Вы находитесь на странице: 1из 150

DIRECCIN DE EDUCACIN ABIERTA Y A DISTANCIA Y VIRTUALIDAD

ADMINISTRACIN DE EMPRESAS
PROGRAMACIN LINEAL
MDULO EN REVISIN
CORPORACIN UNIVERSITARIA DEL CARIBE-CECAR
DIVISIN DE EDUCACIN ABIERTA Y A DISTANCIA












MDULO
PROGRAMACION LINEAL



SANTIAGO VERGARA NAVARRO
INGENIERO INDUSTRIAL





PROGRAMA DE ADMINISTRACIN DE EMPRESAS A DISTANCIA
2005
R
E
V
I
S
I

N

3

Pg.

INTRODUCCION 7
PRIMERA UNIDAD 10
PRESENTACIN 11
OBJ ETIVOS 12
ATRVETE A OPINAR 13
ACCIONES PARA CONSTRUIR EL CONOCIMIENTO 14
1. MATRICES Y DETERMINANTES 15
1.1 ALGEBRA LINEAL 15
1.2 MATRIZ 15
1.3 CALCULO MATRICIAL 17
1.3.1 Suma y Resta 17
1.3.2 Producto de un Escalar por una Matriz 19
1.3.3 Producto de Matrices 21
1.4 MATRICES ESPECIALES 26
1.4.1 Matriz Identidad (I) 26
14.2 Matriz Nula 27
1.4.3 Matriz Traspuesta 27
1.4.4 Matriz Fila 28
1.4.5 Matriz Columna 28
1.4.6 Matriz Inversa 29
1.5 DETERMINANTES 34
1.5.1 Determinantes de Segundo Orden 35
CONTENIDO
R
E
V
I
S
I

N

4
1.5.2 Determinantes de Tercer Orden 36
1.5.3 Aplicaciones de los Determinantes 38
RESUMEN 43
AUTO EVALUACIN N 1 44
SEGUNDA UNIDAD 46
PRESENTACIN 47
OBJ ETIVOS 48
ATRVETE A OPINAR 49
ACCIONES PARA CONSTRUIR EL CONOCIMIENTO 50
2. PROGRAMACION 51
2.1 PROGRAMACIN LINEAL (P. L) 51
2.2 USOS DE LA PROGRAMACIN LINEAL 51
2.3 PLANTEAMIENTO DE PROBLEMAS DE P. L 52
2.3.1 Modelo de Maximizacin 52
2.3.2 Modelo de Minimizacin 53
2.4 PROCEDIMIENTO PARA PLANTEAR PROBLEMAS 53
2.4.1 Entendimiento del Problema 54
2.4.2 Definicin de Variables 54
2.4.3 Establecer la Funcin objetivo 54
2.4.4 Establecer las Restricciones 54
2.4.5 Establecer la no negatividad 54
EJ EMPLOS 55
RESUMEN 66
AUTO EVALUACIN N
0
2 67
GLOSARIO DE TERMINOS 72
R
E
V
I
S
I

N

5
TERCERA UNIDAD 73
PRESENTACIN 74
OBJ ETIVOS 75
ATRVETE A OPINAR 76
ACCIONES PARA CONSTRUIR EL CONOCIMIENTO 77
3. METODOS DE SOLUCIN DE LA P. L 78
3.1 MTODO GRFICO 78
3.1.1 Procedimiento Grfico 78
3.1.1.1 Convertir las desigualdades en igualdades 79
3.1.1.2 Hallar intersectos 79
3.1.1.3 Graficar cada Ecuacin Lineal 79
3.1.1.4 Determinar el Area Comn 79
3.1.1.5 Calcular el valor de la Funcin Objetivo 79
EJ EMPLOS 80
3.2 MTODO SIMPLEX 90
3.2.1 PROCEDIMIENTO SIMPLEX 90
3.2.1.1 Estandarizar el Modelo de P.L 91
3.2.1.2 Construir la Tabla Caracterstica 91
3.2.1.3 Identificar la Variable que entra y la que sale 93
EJ EMPLOS 94
RESUMEN 112
AUTO EVALUACIN N 3 113
GLOSARIO DE TERMINOS 115
CUARTA UNIDAD 117
PRESENTACIN 118
R
E
V
I
S
I

N

6
OBJ ETIVOS 119
ATRVETE A OPINAR 120
ACCIONES PARA CONSTRUIR EL CONOCIMIENTO 121
4. EL PROBLEMA DUAL (P.D) 122
4.1 DUALIDAD 122
4.2 IMPORTANCIA TERICA DE LA DUALIDAD 122
4.2.1 Relaciones entre el modelo Primal y el Dual 123
4.2.2 Relaciones entre la solucin Dual y Primal 123
4.3 IMPORTANCIA COMPUTACIONAL DE LA DUALIDAD 124
EJ EMPLOS 124
4.4 ANLISIS DE SENSIBILIDAD 135
EJ EMPLOS 136
RESUMEN 142
AUTO EVALUACIN N 4 143
GLOSARIO DE TERMINOS 145
BIBLIOGRAFA 146
EL AUTOR 147








R
E
V
I
S
I

N

7


El presente mdulo recoge lo bsico y necesario del Algebra y Programacin
Lineal, ya que sta se constituye, hoy da, en elemento esencial para la
formacin matemtica en los campos de la Ingeniera, Economa, Ciencias,
Administracin y otras carreras afines; de all, que con la motivacin de la
experiencia adquirida como profesor universitario y la inquietud de entregar
una informacin inteligible para el lector con escasos conocimientos de la
asignatura, haya recurrido a un lenguaje simple y elemental, sin descuidar el
aspecto terico requerido por el lenguaje algebraico y la profundidad
necesaria para que los estudiantes adquieran los conocimientos y habilidades
bsicos para la solucin de problemas en los que estn involucrados los
elementos matemticos de matrices, sistemas de ecuaciones lineales y
modelos de programacin lineal.

Por todo lo anterior, inicialmente se induce al alumno en el estudio de los
elementos bsicos del Algebra Lineal, con el propsito de suministrarle la
herramienta y tcnica necesaria para la solucin de modelos de Programacin
Lineal, en los que intervienen racionalizacin de recursos y la consecucin de
soluciones optimas (la mejor entre todas), que le permitan el desarrollo, la
concepcin y el anlisis respectivo de dichos problemas.

Desde esta concepcin metodolgica, se desarroll el modulo del modo ms
prctico posible para que sirva al mismo tiempo como elemento de consulta a
estudiantes de educacin presencial; por lo que, en el desarrollo de los
INTRODUCCION
R
E
V
I
S
I

N

8
diferentes temas se aplica el mtodo inductivo, es decir, se plantea el
problema particular y se ilustra su solucin con los clculos que por lo
general realiza un estudiante con escasos conocimientos algebraicos.

Este modulo est orientado de manea especial hacia el estudiante de
educacin a distancia, quien no dispone de un profesor o de una buena
biblioteca permanente; por lo tanto, se recomienda su estudio en el mismo
orden establecido para cada unidad. Solo as podr adquirirse un buen manejo
de los temas vistos en los captulos anteriores y obtenerse una mejor
comprensin de los temas siguientes:

De all que, al iniciar el estudio de cada unidad tenga en cuenta lo siguiente:

Leer bien los objetivos de la unidad.

Estudie con cuidado la informacin terica de cada unidad, analcela y
disctala con sus compaeros de clases.

Desarrolle la evaluacin presentada a final de cada unidad y en caso de
dudas verifique los resultados con sus compaeros y posteriormente con
su tutor.





R
E
V
I
S
I

N

9





A CHAGUY ALBERTO, mi hijo y nueva
razn de ser. Que nuestra madre Naturaleza
nos de vida y salud para hacerte un hombre de
bien.
























R
E
V
I
S
I

N

10


































MATRICES Y
DETERMINANTES
Unidad 1
R
E
V
I
S
I

N

11



Para poder solucionar modelos de programacin lineal, se hace evidente
apropiarse de una herramienta algebraica necesaria para ser aplicada en las
tcnicas de solucin de dichos problemas o modelos, la cual es el estudio de
las matrices y determinantes el que proporciona esa herramienta, que necesita
ser mecanizada ya que, es cclica o repetitiva en su accionar.

Es por todo esto, que estudiaremos las matrices y ciertas operaciones
definidas sobre ellas, as como el valor numrico correspondiente a cada una
de ellas (determinante), para su posterior aplicacin en la programacin
lineal.













PRESENTACION
R
E
V
I
S
I

N

12




1. Presentar en forma condensada los datos empresariales a travs de
matrices.

2. Proveer la herramienta algebraica de las matrices y determinantes, para su
utilizacin en la solucin de problemas de programacin lineal.

3. Verificar la utilidad de las matrices en la organizacin de carcter
estadstico, til para la toma de decisiones empresariales.













OBJETIVOS
R
E
V
I
S
I

N

13

























Qu piensas que es el Algebra Lineal? Por favor defnela.
.
_______________________________________________
_______________________________________________
_______________________________________________
_______________________________________________
_______________________________________________
_______________________________________________

.
Qu entiendes por matriz?
_______________________________________________
_______________________________________________
_______________________________________________
_______________________________________________
_______________________________________________
_______________________________________________

.
Qu conoces acerca de los determinantes?
_______________________________________________
_______________________________________________
_______________________________________________
_______________________________________________
_______________________________________________
_______________________________________________

ATREVETE A OPINAR
R
E
V
I
S
I

N

14



A continuacin encontrar una serie de enunciados con cinco respuestas, de
las cuales una sola es verdadera. Marque con una X la que usted considere
correcta.

1. El valor de la expresin -3 (-5) 6, es:
a) -14 b) 2 c) 4 d) -4 e) 14

2. El valor de X en la ecuacin 1 7 =3 X, es:
a) - 3 b) 3 c) 4 d) 6 e) - 9

3. La fraccin generatriz de 0.25, es:
a)
3
2
b)
4
3
c)
3
1
d)
5
2
e)
4
1


4. El valor de la expresin )
2
3
(
3
2
5
1
+ + , es:
a)
2
15
b)
30
31
c)
31
30
d)
15
12
e)
10
1


5. El valor del cociente
5
3
/
2
1
, es:
a)
6
5
b)
5
1
c)
5
6
d)
10
3
e)
6
5



ACCIONES PARA
CONSTRUIR EL
CONOCIMIENTO
R
E
V
I
S
I

N

15

1. MATRICES Y DETERMINANTES

1.1 ALGEBRA LINEAL: Es una herramienta o tcnica algebraica utilizada
por la programacin lineal (P.L) para darle solucin a sus modelos.

1.2 MATRIZ: Se llama matriz a un conjunto de nmeros, funciones o
ecuaciones ordenados en forma de filas horizontales y columnas
verticales, encerrados entre corchetes.

Las matrices se denotan por medio de letras maysculas, como A, B, C, Z.
Forma general de una matriz:

3
.
.
.
2
.
.
.
1
.
.
.
.... 33 32 31
.... 23 22 21
.... 13 12 11
am am am
a a a
a a a
a a a

amn
n a
n a
n a
.
.
.
3
3
1


Donde:
m: representa el nmero de filas.
n: representa el nmero de columnas.

Ejemplos de matrices:
m x n
R
E
V
I
S
I

N

16
A =
(
(
(

9 3 5
4 7 2
5 0 1
, B =
(



tg
cos sen
c tang

C =
(
(
(

= + = +
= = +
= + =
) 4 5 ( ) 7
) 1 2 3 ( ) 1 2 (
) 3 2 ( ) 0 (
y x y x
y x y x
y x y x

El orden de una matriz viene dado por el nmero de filas y columnas y se le
anota en la parte inferior derecha, as:

A =
(
(
(

9 3 5
4 7 2
5 0 1
; B =
(



tg
cos sen
c tang





(
(
(
(

8 4 5 3
2 0 1 7


A los miembros de una matriz se les denomina elementos de la matriz y
ocupan un lugar especfico e inamovible dentro de la matriz, especificado por
un subndice en su parte inferior (ver forma general), as:

a
11
: Elemento ubicado en la interseccin de la fila 1 con la columna 1.
a
12
: Elemento ubicado en la interseccin de la fila 1 con la columna 2.
a
23
: Elemento ubicado en la interseccin de la fila 2 con la columna 3.
Col 1
Col 2
Col 3
Fila 1
Fila 2
Fila 3
3 x 3
2 x 2
2 x 4
R
E
V
I
S
I

N

17
a
mn
: Elemento ubicado en la interseccin de la fila m con la columna n.
Las matrices en ste mdulo son esencialmente matrices reales. Es decir, sus
elementos son nmeros reales y mximo poseern orden 3 x 3.

1.3 CLCULO MATRICIAL (Operaciones con Matrices)

1.3.1 Suma y Resta

Sean las matrices A y B, se denota la suma y resta de ellas A +B y se define
as:

A =
(

22 21
12 11
a a
a a
y B =
(

22 21
12 11
b b
b b


Entonces. A +B =
(

22 21
12 11
a a
a a
+
(

22 21
12 11
b b
b b
=
(



22 22 21 21
12 12 11 11
b a b a
b a b a


Es decir, sumar o restar dos o ms matrices, basta con sumar o restar sus
elementos de posiciones similares.

La suma o resta de dos o ms matrices de rdenes diferentes no est definida,
lo cual significa que la suma o resta de matrices est definida solamente para
matrices cuadradas (de igual orden).

Ejemplos:

1) Sean A =
(

1 2
2 1
y B =
(

2 1
3 1

Se pide: A +B =?
R
E
V
I
S
I

N

18
Solucin:
A +B =
(

=
(

+
+ +
=
(

+
(

3 1
5 0
2 1 1 0
3 2 1 1
2 1
3 1
1 0
2 1


2) Si A =
(
(
(

2
3
1
y B =
(
(
(

2
3
1
, calcule A B =?
Entonces: A B =
(
(
(

=
(
(
(




=
(
(
(

(
(
(

4
6
2
2 2
3 3
) 1 ( 1
2
3
1
2
3
1


3) Sean A =
(
(
(



2 2 3
1 0 4
0 1 2
y B =
(
(
(

4 2
3 1
1 0
; A +B =?

A +B: No est definida, ya que son matrices de rdenes diferentes.

4) Sean A =
(
(
(

2 6
1 4
2 3
; B =
(
(
(

2 6
3 4
1 2
y C =
(
(
(

4 1
0 2
2 1

Calcular:
a. A +B
b. A B
c. B A +C

Solucin:
R
E
V
I
S
I

N

19
a. A +B = +
(
(
(

2 6
1 4
2 3
(
(
(

=
(
(
(

4 12
4 8
3 5
2 6
3 4
1 2

b. A B =
(
(
(

2 6
1 4
2 3
-
(
(
(

=
(
(
(

0 0
2 0
1 1
2 6
3 4
1 2

c. B A +C =
(
(
(

+ +
+ +
+ +
=
(
(
(

+
(
(
(

(
(
(

4 2 2 1 6 6
0 1 3 2 4 4
2 2 1 1 3 2
4 1
0 2
2 1
2 6
1 4
2 3
2 6
3 4
1 2

B A +C =
(
(
(

4 1
2 2
1 0


1.3.2 Producto de un Escalar por una Matriz

Al trabajar con matrices, los nmeros suelen denominarse escalares. A menos
que se especifique lo contrario, los escalares sern nmeros reales. Se
multiplica una matriz A por un escalar K al multiplicar por K cada elemento
de A.

El producto de K por A se denota K.A y se define como otra matriz cuyos
elementos son los mismos de A multiplicados por K.
Ejemplos:
1. Sea : A =
(
(
(

5 3 1
4 4 2
2 1 6
y K =
3
1


R
E
V
I
S
I

N

20
Hallar K . A =?
K . A =
(
(
(
(

=
(
(
(
(

=
(
(
(

3
5
1
3
1
3
2
3
4
3
2
3
4
3
1
2
) 5 ).(
3
1
( ) 3 ).(
3
1
( ) 1 ).(
3
1
(
) 2 ).(
3
1
( ) 4 ).(
3
1
( ) 2 ).(
3
1
(
) 4 ).(
3
1
( ) 1 ).(
3
1
( ) 6 ).(
3
1
(
5 3 1
2 4 2
4 1 6
.
3
1


2. Sean X =
(
(
(

2 6
3 2
4 1
; Y =
(
(
(

2 1
4 3
6 2
y Z =
(
(
(

2 0
1 2
4 1


Calcular:
a. 3 . Z -
2
1
. Y
b. 2.Y +4.X -
3
1
.Z

Solucin:
a. 3.Z -
2
1
.Y =3.
(
(
(

(
(
(

2 1
4 3
6 2
.
2
1
2 0
1 2
4 1

3.Z -
2
1
.Y =
(
(
(
(

=
(
(
(
(

(
(
(

5
2
1
1
2
9
9 2
1
2
1
2
2
3
3 1
6 0
3 6
12 3


b. 2.Y +4.X -
3
1
.Z =-2.
(
(
(

(
(
(

+
(
(
(

2 0
1 2
4 1
.
3
1
2 6
3 2
4 1
. 4
2 1
4 3
6 2

R
E
V
I
S
I

N

21
2.Y +4.X -
3
1
.Z =
(
(
(
(

(
(
(

+
(
(
(




3
2
0
3
1
3
2
3
4
3
1
8 24
12 8
16 4
4 2
8 6
12 4

2.Y +4.X -
3
1
.Z =
(
(
(
(

=
(
(
(
(

(
(
(

3
10
22
3
11
3
4
3
8
3
1
3
2
0
3
1
3
2
3
4
3
1
4 22
4 2
4 0


1.3.3 Producto de Matrices

Por ser esta la operacin ms complicada con matrices, la explicaremos
directamente por medio de ejemplos, teniendo en cuenta que, para que el
producto de matrices sea posible, se tiene que cumplir la siguiente condicin:
El nmero de columnas de la primera matriz debe ser igual al nmero de filas
de la segunda matriz y el resultado poseer las filas de la primera matriz y las
columnas de a segunda matriz.

Simblicamente: A
mxn
. B
nxp
=C
mxp

Si es posible
Si: A
2 x 3
. B
3 x 4
=C
2 x 4
Si es posible

P
3 x 4
. Q
4 x 2
=R
3 x 2
Si es posible

Ejemplos:
R
E
V
I
S
I

N

22
1. Sean A =
(

1 4
3 2
y B =
(

2 3
0 1
; A . B =?
A
2 x 2
. B
2 x 2
=C
2 x 2
A . B =
(

=
(

22 21
12 11
2 3
0 1
.
1 4
3 2
a a
a a
; nuestro
compromiso ahora es calcular los valores de a
11
, a
12
, a
21
, a
22
.
Clculo de a
11
(1
era
fila de A por 1
era
columna de B):


11
9


Calculamos ahora a
12
(1
era
fila de A por 2
da
columna de B):


6
6


Clculo de a
21
(2
da
fila de A por 1
ra
columna de B):


7
3


Clculo de a
22
(2
da
fila de A por 2
da
columna de B):


2
2


Entonces A.B =
(

2 7
6 11

Calculamos ahora B
2 x 2
. A
2 x 2
=D
2 x 2

1 2
3
3
2
a
11
=11
0 0
3
2
2
a
12
=6
por
por
por
por
1 4
1
3
4
a
21
=7
por
por
0 0
1
2
4
a
22
=2
por
por
Si es posible
R
E
V
I
S
I

N

23
B.A =
(

=
(

22 21
12 11
1 4
3 2
2 3
0 1
a a
a a


Clculo de a
11
:


2
0


Clculo de a
12
:


3
0


Clculo de a
21
:


14
8


Clculo de a
22
:


11
2


Entonces: B.A =
(

11 14
3 2

Con el ejemplo anterior hemos demostrado que:

A.B B. A

2 2
0
4
1
a
11
=2
por
por
3 3
0
1
1
a
12
=3
por
por
2 6
2
4
3
a
21
=14
por
por
3 9
2
1
3
a
22
=11
por
por
R
E
V
I
S
I

N

24
2. Sean A =
(
(
(

0 5
2 4
3 1
y B =
(

1 4
2 3
; calcular A.B.
Solucin:
A
3 x 2
. B
2 x 2
=C
3 x 2
=
(
(
(

32 31
22 21
12 11
a a
a a
a a

Si es posible

A.B =
(
(
(

+ +
+ +
+ + (
=
(

(
(
(

1 . 0 2 . 5 ) 4 ( 0 ) 3 ( 5
1 ). 2 ( 2 . 4 ) 4 )( 2 ( ) 3 .( 4
1 . 3 2 ). 1 ( ) 4 ( 3 ) 3 )( 1
1 4
2 3
0 5
2 4
3 14

=
(
(
(

+ +
+
+
0 10 0 15
2 8 8 12
3 2 12 3

Entonces A.B =
(
(
(

10 15
6 4
1 9


3.
(
(
(

2 1 2
3 0 1

(
(
(

1 1 1
0 0 1
2 4 2
=
(
(
(


6 6 3
1 7 5


3. Sean A =
(

1 4
3 2
; B =
(

2 3
0 1
y C =
(
(
(

3 4 0
2 1 3

Demostrar que: (A +B).C =A.C +B.C
3 x 3 2 x 3
2 x 3
R
E
V
I
S
I

N

25
(A +B).C =

)
`

+
(

2 3
0 1
1 4
3 2

(
(
(

3 4 0
2 1 3

(A +B).C =
(

3 7
3 3

(
(
(

3 4 0
2 1 3
=
(
(
(

23 19 21
15 15 9

A.C =
(

1 4
3 2

(
(
(

=
(
(
(

11 8 12
13 14 6
3 4 0
2 1 3

B.C =
(

2 3
0 1

(
(
(

=
(
(
(

12 11 9
2 1 3
3 4 0
2 1 3

A.C +B.C =
(
(
(

=
(
(
(

+
(
(
(

23 19 21
15 15 9
12 11 9
2 1 3
11 8 12
13 14 6


4. Encuentre los valores de a, b, c, en la siguiente ecuacin matricial:
4
(

1 c
b a
=2
(

1 a
c b
+2
(

a
a
5
4

Solucin:

(

+
(

=
(

a
a
a
c b
c
b a
2 10
2 8
2 2
2 2
4 4
4 4


(

+
+ +
=
(

a a
a c b
c
b a
2 2 10 2
2 8 2
4 4
4 4

De donde:
8 2 4 + = b a (1)
a c b + = 2 4 (2)
10 2 4 + = a c (3)
a 2 2 4 = (4) a 2 2 4 =
Lo cual
queda
demostrado.
R
E
V
I
S
I

N

26
a 2 6 =
=

a
2
6
3 = a 5
Reemplazo (5) en (1): 8 2 ) 3 ( 4 + = b
8 2 12 + = b
b 2 8 12 =
= b
2
4
2 = b
Reemplazo (5) en (3): 10 ) 3 ( 2 4 + = c
10 6 4 + = c
= 4 4c =
4
4
c 1 = c

1.4 MATRICES ESPECIALES

El estudio de las matrices especiales se limita a las ms comnmente usadas,
para conocimiento del lector y para sus posibles aplicaciones futuras.

1.4.1 Matriz Identidad (I)

Es una matriz cuadrada (tiene el mismo nmero de filas y columnas) que
tiene su diagonal principal formada de unos (1) y ceros (0) en las dems
posiciones. Son ejemplos de matriz identidad las siguientes:

R
E
V
I
S
I

N

27
(

1 0
0 1
;
(
(
(

1 0 0
0 1 0
0 0 1
;
(
(
(
(

1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
;
La matriz identidad cumple con: Sea A una matriz cuadrada, entonces
A =A .

1.4.2 Matriz Nula

Es una matriz cuyos elementos son ceros.
| | 0 ;
(

0 0
0 0
;
(
(
(

0 0 0
0 0 0
0 0 0
;
(
(
(

0 0
0 0
0 0
;

1.4.3 Matriz Traspuesta

Sea A una matriz cualquiera (cuadrada o no), se llama traspuesta de A
y se denota A
t
, a la matriz cuyas filas de A son las columnas de A
t
o
cuyas columnas de A son las filas de A
t
.

Ejemplos:
1. Sea A =
(


1 0
2 3
A
t
=
(

1 2
0 3

2. Sea B =
(
(
(


6 7
2 5
3 1
B
t
=
(
(
(

6 2 3
7 5 1

2 x 2
3 x 3
4 x 4
Diagonal principal
2 x 2 2 x 2
3 x 2
2 x 3
R
E
V
I
S
I

N

28
3. Sea C =
(
(
(


8 2 5
1 3 0
C
t
=
(
(
(

8 1
2 3
5 0

4. Sea D =
(
(
(

3 5 0
6 10 7
1 2 4
D
t
=
(
(
(

3 6 1
5 10 2
0 7 4


1.4.4 Matriz Fila

Es la matriz que posee una sola fila.

Ejemplos:
1. A =| | 0 2 6
2. B =| | 4 1 5 0
3. C =| | 7

1.4.5 Matriz Columna

Es la matriz que posee una sola columna.
Ejemplos:
1. A =
(

7
3

2. B =
(
(
(
(

4
5
0
1

3. C =| | 7

2 x 3 3 x 2
3 x 3
3 x 3
1 x 3
1 x 4
1 x 1
2 x 1
4 x 1
1 x 1
R
E
V
I
S
I

N

29
1.4.6 Matriz Inversa

Es una matriz que tiene propiedades similares a las del inverso de un nmero.
Es decir, el inverso de 2 es
2
1
o 2
-1
.

La inversa de una matriz A se denota A
-1
y cumple con la propiedad: A
-1
.A =
A. A
-1
=I.
Para obtener la inversa de una matriz A, pueden efectuarse operaciones con
sus filas (horizontales o verticales), teniendo en cuenta que: A =A.I.
Estas operaciones con las filas de A, son seleccionadas en forma arbitraria
(pero con lgica) para convertir la matriz A en una matriz identidad.

Todas las matrices no tienen inversa. Solamente para una matriz cuadrada
puede definirse la inversa. Una matriz que no tiene inversa se denomina
matriz singular, una matriz A es singular si al efectuar operaciones con sus
filas llegamos a una fila nula (todos sus elementos son ceros).

Si para una matriz existe una inversa, sta es nica.

Ejemplos:

Halle, si es posible, la inversa de las siguientes matrices:
a. A =
(

6 4
4 2
, entonces para encontrar la inversa de A (A
-1
), se intenta
resolver la ecuacin matricial A =A . I, para convertir la matriz A en una
matriz identidad. Pero en la ecuacin A =A . I, vemos que A aparece a
R
E
V
I
S
I

N

30
ambos lados de la igualdad, por tal motivo se omitir el miembro izquierdo
de la misma para evitar operaciones dobles, por lo que nos limitaremos
solamente al miembro derecho: A.I.

Es de anotar que la matriz I que multiplica a A debe ser del mismo orden de
A.
Entonces: A.I =
(

6 4
4 2

(

1 0
0 1

Ahora, aplicando operaciones elementales con las filas, se intenta cambiar el
producto A.I en la forma I.A
-1
, como sigue:

(
(

1 0
0
2
1
6 4
2 1

2
1 F


(
(

1 2
0
2
1
2 0
2 1


(
(

2
1
1
0
2
1
1 0
2 1


(
(

2
1
1
1
2
3
1 0
0 1



Fila 1
Fila 2
y se obtiene
la nueva fila 1

-4f
1
+ f
2
y se
obtiene la nueva
fila 2
2
2

F
y se obtiene
la nueva fila 2
-2f
2
+ f
1
y se
obtiene la nueva
fila 1
R
E
V
I
S
I

N

31
Como ya se convirti a A en una matriz identidad, la matriz A es invertible y
su inversa es:

A
-1
=
(
(

2
1
1
1
2
3
, es decir, se cambi A.I por I.A
-1
.

b. Sea B =
(
(
(

1 1 2
4 2 2
6 4 1
; B
-1
=?

Entonces:
(
(
(

(
(
(

1 0 0
0 1 0
0 0 1
1 1 2
4 2 2
6 4 1


(
(
(


(
(
(



1 0 2
0 1 2
0 0 1
11 7 0
8 6 0
6 4 1



(
(
(
(

(
(
(
(

1
6
7
3
1
0
6
1
3
1
0
3
2
3
1
3
5
0 0
3
4
1 0
3
2
0 1





F
1
=F
1
Porque ya se tiene la unidad
-2F
1
+F
2

-2F
1
+F
3

Para obtener la nueva fila 2
Para obtener la nueva fila 3
6
2

F

Para obtener la nueva fila 2
-4F
*
2N
+F
1
Para obtener la nueva fila 1
7F
*
2N
+F
3 Para obtener la nueva fila 3
* F
*
2N
Para obtener la nueva fila 2
3
5
3
3
5
3
F
F
=


Para obtener la nueva fila 3
R
E
V
I
S
I

N

32
(
(
(
(

(
(
(

5
3
10
7
5
1
5
4
10
11
5
3
5
2
5
1
5
1
1 0 0
0 1 0
0 0 1


Entonces B
-1
=
(
(
(
(

5
3
10
7
5
1
5
4
10
11
5
3
5
2
5
1
5
1


c. Demuestre que la siguiente matriz no tiene inversa.

A =
(
(
(


2 3 2
2 1 3
0 2 1

Solucin:
A.I =
(
(
(

(
(
(



1 0 0
0 1 0
0 0 1
2 3 2
2 1 3
0 2 1


(
(
(


(
(
(

1 0 2
0 1 3
0 0 1
2 7 0
2 7 0
0 2 1



(
(
(
(

(
(
(
(

1 1 1
0
7
1
7
3
0
7
2
7
1
0 0 0
7
2
1 0
7
4
0 1

3
4
F
*
3N
+F
2
Para obtener la fila 2
3
2
F
*
3N
+F
1
Para obtener la nueva fila 1
-3F
1
+F
2
para obtener la nueva fila 2


2F
1
+F
3
para obtener la nueva fila 3
Para obtener la nueva fila 2
7
2

F

F
2
+F
1
para obtener la nueva fila 3
-2F*
2N
+F
1
para obtener la nueva fila 1
R
E
V
I
S
I

N

33
Observe que al sumar el segundo y tercer rengln, se obtiene un rengln de
ceros en el lado izquierdo del producto A.I. Debido a esto, se concluye que
no es posible reescribir A.I en la forma I.A
-1
. Esto significa que A no tiene
inversa, es decir, es una matriz SINGULAR.

Las inversas anteriormente calculadas, se pueden comprobar por medio de la
propiedad: A.A
-1
=I.

d. Hallar si es posible, la inversa de la traspuesta de A =
(
(
(


3 1 0
2 0 1
6 1 1

Solucin: A
t
=
(
(
(

3 2 6
1 0 1
0 1 1

Entonces: A
t
.I =
(
(
(

(
(
(

1 0 0
0 1 0
0 0 1
3 2 6
1 0 1
0 1 1

(
(
(


(
(
(


1
1 0 6
0 1 1
0 0 1
3 4 0
1 1 0
0 1


(
(
(


(
(
(

1 4 2
0 1 1
0 1 0
1 0 0
1 1 0
1 0 1


-F
1
+F
2
para obtener la fila nueva F
2


6F
1
+F
3
para obtener la nueva fila F
3

-1F
3
para obtener la nueva F
3

-F
3
+F
2
para obtener la nueva F
2

-F
3
+F
1
para obtener la nueva F
1

F
2
+F
1
para obtener la nueva F
1


4F
2
+F
3
para obtener la nueva F
3

R
E
V
I
S
I

N

34
(
(
(

(
(
(

1 4 2
1 3 3
1 3 2
1 0 0
0 1 0
0 0 1
; entonces: (A
t
)
-1
=
(
(
(




1 4 2
1 3 3
1 3 2


1.5 DETERMINANTES

A toda matriz cuadrada le corresponde un valor numrico como resultado de
unas operaciones realizadas con sus diagonales, as:

Sumatoria de los productos de las diagonales principales menos sumatoria de
los productos de las diagonales secundarias, igual a un valor numrico.

A este valor numrico es lo que se conoce como determinante de una matriz.
El determinante de una matriz A es la misma matriz A, pero encerrada entre
barras verticales en vez de corchetes y se denota as: det. A; A o A .

En este mdulo se utilizar A .
Entonces:
Si A =
33 32 31
23 22 21
13 12 11
33 32 31
23 22 21
13 12 11
a a a
a a a
a a a
A
a a a
a a a
a a a
=
(
(
(

=Valor Numrico.

En el presente mdulo se estudiarn los determinantes de segundo y tercer
orden, a saber:

R
E
V
I
S
I

N

35
1.5.1 Determinantes de Segundo Orden

Son aquellos que poseen dos productos de dos elementos cada uno, uno
positivo (el de su diagonal principal) y el otro negativo (el de su diagonal
secundaria), as:

Sea A =
(

22 21
12 11
a a
a a
A =
22 21
12 11
a a
a a
=a
11
.a
22
a
12
.a
21



Ejemplos: calcular el determinante de las siguientes matrices:
a) A =
(

4 1
2 2
; b) B =
(

4 2
3 0
; c) C =
(

3 1
4 2

Solucin:
a. A = 10 2 8 ) 1 ).( 2 ( 4 2
4 1
2 2
4 1
2 2
= + = =

=
(

x A


b. B = 6 6 0 ) 2 3 ( 4 0
4 2
3 0
4 2
3 0
= = = =
(

x x B

c. C = 10 4 6 ) 1 4 ( ) 3 ( 2
3 1
4 2
3 1
4 2
= = =

=
(

x C


Diagonal
secundaria
Diagonal
Primaria
R
E
V
I
S
I

N

36
1.5.2 Determinantes de Tercer Orden

Son aquellos que poseen seis productos de tres elementos cada uno, tres
positivos (el de sus diagonales principales) y tres negativos (el de sus
diagonales secundarias).

Para calcular el determinante de una matriz A
3 x 3
, se agregan la primera y la
segunda columna o filas de A para formar las columnas o filas cuarta y
quinta. Luego, el determinante de A se obtiene al sumar (o restar) los
productos de sus seis diagonales, como se muestra:

Sea A =
(
(
(

33 32 31
23 22 21
13 12 11
a a a
a a a
a a a
; agregamos la 1
ra
y 2
da
filas

(
(
(
(
(

=
(
(
(

=
23 22 21
13 12 11
33 32 31
23 22 21
13 12 11
33 32 31
23 22 21
13 12 11
a a a
a a a
a a a
a a a
a a a
a a a
a a a
a a a
A


A =a
11
.a
22
.a
33
+ a
21
.a
32
.a
13
+ a
31
.a
12
.a
23
(a
13
.a
22
.a
31
+ a
23
.a
32
.a
11
+
a
33
.a
12
.a
21
)


Diagonales
secundarias
Diagonales
Primarias
Sumatoria de los productos de las diagonales principales
Sumatoria de los productos de las diagonales secundarias
R
E
V
I
S
I

N

37
Lo anterior tambin es posible agregando la 1
era
y 2
da
columnas, como se
muestra a continuacin:

(
(
(

=
(
(
(

=
32 31 33 32 31
22 21 23 22 21
12 11 13 12 11
33 32 31
23 22 21
13 12 11
a a a a a
a a a a a
a a a a a
A
a a a
a a a
a a a
A


= A a
13
.a
21
.a
32
+ a
12
.a
23
.a
31
+ a
11
.a
22
.a
33
(a
13
.a
22
.a
31
+ a
11
.a
23
.a
32
+
a
12
.a
21
.a
33
)

Como puede observarse, se llega al mismo resultado; por lo que es
indiferente el mtodo que se utilice, de all que el lector escoger el que
mejor le parezca.

Ejemplos: calcular los determinantes de:
a. A = ) 6 0 4 ( 16 12 0
2
1
1
2
3
0
1 4 4
2
1
1
2
3
0
1 4 4
2 1 3
1 2 0
+ + + =
(
(
(
(
(

=
(
(
(

A
2 2 4 ) 2 ( 4 = = = A
b. B = ) 4 0 90 ( 84 20 0
7
5
3
2
1
0
2 4 6
7
5
3
2
1
0
2 4 6
7 3 1
5 2 0
+ + + =
(
(
(
(
(

=
(
(
(

B

Diagonales
secundarias
Diagonales
primarias
R
E
V
I
S
I

N

38
198 94 104 ) 94 ( 104 = + = = B


c. C = ) 1 0 2 ( 0
2
1
3
1
0
2
1
1
1
3
1
1
4
1
1
0
2
1
1
1
3
1
1
4
1
1
0 1 1
2 1
3
1
+ + + + =
(
(
(
(
(
(

=
(
(
(


C
6
17
3
6
1
) 3 (
6
1
= = = C
Es de anotar que, si el determinante de una matriz A es cero, quiere esto decir
que A es una matriz singular, o sea que no posee inversa.

1.5.3 Aplicaciones de los Determinantes

Histricamente, el uso de los determinantes surgi de la identificacin de
patrones especiales que ocurren en la solucin de sistemas de ecuaciones
lineales.

Para resolver un sistema de dos o tres ecuaciones con dos o tres incgnitas
por determinantes, se aplica la regla de KRAMER, que dice: El valor de
cada incgnita es una fraccin, cuyo denominador es el determinante
formado con los coeficientes de las incgnitas (determinante del sistema: S )
y cuyo numerador es el determinante que se obtiene sustituyendo en el
determinante del sistema, la columna de los coeficientes de la incgnita que
R
E
V
I
S
I

N

39
se halla, por la columna de los trminos independientes de las ecuaciones
dadas.

Ejemplos: Resolver los siguientes sistemas, aplicando determinantes:
1. 8 4 4 1 4 ) 2 ( 2
2 1
4 2
6 4 2 = = =

= = + x S Y x
8 = S
=

=
2
5
8
20
8
8 12
8
2 2
4 6
X
2
5
= X
=

=
4
1
8
2
8
6 4
8
2 1
6 2
Y
4
1
= Y

2. 20 6 2 = + Y X

) 0 0 0 ( 6 0 2
1
0
1
6
0
2
1 0 1
1
0
1
6
0
2
1 0 1
1 1 0
0 6 2
5 + + + + =
(
(
(
(
(

=
(
(
(

= = + S Z Y
4 = S

4
4
4
30 26
4
) 30 0 0 ( 6 0 20
4
1
0
1
6
5
20
1 0 1
1
0
1
6
5
20
=
+
=
+ +
=
(
(
(
(
(

= X
Z X =-1

2 2 = Y X
R
E
V
I
S
I

N

40
1 = X


4
12
4
2 10
4
) 0 2 0 ( 20 0 10
4
1
0
5
20
0
2
1 1 1
1
0
5
20
0
2
=
+
=
+ + +
=
(
(
(
(
(


=Y
3 = Y

4
8
4
20 28
4
) 0 0 20 ( 30 0 2
4
5
20
1
6
0
2
1 0 1
5
20
1
6
0
2
=

=
+ + + +
=
(
(
(
(
(

=Z

2 = Z

3. 3 2
3
1
+ = + Z Y X
1 = Y X
11 .
4
1
+ = + Y Y X
Como el sistema no est preparado, hay que prepararlo, as:
= + Z Y X 2
3
1
3
R
E
V
I
S
I

N

41
) 1 0 2 ( 0
2
1
3
1
0
2
1
1
1
3
1
1
4
1
1
0
2
1
1
1
3
1
1
4
1
1
0 1 1
2 1
3
1
1 + + + + =
(
(
(
(
(
(

=
(
(
(


= = S Y X
6
17
3
6
1
= = S S
6
17
2
51
6
17
23
2
5
6
17
) 1 0 22 ( 0
2
1
3
6
17
0
2
1
1
1
3
1
4
1
11
0
2
1
1
1
3

+ + + +
=

(
(
(
(
(
(

= X
9 = X


6
17
3
68
6
17
1
3
65
6
17
) 3 0 2 ( 0 22
3
1
6
17
0
2
1
3
1
3
1
1 11 1
0
2
1
3
1
3
1

+ + +
=

(
(
(
(
(
(

= Y
8 = Y ; en la ecuacin: 11
4
1
+ = + Y Z X , remplazo 8 = Y y 9 = X , entonces:
9 11 2 11 ) 8 (
4
1
9 + = + = + Z Z
4 = Z

11
4
1
= + Z Y X
R
E
V
I
S
I

N

42
4. Cuales sern los valores de x, para que:

0
) 1 ( 2
4 ) 1 (
=
+

X
X


Solucin:
0 ) 2 ).( 4 ( ) 1 ).( 1 (
) ( 2
4 ) 1 (
= + =
+

X X
X
X

0 8 1
2
=
x

0 9
2
=
x

9
2
=
x

9 =
x

TALLE












3 . =
x

R
E
V
I
S
I

N

43






Una matriz de m x n es un arreglo rectangular de mn nmeros
arreglados en m filas y n comunas.

Sea A una matriz de m x n y B una matriz de n x p, entonces A x b es
una matriz de m x p.

Si A es una matriz de n x m, B es de m x p y C es de p x q, entonces A
x (B x C) =(A x B) x C y tanto B x C como A x B son matrices de n x
q.

Si todos los productos estn definidos, entonces:
A x (B +C) =A x B +A x C y (A +B) x C =A x C +B x C

El determinante de una matriz A
2x2
=
(

22 21
12 11
a a
a a
est dado por:
A =a
11
a
22
a
12
a
21


El determinante de una matriz A
3x3
=
(
(
(

33 32 31
23 22 21
13 12 11
a a a
a a a
a a a
est dado por.
RESUMEN
R
E
V
I
S
I

N

44
a
11

32 31
22 21
13
33 31
23 21
12
33 32
23 22
a a
a a
a
a a
a a
a
a a
a a
+





1) Demuestre que B es la inversa de A:
a. A =
(
(
(

4 1 0
0 1 0
3 2 2
; B =
(
(
(
(



0
3
2
3
1
1
3
8
3
4
1
3
5
3
4

b. A =
(


3 2
1 1
; B =
(
(

5
1
5
2
5
1
5
3


2) Sean A =
(

c b
a d
y B =
(

1 1
1 1
; cuales son los valores de a, b, c y d,
para que A.B =B.A.

3) Resolver el siguiente sistema aplicando determinantes:
1
4 4 3
= +
Z Y X

1
2 6
= + Z
Y X

0
2 8 2
=
Z Y X


AUTOEVALUACION N
o
1
R
E
V
I
S
I

N

45
4) Sea: A =
(
(
(

3 3 9
3 0 6
6 3 3
; demuestre que | |
t
A A =


5) Calcular la matriz A en la siguiente ecuacin matricial:

-4
(
(
(

(
(
(

+
1 7 3
2 5 1
0 4 3
2
1
2 0 1
0 1 0
4 3 2
A A

6) Calcular, si es posible, la inversa de:


(
(
(

7 1 4
4 0 2
3 1 2











R
E
V
I
S
I

N

46

























PROGRAMACION
R
E
V
I
S
I

N

47






Los conocimientos contenidos en el presente capitulo hacen posible la
formulacin de unos modelos a travs de los cuales, el administrador puede
lograr una mayor eficiencia y un mejor sistema productivo en el mundo
empresarial moderno; sobre todo, cuando deba tomar decisiones que
involucren racionalizacin de recursos para determinar as, el mejor curso de
accin de un problema empresarial.

Para la buena comprensin de este tema se hace necesario que el alumno
diferencie lenguaje coloquial de lenguaje algebraico y sepa expresar
oraciones en forma de lenguaje coloquial a expresiones en forma de lenguaje
algebraico.






Unidad 2
PRESENTACION
R
E
V
I
S
I

N

48







Analizar situaciones reales en las que, relaciones entre actividades,
requerimientos de recursos y la contribucin al objetivo revistan
carcter lineal.

Disear un modelo simblico de un problema cuyo enunciado se
suministre.

Diferenciar entre disponibilidad y requerimiento, para la asignacin y
distribucin de recursos limitados.









OBJETIVOS
R
E
V
I
S
I

N

49


























Qu entiendes por Programacin Lineal?
.
______________________________________________
______________________________________________
______________________________________________
______________________________________________
______________________________________________
______________________________________________

.

En qu campos crees que se ha utilizado la P. L.?
______________________________________________
______________________________________________
______________________________________________
______________________________________________
______________________________________________
______________________________________________

ATREVETE A OPINAR
.

Qu entiendes por Maximizar y por Minimizar?
______________________________________________
______________________________________________
______________________________________________
______________________________________________
______________________________________________
______________________________________________
R
E
V
I
S
I

N

50








A continuacin encontrars 5 expresiones en forma de lenguaje coloquial
(palabras), por favor exprsalas en forma de lenguaje algebraico (ecuaciones
o inecuaciones):

EXPRESIONES MATEMATICAS
EN FORMA DE LENGUAJ E
COLOQUIAL
EN FORMA DE LENGUAJ E
ALGEBRAICO
El doble de un nmero es catorce.
La mitad de un nmero ms su triplo no debe
exceder a cinco.

El quntuplo de un nmero es diecisis menos
el mismo nmero.

El triplo de un nmero ms el doble de otro, al
menos es ocho.

La mitad de un nmero menos la quinta parte
de otro, no debe ser mayor que dos.


ACCIONES PARA
CONSTRUIR EL
CONOCIMIENTO
R
E
V
I
S
I

N

51






2. PROGRAMACIN
2.1 PROGRAMACIN LINEAL (P. L.)
La palabra programacin es un sinnimo de planeacin y el adjetivo lineal
significa que todas las funciones matemticas que se van a trabajar, son
funciones lineales, es decir, que las variables tendrn como exponente la
unidad.

La Programacin Lineal trata la planeacin de las actividades de un
organismo social para obtener un resultado optimo, esto es, el mejor entre
muchos; as, la programacin lineal es una tcnica matemtica cuyo objetivo
es la determinacin de soluciones optimas a los problemas econmicos en los
que intervienen recursos limitados.

2.2 USOS DE LA PROGRAMACIN LINEAL
La Programacin Lineal ha sido empleada con mucho xito en variados
campos, a saber:
En la industria de alimentos, para la obtencin de mezclas optimas de
productos con requerimiento de un mnimo de elementos nutritivos.
R
E
V
I
S
I

N

52
En la industria qumica para efectos de control de la produccin.
En la industria metalrgica, para la planificacin de la produccin y
transporte.
En finanzas para la toma de decisiones.
2.3 PLANTEAMIENTO DE PROBLEMAS DE P. L.

Plantear un problema de Programacin Lineal, implica llevar expresiones
matemticas en forma de lenguaje coloquial a expresiones matemticas en
forma de lenguaje algebraico.

Los problemas que se pueden presentar dentro de la Programacin Lineal son
de maximizacin de utilidades o de minimizacin de costos. La forma
general de los modelos de problemas de Programacin Lineal son:

2.3.1 Modelo de Maximizacin

Objetivo a lograr {
n n
X C X C X C Z Max . ... . . .
2 2 1 1
+ + =
Sujeciones o limitantes del objetivo

+ + +
+ +
+ +
n n mn m m
n n
n n
b x a x a x a
b x a x a x a
b x a x a x a
...
...
...
2 2 1 1
2 2 2 22 1 21
1 1 2 12 1 11

Condicin de no negatividad { 0 ...
2 1
= =
n
X X X
Donde:
Z: Funcin objetivo que se pretende maximizar.
: ... ,
2 1 n
C C C Coeficientes de utilidades o ganancias o ventas
R
E
V
I
S
I

N

53
: ... ,
2 1 n
X X X Variables bsicas de trabajo.
: ... ,
12 11 mn
a a a Coeficientes de usos de recursos.
: ... ,
2 1 n
b b b Disponibilidad de recursos limitados (trminos independientes).

2.3.2 Modelo de Minimizacin

Mn. Z =
n n
X C X C X C . ... . .
2 2 1 1
+ +
Sujeto a:
1 1 2 12 1 11
. .... . . b x a x a x a
n n
+ + +

2 2 2 22 1 12
. .... . b x a x a x a
n n
+ + +
. . .
. . .
. . .

n mn m m
b a x a x a + + + ... . .
2 2 1 1

0 ...
2 1
= =
n
X X X

Donde:
Z: Funcin que se pretende minimizar.
: ... ,
2 1 n
C C C Coeficientes de costos o gastos.
: ... ,
2 1 n
X X X Variables bsicas de trabajo.
: ... ,
12 11 mn
a a a Coeficientes de usos de recursos.
: ... ,
2 1 n
b b b Disponibilidad de recursos limitados (trminos independientes).

2.4 PROCEDIMIENTO PARA PLANTEAR PROBLEMAS
R
E
V
I
S
I

N

54

Para plantear modelos de problemas de programacin lineal, se sugieren los
siguientes pasos:

2.4.1 Entendimiento del problema

Significa hacerse a una idea clara de lo que se quiere, es decir, identificar con
exactitud si se trata de un problema de maximizacin o minimizacin; lo cual
se logra leyendo bien el enunciado (releerlo s es necesario).

2.4.2 Definicin de variables

Significa que, hay que definir en forma clara y precisa las variables de
trabajo o variables fsicas (tantas como sean necesarias o el problema
amerite).

2.4.3 Establecer la funcin objetivo

Significa plantear en forma de ecuacin, el objetivo que se desea alcanzar
(con las variables definidas y los coeficientes de costos o ganancias dados).

2.4.4 Establecer las restricciones

Significa formular las limitantes a que va ha estar sujeta la funcin objetivo,
teniendo en cuenta el uso y la disponibilidad de recursos (pueden ser
desigualdades o igualdades).

R
E
V
I
S
I

N

55
2.4.5 Establecer la no negatividad
Significa darle el sentido de positividad a todas las variables que se tengan
que trabajar, es decir, que todas sean mayores o iguales que cero ( 0 ).
Si el lector sigue la anterior metodologa para formular modelos de
programacin lineal, lo ms probable es que se le dificulte menos el
planteamiento de los mismos, ya que, no existe una formula matemtica para
establecer tales problemas; de all que no sea tarea fcil el plantear dichos
modelos, porque ningn caso se parece a otro.

Ejemplos

1. Un camin puede transportar dos clases de artculos, A y B. Por cada
unidad de A que transporte recibe $1500 y por cada unidad de B, $2000.
El camin tiene una capacidad de 12m
3
y puede transportar carga que no
exceda las 16 toneladas. Los volmenes de A y B son respectivamente 2 y
3m
3
. Los pesos unitarios de A y B son 4 y 3 toneladas respectivamente.

Plantear el anterior problema como un modelo de programacin lineal.

Solucin:

Paso a: Entendimiento: El propietario del camin desea maximizar sus
ganancias. Lo cual est implcito en el hecho de que el enunciado da los
ingresos por cada tipo de artculo que se transporte.
Paso b: Definicin de variables
R
E
V
I
S
I

N

56
Como son dos los tipos de artculos a transportar, sern dos las variables a
definir, as:
Sean: :
1
X Nmero de artculos del tipo A a transportar.
:
2
X Nmero de artculos del tipo B a transportar.
Paso c: Establecer la funcin objetivo
Mx. Z =1500 X
1
+2000 X
2

Paso d: Establecer las restricciones
De capacidad : 2 12 3
2 1
+ X X
De pesos: 16 3 4
2 1
+ X X

Paso e: Establecer la no negatividad
0
2 1
=X X

2. El hospital Regional de Sincelejo est tratando de determinar el nmero
de comidas de pescado y de res que debe servir durante el mes venidero.

El hospital necesita una comida para cada uno de los 30 das. Las comidas
de pescado cuestan $200 cada una y las de res $250 cada una. Ambas
comidas cumplen con las necesidades de protenas. Si se juzga el sabor en
una escala de 1 a 10, el pescado obtiene un 5 y la res un 9.

El hospital quiere alcanzar en el mes por lo menos 200 puntos en el sabor.
Los requerimientos totales de vitaminas en le mes deben ser por lo menos
300 unidades, de las cuales la comida de pescado proporciona 8 unidades
y la de res 12 unidades.
R
E
V
I
S
I

N

57

Plantee como un modelo de programacin lineal.


Solucin
Entendimiento: Lo que pretende el hospital es minimizar los costos, ya
que, el problema otorga coeficientes de los gastos de cada
comida.

Definicin de variables: Al ser dos tipos de comida, sern dos las variables a
utilizar, as:

Sean: :
1
X Nmero de comidas de pescado a servir durante el
mes venidero.
:
2
X Nmero de comidas de res a servir durante el mes
venidero.

Funcin objetivo: Mn. Z =
2 1
250 200 X X +
Restricciones: s.a.: 200 9 5
2 1
+ X X (sabor)
300 12 8
2 1
+ X X (Vitaminas)
1
X +
2
X =30 (total de comidas servidas al mes)
No negatividad: 0
2 1
= X X

3. La asociacin de estudiantes de CECAR dispone de $100.000 y ha
pensado invertir en dos negocios. El primero la reporta una utilidad de
$25 mensuales y el segundo $40 mensuales, por cada $ 100 invertidos.
Debido aciertas condiciones impuestas por la asamblea de socios, se debe
R
E
V
I
S
I

N

58
invertir al menos el 25% del capital en el primer negocio y no ms del
50% en el segundo. Adems, la cantidad invertida en este ltimo no debe
ser mayor a 3/2 veces la cantidad invertida en el primer negocio.
Plantear el problema como un modelo de programacin lineal.
Solucin

Sean: :
1
X Cantidad de dinero a invertir en el primer negocio.
:
2
X Cantidad de dinero a invertir en el segundo negocio.
Mx. Z = +
1
100
25
X
2
100
40
X

Mx. Z:
2 1
5
2
4
1
X X +

Mx. Z:
2 1
40 . 0 25 . 0 X X +
S.a.:
1
X +
2
X 100.000

1
X 25.000

2
X 50.000

2
X
1
2
3
X

1
2
3
X

+
2
X 0

1
X =
2
X 0

4. Se tienen dos centros de sacrificios de reces, uno en Valledupar y otro en
Montera. Existen tres centros de consumo: Bucaramanga, Medelln y
Barranquilla.

R
E
V
I
S
I

N

59
La siguiente tabla muestra los costos de transportar una tonelada de carne
desde cada centro de sacrificio hasta cada centro de consumo. Formule un
modelo de programacin lineal que permita determinar cuanta carne debe
enviarse desde cada centro de sacrificio hasta cada centro de consumo.


1 2 3 Disp
(Ton) B /Manga M/delln B/quilla

Valledupar (1)

$800
$1.500 $950 1.300

Montera (2)

$1.900
$750 $1.300 3.000
Req. (Ton) 1.000 700 600

Solucin
11
X : Toneladas de carne a enviar desde Valledupar a Bucaramanga.
12
X : Toneladas de carne a enviar desde Valledupar a Medelln.
13
X : Toneladas de carne a enviar desde Valledupar a Barranquilla.
21
X : Toneladas de carne a enviar desde Montera a Bucaramanga.
22
X : Toneladas de carne a enviar desde Montera a Medelln.
23
X : Toneladas de carne a enviar desde Montera a Barranquilla.

O bien:
j i
X
,
: Toneladas de carne a enviar desde el centro de sacrificio i al centro de
consumo j .
Donde: i : 1,2
j : 1,2,3
Mn. Z =
23 22 21 13 12 11
300 750 1900 950 1500 800 X X X X X X + + + + +
C. Consumo
C. Sacrificio
R
E
V
I
S
I

N

60
s.a:
13 12 11
X X X + + 1.300

23 22 21
X X X + + 3.000

11
X +
21
X 1.000
+
12
X
22
X 700
+
13
X
23
X 600
0
23 22 21 13 12 11
= = = = = X X X X X X
O bien: 0
,

j i
X
Donde: i : 1,2
j : 1,2,3

5. Una empresa produce dos artculos, A y B. La elaboracin de una unidad
de A requiere $20 de mano de obra y cada unidad de B requiere $10. La
materia prima requerida es de $100 y $300 respectivamente para A y B.
La depreciacin del equipo es proporcional al volumen de produccin y se
ha estimado en $5 por cada unidad de A y $1 por cada unidad de B. Se
cuenta con una disponibilidad de $ 1.000.000 para salarios del periodo,
$1.800.000 para materia prima y no se permite que el desgaste del
equipo supere los $100.000. Respecto a las utilidades no hay certeza, se
espera que estos sean:
Utilidad de A Utilidad de B Probabilidad
$8 $5 0.50
$5 $6 0.25
$7 $7 0.25
Formule el anterior problema como un modelo de programacin lineal

Solucin
R
E
V
I
S
I

N

61

1
X : Cantidad de artculos de tipo A a producir durante el periodo.
2
X : Cantidad de artculos de tipo B a producir durante el periodo.
Mx. Z =( ) 7 25 . 0 5 25 . 0 8 5 . 0 x x x + + .
1
X +( ) 7 25 . 0 6 25 . 0 5 5 . 0 x x x + + .
2
X
Mx. Z =7 X
1
+5,75 x
2

s.a: +
1
20X
2
10X 1.000.000
+
1
100X
2
300X 1.800.000
+
1
5X
2
X 100.000
0
2 1
=X X

6. Una compaa tiene tres tipos de maquinas procesadoras, cada una de
diferente velocidad y exactitud. La maquina tipo I puede procesar
20piezas/hora, con una precisin de 99%; la tipo II, 15piezas/hora, con
una precisin de 95%, y la tipo III, 10piezas/hora, con una precisin del
100%. El funcionamiento de la tipo I cuesta $2/hora; el de la tipo II,
$1.75/hora y el de la tipo III, $1.50/hora. Cada da (8horas) deben
procesarse por lo menos 3500 piezas buenas y hay disponibles 8 maquinas
tipo I; 10 tipo II y 20 tipo III. Cada error le cuesta $1 a la compaa.

Formular como un modelo de programacin lineal.
Solucin

Clculos:
Costo por hora, a partir del funcionamiento de cada maquina,
incluyendo costos por errores:
Tipo I: $2 +20 (0.01) ($1) =$2.2
R
E
V
I
S
I

N

62
Tipo II: $1.75 +15 (0.05) ($1) =$2.5
Tipo III: $1.50 +10 (0) ($1) =$1.5
Cantidad de piezas buenas que produce cada maquina por hora:
Tipo I: 20 (0.99) =19.8 piezas buenas/hora
Tipo II: 15 (0.95) =14.25 piezas buenas/hora
Tipo III: 10 (1) =10 piezas buenas/hora

Total de piezas buenas que deben producirse por hora:
. / 5 . 437
/ 8
/ 3500
hora piezas
da horas
da piezas
=
Entonces, sea:
i
X : Cantidad de maquinas tipo i que deben utilizarse
= i 1,2,3
Mn. Z =
3 2 1
5 . 1 5 . 2 2 . 2 X X + +
s.a:
3 2 1
10 25 . 14 8 . 19 X X X + + 437.5

1
X 8

2
X 10

3
X 20
0
3 2 1
= = X X X
7. Un fabricante produce tres modelos (I, II, III) de cierto producto. l utiliza
dos tipos de materia prima (Ay B), de los cuales se dispone de 4000 y
6000 unidades respectivamente. Los requisitos de materia prima por
unidad de los tres modelos son:

Materia prima Modelo I Modelo II Modelo III
R
E
V
I
S
I

N

63
A 2 3 5
B 4 2 7
El tiempo de mano de obra para cada unidad del modelo I es dos veces mayor
que el del modelo II y tres veces mayor que el del modelo III. Toda la fuerza
de trabajo de la fabrica puede producir el equivalente a 1500 unidades del
modelo I.

Un estudio del mercado indica que la demanda mnima de los tres modelos se
200, 200, 150 unidades respectivamente. Supngase que la ganancia por
unidad de los modelos I, II, III es $30, $20 y $50 respectivamente. Formular
como un modelo de programacin lineal.

Solucin

1
X : Numero de unidades a producir del modelo I
2
X : Numero de unidades a producir del modelo II
3
X : Numero de unidades a producir del modelo III
Mx. Z =
3 2 1
50 20 30 X X X + +
s.a: 4000 5 3 2
3 2 1
+ + X X X
6000 7 2 4
3 2 1
+ + X X X
1500
3
1
2
1
3
1
3
2
1
2
3 2 1
3 1 3 1
2 1 2 1
+ +

= =
= =
X X X
X X X X
X X X X

200
1
X
200
2
X
R
E
V
I
S
I

N

64
150
3
X
0
3 2 1
= = X X X
8. Una empresa elabora dos productos, X y Y, para lo cual utiliza los
materiales A y B. El producto X requiere una unidad del material A y una
unidad del material B. El producto Y requiere tres unidades de A y una
unidad de B.

Las informaciones de los proveedores indican que deben comprarse como
mnimo 300 unidades del material A y 200 del B.

El departamento de maquinado puede elaborar 500 unidades del producto
X o 600 del producto Y, o cualquier relacin de estos. El departamento de
acabado dispone de un total de 2800 minutos de los cuales cada unidad de
X consume cuatro y cada unidad de Y siete. El departamento de ventas
informa que puede venderse a lo sumo 300 unidades del producto y.

Formular como un modelo de programacin lineal, sabiendo que los
costos de produccin ascienden a $12 y $8 para los productos X y Y
respectivamente y los precios de venta son de $16 para el producto X y
$12 para el producto Y.

Solucin

1
X : Cantidad de productos X a elaborar.
2
X : Cantidad de productos Y a elaborar.

R
E
V
I
S
I

N

65
Utilidades =ventas costos

Entonces:
Mx. Z = ( )
2 1 2 1
8 12 12 16 X X X X + +
Mx. Z =
2 1 2 1
8 12 12 16 X X X X +
Mx. Z =
2 1
4 4 X X +
s.a: 300 3
2 1
+ X X
200
2 1
+X X
La relacin:
600
500
2
1
=
X
X

Entonces,
2 1
.
6
5
X X =
1 2
.
5
6
X X = ; Luego: 600
5
6
2 1
+X X 500
6
5
2 1
+ X X
2800 7 4
2 1
+ X X
300
2
X
0
2 1
=X X









R
E
V
I
S
I

N

66





Para plantear un problema de P. L. se sugiere seguir los siguientes
pasos:
- Leer el enunciado hasta lograr su entendimiento.
- Tabular la informacin suministrada.
- Definir variables de trabajo.
- Formular la funcin objetivo.
- Establecer las restricciones.
- Establecer la no negatividad.

Todo problema de P. L. debe contener la condicin de no negatividad,
omitirla sera dejar abierta la posibilidad de que una solucin ptima
puede contener valores negativos.

Los problemas que se pueden presentar en el estudio de la P. L. son de
dos tipos, a saber: de maximizacin y de minimizacin.

Del correcto entendimiento del enunciado de un problema de P. L.,
depender su correcta formulacin o no.


RESUMEN
R
E
V
I
S
I

N

67



R
E
V
I
S
I

N

68


1. La compaa PINTU-COSTA posee una pequea fbrica de pinturas
que produce colorantes para exteriores e interiores de casas para su
distribucin al mayoreo. Se utilizan dos materiales bsicos, A y B, para
producir las pinturas. La disponibilidad mxima de A es de 6 toneladas
diarias, la de B es de 8 toneladas por da. Los requisitos diarios de
materias primas por toneladas de pinturas para exteriores e interiores
se resumen en la siguiente tabla:

Exterior Interior Disp. Mx.
Materia prima A 1 2 6
Materia prima B 2 1 8

Un estudio del mercado ha establecido que la demanda diaria de la
pintura para interiores no puede ser mayor que la de pintura para
exteriores en ms de una tonelada. El estudio seala as mismo, que la
demanda mxima para pintura de interiores esta limitada a dos
toneladas diarias.

Si el precio al mayoreo por tonelada es de $3000 para pintura de
exteriores y $2000 para pintura de interiores, plantea el problema como
un modelo de programacin lineal.

2. Una fbrica de fertilizantes ha recibido un pedido de 1000 toneladas de
un fertilizante que debe satisfacer las siguientes especificaciones:
AUTOEVALUACION N
o
2
R
E
V
I
S
I

N

69
Cuando menos 20% de Nitrgeno.
Cuando menos 30% de Potasio.
Cuando menos 8% de Fsforo.

La compaa ha adquirido cuatro fertilizantes bsicos a partir de los cuales
puede fabricar sus pedidos especiales. Los porcentajes de Nitrgeno, Potasio
y fosfato que contienen los fertilizantes bsicos son:

Fertilizante porcentaje de
Bsico Nitrgeno Potasio fosfato
1 40 20 10
2 30 10 5
3 20 40 5
4 5 5 20

Los costos de los fertilizantes bsicos respectivos son: $16.000, $12.000,
$15.000y $8.000 por tonelada.
Plantee como un modelo de programacin lineal

3. Usted es un alumno de Administracin de Empresas y se ha planteado la
necesidad de maximizar la satisfaccin diaria que le produce la realizacin
de una serie de actividades.

Ha establecido la siguiente lista de actividades con sus diferentes grados de
satisfaccin asociados, as:
R
E
V
I
S
I

N

70
ACTIVIDAD UNIDADES DE SATISFACCION
1. Tomar una cerveza 4
2. Fumar un cigarrillo 2
3. J ugar un partido de softbol 7
4. Dar un paseo por la playa 3
5. Leer un libro importante 2
6. Dormir 4

Aunque usted quisiera realizar todas las actividades, cuenta con algunas
limitaciones. Como es lgico solo dispone de 24 horas al da y las actividades
consumen tiempo, as:
Actividad 1 15 minutos
Actividad 2 10 minutos
Actividad 3 2 horas
Actividad 4 1 hora
Actividad 5 5 horas
Actividad 6 60 minutos
Adems, por la estrechez econmica en que sirve no le es posible tomar ms
de 5 cervezas diarias; no puede fumar ms de cinco cigarrillos al da, por
cuestiones de salud; no puede jugar ms de dos partidos de softbol diarios, por
cansancio; no puede dar ms de dos paseos por la playa, por aburrimiento; no
puede leer ms de dos libros al da por cansancio visual.

En cuanto al sueo, usted sabe que no puede dormir ms de diez horas al da,
ni menos de siete.

Plantear el anterior problema como un modelo de programacin lineal.


R
E
V
I
S
I

N

71
4. Una compaa transportadora tiene 10 camiones con capacidad de 40000
libras y 5 con capacidad de 30000 libras. Los camiones grandes tienen un
costo de operacin de $30 por Km., y los ms pequeos de $25 por Km. En
la prxima semana la compaa debe transportar 400000 libras de malta,
para un recorrido de 800 Km.
La posibilidad de otros compromisos, significa que por cada dos camiones
pequeos mantenidos en reserva, debe quedarse por lo menos uno de los
grandes.

Formula un modelo de programacin lineal que le permita a la compaa
saber, cual es el nmero ptimo de camiones de ambas clases que deben
movilizarse para transportar la malta.

5. Una institucin financiera, se encuentra en el proceso de formular su
poltica de prstamos para el prximo trimestre. Para este fin se asigna un
total de $ 12.000.000. Siendo una institucin de servicios integrales, est
obligada a otorgar prstamos a diversos clientes. La tabla que sigue seala los
tipos de prstamos, la tasa de inters que cobra el banco y la posibilidad de
que el cliente no cubra sus pagos, irrecuperables o incobrables:

Tipo de prstamo Tasa de inters Probabilidad de incobrables
Personal 0.140 0.10
Automvil 0.130 0.07
Casa-habitacin 0.120 0.03
Agrcola 0.125 0.05
Comercial 0.100 0.02
R
E
V
I
S
I

N

72
La competencia con otras instituciones financieras del rea requiere que el
banco asigne cuando menos el 40% de los fondos totales a prstamos
agrcolas y comerciales.

Para dar asistencia a la industria de la habitacin en la regin, los prstamos
para casa - habitacin debe ser igual cuando menos al 50% de los prstamos
personales, para automvil y para casa - habitacin. El banco tiene as mismo
una poltica establecida que especfica que la relacin global de pagos
irrecuperables no puede ser superior a 0.04.

Plantee el problema como un modelo de programacin lineal.














R
E
V
I
S
I

N

73


1) FUNCION OBJETIVO: Es una expresin cuantitativa de los valores que
deben optimizarse. Puede ser deseable minimizar o maximizar esta funcin.

2) LENGUAJE ALGEBRAICO: Es el planteamiento de un problema en
forma de ecuaciones de igualdad o inecuaciones de desigualdad, como
resultado de un lenguaje coloquial.

3) LENGUAJE COLOQUIAL: Es el enunciado de un problema en forma
de palabras que debe ser llevado a lenguaje algebraico.

4) ORGANISMO SOCIAL: Es toda empresa (pblica o privada)
conformada por personas que buscan un bien comn.














GLOSARIO DE TERMINOS
R
E
V
I
S
I

N

74


















METODOS DE
SOLUCION DE LA
P. L.
Unidad 3
R
E
V
I
S
I

N

75



El presente capitulo nos proporciona las tcnicas de solucin para los modelos
de programacin lineal, iniciando con la grfica de los mismos, que
generalmente se emplea para resolver casos de dos variables, ya que resulta
bastante difcil graficar en planos de tres variables e imposible hacerlo para
cuatro o ms variables.

Seguidamente se trata la tcnica algebraica Simplex, que a diferencia del
mtodo grfico sirve para solucionar problemas de programacin lineal sin
tener en cuenta el nmero de incgnitas. Ambos mtodos son herramientas
muy eficientes, sencillas y exactas en la solucin de modelos de programacin
lineal; por lo que, sus vigencias datan de muchos aos atrs.










PRESENTACION
R
E
V
I
S
I

N

76


Explicar el empleo de la solucin grfica para resolver problemas de
Programacin Lineal de dos variables.

Definir los conceptos bsicos empleados para desarrollar la tcnica
Simplex.

Solucionar problemas de P. L. con dos o ms variables por el Mtodo
Simplex.














OBJETIVOS
R
E
V
I
S
I

N

77

























ATREVETE A OPINAR
.
Qu entiendes por Mtodo Grfico?
__________________________________________________
__________________________________________________
__________________________________________________
__________________________________________________
__________________________________________________
__________________________________________________

.

Por qu piensas que no se pueden solucionar
problemas de P. L. de dos o ms variables por el
Mtodo Grfico?
__________________________________________________
__________________________________________________
__________________________________________________
__________________________________________________
__________________________________________________
__________________________________________________

.

Qu entiendes por el trmino simplex?
__________________________________________________
__________________________________________________
__________________________________________________
__________________________________________________
__________________________________________________
__________________________________________________

R
E
V
I
S
I

N

78




Ubica los siguientes puntos en el plano cartesiano:
a) (3 , 5)
b) (5 , 3)
c) (-1 , 2)
d) (3 , 4)
e) (2 , -1)

Obtener la grfica de cada una de las siguientes ecuaciones:
a) 2 Y =12
b) 3 X +2 Y =18
c) 3 X +5 Y =60

Soluciona las siguientes operaciones algebraicas:
a)
3
1
4
3
+
b)
8
3
6
5

c) 2
2
1
+
d)
5
1
30
1
3
1
+

ACCIONES PARA
CONSTRUIR EL
CONOCIMIENTO
R
E
V
I
S
I

N

79



3. METODOS DE SOLUCION DE LA PROGRAMACION LINEAL

3.1 MTODO GRFICO

Si el modelo se restringe nicamente a dos variables, es posible representarlo
y resolverlo grficamente; de all que, de lo que se trata es de obtener una
grfica de todo el modelo dado (solucin factible), ya que cada restriccin
define un rea que contiene un nmero infinito de puntos, la cual no excede la
desigualdad y el conjunto de grficas (todas las restricciones) definen un rea
comn a todo el modelo (interseccin de sentidos), la cual nos proporcionar
la solucin optima del mismo.

Cabe anotar que, todas las soluciones grficas de modelos de programacin
lineal, se dan en el primer cuadrante del plano cartesiano (x, y o
2 1
,X X ), tal
como lo especifica la restriccin de no negatividad ( 0
2 1
=X X ).

3.1.1 Procedimiento Grfico

Para darle solucin a un problema de programacin lineal por el mtodo
grfico, se requiere seguir los siguientes pasos:

R
E
V
I
S
I

N

80
3.1.1.1 Convertir las desigualdades en igualdades, reemplazando los
signos y por el signo =. Este cambio genera ecuaciones de lnea recta, que
permiten graficar en el plano (x, y).
3.1.1.2 Hallar los intersectos (puntos de corte) con los ejes, partiendo del
axioma que reza: dos puntos definen una recta, la cual lograremos
igualando a cero cada variable por separado y obtendremos automticamente
el valor de la otra.

3.1.1.3 Graficar cada una de las ecuaciones lineales, dndoles el sentido
que posean las desigualdades, utilizando flechas sobre las lneas rectas para
representar la regin que debe considerarse como parte del espacio solucin.

3.1.1.4 Determinar el rea comn, mediante la ayuda de las flechas sobre
las lneas rectas y as poder ubicar la interseccin de los sentidos de las
desigualdades.

3.1.1.5 Calcular el valor de la funcin objetivo (solucin ptima), por
medio de la sustitucin de cada uno de los vrtices de la zona comn en el
objetivo a lograr: el ms grande, si se trata de un caso de maximizacin el
ms pequeo, si se trata de un caso de minimizacin.

Adems de la anterior metodologa, se le recomienda al lector utilizar hojas
de papel milimetrado en la solucin grfica de los problemas de programacin
lineal propuestos en el presente modulo y en los conseguidos en cualquier
texto de programacin lineal e investigacin de operaciones.
R
E
V
I
S
I

N

81
EJEMPLOS

Solucionar por el mtodo grfico los siguientes modelos de programacin
lineal:

1. Max. Z =
2 1
5 3 X X +
s.a:
1
X 4

2
2X 12
+
1
3X
2
2X 18

1
X =
2
X 0

Solucin

Paso a: Convertir desigualdades en igualdades
4
1
= X (1)
12 2
2
= X (2)
18 2 3
2 1
= + X X (3)
Paso b: Hallar los intersectos con los ejes
En la ecuacin (1): 4
1
= X Lnea recta paralela al eje
2
X o Y
En la ecuacin (2): 12 2
2
= X ;
2
12
2
= X
6
2
= X Lnea recta paralela al eje
1
X o X.
En la ecuacin (3): 18 2 3
2 1
= + X X
S ( ) 18 2 0 3 0
2 1
= + = X X
18 2 0
2
= + X
R
E
V
I
S
I

N

82
18 2
2
= X

2
18
2
= X
= 9
2
X Tenemos el intersecto (0, 9).
S ( ) 18 0 2 3 0
1 2
= + = X X
18 0 3
1
= + X
18 3
1
= X

3
18
1
= X
= 6
1
X tenemos el intersecto (6, 0).

Paso c: Graficar las ecuaciones lineales.













.
1
5
2 3 4
6
7
5
6
4
3
2
1
9
8
.
. .
.
X
1
X
2
X
1
4
2X
2
12
P
1

P
4

P
3

P
2

P
5

(0,0)
3X
1 +
2X
2
18
R
E
V
I
S
I

N

83
Paso d: Determinar el rea comn
La regin conformada por los vrtices p
1
, p
2
, p
3
, p
4
y p
5
, es la
interseccin de todos los sentidos de las desigualdades, es decir,
es el rea comn donde estar la solucin del modelo.

Paso e: Calcular el valor de la funcin objetivo
El polgono de la grfica, est compuesto de 5 vrtices, as:
( ) 0 , 4
1
P
( ) 3 , 4
2
P
( ) 6 , 2
3
P
( ) 6 , 0
4
P
( ) 0 , 0
5
P se descarta porque no maximiza nada.

Cada uno de estos vrtices genera una solucin, reemplazndolos en la
funcin objetivo, as:
( ) ( ) ( ) 12 0 5 4 3 0 , 4
1 1
= + = Z P
( ) ( ) ( ) 27 3 5 4 3 3 , 4
2 2
= + = Z P
( ) 6 , 2
3
P ( ) ( ) 36 6 5 2 3
3
= + = Z
( ) 6 , 0
4
P ( ) ( ) 30 6 5 0 3
4
= + = Z

Como puede observarse, el valor ms grande que asume la funcin objetivo Z
es de 36 y proviene del vrtice (2, 6), el cual se constituye en el punto ptimo
de la siguiente solucin ptima:
2
*
1
= X
6
*
2
= X
36
*
= Z

R
E
V
I
S
I

N

84
2. Mn. Z =
2 1
5 4 X X +
s.a :
2 1
4 4 X X + 20 ;
2 1
4 4 X X + =20 (1)

2 1
3 6 X X + 24 ;
2 1
3 6 X X + =24 (2)

2 1
5 8 X X + 40 ;
2 1
5 8 X X + =40 (3)
En la ecuacin (1): S ( ) 20 4 0 4 0
2 1
= + = X X
20 4 0
2
= + X
20 4
2
= X

4
20
2
= X
( ) 5 , 0 5
2
= X
S ( ) 20 0 4 4 0
1 2
= + = X X
20 0 4
1
= + X

4
20
20 4
1 1
= = X X
( ) 0 , 5 5
1
= X

En la ecuacin (2): S ( ) 24 3 0 6 0
2 1
= + = X X
24 3 0
2
= + X

3
24
2
= X
( ) 8 , 0 8
2
= X
S ( ) 24 0 3 6 0
1 2
= + = X X
24 0 6
1
= + X

6
24
24 6
1 1
= = X X
( ) 0 , 4 4
1
= X
R
E
V
I
S
I

N

85
4X
1
+4X
2
20
En la ecuacin (3): S ( ) 40 5 0 8 0
2 1
= + = X X
40 5 0
2
= + X
40 5
2
= X

5
40
2
= X

2
X = ) 8 , 0 ( 8
S ( ) 40 0 5 8 0
1 2
= + = X X
40 0 8
1
= + X
40 8
1
= X

8
40
1
= X
( ) 0 , 5 5
1
= X













.
1
5
2 3 4 6
7
5
6
4
3
2
1
9
8
.
.
.
.
X
1
X
2
8X
1
+5X
2
40
P
1

P
3

P
2

7
8
6X
1
+3X
2
24
R
E
V
I
S
I

N

86
( ) ( ) ( ) 20 0 5 5 4 0 , 5
1 1
= + = Z P
( ) ( ) ( ) 22 2 5 3 4 2 , 3
2 2
= + = Z P
( ) ( ) ( ) 40 8 5 0 4 8 , 0
3 3
= + = Z P
Como puede observarse el valor mnimo de Z es 20, entonces: La solucin
ptima es:
5
*
1
= X
0
*
2
= X
20
*
= Z

3. Mx. Z =
2 1
2
3
X X +
s.a:
2 1
2 2 X X + 16

2 1
2X X + 12

2 1
2 4 X X + 28

2 1
X X = 0
Solucin
16 2 2
2 1
= + X X (1)
12 2
2 1
= + X X (2)
28 2 4
2 1
= + X X (3)

En la ecuacin (1)
S ( ) 16 2 0 2 0
2 1
= + = X X
16 2 0
2
= + X
( ) 8 , 0 8
2
16
16 2
2 2 2
= = = X X X
R
E
V
I
S
I

N

87
S ( ) 16 0 2 2 0
1 2
= + = X X
16 0 2
1
= + X
( ) 0 , 8 8
2
16
16 2
1 1 1
= = = X X X
En la ecuacin (2)
S 12 2 0 0
2 1
= + = X X
( ) 6 , 0 6
2
12
12 2
2 2 2
= = = X X X
S ( ) 12 0 2 0
1 2
= + = X X
( ) 0 , 12 12 12 0
1 1
= = + X X
En la ecuacin (3)
S ( ) 28 2 0 4 0
2 1
= + = X X
28 2 0
2
= + X
( ) 14 , 0 14
2
28
28 2
2 2 2
= = = X X X
S ( ) 28 0 2 4 0
1 2
= + = X X
28 0 4
1
= + X
28 4
1
= X

4
28
1
= X
) 0 , 7 ( 7
1
= X





R
E
V
I
S
I

N

88
X
1
+2X
2
12
2X
1
+2X
2
16





















( ) ( ) 7 0
2
3
7 0 , 7
1 1
= + = Z P
( ) ( ) 9 2
2
3
6 2 , 6
2 2
= + = Z P
( ) ( ) 12 4
2
3
6 4 , 4
3 3
= + = Z P
( ) ( ) 9 6
2
3
0 6 , 0
4 4
= + = Z P

.
1
5
2 3 4
6
7
5
6
4
3
2
1
9
8
.
.
.
.
X
1
X
2
4X
1
+2X
2
28
P
1

P
4

P
2

7
8
9 10 11 12
11
14
13
10
12
P
3

R
E
V
I
S
I

N

89
Solucin ptima, el valor ms grande de Z por tratarse de un problema de
maximizacin:
4
*
1
= X
4
*
2
= X
12
*
= Z

4. Mx. Z =
2 1
2 3 X X +
s.a:
2 1
X X + 20

1
X 15

2 1
3X X + 45

2 1
5 3 X X + 60

2 1
X X = 0
Solucin
20
2 1
= +X X (1)
=15
1
X Recta paralela al eje
2
X
45 3
2 1
= + X X (3)
60 5 3
2 1
= + X X (4)
En la ecuacin (1):
S ( ) 20 , 0 20 20 0 0
2 2 1
= = + = X X X
S ( ) 0 , 20 20 20 0 0
1 1 2
= = + = X X X
En la ecuacin (3)
S ( ) 15 , 0 15
3
45
45 3 45 3 0 0
2 2 2 2 1
= = = = + = X X X X X
S ( ) ( ) 0 , 45 45 45 0 3 0
1 1 2
= = + = X X X
R
E
V
I
S
I

N

90
En la ecuacin (4)
S ( ) ( ) 12 , 0 12
5
60
60 5 60 5 0 3 0
2 2 2 2 1
= = = = + = X X X X X
S ( ) ( ) 0 , 20 20
3
60
60 3 60 0 5 3 0
1 1 1 1 2
=

= = = + = X X X X X
X
2
- 3 X
1
+5 X
2
60



20
12
15 X
1
15
P
3

10 P
2

X
1
+3 X
2
45
5 P
1


X
1

- 20 5 10 15 20 45

X
1
+X
2
20

( ) ( ) ( ) 55 5 2 15 3 5 , 15
1 1
= + = Z P
( ) ( ) ( ) 65 10 2 15 3 10 , 15
2 2
= + = Z P
2
95
2
25
2
2
15
3
2
25
,
2
15
3
3
=
|
.
|

\
|
+
|
.
|

\
|
=
|
.
|

\
|
Z P
El mayor valor de Z es 65, luego la solucin ptima es:
15
*
1
= X
10
*
2
= X
Z
*
=65

R
E
V
I
S
I

N

91
3.2 MTODO SIMPLEX

El mtodo Simplex cuyo autor es GEORGE DANTZING, quien lo desarroll
en 1947, es un algoritmo que, a diferencia del mtodo grfico, sirve para
solucionar problemas de programacin lineal sin tener en cuenta el nmero de
ecuaciones ni el de incgnitas.

El algoritmo es un proceso en el que se repite un procedimiento sistemtico
una y otra vez hasta obtener el resultado deseado. Cada vez que se lleva a
cabo el procedimiento sistemtico, se realiza una iteracin.

En consecuencia, el algoritmo Simplex sustituye un problema difcil por una
serie de problemas fciles, mediante un procedimiento para iniciar
(preparacin) y un criterio para determinar cuando detenerse (solucin ptima
o resultado deseado).

La idea general de este mtodo se puede describir como el procedimiento
iterativo que parte del origen y en el que cada iteracin (paso) contiene la
solucin de un sistema de ecuaciones y as seleccionar las variables que
optimicen el valor de la funcin objetivo, obteniendo una nueva solucin a la
que se aplica una prueba de optimalidad.

3.2.1 Procedimiento Simplex

Solucionar un modelo de programacin lineal por el mtodo simplex, implica
seguir los siguientes pasos:

R
E
V
I
S
I

N

92
3.2.1.1 Estandarizar el modelo de P. L. (procedimiento inicial)

Significa convertir las restricciones funcionales de desigualdad en
restricciones de igualdad equivalente, lo cual se logra adicionando variables
de holgura (Si), una por cada restriccin, para que represente el supervit. La
estandarizacin del modelo de programacin lineal tambin tiene que ver con
la funcin objetivo, por lo que debe agregarse a esta funcin todas las
variables que aparecen como extras en las restricciones. Los coeficientes o
contribuciones de las variables extras que deben aparecer en la funcin
objetivo, tendrn valor de 0, para que no modifiquen o alteren el valor ptimo
de la misma.

3.2.1.2 Construir la tabla caracterstica

Consiste en disponer todos los elementos del modelo ya estandarizado en
forma tabular, as:

Sea el siguiente modelo general de programacin lineal:
Mx =
n n
X C X C X C + + + ...
2 2 1 1

s.a:
1 1 2 12 1 11
.... b X A X A X A
n n
+ + +

2 2 2 22 21
... b X A X A X A
n n x
+ + +
. . . .
. . . .

n n mn m m
b X A X A X A + + + ...
2 2 2 1

0
i
X
n i ,.. 2 , 1 =
R
E
V
I
S
I

N

93
TABLA CARACTERISTICA SIMPLEX

j
C
1
C
2
C . . .
n
C

i
C
VB
i
b
1
X
2
X . . .
n
X
i

1
C
2
C
1
X
2
X
1
b
2
b
11
a
21
a
12
a
22
a
. . .
n
a
1

. . .
n
a
2

1

2

n
C
n
X
n
b
1 m
a
2 m
a . . .
mn
a
n


j
Z
0
b
1
Z
2
Z . . .
n
Z

j j
Z C
1 1
Z C
2 2
Z C

n n
Z C

Definicin de la simbologa

j
C : Contribucin de todas las variables bsicas y no bsicas (coeficientes
de las variables en la funcin objetivo).
VB: Variables bsicas (siempre en la primera tabla sern las variables de
holgura).
i
C : Contribucin de las variables bsicas.
i
b : Disponibilidad de recursos al comienzo y valor de las variables bsicas
al final o sobrante de recurso.
0
b : Valor optimo de Z.
j
Z = =
=
n
i
i i
b C b
1
0

=
=
n
i
ij i j
a c Z
1

R
E
V
I
S
I

N

94
n j ... 2 , 1 =
j j
Z C : Parmetro de optimizacin
i
: Parmetro de factibilidad (pauta para la variable que sale)
ij
i
i
a
b
=

3.2.1.3 Variable que entra y la que sale (Criterios del Simplex)

1) Multiplique por 1 a ambos lados la restriccin que tenga el signo ,
esto hace que la restriccin cambie a .
2) Determinar la columna y la fila pivote.

Columna (variable entrante)

Si no hay negativos en
1
b , se selecciona el mayor de los positivos de
(
j j
Z C ).
Si hay negativos en
i
b , se divide la fila (
j j
Z C ) por la fila pivote,
seleccionando el mayor valor absoluto de los negativos de :
. .
) (
2
P F
Z C
j j

= ,
si todos son negativos; si todos son positivos, se escoge el mayor de ellos y
si hay negativos y positivos, se selecciona el mayor positivo

Fila (variable saliente)

Si hay negativos en
i
b , seleccione el mayor valor absoluto de esos
negativos.
R
E
V
I
S
I

N

95
Si no hay negativos en
1
b , seleccione el menor de los positivos de:
. .
1
P C
b
i
=
En la interseccin de la variable que entra y la que sale se encuentra la celda
pivote y en ella, el elemento pivote, en cual se necesita la unidad.

3) Una vez se haga el intercambio (entrante saliente), se aplica el
mtodo de eliminacin de GAUSS J ORDAN para hacer iteracin
Simplex.

4) Revisar la columna b
i
, si hay negativos, pase al tem 2), sino, siga
haciendo iteraciones.

5) La solucin es ptima cuando todos los (c
j
- z
j
) 0. (Prueba de
optimalidad o criterio para detenerse).

EJEMPLOS

Resolver los siguientes modelos de programacin lineal por el mtodo
simplex:

1. Mx. Z =
2 1
2X X +
s.a.:
2 1
3X X + 8

2 1
X X + 4

2 1
X X = 0

Solucin
R
E
V
I
S
I

N

96
a) Estandarizacin:
Mx. Z =
2 1 2 1
0 0 2 S S X X + + +
s.a.:
1 2 1
3 S X X + + =8
+ +
2 1
X X
2
S =4
0
2 1 2 1
= = = S S X X

b) Tabla caracterstica
0 j
C
1 2 0 0
i
C
VB
i
b
1
X
2
X
1
S
2
S
1

0
1
S
8 1 3 1 0
3
8

0
2
S
4 1 1 0 1 4

j
Z
0 0 0 0 0

j j
Z C
1 2 0 0

Entrante (C.P)
c) Variable que entra y variable que sale:

En la tabla se puede apreciar:
- La solucin no es optima, porque todos los
j j
Z C no son 0.
- Al no haber negativos en
i
b , se selecciona para entrar el mayor
positivo de los
j j
Z C . ( )
2
X
- Se determin
. .P C
b
i
i
= y se seleccionar el menor positivo de ellos ( )
1
S .
Saliente
(F.P)
R
E
V
I
S
I

N

97
- En la interseccin de la C.P con la F.P. se encuentra el numero 3 o
elemento PIVOTE. En l hay que hallar la unidad y un cero en la celda
inferior (GAUSS-J ORDAN).

1 j
C
1 2 0 0
i
C
VB
i
b
1
X
2
X
1
S
2
S
1

2
2
X
3
8

3
1

1
3
1

0 8
0
2
S
3
4

3
2

0
-
3
1

1 2

j
Z
3
16

3
2

2
3
2

0

j j
Z C
3
1

0
-
3
2

0


En esta nueva iteracin se observa:

- La solucin no es ptima, porque todos los
j j
Z C no son 0 .
- No hay negativos en
i
b , se seleccion para entrar el mayor de los
positivos de
j j
Z C .( )
1
X
- Se calcul
P C
b
.
1
1
= y se escogi el menor positivo de ellos ( )
2
S .
- En la interseccin de la C.P. con la F.P est el elemento pivote
3
2
. En
l hay que hallar la unidad y un cero en la celda superior.


V N
F F
2 1
+ para obtener
la nueva F2

3
1
F
para obtener la nueva F1
R
E
V
I
S
I

N

98
2
j
C 1 2 0 0
i
C VB
i
b
1
X
2
X
1
S
2
S
2
2
X 2 0 1
2
1
-
2
1

1
1
X 2 1 0
-
2
1

2
3


j
Z 6 1 2
2
1

2
1

j j
Z C 0 0
-
2
1
-
2
1


En este paso podemos ver que:
- Todos los
j j
Z C son 0 , luego la solucin es optima (el algoritmo se
detiene)
- La solucin ptima es:
2
*
1
= X ;
2
X = 2 ; 0
*
1
= S ; 0
*
2
= S ; 6
*
= Z

2. Mx. Z =
2 1
2 3 X X +
s.a
1
X 4
+
1
X
2
3X 15
+
1
2X
2
X 10
0
2 1
=X X
a) Estandarizacin
Max. Z =
3 2 1 2 1
0 0 0 2 3 S S S X X + + + +
s.a: +
1
X
1
S =4
+
1
X
2
3X +
2
S =15

2 1
2 X X + +
3
S =10
0
3 2 1 2 1
= = = = S S S X X
V N
F F
1 2
3
1
+ para obtener la nueva F1
2
2
3
F para obtener la nueva F2
R
E
V
I
S
I

N

99
b) Tabla caracterstica
0
j
C 3 2 0 0 0
i
C VB
i
b
1
X
2
X
1
S
2
S
3
S
1

0
1
S 4 1 0 1 0 0 4
0
2
S 15 1 3 0 1 0 15
0
3
S 10 2 1 0 0 1 5

j
Z 0 0 0 0 0 0
j j
Z C 3 2 0 0 0

c) Variable entrante y variable saliente
- No hay solucin optima porque todos los
j j
Z C no son 0 .
- No hay negativos en
i
b , entonces entra el mayor positivo de los
( )
1
X Z C
j j
.
-
P C
b
.
1
1
= y se selecciona para salir el menor positivo ( )
1 1
S .
1
j
C 3 2 0 0 0
i
C VB
i
b
1
X
2
X
1
S
2
S
3
S
1

3
1
X 4 1 0 1 0 0

0
2
S 11 0 3 -1 1 0 11/3
0
3
S 2 0 1 -2 0 1 2

j
Z 12 3 0 3 0 0
j j
Z C 0 2 -3 0 0

-F
1
+F
2
para obtener la nueva F
2

-2F
1
+F
3
para obtener la nueva F
3

-3F
3
+F
2
para obtener la nueva F
2

R
E
V
I
S
I

N

100
En la tabla 1 se aprecia:
- No hay solucin ptima, porque todos los
j j
Z C no son 0.
- Entra el mayor positivo de los
j j
Z C , porque no hay negativos en
i
b .
- Sale el menor positivo de
P C
b
i
.
1
=
2
j
C 3 2 0 0 0
i
C VB
i
b
1
X
2
X
1
S
2
S
3
S
1

3
1
X 4 1 0 1 0 0 4
0
2
S 5 0 0 5 1 -3 1
2
2
X 2 0 1 -2 0 1 -1

j
Z 16 3 2 -1 0 2
j j
Z C 0 0 1 0 -2

En la tabla 2 observamos que:
- No hay solucin ptima ya que todos los
j j
Z C no son 0.
- No hay negativos en
i
b , entonces entra el mayor positivo de los
( )
1
S Z C
j j
.
- Sale el menor positivo de
P C
b
.
1
1
= ( )
2
S

Luego realizamos el intercambio de la variable entrante por la saliente, as:



-F
2N
+F
1V
para obtener la nueva F
1

-
5
2
F
para obtener la nueva F
2

2F
2N
+F
3V
para obtener la nueva F
3

R
E
V
I
S
I

N

101
3
j
C 3 2 0 0 0
i
C VB
i
b
1
X
2
X
1
S
2
S
3
S
3
1
X 3 1 0 1
-
5
1

5
3

0
1
S 1 0 0 0
5
1
-
5
3

2
2
X 4 0 1 0
5
2
-
5
1


j
Z 17 3 2 0
5
1

5
7

j j
Z C 0 0 0
-
5
1
-
5
7


En esta interacin se llega a la solucin ptima, porque, todos los
j j
Z C 0.
Entonces la solucin ptima es:
3
*
1
= X ; 4
*
2
= X ; 1
*
1
= S ; 0
*
2
= S ; 0
*
3
= S ; 17
*
= Z
Las variables
2
S y
3
S son ceros porque no aparecen en la columna VB.

3. Mx. Z =
2 1
2 10 X X +
s.a : 30 2 3
2 1
+ X X
50 5
2 1
+ X X
25 7 2
2 1
+ X X
0
2 1
=X X
Ntese que la primera restriccin posee signo , entonces se multiplica
por 1 a ambos lados de ella para que cambie a , as ( 30 2 3
2 1
+ X X )
(-1) = 30 2 3
2 1
X X .

R
E
V
I
S
I

N

102
Entonces:
Mx. =
3 2 1 2 1
0 0 0 2 10 S S S X X + + + +
s.a: +
2 1
2 3 X X
1
S =-30
+
1
X
2
5X +
2
S =50
+
1
2X
2
7X +
3
S =25
0
3 2 1 2 1
= = = = S S S X X
0
j
C 10 2 0 0 0
i
C VB
i
b
1
X
2
X
1
S
2
S
3
S
0
1
S -30 -3 -2 1 0 0
0
2
S 50 1 5 0 1 0
0
3
S 25 2 7 0 0 1

j
Z 0 0 0 0 0 0
j j
Z C 10 2 0 0 0

2

-
3
10

-1 0



Entra el mayor valor absoluto de los negativos de
2
=
. .P F
Z C
j j


Al haber un valor negativo en
i
b : Sale automticamente. De haber ms de
uno, saldra el mayor valor absoluto de ellos.
R
E
V
I
S
I

N

103

1
j
C 10 2 0 0 0
i
C VB
i
b
1
X
2
X
1
S
2
S
3
S
1

10
1
X 10 1
3
2
-
3
1

0 0 -30
0
2
S 40 0
3
13

1/3 1 0 120
0
3
S 5 0
3
17

2/3 0 1
2
15


j
Z 100 10
3
20
-
3
10

0 0
j j
Z C 0
-
3
14

3
10

0 0


2
j
C 10 2 0 0 0
i
C VB
i
b
1
X
2
X
1
S
2
S
3
S
10
1
X
2
25

1
2
7

0 0
2
1

0
2
S
2
75

0
2
3

0 1
-
2
1

0
1
S
2
15

0
2
17

1 0
2
3


j
Z 125 10 35 0 0 5
j j
Z C 0 -33 0 0 -5

Todos los (
j j
Z C ) 0 , entonces la solucin es ptima:
2 / 25
*
1
= X ; 0
*
2
= X ; 2 / 15
*
1
= S ; 2 / 75
*
2
= S ; 0
*
3
= S ; 125
*
= Z

V N
F F
1 3
3
1
+ para obtener la nueva F
1
-
V N
F F
2 3
3
1
+ para obtener la nueva F
2
3
2
3
F para obtener la nueva F
3
R
E
V
I
S
I

N

104
4. Mx. Z =
3 2 1
5 6 4 X X X + +
s.a
3 2 1
2 4 10 X X X + + 95

2 1
2 2 X X + 41
+
1
X
3
2X 61
0
3 2 1
= = X X X

Solucin
Mx. Z =
3 2 1 3 2 1
0 0 0 5 6 4 S S S X X X + + + + +

1 3 2 1
2 4 10 S X X X + + + =95
+ +
2 1
2 2 X X
2
S =41
+ +
3 1
2X X
3
S =61
0
3 2 1 3 2 1
= = = = = S S S X X X

0
j
C 4 6 5 0 0 0
i
C VB
i
b
1
X
2
X
3
X
1
S
2
S
3
S
1

0
1
S 95 10 4 2 1 0 0 95/4
0
2
S 41 2 2 0 0 1 0 41/2
0
3
S 61 1 0 2 0 0 1


j
Z 0 0 0 0 0 0 0
j j
Z C 4 6 5 0 0 0



-2F
2
+F
1
2
2
F

R
E
V
I
S
I

N

105
1
j
C 4 6 5 0 0 0
i
C VB
i
b
1
X
2
X
3
X
1
S
2
S
3
S
1

0
1
S 13 6 0 2 1 -2 0
2
13

6
2
X
2
41

1 1 0 0
2
1

0

0
3
S 61 1 0 2 0 0 1
2
61


j
Z 123 6 6 0 0 3 0
j j
Z C -2 0 5 0 -3 0




2
j
C 4 6 5 0 0 0
i
C VB
i
b
1
X
2
X
3
X
1
S
2
S
3
S
1

5
3
X
2
13

3 0 1
2
1

-1 0
-
2
13

6
2
X
2
41

1 1 0 0
2
1

0 41
0
3
S 48 -5 0 0 -1 2 1 24

j
Z
2
311

21 6 5
2
5

-2 0
j j
Z C -17 0 0
-
2
5

2 0



2
1
F

-F
1
+F
3

F
3N
+F
1
-
2
1
F
3N
+F
2
2
3
F

R
E
V
I
S
I

N

106
3
j
C 4 6 5 0 0 0
i
C VB
i
b
1
X
2
X
3
X
1
S
2
S
3
S
5
3
X
2
61

2
1

0 1 0 0
2
1

6
2
X
2
17

4
9

1 0
4
1

0
-
4
1

0
2
S 24
-
2
5

0 0
-
2
1

1
2
1


j
Z
2
407

16 6 5
2
3

0 1
j j
Z C -12 0 0
-
2
3

0 -1
Todos los ( C
j
- Z
j
) 0, entonces la solucin es ptima:
0
*
1
= X ; 2 / 17
*
2
= X ; 2 / 61
*
3
= X ; 0
*
3
*
1
= = S S ; 24
*
2
= S ; 2 / 407
*
= Z
Hasta aqu hemos solucionado casos de maximizacin, ahora miraremos
problemas de minimizacin, los cuales solucionaremos por el mtodo de
maximizando el negativo de la funcin objetivo, el cual consiste en
multiplicar todo el problema por 1 al inicio (excepto la condicin de no
negatividad) y al final tambin se multiplica por 1para volver al caso de
minimizacin original, as:
Solucionar los siguientes modelos de P. L. por el mtodo Simplex:

1. Minimizar Z =
3 2 1
18 12 4 X X X + +
s.a. : 3 3
3 1
+ X X
5 2 2
3 2
+ X X
0
3 2 1
= = X X X
R
E
V
I
S
I

N

107
Se multiplica el modelo por 1, entonces:
Maximizar (-Z)=
3 2 1
18 12 4 X X X
s.a :
1
X
3
3X -3

3 2
2 2 X X -5
0
3 2 1
= = X X X
Ahora estandarizamos:
Maximizar (-Z) =
2 1 3 2 1
0 0 18 12 4 S S X X X + +
s.a:
1
X +
3
3X
1
S =-3
+
3 2
2 2 X X
2
S =-5
0
2 1 3 2 1
= = = = S S X X X

0
j
C -4 -12 -18 0 0
i
C VB
i
b
1
X
2
X
3
X
1
S
2
S
0
1
S -3 -1 0 -3 1 0
0
2
S -5 0 -2 -2 0 1

j
Z 0 0 0 0 0 0
j j
Z C -4 -12 -18 0 0

2


6 9

0





2
2

F

3F
2N
+F
1V
R
E
V
I
S
I

N

108
1
j
C -4 -12 -18 0 0
i
C VB
i
b
1
X
2
X
3
X
1
S
2
S
1

0
1
S
2
9

-1 3 0 1
-
2
3

2
3

-18
3
X
2
5

0 1 1 0
-
2
1

2
5


j
Z -45 0 18 -18 0 9
j j
Z C -4 6 0 0 -9


2
j
C -4 -12 -18 0 0
i
C VB
i
b
1
X
2
X
3
X
1
S
2
S
-12
2
X
2
3
-
3
1

1 0
3
1
-
2
1

-18
3
X 1
3
1

0 1
-
3
1

0

j
Z -36 -2 -12 -18 2 6
j j
Z C -2 0 0 -2 -6

Como todos los
j j
Z C son 0, entonces la solucin ptima es:
0
*
1
= X 2 / 3
*
2
= X 1
*
3
= X 0
*
2
*
1
= = S S
36
*
= Z Se le cambia de signo para que no se altere el modelo original de
Minimizacin.


3
1
F

-F
1N
+F
2V
R
E
V
I
S
I

N

109
2. Mn. =
4 3 2 1
60 45 15 20 X X X X + + +
s.a: + +
2 1
X X
3
X -
4
3X 3
+
1
X
3
3X +
4
5X 2
0
4 3 2 1
= = = X X X X
Entonces:
Max. (-Z) =
4 3 2 1
60 45 15 20 X X X X
s.a. :
2 1
X X
3
X +
4
3X -3

1
X
3
3X -
4
5X -2

4 3 2 1
X X X X = = = 0
Estandarizando:
Max. (-Z) =
2 1 4 3 2 1
0 0 60 45 15 20 S S X X X X + +
s.a. : +
3 2 1
X X X +
4
3X
1
S =-3

1
X
3
3X +
4
5X
2
S =-2

2 1 4 3 2 1
S S X X X X = = = = = 0
Tabulando:
0
j
C -20 -15 -45 -60 0 0
i
C VB
i
b
1
X
2
X
3
X
4
X
1
S
2
S
0
1
S -3 -1 -1 -1 3 1 0
0
2
S -2 -1 0 -3 -5 0 1

j
Z 0 0 0 0 0 0 0
j j
Z C -20 -15 -45 -60 0 0
2
20 15 45 -20 0


1
1

F

-3F
1
+F
2
R
E
V
I
S
I

N

110

1
j
C -20 -15 -45 -60 0 0
i
C VB
i
b
1
X
2
X
3
X
4
X
1
S
2
S
1

-45
3
X 3 1 1 1 -3 -1 0 3
0
2
S 7 2 3 0 -14 -3 1
3
7


j
Z -135 -45 -45 -45 135 45 0
j j
Z C 25 30 0 -195 -45 0

2
j
C -20 -15 -45 -60 0 0
i
C VB
i
b
1
X
2
X
3
X
4
X
1
S
2
S
1

-45
3
X
3
2

3
1

0 1
3
5

0
-
3
1

2
-15
2
X
3
7

3
2

1 0
-
3
14

-1
3
1

2
7


j
Z -65 -25 -15 -45 -5 15 10
j j
Z C 5 0 0 -55 -15 -10


3
j
C -20 -15 -45 -60 0 0
i
C VB
i
b
1
X
2
X
3
X
4
X
1
S
2
S
-20
3
X 2 1 0 3 5 0 -1
-15
2
X 1 0 1 -2 -8 -1 1

j
Z -55 -20 -15 -30 20 15 5
j j
Z C 0 0 -15 -80 -15 -5
-F
2N
+F
1V
3
2
F

3F
1
-2F
1
+F
2
R
E
V
I
S
I

N

111
Todos los
j j
Z C son 0, entonces la solucin ptima es:
2
*
1
= X ; 1
*
2
= X ; 0
*
3
= X ; 0
*
4
= X ; 0
*
2
*
1
= = S S ; 55
*
= Z

3. Min. Z =
3 2 1
10 15 4 X X X + +
s.a. : + +
2 1
X X
3
2X 3

2
3X +
3
X 2

3 2 1
X X X = = 0
Al multiplicar por -1, obtenemos:
Mx. (-Z) =
3 2 1
10 15 4 X X X
s.a. :
3 2 1
2X X X -3

3 2
3 X X -2

3 2 1
X X X = = 0
Ahora estandarizamos el modelo:
Mx. (-Z) =
2 1 3 2 1
0 0 10 15 4 S S X X X + +
s.a. :
1 3 2 1
2 S X X X + =-3
+
3 2
3 X X
2
S =-2

2 1 3 2 1
S S X X X = = = = 0
Entonces:
0
j
C -4 -15 -10 0
i
C VB
i
b
1
X
2
X
3
X
1
S
2
S
0
1
S -3 -1 -1 -2 1 0
0
2
S -2 0 -3 -1 0 1

j
Z 0 0 0 0 0 0
j j
Z C -4 -15 -10 0 0
2
4 15 5 0


1
1

F

-3F
1
+F
2

R
E
V
I
S
I

N

112
1
j
C -4 -15 -10 0 0
i
C VB
i
b
1
X
2
X
3
X
1
S
2
S
1

-15
2
X 3 1 1 2 -1 0
2
3

0
2
S 7 3 0 5 -3 1
5
7


j
Z -45 -15 -15 -30 15 0
j j
Z C 11 0 20 -15 0



2
j
C -4 -15 -10 0 0
i
C VB
i
b
1
X
2
X
3
X
1
S
2
S
-15
2
X
5
1
-
5
1

1 0
5
1
-
5
2

-10
3
X
5
7

5
3

0 1
-
5
3

5
1


j
Z -17 -3 -15 -10 3 4
j j
Z C -1 0 0 -3 -4

Como todos los
j j
Z C 0, entonces la solucin ptima es:
0
*
1
= X
5 / 1
*
2
= X
5 / 7
*
3
= X
0
*
2
*
1
= = S S
17
*
= Z
-2F
2N
+F
1V

5
2
F

R
E
V
I
S
I

N

113


Para poder darle solucin a un modelo de P. L. por el Mtodo Simplex,
primero que todo hay que estandarizar el modelo (prepararlo),
adicionando variables de holgura (S
i
), una por cada restriccin y en
forma ascendente.

Cuando no hay valores negativos en la columna b
i
, se selecciona para
entrar el mayor de los positivos de la fila (C
j
Z
j
), luego se procede a
sacar el menor positivo de la columna
CP
b
i
=
1
.

Cuando hay valores negativos e la columna b
i
, se selecciona para salir
el mayor valor absoluto de estos, luego se procede a entrar el mayor
valor absoluto de
FP
Z C
j j
) (
2

= , si todos son negativos; si todos son
positivos se selecciona el mayor de ellos y si hay negativos y positivos,
se selecciona el mayor positivo.

En una solucin ptima no pueden aparecer valores negativos en la
columna b
i
, ya que esto contradice la condicin de no negatividad.

Una solucin es ptima cuando todos los valores de la fila (C
j
Z
j
) son
0

RESUMEN
R
E
V
I
S
I

N

114


1) Aplique el mtodo Simplex para darles solucin a los siguientes modelos
de P. L.

a) Mn. Z =
2 1
2 3 X X +
s.a. : 250 2 5
2 1
+ X X
100 3
2 1
+ X X
60 3
1
X
0
2 1
=X X

b) Mx. Z =
4 3 2 1
11 10 13 10 X X X X + + +
s.a.: 36 8 3 4 4
4 3 2 1
+ + + X X X X
46 5 4 5 4
4 3 2 1
+ + + X X X X
21 2 3 2
4 3 2 1
+ + + X X X X
0
4 3 2 1
= = = X X X X

c) Mx. Z. =
2 1
2 3 X X +
s.a. : 45 3
2 1
+ X X
12
1
X
30 2
2 1
+X X
0
2 1
=X X


AUTOEVALUACION N
0
3
R
E
V
I
S
I

N

115
d) Mx. Z =
2 1
2
3
2 X X +
s.a. : 40
2 1
+X X
20
1
X
35
2
X
50 2
2 1
+X X
0
2 1
=X X
2) Solucionar por el mtodo grfico los siguientes modelos de programacin
lineal.

a) Mx. Z =
2 1
4 4 X X +
s.a. : 3 3
2 1
+ X X
2
2 1
+X X
6
6
5
2 1
+X X
28 7 4
2 1
+ X X
3
2
X
0
2 1
=X X
b) Mx. Z =
2 1
2 3 X X +
s.a. : 20
2 1
+X X
15
1
X
45 3
2 1
+ X X
60 5 3
2 1
+ X X
0
2 1
=X X

R
E
V
I
S
I

N

116


1) ALGORITMO: Proceso de clculo que proporciona la solucin de un
determinado tipo de problema mediante un nmero finito de pasos. Por
ejemplo: Indicar todos los pasos para sacar la raz cuadrada de un nmero. Un
algoritmo suele consistir en una serie de instrucciones detalladas que indican
paso a paso qu debe hacerse para conseguir la respuesta a cada problema de
un tipo determinado; no es necesaria ninguna iniciativa, sino que se trata de
un proceso puramente mecnico.
2) INTERSECTO: Punto donde una recta corta a cualquiera con los ejes del
plano cartesiano (X,Y).
3) ITERACION: Se refiere al conjunto de pasos necesarios para poder pasar
de una tabla simplex a la otra (Iteracin Simplex).
4) PIVOTE: Hace referencia al elemento organizador o armador para poder
pasar de una tabla Simplex a la otra.
5) RESTRICCION: Es una sujecin o limitante con respecto a la
racionalizacin de recursos empresariales, esbozada en formula de
desigualdad.
6) SOLUCION FACTIBLE: Es una solucin intermedia en la solucin de
modelos de P. L, pero no la mejor de todas.
7) SOLUCION OPTIMA: Es la mejor solucin (final) de los modelos de P.
L entre todas las posibles (Factibles) y es la mayor si el modelo es
maximizacin o la menor si se trata de minimizacin.
GLOSARIO DE TERMINOS
R
E
V
I
S
I

N

117
8) VARIABLES BASICAS: Son las representadas por las columnas que
conforman la matriz identidad en cualquier iteracin Simplex y pueden ser
fsicas o de holgura.
9) VARIABLES FISICAS: Son las que conforman inicialmente a un modelo
de P. L.
10) VARIABLES DE HOLGURA: Representan el valor no negativo
requerido para hacer que exista la igualdad en las restricciones de un modelo
de P. L. Se simboliza por el trmino S
i
, el subndice se refiere a la i - sima
restriccin, ya que para cada restriccin se utiliza una variable de holgura
diferente.
11) VARIABLES NO BASICAS: Son aquellas que no aparecen en ninguna
solucin (Factible u optima), o sea, que son iguales a cero.
















R
E
V
I
S
I

N

118
























LA DUALIDAD
Unidad 4
R
E
V
I
S
I

N

119




Este estudio de la dualidad nos permitir establecer que detrs de todo
problema de P. L existe otro, igualmente importante: El Problema Dual, el
cual encierra valiosa informacin a tener en cuenta al momento de tomar una
decisin utilizando esta herramienta.

El anlisis de la informacin Dual permite conocer los precios implcitos de
los recursos involucrados en el problema Primal, lo cual se logra por medio
del anlisis de sensibilidad, que es una herramienta que dinamiza a los
problemas de Programacin Lineal al sacarlos del estado esttico en que ellos
se presentan, toda vez que son el resultado de situaciones en un momento
determinado de las empresas.










PRESENTACION
R
E
V
I
S
I

N

120



Construir el Problema Dual de un modelo original (Primal) de
Programacin Lineal.

Interpretar el significado de las variables duales en relacin con las
Primales.

Realizar el anlisis de sensibilidad al obtener la solucin ptima de un
problema de Programacin Lineal.













OBJETIVOS
R
E
V
I
S
I

N

121























ATREVETE A OPINAR
.
Qu entiendes por Dualidad?
______________________________________________
______________________________________________
______________________________________________
______________________________________________
______________________________________________
______________________________________________

.

______________________________________________
______________________________________________
______________________________________________
______________________________________________
______________________________________________
______________________________________________

Cmo interpretas el trmino Sensibilidad?.
.

Qu entiendes por Precio Sombra y Costo de
Oportunidad?
______________________________________________
______________________________________________
______________________________________________
______________________________________________
______________________________________________
______________________________________________

R
E
V
I
S
I

N

122





En cada una de las siguientes matrices, obtener la traspuesta
equivalente:
a) A =
(

+
+
) 7 2 ) 5 (
) 4 ( ) 2 3 (
Y X Y X
Y X Y X

b) B =
(
(
(

+
+ +
+ + +
Y Z Z Y X
Z Y X Z Y Z Y X
Z X Z Y X Z Y X
4 ) 3 2 4 (
) 2 5 ( ) 3 ( ) 5 3 (
) 2 ( ) ( ) 3 (


Determina el tamao de la matriz involucrada en cada una de las
siguientes operaciones:
a) A
2X3
. B
3X4
=C
b) A
3X2
. B =C
3X4


Para qu valores de la variable X se satisfacen cada una de las
siguientes igualdades?
a) X
3
1 =7
b) 3 X
2
=- 6


ACCIONES PARA
CONSTRUIR EL
CONOCIMIENTO
R
E
V
I
S
I

N

123


4. EL PROBLEMA DUAL (P. D.)
4.1 DUALIDAD
Dado un conjunto de datos correspondientes a un mdulo de P. L, existe otro
modelo elaborado a partir de los mismos datos, con una estructura diferente
que viene a ser como la imagen del primero, conocido como el Problema Dual
(al original se le denomina Problema Primal P. P).

La dualidad es uno de los descubrimientos de gran importancia para el
desarrollo de la P. L, ya que con el conjunto de datos originales (P. P) se
puede encontrar al mismo tiempo la solucin Primal y la Dual.

La dualidad se caracteriza porque para todo problema de maximizacin de
P. L existe un problema equivalente de minimizacin y viceversa.

4.2 IMPORTANCIA TEORICA DE LA DUALIDAD
La importancia terica radica en la conceptualizacin que se da en las
relaciones matemticas entre el Primal y el Dual, lo que permite que al
encontrar la solucin de uno de los problemas, se obtenga al mismo tiempo la
solucin de su problema equivalente.

A continuacin se describen las diferentes relaciones entre los dos modelos y
sus componentes:
R
E
V
I
S
I

N

124
4.2.1 Relaciones Entre el Modelo Primal y el Dual

a. Si el problema original (Primal) es un modelo de maximizacin, el Dual es
un modelo de minimizacin y viceversa.

b. Los trminos independientes de las restricciones del Primal, corresponden
a los coeficientes de la funcin objetivo del Dual y viceversa.

c. Si en el modelo Primal las restricciones son del tipo , en el Dual son del
tipo y viceversa.

d. Los coeficientes de las restricciones (a
ij
) del Primal son los mismos del
Dual, pero transpuestos (lo que es fila en uno, es columna en otro y
viceversa).

e. El nmero de variables del Primal es igual al nmero de restricciones del
Dual y viceversa.

4.2.2 Relaciones entre la Solucin del Modelo Dual y el Primal

a. La fila de los C
j
- Z
j
del Dual corresponden a los b
i
del Primal (con signos
contrarios) y viceversa.

b. Las variables de holgura del Dual corresponden a las variables fsicas
Primal y Viceversa.


R
E
V
I
S
I

N

125
c. Los a
ij
del Dual corresponden a los a
ij
del Primal, traspuestos y con signos
contrarios.

d. El Z ptimo del Dual corresponde al Z ptimo del Primal y viceversa.

Las anteriores relaciones (9 en total) son suficientes para:

1. Construir el modelo Dual, dado el modelo Primal y viceversa.

2. Pasar del Tablero ptimo Dual (T.O.D) al Tablero ptimo Primal (T.O.P)
y viceversa.

4.3 IMPORTANCIA COMPUTACIONAL DE LA DUALIDAD

Dentro del anlisis Dual hay un aspecto computacional que se debe resaltar,
ya que se presenta un ahorro de clculos al determinar la solucin del
problema Primal a partir de la solucin del problema Dual y viceversa,
teniendo en cuenta las relaciones descritas en la seccin 4.2.2.

Ejemplos
1. Sea el siguiente modelo de P. L:
Max . Z =X
1
+2X
2
Este es el Primal, ya que en la P. L a todo
s.a = X
1
+3X
2
8 modelo original, se le denomina Problema
X
1
+X
2
4 Primal.
X
1
=X
2
0

R
E
V
I
S
I

N

126
Se pide:
a. Construccin del Dual respectivo.
b. Solucin del Dual por el mtodo Simplex.
c. Del T. O. D, obtener el T. O. P.
Solucin
a) Para construir el Problema Dual, se aplican las relaciones descritas en la
seccin 4.2.1, as:
Min. Z =8Y
1
+4Y
2
Este es el Dual, construido a partir de los
s.a = Y
1
+Y
2
1 datos originales (Primal), pero con una
3Y
1
+Y
2
2 estructura diferente.
Y
1
=Y
2
0

b) Mx. (-Z) =-8Y
1
- 4Y
2
Max (-Z) =-8Y
1
- 4Y
2
+OS
1
+OS
2

s.a =-Y
1
- Y
2
-1 s.a =-Y
1
- Y
2
+S
1
=-1
-Y
1
- Y
2
-2 -Y
1
- Y
2
+ S
2
=-2
Y
1
=Y
2
0 Y
1
=Y
2
=S
1
=S
2
0
C
J
-8 -4 0 0
C
i
UB b
i
Y
1
Y
2
S
1
S
2

0
0
S
1

S
2

-1
-2
-1
-3
-1
-1
1
0
0
1
Z
j
0 0 0 0 0
C
j
- Z
j
-8 -4 0 0

2

3
8

4 0

0
F
2N
+F
iV
: para obtener la nueva F
1
1
2

F
: para obtener la nueva F
2
R
E
V
I
S
I

N

127
C
J
-8 -4 0 0
C
i
UB b
i
Y
1
Y
2
S
1
S
2

1

0
-4
S
1

Y
2

1
2
2
3
0
1
1
0
-1
-1
2
1

3
2


Z
j
-8 -12 -4 0 4

C
j
- Z
j
4 0 0 -4


2 C
J
-8 -4 0 0
C
i
UB b
i
Y
1
Y
2
S
1
S
2

-8
-4
Y
1

Y
2

2
1

2
1

1
0

2
1

2
3

1
0
-
2
1

2
1


Z
j
-6 -8 -4 2 2
C
j
- Z
j
0 0 -2 -2

Como todos los (C
j
Z
j
) 0, la solucin es ptima; es decir, hemos llegado
al T. O. D., entonces:

c) El T. O. P es:


1

2
1
F
: para obtener la nueva F
1
-3F
1N
+F
2V
: para obtener la nueva F
2



R
E
V
I
S
I

N

128
C
J
1 2 0 0
C
i
UB b
i
X
1
X
2
S
1
S
2

1
2
X
1

X
2

2
2
1
0
0
1
2
1
2
1

2
3

-
2
1

Z
j
6 1 2
2
1

2
1

C
j
- Z
j
0 0
-
2
1
-
2
1


Nota: El estudiante debe ampliar los conceptos de las relaciones Dual y
Primal para verificar el modelo y solucin obtenida.


2. Dado el siguiente mtodo de P. L.:

Mx. . Z =3X
1
+2X
2

s.a: X
1
4
X
1
+3X
2
15
2X
1
+X
2
10
X
1
= X
2
0

Obtener:
a. El modelo Dual correspondiente.
b. Solucin del Dual por el mtodo Simplex.
c. La T. O. D.
R
E
V
I
S
I

N

129
Solucin
a. Min. Z =4Y
1
+15Y
2
+10Y
3

s.a =Y
1
+Y
2
+2Y
3
3
3Y
2
+Y
3
2
Y
1
=Y
2
=Y
3
0

b. Mx. (-Z) =-4Y
1
- 15Y
2
- 10Y
3

s.a =-Y
1
- Y
2
- 2Y
3
-3
-3Y
2
- Y
3
-2
Y
1
=Y
2
=Y
3
=S
1
=S
2
0
Mx. (-Z) =-4Y
1
-15Y
2
-10Y
3
+OS
1
+OS
2

s.a =-Y
1
- Y
2
- 2Y
3
+S
1
=-3
-3Y
2
- Y
3
+ S
2
=-2
Y
1
=Y
2
=Y
3
0
C
J
-4 -15 -10 0 0
C
i
UB b
i
Y
1
Y
2
Y
3
S
1
S
2

0
0
S
1

S
2

-3
-2
-1
0
-1
-3
-2
-1
1
0
0
1
Z
j
0 0 0 0 0 0
C
j
- Z
j
-4 -15 -10 0 0

2
4 15 5 0


0
1
1

F
: para obtener la nueva F
1
3F
1N
+F
2N
: para obtener la nueva F
2
R
E
V
I
S
I

N

130
C
J
-4 -15 -10 0 0
C
i
UB b
i
Y
1
Y
2
Y
3
S
1
S
2

1

-15
0
Y
2

S
2

3
7
1
3
1
0
2
5
-1
-3
0
1
2
3

5
7

Z
j
-45 -15 -15 -30 15 0
C
j
- Z
j
11 0 20 -15 0



2 C
J
-4 -15 -10 0 0
C
i
UB b
i
Y
1
Y
2
Y
3
S
1
S
2

-15
-10
Y
2

Y
3

5
1

5
7

5
1

5
3

1
0
0
1
5
1

5
3

-
5
2

5
1

Z
j
-17 -3 -15 -10 3 4
C
j
- Z
j
-1 0 0 -3 -4

Todos los (C
j
-Z
j
) 0, entonces la solucin es ptima, lo cual quiere decir
que, hemos llegado a la T. O. D, de la cual obtenemos la T. O. P, as:





1
-2F
2N
+F
1V
: para obtener la nueva F
1
5
2
F
: para obtener la nueva F
2

R
E
V
I
S
I

N

131
c. T. O. P.
C
J
3 2 0 0 0
C
i
UB b
i
X
1
X
2
S
1
S
2
S
3

0 S
1
1 0 0 1
5
1
-
5
3

3 X
1
3 1 0 0
-
5
1

5
3

2 X
2


4 0 1 0
5
2
-
5
1

Z
j
17 3 2 0
5
1

5
7

C
j
- Z
j
0 0 0
-
5
1
-
5
7



3. Considere el siguiente modelo de P. L.:

Max . Z =2X
1
+3X
2
+ 4X
3

s.a =3X
1
+4X
2
+2X
3
6
2X
1
+X
2
+2X
3
4
X
1
+3X
2
+2X
3
8
X
1
=X
2
=X
3
0
Se pide:
a. Construccin del Dual equivalente.
b. Solucin del Dual por el mtodo Simplex.
c. De la T. O. D, obtenga la T. O. P.
Solucin

R
E
V
I
S
I

N

132
a. Min. Z =6Y
1
+4Y
2
+8Y
3

s.a =3Y
1
+2Y
2
+Y
3
2
4Y
1
+Y
2
+3Y
3
3
2Y
1
+2Y
2
+2Y
3
4
Y
1
=Y
2
=Y
3
0

b. Mx. (-Z) =-6Y
1
- 4Y
2
- 8Y
3
Mx. (-Z) =-6Y
1
-4Y
2
-8Y
3
+ OS
1
+
OS
2

s.a =-3Y
1
- 2Y
2
- Y
3
-2 s.a =-3Y
1
- 2Y
2
- Y
3
+S
1
= -3
-4Y
1
- Y
2
- 3Y
3
-3 -4Y
1
- Y
2
- 3Y
3
+ S
2
= -2
-2Y
1
- 2Y
2
- 2Y
3
-4 -2Y
1
- 2Y
2
- 2Y
3
+ S
3
=-
4
Y
1
=Y
2
=Y
3
0 Y
1
=Y
2
=Y
3
=S
1
=S
2
=S
3
0

C
J
-6 -4 -8 0 0 0
C
i
UB b
i
Y
1
Y
2
Y
3
S
1
S
2
S
3

0
0
0
S
1

S
2

S
3

-2
-3
-4
-3
-4
-2
-2
-1
-2
-1
-3
-2
1
0
0
0
1
0
0
0
1
Z
j
0 0 0 0 0 0 0
C
j
- Z
j
-6 -4 -8 0 0 0

2
3 2 4 0


0
F
3N
+F
1V
: para obtener la nueva F
1
3F
3N
+F
2V
: para obtener la nueva F
2
2
3

F
: para obtener la nueva F
3
R
E
V
I
S
I

N

133


C
J
-6 -4 -8 0 0 0
C
i
UB b
i
Y
1
Y
2
Y
3
S
1
S
2
S
3 1

0 S
1
0 -2 -1 0 1 0
-
2
1

0
0 S
2
3 -1 2 0 0 1
-
2
3

2
3

-8 Y
3
2 1 1 1 0 0
-
2
1

2
Z
j
-16 -8 -8 -8 0 0 4
C
j
- Z
j
2 4 0 0 0 -4



C
J
-6 -4 -8 0 0 0
C
i
UB b
i
Y
1
Y
2
Y
3
S
1
S
2
S
3 1

0 S
1

2
3

2
5

0 0 1
2
1

4
5
-
5
3

-4 Y
2

2
3
-
2
1

1 0 0
2
1
-
4
3

-3
-8 Y
3

2
1

2
3

0 1 0
-
2
1

4
1

3
1

Z
j
-10 -10 -4 -8 0 2 1
C
j
- Z
j
4 0 0 0 -2 -1



1
F
2N
+F
1V
: para obtener la nueva F
1
2
2
F
: para obtener la nueva F
2
-2F
2N
+F
3V
: para obtener la nueva F
3
2

2
3
3
F
: para obtener la nueva F
3

2
5
F
3N
+F
1V
: para obtener la
nueva F
1
2
1
F
3N
+f
2V
: para obtener la
nueva F
2
R
E
V
I
S
I

N

134



3 C
J
-6 -4 -8 0 0 0
C
i
UB b
i
Y
1
Y
2
Y
3
S
1
S
2
S
3
0 S
1

3
7

0 0
3
5

1
-
3
1
-
6
5

-4 Y
2

3
5

0 1
3
1

0
3
1
-
3
2

-6 Y
1

3
1

1 0
3
2

0
-
3
1

6
1

Z
j

-
3
26

-6 -4
-
3
16

0
3
2

3
5

C
j
- Z
j
0 0
-
3
2

0
-
3
2
-
3
5


Como todos los (C
j
- Z
j
) 0, hemos legado a la T. O. D.
Entonces la T. O. P es como sigue:

C
J
2 3 4 0 0 0
C
i
UB b
i
X
1
X
2
X
3
S
1
S
2
S
3
0 S
3

3
2
-
3
5

0 0
-
3
2
-
3
1

1
3 X
2

3
2

3
1

1 0
3
1
-
3
1

0
4 X
3

3
5

6
5

0 1
-
6
1

3
2

0
Z
j

3
26

3
13

3 4
3
1

3
5

0
C
j
- Z
j

-
3
7

0 0
-
3
1
-
3
5

0

R
E
V
I
S
I

N

135


4. Sea el siguiente modelo de P. L:

Min. Z =20X
1
+15X
2
+45X
3
+60X
4

s.a =X
1
+X
2
+X
3
- 3X
4
3
X
1
+3X
3
+5X
4
2
X
1
=X
2
=X
3
=X
4
0

Y su tablero ptimo:
C
J
-20 -15 -45 -60 0 0
C
i
VB b
i
X
1
X
2
X
3
X
4
S
1
S
2
-20
-15
X
1

X
2

2
1
1
0
0
1
3
-2
5
-8
0
-1
-1
1
Z
j
-55 -20 -15 -30 20 15 5
C
j
- Z
j
0 0 -15 -80 -15 -5

Se pide:
a. Construccin del Dual Correspondiente.
b. De la T. O. P, obtener la T. O. D.


R
E
V
I
S
I

N

136


Solucin.
a) Mx. Z = 3Y
1
+2Y
2
Mx. Z =3Y
1
+2Y
2
+OS
1
+OS
2
+OS
3
+OS
4

s.a : Y
1
+Y
2
20 s.a :Y
1
+Y
2
+S
1
=20
Y
1
15 Y
1
+S
2
=20
Y
1
+3Y
2
45 Y
1
+3Y
2
+S
3
=45
-3Y
1
+5Y
2
60 -3Y
1
+5Y
2
+S
4
=60
Y
1
=Y
2
0 Y
1
=Y
2
=S
1
=S
2
=S
3
=S
4
0
b) Entonces el T. O. D., nos queda as:
C
J
3 2 0 0 0 0
C
i
VB b
i
X
1
X
2
S
1
S
2
S
3
S
4
0 S
3
15 0 0 -3 2 1 0
0 S
4
80 0 0 -5 8 0 1
3 X
1
15 1 0 0 1 0 0
2 X
2
5 0 1 1 -1 0 0
Z
j
55 3 2 2 1 0 0
C
j
- Z
j
0 0 -2 -1 0 0


4.4 ANALISIS DE SENSIBILIDAD

En las soluciones ptimas de modelos de P. L, algunos de los datos de un
problema no son conocidos con la exactitud que se deseara, por lo tanto
R
E
V
I
S
I

N

137
deben ser estimados lo mejor posible. El anlisis de sensibilidad hace posible
lo anterior, al convertir un problema esttico de P. L en uno dinmico; lo que
lo hace tener un gran valor para la administracin, puesto que permite una
interpretacin de los resultados obtenidos.

Para el estudio de las diversas situaciones que se pueden presentar,
analizaremos los siguientes ejemplos:

1) La compaa ABC desea planear su produccin para el prximo periodo.
Se pueden elaborar 4 productos distintos (1, 2, 3 y 4) los cuales presentan los
siguientes requerimientos:

Producto Material 1 Material 2 Material 3
1 1 5 4
2 1 3 8
3 1 2 12
4 1 2 4
Disponibilidad
(Unidades)

10

20

28

Los productos aportan utilidades unitarias de $2, $3, $4 y $5 para 1, 2, 3 y 4
respectivamente (en miles). El problema consiste en determinar la cantidad
que debe elaborarse, por cada periodo, de los productos 1, 2, 3 y 4 para
maximizar la utilidad.
R
E
V
I
S
I

N

138

El modelo correspondiente es:
Mx. Z =2X
1
+3X
2
+4X
3
+5X
4

s.a : X
1
+X
2
+X
3
+X
4
10
5X
1
+3X
2
+2X
3
+2X
4
20
4X
1
+8X
2
+12X
3
+4X
4
28
X
1
=X
2
=X
3
=X
4
0
El tablero inicial Simplex es:
C
J
2 3 4 5 0 0 0
C
i
UB b
i
X
1
X
2
X
3
X
4
S
1
S
2
S
3

0 S
1
10 1 1 1 1 1 0 0
0 S
2
20 5 3 2 2 0 1 0
0 S
3
28 4 8 12 4 0 0 1
Z
j
0 0 0 0 0
C
j
Z
j
2 3 4 5 0 0 0

El tablero ptimo (final) Simplex es:
C
J
2 3 4 5 0 0 0
C
i
UB B
i
X
1
X
2
X
3
X
4
S
1
S
2
S
3

0 S
1
3 0 -1 -2 0 1 0
-
4
1

0 S
2
6 3 -1 -4 0 0 1
-
2
1

5 X
4
7 1 2 3 1 0 0
4
1

R
E
V
I
S
I

N

139
Z
j
35 5 10 15 5 0 0
4
5

C
j
Z
j
-3 -7 -11 0 0 0
-
4
5

La solucin que puede leerse del tablero final es:
a.
Z = 35 Observaciones
X
1
= 0 No es rentable su produccin
X
2
= 0 No es rentable su produccin
X
3
= 0 No es rentable su produccin
X
4
= 7 Producto rentable
S
1
= 3 Material 1no utilizado
S
2
= 6 Material 2 no utilizado
S
3
= 0 Todo el material 3 se utiliz

b.
COSTOS DE OPORTUNIDAD

Producto 1 ($3/Unidad).
(Valores bajo la variable de decisin en la fila (C
j
Z
j
)
En estos valores cambiara (se reducira) la utilidad
Producto 2 ($7/Unidad) Por cada unidad que se elaborara de estos productos no
Producto 3 ($11/Unidad) No rentables.

C. PRECIOS SOMBRA
Material 1: $0 por cada unidad adicional del material.
Material 2: $0 por cada unidad adicional del material.
R
E
V
I
S
I

N

140
Material 3: $
4
5
por cada unidad adicional del material.
Estos valores muestran cunto se estara dispuesto a pagar por cada unidad
adicional de cada uno de los recursos (se toman de la fila Z del tablero
ptimo, debajo de las variables de holgura). Ntese que para aquellos recursos
que resultaron No escasos (sobr algo), su precio sombra, tambin llamados
precios implcitos, es igual a cero.

2. Suponga que una empresa produce tres artculos (1, 2 y 3), para lo cual
necesita de tres materiales bsicos (1, 2 y 3) de los cuales dispone de 12, 8 y
10 unidades respectivamente para los materiales 1,2 y 3. Cada artculo aporta
a la utilidad $2, $4 y $6 cada uno. Los requerimientos de materiales por cada
producto son:

Producto Material 1 Material 2 Material 3
1 2 2 4
2 1 4 2
3 4 2 4

Si el modelo correspondiente es:

Max . Z =2X
1
+4X
2
+6X
3

s.a =2X
1
+2X
2
+4X
3
12
X
1
+4X
2
+2X
3
8
4X
1
+2X
2
+4X
3
10
R
E
V
I
S
I

N

141
X
1
=X
2
=X
3


0

Y su solucin ptima es:

C
J
2 4 6 0 0 0
C
i
VB b
i
X
1
X
2
X
3
S
1
S
2
S
3
0 S
1
2 -2 0 0 1 0 -1
4 X
2
1
-
3
1

1 0 0
3
1
-
6
1

6 X
3
2
6
7

0 1 0
-
6
1

3
1

Z
j
16
3
17

4 6 0
3
1

3
4

C
j
- Z
j

-
3
11

0 0 0
-
3
1
-
3
4


Se pide hacer: Hacer un anlisis de sensibilidad.

Solucin.
Del tablero ptimo puede decirse:

a) OBSERVACIONES

Z =16
X
1
=0 no es rentable su produccin.
X
2
=1 producto rentable.
X
3
=2 producto rentable.
S
1
=2 material 1 no utilizado.
R
E
V
I
S
I

N

142
S
2
=0 todo el material 2 se utiliz.
S
3
=0 todo el material 3 se utiliz.


b) COSTOS DE OPORTUNIDAD

X
1
=($
3
11
/unidad). En este valor se reducira la utilidad por cada unidad que
se elaborara de este producto no rentable.

c) PRECIOS SOMBRA.

Material 1: $0 Por cada unidad del material.
Material 2: $
3
1
Por cada unidad del material.
Material 3: $
3
4
Por cada unidad del material.










R
E
V
I
S
I

N

143








A todo modelo de P. L. original (Primal), le corresponde otro modelo
equivalente, denominado modelo Dual.

Si el modelo original de P. L. es de Maximizacin, el modelo Dual ser
de Minimizacin y viceversa.

A travs de la solucin ptima Dual (T. O. D.), se pude deducir la
solucin ptima Primal (T. O. P.) sin necesidad de resolver el modelo
original y viceversa.

Los costos de oportunidad en la solucin de un problema de P. L. se
pueden leer debajo de las variables de decisin (variables de trabajo) en
la fila (C
j
Z
j
).

Los precios sombra en la solucin de un modelo de P. L. se pueden leer
debajo de las variables de Holgura en la fila (C
j
Z
j
).

Toda solucin ptima de modelos de P. L. se puede hacer dinmica a
travs de un anlisis de sensibilidad.
RESUMEN
R
E
V
I
S
I

N

144






1. Una empresa produce dos tipos de pintura (X
1
y X
2
) y utiliza dos materias
primas (A y B). Si la contribucin a las utilidades de cada tipo de pintura es
$3 y $2 respectivamente y si el modelo correspondiente es:
Mx. Z =3X
1
+2X
2

s.a =2X
1
+X
2
6
2X
1
+X
2
8
-X
1
+X
2
1
X
2
2
X
1
=X
2
0
Y su tabla ptima es:

C
J
3 2 0 0 0 0
C
i
VB B
i
X
1
X
2
S
1
S
2
S
3
S
4
2 X
2

3
4

0 1
3
2
-
3
1

0 0
3 X
1

3
10

1 0
-
3
1

3
2

0 0
0 S
3
3 0 0 -1 1 1 0
0 S
4

3
2

0 0
-
3
2

3
1

0 1
AUTOEVALUACION N
0
4
R
E
V
I
S
I

N

145
Z
j

3
38

3 2
3
1

3
4

0 0
C
j
- Z
j
0 0
-
3
1
-
3
4

0 0

Se pide: Elaborar la tabla ptima Dual y hacer un anlisis de la sensibilidad a
las dos tablas ptimas.

2. Sea el siguiente modelo de P. L:
Max . Z =3X
1
+2X
2

s.a =X
1
12
X
1
+3X
2
45
2X
1
+X
2
30
X
1
= X
2
0
Y sea el siguiente su tablero ptimo:
C
J
3 2 0 0 0
C
i
UB B
i
X
1
X
2
S
1
S
2
S
3

3 X
1
9 1 0 0
-
5
1

5
3

0 S
1
3 0 0 1
5
1
-
5
3

2 X
2
12 0 1 0
5
2
-
5
1

Z
j
51 3 2 0
5
1

5
7

C
j
- Z
j
0 0 0
-
5
1
-
5
7


R
E
V
I
S
I

N

146
Se pide: Elaborar la tabla ptima Dual y hacer un anlisis de sensibilidad de
las dos tablas ptimas.

3. El estudiante puede hacerle el anlisis de sensibilidad a los ejercicios
resueltos en las unidades anteriores.


1) COSTO DE OPORTUNIDAD: Retornos que se pierden o dejar de
percibir como resultado de seleccionar una alternativa en lugar de otra. La
cuanta de los costos de oportunidad se determina comparando los beneficios
o las ventajas de una escogencia con aquellos que se obtendran de la mejor
alternativa.

2) PRECIO SOMBRA: Valor dispuesto a pagar por cada unidad adicional
usada en la elaboracin de bienes o prestacin de servicios.










GLOSARIO DE TERMINOS
R
E
V
I
S
I

N

147







QUESADA, Victor. Programacin Lineal. U. De Cartagena.

MOSKOWITZ, Herbert. Investigacin de Operaciones. Preutice Hall
Internacional.

EPPEN, G.D, GOULD, F.J . investigacin de Operaciones en la Ciencia
Administrativa. Preutice Hall Hispanoamericana. S. A, 1.984.

VARELA, J aime. Introduccin a la I de O. Editorial Fondo Educativo
Interamericano S. A. Colombia, 1.982.

HILLIER, Frederick; LIBERMAN, Gerald. Introduccin a la I de O.
Editorial McGraw - Hill. Mxico, 1.991.

GONZALEZ, ngel Len. Manual Prctico de Investigacin de
Operaciones I. Ediciones Uninorte, Barranquilla, 1.998.

SHAMBLIN, J ames y G. T., Stevens. Investigacin de Operaciones, un
enfoque fundamental. Editorial Mcgraw-Hill. Mxico, 1.990.
BIBLIOGRAFIA
R
E
V
I
S
I

N

148







SANTIAGO VERGARA NAVARRO, Ingeniero Industrial, Especialista en
Diseo y Evaluacin de Proyectos (CECAR UNINORTE) y Especialista en
Administracin Financiera (CECAR).

Se ha desempeado como Gerente de LIPAVENCA en San Cristbal
Venezuela; J efe de Operaciones de MOTICONCA en Valencia Venezuela;
Gerente de Salud Asesores Ltda. en Sincelejo y como Secretario de Gobierno,
Recurso Humano y de Planeacin del Municipio de Corozal (Sucre).

Ha sido profesor de pre-grado en CECAR de Matemticas Financieras
(Ingeniera Econmica), lgebra y Programacin Lineal, Diseo y
Evaluacin de Proyectos, Evaluacin Social de Proyectos, Anlisis Financiero
e Investigacin de Operaciones, en los programas de Contadura Pblica,
Admn. de Empresas, Economa e Ingeniera Industrial; docente catedrtico
en UNISUCRE de Matemticas Financieras III y Plan de Empresas II;
docente en IAFIC Sincelejo de Matemticas Financieras, Programacin
Lineal y asesor metodolgico de la prctica empresarial; monitor del Mdulo
Diagnstico Financiero de la Especializacin en Administracin Financiera de
CECAR Sincelejo y docente de postgrados en CECAR de Matemticas
Financieras en Excel..

Conferencista de diversos seminarios en el rea de finanzas y espritu
empresarial, asesor y evaluador de varios trabajos de grado en CECAR y
UNISUCRE y asesor del programa J venes Emprendedores Exportadores del
Ministerio de Comercio Exterior.

EL AUTOR
R
E
V
I
S
I

N

149
Tiene escritos en lgebra y Programacin Lineal (E. A. D. CECAR);
Matemticas Financieras Bsicas (Documento gua de IAFIC Sincelejo) y
Matemticas Financieras en Excel (Documento gua en postgrados CECAR).

R
E
V
I
S
I

N

DIRECCIN DE EDUCACIN ABIERTA Y A DISTANCIA Y VIRTUALIDAD

ADMINISTRACIN DE EMPRESAS
PROGRAMACIN LINEAL
Carretera Troncal de Occidente - Va Corozal - Sincelejo (Sucre)
Telfonos: 2804017 - 2804018 - 2804032, Ext. 126, 122 y 123
Mercadeo: 2806665 Celular: (314) 524 88 16
E- Mail: facultadeducacion@cecar.edu.co