Libro Investigacion de Operaciones 1 - Lucio Malasquez 2016

UNIVERSIDAD NACIONAL MAYOR DE
SAN MARCOS
Universidad del Perú, DECANA DE AMÉRICA
FACULTAD DE INGENIERÍA DE SISTEMAS E INFORMÁTICA
INVESTIGACIÓN DE
OPERACIONES 1
Lic. Lucio Malásquez Ruiz
Cardenas Gonzales, Gabriela Stephanie

LIBRO DE AYUDA
RECOPILACIÓN DE INFORMACIÓN
Edición 2 – Año 2016
ÍNDICE
INTRODUCCIÓN A LA INVESTIGACIÓN DE OPERACIONES

1.1 Introducción………………………………………………………………………………3
1.2 ¿Qué es la Investigación de Operaciones? ……………………………………….………6
1.3 Clasificación de la Metodología de IO………………………………………….………..8
1.4 Metodología de la IO…………………………………………………………………….9
1.5 Modelo Matemático……………………………………………………………………..11
PROGRAMACIÓN LINEAL: MODELO

2.1 Programación Lineal…………………………………………………….…….…….…….15
2.2 Presentación del Modelo de PL……………………………………………….…….…….17
2.3 Suposición del Modelo de PL………………………………………………….…..……...18
2.4 Interpretación Económico del Modelo de PL………………………………….…….……18
2.5 Propiedades del Modelo de PL……………………………………………..……..………19
2.6 Formas de mostrar el Modelo de PL………………………..……………….……….……21
2.7 Transformaciones en el Modelo de PL……………………………………….……………23
2.8 Formulación de Problemas………………………………………………………….……..25
MÉTODOS DE SOLUCIÓN GRÁFICA

3.1 Introducción………………………………………….……..………………………………35
3.2 Conjuntos Convexos…………………………………….……….…………………………36
3.3 Método Gráfico…………………………………………………………………………….37
3.4 Tipos de problemas lineales…………………………………………….………………….40
3.5 Ejemplos………………………………………….…………………………….…………..40
3.6 Ejercicios…………………………………………………………..……………………….45
MÉTODO SIMPLEX
4.1 Introducción………………………………………………………..…………………..….46
4.2 Definiciones Previas………………………………………………….…………………….47
4.3 Método Simplex……………………………………………………..……………………..48
4.4 Casos en la resolución de un PL…………………………………..……………………….53
4.5 Ejemplos………………………………………………….………...………………………54
4.6 Ejercicios…………………………………………………………...………………………58
MÉTODO DE VARIABLES ARTIFICIALES

5.1 Idea Conceptual……………………………………………………………………………59
5.2 ¿Variable Artificial? ……………………………………………………….………………60
5.3 Método de la M……………………………………….…………………………….……..60
5.4 Ejercicios…………………………………………………………………………….…….63
5.5 Método de Dos Fases………………………………………………………………..…….64
5.6 Ejercicios…………………………………………………………………………….…….69
DUALIDAD DE UN PPL
6.1 Introducción……………………………………………..…………………………………70
6.2 Relación entre Primal y Dual………………………………………………………………71
6.3 Formulación del Dual…………………………………….………….……………………..72
6.4 Teorema de la Dualidad…………………………………………………………………….73
6.5 Ejemplo…………………………………………………………………………..…………77
6.6 Ejercicios……………………………………………………………..…………………….80
1
MÉTODO DUAL SIMPLEX
7.1 Introducción………………………………………………………..……………………81
7.2 Método Dual Simplex………………………………………………..…………………..82
7.3 Ejercicios………………………………………………………………………….……..85
PROGRAMACIÓN LINEAL CON LINDO

8.1 Introducción………………………………………………….……………………..……86
8.2 ¿Cómo usar LINDO? ………………………………………..…………………………..87
8.3 Interpretación de los resultados en LINDO………………..…………………………….88
8.4 Análisis de Sensibilidad en LINDO……………………………………..………………89
8.5 Costo Reducido……………………………………………………………….………….92
8.6 Precio Dual…………………………………………………………………….…………94
PROPIEDAD DE LA TABLA SIMPLEX

9.1 Introducción…………………………………………………………….………………..96
9.2 Propiedades de una Tabla Simplex……………………………………..………………..97
9.3 Ejemplos…………………………………………………..….…………...………….…..100
9.4 Ejercicios…………………………………………………………..……………………..103
OPTMIZACIÓN: Método Transporte

10.1 Definición………………………………………………………………………………..105
10.2 Propiedades……………………………………………………………………………....107
10.3 Sbi: Método Esquina N-O……………………………………………………...………..108
10.4 Solución Óptima: Método UV…………………………………………………………..108
10.5 Caso: Oferta ≠ Demanda……………………………………………………….………..117
10.6 Sbi: Métodos Costos Mínimos…………………………………………………………..121
10.7 Sbi: Método de Voguel…………………………………………………………………..122
10.8 Ejercicios…………………………………………………………………………….…..126
2
INTRODUCCIÓN A LA
INVESTIGACIÓN DE
OPERACIONES
1.1 Introducción
El objetivo del curso es que el estudiante aprenda a reconocer los
problemas tipo de la Investigación de Operaciones de modo que sepa a
qué técnica recurrir en cada caso, para un adecuado estudio y solución del
mismo.
Como su nombre lo indica, la Investigación de Operaciones (IO), o
Investigación Operativa, es la investigación de las operaciones a realizar
para el logro óptimo de los objetivos de un sistema o la mejora del mismo.
Esta disciplina brinda y utiliza la metodología científica en la búsqueda de
soluciones óptimas, como apoyo en los procesos de decisión, en cuanto a
lo que se refiere a la toma de decisiones óptimas y en sistemas que se
originan en la vida real.
3
Antecedentes
Históricos
4
Antecedentes Históricos
El término IO se utiliza por primera vez en el año 1939 durante la Segunda Guerra
Mundial, específicamente cuando surge la necesidad de investigar las operaciones
tácticas y estratégicas de la defensa aérea, ante la incorporación de un nuevo radar, en
oportunidad de los ataques alemanes a Gran Bretaña. El avance acelerado de la
tecnología militar hace que los ejecutivos y administradores militares británicos deban
recurrir a los científicos, en pos de apoyo y orientación en la planificación de su defensa.
El éxito de un pequeño grupo de científicos que trabajaron en conjunto con el ejecutivo
militar a cargo de las operaciones en la “línea”, derivó en una mayor demanda de sus
servicios y la extensión del uso de la metodología a USA, Canadá y Francia entre otros.
Sin embargo, el origen de la Investigación Operativa puede considerarse como
anterior a la Revolución Industrial, aunque fue durante este período que comienzan a
originarse los problemas tipo que la Investigación Operativa trata de resolver. A partir de
la Revolución Industrial y a través de los años se origina una segmentación funcional y
geográfica de la administración, lo que da origen a la función ejecutiva o de integración
de la administración para servir a los intereses del sistema como un todo.
La Investigación Operativa tarda en desarrollarse en el campo de la administración
industrial. El uso de la metodología científica en la industria se incorpora al principiar los
años 50, a partir de la 2da Revolución Industrial, propiciada por los avances de las
Comunicaciones, y la Computación, que sientan las bases para la automatización, y por
sobre todo por el florecimiento y bienestar económico de ese período.
Los primeros desarrollos de esta disciplina (IO) se refirieron a problemas de
ordenamiento de tareas, reparto de cargas de trabajo, planificación y asignación de
recursos en el ámbito militar en sus inicios, diversificándose luego, y extendiéndose
finalmente a organizaciones industriales, académicas y gubernamentales.
Existen varias asociaciones en todo el mundo, que agrupan a personas
(estudiantes, científicos y profesionales) interesados por el estudio y aplicación de la
Investigación Operativa. La más grande de todas es INFORMS, de Estados Unidos de
Norteamérica asociación que nace de la unión de la ORSA = Operation Research Society
of America, con 8 000 miembros y la TIMS = Institute of Managment Science con 6 000
miembros. También existen Asociaciones Canadienses, europeas, Latinoamericanas y
asiáticas federadas en la IFORS, International Federation of Operation Research Societies.
La Asociación Latinoamericana de Investigación de Operaciones, ALIO, conglomera a la
mayor parte de las Asociaciones de América Central y Sur.
Se publican decenas de revistas diferentes en todo el mundo. Existen programas
de Posgrado (maestría y doctorado) en la especialidad, en América y Europa.
5
1.2. ¿Qué es la Investigación de
Operaciones?
Es la ciencia aplicada que estudia a las organizaciones en forma sistémica a
fin de hacer de estas más eficientes. Se enfoca en la resolución de
problemas reales y en la toma de decisiones. Aplicando conceptos y
métodos de varias áreas científicas en la concepción, planeamiento u
operación de sistemas.
En esta disciplina se destacan las siguientes características esenciales:

 Una fuerte orientación a Teoría de Sistemas,
 La participación de equipos interdisciplinarios,
 La aplicación del método científico en apoyo a la toma de decisiones.
En base a estas propiedades, una posible definición es: la Investigación

Operativa es la aplicación del método científico por equipos
interdisciplinarios a problemas que comprenden el control y gestión de
sistemas organizados (hombre- máquina); con el objetivo de encontrar
soluciones que sirvan mejor a los propósitos del sistema (u organización)
como un todo, enmarcados en procesos de toma de decisiones.
Una definición completa:
“Es un enfoque científico para la toma de decisiones ejecutivas, que consiste en:
a) el arte de modelar situaciones complejas;
b) la ciencia de desarrollar técnicas de solución para resolver dichos modelos
c) la capacidad de comunicar efectivamente los resultados.”
Según texto (Lawrence y Pasternak, 1998)
A la que en mi opinión solo le faltaría incluir el objetivo general de la IO: estudiar la

asignación óptima de recursos escasos a determinada actividad.
Resumiendo los puntos más importantes a denotar:

 Es un arte-ciencia.
 Determina el óptimo curso de acción.
 Resultados cuantitativos.
 Ayuda en el proceso de toma de decisiones.
 Resolver un problema
 Uso de modelos matemáticos
 Se debe construir un modelo y resolverlo para la posterior toma
de decisiones
 Se debe ser creativo para la concepción del modelo
6
Fig2. Efecto de la Aplicación de la IO
Sistema ineficiente Sistema eficiente
Un proceso de decisión respecto a la política de inventarios en una

EJEMPLO organización. Existen 4 funciones administrativas que han dado lugar a
departamentos cuyos objetivos son:
Función Objetivo
Maximizar la cantidad de bienes (servicios) producidos
Producción
y minimizar el costo unitario de la producción.
Maximizar la cantidad vendida y minimizar el costo
Comercialización
unitario de las ventas.
Minimizar el capital requerido para mantener cierto
Finanzas
nivel del negocio.
Mantener la moral y la alta productividad entre los
Personal
empleados.
Con respecto al INVENTARIO y según estos OBJETIVOS:

El departamento de producción necesita producir tanto como sea posible a
un costo mínimo, lo que se logra fabricando un solo producto en forma
continua, pues se logra mayor eficiencia y se minimiza el tiempo perdido
por cambio de equipo, al cambiar de artículo. Con este procedimiento se
logra un gran inventario con una línea de productos pequeña.
El departamento de mercado también necesita un gran inventario,
pero para vender tanto como sea posible, debe surtir de la más amplia
variedad de productos. Motivos de desencuentro con el departamento de
producción.
Para minimizar el capital necesario para que el negocio marche, el
departamento de Finanzas debe reducir la cantidad de dinero
"comprometido", lo más directo es reducir los inventarios. Se propone que
los inventarios deben aumentar o disminuir en proporción a la
fluctuación de las ventas.
7
En contraposición, cuando las ventas son bajas, ni producción ni
personal requieren disminuir la producción, ni reducir personal. Personal le
interesa mantener la producción a un nivel tan constante como sea posible,
ya que el despido implica repercusiones en la moral del personal, pérdida
de personal calificado, nuevos costos de formación de nuevo personal
cuando así se requiera. Esto se traduce en producir hasta el nivel del
inventario cuando las ventas son bajas y agotarlo cuando éstas son
altas.
Los objetivos enumerados y definidos de esta manera son difíciles de
llevar a la práctica por su inconsistencia desde el punto de vista de la
organización y del sistema en su conjunto. Es tarea y responsabilidad del
ejecutivo (gerente) determinar una política de inventario que convenga a los
intereses de toda la compañía y no de una sola de las funciones
subordinadas. La tarea de organización y gerenciamiento requiere que se
considere al SISTEMA en su conjunto y ésta es la esencia del trabajo
gerencial. El ejecutivo debe decidir y para ello recurrirá a algún método. Le
convendrá recurrir a un Investigador de Operaciones, dado que
supuestamente éste estará apto para utilizar la investigación científica en
apoyo a las decisiones que el ejecutivo deba tomar. Este apoyo se hace
especialmente necesario cuando se trata de la búsqueda de soluciones
“óptimas” a problemas que se originan en las organizaciones y
servicios en general.
1.3. Clasificación de problemas

de IO
Los problemas en Investigación de Operaciones se clasifican de acuerdo a:
a) Atendiendo al objetivo del problema.
Problema de Secuenciación.-
Trata de colocar los objetos en cierto
Modelos de Cuyo objetivo es maximizar cierta cantidad (beneficio,
orden Optimización eficiencia) o minimizar cierta medida (costo, tiempo), quizás
Problema de Localización.-
Trata de asignación de recursos. teniendo en cuenta una serie de limitaciones o requisitos que
Problemas de Ruta.- restringen la decisión (disponibilidad de capital, personal,
material, requisitos para cumplir fechas límite, etc.)
Encontrar la ruta optima de entre varias
alternativas.
Problemas de Búsqueda.-
Buscar información para tomar una
decisión. Se usa la Teoría de Decisión Ejemplos: Problemas de secuenciación, Problemas de localización,
Estadística. Problemas de rutas y Problemas de búsqueda.
Modelos de
Cuyo objetivo es describir o predecir sucesos (nivel de ventas,
Predicción
fechas de terminación de proyectos, número de clientes, etc.)
dadas ciertas condiciones.
Ejemplos: Problemas de reemplazamiento, Problemas de
inventario, Problemas de colas y Problemas de competencia.
8
b) Por el grado de certidumbre de los datos.
Modelos de
Investigación
Operativa
Modelo Determinístico.-
Todos los datos del problema se
consideran conocidos.
Determinísticos Híbridos Estocásticos
Optimización Optimización Planificación de Análisis de

Lineal No Lineal proyectos Decisión
Programación Métodos Programación Procesos

Lineal Clásicos Dinámica Estocásticos
Transporte y Métodos de Modelos de

Teoría de colas
Asignación Búsqueda Inventario
Programación
Programación
Entera y Simulación
No Lineal
Binaria
Problema de
redes
Programación
Multicriterio
Características importantes de la IO:
- Orientación del estudio hacia el sistema y no hacia un problema en particular.

- Utilización de equipos mixtos.
- Adopción del método científico.
Una vez clasificados los problemas de Investigación Operativa, pasamos a

describir la resolución de los mismos.
1.4. Metodología de la IO
SISTEMA REAL
SISTEMA
REAL MODELO
SUPUESTO
Fig3. Modelo de la Investigación
Operativa
9
Fig4. Niveles de abstracción en el desarrollo de un modelo
Investigación de
Representaremos el sistema o el fenómeno del mundo real o el problema a
Operaciones: resolver en un lenguaje matemático.
Aplicación del Método
Científico para la
Toma de decisiones.
Paso 1
Definición del problema
Paso 2
Modelado Matemático
Paso 3
Solución del modelo
Paso 4
Presentación/Implementación resultados
Fig5. Metodología de la Investigación Operativa
Paso 1. Definición del problema, se debe tener en cuenta un buen plan de

trabajo:
- Observar.
- Ser consciente de las realidades políticas.
- Decidir qué se quiere realmente.
- Identificar las restricciones.
- Buscar información de modo continuo.
Paso 2. Modelado matemático, es procedimiento que reconoce y
verbaliza un problema para posteriormente cuantificarlo transformando las
expresiones verbales en expresiones matemáticas. Etapas:
1. Identificar las variables de decisión: puede ser útil hacerse las siguientes
preguntas: ¿qué es lo que hay que decidir? O ¿sobre qué elementos
tenemos control? O ¿cuál sería una respuesta válida para este caso?
2. Identificar la función objetivo: ¿Qué es lo que queremos conseguir? o Si
yo fuera el jefe de esta empresa, ¿qué me interesaría más?
3. Identificar las restricciones.
4. Traducir todos los elementos básicos a un modelo matemático.
Paso 3. Resolución del modelo. Etapas:
1. Elegir la técnica de resolución adecuada.
2. Generar las soluciones del modelo.
3. Comprobar/validar los resultados.
4. Si los resultados son inaceptables, revisar el modelo matemático.
5. Realizar análisis de sensibilidad.
Paso 4. Presentación/Implementación de los resultados
Etapas:
1. Preparar informes y/o presentaciones.
2. Vigilar el proceso de implementación.
Ahora veamos las fases de un estudio de la Investigación de Operaciones.
10
Modelo:
Representación
simplificada e
idealizada de la
realidad
Modelos
Matemáticos o
Físicos
Fig6. Método de Investigación Operativa
Estáticos o
Dinámicos
Determinísticos o
Estocásticos Los pasos a seguir en la aplicación del método científico (coincidentes con
los de la Teoría General de Sistemas) son, en su expresión más simple:
1.- Planteo y Análisis del problema

2.- Construcción de un modelo
3.- Deducción de la(s) solución(es)
4.- Prueba del modelo y evaluación de la(s) solución(es)
5.- Ejecución y Control de la(s) solución(es)
Observar que el problema es UNO SOLO, sin embargo existen maneras

distintas de observar un mismo problema, dependiendo de los objetivos
que se planteen para resolverlo.
1.5. Modelo Matemático

Partamos conociendo un poco de la Programación Matemática:
La programación matemática es un área de la matemática que se preocupa,

con la generación de modelos matemáticos, de representar situaciones
reales en las cuales se tiene como principal objetivo la optimización de un
recurso escaso.
Entonces, un modelo matemático es una representación idealizada y

simplificada de un sistema, expresada en términos de símbolos y
expresiones matemáticas. Ejemplo: F=m.a
Y queda definido por:

Fig7. Programación Matemática Variables de Decisión
Función Objetivo (F.O.) 𝑍 = 𝑓 (𝒙𝟏 , 𝒙𝟐 , … , 𝒙𝒏 )

Medida de desempeño conjunto 𝑍 = 3𝑥1 + 5𝑥2
Restricciones
ecuaciones y desigualdades
𝑥1 + 2𝑥2 ≥ 8
11
Imagine que tiene un compromiso de negocios que requiere 5 semanas de
EJEMPLO traslado continuo entre Lima y Arequipa. Sale de Lima los lunes y regresa
los miércoles. Un boleto regular de viaje redondo cuesta $400, pero se
ofrece 20% de descuento si el viaje redondo comprende un fin de semana.
Un boleto sencillo en cualquier dirección cuesta 75% del precio regular.
¿Cómo debe comprar los boletos para reducir el costo del traslado durante
las 5 semanas?
Podemos considerar la situación como un problema de toma de

decisiones, cuya solución requiere responder tres preguntas:
¿Cuál es el
¿Cuáles son las ¿Conforme a qué criterio objetivo
alternativas de restricciones se apropiado para
decisión? toma la decisión? evaluar las
alternativas?
Analicemos y respondamos las preguntas:
 Duración de Viaje : 5 semanas

 Salir los lunes y regresar Miércoles
Semana Boleto  Costo de boleto normal (ida y vuelta) : $400.00
1
L M M J V S D L A L
 Costo de boleto normal con fin de semana: 80% del costo normal.
L A L
L A L
 Costo de boleto sencillo (ida): 75% del costo normal.
L A L
L M M J V S D L A L
Se consideran tres alternativas razonables:
2 L M M J V S D L A
A L A Comprar cinco boletos normales L-A-L para salir el lunes y

1
A L A
regresar el miércoles de la misma semana.
A L A
L M M J V S D A L
Comprar un boleto L-A, cuatro A-L-A que abarquen fines de
2
3 L M M J V S D L A L
semana, y uno A-L.
A L A
A L A
3 Comprar un boleto L-A-L para el lunes de la primera semana y
A L A el miércoles de la última semana, y cuatro A-L-A para los viajes
L M M J V S D A L A
restantes. Todos los boletos en esta alternativa cubren por lo
menos un fin de semana.
Fig8. Representación de las alternativas
L A
La restricción en estas opciones es que pueda salir de Lima el lunes y

regresar el miércoles de la misma semana.
Un criterio objetivo obvio para evaluar la alternativa propuesta es el

precio de los boletos. La alternativa que dé el costo mínimo será la mejor.
12
Específicamente, tenemos:
 Costo de la alternativa 1 :
5 boletos *400 ($ boleto ida y vuelta) = $2000
 Costo de la alternativa 2 :
1 boleto* 0.75 (% boleto sencillo)* 400 ($ boleto ida y vuelta) +
4 boletos * (0.8 (% boleto + fin de semana) * 400 ($ boleto ida y vuelta))
1 boleto* 0.75 (% de boleto sencillo)* 400 ($ boleto ida y vuelta)
$ 1880
 Costo de la alternativa 3:
5 boletos* (0.8 (%boleto fin de semana)*400 ($ boleto ida y vuelta)) = $1600
La alternativa 3 es la mejor porque es la más económica. 
Aunque el ejemplo anterior ilustra los tres componentes principales

de un modelo de IO, los cuales son: alternativas, criterio objetivo y
restricciones, las situaciones difieren por los detalles de la construcción de
cada componente y la solución del modelo resultante. Para ilustrar este
punto veamos otro ejemplo:
Considere la formación de un rectángulo de área máxima con un trozo de

EJEMPLO alambre de “L” pulgadas de longitud. ¿Cuál será el mejor ancho y altura del
rectángulo?
En contraste con el ejemplo de los boletos, el número de alternativas
en este ejemplo no es finito; es decir, el ancho y la altura del rectángulo
pueden asumir una cantidad infinita de valores porque son variables
continuas. Para formalizar esta observación, las alternativas del problema
se identifican definiendo el ancho y la altura como variables algebraicas
w = ancho del rectángulo en pulgadas,

h = altura del rectángulo en pulgadas.
Con base en estas definiciones, las restricciones de la situación pueden

expresarse verbalmente como
1. Ancho del rectángulo + altura del rectángulo = la mitad de la

longitud del alambre.
2. El ancho y la altura no pueden ser negativos.
Estas restricciones se traducen de manera algebraica como sigue
1. 2(w + h) = L
2. w≥0 , h≥0
13
Ahora el único componente restante es el objetivo del problema; es
decir, maximizar el área del rectángulo.
Si Z se define como el área del rectángulo, el modelo completo es:
Maximizar Z = w * h
sujeto a
2(w + h) = L
w , h ≥0
Utilizando cálculo diferencial, la mejor solución de este modelo es

𝐿
𝑤 = ℎ = 4 , la cual requiere la construcción de una forma cuadrada.
Con los datos de los dos ejemplos anteriores, el modelo general de

IO se organiza en el siguiente formato general:
Maximizar o minimizar Función Objetivo
Sujeto a
Restricciones
Una solución del modelo es factible si satisface todas las restricciones; es

óptima si, además de ser factible, produce el mejor valor (máximo o
mínimo) de la función objetivo. En el ejemplo de los boletos, el problema
considera tres alternativas factibles, y la tercera es la que produce la
solución óptima.
Aunque los modelos de IO están diseñados para “optimizar” un
criterio objetivo específico sujeto a un conjunto de restricciones, la calidad
de la solución resultante depende de la exactitud con que el modelo
representa el sistema real. Considere, por ejemplo, el modelo de los boletos.
Si no se identifican todas las alternativas dominantes para comprar los
boletos, entonces la solución resultante es óptima sólo en relación con las
opciones representadas en el modelo. Específicamente, si se omite la
alternativa 3 en el modelo, entonces la solución “optima” requeriría que se
compraran los boletos en $1880, la cual es una solución subóptima. La
conclusión es que “la” solución óptima de un modelo es mejor sólo para ese
modelo. Si el modelo es una representación razonablemente buena del
sistema real, entonces su solución también es óptima para la situación real.
14
PROGRAMACIÓN
LINEAL:
MODELO
2.1 Programación Lineal

La programación lineal (PL) es un medio matemático que permite
asignar una cantidad fija de recursos, a la satisfacción de varias demandas
de tal forma que mientras se optimiza algún objetivo se satisface otras
condiciones definidas.
Utilizando modelos matemáticos como un recurso primario, la
metodología de la IO está diseñada para cuantificar y acotar estos
problemas dentro de un marco de restricciones específico, medido, objetivo
y variable, de tal forma que se busquen controles óptimos de operación,
decisiones, niveles y soluciones.
Los problemas de asignación surgen en el momento en que un cierto
número de mercancías o de tareas deben ser distribuidos de la mejor
manera posible, teniendo en cuenta las limitaciones que existen.
15
16
2.2 Presentación del modelo de
PL
La PL es un conjunto de modelos de programación matemática destinados
a la asignación eficiente de los recursos limitados en actividades conocidas,
con el objeto de satisfacer metas (objetivos) deseadas (maximizar utilidades
o minimizar costos).
Un modelo de PL consta de:

2.1.1. Función Objetivo (F.O.) .- Define la medida de efectividad del
Función Objetivo:
La función
sistema de manera ideal, el valor de la F.O. es influenciado por las
representativa de la
medida de eficiencia
variables controlables y no controlables.
(FUNCION OBJETIVO Z) 𝑂𝑝𝑡𝑖𝑚𝑖𝑧𝑎𝑟 𝒁 = 𝒇(𝑥1 , 𝑥2 , … , 𝑥𝑛 )
debe ser igual a la suma
algebraica del producto = 𝑐1 𝑥1 + 𝑐1 𝑥1 + ⋯ + 𝑐1 𝑥1
de cada nivel de
actividad (VARIABLE DE Donde Z es de Maximizar/Minimizar.
CONTROL Xi) por la
contribución positiva o
negativa de dicha
2.1.2. Una serie de Restricciones.- El sistema tiene limitaciones;
actividad (Ci) a la
medida de eficiencia del
tecnológicos, económicos y otros, éstos los representamos mediante
sistema. relaciones de igualdad y desigualdad.
≤
𝑔𝑖 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑏𝑖 𝑖 = 1,2, … , 𝑚
≥
Donde:
𝒏
𝒈𝒊 (𝒙𝟏 , 𝒙𝟐 , … , 𝒙𝒏 ) = 𝒂𝒊𝟏 𝒙𝟏 + 𝒂𝒊𝟐 𝒙𝟏 + ⋯ + 𝒂𝒊𝒎 𝒙𝒏 = ∑ 𝒂𝒊𝒋 𝒙𝒋 𝑗 = 1,2, … , 𝑚

𝒊=𝟏
2.1.3. Variables.- Factores mensurables que dan sustentación al problema.

Ejemplo: Los rangos de existencia de las variables pueden ser:
𝒙𝒋 ≥ 𝟎 , 𝒙𝒋 ≤ 𝟎 , 𝑥𝑗 𝑒𝑠 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑣𝑎𝑙𝑜𝑟
2.1.4. Parámetros.- Condiciones mensurables, inherentes a la estructura

del modelo, valores conocidos y que relacionan las variables de
decisión con las restricciones y la F.O.
Resumiendo:
Parámetros
𝑂𝑝𝑡𝑖𝑚𝑖𝑧𝑎𝑟 𝒁 = ∑ 𝑪𝒋 𝒙𝒋
Variables
Recordemos:
𝑠. 𝑎. ∶
𝑀𝑎𝑥 𝑍 = 𝟑𝑥1 + 𝟓𝑥2
ecuaciones y desigualdades ≥
F.O. ∑ 𝒂𝒊𝒋 𝒙𝒋 = 𝒃𝒊 𝑖 = 1,2, … , 𝑚
𝑥1 + 𝟐𝑥2 ≥ 𝟖
𝑥1 , 𝑥2 ≥ 𝟎 ≤
𝒙𝒋 ≥ 𝟎 𝑗 = 1,2, … , 𝑛
Restricciones
17
Un problema de P.L. consiste en hallar valores para las variables de decisión
x1, x2, x3,…, xn tales que maximicen o minimicen el valor de la medida de
eficiencia (función objetivo) y que satisfagan un conjunto de funciones
llamadas restricciones.
2.3 Suposición del modelo de

PL
Para desarrollar problemas y ser resueltos por la PL se deben dar las
siguientes suposiciones:
 La F.O. debe expresar el objetivo del problema.
 Se deben conocer las cantidades: Cj, aij y bi.
 La F.O. y las restricciones son lineales.
 Las restricciones deben expresar limitaciones del sistema en estudio.
F.O.= objetivo del problema
Ejemplo: Cj
𝑀𝑎𝑥 𝑍 = 𝟑𝑥1 + 𝟓𝑥2
Lineales aij
sujeto a
𝑥1 + 𝟐𝑥2 ≥ 𝟖
𝑥1 , 𝑥2 ≥ 𝟎 bi
Restricciones = limitaciones del sistema
2.4 Interpretación económica

del modelo de PL
Cj Utilidad / Costo unitario debido a la actividad j.
aij Cantidad del recurso i consumida por cada unidad de la actividad j.
bi Cantidad disponible del recurso i.
Z Utilidad / Costo total debido a todas las actividades.
Xj Nivel de actividad j (variables).
18
2.5 Propiedades del Modelo de
PL
La linealidad implica que la programación lineal deba satisfacer dos
propiedades: la proporcionalidad y la aditividad.
 La proporcionalidad significa que los indicadores de Costo/Utilidad en la

F.O. y la cantidad de cada recurso usado tienen que ser proporcionales, al
valor de cada variable de decisión del modelo. Las cantidades Cj, aij deben
ser proporcionales al valor de cada variable. Por ejemplo:
𝐸𝑙 𝑡é𝑟𝑚𝑖𝑛𝑜 𝟒𝑥1 𝑒𝑛 ∶ Lineal 𝐸𝑙 𝑡é𝑟𝑚𝑖𝑛𝑜 𝟒𝑥1 2 𝑒𝑛 ∶ No Lineal
Z = 𝟒𝑥1 Z = 𝟒𝑥1 2
Divisibilidad. Aumento no
Significa que las 𝟒(𝟏) = 𝟒 Aumento 𝟒( 𝟏 ) 𝟐 = 𝟒
variables de decisión son constante y constante y
continuas y por lo tanto 𝟒(𝟐) = 𝟖 proporcional 𝟒(𝟐)𝟐 = 𝟏𝟔 no presenta
son aceptados valores
no enteros para ellas. La
𝟒(𝟑) = 𝟏𝟐 de 4 𝟒(𝟑)𝟐 = 𝟑𝟔 proporcionalid
ad
hipótesis de divisibilidad
más la restricción de no
negatividad, significa
que las variables de  La aditividad significa que cada variable de decisión debe ser aditiva
decisión pueden tener
cualquier valor que sea respecto al costo/utilidad y a la cantidad de recursos usados. Es decir, se
positivo o por lo menos
igual a cero. puede valorar la función objetivo Z, así como también los recursos
utilizados, sumando las contribuciones de cada uno de los términos que
intervienen en la función Z y en las restricciones. Por ejemplo:
𝑍 = 𝟒𝑥1 + 𝟐𝑥2
 Divisibilidad: El modelo da valores reales de las variables de decisión.
 Optimalidad: La solución del modelo PL de maximizar utilidad o minimizar

costos ocurre en uno de los vértices del conjunto convexo (Fig. 9).
Fig9. Ejemplos de
conjunto Convexo.
PLANEACIÓN DE LA PRODUCCIÓN
EJEMPLO Una fábrica produce los productos 1, 2 y 3. Se tiene las restricciones para
su elaboración:
Tiempo Disponible Horas Máquina por cada unidad de

por Máquina Producto
Tipo de
Horas/Semana Producto 1 Producto 2 Producto 3
Máquina
Torno 4,200 8 3 3
Fresa 4,100 4 2 -
Lisa 650 2 - 1
19
El Dpto. de ventas predice que el producto 3 se venderá a lo máximo 20
unidades. Las ganancias por unidad son $30, $10, $15 respectivamente
de cada uno de los productos. ¿Qué cantidad de cada producto se debe
fabricar?
SOLUCIÓN
Analicemos los datos y lo plasmamos en una tabla general.
Tiempo Disponible Horas Máquina por cada unidad de

por Máquina Producto
Tipo de
Horas/Semana Producto 1 Producto 2 Producto 3
Máquina
Torno 4,200 8 3 3
Fresa 4,100 4 2 -
Lisa 650 2 - 1
Ganancia $ 30 $ 10 $ 15
Disponibilidad 20 unidades
Variable de decisión.-
Xj : Número de unidades a fabricar del producto j = 1,2,3.
Función Objetivo.-
Trabajamos con beneficios, entonces debemos maximizar las ganancias.
Max Z = 30X1 + 10X2 + 15X3

Restricciones.-
1. El uso de las máquinas no debe exceder su disponibilidad:
8X1 + 3X2 + 3X3 ≤ 4,200
4X1 + 2X2 ≤ 4,100
2X1 + X3 ≤ 650
2. La producción del producto 3 no debe exceder de 20

X3 ≤ 20
3. Restricciones de no negatividad:
X1, X2, X3 ≥ 0.
Resumen: El PPL es
Max Z = 30X1 + 10X2 + 15X3
sujeto a:
8X1 + 3X2 + 3X3 ≤ 4,200
4X1 + 2X2 ≤ 4,100
2X1 + X3 ≤ 650
X3 ≤ 20
X1, X2, X3 ≥ 0
20
2.6 Formas de mostrar el
Modelo de PL
2.6.1. Forma Canónica. La forma canónica para un problema de maximizar
/ minimizar se caracteriza por tener sus restricciones expresados por
“menor o igual” / “mayor o igual”, rangos no negativos y ningún
término independiente.
𝑴𝒂𝒙 𝑍 = ∑ 𝐶𝑗 𝑋𝑗 𝑴𝒊𝒏 𝑍 = ∑ 𝐶𝑗 𝑋𝑗
𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎
∑ 𝑎𝑖𝑗 𝑥𝑗 ≤ 𝑏𝑖 𝑖 = 1,2, … , 𝑚 ∑ 𝑎𝑖𝑗 𝑥𝑗 ≥ 𝑏𝑖 𝑖 = 1,2, … , 𝑚
𝑥𝑗 ≥ 0 𝑗 = 1,2, … , 𝑛 𝑥𝑗 ≥ 0 𝑗 = 1,2, … , 𝑛
2.6.2. Forma Mixta. Un problema maximizar / minimizar se caracteriza por

tener todas sus restricciones expresados en ≤, = (≥, =), rangos no
negativos y ningún término independiente en la función.
𝑴𝒂𝒙 𝑍 = ∑ 𝐶𝑗 𝑋𝑗
𝑠𝑢𝑗𝑒𝑡𝑜 𝑎
∑ 𝑎𝑖𝑗 𝑥𝑗 ≤ 𝑏𝑖 𝑖 = 1,2, … , 𝑝
∑ 𝑎𝑖𝑗 𝑥𝑗 = 𝑏𝑖 𝑖 = (𝑝 + 1),2, … , 𝑚
𝑥𝑗 ≥ 0 𝑗 = 1,2, … , 𝑛
2.6.3. Forma Genérica. Cuando un problema de PL no está expresado

siguiendo una cierta norma (Canónica, Mixta, Estándar).
Normalmente contienen restricciones y rangos de varios tipos, así
como término independiente en la F.O.
∑ 𝑎𝑖𝑗 𝑥𝑗 ≤ 𝑏𝑖 𝑖 = 1,2, … , 𝑝
∑ 𝑎𝑖𝑗 𝑥𝑗 = 𝑏𝑖 𝑖 = (𝑝 + 1), 2, … , 𝑞
∑ 𝑎𝑖𝑗 𝑥𝑗 ≥ 𝑏𝑖 𝑖 = (𝑞 + 1),2, … , 𝑚
𝑥𝑗 ≥ 0 𝑥𝑗 𝑙𝑖𝑏𝑟𝑒, 𝑗 = 1,2, … , 𝑛
21
2.6.4. Forma Estándar (Normal) A partir de esta formulación, se aplican
todos los métodos de resolución.
Características:
 La F.O. no debe tener término independiente.
 Todas las restricciones deben ser de igualdad.
 Todas las variables deben ser no negativas.
∑ 𝑎𝑖𝑗 𝑥𝑗 + 𝑆𝑖 = 𝑏𝑖 𝑖 = 1,2, … , 𝑚
𝑥𝑗 ≥ 0 𝑗 = 1,2, … , 𝑛
VARIABLE DE HOGURA
Una variable de holgura se interpreta como la cantidad de productos
imaginarios que se deben producir o dejar de producir. Cada producto de
este tipo imaginario requiere una unidad de un recurso y su costo o
beneficio es cero.
𝑈𝑛𝑎 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖ó𝑛 𝑑𝑒𝑙 𝑡𝑖𝑝𝑜: 𝑈𝑛𝑎 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖ó𝑛 𝑑𝑒𝑙 𝑡𝑖𝑝𝑜:
1 ∑ 𝑎𝑖𝑗 𝑥𝑗 ≤ 𝑏𝑖 3 ∑ 𝑎𝑖𝑗 𝑥𝑗 ≥ 𝑏𝑖
𝑠𝑒 𝑝𝑢𝑒𝑑𝑒 𝑒𝑥𝑝𝑟𝑒𝑠𝑎𝑟: 𝑠𝑒 𝑝𝑢𝑒𝑑𝑒 𝑒𝑥𝑝𝑟𝑒𝑠𝑎𝑟:
2 ∑ 𝑎𝑖𝑗 𝑥𝑗 + 𝑆𝑖 = 𝑏𝑖 ∑ 𝑎𝑖𝑗 𝑥𝑗 − 𝑆𝑖 = 𝑏𝑖
En la restricción 1, la desigualdad es de menor o igual, si cumple la

igualdad, entonces la variable de holgura 𝑆𝑖 tomará el valor de 0 en 2. Si en
1 se cumple estrictamente la desigualdad, la variable de holgura 𝑆𝑖 en 2
tomará un valor estrictamente positivo. En este caso, la variable de holgura
representa la cantidad de productos que deben producir (+).
Veamos que en la restricción 3, la desigualdad es de mayor o igual, es

decir, la variable de holgura representa la cantidad de productos
imaginarios que deben dejar de producir (-).
Ejemplo:
Se sabe que 3X1 + X2 es un 𝑴𝒊𝒏 𝑍 = 2𝑋1 + 5𝑋2 𝑴𝒊𝒏 𝑍 = 2𝑋1 + 5𝑋2

valor menor o igual a 4, 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎
entonces debemos aumentarle
un valor S1 que represente el 3𝑋1 + 𝑋2 ≤ 4 3𝑋1 + 𝑋2 + 𝑆1 = 4
valor agregado para lograr la 2𝑋1 + 3𝑋2 ≥ 5 2𝑋1 + 3𝑋2 − 𝑆2 = 5
igualdad a 4. En el caso del ≥
se deberá disminuir un S2 para
𝑋1 , 𝑋2 , ≥ 0 𝑋1 , 𝑋2 , 𝑆1 , 𝑆2 ≥ 0
lograr la igualdad a 5. 22
2.7 Transformaciones en el
modelo de PL
Algunas formas de expresar un modelo de PL son más convenientes que
otras para ciertos propósitos. Por esta razón es útil conocer los
procedimientos de transformación a saber.
1 Cuando el problema es de 2 Cuando la F.O. tiene término

minimizar, y se desea expresarlo independiente.
como máximo.
Dado
Dado Max Z = C0 + Σ CjXj
Min Z = Σ CjXj Definiendo
Min Z = - Min (-Z) = Max (-Z) G = Z- C0 = Σ (Cj)Xj
Entonces Se resuelve:
Max G = Σ (-Cj)Xj Max G = Σ (Cj)Xj
Donde Luego de calcular:
Z=-G Z óptimo = Z = G + CO
3 Cuando hay variables de 4 Cuando existen variables de

rango no-positivo. rango libre (irrestricto).
Dado Sea Xj variable libre:

Xj ≤ 0 Xj = Xj’- Xj’’
Basta con efectuar le cambio Con Xj’, Xj’’ ≥0
Xj’= - Xj ≥0 El programa se resuelve con
Se resuelve el problema con Xj’ Xj’y Xj’’
5 Puede haber restricciones: 6

|ai1X1 + ai2X2 +… + ainXn| ≤ b Cuando hay restricciones de
Que es equivalente a ambas desigualdad, se introduce
variables de holgura, tal como
restricciones:
ai1X1 + ai2X2 +… + ainXn ≤ b se indicó.
ai1X1 + ai2X2 +… + ainXn ≥ -b
Dado el PPL:
EJEMPLO Min Z = 10 – 35X1 – 20X2 + X3
sujeto a:
4x1 + X2 – 2X3 ≤ 8
X1 + X3 = 10
6X1 + X2 ≥ 5
X1 ≤ 0, X2 ≥ 0, X3 irrestricto
23
Hacer las siguientes transformaciones:
1. La F.O. no debe tener el término independiente.
2. La F.O. debe ser maximizar.
3. Escribir el modelo, con las restricciones de no negatividad.
SOLUCIÓN
1. La F.O. no debe tener el término independiente
Función Objetivo Original: Operando:

Min Z = 10 – 35X1 – 20X2 + X3 Z – 10 = – 35X1 – 20X2 + X3
Min G = – 35X1 – 20X2 + X3
Donde G = Z – 10 entonces
Z = G + 10
La FO transformada:
Min G = – 35X1 – 20X2 + X3
2. La F.O. debe ser maximizar (partiremos del a FO obtenida en 1).
Tenemos la FO: Escribiendo:

Min G = – 35X1 – 20X2 + X3 Min G = – Min (-G) = Max (-G)
Max (-G) = – (– 35X1 – 20X2 + X3)
Max H = 35X1 + 20X2 – X3
Donde G = – H
Luego H = – G = – (Z – 10)
– (Z – 10) = – Z + 10
Entonces Z = – H + 10
La FO transformada:
Max H = 35X1 + 20X2 - X3
3. Escribir el modelo, con las restricciones de no negatividad (partiremos

del a FO obtenida en 2).
Hacer: X3 = X3’ – X3’’ y X1 = – X1’
Tenemos el PPL: Entonces:

Max H = 35X1 + 20X2 - X3 Max H = – 35X1’ + 20X2 – (X3’ – X3’’)
sujeto a: Sujeto a:
4x1 + X2 – 2X3 ≤ 8 – 4 X1’ + X2 – 2 (X3’ – X3’’) ≤ 8
X1 + X3 = 10 – X1’ + (X3’ – X3’’) = 10
6X1 + X2 ≥ 5 – 6X1’ + X2 ≥ 5
Transformando:
Max H = – 35X1’ + 20X2 – X3’ + X3’’
Sujeto a:
– 4 X1’ + X2 – 2 X3’ + 2 X3’’ + S1 =8
– X1’ + X3’ – X3’’ = 10
– 6X1’ + X2 – S3 = 5
X1’, X2, X3’, X3’’, S1, S3 ≥ 0
24
2.8 Formulación de Problemas
PLANEAMIENTO DE LA PRODUCCIÓN
1 Un artesano se dedica a fabricar mesas y sillas. Se tiene la siguiente
información:
PLANCHA HORAS DE
REQUERIMIENTOS/ACTIVIDADES
DE MADERA TRABAJO
MESAS 2 1
SILLAS 1 2
DISPONIBILIDAD DE RECURSOS 40 40
El Artesano quiere hacer un máximo de 15 mesas y entre 10 y 12 sillas. El

precio de una plancha de madera es de $1 y el costo de una hora de
trabajo es de $10. ¿Cuántas mesas y sillas deben fabricarse?
a. Los costos
b. Las utilidades ¿Cuál es el objetivo? ¿Bajar
c. Tiempo de Trabajo el costo? ¿Aumentar las
utilidades? ¿Disminuir el
tiempo de trabajo?
¿Cuál es el
objetivo del
problema? Es El problema no indica en base a qué debemos elaborar nuestro
importante definir planteamiento, por ello desarrollaremos para los tres casos, pero seremos
el objetivo del
problema a la hora
más específicos atendiendo a los costos.
de plantear el
problema. Entonces, si nos basamos en los costos, el artesano tendrá como objetivo
bajar el costo total de producir sillas y mesas. Y la pregunta sería:
¿Cuántas mesas y sillas deben fabricarse si el artesano desea
disminuir los costos?
SOLUCIÓN
Variables de Decisión:
X1 = Número de mesas a fabricar.

X2 = Número de sillas a fabricar.
25
Función Objetivo:
Para la Función Objetivo debemos conocer el costo por mesas fabricadas y
el costo por sillas fabricadas, ya que al sumar dichos valores, tendremos el
costo total por fabricar mesas y sillas que será nuestro Z.
Recordemos algunos datos que nos brinda el problema:

PLANCHA HORAS DE
REQUERIMIENTOS
DE MADERA TRABAJO
2 1
1 2
COSTO 1$ 10$
COSTO TOTAL POR FABRICAR 𝑋1 MESAS:

1$ 10 $
2 𝑝𝑙𝑎𝑛𝑐ℎ𝑎𝑠 ( ) 𝑋1 + 1 ℎ𝑜𝑟𝑎 𝑑𝑒 𝑡𝑟𝑎𝑏𝑎𝑗𝑜 ( ) 𝑋1 = 𝟏𝟐𝑿𝟏
𝑝𝑙𝑎𝑛𝑐ℎ𝑎 ℎ𝑜𝑟𝑎 𝑑𝑒 𝑡𝑟𝑎𝑏𝑎𝑗𝑜
COSTO TOTAL POR FABRICAR 𝑋2 SILLAS:

1$ 10 $
1 𝑝𝑙𝑎𝑛𝑐ℎ𝑎𝑠 ( ) 𝑋2 + 2 ℎ𝑜𝑟𝑎 𝑑𝑒 𝑡𝑟𝑎𝑏𝑎𝑗𝑜 ( ) 𝑋2 = 𝟐𝟏𝑿𝟐
𝑝𝑙𝑎𝑛𝑐ℎ𝑎 ℎ𝑜𝑟𝑎 𝑑𝑒 𝑡𝑟𝑎𝑏𝑎𝑗𝑜
El costo total por producir mesas y sillas será 12 X1+21 X2 , entonces

nuestra función objetivo será:
Minimizar Z = 12 X1+21 X2
Recordamos los datos del problema:

Restricciones:
Disponibilidad de planchas de madera. REQUERIMIENTOS
PLANCHA DE
MADERA
HORAS DE
TRABAJO
2X1 + X2 ≤ 40 2 1
Disponibilidad de horas de trabajo. 1 2
X1 + 2X2 ≤ 40 DISPONIBILIDAD DE
RECURSOS
40 40
Requerimientos de fabricación.
X1≤ 15
El problema indicaba: “El
10≤ X2 ≤ 12 Artesano quiere hacer un
No negatividad. máximo de 15 mesas y
entre 10 y 12 sillas.”
X1, X2 ≥ 0
Entonces nuestro PPL es:
𝑴𝒊𝒏 𝑍 = 12𝑋1 + 21𝑋2

3𝑋1 + 2𝑋2 ≤ 40
𝑋1 + 2𝑋2 ≤ 40
𝑋1 ≤ 15
10 ≤ 𝑋2 ≤ 12
𝑋1 , 𝑋2 ≥ 0
26
¡Listo! Ahora plantearemos y compararemos las tres Funciones Objetivo de
los tres casos.
Atendiendo a los Función Objetivo:

Como la utilidad = ganancia entonces
la ganancia la obtenemos con el costo Costos: Minimizar Z = 12 X1+21 X2
de las horas de trabajo
únicamente.
Atendiendo a las Función Objetivo:

Utilidades: Maximizar Z = 10 X1 + 20 X2
Atendiendo a las Función Objetivo:

Horas de trabajo: Minimizar Z = X1 + 2 X2
En este caso queremos que las horas
de trabajo sean las más bajas pero
que cumpla las restricciones impuestas
por el problema.
CORTE DE ROLLOS DE PAPEL

2 Se hacen pedidos a una papelera de 800 rollos de papel corrugado de 30
pulgadas de ancho, 500 rollos de 45 pulgadas y 1000 de 50 pulgadas. La
papelera tiene solo rollos de 108 pulgadas de ancho. ¿Cómo deben cortarse
los rollos parar surtir el pedido con el mínimo desperdicio de papel,
sabiendo que el máximo desperdicio aceptable de papel por rollo es de 22
pulgadas?
SOLUCIÓN
El problema dice que la papelera tiene solo rollos de 108 pulgadas, y que
debe sobrar al cortar un máximo de 22 pulgadas (desperdicio aceptable) al
cortar 30’, 45’ y 50’, entonces las posibles formas de corte serán:
Desperdicio ≤ 22
Modelo 1
30 30 30 18
Modelo 2
30 30 45 3
Modelo 3
45 45 18
Modelo 4
45 50 13
Modelo 5
50 50 8
27
¡Ya podemos plantear el problema!
Tenemos 5 modelos de cortes que la papelera deberá realizar, pero no

sabemos cuántos de cada modelo, por eso definiremos nuestro
planteamiento de esta manera:
Variables de decisión:
Xk : Cantidad de rollos de 108 pulgadas de ancho,

cuyo corte se aplicará el modelo k =1, 2, 3, 4, 5
Plasmemos los datos en una tabla para plantear nuestra Función Objetivo y
restricciones:
Modelos
Disponibilidad
X1 X2 X3 X4 X5
30’ 3 2 0 0 0 800
Restricciones 45’ 0 1 2 1 0 500
50’ 0 0 0 1 2 1000
F.O. Desperdicio 18 3 18 13 8
(sobre 108’)
Función Objetivo:
Debemos minimizar el desperdicio de papel en pulgadas, por lo que la F.O.
será:
Min Z = 18X1 + 3X2 + 18X3 + 13X4 + 8X5
Restricciones:
Primer pedido (pedido de rollos de 30’) Observemos la tabla y veremos que por cada
rollo de 30’, 45’ y 50’ hay cierta cantidad por
3 X1 + 2 X2 = 800 cada modelo, por ejemplo:
De los rollos de 30’ (primer pedido) hay 3 en el
modelo X1 y hay 2 en el modelo X2 y su
Segundo pedido (pedido de rollos de 45’) disponibilidad es de 800’.
X2 + 2X3 + X4 = 500 Así para cada restricción.
Modelos Disponibilidad
X1 X2 X3 X4 X5
Tercer pedido (pedido de rollos de 50’) Restricciones 30’ 3 2 0 0 0 800
45’ 0 1 2 1 0 500
X4 + 2X5 = 1000 50’ 0 0 0 1 2 1000
No negatividad F.O. Desperdicio
(sobre 108’)
18 3 18 13 8
X1, X2, X3, X4, X5 ≥ 0
𝑴𝒊𝒏 𝑍 = 18𝑋1 + 3𝑋2 + 18𝑋3 + 13𝑋4 + 8𝑋5

3𝑋1 + 2𝑋2 = 800
𝑋1 + 2𝑋2 + 𝑋4 = 500
𝑋4 + 2𝑋5 = 1000
𝑋1 , 𝑋2 , 𝑋3 , 𝑋4 , 𝑋5 ≥ 0
28
PROBLEMA DE EMPAQUETAMIENTO
3 Un distribuidor de pollos desea vender paquetes de menudencia: cuello,
pata y molleja. Cada paquete debe estar compuesto por las tres
menudencias y a lo más debe pesar 1 kilo, se desea vender un lote de 400
paquetes. Al distribuidor le cuesta la porción de cuello S/. 80, molleja S/.75
y pata S/. 50. Además:
a. El peso combinado de molleja y pata debe ser por lo menos la mitad
del paquete.
b. El peso de cuello y pata no debe exceder los 500 gramos.
c. Cualquier tipo de menudencia debe ser al menos 20% del paquete.
d. Una porción equivale a 10 gramos.
¿Cuál debe ser la composición del paquete?
SOLUCIÓN
Planteamos el problema en un cuadro para definir nuestro planteamiento.
Paquete
Costo Peso Cantidad
Menudencias
c/porción máximo por vender
Cuello S/. 80
Pata S/. 75 1 kilo 400
(1000 grs.)
Molleja S/. 50
Me piden hallar la composición del paquete, por ello:
¿Y el dato de que se X1: Cantidad de Gramos de cuello en un paquete.
desea vender 400
paquetes? Es un dato X2: Cantidad de Gramos de pata en un paquete.
que no necesitamos
para el planteamiento.
X3: Cantidad de Gramos de molleja en un paquete.
Con los datos ya
planteados tendríamos
una respuesta óptima. Función Objetivo:
Sin embargo si deseamos
utilizarlo, deberemos
Deseamos minimizar los costos del empaquetamiento:
multiplicar a la FO por
400 y tendremos el costo
total por empaquetar 400 Min Z = 𝟖𝑿𝟏 + 𝟕, 𝟓𝑿𝟐 + 𝟓𝑿𝟑
paquetes.
Es un dato del que
podemos prescindir, y Para el costo por paquete de X1 tenemos:
no afectará nuestra
solución. Restricciones: 80 soles 1 𝑝𝑜𝑟𝑐𝑖ó𝑛 𝑋1 𝑔𝑟𝑎𝑚𝑜𝑠 𝑠𝑜𝑙𝑒𝑠
× × = 𝟖𝑋1
𝑝𝑜𝑟𝑐𝑖ó𝑛 10 𝑔𝑟𝑎𝑚𝑜𝑠 𝑝𝑎𝑞𝑢𝑒𝑡𝑒 𝑝𝑎𝑞𝑢𝑒𝑡𝑒
Peso máximo del paquete:

X1 + X2 + X3 ≤ 1000 El paquete pesa a lo más 1 kilo.
Peso combinado de molleja y pata:
𝑋1 + 𝑋2 + 𝑋3 El peso combinado de molleja y
X2 + X3 ≥ pata debe ser por lo menos la mitad
2
del paquete.
Peso combinado de cuello y pata
X1 + X2 ≤ 500 El peso de cuello y pata no debe
exceder los 500 gramos.
% Peso de cada menudencia.
X1 ≥ 0.2 (X1 + X2 + X3)
X2 ≥ 0.2 (X1 + X2 + X3) Cualquier menudencia debe ser
X3 ≥ 0.2 (X1 + X2 + X3) al menos 20 % del paquete.
No negatividad X1, X2, X3 ≥ 0
29
𝑴𝒊𝒏 𝑍 = 8𝑋1 + 7,5𝑋2 + 5𝑋3

𝑋1 + 𝑋2 + 𝑋3 ≤ 1000
𝑋1 + 𝑋2 + 𝑋3
𝑋2 + 𝑋3 ≥
2
𝑋1 + 𝑋2 ≤ 500
𝑋1 ≥ 0.2 (𝑋1 + 𝑋2 + 𝑋3 )
𝑋2 ≥ 0.2 (𝑋1 + 𝑋2 + 𝑋3 )
𝑋3 ≥ 0.2 (𝑋1 + 𝑋2 + 𝑋3 )
𝑋1 , 𝑋2 , 𝑋3 ≥ 0
CRIANZA DE GANADO
4 Un Granjero puede criar ovejas, cerdos y ganado vacuno.
Tiene espacio para 30 ovejas, ó 50 cerdos, ó 20 cabezas de ganado
vacuno, o cualquier combinación. Considerando la siguiente relación; 3
ovejas ocupan el mismo espacio de 5 cerdos y 3 ovejas ocupan el mismo
espacio de 2 vacas.
El Granjero debe criar, por ley al menos una cantidad de cerdo como ovejas
y vacas juntas. Los beneficios por cada animal son; $50, $40 y $100 para
ovejas, cerdos y vacas respectivamente.
SOLUCIÓN
Ya que nuestro objetivo será maximizar las utilidades, plantearemos
nuestro problema para esta pregunta: ¿Cuántas ovejas, cerdos y vacas
debe criar el granjero para aumentar sus beneficios?
X1: Cantidad de ovejas
X2: Cantidad de cerdos
X3: Cantidad de vacas
Función Objetivo:
Deseamos maximizar las utilidades: Max Z = 𝟓𝟎𝑿𝟏 + 𝟒𝟎𝑿𝟐 + 𝟏𝟎𝟎𝑿𝟑
Ahora analicemos algunos datos del problema para definir nuestras

restricciones.
¿Por qué me interesa Primero, el problema nos dice que tiene espacio para 30 ovejas, ó 50
saber el espacio límite?
Es un dato que
cerdos ó 20 vacas, es decir hay un espacio límite de área. ¿Y de qué
necesitamos para el tamaño es el espacio límite? ¿Podemos medirlo? Si.
planteamiento. Sin él,
tendríamos una
restricción “incompleta”,
en el sentido de no
30 ovejas 50 cerdos 20 vacas ¿? (espacio)
aprovechar los datos
que el problema nos <> <> <>
brinda.
30
Apliquemos Mínimo Común Múltiplo para conocer una equivalencia con el
Otra forma de
encontrar la espacio de la granja:
equivalencia: Utilizando
los datos del problema. MCM (30, 50, 20) = 300 ue
3 𝑋1 3 𝑋1
Entonces:
= 𝑦 =
5 𝑋2 2 𝑋3
Todo en función de 30 ovejas <> 50 cerdos <> 20 vacas <> 300 ue (espacio)
ovejas:
3 3
Esta equivalencia nos describe que 30 ovejas, ó 50 cerdos ó 20 vacas
𝑋 = 𝑋1 𝑦 𝑋3 = 𝑋1
5 2 2
Y como no puede haber ocupan 300 unidades de área de la granja. ¿Y cuánto ocupa una oveja?
más de 30 ovejas:
¿Cuánto un cerdo? ¿Cuánto una vaca? Respondamos a estas preguntas con
3 3
𝑋1 + 𝑋2 + 𝑋3 ≤ 30
5 2
las equivalencias que ya tenemos.
10X1+ 6X2 +15X3 ≤ 300
Si 30 ovejas ocupan 300 ue entonces: 1 oveja 10 ue
<>
ocupa
1 cerdo 6 ue
Si 50 cerdos ocupan 300 ue entonces: <>
ocupa
1 vaca 15 ue
Si 20 vacas ocupan 300 ue entonces: <>
ocupa
Ahora planteamos el problema en una tabla con los datos hallados y los que
nos brinda el problema.
Animales Ocupa Utilidad

Oveja 10 $ 50
Cerdo 6 $ 40
Vaca 15 $ 100
Disponibilidad 300 Por ejemplo:
10 ue
× 𝑋1 𝑜𝑣𝑒𝑗𝑎𝑠 = 𝟏𝟎𝑋1 𝑢𝑒
1 𝑜𝑣𝑒𝑗𝑎
Este valor es el espacio que
Restricciones: ocuparan todas las ovejas que
Combinación de los tres tipos de ganado. criará el granjero, y al tener el
10 X1 + 6 X2 + 15 X3 ≤ 300 valor del espacio que ocuparán
los tres ganados juntos, sabemos
Cantidad mínima de cerdos. que deberá ser no más que 300.
X2 ≥ X1 + X 3
Se debe criar por ley al
Limitaciones por capacidad. menos una cantidad de
X1 ≤ 30 cerdo como ovejas y
X2 ≤ 50 vacas juntas.
X3 ≤ 20 Tiene espacio para 30

ovejas, ó 50 cerdos, ó
No negatividad 20 cabezas de ganado
X1, X2, X3 ≥ 0 vacuno.
31
𝑴𝒂𝒙 𝑍 = 50𝑋1 + 40𝑋2 + 100𝑋3

10𝑋1 + 6𝑋2 + 15𝑋3 ≤ 300
𝑋2 ≥ 𝑋1 + 𝑋3
𝑋1 ≤ 30
𝑋2 ≤ 20
𝑋3 ≤ 50
𝑋1 , 𝑋2 , 𝑋3 ≥ 0
PLANIFICACIÓN DE SIEMBRA
5 Tres cooperativas agrarias cultivan remolacha, algodón y sorgo. El
rendimiento agrícola de cada cooperativa está limitado por la cantidad de
tierra irrigable, como por la cantidad de agua designada. Datos de los
recursos de las cooperativas.
Tierra Asignación de
COOP. Irrigable agua
(acres) (Acre/pie)
1 400 600
2 600 800
3 300 375
Estos cultivos difieren en su ganancia por acre y el consumo de agua. Se ha

establecido una cuota máxima para el número total de acres que pueden
dedicarse a cada uno de estos cultivos en las cooperativas.
Cuota Consumo Ganancia

Cultivo Máxima de agua Neta
(Acres) (pies / acres) ($ / acre)
Remolacha 600 3 400

Algodón 500 2 300
Sorgo 325 - 100
Las tres cooperativas han convenido en sembrar la misma proporción de su

tierra irrigable. La tarea que tiene la Oficina Técnica, es planear cuántos
Variables de Decisión acres se ha de dedicar cada cultivo para cada cooperativa. El objetivo es
maximizar la ganancia total de las cooperativas en su conjunto.
F.O
.
SOLUCIÓN
Xij
Cooperativa 1 Remolacha
Cooperativa 2 Algodón
Cooperativa 3 Sorgo
32
Como el problema indica, tendremos una variable que me indicará cuantos
acres de cierta cooperativa está destina a cierto cultivo.
Ejemplo: Xij: # Acres de la cooperativa i=1, 2, 3 destinados al cultivo j= R, A, S
X1R = Cantidad de
acres de la
cooperativa 1 Función Objetivo:
destinado al Deseamos maximizar la ganancia total por la venta de los 3 cultivos:
cultivo Remolacha.
Max Z = 400 (X1R + X2R + X3R) +
300 (X1A + X2A + X3A) +
100 (X1S + X2S + X3S)
Venta en las 3 cooperativas
Restricciones:
Disponibilidad de la tierra irrigable
COOP1: X1R + X1A + X1S ≤ 400
COOP2: X2R + X2A + X2S ≤ 600
COOP3: X3R + X3A + X3S ≤ 300
Asignación de acres por cultivo:

Remolacha : X1R + X2R + X3R ≤ 600
Algodón : X1A + X2A + X3A ≤ 500
Sorgo : X1S + X2S + X3S ≤ 325
Pacto social: Sembrar en la misma proporción de su tierra disponible.

𝑋1𝑅 + 𝑋1𝐴 + 𝑋1𝑆 𝑋2𝑅 + 𝑋2𝐴 + 𝑋2𝑆 𝑋3𝑅 + 𝑋3𝐴 + 𝑋3𝑆 Es decir:
= = 𝑋1𝑗 𝑋2𝑗 𝑋3𝑗
400 600 300 400
=
600
=
300
La siembra (acres)
será proporcional a la
Asignación de agua: tierra disponible de
9 5 cada uno.
COOP1: 2X1R + X1A ≤ 600
2
5
COOP2: 3X2R + 3X2A ≤ 800
10
COOP3: 6X3R + X3A ≤ 375
3
No negatividad
XA1, XA2, XA3, XB1, XB2 ≥ 0
Para esta última restricción hemos usado:

Cuota Consumo Tierra Asignación
Cultivo Máxima de agua COOP. Irrigable de agua
(Acres) (pies / acres) (acres) (Acre/pie)
Remolacha 600 3 1 400 600
Algodón 500 2 2 600 800
Sorgo 325 - 3 300 375
Por ejemplo, el cultivo destinado a la cooperativa 1 deberá cumplir con el

consumo de agua del cultivo y la asignación de agua. Para ello:
Primero vemos la cantidad de pies que usará la remolacha: 600*3 = 1800
pies, luego debemos saber qué parte pertenece a dicha cooperativa, por
eso dividimos entre 400: 1800/400= 9/2 acre/pie. En el caso del algodón
será 5/2 y en el caso de sorgo 0.
Entonces, al sumar estas cantidades deberá ser no más de 600 acre/pie
(asignación de agua) para la cooperativa 1. 33
DISTRIBUCIÓN DE JORNADAS DE TRABAJO
6 En un establecimiento comercial se desea encontrar el menor número de
empleados para una jornada de 12 horas de trabajo y donde los empleados
deben trabajar jornadas de 6 horas consecutivas, cumpliendo los siguientes
requerimientos:
Tiempo Número
Turno del Día Mínimo de
(horas) Empleados
1 17-20 4
2 20-23 8
3 23-02 10
4 02-05 6
SOLUCIÓN4
Analicemos, por ejemplo, si en el primer turno se tiene a 4 empleados,
entonces:
Tiempo 17 3 horas 20 3 horas 23 3 horas 02 3 horas 05
4 empleados ¿Quiénes van

cumpliendo la
4 empleados ya TURNO 1 jornada 6hrs?
cumplieron las 3 horas. 4+4
TURNO 2
Esos 4 empleados ya 4+6
cumplieron las 6 horas, y 6 horas
4 empleados nuevos TURNO 3
cumplen 3 horas. 6+n
Esos 4 empleados ya 6 horas
cumplieron las 6 horas, y
6 empleados nuevos
TURNO 4
Esos 6 empleados ya
cumplen 3 horas. cumplieron las 6 horas y n
empleados cumplen 3 horas.
Xk: Cantidad de empleados requeridos al inicio de turno k= 1, 2, 3, 4
Función Objetivo:
Deseamos maximizar las utilidades:
Min Z = X1 + X2 + X3 + X4
Restricciones:
Limitaciones del número de empleados por turno:
Turno 1: X1 ≥ 4
X4 probablemente sea 0, pero
Turno 2: X1 + X2 ≥ 8 eso no interesa, por ahora solo
Turno 3: X2 + X3 ≥ 10 queremos plantear el
Turno 4: X3 + X4 ≥ 6 problema, no hallar el valor de
las variables.
No negatividad
X1, X2, X3, X4 ≥ 0
34
MÉTODOS
DE SOLUCIÓN
GRÁFICO
3.1 Introducción
Un problema general de programación lineal, puede ser resuelto por:
 Método Gráfico
 Método Analítico (pe: Simplex, Algebraico)
 Computacionales (pe: LINDO)
El método gráfico no es recomendable para dimensiones mayores

a 2, es decir R2. Los métodos analíticos utilizan los conceptos del algebra
lineal entre ellos el Simplex, Simplex dual. También se cuenta con una
amplia variedad de software computacional para hallar la solución del PL.
El método gráfico utiliza la geometría plana, es fácilmente
comprensible y brinda una idea clara de lo que sucede al resolver un
35
problema lineal. Nos permite visualizar algunas propiedades de la
programación lineal.
El método gráfico tiene una metodología:
 Gráfica de la Región Factible
 Diseño del a Función Objetivo
 Desplazamiento de la Función Objetivo en dirección del incremento
(ó decremento) del valor de la Función Objetivo.
Para conocer el cómo aplicar el método gráfico, primero debemos conocer
algunos conceptos básicos que se explicarán a continuación.
3.2 Conjuntos Convexos

Un subconjunto S de puntos es un conjunto convexo si todos los puntos del
segmento de recta que une a cualquier par de puntos del conjunto también
pertenecen al conjunto S.
Para comprender mejor la definición del conjunto convexo debe tenerse en

cuenta que dado dos puntos x1 y x2, los puntos 𝛌𝐗 + (𝟏 − 𝛌)𝐘 con
𝟎 ≤ 𝛌 ≤ 𝟏 corresponden justamente con los puntos del segmento que une
x1 y x2.
Ejemplos de conjuntos convexos:
B
A
A B
Los que no son conjuntos convexos sería: La línea

completa no
A A B está dentro del
A
A B conjunto.
B
B B
A
Definición Formal.-
EL conjunto S ⊂ Rn es convexo si: Obsérvese que:
∀ x1, x2 ∈ S  Cuando λ = 1 entonces x=x1
 Cuando λ = 0 entonces x=x2
∀ λ ∈ ℝ, 0 ≤ λ ≤ 1 Para valores de λ comprendidos
Los puntos 𝑥 = λx1 + (1 − λ)x2 entre 0 y 1 el punto x se sitúa
entre x1 y x2.
Pertenecen a S.
Vértices o Puntos extremos de un conjunto convexo.-

Un punto x de un conjunto convexo S es un vértice o punto extremo si no
es posible encontrar dos puntos x1, x2 en S tales que:
𝑥 = λx1 + (1 − λ)x2
0≤ λ≤1 Punto
extremo
36
Para cualquier conjunto convexo S ⊂ Rn. Un punto X de S es un punto
extremo si para cada segmento rectilíneo que se encuentra completamente
en S y que pasa por el punto X, X es un extremo del segmento rectilíneo.
En un programa lineal con conjunto factible S, se verifica que X ∈ S es un
punto extremo de S si y solo si es una solución básica factible del
programa lineal expresado en forma estándar.
3.3 Método Gráfico

Para aplicar el Método Gráfico debemos seguir algunos pasos que
describiremos a continuación, partiendo de un ejemplo:
𝑴𝒂𝒙 𝑍 = 4𝑋1 + 6𝑋2

2𝑋1 + 𝑋2 ≤ 70
𝑋1 + 𝑋2 ≤ 40
𝑋1 + 3𝑋2 ≤ 90
𝑋1 , 𝑋2 , ≥ 0
Paso 1.- Definimos a cada restricción como la recta L1, L2, L3.
2𝑋1 + 𝑋2 ≤ 70 …L1
𝑋1 + 𝑋2 ≤ 40 …L2
𝑋1 + 3𝑋2 ≤ 90 …L3
Paso 2.- Tabularemos, para ello la ecuación “≥” ó “≤” serán ahora “=”
Si X1 = 0  X2 = 70
Para 2𝑋1 + 𝑋2 = 70 de L1 X1 X2
Si X2 = 0  X1 = 35
0 70 Entonces, la recta L1
35 0 tiene los puntos
(0,70) y (35,0)
Para 𝑋1 + 𝑋2 = 40 de L2 X1 X2
0 40
40 0
Para 𝑋1 + 3𝑋2 = 90 de L3 X1 X2
0 30
90 0
Paso 3.- Graficamos, donde las variables de decisión serán los ejes del
Una manera de saber plano. (A fines educativos los graficamos por separado.)
qué área sombrear, es
evaluando algún punto
en la restricción. ¿Siempre será el área
En L1, por ejemplo, si encerrada la que se
evaluamos el punto sombree? No,
(0,0) vemos que sí depende de si la
cumple la restricción restricción de la recta
2𝑋1 + 𝑋2 ≤ 70 ya que es ≤ ó ≥ ó =
0 ≤ 70, entonces esa
área sea la sombreada.
37
Recuerda: El gráfico Ahora, intersectaremos estas área en un gráfico y veamos cual es el área
siempre se ubicará en que originan las inecuaciones.
el primer cuadrante,
donde ambas variables
son > o = a cero.
A excepción de que el 2𝑋1 + 𝑋2 ≤ 70 …L1
el PPL indique tener 𝑋1 + 𝑋2 ≤ 40 …L2
una variable
irrestricta. 𝑋1 + 3𝑋2 ≤ 90 …L3
El área sombreada es
la REGIÓN FACTIBLE.
Paso 4.- Vemos en el gráfico que no tenemos los puntos de P y Q, así que
debemos hallarlos.
Sabemos que:
Resolvemos  Punto P = L ∩ L
2 3
el sistema de 𝑋1 + 𝑋2 = 40
ecuaciones 𝑋1 + 3𝑋2 = 90
𝑋1 = 15
𝑋2 = 25
 Punto Q = L ∩ L
1 2
2𝑋1 + 𝑋2 = 70
𝑋1 + 𝑋2 = 40
𝑋1 = 30
𝑋2 = 10
Paso 5.- Evaluamos cada punto de la Región Factible en la función Objetivo:

𝑴𝒂𝒙 𝑍 = 4𝑋1 + 6𝑋2
PUNTOS Z
A = (0,0) 0
La F.O. es de
B = (0,30) 180 𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒓
entonces
P = (15,25) 210 elegimos el Z
máximo.
Q = (30,10) 180
R = (35,0) 140
Paso 6.- Solución.
¿Variables básicas?
¿Variables no básicas?
Por ahora debemos 𝑴𝒂𝒙 𝑍 = 4𝑋1 + 6𝑋2 La solución óptima es Z*= 210
saber que las variables
porque 4(15) + 6(25) = 210
básicas son nuestras 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎
variables de decisión, XB = Variables básicas
las no básicas son 2𝑋1 + 𝑋2 ≤ 70 𝑋𝐵 = [𝑋𝑋1 ] = [15
25
], XN = Variables no básicas
2
aquellas que tendrán 𝑋1 + 𝑋2 ≤ 40
valor igual a cero. Ver
𝑆1 0
pag. XXX para aclarar 𝑋1 + 3𝑋2 ≤ 90 𝑋𝑁 = [𝑆2 ] = [0]
la definición. 0
𝑋1 , 𝑋2 , ≥ 0 𝑆3
Si el problema fuese de recursos y
utilidades, entonces podrá
interpretarse a que debe usarse 15
recursos tipo 1 y 25 recursos tipo 2
para tener la máxima utilidad de 210.38
Observemos la gráfica para conocer algunas definiciones (en color los
puntos que cumplen cada definición):
(0,0), (0,30), (0,40), (0,70), (35,0),

(40,0), (90,0) (15,25), (30,10)
Son los puntos de la región que se

encuentran en la intersección de rectas
o hiperplanos o en la intersección con
los ejes coordenados.
Solución Básica
(15,25)
Solución básica factible que

maximiza o minimiza la FO.
Solución Óptima
Región que cumple con todas las

restricciones del problema y las
condiciones de no negatividad. Se
caracteriza por ser convexa.
Región Factible
Solución
Básica Factible
Degenerada
Solución factible en que
una o más variables
básicas factibles toman
el valor cero.
(0,0), (0,30), (35,0)
Soluciones Factibles
Solución Básica Factible
Es cualquier punto del plano
situado en la región factible. Aquella solución Básica donde se
cumplen todas las restricciones, que
vienen a ser los puntos extremos.
(0,0), (0,30), (35,0), (15,25), (30,10)
Solución PL POSIBLES SOLUCIONES
Factible No factible Un problema de Programación Lineal no siempre presenta una única

solución óptima, existen otras posibles soluciones según la región factible:
Solución
Óptima
Solución No
óptima
Región Acotada / Región No Acotada /
Región vacía
Limitada Ilimitada
PL Solución PL Óptimas PL Solución PL Óptimas

PL Ilimitado PL Inviable
Única Alternativas Única Alternativas
39
3.4 Tipos de problemas lineales
1. Problemas que admiten una única solución.
Se presenta cuando la región es limitada y la solución cae en un vértice
de la región.
2. Problemas que admiten múltiples soluciones (óptimas alternativas).

Se presenta cuando la solución cae en un extremo (lado o rayo) de la
región, esto es, todos los puntos (infinitos) que se encuentran en el
extremo óptimo hacen máximo (o mínimo) el valor de la función.
Se presenta cuando la línea de la F.O. es paralela a una de las
restricciones.
3. Problemas que no tienen solución (problemas inviables).

Se presenta cuando la región que describe el problema es vacío.
Esta clase de problemas se presenta cuando existe incongruencia en los
datos y/o especificaciones; o cuando el problema no está bien
formulado.
4. Problemas con solución ilimitada.

Se presenta cuando la región es ilimitada y la solución no cae en ningún
extremo de la región. Esto es posible encontrar puntos en la región
factible con valores de la función objetivo muy grandes (∞ en caso de
problema de máx.) o muy pequeños (-∞ en caso de problemas de min).
Se presenta en caso de que la formulación del problema no es correcta.
3.5 Ejemplos
Dado el modelo lineal:
1 𝑴𝒊𝒏 𝑍 = 2𝑋1 + 5𝑋2
3𝑋1 + 𝑋2 ≥ 4 …L1
2𝑋1 + 3𝑋2 ≥ 5 …L2
𝑋1 , 𝑋2 , ≥ 0
SOLUCIÓN:
El PPL es de Minimizar,
PUNTOS Z entonces, Z* = 5
L1: X1 X2
P = (0,4) 20
0 4
3𝑋1 + 𝑋2 = 4 X1 X2 Q = (1,1) 7 Solución.-
4/3 0
0 70 R = (2.5,0)
Región
5 𝑋𝐵 = [X1
X2
] = [2,5
0
]
L2: X1 X2 Factible 0No
35
𝑋𝑁 = [S1] = [00]
SOLUCIÓN ÓPTIMA Y Acotada S2
2𝑋1 + 3𝑋2 = 5 0 5/3
REGIÓN NO ACOTADA La solución óptima es
5/2 0
Z* = 5 si la FO:
Min Z=2(2,5)+5(0)=5
40
2 𝑴𝒂𝒙 𝑍 = 2𝑋1 + 2𝑋2
𝑋1 − 𝑋2 ≥ 1 …L1
−𝑋1 + 2𝑋2 ≤ 4 …L2
𝑋1 , 𝑋2 , ≥ 0
SOLUCIÓN:
El PPL es de Maximizar,
L1: X1 X2 proyectamos la FO de abajo
𝑋1 − 𝑋2 = 1 0 -1 hacia arriba, donde Z crece
1 0 y continúa al infinito sin
tener un punto máximo
NO TIENE SOLUCIÓN Y L2: extremo.
X1 X2
REGIÓN NO ACOTADA −𝑋1 + 2𝑋2 = 4 Región
0 2 Factible No
-4 0 Acotada
Solución.-
El PPL no tiene solución
óptima
¿Cómo graficar la F.O.?
Dale el valor que quieras al Z y tabula los valores de X1 y X2, en este caso le asigné el valor
creciente arbitrario Z=8, donde tendré X1=2 y X2=2. Busco saber para donde crece el Z,
entonces ahora evalúo en el punto P (6,5), y será Z=22. El Z ha crecido de 8 a 22, entonces
ya conocemos su dirección. Podemos ir proyectando la FO en la dirección en la que crece
hasta llegar al punto óptimo. En este caso no hay punto máximo extremo, porque la región
es no acotada(infinita).

3 𝑴𝒂𝒙 𝑍 = 2𝑋1 + 3𝑋2
2𝑋1 + 3𝑋2 ≤ 10 …L1
6𝑋1 + 2𝑋2 = 8 …L2
𝑋1 + 5𝑋2 ≥ 4 …L3
𝑋1 , 𝑋2 , ≥ 0
SOLUCIÓN ÓPTIMA
SOLUCIÓN:
X1 X2 PUNTOS Z entonces, Z* = 10
L1: 0 10/3 P = (0.29,3.14) 10
2𝑋1 + 3 𝑋2 = 10 5 0 Q = (1.15,0.57) 4.01
Observemos que Solución.-
cuando una
restricción es de L2: X1 X2 𝑋𝐵 = [X1X2
] = [0.29
3.14
]
igualdad, es muy 0 4
6𝑋1 + 2𝑋2 = 8 X1 X2 𝑋𝑁 = [S1] = [00]
probable que la 4/3 0 S2
región factible sea 0 70 La solución óptima es
representada en una L3: X1 X2 35 0
Z* = 10 si la FO:
línea dependiendo de 0 4/5
𝑋1 + 5𝑋2 = 4 Z=2(0.29)+3(3.14)=10
que el PPL sea Max ó 4 0
Min.
En este caso el PPL
es de Max y L2=0
La Región Factible es el
segmento de recta sombreada
41
4 𝑴𝒂𝒙 𝑍 = 𝑋1 + 𝑋2
𝑋1 + 𝑋2 ≤ 4 …L1
6𝑋1 + 𝑋2 ≤ 12 …L2
𝑋1 , 𝑋2 , ≥ 0
SOLUCIÓN:
L1: X1 X2
entonces, Z* = 4
𝑋1 + 𝑋2 = 4 0 4 PUNTOS Z
4 0 A = (0,4) 4
P = (1.6,2.4) 4 Solución.-
SOLUCIÓN MÚLTIPLE L2: X1 X2
La solución óptima es
INIFINITA EN REGIÓN
6𝑋1 + 𝑋2 = 12 0 12
ACOTADA Z* = 4
2 0
Y TIENE INFINITAS
SOLUCIONES ÓPTIMAS.
Una de ellas es:
Observemos que
cuando una 𝑋𝐵 = [X1
X2
] = [04]
restricción es paralela
𝑋𝑁 = [S1] = [00]
a la FO, es muy S2
probable que
presente una solución
representada en una El segmento de recta sombreada son todos los puntos infinitos
línea dependiendo de óptimos del PPL. Y podemos expresarlo de esta manera:
que el PPL sea Max ó 𝜆(0,4) + (1 − 𝜆)(1.6,2.4) con 0 ≤ 𝜆 ≤ 1
Min. Esta ecuación proporciona todos los puntos óptimos del PPL siempre y
En este caso el PPL cuando 0 ≤ 𝜆 ≤ 1. Cuando reemplazamos 𝜆 = 1 por ejemplo, la
es de Max y L1 //FO
ecuación te dará el punto (0,4).

5 𝑴𝒂𝒙 𝑍 = 2𝑋1 + 3𝑋2
𝑋1 + 𝑋2 ≥ 10 …L1
𝑋1 + 𝑋2 ≤ 5 …L2
𝑋1 , 𝑋2 , ≥ 0
SOLUCIÓN:
No existe Región Factible
(región que cumpla las
L1: X1 X2 inecuaciones)
0 10
𝑋1 + 𝑋2 = 10 10 0 Solución.-
NO EXISTE REGIÓN L2: X1 X2 EL PPL NO TIENE
FACTIBLE Y NO TIENE
SOLUCIÓN
𝑋1 + 𝑋2 = 5 0 5
SOLUCIÓN
5 0
42
6 𝑴𝒂𝒙 𝑍 = 5𝑋1 + 4𝑋2
6𝑋1 + 4𝑋2 ≤ 24 …L1
𝑋1 + 2𝑋2 ≤ 6 …L2
−𝑋1 + 𝑋2 ≤ 1 …L3
𝑋2 ≤ 2 …L4
𝑋1 , 𝑋2 , ≥ 0
SOLUCIÓN: El PPL es de Maximizar,

entonces, Z* = 21
Si graficamos la FO,
veremos que el punto
L1: X1 X2
C (3,1.5) es el punto 6𝑋1 + 4𝑋2 = 24 0 6 PUNTOS Z
óptimo. Y ya no 4 0 A = (0,0) 0
hallaríamos las
coordenadas del L2: B = (4,0) 20
X1 X2
resto de puntos ni 𝑋1 + 2𝑋2 = 6 0 3
C = (3,1.5) 21
evaluaríamos el Z en D = (2,2) 18
cada uno. 6 0
L3: E = (1,2) 13
X1 X2
−𝑋1 + 𝑋2 = 1 0 1
F = (0,1) 4
-1 0 REGIÓN
L4: FACTIBLE
𝑋2 = 2
La solución óptima es Z* = 21 ya que FO: Z=5(3)+4(1.5)=21

S1 0
𝑋𝐵 = [X1
X2
3
] = [1.5 ] , 𝑋𝑁 = [S2 0
S3] = [0]
S4 0

7 𝑴𝒊𝒏 𝑍 = 0.3𝑋1 + 0.9𝑋2
𝑋1 + 𝑋2 ≥ 800 …L1
0.21𝑋1 − 0.3𝑋2 ≤ 0 …L2
0.03𝑋1 − 0.01𝑋2 ≥ 0 …L3
𝑋1 , 𝑋2 , ≥ 0
SOLUCIÓN: El PPL es de Minimizar,

entonces, Q ES EL
L1: X1 X2 PUNTO ÓPTIMO
𝑋1 + 𝑋2 = 800 0 800
800 0
REGIÓN
L2: X1 X2
FACTIBLE
0.21𝑋1 − 0.3𝑋2 = 0 0 0
470.6 329.4
L3: X1 X2
0.03𝑋1 − 0.01𝑋2 = 0 0 0
198.5 601.5
La solución óptima es Z* = 437.64 ya que FO: Z = 0.3 (470.6)+ 0.9 (329.4) = 437.64
S1 0
𝑋𝐵 = [X1
X2
] = [470.6
329.4
] , 𝑋𝑁 = [S2] = [0] 43
S3 0
Caso: PRODUCCIÓN DE SOMBREROS
8 Una Compañía produce dos tipos de sombrero vaquero, cada sombrero del tipo
1 requiere el doble de tiempo en mano de obra que el tipo II. Si todos los
sombreros son solo del tipo II, la Compañía puede producir un total de 500
sombreros al día.
El mercado limita las ventas diarias del tipo I y II a 150 y 250 sombreros
respectivamente. Los beneficios por sombrero son $8 para el tipo I y $5 para el
tipo II. Determinar el número de sombreros que deben producirse de cada
tipo.
SOLUCIÓN.-
Variable de decisión.-
Xj : Cantidad de sombreros a producir del tipo = I y II.
Función Objetivo.-
Beneficio total de la producción de sombreros, maximizar las ganancias.
Max Z = 8X1 + 5X2
Restricciones.-
1. Proporcionalidad en la producción de sombreros:
𝑋1 1
= → 𝑋2 = 2𝑋1 → 2𝑋1 + 𝑋2 ≤ 500
X2 2
2. Ventas del sombrero tipo I

X1 ≤ 150
3. Ventas del sombrero tipo II

X2 ≤ 250
4. No Negatividad
X1, X2 ≥ 0.
𝑴𝒂𝒙 𝑍 = 8𝑋1 + 5𝑋2 El PPL es de Maximizar,

entonces, Q ES EL
𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 PUNTO ÓPTIMO
2𝑋1 + 𝑋2 ≤ 500 …L1
PUNTOS Z
𝑋1 ≤ 150 …L2
A = (0,0) 0
𝑋2 ≤ 250 …L3 B = (150,0) 1200
𝑋1 , 𝑋2 , ≥ 0 Q = (125,250) 2250
R = (150,200) 2200
La solución óptima es P = (0,250) 1250
Z* = 2250 ya que
Z* = 8(125)+ 5 (200) = 2250
REGIÓN
FACTIBLE
𝑋𝐵 = [X1
X2
] = [125
250
]
S1 0
𝑋𝑁 = [S2] = [0]
S3 0
La compañía tiene que producir 125 sombreros tipo I y 250

sombreros tipo II para lograr el beneficio máximo de 2250.
44
3.6 Ejercicios
𝑴𝒂𝒙 𝑍 = 𝑋1 + 𝑋2 𝑴𝒊𝒏 𝑍 = 𝑋1 + 𝑋2 𝑴𝒂𝒙 𝑍 = 4𝑋1 + 4𝑋2
𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎
2𝑋1 + 𝑋2 ≤ 23 −𝑋1 + 𝑋2 ≤ 2 −2𝑋1 + 2𝑋2 ≤ 2
𝑋1 + 2𝑋2 ≥ 25 𝑋1 + 𝑋2 ≤ 5 −1𝑋1 + 2𝑋2 ≤ 4
𝑋1 , 𝑋2 , ≥ 0 𝑋1 ≤ 3 𝑋1 , 𝑋2 , ≥ 0
𝑋1 , 𝑋2 , ≥ 0
𝑴𝒊𝒏 𝑍 = 8𝑋1 + 3𝑋2 𝑴𝒂𝒙 𝑍 = 2𝑋1 + 2𝑋2
𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 𝑴𝒂𝒙 𝑍 = 6𝑋1 + 5𝑋2 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎
9𝑋1 − 2𝑋2 ≤ 20 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 𝑋1 − 𝑋2 ≤ 2
10𝑋1 + 3𝑋2 ≤ 32 3𝑋1 + 2𝑋2 ≤ 60 𝑋1 + 𝑋2 ≥ 4
𝑋1 , 𝑋2 , ≥ 0 3𝑋1 + 4𝑋2 ≤ 48 𝑋1 , 𝑋2 , ≥ 0
𝑋1 , 𝑋2 , ≥ 0
𝑴𝒊𝒏 𝑍 = 3𝑋1 + 4𝑋2 𝑴𝒂𝒙 𝑍 = 8𝑋1 + 10𝑋2
𝑋1 + 3𝑋2 ≥ 6 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 4𝑋1 + 3𝑋2 ≤ 10
𝑋1 + 𝑋2 ≥ 4 7𝑋1 + 4𝑋2 ≥ 35 𝑋1 + 2𝑋2 ≤ 5
𝑋1 , 𝑋2 , ≥ 0 3𝑋1 − 2𝑋2 ≤ 3 𝑋1 , 𝑋2 , ≥ 0
𝑋1 , 𝑋2 , ≥ 0
𝑴𝒂𝒙 𝑍 = 5𝑋1 + 3𝑋2 𝑴𝒊𝒏 𝑍 = 8𝑋1 + 5𝑋2
2𝑋1 + 4𝑋2 ≤ 23 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 2𝑋1 + 𝑋2 ≤ 500
𝑋1 + 2𝑋2 ≤ 25 𝑋1 + 𝑋2 ≤ 48 𝑋1 ≤ 150
𝑋1 , 𝑋2 , ≥ 0 𝑋1 + 2𝑋2 ≥ 30 𝑋2 ≤ 250
9𝑋1 + 5𝑋2 ≤ 32 2𝑋1 = 𝑋2
𝑴𝒂𝒙 𝑍 = 5𝑋1 + 6𝑋2 𝑋1 , 𝑋2 , ≥ 0 𝑋1 , 𝑋2 , ≥ 0
3𝑋1 + 5𝑋2 ≤ 30 𝑴𝒂𝒙 𝑍 = 3𝑋1 + 7𝑋2 𝑴𝒂𝒙 𝑍 = 100𝑋1 + 120𝑋2
2𝑋1 + 3𝑋2 ≤ 1 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎
𝑋1 + 5𝑋2 ≥ 1 6𝑋1 + 11𝑋2 ≤ 66 5𝑋1 + 6𝑋2 ≥ 30
4𝑋1 + 𝑋2 ≤ 8 2𝑋1 + 𝑋2 ≤ 10 8𝑋1 + 4𝑋2 ≤ 64
𝑋1 , 𝑋2 , ≥ 0 0.5𝑋1 + 0.4𝑋2 ≥ 6 𝑋1 , 𝑋2 , ≥ 0
𝑋1 + 𝑋2 ≥ 4
𝑋1 , 𝑋2 , ≥ 0
𝑴𝒂𝒙 𝑍 = 12𝑋1 + 10𝑋2 𝑴𝒊𝒏 𝑍 = 3𝑋1 + 5𝑋2
6𝑋1 + 𝑋2 ≤ 6 𝑴𝒂𝒙 𝑍 = 5000𝑋1 + 3000𝑋2 3𝑋1 + 3𝑋2 ≤ 18
9𝑋1 + 4𝑋2 ≤ 18 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 𝑋1 ≤ 4
2𝑋1 + 5𝑋2 ≤ 20 3𝑋1 + 5𝑋2 ≤ 1 𝑋2 ≤ 6
𝑋1 + 𝑋2 ≤ 1 50𝑋1 + 200𝑋2 ≤ 10 𝑋1 + 4𝑋2 ≤ 10
𝑋1 , 𝑋2 , ≥ 0 𝑋1 , 𝑋2 , ≥ 0 𝑋1 , 𝑋2 , ≥ 0
45
MÉTODO
SIMPLEX
4.1 Introducción
Es un procedimiento algebraico creado por George Dantzig en 1947
para hallar la solución óptima a un problema de Programación Lineal.
Desde que las soluciones que optimizan la F.O. se encuentran en la

frontera de la región Factible y en particular en los vértices de esta. El
simplex localiza un vértice de la región y salta para el siguiente vértice
adyacente de forma que mejore el valor de la F.O.
Con este método, en vez de probar con cada punto extremo de la región de
factibilidad, se inicia con cualquier punto extremo de la región de
factibilidad y mediante transformaciones elementales se llega a puntos
extremos más eficientes.
46
4.2 Definiciones Previas
ESTANDARIZACIÓN.- Es el proceso por el cual se eliminan las
inecuaciones del sistema añadiendo variables de holgura o de excedencia
obteniendo así un sistema de ecuaciones.
Modelo General: Forma Estándar:

𝑛 𝑛 𝑚
𝑴𝒂𝒙 ( 𝒐 𝑴𝒊𝒏) 𝑍 = ∑ 𝐶𝑗 𝑋𝑗 𝑴𝒂𝒙 ( 𝒐 𝑴𝒊𝒏)𝑍 − ∑ 𝐶𝑗 𝑋𝑗 ± 0 ∑ 𝑆𝑗 = 0

𝑖=1 𝑖=1 𝑖=1
≤
∑ 𝑎𝑖𝑗 𝑥𝑗 𝑏 𝑖 = 1,2, … , 𝑛 ∑ 𝑎𝑖𝑗 𝑥𝑖 ± 𝑆𝑗 = 𝑏𝑗 𝑖 = 1,2, … , 𝑛
≥ 𝑖
𝑥𝑗 ≥ 0 𝑗 = 1,2, … , 𝑚 𝑥𝑗 , 𝑆𝑗 ≥ 0 𝑗 = 1,2, … , 𝑚
Variables de Holgura
 En las restricciones (≤) el lado derecho representa el límite sobre la
disponibilidad de un recurso y el lado izquierdo el uso de ese recurso
limitado.
 Una holgura representa la cantidad del recurso que no se utiliza.
 Las variables positivas Sj introducidas para convertir las desigualdades
≤ en igualdades (=), y se llaman variables de holgura. El problema
adopta la
forma
Modelo General: Forma Estándar: estándar con
n + m= 4
𝑴𝒂𝒙 𝑍 = 3𝑋1 + 4𝑋2 𝑴𝒂𝒙 𝑍 − 3𝑋1 − 4𝑋2 = 0 incógnitas.
3𝑋1 + 4𝑋2 ≤ 16 3𝑋1 + 4𝑋2 + 𝑺𝟏 = 16
2𝑋1 + 3𝑋2 ≤ 9 2𝑋1 + 3𝑋2 + 𝑺𝟐 = 9

𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑋𝑖 ≥ 0 𝑖 = 1,2
𝑆𝑗 ≥ 0 𝑗 = 1,2
Variables de Exceso o Superávit

𝑋 ≥0 𝑖 = 1,2
 Las restricciones (≥) determinan requerimientos 𝐼mínimos de
especificaciones.
 Un superávit representa el exceso del lado izquierdo sobre el
requerimiento mínimo.
 Las variables positivas Sj introducidas para convertir las desigualdades
≥ en igualdades (=), se llaman variables de exceso.
47
El problema
adopta la
forma
Modelo General: Forma Estándar: estándar con
n + m= 4
𝑴𝒂𝒙 𝑍 = 5𝑋1 + 𝑋2 𝑴𝒂𝒙 𝑍 − 5𝑋1 − 𝑋2 = 0 incógnitas.
2𝑋1 + 4𝑋2 ≥ 16 2𝑋1 + 4𝑋2 − 𝑺𝟏 = 16
𝑋1 − 6𝑋2 ≥ 9 𝑋1 − 6𝑋2 − 𝑺𝟐 = 9
𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑋𝑖 ≥ 0 𝑖 = 1,2
𝑆𝑗 ≥ 0 𝑗 = 1,2
𝑋𝐼 ≥ 0 𝑖 = 1,2
4.3 Método Simplex

El simplex inicia con una solución factible y cuando las restricciones son ≤,
una solución factible ocurre en el origen de coordenadas.
El MÉTODO SIMPLEX
se aplica en sólo
problemas con
restricciones ≤,
PROCEDIMIENTO.-
entonces solo 1. Se estandarizan la función objetivo y el sistema de inecuaciones que
deberás añadir
variables de holgura. determina al problema.
2. Se expresa el problema en forma de tabla.
3. Se escoge la solución básica inicial y empieza la iteración.
4. Generar una nueva solución factible usando las condiciones de
Forma Estándar:
𝑛 𝑚
optimalidad y factibilidad hasta que dicha solución óptima sea
𝑍 − ∑ 𝐶𝑗 𝑋𝑗 ± 0 ∑ 𝑆𝑗 = 0 obtenida, siempre que exista y sea finito.
𝑖=1 𝑖=1
FORMA DE TABLA.-
Sol. Valor Var. NO Básicas Var. Básicas bj

Básica Objetivo Var. De Decisión Var. De Holgura/Exceso
Inicial
Z x1 x2 … xn S1 S2 … Sn Sol.
Coef.
Z 1 -C1 -C2 … -Cn 0 0 … 0 0
F.O. S1 0 a11 a12 … a1n 1 0 … 0 b1
S1 0 a21 A22 … a2n 0 1 … 0 b2
… … … … … … … … … … …
Después Sn 0 am1 am2 … amn 0 0 … 1 bm
de varias
iteraciones Coeficientes en Matriz
la tabla las restricciones Identidad
tiene la
forma:
Base Z x1 x2 … xn Xn+1 Xn+2 … Xn+m Sol.
Z 1 Z1-C1 Z2-C2 … Zn-Cn Zn+1-Cn+1 Zn+2-Cn+2 … Zn+m-Cn+m Z0
aB1 0 Y11 Y12 … Y1n Y1n+1 Y1n+2 … Y1n+m XB1
aB2 0 Y21 Y22 … Y2n Y2n+1 Y2n+2 … Y2m+n XB2
… … … … … … … … … … …
aBm 0 Ym1 Ym2 … Ymn Ymn+1 Ymn+2 … Ymm+n XBm
48
Ahora veamos un ejemplo para entender el método simplex y algunas
propiedades importantes.
Un carpintero fabrica sillas y mesas, su producción está limitada por lo

EJEMPLO siguiente:
Él dispone por semana 36 listones.
- Para cada silla requiere 4 listones de madera.
- Para cada mesa requiere 4 listones de madera.
Él dispone por semana 48 horas de mano de obra.
- Para cada silla dispone 3 horas de mano de obra.
- Para cada mesa dispone 6 horas de mano de obra.
Determine el plan de producción óptima, si:
- La utilidad por silla es s/200
- La utilidad por mesa es s/300
SOLUCIÓN.-
Variables de decisión:
X1: cantidad de sillas a producir
X2: cantidad de mesas a producir
Función Objetivo:
Maximizar ganancias (beneficios)
Max Z = 200 X1 + 300 X2
Restricciones:
Según limitación de madera:
4X1 + 4X2 ≤ 36
Según mano de obra:
X1 + 6X2 ≤ 48
Restricción de No negatividad
X1, X2 ≥ 0
SIMPLEX 1. Estandarizando: Convertir las desigualdades en igualdades.
Se introduce una variable de holgura por cada una de las restricciones, para
convertirlas en igualdades, resultando el sistema de ecuaciones lineales:
𝑴𝒂𝒙 𝑍 − 200𝑋1 − 300𝑋2 − 0𝑆1 − 0𝑆2 = 0
4𝑋1 + 4𝑋2 + 𝑺𝟏 = 36 Solución

Básica
3𝑋1 + 6𝑋2 + 𝑺𝟐 = 48 Inicial
𝑋𝑖 ≥ 0 𝑖 = 1,2
𝑆𝑗 ≥ 0 𝑗 = 1,2
2. Escribir el problema en forma de Tabla.

𝑋𝐼 ≥ 0 𝑖 = 1,2
Var. NO Básicas Var. Básicas
Var. De Decisión Var. De Holgura/Exceso
Z x1 x2 S1 S2 Sol.
Z 1 -200 -300 0 0 0
S1 0 4 4 1 0 36
S2 0 3 6 0 1 48
49
3. Se escoge la Solución Básica Inicial (Sbi) y se empieza la iteración.
Z X1 X2 S1 S2 Sol.
Z 1 -200 -300 0 0 0
S1 0 4 4 1 0 36
S2 0 3 6 0 1 48
Solución Básica Inicial
Base
4. Encontrar la variable No Básica que entra a la base y la Variable básica

que sale de la base.
¿Cómo encontrar la Var. que
entra y la que sale?
*Elijo el más negativo en la fila
de Z. En este caso es -300 Z X1 X2 S1 S2 Sol.
entonces la Var. Entrada = X2 + negativo VE=X2
*Divido última columna entre Z 1 -200 -300 0 0 0 VS=S2
columna pivote y elijo el menor
cociente positivo. S1 0 4 4 1 0 36 36/4 =9
Menor Cociente
36/4=9 y 48/6 = 8, el menor es
8, que corresponde a S2,
S2 0 3 6 0 1 48 48/6 =8 Positivo, no ceros
ni negativos
entonces la Var. Salida = S2
*Mi elemento pivote es 6 Elemento pivote
En la base aparecen S1 y S2, pero la VE es X2 y la VS es S2, entonces en la

base aparecerá X2 en lugar de S2. Esto ocasiona que el contenido de la
tabla cambie y que cumpla con lo siguiente: El pivote ahora debe ser uno y
1 iteración: (Llenar tabla) los otros valores de la misma columna deben ser ceros, ¿Cómo?
*El elemento pivote ahora debe
ser UNO. El número 6 debe
Veamos la tabla de la 1era iteración:
convertirse a 1 → divido toda la
fila S2 entre 6.
La fila X2 = Fila S2/6
*Los números restantes de la
Z X1 X2 S1 S2 Sol.
columna pivote deben ser 1 iter. 1 -50 0 0 50 2400 + negativo VE=X2
VS=S2
Ceros.
Vemos que para que 4 se haga S1 0 2 0 1 -2/3 4 4/2 =2
0, se le debe restar 4: 8/1/2 =16
Nuevo S1 = 4 + (-4)*1 =0 X2 0 1/2 1 0 1/6 8
Aplico a toda la fila:
S1 antiguo+ 4+ 4+ 1+ 0+ 36+
Nuevo S1 = S1antiguo+ (-4)*X2
(-4)*X2 (-4)*1/2 (-4)*1 (-4)*0 (-4)*1/6 (-4)*8
Y para la nueva fila de Z Nuevo S1 2 0 1 -2/3 4
debemos sumar 300 parar que
se haga cero:
Z antiguo+ -200+ -300+ 0+ 0+ 0+
Nuevo z = -300 + (300)*1 = 0
300*X2 300*1/2 300*1 300*0 300*1/6 300*8
Aplicando a toda la fila: Nuevo Z 50 2400
-50 0 0
Nuevo Z = Z antiguo + 300*X2
Y así completamos la tabla.
Ahora vuelve a repetir el
proceso, a elegir tu VE y tu VS.
Hasta que la fila de Z sean
ceros o positivos (Condición de
Ya completa la tabla, verificamos que la fila de Z aun no es positiva o cero,
Optimalidad).
entonces seguimos iterando, definimos el elemento pivote = 2, mi Var.
Entrada =X1, Var. Salida = S1 y elaboramos la siguiente tabla que
corresponde a la 2da iteración:
Z X1 X2 S1 S2 Sol. Solución Básica

Factible Óptima
Condición de Optimalidad para el 2 iter. 1 0 0 25 -50/3 2500 Z*=2500
problema de maximización: X1=2
El Proceso termina cuando todos los X1 0 1 0 1/2 -1/3 2 X2=7
coeficientes de las variables NO S1=0
básicas son cero o positivos. X2 0 0 1 -1/4 1/3 7 S2=0
Zj – Cj ≥ 0
La solución óptima es Z* = 2500 ya que

Z* = 200(2)+ 300 (7) = 2500
𝑋𝐵 = [X1
X2
] = [27], 𝑋𝑁 = [S1
S2
] = [00]
50
La solución óptima es: 2500. En la misma columna se puede observar el
vértice donde se alcanza, observando las filas correspondientes a las
variables de decisión que han entrado a la base: (X1, X2) = (2,7).
El carpintero debe producir 2 sillas y 7 mesas por semana para tener un

beneficio máximo de s/ 2500
GRÁFICO 𝑴𝒂𝒙 𝑍 = 200𝑋1 + 300𝑋2

Z*=2500 4𝑋1 + 4𝑋2 ≤ 36 …L1
Z*=2400 X1=2 3𝑋1 + 6𝑋2 ≤ 48 … L2
X1=0 X2=7
A 𝑋𝑖 ≥ 0 𝑖 = 1,2
X2=8 S1=0
S1=4 S2=0
B S2=0
2DA ITERACIÓN El valor máximo de la
1ERA función objetivo es 2500,
C ITERACIÓN y corresponde a x1 = 2
y x2 = 7 (vértice C).
REGIÓN
FACTIBLE
Z*=0 Z*=1800
En este gráfico vemos como, el X1=0 X1=0
método simplex, salta de punto X2=0 X2=9
a punto hasta encontrar la sol. S1=36
Óptima. S2=48
Simplex en un PPL de Maximizar: ¿Por qué hacemos cada proceso?

Y recordemos como lo hicimos.
Por la Condición de Por la Condición de factibilidad:

Optimalidad: Para encontrar la variable básica que tiene que salir de la
Para escoger la variable No base, se divide cada término de la última columna (valores
básica que entra en la base, solución) por el término correspondiente de la columna
nos fijamos en los coeficientes pivote, siempre que estos últimos sean mayores que
de las variables No básicas en cero.
la función objetivo y escogemos Si hubiese algún elemento menor o igual que cero no se
la variable con el coeficiente hace dicho cociente. En el caso de que todos los elementos
más negativo. fuesen menores o iguales a cero, entonces tendríamos una
Lo que va a determinar el final solución no acotada y no se puede seguir.
del proceso de aplicación del El término de la columna pivote que en la división dé lugar
método del simplex es que los al menor cociente positivo, indica la fila de la variable
coeficientes de las variables No básica que sale de la base.
básicas en la función objetivo Si al calcular los cocientes, dos o más son iguales, indica
sean ceros o positivos. que cualquiera de las variables correspondientes puede
salir de la base, es arbitrario.
51
Veamos ahora un PPL de Minimización:
Tenemos el PPL:
EJEMPLO
Forma Canónica: Forma Estándar:
𝑴𝒊𝒏 𝑍 = 𝑋1 − 2𝑋2 𝑴𝒊𝒏 𝑍 − 𝑋1 + 2𝑋2 − 0𝑆1 − 0𝑆2 = 0
−𝑋1 + 𝑋2 ≤ 2 −𝑋1 + 𝑋2 + 𝑺𝟏 =2
𝑋1 + 𝑋2 ≤ 5 𝑋1 + 𝑋2 + 𝑺𝟐 = 5
𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑋𝑖 ≥ 0 𝑖 = 1,2
𝑆𝑗 ≥ 0 𝑗 = 1,2
Aplicamos Simplex:
Z X1 X2 S1 S2 Sol.
Z 1 -1 2 0 0 0 + positivo VE=X2
VS=S1
S1 0 -1 1 1 0 2 2/1 =2
S2 0 1 1 0 1 5 5/1 =5
X2 ←S1
S2 ←S2 antiguo+ (-1)*X2
Z 1 1 0 -2 0 -4 + positivo VE=X1
VS=S2
Z ←Z antiguo+ (-2)*X2 X2 0 -1 1 1 0 2 2/-1 =-2
S2 0 2 0 -1 1 4 4/2 =2
Z 1 0 0 -1.5 -0.5 -5.5 Condición de Optimalidad para el

X1 ←S2/2
X2 ←X2 antiguo+ (1)*X1 X2 0 0 1 0.5 0.5 3.5 problema de minimización:
Z ←Z antiguo+ (-1)*X1 El Proceso termina cuando todos
X1 0 1 0 -0.5 0.5 1.5 los coeficientes de las variables
NO básicas son cero o negativos.
Zj – Cj ≤ 0
La solución óptima es Z* = -5.5 ya que

Z* = 1.5 - 2 (3.5) = -5.5
𝑋𝐵 = [X1
X2
] = [1.5
3.5
], 𝑋𝑁 = [S1
S2
] = [00]
GRÁFICO
𝑴𝒊𝒏 𝑍 = 𝑋1 − 2𝑋2
2DA
Z*=-5.5
−𝑋1 + 𝑋2 ≤ 2 …L1
A ITERACIÓN X1=1.5 𝑋1 + 𝑋2 ≤ 5 … L2
Z*=-4 X2=3.5 𝑋𝑖 ≥ 0 𝑖 = 1,2
X1=0 S1=0
B S2=0
X2=2
S1=0 El valor mínimo de la
S2=4 función objetivo es -5,5,
P
1ERA REGIÓN y corresponde a X1 = 1,5
ITERACIÓN FACTIBLE y X2 = 3,5 (vértice P).
Z*=0
X1=0
X2=0
S1=2
S2=5
52
En términos generales, en un PPL de Maximizar o Minimizar sucede:
Condición de Optimalidad
 Problema de Maximización:
* La variable entrante es seleccionada como la variable NO básica que tiene el
coeficiente más negativo en la ecuación de la función objetivo.
* El Proceso termina cuando todos los coeficientes de las variables NO básicas son
cero o positivos.
 Problema de Minimización:
* La variable NO básica que entra a la base es la que tiene el coeficiente más
positivo en la ecuación de la función objetivo.
* El proceso termina cuando todos los coeficientes son negativos o cero.
Condición de Factibilidad
 Se verifica en las restricciones.
 El objetivo es encontrar la variable básica que saldrá de la base.
 La variable que sale de la base es la variable básica correspondiente al más pequeño
cociente positivo obtenido de dividir los valores de la solución y los coeficientes
positivos de la restricción de la variable entrante, tanto en PPL de Max. y Min.
4.4 Casos en la resolución de un

PL
Los costos reducidos de las
variables no básicas son
Solución estrictamente negativos
Única (maximización) o
estrictamente positivos
(minimización).
Alguno de los costos Soluciones

reducidos de las variables alternativas
no básicas es igual a cero
Si al efectuar el test de
salida de la base, todos los
coeficientes de la columna
Solución No correspondiente a la
Acotada variable entrante son no
positivos.
Se reconoce porque alguna
variable artificial queda en
la base en la tabla final. Solución
Infactible
53
4.5 Ejemplos
Tenemos el PPL:
1
𝑴𝒂𝒙 𝑍 = 3𝑋1 + 2𝑋2 + 5𝑋3 𝑴𝒂𝒙 𝑍 − 3𝑋1 − 2𝑋2 − 5𝑋3 + 0𝑆1 + 0𝑆2 + 0𝑆3 = 0
𝑋1 + 2𝑋2 + 𝑋3 ≤ 430 𝑋1 + 2𝑋2 + 𝑋3 + 𝑺𝟏 = 430

3𝑋1 + 2𝑋3 ≤ 460 3𝑋1 + 2𝑋3 + 𝑺𝟐 = 460
𝑋1 + 4𝑋2 ≤ 420 𝑋1 + 4𝑋2 + 𝑺𝟑 = 420
𝑋𝑖 ≥ 0 𝑖 = 1,2,3
𝑋𝑖 ≥ 0 𝑖 = 1,2,3 𝑆𝑗 ≥ 0 𝑗 = 1,2,3
Aplicamos Simplex:
Z X1 X2 X3 S1 S2 S3 Sol.
Z 1 -3 -2 -5 0 0 0 0 + negativo VE=X3
VS=S2
S1 0 1 2 1 1 0 0 430 430/1 =430
S2 0 3 0 2 0 1 0 460 460/2 =230

420/0 =∄
S3 0 1 4 0 0 0 1 420
1ERA
ITER. 1 4.5 -2 0 0 2.5 0 1150 + negativo VE=X2
VS=S1
S1 0 -0.5 2 0 1 -0.5 0 200 200/2 =100
X3 0 1.5 0 1 0 0.5 0 230 230/0 =∄
S3 0 1 4 0 0 0 1 420 420/4 =105
Condición de Optimalidad para el

2DA
ITER. 1 4 0 0 1 2 0 1350
problema de maximización:
El Proceso termina cuando todos X2 0 -0.25 1 0 0.5 -0.25 0 100
los coeficientes de las variables
NO básicas son cero o positivos.
X3 0 1.5 0 1 0 0.5 0 230
Zj – Cj ≥ 0 S3 0 2 0 0 -2 1 1 20
Z* = 3(0) + 2 (100) + 5(230)= 1350
X2 100 X1 0
𝑋𝐵 = [X3] = [230
20
], 𝑋𝑁 = [S2
𝑆1 ] = [0]
0
S3
Tenemos el PPL:
2
𝑴𝒂𝒙 𝑍 = 𝑋1 + 2𝑋2 𝑴𝒂𝒙 𝑍 − 𝑋1 − 2𝑋2 − 0𝑆1 − 0𝑆2 = 0
−2𝑋1 + 𝑋2 ≤ 7 −2𝑋1 + 𝑋2 + 𝑺𝟏 =7
𝑋1 − 𝑋2 ≤ 2 𝑋1 − 𝑋2 + 𝑺𝟐 = 2
𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑋𝑖 ≥ 0 𝑖 = 1,2
𝑆𝑗 ≥ 0 𝑗 = 1,2
54
Aplicamos simplex:
Z X1 X2 S1 S2 Sol.
Z 1 -1 -2 0 0 0 + negativo VE=X2
VS=S1
S1 0 -2 1 1 0 7 7/1 =7
S2 0 1 -1 0 1 2 2/-1 =-2
X2 ←S1
1ERA
ITER. 1 -5 0 2 0 14 + negativo
S2 ←S2 antiguo+ X2
Z ←Z antiguo+ (2)*X2 X2 0 -2 1 1 0 7 7/-2=-7/2
S2 0 -1 0 1 1 9 9/-1 =-9
Solución INFINITA
NO ACOTADA
porque la columna
pivote tiene
La solución óptima es infinita con elementos NO
positivos.
Región Factible NO ACOTADA
GRÁFICO Z*=14
X1=0 𝑴𝒂𝒙 𝑍 = 𝑋1 + 2𝑋2
X2=7 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎
S1=0 −2𝑋1 + 𝑋2 ≤ 7 …L1
S2=9
𝑋1 − 𝑋2 ≤ 2 … L2
REGIÓN 𝑋𝑖 ≥ 0 𝑖 = 1,2
1ERA FACTIBLE
ITERACIÓN
El valor máximo de la
función objetivo es
infinito.
Z*=0
X1=0
X2=0
S1=7
S2=2
Tenemos el PPL:
3
𝑴𝒂𝒙 𝑍 = 15𝑋1 + 30𝑋2 𝑴𝒂𝒙 𝑍 − 15𝑋1 − 30𝑋2 − 0𝑆1 − 0𝑆2 = 0
4𝑋1 + 𝑋2 ≤ 36 4𝑋1 + 𝑋2 + 𝑺𝟏 = 36
𝑋1 + 2𝑋2 ≤ 30 𝑋1 + 2𝑋2 + 𝑺𝟐 = 30
𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑋𝑖 ≥ 0 𝑖 = 1,2
𝑆𝑗 ≥ 0 𝑗 = 1,2
Aplicamos Simplex:
Z X1 X2 S1 S2 Sol.
Z 1 -15 -30 0 0 0 + negativo VE=X2
VS=S2
S1 0 4 1 1 0 36 36/1 =36
S2 0 1 2 0 1 30 30/2 =15
X2 ←S2/2
1ERA
ITER. 1 0 0 0 15 450 Condición de Optimalidad para el
S1 ←S1 antiguo+ (-1) X2 problema de maximización:
Z ←Z antiguo+ (30)*X2 S1 0 7/2 0 1 -1/2 21 El Proceso termina cuando todos
X2 0 1/2 1 0 1/2 15 los coeficientes de las variables
Zj – Cj ≥ 0
Soluciones alternativas
porque Costo Reducido de
una VNB =0
55
Una solución alternativa la hallaríamos eligiendo la Variable de Entrada = X1,
veamos la 2da iteración:
Z X1 X2 S1 S2 Sol.
1ERA
ITER. 1 0 0 0 15 450 + negativo VE=X1
VS=S1
S1 0 7/2 0 1 -1/2 21 21/7/2 =6
X2 0 1/2 1 0 1/2 15 15/1/2 =30
X1 ←S1*2/7
2DA
ITER. 1 0 0 0 15 450
X2 ←X2 antiguo+ (-1/2) X1 X1 0 1 0 2/7 -1/7 6 Otra solución
Z ←Z antiguo
X2 0 0 1 -1/7 4/7 12 óptima
La solución óptima es Z* = 450 y presenta infinitas soluciones alternativas.

Uno de los puntos óptimos alternativos es:
Z* = 15(0) + 30 (15) = 450
Otro punto óptimo
𝑋𝐵 = [X1
X2
0
] = [15 ], 𝑋𝑁 = [S1
S2
] = [21
0
] alternativo es el
resultado de la 2DA
ITERACIÓN.
GRÁFICO
𝑴𝒂𝒙 𝑍 = 15𝑋1 + 30𝑋2
Z*=450 4𝑋1 + 𝑋2 ≤ 36 …L1
X1=0 2DA 𝑋1 + 2𝑋2 ≤ 30 … L2
X2=15 ITERACIÓN Z*=450 𝑋𝑖 ≥ 0 𝑖 = 1,2
S1=21 X1=6
S2=0 X2=12
S1=0 La recta BC representa
1ERA S2=0 todos los puntos óptimos
ITERACIÓN
infinitos alternativos para
Z*=450
Cuando una restricción

es paralela a la F.O. es
Z*=0 probable que suceda
X1=0 → L2//F.O.
X2=0
S1=36
S2=30
Tenemos el PPL:
4
𝑴𝒂𝒙 𝑍 = 6𝑋1 − 2𝑋2 𝑴𝒂𝒙 𝑍 − 6𝑋1 + 2𝑋2 − 0𝑆1 − 0𝑆2 = 0
𝑋1 − 𝑋2 ≤ 1 𝑋1 − 𝑋2 + 𝑺𝟏 =1
3𝑋1 − 𝑋2 ≤ 6 3𝑋1 − 𝑋2 + 𝑺𝟐 = 6
𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑋𝑖 ≥ 0 𝑖 = 1,2
𝑆𝑗 ≥ 0 𝑗 = 1,2
56
Aplicamos Simplex:
Z X1 X2 S1 S2 Sol.
Z 1 -6 2 0 0 0 + negativo VE=X1
VS=S1
S1 0 1 -1 1 0 1 1/1 =1
S2 0 3 -1 0 1 6 6/3 =2
X1 ←S1
1ERA
ITER. 1 0 -4 6 0 6 + negativo VE=X2
S2 ←S2 antiguo+ (-3) X1 VS=S2
Z ←Z antiguo+ (6)*X1 X1 0 1 -1 1 0 1 1/-1 =-1
S2 0 0 2 -3 1 3 3/2 =1.5
X2 ←S2/2
2DA
ITER. 1 0 0 0 2 12
X1 ←X1 antiguo+ X2
Z ←Z antiguo+ (4)*X2
X1 0 1 0 -1/2 1/2 5/2
X2 0 0 1 -3/2 1/2 3/2 Condición de Optimalidad para el
El Proceso termina cuando todos
La solución óptima es Z* = 12 ya que: NO básicas son cero o positivos.
Z* = 6(5/2) – 2(3/2) = 12 Zj – Cj ≥ 0
5
𝑋𝐵 = [X1
X2
] = [ ], 𝑋𝑁 = [S1
2
3 S2
] = [00]
2
Tenemos el PPL:
5
𝑴𝒂𝒙 𝑍 = 6𝑋1 − 𝑋2 𝑴𝒂𝒙 𝑍 − 6𝑋1 + 𝑋2 − 0𝑆1 − 0𝑆2 = 0
2𝑋1 − 𝑋2 ≤ 2 2𝑋1 − 𝑋2 + 𝑺𝟏 =2
𝑋1 ≤ 3 𝑋1 + 𝑺𝟐 = 3
𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑋𝑖 ≥ 0 𝑖 = 1,2
𝑆𝑗 ≥ 0 𝑗 = 1,2
Aplicamos Simplex:
Z X1 X2 S1 S2 Sol.
Z 1 -6 1 0 0 0 + negativo VE=X1
VS=S1
S1 0 2 -1 1 0 2 2/2 =1
S2 0 1 0 0 1 3 3/1 =3
X1 ←S1
1ERA
ITER. 1 0 -2 3 0 6 + negativo VE=X2
S2 ←S2 antiguo+ (-2) X1 VS=S2
Z ←Z antiguo+ (6)*X1 X1 0 1 -1/2 1/2 0 1 1/-1/2 =-2
S2 0 0 1/2 -1/2 1 2 2/1/2 =4
X2 ←S2*2
2DA
ITER. 1 0 0 1 4 14
X1 ←X1 antiguo+ (1/2) X2
Z ←Z antiguo+ (2)*X2 X1 0 1 0 0 1 3
X2 0 0 1 -1 2 4 Condición de Optimalidad para el
El Proceso termina cuando todos
La solución óptima es Z* = 14 ya que:
Z* = 6(3) – 1(4) = 14 Zj – Cj ≥ 0
𝑋𝐵 = [X1
X2
] = [34], 𝑋𝑁 = [S1
S2
] = [00]
57
4.6 Ejercicios
𝑴𝒂𝒙 𝑍 = 2𝑋1 − 4𝑋2 + 5𝑋3 − 6𝑋4 𝑴𝒊𝒏 𝑍 = 6𝑋1 + 3𝑋2 + 4𝑋3
𝑋1 + 4𝑋2 − 2𝑋3 + 8𝑋4 ≤ 2 𝑋1 + 6𝑋2 + 𝑋3 = 10

−1𝑋1 + 2𝑋2 + 3𝑋3 + 4𝑋4 ≤ 1 2𝑋1 + 3𝑋2 ≤ 15
𝑋𝑖 ≥ 0 𝑖 = 1,2,3,4 𝑋𝑖 ≥ 0 𝑖 = 1,2,3
𝑴𝒂𝒙 𝑍 = 2𝑋1 + 7𝑋2 𝑴𝒂𝒙 𝑍 = 10𝑋1 + 11𝑋2 𝑴𝒊𝒏 𝑍 = 2𝑋1 − 3𝑋2
3𝑋1 + 4𝑋2 ≤ 12 𝑋1 + 2𝑋2 ≤ 150 𝑋1 + 𝑋2 ≤ 4

𝑋1 + 8𝑋2 ≤ 8 3𝑋1 + 4𝑋2 ≤ 200 𝑋1 − 𝑋2 ≤ 6
6𝑋1 + 𝑋2 ≤ 15 6𝑋1 + 𝑋2 ≤ 175
𝑋𝑖 ≥ 0 𝑖 = 1,2
𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑋𝑖 ≥ 0 𝑖 = 1,2
𝑴𝒂𝒙 𝑍 = −3𝑋1 + 6𝑋2 𝑴𝒊𝒏 𝑍 = −𝑋1 − 11𝑋2 𝑴𝒊𝒏 𝑍 = −3𝑋1 + 8𝑋2
5𝑋1 + 7𝑋2 ≤ 35 𝑋1 − 𝑋2 ≤ 1 4𝑋1 + 2𝑋2 ≤ 12

−𝑋1 + 2𝑋2 ≤ 2 𝑋1 + 𝑋2 ≤ 2 2𝑋1 + 3𝑋2 ≤ 6
𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑋𝑖 ≥ 0 𝑖 = 1,2
𝑴𝒂𝒙 𝑍 = 𝑋1 + 9𝑋2 + 𝑋3 𝑴𝒊𝒏 𝑍 = 80𝑋1 + 60𝑋2 𝑴𝒂𝒙 𝑍 = 3𝑋1 + 2𝑋2

2𝑋1 + 𝑋2 ≤ 18
𝑋1 + 2𝑋2 + 3𝑋3 ≤ 9 0.20𝑋1 + 0.32𝑋2 ≤ 0.25 2𝑋1 + 3𝑋2 ≤ 42
3𝑋1 + 2𝑋2 + 2𝑋3 ≤ 15 𝑋1 + 𝑋2 = 1 3𝑋1 + 𝑋2 ≤ 24
𝑋𝑖 ≥ 0 𝑖 = 1,2,3 𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑋𝑖 ≥ 0 𝑖 = 1,2
𝑴𝒂𝒙 𝑍 = 𝑋1 + 𝑋2 𝑴𝒊𝒏 𝑍 = 6𝑋1 + 4𝑋2 + 2𝑋3 𝑴𝒂𝒙 𝑍 = 𝑋1 + 2𝑋2

6𝑋1 + 2𝑋2 + 6𝑋3 ≤ 6 𝑋1 + 3𝑋2 ≤ 18
5𝑋1 + 3𝑋2 ≤ 15 6𝑋1 + 4𝑋2 = 12 𝑋1 + 𝑋2 ≤ 8
3𝑋1 + 5𝑋2 ≤ 15 2𝑋1 − 2𝑋2 ≤2 2𝑋1 + 𝑋2 ≤ 14
𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑋𝑖 ≥ 0 𝑖 = 1,2,3 𝑋𝑖 ≥ 0 𝑖 = 1,2
58
MÉTODO
DE VARIABLES
ARTIFICIALES
5.1 Idea conceptual

Sabemos que el simplex inicia cuando se tiene una solución factible y
las restricciones son ≤. Además, una solución factible ocurre en el origen de
coordenadas.
¿Qué sucede cuando el origen no es solución factible?
Cuando las restricciones son “≥”, “=” y/o bi<0, el origen no es una
solución factible. El problema ahora radica en encontrar una solución básica
inicial.
Determinamos dos métodos: El Método de la M y el Método de Dos Fases.
59
5.2 ¿Variable Artificial?
Una variable artificial es aquella que define una dirección auxiliar que se
utiliza para llegar hacia la región de factibilidad de un P.P.L.
Se utiliza una variable artificial cuando las restricciones son “≥” o “=”.
El procedimiento para iniciar PPL con restricciones “≥” y “=” es utilizar

variables artificiales que desempeñan el papel de holguras en la primera
iteración, y que luego se desechan en una iteración posterior.
Restricciones
VARIABLE DE HOLGURA
≤ MÉTODO SIMPLEX
= MÉTODO VARIABLES MÉTODO M

ARTIFICIALES MÉTODO DOS FASES
VARIABLE DE EXCESO
≥
5.3 Método de la M
Consiste en modificar nuestra función objetivo restando de ella las
variables artificiales afectadas del coeficiente M, el cual se supone positivo
y tan grande como se quiera.
En esta forma no hay duda que Z alcanzará su valor máximo cuando

todas las variables artificiales sean cero.
Sí al final de una iteración todos los coeficientes de la F.O. Son no

negativos y el valor de Z depende de M el problema es incompatible.
Regla de Penalización para Variables Artificiales
Dado M, un valor positivo suficientemente grande (matemáticamente

M→ꝏ), el coeficiente objetivo de una variable artificial representa una
penalización apropiada si:
−𝐌 en PPL Maximización
Coeficiente Objetivo de la Var. Artificial = {
𝐌 en PPL Minimización
60
Procedimiento.-
1. Expresar el problema en forma estándar.
2. Sumar variables no negativas (Ri) a la mano izquierda de las ecuaciones
correspondientes a restricciones de tipos (>=) ó (=), estas variables Ri se llaman
variables artificiales.
3. Los costos asociados (coeficientes de Ri))a estas variables serán –M para
problemas de Maximización y +M para problemas de Minimización. (En F.O.)
4. Se usa las variables artificiales para la solución básica inicial y se procede a
aplicar el simplex hasta obtener la solución óptima.
Tenemos el PPL Maximización: ③

EJEMPLO Coeficiente de Ri será
–M por ser PPL Max.
𝑴𝒂𝒙 𝑍 = 3𝑋1 + 2𝑋2 + 0𝑆1 + 0𝑆2 − 𝑀𝑅1 − 𝑀𝑅2
𝑴𝒂𝒙 𝑍 = 3𝑋1 + 2𝑋2 𝑑𝑒𝑠𝑝𝑒𝑗𝑜:
𝑍 − 3𝑋1 − 2𝑋2 − 0𝑆1 − 0𝑆2 + 𝑀𝑅1 + 𝑀𝑅2 = 0
𝑋1 + 𝑋2 ≤ 6 𝑋1 + 𝑋2 + 𝑺𝟏 =6
2𝑋1 − 𝑋2 ≥ 0 2𝑋1 − 𝑋2 − 𝑺𝟐 + 𝑹𝟏 =0
𝑋1 = 2 𝑋1 + 𝑹𝟐 = 2
𝑋𝑖 ≥ 0 𝑖 = 1,2 Agregar variables

𝑋1 , 𝑋2 , 𝑆1 , 𝑆2 , 𝑅1 , 𝑅2 ≥ 0
Agregar variables de artificiales (Ri) en
holgura (≤) o exceso restricciones de ≥ o =
(≥) donde
corresponda. ②
①
Plasmamos el Problema en una tabla:

Para aplicar simplex, M deberá convertirse a 0,
ya que S1, R1 y R2 deben vectores unitarios.
¿Qué variables
colocamos aquí?
Z X1 X2
S1 S2 R1 R2 Sol.
Las variables que
conforman una Z 1 -3 -2
0 0 M M 0
matriz identidad.
S1 0 1 11 0 0 0 6
R1 0 2 -1
0 -1 1 0 1
Para que M sea 0:
Z ←R1*(-M)+R2*(-M)+Z R2 0 1 00 0 0 1 2
1ERA
ITER. 1 -3M-3 M-2 0 M 0 0 -2M + negativo VE=X1
④ VS=R1
SIMPLEX S1 0 1 1 1 0 0 0 6 6/1 =6
R1 0 2 -1 0 -1 1 0 1 ½=0.5
X1 ←R1/2 R2 0 1 0 0 0 0 1 2 2/1=2
S1 ←S1 antiguo+ (-1)*X1 2DA
R2 ←R2 antiguo+ (-1)*X1 ITER. 1 0 -M/2-7/2 0 -M/2-3/2 3M/2+3/2 0 -2M + negativo VE=X2
Z ←Z antiguo+ (3M+3)*X1 VS=R2
S1 0 0 3/2 1 ½ -1/2 0 6 6/3/2 =4
X1 0 1 -1/2 0 -1/2 ½ 0 1 1/-½=-2
X2 ←R2*2
R2 0 0 1/2 0 1/2 -1/2 1 2 2/½=2
3CERA
X1 ←X1 antiguo+ (1/2)*X2
S1 ←S1 antiguo+ (-3/2)*X2
ITER. 1 0 0 0 2 M-2 M+7 14 Verifico que
Z ←Z antiguo+ (M/2+7/2)*X2
S1 0 0 0 1 -1 1 -3 0 Zj – Cj ≥ 0 y
paramos.
X1 0 1 0 0 0 0 1 2
X2 0 0 1 0 1 -1 2 4

Z* = 3(2) + 2(4) = 14
S1 0 S2 0
𝑋𝐵 = [X1] = [24], 𝑋𝑁 = [R1] = [00]
X2 R2 61
Tenemos el PPL Minimización: ③
EJEMPLO Coeficiente de Ri será
+M por ser PPL Min.
𝑴𝒊𝒏 𝑍 = −𝑋1 + 𝑋2 + 0𝑆1 + 0𝑆2 + 𝑀𝑅1
𝑴𝒊𝒏 𝑍 = 𝑋2 − 𝑋1 𝑑𝑒𝑠𝑝𝑒𝑗𝑜:
𝑍 + 𝑋1 − 𝑋2 − 0𝑆1 − 0𝑆2 − 𝑀𝑅1 = 0
𝑋1 − 𝑋2 ≤ 1 𝑋1 − 𝑋2 + 𝑺𝟏 =6
−𝑋1 + 𝑋2 ≥ 1 −𝑋1 + 𝑋2 − 𝑺𝟐 + 𝑹𝟏 = 0
𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑋1 , 𝑋2 , 𝑆1 , 𝑆2 , 𝑅1 ≥ 0
Agregar variables
Agregar variables de artificiales (Ri) en
holgura (≤) o exceso restricciones de ≥ o =
(≥) donde
corresponda. ②
①
Plasmamos el Problema en una tabla: Para aplicar simplex, M deberá convertirse a 0,

ya que S1 y R1 deben vectores unitarios.
¿Qué variables
colocamos aquí?
Las variables que
conforman una
matriz identidad.
Para que M sea 0:

Z ←R1*(M)+Z + positivo VE=X2
VS=R1
④ 1/-1 =-1
SIMPLEX 1/1=1
X2 ←R1
S1 ←S1 antiguo+ X2 Verifico que
Z ←Z antiguo+ (1+M)*X2 Zj – Cj ≤ 0 y
paramos.

Z* = 1 - 0 = 1
S1
𝑋𝐵 = [X2 ] = [21], 𝑋𝑁 = [X1
S2
] = [00]
GRÁFICO REGIÓN
𝑴𝒊𝒏 𝑍 = 𝑋2 − 𝑋1
FACTIBLE
𝑋1 − 𝑋2 ≤ 1 …L1
−𝑋1 + 𝑋2 ≥ 1 … L2
𝑋𝑖 ≥ 0 𝑖 = 1,2
El valor mínimo de la función

objetivo es 1, y corresponde
a x1 = 0 y x2 = 1
El problema presenta
Solución Óptima con
Región Factible No
acotada.
62
En resumen, el método de la M consiste en:
Estandarizo Plasmar el Convertir a

Aplicar
(Agrego PL en la Vector
Simplex
Variables) tabla Unitario
Agrego Var. Artificial si Identificar las variables Las variables que están
la restricción es tipo ≥ o que van a la base. en la base deben ser
=. Agregar variables de Buscar la matriz vectores unitarios
exceso (≥) o de holgura identidad. antes de aplicar
(≤) y agregar el coef. - simplex.
M (Max) o +M (Min) a
los Ri en la F.O.
5.4 Ejercicios
𝑴𝒂𝒙 𝑍 = 3𝑋1 + 𝑋2 𝑴𝒊𝒏 𝑍 = 4𝑋1 + 4𝑋2 + 𝑋3 𝑴𝒂𝒙 𝑍 = 2𝑋1 + 3𝑋2

𝑋1 + 𝑋2 ≥ 3 2𝑋1 + 𝑋2 + 𝑋3 ≥ 2
2𝑋1 + 𝑋2 ≤ 4 2𝑋1 + 𝑋2 ≤3 2𝑋1 + 𝑋2 ≥ 4
𝑋1 + 𝑋2 = 3 2𝑋1 + 𝑋2 + 3𝑋3 ≥ 3 2𝑋1 + 𝑋2 ≥ −1
𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑋𝑖 ≥ 0 𝑖 = 1,2,3 𝑋𝑖 ≥ 0 𝑖 = 1,2
𝑴𝒊𝒏 𝑍 = 0,4𝑋1 + 0,5𝑋2 𝑴𝒂𝒙 𝑍 = 3𝑋1 + 5𝑋2 𝑴𝒊𝒏 𝑍 = 4𝑋1 + 𝑋2

0,6𝑋1 + 0,4𝑋2 ≥ 6 𝑋1 ≤4 3𝑋1 + 𝑋2 = 3
0,3𝑋1 + 0,1𝑋2 ≤ 2.7 2𝑋2 ≤ 12 4𝑋1 + 3𝑋2 ≥ 6
0,5𝑋1 + 0,5𝑋2 = 6 3𝑋1 + 2𝑋2 = 18 𝑋1 + 2𝑋2 ≤ 4
𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑋𝑖 ≥ 0 𝑖 = 1,2
𝑴𝒂𝒙 𝑍 = 3𝑋1 + 8𝑋2 𝑴𝒂𝒙 𝑍 = −8𝑋1 + 3𝑋2 − 6𝑋3 𝑴𝒂𝒙 𝑍 = 6𝑋1 + 3𝑋2 − 4𝑋3

𝑋1 + 4𝑋2 ≤ 4 𝑋1 + 3𝑋2 + 5𝑋3 = 4 𝑋1 + 6𝑋2 + 𝑋3 = 10
𝑋1 + 2𝑋2 ≥ 2 5𝑋1 + 3𝑋2 − 4𝑋3 ≥ 6 2𝑋1 + 3𝑋2 ≤ 15
𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑋𝑖 ≥ 0 𝑖 = 1,2,3 𝑋𝑖 ≥ 0 𝑖 = 1,2,3
63
5.5 Método de Dos Fases
La desventaja del método M es el posible error de cómputo que
podría resultar de asignar un valor muy grande a la constante M. Esta
situación podría presentar errores de redondeo en las operaciones de la
computadora digital.
Para evitar esta dificultad el problema se puede resolver aplicando el

método de las 2 fases, que como menciona su nombre, se resuelve en dos
fases:
PLL ORIGINAL 1ERA 2DA

𝑴𝒂𝒙 𝑍 = 𝐶𝑥 FASE FASE
≤
𝐴𝑥 = 𝑏
≥ 𝑴𝒊𝒏 𝑍 = ∑ 𝑅𝑖 𝑭. 𝑶. 𝑶𝒓𝒊𝒈𝒊𝒏𝒂𝒍
𝑥≥0 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎
Ó 𝑆𝑂𝐿𝑈𝐶𝐼Ó𝑁
𝐴𝑥 + 𝑆𝑖 + 𝑅𝑖 = 𝑏 1𝐸𝑅𝐴 𝐹𝐴𝑆𝐸
𝑴𝒊𝒏 𝑍 = 𝐶𝑥 sin 𝑐𝑜𝑛𝑠𝑖𝑑𝑒𝑟𝑎𝑟 𝑉𝐴
𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 𝑥≥0
≤
𝐴𝑥 = 𝑏 Consiste en Minimizar las F.O. Consiste en resolver utilizando
≥ formada por la suma de las como base inicial la obtenida
variables artificiales (el resto en la 1era Fase sin considerar
𝑥≥0 tiene coeficientes =0). las columnas de las Variables
Esta fase termina si todas las Artificiales.
Var. Artificiales (VA) salen de La Solución óptima de a 2da
la base y Z*=0. Fase es la solución óptima del
Problema original.
SOLUCIÓN ÓPTIMA
1ERA FASE
∃ Ri ≠0 ∀ Ri =0
Z*>0 Z*=0
V.A. no salen V.A. no salen de la V.A. si salen de

de la Base. Base. la Base.
No hay Solución Hay Solución Básica Si hay Solución
Factible para el Degenerada. Debe Factible para el PPL
PPL Original. entre una Xj. El valor Original. Servirá de
de la F.O. no base la 2da Fase.
cambiará
Termina 1ERA
FASE.

OBJETIVO PRIMERA FASE SEGUNDA FASE
MAXIMIZAR MINIMIZAR MAXIMIZAR
MINIMIZAR MINIMIZAR
64
MINIMIZAR
Tenemos el PPL Maximización:
EJEMPLO
Forma Canónica:
𝑴𝒂𝒙 𝑍 = 3𝑋1 + 2𝑋2 +4𝑋3
3𝑋1 + 3𝑋2 +5𝑋3 ≤ 120

2𝑋1 + 𝑋2 +3𝑋3 = 60
𝑋𝑖 ≥ 0 𝑖 = 1,2,3
1ERA FASE Formulo el problema para aplicar la 1era Fase.

1ERA FASE:
Minimizar Var.
Artificiales
𝑴𝒊𝒏 𝑍 = 0𝑋1 + 0𝑋2 +0𝑋3 + 0𝑆1 + 1𝑹𝟏 El coeficiente de Ri será
𝑑𝑒𝑠𝑝𝑒𝑗𝑜: 1 y del resto será 0
𝑍−0𝑋1 − 0𝑋2 −0𝑋3 − 0𝑆1 − 1𝑹𝟏 = 0
3𝑋1 + 3𝑋2 +5𝑋3 + 𝑺𝟏 = 120

2𝑋1 + 𝑋2 +3𝑋3 + 𝑹𝟏 = 60
𝑋1 , 𝑋2 , 𝑆1 , 𝑅1 ≥ 0
Plasmamos el Problema en una tabla:
Para aplicar simplex, S1 y

R1 deben vectores unitarios.
¿Qué variables
colocamos aquí?
Las variables que Z X1 X2 X3 S1 R1 Sol.
conforman una
matriz identidad. Z 1 0 0 0 0 -1 0
S1 0 3 3 5 1 0 120
Para que R1 sea R1 0 2 1 3 0 1 60
Vector Unitario:
Z ←R1+Z
Z 1 2 1 3 0 0 60 + positivo VE=X3
VS=R1
S1 0 3 3 5 1 0 120 120/5 =60
R1 0 2 8 3 0 1 60 60/3=20
SIMPLEX 1ERA
ITER. 1 0 -7 0 0 -1 0 Z*= 0
X3 ←R1 /3
S1 0 -1/3 -31/3 0 1 -5/3 20
S1 ←S1 antiguo+ X3*(-5)
Z ←Z antiguo+ X3*(-3)
X3 0 2/3 8/3 1 0 1/3 20
Verifico que
Se eliminaron las Zj – Cj ≤ 0 y
paramos.
Variables Artificiales
de la base
FIN 1ERA FASE
65
Formulo el problema para aplicar la 2da Fase.
2DA FASE
Forma Canónica:
𝑴𝒂𝒙 𝑍 = 3𝑋1 + 2𝑋2 +4𝑋3 +0𝑆1

𝑑𝑒𝑠𝑝𝑒𝑗𝑜
𝑍−3𝑋1 − 2𝑋2 −4𝑋3 −0𝑆1 = 0
Usando el resultado de la 1era Fase, sin considerar la columna de la Variable

artificiales y considerando la F.O. del problema original.
Para aplicar simplex, S1 y
X3 deben vectores unitarios.
Z X1 X2 X3 S1 Sol.
Z 1 -3 -2 -4 0 0
Para que X3 sea S1 0 -1/3 -31/3 0 1 20
Vector Unitario:
X3 ←X3*4+Z
X3 0 2/3 8/3 1 0 20
+ negativo VE=X1
Z 1 -1/3 26/3 0 0 80 VS=X1
SIMPLEX S1 0 -1/3 -31/3 0 1 20 120/5 =60
X3 0 2/3 8/3 1 0 20 60/3=20
X1 ←X3*(3/2)
1ERA
ITER. 1 0 10 1/2 0 90
S1 ←S1 antiguo + X1*(1/3)
Z ←Z antiguo + X1*(1/3) S1 0 0 -9 1/2 1 30 Verifico que
Zj – Cj ≥0 y
X1 0 1 4 3/2 0 30 paramos.

Z* = 3(30) + 2(0) +4(0) = 90 FIN 2DA FASE
X1 30
S1
𝑋𝐵 = [X2] = [ 00 ], 𝑋𝑁 = [R1 ] = [00]
X3
Tenemos el PPL Minimización:

EJEMPLO
Forma Canónica:
𝑴𝒊𝒏 𝑍 = 2000𝑋1 + 500𝑋2
2𝑋1 + 3𝑋2 ≥ 36
3𝑋1 + 6𝑋2 ≥ 60
𝑋𝑖 ≥ 0 𝑖 = 1,2
66
Formulo el problema para aplicar la 1era Fase.
1ERA FASE
1ERA FASE: 𝑴𝒊𝒏 𝑍 = 0𝑋1 + 0𝑋2 + 0𝑆1 + 0𝑆2 + 1𝑹𝟏 + 1𝑹𝟐

Minimizar Var. El coeficiente de Ri será
Artificiales 𝑑𝑒𝑠𝑝𝑒𝑗𝑜: 1 y del resto será 0
𝑍−0𝑋1 − 0𝑋2 − 0𝑆1 − 0𝑆2 − 1𝑹𝟏 − 1𝑹𝟐 = 0
3𝑋1 + 3𝑋2 +5𝑋3 − 𝑺𝟏 + 𝑹𝟏 = 36

2𝑋1 + 𝑋2 +3𝑋3 − 𝑺𝟐 + 𝑹𝟐 = 60
𝑋1 , 𝑋2 , 𝑆1 , 𝑆2 , 𝑅1 , 𝑅2 ≥ 0
Plasmamos el Problema en una tabla: Para aplicar simplex, R1 y R2

deben vectores unitarios.
Z X1 X2 S1 S2 R1 R2 Sol.
Z 1 0 0 0 0 -1 -1 0
R1 0 2 3 -1 0 1 0 36
Para que R1 y R2 sea R2 0 3 6 0 -1 0 1 60
Vector Unitario:
Z ←R1+R2+Z Z 1 5 9 -1 -1 0 0 96 + positivo VE=X2
VS=R2
R1 0 2 3 -1 0 1 0 36 36/3=12
SIMPLEX R2 0 3 6 0 -1 0 1 60 60/6=10
X2 ←R2/6
1ERA
ITER. 1 1/2 0 -1 1/2 0 -3/2 6 + positivo VE=X1
VS=R1
R1 ←R1 antiguo+ X2*(-3)
Z ←Z antiguo+ X2*(-9) R1 0 1/2 0 -1 1/2 1 -1/2 6 6/1/2=12
X2 0 1/2 1 0 -1/6 0 1/6 10 10/1/2=20
X1 ←R1*2
2DA
ITER. 1 0 0 0 0 -1 -1 0 Z*= 0
X2 ←X2 antiguo+ X1*(-1/2)
Z ←Z antiguo+ X1*(-1/2) X1 0 1 0 -2 1 2 -1 12
X2 0 0 1 1 -2/3 -1 2/3 4
Se eliminaron las
Variables Artificiales
de la base
FIN 1ERA FASE
Formulo el problema para aplicar la 2da Fase.

2DA FASE
Forma Canónica:
𝑴𝒊𝒏 𝑍 = 2000𝑋1 + 500𝑋2 + 0𝑆1 + 0𝑆2

𝑑𝑒𝑠𝑝𝑒𝑗𝑜
𝑍−2000𝑋1 − 500𝑋2 − 0𝑆1 − 0𝑆2 = 0
67
Usando el resultado de la 1era Fase, sin considerar la columna de la Variable
artificiales y considerando la F.O. del problema original.
Para aplicar simplex, X1 y X2

deben vectores unitarios.
Z X1 X2 S1 S2 Sol.
Z 1 -2000 -500 0 0 0
Para que X1 y X2 sea vector
X1 0 1 0 -2 1 12
Unitario:
Z ←X1*2000+X2*500+Z
X2 0 0 1 1 -2/3 4
1ERA
ITER. 1 0 0 -3500 5000/3 26000 + positivo VE=S2
VS=X2
SIMPLEX X1 0 1 0 -2 1 12 12/1=12
X2 0 0 1 1 -2/3 4 4/-2/3=10
S2 ←X1
X2 ←X2 antiguo+S2*(2/3)
Z ←Z antiguo+ S2*(-5000/3)
2DA
ITER. 1 -5000/3 0 -500/3 0 6000
Verifico que
S2 0 1 0 -2 1 12 Zj – Cj ≤0 y
X2 0 2/3 1 -1/3 0 12 paramos.

Z* = 2000(0)+500(12)=6000 FIN 2DA FASE
S2
𝑋𝐵 = [X2 ] = [12
12
], 𝑋𝑁 = [X1
S1
] = [00]
GRÁFICO
Punto Óptimo
𝑴𝒊𝒏 𝑍 = 2000𝑋1 + 500𝑋2
2𝑋1 + 3𝑋2 ≥ 36 …L1
3𝑋1 + 6𝑋2 ≥ 60 … L2
𝑋𝑖 ≥ 0 𝑖 = 1,2
El valor mínimo de la función

objetivo es 6000, y corresponde
a x1 = 0 y x2 = 12 (Punto A)
El problema presenta Solución
Óptima con Región Factible
No acotada.
68
5.6 Ejercicios
𝑴𝒂𝒙 𝑍 = 3𝑋1 + 𝑋2 𝑴𝒊𝒏 𝑍 = 4𝑋1 + 4𝑋2 + 𝑋3 𝑴𝒂𝒙 𝑍 = 2𝑋1 + 3𝑋2

𝑋1 + 𝑋2 ≥ 3 2𝑋1 + 𝑋2 + 𝑋3 ≥ 2
2𝑋1 + 𝑋2 ≤ 4 2𝑋1 + 𝑋2 ≤3 2𝑋1 + 𝑋2 ≥ 4
𝑋1 + 𝑋2 = 3 2𝑋1 + 𝑋2 + 3𝑋3 ≥ 3 2𝑋1 + 𝑋2 ≥ −1
𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑋𝑖 ≥ 0 𝑖 = 1,2,3 𝑋𝑖 ≥ 0 𝑖 = 1,2

0,6𝑋1 + 0,4𝑋2 ≥ 6 𝑋1 ≤4 3𝑋1 + 𝑋2 = 3
0,3𝑋1 + 0,1𝑋2 ≤ 2.7 2𝑋2 ≤ 12 4𝑋1 + 3𝑋2 ≥ 6
0,5𝑋1 + 0,5𝑋2 = 6 3𝑋1 + 2𝑋2 = 18 𝑋1 + 2𝑋2 ≤ 4
𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑋𝑖 ≥ 0 𝑖 = 1,2

𝑋1 + 4𝑋2 ≤ 4 𝑋1 + 3𝑋2 + 5𝑋3 = 4 𝑋1 + 6𝑋2 + 𝑋3 = 10
𝑋1 + 2𝑋2 ≥ 2 5𝑋1 + 3𝑋2 − 4𝑋3 ≥ 6 2𝑋1 + 3𝑋2 ≤ 15
𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑋𝑖 ≥ 0 𝑖 = 1,2,3 𝑋𝑖 ≥ 0 𝑖 = 1,2,3
𝑴𝒊𝒏 𝑍 = 160𝑋1 + 120𝑋2 − 280𝑋3 𝑴𝒂𝒙 𝑍 = 3𝑋1 + 2𝑋2 𝑴𝒂𝒙 𝑍 = 2𝑋1 + 𝑋2

2𝑋1 + 𝑋2 + 4𝑋3 ≥ 1 𝑋1 + 2𝑋2 ≤ 12 10𝑋1 + 10𝑋2 ≤ 9
2𝑋1 + 2𝑋2 + 2𝑋3 ≥ 3/2 2𝑋1 + 3𝑋2 = 12 10𝑋1 + 5𝑋2 ≥ 1
2𝑋1 + 𝑋2 ≥ 8
𝑋𝑖 ≥ 0 𝑖 = 1,2,3 𝑋𝑖 ≥ 0 𝑖 = 1,2
𝑋𝑖 ≥ 0 𝑖 = 1,2
𝑴𝒂𝒙 𝑍 = 𝑋1 + 2𝑋2 𝑴𝒂𝒙 𝑍 = 3𝑋1 + 2𝑋2 𝑴𝒊𝒏 𝑍 = 3𝑋1 + 2𝑋2

3𝑋1 + 𝑋2 ≥ 3 2𝑋1 − 𝑋2 ≥ 0 𝑋1 + 𝑋2 ≥ 4
4𝑋1 + 3𝑋2 ≥ 6 𝑋1 + 𝑋2 ≤ 6 𝑋1 ≤3
𝑋1 = 2 𝑋2 = 3
𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑋1 − 3𝑋2 ≤ 0
𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑋𝑖 ≥ 0 𝑖 = 1,2
69
DUALIDAD
DE UN PPL
6.1 Introducción
Hemos visto como la programación lineal puede ser usada para
resolver una extensa variedad de problemas propios de los negocios, ya sea
para maximizar utilidades o minimizar costos. Las variables de decisión en
tales problemas fueron, por ejemplo, el número de productos a producir, la
cantidad de pesos a emplear, etc. En cada caso la solución óptima no
explicó cómo podrían ser asignados los recursos (ejemplo: materia prima,
capacidad de las máquinas, el dinero, etc.) para obtener un objetivo
establecido.
La teoría de dualidad es una propiedad matemática. Este concepto se

aplica a la teoría de optimización. Todo problema de programación lineal se
le asocia otro problema de programación lineal, llamado el problema de
70
programación dual. En particular, todo problema lineal (primal) tiene su
correspondiente dual.
La solución óptima del problema de programación dual, proporciona

la siguiente información respecto del problema de programación original:
1. La solución óptima del problema dual proporciona los precios en el

mercado o los beneficios de los recursos escasos asignados en el
problema original.
2. La solución óptima del problema dual aporta la solución óptima del
problema original y viceversa.
Normalmente llamamos al problema de programación lineal original el

problema de programación primal.
El problema dual es un problema de PL auxiliar que se define directa y

sistemáticamente a partir del modelo de PL original o primal.
PPL Primal: PPL Dual:

Su dual asociado es el
𝑴𝒂𝒙 𝑍 = 𝑪𝑋 problema de PL dado por: 𝑴𝒊𝒏 𝑄 = 𝑏𝑌
𝑨𝑋 ≥ 𝑏 𝑨𝒕 𝑌 ≥ 𝑪
𝑋≥0 𝑌≥0
6.2 Relación entre Primal y

Dual
6.3
FO: MAX FO: MIN

C b
M N
Restricc. Restricc. At C
A b
N Variables M Variables
X es Var. Primal Y es Var. Dual
71
 La relación principal entre un PPL Primal y su PPL Dual es que tanto el
problema primal como el dual buscan el valor óptimo del sistema.
 En relación a la variaciones en las desigualdades:
PPL MIN PPL MAX

≥ ↔ ≤
VARIABLES ≤ ↔ ≥ RESTRICCIONES
irrestricto ↔ =
≥ ↔ ≥
RESTRICCIONES ≤ ↔ ≤ VARIABLES
= ↔ irrestricto
Si el PPL Primal es de Minimizar, nos ubicamos en la columna de PPL MIN,

donde la tabla indica, por ejemplo:
- Si el PPL Primal es de Minimizar, su Dual será de Maximizar.
- Si el PPL Primal presenta una variable con desigualdad ≥, entonces en
el PPL Dual, la restricción será de ≤.
- Si el PPL Primal presenta una restricción con desigualdad ≥, entonces
en el PPL Dual, la variable será de ≥.
Y si fuera el PPL Primal de Maximizar, nos ubicamos en la columna de PPL
Max y ubicamos la desigualdad según corresponda.
6.3 Formulación del Dual

Veamos un ejemplo:

problema de PL dado por:
𝑴𝒂𝒙 𝑍 = 𝟑𝑋1 + 𝟔𝑋2 𝑴𝒊𝒏 𝑄 = 𝟏𝟎𝑌1 + 𝟐𝑌2
−𝑋1 + 𝟗𝑋2 ≤ 𝟏𝟎 −𝑌1 − 𝟓𝑌2 = 𝟑
−𝟓𝑋1 + 𝟐𝑋2 = 𝟐 𝟗𝑌1 + 𝟐𝑌2 ≥ 𝟔
𝑋1 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟𝑎 , 𝑋2 ≥ 0 𝑌1 ≥ 0, 𝑌2 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟𝑎
72
Veamos paso a paso:
1. Los coeficientes se ordenarán de esta manera:
𝑴𝒂𝒙 𝑍 = 𝟑𝑋1 + 𝟔𝑋2 𝑴𝒊𝒏 𝑄 = 𝟏𝟎𝑌1 + 𝟐𝑌2

−1𝑋1 + 𝟗𝑋2 ≤ 𝟏𝟎 −𝟏𝑌1 − 𝟓𝑌2 = 𝟑
−𝟓𝑋1 + 𝟐𝑋2 = 𝟐 +𝟗𝑌1 + 𝟐𝑌2 ≥ 𝟔
𝑋1 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟𝑎 , 𝑋2 ≥ 0 𝑌1 ≥ 0, 𝑌2
2. Las desigualdades se asignarán según la tabla.

Hay una forma
práctica de formular
la dualidad. Podrás PPL Primal: PPL Dual:
verla en la Preg. 5
de los Ejemplos de
este tema. 𝑴𝒂𝒙 𝑍 = 𝟑𝑋1 + 𝟔𝑋2 𝑴𝒊𝒏 𝑄 = 𝟏𝟎𝑌1 + 𝟐𝑌2
−1𝑋1 + 𝟗𝑋2 ≤ 𝟏𝟎 −𝟏𝑌1 − 𝟓𝑌2 = 𝟑
−𝟓𝑋1 + 𝟐𝑋2 = 𝟐 +𝟗𝑌1 + 𝟐𝑌2 ≥ 𝟔
𝑋1 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟𝑎 , 𝑋2 ≥ 0 𝑌1 ≥ 0, 𝑌2 𝑖𝑟𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑡𝑜
Rest. ≤ →Var. Y1 ≥.
Rest. = →Var. Y2 cualquiera.
Var. X2 ≥ corresponde Restricción con ≥.
Var. X1 cualquiera corresponde Restricción con =.
PPL MIN PPL MAX

≥ ↔ ≤
VARIABLES ≤ ↔ ≥ RESTRICCIONES
irrestricto ↔ =
≥ ↔ ≥
RESTRICCIONES ≤ ↔ ≤ VARIABLES
= ↔irrestricto
6.4 Teorema de Dualidad

Dado un par de problema (primal y su dual) uno y solamente uno de las tres
afirmaciones es verdadero.
- Los dos problemas son vacíos.
- Uno es vacío y el otro ilimitado.
- Ambos admiten soluciones óptimas
finitas (sus funciones objetivo en el
punto óptimo asumen igual valor)
PROPIEDAD
El Dual del Dual es el primal
73
EJEMPLO
𝑴𝒊𝒏 𝑍 = 3𝑋1 + 5𝑋2 𝑴𝒂𝒙 𝑍 = 4𝑌1 + 6𝑌2 + 18𝑌3

𝑋1 ≤ 4 𝑌1 + 3𝑌3 ≤ 3
𝑋2 ≤ 6 𝑌2 + 2𝑌3 ≤ 5
3𝑋1 + 2𝑋2 ≥ 18
𝑌1 ≤ 0 , 𝑌2 ≤ 0, 𝑌3 ≥ 0
𝑋𝑖 ≥ 0 𝑖 = 1,2
Estandarizamos
𝑴𝒊𝒏 𝑍 = 3𝑋1 + 5𝑋2 + 0𝑆1 + 0𝑆2 + 0𝑆3 + 𝑴𝑅1 𝑴𝒂𝒙 𝑍 = −4𝑌′1 + −6𝑌′2 + 18𝑌3 + 0𝑆1 + 0𝑆2
𝑋1 + 𝑆1 =4 𝑌1 + 3𝑌3 + 𝑆1 =3
𝑋2 + 𝑆2 =6 𝑌2 + 2𝑌3 + 𝑆2 = 5
3𝑋1 + 2𝑋2 − 𝑆3 + 𝑅1 = 18
−𝑌1 ≥ 0 , −𝑌2 ≥ 0, 𝑌3 ≥ 0
𝑋1 , 𝑋2 , 𝑆1 , 𝑆2 , 𝑆3 , 𝑅1 ≥ 0 𝑆𝑖 ≥ 0 𝑖 = 1,2
′
−𝑌1 = 𝒀 𝟏 , − 𝑌2 = 𝒀′𝟐 Var. Positivas
Resolvemos
ZQQZ XXX 111X1 XX

Z X22 X2Z QXS X
S231 X X222SSS2322 SS
S111 SS1112 S S Sol.
3Sol.
S
13 R
31 R SS121R1Sol.
SS
3Sol. Sol.
2 Sol.
R1 Sol.
1
Q Y’1 Y’2 Y3 S1 S2 Sol.
QQ Z111Z 1 -3414 -3 -3-5
Z Q
6Z6 -511-5 0 -3 4 00 0-5
0 6 00 000 0-M 0 -M 0 -M 00 00 0-M0 0
Q 1 4 6 -18 0 0 0
S1S
S 1 1S0 010 1-1
10S -1 1 1S
0 S0011 000 011
0 -110 01 10 0 010 001 0 330 01 0 40 04 4 03 4
S1 0 -1 0 3 1 0 3
S2S
S 2 2S 0200
S 20 00
00 0 0 -1
S
-1
S 1 2
2
1 00 10
0 00
0 00 01
-1 1
01 100 5
1 0 00 0 61 16 6 05
5 6
S2 0 0 -1 2 0 1 5
R 1ERA
R011R 110 3-20
-2 3 31ERAR
6261 201 2-16 -1
6 3 -10 02 00 0-118 0 1 10 1 18 0 18 181 18
1
-2 6 6 18 0 18
1ERAITER.
ITER.
ZY3Z1 0Z 13M-3 13M-3
-1/3 3M-3
ITER.
2M-5 Z
0 2M-5
2M-5
11/3
-M3M-3
-M -M 0 2M-5
0 0 0-M 0 1 0 00 0 18M 0 18M18M0
1ERA
18M
ITER. 1 -2 6 0 6 0 18
Y3 0 -1/3 Y03 01/3-1/3 0 0 1/3 1 0 1 Y 0 -1/3 0 1 1/3 0 1
S1S2S0 0 0 12/3
S 0 1 1S -1
01 00-2/3 00 10 01 10 10 00 0 30 01 0 40 4 4 0 43
S22DA 10 1 2/3 -1
S 2 -2/32/3
0 -1 1 -2/33 1 3 S2 0 2/3 -1 0 -2/3 1 3
S2DA2ITER.S0 2 S
120 000 0 02DA S132 10 14 0 00 00 01 31 0 10 27 1 0 00 0 61 6 6 0 6
R1X1R01 R
ITER. 1 0 300 3 3ITER. 32 201 2-1
R
4 -130 -10 03
2 0
3 0-1 4 0
27
1 10 1 18
0 318 18 27
1 18
2DA
1 0 3 0 4 3 27
01 0 -1/2 1 0 1/2 5/2 ITER.
XY’ 1ERA01ERA
0 1 0011 0 2M-5
-1/2
XITER. 0 -M
10 -M 00-3M-3 -1/2 1/2 5/2
09/3 01/26M+12
5/2 X1 0 0 -1/2 1 0 1/2 5/2
1 1 ITER. 0-3/2 12M-5
2M-5 -M-3M-3
2M-5
-3M-3
0 0-M 0 0 -3M-3
0 06M+12 6M+12 0 6M+12
1ERA
ITER.
1 ITER. 1ERA
-1 3/2
Y’
X1 X0 1 0 1
1 X10 10 1 1
-3/2
Y’X -1
011 000 00 10 1 01 -3/2 10 03/2
1 0-1 0 9/3
0 0 01 0 403/2 4 4 9/3
0 Y’
41 0 1 -3/2 0 -1 3/2 9/3
S2 S0 2 S20 00 0 0S 02 00 00 00 00 00 1 0 10 1 0 00 0 61 6 6 0 6
R1 R01 R10 00 0 0R 2 1 20 2-1 -1 0 -1 -3 -3 2 -3 0 0-1 0 1 1 -3 1 60 6 6 1 6
2DA
1 ITER.1 01 0 0ITER.
2DA 2DA
ITER. ITER. 02DA 01-5/2
0 -5/2
0 -5/2
-9/2-9/2 0-9/20 -5/20 -M+5/2
0 -M+5/2
-9/2
-M+5/2 27
0 27 -M+5/2
27 27La solución óptima del PPL DUAL es
X1 X0 1 X10 10 1 1X 01 00 00 10 01 10 0 1 00 0 0 01 0 40 4 4 0 4 Q* = 27 ya que
S2 S0 2 S20 00 0 0S 02 00 1/2 0 1/20 1/23/2 3/2 0 3/21 11/2-1/2 1 -1/2
3/2-1/2 31 3 3-1/2 3 Q* = 4(-9/2)+6(0)+18(5/2) =27
X2 X0 2 X20 00 0 0X 12 10-1/2 1 -1/2
0 -1/2
-3/2-3/2 1-3/20 -1/20 01/2 1/2-3/21/2 30 3 31/2 3
Y1 −9/2
La solución óptima del PPL PRIMAL es 𝑋𝐵 = [Y2
Y3
]=[ 0 ], 𝑋𝑁 = [S1
S2
] = [00]
5/2
Z* = 27 ya que
Z* = 3(4)+5(3) =27 𝒀′ 𝟏 = 9/2 → 𝑌1 = −9/2
X1 4 S1 0 𝒀′𝟐 = 𝟎 → 𝑌2 = 0
𝑋𝐵 = [X2 ] = [33], 𝑋𝑁 = [R1
S2 ] = [0]
0
S2
La solución óptima es 27.

En ambos casos nos da el
mismo resultado. Siempre
la solución será la misma.
74
EJEMPLO
𝑴𝒂𝒙 𝑍 = 4𝑋1 + 3𝑋2 𝑴𝒊𝒏 𝐺 = 18𝑌1 + 10𝑌2

2𝑋1 + 3𝑋2 ≤ 18 2𝑌1 + 4𝑌2 ≥ 4

4𝑋1 + 2𝑋2 ≤ 10 2𝑌1 + 2𝑌2 ≥ 3
𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑌1 ≥ 0 𝑖 = 1,2
¿Es posible hallar el valor de las Var. Duales hallando la solución del primal?
Estandarizo mi PPL Primal y aplico Simplex:
Q X1 X2 S1 S2 Sol.
Q 1 -4 -3 0 0 0
S1 0 2 3 1 0 18
S2 0 4 2 0 1 10
1ERA
ITER. 1 0 -1 0 1 10
S1 0 0 2 1 -1/2 13
X1 0 1 1/2 0 1/4 5/2
2DA
ITER. 1 2 0 0 3/2 15
Tabla Óptima S1 0 -4 0 1 -3/2 3 Sol. Dual
X2 0 2 1 0 1/2 5
La solución óptima del PPL PRIMAL es La solución óptima del PPL DUAL es
Z* = 15 ya que Z* = 4(0)+3(5)=15 Q* = 15 ya que Q* = 18(0)+10(3/2)=15
S1 3 X1 0 Y1 0
𝑋𝐵 = [ ] = [ ], 𝑋𝑁 = [ ] = [ ] 𝑌𝐵 = [ ] = [ ]
X2 5 S2 0 Y2 3/2
GRÁFICO
𝑴𝒂𝒙 𝑍 = 4𝑋1 + 3𝑋2
2𝑋1 + 3𝑋2 ≤ 18 …L1
4𝑋1 + 2𝑋2 ≤ 10 … L2
Punto Óptimo
𝑋𝑖 ≥ 0 𝑖 = 1,2
El valor máximo de la función

objetivo es 15, y corresponde a
x1 = 0 y x2 = 5 (Punto A)
Acotada.
75
Nos permite resolver problemas lineales donde el número de restricciones
es mayor que el número de variables. La solución de unos de los problemas
(primal o dual) nos proporciona de forma automática la solución del otro
PPL. Otra de las ventajas de la dualidad, es la posibilidad de resolver
gráficamente algunos problemas.

EJEMPLO
𝑴𝒊𝒏 𝑍 = 2𝑋1 + 3𝑋2 + 5𝑋3 + 2𝑋4 + 3𝑋5 𝑴𝒂𝒙 𝐺 = 4𝑌1 + 3𝑌2
𝑋1 + 𝑋2 + 2𝑋3 + 𝑋4 + 3𝑋5 ≥ 4 𝑌1 + 2𝑌2 ≤ 2

2𝑋1 − 𝑋2 + 3𝑋3 + 𝑋4 + 𝑋5 ≥ 3 𝑌1 − 𝑌2 ≤ 3
2𝑌1 + 3𝑌2 ≤ 5
𝑌1 + 𝑌2 ≤ 2
𝑋𝑖 ≥ 0 𝑖 = 1,2,3,4,5 3𝑌1 + 𝑌2 ≤ 3
𝑌1 ≥ 0 𝑖 = 1,2
El PPL Primal presenta 5 variables, su Dual presenta 2 variables. Entonces es

conveniente resolver el PPL Dual:
𝑴𝒂𝒙 𝐺 = 4𝑌1 + 3𝑌2

GRÁFICO 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎
𝑌1 + 2𝑌2 ≤ 2 … L1
𝑌1 − 𝑌2 ≤ 3 … L2
2𝑌1 + 3𝑌2 ≤ 5 … L3
𝑌1 + 𝑌2 ≤ 2 … L4
3𝑌1 + 𝑌2 ≤ 3 … L5
𝑌1 ≥ 0 𝑖 = 1,2

objetivo es 5, y corresponde a
Y1 = 4/5 y Y2 = 3/5 (Punto B)
Punto Óptimo B (4/5,3/5) Óptima con Región Factible
Acotada.
76
6.5 Ejemplo
Un fabricante de muebles tiene 6 unidades de madera y 28 horas disponibles, para
fabricar biombos decorativos. EL modelo 1 requiere 2 unidades de madera y 7 horas
del tiempo disponible; mientras que el modelo 2 requiere 1 unidad de madera y 8
horas. Los precios de los modelos 1 y 2 son $120 y $80, respectivamente. ¿Cuántos
biombos de cada modelo debe fabricar si desea maximizar su ingreso en la venta?
Determine el planteamiento del problema.

PPL Canónica: objetivo es 3520/9, y corresponde a
X1 = 20/9 y X2 = 14/9 (Punto Q)
𝑴𝒂𝒙 𝑍 = 120𝑋1 + 80𝑋2 El problema presenta Solución
Acotada.
2𝑋1 + 𝑋2 ≤ 6
7𝑋1 + 8𝑋2 ≤ 28
Punto Óptimo
𝑋𝑖 ≥ 0 𝑖 = 1,2
Resolvemos usando Simplex:

1 BASE
Z X1 X2 S1 S2 Sol.
PPL Estandarizado: Z 1 -120 -80 0 0 0
S1 0 2 1 1 0 6
𝑴𝒂𝒙 𝑍 = 120𝑋1 + 80𝑋2 + 0𝑆1 + 0𝑆2 S2 0 7 8 0 1 28
1ERA
ITER. 1 0 -20 60 0 360
X1 0 1 1/2 1/2 0 3
2𝑋1 + 𝑋2 + 𝑆1 =6 S2 0 0 9/2 -7/2 1 7
7𝑋1 + 8𝑋2 + 𝑆2 = 28 2DA
ITER. 1 0 0 400/9 40/9 3520/9
X1 0 1 0 8/9 -1/9 20/9
𝑋𝑖 , 𝑆𝑖 ≥ 0 𝑖 = 1,2
X2 0 0 1 -7/9 2/9 14/9
objetivo es 3520/9, y corresponde a
X1 20/9 S1 0
Resolvemos EL Dual por Método de la M:
𝑋𝐵 = [ ] = [ ], 𝑋𝑁 = [ ] = [ ]
X2 14/9 S2 0
2
BASE
Q Y1 Y2 S1 S2 R1 R2 Sol.
PPL Dual Estandarizando: Q 1 -6 -28 0 0 -M -M 0
R1 0 2 7 -1 0 1 0 120
R2 0 7 8 0 -1 0 1 80
𝑴𝒊𝒏 𝑄 = 6𝑌1 + 28𝑌2 + 0𝑆1 + 0𝑆2
Q 1 -6+3M -28+15M -M -M 0 0 200M
+ 𝑀𝑅1 + 𝑀𝑅2
R1 0 2 7 -1 0 1 0 120
R2 0 1 8 0 -1 0 1 80
𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 1ERA
ITER.. 1 -20/8+9M/8 0 -M -28/8+7M/8 0 7/2-15M/8 280+50M
R1 0 9/8 0 -1 7/8 1 -7/8 50
2𝑌1 + 7𝑌2 − 𝑆1 + 𝑅1 = 120 Y2 0 1/8 1 0 -1/8 0 1/8 10
𝑌1 + 8𝑌2 − 𝑆2 + 𝑅2 = 80 2DA ITER
1 0 0 -20/9 -14/9 20/9-M 14/9-M 3520/9
Y1 0 1 0 -8/9 7/9 8/9 -7/9 400/9
𝑌𝑖 ≥ 0 𝑖 = 1,2 Y2 0 0 1 1/9El valor-2/9
máximo de la función2/9
-1/9 40/9
objetivo es 3520/9, y corresponde a
S1 0
Y1 400/9
𝑋𝐵 = [ ]=[ ], 𝑋𝑁 = [ S2 ] = [0]
Y2 40/9 R1 0
R2 0
77
Dado el PPL Primal de la pregunta 1 y su tabla óptima. Hallar la solución
3 Óptima del Dual sin resolverlo.
Conocemos al PPL Dual:

𝑴𝒂𝒙 𝑍 = 120𝑋1 + 80𝑋2 𝑴𝒊𝒏 𝑄 = 6𝑌1 + 28𝑌2
2𝑋1 + 𝑋2 ≤ 6 2𝑌1 + 7𝑌2 ≥ 120

7𝑋 + 8𝑋 ≤ 28 𝑌1 + 8𝑌2 ≥ 80
BASE
Z X11 X22 S1 S2 Sol.
Z 1 -120 𝑋𝑖 ≥ 0 -80𝑖 = 1,20 0 0 𝑌𝑖 ≥ 0 𝑖 = 1,2
S1 0 2 1 1 0 6
S2 0 7 8 0 1 28
En la Pregunta
1ERA
ITER. 1 10hallamos
-20 la 60 tabla óptima
0 del
360PPL Primal.
X1 0 1 1/2 1/2 0 3
S2 Z
BASE
0 X01 9/2
X2 -7/2
S1 S12 7
Sol. El valor máximo de la función
Z 1 -120
2DA
ITER. 0 0
-80 400/9
0 40/9
0 3520/9
0 objetivo es 3520/9, y corresponde a
Y1 = 400/9 →S1 y Y2 = 40/9 →S2
X
S1 0 1
2 0
1 8/9
1 -1/9
0 20/9
6 Verificando:
S2 0
X 7
0 8
1 0
-7/9 1
2/9 28
14/9 Q*= 6 Y1 + 28 Y2
Q*= 6(400/9)+28(40/9) = 3520/9
1ERA
ITER. 1 0 -20 60 0 360
X1 0 1 1/2 1/2 0 3
Dado Sel2 PPL 0 Dual
0 de9/2 -7/2
la pregunta 21 y su 7tabla óptima. Hallar la solución
4 Óptima
2DA
del1Primal
ITER. 0 sin resolverlo.
0 400/9 40/9 3520/9
X1 0 1 0 8/9 -1/9 20/9
X2 0 0 1 -7/9 2/9 14/9
Conocemos al PPL Dual y su Primal:

𝑴𝒂𝒙 𝑍 = 120𝑋1 + 80𝑋2 𝑴𝒊𝒏 𝑄 = 6𝑌1 + 28𝑌2
2𝑋1 + 𝑋2 ≤ 6 2𝑌1 + 7𝑌2 ≥ 120

7𝑋1 + 8𝑋2 ≤ 28 𝑌1 + 8𝑌2 ≥ 80
𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑌𝑖 ≥ 0 𝑖 = 1,2
En la Pregunta 2 hallamos la tabla óptima del PPL Dual.
Q Y1 Y2 S1 S2 R1 R2 Sol.
2DA ITER
1 0 0 -20/9 -14/9 20/9-M 14/9-M 3520/9
Y1 0 1 0 -8/9 7/9 8/9 -7/9 400/9
Y2 0 0 1 1/9 -2/9 -1/9 2/9 40/9
El valor máximo de la función objetivo
es 3520/9, y corresponde a
X1 = 400/9→R1 y X2 = 40/9→R2
Verificando:
Z*= 120 X1 + 80 X2
Z*= 120 (20/9)+80(14/9) = 3520/9
78
Observemos la Pregunta 3.
5
Sólo debes organizar correctamente la manera en la que formulas tu PPL
Dual. Primero, estandarizamos el PPL Primal.
PPL Canónica: PPL Estandarizado:
𝑴𝒂𝒙 𝑍 = 120𝑋1 + 80𝑋2 𝑴𝒂𝒙 𝑍 = 120𝑋1 + 80𝑋2 + 0𝑆1 + 0𝑆2
2𝑋1 + 𝑋2 ≤ 6 2𝑋1 + 𝑋2 + 𝑆1 =6
7𝑋1 + 8𝑋2 ≤ 28 7𝑋1 + 8𝑋2 + 𝑆2 = 28
𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑋𝑖 , 𝑆𝑖 ≥ 0 𝑖 = 1,2
Segundo, formulemos su PPL Dual (Forma Práctica).

PPL MIN PPL MAX
≥ ↔ ≤
VARIABLES ≤ ↔ ≥
irrestricto ↔ =
RESTRICCIONES
PPL Primal:
RESTRICCIONES
≥
≤
↔
↔
≥
≤ VARIABLES ① Identifico Variables Duales.
= ↔irrestricto
𝑴𝒂𝒙 𝑍 = 120𝑋1 + 80𝑋2 Le “asigno” una variable dual a
cada restricción.
𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 ≥ ≥
③ Identifico las desigualdades que 2𝑋1 + 𝑋2 ≤ 6 Y1 ≥0 ② Identifico desigualdad de
tendrán las restricciones en el PPL Dual. 7𝑋1 + 8𝑋2 ≤ 28 Y2 ≥0 Variables Duales.
Le “asigno” una desigualdad en cada Le “asigno” una desigualdad a
columna (futura restricción dual) de la 𝑋1 ≥ 0, 𝑋2 ≥ 0 la variable dual, según
variable según corresponda. corresponda.
Ejemplo: X1 es ≥ 0, entonces asignaré una Ejemplo: La restricción 1 es ≤ 6,
desigualdad ≥ a la columna de X1. entonces asignaré una desigualdad
≥ a la variable Y1.
Ahora formulemos el Dual.

𝑴𝒂𝒙 𝑍 = 120𝑋1 + 80𝑋2 𝑴𝒊𝒏 𝑄 = 6𝑌1 + 28𝑌2
𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 ≥ ≥ 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎
2𝑋1 + 𝑋2 ≤ 6 Y1 ≥0 2𝑌1 + 7𝑌2 ≥ 120

7𝑋1 + 8𝑋2 ≤ 28 Y2 ≥0 𝑌1 + 8𝑌2 ≥ 80
𝑋1 ≥ 0, 𝑋2 ≥ 0 𝑌1 ≥ 0, 𝑌2 ≥ 0
Z X1
BASE
X2 S1 S2 Sol.
Z 1 -120 -80 0 0 0
Veamos que al formular el PPL Dual asignamos Y1 a la primera restricción
S1 0 2 1 1 0 6
del Primal. Dicha
S2 0
restricción,
7
al estandarizar,
8 0 1
tiene 28
la variable S1. Entonces en
la tabla ubicaremos
1ERA
ITER. 1 S10y sabremos
-20 que su valor
60 0 en
360los Zj – Cj será el valor de
Y1. X1 0 1 1/2 1/2 0 3
S
BASE
2 0
Z X1 0 9/2
X2 -7/2
S1 1
S2 7
Sol. El valor máximo de la
función objetivo es
Z 1 -120
2DA
ITER. 0 0
-80 400/9
0 40/9
0 3520/9
0 3520/9, y corresponde
X
S1 0 1
2 0
1 8/9
1 -1/9
0 20/9
6 a Y1 = 400/9 →S1 y
S2 0
X 7
0 8
1 0
-7/9 1
2/9 28
14/9
Y2 = 40/9 →S2 79
1ERA
ITER. 1 0 -20 60 0 360
X1 0 1 1/2 1/2 0 3
Tabla resumen de las Reglas de paso del Primal al Dual
Primal Dual
Maximizar Minimizar
Función Objetivo Término Independiente
Fila i-ésima de Coef. Columna i-ésima de Coef.
Columna j-ésima de Coef. Fila j-ésima de Coef.
Relación i-ésima de ≤ Variable i-ésima no negativa
Relación i-ésima de = Variable i-ésima no restringida
Variable j-ésima no restringida Restricción de =
Variable j-ésima no negativa Restricción de ≥
6.6 Ejercicios
𝑴𝒂𝒙 𝑍 = 15000𝑋1 + 12000𝑋2 𝑴𝒂𝒙 𝑍 = 200𝑋1 + 300𝑋2 𝑴𝒂𝒙 𝑍 = 3𝑋1 + 𝑋2

3𝑋1 ≤ 180 𝑋1 + 𝑋2 ≥ 3
5𝑋2 ≤ 200 4𝑋1 + 4𝑋2 ≤ 36 2𝑋1 + 𝑋2 ≤ 4
4𝑋1 + 6𝑋2 ≤ 360 3𝑋1 + 6𝑋2 ≤ 48 𝑋1 + 𝑋2 = 3
8𝑋1 + 8𝑋2 ≤ 800 𝑋𝑖 ≥ 0 𝑖 = 1,2
𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑋𝑖 ≥ 0 𝑖 = 1,2
𝑴𝒂𝒙 𝑍 = 5𝑋1 + 12𝑋2 + 14𝑋3 𝑴𝒊𝒏 𝑍 = 4𝑋1 + 4𝑋2 + 𝑋3 𝑴𝒂𝒙 𝑍 = 2𝑋1 + 3𝑋2

2𝑋1 + 𝑋2 + 𝑋3 ≥ 2
𝑋1 + 2𝑋2 + 𝑋3 ≤ 5 2𝑋1 + 𝑋2 ≤3 2𝑋1 + 𝑋2 ≥ 4
2𝑋1 − 𝑋2 + 3𝑋3 = 2 2𝑋1 + 𝑋2 + 3𝑋3 ≥ 3 2𝑋1 + 𝑋2 ≥ −1
𝑋𝑖 ≥ 0 𝑖 = 1,2,3
𝑋𝑖 ≥ 0 𝑖 = 1,2,3 𝑋𝑖 ≥ 0 𝑖 = 1,2

0,6𝑋1 + 0,4𝑋2 ≥ 6 𝑋1 ≤4 3𝑋1 + 𝑋2 = 3
0,3𝑋1 + 0,1𝑋2 ≤ 2.7 2𝑋2 ≤ 12 4𝑋1 + 3𝑋2 ≥ 6
0,5𝑋1 + 0,5𝑋2 = 6 3𝑋1 + 2𝑋2 = 18 𝑋1 + 2𝑋2 ≤ 4
𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑋𝑖 ≥ 0 𝑖 = 1,2

𝑋1 + 4𝑋2 ≤ 4 𝑋1 + 3𝑋2 + 5𝑋3 = 4 𝑋1 + 6𝑋2 + 𝑋3 = 10
𝑋1 + 2𝑋2 ≥ 2 5𝑋1 + 3𝑋2 − 4𝑋3 ≥ 6 2𝑋1 + 3𝑋2 ≤ 15
𝑋𝑖 ≥ 0 𝑖 = 1,2 𝑋𝑖 ≥ 0 𝑖 = 1,2,3 𝑋𝑖 ≥ 0 𝑖 = 1,2,3
80
MÉTODO
DUAL SIMPLEX
7.1 Introducción
Recordemos, en el Método Simplex se cumple:
SIMPLEX
Condición de Condición de
Optimalidad Factibilidad
Cj-Zj ≥0 XB≥0
81
El algoritmo simplex-dual el problema empieza optimo y no factible.
Las iteraciones sucesivas están diseñadas para avanzar hacia la factibilidad
sin violar la Optimalidad. Cuando se restaura la factibilidad, el algoritmo
termina.
Este método fue elaborado por CarltonE. Lemke en 1954, se utiliza

CarltonE. Lemke para hallar la solución de un PPL, que es óptimo pero no factible. En la
actualidad todos los software comerciales utilizan éste método.
7.2 Método Dual Simplex

𝑴𝒂𝒙 𝑍 = 𝑪𝑋 problema de PL dado por: 𝑴𝒊𝒏 𝑄 = 𝑏𝑌
𝑨𝑋 ≥ 𝑏 𝑨𝒕 𝑌 ≥ 𝑪
𝑋≥0 𝑌≥0
Se aplica para resolver problemas que tienen factibilidad dual, es decir son
El Método Dual óptimos, pero no factibles. Se aplica de manera general en modelos de
Simplex inicia y
termina siendo minimización.
óptimo. Pero
inicia siendo
La limitación de este método es que no siempre es posible obtener una
no factible y solución óptima. Se aplica cuando las restricciones son “≥“y los costos son
termina siendo
factible. negativos.
Veamos el procedimiento con un ejemplo:

EJEMPLO
PPL Estandarizado
𝑴𝒊𝒏 𝑍 = 5𝑋1 + 4𝑋2 𝑴𝒊𝒏 𝑍 − 5𝑋1 − 4𝑋2 = 0 𝑴𝒊𝒏 𝑍 − 5𝑋1 − 4𝑋2 − 0𝑆1 − 0𝑆2 = 0

2𝑋1 + 𝑋2 ≤ 4 2𝑋1 + 𝑋2 ≤ 4 2𝑋1 + 𝑋2 + 𝑆1 =4
𝑋1 + 𝑋2 ≥ 3 −𝑋1 − 𝑋2 ≤ −3 −𝑋1 − 𝑋2 + 𝑆2 = −3
𝑋1 , 𝑋2 ≥ 0 𝑋1 , 𝑋2 ≥ 0 𝑋1 , 𝑋2 , 𝑆1 , 𝑆2 ≥ 0
① Convertir las desigualdades ② Estandarizar el PPL

de las restricciones en ≤
multiplicando por (-1)
82
Si se intenta expresar este problema como una tabla simplex inicial, se
observará que las variables de holgura (S1, S2) no ofrecen una solución
inicial factible. Como este es un problema de minimización y todos los
coeficientes de la ecuación objetivo son ≤ 0, la solución básica inicial S1 = 4
y S2 = -3 es óptima pero no factible. Este problema es del tipo común que
se puede manejar a través del método simplex dual. ③ Elaborar la tabla
inicial con los Zj-Cj≥0.
Aplico el Método Simplex Dual:
④Variable de Salida.
⑥ Hacemos las Z X1 X2 S1 S2 Sol. VS=min {b, b<0}
transformaciones para que la
columna del pivote se Z 1 -5 -4 0 0 0 VS=Min {-3} VS=S2
convierta a su forma canónica. S1 0 2 1 1 0 4 VE=Min {-5/-1,-4/-1} VE=X2
S2 0 -1 -1 0 1 -3 + negativo
X2 ←S2/2
S1 ←S1 antiguo+ (-1)*X2
1ERA
ITER 1 -1 0 0 -4 12
Z ←Z antiguo+ (-4)*X2
S1 0 1 0 1 1 1 ⑤Variable de Entrada.
𝑍𝑗−𝐶𝑗
X2 0 1 1 0 -1 3 VE=min { , y<0}
𝑦
⑦ Paramos cuando XB≥0,

sino regresamos al paso 4. SOL: El valor máximo de la función
objetivo es Z*=12, y corresponde a
X1 0 S1 0
El procedimiento que seguimos fue el siguiente:
𝑋𝐵 = [ ] = [ ], 𝑋𝑁 = [ ] = [ ]
X2 3 S2 0
Recuerda: En el ①Las desigualdades de las restricciones del PPL las convertiremos a ≤

Método SIMPLEX multiplicando por -1.
se elige primero,
la VE y luego la ②Estandarizamos el PPL.
VS. En el Método
Simplex DUAL ③Representamos en una tabla el PPL Estandarizado con los Zj-Cj≥0.
primero eliges la
VS y luego la VE.
④FACTIBILIDAD. La variable que sale es la variable básica que tiene el valor
más negativo en la columna de soluciones.
VS=Min {b, b<0}
Si todas las variables básicas son no negativas el proceso termina y se alcanza la solución factible.
⑤OPTIMALIDAD. La variable que entra se elige de entre las variables no
básicas como sigue: Tome los coeficientes del lado izquierdo de la ecuación
z entre los coeficientes correspondientes a la ecuación asociada a la
variable que sale. Ignore los cocientes asociados a denominadores positivos
o cero. La variable que entra es aquella con el cociente más pequeño si el problema es de
minimización. El valor absoluto más pequeño de las razones si el problema es de maximización
(rompa los empates arbitrariamente).
𝒁𝒋−𝑪𝒋 𝒁𝒋−𝑪𝒋
VE=Max { 𝒚 , y<0} ó VE=Min {| 𝒚 |, y<0}
⑥Hacemos las transformaciones para que la columna del Observación: Si no existe
“y” negativo, es decir,
pivote se convierta a su forma canónica (vector unitario). todos son y>0, entonces
⑦Paramos cuando XB≥0, sino regresamos al paso 4. el PPL NO TIENE
SOLUCIÓN.
En el ejemplo anterior, observemos como el Método
Simplex Dual busca la factibilidad:
Z X1 X2 S1 S2 Sol.
El Método Dual ÓPTIMO (Zj-Cj≤0)
Z 1 -5 -4 0 0 0
Simplex cumple S1 0 2 1 1 0 4
las mismas NO FACTIBLE ∃ XB≤0
condiciones de
S2 0 -1 -1 0 1 -3
Optimalidad y ÓPTIMO (Zj-Cj≤0)
1ERA
ITER 1 -1 0 0 -4 12
factibilidad que
el Método S1 0 1 0 1 1 1 FACTIBLE ∀ XB≥0
Simplex. X2 0 1 1 0 -1 3
83
EJEMPLO
𝑴𝒂𝒙 𝑍 = −2𝑋1 − 1𝑋2 − 4𝑋3 𝑴𝒂𝒙 𝑍 + 2𝑋1 + 1𝑋2 + 4𝑋3 = 0
3𝑋1 + 2𝑋2 + 5𝑋3 ≥ 5 −3𝑋1 − 2𝑋2 − 5𝑋3 ≤ −5
𝑋1 + 3𝑋2 + 2𝑋3 ≥ 7 −𝑋1 − 3𝑋2 − 2𝑋3 ≤ −7
𝑋1 , 𝑋2 , 𝑋3 ≥ 0 𝑋1 , 𝑋2 ≥ 0
PPL Estandarizado
𝑴𝒂𝒙 𝑍 + 2𝑋1 + 1𝑋2 + 4𝑋3 + 0𝑆1 + 0𝑆2 = 0
−3𝑋1 − 2𝑋2 − 5𝑋3 + 𝑆1 = −5
−𝑋1 − 3𝑋2 − 2𝑋3 + 𝑆2 = −7
𝑋1 , 𝑋2 , 𝑆1 , 𝑆2 ≥ 0
Si se intenta expresar este problema como una tabla simplex inicial, se

observará que las variables de holgura (S1, S2) no ofrecen una solución
inicial factible. Como este es un problema de maximización y todos los
coeficientes de la ecuación objetivo son ≥ 0, la solución básica inicial S1 = -
5 y S2 = -7 es óptima pero no factible. Este problema se puede manejar a
través del método simplex dual.
Aplico Simplex Dual:
Z X1 X2 X3 S1 S2 Sol.
VS=Min {-5,-7} VS=S2
ÓPTIMO (Zj-Cj≥0) Z 1 2 1 4 0 0 0 2 𝟏 4
VE=Max { , , } VE=X2
−1 −𝟑 −2
S1 0 -3 -1 -5 1 0 -5
+ negativo
X2 ←S2/-3
S2 0 -1 -3 -2 0 1 -7
S1 ←S1 antiguo+ X2
Z ←Z antiguo+ (-1)*X2
1ERA
ITER 1 5/3 0 14/3 1/3 1/3 -7/3
+ negativo
S1 0 -8/3 0 -17/3 1 -1/3 -8/3
VS=Min {-8/3} VS=S1
X2 0 1/3 1 -2/3 0 -1/3 7/3 VE=Max { 𝟓/𝟑 , ,
14/3 1/3
} VE=X1
1 0 0 9/8 23/24 1/8 -4
2DA −𝟖/𝟑−17/3 −1/3
X1 ←S2*-3/8 ITER
X2 ←X2 antiguo+ (-1/3)*X1
Z ←Z antiguo+ (-5/3)*X1 X1 0 1 0 17/8 -3/8 1/8 1 X ≥0
B
X2 0 0 1 -11/8 1/8 3/8 2
SOLUCIÓN. El valor máximo de la función objetivo es

Z*=-4, y corresponde a
X1 1
S1 0
𝑋𝐵 = [X2] = [2], 𝑋𝑁 = [ ] = [ ]
S2 0
X3 0
Porque Z=-2X1 -X2 -4X3=-2(1)-(2)-4(0)=-4
CONCLUSIÓN. Esto ocurre, por ejemplo, cuando se agrega una nueva restricción al
problema después que se ha obtenido la solución óptima. Si esta restricción no se verifica
por la solución óptima, el problema permanece óptimo, pero llega a ser no factible. Por lo
84
tanto, el método simplex dual se utiliza entonces para quitar la no factibilidad en el
problema.
Comparativo entre el Método Simplex y el Método Dual-Simplex.
MÉTODO SIMPLEX MÉTODO DUAL -SIMPLEX
Empieza: Solución Empieza: Solución

Factible-Básica pero NO INFACTIBLE-Básica y
ÓPTIMA. además Óptima.
Busca: Optimalidad. Busca: Factibilidad.
Solución Final: Básica- Solución Final: Básica-

Factible y ÓPTIMA. FACTIBLE y Óptima.
7.3 Ejercicios
𝑴𝒊𝒏 𝑍 = 2𝑋1 + 3𝑋2 𝑴𝒊𝒏 𝑍 = 7𝑋1 + 2𝑋2 𝑴𝒂𝒙 𝑍 = −𝑋1 − 5𝑋2 − 𝑋3

3𝑋1 + 2𝑋2 ≥ 10 𝑋1 + 𝑋2 ≥ 11 𝑋1 + 2𝑋3 ≥ 2
𝑋1 − 𝑋2 ≥ 0 3𝑋1 − 3𝑋2 ≥ 2 2𝑋1 + 3𝑋2 + 6𝑋3 ≥ 6
𝑋1 ≥ 5 𝑋1 − 3𝑋2 + 3𝑋3 ≥ 9
𝑋1 , 𝑋2 ≥ 0
𝑋1 , 𝑋2 ≥ 0 𝑋1 , 𝑋2 , 𝑋3 ≥ 0
𝑴𝒊𝒏 𝑍 = 4𝑋1 + 2𝑋2 𝑴𝒊𝒏 𝑍 = 2𝑋1 + 3𝑋2 𝑴𝒂𝒙 𝑍 = −8𝑋1 − 5𝑋2 − 𝑋3

𝑋1 + 𝑋2 ≥ 1 5𝑋1 + 2𝑋2 ≥ 10 7𝑋1 + 2𝑋3 ≥ 2
3𝑋1 − 𝑋2 ≥ 2 𝑋1 − 𝑋2 ≥ 0 𝑋1 + 𝑋2 + 6𝑋3 ≥ 4
𝑋1 ≥ 2 𝑋1 − 2𝑋2 + 3𝑋3 ≥ 9
𝑋1 , 𝑋2 ≥ 0
𝑋1 , 𝑋2 ≥ 0 𝑋1 , 𝑋2 ≥ 0
𝑴𝒊𝒏 𝑍 = 160𝑋1 + 120𝑋2 + 280𝑋3 𝑴𝒊𝒏 𝑍 = 315𝑋1 + 110𝑋2 + 50𝑋3
2𝑋1 + 𝑋2 + 4𝑋3 ≥ 1 15𝑋1 + 2𝑋2 + 𝑋3 ≥ 200
2𝑋1 + 2𝑋2 + 2𝑋3 ≥ 3/2 7.5𝑋1 + 3𝑋2 + 𝑋3 ≥ 150
5𝑋1 + 2𝑋2 + 𝑋3 ≥ 120
𝑋1 , 𝑋2 ≥ 0 𝑋1 , 𝑋2 , 𝑋3 ≥ 0
𝑴𝒊𝒏 𝑍 = 2𝑋1 + 𝑋2 𝑴𝒊𝒏 𝑍 = 2000𝑋1 + 1000𝑋2 𝑴𝒊𝒏𝑍 = 4𝑋1 + 12𝑋2 + 18𝑋3

3𝑋1 + 𝑋2 ≥ 3 3𝑋1 + 𝑋2 ≥ 40 𝑋1 + 3𝑋3 ≥ 3
4𝑋1 + 3𝑋2 ≥ 6 2𝑋1 + 2𝑋2 ≥ 60 2𝑋2 + 2𝑋3 ≥ 5
𝑋1 + 2𝑋2 ≥ 3
𝑋1 , 𝑋2 ≥ 0 𝑋1 , 𝑋2 , 𝑋3 ≥ 0
𝑋1 , 𝑋2 ≥ 0
85
PROGRAMACIÓN
LINEAL
CON LINDO
8.1 Introducción
La velocidad y la facilidad de uso han hecho de LINDO el estándar de
la industria para resolver problemas de optimización Lineal, Entera, y
Cuadrática.
LINDO es el software de Optimización más popular para la

Instrucción e Investigación. Para modelos grandes o pequeños, lineales o
enteros, LINDO.
86
8.2 ¿Cómo usar LINDO?
Veamos el cómo a través de un ejemplo. 
PPL Canónico
𝑴𝒂𝒙 𝑍 = 100𝑋1 + 120𝑋2
4𝑋1 + 8𝑋2 ≤ 480
5𝑋1 + 6𝑋2 ≤ 600
12𝑋1 + 8𝑋2 ≤ 540
𝑋1 , 𝑋2 ≥ 0
①Escribo en
Empecemos: LINDO el PPL
𝑴𝒂𝒙 𝑍 = 100𝑋1 + 120𝑋2

𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 Ejemplo: X1 → X1
4𝑋1 + 8𝑋2 ≤ 480
Agrego END
5𝑋1 + 6𝑋2 ≤ 600
12𝑋1 + 8𝑋2 ≤ 540
𝑋1 , 𝑋2 ≥ 0
② Click aquí
③ Click aquí
④ Click aquí
¡LISTO!
Ya tenemos el
resultado del
PPL propuesto.

87
8.3 Interpretación de los
resultados en LINDO
Veamos otro ejemplo para tocar todos los casos al analizar el resultado:
𝑴𝒂𝒙 𝑍 = 4𝑋1 + 6𝑋2 + 7𝑋3 + 8𝑋4
Rest. Activa → 𝑋1 + 𝑋2 + 𝑋3 + 𝑋4 = 950
Rest. Activa → 𝑋4 ≥ 400
Rest. Activa → 2𝑋1 + 3𝑋2 + 4𝑋3 + 7𝑋4 ≤ 4600
Rest. NO Activa → 3𝑋1 + 4𝑋2 + 5𝑋3 + 6𝑋4 ≤ 5000
𝑋1 , 𝑋2 ≥ 0
Z* =  Z Óptimo
Para producir X1
VNB  X1 = debo AUMENTAR
Var. NO Básica → Xi=0 VB  X2 = en más de 1.0
Var. Básica → Xi>0 VB  X3 = unidades a C1.
VB  X4 =
Rest. Activa → SX=0 Si SX=0 → YX existe.
Rest. No Activa →SX>0 (Holgura o excedente) (Peso Dual) Si SX>0 → YX =0
Rest. Activa → Rest1 = S1 = Y1 = El aumento en 1

Rest. Activa → Rest2 = S2 = Y2 = de B1, mejora la
Rest. Activa → Rest3 = S3 = Y3 = F.O. en 3 unidades
Rest. NO Activa → Rest4 = S4 = Y4 = (Precio Dual).
 N° iteraciones para hallar la solución Óptima
FO: 𝑴𝒂𝒙 𝑍 = 4𝑋1 + 6𝑋2 + 7𝑋3 + 8𝑋4 OPTIMALIDAD.

Coef. FO: Variación de CX para
continuar siendo
óptimo y sin variar la
solución:
C1 = -ꝏ≤ ΔC1 ≤1
C2 = -0.5 ≤ ΔC2 ≤ 0.67
C3 = -0.5 ≤ ΔC3 ≤ 1
C4 = -ꝏ ≤ ΔC4 ≤ 2
FACTIBILIDAD.
Lado Derecho de Rest.: Variación de BX para
continuar siendo
factible para el mismo
precio dual:
Rest1 = B1 = -100 ≤ ΔB1 ≤ 50
Rest2 = B2 = -125 ≤ ΔB2 ≤ 37.5
Rest3 = B3 = -150 ≤ ΔB3 ≤ 250
Rest4 = B4 = -250 ≤ ΔB4 ≤ꝏ
𝑋1 + 𝑋2 + 𝑋3 + 𝑋4 = 950 Incremento Reducción

𝑋4 ≥ 400 máximo máxima
2𝑋1 + 3𝑋2 + 4𝑋3 + 7𝑋4 ≤ 4600
3𝑋1 + 4𝑋2 + 5𝑋3 + 6𝑋4 ≤ 5000
88
8.4 Análisis de Sensibilidad
¿Qué pasa si…?
CAMBIOS EN COEFICIENTES DE LA F.O.

Es importante
llevar a cabo un
análisis de
sensibilidad, para
¿Cómo se afectan la función objetivo y la solución óptima, cuando cambian
investigar el efecto los coeficientes de las variables de decisión Cj en la función objetivo?
que tendría sobre
la solución óptima
y la función
objetivo el hecho
Si cambiamos el valor del coeficiente asociado a una Variable Básica (VB)
que los dentro del rango permitido entonces la solución óptima no cambia (Xi no
parámetros
tomaran otros cambia).
valores posibles.
Los cambios en los coeficientes de costos Cj requieren un análisis según

sean:
Z cambia.
VARIABLES BÁSICAS Z’ = Z* + ΔCi (Xi)
Xi no
Z no cambia. cambia.
VARIABLES NO BÁSICAS Z’ = Z*
Donde ΔCi = Ci’ - Ci debe pertenecer al intervalo o rango permitido.
Tenemos el PPL Maximización desarrollado en LINDO.

¿Si varía el valor de un Ci de una Variable Básica, como actúa la solución
EJEMPLO Óptima y el valor de la F.O.?
𝑴𝒂𝒙 𝑍 = 4𝑋1 + 6𝑋2 + 7𝑋3 + 8𝑋4 De C2 = 6 a C2’ = 5.5

ΔC2 = C2’ – C2 = 5.5 – 6 = -0.5
VNB  X1 =0 -ꝏ≤ ΔC1 ≤1 ¿ΔC2= -0.5 pertenece al intervalo? SI 
VB  X2 = 400 -0.5 ≤ ΔC2 ≤ 0.67
VB  X3 = 150 -0.5 ≤ ΔC3 ≤ 1 Ya que C2 pertenece a Var. Básicas.
VB  X4 = 400 -ꝏ ≤ ΔC4 ≤ 2  X2 = 400 no cambia.
 Z* → Z’ cambia.
Z* = 6650 Z’ = Z* + ΔC2(X2)
Z’ = 6650 + -0.5 (400) = 6450 = Z’
Verifiquemos en LINDO.
Z’ =
X1 =
X2 =
X3 =
X4 =
89
¿Y si varía el valor de un Ci de una Variable NO Básica, como actúa la
EJEMPLO solución Óptima y el valor de la F.O.?
𝑴𝒂𝒙 𝑍 = 4𝑋1 + 6𝑋2 + 7𝑋3 + 8𝑋4 De C1 = 4 a C1’ = 0

ΔC1 = C1’ – C1 = 0 – 4 = -4
VNB  X1 =0 -ꝏ≤ ΔC1 ≤1 ¿ΔC1= -4 pertenece al intervalo? SI 
VB  X2 = 400 -0.5 ≤ ΔC2 ≤ 0.67
VB  X3 = 150 -0.5 ≤ ΔC3 ≤ 1 Ya que C1 pertenece a Var. NO Básicas.
VB  X4 = 400 -ꝏ ≤ ΔC4 ≤ 2  X1= 0 no cambia.
 Z’ = Z* no cambia.
Z* = 6650 Z’ = Z* + ΔC1(X1)
Z’ = 6650 + -4 (0) = 6650 = Z’ = Z*
Z’ =
X1 =
X2 =
X3 =
X4 =
CAMBIOS EN TÉRMINO INDEPENDIENTE DE UNA RESTRICCIÓN
¿Cómo se afectan la función objetivo y la solución óptima, cuando cambia el

valor del lado derecho de una restricción (bi)?
Los cambios en los términos independientes bi requieren un análisis según

perteneciera a:
PPL MAX:
Z’ = Z* + Δbi (Yi)
Xi
REST. ACTIVA Z cambia.
cambia.
PPL MIN:
Z’ = Z* - Δbi (Yi)
Z no cambia. Xi NO
REST. NO ACTIVA Z’ = Z* cambia.
Donde Δ bi = bi’ - bi debe pertenecer al intervalo o rango permitido.

De lo contrario no debe tomarse en cuenta el valor del dual Yi.
90
¿Si varía el valor de Bi de una restricción Activa, como actúa la solución
EJEMPLO óptimo y el valor de la F.O.?
RESTRICCIONES:
𝑋1 + 𝑋2 + 𝑋3 + 𝑋4 = 950 →B1
𝑋4 ≥ 400 →B2 De B2 =400 a B2’ = 430
2𝑋1 + 3𝑋2 + 4𝑋3 + 7𝑋4 ≤ 4600 →B3 ΔB2 = B2’ – B2 = 430 – 400 = 30
3𝑋1 + 4𝑋2 + 5𝑋3 + 6𝑋4 ≤ 5000 →B4 ¿ΔB2= 30 pertenece al intervalo? SI 
Ya que B2 pertenece a Rest. Activa.
X1 = 0 -100 ≤ ΔB1 ≤ 50  Xi cambia.
X2 = 400 -125 ≤ ΔB2 ≤ 37.5
 Z* → Z’ cambia.
X3 = 150 -150 ≤ ΔB3 ≤ 250
X4 = 400 -250 ≤ ΔB4 ≤ ꝏ Z’ = Z* + ΔB2 (Y2)
Z’ = 6650 + 30 (-2) = 6590 = Z’
Rest. Activa →B1→ Y1 =3
Rest. Activa → B2→ Y2 =-2
Z* = 6650 Rest. Activa → B3→ Y3 =1
Rest. NO Activa → B4→ Y4 =0
Z’ =
X1=
X2=
X3=
X4=
¿Y si varía el valor de Bi de una restricción NO Activa, como actúa la

EJEMPLO solución óptimo y el valor de la F.O.?
RESTRICCIONES:
𝑋1 + 𝑋2 + 𝑋3 + 𝑋4 = 950 →B1
𝑋4 ≥ 400 →B2 De B4 =5000 a B4’ = 6000
2𝑋1 + 3𝑋2 + 4𝑋3 + 7𝑋4 ≤ 4600 →B3 ΔB4 = B4’ – B4 = 6000 – 5000 =1000
3𝑋1 + 4𝑋2 + 5𝑋3 + 6𝑋4 ≤ 5000 →B4 ¿ΔB4=1000 pertenece al intervalo? SI 
Ya que B4 pertenece a Rest. NO Activa.
X1 = 0 -100 ≤ ΔB1 ≤ 50  Xi no cambia.
X2 = 400 -125 ≤ ΔB2 ≤ 37.5
 Z’ → Z* no cambia.
X3 = 150 -150 ≤ ΔB3 ≤ 250
X4 = 400 -250 ≤ ΔB4 ≤ ꝏ Z’ = Z* + ΔB4 (Y4)
Z’ = 6650 + 1000 (0) = 6650 = Z’ = Z*
Z* = 6650 Rest. Activa → B3→ Y3 =1
91
Z’ =
X1=
X2=
X3=
X4=
8.5 Costo Reducido

Al inicio de este capítulo se brindó una breve interpretación de Costo
Reducido:
El Costo Reducido (CR) brinda información acerca de cómo cambia la

solución óptima del PL cuando se modifica el coeficiente de la FO en el caso
de una Variable No Básica (VNB)
Para cualquier Variable No Básica Xi, el CR es lo que debe mejorar el

coeficiente de la FO antes que el PL tenga una solución óptima en la que Xi
sea una Variable Básica (VB)
Xi VNB
Ci Ci’
Δ Ci =Ci’-Ci
Δ Ci =CR Δ Ci >CR
Sol. Óptima ∀ Solución

Alternas. con Xi VB
Ǝ Solución Ǝ Solución
con Xi VB con Xi VNB
El CR para Xi es la cantidad que le sobra o le falta a Xi para estar en la base

óptima.
PPL MAX Falta CR Debo aumentar
PPL MIN Sobra CR Debo disminuir

92
¿Y si el valor de un Ci de una Variable NO Básica se aumenta en más que su
EJEMPLO CR, cómo actúa la solución Óptima y el valor de la F.O.?
𝑴𝒂𝒙 𝑍 = 4𝑋1 + 6𝑋2 + 7𝑋3 + 8𝑋4 De C1 = 4 a C1’ = 6

ΔC1 = C1’ – C1 = 6 – 4 = 2
VNB  X1 =0 VNB  X1=0CR=1 ¿ΔC1= 2 es mayor que 1=CR? SI 
VB  X2 = 400
VB  X3 = 150 Ya que C1 pertenece a Var. NO Básicas.
VB  X4 = 400 Z* = 6650  X1 VNB → VB cambia.
 Z*→Z’ cambia.
Z’ = Z* + ΔC1(X1) no se puede usar.
Z’ =
X1 = ←VB
X2 =
X3 =
X4 =
¿Y si el valor de un Ci de una Variable NO Básica se aumenta en su CR,

EJEMPLO cómo actúa la solución Óptima y el valor de la F.O.?
𝑴𝒂𝒙 𝑍 = 4𝑋1 + 6𝑋2 + 7𝑋3 + 8𝑋4 De C1 = 4 a C1’ = 5

ΔC1 = C1’ – C1 = 5 – 4 = 1
VNB  X1 =0 VNB  X1=0CR=1 ¿ΔC1= 2 es igual que 1=CR? SI 
VB  X2 = 400
VB  X3 = 150 Ya que C1 pertenece a Var. NO Básicas.
VB  X4 = 400 Z* = 6650  Ǝ Sol. X1 VB.
 Z* no cambia →Sol. Óptimas
Alternas.
Z’ = Z* + ΔC1(X1) no se puede usar.
Recuerda que
por ser este
ejemplo un PPL
MAX, debemos Z’ = ←Sol. Óptima
aumentar, igual Alternativa
o más que su
CR. Si fuese de X1 = ←VB
MIN debemos X2 =
X3 =
disminuir, igual o
X4 =
más que su CR.
93
8.6 Precio Dual
Al inicio de este capítulo se brindó una breve interpretación de Precio Dual:
El precio Dual (PD), conocido también como Precio Sombra (PS), de la i-

ésima restricción de un PL es la cantidad en que mejora el valor Z óptimo
del PL si el Lado derecho (LD) aumenta una unidad.
Si después de un cambio en el Lado Derecho de una restricción la base

actual ya no es óptima, entonces podrán modificarse los PD de todas las
restricciones.
Vamos a variar el lado derecho de una restricción y veremos cómo afecta la

EJEMPLO solución óptima y el valor de la FO.
De B1 = 950 a B1’ = 951

X1 = 0 -100 ≤ ΔB1 ≤ 50
X2 = 400
ΔB1 = B1’ – B1 = 951 – 950 = 1
-125 ≤ ΔB2 ≤ 37.5 ¿ΔB1= 1 pertenece al intervalo? SI 
X3 = 150 -150 ≤ ΔB3 ≤ 250
X4 = 400 -250 ≤ ΔB4 ≤ ꝏ Ya que B1 pertenece a Var. NO Básicas.
 BASE ÓPTIMA no cambia.
Z* = 6650  Z* cambia
Rest. Activa → B3→ Y3 =1
Z’ = Z* + ΔB1 (Y1)
Z’ =6650+1(3)=6653
Vemos que si aumenta B1 de 950 a 951 (en 1), la FO aumenta en 3. ¿Y si aumento en 2 o

más? Y1 =3
+3 +3 +3
Z’ = Z’ = Z’ = Z’ =
X1 =
X2 = ← Base ← Base ← Base ← Base
Al decir Base X3 =
X4 =
óptima óptima óptima óptima
Óptima no
cambia, se refiere
a que X2, X3 y X4 +1 +1 +1
B1 = B1 = B1 = B1 =
seguirán siendo B2 =
B2 = B2 = B2 =
VB y que X1 B3 = B3 = B3 = B3 =
seguirá siendo B4 = B4 = B4 = B4 =
VNB.
No hace
referencia al valor
de Xi.
94
Esto se cumple, siempre que la ΔB1 pertenezca al intervalo permitido (-100 ≤
ΔB1 ≤ 50) para mantener la base óptima. De lo contrario, el nuevo valor de Z no
podría ser hallado mediante Z’ = Z* + ΔBi (Yi).
PPL MAX PD <0 PD >0
Bi disminuir en 1 Z↑ Z↓
Bi aumentar en 1 Z↓ Z↑
Recuerda que este ejemplo es un PL de Maximización, en un PL de Minimización el

nuevo valor de Z será hallado mediante Z’ = Z* - ΔBi (Yi), es decir, el Z* variará
también, de acuerdo a su precio Dual (Yi) de modificar algún valor de Bi.
PPL MIN PD <0 PD >0
Bi disminuir en 1 Z↓ Z↑
Bi aumentar en 1 Z↑ Z↓
Recuerda: Esto sucede siempre y cuando ΔBi pertenezca al intervalo

permisible.
95
PROPIEDADES
DE LA TABLA
SIMPLEX
9.1 Introducción
En este capítulo conoceremos la relación que posee la tabla óptima
entre sus valores. Y las posibles formas de encontrar el PL original a partir
de la tabla óptima, o completar la tabla únicamente como datos el PL
Original y una matriz.
96
9.2 Propiedades de una Tabla
Simplex
Para un PPL de la forma:
𝑴𝒂𝒙 𝑍 = 𝑪𝑋
𝑨𝑋 ≤ 𝑏
𝑋≥0
A partir de la 1era iteración (No la Sbi) hasta la última tabla (óptima), cada
tabla presenta la siguiente propiedad:
Var. Holgura
Base Z X1 X2 … Xn S1 S2 … Sm Solución
Z 1 T1=CBB-1A-C T2=CBB-1 T3=CBB-1b
XB 0 T4=B-1A T5=B-1 T6=B-1b
Veamos claramente la tabla:
T1=CBT1-C
T1=T2A-C
Base Z X1 X2 … Xn S1 S2 … Sm Solución
Z 1 T1=CBB-1A-C T2=CBB-1 T3=CBB-1b
XB 0 T4=B-1A T5=B-1 T6=B-1b
Tenemos el PPL Canónico

EJEMPLO
𝑴𝒂𝒙 𝑍 = 6𝑋1 − 𝑋2
2𝑋1 − 𝑋2 ≤ 2
𝑋1 ≤ 3
𝑋1 , 𝑋2 ≥ 0
¿Es posible completar la tabla óptima?
BASE Z X1 X2 S1 S2 Sol.
Z 1
X1 0 1/2 0
S2 0 -1/2 1
97
La tabla nos dice que la base
a) Completaremos la tabla por propiedades. XB = (𝑋𝑆1 ) → CB= (CX1, CS2)
2
BASE Z X1 X2 S1 S2 Sol.
Z 1
C=[6 −1] X1 0 1/2 0
S2 0 -1/2 1
𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 𝑴𝒂𝒙 𝑍 = 6𝑋1 − 1𝑋2 +0𝑆1 + 0𝑆2 CB=[6 0]
𝑨𝑋 ≤ 𝒃 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎
𝑋≥0
2𝑋1 − 𝑋2 + 𝑺𝟏 =2 2
b=[ ]
2 −1 𝑋1 +𝑺𝟐 = 3 3
A=[ ]
1 0 𝑋1 , 𝑋2 , 𝑺𝟏 , 𝑺𝟐 ≥ 0
Dato del Problema:

𝟏/𝟐 𝟎
* De la tabla → T5=B-1=[ ]
−𝟏/𝟐 𝟏
𝟐 −𝟏 2
* Del PPL → A=[ ], C=[𝟔 −𝟏], b=[ ] , CB=[𝟔 𝟎]
𝟏 𝟎 3
Reemplazando los datos en los T4, T3, T2, T1 y T6.

1/2 0 2 1
T6= B-1b = [ ] × [ ] → T6= [ ]
−1/2 1 3 2
1/2 0 2 −1 1 −1/2
T4= B-1A = [ ]×[ ]→ T4= [ ]
−1/2 1 1 0 0 1/2
1/2 0
T2= CBB-1= [6 0] × [ ] → T2=[3 0]
−1/2 1
2
T3= CBB-1b = T2b = [3 0] × [ ]→ T3=6
3
2 −1
T1= CBB-1A-C = T2 A - C=[3 0] × [ ] − [6 −1] → T1=[0 −2]
1 0
Completamos la tabla y verificamos que sea óptima:
BASE Z X1 X2 S1 S2 Sol. Ǝ Zj-Cj ≤ 0
Z 1 0 -2 3 0 6 No es óptimo
X1 0 1 -1/2 1/2 0 1
S2 0 0 1/2 -1/2 1 2
b) Resolvemos la tabla hasta hallar la tabla óptima.
Z X1 X2 S1 S2 Sol.
ITER. 1 0 -2 3 0 6
X1 0 1 -1/2 1/2 0 1
S2 0 0 1/2 -1/2 1 2 Zj-Cj ≥ 0
Es óptimo
ITER. 1 0 0 1 4 14
X1 0 1 0 0 1 3 Z*=14
X2 0 0 1 -1 2 4 𝑋 3
XB=[ 1 ] = [ ]
𝑋2 4
𝑆1 0
XN=[ ] = [ ]
𝑆2 0
98
¿Y si fuese al revés? Tenemos tabla óptima completa y deseamos conocer el
EJEMPLO PPL.
Zj-Cj ≥ 0
Entonces el PPL tiene la forma:
Z X1 X2 S1 S2 Sol. 𝑴𝒂𝒙 𝑍 = 𝑪𝑋
Z 1 0 0 1 4 14 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎
X1 0 1 0 0 1 3 𝑨𝑋 ≤ 𝒃
𝑋≥0
S2 0 0 1 -1 2 4
Debemos hallar A, b y C
Veamos la tabla con sus propiedades y veamos cuales son los datos que
Base Z X1 X2 … Xn S1 S2 … Sm Solución Z X1 X2 S1 S2 Sol.

T1 T2 T3
Z 1 T1=CBB-1A-C T2=CBB-1 T3=CBB-1b Z 1 0 0 1 4 14
T4 T5 T6
X1 0 1 0 0 1 3
XB 0 T4=B-1A T5=B-1 T6=B-1b
S2 0 0 1 -1 2 4
①Datos de la tabla:
T1 =[0 0] T2 =[1 4] T3 =14
1 0 0 1 3
T4=[ ] T5=[ ] T6=[ ]
0 1 −1 2 4
Sabemos que un factor en común entre T1, T2, T3, T4, T5 y T6 es B-1, que de
desaparecer nos daría los valores que deseamos hallar. ¿Cómo desaparecer
el B-1? Sabemos que BxB-1=1 entonces hallaremos B para hallar los valores
de A, b y C.
-1 𝟎 𝟏
②Sabemos que B =T5=[ ] , hallando la matriz inversa de B-1
−𝟏 𝟐
porque (B-1)-1=B
-1
B Matriz identidad
0 0 1 0
−1 2 0 1
Aplicaré –F2+F1→F1
1 −1 1 −1
−1 2 0 1
Aplicaré F1+F2→F2
1 −1 1 −1
0 1 1 1
Aplicaré F2+F1→F1
1 0 2 −1
0 1 1 1
𝟐 −𝟏
Matriz identidad B Entonces: (B ) = B
-1 -1
=[ ]
𝟏 𝟐
99
③ Hallando A, b y C:
Si T4= B-1A entonces BT4= BB-1A = A 2 −1 𝟏 𝟎

BT4= [ ]× [ ]= [2 −1] = A
BT4= A 1 2 𝟎 𝟏 1 0
Si T6=B-1b entonces BT6=BB-1b = b 2 −1

BT6= [ ] × [𝟑]= [2] = b
BT6= b 1 2 𝟒 3
Si T1=CBB-1A-C entonces T1=T2A-C, despejo C= T2A- T1

T2=CBB-1
2 −1
T2A- T1= [1 4] × [ ] − [𝟎 𝟎] = C
1 2
[6 −1] = C
④Entonces con los valores hallados el PPL será:

A = [𝟐𝟏 −𝟏 2
] , b = [ ] , C = [6 −1] → 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎
𝟎 3 𝑨𝑋 ≤ 𝒃
𝑋≥0
𝑴𝒂𝒙 𝑍 = 6𝑋1 − 1𝑋2

2𝑋1 − 1𝑋2 ≤ 2
1𝑋1 ≤3
𝑋1 , 𝑋2 ≥ 0
9.3 Ejemplos
Dada la siguiente tabla óptima, hallar el PPL.
1 Zj-Cj ≥ 0
Entonces el PPL tiene la forma:
T1 T2 T3 𝑴𝒂𝒙 𝑍 = 𝑪𝑋
T4 T5 T6 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎
𝑨𝑋 ≤ 𝒃
𝑋≥0
Debemos hallar A, b y C
Veamos la tabla con sus propiedades y veamos cuales son los datos que
Datos de la tabla:
T1 =[4 0 0] T2 =[1 2 0] T3 =1350
−0.25 1 0 0.5 −0.25 0 100
T4=[ 1.5 0 1] T5=[ 0 0.5 0] T6=[230]
2 0 0 −2 1 1 20
100
Sabemos que un factor en común entre T1, T2, T3, T4, T5 y T6 es B-1, que de
desaparecer nos daría los valores que deseamos hallar. ¿Cómo desaparecer
el B-1? Sabemos que BxB-1=1 entonces hallaremos B para hallar los valores
de A, b y C.
0.5 −0.25 0
-1
Sabemos que B =T5=[ 0 0.5 0], hallando la matriz inversa de B
-1
−2 1 1
porque (B-1)-1=B
-1
B matriz identidad
1 −1/2 0 2 0 0
1/2 −1/4 0 1 0 0
0 1 0 0 2 0
0 1/2 0 0 1 0
0 0 1 4 0 1
−2 1 1 0 0 1
Aplicaré (2)*F2 → F2
Aplicaré (2)*F1 → F1
1 −1/2 0 2 0 0 1 0 0 2 1 0
0 1/2 0 0 1 0 0 1 0 0 2 0
−2 1 1 0 0 1 0 0 1 4 0 1
Aplicaré F3 + (2)*F1 → F3 matriz identidad B
1 −1/2 0 2 0 0
0 1/2 0 0 1 0
0 0 1 4 0 1 𝟐 𝟏 𝟎
Entonces: (B ) = B = [𝟎
-1 -1
𝟐 𝟎]
𝟒 𝟎 𝟏
Hallando A, b y C:
Si T4= B-1A entonces BT4= BB-1A = A

BT4= A
2 1 0 −0.25 1 0 1 2 1
BT4= [0 2 0 ] × [ 1.5 0 1 ]= [ 3 0 2] = A
4 0 1 2 0 0 1 4 0
Si T6=B-1b entonces BT6=BB-1b = b

BT6= b
2 1 0 100 430
BT6= [0 2 0] × [230]= [460] = b
4 0 1 20 420
Si T1=CBB-1A-C entonces T1=T2A-C, despejo C= T2A- T1

T2=CBB-1
1 2 1
T2A- T1= [𝟏 𝟐 𝟎] × [3 0 2] − [𝟒 𝟎 𝟎] = C
1 4 0
[3 2 5] = C
101
Entonces con los valores hallados el PPL será:
𝟏 𝟐 𝟏 430 𝑴𝒂𝒙 𝑍 = 𝑪𝑋
A= [𝟑𝟏 𝟎 𝟐] , b = [460] , C = [𝟑 𝟐 𝟓] → 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎
𝟒 𝟎 420 𝑨𝑋 ≤ 𝒃
𝑋≥0
𝑴𝒂𝒙 𝑍 = 3𝑋1 + 2𝑋2 + 5𝑋3

1𝑋1 + 2𝑋2 + 1𝑋3 ≤ 430
3𝑋1 + 2𝑋3 ≤ 460
1𝑋1 + 4𝑋2 ≤ 420
𝑋1 , 𝑋2 , 𝑋3 ≥ 0
Dada el PPL de Maximización.

2
𝑴𝒂𝒙 𝑍 = 3𝑋1 + 2𝑋2 + 5𝑋3
1𝑋1 + 2𝑋2 + 1𝑋3 ≤ 430
3𝑋1 + 2𝑋3 ≤ 460
1𝑋1 + 4𝑋2 ≤ 420
𝑋1 , 𝑋2 , 𝑋3 ≥ 0
Y se obtiene la siguiente tabla óptima
a) Completaremos la tabla por propiedades.

La tabla nos dice que la base
𝑋1
C=[3 2 5] XB = (𝑋3) → CB= (CX1, CX3,
𝑆3
CS3)
𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 𝑴𝒂𝒙 𝑍 = 3𝑋1 + 2𝑋2 + 5𝑋3 + 0𝑆1 + 0𝑆2 + 0𝑆3 CB=[3 5 0]
𝑨𝑋 ≤ 𝒃
𝑋≥0 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎
1𝑋1 + 2𝑋2 + 1𝑋3 + 0𝑆1 = 430 430
3𝑋1 + 2𝑋3 +0𝑆2 = 460
b=[460]
1 2 1 420
A=[3 0 2] 1𝑋1 + 4𝑋2 +0𝑆3 = 420
1 4 0 𝑋1 , 𝑋2 , 𝑋3 ≥ 0
102
Dato del Problema:
𝟏/𝟐 −𝟏/𝟒 𝟎
* De la tabla → T5=B-1=[ 𝟎 𝟏/𝟐 𝟎]
−𝟐 𝟏 𝟏
1 2 1 430
* Del PPL → A=[3 0 2], C=[3 2 5], b=[460] , CB=[3 5 0]
1 4 0 420
Reemplazando los datos en los T4, T3, T2, T1 y T6.

1/2 −1/4 0 430 100
T6= B-1b = [ 0 1/2 0] × [460] → T6= [230]
−2 1 1 420 20
1/2 −1/4 0 1 2 1 −1/2 1 0
-1
T 4= B A = [ 0 1/2 0] × [3 0 2]→ T4= [ 1/2 0 10]
−2 1 1 1 4 0 2 0 0
1/2 −1/4 0
T2= CBB-1= [6 5 0] × [ 0 1/2 0] → T2=[1 2 0]
−2 1 1
430
T3= CBB-1b = T2b = [1 2 0] × [460]→ T3=1350
420
1 2 1
T1= CBB-1A-C = T2 A - C=[1 2 0] × [3 0 2] − [3 2 5] → T1=[4 0 0]
1 4 0
Completamos la tabla y verificamos que sea óptima:
∀ Zj-Cj ≥ 0
Es óptimo
Z*=1350
𝑋1
3
XB=[𝑋3 ] = [ ]
4
𝑋3
𝑋2
0
XN=[ 𝑆1 ] = [ ]
0
𝑆2
9.4 Ejercicios
PPL Canónico
Cuya Sol. Óptima origina la siguiente tabla:
𝑴𝒂𝒙 𝑍 − 200𝑋1 − 300𝑋2 = 0
𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 Z X1 X2 S1 S2 Sol.
2 iter. 1
4𝑋1 + 4𝑋2 ≤ 36
X1 0 1/2 -1/3
3𝑋1 + 6𝑋2 ≤ 48
X2 0 -1/4 1/3
𝑋𝑖 ≥ 0 𝑖 = 1,2 Se pide completar la tabla por propiedades.
103
Forma Canónica: Cuya Sol. Óptima origina la siguiente tabla:
𝑴𝒊𝒏 𝑍 = 𝑋1 − 2𝑋2
−𝑋1 + 𝑋2 ≤ 2
𝑋1 + 𝑋2 ≤ 5
Se pide completar la tabla por propiedades.
𝑋𝑖 ≥ 0 𝑖 = 1,2

𝑴𝒂𝒙 𝑍 = 𝑋1 + 2𝑋2
Z X1 X2 S1 S2 Sol.
ITER. 1
−2𝑋1 + 𝑋2 ≤ 7 X2 0 1 0
𝑋1 − 𝑋2 ≤ 2 S2 0 1 1
Se pide completar la tabla por propiedades.
𝑋𝑖 ≥ 0 𝑖 = 1,2

𝑴𝒂𝒙 𝑍 = 15𝑋1 + 30𝑋2
Z X1 X2 S1 S2 Sol.
ITER. 1
4𝑋1 + 𝑋2 ≤ 36
S1 0 1 -1/2
𝑋1 + 2𝑋2 ≤ 30
X2 0 0 1/2
𝑋𝑖 ≥ 0 𝑖 = 1,2 Se pide completar la tabla por propiedades.
Dada la siguiente Tabla Óptima, hallar el PPL original.

Z X1 X2 S1 S2 Sol.
2DA
ITER. 1 0 0 0 2 12
X1 0 1 0 -1/2 1/2 5/2
X2 0 0 1 -3/2 1/2 3/2
Z X1 X2 S1 S2 Sol.
2DA
ITER. 1 0 0 1 4 14
X1 0 1 0 0 1 3
X2 0 0 1 -1 2 4
Z X1 X2 S1 S2 Sol.
2DA
ITER. 1 0 0 0 15 450
X1 0 1 0 2/7 -1/7 6
X2 0 0 1 -1/7 4/7 12
104
OPTIMIZACIÓN:
MÉTODO
TRANSPORTE
10.1 Definición
El problema clásico de transporte se presenta cuando se debe
determinar un programa óptimo de envíos que:
a) Se originan en fuentes (centros de distribución) donde se tienen
disponibilidades de un bien.
b) Son enviados directamente a sus destinos finales (centros de
demanda) donde se requieren varias cantidades fijas.
c) Cumplen que la demanda total sea igual a la oferta total
d) El costo satisface una función objetivo lineal. O sea, el costo de
cada embarque es proporcional a la cantidad embarcada y el
costo total es la suma de los costos individuales
105
El modelo de transporte puede ser usado en otras áreas, por ejemplo el
control de inventarios u horario de empleos, etc.
Costo de enviar una unidad Cantidad que deben ser

desde el i-ésimo origen hasta enviadas del origen i al
el j-ésimo destino. destino j
Origen Destino
Cantidad disponible en a1 1 C11X11 1 b1

el origen 1. Cantidad requerida en
el destino 1.
a2 2 2 b2
ai CijXij bi
i j
Número de orígenes. Número de destinos.
am m n bm
Oferta Demanda
Disponibilidad Requerimiento
Para contemplar todos los elementos involucrados en el problema, se

acostumbra hacer una tabla llamada TABLA DE TRANSPORTE, en la
siguiente forma:
DESTINO
OFERTA
1 2 … j n
C11 C12 … C1j C1n
1 a1
X11 X12 … X1j X1n
Cantidad que deben ser C21 C22 … C2j C2n
2 a2
enviadas del origen i al destino j X21 X22 … X2j X2n
Costo de enviar una
… … … … … unidad desde el i-ésimo
ORIGEN … …
… … … … … origen hasta el j-ésimo
destino.
Ci1 Ci2 … Cij Cin
i ai
Xi1 Xi2 … Xij Xin
Cm1 Cm2 … Cmj Cmn
m am
Xm1 Xm2 … Xmj Xmn
∑ 𝑏𝑖 ∑ 𝑎𝑗
DEMANDA b1 b2 … bj bn ∑ 𝑏𝑖 ∑ 𝑎𝑗
Por tanto el modelo matemático del problema de transporte es:
Encontrar Xij tales que:

𝑚 𝑛
𝑴𝒊𝒏 𝑍 = ∑ ∑ 𝐶𝑖𝑗 𝑋𝑖𝑗

𝑖=1 𝑗=1
𝑛
Por disponibilidades/Oferta ∑ 𝑋𝑖𝑗 = 𝑎𝑖 𝑖 = 1,2, … , 𝑚 … ①

𝑗=1
𝑚
Por requerimientos/Demanda
∑ 𝑋𝑖𝑗 = 𝑏𝑗 𝑗 = 1,2, … , 𝑛… ②
𝑖=1
𝑋𝑖𝑗 ≥ 0 ∀ 𝑖, 𝑗
106
Según el sistema de restricciones, para que el problema tenga solución
factible se tiene que la suma de las ecuaciones ① debe ser igual a la suma
de las ecuaciones ②:
∑ 𝑎𝑖 = ∑ 𝑏𝑗
𝑖 𝑗
Oferta = Demanda
El problema de transporte también se puede resolver por el Simplex, por su

forma tiene su propio método solución.
PROCEDIMIENTO INICIAL
Antes de aplicar algún método de Transporte, se halla la Solución Básica
Inicial (lo que en el Simplex es la 1ra tabla llamada también Sbi). Para esto
hay varios métodos de solución:
֍ Método de la esquina nor-oeste (N – O)
֍ Método de la Costos Mínimos.
֍ Método de Vogel.
֍ Método de Russell.
Después de hallar la Solución Básica Inicial (Sbi) ya podemos aplicar el
método propio de transporte (Método UV).
10.2 Propiedades
Teorema 1.- El problema de transporte tiene una solución posible.
Teorema 2.- Una base para el problema de transporte consiste de m+n-1
vectores linealmente independientes (#origen + #destinos -1 restricciones).
¿Teorema 2?
El departamento de transporte de una compañía
tiene el problema de distribuir su producto de sus
dos plantas de producción a sus tres almacenes,
las producciones mensuales de las plantas son
conocidas, al igual que los requerimientos de los
almacenes, además se conoce el costo unitario
de embarque de cada planta a cada almacén. El
problema es determinar qué plantas deben
abastecer a qué almacenes de manera que se Debe observarse en este sistema que cualquiera de las restricciones se
minimicen los costos totales de transporte. puede expresar como una combinación de las otras, Por ejemplo la
restricción 2 es igual a la suma de las restricciones 3, 4 y 5, menos la
restricción 1, esto es:
Por lo tanto, al resolver el problema de programación lineal sólo se

considerarán 4 restricciones de las 5, eliminando cualquiera de ellas.
El problema corresponde a uno de Programación El problema de transporte con m puntos de origen y n puntos de
Lineal. Sea Xij el número de unidades de destino tiene m + n ecuaciones de restricción. Pero, dado que siempre
producto que se envíande la planta i al almacén j. está equilibrado (suma de la oferta es igual a la suma de la demanda),
Dado que para este problema el total de una de las ecuaciones debe ser redundante. Así, el modelo tiene m + n
disponibilidades es igual al total de - 1 ecuaciones de restricción independientes, lo que significa que la
requerimientos, aparecerán igualdades en las solución básica inicial tiene m + n – 1 variables básicas.
restricciones. El problema consiste en: 107
10.3 Sbi: Método Esquina N-O
1. Comenzando desde la esquina noroeste de las celdas disponibles (al
inicio, la celda correspondiente a X11). Realizar la mayor asignación
posible dentro de los límites de la oferta y demanda: X11 = min (a1, b1)
2. Ajuste las cantidades asociadas de Oferta y Demanda restando la
cantidad asignada.
3. Marcar la columna o fila cuya oferta o demanda haya sido satisfecha, y
volver al paso 1 hasta que todas las asignaciones hayan sido realizadas.
Puede haber dos casos:

i) a1<b1 → b’1 = b1–a1 (nos movemos verticalmente)
X11 = a1 y pasamos a la celda (2,1) donde X21 = min (a2, b’1)
ii) a1>b1 → a’1 = a1–b1 (nos movemos horizontalmente)
X11 = b1 y pasamos a la celda (1,2) donde X12 = min (a’1, b2)
Así se continúa hasta obtener la solución factible básica inicial.
RESUMEN
֍ Chequear oferta = demanda
֍ Asignar lo máximo posible (unidades) a la esquina nor-oeste del cuadro de
envíos que quede.
Habiendo halla la Solución Básica Inicial (Sbi), ya podemos hallar la solución

óptima mediante el Método UV.
10.4 Sol. Óptima: Método UV

También llamado Método de Distribución Modificada (MODI). El método
consiste en asignar a cada una de las restricciones su variable dual,
correspondiendo una variable dual a cada columna y a cada fila en la tabla
de transporte, teniendo un conjunto de m+n variables duales, de las cuales
m+n-1 son independientes y una es redundante.
Los pasos a seguir son:

1.-Determinación de una solución inicial básica factible (Método N-O)
2.-Prueba de la solución respecto de la condición de optimalidad.
3.-Mejora de la solución cuando no es óptima.
4.-Repetir los pasos 2 y 3 hasta obtener solución óptima
108
Veamos un ejemplo el procedimiento con un ejemplo. Partiremos hallando
la Sbi para luego aplicar el Método UV.
Una empresa distribuidora desea establecer un plano de distribución de una

EJEMPLO misma clase de productos desde sus 3 almacenes para sus 4 clientes. Los
datos sobre costos de transporte por unidad de producto, las demandas y
las ofertas son dados en la siguiente tabla.
Formulando el problema de otro modo:
Costo de envío. Cantidad por enviar
Almacén Cliente
700 10X11 500

1 1
800 2 2 300
400 500
3 3
Oferta
4 600
Demanda
Aplicamos el Método Nor-Oeste.

PASO 1 Obtendremos la Matriz Cij
Solución
Básica
Inicial
109
Considerando la Solución Inicial hallada por el método N-O
PASO 2 Aplicamos el Método UV (o MODI) para hallar la solución
óptima.
Iniciamos la 1era iteración.-

Planteamos la Matriz de Costos (Zij), vemos si es óptima, y de acuerdo a
ello iteramos.
①Planteamos la Matriz de Costos Zij
Para construir el conjunto ui y vj.

Se construye un conjunto de número ui y vj tal que la suma será igual a los valores de la
matriz Zij (del paso 1).
Primero, las celdas básicas (sombreadas):

Iniciamos V1 = 0 y Z11=10, como V1 + U1 = 10 entonces U1=10
arbitrariamente con U1=10 y Z12=11, como U1 + V2 = 11 entonces V2=1
V1=0. (Ó se podría V2=1 y Z22=9 , como U2 + V2 = 9 entonces U2 = 8
iniciar con U1 = 0) U2 = 8 y Z23=12, como U2 + V3 = 12 entonces V3 =4
V3 =4 y Z24=10, como U2 + V4 = 10 entonces V4 =2
V4 =2 y Z33=12, como U3 + V4 = 13 entonces U3 =11
Dato del paso 1
Ya hallados todos los valores de ui y vj se completa las celdas vacías con la suma de los ui
y vj en la matriz Zij que contiene los costos de la variable solución.
Iniciamos con V1=0 y

solo trabajo en los
recuadros sombreados.
Luego completamos con

Zij = ui + vj
La Base Posible
(Inicial) se ②Hallo F.O.: Z = Cij - Zij
verifica que no
es óptima.
En toda base posible las VB deben tener coeficiente cero en la F.O.
CONDICIÓN DE OPTIMALIDAD.- Cij – Zij>0 110

Verifico que no haya valores < 0
¡SI LO HAY!  → Habrá que iterar.
③Nueva Base Posible
①Variable de Entrada: Ubico la Variable de Entrada y Salida:
VE=Min {(Cij-Zij)/ Cij-
Zij<0}
②Ubicamos la celda de
la VE y colocamos el
signo +. Armamos el
ciclo que irá avanzado
hacia arriba, abajo,
derecha o izquierda
colando un signo
contrario cada vez (+ ↔
-) en cada celda
③Variable de Salida:
VS=Min {Variables
Básicas con etiqueta “-
”}
④Ahora sumamos y Sumando y restando 400 (VS) donde corresponda tendremos:
restamos donde
corresponda, según
haya un + o -
respectivamente.
Iniciamos la 2da iteración.- Repito los pasos 1,2 y3

Planteamos la Matriz de Costos (Zij), evaluamos su Optimalidad y de
acuerdo a ello iteramos.
①Planteamos la Matriz de Costos Zij y construyo los ui y vj.
Zij = ui + vj
②Hallo F.O.: Z = Cij - Zij
CONDICIÓN DE OPTIMALIDAD.- Cij – Zij>0

¡SI LO HAY!  → Habrá otra iteración.
111
③Nueva base posible.
Ubico la Variable de Entrada y Salida:
¿Y si la oferta ≠ Demanda?
Iniciamos la 3cera iteración.- Repito los pasos 1,2 y3

Planteamos la Matriz de Costos (Zij), evaluamos su Optimalidad y de


112
Iniciamos la 4ta iteración.- Repito los pasos 1,2 y3
Planteamos la Matriz de Costos (Zij), evaluamos su optimalidad y de
LA BASE POSIBLE
SE VERIFICA QUE ②Hallo F.O.: Z = Cij - Zij
SÍ ES ÓPTIMA. 

¡TODOS SON POSITIVOS! 
Encontramos la Sol. Óptima.
Ya no desarrollo el paso 3 porque ya es óptima la base.

Entonces la Solución Óptima será la nueva base posible de la iteración 3.
Entonces la cantidad a distribuir desde un almacén a un cliente será:
113
Con el costo mínimo de:
CT = 500*10+200*11+200*9+600*10+300*11+100*10
CT = 19300
Supongamos que una empresa productora de barras de pan tiene dos

EJEMPLO almacenes A1 y A2 desde los cuales debe enviar pan a tres panaderías P1,
P2 y P3. Las ofertas, las demandas y los costes de envío se dan en el
siguiente grafo.
P1 1500
8
2000 A1 6
10
P2 2000
10
4
2500 A2 9
P3 1000
Formulando el problema de otro modo:

114
óptima.
Iniciamos la 1era iteración.-

Iniciamos con V1=0 y

solo trabajo en los
recuadros sombreados.
Luego completamos con
Zij = ui + vj


Iniciamos la 2da iteración.-

115



CT = 500*8+500*10+2000*4+500*9
CT = 21500
116
10.5 Caso: Oferta ≠ Demanda
Hasta ahora hemos tratado casos en los que el problema está balanceado,
es decir, la Oferta es igual a la Demanda. ¿Pero si no lo fuese? Existen dos
casos:
Oferta > Demanda Agregar Destino ficticio n+1 Costo Ci, n+1=Más Alto
Oferta < Demanda Agregar Origen ficticio m+1 Costo Cm+1,j=Más alto
Veamos algunos casos de planteamiento:

¡Siempre aumentar!
50
Cuando la oferta es
45 mayor a la demanda 50
50 Agrego Destino ficticio n+1=4+1=5

para igualar Oferta = Demanda.
40 40
50
Cuando la oferta es
50 menor a la demanda
Agrego Origen ficticio n+1=3+1=4 para

igualar Oferta = Demanda.
Recuerda:
Al hallar la solución Óptima y tener una cantidad a

enviar al destino ficticio 5, estás no serán
enviadas. Equivalen a dejarlas en el almacén.
Al hallar la solución Óptima y tener una

cantidad a enviar por parte del almacén
ficticio 4, estás no serán enviadas.
117
Tenemos el siguiente planteamiento:
EJEMPLO
Verifiquemos si esta balanceado.

¡Costo de envío arbitrario ALTO!
90
La oferta es mayor a
80 la demanda 90
90 Agrego Destino ficticio n+1=3+1=4

para igualar Oferta = Demanda.
Ya podemos resolver el problema:

CT = 20*10+10*12+20*8+10*12+20*10+10*10 = 900
118
óptima.
Iniciamos la 1era iteración. -

CONDICIÓN DE OPTIMALIDAD. - Cij – Zij>0


Iniciamos la 2da iteración. -

119


Iniciamos la 3cera iteración. -

CONDICIÓN DE OPTIMALIDAD. - Cij – Zij>0

120
F es un destino Ficticio, por ende, la cantidad 10 que supuestamente

deberá ser enviada al destino F del almacén C, no será enviada.
Equivale decir, que 10 productos de dejarán en el almacén C.
Dejando 10 productos en el almacén C sin enviar.

CT = 30*8+30*8+20*8
CT = 640
10.6 Sbi: Método Costos Mínimos.

Procedimiento:
1. Elija la celda disponible con el menor costo de toda la tabla, y realice la
asignación máxima permitida por las restricciones de oferta y demanda.
cantidad asignada.
Halla la Solución Básica Inicial del siguiente problema:

EJEMPLO
∑ 𝑎𝑖 = ∑ 𝑏𝑗 =275
121
Situando la solución en la tabla:
¡Siempre actualizar oferta y demanda!
④Las celdas que quedan se llenan
automáticamente: Min (50,90) =50, ①Elegimos el menor costo (12) y hallamos
Min (40,25) = 25, Min (15,15) =15
la asignación máxima: min (70, 95) = 70
②Elegimos el siguiente menor costo

③Elegimos el siguiente menor costo (15) y hallamos la
(14) y hallamos la asignación máxima:
asignación máxima. En este caso elegimos arbitrariamente
min (115, 60) = 60
entre las 3 opciones. Min (55,70) =55
El costo de esta solución es:
CT = 12x70 + 15x50 + 26x15 + 25x25 +14x60 + 15x55

CT = 4270
La solución encontrada por el método del Costo Mínimo está más cerca al
óptimo que la solución que puede ser encontrada por el Método Esquina
Nor-Oeste.
10.7 Sbi: Método de

Aproximación de Voguel.
Existe otro método para lograr hallar una Sbi, es el método de
Aproximación de Voguel, cuyo procedimiento es el siguiente:
1. Para cada fila. Ubique las celdas con los dos menores costos de entre las
disponibles. Halle la diferencia entre estos costos (penalidad) y escriba el
resultado al lado del valor de Suministros para esa fila.
122
2. Para cada columna. Realice la misma operación, la penalidad irá al lado
del valor de Requisitos para la columna.
3. Elija la fila ó columna que tenga la mayor penalidad asociada.
4. De la fila ó columna elegida, elija la celda con el menor costo y realice la
asignación máxima permitida por las restricciones de oferta y demanda.
cantidad asignada.
¿Penalización?
El valor de penalización refleja el costo extra (ó ganancia perdida) que resultaría el
realizar una asignación en la casilla de costo superior a la actualmente disponible
para la fila o columna.
Penalización
Penalización
Por ejemplo, en la tabla. Para la fila 2, la celda de costo menor corresponde a (2,1) y
la celda de costo inmediato superior es (2,2). La penalización de la fila 2 = 40 nos
dice que por cada unidad que no es asignada a (2,1) sino a (2,2) tendremos un
costo extra de 40. Al ser la mayor penalización para la tabla, estamos seguros que es
la que menos conviene pagar, y por lo tanto se realiza la asignación en la celda de
menor costo para esa fila/columna.
Halla la Solución Básica Inicial del siguiente problema:

EJEMPLO
∑ 𝑎𝑖 = ∑ 𝑏𝑗 =275
Situando la solución en la tabla:

①Hallo la Penalidad: Ubico los dos menores costos por fila y columna, y resto.
𝑃𝑒𝑛𝑎𝑙𝑖𝑑𝑎𝑑
123
𝑃𝑒𝑛𝑎𝑙𝑖𝑑𝑎𝑑
②Entre todos los valores de las penalidades, comparo y elijo la MAYOR, de
esta fila o columna elegida, elijo el MENOR costo.
Observamos que existen dos penalidades iguales de la fila 2 y columna2.
Elegimos la columna 2 y elegimos la celda que contiene el menor costo
(14); luego introducimos la base.
Elegimos la mayor penalidad arbitrariamente (6-columna 2)

y asignamos al menor costo (14): Min (115,60) = 60
Se elimina la columna 2 (Ya no trabajamos con dicha columna).
③Hallo la nueva ¡Siempre actualizar oferta y demanda!

penalidad:
④Elijo la mayor penalidad y

asigno al menor costo:
Elegimos la mayor penalidad (10 -fila 2) y

asignamos al menor costo (15): Min (90,50) = 50
⑤Hallo la nueva
penalidad:
124
Como 5 es la mayor penalidad y está en la columna 4, buscamos en
esta columna el menor costo (12) y hacemos la asignación. ⑥Elijo la mayor penalidad y
⑦Hallo la nueva Elegimos la mayor penalidad (5 -columna 4) y

penalidad: asignamos al menor costo (15): Min (70,95) = 70
⑧Elijo la mayor penalidad y

Elegimos la mayor penalidad (11 -columna 3) y

⑨Hallo la nueva asignamos al menor costo (15): Min (70,55) = 55
penalidad:
⑩Elijo la mayor penalidad y

Finalmente asigno el Min (40,1) = 15 y

el Min (25,25) =25.
125
Entonces, tenemos lo siguiente:
El costo de esta solución básica inicial es:
CT= 12x70 + 15x50 +26x15+25x25+14x60+15x55

CT= 840 + 750 + 390 + 625 + 840 + 825
CT = 4270
10.8 Ejercicios
Ejercicio 3 Ejercicio 4
126
127

Libro Investigacion de Operaciones 1 - Lucio Malasquez 2016

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Libro Investigacion de Operaciones 1 - Lucio Malasquez 2016

Загружено:

Авторское право:

Доступные форматы

UNIVERSIDAD NACIONAL MAYOR DE

FACULTAD DE INGENIERÍA DE SISTEMAS E INFORMÁTICA

Cardenas Gonzales, Gabriela Stephanie

INTRODUCCIÓN A LA INVESTIGACIÓN DE OPERACIONES

PROGRAMACIÓN LINEAL: MODELO

MÉTODOS DE SOLUCIÓN GRÁFICA

MÉTODO DE VARIABLES ARTIFICIALES

PROGRAMACIÓN LINEAL CON LINDO

PROPIEDAD DE LA TABLA SIMPLEX

OPTMIZACIÓN: Método Transporte

En esta disciplina se destacan las siguientes características esenciales:

En base a estas propiedades, una posible definición es: la Investigación

Una definición completa:

Según texto (Lawrence y Pasternak, 1998)

A la que en mi opinión solo le faltaría incluir el objetivo general de la IO: estudiar la

Resumiendo los puntos más importantes a denotar:

Sistema ineficiente Sistema eficiente

Un proceso de decisión respecto a la política de inventarios en una

Con respecto al INVENTARIO y según estos OBJETIVOS:

1.3. Clasificación de problemas

Optimización Optimización Planificación de Análisis de

Programación Métodos Programación Procesos

Transporte y Métodos de Modelos de

Características importantes de la IO:

- Orientación del estudio hacia el sistema y no hacia un problema en particular.

Una vez clasificados los problemas de Investigación Operativa, pasamos a

Fig5. Metodología de la Investigación Operativa

Paso 1. Definición del problema, se debe tener en cuenta un buen plan de

Ahora veamos las fases de un estudio de la Investigación de Operaciones.

1.- Planteo y Análisis del problema

Observar que el problema es UNO SOLO, sin embargo existen maneras

1.5. Modelo Matemático

La programación matemática es un área de la matemática que se preocupa,

Entonces, un modelo matemático es una representación idealizada y

Y queda definido por:

Función Objetivo (F.O.) 𝑍 = 𝑓 (𝒙𝟏 , 𝒙𝟐 , … , 𝒙𝒏 )

Podemos considerar la situación como un problema de toma de

Analicemos y respondamos las preguntas:

 Duración de Viaje : 5 semanas

A L A Comprar cinco boletos normales L-A-L para salir el lunes y

La restricción en estas opciones es que pueda salir de Lima el lunes y

Un criterio objetivo obvio para evaluar la alternativa propuesta es el

La alternativa 3 es la mejor porque es la más económica. 

Aunque el ejemplo anterior ilustra los tres componentes principales

Considere la formación de un rectángulo de área máxima con un trozo de

w = ancho del rectángulo en pulgadas,

Con base en estas definiciones, las restricciones de la situación pueden

1. Ancho del rectángulo + altura del rectángulo = la mitad de la

Estas restricciones se traducen de manera algebraica como sigue

Si Z se define como el área del rectángulo, el modelo completo es:

Utilizando cálculo diferencial, la mejor solución de este modelo es

Con los datos de los dos ejemplos anteriores, el modelo general de

Maximizar o minimizar Función Objetivo

Una solución del modelo es factible si satisface todas las restricciones; es

2.1 Programación Lineal

Un modelo de PL consta de:

𝒈𝒊 (𝒙𝟏 , 𝒙𝟐 , … , 𝒙𝒏 ) = 𝒂𝒊𝟏 𝒙𝟏 + 𝒂𝒊𝟐 𝒙𝟏 + ⋯ + 𝒂𝒊𝒎 𝒙𝒏 = ∑ 𝒂𝒊𝒋 𝒙𝒋 𝑗 = 1,2, … , 𝑚

2.1.3. Variables.- Factores mensurables que dan sustentación al problema.

2.1.4. Parámetros.- Condiciones mensurables, inherentes a la estructura

2.3 Suposición del modelo de

F.O.= objetivo del problema

Restricciones = limitaciones del sistema

2.4 Interpretación económica