Programación Lineal y su Aplicación

La Programación Lineal es un procedimiento o algoritmo matemático mediante el cual se

resuelve un problema indeterminado, formulado a través de ecuaciones lineales, optimizando
la función objetivo, también lineal.
Consiste en optimizar (minimizar o maximizar) una función lineal, denominada función
objetivo, de tal forma que las variables de dicha función estén sujetas a una serie de
restricciones que expresamos mediante un sistema de inecuaciones lineales.

Historia de la Programación Lineal

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

Los fundadores de la técnica son George Dantzig, quien publicó el algoritmo simplex, en
1947, John von Neumann, que desarrolló la teoría de la dualidad en el mismo año, y Leonid
Kantoróvich, un matemático ruso, que utiliza técnicas similares en la economía antes de
Dantzig y ganó el premio Nobel en economía en 1975. En 1979, otro matemático ruso,
Leonid Khachiyan, diseñó el llamado Algoritmo del elipsoide, a través del cual demostró que
el problema de la programación lineal es resoluble de manera eficiente, es decir, en tiempo
polinomial.2 Más tarde, en 1984, Narendra Karmarkar introduce un nuevo método del punto
interior para resolver problemas de programación lineal, lo que constituiría un enorme avance
en los principios teóricos y prácticos en el área.
El ejemplo original de Dantzig de la búsqueda de la mejor asignación de 70 personas a 70
puestos de trabajo es un ejemplo de la utilidad de la programación lineal. La potencia de
computación necesaria para examinar todas las permutaciones a fin de seleccionar la mejor
asignación es inmensa (factorial de 70, 70!); el número de posibles configuraciones excede al
número de partículas en el universo. Sin embargo, toma sólo un momento encontrar la
solución óptima mediante el planteamiento del problema como una programación lineal y la
aplicación del algoritmo simplex. La teoría de la programación lineal reduce drásticamente el
número de posibles soluciones óptimas que deben ser revisadas.

Variables
Las variables son números reales mayores o iguales a cero. X i ≥ 0

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

Restricciones
Las restricciones pueden ser de la forma:

Donde:

 A = valor conocido a ser respetado estrictamente;

 B = valor conocido que debe ser respetado o puede ser superado;
 C = valor conocido que no debe ser superado;
 j = número de la ecuación, variable de 1 a M (número total de restricciones);
  a; b; y, c = coeficientes técnicos conocidos;
 X = Incógnitas, de 1 a N;
 i = número de la incógnita, variable de 1 a N.

En general no hay restricciones en cuanto a los valores de N y M. Puede ser N = M; N > M;

o, N < M.
Sin embargo, si las restricciones del Tipo 1 son N, el problema puede ser determinado, y
puede no tener sentido una optimización.
Los tres tipos de restricciones pueden darse simultáneamente en el mismo problema.

Función Objetivo
La función objetivo puede ser:

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

Ejemplo No. 1
Optimizan en la fabricación de lámparas
Una compañía fabrica y venden dos modelos de lámpara L1 y L2.
Para su fabricación se necesita un trabajo manual de 20 minutos para el modelo L1 y de 30
minutos para el L2; y un trabajo de máquina de 20 minutos para el modelo L1 y de 10
minutos para L2.
Se dispone para el trabajo manual de 100 horas al mes y para la máquina 80 horas al mes.
Sabiendo que el beneficio por unidad es de 15 y 10 euros para L1 y L2, respectivamente,
planificar la producción para obtener el máximo beneficio.

Solución:
Una compañía fabrica y venden dos modelos de lámpara L1 y L2. Para su fabricación se
necesita un trabajo manual de 20 minutos para el modelo L1 y de 30 minutos para el L2; y un
trabajo de máquina de 20 minutos para el modelo L1 y de 10 minutos para L2.
Se dispone para el trabajo manual de 100 horas al mes y para la máquina 80 horas al mes.
Sabiendo que el beneficio por unidad es de 15 y 10 euros para L1 y L2, respectivamente,
planificar la producción para obtener el máximo beneficio.

a) Elección de las incógnitas.

x = nº de lámparas L1
y = nº de lámparas L2

b) Función objetivo
f (x, y) = 15x + 10y

c) Restricciones
Pasamos los tiempos a horas
20 min = 1/3 h
30 min = 1/2 h
10 min = 1/6 h

Para escribir las restricciones vamos a ayudarnos de una tabla:

L1 L2 Tiempo
ͳ ͳ
Manual 100
͵ ʹ
ͳ ͳ
Máquina 80
͵ ͸

1/3x + 1/2y ≤ 100

1/3x + 1/6y ≤ 80
Como el número de lámparas son números naturales, tendremos dos restricciones más:
x≥0
y≥0

d) Hallar el conjunto de soluciones factibles

Tenemos que representar gráficamente las restricciones.
Al ser x ≥ 0 e y ≥ 0, trabajaremos en el primer cuadrante.
Representamos las rectas, a partir de sus puntos de corte con los ejes.
Resolvemos gráficamente la inecuación: 1/3 x + 1/2 y ≤ 100; para ello, tomamos un punto del
plano, por ejemplo, el (0,0).

1/3·0 + 1/2·0 ≤ 100

1/3·0 + 1/6·0 ≤ 80

La zona de intersección de las soluciones de las inecuaciones sería la solución al sistema de

inecuaciones, que constituye el conjunto de las soluciones factibles.
 e) Calcular las coordenadas de los vértices del recinto de las soluciones factibles.
La solución óptima si es única se encuentra en un vértice del recinto. Estos son las
soluciones a los sistemas:

1/3x + 1/2y = 100; x = 0 (0, 200)

1/3x + 1/6y = 80; y = 0(240, 0)
1/3x + 1/2y = 100; 1/3x + 1/6y = 80(210, 60)
 f) Calcular el valor de la función objetivo
En la función objetivo sustituimos cada uno de los vértices.

f (x, y) = 15x + 10y

f (0, 200) = 15·0 + 10·200 = 2,000.00
f (240, 0) = 15·240 + 10·0 = 3,600.00
f (210, 60) = 15·210 + 10·60 = 3,750.00 Máximo

La solución óptima es fabricar 210 del modelo L1 y 60 del modelo L1 para obtener un
beneficio de 3,750.00

Ejemplo No. 2

Material escolar
Con el comienzo del curso se va a lanzar unas ofertas de material escolar.

Unos almacenes quieren ofrecer 600 cuadernos, 500 carpetas y 400 bolígrafos para la oferta,
empaquetándolo de dos formas distintas; en el primer bloque pondrá 2 cuadernos, 1 carpeta
y 2 bolígrafos; en el segundo, pondrán 3 cuadernos, 1 carpeta y 1 bolígrafo.

Los precios de cada paquete serán 6.50 y 7.00, respectivamente.

¿Cuántos paquetes le conviene poner de cada tipo para obtener el máximo beneficio?

a) Elección de las incógnitas.

x = P1
y = P2

b) Función objetivo
f (x, y) = 6.5x + 7y

c) Restricciones

L1 L2 Tiempo
Cuadernos 2 3 600

Carpetas 1 1 500

Bolígrafos 2 1 400

2x + 3y ≤ 600
x + y ≤ 500
2x + y ≤ 400
x≥0
y≥0

d) Hallar el conjunto de soluciones factibles

 e) Calcular las coordenadas de los vértices del recinto de las soluciones factibles.

f) Calcular el valor de la función objetivo

f (x, y) = 6.5 · 200 + 7 · 0 = 1,300.00

f (x, y) = 6.5 · 0 + 7 · 200 = 1,400.00
f (x, y) = 6.5 · 150 + 7 · 100 = 1,675.00 Máximo

La solución óptima son 150 P1 y 100 P2 con la que se obtienen 1,675.00

Método Simplex
“El Método Simplex es un método analítico de solución de problemas de programación lineal,
capaz de resolver modelos más complejos que los resueltos mediante el método gráfico sin
restricción en el número de variables.
El Método Simplex es un método iterativo que permite ir mejorando la solución en cada
paso. La razón matemática de esta mejora radica en que el método consiste en caminar del
vértice de un poliedro a un vértice vecino de manera que aumente o disminuya (según el
contexto de la función objetivo, sea maximizar o minimizar), dado que el número de vértices
que presenta un poliedro solución es finito siempre se hallará solución.” (López, 2019)

Beneficios y desventajas
“Como se ha visto con anterioridad, se trata de una opción viable y eficaz para el sector
empresarial, por lo que vale la pena destacar ciertos beneficios de su implementación:
 Se trata de una metodología heurística, la cual tiene como base los conceptos
geométricos, por lo que no requiere de la utilización de derivadas provenientes de la
función objetivo.
 Su implementación genera una gran eficiencia en muchos procesos, ya que puede
ajustar a la perfección un extenso número de parámetros.
 Se puede usar con funciones objetivo muy ondulantes, pues durante las primeras
iteraciones, SIMPLEX evita caer en los mínimos locales con facilidad.
 Es fácil de aplicar y usar, independientemente del tipo de empresa.
Sin embargo, el método SIMPLEX presenta una serie de desventajas necesarias de
considerar:
 Confluyen de una manera mucho más lenta que con otras metodologías, esto se debe
a que necesita de un mayor número de iteraciones.
 Cuando existe una función que presenta variables básicas positivas y una restricción
de desigualdad “≤". SIMPLEX, al realizar el cambio transforma estas variables en
negativas, mientras que en la fila de valor que corresponde a la función objetivo,
quedan positivas. Durante este proceso se produce una condición parada, por lo que
el valor óptimo a obtener será 0, por defecto.
¿Qué importancia tiene el método SIMPLEX?
SIMPLEX facilita la localización eficiente y eficaz de una solución, ubicado entre los extremos
de un problema de la programación lineal. De modo que, la gran ventaja de este método es
práctica y sencilla, pues solo trabaja con los coeficientes de acuerdo con las restricciones y
su función objetivo.
El método SIMPLEX es sumamente importante en el sector empresarial, porque actúa como
una herramienta para ofrecer soluciones a los problemas relacionados con pérdidas,
inventario y ganancias. Con esta metodología, es posible visualizar cuánto se debe comprar,
producir y vender, según sea el caso. Esto con la finalidad de que la compañía obtenga las
ganancias suficientes para posicionarse y competir en el mercado”. (User, 2020)
Marco Teórico
El método simplex en realidad es un algoritmo de hecho, cualquier procedimiento iterativo de
solución es un algoritmo. Por consiguiente, un algoritmo es sencillamente un proceso en el
que se repite un procedimiento sistemático una y otra vez hasta que se obtiene el resultado
que se desea. El método Simplex respecto a otros métodos es más complejo en cuanto
a sistemas reales, permite ir mejorando la solución a cada paso, con tres o más variables de
decisión hasta encontrar la solución óptima. El proceso concluye cuando no es posible
mejorar dicha solución, partiendo del valor de la función objetivo se puede maximizar o
minimizar.

1. Maximizar
Es el procedimiento donde los factores, variables de decisión y restricciones dan la óptima
solución con una simple característica de maximizar la función objetivo. Para una
maximización en el método simplex, se debe utilizar como característica esencial el signo
menor o igual qué, expresado en forma matemática como “≤”, el signo debe ser
homogéneo para todos los requerimientos y dar solución al planteamiento del problema,
esta característica fundamental, indica que las restricciones deben ser menores o igual a los
requerimientos establecidos, para cumplir con la función de maximizar lo asignado.

2. Minimizar
Es el procedimiento donde los factores, variables de decisión y restricciones dan la óptima
solución con una simple característica de minimizar la función objetivo.
Para una minimización en el método simplex, se debe utilizar como característica esencial el
signo mayor o igual qué, expresado en forma matemática como “≥”, el signo debe ser
homogéneo para todos los requerimientos y dar solución al planteamiento del problema, esta
característica fundamental, indica que las restricciones deben ser mayores o igual a los
requerimientos establecidos, para cumplir con la función de minimizar lo asignado.
3. No negatividad de las variables
En la mayoría de los problemas de la vida real, las variables representan cantidades físicas,
éstas no deben ser negativas porque representan cantidades físicas reales, ya que no es
posible que exista el signo negativo en cantidades reales.

4. Solución básica factible

Una solución básica factible es el valor que satisface todas las restricciones de variables, que
se forman en el planteamiento del problema para encontrar el más favorable. “En este caso,
la solución única resultante incluye una solución básica. Si todas las variables asumen
valores no negativos, entonces la solución básica es factible.” (7:70)

5. Pasos para maximización del método simplex

La forma estándar del método simplex permite dar una visualización de la información o
datos que se posee de la unidad de análisis para luego, ser ordenados y procesados
debidamente en el sistema matemático creado.
Se detallan los pasos a seguir para darle solución al modelo matemático simplex.

5.1. Identificar los datos

Los datos se obtienen de la información y son útiles en la definición del problema, que
permiten ser estudiados y analizados para poder determinar el método adecuado a
implementar, que son fundamentales para determinar la solución.
a) Objetivo
La función objetivo es lo que se pretende lograr con la implementación del modelo
matemático, según sea el caso puede ser maximización o minimización, utilizando variables
de decisión como limitantes. “El objetivo global de un problema de decisión expresado en
una forma matemática en términos de los datos y de las variables de decisión.” (4:5) Para las
variables puede ser una Maximización o Minimización se utiliza “Z”
La función objetivo expresada en forma matemática
FO: Max o Min Z = X1 + X2 + Xn
b) Variables de decisión
“Una cantidad cuyo valor se puede controlar y es necesario determinar para solucionar un
problema de decisión” (4:5) Las variables son asignaciones con características distintivas
que se establecen para diferenciar un elemento de otro en estudio, cuyo valor se puede
establecer. Estas variables de decisión también se denominan variables controlables, porque
se tiene cierto control sobre sus valores y son de mucha utilidad para darle solución al
problema. Para las variables de decisión se utiliza la expresión “Xn“.

c) Restricciones
Una restricción sobre los valores de variables en un modelo matemático típicamente
impuestos por condiciones externas.”
Las limitaciones o mejor conocidas como restricciones representan los límites del escenario
de la situación planteada, y son los valores de las variables asignadas en un modelo
matemático, que deben cumplir con requerimientos que la empresa asigna para obtener su
valor.
La presencia de limitaciones, o restricciones, limita el grado al cual se puede lograr el
objetivo.
A continuación, se presentan ejemplos de algunas restricciones de materias primas.
El costo de las materias primas es de Q233,000 como máximo. Costo ≤ Q233,000, indica
que se utiliza dicha cantidad o menos. La mano de obra utilizada es de como mínimo 500
minutos al mes. Mano de obra ≥ 500, indica que se utiliza dichos minutos o más.

5.2. Plantear el problema

La forma tabular del método simplex registra solo la información esencial, a saber: 1) los
coeficientes de las variables, 2) las constantes del lado derecho de la ecuación y 3) la
variable básica que aparece en cada ecuación. Esta forma evita tener que escribir los
símbolos de las variables en cada ecuación pero es más importante el hecho de que permite
hacer hincapié en los números que se usan en los cálculos aritméticos y registrarlos en forma
muy compacta”.
La solución de programas lineales mediante el método simplex implica la realización
de gran cantidad de cálculos, sobre todo cuando el número de variables y/o restricciones es
relativamente elevado, sin embargo, estos cálculos pueden realizarse de modo sistemático
utilizando una forma tabular, como el ejemplo que se presenta a continuación.
Cuadro 1
Ejemplo simplex maximización

Signo
Lona Seda Satín
Restricciones Requerimiento
X1 X2 X3
Almacenamiento 1 min 1 min 1 min 400 minutos ≤
Revisión 2 min 3 min 5 min 1400 minutos ≤
Empaque 1 min 2 min 2 min 700 minutos ≤
Utilidad Q 10 Q 15 Q 20
Fuente: elaboración propia, octubre 2021.

5.3. Definición de la función objetivo

F.O. Max Z = 10X1 + 15X2 + 20X3

5.4. Definir restricciones en forma de desigualdad

Luego de plantear el problema se procede a establecer las restricciones en forma
de desigualdad para darle solución al modelo matemático simplex. Se establece
la relación entre dos expresiones que no son iguales, con frecuencia se escriben
con los símbolos > o < que significan, mayor o igual que y menor o igual que,
respectivamente.

1) X1 + X2+ X3 < 400

2) 2X1 + 3X2 + 5X3< 1400
3) X1 + 2X2 +2X3< 700
4) X1;X2 & X3 > 0

5.5. Convertir desigualdades restrictivas en igualdades

Mediante ciertas manipulaciones matemáticas se puede transformar el problema, de una
forma a otra equivalente, dichas manipulaciones son realmente útiles, para la adaptación del
modelo matemático, en esta parte se procede a convertir las desigualdades en igualdades
agregando variables de holgura (H).

1) X1 + X2+ X3+ H1= 400

2) 2X1 + 3X2+ 5X3 + H2 = 1400
3) X1 + 2X2 + 2X3 + H3 = 700

Variable de holgura
Para las restricciones del tipo (≤), el lado derecho por lo común representa el límite sobre la
disponibilidad de un recurso y el lado izquierdo representa el empleo que hacen de esos
recursos limitados las diferentes actividades del modelo. De manera que una holgura
representa la cantidad en la cual la cantidad disponible del recurso excede al empleo que le
dan las actividades.

5.6. Construir el primer tablero simplex

Se procede a tomar los coeficientes y las constantes de las igualdades para constituir el
primer tablero simplex y en el último renglón incluir los coeficientes de la función objetivo
igualada a cero.

Primer tablero

X1 X2 X3 H1 H2 H3 Z C

1 1 1 1 0 0 0 400
2 3 5 0 1 0 0 1400
1 2 2 0 0 1 0 700

- 10 - 15 -20 0 0 0 1 0

Fuente: elaboración propria ocubre 2021

5.7. Determinar columna pivote (CP)

Para identificar la columna se debe localizar el elemento de menor valor ubicado en la fila de
la función objetivo, se ejemplifica en el siguiente tablero.
Segundo tablero
Columna pivote
 X1 X2 X3 H1 H2 H3 Z C

1 1 1 1 0 0 0 400
2 3 5 0 1 0 0 1400
1 2 2 0 0 1 0 700

- 10 - 15 -20 0 0 0 1 0

Fuente: elaboración propria ocubre 2021

5.8. Encontrar elemento pivote (EP)

Para encontrar el elemento pivote se divide cada uno de los valores de la columna de
constante (C), entre los valores correspondientes de la columna pivote, considerando que no
se pueden tomar los valores negativos y valores cero, el elemento pivote es el menor
cociente positivo.

Elemento
El menor cociente positivo indicara
Fila 1) 400 / 1 = 400 cual es el elemento pivote, de existir
empate se toma cualquiera.
Fila 2) 1400 / 5 = 280
Fila 3) 700 / 2 = 350
Valores correspondientes de la
columna pivote

Columna de constantes

Por lo anterior se establece que el elemento pivote es el valor 5

Identificada la columna pivote como la asociada con la variable de entrada y el renglón pivote
como el renglón asociado con la variable de salida. La intersección de la columna pivote y el
renglón pivote define el elemento pivote.
5.9. Convertir en uno el elemento pivote
Para encontrar la solución se realiza un procedimiento matemático que utiliza una entrada de
la matriz llamada elemento pivote que debe convertirse en "1", para luego cambiar todas las
otras entradas en la columna pivote en cero.

Fila pivote:
Nuevo renglón pivote = renglón pivote actual / elemento pivote Todos los demás renglones
incluyendo z
Nuevo renglón = (renglón actual) - (su coeficiente de la columna pivote) * (nuevo renglón
pivote).”

5.10. Convertir en cero los restantes valores de los elementos de la columna pivote
El resto de elementos de la columna pivote se deben convertir en cero, lo cual se logra
multiplicando el valor del elemento, pero con signo cambiado por cada valor de los elementos
de la fila pivote y al producto sumarle los valores correspondientes de la fila del valor a
convertir en cero.

5.11. Verificar resultados

Verificar si los valores de la última fila (función objetivo) son ceros y/o positivos, de ser así
ese es el tablero que da la solución óptima de lo contrario (es decir, de haber uno o varios
valores negativos) repetir los pasos del 7 al 10 hasta que los valores de los elementos de la
última fila sean todos ceros y/o positivos.

El tercer tablero simplex es el que da la solución óptima, ya que los valores del último renglón
son ceros o positivos.
 Tercer tablero simplex
Solución óptima
X1 X2 X3 H1 H2 H3 Z C

1 0 0 2 0 -1 0 100
0 1 0 -0.5 -0.5 -0.5 0 150
0 0 1 -0.5 -0.5 1.5 0 150

0 0 0 2.5 2.5 2.5 1 6250

Fuente: elaboración propia octubre 2021

5.12. Comprobación de la función objetivo

Consiste en sustituir las variables por los valores de la solución óptima.
F.O. Max Z = 10X1 + 15X2 +20 X3
F.O. Max Z = 10(100)+ 15(150)+ 20(150)
F.O. Max Z = 1000 + 2250 + 3000
F.O. Max Z = 6250

5.13. Comprobar restricciones

Es necesario comprobar las restricciones para verificar si cumplen con las condiciones,
consiste en sustituir las variables de decisión por los valores de la solución óptima.

1) X1 + X2 + X3< 400
100 + 150 + 150 < 400
400 < 400

2) 2X1 + 3X2 + 5X3 < 1400

(100) + 3(150) + 5(150)< 1400
(200) + (450) + (750) < 1400
1400 < 1400
 3) X1 + 2X2 + 2X3 < 700
(100) + 2(150) + 2(150)< 700
(100) + (300) + (350) < 700

4) X1; X2 & X3 > 0

100; 150 & 150 > 0

5.14. Conclusión
Se debe concluir con la solución óptima que brinda el modelo matemático. Se determino que
deben venderse 100 rollos de lona, 150 rollos de seda y 150 rollos de satín para obtener una
máxima utilidad de Q. 6,250.00

“Biografía de George Dantzig

George Bernard Dantzig (8 de noviembre de 1914 – 13 de mayo de 2004), físico y
matemático, considerado como uno de los precursores de la Ingeniería Industrial. Nació en
Pórtland, Oregón, EEUU. Su padre, Tobías Dantzig, fue un matemático de origen ruso que
estudió con Henri Poincaré en París. Luego en la universidad de la Sorbona fue profesor de
Matemáticas, y allí se relacionó con su estudiante Anja Ourisson. Luego de un tiempo se
casaron y emigraron a los Estados Unidos. De esta unión nació George Dantzig, en su
juventud su padre se desempeñaba como director del Departamento de Matemáticas en la
Universidad de Maryland, pero al terminar la Segunda Guerra Mundial, renunció a este
puesto. Por su parte, su madre era una lingüista especializada en idiomas eslavos.
George Dantzig ingresó a la Universidad de Maryland, para estudiar matemáticas, pero
nunca estuvo conforme con la enseñanza de este centro académico. De todos modos,
culminó su proceso. En 1937 Dantzig comenzó a trabajar como empleado en Estadística en
el Bureau of Labor Statistics. Motivado y convencido inició un Doctorado en Estadística en la
Universidad de Berkeley. Igualmente, sintió que los cursos eran demasiado sencillos y hasta
sin sentidos. Situación que lo llevo a pensar en abandonar el estudio. Mientras estaba en una
clase en 1939, el profesor Jerzy Neyman escribió en la pizarra dos complejos problemas
estadísticos aún no resueltos. Según Dantzig, los problemas eran complejos, pero no
imposibles de resolver.
Pocos días después obtuvo los resultados. Dantzig recibió la visita del profesor Jerzy
Neyman, quien pretendía, admirado por su inteligencia, publicar las soluciones de Dantzig a
los problemas en una revista matemática. Efectivamente fue así, años después otro
investigador, Abraham Wald, complementó y publicó el último artículo sobre esta hazaña en
el que explicaba la conclusión del segundo problema, Dantzig fue incluido como coautor. Las
soluciones de estos problemas fueron su tesis doctoral, a sugerencia del profesor Neyman.
No obstante, Dantzig interrumpió su doctorado poco después del comienzo de la Segunda
Guerra Mundial para unirse a la Fuerza Aérea de Estados Unidos y trabajar con el Combat
Analysis Branch of Statistical Control. Regresó para culminar la última etapa de su doctorado;
luego de lograrlo, volvió a la Fuerza Aérea para tomar el cargo de asesor de Matemáticas del
U. S. Air Force Controller.
Asumió la dirección de la Rama de Análisis de Combate de los Cuarteles Centrales
Estadísticos de Fuerza Aérea de los Estados Unidos. Fue este trabajo que lo motivó a
realizar sus grandes hazañas matemáticas, debido a que la Fuerza Aérea necesitaba
calcular el tiempo de duración de las etapas de un programa de despliegue, entrenamiento y
suministro logístico de un modo más óptimo y eficaz. Aunque paso mucho tiempo para hallar
esto, realizó un gran aporte en 1947 cuando propuso el Método Simplex para resolver un
problema de programación lineal.
En 1952 fue investigador matemático en la Corporación RAND, donde implementó la
programación lineal, ya estudiada, en los computadores de la corporación. El éxito fue total,
luego realizó trabajos similares en las universidades de Berkeley y Stanford en California,
también en centros como el IIASA en Viena. En este último trabajo, realizó mejoras en lo
concerniente a los problemas de programación lineal.
El 3 de octubre de l947 George Dantzig conoció a John Von Neumann, considerado por
muchos como el mejor Matemático del mundo, en el Institute for Advanced Study. Neumann
le habló sobre la teoría de juegos un trabajo que aún estaba en construcción, llevado a cabo
en conjunto con Oscar Morgenstern. Esto fue muy importante porque con el conocimiento
adquirido desarrolló la teoría de la dualidad, desarrollado con Fulkerson y Johnson en 1954.
(Historia-biografia.com., 2014)
Por otro lado, George Dantzig trabajó en métodos de bifurcación y corte, utilizados en
programación para resolver grandes problemas. Fue el responsable de la programación
estocástica que se enfoca en los problemas de programación matemática que contienen
variables aleatorias, de esta programación han surgido diversos modelos. Su conocimiento y
aporte quedó plasmado en sus dos libros: Linear Programming and Extensions (1963) y libro
de dos tomos: Linear Programming (1997 y 2003), escrito con N. Thapa. (Historia-
biografia.com., 2014)
Obtuvo varios reconocimientos por su gran labor y su aporte a las fuerzas militares de su
país. En 1976 el presidente Gerald Ford concedió a George Dantzig la Medalla Nacional de
Ciencias, su trabajo fue reconocido durante una importante ceremonia en la Casa Blanca
donde se reconoció su invención de la Programación Lineal, que permitió un empleo eficiente
de la teoría matemática. También recibió el premio Von Neumann Theory en 1975, Premio
en Matemáticas Aplicadas y Análisis Numérico de la National Academy of Sciences en 1977,
en Israel se le otorgó el Harvey Prize en Ciencia y Tecnología de Technion, en 1985. La
Academia de Ciencias y de la Academia Nacional de Ingeniería de EEUU reconoció su
aporte como miembro. En su honor se creó un premio dado por Las Sociedades de
Programación Matemática y SIAM.
Los últimos años de su vida tuvo diversas complicaciones en su salud, relacionadas con la
diabetes y los problemas cardiovasculares. Debido a esto el 13 de mayo de 2004, George
Bernard Dantzig, murió a la edad de 90 años acompañado por su familia en su residencia
ubicada en Stanford.” (Historia-biografia.com., 2014)

Bibliografía

1. Taha H.A. (2012). Investigación de Operaciones. México: Pearson.

2. Bazaraa M.S., Jarvis J.J. & Sherali H.D. (2011). Programación lineal y flujo en redes.
México: Limusa.
3. Arya, Jagdich C. y Lardner, Robin W. (2009). Matemáticas aplicadas a la
administración y a la economía. México: Pearson.

E grafía
https://es.slideshare.net/miguialme/programacin-lineal-60675512
Ensayo 2
https://www.clubensayos.com/Temas-Variados/AN%C3%81LISIS-MARGINAL-Y-SU-
APLICACI%C3%93N/3473433.html
https://www.lifeder.com/analisis-marginal/

https://www.studocu.com/en-us/dashboard

https://historia-biografia.com/george-bernard-dantzig/

http://biblioteca.usac.edu.gt/tesis/03/03_4386.pdf