REPUBLICA BOLIVARIANA DE VENEZUELA

UPTLL

CALABOZO EDO GUARICO

METODO SIMPLEX

ELABORADO POR:

Calabozo, Noviembre de 2019

METODO SIMPLEX
 El método simplex cuya gran virtud es su sencillez, es un método muy práctico, ya
que solo trabaja con los coeficientes de la función objetivo y de las restricciones.

Ilustraremos su funcionamiento mediante un ejemplo, pero previamente mostraremos

las reglas de decisión para determinar la variable que entra, la que sale, la gran M, y cómo
determinar que estamos en el óptimo; Todas éstas reglas de decisión fueron deducidas del
método algebraico, solamente que aquí se han acomodado para ser usadas en el tipo de
tablero símplex que se usará.

Criterio de decisión Maximizar Minimizar

Gran M en la
- MXj +MXj
función objetivo

La más negativa de La más positiva de

Variable que entra
los Zj - Cj los Zj - Cj

La menos positiva

La menos positiva de los b/a ,

de los b/a , Siendo a > 0 , de lo

Variable que sale Siendo a > 0 , de lo contrario

contrario no restringe a la

no restringe variable que

entra

Cuando todos los Zj Cuando todos los Zj

Solución óptima
– Cj > 0 – Cj < 0

Tipos de restricciones
  Restricciones (

Se añade una variable de holgura, con costo (o ganancia) en la función objetivo igual
a 0.

Ejm:

2X1 - 4X2 <= 1, queda:

2X1 - 4X2 + X3 = 1 Cj de X3 en la función objetivo será 0.

 Restricciones (

Se resta una variable de exceso, con costo (o ganancia) en la función objetivo igual a
0, y se suma una variable artificial con costo +M ó –M según sea maximización o
minimización.Ejm:

2X1 + 3X2 >= 1, queda:

2X1 + 3X2 - X3 + X4= 1 Cj de X3 en la función objetivo será 0. y Cj de X4

(artificial) es (M

 Restricciones =Se le añade una variable artificial con costo +M ó –M según

sea maximización o minimización.Ejm:

2X1 + 3X2 = 8, queda:

2X1 + 3X2 + X3= 8 Cj de X3 en la función objetivo será (M

Adicionalmente se presentan las siguientes notas a tener en cuenta:

 Si en el tablero simplex de la solución óptima queda al menos una variable

de superávit ó artificial dentro de las variables básicas, con un valor > 0 , el problema no
tiene solución, esto quiere decir que al menos existen dos restricciones excluyentes, por
lo tanto no existe área de solucionesfactible y menos una solución , en éste caso se debe
revisar la formulación del problema.

 Si al escoger la variable que sale, ninguna de las variables básicas restringe

el crecimiento de la variable no básica escogida para entrar, el problema tiene solución
indeterminada y se debe revisar la formulación en busca de una nueva restricción que no
se tuvo en cuenta en la formulación inicial.
  Si en el tablero simplex del óptimo, al menos una de las variables no básicas
tiene coeficiente cero (0) en la función objetivo, esto es su Zj – Cj = 0, el problema tiene
múltiples soluciones y se nos está ofreciendo una de ellas.

Ejemplo 1

Siendo Xi la cantidad a producir del producto i.

Maximizar Z = X1 + X2 {Ganancia total en soles}

S.A.

5X1 + 3X2 <= 15 {Horas disponibles dep. A}

3X1 + 5X2 <= 15 {Horas disponibles dep. B}

Xj >= 0 ; j = 1, 2

Los problemas de Maximización, con todas sus restricciones <= y con la condición de
no negatividad, se le llama Forma Estándar ó Forma Normal

Aquí debemos conseguir una solución básica factible, empleando las variables de
holgura y/o artificiales, quedando el sistema de ecuaciones así:

Maximizar Z = X1 + X2

S.A.

5X1 + 3X2 + X3 = 15

3X1 + 5X2 + X4 = 15

Xj >= 0 ; j = 1,2,3,4

Las variables básicas son aquellas cuyos coeficientes forman la matriz unitaria.

En este caos accidentalmente son las variables de holgura X3 y X4.

A continuación construimos la siguiente tabla:

b/a
Cj 1 1 0 0
a>0
 V. X X X X
b
B. 1 2 3 4

X 1 15
0 5 3 1 0
3 5 /5=3

X 1 15
0 3 5 0 1
4 5 /3=5

- -
Zj - Cj 0 0 0
1 1

El valor de la función objetivo Z, se encuentra frente a la casilla de Zj – Cj , en éste

caso vale cero (0) y se calcula multiplicando el vector fila (en la tabla es la columna
inmediatamente anterior a la de las variables básica V.B.) que contiene los coeficientes de
las variables básicas en la función objetiva original por el vector columna de los términos
independientes b

CXB = Vector fila de los coeficientes en la función objetivo original de las variables
básicas actuales, sus valores se encuentran en la primera columna del tablero.

b = Vector columna de los términos independientes de las restricciones, que al

mismo tiempo son los valores de las variables básicas actuales, sus valores se encuentran
bajo la columna denominada b

CXB = (0,0) ; b = (15,15)" Z = CXB * b = (0)(15) + (0)(15) = 0

El valor de los Zj – Cj se calcula multiplicado el vector fila CXB por el vector

apuntador aj dela columna de la variable j-ésima, menos el Cj, esto es:

Zj – Cj = CXB. aj – Cj ;

Los cálculos se efectúan así:

Z1 – C1 = CXB a1 – C1 = (0,0).(5,3)" - 1 = (0)(5)+(0)(3) – 1 = -1

Z2 – C2 = CXB a2 – C2 = (0,0).(3,5)" - 1 = (0)(3)+(0)(5) – 1 = -1

 Z3 – C3 = CXB a3 – C3 = (0,0).(1,0)" - 0 = (0)(1)+(0)(0) – 0 = 0

Z4 – C4 = CXB a4 – C4 = (0,0).(0,1)" - 0 = (0)(0)+(0)(1) – 0 = 0

A continuación se indican la variable que sale y la variable que entra:

La variable que tiene Zj-Cj más negativo es ó X1 ó X2. Se escoge al azar X1.

En esta iteración b/a da: 15/5 = 3 y 15/3 = 5;

Lo que significa que la variable básica X3 restringe el crecimiento de la variable que

entra, X1, hasta 3 (no la deja tomar valores superiores a 3) y la variable básica X4 restringe
el crecimiento de la variable que entra X1 hasta 5 (no la deja tomar valores superiores a 5).

Por supuesto la variable básica que restringe más el crecimiento de la variable

que entra X1, es X3 , por lo tanto, es la variable básica escogida para salir.

La fila de la variable básica escogida para salir se divide por el elemento que se
encuentra en la intersección de dicha fila con la columna de la variable que entra, la fila
resultante es la fila pivote y se coloca en un nuevo tablero, desde el que se suman múltiplos
de la fila pivote a las demás filas del tablero anterior de tal forma que se eliminen de cada
una de ellas la variable escogida para entrar, en nuestro caso X1 , este procedimiento se
denomina, hacer un uno (1) en la intersección y el resto de la columna ceros (0), por lo
tanto en dicha columna aparecerá un vector unitario, el procedimiento se repite en cada
iteración, hasta que todos los Zj – Cj sean mayores ó iguales a cero en el caso de maximizar
ó menores ó iguales a cero en el caso de minimizar.

A continuación se muestran todas las iteraciones y en cada fila los valores por los
cuales fueron multiplicadas para ser sumadas a otras filas, ello se expresa como sumar
múltiplos de una fila a otra.
 Fíjese que se suman múltiplos de las restricciones a la función objetivo para eliminar
las variables básicas de ella.

b/a
Cj 1 1 0 0
a>0

V. X X X X
b
B. 1 2 3 4

X 3 1
1 3 1 0 5
1 /5 /5

X 1 - 1
0 6 0 1
4 6/5 3/5 5/8

- 1
Zj - Cj 3 0 0
2/5 /5

Variable que entra X2

Variable que sale X4

b/a
Cj 1 1 0 0
a>0

V. b X X X X
 B. 1 2 3 4

X 1 5
1 1 0 0
1 5/8 /16

X 1 - 5
1 0 1
2 5/8 3/16 /16

1 1 1
Zj – Cj 0 0
5/4 /8 /8

Solución óptima:

X1* = 15/8

X2* = 15/8

Z * = 15/4

La solución es única: X1 * = 15/8 ; X2 * = 15/8 ; Z* = 14/4

Ejemplo 2

Minimizar Z = 6X1 + 4X2 + 2X3

S.A.

6X1 + 2X2 + 6X3 >= 6

6X1 + 4X2 = 12

2X1 - 2X2 <= 2

Xj >= 0 ; j = 1, 2, 3

Minimizar Z = 6X1 + 4X2 + 2X3 + MX5 + MX6

S.A.

6X1 + 2X2 + 6X3 – X4 + X5 = 6

6X1 + 4X2 +X6 = 12

2X1 - 2X2 +X7 = 2

Xj >= 0 ; j = 1, 2, 3, 4, 5, 6, 7

Las variables básicas son X5 = 6 , X6 = 12, X7 = 2

Solución Óptima:

Variables de decisión:

X1 = 0 , X2 = 3 , X3 = 0 , Z = 12

Variables de holgura : X4 = 0 , X7 = 8

Variables artificiales: X5 = 0 , X6 = 0

Un adelanto del análisis post-óptimo

Maximizar Z = X1 + X2 {Ganancia total en soles}

S.A.

5X1 + 3X2 <= 15 {Horas disponibles dep. A}

 3X1 + 5X2 <= 15 {Horas disponibles dep. B}

Xj >= 0 ; j = 1, 2

Tablero inicial:

b/a
Cj 1 1 0 0
a>0

V X X X X
b
.B. 1 2 3 4

X 1 1
0 5 3 1 0
3 5 5/5=3

X 1 1
0 3 5 0 1
4 5 5/3=5

Z - -
0 0 0
j – Cj 1 1

Tablero óptimo:

Costo reducido:

Unidades = (unidad monetaria)/(unidad de producto) = (u.m.)/(u.p.) = las mismas

unidades que Cj

Precio dual:
 Unidades = (unidad monetaria)/(unidad de recurso) = (u.m.)/(u.r.)

Interpretación del Costo reducido:

En cuantas unidades monetarias empeora la función objetivo al producir una unidad

de un producto que no se está produciendo.

En minimización: ((z / (x) En maximización: ((z / (x)

 Si la variable es básica, el costo reducido es 0.

 Si la variable es no básica, es >= 0. Cuando es 0

significa soluciones alternativas.

Interpretación del Precio dual:

En cuantas unidades monetarias va a variar la función objetivo al variar en una

unidad de recurso limitante.

Cuando es >0: ((z / (b) ó ((z / (b)

Cuando es <0: ((z / (b) ó ((z / (b)

Una restricción es limitante cuando limita a la función objetivo. Esto sucede cuando
se cumple la igualdad de la restricción.

Si la restricción es no limitante, el precio dual es 0.

Si la restricción es limitante, puede tomar cualquier valor positivo, negativo o 0.

CASOS ESPECIALES DE LA APLICACIÓN DEL MÉTODO SÍMPLEX

En esta sección se examinarán cuatro casos especiales que se presentan al aplicar el

método símplex.

1. Degeneración.

2. Óptimos alternativos.

3. Soluciones no acotadas.

4. Soluciones inexistentes (o no factibles)

 Óptimos alternativos

Cuando la función objetivo es paralela a una restricción obligatoria (es decir, una
restricción que se satisface como ecuación en la solución óptima), la función objetivo
asumirá el mismo valor óptimo, que se llama óptimos alternativos, en más de un punto de
solución.

Solución no acotada

En algunos modelos de programación lineal, los valores de las variables pueden

aumentar en forma indefinida sin violar alguna de las restricciones, y eso significa que el
espacio de soluciones es no acotado al menos en una dirección. El resultado es que el valor
objetivo puede aumentar (en caso de maximización) o disminuir (si se trata de
minimización) en forma indefinida. En ese caso, tanto el espacio de soluciones como el
valor óptimo objetivo no están acotados.

La no acotación apunta hacia la posibilidad de que el modelo esté mal construido. Las
irregulares más probables en esos modelos son que no se hayan tomado en cuenta una o
más restricciones no redundantes, y que los parámetros (constantes) de algunas
restricciones puedan no haberse estimado en forma correcta

Solución no factible

Los modelos de programación lineal con restricciones inconsistentes no tienen

solución factible. Estos casos nunca suceden si todas las restricciones son del tipo
(suponiendo lados de Casos especiales de la aplicación del método símplex 111 rechos no
negativos), porque las holguras permiten tener una solución factible. Para otros tipos de
restricciones se usan variables artificiales. Aunque esas variables artificiales se penalizan en
la función objetivo, para obligarlas a ser cero en el óptimo, eso sólo puede suceder si el
modelo tiene un espacio factible. En caso contrario, al menos una variable artificial será
positiva en la iteración óptima.

Desde el punto de vista práctico, un espacio no factible indica la posibilidad de que el

modelo no esté bien formulado
 Programación Lineal (Método Gráfico)

El método gráfico es un procedimiento de solución de problemas de programación

lineal, muy limitado en cuanto al número de variables (2 si es un gráfico 2D y 3 si es 3D)
pero muy rico en materia de interpretación de resultados e incluso análisis de sensibilidad.
Este consiste en representar cada una de las restricciones y encontrar en la medida de lo
posible el polígono (poliedro) factible, comúnmente llamado el conjunto solución o región
factible, en el cual por razones trigonométricas en uno de sus vértices se encuentra la mejor
respuesta (solución óptima).

El procedimiento de solución gráfica comprende dos pasos:

1. Determinación del espacio de soluciones que define todas las soluciones factibles
del modelo.

2. Determinación de la solución óptima, entre todos los puntos factibles del espacio
de soluciones.

Ejercicios Resueltos del Método Gráfico en Programación Lineal

Ejercicio N°1: Una empresa vitivinícola ha adquirido recientemente un terreno de

110 hectáreas. Debido a la calidad del sol y el excelente clima de la región, se puede vender
toda la producción de uvas Sauvignon Blanc y Chardonay. Se desea conocer cuánto plantar
de cada variedad en las 110 hectáreas, dado los costos, beneficios netos y requerimientos de
mano de obra según los datos que se muestran a continuación:

Suponga que se posee un presupuesto de US$10.000 y una disponibilidad de 1.200

días hombre durante el horizonte de planificación. Formule y resuelva gráficamente un
modelo de Programación Lineal para este problema. Detalle claramente el dominio de
soluciones factibles y el procedimiento utilizado para encontrar la solución óptima y valor
óptimo.

Variables de Decisión:
 : Hectáreas destinadas al cultivo de de Sauvignon Blanc
 : Hectáreas destinadas al cultivo de Chardonay
Función Objetivo:
Maximizar

Restricciones:




Donde las restricciones están asociadas a la disponibilidad máxima de hectáreas para
la plantación, presupuesto disponible, horas hombre en el período de planificación y no
negatividad, respectivamente.

El siguiente gráfico muestra la representación del problema de la empresa

vitivinícola. El área achurada corresponde al dominio de soluciones factibles, donde
la solución básica factible óptima se alcanza en el vértice C, donde se encuentran activas las
restricciones de presupuestos y días hombre. De esta forma resolviendo dicho sistema de
ecuaciones se encuentra la coordenada de la solución óptima donde y
(hectáreas). El valor óptimo es (dólares).
 Ejercicio N°2: Un taller tiene tres (3) tipos de máquinas A, B y C; puede fabricar dos
(2) productos 1 y 2, todos los productos tienen que ir a cada máquina y cada uno va en el
mismo orden: Primero a la máquina A, luego a la B y luego a la C. La siguiente tabla
muestra:
 Las horas requeridas en cada máquina, por unidad de producto
 Las horas totales disponibles para cada máquina, por semana
 La ganancia por unidad vendida de cada producto

Formule y resuelva a través del método gráfico un modelo de Programación Lineal

para la situación anterior que permite obtener la máxima ganancia para el taller.

Variables de Decisión:
 : Unidades a producir del Producto 1 semanalmente
 : Unidades a producir del Producto 2 semanalmente
Función Objetivo:
Maximizar

Restricciones:




Las restricciones representan la disponibilidad de horas semanales para las máquinas
A, B y C, respectivamente, además de incorporar las condiciones de no negatividad.

Para la resolución gráfica de este modelo utilizaremos el software GLP cual

abordamos en el artículo Problema de Planificación Forestal resuelto con Graphic Linear
Optimizer (GLP). El área de color verde corresponde al conjunto de soluciones factibles y
la curva de nivel de la función objetivo que pasa por el vértice óptimo se muestra con una
línea punteada de color rojo.

La solución óptima es y con valor

óptimo que representa la ganancia para el taller.
Ejercicio N°3: Una compañía elabora dos productos diferentes. Uno de ellos requiere
por unidad 1/4 de hora en labores de armado, 1/8 de hora en labores de control de calidad y
US$1,2 en materias primas. El otro producto requiere por unidad 1/3 de hora en labores de
armado, 1/3 de hora en labores de control de calidad y US$0,9 en materias primas. Dada las
actuales disponibilidades de personal en la compañía, existe a lo más un total de 90 horas
para armado y 80 horas para control de calidad, cada día. El primer producto descrito tiene
un valor de mercado (precio de venta) de US$9,0 por unidad y para el segundo este valor
corresponde a US$8,0 por unidad. Adicionalmente se ha estimado que el límite máximo de
ventas diarias para el primer producto descrito es de 200 unidades, no existiendo un límite
máximo de ventas diarias para el segundo producto.
Formule y resuelva gráficamente un modelo de Programación Lineal que permita
maximizar las utilidades de la compañía.

Variables de Decisión:
 : Unidades a producir diariamente del Producto 1
 : Unidades a producir diariamente del Producto 2
Función Objetivo:
Maximizar
 Restricciones:




La primera restricción representa las limitantes de horas de armado diariamente. La
segunda restricción la disponibilidad de horas para labores de control de calidad (también
diariamente). La tercera restricción establece una cota superior para la producción y ventas
diarias del Producto 1. Adicionalmente se incluyen las condiciones de no negatividad para
las variables de decisión.

El dominio de soluciones factibles tiene 5 vértices que corresponden a los candidatos

a óptimos del problema. En particular el vértice óptimo es D de modo que la solución
óptima es y con valor
óptimo que corresponde a la utilidad máxima para
la empresa.

ANÁLISIS GRÁFICO DE SENSIBILIDAD

Un modelo de programación lineal es una foto instantánea de una situación real en la

que los parámetros del modelo (coeficientes de la función objetivo y de las restricciones)
asumen valores estáticos. Para aumentar la aplicación de la programación lineal en la
práctica, se necesita agregar una dimensión dinámica que investigue el impacto que tiene
hacer cambios en los parámetros del modelo (coeficientes de la función objetivo y de las
restricciones) sobre la solución óptima. A este proceso se le llama análisis de sensibilidad,
porque estudia la sensibilidad de la solución óptima respecto a los cambios que se hagan en
el modelo.

En esta sección se investigarán dos casos de análisis de sensibilidad basados en la

solución gráfica de la programación lineal: 1) cambios en los coeficientes de la función
objetivo y 2) cambios en el lado derecho de las restricciones. Aunque la presentación es
elemental y su alcance es limitado, proporciona perspectivas fundamentales del desarrollo
del análisis de sensibilidad.

Cambios en los coeficientes de la función objetivo

La función objetivo en general en un problema de programación lineal con dos

variables se puede escribir como sigue:

Maximizar o minimizar z c1x1 c2x2

Los cambios de los coeficientes c1 y c2 harán cambiar la pendiente de z y en

consecuencia, posiblemente, el punto de esquina óptimo (véase una ilustración en la figura
2.1). Sin embargo, hay un intervalo de variación, tanto para c1 como para c2, dentro del
cual el óptimo del momento permanece sin cambio. En forma específica nos interesa
determinar el intervalo de optimalidad de la relación donde se mantenga sin cambio la
solución óptima del momento.

Método Algebraico
El método algebraico es una alternativa de solución a problemas de programación
lineal. Sin embargo es muy dispendioso, en razón a que trabaja con todos los datos de las
ecuaciones, para mejorar éste aspecto se creó el método simplex cuya gran virtud es su
sencillez, método muy práctico, ya que sólo trabaja con los coeficientes de la función
objetivo y de las restricciones. Obtención de las soluciones básicas: 1. Plantear el problema
en términos matemáticos (Función Objetivo y conjunto de restricciones) 2. Convertir en
igualdades todas las restricciones lineales expresadas en forma de desigualdades,
adicionando variables de holgura a las desigualdades de menor o igual que y restar
variables de excedente (superfluas)a las desigualdades de mayor o igual que.

Pasos para desarrollar el método algebraico según Chediak:

* Hallar una solución básica y factible (solución inicial)

* Expresar las inecuaciones como ecuaciones.

* Hallar una variable básica para cada ecuación:

* Organizar el sistema de ecuaciones lineales

* Escoger la variable que entra.

* Escoger la variable que sale.

* Reorganizar el sistema de ecuaciones.

* Repetir los pasos 2,3, y 4 hasta encontrar la solución.

 Ejemplo 1
RMC es una pequeña empresa que fabrica una variedad de productos basados en
sustancias químicas. En un proceso de producción particular, se emplean tres materias
primas para producir dos productos: un aditivo para combustible y una base para solvente.
El aditivo para combustible se vende a compañías petroleras y se usa en la producción de
gasolina y combustibles relacionados. La base para solvente se vende a una variedad de
empresas químicas y se emplea en productos para limpieza en el hogar e industriales. Las
tres materias primas se mezclan para fabricar el aditivo para combustible y la base para el
solvente, tal como se muestra a continuación:
 Ésta nos muestra que una tonelada de aditivo para combustible es una mezcla de 0.4
toneladas del material 1 y 0.6 toneladas del material 3. Una tonelada de la base para
solvente es una mezcla de 0.5 toneladas del material 1, 0.2 toneladas del material 2 y 0.3
toneladas del material 3.

La producción de RMC está restringida por una disponibilidad limitada de las tres
materias primas. Para el periodo de producción actual, RMC tiene disponibles las siguientes
cantidades de materia prima:

Debido a los desechos y a la naturaleza del proceso de producción, los materiales que
no se lleguen a usar en una corrida de producción no se pueden almacenar para las
subsiguientes, son inútiles y deben desecharse.

El departamento de contabilidad analizó las cifras de producción, asignó todos los

costos relevantes y llegó a precios que, para ambos productos, producirían una contribución
a la utilidad de $ 40 por cada tonelada de aditivo para combustible producida y $ 30 para
cada tonelada producida de base para solvente. Ahora usaremos la programación lineal para
determinar la cantidad de aditivo para combustible y la cantidad de base para solvente para
producir a fin de maximizar la contribución a la ganancia total.

 Desarrollo
1. Trasladar la información relevante del problema a una tabla.
 2. Describir el objetivo del problema, formular las restricciones y nombrar las
variables

Objetivo: Maximizar la contribución total a la ganancia.

Restricciones:

Material 1 <= 20
Material 2 <= 5
Material 3 <= 21

F = Cantidad de toneladas para aditivo para combustible por producir.

S = Cantidad de toneladas para aditivo para solvente por producir

3. Formular la función objetivo

MAX = 40F + 30S

4. Realizar el modelo matemático

MAX = 40F +30S

sujeto a:

0.4F+0.5S <= 20 Ecuación 1

0.2S <= 5 Ecuación 2

 0.6F+0.3S <= 21 Ecuación 3

F,S >= 0

5. Obtener la solución óptima

 Se usan las ecuaciones 1 y 3 del problema:
0.4F+0.5S = 20 (Ecuación 4)
0.6F+0.3S = 21 (Ecuación 5)
 Se despeja F de la ecuación 4
0.4F+0.5S = 20
0.4F = 20-0.5S
F = 50-1.25S (Ecuación 6)
 Se sustituye F en la ecuación 5
0.6F+0.3S = 21
0.6(50-1.25S)+0.3S = 21
30-0.75S+0.3S = 21
-0.45S = 21-30
-0.45S = -9
S = -9/-0.45
S = 20
 Se sustituye S en la ecuación 6
F = 50-1.25S
F = 50-1.25 (20)
F = 50-25
F = 25
 Se puede observar en la gráfica que estos dos valores están representados por el punto
blanco, lo cual quiere decir que esta es la solución óptima del problema.

 Sustituir los valores en la función objetivoMAX = 40F+30S

MAX = 40(25)+30(20)
MAX = 1,000 + 600
MAX = $ 1,600
En conclusión se deben producir 25 toneladas de combustible y 20 toneladas de base
para aditivo para obtener una utilidad máxima de $ 1,600. Para encontrar la línea que
atraviesa la solución factible (punto blanco) se iguala a 0 F y S en la función objetivo y se
encuentran los valores:

40F+30S=1,600.

 Si F es 0 entonces:
30S = 1,600
S = 1,600/30
S = 53.33
(F=0,S=53.33)
 SI S es 0 entonces:
40F = 1,600
F = 1,600/40
F = 40
(F=40,S=0)
Como se puede observar estos puntos están representados por la línea celeste C3 y es
la que atraviesa la solución óptima.