2 Investigacion - de - Operaciones

Investigación de Operaciones Ing.
César Aldo Canelo Sotelo
UNIVERSIDAD NACIONAL DE INGENIERIA

FACULTAD DE INGENIERIA INDUSTRIAL Y DE SISTEMAS
SECCION DE POSGRADO
PROGRAMA PRE-MAESTRIA
INVESTIGACIÓN DE OPERACIONES
DEFINICIÓN
La Investigación de Operaciones es la aplicación, por grupos interdisciplinarios, del método

científico a problemas relacionados con el control de las organizaciones o sistemas
(hombre-máquina) a fin de que se produzcan soluciones que mejor sirvan a los objetivos de
toda la organización.
La Investigación de Operaciones tiene por objetivo la determinación de una buena decisión,
y si es posible la determinación de la decisión óptima según cierto criterio pre-establecido.
ORGANIZACIÓN
Una organización puede representarse por un sistema. Todo sistema tiene componentes que
interactúan entre sí. Algunas interacciones son controlables, mientras que otras no lo son.
SISTEMA
Es un conjunto de elementos interrelacionados entre sí de acuerdo a cierto criterio de

ordenamiento (organización). Todo sistema es una estructura que funciona. La información
es el elemento que convierte a una estructura en un sistema, es decir, la información
dinamiza las estructuras. En todo sistema existen componentes y canales que comunican a
éstos. A través de los canales fluye la información, al fluir la información, los componentes
interaccionan de una manera determinada.
ELEMENTOS DE UN PROBLEMA DE TOMA DE DECISIONES
En un problema de toma de decisiones se identifican los siguientes elementos:
- El tomador de decisiones. Es el dueño del problema.

- El problema.
- Las alternativas de solución.
- La función objetivo (criterio de decisión), definida por quien toma la decisión.
FUNCIÓN OBJETIVO
Es el criterio de decisión o función de utilidad, establecida por quién toma la decisión.
1
Investigación de Operaciones Ing. César Aldo Canelo Sotelo
DECISIÓN ÓPTIMA
Puede ser identificada como la “mejor solución” desde el punto de vista del criterio de
decisión. Una “decisión óptima”, relativa a cierto criterio de decisión, es aquella que
produce el “mejor valor de la función objetivo”.
OPTIMIZACIÓN
Es un término que se usa indistintamente para indicar la maximización o la minimización

de una función. Ejemplo, la optimización de una función de costos consiste en minimizar
dicha función; la optimización de una función de ganancias consiste en maximizar la
función de ganancias.
MODELO
Es la representación de un sistema de acuerdo a los objetivos de estudio del sistema. Es

decir, para cierto objetivo de estudio, ciertas partes del sistema son relevantes, y si cambia
el objetivo del estudio, las partes relevantes del sistema probablemente sean otros. Esto
implica que según sea el objetivo del estudio, un mismo sistema puede estar representado
por diferentes modelos.
Todo modelo útil, necesariamente debe incorporar dos atributos en conflicto:
. Realismo, y
. Simplicidad.
Por un lado, el modelo debe ser una representación razonable del sistema real y debe
incorporar la mayor parte de los aspectos importantes de éste; y por otro lado, no es
conveniente que el modelo resulte tan complejo que sea imposible entenderlo o
manipularlo.
En la Investigación de Operaciones se emplean tres tipos de modelos:
- Modelos Icónicos. - Son modelos a escala, Ejemplo: las maquetas.
- Modelos Analógicos. - Representan las propiedades de un sistema cuyos
problemas se quieren resolver usando otros sistemas de propiedades similares,
Ejemplo: los sistemas hidráulicos son análogos a los sistemas neumáticos.
- Modelos Simbólicos. - Son modelos abstractos del problema real, en base a
letras, números, variables y ecuaciones. Son modelos fáciles de manipular. Es el
más económico de construir y operar. Es el tipo de modelo más usado en
Investigación de Operaciones.
FASES DE UN ESTUDIO DE INVESTIGACIÓN DE OPERACIONES
De manera aproximada, las fases de un estudio de Investigación de Operaciones son:
- Definición del sistema del mundo real. - Consiste en la concepción del

problema. La persona que toma la decisión es a quien se le puede atribuir el
problema del sistema.
2
- Definición del sistema a ser modelado. - Consiste en abstraer del mundo real la
parte relevante al estudio. Se trata de definir un “sistema abstracto”.
- Definición del problema. - Se define el objetivo deseado. Quien toma la decisión
establece el criterio de decisión y todas las restricciones. Debe haber por lo
menos dos alternativas para resolver el problema, de lo contrario el problema no
existe.
- Formulación del modelo. - Lo formula el analista, quien define la función
objetivo basado en el criterio de decisión. Aplicará un modelo existente o
desarrollará uno nuevo.
- Solución del modelo. - Lo hace el analista.
- Validación del modelo. - Se estima la validez del modelo como instrumento que
permita estudiar el comportamiento del sistema.
- Presentación de resultados. - Se trata de presentar los resultados en formato,
estilo y lenguaje de uso práctico para quien toma las decisiones.
- Implementación del modelo. - Esta fase requiere el aporte del personal de
soporte para el uso frecuente del modelo.
- Documentación del modelo.
PROGRAMACIÓN LINEAL
La programación lineal es una técnica de optimización que consiste en la maximización o
minimización de una función lineal llamada función objetivo, sujeta a restricciones también
lineales. La programación lineal es una herramienta para resolver problemas de
optimización.
Un problema de programación lineal es un problema de optimización para el cual se efectúa

lo siguiente:
1) Se intenta maximizar (minimizar) una función lineal de las variables de decisión. La

función que se desea maximizar o minimizar se llama función objetivo.
2) Los valores de las variables de decisión deben satisfacer un conjunto de
restricciones. Cada restricción debe ser una ecuación lineal o una desigualdad lineal.
3) Se relaciona una restricción de signo con cada variable. Para cualquier variable xi,
la restricción de signo especifica que xi no debe ser negativa (xi>=0) o ser sin
restricción de signo (SRS).
EL MODELO DE PROGRAMACIÓN LINEAL
El modelo de programación lineal esta conformado por:

- Un conjunto de variables de decisión.
- Una función objetivo.
- Un conjunto de restricciones:
a) Restricciones estructurales.
b) Restricciones de no negatividad de las variables.
3
FORMA GENERAL DEL MODELO DE PROGRAMACIÓN LINEAL
Donde:
Z: Función objetivo.
c: Vector fila de n elementos. Es el vector de coeficientes de las variables en la función
objetivo.
x: Vector columna de n elementos. Es el vector de variables de decisión del modelo.
A: Matriz mxn. Los elementos de la matriz A son los coeficientes de las variables en el lado
izquierdo de las restricciones.
b: Vector columna de m elementos. Es el vector de constantes de los lados derecho de las
restricciones.
FORMA GENERAL DESARROLLADA DEL MODELO DE PROGRAMACIÓN

LINEAL
FORMA CANÓNICA DEL MODELO DE PROGRAMACIÓN LINEAL
Max Z = cx
s. a.:
Ax <= b
x >= 0
4
FORMA ESTÁNDAR DEL MODELO DE PROGRAMACIÓN LINEAL
Max Z = cx
s. a. :
Ax = b
x >= 0
FORMA MIXTA DEL MODELO DE PROGRAMACIÓN LINEAL
SUPOSICIONES DE LA PROGRAMACIÓN LINEAL
1) Una sola función objetivo

Todo modelo de programación lineal tiene una sola función objetivo: maximización
o minimización.
2) Proporcionalidad
Esta suposición se cumple tanto en la función objetivo como en las restricciones.
- La contribución a la función objetivo de cada variable de decisión, es
proporcional al valor de la variable.
- La contribución de cada variable al primer miembro de cada restricción, es
proporcional al valor de la variable.
3) Aditividad
Esta suposición también se cumple tanto en la función objetivo como en las
restricciones. Tanto en la función objetivo como en las restricciones, no se puede
dar el producto cruzado de dos o más variables.
- La contribución a la función objetivo para cualquier variable, es independiente
de los valores de las otras variables de decisión.
- La contribución de una variable al primer miembro de cada restricción, es
independiente de los valores de la variable.
4) Divisibilidad
Esta suposición requiere que todas las variables de decisión puedan asumir valores
fraccionarios. Un problema de PL en el cual algunas de las variables, o todas, debe
ser un número entero no negativo, recibe el nombre de problema de programación
lineal entera. En muchas situaciones donde la divisibilidad no está presente, el
5
redondeo de las variables a un entero, en la solución óptima de PL, proporciona una

solución razonable.
5) Certidumbre
Por esta suposición se requiere conocer con certeza todos los parámetros del modelo
de programación lineal: coeficientes en la función objetivo (cj), coeficientes
tecnológicos (aij) y segundo miembro de las restricciones (bi).
Para que un modelo de programación lineal represente en forma adecuada una
situación de la vida cotidiana, éste debe cumplir todas las suposiciones de la
programación lineal.
FORMULACIÓN DE MODELOS DE PROGRAMACIÓN LINEAL
No existe una fórmula general que se pueda usar para formular el modelo de un problema
lineal, para esto se siguen ciertos pasos y técnicas. El proceso de formulación del modelo
de programación lineal generalmente implica cuatro pasos.
1) Identificación de las variables de decisión.

La definición de las variables no es única, y no existen reglas fijas, sin embargo, son
útiles las siguientes pautas para la adecuada identificación de las variables de
decisión.
¿Qué valores, una vez determinados, constituyen una solución para el problema?
¿Qué elementos se pueden elegir y/o controlar libremente?
¿Qué elementos afectan los costos y/o ganancias o, en general, el objetivo global?
¿Qué decisiones se tienen que tomar?
2) Identificación de los datos del problema.

La finalidad de resolver un problema es proporcionar los valores reales a las
variables de decisión que se han identificado. Se requiere conocer cierta
información para ayudar a determinar esos valores.
A diferencia de las variables de decisión, cuyos valores se pueden controlar, los
valores de los datos son constantes y no se pueden controlar.
3) Identificación de la función objetivo.

En este paso de la formulación, se debe expresar el objetivo organizacional global
en forma matemática usando las variables de decisión y los datos conocidos del
problema. La función objetivo puede ser maximización o minimización.
4) Identificación de las restricciones.

Las limitaciones, así como otras consideraciones que imponen restricciones sobre
los valores de las variables, son las restricciones. Se tiene que identificar cada
restricción y escribirlas en forma matemática.
Las restricciones son condiciones que las variables de decisión deben satisfacer para
constituir una solución “aceptable”. Las restricciones por lo general surgen de:
- Limitaciones físicas.
6
- Restricciones impuestas por la administración.

- Restricciones externas.
- Relaciones implicadas entre variables.
- Restricciones lógicas (no negatividad) sobre variables individuales.
Problemas propuestos
1. Un fabricante posee una máquina que utiliza para la fabricación de diversos artículos.
Para dos de ellos, denominados A y B, la máquina está disponible durante 170 horas al
mes. La velocidad de fabricación del artículo A es de 50 unidades por hora, y del
artículo B es de 80 por hora. Cada unidad de A proporciona un beneficio por venta de
$30 y cada unidad de B $20. La capacidad del mercado es limitada, a lo más se deben
fabricar 7000 unidades de A y 10000 de B. Formular el modelo de P.L. para maximizar
el beneficio.
2. Dos refinerías de petróleo producen tres tipos diferentes de gasolina: A, B y C. Estos

diferentes tipos de gasolina son producidos en cada refinería en proporciones fijas, por
cada operación. La refinería No. 1 produce 1 unidad de A, 3 unidades de B y 1 unidad
de C por operación; mientras que la refinería No. 2 produce: 1 unidad de A, 4 unidades
de B y 5 unidades de C por operación. Los costos de operación son de S/ 3,000 para la
refinería No. 1 y S/ 5,000 para la refinería No. 2. Se tiene contrato con un cliente para
proveerle 100 unidades de A, 340 unidades de B y 150 unidades de C. Formule el
modelo de P.L. para determinar como debería ser programada la producción a fin de
lograr la máxima economía.
3. Cats es un nuevo producto alimenticio para mascotas. Cada lata de 16 onzas de Cats es
una mezcla de dos ingredientes alimenticios: A y B. Cada onza del ingrediente A
contiene 1/2 onza de proteínas y 1/8 de onza de grasas. Cada onza del ingrediente B
contiene 1/10 de onza de proteína y 1/3 de onza de grasas. Las restricciones indican que
cada lata de Cats debe contener por lo menos 4 onzas de proteínas y 2.5 onzas de
grasas. El ingrediente A cuesta $0.40 la onza y el ingrediente B cuesta $0.30 la onza.
Formule el modelo de P.L. para determinar qué cantidades deben mezclarse de los
ingredientes A y B para obtener la lata de Cats a costo mínimo.
4. Una procesadora de cítricos tiene una máquina que opera 150 horas a la semana
destilando jugo de naranja y jugo de toronja en concentrados. La máquina puede
destilar jugo de naranja a una tasa de 25 galones por hora en 17.5 galones de
concentrado o 20 galones de jugo de toronja en 10 galones de concentrado. Después de
su procesamiento, se pueden almacenar en tanques separados hasta 1000 galones de
cada concentrado. La ganancia neta por cada galón de jugo de naranja procesado es de
$0.55 y del de jugo de toronja es de $0.40
Formule el modelo de P.L. que permita determinar cuántos galones de jugo de naranja y
de jugo de toronja se deben procesar para maximizar la ganancia neta.
5. Una compañía de carga aérea desea maximizar los ingresos que obtiene por la carga que
transporta. La compañía tiene un solo avión diseñado para transportar dos clases de
7
carga: carga frágil y carga normal. La compañía no recibe pago extra por la carga frágil
que transporta, sin embargo, para asegurar ciertos contratos, la compañía ha acordado
transportar cuando menos 5 toneladas de carga frágil. Este tipo de carga debe llevarse
en una cabina presurizada, mientras que la carga normal puede llevarse en la cabina
principal. La capacidad de carga de la cabina principal es de 20 toneladas. La cabina
presurizada no puede llevar más de 10 toneladas de carga. El avión tiene una restricción
de peso que le impide llevar más de 28 toneladas de carga. Para mantener el equilibrio
de peso, la carga de la cabina presurizada debe ser menor o igual que dos tercios del
peso de la cabina principal, más una tonelada. La compañía recibe $1,000 por tonelada
de cualquiera de los dos tipos de carga que transporta.
Determine cuántas toneladas de carga de cada clase debe transportar el avión para
maximizar los ingresos.
6. Una procesadora de gas lleva a cabo dos procesos por medio de los cuales fabrica dos
productos: gas industrial y gas para encendedores. La procesadora debe decidir cuántas
horas debe realizar cada uno de dichos procesos. Las entradas y las salidas
correspondientes a la operación de los procesos en el curso de una hora son:
Entradas Salidas
Proceso Queroseno Benceno Gas industrial Gas encendedor
1 3 9 15 6
2 12 6 9 24
Debido a un programa estatal de asignación de recursos, las cantidades máximas de

queroseno y benceno disponibles son 300 y 450 unidades, respectivamente. Sin
embargo, la competencia ofrece venderle a esta procesadora un cupo de hasta 100
unidades de queroseno a un precio de $20 la unidad. Los compromisos de venta
contraídos imponen la necesidad de producir cuando menos 600 unidades de gas
industrial y 225 unidades de gas para encendedor. Las ganancias por hora que generan el
proceso 1 y el proceso 2 son de $450 y $390, respectivamente.
Formule el modelo de P.L.
7. Una azucarera produce azúcar rubia, azúcar blanca, azúcar pulverizada y melazas con el
jarabe de la caña de azúcar. La azucarera compra 4000 toneladas de jarabe a la semana
y tiene un contrato para entregar un mínimo de 25 toneladas semanales de cada tipo de
azúcar. El proceso de producción se inicia fabricando azúcar rubia y melazas con el
jarabe. Una tonelada de jarabe produce 0.30 tonelada de azúcar rubia y 0.1 tonelada de
melaza. Después, la azúcar blanca se elabora procesando la azúcar rubia. Se requiere
una tonelada de azúcar rubia para producir 0.80 tonelada de azúcar blanca. Finalmente,
la azúcar pulverizada se fabrica de la azúcar blanca por medio de un proceso de molido
especial, que tiene 95% de eficiencia de conversión (1 tonelada de azúcar blanca
produce 0.95 tonelada de azúcar pulverizada). Las utilidades por tonelada de azúcar
rubia, azúcar blanca, azúcar pulverizada y melaza son 150, 200, 230 y 35 dólares
respectivamente.
Formule el modelo de programación lineal para determinar el programa de producción
óptimo semanal.
8
8. Una empresa de seguridad tiene a su servicio la vigilancia de un aeropuerto y debe

cubrir las necesidades de personal durante los seis períodos de 4 horas en que está
dividido el día, como se indica en la siguiente tabla:
Período Duración Necesidades

de tiempo del período de personal
1 12 a.m. – 4 a.m. 27
2 4 a.m. – 8 a.m. 30
3 8 a.m. – 12 m. 52
4 12 m. – 4 p.m. 56
5 4 p.m. – 8 p.m. 67
6 8 p.m. – 12 a.m. 48
Los vigilantes trabajan turnos de 8 horas seguidas, con 6 cambios posibles de turno a lo
largo de las 24 horas, correspondientes a las horas de comienzo y finalización de los
períodos de trabajo. El jefe de personal de la empresa requiere determinar cuántos
vigilantes deben trabajar en cada período de manera que todos queden cubiertos y el
total de personal utilizado sea mínimo.
9. Una planta de fertilizantes fabrica los fertilizantes A y B, mediante los procesos I y II.
A continuación, se indican los tiempos de producción (horas) de los fertilizantes en
cada proceso y el precio de venta.
Fertilizante
Proceso A B
I 2 3
II 3 4
Ganancia (S/ unid) 4 10
Se disponen de 16 horas de operación en el proceso I y de 24 horas en el proceso II. La

producción de B da, además, un subproducto C (sin costo adicional) que puede
venderse a S/ 3.00 la unidad. Sin embargo, el sobrante de C debe destruirse a un costo
de S/ 2.00 la unidad. Se obtienen 2 unidades de C por cada unidad de B producida. La
demanda de C, se estima en, a lo más, 5 unidades.
Formule el modelo de P.L. para determinar el plan de producción que maximice los
ingresos.
10. Una fábrica de papel produce bobinas con una medida estándar de 1000 m. de longitud
y 1 m. de ancho. Recibe semanalmente pedidos de diferentes distribuidores. Para la
siguiente semana ha recibido los siguientes pedidos: 320 bobinas de 20 cm. de ancho,
365 bobinas de 30 cm. de ancho, 480 bobinas de 40 cm. de ancho, y 176 bobinas de 70
cm. de ancho; todas con la misma longitud estándar de 1000 m. El fabricante debe
cortar a lo ancho las bobinas de 1 m. para cumplir con los pedidos. El papel sobrante
tiene un costo no despreciable.
Formule el modelo de P.L. para cumplir con el pedido y minimizar el papel sobrante.
9
11. Una refinería produce gasolinas Súper y Plus. Estas gasolinas difieren únicamente en la
cantidad que poseen de dos aditivos a y b. Para cumplir las normas vigentes, la gasolina
Súper debe tener al menos 35% de a y, a lo más, un 60% de b; la Plus debe tener al
menos un 30% de a y, a lo sumo, un 55% de b. La refinería adquiere crudo de Arabia
con un contenido del 20% de a y 70% de b, y crudo de Venezuela con calidad de 50%
de a y 35% de b. Los costos por barril son de $22 para el crudo de Arabia y $20 para el
de Venezuela. Se sabe que la demanda semanal es de 600,000 barriles de gasolina
Súper y 400,000 de Plus, que hay que satisfacer.
Formular el modelo de P.L. que permita conocer cuántos barriles son necesarios
comprar para que el costo total de compra del crudo sea mínimo.
12. Un barco tiene 3 bodegas: en la proa, en la popa y en el centro. Las capacidades de las
bodegas son:
BODEGA TONELAJE PIES CUBICOS

Proa 2,000 100,000
Popa 1,500 30,000
Centro 3,000 135,000
Se han recibido las siguientes ofertas de carga, las que se pueden aceptar total o
parcialmente:
CANTIDAD GANANCIA
CARGA (Ton) PIES CÚBICOS/TON S/ /TON
A 6,000 60 6
B 4,000 50 8
C 2,000 25 9
Formule el modelo de programación lineal para determinar cómo se debe distribuir la

carga para maximizar la ganancia, si la preservación del equilibrio obliga a que el peso
de cada bodega sea proporcional a la capacidad de toneladas.
13. Un fabricante de acero produce 4 tamaños de vigas en I: Pequeño, mediano, grande y

extragrande. Estas vigas se pueden producir en cualquiera de tres tipos de máquinas: A,
B y C. A continuación, se indican las longitudes (en pies) de las vigas I que pueden
producir las máquinas por hora.
Máquina
Viga A B C
Pequeña 300 600 800
Mediana 250 400 700
Grande 200 350 600
Extragrande 100 200 300
10
Cada máquina se puede usar hasta 50 horas por semana y los costos de operación por
hora de las máquinas son $30, $50 y $80 respectivamente. Semanalmente se requieren
10000, 8000, 6000 y 6000 pies de los distintos tamaños de las vigas I.
Formule el modelo de P.L. para determinar cómo deben programarse la producción en
las máquinas.
EL MÉTODO GRÁFICO
La solución de un PL con el método gráfico, incluye los siguientes pasos:
1. La determinación del espacio de soluciones (región factible) que define las soluciones
factibles que satisfacen todas las restricciones del modelo.
1.1. Para cada restricción, reemplazar el signo de desigualdad con un signo de igualdad.
1.2. Trazar la recta resultante encontrando dos puntos distintos de la recta.
1.3. Identificar los puntos que cumplen la restricción.
La región factible, entonces, consiste en aquellos puntos que satisfacen todas las
restricciones simultáneamente.
2. La determinación de la solución óptima de entre todos los puntos en el espacio de

soluciones factibles.
2.1. Seleccionar cualquier punto dentro de la región factible.

2.2. Trazar la recta de la función objetivo a través del punto elegido.
2.3. Determinar el lado de mejora para la función objetivo.
2.4. Desplazar la recta de la función objetivo en forma paralela a sí misma en la
dirección de mejora hasta el último punto de contacto de la recta con la región factible.
El punto extremo final, es la solución óptima.
2.5. Calcular los valores de las variables en la solución óptima resolviendo las dos
ecuaciones de las rectas que pasan por ese punto.
11
EL MÉTODO SIMPLEX
El algoritmo del simplex provee una metodología rápida y efectiva para resolver problemas
de programación lineal.
El método simplex es un método que llega a la solución óptima a través de iteraciones
sucesivas. Este método utiliza los conceptos básicos de álgebra matricial para determinar la
solución de un problema lineal. Comienza una solución básica factible inicial y
sucesivamente obtiene soluciones en las intersecciones que ofrecen mejores valores para la
función objetivo. En cada iteración el método proporciona un indicador que evalúa la
optimalidad de la solución encontrada, este indicador es el que nos permite identificar la
solución óptima.
Definiciones
Todo modelo de programación lineal, luego de habérsele agregado las variables de holgura
y/o exceso, se convierte en un sistema de ecuaciones con n variables y m ecuaciones, siendo
n>m, en donde las m restricciones del modelo dan origen a las m ecuaciones del sistema.
Una solución de tal sistema es un vector n-dimensional que satisface la relación Ax = b.
Solución básica. - Es aquella solución en la que (n – m) variables se han igualado a cero y

los valores de las m variables restantes se han determinado resolviendo las m ecuaciones
con m variables. Una solución de este tipo puede tener como máximo m componentes no
nulos.
Solución básica no degenerada. - Es una solución básica que tiene exactamente m

componentes no nulos.
Solución básica degenerada. - Es una solución básica que tiene menos de m componentes
distintos de cero.
Propiedades de las soluciones
El problema de programación lineal consiste en hallar el vector columna X que es solución

de:
a11x1 + a12x2 + . . . + a1nxn = b1
a21x1 + a22x2 + . . . + a2nxn = b2 (1)
... ... ... ... ..
am1x1 + am2x2 + . . . + amnxn = bm
que haga máximo a:

z = c1x1 + c2x2 + . . . + cnxn (2)
y de tal manera que las variables Xj estén sujetas a las condiciones:
xj >= 0 ; j= 1, 2, ..., n (3)
En las ecuaciones (1), se supone que:
12
1. Algunas de las restricciones pueden haber sido desigualdades antes de que les
fueran sumadas o restadas nuevas variables para convertirlas en ecuaciones.
2. Todas las bi >= 0, lo cual puede requerir que algunas de las ecuaciones deban
multiplicarse por – 1.
3. n > m, y A es de orden m x n.
La función (2) es la función objetivo, se observará que se ha definido el problema general

de programación lineal como un problema de maximización, que es el problema que se
presenta más frecuentemente en la práctica.
TEOREMA 1. - Dado un problema de programación lineal, en el cual no puedan existir

soluciones básicas factibles degeneradas y en el que se ha formado una solución básica
factible en función de las m primeras variables, puede formarse una nueva solución básica
factible introduciendo la variable xk, tal que k > m, si al menos un elemento de la k-ésima
columna de la matriz reducida es positivo.
La solución óptima
Cada solución tiene un valor y la función objetivo controla cuál de las muchas soluciones
es la óptima. Si aplicamos el teorema 1 podemos, efectivamente, encontrar dicha solución
óptima.
TEOREMA 2.- Dado un problema de programación lineal en el cual son imposibles las
soluciones básicas factibles degeneradas, en el que la solución óptima es única y donde
pueden formarse soluciones básicas factibles adicionales, la solución máxima debe ser una
solución factible.
Elección de la variable de entrada
Si se sabe de qué tipo es la solución óptima y cómo generar una solución de tal índole a
partir de otra, se necesita una regla que permita decidir qué variable se debe introducir en la
nueva solución.
TEOREMA 3.- Supongamos que tenemos un problema de programación lineal y una

solución básica factible del mismo. Si existe una variable Xk para la cual se puede realizar
el cálculo de θ mediante su propia regla, se puede generar otra solución que aumente el
valor de la función objetivo en un valor determinado de antemano.
Por el teorema 1, tenemos que:

Θ = min bi / aik , para todo aik >0
Y por el teorema 2 tenemos que:

z’ = z + Θ(ck – zk)
Puesto que estamos tratando de encontrar la solución máxima, es lógico exigir que z’ > z.
Ya que z’ depende de la variable xk que elegimos, es lógico también requerir que k se elija
13
de forma que el cambio del valor de la solución, z’ – z, resulte tan grande como sea posible,
como quiera que esto no sucede normalmente, es necesario el cálculo de todas las θ
posibles. En vez de hacer esto, el método usual consiste en determinar como variable que
formará parte de la nueva solución, la que satisface
ck – zk = max ( cj –zj)
Esta es la regla llamada del “ascenso más rápido”.
EL ALGORITMO DEL SIMPLEX
El algoritmo del Simplex presupone que ya se ha hallado una solución básica factible en el
momento de iniciar las iteraciones. El procedimiento detallado para hallar la solución
máxima del problema general de programación lineal es el siguiente:
1. Calculamos cj –zj para cada variable que no está en la presente solución.
a) Si para al menos un j, cj –zj es positivo y si al menos un aij para este j es

positivo, entonces existe una mejor solución factible.
b) Si para un j, cj –zj es positivo, pero los aij para este j son no positivos, entonces
la función objetivo no está acotada.
c) Si cj –zj es no positivo para todo j, entonces la solución óptima se ha encontrado.
2. Si estamos en el caso 1(a), identificamos la variable que da el mayor cj –zj como xk ( es

la columna pivote) . Llamamos xr a la variable que se reduciría a cero al aplicar la regla
del θ (es la fila pivote). El elemento ark se llama elemento pivote.
3. Dividimos la r-ésima fila por ark (elemento pivote), para reducir a 1 el correspondiente
elemento de ark en la tabla siguiente. Efectuamos luego las operaciones de fila que
reducirán a cero todos los otros aik.
4. Repetimos los pasos 1, 2 y 3 hasta que en alguna tabla se cumpla la condición 1(c).
Entonces se ha obtenido la solución óptima.
La teoría del método simplex asegura que la solución hallada en cada paso tiene un valor
mayor, o al menos igual, que el de la solución anterior. Puesto que el número de soluciones
básicas del sistema de ecuaciones es finito, el algoritmo debe converger hacia la solución
óptima en un número finito de iteraciones. La experiencia ha demostrado que el número de
iteraciones que deben efectuarse en la mayoría de los problemas que se encuentran en la
práctica, oscila entre m y 2m.
Un problema de maximización
El tipo más sencillo de problema con el que se trabaja en programación lineal es el de

maximización, en el que todas las restricciones son de tipo “menor o igual que”.
14
Problema. - Una empresa cuenta con 1000 toneladas del mineral b1, 2000 toneladas del
mineral b2 y 500 toneladas del b3. A partir de dichos minerales pueden extraerse y fundirse
los productos metálicos 1, 2 y 3.
Los requerimientos de fabricación sobre los productos son los siguientes:
Una tonelada del producto 1 requiere 5 toneladas de mineral b1, 10 de b2 y 10 de b3.
Una tonelada del producto 2 requiere 5 toneladas de mineral b1, 8 de b2 y 5 de b3.
Una tonelada del producto 3 requiere 10 toneladas de mineral b1, 5 de b2 y nada de b3.
El fabricante obtendrá $100 de ganancia por tonelada del producto 1, $200 por tonelada del
producto 2 y $50 por tonelada del producto 3.
Se requiere determinar cuántas toneladas de cada producto que deben fabricarse, a partir de
los minerales aprovechables, para obtener las máximas ganancias de la operación.
En este problema de programación lineal, las variables funcionales o de decisión son X1,
X2 y X3, que representan las unidades a fabricar de los productos o niveles de actividad.
El problema es encontrar el vector X que hace máxima a la función objetivo:
Z = 100x1 + 200x2 + 50x3
y que satisface las restricciones:
5x1 + 5x2 + 10x3 <= 1000 Cantidad disponible de mineral b1.

10x1 + 8x2 + 5x3 <= 2000 Cantidad “ “ “ b2.
10x1 + 5x2 <= 500 Cantidad “ “ “ b3.
y la condición de no negatividad:
x1 >= 0; x2 >= 0; x3>= 0
Puesto que cada una de las restricciones es del tipo “menor o igual”, debemos sumar
nuevas variables no negativa, variables de holgura, para obtener:
5x1 + 5x2 + 10x3 + s1 = 1000

10x1 + 8x2 + 5x3 + s2 = 2000
10x1 + 5x2 + s3 = 500
Vemos inmediatamente que este problema tiene una solución básica inicial:
s1 = 1000; s2 = 2000; s3= 500
Que no sólo es una solución básica inicial, sino que también es factible. El significad físico
de las nuevas variables puede ilustrarse razonando sobre s1. Esta representa, tanto en la
primera solución como en todas las posteriores, la cantidad del mineral b1 sobrante en el
programa. Si s1 resulta igual a cero en la última iteración, será debido a que el programa
emplea todo el material b1 para fabricar todos los productos del mismo. Puesto que
x1=x2=x3=0 en la primera solución, s1 es igual a la cantidad total del mineral útil b1. Puesto
que, de no usar el mineral, no resulta de ningún provecho para la empresa, el coeficiente de
s1 en la función objetivo es cero.
15
Cuando se ha hallado una solución básica factible inicial, se está en condiciones de iniciar
las iteraciones, para lo cual disponemos toda la información en la tabla simplex inicial:
cj  100 200 50 0 0 0
ck xk b x1 x2 x3 s1 s2 s3 θ
0 s1 1000 5 5 10 1 0 0 200
0 s2 2000 10 8 5 0 1 0 250
0 s3 500 10 5 0 0 0 1 100
s3: variable
zj 0 0 0 0 0 0 0 saliente
cj – zj 100 200 50 0 0 0
x2: variable entrante
En la tabla simplex, la primera fila cj, son los coeficientes de las variables en la función
objetivo. La primera columna ck, es la de los coeficientes de las variables básicas en la
primera solución, la columna xk es la “solución” y contiene a las variables básicas de la
presente solución, la siguiente columna b contiene el vector solución, es decir los valores
que toman las variables básicas en la solución actual. La sub-matriz bajo las columnas x1,
x2 y x3 son los vectores estructurales, es decir los coeficientes de las variables en las
restricciones. La sub-matriz bajo las columnas s1, s2 y s3, es la matriz de vectores unitarios.
Nótese que cada variable básica está colocada en la fila en la que aparece el 1 de su vector
unitario. En la última columna se encuentra el cociente θ.
En la penúltima fila de la tabla se encuentra zj que se calcula a partir de la expresión:
Zj = Σ ci aij
Y la última fila de la tabla, cj – zj, se obtiene restando de cada elemento de la primera fila cj
el correspondiente elemento zj.
En la solución básica factible inicial, las variables básicas son: s1=1000; s2=2000; s3=500.
Para hacer la prueba de optimalidad a esta solución, evaluamos la última fila de la tabla,
cj–zj, vemos que existen varios valores positivos, por lo tanto, la solución puede ser
mejorada. Por la regla del ascenso más rápido, escogemos como variable entrante en la
siguiente solución a la variable x2 por tener el cj–zj más positivo. Para determinar la
variable saliente, calculamos el cociente θ = min bi / aik para todo los aik >0, la variable
saliente resulta ser aquella variable que tiene el θ mínimo. La variable saliente es s3.
En la siguiente tabla se ingresa la variable x2 en lugar de s3, el elemento pivote 5 se reduce
a la unidad dividiendo toda la tercera fila entre 5, y se realizan operaciones elementales de
fila para reducir a cero los elementos sobre y bajo el elemento pivote y conseguir formar el
vector unitario bajo la columna correspondiente a la variable x2, variable que, en esta nueva
16
solución, es variable básica. Se continúan con el algoritmo del Simplex, en dos iteraciones
se llega a la solución óptima.
x1 = 0 No se fabrica el producto 1.
x2 = 100 Fabricar 100 tons. del producto 2.
x3 = 50 Fabricar 50 tons. del producto 3.
s1 = 0 Se consume todo el mineral b1.
s2 = 950 Hay un sobrante de 950 tons. del mineral b2.
s3 = 0 Se consume todo el mineral b3.
Z = $22,500 Máxima ganancia.
VARIABLES ARTIFICIALES
MAXIMIZACIÓN CON RESTRICCIONES DADAS POR “IGUALDADES”
Consideremos el mismo ejemplo de maximización, una de cuyas restricciones sea una

igualdad. Podemos cambiar una restricción del problema, exigiendo que todo el mineral b2
sea utilizado en la producción. Esto se hace incluyendo una igualdad en la segunda
restricción. Considerando las variables de holgura en la primera y tercera restricción,
tenemos:
5x1 + 5x2 + 10x3 + s1 = 1000
10x1 + 8x2 + 5x3 = 2000
10x1 + 5x2 + s3 = 500
Este sistema no tiene una solución básica inicial, y por lo tanto no se cumplen las
condiciones para empezar el algoritmo del simplex. Para corregir esta situación, se
introduce una “variable artificial” en la segunda restricción, para obtener:
5x1 + 5x2 + 10x3 + s1 = 1000

10x1 + 8x2 + 5x3 + a2 = 2000
10x1 + 5x2 + s3 = 500
Ahora se tiene la solución básica inicial s1 = 1000; a2 =2000; s3=500.

Entonces, una “variable artificial” en una restricción cumple el papel de variable básica en
su restricción. A pesar de que se ha corregido el problema para que tenga la forma correcta
para empezar el algoritmo, esta no es una solución factible. Las variables artificiales
representan “productos imaginarios”, por lo que cualquier valor que tome a1 no satisface
la segunda restricción.
Dejamos a2 en el sistema de forma que se pueda empezar el algoritmo, pero intentaremos
sacarla de éste asignándole un coeficiente en la función objetivo igual a –M. La función
objetivo se convierte entonces en:
Z = 100x1 + 200x2 + 50x3 – M a2
Si Z se debe maximizar, a1 debe dejar la solución y por lo tanto debe hacerse igual a cero,
puesto que M se considera un número muy grande, tan grande que puede dominar a los
17
demás números que aparecen en el problema. El hecho de penalizar a la variable artificial

en la función objetivo con un coeficiente M, se conoce como el método de la penalización.
Cuando se realiza el algoritmo simplex en un problema que contiene variables artificiales,
existen tres casos posibles:
1) Antes de obtener la tabla en la cual todos los cj – zj <= 0, la variable artificial se
reemplaza por otra variable. Tenemos entonces una solución básica factible y se
continúa hasta determinar la solución óptima.
2) En la tabla final en la cual todos los cj – zj <= 0, la variable artificial permanece en
la solución, pero es igual a cero. La solución del problema es entonces óptima y
factible.
3) Se obtiene una tabla en la cual todos los cj – zj <= 0, pero la variable artificial
permanece en la solución con un valor positivo. En este caso, la solución es no
factible, es decir, Z no puede optimizarse en función de los términos no negativos.
Desde el punto de vista práctico esto significa que se está tratando de hacer algo
imposible con los recursos disponibles.
Aplicando el método simplex a este problema, se concluye que no existe solución factible.
Se da la condición (3), puesto que a2 es igual a 950 en la tabla final.
MAXIMIZACIÓN CON RESTRICCIONES FORMADAS POR DESIGUALDADES DEL

TIPO “MAYOR O IGUAL QUE”
Continuaremos con el problema que se viene tratando, pero alterado de forma tal que se
requiere que al menos se usen 1000 tons. del mineral b2. Este requerimiento convierte la
segunda restricción del problema es una restricción tipo “mayor o igual que”. Haciendo los
cálculos apropiados y sumando y restando las nuevas variables que son necesarias,
obtenemos:
5x1 + 5x2 + 10x3 + s1 = 1000
10x1 + 8x2 + 5x3 – e2 = 1000
10x1 + 5x2 + s3 = 500
que es el conjunto de ecuaciones que el vector solución X debe satisfacer a la vez que hace
máximo la función objetivo:
Z = 100x1 + 200x2 + 50x3
No se tiene una solución básica inicial factible, puesto que si tomamos x1=x2=x3=0,
obtenemos s1=1000, e2= –1000, s3=500. Aquí la variable de exceso e2, que fue restada en
la segunda restricción para convertir la desigualdad en igualdad, no cumple con la
restricción de no-negatividad, lo que da lugar a una solución inicial básica no factible.
Para tener una solución inicial básica factible, es necesario añadir una variable artificial a la
segunda restricción. En la función objetivo esta variable artificial estará penalizado con el
coeficiente –M, así:
Max Z = 100x1 + 200x2 + 50x3 – Ma1
s. a.:
5x1 + 5x2 + 10x3 + s1 = 1000
10x1 + 8x2 + 5x3 – e2 + a2 = 1000
10x1 + 5x2 + s3 = 500
18
x1, x2, x3, s1, s2, s3, a1 >= 0
Este sí es un problema factible, el método simplex da para este problema la siguiente

solución: x1=0, x2=100, x3=50, e2=50, Z=22,500. Se cumple la segunda restricción con
demasía o exceso, es decir el requerimiento de usar por lo menos 1000 tons. del mineral b2
se cumple, pues se usan 1050 tons., el exceso de 50 sobre el límite mínimo impuesto lo
absorbe la variable de exceso e2.
MINIMIZACIÓN
La tabla simplex para un problema de minimización se dispone en la misma forma que para
un problema de maximización. Las diferencias en el problema de minimización son:
1. El valor de la solución decrece conforme avanzan las iteraciones.

2. En cada iteración se selecciona como variable básica entrante, aquella cuyo valor cj
– zj sea el más negativo. Para la variable básica saliente se sigue el mismo criterio
de maximización.
3. La solución óptima se alcanza cuando se tienen todos los cj – zj >= 0.
Un problema de minimización puede ser resuelto como un problema de maximización,
aplicando la regla: Min Z = Max (– Z).
EL MÉTODO DE DOS FASES
Cuando se trabaja con variables artificiales, puede suceder que los coeficientes de la
función objetivo tengan valores muy grandes, y que por lo tanto el valor de M no sea
suficientemente grande para estar seguro que las variables artificiales van a tender a salir de
la base y que en un cierto número de iteraciones vamos a llegar a un resultado correcto.
El método de dos fases, es una técnica para trabajar con variables artificiales.
El método de dos fases desarrolla el algoritmo del simplex en dos fases:
1ra Fase:
Se formula una función objetivo artificial Z*, en la que se asigna Cj=0 a todas las
variables, a excepción de las variables artificiales a las que se les asigna un Cj=–1
para problemas de maximización y Cj=+1 para problemas de minimización. Se
aplica el método simplex, y después de cierto número de iteraciones, se llega a uno
de los siguientes casos:
a) Antes de obtener la última tabla simplex, las variables artificiales salen de la
base. Entonces se ha obtenido una solución básica factible al problema. Se pasa
a la 2da fase para obtener la solución óptima.
b) Se obtiene la última tabla simplex, y las variables artificiales están en la base
pero con valor cero. Entonces se ha obtenido una solución básica factible al
problema, pero puede existir redundancia en las restricciones originales. Se pasa
a la 2da fase con las variables artificiales como variables básicas con valor cero.
c) Se obtiene la última tabla simplex, pero las variables artificiales están en la base
con valor positivo. Se concluye que el problema no tiene solución factible.
19
2da Fase
a) La primera tabla simplex de la 2da fase es la última tabla simplex de la 1ra fase,
en la que se colocan los verdaderos Cj de todas las variables.
b) Se recalculan las filas (Zj) y (Cj-Zj) de la tabla simplex y se continúan las
iteraciones hasta obtener la solución óptima.
CASOS ESPECIALES
Con el método simplex se puede detectar los siguientes casos especiales:

• Soluciones óptimas alternativas.
• Solución No Acotada.
• Solución No Factible.
• Solución Degenerada.
SOLUCIONES ÓPTIMAS ALTERNATIVAS (MÚLTIPLES)
• Se dice que un programa lineal que tiene dos o más soluciones óptimas, tiene
soluciones óptimas alternativas.
• En la solución gráfica, se reconocen los óptimos alternativos, cuando la recta de la
F.O. es paralela a una de las rectas de las restricciones limitantes.
• Cuando se utiliza el método simplex, no es posible saber que un programa lineal
tiene óptimos alternativos sino hasta que se obtiene la solución óptima.
• Un PL tiene soluciones óptimas alternativas, si el indicador (Cj-Zj) es igual a
cero para una o más variables no básicas.
SOLUCIÓN NO ACOTADA (ILIMITADA)
• Para un PL de maximización, se dice que un programa lineal es no acotado, si se

puede hacer que el valor de la solución sea infinitamente grande sin violar ninguna
de las restricciones.
• Los problemas de maximización con ganancias ilimitadas no se dan en la práctica,
por ello cuando se presenta el no acotamiento, por lo general se debe a un error en la
formulación del modelo del problema.
• El método simplex identifica en forma automática cualquier no acotamiento antes
de llegar a la tabla simplex final. Es imposible el cálculo del cociente θ debido a que
el vector en la columna j tiene todos los aij<=0. El algoritmo del simplex se trunca,
debido a que no se puede determinar qué variable debe salir de la base.
SOLUCIÓN NO FACTIBLE
20
• Esta condición ocurre cuando no existe solución para el programa lineal que
satisfaga todas las restricciones, incluyendo las de no-negatividad. Si se usa el
método gráfico, ello significa que no existe región factible.
• El método simplex reconoce la no factibilidad, cuando se ha llegado a obtener una
solución que no puede mejorarse, pero una o más variables artificiales siguen
estando en la solución con valor positivo.
SOLUCIÓN DEGENERADA
• Se dice que una solución es degenerada si una o más variables básicas tienen valor
cero.
• La degeneración se previene cuando hay empate en el cociente θmin al determinar
la variable básica que saldrá de la base.
• A diferencia de los problemas no acotados y los no factibles, la ocurrencia de la
solución degenerada no impide que se alcance la solución óptima. Una solución
degenerada es una solución factible.
Problemas Propuestos: Método Simplex
1. Tyco ensambla tres tipos de juguetes: trenes camiones y automóviles, utilizando tres
operaciones. Las disponibilidades diarias de tiempo para las tres operaciones son de
430, 460 y 420 minutos, respectivamente, y las utilidades por cada tren, camión y
automóvil son 3, 2 y 5 dólares, respectivamente. Los tiempos de ensamble por tren en
las tres operaciones son de 1, 3 y 1 minutos, respectivamente. Los tiempos
correspondientes por camión y por automóvil, son de (2, 0, 4) y (1, 2, 0) minutos (un
tiempo cero indica que no se utiliza esa operación).
a) Determine el plan de producción óptimo.
b) Explique la solución interpretando el valor de todas las variables que
intervienen en el modelo.
2. Delta S.A. fabrica escritorios, mesas y sillas. Para la manufactura de cada tipo de
mueble se requiere madera y dos tipos de mano de obra calificada: acabado y
carpintería. Los recursos necesarios para elaborar cada tipo de mueble se proporcionan
en la tabla:
Recurso Escritorio Mesa Silla
Madera (pie 2) 8 6 1
Horas de acabado 4 2 1.5
Horas de carpintería 2 1.5 0.5
Se cuenta en la actualidad con 48 pies2 de madera, 20 horas de acabado y 8 horas de

carpintería. Un escritorio se vende en 60 dólares, una mesa en 30 dólares y una silla en
20 dólares. La gerencia de Delta opina que la demanda de escritorios y sillas es
ilimitada, pero cuando mucho se pueden vender 5 mesas.
a) Determine el plan de producción que maximiza el ingreso total.
b) Interprete el valor de todas las variables que intervienen en el modelo aumentado.
21
3. La firma Yachts S.A. renta tres tipos de yates: veleros, cruceros con cabina y yates de
lujo. La modalidad de trabajo es que el cliente renta el yate y la empresa le proporciona
el capitán y los marineros que constituyen la tripulación de cada yate. Los
requerimientos de tripulación, además del capitán, son de 1 para los yates de vela, dos
para los cruceros de cabina y tres para los yates de lujo. Diez de los empleados son
capitanes, y se cuenta con otros 18 empleados que cubren los requisitos para los puestos
de tripulantes. Actualmente, la empresa tiene solicitudes de renta para todos sus barcos:
4 veleros, 8 cruceros con cabina y 3 yates de lujo. La utilidad diaria para la empresa es
de $50 para los veleros, $70 para los cruceros, y $100 para los yates de lujo.
a) Determine cuántos yates de cada tipo debe rentar la empresa para maximizar su
utilidad diaria.
b) Interprete el valor de todas las variables que intervienen en el modelo aumentado.
4. Un agricultor posee 45 acres de tierra donde cultivará trigo y maíz. Es capaz de vender
a lo más 140 bushels de trigo y 120 bushels de maíz. Cada acre sembrado con trigo
rinde 5 bushels, y cada acre sembrado con maíz produce 4 bushels. El trigo se vende en
30 dólares/bushel y el maíz se vende a 50 dólares/bushel. La cosecha de un acre con
trigo requiere 6 horas de mano de obra, y la de un acre de maíz requiere 10 horas. Se
dispone de 350 horas de mano de obra, por el que se paga 10 dólares/hora.
Emplee el método simplex para determinar cómo debe utilizarse la tierra para
maximizar la ganancia.
5. Glass S.A. fabrica vasos de vidrio para: vino, cerveza, champaña y whisky. Cada tipo
de vaso requiere tiempo en el taller de moldeado, tiempo en el taller de empaque y
cierta cantidad de vidrio. Los recursos requeridos para elaborar cada tipo de envase se
indican en la siguiente tabla:
Vasos Vino Cerveza Champaña Whisky Disponibi-
Recurso lidad
Tiempo moldeado (mins) 4 9 7 10 600
Tiempo empacado (mins) 1 1 3 40 400
Vidrio (onzas) 3 4 2 1 500
Precio de venta ($/unid) 6 10 9 20
a) Determine el plan de producción que maximiza los ingresos.

b) Explique la solución interpretando el valor de todas las variables que intervienen en
el modelo.
6. Una fábrica de balones produce tres modelos de balones de fútbol: A, B, C. Se

requieren operaciones en los siguientes departamentos: corte-teñido, costura e
inspección-embalaje. Los tiempos de producción y las disponibilidades se indican:
22
Tiempos de producción (minutos)

Modelo Corte-teñido Costura Inspección-embalaje
A 12 15 3
B 10 15 4
C 8 12 2
Tiempo
disponible (horas) 300 200 100
Los pedidos actuales muestran que deben fabricarse cuando menos 1000 balones
modelo A. Las utilidades son de $3, $5 y $4 por cada modelo de balón
respectivamente.
a) ¿Cuántos balones de cada tipo se deben fabricar? ¿Qué tipo de solución tiene
este problema?
b) Si la fábrica puede aumentar el tiempo de costura a 300 horas y el tiempo de
inspección y embalaje a 150 horas ¿qué plan de producción se recomendaría?
7. Una ensambladora de computadoras ensambla las computadoras modelo A y B, que dan

una ganancia de $50 y $40 por unidad respectivamente. Para la siguiente semana se
dispone de 175 horas para ensamblaje. El modelo A requiere 3 horas para su
ensamblaje y el modelo B, 5 horas. En inventario sólo se disponen de 20 monitores que
se emplean para la computadora B. Sólo se disponen de 300 pies3 para el almacenaje, el
modelo A requiere 8 pies3 de espacio y el modelo B requiere 5 pies3. Se requiere tener
una producción mínima de 50 computadoras en total.
a) Emplee el método simplex para determinar el plan de producción óptimo.
b) Explique la solución obtenida.
8. Una empresa aérea opera un avión que combina pasajeros y carga entre Lima e Iquitos.
Debido a los elevados costos de operación, el avión no sale hasta que sus bodegas
hayan sido cargadas. El avión tiene 3 bodegas: Inferior, intermedia y superior. Debido a
la capacidad de las bodegas, el avión no puede llevar más de 100 toneladas de carga en
cada viaje.
No pueden llevarse más de 40 tons de carga en la bodega inferior. Con fines de
equilibrio, la bodega intermedia debe llevar un tercio de la carga de la bodega inferior.
No deben llevarse más de 60 toneladas de carga en las bodegas intermedia y superior
combinadas. Las utilidades que se obtienen son de $8, $10 y $12 por tonelada de carga
en la bodega inferior, intermedia y superior.
Determine la forma en que se debe cargar el avión para obtener las mayores utilidades.
EL PROBLEMA DUAL
La Dualidad puede caracterizarse a través de la siguiente afirmación: Para todo
problema de maximización de programación lineal existe un problema equivalente
de minimización; y a la inversa, para todo problema de minimización de
programación lineal existe un problema equivalente de maximización.
23
Asociado a cualquier problema de programación lineal en su forma canónica:
Max Z = c x (1)
s.a. :
A x <= b (2)
x >= 0 (3)
que se denomina el problema primal, se define el siguiente problema:
Min W = bt y (4)
s.a. :
At y >= ct (5)
y >= 0 (6)
que se denomina el problema dual. En estos modelos se tiene que:

c : Es un vector fila de n componentes.
b : Es un vector columna de m componentes.
A : Es una matriz de orden m x n. At es la transpuesta de A.
x : Es un vector columna de n componentes, cuyos valores deben ser hallados
para maximizar la función Z sujeta a las restricciones (2) y (3).
y : Es un vector columna de m componentes, cuyos valores deben ser
hallados para minimizar la función W sujeta a las restricciones (5) y (6).
El problema dual tiene los mismos parámetros que el problema primal, pero en
diferentes lugares.
RELACIONES PRIMAL – DUAL:
a) A todo programa lineal Primal, le corresponde un programa Dual.

b) La función objetivo Z del programa Primal está dada por:
Z=cx
y las restricciones del Dual están dadas por:
At y >= ct
Como c es un vector fila de n componentes, entonces el Primal tiene n variables,
mientras que el Dual tiene n restricciones. Por lo tanto, cada variable del Primal
corresponde a una restricción en el Dual.
c) Como b es un vector columna de m componentes, entonces el primal tiene m
restricciones (A x <= b), mientras que el Dual tiene m variables (W = bt y). Por
lo tanto, a cada restricción del Primal, corresponde una variable en el Dual.
d) En el primal, el objetivo es maximizar la función Z, mientras que, en el Dual, el
objetivo es minimizar la función W.
e) El rol del vector c en el Primal, corresponde al rol del vector b del programa
Dual, y viceversa.
24
TEOREMA 1
Si x0 es una solución factible del programa primal P, y0 es una solución factible del
programa Dual D, entonces Z0 = c x0 <= bt y0 = W0.
TEOREMA 2
El Dual del programa Dual es el Primal.
TEOREMA 3
El programa lineal P, expresado en forma estandarizada, tiene el Dual dado por D.
Primal: Dual:
Max Z = c x Min W = bt y
Sujeto a: Sujeto a:
Ax = b At y >= ct
x >= 0 y sin restricción de signo (SRS).
El problema primal no siempre se presenta en su forma canónica, la siguiente tabla

resume las reglas de transformación del problema primal a su correspondiente
problema dual, sea cual sea la forma en que se presente el problema primal:
Reglas de transformación primal – dual
Problema Primal Problema Dual

Máx Mín
Mín Máx
i-ésima restricción <= bi i-ésima variable yi >= 0
i-ésima restricción = bi i-ésima variable yi SRS
i-ésima restricción >= bi i-ésima variable yi <= 0
j-ésima varible Xj >= 0 j-ésima restricción >= cj
j-ésima varible Xj SRS j-ésima restricción = cj
j-ésima varible Xj <= 0 j-ésima restricción <= cj
PROPIEDADES PRIMAL – DUAL
PROPIEDAD DE DUALIDAD DEBIL. - Si x es una solución factible para el problema

Primal, y y es una solución factible para el problema Dual, entonces:
c x <= bt y
Esta desigualdad se cumple para cualquier par de soluciones factibles.
PROPIEDAD DE DUALIDAD FUERTE. - Si x es una solución óptima para el problema

primal, y y es una solución óptima para el problema Dual, entonces:
c x = bt y
25
Así, estas dos propiedades implican que cx < bt y para soluciones factibles si una o ambas
no son óptimas para sus problemas respectivos, mientras que la igualdad se cumple cuando
ambas son óptimas.
PROPIEDAD DE SIMETRÍA. - Para cualquier problema Primal y su problema Dual, las

relaciones entre ellas deben ser simétricas, debido a que el Dual de este problema Dual es el
problema Primal. Así, las propiedades anteriores se cumplen sin importar cuál de los dos
problemas se etiqueta como el problema Primal.
TEOREMA DE DUALIDAD
Las siguientes son las únicas relaciones posibles entre los problemas Primal y Dual:
1. Si un problema Primal tiene soluciones factibles y una función objetivo acotada (y

por lo tanto tiene solución óptima), entonces ocurre lo mismo para el problema
Dual, de manera que se aplican tanto las propiedades de Dualidad Débil como la
propiedad de Dualidad Fuerte.
2. Si uno de los problemas tiene soluciones factibles y una función objetivo no acotada
(y por lo tanto no tiene solución óptima), entonces el otro problema no tiene
soluciones factibles.
3. Si un problema no tiene soluciones factibles, entonces el otro problema no tiene

soluciones factibles o bien la función objetivo es no acotada.
CASO PARA EL ESTUDIO DEL PROBLEMA DUAL
La empresa AgroTec fabrica dos tipos de fertilizantes denominados: 5-5-10 y 5-10-

5. En cada caso, el primer valor se refiere al porcentaje que el producto final tiene de
Nitrato químico, el segundo valor se refiere al porcentaje de Fosfato y el tercer valor al
porcentaje de Potasio. El fertilizante se estabiliza con un material de relleno que es el barro.
Por ejemplo, el 5-5-10 está elaborado con 5% de Nitrato, 5% de Fosfato, 10% de Potasio y
80% de barro.
Los productos fabricados se venden a un mayorista que compra toda la cantidad que
la empresa puede fabricar, y está dispuesto a pagar $71.50 por tonelada del 5-5-10 y $69.00
por tonelada del 5-10-5. Este mes la disponibilidad y costo de las materias primas son 1100
tons. de Nitrato a $200/ton., 1800 tons. de Fosfato a $80/ton. y 2000 tons. de Potasio a
$160/ton. El barro está disponible en cantidades ilimitadas a $10/ton. No hay restricciones
de mano de obra ni de empleo de maquinaria, sólo se tiene un costo de $15/ton. por
concepto de mezclado de los fertilizantes.
En el planteamiento del problema primal, se definen las variables:
X1 = Toneladas del fertilizante 5-5-10 que deben fabricarse.
X2 = Toneladas del fertilizante 5-10-5 que deben fabricarse.
Función objetivo:
26
Máx Z = 18.5x1 + 20x2

s.a.:
0.05x1 + 0.05x2 <= 1100 Tons. disp. de nitrato
0.05x1 + 0.10x2 <= 1800 Tons. disp. de fosfato
0.10x1 + 0.05x2 <= 2000 Tons. disp. de potasio
x1, x2 >= 0
Al plantear el problema dual, el objetivo es minimizar el uso de los recursos

disponibles, de manera que el valor de los recursos que se usan en la fabricación de cada
uno de los productos respectivos, sea igual o mayor que la contribución a las utilidades que
reportan dichos productos.
RELACIÓN ENTRE LA SOLUCIÓN ÓPTIMA PRIMAL Y LA SOLUCIÓN

ÓPTIMA DUAL
Cualquier problema dual puede solucionarse utilizando el algoritmo simplex, pero no es la

ventaja clave de la dualidad. La principal importancia de la dualidad radica en la relación
que existe entre los problemas primal y dual. Para explorar esta relación, continuaremos
examinando el problema de la Agro-Tech. Para resolver el problema dual de la Agro-Tech
usando el método simplex, se requieren restar una variable de exceso y sumar una variable
artificial a cada restricción. Después de añadir estas variables, el problema se expresa como
sigue:
Minimizar W = 1,100y1 + 1,800y2 + 2,000y3 + 0s1 + 0s2 + Ma1 + Ma2

Sujeto a: 0.05y1 + 0.05y2 + 0.10y3 – 1s1 + 1a1 = 18.5
0.05y1 + 0.10y2 + 0.05y3 – 1s2 + 1a2 = 20
y1, y2, y3, s1, s2, a1, a2  0
La solución del problema dual da como resultado un valor de W de 428,000 (véase la tabla
1), que es igual al valor óptimo de la función objetivo del problema primal, Z (tabla 2).
TABLA 1. Tabla óptima para el planteamiento dual del problema con dos fertilizantes.
cj  –1,100 –1,800 –2,000 0 0 –M –M

ck Xk b y1 y2 y3 s1 s2 a1 a2
–1,100 y1 340 1 0 3 -40 20 40 –20
–1,800 y2 30 0 1 –1 20 -20 –20 20
Zj – 428,000 –1,100 –1,800 –1,500 8,000 14,000 -8,000 -14,000
Cj -Zj 0 0 –500 –8,000 –14,000 – M + – M +
8,000 14,000
NOTA: El valor negativo de Zd de 428,000 resulta en este caso porque el problema dual fue
un problema de minimización que se resolvió utilizando el método simplex de
maximización. Al interpretar el problema no se toma en cuenta el signo negativo.
27
TABLA 2. Tabla óptima del problema primal con dos fertilizantes.

cj  18.5 20.0 0 0 0
Ck Xk b x1 x2 s1 s2 s3
18.5 x1 8,000 1 0 40 -20 0
20 x2 14,000 0 1 -20 20 0
0 s3 500 0 0 -3 1 1
zj 428,000 18.5 20.0 340 30 0
cj -zj 0 0 -340 -30 0
Es evidente que, en el caso de la solución dual, los cálculos necesarios para obtener
la solución pueden ser más laboriosos, puesto que se requieren variables artificiales en el
proceso de solución. Sin embargo, el concepto importante que debe observarse es la
relación que existe entre el primal y el dual en el óptimo. En la solución óptima, los valores
de la función objetivo de ambos problemas son iguales. Para cualquier otra solución dual
(que no sea óptima) el valor dual de la función objetivo (W) será siempre mayor que el de
cualquier valor primal factible (Z). Esto se muestra en forma gráfica en la figura 1.
Valor de la
función Problema dual
objetivo
W
Valor óptimo _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _
Problema primal
0 Número de iteraciones
Figura 1. Relaciones entre los valores primal y dual.
La relación entre los valores de la función objetivo en el problema primal y en el

dual, tiene una implicación importante para determinar el efecto que tienen cambios en los
niveles de los recursos. Para el problema de la Agro-Tech la función objetivo en el dual es:
Minimizar W = 1,100y1 + 1,800y2 + 2,000y3

Puesto que el nivel óptimo del valor primal de la función objetivo Z es igual al valor dual
W, puede determinarse el efecto de un cambio en un solo recurso escaso, por ejemplo, el
nitrato. En estos momentos la disponibilidad de nitrato es 1100 y la contribución al valor de
la función objetivo en el dual es 1100y1. Si se aumenta la disponibilidad de nitrato en una
28
unidad, el aumento resultante en W es (1100 + 1)y1 ó 1100y1 + y1. El aumento en las

utilidades en el dual para un aumento de una unidad en el nitrato es, por ello,
numéricamente igual al valor de la variable dual correspondiente, y1. Dado que Z es igual a
W en el nivel óptimo, un aumento de una unidad en el nitrato dará como resultado un
aumento en el valor de la función objetivo del primal en una cantidad equivalente a y1. Así,
se tiene una forma sencilla de determinar el efecto que tiene un cambio unitario en un
recurso determinado. Si el cambio es un aumento unitario, la utilidad Z, aumentará en una
cantidad equivalente al valor óptimo de la variable dual correspondiente. Una disminución
unitaria en el nivel de un recurso dará como resultado una disminución correspondiente en
el valor de la función objetivo en la solución óptima del problema primal.
Para la Agro-Tech esto significa, como se verá, que un aumento de una tonelada en
la disponibilidad de nitrato da como resultado $340 de aumento en las utilidades, en tanto
que un aumento de una tonelada en el uso de fosfato da como resultado un aumento de $30
en las utilidades. Un aumento en la disponibilidad de potasio no tendrá impacto sobre las
utilidades. Este último resultado es el que se esperaría, puesto que en la solución primal
existen 500 toneladas de potasio que no se utilizaron (es un recurso sobrante).
Al resolver el problema dual (es decir, al determinar las variables yi) puede
determinase el efecto que tiene un cambio en un recurso sobre la función objetivo. Para
resolver el dual, además de resolver el primal, se requiere doble esfuerzo. Por fortuna, los
valores de las variables duales pueden encontrarse en la tabla óptima del primal. Esto se
debe a que existe una variable de holgura para cada restricción primal y una variable dual
asociada con cada una de las restricciones primales. A partir de esto, se forma una
correspondencia de uno a uno entre las variables duales y las variables primales de holgura.
Este concepto puede ilustrarse considerando de nuevo las tablas 1 y 2 asociadas con
el problema de la Agro-Tech. En la tabla 2, la tabla óptima del primal, los valores de las
variables duales están dados en el renglón Zj. Las variables duales son iguales al valor que
aparece en el renglón Zj para las variables de holgura del primal (columnas s1, s2 y s3 de la
tabla). Estos valores dan y1 = 340, y2 = 30 y y3 = 0, ya que s1 corresponde a la primera
restricción del primal, s2 a la segunda y s3 a la tercera. Debido a la relación tan estrecha
entre los planteamientos primal y dual, también es posible obtener la solución al problema
primal en la tabla óptima dual. Observando la tabla 1, los valores óptimos para las variables
de decisión primales, es decir, x1, y x2, son iguales a los valores que aparecen en el renglón
Zj para las variables de excedente s1 y s2. Los valores son x1= 8000 y x2=14000.
Los valores de las variables artificiales en el dual no tienen ningún significado en el

problema primal: Las variables artificiales se utilizan sólo para tener una solución factible
básica inicial y no tienen interpretación física en el problema. El valor de las variables
artificiales de la solución factible óptima siempre será cero.
29
INTERPRETACIÓN ECONÓMICA DEL DUAL
Las variables duales también tienen importantes interpretaciones económicas. Recuerde que
cada una de las variables duales equivale a la utilidad adicional que puede obtenerse de una
unidad adicional del recurso correspondiente. Es decir, y1=340 implica que cada tonelada
adicional de nitrato produce $340 adicionales de utilidad; y2=30 implica que cada tonelada
adicional de fosfato produce $30 de utilidad; y y3 =0 implica que no se obtienen utilidades
adicionales al añadir toneladas extras de potasio. Cada uno de estos valores presupone que
los demás permanecen iguales. Desde el punto de vista de la toma de decisiones en la
administración, las variables duales indican la cantidad extra que se estaría en
disponibilidad de pagar por una unidad adicional de un recurso específico. En otras
palabras, estaríamos dispuestos a pagar un precio más elevado por un recurso escaso,
hasta por el valor de la variable dual. Sólo nos interesa el excedente sobre el precio
normal, puesto que el precio original del recurso se incluye en el cálculo de las variables.
Por ejemplo, cada tonelada adicional de fosfato vale $30 y por ello estaríamos dispuestos a
pagar a nuestro proveedor hasta $110 por tonelada ($80 del precio actual más $30
adicionales) por cada tonelada adicional de fosfato. En este caso, el aumento neto en la
utilidad por tonelada adicional de recurso será la diferencia entre $30 y el precio más
elevado que se pague. Si el proveedor cobrara $10 adicionales por todo el fosfato que
exceda 1800 toneladas, se obtendrían $20 por cada tonelada adicional de fosfato. Si el
cargo extra fuera $31, no estaríamos dispuestos a comprar el fosfato puesto que el
excedente del precio estaría por encima de las utilidades adicionales que se obtendrían.
Debido a que los valores de Zj de cada variable de holgura en la tabla simplex,

indican el valor de una unidad adicional del recurso correspondiente, con frecuencia estos
valores se denominan los precios sombra. El precio sombra es otro término para la
variable dual. La relación entre los precios sombra como recurso y la función objetivo
puede expresarse de la siguiente manera: el precio sombra para un recurso determinado
refleja el impacto que tiene sobre la función objetivo un cambio unitario en el recurso, este
impacto en el precio se mantiene mientras el cambio en el recurso se encuentre dentro de
los límites determinados por el análisis de sensibilidad.
Definiciones
Problema Primal. - Dado un valor unitario para cada unidad de un producto, determinar
qué cantidad de producción debe generarse con el objeto de maximizar el valor de la
producción total. Las restricciones exigen que la cantidad que se utiliza de cada recurso sea
inferior o igual a la cantidad disponible.
Problema Dual. - Dada la disponibilidad de cada recurso o insumo, determinar el valor de
cada unidad de recurso, de manera que se minimice el valor de los recursos totales (costo
total de los recursos). Las restricciones exigen que el valor unitario de los recursos
empleados sea mayor o igual al valor de cada unidad de producto.
Precio Dual. - Es la mejora en el valor de la función objetivo por el incremento unitario en
el lado derecho de la correspondiente restricción.
Precio Sombra. – Cambio en el valor de la función objetivo por aumento unitario en el
valor del lado derecho correspondiente a una restricción.
30
ANÁLISIS DE SENSIBILIDAD
Una vez que se ha resuelto un problema de programación lineal, puede darse el caso
de que uno o varios parámetros de la formulación del problema original, tales como los
precios unitarios o la disponibilidad de ciertos recursos cambien, dando origen a un nuevo
problema. Si esto sucede, ¿Es necesario volver a resolver el problema desde el principio?
La respuesta afortunadamente es no, porque existen métodos, llamados de análisis de
sensibilidad, que permiten ahorrar muchas iteraciones, al resolver el nuevo problema
partiendo de la solución óptima del problema original. El análisis de sensibilidad permite
determinar el impacto del cambio en el modelo sin repetir el proceso de solución completo.
Al estudiar y analizar el impacto que tiene cambiar el parámetro de un modelo, es
deseable calcular los límites de un cambio, es decir, es deseable saber por ejemplo cuánto
puede cambiarse un coeficiente específico de la función objetivo o un valor dado del
segundo término de una restricción, sin cambiar la solución óptima que se tiene. Si el
cambio propuesto de algún parámetro cae dentro de los límites permitidos de cambio,
entonces no ocurre ningún cambio en la solución óptima y no es necesario resolver un
problema nuevo. Si el cambio que se propone cae fuera de los límites, entonces la solución
óptima existente ya no será óptima y deberá calcularse de nuevo la solución óptima del
problema. Los procedimientos del análisis de sensibilidad permiten calcular estos límites
del cambio. Se estudiarán varios casos de análisis de sensibilidad.
Supongamos que tenemos el siguiente problema de programación lineal referente a

la producción de tres tipos de fertilizantes:
x1 = Toneladas de fertilizante 5-5-10 que se deben fabricar.

x2 = Toneladas “ “ 5-10-5 “ “ “ “
x3 = Toneladas “ “ 5-5-5 “ “ “ “
Max Z = 18.5x1 + 20x2 + 14.5x3

s.a.:
0. 05x1 + 0.05x2 + 0.05x3 <= 1100 Tons. disponibles de Nitrato
0. 05x1 + 0.10x2 + 0.05x3 <= 1800 Tons. disponibles de Fosfato
0.10x1 + 0.05x2 + 0.05x3 <= 2000 Tons. disponibles de Potasio
x1, x2, x3 >= 0
31
Cj  18.5 20 14.5 0 0 0
Ci Xk b x1 x2 x3 s1 s2 s3
18.5 x1 8,000 1 0 1 40 –20 0

20.0 x2 14,000 0 1 0 –20 20 0
0 s3 500 0 0 – 0.05 –3 1 1
Zj 428,000 18.5 20 18.5 340 30 0
Cj –Zj 0 0 – 4.0 –340 –30 0
Tabla 1. Solución optima para el problema de la producción de tres fertilizantes.
CAMBIO EN EL COEFICIENTE DE LA FUNCIÓN OBJETIVO DE UNA VARIABLE

NO BASICA (cj)
En este caso el análisis considera el impacto de cambiar el valor de las utilidades

(coeficiente de la función objetivo) para una de las variables que de momento es no básica:
x3. En el ejemplo que se está estudiando, se refiere al fertilizante 5-5-5. Como la solución
óptima no considera la producción de este fertilizante posiblemente porque no es rentable
producirlo, se trata de averiguar cuánto debe aumentar su precio con el objeto de hacerlo lo
suficientemente rentable para que quede incluido en la mezcla óptima de producción.
En este análisis hay que recordar que una variable no básica es aquella cuya
contribución neta a las utilidades (es decir, cj –zj) en la tabla óptima es no positiva. Es
decir, las utilidades que se obtendrían al fabricar cualquier cantidad de una variable no
básica son menores o iguales que las utilidades a las que sería necesario renunciar.
La sensibilidad de la solución óptima a cambios de los coeficientes de la función
objetivo puede determinarse añadiendo una cantidad Δj al coeficiente que se tiene de la
función objetivo, cj . Por ello, el nuevo coeficiente de la función objetivo es
cj = Δj + cj
Es posible determinar qué tan grande puede ser Δj a partir del requerimiento de
optimalidad de que (cj – zj) sea cero o negativo para un problema de maximización. Para el
coeficiente modificado cj , esto significa que cj – zj <= 0. La sensibilidad se mide a través
del valor de Δj puesto que indica el intervalo de costos sobre los cuales la solución óptima
existente seguirá siendo óptima.
Con respecto a x3, es deseable determinar la magnitud del aumento en el precio que
se requeriría para fabricar el fertilizante 5-5-5. Puede responderse esta pregunta
determinando los valores de Δ3 (y c3) para la variable x3. Se comienza el proceso
añadiendo un coeficiente Δ3 al coeficiente c3 asociado con x3 en la tabla.
La tabla 2 muestra la tabla modificada. Antes de que x3 se pueda volver básica, el
valor (cj – zj) asociado con x3 debe volverse no negativo. Esto significa que
Δ3 – 4.0 >= 0
32
Despejando Δ3, se tiene que Δ3 >= 4.0. Puesto que c3 = c3 + Δ3, entonces
c3 =14.5 + Δ3
Sustituyendo Δ3 >= 4.0 se obtiene: c3 >= 18.5
Cj  18.5 20 14.5+ Δ3 0 0 0
18.5 x1 8,000 1 0 1 40 –20 0

20.0 x2 14,000 0 1 0 –20 20 0
0 s3 500 0 0 – 0.05 –3 1 1
Zj 428,000 18.5 20 18.5 340 30 0
Cj –Zj 0 0 Δ3 – 4.0 –340 –30 0
Tabla 2. Tabla modificada para un cambio en c3.
Esto indica que si el precio de x3 se elevara un poco más de los $4.00, es decir, si su
contribución a las utilidades fuera mayor que $18.50, entonces la producción de x3 se
volvería más rentable que la mezcla actual de producción de 8,000 tons. de x1 y 14,000
tons. de x2. Si el precio se aumentara exactamente $4.00, se llegaría a un punto de decisión
en el que podría fabricarse x3, pero no se obtendrían utilidades adicionales. Se obtendrían
los mismos $428,000 de utilidades para esta solución óptima alternativa.
En general, para cualquier variable no básica el cambio necesario para dicha
variable se convierta en básica será:
Δj >= | cj – zj |
Si la utilidad de la variable básica disminuye, no hay cambio en la solución óptima;

o si la contribución a las utilidades aumenta en un cantidad inferior a |cj – zj | para la
variable, no habrá cambio en la solución óptima. Sólo si la contribución a las utilidades
aumenta en una cantidad que sea mayor que el valor actual de |cj – zj | cambiará la solución
óptima. Una variable no básica no se encuentra en la solución óptima porque las utilidades
que se obtienen al fabricar ese producto son inferiores a lo que se perdería por hacerlo.
CAMBIO EN EL COEFICIENTE DE LA FUNCIÓN OBJETIVO DE UNA VARIABLE

BÁSICA (cj)
Ahora se considerará el cambio en el coeficiente de utilidades de una variable

básica, digamos x1, que representa el nivel de producción del fertilizante 5-5-10. Es
deseable saber cuál es el valor máximo en el que puede cambiar este coeficiente básico de
utilidades antes de cambiar las variables básicas restantes en la solución óptima.
Si cambia la contribución a las utilidades de una variable básica, entonces puede
producirse uno de dos resultados. Si el coeficiente de la variable básica disminuye,
entonces es posible que la variable tuviera que dejar la base puesto que tal vez no fuera
suficientemente rentable para seguir siendo básica. Por otro lado, si la contribución a las
33
utilidades aumenta, podría obtenerse un mayor nivel de producción para la variable que se
considera. A diferencia de los cambios en los coeficientes de contribución para las variables
básicas, en el caso de las variables que sí son básicas deben considerarse tanto aumentos
como disminuciones en los coeficientes cj. En este caso, los cambios en los coeficientes de
contribución a las utilidades, tendrán de alguna manera algún impacto sobre la solución
existente.
Para analizar el efecto que tienen los cambios en la contribución a las utilidades para
una variable básica, es posible añadir un coeficiente Δj al coeficiente cj que ya se tiene. De
nuevo denotaremos la nueva contribución a las utilidades como cj = cj + Δj. En el caso de
la variable no básica, la adición de Δj afectó sólo una columna de la tabla, sin embargo, el
caso de una variable básica puede resultar afectada más de una columna. Por ello, para
determinar los límites de Δj, debemos examinar todos los valores (cj – zj) que se ven
afectados por Δj.
Para x1 la contribución a las utilidades es 18.5, se ha añadido un coeficiente Δ1 para
utilizarlo en el análisis de cambios en las utilidades para x1. El resultado se muestra en la
tabla 3.
Cj  18.5+Δ1 20 14.5 0 0 0
18.5+Δ1 x1 8,000 1 0 1 40 –20 0

20.0 x2 14,000 0 1 0 –20 20 0
0 s3 500 0 0 – 0.05 –3 1 1
Zj 428,000 18.5 20 18.5+Δ1 340+40Δ1 30–20Δ1 0

+ 8,000 Δ1
Cj –Zj 0 0 – 4.0– Δ1 –340–40Δ1 –30+20Δ1 0
Tabla 3. Tabla modificada para un cambio en c1.
Para que la solución actual siga siendo óptima, debe asegurarse que ningún valor
(cj– zj) de la tabla 3 se vuelva positivo. La pregunta es ¿Cuánto puede cambiar c1 en una
dirección positiva o negativa de manera que mantengan las condiciones de optimalidad?
Puede determinarse la magnitud de estos cambios, Δj, despejando una desigualdad para
cada uno de los valores no básico, es decir: cj – zj <= 0. Se tienen entonces las siguientes
condiciones para un cambio de Δ1 en el valor de las utilidades de c1:
– 4 – Δ1 <= 0  Δ1 >= – 4
– 340 – 40Δ1 <= 0  Δ1 >= – 8.5
– 30 + 20Δ1 <= 0  Δ1 <= 1.5
Luego de elegirse el conjunto más restrictivo se obtiene que los cambios permisibles
en c1 pueden expresarse como – 4 <= Δ1 <= 1.5. Por ello, la contribución a las utilidades
de x1 no pueden aumentar en más de $1.50 o disminuir en más de $4. Entonces las
utilidades de x1 están limitadas a quedar en el intervalo $14.5 <= c1 <= $20.
34
CAMBIOS EN UN NIVEL DE RECURSOS (bi)
Al igual que en el caso de cambios en los coeficientes de la función objetivo, la

sensibilidad de la solución óptima a cambios en los recursos se mide a través de una cota
superior y una cota inferior, par el nivel del recurso que se modifica.
Para calcular el efecto de modificar el nivel de un recurso, se añade una cantidad

Δj al recurso que se quiere cambiar y después se vuelve a aplicar el proceso de solución. La
tabla 4 muestra el nivel modificado del primer recurso. En este caso, el nuevo nivel de
recurso para el nitrato es 1100 +ΔN, donde ΔN representa el posible aumento o disminución
en la disponibilidad de Nitrato.
Cj  18.5 20 14.5 0 0 0
0 s1 1,100 + ΔN 0.05 0.05 0.05 1 0 0

0 s2 1,800 0.05 0.10 0.05 0 1 0
0 s3 2,000 0.10 0.05 0.05 0 0 1
Zj 0 0 0 0 0 0 0
Cj –Zj 18.5 20 14.5 0 0 0
Tabla 4. Tabla inicial para el nuevo nivel de recursos.
Si se procede con la iteración simplex normal y acarreamos el valor ΔN en cada

paso, se llega a la tabla óptima para el problema (tabla 5). En esta tabla óptima se observa
que el valor de la función objetivo aumenta en $340 por cada tonelada adicional de nitrato
disponible para usarlo al costo original. Así mismo se reducirá en $340 por cada tonelada
de nitrato que ya no pueda usarse. También se ve que los nuevos valores de la solución son
funciones del cambio en el recurso ΔN. Puesto que los valores de la solución siempre deben
ser no negativos, pueden utilizarse estas funciones para determinar la cantidad de
disponibilidad de nitrato que puede aumentarse o disminuirse antes de que la mezcla de
producción que se tiene ya no sea óptima.
Para hacer esto, se estructura una desigualdad para cada función, mayor o igual que
cero, y se obtiene de ella el intervalo de ΔN que satisface a cada una de ellas. Estas
desigualdades y las variables básicas correspondientes son:
x1: 8,000 + 40ΔN >= 0

x2: 14,000 – 20ΔN >= 0
s3: 500 – 3ΔN >= 0
35
Cada desigualdad produce un posible tamaño para el cambio ΔN. Este cambio neto
debe ser no negativo para mantener la factibilidad y, por ello, la desigualdad. Despejando
ΔN se tiene:
ΔN >= – 200
ΔN <= 700
ΔN <= 166.67
Se determina que los límites de ΔN son – 200 <= ΔN <= 166.67. Expresado en
términos de la disponibilidad de nitrato, bN, se tiene:
1100 – 200 <= bN <= 1100 + 166.67  900 <= bN <= 1266.67
Así la solución óptima seguirá siendo óptima si existen cuando menos 900 toneladas
de nitrato disponibles o si no hay más de 1266.67 toneladas.
Cj  18.5 20 14.5 0 0 0
18.5 x1 8,000+40ΔN 1 0 1 40 –20 0

20.0 x2 14,000–20ΔN 0 1 0 –20 20 0
0 s3 500–3ΔN 0 0 – 0.05 –3 1 1
Zj 428,000 18.5 20 18.5 340 30 0
Cj –Zj 0 0 – 4.0 –340 –30 0
Tabla 5. Tabla óptima para el nuevo nivel de recuso 1.
No es necesario volver a resolver el problema original cada vez que hay un cambio
en el nivel de un recurso, porque las funciones de ΔN pueden calcularse directamente a
partir de la tabla óptima que se tiene. Obsérvese que los coeficientes de ΔN en la tabla
óptima son los mismos que los coeficientes de la columna s1. Esto resulta del hecho de que
s1 es la variable de holgura asociada con el nitrato. Siempre será cierto que los coeficientes
de la variable Δi en una tabla óptima serán los mismos que los de la variable de holgura si.
Para las variables de exceso, los signos se invierten. Entonces, esto permite hacer cálculos
para las cotas inferior y superior de Δi en forma directa a partir de la tabla óptima que se
tiene. Otro resultado importante que se puede determinar de la tabla 5, es que el valor de zj
para la holgura correspondiente proporciona el valor de una unidad adicional de ese recurso
al mismo costo. En el ejemplo, el valor de zj para s1 fue 340, por ello una unidad adicional
de nitrato valía $340. Esto tiene relación con el valor de la variable dual correspondiente y
se denomina precio sombra. La relación entre los precios sombra como recurso y la función
objetivo puede expresarse de la siguiente manera: el precio sombra para un recurso
determinado refleja el impacto que tiene sobre la función objetivo un cambio unitario en el
recurso, este impacto en el precio se mantiene mientras el cambio en el recurso se encuentre
dentro de los límites determinados por el análisis de sensibilidad.
36
PROBLEMAS PROPUESTOS
1. En un problema de mezcla de productos x1, x2, x3 y x4 representan

respectivamente las unidades producidas de los productos 1, 2, 3 y 4. Se busca
maximizar las ganancias. Se tiene que:
Max Z = 4x1 + 6x2 + 3x3 + 1x4

s.a.:
1.5x1 + 2x2 + 4x3 + 3x4 <= 550 Hrs de máquina A.
4x1 + 1x2 + 2x3 + 1x4 <= 700 Hrs de máquina B.
2x1 + 3x2 + 1x3 + 2x4 <= 200 Hrs de máquina C.
x1, x2, x3 >= 0
a) Determine el plan de producción que maximiza las ganancias.

b) ¿Qué máquina o máquinas se emplean a su máxima capacidad?
c) Si se quiere aumentar la producción ¿Cuál es el recurso más valioso? ¿Hasta cuanto
estaría dispuesto a pagar por hora adicional de dicho recurso? ¿Porqué?
d) ¿En cuánto debe mejorar la utilidad del artículo 1 para que sea rentable producirlo?
e) ¿Cambia la solución óptima si la utilidad del artículo 2 baja a 4?
f) Por descompostura de la máquina B, su disponibilidad de tiempo se reduce a 500
horas ¿Cambia la solución óptima?
g) ¿En cuánto tiene que mejorar la ganancia del producto 4 para que éste forme parte
de la solución?
h) ¿Cuál es el intervalo de variación de la ganancia del producto 3, sin que cambie la
solución?
i) ¿En cuánto se puede reducir las horas disponibles de la máquina A sin que cambie
la solución?
2. Se tiene el siguiente programa lineal, donde x1, x2 y x3 representan las unidades de

los productos 1, 2 y 3 respectivamente.
Max Z = 8x1 + 12x2 + 10x3

s. a.:
2x1 + 4x2 + 2x3 <= 60 Minutos disponibles de la máquina 1
x1, x2, x3 >= 0
a) ¿Qué restricciones son limitantes? ¿Qué tanta holgura o exceso está disponible
en las restricciones no limitantes?
b) Si se quiere aumentar la producción ¿Cuál es el recurso más valioso? ¿Hasta
cuanto estaría dispuesto a pagar por hora adicional de dicho recurso? ¿Porqué?
c) Se quiere aumentar la producción y hay una oferta de horas adicionales de la
máquina 2 a $ 20/hora ¿Conviene contratar horas adicionales? ¿Porqué?
37
3. En una fábrica se elaboran los productos P1, P2, P3 y P4. El espacio (m2) en el
almacén y la mano de obra (número de trabajadores) disponibles limitan la
producción. La tabla contiene los datos relevantes del proceso de producción, así
como los costos de fabricación y los precios de venta (miles de pesos).
Producto P1 P2 P3 P4 Disponibilidad
Area (m2/unid) 10 30 80 40 900
Trabajadores/unid 2 1 1 3 80
Costo/unid 20 30 45 58
Precio/unid 30 50 85 90
a) Determine el plan de producción de máximo beneficio.

b) Interprete los precios sombra de los recursos.
c) La empresa podría alquilar 150 m2 más de superficie de almacén a un costo de
70000 ¿Debería alquilar ese espacio? Justifique su respuesta.
4. FríoRico vende helados de tres sabores: chocolate, vainilla y fresa. Debido a una
gran demanda de sus productos la empresa ha sufrido escasez en el abastecimiento
de los ingredientes: leche, azúcar y crema. Por ello no estará en posibilidad de
satisfacer la demanda. Ha decidido fabricar las mejores cantidades de los tres
sabores, considerando las restricciones sobre el suministro de los ingredientes
básicos. Se tienen los siguientes datos sobre el suministro de los ingredientes
básicos, la rentabilidad, la disponibilidad y las cantidades que se requieren para cada
sabor:
Utilización / Galón
Sabor Utilidad/Galón Leche (Gal.) Azúcar (Lb.) Crema (Gal.)
Chocolate 1.00 0.45 0.50 0.10
Vainilla 0.90 0.50 0.40 0.15
Fresa 0.95 0.40 0.40 0.20
Disponibilidad 200 150 50
a) Determine el plan de producción que maximiza el beneficio.

b) Interprete el precio dual de los recursos escasos. ¿Cuál es el recurso más
valioso? ¿Hasta cuánto se podría pagar por unidad adicional de dicho recurso?
c) Por la fuerte competencia, la utilidad por galón de helado de fresa debe bajar a
$0.80 ¿Cambia la solución óptima?
d) Obligatoriamente deben producirse 10 gals de helado de chocolate, sin tener más
recursos ¿Cuál sería el nuevo plan de producción?
e) Hay la posibilidad de producir helado de lúcuma. Este daría una utilidad de
$0.80 por galón, y requeriría 0.40 gal de leche, 0.40 lb de azúcar y 0.20 gal de
crema ¿Conviene producir este nuevo sabor de helado? Justifique su respuesta.
5. Un empresario fabrica dos tipos diferentes de conservadoras denominadas A y B.

Cada una de ellas debe pasar por tres operaciones: ensamblaje, pintado y control de
calidad. Las conservadoras requieren respectivamente, 2.5 y 3 hrs de ensamblaje, 3
y 0.6 kg de esmalte para su pintado y 14 y 10 hrs de control de calidad. Los costos
totales de fabricación son, respectivamente, 30 y 28, y los precios de venta 52 y 48,
38
todo en miles de pesos. El empresario dispone semanalmente de 4500 horas para

ensamblaje, 3400 kgs de esmalte y 20000 hrs para el control de calidad. Los
estudios de mercado muestran que la demanda semanal de conservadoras no supera
las 1700 unidades y que, en particular, la de tipo A es de, al menos, 600 unidades.

b) ¿Cuáles son los precios sombra de las horas de ensamblaje y control de calidad?
c) Al fabricante le ofrecen disponer de 200 horas más para ensamblaje a un costo
total de 750,000 pesos ¿Debería aceptar la oferta? ¿Porqué?
6. XYZ S.A. fabrica 3 productos: P1, P2 y P3. El proceso de fabricación utiliza dos
tipos de materias primas, M1 y M2, que se procesan en las instalaciones F1 y F2. La
siguiente tabla proporciona los datos pertinentes del problema:
Utilización por unidad Capacidad

Recurso Unidades P1 P2 P3 máxima diaria
F1 Minutos 1 2 1 430
F2 Minutos 3 0 2 460
M1 libra 1 4 0 420
M2 libra 1 1 1 300
La demanda mínima diaria de P2 es de 70 unidades y la demanda máxima de P3 es

de 240 unidades. Las utilidades por unidad de P1, P2 y P3 son de 300, 200 y 500
soles, respectivamente. La empresa requiere maximizar las utilidades.

b) Si se pueden conseguir unidades adicionales del recurso más valioso ¿Cuál es la
máxima mejora que se puede conseguir en la función objetivo?
c) ¿Cuál es el intervalo de variación del de la utilidad del producto más rentable?
d) ¿Cuál es el intervalo de variación de la disponibilidad del recurso más valioso?
7. Un avión que cubre la ruta Lima-Iquitos, combina pasajeros y carga. Debido a los
elevados costos de operación, el avión trata de volar con sus bodegas cargadas. El
avión tiene 3 bodegas: Inferior, intermedia y superior. Debido a limitaciones en el
espacio de las bodegas, el avión no puede llevar más de 100 toneladas de carga en
cada viaje. No deben llevarse más de 40 toneladas de carga en la bodega inferior.
Con fines de equilibrio la bodega intermedia debe llevar un tercio de la carga de la
bodega inferior y la bodega superior debe llevar dos quintas partes de la carga de la
bodega inferior. Sin embargo, no deben llevarse más de 60 toneladas de carga en las
bodegas intermedia y superior combinadas. Las utilidades por el transporte son de
$8 por tonelada de carga en la bodega inferior, $10 por tonelada de carga en la
bodega intermedia y $12 por tonelada de carga en la bodega superior.
a) Determine la forma de cargar el avión que proporcione las mayores

utilidades. Explique.
b) ¿Cómo mejoraría la F. O. si el avión pudiera aumentar la capacidad de carga
de sus bodegas de 100 a 101 toneladas? Justifique su respuesta.
39
c) Hay una tonelada de carga que debería llevarse en la bodega inferior. Llevar
una tonelada adicional en esta bodega, significa para la empresa un
incremento en los costos operativos de $15. ¿Debería llevarse esa tonelada
de carga adicional? ¿Porqué?
d) ¿Hasta cuánto se puede aceptar como incremento en los costos operativos
por llevar una tonelada adicional ya sea en la bodega intermedia o superior?
Justifique su respuesta.
USO DEL SOFTWARE DE PROGRAMACIÓN LINEAL LINDO
LINDO es un software que resuelve problemas lineales. Se requiere ingresar el

modelo de programación lineal siguiendo ciertas reglas de sintaxis. A continuación,
se presenta la solución de un problema lineal usando Lindo.
max 18.5x1 + 20x2 + 14.5x3

s.t.
0.05x1 + 0.05x2 + 0.05x3 <= 1100
0.05x1 + 0.10x2 + 0.05x3 <= 1800
0.10x1 + 0.05x2 + 0.05x3 <= 2000
end
LP OPTIMUM FOUND AT STEP 2

OBJECTIVE FUNCTION VALUE
1) 428000.0
VARIABLE VALUE REDUCED COST

X1 8000.000000 0.000000
X2 14000.000000 0.000000
X3 0.000000 4.000000
ROW SLACK OR SURPLUS DUAL PRICES

2) 0.000000 340.000000
3) 0.000000 30.000000
4) 500.000000 0.000000
RANGES IN WHICH THE BASIS IS UNCHANGED:

OBJ COEFFICIENT RANGES
VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
X1 18.500000 1.500000 4.000000
X2 20.000000 17.000000 1.500000
X3 14.500000 4.000000 INFINITY
RIGHTHAND SIDE RANGES

ROW CURRENT ALLOWABLE ALLOWABLE
40
RHS INCREASE DECREASE

2 1100.000000 166.666672 200.000000
3 1800.000000 400.000000 500.000000
4 2000.000000 INFINITY 500.000000
PROGRAMACIÓN LINEAL ENTERA
Cuando a cierta clase de problemas se le modela como programas lineales con el

requerimiento adicional de que algunas o todas las variables de decisión deben ser
números enteros, a estos problemas se les denomina problemas de programación
lineal entera. El uso de tales variables ofrece flexibilidad adicional al modelo, por lo
que se alimenta la cantidad de aplicaciones prácticas que pueden abordarse con la
metodología de la P.L. El costo de esta flexibilidad adicional, es que por lo general,
los problemas que tienen variables enteras son mucho más difíciles de resolver.
FORMULACION DE PROBLEMA DE PROGRAMACIÓN LINEAL ENTERA
La única diferencia entre los problemas de P.L. entera y los problemas de P.L. ya
estudiados, consiste en que se exige que algunas de las variables sean números
enteros. Si se quiere que todas las variables sean enteros se dice que se tiene un
programa lineal totalmente entero.
Ejm: Max 2X1 + 3X2

Sujeto a:
3X1 + 3X2 ≤ 12
2/3X1 + 1X2 ≤ 4
1X1 + 2X2 ≤ 6
X1 , X2 ≥ 0 y enteros
El programa lineal que se obtiene al eliminar los requisitos de enteros para las
variables de decisión es lo que se denomina Relajación P.L. (Relajación de
Programación Lineal o soltura).
Si se requiere que algunas, pero no necesariamente todas, las variables de decisión
de un problema sean números enteros, se tiene así un Programa Lineal Entera de
tipo mixto.
El siguiente es un problema de esta clase con dos variables:
Max 3X1 + 4X2
Sujeto a:
–1X1 + 2X2 ≤ 8
1X1 + 2X2 ≤ 12
2X1 + 1X2 ≤ 16
X1 , X2 ≥ 0 y X2 entero
41
Se obtiene la relajación P.L. eliminando el requisito de que X2 sea entero.
En la mayor parte de las aplicaciones prácticas solo se permite que las variables
enteras tomen valores de cero o uno. En estos casos se dice que se tiene un
Programa Lineal Entera 0-1 o Binario. Los problemas 0-1 pueden ser totalmente
enteros o del tipo mixto.
Los modelos de programación lineal entera se pueden clasificar en:
Modelo Tipos de Variables de Decisión

Completamente entero Todas son enteras
Mixto Algunas, pero no todas son enteras
Binaria Todas son binarias (0 ó 1)
Problemas propuestos: Programación Lineal Entera
1. Lo siguiente se refiere a un problema de presupuesto de capital con seis proyectos

representados mediante variables binarias 0 – 1: x1, x2, x3, x4, x5, x6.
a) Enuncie una restricción que represente un modelo de la situación en la que

se deben emprender dos de los proyectos 1, 3, 5 y 6.
b) Enuncie una restricción que represente un modelo de la situación en la que
se deben emprenderse simultáneamente los proyectos 3 y 5.
c) Enuncie una restricción que represente un modelo de la situación en la que
se deben emprender los proyectos 1 ó 4, pero no ambos.
d) Enuncie restricciones que representen modelos de una situación en la que no
se pueda emprender el proyecto 4, a menos que se emprendan también los
proyectos 1 y 3.
e) Modifique la restricción de la parte d) para considerar el caso en el que,
cuando se emprendan los proyectos 1 y 3, también se deben emprender el
proyecto 4.
2. Un entrenador está tratando de decidir qué jugadores de baloncesto deben participar

en un partido importante. Puede elegir entre 11 jugadores, pero sólo debe escoger a
9. El entrenador desea maximizar el promedio de puntos para el equipo de juego,
sujeto a varias restricciones.
1) Debe haber cuando menos 3 defensas (G)

2) Debe haber cuando menos 3 delanteros (F)
3) Debe haber cuando menos dos medios (C)
4) Si escoge a Javier, entonces no debe escoger a Jorge, y viceversa.
5) Si escoge a Carlos, entonces el entrenador también debe escoger a Alfredo,
pero no necesariamente, al contrario.
Los nombres, posiciones y puntos promedios para los jugadores son:
42
Nombre Posición Puntos por juego

Harold C 12.0
Javier C 9.0
Jorge C 8.0
Alfredo F 15.0
Carlos F 10.0
Eduardo F 5.0
Frank G 20.0
David F 18.0
Orlando G 12.0
Sandro G 7.0
Saul G 2.0
Formule el modelo de P.L.E. para maximizar los puntos.
4. Un inversionista tiene cuatro alternativas de inversión. La inversión 1

genera un valor actual neto (VAN) de 16000 dólares; la inversión 2, un VAN
de 22000 dólares; la inversión 3, un VAN de 12000 dólares, y la inversión 4,
un VAN de 8000 dólares. Para cada inversión se requiere una cierta salida de
efectivo en el tiempo presente: la inversión 1, 5000 dólares; la inversión 2,
7000 dólares, la inversión 3, 4000 dólares; la inversión 4, 3000 dólares. El
inversionista dispone en la actualidad de 14000 dólares para invertir. Plantee
el modelo de P.L.E. cuya solución indique al inversionista cómo maximizar
el VAN obtenido de las inversiones, sujeto además a las siguientes
restricciones:
a) El inversionista puede invertir cuando mucho en dos inversiones.
b) Si invierte en 2, entonces también debe invertir en 1.
c) Si invierte en 2, no puede invertir en 4.
6. Una fábrica de calculadoras tiene cuatro líneas diferentes de ensamble. El

costo de ensamble de cada calculadora en cada una de las cuatro líneas
disponibles, la capacidad máxima diaria de cada línea y los correspondientes
costos fijos se dan en la tabla siguiente.
Línea de Costos fijos Costo de ensamble Capacidad

ensamble ( por día ) por calculadora máxima
A $ 5,000 $6 10,000
B 6,000 4 20,000
C 1,000 7 25,000
D 7,000 3 15,000
La fábrica tiene un contrato para entregar 30,000 calculadoras por día. Se

requiere determinar un plan de producción que minimice los costos y que
especifique cuáles líneas van a ser usadas, y con qué capacidades, para
satisfacer la demanda mínima diaria de 30,000 calculadoras.
43
7. Un fabricante de prendas de vestir fabrica tres tipos de prendas de vestir:

camisetas, shorts y pantalones. La confección de cada tipo de prenda
requiere que el fabricante tenga disponible el tipo de maquinaria apropiada.
La maquinaria necesaria para manufacturar cada tipo de prenda se tiene que
alquilar a las tarifas siguientes: maquinaria para camisetas, 200 dólares por
semana; maquinaria para shorts, 150 dólares por semana; maquinaria para
pantalones, 100 dólares por semana. La confección de cada tipo de prenda
requiere las cantidades de tela y mano de obra que se indican en la tabla 1.
Están disponibles cada semana 150 horas de mano de obra y 160 yardas
cuadradas de tela. El costo unitario variable y el precio de venta de cada tipo
de prenda, se indica en la tabla 2.
Tabla 1 Tabla 2
Mano de Tela Mano de Tela
Tipo de prenda obra (hr) Yardas2 Tipo de prenda obra (hr) Yardas2
Camiseta 3 4 Camiseta 12 6
Shorts 2 3 Shorts 8 4
Pantalones 6 4 Pantalones 15 8
Formule el modelo de P.L.E. cuya solución maximice la utilidad semanal.
44

2 Investigacion - de - Operaciones

Cargado por

Copyright:

Formatos disponibles

2 Investigacion - de - Operaciones

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

2 Investigacion - de - Operaciones

Cargado por

Copyright:

Formatos disponibles

Investigación de Operaciones Ing.

César Aldo Canelo Sotelo

UNIVERSIDAD NACIONAL DE INGENIERIA

La Investigación de Operaciones es la aplicación, por grupos interdisciplinarios, del método

Es un conjunto de elementos interrelacionados entre sí de acuerdo a cierto criterio de

ELEMENTOS DE UN PROBLEMA DE TOMA DE DECISIONES

En un problema de toma de decisiones se identifican los siguientes elementos:

- El tomador de decisiones. Es el dueño del problema.

Es el criterio de decisión o función de utilidad, establecida por quién toma la decisión.

Es un término que se usa indistintamente para indicar la maximización o la minimización

Es la representación de un sistema de acuerdo a los objetivos de estudio del sistema. Es

FASES DE UN ESTUDIO DE INVESTIGACIÓN DE OPERACIONES

De manera aproximada, las fases de un estudio de Investigación de Operaciones son:

- Definición del sistema del mundo real. - Consiste en la concepción del

Un problema de programación lineal es un problema de optimización para el cual se efectúa

1) Se intenta maximizar (minimizar) una función lineal de las variables de decisión. La

EL MODELO DE PROGRAMACIÓN LINEAL

El modelo de programación lineal esta conformado por:

FORMA GENERAL DEL MODELO DE PROGRAMACIÓN LINEAL

FORMA GENERAL DESARROLLADA DEL MODELO DE PROGRAMACIÓN

FORMA CANÓNICA DEL MODELO DE PROGRAMACIÓN LINEAL

FORMA ESTÁNDAR DEL MODELO DE PROGRAMACIÓN LINEAL

FORMA MIXTA DEL MODELO DE PROGRAMACIÓN LINEAL

SUPOSICIONES DE LA PROGRAMACIÓN LINEAL

1) Una sola función objetivo

redondeo de las variables a un entero, en la solución óptima de PL, proporciona una

FORMULACIÓN DE MODELOS DE PROGRAMACIÓN LINEAL

1) Identificación de las variables de decisión.

2) Identificación de los datos del problema.

3) Identificación de la función objetivo.

4) Identificación de las restricciones.

- Restricciones impuestas por la administración.

2. Dos refinerías de petróleo producen tres tipos diferentes de gasolina: A, B y C. Estos

Debido a un programa estatal de asignación de recursos, las cantidades máximas de

8. Una empresa de seguridad tiene a su servicio la vigilancia de un aeropuerto y debe

Período Duración Necesidades

Se disponen de 16 horas de operación en el proceso I y de 24 horas en el proceso II. La

BODEGA TONELAJE PIES CUBICOS

Formule el modelo de programación lineal para determinar cómo se debe distribuir la

13. Un fabricante de acero produce 4 tamaños de vigas en I: Pequeño, mediano, grande y

La solución de un PL con el método gráfico, incluye los siguientes pasos:

2. La determinación de la solución óptima de entre todos los puntos en el espacio de

2.1. Seleccionar cualquier punto dentro de la región factible.

Solución básica. - Es aquella solución en la que (n – m) variables se han igualado a cero y

Solución básica no degenerada. - Es una solución básica que tiene exactamente m

Propiedades de las soluciones

El problema de programación lineal consiste en hallar el vector columna X que es solución

que haga máximo a:

y de tal manera que las variables Xj estén sujetas a las condiciones:

xj >= 0 ; j= 1, 2, ..., n (3)

En las ecuaciones (1), se supone que:

La función (2) es la función objetivo, se observará que se ha definido el problema general

TEOREMA 1. - Dado un problema de programación lineal, en el cual no puedan existir

Elección de la variable de entrada

TEOREMA 3.- Supongamos que tenemos un problema de programación lineal y una

Por el teorema 1, tenemos que:

Y por el teorema 2 tenemos que:

Esta es la regla llamada del “ascenso más rápido”.