera.

Restricciones

● A = valor conocido a ser respetado estrictamente;

● B = valor conocido que debe ser respetado o puede ser superado;
● C = valor conocido que no debe ser superado;
● j = número de la ecuación, variable de 1 a M (número total de restricciones);
● a; b; y, c = coeficientes técnicos conocidos;
● X = Incógnitas, de 1 a N;
● i = número de la incógnita, variable de 1 a N.
En general no hay restricciones en cuanto a los valores de N y M. Puede ser N = M; N
> M; ó, N < M.

Sin embargo si las restricciones del Tipo 1 son N, el problema puede ser determinado,
y puede no tener sentido una optimización.

Los tres tipos de restricciones pueden darse simultáneamente en el mismo problema.

Existencia de soluciones óptimas

Geométricamente, las restricciones lineales definen la región factible, que es un

poliedro convexo. Una función lineal es una función convexa, por lo que un mínimo
local es un mínimo global; una función lineal es también una función cóncava, así que
todo máximo local es también un máximo global.

Como las funciones lineales no son ni estrictamente convexas ni estrictamente

cóncavas, las soluciones óptimas no son necesariamente únicas.

Si la región factible es acotada y no vacía, entonces existirá al menos una solución

óptima, puesto que una función lineal es continua y por lo tanto alcanza un máximo en
cualquier región cerrada y acotada. Sin embargo, puede no existir una solución óptima
en dos situaciones. En primer lugar, si la región factible es vacía, es decir, si ningún
punto verifica todas las restricciones, entonces el problema es inviable. En segundo
lugar, si la región factible no está acotada en la dirección del gradiente de la función
objetivo, el problema es no acotado, y se pueden encontrar puntos que verifican todas
las restricciones y con un valor tan alto como queramos de la función objetivo.

EJERCICIO
Maximizar La Ganancia.

1- Variables: Lo primero que debemos de hacer es conocer los parámetros del

problema los cuales ya fueron establecido y plantearlos de la siguiente forma:

x1 = Cantidad de zapatos para caballeros.

x2 = Cantidad de zapatos para damas.

2- Función Objetivo:

En este caso la empresa (PayMore) lo que desea es maximizar su ganancia semanal.

Ahora procedemos a crear la variable Y para representar la ganancia de la empresa
por cada zapato de caballero y dama vendido.

Ganancia por ventas de cada zapatos para caballeros = 3,000.00 x X1 pesos.

Ganancia por ventas de cada zapatos para damas = 4,000.00 x X1 pesos.

Maximizar Y = 3,000.00x1 + 4,000.00x2

3- Restricciones:

Cuero Tratado

Utilizamos 0.20 metros de cuero tratado para el zapato de caballeros y 0.15 para el de
damas. lo cual lo representamos en la siguiente ecuación:

0.20x1 + 0.15x2 ≤ 120.00

Suela

Utilizamos 0.10 metros de suela para el zapato de caballeros y 0.10 para el de damas.
lo cual lo representamos en la siguiente ecuación:
0.10x1 + 0.10x2 ≤ 70.00

Tacones para caballeros

Se utiliza 1 par de tacones para los zapatos de caballeros lo cual podemos expresar en
la siguiente ecuación.

1x1 ≤ 250

Tacones para damas

Se utiliza 1 par de tacones para los zapatos de damas lo cual podemos expresar en la
siguiente ecuación.

1x2 ≤ 260

Horas-hombre de trabajo

Se utiliza 5 horas-hombre para la creación de un zapato para caballero y 8 horas-

hombre para un zapato de dama lo cual podemos expresar en la siguiente ecuación.

5x1 + 8x1 ≤ 2,400.00

Además de las restricciones por materiales también tenemos restricciones al tipo de

variable con el cual estemos trabajando, en este caso estamos produciendo zapatos
estamos creando por lo cual estas variables deben ser mayores a 0, lo podemos
expresar en la siguiente ecuación: x1, x2 ≥ 0, enteras.

El modelo matemático para representar el problema de la empresa es

el siguiente:

Maximizar Y = 3,000.00x1 + 4,000.00x2

Sujeto a:

0.20x1 + 0.15x2 ≤ 120.00

0.10x1 + 0.10x2 ≤ 70.00

1x1 ≤ 250

1x2 ≤ 260

5x1 + 8x1 ≤ 2,400.00

x1, x2 ≥ 0, enteras.

Maximizar La Utilidad.

1- Lo primero que debemos de hacer es establecer los parámetros del problema los
cuales ya fueron establecido. Continuamos con la definición de las variables.

X1 = a la cantidad de zapatos para caballeros.

X2 = a la cantidad de zapatos para damas.

2- Función Objetivo:

En este caso la empresa (PayMore) lo que desea es maximizar su utilidad, la utilidad

no es más que la diferencia entre los gastos y los costos. En nuestro caso el ingreso
proviene de la venta de zapatos y el gasto proviene del costo de los materiales.

Utilidad = ingresos por venta - gastos por costo de material.

Ingresos por venta = ingreso por venta de zapato para caballero + ingreso por venta
de zapato para damas = 3,000.00x1 + 4,000.00x2.

Gasto por material = gasto cuero tratado + gasto de suela + gasto de par de tacones
para caballeros + gasto de par de tacones para damas + gasto de pares de trenza +
gasto de cajas para calzados + gasto de bolsas para calzados =

120*(0.20x1 + 0.15x2) + 70*(0.10x1 + 0.10x2) + 250*(1x1) + 260*(1x2) + 300*(2x1 +

2x2) + 400*(1x1 + 1x2) + 800*(1x1 + 1x2) 2081x1 + 2085x2

Para la representación de la utilidad diaria en z, obtendremos la siguiente función

objetivo (restamos los ingresos por ventas con los gastos de material respectivamente):

Maximizar z = 919x1 + 1915x2

3- Restricciones:

a. Disponibilidad de los materiales para la fabricación de zapatos teniendo la

siguiente estructura:

(Metros de cuero tratado X) + (Metros de suela X) + (par de tacones de hombres y de

damas X) + (pares de trenza X) + (caja de calzado X) + (bolsas de calzados X) ≤ su
respectiva disponibilidad en el almacén X

Restricción para metros de cuero tratado: 0.20x1 + 0.15x2 ≤ 120

Restricción para metros de suela: 0.10x1 + 0.10x2 ≤ 70

Restricción para par de tacones de hombres: 1x1 ≤ 250

Restricción para par de tacones de damas: 1x2 ≤ 260

Restricción para pares de trenza: 2x1 + 2x2 ≤ 300

Restricción para caja de calzado: 1x1 + 1x2 ≤ 400

Restricción para bolsas de calzados: 1x1 + 1x2 ≤ 800

b. Las demandas de los clientes:

En la empresa se estiman las ventas más de 100 pares de zapatos, no obstante, las
ventas de zapatos de caballeros no superan el 75% a comparación de las damas.

Digamos:

Restricción para la demanda de zapatos para caballeros: x1 ≤ 75

Restricción para la demanda de zapatos para damas: x2 ≥ 100

Cada una de las restricciones dadas anteriormente de la empresa en cuestión

(PayMore) intervienen el las variables de decisión.

Teniendo definidas las variables podemos asumir que el modelo matemático será:

Maximizar z = 919x1 + 1915x2

Sujeto a:

0.20x1 + 0.15x2 ≤ 120

0.10x1 + 0.10x2 ≤ 70

1x1 ≤ 250

1x2 ≤ 260

2x1 + 2x2 ≤ 300

1x1 + 1x2 ≤ 400

1x1 + 1x2 ≤ 800

Excelente servicio, joven que sabe trabajar y solucionar los problemas.

Sabe cómo tratar las solicitudes de los clientes.