PROGRAMACION LINEAL

MAG JAVIER MENDOZA QUISPE

PLANIFICAR PARA TENER ÉXITO
A FUTURO
 EL CONTEXTO DE LOS CAMBIOS
“La gente no se resiste al Cambio….., se resiste a Cambiar”
Peter Senge

Elaborado por la Secretaría de Gestión Pública

EL CONTEXTO DE LOS CAMBIOS
¿Qué hacemos aquí?

Elaborado por la Secretaría de Gestión Pública

 EL CONTEXTO DE LOS CAMBIOS
 Optimista VS Pesimista
 Iniciadores Idealistas VS Opositores Egoístas

Elaborado por la Secretaría de Gestión Pública

 CAMBIAR DE ACTITUD

DE NEGATIVA A POSITIVA

Esto no se ha hecho nunca Mi gran oportunidad, hacerlo por primera vez

Es muy difícil Voy a mirarlo desde otro ángulo

No creo que funcione Lo intentaré

Es imposible No hay imposibles, encontraré la forma

Nunca lo lograré Probaré de diferentes maneras

No se como hacerlo Aprenderé

Es un cambio muy
Queprofundo
interesante tengo la oportunidad de hacerlo
Es mejor que siga así Tengo que mejorar como Servidor

Elaborado por la Secretaría de Gestión Pública

RADIOGRAFIA DE COMPETITIVIDAD DEL PERU
RADIOGRAFIA DE COMPETITIVIDAD DEL PERU

https://elcomercio.pe/economia/peru/peru-ocupa-puesto-63-ranking-competitividad-global-2018-wef-noticia-
568399
Perú requiere reformas en 7 sectores clave para ser un país competitivo :https://www.ipae.pe/wp-
content/uploads/2018/11/NP-CEJE2018-Informe-Competitividad-2019.pdf
RADIOGRAFIA DE COMPETITIVIDAD DEL PERU
RADIOGRAFIA DE COMPETITIVIDAD DEL PERU

el Perú es menos competitivo que la mayoría de sus principales socios

comerciales y/ o economías con las cuales mantiene un acuerdo de libre
comercio o se encuentra en proceso de suscribirlo: EE.UU., China, India y
bloques económicos como la Unión Europea, TPP, APEC, EFTA e, incluso.
Los otros países de la Alianza del Pacífico son más competitivos que Perú.
RADIOGRAFIA DE COMPETITIVIDAD DEL PERU
 PROBLEMÁTICA DE LA
ADMINISTRACIÓN
PÚBLICA PERUANA
Inadecuado diseño de la estructura Débil articulación
intergubernamental e
de organización de funciones
intersectorial

Dificultades para realizar buenos

Ajeno a la obtención de
planes que se articulen con su
resultados para el
ciudadano. PROBLEMÁTICA presupuesto.

Bajo desempeño del

Ineficiencias en los procesos Estado, Carencia de sistemas y métodos
de producción de bienes y de gestión de la información y el
lo que genera conocimiento.
servicios públicos
desconfianza e
insatisfacción
ciudadana. Inadecuada política y gestión de
recursos humanos.
Falta de seguimiento y
evaluación de los
resultados e
impactos esperados. Carencias en infraestructura, equipamiento y
logística de las entidades.

ADMINISTRACIÓN PÚBLICA QUE SE MIRA A SÍ MISMA

Elaborado por la Secretaría de Gestión Pública
A partir de la problemática identificada, el Estado se ha propuesto emprender un PROCESO DE
REFORMA INTEGRAL DE GESTIÓN A NIVEL GERENCIAL Y OPERACIONAL

Articulación Balance entre

Intergubername flexibilidad y
ntal control
e Intersectorial de la gestión

Estado
Moderno
orientado al
ciudadano,
unitario, Sostenibilidad
Orientación
descentralizado,
al
eficiente, abierto e
Ciudadano
inclusivo.

Transparencia, Innovación y
rendición de aprovechamiento de las
cuentas y ética tecnologías
pública. Elaborado por la Secretaría de Gestión
 BASE LEGAL QUE SUSTENTA LA GESTIÓN POR
PROCESOS

Que plantea la implantación de la gestión para

Política Nacional de
resultados en la administración pública y
Modernización aprobada
establece como el tercer pilar central a la
mediante D.S. N° 004-2013-
gestión por procesos, simplificación
PCM
administrativa y organización institucional.

Metodología para la Documento orientador Metodología para la

Implementación de la Gestión por Implementación de la Gestión por Procesos en
Procesos en las Entidades Públicas, las Entidades Públicas, en el Marco del D.S. 004-
Elaborada por la SGP - PCM 2013-PCM
http://www.mac.pe http://sgp.pcm.gob.pe/
¿QUÉ COMPRENDE LA POLÍTICA NACIONAL DE
MODERNIZACIÓN DE LA GESTIÓN PÚBLICA?

ESTADO
MODERN
O
 Orientado al
Ciudadano
 Unitario y
Descentralizado
 Eficiente
 Abierto
 Inclusivo

Elaborado por la Secretaría de Gestión Pública

 3ER PILAR DE LA PNMGP: GESTIÓN POR
PROCESOS, SIMPLIFICACIÓN
ADMINISTRATIVA Y ORGANIZACIÓN
Las entidades públicas debenINSTITUCIONAL
adoptar, de manera paulatina, la gestión por procesos, continuar
con los esfuerzos relacionados a la simplificación administrativa y organizarse de manera
adecuada para llevar adelante los procesos y alcanzar los resultados esperados.

GESTIÓN POR SIMPLIFICACIÓN ORGANIZACIÓN

PROCESOS
• Permitirá mejorar los
procesos de producción
con el fin que las
SGP – PCM entidades brinden
Gobierno servicios de manera más
Nacional eficiente y eficaz y
Gobiernos Regionales logren resultados que
beneficien a los
Gobiernos Locales ciudadanos.
ADMINISTRATIV INSTITUCIONAL
A
• El fin es eliminar los • Una vez definidos los
obstáculos innecesarios objetivos y priorizados
que generen un los procesos, la entidad
funcionamiento debe organizarse de
deficiente de las manera adecuada para
entidades públicas y llevar adelante estos
sobrecostos para la procesos y alcanzar los
ciudadanía. resultados esperados en
la entrega de bienes y
servicios de su
responsabilidad.

Elaborado por la Secretaría de Gestión Pública

 Elaborado por la Secretaría de Gestión Pública

ETAPAS DE LA IMPLEMENTACIÓN DE LA
GESTIÓN POR PROCESOS
ETAPA III
Mejora de
Procesos
ETAPA II
Diagnóstico e
Identificación - Institucionalizar la Gestión por
de procesos Procesos
- Documentar los procesos mejorados
ETAPA I: - Mejorar los procesos
Preparatoria
- Describir los procesos actuales - Medir, Analizar y Evaluar
- Elaborar el mapa de procesos
- Determinar los proceso de la entida
- Sensibilizar a toda la entidad. - Identificar destinatario de bienes y
- Capacitar a los encargados de servicios; y los bienes y servicios q
implementar. brinda la entidad
- Elaborar el plan de trabajo - Analizar propósito de la entidad
institucional.
- Analizar la situación de la entidad

4. Fortalecer el órgano responsable de la implementación de la Gestión por Procesos

CONDICION 3. Asegurar los recursos
PREVIA 2. Contar con objetivos estratégicos claramente establecidos
1. Asegurar el apoyo y compromiso de la Alta Dirección Elaborado por la Secretaría de Gestión Pública
 EL PROCESO DEBE AGREGAR VALOR
Cada tarea, actividad, proceso que desarrollamos debe
incrementar el valor del bien y servicio que estamos
elaborando o desarrollando.
Todos los procesos tienen que agregar valor para ser
considerados como tales.

-Valor + Valor

U
U
S
S CIUDADANO O
U CIUDADANO O
U DESTINATARIO
RDESTINATARIO DE
A
LOS BIENES Y P4 P5 A DE LOS BIENES Y
R
SERVICIOS
P1 P2 P3 R SERVICIOS
I
I
O
O

Elaboración: SGP/PCM –2014

Elaborado por la Secretaría de Gestión Pública

A partir de la problemática identificada, el Estado se ha propuesto emprender un PROCESO DE
REFORMA INTEGRAL DE GESTIÓN A NIVEL GERENCIAL Y OPERACIONAL

Articulación Balance entre

Intergubername flexibilidad y
ntal control
e Intersectorial de la gestión

Estado
Moderno
orientado al
ciudadano, unitario,
descentralizado, Sostenibilidad
Orientación
eficiente, abierto e
al
inclusivo.
Ciudadano

Transparencia, Innovación y
rendición de aprovechamiento de las
cuentas y ética tecnologías
pública. Elaborado por la Secretaría de Gestión
Introducción
La programación matemática es una potente técnica de modelado usada en el
proceso de toma de decisiones. Cuando se trata de resolver un problema de este
tipo se deben tener en cuenta:
1. Identificar las posibles decisiones a tomar.
2. Determinar que decisiones resultan admisibles (Conjunto de restricciones).
3. Cálculo coste/beneficio de cada decisión (Función objetivo).

Cualquier problema de programación requiere identificar cuatro componentes

básicos:
1. El conjunto de datos
2. El conjunto de variables involucradas en el problema, junto con sus dominios
respectivos de definición.
3. El conjunto de restricciones lineales del problema que definen el conjunto de
soluciones admisibles.
4. La función lineal que debe ser optimizada.
La optimización basada en programación lineal
corresponde a situaciones reales en las que se pretende
identificar y resolver dificultades para aumentar la
productividad respecto a los recursos (principalmente
los limitados y costosos), aumentando así los
beneficios.
 Los resultados y el proceso de optimización se
convierten en un respaldo cuantitativo de las decisiones
frente a las situaciones planteadas. Decisiones en las
que sería importante tener en cuenta diversos criterios
administrativos como:

-Los hechos
-La experiencia
-La intuición
-La autoridad
 ¿Qué es la Programación Lineal?

 Según Jesús y Antonio Arreola Risa en su libro

“Programación Lineal: Una introducción a la
toma de decisiones cuantitativa”:

La programación lineal es una técnica matemática

que se utiliza para la solución de diferentes tipos de
problemas, tanto teóricos como prácticos, en
diversas áreas del conocimiento.
El éxito en su aplicación a problemas reales,
sofisticados y complejos es avalado por una gran
cantidad de instituciones productoras de bienes y
servicios en muchos países del mundo.

La programación lineal consiste básicamente en la

construcción, solución y análisis del modelo lineal
de un problema dado.
Programación Lineal según Wikipedia…..

Consiste en optimizar (minimizar o

maximizar) una función lineal,
denominada función objetivo, de
tal forma que las variables de
dicha función estén sujetas a una
serie de restricciones que
expresamos mediante un sistema
de inecuaciones lineales.
 Programación Lineal según
www.programaciónlineal.net…..

La Programación Lineal (PL) 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
 Según el Dr.Guillermo Martinez Atilano

 La programación lineal es una técnica de modelado (construcción

de modelos).

 La programación lineal (PL) es una técnica matemática de

optimización, es decir, un método que trata de maximizar o
minimizar un objetivo.

 Su interés principal es tomar decisiones óptimas.

 Estructura básica de un problema de
programación lineal (PL)

 Un problema de PL consta de una función objetivo

(lineal) por maximizar o minimizar, sujeta a ciertas
restricciones en la forma de igualdades o
desigualdades.
Conceptos clave:

Función Objetivo: La función por optimizar

(maximizar o minimizar)

Restricciones: Representan condiciones que es

preciso satisfacer. Sistema de igualdades
y desigualdades (<= ó >=)
Solución gráfica

Cuando un modelo de programación lineal se expresa

en términos de dos variables puede resolverse con
procedimientos gráficos.
 Conceptos clave:

1. Conjunto factible: Es el conjunto de puntos que

integran la región de resolución.

2. Solución factible: Cada punto que integra la

región (plana) que resuelve el problema.

3. Solución óptima: Constituye la solución al

problema de programación lineal.
 ¿ Cuál es el objetivo de la solución gráfica?

Encontrar (entre todos los puntos del conjunto

factible) el punto o los puntos que optimicen la
función objetivo.
Planteamiento Descarga del WinQsb Uso del WinQsb

Siguiente diapositiva
Problema del Transporte
Cierto producto debe enviarse en determinadas cantidades u1,…,um, desde cada
uno de m orígenes, y recibirse en cantidades v1,…,vn, en cada uno de los n destinos.
Determine las cantidades xij, que deben enviarse desde el origen i al destino j, para
conseguir minimizar el coste de envío.

1. Datos
m: el número de orígenes
n: el número de destinos
ui: la cantidad que debe enviarse desde el origen i
vj: la cantidad que debe ser recibida en el destino j
cij: el coste de envío de una cantidad de producto desde el origen i al destino j
2. Variables
xij: la cantidad que se envía desde el origen i al destino j. Se supone que las
variables deben ser no negativas.
 xij  0; i  1,..., m; j  1,..., n (1)
3. Restricciones: Las restricciones del problema son:
n
 x ij  u i ; i  1,..., m
j1
m
(2)
 x ij  v j ; j  1,..., n
i 1

El primer conjunto de condiciones indica que la cantidad del producto que parte
del origen i debe coincidir con la suma de las cantidades que parten de ese origen
hasta los distintos destinos j=1,…,n.
El segundo conjunto de condiciones asegura que el total recibido en el destino j
debe corresponder a la suma de todas las cantidades que llegan a ese destino y
parten de los distintos orígenes i=1,…,m.
Los grupos de restricciones presentados en (1) y (2) muestran las restricciones de
las variables y del problema, respectivamente.
4. Función a maximizar
En el problema de transporte nos interesa minimizar los costos de envío (suma de
los costos de transporte de todas las unidades). Es decir, se debe minimizar:
m n (3)
Z    cij xij
i 1 j 1
 Ejemplo – El Problema del Transporte:
Considérese el problema de transporte mostrado en la figura 1, donde m=3
orígenes, n=3 destinos, u1=2, u2=3, u3=4, v1=5, v2=2, v3=2.

Figura 1. Esquema del problema de transporte.

En este caso el sistema es
 x11 
 
 x12 
1 1 1 0 0 0 0 0 0    2 
  x13  
0 0 0 1 1 1 0 0 0    3 
0  x21 
0 0 0 0 0 1 1 1    4 
CX    x22   
1 0 0 1 0 0 1 0 0    5 
0  x23 
1 0 0 1 0 0 1 0    2 
  x31  
0    2
 0 1 0 0 1 0 0 1
 x32   
xij  0; i, j  1,2,3  
 x33 
Las tres primeras ecuaciones establecen la conservación del producto en los tres
orígenes y las tres últimas igualdades, la conservación del producto en los tres
destinos.
Si se concretan los valores particulares:
1 2 3
 
c   2 1 2
3 2 1
 

Para los costos de envío, el problema consiste en minimizar:

Z  x11  2 x12  3x13  2 x21  x22  2 x23  3x31  2 x32  x33

El mínimo de la función objetivo es 14, que corresponde a:

 2 0 0
 
X  1 2 0
 2 0 2
 
 Problema de la Planificación de la
Producción
Un productor fabrica una pieza, cuya demanda varía en el tiempo, de acuerdo con
la siguiente figura.

Figura 2. Gráfico de la demanda en función del tiempo.

El productor debe atender la demanda mensual siempre. En general cualquier

problema de planificación admitirá diversas posibilidades que aseguren que la
demanda es convenientemente atendida:
a) Producción variable: El fabricante puede producir cada mes el número
exacto de unidades que le solicitan.

b) Producción Constante: El fabricante que debe atender una demanda que

cambia con el tiempo puede producir por encima de dicho nivel en periodos
de baja demanda y almacenar la sobreproducción para los periodos de
demanda mayor.

Los problemas de esta naturaleza ilustran las dificultades que surgen cuando
objetivos contrarios están presentes en e un sistema dado.

1. Datos
n: el número de meses a considerar
s0: la cantidad almacenada disponible al principio del periodo considerado
dt: el número de unidades (demanda) que se solicita en el mes t
smax: la capacidad máxima de almacenamiento
at: el precio de venta en el mes t
bt: el costo de producción en el mes t
ct: el costo de almacenamiento en el mes t

2. Variables
xt: el número de unidades producidas en el mes t
st: el número de unidades almacenadas en el mes t

3. Restricciones
st 1  xt  dt  st ; t  1, 2,..., n
st  s max ; t  1, 2,..., n
st , xt 0

La demanda dt en el mes t debe coincidir con el cambio en el almacenamiento ,

st-1–st, más la producción xt en el mes t; la capacidad de almacenamiento no puede
excederse; y la demanda dt, almacenamiento st, y producción xt deben ser no
negativas.
4. Función a Optimizar
Una posibilidad consiste en maximizar el ingreso después de descontar los costes
de la variación de la producción y los inventarios.
n
Z   (at dt  bt xt  ct st )
t 1

Otra posibilidad consiste en minimizar los costos de almacenamiento:

n
Z   ct st
t 1
 Ejemplo – El Problema de la Planificación de la Producción:
Considérese la función de demanda en función del tiempo mostrada en la siguiente
tabla:

Tabla 1. Demanda en función del tiempo.

Supóngase que la cantidad almacenada inicialmente es s0=2. Entonces el sistema se

transforma en:
 s1 
s 
 2
 1 0 0 0 1 0 0 0   s3   0 
 1 1 0 0  
0 1 0 0   s4   3 
Cx    ; st , xt  o; t  1, 2,3, 4
 0 1 1 0 0 0 1 
0 x1    6 
     
 0 0 1 1 0 0 0 1  x2   1 
 x3 
 
 x4 
Donde el cero en la matriz de la derecha procede a restar la demanda para t=1 del
almacenamiento inicial.
Si se maximiza el beneficio después de descontar los costos y los inventarios, y se
toma at=3, bt=1, ct=1, el problema de optimización se convierte en:

Maximizar Z  36  x1  x2  x3  x4  s1  s2  s3  s4

Sujeto a las restricciones ya mencionadas.

Resolviendo este problema encontramos que el valor máximo es:

Z  26 para x  (s1, s2 , s3 , s4 , x1, x2 , x3 , x4 )  (0,0,0,0,0,3,6,1)T

Lo que implica ningún almacenamiento.

Problema de la Dieta
Se conocen los contenidos nutritivos de ciertos alimentos, sus precios y la cantidad
mínima diaria de nutrientes aconsejada. El problema consiste en determinar la
cantidad de cada alimento que debe comprarse para satisfacer los mínimos
aconsejados y alcanzar un precio total mínimo.

1. Datos
m: el número de nutrientes.
n: el número de Alimentos.
aij: la cantidad del nutriente i en una unidad del alimento j.
bi: la cantidad mínima del nutriente i aconsejada.
cj: el precio de una unidad del alimento j.
2. Variables
xj: la cantidad del alimento j que debe adquirirse.

3. Restricciones
Como la cantidad total de un nutriente dado i es la suma de las cantidades de los
nutrientes en todos los alimentos y las cantidades de alimentos deben ser no
negativas, entonces tenemos:
n
 aij x j  bi ; i  1,..., m
j 1

x j  0; j  1,..., n
4. Función a Minimizar
En el problema de la dieta se esta interesado en minimizar el precio de la dieta:

n
Minimizar Z  cjxj
j 1

Donde cj es el precio unitario del alimento j.

 Ejemplo – El Problema de la Dieta:
Considere un caso con cinco nutrientes y con los mínimos aconsejados para los
nutrientes digeribles (DN), proteínas digeribles (DP), calcio (Ca), y fósforo (Ph)
dados en la siguiente tabla:

Tabla 2. Contenidos nutritivos de cinco alimentos

Las restricciones se convierten en
 x1 
 78.6 70.1 80.1 67.2 77.0     74.2 
 6.50 9.40 8.80 13.7 30.4    x2  
14.7 
  x3    
 0.02 0.09 0.03 0.14 0.41    0.14 
  x4  
 0.27 0.34 0.30 1.29 0.86     0.55 
 x5 
x1, x2 , x3 , x4 , x5  0
Supóngase que los precios unitarios de los alimentos son:

c1  1, c2  0.5, c3  2, c4  1.2, c5  3

De este modo se tiene el siguiente PPL:

Minimizar Z  x1  0.5x2  2 x3  1.2 x4  3x5

Sujeto a las restricciones ya mencionadas.

Con la solución de este sistema se obtiene la solución

Z  0.793 en el punto (0,1.530,0,0.023,0)
Problema del Flujo en un a Red
Supóngase una red de transporte (conducción hidráulica, ferrocarril, carreteras,
etc.) a través de la cual se desea enviar un cierto material (aceite, grano, vehículos,
mensajes, etc.) de un conjunto de nodos de la red, llamados nodos fuente, a un
conjunto de puntos de destino, llamados nodos sumideros. Además de éstos, la red
contiene nodos intermedios, donde no tienen lugar ni entradas ni salidas de
material. Sea xij el flujo que va del nodo i al nodo j (positiva en la dirección ij ,y
negativa en otro caso).

1. Datos
g: el grafo g=(N,A) que describe la red de transporte, donde N es el conjunto de
nudos, y A es el conjunto de conexiones.
n: el número de nudos en la red.
fi: el flujo entrante (positivo) o saliente (negativo) en el nudo i
mij: la capacidad máxima de flujo en la conexión entre el nudo i y el j
cij: el precio de mandar una unidad del bien desde el nudo i al nudo j.
2. Variables
xij: el flujo que va del nodo i al nodo j
3. Restricciones: Las restricciones del problema son:
Imponiendo la condición de conservación del flujo en todos los nudos, y las
restricciones sobre la capacidad de las líneas o conexiones, se obtienen las
siguientes restricciones:
Restricciones de conservación del flujo
 j ( xij  x ji )  fi ; i  1,..., n (4)
Restricciones de capacidad de las líneas o conexiones
 mij  xij  mij ; i  j (5)
donde i<j evita la posible duplicación de restricciones.
4. Función a minimizar: El precio total es:
Z   cij xij (6)
ij

Así, debe minimizarse (6) bajo (4) y (5).

Las redes de abastecimiento de agua, los sistemas de comunicaciones, y otros,
conducen a problemas de redes de transporte como el descrito aquí.
 Ejemplo – El Problema de Flujo en Redes:
Considérese el problema de flujo en la red de la figura 3 donde las flechas indican
los valores positivos de las variables del flujo.

Figura 3. Esquema del problema de transporte.

En este caso el sistema es
 x12 
 1 1 1 0 0    f1 
  x13    xij  mij ; i  j
 1 0 0 1 0    f2  (7)
x14 
 0 1 0 0 1   f3   xij  mij ; i  j
  x24   
 0 0  1  1  1   f4 
 x34 
Donde se supone que mij  4, i  j, y (f1 , f 2 , f 3 , f 4 )  (7,-4,-1,-2)
Supóngase además que cij  1; i, j. El problema de optimización es minimizar
Z  x12  x13  x14  x24  x34
Sometido a (7). Mediante el software adecuado puede obtenerse la siguiente
solución:
 x12   0  4
     
 13 
x  3   1
Z  5 en el punto  x14     4   (1   ) 4 ; 0    1
     
 x24  
 4  0
x   2   2
 34     
Esta solución indica que existe un conjunto de infinitas soluciones, todas ellas
proporcionando el mismo valor óptimo, Z=5.
 Problema de la Cartera de Valores
Un inversor es propietario de participaciones de varios valores. Mas
concretamente es dueño de bi participaciones de los valores bursátiles Ai,
i=1,2,..m. Los precios actuales de estos valores son vi. Considérese que se pueden
predecir los dividendos que se pagarán al final del año que comienza y los precios
finales de los diferentes valores bursátiles, esto es, Ai pagará di y tendrá un nuevo
precio wi.
El objetivo es ajustar la cartera, es decir, el número de participaciones en cada
valor, de modo que se maximicen los dividendos

1. Datos
m: el número de valores bursátiles
bi: el número actual de participaciones del valor bursátil i
vi: el precio actual del valor i por participación
di: el dividendo que se pagará al final del año en el valor bursátil i
wi: el nuevo precio del valor bursátil i
r: porcentaje mínimo r del valor actual de toda la cartera que no debe superarse en
el ajuste
s: porcentaje mínimo del valor total actual que no debe superarse por el valor
futuro total de la cartera, para hacer frente a la inflación

2. Variables
xi: el cambio en el número de participaciones del valor bursátil i.

3. Restricciones
Se deben asegurar ciertas condiciones que debe satisfacer una cartera bien
equilibrada:
El número de participaciones debe ser no negativo
xi  bi
Exigimos que el capital asociado a todo valor concreto, después del ajuste,
represente al menos una cierta fracción r del capital total actual de la cartera

 
r   vi (bi  xi )   v j (b j  x j ); j
 i 
El capital total de la cartera no debe cambiar en el ajuste pues se supone que no se
invierte dinero adicional

 vi xi  0
i

Para hacer frente a la inflación, el capital total en el futuro debe ser al menos un
cierto porcentaje s mayor que el capital invertido actualmente:
 wi (bi  xi )  (1  s) vibi
i i

4. Función a optimizar
Nuestro objetivo es maximizar los dividendos
Z   di (bi  xi )
i

La tarea se concreta al determinar el valor máximo de los dividendos sujeto a todas

las restricciones anteriores.
 Ejemplo – El Problema de la Cartera deValores:
Se tienen participaciones de tres valores bursátiles, 75 de A, 100 de B y 35 de C,
con precios 20, 20 y 100 dólares, respectivamente. Se dispone de la siguiente
información: A no pagará dividendos y alcanzará una nueva cotización de 18
dólares, B pagará 3 dólares por participación y la nueva cotización será 23 dólares,
y C pagará 5 dólares por participación con una nueva cotización de 102 dólares. Si
se toman los porcentajes r como 25 y s, 0.30, todas las restricciones se escriben
como:

xA  75
xB  100
xC  35
0.25 20(75  x A )  20(100  xB )  100(35  xC )   20(75  x A )
0.25 20(75  x A )  20(100  xB )  100(35  xC )   20(100  xB )
0.25 20(75  x A )  20(100  xB )  100(35  xC )   100(35  xC )
20 x A  20 xB  100 xC  0
18(75  x A )  23(100  xB )  102(35  xC )  1.03(7000)
Después de varias simplificaciones , las restricciones anteriores se transforman en:
xA  75
xB  100
xC  35
15 x A  5 xB  25 xC  250
5 x A  15 xB  25 xC  250
5 x A  5 xB  75 xC  1750
20 x A  20 xB  100 xC  0
18 x A  23 xB  102 xC  270

La solución obtenida es:

Z  612.5 dólares y xA  12.5, xB  75, xC  17.5
 Problema de Distribución de Energía
Los generadores de energía, así como las demandas de la misma se sitúan en una
red energética. El objetivo de este problema consiste en decidir la energía a
producir por cada generador de forma tal que se satisfagan las diferentes
condiciones técnicas de la red y los generadores, así como las demandas, al mínimo
coste.
Cada línea de transmisión de una red de energía transmite energía de un bus a otro.
La energía transmitida es proporcional a la diferencia de los ángulos de estos buses
(de forma similar a que el agua que fluye en una tubería que conecta dos tanques es
proporcional a la diferencia de alturas del agua en ambos). La constante de
proporcionalidad tiene un nombre divertido ¨susceptibilidad¨. La potencia
transmitida desde el bus i al j a través de la línea i-j es por tanto
Bij ( i   j ) (8)
donde Bij es la susceptibilidad de la línea i-j, y  i y  j los ángulos de los buses i y j,
respectivamente. Por razones físicas, la cantidad de energía transmitida a través de
una línea tiene un límite. Este límite está relacionado con consideraciones térmicas
o de estabilidad. Por tanto, una línea energética debe ser operada de forma tal que
su límite de transmisión no sea excedido.
Esta condición puede formularse como
 Pij  Bij ( i   j )  Pij (9)
donde Pij es la capacidad de transmisión de la línea i-j. Debe notarse que la potencia
transmitida es proporcional a la diferencia de ángulos y no, a un ángulo dado. Por
tanto, puede fijarse el valor de un ángulo arbitrario a 0, y tomarlo como origen. Es
decir, para un bus arbitrario k:
k  0 (10)
Una consecuencia que se deriva de esta posibilidad de fijar arbitrariamente un
origen es que los ángulos son variables no restringidas en signo. La potencia
generada por un generador es una magnitud positiva limitada inferiormente,
debido a las condiciones de estabilidad (de forma similar a la de un automóvil, que
no puede moverse a una velocidad inferior a un cierto límite), y superiormente,
debido a límites térmicos (similarmente a la de un automóvil que no puede
moverse a más de una cierta velocidad máxima). Las restricciones anteriores
conducen a:
P i  pi  Pi (11)
donde pi es la potencia producida por el generador i, y P i y P i son constantes
positivas que representan, respectivamente, el mínimo y el máximo de las
potencias generadas por el generador i.
En todo bus, la potencia que entra debe ser igual a la potencia que sale (ley de la
conservación de la energía), que puede escribirse como
 Bij ( i   j )  pi  Di ; i
j i (12)
donde i es el conjunto de buses conectados a través de las líneas al bus i y Di la
demanda asociada al bus i.
Como se ha indicado anteriormente, la potencia transmitida a través de toda línea
es limitada, por tanto
 Pij  Bij ( i   j )  Pij , j  i , i (13)

1. Datos
n: el número de generadores.
P i: la mínima energía de salida asociada al generador i.
P i: la máxima energía de salida asociada al generador i.
Bij: la susceptancia de la línea i-j.
P ij: la capacidad máxima de transmisión de la línea i-j.
Ci: el coste de producir energía en el generador i.
 i : el conjunto de buses conectados a través de líneas al bus i.
Di: la demanda asociada al bus i.
2. Variables
pi: la energía producida por el generador i.
 i : el ángulo del bus i.
3. Restricciones: Las restricciones de este problema son
k  0
 Bij ( i   j )  Pi  Di ; i  1,2,.., n (14)
j i

 Pij max  Bij ( i   j )  Pij max; j  i ; i  1,2,..., n

Pi min  pi  Pi max; i  1,2,..., n

4. Función a minimizar: El objetivo es minimizar el precio total de la

producción de potencia n
Z   Ci pi (15)
i 1
donde Ci es el precio de la producción del generador i, y n el número de
generadores.
 Ejemplo – El Problema de Distribución de Energía:
Considérese el sistema de la figura 4:

Figura 4. Esquema del problema de Distribución de Energía.

El generador del bus 1 produce un coste 6 y sus límites inferiores y superiores son,
respectivamente, 0.15 y 0.6. El coste de producción del generador del bus 2 es 7 y sus
límites de potencia son, respectivamente, 0.1 y 0.4. La línea 1-2 tiene una susceptancia
2.5 y un límite de transmisión máximo de 0.3, la línea 1-3 tiene una susceptancia de
3.5 y un límite de transmisión de 0.5, y, finalmente, la línea 2-3 tiene una susceptancia
de 3.0 y un límite de transmisión de 0.4. Este sistema tiene una demanda simple
localizada en el bus 3 con un valor de 0.85. Se considera un periodo de una hora, y se
toma como origen el bus 3.
Este problema puede escribirse como:
minimizar 6 p1  7 p2

sometido a 3  0
3.5( 3  1 )  2.5( 2  1 )  p1  0
3.0( 3   2 )  2.5(1   2 )  p2  0
3.5(1   3 )  3.0( 2   3 )  0.85
0.15  P1  0.6
0.10  P2  0.4
 0.3  2.5(1   2 )  0.3
 0.4  3.0( 2   3 )  0.4
 0.5  3.5(1   3 )  0.5

Las variables de optimización son p1, p2, 1 y  2 .

La solución de este problema es:
Z  5.385, p  (0.565,0.285)T ,   (-0.143,-0.117,0)T

La solución óptima requiere que el generador 1 produzca 0.565 y el generador 2

produzca 0.285.
EJERCICIOS APLICATIVOS
 VINCULACION EMPRESARIAL

http://tesis.pucp.edu.pe/repositorio/handle/123456789/7319
APLICACION DE LA PROGRAMACION LINEAL EN LA INDUSTRIA DE LA
PANIFICACIÓN http://eprints.uanl.mx/7119/1/1080074564.PDF

Programación lineal para la mejora del proceso de envasado en una empresa de

lubricantes
http://cybertesis.unmsm.edu.pe/bitstream/handle/cybertesis/6433/Aramburu_pj.pdf?seque
nce=1&isAllowed=y

PROPUESTA DE UN SISTEMA DE PRODUCCIÓN BASADO EN LA PROGRAMACION

LINEAL EN UNA INDUSTRIA DE FABRICACIÓN DE CAJAS DE SEGURIDAD
http://biblioteca.usac.edu.gt/tesis/08/08_1796_IN.pdf
Una Aplicación de Programación Lineal en Minería a Cielo Abierto
http://cybertesis.uni.edu.pe/bitstream/uni/12800/1/bernal_mc.pdf
Ejemplo
Gepetto S.L., manufactura muñecos y trenes de madera.
Cada muñeco:
• Produce un beneficio neto de 3 €.
• Requiere 2 horas de trabajo de acabado.
• Requiere 1 hora de trabajo de carpinteria.
Cada tren:
• Produce un beneficio neto de 2 €.
• Requiere 1 hora de trabajo de acabado.
• Requiere 1 hora trabajo de carpinteria.
Cada semana Gepetto puede disponer de:
• Todo el material que necesite.
• Solamente 100 horas de acabado.
• Solamente 80 horas de carpinteria.
También:
• La demanda de trenes puede ser cualquiera (sin límite).
• La demanda de muñecos es como mucho 40.

Gepetto quiere maximizar sus beneficios.

¿Cuántos muñecos y cuántos trenes debe fabricar?
Este problema es un ejemplo típico de un problema de programación lineal (PPL).
Variables de Función Objetivo. En cualquier
Decisión PPL, la decisión a tomar es
como maximizar (normalmente el
x = nº de muñecos beneficio) o minimizar (el coste)
producidos a la de alguna función de las
semana variables de decisión. Esta
y = nº de trenes función a maximizar o minimizar
producidos a la se llama función objetivo.
semana
El objetivo de Gepetto es
elegir valores de x e y para
maximizar 3x + 2y. Usaremos
la variable z para denotar el
valor de la función objetivo. La
función objetivo de Gepetto es:
Max z = 3x + 2y
Restricciones
Son desigualdades que
limitan los posibles
valores de las variables
de decisión.
En este problema las
restricciones vienen
dadas por la
disponibilidad de horas
de acabado y carpintería
y por la demanda de
muñecos.
También suele haber
restricciones de signo o
no negatividad:
x≥0
y≥0
 Restricciones
Cuando x e y crecen, la función objetivo de Gepetto también crece. Pero no
puede crecer indefinidamente porque, para Gepetto, los valores de x e y
están limitados por las siguientes tres restricciones:

Restricción 1: no más de 100 horas de tiempo de acabado pueden ser usadas.

Restricción 2: no más de 80 horas de tiempo de carpinteria pueden ser usadas.
Restricción 3: limitación de demanda, no deben fabricarse más de 40 muñecos.

Estas tres restricciones pueden expresarse matematicamente por las

siguientes desigualdades:

Restricción 1: 2 x + y ≤ 100
Restricción 2: x + y ≤ 80

Restricción 3: x ≤ 40

Además, tenemos las restricciones de signo: x ≥ 0 e y ≥ 0

 Formulación matemática del PPL
Variables de Decisión x = nº de muñecos producidos a la semana
y = nº de trenes producidos a la semana

Muñeco Tren

Beneficio 3 2 Max z = 3x + 2y (función objetivo)

Acabado 2 1 ≤ 100 2 x + y ≤ 100 (acabado)

Carpintería 1 1 ≤ 80 x + y ≤ 80 (carpinteria)

Demanda ≤ 40 x ≤ 40 (demanda muñecos)

x ≥0 (restricción de signo)

y ≥0 (restricción de signo)
 Formulación matemática del PPL

Para el problema de Gepetto, combinando las restricciones de signo x

≥ 0 e y ≥ 0 con la función objetivo y las restricciones, tenemos el
siguiente modelo de optimización:

Max z = 3x + 2y (función objetivo)

Sujeto a (s.a:)
2 x + y ≤ 100 (restricción de acabado)
x + y ≤ 80 (restricción de carpinteria)
x ≤ 40 (restricción de demanda de muñecos)
x ≥0 (restricción de signo)

y ≥0 (restricción de signo)
 Región factible

La región factible de un PPL es el conjunto de todos los puntos que

satisfacen todas las restricciones. Es la región del plano delimitada por el
sistema de desigualdades que forman las restricciones.

x = 40 e y = 20 está en la región Restricciones de Gepetto

factible porque satisfacen todas las 2x + y ≤ 100 (restricción finalizado)
restricciones de Gepetto.
x + y ≤ 80 (restricción carpintería)
Sin embargo, x = 15, y = 70 no está x ≤ 40 (restricción demanda)
en la región factible porque este
punto no satisface la restricción de x ≥0 (restricción signo)
carpinteria y ≥0 (restricción signo)
[15 + 70 > 80].
 Solución óptima
Se puede demostrar
Para un problema de maximización, una solución
que la solución
óptima es un punto en la región factible en el cual la
óptima de un PPL
función objetivo tiene un valor máximo. Para un
está siempre en la
problema de minimización, una solución óptima es un
frontera de la región
punto en la región factible en el cual la función objetivo
factible, en un vértice
tiene un valor mínimo.
(si la solución es
única) o en un
La mayoría de PPL tienen solamente una solución segmento entre dos
óptima. Sin embargo, algunos PPL no tienen solución vértices contiguos (si
óptima, y otros PPL tienen un número infinito de hay infinitas
soluciones. soluciones)
Más adelante veremos que la solución del PPL de
Gepetto es x = 20 e y = 60. Esta solución da un valor
de la función objetivo de:
z = 3x + 2y = 3·20 + 2·60 = 180 €

Cuando decimos que x = 20 e y = 60 es la solución óptima, estamos

diciendo que, en ningún punto en la región factible, la función objetivo
tiene un valor (beneficio) superior a 180.
 Representación Gráfica de las restricciones
Y
Cualquier PPL con sólo dos variables
puede resolverse gráficamente.
100
2x + y = 100
Por ejemplo, para representar
gráficamente la primera restricción,
80
2x + y ≤ 100 :
Dibujamos la recta 2x + y = 100
60

Elegimos el semiplano que 40

cumple la desigualdad: el punto
(0, 0) la cumple
(2·0 + 0 ≤ 100), 20
así que tomamos el semiplano
que lo contiene.
20 40 60 80 X
 Dibujar la región factible

Puesto que el PPL de Gepetto tiene dos variables, se puede resolver

gráficamente. La región factible es el conjunto de todos los puntos que
satisfacen las restricciones:

2 x + y ≤ 100 (restricción de acabado)

x + y ≤ 80 (restricción de carpintería)
x ≤ 40 (restricción de demanda)
x ≥0 (restricción de signo)
y ≥0 (restricción de signo)

Vamos a dibujar la región factible que satisface estas restricciones.

 Dibujar la región factible
Y

100
2x + y = 100
Restricciones
2 x + y ≤ 100
80
x + y ≤ 80
x ≤ 40
60
x ≥0
y ≥0
40

Teniendo en cuenta
las restricciones de 20
signo (x ≥ 0, y ≥ 0),
nos queda:
20 40 60 80 X
 Dibujar la región factible
Y

100

Restricciones 80

2 x + y ≤ 100
x + y ≤ 80 60 x + y = 80
x ≤ 40
x ≥0 40

y ≥0

20

20 40 60 80 X
 Dibujar la región factible
Y

100

Restricciones 80
x = 40
2 x + y ≤ 100
x + y ≤ 80 60

x ≤ 40
x ≥0 40

y ≥0

20

20 40 60 80 X
 Dibujar la región factible
Y
La intersección de
todos estos
semiplanos 2x + y = 100
100
(restricciones) nos
da la región
factible 80
x = 40

60

x + y = 80
40

Región
20
Factible

20 40 60 80 X
 Vértices de la región factible
Y Restricciones
La región factible (al estar
limitada por rectas) es un 2 x + y ≤ 100
polígono. 2x + y = 100 x + y ≤ 80
100
En esta caso, el polígono x ≤ 40
ABCDE.
x ≥0
80 E x = 40
Como la solución óptima y ≥0
está en alguno de los
vértices (A, B, C, D o E) D
60
de la región factible,
calculamos esos vértices. x + y = 80
40

Región
20 Factible C

B
A 20 40 60 80 X
 Vértices de la región factible
Y
Los vértices de la región factible
son intersecciones de dos rectas.
El punto D es la intersección de las 100
rectas 2x + y = 100
2x + y = 100
x + y = 80 x = 40
80 E(0, 80)
La solución del sistema x = 20, y =
60 nos da el punto D. D (20, 60)
60

B es solución de
x = 40 40
y=0
Región
C es solución de C(40, 20)
20 Factible
x = 40 x + y = 80
2x + y = 100
B(40, 0)
E es solución de A(0, 0) 20 40 60 80 X
x + y = 80
x=0
 Resolución gráfica
Y
Max z = 3x + 2y

Para hallar la 100

solución óptima,
dibujamos las rectas (0, 80)
80
en las cuales los
puntos tienen el
mismo valor de z. (20, 60)
60
La figura muestra
estas lineas para
40
z = 0, z = 100, y z =
180
Región
(40, 20)
20 Factible

(40, 0)
(0, 0) 20 40 60 80 X
z = 180
z=0 z = 100
 Resolución gráfica Y

Max z = 3x + 2y
100

La última recta de z (0, 80)

80
que interseca (toca)
la región factible
(20, 60)
indica la solución 60
óptima para el PPL.
Para el problema
de Gepetto, esto 40
ocurre en el punto
D (x = 20, y = 60, z Región
(40, 20)
= 180). 20 Factible

(40, 0)
(0, 0) 20 40 60 80 X
z = 180
z=0 z = 100
 Resolución analítica
Y
Max z = 3x + 2y
También podemos encontrar la
100
solución óptima calculando el valor
de z en los vértices de la región
factible. 80
(0, 80)

Vértice z = 3x + 2y (20, 60)

(0, 0) z = 3·0+2·0 = 0 60

(40, 0) z = 3·40+2·0 = 120

(40, 20) z = 3·40+2·20 = 160 40
(20, 60) z = 3·20+2·60 = 180
(0, 80) z = 3·0+2·80 = 160 Región
Factible (40, 20)
20

La solución óptima es:

x = 20 muñecos (40, 0)
y = 60 trenes (0, 0) 20 40 60 80 X
z = 180 € de beneficio
Hemos identificado la región factible para
el problema de Gepetto y buscado la
solución óptima, la cual era el punto en la
región factible con el mayor valor posible
de z.
Recuerda que:

• La región factible en cualquier PPL

está limitada por segmentos (es un
polígono, acotado o no).

• La región factible de cualquier PPL

tiene solamente un número finito de
vértices.

• Cualquier PPL que tenga solución

óptima tiene un vértice que es óptimo.
Un problema de minimización

Dorian Auto fabrica y vende coches y

furgonetas.La empresa quiere emprender una
campaña publicitaria en TV y tiene que decidir
comprar los tiempos de anuncios en dos tipos
de programas: del corazón y fútbol.

• Cada anuncio del programa del corazón es visto por 6 millones de mujeres y 2
millones de hombres.
• Cada partido de fútbol es visto por 3 millones de mujeres y 8 millones de hombres.
• Un anuncio en el programa de corazón cuesta 50.000 € y un anuncio del fútbol
cuesta 100.000 €.
• Dorian Auto quisiera que los anuncios sean vistos por por lo menos 30 millones de
mujeres y 24 millones de hombres.
Dorian Auto quiere saber cuántos anuncios debe contratar en cada tipo de
programa para que el coste de la campaña publicitaria sea mínimo.
 Formulación del problema:

• Cada anuncio del programa del

corazón es visto por 6 millones de
mujeres y 2 millones de hombres.
• Cada partido de fútbol es visto por 3
millones de mujeres y 8 millones de
hombres. Corazón Fútbol
• Un anuncio en el programa de (x) (y)
corazón cuesta 50.000 € y un anuncio
del fútbol cuesta 100.000 €.
• Dorian Auto quisiera que los mujeres 6 3 6x + 3y ≥ 30
anuncios sean vistos por por lo menos
30 millones de mujeres y 24 millones
hombres 2 8 2x + 8y ≥ 24
de hombres.
Dorian Auto quiere saber cuántos
anuncios debe contratar en cada tipo Coste
50 100 50x +100y
de programa para que el coste de la 1.000€
campaña publicitaria sea mínimo.
 Formulación del problema:

Variables de decisión: x = nº de anuncios en programa de corazón

y = nº de anuncios en fútbol

Min z = 50x + 100y (función objetivo en 1.000 €)

s.a: 6x + 3y ≥ 30 (mujeres)
2x + 8y ≥ 24 (hombres)
x, y ≥ 0 (no negatividad)
 Dibujamos la región factible.
Y

14

Min z = 50 x + 100y 12
6x + 3y = 30
s.a. 6x + 3y ≥ 30
10
2x + 8y ≥ 24
x, y ≥ 0 8

4
2x + 8y = 24
2

X
2 4 6 8 10 12 14
 Calculamos los vértices de la región factible:
Y
El vértice A es solución del
La región factible
sistema 14
no está acotada
6x + 3y = 30
x=0 12
Por tanto, A(0, 10)
10 A
Región
El vértice B es solución de 8 Factible
6x + 3y = 30
2x + 8y = 24 6
Por tanto, B(4, 2)
4

El vértice C es solución de B
2
2x + 8y = 24
y=0 C
Por tanto, C(12, 0) 2 4 6 8 10 12 14
X
 Resolvemos por el método analítico

Evaluamos la función objetivo z en los vértices.

Y
Vértice z = 50x + 100y
14
z = 50·0 + 100·10 =
A(0, 10)
= 0+10000 = 10 000 12

z = 50·4 + 100·2 = 10
A(0, 10)
B(4, 2) Región
= 200+200 = 400 Factible
8
z = 50·12 + 100·0 =
C(12, 0)
= 6000+0 = 6 000 6

El coste mínimo se obtiene en B. 4

B(4, 2)
Solución: 2
x = 4 anuncios en pr. corazón
C(12, 0)
y = 2 anuncios en futbol
Coste z = 400 (mil €) 2 4 6 8 10 12 14
X
 Resolvemos por el método gráfico
Min z = 50 x + 100y Y

s.a. 6x + 3y ≥ 30 14

2x + 8y ≥ 24
12
x, y ≥ 0

10 A(0, 10)
El coste mínimo Región
se obtiene en el Z = 600
8 Factible
punto B.
6
Z = 400
4

B(4, 2)
2
Solución:
x = 4 anuncios en pr. corazón C(12, 0)
y = 2 anuncios en futbol X
2 4 6 8 10 12 14
Coste z = 400 (mil €)
 Número de Soluciones de un PPL

Los dos ejemplos anteriores, Gepetto y Dorian Auto,

tienen, cada uno, una única solución óptima.
No en todos los PPL ocurre esto. Se pueden dar
también las siguientes posibilidades:
• Algunos PPL tienen un número infinito de
soluciones óptimas (alternativas o múltiples
soluciones óptimas).
• Algunos PPL no tienen soluciones factibles (no
tienen región factible).
• Algunos PPL son no acotados: Existen puntos en
la región factible con valores de z arbitrariamente
grandes (en un problema de maximización).
Veamos un ejemplo de cada caso.
 Número infinito de soluciones óptimas
Y
Consideremos el siguiente 60
problema:

50
C
max z = 3x + 2y

40
s.a: 3x + 2y ≤ 120
x + y ≤ 50
x,y≥0 B
30 Región
Factible
z = 120
Cualquier punto (solución) situado 20
en el segmento AB puede ser una
solución óptima de z =120. z = 60
10
z = 100

A
10 20 30 40 50 X
 Sin soluciones factibles
Y
Consideremos el siguiente
60
problema:
No existe
Región Factible
max z = 3x1 + 2x2 50
x ≥ 30
s.a: 3x + 2y ≤ 120 40
x + y ≤ 50 x + y ≤ 50 y ≥ 30
x ≥ 30
y ≥ 30 30
x,y≥0

20

10 3x + 2y ≤ 120

No existe región factible

10 20 30 40 50 X
 PPL no acotado
max z = 2x – y Y
s.a: x–y≤1 6
Región Factible
2x + y ≥ 6
x, y ≥ 0 5

La región factible es no 4
acotada. Se muestran en el z=4
gráfico las rectas de nivel
3
para z = 4 y z = 6. Pero
podemos desplazar las
rectas de nivel hacia la 2

derecha indefinidamente sin z=6

abandonar la región factible. 1
Por tanto, el valor de z
puede crecer
indefinidamente. 1 2 3 4 5 X
 Introducción a la Programación Lineal
 Problema de Programación Lineal (PPL): La forma mas general de un
problema de programación lineal consiste en minimizar o maximizar:
n
Z  f (X )  cj xj
j 1

n
Sujeto a:  aij x j  bi , i  1,2,...p - 1
j 1
n
 aij x j  bi , i  1,2,...p - 1
j 1
n
 aij x j  bi , i  1,2,...p - 1
j 1

donde p ,q y m son enteros positivos tales que 1 p  q  m.

 Solución Factible: Un punto
X  ( x1 , x2 ,..., xn )

que satisface todas las restricciones se denomina solución factible. El conjunto de

todas esas soluciones es la región de factibilidad.
 Solución Óptima: Un punto factible X~ tal que f ( X )  f ( X~ ) para cualquier
otro punto factible X se denomina una solución óptima del problema.
Típicamente n es mucho mayor que m. Lo que distingue a un PPL de otros
problemas de optimización es que todas las funciones que aparecen son lineales.
En un PPL la región factible es un Politopo o un Poliedro.
El objetivo de los problemas de optimización es encontrar un óptimo global. Sin
embargo, las condiciones de optimalidad garantizan por lo general óptimos locales.
Sin embargo, los PPL presentan propiedades que hacen posible garantizar el
óptimo global:
o Si la región factible esta acotada, el problema siempre tiene una solución
(condición suficiente pero no necesaria).
o El óptimo de un PPL es siempre un óptimo global.
o Si x e y son óptimos de un PPL, entonces cualquier combinación lineal de ellos
es también un óptimo. Nótese que una combinación lineal convexa de óptimos
no cambia el valor de la función objetivo.
o La solución óptima se alcanza siempre, al menos, en un punto extremo de la
región factible.
 Ejemplo – Solución Única:
Maximizar Z  3x1  x2
 x1  x2  2
Sometido a x1  x2  6
x1  3
2 x1  x2  4
 x2  0
 x1  x2  1
 x1  0
tiene por solución única Z=12, que se alcanza en el punto P=(3,3)

Figura 5. Ejemplo Solución Única.

 Ejemplo – Solución Múltiple:
Si la función objetivo del problema anterior se reemplaza por:
Z  3x1  x2
el problema tiene múltiples soluciones

Figura 6. Ejemplo Solución Múltiple.

En efecto, cualquier punto del segmento con extremos en los puntos (2; 4)T y
(3; 3)T da la solución óptima del problema (Z = 6).
 Ejemplo – Solución No Acotada:
Maximizar Z  3x1  x2

 x1  x2  2
Sometido a  x2  0
 x1  x2  1
 x1  0

tiene solución no acotada

Figura 7. Ejemplo No Acotada.

 Ejemplo – Solución No Factible:
Maximizar Z  3x1  x2

Sometido a  x1  x2  2
x1  x2  6
x1  3
2 x1  x2  4
 x2  0
 x1  x2  1
 x1  0
x1  x2  0

No tiene solución factible porque la nueva restricción

x1  x2  0

no es compatible con las anteriores.

 Problema en la Forma Estándar
Un PPL definido en la forma:
Minimizar Z  CT X
Ax  b
Sometido a xo

Se dice que está en forma estándar. Ello implica:

1. La función objetivo debe minimizarse.
2. las restricciones deben ser de igualdad.
3. El vector b  m debe ser no negativo.
4. Las variables x deben ser no-negativas.

Cualquier problema puede ponerse en forma estándar.

 Paso a un Problema de Minimización:
Un problema de maximización puede convertirse en uno de minimización
cambiando el signo de la función objetivo. El problema:
Maximizar Z max  CT X
es equivalente al problema
Minimizar Z max  CT X
sometidos ambos a las mismas restricciones.

 Paso aVariables No Negativas:

El conjunto x1 ,..., xr  de r variables no restringidas puede escribirse en función de
otro conjunto x*1 ,..., xr* , x*  de r + 1 variables no negativas:
xi  x*i  x* ; i  1,2,...r
De esta forma se añade una variable en vez del método usual de añadir r nuevas
variables.

 Paso a Restricciones de Igualdad:

Se puede conseguir usando variables de holgura:
o La desigualdad:
ai1 x1  ai 2 x2  ...  ain xn  bi
con xn 1  0, equivale a la igualdad
ai1 x1  ai 2 x2  ...  ain xn  xn 1  bi

o La Desigualdad:
ai1 x1  ai 2 x2  ...  ain xn  bi

con xn 1  0 , equivale a la igualdad

ai1 x1  ai 2 x2  ...  ain xn  xn 1  bi
 Ejemplos – Transformación a la Forma Estándar:
o Maximizar Z  2 x1  3x2  5 x3
sometido a
x1  x2  2
3 x1  x2  x3  3
x1 , x2  0
Este problema en la forma estándar es
Minimizar Z  2 x1  3x2  5( x6  x7 )
sometido a x  x  x  2
1 2 4

3x1  x2  ( x6  x7 )  x5  3
x1 , x2 , x4 , x5 , x6 , x7  0

o Maximizar Z  3 x1  x3

sometido a x1  x2  x3  1
x1  x2  x3  1
x1  x3  1
x1  0
Este problema en la forma estándar es
Minimizar Z  3x1  y3  z3
sometido a
x1  y2  z2  y3  z3  1
x1  y2  z2  y3  z3  u1  1
x1  y3  z3  u2  1
x1 , y2 , z 2 , y3 , z3 , u1 , u2 ,  0
 El Método Simplex
Sea el PPL:
Minimizar f ( x )  cT x

Sujeto a Ax  b; b  0,
x  0,
Donde c  (c1 , c2 ,..., cn )T es una matriz de costos y A es una matriz de m x n.

El método simplex (MS) consta de dos etapas:

o Etapa de Iniciación
 El conjunto inicial de restricciones se transforma en otro equivalente de
igualdades, asociadas a una solución básica.
 Los valores de las variables básicas se transforman en no negativos (se
obtiene una solución básica factible). Esta etapa se llama reguladora.
o Etapa de Iteraciones Estándar
En esta etapa los coeficientes de la función de costo se transforman en no
positivos y el valor de la función de costo se mejora iterativamente, hasta
obtener la solución óptima, se detecta solución no factible, o solución no
acotada. En este proceso iterativo se obtienen diferentes soluciones factibles.
Para este fin se utiliza la llamada transformación elemental de pivotaje.

Fase de Iniciación: Una de las peculiaridades del SM consiste en incorporar una

nueva variable Z, igual a la función objetivo del problema, y la restricción asociada
Z  c1 x1  ...  cn xn

Las restricciones son x 

( B N ) B   b
 xN 

Y la función objetivo  1 
 
Z  (0 cTB cTN ) xB 
x 
 N
Donde (B N) es una partición de la matriz A, y XB y XN definen otra partición de
x, en variables básicas y no básicas, respectivamente.
Usando la ecuación de restricciones podemos obtener
BxB  Nx N  b
xB  B 1b  B 1 Nx N  v  Ux N

donde v  B 1b
U   B 1 N

Ahora, de la ecuación de la función objetivo y la anterior ecuación obtenemos

Z  cTB (v  Ux N )  cTN x N
Z  cTB v  (cTBU  cTN ) x N
Z  u0  wx N

donde
u0  cTB v
w  cTBU  cTN

Para obtener  Z   u0 w  1 
     
 B 
x v U  xN 
El MS comienza con el conjunto de restricciones

 Z   u 0  1 
T
 1 
(0)
w( 0 )  
   
            Z ( 0)    
 x   v ( 0) U (0)
 
 x N  x 
 B    N

Donde xB  x N es una partición del conjunto de variables x1, x2,... xn . Las matrices
v ( 0) y U (0) se obtienen resolviendo las restricciones en xB

U (0)  CBTV (0) , w(0)  cTBU (0)  cTN

T T
donde cB y c N son los coeficientes de costo asociados a xB y xN, respectivamente.
Podemos entonces obtener un nuevo conjunto equivalente de restricciones con la
misma estructura
 Z (t )   u (t )  1   1 
T
w( t ) 
  0   
         Z (t )    
 x (t )   v (t ) U (t )
 (t ) 
 x N   (t ) 
 B     xN 
donde t se refiere al número de la iteración y t=0 es la iteración inicial.
 Programación No Lineal
El problema más general de programación no lineal (PPNL), puede plantearse
como:
Minimizar Z  f ( x1 ,..., xn )

Sujeto a h1 ( x1 ,..., xn )  0
  
hl ( x1 ,..., xn )  0
g1 ( x1 ,..., xn )  0
  
g m ( x1 ,..., xn )  0

En forma compacta el modelo anterior puede escribirse:

Minimizar Z  f (x)

Sujeto a h( x )  0
g ( x)  0
Donde x  ( x1,..., xn ) es el vector de las variables de decisión, f : n   es la
T

función objetivo, y g : n  m y h : n  l, donde g ( x)  ( g1 ( x),..., g m ( x))T y

h( x)  (h1 ( x),..., hl ( x))T son las restricciones de desigualdad y de igualdad,
respectivamente.
La figura 8a muestra que el mínimo del problema se alcanza en el conjunto de
puntos en los que la tangente es horizontal.

Figura 8. Mínimos Locales y Globales.

Sin embargo, si se busca el mínimo de la función:
f ( x)  ( x  2)2 / 3  ( x  2)2 / 3
en  , se encuentra uno con dificultades, pues no tiene puntos con derivada nula.
Sin embargo, el hecho de que f tienda a cero cuando x tiende a ±∞ y que tome
valores negativos, indica que f debe alcanzar su mínimo en algún lugar.
Un análisis más profundo de f revela que el mínimo se alcanza en x  2 , pero f no
es diferenciable en este punto. Este simple ejemplo muestra que se debe tener
especial cuidado cuando las funciones que intervienen no son diferenciables.

Figura 9. Grafica de la función f ( x)  ( x  2)2 / 3  ( x  2)2 / 3 .

Hay además otro problema igualmente relevante, referente a los problemas no
lineales diferenciables. Para ilustrarlo, se considera la función objetivo siguiente

Figura 10. Grafica de la función f ( x)  (1/10) x  10(sin x  x cos x) .

2
Esta función es diferenciable en todo , pero tiene un conjunto infinito de puntos
con tangente horizontal (puntos en los que f´(x) = 0). Estos puntos reciben el
nombre de puntos estacionarios y todos ellos, salvo uno, son óptimos locales.
Puesto que si se restringe la atención a un pequeño entorno de ellos, se convierten
en máximos o mínimos locales. La ecuación f´(x) = 0 no puede ser resuelta en
forma cerrada, por lo que se deben utilizar métodos numéricos. La existencia de
un conjunto infinito de puntos candidatos y la ausencia de un método para
generarlos explícitamente, conducen a la imposibilidad de conocer, con total
certidumbre, si un determinado candidato es el óptimo global.
Estamos interesados en la clase de funciones tales que sus mínimos locales sean
también globales. En la figura se da una función que no cumple esta condición. Hay
puntos en el intervalo x , x*  que están por encima del segmento que une los
mínimos. La convexidad es aquí suficiente para evitar este comportamiento. Para
ser convexa se exige que el grafo esté por debajo del intervalo que une los
extremos.

Figura 11. Ilustración de la Propiedad de Convexidad

Un PPNL puede no tener solución por:
1. La función no es acotada en S. Por ejemplo, f(x) = x, donde x  decrece sin
límite hasta −∞ cuando x tiende a −∞. En este caso se escribe
Ínfimo xS f ( x)  -
2. La función es acotada en S pero no se alcanza la cota inferior: Ínfimo xS f ( x) en S.
x
Por ejemplo, la función f ( x)  e está acotada en S   y la cota inferior es 0 pero
es inalcanzable por f(x).

 Teorema 1 (Existencia de Soluciones Óptimas)

Sea S un conjunto cerrado, acotado y no vacío de n y f : S   una función
continua. El problema
Minimizar Z  f (x)

Sujeto a xS f : S 

admite al menos una solución óptima.

 Corolario 1 (Existencia de Soluciones Óptimas)
Sea S un conjunto cerrado y no vacío (posiblemente no acotado) de n y
una función continua.
Si tenemos:
limx, xS f ( x)  

Entonces el problema es:

Minimizar Z  f (x)
sujeto a xS

admite al menos una solución óptima.

Estos resultados pueden hacerse más explícitos cuando la función f es convexa.

 Definición 1 (Mínimo global)

Una función f(x) tiene un mínimo global (mínimo global estricto) en el punto x*, de
S, si f ( x* )  f ( x) ( f ( x* )  f ( x)) para todo x en S.

 Definición 2 (Mínimo local)

Una función f(x) tiene un mínimo local (mínimo local estricto) en el punto x, de S,
si existe un número positivo  tal que f ( x )  f ( x) (respectivamente, f ( x )  f ( x) )
para todo x en S tal que 0  x  x   .
De ello se concluye que un mínimo global es también un mínimo local. En una
dimensión es fácil ilustrar los conceptos anteriores. En la figura 11, S es el
segmento a, b. S  a, x1 , x2  es el conjunto de los mínimos locales, y S *  a, x2  es el
conjunto de los mínimos globales.

Figura 12. Una función con tres mínimos locales y dos globales.
 Definición 3 (Diferenciabilidad)
Se dice que f : n   es diferenciable en x si existen las derivadas parciales y f ,
xi
i  1,..., n, y
f ( y)  f ( x)  f ( x)T ( y  x)
lim y  x 0
yx
T
 f ( x) f ( x) 
donde f ( x)   ,...,  es el gradiente de f en x.
  x1  x n 
 Definición 4 (Diferenciabilidad continua)
Una función f se dice continuamente diferenciable en x si todas las derivadas
parciales son continuas en x. En este caso, también es diferenciable.
Se considera el siguiente PPNL:
Minimizar Z  f (x) (1)
sujeto a h( x )  0
g ( x)  0 (2)

donde f : n  , g : n  m , h : n  lcon g ( x)  g1 ( x),..., g m ( x) T y h( x)  h1 ( x),..., hl ( x) T

son funciones continuamente diferenciables en la región factible S  x h( x)  0, g(x)  0
 Condiciones de Karush-Kuhn-Tucker
(CKKT)
Las condiciones de Karush, Kuhn and Tucker constituyen el resultado más
importante de programación no lineal. Deben ser satisfechas por cualquier óptimo
restringido, sea éste local o global, y para cualquier función objetivo, ya sea lineal o
no lineal. Además, los criterios de parada de los métodos iterativos se basan en
estas condiciones. Mientras que en los problemas diferenciables sin restricciones el
gradiente se anula en los mínimos locales, esto no ocurre para problemas con
restricciones, tal como ilustra la figura 11 en el punto x  a . Esto se debe a las
restricciones del problema. Las condiciones de Karush-Khun-Tucker generalizan
las condiciones necesarias de óptimo para los problemas con restricciones.

Figura 13. En problemas restringidos diferenciables el gradiente no es necesariamente cero en la

solución óptima
 Definición 5 (Condiciones de Karush-Kuhn-Tucker):
El vector x  n satisface las condiciones de Karush-Khun-Tucker para el PPNL
(1)-(2) si existe un par de vectores    y    tales que
m l

l m
f ( x )   k hk ( x )    j g j ( x )  0 (3)
k 1 j 1
(4)
g j ( x )  0, j  1,..., m
(5)
hk ( x )  0, k  1,..., l
(6)
 j g j ( x )  0, j  1,..., m
(7)
 j  0, j  1,..., m

Los vectores µ y  ¸ son los multiplicadores de Khun-Tucker. La condición (6) es la

condición complementaria de holgura. La (7) son las condiciones duales de
factibilidad y requieren la no-negatividad de los multiplicadores de las restricciones
de desigualdad. Las condiciones (4)-(5) se llaman condiciones primales de
factibilidad.
Con el Lagrangiano L( x, ,  )  f ( x)  T h( x)   T g ( x) las condiciones KKT se
escriben como
 x L( x ,  ,  )  0
 T   L( x ,  ,  )  0
  L( x ,  ,  )  0
  L( x ,  ,  )  0  0
Figura 14. Ilustración de las condiciones de Karush–Kuhn–Tucker para el caso de una restricción de
igualdad y dos variables.

Figura 15. Ilustración de las condiciones de Karush–Kuhn–Tucker para el caso de dos restricciones de
desigualdad y dos variables.
 Casos Especiales
Si falta una restricción en un PPNL, el multiplicador asociado a la restricción
“ausente" es nulo, y la restricción se elimina de la formulación de las condiciones
de KKT. En estos casos resulta:

1. (Problemas sin restricciones) En este caso solo se tiene la condición:

f ( X )  0

2. (Problemas con restricciones de igualdad solamente) Las condiciones

de KKT son una extensión del principio clásico del método de los multiplicadores
de Lagrange. Este método sólo surge con problemas que únicamente tienen
restricciones de igualdad:
l
f ( X )   k hk ( X )  0
k 1

hk ( X )  0, k  1,..., l
3. (Problemas con restricciones de desigualdad solamente) Las
condiciones de KKTC son:
m
f ( X )    j  g j ( X )  0
j 1

g j ( X )  0, j  1,..., m
 j g j ( X )  0, j  1,..., m
 j  0, j  1,..., m
 Ejemplo

Minimizar Z   x1  x2

 x12  x2  0
sujeto a x12  x22  4  0
 x1  0
 x2  0

Sean  , 1 ,  2 y 3 los multiplicadores asociados a la igualdad y las desigualdades,

respectivamente. Las condiciones de KKT son:
1. La condición de estacionariedad del Lagrangiano es:
  1  2x    1 0   2 x1   0 
   1  1    2    3         
 
1  2
2 x  
0 
 1  1   0 (8)

2. Las condiciones primales de factibilidad:

 x12  x2  0
x12  x22  4  0 (9)
 x1  0
 x2  0
3. Las condiciones complementarias de holgura son:
1 ( x12  x22  4)  0 (10)
 2 ( x1 )  0 (11)
 3 (  x2 )  0 (12)
3. Las condiciones duales de factibilidad son:
1 ,  2 , 3  0 (13)

Caso I:  2  0 . Si  2  0 entonces usando (11), x1 = 0, y (8) implica que

 1  2  0
1  2 x2 1  3    0

Puesto que 2  1 y no se cumple la condición (13), entonces los puntos KKT

deben satisfacer  2  0 .
Caso II: 3  0 , y  2  0 . Si 3  0 entonces usando (12), x2 = 0, y la relación
 x12  x2  0 de (9) se obtiene x1 = 0, y con (8) resulta
1  0
por lo que todo punto KKT debe satisfacer 3  0.
Caso III: 1  0 , y  2  3  0 . Si 1  0 entonces usando (10) resulta x12  x 22  4  0,
y con la condición de factibilidad, resulta el sistema de ecuaciones:
x12  x 22  4  0
 x12  x2  0
La única condición que satisface el sistema (9) es x    ,  , donde    1 17
y,
2
con (8) resulta:
 1  2  1  2    0
1  21    0
cuya solución es:
2  
1  0
2 (1  2 )
1 2  
 
2  2 (1  2 )
que es un punto KKT
Caso IV: 1   2  3  0 .Usando (8), resulta el sistema de ecuaciones
 1  2x1  0
1   0

y se obtiene la solución   1 y x1  1/ 2. De (9), se obtiene x2  x12  1/ 4 , y puesto

que se trata de un punto factible, es también un punto KKT.
 Definición 6 (Restricción Activa)
Sea x  n , y j  1,..., m. La restricción de desigualdad g j ( x)  0 se dice que es una
restricción activa en el punto x si g j ( x )  0 ; por otro lado, se dice inactiva si g j ( x )  0.
El conjunto de los índices de las restricciones activas se denota por I (x ) , es decir
 
I (x)  j g j (x)  0

 Lema 1: Las CKKT son necesarias para un óptimo local de “la mayoría” de
PPNL.
 Condiciones Suficientes
 Definición 7 (Función Convexa)
Sea f : S  , donde S es un conjunto convexo no vacío de n . La función f se dice
que es convexa en S si para cada par de puntos x1 y x2 y cualquier escalar t tal que
0≤t≤1, se tiene
f (tX 1  (1  t ) X 2 )  tf ( X 1 )  (1  t ) f ( X 2 )

Si se cumple la desigualdad estricta anterior, f se dice que es estrictamente

convexa. Similarmente, una función f es cóncava si la desigualdad se cumple con la
desigualdad se cumple al revés, es decir, si (-f) es convexa.

 Teorema 2 ( Óptimo global y local)

Considérese la función convexa f : S   , donde S es un conjunto convexo no
vacío de n. Todo mínimo local de f en S es también un mínimo global de f en S.
Además, si f es estrictamente convexa hay a lo sumo un único mínimo global.
Las figuras 16, 17 y 18 muestran ejemplos de funciones convexa, cóncava y otra no
convexa no cóncava.

Figura 16. Ejemplo Función Convexa. Figura 17. Ejemplo Función Cóncava.

Figura 18. Ejemplo Función No Convexa, No Cóncava.

 Teorema 3 (Convexidad y diferenciabilidad)
Sea S  n un conjunto convexo y f : n   diferenciable en S. Entonces f es
convexa en S si:
f ( X 1 )  f ( X 2 )  f ( X 1 )T ( X 2  X 1 ); X 1, X 2  S
Además, f es estrictamente convexa en S si:
f ( X 1 )  f ( X 2 )  f ( X 1 )T ( X 2  X 1 ); X 1, X 2  S con X1  X 2

 Definición 8 (Función dos veces diferenciable)

Se dice que f : n   es dos veces diferenciable en el punto X si existe un vector
columna f (X ), y una matriz n x n 2 f ( X ) , tal que
1
f (Y )  f ( X )  f ( X )T (Y  X )  (Y  X )T  2 f ( X )(Y  X )
lim 2 0
YX
yx 2

La matriz 2 f ( X ) se llama la matriz Hesiana de f en el punto X. El elemento ij de

 2 f ( X ) es la segunda derivada parcial  2 f ( X ) / X i X j. Por otra parte, si las derivadas
parciales son continuas, entonces f se dice dos veces continuamente diferenciable y,
entonces 2 f ( X ) es una matriz simétrica.
 Definición 9 (Matriz semidefinida positiva)
Una matriz simétrica A es semidefinida positiva si X T AX  0 para cualquier vector
X. Además, si la igualdad X T AX  0 se cumple sólo cuando x = 0, entonces A se
llama definida positiva.

 Teorema 4 (Funciones convexas)

Sea S  n un conjunto abierto y convexo y sea f : n   dos veces diferenciable
en S. Entonces, se cumple:

1. f es una función convexa en S si 2 f ( X~ ) es una matriz semidefinida positiva para

todo X~  S, es decir
~
Y T 2 f ( X )Y  0; Y  n

2. f es una función estrictamente convexa en S si 2 f ( X~ ) es una matriz definida

positiva para todo X~  S , es decir
~
Y T 2 f ( X )Y  0; Y  n
Algunas funciones convexas importantes son:
1. Funciones Afines:
Sea f ( X )  bT X  a , donde a   y b, X  n, es una función afín. Entonces, la matriz
Hesiana es 2 F ( X~ )  0 para todo X~  n . Puesto que esta función satisface el
Teorema 4, es una función convexa. Nótese que f es también cóncava puesto que
~
2 ( f )( X ) es igual a cero.

2. Formas cuadráticas:
1
Sea f ( X )  X T CX  bT X  a una forma cuadrática. Si la matriz C es semidefinida
2
positiva, entonces f es una función convexa, ya que la matriz Hesiana de f es
2 f ( X )  C para todo X.
Las operaciones que conservan la convexidad son:
1. Combinaciones lineales no negativas de funciones convexas.
Sean fi(X), i = 1,…, k funciones convexas, k
y sean i , i = 1,…, k escalares
positivos. Considérese la función h( X )   i f i ( X ) . Puesto que la suma de matrices
i 1
semidefinidas positivas es también semidefinida positiva, entonces h es una función
convexa.

2. Composición primera.
Si h es convexa y T es una transformación lineal (o afín), la composición g = h(T)
también es convexa.

3. Composición segunda
Si g es convexa, y h es una función convexa no decreciente de una variable, la
composición f = h(g) también es convexa.

4. Supremo
El supremo de una familia de funciones convexas es también una función convexa.
 Condiciones Suficientes de Karush-
Kuhn-Tucker
 Lema 2 (Problema de programación convexa)
Considérese el problema de programación convexa (PPC):
Minimizar Z  f (X )

sujeto a X S
donde f es convexa y diferenciable y S es un conjunto convexo. Entonces X * S es
un óptimo global si
f ( X *)T ( X  X *)  0, X  S

 Teorema 5 (Suficiencia de las condiciones de Karush-Khun-Tucker)

Considérese el PPNL
Minimizar Z  f (X )
sujeto a h( X )  0
g( X )  0
Supóngase que existe una tripleta ( X ,  ,  ) que satisface las CKKT. Sea
K   k k  0 y K   k k  0. Supóngase que f(X), gi(X) para todo i  I (X ) y hk(X)
para todo k  K  son funciones convexas en n, y que hk(X) para todo k  K  son
funciones cóncavas en n. Entonces X es una solución global del PPNL.

 Ejemplo 1– Caso Especial sin Restricciones:

Sea f : n   convexa en n y diferenciable en x*. Entonces x* es una solución

global óptima del problema

Minimizar Z  f ( x), x  n

si f ( x* )  0

La clase más importante de PPNL para los que las CKKT son siempre necesarias y
suficientes es la de los llamados programas convexos (PC), que consisten en
minimizar una función objetivo convexa con un conjunto de restricciones tales que
las desigualdades son funciones convexas y las igualdades funciones afines, es decir:
Minimizar Z  f (x)

Sujeto a h( x )  0
g ( x)  0

donde f y g son funciones convexas y continuamente diferenciables, y h es una

función afín. Un caso particular importante es el problema de programación lineal,
por lo que los resultados anteriores son totalmente aplicables a este problema.

En muchos casos tenemos el problema

Minimizar f ( ,  )   (r ( xi )    s ( yi ))
2

donde r(x) y s(y) son funciones de dos variables x e y, respectivamente. Puesto que
α y  no están restringidos, se trata de un problema sin restricciones, y las CKKT
son:
f ( ,  )
  (r ( xi )    s( yi ))r ( xi )  0
 i

f ( ,  )
  (r ( xi )    s( yi ))  0
 i
Mediante un reordenamiento de las anteriores Ecuaciones podemos obtener:
 r ( xi ) 2   r ( xi )   r ( xi )s yi 
i i i

 r ( xi )  n   s yi 
i i

La solución del sistema es:

n r ( xi ) s ( yi )  r ( xi ) s ( yi )
 i i i
(n r ( xi )  ( r ( xi )) 2 )
2

i i

 r ( xi ) 2  s( yi )  r ( xi ) r ( xi ) s( yi )
 i i i i
(n r ( xi )  ( r ( xi )) 2 )
2

i i

Teniendo en cuenta que maximizar una función es lo mismo que minimizar la

misma función cambiada de signo, el problema consiste en

Minimizar Z   x1 x2

x1  ax2  C
sujeto a  x1  0
 x2  0
donde   0,   0 son constantes, tales que     1 , x1 y x2 son los niveles de
inversión y de trabajo, respectivamente, y f ( x1, x2)  x1 x2 es la función de Cobb
Douglas, que da el nivel de producción como función de ambas variables, y a es el
coste por unidad de trabajo. Además hay una restricción de dinero disponible C.
Este es un PPC, pues las restricciones son lineales y la función objetivo es convexa.
 Bibliografía
 “Formulación y Resolución de Modelos de Programación Matemática en Ingeniería y
Ciencia”, Enrique Castillo, Antonio J. Conejo, Pablo Pedregal, Ricardo García, Natalia
Alguacil, 2002.