Captulo 1. PROGRAMACION LINEAL (PL).

Tabla de contenido
1.1. Objetivo.
1.2. Antecedentes histricos y definicin.
1.3. Modelo de programacin lineal general.
1.4. Formulacin de problemas con programacin lineal.
1.5. Solucin para el modelo de programacin lineal.
1.6. Ejercicios, actividades de aprendizaje y autoevaluaciones correspondientes al captulo [MAT96]
1.7. Referencias bibliogrficas
1.1. Objetivo.
Iniciarse en la tcnica de programacin lineal con el aspecto ms importante del mtodo
cientfico: la representacin o modelo en formulacin matemtica lineal de algunos problemas
elegidos, los agrupados en "clsicos"; tambin debe aprender los conceptos tericos
fundamentales utilizando la metodologa grfica en slo dos variables.
1.2. Antecedentes histricos y definicin.
El desarrollo de la programacin lineal se considera entre los avances cientficos ms importantes
del siglo XX, pues su impacto ha sido extraordinario. Actualmente es una herramienta de uso
comn que ha beneficiado a muchas organizaciones en distintos pases con ahorros de cualquier
ndole, por lo que su uso se est ampliando rpidamente a todos los sectores de la sociedad. Una
gran mayora de los clculos cientficos en computadoras usan la programacin lineal proliferando
las publicaciones y libros sobre esta materia de gran aplicacin.
Uno de sus antecedentes se registra con el mtodo de anlisis de insumo-producto que desarroll
el economista W. Leontief; tambin se debe reconocer al economista y matemtico sovitico L.V.
Kantorovich, quien ya en 1939 formul y resolvi un problema de programacin lineal para la
organizacin y planeacin de la produccin; otro antecedente es, la interpretacin de Hitchcock a
"un problema de tipo de transportacin" en 1941. El problema de la dieta, fue analizado por
Stigler en 1945. El gran impulso de la programacin lineal para la industria y los negocios se
identifica con el doctor George Dantzig, matemtico norteamericano de origen, que desarroll el
algoritmo Simplex, un mtodo sistemtico de resolucin para problemas modelados con
programacin lineal. Esto ocurri en 1947 cuando se ocup, con Marshal Wood y asociados, de un
proyecto para la Fuerza Area de los Estados Unidos. Se organiz un grupo de investigacin con el
ttulo de Proyecto SCOOP (Scientific Computation of Optimum Programs). Actualmente las
principales aplicaciones de la PL son del rea industrial; tambin, aunque en menor parte, en el
campo urbano y social.
A partir de 1950, un nmero cada vez mayor de investigadores (matemticos y economistas)
aislados o constituyendo grupos contribuyen al desarrollo de las diferentes ramificaciones de la
programacin lineal; en particular, la "Rand Corporation" con G. B. Dantzig y W. Orchard-Hays,
despus L. R. Ford, D. R. Fulkerson, y D. Gale; el departamento de matemticas de la Universidad
de Princenton con A. W. Tucker y H. W. Kun; la "Graduate School of Industrial Administration" del
"Carnegie Institute of Technology" con A. Charnes y W. Cooper. Los dos primeros grupos trabajan
en la teora matemtica de los programas y su instalacin en computadoras; los resultados se

publicaron en la "Rand Corporation" en la serie de "Rand notes on linear programming and

extensions" (desde 1953 a 1961); se deben mencionar las de Dantzig sobre los desarrollos
tericos, las de W. Orchard_Hays sobre la instalacin de los programas de clculo en mquinas, las
de L. R Ford y D. R. Fulkerson sobre las redes de transporte; es necesario citar especialmente en el
activo del grupo de Princenton, el mtodo "hngaro" de H. W. Kun, para los problemas de
asignacin, la publicacin de la notable coleccin de notas "Linear Inequalities and Related
Systems" en 1956 y el mtodo de Gomory para el clculo de los problemas lineales en nmeros
enteros a finales del ao 1958. El equipo del "Carnegie Tech" desarroll la PL en aplicaciones
industriales, se interes en aspectos tericos particulares como: degeneracin, errores de
redondeo, el Simplex revisado, variables acotadas.
En los ltimos aos, lo notable y ms prometedor parece ser: La programacin lineal en nmeros
enteros por R. Gomory, el principio de descomposicin de Dantzig y Wolfe, los programas lineales
estocsticos, el algoritmo de punto interior de Narendra Karmarkar, con aportaciones importantes
de un matemtico ruso I. Dikin en 1967, redescubierto, despus de la publicacin de Karmarkar
por varios investigadores: E.R.Barnes, T. M.Cavalier y A.L.Soyster. Adems R.J.Vanderbei,
M.S.Meketon y B.A.Freedman publicaron en 1986, "A modification of Karmarkar's Linear
Programming Algorithm". Al inicio la programacin lineal se llam "programacin en estructura
lineal". En 1948, Tjalling Koopmans sugiri a George Dantzing simplificar el nombre.
DEFINICIN DE LA PROGRAMACIN LINEAL
Es una de las tcnicas agrupadas como programacin matemtica, aplicable a problemas
de asignacin de recursos limitados, con actividades competitivas hacia un objetivo comn, que
puede ser de maximizar beneficios (por ejemplo utilidades o bien rendimientos); tambin se
puede desear minimizar el esfuerzo (por ejemplo los costos, el personal asignado a tareas, o el
desperdicio en procesos). Se usa un modelo matemtico con representacin vlida de la
problemtica en estudio; sus relaciones deben ser lineales o de "lnea recta", que significa utilizar,
slo una variable de primer grado en cada trmino.
1.3. Modelo de programacin lineal general.
El modelo de PL es una representacin simblica (abstraccin) de la realidad que se estudia, se
forma con expresiones lgicas matemticas conteniendo trminos que significan contribuciones: a
la utilidad (con mximo), al costo (con mnimo), al consumo de recurso (disponible con
desigualdad <=), al recurso requerido (con desigualdad >=), recurso especificado (con igual = ).
Contiene las siguientes cuatro partes:
1a parte
Definicin con el significado cuantitativo de las variables de decisin (controlables).
2a parte
Funcin econmica u objetivo a optimizar (mximo o bien mnimo):
3a parte
Sujeta a restricciones:

4a parte
Condicin de no negativo a variables:

PROPIEDADES DEL MODELO DE PROGRAMACIN LINEAL

Para que un modelo de PL sea vlido, debe cumplir las propiedades siguientes:
I.
Proporcionalidad.-Significa que la contribucin al valor de la funcin objetivo y el
consumo o requerimiento de los recursos utilizados, son proporcionales al valor de cada
variable de decisin. As el trmino 4X1 es proporcional, porque contribuye al valor de la
funcin Z con 4, 8, 12, etc. para los valores 1, 2, 3, etc., respectivamente, de X 1. Se puede
observar el aumento constante y proporcional de 4 conforme crece el valor de X1. En
contraste, el trmino no lineal 4X12, contribuye con 4, 16, 36, etc., para los mismos valores
1, 2, 3, etc., respectivamente, de la variable X1; Aqu se observa que el aumento en la
contribucin no es constante y por lo tanto no hay proporcionalidad.
II.
Aditividad.- Significa que se puede valorar la funcin objetivo Z, as como tambin los
recursos utilizados, sumando las contribuciones de cada uno de los trminos que
intervienen en la funcin Z y en las restricciones.
III.
Divisibilidad.- Significa que las variables de decisin son continuas y por lo tanto son
aceptados valores no enteros para ellas. La hiptesis de divisibilidad ms la restriccin de
no negatividad, significa que las variables de decisin pueden tener cualquier valor que
sea positivo o por lo menos igual a cero.
IV.
Certidumbre.- Significa que los parmetros o constantes son estimados con certeza, o sea,
no interviene una funcin de probabilidad para obtenerlos.
El modelo de programacin lineal es un caso especial de la programacin matemtica, pues debe
cumplir que, tanto la funcin objetivo como todas las funciones de restriccin, sean lineales.
APLICACIONES TPICAS DE LA PROGRAMACIN LINEAL
Aparentemente, las estructuras de organizacin complejas propias de la sociedad moderna han
reconocido interesantes problemas de optimizacin tales como la manera ms eficiente de
manejar la economa de un pas o tambin la mezcla de ingredientes de un fertilizante para
satisfacer las especificaciones agrcolas a costo mnimo. Ambos problemas utilizan el modelo de
programacin lineal (PL), para optimizar una funcin lineal condicionada a restricciones lineales,
que es sencillo en su estructura matemtica, pero poderoso por su gran adaptacin a una amplia
variedad de problemas.

La programacin lineal es una tcnica matemtica de resolucin de problemas, su desarrollo

representa una ayuda a los administradores para tomar decisiones en la asignacin de recursos. A
continuacin aparecen algunas aplicaciones tpicas de la PL:
1. Un fabricante desea desarrollar un programa de asignacin en produccin y una poltica
de inventario que satisfagan la demanda de ventas de periodos futuros. As se podra
cumplir la demanda conmnimo costo total de produccin y de inventario.
2. Un analista financiero debe seleccionar una cartera de inversiones a partir de una
diversidad de alternativas en acciones y bonos. Se debe establecer la cartera
que maximice el rendimiento sobre la inversin asignada.
3. Un administrador de mercadotecnia desea determinar la mejor manera de asignar un
presupuesto de publicidad como radio, televisin, peridicos y revistas. Al gerente le
gustara determinar la combinacin de medios que maximice la efectividad de la
publicidad.
4. Una empresa tiene almacenes en varias. ubicaciones en todo el pas. Para un conjunto de
demandas de sus productos por parte de sus clientes, la empresa deseara determinar
cunto debe asignar en embarques a cada uno de los almacenes y a cada cliente, de
manera que los costos totales de transporte resulten mnimos.
Estas aplicaciones representan unas cuantas situaciones en las que se ha utilizado con xito la
programacin lineal, pero ilustran su potencial en la solucin de problemas. Un estudio detallado
revela las caractersticas comunes de ellas. En el ejemplo 1, el fabricante desea minimizar costos;
en el 2, el analista financiero desea maximizar el rendimiento sobre la inversin; en el 3, el gerente
de mercadotecnia desea maximizar la efectividad de la publicidad, y en el ejemplo 4, la empresa
desea minimizar los costos totales de transporte. En todos los problemas de programacin lineal,
el objetivo es el mximo o bien el mnimo de alguna cantidad en la accin de asignar recursos.
Los problemas de programacin lineal se caracterizan, adems, por las condiciones impuestas
o restricciones de recursos, que limitan el grado en que se puede cumplir algn objetivo. En el
ejemplo 1, el fabricante est limitado por restricciones que requieren que la demanda de producto
quede satisfecha y por restricciones respecto a la capacidad de produccin. El problema de la
cartera del analista financiero est limitado por la cantidad total de fondos de inversin
disponibles y las cantidades mximas que se pueden invertir en cada accin o bono. La decisin en
la seleccin de medios del gerente de mercadotecnia, est restringida por un presupuesto de
publicidad fijo y por la disponibilidad de los varios medios. En el problema de transportacin, el
programa de embarques de costo mnimo est restringido al suministro de productos disponibles
en cada almacn. La diversidad de condiciones mencionadas, es parte de lo que puede esperar
aquel que decida enfrentar un problema, pues las restricciones son otra caracterstica general en
todo problema de programacin lineal.
1.4. Formulacin de problemas con programacin lineal.
La formulacin de un problema de cualquier tamao con programacin lineal debe sujetarse al
formato del modelo de PL general ya presentado antes.
Se empieza como parte 1, con la observacin y anlisis necesario para definir el significado
cuantitativo de las variables de decisin o controlables que se pueden representar, en smbolos

como X1, X2, X3,... ,o bien, identificar con nombre especfico de producto o bienes de manufactura,
almacn o venta, disponibilidad y/o requerimiento de recurso o materia prima.
Se contina con la parte 2, para construir la funcin objetivo o medida de efectividad,
representada por una variable (denotada con Z, G, U, etc.) cuyo valor se desea maximizar
(utilidad, rendimiento, ingreso, produccin) o bien minimizar (costo, tiempo, mano de obra,
inventario). Puede ocurrir en algn caso, que la formulacin resulte no lineal, pero con las
transformaciones adecuadas se puede hacer la conversin a lineal.
Como parte 3 debe considerarse la construccin de las restricciones que limitan el valor ptimo
que puede tomar la funcin objetivo, o sea, definen las soluciones admisibles o regin factible del
problema. Las restricciones pueden ser de una o todas las clases siguientes: Si no se debe exceder
el recurso disponible, de la forma <=; para no menos de lo requerido, de la forma >=; o tambin
para igualar el recurso especificado, de la forma =.
Se termina con la parte 4, para condicionar las variables a valores no negativos, debido a que en la
gran mayora de los problemas los valores negativos no tienen significado fsico. Los casos de
excepcin merecen tratamiento especial.
1.4.1. Ejemplos de formulacin de modelos de PL.
La construccin de un modelo de programacin lineal debidamente planteado que represente un
problema real es un arte. La mayora de la gente que lo intenta tiene ms dificultades en ello que
con los otros aspectos de esta tcnica pues se requiere de imaginacin e inventiva. Esto se puede
mejorar con paciencia y prctica, ajustndose a la estructura dada como modelo general.
El siguiente procedimiento puede ser til antes de pretender la estructura matemtica del
problema en estudio:
Concentrar la atencin en identificar el objetivo general como puede ser, el mximo de:
utilidades, rendimientos, audiencia; o bien, el mnimo de: costos, personal, distancias,
tiempo, materia prima, o contaminacin.
Identificar las decisiones (variables controlables) en forma cuantitativa con la unidad
precisa de medicin, como # de personas, # de pesos, # de toneladas.
Identificar las constantes conocidas como coeficientes Cj que aportan al valor del objetivo,
o coeficientes aij que contribuyen al consumo de materia prima o al requerimiento de
recurso.
Identificar todas las condiciones a las que se sujeta el objetivo en forma de restricciones
en sus diferentes tipos:<=cuando mucho, >= al menos, = estrictamente lo especificado.
A continuacin se presentan ejemplos de planteamiento funcional, pero en algunos puede haber
alternativa cambiando la definicin de variable en la parte 1.
Ejemplo 1-1. PL al combinar camiones refrigerados en transporte de alimento (REFCAM).
En la siguiente tabla se tiene la informacin de costo en renta y tambin las capacidades, de dos
tipos de camin transportista refrigerado para la distribucin de alimentos, una parte de los cuales
pueden descomponerse durante el viaje. En particular se requiere un total de 900 y 1200 metros
cbicos (m3) de espacio refrigerado y no refrigerado, respectivamente. Formule un modelo de PL

para decidir y resolver el problema de cuntos camiones de cada tipo rentar para que el costo sea
el menor posible.

Figura 1-1. Informacin para renta de camiones con y sin espacio refrigerado del ejemplo REFCAM.

1ra. parte.- Definicin de las variables de decisin

2da. parte.- Funcin econmica u objetivo de costo

3ra. parte.- Sujeta la funcin de mnimo costo a restricciones de espacio de carga:

4a. parte.- Condiciones de signo para las variables de decisin:

Observaciones para el Ejemplo 1-1.-El primer problema de ejemplo es de decisin y la pregunta

evidente para el distribuidor responsable es cuntos camiones de cada tipo deben rentarse para
cumplir con la distribucin?. Para contestarla, en la primera parte del modelo se definen las
incgnitas que se acostumbra denotar con la letra X con ndices, como XA, XB, para hacer la
diferencia entre los dos tipos de camin A y B. Para formular la funcin objetivo en la parte 2 del
modelo, se observa que la renta de un camin tipo A cuesta 3 (3000 pesos) multiplicado por el
nmero XA de camiones tipo A para renta, resulta as el trmino 3XA que significa el costo de todos
los camiones A rentados, por otro lado la renta de un slo camin tipo B es de 4, por lo tanto
4XB es el costo de rentar los camiones tipo B. Con la suma de los dos trminos o contribuciones de
costo se obtiene el valor total de Z, la funcin objetivo de costo, cuya dimensin es:

En la parte 3 correspondiente a las restricciones, debe pensarse en el recurso espacio de carga que
es el atributo de inters de los camiones a rentar. La capacidad especificada de carga, refrigerada
o no, de los mismos, se emplea para plantear los trminos de las restricciones, las que se traducen
como requerimiento o necesidad de 900 m3 de espacio de carga refrigerada y 1200 m3 de espacio
de carga no refrigerada, lo cual hace un total de dos restricciones a formular. Cada trmino de
ellas se construye considerando el espacio de un slo camin (20 m3 refrigerados para el A)
multiplicado por el nmero de camiones (XApara A) del tipo que se decida rentar, o sea, 20XA es la
contribucin de espacio refrigerado de los camiones A para los requeridos 900 m3 del distribuidor.
De la misma manera se forma el trmino 30XBcomo contribucin de espacio refrigerado de los
camiones B. En la restriccin 20XA + 30XB >= 900 se utiliza la desigualdad >= porque el
requerimiento de 900 m3 se interpreta como el espacio mnimo necesario para el alimento
perecedero.
Las mismas ideas ya expuestas son aplicables para la segunda restriccin referente al
requerimiento de 1200 m3 de espacio no refrigerado, ambas se dimensionan as:
Por ltimo en la parte 4, las condiciones de valor no negativo para las incgnitas, son lo natural
para este problema ejemplo, entendiendo que el nmero de camiones a rentar es positivo: X A > 0,
XB > 0 o bien, puede que la solucin al modelo planteado de este problema, resulte que no
conviene rentar algn tipo de camin, en tal caso se presentara con XA = 0 con XB = 0, puesto
que XA < 0 XB < 0 no tiene significado fsico.
Ejemplo 1-2. PL al combinar tamaos de camiones en transporte (TAMACA).
Una compaa transportadora tiene 10 camiones con capacidad de 20 toneladas y 5 camiones de
15 toneladas. Los camiones grandes tienen costos de operacin de $150 por kilmetro recorrido y
los pequeos de $ 125 por kilmetro recorrido. En la siguiente semana la compaa requiere
transportar 200 toneladas de azcar en un recorrido de 800 kilmetros. La posibilidad de otros
compromisos de transporte, impone una poltica tctica de mantener en reserva, por lo menos,
dos camiones pequeos por cada camin grande. Cul es el nmero ptimo de camiones de
ambas clases que se deben utilizar para transportar el azcar? Formule un modelo de
programacin lineal para este problema.

Figura 1-2. Informacin: costo segn el tamao de camin, recorrido y transporte del ejemplo TAMACA.

Modelo de programacin lineal.

1a parte.- Definicin de variables de decisin
2a parte.- Funcin econmica u objetivo: Planteamiento de costo mnimo de operar Xj camiones

3a parte.- Restricciones o condiciones.- Requerimiento de carga a transportar:

Restricciones de camiones disponibles a utilizar: Xg <= 10 ; Xp <= 5 (camiones).

Para la restriccin de tener en reserva dos camiones pequeos por cada camin grande, se
definen otras variables y significan camiones en reserva para otro uso:
Sea X r j = nmero de camiones en reserva de tipo j ( j = g , p)
Camiones grandes reservados = total de grandes menos los utilizados: Xrg=10-Xg
Camiones pequeos reservados = total de pequeos menos los utilizados: Xrp=5-Xp

4a parte: Condiciones de signo para las variables:

Observaciones al Ejemplo 1-2: Anlisis de la propiedad de proporcionalidad:

El cambio para diferentes valores de Xg se mantiene constante (20), o las contribuciones de 20, 40,
60,..., son proporcionales al valor incremental de Xg. En contraste, el valor de las contribuciones
20, 80, 180,..., para diferentes valores de la variable en X2g no se mantiene constante y por lo tanto
no hay proporcionalidad.
El problema de ejemplo 1.2, como primera parte, es decidir el nmero de camiones grandes (X g) y
pequeos (Xp) a utilizar para el transporte del azcar.
Para construir la funcin objetivo de la segunda parte del modelo, hay necesidad de pensar como
administrador del transporte, pues en cualquier caso se desea cumplirlo con bajo costo. Puesto
que existe diferencia al operar camiones de diferente tamao, pero el recorrido es igual para los
grandes y pequeos, en tal caso se calcula el costo del viaje para cada uno de los dos tipos de
camin el cual se emplea como coeficiente de costo Cj en cada trmino de la funcin Z que
representa el costo total a minimizar.
Las restricciones de la parte 3 del modelo matemtico son de tres clases: se debe cumplir un
requerimiento ( >=) de transporte de 200 toneladas de azcar. Para la posible pregunta de por qu
no se utiliza un simple signo de igualdad (=), considere que la capacidad de los camiones grandes
de 20 toneladas, si es mltiplo de las 200 toneladas a transportar, pero en cambio, la capacidad de
15 toneladas de los camiones pequeos, no es mltiplo de 200, en tal caso, puede no cumplirse en
igualdad; por otro lado no se debe olvidar la poltica de mantener en reserva cierto nmero de

camiones. Posteriormente se trata la conveniencia de evitar, en lo posible, las restricciones

estrictas de igualdad (=), pues la programacin lineal, las restricciones ( <= ) y ( >= ) no excluyen la
posibilidad de cumplir la igualdad y aportan flexibilidad en la bsqueda de la mejor solucin. Otra
clase de restriccin a considerar se refiere al total de camiones existentes de cada tamao, lo cual
se expresa con la desigualdad ( <= ) significando, que se dispone de un mximo de 10 grandes y 5
pequeos. La restriccin para dejar en reserva algunos camiones, necesita una definicin adicional
para ellos, pues en la primera parte del modelo slo se definen las variables de decisin para
representar los camiones a utilizar. De esta manera, se plantean las expresiones para: Xrg = 10 Xg ; Xrp = 5 - Xp, sustituyndolas en la interpretacin de la poltica de reserva, conteniendo las
variables de decisin Xg , Xp , as como tambin las variables que representan los camiones en
reserva Xrg , Xrp las cuales sirven para el anlisis durante la formulacin, pero no permanecen en
la presentacin final del modelo.
Se termina el modelo con la parte 4 en que se condicionan las variables slo a valor positivo o
cero, pues el negativo no tiene significado fsico en este problema.
Las expresiones en negrita forman el modelo matemtico pedido.
Ejemplo 1-3. PL en horarios para cubrir turnos de trabajo (HORAPRO).

Figura 1-3. Policas para vigilancia de un sector de la ciudad en ejemplo HORAPRO.

Cada polica debe laborar 8 horas consecutivas. El periodo 1 sigue al 6.

Formule un modelo de PL para determinar el nmero ptimo de policas.
Ayuda para el anlisis: En este problema se conoce, que para fines de control, se divide el da
completo en periodos de 4 horas de duracin, logrando continuidad de la vigilancia de policas los
que deben trabajar durante dos periodos consecutivos. Tambin se sabe el requerimiento en
nmero de policas para cada uno de los seis periodos; entonces la siguiente forma tabular puede
ser buena ayuda para la comprensin del problema considerando a Xj como grupo de policas
asignados para iniciar los periodos j ( j = 1,2,...,6 ).

Figura 1-4. Inicio y permanencia de grupos X j de policas en los periodos j del da en ejemplo HORAPRO.

Modelo de programacin lineal.

1a parte.- Definicin de variables:

2a parte.- Funcin econmica.- Aqu debe pensarse en el menor nmero de policas necesarios
para cumplir, por lo menos, los requeridos en cada uno de los seis periodos j:
3a parte.- Restricciones: La misma tabla da la combinacin de los grupos de policas Xj para cubrir,
como se observa, los requerimientos de cada periodo j.

4a parte.- Condiciones de signo, NO NEGATIVO:

Ejemplo 1-4. PL en la dieta de jugos (BEDIET).

Un proveedor de bebidas dietticas debe preparar con las existentes de su bodega, un pedido de
500 litros de ponche diettico el cual debe contener por lo menos 20% de jugo de naranja, 10% de
jugo de toronja y 5% de jugo de betabel. La siguiente tabla informa de 5 bebidas existentes con su
contenido de jugos y el costo de las mismas. Qu cantidad de cada bebida deber de emplear el
proveedor para cumplir el pedido a un costo mnimo? Formule un modelo de programacin lineal
que represente este problema.

Figura 1-5. Informacin de bebidas almacenadas en ejemplo BEDIET.

Modelo de programacin lineal.

1a parte.- Definicin de variables:

2a parte.- Funcin econmica u objetivo:

3a parte: Sujeta a restricciones.Restriccin de proporcin de contenido de jugo:
Para este tipo de restriccin es necesario convertir la informacin de contenido en por
ciento (%) de jugo de la tabla a fraccin decimal de un slo litro del mismo, ya que la
definicin de significado de las variables en la primera parte del modelo se hizo como
litros de bebida j. Por lo tanto, la fraccin 0.40 400 mililitros de jugo de naranja
multiplicado por XA litros, es la contribucin de la bebida A (0.40XA) para cumplir el 20%
(0.20 por litro de ponche) de jugo de naranja en la bebida pedida. Tambin 0.05XB es la
contribucin de la bebida B y 1XC, es la contribucin de C (pura naranja) al ponche pedido.
Las restricciones de toronja y betabel se formulan de la misma manera.

4a parte.- Condicin de signo para las variables:

Ejemplo 1-5. PL en la inversin de capital (INVECAP).

Un banco desea establecer una poltica de prstamo para el siguiente trimestre y por tal motivo
asign un presupuesto de 12 millones de dlares para prestarles a sus clientes. En la tabla
siguiente se anotan los tipos de prstamo con el inters correspondiente y las probabilidades de
no-recuperacin del capital prestado. Lo que no se puede recuperar no tiene intereses. Por
competencia con otros bancos, se requiere asignar prstamos de al menos el 40% del total, a los
tipos de prstamo 4 y 5. Con la habitacin debe prestarse al menos un 50% de la suma de los
prstamos 1, 2, y 3. La poltica de banco es que la relacin total de los irrecuperables sea un
mximo de 0.04. Formule un modelo de programacin lineal para este problema de inversin.

Figura 1-6. Informacin de tipo de prstamos bancarios en ejemplo INVECAP.

Modelo de programacin lineal

1a parte.- Definicin de variables:
2a parte.- Funcin objetivo:
En este problema, a la funcin Z a maximizar se le debe formular con la suma de las
contribuciones de rendimiento de los cinco tipos de prstamo, pero descontando la
fraccin de irrecuperables los cuales se estiman en la columna derecha de la tabla:

3a parte.- Sujeto a restricciones.

4a parte.- Condiciones de signo.

El conjunto de expresiones en negrita forma el modelo matemtico de programacin lineal que

se pide formular.
Ejemplo 1-6. PL en la seleccin de mquinas para un proceso (MAQUIPRO).
Una compaa tiene 3 tipos de mquinas procesadoras con diferentes caractersticas en cuanto a
velocidad, precisin y costo de produccin. En la siguiente tabla se resumen las mismas:

Figura 1-7. Informacin de caractersticas de mquinas tipo j en ejemplo MAQUIPRO.

Cada da de 8 horas deben producirse 500 piezas. Formule un modelo de programacin lineal para
este problema:
Modelo matemtico de programacin lineal.
1a parte.- Definicin de variables.Para este problema el estudiante puede razonar a partir de la informacin dada, que se
conocen las caractersticas de las mquinas de procesar piezas, pero no cuntas utilizar de
cada uno de los tres tipos, puesto que a las diferencias tcnicas entre ellas, se agrega el
costo de operarlas. De este modo se define:
Sea Xj = nmero de mquinas de tipo j ( j = 1, 2, 3 ) necesarias para producir 500 piezas en
un da de 8 horas a condicin de hacerlo con el menor costo.

2a parte.- Funcin econmica.La medida para decidir en este problema, es la conveniencia de cumplir la cuota de
produccin de 500 piezas en la forma ms econmica posible; para ello es necesario que
se involucren los costos asociados con cada tipo j de mquina calculando antes de la
formulacin de la funcin Z, el costo Cj correspondiente; por lo tanto: Z mnima = suma de
contribuciones de costo de los tres tipos de mquina.

Observe que los coeficientes Cj se obtienen sumando, al costo nominal de una hora de
proceso, el costo correspondiente a la estimacin de piezas rechazadas, que para el caso
de la mquina j =1 es de 10% 0.10 en fraccin decimal multiplicado por 30 piezas
producidas en una hora, resulta en 3 piezas con defecto en una hora de proceso. Cada
rechazo cuesta un dlar, entonces se suma este costo: 3(1 dlar) = $3, al nominal de $5 y
as se tiene C1 = $8. Los costos C2 y C3 se calculan con el mismo criterio.
3a parte.- Sujeta a restricciones.La cuota de produccin de 500 piezas en una jornada de 8 horas conviene convertirla a su
equivalente para una sola hora, pues se puede observar que la informacin restante est
en esos trminos. La produccin pedida constituye una importante condicin del
problema y debe plantearse como restriccin u obligacin, la cual se construye a partir de
las velocidades especificadas por mquina tipo j; pero las tasas anotadas son nominales,
puesto que se estima un porcentaje de piezas aceptadas para los diferentes tipos j de
mquina, en tal caso es necesario ajustar las velocidades o tasas de produccin de acuerdo
a su eficiencia para plantear el requerimiento en trminos reales:
A j = Produccin real por mquina tipo j, debido a la eficiencia en piezas buenas.

Otra restriccin a considerar se refiere al nmero total de mquinas de tipo j que se tienen
para este proceso de produccin, debindose plantear con desigualdad <=, significando

que el nmero de mquinas utilizadas, debe ser menos o cuando mucho, lo anotado en el
lado derecho:
Como no hay significado fsico para valores negativos de las variables, entonces se limitan
como sigue
4a parte.- Condiciones de signo a variables
Las expresiones escritas en negrita forman el modelo de programacin lineal que se pide.
Ejemplo 1-7. PL para distribuir carga en transporte (BARCOCARGA).
Un barco tiene tres bodegas: en la proa, en el centro, y en la popa con los siguientes lmites de:

Figura 1-8. Capacidades en el barco del ejemplo BARCOCARGA.

Los siguientes cargamentos se ofrecen, pudiendo aceptar los dueos del barco, el total o una
porcin cualquiera de cada uno de los siguientes:

Figura 1-9. Artculos a transportar en ejemplo BARCOCARGA.

Para preservar el equilibrio del barco, el peso de cada bodega debe ser proporcional a la capacidad
en toneladas. Formule un modelo de PL para determinar cmo distribuir la carga en las bodegas
para una utilidad mxima.
Modelo de programacin lineal
Distribuir la carga en toneladas, de tres artculos j diferentes, en cualquiera de las tres bodegas i,
significa la flexibilidad de ocupar los espacios convenientes para mxima ganancia cumpliendo las
restricciones de capacidad especificadas. Dado que un artculo j puede asignarse a cualquiera de
las tres bodegas i, entonces se pueden definir las variables Xij para representar las toneladas de
producto j en las tres bodegas como X1j, X2j, X3j o bien, las toneladas cargadas en las bodegas i de
los tres productos como XiA, XiB, XiC. Entonces con la misma letra X con doble ndice se pueden
definir las variables de decisin.

Figura 1-10. Fracciones de la carga distribuidas en ejemplo BARCOCARGA.

1a parte: Definicin de variables.

2a parte: Funcin econmica u objetiva.

3a parte: Sujeta a restricciones.Las limitaciones de capacidad deben expresarse

Con desigualdad <= , lo cual significa que se debe cargar menos o cuando mucho la
capacidad especificada ya sea en toneladas o bien el espacio en metros cbicos. En cada
viaje, la suma de la carga ofrecida a transportar, supera la capacidad total del barco,
entonces se puede llevar slo una parte de ella, as las restricciones son <=.

Para conservar el equilibrio debe considerarse que la suma de XiA + XiB + XiC, de toneladas
cargadas a cualquier bodega i, es menor a la capacidad de i , por lo tanto es una fraccin
de ella. Se interpreta como proporcin utilizada de la capacidad, que debe igualarse para
las tres bodegas y tratarse como una variable adicional, a las ya definidas: sea Xpc la
proporcin de capacidad que es <= 1 como sigue:

4a parte.- Condiciones de no negatividad:

Ejemplo 1-8. PL en la produccin de fertilizantes con diferentes ingredientes (FERTILIZ).

Se producen dos clases de fertilizante distinguidos por contenido qumico, disponibilidad del
mismo y costo de ingredientes como se muestra aqu:

Figura 1-11. Informe: contenido, costo, precio de fertilizantes, ejemplo FERTILIZ.

Formule un modelo de PL. Para obtener la combinacin de fertilizantes a producir que maximice la
utilidad.
La tabla de datos de este problema es un buen ejemplo de ordenacin y sntesis de la informacin
dada; con esa ventaja se facilita el anlisis al formular el modelo.
Modelo de programacin lineal.
1a parte.- Definicin de variables.
2a parte.- Funcin econmica u objetivo.

3a parte.- Sujeto a restricciones de contenido qumico:

4a parte.- Condiciones de signo para las variables.

Ejemplo 1-9. PL para mnimo desperdicio en proceso de corte (CORTEPAPEL).

Una papelera recibe un pedido de 500, 300 y 100 rollos de papel de cierta calidad en ancho de 30,
45 y 56 pulgadas, respectivamente. En almacn se tienen rollos de papel de la calidad solicitada
pero con un ancho de 108 pulgadas. Si la papelera desea satisfacer el pedido del cliente deber
someter a corte longitudinal los rollos en existencia pero se tendr obligadamente un desperdicio
de papel.
Formule un modelo de programacin lineal que minimice el desperdicio.
Antes de iniciar la formulacin del modelo de PL de este problema, se pueden revisar las varias
alternativas convenientes para realizar el corte, desde un ancho de 108 pulgadas que tienen los
rollos existentes en almacn hasta los anchos del pedido. Para ello se presenta la siguiente tabla
que facilita el anlisis de cuntos rollos en 30, 45 y 56 pulgadas se pueden obtener en cada
proceso de corte, cuidando que las diferentes combinaciones sean posibles y con un desperdicio
menor a 30 pulgadas.

Figura 1-12. Tipos de corte conveniente para ajustar anchos solicitados en ejemplo CORTEPAPEL.

Modelo matemtico de programacin lineal.

1a parte.- Definicin de variables:
2a parte.- Funcin econmica u objetivo.Se utiliza el clculo del desperdicio en pulgadas anotado en la columna derecha de la
tabla, para construir los trminos correspondientes al desperdicio de cada tipo de corte
los cuales sumados, valoran la funcin Z a minimizar.
3a parte.- Sujeto a restricciones.La misma tabla ordena el dato de nmero de rollos con determinado ancho, obtenido en
cada corte de tipo j, este nmero multiplicado por el nmero de cortes j, es el trmino
contribuyente para surtir los rollos de papel pedidos. As en cada restriccin de ancho
pedido, se tienen tantos trminos como tipos de corte que aportan tal ancho de rollo.

4a parte.- Condiciones de signo para:

1.5. Solucin para el modelo de programacin lineal.

Existen mtodos de solucin del modelo de programacin lineal, tanto grfico como analtico. Para
la gran mayora de los problemas es indispensable aplicar la metodologa analtica, con los
algoritmos muy eficientes que desarrollaron los cientficos ya citados en los antecedentes de PL.
Pero en beneficio de la claridad, conviene iniciar la exposicin de cmo resolver el problema ya
formulado con programacin lineal, con el mtodo grfico, que por su sencillez, es posible que el
alumno se motive ms para el estudio. Para ello primero se debe revisar la forma en que puede
presentarse un modelo o planteamiento del problema que se estudia.
1.5.1. Formas equivalentes del modelo de programacin lineal.
Adems de la necesaria generalizacin del modelo de programacin lineal, esta tcnica requiere el
uso de dos formas especiales equivalentes; las que se denominan forma cannica, la cual es muy
til en teora de dualidad cuando se trata de hacer una interpretacin econmica para el problema

en estudio; la otra forma se denomina estndar, la cual es indispensable si se desea resolver el

problema. A continuacin se dan caractersticas de ambas:
Formas equivalentes del modelo de programacin lineal

EQUIVALENCIA ALGEBRAICA PARA EL MODELO DE PROGRAMACIN LINEAL

1. La funcin objetivo cambia al multiplicar:
2. Una restriccin cambia al multiplicar por:
3. Una restriccin en igualdad equivale a dos restricciones en desigualdad con los mismos
trminos; la primera de tipo <= y la segunda de >=, si el objetivo es mximo; con mnimo,
se invierte el orden.
4. Una restriccin (<=) se hace (=), sumando la holgura Hi >=0 en el lado izquierdo.
5. Una restriccin (>=) se hace (=), restando una supervit Si >=0 en el lado izquierdo.
6. Una variable Xj <= 0, se maneja con otra variable:
7. Una variable no restringida en signo, o libre para tomar valor (+), (-), o cero, se sustituye
con la diferencia de dos variables no negativas como sigue:

Ejemplo 1-10. Forma Cannica y Estndar con objetivo mnimo (FOREQUI1).

Obtener las formas cannica y estndar para el siguiente modelo de PL que incluye condiciones
muy especiales para las variables como es X1 libre, lo que significa que puede tomar valores
positivos, negativos y cero, obligando los acuerdos para su tratamiento algebraico que permita el
uso de PL. La variable X3 se ejemplifica de manera especial, como no positiva; todo lo anterior para
mejor ilustracin del tema:

Ejemplo 1-11. Forma Cannica y Estndar con objetivo mximo (FOREQUI2).

Se presenta para ayuda del estudiante que requiera ilustracin adicional en la conversin del
modelo de PL a las formas cannica y estndar:

1.5.2. Mtodo grfico para resolver modelos de programacin lineal con solo dos variables.
En esta seccin interesa hacer anlogos geomtricos, esto es, grficas de funciones lineales que
contiene el modelo matemtico de programacin lineal obtenido en la formulacin del problema
que se analiza. Dicho modelo puede contener expresiones tanto en forma de ecuaciones (=) como
en desigualdades ( <= >= ), cada una de ellas corresponde a un grfico en la analoga geomtrica.
Primero considere la infinidad de puntos que constituyen en conjunto el plano y los cuatro
cuadrantes convencionalmente aceptados, para dividirlo en zonas caracterizadas por la
combinacin de signo que se puede dar, a los valores medidos con nmeros reales. Para lograr los
cuadrantes en el plano se utilizan los ejes cartesianos con escala de medicin de valores de las
variables del problema; por ejemplo, se puede asignar el eje horizontal de abscisas para la
medicin de valores de la variable X1; tambin se puede asignar el eje vertical de ordenadas, para
la medicin de valores de la variable X2. La localizacin de cualquier punto en este espacio plano
requiere de una distancia horizontal (X1) y de una distancia vertical (X2) denotado como par
ordenado o vector (X1, X2). Un punto sobre el eje X1 corresponde a X2=0 y un punto sobre el eje
X2 corresponde a X1=0, que son las ecuaciones respectivas de los ejes horizontal y vertical. Dichos
ejes se cruzan en el punto (X1, X2) = (0, 0), el cual se conoce como origen.

Si la ecuacin tiene slo dos variables, el grfico de la misma sobre el plano es una lnea recta, es
decir, se requiere un espacio de dos dimensiones, la horizontal y la vertical, para graficar tal
ecuacin; pero la representacin geomtrica de una ecuacin en tres variables, requiere un
espacio de tres dimensiones. En tal caso, a los ejes X1 y X2, se les agrega un tercer eje X3 como
tercera dimensin, que pasa por el origen hacia el observador. Los grficos de la Figura 113 y Figura 1-14 muestran lo anterior para una ecuacin cualquiera:

Figura 1-13. Grfico de una ecuacin en dos dimensiones.

Figura 1-14. Grfico de una ecuacin en tres dimensiones.

El mtodo grfico proporciona la oportunidad de visualizar algunos de los conceptos importantes

de la programacin lineal. Pero tiene una gran limitacin referente, a que slo es posible aplicarlo
en problemas muy pequeos; para este curso se limita el mtodo grfico aplicado a problemas con
slo dos variables. El mtodo grfico para resolver problemas que se han modelado con
programacin lineal consiste en asignar un eje cartesiano para cada una de las dos variables
involucradas; de esta manera se asigna, por ejemplo, el eje horizontal como escala para los
distintos valores que pueda tener la variable X1; tambin se puede asignar el eje vertical con su
respectiva escala para ubicar los distintos valores que puede tomar la variable X2. Un sistema con

dos ejes cartesianos, horizontal y vertical, permite representar en un espacio plano las lneas
rectas que geomtricamente hablando representan cada expresin matemtica lineal con slo dos
variables. Las restricciones y condiciones de signo del problema, representan al sistema que debe
graficarse en un plano y despus se valora en el mismo la funcin econmica Z, con la cual se
busca un punto del sistema que maximice o bien minimice su valor.
Para mejor comprensin del mtodo grfico de solucin de problemas modelados con
programacin lineal, se presenta el siguiente ejemplo que se detalla lo suficiente para el
voluntarioso estudiante de esta tcnica poderosa en su aplicacin. Posteriormente se presentan
otros ejemplos con el propsito de profundizar en la enseanza e intentar mayor avance en el
aprendizaje.
Ejemplo 1-12. Problema de combinar produccin para mxima utilidad (QUIMCAR) [AND93].
QUIMCAR es una empresa que elabora varios productos qumicos. En un proceso de produccin
en particular se utilizan tres recursos como materia prima de dos productos: una cera automotriz y
una pasta pulidora, que se usan en la pintura de la carrocera a vehculos automotores y se
distribuye para su venta al menudeo a varias empresas distribuidoras. Para producir la cera y la
pasta se utilizan tres recursos, segn se muestra en la siguiente tabla, en la cual se observa que
una tonelada de cera es una mezcla de 2/5 de tonelada del recurso 1 y 3/5 de tonelada del 3. Por
otro lado, una tonelada de pasta es la mezcla de 1/2, 1/5 y 3/10 de tonelada de los recursos 1,2 y
3, respectivamente.
La produccin de la cera automotriz y la pasta pulidora est restringida a la disponibilidad de los
tres recursos. Para el periodo de produccin anual, se tienen disponibles las cantidades siguientes
de cada una de las materias primas.

Figura 1-15. Recursos disponibles para la produccin en ejemplo QUIMCAR.

Figura 1-16. Material requerido para cera y pasta pulidora en ejemplo QUIMCAR.

El departamento de contabilidad ha analizado las cifras de produccin, asignando los costos

correspondientes para ambos productos, lleg a precios que resultan en una contribucin a la
utilidad de 400 dlares por cada tonelada de cera automotriz y de 300 dlares por cada tonelada
de pasta pulidora, producidas. La administracin, despus de analizar la demanda potencial, ha
concluido que los precios establecidos aseguran la venta de toda la cera y pasta que se produzca.
El problema es determinar: 1.-Un conjunto de expresiones matemticas o modelo,
representando el objetivo y restricciones del problema descrito. 2.- Resolver en forma grfica y
determinar cuntas toneladas de cera y pasta debe producir la empresa para maximizar la
contribucin total a la utilidad.

Definicin de las variables y funcin objetivo

Como ya se apunt anteriormente, los problemas de programacin lineal tienen un objetivo ya sea
de mximo o bien de mnimo. En este problema, el objetivo es de maximizar la contribucin a la
utilidad y se plantea en forma matemtica introduciendo alguna forma simple de notacin, como
sigue:
1a. Parte.-Definicin de variables.Es importante precisar la unidad de medida:
2a. parte.- Funcin objetivo.La contribucin a la utilidad se origina de: (1) la que proviene de la produccin de
X1 toneladas de cera automotriz, y (2) la que proviene de la produccin de X2 toneladas de
pasta pulidora. Dado que se gana 400 dlares por cada tonelada de cera producida, la
empresa gana $400 X1 si se producen X1 toneladas de cera. Tambin, en vista de que se
gana 300 dlares por cada tonelada de pasta producida, la empresa gana $300 X2 si se
producen X2 toneladas de pasta. Identificando con Z la contribucin total a la utilidad y
eliminando el signo de dlares se tiene:
El problema es encontrar la combinacin de produccin que maximice la contribucin
total a la utilidad. Esto es, se deben determinar los valores para X1 y X2 que den el valor
ms elevado posible de Z. En terminologa de programacin lineal, se nombran a X 1 y a
X2 como las variables de decisin. Dado que el objetivo de maximizar la utilidad es una
funcin de stas, entonces se dice que Z = 400 X1 + 300 X2 es la funcin objetivo, que
tambin se puede escribir abreviando los coeficientes a unidades que significan cientos
de dlares por tonelada producida, como sigue:
Cualquier combinacin de produccin de cera y pasta se conoce como una solucin al
problema. Sin embargo, nicamente aquellas soluciones que satisfagan todas las
restricciones se conocen como soluciones factibles o posibles. La combinacin especfica
de produccin factible, que resulte en la contribucin mayor a la utilidad, se conoce como
la combinacin de produccin ptima, o simplemente, la solucin ptima. Pero primero
se requiere conocer todas las restricciones del problema y posteriormente se muestra un
mtodo para definir grficamente, en el plano de dibujo, el espacio en que se ubican el
conjunto de puntos de solucin factible.
3a. Parte.- Restricciones de materia prima.
La cantidad de materia prima disponible, condiciona o sujeta el valor de la funcin
objetivo para cumplirse con los tres recursos limitados, calculando las posibles soluciones
en las cantidades de cera y pasta que se pueden producir. Segn la informacin de
produccin (vea la tabla), se sabe que cada tonelada de cera automotriz utiliza 2/5
toneladas del recurso 1, por lo que el total de toneladas del mismo utilizado en la
produccin de X1 toneladas de cera es 2/5X1; adems, cada tonelada de pasta usa 1/2
tonelada del recurso 1, como resultado, X2 toneladas de pasta usan 1/2 X2 toneladas de
recurso 1, entonces el consumo total de toneladas de recurso 1 para producir X1 de cera y
X2 de pasta est dado por

Debido a que se tiene un mximo de 20 toneladas de materia prima 1 disponible, la

combinacin de produccin a decidir debe satisfacer la restriccin
La relacin anterior es una desigualdad que anota las contribuciones al consumo de
recurso 1, utilizadas en la produccin de X1 toneladas de cera y de X2 toneladas de pasta,
que debe ser menos que o igual a 20 toneladas disponibles.
La tabla indica que el recurso 2 no es requerido por la cera, pero si por la pasta pues cada
tonelada producida de sta requiere 1/5 tonelada de las 5 disponibles, se expresa as:
Si desea, ahora verifique por s mismo que la restriccin para la materia prima 3 es
Hasta aqu se han definido, las restricciones de materia prima; slo falta establecer que las
toneladas de cera y pasta no puede ser un nmero negativo.
4a parte.- Condiciones de valor no negativo para las variables:
Esto asegura valores no negativos de las variables de decisin como solucin al problema
presente, se conocen como restricciones de no negatividad y son una caracterstica
general de los problemas de programacin lineal.
Modelo matemtico del problema de Quimcar.
La formulacin matemtica o modelo simblico, representa en forma abstracta, el objetivo y las
restricciones del problema, trasladados del mundo real a un conjunto de relaciones matemticas.
El modelo completo del problema es:

Ahora slo falta encontrar la combinacin de productos cera y pasta expresadas como toneladas
de X1 y X2 que satisface todas las restricciones y tambin resulte en un valor mximo de la funcin
objetivo, comparado con el valor de cualquier otra solucin factible, lo que significa la solucin
ptima del problema.
Este modelo matemtico del problema es programacin lineal, tiene una funcin objetivo y
restricciones, todas con la caracterstica especial de que son una funcin lineal de las variables de
decisin.
Las funciones matemticas en las cuales slo una de las variables aparece elevada a la primera
potencia como un trmino independiente, se conocen como funciones lineales. La funcin
objetivo 4X1 + 3X2es lineal, porque cada una de las variables de decisin aparece en un trmino

por separado con exponente 1. Si la funcin objetivo se presentara como 4X21 + 3X32, no se tratara
de una funcin lineal. Por la misma razn, el nmero de toneladas de la materia prima 1
requerida, 2/5X1+1/2X2 , tambin es una funcin lineal de las variables de decisin. Similarmente,
el lado izquierdo de todas las desigualdades de restriccin son funciones lineales, as la
formulacin matemtica del problema anterior se identifica como un programa lineal.
Solucin grfica
Un problema de programacin lineal con slo dos variables de decisin se puede resolver de
manera grfica sobre el espacio plano. Se inicia este procedimiento de solucin desarrollando una
grfica que despliegue las posibles soluciones (valores X1 y X2) para el problema QUIMCAR. En
la Figura 1-17 aparecen los valores de X1 sobre un eje horizontal y los valores de X2 sobre uno
vertical. De esta manera se divide el plano o papel de trabajo, en cuatro espacios limitados por los
ejes, formando as los cuadrantes 1, 2, 3 y 4. Cualquier punto de la grfica puede quedar
identificado por un par de valores X1 y X2, que representa la posicin del punto con respecto de los
ejes X1 y X2. Cada par (X1, X2) corresponde a un punto solucin de esta manera se tendra una
infinidad de ellos en el plano considerado. Pero para la solucin particular en la que X1 = 0 y X2 = 0,
se ubica un punto vrtice identificado como origen para ambos ejes.

Figura 1-17. Algunos puntos solucin para el problema QUIMCAR.

El siguiente paso es mostrar, qu puntos corresponden a soluciones factibles del programa lineal.
Tanto X1 como X2 deben ser de valor no negativo, por lo que slo es necesario considerar la
porcin de la grfica en donde X1 >= 0 y X2 >= 0, lo que se conoce como primer cuadrante. En
la Figura 1-18 las flechas indican el primer cuadrante, o sea, la regin donde estos requisitos de no
negatividad quedan satisfechos para la solucin buscada.

Figura 1-18. Grfica del primer cuadrante. Cumple las restricciones de no negatividad (>= 0).

Anteriormente se determin la desigualdad que representa la restriccin para la materia prima 1

es:
Para mostrar todos los puntos solucin que la satisfacen, se traza la lnea que geomtricamente
representa a la ecuacin lineal: 2/5X1 + 1/2X2, = 20 la cual debe ser recta, se calculan dos puntos
pertenecientes a la misma y a continuacin se traza una lnea recta a travs de los mismos. Para
ello, arbitrariamente se buscan los puntos sobre los ejes en que, por supuesto, se tiene el valor de
cero para una de las variables, as al hacer X1 = 0, se ubica sobre el eje X2 y resolviendo la ecuacin
en funcin de la variable X2, queda X2 = 20, o tambin X2 = 40; por lo tanto el punto (X1=0, X2=40)
satisface la ecuacin anterior, pues es la interseccin de las rectas, eje X2 y la que representa el
recurso 1; alternativamente, para encontrar un segundo punto que satisfaga esta ecuacin se hace
X2 = 0 y se resuelve en funcin de X1. Al hacerlo se observa que 2/5X1 = 20, es decir, X1 =50, por lo
que un segundo punto que tambin satisface la ecuacin es (X1=50, X2=0). Con estos dos puntos,
se puede trazar la recta que se conoce como lnea de restriccin de la materia prima 1, mostrada
en la Figura 1-19

Figura 1-19. La lnea recta de restriccin de la materia prima 1, ejemplo QUIMCAR.

La desigualdad que representa a la restriccin de la materia prima 1 es:

Puede usted identificar las soluciones que satisfacen esta restriccin?. Observe primero, que
cualquiera de la infinidad de puntos que forman la lnea recta de restriccin 2/5X1 + 1/2X2, = 20
debe satisfacer a la misma; pero dnde estn los puntos solucin que satisfacen la desigualdad:
2/5X1 + 1/2X2 < 20?. Ahora considere dos puntos de solucin (X1 =10, X2 =10) y (X1 =40, X2 =30).
La Figura 1-19muestra que la primera solucin se ubica por debajo de la lnea de restriccin y la
segunda queda por encima, entonces cul de estas soluciones satisface la restriccin del recurso
1? Para el punto (X1 =10, X2 =10), se tiene:
Dado que 9 es menor que 20 toneladas de materia prima 1 disponible, la combinacin o solucin,
de productos X1=10 toneladas de cera automotriz, X2=10 toneladas de pasta pulidora satisface la
restriccin del recurso 1, en este caso se califica a (10,10) como una solucin factible. Por otro
lado, para X1 =40 y X2 =30 se tiene:
31 es mayor que las 20 toneladas disponibles de recurso 1, por lo que la solucin X1 = 40 toneladas
de cera, X2 = 30 toneladas de pasta, no satisface la restriccin, y por lo tanto la solucin (40,30) no
es factible.
Si una solucin particular no es factible, todas las dems soluciones del mismo lado de la lnea
recta de restriccin tampoco lo sern. Si una solucin particular es factible, todas las dems
soluciones del mismo lado de la lnea de restriccin sern factibles, por lo que solamente es
necesario evaluar un punto de solucin para determinar cul es el lado de la lnea de restriccin
que representa las soluciones factibles. En la Figura 1-20 , el rea factible con todos los puntos que
satisfacen la restriccin de la materia prima 1 se muestra sombreada.

Figura 1-20. Regin factible para la restriccin de la materia prima 1, ejemplo QUIMCAR.

Se siente capaz de trazar una lnea de restriccin y localizar los puntos de solucin que son
factibles?. Si as lo desea intente resolver la restriccin 2.

Para el caso que necesite ms instruccin, a continuacin se muestra la identificacin de los

puntos de solucin que satisfacen la restriccin de la materia prima 2:
Se empieza dibujando la lnea de restriccin correspondiente a la ecuacin 1/5 X2 = 5, que es
equivalente a X2 = 25, simplemente se dibuja una lnea cuyo valor X2 es 25, est lnea es paralela a
X1 y est a 25 unidades por encima del eje horizontal. En la Figura 1-21 se dibuja la lnea recta que
corresponde a la restriccin de la materia prima 2, la regin sombreada corresponde a todas las
combinaciones de produccin que son soluciones factibles para la restriccin de la materia prima
2.

Figura 1-21. Regin factible de la restriccin de materia prima 2, ejemplo QUIMCAR.

De manera similar, se puede diferenciar el conjunto de todas las soluciones factibles para la
restriccin de la materia prima 3. La Figura 1-22 muestra la zona de puntos factibles. Como
ejercicio prctico, pruebe trazar la regin factible de la restriccin de la materia prima 3 y
verifquelo con este grfico.

Figura 1-22. Regin factible para la restriccin de la materia prima 3, ejemplo QUIMCAR.

Ahora se tienen tres grficas por separado que muestran las soluciones factibles para cada una de
las restricciones. En un problema de programacin lineal, se necesita identificar las soluciones
que satisfacen simultneamente todas las restricciones. Las grficas de las Figura 1-20, Figura 121 y Figura 1-22 se pueden superponer para obtener una interseccin grfica de las tres
restricciones. La Figura 1-23muestra esta grfica de restricciones combinadas. La regin
sombreada de esta figura incluye todos los puntos solucin que simultneamente, satisfacen todas
las restricciones. Las soluciones que satisfacen simultneamente todas las restricciones del
sistema se conocen como factibles, la parte sombreada se conoce como la regin de soluciones
factibles, o simplemente regin factible. Cualquier punto en las fronteras de la regin factible, o
bien en su interior, es un punto de solucin factible. Ahora que se ha identificado la regin
factible, se puede seguir adelante con el mtodo de solucin grfica y determinar cul es la
solucin ptima para el problema de QUIMCAR. Recuerde que la solucin ptima para un
problema de programacin lineal es la solucin factible que aporte el mejor valor de la funcin
objetivo.

Figura 1-23. Regin de soluciones factibles del problema ejemplo QUIMCAR.

Se inicia el paso de optimizacin del procedimiento de solucin grfica volviendo a dibujar la

regin factible en una grfica por separado. La Figura 1-24 muestra dicha grfica.
El procedimiento para determinar la solucin ptima evaluando la funcin objetivo para cada una
de las soluciones factibles, no es posible pues hay demasiadas, (de hecho, una infinidad). Por lo
tanto, para identificar la solucin ptima no se debe utilizar un procedimiento de ensayo y error.
En vez de intentar calcular la contribucin a la utilidad de cada solucin factible, se selecciona un
valor arbitrario de la contribucin a la utilidad y se identifican todas las soluciones factibles (X 1, X2)
que dan el valor seleccionado.

Figura 1-24. Regin factible del problema ejemplo QUIMCAR.

Por ejemplo, qu soluciones factibles dan una contribucin a la utilidad de 2400 dlares? Estas
soluciones se dan por los valores de X1 y X2 de la regin factible que cumplan con la siguiente
funcin objetivo que se puede simplificar para obviar clculos, as:
sta expresin es simplemente la ecuacin de una lnea recta, por lo que todas las soluciones
factibles (X1, X2), con una contribucin a la utilidad de 24 dlares deben estar en esta lnea. Ya se
aprendi como trazar una lnea de restriccin; el procedimiento para trazar la lnea de la funcin
objetivo o de utilidad es el mismo. Haciendo X1=0, se tiene que X2 debe ser 8; entonces, el punto
de solucin (X1=0, X2=8) est en la recta. Similarmente, haciendo X2 = 0, se tiene que el punto de
solucin (X1=6, X2 = 0), tambin est en la recta. Dibujando la lnea recta por estos puntos, se
identifican todas las soluciones que tienen una contribucin a la utilidad de 24; una grfica de esta
lnea de utilidad se presenta en la Figura 1-25 que muestra un nmero infinito de combinaciones
factibles de produccin que darn una contribucin de 24 a la utilidad.
Utilizando el procedimiento anterior para el trazado de rectas de utilidad y de restriccin, se
trazan la lnea de utilidad de 72 y 120 que se presentan en la misma Figura 1-25. Por supuesto,
slo los puntos de las rectas de valor 24, 72 y 120 que estn dentro de la regin factible, deben
considerarse como soluciones factibles para tal contribucin de utilidad.

Figura 1-25. Diferentes lneas de utilidad para el problema ejemplo QUIMCAR

Dado que las rectas de utilidad son paralelas y de valor creciente conforme se alejan del origen, se
pueden obtener valores mayores para la funcin objetivo, continuando el movimiento hacia fuera
del conjunto factible pero mantenindose adentro del mismo, hasta alcanzar el (los) ltimo(s)
punto(s) vrtice antes de salir. Dado que los puntos fuera de la regin factible no son aceptables,
el (los) punto(s) vrtice en la regin factible que coincide(n) con la recta de utilidad mayor es una
solucin ptima al programa lineal.
El estudiante debe identificar ahora, el punto de solucin ptimo para el problema ejemplo
QUIMCAR. Utilice una regla y escuadra, mueva paralelamente la recta de utilidad tan lejos del
origen como pueda, pero conservando el contacto en la zona factible. Cul es el ltimo punto de
la regin factible? Este punto debe ser vrtice y corresponde a la solucin ptima, vea el grfico de
la Figura 1-26. Los valores ptimos para las variables de decisin son ( X1, X2) = ( 25, 20 ).

Figura 1-26. Solucin ptima para el problema ejemplo QUIMCAR.

Dependiendo del tamao y claridad de su grfica, se determinan los valores ptimos exactos de
X1 y X2 leyendo directamente de la grfica. Pero observe en la Figura 1-23, la solucin ptima del
ejemplo est en la interseccin de las rectas de restriccin 1 y 3 que se pueden resolver para
precisar los valores coordenados.

Por lo que los valores de las variables de decisin X1 y X2 debern satisfacer las ecuaciones de
manera simultnea. Resolviendo en funcin de X1 en (1)

Sustituyendo esta expresin (4) de X1 en la ecuacin (3) y resolviendo en funcin de X2 se obtiene

Sustituyendo X2 =20 en la ecuacin (4) y resolviendo en funcin de X1, resulta

A pesar de que la solucin ptima para el problema est formada de valores enteros de las
variables de decisin, esto no ser siempre el caso. La localizacin exacta del punto de solucin
ptima es X1 =25 y X2 =20. Este punto identifica las cantidades ptimas de produccin para
QUIMCAR en 25 toneladas de cera automotriz y 20 toneladas de pasta pulidora, con una
contribucin a la utilidad de:
As, en un problema de programacin lineal con dos variables de decisin, se puede determinar el
valor exacto de las variables de la solucin ptima, utilizando primero el mtodo grfico para
identificar el punto que optimiza y despus resolviendo simultneamente las dos ecuaciones que
generan el mismo.
Trazo de lneas rectas
Un aspecto importante del mtodo grfico es la posibilidad de trazar lneas rectas representando
las restricciones y la funcin objetivo del programa lineal. El procedimiento ms sencillo para
trazar la recta de una ecuacin, es encontrando dos puntos cualesquiera que la satisfagan y a
continuacin trazando la recta a travs de dichos puntos. En el caso de la lnea recta de restriccin
de la materia prima 1 del problema QUIMCAR
Se identifican los dos puntos (X1 = 0, X2 = 40) y (X1 = 50, X2 = 0). Despus se traza la lnea recta de
restriccin de la materia prima 1 a travs de estos dos puntos.
Cuando en la ecuacin de restriccin slo aparece una variable, como es el caso de la materia
prima 2 del problema (1/5 X2 <= 5), se resuelve en funcin de la nica variable que aparece en la
ecuacin (para esta restriccin, X2 =25); es claro que en tal ecuacin X1 = 0 pues no est presente,
as (X1 =0, X2 =25) representa el punto en el eje X2 por donde debe pasar una recta paralela al eje
X1.
Todas las rectas de restriccin y de funciones objetivo en los programas lineales de dos variables,
se pueden trazar si se pueden identificar los puntos de la lnea. Sin embargo, determinar dichos
puntos no siempre es tan fcil como result en el problema QUIMCAR. Por ejemplo, considere la
restriccin:

Usando la forma de igualdad y haciendo X1 = 0, se tiene que el punto (X1 = 0, X2 = -100) pertenece
a la recta de restriccin. Si X2=0, se tiene el segundo punto (X1 = 50, X2 = 0) sobre la misma recta de
restriccin. Si se ha dibujado slo la porcin no negativa (X1 >= 0, X2 >= 0) correspondiente al
primer cuadrante de la grfica, entonces no se puede fijar el primer punto (X1 = 0, X2 = -100),
porque no hay escala para valores negativos en la grfica tal como es X2 = -100. Siempre que se
tengan dos puntos de la recta, con uno o ambos valores negativos, el procedimiento grfico
obligado es incluir la escala negativa a los dos ejes coordenados horizontal y vertical, incluyendo
los cuadrantes necesarios. En este ejemplo, se puede localizar el punto (X1 = 0, X2 = -100)
extendiendo hacia abajo el eje vertical para incluir los valores negativos de X2. Una vez localizados
los dos puntos que satisfacen la ecuacin y el conjunto de soluciones factibles para la nueva
restriccin de ejemplo 2X2 - 1X2 <= 100, entonces se procede a su trazo, segn se ve en la siguiente
figura:

Figura 1-27. Soluciones factibles de la restriccin 2X1-1X2 <= 100

Considere ahora la restriccin: 1X1 - 1X2 >= 0 mostrada en la Figura 1-28. El lado derecho con valor
cero en esta desigualdad, identifica una lnea recta que contiene o pasa por el punto vrtice
conocido como origen. Para determinar las soluciones que satisfacen la restriccin como igualdad,
primero se hace X1 = 0 y se resuelve en funcin de X2. El resultado muestra que el origen (X1= 0,
X2 = 0) est en la recta de restriccin. Al hacer X2 = 0 y al resolver para X1, resulta en el mismo
punto. Pero se puede obtener otro punto de la recta, al dar a X2 un valor cualquiera distinto de
cero y entonces resolver en funcin de X1. Por ejemplo, haciendo que X2 = 100 y resolviendo en
funcin de X1, se encuentra que el punto (X1 = 100, X2 = 100) tambin pertenece a la recta. En
ambos puntos (X1=0, X2= 0) y (X1 = 100, X2 = 100) se puede trazar la lnea de restriccin 1X1-1X2 = 0
y pueden determinarse las soluciones factibles para 1X1 - 1X2 >= 0.

Figura 1-28. Soluciones factibles de la restriccin 1X1 - 1X2 >= 0

Resumen del mtodo de solucin grfica en dos variables.

1. Dibuje en un sistema de dos ejes cartesianos (por ejemplo X1 para la coordenada
horizontal y X2 para la coordenada vertical) las lneas rectas correspondientes a cada una
de las expresiones lineales del modelo de programacin lineal, identificando las mismas,
calcule y anote las coordenadas (valores de X1 y X2) para cada punto vrtice.
2. Observe la direccin de las desigualdades para definir, individualmente, el conjunto de
puntos de solucin factible de cada una de las restricciones y posteriormente, combinando
todas ellas, por interseccin o traslape, definir y sealar el conjunto de puntos de solucin
factible para todo el sistema de restricciones del problema.
3. Con un valor arbitrario para la funcin Z, calcule las coordenadas de un punto
perteneciente a cada uno de los dos ejes cartesianos, dando alternativamente el valor de
cero a X1 y X2 de la funcin objetivo Z, ahora se traza una recta que pase por dichos puntos
en los ejes, la cual muestra todos los valores posibles de X1 y X2 de la misma.
4. Mueva la recta de la funcin objetivo Z paralelamente hacia valores mayores de la funcin,
si el problema es de mximo, o bien, hacia valores menores, si el problema es de mnimo,
hasta que coincida con un punto vrtice, antes de salir de la regin factible. La recta de la
funcin objetivo se cuantifica con los valores ( X1, X2 ) al coincidir con el vrtice; su valor
crecer o bien decrecer conforme a su traslado paralelo, segn sean los signos de sus
trminos.
5. Cualquier punto vrtice que sea solucin factible para el sistema de restricciones que
coincida con la recta de la funcin objetivo que resulte con el valor mayor para un mximo
o bien con el menor para un mnimo, segn el caso, es una solucin ptima.
Variables de Holgura
Adems de la solucin ptima y de su contribucin a la utilidad asociada, la administracin de
QUIMCAR desea tener informacin de uso de las tres materias primas. Se puede obtener esta
informacin reemplazando los valores ptimos de las variables (X1=25, X2=20) en las restricciones
del programa lineal.

Figura 1-29. Material consumido: solucin ptima cera y pasta, ejemplo QUIMCAR.

La solucin completa le indica a la administracin que la produccin de 25 toneladas de cera

automotriz y de 20 toneladas de pasta pulidora requiere toda la materia prima disponible 1 y 3,
pero solamente cuatro de las cinco toneladas de la materia prima 2. La tonelada de la materia
prima 2 no utilizada se conoce como holgura. En terminologa de programacin lineal, cualquier
capacidad sin utilizar y ociosa para una restriccin igual o menor (<=) se llama holgura asociada
con la restriccin, por lo que la restriccin del recurso 2 tiene una holgura de una tonelada.
A menudo se agregan variables, conocidas como variables de holgura Hi, o bien Xi, (segn la
notacin preferida) a la formulacin de un problema de programacin lineal para representar la
capacidad ociosa. La capacidad sin utilizar no hace ninguna contribucin a la utilidad, por lo que las
variables de holgura que se incluyan en la funcin objetivo deben tener coeficientes iguales a cero.
En general, las variables de holgura representan la diferencia entre los lados derecho e izquierdo
de una restriccin de tipo <=.

Una vez agregadas las variables de holgura a la representacin matemtica correspondiente al

problema QUIMCAR el modelo matemtico se convierte en:

Cuando todas las restricciones de un problema lineal se expresan en forma de igualdades, se dice
que el modelo matemtico est en forma estndar. En el problema QUIMCAR se observa que en
la solucin ptima (X1=25, X2 =20), el valor de las variables de holgura es:

Figura 1-30. Holguras de materia prima en ejemplo QUIMCAR.

Figura 1-31. Concepto fsico de la holgura H2 en ejemplo QUIMCAR.

Tambin se puede utilizar el anlisis grfico para obtener la informacin de las holguras. Observe
que al determinar la solucin ptima de la Figura 1-26, el punto vrtice que es interseccin de la
materia prima 1 y de la 3, restringen o limitan la regin factible hasta ese punto vrtice, por lo que
la solucin ptima requiere usar la totalidad de estos dos recursos. En otras palabras, la grfica
en Figura 1-23muestra que en la solucin ptima, la lnea recta de restriccin de la materia prima
2 no limita la regin factible en ese punto vrtice, por lo que se puede esperar algn sobrante
(holgura) de este recurso.
Cuando en un grfico se tienen rectas de restriccin que slo tocan un vrtice del conjunto factible
o bien ningn punto del mismo, se identifican como restricciones redundantes (sobrantes). En
problemas con ms de dos variables de decisin, se tienen mtodos analticos para detectar la
redundancia.
En tal caso, la regin factible se conserva igual, independientemente de que se incluya o no una
restriccin redundante del problema, por lo tanto se pueden eliminar sin que tengan ningn
efecto sobre la solucin ptima. Sin embargo, en la mayor parte de los problemas de
programacin lineal, las restricciones redundantes no se descartan porque no son reconocibles de
inmediato como tales. El problema QUIMCAR no tiene restricciones redundantes pues todas las
restricciones forman la frontera de la regin factible.

Observaciones y comentarios
1. En la forma estndar de un programa lineal, los coeficientes para las variables de holgura
son cero en la funcin objetivo, por lo tanto, las variables de holgura que representan
recursos sin utilizar, no afectan el valor de la funcin y se pueden omitir. Pero en algunas
aplicaciones, algunos o todos los recursos no utilizados pueden venderse para recuperar
valores y contribuir a la utilidad. En estos casos las variables de holgura correspondientes
se convierten en variables de decisin que representan el total de recursos a vender. Para
cada una de estas variables, un coeficiente distinto de cero en la funcin objetivo reflejar
la utilidad asociada con la venta de una unidad del recurso correspondiente.
2. Las restricciones redundantes no afectan la regin factible; como consecuencia, pueden
eliminarse de un modelo de programacin lineal sin afectar la solucin ptima. Sin
embargo, si posteriormente se debe resolver el modelo de programacin lineal con
algunos cambios en los datos, una restriccin previamente redundante se podra convertir
en un recurso limitante, por lo que se sugiere conservar todas las restricciones del modelo
de programacin lineal, aun cuando se espere que una o ms de ellas sean redundantes.
Puntos extremos y solucin ptima
Suponga que la contribucin a la utilidad de una tonelada de pasta pulidora se incrementa de 300
a 600 dlares, en tanto que la contribucin a la utilidad de una tonelada de cera automotriz y
todas las dems restricciones se mantienen sin modificacin. La funcin objetivo se convierte en:

Cmo afecta este cambio de la funcin objetivo a la solucin ptima del problema de QUIMCAR?.
La Figura 1-32 muestra la solucin grfica del problema, utilizando la funcin objetivo modificada.
Observe que las restricciones no tienen cambio, entonces la regin factible es la misma; pero se
han alterado las lneas rectas de utilidad para reflejar la nueva funcin objetivo.
Como se observa en la Figura 1-32, al mover la lnea recta de utilidad de manera paralela,
alejndola del origen, se encuentra la solucin ptima. Los valores de las variables de decisin en
este punto son X1=18.75 y X2 = 25. El aumento en la utilidad de la pasta pulidora ha creado un
cambio en la solucin ptima. De hecho, como quizs ya lo previ, se reduce la produccin de la
cera y aumenta la de pasta pulidora, porque ahora tiene una utilidad mayor.
Respecto de las soluciones grficas de la Figura 1-26 y Figura 1-32 se debe hacer una observacin
importante: la solucin ptima ocurre en alguno de los vrtices o intersecciones de la regin
factible. En terminologa de programacin lineal, estos vrtices se conocen como puntos
extremos de la regin factible, por lo que para este problema se tienen cinco vrtices, es decir,
cinco puntos extremos (Figura 1-32). Ahora se puede dar la observacin siguiente sobre la
localizacin de las soluciones ptimas.

Figura 1-32. Cambia ptimo: objetivo mximo Z = 400X1 + 600 X2, ejemplo QUIMCAR

Si existe la solucin ptima de un problema de programacin lineal, se puede encontrar en un

punto extremo de la regin factible del problema.
Esta propiedad significa que, si busca la solucin ptima de un problema de programacin lineal,
debe limitarse a evaluar y comparar los puntos de solucin correspondientes a los vrtices de la
regin factible.
OTROS EJEMPLOS DE MTODO GRFICO: Se presentan algunos problemas resueltos con grfica
para ampliar la oportunidad de adquirir este conocimiento:
Ejemplo 1-13. Mtodo grfico, PL en mximo con restricciones <= (MAXCAN1) [HIL67].
El grfico en la Figura 1-33 muestra el conjunto de soluciones factibles, coordenadas y notas
importantes de vrtices, con valores de Z para los mismos; adems, se presentan coordenadas en
tabla de todo el sistema, el que se ampla debido a las holguras que se suman a cada una de las
restricciones.

Anote que se evalan slo los vrtices factibles y que las rectas correspondientes a las
restricciones (1) y (2) son paralelas al eje X2 y al eje X1, respectivamente, por lo que no hacen
interseccin con ellos, es decir, no forman vrtice. En el punto vrtice C se localiza el valor mximo
buscado para la funcin Z. En la Figura 1-34 se muestra el conjunto de puntos que son factibles
para cada una de las tres restricciones y el primer cuadrante; la interseccin de todos ellos resulta
en la regin factible de la Figura 1-33.

Figura 1-33. Solucin grfica del ejemplo MAXCAN1.

Figura 1-34. Regiones factibles en cada restriccin del ejemplo MAXCAN1.

Para valorar los puntos vrtices del conjunto factible se sustituyen los valores correspondientes
(X1, X2 ) en la ecuacin Z:

Figura 1-35. Concepto fsico de holgura en restriccin 3 del ejemplo MAXCAN1.

Espacio ampliado al sumar holguras.- En la siguiente tabla se muestran los vrtices dados en el
grfico del Ejemplo 1-13, MAXCAN1. Estos se generan como solucin bsica, pues se conjuntan 5

variables (2 de decisin ms 3 holguras) del modelo en forma estndar. Se anota (X1, X2) conocidas
en la solucin grfica y sustituyendo stas en la misma forma, se valoran H1, H2, H3, obteniendo
la solucin bsica respectiva.

Figura 1-36. Espacio ampliado a 5 dimensiones, en ejemplo MAXCAN1.

Solucin bsica: Se tiene con, al menos, (m + n) - m = n variables iguales a cero.

En donde: m = # de restricciones; n = # de variables originales o de decisin.
Para el ejemplo: m = 3; n = 2; entonces: ( m + n ) - m = ( 3 + 2 ) - 3 = 2 variables nulas.
En la tabla, cada rengln es una solucin bsica, pues 2 de las 5 variables son cero.
Un vrtice o punto extremo nico es el cruce de slo 2 lneas, como es en este ejemplo.
Una solucin bsica factible en vrtice nico, se denomina no degenerada. Observe que
las variables nulas pertenecen a las rectas que tocan el vrtice. Nmero mximo de soluciones
bsicas nicas.- Estima el tiempo para la computadora.

En este ejemplo se ven 8 vrtices y 2 que no existen por paralelismo entre rectas.
Conjunto convexo.- Un conjunto es convexo si dados dos puntos A, B, cualesquiera del mismo, el
segmento de recta que los une, se incluye totalmente en dicho conjunto. La expresin
matemtica, de todos los puntos P obtenidos por combinacin convexa entre dos puntos A y B del
mismo es:

Figura 1-37. Ejemplos de conjunto convexo.

Figura 1-38. Ejemplos de conjunto no convexo.

Ejemplo 1-14. Mtodo grfico, PL en mnimo con restricciones >= (MINCAN1).

Figura 1-39. Grfica del ejemplo MINCAN1, resulta un conjunto factible abierto.

Figura 1-40. Regiones factibles del ejemplo MINCAN1.

Observe el valor de la funcin objetivo, es mnimo en el vrtice C(2,4) con Zc = 14.

El conjunto de soluciones factibles de la Figura 1-39 de este problema, es no acotado, se obtiene
sobreponiendo las regiones factibles de las tres restricciones del modelo y la regin factible del
primer cuadrante, mostradas en la Figura 1-40
Un vrtice formado con ms de dos lneas rectas, se califica como solucin no nica, como son
los vrtices O y C que se pueden formar con tres combinaciones de interseccin segn se muestra
en el grfico de la Figura 1-39 para tales puntos. En particular, el vrtice C se denomina
como solucin degenerada pues es factible y no nico. El origen O, se califica como no factible, al
igual que la infinidad de puntos restantes (sean vrtices o no), que no pertenecen al conjunto
factible, sombreado entre las rectas (1), (2) y eje X1.

Un punto vrtice de solucin degenerada en la analoga geomtrica bidimensional se tiene con

una recta restriccin redundante en ese punto, pero tal recta no forma el conjunto factible.
La forma estndar requiere que todas las restricciones sean de igualdad, pero cuando el modelo
en estudio tiene restricciones de tipo >=, se usa una holgura negativa Si llamada variable de
supervit, la cual debe restarse a cada una de esas restricciones como sigue:

Figura 1-41. Concepto fsico de superavit en restriccin 1, ejemplo MINCAN1.

De esta manera, el espacio de dos dimensiones de la Figura 1-39 y Figura 1-40, se ampla a un
espacio de 5 dimensiones que no se puede dibujar, pero si tratar analticamente.
La tabla de la Figura 1-42 muestra las coordenadas o valor para cada una de las variables en el
problema Ejemplo 1-14, MINCAN1, ampliado a 5 dimensiones (2 variables de decisin ms 3
variables supervit), al pasar a forma estndar; se conservan los valores (X1, X2) obtenidos en la
solucin grfica de la Figura 1-39 y se sustituyen en la forma estndar para calcular el valor de S1,
S2, S3, variables restadas en el lado izquierdo de las restricciones. En la tabla, cada rengln se
identifica con cada vrtice de la Figura 1-39, pero debido a la ampliacin del espacio, se convierten
en solucin bsica pues tienen, por lo menos: n = (m + n) - m = (3 + 2) - 3 = 2 variables de valor
cero. Pero los puntos extremos O y C, tienen mas de 2 variables nulas, en este caso con 3 variables
cero, se identifican como soluciones bsicas no nicas y en particular C es una solucin bsica
degenerada.
Supngase ahora que la funcin objetivo Z se cambia para mximo, en tal caso el traslado hacia
fuera del cuadrante, de la lnea recta correspondiente a la funcin Z, con el propsito de
incrementar el valor de las variables X1 y X2, resulta en un incremento indefinido para el valor de
dicha funcin y por lo tanto sin lmite.
Sustituyendo (X1, X2) de los dos vrtices de la regin factible se obtiene el ptimo como mnimo
ZC = 14:

Figura 1-42. Sistema ampliado a 5 dimensiones en ejemplo MINCAN1.

Ejemplo 1-15. Mtodo grfico, PL en mximo y mnimo, restricciones <= y >= (MAXMIN1).
Este nuevo ejemplo inicia una serie de variantes a partir del Ejemplo 1-14, se estima que el
estudiante fija ms conocimiento cuando tiene oportunidad de comparar los efectos de los
cambios en el mismo problema, se pretende responder a: qu pasara s.....?
Como se puede ver en la Figura 1-44, el efecto inmediato del cambio es que ahora se tiene un
conjunto factible acotado, que permite calcular para la funcin Z el mximo y tambin el
mnimo. Se anota informacin relevante, ya explicada en anteriores ejemplos y se sugiere al lector
estudioso comprobar lo aprendido hasta ahora, con el ejercicio de graficar, cada una de las
restricciones y luego definir el conjunto de soluciones factibles para todo el sistema de este
problema. Verifique la Figura 1-43.

Figura 1-43. Factibilidad de restricciones en ejemplo MAXMIN1.

Observe que los puntos vrtices (extremos) son la interseccin de por lo menos dos lneas rectas,
en tal caso se dice que son nicos; pero los puntos O y C se forman con tres lneas rectas,
calificndolos como vrtices no nicos, pues se puede generar la misma interseccin de las tres
maneras en que se anota en la Figura 1-44. Para este ejemplo, el punto extremo C, adems de no
nico, es factible y por lo tanto solucin degenerada. El vrtice origen O, queda en la categora de
no factible, como es cualesquier punto no incluido en la zona sombreada. A propsito de ella
revise, si as lo desea, la definicin de conjunto convexo y verifique que las regiones factibles
correspondientes a los problemas grficos de ejemplo, cumplen para tal calificacin.

Figura 1-44. Solucin grfica del ejemplo MAXMIN1, resulta una regin factible acotada al invertir la
restriccin (1) a <=.

# Mximo de soluciones bsicas nicas: m =3 restricciones; n = 2 variables originales

Ejemplo 1-16. Mtodo grfico con PL en mximo y mnimo, una restriccin en = (FACTIRECTA).
As el conjunto factible resulta en un slo segmento de recta BC. Se sugiere como ejercicio,
graficar individualmente las restricciones y verificar su conjunto factible con la Figura 1-45.

Figura 1-45. Grfica del modelo ejemplo FACTIRECTA, variante del MAXMIN1, con el segmento de recta BC
como conjunto de soluciones factibles.

Restriccin redundante: Para este problema, puede ser tanto la nmero uno, como la nmero
dos, segn la que se utilice primero para definir el vrtice "C". En caso de que requiera mayor
exposicin, a continuacin se presenta en la Figura 1-46 el conjunto factible correspondiente a
cada restriccin del Ejemplo 1-16; anote en particular, el grfico de la (3) que es de igualdad,
provoca que el conjunto factible sea un slo segmento de recta BC.

Figura 1-46. Regin factible para cada restriccin del ejemplo FACTIRECTA.

Ejemplo 1-17. Mtodo grfico, PL en mximo y mnimo, la variable X2 no positiva. (MINMAXCU).

Figura 1-47. Solucin grfica del modelo ejemplo MINMAXCU, muestra un conjunto factible que se ubica en
el cuarto cuadrante debido a que la variable X2 se condiciona a valor no positivo.

Esta nueva variante elegida como Ejemplo 1-17 tiene algo especial, como es condicionar a signo no
positivo a la variable X2, con el resultado grfico que quiz, ya esperaba usted.
La aceptacin de la posibilidad de valor negativo para X2, obliga al clculo que incluye las dos
alternativas: con signo menos y con cero, para X2; as se consigue situar el dibujo con los vrtices
necesarios para el trazo, definicin del conjunto factible y la evaluacin de la funcin objetivo en el
cuarto cuadrante del sistema bidimensional.
Como puede observar en la Figura 1-47, el conjunto de soluciones factibles del ejemplo 1.17 se
define en el cuarto cuadrante con el tringulo cuyos vrtices son O B C.
En la Figura 1-48 se presenta la regin factible que le corresponde a cada una de las restricciones
del ejemplo MINMAXCU para verificar sus resultados grficos:

Figura 1-48. Regin factible de restricciones del ejemplo MINMAXCU.

Programa CAVA .- El lector que as lo desee puede consultar en el programa CaVa (prximo a
liberarse) las soluciones (ya sea analtica o bien grfica), de algunos de los problemas ejemplo del
libro. Puede encontrar, como ejemplos de formulacin de modelos de PL, los
nmeros: 1.4 Bediet, 1.7 de distribucin de carga en barco, 1.9 de desperdicio en proceso de
corte. Como ejemplos de mtodo grfico los nmeros 1.31 al 1.43.
1.6. Ejercicios, actividades de aprendizaje y autoevaluaciones correspondientes al captulo [MAT96]
En las siguientes subsecciones encontrar una serie de ejercicios que ayudarn a la total
comprensin de los temas tratados en el presente captulo. Asimismo, los ejercicios marcados con
*AUTOEVAL* son de auto evaluacin, el peso de los incisos correspondientes a cada uno de ellos
podrn ser consultados en la seccin de respuestas. Se sugiere resolverlos, y una vez terminados,
revisar su solucin y calcular la calificacin correspondiente y as evaluar el entendimiento del
mismo.
Se recomienda aplicar los ejercicios aqu planteados a casos prcticos de la vida diaria como parte
de las actividades de aprendizaje del presente material.
1.6.1. Mezcla de tipos de petrleo crudo *AUTOEVAL*.
Una empresa puede comprar dos tipos de petrleo crudo: ligero a un costo de $25 dlares por
barril y pesado a $22 dlares por barril. Cada barril de petrleo crudo ya refinado, produce la
fraccin de barril anotada de los tres productos de la siguiente tabla:

Figura 1-49. Tabla de mezcla de tipos de petrleo crudo.

La refinera se ha comprometido a entregar pedidos en barriles de 1,260,000 de gasolina, 900,000

de turbosina y 300,000 de queroseno. Formule con PL un modelo que defina todas las variables de
decisin, determine los barriles de cada tipo de petrleo crudo a comprar, minimice el costo total
y satisfaga la demanda.
B.1.1. Mezcla de tipos de petrleo crudo.

1.6.2. Mezcla de tipos de camin.

Una empresa recibi un contrato para suministrar a distribuidores 800,000 galones de gasolina por
mes. La compaa tiene disponibles $500,000 dlares para iniciar una flota consistente en tres
tipos diferentes de camiones. En la siguiente tabla se muestra la capacidad, costo de compra,
costo operativo y nmero mximo de viajes por cada tipo de camin.

Figura 1-50. Tabla de mezcla de tipos de camin.

Considerando el mantenimiento y la disponibilidad de conductores, la empresa desea comprar a lo

ms 10 vehculos para su flota. As mismo, la compaa desea asegurar la compra de al menos 3 de
los camiones del tipo 3 para usarse en las rutas de trayecto corto y baja demanda. Finalmente, la
empresa desea que a lo ms la mitad de la flota sea de camiones del tipo 1. Formule un modelo
para determinar la composicin de la flota que minimice los costos operativos mensuales y
satisfaga las demandas, sin salirse del presupuesto.

B.1.2. Mezcla de tipos de camin.

1.6.3. Transporte de turbosina al aeropuerto.

Una lnea area reabastece sus aeronaves regularmente en los cuatro aeropuertos incluidos en su
servicio. La turbosina puede comprarse a tres vendedores posibles de cada aeropuerto. La tabla
siguiente indica el costo de entrega (compra ms embarque) de 1,000 galones de cada vendedor a
cada aeropuerto; tambin el nmero disponible en miles de galones que cada vendedor puede
proveer cada mes; por ltimo, el requerimiento mensual de turbosina en miles de galones en cada
aeropuerto.

Figura 1-51. Tabla de transporte de turbosina al aeropuerto.

Formule un modelo de PL que determine cantidades de turbosina a comprar y enviar por parte de
cada vendedor a cada aeropuerto con mnimo costo, satisfaciendo al mismo tiempo por lo menos
la demanda mensual a cada aeropuerto y no excediendo el suministro de cualquier vendedor.
B.1.3. Transporte de turbosina al aeropuerto.

1.6.4. Asignacin de servicio postal a sucursales.

Una ciudad desea determinar cuntas subestaciones postales se requieren para dar servicio a su
poblacin. La ciudad ha sido dividida en ocho zonas postales. Se han identificado cinco ubicaciones
posibles para las subestaciones. Cada ubicacin puede dar servicio a un nmero diferente de
zonas, como se indica en la siguiente tabla:

Figura 1-52. Tabla de asignacin de servicio postal a sucursales.

Formule un modelo para determinar el nmero mnimo de subestaciones (y sus ubicaciones)

necesarias para dar servicio a las ocho zonas postales. (Sugerencia: defina una variable apropiada
para cada ubicacin.)
B.1.4. Asignacin de servicio postal a sucursales.

1.6.5. Produccin de partes para ensamble.

Tres divisiones de una compaa fabrican un producto en el que cada unidad completa consiste en
cuatro unidades del componente A y tres unidades del componente B. Los dos componentes (A y
B) se fabrican a partir de dos materias primas diferentes. Existen 100 unidades de la materia prima
1 y 200 unidades de la materia prima 2 disponibles. Cada una de las tres divisiones usa un mtodo
diferente para fabricar los componentes, dando como resultado distintos requerimientos de
materia prima y productos. La tabla muestra los requerimientos de materia prima por corrida de
produccin en cada divisin y el nmero de cada componente producido por esa corrida.

Figura 1-53. Tabla de produccin de partes para ensamble.

Por ejemplo, cada corrida de produccin de la divisin 1 requiere 8 unidades de la materia prima 1
y 6 unidades de la materia prima 2. El producto de esta corrida es 7 unidades de A y 5 unidades de
B. Formule un modelo para determinar el nmero de corridas de produccin para cada divisin
que maximice el nmero total de unidades terminadas de producto.

B.1.5. Produccin de partes para ensamble.

1.6.6. Transporte de combustible.

Una empresa tiene 14,000 galones de una mezcla de gasolina y alcohol en el almacn 1 y 16,000
galones en el almacn 2. Desde esos almacenes, debe proveer 10,000 galones al cliente 1 y 20,000
galones al 2. El costo de embarcar 1 galn desde cada almacn a cada cliente es en dlares:

Figura 1-54. Tabla de transporte de combustible.

Formule un modelo de programacin lineal para determinar el plan de embarque de costo mnimo
que satisfaga las restricciones de provisin y demanda.
B.1.6. Transporte de combustible.

1.6.7. Mezcla de componentes en produccin de plvora .

Una empresa mezcla azufre, carbn y salitre para producir plvora. El producto final debe
contener al menos 10%, pero no ms de 20%, de carbn por unidad de peso. La cantidad de salitre
no puede exceder el 50% de la cantidad de carbn usado. Para evitar una explosin accidental, la
suma de 50% del azufre ms 60% del carbn ms 30% del salitre usados no pueden exceder 35%
del producto final. El azufre es con mucho el componente ms caro. Formule un modelo para
determinar la cantidad de cada ingrediente que debe utilizarse para producir cada libra de plvora
que satisfaga las restricciones y, a la vez, que requiera la menor cantidad de azufre.
B.1.7. Mezcla de componentes en produccin de plvora.

1.6.8. Produccin de jugos *AUTOEVAL*.

Cada semana, se usa una sola mquina durante 150 horas para destilar jugo de naranja y de
toronja en concentrados almacenados en dos tanques separados de 1000 galones antes de
congelarlos. La mquina puede procesar 25 galones de jugo de naranja por hora, pero slo 20
galones de jugo de toronja. Cada galn de jugo de naranja cuesta $2 y pierde 30% de contenido de
agua al destilarse en concentrado. El concentrado de jugo de naranja se vende despus en $8 por
galn. Cada galn de jugo de toronja cuesta $2.5 y pierde 25% de contenido de agua al destilarse
en concentrado. El concentrado de jugo de toronja se vende despus en $10 por galn. Formule
un modelo de programacin lineal para determinar un plan de produccin que maximice la
ganancia para la siguiente semana usando las variables:
X n = nmero de galones de jugo de naranja por utilizar esta semana X t = nmero de galones de
jugo de toronja por utilizar esta semana
B.1.8. Produccin de jugos.

1.6.9. Produccin de jugos concentrados.

Como variante del ejercicio anterior, formule un modelo de programacin lineal para determinar
un plan de produccin que maximice la ganancia para la siguiente semana usando las variables:
Xcn = el nmero de galones de concentrado de naranja por producir esta semana Xnt = el nmero
de galones de concentrado de toronja por producir esta semana
B.1.9. Produccin de jugos concentrados.

1.6.10. Transporte de barriles de petrleo.

Se debe transportar 100,000 barriles de cada uno de tres campos petroleros a un tanque de
almacenamiento A. El petrleo puede transportarse en camiones directamente de los campos al
tanque A con un costo de $0.03 por barril-milla. Tambin pueden enviarse hasta 150,000 barriles
de petrleo, desde los campos mediante ductos a un eje central B a un costo de $0.02 por barrilmilla y luego transportarse al A en camiones a $1 por barril. Formule un modelo de Pl del plan de
embarque de costo mnimo, dadas las siguientes distancias en millas:

Figura 1-55. Tabla de transporte de barriles de petrleo.

B.1.10. Transporte de barriles de petrleo.

1.6.11. Asignacin de cultivos *AUTOEVAL*.

Se tienen 50 acres de tierra en la cual plantar cualquier cantidad de maz, soya, lechuga, algodn y
brcoli. La siguiente tabla muestra la informacin relevante perteneciente a la produccin, al
costo de plantacin, al precio de venta esperado y los requerimientos de agua para cada cultivo:

Figura 1-56. Tabla de asignacin de cultivos.

Para la prxima temporada hay 100,000 litros de agua disponibles y se pueden vender al menos
5,120 Kg de maz. Formule un modelo de programacin lineal.
B.1.11. Asignacin de cultivos.

1.6.12. Conceptos de PL con opciones de acierto *AUTOEVAL*.

Opciones de aciertos para diferentes conceptos.
(1) conjunto convexo, (2) vector C, (3) matriz A, (4) redundante, (5) forma estndar, (6)
desigualdad, (7) solucin bsica, (8) variable supervit, (9) solucin degenerada, (10) programacin
lineal, (11) forma cannica, (12) (m + n)! / m! n!, (13) variable de holgura, (14) solucin factible,
(15) solucin no nica.
Anote el # correspondiente en los parntesis siguientes:
(__) Arreglo a coeficientes de consumo en restricciones.
(__) Solucin bsica, no nica, factible.
(__) Posible consumo adicional al recurso requerido.
(__) Nmero mximo de soluciones bsicas nicas.
(__) Objetivo Mximo(Mnimo), restricciones <=(>=), variables>= 0
(__) Infinidad de puntos satisfaciendo toda restriccin.
(__) Tiene al menos, n variables nulas.
(__) Con matemtica lineal abstrae problema analizado.
(__) Ubicado en: interior, frontera, o vrtice del conjunto.
(__) Significa el posible exceso de recurso.
(__) Objetivo Max(Min), restricciones =, variables >= 0.
(__) Tiene menos de m variables positivas.
(__) Arreglo de coeficientes de la funcin objetivo.
(__) Restriccin que no limita el conjunto factible.
(__) P = A + ( 1 - ) B ; 0 <= <= 1
Nota: Un parntesis puede tener ms de un nmero y stos pueden repetirse en otros.
B.1.12. Conceptos de PL con opciones de acierto.
Opciones de aciertos para diferentes conceptos.
Anote el # correspondiente en los parntesis siguientes:
(3,6,5,10,11) Arreglo a coeficientes de consumo en restricciones.
(4,7,9,14,15) Solucin bsica, no nica, factible.
(6,8) Posible consumo adicional al recurso requerido.
(12) Nmero mximo de soluciones bsicas nicas.
(10,11) Objetivo Max(Min),restricciones <=(>=), variables>= 0
(1,5,6,10,14) Infinidad de puntos satisfaciendo toda restriccin.
(7,9,15) Tiene al menos, n variables nulas.
(5,10,11) Con matemtica lineal abstrae problema analizado.
(14) Ubicado en: interior, frontera, o vrtice del conjunto.
(6,13) Significa el posible exceso de recurso.
(5,10) Objetivo Max(Min), restricciones =, variables >= 0.
(4,7,9,15) Tiene menos de m variables positivas.
(2,10) Arreglo de coeficientes de la funcin objetivo.
(4,9,15) Restriccin que no limita el conjunto factible.
(1,10) P = A + ( 1- ) B ; 0 <= <=1

B.1.13. Solucin grfica con aciertos de opcin mltiple.

Dado el grfico y el modelo de PL que lo origina:

Figura B-1. Solucin 1

Resuelva como en ejemplos 1.12, 13,...,17; luego elija el acierto entre los incisos: a), b),...,
anotando en los parntesis (__) lo que crea correcto:
(c) La recta de restriccin #2 es:
a) AO b) GACD c) FCBE d) O B D e) FAL
(a) La recta de restriccin #3 es:
a) OA b) FCBE c) EBCF d) DCAG e)ninguna
(b) Las coordenadas de un vrtice no nico son:
a(-2,0) b (2,2) c(0,2) d(2,0)
(d) El conjunto factible es el espacio:
a) ALG b) BCD c) OACB d) AFC e) AF
(a) El # mximo de soluciones bsicas nicas es:
a) 15 b) 18 c) 32 d) 10 e) 28
(e) El # de soluciones inexistentes son:
a) 6 b) 4 c) 3 d) 8 e) 2 f) 1 g) ninguna
(b) El # de soluciones bsicas en vrtice no nico es:
a) 9 b) 6 c) 12 d) 15 e) 3
(d) Hay solucin degenerada en vrtice(s):
a) OB b) CO c) EB d) A e) O f) FC
(b) Hay solucin no degenerada en vrtice(s):
a) A b) CF c) E d) BC e) ninguna
(d) Hay redundancia por restriccin(es) #:
a) 3,2 b) 2 c) 1 d) 3 e) ninguna
(a) Restriccin 1,2,3,4 en = con:
a) H1,H2,H3,-S4 b) H1,H2,H3 c) -S1,-S2,-S3,-S4
(a) Valor max, min respectivo en funcin Z es:
a) -2,-8 b) 4,-2 c) -6,-12 d) 1,-5

1.6.13. Solucin grfica 1 con aciertos de opcin mltiple *AUTOEVAL*.

Dado el grfico y el modelo de PL que lo origina:

Figura 1-57. Grfica y modelo 1 con aciertos de opcin mltiple.

Resuelva como en ejemplos 1.12, 13,...,17; luego elija el acierto entre los incisos: a), b),...,
anotando en los parntesis (__) lo que crea correcto:
(__) La recta de restriccin #2 es:
a) AO b) GACD c) FCBE d) O B D e) FAL
(__) La recta de restriccin #3 es:
a) OA b) FCBE c) EBCF d) DCAG e) ninguna
(__) Las coordenadas de un vrtice no nico son:
a(-2,0) b (2,2) c(0,2) d(2,0)
(__) El conjunto factible es el espacio:
a) ALG b) BCD c) OACB d) AFC e) AF
(__) El # mximo de soluciones bsicas nicas es:
a) 15 b) 18 c) 32 d) 10 e) 28
(__) El # de soluciones inexistentes son:
a) 6 b) 4 c) 3 d) 8 e) 2 f) 1 g) ninguna
(__) El # de soluciones bsicas en vrtice no nico es:
a) 9 b) 6 c) 12 d) 15 e) 3
(__) Hay solucin degenerada en vrtice(s):
a) OB b) CO c) EB d) A e) O f) FC
(__) Hay solucin no degenerada en vrtice(s):
a) A b) CF c) E d) BC e) ninguna
(__) Hay redundancia por restriccin(es) #:
a) 3,2 b) 2 c) 1 d) 3 e) ninguna
(__) Restriccin 1,2,3,4 en = con:
a) H1,H2,H3,-S4 b) H1,H2,H3 c) -S1,-S2,-S3,-S4
(__) Valor max, min respectivo en funcin Z es:
a) -2,-8 b) 4,-2 c) -6,-12 d) 1,-5

1.6.14. Solucin grfica 2 con aciertos de opcin mltiple *AUTOEVAL*.

Dado el grfico y el modelo de PL que lo origina:

Figura 1-58. Grfica y modelo 2 con aciertos de opcin mltiple.

Resuelva como en ejemplos 1.12, 13,...,17; luego elija el acierto entre los incisos: a), b),...,
anotando en los parntesis (__) lo que crea correcto:
(__) La recta de restriccin #2 es:
a) KAO b) GACD c) FCBE d) TCK e) RFKL
(__) La recta de restriccin #3 es:
a) KAO b) FCBE c) EBCF d) DCAG e)ninguna
(__) Coordenadas de vrtices no nicos:
a(-2,0)(0,2) b(2,2)(4,0) c(3,3)(1,3)(0,0)
(__) El conjunto factible es el espacio:
a) AKGL b) KCF c) OACB d) AKC e) KF
(__) El # mximo de soluciones bsicas nicas es:
a) 15 b) 21 c) 32 d) 10 e) 28
(__) El # de soluciones inexistentes son:
a) 6 b) 4 c) 1 d) 6 e) 2 f) 3 g) ninguna
(__) El # de soluciones bsicas en vrtice no nico es:
a) 9 b) 6 c) 12 d) 15 e) 3
(__) Hay solucin degenerada en vrtice(s):
a) OB b) CK c) EB d) A e) O f) FA
(__) Hay solucin no degenerada en vrtice(s):
a) R b) O c) A d) KC e) ninguna
(__) Hay redundancia por restriccin(es) #:
a) 3,1 b) 2,5 c) 1 d) 4 e) ninguna
(__) En 1,2,3,4,5 pasa a = con:
a) 3Hi y 2Si b) 1Hi y 4Si c) 2Hi y 3Si d) 4Hi y 1Si
(__) Valor max, min respectivo en funcin Z es:

a) -3,-8 b) 4,-2 c) 6,-1 d) -2,-7

B.1.14. Solucin grfica con aciertos de opcin mltiple.
Dado el grfico y el modelo de PL que lo origina:

Figura B-2. Solucin 2

Resuelva como en ejemplos 1.12, 13,...,17; luego elija el acierto entre los incisos: a), b),...,
anotando en los parntesis (__) lo que crea correcto:
(c) La recta de restriccin #2 es:
a) KAO b) GACD c) FCBE d) TCK e) RFKL
(a) La recta de restriccin #3 es:
a) KAO b) FCBE c) EBCF d) DCAG e)ninguna
(c) Coordenadas de vrtices no nicos:
a(-2,0)(0,2) b(2,2)(4,0) c(3,3)(1,3)(0,0)
(d) El conjunto factible es el espacio:
a) AKGL b) KCF c) OACB d) AKC e) KF
(b) El # mximo de soluciones bsicas nicas es:
a) 15 b) 21 c) 32 d) 10 e) 28
(f) El # de soluciones inexistentes son:
a) 6 b) 4 c) 1 d) 6 e) 2 f) 3 g) ninguna
(a) El # de soluciones bsicas en vrtice no nico es:
a) 9 b) 6 c) 12 d) 15 e) 3
(b) Hay solucin degenerada en vrtice(s):
a) OB b) CK c) EB d) A e) O f) FA
(c) Hay solucin no degenerada en vrtice(s):
a) R b) O c) A d) KC e) ninguna
(b) Hay redundancia por restriccin(es) #:
a) 3,1 b) 2,5 c) 1 d) 4 e) ninguna

(d) En 1,2,3,4,5 pasa a = con:

a) 3Hi y 2Si b) 1Hi y 4Si c) 2Hi y 3Si d) 4Hi y 1Si
(d) Valor max, min respectivo en funcin Z es:
a) -3,-8 b) 4,-2 c) 6,-1 d) -2,-7
1.6.15. Solucin grfica 3 con aciertos de opcin mltiple *AUTOEVAL*.
Dado el grfico y el modelo de PL que lo origina:

Figura 1-59. Grfica y modelo 3 con aciertos de opcin mltiple.

Resuelva como en ejemplos 1.12, 13,...,17; luego elija el acierto entre los incisos: a), b),...,
anotando en los parntesis (__) lo que crea correcto:
( __) La recta de restriccin #1 es:
a) BAE; b) FATQ; c) OACD; d) GECRH
( __) La recta de restriccin #4 es:
a) QRD; b) FATQ; c) OACD; d) GECRH
(__) Las coordenadas del vrtice T son:
a(3,3); b(1,3); c(0,2); d(4,0); e(-2,0)
( __) El conjunto factible es el espacio:
a) AOF; b) AEGF; c) ACRT; d) QRT
( __) El # mximo de soluciones bsicas nicas es:
a)15; b)32; c)21; d)10; e)28
( __) El # de soluciones inexistentes son:
a) 2; b) 4; c) 3; d) 5; e) 7; f) 1; g) ninguna
( __) El # de soluciones bsicas en vrtice no nico es:
a) 15; b) 6; c) 9; d) 12; e) 3

( __) Hay solucin degenerada en vrtice(s):

a) AO; b) CT; c) EGF; d) AR; e) RDC
( __) Hay solucin no degenerada en vrtice(s):
a) AFG; b) CT; c) Q; d) AB; e) GF
( __) Hay redundancia por restriccin(es) #:
a) 3,4; b) 1,2; c) 5; d) 6; e) ninguna
( __) Restriccin en = con:
a) 3Si, 3Hi; b) 4Si, 2Hi; c) 2Si, 4Hi; d) 2Wi,2Si,2Hi; d) 6Si
(__ ) Valor max, min respectivo en funcin Z es:
a) -2,-8, b) 4,-2, c) -6,-12, d) 5,-4
B.1.15. Solucin grfica con aciertos de opcin mltiple.
Dado el grfico y el modelo de PL que lo origina:

Figura B-3. Solucin 3

Resuelva como en ejemplos 1.12, 13,...,17; luego elija el acierto entre los incisos: a), b),...,
anotando en los parntesis (__) lo que crea correcto:
( d ) La recta de restriccin #1 es:
a) BAE; b) FATQ; c) OACD; d) GECRH
( a ) La recta de restriccin #4 es:
a)QRD; b) FATQ; c) OACD; d) GECRH
( b ) Las coordenadas del vrtice T son:
a(3,3); b(1,3); c(0,2); d(4,0); e(-2,0)
( c ) El conjunto factible es el espacio:

a) AOF; b) AEGF; c) ACRT; d) QRT

( e ) El # mximo de soluciones bsicas nicas es:
a)15; b)32; c)21; d)10; e)28
( d ) El # de soluciones inexistentes son:
a)2; b)4; c)3; d)5; e)7; f)1; g)ninguna
( a ) El # de soluciones bsicas en vrtice no nico es:
a)15; b)6; c)9; d)12; e)3
( d ) Hay solucin degenerada en vrtice(s):
a)AO; b)CT; c)EGF; d)AR; e)RDC
( b ) Hay solucin no degenerada en vrtice(s):
a)AFG; b)CT; c)Q; d)AB; e)GF
( a ) Hay redundancia por restriccin(es) #:
a) 3,4; b)1,2; c) 5; d)6; e) ninguna
( c) Restriccin en = con:
a)3Si, 3Hi; b)4Si, 2Hi; c)2Si, 4Hi; d)2Wi,2Si,2Hi; d)6Si
( a) Valor max, min respectivo en funcin Z es:
a)-2,-8, b)4,-2, c)-6,-12, d)5,-4
1.7. Referencias bibliogrficas
AND93.- Anderson D.- Sweeney D.- Williams T
Introduccin a los Modelos Cuantitativos para Administracin.,- Grupo Editorial
Iberoamrica.- 1993.
DAN63.- Dantzig George B.
Linear Programming and Extensions. Princenton University Press. Princenton N.J. 1963.
GAS74.- Gass Saul I.
Linear Programming. Methods and Applications. McGraw Hill, New York.1974
GAS81.- Gass Saul I.
Programacin lineal.- Limusa 1 Edicin 1981
HIL95.- Hillier-Lieberman.
Introduccin a la Investigacin de Operaciones.-McGraw-Hill.- 6a.edicin.- 1995.
MAT96.- Mathur Kamlesh and Solow Daniel.
Investigacin de Operaciones. El Arte de la Toma de Decisiones. Prentice Hall
Hispanoamricana. 1996
SAT95.- Saaty Thomas.
Mathematical Methods of Operations Research, Mc Graw Hill Book Company, New York,
1959
WAG75.- Wagner H.
Principles of Operation Research. 2d. edition. Englewood Cliffs. N. J. Prentice Hall. 1975.
WIN94.- Winston Wayne.
Investigacin de Operaciones. Aplicaciones y Algoritmos.- Grupo Editorial Iberoamrica.2 Edicin.-1994.