MODELOS DE

PROGRAMACION
LINEAL
 INTRODUCCION

En la actualidad a nivel mundial se ha incrementado la necesidad de introducir en las

investigaciones los modelos y las herramientas matemáticas de avanzada (Rodríguez,
2001). El uso e interpretación adecuada de estas técnicas permiten la toma de decisiones
óptimas, la eficiencia y el logro de desempeños superiores en las diferentes esferas y muy
en especial en el sector agrario, cuya aplicación favorece el desarrollo de los sistemas
productivos (Rodríguez y Bermúdez, 1995).

En el ambiente socioeconómico actual altamente competitivo y complejo, exigen una alta

preparación del especialista, en particular, de la rama agropecuaria, que le permita
optimizar los recursos y obtener los mayores rendimientos en los procesos productivos
agrícolas.

Los métodos cualitativos tradicionales de toma de decisiones se han vuelto inoperantes,

quizá validos únicamente para pequeños proyectos. En proyectos grandes se hace
necesario que el profesional agropecuario tenga un conocimiento básico de las
herramientas cuantitativas que utilizan los especialistas para poder trabajar con ellos y
aplicarlos para optimizar las distintas tareas productivas, como son producción,
producción, finanzas, ventas, mezclas de productos, formulación de fertilizantes naturales,
distribución de tierras…entre otros, con miras a obtener los máximos beneficios en el
campo agropecuario.

La Programación Lineal en las ciencias agropecuarias permiten brindar criterios y

herramientas básicas para manejar e interpretar cada vez mejor la actividad agrícola,
satisfacer las demandas de nuevas tecnologías para producir en mercados globales
altamente competitivos resguardando los recursos naturales y tomar decisiones a
mediano y largo plazo en condiciones similares de experimentación (Ortega, 2000).

En particular, las técnicas de modelación matemática representan una novedosa

alternativa ya que estas permiten el ingeniero agrícola analizar la mejor alternativa de
planificación, optimizar recursos, transportación, teniendo en cuenta limitaciones reales
(Callejas, 2008).

La modelación entendida como el proceso mediante el cual un investigador construye un

modelo que representa un objeto o sistema real, es una herramienta para resolver
determinados problemas. La importancia que tiene los modelos matemáticos en la rama
agropecuaria, radica en por ejemplo en que permite establecer la relación entre la dosis
de fertilización de un cultivo y su rendimiento, así como optimizar recursos en una tarea
agrícola, relacionar los procesos químicos, físicos, mecánicos, biológicos y sociales que
ocurren en los agrosistemas, reconociendo las especies y variedades de plantas y animales
presentes, con preceptos de conservación y protección.

Por otro lado, el médico veterinario requiere evaluar una determinada enfermedad de
acuerdo a las condiciones climáticas o del lugar donde se encuentren los animales,
establecer cuál es el tratamiento óptimo a suministrarle a su paciente. Analiza además las
curvas de crecimiento de animales y de producción de leche, las curvas de respuesta a
diferentes medicamentos (Quintero et al., 2010).

Luego, es importante que los profesionales de las ciencias agropecuarias comprendan con
claridad como las herramientas matemáticas les permiten analizar un fenómeno o crear
un modelo matemático nuevo para reflejar la realidad de su entorno, o sea, que pueden
utilizar de manera aceptada y consciente las matemáticas en la solución de problemas
agropecuarios utilizando además los software existentes de acuerdo a las complejidades
de solución que se pueden presentar (Yepis, 1999).

Teniendo en cuenta estos elementos y las necesidades de un creciente desarrollo científico

del país en la rama agropecuaria, en este libro se desarrollan un grupo de ejemplos reales
provenientes de las diversas investigaciones agrícolas, con el objetivo de exponer el uso
de las herramientas matemáticas aplicadas en los mismos, para lo cual hace uso de
recursos informáticos, en este caso son utilizados dos programas matemáticos, tal es el
caso de Geogebra 4.0 y el complemento de Excel conocido como solver.
UNIDAD I
1. ANÁLISIS CUANTITATIVO Y CONSTRUCCIÓN DE MODELOS

1.1 Historia de la Investigación de Operaciones.

La primera actividad de Investigación de Operaciones se dio durante la Segunda
Guerra Mundial en Gran Bretaña, donde la Administración Militar llamó a un grupo
de científicos de distintas áreas del saber para que estudiaran los problemas
tácticos y estratégicos asociados a la defensa del país.
El nombre de Investigación de Operaciones fue dado aparentemente porque el
equipo estaba llevando a cabo la actividad de investigar operaciones (militares).
Motivados por los resultados alentadores obtenidos por los equipos británicos, los
administradores militares de Estados Unidos comenzaron a realizar investigaciones
similares. Para eso reunieron a un grupo selecto de especialistas, los cuales
empezaron a tener buenos resultados y en sus estudios incluyeron problemas
logísticos complejos, la planeación de minas en el mar y la utilización efectiva del
equipo electrónico.
Al término de la guerra y atraídos por los buenos resultados obtenidos por los
estrategas militares, los administradores industriales empezaron a aplicar las
herramientas de la Investigación de Operaciones a la resolución de sus problemas
que empezaron a originarse debido al crecimiento del tamaño y la complejidad de
las industrias.
Aunque se ha acreditado a Gran Bretaña la iniciación de la Investigación de
Operaciones como una nueva disciplina, los Estados Unidos tomaron pronto el
liderazgo en este campo rápidamente creciente. La primera técnica matemática
ampliamente aceptada en el medio de Investigación de Operaciones fue el Método
Símplex de Programación Lineal, desarrollado en 1947 por el matemático
norteamericano George B. Dantzig. Desde entonces las nuevas técnicas se han
desarrollado gracias al esfuerzo y cooperación de las personas interesadas tanto en
el área académica como en el área industrial.
Un segundo factor en el progreso impresionante de la Investigación de
Operaciones fue el desarrollo de la computadora digital, que con sus tremendas
capacidades de velocidad de cómputo y de almacenamiento y recuperación de
información, permitieron al tomador de decisiones rapidez y precisión.
Si no hubiera sido por la computadora digital, la Investigación de Operaciones con
sus grandes problemas de computación no hubiera crecido al nivel de hoy en día.
Actualmente la Investigación de Operaciones se está aplicando en muchas
actividades. Estas actividades han ido más allá de las aplicaciones militares e
industriales, para incluir hospitales, instituciones financieras, bibliotecas,
planeación urbana, sistemas de transporte y sistemas de comercialización.
1.2 Características de la Investigación de Operaciones.
Los objetivos de toda organización serán siempre alcanzar el liderato en su rama,
controlando la eficiencia y efectividad de todas sus componentes por medio de
métodos que permitan encontrar las relaciones óptimas que mejor operen el
sistema, dado un objetivo específico.
Ante el tremendo avance que se ha dado en casi todas las ciencias en las últimas
décadas, ya no es factible querer saber un poco de todo, sino más bien
especializarse en alguna rama de la ciencia. Los problemas que se presentan en las
organizaciones no fácilmente se pueden resolver por un sólo especialista. Por el
contrario son problemas multidisciplinarios, cuyo análisis y solución requieren de la
participación de varios especialistas. Estos grupos interdisciplinarios
necesariamente requieren de un lenguaje común para poder entenderse y
comunicarse, donde la Investigación de Operaciones viene a ser ese puente de
comunicación.
El enfoque de la Investigación de Operaciones es el mismo del método científico.
En particular, el proceso comienza por la observación cuidadosa y la formulación
del problema y sigue con la construcción de un modelo
científico (por lo general matemático) que intenta abstraer la esencia del problema
real. En este punto se propone la hipótesis de que el modelo es una representación
lo suficientemente precisa de las características esenciales de la situación como
para que las conclusiones (soluciones) obtenidas sean válidas también para el
problema real. Esta hipótesis se verifica y modifica mediante las pruebas
adecuadas. Entonces, en cierto modo, la Investigación de Operaciones incluye la
investigación científica creativa de las propiedades fundamentales de las
operaciones. Sin embargo, existe más que esto. En particular, la Investigación de
Operaciones se ocupa también de la administración práctica de la organización.
Así, para tener éxito, deberá también proporcionar conclusiones positivas y claras
que pueda usar el tomador de decisiones cuando las necesite.
La contribución del enfoque de Investigación de Operaciones proviene
principalmente de:

 La estructuración de una situación de la vida real como un modelo matemático,

logrando una abstracción de los elementos esenciales para que pueda buscarse
una solución que concuerde con los objetivos del tomador de decisiones. Esto
implica tomar en cuenta el problema dentro del contexto del sistema completo.
 El análisis de la estructura de tales soluciones y el desarrollo de procedimientos
sistemáticos para obtenerlas.
 El desarrollo de una solución, incluyendo la teoría matemática si es necesario,
que lleva al valor óptimo de la medida de lo que se espera del sistema (o quizá
que compare los cursos de acción opcionales evaluando esta medida para cada
uno).
1.3 Definición.
Investigación de Operaciones o Investigación Operacional. Se puede definir de la
siguiente manera: “La Investigación de Operaciones es la aplicación por grupos
interdisciplinarios del método científico a problemas relacionados con el control
de las organizaciones o sistemas a fin de que se produzcan soluciones que mejor
sirvan a los objetivos de toda la organización”.

1.4 Metodología de la Investigación de Operaciones.

El proceso de la Investigación de Operaciones comprende las siguientes fases:

1. Formulación y definición del problema.
2. Construcción del modelo.
3. Solución del modelo.
4. Validación del modelo.
5. Implementación de resultados.
Demos una explicación de cada una de las fases:
Formulación y definición del problema.
En esta fase del proceso se necesita: una descripción de los objetivos del sistema,
es decir, qué se desea optimizar; identificar las variables implicadas, ya sean
controlables o no; determinar las restricciones del sistema. También hay que tener
en cuenta las alternativas posibles de decisión y las restricciones para producir una
solución adecuada.
Construcción del modelo.
En esta fase, el investigador de operaciones debe decidir el modelo a utilizar para
representar el sistema. Debe ser un modelo tal que relacione a las variables de
decisión con los parámetros y restricciones del sistema. Los parámetros (o
cantidades conocidas) se pueden obtener ya sea a partir de datos pasados o ser
estimados por medio de algún método estadístico. Es recomendable determinar si
el modelo es probabilístico o determinístico. El modelo puede ser matemático, de
simulación o heurístico, dependiendo de la complejidad de los cálculos
matemáticos que se requieran.
Solución del modelo.

Una vez que se tiene el modelo, se procede a derivar una solución matemática
empleando las diversas técnicas y métodos matemáticos para resolver problemas
y ecuaciones. Debemos tener en cuenta que las soluciones que se obtienen en este
punto del proceso, son matemáticas y debemos interpretarlas en el mundo real.
Además, para la solución del modelo, se deben realizar análisis de sensibilidad, es
decir, ver como se comporta el modelo a cambios en las especificaciones y
parámetros del sistema. Esto se hace, debido a que los parámetros no
necesariamente son precisos y las restricciones pueden estar equivocadas.
Validación del modelo.
La validación de un modelo requiere que se determine si dicho modelo puede
predecir con certeza el comportamiento del sistema. Un método común para
probar la validez del modelo, es someterlo a datos pasados disponibles del sistema
actual y observar si reproduce las situaciones pasadas del sistema. Pero como no
hay seguridad de que el comportamiento futuro del sistema continúe replicando el
comportamiento pasado, entonces siempre debemos estar atentos de cambios
posibles del sistema con el tiempo, para poder ajustar adecuadamente el modelo.
Implementación de resultados.
Una vez que hayamos obtenido la solución o soluciones del modelo, el siguiente y
último paso del proceso es interpretar esos resultados y dar conclusiones y cursos
de acción para la optimización del sistema. Si el modelo utilizado puede servir a otro
problema, es necesario revisar, documentar y actualizar el modelo para sus nuevas
aplicaciones.
1.5 Estructura de los modelos empleados en la Investigación de Operaciones.
El enfoque de la Investigación de Operaciones es el modelaje. Un modelo es una
herramienta que nos sirve para lograr una visión bien estructurada de la realidad.
Así, el propósito del modelo es proporcionar un medio para analizar el
comportamiento de las componentes de un sistema con el fin de optimizar su
desempeño. La ventaja que tiene el sacar un modelo que represente una situación
real, es que nos permite analizar tal situación sin interferir en la operación que se
realiza, ya que el modelo es como si fuera “un espejo” de lo que ocurre.
Los modelos más importantes para la investigación de operaciones, son los modelos
simbólicos o matemáticos, que emplean un conjunto de símbolos y funciones para
representar las variables de decisión y sus relaciones para describir el
comportamiento del sistema. El uso de las matemáticas para representar el
modelo, el cual es una representación aproximada de la realidad, nos permite
aprovechar las computadoras de alta velocidad y técnicas de solución con
matemáticas avanzadas.
Un modelo matemático comprende principalmente tres conjuntos básicos de
elementos. Estos son: 1) variables y parámetros de decisión, 2) restricciones y 3)
función objetivo.
1. Variables y parámetros de decisión. Las variables de decisión son las incógnitas
(o decisiones) que deben determinarse resolviendo el modelo. Los parámetros son
los valores conocidos que relacionan las variables de decisión con las restricciones
y función objetivo. Los parámetros del modelo pueden ser determinísticos o
probabilísticos.
2. Restricciones. Para tener en cuenta las limitaciones tecnológicas, económicas y
otras del sistema, el modelo debe incluir restricciones (implícitas o explícitas) que
restrinjan las variables de decisión a un rango de valores factibles.
3. Función objetivo. La función objetivo define la medida de efectividad del
sistema como una función matemática de las variables de decisión.

La solución óptima será aquella que produzca el mejor valor de la función objetivo,
sujeta a las restricciones.

1.6. Concepto de optimización.

Una característica adicional, que se mencionó como de pasada, es que la
Investigación de Operaciones intenta encontrar la mejor solución, o la solución
óptima, al problema bajo consideración. En lugar de contentarse con sólo mejorar
el estado de las cosas, la meta es identificar el mejor curso de acción posible. Aun
cuando debe interpretarse con todo cuidado, esta “búsqueda de la optimalidad” es
un aspecto muy importante dentro de la Investigación de Operaciones.

1.7 Áreas de aplicación de la Investigación de Operaciones.

Como su nombre lo dice, Investigación de Operaciones significa “hacer
investigación sobre las operaciones”. Esto dice algo del enfoque como del área de
aplicación. Entonces, la Investigación de Operaciones se aplica a problemas que se
refieren a la conducción y coordinación de operaciones o actividades dentro de una
organización. La naturaleza de la organización es esencialmente inmaterial y, de
hecho, la Investigación de Operaciones se ha aplicado en los negocios, la industria,
la milicia, el gobierno, los hospitales, etc. Así, la gama de aplicaciones es
extraordinariamente amplia. Casi todas las organizaciones más grandes del mundo
(alrededor de una docena) y una buena proporción de las industrias más pequeñas
cuentan con grupos bien establecidos de Investigación de Operaciones. Muchas
industrias, incluyendo la aérea y de proyectiles, la automotriz, la de
comunicaciones, computación, energía eléctrica, electrónica, alimenticia,
metalúrgica, minera, del papel, del petróleo y del transporte, han empleado la
Investigación de Operaciones. Las instituciones financieras, gubernamentales y de
salud están incluyendo cada vez más estas técnicas.
Para ser más específicos, se consideran algunos problemas que se han resuelto
mediante algunas técnicas de Investigación de Operaciones. La programación
lineal se ha usado con éxito en la solución de problemas referentes a la asignación
de personal, la mezcla de materiales, la distribución y el transporte y las carteras
de inversión. La programación dinámica se ha aplicado con buenos resultados en
áreas tales como la planeación de los gastos de comercialización, la estrategia de
ventas y la planeación de la producción. La teoría de colas ha tenido aplicaciones
en la solución de problemas referentes al congestionamiento del tráfico, al servicio
de máquinas sujetas a descomposturas, a la determinación del nivel de la mano de
obra, a la programación del tráfico aéreo, al diseño de presas, a la programación de
la producción y a la administración de hospitales. Otras técnicas de Investigación de
Operaciones, como la teoría de inventarios, la teoría de juegos y la simulación, han
tenido exitosas aplicaciones en una gran variedad de contextos.
1.8 Técnicas de la Investigación de Operaciones.
Utilizando métodos determinísticos y probabilísticos la investigación operativa
permite encontrar soluciones óptimas a los problemas originados en la actividad
de la empresa, además de simular las diversas políticas, con lo cual se limitan los
riesgos de decisiones.
Para resolver estos problemas se han desarrollado técnicas que se especializan en
una determinada área, con el fin de comprenderla, analizarla y presentar mejoras
que contribuya a aumentar su productividad.
Las explicaciones y aplicaciones de estas técnicas se producen en situaciones en las
que un servicio dispone de medios limitados para satisfacer la demanda de los
usuarios. A continuación se presentan algunas de las técnicas de la investigación
de operaciones.
Teoría de juegos.- Es una teoría matemática que estudia las características
generales de situaciones donde hay competencia, dando importancia especial a los
procesos de toma de decisiones de los adversarios. Ejemplos de esta situación
pueden ser las campañas publicitarias para productos competitivos y planeación
de estrategias destinadas a ganarle clientes a la competencia.
Teoría de colas.- Esta teoría, llamada también líneas de espera, se ocupa de las
llegadas aleatorias a una instalación de servicio o de procesamiento de capacidad
limitada. Este modelo tiene por objetivo permitir la determinación del número
óptimo de personal o de instalaciones que se requieran para dar servicio a los
clientes que lleguen en forma aleatoria al considerar el costo de servicio y el de las
esperas o congestiones. Un problema de inventario puede considerarse como de
línea de espera. El objetivo de la mayor parte de las investigaciones sobre colas
consiste en modificar el sistema para hacerlo más eficiente.
Teoría de inventario.- Esta teoría busca mejorar las actividades organizacionales de
una empresa, con lo cual se logra menos costo de operación. Se busca formular
modelos y desarrollar reglas de decisión para determinar cuánto, cuando, la forma
y el tiempo de un pedido que permita minimizar los costos y prestar un mejor
servicio.
Simulación.- Es una técnica numérica para conducir experimentos que permiten
diseñar un modelo de un sistema real y llevar a término experiencias con él, con la
finalidad de comprender el comportamiento del sistema o evaluar nuevas
estrategias.
Operación con redes.- Son técnicas que permiten planear, controlar y tomar
decisiones relativas a proyectos grandes y complejos; para evaluar la secuencia de
un programa de investigación y desarrollo. El objetivo básico de estas técnicas es
determinar cuál combinación, tiempo-costo, debe usarse para cada actividad, con
el fin de satisfacer el tiempo programado al costo mínimo. Los métodos más
utilizados son el CPM que es determinístico y el PERT que usa elementos
probabilísticos.
Cadenas de Markov.- Este tipo de análisis es una forma de estudiar el movimiento
actual de alguna variable, a fin de pronosticar su movimiento futuro. En
investigaciones de mercadotecnia permite examinar y pronosticar el
comportamiento de los clientes desde el punto de vista de su lealtad de una marca
y de su forma de cambios a otra.
UNIDAD II

2. MODELOS DE PROGRAMACION LINEAL

La Modelización Matemática es un proceso envuelto en la obtención de un modelo.

Un modelo matemático de un fenómeno es un conjunto de símbolos y relaciones
matemáticas que traducen, de alguna forma, el fenómeno en cuestión. El modelo
permite no sólo obtener una solución particular sino también servir de soporte para
otras aplicaciones o teorías. En la práctica, ese conjunto de símbolos y relaciones
puede estar vinculado a cualquier rama de la matemática, en particular, a los
instrumentos fundamentales de las aplicaciones matemáticas.

2.1 Modelo de Programación Lineal.

En un modelo de PL los términos clave son recursos y actividades, en donde m denota

el número de distintos tipos de recursos que se pueden usar y n denota el número de
actividades bajo consideración, lo que se constituirán en las restricciones del modelo.
Algunos ejemplos de recursos son dinero y tipos especiales de maquinaria, equipo,
vehículos y personal. Los ejemplos de actividades incluyen inversión en proyectos
específicos, publicidad en un medio determinado y el envío de bienes de cierta fuente
a cierto destino. En cualquier aplicación de programación lineal, puede ser que todas
las actividades sean de un tipo general (como cualquiera de los ejemplos), y entonces
cada una correspondería en forma individual a las alternativas específicas dentro de
esta categoría general.

El tipo más usual de aplicación de programación lineal involucra la asignación de

recursos a ciertas actividades. La cantidad disponible de cada recurso está limitada, de
forma que deben asignarse con todo cuidado. La determinación de esta asignación
incluye elegir los niveles de las actividades que lograrán el mejor valor posible de la
medida global de efectividad.

Ciertos símbolos se usan de manera convencional para denotar las distintas

componentes de un modelo de programación lineal. Estos símbolos se enumeran a
continuación, junto con su interpretación para el problema general de asignación de
recursos a actividades.

Z = valor de la medida global de efectividad (función objetivo)

xj = nivel de la actividad j (para j = 1,2,...,n)

cj = incremento en Z que resulta al aumentar una unidad en el nivel de la actividad j
bi = cantidad de recurso i disponible para asignar a las actividades (para i = 1,2,...,m)
aij = cantidad del recurso i consumido por cada unidad de la actividad j

El modelo establece el problema en términos de tomar decisiones sobre los niveles

de las actividades, por lo que x1, x2,....,xn se llaman variables de decisión. Los valores
de cj, bi y aij (para i = 1,2,...., m y j = 1,2,. , n) son las constantes
de entrada al modelo. Las cj, bi y aij también se conocen como parámetros del modelo.

2.2 Forma Estándar del modelo de PL

Ahora se puede formular al modelo matemático para este problema general de

 asignación de recursos a actividades. En Datos necesarios para un modelo de
programación lineal que maneja la asignación de recursos a actividades particular,
este modelo consiste en elegir valores de x1, x2,. , xn para:

Optimizar (maximizar o minimizar) Z = c1x1 + c2x2 +. ... + cnxn,

Sujeta a las restricciones:
a11x1 + a12x2 +. .. + a1nxn < b1
a21x1 + a22x2 +. .. + a2nxn < b2
.
.
.
am1x1 + am2x2 +. .. + amnxn < bm
x1 ≥ 0, x2 ≥0, ..., xn ≥0

Estas últimas restricciones, se las denomina de no Negatividad o lógicas.

2.3 Formulación de modelos de Programación Lineal.

Aunque se ponga en duda, la parte más difícil de PL es reconocer cuándo ésta puede
aplicarse y formular el problema matemáticamente. Una vez hecha esa parte, resolver
el problema casi siempre es fácil.

Para formular un problema en forma matemática, deben expresarse afirmaciones

lógicas en términos matemáticos. Esto se realiza cuando se resuelven “problemas
hablados” al estudiar un curso de álgebra. Algo muy parecido sucede aquí al formular
las restricciones. Por ejemplo, considérese la siguiente afirmación: A usa 3 horas por
unidad y B usa 2 horas por unidad. Si deben usarse todas las 100 horas disponibles, la
restricción será:

3A + 2B = 100

Sin embargo, en la mayoría de las situaciones de negocios, no es obligatorio que se

usen todos los recursos (en este caso, horas de mano de obra). Más bien la limitación
es que se use, cuando mucho, lo que se tiene disponible. Para este caso, la afirmación
anterior puede escribirse como una desigualdad:

3A + 2B ≤ 100

Para que sea aceptable para PL, cada restricción debe ser una suma de variables con
exponente 1. Los cuadrados, las raíces cuadradas, etc. no son aceptables, ni tampoco
los productos de variables. Además, la forma estándar para una restricción pone a
todas las variables del lado izquierdo y sólo una constante positiva o cero del lado
derecho. Esto puede requerir algún reacomodo de los términos. Si, por ejemplo, la
restricción es que A debe ser por los menos el doble de B, esto puede escribirse como:

A ≥ 2B o A - 2B ≥ 0

Nótese que pueden moverse términos de un lado a otro de las desigualdades como si
fuera un signo de igualdad. Pero al multiplicar una desigualdad por -1, el sentido de
esta desigualdad se invierte. Puede ser necesario hacer esto para que los coeficientes
del lado derecho sean positivos. Por ejemplo, si se quiere que A sea por lo menos tan
grande como B - 2, entonces:

A≥B–2 o A – B ≥ -2
 Por último B – A ≤ 2

Una nota final sobre desigualdades: es sencillo convertir una desigualdad en una
ecuación. Todo lo que se tiene que hacer es agregar (o restar) una variable extra. Por
ejemplo:

B-A≤2 es lo mismo que B-A+S=2

En donde S representa la diferencia, o la holgura, entre B - A y 2. S se llama variable

de holgura. Por otro lado, se restaría una variable de superávit en el caso siguiente:

A - 2B ≥ 0 es lo mismo que A - 2B - S = 0

La metodología de PL requiere que todas las variables sean positivas o cero, es decir,
no negativas. Para la mayoría de los problemas esto es real, no se querría una solución
que diga: prodúzcanse menos dos cajas o contrátense menos cuatro personas.

Mientras que no existe un límite en el número de restricciones que puede tener un

problema de PL, sólo puede haber un objetivo. La forma matemática del objetivo se
llama función objetivo. Debe llevar consigo el maximizar o minimizar alguna medida
numérica. Podría ser maximizar el rendimiento, la ganancia, la contribución marginal
o los contactos con los clientes. Podría ser minimizar el costo, el número de
empleados o el material de desperdicio. Con frecuencia el objetivo es evidente al
observar el problema.

Como el valor de la función objetivo no se conoce hasta que se resuelve el problema, se

usa la letra Z para representarlo. La función objetivo tendrá, entonces, la forma:

Maximizar Z = 4A + 6B o también,

Minimizar Z = 2x1 + 5x2

2.4 Consejos para formular modelos de programación lineal.

Debemos considerar los siguientes aspectos, al momento de establecer el modelo de P.L,
de un problema:

1. Lea el planteamiento del problema con cuidado.

2. Identifique las variables de decisión. Éstas son las decisiones que se necesita realizar.
Una vez identificadas estas decisiones, clasifíquelas al proporcionar una definición
matemática (por ejemplo, x1 = número de unidades producidas y vendidas por semana
del producto 1, x2 = números de unidades producidas y vendidas por semana del
producto 2).

3. Identifique el objetivo. ¿Qué es lo que se debe maximizar o minimizar (por ejemplo,

maximizar la utilidad semanal total de fabricar los productos 1 y 2)?

4. Identifique las restricciones estructurales. ¿Qué condiciones se deben satisfacer

cuando asignamos valores a las variables de decisión? Tal vez necesite escribir una
descripción verbal de la restricción antes de escribir la representación matemática (por
ejemplo, la producción total del producto 1 ≥ 100 unidades; entonces x1 ≥ 100).
También, siéntase cómodo con el hecho de que las restricciones estructurales para un
 problema de programación lineal dado pueden expresar una gran variedad de
unidades. Es decir, dado el conjunto de variable xj, es posible formular restricciones
estructurales que expresen condiciones medidas en dólares, horas, unidades
producidas, etc. Simplemente debe estar seguro de que la dimensión para cualquier
restricción dada es consistente en ambos lados de la restricción.

5. Formule el modelo matemático. Dependiendo del problema, podría empezar por

definir la función objetivo o las restricciones estructurales. ¡No olvide incluir la
restricción no negativa!

2.5 Problemas de Modelación.

2.5.1 Planeación de la producción agrícola.

Por lo regular, el problema estriba en seleccionar el conjunto de alternativas que

incrementará al máximo los beneficios totales sujetos a las restricciones del
presupuesto y otras restricciones que podrían afectar la selección de un proyecto. Para
construir los elementos del modelo usualmente es necesario establecer los siguientes
valores:

 Definir los cultivos o actividades.

 Calcular las necesidades de mano de obra y capital para explotar esas actividades.
 Estimar la ganancia por actividad por hectárea proyectada al período en el
que se desarrollaría cada actividad.
 Definir el área disponible con riego para el proyecto agrícola.
 Evaluar la mano de obra disponible en la zona.
 Determinar el monto del capital inicial que se podía disponer para iniciar el proyecto.
 Entre otros aspectos que se podrían considerar.

Los ejemplos que a continuación se desarrollan, van de procesos sencillos y poco a

poco van elevando su nivel de complejidad.

1. Un granjero tiene 100 hectáreas en los cuales puede sembrar dos cultivos. Dispone de $
3000 a fin de cubrir el costo del sembrado. El granjero puede confiar en un total de 1350
horas-hombre destinadas a la recolección de los dos cultivos y en el cuadro se muestra los
siguientes datos por hectárea:

Tipo de cultivo Costo de plantar Demanda Utilidad

horas-hombre
pimiento $20 5 $ 100
tomate $40 20 $ 300

Determina el modelo de programación lineal que permita maximizar la utilidad o ganancia.

Solución: Primero Definimos las variables.
x1 = número de hectáreas de pimiento.
x2 = número de hectáreas de pimiento.
Luego, determinamos la función objetivo:
Maximizar la Utilidad = 100x1 + 300x2
 Y por último establecemos las restricciones:
x1 + x2 ≤ 100, Número máximo de hectáreas de tierra.
5x1 + 20x2 ≤ 1350, Número máximo de horas-hombre.
20x1 + 40x2 ≤ 3000, Presupuesto que se dispone para el sembrado.
x1, x2 > 0, No negatividad (No tiene sentido que estos valores sean negativos).
2. Un agricultor posee un campo de 70 hectáreas y puede cultivar ya sea trigo o cebada. Si
siembra trigo gasta $ 30 por cada hectárea plantada. En cambio sí siembra cebada, su
gasto es de $ 40 por hectárea. El capital total disponible es de $ 2.500. Por otra parte,
también existen restricciones en la disponibilidad de agua para los meses de octubre y
noviembre, según se indica:

Mes Consumo m3/ha Consumo m3/ha Disponibilidad

trigo cebada de agua
Octubre 900 650 57.900
Noviembre 1200 850 115.200

Una hectárea cultivada rinde 30 Tn de trigo o 25 Tn de cebada según sea el caso. Los
precios vigentes por Tn son de $ 4,5 para el trigo y $ 6,0 para la cebada. Determinar el
modelo matemático que considere la cantidad de hectáreas de trigo y de cebada que debe
sembrar el agricultor para que maximice su beneficio.

Variables:
x1 = Cantidad de hectáreas de trigo
x2 = Cantidad de hectáreas de cebada

Función Objetivo: se multiplica el rendimiento por su precio y le restamos el

costo

Utilidad = [30(4,5) – 30] x1 + [25(6) – 40] x2

U= 105 x1+ 110 x2

Restricciones
Limitaciones de tierra: x1 + x2 ≤ 70
Disponibilidad de capital: 30x1 + 40x2 ≤ 2500
Disponibilidad de agua (Octubre): 900 x1 + 650 x2 ≤ 57900
Disponibilidad de agua (Noviembre): 1200 x1 + 850 x2 ≤ 115200 Lógicas o
de signos: x1, x2 ≥ 0

3. Una familia de granjeros posee 100 hectáreas de tierra y tiene $30000 en fondos
disponibles para inversión. Sus miembros pueden producir un total de 3500 horas-
hombre de mano de obra durante los meses de invierno (de mediados de Septiembre a
mediados de Mayo), 4000 horas-hombre durante el verano. Si no se necesitan
cualesquiera de estas horas-hombre, los miembros más jóvenes de la familia usarán para
trabajar en una granja vecina por $4.00/hora, durante los meses de invierno, y
$4.50/hora, durante el verano.
El ingreso de efectivo puede obtenerse a partir de tres cultivos y dos tipos de animales:
vacas lecheras y gallinas ponedoras. No se necesita invertir en los cultivos. Sin embargo,
cada vaca requerirá un desembolso de $900 y cada gallina requerirá de $7. Cada vaca
 requerirá 1.5 hectáreas de tierra, 100 horas-hombre de trabajo durante los meses de
invierno, y otras 50 horas-hombre durante el verano. Cada vaca producirá un ingreso
anual neto en efectivo de $800 para la familia. Los valores correspondientes para las
gallinas son: nada de tierra, 0,6 horas hombre durante el verano y un ingreso anual neto
en efectivo de $5. El gallinero puede acomodar un máximo de 300 gallinas y el tamaño
del granero limita el rebaño a un máximo de 32
vacas. Las horas hombres y los ingresos estimados por acre plantado en cada
uno de los tres cultivos se muestran en la siguiente tabla.

Distribución de horas hombre e ingresos estimados

frijol de maíz avena
soya
Horas hombre en invierno 20 35 10
Horas hombre en verano 50 75 40
Horas anual neto en efectivo 375 550 250
($)

La familia desea saber cuántas hectáreas deben plantarse en cada uno de cultivos y
cuántas vacas y gallinas deben tener para maximizar su ingreso neto de efectivo.
Determine un modelo de programación lineal para este problema.

Declaración de variables:
x1 : Número de hectáreas de tierra asignados para el frijol de soya.
x2 : Número de hectáreas de tierra asignados para el maíz.
x3 : Número de hectáreas de tierra asignados para la avena.
x4 : Número de vacas.
x5 : Número de gallinas.
x6 : Horas-hombre ociosas en invierno.
x7 : Horas-hombre ociosas en verano.

Función objetivo:
Minimizar costo C = 375x1 + 550x2 + 250x3 + 800x4 + 5x5 + 4x6 + 4.5x7

Restricciones:
Disponibilidad de tierra: x1 + x2 + x3 + 1.5x4 ≤ 100
Capacidad del gallinero: x5 ≤ 300
Tamaño del rebaño: x4 ≤ 32
Limitación de horas/hombre en invierno:
20x1 + 35x2 + 10x3 + 100x4 = 3500
Limitación de horas/hombre en verano:
50x1 + 75x2 + 40x3 + 50x4 + 0,6x5 + x7 = 4000
900 x4 + 7x5 ≤ 30000
x1, x2, x3, x4, x5, x6 ≥ 0

4. Un agricultor tiene 500 hectáreas de terreno para cultivar próximamente y desea

planificar tal cultivo. Sabe que necesitará disponer de 200 toneladas de trigo y 240
toneladas de maíz para alimentar a su ganado, lo que puede obtener mediante su propia
 cosecha o mediante compra en el mercado. Lo que produzca, y que no dedique a su
ganado, lo puede vender. Los precios de venta son de $170 y $150 por cada tonelada de
trigo y de maíz, respectivamente. Los precios de compra son un 40% superior debido a las
ganancias de intermediarios y a los costos de transporte.

Otro cultivo posible es el de caña de azúcar, que se vende a $36 cada tonelada producida.
Sin embargo, normas del Ministerio de Agricultura imponen una cuota máxima para la
producción de azúcar, lo que conlleva que cada tonelada de caña de azúcar producida
sobre tal cuota tendrá un precio de venta de $10. Para el próximo cultivo se espera que
tal cuota sea 6000 toneladas.

Basado en experiencias anteriores, el agricultor conoce que la producción media es 2.5, 3

y 20 toneladas por hectárea de trigo, maíz y caña de azúcar, respectivamente. El costo de
plantar una hectárea de trigo, maíz y caña de azúcar es de $150, $230 y $260,
respectivamente. Plantear un modelo matemático cuya solución pueda ayudar al
agricultor en su deseo de maximizar sus beneficios.

Declaración de variables:
X1 = hectáreas que dedicará a trigo
X2 = hectáreas que dedicará a maíz
X3 = hectáreas que dedicará a azúcar
Y1 = toneladas que comprará de trigo
Y2 = toneladas que comprará de maíz
W1 = toneladas que venderá de trigo
W2 = toneladas que venderá de maíz
W3 = toneladas que venderá de azúcar a $36
W4 = toneladas que venderá de azúcar a $10

Función objetivo:

Maximizar el beneficio: U = -150 X1 - 230X2 -260X3 -238Y1 -210Y2 +170W1 +150W2 +36W3 +10W4

Restricciones:
X1 + X2 + X3 ≤ 500 2.5X1 + Y1 – W1 ≥ 200
3X2 + Y2 – W2 ≤ 240 W3 + W4 ≤ 20 X3 W3 ≤ 6000
X1, X2, X3, Y1, Y2, W1, W2, W3, W4 ≥ 0

Este modelo de Programación Lineal, mediante algún método de resolución es posible concluir que
una solución óptima es: X1 = 120, X2 = 80, X3 = 300, Y1 = 0, Y2 = 0, W1 = 100, W2 = 0, W3 = 6000, W4 = 0

Con beneficio óptimo 118600. Esto significa que el agricultor deberá dedicar 120 hectáreas a trigo,
80 a maíz y 300 a caña de azúcar, y con ello se espera que venderá 100 toneladas de trigo y la cuota
máxima de azúcar (es decir, al precio más favorable), obteniendo un beneficio total de $118600.

5. Usted tiene 60 hectáreas de tierra que aún no ha cultivado, y piensa trabajarlas para la
próxima temporada junto a sus dos hijos, Pedro y Javier. Pedro insiste en sembrar ajo,
pues tiene una ganancia neta mayor: sacarían $300 por ha., una vez descontados los
gastos, que son de $10 por ha. Javier quiere sembrar tomate, que tiene una ganancia neta
 de $200 por hectárea, pues están escasos de agua, y el tomate necesita menos agua que
el ajo: 1 m3 por ha., contra 2 m3 por ha. Para el ajo. (Disponen para la época crítica de sólo
100 m3 de agua). Su administrador, por su parte, hace notar que sólo tienen $1200 para
comprar semillas, contratar obreros y otros gastos, así que posiblemente no les alcanzara
el dinero para sembrar tomate, ya que los gastos son de $30 por hectárea. Formule un
modelo de Programación Lineal para maximizar la ganancia.

Definición de variables:
X1 = número de hectáreas de ajo
X2 = número de hectáreas de tomate

Función objetivo:
Z (MAX)= 300 X1 + 200 X2

Restricciones:
Disponibilidad de tierra: X1 + X2 ≤ 60
Presupuesto: 10 X1+ 30 X2 ≤ 1200
Disponibilidad de
agua: 2 X1+ X2 ≤ 100 No negatividad: X1, X2 ≥ 0
6. La oficina técnica coordinadora de cultivos (OTCC), tiene a su cargo la administración de
3 parcelas. El rendimiento agrícola de cada parcela está limitado por la cantidad de tierra
cultivable como por la cantidad de agua asignada para regadío de la parcela por la
comisión de aguas. Los datos proporcionados por este organismo son los siguientes:
Parcela Tierra Asignación de
Cultivable [ha] agua [m3]
1 400 600
2 600 800
3 300 375
total 1300 1775

Las especies disponibles para el cultivo son la remolacha, trigo y soya, pero el Ministerio de
Agricultura ha establecido un número máximo de hectáreas que pueden dedicarse a cada uno de
estos cultivos en las tres parcelas en conjunto, como lo muestra la siguiente tabla:
Especie Consumo de Cuota Máxima Ganancia Neta
Agua [m3 / ha] [ha] [$ / ha]
Remolacha 3 600 400
Trigo 2 500 300
Soya 1 325 100

Los dueños de las parcelas, en un acto de solidaridad social, han convenido que en cada parcela se
sembrará la misma fracción de su tierra cultivable. Sin embargo, puede cultivarse cualquier
combinación en cualquiera de las parcelas. Usted como Administrador, asesore a la OTCC utilizando
el método SOLVER, para determinar cuantas hectáreas se deben dedicar al cultivo de las distintas
especies en cada parcela, de modo de maximizar la ganancia neta total para todas las parcelas a
cargo de la OTCC.

X1 = Cantidad de hectáreas de remolacha a sembrar en la parcela 1.

X2 = Cantidad de hectáreas de remolacha a sembrar en la parcela 2.
X3 = Cantidad de hectáreas de remolacha a sembrar en la parcela 3.
 Y1 = Cantidad de hectáreas de trigo a sembrar en la parcela 1.
Y2 = Cantidad de hectáreas de trigo a sembrar en la parcela 2.
Y3 = Cantidad de hectáreas de trigo a sembrar en la parcela 3.
Z1 = Cantidad de hectáreas de soya a sembrar en la parcela 1.
Z2 = Cantidad de hectáreas de soya a sembrar en la parcela 2.
Z3 = Cantidad de hectáreas de soya a sembrar en la parcela 3

Función Objetiva:

Z= 400(X1+X2+X3) + 300(Y1+ Y2+Y3) + 100(Z1+ Z2+Z3)

Restricciones:
Tierra cultivable por parcela X1 + Y1 + Z1 ≤ 400
X2 + Y2 + Z2 ≤ 600 X3 + Y3 + Z3 ≤ 300

Disponibilidad Agua por parcela 3X1 + 2Y1 + Z1 ≤ 600

3X2 + 2Y2 + Z2 ≤ 800
3X3 + 2Y3 + Z3 ≤ 375

Cuota máxima de cultivo X1 + X2 + X3 ≤ 600

Y1 + Y2 + Y3 ≤ 500 Z1 + Z2 + Z3 ≤ 325

Restricción 10, 11 y 12: Los dueños de las parcelas, en un acto de solidaridad social, han convenido
que en cada parcela se sembrará el mismo porcentaje de su tierra cultivable
Parcela 1 = Parcela 2 (X1+Y1+Z1)/400=(X2+Y2+Z2)/600
Que al ser simplificada quedará expresada como:

600X1 – 400X2 + 600Y1 – 400Y2 + 600Z1 – 400Z2 = 0

Parcela 1 = Parcela 3 (X1+Y1+Z1)/400=(X3+Y3+Z3)/300
300X1 – 400X3 + 300Y1 + 400Y3 + 300Z1 + 400Z3 = 0
Parcela 2 = Parcela 3 (X2+Y2+Z2)/600=(X3+Y3+Z3)/300
300X2 - 600X3 + 300Y2 - 600Y3 + 300Z2 - 600Z3 = 0

7. Un inversionista con ayuda de CFN pretende invertir en el cultivo de palta pretende

invertir en el cultivo de aguacate, pomelo, naranja y mango en la zona de Daule (Guayas),
persiguiendo dos objetivos esenciales: reducir el desempleo rural y aumentar las
exportaciones. Se sabe que la producción promedio de cada árbol está dado por:

Tipo de árbol Producción Promedio anual Observación

(unidades/árbol) (Kg/árbol)
aguacate 350 150 una vez al año
pomelo 230 200 una vez al año
mango 150 50 una vez al año
naranja 400 150 una vez al año
El precio promedio en el mercado mundial fue de:
Aguacate: $10/kg
Pomelo: $4/kg
Mango: $15/kg
Naranja:
$7/kg
Existe una extensión de 250.000 m2 de tierra propicia para el cultivo de estos productos.
Los ingenieros agrónomos consultados han determinado que las siguientes extensiones
son necesarias para el cultivo de esos productos:
Tipo de árbol Extensión mínima de
Cultivo por árbol
aguacate 4 m2
pomelo 5 m2
mango 3 m2
naranja 6 m2

Afortunadamente, no existen problemas de agua pues hay buenos pozos en la zona y un

canal de riego, que aseguran la existencia de ese líquido por los próximos 20 años. El costo
total por sembrar cada árbol es: aguacate $ 2, pomelo $ 0,5, mango $ 1 y naranja $1.50.

Estos costos ya incluyen la compra del árbol más su cuidado y mantenimiento anual
inicial. Cada árbol empieza a ser productivo aproximadamente a los tres años de ser
plantado. Cada árbol requiere:
Tipo de árbol Número de horas-hombre
de cuidado al año
aguacate 36 (h-h) de cuidado al año
pomelo 72 (h-h) de cuidado al año
mango 50 (h-h) de cuidado al año
naranja 10 (h-h) de cuidado al año
El inversionista pretende invertir $20.000.000 pensando en exportar toda su producción
a partir del tercer año. El desempleo en la zona de Daule se ha calculado en 500 personas
y el inversionista y CNF han delineado que este proyecto cumpla al menos con contratar
200 personas en forma continua (para que CFN apoye el proyecto). Bajo estas
circunstancias cuantos arboles de aguacate, pomelo, mango y naranja deberán sembrarse
con objeto de maximizar el valor de la futura exportación anual.

Solución: Definición de las variables:

X1 = número de árboles de aguacate a ser plantados.
X2 = número de árboles de pomelo a ser plantados.
X3 = número de árboles de mango a ser plantados.
X4 = número de árboles de naranjo a ser plantados.

Función objetivo:
Volumen de producción esperado = (cantidad promedio por cada árbol).
(Número de árboles plantados) V = 150*10* X1 + 200*4* X2 + 50*15* X3 +
150*7* X4
V = 1500 X1 + 800 X2 + 750 X3 + 1050 X4

Restricciones:
De la tierra: 4 X1 + 5 X2 + 3 X3 + 6 X4 ≤ 250.000
Horas-hombre: 36 X1 + 72 X2
+ 50 X3 + 10 X4 ≥ 200*7,5*5*52
Capital: 2 X1 + 0,5 X2
+ X3 + 1,5 X4 ≤ 20.000.000
No negatividad: X1, X2, X3, X4 ≥ 0
 Modelo Matemático:
Maximizar Z = 1500 X1 + 800 X2 + 750 X3 + 1050 X4
4 X1 + 5 X2 + 3 X3 + 6 X4 ≤ 250.000
36 X1 + 72 X2 + 50 X3 + 10 X4 ≥ 390.000
2 X1 + 0,5 X2 + X3 + 1,5 X4 ≤ 20.000.000
X1, X2, X3, X4 ≥ 0

2.5.2 Planeación de la producción agropecuaria.

8. La empresa Oro lácteos plantea la producción de dos nuevas bebidas. Producir un litro del
primer tipo de bebida cuesta $ 2, mientras que un litro del segundo tipo de bebida cuesta
$ 5. Para realizar el lanzamiento comercial se necesitan más de 6.000 litros de bebida,
aunque del segundo tipo no podrán producirse (por limitaciones técnicas) más de 5.000.
Además, se desea producir más cantidad de bebida del segundo tipo que del primero.
¿Cuántos litros habrá que producir de cada tipo de bebida para que el costo de producción
sea mínimo?

Definición de variables:
X1 = número de litros del primer tipo de bebida
X2 = número de litros del segundo tipo de bebida

Función objetiva:
Minimizar costo de producción = 2X1 + 5X2

Restricciones:
X1 ≥ 6.000
X2 ≤ 5.000
X2 ≥ X 1 o X 1 - X2 ≤ 0

9. Una empresa vitivinícola ha adquirido recientemente un terreno de 110 hectáreas. Debido

a la calidad del sol y el excelente clima de la región, se puede vender toda la producción
de uvas Sauvignon Blanc y Chardonay. Se desea conocer cuánto plantar de cada variedad
en las 110 hectáreas, dado los costos, beneficios netos y requerimientos de mano de obra
según los datos que se muestran a continuación:
Variedad de uvas Costos Beneficio neto Número de días
($/hectárea) ($/hectárea) Hombre/hectárea
Sauvignon Blanc 100 50 10
Chardonay 200 120 30

Suponga que se posee un presupuesto de $10.000 y una disponibilidad de 1.200 días

hombre durante el horizonte de planificación. Formule un modelo de Programación Lineal
para este problema.

Definición de variables:
X1 = número de hectáreas destinadas al cultivo de uvas Sauvignon Blanc.
X2 = número de hectáreas destinadas al cultivo de uvas Chardonay.
 Función Objetivo:
Maximizar el beneficio
U = 50 X1 + 120 X2
Restricciones:
X1 + X2 ≤ 110, número máximo de hectáreas para sembrar
100X1 + 200X2 ≤ 10.000, presupuesto máximo
10X1 + 30X2 ≤ 1200,
disponibilidad de número de
días hombre X1, X2 ≥ 0, No
negatividad

10. Piscicultura: Una piscina de peces se abastece cada semestre con dos especies de peces:
salmón y tilapia. Hay dos tipos de alimento F1 y F2 disponibles en la piscina. El peso
promedio de los peces y el requerimiento diario promedio de alimento para cada pez, de
cada especia está dado en el cuadro siguiente:

Tipo de pez F1 (unidades) F2 (unidades) Peso Promedio

salmón 2 3 3 libras
tilapia 3 1 2 libras

Si hay 600 unidades de F1 y 300 unidades F2 todos los días. Como suministraría el
suplemento a la piscina para que el peso total de los pescados sea al menos 400 libras.

Definición de variables:
x1 = número de peces salmón
x2 = número de peces tilapia

Función objetivo:
Maximizar el peso total P = x1 + x2

Restricciones:
2x1 + 3x2 < 600
3x1 + 1x2 < 300
3x1 + 2x2 > 400 x1, x2 > 0

2.5.3 Diseño de mezclas, dietas y alimentos.

La programación lineal ha encontrado aplicaciones amplias en un área conocida como los

modelos de mezcla. Se formulan modelos de mezcla para determinar una combinación
óptima de ingredientes a fin de mezclarlos en un producto final. Los modelos de mezcla
se han utilizado en la mezcla de productos de petróleo, mezcla de alimentación para el
uso en la agricultura, fertilizantes y semillas de pasto, licores, tés, cafés y demás. El
objetivo con dichos modelos con frecuencia es minimizar el costo de la mezcla. Las
restricciones comunes incluyen restricciones del tamaño del lote para cada mezcla,
requerimientos tecnológicos (o receta) y disponibilidad limitada de ingredientes. Los
ejemplos siguientes ilustran modelos de mezcla.
11. Una compañía vende dos mezclas diferentes de nueces. La mezcla más económica
contiene un 80% de cacahuates y un 20% de nueces, mientras que la especial contiene 50%
de cada tipo. Cada semana la compañía obtiene 1800 kilos de cacahuates y 1200 kilos de
nueces de sus fuentes de suministros. ¿Cuántos kilos de cada mezcla debería producir a fin
de maximizar las utilidades si las ganancias son de $ 10 por cada kilo de la mezcla
económica y de $ 15 por cada kilo de la mezcla especial?
Tipo de mezcla Cacahuate Nuez Ganancia ($)
(%) (%)
Económica (x1) 80 20 10
Especial (x2) 50 50 15

Definición de variables:
x1 = número de
kilos de la
mezcla
económica. x2
= número de
kilos de la
mezcla
especial.

Función objetivo:
Maximizar las ganancias U = 10x1 + 15x2

Restricciones:
Cantidad de kilos de cacahuates:
0.80 x1 + 0.50 x2 ≤ 1800
Cantidad de kilos de nuez:
0.20 x1 + 0.50 x2 ≤ 1200
No negatividad: x1, x2 ≥ 0

12. Diseño de alimento de cerdos: Un granjero tiene 200 cerdos que consumen 90 libras de
comida especial todos los días. El alimento se prepara como una mezcla de maíz y harina
de soya con las siguientes composiciones:

Aporte de cada alimento (libras por libra de Alimento)

Tipo de alimento Calcio Proteína Fibra Costo ($/lb)

Maíz 0.001 0.09 0.02 0.2

Harina de Soya 0.002 0.6 0.06 0.6

Los requisitos de alimento de los cerdos son:

1. Cuando menos 1% de calcio
2. Por lo menos 30% de proteína
3. Máximo 5% de fibra
Determine la mezcla de alimentos con el mínimo de costo por día

Definición de variables:
x1 = la Cantidad de Maíz Libra por libra de Alimento
 x2 = la Cantidad de Harina de Soya Libra por libra de Alimento

Función Objetivo:
Minimiza los costos: C = 0.2x1 + 0.6x2

Sujetos a:
0.001x1 + 0.002x2 < (90)(0.01), requerimientos de calcio
0.09x1 + 0.6x2 < (90)(0.3), requerimientos de proteína
0.02x1 + 0.06x2 > (90)(0.05), requerimientos de fibra
x1, x2 > 0, No negatividad
13. Una Tienda de animales ha determinado que cada Hámster debería recibir al menos 70
unidades de proteína, 100 unidades de carbohidratos y 20 unidades de grasa. Si la tienda
vende los seis tipos de alimentos mostrados en la tabla. ¿Qué mezcla de alimento satisface
las necesidades a un costo mínimo para la tienda?
Tipos de Proteínas Carbohidratos Grasa Costo
Alimento (Unidades / Onza) (Unidades / Onza) (Unidades / Onza) (Onza)
A 20 50 4 2
B 30 30 9 3
C 40 20 11 5
D 40 25 10 6
E 45 50 9 8
F 30 20 10 8

Definición de variables:
x1 = número de onzas de alimento A
x2 = número de onzas de alimento B
x3 = número de onzas de alimento C
x4 = número de onzas de alimento D
x5 = número de onzas de alimento E
x6 = número de onzas de alimento F

Función objetivo:
Minimizar el costo C = 2x1 + 3x2 + 5x3 + 6x4 + 8x5 + 8x6

Restricciones:
Requerimientos mínimos de proteínas:
20x1 + 30x2 + 40x3 + 40x4 + 45x5 + 30x6 ≥ 70
Requerimientos mínimos de carbohidratos:

50x1 + 30x2 + 20x3 + 25x4 + 50x5 + 20x6 ≥ 100 Requerimientos

mínimos de grasas: 4x1 + 9x2 +
11x3 + 10x4 + 9x5 + 10x6 ≥ 20
No negatividad: x1, x2, x3, x4 > 0
14. Abonagra S.A., es una empresa dedicada a la comercialización de abonos para plantas que
emplea 3 tipos diferentes de ingredientes A, B y C, para conseguir 3 tipos de abonos 1, 2, y 3.
En cuanto a los ingredientes, su disponibilidad es limitada y sus costos son los siguientes:

Ingrediente cantidad disponible (kg) Costos ($/kg)

A 4000 1.30
B 6000 1.50
C 2000 1.00
Los precios de los abonos son:
Abono 1  2.00 $/kg
Abono 2  3.00 $/kg
Abono 3  1.50 $/kg.
Además de lo anterior, los ingredientes han de mezclarse en proporciones específicas para
asegurar una combinación adecuada:
Para el abono 1, no menos del 25 % de A y no más del 40 % de C; para el abono 2, no menos
del 30 % de A, no menos del 20 % ni más del 30 % de B y no más del 15 % de C; y para el
abono 3, no menos del 35 % de B.
Con todos los datos que Floranid S.A. nos ha facilitado, nos piden que determinemos:
¿Cuánta cantidad de cada tipo de abono hay que producir de forma que se maximice el
beneficio de la compañía?

Así pues, con los datos facilitados, podemos construir un primer esquema que nos permitirá
desarrollar el modelo de programación lineal para la resolución del problema:

Abonos cantidad costos

Ingredientes
1 2 3 disponible (kg) ($/kg)
A X11 X12 X13 4000 1.30
B X21 X22 X23 6000 1.50
C X31 X32 X33 2000 1.00
Definición de variables:
Xij : cantidad de ingrediente del tipo i para cada tipo de abono j.

Función objetivo: Utilidad = Ingresos – Gastos

Abono 1: 2.00(X11 + X21 + X31) – 1.30X11 – 1.50X21 – 1.00X31
= 0.70X11 + 0.50X21 + 1.00X31 Abono 2: 3.00(X12 + X22 + X32)
– 1.30X12 – 1.50X22 – 1.00X32 = 1.70X12 + 1.50X22 + 2.00X32
Abono 3: 1.50(X13 + X23 + X33) – 1.30X13 – 1.50X23 – 1.00X33
= 0.20X13 + 0.50X33
Maximizar: U = 0.70X11 + 1.70X12 + 0.20X13 + 0.50X21 + 1.50X22 + 1.00X31 + 2.00X32 +
0.50X33

Restricciones:
Restricciones de disponibilidad

X11 + X12 + X13  4000

X21 + X22 + X23  6000 X31 + X32 + X33  2000

Restricciones específicas de la mezcla

0,75 X11 – 0,25 X21 – 0,25 X31  0

 0,60 X31 – 0,40 X11 – 0,40 X21 0
0,70 X12 – 0,30 X22 – 0,30 X32 0
0,80 X22 – 0,20 X12 – 0,20 X32 0
0,70 X22 – 0,30 X12 – 0,30 X32 0
0,85 X32 – 0,15 X22 – 0,15 X12 0
0,65 X23 – 0,35 X13 – 0,35 X33 0

No negatividad
X12 , X22 , X23 , X32 , X33, X11 , X13 , X21 , X31 ≥ 0

15. Elaboración de raciones para vacas lecheras:

Partimos de una ración hipotética donde intervienen los siguientes datos:

 Un concentrado (al que llamaremos X) y un forraje forraje (Y)
 Se considerarán tres nutrientes.
 Proteína Cruda (PC)
 Energía Neta de lactancia (ENI)
 Fibra Cruda (FC)
El precio por kilogramo y la composición nutritiva de cada uno de los alimentos.

Y las necesidades nutritivas de las vacas lecheras son datos indispensables para el
problema.

El objetivo es lograr una ración de mínimo costo.

Modelo de P.L:
Minimiza C = 110 X + 50 Y
La solución del problema pasa necesariamente por cubrir las necesidades nutricionales de
las vacas lecheras. Para esto se busca que las cantidades de cada alimento, multiplicadas
por su contenido nutritivo, cubran el mínimo necesario de proteína cruda, de energía neta
y de fibra cruda, a la vez que no superen el máximo de fibra establecido para una ración.
Estas restricciones se expresan de la siguiente forma:
120 X + 200 Y ≥ 1.500
2,0 X + 1,3 Y ≥ 16,5
100 X + 280 Y ≤ 2.000
100 X + 280 Y ≥ 1.300
Y al final incorporamos la restricción lógica o de no negatividad. Comentario:
De esta forma podemos ver, que mediante la programación lineal se determinan, por
ejemplo, cálculos de raciones alimenticias de mínimo costo y que cumplan con los
requerimientos nutricionales que los animales requieren. Para ello se deberá disponer a lo
menos de la siguiente información:
  Requerimientos nutricionales del tipo de animal a alimentar
 Alimentos que se encuentran disponibles.
 Precios por kilo de los alimentos.
 Composición nutricional de los alimentos
 Cantidad de animales en el predio.
 Período de alimentación.
En el caso de la utilización de forrajes, se puede realizar programación lineal para minimizar
costos o maximizar beneficios; maximizar la producción de carne o leche o maximizar la
carga animal. Para ello se requiere conocer a lo menos:

• Recursos forrajeros disponibles y su superficie.

• Producción de carne o leche.
• Carga animal.
• Prácticas agronómicas realizadas.
• Mano de obra utilizada o disponible.
• Costos.
• Utilidades.
Otra utilización común de la programación lineal es en la optimización de cultivos utilizando
como criterios el mínimo costo, el máximo beneficio o la máxima producción. Para ello se
requiere conocer:

• Listado de cultivos.
• Superficie total a cultivar.
• Producción de los cultivos.
• Insumos utilizados.
• Mano de obra
disponible y
utilizada por
cultivo. Costos por
cultivo.
• Beneficio por cultivo

2.5.4 Manejo Forestal.

16. Un consultor forestal visitó a un pequeño propietario de tierras y regresó con la

información que describe su situación con respecto al manejo que realiza de la misma. Se
trata de un granjero estadounidense de tiempo parcial que posee 24 hectáreas disponibles
y quiere usarla para incrementar sus ingresos. Las alternativas de destino de la tierra que se
le presentan son dos: trasplantar árboles de Navidad híbridos de rápido crecimiento que
maduran en un año, o bien engordar novillos poniendo la superficie a pasturas. Los árboles
de Navidad se plantan y se venden en lotes de 1.000 unidades. Para desarrollar un lote de
1.000 árboles se necesitan 1,5 has y engordar 1 novillo requiere 4 has. Además el granjero
dispone sólo de 200 horas al año para dedicarle a esta actividad. La experiencia muestra
que se necesitan 20 horas para cultivar, podar, cosechar y empaquetar un lote de árboles.
Por otro lado se requieren 20 horas para atender cada novillo. Este productor tiene $ 1.200
de presupuesto disponible; sus gastos anuales son de $ 30 por cada lote de árboles y $ 240
por novillo. Además ya tiene realizado un contrato con sus vecinos por 2 novillos. En precios
corrientes, los árboles de Navidad le darán un retorno líquido de $ 0,50 cada uno, en tanto
que cada novillos le redituarán $ 1.000. Efectuado el levantamiento de datos, el consultor
 decide que un planteo matemático del problema, en términos de objetivos y restricciones,
podrá ayudar al productor a tomar la decisión.

Objetivo: aumentar los ingresos del productor:

maximizar su margen líquido Actividades
posibles:
A1 = criar y engordar novillos
A2 = cultivar árboles de Navidad

Definición de variables:
X1 = número de novillos engordados por año
X2 = número de lotes de 1.000 árboles por año

Función Objetivo:
Z máx = 1.000 X1 + 500 X2
($/año) = ($/novillo)* (novillos/año) + ($/novillo)* (novillos/año)
Siendo:
$ 1.000: margen líquido por novillo (c1)
$ 500: margen líquido por lote de árboles (c2)

Restricciones:
De Tierra:
24 has disponibles (b1) 4 has por novillo (a11)
1,5 has por lote de árboles (a12) 4 X1 + 1,5 X2 ≤ 24

Presupuesto:
$ 1.200 disponibles (b2)
$ 240 por novillo (a21)
$ 30 por lote de árboles (a22) 240 X1 + 30 X2 ≤ 1.200

Mano de Obra:
200 horas disponibles (b3) 20 horas por novillo (a31)
20 horas por lote de árboles (a32) 20 X1 + 20 X2 ≤ 200

Contrato: por lo menos 2 novillos (b4) deben producirse para cumplir el contrato
previo. X1 ≥ 2

No Negatividad: todas las actividades deben ser positivas: X1 ≥ 0 y X2 ≥ 0

17. Una pequeña fábrica de pasta de madera produce pulpa mecánica y pulpa química en un
pueblo cerca de un río. Las técnicas de producción usadas en la fábrica son tales que: a)
cada tipo de pasta requiere 1 hombre- día por tonelada producida y b) la capacidad máxima
de producción es 300 tn/día para la pasta mecánica y 200 tn/día para la pasta química.
18. La producción de pulpa contamina el agua del río. La contaminación se mide en
términos de materiales biodegradables tal como la Demanda Biológica de Oxígeno (BOD).
La pulpa mecánica genera 1 BOD por tonelada producida mientras que la producción de
pulpa química produce 1,5 BOD por tonelada. El precio de mercado de la pasta mecánica
es de 100 $/tn y de la pasta química es de 200 $/tn. El directorio de la empresa ha formulado
las siguientes políticas operativas:

1. La fábrica debe generar, por lo menos, un ingreso bruto promedio de 40.000 $/día.
Nótese que no hay deseo de maximizar ingresos, pero sí, generar el suficiente como
para obtener un aceptable retorno sobre el capital.
2. La fábrica desea retener por lo menos 300 trabajadores empleados. Es una fábrica
local pequeña, de modo que el gerente es muy consciente de su imagen en la
comunidad.
3. La contaminación con BOD debe minimizarse.

Objetivo: minimizar la contaminación Actividades productivas que contaminan:

A1 = producción de pasta mecánica
A2 = producción de pasta química

Definición de variables:
X1 = cantidad producida de pasta mecánica (tn/día)
X2 = cantidad producida de pasta química (tn/día)

Función Objetivo:
Z mín = 1X1 + 1,5X2
(BOD/día) = (BOD/tn) * (tn/día) + (BOD/tn) * (tn/día)
Siendo:
1 BOD/día: nivel de contaminación de la pasta mecánica (c1)
1,5 BOD/día: nivel de contaminación de la pasta química (c2)

Restricciones:

Mano de Obra.
300 o más trabajadores (b1)
1 hombre-día por tn de pasta mecánica producida (a11)
1 hombre-día por tn de pasta química producida (a12)
1X1 + 1X2 ≥ 300

Ingreso Bruto:
$ 40.000 o más (b2)
$ 100 precio de mercado de la pasta mecánica (a21)
$ 200 precio de mercado de la pasta química (a22)
100 X1 + 200 X2 ≥ 40.000

Capacidad Productiva:
300 tn/día de pasta mecánica (b3) 200 tn/día de pasta química (b4)
X1 ≤ 300 y X2 ≤ 200

No Negatividad: todas las actividades deben ser positivas:

 X1 ≥ 0 y X 2 ≥ 0

2.5.5 Planeación de la fuerza de trabajo.

19. El gerente de personal de “Improro, S.A”, está analizando la necesidad de mano de obra
semicalificada durante los próximos seis meses. Se lleva 1 mes adiestrar a una persona
nueva. Durante este período de entrenamiento un trabajador regular, junto con uno en
adiestramiento (aprendiz), producen el equivalente a lo que producen 1.2 trabajadores
regulares. Se paga $500.00 mensuales a quien está en entrenamiento, mientras que los
trabajadores regulares ganan $800.00 mensuales. La rotación de personal entre los
trabajadores regulares es bastante alta, del 10% mensual.
El gerente de personal debe decidir cuántas personas necesita contratar cada mes para
adiestramiento. En seguida se da el número de meses-hombre necesarios. También se
desea tener una fuerza de trabajo regular de 110 al principio de julio. En cuanto al 1º de
enero, hay 58 empleados regulares.

Mes Meses-hombre requeridos Mes Meses-hombre requeridos

Enero 60 Abril 80
Febrero 50 Mayo 70
Marzo 60 Junio 100

Este problema tiene un aspecto dinámico, ya que la fuerza de trabajo en cualquier mes
depende de la fuerza de trabajo regular y en adiestramiento del mes anterior. Para cualquier
mes, el número total de meses-hombre disponibles se puede expresar como sigue:

Meses-hombre disponibles: Ri + 0.2Ai

en donde: Ri = número de trabajadores regulares al principio del mes

Ai = número de aprendices contratados en el mes.

Entonces los requerimientos de cada mes pueden expresarse por las restricciones:

Enero: R1 + 0.2A1 ≥ 60
Febrero: R2 + 0.2A2 ≥ 50
Marzo: R3 + 0.2A3 ≥ 60
Abril: R4 + 0.2A4 ≥ 80
Mayo: R5 + 0.2A5 ≥ 70
Junio: R6 + 0.2A6 ≥ 100
Julio (principio) R7 ≥ 110

Debido a la rotación, el 10% de los trabajadores regulares se van cada mes. Así, el número
de trabajadores regulares disponibles, por ejemplo, al principio de febrero sería:

R2 = 0.9R1 + A1
En la misma forma, pueden escribirse las ecuaciones para el número de trabajadores
disponibles al principio de cada mes:

Enero: R1 = 58 (dado)
Febrero : R2 = 0.9R1 + A1
Marzo: R3 = 0.9R2 + A2
Abril: R4 = 0.9R3 + A3
 Mayo: R5 = 0.9R4 + A4
Junio: R6 = 0.9R5 + A5
Julio: R7 = 0.9R6 + A6

El objetivo global del gerente de personal es minimizar el costo. La función objetivo es:
Minimizar: Z = 800(R1 + R2 + R3 + R4 + R5 + R6) + 500(A1 + A2 + A3 + A4 + A5 + A6)

Ahora se tiene el problema en el formato general de PL con 13 variables y 14 restricciones.

Los tomadores de decisiones en las empresas establecen criterios que debe cumplir una
solución y, después, buscan esa solución. En PL, los criterios se expresan como
restricciones. Se exploran las soluciones posibles y se usa la función objetivo para elegir la
mejor de entre aquellas que cumplen con los criterios. La PL se denomina técnica de
optimización, pero optimiza sólo dentro de los límites de las restricciones. En realidad es
un método de satisfacción de criterios.

2.5.6 Inversión.
Los problemas de inversión, son la asignación de presupuestos de capital para proyectos,
estrategia de inversión en bonos, selección de cartera de acciones, y establecimiento de
una política de préstamos bancarios. En muchas de estas situaciones, la Programación
Lineal puede usarse para seleccionar la combinación óptima de oportunidades que
maximizarán el rendimiento, al mismo tiempo que se satisfacen los requerimientos
establecidos por el inversionista y el mercado.
20. Modelo de préstamo bancario: Banco de Machala está desarrollando una política de
préstamos que implica un máximo de $12 millones. La tabla siguiente muestra los datos
pertinentes en relación con los préstamos disponibles.

Tipo de préstamo Tasa de interés % de deudas impagables

Personal 0.14 0.10
Automóvil 0.13 0.07
Casa 0.12 0.03
Agrícola 0.125 0.05
Comercial 0.10 0.02

Las deudas impagables son irrecuperables y no producen ingresos por intereses.

La competencia con otras instituciones financieras dicta la asignación de 40% mínimo de
los fondos para préstamos agrícolas y comerciales.
Para ayudar a la industria de la construcción de viviendas en la región, los préstamos para
casa deben ser por lo menos 50% de los préstamos personales, para automóvil, y para casa.
El banco limita la proporción total de las deudas impagables en todos los préstamos a un
máximo de 4%. Solución:
La situación se refiere a determinar el monto del préstamo en cada categoría, lo
que conduce a las siguientes definiciones de las variables:
x1 = préstamos personales (en millones de dólares)
x2 = préstamos para automóvil
x3 = préstamos para casa x4 = préstamos agrícolas
x5 = préstamos comerciales

El objetivo del Banco de Machala es maximizar el rendimiento neto, la diferencia entre el

ingreso por intereses y la pérdida por deudas impagables. El ingreso por intereses se
acumula sobre los préstamos al corriente. Por ejemplo, cuando se pierde 10% de préstamos
personales por deuda impagable, el banco recibirá intereses sobre 90% del préstamo; es
decir, recibirá un interés de 14% sobre 0.9x1 del préstamo original [Link] razonamiento es
válido para los cuatro tipos restantes de préstamos. Por lo tanto,

Interés total = 0.14(0.9x1) + 0.13(0.93x2) + 0.12(0.97x3) + 0.125(0.95x4) +

0.1(0.98x5)
Interés total = 0.126x1 + 0.1209x2 + 0.1164x3 + 0.11875x4 + 0.098x5
También tenemos:
Deuda impagable = 0.10x1 + 0.07x2 + 0.03x3 + 0.05x4 + 0.02x5
La función objetivo combina el ingreso por intereses y la deuda

impagable como sigue Maximizar z = Interés total – Deuda

impagable

Maximizar z = (0.126x1 + 0.1209x2 + .1164x3 + .11875x4 + .098x5) - (0.1x1 +

0.07x2 + 0.03x3 + 0.05x4 + 0.02x5)

Maximizar z = 0.026x1 + 0.0509x2 + 0.0864x3 + 0.06875x4 + 0.078x5

El problema tiene cinco restricciones:

1. Los fondos totales no deben exceder de $12 (millones):

x1 + x2 + x3 + x4 + x5 ≤ 12

2. Los préstamos agrícolas y comerciales deben ser iguales a por lo menos

el 40% de todos los préstamos: x4 + x5 ≥ 0.4(x1 + x2 + x3 + x4 + x5), resolvemos

las operaciones: 0.4x1 + 0.4x2 + 0.4x3 - 0.6x4 - 0.6x5 ≤ 0

3. Los préstamos para casa deben ser iguales a por lo menos 50% de
los préstamos personales, para automóvil y para casa:

x3 ≥ 0.5(x1 + x2 + x3), resolvemos las operaciones:

0.5x1 + 0.5x2 - 0.5x3 ≤ 0

4. Las deudas impagables no deben exceder 4% de todos los préstamos:

0.1x1 + 0.07x2 + 0.03x3 + 0.05x4 + 0.02x5 ≤ 0.04(x1 + x2 + x3 + x4 + x5)

resolviendo:

0.06x1 + 0.03x2 - 0.01x3 + 0.01x4 - 0.02x5 ≤ 0

No negatividad:

x1, x2, x3, x4, x5 ≥ 0 Modelo matemático:

Maximizar z = 0.026x1 + 0.0509x2 + 0.0864x3 + 0.06875x4 + 0.078x5

x1 + x2 + x3 + x4 + x5 ≤ 12

0.4x1 + 0.4x2 + 0.4x3 - 0.6x4 - 0.6x5 ≤ 0

 0.5x1 + 0.5x2 - 0.5x3 ≤ 0

0.06x1 + 0.03x2 - 0.01x3 + 0.01x4 - 0.02x5 ≤ 0

x1, x2, x3, x4, x5 ≥ 0

La solución óptima se calcula utilizando Solver de Excel:

z = 0.99648, x1 = 0, x2 = 0, x3 = 7.2, x4 = 0, x5 = 4.8

La solución óptima requiere que se asignen los $12 millones: $7.2 millones a préstamos
para casa, y $4.8 millones a préstamos comerciales. Las categorías restantes no reciben
nada. El rendimiento de la inversión es:
0.99648
𝑇𝑎𝑠𝑎 𝑑𝑒 𝑟𝑒𝑛𝑑𝑖𝑚𝑖𝑒𝑛𝑡𝑜 = = 0.08034 = 8.034%
12
 21. La cooperativa agraria “La lucha” tiene dos proyectos de inversión. El proyecto 1
tiene que ver con un producto a base de moringa, y el proyecto 2 a base de banano. Esta
cooperativa tiene dificultades de capital, lo cual obliga a un manejo cuidadoso de este
recurso escaso. Los proyectos tienen los siguientes flujos de dinero por unidad fabricada.
La fabricación de cualquiera de los productos se demora un mes, y la venta se produce un
mes después de su fabricación. En el caso del producto 2, el costo total de fabricación es
de $200 por unidad, de los cuales $100 se deben pagar de inmediato, para comprar la
materia prima, y los restantes $100 al final del mes. En el caso del producto 2 se debe
pagar $25 de inmediato y $100 al final de mes. La cooperativa usa una tasa de interés de
oportunidad de 2% mensual.
En el momento solo dispone de $2.400, y dentro de un mes sólo dispondrá de $4.000.
Además, el dinero que no se gaste de inmediato no podrá guardarse para dentro de un
mes. Porque el Auditor de la Cooperativa exige que se paguen otros compromisos que no
dan espera. El precio de venta es de $362.09 y $190.43 para los productos de 1 y 2
respectivamente. Con base en esta información resuelva los siguientes puntos:
a. Formule el modelo de programación lineal
b. Halle la solución utilizando el método gráfico.

Definición de variables
X1 = Cantidad de productos a base de moringa
X2 = cantidad de productos a base de banano

Calculo del valor neto presente de los flujos de dinero:

Cálculos para los productos en base a moringa Cálculos para los productos a base de banano
𝑉𝑓 𝑉𝑓
𝑉𝑃 = 𝑉𝑃 =
(1 + 𝑖)𝑛 (1 + 𝑖)𝑛
100 362,09 100 190,43
𝑉𝑃 = −100 − + 𝑉𝑃 = −25 − +
(1 + 0,02)1 (1 + 0,02)2 (1 + 0,02)1 (1 + 0,02)2

= −100 − 98,04 + 348,02 = $ 150 = −25 − 98,04 + 183,03 = $ 60

Modelo Matemático:
Maximizar Z = 150 X1 + 60 X2 Sujeta a:
100 X1+ 25 X2 ≤ 2400
100 X1 + 100 X2 ≤ 4000 X1 , X2 ≥ 0
2.5.7 Otras aplicaciones.

Modelo de programación lineal para formula de abono orgánico a base de desechos de

vegetales frescos como fertilizante para el cultivo de limón.

Se desea elaborar un abono orgánico que consiste en la combinación de 10 desechos de

vegetales frescos con los cuales se obtenga un fertilizante, estos productos a utilizarse son:
Acelgas, Ajo, Brócoli, Col, Coliflor, Espinacas, Lechuga, Nabo, Pepino y Tomate.

Aportes nutricionales de desechos vegetales:

1. Sabemos que por cada 100g de Acelgas (sin cocinar) nos proporciona: 3,30 mg. de hierro,
1,88 g. de proteínas, 105 mg. de calcio, 1,20 g. de fibra, 380 mg. de potasio, 0,03 mg. de
zinc, 4,50 g. de carbohidratos, 76 mg. de magnesio, 150 mg. de sodio, 335,17 ug. de
vitamina A, 0,05 mg. de vitamina B1, 0,05 mg. de vitamina B2, 1,05 mg. de vitamina B3,
0,17 ug. de vitamina B5, 0,11 mg. de vitamina B6, 0 ug. de vitamina B7, 0 ug. de vitamina
B12, 18,90 mg. de vitamina C, 0 ug. de vitamina D, 0,03 mg. de vitamina E, 40 mg. de
fósforo, 29,70 kcal. de calorías, 0 mg. de colesterol, 0,20 g. de grasa, 1,02 g. de azúcar y 0
mg. de purinas.

2. Por cada 100g de Ajo (sin cocinar) nos proporciona: 1,20 mg. de hierro, 4,30 g. de
proteínas, 17,80 mg. de calcio, 1,20 g. de fibra, 446 mg. de potasio, 4,70 mg. de yodo, 1,10
mg. de zinc, 24,30 g. de carbohidratos, 24,10 mg. de magnesio, 19 mg. de sodio, trazas de
vitamina A, 0,16 mg. de vitamina B1, 0,02 mg. de vitamina B2, 1,02 mg. de vitamina B3,
0,60 ug. de vitamina B5, 0,32 mg. de vitamina B6, 0 ug. de vitamina B7, 4,80 ug. de
vitamina B9, 0 ug. de vitamina B12, 14 mg. de vitamina C, 0 ug. de vitamina D, 0,01 mg.
de vitamina E, 1,40 ug. de vitamina K, 134 mg. de fósforo, 119 kcal. de calorías, 0 mg. de
colesterol, 0,23 g. de grasa, 2,21 g. de azúcar y 0 mg. de purinas.

3. Por cada 100g de Brócoli (sin cocinar) nos proporciona: 0,86 mg. de hierro, 3,56 g. de
proteínas, 58 mg. de calcio, 3 g. de fibra, 279 mg. de potasio, 15 mg. de yodo, 0,49 mg. de
zinc, 2,66 g. de carbohidratos, 19 mg. de magnesio, 22 mg. de sodio, 143,80 ug. de
vitamina A, 0,09 mg. de vitamina B1, 0,18 mg. de vitamina B2, 1,52 mg. de vitamina B3,
0,90 ug. de vitamina B5, 0,28 mg. de vitamina B6, 0,50 ug. de vitamina B7, 0 ug. de
vitamina B12, 0 ug. de vitamina D, 0,62 mg. de vitamina E, 65 mg. de fósforo, 33 kcal. de
calorías, 0 mg. de colesterol, 0,20 g. de grasa, 2,66 g. de azúcar y 81 mg. de purinas.

4. Por cada 100g de Col (sin cocinar) nos proporciona: 0,41 mg. de hierro, 1,38 g. de
proteínas, 45 mg. de calcio, 2,96 g. de fibra, 255 mg. de potasio, 3 mg. de yodo, 0,22 mg.
de zinc, 4,18 g. de carbohidratos, 14 mg. de magnesio, 12 mg. de sodio, 12 ug. de vitamina
A, 0,04 mg. de vitamina B1, 0,05 mg. de vitamina B2, 0,73 mg. de vitamina B3, 0,21 ug. de
vitamina B5, 0,19 mg. de vitamina B6, 3,10 ug. de vitamina B7, 31 ug. de vitamina B9, 0
ug. de vitamina B12, 48 mg. de vitamina C, 0 ug. de vitamina D, 1,70 mg. de vitamina E,
36 mg. de fósforo, 30,20 kcal. de calorías, 0 mg. de colesterol, 0,20 g. de grasa, 4,14 g. de
azúcar y 22 mg. de purinas.

5. Por cada 100g de Coliflor (sin cocinar) nos proporciona: 0,84 mg. de hierro, 2,44 g. de
proteínas, 19,26 mg. de calcio, 2,92 g. de fibra, 296 mg. de potasio, 5,92 mg. de yodo, 0,32
 mg. de zinc, 2,39 g. de carbohidratos, 15,92 mg. de magnesio, 13 mg. de sodio, 7,01 ug.
de vitamina A, 0,09 mg. de vitamina B1, 0,09 mg. de vitamina B2, 1,27 mg. de vitamina
B3, 0,60 ug. de vitamina B5, 0,24 mg. de vitamina B6, 1,50 ug. de vitamina B7, 72,51 ug.
de vitamina B9, 0 ug. de vitamina B12, 0 ug. de vitamina D, 0,21 mg. de vitamina E, 52 mg.
de fósforo, 27,52 kcal. de calorías, 0 mg. de colesterol, 0,28 g. de grasa, 2,05 g. de azúcar
y 51 mg. de purinas.

6. Por cada 100g de Espinacas (sin cocinar) nos proporciona: 2,70 mg. de hierro, 2,63 g. de
proteínas, 117 mg. de calcio, 2,58 g. de fibra, 554 mg. de potasio, 12 mg. de yodo, 0,60
mg. de zinc, 0,61 g. de carbohidratos, 60 mg. de magnesio, 69 mg. de sodio, 0,09 mg. de
vitamina B1, 0,20 mg. de vitamina B2, 1,38 mg. de vitamina B3, 0,25 ug. de vitamina B5,
0,22 mg. de vitamina B6, 6,90 ug. de vitamina B7, 0 ug. de vitamina B12, 40 mg. de
vitamina C, 0 ug. de vitamina D, 1,40 mg. de vitamina E, 46 mg. de fósforo, 0 mg. de
colesterol, 0,30 g. de grasa, 0,47 g. de azúcar y 57 mg. de purinas.

7. Por cada 100g de Lechuga (sin cocinar) nos proporciona: 1 mg. de hierro, 1,37 g. de
proteínas, 34,70 mg. de calcio, 1,50 g. de fibra, 220 mg. de potasio, 3 mg. de yodo, 0,23
mg. de zinc, 1,40 g. de carbohidratos, 8,70 mg. de magnesio, 3 mg. de sodio, 187 ug. de
vitamina A, 0,06 mg. de vitamina B1, 0,07 mg. de vitamina B2, 0,80 mg. de vitamina B3,
0,11 ug. de vitamina B5, 0,06 mg. de vitamina B6, 1,90 ug. de vitamina B7, 33,60 ug. de
vitamina B9, 0 ug. de vitamina B12, 13 mg. de vitamina C, 0 ug. de vitamina D, 0,60 mg.
de vitamina E, 28 mg. de fósforo, 0 mg. de colesterol, 0,60 g. de grasa, 1,36 g. de azúcar y
13 mg. de purinas.

8. Por cada 100g de Nabo (sin cocinar) nos proporciona: 0,38 mg. de hierro, 1 g. de
proteínas, 45 mg. de calcio, 3,49 g. de fibra, 269 mg. de potasio, 2 mg. de yodo, 0,23 mg.
de zinc, 4,66 g. de carbohidratos, 14 mg. de magnesio, 58 mg. de sodio, 0 ug. de vitamina
A, 0,04 mg. de vitamina B1, 0,05 mg. de vitamina B2, 0,68 mg. de vitamina B3, 0,20 ug. de
vitamina B5, 0,08 mg. de vitamina B6, 2 ug. de vitamina B7, 20 ug. de vitamina B9, 0 ug.
de vitamina B12, 20 mg. de vitamina C, 0 ug. de vitamina D, trazas de vitamina E, 0,10 ug.
de vitamina K, 41 mg. de fósforo, 31,60 kcal. de calorías, 0 mg. de colesterol, 0,22 g. de
grasa, 3,97 g. de azúcar y 0 mg. de purinas.

9. Por cada 100g de Pepino (sin cocinar) nos proporciona: 0,20 mg. de hierro, 0,63 g. de
proteínas, 18,45 mg. de calcio, 0,70 g. de fibra, 140 mg. de potasio, 0,30 mg. de yodo, 0,14
mg. de zinc, 1,90 g. de carbohidratos, 7,30 mg. de magnesio, 3 mg. de sodio, 28,17 ug. de
vitamina A, 0,04 mg. de vitamina B1, 0,03 mg. de vitamina B2, 0,36 mg. de vitamina B3,
0,26 ug. de vitamina B5, 0,04 mg. de vitamina B6, 0,90 ug. de vitamina B7, 19,40 ug. de
vitamina B9, 0 ug. de vitamina B12, 7 mg. de vitamina C, 0 ug. de vitamina D, 0,39 mg. de
vitamina E, 13 ug. de vitamina K, 23 mg. de fósforo, 0 mg. de colesterol, 0,20 g. de grasa,
1,80 g. de azúcar y 7,30 mg. de purinas.
10. Por cada 100 de Tomate (sin cocinar) nos proporciona: 0,70 mg. de hierro, 0,88 g. de
proteínas, 10,60 mg. de calcio, 1,40 g. de fibra, 242 mg. de potasio, 2,20 mg. de yodo, 0,16
mg. de zinc, 3,50 g. de carbohidratos, 8,30 mg. de magnesio, 9 mg. de sodio, 217 ug. de
vitamina A, 0,07 mg. de vitamina B1, 0,04 mg. de vitamina B2, 0,90 mg. de vitamina B3,
0,28 ug. de vitamina B5, 0,13 mg. de vitamina B6, 1,50 ug. de vitamina B7, 28,80 ug. de
vitamina B9, 0 ug. de vitamina B12, 26,60 mg. de vitamina C, 0 ug. de vitamina D, 0,89 mg.
de vitamina E, 5,70 ug. de vitamina K, 24 mg. de fósforo, 0 mg. de colesterol, 0,21 g. de
grasa, 3,39 g. de azúcar y 0 mg. de purinas.

Necesidades nutricionales de la planta de limón:

Es necesario tener en cuenta, que existe una cantidad de nutrientes en el suelo

accesible para la planta, los cuales se reportan en el análisis de suelo, este es el punto
de partida para decidir la cantidad de nutrientes que aplicaremos por fertilización. El
limón necesita de 15 elementos para su buen desarrollo, que son:

Carbono (C), Hidrógeno (H), Oxígeno (O), Nitrógeno (N), Fósforo (P), Potasio (K), Calcio
(Ca), Magnesio (Mg), Azufre (S), Zinc (Zn), Boro (B), Hierro (Fe), Manganeso (Mn), Cobre
(Cu) y Molibdeno (Mo). Los primeros tres los obtiene del aire y del agua y los restantes 12
del suelo por la raíz, los que pueden llegar a agotarse si no se consideran en un adecuado
sistema de fertilización.

Los más importantes para su producción son Nitrógeno, Fósforo y Potasio.

Así como es deficiente de elementos no menos importantes como magnesio y

zinc. Estos elementos se los puede suministrar a la planta por medio de
fertilizantes químicos u orgánicos.

Modelo Matemática de P.L:

X1 = Número de gramos de acelga

X2 = Número de gramos de ajo
X3 = Número de gramos de brócoli
X4 = Número de gramos de col
X5 = Número de gramos de coliflor
X6 = Número de gramos de espinacas
X7 = Número de gramos de lechuga
X8 = Número de gramos de nabo
X9 = Número de gramos de pepino
X10 = Número de gramos de tomate

Función objetivo: Costo = 0.50 X1 + 0.30 X2 + 0.50 X3+ 0.35 X4 + 0.50X5 +0.55 X6 + 0.60 X7 +
0.55 X8 + 0.25 X9 + 0.40 X10
Restricciones:
1. Cantidad de producto a producir:
X1 + X2 + X3 + X4 + X5+ X6 +X7 + X8 + X9 + X10
2. Calcio:
0,105X1 + 0,0178X2 + 0,058X3 +0,045X4 + 0,01926X5 + 0,117 X6 + 0,0347X7 + 0,045X8 +
0,01845X9 + 0,0106X10  1,6
3. Hierro:
0,00037X1 + 0,0012X2 + 0,00086X3 + 0,000041X4 +0,00084 X5 + 0,0027 X6 + 0,001X7 +
0,00038X8 + 0,0002X9 + 0,007X10  35
4. Magnesio:
0,076X1 + 0,0241X2 + 0,019X3 + 0,014X4 + 0,0159X5 + 0,060X6 + 0,0087X7 + 0,014X8 +
0,0073X9 + 0,0083X10  0,15
5. Fósforo:
0,04X1 + 0,134X2 + 0,065X3 + 0,162X4 +0,052 X5 + 0,046X6 + 0,028X7 + 0,041X8 +0,023 X9 +
 0,024X10  0,1
6. Potasio:
0,38X1 + 0,446X2 + 0,279X3 +0,451 X4 + 0,296X5 + 0,554X6 + 0,22 X7 + 0,269 X8 +0,14 X9 +
0,242 X10  0,5
7. Manganeso:
0,00037X1 +0,00023 X2 + 0,021X3 + 0,005X4 + 0,013X5+ 0,016X6 +0,179X7 + 0,11X8 + 0,079X9 +
0,114X10  12
8. Zinc:
0,00X1 + 0,0011X2 + 0,00049X3 + 0,00022X4 + 0,00032X5+ 0,0006 X6 + 0,00023X7 + 0,00023X8
+ 0,00014X9 + 0,00016X10