INDICE

Contenido
INDICE.................................................................................................................................................. 1
INTRODUCCION ................................................................................................................................... 2
OBJETIVOS ........................................................................................................................................... 3
OBJETIVOS ESPECÍFICOS ...................................................................................................................... 3
JUSTIFICACION .................................................................................................................................... 4
MARCO TEORICO ................................................................................................................................. 5
Conceptos de Método algebraico. ...................................................................................................... 6
DESARROLLO ....................................................................................................................................... 8
SUBCOMPETENDIA II: PROGRAMACION LINEAL ................................................................................. 8
2.1 Formulación y aplicación de modelos de programación lineal ................................................... 13
2.2. Método grafico ........................................................................................................................... 14
2.3. Método simplex ......................................................................................................................... 21
2.3.1. Método algebraico .................................................................................................................. 28
2.3.2. Tabla simplex........................................................................................................................... 38
2.4 Método dual ................................................................................................................................ 42
2.5 Método Dual- Simplex ................................................................................................................. 47
2.6 Análisis de resultados. ................................................................................................................. 52
CONCLUSION ..................................................................................................................................... 53

Página | 1
 INTRODUCCION
La programación lineal, como elemento fundamental de la investigación de
operaciones ha logrado un importante desarrollo científico a escala mundial, pues
es aplicable a cualquier empresa para solucionar problemas de optimización de
sus recursos.

La programación lineal tuvo su origen después de la segunda guerra mundial. En

1947, Geoge Dantzing desarrollo investigaciones y aplicaciones para resolver
problemas de programación lineal en distintos casos de operación militar. Desdé
su surgimiento, esta herramienta se utiliza para la resolución de problemas de
optimización en diferentes áreas.

La programación lineal es una herramienta aplicable a diversos campos; en la

actualidad, las empresas enfrentan problemas de todo tipo, mucho de los cuales
ponen en riesgo su estabilidad económica y permanencia en el mercado, por lo
que los empresarios buscan soluciones factibles, eficientes y rápidas, dichos
procesos son manejados mediante la programación lineal, que planea actividades
para lograr mejores resultados entre las alternativas de solución. Sin dar espacio
para la existencia de dudas en ninguna de las relaciones, el problema de optimizar
la función objetivo sujeta a diferentes restricciones (Marín y Maya, 2016).

A la programación lineal, se le considera como una herramienta de fundamental

importancia, pues, mediante su aplicación, se obtienen soluciones cuantitativas a
problemas de todo tipo, buscando mejorar el resultado y una óptima toma de
decisiones.

En cualquier problema de programación lineal es puntual tomar ciertas decisiones,

las cuales se representan mediante variables de decisión xj utilizadas en el
modelo de programación lineal.

Página | 2
 OBJETIVOS
Aportar conocimientos generales de la estructura y las suposiciones en los
modelos de programación lineal.

OBJETIVOS ESPECÍFICOS
 Conocer el modelo general de programación lineal.
 Estudiar los diferentes métodos para resolver un problema de programación
lineal
 Identificar problemas de dualidad cuando hayan llegado a una solución
optima
 Implementar algoritmos para resolver un problema de programación lineal.

Página | 3
 JUSTIFICACION
El presente trabajo de investigación se elaboró con la finalidad de que los alumnos
desarrollen habilidades y aprendan acerca de los temas de la unidad II, aplicando
los métodos de programación lineal esto con el fin de que cada uno sepa analizar
problemas que se presenten en la vida diaria ya sean personales o en el ámbito
laboral y sepan de qué manera resolverlo.

Como bien sabemos la programación lineal es un modelo matemático que ayuda a

desarrollar problemas pocos complejos o con mayor complejidad, al empezar a
analizar algún tipo de problema se tiene que encontrar la formulación del modelo
matemático y en base a eso el alumno tendrá la certeza de desarrollar el problema
completo graficando y por consiguiente se basara en los demás métodos que
ayudaran a encontrar una solución específica.

Los procesos de toma de decisiones en las empresas deben estar fundamentados

en métodos de optimización formales con el fin de aportar al mejoramiento de la
competitividad en un contexto de competencia global. Desde esta perspectiva
resulta de suma importancia el conocimiento de fundamentos, técnicas y métodos
clásico utilizados para dicha optimización en esta sub competencia de la
programación lineal es importante porque facilita la posibilidad de definir
soluciones de optimización, el uso de recursos de las empresas utilizando un
enfoque sistemático y científico para el análisis de los problemas administrativos y
operacionales fundamentados en modelos matemáticos.

Los modelos matemáticos son cada vez más importantes en la gerencia de

empresa y sus aplicaciones son de diversa índole, esta investigación pretende
dejar un legadado del método, ya que la implementación que se hará en un
lenguaje de programación.

Página | 4
 MARCO TEORICO
El marco teórico se denomina como una revisión de la literatura, que consiste en
comparar los conceptos de diferentes autores que dan sus opiniones acerca del
tema, estas son la base de la investigación.

 Conceptos de la programación lineal:

La programación lineal hace referencia a varias técnicas matemáticas usadas para

la asignación optima de recursos limitados a distintas demandas que compiten por
ellas (Chase, Jacobs y Aquilano, 2009).

Para otros autores, la programación lineal es una técnica de optimización que

busca maximizar o minimizar una función lineal, llamada función objetivo, sujeta a
restricciones también lineales (Álvarez. 2005).

La programación lineal es una técnica de optimización matemática. Por técnica de

optimización, se concibe la idea de un método que intenta maximizar o minimizar
un objetivo establecido, como por ejemplo la maximización de utilidades o la
reducción de los costos. La programación lineal constituye un subconjunto de un
área mayor denominada programación matemática (Budnick. 2007)

En conclusión, se define como programación lineal el enfoque para la solución de

problemas con miras a tomar decisiones acertadas, cuyo modelo matemático es la
función lineal, sujeta a restricciones lineales no negativas. Se le considera también
como una herramienta aplicable a diferentes campos como, empresarial, textil,
transporte, producción, telecomunicaciones, entre otros.

 Conceptos del modelo grafico

El método grafico hace referencia a que puede ser utilizado solo cuando el
problema afecta a dos variables de decisión donde la solución óptima de un
problema se puede encontrar gráficamente (Elvis magno da silva).

Página | 5
Conceptos de método simplex

Es un algoritmo de hecho cualquier procedimiento iterativo de solución es un

algoritmo. Entonces un algoritmo es un proceso en el que se repite un
procedimiento sistemático una y otra vez hasta obtener el resultado deseado cada
vez que se lleva a cabo el procedimiento sistemático de una iteración.(Álvaro
Carvajal villa plana 2002).

El método simplex es otra de las herramientas importantes con que cuenta la

investigación de operaciones para apoyar la toma de decisiones cuantitativas, es
decir, este método se utiliza para resolver modelos de programación lineal, del
mismo modo que el método gráfico, con la ventaja de no tener límite en la
cantidad de variables de decisión que se incorporen al modelo.(Roberto Carro)

Conceptos de Método algebraico.

El método algebraico es un procedimiento iterativo que permite ir mejorando la
solución a cada paso el proceso concluye cuando no es posible seguir mejorando
más dicha solución partiendo del valor de la función objetiva en un vértice
cualquiera, el método consiste en buscar sucesivamente otro vértice.(Daniel López
salas).

Conceptos de método dual.

Método dual el problema inicial es llamado PRIMO y el problema asociado

(sombra) es llamado, el problema PRIMO. Los dos juntos son llamados problemas
duales ya que ambos están formados, por el mismo conjunto de datos. La solución
básica factible óptima de estos problemas es tal que una puede fácilmente ser
usada para la solución de la otra. (Luis Gómez rueda).

Página | 6
Concepto de método dual-simplex
Método dual-simplex este método se aplica a problemas óptimos, pero infactibles.
En este caso, las Restricciones se expresan en forma canónica (restricciones) la
función objetivo puede estar en la forma de maximización o de minimización
(Jorge arbey tobar de Jesús)
Concepto del Método de análisis de resultados
Análisis de resultados ayuda al administrador a usar más eficientemente sus
recursos, distribuyendo eficazmente los elementos con los que cuenta para la
actividad productiva. Además, los resultados numéricos obtenidos al usar
programación lineal, permiten tomar decisiones objetivas y dejar a un lado el modo
de pensar o de sentir.

Página | 7
 DESARROLLO

SUBCOMPETENDIA II: PROGRAMACION LINEAL

La Programación Lineal corresponde a un algoritmo a través del cual se resuelven
situaciones reales en las que se pretende identificar y resolver dificultades para
aumentar la productividad respecto a los recursos (principalmente los limitados y
costosos), aumentando así los beneficios. El objetivo primordial de
la Programación Lineal es optimizar, es decir, maximizar o minimizar funciones
lineales en varias variables reales con restricciones lineales (sistemas de
inecuaciones lineales), optimizando una función objetivo también lineal.
Los resultados y el proceso de optimización se convierten en un respaldo
cuantitativo de las decisiones frente a las situaciones planteadas. Decisiones en
las que sería importante tener en cuenta diversos criterios administrativos como:

 Los hechos
 La experiencia
 La intuición
 La autoridad

Características de la programación lineal

La programación lineal tiene un alto impacto a escala general, es aplicable a una

gran variedad de problemas organizacionales, se fundamenta en las siguientes
características:

 Se debe establecer algún criterio de decisión.

 Las relaciones de las variables deben ser de tipo lineal

Objetivos de la programación lineal

 Encontrar soluciones a través de métodos matemáticos con el uso de

sistemas lineales a problemas de carácter económico- técnico
representados por la limitación de recursos.

Página | 8
  Resolver casos de combinación óptima de mezclas de producción,
disposición interna de procesos, maximización de beneficios, localización,
asignación de recursos, minimización de costos, transporte, entre otros

Aplicaciones de la programación lineal

La programación lineal es la más popular de las orientaciones que se engloban

dentro de las técnicas matemáticas para la optimización y ha sido aplicada a
diversos problemas de la administración de operaciones. Entre las principales
aplicaciones se enuncian las siguientes:

 Planeación de operaciones y ventas agregadas: busca encontrar el

programa de producción que tenga el costo mínimo. El problema radica en
construir un plan para un periodo determinado que, al enfrentar las
limitaciones de la capacidad de producción deseable y el tamaño de la
fuerza de trabajo, satisfagan la demanda esperada. Dentro de los costos
estimados en el problema, se consideran salarios, nuevas contrataciones,
posibles despidos, costo del manejo de inventarios.
 Análisis de la productividad: tomando en cuenta el bien o servicio que se va
a producir, se considera el grado de eficiencia que la manufactura o el
establecimiento del servicio utilizan en comparación con las unidades que
posean un mejor desempeño. Para lo cual se sugiere la aplicación de un
enfoque denominado análisis envolvente de datos.
 Planeación de productos: hallar la composición recomendable de
productos, considerando los recursos y costos que requieren cada uno de
ellos. Por mencionar algunos ejemplos: la mezcla óptima de elementos
químicos para pinturas, alimentos, entre otros.
 Rutas de los productos: definir el camino optimo para fabricar un producto
procesado en secuencia que pasa por distintos procesos, en los cuales se
dispone de maquinaria con costos propios y características de producción.

Página | 9
 Programación de cuadrillas: encontrar una ruta óptima para utilizar recursos
como, por ejemplo: aviones, buses camiones, cuadrillas que los conducen
para ofertar servicios de transporte.
 Control de procesos: tiene el objetivo de minimizar los desperdicios
generados en el proceso productivo.
 Control de inventarios: determinar la combinación óptima de productos que
se deberá tener en almacenamiento.
 Programación de la distribución: encontrar la combinación óptima de
embarques para distribuir la producción a los diferentes destinos.
 Estudios para ubicar la planta: definir la ubicación acertada para una nueva
planta evaluando los costos de embarque, las fuentes de suministros y de
demanda.
 Manejo de materiales: definir las rutas con el propósito de minimizar los
costos para el manejo de materias y maquinarias.

En los últimos años, la programación lineal ha tenido una creciente aceptación

en la industria por la disponibilidad de información detallada de las operaciones
y el interés fundamental de optimizar tanto costos como ingresos, por lo cual a
la programación lineal se le ha denominado opción de planeación avanzada,
planeación sincronizada u optimización de procesos

¿COMO RESOLVER UN PROBEMA MEDIANTE LA PROGRAMACION

LINEAL?

1. El primer paso para la resolución de un problema de programación lineal

consiste en la identificación de los elementos básicos de un modelo
matemático, estos son:

Funcion objetiva Variables Restricciones

Página | 10
 2. El siguiente paso consiste en la determinación de los mismos, mediante la
siguiente metodología:

1. Definir el
criterio de la
funcion
objetivo

4. Plantear 2. Identificar
la funcio y definir las
objetiva variables

3. Identificar
y definir las
restricciones

DEFINICION DE LOS ELEMENTOS BASICOS DEL MODELO MATEMATICO

 La función objetivo.
La función objetivo tiene una estrecha relación con la pregunta general que se
desea responder. Si en un modelo resultasen distintas preguntas, la función
objetivo se relacionaría con la pregunta del nivel superior, es decir, la pregunta
fundamental. Así por ejemplo, si en una situación se desean minimizar los costos,
es muy probable que la pregunta de mayor nivel sea la que se relacione con
aumentar la utilidad en lugar de un interrogante que busque hallar la manera de
disminuir los costos.

Pregunta
Fundamental • Funcion Objetivo

1. ¿Como se pueden
disminuir los costos? • MINIMIZAR Costos
2. ¿Que se debe hacer para
mejora las utilidades? • MAXIMIZAR Utilidades

Página | 11
  Variables de decisión.
Similar a la relación que existe entre objetivos específicos y objetivo general, se
comportan las variables de decisión respecto a la función objetivo, puesto que
estas se identifican partiendo de una serie de preguntas derivadas de la pregunta
fundamental. Las variables de decisión, son en teoría, factores controlables del
sistema que se está modelando, y como tal, estas pueden tomar diversos valores
posibles, de los cuales se precisa conocer su valor óptimo, que contribuya con la
consecución del objetivo de la función general del problema.
Ejemplo.

Las variables de decision parten de la

funcion objetivo

Minimizar los costos

y ordenarlos

¿Que cantidad de ¿Que nivel de ¿En cuales

productos deben inventario debera periodos debera
ordenarse por mantenerse al final ordenarse y en
periodo? del periodo? cuales no?

 Las restricciones
Cuando hablamos de las restricciones en un problema de programación lineal,
nos referimos a todo aquello que limita la libertad de los valores que pueden tomar
las variables de decisión.
La mejor manera de hallarlas consiste en pensar en un caso hipotético en el que
decidiéramos darles un valor infinito a nuestras variables de decisión, por ejemplo,
¿qué pasaría si en un problema que precisa maximizar sus utilidades en un
sistema de producción de calzado decidiéramos producir una cantidad infinita de
zapatos? Seguramente ahora nos surgirían múltiples interrogantes, como por
ejemplo:

Página | 12
  ¿Con cuánta materia prima cuento para producirlos?
 ¿Con cuánta mano de obra cuento para fabricarlos?
 ¿Pueden las instalaciones de mi empresa albergar tal cantidad de
producto?
 ¿Podría mi fuerza de mercadeo vender todos los zapatos?
 ¿Puedo financiar tal empresa?

Entonces habríamos descubierto que nuestro sistema presenta una serie de

limitantes, tanto físicas, como de contexto, de tal manera que los valores que en
un momento dado podrían tomar nuestras variables de decisión se encuentran
condicionados por una serie de restricciones.

2.1 Formulación y aplicación de modelos de programación lineal

En todos los problemas aplicados en la programación lineal hay una estructura en

común: se quiere optimizar un objetivo sujeto a una serie de restricciones; por
supuesto todas estas condiciones se deben poder expresar linealmente, esta
estructura en común es precisamente el modelo de programación lineal. La forma
del modelo es la siguiente:

𝑀𝑎𝑥 (𝑀𝑖𝑛) 𝐶1 𝑋1 + 𝐶2 𝑋2 + ∙ ∙ ∙ 𝐶𝑛 𝑋𝑛

Importancia de la programación lineal

La programación lineal no solo radica en el procedimiento matemático, si no en la

herramienta financiera que sirve de soporte para la toma de decisiones en
cualquier organización. Adicionalmente, vale la pena resaltar que, para el
Administrador de Empresas, el economista, el contador, el gerente, el financiero, y
para el empresario en general, es vital manejar adecuadamente esta herramienta
que es aplicable a todas las áreas que componen una organización empresarial y
que permiten la asignación eficiente de los recursos, además de la ayuda que
presta para globalizar la información. La programación lineal busca la asignación
eficiente de los recursos, que permitan maximizar las utilidades y minimizar los
costos. Por lo tanto, la programación lineal comprende la planificación de

Página | 13
actividades, es decir un resultado que alcance la meta en la mejor forma teniendo
en cuenta las restricciones propias de cada actividad.

¿Cómo se aplica la programación lineal en áreas empresariales?

 La economía de negocios

Es donde se busca determinar el precio de los productos, el análisis del punto

muerto, el calculo de costos de productos y la sustitución de equipos.

 Las finanzas

Es donde se evalúa las empresas, planeando las finanzas personales, comercio

de divisas y administración de efectivo, análisis de inversión y control de
presupuestos de un proyecto entre otros.

 Las operaciones en la producción

Donde se evalúan las decisiones sobre fuentes de aprovisionamiento, mezclas de

productos, control de inventarios, planeación de personal, de producción y
pronósticos de ventas.

2.2. Método grafico

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).

Este método consiste en representar geométricamente las restricciones, variables

y función objetivo. El procedimiento consiste en trazar las ecuaciones de las

Página | 14
restricciones en un eje de coordenadas 𝑋1, 𝑋2 para tratar de identificar el área de
soluciones factibles (soluciones que cumplen con todas las restricciones).

La solución optima del problema se encuentra en uno de los vértices de esta área
de soluciones creada, por lo que se buscara en estos datos el valor mínimo o
máximo del problema.

Metodología de resolución programación lineal grafica

En la figura se evidencia la metodología determinada por Thierauf y Grosse, con el

siguiente procedimiento para la solución de problemas de programación lineal
mediante el método gráfico.

 Planteamiento del problema: transformar la información dada en el

problema en un sistema de ecuaciones, basadas en programación lineal.
 Representación de las variables en el plano cartesiano: trazar las
ecuaciones de las restricciones en el plano cartesiano; cada intersección de
las restricciones formará un vértice para la zona factible de solución, siendo
el primero de estos el origen, debido a que es la intersección de las
restricciones de no negatividad. Cabe mencionar que, si las restricciones
son de tipo mayor o igual que, la zona factible de solución se ubicará hacia
la parte, superior del primer cuadrante de la gráfica, si las restricciones son
de tipo menor o igual que la zona factible será la que quede por debajo de
la línea correspondiente a la restricción, y si la restricción fuera una
igualdad la zona factible deberá quedar sobre la línea correspondiente a
dicha restricción.

Página | 15
  Trazo de las ecuaciones de la función objetivo: dándole diferentes valores a
Z. Este paso puede omitirse, pues el objetivo es encontrar el punto que
corresponde a la solución del problema, el cual será aquel que optimice la
función objetivo.
 Hallar la solución del problema: es aquella recta de las trazadas que
optimice la función objetivo. Pueden existir varias soluciones óptimas en un
problema, pero es importante determinar cuál de todas esas soluciones es
la factible. Recordando que la solución factible óptima es aquella admisible
para que la función objetivo alcance el óptimo propuesto.

Los pasos para realizar el método son los siguientes:

1. Hallar las restricciones, función objetivo y las variables del problema.

2. Sustituir ≥ y ≤ por (=) para cada restricción, con lo cual se produce la
ecuación de una línea recta.
3. Trazar la línea recta correspondiente a cada restricción con el plano.
La región en el cual se encuentra cada restricción, el área
correspondiente a cada restricción lo define el signo correspondiente
de cada restricción (≤ o ≥).
4. El espacio en el cual se satisfacen las tres restricciones en el área
factible. Cada punto situado en la frontera del espacio del área
factible, es decir que satisfacen todas las restricciones, representa
un punto factible.
5. Las líneas paralelas que representan la función objetivo se trazan
mediante la asignación de valores arbitrarios a fin de determinar la
pendiente y la dirección en el cual crece o decrece el valor de la
función objetivo.
6. La solución óptima puede determinarse al observar la dirección en la
cual aumenta la función objetivo, se procede a graficar la función
objetivo, si es un problema de minimización la solución optima es el
primer punto factible que toque la función Z, y si por lo contrario es

Página | 16
 un problema de maximización, será entonces el ultimo de los puntos
factibles que toque la función Z.

Ejercicios prácticos resueltos de maximización y minimización con el

método gráfico.
La compañía ODGA S.A. fabrica dos tipos de productos; producto A y producto B;
cada producto A genera una utilidad de 3 USD, y cada producto B, una utilidad de
5 USD. La producción del producto A requiere de cuatro horas de trabajo en el
centro de maquinado 1 y dos horas en el centro de maquinado 2. La fabricación
del producto B requiere 6 horas en el centro de maquinado 1, seis horas en el
centro de maquinado 2 y una hora en el centro de maquinado 3. La disponibilidad
de los centros de maquinado se presenta a continuación: 120 h centro 1; 72 h
centro 2 y 10 h centro 3.

El planteamiento del problema es el siguiente:

𝑀𝑎𝑥 𝑍 = 3𝑋1 + 5𝑋2

Sujeto a:

4𝑋1 + 6𝑋2 ≤ 120 ℎ𝑜𝑟𝑎𝑠 𝑐𝑒𝑛𝑡𝑟𝑜 𝑚𝑎𝑞𝑢𝑖𝑛𝑎𝑑𝑜 1

2𝑋1 + 6𝑋2 ≤ 72 ℎ𝑜𝑟𝑎𝑠 𝑐𝑒𝑛𝑡𝑟𝑜 𝑚𝑎𝑞𝑢𝑖𝑛𝑎𝑑𝑜 2

1𝑋2 ≤ 10 ℎ𝑜𝑟𝑎𝑠 𝑚𝑎𝑞𝑢𝑖𝑛𝑎𝑑𝑜 3

𝑋1 , 𝑋2 ≥ 0

Las desigualdades se transforman en igualdades para graficarlas en el plano

cartesiano.

4𝑋1 + 6𝑋2 = 120

2𝑋1 + 6𝑋2 = 72

1𝑋2 = 10

Para trazar las líneas en el plano cartesiano, cada variable toma el valor de cero y
se determina el valor de la otra variable.

Página | 17
 4𝑋1 + 6𝑋2 = 120

𝑠𝑖 𝑋1 = 0, 𝑋2 = 20

𝑠𝑖 𝑋2 = 0, 𝑋1 = 30

Entonces los puntos para graficar serán P1 (0;20) y P2 (30;0). El mismo

procedimiento se realiza para el resto de las igualdades:

2𝑋1 + 6𝑋2 = 72

𝑠𝑖 𝑋1 = 0, 𝑋2 = 12

𝑠𝑖 𝑋2 = 0, 𝑋1 = 36

Los puntos para graficar son: P1 (0;12) P2 (36;0)

1𝑋2 = 10

𝑃1 (0; 10)

Al tener esta restricción, una sola variable se graficará una línea paralela al eje de
las X. Al ser las variables no negativas, en el grafico se delimitan la región o zona
factible de solución en el primer cuadrante como se muestra en la figura.

Página | 18
En el eje de las X, esta representado el producto A y, el eje de las Y, el producto
B; la zona sombreada en color verde es la zona factible de solución, se
considerará la solución óptima el cruce de las regiones factibles de todas las
restricciones siendo el punto óptimo el C, que corresponde al cruce de la primera
con la segunda restricción.

La función objetivo se puede trazar suponiendo cifras arbitrarias para la utilidad

total, y a continuación se resuelve la ecuación con el fin de conocer las
coordenadas del eje tal como se concibió con las restricciones, según se aprecia
en la grafica mediante la línea de color rojo.

En términos matemáticos, podemos reemplazar en la función objetivo los puntos

hallados dentro de la región factible para definir la óptima solución.

En la figura anterior, existen tres puntos a ser considerados parte de la solución,

punto G (cruce restricción 2 y 3) punto C (cruce ecuación 1 y 2) y punto B (30;0).
Para hallar las coordenadas del punto G; realizamos un sistema de ecuaciones

2𝑋1 + 6𝑋2 = 72

1𝑋2 = 10

Donde:

X1 = 6
X2=10

Para hallar las coordenadas del punto C; realizamos un sistema de ecuaciones

4𝑋1 + 6𝑋2 = 120

Donde:

X1=24
X2=10

Página | 19
Luego de determinar las posibles soluciones como se muestra en la tabla,
reemplazando los puntos antes mencionados, se determina que la óptima solución
es 92 USD de utilidad diaria, produciendo 24 productos tipo A y cuatro productos
tipo B ninguna otra combinación de productos genera una mayor utilidad.

Página | 20
2.3. Método simplex

En 1947 el matemático norteamericano Jorge Dantzig desarrolló un algoritmo para

resolver problemas de PL de dos o más variables conocido como método simplex.

El método simplex es otra de las herramientas importantes con que cuenta la

investigación de operaciones para apoyar la toma de decisiones cuantitativas, es
decir, este método se utiliza para resolver modelos de programación lineal, del
mismo modo que el método gráfico, con la ventaja de no tener límite en la
cantidad de variables de decisión que se incorporen al modelo. Por lo tanto, se
pueden manejar n variables y m restricciones, siempre y cuando cumplan con las
características de la programación lineal.

El método simplex tiene un algoritmo para su aplicación, el cual revisaremos en

esta unidad. Algunas características importantes del método simplex son que:

 Es un proceso iterativo que puede genere varias aproximaciones a la

solución a través de distintas tablas de solución.
 Se puede identificar cuando se ha llegado a la solución óptima del modelo.

Una observación importante sobre el método es que puede ser muy sensible a
errores de redondeo, dado que se llevan a cabo gran cantidad de operaciones.
Para evitar este tipo de errores, se recomiendan dos acciones:

1. Utilizar el redondeo simétrico con la cantidad de decimales adecuadas a la

magnitud de las variables de decisión.

2. Realizar las operaciones con fracciones

El método simplex está basado en el método de Gauss-Jordan, pero además de

resolver un sistema de ecuaciones, evalúa la función objetivo en la solución y con
esto permite determinar si esta solución es óptima o no; en caso de no ser óptima
el algoritmo recorre los vértices del polígono de soluciones factibles
analizando el proceso iterativo hasta obtener el valor que maximiza o minimiza la
función objetivo.

Página | 21
Existen varias formas de resolver un modelo de programación lineal. El método
más comúnmente usado es el método simplex. Este método encuentra la solución
óptima de un modelo de PL, evaluando la función objetivo, en cada vértice de la
región factible.

Metodología

Nótese que, en modelos de dos variables en cualquier intersección de dos

restricciones, hay dos variables que toman valor igual a cero. Por tanto, para
conocer el valor de las otras variables se debe resolver el sistema de m
restricciones con m variables.

Una manera sencilla de encontrar una SOLUCION BASICA FACTIBLE es

identificar una matriz identidad en las restricciones del modelo escrito en forma
estándar. Las variables asociadas con esta matriz identidad son las VARIABLES
BASICAS

En comparación con el método gráfico, el método simplex tiene como punto de

partida el origen siendo este la solución inicial al problema. El método prueba
todos los puntos extremos gráficos, aunque no necesariamente se detiene en
todos los vértices. Por otro lado, utiliza el concepto de álgebra de matrices en una
serie de tablones.

Un modelo de PL se dice que está en su forma estándar si cada restricción es una

igualdad y las restricciones de signo para cada variable son del tipo mayor o igual
que cero. Muchos de nuestros modelos recién construidos no están en su forma
matricial.

Solución básica

En términos de Algebra Lineal, este concepto equivale a seleccionar m columnas

de A y que _estas formen una base para R m. Las columnas no seleccionadas
corresponden a aquellas variables que se hacen cero deliberadamente. Una vez
seleccionadas las columnas el nuevo sistema con el mismo vector de constantes
debe resolverse. La solución obtenida se llama solución básica. En términos de
matrices, tiene el significado que las variables que no se hacen cero
Página | 22
deliberadamente forman una matriz invertible. El proceso para obtener una
solución factible corresponde a tomar de A columnas para formar una matriz
cuadrada que resulte invertible.

El método más conocido y habitual para resolver problemas de P.L. es el método

del Simplex debido a Dantzig

1. Antes de desarrollar este método es preciso enunciar dos teoremas que no

probaremos, aunque en parte vimos cómo se cumplían en algunos análisis
gráficos del capítulo anterior.

1. El conjunto de posibles soluciones o conjunto factible de cualquier problema de

P.L. puede representarse mediante un poliedro convexo.

2. Si un P.L. tiene una solución óptima y finita, ésta estará en un vértice del
poliedro convexo que representa al problema de P.L.

Ejemplo

Una empresa dedicada a la venta a granel de tres tipos de grano súper, regular y
saldo requiere maximizar sus utilidades. Se sabe que la utilidad que generan es
$5.00, $6.00 y $5.50 por kilogramo, respectivamente. Para la comercialización
elaboran paquetes combinados de 100 kg cada uno y la cantidad de kg del grano
regular debe ser por lo menos el doble de la cantidad de kg de grano súper y saldo
juntos. Sólo se pueden vender 30 kg del grano saldo debido a su disponibilidad.

¿En qué cantidad se deben mezclar los diferentes tipos de granos en cada
paquete para obtener una utilidad máxima?

Las variables de decisión de este modelo son:

1:x = Cantidad de grano súper que se requiere vender.

2:x = Cantidad de grano regular que se requiere vender.

3:x = Cantidad de grano saldo que se requiere vender.

Página | 23
Para dar lugar al modelo:

Max Z = 5x1 + 6 x 2 + 5.5x 3

Sujeto a:
x1 + x 2 + x 3 ≤ 100 (1)Paquetes de 100 kg.

x 2 − 2 (x1 + x 3 ) ≤ 0 (2) Grano regular, el doble del grano súper y saldo.

x 3 ≤ 30 (3) Disponibilidad del grano saldo.

x1 , x 2 , x 3 ≥ 0 4) Condición de no negatividad (CNN).

Paso 1. Convertir las desigualdades en igualdades al sumarles una variable de

holgura hi. Esta variable representa la cantidad que le falta a la desigualdad para
ser igualdad. Las variables de holgura siempre son positivas. No se incluye la
CNN:

𝑥1 + 𝑥2 + 𝑥3 + ℎ1 = 100
𝑥2 − 2(𝑥1 + 𝑥3) + ℎ2 = 0
𝑥3 + ℎ3 = 30

Paso 2. Escribir la función objetivo como una igualdad a cero sumando las
variables de holgura hi y conservando positivo el cociente de Z max , es
decir:

Z max = −5x1 − 6 x2 − 5.5x3 + 0h1 + 0h2 + 0h3 = 0

Paso 3. Formar la tabla simplex o tabla inicial.

• Se construye una tabla como la que se muestra a continuación para

este caso:

Página | 24
  En la primera celda escribimos la etiqueta “Variables básicas”, en la
siguiente la etiqueta “Z”, después de esta celda se escriben los nombres de
las variables originales del modelo, seguidas de las variables de holgura.
En la última celda se coloca la etiqueta “Solución”. Además,
identificamos los renglones de la tabla para realizar operaciones entre
ellos con mayor facilidad.
 El segundo renglón contiene los coeficientes correspondientes a cada
variable original de la función objetivo escrita como se obtuvo en el Paso 2,
con el coeficiente cero para todas las variables de holgura y la
“Solución”.

 En la primera columna y a partir del tercer renglón se enlistan

verticalmente todas las variables de holgura empleadas. También a partir
del tercer renglón y después de la primera celda del mismo, se
colocan los coeficientes de cada una de las restricciones en la columna
de la variable correspondiente (esto genera los componentes de una matriz
identidad en las variables de holgué

Con la tabla inicial simplex asociada al modelo de PL se continúa para encontrar la

solución óptima (si es que existe) o bien, determinar que el problema no tiene
solución óptima.

Paso 4. Verificamos si todos los coeficientes asociados al renglón de Z son

mayores o iguales a cero, si es así, entonces la solución en la tabla es la óptima y
el proceso termina. Si no es así, se continúa.

Página | 25
En este caso existen tres coeficiente negativos asociados al renglón de Z,
por lo que se debe continuar con el proceso.

Paso 5. De los coeficientes del renglón Z se toma el que tenga el mayor

valor negativo (número menor) y se selecciona toda la columna. La variable de
esta columna es la que entra al sistema (pasa a ser básica).

Paso 6. Se divide el coeficiente de la columna “Solución” entre el

elemento correspondiente de la columna seleccionada en el punto anterior, y de
los resultados de la división se selecciona el menor valor positivo y todo el renglón
asociado a este valor. Ésta es la variable que sale de la base (pasa a ser no
básica). Nota: Las divisiones entre cero o entre números negativos no se toman en
cuenta. Si todas son negativas o indeterminadas, el problema no tiene solución y
termina el proceso.

Paso 7. La celda que se encuentra en la intersección de la columna con el renglón

seleccionado contiene un elemento al que, por medio de operaciones elementales
entre renglones, se convierte en elemento pivote y los elementos restantes en su
columna en ceros; con esto se obtiene una nueva columna componente de la

Página | 26
matriz identidad.

La celda con doble marco es el elemento pivote para este ejemplo, ya que como
se tiene un 1 en la celda no es necesario convertirlo. Entonces, la nueva tabla
simplex se escribe como

Nota que la variable que entra se escribe en el lugar de la variable que sale, x2 en
el lugar de h2, para esta tabla, y que lo que se busca es formar una columna con
un 1 en el lugar del elemento pivote y ceros en los demás sitios de la misma
columna.

En la parte derecha, fuera de la tabla, se indica la operación que se realizó para

obtener como resultado el nuevo renglón en cada caso.

Paso 8. Se repite el proceso desde el Paso 4 operando sobre matrices hasta

obtener

todos los coeficientes del renglón Z, con valores mayores o iguales a cero.

Página | 27
2.3.1. Método algebraico
El método algebraico es un procedimiento iterativo que permite ir mejorando la
solución a cada paso el proceso concluye cuando no es posible seguir mejorando
mas dicha solución partiendo
del valor de la función
objetiva en un vértice
cualquiera, el método
consiste en buscar
sucesivamente otro vértice
que mejore al anterior, la
mejor manera de dominar
este método es tener un
buen dominio de algebra y
un pensamiento lógico matemático. El método grafico consiste en generar una
solución básica posible, evaluar si la solución básica es óptima, en caso que no lo
es generar una nueva solución básica posible.

𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝑍 = 𝑋1 + 𝑋2

5𝑋1 + 3𝑋2 < 15

3𝑋1 + 5𝑋2 < 15

𝑋𝐽 > 0; 𝐽 = 1,2

Todo problema de programación lineal que se formule de la forma Maximice, con

todas sus restricciones < y con la condición de no negatividad, se le llama Forma
Estándar o Forma Normal

El área de soluciones factible, las coordenadas de cada esquina y el valor de la

función objetivo Z en cada una de ellas, se muestra en la gráfica siguiente:

Página | 28
Algoritmo del Método Algebraico

 Hallar una solución básica y factible (Solución inicial)

 Expresar las inecuaciones (desigualdades) como ecuaciones
(igualdades)
 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 66

1.-Hallar una solución básica factible

a) Expresar todas las inecuaciones como ecuaciones lineales, para ello y en

este caso usamos variables de relleno, también llamadas de holgura, para
igualar el lado izquierdo al lado derecho de la inecuación; así:

5𝑋1 + 3𝑋2 < 15

5𝑋1 + 3𝑋2 + 𝑋3 = 15

3𝑋1 + 5𝑋2 < 15

Página | 29
 3𝑋1 + 5𝑋2 + 𝑋4 = 15

Aquí X3 y X4 son las variables de holgura o relleno, que, al adicionarlas al

lado izquierdo, establecen la igualdad con el lado derecho de la inecuación
lineal. La variable X1 y X2 se denominan variables de decisión o variables
reales, las variables de relleno o holgura, se usan para convertir una
inecuación en una ecuación, esto es, igualar el lado izquierdo al lado
derecho. Las variables de holgura o de relleno, se suman o restan al lado
izquierdo de la inecuación, según convenga para establecer la igualdad.

b) Escoger en cada ecuación una variable que sirva como solución inicial al
problema y que tome un valor positivo (> 0), NO son elegibles las variables de
decisión o variables reales. Entonces, las variables de holgura o relleno (si las
hay), son las primeras opcionadas a ser escogidas como variables básicas y
factibles, lo que significa que deben tomar un valor mayor o igual a cero (> 0),
dicho de otra forma, las variables básicas factibles, deben cumplir con la condición
de no negatividad. De no conseguirse una variable de holgura que sea factible, se
utiliza el recurso de las variables de súper-avit o artificiales, pero de éste caso nos
ocuparemos en el segundo ejemplo, para el que usaremos el denominado método
de la gran M. Aquí tanto X3 como X4, variables de holgura, son escogidas como
variables básicas factibles, ya que ambas asumen valores positivos al ser X1 y X2
variables no básicas e iguales a cero (0), esto es:

5𝑋1 + 3𝑋2 + 𝑋3 = 15 3𝑥1 + 5𝑥2 + 𝑥4 = 15

𝑋1 = 𝑋2 = 0, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑥1 = 𝑥2 = 0, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠

𝑥4 = 15, 𝑣𝑎𝑙𝑜𝑟 > 0 𝑥3 = 15, 𝑣𝑎𝑙𝑜𝑟 > 0

c) Organizamos el sistema de ecuaciones de la siguiente manera:

Página | 30
En la ecuación (0) siempre Z es la variable básica

Fíjese que en cada ecuación existe una y solo una variable básica con coeficiente
(1), lo que permite leer su valor de manera automática al lado derecho; esto es:

𝑍 = 0; 𝑥3 = 15 𝑦 𝑥4 = 15; esto es una SOLUCIÓN BÁSICA FACTIBLE.

Una lista clasificada de las variables es:
X1 = 0 Variable de decisión o variable real Variable no básica

X2 = 0 Variable de decisión o variable real Variable no básica

X3 = 15 Variable de holgura o relleno Variable básica

X4 = 15 Variable de holgura o relleno Variable básica

¡Z = 0 ¡Variable de decisión o variable real ¡Variable básica, Siempre!!

2.-Escoger la variable que entra

Aquí analizamos si existe una solución mejor que la solución básica factible, para
ello despejamos de la ecuación (0) del sistema de ecuaciones inmediatamente
anterior a Z y hacemos la siguiente pregunta

¿CUÁL ES LA VARIABLE QUE AL CRECER HACE QUE Z CREZCA MÁS?

Aquí la velocidad de crecimiento, tanto de X1 como de X2 es uno (1), coeficiente

de las variables X1 y X2, luego se presenta un empate, el cual se dirime al azar,
escogemos como variable para entrar a X1. Como regla general, la variable para
entrar es aquella que al crecer haga que Z crezca más, ya que el objetivo es
Maximizar el valor de Z,

Dicho de otra forma, entrará la variable que tenga el coeficiente más positivo, si
estuviésemos minimizando se escoge la variable que haga que Z disminuya más,
o sea la que tenga el coeficiente más negativo.
Página | 31
Si no hubiese variable para entrar, ello indica que nos encontramos en la solución
óptima.

3.-Escoger la variable que sale

Despejamos de la ecuación (1) y (2) las variables básicas.

(1)𝑥3 = 15 − 5𝑥1 − 3𝑥2

(2)𝑥4 = 15 − 3𝑥1 − 5𝑥2

Como de las variables no básicas X1 y X2 ya fue escogida X1 para entrar a la

base, entonces X2 seguirá siendo variable no básica e igual a cero (0), esto
simplifica las ecuaciones así:

(1)𝑥3 = 15 − 5𝑥1

(2)𝑥4 = 15 − 3𝑥1

Fíjese que, para todos los casos, siempre quedarán despejadas las variables
básicas en función de la variable escogida para entrar.

¿CUÁL ES LA VARIABLE BÁSICA QUE RESTRINGE MÁS EL CRECIMIENTO

DE LA VARIABLE QUE ENTRA?

Para averiguarlo, hacemos que las variables básicas X3 y X4 asuman su menor

valor factible o sea cero (0) y observamos el valor que asume la variable escogida
para entrar (X1).
(1)15 − 5𝑥1 = 𝑥3 (2)15 − 3𝑥1 = 𝑥4

(1)15 − 5𝑥1 = 0 (2)15 − 3𝑥1 = 0

𝑥1 = 3 𝑥1 = 5

X3 deja crecer a X1, como máximo X4 deja crecer a X1, como máximo
hasta 3 hasta 5

Página | 32
Resumiendo:

La variable básica que debe salir es aquella que restringa más el crecimiento de la
variable que entra, en caso de empate, se dirime arbitrariamente. Aquí se está
cuidando la factibilidad de las variables, esto es, que todas sean positivas (> 0).
En el caso de ser un problema de minimización, la presente regla de selección es
igual.

Para nuestro problema, la variable que sale es X3 ya que como máximo dejará
crecer a X1 hasta 3, mientras que X4 la deja crecer como máximo hasta 5.

4.-Reorganizar el sistema de ecuaciones

Observe que al entrar X1 y salir X3, el sistema de ecuaciones ya no tendrá una

sola variable básica en cada fila con coeficiente uno (1), esto es:

Fíjese que en la ecuación (1) se encuentra la variable que entra X1 y la variable

que sale X3 por ello en ésta fila solo queda como variable básica X1, lo molo aquí
es que tiene coeficiente diferente de uno (1), por ello multiplicamos toda la fila por
el inverso del coeficiente de X1 (1/5) y la ecuación resultante la llamamos Fila
Pivote ya que posteriormente servirá para eliminar a X1 de las ecuaciones (0) y
(2).

(1) 5𝑥1 + 3𝑥2 + 𝑥3 = 15 (1/5)

(1) 𝑥1 + 3/𝑥2 + 1/5𝑥3 = 3 𝐹𝑖𝑙𝑎 𝑝𝑖𝑣𝑜𝑡𝑒

Página | 33
Para encontrar el nuevo sistema de ecuaciones en el que en cada fila figure una y
solo una variable básica con coeficiente uno (1), de tal forma que se pueda leer
automáticamente su valor en el término independiente de cada ecuación,
multiplicamos la fila pivote por el coeficiente de X1 (multiplicado por –1), de cada
una de las otras ecuaciones y sumamos la fila pivote con cada una de las otras
ecuaciones para encontrar las nuevas ecuaciones del sistema. Para nuestro
problema, esto es:

• Multiplicamos la fila pivote, fila (1) por uno (1) y le sumamos la fila (0). El
resultado es la nueva fila (0).

1
(1)𝑥1 + 3𝑥2 + = 3 (1) (0) 𝑍 – 𝑥1 − 𝑥2 = 0
5𝑥 3

(1) 𝑥1 + 3/5𝑥2 + 1/5𝑥3 = 3

(0) 𝑍 −2/𝑥2 + 1/5𝑥3 = 3 𝑁𝑢𝑒𝑣𝑎 𝑓𝑖𝑙𝑎 (0)

Fíjese que hemos eliminado a X1 de la ecuación (0)

• Multiplicamos la fila pivote por (-3) y le sumamos la fila (2), el resultado es la

nueva

ecuación (2)

(1)𝑥1 + 3/𝑥2 + 1/5𝑥3 = 3 (−3) (2)3𝑥1 + 5𝑥2 + 𝑥4 = 15

(1) −3𝑥1 −9/5𝑥2 −3𝑥3 = −9

(2) 16/𝑥2 −3/5𝑥3 − 3/5 + 𝑥4 = 6 𝑁𝑢𝑒𝑣𝑎 𝑓𝑖𝑙𝑎 (2)

Fíjese que hemos eliminado a X1 de la ecuación (2)

El nuevo sistema de ecuaciones es:

Página | 34
Una lista clasificada de variables para esta iteración es:

X1 = 3 Variable de decisión o variable real Variable básica

X2 = 0 Variable de decisión o variable real Variable no básica

X3 = 0 Variable de holgura o relleno Variable no básica

X4 = 6 Variable de holgura o relleno Variable básica

Z=3 Variable de decisión o variable real Variable básica

Fíjese en las siguientes características que siempre debe tener el sistema de

ecuaciones

 En cada fila hay una y solo una variable básica con coeficiente uno (1)
 En la función objetivo, ecuación cero (0), la variable básica siempre es Z y
estará
 acompañada por las variables no básicas.
 Los términos independientes, siempre serán los valores de las variables
básicas para cada ecuación.

Observe en la gráfica, que lo que ha hecho el método algebraico es saltar de una

esquina del área de soluciones factible a otra esquina contigua y ha empezado por
la peor solución básica factible posible.

Página | 35
¿ES ÉSTA LA SOLUCIÓN ÓPTIMA?

La respuesta la hallamos, si encontramos una variable que al entrar haga que la

función objetivo crezca más, lo anterior significa que debemos repetir los pasos 2,
3 y 4 hasta que no se encuentre una variable que haga que Z crezca, cuando ello
ocurra estamos en el óptimo. 71

II iteración

Variable que entra

2 1
𝑍 = – + 3; 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑞𝑢𝑒 𝑒𝑛𝑡𝑟𝑎: 𝑥2
5𝑋2 5𝑋3

Variable que sale

3
𝑋1 = 3 – 𝑥 < 5
5𝑋2 2

16 15
𝑋4 = 6 – 𝑥2 < = 1,875; 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑞𝑢𝑒 𝑠𝑎𝑙𝑒 𝑥4
5𝑋2 8

Nuevo sistema de ecuaciones

Último sistema de ecuaciones

(0) 𝒁 − 2/5𝑋2 + 1/5𝑋3 = 3
(1) 𝑿𝟏 + 3/5𝑋2 + 1/5𝑋3 = 3
(2) + 16/5𝑋2 − 3/5𝑋3 + 𝑿𝟒 = 6 (5/16)

Último sistema de ecuaciones

(0) 𝑍 − 2/5𝑋2 + 1/5𝑋3 = 3

(1) 𝑋1 + 3/5𝑋2 + 1/5𝑋3 = 3

(2) + 16/5𝑋2 − 3/5𝑋3 + 𝑋4 = 6 (5/16)

Página | 36
Nuevo sistema de ecuaciones

(0) 𝑍 + 1/8𝑥3 + 1/8𝑥4 = 15/4

(1) 𝑥1 + 5/16𝑥3 − 3/16𝑥4 = 15/8

(2) 𝑥2 − 3/16𝑥3 + 5/16𝑥4 = 15/8 (2/5) (−3/5)

III Iteración

Variable que entra

(0) 𝑍 + 1/8𝑥3 + 1/8𝑥4 = 15/4

𝑍 = 15/4 – 1/8𝑥3 – 1/8𝑥4

Ninguna variable al crecer hace que Z crezca, luego estamos en la solución

óptima.

Solución óptima

Variables de decisión o reales

𝑥1 = 15/8 = 1,875 𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑑𝑒 ℎ𝑜𝑙𝑔𝑢𝑟𝑎 𝑜 𝑟𝑒𝑙𝑙𝑒𝑛𝑜 𝑥3 ∗ = 𝑥4 ∗ = 0

𝑥2 = 15/8 = 1,875

𝑍 = 15/4 = 3,75

Fíjese que X3 = X4 = 0 significa, que los recursos que representan las

restricciones 1 y 2 se usarán en su totalidad, ambas restricciones son activas, de
estricto cumplimiento. Ahora resolveremos un segundo ejemplo que tiene las
siguientes características.

 El criterio de optimización en la función objetivo es de Minimización

 Más de 2 variables, de hecho, tendrá tres (3) variables de decisión o reales.
 Se consideran en las restricciones las inecuaciones del tipo <, = y >

Aprenderemos en este ejemplo, cómo el método algebraico nos indica que el

problema tiene múltiples soluciones.

Página | 37
2.3.2. Tabla simplex

Máx Z = 10x1 + 14x2 Máx Z = 10x1 + 14x2 + 0s1 + 0s2

sujeto a: sujeto a:
4x1 + 6x2 24 4x1 + 6x2 + 1s1 + 0s2 = 24
2x1 + 6x2 20 2x1 + 6x2 + 0s1 + 1s2 = 20
x1 , x2 0 x1 , x2 , s1 , s 2 0

Cj 10 14 0 0
CB base bj X1 X2 S1 S2
0 S1 24 4 6 1 0
0 S2 20 2 6 0 1
Zj 0 0 0 0 0
Cj - Zj 10 14 0 0

Cj 10 14 0 0
CB base bj X1 X2 S1 S2

0 S1 24 4 6 1 0 4

0 S2 20 2 6 0 1 3.33

Zj 0 0 0 0 0

Cj - Zj 10 14 0 0

pivote cocientes
la tabla no es óptima!

X2 entra en la base con valor x2= 3.33 (s2=0 es la variable que sale)

Página | 38
1ra iteración:

Cj 10 14 0 0
CB base bj X1 X2 S1 S2
0 S1
14 X2 3.33 0.33 1 0 0.166
Zj
Cj - Zj
se divide el renglón
del pivote entre él
Cj 10 14 0 0 CB base bj

0 S1 4 2 0 1 -1
14 X2 3.33 0.33 1 0 0.166
Zj
Cj - Zj

renglón anterior 24 4 6 1 0
- valor asociado -6 (3.33 0.33 1 0 0.166)
al pivote por el renglón actualizado del pivote
Cj 10 14 0 0
CB base bj X1 X2 S1 S2
0 S1 4 2 0 1 -1 2
14 X2 3.33 0.33 1 0 0.166 10
Zj 46.66 4.66 14 0 2.33
Cj - Zj 5.33 0 0 -2.33

pivote cocientes
x1 entra a la base con valor x2 = 2 (s1 = 0 es la variable que sale)

Página | 39
 2da iteración:
Cj 10 14 0 0
CB base bj X1 X2 S1 S2

10 X1 2 1 0 0.5 -0.5
14 X2
Zj
Cj - Zj
se divide el renglón
del pivote entre él
Cj 10 14 0 0
CB base bj X1 X2 S1 S2
10 X1 2 1 0 0.5 -0.5
14 X2 2.66 0 1 -.166 0.33
Zj
Cj - Zj

renglón anterior 3.33 0.33 1 0 0.166

- valor asociado -.33( 2 1 0 0.5 -0.5 )
al pivote x
renglón actualizado del pivote

Cj 10 14 0 0
CB base bj X1 X2 S1 S2

10 X1 2 1 0 0.5 -0.5
14 X2 2.66 0 1 -.166 0.33
Zj 57.24 10 14 2.66 -.33
Cj - Zj 0 0 -2.66 0.33

pivote
s2 entra a la base con valor s2=8 (x2=0 es la variable que sale)
Página | 40
3ra iteración:
Cj 10 14 0 0
CB base bj X1 X2 S1 S2
10 X1
0 S2 8 0 3 -0.5 1
Zj
Cj - Zj
se divide el renglón
del pivote entre él
Cj 10 14 0 0
CB base bj X1 X2 S1 S2
10 X1 6 1 1.5 0.25 0
0 S2 8 0 3 -0.5 1
Zj
Cj - Zj

renglón anterior 2 1 0 0.5 -0.5

- valor asociado +.5(8 0 3 -0.5 1 )
al pivote x renglón actualizado del pivote
Cj 10 14 0 0
CB base bj X1 X2 S1 S2
10 X1 6 1 1.5 0.25 0
0 S2 8 0 3 -0.5 1
Zj 60 10 15 2.5 0
Cj - Zj 0 -1 -2.5 0

Página | 41
2.4 Método dual

Método del dual (teoría de dualidad).

Todo problema de programación lineal tiene asociado con él otro problema de
programación lineal, Llamado DUAL. El problema inicial es llamado PRIMO y el
problema asociado (sombra) es llamado, el problema PRIMO. Los dos juntos son
llamados problemas duales ya que ambos están formados, por el mismo conjunto
de datos. La solución básica factible óptima de estos problemas es tal que una
puede fácilmente ser usada para la solución de la otra. La dimensión del problema
de programación lineal influencia la elección del cálculo del primo o del dual. Si el
primo tiene más ecuaciones que variables, es frecuentemente más fácil obtener la
solución del dual ya que menor número de interacciones son requeridas. Además,
si el primo tiene solución, el dual tendrá solución. Una vez que el problema dual es
formulado, el procedimiento de solución es. Exactamente el mismo que para
cualquier problema de programación lineal.
Mecánicamente el dual es formulado partiendo del problema primo en la
siguiente forma:
Si el primo es un problema de Maximización, el dual es un problema de
Minimización y viceversa.
 Los coeficientes de la función objetivo del primo se convierten en las
restricciones constantes de las ecuaciones del dual.
 Las restricciones de las ecuaciones del primo se convierten en los
coeficientes de la función objetivo del dual.
 Los coeficientes de las variables del dual en las ecuaciones restrictivas son
obtenidos sacando la transpuesta de la matriz de coeficientes del primo,
(Los arreglos de los coeficientes en las columnas del primo se convierten
en los coeficientes de las filas en el dual y viceversa).
 Los signos de la desigualdad son invertidos.
 Las Xn variables del primo son remplazadas por Wm variables en el dual.

Página | 42
Notación matemática:
Primo Contiene m ecuaciones y n variables.
Dual Contiene n ecuaciones y m variables.
La notación matricial del Primo es:
Max Z = CX
Sujeto a:
AXb
x0

La notación matricial del Dual es:

Min Z = bt W
Sujeto a:
AtW Ct
W0
RELACION DE LOS PROBLEMAS PRIMO Y DUAL

Ejemplo:
Primo
Min Z = 3X1 - 2X2 + X3

Página | 43
Sujeto a:
:
2X1 - 3X2 + X3  1 2X1 - 3X2 + X3  1
2X1 - 3X2 + X3 - 1 - 2X1 + 3X2 - X3  -1
2X1 + 3X2 - X4  8 2X1 + 3X2 - X4  8
2X1 + 3X2 - X4  8 - 2X1 - 3X2 + X4  -8
x´s  0

Dual
Max Z = W1 - W2 + 8W3 - 8W4
Sujeto a:

2W1 - 3W2 + 2W3 - 2W4  3

-3W1 + 3W2 + 3W3 - 3W4  -2
W1 - W2 1
- W3 - W4 0
W´s  0

El valor óptimo en el primo, es siempre igual al valor óptimo del dual. Los valores
absolutos de las variables del Dual (w`s) se encontrarán en la tabla final (Optima)
del primo en la fila Zj-Cj bajo las columnas de las variables que originalmente
aportaron las columnas para formar la matriz identidad.

De manera similar el valor absoluto de las variables del primo (x´s) se encontrará
en la tabla Optima del Dual en la fila Zj-Cj bajo las columnas de las variables que
originalmente aportaron las columnas para formar la matriz identidad.
Interpretación Económica de las variables del Dual.
La solución del problema Dual representa la interpretación económica que es una
forma de análisis marginal (¿Qué pasará si una entidad adicional del insumo es
utilizada?). Las variables del Dual Wm en un problema Primo de Maximización de
ganancias, son las ganancias marginales de cada insumo o producto adicional.

Página | 44
Las variables del Dual son llamadas algunas veces costos marginales o precios
sombra. Las variables del Dual Wm en un problema primo de Minimización de
costos, son los costos marginales de cada insumo o producto adicional. La
limitación b en las ecuaciones del Primo determina si las variables del Dual se
relacionan en insumos o productos marginales.

Si la limitación b restringe a los factores de producción, el análisis marginal se

refiere al insumo. Si la limitación b en las ecuaciones restringe el producto el
análisis marginal se refiere al producto. El conocimiento de cuanta ganancia o
costo cambiarán con una unidad adicional de cada uno de los varios recursos,
puede ser una información valiosa.
Interpretación económica del Dual
Primo Dual
Min Z = Cx Max Z = wb
Sujeto a: sujeto a:
Ax  b wA  C b
x0 w 0
Si B es la base óptima para el problema primo y CB es el vector básico de costos,
entonces sabemos que:
Z* = CB B-1 b = CB XB = w*b

Del dual.

Por esto Wi* es la tasa de cambio de valor óptimo de la función objetivo, con el
incremento de una
Unidad en b (limitación). Ya que wi*³ 0, Z se incrementará o permanecerá
constante conforme bi se Incremente.
Económicamente, w* es un vector de precios sombra para el vector b.

Página | 45
Así, si la i va ecuación representa la demanda para producir al menos bi unidades
del producto i vo y.

Ejemplo:
Una compañía fabrica 4 modelos de escritorios, cada escritorio es primero
construido en el taller de carpintería y entonces es enviado al departamento de
acabados, donde este es barnizado, encerado y pulido, se proporciona a
continuación la siguiente información:
1. Los insumos (materia prima y accesorios) están disponibles en cantidades
suficientes y Todos los escritorios pueden ser vendidos.
2. La compañía desea determinar la mezcla óptima de productos tal que se
maximice la Ganancia.
3. Las limitaciones de capacidad por departamento para el próximo periodo de
planeación Son: 6000 H.H (Horas-Hombre) en el taller de carpintería y 4000 H.H
en el de acabados.
4. Las horas hombre requeridas por tipo de escritorio y sus ganancias se dan a
continuación:

Página | 46
Las variables del dual o precios sombra se encuentran en la fila Zj–Cj bajo las
columnas que. Aportaron en la tabla inicial las variables de holgura. (1ª.
Restricción que aporto la 1ª columna de la Matriz identidad, estará relacionada con
W1, 2ª restricción que aportó la 2ª columna de la matriz Identidad, estará
relacionada con W2 y así sucesivamente. El precio sombra o W, indicará que por
cada unidad que se incremente la disponibilidad del recurso i, la función objetivo Z
mejorará en W unidades.
Indicar:
a) si W= 0 en su ecuación correspondiente la variable de holgura es igual a cero,
es decir se usan todos los recursos de esta restricción.
b) Sí W=0, en su ecuación correspondiente la variable de holgura es diferente de
cero, es decir no se usan todos los recursos de esta restricción.
Para que adquirir más artículos ce cierto recurso si su precio sombra W es igual a
cero, es decir que no se han usado todos los artículos de este recurso.

2.5 Método Dual- Simplex

Este método se aplica a problemas óptimos, pero infactibles. En este caso, las
Restricciones se expresan en forma canónica (restricciones)la función objetivo
puede estar en la forma de maximización o de minimización.
Después de agregar las variables de holgura y de poner el problema en la tabla, si
algún elemento de la parte derecha es negativo y si la condición de optimidad está
Satisfecha, el problema puede resolverse por el método dual simplex. Note que un

Página | 47
elemento negativo en el lado derecho significa que el problema comienza óptimo
pero infactible como se requiere en el método dual simplex. En la interacción
donde. la solución básica llega a ser factible esta será la solución óptima del
problema.
condición de factibilidad.
La variable que sale es la variable básica que tiene el valor más negativo (los
empates se rompen arbitrariamente si todas las variables básicas son no
negativas, el proceso termina y esta última tabla es la solución óptima factible).
condición de optimidad.
La variable que entra se elige entre las variables no básicas como sigue. Tome los
Cocientes de los coeficientes de la función objetivo 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 Minimizar o el valor
absoluto más pequeño si el problema es de maximización (Rompa los empates
arbitrariamente). Si los denominadores son ceros o positivos El problema no tiene
ninguna solución factible.

Ejemplos:

PASO 1: Convertir el problema de minimización en uno de maximización. La

función objetivo se multiplica por -1
F.O.
Max. Z = - 4X1 - 12X2 - 18X3
Las restricciones se multiplican por -1.

S.A.

- X1 - 3X3 ≤ -3
- 2X2 - 2X3 ≤ -5
X1, X2, X3 ≥ 0

Página | 48
PASO 2: Se convierten las inecuaciones en ecuaciones.

F.O.
Z + 4X1 + 12X2 + 18X3 = 0

S.A.
- X1 - 3X3 + S1 = -3
– 2X2 - 2X3 + S2 = -5

PASO 3: Se determinan las variables básicas y no básicas.

・Básicas: S1 y S2

・No Básicas: X1 X2 y X3

PASO 4: Elaborar la tabla inicial del simplex

Variable Variables. Solución

básica X1 X2 X3 S1 S2
S1 -1 0 -3 1 0 -3

S2 0 -2 -2 0 1 -5
Z 4 12 18 0 0 0

PASO 5: Determinar la variable que sale (fila pivote)

Es el número más negativo de la solución de las restricciones = fila de S2

PASO 6: Determinar la variable que entra (columna pivote)

Razón = Coeficiente de Z / coeficiente fila pivote.
Razón Mayor = Columna X2 (-12 / 2)

Página | 49
Variable Variables. Solución
básica X1 X2 X3 S1 S2
S1 -1 0 -3 1 0 -3

S2 0 -2 -2 0 1 -5
Z 4 12 18 0 0 0
Razón - -6 -9 - 0

PASO 7: Elaborar la nueva tabla del simplex

a) Nueva fila pivote = Fila pivote / elemento pivote

0 -2 -2 0 1 -5 Fila pivote
-2 -2 -2 -2 -2 -2 Elemento
pivote
0 1 1 1 -0.5 2.5 Nueva fila
pivote.

b) Nuevas filas = fila anterior - coeficiente de la columna pivote x nueva fila pivote.

Página | 50
Nueva Tabla del Simplex.

Variable Variables. Solución

básica X1 X2 X3 S1 S2
S1 -1 0 -3 1 0 -3

S2 0 1 1 0 -1 2.5
Z 4 0 6 0 6 -30
Razón -4 - -2 0 -

Se realizan nuevamente los pasos del 5 al 7 obteniendo como solución final:

Variable Variables. Solución

básica X1 X2 X3 S1 S2
X3 0.33 0 1 -0.33 0 1
x2 -0.33 1 0 0.33 -0.5 1.5
Z 2 0 0 2 6 -36

NOTA: No hay más iteraciones cuando no existan soluciones con coeficientes

negativos.
R\ El valor mínimo se alcanza para un X2 = 3/2 y X3 = 1, para un Z = 36.

Página | 51
 2.6 Análisis de resultados.

Los resultados obtenidos se deben analizar y con base en la situación actual, se

debe tomar una decisión. La forma de interpretar los resultados y tomar la mejor
decisión es la clave del éxito de numerosas empresas reconocidas.
La programación lineal ayuda al administrador a usar más eficientemente sus
recursos, distribuyendo eficazmente los elementos con los que cuenta para la
actividad productiva. Además, los resultados numéricos obtenidos al usar
programación lineal, permiten tomar decisiones objetivas y dejar a un lado el modo
de pensar o de sentir.
En el mundo actual las decisiones ya no pueden ser tomadas por tanteo o
corazonadas; ahora deben tomarse en cuenta métodos sistemáticos y
herramientas que brinden resultados confiables.
Es de considerar que la programación lineal arroja soluciones posibles y prácticas
y le dan un panorama al administrador para la toma de decisiones; sin embargo,
nadie puede predecir exactamente el futuro, y pueden interferir otras variables que
perjudiquen a la empresa sin poder tener un control absoluto de ello, como por
ejemplo problemas económicos nacionales, la demanda, etc.

Página | 52
 CONCLUSION
En este trabajo determinamos que la programación lineal es una herramienta muy
útil, para personas con empresas, independientes como para grandes compañías,
que permite administrar de la mejor manera los recursos con los que cuentan para
poder aprovecharlos al máximo como también ayuda a obtener mayores
ganancias y minimizar costo.

Severo del Ángel perla Guadalupe.

De acuerdo a esta investigación nos dimos cuenta de que tan importantes son los
métodos ya que nos ayuda a obtener beneficios satisfactorios dentro de una
empresa porque determina un reconocimiento de la aplicabilidad tan amplia de
esta técnica.

Martínez Bautista Lizbeth

En conclusión debemos tener en cuenta que la programación lineal no puede ser

solo puesta en práctica sin antes tener en cuenta de lo que es y practicas básicas
acerca de los métodos ya que en el ámbito diario es de gran utilidad de empresa
y afectar a su desarrollo.

Pérez Francisco Guadalupe

En este caso el análisis de resultados ayuda al administrador a usar más

eficientemente sus recursos, distribuyendo eficazmente los elementos con los que
cuenta para la actividad productiva.

Fuentes velez victoriano

Página | 53