Colección de problemas de formulación de modelos de

Programación Lineal

Álvaro Garcı́a Sánchez, Miguel Ortega Mier

3 de marzo de 2013

5
Índice
1. 7
1.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2. 13
2.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

3. 19
3.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

4. 22
4.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

5. 24
5.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

6. 25
6.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
6.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

7. 28
7.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
7.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

8. 31
8.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
8.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

9. 33
9.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
9.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

10. 37
10.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
10.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

11. 42
11.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
11.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

12. 46
12.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
12.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

13. 48
13.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
13.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

1
14. 52
14.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
14.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

15.Ejercicio 54
15.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
15.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

16.Ejercicio 55
16.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
16.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

17.Ejercicio 56
17.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
17.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

18.Ejercicio 57
18.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
18.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

19.Ejercicio 58
19.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
19.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

20.Ejercicio 59
20.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
20.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

21.Ejercicio MME-1213-ENE-2 61
21.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
21.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

22.Ejercicio 62
22.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
22.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

23.Ejercicio 65
23.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
23.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

24.Ejercicio 66
24.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
24.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

25.Ejercicio 68
25.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

26.Ejercicio 69
26.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
26.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69

27.Ejercicio 70
27.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
27.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
2
28.Ejercicio 72
28.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
28.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

29.Ejercicio MME-1213-ENE-3 74
29.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
29.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

30.Ejercicio 75
30.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
30.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

31.Ejercicio 76
31.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
31.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

32.Ejercicio 78
32.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
32.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

33.Ejercicio 80
33.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
33.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

34.Ejercicio 82
34.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
34.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82

35.Ejercicio 83
35.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
35.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

36.Ejercicio 85
36.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
36.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

37.Ejercicio 87
37.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
37.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

38.Ejercicio 88
38.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
38.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
38.3. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
38.4. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
38.5. Enunciado MME-1213-ENE-4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
38.6. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91

39.Ejercicio 92
39.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
39.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92

3
40.Ejercicio 93
40.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
40.2. Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93

4
ÍNDICE
Índice 6
1
1. 7

1.1. Enunciado
Un fabricante de refrescos F R produce tres modalidades (A, B y C), cada una en su propio formato:
de 3 litros, 2 litros y 1 litro, respectivamente. Este fabricante está comprometido a entregar a un gran
distribuidor GD (su único cliente) exactamente 20000 litros diarios de refrescos. Dispone de 25000 gramos
diarios de un saborizante del que cada modalidad consume por botella: la botella de 3 litros, 2 gramos; la
de 2 litros, 3 g; y la de un litro, 4 g. Conocidos los datos económicos de A, B y C, y siendo xj los miles de
botellas de la modalidad j a envasar diariamente, F R ha planteado el siguiente modelo de programación
lineal (c y b están expresados en miles):

max z = 5x1 + 6x2 + 8x3

s.a.
2x1 + 3x2 + 4x3 ≤ 25 (1)
3x1 + 2x2 + 1x3 = 20
x1 , x2 , x3 ≥ 0

1. Obtener el plan óptimo de envasado de F R.

2. Determinar el significado de los multiplicadores del simplex de las dos restricciones.
3. A F R le preocupa la posibilidad de que su proveedor de tapones (iguales para las tres modalidades)
restrinja su suministro a un máximo de 6000 tapones diarios. Como ejercicio de postoptimización,
introducir esta nueva restricción y determinar su repercusión.
4. Mediante el correspondiente análisis de sensibilidad, determinar la repercusión en el mix de envasado
de posibles cambios en los precios de venta de las dos modalidades de menor capacidad, B y C (x2
y x3 ).
5. Determinar la validez del mix de producción ante posibles variaciones en la demanda total de
refrescos, que se traducirı́an en un mayor o menor volumen a entregar diariamente a GD, utilizando
el análisis de sensibilidad.
6. El formato de 3 litros (modalidad A, x1 ) puede estar especialmente afectado por los cambios en
los mercados de refrescos y materias primas. Mediante la programación paramétrica, analizar el
conjunto de diferentes planes de envasado y sus resultados en función de cualquier valor no negativo
de la contribución unitaria al beneficio del producto A.
7. El gran distribuidor GD exige que las entregas diarias sean múltiplos exactos de mil para cada
modalidad. A partir de la resolución del apartado a) de la pregunta anterior, plantear un plano
secante de correspondiente al algoritmo de Gomory y, sin realizar ninguna iteración, introducir la
restrcción correspondiente en la tabla de la solución óptima hasta el momento.

1.2. Resolución

max z = 5x1 + 6x2 + 8x3

s.a.
2x1 + 3x2 + 4x3 ≤ 25 (2)
3x1 + 2x2 + 1x3 = 20
x1 , x2 , x3 ≥ 0
1 El problema se puede reformular de la siguiente manera, convirtiendo las desigualdades en igualdades
8
(idéntido al problema anterior en términos del sistema que representa):

max z = 5x1 + 6x2 + 8x3

s.a.
2x1 + 3x2 + 4x3 + h1 = 25 (3)
3x1 + 2x2 + 1x3 = 20
x1 , x2 , x3 ≥ 0

No existe solución básica factible inmediata, por lo que es necesario utilizar el método de las dos fases
o de la M grande. En el primer caso, se construye el siguiente problema auxiliar P  :

max z = −a
s.a.
2x1 + 3x2 + 4x3 + h1 = 25 (4)
3x1 + 2x2 + 1x3 + a = 20
x1 , x2 , x3 , a ≥ 0

Apartado 1. Para el problema P  es posible encontrar una solución básica factible de partida con las
actividades básicas h1 y a, con valores h1 = 20 y a = 20. Al aplicar el método del Simplex, en su variante
de la matriz completa, para esa solución básica se obtiene la siguiente tabla:
x1 x2 x3 h1 a
20 3 2 1 0 0 (V B fase 1)
0 5 6 8 0 0 (V B fase 2)
h1 25 2 3 4 1 0
a 20 3 2 1 0 1

Introduciendo en la base x1 y sacando a, se obtiene:

x1 x2 x3 h1 a
0 0 0 0 0 -1 (V B fase 1)
-100/3 0 8/3 19/3 0 -5/3 (V B fase 2)
h1 35/3 0 5/3 10/3 1 -2/3
x1 20/3 1 2/3 1/3 0 1/3

La tabla anterior corresponde a una solución del problema P  donde a = 0, por lo que es una solución
básica factible del problema original, pero no óptima, porque no cumple V B ≤ 0. Introduciendo en la
base x3 y sacando h1 , se obtiene:
x1 x2 x3 h1 a
0 0 0 0 0 -1 (V B fase 1)
-111/2 0 -1/2 0 -19/10 -2/5 (V B fase 2)
x3 7/2 0 1/2 1 3/10 -1/5
x1 11/2 1 1/2 0 -1/10 2/5

La tabla anterior corresponde a la solución óptima del problema original (V B ≤ 0). El programa de
producción óptimo consiste en:
Producir 5500 refrescos de 1/3l, ningún refresco de 1/2l y 3500 de 1l.
Se consumen todo el material disponible para producir las botellas (h1 = 0)
1 9
Apartado 2. Los multiplicadores del simplex (π B = cB B −1 ) se pueden calcular, a partir de la tabla,
de la siguiente manera:
π1B = −VhB1 = 19/10
π2B = −VaB = 2/5
La interpretación de los mismos es la siguiente:
π1B = 19/10. Si Δb1 = 1 ⇒ Δz = 19/10. La empresa estarı́a dispuesta a pagar hasta 1900 unidades
monetarias para disponer de 1 kg más diariamente. Igualmente, estarı́a dispuesta a vender 1 kg si
recibiera por ello cualquier cantidad superior a 1900 unidades monetarias.
π2B = 2/5. Si Δb1 = 1 ⇒ Δz = 2/5. La empresa podriá obtener un beneficio mayor (4/5) si el
compromiso fuera entrgar 21000 botellas y no 20000, por lo que este compromiso está actuando
como una limitación. F R estarı́a dispuesta a renegociar el compromiso para pasar a 21000 botellas,
siempre y cuando esto no representara un coste para ella superior a 400 unidades monetarias.

Apartado 3. En términos del planteamiento del modelo, la posibilidad descrita se traducirı́a en la

siguiente restricción:
x1 + x2 + x3 ≤ 6 ⇒ x1 + x2 + x3 + h3 = 6
Tras introducir la nueva restricción y modificarla convenientemente para que x1 , x3 y h3 sean las
variables básicas, se obtiene la solución correspondiente a la siguiente tabla, que es una solución que
cumple el criterio de optimalidad pero no es factible. Aplicando Lemke (sacando h3 e introduciendo h1 )
se obtiene la siguiente tabla.
x1 x2 x3 h1 h3
-111/2 0 -1/2 0 -19/10 0
x3 7/2 0 1/2 1 3/10 0
x1 11/2 1 1/2 0 -1/10 0
6 1 1 1 0 1
1/2 0 1/2 1 1/10 1
h3 -3 0 0 0 -1/5 1
-111/2 0 -1/2 0 -19/10 0
x3 7/2 0 1/2 1 3/10 0
x1 11/2 1 1/2 0 -1/10 0
h3 -3 0 0 0 -1/5 1
-27 0 -1/2 0 0 -19/2
x3 -1 0 1/2 1 0 3/2
x1 7 1 1/2 0 0 -1/2
h1 15 0 0 0 1 -5

La última tabla corresponde a una solución no factible (x3 ≤ 0) y no existe ninguna tasa de sustitución
de esa variable con respecto a las no básicas que sea negativa. Al introducir la nueva restricción el problema
no tiene solución factible. Si el proveedor de tapones hiciera como se dice, no serı́a posible obtener un
programa de producción que cumpliera con todas las restricciones.

Apartado 4. El rango de valores para c2 y c3 dentro del cual la composición del mix de producción
es el mismo que el obtenido se obtiene calculando los nuevos criterios del Simplex en función de dichos
variables.
En el caso de c2 , como x2 no es una variable básica, si c2 se modifica, sólo se modifica V2B . En
particular:
 
3
V2B = c2 − cB B −1 A2 = c2 − π B = c2 − 13/2 (5)
2
1 El mix sigue siendo el mismo si c − 13/2 ≤ 0, es decir, si c ≤ 13/2 10
2 2
El el caso de que cambie c3 , como x3 es una variable básica, cambian los criterios del Simplex de todas
las variables (menos los de las básicas, que son 0). En particular:

 
    0 1/2 1 3/10
V B = c − cB B −1 A = c − cB p = 5 6 c3 0 − c3 5 =
1 1/2 0 −1/10 (6)
     
= 5 6 c3 0 − 5 c32+5 c3 3c10 3 −5
= 0 7 − c3 0 3c10
3 −5

Es decir, el mix es el mismo si se cumple simultáneamente:

7 − c3 ≤ 0 c3 ≥ 7
3c3 −5 ⇒ ⇒ c3 ≥ 7 (7)
10 ≤ 0 c 3 ≥ 5/3

El mix es el mismo, siempre y cuando la contribución unitaria al beneficio de cada botella de litro sea
igual o superior a 7 unidades monetarias.

Apartado 5. La demanda de refrescos quedar reflejada en la segunda restricción. Si cambia b2 , la

solución podrı́a dejar de ser factible y, por lo tanto, dejar de ser óptima.
    75−2b2 
3/10 −1/5 25 b ≤ 75/2
uB = B −1 b = = 10
−25+4b2 ≥0⇒ 2 (8)
−1/10 2/5 b2 10
b2 ≥ 25/4
Es decir, el mix es el mismo se 25/4 ≤ b2 ≤ 75/2, es decir, si la demanda supera los 6250 botellas y
si no supera los 37500.

Apartado 6.
T0 x1 x2 x3 h1
-111/2 0 -1/2 0 -19/10
x3 7/2 0 1/2 1 3/10
x1 11/2 1 1/2 0 -1/10
Sea c1 = λ, con 0 ≤ λ ≤ ∞. Si λ = 5, T ,0 es la tabla correspondiente a la solución óptima.
Si λ modifica su valor, se modificará el vector de criterios del Simplex V B (λ). Siempre y cuando
V B (λ) ≤ 0 las actividades básicas serán x1 y x3 , con los niveles de realización de la tabla T0 . El criterio
del Simplex V B (λ) es:

 
    0 1/2 1 3/10
V B (λ) = c − cB B −1 A = c − cB p = λ 6 8 0 − 8 λ =
1 1/2 0 −1/10 (9)
 
0 − 4−λ
2 0 λ−24
10

Las variables básicas son x1 y x3 siempre y cuando V B (λ). Es decir:

4−λ≤0
⇒ 4 ≤ λ ≤ 24 (10)
λ − 24 ≤ 0
Si 4 ≤ λ ≤ 24, la tabla corresondiente a la solución óptima es T0 (λ):

T0 (λ) x1 x2 x3 h1
4−λ
−28 − 11λ/2 0 2 0 λ−24
10
x3 7/2 0 1/2 1 3/10
x1 11/2 1 1/2 0 -1/10
1 Si λ = 4, la tabla se convierte en T , correspondiente a un óptimo múltiple. Introduciendo x 11
1 2 y
sacando x3 se obtiene una nueva solución a la que le corresponde la tabla T2

T1 x1 x2 x3 h1
-50 0 0 0 -2
x3 7/2 0 1/2 1 3/10
x1 11/2 1 1/2 0 -1/10
T2 x1 x2 x3 h1
-50 0 0 0 -2
x2 7 0 1 2 3/5
x1 2 1 0 -1 -2/5

Si λ modifica su valor, se modificará el vector de criterios del Simplex V B (λ). Siempre y cuando
V (λ) ≤ 0 las actividades básicas serán x1 y x2 , con los niveles de realización de la tabla T2 . El criterio
B

del Simplex V B (λ) es:

 
    0 1 2 3/5
V B (λ) = c − cB B −1 A = c − cB p = λ 6 8 0 − 6 λ =
1 0 −1 −2/5 (11)
 2λ−18

0 0 λ−4 5

El criterio del Simplex de la tabla T2 nunca se anula para valores de λ tales que 0 ≤ λ ≤ 4
Volviendo a la tabla T0 (λ), si λ = 24, la tabla se convierte en la tabla T3 , correspondiente a un
óptimo múltiple. Introduciendo h1 sacando x3 se obtiene la tabla T4 correspondiente a la solución óptima
alternativa:
T3 x1 x2 x3 h1
−160 0 -10 0 0
x3 7/2 0 1/2 1 3/10
x1 11/2 1 1/2 0 -1/10
T4 x1 x2 x3 h1
−160 0 -10 0 0
h3 35/3 0 5/3 10/3 1
x1 20/3 1 2/3 1/3 0

De nuevo, Si λ modifica su valor, se modificará el vector de criterios del Simplex V B (λ). Siempre y
cuando V B (λ) ≤ 0 las actividades básicas serán x1 y h1 , con los niveles de realización de la tabla T4 . El
criterio del Simplex V B (λ) es:

 
−1
    0 5/3 10/3 1
V (λ) = c − c B
B B
A=c−c p=
B
λ 6 8 0 − 0 λ =
1 2/3 1/3 0 (12)
 6−2λ 24−λ

0 3 3 0)

El criterio del Sipmlex no se hace positivo para ningún valor de λ tal que λ > 24
En resumen:
Variables básicas: x1 = 2 y x2 = 7 si 0 ≤ λ ≤ 4 con z = 42 + 2λ
Variables básicas: x1 = 11/2 y x3 = 7/2 si 4 ≤ λ ≤ 24 con z = 28 + 11λ/2
Variables básicas: x1 = 20/3 y h1 = 35/3 si 24 ≤ λ con z = 20λ/3
1  12
Apartado 6. Los dos posibles plano de Gomory de la forma: −f0 + fi xi ≥ 0 serı́an, en este caso,
dos, uno por cada variable:

−1/2 + 1/2x2 + 3/10h1 ≥ 0 ⇒ 1/2x2 + 3/10h1 − h3 = 1/2

−1/2 + 1/2x2 + 9/10h1 ≥ 0 ⇒ 1/2x2 + 9/10h1 − h4 = 1/2
Si se introduce y modifica el primer plano secante, la tabla resultante serı́a la siguiente:

x1 x2 x3 h1 h3
-111/2 0 -1/2 0 -19/10 0
x3 7/2 0 1/2 1 3/10 0
x1 11/2 1 1/2 0 -1/10 0
1/2 0 1/2 0 3/10 -1
h3 -1/2 0 1/2 0 -3/10 1

La tabla final es la siguiente, correspondiente a una solución no factible que cumple el criterio de
optimalidad, por lo que se podrı́a aplicar el método de Lemke.

x1 x2 x3 h1 h3
-111/2 0 -1/2 0 -19/10 0
x3 7/2 0 1/2 1 3/10 0
x1 11/2 1 1/2 0 -1/10 0
h3 -1/2 0 1/2 0 -3/10 1
2
2. 13

2.1. Enunciado
Un fabricante de refrescos F R produce tres modalidades (A, B y C), cada una en su propio formato:
de 3 litros, 2 litros y 1 litro, respectivamente. Este fabricante está comprometido a entregar a un gran
distribuidor GD (su único cliente) exactamente 20000 litros diarios de refrescos. Dispone de 25000 gramos
diarios de un saborizante del que cada modalidad consume por botella: la botella de 3 litros, 2 gramos; la
de 2 litros, 3 g; y la de un litro, 4 g. Conocidos los datos económicos de A, B y C, y siendo xj los miles de
botellas de la modalidad j a envasar diariamente, F R ha planteado el siguiente modelo de programación
lineal (c y b están expresados en miles):

max z = 5x1 + 6x2 + 8x3

s.a.
2x1 + 3x2 + 4x3 ≤ 25 (13)
3x1 + 2x2 + 1x3 = 20
x1 , x2 , x3 ≥ 0

1. Obtener el plan óptimo de envasado de F R.

2. Determinar el significado de los multiplicadores del simplex de las dos restricciones.
3. A F R le preocupa la posibilidad de que su proveedor de tapones (iguales para las tres modalidades)
restrinja su suministro a un máximo de 6000 tapones diarios. Como ejercicio de postoptimización,
introducir esta nueva restricción y determinar su repercusión.
4. Mediante el correspondiente análisis de sensibilidad, determinar la repercusión en el mix de envasado
de posibles cambios en los precios de venta de las dos modalidades de menor capacidad, B y C (x2
y x3 ).
5. Determinar la validez del mix de producción ante posibles variaciones en la demanda total de
refrescos, que se traducirı́an en un mayor o menor volumen a entregar diariamente a GD, utilizando
el análisis de sensibilidad.
6. El formato de 3 litros (modalidad A, x1 ) puede estar especialmente afectado por los cambios en
los mercados de refrescos y materias primas. Mediante la programación paramétrica, analizar el
conjunto de diferentes planes de envasado y sus resultados en función de cualquier valor no negativo
de la contribución unitaria al beneficio del producto A.
7. El gran distribuidor GD exige que las entregas diarias sean múltiplos exactos de mil para cada
modalidad. A partir de la resolución del apartado a) de la pregunta anterior, plantear un plano
secante de correspondiente al algoritmo de Gomory y, sin realizar ninguna iteración, introducir la
restrcción correspondiente en la tabla de la solución óptima hasta el momento.

2.2. Resolución

max z = 5x1 + 6x2 + 8x3

s.a.
2x1 + 3x2 + 4x3 ≤ 25 (14)
3x1 + 2x2 + 1x3 = 20
x1 , x2 , x3 ≥ 0
2 El problema se puede reformular de la siguiente manera, convirtiendo las desigualdades en igualdades
14
(idéntido al problema anterior en términos del sistema que representa):

max z = 5x1 + 6x2 + 8x3

s.a.
2x1 + 3x2 + 4x3 + h1 = 25 (15)
3x1 + 2x2 + 1x3 = 20
x1 , x2 , x3 ≥ 0

No existe solución básica factible inmediata, por lo que es necesario utilizar el método de las dos fases
o de la M grande. En el primer caso, se construye el siguiente problema auxiliar P  :

max z = −a
s.a.
2x1 + 3x2 + 4x3 + h1 = 25 (16)
3x1 + 2x2 + 1x3 + a = 20
x1 , x2 , x3 , a ≥ 0

Apartado 1. Para el problema P  es posible encontrar una solución básica factible de partida con las
actividades básicas h1 y a, con valores h1 = 20 y a = 20. Al aplicar el método del Simplex, en su variante
de la matriz completa, para esa solución básica se obtiene la siguiente tabla:
x1 x2 x3 h1 a
20 3 2 1 0 0 (V B fase 1)
0 5 6 8 0 0 (V B fase 2)
h1 25 2 3 4 1 0
a 20 3 2 1 0 1

Introduciendo en la base x1 y sacando a, se obtiene:

x1 x2 x3 h1 a
0 0 0 0 0 -1 (V B fase 1)
-100/3 0 8/3 19/3 0 -5/3 (V B fase 2)
h1 35/3 0 5/3 10/3 1 -2/3
x1 20/3 1 2/3 1/3 0 1/3

La tabla anterior corresponde a una solución del problema P  donde a = 0, por lo que es una solución
básica factible del problema original, pero no óptima, porque no cumple V B ≤ 0. Introduciendo en la
base x3 y sacando h1 , se obtiene:
x1 x2 x3 h1 a
0 0 0 0 0 -1 (V B fase 1)
-111/2 0 -1/2 0 -19/10 -2/5 (V B fase 2)
x3 7/2 0 1/2 1 3/10 -1/5
x1 11/2 1 1/2 0 -1/10 2/5

La tabla anterior corresponde a la solución óptima del problema original (V B ≤ 0). El programa de
producción óptimo consiste en:
Producir 5500 refrescos de 1/3l, ningún refresco de 1/2l y 3500 de 1l.
Se consumen todo el material disponible para producir las botellas (h1 = 0)
2 15
Apartado 2. Los multiplicadores del simplex (π B = cB B −1 ) se pueden calcular, a partir de la tabla,
de la siguiente manera:
π1B = −VhB1 = 19/10
π2B = −VaB = 2/5
La interpretación de los mismos es la siguiente:
π1B = 19/10. Si Δb1 = 1 ⇒ Δz = 19/10. La empresa estarı́a dispuesta a pagar hasta 1900 unidades
monetarias para disponer de 1 kg más diariamente. Igualmente, estarı́a dispuesta a vender 1 kg si
recibiera por ello cualquier cantidad superior a 1900 unidades monetarias.
π2B = 2/5. Si Δb1 = 1 ⇒ Δz = 2/5. La empresa podriá obtener un beneficio mayor (4/5) si el
compromiso fuera entrgar 21000 botellas y no 20000, por lo que este compromiso está actuando
como una limitación. F R estarı́a dispuesta a renegociar el compromiso para pasar a 21000 botellas,
siempre y cuando esto no representara un coste para ella superior a 400 unidades monetarias.

Apartado 3. En términos del planteamiento del modelo, la posibilidad descrita se traducirı́a en la

siguiente restricción:
x1 + x2 + x3 ≤ 6 ⇒ x1 + x2 + x3 + h3 = 6
Tras introducir la nueva restricción y modificarla convenientemente para que x1 , x3 y h3 sean las
variables básicas, se obtiene la solución correspondiente a la siguiente tabla, que es una solución que
cumple el criterio de optimalidad pero no es factible. Aplicando Lemke (sacando h3 e introduciendo h1 )
se obtiene la siguiente tabla.
x1 x2 x3 h1 h3
-111/2 0 -1/2 0 -19/10 0
x3 7/2 0 1/2 1 3/10 0
x1 11/2 1 1/2 0 -1/10 0
6 1 1 1 0 1
1/2 0 1/2 1 1/10 1
h3 -3 0 0 0 -1/5 1
-111/2 0 -1/2 0 -19/10 0
x3 7/2 0 1/2 1 3/10 0
x1 11/2 1 1/2 0 -1/10 0
h3 -3 0 0 0 -1/5 1
-27 0 -1/2 0 0 -19/2
x3 -1 0 1/2 1 0 3/2
x1 7 1 1/2 0 0 -1/2
h1 15 0 0 0 1 -5

La última tabla corresponde a una solución no factible (x3 ≤ 0) y no existe ninguna tasa de sustitución
de esa variable con respecto a las no básicas que sea negativa. Al introducir la nueva restricción el problema
no tiene solución factible. Si el proveedor de tapones hiciera como se dice, no serı́a posible obtener un
programa de producción que cumpliera con todas las restricciones.

Apartado 4. El rango de valores para c2 y c3 dentro del cual la composición del mix de producción
es el mismo que el obtenido se obtiene calculando los nuevos criterios del Simplex en función de dichos
variables.
En el caso de c2 , como x2 no es una variable básica, si c2 se modifica, sólo se modifica V2B . En
particular:
 
3
V2B = c2 − cB B −1 A2 = c2 − π B = c2 − 13/2 (17)
2
2 El mix sigue siendo el mismo si c − 13/2 ≤ 0, es decir, si c ≤ 13/2 16
2 2
El el caso de que cambie c3 , como x3 es una variable básica, cambian los criterios del Simplex de todas
las variables (menos los de las básicas, que son 0). En particular:

 
    0 1/2 1 3/10
V B = c − cB B −1 A = c − cB p = 5 6 c3 0 − c3 5 =
1 1/2 0 −1/10 (18)
     
= 5 6 c3 0 − 5 c32+5 c3 3c10 3 −5
= 0 7 − c3 0 3c10
3 −5

Es decir, el mix es el mismo si se cumple simultáneamente:

7 − c3 ≤ 0 c3 ≥ 7
3c3 −5 ⇒ ⇒ c3 ≥ 7 (19)
10 ≤ 0 c 3 ≥ 5/3

El mix es el mismo, siempre y cuando la contribución unitaria al beneficio de cada botella de litro sea
igual o superior a 7 unidades monetarias.

Apartado 5. La demanda de refrescos quedar reflejada en la segunda restricción. Si cambia b2 , la

solución podrı́a dejar de ser factible y, por lo tanto, dejar de ser óptima.
    75−2b2 
3/10 −1/5 25 b ≤ 75/2
uB = B −1 b = = 10
−25+4b2 ≥0⇒ 2 (20)
−1/10 2/5 b2 10
b2 ≥ 25/4
Es decir, el mix es el mismo se 25/4 ≤ b2 ≤ 75/2, es decir, si la demanda supera los 6250 botellas y
si no supera los 37500.

Apartado 6.
T0 x1 x2 x3 h1
-111/2 0 -1/2 0 -19/10
x3 7/2 0 1/2 1 3/10
x1 11/2 1 1/2 0 -1/10
Sea c1 = λ, con 0 ≤ λ ≤ ∞. Si λ = 5, T ,0 es la tabla correspondiente a la solución óptima.
Si λ modifica su valor, se modificará el vector de criterios del Simplex V B (λ). Siempre y cuando
V B (λ) ≤ 0 las actividades básicas serán x1 y x3 , con los niveles de realización de la tabla T0 . El criterio
del Simplex V B (λ) es:

 
    0 1/2 1 3/10
V B (λ) = c − cB B −1 A = c − cB p = λ 6 8 0 − 8 λ =
1 1/2 0 −1/10 (21)
 
0 − 4−λ
2 0 λ−24
10

Las variables básicas son x1 y x3 siempre y cuando V B (λ). Es decir:

4−λ≤0
⇒ 4 ≤ λ ≤ 24 (22)
λ − 24 ≤ 0
Si 4 ≤ λ ≤ 24, la tabla corresondiente a la solución óptima es T0 (λ):

T0 (λ) x1 x2 x3 h1
4−λ
−28 − 11λ/2 0 2 0 λ−24
10
x3 7/2 0 1/2 1 3/10
x1 11/2 1 1/2 0 -1/10
2 Si λ = 4, la tabla se convierte en T , correspondiente a un óptimo múltiple. Introduciendo x 17
1 2 y
sacando x3 se obtiene una nueva solución a la que le corresponde la tabla T2

T1 x1 x2 x3 h1
-50 0 0 0 -2
x3 7/2 0 1/2 1 3/10
x1 11/2 1 1/2 0 -1/10
T2 x1 x2 x3 h1
-50 0 0 0 -2
x2 7 0 1 2 3/5
x1 2 1 0 -1 -2/5

Si λ modifica su valor, se modificará el vector de criterios del Simplex V B (λ). Siempre y cuando
V (λ) ≤ 0 las actividades básicas serán x1 y x2 , con los niveles de realización de la tabla T2 . El criterio
B

del Simplex V B (λ) es:

 
    0 1 2 3/5
V B (λ) = c − cB B −1 A = c − cB p = λ 6 8 0 − 6 λ =
1 0 −1 −2/5 (23)
 2λ−18

0 0 λ−4 5

El criterio del Simplex de la tabla T2 nunca se anula para valores de λ tales que 0 ≤ λ ≤ 4
Volviendo a la tabla T0 (λ), si λ = 24, la tabla se convierte en la tabla T3 , correspondiente a un
óptimo múltiple. Introduciendo h1 sacando x3 se obtiene la tabla T4 correspondiente a la solución óptima
alternativa:
T3 x1 x2 x3 h1
−160 0 -10 0 0
x3 7/2 0 1/2 1 3/10
x1 11/2 1 1/2 0 -1/10
T4 x1 x2 x3 h1
−160 0 -10 0 0
h3 35/3 0 5/3 10/3 1
x1 20/3 1 2/3 1/3 0

De nuevo, Si λ modifica su valor, se modificará el vector de criterios del Simplex V B (λ). Siempre y
cuando V B (λ) ≤ 0 las actividades básicas serán x1 y h1 , con los niveles de realización de la tabla T4 . El
criterio del Simplex V B (λ) es:

 
−1
    0 5/3 10/3 1
V (λ) = c − c B
B B
A=c−c p=
B
λ 6 8 0 − 0 λ =
1 2/3 1/3 0 (24)
 6−2λ 24−λ

0 3 3 0)

El criterio del Sipmlex no se hace positivo para ningún valor de λ tal que λ > 24
En resumen:
Variables básicas: x1 = 2 y x2 = 7 si 0 ≤ λ ≤ 4 con z = 42 + 2λ
Variables básicas: x1 = 11/2 y x3 = 7/2 si 4 ≤ λ ≤ 24 con z = 28 + 11λ/2
Variables básicas: x1 = 20/3 y h1 = 35/3 si 24 ≤ λ con z = 20λ/3
2  18
Apartado 6. Los dos posibles plano de Gomory de la forma: −f0 + fi xi ≥ 0 serı́an, en este caso,
dos, uno por cada variable:

−1/2 + 1/2x2 + 3/10h1 ≥ 0 ⇒ 1/2x2 + 3/10h1 − h3 = 1/2

−1/2 + 1/2x2 + 9/10h1 ≥ 0 ⇒ 1/2x2 + 9/10h1 − h4 = 1/2
Si se introduce y modifica el primer plano secante, la tabla resultante serı́a la siguiente:

x1 x2 x3 h1 h3
-111/2 0 -1/2 0 -19/10 0
x3 7/2 0 1/2 1 3/10 0
x1 11/2 1 1/2 0 -1/10 0
1/2 0 1/2 0 3/10 -1
h3 -1/2 0 1/2 0 -3/10 1

La tabla final es la siguiente, correspondiente a una solución no factible que cumple el criterio de
optimalidad, por lo que se podrı́a aplicar el método de Lemke.

x1 x2 x3 h1 h3
-111/2 0 -1/2 0 -19/10 0
x3 7/2 0 1/2 1 3/10 0
x1 11/2 1 1/2 0 -1/10 0
h3 -1/2 0 1/2 0 -3/10 1
3
3. 19

3.1. Enunciado
La empresa San Guemil fabrica dos tipos de cerveza, una lager y una pilsen, para lo cual necesita
disponer de malta, lúpulo y levadura.
Cada metro cúbico de lager requiere 50 kg de malta, 20 de lúpulo y 2 de levadura. Cada metro cúbico
de pilsen necesita 60 kg de malta, 25 de lúpulo y 2 de levadura. El beneficio que obtiene la empresa con
cada metro cúbico de lager es de 140 um, mientras que con cada metro cúbico de pilsen obtiene 150 um.
San Guemil dipone de una tonelada de malta por semana, 250 kg de lúpulo y 22 kg de levadura también
por semana.
El modelo de programación lineal que permite obtener la producción óptima para cada semana queda
descrito por:

max z = 140x1 + 150x2

s.a. :
50x1 + 60x2 ≤ 1000
(25)
20x1 + 25x2 ≤ 250
2x1 + 2x2 ≤ 22
x1 , x2 ≥ 0
donde x1 y x2 representan, respectivamente, los volúmenes de producción semanales (en m3 ) de lager
y de pilsen.
La tabla del simplex correspondiente a la solución óptima del modelo anterior y, por lo tanto, al plan
de producción óptimo de San Guemil, es:
x1 x2 h1 h2 h3
-1600 0 0 0 -2 -50
h1 390 0 0 1 -2 -5
x2 6 0 1 0 1/5 -2
x1 5 1 0 0 -1/5 5/2
donde h1 , h2 y h3 son, respectivamente, las holguras correspondientes a las tres restricciones del
modelo lineal.
Se pide:
1. Indicar qué uso se hace de cada una de las tres materias primas, ası́ como cuál es el precio máximo
que estarı́a dispuesta a pagar San Guemil por disponer de 1 kg más a la semana de cada una de las
tres materias primas.
2. Indicar, para el caso del lúpulo, cuántos kg adicionales estarı́a dispuesta a adquirir y cuántos kg de
su disponibilidad de lúpulo estarı́a dispuesta a vender semanalmente tomando como referencia el
precio indicado en el apartado anterior.
3. San Guemil está valorando la posibilidad de producir un nuevo tipo de cerveza, que tiene una doble
fermentación. Esta nueva cerveza consume, por cada metro cúbico producido, 70 kg de malta, 30
de lúpulo y 4 kg de levadura. Indicar el beneficio unitario mı́nimo que harı́a rentable la producción
y comercialización de esta nueva cerveza.
4. San Guemil ha firmado un contrato de suministro con sus actuales clientes, por el cuál se compro-
mete a servir, conjuntamente entre lager y pilsen, un mı́nimo de 40 m3 al mes (considérese que un
mes tiene cuatro semanas). Indicar cuál es el nuevo plan de producción óptimo.
5. Si una determinada semana se decide reservar 10 kg de lúpulo sin utilizar (h2 = 10), ¿cómo se
modifica el plan óptimo de producción? ¿cómo se modifica el valor de la función objetivo?
3
3.2. Resolución 20

Apartado 1. La utilización que se hace de los recursos es la siguiente:

de los 1000 kg de malta, queda 390 sin utilizar;
se consumen por completo los 250 kg de lúpulo;
se consumen por completo los 22 kg de levadura;
El valor de una unidad adicional de cada recurso viene dado por el precio sombra de la restricción
corresonpondiente. El vector de multiplicadores del simplex (precios sombra) es πiB = −VhBi , debido a
que todas las restricciones son de tipo menor o igual, por lo que π B = (0, 2, 50). Por lo tanto:

San Guemil no está dispuesta a pagar nada por adquirir un kg adicional de malta (y estarı́a dispuesto
a vender un kg de malta a cualquier precio);
San Guemil está dispuesta a comprar un kg adicional de lúpulo si el precio de ese kg es inferior a
2 um (estarı́a dispuesta a vender un kg a un precio superior a 2 um);
igualmente, estarı́a dispuesta a comprar un kg adicional de levadura a un precio inferior a 50 um/kg
(y a vender uno de sus 22 kg disponibles a un precio superior a 50 um/kg);

Apartado 2. Al adquirir lúpulo adicional a los 250 kg se modifica el vector de disponibilidad de los
recursos b = (1000, 250, 22)T . Por un lado:
el precio sombra de ese recurso (segunda componente de π B = cB B −1 ) cambiará si cambia la base
(B);
la base se modifica, porque, al modificarse b, la solución básica hasta ahora óptima puede dejar de
ser factible (uB = B −1 b).
El rango de valores dentro del cual el precio al cual San Guemil está dispuesta a comprar un kg de
lúpulo adicional a un máximo de 6um/kg es aquel para el cual uB ≥ 0:

⎛ ⎞⎛ ⎞
1 −2 −5 1000 1000 − 2b2 − 110 ≥ 0 b2 ≤ 440
uB = B −1 b = ⎝ 0 1/5 −2 ⎠ ⎝ b2 ⎠ ⇒ b52 + 44 ≥ 0 ⇒ b2 ≥ 220 ⇒ 220 ≤ b2 ≤ 275
0 −1/5 5/2 22 − b52 + 55 ≥ 0 b2 ≤ 275
(26)

Por lo tanto, San Guemil está dispuesta a comprar hasta 25 kg de lúpulo a un precio inferior a 2
um/kg (75 = 275-250) o a vender hasta 30 kg a un precio superior a 2 um/kg (30=250-220).

Apartado 3. La nueva variedad resultará un producto rentable si el criterio del simplex de la variable
correspondiente (x3 ) es positivo. Es decir:
⎛ ⎞
70
V3B = c3 − cB B −1 A3 = c3 − π B A3 = c3 − (0, 2, 50) ⎝ 30 ⎠ = c3 − 260 ≥ 0 ⇒ c3 ≥ 260 (27)
4

Por lo que si el precio es superior a los 260 um/m3 , será interesante su producción y comercialización.

Apartado 4. San Guemil está produciendo en la actualidad 11 m3 , por lo que en la actualidad ya

está cumpiendo el compromiso de producir al menos 10 m3 . La restricción que tendrı́a la forma x1 +x2 ≥ 10
no modifica el plan óptimo de producción, de manera que el plan óptimo de producción serı́a el mismo.
3
Apartado 5. Reservar una cantidad de lúpulo de 10 kg es equivalente a que h2 = 10. Cuando una 21
variable no básica entra a formar parte de la solución, las tasas de sustitución de esa variable con respecto
a las básicas indican cómo se modifican los valores de estas al entrar aquella.
Las tasas de sustitución de h3 son ph3 = (−2, 15 , − 15 , 0)T , por lo que:
h1 aumenta en 10 × 2 = 20, con lo que sobran 20 kg más de malta
1
x2 disminuye en 10 × 5 = 2, con lo que se produce 2 m3 menos de pilsen, es decir, se producirı́an 4
m3 semanales;

x1 aumenta en 10 × 15 = 2, con lo que se producen 2 m3 más de lager, es decir, se producirı́an 7 m3

semanales.
Por su parte, la función objetivo se modificarı́a de la siguiente manera: Δz = 10 × VhB2 = 10 × (−2),
es decir, el beneficio serı́a de 1580 um semanales.
4
4. 22

4.1. Enunciado
1
Un avicultor AV ha determinado que sus necesidades semanales de ácido ascórbico (AA) y β-caroteno
(βC) como suplemento al pienso común son, como mı́nimo, de 15 y 3 kilogramos respectivamente. En
su mercado local dispone de tres complejos suplementarios, de distinto precio y que contienen ambos
componentes en distintas proporciones. Siendo x1 , x2 y x3 los kg semanales que comprarı́a AV de cada
uno de los tres complejos suplementarios CS1 , CS2 y CS3 , AV ha planteado el siguiente modelo de
programación lineal:
min z = 70x1 + 20x2 + 50x3
s.a. :
40x1 + 60x2 + 40x3 ≥ 15000 (28)
30x1 + 60x2 + 40x3 ≥ 3000
x1 , x2 , x3 ≥ 0
1. Explicar el significado de cada uno de los coeficientes que aparecen en el modelo.
2. Obtener el plan óptimo de compra de complejos suplementarios al precio normal y describir la
información que suministra la matriz completa para esta solución.
3. Si surge un nuevo proveedor que ofrece un complejo suplementario CSN a 80 /Kg que contiene
30 gramos de AA por kilogramo ¿cuánto βC por Kg deberı́a contener como mı́nimo CSN para que
le interesara a AV?
4. Realizar el análisis de sensibilidad de la solución óptima obtenida en 2 respecto a los precios de los
complejos suplementarios CS1 , CS2 y CS3 .

4.2. Resolución
Apartado 1 Los coeficientes de la función objetivo (70, 20, 50) son los precios por kg de CS1 , CS2 y
CS3 . Los términos independientes de las restricciones (15000, 3000)T son los requisitos mı́nimos de AA
y βC medidos en gramos. Los coeficientes técnicos indican los gramos de AA o de βC contenidos en un
kilogramo de cada uno de los complejos suplementarios.

Apartado 2 La estructura del modelo se ajusta a la requerida para aplicar el método de Lemke. óptima:
-z x1 x2 x3 xh1 xh2
0 -70 -20 -50 0 0
xh1 -15000 -40 -60 -40 1 0
xh2 -3000 -30 -60 -40 0 1
5000 -170/3 0 -110/3 -1/3 0
x2 250 2/3 1 2/3 -1/60 0
xh2 12000 10 0 0 -1 1
Solución óptima: AV comprarı́a 250 kg/semana de CS2 con un coste de 5000 /semana. De esta
forma cumplirı́a estrictamente el mı́nimo de AA y de βC suministrarı́a a sus gallinas 12000 gramos (12
kg) más semanalmente de lo estrictamente necesario. Para que le interesara comprar CS1 o CS2 , el precio
del suplemento deberı́a bajar 170/3 /kg (57 /kg) y 110/3 /kg (37 /kg), respectivamente, pasando
en ambos casos a 40/3 /kg (13 /kg). Una disminución de los requisitos de βC no tendrı́a repercusión
económica para AV (los cumple con holgura). Sin embargo, el valor de oportunidad de un gramo de AA es
1/3 , lo que significa que por cada kilogramo que disminuyeran o aumentaran las necesidades semanales
de AA en la granja, AV disminuirı́a o aumentarı́a sus costes en 333 .
4
Apartado 3 Como se acaba de ver, el contenido en βC de un nuevo CS le es indiferente, ya que 23
este requisito está cumplido de sobra. Por lo tanto, el interés CSN radica en si su precio de 80 /kg
está compensado por su contenido en AA medido mediante el valor de oportunidad, es decir, para que
VNB = cN − π B AN = cN − π1B aN 1 ≥ 0, debe suceder que cN ≥ π1B aN 1 . Como lo que aporta CSN en
términos de AA es π1B aN 1 = 30/3 = 10 /kg y su precio es 80 /kg ⇒ VNB = −70 y no interesa CSN
sea cual fuera su contenido en βC.

Apartado 4 Para c1 y c3 ya se ha visto en el apartado b) que el intervalo correspondiente serı́a [40/3, ∞)

en ambos casos. Como CS2 está en la base de la solución óptima, si se expresa V B para ésta en función
de c2 , resultarı́a:

x1 x2 x3 xh1 xh2
5000 -70+2c2/3 0 -50+2c2/3 -c2 /60 0
x2 250 2/3 1 2/3 -1/60 0
xh2 12000 10 0 0 -1 1

Para que no exista un VjB > 0 debe darse que: c2 ≤ 105, c2 ≤ 75 y c2 ≥ 0 ⇒ c2 ∈ [0, 75] ya que si el
precio de CS2 sube de 75 /kg AV pasarı́a a comprar CS3 .
5
5. 24

5.1. Enunciado
Dado el siguiente modelo de programación lineal (MP):

max z = 5x1 + 2x2 − 9x3

s.a. :
x1 + x2 − x3 ≤ 6 (29)
x1 + 3x3 = 12
x1 , x2 , x3 ≥ 0

1. ¿Qué afirma el Teorema Fundamental de la Programación Lineal?¿Qué implicaciones tiene en térmi-

nos de la búsqueda de la solución óptima de un problema de Programación Lineal? Para el problema
(MP), indicar tres soluciones: una solución no básica factible, una solución básica factible y una
solución básica no factible.
2. Plantear y resolver gráficamente el problema dual de MP.
3. Por aplicación del teorema de las holguras complementarias, determinar a partir de 2) la composición
de la solución óptima de MP ası́ como su correspondiente vector de criterios del simplex.
4. Explicar el significado de cada uno de los componentes del vector de criterios del simplex de la
solución óptima de MP obtenido en 3).
Postoptimización
5. Explicar la repercusión que podrı́a tener para MP y para su dual la consideración de una nueva
restricción en MP (no es necesario mostrar ningún ejemplo numérico)
6. Ante la posibilidad de introducir en una nueva variable de acción xN en MP con los siguientes
datos: cN = 8 , a1N = 1 , a2N = 4 , análogamente a lo realizado en 2) y en 3), analizar gráficamente
su repercusión en el modelo dual y su interés para MP.
6
6. 25

6.1. Enunciado
MME 1011 ENE
Una empresa produce y comercializa tres tipos de productos, P1 , P2 y P3 , que sirve en palés, que
pueden o no estar completos (se puede entregar un palé a medio completar, medio palé, un cuarto de
pálé, etc.) Por cada palé de estos productos, obtiene unos ingresos netos de 4, 12 y 2 unidades monetarias,
respectivamente. Existe una instalación de la que se dispone de un total de 6 dı́as de trabajo a la semana.
Producir un palé de P1 lleva 3 dı́as, uno de P2 lleva 6 dı́as y montar uno de P3 lleva 2 dı́as. Además,
existe un compromiso de entregar al menos el contenido conjunto equivalente a dos palés.
El siguiente modelo de programación lineal permite obtener el plan de producción óptimo.

max z = 4x1 + 12x2 + 2x3

s.a. :
3x1 + 6x2 + 2x3 ≤ 6 (30)
x1 + x2 + x3 ≥ 2
x1 , x2 , x3 ≥ 0
Donde xi representa el número de palés producidos y servidos semanalmente de Pi , con i = 1, 2, 3. El
problema también se puede formular como:

max z = 4x1 + 12x2 + 2x3

s.a. :
3x1 + 6x2 + 2x3 + h1 = 6 (31)
x1 + x2 + x3 − h2 = 2
x1 , x2 , x3 , h1 , h2 ≥ 0
Una solución posible es aquella a la que le corresponde la siguiente tabla, obtenida con la aplicación
del método del simplex en su variante de la matriz completa.
x1 x2 x3 h2 h1
-8 0 2 0 -2 -2
x1 2 1 4 0 2 1
x3 0 0 -3 1 -3 -1
Se pide:
1. Explicar el significado de las variables h1 y h2 .
2. Indicar si la solución a la que se refiere la tabla dada es óptima y justificar por qué.
3. Para la solución óptima del problema (sea la correspondiente a la tabla dada u otra obtenida a
partir de ella) interpretar y explicar el programa de producción obtenido, la utilización que se hace
de la instalación y el cumplimiento del compromiso comercial.
Para la solución óptima (cada uno de los siguientes apartados son independientes entre sı́):
4. En qué condiciones está dispuesta la empresa a renegociar su compromiso de entregar un mı́nimo
de 2 palés.
5. Se ha realizado un estudio de mercado, y se sabe que no se pueden vender más de 1 palé de P3 a
la semana. Obtener el nuevo programa de producción óptimo con esa información.
6. Identificar el rango de valores para el ingreso por palé neto dentro del cual resulta interesante
producir y vender el producto P2 .
6
6.2. Resolución 26

Apartado 1.
h1 representa el número de dı́as, de los 6 disponibles, que no se emplean en la producción de palés.
Es capacidad no utilizada.
h2 representa el número de palés que se sirven por encima del compromiso de los dos palés adqui-
ridos.

Apartado 2. La solución correspondiente a la tabla dada no es la solución óptima, porque la variable

x2 tiene criterio del simplex positivo (V2B = 2), de manera que la introdución de esta variable (producción
y venta de P2 ) reportarı́a un valor de la función objetivo mayor que 8.

Apartado 3. En primer lugar, hay que obtener la solución óptima del problema. A partir de la tabla
dada, aplicando el método del Simplex, se introduce la variable x2 y se suprime la variable x1 .

x1 x2 x3 h2 h1
-8 0 2 0 -2 -2
x1 2 1 4 0 2 1
x3 0 0 -3 1 -3 -1
-9 -1/2 0 0 -3 -5/2
x2 1/2 1/4 1 0 1/2 1/4
x3 3/2 3/4 0 1 -3 /2 -1/4

La tabla obtenida corresponde a la solución óptima. El plan de producción consiste en:

no producir nada de producto P1 ,
producir medio palé de producto P2 ,
producir un palé y medio de producto P3 ,
utilizar por completo los seis dı́as de capacidad de producción y
cumplir el compromiso comercial entregando el mı́nimo de producto pactado (dos palés),
con un beneficio semanal de 9 unidades monetarias.

Apartado 4. El precio sombra de la restricción correspondiente al compromiso comercial (de tipo ≥)

es π2B = VhB2 = −3. De manera que Δzj|Δb2 =1 = −3, por lo que:
la empresa estarı́a dispuesta a asumir un compromiso de entrega superior a 2, siempre que recibiera
algún tipo de compensación superior a 3 u.m. por cada palé adicional que se comprometiera a
entregar por encima de esos dos.
la empresa estarı́a dispuesta a ofrecer algún tipo de compensación por relajar el compromiso de
entrega, sin superar 3 u.m. por la relajación del compromiso en un palé.

Apartado 5. La información adicional da lugar a la aparición de una nueva restricción: x3 ≤ 1. Como

la producción de P3 obtenida anteriormente es de 1.5 palés, dicha solución no es factible y es necesario
obtener la nueva solución. Introducciendo la nueva restricción (que se puede formular como x3 + h3 = 1
y aplicando el método de Lemke, se obtiene lo siguiente:
6 x1 x2 x3 h2 h1 h3 27
-9 -1/2 0 0 -3 -5/2 0
x2 1/2 1/4 1 0 1/2 1/4 0
x3 3/2 3/4 0 1 -3 /2 -1/4 0
1 0 0 1 0 0 1
-26/3 0 0 0 -4 8/3 -2/3
x2 1/3 0 1 0 1 1/3 1/3
x3 1 0 0 1 0 0 1
x1 2/3 1 0 0 -2 -1/3 -4/3

La tabla obtenida corresponde a la nueva solución óptima, cuyo plan de producción consiste en:
producir 2/3 de palé de producto P1 ,

producir 1/3 de palé de producto P2 ,

producir un palé de producto P3 ,
utilizar por completo los seis dı́as de capacidad de producción y
cumplir el compromiso comercial entregando el mı́nimo de producto pactado (dos palés),
con un beneficio semanal de 26/3 unidades monetarias, menor que el que se obtenı́a antes de la
restricción comercial.

Apartado 6. Resulta interesante producir y vender P2 mientras V B ≤ 0, ya que x2 es una variable

básica en la solución óptima

 
−1
    1/4 1 0 1/2 1/4
V B
=c−c B
B
A= 4 c2 2 0 0 − c2 2 ≤0⇒
3/4 0 1 −3/2 −1/4 (32)
 10−c2 6−c2 2−c2

4 0 0 2 4 ≤ 0 ⇒ 10 ≤ c2 ≤ ∞

Para cualquier precio de venta superior a 10 u.m. por palé resulta interesante producir y vender
producto P2
7
7. 28

7.1. Enunciado
Dado el problema de programación lineal

max z = −x1 + x2 − 5x3 + 14x4

s.a
3x1 + 4x2 + 5x3 + 6x4 ≤ 24 (33)
−x1 + x2 − 2x3 + 2x4 ≤ 12
x1 , x2 , x3 , x4 ≥ 0
     1

o x4 o 4 −1 6 0
su solución óptima queda caracterizada por: x = ,u = yB = −1 .
h2 4 3 1
Se pide:
1. Para la solución óptima, obtener el cuadro correspondiente a la aplicación del método del Simplex
en su variante de la matriz completa.
2. Indicar la nueva solución si la disponibilidad del recurso de la segunda restricción disminuye en 8
unidades.
3. Indicar, partiendo del problema original, cómo se modificarı́a la solución si el coeficiente de x4
pasara de tomar un valor 14 a un valor 5.
4. Explicar el significado de V3B , interpretado como c3 − cB pB
3 , explicando con detalle su significado
con los valores numéricos que permiten calcular V3B .
5. Formular el problema dual e indicar cuál es su solución óptima a partir de la aplicación de los
teoremas de la dualidad. No se valorará la resolución del apartado por otros métodos diferentes del
solicitado.

7.2. Resolución
Apartado 1. Lo que falta para poder construir la tabla son las tasas de sustitución, pB = B −1 A, y el
vector de criterios del simplex, V B = c − cB B −1 A.

 1
   
0 3 4 5 6 1 0 1/2 2/3 5/6 1 1/6 0
pB = B −1 A = 6
−1 = (34)
3 1 −1 1 −2 2 0 1 −2 −1/3 −10/3 0 −1/3 1

V B = c − cB B −1 A = c − cB pB =
 
    1/2 2/3 5/6 1 1/6 0
−1 7 −5 14 0 0 − 14 0 = (35)
−2 −1/3 −10/3 0 −1/3 1
 
−8 −25/3 −50/3 0 −7/3 0

Y, por lo tanto, la tabla es:

x1 x2 x3 x4 h1 h2
-56 -8 -25/3 -50/3 0 -7/3 0
x4 4 1/2 2/3 5/6 1 1/6 0
h2 4 -2 -1/3 -11/3 0 -1/3 1
7
Apartado 2. El nuevo problema tendrı́a b2 = 4, por lo que uB = B −1 b cambiarı́a de valor. 29
 1    
−1 6 0 24 4
B b= −1 = (36)
3 1 4 −4
La solución deja de ser factible y cumplirı́a V B ≤ 0 y uB ≤ 0. Hay que aplicar el método de Lemke.
Eliminando h2 de la base e introduciendo x1 se obtiene:
x1 x2 x3 x4 h1 h2
-40 0 -7 -2 0 -1 -4
x4 3 0 * * 1 * *
x1 2 1 * * 0 * *
Con lo que la nueva solución es x4 = 3, x1 = 2 y el resto de variables no básicas, e iguales a 0 y con
un valor de la función objetivo z = 40.

Apartado 3. El nuevo problema tendrı́a c4 = 5, por lo que V B cambiarı́a de valor.

V B = c − cB cB −1 A = c − cB − cpB =
 
    1/2 2/3 5/6 1 1/6 0
−1 1 −5 5 0 0 − 5 0 = (37)
−2 −1/3 −11/3 0 −1/3 1
 
−7/2 −7/3 −55/6 0 −5/6 0
Luego la solución serı́a igualmente factible y óptima. Con lo que x4 = 4, h2 = 0. Sı́ cambiarı́a el valor
de la función objetivo, z = 20

Apartado 4. V3B = c3 − cB pB
3 = −50/3 representa la diferencia entre:

c3 = −5 la contribución unitaria al beneficio por cada unidad realizada de x3 (en este caso representa
una pérdida) y
la modificación de la función objetivo por la modificación de las variables básicas que representa la
realización de una unidad de x3 , 35/3,que se calcula como
 la contribución unitaria de las variables básicas, cB , multiplicada por
 la modificación de las variables básicas que representa la realización de una unidad de x3 , pB
3 .

En este caso, al realizar una unidad de x3 la función objetivo disminuirı́a en 5 y la modificación de

las variables básicas harı́a que la función objetivo disminuyera en 35/3, con lo que no resulta interesante
la realización de esa actividad.

Apartado 5. El problema dual es:

min s = 24y1 + 12y2

s.a
3y1 − y2 ≥ −1
4y1 + y2 ≥ 1 (38)
5y1 − 2y2 ≥ −5
6y1 + 2y2 ≥ 14
y1 , y2 ≥ 0
Y su solución óptima es, por aplicación del teorema fundamental de la dualidad: y o = π B = (7/3, 0)
Y por aplicación del teorema de las holguras complementarias:
7 Para la primera variable de hogura: y3 = −V1 = 8 30

y4 = −V2 = 25/3
y5 = −V3 = 49/3
y6 = −V4 = 0
Con un un valor de la función objetivo s∗ = z ∗ = 56
8
8. 31

8.1. Enunciado
Se pide responder a las siguientes preguntas de tipo test.
NOTA: redactar la respuesta incluyendo la frase completa en las hojas entregadas para calificar
con el encabezado y con la opción elegida como correcta. Por ejemplo, una posible respuesta, serı́a
Al resolver un problema mediante le método de lasdos fases, una restricción del tipo a x
j ij j = bi ,
en el problema auxiliar asociado se transforma en a x
j ij j + h i − a i = b i . No es necesario indicar el
subapartado (porque todos son diferentes)
Solo una respuesta de cada apartado es correcta. Para cada apartado, una respuesta correcta suma
un punto, una respuesta incorrecta resta un cuarto de punto.

1. Al resolver un problema mediante el método de las dos fases, una restricción del tipo j aij xj = bi ,
en el problema auxiliar asociado

Se transforma en j aij xj + hi − ai = bi .

Se transforma en j aij xj − hi + ai = bi .

Se transforma en j aij xj + ai = bi .
Ninguna de las anteriores es correcta.

2. Al resolver un problema mediante el método de las dos fases:

Si la solución óptima del problema auxiliar contiene alguna variable artificial en la base, el
problema original no tiene solución factible.
Si la solución óptima del problema auxiliar tiene función objetivo igual a cero, el problema
original sı́ tiene solución factible.
Tras obtener la solución óptima del problema auxiliar, basta con recalcular V B y z para poder
reutilizar la tabla de dicha solución y obtener una tabla correspondiente una solución factible
del problema original .
Ninguna de las anteriores es correcta.

3. Dado un problema de programación lineal de máximización P, cuya solución óptima es x∗ :

Al introducir una nueva restricción, la solución x∗ puede dejar cumplir el criterio de optima-
lidad.
Al introducir una nueva actividad, la solución x∗ puede dejar de ser factible.
Si se disminuye la contribución unitaria al beneficio de una actividad no básica, la x∗ podrı́a
dejar de ser la solución óptima.
Ninguna de las anteriores es correcta.

8.2. Resolución

1. Al resolver un problema mediante le método de las dos fases, una restricción del tipo j aij xj = bi ,
en el problema auxiliar asociado

INCORRECTA: se transforma en j aij xj + hi − ai = bi

INCORRECTA: se transforma en j aij xj − hi + ai = bi

CORRECTA: se transforma en j aij xj + ai = bi
INCORRECTA: ninguna de las anteriores es correcta
8 2. Al resolver un problema mediante el método de las dos fases 32

INCORRECTA: si la solución óptima del problema auxiliar contiene alguna variable artificial
en la base, el problema original no tiene solución factible
CORRECTA: si la solución óptima del problema auxiliar tiene función objetivo igual a cero,
el problema original sı́ tiene solución factible
INCORRECTA: tras obtener la solución óptima del problema auxiliar, basta con recalcular
V B y z para poder reutilizar la tabla de dicha solución y obtener una tabla correspondiente
la solución óptima del problema original
INCORRECTA: ninguna de las anteriores es correcta

3. Dado un problema de programación lineal P, cuya solución óptima es x∗

INCORRECTA: al introducir una nueva restricción, la solución x∗ puede dejar cumplir el
criterio de optimalidad
INCORRECTA: al introducir una nueva actividad, la solución x∗ puede dejar de ser factible
INCORRECTA: si se disminuye la contribución unitaria al beneficio de una actividad no
básica, la x∗ podrı́a dejar de ser la solución óptima
CORRECTA: ninguna de las anteriores es correcta
9
9. 33

9.1. Enunciado
La empresa dynamix fabrica tres estilos diferentes de mesas. A, B y C. Cada modelo de mesa requiere
de una cierta cantidad de tiempo para el corte de las piezas, su montaje y el correspondiente proceso de
pintura. La empresa puede vender todas las unidades que fabrica. Es más, el modelo B también se puede
vender sin pintar. Los datos técnico-económicos se muestran a continuación.

Tiempo Tiempo Tiempo Contrib.

Modelo corte (h) montaje (h) pintura (h) unitaria (euros)
Modelo 1: mesa A pintada 1 2 4 35
Modelo 2: mesa B pintada 2 4 4 40
Modelo 3: mesa B sin pintar 2 4 0 20
Modelo 4: mesa C pintada 3 7 5 50
Capacidad (h/mes) 200 300 240

El siguiente modelo de programación lineal permite obtener el plan de producción mensual óptimo.

max z = 35x1 + 40x2 + 20x3 + 50x4

s.a
x1 + 2x2 + 2x3 + 3x4 ≤ 200
(39)
2x1 + 4x2 + 4x3 + 7x4 ≤ 300
4x1 + 4x2 + 5x4 ≤ 240
x1 , x2 , x3 , x4 ≥ 0
Donde xi , i = 1, 2, 3 representa las unidades de modelo i producidas y vendidas mensualmente y x5 ,
x6 y x7 son las variables de holgura necesarias para convertir las restricciones 1, 2 y 3, respectivamente,
en igualdades.
Se sabe que las variables básicas de la solución óptima son x5 , x3 y x1 y que la matriz inversa de la
base, para el orden de variables básicas anterior, correspondiente a dicha solución es
⎛ ⎞
1 − 21 0
B −1 = ⎝ 0 1
4 − 81 ⎠
1
0 0 4
.
Se pide:
1. Definir el plan de producción óptimo y el uso asociado de los recursos.
2. Dado el éxito de los modelos de mesa sin pintar, la empresa está valorando la posiblidad de fabricar el
modelo C sin pintar (que se diferencian de las mesas pintadas solo en el proceso de pintado). Estima
que la contribución unitaria al beneficio de ese modelo serı́a de 42 euros por unidad. Justificar el
interés de la fabricacción y venta de mesas C sin pintar y, en caso de haber un nuevo plan ´óptimo
de producción, describir cuál serı́a.
3. Realizar un análisis de sensibilidad para la capacidad del taller de montaje.
4. Un estudio preliminar de métodos y tiempos permite afirmar que el tiempo de pintado de las mesas
B podrı́a reducirse. En particular, atendiendo a diferentes mejoras se podrı́a reducir el valor pero
nunca podrı́a bajar de 2 horas. Se pide indicar cuál es el beneficio obtenido en función de las horas
de reducción λ, que puede tomar cualquier valore entre 0 y 2.
9
9.2. Resolución 34

Apartado 1. El vector de realización de las actividades básicas se obtiene como uB = B −1 b. En este

caso:

⎛ ⎞⎛ ⎞ ⎛ ⎞
1 − 21 0 200 50
uB = ⎝ 0 1
4 − 18 ⎠ ⎝ 300 ⎠ = ⎝ 45 ⎠ (40)
1
0 0 4 240 60

Es decir, x5 = 50, x3 = 45, x1 = 60 y el resto de variable son nulas, lo cual significa que:
se fabrican 60 mesas de tipo A y 45 de tipo B sin pintar,
no se fabrica nada del resto de modelos y
se emplean todas las horas disponibles de montaje y pintura y
sobran 50 horas de taller de corte,
con un beneficio de 3000 euros.

Apartado 2. Para valorar el interés de fabricar un nuevo modelo serı́a necesario introducir una nueva
variable, x8 : número de mesas de tipo C sin pintar. Con A8 = ( 3 7 0 )T , c8 = 42.
Serı́a interesante fabricar el nuevo modelo si V8B ≥ 0.

⎛ ⎞
  1 − 21 0  
V8B = c7 − cB B −1 A8 = 42 − 0 20 35 ⎝ 0 1
− 18 ⎠ 3 7 0 =7 (41)
4
1
0 0 4

Por lo que sı́ serı́a interesante su producción y venta, ya que con cada unidad producida y vendida el
beneficio se incrementarı́a en 8 euros.
La tabla correspondiente a la solución óptima sin introducir la producción del nuevo modelo serı́a la
siguiente, a partir de la cual, se podrı́a iterar para obtener el nuevo plan de producción.

x1 x2 x3 x4 x5 x6 x7 x8
-3000 0 -5 0 -65/4 0 -5 -25/4 7
x5 50 0 0 0 -1/2 1 -1/2 0 -1/2
x3 45 0 1/2 1 9/8 0 1/4 -1/8 7/4
x1 60 1 1 0 5/4 0 0 1/4 0
-3180 0 -7 -4 -83/4 0 -6 -23/4 0
x5 62.87 0 × × × 1 × × 0
x8 25.71 0 × × × 0 × × 1
x1 60 1 × × × 0 × × 0

Con lo que el nuevo plan óptimo consiste en:

producir, por término medio, 60 mesas A y 25.71 de tipo C sin pintar
no producir nada del resto de modelos,
empleando todas las horas de todos los talleres, salvo en el de corte, que sobrarı́an 62.87.
9 35
Apartado 3. Las variables básicas de la solución del apartado 1 son las correspondientes a la solución
B −1
óptima mientras que u = B b tenga todos sus valores no negativos.

⎛ ⎞⎛ ⎞ ⎛ ⎞
1 − 12 0 200 200 − b22
u =⎝ 0
B 1
4 − 18 ⎠ ⎝ b2 ⎠ = ⎝ b42 − 30 ⎠ ≥ 0 (42)
1
0 0 4 240 60

Es decir 0 ≤ b2 ≤ 400. Mientras la disponibilidad de las horas de montaje sea superior a 120 e inferior
a 400, la solución óptima tiene las mismas soluciones básicas, lo que significa que el mix de prouducción
no cambia. Sı́ cambia la función objetivo que aumenta o disminuye en π2 = 25/4 con cada aumento o
disminución de una hora de taller con respecto a las disponibles.

Apartado 4. Como se admite que el tiempo de pintura puede reducirse en cualquier valor superior
cero e inferior a dos, en términos del modelo, esto significa que los coeficientes técnicos de la actividad 2
 T
dependen de un parámetro λ. En concreto, A2 = 2 4 4 − λ Es necesario evaluar cómo se modifica
la solución óptima del problema en función de los valores del parámetro.
Para la solución óptima de partida λ = 0 y x2 es no básica. Puede ocurrir que al variar el valor de λ
resulte rentable realizar dicha actividad. Para ello es necesario evaluar el critero del simplex para dicha
variable en función del parámetro:

⎛ ⎞
  2
V2B = c2 − π B A2 = 40 − 0 5 25/4 ⎝ 4 ⎠ = −20 + 25λ (43)
4
4−λ
−1
Al modificar A2 , cambian tanto V2B como pB
2 =B A2 .

⎛ ⎞⎛ ⎞ ⎛ ⎞
1 − 21 0 2 0
pB
2 = ⎝ 0 1
− 18 ⎠ ⎝ 4 ⎠=⎝ 4+λ ⎠≥0 (44)
4 8
1 4−λ
0 0 4 4−λ 4

Es decir, mientras λ ≤ 4/5 la solución inicial sigue siendo óptima. En caso de que λ ≥ 4/5, la intro-
 T
ducción de x2 mejorarı́a el valor de la función objetivo. Para λ = 0, se tiene que pB
2 = 0 3/5 4/5
La tabla correspondiente a ese caso serı́a la siguiente, correspondiente a un óptimo múltiple.

x1 x2 x3 x4 x5 x6 x7
-3000 0 0 0 -65/4 0 -5 -25/4
x5 50 0 0 0 -1/2 1 -1/2 0
x3 45 0 3/5 1 9/8 0 1/4 -1/8
x1 60 1 4/5 0 5/4 0 0 1/4
-3000 0 0 0 -65/4 0 -5 -25/4
x5 50 0 0 0 -1/2 1 -1/2 0
x2 75 0 1 5/3 15/16 0 5/12 5/24
x1 0 1 0 -4/4 -1/4 0 -1/3 25/6

La segunda tabla se obtiene introduciendo x2 y eliminando x1 de la base. Para valores de λ superiores

a 4/5, las actividades básicas son x5 ,x2 y x1 .
Al entrar x2 en la base, la nueva solución base es:
9 36
⎛ ⎞
1 2 1
B=⎝ 0 4 2 ⎠ (45)
0 4 4−λ

Y, a patir de su inversa, es posible calcular los nuevos criterios del simplex. Se puede comprobar que
para 4/5 ≤ λ ≤ 2 el criterio del simplex de las nuevas variables no básicas sigue siendo no negativo.
En resumen:
si la reducción del tiempo de pintado es de entre 0 y 0.8 horas, el plan de producción es el mismo
del apartado 1;
si la reducción del tiempo de pintado está entre 0.8 y 2 horas, el mix de producción cambia y se
producirı́an mesas de tipo A y B, en diferente cantidad según la reducción del tiempo de pintura.
10
10. 37

10.1. Enunciado
El fabricante de bicicletas UPM Bikes produce bicicletas, triciclos y tándems. La producción semanal
depende, esencialmente, de la disponibilidad de ruedas y de manillares y de las tareas de montaje. El
aprovisionamiento del resto de piezas y el resto de tareas no representan una limitación para la empresa.
A la semana, UPM bikes dispone de un máximo de 100 ruedas y de 50 manillares.
Por otro lado, el montaje de una bicicleta requiere una hora, mientras que el montaje de un triciclo o
de un tándem requiere dos horas y existen dos operarios para realizar el montaje, cada uno de los cuales
trabaja 40 horas semanales.
Además, UPM Bikes ha asumido un compromiso comercial y debe entregar un mı́nimo de 10 bicicletas
semanalmente a uno de sus clientes.
Por último, el beneficio unitario que proporcionan estos productos son de 300 cada bicicleta, 400
cada triciclo y 500 cada tándem.
Si x1 , x2 y x3 representan las unidades de bicicletas, triciclos y tándems producidos semanalmente,
el siguiente modelo de programación permite obtener el plan de producción óptimo.

max z = 300x1 + 400x2 + 500x3

s.a. :
2x1 + 3x2 + 2x3 + h1 = 100
x1 + x2 + 2x3 + h2 = 50 (46)
x1 + 2x2 + 2x3 + h3 = 80
x1 − h4 = 10
x1 , x2 , x3 , h1 , h2 , h3 , h4 ≥ 0
Se admite que aunque las variables podrı́an ser enteras, con el problema lineal se calculan los valores
medios de producción a lo largo de las diferentes semanas en las que se repite el plan de producción.
La siguiente tabla corresponde a una solución del problema correspondiente a su vez al plan de
producción.
x1 x2 x3 h1 h2 h3 h4
-13000 0 150 0 0 -250 0 50
h1 40 0 2 0 1 -1 0 1
x3 20 0 1/2 1 0 1/2 0 1/2
h3 30 0 1 0 0 -1 1 0
x1 10 1 0 0 0 0 0 -1
Se pide:
1. Obtener el plan de producción óptimo y explicar el uso que se hace de los recursos

Para la solución óptima (cada uno de los siguientes apartados son independientes entre sı́):
2. Identificar la inversa de la base correspondiente a la solución óptima encontrada.
3. Discutir el interés por subcontratar horas adicionales para el montaje de productos.
4. Realizar el análisis de sensibilidad de la solución obtenida con respecto al número de manillares
disponibles.
5. Indicar de qué manera estarı́a interesada UPM Bikes en renegociar su compromiso comercial
6. El precio de los tándems es bastante variable a lo largo del tiempo. Obtener mediante programa-
ción paramétrica el programa de producción óptimo para todos los posibles valores positivos de la
contribución unitaria al beneficio de dicho producto iguales o superiores a 350 .
10
10.2. Resolución 38

REVISAR ERRATAS ÚLTIMO APARTADO

Apartado 1. Se aplica el método del Simplex partiendo de la tabla dada:

x1 x2 x3 h1 h2 h3 h4
-13000 0 150 0 0 -250 0 50
h1 40 0 2 0 1 -1 0 1
x3 20 0 1/2 1 0 1/2 0 1/2
h3 30 0 1 0 0 -1 1 0
x1 10 1 0 0 0 0 0 -1
-16000 0 0 0 -75 -175 0 -25
x2 20 0 1 0 1/2 -1/2 0 1/2
x3 10 0 0 1 -1/4 3/4 0 1/4
h3 10 0 0 0 -1/2 -1/2 1 -1/2
x1 10 1 0 0 0 0 0 -1

El programa de producción óptimo consiste en producir:

10 bicicletas
20 triciclos
10 tándems
Se usan todos los manillares y todas las ruedas y sobran diez horas de operarios de montaje.

Apartado 2. La inversa de la base está donde originalmente habrı́a estado la identidad. Las columnas
1, 2 y 3 de la identidad estaban en la tabla inicial en las columnas correspondientes a h1 ,h2 y h3 . Por su
parte, la columna de h4, en la tabla incial, conteı́a a la cuarta columna de la matriz identidad, por lo que
la inversa de la base es la siguiete:

⎛ ⎞
1/2 −1/2 0 −1/2
⎜ −1/4 3/4 0 −1/4 ⎟
B −1 =⎜
⎝ −1/2 −1/2 1
⎟ (47)
1/2 ⎠
0 0 0 1

Apartado 3. Sobran 10 horas de montaje por lo que no interesa contratar horas adicionales de montaje,
y ası́ queda de manifiesto dado el valor del precio sombra de la tercera restricción π3 = −VhB3 = 0.

Apartado 4. Las variables básicas de la solución obtenida serı́an las de la solución óptima al modificar
b2 si la solución básica correspondiente sigue siendo factible.

⎛ ⎞⎛ ⎞ ⎛ ⎞
1/2 −1/2 0 −1/2 100 b2 ≤ 90
⎜ −1/4 3/4 0 −1/4 ⎟ ⎜ b2 ⎟ ⎜ b2 ≥ 110/3 ⎟
u =B b=⎜
B −1
⎝ −1/2 −1/2 1
⎟⎜ ⎟=⎜ ⎟ (48)
1/2 ⎠ ⎝ 80 ⎠ ⎝ b2 ≤ 70 ⎠
0 0 0 1 10 10 ≥ 0

Mientras la disponibilidad de manillares esté entre 37 y 70 a la semana, la composición del plan de

producción óptimo no cambia (aunque sı́ la cantidad de piezas producidas).
10 39
Apartado 5. El compromiso comercial de UPM bikes aparece reflejado en la cuarta restricción. El precio
sombra de la misma es π4 = Vh4 = −25, lo cual significa que si el compromiso comercial aumentase, en
B

una unidad, el beneficio semanal se reducirı́a en 25 . Por lo tanto, UPM Bikes estarı́a dispuesta a:

asumir un compromiso comercial más restrictivo y entregar más de 10 bicis, si recibe una compen-
sación por cada una de ellas superior a 25 .
relajar su compromiso comercial en la entrega de bicicletas, siempre y cuando la reducción no
supusiera un coste adicional superior a 25 .

Apartado 6. Se trata de estudiar la solución óptima cuando el vector de contribuciones unitarias al

beneficio es c = (300, 400, 500 + λ, 0, 0, 0, 0), con −150 ≤ λ ≤ ∞.
La solución obtenida en el apartado 1 es válida para λ = 0 y, en general, el valor de V B en función
de λ es:

uB (λ) = c(λ) − cB (λ)B −1 A =

⎛ ⎞
0 1 0 1/2 −1/2 0 1/2
   ⎜ 0 0 1 −1/4 3/4 0 1/4 ⎟
300 400 500 + λ 0 0 0 0 − 400 500 + λ 0 300 ⎜⎝ 0
⎟=
0 0 −1/2 −1/2 1 −1/2 ⎠
1 0 0 0 0 0 −1
 3λ+700

0 0 0 λ−300
4 − 4 0 −100−λ
4
(49)

λ=0 x1 x2 x3 h1 h2 h3 h4
0 0 0 λ−300
4 − 3λ+700
4 0 −100−λ
4
x2 20 0 1 0 1/2 -1/2 0 1/2
x3 10 0 0 1 -1/4 3/4 0 1/4
h3 10 0 0 0 -1/2 -1/2 1 -1/2
x1 10 1 0 0 0 0 0 -1

La solución es la solución óptima si se cumple simultáneamente

λ − 300 ≤ 0
−3λ − 700 ≤ 0 (50)
−100 − λ ≤ 0

Es decir, mientras −100 ≥ λ ≥ 300 la base no se modifica.

Si λ = −100 (el beneficio por cada tándem es de 400 ), la tabla se convierte en la siguiente (óptimo
múltiple) y se puede introducir la variable h4 :

x1 x2 x3 h1 h2 h3 h4
0 0 0 -100 -100 0 0
x2 20 0 1 0 1/2 -1/2 0 1/2
x3 10 0 0 1 -1/4 3/4 0 1/4
h3 10 0 0 0 -1/2 -1/2 1 -1/2
x1 10 1 0 0 0 0 0 -1
0 0 0 -100 -100 0 0
h4 40 0 2 0 1 -1 0 1
x3 0 0 -1/2 1 -1/2 1 0 0
h3 30 0 1 0 0 -1 1 0
x1 50 1 2 0 1 -1 0 0
10 La solución obtenida es válida para λ = −100 y, en general, el valor de V B en función de λ es: 40

uB (λ) = c(λ) − cB (λ)B −1 A =

⎛ ⎞
0 2 0 1 −1 0 1
    ⎜ 0 −1/2 1 −1/2 1 0 0 ⎟
300 400 500 + λ 0 0 0 0 − 0 500 + λ 0 300 ⎜ ⎝ 0
⎟=
1 0 0 −1 1 0 ⎠
1 2 0 1 −1 0 0
 
0 λ+100
2 0 λ−100
2 −λ + 200 0 0
(51)

x1 x2 x3 h1 h2 h3 h4
0 λ+100
2 0 λ−100
2 −λ + 200 0 0
h4 40 0 2 0 1 -1 0 1
x3 0 0 -1/2 1 -1/2 1 0 0
h3 30 0 1 0 0 -1 1 0
x1 50 1 2 0 1 -1 0 0

La solucion es la solución óptima si se cumple simultáneamente

λ + 100 ≤ 0
λ − 100 ≤ 0 (52)
−λ − 200 ≤ 0

Esto se cumple para cualquier valor de λ con −150 ≤ λ ≤ 100

Si λ = 300 (el beneficio por cada tándem es de 800 ), la tabla se convierte en la siguiente (óptimo
múltiple) y se puede introducir la variable h1 :

x1 x2 x3 h1 h2 h3 h4
0 0 0 0 -400 0 -100
x2 20 0 1 0 1/2 -1/2 0 1/2
x3 10 0 0 1 -1/4 3/4 0 1/4
h3 10 0 0 0 -1/2 -1/2 1 -1/2
x1 10 1 0 0 0 0 0 -1
0 0 0 0 -400 0 -100
h1 40 0 2 0 1 -1 0 1
x3 20 0 1/2 1 0 1/2 0 1/2
h3 30 0 1 0 0 -1 1 0
x1 10 1 0 0 0 0 0 -1

La solución obtenida es válida para λ = 300 y, en general, el valor de V B en función de λ es:

uB (λ) = c(λ) − cB (λ)B −1 A =

⎛ ⎞
0 2 0 1 −1 0 1
   ⎜ 0 1/2 1 0 1/2 0 1/2 ⎟
300 400 500 + λ 0 0 0 0 − 0 500 + λ 0 300 ⎜
⎝ 0
⎟=
1 0 0 −1 1 0 ⎠
1 0 0 0 0 0 −1
 
0 300−λ
2 0 0 −500−λ 2 0 100 − λ
(53)
10 La solución es la solución óptima si se cumple simultáneamente 41

300 − λ ≤ 0
−500 − λ ≤ 0 (54)
100 − λ ≤ 0

Esto se cumple para cualquier valor de λ con λ ≤ ∞

En resumen:
si 350 ≤ c3 ≤ 450, se deben producir 50 bicicletas;
si 450 ≤ c3 ≤ 800, se deben producir 10 bicicletas, 20 triciclos y 10 tándems;
si 800 ≤ c3 ≤ ∞, se deben producir 10 bicicletas y 20 tándems.
11
11. 42

11.1. Enunciado
David, Diana y Lidia son los únicos socios y empleados de una compañı́a que produce relojes. David
y Diana pueden trabajar un máximo de 40 horas por semana (cada uno de ellos), mientras que Lidia solo
puede trabajar hasta 22 horas semanales.
La empresa hace dos tipos de relojes: rejores de pie y relojes de pared. Para hacer un reloj, David
(ingeniero mecánico) ensambla las partes internas y Diana (ebanista) produce las cajas de madera ela-
boradas a mano. Lidia es responsable de recibir pedidos y enviar los relojes. El tiempo que se requiere
para cada tarea se muestra en la siguiente tabla.

Tarea Reloj de pie Reloj de pared

Montar mecanismo 6 horas 4 horas
Tallar la cubierta de madera 8 horas 4 horas
Envı́o 3 horas 3 horas

Cada reloj de pie construido y enviado deja una ganancia de 300 , mientras que cada reloj de pared
proporciona una ganancia de 200 .
Los tres socios desean determinar cuantos relojes de cada tipo deben producir por semana para
maximizar la ganancia total.
Se pide:

1. Formular un modelo de programación lineal para los socios de esta empresa.

2. Resolver el modelo anterior e indicar el plan de producción óptimo y la ocupación de los socios. Se
pide interpretar y explicar correctamente los resultados obtenidos.
3. Existe acuerdo entre los socios por el que aquel que pudiera hacer que el beneficio aumentara más
por cada hora adicional trabajada, aumentarı́a su disponibilidad horaria para la empresa. Identificar
qué socio aportarı́a mayor incremento del beneficio por hora adicional trabajada y el número de
horas que podrı́a aumentar su disponibilidad proporcionando ese incremento.
4. Existe la posiblidad de vender solo las cajas de los relojes de pared, sin incluir ningún mecanismo.
Identificar cuál es el beneficio unitario obtenido por caja que harı́a rentable su producción y venta.
Se estima que para este producto el tiempo de preparación de envı́os es el mismo que para el resto
de productos.
5. Identificar el rango de valores para el margen por reloj de pared dentro del cual resulta interesante
producir y vender dicho producto.
6. Se ha adquirido un compromiso comercial consistente en entregar al menos 9 relojes de pie cada tres
semanas a un cliente. Caracterizar el efecto que tiene este compromiso sobre el plan de producción
y comentar en qué condiciones dicho compromiso puede ser interesante para la empresa.

11.2. Resolución
Apartado 1. Se define x1 y x2 como el número de relojes de pie y de pared producidos y enviados
semanalmente, respectivamente. El modelo de programación lineal que permite maximizar la ganancia es
el siguiente:
11 43

max z = 300x1 + 200x2

s.a. :
6x1 + 4x2 ≤ 40
(55)
8x1 + 4x2 ≤ 40
3x1 + 3x2 ≤ 22
x1 , x2 ≥ 0

Apartado 2. El modelo se puede reformular con las restricciones en forma de igualdad

max z = 300x1 + 200x2

s.a. :
6x1 + 4x2 + h1 = 40
(56)
8x1 + 4x2 + h2 = 40
3x1 + 3x2 + h3 = 22
x1 , x2 , h1 , h2 , h3 ≥ 0

Donde h1 , h2 , h3 representan, respectivamente, el número de las horas dispnibles que no trabajan

cada semana, respectivamente, David, Diana y Lidia. Aplicando el método del simplex se puede resolver
el problema.

x1 x2 h1 h2 h3
0 300 200 0 0 0
h1 40 6 4 1 0 0
h2 40 8 4 0 1 0
h3 22 3 3 0 0 1
-1500 0 50 0 -75/2 0
h1 10 0 1 1 3/4 0
x1 5 1 1/2 0 1/8 0
h3 7 0 3/2 0 -3/8 1
-5200/3 0 0 0 -25 -100/3
h1 16/3 0 0 1 -1/2 -2/3
x1 8/3 1 0 0 1/4 -1/3
x2 14/3 0 1 0 -1/4 2/3

El plan de producción óptimo consiste en producir, cada tres semanas, 8 relojes de pie, 14 relojes de
pared, para lo cual David debe trabajar 34.67 horas a la semana, Diana 40 horas y Lidia 22 horas, con
un beneficio total de 1733.33 por semana.

Apartado 3. El incremento de la función objetivo obtenido al disponer de una hora adicional de cada
una de las tareas de la empresa viene dada por el precio sombra de las tres restricciones correspondientes.

π1 = −VhB1 = 0
π2 = −VhB2 = 25 (57)
π3 = −VhB3 = 33.33

Es decir, cada hora adicional de Lidia, permitirı́a mejorar el beneficio en 33.33 .

11 Para calcular el número de horas que se deberı́a ampliar el horario de Lidia obteniendo una mejora de 44
33.33 por cada hora adicional, es necesario calcular para qué valor de b3 la solución deja de ser factible.

uB = B −1 b =
⎛ ⎞⎛ ⎞ ⎛ 60−2b3 ⎞
1 −1/2 −2/3 40 3 (58)
⎝ 0 1/4 −1/3 ⎠ ⎝ 40 ⎠ = ⎝ 30−b3 ⎠
3
0 −1/4 2/3 b3 2b3 −30
3

Mientras 15 ≤ b3 ≤ 30 se mantiene la solución básica obtenida y, con ella, los precios sombra.
Con el acuerdo pactado, Lidia deberı́a trabajar 8 horas adicionales con un incremento total del bene-
ficio de 8 × 33.33 = 266.66 .

Apartado 4. Lo que se propone representa una nueva actividad x3 , cuyos coeficientes técnicos son
AT = (0, 4, 3). Se pide caracterizar c3 para que interese realizar esta actividad, es decir, si V3B ≥ 0

V3B = c3 − cB − cB B −1 A3 = c3 − cB − π B A3 =
⎛ ⎞
  0 (59)
c3 − 0 25 100/3 ⎝ 4 ⎠ = c3 − 200
3
Siempre y cuando el beneficio unitario obtenido por la venta de las cajas de relojes de pared sea
superior a 200 es interesante su producción y venta.

Apartado 5. En términos del modelo, se pide un análisis de sensiilidad de c2 , es decir, para qué rango
de valores de c2 la solución siga siendo óptima.

⎛ ⎞
  0 1 −1/2 −2/3
 0
VB = c − cB − cB B −1 A = 300 200 0 0 0 0 300 c2 ⎝ 1
0 0 1/4 −1/3 ⎠ =
1 0 −1/4 2/3 0
   300−c2 −300+2c2

300 c2 0 0 0 − 0 0 0 4 3 ≥ 0 ⇒ 150 ≤ c2 ≤ 300
(60)
Es decir, el plan de producción es óptimo siempre y cuando el precio de los relojes de pared sea igual
o superior a 100 e igual o inferior a 300 .

Apartado 6. El nuevo compromiso se traduce en una nueva restricción: x1 ≥ 3. La solución óptima

obtenida no cumple esta restricción, por lo que es necesario iterar para obtener la nueva solución.
La restricción, de haberse introducido en la tabla del problema original, habrı́a tenido la forma x2 −
h4 = 3
x1 x2 h1 h2 h3 h4
-5200/3 0 0 0 -25 -100/3 0
h1 16/3 0 0 1 -1/2 -2/3 0
x1 8/3 1 0 0 1/4 -1/3 0
x2 14/3 0 1 0 -1/4 2/3 0
3 1 0 0 0 0 -1
1/3 0 1 0 -1/4 1/3 -1
h4 -1/3 0 -1 0 1/4 -1/3 1

La tabla una vez incorada la nueva restricción y con h4 como variable básica es la siguiente, a partir
de la cual se puede iterar aplicando el método de Lemke.
11 x1 x2 h1 h2 h3 h4 45
-5200/3 0 0 0 -25 -100/3 0
h1 16/3 0 0 1 -1/2 -2/3 0
x1 8/3 1 0 0 1/4 -1/3 0
x2 14/3 0 1 0 -1/4 2/3 0
h4 -1/3 0 -1 0 1/4 -1/3 1
-1700 0 0 0 -50 0 -100
h1 6 0 0 1 -1 0 -2
x1 3 1 0 0 0 0 -1
x2 4 0 1 0 1/4 0 2
h3 1 0 0 0 -3/4 1 3

Por lo que en beneficio disminuirı́a en 33.33 cada semana. Se justificarı́a asumir este compromiso
comercial si, de alguna manera, las ventajas que proporciona el acuerdo supera esta pérdida.
La producción, con el nuevo compromiso, serı́a de 3 relojes de pie y 4 de pared con un beneficio
semanal del 1700 .
12
12. 46

12.1. Enunciado
El siguiente programa de programación lineal se utiliza para realizar la planificación mensual de
una planta que produce 3 productos (P1 , P2 y P3 ) que se procesan en tres talleres (T1 , T2 y T3 ) con
disponibilidades horarias respectivas de 900, 480 y 400 horas al mes.

max z = 8x1 + 6x2 + 6x3

s.a. :
3x1 + x2 + 2x3 ≤ 900
(61)
x1 + x2 + x3 ≤ 480
x1 + 2x3 ≤ 400
x1 , x2 , x3 ≥ 0

La siguiente tabla corresponden a la solución óptima del problema anterior:

x1 x2 x3 h1 h2 h3
-3300 0 0 -1 -1 -5 0
x1 210 1 0 1/2 1/2 -1/2 0
x2 270 0 1 1/2 -1/2 3/2 0
h3 190 0 0 3/2 -1/2 1/2 1

Donde h1 , h2 y h3
Se pide responder de forma independiente y a partir de la solución óptima a las siguientes cuestiones:

1. Interpretar la solución correspondiente a la tabla dada.

2. Realizar el análisis de sensibilidad para c1 y c3 , explicando los resultados obtenidos.
3. Calcular la nueva solución óptima del problema si debido a una enfermedad, las horas disponibles
en el taller T2 se reduce a 300 horas semanales.
4. Se está evaluando la posiblidad de amplicar la capacidad en cada uno de los talleres. Existe un taller
vecino que ofrece horas adicionales de cada uno de los talleres a un precio de 3 unidades monetarias
cada hora. ¿En qué talleres y cuántas horas serı́a interesante subcontratar al taller vecino al precio
anterior?
5. Se está valorando la posiblidad de ampliar la gama de productos e introducir un nuevo producto,
P4 , que consumirı́a una hora de cada uno de los talleres. ¿Qué debe cumplir la contribución unitaria
al benefecio de este nuevo producto para que resulte interesante su producción y venta?

12.2. Resolución
Apartado 1. El plan de producción óptimo consiste en:
producir 210 unidades de P1 ;
producir 270 unidades de P2 ;
no producir P3 ;
emplear todas las horas de los talleres T1 y T2 ; y
emplear 210 horas del taller T3 (de manera que no se emplean 190).
12
Apartado 2. Análisis de sensibilidad psra c1 . 47
Como x1 es una variable básica, si se mofifica c1 se modifica todo el vector de criterios del simplex.

⎛ ⎞
  1 0 1/2 1/2 −1/2 0

V B = c − cB B −1 A = c1 6 6 0 0 0 c1 6 0 ⎝ 0 1 1/2 −1/2 3/2 0 ⎠ =
0 0 3/2 −1/2 1/2 1
   c1 +6 c1 −6 −c1 +18
  
c1 6 6 0 0 0 − c1 6 2 2 2 0 = 0 0 6−c
2
1 6−c1
2
c1 −18
2 0
(62)

Con lo que la solución seguirá siendo óptima si V B ≥ 0:

6 − c1 ≤ 0
6 − c1 ≤ 0 ⇒ 6 ≤ c1 ≤ 18 (63)
c1 − 18 ≤ 0
Si la contribución unitaria al beneficio del prodcuto P1 está entre 6 y 18 (como es el caso inicial, en
el que es 8), la gama de productos de plan de producción óptimo, no se modifica.
En efecto, si la contribución unitaria fuera menor que 6 no interesarı́a realizar P1 y si fuera superior a
18, su contribución serı́a lo suficientemente alta como para aumentar todo lo posible el nivel de realización
de P1 aun a costa de dejar de realizar algo de lo que se realiza en la solución óptima de partida.

Análisis de sensibilidad psra c3 .

Como x1 es una variable no básica, si se mofifica c1 se modifica solo su componente en el vector de
criterios del simplex.

⎛ ⎞
  1/2
c3 − cB B −1 A3 = c3 − cB pB
3 = c3 − 8 6 0 ⎝ 1/2 ⎠ = c3 − 7 (64)
3/2
Mientras c3 − 7 ≤ 0, no interesará realizar este producto. Si la contribución unitaria al beneficio fuera
igual o superior a 7, serı́a interesante realizar esta actividad.

Apartado 3. Si b3 =300, cambia uB = B −1 b:

⎛ ⎞⎛ ⎞ ⎛ ⎞
1/2 −1/2 0 900 300
uB = ⎝ −1/2 3/2 0 ⎠ ⎝ 300 ⎠ = ⎝ 0 ⎠ (65)
−1/2 1/2 1 400 100

La nueva solución es degenerada. La función objetivo decrece (z B = 2400).

Apartado 4. Viendo el vector de precios sombra π B = (1, 5, 0) sólo interesa subcontratar horas en el
taller 2; porque es más lo que puedo ganar que el coste de la subcontratación. Al hacer el análisis de
sensibilidad de b2 se observa que la cantidad máxima de horas a subcontratar es de 380.

Apartado 5. Hay que calcular el interés del nuevo producto en función de su coste. Para eso se estudia
la relación entre V B y c4 .

⎛ ⎞
  0
B
Vx4 = c4 − cB p 4 = c4 − 8 6 0 ⎝ 0 ⎠ = c4 − 6
1
El nuevo producto resulta interesante si su contribución al beneficio es mayor de 6.
13
13. 48

13.1. Enunciado
El siguiente modelo de programación lineal, que se utiliza para la planificación de la producción de 3
productos sometidos a 3 restricciones.

max z = 5x1 + 4x2 + 12x3

s.a. :
4x1 + 2x2 + 5x3 ≤ 40
(66)
5x1 + 3x2 + 7x3 ≤ 60
x1 + x2 + x3 = 10
x1 , x2 , x3 ≥ 0

Se ha resuelto por el método de la M grande, y la siguiente tabla corresponde a una solución óptima
del problema correspondiente a su vez al plan de producción óptimo.

x1 x2 x3 x4 x5 a3
-280/3 -13/3 0 0 -8/3 0 4/3-M
x3 20/3 2/3 0 1 1/3 0 -2/3
x5 10/3 -2/3 0 0 -4/3 1 -1/3
x2 10/3 1/3 1 0 -1/3 0 5/3

Tomando como referencia la solución óptima actual:

1. Explicar el significado de las tasas de sustitución pB B

11 y p13 .

2. Analizando el interés de incrementar o disminuir b3 , justificar si la tercera restricción está operando

como una limitación o como una obligación.
3. Explicar el significado de V1B , haciendo uso explı́cito de los valores de los precios sombra de los
recursos correspondientes a las tres restricciones.
4. Suponiendo que los recursos R1 y R2 fueran intercambiables, calcular la solución óptima para cual-
quier cantidad de recurso transferido de R2 a R1 , utilizando para ello la programación paramétrica.
5. Determinar el intervalo de c2 dentro del cual la base de la solución óptima es la correspondiente a
la de la tabla dada. Sin necesidad de realizar cálculos, indicar por qué la solución básica obtenida
dejarı́a de ser la óptima y qué serı́a necesario realizar para obtener la nueva solución óptima.
6. Obtener la nueva solución y calcular la repercusión que tendrı́a sobre el beneficio el hecho de que,
debido a un cambio de normativa, ya no se puede vender producto P2

13.2. Resolución
Apartado 1.
2
La tasa de sustitución pB 11 = 3 de la primera variable básica con respecto a la variable x1 , no
básica, representa en qué medida disminuye el valor de la primera variable básica x3 (uB
1 ) cuando
2
1 Δx = p11 = − 3
la variable x1 toma valor 1. Es decir: ΔuB B
1

La tasa de sustitución pB
13 es la tasa de sustitución de x3 con respecto a esa misma variable y es 1.
Esta tasa representa en qué medida disminuye x1 cuando x1 toma valor 1, y es -1. Es decir, no es
posible obtener un valor diferente de x3 = 20 3 , para la base B = (A3 A5 A2 ).
13
Apartado 2. El precio sombra de la tercera restricción es π3B = − 34 . Es decir: 49

Si Δb3 = 1 ⇒ Δz = − 43
4
Si Δb3 = −1 ⇒ Δz = 3

Si fuera posible, serı́a desear disminuir el valor de b3 , porque darı́a lugar a un aumento de la función
objetivo. Se puede decir, que la restricción tercera está actuando en esta solución como una obligación.

Apartado 3. El criterio del simplex de la variable x1 se puede expresar como:

⎞ ⎛
 4
V1B = c1 − π B A1 = 5 − 83 0 − 43 ⎝ 5 ⎠ (67)
1
 
Los precios sombra de las tres restricciones son π B = 83 0 − 34 que son, respectivamente, los
valores unitarios de cada uno de los tres recursos. ⎛ ⎞
4
El consumo unitario de dichos recursos al realizar una unidad de P1 es ⎝ 5 ⎠.
1
Con lo que el producto de π B A1 representa el valor de los recursos que son necesarios para producir
una unidad de P1 y que se detraen del plan de producción correspondiente a la solución óptima. En este
caso π B A3 = 28
3 .
El criterio del simplex V1B representa la diferencia entre:

la contribución unitaria al beneficio de P1 , c1 = 5 y

28
el citado valor de los recursos para realizar una unidad de P1 : π B A3 = 3 .

La diferencia es V1B = − 13
3 , con lo que no resulta realizar este producto, porque no se ve compensado
el ingreso con lo que se deja de ganar al detraer recursos del plan actual de producción.

Apartado 4. Lo que se pide es resolver el siguiente problema de programación paramétrica con b =

 T
40 + λ 60 − λ , con λ ≥ 0:

max z = 5x1 + 4x2 + 12x3

s.a. :
4x1 + 2x2 + 5x3 ≤ 40 + λ
(68)
5x1 + 3x2 + 7x3 ≤ 60 − λ
x1 + x2 + x3 = 10
x1 , x2 , x3 ≥ 0

La solución dada corresponde a λ = 0

x1 x2 x3 x4 x5 a3
λ=0 -280/3 -13/3 0 0 -8/3 0 4/3 − M
x3 20/3 2/3 0 1 1/3 0 -2/3
x5 10/3 -2/3 0 0 -4/3 1 -1/3
x2 10/3 1/3 1 0 -1/3 0 5/3
13 Esta solución es óptima y factible si uB (λ) ≥ 0: 50

⎛ ⎞⎛ ⎞
1/3 0 −2/3 40 + λ
uB (λ) = B −1 b(λ) = ⎝ −4/3 1 −1/3 ⎠ ⎝ 60 − λ ⎠ =
−1/3 0 5/3 10
⎛ ⎞ (69)
20 + λ
1⎝ 10
10 − 7λ ⎠ ≥ 0 ⇒ λ ≤
3 7
10 − λ

Las siguientes tres tablas son, respectivamente, la tabla correspondente a la solución óptima cuando
0 ≤ λ ≤ 10 10
7 , la tabla correspondiente a dicha solución ótpima cuando λ = 7 y la que se obtiene a partir
de la anterior aplicando el método de Lemke.

x1 x2 x3 x4 x5 a3
0 ≤ λ ≤ 10
7 − 280+8λ
3 -13/3 0 0 -8/3 0 4/3 − M
20+λ
x3 3 2/3 0 1 1/3 0 -2/3
10−7λ
x5 3 -2/3 0 0 -4/3 1 -1/3
10−λ
x2 3 1/3 1 0 -1/3 0 5/3
λ = 10
7 − 680
7 -13/3 0 0 -8/3 0 4/3 − M
50
x3 7 2/3 0 1 1/3 0 -2/3
x5 0 -2/3 0 0 -4/3 1 -1/3
20
x2 7 1/3 1 0 -1/3 0 5/3
λ = 10
7 − 680
7 -3 0 0 0 -2 2−M
50
x3 7 1/2 0 1 0 1/4 -3/4
x4 0 1/2 0 0 1 -3/4 1/4
20
x2 7 1/2 1 0 0 -1/4 7/4

Esta solución es óptima y factible si uB (λ) ≥ 0:

⎛ ⎞⎛ ⎞
0 1/4 −3/4 40 + λ
uB (λ) = B −1 b(λ) = ⎝ 1 −3/4 1/4 ⎠ ⎝ 60 − λ ⎠ =
0 −1/4 7/4 10
⎛ ⎞ (70)
30 − λ
1⎝ 10
−10 + 7λ ⎠ ≥ ⇒ λ ≤ 30
4 10 + λ 7

Las siguientes tres tablas son, respectivamente, la tabla correspondente a la solución óptima cuando
10
7 ≤ λ ≤ 30, la tabla correspondiente a dicha solución ótpima cuando λ = 30 y la que se obtiene a partir
de la anterior aplicando el método de Lemke.

x1 x2 x3 x4 x5 a3
10
7 ≤ λ ≤ 30 100 − 2λ -3 0 0 0 -2 2−M
30−λ
x3 4 1/2 0 1 0 1/4 -3/4
−10+7λ
x4 4 1/2 0 0 1 -3/4 1/4
10+λ
x2 4 1/2 1 0 0 -1/4 7/4
λ = 30 -40 -3 0 0 0 -2 2−M
x3 0 1/2 0 1 0 1/4 -3/4
x4 50 1/2 0 0 1 -3/4 1/4
x2 10 1/2 1 0 0 -1/4 7/4

No existe posiblidad de iterar aplicando el método de Lemke, porque no existen tasas de sustitución
negativas para x3 . Por lo tanto,la solución óptima en función de lambda es:
13 Si 0 ≤ λ ≤ 10 51
7

 Valores de las variables básicas: x2 = 10+λ

3 , x3 = 20+λ
3 y x5 = 10−7λ
3
 Valor de la función objetivo: z = 280+8λ
3
10
Si 7 ≤ λ ≤ 30

 Valores de las variables básicas: x2 = 10+λ

4 , x2 = 30−λ
4 y x4 = −10+7λ
4
 Valor de la función objetivo: z = 100 − 2λ
Si λ > 30 el problema no tiene solución
10
A partir del análisis anterior, se puede concluir que el beneficio máximo se obtiene para λ = 7 , es
decir, transfiriendo es cantidad de recursos, con un beneficio de 680
7 .

Apartado 5. La base de la solución básica obtenida no cambia si la solución sigue siendo óptima y
factible. Si se modifica c2 , puede cambiar V B y la solución puede dejar de ser óptima. Hay que calcular
el intervalo de c2 dentro del cual V B ≤ 0.

⎛ ⎞
    2/3 0 1 1/3 0
V B = c − cB p B = 5 c2 12 0 0 − 12 0 c2 ⎝ −2/3 0 0 −4/3 1 ⎠ =
1/3 1 0 −1/3 0 (71)
 
−3 − c2
3 0 0 3 −4 0
c2
≤ 0 ⇒ −9 ≤ c2 ≤ 12

Si c2 ∈ [−9, 12], la base sigue siendo la obtenida.

Si c2 < −9, la solución dejarı́a de ser óptima porque V1B > 0, y habrı́a que aplicar el método del
Simplex e introducir la variable x1 .
Si c2 > 12, la solución dejarı́a de ser óptima porque V4B > 0, y habrı́a que aplicar el método del
Simplex e introducir la variable x4 .

Apartado 6. x2 ≤ 0 ⇒ x2 + x6 = 0

x1 x2 x3 x4 x5 a3 x6
-280/3 -13/3 0 0 -8/3 0 4/3 − M 0
x3 20/3 2/3 0 1 1/3 0 -2/3 0
x5 10/3 -2/3 0 0 -4/3 1 -1/3 0
x2 10/3 1/3 1 0 -1/3 0 5/3 0
0 0 1 0 0 0 0 1
x6 -10/3 -1/3 0 0 1/3 0 -5/3 1
-50 0 0 0 -7 0 −23 − M -13
x3 0 0 0 1 1 0 -4 2
x5 10 0 0 0 -2 1 3 -2
x2 0 0 1 0 0 0 0 1
x1 10 1 0 0 -1 0 5 -3

La nueva solución consiste en no fabricar P2 y fabricar 10 unidades de P1 con una función objetivo
de 50, peor que el valor de la función objetivo antes de introducir la restricción.
14
14. 52

14.1. Enunciado
Resolver el siguiente problema mediante el método de las dos fases:

max z = 3x1 + 4x2 + 5x3

s.a. :
3x1 + 2x2 + 4x3 ≥ 50
(72)
x1 + x2 + x3 = 20
4x1 + 5x2 + 8x3 ≤ 300
x1 , x2 , x3 ≥ 0

14.2. Resolución
Reformulación del problema original (P )

max z = 3x1 + 4x2 + 5x3

s.a. :
3x1 + 2x2 + 4x3 − h1 = 50
(73)
x1 + x2 + x3 = 20
4x1 + 5x2 + 8x3 + h3 = 300
x1 , x2 , x3 , h1 , h3 ≥ 0

Problema de la primera fase (P  )

max z = −a1 − a2
s.a. :
3x1 + 2x2 + 4x3 − h1 + a1 = 50
(74)
x1 + x2 + x3 + a2 = 20
4x1 + 5x2 + 8x3 + h3 = 300
x1 , x2 , x3 , h1 , h3 , a1 , a2 ≥ 0
14 x1 x2 x3 h1 a1 a2 h3 53
(1 fase) 70 4 3 5 -1 0 0 0
(2 fase) 0 3 4 5 0 0 0 0
a1 50 3 2 4 -1 1 0 0
a2 20 1 1 1 0 0 1 0
h3 300 4 5 8 0 0 0 1

(1 fase) 15/2 1/4 1/2 0 1/4 -5/4 0 0

(2 fase) -125/2 -3/4 3/2 0 5/4 -5/4 0 0
x3 25/2 3/4 1/2 1 -1/4 1/4 0 0
a2 15/2 1/4 1/2 0 1/4 -1/4 1 0
h3 200 -2 1 0 2 -2 0 1

(1 fase) 0 0 0 0 0 -1 -1 0
(2 fase) -85 -3/2 0 0 1/2 1/2 -3 0
x3 5 1/2 0 1 -1/2 1/2 -1 0
x2 15 1/2 1 0 1/2 -1/2 2 0
h3 185 -5/2 0 0 3/2 -3/2 -2 1

(1 fase) 0 0 0 0 0 -1 -1 0
(2 fase) -100 -2 -1 0 0 0 -5 0
x3 20 1 1 1 0 0 1 0
h1 30 1 2 0 1 -1 4 0
h3 140 -4 -3 0 0 0 -8 1

La solución del problema original es: x3 = 20, x1 = x2 = 0

15
15.EJERCICIO
Ejercicio 54

15.1. Enunciado
Dado el problema de programación lineal (P ):

max z = x1 + x2 + 2x3
s.a
3x1 + 4x2 ≥ 12
(75)
x1 + x2 ≤ 24
x1 + x3 = 15
x1 , x2 , x3 ≥ 0

1. Plantear el problema correspondiente a la primera fase (P  ), si se resolviera mediante el método de

las dos fases.
2. Construir la tabla correspondiente al método del Simplex, variante de la matriz completa, para la
primera solución de (P’).
3. Explicar qué se puede decir de P si al resolver el problema anterior (P  ), la función objetivo de la
solución óptima es diferente de cero.

15.2. Resolución
TMCIO 1011 JUN

Apartado 1. El problema P  correspondiente a la pimera fase es el siguiente.

max z = −a1 − a3
s.a
3x1 + 4x2 − h1 + a1 = 12
(76)
x1 + x2 + h2 = 24
x1 + x3 + a3 = 15
x1 , x2 , x3 , h1 , a1 , h2 , a3 ≥ 0

Apartado 2. La tabla correspondiente a la solución básica de partida de P  es:

x1 x2 x3 h1 a1 h2 a3
27 4 4 1 -1 0 0 0
a1 12 3 4 0 -1 1 0 0
h2 24 1 1 0 0 0 1 0
a3 15 1 0 1 0 0 0 1

Apartado 3. Si la solución óptima del problema P  tiene una función objetivo diferente de cero, significa
que no tiene soluciones factibles con a1 = a3 = 0, con lo que el problema original P no tiene ninguna
solución factible.
16
16.EJERCICIO
Ejercicio 55

16.1. Enunciado
Al resolver un problema mediante el método de Lemke, aparece una tabla como la siguiente. Explicar,
sin hacer operaciones, qué habrı́a que hacer para continuar (la explicación no deberı́a tener una extensión
superior a 100 palabras).

x1 x2 x3 h1 h2
-7 0 6 -4 -2 0
x1 -2 1 3 0 2 0
x3 -5 0 3 1 -3 1

16.2. Resolución
Todas las soluciones que se visitan al aplicar el método de Lemke cumplen el criterio de optimalidad
(V B ≤ 0). En la tabla se muestra una solución que no lo cumple, por lo que debe de haber existido algún
error previo en la aplicación de dicho método, habrı́a que revisar los cálculos previos.
17
17.EJERCICIO
Ejercicio 56

17.1. Enunciado
Para la relajación lineal del problema anterior, se pide:
1. Construir el problema dual correspondiente.
2. Indicar cuáles son las variables básicas ası́ como sus valores, correspondientes a la solución óptima
de dicho problema dual.

17.2. Resolución
MME 0809 FEB
Dado el primal:

max z = x1 + x2
sujeto a:
2x1 + 5x2 ≤ 16 (77)
6x1 + 5x2 ≤ 30
x1 ,x2 ≥ 0

Su dual es:
min s = 16y1 + 30y2
sujeto a:
2y1 + 6y2 ≥ 1 (78)
5y1 + 5y2 ≥ 1
y1 ,y2 ≥ 0

Para la solución óptima:

y ∗ = π B = (1/20 3/20)
Se cumple que: V1B = V1B = 0, por lo que las restricciones del dual se cumplen en términos de
igualdad y, por lo tanto, h1 = h2 = 0
Las variables básicas de la solución óptima del dual son y1∗ = 1/20 y y2∗ = 3/20
18
18.EJERCICIO
Ejercicio 57

18.1. Enunciado
Una empresa de productos quı́micos EPQ trata de convencer a AV de que alimente a sus gallinas
añadiendo directamente AA y βC al pienso común. EPQ conoce las caracterı́sticas de los complejos
suplementarios que se ofrecen en el mercado local.
1. Plantear el modelo de programación lineal que utilizarı́a EPQ para determinar su polı́tica de precios
para AA y βC de modo que a AV le resultara indiferente acudir al mercado local o comprar a EPQ.
2. Obtener la solución óptima al modelo planteado por EPQ precisamente a partir de la obtenida en
el apartado 2 del ejercicio anterior.
3. Explicar cómo podrı́a afectar a EPQ que CSN fuera o no interesante para AV.

18.2. Resolución
Apartado 1 El modelo que utilizarı́a EPQ serı́a el dual del de AV. Siendo y1 e y2 los precios que EPQ
pondrı́a a AA y a βC, respectivamente, tratarı́a de maximizar sus ingresos por suministrar el AA y βC
que necesita AV, siendo competitivo con los complejos suplementarios del mercado local, es decir:

max z = 15000y1 + 3000y2

s.a. :
40y1 + 30y2 ≤ 70
(79)
60y1 + 60y2 ≤ 20
40y1 + 40y2 ≤ 50
y1 , y2 ≥ 0

Apartado 2 Tanto por la aplicación del teorema de las holguras complementarias, como por la inter-
pretación del ejercicio anterior, y1∗ = 1/3 e y2∗ = 0 /gramo, es decir, EPQ deberı́a ofrecer AA a 333
/kg y deberı́a regalarle βC a AV para ser competitivo e ingresar los 5000 /semana.

Apartado 3 Lógicamente, como a AV no le interesa CSN , no afectarı́a a lo ya dicho para EPQ.

Sin embargo, si a AV le interesara CSN, serı́a porque reducirı́a sus costes. Como en dualidad las
funciones objetivo coinciden en el óptimo, los beneficios esperados por EPQ bajarı́an (se enfrentarı́a con
un mercado más competitivo).
19
19.EJERCICIO
Ejercicio 58

19.1. Enunciado
Considérese el problema

max z = 2x1 + x2
s.a. :
x1 + x2 ≤ 14
(80)
2x1 − x2 ≤ 10
x1 − x2 ≤ 3
x1 , x2 ≥ 0

Se pide
Escribir el problema dual
= (8, 6) es una solución factible.
Verificar la solución x
Demuestrar que x es solución óptima mediante el teorema de las holguras complementarias y de-
terminar la solución óptima del problema dual.

19.2. Resolución
Apartado 1. El problema dual es:

min s = 14y1 + 4y2 + 3y3

s.a. :
y1 + 2y2 + y3 ≥ 2 (81)
y1 − y2 − y3 ≥ 1
y1 , y2 , y2 ≥ 0

Apartado 2. Se trata de una solución:

Restricción 1:8 + 6 = 14 ≤ 14
Restriccion 2:2 ∗ 8 − 6 = 10 ≤ 10
Restriccion 2:8 − 6 = 2 ≤ 3
Se cumplen las tres restricciones, además h3 = 1. El valor de la función objetivo es 22.

Apartado 3. Los valores de las holguras del problema original son: h1 = 0, h2 = 0,h3 = 1, por lo que
los criterios del simplex de las variables del problema primal son V B = (0, 0, ≤ 0, ≤ 0, 0).
Por el teorema de las holguras complementarias sólo y1 e y2 pertenecen a la base del problema dual.
yh1 = yh2 = y3 = 0
Las restricciones del dual se transforman en un sistema de dos ecuaciones con dos variables (y1 e y2 ),
cuyo resultado es: y1 = 43 e y2 = 13 . Para esta solución del dual, la función objetivo vale s = 22. Como
z = s estamos en la solución óptima.
20
20.EJERCICIO
Ejercicio 59

20.1. Enunciado
Dado el siguiente problema

max z = 5x1 + 4x2 + 3x3

s.a. :
x1 + x3 ≤ 15 (82)
x2 + 2x3 ≤ 25
x1 , x2 , x3 ≥ 0

Se pide:
1. Construir el problema dual
2. Justificar sin resolver el problema dual, que 175 es una cota superior del problema primal
3. Resolver gráficamente el dual.
4. Obtener la solución óptima del primal a partir del dual

20.2. Resolución
Apartado 1. El problema dual es:

min s = 15y1 + 25y2

s.a. :
y1 ≥ 5
(83)
y2 ≥ 4
y2 + 2y2 ≥ 3
y1 , y2 ≥ 0

Apartado 2. Si se encuentra una solución del dual con s = 175, se dispondrá de una cota superior del
primal. En efecto, y1 = 5 y y2 = 4 es una solución factible del primal y ofrece una función objetivo de
s = 175

Apartado 3. La solución óptima del dual se alcanza para y1 = 5, y2 = 4, con s = 175

Apartado 4.
Como y1 = 5, el precio sombra de la primera restricción en el primal es diferente de cero, por lo
que h1 es una variable no básica.
Como y2 = 4 , el precio sombra de la segunda restricción en el primal es diferente de cero, por lo
que h2 es una variable no básica.
Por último, con la tercera restricción del dual no se cumple como igualdad, la tercera variable del
primal, x3 es no básica.
20 EJERCICIO 60

Las variables básicas de la solución óptima del primal son: x1 y x2 . Es decir, se debe cumplir:

x1 = 15
(84)
x2 = 25

El valor de la función objetivo es z ∗ = 175 = s∗

21
21.EJERCICIO MME-1213-ENE-2
Ejercicio MME-1213-ENE-2 61

21.1. Enunciado
Hallar el problema dual de este problema.


max z = ci xi
i
s.a. :
 (85)
bi xi ≤ F
i
xi ≥ 0

Siendo F un escalar

21.2. Resolución
Hallar el problema dual es

min s = yF
s.a. :
(86)
ybi ≥ ci ∀i
y≥0
22
22.EJERCICIO
Ejercicio 62

22.1. Enunciado
Dado el problema:

max z = x1 + x2
sujeto a:
2x1 + 5x2 ≤ 16 (87)
6x1 + 5x2 ≤ 30
x1 ,x2 ≥ 0 y enteros

Se conoce la solución óptima de la relajación lineal correspondiente, x∗RL , cuya tabla del simplex se
indica a continuación.
x1 x2 h1 h2
-53/10 0 0 -1/20 -3/20
x2 9/5 0 1 3/10 -1/10
x1 7/2 1 0 -1/4 1/4

Se pide resolver de forma gráfica el problema entero utilizando Branch&Bound, dibujando el árbol
correspondiente.

22.2. Resolución
El árbol correspondiente a la aplicación del algoritmo de Land-Doig es el siguiente.
22 EJERCICIO 63

Existen tres soluciones enteras que arrojan el mismo valor z = 5. Las soluciones son las siguientes.
Solución 1: x1 = 5 y x2 = 0. Solución 2: x1 = 4 y x2 = 1. Solución 3: x1 = 3 y x2 = 2.
Resolución gráfica de los problemas:
22 EJERCICIO 64
23
23.EJERCICIO
Ejercicio 65

23.1. Enunciado
En un problema de programación lineal entera resuelto mediante ramificación y acotación (algoritmo
de Land-Doig), explicar en qué casos un nodo del árbol no se ramifica (y, por lo tanto, no da lugar a dos
nuevos nodos con sus correspondientes problemas).

23.2. Resolución
Un nodo no se ramifica si cumple alguna de las siguientes condiciones.

1. Si la solución del problema correspondiente a ese nodo es entera.

2. Si el valor de la función objetivo del problema correspondiente a ese nodo es peor que el valor de
la función objetivo de algún nodo con solución entera.
3. Si el problema correspondiente al nodo no tiene solución factible.
24
24.EJERCICIO
Ejercicio 66

24.1. Enunciado
En el curso de aplicar el método “Branch & Bound ” (en el que cada nodo se ramifica en dos sub-
problemas que tienen una restricción ≤ o ≥ más que el subproblema del que parten) para resolver un
problema de optimización entera con variables (x1 y x2 ) y función objetivo max z = 4x1 − x2 , se obtiene
el árbol 1 de la figura 1.
Al lado de los nodos S, S1 , S12 y S2 se muestran las soluciones obtenidas al resolver la relajación lineal
de los subproblemas correspondientes. Por ejemplo, al resolver la relajación lineal para el subproblema
S1 se obtiene la solución relajada (2, 12 ).

;ϮϬͬϳ͕ϯͿ
6

;Ϯ͕ϭͬϮͿ 6 6

6 ;Ϯ͕ϭͿ

Figura 1: árbol 1 del B&B

1. La información proporcionada en el árbol 1 y la función objetivo dada permiten calcular cotas

inferiores y superiores del problema original. Para cada nodo indica qué tipo de cota ofrece y cuál
es su valor.
2. El Árbol 1 muestra una solución entera factible. ¿Se puede asegurar que sea óptima con la infor-
mación dada hasta ahora? ¿Por qué?
3. Al seguir con la ramificación del subproblema S1 se obtiene el Árbol 2 mostrado en la Figura 2,
donde se indican las soluciones de las relajaciones lineales correspondientes a los subproblemas que
se ven en el árbol. Actualiza las cotas inferiores y superiores ¿Puedes encontrar una solución óptima
para el problema, o habrı́a que continuar explorando el árbol? ¿Por qué?

Figura 2: árbol 2 del B&B

24.2. Resolución
MME 0809 SEP
24 EJERCICIO
Apartado 1 Cada nodo aporta una cota: 67
20 59
S0 . Solución no entera. Cota superior. z1 = 4 × 7 −3= 7
1 15
S1 . Solución no entera. Cota superior. z2 = 4 × 2 − 2 = 2

S12 . Solución entera. Cota inferior. z12 = 4 × 2 − 1 = 7

Apartado 2 No se puede asegurar que sea la solución óptima porque, por ejemplo, el nodo no resuelto
correspondiente a la ramificación de S0 , es decir, S2 puede ofrecer soluciones enteras mejores que la del
nodo S12 .

Apartado 3 Los nuevos nodos aportan nuevas cotas:

S2 . Solución no factible. No proporciona cota.
S11 . Solución no entera con función objetivo z11 = 4 × 32 2 − 0 = 6, menor que el valor de la solución
entera de S12 , con lo que se trata de una cota inferior.
La solución óptima es la correspondiente a S12 , ya que el nodo S2 no se puede ramificar, ya que corresponde
a un problema sin solución factible, y el nodo S11 corresponde a un problema con solución no entera peor
que la solución de S12 , que sı́ es entera.
25
25.EJERCICIO
Ejercicio 68

25.1. Enunciado
Resolver mediante Branch and Bound el siguiente problema PLE:

max z = 12x1 + 6x2

s.a. :
(88)
2x1 + 4x2 ≤ 17
x1 , x2 ≥ 0 y enteras

Utilizar Simplex o Lemke para resolver las relajaciones lineales correspondientes (no se valorará la
obtención de soluciones óptimas mediante método gráfico).
26
26.EJERCICIO
Ejercicio 69

26.1. Enunciado
Al empezar a resolver con Branch & Bound un problema de maximización con todas las variables
enteras se divide el problema original en dos subproblemas (dos ramas): x1 ≤ 2 y x1 ≥ 3. La rama x1 ≤ 2
ha sido podada al encontrar un solución entera en la relajación lineal correspondiente (x1 , x2 , x3 ) =
(1, 2, 1) con z = 5. Cuál serı́a el siguiente paso si la solución a la que se llega al resolver la relajación
lineal correspondiente a la rama x1 ≥ 3 fuera:
1. (x1 , x2 , x3 ) = (3, 1, 0.5) con z = 3.5
2. (x1 , x2 , x3 ) = (4, 1, 0) con z = 8
3. (x1 , x2 , x3 ) = (4, 1.5, 0) con z = 8
4. (x1 , x2 , x3 ) = (4, 1, 2) con z = 7.5

26.2. Resolución
MME 1011 ENE

Apartado 1. En este caso la solución obtenida por la rama x1 ≥ 3 ofrece una cota superior menor que
la cota inferior de la rama x1 ≤ 1, por lo que esa rama también se podarı́a, no habrı́a nodos que ramificar
y la solución óptima serı́a (x1 , x2 , x3 ) = (1, 2, 1) con z = 5

Apartado 2. En este caso, habrı́a que podra la rama x1 ≥ 3, al haber obtenido una solución entera (la
cota superior igual a la cota inferior) y la solución óptima serı́a (x1 , x2 , x3 ) = (4, 1, 0) con z = 8

Apartado 3. En este caso, la rama x1 ≥ 3 no se podrı́a podar, ya que su cota superior es mayor que
la inferior del único otro nodo del problema y porque el nodo corresondiente a dicha rama no ofrece una
solución entera. Serı́a necesario ramificar de nuevo, generando dos ramas a partir de la única variable no
entera: xx2 ≤ 2 y x2 ≥ 2. Para el problema se tendrı́a una cota superior de 8 y una cota inferior de 3.5.

Apartado 4. Análogamente al caso 2, la solución óptima serı́a (x1 , x2 , x3 ) = (4, 1, 2) con z = 7.5.
27
27.EJERCICIO
Ejercicio 70

27.1. Enunciado
Resolviéndose un problema de programación entera se ha llegado a construir el árbol que se muestra
en la figura 27.1. Se pide responder a las siguientes preguntas de tipo test.

P0
x1=11.69
x2=3.01
0 z*=50.18

x1”11 x1ш12

P1 P2
x1=11 X1=12
x2=3.37 1 2 X2=2.66
z*=49.36 z*=49.33

x2”3 x2ш4 x2”2

P3 P4 P5
x1=11 z*=47 x1=12.57
x2=3 3 4 5 x2=2 6
z*=48 z*=47.71

Figura 3: árbol resultante durante la resolución de un problema con B&B

NOTA: redactar la respuesta incluyendo la frase completa en las hojas entregadas para calificar
con el encabezado y con la opción elegida como correcta. Por ejemplo, una posible respuesta, serı́a La
información del árbol permite afirmar que: ninguna de las anteriores es correcta. No es necesario indicar
el subapartado (porque todos son diferentes)
Solo una respuesta de cada apartado es correcta. Para cada apartado, una respuesta correcta suma
un punto, una respuesta incorrecta resta un cuarto de punto.

1. Con respecto al nodo 4:

Hay que seguir ramificando el nodo 4.
No interesa ramificar el nodo 4 porque su relajación lineal tiene un valor menor que alguna de
las cotas inferiores obteinidas hasta ahora.
No interesa ramificar el nodo 4 porque ya es una solución entera.
Ninguna de las anteriores es correcta
2. La información del árbol permite afirmar que:
Debo ramificar el nodo 5 en dos nuevos subnodos cuyas ramas son x1 ≤ 12 y x1 ≥ 13.
No debo ramificar el nodo 5 porque el subproblema correspondiente no puede tener soluciones
mejores que la obtenida en su relajación lineal
Al haber resuelto el subproblema correspondiente al nodo 5 la cota infererior más alta del
problema completo es 47.71.
Ninguna de las anteriores es correcta
27 3.EJERCICIO
El nodo 6: 71

representa al subproblema que consiste en añadir al subproblema 2 la restricción x2 = 3.

representa al subproblema que consiste en añadir al subproblema 2 la restricción x2 ≥ 3.
representa un subproblema que no se debe resolver porque es imposible que se encuentre una
solución mejor que la mejor cota inferior obtenida hasta este momento.
Ninguna de las anteriores es correcta

27.2. Resolución
1. Con respecto al nodo 4:
INCORRECTA: Hay que seguir ramificando el nodo 4.
CORRECTA: No interesa ramificar el nodo 4 porque su relajación lineal tiene un valor
menor que alguna de las cotas inferiores obteinidas hasta ahora.
INCORRECTA: No interesa ramificar el nodo 4 porque ya es una solución entera.
INCORRECTA: Ninguna de las anteriores es correcta
2. La información del árbol permite afirmar que:
INCORRECTA: Debo ramificar el nodo 5 en dos nuevos subnodos cuyas ramas son x1 ≤ 12 y
x1 ≥ 13.
INCORRECTA: No debo ramificar el nodo 5 porque el subproblema correspondiente no puede
tener soluciones mejores que la obtenida en su relajación lineal
INCORRECTA: Al haber resuelto el subproblema correspondiente al nodo 5 la cota infererior
más alta del problema completo es 47.71.
CORRECTA: Ninguna de las anteriores es correcta
3. El nodo 6:
INCORRECTA: representa al subproblema que consiste en añadir al subproblema 2 la restric-
ción x2 = 3.
CORRECTA: representa al subproblema que consiste en añadir al subproblema 2 la res-
tricción x2 ≥ 3.
INCORRECTA: representa un subproblema que no se debe resolver porque es imposible que
se encuentre una solución mejor que la mejor cota inferior obtenida hasta este momento.
INCORRECTA: Ninguna de las anteriores es correcta
28
28.EJERCICIO
Ejercicio 72

28.1. Enunciado
Dado el siguiente problema de programacion entera:

max z = 4x1 − 2x2 + 7x3 − x4

s.a. :
x1 + 5x3 ≤ 10
x1 + x2 − x3 ≤ 1 (89)
6x1 − 5x2 ≤ 0
−x1 + 2x3 − 2x4 ≤ 3
x1 , x2 , x3 , x4 ≥ 0 y enteras

Se ha comenzado a resolver mediante Branch-and-Bound (algoritmo de Dakin) y se dispone del si-

guiente árbol. Para cada nodo se indica el valor de la solución ótpima de la relajación lineal y los valores
de las variables que en la dicha solución óptima toman un valor no nulo.

œൌͳͶǤʹͷ
šͳൌͳǤʹͷ
Ͳ
šʹൌͳǤͷ
š͵ൌͳǤ͹ͷ
šʹ൒ʹ
šʹ൑ͳ

œൌͳͶǤͳ͹ œൌͳʹǤͳ͹
šͳൌͲǤͺ͵͵ šͳൌͲǤͺ͵͵ Ͳͳ
ͲͲ
šʹൌͳ šʹൌʹ
š͵ൌͳǤͺ͵ š͵ൌͳǤͺ͵
š͵൑ͳ š͵൒ʹ
š͵൒ʹ
š͵൑ͳ
œൌͻǤͷ
œൌͺǤ͵͵ šʹൌʹ Ͳͳͳ
šͳൌͲǤͺ͵͵ ͲͲͳ
ͲͲͲ š͵ൌʹ
šʹൌͳ šͶൌͲǤͷ
š͵ൌͳ
œൌ͵
šͳ൒ͳ šʹൌʹ ͲͳͲ
šͳ൑Ͳ š͵ൌͳ

œൌ͹ ͲͲͲͲ ͲͲͲͳ

š͵ൌͳ

Se pide:
1. Indicar para cada nodo, la mejor cota superior y la mejor cota inferior que se puede obtener con
toda la información que ofrece el árbol.
2. Para cada uno de los nodos no ramificados, indicar si se deben podar o si se deben ramificar y por
qué.
28 EJERCICIO
28.2. Resolución 73

Las cotas figuran en el siguiente árbol.

z LP= 14.25
x1= 1.25
P0
x2= 1.5
x3= 1.75
x2λ 2
x2κ 1

z LP= 14.17 z LP= 12.17

x1= 0.833 x1= 0.833 P01
P00
x2= 1 x2= 2
x3= 1.83 x3= 1.83
x3κ 1 x3λ 2
x3λ 2
x3κ 1
z LP= 9.5
z LP= 8.33 z LP= 13.5 x2= 2 P011
x1= 0.833 x3= 2 P001
P000 x3= 2
x2= 1 x4= 0.5 x4= 0.5
x3= 1
z LP= 3
x1λ 1 ࢠ010= 3
x2= 2 P010
x1κ 0 ࢠ010= 3
x3= 1

z LP= 7 P0000 P0001

x3= 1

De la evaluación del árbol, se puede concluir:

Nodo 0000. Este nodo se debe podar por optimalidad. Se ha alcanzado una solución entera.
Nodo 0001. Este nodo se debe podar por infactibilidad. No existen soluciones enteras factibles.
Nodo 001. Este nodo no se puede podar y se debe ramificar en dos problemas x4 ≤ 0 y x4 ≥ 1.
Nodo 010. Este nodo se debe podar por optimalidad.
Nodo 011. Este nodo no se puede podar y se debe ramificar en dos problemas x4 ≤ 0 y x4 ≥ 1.
29
29.EJERCICIO MME-1213-ENE-3
Ejercicio MME-1213-ENE-3 74

29.1. Enunciado
Resolver el siguiente problema mediante el método Branch and Bound, utilizando el método gráfico
para resolver cada subproblema:

max z = 4x1 + 6x2

s.a.:
(90)
4x1 + 3x2 ≤ 22
xi ∈ Z+

29.2. Resolución
La solución óptima es x4 (0, 7) con z 3 = 42. En la figura se puede ver el gráfico utilizado para
desarrollar el algoritmo y resolver las relajaciones lineales ası́ como el árbol (sin actualizar cotas) en el
que se muestran los distintos subproblemas estudiados.
8
44
x1 x2 1
7 x2 ≥ 8
x2 ≤ 7
4
x x5 43
6 2 3 no factible

5 x1 ≤ 0 x1 ≥ 1
42 40
4 5
4 42 40

0
0 1 2 3 4 5 6 7 8

Figura 4: Gráfico y árbol correspondiente a la solución del problema

30
30.EJERCICIO
Ejercicio 75

30.1. Enunciado
Dado el problema siguiente:

max z = 20x1 + 5x2 − 8x3 + 30x4

s.a. :
(91)
25x1 + 5x2 + 5x3 + 30x4 ≤ 35
xi enteras

se conoce la tabla de una solución óptima de la relajación lineal del mismo. Formula un corte entero de
Gomory y obtener la nueva solución tras introducir dicho corte operando sobre la tabla de simplex dada.

x1 x2 x3 x4 h1
-35 -5 0 -13 0 -1
x4 7/6 5/6 5/6 1/6 1 1/30

30.2. Resolución

La expresión del corte de Gomory es −f0 + i fi xi ≥ 0, que para este caso toma la forma − 16 + 56 x1 +
5 1 1 5 5 1 1 1
6 x2 + 6 x3 + 30 h1 ≥ 0 ⇒ − 6 x1 − 6 x2 − 6 x3 − 30 h1 + h2 = − 6

x1 x2 x3 x4 h1 h2
-35 -5 0 -13 0 -1 0
x4 7/6 5/6 5/6 1/6 1 1/30 0
h2 1/6 -5/6 -5/6 -1/6 0 -1/30 1
-35 -5 0 -13 0 -1 0
x4 1 0 0 0 1 0 0
x2 1/5 1 1 1/5 0 1/25 -6/5
31
31.EJERCICIO
Ejercicio 76

31.1. Enunciado
Una empresa multinacional con operaciones globalizadas dispone de 3 plantas que fabrican el mismo
producto pero en diferente localización y 4 almacenes regionales, que abastecen la demanda local de
cuatro grandes regiones comerciales.
Para este año, la capacidad de producción de cada una de las plantas es de 7 unidades de millones
para China, 11 para EE UU y 15 para Eslovaquia.
El consumo previsto en cada una de las regiones es:

Localización Región Demanda prevista

almacén comercial (millones de up)
Méjico & Norteamérica CALA 4
Francia EMEA 8
Australia Asia-Pacifico 1 9
China Asia-Pacı́fico 2 12

El coste por unidad transportada entre plantas y almacenes viene dado por el siguiente cuadro:

euros/up NA & CALA EMEA Asia Asia

-Pacifico 1 -Pacifico 2
China 4 2 3 1
EEUU 3 3 5 7
Eslovaquia 5 4 7 4

Se pide:
1. Determinar el programa de transporte de coste mı́nimo entre las plantas y los almacenes. Se reco-
mienda obtener una solución inicial de partida obtenida con el método de Voguel.
2. Existe más de un único programa de transporte con dicho coste mı́nimo? En caso afirmativo, indicar
cuántos y cuáles.

31.2. Resolución

Construyendo una primera mediante el método de Voguel, se obtiene la siguiente tabla:

N-C EMEA AP 1 AP 2
4 2 3 1
China 7 7
+ + -1
3 3 5 7
EE UU 4 7
+ +
5 4 7 4
Eslovaquia 8 2 5 15
0
4 8 9 12
31 Fijando
EJERCICIO
los valores u1 = −3, u2 = −2, u3 = 0, v1 = 5, v2 = 4, v3 = 7, v4 = 4 se obtienen los 77
costes reduciones que figuran en la tabla anterior. El coste reducido de China-AP1 es negativo, luego
introduciendo dicha variable y creando el circuito correspondiente con las variables básicas, se puede
obtener la siguiente tabla. En la solución correspondiente, se transportan 2 unidades entre China y AP1
(la variable correspondiente entra en la bas) y se dejan de tranportar productos entre Eslovaquia y AP1
(la variable corresopndiente sale de la base).

N-C EMEA AP 1 AP 2
4 2 3 1
China 2 5 7
+ +
3 3 5 7
EE UU 4 7 11
0 +
5 4 7 4
Eslovaquia 8 7 15
+ +
4 8 9 12

Existe una variable no básica con coste reducido igual a 0. Es la variable corresopndiente a la ruta
EE UU - EMEA, lo que significa que existe otra solución básica óptima, descrita en la siguiente tabla:

N-C EMEA AP 1 AP 2
4 2 3 1
China 7 7
+ +
3 3 5 7
EE UU 4 5 2 11
0 +
5 4 7 4
Eslovaquia 3 12 15
+ +
4 8 9 12

Existen, por lo tanto dos soluciones óptimas básicas y todas las soluciones óptimas no básicas que
resultan de la combinación convexa de las dos básicas.
El conjunto de todas las soluciones óptimas es el correspondiente a los siguientes programas de tran-
porte:
China-AP1: 2+λ
China-AP2: 5-λ
EE UU-N-C: 4
EE UU-EMEA: λ
EE UU-AP1: 7-λ
Eslovaquia-EMA: 8 - λ
Eslovaquia-AP2: 7 + λ
Para 0 ≤ λ ≤ 5. Si λ = 0 o λ = 5, se obtienen las soluciones básicas de las tablas anteriores. Para
cualquier otro valor se tiene una solución óptima no básica.
32
32.EJERCICIO
Ejercicio 78

32.1. Enunciado
Una región dispone de tres refinerı́as, con capacidades diarias de producción de gasolina de 6, 5, y 6
millones de litros, respectivamente, que abastecen a tres áreas de distribución, cuyas demandas diarias
son 4, 8, y 7 millones de litros respectivamente. El transporte de gasolinas desde las refinerı́as hasta las
áreas de distribución se realiza mediante una red de oleoductos en la que el coste de transporte es de 10
céntimos de euros por cada 1000 litros de gasolina y por km recorrido. La tabla siguiente proporciona
las distancias (km) entre las refinerı́as y las áreas de distribución. La refinerı́a 1 no está conectada con el
área de distribución 3.

Área A1 Área A2 Área A3

Refinerı́a R1 120 180 -
Refinerı́a R2 300 100 80
Refinerı́a R3 200 250 120

Cuadro 1: Distancias entre refinerı́as y áreas de suministro.

Por cuestiones estratégicas relativas a la seguridad nacional, el área 1 debe recibir toda su demanda;
la incapacidad para entregar las cantidades demandadas de gasolina en las áreas 2 y 3 causan una
penalización de 5 céntimos de euro por litro. Determina cuál es el programa óptimo de transporte entre
refinerı́as y áreas de distribución, explicando claramente en qué consiste dicho programa y cuál es su
coste.

32.2. Resolución
Las variables xij representan los millones de litros producidos por la refinerı́a Ri y entregados al área
Aj . Como el problema está desequilibrado es necesario incluir un origen ficticio “Ref. fic.” cuya capacidad
es la diferencia entre la demanda, 19, y la capacidad de las refinerı́as, 17, es decir 2.
Los costes en euros por millón de litros transportados entre Ri y Aj (en euros/Ml)) cij es igual a
6
0.1euro
× Dist(km) × 10 l = 100 × Dist(km)
1000l×km Ml
Por su parte, las penalizaciones son de 0.05 euros por litro, es decir 5000 euros por Ml.
Diviendo todos los costes por 1000, el problema planetado es equivalente a resolver el que aparece
representado en la siguiente tabla:

Área 1 Área 2 Área 3

c11 c12 c13
Ref. 1 x11 x12 x13 O1
c11 c12 c13
c21 c22 c23
Ref. 2 x21 x22 x23 O2
c21 c22 c23
c31 c32 c33
Ref. 3 x31 x32 x33 O3
c31 c32 c33
c41 c42 c433
R. fic. x41 x42 x43 O4
c41 c42 c43
D1 D2 D3
32 EJERCICIO Área 1 Área 2 Área 3 79
12 18 M
Ref. 1 4 2 6
+
30 10 8
Ref. 2 5 5
+ -5
20 25 12
Ref. 3 4 2 6
+
M 5 5
Ref. fic 2 2
+ +
4 8 7

Área 1 Área 2 Área 3

12 18 M
Ref. 1 4 2 6
+
30 10 8
Ref. 2 4 1 5
+
20 25 12
Ref. 3 6 6
+ +
M 5 5
Ref. fic 2 2
0
4 8 7

El resultado, por lo tanto, consiste en

entregar desde la refinerı́a 1: 4 millones de litros al área 1 y otros 2 al área 2,
entregar desde la refinerı́a 2: 4 millones de litros al área 2 y uno más al área 3,
entregar desde la refinerı́a 3 sus 6 millones de litros al área 3,
dejando sin atender la demanda de 2 millones de litros del área 2
con un coste de (12 × 4 + 18 × 2 + 10 × 4 + 8 × 1 + 12 × 6 + 5 × 2) × 1000 = 214000. Es decir 214000 euros.
33
33.EJERCICIO
Ejercicio 80

33.1. Enunciado
La companı́a Energetic debe diseñar el sistema de abastecimiento energético de un nuevo edificio.
Las necesidades de energı́a se refieren a las siguientes categorı́as: electricidad, calentadores de agua y
calefactores de ambiente. Los requerimientos diarios de energı́a son:

Electricidad 30 unidades
Calentadores de agua 20 unidades
Calefactores de ambiente 50 unidades

Las tres fuentes posibles de energı́a son electricidad, gas natural y una unidad de células solares que se
puede instalar en el techo. El tamaño de éste limita la cantidad de células solares a 30 unidades, pero no
hay lı́mite en la disponibilidad de electricidad y gas natural. Las necesidades de luz se pueden satisfacer
solo mediante la compra de energı́a eléctrica (a un costo de 50 por unidad). Las otras dos necesidades
se pueden satisfacer mediante cualquier fuente o combinación de fuentes. Los costes unitarios son los
siguientes

Electricidad Gas natural Células solares

Calentadores de agua 150 110 70
Calefactores de ambiente 150 100 90

Se pide determinar cómo atender las necesidades de abastecimiento de energı́a del nuevo edificio con
el menor coste posible.

33.2. Resolución
El problema se puede formular como un problema de transporte donde los orı́genes son la electricidad,
el gas natural y las celdas fotovoltaicas y los destinos son la electricidad, los calentadores de agua y los
calefactores de ambiente.
La demanda total es de 100 unidades. La capacidad de energı́a viene dada por la disponibilidad de
células solares (30 unidades) más la capacidad de suministro de gas natural y de electricidad, que es en
términos del problema tan grande como se desee.
Para poder plantear un problema de transporte y resolverlo por métodos especı́ficos para este tipo
de problema, es necesario que el problema esté equilibrado. En principio, se podrı́a suministrar toda
la energı́a mediante electricidad o mediante gas natural, por lo que las capacidades de los respectivos
destinos es 100, con lo que la oferta serı́a 230. Para equilibrar el problema es necesario crear un destino
ficticio con una demanda de 230 − 100 = 130.
A partir de la información dada y de las restricciones que existen en términos de abastecimiento de
los destinos con los orı́genes, y con los costes dados, la tabla que representa el problema de transporte
asociado es la siguiente.
Electricidad Cal. agua Cal. ambiente Dest. fict
50 150 150 200
Electricidad x11 x12 x13 x1f 100
c11 c12 c13 c1f
M 110 100 200
Gas natural x21 x22 x23 x2f 100
c21 c12 c13 c1f
M 70 90 200
Células solares x11 x32 x33 x3f 30
c31 c32 c33 c3f
30 20 50 130
33 Los
EJERCICIO
costes correspondientes a la columna del destino ficticio son todos iguales dado que no existe 81
ninguna consideración adicional para discriminar qué tipo de fuente de energı́a debe emplearse. El valor
podrı́a ser uno cualquiera, mientras sea el mismo para todos los orı́genes. En este caso se ha elegido el
valor 200, que es mayor que cualquier de los otros costes. El motivo de la elección es que al aplicar el
método de Voguel para obtener una solución inicial tendrá en cuenta los costes de asignación reales y no
los del destino ficticio.
Construyendo la solución mediante el método de Voguel se obtiene

Electricidad Cal. agua Cal. ambiente Dest. fict

50 150 150 200
Electricidad 30 70 100
+ +
M 110 100 200
Gas natural 40 60 100
+ +
M 70 90 200
Células solares 20 10 30
+ 20 10 +
30 20 50 130

En definitiva, el suministro se debe hacer de la siguiente manera:

toda la necesidad de electricidad se debe atender con suministro eléctrico, tal y como se exigı́a, con
un coste 1500 ;
la demanda de calentadores de agua debe proporcionarse con las células solares, con un coste de
1400 ;
la demanda de calentadores de abmiente se atiende con 70 unidades de suministro eléctrico (con un
coste de 4000 ) y con 10 de células solares (con un coste de 900 );
con un coste total de 7800 .
34
34.EJERCICIO
Ejercicio 82

34.1. Enunciado
Se deben utilizar cuatro barcos para transportar bienes de un puerto determinado a otros cuatro
puertos (numerados 1, 2, 3 y 4). Se puede usar cualquier barco para hacer cualquiera de los cuatro viajes.
Sin embargo, dadas las diferencias entre las naves y las cargas, el coste total de carga, transporte y
descarga de bienes de las diferentes combinaciones de barcos y puertos varı́a de manera considerable.
Estos costes se muestran en la siguiente tabla.

Puerto 1 Puerto 2 Puerto 3 Puerto 4

Barco 1 500 400 300 700
Barco 2 600 600 700 500
Barco 3 700 500 700 600
Barco 4 500 400 600 600

Determinar, utilizando el método húngaro, con qué barco se debe atender el envı́o de cada puerto con
el mı́nimo coste global.

34.2. Resolución
Aplicando el método húngaro se llega a la siguiente tabla:

100 100 0 400

0 100 200 0
100 0 200 100
0 0 200 200

Lo que lleva a la siguiente asignación:

- - X -
- - - X
- X - -
X - - -
35
35.EJERCICIO
Ejercicio 83

35.1. Enunciado
Una ingenierı́a ha ganado cuatro concursos de la administración central para la construcción de cuatro
centrales de generación eléctrica, por cuya realización la ingenierı́a recibirá una cantidad fija. Las cuatro
plantas son una térmica, una de ciclo combinado y dos parques de aerogeneradores. Existen cuatro equipos
de ingenieros que pueden desarrolar los cuatro proyectos, pero, debido a la diferente experiencia de estos
cuatro equipos, los costes asociados al desarrollo de cada proyecto por parte de cada equipo son diferentes
y se ofrecen en el siguiente cuadro.

Térmica C. comb. Parque 1 Parque 2

Equipo 1 1 4 3 1
Equipo 2 2 1 6 7
Equipo 3 3 2 6 6
Equipo 4 1 2 3 7

Se pide determinar qué proyecto debe realizar cada equipo de ingenieros para obtener el coste mı́nimo
para el desarrollo de loc cuatro proyectos.

35.2. Resolución
Térmica C. comb. Parque 1 Parque 2
Equipo 1 1 4 3 1
Equipo 2 2 1 6 7
Equipo 3 3 2 6 6
Equipo 4 1 2 3 7

Restando a los elemenentos de cada fila el menor valor de dicha fila, se obtiene el siguiente nuevo
cuadro
Térmica C. comb. Parque 1 Parque 2
Equipo 1 0 3 2 0
Equipo 2 1 0 5 6
Equipo 3 1 0 4 4
Equipo 4 0 1 2 6

Restando a los elementos de cada columna el menor valor de dicha columna, se obtiene el siguiente
nuevo cuadro
Térmica C. comb. Parque 1 Parque 2
Equipo 1 0 3 0 0
Equipo 2 1 0 3 6
Equipo 3 1 0 2 4
Equipo 4 0 1 0 6

Tachando la primera y la cuarta filas y la segunda columna quedan cubiertos todos los ceros con el
mı́nimo número de lı́neas. Restando 1 a todos los elementos no tachados y sumándoselo a los que quedan
tachados dos veces se obtiene la siguiente nueva tabla de asignación.

Térmica C. comb. Parque 1 Parque 2

Equipo 1 0 4 0 0
Equipo 2 0 0 2 5
Equipo 3 0 0 1 3
Equipo 4 0 2 0 6
35 Existen
EJERCICIO
dos posibles asignaciones, descritas en las siguientes tablas, ambas con un coste de 8 um. 84

Térmica C. comb. Parque 1 Parque 2

Equipo 1 ×
Equipo 2 ×
Equipo 3 ×
Equipo 4 ×

Térmica C. comb. Parque 1 Parque 2

Equipo 1 ×
Equipo 2 ×
Equipo 3 ×
Equipo 4 ×
36
36.EJERCICIO
Ejercicio 85

36.1. Enunciado
Resolver el problema de asignación (mediante el método húngaro) consistente en asignar con el coste
mı́nimo un conjunto de tareas a un grupo de operarios. En la siguiente tabla se indican los costes de
asignación de cada operario a cada tarea:
Oper.1 Oper.2 Oper.3 Oper.4 Oper.5
Tarea 1 5 3 7 3 4
Tarea 2 5 6 12 7 8
Tarea 3 2 8 3 4 5
Tarea 4 9 6 10 5 6
Tarea 5 3 2 1 4 5
Si al realizar la asignación anterior el operario 3 no estuviera disponible:
1. indicar cómo se modificarı́a el problema anterior para realizar la mejor asignación posible;
2. indicar igualmente qué información adicional serı́a necesaria para resolver el problema.

36.2. Resolución
Restando el menor valor de cada columna a todos los elementos de dicha columna se obtiene la
siguiente tabla

Oper.1 Oper.2 Oper.3 Oper.4 Oper.5

Tarea 1 3 1 6 0 0
Tarea 2 3 4 11 4 4
Tarea 3 0 6 2 1 1
Tarea 4 7 4 9 2 2
Tarea 5 1 0 0 1 1

Restando el menor valor de cada fila a todos los elementos de dicha fila se obtiene la siguiente tabla

Oper.1 Oper.2 Oper.3 Oper.4 Oper.5

Tarea 1 3 1 6 0 0
Tarea 2 0 1 9 1 1
Tarea 3 0 6 2 1 1
Tarea 4 5 2 7 0 0
Tarea 5 1 0 0 1 1

No es posible realizar una asignación porque el número mı́nimo de lı́neas que hay que emplear para
tachar todos los ceros es menor que cinco.

Oper.1 Oper.2 Oper.3 Oper.4 Oper.5

Tarea 1 3 1 6 0 0
Tarea 2 0 1 8 1 1
Tarea 3 0 6 2 1 1
Tarea 4 5 2 7 0 0
Tarea 5 1 0 0 1 1
36 ElEJERCICIO 86
menor valor no tachado es 1. Restando 1 a los no tachados, sumando 1 a los tachados dos veces,
resulta la tabla siguiente

Oper.1 Oper.2 Oper.3 Oper.4 Oper.5

Tarea 1 4 1 6 0 0
Tarea 2 0 0 7 0 0
Tarea 3 0 5 1 0 0
Tarea 4 5 2 7 0 0
Tarea 5 2 0 0 1 1

Oper.1 Oper.2 Oper.3 Oper.4 Oper.5

Tarea 1 ×
Tarea 2 ×
Tarea 3 ×
Tarea 4 ×
Tarea 5 ×

La asignación que figura en la tabla anterior tiene el coste mı́nimo e igual a 2 + 6 + 1 + 5 + 4 = 18

37
37.EJERCICIO
Ejercicio 87

37.1. Enunciado
Se deben utilizar cuatro barcos para transportar bienes de un puerto determinado a otros cuatro
puertos (numerados 1, 2, 3 y 4). Se puede usar cualquier barco para hacer cualquiera de los cuatro viajes.
Sin embargo, dadas las diferencias entre las naves y las cargas, el coste total de carga, transporte y
descarga de bienes de las diferentes combinaciones de barcos y puertos varı́a de manera considerable.
Estos costes se muestran en la siguiente tabla.

Puerto 1 Puerto 2 Puerto 3 Puerto 4

Barco 1 500 400 300 700
Barco 2 600 600 700 500
Barco 3 700 500 700 600
Barco 4 500 400 600 600

Determinar, utilizando el método húngaro, con qué barco se debe atender el envı́o de cada puerto con
el mı́nimo coste global.

37.2. Resolución
Aplicando el método húngaro se llega a la siguiente tabla:

100 100 0 400

0 100 200 0
100 0 200 100
0 0 200 200

Lo que lleva a la siguiente asignación:

- - X -
- - - X
- X - -
X - - -
38
38.EJERCICIO
Ejercicio 88

38.1. Enunciado
El siguiente grafo representa las carreteras (aristas) de una comarca de montaña del norte de España
que se compone de diez ciudades (nodos) A − J. Los servicios centrales de la comarca están situados en
el municipio A. Los números de cada carretera (arista) indican la distancia en km entre las dos ciudades.
Te propones ayudar al personal del ayuntamiento a resolver los siguientes supuestos:

1. La única ambulancia que hay tiene su base en el municipio A. Se están calculando las rutas de
menor distancia entre A y el resto de municipios. Aplica el algoritmo correspondiente para calcular
la ruta de distancia mı́nima entre A y H.
2. El servicio de manteniento de las carreteras tiene que observar visualmente todas la carreteras del
municipio para ello tiene que pasar por todas y cada una de las carreteras. Aplica el algoritmo
especı́fico correspondiente para averigüar qué recorrido debe hacerse y cuál será la distancia que se
recorre.
3. El ayuntamiento está pensando en ofrecer a los vecinos la posibilidad de tener fibra óptica en
sus casas. Para calcular el coste, como primer paso se está pensando en cómo unir los municipios
con fibra de forma que el nuevo cableado vaya paralelo a las carreteras de forma que a todos las
ciudades les llegue cable de fibra. Indicar, aplicando el algoritmo correspondiente, por qué carreteras
se tendrı́a que llevar el cable de fibra óptica para minimizar la cantidad de fibra utilizada.

38.2. Resolución
Apartado 1
Se aplica el algoritmo de Dijkstra, en el gráfico se muestran las etiquetas permanentes correspondientes a
cada nodo. La mı́nima distancia entre A y H es 24 km; para ello hay que recorrer el camino ACDEGH.

Apartado 2
Hay que hallar el ciclo éuleriano o el camino euleriano de menos distancia. En este caso todos los nodos
son de orden par excepto A y J. Luego NO es posible hallar un ciclo euleriano. Se puede ir mediante un
camino de A a J pasando sólo una vez por cada nodo, pero después hay que volver de J a A por el
camino más corto (ver apartado anterior).
38 EJERCICIO 89

darco
  
todosarcos

dT OT AL = 6 + 5 + 12 + 8 + · · · + 4 + 7 +dJA
dT OT AL = 133 + 27 = 160km

Y un posible ciclo serı́a AHDACDEGDHGJHIDFIJ-GEDCA.

Apartado 3
Se trata de hallar un árbol generador de distancia mı́nima, aplicando el algoritmo de Prim o el de
Kurskal. Independientemente del algoritmo utilizado la solución es la que se muestra en la figura. Se
necesitarı́an 42 km de cable de fibra óptica.
38 EJERCICIO
38.3. Enunciado 90

El servicio de electricidad del ayuntamiento de un pueblo está preparando el alumbrado para las fiestas.
En concreto tienen que unir mediante cable los distintos lugares de toma de corriente de las luces
(vértices: a, ..., h). En el grafo se puede observar las conexiones posibles ası́ como la distancia entre cada
vértice (expresada en decenas de metros).
¿Es posible unir las distintas tomas de corriente con un cable de 120 m. (que es el que tienen)?¿O
necesitan buscar más metros? Justificar la respuesta utilizando algún algoritmo de los que se han visto
en el temario de la asignatura.

38.4. Resolución
En la figura se muestra el arbol generador de peso mı́nimo obtenido por el método de Kurskal o de
Prim. Hay otras soluciones óptimas posibles, pero en todos los casos se necesitan 130 metros. Luego hay
que comprar más cable.
38 EJERCICIO
38.5. Enunciado MME-1213-ENE-4 91

La mayorı́a de los vecinos de un cierto municipio trabaja en alguno de los siete pozos que una compañı́a
minera explota cerca del municipio. El municipio, los pozos y las vı́as que los conectan están descritos
en el gráfico siguiente:

Antes de las elecciones el actual alcalde prometió a todos los vecinos que pavimentarı́a algunos caminos
de forma que cada trabajador tuviera pavimentado el camino más corto desde el municipio hasta su
pozo. ¿ Cuántos kilómetros se habrı́a ahorrado pavimentar si sólo hubiera prometido que cada
trabajador tendrı́a un camino pavimentado para acceder a su pozo? (Nota: utilizar métodos de lo que
se han visto en clase)

38.6. Resolución
1. Para cumplir la promesa electoral el alcalde tiene que pavimentar la suma de arcos (vı́as) que se
utilicen al calcular el camino más corto desde el municipio a todos los pozos (algoritmo de Dijsktra).
Los arcos que se utilizan se marcan en la figura 5 y suponen 49 kilómetros.
2. En cambio si hubiera prometido a los vecinos que tendrı́an camino pavimentado (aunque no el más
corto) tendrı́a ahorros. Para saber cuántos kilómetros necesitarı́a tiene que calcular el árbol generador
de peso mı́nimo (algoritmo de Prim o Kurskal). Se utilizarı́an los arcos marcados en la figura 5 (hay
soluciones múltiples) y se necesitarı́an 39 kilómetros.
Luego el ahorro serı́a de 10 kilómetros.
39
39.EJERCICIO
Ejercicio 92

39.1. Enunciado
Enunciar tres caracterı́sticas conmunes a todas las técnicas metaheurı́sticas.

39.2. Resolución
Tres caracterı́sticas comunes a las metaheurı́siticas y comunes a todas ellas son:
1. Son técnicas que no garantizan la obtención de la solución ótpima
2. Son de carácter general y sirven de aplicación a una gran cantidad de problemas combinatorios
3. Son de carácter iterativo y, en cada iteración, se admite la posibilidad de transitar por una
solución pero que de aquella con la que se inició la iteración.
40
40.EJERCICIO
Ejercicio 93

40.1. Enunciado
Discutir la siguiente aseveración: “En general, las técnicas metaheurı́sticas permiten obtener soluciones
óptimas de los problemas para los cuales se emplean”.

40.2. Resolución
La afirmación, en general, es falsa, ya que las técnicas metaheurı́sticas se utilizan para abordar
problemas para los cuales las técnicas exactas no resulta eficacias y eficientes. Se trata de problemas no
se conoce el valor óptimo, con lo que no es posible saber si la técnica metaheurı́stica alcanza o no dicho
óptimo. Las técnicas metaheurı́sticas ofrecen soluciones razonables con tiempos de computación no muy
elevados.
40 EJERCICIO 94
40 EJERCICIO 95

Figura 5: Soluciones utilizando el algoritmo de Dijkstra (izda) o Kurskal (dcha)