UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

FACULTAD DE CIENCIAS BSICAS E INGENIERA

UNIDAD DE CIENCIAS BSICAS

MDULO

PROGRAMACIN LINEAL
(versin Preliminar)

ESP. GLORIA LUCIA GUZMN ARAGN

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

UNAD

FACULTAD DE CIENCIAS BSICAS E INGENIERA

PROGRAMA INGENIERA DE SISTEMAS

NEIVA (HUILA), 2.005

 TABLA DE CONTENIDOS

INTRODUCCIN

JUSTIFICACIN

UNIDAD 1

INTRODUCCIN A LA PROGRAMACIN LINEAL

CAPITULO 1

LA INVESTIGACION DE OPERACIONES

1.1 INTRODUCCION
1.2 ANTECEDENTES Y ORIGEN DE LA I.O.
1.3 QUE ES LA INVESTIGACION DE OPERACIONES?
1.4 METODOLOGA DE LA I.O.
1.5 COMPONENTES DE LA INVESTIGACION DE OPERACIONES
1.5.1 DEFINICION Y FORMULACION DEL PROBLEMA
1.5.2 FORMULACION DE UN MODELO MATEMATICO
1.5.3 OBTENCION DE UNA SOLUCION APARTIR DEL MODELO
1.5.4 PRUEBA DEL MODELO
1.5.5 VALIDACION DEL MODELO
1.5.6 ESTABLECIMIENTO DE CONTROLES DE LA SOLUCION
1.5.7 IMPLEMENTACION DE LA SOLUCION

CAPITULO 2

CONJUNTOS CONCAVOS Y CONVEXOS

2.1 INTRODUCCIN
2.2 CONCEPTO DE CONJUNTO CONVEXO
2.3 PROPIEDADES DE LOS CONJUNTOS CONVEXOS
2.4 EJERCICIOS DE APLICACIN
2.5 FUNCION CONVEXA

CAPITULO 3.

CONCEPTUALIZACION DE LA PROGRAMACION LINEAL

3.1 INTRODUCCION
3.2 CONCEPTO
3.3 FORMULACION DEL PROBLEMA DE PROGRAMACION LINEAL
3.3.1 INTRODUCCION
3.3.2 ESTRUCTURA DE UN MODELO DE P.L.
3.4 MODELO GENERAL DE PROGRAMACION LINEAL
3.5 FORMA ESTNDAR DE LOS MODELOS DE P.L.
3.6 OTRAS FORMAS DE MODELOS DE P.L.
3.7 FORMULACION ALGEBRAICA: FORMA CANONICA
3.8 RESUMEN

UNIDAD 2

METODOS DE SOLUCION

CAPITULO 1
METODO GRAFICO

1.1 INTRODUCCION METODO GRAFICO

1.2 DEFINICION
1.3 CONCEPTO GENERAL DEL METODO GRAFICO
1.4 PASOS PARA LA SOLUCION MEDIANTE EL METODO GRAFICO

CAPITULO 2

METODO ALGEBRAICO

2.1 INTRODUCCION
2.2 PASOS PARA UTILIZAR EN METODO ALGEBRAICO
2.3 EJEMPLOS DESARROLLADOS
2.4 TALLER

CAPITULO 3

METODO SIMPLEX

3.1 INTRODUCION
3.2 CONCEPTO
3.3 PASOS PARA EL DESARROLLO DEL METODO SIMPLEX
3.4 EJEMPLOS DESARROLLADOS
3.5 TALLER
CAPITULO 4

ANALISIS DE VARIABILIDAD:

4.1 INTRODUCCION
4.2 DUALIDAD
4.3 PASOS PARA CONVERTIR UN PROBLEMA PRIMAL A UNO DUAL
4.4 EJEMPLOS RESUELTOS
4.5 COMPARACION ENTRE EL METODO SIMPLEX Y DUAL - SIMPLEX
4.6 TALLER

CAPITULO 5

TOPICOS AVANZADOS

5.1 INTRODUCCION
5.2 DEGENERACION EN PROGRAMACION LINEAL
5.3 METODO SIMPLEX GENERALIZADO
5.4 PROBLEMAS DE PROGRAMACION LINEAL CON VARIABLES ACOTADAS
5.5 ALGORITMO DE DESCOMPOSICION

FUENTES DOCUMENTALES
 INTRODUCCIN

El curso de Programacin Lineal Componente de Formacin Disciplinar tiene

carcter bsico en los programas de Ingeniera que oferta la UNAD, adems es de
tipo terico. Tiene como objetivo Formular, obtener y analizar soluciones a
problemas de programacin lineal en especial los referidos a optimizacin de
recursos.

El curso tiene 2 crditos acadmicos los cuales comprenden el estudio

independiente y el acompaamiento tutorial, con el propsito de:

Comprender los elementos tericos que sustentan la programacin lineal.

Identificar y utilizar los mtodos de programacin lineal para la solucin de
problemas.
Identificar y manejar los algoritmos utilizados en la optimizacin de funciones
no lineales sujetas a restriccin de tipo general.
Identificar diferencias entre la formulacin de modelos y tcnicas de solucin.

Este curso est compuesto por dos Unidades didcticas a saber:

Unidad 1. Introduccin a la Programacin Lineal donde se pretende que el

estudiante valore la importancia que tiene la investigacin de operaciones en
proporcionar herramientas para la construccin de modelos matemticos en
particular los de programacin lineal, adems de la conceptualizacin y las diferentes
formas de presentacin de un problema de programacin lineal.

Unidad 2. Mtodos de Solucin se plantean los diferentes mtodos empleados para

solucionar problemas a nivel grfico, algebraico, simplex, dual, anlisis de
optimalidad y sensibilidad, con los que se pretende que el estudiante posea
herramientas para que busque la solucin ptima a problemas simples y complejos
que se le puedan presentar tanto en la cotidianidad como en el ejercicio de su vida
profesional y/o laboral.
 JUSTIFICACIN

No es del todo fcil definir qu es la investigacin de operaciones. Existen diversas

definiciones en textos, pero se podra decir que la investigacin de operaciones es
un enfoque cientfico interdisciplinario para la solucin de problemas, que envuelve la
interaccin compleja, dinmica y sujetiva de hombres, mtodos y sistemas, a los
cuales, en algunos casos no se les puede proporcionar una solucin exacta por
medio de los procedimientos matemticos o por medio de tcnicas de ensayo y
error. Utilizando modelos matemticos como un recurso primario, la metodologa de
la investigacin de operaciones est diseada para cuantificar y acotar estos
problemas dentro de un marco de restricciones especficas, medidas, objetivos y
variables, de tal forma que se busquen controles ptimos de operacin, decisiones,
niveles y soluciones.

La programacin matemtica es quizs el rea ms desarrollada de la investigacin

de operaciones. Cubre tpicos tales como: Programacin lineal, programacin de
redes y programacin entera, adems de otras variantes de mtodos de
programacin tales como programacin de metas, en este curso nos ocuparemos de
la programacin lineal y sus diversos mtodos y tcnicas de solucin para una
adecuada toma de decisin.

Un modelo de programacin lineal proporciona un mtodo eficiente para determinar

una decisin ptima, (o una estrategia ptima o un plan ptimo) escogida de un gran
nmero de decisiones posibles. La decisin ptima es la que satisface un objetivo de
administracin, sujeto a varias restricciones.
 PRIMERA UNIDAD

INTRODUCCIN A LA PROGRAMACIN LINEAL

CAPITULO 1

LA INVESTIGACION DE OPERACIONES

1.1 INTRODUCCION
1.2 ANTECEDENTES Y ORIGEN DE LA I.O.
1.3 QUE ES LA INVESTIGACION DE OPERACIONES?
1.4 METODOLOGA DE LA I.O.

1.1 INTRODUCCION

Los cambios revolucionarios originaron gran aumento en la divisin de trabajo y la

separacin de las responsabilidades administrativas en las organizaciones. Sin
embargo esta revolucin creo nuevos problemas que ocurren hasta la fecha en
muchas empresas. Uno de estos problemas es la tendencia de muchos de los
componentes a convertirse en imperios relativamente autnomos, con sus propias
metas y sistemas de valores. Este tipo de problemas, y la necesidad de encontrar la
mejor forma de resolverlos, proporcionaron el surgimiento de la Investigacin de
Operaciones.

La Investigacin de Operaciones aspira determinar la mejor solucin (optima) para

un problema de decisin con la restriccin de recursos limitados.

En la Investigacin de Operaciones utilizaremos herramientas que nos permiten

tomar una decisin a la hora de resolver un problema, tal es el caso de los modelos
de Investigacin de Operaciones que se emplean segn sea la necesidad.

Actualmente la investigacin de operaciones a incursionado en la administracin con

muy buenos resultados en este campo pues el ambiente de negocios al que se est
sometido y los mltiples cambios que ellos generan, los ciclos de vida de los
productos se hacen ms cortos, la abrumadora y acelerada era de la nueva
tecnologa y la internacionalizacin creciente, son razones suficientes para
desarrollar modelos que optimicen los resultados en estos campos del saber

1.2 ANTECEDENTES Y ORIGEN DE LA INVESTIGACION DE OPERACIONES

La investigacin de operaciones se origino en la segunda guerra mundial como una

necesidad de dar solucin a los problemas de carcter militar, los primeros
interesados en estos aspectos fueron los britnicos y los americanos quienes
asignaron esta tarea a un grupos de fsicos, matemticos, bilogos, estadsticos,
psiclogos entre otros para emplear el mtodo cientfico en la solucin de problemas
estratgicos y tcticos.

Despus de la guerra atrajo la atencin de la industria que buscaba soluciones a

problemas de complejidad y especializacin ascendente en las organizaciones. Los
primeros esfuerzos se dedicaron a desarrollar modelos apropiados y procedimientos
correspondientes para solucionar problemas que surgan en reas tales como: la
programacin de refineras de petrleo, la distribucin de productos, la planeacin de
productos, el estudio de mercados y la planeacin de inversiones.

Un factor importante de la implantacin de la Investigacin de Operaciones en este

periodo es el mejoramiento de las tcnicas disponibles en esta rea. Muchos de los
cientficos que participaron en la guerra, se encontraron a buscar resultados
sustanciales en este campo; un ejemplo sobresaliente es el mtodo Simplex para
resolucin de problemas de Programacin Lineal, desarrollado en 1947 por George
Dantzing. Muchas de las herramientas utilizadas en la Investigacin de Operaciones
como la Programacin Lineal, la Programacin Dinmica, Lneas de Espera y Teora
de Inventarios fueron desarrolladas al final de los aos 50.

Un segundo factor importante para el desarrollo de este campo fue el advenimiento

de la revolucin de las computadoras. Para manejar los complejos problemas
relacionados con esta disciplina, generalmente se requiere un gran nmero de
clculos que llevarlos a cabo a mano es casi imposible. Por lo tanto el desarrollo de
la computadora digital, fue una gran ayuda para la Investigacin de Operaciones.

En la dcada de los 80 con la invencin de computadoras personales cada vez ms

rpidas y acompaadas de buenos paquetes de Software para resolver problemas
de Investigacin de Operaciones esto puso la tcnica al alcance de muchas
personas. Hoy en da se usa toda una gama de computadoras, desde las
computadoras de grandes escalas como las computadoras personales para la
Investigacin de Operaciones.
 1.3 QUE ES LA INVESTIGACION DE OPERACIONES

La investigacin de operaciones es la aplicacin, por grupos interdisciplinarios, del

mtodo cientfico a problemas relacionados con el control de las organizaciones o
sistemas, a fin de que se produzcan soluciones que mejor sirvan a los objetivos de la
organizacin.

Algunos aspectos relacionados con la definicin:

Una organizacin es un sistema formado por componentes que se

interaccionan, unas de estas interacciones pueden ser controladas y otras no.

La complejidad de los problemas que se presentan en las organizaciones ya

no encajan en una sola disciplina del conocimiento, se han convertido en
multidisciplinario por lo cual para su anlisis y solucin se requieren grupos
compuestos por especialistas de diferentes reas del conocimiento que logran
comunicarse con un lenguaje comn.

La investigacin de operaciones es la aplicacin de la metodologa cientfica a

travs de modelos matemticos, primero para representar al problema y luego
para resolverlo.

La investigacin de operaciones se aplica a problemas que se refieren a la

conduccin y coordinacin de operaciones (o actividades) dentro de una
organizacin.

La investigacin de operaciones intenta encontrar una mejor solucin, (llamada

solucin ptima) para el problema bajo consideracin.

Un enfoque de la investigacin de operaciones abarca:

Construir un modelo simblico que por lo general es un modelo matemtico,

pretende extraer los elementos fundamentales de un problema de decisin
que es complejo e incierto de tal manera que pueda optimizar una solucin
viable para la consecucin de los objetivos de acuerdo al analista.
Examinar y analizar las relaciones que determinan las consecuencias de la
decisin realizada y comparar el mtodo relativo de acciones alternas con los
objetivos de quien va a tomar la decisin.
Desarrollar una tcnica de decisin que comprenda teoras matemticas y que
conduzca a la optimizacin de los resultados.

La investigacin de operaciones se aplica tanto a problemas tcticos como

estratgicos de una organizacin. Los primeros tienen que ver con actividades
diarias y los segundos tienen una orientacin y una planeacin organizada
generalmente se apoyan en operaciones de carcter indirecto.

1.4 METODOLOGIA DE LA INVESTIGACION DE OPERACIONES

El uso de mtodos cuantitativos para solucionar problemas, generalmente implica a

mucha gente de toda la organizacin. Los individuos de un equipo de proyectos
proporcionan informacin de sus reas respectivas respecto a diversos aspectos del
problema. El proceso de aplicar mtodos cuantitativos requiere de una sucesin
sistemtica de pasos:

Definicin del
problema

Resolucin del Solucin

modelo
matemtico.

Modelo NO Es valida la
modificado solucin?

Implementacin
1.5 COMPONENTES DE LA INVESTIGACION DE OPERACIONES

1.5.1 DEFINICION Y FORMULACION DEL PROBLEMA:

Esto incluye determinar los objetivos apropiados, las restricciones sobre lo que se
puede hacer, las interrelaciones del rea bajo estudio con otras reas de la
organizacin, los diferentes cursos de accin posibles, los lmites de tiempo para
tomar una decisin, etc. Este proceso de definir el problema es crucial ya que
afectar en forma significativa la relevancia de las conclusiones del estudio.

1.5.2 FORMULACION DE UN MODELO MATEMATICO:

La forma convencional en que la investigacin de operaciones realiza esto es

construyendo un modelo matemtico que represente la esencia del problema.

Un modelo siempre debe ser menos complejo que el problema real, es una
aproximacin abstracta de la realidad con consideraciones y simplificaciones que
hacen ms manejable el problema y permiten evaluar eficientemente las alternativas
de solucin.

15.3 OBTENCION DE UNA SOLUCION APARTIR DEL MODELO

Depende de las caractersticas del modelo. Los procedimientos de solucin pueden

ser clasificados en tres tipos: a) analticos, que utilizan procesos de deduccin
matemtica; b) numricos, que son de carcter inductivo y funcionan en base a
operaciones de prueba y error; c) simulacin, que utiliza mtodos que imitan o,
emulan al sistema real, en base a un modelo.
Resolver un modelo consiste en encontrar los valores de las variables dependientes,
asociadas a las componentes controlables del sistema con el propsito de optimizar,
si es posible, o cuando menos mejorar la eficiencia o la efectividad del sistema
dentro del marco de referencia que fijan los objetivos y las restricciones del
problema.

La seleccin del mtodo de solucin.

1.5.4 PRUEBA DEL MODELO:

Antes de usar el modelo debe probarse exhaustivamente para intentar identificar y

corregir todas las fallas que se puedan presentar.

1.5.5 VALIDACION DEL MODELO:

Es importante que todas las expresiones matemticas sean consistentes en las

dimensiones de las unidades que emplean. Adems, puede obtenerse un mejor
conocimiento de la validez del modelo variando los valores de los parmetros de
entrada y/o de las variables de decisin, y comprobando que los resultados de
modelo se comporten de una manera factible.
1.5.6 ESTABLECIMIENTO DE CONTROLES DE LA SOLUCION:

Esta fase consiste en determinar los rangos de variacin de los parmetros dentro de
los cuales no cambia la solucin del problema.

Es necesario generar informacin adicional sobre el comportamiento de la solucin

debido a cambios en los parmetros del modelo. Usualmente esto se conoce como
ANLISIS DE SENSIBILIDAD.
Esta fase consiste en determinar los rangos de variacin de los parmetros dentro de
los cuales no cambia la solucin del problema.

Es necesario generar informacin adicional sobre el comportamiento de la solucin

debido a cambios en los parmetros del modelo. Usualmente esto se conoce como
ANLISIS DE SENSIBILIDAD.

1.5.7 IMPLEMENTACION DE LA SOLUCION:

El paso final se inicia con el proceso de "vender" los hallazgos que se hicieron a lo
largo del proceso a los ejecutivos o tomadores de decisiones.
 TALLER
Observa con atencin la siguiente presentacin en ppt y realzale ejercicio
que all se plantea, hazlo llegar a tutor de la manera que el te lo indique (e-mail,
CD-room, medio fsico, presencial etc).
INVESTIGACIN OPERATIVA
INTRODUCCIN INVESTIGACIN DE OPERACIONES
Mtodos en Investigacin Operativa
Mtodos determinsticos: Programacin lineal, programacin
entera, probabilidad de transporte, teora de la localizacin o
redes, programacin multicriterio, teora de inventarios, etc.
Mtodos probabilsticos: Cadenas de markov, teora de juegos,
lneas de espera, teora de inventarios, etc.
Mtodos hbridos: Conjugan mtodos determinsticos y
probabilsticos.
Mtodos heursticos: soluciones basadas en la experiencia.
1. Concepto y delimitacin de la I.O.
Antecedentes:
Surge durante la segunda Guerra Mundial,
luego y con motivo de la revolucin industrial, ha ido teniendo
cada vez ms importancia dado el crecimiento y complejidad de
las nuevas organizaciones. Actualmente est cobrando especial
importancia con el desarrollo de la informtica.
Definicin
Aplicacin del mtodo cientfico por un grupo
multidisciplinario personas a la resolucin de un problema.
Objetivo
Decidir mediante mtodos cientficos el diseo que optimiza
el funcionamiento del proceso analizado, generalmente bajo
condiciones que implican la utilizacin de recursos escasos.
Etapas de un ejercicio de I.O.
Bsicamente la I.O. sigue los siguientes pasos:
La observacin del problema
La construccin de un modelo matemtico que contenga los
elementos esenciales del problema
La obtencin en general, con al ayuda de algortmos
implementados informticamente, de las mejores soluciones
posibles.
La calibracin e interpretacin de la solucin y su comparacin
con otros mtodos de toma de decisiones.
 Ejercicios de I.O.
Fases FORMULACIN DEL CONSTRUCCIN DEL
PROBLEMA MODELO
de un
estudio Ejemplo 1:
NECESIDAD DE MODELO DEL SISTEMA REAL Una empresa dispone de 70 trabajadores con cualificaciones
REORGANIZACIN diferentes (Economistas, Ingenieros, Auxiliares
Administrativos, etc..) a los que hemos de asignar 70
actividades tambin diferentes. Para decidir una determinada
SISTEMA DE INTERS OBTENCIN DE DATOS asignacin de tareas deberamos escoger de entre un total de
70! (Permutaciones de 70 elementos) aquella que maximiza el
resultado final de la empresa. Como 70! es aproximadamente
TOMA DE DECISIONES igual a 10100, an revisando un 1 milln de asignaciones
IMPLEMENTACIN Y SOLUCIN DEL MODELO
CONTROL diferentes al segundo necesitaramos aproximadamente 1087
aos para revisar todas las asignaciones posibles.
Este tipo de problemas requiere desarrollar modelos de
INTERPRETACIN DE VALIDACIN DEL MODELO programacin matemtica, otros mtodos matemticos, para
RESULTADOS E ANLISIS DE SENSIBILIDAD
IMPLICACIONES llegar a algn tipo de conclusiones.

Ejercicios de I.O. Ejercicios de I.O.

Ejemplo 2: Aplicacin al mbito sanitario
Planificacin y asignacin de recursos en un sistema de salud mental
Fases de construccin del modelo
1. Definir las categoras de enfermos ( en funcin de sus
necesidades y respuestas a un determinado tratamiento)
2. Definir un conjunto de servicios (obtener una clasificacin de
acuerdo a las necesidades de los enfermos y con la disponibilidad
de recursos, basada en la experiencia y conocimientos mdicos)
3. Planificar y asignar los recursos (asignar los servicios entre las
distintas categoras de enfermos a lo largo del tiempo)
Ejemplo 2: Aplicacin al mbito sanitario
Planificacin y asignacin de recursos en un sistema de salud mental
Fases de construccin del modelo
1. Definir las categoras de enfermos ( en funcin de sus
necesidades y respuestas a un determinado tratamiento)
Utilizacin de tcnicas estadsticas, para la recogida de datos y la
determinacin del historial del enfermo. A lo largo del tiempo los
enfermos pueden cambiar de categora (cadenas de Markov)
 Ejercicios de I.O.
Ejemplo 2: Aplicacin al mbito sanitario
Planificacin y asignacin de recursos en un sistema de salud mental
Fases de construccin del modelo
1. Definir las categoras de enfermos ( en funcin de sus
necesidades y respuestas a un determinado tratamiento)
2. Definir un conjunto de servicios (obtener una clasificacin de
acuerdo a las necesidades de los enfermos y con la disponibilidad
de recursos, basada en la experiencia y conocimientos mdicos)
Entrevista a expertos (delphi) acumular informacin en base a la
experiencia y conocimientos mdicos
Ejercicios de I.O.
Tu ejemplo......................................
Problema/objetivo a resolver/realizar
..............................................................................................................
Fases:
1............
2..................
3.........................
Ejercicios de I.O.
Ejemplo 2: Aplicacin al mbito sanitario
Planificacin y asignacin de recursos en un sistema de salud mental
Fases de construccin del modelo
1. Definir las categoras de enfermos ( en funcin de sus
necesidades y respuestas a un determinado tratamiento)
2. Definir un conjunto de servicios (obtener una clasificacin de
acuerdo a las necesidades de los enfermos y con la disponibilidad
de recursos, basada en la experiencia y conocimientos mdicos)
3. Planificar y asignar los recursos (asignar los servicios entre las
distintas categoras de enfermos a lo largo del tiempo)
Utilizacin de tcnicas de programacin lineal para la asignacin
de recursos. Modelo multi-periodo a partir de la definicin de una
funcin objetivo.
 CAPITULO DOS

CONJUNTOS CONVAVOS Y CONVEXOS

2.1 INTRODUCCIN
2.2 CONCEPTO DE CONJUNTO CONVEXO
2.3 PROPIEDADES DE LOS CONJUNTOS CONVEXOS
2.4 EJERCICIOS DE APLICACIN
2.5 FUNCION CONVEXA

.2.1 INTRODUCCIN

En el presente captulo podr valorar la importancia que tiene el anlisis de la

convexidad de conjuntos as como los diferentes tipos de convexidad o concavidad
de funciones toda vez que ellos constituyen los instrumentos fundamentales para el
desarrollo de la Teora de la Optimizacin Matemtica.

En primera instancia abordaremos el concepto de conjuntos convexos, su definicin

y propiedades fundamentales para luego analizar el comportamiento de las
combinaciones lineales convexas.

2.2 CONCEPTO DE CONJUNTO CONVEXO.

Para analizar el concepto de conjunto convexo vamos a plantear el siguiente ejemplo

.EJEMPLO.

Consideremos los siguientes CONJUNTOS:

CONJUNTO P

P
CONJUNTO Q

CONJUNTO R

CONJUNTO T.

Definimos la idea de conjunto convexo como aquel conjunto que contiene

cualquier segmento que une dos puntos del conjunto.

As por ejemplo segn esta idea GRAFICA, el conjunto P

y
Obsrvese que para cualquier par de puntos (x, y) que estn dentro del conjunto P,
el segmento que une dichos puntos siempre queda dentro del conjunto, en
consecuencia P sera un conjunto convexo.

Consideremos el conjunto Q:

Q
x y

Obsrvese que para cualquier par de puntos (x,y) que estn dentro del conjunto Q, el
segmento que une dichos puntos no queda dentro del conjunto, en consecuencia Q
no sera un conjunto convexo.

Consideremos el conjunto R:

x R

En este caso para cualquier par de puntos (x,y) de esta recta R, el segmento que los
une queda dentro del conjunto, en consecuencia R es un conjunto convexo.

Por ltimo sea el conjunto T:

y
Es claro grficamente que para cualquier par de puntos x, y, el segmento que los une
est totalmente contenido en dicho conjunto.

Consideremos un ltimo ejemplo en el plano, sea el conjunto T

(conjunto poligonal delimitado por los puntos (0,0),(5,3),(0,8),(7,4),(6,3),(7,1 )

Se puede ver que existen segmentos, como el indicado en la figura que se sale del
conjunto por lo que este conjunto no sera CONVEXO.

EJERCICIOS

Determinar si los siguientes conjuntos son o no convexos, dibujndoles previamente:

a. Conjunto poligonal determinado por los puntos (0,1),(1,0),(1,3),(0,1)

 b. Conjunto poligonal determinado por los puntos (1,1),(2,1),(2,3),(-1,2), (-
1,0),(1,1)

SOLUCION:

a. es convexo

b. no es convexo

Podemos definir conjuntos en el plano de una manera ms compleja:

As por ejemplo si consideramos el conjunto

Qu hacemos para dibujar este conjunto?

Primero dibujamos la curva que delimita el conjunto.

Para delimitar la regin del plano basta considerar un punto que no est en la curva,
por ejemplo (1,2) si ese punto satisface la ecuacin entonces ese es el recinto a
considerar, en nuestro caso como 2 s es mayor o igual que 1. Entonces el recinto es

Obsrvese que es claramente convexo pues cualquier par de puntos que estn en
S3 el segmento que los une est claramente contenido en S3.

Qu sucedera si no podemos representar grficamente el conjunto, como sucede

con conjuntos de dimensin superior a 3?

En esos casos es necesario dar una definicin analtica de conjunto convexo, para lo
cual efectuamos la siguiente definicin:

CONJUNTO CONVEXO:

Diremos que un subconjunto S Rn es convexo si para cualquier par de

puntos y para cualquier [0,1] se cumple que est en
S, es decir que si llamamos segmento de extremos por
S es convexo si para cualesquiera ,

Cul es el significado de z= x+(1- )y?

Vamos a verlo en un ejemplo:

EJEMPLO:

Estudiar analticamente si el conjunto anterior

es un conjunto convexo.

Para ello consideremos dos vectores de S3

(x1,y1), (x2,y2),
Habra que comprobar si b(x1,y1)+(1-b)(x2,y2) es un vector que pertenece a S3 para
cualquier valor de b en [0,1]

Es decir tendremos que comprobar si

.bx1+(1-b)x2 , by1+(1-b)y2
Como x1,y1 entonces bx1,by1 (pues b es positivo o cero)

Y como x2,y2 entonces (1-b)x2,(1-b)y2

Sumando ambas expresiones se obtiene la desigualdad por tanto S3 es un conjunto

convexo.

Y comprobando si el vector

Que una vez simplificado nos da

Y al expandirle
Si es un vector del conjunto S3.

EJERCICIO

Estudiar de forma grfica si los siguientes conjuntos son o no conjuntos convexos.

a.
b.

SOLUCIONES:

a. Lo hacemos grficamente, representando el conjunto.

Para ello dibujamos los dos lmites del conjunto x +y =1 y x2+y2=4
2 2

(circunferencias de radio 1 y radio 2)

Definimos las expresiones

Y luego las representamos como aparece.

Cul es el recinto?

Ahora debemos determinar en que lado de las circunferencias se sita el

conjunto.
 Tomemos un punto fuera de ambas circunferencias, por ejemplo (0,0),. Y
comprobemos si se verifica la primera desigualdad para ese punto

Efectivamente no se verifica, por tanto el conjunto se sita hacia fuera de la

circunferencia.

Por otro lado

Es cierta por tanto el conjunto es la corona circular situada entre la

circunferencia de radio 1 y la circunferencia radio 2.

Este conjunto es convexo?

Claramente se ve que no, tomemos dos puntos cualesquiera por ejemplo (-

1,1/2) y (2,0), ambos pertenecen al conjunto, sin embargo el segmento que los
une como se ve no pertenecen al conjunto.

b. Consideremos las expresiones que definen los lmites del conjunto:

Representemos ambas rectas:

Para saber cul es exactamente el recinto, tomemos un punto que no est en dichas
rectas, por ejemplo (0,0).

Comprobemos a qu lado de la recta x+y=1 se encuentra nuestro conjunto x+y=1,

comprobamos para (0,0), y observamos que 0+0= 1 verifica la ecuacin, por tanto el
recinto x+y=1 est al lado del (0,0).

Y por otro lado para determinar el conjunto x-y=1 comprobamos que 0-0= 1 por tanto
tambin es de la recta hacia el (0,0), con lo cual tendremos que el recinto ser:

2.3 PROPIEDADES DE LOS CONJUNTOS CONVEXOS.

Vamos a estudiar qu sucede con la UNIN y la INTERSECCIN de conjuntos

convexos. Comencemos con la INTERSECCIN de conjuntos convexos.

INTERSECCIN DE CONJUNTOS CONVEXOS.

EJEMPLO.

Sean los siguientes conjuntos convexos:

Si los representamos tendremos:

Cul es la interseccin de estos dos conjuntos?

Se puede ver que la interseccin es el conjunto

Se puede ver grficamente que es un conjunto convexo.

Y este ejemplo se puede generalizar con la siguiente propiedad:

LA INTERSECCIN DE CONJUNTOS CONVEXOS ES UN CONJUNTO

CONVEXO.
UNIN DE CONJUNTOS CONVEXOS.

A partir de los conjuntos convexos anteriores S y T, veamos cul es el conjunto

unin.

Este conjunto no es convexo pues si considero dos puntos del conjunto por ejemplo

(1.04, -1.57) y (2.43,-0.3)

Si representamos el segmento que une dichos puntos editando

Obtenemos
Segmento que no est totalmente contenido en el conjunto. Luego:

LA UNION DE CONJUNTOS CONVEXOS EN GENERAL NO ES UN CONVEXO

2.4 EJERCICIOS DE APLICACION

CONJUNTOS CONCAVOS Y CONVEXOS

Representar los siguientes conjuntos de R2 e indicar cules son convexos:

a.
b.
c. 2
d. R
e.
f.
g.
h.
i.

Probar que todo subespacio vectorial de R3 es un conjunto convexo.

 2.5 FUNCIONES CONCAVAS Y CONVEXAS

Las funciones cncavas y convexas representan un papel fundamental en la Teora

de la Optimizacin ya que pueden garantizarnos la GLOBALIDAD de los ptimos
locales. Por ello vamos a iniciar este apartado introduciendo el concepto de funcin
cncava y convexa para luego ms tarde introducir condiciones que nos permitan
reconocer si una funcin es cncava o convexa dependiendo de sus propiedades de
diferenciabilidad.

EJEMPLO.

Consideremos la siguiente funcin:

Si dibujamos esta funcin y obtenemos

Observemos la grfica de esta funcin en el intervalo [0,3 ]

Podemos ver que en esta grfica si dibujamos cualquier segmento que una dos
puntos de la misma, ste siempre queda por debajo de la grfica. Por ejemplo,
consideremos los puntos

Si dibujamos el segmento que une dichos puntos en la grfica obtenemos

Qu claramente queda por debajo de la grfica.

Consideremos otros pares de puntos de la grfica por ejemplo:

Al dibujar el segmento que une dichos puntos tenemos:

Consideremos otro par de puntos por ejemplo

Si los dibujamos considerando

Obtenemos
Se puede observar que para cualquier par de puntos de la grfica que toman valores
en el segmento considerado el segmento que une dichos puntos siempre queda por
debajo de la grfica por ello podemos efectuar la siguiente definicin:

FUNCIONES ESTRICTAMENTE CONCAVAS Y CONCAVAS

DEFINICIN:
Diremos que una funcin f es estrictamente cncava en un conjunto M convexo si
todo segmento que une dos puntos de la grfica esta estrictamente por debajo de la
grfica.

Diremos que una funcin es CONCAVA (no estricta) si no todas las cuerdas que
unen puntos de la grfica en dicho intervalo quedan estrictamente por debajo.

Vamos ahora a introducir el concepto de funcin CONVEXA.

Consideremos el siguiente ejemplo:

EJEMPLO.

Consideremos la misma funcin anterior

pero ahora considerada en el intervalo [3 ,2 ], en este caso la grfica sobre la que

debemos enfocarnos es:

Consideremos ahora nuevamente varios puntos de esta grfica en dicho intervalo

por ejemplo
si dibujamos el segmento que los une por medio de la matriz

se obtiene

si ahora dibujamos el segmento que une los puntos

Obtendremos

Obsrvese que los segmentos quedan siempre por encima de la grfica de la

funcin.

En estos casos, diremos que la funcin es convexa en el intervalo dado.

Por ello podemos realizar la siguiente definicin:

FUNCIN CONVEXA.

DEFINICION: Sea f una funcin definida en un intervalo de R, diremos que dicha

funcin es convexa en el intervalo si todo segmento que une dos puntos de la grfica
queda por encima de la grfica. Si siempre queda estrictamente por encima decimos
que la funcin es estrictamente convexa.
EJERCICIO

Estudiar el carcter de las siguientes funciones en los recintos que se indican:

(a) En toda la recta real:

(b) En toda la recta real:

( C) En el intervalo (0,1 )

(d) En el intervalo (-1 ,0)

(e) En el recinto (-3 ,0)

(f) En el recinto (0,3 )

SOLUCIONES:

a. ESTRICTAMENTE CONVEXA
b. ESTRICTAMENTE CONVEXA

c. ESTRICTAMENTE CONVEXA

d. ESTRICTAMENTE CONCAVA

e. estrictamente CONCAVA
f. ESTRICTAMENTE CONVEXA
 CAPITULO 3

CONCEPTUALIZACION DE LA PROGRAMACION LINEAL

3.1 INTRODUCCION
3.2 CONCEPTO
3.3 FORMULACION DEL PROBLEMA DE PROGRAMACION LINEAL
3.3.1 INTRODUCCION
3.3.2 ESTRUCTURA DE UN MODELO DE P.L.
3.4. MODELO GENERAL DE PROGRAMACION LINEAL
3.5 FORMA ESTNDAR DE LOS MODELOS DE P.L.
3.6 OTRAS FORMAS DE MODELOS DE P.L.
3.7 FORMULACION ALGEBRAICA: FORMA CANONICA
3.8 RESUMEN

3.1 INTRODUCCION

Muchas personas clasifican el desarrollo de la Programacin Lineal (PL) entre los

avances cientficos ms importantes de mediados del siglo XX. En la actualidad es
una herramienta comn que ha ahorrado miles o millones de dlares a muchas
compaas y negocios, incluyendo industrias medianas en distintos pases del
mundo. Cul es la naturaleza de esta notable herramienta y qu tipo de problemas
puede manejar? Expresado brevemente, el tipo ms comn de aplicacin abarca el
problema general de asignar recursos limitados entre actividades competitivas de la
mejor manera posible (es decir, en forma ptima). Este problema de asignacin
puede surgir cuando deba elegirse el nivel de ciertas actividades que compiten por
recursos escasos para realizarlas. La variedad de situaciones a las que se puede
aplicar esta descripcin es sin duda muy grande, y va desde la asignacin de
instalaciones productivas a los productos, hasta la asignacin de los recursos
nacionales a las necesidades de un pas; desde la planeacin agrcola, hasta el
diseo de una terapia de radiacin; etc. No obstante, el ingrediente comn de todas
estas situaciones es la necesidad de asignar recursos a las actividades.
 3.2 CONCEPTO:

El adjetivo lineal significa que todas las funciones matemticas del modelo deber ser
funciones lineales. En este caso, las palabra programacin no se refiere a
programacin en computadoras; en esencia es un sinnimo de planeacin. As, la
programacin lineal trata la planeacin de las actividades para obtener un resultado
ptimo.

La programacin lineal es una tcnica de investigacin de operaciones para la

determinacin de la asignacin optima de recursos escasos cuando la funcin
objetivo y las restricciones son lineales. Es una manera eficiente de resolver estos
problemas cuando se debe hacer una eleccin de alternativas muy numerosas que
no pueden evaluarse intuitivamente por los mtodos convencionales.

3.3 FORMULACION DEL PROBLEMA DE PROGRAMACION LINEAL

3.3.1 INTRODUCCION

Los trminos clave son recursos y actividades, en donde m denota el nmero de

distintos tipos de recursos que se pueden usar y n denota el nmero de actividades
bajo consideracin.

Z = valor de la medida global de efectividad.

Xj = nivel de la actividad j (para j = 1,2,...,n).

Cj = incremento en Z que resulta al aumentar una unidad en el nivel de la

actividad j.

bi = cantidad de recurso i disponible para asignar a las actividades (para

i = 1,2,...,m).

aij = cantidad del recurso i consumido por cada unidad de la actividad j.

3.3.2 ESTRUCTURA DE UN MODELO DE PROGRAMACION LINEAL

1. Funcin objetivo. Consiste en optimizar el objetivo que persigue una

situacin la cual es una funcin lineal de las diferentes actividades del
problema, la funcin objetivo se maximizar o minimiza.
 2. Variables de decisin. Son las incgnitas del problema. La definicin de las
variables es el punto clave y bsicamente consiste en los niveles de todas las
actividades que pueden llevarse a cabo en el problema a formular.

3. Restricciones Estructurales. Diferentes requisitos que debe cumplir

cualquier solucin para que pueda llevarse a cabo, dichas restricciones
pueden ser de capacidad, mercado, materia prima, calidad, balance de
materiales, etc.

4. Condicin tcnica. Todas las variables deben tomar valores positivos, o en

algunos casos puede ser que algunas variables tomen valores negativos.

3.4 MODELO GENERAL DE PROGRAMACION LINEAL

Formulacin de modelos de Programacin Lineal.

Aunque se ponga en duda, la parte ms difcil de PL es reconocer cundo

sta puede aplicarse y formular el problema matemticamente. Una vez hecha esa
parte, resolver el problema casi siempre es fcil.

Para formular un problema en forma matemtica, deben expresarse

afirmaciones lgicas en trminos matemticos. Esto se realiza cuando se resuelven
problemas hablados al estudiar un curso de lgebra. Algo muy parecido sucede
aqu al formular las restricciones. Por ejemplo, considrese la siguiente afirmacin: A
usa 3 horas por unidad y B usa 2 horas por unidad. Si deben usarse todas las 100
horas disponibles, la restriccin ser:

3A + 2B = 100
 Sin embargo, en la mayora de las situaciones de negocios, no es obligatorio
que se usen todos los recursos (en este caso, horas de mano de obra). Ms bien la
limitacin es que se use, cuando mucho, lo que se tiene disponible. Para este caso,
la afirmacin anterior puede escribirse como una desigualdad:

3A + 2B 100

Para que sea aceptable para PL, cada restriccin debe ser una suma de
variables con exponente 1. Los cuadrados, las races cuadradas, etc. no son
aceptables, ni tampoco los productos de variables. Adems, la forma estndar para
una restriccin pone a todas las variables del lado izquierdo y slo una constante
positiva o cero del lado derecho. Esto puede requerir algn reacomodo de los
trminos. Si, por ejemplo, la restriccin es que A debe ser por los menos el doble de
B, esto puede escribirse como:

A 2B A - 2B 0

Ntese que pueden moverse trminos de un lado a otro de las desigualdades como
si fuera un signo de igualdad. Pero al multiplicar una desigualdad por -1, el sentido
de esta desigualdad se invierte. Puede ser necesario hacer esto para que los
coeficientes del lado derecho sean positivos. Por ejemplo, si se quiere que A sea por
lo menos tan grande como B - 2, entonces:

AB2

A B -2

Por ltimo B A 2

Una nota final sobre desigualdades: es sencillo convertir una desigualdad en una
ecuacin. Todo lo que se tiene que hacer es agregar (o restar) una variable extra.
Por ejemplo:

B-A2 es lo mismo que B-A+S=2

En donde S representa la diferencia, o la holgura, entre B - A y 2. S se llama variable
de holgura. Por otro lado, se restara una variable de supervit en el caso siguiente:

A - 2B 0 es lo mismo que A - 2B -S = 0

Algunos mtodos de solucin (como el Mtodo Simplex) y la mayora de los

programas de computadora (como el MathProg, que viene en el ORCourseware, que
acompaa al libro Introduccin a la Investigacin de Operaciones de los autores
Hillier y Lieberman) requieren que todas las desigualdades se conviertan en
igualdades.

La metodologa de PL requiere que todas las variables sean positivas o cero,

es decir, no negativas. Para la mayora de los problemas esto es real, no se querra
una solucin que diga: prodzcanse menos dos cajas o contrtense menos cuatro
personas.

Mientras que no existe un lmite en el nmero de restricciones que puede

tener un problema de PL, slo puede haber un objetivo. La forma matemtica del
objetivo se llama funcin objetivo. Debe llevar consigo el maximizar o minimizar
alguna medida numrica. Podra ser maximizar el rendimiento, la ganancia, la
contribucin marginal o los contactos con los clientes. Podra ser minimizar el costo,
el nmero de empleados o el material de desperdicio. Con frecuencia el objetivo es
evidente al observar el problema.

Como el valor de la funcin objetivo no se conoce hasta que se resuelve el

problema, se usa la letra Z para representarlo. La funcin objetivo tendr, entonces,
la forma:

Maximizar Z = 4A + 6B

Minimizar Z = 2x1 + 5x2

Se analiza una aplicacin para ilustrar el formato de los problemas de

Programacin Lineal.
3.5 FORMA ESTNDAR DE LOS MODELOS DE PROGRAMACIN LINEAL.

Supngase que existe cualquier nmero (digamos m) de recursos limitados de

cualquier tipo, que se pueden asignar entre cualquier nmero (digamos n) de
actividades competitivas de cualquier clase. Etiqutense los recursos con nmeros
(1, 2, ..., m) al igual que las actividades (1, 2, ..., n). Sea xj (una variable de decisin)
el nivel de la actividad j, para j = 1, 2, ..., n, y sea Z la medida de efectividad global
seleccionada. Sea cj el incremento que resulta en Z por cada incremento unitario en
xj (para j = 1, 2, ..., n). Ahora sea bi la cantidad disponible del recurso i (para i = 1, 2,
..., m). Por ltimo defnase aij como la cantidad de recurso i que consume cada
unidad de la actividad j (para i = 1, 2, ..., m y j = 1, 2, ..., n). Se puede formular el
modelo matemtico para el problema general de asignar recursos a actividades. En
particular, este modelo consiste en elegir valores de x1, x2, ..., xn para:

Maximizar Z = c1x1 + c2x2 + ... + cnxn,

sujeto a las restricciones:

a11x1 + a12x2 + ... + a1nxn b1

a21x1 + a22x2 + ... + a2nxn b2

am1x1 + am2x2 + ... + amnxn bm y

x1 0, x2 0, ..., xn 0

sta se llamar nuestra forma estndar (porque algunos libros de texto adoptan
otras formas) para el problema de PL. Cualquier situacin cuya formulacin
matemtica se ajuste a este modelo es un problema de PL.

En este momento se puede resumir la terminologa que usaremos para los

modelos de PL. La funcin que se desea maximizar, c1x1 + c2x2 + ... + cnxn, se llama
funcin objetivo. Por lo general, se hace referencia a las limitaciones como
restricciones. Las primeras m restricciones (aquellas con una funcin del tipo ai1x1 +
ai2x2 + ... + ainxn, que representa el consumo total del recurso i) reciben el nombre de
restricciones funcionales. De manera parecida, las restricciones xj 0 se llaman
restricciones de no negatividad. Las variables xj son las variables de decisin. Las
constantes de entrada, aij, bi, cj, reciben el nombre de parmetros del modelo.

3.6 OTRAS FORMAS DE MODELOS DE PROGRAMACIN LINEAL.

Es conveniente agregar que el modelo anterior no se ajusta a la forma natural

de algunos problemas de programacin lineal. Las otras formas legtimas son las
siguientes:

1. Minimizar en lugar de maximizar la funcin objetivo:

Minimizar Z = c1x1 + c2x2 + ... + cnxn,

2. Algunas restricciones funcionales con desigualdad en el sentido mayor o igual:

ai1x1 + ai2x2 + ... + ainxn, bi, para algunos valores de i,

3. Algunas restricciones funcionales en forma de ecuacin:

ai1x1 + ai2x2 + ... + ainxn, = bi, para algunos valores de i,

4. Las variables de decisin sin la restriccin de no negatividad:

xj no restringida en signo para algunos valores de j.

Cualquier problema que incluya una, varias o todas estas formas del modelo anterior
tambin se clasifica como un problema de PL, siempre y cuando stas sean las
nicas formas nuevas introducidas. Puede ser que la interpretacin que se ha dado
de asignacin de recursos limitados entre actividades que compiten no se aplique,
pero independientemente de la interpretacin o el contexto, lo nico que se necesita
es que la formulacin matemtica del problema se ajuste a las formas permitidas. Se
ver que estas otras cuatro formas legales se pueden reescribir en una forma
equivalente para que se ajuste al modelo que se present. Entonces, todo problema
de PL se puede poner en nuestra forma estndar si se desea.

3.7 FORMULACION ALGEBRAICA:

FORMA CANONICA

Todo problema de PL puede representarse como:

Max (z) =c1x1+c2x2+...+cnxn

sujeto a:
a11x1 + a12x2 +...+ a1nxn b1
a21x1 + a22x2 +...+ a2nxn b2
...
am1x1 + am2x2 +...+ amnxn bm
x1, x2, ...,xn 0

siendo:

xj: Nivel de actividad de la variable xj

cj: Contribucin unitaria de xj a funcin objetivo
aij: Coeficiente tcnico, unidades de recurso i que se consumen por unidad
de variable j
bi: Cantidad disponible de recurso i

Otra representacin:
n
Max (z) = c j x j
j=1

sujeto a :
n

a x
j=1
ij j bi donde i = 1, 2, ... m

xj 0 j = 1, 2, ... n

En forma matricial:
Max (z) = C x
sujeto a:
Ax b
x 0
 A esta forma se la denomina forma cannica

IMPORTANCIA DE LA FORMA CANONICA

La forma cannica es importante porque todos los desarrollos e

interpretaciones econmicas del problema pueden referirse a la misma.
Es posible transformar un problema de PL a un problema equivalente en
forma cannica.
Un problema de PL puede consistir en:
Buscar un mximo o un mnimo de la funcin objetivo
Restricciones de tipo , e =
Variables positivas, negativas o no restringidas en signo
Conversin de un problema lineal general a su forma cannica:
Cambiar el sentido de la optimizacin
Cambiar el sentido de la desigualdad
Cambiar una desigualdad en igualdad
Variable de holgura o slack
Variable surplus
Cambiar igualdades en desigualdades
Cambiar variables sin restriccin de signo a otras de signo positivo o
nulo
 3.8 RESUMEN

TERMINOLOGIA Y CONCEPTOS BASICOS:

Conjunto factible
Es el conjunto de puntos que satisfacen simultneamente todas las
restricciones (o filas) del problema
Actividades, columnas o variables (xj)
Representan los usos alternativos que deben competir entre s para la
obtencin de los recursos de forma que se optimice la funcin objetivo
Recursos (bi)
Son productos, tiempo, etc. Se cuantifican en el trmino independiente o Right
Hand Side (RHS) del problema
El conjunto factible de un problema de PL, si existe, es representable mediante un
poliedro convexo
 LECTURA

ORIGEN DE LA PROGRAMACIN LINEAL

(Tomada de http://thales.cica.es/rd/recursos/rd98/)

En los siglos XVII y XVIII, grandes

matemticos como Newton, Leibnitz,
Bernouilli y, sobre todo, Lagrange, que
tanto haban contribuido al desarrollo del
clculo infinitesimal, se ocuparon de
obtener mximos y mnimos condicionados de determinadas funciones.

Posteriormente el matemtico francs Jean Baptiste-Joseph Fourier (1768-1830) fue

el primero en intuir, aunque de forma imprecisa, los mtodos de lo que actualmente
llamamos programacin lineal y la potencialidad que de ellos se deriva.

Si exceptuamos al matemtico Gaspar Monge (1746-1818), quien en 1776 se

interes por problemas de este gnero, debemos remontarnos al ao 1939 para
encontrar nuevos estudios relacionados con los mtodos de la actual programacin
lineal. En este ao, el matemtico ruso Leonodas Vitalyevich Kantarovitch publica
una extensa monografa titulada Mtodos matemticos de organizacin y
planificacin de la produccin en la que por primera vez se hace corresponder a una
extensa gama de problemas una teora matemtica precisa y bien definida llamada,
hoy en da, programacin lineal .

En 1941-1942 se formula por primera vez el problema de transporte, estudiado

independientemente por Koopmans y Kantarovitch, razn por la cual se suele
conocer con el nombre de problema de Koopmans-Kantarovitch.

Tres aos ms tarde, G. Stigler plantea otro problema particular conocido con el
nombre de rgimen alimenticio optimal.

En estos aos posteriores a la Segunda Guerra Mundial, en Estados Unidos se

asumi que la eficaz coordinacin de todas las energas y recursos de la nacin era
un problema de tal complejidad, que su resolucin y simplificacin pasaba
necesariamente por los modelos de optimizacin que resuelve la programacin
lineal.

Paralelamente a los hechos descritos se desarrollan las tcnicas de computacin y

los ordenadores, instrumentos que haran posible la resolucin y simplificacin de los
problemas que se estaban gestando.
En 1947, G.B. Dantzig formula, en trminos matemticos muy precisos, el
enunciado estndar al que cabe reducir todo problema de programacin lineal.
Dantzig, junto con una serie de investigadores del United States Departament of Air
Force, formaran el grupo que dio en denominarse SCOOP (Scientific Computation of
Optimum Programs).

Una de las primeras aplicaciones de los estudios del grupo SCOOP fue el puente
areo de Berln. Se continu con infinidad de aplicaciones de tipo preferentemente
militar.

Hacia 1950 se constituyen, fundamentalmente en Estados Unidos, distintos grupos

de estudio para ir desarrollando las diferentes ramificaciones de la programacin
lineal. Cabe citar, entre otros, Rand Corporation, con Dantzig, Orchard-Hays, Ford,
Fulkerson y Gale, el departamento de Matemticas de la Universidad de Princenton,
con Tucker y Kuhn, as como la Escuela Graduada de Administracin Industrial,
dependiente del Carnegie Institute of Technology , con Charnes y Cooper.

Respecto al mtodo del simplex, que estudiaremos despus, sealaremos que su

estudio comenz en el ao 1951 y fue desarrollado por Dantzig en el United States
Bureau of Standards SEAC COMPUTER, ayudndose de varios modelos de
ordenador de la firma IBM.

Los fundamentos matemticos de la programacin lineal se deben al matemtico

norteamericano de origen hngaro Janos von Neuman (1903-1957), quie en 1928
public su famoso trabajo Teora de Juegos. En 1947 conjetura la equivalencia de
los problemas de programacin lineal y la teora de matrices desarrollada en sus
trabajos. La influencia de este respetado matemtico, discpulo de David Hilbert en
Gotinga y, desde 1930, catedrtico de la Universidad de Princenton de Estados
Unidos, hace que otros investigadores se interesaran paulatinamente por el
desarrollo riguroso de esta disciplina.

En 1858 se aplicaron los mtodos de la programacin lineal a un problema concreto:

el clculo del plan ptimo de transporte de arena de construccin a las obras de
edificacin de la ciudad de Mosc. En este problema haba 10 puntos de partida y
230 de llegada. El plan ptimo de transporte, calculado con el ordenador Strena en
10 das del mes de junio, rebaj un 11% los gastos respecto a los costes previstos.

Se ha estimado, de una manera general, que si un pas subdesarrollado utilizase los

mtodos de la programacin lineal, su producto interior bruto (PIB) aumentara entre
un 10 y un 15% en tan slo un ao.
La programacin lineal hace historia: El puente areo de Berln

En 1946 comienza el largo perodo de la guerra fra entre la antigua Unin Sovitica
(URSS) y las potencias aliadas (principalmente, Inglaterra y Estados Unidos). Uno de
los episodios ms llamativos de esa guerra fra se produjo a mediados de 1948,
cuando la URSS bloque las comunicaciones terrestres desde las zonas alemanas
en poder de los aliados con la ciudad de Berln, iniciando el bloqueo de Berln. A los
aliados se les plantearon dos posibilidades: o romper el bloqueo terrestre por la
fuerza, o llegar a Berln por el aire. Se adopt la decisin de programar una
demostracin tcnica del poder areo norteamericano; a tal efecto, se organiz un
gigantesco puente areo para abastecer la ciudad: en diciembre de 1948 se estaban
transportando 4500 toneladas diarias; en marzo de 1949, se lleg a las 8000
toneladas, tanto como se transportaba por carretera y ferrocarril antes del corte de
las comunicaciones. En la planificacin de los suministros se utiliz la programacin
lineal. (El 12 de mayo de 1949, los soviticos levantaron el bloqueo)

ACTIVIDAD: Realiza una presentacin en ppt resumida de la historia de la PL,

teniendo en cuenta la lectura y amplia tus conocimientos en otras fuentes, luego
sustntala frente al gran grupo en tutora de acuerdo a las indicaciones de tu tutor.
 UNIDAD 2

METODOS DE SOLUCION

CAPITULO 1

1.1 INTRODUCCION METODO GRAFICO

1.2 DEFINICION
1.3 CONCEPTO GENERAL DEL METODO GRAFICO
1.4 PASOS PARA LA SOLUCION MEDIANTE EL METODO GRAFICO

1.1 INTRODUCCION

Antes de entrarnos por completo en los mtodos analticos de la investigacin de

operaciones es muy conveniente ver un poco acerca de las desigualdades de una
ecuacin lineal.

Por ejemplo tenemos la ecuacin

2X + 3Y = 60 en donde X, Y 0

Es decir que para que se cumpla la igualdad de la ecuacin nos tocara adquirir 15
unidades de X y 10 unidades de Y respectiva mente:

2(15) + 3(10) = 60
Y la solucin se dara por la misma lnea recta.

Pero por otra parte si en la ecuacin no se quiere llegar a la totalidad del resultado se
dar la ecuacin en una forma diferente llamada inecuacin:

2X + 3Y 60 en donde X, Y 0

Dndose como solucin factible un rea sombreada que depende del signo de la
desigualdad. Si el signo es el la solucin ser el rea inferior esa se sombrear o si
por el contrario el sigo es el rea a sombrear ser la de todos los puntos por
encima de la lnea obtenida.

En la anterior grafica la solucin ms factible es la de los puntos ms cerca del eje X

(bajo la recta de la solucin lineal ya que la ecuacin es precedida por el signo .
 1.2 DEFINICION:

Por definicin de algunos libros una desigualdad entre dos variables es una
desigualdad que puede escribirse de la forma:

ax + by +c < 0 (o bien 0, 0, >0)

En donde a, b, c son constantes mientras que a y b son diferentes de cero

En trminos geomtricos, la solucin de una desigualdad lineal en x y y consiste en

todos los puntos del plano cuyas coordenadas satisfacen la desigualdad.

Observemos a continuacin las desigualdades y las regiones descritas por ellas:

EJEMPLO 1:

Determinar la regin descrita por la desigualdad y 5

Cuando veamos un problema como este no nos asustemos porque el hecho de que
no aparezca la x en ningn lugar de la ecuacin solo quiere decir que x es cierto en
cualquier punto de x.

SOLUCION

La regin sombreada es la solucin factible para la desigualdad planteada.

EJEMPLO 2:

Describir la regin definida por la desigualdad: x -2

EJEMPLO 3:

Dando valores a x y y determinamos las rectas con las reas correspondientes a las
desigualdades planteadas.

2x + y > 3

xy

y1>0
Este sistema es equivalente

y > -2x + 3 x =0; y =3

Y=0; x= 3/2

yx x= 0; y= 0
x=1 ; y= 1

y > 1/2

Obsrvese que se ha escrito cada desigualdad de manera que y queda despejada.

Consecuencia las regiones apropiadas con respecto a las rectas correspondientes
restaran evidentes. En primer lugar se trazan las rectas
y = -2x + 3,
y=x Y
y=y

Despus se sombra la regin que se encuentra simultneamente por encima de la

recta, sobre o por debajo de la segunda de ellas y por encima de la tercera esta
regin es la solucin.

Entonces la solucin para el anterior ejercicio seria la regin sombreada.

1.3 CONCEPTO GENERAL DEL METODO GRAFICO

Ahora se considerara la forma en que se pueden resolver problemas de tipo lineal,

en donde la funcin dada se tendr que maximizar o minimizar. Una funcin lineal en
x y y tiene la forma:

Donde a y b son constantes. Tambin se requerir que las restricciones

correspondientes estn representadas mediante un sistema de desigualdades
lineales o ecuaciones en x y en y y que todas las variables sean no negativas.

A un problema en el que intervienen todas estas condiciones se le denomina

problema de programacin lineal.

La programacin lineal fue desarrollada por George B. danzing a fines de la dcada

de 1940 y se utilizo primero en la fuerza area de losa estados unidos como auxiliar
en la toma de decisiones. En la actualidad tiene amplia aplicacin en el anlisis
industrial y econmico.

En un problema de programacin lineal a la funcin que se desea maximizar o

minimizar se le denomina funcin objetivo. Aunque por lo general existe una cantidad
infinitamente grande de soluciones para el sistema de restricciones (a las que se
denomina soluciones factibles o puntos factibles), el objetivo consiste en encontrar
una de esas soluciones que represente una solucin ptima (es decir una solucin
que del valor mximo o mnimo de la fusin objetivo)

En conclusin con lo que acabamos de revisar en la parte anterior sobre las

inecuaciones nos da para definir literalmente el mtodo grafico y el mtodo
algebraico dentro del mbito de la programacin lineal.

Entonces el mtodo grafico en la programacin lineal es simplemente sacar de una

situacin (problema) ecuaciones lineales y convertirlas en desigualdades o
inecuaciones para poder graficarlas y as sacar la regin mas optima dependiendo
del signo de la desigualdad esa rea se sombreara y esa ser la solucin mas
optima del problema.

1.4 PASOS PARA LA SOLUCION MEDIANTE EL METODO GRAFICO

Para llegar a una solucin ptima en el mtodo grafico se requiere seguir con una
serie de pasos que podemos dar a continuacin:

1. formulacin del problema

El primer paso para la resolucin por mtodo grafico es expresar el problema en
trminos matemticos en el formato general de la programacin lineal
(desigualdades) con un solo fin maximizar la contribucin a la ganancia.

2. graficar las restricciones

El prximo paso de la solucin por mtodo grafico es la graficacin de las
restricciones en el plano cartesiano para establecer todas las posibles soluciones.
3. obtencin de la solucin optima
Para encontrar la solucin ptima, se grafica la funcin objetivo en la misma
grfica de las restricciones. Se graficara siempre la funcin objetivo del problema
y se dar la solucin de acuerdo con el smbolo que este presente en las
restriccin de la funcin objetivo.

EJEMPLO:

Maximizar la funcin objetivo:

Z= 3x + y
Sujeto a las restricciones:

2x + y 8

2x + 3y 12

x, y 0
A continuacin graficamos las desigualdades planteadas en las restricciones as:

2x + y 8 x=0; y=8
y=0; x=4

2x + 3y 12 x=0; y=4
Y=0; x=6

x, y 0

Se observa que la regin factible esta conformada por los puntos A(0,0); D(0,4);
B(4,0) y el punto C que es el resultado de la interseccin de las 2 inecuaciones cuyo
valor aproximadamente en el plano esta dado por las coordenadas (3,2).

Ahora bien el problema solicita la maximizacin de Z = 3x + y que se obtiene

precisamente en el punto C(3,2).
EJEMPLO:

Minimizar la funcin objetivo:

Z= 2x + 3y

Sujeto a las restricciones:

x +2y 10

3x + 2y 18

x, y 0

A continuacin graficamos las desigualdades planteadas en las restricciones as:

x + 2y10 x=0; y=5

y=0; x=10

3x + 2y18 x=0; y=9

Y=0; x=6

x, y 0

Regin Factible

(4,3)

Se observa que la regin factible esta conformada por los puntos (0,9); (4,3); (10,0),
donde el punto (4,3) es el resultado de la interseccin de las dos ecuaciones dadas
como restricciones.
Ahora bien el problema solicita la maximizacin de Z = 3x + y que se obtiene
precisamente en el punto C(3,2).
 CAPITULO 2

METODO ALGEBRAICO

2.1 INTRODUCCION
2.2 PASOS PARA UTILIZAR EN METODO ALGEBRAICO
2.3 EJEMPLOS DESARROLLADOS
2.4 TALLER

2.1 INTRODUCCION

En ocasiones nos encontramos con problemas de ndole magnitud, a los cuales se

desea maximizar o minimizar una funcin sujeta a ciertas restricciones.

Muchas personas califican al mtodo algebraico, como uno de los mtodos ms

importantes en el campo de la programacin lineal. En la actualidad es una
herramienta comn, que se ha prestado para resolver problemas de gran magnitud;
por su simplicidad, sencillez y estilo de uso cientos de empresas, compaas de todo
el mundo han ahorrado miles y miles de pesos.

En este capitulo se tratara la formulacin de problemas utilizando el mtodo

algebraico para la solucin de problemas de programacin lineal. Se hace un
enfoque a la variedad de aplicaciones del mtodo para que el estudiante interesado
pueda tener una visin y ejercitar sus conocimientos.

El mtodo algebraico contempla en su desarrollo al mtodo grafico y de la misma

manera el mtodo grafico no estara completo sin la rigurosidad del mtodo
algebraico pues la apreciacin visual que da el grafico en la solucin ptima puede
estar sujeta a error por parte del analista.
 2.2 PASOS PARA UTILIZAR EN METODO ALGEBRAICO

Dado que tenemos un problema de dos variables, podemos graficar las soluciones
posibles y comprender algunos puntos interesantes respecto a las relaciones
lineales. Veremos la siguiente manera de obtener grficamente las soluciones al
problema planteado y luego veremos como obtenerlas algebraicamente.

1. Exprsense los datos del problema como una funcin objetivo y

restricciones.

2. Graficar las restricciones.

3. Definir el conjunto factible.

4. Encontrar la solucin ptima

A continuacin se presentan el anlisis algebraico y grafico de algunos problemas de

programacin lineal:

2.3 EJEMPLOS DESARROLLADOS

PROBLEMA 1:

Supngase una compaa fabrica 2 tipos de artefactos, manuales y elctricos. Cada

uno de ellos requiere en su fabricacin el uso de 3 maquinas: A, B y C. un artefacto
manual requiere del empleo de la maquina A durante 2 horas, de una 1 en B y una 1
en C, un artefacto elctrico requiere de 1 hora en A, 2 horas en B y 1 hora en C.
supngase adems que el numero mximo de horas disponible por mes para el uso
de las tres maquinas es 180, 160 y 100, respectivamente. La utilidad que se obtiene
con los artefactos manuales es de 4000 pesos y de 6000 pesos para los elctricos.
Si la compaa vende todos los artefactos que fbrica, Cuntos de ellos de cada
tipo se deben elaborar con el objeto de maximizar la utilidad mensual?

A B C UTILIDAD
MANUALES(X) 2 1 1 4000
ELECTRICOS(Y) 1 2 1 6000
HORAS 180 160 100
DISPONIBLES

SOLUCIN:

1. Paso: Planteamos la funcin objetivo y las restricciones correspondientes:

 MAX Z= 4000X + 6000Y

SUJETO A:

2X + Y 180

X + 2Y 160
X + Y 100
2. Paso: Elaboramos el grfico correspondiente a las restricciones con el fin de
precisar la regin factible y determinar los puntos que la conforman:

2X + Y 180 X=0 Y= 180

Y=0 X= 90

X + 2Y 160 X=0 Y=80

Y=0 X=160

X + Y 100 X=0 Y=100

Y=0 X=100

3. Paso: Resolvemos el sistema de ecuaciones para determinar las

coordenadas del punto B y C as:

Para B: X + 2Y 160 Para C: 2X + Y 180

 X + Y 100 X + Y 100

Y= 60 X = 80

X= 40 Y = 20

4. Paso:

Con los puntos de la regin factible:

O(0,0) ; B(40,60) ; C(80,20) ; A(0,80); D(90,0) Maximizamos la funcin
objetivo :

MAX Z = 4000x + 6000 y

(0,0) 4000(0) + 6000(0) = 0

(0,80) 4000(0) + 6000(80) = 480000

(40,60) 4000(40) + 6000(60)= 520000

(90,0) 4000(90) + 6000(0) = 360000

5. Paso: La solucin para el problema est representada por la fabricacin de

40 artefactos manuales y 60 artefactos elctricos generando una mxima
utilidad de $ 520.000.

EJEMPLO 2:

Un granjero va a comprar fertilizante que contiene tres ingredientes nutritivos, A, B Y

C. Las necesidades mnimas son 160 unidades de A, 200 de B y 80 de C. Existen en
el mercado dos marcas populares de fertilizante. El llamado crecimiento rpido que
cuesta $ 4000 el costal y contienen 3 unidades de A, 5 de B y 1 de C, y el de
crecimiento normal que cuesta $3000 y contiene 2 unidades de cada ingrediente. Si
el granjero desea minimizar el costo al tiempo que mantiene el mnimo de los
ingredientes nutritivos que se requieren, cuantos costales de cada marca debe
comprar?.

A B C COSTO
CRECI/RAPIDO 3 5 1 4000
CRECI/NORMAL 2 2 2 3000
REQUERIMIENTO 160 200 80
SOLUCIN:

1. Paso: Determinamos la funcin objetivo y sus restricciones:

MIN Z= 4000X + 3000Y

SUJETO A LAS RESTRICCIONES:

3X + 2Y 160
5X + 2Y 200
X + 2y 80

2. Paso: Elaboramos la grfica y determinamos la regin factible:

3X + 2Y 160 X=0 Y= 80
Y=0 X= 53,33

5X + 2Y 200 X=0 Y= 100

Y=0 X= 40

X + 2y 80 X=0 Y=40
Y=0 X=80

3. PASO: Determinar las coordenadas de los puntos A y B:

Para A: 3X + 2Y 160 Para B: 3X + 2Y 160

 5X + 2Y 200 X + 2y 80

-2X = -40 2X = 80
X = 20 X= 40

Y = 50 Y = 20
4. Paso: Optimizamos la funcin objetivo:

Z= 4000X + 3000Y
(80,0) 4000(80) + 3000(0) = 320000
(40,20) 4000(40) + 3000(20) = 220000
(20,50) 4000(20) + 3000(50) = 230000
(0.100) 4000(0) + 3000(100) = 300000

5. Paso: La solucin del problema para el granjero est en comprar 40

unidades de crecimiento rpido y 20 de crecimiento normal, con un costo
mnimo de $ 220.000.
 2.4 TALLER

1. MAXIMIZAR

P= 10x + 12y

Sujeta a:

x + y 60
x - 2y 0
x, y 0

2. MAXIMIZAR

P= 5x + 6y

Sujeta a

x + y 80
3x + 2y 220
2x + 3y 210
x, y 0

3. MAXIMIZAR

Z= 4x - 10y

Sujeta a

x 4y 4
2x y 2
x, y 0

4. MINIMIZAR

Z= 7x + 3y

Sujeta a

3x y -2
x+y 9
x y = -1
x, y 0

5. Un fabricante de juguetes que esta preparando un programa de produccin para

2 nuevos artculos, maravilla y fantstico, debe utilizar la i informacin respecto
a sus tiempos de construccin que se proporcionan en la siguiente tabla. Por
ejemplo, cada juguete maravilla requiere de 2 horas en la maquina A. las horas
de trabajo disponibles de los empleados por semana, son: para la maquina A, 70
horas; para la B, 40 horas; para terminado, 90 horas. Si las utilidades de cada
juguete maravilla y cada juguete fantstico son de $40.000 y $60.000,
respectivamente, Cuntas unidades de cada uno deben fabricarse por semana
con el objeto de maximizar las utilidades? cual seria la utilidad mxima?

MAQUINA A MAQUINA B TERMINADO

MARAVILLA 2h 1h 1h
FANTASTICO 1h 1h 3h
 CAPITULO 3

METODO SIMPLEX

3.1 INTRODUCION
3.2 CONCEPTO
3.3 PASOS PARA EL DESARROLLO DEL METODO SIMPLEX
3.4 EJEMPLOS DESARROLLADOS
3.5 TALLER

3.1 INTRODUCION

En los captulos 1 y 2 de esta unidad vimos como resolver problemas de

programacin lineal a travs del mtodo grafico y el mtodo algebraico, surgen
grandes limitaciones a la hora de trabajar con estos dos mtodos, es decir que no es
posible darle ptima solucin a un problema. Esto se debe a que el mtodo grafico
no resulta prctico cuando el nmero de variables se aumenta a tres, y con ms
variables resulta imposible de utilizar. Por otra parte el mtodo algebraico tarda
demasiado tiempo aun para problemas de pocas variables y restricciones.
El mejor mtodo para resolver un problema de programacin lineal es el mtodo
simplex, ya que es un mtodo de fcil aplicacin, de tipo algortmico y conduce a una
eficiente solucin del problema.

3.2 CONCEPTO

El mtodo simplex fue desarrollado por George dantzig (1947) y es un mtodo

algebraico que se utiliza para resolver problemas de programacin lineal en un
nmero finito de pasos en una computadora. Este mtodo establece una solucin
factible y luego prueba si es ptima o no. Si no lo es busca una mejor solucin y si
esta no es optima entonces repite el proceso hasta hallar una solucin ptima.

3.3 PASOS PARA EL DESARROLLO DEL METODO SIMPLEX

1. Elaborar la tabla simplex inicial.

X1 X2 X3 S1 S2 S3 S4 Z b
S1 a11 a12 a13 1 0 0 0 0 b1
S2 a21 a22 a23 0 1 0 0 0 b2
S3 a31 a32 a33 0 0 1 0 0 b3
S4 a41 a42 a43 0 0 0 1 0 b4
Z -C1 -C2 -C3 0 0 0 0 1 0

Indicadores
Existen cuatro variables de holgura, S1, S2, S3, y S4; una para cada restriccin.
2. Si todos lo indicadores del ltimo rengln son no negativos, entonces Z tiene un
mximo cuando X1=0, X2=0 y X3=0. El valor mximo es 0. Si existen indicadores
negativos, localizar la columna en la que aparezca el indicador ms negativo.
Esta columna seala la variable entrante.

3. Dividir cada uno de los elementos de la columna de b que se encuentran por

encima de la recta punteada entre el correspondiente elemento de la columna de
la variable entrante. Se debe realizar esta divisin solo en los casos en los que el
elemento de la variable que entra sea positivo.

4. encerrar en un crculo el elemento de la columna de la variable entrante que

corresponde al menor cociente del paso 3. Este es un elemento pivote. La
variable saliente es la que se encuentra al lado izquierdo del rengln del elemento
pivote.

5. Utilizar operaciones elementales sobre renglones para transformar la tabla en

otra tabla equivalente que tenga un 1 en donde se encuentra el elemento pivote y
0 en las dems posiciones de esa columna.

6. la variable entrante debe reemplazar a la variable saliente en el lado izquierdo de

esta nueva tabla.

7. si todos los indicadores de la tabla nueva son no negativos, ya se tiene una

solucin ptima. El valor mximo de Z es el elemento del ltimo rengln y la
ltima columna. Ocurre esto cuando las variables se encuentran del lado
izquierdo de la tabla son iguales a lo elementos correspondiente de la ltima
columna. Todas las dems variables son ceros. Si cuando menos uno de los
indicadores es negativo, se debe repetir el mismo proceso con la nueva tabla,
comenzando con el paso 2.

3.4 EJEMPLOS DESARROLLADOS

EJEMPLO 1

Maximizar Z= 5X1+4X2

Sujeto a: X1+X2 20
2X1+X2 35
-3X1+X2 12
X10, X20

Este problema de programacin lineal se ajusta a la forma normal. La tabla simplex

inicial es:
 x1 x2 S1 S2 S3 Z b Cocientes
S1 1 1 1 0 0 0 20 201=20
Variable S2 2 1 0 1 0 0 35 352=17.5
Saliente S3 -3 1 0 0 1 0 12

Z -5 -4 0 0 0 1 0

Indicadores
Variable
Entrante
El indicador mas negativo, -5, aparece en la columna x1. Por ello, x1 es la variable
entrante. El menor cociente es 17.5, de modo que, S2 es la variable saliente. El
elemento pivote es 2. Utilizando operaciones elementales sobre los renglones para
obtener un 1 en la posicin del pivote y 0 en las dems posiciones de esa columna,
se tienen:

x1 x2 S1 S2 S3 Z b
1 1 1 0 0 0 20
2 1 0 1 0 0 35
-3 1 0 0 1 0 12

-5 -4 0 0 0 1 0

1 1 1 0 0 0 20
1 1/2 0 1/2 0 0 35/2 (Multiplicando el rengln 2 por 1/2)
-3 1 0 0 1 0 12

-5 -4 0 0 0 1 0

0 1/2 1 -1/2 0 0 5/2 (Sumando al rengln uno el rengln 2

1 1/2 0 1/2 0 0 35/2 multiplicado por -1; sumando al rengln
0 5/2 0 3/2 1 0 129/2 tres el rengln 2 multiplicado por 3;
Sumando al rengln cuatro el rengln dos
0 -3/2 0 5/2 0 1 175/2 multiplicado por 5)

La nueva tabla es:

x1 x2 S1 S2 S3 Z b Cocientes
Variable S1 0 1/2 1 -1/2 0 0 5/2 5/2 1/2=5
Saliente x1 1 1/2 0 1/2 0 0 35/2 35/2 1/2=35
S3 0 5/2 0 3/2 1 0 129/2 129/25/2=25(4/5)

Z 0 -3/2 0 5/2 0 1 175/2

Indicadores
 Variable Entrante

Obsrvese que en el lado izquierdo, x1 reemplaz a S2. Ya que -3/2 es el indicador

ms negativo se debe continuar con el proceso. La variable entrante es ahora x2. El
menor cociente es 5. De modo que S1 es la variable saliente y es el elemento
pivote. Utilizando operaciones elementales sobre renglones, se tiene:

x1 x2 S1 S2 S3 Z b

0 1 -1/2 0 0 5/2
1 1/2 0 1/2 0 0 35/2
0 5/2 0 3/2 1 0 129/2

0 -3/2 0 5/2 0 1 175/2

0 1/2 1 -1/2 0 0 5/2 (Sumando al rengln dos el rengln uno

1 0 -1 1 0 0 15 multiplicado por -1; sumando al rengln
0 0 -5 4 1 0 52 tres el rengln uno multiplicado por -5;
Sumando al rengln cuatro el rengln
0 0 3 1 0 1 95 uno multiplicado por 3)

0 1 2 -1 0 0 5
1 0 -1 1 0 0 15
0 0 -5 4 1 0 52 (Multiplicando el rengln uno por 2)

0 0 3 1 0 1 95

La nueva tabla es:

x1 x2 S1 S2 S3 Z b
x2 0 1 2 -1 0 0 5
x1 1 0 -1 1 0 0 15
S3 0 0 -5 4 1 0 52

Z 0 0 3 1 0 1 95

Indicadores

En donde x2 reemplazo a S1 en el lado izquierdo. Como todos los indicadores son

no negativos, el valor mximo de Z es 95 y aparece cuando x2=5 y x1=15 (y S3=52,
S1=0, S2=0).

EJEMPLO 2

Maximizar Z= 3x1 + 4x2 + 3/2x3

Sujeta a: -x1-2x2 -10
2x1+2x2+x3 10
x1, x2, x3 0

La restriccin (10) no se ajusta a la forma normal. Sin embargo, multiplicando ambos

lados de (10) por -1 resulta.

TABLA SIMPLEX I

x1 x2 x3 S1 S2 Z b Cocientes
Variable S1 1 2 0 1 0 0 10 102=5
Saliente S2 2 2 1 0 1 0 10 102=5

Z -3 -4 -3/2 0 0 1 0

Indicadores

Variable
Entrante

La variable entrante es x2. Dado que existe un empate en el menor cociente, se

puede elegir cualquiera de los dos, S1 o S2, como la variable saliente. Se escoge
S1. Se encierra en un crculo el pivote. Utilizando operaciones elementales sobre
renglones, se obtiene la tabla 2.

TABLA SIMPLEX II

x1 x2 x3 S1 S2 Z b Cocientes
Variable x2 1/2 1 0 1/2 0 0 5 no hay puesto
Saliente S2 1 0 1 -1 1 0 0 que 0 No es positivo

Z -1 0 -3/2 2 0 1 20 01=0

Indicadores

Variable
Entrante
La tabla II corresponde a una SFB (solucin bsica factible) en la que una variable
bsica S2 es 0. Por ello, la SFB es degenerada. Ya que existen indicadores
negativos, se contina el proceso. La variable entrante es ahora x3, la variable
saliente es S2 y el pivote se encuentra encerrado en un crculo. Utilizando
operaciones elementales sobre renglones, se obtiene la tabla III.

TABLA SIMPLEX II

x1 x2 x3 S1 S2 Z b
x2 1/2 1 0 1/2 0 0 5
x3 1 0 1 -1 1 0 0

Z 1/2 0 0 1/2 3/2 1 20

Indicadores

En virtud de que todos los indicadores son no negativos, Z es mxima cuando x2=5 y
x3=0, y x1=S1=S2=0. El mximo valor es Z=20. Obsrvese que este valor es igual al
valor de Z correspondiente a la tabla II. En problemas con degeneracin es posible
llegar al mismo valor de Z en varias etapas del proceso simplex.

EJEMPLO 3:

Considere el siguiente problema de programacin lineal:

Maximizar Z=2x1+5x2+8x3

Sujeto a x1+ x2+ x3 12

8x1-4x2+4x3 24
x2+ x3 8
x1, x2, x3 0

PASO 1: INICIALIZACIN:

Maximizar Z

Z-2x1-5x2-8x3 = 0 (0)
x1+ x2+ x3+ x4 =12 (1) (II)
8x1-4x2+4x3 +x5 =24 (2)
x2+ x3 +x6 =8 (3)
xj0, j=1,2,,6

Donde las variables de holgura son x4, x5 y x6.

La tabla inicial para la aplicacin del algoritmo Simplex es:

V.B x1 x2 x3 x4 x5 x6 b
Z -2 -5 -8 0 0 0 0
x4 1 1 1 1 0 0 12
x5 8 -4 4 0 1 0 24
x6 0 1 1 0 0 1 8

La solucin bsica falible de partida se obtiene fcilmente del sistema de ecuaciones

(II). Cada una de las ecuaciones tiene una sola variable bsica. Por ejemplo, la
variable bsica de la ecuacin (2) es x5 ya que tiene coeficientes de +1 en esa
ecuacin y no aparece en ninguna de las otras ecuaciones.

Esto quiere decir que, en esa ecuacin, la dems variables, al ser no bsicas, sus
valores son ceros y, por consiguiente, podemos deducir que el valor de x5 es igual a
24.

De manera similar, de la ecuacin (0) se obtiene que Z = 0, de la (1) se obtiene que

x4 = 12 y de la (3) que x6 = 8.

Observe que en la tabla se pueden leer estos valores directamente. Bastar hacer
corresponder a cada variable bsica indicada en la primera columna, (V.B.) los
valores de la ltima columna (b).

Observe adems que la matriz correspondiente a las variables bsicas de las

restricciones, es una matriz unidad.

PASO 2: PROCESO ITERATIVO

Primera Iteracin

La variable bsica entrante es x3, puesto que es la que tiene mayor coeficiente en la
funcin objetivo de (I), o bien es la de coeficientes ms negativos en la tabla inicial (-
8 en este ejemplo).

La variable bsica saliente se determina de la siguiente manera: la cota superior de

la variable bsica entrante xent = x3, viene dada por + si a'ie 0 y b'i/a'ie si aie>0.
Entonces, los valores de a'ie y bi son:

Restriccin
1 a'13 = 1 b'1 = 12
2 a'23 = 1 b'2 = 24
3 a'33 = 1 b'3 = 8
Como todos los coeficientes de las ecuaciones i (i = 1, 2,3) son positivos, entonces la
cota superior estar dada por b'i/a'ie. O sea:

B1/a'13 = 12/1 = 12
b'2/a'23 = 24/4 = 6
b'3/a'33 = 8/1 = 8

La menor cota superior es 6, que corresponde a la restriccin numero 2. La variable

bsica que corresponde a esa ecuacin es x5 y es, en consecuencia, la variable
bsica saliente. Es decir, en el conjunto de variables bsicas se cambia a x5 por x3,
por lo que las nuevas variables bsicas son x4, x3 y x6.

Ahora x3 es una variable bsica, luego debe tener un coeficiente +1 en la segunda

ecuacin y no debe aparecer en ninguna otra, es decir, en cualquier otra ecuacin
distinta de la segunda restriccin (que es la ecuacin donde la variable bsica es x3)
el coeficiente de x3 debe ser cero. Esto se logra de la siguiente manera:

1. Divida toda la ecuacin por 4, que es el coeficiente de x3 en la segunda

restriccin.
La ecuacin queda

2x1 - x2 + 1x3 + 1/4x5 = 6 (A)

2. Para lograr ceros en los coeficientes de x3 en las nuevas ecuaciones (0), (1) y
(3) multiplique la ecuacin (A) anterior por 8, -1 y -1 uno a la vez, y sume el
resultado a las ecuaciones anteriores (0), (1) y (3). O sea, multiplicar la
ecuacin (A) por 8 se obtiene:

16x1 - 8x2 + 8x3 + 2x5 = 48

Esta ecuacin sumada con la ecuacin (0) se partida queda:

Z + 14x1 13x2 + 2x5 = 48

Que vendra a ser la ecuacin (0).

De manera similar, para lograr un cero en el coeficiente de x3 de la ecuacin (1),

multipliquemos la ecuacin (A) por -1 y sumemos el resultado a la ecuacin (1).

(1) Ecuacin A: -2x1 + x2 x3 -1/4X5 = - 6

Ecuacin (1): x1 + x2 + x3 + x4 = 12
Nueva Ecuacin: - x1 + 2x2 + x4 1/4x5 = 6

Finalmente, para lograr un cero en el coeficiente de x3 de la ecuacin (3),

multipliquemos (A) por -1 y sumemos el resultado a (3). La nueva ecuacin (3)
despus de la transformacin es:
 -2x1 + 2x2 - 1/4x5 + x6 = 2

La solucin presente despus de la primera iteracin es:

(x1, x2, x3, x4, x5, x6) = (0, 0, 6, 6, 0, 2); Z = 48

Estos resultados se presentan de una manera sencilla en forma tabular. Al igual que
se hizo con la tabla inicial, registramos solamente los coeficientes de las variables y
los colocamos inmediatamente debajo de la tabla inicial. Esta segunda tabla
proporciona una manera fcil de ver los valores actuales de las variables bsicas
despus de que se ha realizado la primera iteracin.

La tabla inicial y la que resulta despus de la primera iteracin son las siguientes:

V.B x1 x2 x3 x4 x5 x6 b
Z -2 -5 -8 0 0 0 0
x4 1 1 1 1 0 0 12
x5 8 -4 4 0 1 0 24
x6 0 1 1 0 0 1 8
Tabla Inicial

V.B x1 x2 x3 x4 x5 x6 b Tabl
Z 14 -13 0 0 2 0 48 a
x4 -1 2 0 1 -1/4 0 6 Des
x5 2 -1 1 0 1/4 0 6 pu
x6 -2 2 0 0 -1/4 1 2 s
De
La Primera Iteracin

Observe que si en la segunda tabla se intercambian las columnas de x5 y x3, de

nuevo se destaca la matriz unitaria.

En este momento, es oportuno preguntarse si la solucin que se ha obtenido

despus de la primera iteracin es la solucin ptima. Para responder la pregunta,
veamos si es posible incrementar una de las variables de tal manera que la funcin
objetivo aumente. La funcin objetivo despus de la primera iteracin es:

Z + 14x1 13x2 + 2x5 = 48, o bien

Z = -14x1 + 13x2 2x5 + 48

Si aumentamos x2 aumentar el valor de Z, puesto que su coeficiente es positivo

(+13). Por consiguiente, todava no hemos obtenido el valor ptimo y necesitamos
realizar otra iteracin. A esta misma conclusin hubisemos llegado si observamos
que en la tabla despus de la primera iteracin, todava existe un coeficiente (el de
x2) que es negativo.

Segunda iteracin

Despus de la primera iteracin, el sistema de ecuaciones queda:

Z = -14x1 + 13x2 -2x5 + 48

-x1 + 2x2 + x4 - 1/4x5 = 6
2x1 - x2 + x3 + 1/4x5 = 6
-2x1 +2x2 - 1/4x5 + x6 = 2

La variable bsica entrante es x2, puesto que es la que tiene mayor coeficiente en la
funcin objetivo, o bien es la del coeficiente ms negativo en la tabla despus de la
primera iteracin.

Para determinar la variable bsica saliente, procedemos de manera similar a lo que

hizo en la primera iteracin.

En este caso xent = x2

Restriccin
1 a'12 = 2 , b'1 = 6
2 a'22 = -1 , b'2 = 6
3 a'32 = 2 , b'3 = 2

Las cotas superiores son:

6/2 = 2
+ ya que a'22 = -1 < 0
2/2 = 1

La menor cota superior es 1 y corresponde a la tercera restriccin. Entonces la

variable bsica saliente es x6, es decir, cambiamos x6 por x2. Las nuevas variables
son x4,x3 y x2.

Como x2 es ahora una variable bsica, debe tener un coeficiente +1 en la ecuacin

(3) y no debe aparecer en ninguna otra ecuacin. Esto se logra de la siguiente
manera:

1. Se divide toda la ecuacin (3) por 2, que es el coeficiente de x2 en esa

ecuacin.

2. Se multiplica la ecuacin resultante en el paso 1. por 13, -2 y +1, unos a las

vez, y se suman los resultados a las ecuaciones (0), (1) y (2).
El resultado es:

Z + x1 +3/8x5 + 13/2x6 = 61 (0)

x1 + x4 - x6 = 4 (1)
x1 + x3 + 1/8x5 + 1/2x6 = 7 (2)
x1 + x2 - 1/8x5 + 1/2x6 = 1 (3)

Regla de parada

Como todos los coeficientes de la ecuacin (0) son positivos, la solucin presente es
ptima; o sea: Z = 61, x4 = 4, x3 = 7, x2 =1 y el resto de las variables son ceros.

Al igual que en la primera iteracin, los resultados se pueden presentar en forma

tabular. La tabla inicial y las que resultan despus de la primera y de la segunda
iteracin, son las siguientes:

V.B x1 x2 x3 x4 x5 x6 b
Z -2 -5 -8 0 0 0 0
x4 1 1 1 1 0 0 12
x5 8 -4 4 0 1 0 24
x6 0 1 1 0 0 1 8
Tabla Inicial

V.B x1 x2 x3 x4 x5 x6 b
Z 14 -13 0 0 2 0 48
x4 -1 2 0 1 -1/4 0 6
x5 2 -1 1 0 1/4 0 6
x6 -2 2 0 0 -1/4 1 2
Primera Iteracin

V.B x1 x2 x3 x4 x5 x6 b
Z 1 0 0 0 3/8 13/2 61
x4 1 0 0 1 0 -1 4
x5 1 0 1 0 1/8 1/2 7
x6 1 1 0 0 -1/8 1/2 1
Segunda Iteracin

La solucin ptima es (x1, x2, x3, x4, x5, x6) = (0, 1, 7, 4, 0, 0); Z = 61
Hemos visto la aplicacin del mtodo Simplex para obtener la solucin ptima de un
problema de Programacin Lineal y su forma tabular asociada. En realidad, el
proceso de hace bastante mas expedito utilizando directamente la tabla, sin tener
que pasar por las ecuaciones correspondientes. La determinacin de las variables
bsica entrantes y salientes en cada iteracin, puede hacerse directamente a partir
de cada una de las tablas.

Ejemplo 4:
Observemos el siguiente ejemplo, recordando los pasos fundamentales en el mtodo
simplex, adems del uso de variables artificiales, no confundir con adicionales.

Maximizar Z = -5x1 + 8x2 + 3x3, sujeto a

2x1 + 5x2 - x3 1
-3x1 - 8x2 + 2x3 4
-2x1 - 12x2 + 3x3 9

1. Expresamos estas condiciones en forma matricial. Se eligen 3 (m) columnas

linealmente independientes dentro de A ___ P4, P5, P6.

P4 P5 P6
5 -1 1 0 0 1
2
-3 -8 2 0 1 0 4

-2 -12 3 0 0 1 9

Al introducir estas tres nuevas columnas, estamos utilizando tres variables

adicionales: x4, x5 y x6.

Nuestra funcin objetivo tendr la siguiente expresin:

Z = -5x1 + 8x2 + 3x3+ 0x4 + 0x5 + 0x6

Se resuelve el sistema en las variables correspondientes:

 1 - 2x1 - 5x2 + x3 = x4

4 + 3x1 + 8x2 - 2x3 = x5

9 + 2x1 + 12x2 - 3x3 = x6

Haciendo x1= x2= x3= 0 se obtiene el vrtice de salida:

(0,0,0,1,4,9)

Obtenemos, asimismo una "nueva" funcin objetivo:

Z =-5x1 + 8x2 + 3x3+ 0 (1 - 2x1 - 5x2 + x3)+ 0 (4 + 3x1 + 8x2 - 2x3) + 0 (9 + 2x1 +
12x2 - 3x3)

2. De aqu obtenemos que z0= 0

3. Para ver si es posible mejorar z0, se examina la funcin z=f(x1, x2, x3) y de
todos los coeficientes que sean positivos, se coge el mayor. Mientras haya
coeficientes positivos se va a poder mejorar.

Se plantea como aumentar el valor de una variable, de forma que las otras
variables que aparecan en la expresin de Z sigan nulas y, al menos, una de
las que eran distintas de cero se anule.

Actuaremos sobre la variable x2, ya que es la de mayor coeficiente, 8.

Nuestro siguiente vrtice debe cumplir las siguientes condiciones:

x2=k>0,
x1= x3= 0
y x4, x5, x6 0 y de estas tres variables, al menos, una nula.

Se resuelve el sistema en las variables sealadas, teniendo en cuenta todas

las anteriores condiciones:

1 - 5k = x4

4 + 8k = x5

9 + 12k = x6
 Debemos anular x4, ya que es imposible anular x5 y x6, con valores positivos.
La mejor eleccin ser k=1/5,

Con este valor obtenemos el nuevo vrtice de salida:

(0, 1/5 ,0,0, 28/5 ,57/5)

Ahora debemos rehacer las expresiones, expresadas en funcin de x1, x3 y x4

.

4. Se cambia la columna de la variable sealada que acaba de anularse por la

de la sealada que aument su valor.

P2 P5 P6

1 -1/5 1/5 0 0 1/5

2/5
1/5 0 2/5 8/5 1 0 28/5

14/5 0 3/5 12/5 0 1 57/5

Se resuelve el sistema y se encuentra la expresin de la funcin objetivo

correspondiente a esa eleccin de columnas.

Z = 8/5 - 41/5 x1 + 23/5 x3 + 8/5 x4

Obtenemos z1, que saldr de sustituir el valor del vrtice hallado en la nueva
expresin de la funcin objetivo:

z1= 8/5.

5. Se repite cuantas veces haga falta el proceso. (mientras haya coeficientes

positivos).

x3= k
x1, x4= 0

Por tanto,
 1/5 + k/5 = x2

28/5 - 2/5 k = x5

57/5 - 3/5 k = x6

Elegimos k= 14 (2 igualdad), obteniendo los siguientes valores:

P2 P3 P6
1/2 1 0 1 1/2 0 3
1/2 0 1 4 5/2 0 14

5/2 0 0 -3/2 0 1 3

Se resuelve el sistema y se encuentra la expresin de la funcin objetivo:

Z = 66 - 21/2 x1 - 20 x4 + 23/2 x5

Calculamos el vrtice de salida, haciendo x1= x4= x5= 0,

(0,3,14,0,0,3) z2= 66

Ya no se puede mejorar este valor (no hay coeficientes positivos). El proceso

ha finalizado.

vrtice solucin: (0,3,14)

Alcanzado para Z= 66

Comentarios

Para arrancar el simplex se precisa de un vrtice inicial. Cuando las columnas

de la matriz identidad estn dentro de A, este primer vrtice siempre se puede
hallar.

Si Im no est dentro de A:
(Im , matriz identidad de mxm, con m= n de condiciones.)
1. Debe elegirse m columnas linealmente independientes de A
cualesquiera. Aun as, puede que el simplex no arranque.
2. Manipular las ecuaciones del sistema para que ste sea equivalente y
la matriz identidad aparezca en el sistema final.

1 1 -1 0 1 1 1 -1 0 1
F1
F2- 2F1
230 1 6 012 1 4

con Z, funcin objetivo del problema.

3. Introduccin de nuevas variables, variables artificiales (no confundir con

adicionales). Sern tantas como sean necesarias y donde sean
necesarias para obtener la matriz identidad.

-1 0 0 1 1 48
1 2 -1 0 0 97

0 2 0 -1 0 11

-1 0 0 1 1 0 0 48
1 2 -1 0 0 1 0 97

0 2 0 -1 0 0 1 11

5. con Z, funcin objetivo del problema.

Esta introduccin afecta a las condiciones y a la funcin objetivo que

quedar modificada en el sentido de que habr dos variables nuevas
ms (variables artificiales).

Se aaden tantos sumandos nuevos como variables artificiales

introducidas con coeficiente -M, siendo M arbitrariamente grande, que
no hace falta especificar.
 Z = 2x1 - x2 + x4 - 3x5 - M(x6 + x7)

Obtenemos un nuevo problema, llamado problema aumentado, de cuya

solucin se saca la solucin del problema estudiado:

I. Problema inicial (a su forma cannica): AX = B; Z = Ct X

II. Problema aumentado: A' X = B; Z* = C' t X

Si el problema aumentado tiene solucin en un vrtice en el que todas las variables

artificiales toman el valor cero, tendremos un vrtice solucin para el problema en la
forma cannica.

Vs* = (v1, v2,..., vn, ..., 0,..., 0 ) solucin de II ___ Vs = (v1, v2,..., vn) solucin de I.

Si el problema aumentado tiene una solucin en un vrtice en el que alguna de sus

componentes artificiales sea no nula, el problema inicial no tiene solucin.
 3.5 TALLER

1. MAXIMIZAR

Z= x1 + 2x2

Sujeta a

2x1 + x2 8
2x1 + 3x2 12
x1, x2 0

2. MAXIMIZAR

Z= -x1 + 3x2

Sujeta a

x1 + x2 6
-x1 + x2 4
x1, x2 0

3. MAXIMIZAR

Z= 8x1 + 2x2

Sujeta a

x1 x2 1
x1 + 2x2 8
x1 + x2 5
x1, x2 0

4. Una compaa de carga maneja envos para 2 compaas, A y B, que se

encuentran en la misma ciudad. La empresa A enva cajas que pesan 3 libras
cada una y tiene un volumen de 2 pies; la B enva cajas de 1 pie con peso
de 5 libras cada una. Tanto A como B hacen envos a los mismos destinos. El
costo de trasporte para cada caja de A es $7500 y para B es $5000. la
compaa transportadora tiene un camin con espacio de carga para 2400
pies y capacidad mxima de 9200 libras. En un viaje, Cuntas cajas de
cada empresa debe transportar el camin para que la compaa de
transportes obtenga el mximo ingreso? cual es este mximo?

5. una compaa fabrica 3 productos X, Y, Z. cada producto requiere de los

tiempos de maquina y tiempo de terminado como se muestran en la tabla. Los
nmeros de horas de tiempo de maquinas y de tiempo de terminado
disponibles por mes son 900 y 5000 respectivamente. La utilidad por unidad
X, Y y Z es $3000, $4000 y $6000 respectivamente. Cual es la utilidad
mxima al mes que puede obtenerse?
TIEMPO DE TIEMPO DE
MAQUINA TERMINADO
X 1 4
Y 2 4
Z 3 8
 CAPITULO 4

ANALIS DE VARIABILIDAD

4.1 DUALIDAD
4.2 PASOS PARA CONVERTIR UN PROBLEMA PRIMAL A UNO DUAL
4.3 EJEMPLOS RESUELTOS
4.4 COMPARACION ENTRE EL METODO SIMPLEX Y DUAL SIMPLEX
4.5 ANALISIS DE SENSIBILIDAD
4.6 TALLER

4.1 DUALIDAD

Para cada problema de programacin lineal hay una asociacin y una relacin muy
importante con otro problema de programacin lineal, llamado precisamente dual. El
dual permite resolver problemas de maximizacin resolviendo un problema
minimizacin relacionado con aquel.
El mtodo simplex adems de resolver un problema de programacin lineal llegando
a una solucin ptima nos ofrece ms y mejores elementos para la toma de
decisiones. La dualidad y el anlisis de sensibilidad son potencialidades de ste
mtodo

El dual es un problema de PL que se obtiene matemticamente de un modelo primal

de PL dado. Los problemas dual y primal estn relacionados a tal grado, que la
solucin simplex ptima de cualquiera de los dos problemas conduce en forma
automtica a la solucin ptima del otro.
 4.2 PASOS PARA CONVERTIR UN PROBLEMA PRIMAL A UNO DUAL

1. Si el primal es un problema de maximizacin su dual ser un problema de

minimizacin y viceversa.
2. Los coeficientes de la funcin objetivo del problema primal se convierten en
los coeficientes del vector de la disponibilidad en el problema dual.
3. Los coeficientes del vector de disponibilidad del problema original se
convierten en los coeficientes de la funcin objetivo (vector de costo o precio)
en el problema dual.
4. Los coeficientes de las restricciones en el problema primal, ser la matriz de
los coeficientes tecnolgicos en el dual.
5. Los signos de desigualdad del problema dual son contrarios a los del primal.
6. Cada restriccin en un problema corresponde a una variable en el otro
problema. Si el primal tiene m restricciones y n variables, el dual tendr n
restricciones y m variables. As, las variables Xn del primal se convierte en
nuevas variables Ym en el dual.

PROBLEMA PRIMAL EN PROBLEMA DUAL EN

FORMA CANONICA: FORMA CANONICA:

MAX Z= CX MIN Z= BY

Sujeto a: Sujeto a:

AX b AY C

X0 Y0

4.3 EJEMPLOS RESUELTOS

EJEMPLO 1

Encontrar el dual del siguiente problema:

Maximizar Z = 3X1 + 4X2 + 2X3

Sujeta a X1 + 2X2 + 0X3 10,

2X1 + 2X2 + X3 10,
X1, X2, X3 0.
El dual es:

Minimizar W = 10Y1 + 10 Y2

Sujeta a Y1 + 2Y2 3,
2Y1 + 2Y2 4,
0Y1 + Y2 2,
Y1, Y2 0.

EJEMPLO 2

Encontrar el dual del siguiente problema:

Minimizar Z = 4X1+ 3X2

Sujeta a 3X1 - X2 3, (1)

X1 + X2 1, (2)

-4X1 + X2 3, (3)
Y1, Y2 0.
Debido a que es un problema de minimizacin, las restricciones (2) y (3) deben
quedar >. Multiplicando ambos lados de (2) y (3) por -1, tendremos -X1 - X2 > -1 y
4X1 - X2 > -3. Por lo tanto:

3X1 - X2 2,

X1 - X2 -1,

4X1 - X2 -3.

El dual es:

Maximizar W = 2Y1 Y2 3Y3

Sujeta a 3Y1 Y2 + 4Y3 4,

-Y1 - Y2 - Y3 3,

Y1, Y2, Y3 0.
 4.4 COMPARACION ENTRE EL METODO SIMPLEX Y DUAL - SIMPLEX

PRIMAL DUAL
Necesita para comenzar una base Necesita para comenzar una base
(primal) factible. (dual) factible.

Partiendo de una base primal factible, Partiendo de una base dual factible, el
se trata de alcanzar una factibilidad mtodo trata de alcanzar factibilidad
del dual, manteniendo una factibilidad del primal, manteniendo una
del primal a travs de todo el proceso. factibilidad del dual a travs del todo
el proceso.
El criterio para optimizacin para el El criterio de optimizacin para el dual
primal es el criterio de factibilidad del Es el criterio de factibilidad para el
dual. primal.

Los elementos pivote son posibles en Los elementos pivotes son negativos
todas las iteraciones, a fin de en todas las iteraciones, a fin de
mantener la factibilidad del primal. acercarse a la factibilidad del primal.

La columna pivote se selecciona La fila pivote se selecciona primero y

primero entre aquellas columnas que
corresponden a un coeficiente
negativo, luego se determina la fila
pivote de tal manera que se garantice
que la factibilidad del primal se
mantenga en la prxima base.
entre aquellas filas que tienen un
valor actualizado negativo en el
segundo miembro de las ecuaciones.
Se determina luego la columna pivote
de tal manera que se mantenga la
factibilidad dual en la prxima base.

La no factibilidad del dual se La no factibilidad del primal se

establece en el simplex primal, si la establece en el dual simples, si la
columna pivote no tiene componentes fila pivote no tiene componentes con
con valores positivos. valores negativos.

4.5 ANALISIS DE SENSIBILIDAD

Una vez que se ha obtenido la solucin ptima de un problema de programacin

lineal, es muchas veces necesario realizar un anlisis de sensibilidad; esto es
estudiar cmo cambia la solucin del problema por cambios discretos que se
introduzcan en los distintos coeficientes de este problema. Los cambios discretos en
esos coeficientes pueden o no afectar la condicin de factibilidad (XB0) y la llamada
condicin de optimalidad (todos los Zj Cj 0 para los problemas del tipo
maximizacin).
Una forma de conocer los cambios que ocurren en la solucin ptima de un
problema de P.L. cuando ocurren cambios (discretos) en uno o ms coeficientes, es
resolver completamente el nuevo problema y comparar su solucin con la obtenida
en el problema original. Esto puede ser, sin embargo, completamente ineficiente.
Otra manera es hacer uso de las propiedades del primal-dual estudiadas
anteriormente. En general, esto ltimo reduce bastante el esfuerzo computacional,
comparando con el que tendramos que realizar si resolvemos el nuevo problema y
es precisamente lo que haremos en esta seccin.

Despus de llegar a la solucin de un problema de programacin lineal. Puede

ocurrir que el administrador necesite hacer ciertos cambios en los recursos
disponibles de la operacin, en el costo de operacin, en el precio de materia
producido, etc. Generalmente estos cambios dan origen a un nuevo problema, y su
resolucin requiere recursos financieros, humanos y tiempo; pero en ocasiones no es
factible gastar y esperar ms por el nuevo problema creado con el cambio ocurrido
en las disponibilidades. Con las propiedades del mtodo simplex no se necesitar
resolver el nuevo problema desde el principio, ya que es posible reducir muchos
clculos y ahorrar recursos y tiempo llegando a nuevas soluciones ptimas, sin
resolver el problema totalmente, pues ese es el objetivo del anlisis de sensibilidad.
El anlisis de sensibilidad permite utilizar la tabla final para realizar operaciones con
objeto de analizar los siguientes cambios en el problema de programacin lineal:

Cambios en el vector de disponibilidad de recursos

Cambios en el vector de costos o precio, o sea, en los coeficientes de la
funcin objetivo
Adicin de nuevas actividades, es decir, las variables de decisin
Aumentar el nmero de restricciones.

4.5.1 CAMBIOS EN EL VECTOR DE DISPONIBILIDAD

Suponga el siguiente problema de programacin lineal:

Max Z= 8X1 + 6X2

Sujeta a:
4X1 + 2X2 60
2X1 + 4X2 48
X1 + X2 0

El presidente de la fbrica decidi aumentar 2 horas de cada da en la capacidad de

los dos departamentos (la fbrica trabaja 6 das a la semana, pero los sbados
trabajan hasta medio da). Al presidente le interesa saber que efectos tendrn sus
decisiones sobre la solucin ptima actual.

Z=132 X1= 12 X2= 6 H1= 0 H2= 0

Segn la decisin del presidente el nuevo problema ser:

Max Z= 8X1 + 2X2

Sujeto a:

4X1 + 2X2 71

2X1 + 4X2 59

Para resolver ese problema utilizamos la tabla final del problema anterior.

Base Variables de Variables de Solucin

Decisiones Holgura

X1 X2 H1 H2
Z 0 0 5/3 2/3 132
Final X1 1 0 1/3 -1/6 12

X2 0 1 -1/6 1/3 6

Multiplicamos la matrz de los coeficientes tecnolgicos de las variables que no estn

en la base, al nuevo vector de disponibilidad, por consiguiente los nuevos valores de
las variables bsicas actuales son:

X1 1/3 -1/6 71 14

= =

X2 -1/6 1/3 59 7.5

Como X1 y X2 no son negativos la nueva solucin es factible y ptima. Para

encontrar el valor Z multiplicamos el vector de costo o precio al vector de la nueva
solucin.

14

(8,6) = 157

7.5

Supngase que por dificultades econmicas no se puede vender el producto con la

misma rapidez que el ao pasado, y por problemas de liquidez no es posible cubrir el
sueldo de todos los trabajadores, pero como se sabe que la situacin es temporal no
se quiere cerrar la planta completamente, as que el presidente decidi reducir la
capacidad en ensamble y terminacin a 56 y 25 horas respectivamente, pero su
inquietud es saber qu efectos tendrn estas nuevas decisiones en el nivel de
produccin y en su ganancia, por consiguiente el nuevo problema ser:

Max z= 8x1 + 6x2

SUJETO A:

4x1 + 2x2 56

2x1 + 4x2 25

Solucin:

X1 1/3 -1/6 56 14.5

= =

X2 -1/6 1/3 25 -1

Como los nuevos valores de las variables de decisin tienen signo negativo violan la
propiedad del simplex, o sea, cuando el sector [b] [0] la solucin no es factible.
Entonces la nueva solucin de la segunda restriccin X2= -1 no es factible; aqu el
mtodo de dual simplex llega a ser importante para restablecer la factibilidad del
problema.

Base X1 X2 H1 H2 Solucin
Z 0 0 5/3 2/3 110
X1 1 0 1/3 -1/6 14.5

X2 0 1 -1/6 1/3 -1
Z 0 10 0 4 100
X1 1 2 0 12.5

X3 0 -6 1 -2 6 ptimo

La solucin factible y ptima actual es: X1= 12.5, X2= 0, X3= 6, X4= 0, Z= 100

No se debe olvidar que para encontrar cul recurso hay que aumentar a fin de lograr
el mejor rendimiento marginal, tenemos que ver en la tabla final de dual aquella
variable dual correspondiente a la restriccin primal que tiene el valor positivo ms
alto, y el recurso que rendir ms si aumentamos unas unidades. Para ms
informacin ver la interpretacin de dual.
4.5.2. CAMBIO AL VECTOR DE COSTO O PRECIO

Supongamos que la compaa tiene mucha mercanca almacenada que no puede

vender. El presidente decide bajar el precio de la mesa a 6 pesos y el de la silla a 5
pesos, pero antes de hacer vlida al decisin quiere saber qu efecto tendr en su
operacin y ganancia; el nuevo problema ser:

Max Z= 6X1 + 5X2

Sujeto a:

4X1 + 2X2 60

2X1 + 4X2 48

X1,X2 0

Solucin:

El anlisis de sensibilidad para este tipo de cambio toma como punto de partida la
solucin ptima del problema original multiplicando el nuevo vector de costo o precio
(valores de la funcin objetivo por la matriz de coeficientes tecnolgicos), o sea, la
matriz de los coeficientes de las variables que no estn en la base de la tabla final de
simplex: el resultado de esta multiplicacin le llamaremos Q.

Si Q 0 la solucin es factible, si Q 0 la solucin no es factible. Hay una mejor

explicacin con el procedimiento de simplex. Si la solucin es factible se debe
verificar que la solucin sea ptima tambin, si no es ptima, seguimos con el
procedimiento de simplex.

Para verificar si Q es el resultado de la F.O. por la matriz de coeficientes

tecnolgicos multiplicamos Q por la matriz de los coeficientes del dual, y llamaremos
al resultado de esta multiplicacin L, restamos L, con el nuevo vector de costo o
precio, si el resultado es el cero; la solucin es ptima si no seguimos con el
procedimiento simplex.

(Vector de costo y precio) x Mariz de = Q

Coeficientes

Tecnolgicos
 Q matriz de las variables = L

De cual es dual

L C = 0, la solucin es ptima

1/3 -1/6

(6,5) = (7/6,2/3)

-1/6 1/3

Como Q, o verificamos la optimalidad

4 2

(7/6, 2/3) = (6,5)

2 4

Los nuevos coeficientes de la F.O. (Z) correspondientes a X1 y X2 de la tabla final de

simplex son:

(8 6) (8 5) = (2 1)
 4.6 TALLER

En los siguientes problemas hay que encontrar solo la forma dual del ejercicio
no es necesario que los resuelva, sin embargo si es su deseo hacerlo proceda.

1. MAXIMIZAR

Z= 2x1 + 3x2

Sujeta a

x1 + x2 6
-x1 + x2 4
x1, x2 0

2. MAXIMIZAR

Z= x1 + 8x2 + 5x3

Sujeta a

x1 + x2 + x3 8
-x1 + 2x2 + x3 2
x1, x2, x3 0

3. Una empresa esta comparando los costos de publicidad en dos medios de

comunicacin: peridicos y radio. Para cada peso de publicidad la tabla que
aparece en seguida presenta el numero de personas por grupo de ingresos, de
cada uno de esos medios de comunicacin alcanza. La empresa desea llegar a
cuando menos 8000 personas de las que tienen ingresos de menos de $500.000
y cuando menos 6000 de las que ganan mas de $500.000. utilizar el dual y el
mtodo simplex para hallar las cantidades que debe invertir la empresa en
publicidad en peridicos y en radio, para llegar a ese nmero de personas, con un
costo total mnimo. cual es el costo total mnimo de publicidad?

MENOS DE MAS DE $500.000

$500.000
PERIODICOS 40 100
RADIO 50 25
 CAPITULO 5

TOPICOS AVANZADOS

5.1 INTRODUCCION
5.2 DEGENERACION EN PROGRAMACION LINEAL
5.3 METODO SIMPLEX GENERALIZADO
5.4 PROBLEMAS DE PROGRAMACION LINEAL CON VARIABLES
ACOTADAS
5.5 ALGORITMO DE DESCOMPOSICION

5.1 INTRODUCCION

Las cuatro unidades anteriores cubren los aspectos fundamentales del modelo de
programacin lineal. Pero este capitulo se presentan algunos tpicos avanzados
relacionados con la degeneracin en programacin lineal, as como algoritmos para
resolver problemas con estructuras especiales. Con el estudio de esta unidad
entonces, es complemento natural de un primer curso de investigacin de
operaciones para un estudiante de ingeniera.

5.2 DEGENERACION EN PROGRAMACION LINEAL

En el desarrollo del mtodo simple, hemos visto que si existe una solucin bsica
factible (pero no optima) al conjunto de restricciones y en ausencia de degeneracin,
es posible ir combinando sucesivamente un vector de la base y alcanzar una
solucin optima (o una indicacin de que la solucin no esta acotada) en un numero
finito de pasos.

Para la solucin de la degeneracin en programacin lineal existen dos mtodos

importantes: mtodo de perturbacin de charnes y mtodo simplex generalizado.

1. METODO DE PERTURBACION DE CHARNES

Se considera solamente la resolucin de un problema particular, considerando un

conjunto de problemas cuyos valores son modificados a un valor en particular.
Cuando los valores no se modifican el conjunto de problemas incluye el problema
original a resolver.
PASOS PARA OBTENER UNA SOLUCION DEGENREADA APARTIR DE LA
SOLUCION BASICA

Numeramos los vectores de tal manera que aquellos que conforman la matriz
identidad estn de primero.
Comenzando con una matriz identidad como base podemos obtener siempre
una solucin bsica inicial para el problema perturbado.
En algunos casos no es importante hallar el valor de E (dado por algunos libros como
el coeficiente que acompaa el resultado de la solucin factible), ya que no es
necesario en la practica porque requiere de mucho trabajo sin embargo es
importante ya que demuestra que cualquier valor entre 0 y Emax puede perturbar el
resultado de la solucin degenerada.

2. USO DE LA TECNICA DE PERTURBACION EN EL METODO SIMPLEX EN

FORMA TABULAR

Para aplicar la tcnica de perturbacin de Charnes con el mtodo tabular del

algoritmo simplex se resuelve de la misma forma que el mtodo simplex para realizar
el clculo de la SBF (solucin bsica factible).

En primer lugar consideramos las menores potencias de E porque los valores mas
pequeos son los que cuentan.

Claro esta que en el uso de la tcnica de perturbacin con el mtodo simplex en

forma tabular, debemos proveer las columnas para los vectores artificiales que se
requieran.

Veamos a continuacin un ejemplo ilustrativo del procedimiento para seleccionar el

vector que debe salir de la base y que asegurar que el ciclaje no ocurrir.

a1 a2 a3 a4 a5
V.B x1 x2 x3 x4 x5 b
Z 0 0 0 -4 -3 0
X1 1 0 0 2 4 2
X2 0 1 0 3 1 0
X3 0 0 1 4 2 0

En la primera iteracin el vector a4 entra a la base. Ahora bien, al dividir Xb/Yi4 se

tiene

Min {2/2;0/3;0/4}=0 (no es nico)

El vector que sale de la base esta unvocamente determinado, puesto que
XB2/Y24=XB3/Y34=0 nos movemos entonces a la primera columna y determinamos:

Y21/Y24 y Y31/Y34.

Y21/Y24=0/3=0
Y31/Y34=0/4=0

En ambos casos el coeficiente es cero. Tomemos entonces la columna de a2

(segunda columna) y calculamos Y22/Y24 y Y32/Y34, o sea:

Y22/Y24=1/3; Y32/Y34=0/4=0

En este caso se obtiene el coeficiente mnimo de cero.

Entonces sacamos de la base al vector a3. En otras palabras, la variable X4 entra y

sale X3. el elemento pivote es entonces Y34=4. la nueva tabla ser:

a1 a2 a3 a4 a5
V.B x1 x2 x3 x4 x5 b
Z 0 0 1 0 -1 0
X1 1 0 -1/2 0 3 2
X2 0 1 -3/4 0 -1/2 0
X3 0 0 1/4 1 0
Primera iteracin

Con una iteracin adicional obtenemos la solucin ptima. A partir de la informacin

dada en las tablas, vamos a mostrar la solucin correspondiente al problema
perturbado.

Para la primera tabla de acuerdo a la ecuacin

n+s
Xb(E) = Xb + E ^ (j)Yj
j=1
Tenemos:

XB1 (E) = 2 + E +2E^(4) +4E^(5)

XB2 (E) = 0 + E^(2) +3E^(4) +E^(5)
XB3 (E) = 0 + E^(3) +4E^(4) +2E^(5)
Z(E) = 0

Los nuevos valores XnBi(E) cuando se incorpora el vector a4 se obtiene la segunda

tabla y son los siguientes:

XnB1 (E) = 2 + E^(3) (1/2)E^(3) +3E^(5)

XnB2 (E) = E^(2) (3/4) E^(3) (1/2)E^(5)
XnB4 (E) = 1/4E^(3) + 4E^(4) +2E^(5)
ZN(E) = E^(3) + 4E^(4) + 2E^(5)

Para los valores pequeos de E los XBi(E) son positivos. A dems

ZN(E) > Z(E).

5.4 METODO SIMPLEX GENERALIZADO

Esta tcnica utiliza el concepto de vectores ordenados lexicogrficamente.

Un vector X es lexicogrficamente positivo (y se denota por X>0) y su primer

componente distinto de 0 es positivo. Dicho de otra manera, si examinamos el vector
X de izquierda a derecha y encontramos que la primera componente distinta de cero
es positiva, entonces el vector es lexicogrficamente positivo.

Seleccin del vector que entra en la base

El vector que entra en la base en cualquier iteracin se determina de la misma

manera que el mtodo simplex comn, de hecho es el mismo vector que entrara si
tratramos con la solucin bsica factible XB del problema original.

Seleccin del vector que sale de la base

Para determinar el vector que sale de la base podemos utilizar una generalizacin de
la formula usual;

{
XBr/Yrk = min XBi/Yik, Yik > 0 }
i
EJEMPLO
Utilicemos el mismo ejemplo anterior para mostrar la solucin obtenida utilizando el
mtodo simplex generalizado.

V.B x1 x2 x3 x4 x5 b
Z 0 0 0 -4 -3 0
X1 1 0 0 2 4 2
X2 0 1 0 3 1 0
X3 0 0 1 4 2 0
Z 0 0 1 0 -1 0
X1 1 0 -1/2 0 3 2
X2 0 1 -3/4 0 -1/2 0
X3 0 0 1/4 1 1/2 0

Para la tabla inicial

XB1=(2,1,0,0) XB2=(0,0,1,0) XB3=(0,0,0,1)

Z=(0,0,0,0)

Todos los vectores de las variables son lexicogrficamente positivos.

Para la segunda tabla se tiene

XBN1=(2,1,0,-1/2) XBN2=(0,0,1,-3/4) XBN=(0,0,0,-1/4)

ZN=(0,0,0,1)

Los nuevos vectores de las variables son tambin lexicogrficamente positivos y

adems ZN > Z.

5.4 PROBLEMAS DE PROGRAMACION LINEAL CON VARIABLES ACOTADAS

En un problema de programacin lineal, frecuentemente ocurre que un cierto numero

de restricciones sin de la forma: 0<Xj <uj o bien 0< lj<X. estos tipos de restricciones
se denominan restricciones de variables acotadas; en el primer tipo las variables
tienen cotas superiores y en el segundo tipo tienen cotas inferiores.

En un problema de programacin lineal donde el nmero de restricciones de

variables acotadas es pequeo, se puede aplicar directamente el mtodo simplex
convencional sin tener inconveniente con el crecimiento de la base. Sin embargo, si
este nmero de restricciones es grande, entonces el tamao de la base puede ser tal
que la aplicacin directa del mtodo simplex convencional resulte poco eficiente.

5.5 ALGORITMO DE DESCOMPOSICION

INTRODUCCION

Frecuentemente se presentan problemas de programacin lineal de gran tamao y

con una estructura especial, los cuales son computacionalmente imposibles de
resolver. Un ejemplo tpico ocurre cuando cada una de las actividades tiene el mismo
tiempo recursos propios y recursos compartidos con otras actividades.

A este tipo de problemas se les suele aplicar un procedimiento de descomposicin,

el cual consiste en dividir el problema original en subproblemas de ms fcil manejo
y luego resolver estos ltimos casi independientemente.

PRINCIPIO DE DESCOMPOSICION

Los problemas de programacin lineal con un gran numero de restricciones y una

estructura especial, son a menudo computacionalmente difciles de resolver, puesto
que el tiempo de de solucin se incrementa considerablemente con el numero de
restricciones.

Esto hace que sea conveniente utilizar el llamado principio de descomposicin, o

sea, dividir el problema original en un cierto nmero de subproblemas, resolver estos
ltimos casi independientemente y luego reunir las partes para obtener la solucin
optima.

ALGORITMO DE DESCOMPOSICION

Pasos:

1. reducir el problema original de la forma modificada en funcin de las nuevas

variables.
2. encontrar una SBF al problema modificado. A menudo es necesario utilizar la
tcnica de las variables artificiales.
3. para la iteracin en curso y para cada subproblema determine un valor optimo
utilizando la relacin:

Minimizar Wj = (CB R0 Aj Cj)Xj

Sujeto A: BjXj=bj
Xj0
Luego determine (punto optimo)=min{j} para todo j. si 0, la solucin presente es
optima; en el caso contrario vaya al paso 4.

4. introduzca la variable que sea de la solucin optima correspondiente a y

calcule B exp(-1). Vaya al paso 2.
 FUENTES DOCUMENTALES

DOCUMENTOS IMPRESOS:

THA, Hamdy A. Investigacin de operaciones. Editorial Alfaomega, 5 edicin 1.995.

EPPEN, Gould y Schimidt. Investigacin de operaciones en las Ciencias de Ingeniera.

Editorial Prentice may, 3 edicin

GALLAGHER, Watson. Mtodos Cuantitativos para la Toma de decisiones. Editorial

McGraw Hill

SHAMBLIN, James. Investigacin de Operaciones.

KAUFMANN , A. Faure R. Invitacin a la investigacin de operaciones. 7 edicin.

C:E:C:S:A

MARTHUR Y SOLOW. Investigacin de Operaciones. Editorial Prentice Hall.

SASIENI, Yaspan. Investigacin de operaciones. Mxico. Limusa.

BARROS,Oscar. Investigacin operativa anlisis de sistemas. Chile, Universitaria.

MORA, Jose Luis. Investigacin de operaciones e informtica. Editorial Trillas.

PRAWDA, Juan. Mtodos y Modelos de investigacin de operaciones. Editorial Limusa,

1.979. Tomo I

THIERAUF, Robert. Introduccin a la investigacin de operaciones. Editorial Limusa 1.982

HADLEY G. Linear Programming. Editorial Addison-Wesley. 1969

GASS, Saul I. Linear Programming. Methods and Applications. Editorial McGraw Hill. 1969.

Revistas:

ters & Industrial Engineering.

Computers & Operations Research.
IIE Solutions.
Industrial Engineering.
Industrial World en Espaol.
International Journal of Operations & Production Management.
Management Science.
 Manufacturing Engineering.
Mathematical Programming.
Mathematics of Operations Research.
Operations Research.

SOFTWARE EDUCATIVOS:

CPLEX
NETPLOW
OPTIMA
PAFO
SOCRATES
MATLAB
SIAM 2000
PIMAD

DIRECCIONES SITIOS WEB:

SUN W.
NASDAQ.
TODAS LAS DIRECCIONES QUE LLEVEN A INVESTIGACIN DE OPERACIONES.