PROGRAMACIN LINEAL

La programacin lineal (PL) es una herramienta para resolver problemas de optimizacin. En 1947,
George Dantzig cre un mtodo eficaz, el algoritmo simplex, para resolver problemas de
programacin lineal. A partir del surgimiento del algoritmo simplex, se ha usado en la programacin
lineal para resolver problemas de optimizacin en industrias tan diversas como la banca, la
educacin, el petrleo y el transporte. En una encuesta realizada por la revista Fortune, de 500
empresas, el 85% de las que contestaron dijeron que haban utilizado la programacin lineal.
Ejemplo de un problema de programacin lineal
Woodcarving, Inc. de Giapetto, fabrica dos tipos de juguetes de madera: Soldados y Trenes. Se vende
un soldado a 27 dlares y se usan 10 dlares de materia prima. Cada soldado que se produce aumenta
los costos variables de mano de obra y los costos generales en 14 dlares. Se vende un tren a 21
dlares y se usan 9 dlares de materia prima. Cada tren producido aumenta los costos variables de
mano de obra y los costos generales en 10 dlares. La produccin de soldados y trenes de madera
necesita dos tipos de trabajo especializado: carpintera y acabado. Un soldado requiere 2 horas de
acabado y 1 hora de carpintera. Un tren requiere 1 hora de acabado y 1 hora de carpintera. Cada
semana, Giapetto puede conseguir toda la materia prima que necesita, pero solamente dispone de 100
horas de acabado y 80 de carpintera. La demanda de los trenes no tiene lmite, pero se venden a lo
ms 40 soldados semanalmente. Giapetto quiere maximizar su ganancia semanal (ingresos - costos).
Formule y resuelva un modelo matemtico para la situacin de Giapetto que se pueda utilizar para
maximizar su ganancia semanal.
Podemos resumir la informacin en la siguiente tabla:
Tipo de
Juguete
Soldado
Tren

Precio de
venta
(dlares)

27
21

Costo
materia
prima

10
9

Costos variables de
mano de obra y
generales

14
10

Disponibilidad

Horas
de
Acabado

Horas de
carpintera

2
1
100

1
1
80

Ganancia

3
2

Sean
x1: La cantidad de soldados a producir
x2: La cantidad de trenes a producir
El modelo es:

Max. z 3x1 2 x2

s. a.
2 x1 x2 100
x1 x2 80
x1

40

x1 0, x2 0
Caractersticas comunes a todos los problemas de PL.
Variables de decisin. Empezamos definiendo las variables de decisin pertinentes. En cualquier
problema de PL, las variables de decisin tienen que representar completamente las decisiones que
se deben tomar.

Funcin objetivo. En cualquier problema de PL, la persona que toma la decisin quiere maximizar
(generalmente el ingreso o las ganancias) o minimizar (por lo general los costos) alguna funcin de
las variables de decisin. La funcin que hay que maximizar o minimizar se llama funcin objetivo.
El coeficiente de una variable en la funcin objetivo se llama coeficiente de la funcin objetivo de la
variable, el coeficiente de la funcin objetivo de cada variable es simplemente la contribucin de la
variable a la ganancia de la compaa.
Restricciones. Para que una restriccin sea razonable, todos los trminos en la restriccin tienen que
tener las mismas unidades. De otra manera se sumaran manzanas con naranjas, y la restriccin no
tendra ningn sentido. Los coeficientes de las variables de decisin en las restricciones se llaman
coeficientes tecnolgicos. Esto se debe a que los coeficientes tecnolgicos reflejan a menudo la
tecnologa utilizada para producir diferentes productos. El nmero a cada lado derecho de la
restriccin se llama lado derecho de la restriccin. Muchas veces el lado derecho de una restriccin
representa la cantidad disponible de un recurso.
Restricciones de signo (o de no negatividad). Para completar la formulacin de un problema de PL,
hay que contestar la siguiente pregunta para cada variable de decisin: puede tomar la variable de
decisin valores no negativos solamente, o se le pueden permitir valores tanto positivos como
negativos?
Si una variable de decisin xi solamente toma valores no negativos, aadimos la restriccin de signo
xi 0. Si una variable de decisin xi puede tomar valores positivos y negativos (o inclusive ser cero),
decimos que xi no tiene restriccin de signo, se abreviar SRS sin restriccin de signo.
DEFINICIN
Un problema de programacin lineal (PL) es un problema de optimizacin, para el cual hacemos lo
siguiente:
1. Tratamos de maximizar (o minimizar) una funcin lineal de variables de decisin. La funcin que
se pretende maximizar o minimizar se llama la funcin objetivo.
1. Los valores de las variables de decisin tienen que satisfacer un conjunto de restricciones. Cada
restriccin tiene que ser una ecuacin lineal o una desigualdad lineal.
1. Hay una restriccin de signo para cada variable. Para cualquier variable xi, la restriccin de signo
especifica que xi tiene que ser no negativo o que xi puede ser una variable sin restriccin de signo
(SRS).

SUPOSICIONES DE UN PL
De proporcionalidad y aditividad
El hecho de que la funcin objetivo de un PL tiene que ser una funcin lineal de las variables de
decisin, tiene dos implicaciones:
1. La contribucin de cada variable de decisin a la funcin objetivo es proporcional al valor de la
variable de decisin.
1. La contribucin a la funcin objetivo por parte de cualquier variable es independiente de los
valores de las otras variables de decisin.
De manera anloga, el hecho de que cada restriccin de PL tiene que ser una desigualdad o igualdad
lineal, tiene dos implicaciones:
1. El aporte de cada variable al lado izquierdo de cada restriccin es proporcional al valor de la
variable.
1. La contribucin de una variable al lado izquierdo de cada restriccin es independiente de los
valores de las otras variables.
El primer punto dado cada listado, se llama suposicin de proporcionalidad de la programacin
lineal. El punto 2 de la primera lista afirma que el valor de la funcin objetivo es la suma de las

contribuciones de las variables individuales, y el punto 2 de la segunda lista indica que el lado
izquierdo de cada restriccin es la suma de las contribuciones de cada variable. Por tal razn, el
segundo punto de cada listado se llama Suposicin de aditividad de la programacin lineal.
De divisibilidad
La suposicin de divisibilidad requiere que cada variable de decisin pueda tomar valores
fraccionarios. Un problema de PL en el cual algunas, o todas las variables tienen que ser nmeros
enteros no negativos, se llama un problema de programacin entera. Luego estudiaremos soluciones
de problemas de programacin entera.
Certidumbre
La suposicin de certidumbre significa que tiene que conocerse con certeza cada parmetro del
modelo (coeficiente de la funcin objetivo, lado derecho y el coeficiente tecnolgico).
La Regin Factible y La Solucin ptima
Dos de los conceptos ms fundamentales asociados a los problemas PL, son la regin factible y la
solucin ptima. Para definir estos conceptos, usamos el trmino punto para indicar un valor
especfico de cada variable de decisin.
Definicin
La regin factible para un PL es el conjunto de todos los puntos que satisfacen todas las
restricciones.
Cuando el PL tiene ms de dos variables de decisin, a la regin factible se le conoce como
hiperplano. Cualquier punto que no se encuentra en la regin factible se llama punto no factible.
Definicin
Para un problema de maximizacin, una solucin ptima para un PL, es un punto de la regin
factible con el mayor valor de la funcin objetivo. Similarmente, para un problema de minimizacin,
una solucin ptima corresponde a un punto de la regin factible, con el menor valor de la funcin
objetivo.
La mayora de los PL tiene solamente una solucin ptima. Sin embargo, algunos PL no tienen
solucin ptima, y algunos PL tienen un nmero infinito de soluciones.
Solucin grfica de problemas bidimensionales de Programacin Lineal
Para resolver grficamente cualquier PL con solamente dos variables. Siempre denominamos las
variables x1 y x2 y los ejes coordenados los ejes x1 y x2. Luego haremos lo siguiente:
1. Graficamos cada una de las restricciones incluyendo las de no negatividad.

2 x1 x2 100 x1 x2 80

x1

40

La regin factible para el problema de Giapetto se muestra en la grfica siguiente:

Despus de identificar la regin factible buscamos

1. la solucin ptima, que corresponder al punto de la regin factible con el mayor (o menor) valor
de z. Para encontrar la solucin ptima, tenemos que graficar una lnea recta que corresponde a
todos los puntos con un mismo valor de z. Estas lneas se conocen como lneas de indiferencia o
de isocostos (o isoutilidades para maximizacin)

1. Para dibujar una lnea de indiferencia escogemos cualquier punto de la regin factible y
calculamos el valor de z, o simplemente le podemos dar un valor particular a z. Luego de graficar
al menos dos lneas de indiferencia notaremos que dichas lneas son paralelas pues todas tienen la
misma pendiente. Esto quiere decir que podemos encontrar todas las lneas de indiferencia, una
vez trazada una lnea de indiferencia, trazndolas paralelamente a la primera.
1. La ltima lnea de indiferencia que toca la regin factible define el mximo (o mnimo) valor de z
de cualquier punto en la regin factible e indica la solucin ptima del PL.

1. El punto que corresponde a la solucin ptima es la interseccin de al menos dos rectas que
corresponden a las restricciones. Para hallar dicho valor solamente debemos resolver el sistema
de ecuaciones lineales asociado a todas las rectas de dicha interseccin.
6. El valor ptimo de z se obtiene sustituyendo los valores de x1 y x2 en la funcin objetivo.
Se puede demostrar que cualquier PL que tiene una solucin ptima, tiene un punto de las esquinas
de la regin factible que es ptimo.

Un Problema de Minimizacin
Dorian Auto fabrica automviles de lujo y camiones. La compaa opina que sus clientes ms
probables son mujeres y hombres de ingresos altos. Para llegar a estos grupos, Dorian Auto lanz
una campaa ambiciosa de publicidad por televisin y decidi comprar comerciales de un minuto en
dos tipos de programa: series cmicas y partidos de ftbol. 7 millones de mujeres de ingresos altos y

2 millones de hombres de ingresos altos ven cada comercial en series cmicas. 2 millones de mujeres
de ingresos altos y 12 millones de hombres de ingresos altos ven cada comercial en partidos de
ftbol. Un comercial de un minuto en una serie cmica, cuesta 50000 dlares, y un comercial de un
minuto en un juego de ftbol, cuesta 100000 dlares. Dorian quisiera que por lo menos 28 millones
de mujeres de ingresos altos y 24 millones de hombres de ingresos altos vieran los comerciales.
Utilice la programacin lineal para determinar cmo Dorian Auto puede alcanzar sus requerimientos
publicitarios a un costo mnimo.
Sean
x1: La cantidad de comerciales de 1 minuto en series cmicas
x2: La cantidad de trenes de 1 minuto en juegos de ftbol
El modelo es:

Min. z 0.05 x1 0.1x2

s. a.
2 x1 12 x2 24
7 x1 2 x2 28
x1 0, x2 0

CASOS ESPECIALES
Los problemas de Giapetto y de Dorian tienen una solucin ptima nica, pero no siempre este es el
caso. La solucin de un PL que no tiene una solucin ptima nica puede estar dentro de alguna de
las tres categoras siguientes:
1. Algunos PL tienen un nmero infinito de soluciones ptimas (soluciones ptimas alternativas o
mltiples)
1. Algunos PL no tiene soluciones factibles (PL no factibles)
1. Alguno PL son no acotados: hay puntos de la regin factible con valores de z arbitrariamente
grandes (o pequeos)
Soluciones ptimas Alternativas Mltiples
Una compaa automotriz produce automviles y camiones. Cada vehculo tiene que pasar por un
taller de pintura y por un taller de montaje de la carrocera. Si en el taller de pintura se pintaran

solamente camiones, se podran pintar 40 camiones al da. Si en el taller de pintura se pintaran

solamente automviles, se podran pintar 60 automviles diariamente. Si el taller de carrocera
produjera solamente automviles, podra fabricar 50 automviles al da. Si el taller de carrocera
produjera solamente camiones, podra fabricar 50 camiones al da. Cada camin aporta 300 dlares a
la utilidad, y cada automvil 200. Utilice la programacin lineal para determinar la produccin diaria
que maximizar la ganancia de la compaa.
Si en la regin factible, dos puntos son ptimos, entonces cualquier punto del segmento rectilneo
que une estos dos puntos, tambin ser ptimo.
Si se presenta un ptimo alternativo, quin tome la decisin puede utilizar un segundo criterio para
escoger entre las soluciones ptimas. Se usa frecuentemente la programacin de metas para escoger
entre soluciones ptimas alternativas.
Sean
x1: La cantidad de automviles a producir
x2: La cantidad de camiones a producir
El modelo es:

Max. z 200 x1 300 x2

s. a.
2 x1 3x2 120
x1 x2 50
x1 0, x2 0 y enteros

Al trazar la lnea de indiferencia para z = 6000, observamos que es paralela a la recta 2x1 + 3x2 =
120. Por lo que el problema tiene 2 soluciones ptimas.
Producir 30 automviles y 20 camiones o producir nicamente 40 camiones.

Problema de Programacin Lineal No Factible

Una compaa automotriz produce automviles y camiones. Cada vehculo tiene que pasar por un
taller de pintura y por un taller de montaje de la carrocera. Si en el taller de pintura se pintaran
solamente camiones, se podran pintar 40 camiones al da. Si en el taller de pintura se pintaran
solamente automviles, se podran pintar 60 automviles diariamente. Si el taller de carrocera
produjera solamente automviles, podra fabricar 50 automviles al da. Si el taller de carrocera
produjera solamente camiones, podra fabricar 50 camiones al da. Cada camin aporta 300 dlares a
la utilidad, y cada automvil 200. Los distribuidores de automviles requieren que la compaa
automotriz produzca por lo menos 30 camiones y 20 automviles. Utilice la programacin lineal para
determinar la produccin diaria que maximizar la ganancia de la compaa.
Sean
x1: La cantidad de automviles a producir
x2: La cantidad de camiones a producir
El modelo es:
Max. z 200 x1 300 x2
s. a.
2 x1 3 x2 120
x1 x2 50
x1

20
x2 30

x1 0, x2 0 y enteros

Como no existe regin factible (no qued regin sombreada) entonces el problema es infactible.
Problema de Programacin Lineal No Acotado
El siguiente PL especial es un PL no acotado. Para un problema de maximizacin un PL no acotado
se presenta cuando es posible encontrar puntos en la regin factible de z con valores arbitrariamente
grandes, lo que corresponde a una ganancia arbitrariamente grande para quien toma las decisiones.
Esto indicara que una solucin ptima no acotada no debera presentarse en un PL corectamente
formulado. Por lo tanto, si el lector llega a resolver un PL con ayuda de un computador, y encuentra
que el PL es no acotado, entonces probablemente se ha cometido un error en la formulacin del PL o
en la determinacin del PL en el computador.
Para un problema de minimizacin, un PL es no acotado, si existen puntos en la regin factible con
valores z arbitrariamente pequeos. Al resolver grficamente un PL, podemos descubrir un PL no
acotado de la manera siguiente. Un problema de maximizacin es no acotado si, al moverse
paralelamente a la lnea de indiferencia original, en la direccin que aumenta z, nunca salimos
completamente de la regin factible. Un problema de minimizacin es no acotado, si nunca salimos
de la regin factible, al movernos en la direccin que decrece z.
Ejemplo
Resuelva grficamente el siguiente PL

Max. z 2 x1 x2
s. a.
x1 x2 1
2 x1 x2 6
x1 0, x2 0

Como no podemos abandonar la regin factible al ir con paralelas, entonces el problema es no

acotado.

El Algoritmo Simplex
El mtodo simplex es un procedimiento general para resolver problemas de programacin lineal.
Desarrollado por George Dantzig en 1947, est comprobada su extraordinaria eficiencia, y se usa en
forma rutinaria para resolver problemas con las computadoras actuales. Excepto en el caso de
problemas muy pequeos, se ejecuta siempre en una computadora y existe una amplia variedad de
paquetes complejos de software para ello.
Hemos visto como resolver PL vibariables. Infortunadamente, la mayora de los PL en la vida real
tienen muchas variables y, por lo tanto, se necesita un mtodo para resolver un PL con ms de dos
variables. Este mtodo es el algoritmo simplex que se usa para resolver PL muy grandes.
CMO TRANSFORMAR UN PL EN LA FORMA ESTNDAR
Vimos que un PL puede tener restricciones en forma de igualdad o de desigualdad. Tambin puede
tener variables que tienen que ser no negativas, o variables que pueden no tener restriccin de signo.
Antes de poder usar el algoritmo simplex para resolver un PL hay que trasformar el PL en un
problema equivalente, en el cual todas las restricciones son ecuaciones y todas las variables son no
negativas. Un PL que se encuentra en esta forma, est en su forma estndar.
Para transformar un PL en la forma estndar, hay que sustituir cada restriccin en forma de
desigualdad, por una restriccin en forma de igualdad. Ilustramos este procedimiento mediante el
siguiente ejemplo.
Leather Limited produce dos tipos de cinturones: el modelo de lujo y el modelo regular. Cada tipo
requiere 1 yarda2 de cuero. El cinturn regular requiere una hora de trabajo especializado, y el
cinturn de lujo necesita dos horas. Se dispone, semanalmente, de 40 yardas 2 de cuero y 60 horas de
mano de obra especializada. Cada cinturn regular contribuye con tres dlares a la ganancia, y cada
cinturn de lujo contribuye con cuatro dlares a la ganancia. Cuntos cinturones de cada tipo se
deben producir con objeto de maximizar la ganancia?
Solucin
Podemos resumir la informacin en la siguiente tabla:
Tipo de
Cinturn

Requerimiento
de cuero

Horas de trabajo
especializado

Ganancia
(dlares)

yarda2
De lujo
Regular
Disponibilidad

1
1
40

2
1
60

4
3

Sean
x1: La cantidad de cinturones regulares a producir
x2: La cantidad de cinturones de lujo a producir
El respectivo modelo es:

Max. z 3x1 4 x2

s. a.
x1 x2 40
x1 2 x2 60
x1 0, x2 0 y enteros
La solucin grafica es la siguiente:

En consecuencia, para maximizar la ganancia se deben producir 20 cinturones regulares y 20

cinturones de lujo. La mxima ganancia ser de 140 dlares.
Algoritmo Simplex
Paso 1: Transforme el problema de programacin lineal en la forma estndar
Para llevar al modelo a la forma estndar debemos introducir una variable de holgura por cada
restriccin de menor o igual. Las variables de holgura representan la cantidad de recursos no
utilizada en la i-sima restriccin, no afectan la funcin objetivo y por eso tienen coeficiente cero en
dicha funcin.

10

Max. z 3x1 4 x2 0S1 0 S 2

s. a.
x1 x2 S1
x1 2 x2

40
S 2 60

x1 0, x2 0 y enteros, S1 0, S 2 0
Paso 2: Obtenga una solucin bsica factible a partir de la forma estndar. Una solucin bsica
factible es aquella que cumple con todas las restricciones.
Para obtener una solucin bsica factible llevamos el modelo a una tabla simplex como la que se da a
continuacin.

Bsica
S1
0
S2
0
Cj zj

3
x1
1
1
3

4
x2
1
2
4

0
S1
1
0
0

0
S2
0
1
0

Lado
derecho
40
60
0

La solucin siempre se leer igualando la respectiva variable bsica con el lado derecho. Si una
variable no es bsica, entonces tomar el valor cero.
En el ejemplo, como x1 y x2 no son bsicas entonces x1 = 0 y x2 = 0 (primera solucin bsica

factibles (sbf))
Paso 3: Determine si la solucin bsica factible es ptima
En una tabla simplex, la solucin es ptima si todos los coeficientes en la fila Cj zj son menores o
iguales a cero.

Bsica
S1
0
S2
0
Cj z j

3
x1
1
1
3

4
x2
1
2
4

0
S1
1
0
0

0
S2
0
1
0

Lado
derecho
40
60
0

Como existen valores positivos en la fila Cj zj, entonces la sbf no es ptima.

Paso 4: Si la solucin bsica factible no es ptima, determine qu variable no bsica se tiene que
convertir en una variable bsica y qu variable bsica se tiene que convertir en una variable no bsica
para encontrar as una nueva solucin bsica factible con un mejor valor de la funcin objetivo.
Se elige como la variable bsica entrante la que tiene el coeficiente positivo mayor en la fila Cj zj,
ya que es la que hace que z se incremente a la tasa ms rpida.

Bsica
S1
0
S2
0
Cj zj

3
x1
1
1
3

4
x2
1
2
4

0
S1
1
0
0

0
S2
0
1
0

Lado
derecho
40
60
0

11

Para determinar la variable bsica que sale hacemos lo siguiente:

a) Tomamos cada coeficiente estrictamente positivo de la columna pivote
a) Dividimos el lado derecho de cada ecuacin entre estos coeficientes
a) Identificamos la ecuacin con el menor cociente. El menor cociente es el mximo valor de la
variable que entra que mantendr todas las variables bsicas actuales no negativas.
a) Seleccionamos la variable bsica entrante para esta ecuacin

Bsica
S1
0
S2
0
Cj zj

3
x1
1
1
3

4
x2
1
2
4

0
S1
1
0
0

0
S2
0
1
0

Lado
derecho
40
60
0

Razn
40
30

Por lo anterior, x2 entrar a ser bsica y S2 dejar de ser bsica.

Al elemento que se encuentra en la interseccin de la fila pivote y la columna pivote se le conoce
como pivote.
Paso 5: Si la solucin bsica factible no es ptima, entonces reoptimice utilizando reduccin
gaussiana.
Iteracin 1

Bsica
S1
0
x2
4
Cj zj

3
x1
1/2
1/2
1

4
x2
0
1
0

0
S1
1
0
0

0
S2
1/2

Lado
derecho
10
30
120

4
x2
0
1
0

0
S1
2
1
2

0
S2
1
1
1

Lado
derecho
20
20
140

Razn
20
60

La sbf actual no es ptima

Iteracin 2

Bsica
x1
3
x2
4
Cj zj

3
x1
1
0
0

Razn

La solucin es ptima.
As, x1 = 20 y x2 = 20.

Empate para la variable bsica entrante

Cmo debe romperse el empate?, La respuesta es que la eleccin entre los contendientes se puede
hacer de manera arbitraria. Tarde o temprano se llegar a la solucin ptima, sin importar cul de las
variables empatadas se haya escogido, y no existe un mtodo conveniente para predecir cul lleva
ah ms rpidamente.

12

Adaptacin a Otras Formas del Modelo

Hasta ahora hemos presentado los detalles del mtodo simplex con la suposicin de que el problema
se encuentra en la forma estndar.
El nico problema serio que introducen las otras formas de restricciones funcionales (=, que tienen
lados derechos no negativos) es identificar una solucin bsica factible inicial. Antes, esta solucin
inicial se encontraba en forma muy conveniente al hacer que las variables de holgura fueran las
variables bsicas iniciales, donde cada una era igual a la constante no negativa del lado derecho de la
ecuacin correspondiente. Ahora debe hacerse algo ms. El enfoque estndar que se utiliza en esos
casos es la tcnica de variables artificiales. Esta construye un problema artificial ms conveniente
introduciendo una variable ficticia (llamada variable artificial) en cada restriccin que lo requiera.
Esta nueva variable se introduce slo con el fin de que sea la variable bsica inicial para esa
ecuacin. Las restricciones usuales de no negatividad tambin se aplican sobre estas variables y la
funcin objetivo se modifica para que imponga una penalizacin exorbitante en el caso de que
adquieran valores mayores que cero. Las iteraciones del mtodo simplex automticamente fuerzan a
las variables artificiales a desaparecer (a volverse cero) una a una, hasta que todas quedan fuera de la
solucin; despus de esto se resuelve el problema real.
Restricciones en forma de igualdad
Para convertir una restriccin de igualdad, en la forma apropiada del mtodo simplex. Construimos
un problema artificial que tiene la misma solucin ptima que el problema real, haciendo dos
modificaciones a este problema real.
1. Introducimos una variable artificial no negativa como si fuera una variable de holgura.
1. Asignamos una penalizacin enorme al coeficiente de la variable artificial en la funcin objetivo,
el valor del coeficiente ser M, donde M simblicamente representa un nmero positivo muy
grande.
Ahora se encuentra la solucin ptima para el problema real aplicando el mtodo simplex al
problema artificial.
Restricciones de Mayor o Igual
Para convertir una restriccin de mayor o igual a una restriccin de igualdad, sumaremos a la
restriccin una variable artificial y restaremos una variable de holgura, penalizando adecuadamente
la variable artificial.
Minimizacin
En lugar de cambiar las instrucciones del mtodo simplex se presentar una manera sencilla de
convertir cualquier problema de minimizacin en un problema equivalente de maximizacin.
n

Minimizar

z cjxj
j 1

es equivalente a Maximizar

z c j x j
j 1

Variables artificiales
Las variables artificiales se introducen slo con el fin de que sea la variable bsica inicial para esa
ecuacin que la requiere.
Las restricciones usuales de no negatividad tambin se aplican sobre estas variables y la funcin
objetivo se modifica para que imponga una penalizacin exorbitante en el caso que adquieran valores
mayores que cero.
Las iteraciones del mtodo simplex automticamente fuerzan a las variables artificiales a desaparecer
(volverse cero) una a una, hasta que todas quedan fuera de la solucin, despus de esto se resuelve el
problema real.
Ejemplo

13

Ricitos de Oro necesita encontrar por lo menos 12 libras de oro y al menos 18 libras de plata para
pagar la renta mensual. Hay dos minas en las cuales Ricitos de Oro puede encontrar oro y plata.
Cada da que Ricitos de Oro pasa en la mina 1 encuentra 2 lb de oro y 2 lb de plata. Cada da que
Ricitos de Oro pasa en la mina 2 encuentra 1 lb de oro y 3 lb de plata. Plantee y resuelva un PL que
ayude a Ricitos de Oro a cumplir con sus requerimientos pasando el menor tiempo posible en las
minas.
Solucin
Sean
x1: La cantidad de das que Ricitos de Oro debe pasar en la mina 1
x2: La cantidad de das que Ricitos de Oro debe pasar en la mina 2
El respectivo modelo es:

Min. z x1 x2

s. a.
2 x1 x2 12
2 x1 3x2 18
x1 0, x2 0
Llevamos el problema a la forma estndar. Recordemos que por cada restriccin de debemos sumar
una variable artificial y restar una variable de holgura.
Ahora, podemos convertir cualquier problema de minimizacin en un problema de maximizacin
multiplicando la funcin objetivo por -1.

Max. -z x1 x2
s. a.
2 x1 x2 12
2 x1 3 x2 18
x1 0, x2 0 y enteros
Ahora lo llevamos a la forma estndar

Max. - z x1 x2 0 S1 MA1 0S 2 MA2

s. a.
2 x1 x2 S1 A1
2 x1 3 x2

12
S 2 A2 18

x1 0, x2 0, S1 0, S 2 0, A1 0, A2 0
Llevamos el modelo a la tabla y resolvemos

Bsica
A1
M
A2
M
Cj z j

1
x1
2
2
1 +

1
x2
1
3
1 +

0
S1
1
0
M

M
A1
1
0
0

0
S2
0
1
M

M
A2
0
1
0

Lado
derecho
12
18

Razn
6
9

14

4M

4M

Observemos que hay un empate entre las variables que entran a ser bsicas, como ste se resuelve
arbitrariamente, entonces seleccionamos a x1 como la columna pivote.

Bsica
x1
1
A2
M
Cj z j

Bsica
x1
1
x2
1
Cj z j

1
x1
1
0
0

1
x2
1/2
2
1/2 +
2M

0
S1
1/2
1
1/2
+M

M
A1
1/2
1
1/2
2M

0
S2
0
1
M

M
A2
0
1
0

Lado
derecho
6
6
6
6M

Razn

1
x1
1
0
0

1
x2
0
1
0

0
S1
3/4
1/2
1/4

M
A1
3/4
1/2
1/4
M

0
S2
1/4
1/2
1/4

M
A2
1/4

1/4 M

Lado
derecho
9/2
3
15/2

Razn

12
3

Solucin ptima
Ricitos debe trabajar 4.5 das en la mina 1 y 3 das en la mina 2 con un mnimo de 7.5 das
Soluciones ptimas mltiples
Una vez que el mtodo simplex encuentra una solucin ptima, Cmo reconocer que existen otras y
cmo se encuentran?
Siempre que un problema tiene ms de una solucin factible ptima, al menos una variable no bsica
tiene coeficiente cero en la fila Cj zj de la tabla simplex final, de manera que si aumenta su valor, el
valor de la funcin z no cambia.
Ejemplo
La Dakota Furniture Company fabrica escritorios, mesas y sillas. Un escritorio se vende en 60
dlares, una mesa se vende a 35 dlares y una silla se vende en 20 dlares. Por ahora, se disponen de
48 pies tabla de madera, de 20 horas de acabado y 8 horas de carpintera. Dakota cree que la
demanda de escritorios y sillas es ilimitada, pero se pueden vender a lo ms cinco mesas. Dakota
quiere maximizar el ingreso total porque se han comprado ya los recursos. Cuntos artculos de
cada tipo deben producir?
RECURSO
ESCRITORIO
Madera
8 pies tabla
Horas de acabado
4 horas
Horas de carpintera 2 horas
Solucin
Sean
x1: La cantidad de escritorios a producir
x2: La cantidad de mesas a producir
x3: La cantidad de sillas a producir

MESA
6 pies tabla
2 horas
1.5 horas

SILLA
1 pie tabla
1.5 horas
0.5 horas

El modelo es:

15

Max. z 60 x1 35 x2 20 x3
s. a.
8 x1 6 x2

x3 48

4 x1 2 x2 1.5 x3 20
2 x1 1.5 x2 0.5 x3 8
5

x2

x1 0, x2 0, x3 0 y enteros
Llevamos el problema a la forma estndar.

Max. z 60 x1 35 x2 20 x3 0S1 0S2 0 S3 0S 4

s. a.
8 x1 6 x2

x3 S1

4 x1 2 x2 1.5 x3

48
S2

2 x1 1.5 x2 0.5 x3

20
S3

8
S4 5

x2

x1 0, x2 0, x3 0 y enteros; S1 0, S2 0, S3 0, S4 0
Llevamos el modelo a la tabla y resolvemos

Bsica
S1
0
S2
0
S3
0
S4
0
Cj zj
Bsica
S1
0
S2
0
S3
0
S4
0
Cj z j
Bsica
S1
0
S2
0
x1
60
S4
0
Cj z j

60
x1
8
4
2
0
60

35
x2
6
2
1.5
1
35

20
x3
1
1.5
0.5
0
20

0
S1
1
0
0
0
0

0
S2
0
1
0
0
0

0
S3
0
0
1
0
0

0
S4
0
0
0
1
0

Lado
Razn
derecho
48
20
8
5

60
x1
8
4
2
0
60

35
x2
6
2
1.5
1
35

20
x3
1
1.5
0.5
0
20

0
S1
1
0
0
0
0

0
S2
0
1
0
0
0

0
S3
0
0
1
0
0

0
S4
0
0
0
1
0

Lado
Razn
derecho
48
6
20
5
8
4
5
0

60
x1
0
0
1
0
0

35
x2
0
-1

1
-10

20
x3
-1
1/2
1/4
0
5

0
S1
1
0
0
0
0

0
S2
0
1
0
0
0

0
S3
-4
-2
1/2
0
-30

0
S4
0
0
0
1
0

Lado
Razn
derecho
16
4
8
4
16
5
240

16

Bsica
S1
0
x3
20
x1
60
S4
0
Cj z j

60
x1
0
0
1
0
0

35
x2
-2
-2
5/4
1
0

20
x3
0
1
0
0
0

0
S1
1
0
0
0
0

0
S2
2
2
-1/2
0
-10

0
S3
-8
-4
3/2
0
-10

0
S4
0
0
0
1
0

Lado
Razn
derecho
24
8
2
8/5
5
5
280

La solucin ptima es fabricar 2 escritorios y 8 sillas

Pero, en la tabla simplex final se observa que hay una variable no bsica con coeficiente cero en la
fila Cj zj, entonces hay otra solucin ptima. Para encontrar la otra solucin, simplemente se
convierte la variable x2 en bsica y se hacen las acostumbradas operaciones entre filas.

Bsica
S1
0
x3
20
x2
35
S4
0
Cj z j

60
x1
8/5
8/5
4/5
-4/5
0

35
x2
0
0
1
0
0

20
x3
0
1
0
0
0

0
S1
1
0
0
0
0

0
S2
6/5
6/5
-2/5
2/5
-10

0
S3
-28/5
-8/5
6/5
-6/5
-10

0
S4
0
0
0
1
0

Lado
Razn
derecho
136/5
56/5
8/5
17/5
280

La otra solucin ptima es producir 8/5 de mesas y 56/5 de sillas. Ms adelante veremos como
trabajar con problemas enteros.
Cuando no hay variable bsica que sale - z no acotada
Existe otra posibilidad, aquella en la que ninguna variable califica como variable bsica que sale.
Esta situacin puede ocurrir si la variable bsica entrante puede crecer indefinidamente sin que
ninguna de las variables bsicas actuales adquiera valores negativos. En la forma tabular, esto
significa que todos los coeficientes en la columna pivote son negativos o cero.
Ejemplo
Resuelva

Max. z 2 x1 x2

s. a.
x1 x2 1
2 x1 x2 6
x1 0, x2 0
Solucin
Llevamos el problema a la forma estndar. Recordemos que por cada restriccin de debemos sumar
una variable artificial y restar una variable de holgura.

17

Max. z 2 x1 x2 0S1 0S 2 MA2

s. a.
x1 x2 S1
2 x1 x2

1
S 2 A2 6

x1 0, x2 0, S1 0, S 2 0, A2 0
Llevamos el modelo a la tabla y resolvemos

Bsica
S1
0
A2
M
Cj zj
Bsica
S1
0
A2
M
Cj zj
Bsica
S1
0
A2
M
Cj zj

2
x1
1
2
2 + 2M

1
x2
1
1
1 + M

0
S1
1
0
0

0
S2
0
1
M

2
x1
1
0
0

1
x2
1
3
1 + 3M

0
S1
1
2
2 2M

0
S2
0
1
M

2
x1
1
0
0

1
x2
0
1
0

0
S1
1/3
2/3
4/3

0
S2
1/3
1/3
1/3

M
A2
0
1
0

Lado
derecho
1
6

Razn

M
A2
0
1
0

Lado
derecho
1
4

Razn

M
A2
1/3
1/3
M (1/3)

1
3

4/3

Lado
Razn
derecho
7/3
4/3
10/3

Aunque la solucin no es ptima, si queremos seleccionar la fila pivote vemos que todos los
elementos en la columna pivote son negativos y por tanto no podemos hallar la razn y en ese
sentido no tendremos variable que deja de ser bsica. As, el problema es no acotado.
Problema de programacin Lineal No Factible
Ahora veremos cmo reconocer en la tabla simplex final cuando un problema es No factible.
Ejemplo
Una compaa automotriz produce automviles y camiones. Cada vehculo tiene que pasar por un
taller de pintura y por un taller de montaje de la carrocera. Si en el taller de pintura se pintaran
solamente camiones, se podran pintar 40 camiones al da. Si en el taller de pintura se pintaran
solamente automviles, se podran pintar 60 automviles diariamente. Si el taller de carrocera
produjera solamente automviles, podra fabricar 50 automviles al da. Si el taller de carrocera
produjera solamente camiones, podra fabricar 50 camiones al da. Cada camin aporta 300 dlares a
la utilidad, y cada automvil 200. Adems, los distribuidores de automviles requieren que la
compaa automotriz produzca por lo menos 30 camiones y 20 automviles. Utilice la programacin
lineal para determinar la produccin diaria que maximizar la ganancia de la compaa.
Solucin
Sean
x1: La cantidad de automviles a producir
x2: La cantidad de camiones a producir

18

El modelo es.

Max. z 200 x1 300 x2

s. a.
2 x1 3 x2 120
x1 x2 50
20

x1

x2 30
x1 0, x2 0 y enteros

Llevamos el problema a la forma estndar.

Max. z 200 x1 300 x2 0S1 0S 2 0 S3 MA3 0S 4 MA4

s. a.
2 x1 3x2 S1
x1 x2

120
S2

50
S3 A3

x1

20
S 4 A4 30

x2

x1 0, x2 0 y enteros; S1 0, S 2 0, S3 0, S 4 0, A3 0, A4 0
Bsica
S1
0
S2
0
A3 M
A4 M
Cj z j

Bsica
S1
0
S2
0
A3 M
x2 300
Cj z j

Bsica
x1 200
S2
0
A3 M
x2 300
Cj z j

200
x1

300
x2

0
S1

0
S2

0
S3

M
A3

0
S4

M
A4

2
1
1
0
200+
M

3
1
0
1
300+
M

1
0
0
0
0

0
1
0
0
0

0
0
1
0
M

0
0
1
0
0

0
0
0
1
M

0
0
0
1
0

300
x2
0
0
0
1
0

0
S1
1
0
0
0
0

0
S2
0
1
0
0
0

0
S3
0
0
1
0
M

M
A3
0
0
1
0
0

0
S4
3
1
0
1
300

M
A4
3
1
0
1
300
M

Lado
derecho
30
20
20
30
9000

Razn

0
S3
0
0
1
0
M

M
A3
0
0
1
0
0

0
S4
3/2
1/2
3/2
1
(
3/2)
M

M
A4
3/2
1/2
3/2
1
(1/2)
M

Lado
derecho
15
5
5
30
12000

Razn

200
x1
2
1
1
0
200+
M
200
x1
1
0
0
0
0

300
x2
0
0
0
1
0

0
S1
1/2
1/2
1/2
0
100
(1/2)M

0
S2
0
1
0
0
0

Lado
derech
o
120
50
20
30

Raz
n
40
50
30

15
20
20

10
10/3
30

19

Bsica
x1 200
S2
0
A4 M
x2 300
Cj z j

200
x1
1
0
0
0
0

300
x2
0
0
0
1
0

0
S1
0
1/3
1/3
1/3
100
(1/3)M

0
S2
0
1
0
0
0

0
S3
1
1/3
2/3
2/3

(2/3)
M

M
A3
1
1/3
2/3
-2/3

(1/3)M

0
S4
0
0
1
0
M

M
Lado
A4 derecho
0
15
0
5
1
5
0
30
0
12000

Razn

Observemos que se ha alcanzado la solucin ptima pero qued una variable artificial como
bsica, esto impedir que se alcance el mximo. As, cuando en una tabla simplex final hay
una variable artificial bsica, el problema es no factible.
Degeneracin y Convergencia del Mtodo Simplex
Tericamente, quiz el teorema simplex no encuentre la solucin ptima de un PL. Sin embargo, los
PL que se obtienen de aplicaciones reales, raras veces presentan este comportamiento desagradable.
Sin embargo para que sea completo es estudio, analizamos ahora una situacin en la cual el mtodo
simplex puede fallar.
Por el momento, suponga que el PL que estamos resolviendo, tiene la siguiente propiedad: en cada
una de las soluciones bsicas factibles del PL, todas las variables bsicas son positivas
( > 0). Un PL con esta propiedad es un PL no degenerado.
Si usamos el mtodo simplex para resolver un PL no degenerado, en cada iteracin del mtodo
simplex aumentara z. Esto significa que utilizando el mtodo simplex para resolver un PL no
degenerado, es imposible encontrar dos veces la misma solucin bsica factible. Ahora, recuerde que
cada PL tiene solamente un nmero finito de soluciones bsicas factibles. Ya que no podemos repetir
nunca una solucin bsica factible, este argumento muestra que, cuando utilizamos el teorema
simplex para resolver un PL no degenerado, tenemos la seguridad de encontrar la solucin ptima
despus de un nmero finito de iteraciones.
Sin embargo, el teorema simplex puede fallar en el caso de un PL degenerado
Definicin
Un PL se llama degenerado si tiene por lo menos una solucin bsica factible con una variable bsica
igual a cero.
Ejemplo
Doa Zoila de Plata tiene un milln de UM disponible para invertir. Un comisionista amigo le sugiere
que invierta en dos tipos de acciones, A1 y A2. El tipo A1 tiene bastante riesgo y promete un inters anual
de 36%, mientras que A2 es ms segura y paga un inters de 27% anual. Tras algunas consideraciones
decide invertir segn las siguientes condiciones:
Como mximo 60% de su dinero en A1 y como mnimo 20% en A2 e invertir al menos, tanto en A1,
como lo invertido en A2. Qu cantidades debe invertir en cada tipo de accin para maximizar los
intereses a recibir?

El siguiente PL es degenerado

20

Max. z 5 x1 2 x2
s. a.
x1 x2 6
x1 x2 0
x1 0, x2 0
El problema en la forma estndar es:

Max. z 5 x1 2 x2 0 S1 0S 2
s. a.
x1 x2 S1
x1 x2

6
S2 0

x1 0, x2 0, S1 0, S2 0
El problema en la tabla simplex es:

Bsica
S1
0
S2
0
Cj zj

5
x1
1
1
5

2
x2
1
-1
2

0
S1
1
0
0

0
S2
0
1
0

Lado
derecho
6
0
0

Razn
6
0

Como S2 es variable bsica y toma el valor cero, entonces la solucin es degenerada.

Bsica
S1
0
x1
5
Cj zj
Bsica
x2
2
x1
5
Cj zj

5
x1
0
1
0

2
x2
2
-1
7

0
S1
1
0
0

0
S2
-1
1
-5

Lado
derecho
6
0
0

5
x1
0
1
0

2
x2
1
0
0

0
S1
1/2
1/2
-7/2

0
S2
-1/2
1/2
-3/2

Lado
derecho
3
3
21

Razn
3

Razn

Solucin ptima
Ahora podemos explicar por qu el teorema simplex puede tener problemas al resolver un PL
degenerado. Supngase que estamos resolviendo un PL degenerado para el cual el valor ptimo de z
es 30. Si empezamos con una solucin bsica factible que tiene, por ejemplo, z = 20, sabemos que es
posible que un pivoteo no cambie el valor de z. Esto significa que es posible observar una sucesin
de pivoteos como la que se muestra a continuacin:
Solucin bsica factible inicial: z = 20
Despus del primer pivoteo (sbf 2): z = 20
Despus del segundo pivoteo (sbf 3): z = 20

21

Despus del tercer pivoteo (sbf 4): z = 20

Despus del quinto pivoteo (sbf 1): z = 20
En esta situacin, encontramos la misma sbf dos veces. Este hecho se llama periodicidad. Si se
presenta la periodicidad, daremos vueltas para siempre, entre un conjunto de soluciones bsicas
factibles, y nunca obtendremos la solucin ptima. La periodicidad puede ocurrir realmente.
Afortunadamente, se puede modificar el mtodo simplex para asegurar que la periodicidad nunca se
presente (vase Bland o Dantzig para ms detalles). En la prctica sin embargo, la periodicidad es
algo extremadamente raro. Por tal motivo, la mayora de los programas de cmputo para PL, no se
protegen contra la posibilidad de periodicidad.
Otros ejemplos
Ejemplo
Brevco produce una bebida con sabor a naranja, Oranj, al mezclar refresco y jugo de naranja. Cada
onza de refresco de naranja contiene 0.5 oz de azcar y 1 mg de vitamina C. Cada onza de jugo de
naranja contiene 0.25 oz de azcar, y 3 mg de vitamina C. A Brevco le cuesta 2 centavos producir
una onza de refresco de naranja y 3 centavos una onza de jugo de naranja. El departamento de
mercadotecnia de Brevco ha decidido que cada botella de 10 oz de Oranj, debe contener por lo
menos 20 mg de vitamina C, y a lo ms 4 oz de azcar. Utilice la programacin lineal para
determinar cmo Brevco puede satisfacer los requerimientos del departamento de mercadotecnia, al
menor costo.
Ejemplo

El administrador del sistema de suministro de agua de cierta ciudad debe hallar la manera de
proporcionar por lo menos 10 millones de galones de agua potable por da (mgd). El agua se
debe tomar de los depsitos locales o de una tubera hacia una poblacin vecina. Los
depsitos locales pueden suministrar 5 mgd, cantidad que no puede ser excedida. La tubera,
debido a su tamao, puede suministrar un mximo de 10 mgd. Adems, debido a una
clusula contractual, debe bombear por lo menos 6 mgd. Por ltimo, el costo del agua del
depsito es de $300 por milln de galones y el costo del agua de la tubera es de $500 por un
milln de galones. En qu forma puede al administrador minimizar el costo diario del
agua?
Ejemplo
Breadco Bakeries produce dos tipos de pan: pan francs y pan de masa fermentada. Se puede vender
cada barra de pan francs a 36 centavos de dlar, y cada pan fermentado a 30 centavos. Una barra de
pan francs requiere 1 paquete de levadura y 6 onzas de harina, y un pan fermentado requiere 1
paquete de levadura y 5 onzas de harina. Actualmente Breadco tiene 5 paquetes de levadura y 10
onzas de harina. Se puede comprar paquetes adicionales de levadura a 3 centavos cada uno, y ms
harina a 4 centavos/onza. Formule y resuelva un PL para maximizar las ganancias de Breadco
(ingresos - costos)
Variables sin restriccin de signo
Ejemplo
Un panadero tiene 30 onzas de harina y 5 paquetes de levadura. La produccin de un pan requiere de
5 onzas de harina y un paquete de levadura. Se puede vender cada pan a 30 centavos. El panadero
puede comprar ms harina a 4 centavos por onza o vender el excedente de harina al mismo precio.
Formule un PL para ayudar al panadero a maximizar sus ganancias (ingreso costos).

22