DIRECCIÓN DE EDUCACIÓN ABIERTA Y A DISTANCIA Y VIRTUALIDAD

ADMINISTRACIÓN DE EMPRESAS

PROGRAMACIÓN LINEAL
MÓDULO EN REVISIÓN
CORPORACIÓN UNIVERSITARIA DEL CARIBE-CECAR
DIVISIÓN DE EDUCACIÓN ABIERTA Y A DISTANCIA

N
I Ó
V IS
RE

MÓDULO
PROGRAMACION LINEAL

SANTIAGO VERGARA NAVARRO

INGENIERO INDUSTRIAL

PROGRAMA DE ADMINISTRACIÓN DE EMPRESAS A DISTANCIA

2005
 3

CONTENIDO
Pág.

INTRODUCCION 7
PRIMERA UNIDAD 10
PRESENTACIÓN 11
OBJETIVOS 12

N
ATRÉVETE A OPINAR 13
ACCIONES PARA CONSTRUIR EL CONOCIMIENTO 14
1. MATRICES Y DETERMINANTES
1.1 ALGEBRA LINEAL
I Ó 15
15
IS
1.2 MATRIZ 15
1.3 CALCULO MATRICIAL 17
V

1.3.1 Suma y Resta 17

1.3.2 Producto de un Escalar por una Matriz 19
RE

1.3.3 Producto de Matrices 21

1.4 MATRICES ESPECIALES 26
1.4.1 Matriz Identidad (I) 26
14.2 Matriz Nula 27
1.4.3 Matriz Traspuesta 27
1.4.4 Matriz Fila 28
1.4.5 Matriz Columna 28
1.4.6 Matriz Inversa 29
1.5 DETERMINANTES 34
1.5.1 Determinantes de Segundo Orden 35
 4

1.5.2 Determinantes de Tercer Orden 36

1.5.3 Aplicaciones de los Determinantes 38
RESUMEN 43
AUTO EVALUACIÓN Nº 1 44
SEGUNDA UNIDAD 46
PRESENTACIÓN 47
OBJETIVOS 48

N
ATRÉVETE A OPINAR 49
ACCIONES PARA CONSTRUIR EL CONOCIMIENTO 50
2. PROGRAMACION
2.1 PROGRAMACIÓN LINEAL (P. L)
I Ó 51
51
IS
2.2 USOS DE LA PROGRAMACIÓN LINEAL 51
2.3 PLANTEAMIENTO DE PROBLEMAS DE P. L 52
V

2.3.1 Modelo de Maximización 52

2.3.2 Modelo de Minimización 53
RE

2.4 PROCEDIMIENTO PARA PLANTEAR PROBLEMAS 53

2.4.1 Entendimiento del Problema 54
2.4.2 Definición de Variables 54
2.4.3 Establecer la Función objetivo 54
2.4.4 Establecer las Restricciones 54
2.4.5 Establecer la no negatividad 54
EJEMPLOS 55
RESUMEN 66
AUTO EVALUACIÓN N0 2 67
GLOSARIO DE TERMINOS 72
 5

TERCERA UNIDAD 73
PRESENTACIÓN 74
OBJETIVOS 75
ATRÉVETE A OPINAR 76
ACCIONES PARA CONSTRUIR EL CONOCIMIENTO 77
3. METODOS DE SOLUCIÓN DE LA P. L 78
3.1 MÉTODO GRÁFICO 78

N
3.1.1 Procedimiento Gráfico 78
3.1.1.1 Convertir las desigualdades en igualdades 79
3.1.1.2 Hallar intersectos
3.1.1.3 Graficar cada Ecuación Lineal
I Ó 79
79
IS
3.1.1.4 Determinar el Area Común 79
3.1.1.5 Calcular el valor de la Función Objetivo 79
V

EJEMPLOS 80
3.2 MÉTODO SIMPLEX 90
RE

3.2.1 PROCEDIMIENTO SIMPLEX 90

3.2.1.1 Estandarizar el Modelo de P.L 91
3.2.1.2 Construir la Tabla Característica 91
3.2.1.3 Identificar la Variable que entra y la que sale 93
EJEMPLOS 94
RESUMEN 112
AUTO EVALUACIÓN Nº 3 113
GLOSARIO DE TERMINOS 115
CUARTA UNIDAD 117
PRESENTACIÓN 118
 6

OBJETIVOS 119
ATRÉVETE A OPINAR 120
ACCIONES PARA CONSTRUIR EL CONOCIMIENTO 121
4. EL PROBLEMA DUAL (P.D) 122
4.1 DUALIDAD 122
4.2 IMPORTANCIA TEÓRICA DE LA DUALIDAD 122
4.2.1 Relaciones entre el modelo Primal y el Dual 123

N
4.2.2 Relaciones entre la solución Dual y Primal 123
4.3 IMPORTANCIA COMPUTACIONAL DE LA DUALIDAD 124
EJEMPLOS
4.4 ANÁLISIS DE SENSIBILIDAD
I Ó 124
135
IS
EJEMPLOS 136
RESUMEN 142
V

AUTO EVALUACIÓN Nº 4 143

GLOSARIO DE TERMINOS 145
RE

BIBLIOGRAFÍA 146
EL AUTOR 147
 7

INTRODUCCION

El presente módulo recoge lo básico y necesario del Algebra y Programación

Lineal, ya que ésta se constituye, hoy día, en elemento esencial para la
formación matemática en los campos de la Ingeniería, Economía, Ciencias,
Administración y otras carreras afines; de allí, que con la motivación de la
experiencia adquirida como profesor universitario y la inquietud de entregar

N
una información inteligible para el lector con escasos conocimientos de la
asignatura, haya recurrido a un lenguaje simple y elemental, sin descuidar el
I Ó
aspecto teórico requerido por el lenguaje algebraico y la profundidad
necesaria para que los estudiantes adquieran los conocimientos y habilidades
IS
básicos para la solución de problemas en los que estén involucrados los
elementos matemáticos de matrices, sistemas de ecuaciones lineales y
V

modelos de programación lineal.

RE

Por todo lo anterior, inicialmente se induce al alumno en el estudio de los

elementos básicos del Algebra Lineal, con el propósito de suministrarle la
herramienta y técnica necesaria para la solución de modelos de Programación
Lineal, en los que intervienen racionalización de recursos y la consecución de
soluciones optimas (la mejor entre todas), que le permitan el desarrollo, la
concepción y el análisis respectivo de dichos problemas.

Desde esta concepción metodológica, se desarrolló el modulo del modo más

práctico posible para que sirva al mismo tiempo como elemento de consulta a
estudiantes de educación presencial; por lo que, en el desarrollo de los
 8

diferentes temas se aplica el método inductivo, es decir, se plantea el

problema particular y se ilustra su solución con los cálculos que por lo
general realiza un estudiante con escasos conocimientos algebraicos.

Este modulo está orientado de manea especial hacia el estudiante de

educación a distancia, quien no dispone de un profesor o de una buena
biblioteca permanente; por lo tanto, se recomienda su estudio en el mismo

N
orden establecido para cada unidad. Solo así podrá adquirirse un buen manejo
de los temas vistos en los capítulos anteriores y obtenerse una mejor
comprensión de los temas siguientes:
I Ó
IS
De allí que, al iniciar el estudio de cada unidad tenga en cuenta lo siguiente:

• Leer bien los objetivos de la unidad.

V

• Estudie con cuidado la información teórica de cada unidad, analícela y

RE

discútala con sus compañeros de clases.

• Desarrolle la evaluación presentada a final de cada unidad y en caso de

dudas verifique los resultados con sus compañeros y posteriormente con
su tutor.
 9

A CHAGUY ALBERTO, mi hijo y nueva

razón de ser. Que nuestra madre Naturaleza
nos de vida y salud para hacerte un hombre de

N
bien.

I Ó
IS
V
RE
 10

MATRICES Y
DETERMINANTES

N
Ó
I
IS
V
RE

Unidad 1
 11

PRESENTACION

Para poder solucionar modelos de programación lineal, se hace evidente

apropiarse de una herramienta algebraica necesaria para ser aplicada en las
técnicas de solución de dichos problemas o modelos, la cual es el estudio de
las matrices y determinantes el que proporciona esa herramienta, que necesita
ser mecanizada ya que, es cíclica o repetitiva en su accionar.

N
Ó
Es por todo esto, que estudiaremos las matrices y ciertas operaciones
definidas sobre ellas, así como el valor numérico correspondiente a cada una
I
IS
de ellas (determinante), para su posterior aplicación en la programación
lineal.
V
RE
 12

OBJETIVOS

1. Presentar en forma condensada los datos empresariales a través de

matrices.

2. Proveer la herramienta algebraica de las matrices y determinantes, para su

N
utilización en la solución de problemas de programación lineal.

I Ó
3. Verificar la utilidad de las matrices en la organización de carácter
estadístico, útil para la toma de decisiones empresariales.
V IS
RE
 13

ATREVETE A OPINAR

1. ¿Qué piensas que es el Algebra Lineal? Por favor defínela.

_______________________________________________
_______________________________________________
_______________________________________________
_______________________________________________
_______________________________________________

N
_______________________________________________

2. Ó
¿Qué entiendes por matriz?
I
_______________________________________________
IS
_______________________________________________
_______________________________________________
_______________________________________________
V

_______________________________________________
_______________________________________________
RE

3. ¿Qué conoces acerca de los determinantes?

_______________________________________________
_______________________________________________
_______________________________________________
_______________________________________________
_______________________________________________
_______________________________________________
 14
ACCIONES PARA
CONSTRUIR EL
CONOCIMIENTO

A continuación encontrará una serie de enunciados con cinco respuestas, de

las cuales una sola es verdadera. Marque con una X la que usted considere
correcta.

N
1. El valor de la expresión -3 – (-5) – 6, es:
a) -14 b) 2 c) 4 d) -4 e) 14
I Ó
2. El valor de X en la ecuación 1 – 7 = 3 – X, es:
IS
a) - 3 b) 3 c) 4 d) 6 e) - 9

3. La fracción generatriz de 0.25, es:

V

2 3 1 2 1
a) b) c) d) e)
RE

3 4 3 5 4

1 2 3
4. El valor de la expresión − + + (− ) , es:
5 3 2
15 31 30 12 1
a) b) − c) d) − e) −
2 30 31 15 10

1 3
5. El valor del cociente − / , es:
2 5
5 1 6 3 5
a) b) c) − d) − e) −
6 5 5 10 6
 15

UNID
1. MATRICES Y DETERMINANTES

1.1 ALGEBRA LINEAL: Es una herramienta o técnica algebraica utilizada

por la programación lineal (P.L) para darle solución a sus modelos.

N
1.2 MATRIZ: Se llama matriz a un conjunto de números, funciones o
ecuaciones ordenados en forma de filas horizontales y columnas

Ó
verticales, encerrados entre corchetes.
I
IS
Las matrices se denotan por medio de letras mayúsculas, como A, B, C, Z.
Forma general de una matriz:
V

a11 a12 a13 .... a1n

a 22 a 23 .... a3n
RE

a 21
a31 a32 a33 .... a3n
. . . .
. . . .
. . . .
am1 am2 am3 amn
mxn

Donde:
m: representa el número de filas.
n: representa el número de columnas.

Ejemplos de matrices:
 16

 1 0 − 5
 sen θ cos β 
A =  2 7 4  , B = tangβ
 c tgθ 
− 5 3 9 

 ( x − y = 0) (2 x + y = 3) 
C = (− x + 2 y = 1) (3 x − 2 y = −1)
 x + y = 7) (5 x + y = 4) 

El orden de una matriz viene dado por el número de filas y columnas y se le

anota en la parte inferior derecha, así:

N
 1 0 − 5 Fila 1
 sen θ cos β 
A =  2 7 4 
− 5 3 9 
3x3
Fila 2
Fila 3
I ;
Ó B=  
tangβ c tgθ  2 x 2
IS
Col 1
Col 2
Col 3
V

7 − 1 0 2 
 
RE

 
 
  2x4
3 5 − 4 8 

A los miembros de una matriz se les denomina elementos de la matriz y

ocupan un lugar específico e inamovible dentro de la matriz, especificado por
un subíndice en su parte inferior (ver forma general), así:

a 11 : Elemento ubicado en la intersección de la fila 1 con la columna 1.

a 12 : Elemento ubicado en la intersección de la fila 1 con la columna 2.
a 23 : Elemento ubicado en la intersección de la fila 2 con la columna 3.
 17

a mn : Elemento ubicado en la intersección de la fila m con la columna n.

Las matrices en éste módulo son esencialmente matrices reales. Es decir, sus
elementos son números reales y máximo poseerán orden 3 x 3.

1.3 CÁLCULO MATRICIAL (Operaciones con Matrices)

1.3.1 Suma y Resta

Sean las matrices A y B, se denota la suma y resta de ellas A + B y se define

N
así:

A= 
 a11 a12 

a 21 a 22
y B= 
I Ó
 b11 b12 

b 21 b 22
IS
 a11 a12   b11 b12   a11 ± b11 a12 ± b12 
Entonces. A + B =   + b 21 b 22 = a 21 ± b 21 a 22 ± b 22
 a 21 a 22     
V

Es decir, sumar o restar dos o más matrices, basta con sumar o restar sus
RE

elementos de posiciones similares.

La suma o resta de dos o más matrices de órdenes diferentes no está definida,

lo cual significa que la suma o resta de matrices está definida solamente para
matrices cuadradas (de igual orden).

Ejemplos:

 − 1 2  1 3
1) Sean A =  y B=  − 1 2
2 1   
Se pide: A + B = ?
 18

Solución:
− 1 2  1 3 − 1 + 1 2 + 3  0 5
A+B=  + = =
0 1  − 1 2  0 − 1 1 + 2  − 1 3

1  − 1
2) Si A =  − 3 y B =  3  , calcule A – B = ?
 
− 2  2 

 1  − 1 1 − (−1)  2 

N
Entonces: A – B =  − 3 −  3  =  − 3 − 3  = − 6
− 2  2   − 2 − 2  − 4

2 1 0 
3) Sean A = 4 0 − 1 y B =

I Ó
0
− 1
1
3 ; A + B = ?
IS

3 − 2 − 2  2 4
V

A + B: No está definida, ya que son matrices de órdenes diferentes.

RE

3 2 2 1 1 2
4) Sean A = 4 1  ; B = 4
 3 y C = 2
 0
6 2 6 2 1 4

Calcular:
a. A + B
b. A – B
c. B – A + C

Solución:
 19

3 2 2 1  5 3
a. A + B = 4 1 + 4
 3 =  8 4
6 2 6 2 12 4

3 2 2 1 1 1 
b. A – B = 4 1  - 4 3 = 0 − 2
6 2 6 2 0 0 

2 1  3 2  1 2  2 − 3 + 1 1− 2 + 2
c. B – A + C = 4 3 − 4 1  + 2 0 = 4 − 4 + 2 3 − 1 + 0 
6 2 6 2 1 4  6 − 6 + 1 2 − 2 + 4

N
0 1
B – A + C = 2 2
1 4
I Ó
IS
1.3.2 Producto de un Escalar por una Matriz
V

Al trabajar con matrices, los números suelen denominarse escalares. A menos

RE

que se especifique lo contrario, los escalares serán números reales. Se

multiplica una matriz A por un escalar K al multiplicar por K cada elemento
de A.

El producto de K por A se denota K.A y se define como otra matriz cuyos

elementos son los mismos de A multiplicados por K.
Ejemplos:
6 1 2 
1. Sea : A = 2 4 4  y K =
1
3
1 3 − 5
 20

Hallar K . A = ?

6 1 4  ( 3 ).(6) ( 3 ).(1) ( 3 ).(4)   2 

1 1 1 1 4
3 3 
K . A = .2 4 2  = ( 13 ).(2) ( 13 ).(4) ( 13 ).(2)  =  2 3
1 4 2 
3 3 
1 3 − 5  ( 1 ).(1) ( 1 ).(3) ( 1 ).(−5)  1
3
1 − 
5
 3 3 3   3 3

1 4 2 6 1 4
2. Sean X = 2 3 ; Y = 3
 4 y Z = 2 1 
6 2 1 2 0 2

N
Calcular:

a. 3 . Z -
1
2
.Y

1
I Ó
IS
b. –2.Y + 4.X - .Z
3
V

Solución:
1 4 2 6
RE

4
 1
a. 3.Z - .Y = 3. 2
1
1  − .3
2 2
0 2 1 2

3 12  1 3  2 9
   
3.Z - .Y = 6 3  −  3
1
2 =  9 1
2
0 6   1
2   2 
1  − 1 5
 2   2 

2 6 1 4 1 4
1
 1
b. –2.Y + 4.X - .Z = -2. 3 4 + 4.2

1
3 − .2
3 3
1 2 6 2 0 2
 21

16  13 4 
− 4 − 12  4
 3
–2.Y + 4.X - .Z = − 6 − 8  +  8 12 −  2
1 1 
3  3 3
2 
− 2 − 4  24 8   0
 3

4  1 3 4  − 1 8 
0  3  3 3
–2.Y + 4.X - .Z =  2 4 −  2
1 1 = 4 11 
3  3 3 3
2   22
3
10 
22 4  0
 3  3

N
1.3.3 Producto de Matrices

Ó
Por ser esta la operación más complicada con matrices, la explicaremos
directamente por medio de ejemplos, teniendo en cuenta que, para que el
I
IS
producto de matrices sea posible, se tiene que cumplir la siguiente condición:
El número de columnas de la primera matriz debe ser igual al número de filas
de la segunda matriz y el resultado poseerá las filas de la primera matriz y las
V

columnas de a segunda matriz.

RE

Simbólicamente: A mxn . B nxp = C mxp

Si es posible

Si: A 2 x 3 . B 3 x 4 = C 2 x 4
Si es posible

P3 x 4. Q4 x 2 = R3 x 2
Si es posible

Ejemplos:
 22

2 3 1 0
1. Sean A =   y B = 3 2 ; A . B = ?
4 1  
2 3 1 0  a11 a12 
A2 x 2 . B2 x 2 = C2 x 2 → A . B =  . =  ; nuestro
4 1 3 2 a 21 a 22
compromiso ahora es calcular los valores de a 11 , a 12 , a 21 , a 22 .
Cálculo de a 11 (1era fila de A por 1era columna de B):
por 1 2
por 3 9
⇒ a11 = 11

N
2 3 11

por
por
0
2
0
6
⇒ a12 = 6
I Ó
Calculamos ahora a 12 (1era fila de A por 2da columna de B):
IS
2 3 6

Cálculo de a 21 (2da fila de A por 1ra columna de B):

V

por 1 4
por 3 3
⇒ a21 = 7
RE

4 1 7

Cálculo de a 22 (2da fila de A por 2da columna de B):

por 0 0
por 2 2
⇒ a22 = 2
4 1 2

11 6
Entonces A.B =  
 7 2
Calculamos ahora B 2 x 2 . A 2 x 2 = D 2 x 2
Si es posible
 23

1 0 2 3  a11 a12 
B.A =  • = 
3 2 4 1 a 21 a 22

Cálculo de a 11 :
por 2 2
por 4 0
⇒ a11 = 2
1 0 2

Cálculo de a 12 :

N
por 3 3
1
1 0
por

Cálculo de a 21 :
0
3
⇒ a12 = 3
I Ó
IS
por 2 6
por 4 8
⇒ a21 = 14
V

3 2 14
RE

Cálculo de a 22 :
por 3 9
por 1 2
⇒ a22 = 11
3 2 11

2 3
Entonces: B.A =  
14 11
Con el ejemplo anterior hemos demostrado que:

A.B ≠ B. A
 24

− 1 3
 − 3 2
2. Sean A =  4 − 2 y B = − 4 1  ; calcular A.B.
 
 5 0 

Solución:
 a11 a12 
A3 x 2. B2 x 2 = C 3 x 2 = a 21 a 22
 a31 a32 
Si es posible

N
− 14 3  (−1)(−3) + 3(−4) (−1).2 + 3.1
  − 3 2 
A.B =  4 − 2 •  = 4.(−3) + (−2)(−4) 4.2 + (−2).1
− 4 1  
 5

 3 − 12
=  − 12 + 8
0  

− 2 + 3
8 − 2 
I Ó
 5(3) + 0(−4) 5.2 + 0.1 
IS
− 15 + 0 10 + 0 

 −9 1
V

Entonces A.B =  − 4 6 
− 15 10
RE

1 0 3 − 2 4 2  − 5 7 − 1

3.   • 1 0 0 =  
    
2 − 1 − 2 2 x 3  − 1 1 − 1 3 x 3  − 3 6 6  2 x 3

3 1 2
2 3 1 0 
3. Sean A =   ; B=   y C =  
4 1 3 2 0 4 3

Demostrar que: (A + B).C = A.C + B.C

 25

3 1 2
2 3 1 0   
(A + B).C =   +   •  
4 1 3 2 
0 4 3
3 1 2  9 15 15 
3 3   
(A + B).C =   •   =  
7 3 0 4 3 21 19 23
3 1 2  6 14 13
2 3  = 
A.C =   •   
4 1  Lo cual
 0 4 3 
  12 8 11 
queda

N
 3 1 2  3 1 2  demostrado.
1 0  = 
B.C =   •   
3 2    
 0 4 3  9 11 12

 6 14 13 3 1 2   9 15 15 
A.C + B.C =  +
 
I=
 
Ó 

IS
12 8 11 9 11 12 21 19 23
V

4. Encuentre los valores de a, b, c, en la siguiente ecuación matricial:

a b b c 4 a 
4•  = 2 •  − a 1 + 2 •  5 − a 
RE

 c −1    
Solución:
4a 4b   2b 2c   8 2a 
 4c − 4 = − 2a 2  + 10 − 2a 
     

4a 4b   2b + 8 2c + a 
 4c − 4 = − 2a + 10 2 − 2a 
   
De donde:
4a = 2b + 8 (1)
4b = 2c + a (2)
4c = −2a + 10 (3)

− 4 = 2 − 2a (4) ⇒ − 4 − 2 = −2a
 26

− 6 = −2a
−6
=a⇒ a=3 5
−2
Reemplazo (5) en (1): 4(3) = 2b + 8
12 = 2b + 8

12 − 8 = 2b
4
=b⇒ b=2
2

N
Reemplazo (5) en (3): 4c = −2(3) + 10
4c = −6 + 10

4c = 4 ⇒ c =
I 4
4
Ó
⇒ c =1
IS
1.4 MATRICES ESPECIALES
V

El estudio de las matrices especiales se limita a las más comúnmente usadas,

RE

para conocimiento del lector y para sus posibles aplicaciones futuras.

1.4.1 Matriz Identidad (I)

Es una matriz cuadrada (tiene el mismo número de filas y columnas) que

tiene su diagonal principal formada de unos (1) y ceros (0) en las demás
posiciones. Son ejemplos de matriz identidad las siguientes:
 27

1 0 0 0
1 0 0 0
1 0   1 0 0
0 1  ; 0 1 0  ;  ; …
  2x2 0 0 1 0
0 0 1 3 x 3  
0 0 0 1 4 x 4
Diagonal principal
La matriz identidad cumple con: Sea A una matriz cuadrada, entonces
A=A.

1.4.2 Matriz Nula

N
Es una matriz cuyos elementos son ceros.

0 0 
0 0 0 

0
[0] ;   ; 0 0 0 ; 0
0 0 

0 0 0 0
I Ó 0
0 ; …
0
IS
1.4.3 Matriz Traspuesta
V
RE

Sea A una matriz cualquiera (cuadrada o no), se llama traspuesta de A

y se denota At, a la matriz cuyas filas de A son las columnas de At o
cuyas columnas de A son las filas de At.

Ejemplos:
3 − 2  t  3 0
1. Sea A =  ⇒ A = 
0 1  2x2

− 2 1 2 x 2

1 − 3  1 5 7
2. Sea B = 5 2  ⇒ B =  
t
 
7 6  − 3 2 6 2 x 3
3x2
 28

0 3 − 1 0 5
3. Sea C =   ⇒ Ct = 3 2
 
5 2 8  2 x 3 − 1 8  3 x 2

4 2 1  4 7 0
4. Sea D = 7 10 − 6 ⇒ Dt = 2 10 5 
 
0 5 − 3 3 x 3 1 − 6 − 3 3x3

1.4.4 Matriz Fila

N
Es la matriz que posee una sola fila.

Ejemplos:
1. A = [6 − 2 0] 1 x 3
I Ó
IS
2. B = [0 5 − 1 4]1 x 4
3. C = [7]1 x 1
V
RE

1.4.5 Matriz Columna

Es la matriz que posee una sola columna.

Ejemplos:
 3
1. A =  
7  2 x 1

− 1
0
2. B =  
5
 
 4 4x1

3. C = [7]1 x 1
 29

1.4.6 Matriz Inversa

Es una matriz que tiene propiedades similares a las del inverso de un número.
1
Es decir, el inverso de 2 es o 2-1.
2

La inversa de una matriz A se denota A-1 y cumple con la propiedad: A-1.A =

A. A-1 = I.

N
Para obtener la inversa de una matriz A, pueden efectuarse operaciones con
sus filas (horizontales o verticales), teniendo en cuenta que: A = A.I.

Ó
Estas operaciones con las filas de A, son seleccionadas en forma arbitraria
(pero con lógica) para convertir la matriz A en una matriz identidad.
I
IS
Todas las matrices no tienen inversa. Solamente para una matriz cuadrada
puede definirse la inversa. Una matriz que no tiene inversa se denomina
V

matriz singular, una matriz A es singular si al efectuar operaciones con sus

RE

filas llegamos a una fila nula (todos sus elementos son ceros).

Si para una matriz existe una inversa, ésta es única.

Ejemplos:

Halle, si es posible, la inversa de las siguientes matrices:

 2 4
a. A =   , entonces para encontrar la inversa de A (A-1), se intenta
4 6
resolver la ecuación matricial A = A . I, para convertir la matriz A en una
matriz identidad. Pero en la ecuación A = A . I, vemos que A aparece a
 30

ambos lados de la igualdad, por tal motivo se omitirá el miembro izquierdo

de la misma para evitar operaciones dobles, por lo que nos limitaremos
solamente al miembro derecho: A.I.

Es de anotar que la matriz I que multiplica a A debe ser del mismo orden de
A.
 2 4 1 0 Fila 1
Entonces: A.I =   • 
 4 6  0 1  Fila 2

N
Ahora, aplicando operaciones elementales con las filas, se intenta cambiar el

1 2   1 0
I Ó
producto A.I en la forma I.A-1, como sigue:
IS
F1 y se obtiene
4 6 •  2 
   0 1 2 la nueva fila 1
V

1 2   1
-4f1 + f2 y se
0
0 − 2  •  2  obtiene la nueva
RE

  − 2 1 fila 2

F2
1 2  12 0  y se obtiene
0 1  •   −2
   1 − 12  la nueva fila 2

1 0 − 3 2 1  -2f2 + f1 y se
0 1  •   obtiene la nueva
   1 −1 
2 fila 1
 31

Como ya se convirtió a A en una matriz identidad, la matriz A es invertible y

su inversa es:

− 3 1 
A-1 =  2  , es decir, se cambió A.I por I.A-1.
 1 − 
1
2

1 4 6 
b. Sea B = 2 2 4 ; B-1 = ?

N
2 1 1 

1 4 6 1 0 0
Entonces: 2 2 4 • 0 1 0
I Ó
F1 = F1 Porque ya se tiene la unidad
IS
-2F1 + F2 Para obtener la nueva fila 2
2 1 1  0 0 1
-2F1 + F3 Para obtener la nueva fila 3
V

1 4 6   1 0 0 F2 Para obtener la nueva fila 2

0 − 6 − 8  •  − 2 1 0 
−6
RE

   
0 − 7 − 11 − 2 0 1
-4F*2N + F1 Para obtener la nueva fila 1

7F*2N + F3 Para obtener la nueva fila 3

1 0 2  − 1 2 0 * F*2N Para obtener la nueva fila 2

 3   3 3 
0 1 4 • 1 −1 0
 3   3 6 
− 5 1 −7 F3 −3
0 0 3   3 6 
1 = F3 Para obtener la nueva fila 3
−5 5
3
 32

−1
1 0 0  5
1 2  −4 * Para obtener la fila 2
5 5  F 3N + F2
0 1 0  •  3 − 11 4  3
  5 10 5
0 0 1 − 1 7 − 3  −2 *
 5 10 5 F 3N + F1 Para obtener la nueva fila 1
3

− 1 1 2 
 5 5 5 
Entonces B-1 =  35 − 1110 4 5 
 − 3 
− 15 7
10 5

N
c. Demuestre que la siguiente matriz no tiene inversa.

1 2 0
A =  3 − 1 2

I Ó
IS
− 2 3 2

Solución:
V

-3F1 + F2 para obtener la nueva fila 2

1 2 0  1 0 0 
A.I =  3 − 1 2  • 0 1 0

RE

2F1 + F3 para obtener la nueva fila 3

− 2 3 − 2 0 0 1

1 2 0   1 0 0 F2
Para obtener la nueva fila 2
0 − 7 2  •  − 3 1 0  −7
   
0 7 − 2  2 0 1
F2 + F1 para obtener la nueva fila 3

-2F*2N + F1 para obtener la nueva fila 1

1 0 4   1 2 0
 7   7 7 
0 1 − 2 7  •  3 7 − 17 0
   
0 0 0  −1 1 1
  
 33

Observe que al sumar el segundo y tercer renglón, se obtiene un renglón de

ceros en el lado izquierdo del producto A.I. Debido a esto, se concluye que
no es posible reescribir A.I en la forma I.A-1. Esto significa que A no tiene
inversa, es decir, es una matriz SINGULAR.

Las inversas anteriormente calculadas, se pueden comprobar por medio de la

propiedad: A.A-1 = I.

N
1 1 − 6
d. Hallar si es posible, la inversa de la traspuesta de A = − 1 0 2 


 1 −1 0 
Solución: A =  1 0 − 1
I Ó  0 − 1 3 
IS
t

− 6 2 3 
V

 1 − 1 0  1 0 0 -F1 + F2 para obtener la fila nueva F2

Entonces: A .I =  1 0 − 1 • 0 1 0
t
6F1 + F3 para obtener la nueva fila F3
RE

− 6 2 3  0 0 1

1 − 1 − 0  1 0 0
0 1 − 1  •  − 1 1 0  F2 + F1 para obtener la nueva F1
   
0 − 4 3   6 0 1 4F2 + F3 para obtener la nueva F3

1 0 − 1  0 1 0 -1F3 para obtener la nueva F3

0 1 − 1 • − 1 1 0 -F3 + F2 para obtener la nueva F2
    -F3 + F1 para obtener la nueva F1
0 0 − 1  2 4 1
 34

1 0 0 − 2 − 3 − 1 − 2 − 3 − 1
0 1 0 •  − 3 − 3 − 1 ; entonces: (At)-1 =  − 3 − 3 − 1
     
0 0 1 − 2 − 4 − 1 − 2 − 4 − 1

1.5 DETERMINANTES

A toda matriz cuadrada le corresponde un valor numérico como resultado de

unas operaciones realizadas con sus diagonales, así:

N
Ó
Sumatoria de los productos de las diagonales principales menos sumatoria de
los productos de las diagonales secundarias, igual a un valor numérico.
I
IS
A este valor numérico es lo que se conoce como determinante de una matriz.
El determinante de una matriz A es la misma matriz A, pero encerrada entre
V

barras verticales en vez de corchetes y se denota así: det. A; ∆ A o A .

RE

En este módulo se utilizará A .

Entonces:
 a11 a12 a13  a11 a12 a13
 
Si A = a 21 a 22 a 23 ⇒ A = a 21 a 22 a 23 = Valor Numérico.
 a31 a32 a33 a31 a32 a33

En el presente módulo se estudiarán los determinantes de segundo y tercer

orden, a saber:
 35

1.5.1 Determinantes de Segundo Orden

Son aquellos que poseen dos productos de dos elementos cada uno, uno
positivo (el de su diagonal principal) y el otro negativo (el de su diagonal
secundaria), así:

 a11 a12  a11 a12

Sea A =   ⇒ A = a 21 a 22 = a 11 .a 22 – a 12 .a 21
a 21 a 22

N
Diagonal Diagonal
secundaria Primaria

 2 2 0 3
Ó
Ejemplos: calcular el determinante de las siguientes matrices:
I
2 4 
IS
a) A =   ; b) B =   ; c) C =  
 − 1 4  2 4 1 − 3
V

Solución:

2 2
RE

2 2
a. A =   ⇒ A = − 1 4 = 2 x 4 − (2).(−1) = 8 + 2 = 10
 − 1 4

0 3 0 3
b. B =   ⇒ B = 2 4 = 0 x 4 − (3 x 2) = 0 − 6 = −6
 2 4

2 4 2 4
c. C =   ⇒ C = 1 − 3 = 2(−3) − (4 x1) = −6 − 4 = −10
1 − 3
 36

1.5.2 Determinantes de Tercer Orden

Son aquellos que poseen seis productos de tres elementos cada uno, tres
positivos (el de sus diagonales principales) y tres negativos (el de sus
diagonales secundarias).

Para calcular el determinante de una matriz A 3 x 3 , se agregan la primera y la

N
segunda columna o filas de A para formar las columnas o filas cuarta y
quinta. Luego, el determinante de A se obtiene al sumar (o restar) los
productos de sus seis diagonales, como se muestra:

 a11 a12 a13 

I Ó
IS
Sea A = a 21 a 22 a 23 ; agregamos la 1ra y 2da filas
 a31 a32 a33
V

 a11 a13 
RE

a12
 a11 a12 a13  a 21
 a 22 a 23
⇒ A = a 21 a 22 a 23 =  a31 a32 a33
 a31 a32 a33  a11 a12 a13 
a 21
 a 22 a 23
Diagonales Diagonales
secundarias Primarias

A =a 11 .a 22 .a 33 + a 21 .a 32 .a 13 + a 31 .a 12 .a 23 – (a 13 .a 22 .a 31 + a 23 .a 32 .a 11 +

a 33 .a 12 .a 21 )
Sumatoria de los productos de las diagonales principales Sumatoria de los productos de las diagonales secundarias
 37

Lo anterior también es posible agregando la 1era y 2da columnas, como se

muestra a continuación:

 a11 a12 a13   a11 a12 a13 a11 a12 

A = a 21 a 22 a 23 ⇒ A = a 21 a 22 a 23 a 21 a 22
 
 a31 a32 a33  a31 a32 a33 a31 a32 

Diagonales Diagonales
secundarias primarias

N
A = a 13 .a 21 .a 32 + a 12 .a 23 .a 31 + a 11 .a 22 .a 33 – (a 13 .a 22 .a 31 + a 11 .a 23 .a 32 +

a 12 .a 21 .a 33 )
I Ó
Como puede observarse, se llega al mismo resultado; por lo que es
IS
indiferente el método que se utilice, de allí que el lector escogerá el que
mejor le parezca.
V

Ejemplos: calcular los determinantes de:

RE

0 2 1
0 2 1  3 − 1
 2
 
a. A = 3 − 1 2 ⇒ A = 4 − 4 1  = 0 − 12 + 16 − (−4 + 0 + 6)
4 − 4 1  0 2 1
3 − 1 2
 

A = 4 − (2) = 4 − 2 = 2

 0 − 2 5
 0 − 2 5 1
 3 7 
 
b. B =  1 3 7 ⇒ B = − 6 4 2 = 0 + 20 + 84 − (−90 + 0 − 4)
− 6 4 2  0 − 2 5
1
 3 7 
 38

B = 104 − (94) = 104 + 94 = 198

1 1 − 2
 3 
1 1 − 2  1 −1 0
 3  1 1
c. C =  1 − 1 0  ⇒ C =  1 − 14 1  = − + + 0 − (2 + 0 + 1)
  3 2
1 −1 1   1 1 − 2 
 4 
 3 −1 0 
1

N
1 1 17
C = − (3) = − 3 = −
6 6 6

Ó
Es de anotar que, si el determinante de una matriz A es cero, quiere esto decir
que A es una matriz singular, o sea que no posee inversa.
I
IS
1.5.3 Aplicaciones de los Determinantes
V

Históricamente, el uso de los determinantes surgió de la identificación de

RE

patrones especiales que ocurren en la solución de sistemas de ecuaciones

lineales.

Para resolver un sistema de dos o tres ecuaciones con dos o tres incógnitas
por determinantes, se aplica la regla de KRAMER, que dice: “El valor de
cada incógnita es una fracción, cuyo denominador es el determinante
formado con los coeficientes de las incógnitas (determinante del sistema: S )

y cuyo numerador es el determinante que se obtiene sustituyendo en el

determinante del sistema, la columna de los coeficientes de la incógnita que
 39

se halla, por la columna de los términos independientes de las ecuaciones

dadas”.

Ejemplos: Resolver los siguientes sistemas, aplicando determinantes:

2 4
1. 2 x + 4Y = 6 ⇒ S = = 2(−2) − 4 x1 = −4 − 4 = −8
1 −2
X − 2Y = 2
S = −8

N
6 4
2 − 2 − 12 − 8 − 20 5
X = = = = ⇒ X =5
−8 −8 −8 2

Y =
2 6
1 2 4−6 −2 1
= = = ⇒
2
I Y =1
Ó
IS
−8 −8 −8 4 4

2. 2 X + 6Y = 20
V
RE

2 6 0 
 2 6 0  0 1 1 
 
Y + Z = 5 ⇒ S = 0 1 1  = 1 0 − 1 = −2 + 0 + 6 − (0 + 0 + 0)
2 6 0
1 0 − 1 
X − Z =-1 0 1 1 
 

S =4

 20 6 0
5
 1 1
− 1 0 1
 20 6 0
5
 1 1 − 20 + 0 − 6 − (0 + 0 − 30) − 26 + 30 4
X = = = =
4 4 4 4
 40

X =1

2 20 0 
0 5 1 
 
1 − 1 − 1
2 20 0 
0 5 1 
  = − 10 + 0 + 20 − (0 − 2 + 0) = 10 + 2 = 12 = Y
4 4 4 4
Y =3

N
2 6 20 
0

1
2
0
1 5 
0 − 1
6 20 
I Ó
1 5  − 2 + 0 + 30 − (20 + 0 + 0) 28 − 20 8
IS
 = = = =Z
4 4 4 4
V

Z =2
RE

1
3. X + Y = 2Z + 3
3

X −Y =1
1
X + Y = .Y + 11
4
Como el sistema no está preparado, hay que prepararlo, así:
1
X + Y − 2Z = 3
3
 41

1 1 − 2
 3 
1 1 − 2  1 −1 0
 3  1 1
X −Y =1⇒ S =  1 −1 0 =1 −1 1  = − + + 0 − (2 + 0 + 1)
 4  3 2
1 
X − Y + Z = 11  1 −1 1  1 1 − 2 
4 
4  3 −1 0 
1
1 17
S = −3⇒ S = −
6 6

3 1 − 2
1 0 

N
 −1
11 − 14 1 
3 − 2

X =

 1
1
−1
− 17
6

=
1

− 17
I
6
Ó
0  − 3 + 2 + 0 − (22 + 0 + 1)
−5
= 2
− 23 −
− 17
6
= 2
51

− 17
6
IS
X =9
V
RE

1 3 − 2
 3 
1 1 0
 1 11 1 
1 3 − 2
 3  1 − 65 − 68
 1 1 0  3 − 22 + 0 − (−2 + 0 + 3) −1
Y = = = 3 = 3
− 17 − 17 − 17 − 17
6
6 6 6
1
Y =8 ; en la ecuación: X + Z = Y + 11 , remplazo Y = 8 y X = 9 , entonces:
4
1
9+Z = (8) + 11 ⇒ Z = 2 + 11 − 9
4

Z =4
 42

4. Cuales serán los valores de x, para que:

( X − 1) −4
=0
−2 ( X + 1)

Solución:
( X − 1) − 4
= ( X − 1).( X + 1) − (−4).(−2) = 0
−2 ( X +)

N
−1− 8 = 0
2
x
x
I 2
−9 = 0

x
2
Ó
=9
IS
x =± 9

x = ±.3
TALLE
V
RE
 43

RESUMEN

 Una matriz de m x n es un arreglo rectangular de mn números

N
arreglados en m filas y n comunas.

una matriz de m x p.
I Ó
 Sea A una matriz de m x n y B una matriz de n x p, entonces A x b es
IS
 Si A es una matriz de n x m, B es de m x p y C es de p x q, entonces A
x (B x C) = (A x B) x C y tanto B x C como A x B son matrices de n x
V

q.
RE

 Si todos los productos están definidos, entonces:

A x (B + C) = A x B + A x C y (A + B) x C = A x C + B x C

a a 
 El determinante de una matriz A 2x2 =  11 12  está dado por:
a21 a22 

A = a 11 a 22 – a 12 a 21

 a11 a12 a13 

 El determinante de una matriz A 3x3 = a21 a22 a23  está dado por.
 a31 a32 a33 
 44

a22 a23 a a a a
a 11 − a12 21 23 + a13 21 22
a32 a33 a31 a33 a31 a32

AUTOEVALUACION No 1

N
1) Demuestre que B es la inversa de A:
− 4 −5 1
 − 2 2 3  3 3 
a. A =  0 − 1 0 ; B =
 0 1 4
I − 4
 3
−8
 13 23
3 Ó
1

0

IS
1 − 1  3 1 
b. A =   5 5
 ; B=
2 3  − 2 5 1 
5

V

d a 1 1
RE

2) Sean A =   y B = − 1 1 ; cuales son los valores de a, b, c y d,

b c   
para que A.B = B.A.

3) Resolver el siguiente sistema aplicando determinantes:

X Y Z
− + =1
3 4 4
X Y
+ −Z =1
6 2
X Y Z
− − =0
2 8 2
 45

3 3 6
4) Sea: A = 6 0 3 ; demuestre que [ A] = At
9 − 3 3

5) Calcular la matriz A en la siguiente ecuación matricial:

  2 3 4  3 4 0

N
 
-4  A +  0 1 0  = − A1 5 2
  1 
  2
 
 − 1 0 2 
  3 7 1

I Ó
6) Calcular, si es posible, la inversa de:
IS
 2 1 3
 2 0 4
V

 
4 1 7 
RE
 46

PROGRAMACION

N
ÓI
IS
V
RE
 47

Unidad 2
PRESENTACION

N
Ó
Los conocimientos contenidos en el presente capitulo hacen posible la
formulación de unos modelos a través de los cuales, el administrador puede
I
lograr una mayor eficiencia y un mejor sistema productivo en el mundo
IS
empresarial moderno; sobre todo, cuando deba tomar decisiones que
involucren racionalización de recursos para determinar así, el mejor curso de
V

acción de un problema empresarial.

RE

Para la buena comprensión de este tema se hace necesario que el alumno

diferencie lenguaje coloquial de lenguaje algebraico y sepa expresar
oraciones en forma de lenguaje coloquial a expresiones en forma de lenguaje
algebraico.
 48

OBJETIVOS

N
 Analizar situaciones reales en las que, relaciones entre actividades,
requerimientos de recursos y la contribución al objetivo revistan
carácter lineal. I Ó
IS
 Diseñar un modelo simbólico de un problema cuyo enunciado se
suministre.
V

 Diferenciar entre disponibilidad y requerimiento, para la asignación y

RE

distribución de recursos limitados.

 49

ATREVETE A OPINAR

N
1.
¿Qué entiendes por Programación Lineal?

Ó
______________________________________________
______________________________________________
I
______________________________________________
IS
______________________________________________
______________________________________________
______________________________________________
V
RE

2.
¿En qué campos crees que se ha utilizado la P. L.?

______________________________________________
______________________________________________
______________________________________________
______________________________________________
______________________________________________
______________________________________________

3. ¿Qué entiendes por Maximizar y por Minimizar?

______________________________________________
______________________________________________
______________________________________________
______________________________________________
______________________________________________
______________________________________________
 50

ACCIONES PARA
CONSTRUIR EL
CONOCIMIENTO

N
Ó
A continuación encontrarás 5 expresiones en forma de lenguaje coloquial
(palabras), por favor exprésalas en forma de lenguaje algebraico (ecuaciones
o inecuaciones):
I
IS
EXPRESIONES MATEMATICAS
V

EN FORMA DE LENGUAJE EN FORMA DE LENGUAJE

COLOQUIAL ALGEBRAICO
RE

El doble de un número es catorce.

La mitad de un número más su triplo no debe
exceder a cinco.
El quíntuplo de un número es dieciséis menos
el mismo número.
El triplo de un número más el doble de otro, al
menos es ocho.
La mitad de un número menos la quinta parte
de otro, no debe ser mayor que dos.
 51

UNID

N
2. PROGRAMACIÓN
2.1 PROGRAMACIÓN LINEAL (P. L.)
I Ó
La palabra programación es un sinónimo de planeación y el adjetivo lineal
significa que todas las funciones matemáticas que se van a trabajar, son
IS
funciones lineales, es decir, que las variables tendrán como exponente la
unidad.
V
RE

La Programación Lineal trata la planeación de las actividades de un

organismo social para obtener un resultado optimo, esto es, el mejor entre
muchos; así, la programación lineal es una técnica matemática cuyo objetivo
es la determinación de soluciones optimas a los problemas económicos en los
que intervienen recursos limitados.

2.2 USOS DE LA PROGRAMACIÓN LINEAL

La Programación Lineal ha sido empleada con mucho éxito en variados
campos, a saber:
• En la industria de alimentos, para la obtención de mezclas optimas de
productos con requerimiento de un mínimo de elementos nutritivos.
 52

• En la industria química para efectos de control de la producción.

• En la industria metalúrgica, para la planificación de la producción y
transporte.
• En finanzas para la toma de decisiones.
2.3 PLANTEAMIENTO DE PROBLEMAS DE P. L.

Plantear un problema de Programación Lineal, implica llevar expresiones

matemáticas en forma de lenguaje coloquial a expresiones matemáticas en

N
forma de lenguaje algebraico.

Ó
Los problemas que se pueden presentar dentro de la Programación Lineal son
I
IS
de maximización de utilidades o de minimización de costos. La forma
general de los modelos de problemas de Programación Lineal son:
V

2.3.1 Modelo de Maximización

RE

Objetivo a lograr {Max.Z =C 1. X 1+C 2 . X 2+...C n . X n

 a11 x1 + a12 x 2 +...a1n x n ≤b1

 a x + a x +...a x ≤b
Sujeciones o limitantes del objetivo  21 1 22 2 2n n 2


a m1 x1 + a m 2 x 2 +... + a mn x n ≤b n

Condición de no negatividad {X 1= X 2= ... X n≥ 0

Donde:
Z: Función objetivo que se pretende maximizar.
C 1,C 2 ...C n : Coeficientes de utilidades o ganancias o ventas
 53

X 1, X 2... X n: Variables básicas de trabajo.

a11 ,a12 ...a mn : Coeficientes de usos de recursos.

b1 ,b 2 ...b n : Disponibilidad de recursos limitados (términos independientes).

2.3.2 Modelo de Minimización

Mín. Z = C 1. X 1+C 2 . X 2+...C n . X n

N
Sujeto a: a11 .x1 + a12 .x 2 +.... + a1n .x n ≥b1

a12 .x1 + a 22 x 2 +.... + a 2 n .x n ≥b 2

.
.
I.
.
Ó .
.
IS
. . .
a m1 .x1 + a m 2 .x 2 +... + a mn ≥b n
V

X 1= X 2= ... X n≥ 0
RE

Donde:

Z: Función que se pretende minimizar.

C 1,C 2 ...C n : Coeficientes de costos o gastos.

X 1, X 2... X n: Variables básicas de trabajo.

a11 ,a12 ...a mn : Coeficientes de usos de recursos.

b1 ,b 2 ...b n : Disponibilidad de recursos limitados (términos independientes).

2.4 PROCEDIMIENTO PARA PLANTEAR PROBLEMAS

 54

Para plantear modelos de problemas de programación lineal, se sugieren los

siguientes pasos:

2.4.1 Entendimiento del problema

Significa hacerse a una idea clara de lo que se quiere, es decir, identificar con
exactitud si se trata de un problema de maximización o minimización; lo cual

N
se logra leyendo bien el enunciado (releerlo sí es necesario).

2.4.2 Definición de variablesI Ó

IS
Significa que, hay que definir en forma clara y precisa las variables de
trabajo o variables físicas (tantas como sean necesarias o el problema
V

amerite).
RE

2.4.3 Establecer la función objetivo

Significa plantear en forma de ecuación, el objetivo que se desea alcanzar

(con las variables definidas y los coeficientes de costos o ganancias dados).

2.4.4 Establecer las restricciones

Significa formular las limitantes a que va ha estar sujeta la función objetivo,

teniendo en cuenta el uso y la disponibilidad de recursos (pueden ser
desigualdades o igualdades).
 55

2.4.5 Establecer la no negatividad

Significa darle el sentido de positividad a todas las variables que se tengan

que trabajar, es decir, que todas sean mayores o iguales que cero ( ≥ 0 ).
Si el lector sigue la anterior metodología para formular modelos de
programación lineal, lo más probable es que se le dificulte menos el
planteamiento de los mismos, ya que, no existe una formula matemática para
establecer tales problemas; de allí que no sea tarea fácil el plantear dichos

N
modelos, porque ningún caso se parece a otro.

Ejemplos I Ó
IS
1. Un camión puede transportar dos clases de artículos, A y B. Por cada
unidad de A que transporte recibe $1500 y por cada unidad de B, $2000.
V

El camión tiene una capacidad de 12m 3 y puede transportar carga que no

exceda las 16 toneladas. Los volúmenes de A y B son respectivamente 2 y
RE

3m 3 . Los pesos unitarios de A y B son 4 y 3 toneladas respectivamente.

Plantear el anterior problema como un modelo de programación lineal.

Solución:

Paso a: Entendimiento: El propietario del camión desea maximizar sus

ganancias. Lo cual está implícito en el hecho de que el enunciado da los
ingresos por cada tipo de artículo que se transporte.
Paso b: Definición de variables
 56

Como son dos los tipos de artículos a transportar, serán dos las variables a
definir, así:
Sean: X 1: Número de artículos del tipo A a transportar.

X 2: Número de artículos del tipo B a transportar.

Paso c: Establecer la función objetivo

Máx. Z = 1500 X 1 + 2000 X 2

N
Paso d: Establecer las restricciones
• De capacidad : 2 X 1+3 X 2≤ 12
• De pesos: I Ó
4 X 1+3 X 2≤ 16
IS
Paso e: Establecer la no negatividad
X 1= X 2≥ 0
V

2. El hospital Regional de Sincelejo está tratando de determinar el número

RE

de comidas de pescado y de res que debe servir durante el mes venidero.

El hospital necesita una comida para cada uno de los 30 días. Las comidas
de pescado cuestan $200 cada una y las de res $250 cada una. Ambas
comidas cumplen con las necesidades de proteínas. Si se juzga el sabor en
una escala de 1 a 10, el pescado obtiene un 5 y la res un 9.

El hospital quiere alcanzar en el mes por lo menos 200 puntos en el sabor.

Los requerimientos totales de vitaminas en le mes deben ser por lo menos
300 unidades, de las cuales la comida de pescado proporciona 8 unidades
y la de res 12 unidades.
 57

Plantee como un modelo de programación lineal.

Solución
Entendimiento: Lo que pretende el hospital es minimizar los costos, ya
que, el problema otorga coeficientes de los gastos de cada
comida.

N
Definición de variables: Al ser dos tipos de comida, serán dos las variables a
utilizar, así:

Sean:
I Ó
X 1: Número de comidas de pescado a servir durante el
IS
mes venidero.
X 2: Número de comidas de res a servir durante el mes
V

venidero.
RE

Función objetivo: Mín. Z = 200 X 1+250 X 2

Restricciones: s.a.: 5 X 1+9 X 2≥ 200 (sabor)

8 X 1+12 X 2≥ 300 (Vitaminas)

X 1 + X 2 = 30 (total de comidas servidas al mes)

No negatividad: X 1= X 2 ≥ 0

3. La asociación de estudiantes de CECAR dispone de $100.000 y ha

pensado invertir en dos negocios. El primero la reporta una utilidad de
$25 mensuales y el segundo $40 mensuales, por cada $ 100 invertidos.
Debido aciertas condiciones impuestas por la asamblea de socios, se debe
 58

invertir al menos el 25% del capital en el primer negocio y no más del

50% en el segundo. Además, la cantidad invertida en este último no debe
ser mayor a 3/2 veces la cantidad invertida en el primer negocio.
Plantear el problema como un modelo de programación lineal.
Solución

Sean: X 1: Cantidad de dinero a invertir en el primer negocio.

X 2: Cantidad de dinero a invertir en el segundo negocio.

N
25 40
Máx. Z = X 1+ X2
100 100
Ó
Máx. Z:
Ó
1
4
2
X 1+ X 2
5
I Ó
IS
Máx. Z: 0.25 X 1+0.40 X 2
S.a.: X 1 + X 2 ≤ 100.000
V

X1 ≥ 25.000
RE

X2 ≤ 50.000
3
X2 ≤ X1 ó
2
−3
X1+ X2 ≤ 0
2
X1 = X2 ≥ 0

4. Se tienen dos centros de sacrificios de reces, uno en Valledupar y otro en

Montería. Existen tres centros de consumo: Bucaramanga, Medellín y
Barranquilla.
 59

La siguiente tabla muestra los costos de transportar una tonelada de carne

desde cada centro de sacrificio hasta cada centro de consumo. Formule un
modelo de programación lineal que permita determinar cuanta carne debe
enviarse desde cada centro de sacrificio hasta cada centro de consumo.

C. Consumo 1 2 3 Disp

C. Sacrificio
B /Manga M/dellín B/quilla (Ton)

N
$1.500 $950 1.300
Valledupar (1) $800

Montería (2) $1.900

I Ó$750 $1.300 3.000
IS
Req. (Ton) 1.000 700 600

Solución
V

X 11 : Toneladas de carne a enviar desde Valledupar a Bucaramanga.

RE

X 12 : Toneladas de carne a enviar desde Valledupar a Medellín.

X 13 : Toneladas de carne a enviar desde Valledupar a Barranquilla.
X 21 : Toneladas de carne a enviar desde Montería a Bucaramanga.
X 22 : Toneladas de carne a enviar desde Montería a Medellín.
X 23 : Toneladas de carne a enviar desde Montería a Barranquilla.

O bien:
X i , j : Toneladas de carne a enviar desde el centro de sacrificio i al centro de

consumo j .
Donde: i : 1,2
j : 1,2,3

Mín. Z = 800 X 11+1500 X 12+950 X 13+1900 X 21+750 X 22+300 X 23

 60

s.a: X 11+ X 12+ X 13 ≤ 1.300

X 21+ X 22+ X 23 ≤ 3.000

X 11 + X 21 ≤ 1.000

X 12+ X 22 ≤ 700
X 13+ X 23 ≤ 600
X 11= X 12= X 13= X 21= X 22= X 23≥ 0

O bien: X i , j≥ 0

N
Donde: i : 1,2
j : 1,2,3
I Ó
IS
5. Una empresa produce dos artículos, A y B. La elaboración de una unidad
de A requiere $20 de mano de obra y cada unidad de B requiere $10. La
V

materia prima requerida es de $100 y $300 respectivamente para A y B.

La depreciación del equipo es proporcional al volumen de producción y se
RE

ha estimado en $5 por cada unidad de A y $1 por cada unidad de B. Se

cuenta con una disponibilidad de $ 1.000.000 para salarios del periodo,
$1.800.000 para materia prima y no se permite que el desgaste del
equipo supere los $100.000. Respecto a las utilidades no hay certeza, se
espera que estos sean:
Utilidad de A Utilidad de B Probabilidad
$8 $5 0.50
$5 $6 0.25
$7 $7 0.25
Formule el anterior problema como un modelo de programación lineal

Solución
 61

X 1 : Cantidad de artículos de tipo A a producir durante el periodo.

X 2 : Cantidad de artículos de tipo B a producir durante el periodo.

Máx. Z = (0.5 x8 + 0.25 x5 + 0.25 x7 ) . X 1 + (0.5 x5 + 0.25 x6 + 0.25 x7 ) . X 2

Máx. Z = 7 X 1 + 5,75 x 2
s.a: 20X 1+ 10X 2 ≤ 1.000.000

100X 1+ 300X 2 ≤ 1.800.000

5X 1+ X2 ≤ 100.000

N
X 1= X 2≥ 0

Ó
6. Una compañía tiene tres tipos de maquinas procesadoras, cada una de
I
IS
diferente velocidad y exactitud. La maquina tipo I puede procesar
20piezas/hora, con una precisión de 99%; la tipo II, 15piezas/hora, con
V

una precisión de 95%, y la tipo III, 10piezas/hora, con una precisión del
100%. El funcionamiento de la tipo I cuesta $2/hora; el de la tipo II,
RE

$1.75/hora y el de la tipo III, $1.50/hora. Cada día (8horas) deben

procesarse por lo menos 3500 piezas buenas y hay disponibles 8 maquinas
tipo I; 10 tipo II y 20 tipo III. Cada error le cuesta $1 a la compañía.

Formular como un modelo de programación lineal.

Solución

Cálculos:
• Costo por hora, a partir del funcionamiento de cada maquina,
incluyendo costos por errores:
Tipo I: $2 + 20 (0.01) ($1) = $2.2
 62

Tipo II: $1.75 + 15 (0.05) ($1) = $2.5

Tipo III: $1.50 + 10 (0) ($1) = $1.5
• Cantidad de piezas buenas que produce cada maquina por hora:
Tipo I: 20 (0.99) = 19.8 piezas buenas/hora
Tipo II: 15 (0.95) = 14.25 piezas buenas/hora
Tipo III: 10 (1) = 10 piezas buenas/hora

• Total de piezas buenas que deben producirse por hora:

N
3500 piezas / día
= 437.5 piezas / hora.
8horas / día
Entonces, sea: I Ó
X i : Cantidad de maquinas tipo i que deben utilizarse
IS
i = 1,2,3

Mín. Z = 2.21 +2.5 X 2+1.5 X 3

V

s.a: 19.8 X 1+14.25 X 2+10 X 3 ≤ 437.5

RE

X1 ≤ 8
X2 ≤ 10
X3 ≤ 20
X 1= X 2= X 3≥ 0

7. Un fabricante produce tres modelos (I, II, III) de cierto producto. Él utiliza
dos tipos de materia prima (Ay B), de los cuales se dispone de 4000 y
6000 unidades respectivamente. Los requisitos de materia prima por
unidad de los tres modelos son:

Materia prima Modelo I Modelo II Modelo III

 63

A 2 3 5
B 4 2 7
El tiempo de mano de obra para cada unidad del modelo I es dos veces mayor
que el del modelo II y tres veces mayor que el del modelo III. Toda la fuerza
de trabajo de la fabrica puede producir el equivalente a 1500 unidades del
modelo I.

Un estudio del mercado indica que la demanda mínima de los tres modelos se

N
200, 200, 150 unidades respectivamente. Supóngase que la ganancia por

Ó
unidad de los modelos I, II, III es $30, $20 y $50 respectivamente. Formular
como un modelo de programación lineal.
I
IS
Solución
V

X 1 : Numero de unidades a producir del modelo I

X 2 : Numero de unidades a producir del modelo II

RE

X 3 : Numero de unidades a producir del modelo III

Máx. Z = 30 X 1+20 X 2+50 X 3

s.a: 2 X 1+3 X 2+5 X 3≤ 4000

4 X 1+2 X 2+7 X 3≤ 6000

1 
2 X 1= X 2→ X 1= X 2
2  1 1
 → X 1+ X 2+ X 3≤ 1500
1 2 3
3 X 1= X 3→ X 1= X 3 
3 

X 1≥ 200

X 2≥ 200
 64

X 3≥ 150

X 1= X 2= X 3≥ 0

8. Una empresa elabora dos productos, X y Y, para lo cual utiliza los

materiales A y B. El producto X requiere una unidad del material A y una
unidad del material B. El producto Y requiere tres unidades de A y una
unidad de B.

N
Las informaciones de los proveedores indican que deben comprarse como
mínimo 300 unidades del material A y 200 del B.

I Ó
El departamento de maquinado puede elaborar 500 unidades del producto
X o 600 del producto Y, o cualquier relación de estos. El departamento de
IS
acabado dispone de un total de 2800 minutos de los cuales cada unidad de
X consume cuatro y cada unidad de Y siete. El departamento de ventas
V

informa que puede venderse a lo sumo 300 unidades del producto y.

RE

Formular como un modelo de programación lineal, sabiendo que los

costos de producción ascienden a $12 y $8 para los productos X y Y
respectivamente y los precios de venta son de $16 para el producto X y
$12 para el producto Y.

Solución

X 1 : Cantidad de productos X a elaborar.

X 2 : Cantidad de productos Y a elaborar.

 65

Utilidades = ventas – costos

Entonces:
Máx. Z = 16 X 1+12 X 2−(12 X 1+8 X 2 )
Máx. Z = 16 X 1+12 X 2−12 X 1−8 X 2
Máx. Z = 4 X 1+4 X 2
s.a: X 1+3 X 2≥ 300

N
X 1+ X 2≥ 200

X 1 500
La relación: =
X 2 600

5 6 Ó
Entonces, X 1= . X 2 ó X 2= . X 1 ; Luego:
6 5
I 6
5
5
X 1+ X 2≤ 600 ó X 1+ X 2≤ 500
6
IS
4 X 1+7 X 2≤ 2800

X 2≤ 300
V

X 1= X 2≥ 0
RE
 66

RESUMEN

 Para plantear un problema de P. L. se sugiere seguir los siguientes

pasos:

N
- Leer el enunciado hasta lograr su entendimiento.

- Definir variables de trabajo.

I
- Formular la función objetivo.
Ó
- Tabular la información suministrada.
IS
- Establecer las restricciones.
- Establecer la no negatividad.
V

 Todo problema de P. L. debe contener la condición de no negatividad,

RE

omitirla sería dejar abierta la posibilidad de que una solución óptima

puede contener valores negativos.

 Los problemas que se pueden presentar en el estudio de la P. L. son de

dos tipos, a saber: de maximización y de minimización.

 Del correcto entendimiento del enunciado de un problema de P. L.,

dependerá su correcta formulación o no.
RE
VIS
IÓ
N
67
 68

AUTOEVALUACION No 2

1. La compañía PINTU-COSTA posee una pequeña fábrica de pinturas

que produce colorantes para exteriores e interiores de casas para su
distribución al mayoreo. Se utilizan dos materiales básicos, A y B, para
producir las pinturas. La disponibilidad máxima de A es de 6 toneladas
diarias, la de B es de 8 toneladas por día. Los requisitos diarios de
materias primas por toneladas de pinturas para exteriores e interiores

N
se resumen en la siguiente tabla:

Materia prima “A”

Exterior
1
I Ó Interior
2
Disp. Máx.
6
IS
Materia prima “B” 2 1 8

Un estudio del mercado ha establecido que la demanda diaria de la

V

pintura para interiores no puede ser mayor que la de pintura para

RE

exteriores en más de una tonelada. El estudio señala así mismo, que la

demanda máxima para pintura de interiores esta limitada a dos
toneladas diarias.

Si el precio al mayoreo por tonelada es de $3000 para pintura de

exteriores y $2000 para pintura de interiores, plantea el problema como
un modelo de programación lineal.

2. Una fábrica de fertilizantes ha recibido un pedido de 1000 toneladas de

un fertilizante que debe satisfacer las siguientes especificaciones:
 69

• Cuando menos 20% de Nitrógeno.

• Cuando menos 30% de Potasio.
• Cuando menos 8% de Fósforo.

La compañía ha adquirido cuatro fertilizantes básicos a partir de los cuales

puede fabricar sus pedidos especiales. Los porcentajes de Nitrógeno, Potasio
y fosfato que contienen los fertilizantes básicos son:

N
Fertilizante porcentaje de
Básico
1
2
I 40
30
Ó
Nitrógeno Potasio fosfato
20
10
10
5
IS
3 20 40 5
4 5 5 20
V

Los costos de los fertilizantes básicos respectivos son: $16.000, $12.000,

RE

$15.000y $8.000 por tonelada.

Plantee como un modelo de programación lineal

3. Usted es un alumno de Administración de Empresas y se ha planteado la

necesidad de maximizar la satisfacción diaria que le produce la realización
de una serie de actividades.

Ha establecido la siguiente lista de actividades con sus diferentes grados de

satisfacción asociados, así:
 70

ACTIVIDAD UNIDADES DE SATISFACCION

1. Tomar una cerveza 4
2. Fumar un cigarrillo 2
3. Jugar un partido de softbol 7
4. Dar un paseo por la playa 3
5. Leer un libro importante 2
6. Dormir 4

Aunque usted quisiera realizar todas las actividades, cuenta con algunas
limitaciones. Como es lógico solo dispone de 24 horas al día y las actividades

N
consumen tiempo, así:
Actividad 1
Actividad 2
Actividad 3
Actividad 4
15 minutos
10 minutos
2 horas
I
1 hora
Ó
IS
Actividad 5 5 horas
Actividad 6 60 minutos
V

Además, por la estrechez económica en que sirve no le es posible tomar más

de 5 cervezas diarias; no puede fumar más de cinco cigarrillos al día, por
RE

cuestiones de salud; no puede jugar más de dos partidos de softbol diarios, por
cansancio; no puede dar más de dos paseos por la playa, por aburrimiento; no
puede leer más de dos libros al día por cansancio visual.

En cuanto al sueño, usted sabe que no puede dormir más de diez horas al día,
ni menos de siete.

Plantear el anterior problema como un modelo de programación lineal.

 71

4. Una compañía transportadora tiene 10 camiones con capacidad de 40000

libras y 5 con capacidad de 30000 libras. Los camiones grandes tienen un
costo de operación de $30 por Km., y los más pequeños de $25 por Km. En
la próxima semana la compañía debe transportar 400000 libras de malta,
para un recorrido de 800 Km.

La posibilidad de otros compromisos, significa que por cada dos camiones

pequeños mantenidos en reserva, debe quedarse por lo menos uno de los

N
grandes.

Ó
Formula un modelo de programación lineal que le permita a la compañía
saber, cual es el número óptimo de camiones de ambas clases que deben
I
IS
movilizarse para transportar la malta.
V

5. Una institución financiera, se encuentra en el proceso de formular su

política de préstamos para el próximo trimestre. Para este fin se asigna un
RE

total de $ 12.000.000. Siendo una institución de servicios integrales, está

obligada a otorgar préstamos a diversos clientes. La tabla que sigue señala los
tipos de préstamos, la tasa de interés que cobra el banco y la posibilidad de
que el cliente no cubra sus pagos, irrecuperables o incobrables:

Tipo de préstamo Tasa de interés Probabilidad de incobrables

Personal 0.140 0.10
Automóvil 0.130 0.07
Casa-habitación 0.120 0.03
Agrícola 0.125 0.05
Comercial 0.100 0.02
 72

La competencia con otras instituciones financieras del área requiere que el

banco asigne cuando menos el 40% de los fondos totales a préstamos
agrícolas y comerciales.

Para dar asistencia a la industria de la habitación en la región, los préstamos

para casa - habitación debe ser igual cuando menos al 50% de los préstamos
personales, para automóvil y para casa - habitación. El banco tiene así mismo
una política establecida que específica que la relación global de pagos

N
irrecuperables no puede ser superior a 0.04.

Ó
Plantee el problema como un modelo de programación lineal.
I
V IS
RE
 73

GLOSARIO DE TERMINOS

1) FUNCION OBJETIVO: Es una expresión cuantitativa de los valores que

deben optimizarse. Puede ser deseable minimizar o maximizar esta función.

2) LENGUAJE ALGEBRAICO: Es el planteamiento de un problema en

forma de ecuaciones de igualdad o inecuaciones de desigualdad, como

N
resultado de un lenguaje coloquial.

I Ó
3) LENGUAJE COLOQUIAL: Es el enunciado de un problema en forma
de palabras que debe ser llevado a lenguaje algebraico.
IS
4) ORGANISMO SOCIAL: Es toda empresa (pública o privada)
V

conformada por personas que buscan un bien común.

RE
 74

METODOS DE
SOLUCION DE LA
P. L.

N
ÓI
IS
V
RE

Unidad 3
 75

PRESENTACION

El presente capitulo nos proporciona las técnicas de solución para los modelos
de programación lineal, iniciando con la gráfica de los mismos, que
generalmente se emplea para resolver casos de dos variables, ya que resulta
bastante difícil graficar en planos de tres variables e imposible hacerlo para

N
cuatro o más variables.

Ó
Seguidamente se trata la técnica algebraica Simplex, que a diferencia del
método gráfico sirve para solucionar problemas de programación lineal sin
I
IS
tener en cuenta el número de incógnitas. Ambos métodos son herramientas
muy eficientes, sencillas y exactas en la solución de modelos de programación
V

lineal; por lo que, sus vigencias datan de muchos años atrás.

RE
 76

OBJETIVOS

 Explicar el empleo de la solución gráfica para resolver problemas de

Programación Lineal de dos variables.

 Definir los conceptos básicos empleados para desarrollar la técnica

Simplex.

N
 Solucionar problemas de P. L. con dos o más variables por el Método
Simplex. I Ó
V IS
RE
 77

ATREVETE A OPINAR

1. ¿Qué entiendes por Método Gráfico?

__________________________________________________
__________________________________________________
__________________________________________________
__________________________________________________
__________________________________________________

N
__________________________________________________

2. Ó
¿Por qué piensas que no se pueden solucionar
problemas de P. L. de dos o más variables por el
Método Gráfico?
I
IS
__________________________________________________
__________________________________________________
V

__________________________________________________
__________________________________________________
RE

__________________________________________________
__________________________________________________

3. ¿Qué entiendes por el término simplex?

__________________________________________________
__________________________________________________
__________________________________________________
__________________________________________________
__________________________________________________
__________________________________________________
 78

ACCIONES PARA
CONSTRUIR EL
CONOCIMIENTO

 Ubica los siguientes puntos en el plano cartesiano:

a) (3 , 5)
b) (5 , 3)

N
c) (-1 , 2)
d) (3 , 4)
I Ó
e) (2 , -1)
IS
 Obtener la gráfica de cada una de las siguientes ecuaciones:
a) 2 Y = 12
V

b) 3 X + 2 Y = 18
RE

c) – 3 X + 5 Y = 60

 Soluciona las siguientes operaciones algebraicas:

3 1
a) +
4 3
5 3
b) −
6 8
1
c) − + 2
2
1 1 1
d) + −
3 30 5
 79

UNID
3. METODOS DE SOLUCION DE LA PROGRAMACION LINEAL

3.1 MÉTODO GRÁFICO

Si el modelo se restringe únicamente a dos variables, es posible representarlo

N
y resolverlo gráficamente; de allí que, de lo que se trata es de obtener una

Ó
gráfica de todo el modelo dado (solución factible), ya que cada restricción
define un área que contiene un número infinito de puntos, la cual no excede la
I
desigualdad y el conjunto de gráficas (todas las restricciones) definen un área
IS
común a todo el modelo (intersección de sentidos), la cual nos proporcionará
la solución optima del mismo.
V
RE

Cabe anotar que, todas las soluciones gráficas de modelos de programación

lineal, se dan en el primer cuadrante del plano cartesiano (x, y o X 1,X 2 ), tal
como lo especifica la restricción de no negatividad ( X 1= X 2≥ 0 ).

3.1.1 Procedimiento Gráfico

Para darle solución a un problema de programación lineal por el método

gráfico, se requiere seguir los siguientes pasos:
 80

3.1.1.1 Convertir las desigualdades en igualdades, reemplazando los

signos ≤ y ≥ por el signo =. Este cambio genera ecuaciones de línea recta, que
permiten graficar en el plano (x, y).
3.1.1.2 Hallar los intersectos (puntos de corte) con los ejes, partiendo del
axioma que reza: “dos puntos definen una recta”, la cual lograremos
igualando a cero cada variable por separado y obtendremos automáticamente
el valor de la otra.

N
3.1.1.3 Graficar cada una de las ecuaciones lineales, dándoles el sentido

Ó
que posean las desigualdades, utilizando flechas sobre las líneas rectas para
representar la región que debe considerarse como parte del espacio solución.
I
IS
3.1.1.4 Determinar el área común, mediante la ayuda de las flechas sobre
V

las líneas rectas y así poder ubicar la intersección de los sentidos de las
desigualdades.
RE

3.1.1.5 Calcular el valor de la función objetivo (solución óptima), por

medio de la sustitución de cada uno de los vértices de la zona común en el
objetivo a lograr: el más grande, si se trata de un caso de maximización ó el
más pequeño, si se trata de un caso de minimización.

Además de la anterior metodología, se le recomienda al lector utilizar hojas

de papel milimetrado en la solución gráfica de los problemas de programación
lineal propuestos en el presente modulo y en los conseguidos en cualquier
texto de programación lineal e investigación de operaciones.
 81

EJEMPLOS

Solucionar por el método gráfico los siguientes modelos de programación

lineal:

1. Max. Z = 3 X 1+5 X 2
s.a: X1 ≤ 4

2X 2 ≤ 12

N
3X 1+ 2X 2 ≤ 18

X1 = X2 ≥
I 0
Ó
Solución
IS
Paso a: Convertir desigualdades en igualdades
V

X 1= 4 (1)

2 X 2= 12 (2)
RE

3 X 1+2 X 2= 18 (3)

Paso b: Hallar los intersectos con los ejes

En la ecuación (1): X 1= 4 → Línea recta paralela al eje X 2 o Y
12
En la ecuación (2): 2 X 2= 12 ; X 2=
2

X 2= 6 → Línea recta paralela al eje X 1 o X.

En la ecuación (3): 3 X 1+2 X 2= 18

Sí X 1= 0 → 3(0) + 2 X 2= 18
0 + 2 X 2= 18
 82

2 X 2= 18

18
X 2=
2
X 2= 9 → Tenemos el intersecto (0, 9).

Sí X 2= 0 → 3 X 1+2(0) = 18
3 X 1+0 = 18

3 X 1= 18

N
18
X 1=
3

Paso c:
I
Graficar las ecuaciones lineales.
Ó
X 1= 6 → tenemos el intersecto (6, 0).
IS
X2
V

X1 ≤ 4
RE

6 .
P4
. P3

5
2X2 ≤ 12
4

3 . P2
2
P5
(0,0)
1
5 3X1 + 2X2 ≤ 18
. . P1
6
X1
1 2 3 4
 83

Paso d: Determinar el área común

La región conformada por los vértices p 1 , p 2 , p 3 , p 4 y p 5 , es la
intersección de todos los sentidos de las desigualdades, es decir,
es el área común donde estará la solución del modelo.

Paso e: Calcular el valor de la función objetivo

El polígono de la gráfica, está compuesto de 5 vértices, así:
P1 (4,0 )

N
P 2 (4,3)

P 3 (2,6 )

P 4 (0,6 )
I Ó
IS
P 5 (0,0 ) → se descarta porque no maximiza nada.
V

Cada uno de estos vértices genera una solución, reemplazándolos en la

función objetivo, así:
RE

P1 (4,0 ) →Z 1= 3(4 ) + 5(0 ) = 12

P 2 (4,3) →Z 2 = 3(4 ) + 5(3) = 27
P 3 (2,6 ) → Z 3= 3(2 ) + 5(6 ) = 36
P 4 (0,6 ) → Z 4 = 3(0 ) + 5(6 ) = 30

Como puede observarse, el valor más grande que asume la función objetivo Z
es de 36 y proviene del vértice (2, 6), el cual se constituye en el punto óptimo
de la siguiente solución óptima:
X 1* = 2

X 2* = 6

Z * = 36
 84

2. Mín. Z = 4 X 1+5 X 2
s.a : 4 X 1+4 X 2 ≥ 20 ; 4 X 1+4 X 2 =20 (1)

6 X 1+3 X 2 ≥ 24 ; 6 X 1+3 X 2 = 24 (2)

8 X 1+5 X 2 ≤ 40 ; 8 X 1+5 X 2 = 40 (3)

En la ecuación (1): Sí X 1= 0 → 4(0) + 4 X 2= 20

0 + 4 X 2= 20

4 X 2= 20

N
20
X 2=
4
X 2= 5 → (0,5)
Ó
Sí X 2= 0 → 4 X 1+4(0) = 20
I
IS
4 X 1+0 = 20

20
4 X 1= 20 → X 1=
V

4
X 1= 5 → (5,0 )
RE

En la ecuación (2): Sí X 1= 0 → 6(0) + 3 X 2= 24

0 + 3 X 2= 24

24
X 2=
3
X 2= 8 → (0,8)

Sí X 2= 0 → 6 X 1+3(0) = 24
6 X 1+0 = 24

24
6 X 1= 24 → X 1=
6
X 1= 4 → (4,0 )
 85

En la ecuación (3): Sí X 1= 0 → 8(0) + 5 X 2= 40

0 + 5 X 2= 40

5 X 2= 40

40
X 2=
5
X 2 = 8 → (0,8)

Sí X 2= 0 → 8 X 1+5(0) = 40
8 X 1+0 = 40

N
8 X 1= 40

I X 1=
Ó
40
8
X 1= 5 → (5,0 )
IS
X2
V

. P3
RE

7 4X1 + 4X2 ≥ 20
6

5 .
4

2 P2.
1 8X1 + 5X2 ≤ 40
. .
5
P1
6
X1
1 2 3 4 7 8

6X1 + 3X2 ≥ 24
 86

P1 (5,0 ) →Z 1= 4(5) + 5(0 ) = 20

P 2 (3,2 ) →Z 2 = 4(3) + 5(2 ) = 22

P 3 (0,8) →Z 3= 4(0 ) + 5(8) = 40

Como puede observarse el valor mínimo de Z es 20, entonces: La solución

óptima es:
X 1* = 5

X 2* = 0

N
Z * = 20

3. Máx. Z = X 1+ X 2
3
2
I Ó
IS
s.a: 2 X 1+2 X 2 ≤ 16

X 1+2X 2 ≤ 12
V

4 X 1+2 X 2 ≤ 28

X 1= X 2 ≥ 0
RE

Solución
2 X 1+2 X 2= 16 (1)
X 1+2 X 2= 12 (2)
4 X 1+2 X 2= 28 (3)

En la ecuación (1)
Sí X 1= 0 → 2(0) + 2 X 2= 16
0 + 2 X 2= 16

→ X 2= 8 → (0,8)
16
2 X 2= 16 → X 2=
2
 87

Sí X 2= 0 → 2 X 1+2(0) = 16
2 X 1+0 = 16

→ X 1= 8 → (8,0 )
16
2 X 1= 16 → X 1=
2
En la ecuación (2)
Sí X 1= 0 → 0 + 2 X 2= 12

→ X 2= 6 → (0,6 )
12
2 X 2= 12 → X 2=
2

N
Sí X 2= 0 → X 1+2(0) = 12
X 1+0 = 12 → X 1= 12 → (12,0 )

En la ecuación (3)
I Ó
Sí X 1= 0 → 4(0) + 2 X 2= 28
IS
0 + 2 X 2= 28

→ X 2= 14 → (0,14 )
28
2 X 2= 28 → X 2=
V

2
Sí X 2= 0 → 4 X 1+2(0) = 28
RE

4 X 1+0 = 28

4 X 1= 28

28
X1 =
4
X 1 = 7 → (7,0)
 88

X2

14

13

12

11

10

N
9

5
. P4
4X1 + 2X2 ≤ 28
I Ó
IS
4 .P3

3
. P2
X1 + 2X2 ≤ 12
V

1
7
. .
RE

P1 X1
1 2 3 4 5 6 8 9 10 11 12

2X1 + 2X2 ≤ 16

P1 (7,0 ) →Z 1= 7 + (0) = 7
3
2

P 2 (6,2 ) →Z 2 = 6 + (2) = 9
3
2

P 3 (4,4 ) →Z 3= 6 + (4) = 12
3
2

P 4 (0,6 ) →Z 4 = 0 + (6) = 9
3
2
 89

Solución óptima, el valor más grande de Z por tratarse de un problema de

maximización:
X 1* = 4

X 2* = 4

Z * = 12

4. Máx. Z = 3 X 1+2 X 2

N
s.a: X 1+ X 2 ≥ 20

≤ 15
X1

X 1+3X 2 ≤ 45

− 3 X 1+5 X 2 ≤ 60
I Ó
IS
X 1= X 2 ≥ 0

Solución
V

X 1+ X 2= 20 (1)
RE

X 1= 15 → Recta paralela al eje X 2

X 1+3 X 2= 45 (3)

− 3 X 1+5 X 2= 60 (4)

En la ecuación (1):
Sí X 1= 0 → 0 + X 2= 20 → X 2= 20 → (0,20)
Sí X 2= 0 → X 1+0 = 20 → X 1= 20 → (20,0)
En la ecuación (3)

→ X 2= 15 → (0,15)
45
Sí X 1= 0 → 0 + 3 X 2= 45 → 3 X 2= 45 → X 2=
3
Sí X 2= 0 → X 1+3(0 ) = 45 → X 1= 45 → (45,0 )
 90

En la ecuación (4)

X 1= 0 → −3(0 ) + 5 X 2= 60 → 5 X 2= 60 → X 2= → X 2= 12 → (0,12 )
60
Sí
5

X 2= 0 → −3 X 1+5(0 ) = 60 → −3 X 1= 60 → X 1= → X 1= −20 → (− 20,0 )

60
Sí
−3
X2 - 3 X 1 + 5 X 2 ≤ 60

N
20
12
15

10
I Ó
P3
P2
X 1 ≤ 15

X 1 + 3 X 2 ≤ 45
IS
5 P1

X1
V

- 20 5 10 15 20 45
RE

X 1 + X 2 ≥ 20

P1 (15,5) →Z 1= 3(15) + 2(5) = 55

P 2 (15,10 ) →Z 2 = 3(15) + 2(10 ) = 65

 15 25   15   25  95
P  ,  →Z 3= 3  + 2  =
3 2 2  2  2  2

El mayor valor de Z es 65, luego la solución óptima es:

X 1* = 15

X 2* = 10

Z * = 65
 91

3.2 MÉTODO SIMPLEX

El método Simplex cuyo autor es GEORGE DANTZING, quien lo desarrolló

en 1947, es un algoritmo que, a diferencia del método gráfico, sirve para
solucionar problemas de programación lineal sin tener en cuenta el número de
ecuaciones ni el de incógnitas.

El algoritmo es un proceso en el que se repite un procedimiento sistemático

N
una y otra vez hasta obtener el resultado deseado. Cada vez que se lleva a
cabo el procedimiento sistemático, se realiza una iteración.

I Ó
En consecuencia, el algoritmo Simplex sustituye un problema difícil por una
serie de problemas fáciles, mediante un procedimiento para iniciar
IS
(preparación) y un criterio para determinar cuando detenerse (solución óptima
o resultado deseado).
V
RE

La idea general de este método se puede describir como el procedimiento

iterativo que parte del origen y en el que cada iteración (paso) contiene la
solución de un sistema de ecuaciones y así seleccionar las variables que
optimicen el valor de la función objetivo, obteniendo una nueva solución a la
que se aplica una prueba de optimalidad.

3.2.1 Procedimiento Simplex

Solucionar un modelo de programación lineal por el método simplex, implica

seguir los siguientes pasos:
 92

3.2.1.1 Estandarizar el modelo de P. L. (procedimiento inicial)

Significa convertir las restricciones funcionales de desigualdad en

restricciones de igualdad equivalente, lo cual se logra adicionando variables
de holgura (Si), una por cada restricción, para que represente el superávit. La
estandarización del modelo de programación lineal también tiene que ver con
la función objetivo, por lo que debe agregarse a esta función todas las
variables que aparecen como extras en las restricciones. Los coeficientes o

N
contribuciones de las variables extras que deben aparecer en la función
objetivo, tendrán valor de 0, para que no modifiquen o alteren el valor óptimo
de la misma. I Ó
IS
3.2.1.2 Construir la tabla característica
V

Consiste en disponer todos los elementos del modelo ya estandarizado en

forma tabular, así:
RE

Sea el siguiente modelo general de programación lineal:

Máx = C 1X 1+C 2 X 2+... +C n X n
s.a: A11 X 1+ A12 X 2+.... + A1n X n≤b1

A 21 X x+ A 22 X 2+... + A 2 n X n≤b 2

. . . .
. . . .
A m1 X 2+ A m 2 X 2+... + A mn X n≤b n

X i≥ 0

i = 1,2,..n
 93

TABLA CARACTERISTICA SIMPLEX

Cj C1 C2 . . . Cn
Ci VB bi X1 X2 ... Xn θi

C1 X1 b1 a11 a12 . . . a1n θ1

C2 X2 b2 a 21 a 22 . . . a 2n θ2

Cn Xn bn a m1 a m2 . . . a mn θn

N
Z j b0 Z1 Z2 . . . Zn

C j −Z j I Ó
C 1− Z 1
C 2 −Z 2
C n −Z n
IS
Definición de la simbología
V

C j: Contribución de todas las variables básicas y no básicas (coeficientes

RE

de las variables en la función objetivo).

VB: Variables básicas (siempre en la primera tabla serán las variables de
holgura).
Ci : Contribución de las variables básicas.
bi : Disponibilidad de recursos al comienzo y valor de las variables básicas
al final o sobrante de recurso.
b0 : Valor optimo de Z.
n
Z j = b0 = ∑ C i bi
i =1

n
Z j = ∑ c i a ij
i =1
 94

j = 1,2...n

C j − Z j : Parámetro de optimización

θi: Parámetro de factibilidad (pauta para la variable que sale)

bi
θ i=
a ij

3.2.1.3 Variable que entra y la que sale (Criterios del Simplex)

N
1) Multiplique por –1 a ambos lados la restricción que tenga el signo ≥,
esto hace que la restricción cambie a ≤.
2) Ó
Determinar la columna y la fila pivote.
I
IS
Columna (variable entrante)

• Si no hay negativos en b1 , se selecciona el mayor de los positivos de

V

( C j − Z j ).
RE

• Si hay negativos en b i , se divide la fila ( C j − Z j ) por la fila pivote,

(C j − Z j )
seleccionando el mayor valor absoluto de los negativos de : θ 2= ,
F .P.
si todos son negativos; si todos son positivos, se escoge el mayor de ellos y
si hay negativos y positivos, se selecciona el mayor positivo

Fila (variable saliente)

• Si hay negativos en b i , seleccione el mayor valor absoluto de esos

negativos.
 95

bi
• Si no hay negativos en b1 , seleccione el menor de los positivos de: θ 1=
C.P.
En la intersección de la variable que entra y la que sale se encuentra la celda
pivote y en ella, el elemento pivote, en cual se necesita la unidad.

3) Una vez se haga el intercambio (entrante – saliente), se aplica el

método de eliminación de GAUSS – JORDAN para hacer iteración
Simplex.

N
4) Revisar la columna b i , si hay negativos, pase al ítem 2), sino, siga
haciendo iteraciones. I Ó
La solución es óptima cuando todos los (c j - z j ) ≤ 0. (Prueba de
IS
5)

optimalidad o criterio para detenerse).

V

EJEMPLOS
RE

Resolver los siguientes modelos de programación lineal por el método

simplex:

1. Máx. Z = X 1+2X 2
s.a.: X 1+3X 2 ≤ 8

X 1+ X 2 ≤ 4

X 1= X 2 ≥ 0

Solución
 96

a) Estandarización:
Máx. Z = X 1+2 X 2+0S 1+0S 2
s.a.: X 1+3 X 2+ S 1 =8
X 1+ X 2+ S2 = 4

X 1= X 2= S 1= S 2 ≥ 0

b) Tabla característica

N
0 Cj 1 2 0 0
Ci VB bi X1 X2 S1 S2 θ1

0 S1 8
I1 3 Ó
1 0 8
3
Saliente
(F.P)
IS
0 S2 4 1 1 0 1 4
Z j 0 0 0 0 0
V

C j −Z j 1 2 0 0
RE

Entrante (C.P)

c) Variable que entra y variable que sale:

En la tabla se puede apreciar:

- La solución no es optima, porque todos los C j − Z j no son ≤ 0.

- Al no haber negativos en b i , se selecciona para entrar el mayor

positivo de los C j − Z j . ( X 2 )
bi
- Se determinó θ i= y se seleccionará el menor positivo de ellos (S 1 ) .
C.P.
 97

- En la intersección de la C.P con la F.P. se encuentra el numero 3 o

elemento PIVOTE. En él hay que hallar la unidad y un cero en la celda
inferior (GAUSS-JORDAN).

1 Cj 1 2 0 0
Ci VB bi X1 X2 S1 S2 θ1

8 1 1 F1 para obtener la nueva F1

2 X2 3 3 1 3 0 8 3

N
0 S2 4 2 0 - 13 1 2
3 3 − F 1N + F 2V para obtener
la nueva F2
Z j
16

C j −Z j
3
2

1
3
I3 2

0
Ó
2

- 23
3 0

0
V IS
En esta nueva iteración se observa:
RE

- La solución no es óptima, porque todos los C j − Z j no son ≤ 0 .

- No hay negativos en b i , se seleccionó para entrar el mayor de los

positivos de C j − Z j . ( X 1 )
b1
- Se calculó θ 1= y se escogió el menor positivo de ellos ( S 2 ) .
C.P
2
- En la intersección de la C.P. con la F.P está el elemento pivote . En
3
él hay que hallar la unidad y un cero en la celda superior.
 98

2 Cj 1 2 0 0
Ci VB bi X1 X2 S1 S2

2 X2 2 0 1 1
2
- 12 − 1 F2 N + F1V para obtener la nueva F1
3

1 X1 2 1 0 3 3 F para obtener la nueva F2

- 12 2 2 2

Z j 6 1 2 1 1
2 2
C j −Z j 0 0 - 12 - 12

N
En este paso podemos ver que:
-

detiene)
I Ó
Todos los C j − Z j son ≤ 0 , luego la solución es optima (el algoritmo se
IS
- La solución óptima es:
X 1* = 2 ; X2 = 2 ; S1* = 0 ; S 2* = 0 ; Z* = 6
V

2. Máx. Z = 3 X 1+2 X 2
RE

s.a X1 ≤ 4
X 1+ 3X 2 ≤ 15

2X 1+ X 2 ≤ 10

X 1= X 2≥ 0

a) Estandarización
Max. Z = 3 X 1+2 X 2+0S 1+0S 2 +0S 3
s.a: X 1+ S1 =4
X 1+ 3X 2 + S2 = 15
2 X 1+ X 2 + S3 = 10
X 1= X 2= S 1= S 2 = S 3≥ 0
 99

b) Tabla característica
0 Cj 3 2 0 0 0
Ci VB bi X1 X2 S1 S2 S3 θ1

0 S1 4 1 0 1 0 0 4
0 S2 15 1 3 0 1 0 15 -F1 + F2 para obtener la nueva F2

0 S3 10 2 1 0 0 1 5 -2F1 + F3 para obtener la nueva F3

Z j 0 0 0 0 0 0

N
C j −Z j 3 2 0 0 0

c) Variable entrante y variable saliente

I Ó
No hay solución optima porque todos los C j − Z j no son ≤ 0 .
IS
-

- No hay negativos en b i , entonces entra el mayor positivo de los

V

C j −Z j (X 1 ) .
RE

b1
- θ 1= y se selecciona para salir el menor positivo θ 1 (S 1 ) .
C.P

1 Cj 3 2 0 0 0
Ci VB bi X1 X2 S1 S2 S3 θ1

3 X1 4 1 0 1 0 0 ∝
0 S2 11 0 3 -1 1 0 11/3 -3F3 + F2 para obtener la nueva F2

0 S3 2 0 1 -2 0 1 2
Z j 12 3 0 3 0 0
C j −Z j 0 2 -3 0 0
 100

En la tabla 1 se aprecia:
- No hay solución óptima, porque todos los C j − Z j no son ≤ 0.

- Entra el mayor positivo de los C j − Z j , porque no hay negativos en b i .

bi
- Sale el menor positivo de θ 1=
C.P
2 Cj 3 2 0 0 0
Ci VB bi X1 X2 S1 S2 S3 θ1

N
3 X1 4 1 0 1 0 0 4 -F2N + F1V para obtener la nueva F1

0 S2 5 0 0 5 1 -3 1
2 X2

Z j
2
16
0
3
1
2
I -2
-1
Ó 0
0
1
2
-1
-
F2
5
para obtener la nueva F2
2F2N + F3V para obtener la nueva F3
IS
C j −Z j 0 0 1 0 -2
V

En la tabla 2 observamos que:

RE

- No hay solución óptima ya que todos los C j − Z j no son ≤ 0.

- No hay negativos en b i , entonces entra el mayor positivo de los

C j − Z j (S 1 ) .

b1
- Sale el menor positivo de θ 1= (S 2 )
C.P

Luego realizamos el intercambio de la variable entrante por la saliente, así:

 101

3 Cj 3 2 0 0 0
Ci VB bi X1 X2 S1 S2 S3

3 X1 3 1 0 1 - 15 3
5

0 S1 1 0 0 0 1 - 35
5

2 X2 4 0 1 0 2 - 15
5
Z j 17 3 2 0 1 7
5 5

N
C j −Z j 0 0 0 - 15 - 75

Ó
En esta interación se llega a la solución óptima, porque, todos los C j − Z j ≤ 0.
I
IS
Entonces la solución óptima es:
X 1* = 3 ; X 2* = 4 ; S1* = 1 ; S 2* = 0 ; S 3* = 0 ; Z * = 17
V

Las variables S 2 y S 3 son ceros porque no aparecen en la columna VB.

RE

3. Máx. Z = 10 X 1+2 X 2
s.a : 3 X 1+2 X 2≥ 30

X 1+5 X 2≤ 50

2 X 1+7 X 2≤ 25

X 1= X 2≥ 0

Nótese que la primera restricción posee signo ≥ , entonces se multiplica

por –1 a ambos lados de ella para que cambie a ≤ , así ( 3 X 1+2 X 2≥ 30 )
(-1) = − 3 X 1−2 X 2≤ −30 .
 102

Entonces:
Máx. = 10 X 1+2 X 2+0 S 1+0 S 2 +0 S 3

s.a: − 3 X 1−2 X 2+ S1 = -30

X 1+ 5X 2 + S2 = 50
2X 1 + 7 X 2 + S3 =25

X 1= X 2= S 1= S 2 = S 3≥ 0

0 Cj 10 2 0 0 0

N
Ci VB bi X1 X2 S1 S2 S3

0
0
S1

S2
-30
50
-3
1
-2
5
I 1
0 Ó 0
1
0
0
IS
0 S3 25 2 7 0 0 1
Z j 0 0 0 0 0 0
V

C j −Z j 10 2 0 0 0
θ2 - 10 3 -1 0 ∞ ∞
RE

C j −Z
Entra el mayor valor absoluto de los negativos de θ 2 = j

F .P.
Al haber un valor negativo en bi : Sale automáticamente. De haber más de
uno, saldría el mayor valor absoluto de ellos.
 103

1 Cj 10 2 0 0 0
Ci VB bi X1 X2 S1 S2 S3 θ1

10 X1 10 1 2 - 13 0 0 -30 1 F + F para obtener la nueva F1

3 3 3N 1V

0 S2 40 0 13 1/3 1 0 120 - 13 F3 N + F2V para obtener la nueva F2

3

0 S3 5 0 17 2/3 0 1 15 3 F para obtener la nueva F3

3 2 2 3

N
Z j 100 10 20 - 10 3 0 0
3
C j −Z j 0 - 14 3
I 10
3
Ó 0 0
IS
2 Cj 10 2 0 0 0
V

Ci VB bi X1 X2 S1 S2 S3

10 X1 25 1 7 0 0 1
RE

2 2 2

0 S2 75 0 3 0 1 - 12
2 2

0 S1 15 0 17 1 0 3
2 2 2
Z j 125 10 35 0 0 5
C j −Z j 0 -33 0 0 -5

Todos los ( C j − Z j ) ≤ 0 , entonces la solución es óptima:

X 1* = 25 / 2 ; X 2* = 0 ; S1* = 15 / 2 ; S 2* = 75 / 2 ; S 3* = 0 ; Z * = 125
 104

4. Máx. Z = 4 X 1+6 X 2+5 X 3

s.a 10 X 1+4 X 2+2 X 3 ≤ 95

2 X 1+2 X 2 ≤ 41

X 1+ 2X 3 ≤ 61

X 1= X 2= X 3≥ 0

Solución

N
Máx. Z = 4 X 1+6 X 2+5 X 3+0S 1+0S 2 +0S 3
10 X 1+4 X 2+2 X 3+ S 1

2 X 1+2 X 2+
I S2 Ó
=95
= 41
IS
X 1+2X 3+ S3 = 61

X 1= X 2= X 3= S 1= S 2 = S 3≥ 0
V

0 Cj 4 6 5 0 0 0
RE

Ci VB bi X1 X2 X3 S1 S2 S3 θ1

0 S1 95 10 4 2 1 0 0 95/4 -2F2 + F1

0 S2 41 2 2 0 0 1 0 41/2 F2
2
0 S3 61 1 0 2 0 0 1 ∞

Z j 0 0 0 0 0 0 0
C j −Z j 4 6 5 0 0 0
 105

1 Cj 4 6 5 0 0 0
Ci VB bi X1 X2 X3 S1 S2 S3 θ1

0 S1 13 6 0 2 1 -2 0 13 F1
2 2
6 X2 41 1 1 0 0 1 0 ∞
2 2

0 S3 61 1 0 2 0 0 1 61 -F1 + F3
2
Z j 123 6 6 0 0 3 0

N
C j −Z j -2 0 5 0 -3 0

I Ó
IS
2 Cj 4 6 5 0 0 0
V

Ci VB bi X1 X2 X3 S1 S2 S3 θ1
RE

5 X3 13 3 0 1 1 -1 0 - 13 2 F3N + F1
2 2

6 X2 41 1 1 0 0 1 0 41 - 1 F3N + F2
2 2 2
0 S3 48 -5 0 0 -1 2 1 24 F3
2
Z j 311 21 6 5 5 -2 0
2 2
C j −Z j -17 0 0 - 52 2 0
 106

3 Cj 4 6 5 0 0 0
Ci VB bi X1 X2 X3 S1 S2 S3

5 X3 61 1 0 1 0 0 1
2 2 2

6 X2 17 9 1 0 1 0 - 14
2 4 4

0 S2 24 - 52 0 0 - 12 1 1
2
Z j 407 16 6 5 3 0 1
2 2

N
C j −Z j -12 0 0 - 32 0 -1

Ó
Todos los ( C j - Z j ) ≤ 0, entonces la solución es óptima:
I
IS
X 1* = 0 ; X 2* = 17 / 2 ; X 3* = 61 / 2 ; S1* = S 3* = 0 ; S 2* = 24 ; Z * = 407 / 2

Hasta aquí hemos solucionado casos de maximización, ahora miraremos

V

problemas de minimización, los cuales solucionaremos por el método de

maximizando el negativo de la función objetivo, el cual consiste en
RE

multiplicar todo el problema por –1 al inicio (excepto la condición de no

negatividad) y al final también se multiplica por –1para volver al caso de
minimización original, así:
Solucionar los siguientes modelos de P. L. por el método Simplex:

1. Minimizar Z = 4 X 1+12 X 2+18 X 3

s.a. : X 1+3 X 3≥ 3
2 X 2+2 X 3≥ 5

X 1= X 2= X 3≥ 0
 107

Se multiplica el modelo por –1, entonces:

Maximizar (-Z)= − 4 X 1−12 X 2−18 X 3
s.a : − X 1− 3X 3 ≤ -3

− 2 X 2−2 X 3 ≤ -5

X 1= X 2= X 3≥ 0

Ahora estandarizamos:
Maximizar (-Z) = − 4 X 1−12 X 2−18 X 3+0S 1+0S 2

N
s.a: − X 1 − 3X 3 + S1 = -3
− 2 X 2−2 X 3+

Ó
S 2 = -5

X 1= X 2= X 3= S 1= S 2 ≥ 0
I
IS
0 Cj -4 -12 -18 0 0
V

Ci VB bi X1 X2 X3 S1 S2

0 S1 -3 -1 0 -3 1 0 3F2N + F1V
RE

F2
0 S2 -5 0 -2 -2 0 1
−2
Z j 0 0 0 0 0 0
C j −Z j -4 -12 -18 0 0
θ2 ∞ 6 9 ∞ 0
 108

1 Cj -4 -12 -18 0 0
Ci VB bi X1 X2 X3 S1 S2 θ1

0 S1 9 -1 3 0 1 - 32 3 F1
2 2 3
-18 X 3 5 0 1 1 0 - 12 5 -F1N + F2V
2 2
Z j -45 0 18 -18 0 9
C j −Z j -4 6 0 0 -9

N
2 Cj
I -4 Ó-12 -18 0 0
IS
Ci VB bi X1 X2 X3 S1 S2

-12 X 2 3 - 13 1 0 1 - 12
2 3
V

-18 X 3 1 1 0 1 - 13 0
3
RE

Z j -36 -2 -12 -18 2 6

C j −Z j -2 0 0 -2 -6

Como todos los C j − Z j son ≤ 0, entonces la solución óptima es:

X 1* = 0 X 2* = 3 / 2 X 3* = 1 S1* = S 2* = 0

Z * = 36 Se le cambia de signo para que no se altere el modelo original de

Minimización.
 109

2. Mín. = 20 X 1+15 X 2+45 X 3+60 X 4

s.a: X 1+ X 2+ X 3 - 3X 4 ≥ 3
X 1+ 3X 3 + 5X 4 ≥ 2
X 1= X 2= X 3= X 4≥ 0

Entonces:
Max. (-Z) = − 20 X 1−15 X 2−45 X 3−60 X 4
s.a. : − X 1− X 2− X 3 + 3X 4 ≤ -3

N
− X 1− 3X 3 - 5X 4 ≤ -2

X 1= X 2= X 3= X 4 ≥ 0

Estandarizando: I
Max. (-Z) = − 20 X 1−15 X 2−45 X 3−60 X 4+0S 1+0S 2
Ó
IS
s.a. : − X 1− X 2− X 3+ 3X 4 + S1 = -3
− X 1− − 3X 3 − 5X 4 + S 2 = -2
V

X 1= X 2= X 3= X 4= S 1= S 2 ≥ 0
RE

Tabulando:
0 Cj -20 -15 -45 -60 0 0
Ci VB bi X1 X2 X3 X4 S1 S2

0 S1 -3 -1 -1 -1 3 1 0 F1
−1
0 S2 -2 -1 0 -3 -5 0 1 -3F1 + F2

Z j 0 0 0 0 0 0 0
C j −Z j -20 -15 -45 -60 0 0
θ2 20 15 45 -20 0 ∞
 110

1 Cj -20 -15 -45 -60 0 0

Ci VB bi X1 X2 X3 X4 S1 S2 θ1

-45 X 3 3 1 1 1 -3 -1 0 3 -F2N + F1V

0 S2 7 2 3 0 -14 -3 1 7 F2
3 3
Z j -135 -45 -45 -45 135 45 0
C j −Z j 25 30 0 -195 -45 0

N
Ci
2
VB
Cj

bi
-20 -15 -45 -60
X1 X2
I X3 Ó
X4
0
S1
0
S2 θ1
IS
-45 X 3 2 1 0 1 5 0 - 13 2 3F1
3 3 3

-15 X 2 7 2 1 0 - 14 3 -1 1 7 -2F1 + F2
3 3 3 2
V

Z j -65 -25 -15 -45 -5 15 10

RE

C j −Z j 5 0 0 -55 -15 -10

3 Cj -20 -15 -45 -60 0 0

Ci VB bi X1 X2 X3 X4 S1 S2

-20 X 3 2 1 0 3 5 0 -1
-15 X 2 1 0 1 -2 -8 -1 1
Z j -55 -20 -15 -30 20 15 5
C j −Z j 0 0 -15 -80 -15 -5
 111

Todos los C j − Z j son ≤ 0, entonces la solución óptima es:

X 1* = 2 ; X 2* = 1 ; X 3* = 0 ; X 4* = 0 ; S1* = S 2* = 0 ; Z * = 55

3. Min. Z = 4 X 1+15 X 2+10 X 3

s.a. : X 1+ X 2+ 2X 3 ≥ 3
3X 2 + X 3 ≥ 2
X 1= X 2= X 3 ≥ 0

Al multiplicar por -1, obtenemos:

N
Máx. (-Z) = − 4 X 1−15 X 2−10 X 3
s.a. : − X 1− X 2−2X 3 ≤ -3
− 3 X 2− X 3 ≤ -2
X 1= X 2= X 3 ≥ 0

Ahora estandarizamos el modelo:

I Ó
IS
Máx. (-Z) = − 4 X 1−15 X 2−10 X 3+0S 1+0S 2
s.a. : − X 1− X 2−2 X 3+ S 1 = -3
V

− 3 X 2− X 3+ S 2 = -2
RE

X 1= X 2= X 3= S 1= S 2 ≥ 0
Entonces:
0 Cj -4 -15 -10 0
Ci VB bi X1 X2 X3 S1 S2
F1
0 S1 -3 -1 -1 -2 1 0
−1
0 S2 -2 0 -3 -1 0 1 -3F1 + F2

Z j 0 0 0 0 0 0
C j −Z j -4 -15 -10 0 0
θ2 4 15 5 0 ∞
 112

1 Cj -4 -15 -10 0 0
Ci VB bi X1 X2 X3 S1 S2 θ1

-15 X 2 3 1 1 2 -1 0 3 -2F2N + F1V

2

0 S2 7 3 0 5 -3 1 7 F2
5 5
Z j -45 -15 -15 -30 15 0
C j −Z j 11 0 20 -15 0

N
2
ICj -4
Ó -15 -10 0 0
IS
Ci VB bi X1 X2 X3 S1 S2

-15 X 2 1 - 15 1 0 1 - 25
V

5 5

-10 X 3 7 3 0 1 - 35 1
5 5 5
RE

Z j -17 -3 -15 -10 3 4

C j −Z j -1 0 0 -3 -4

Como todos los C j − Z j ≤ 0, entonces la solución óptima es:

X 1* = 0

X 2* = 1 / 5

X 3* = 7 / 5

S1* = S 2* = 0

Z * = 17
 113

RESUMEN

 Para poder darle solución a un modelo de P. L. por el Método Simplex,

primero que todo hay que estandarizar el modelo (prepararlo),
adicionando variables de holgura (S i ), una por cada restricción y en
forma ascendente.

N
 Cuando no hay valores negativos en la columna b i , se selecciona para
entrar el mayor de los positivos de la fila (C j – Z j ), luego se procede a

I Ó
sacar el menor positivo de la columna θ1 =
bi
CP
.
IS
 Cuando hay valores negativos e la columna b i , se selecciona para salir
el mayor valor absoluto de estos, luego se procede a entrar el mayor
V

(C j − Z j )
valor absoluto de θ 2 = , si todos son negativos; si todos son
FP
RE

positivos se selecciona el mayor de ellos y si hay negativos y positivos,

se selecciona el mayor positivo.

 En una solución óptima no pueden aparecer valores negativos en la

columna b i , ya que esto contradice la condición de no negatividad.

 Una solución es óptima cuando todos los valores de la fila (C j – Z j ) son

≤ 0
 114

AUTOEVALUACION N0 3

1) Aplique el método Simplex para darles solución a los siguientes modelos

de P. L.

a) Mín. Z = 3 X 1+2 X 2
s.a. : 5 X 1+2 X 2≥ 250
X 1+3 X 2≥ 100

N
3 X 1≥ 60

X 1= X 2≥ 0
I Ó
IS
b) Máx. Z = 10 X 1+13 X 2+10 X 3+11X 4
s.a.: 4 X 1+4 X 2+3 X 3+8 X 4≤ 36
V

4 X 1+5 X 2+4 X 3+5 X 4≤ 46

2 X 1+ X 2+3 X 3+2 X 4≤ 21
RE

X 1= X 2= X 3= X 4≥ 0

c) Máx. Z. = 3 X 1+2 X 2
s.a. : X 1+3 X 2≤ 45
X 1≤ 12

2 X 1+ X 2≤ 30

X 1= X 2≥ 0
 115

d) Máx. Z = 2 X 1+ 3 2 X 2

s.a. : X 1+ X 2≤ 40
X 1≤ 20

X 2≤ 35

2 X 1+ X 2≤ 50

X 1= X 2≥ 0

2) Solucionar por el método gráfico los siguientes modelos de programación

N
lineal.

a) Máx. Z = 4 X 1+4 X 2
s.a. : X 1+3 X 2≥ 3
ÓI
IS
X 1+ X 2≥ 2

5
X 1+ X 2≤ 6
V

6
4 X 1+7 X 2≤ 28
RE

X 2≤ 3

X 1= X 2≥ 0

b) Máx. Z = 3 X 1+2 X 2
s.a. : X 1+ X 2≥ 20
X 1≤ 15

X 1+3 X 2≥ 45

− 3 X 1+5 X 2≤ 60

X 1= X 2≥ 0
 116

GLOSARIO DE TERMINOS

1) ALGORITMO: Proceso de cálculo que proporciona la solución de un

determinado tipo de problema mediante un número finito de pasos. Por
ejemplo: Indicar todos los pasos para sacar la raíz cuadrada de un número. Un
algoritmo suele consistir en una serie de instrucciones detalladas que indican
paso a paso qué debe hacerse para conseguir la respuesta a cada problema de
un tipo determinado; no es necesaria ninguna iniciativa, sino que se trata de

N
un proceso puramente mecánico.

plano cartesiano (X,Y).

I Ó
2) INTERSECTO: Punto donde una recta corta a cualquiera con los ejes del

3) ITERACION: Se refiere al conjunto de pasos necesarios para poder pasar

IS
de una tabla simplex a la otra (Iteración Simplex).
4) PIVOTE: Hace referencia al elemento organizador o armador para poder
V

pasar de una tabla Simplex a la otra.

RE

5) RESTRICCION: Es una sujeción o limitante con respecto a la

racionalización de recursos empresariales, esbozada en formula de
desigualdad.
6) SOLUCION FACTIBLE: Es una solución intermedia en la solución de
modelos de P. L, pero no la mejor de todas.
7) SOLUCION OPTIMA: Es la mejor solución (final) de los modelos de P.
L entre todas las posibles (Factibles) y es la mayor si el modelo es
maximización o la menor si se trata de minimización.
 117

8) VARIABLES BASICAS: Son las representadas por las columnas que

conforman la matriz identidad en cualquier iteración Simplex y pueden ser
físicas o de holgura.
9) VARIABLES FISICAS: Son las que conforman inicialmente a un modelo
de P. L.
10) VARIABLES DE HOLGURA: Representan el valor no negativo
requerido para hacer que exista la igualdad en las restricciones de un modelo

N
de P. L. Se simboliza por el término S i , el subíndice se refiere a la i - ésima
restricción, ya que para cada restricción se utiliza una variable de holgura
diferente.
Ó
11) VARIABLES NO BASICAS: Son aquellas que no aparecen en ninguna
I
IS
solución (Factible u optima), o sea, que son iguales a cero.
V
RE
 118

LA DUALIDAD

N
ÓI
IS
V
RE

Unidad 4
 119

PRESENTACION

Este estudio de la dualidad nos permitirá establecer que detrás de todo

problema de P. L existe otro, igualmente importante: El Problema Dual, el
cual encierra valiosa información a tener en cuenta al momento de tomar una
decisión utilizando esta herramienta.

N
Ó
El análisis de la información Dual permite conocer los precios implícitos de
los recursos involucrados en el problema Primal, lo cual se logra por medio
I
del análisis de sensibilidad, que es una herramienta que dinamiza a los
IS
problemas de Programación Lineal al sacarlos del estado estático en que ellos
se presentan, toda vez que son el resultado de situaciones en un momento
V

determinado de las empresas.

RE
 120

OBJETIVOS

 Construir el Problema Dual de un modelo original (Primal) de

Programación Lineal.

 Interpretar el significado de las variables duales en relación con las

N
Primales.

I Ó
 Realizar el análisis de sensibilidad al obtener la solución óptima de un
problema de Programación Lineal.
V IS
RE
 121

ATREVETE A OPINAR

1. ¿Qué entiendes por Dualidad?

______________________________________________
______________________________________________
______________________________________________
______________________________________________

N
______________________________________________
______________________________________________

2.
Ó
¿Cómo interpretas el término Sensibilidad?.
I
IS
______________________________________________
______________________________________________
______________________________________________
V

______________________________________________
______________________________________________
RE

______________________________________________

3. ¿Qué entiendes por Precio Sombra y Costo de

Oportunidad?

______________________________________________
______________________________________________
______________________________________________
______________________________________________
______________________________________________
______________________________________________
 122

ACCIONES PARA
CONSTRUIR EL
CONOCIMIENTO

 En cada una de las siguientes matrices, obtener la traspuesta

equivalente:

N
(3 X + 2Y ) (− X − 4Y )
a) A = 
 (5 X − Y ) 2 X + 7Y ) 

 ( X − Y + 3Z )

b) B =  (3 X + 5Y − Z )
I Ó
(−4 X − 2Y + 3Z )
(− X + Y − Z )
(Y − 3Z )
Z
(2 X + Z ) 
(5 X + 2Y − Z )
− 4Y 
IS
 Determina el tamaño de la matriz involucrada en cada una de las
V

siguientes operaciones:
RE

a) A 2X3 . B 3X4 = C

b) A 3X2 . B = C 3X4

 ¿Para qué valores de la variable X se satisfacen cada una de las

siguientes igualdades?
a) X3 – 1 = 7

b) 3 – X2 = - 6
 123

UNID
4. EL PROBLEMA DUAL (P. D.)

4.1 DUALIDAD
Dado un conjunto de datos correspondientes a un módulo de P. L, existe otro
modelo elaborado a partir de los mismos datos, con una estructura diferente

N
que viene a ser como la imagen del primero, conocido como el Problema Dual
(al original se le denomina Problema Primal P. P).

Ó
La dualidad es uno de los descubrimientos de gran importancia para el
I
IS
desarrollo de la P. L, ya que con el conjunto de datos originales (P. P) se
puede encontrar al mismo tiempo la solución Primal y la Dual.
V

La dualidad se caracteriza porque para todo problema de maximización de

RE

P. L existe un problema equivalente de minimización y viceversa.

4.2 IMPORTANCIA TEORICA DE LA DUALIDAD

La importancia teórica radica en la conceptualización que se da en las

relaciones matemáticas entre el Primal y el Dual, lo que permite que al
encontrar la solución de uno de los problemas, se obtenga al mismo tiempo la
solución de su problema equivalente.

A continuación se describen las diferentes relaciones entre los dos modelos y

sus componentes:
 124

4.2.1 Relaciones Entre el Modelo Primal y el Dual

a. Si el problema original (Primal) es un modelo de maximización, el Dual es

un modelo de minimización y viceversa.

b. Los términos independientes de las restricciones del Primal, corresponden

a los coeficientes de la función objetivo del Dual y viceversa.

N
c. Si en el modelo Primal las restricciones son del tipo ≤ , en el Dual son del
tipo ≥ y viceversa.

I Ó
d. Los coeficientes de las restricciones (a ij ) del Primal son los mismos del
Dual, pero transpuestos (lo que es fila en uno, es columna en otro y
IS
viceversa).
V

e. El número de variables del Primal es igual al número de restricciones del

RE

Dual y viceversa.

4.2.2 Relaciones entre la Solución del Modelo Dual y el Primal

a. La fila de los C j - Z j del Dual corresponden a los b i del Primal (con signos
contrarios) y viceversa.

b. Las variables de holgura del Dual corresponden a las variables físicas

Primal y Viceversa.
 125

c. Los a ij del Dual corresponden a los a ij del Primal, traspuestos y con signos
contrarios.

d. El Z óptimo del Dual corresponde al Z óptimo del Primal y viceversa.

Las anteriores relaciones (9 en total) son suficientes para:

1. Construir el modelo Dual, dado el modelo Primal y viceversa.

N
2. Pasar del Tablero Óptimo Dual (T.O.D) al Tablero Óptimo Primal (T.O.P)
y viceversa. I Ó
IS
4.3 IMPORTANCIA COMPUTACIONAL DE LA DUALIDAD

Dentro del análisis Dual hay un aspecto computacional que se debe resaltar,
V

ya que se presenta un ahorro de cálculos al determinar la solución del

RE

problema Primal a partir de la solución del problema Dual y viceversa,

teniendo en cuenta las relaciones descritas en la sección 4.2.2.

Ejemplos
1. Sea el siguiente modelo de P. L:

Max . Z = X 1 + 2X 2 Este es el Primal, ya que en la P. L a todo

s.a = X 1 + 3X 2 ≤ 8 modelo original, se le denomina Problema
X1 + X2 ≤ 4 Primal.
X1 = X2 ≥ 0
 126

Se pide:
a. Construcción del Dual respectivo.
b. Solución del Dual por el método Simplex.
c. Del T. O. D, obtener el T. O. P.

Solución
a) Para construir el Problema Dual, se aplican las relaciones descritas en la
sección 4.2.1, así:

N
Min. Z = 8Y 1 + 4Y 2 Este es el Dual, construido a partir de los
s.a = Y 1 + Y 2 ≥ 1 datos originales (Primal), pero con una
3Y 1 + Y 2 ≥ 2
Y1 = Y2 ≥ 0
I Ó
estructura diferente.
IS
b) Máx. (-Z) = -8Y 1 - 4Y 2 Max (-Z) = -8Y 1 - 4Y 2 + OS 1 + OS 2
s.a = -Y 1 - Y 2 ≤ -1 s.a = -Y 1 - Y 2 + S 1 = -1
V

-Y 1 - Y 2 ≤ -2 -Y 1 - Y 2 + S 2 = -2
RE

Y1 = Y2 ≥ 0 Y1 = Y2 = S1 = S2 ≥ 0

0 CJ -8 -4 0 0
C i UB bi Y1 Y2 S1 S2
0 S1 -1 -1 -1 1 0 F2N + FiV: para obtener la nueva F1

F2
0 S2 -2 -3 -1 0 1 : para obtener la nueva F2
−1
Zj 0 0 0 0 0
Cj - Zj -8 -4 0 0
θ2 8 4 α 0
3
 127

1 CJ -8 -4 0 0
C i UB bi Y1 Y2 S1 S2 θ1
F1
1 : para obtener la nueva F1
0 S1 1 2 0 1 -1 2 2
-4 Y2 2 3 1 0 -1 2 -3F1N + F2V: para obtener la nueva F2
3

Zj -8 -12 -4 0 4
Cj - Zj 4 0 0 -4

N
2
C i UB
I CJ
bi Ó
-8
Y1
-4
Y2
0
S1
0
S2
IS
1 1 - 12
-8 Y1 2 1 2 1
V

-4 Y2 1 0 −3 0 1
2 2 2
RE

Zj -6 -8 -4 2 2
Cj - Zj 0 0 -2 -2

Como todos los (C j – Z j ) ≤ 0, la solución es óptima; es decir, hemos llegado

al T. O. D., entonces:

c) El T. O. P es:
 128

CJ 1 2 0 0
C i UB bi X1 X2 S1 S2
1 X1 2 1 0 −1 3
2 2
1
2 X2 2 0 1
2 - 12

Zj 6 1 2 1 1
2 2

Cj - Zj 0 0 - 12 - 12

N
Ó
Nota: El estudiante debe ampliar los conceptos de las relaciones Dual y
Primal para verificar el modelo y solución obtenida.
I
IS
2. Dado el siguiente método de P. L.:
V
RE

Máx. . Z = 3X 1 + 2X 2
s.a: X 1 ≤ 4
X 1 + 3X 2 ≤ 15
2X 1 + X 2 ≤ 10
X1 = X2 ≥ 0

Obtener:
a. El modelo Dual correspondiente.
b. Solución del Dual por el método Simplex.
c. La T. O. D.
 129

Solución
a. Min. Z = 4Y 1 + 15Y 2 + 10Y 3
s.a = Y 1 + Y 2 + 2Y 3 ≥ 3
3Y 2 + Y 3 ≥ 2
Y1 = Y2 = Y3 ≥ 0

b. Máx. (-Z) = -4Y 1 - 15Y 2 - 10Y 3

N
s.a = -Y 1 - Y 2 - 2Y 3 ≤ -3
-3Y 2 - Y 3 ≤ -2
Y1 = Y2 = Y3 = S1 = S2 ≥ 0
I Ó
Máx. (-Z) = -4Y 1 -15Y 2 -10Y 3 +OS 1 + OS 2
IS
s.a = -Y 1 - Y 2 - 2Y 3 + S 1 = -3
-3Y 2 - Y 3 + S 2 = -2
V

Y1 = Y2 = Y3 ≥ 0
RE

0 CJ -4 -15 -10 0 0
Ci UB bi Y1 Y2 Y3 S1 S2
F1
0 S1 -3 -1 -1 -2 1 0 : para obtener la nueva F1
−1
0 S2 -2 0 -3 -1 0 1
3F1N + F2N: para obtener la nueva F2
Zj 0 0 0 0 0 0
Cj - Zj -4 -15 -10 0 0
θ2 4 15 5 0 α
 130

1 CJ -4 -15 -10 0 0
C i UB bi Y1 Y2 Y3 S1 S2 θ1

-15 Y 2 3 1 1 2 -1 0 3 -2F2N + F1V: para obtener la nueva F1

2
0 S2 7 3 0 5 -3 1 7 F2
5 : para obtener la nueva F2
5
Z j -45 -15 -15 -30 15 0
Cj - Zj 11 0 20 -15 0

N
2 CJ
I -4 Ó -15 -10 0 0
IS
C i UB bi Y1 Y2 Y3 S1 S2
-15 Y 2 1 −1 1 0 1 - 25
5 5 5
V

-10 Y 3 7 3
0 1 −3 1
5 5 5 5
RE

Z j -17 -3 -15 -10 3 4

Cj - Zj -1 0 0 -3 -4

Todos los (C j -Z j ) ≤ 0, entonces la solución es óptima, lo cual quiere decir

que, hemos llegado a la T. O. D, de la cual obtenemos la T. O. P, así:
 131

c. T. O. P.
CJ 3 2 0 0 0

C i UB bi X1 X2 S1 S2 S3

0 S1 1 0 0 1 1 - 35
5
3 X1 3 1 0 0 - 15 3
5
2 X2 4 0 1 0 2 - 15
5

N
Zj 17 3 2 0 1 7
5 5

Cj - Zj
I 0
Ó
0 0 - 15 - 75
IS
3. Considere el siguiente modelo de P. L.:
V

Max . Z = 2X 1 + 3X 2 + 4X 3
RE

s.a = 3X 1 + 4X 2 + 2X 3 ≤ 6
2X 1 + X 2 + 2X 3 ≤ 4
X 1 + 3X 2 + 2X 3 ≤ 8
X1 = X2 = X3 ≥ 0

Se pide:
a. Construcción del Dual equivalente.
b. Solución del Dual por el método Simplex.
c. De la T. O. D, obtenga la T. O. P.
Solución
 132

a. Min. Z = 6Y 1 + 4Y 2 + 8Y 3
s.a = 3Y 1 + 2Y 2 + Y 3 ≥ 2
4Y 1 + Y 2 + 3Y 3 ≥ 3
2Y 1 + 2Y 2 + 2Y 3 ≥ 4
Y1 = Y2 = Y3 ≥ 0

b. Máx. (-Z) = -6Y 1 - 4Y 2 - 8Y 3 Máx. (-Z) = -6Y 1 -4Y 2 -8Y 3 + OS 1 +

N
OS 2

s.a = -3Y 1 - 2Y 2 - Y 3 ≤ -2 s.a = -3Y 1 - 2Y 2 - Y 3 + S 1 = -3

-4Y 1 - Y 2 - 3Y 3 ≤ -3
-2Y 1 - 2Y 2 - 2Y 3 ≤ -4
I Ó -4Y 1 - Y 2 - 3Y 3 +
-2Y 1 - 2Y 2 - 2Y 3 +
S 2 = -2
S3 = -
IS
4
Y1 = Y2 = Y3 ≥ 0 Y 1 =Y 2 =Y 3 =S 1 =S 2 = S 3 ≥ 0
V

0 CJ -6 -4 -8 0 0 0
RE

Ci UB bi Y1 Y2 Y3 S1 S2 S3
F3N + F1V: para obtener la nueva F1
0 S1 -2 -3 -2 -1 1 0 0
0 S2 -3 -4 -1 -3 0 1 0 3F3N + F2V: para obtener la nueva F2

0 S3 -4 -2 -2 -2 0 0 1 F3
: para obtener la nueva F3
−2
Zj 0 0 0 0 0 0 0
Cj - Zj -6 -4 -8 0 0 0
θ2 3 2 4 α α 0
 133

1 CJ -6 -4 -8 0 0 0
C i UB bi Y1 Y2 Y3 S1 S2 S3 θ1

0 S1 0 -2 -1 0 1 0 - 12 0 F2N + F1V: para obtener la nueva F1

0 S2 3 -1 2 0 0 1 - 32 3 F2
2 : para obtener la nueva F2
2
-8 Y3 2 1 1 1 0 0 - 12 2

N
-2F2N + F3V: para obtener la nueva F3
Z j -16 -8 -8 -8 0 0 4
Cj - Zj 2 4 0 I 0
Ó
0 -4
V IS

2 CJ -6 -4 -8 0 0 0
5
C i UB bi Y1 Y2 Y3 S1 S2 S3 θ1 F3N + F1V: para obtener la
RE

2
0 S1 3 −5 0 0 1 1 5 - 35 nueva F1
2 2 2 4
1
F3N + f2V: para obtener la
-4 Y2 3 - 12 1 0 0 1 - 34 -3 2
2 2
nueva F2
-8 Y3 1 3 0 1 0 - 12 1 1
2 2 4 3 F3
: para obtener la nueva F3
3
Z j -10 -10 -4 -8 0 2 1 2
Cj - Zj 4 0 0 0 -2 -1
 134

3 CJ -6 -4 -8 0 0 0
C i UB bi Y1 Y2 Y3 S1 S2 S3
0 S1 7 0 0 5 1 - 13 - 56
3 3
-4 Y2 5 0 1 1 0 1 - 23
3 3 3

N
-6 Y1 1 1 0 2 0 - 13 1
3 3 6

Z j - 26

Cj - Zj
3 I -6

0
Ó
-4

0
- 16 3

- 23
0

0
2

- 23
3
5

- 53
3
IS
Como todos los (C j - Z j ) ≤ 0, hemos legado a la T. O. D.
V

Entonces la T. O. P es como sigue:

RE

CJ 2 3 4 0 0 0
C i UB bi X1 X2 X3 S1 S2 S3
0 S3 2 - 53 0 0 - 23 - 13 1
3
3 X2 2 1 1 0 1 - 13 0
3 3 3
4 X3 5 5 0 1 - 16 2 0
3 6 3

Zj 26 13 3 4 1 5 0
3 3 3 3

Cj - Zj - 73 0 0 - 13 - 53 0
 135

4. Sea el siguiente modelo de P. L:

Min. Z = 20X 1 + 15X 2 + 45X 3 + 60X 4

s.a = X 1 + X 2 + X 3 - 3X 4 ≥ 3

X1 + 3X 3 + 5X 4 ≥ 2

N
X1 = X2 = X3 = X4 ≥ 0

Y su tablero Óptimo:
I Ó
IS
CJ -20 -15 -45 -60 0 0
C i VB bi X1 X2 X3 X4 S1 S2
V

-20 X 1 2 1 0 3 5 0 -1
RE

-15 X 2 1 0 1 -2 -8 -1 1

Z j -55 -20 -15 -30 20 15 5

Cj - Zj 0 0 -15 -80 -15 -5

Se pide:

a. Construcción del Dual Correspondiente.

b. De la T. O. P, obtener la T. O. D.
 136

Solución.
a) Máx. Z = 3Y 1 + 2Y 2 Máx. Z = 3Y 1 +2Y 2 + OS 1 + OS 2 + OS 3 + OS 4
s.a : Y1 + Y2 ≤ 20 s.a :Y 1 + Y 2 + S 1 = 20
Y1 ≤ 15 Y1 + S2 = 20
Y 1 + 3Y 2 ≤ 45 Y 1 + 3Y 2 + S3 = 45

N
-3Y 1 + 5Y 2 ≤ 60 -3Y 1 + 5Y 2 + S 4 = 60
Y1 = Y2 ≥ 0 Y 1 =Y 2 = S 1 =S 2 = S 3 = S 4 ≥ 0

b) Entonces el T. O. D., nos queda así:

CJ
I 3
Ó 2 0 0 0 0
IS
C i VB bi X1 X2 S1 S2 S3 S4
0 S3 15 0 0 -3 2 1 0
V

0 S4 80 0 0 -5 8 0 1
RE

3 X1 15 1 0 0 1 0 0
2 X2 5 0 1 1 -1 0 0

Zj 55 3 2 2 1 0 0
Cj - Zj 0 0 -2 -1 0 0

4.4 ANALISIS DE SENSIBILIDAD

En las soluciones óptimas de modelos de P. L, algunos de los datos de un

problema no son conocidos con la exactitud que se desearía, por lo tanto
 137

deben ser estimados lo mejor posible. El análisis de sensibilidad hace posible

lo anterior, al convertir un problema estático de P. L en uno dinámico; lo que
lo hace tener un gran valor para la administración, puesto que permite una
interpretación de los resultados obtenidos.

Para el estudio de las diversas situaciones que se pueden presentar,

analizaremos los siguientes ejemplos:

N
1) La compañía “ABC” desea planear su producción para el próximo periodo.

siguientes requerimientos:
I Ó
Se pueden elaborar 4 productos distintos (1, 2, 3 y 4) los cuales presentan los
IS
Producto Material 1 Material 2 Material 3
V

1 1 5 4
2 1 3 8
RE

3 1 2 12
4 1 2 4
Disponibilidad
(Unidades) 10 20 28

Los productos aportan utilidades unitarias de $2, $3, $4 y $5 para 1, 2, 3 y 4

respectivamente (en miles). El problema consiste en determinar la cantidad
que debe elaborarse, por cada periodo, de los productos 1, 2, 3 y 4 para
maximizar la utilidad.
 138

El modelo correspondiente es:

Máx. Z = 2X 1 + 3X 2 + 4X 3 + 5X 4
s.a : X 1 + X 2 + X 3 + X 4 ≤ 10

5X 1 + 3X 2 + 2X 3 + 2X 4 ≤ 20
4X 1 + 8X 2 + 12X 3 + 4X 4 ≤ 28
X1 = X2 = X3 = X4 ≥ 0

N
El tablero inicial Simplex es:

CJ 2 3 4 5 0 0 0
C i UB
0 S1
bi
10
X1
I 1
X2
Ó
1
X3
1
X4
1
S1
1
S2
0
S3
0
IS
0 S2 20 5 3 2 2 0 1 0
0 S3 28 4 8 12 4 0 0 1
V

Zj 0 0 0 0 0
RE

Cj – Zj 2 3 4 5 0 0 0

El tablero óptimo (final) Simplex es:

CJ 2 3 4 5 0 0 0
C i UB B i X1 X2 X3 X4 S1 S2 S3
0 S1 3 0 -1 -2 0 1 0 - 14

0 S2 6 3 -1 -4 0 0 1 - 12

5 X4 7 1 2 3 1 0 0 1
4
 139

Zj 35 5 10 15 5 0 0 5
4

Cj – Zj -3 -7 -11 0 0 0 - 54

La solución que puede leerse del tablero final es:

a.
Z= 35 Observaciones
X1 = 0 No es rentable su producción
X2 = 0 No es rentable su producción

N
X3 = 0 No es rentable su producción
X4 = 7
S1 =
S2 =
3
6
I Ó
Producto rentable
Material 1no utilizado
Material 2 no utilizado
IS
S3 = 0 Todo el material 3 se utilizó
V

b.
RE

COSTOS DE OPORTUNIDAD
(Valores bajo la variable de decisión en la fila (C j – Z j )
Producto 1 ($3/Unidad). En estos valores cambiaría (se reduciría) la utilidad
Producto 2 ($7/Unidad) Por cada unidad que se elaborara de estos productos no

Producto 3 ($11/Unidad) No rentables.

C. PRECIOS SOMBRA

Material 1: $0 por cada unidad adicional del material.

Material 2: $0 por cada unidad adicional del material.
 140

Material 3: $ 5 4 por cada unidad adicional del material.

Estos valores muestran cuánto se estaría dispuesto a pagar por cada unidad
adicional de cada uno de los recursos (se toman de la fila Z del tablero
óptimo, debajo de las variables de holgura). Nótese que para aquellos recursos
que resultaron “No escasos” (sobró algo), su precio sombra, también llamados
precios implícitos, es igual a cero.

N
2. Suponga que una empresa produce tres artículos (1, 2 y 3), para lo cual
necesita de tres materiales básicos (1, 2 y 3) de los cuales dispone de 12, 8 y
I Ó
10 unidades respectivamente para los materiales 1,2 y 3. Cada artículo aporta
a la utilidad $2, $4 y $6 cada uno. Los requerimientos de materiales por cada
IS
producto son:
V

Producto Material 1 Material 2 Material 3

RE

1 2 2 4
2 1 4 2
3 4 2 4

Si el modelo correspondiente es:

Max . Z = 2X 1 + 4X 2 + 6X 3
s.a = 2X 1 + 2X 2 + 4X 3 ≤ 12
X 1 + 4X 2 + 2X 3 ≤ 8
4X 1 + 2X 2 + 4X 3 ≤ 10
 141

X1 = X2 = X3 ≥ 0

Y su solución óptima es:

CJ 2 4 6 0 0 0
C i VB bi X1 X2 X3 S1 S2 S3
0 S1 2 -2 0 0 1 0 -1
4 X2 1 - 13 1 0 0 1 - 16

N
3
6 X3 2 7 0 1 0 - 16 1

Zj 16 I17
6

3 Ó
4 6 0 1
3
4
3

3
IS
Cj - Zj - 113 0 0 0 - 13 - 43
V

Se pide hacer: Hacer un análisis de sensibilidad.

RE

Solución.
Del tablero óptimo puede decirse:

a) OBSERVACIONES

Z = 16
X 1 = 0 no es rentable su producción.
X 2 = 1 producto rentable.
X 3 = 2 producto rentable.
S 1 = 2 material 1 no utilizado.
 142

S 2 = 0 todo el material 2 se utilizó.

S 3 = 0 todo el material 3 se utilizó.

b) COSTOS DE OPORTUNIDAD

X 1 = ($ 113 /unidad). En este valor se reduciría la utilidad por cada unidad que

N
se elaborara de este producto no rentable.

c) PRECIOS SOMBRA. I Ó
Material 1: $0 Por cada unidad del material.
IS
Material 2: $ 13 Por cada unidad del material.
V

Material 3: $ 4 3 Por cada unidad del material.

RE
 143

RESUMEN

 A todo modelo de P. L. original (Primal), le corresponde otro modelo

N
equivalente, denominado modelo Dual.

I
de Minimización y viceversa.
Ó
 Si el modelo original de P. L. es de Maximización, el modelo Dual será
IS
 A través de la solución óptima Dual (T. O. D.), se pude deducir la
V

solución óptima Primal (T. O. P.) sin necesidad de resolver el modelo

original y viceversa.
RE

 Los costos de oportunidad en la solución de un problema de P. L. se

pueden leer debajo de las variables de decisión (variables de trabajo) en
la fila (C j – Z j ).

 Los precios sombra en la solución de un modelo de P. L. se pueden leer

debajo de las variables de Holgura en la fila (C j – Z j ).

 Toda solución óptima de modelos de P. L. se puede hacer dinámica a

través de un análisis de sensibilidad.
 144

AUTOEVALUACION N0 4

1. Una empresa produce dos tipos de pintura (X 1 y X 2 ) y utiliza dos materias

N
primas (A y B). Si la contribución a las utilidades de cada tipo de pintura es
$3 y $2 respectivamente y si el modelo correspondiente es:

I Ó
Máx. Z = 3X 1 + 2X 2
s.a = 2X 1 + X 2 ≤ 6
IS
2X 1 + X 2 ≤ 8
-X 1 + X 2 ≤ 1
V

X2 ≤ 2
X1 = X2 ≥ 0
RE

Y su tabla óptima es:

CJ 3 2 0 0 0 0
C i VB Bi X1 X2 S1 S2 S3 S4
2 X2 4 0 1 2 - 13 0 0
3 3
3 X1 10 1 0 - 13 2 0 0
3 3
0 S3 3 0 0 -1 1 1 0
0 S4 2 0 0 - 23 1 0 1
3 3
 145

Zj 38 3 2 1 4 0 0
3 3 3

Cj - Zj 0 0 - 13 - 43 0 0

Se pide: Elaborar la tabla óptima Dual y hacer un análisis de la sensibilidad a

las dos tablas óptimas.

2. Sea el siguiente modelo de P. L:

N
Max . Z = 3X 1 + 2X 2
s.a = X 1 ≤ 12

X 1 + 3X 2 ≤ 45
2X 1 + X 2 ≤ 30
I Ó
IS
X1 = X2 ≥ 0
Y sea el siguiente su tablero óptimo:
V

CJ 3 2 0 0 0
RE

C i UB B i X1 X2 S1 S2 S3

3 X1 9 1 0 0 - 15 3
5
0 S1 3 0 0 1 1 - 35
5
2 X2 12 0 1 0 2 - 15
5

Zj 51 3 2 0 1 7
5 5

Cj - Zj 0 0 0 - 15 - 75
 146

Se pide: Elaborar la tabla óptima Dual y hacer un análisis de sensibilidad de

las dos tablas óptimas.

3. El estudiante puede hacerle el análisis de sensibilidad a los ejercicios

resueltos en las unidades anteriores.
GLOSARIO DE TERMINOS

N
1) COSTO DE OPORTUNIDAD: Retornos que se pierden o dejar de
percibir como resultado de seleccionar una alternativa en lugar de otra. La

Ó
cuantía de los costos de oportunidad se determina comparando los beneficios
o las ventajas de una escogencia con aquellos que se obtendrían de la mejor
I
IS
alternativa.
V

2) PRECIO SOMBRA: Valor dispuesto a pagar por cada unidad adicional

usada en la elaboración de bienes o prestación de servicios.
RE
 147

BIBLIOGRAFIA

N
• QUESADA, Victor. Programación Lineal. U. De Cartagena.

Internacional.
I Ó
• MOSKOWITZ, Herbert. Investigación de Operaciones. Preutice Hall
IS
• EPPEN, G.D, GOULD, F.J. investigación de Operaciones en la Ciencia
Administrativa. Preutice Hall Hispanoamericana. S. A, 1.984.
V

• VARELA, Jaime. Introducción a la I de O. Editorial Fondo Educativo

RE

Interamericano S. A. Colombia, 1.982.

• HILLIER, Frederick; LIBERMAN, Gerald. Introducción a la I de O.

Editorial McGraw - Hill. México, 1.991.

• GONZALEZ, Ángel León. Manual Práctico de Investigación de

Operaciones I. Ediciones Uninorte, Barranquilla, 1.998.

• SHAMBLIN, James y G. T., Stevens. Investigación de Operaciones, un

enfoque fundamental. Editorial Mcgraw-Hill. México, 1.990.
 148

EL AUTOR

SANTIAGO VERGARA NAVARRO, Ingeniero Industrial, Especialista en

Diseño y Evaluación de Proyectos (CECAR – UNINORTE) y Especialista en

N
Administración Financiera (CECAR).

Se ha desempeñado como Gerente de LIPAVENCA en San Cristóbal –

Ó
Venezuela; Jefe de Operaciones de MOTICONCA en Valencia – Venezuela;
Gerente de Salud Asesores Ltda. en Sincelejo y como Secretario de Gobierno,
I
Recurso Humano y de Planeación del Municipio de Corozal (Sucre).
IS
Ha sido profesor de pre-grado en CECAR de Matemáticas Financieras
(Ingeniería Económica), Álgebra y Programación Lineal, Diseño y
V

Evaluación de Proyectos, Evaluación Social de Proyectos, Análisis Financiero

e Investigación de Operaciones, en los programas de Contaduría Pública,
Admón. de Empresas, Economía e Ingeniería Industrial; docente catedrático
RE

en UNISUCRE de Matemáticas Financieras III y Plan de Empresas II;

docente en IAFIC – Sincelejo de Matemáticas Financieras, Programación
Lineal y asesor metodológico de la práctica empresarial; monitor del Módulo
Diagnóstico Financiero de la Especialización en Administración Financiera de
CECAR – Sincelejo y docente de postgrados en CECAR de Matemáticas
Financieras en Excel..

Conferencista de diversos seminarios en el área de finanzas y espíritu

empresarial, asesor y evaluador de varios trabajos de grado en CECAR y
UNISUCRE y asesor del programa Jóvenes Emprendedores Exportadores del
Ministerio de Comercio Exterior.
 149

Tiene escritos en Álgebra y Programación Lineal (E. A. D. CECAR);

Matemáticas Financieras Básicas (Documento guía de IAFIC – Sincelejo) y
Matemáticas Financieras en Excel (Documento guía en postgrados CECAR).

N
I Ó
V IS
RE
DIRECCIÓN DE EDUCACIÓN ABIERTA Y A DISTANCIA Y VIRTUALIDAD

ADMINISTRACIÓN DE EMPRESAS

PROGRAMACIÓN LINEAL

Carretera Troncal de Occidente - Vía Corozal - Sincelejo (Sucre)

Teléfonos: 2804017 - 2804018 - 2804032, Ext. 126, 122 y 123
Mercadeo: 2806665 Celular: (314) 524 88 16
E- Mail: facultadeducacion@cecar.edu.co