5.

1 Componentes del modelo matemático de

programación lineal

• La programación lineal permite modelar problemas reales

con el objetivo de maximizar utilidades o minimizar costos,
utilizando ecuaciones matemáticas sencillas. Todo modelo
de programación lineal se compone de tres elementos
fundamentales:
Función objetivo
• Define qué se desea optimizar (ganancia, costo, tiempo,
etc.).
Se expresa como una ecuación lineal que incluye las
variables de decisión.
Ejemplo:
Max 𝑍𝑍 = Ingresos − Costos
• En términos contables:
Utilidad = 𝑃𝑃𝑃𝑃 − 𝐶𝐶𝐶𝐶
Restricciones
• Son las limitaciones del sistema que delimitan las posibles soluciones del modelo.
Se expresan mediante inecuaciones lineales y representan los recursos disponibles.
• Las restricciones pueden provenir de las 6M de la organización:
• Materia prima
• Mano de obra
• Maquinaria
• Metodología
• Medio ambiente
• Medición / materiales

Solución óptima
• Es el mejor resultado posible que se obtiene al resolver el modelo matemático,
cumpliendo todas las restricciones.
Debe interpretarse en función del contexto del problema, indicando cuánto
producir, cuánto asignar o cuánto invertir.
5.2 Modelación matemática
5.3 Activación de Solver en Microsoft Excel
Tema 6. Modelado de programación lineal

• La programación lineal es una técnica de la

Investigación de Operaciones que permite
modelar y resolver problemas de optimización,
cuyo objetivo es maximizar o minimizar una
función (como utilidad, costo, tiempo o consumo
de recursos), sujeta a un conjunto de restricciones
que representan las limitaciones reales del sistema.
• Se denomina lineal porque tanto la función
objetivo como las restricciones se expresan
mediante ecuaciones o inecuaciones lineales.
¿Para qué sirve el modelado en programación
lineal?

• El modelado consiste en traducir un problema real

(industrial, logístico, financiero o de servicios) a un
lenguaje matemático, con el fin de encontrar la
mejor decisión posible bajo condiciones limitadas.
• La programación lineal se utiliza ampliamente para:
• Planeación de producción
• Asignación óptima de recursos
• Reducción de costos
• Maximización de utilidades
• Optimización de procesos
Elementos del modelo de Programación Lineal
• Todo modelo de programación lineal está compuesto por cuatro
elementos fundamentales:
Variables de decisión
• Son las incógnitas del problema, es decir, las decisiones que el
modelo debe determinar.
• Representan cantidades como:
• Número de unidades a producir
• Cantidad de recursos a asignar
• Número de productos a transportar
• Se expresan generalmente como:
𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑛𝑛
• Ejemplo:
𝑥𝑥1 = cantidad de producto A
𝑥𝑥2 = cantidad de producto B
Función objetivo
• Es la expresión matemática que representa lo que
se desea optimizar.
Puede ser:
• Maximizar: utilidad, ingresos, eficiencia
• Minimizar: costos, tiempos, desperdicios
• Forma general:
Max o Min 𝑍𝑍 = 𝑐𝑐1 𝑥𝑥1 + 𝑐𝑐2 𝑥𝑥2 + ⋯ + 𝑐𝑐𝑛𝑛 𝑥𝑥𝑛𝑛
• Donde:
𝑐𝑐𝑖𝑖 es el aporte de cada variable al objetivo
Restricciones
• Las restricciones representan las limitaciones del sistema (recursos
finitos).
• Se expresan como inecuaciones lineales del tipo:
𝑎𝑎1 𝑥𝑥1 + 𝑎𝑎2 𝑥𝑥2 + ⋯ + 𝑎𝑎𝑛𝑛 𝑥𝑥𝑛𝑛 ≤, =, ≥ 𝑏𝑏
• Pueden representar:
• Disponibilidad de materia prima
• Tiempo de máquina
• Capacidad de mano de obra
• Demanda del mercado
• Capacidad de transporte

Restricciones de no negatividad
• Establecen que las variables de decisión no pueden tomar valores
negativos, ya que no tienen sentido físico.
𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑛𝑛 ≥ 0
 Supuestos del modelo de Programación Lineal
• Para que un problema pueda resolverse mediante programación lineal, se deben
cumplir los siguientes supuestos:
• Linealidad
Las relaciones entre variables son proporcionales.
• Aditividad
El efecto total es la suma de los efectos individuales.
• Divisibilidad
Las variables pueden tomar valores fraccionarios.
• Certidumbre
Todos los coeficientes del modelo son conocidos y constantes.

Proceso de modelado en Programación Lineal

• El proceso teórico de modelado sigue estos pasos:
• Definir claramente el problema
• Identificar las variables de decisión
• Formular la función objetivo
• Identificar y formular las restricciones
• Verificar los supuestos del modelo
• Resolver el modelo mediante un método de optimización
• Analizar e interpretar la solución óptima
 Interpretación de la solución
• La solución óptima es aquella que:
• Cumple todas las restricciones
• Optimiza la función objetivo
• Se encuentra dentro de la región factible
• Además, el análisis de la solución permite identificar:
• Cuellos de botella
• Recursos subutilizados
• Impacto de cambios en los parámetros

Conclusión teórica
La programación lineal es una herramienta fundamental para el
análisis racional de decisiones, ya que transforma problemas
reales en modelos matemáticos que permiten tomar decisiones
óptimas, justificadas y medibles.
6.1 Modelo de programación lineal con dos
variables

Un modelo de programación lineal con dos variables es aquel en el que existen

dos decisiones por determinar, generalmente representadas como 𝑥𝑥y 𝑦𝑦. Este tipo
de modelo es fundamental en cursos introductorios porque permite visualizar
gráficamente la solución y comprender cómo interactúan la función objetivo y las
restricciones.

Variables de decisión
• Se definen dos variables que representan las decisiones del problema:
𝑥𝑥 = cantidad del producto o actividad 1
𝑦𝑦 = cantidad del producto o actividad 2

Función objetivo
• Es la expresión que se desea maximizar o minimizar.
• Forma general:
Max o Min 𝑍𝑍 = 𝑎𝑎𝑎𝑎 + 𝑏𝑏𝑏𝑏
• Donde:
𝑎𝑎y 𝑏𝑏representan el aporte de cada variable al objetivo.
Restricciones
Son las limitaciones del sistema y se expresan como inecuaciones lineales:
𝑎𝑎1 𝑥𝑥 + 𝑏𝑏1 𝑦𝑦 ≤ 𝑐𝑐1
𝑎𝑎2 𝑥𝑥 + 𝑏𝑏2 𝑦𝑦 ≤ 𝑐𝑐2
⋮
Restricciones de no negatividad
𝑥𝑥 ≥ 0, 𝑦𝑦 ≥ 0
Representación gráfica del modelo
• Cuando el modelo tiene solo dos variables, es posible resolverlo de forma gráfica:
• Cada restricción se representa como una recta en el plano cartesiano.
• La intersección de todas las restricciones forma la región factible.
• La función objetivo se desplaza paralelamente hasta tocar el último punto de la región factible.
• Ese punto corresponde a la solución óptima.
Interpretación de la solución
• La solución óptima indica:
• Cuánto producir de cada producto
• Cómo asignar los recursos disponibles
• Qué restricciones actúan como cuellos de botella
• En programación lineal con dos variables, la solución óptima siempre se encuentra en un vértice de
la región factible.
 Ejemplo

Una microfábrica produce:

• Galletas A (premium)
• Galletas B (tradicionales)
Utilidad
• A deja $50 por unidad
• B deja $30 por unidad
Recursos disponibles por día
• Harina: 100 kg
• Tiempo de horneado: 80 horas
Consumo por unidad
• Galleta A usa: 2 kg harina y 1 hora
• Galleta B usa: 1 kg harina y 2 horas
Objetivo: decidir cuántas A y B producir para maximizar la utilidad.
Definir variables de decisión
ˊ
• 𝑥𝑥 = numero de galletas A a producir
ˊ
• 𝑦𝑦 = numero de galletas B a producir

Construir la función objetivo

• Maximizar utilidad:
Max 𝑍𝑍 = 50𝑥𝑥 + 30𝑦𝑦

Identificar restricciones
Restricción 1: Harina
• A usa 2 kg → 2𝑥𝑥
• B usa 1 kg → 𝑦𝑦
• Total disponible: 100 kg
2𝑥𝑥 + 𝑦𝑦 ≤ 100
Restricción 2: Tiempo de horneado
• A usa 1 hora → 𝑥𝑥
• B usa 2 horas → 2𝑦𝑦
• Total disponible: 80 horas
𝑥𝑥 + 2𝑦𝑦 ≤ 80
Restricciones de no
negatividad
• No se puede producir
negativo:
𝑥𝑥 ≥ 0, 𝑦𝑦 ≥ 0

Modelo matemático
completo
𝐌𝐌𝐚𝐚𝐱𝐱 𝑍𝑍 = 50𝑥𝑥 + 30𝑦𝑦
• Sujeto a:
2𝑥𝑥 + 𝑦𝑦 ≤ 100
𝑥𝑥 + 2𝑦𝑦 ≤ 80
𝑥𝑥, 𝑦𝑦 ≥ 0
Ejemplo:
Planteamiento del problema
• La Pizzería Nova Florentina produce dos tipos de pizzas:
• Pizza Grande (G)
• Pizza Mediana (M)
• Cada producto genera una utilidad diferente y utiliza recursos limitados (materia prima).
• Utilidad por unidad:
• Pizza Grande: $20
• Pizza Mediana: $15
El objetivo de la pizzería es determinar cuántas pizzas de cada tipo debe producir para maximizar
la utilidad total, considerando las restricciones de harina y levadura disponibles.

Variables de decisión
• Se definen las siguientes variables:
• 𝐺𝐺 = cantidad de pizzas grandes a producir
• 𝑀𝑀 = cantidad de pizzas medianas a producir
• Estas variables representan las decisiones principales del modelo.
4. Función objetivo
• La función objetivo representa la utilidad total que se desea maximizar.
Max 𝑍𝑍 = 20𝐺𝐺 + 15𝑀𝑀
• Donde:
• 20𝐺𝐺es la utilidad generada por las pizzas grandes.
• 15𝑀𝑀es la utilidad generada por las pizzas medianas.

Restricción de harina
• Cada pizza requiere harina para su elaboración:
• Pizza grande: 1 kg
• Pizza mediana: 0.75 kg
• Harina disponible: 500 kg
1𝐺𝐺 + 0.75𝑀𝑀 ≤ 500
Restricción de levadura
• Cada pizza requiere levadura:
• Pizza grande: 0.2 kg
• Pizza mediana: 0.3 kg
• Levadura disponible: 100 kg
0.2𝐺𝐺 + 0.3𝑀𝑀 ≤ 100

Restricciones de no negatividad
• No es posible producir cantidades negativas:
𝐺𝐺 ≥ 0, 𝑀𝑀 ≥ 0
Ejercicio:
• Variables de decisión
• 𝑥𝑥1 :horas de mantenimiento al mes para la máquina
tipo 1
• 𝑥𝑥2 :horas de mantenimiento al mes para la máquina
tipo 2

Parámetros (de la tabla y el enunciado)

• Costo por hora: tipo 1 = 7, tipo 2 = 5
• Mínimos requeridos: tipo 1 = 5 h, tipo 2 = 3 h
• Máximo total mensual: 14 h
• Jornada laboral de 8 Horas
• Función objetivo (minimizar costo total)
min 𝑍𝑍 = 7𝑥𝑥1 + 5𝑥𝑥2
Restricciones
• Mínimos de mantenimiento:
𝑥𝑥1 ≥ 5
𝑥𝑥2 ≥ 3
• Máximo total de horas al mes:
𝑥𝑥1 + 𝑥𝑥2 ≤ 14
• Restricción gubernamental:
8
6𝑥𝑥1 − 4𝑥𝑥2 ≤
4
• No negatividad:
𝑥𝑥1 , 𝑥𝑥2 ≥ 0
Ejercicio
Objetivo
• Aplicar programación lineal para optimizar la asignación de actividades de mantenimiento con
recursos limitados.

Contexto del problema

• Una planta industrial realiza dos tipos de mantenimiento:
• Mantenimiento Preventivo (P)
• Mantenimiento Correctivo (C)
Cada tipo de mantenimiento genera un beneficio económico indirecto al reducir paros y fallas.

Concepto Preventivo (P) Correctivo (C)

Beneficio por servicio $80 $120
Horas de técnico requeridas 2 3
Horas de equipo requeridas 1 2
6.2 Módelo gráfico
El método Gráfico o método Geométrico permite la resolución de problemas sencillos de
programación lineal de manera intuitiva y visual. Este método se encuentra limitado a problemas
de dos o tres variables de decisión ya que no es posible ilustrar gráficamente más de 3
dimensiones.
Las fases del procedimiento de resolución de problemas mediante el método Gráfico son las
siguientes:
• Dibujar un sistema de coordenadas cartesianas en el que cada variable de decisión esté
representada por un eje.
• Establecer una escala de medida para cada uno de los ejes adecuada a su variable asociada.
• Dibujar en el sistema de coordenadas las restricciones del problema, incluyendo las de no
negatividad (que serán los propios ejes). Notar que una inecuación define una región que será el
semiplano limitado por la línea recta que se tiene al considerar la restricción como una igualdad,
mientras que si una ecuación define una región que es la propia línea recta.
• La intersección de todas las regiones determina la región factible o espacio de soluciones (que es
un conjunto convexo). Si esta región es no vacía, se continuará con el paso siguiente. En caso
contrario, no existe ningún punto que satisfaga simultáneamente todas las restricciones, por lo
que el problema no tendrá solución, denominándose no factible.
• Determinar los puntos extremos o vértices del polígono o poliedro que forma la región factible.
Estos puntos serán los candidatos para la solución óptima.
• Evaluar la función objetivo en todos los vértices y aquél (o aquellos) que maximicen (o
minimicen) el valor resultante determinara la solución óptima del problema.
 Ejemplo:

Una pequeña fábrica produce dos productos:

• Producto A (x)
• Producto B (y)
• La empresa desea maximizar su utilidad diaria, pero está limitada por tiempo de máquina y
mano de obra.
Paso 1. Variables de decisión
• Definimos qué vamos a decidir:
• 𝑥𝑥= unidades del Producto A
• 𝑦𝑦= unidades del Producto B
Paso 2. Función objetivo
La utilidad por unidad es:
Producto A: $40
Producto B: $30
Función objetivo:
Max 𝑍𝑍 = 40𝑥𝑥 + 30𝑦𝑦
Paso 3. Restricciones
Restricción 1: Tiempo de máquina
• A usa 2 horas
• B usa 1 hora
• Tiempo disponible: 8 horas
2𝑥𝑥 + 𝑦𝑦 ≤ 8
Restricción 2: Mano de obra
• A usa 1 hora
• B usa 2 horas
• Mano de obra disponible: 8 horas
𝑥𝑥 + 2𝑦𝑦 ≤ 8
Restricción de no negatividad
𝑥𝑥 ≥ 0, 𝑦𝑦 ≥ 0

Paso 4. Modelo matemático completo

Max 𝑍𝑍 = 40𝑥𝑥 + 30𝑦𝑦
s.a. 2𝑥𝑥 + 𝑦𝑦 ≤ 8
𝑥𝑥 + 2𝑦𝑦 ≤ 8
𝑥𝑥, 𝑦𝑦 ≥ 0
Paso 5. Resolver con el método gráfico
1. Convertimos restricciones en rectas
• Restricción 1: 2𝑥𝑥 + 𝑦𝑦 = 8
Si 𝑥𝑥 = 0→ 𝑦𝑦 = 8
Si 𝑦𝑦 = 0→ 𝑥𝑥 = 4
Restricción 2: 𝑥𝑥 + 2𝑦𝑦 = 8
Si 𝑥𝑥 = 0→ 𝑦𝑦 = 4
Si 𝑦𝑦 = 0→ 𝑥𝑥 = 8
Graficamos en el plano cartesiano
• Eje X → Producto A
• Eje Y → Producto B
• Trazamos ambas rectas
• La región factible es la zona común debajo de ambas rectas y en el primer cuadrante
Paso 6. Identificar los vértices
Los puntos clave son:
• A = (0,0)
• B = (4,0)
• C = (0,4)
• D = intersección de:
2𝑥𝑥 + 𝑦𝑦 = 8
𝑥𝑥 + 2𝑦𝑦 = 8
Resolviendo:
8
𝑥𝑥 =
3

8
𝑦𝑦 =
3
 Punto x y Z = 40x + 30y
A 0 0 0
B 4 0 160
C 0 4 120
D 2.67 2.67 186.7

Paso 8. Solución óptima

Solución óptima gráfica:
Producir 2.67 unidades de A
Producir 2.67 unidades de B
Utilidad máxima ≈ $186.7

El método gráfico solo funciona con 2

variables
La solución óptima siempre está en un
vértice
Las restricciones definen la región factible
El gráfico ayuda a visualizar el problema y
entender los límites reales
 Ejercicio
Una empresa artesanal produce dos productos:
• Producto P
• Producto Q
La empresa desea maximizar su utilidad diaria.
Concepto Producto P Producto Q
Utilidad por unidad $60 $45
Tiempo de máquina
3 1
(horas)
Mano de obra (horas) 1 2
Análisis de sensibilidad
El análisis de sensibilidad es una herramienta de la
programación lineal que permite estudiar qué tan
estable es una solución óptima cuando cambian los
datos del problema.
En la realidad:
• los recursos pueden variar,
• los costos cambian,
• las utilidades no son fijas,
• pueden aparecer nuevas restricciones.
¿Por qué es importante?
• El análisis de sensibilidad ayuda a:
Evaluar riesgos
Anticipar cambios
Evitar rehacer todo el modelo
Tomar decisiones informadas ante escenarios “¿qué pasaría si…?”

¿Qué elementos se analizan?

• Cambios en la función objetivo
• Analiza qué pasa si cambian:
• utilidades
• costos
• ingresos por unidad
• Pregunta típica:
• ¿Cuánto puede cambiar la utilidad de un producto sin que cambie la solución
óptima?
• Esto se conoce como rango de optimalidad.
Cambios en las restricciones (recursos)
• Analiza qué pasa si:
• se agregan recursos,
• se pierden recursos,
• se modifica la capacidad.
Pregunta típica:
• ¿Vale la pena conseguir más recursos?
• Aquí aparece el concepto más importante

Precio sombra (concepto central)

¿Qué es el precio sombra?
• El precio sombra indica cuánto mejora la función objetivo si se incrementa una unidad de un recurso, manteniendo
todo lo demás constante.
Es el valor económico del recurso.

Ejemplo intuitivo
• Si el precio sombra de:
• horas de técnico = $50
Significa:
• Cada hora adicional de técnico incrementa la utilidad máxima en $50, mientras el modelo siga siendo válido.
Restricciones activas vs no activas
Restricción activa (limitante)
• Se usa completamente en la solución óptima
• Tiene precio sombra distinto de cero
• Es un cuello de botella
• Ejemplo:
• Se usan las 40 horas de técnicos → restricción activa

Restricción no activa
• No se usa completamente
• Tiene precio sombra = 0
• Aumentar el recurso no cambia la solución
• Ejemplo:
• Sobran horas de equipo → no es limitante

Rangos del análisis de sensibilidad

Rango de factibilidad
• Indica cuánto puede cambiar el lado derecho de una restricción (recursos) sin cambiar la base óptima.
• Ejemplo:
• Puedes aumentar las horas de técnico hasta 10 horas más sin que cambie la combinación óptima.
Decisiones reales que se apoyan en sensibilidad
• ¿Conviene pagar horas extra?
• ¿Vale la pena rentar maquinaria adicional?
• ¿Qué recurso es más crítico?
• ¿Qué producto debo proteger ante cambios de
precio?

El análisis de sensibilidad evalúa la robustez de la

solución
El precio sombra indica el valor real de los recursos
No todas las restricciones son igual de importantes
Ayuda a decidir sin rehacer todo el modelo
Ejemplo:

Un taller hace dos tipos de servicio:

• 𝑃𝑃= mantenimientos preventivos
• 𝐶𝐶= mantenimientos correctivos
Beneficio:
• Preventivo: $80
• Correctivo: $120
Recursos disponibles por semana
• Técnicos: 40 horas
• Equipo: 24 horas
Consumo por servicio
• Preventivo: 2 h técnico, 1 h equipo
• Correctivo: 3 h técnico, 2 h equipo
Modelo de Programación Lineal
Maximizar:
𝑍𝑍 = 80𝑃𝑃 + 120𝐶𝐶
Sujeto a:
ˊ
2𝑃𝑃 + 3𝐶𝐶 ≤ 40 Tecnicos
𝑃𝑃 + 2𝐶𝐶 ≤ 24 Equipo
𝑃𝑃, 𝐶𝐶 ≥ 0
Vértices factibles:
• 00
• 20 0 )técnicos limitan: 2𝑃𝑃 ≤ 40)
• 0 12 )equipo limita: 2𝐶𝐶 ≤ 24)
Intersección:
2𝑃𝑃 + 3𝐶𝐶 = 40, 𝑃𝑃 + 2𝐶𝐶 = 24 ⇒ 𝑃𝑃 𝐶𝐶 = 8 8
Evaluación de 𝑍𝑍:
20 0 :𝑍𝑍 = 80 20 = 1600
0 12 :𝑍𝑍 = 120 12 = 1440
8 8 :𝑍𝑍 = 80 8 + 120 8 = 640 + 960 = 1600
• Óptimo= 1600

Hay múltiples soluciones óptimas (por ejemplo (20,0)y (8,8)

Análisis de Sensibilidad
¿Qué restricciones son activas?
En 20 0 :
• Técnicos: 2 20 + 3 0 = 40 se usa todo
• Equipo: 20 + 0 = 20(sobran 4 horas)
Restricción activa: Técnicos
No activa: Equipo (precio sombra = 0 en ese punto)

Como la solución está limitada por técnicos, una hora extra de técnico sí puede aumentar el beneficio.
¿Cuánto vale 1 hora extra de técnicos?
En el óptimo 20 0 estás haciendo solo preventivos.
Cada preventivo:
• gana $80
• usa 2 horas técnico
• Entonces la “ganancia por hora de técnico” ahí es:
80
= 40
2
Precio sombra técnicos ≈ $40 por hora
Interpretación:
• Si consigues 1 hora adicional de técnicos, tu beneficio máximo puede aumentar aproximadamente
en $40, mientras la solución siga siendo hacer preventivos.
¿Qué pasa si agregamos 2 horas de técnicos?
• Supongamos que ahora tenemos:
• Técnicos disponibles: 42 horas
(en lugar de 40)
• El aumento es:
ˊ
• ΔTecnicos = 2 horas

Fórmula general del análisis de sensibilidad

El análisis de sensibilidad usa esta relación:
𝑍𝑍nuevo ≈ 𝑍𝑍original + precio sombra × Δrecurso
Sustituimos valores reales
• 𝑍𝑍original = 1600
• Precio sombra = 40
• Δrecurso = 2horas
• Entonces:
• 𝑍𝑍nuevo ≈ 1600 + 40 2
• 𝑍𝑍nuevo ≈ 1600 + 80
• 𝑍𝑍nuevo ≈ 1680

• ¿ Por qué aparece el símbolo “≈” (aproximadamente)?

• Porque:
• El precio sombra solo es válido dentro de un rango
• Si el aumento es muy grande, el recurso limitante puede cambiar
• En ese caso, habría que resolver de nuevo el modelo
• Para cambios pequeños, esta fórmula es totalmente válida.
 Microsoft Excel 16.0 Informe de sensibilidad
Hoja de cálculo: [Reporte_Solver_Mantenimiento.xlsx]Modelo (Solver)
Informe creado: 14/01/2026 03:51:05 p. m.

Celdas de variables
Final Reducido Objetivo Permisible Permisible
Celda Nombre Valor Coste Coeficiente Aumentar Reducir
$B$6 Cantidad a realizar Preventivo (P) 8 0 80 0 20
$C$6 Cantidad a realizar Correctivo (C) 8 0 120 40 0

Correctivo (C)
Preventivo (P) •Valor final: 8
•Valor final: 8
La solución óptima incluye 8 servicios
Se realizan 8 servicios correctivos.
preventivos. •Costo reducido: 0
•Costo reducido: 0 También forma parte de la solución óptima.
Está en la solución óptima (no hay •Coeficiente objetivo: 120
penalización). Cada correctivo genera $120.
•Coeficiente objetivo: 80 •Permisible aumentar: 40
Cada preventivo genera $80.
•Permisible aumentar: 0
La utilidad puede subir hasta $160 sin cambiar la
Si subes la utilidad del preventivo aunque solución.
sea un poco, la solución cambiaría. •Permisible reducir: 0
•Permisible reducir: 20 Si baja aunque sea un poco, la solución óptima
La utilidad del preventivo puede bajar hasta cambiaría.
$60 sin cambiar la solución óptima. El correctivo es muy sensible a perder utilidad, pero
Mientras el preventivo gane entre $60 y $80,
la solución óptima seguirá siendo producirlo.
tolera aumentos sin afectar la solución
Restricciones
Final Sombra Restricción Permisible Permisible
Celda Nombre Valor Precio Lado derecho Aumentar Reducir
$E$13 Horas de técnicos Usado 40 40 40 8 4
$E$14 Horas de equipo Usado 24 0 24 2.666666667 4

Horas de técnicos Horas de técnicos

•Valor final: 40 •Valor final: 40
•Lado derecho (disponible): 40 •Lado derecho (disponible): 40
•Se usan todas las horas disponibles → es una •Se usan todas las horas disponibles → es una restricción
restricción activa activa
•Precio sombra: 40 •Precio sombra: 40
•Permisible aumentar: 8 •Permisible aumentar: 8
•Permisible reducir: 4 •Permisible reducir: 4
Interpretación clave Interpretación clave
•El precio sombra = 40 significa: El precio sombra = 40 significa:
•Cada hora adicional de técnico aumenta la •Cada hora adicional de técnico aumenta la utilidad en $40
utilidad en $40 •Esto es válido si:
•Esto es válido si: • Se agregan hasta 8 horas
• Se agregan hasta 8 horas • O se quitan hasta 4 horas
• O se quitan hasta 4 horas Ejemplo:
Ejemplo: •Si consigues 2 horas extra:
•Si consigues 2 horas extra: Δ𝑍𝑍 = 2 × 40 = $80
Δ𝑍𝑍 = 2 × 40 = $80
Conclusión del ejemplo

Horas de equipo
• Valor final: 24
• Disponible: 24
• Precio sombra: 0
• Permisible aumentar: 2.67
• Permisible reducir: 4
Aunque se usan todas las horas, no limita la ganancia
Tener más horas de equipo NO aumenta la utilidad
Por eso su precio sombra es 0
Comprar más equipo no mejora la ganancia mientras los
técnicos sigan siendo el cuello de botella.
Ejercicio:
Una fábrica de muebles produce dos productos:
• Mesas (M)
• Sillas (S)
• La empresa desea maximizar su utilidad diaria, considerando que cuenta con
recursos limitados de mano de obra y madera.

Recurso Disponible
Utilidad por unidad
Mano de obra 48 horas
• Mesa: $90 Madera 60 unidades

• Silla: $60

Producto Mano de obra (h) Madera (unid)

Mesa (M) 4 5
Silla (S) 2 3
Maximizar la utilidad total:
Max 𝑍𝑍 = 90𝑀𝑀 + 60𝑆𝑆
Mano de obra
4𝑀𝑀 + 2𝑆𝑆 ≤ 48
Madera
5𝑀𝑀 + 3𝑆𝑆 ≤ 60
No negatividad
𝑀𝑀 ≥ 0, 𝑆𝑆 ≥ 0
Conclusiones del ejercicio de producción (Mesas y Sillas)
Decisión óptima de producción
El modelo indica que la mejor decisión es:
• Producir 0 Mesas (M)
• Producir 20 Sillas (S)
• Esto maximiza la utilidad total de la empresa bajo las restricciones actuales.

Producto más rentable bajo las condiciones actuales

Aunque la mesa tiene una mayor utilidad por unidad ($90), consume más recursos, especialmente
madera.
En cambio, las sillas permiten aprovechar mejor el recurso crítico, por lo que resulta más conveniente
producir solo sillas.

Utilidad máxima alcanzable

La utilidad máxima obtenida con esta combinación es:
𝑍𝑍 = 60 20 = $1,200

Interpretación del costo reducido

• La variable Mesas (M) tiene un costo reducido de −10, lo que indica que no es conveniente producir mesas
con los valores actuales.
• Para que las mesas entren a la solución óptima, su utilidad tendría que aumentar al menos $10, es decir,
pasar de $90 a $100 por mesa.
Recurso limitante (cuello de botella)
La madera es el recurso crítico:
Se usa completamente (60 de 60 unidades).
Tiene un precio sombra de $20.
Esto significa que cada unidad adicional de madera aumentaría la utilidad en $20, mientras el
modelo siga siendo válido.

Recurso no limitante
La mano de obra no se utiliza completamente (40 de 48 horas).
Su precio sombra es 0, lo que indica que aumentar horas de mano de obra no mejora la utilidad.

Conclusión gerencial
Si la empresa desea aumentar su ganancia, la mejor estrategia es:
Conseguir más madera, no más mano de obra.
O bien, mejorar la utilidad de las mesas para que sean competitivas en el modelo.

Mensaje clave
El análisis de sensibilidad no solo confirma la solución óptima, sino que indica qué recursos
conviene aumentar, qué productos no conviene fabricar y qué cambios harían que la solución
óptima se modifique.
 Resumen Módulo 1
• En una empresa existen costos que cambian cuando se produce más y otros que se mantienen aunque no
cambie la producción.
• Para mejorar los costos de una organización es importante analizar el impacto de los cambios en personal,
servicios e instalaciones, evitando afectar la operación.
• La programación lineal sirve para representar problemas reales usando números y ecuaciones, con el fin de
tomar mejores decisiones.
• Todo modelo considera límites reales del sistema, como recursos, tiempo, maquinaria y materiales, que
influyen en el resultado final.
• El resultado del modelo indica cómo usar los recursos o cuánto producir para obtener el mejor desempeño
posible.
• Algunos problemas pueden representarse con gráficas para facilitar su análisis y entender mejor las posibles
soluciones.
• Un modelo matemático es una forma de representar la realidad de manera numérica para poder analizarla.
• En simulación se consideran variaciones y comportamientos similares a los que ocurren en la vida real.
• Existen análisis que permiten evaluar cómo cambian los resultados cuando se modifican ciertas condiciones
del sistema.
• La Investigación de Operaciones ayuda a analizar y mejorar sistemas productivos y de servicio.
• La calidad del producto incluye características que influyen directamente en la satisfacción del cliente, aunque
no siempre sean evidentes.
• En problemas de mezcla o dieta se busca cumplir ciertos requerimientos utilizando los recursos de la forma
más eficiente posible.