Modulo Investigacion de Operaciones I PDF

UNIVERSIDAD NACIONAL DE INGENIERIA
FACULTAD DE CIENCIAS Y SISTEMAS
MODULO DE ASIGNATURA: INVESTIGACIÓN DE

OPERACIONES I
ELABORADO: ING. NELTON JOSE ROCHA SOLANO
ABRIL, 2019
Contenido
I. UNIDAD: ELEMENTOS DE PROGRAMACION LINEAL ................................................................ 3
1.1. Introducción a la modelación económica matemática ....................................... 3
1.2. Importancia de la modelación ................................................................................. 6
1.3. Problema de programación lineal........................................................................... 8
1.4. Solución gráfica de un programa lineal en dos variables ............................... 16
1.5. Algoritmo simplex ................................................................................................... 24
1.6. Variantes del método simplex, uso de variables artificiales: .......................... 32
1.7. Método simplex revisado ....................................................................................... 45
1.8. Uso del software POM-QM for Windows ............................................................. 45
Ejercicios .............................................................................................................................. 55
II. UNIDAD: ASPECTO DE DUALIDAD Y ANÁLIISIS DE SENSIBILIDAD ........................................... 61
2.1. Dual de un programa lineal .................................................................................... 61
2.2. Interpretación económica de la dualidad ............................................................ 63
2.3. Algoritmo simplex dual........................................................................................... 66
2.4. Introducción al análisis gráfico de sensibilidad ................................................ 67
2.5. Análisis post óptimo de sensibilidad ................................................................... 70
2.6. Ejercicios ....................................................................................................................... 75
III. UNIDAD: MODELOS ESPECIALES DE PROGRAMACIÓN LINEAL: TRANSPORTE, ASIGNACIÓN Y
TRANSBORDO .............................................................................................................................. 78
3.1. Descripción general del problema de transporte .............................................. 78
3.2. Determinación de una solución básica inicial ................................................... 81
3.3. El modelo de asignación: Método Húngaro ....................................................... 87
3.4. Ejercicios ................................................................................................................... 91
Bibliografía .................................................................................................................................. 94
Investigación de Operaciones I
I. UNIDAD: ELEMENTOS DE PROGRAMACION LINEAL

1.1. Introducción a la modelación económica matemática
Las primeras actividades formales de investigación de operaciones (IO) se iniciaron
en Inglaterra durante la Segunda Guerra Mundial, cuando un equipo de científicos
empezó a tomar decisiones con respecto a la mejor utilización del material bélico.
Al término de la guerra, las ideas formuladas en operaciones militares se adaptaron
para mejorar la eficiencia y productividad en el sector civil.
Los problemas y la necesidad de encontrar la mejor forma de resolverlos crearon el

ambiente propicio para el surgimiento de la investigación de operaciones, Los
estudios de investigación de operaciones se basan en la labor de equipo, donde los
analistas de IO y el cliente trabajan codo con codo. Los conocimientos de modelado
de los analistas de IO se deben complementar con la experiencia y cooperación del
cliente para quien realizan el estudio.
Como herramienta de toma de decisiones, la IO es tanto una ciencia como un arte.

Es una ciencia por las técnicas matemáticas que incorpora, y un arte porque el éxito
de las fases que conducen a la solución del modelo matemático depende en gran
medida de la creatividad y experiencia del equipo de IO.
Modelos de investigación de operaciones
Imagine que tiene un compromiso de negocios que requiere 5 semanas de traslado

continuo entre Fayetteville (FYV) y Denver (DEN). Sale de Fayetteville los lunes y
regresa los miércoles. Un boleto regular de viaje redondo cuesta $400, pero se
ofrece 20% de descuento si el viaje redondo comprende un fin de semana. Un boleto
sencillo en cualquier dirección cuesta 75% del precio regular. ¿Cómo debe comprar
los boletos para reducir el costo del traslado durante las 5 semanas?
Podemos considerar la situación como un problema de toma de decisiones, cuya

solución requiere responder tres preguntas:
1. ¿Cuáles son las alternativas de decisión?

2. ¿Conforme a qué restricciones se toma la decisión?
3. ¿Cuál es el criterio objetivo apropiado para evaluar las alternativas?
AUTOR: ING. NELTON ROCHA 3

Se consideran tres alternativas razonables:
1. Comprar cinco boletos normales FYV-DEN-FYV para salir el lunes y regresar

el miércoles de la misma semana.
2. Comprar un boleto FYV-DEN, cuatro DEN-FYV-DEN que abarquen fines de
semana, y uno DEN-FYV.
3. Comprar un boleto FYV-DEN-FYV para el lunes de la primera semana y el
miércoles de la última semana, y cuatro DEN-FYV-DEN para los viajes
restantes. Todos los boletos en esta alternativa cubren por lo menos un fin
de semana.
La restricción en estas opciones es que pueda salir de FYV el lunes y regresar el

miércoles de la misma semana. Un criterio objetivo obvio para evaluar la alternativa
propuesta es el precio de los boletos. La alternativa que dé el costo mínimo será la
mejor. Específicamente, tenemos:
• Costo de la alternativa 1 = 5 x 400 = $2000

• Costo de la alternativa 2 = .75 x 400 + 4 x (.8 x 400) + .75 x 400 = $1880
• Costo de la alternativa 3 = 5 x (.8 x 400) = $1600
La alternativa 3 es la mejor porque es la más económica.
Aunque el ejemplo anterior ilustra los tres componentes principales de un modelo

de IO, los cuales son: alternativas, criterio objetivo y restricciones, las situaciones
difieren por los detalles de la construcción de cada componente y la solución del
modelo resultante. Para ilustrar este punto, considere la formación de un rectángulo
de área máxima con un trozo de alambre de L pulgadas de longitud. ¿Cuál será el
mejor ancho y altura del rectángulo?
En contraste con el ejemplo de los boletos, el número de alternativas en este

ejemplo no es finito; es decir, el ancho y la altura del rectángulo pueden asumir una
cantidad infinita de valores porque son variables continuas. Para formalizar esta
observación, las alternativas del problema se identifican definiendo el ancho y la
altura como variables algebraicas

w = ancho del rectángulo en pulgadas,
h = altura del rectángulo en pulgadas.
Con base en estas definiciones, las restricciones de la situación pueden expresarse

verbalmente como
1. Ancho del rectángulo + altura del rectángulo = la mitad de la longitud del

alambre.
2. El ancho y la altura no pueden ser negativos.
Estas restricciones se traducen de manera algebraica como sigue
1. 2 (w + h) = L
2. w ≥ 0, h ≥ 0
Ahora el único componente restante es el objetivo del problema; es decir, maximizar

el área del rectángulo. Si z se define como el área del rectángulo, el modelo
completo es
Maximizar z = wh
Sujeto a
2 (w + h) = L
w, h ≥ 0
Utilizando cálculo diferencial, la mejor solución de este modelo es la cual requiere

la construcción de una forma cuadrada. Con los datos de los dos ejemplos
anteriores, el modelo general de IO se organiza en el siguiente formato general:
Maximizar o minimizar Función objetivo

Sujeto a
Restricciones

Una solución del modelo es factible si satisface todas las restricciones; es óptima
si, además de ser factible, produce el mejor valor (máximo o mínimo) de la función
objetivo. En el ejemplo de los boletos, el problema considera tres alternativas
factibles, y la tercera es la que produce la solución óptima. En el problema del
𝐿
rectángulo, una alternativa factible debe satisfacer la condición w + h = , donde w
2
y h son variables no negativas. Esta definición conduce a una infinidad de

soluciones factibles y, a diferencia del problema de los boletos, el cual utiliza una
sencilla comparación de precios, la solución óptima se determina aplicando cálculo
diferencial.
Aunque los modelos de IO están diseñados para “optimizar” un criterio objetivo

específico sujeto a un conjunto de restricciones, la calidad de la solución resultante
depende de la exactitud con que el modelo representa el sistema real. Considere,
por ejemplo, el modelo de los boletos. Si no se identifican todas las alternativas
dominantes para comprar los boletos, entonces la solución resultante es óptima sólo
en relación con las opciones representadas en el modelo. Específicamente, si se
omite la alternativa 3 en el modelo, entonces la solución “optima” requeriría que se
compraran los boletos en $1880, la cual es una solución subóptima. La conclusión
es que “la” solución óptima de un modelo es mejor sólo para ese modelo. Si el
modelo es una representación razonablemente buena del sistema real, entonces su
solución también es óptima para la situación real.
1.2. Importancia de la modelación

Un modelo es una representación de la realidad. Los modelos nos ayudan a tomar
decisiones frente a problemas administrativos. ¿Por qué un modelo? – nos permite
deducir conclusiones, menos tiempo, menos dinero y reduce el riesgo. El
modelamiento matemático es representar el sistema o fenómeno del mundo real o
el problema a resolver en un lenguaje matemático.
La figura 1 ilustra los niveles de abstracción que caracterizan el desarrollo de un

modelo de IO. Abstraemos de la situación real el mundo real supuesto al
concentrarnos en las variables dominantes que controlan el comportamiento del

sistema real. El modelo expresa de una manera razonable las funciones

matemáticas que representan el comportamiento del mundo real supuesto.
Para ilustrar los niveles de abstracción en el modelado, considere la Tyko

Manufacturing Company, donde se producen varios recipientes de plástico. Cuando
se emite una orden de producción al departamento de producción, las materias
primas necesarias se toman de las existencias de la compañía o se adquieren con
proveedores externos. Una vez que se completa un lote de producción, el
departamento de ventas se encarga de distribuir el producto a los clientes.
Una pregunta lógica al analizar la situación de Tyko es la determinación del tamaño

de un lote de producción. ¿Cómo puede un modelo representar esta situación?
Figura 1: Niveles de abstracción en el desarrollo de un modelo
Al examinar todo el sistema se ve que algunas variables pueden incidir directamente

en el nivel de producción, incluida la siguiente lista (parcial) clasificada por
departamentos.
1. Departamento de producción: Capacidad de producción expresada en

función de las horas de mano de obra y máquina disponibles, inventario en
proceso y normas de control de calidad.
2. Departamento de materiales: Existencias disponibles de materias primas,
programas de entrega de proveedores externos y limitaciones de
almacenamiento.

3. Departamento de ventas: Pronóstico de ventas, capacidad de las

instalaciones de distribución, eficacia de las campañas publicitarias y el
efecto de la competencia.
Cada una de estas variables afecta el nivel de producción en Tyko. Sin embargo,
es realmente difícil establecer relaciones funcionales explícitas entre ellas y el nivel
de producción.
Un primer nivel de abstracción requiere definir los límites del mundo real supuesto.
Reflexionando un poco, podemos aproximar el sistema real por medio de dos
parámetros dominantes:
1. Tasa de producción.
2. Tasa de consumo.
La determinación de la tasa de producción implica variables como la capacidad de

producción, las normas de control de calidad y la disponibilidad de las materias
primas. Los datos de ventas determinan la tasa de consumo. En esencia, la
simplificación a partir del mundo real al mundo real supuesto se logra
“concentrando” varios parámetros del mundo real en un único parámetro del mundo
real supuesto.
Ahora es más fácil abstraer un modelo desde el mundo real supuesto. Con las tasas
de producción y consumo se pueden establecer medidas de exceso o escasez de
inventario. Entonces el modelo abstraído puede construirse para equilibrar los
costos conflictivos de exceso y escasez de inventario; es decir, para minimizar el
costo total del inventario.
1.3. Problema de programación lineal

El desarrollo de la programación lineal ha sido clasificado como uno de los avances
científicos más importantes de mediados del siglo xx, y estamos de acuerdo con
esta aseveración. Su efecto desde 1950 ha sido extraordinario. En la actualidad es
una herramienta de uso normal que ha ahorrado miles o millones de dólares a
muchas compañías o negocios, incluso empresas medianas, en los distintos países
industrializados del mundo; su aplicación a otros sectores de la sociedad se ha

ampliado con rapidez. Una proporción muy grande de los programas científicos en
computadoras está dedicada al uso de la programación lineal.
La programación lineal utiliza un modelo matemático para describir el problema. El

adjetivo lineal significa que todas las funciones matemáticas del modelo deben ser
funciones lineales. En este caso, la palabra programación no se refiere aquí a
términos computacionales; en esencia es sinónimo de planeación. Por lo tanto, la
programación lineal involucra la planeación de las actividades para obtener un
resultado óptimo; esto es, el resultado que mejor alcance la meta especificada —de
acuerdo con el modelo matemático— entre todas las alternativas factibles.
Aunque la asignación de recursos a las actividades es la aplicación más frecuente,

la programación lineal tiene muchas otras posibilidades. En realidad, cualquier
problema cuyo modelo matemático se ajuste al formato general del modelo de
programación lineal, es un problema de programación lineal. (Por esta razón, los
problemas de programación lineal y sus modelos con frecuencia son llamados sólo
programas lineales.) Aún más, se dispone de un procedimiento de solución muy
eficiente llamado método símplex para resolver estos problemas lineales, incluso
los de gran tamaño. Éstas son algunas razones del tremendo efecto de la
programación lineal en las décadas recientes.
Willemain (1994) manifiesta que “una práctica [de IO] eficaz requiere más que
competencia analítica. También requiere, entre otros atributos, juicio técnico (es
decir, cuándo y cómo utilizar una técnica dada). Para implementar la IO en la
práctica, las fases principales son:
1. Definición del problema.

2. Construcción del modelo.
3. Solución del modelo.
4. Validación del modelo.
5. Implementación de la solución.

1. Definición del problema
La definición del problema implica definir el alcance del problema investigado.

Esta función debe ser realizada por todo el equipo de IO. El objetivo es identificar
tres elementos principales del problema de decisión: (1) descripción de las
alternativas de decisión; (2) determinación del objetivo del estudio, y (3)
especificación de las limitaciones bajo las cuales funciona el sistema modelado.
Esta etapa incluye la determinación de los objetivos apropiados, las restricciones

sobre lo que es posible hacer, las interrelaciones del área en estudio con otras áreas
de la organización, los diferentes cursos de acción posibles, los límites de tiempo
para tomar una decisión, etc.
Lo primero que debe reconocerse es que un equipo de IO, por lo general, trabaja a
nivel de asesoría. A los miembros del equipo no se les presenta un problema y se
les dice que lo resuelvan como puedan, sino que asesoran a la administración (casi
siempre un tomador de decisiones clave). El equipo realiza un análisis técnico
detallado y después presenta recomendaciones. Este informe identifica cierto
número de opciones atractivas, en particular con diferentes supuestos o para un
rango diferente de valores, de algún parámetro que marca una política que puede
ser evaluada sólo por esa administración: por ejemplo, la decisión entre costo y
beneficio. La administración evalúa el estudio y sus recomendaciones, analiza una
variedad de factores intangibles y toma una decisión final con base en su mejor
juicio. Es vital que el equipo de IO tenga una visión al mismo nivel que la
administración, incluso para identificar el problema “correcto” desde el punto de vista
gerencial y que, a su vez, la administración le brinde apoyo sobre cualquier curso
que tome el estudio.
Un aspecto muy importante de la formulación del problema es la determinación de

los objetivos apropiados. Para hacerlo es necesario, en primer lugar, identificar a
las personas de la administración que en realidad tomarán las decisiones
concernientes al sistema en estudio, y después escudriñar el pensamiento de estos
individuos en relación con los objetivos pertinentes.

Por su naturaleza, a la IO le concierne el bienestar de toda la organización, no sólo

de algunos componentes. Un estudio de IO trata de encontrar soluciones óptimas
globales, y no soluciones sub-óptimas aunque sean lo mejor para uno de los
componentes. Desde un punto de vista ideal, los objetivos formulados deben
coincidir con los de toda la organización;
Cuando se trata de organizaciones lucrativas, un enfoque posible para no caer en

un problema de sub-optimización es utilizar la maximización de la ganancia a largo
plazo, considerando el valor del dinero en el tiempo como un objetivo único.
2. Construcción o Formulación de un modelo matemático
Los modelos, o representaciones idealizadas, son una parte integral de la vida

diaria. Entre los ejemplos más comunes pueden citarse modelos de avión, retratos,
globos terráqueos y otros. De igual manera, los modelos tienen un papel importante
en la ciencia y los negocios, como lo hacen patente los modelos del átomo y de las
estructuras genéticas, las ecuaciones matemáticas que describen las leyes físicas
del movimiento o las reacciones químicas, las gráficas, los organigramas y los
sistemas contables en la industria. Esos modelos son invaluables, pues extraen la
esencia del material de estudio, muestran sus interrelaciones y facilitan el análisis.
La construcción del modelo implica un intento de transformar la definición del

problema en relaciones matemáticas. Si el modelo resultante se ajusta a uno de los
modelos matemáticos estándar, como la programación lineal, se suele obtener una
solución utilizando los algoritmos disponibles. Por otra parte, si las relaciones
matemáticas son demasiado complejas como para permitir la determinación de una
solución analítica, el equipo de IO puede optar por simplificar el modelo y utilizar un
método heurístico, o bien considerar la simulación, si es lo apropiado.
Los modelos matemáticos también son representaciones idealizadas, pero están

expresados en términos de símbolos y expresiones matemáticas. Las leyes de la
física como F = ma y E = m𝐶 2 son ejemplos familiares. En forma parecida, el modelo
matemático de un problema industrial está conformado por el sistema de
ecuaciones y expresiones matemáticas relacionadas que describen la esencia del

problema. De esta forma, si deben tomarse n decisiones cuantifi cables

relacionadas entre sí, se representan como variables de decisión (x1, x2, . . . , xn)
para las que se deben determinar los valores respectivos. En consecuencia, la
medida de desempeño adecuada (por ejemplo, la ganancia) se expresa como una
función matemática de estas variables de decisión (por ejemplo, P = 3x1 + 2x2 + . .
. + 5xn). Esta función se llama función objetivo. También se expresan en términos
matemáticos todas las limitaciones que se puedan imponer sobre los valores de las
variables de decisión, casi siempre en forma de ecuaciones o desigualdades (como
x1 + 3x1x2 + 2x2 ≤ 10).
Con frecuencia, tales expresiones matemáticas de las limitaciones reciben el

nombre de restricciones. Las constantes (los coeficientes o el lado derecho de las
expresiones) de las restricciones y de la función objetivo se llaman parámetros del
modelo. El modelo matemático puede decir entonces que el problema es elegir los
valores de las variables de decisión de manera que se maximice la función objetivo,
sujeta a las restricciones dadas. Un modelo de este tipo, y algunas de sus variantes
menores, tipifican los modelos que se analizan en investigación de operaciones.
El tipo más usual de aplicación de programación lineal involucra la asignación de

recursos a ciertas actividades. La cantidad disponible de cada recurso es limitada,
de forma que debe asignarse con todo cuidado. La determinación de esta
asignación implica elegir los niveles de las actividades que lograrán el mejor valor
posible de la medida global de desempeño.
Ciertos símbolos se usan de manera convencional para denotar los diversos

componentes de un modelo de programación lineal. Estos símbolos se enumeran a
continuación, junto con su interpretación para el problema general de asignación de
recursos a actividades.
Z = valor de la medida global de desempeño.
xj = nivel de la actividad j (para j 5 1, 2, . . . , n).
cj = incremento en Z que se obtiene al aumentar una unidad en el nivel de la

actividad j.

bi = cantidad de recurso i disponible para asignarse a las actividades (para i 5 1, 2,..

m).
aij = cantidad del recurso i consumido por cada unidad de la actividad j.
El modelo plantea el problema en términos de tomar decisiones sobre los niveles

de las actividades, por lo que x1, x2, . . . , xn se llaman variables de decisión. Como
se resume en la tabla 1, los valores de cj, bi y aij (para i = 1, 2, . . . , m y j = 1, 2, . . .
, n) son las constantes de entrada al modelo. Las cj, bi y aij también se conocen
como parámetros del modelo.
Tabla 1: Datos necesarios para elaborar un modelo de programación lineal para

manejar la asignación de recursos a actividades
Una forma estándar del modelo
Se puede formular el modelo matemático del problema general de asignar recursos

a actividades. En particular, este modelo consiste en elegir valores de x1, x2, . . . , xn
para

Maximizar = c1x1 + c2x2 + . . . + cnxn,
Sujeta a las restricciones
a11x1 + a12x2 + . . . + a1nxn ≤ b1
a21x1 + a22x2 + . . . + a2nxn ≤ b2
am1x1 + am2x2 + . . . + amnxn ≤ bm,
x1 ≥ 0, x2 ≥ 0, . . . , xn ≥ 0.
Ésta es llamada nuestra forma estándar del problema de programación lineal.

Cualquier situación cuya formulación matemática se ajuste a este modelo es un
problema de programación lineal.
Se puede resumir la terminología común de los modelos de programación lineal. La

función que se desea maximizar, c1x1 + c2x2 + · · · + cnxn, se llama función objetivo.
Por lo general, se hace referencia a las limitaciones como restricciones. Las
primeras m restricciones (aquellas con una función de todas las variables a i1x1 +
ai2x2 + · · · + ainxn en el lado izquierdo) a veces reciben el nombre de restricciones
funcionales (o restricciones estructurales). De manera parecida, las restricciones xj
≥ 0 se conocen como restricciones de no negatividad (o condiciones de no
negatividad).
Otras formas
Debe hacerse notar que el modelo anterior no se ajusta a la forma natural de

algunos problemas de programación lineal. Las otras formas legítimas son las
siguientes:
1. Minimizar en lugar de maximizar la función objetivo:
Minimizar Z = c1x1 + c2x2 + . . . + cnxn.

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

que:
ai1x1 + ai2x2 + . . . + ainxn ≥ bi para algunos valores de i.
3. Algunas restricciones funcionales en forma de ecuación:
ai1x1 + ai2x2 + . . . + ainxn = bi para algunos valores de i.
4. Algunas variables de decisión sin la restricción de no negatividad:
xj no está restringida en su signo para algunos valores de j.
Cualquier problema que incluye una, varias o todas estas formas con las otras
partes del modelo anterior también se clasifica como un problema de programación
lineal. La interpretación de las palabras asignación de recursos limitados entre
actividades que compiten puede ya no aplicarse muy bien, si es que se aplica; pero
sin importar cuál sea la interpretación o el contexto, lo único necesario es que la
formulación matemática del problema se ajuste a las formas permitidas. Así, la
definición concisa de un problema de programación lineal es que cada componente
de su modelo se ajusta a la forma estándar o a una de las otras formas legítimas
que ya se mencionaron.
3. Obtención de soluciones a partir del modelo
De hecho, a veces ésta es una etapa bastante sencilla, en la que se aplica uno de
los dos algoritmos —procedimientos iterativos de solución— de investigación de
operaciones en una computadora mediante el uso de algunos de los paquetes de
software disponibles.
La solución del modelo es por mucho la más sencilla de todas las fases de IO
porque implica el uso de algoritmos de optimización bien definidos. Un aspecto
importante de la fase de solución del modelo es el análisis de sensibilidad, el análisis
que pasa si.

4. Prueba del modelo o validez
La validez del modelo comprueba si el modelo propuesto hace en realidad lo que

dice que hace, es decir, ¿predice adecuadamente el comportamiento del sistema
que se estudia? Al principio, el equipo de IO debe estar convencido de que el
resultado del modelo no contenga “sorpresas”. En otras palabras, ¿tiene sentido la
solución? ¿Los resultados sin intuitivamente aceptables? Del lado formal, un
método común de comprobar la validez de un modelo es comparar su resultado con
resultados históricos.
5. Implementación
La implementación de la solución de un modelo validado implica la

transformación de los resultados en instrucciones de operación comprensibles que
se emitirán a las personas que administrarán el sistema recomendado.
1.4. Solución gráfica de un programa lineal en dos variables

El método gráfico se utiliza para la solución de problemas de PL, representando
geométricamente a las restricciones, condiciones técnicas y el objetivo. El modelo
se puede resolver en forma gráfica si sólo tiene dos variables. Para modelos con
tres o más variables, el método gráfico es impráctico o imposible. Cuando los ejes
son relacionados con las variables del problema, el método es llamado método
gráfico en actividad. Cuando se relacionan las restricciones tecnológicas se
denomina método gráfico en recursos.
Pasos para realizar el método gráfico
1. Graficar las soluciones factibles, o el espacio de soluciones (factible), que

satisfagan todas las restricciones en forma simultánea.
2. Las restricciones de no negatividad xi ≥ 0 confían todos los valores posibles.
3. El espacio encerrado por las restricciones restantes se determina
sustituyendo en primer término ≤ por (=) para cada restricción, con lo cual se
produce la ecuación de una línea recta.

4. Trazar cada línea recta en el plano y la región en cual se encuentra cada

restricción cuando se considera la desigualdad lo indica la dirección de la
flecha situada sobre la recta asociada.
5. Cada punto contenido o situado en la frontera del espacio de soluciones
satisfacen todas las restricciones y por consiguiente, representa un punto
factible.
6. Aunque hay un número infinito de puntos factibles en el espacio de
soluciones, la solución óptima puede determinarse al observar la dirección
en la cual aumenta la función objetivo.
7. Las líneas paralelas que representan la función objetivo se trazan mediante
la asignación de valores arbitrarios a fin de determinar la pendiente y la
dirección en la cual crece o decrece el valor de la función objetivo.
Ejemplo 1: Problema de planificación de la producción. La CreateToys S.A,

fabrica dos tipos de juguetes de madera: coches y motos. Un coche se vende por
$27 y usa $10 de material bruto. Cada coche que se fabrica incrementa los costos
de mano de obra y generales en $14. Una moto se vende por $21 y usa $9 de
material en bruto. Cada moto construida incrementa los costos de mano de obra y
generales en 10 euros. La fabricación de coches y motos de madera requiere dos
tipos de trabajo especializado: carpintería y acabado. Un coche necesita 2 horas de
acabado y 1 hora de carpintería. Una moto necesita 1 hora de acabado y 1 hora de
carpintería. Cada semana, CreateToys dispone de todo el material en bruto que
necesite, pero de solo de 100 horas de acabado y de 80 de carpintería. La demanda
de las motos es ilimitada, pero cada semana pueden venderse a los mas 40 coches.
CreateToys necesita planificar la producción para conseguir que los beneficios sean
máximos.
Este problema es un ejemplo típico de un problema de programación lineal
Cada coche:
• Produce un beneficio neto de $3

• Requiere de 2 horas de trabajo de acabado
• Requiere de 1 hora de trabajo de carpintería

Cada moto:
• Produce un beneficio neto de $2

• Requiere 1 hora de trabajo de acabado
• Requiere 1 hora de trabajo de carpintería
Cada semana CreateToys puede disponer de:
• Todo el material que se necesite

• Solamente 100 horas de acabado
• Solamente 80 horas de carpintería
También.
• La demanda de motos puede ser cualquiera (sin límite)

• La demanda de muñecos es como mucho 40
CreateToys quiere maximizar sus beneficios. ¿Cuántos coches y cuántas motos

debe fabricar?
Variables de decisión
X1 = n° de coches de madera producidos por semana
X2 = n° de motos de madera producidos por semana
Función objetivo
En cualquier PPL, la decisión de tomar es como maximizar (normalmente el

beneficio) o minimizar (el costo) de alguna función de las variables de decisión. Esta
función a maximizar y minimizar se llama función objetivo.
El objetivo de CreateToys es elegir de x1 y x2, para maximizar 3x1 + 2x2. Usaremos

la variable z para denotar el valor de la función objetivo. La función objetivo de
CreateToys es:
Max z = 3x1 + 2x2
Restricciones

Son desigualdades que limitan los posibles valores de las variables de decisión. En
este problema las restricciones vienen dadas por la disponibilidad de hora de
acabado y carpintería y por la demanda de muñecos. También suele haber
restricciones de signo o no negatividad:
X1 ≥ 0
X2 ≥ 0
Cuando x1 y x2 crecen, la función objetivo de CreateToys también crece. Pero no

puede crecer indefinidamente porque, para CreateToys, los valores de x1 y x2 están
limitados por las siguientes restricciones:
Restricción 1: no más de 100 horas de tiempo de acabado pueden ser usadas
Restricción 2: no más de 80 horas de tiempo de carpintería pueden ser usadas
Restricción 3: limitación de demanda, no deben fabricarse más de 40 muñecos
Estas tres restricciones pueden expresarse matemáticamente por las siguientes

desigualdades:
Restricción 1: 2x1 + x2 ≤ 100
Restricción 2: x1 + x2 ≤ 80
Restricción 3: x1 ≤ 40
Además, tenemos las restricciones de signo: x1, x2 ≥ 0
Combinando las restricciones de signo x1, x2 ≥ 0 con la función objetivo y las

restricciones, tenemos el siguiente modelo de optimización:

Max z = 3x1 +2x2

Sujeto a (s.a)
2x1 + x2 ≤ 100 (restricción de acabado)
x1 + x2 ≤ 80 (restricción de carpintería)
x1 ≤ 40 (restricción de demanda de coches)
x1, x2 ≥ 0 (restricción de signos)
Coches Motos
Beneficio 3 2
Acabado 2 1 ≤ 100
Carpintería 1 1 ≤ 80
Demanda ≤ 40
Puede ser que el lector esté acostumbrado a que el término solución signifique la
respuesta final a un problema, pero en programación lineal (y sus extensiones) la
convención es bastante distinta. Ahora, cualquier conjunto de valores específicos
de las variables de decisión (x1, x2, . . . , xn) se llama una solución, aunque sea
sólo una posibilidad deseable o ni siquiera permitida. Después se identifican los
tipos de soluciones mediante el empleo de un adjetivo apropiado.
Una solución factible es aquella para la que todas las restricciones se satisfacen.
Una solución no factible es una solución para la que al menos una restricción se
viola.
La región factible de un PPL es el conjunto de todos los puntos que satisfacen

todas las restricciones. Es la región del plano delimitada por el sistema de
desigualdades que forman las restricciones.
X1 = 40 e X2 = 20 está en la región factible porque satisfacen todas las restricciones

de CreateToys. Sin embargo, X1 = 15, X2 = 70 no está en la región factible porque
este punto no satisface la restricción de carpintería

15 + 70 ˃ 80
Para un problema de maximización, una solución óptima es un punto en la región

factible en el cual la función objetivo tiene un valor máximo. Para un problema de
minimización, una solución óptima es un punto en la región en la región factible en
el cual la función objetivo tiene un valor mínimo.
La mayoría de PPL tiene n solamente una solución óptima. Sin embargo, algunos
PPL no tienen solución óptima, y otros PPL tienen un número infinito de soluciones.
Mas adelante veremos que la solución del PPL de CreateToys es X 1 = 20 y X2 = 60.
Esta solución da un valor de la función objetivo de:
Z = 3x1 + 2x2 =3*20 + 2*60 = $180
Cuando decimos que X1 = 20 y X2 = 60 es la solución óptima, estamos diciendo que,

en ningún punto en la región factible, la función objetivo tiene un valor (beneficio)
superior a 180.
Puesto que el PPL tiene dos variables, se puede resolver gráficamente. La región
factible es el conjunto de todos los puntos que satisfacen las restricciones.
2x1 + x2 ≤ 100 (restricción de acabado)

x1 + x2 ≤ 80 (restricción de carpintería)
x1 ≤ 40 (restricción de demanda de coches)
x1, x2 ≥ 0 (restricción de signos)
Vamos a dibujar la región factible que satisface

estas restricciones.
Cualquier PPL con sólo dos variables pueden

resolverse gráficamente. Por ejemplo, para
representar gráficamente la primera restricción, 2x1
+ x2 ≤ 100: Dibujamos la recta 2x1 + x2 = 100
Elegimos el semiplano que cumple la desigualdad:

el punto (0,0) la cumple (2*0 + 0 ≤ 100), así que
tomamos el semiplano que lo contiene.

La intersección de todos estos

semiplanos(restricciones) nos da la región
factible.

La región factible (al estar limitada por rectas)

es un polígono. En este caso, el polígono
ABCDE. Como la solución óptima está en
alguno de los vértices (A, B, C, D o E) de la
región factible, calculamos esos vértices.

Podemos encontrar la solución óptima calculando el valor de z en los vértices de la

región factible.
Vértice Z = 3x1 + 2x2
(0,0) Z = 3*0 + 2*0 = 0
(40,0) Z = 3*40 + 2*0 = 120
(40,20) Z = 3*40 + 2*20 = 160
(20,60) Z = 3*20 + 2*60 = 180
(0,80) Z = 3*0 + 2*80 = 160
La solución óptima es:
x1 = 20 coches
x2 = 60 autos
z = $180 dólares de beneficio
1.5. Algoritmo simplex

El método símplex es un procedimiento general para resolver problemas de
programación lineal en los que intervienen tres o más variables. Desarrollado por
George Dantzig1 en 1947, se ha comprobado su extraordinaria eficiencia, y se usa
en forma rutinaria para resolver problemas grandes en las computadoras de hoy en
día. Excepto en el caso de problemas muy pequeños, se ejecuta siempre en una
computadora y existe una amplia variedad de paquetes complejos de software para
ello. También se usan extensiones y variaciones del método símplex para realizar
análisis posóptimo (que incluye el análisis de sensibilidad) del modelo.
El método símplex es un procedimiento algebraico. Sin embargo, sus conceptos

fundamentales son geométricos. La comprensión de estos conceptos geométricos
proporciona una fuerte intuición sobre la forma en que opera el método símplex y
las razones de su elevada eficiencia. Es un procedimiento iterativo que permite ir
mejorando la solución a cada paso. El proceso concluye cuando no es posible seguir
mejorando más dicha solución.

Métodos Se usa para resolver problema de

programación lineal cuando:
- Primal Maximizar
Método simplex Las restricciones son: ≤, salvo las de
no negatividad que son: ≥
- Método de la M Minimizar o Maximizar
- Dos fases Las restricciones son: ≤, ≥ y =
El algebra matricial y el proceso de eliminación de Gauss-Jordan es el sistema de
ecuaciones lineales que constituyen la base del método simplex y da soluciones a
los modelos matemáticos.
Operaciones de filas de Gauss-Jordan
1. Fila pivote
a) Reemplace la variable de entrada en la columna Básica con la variable de

entrada.
b) Nueva fila pivote = Fila pivote actual ÷ Elemento pivote
2. Todas las demás filas, incluida la z
Nueva fila = (Fila actual) - (Su coeficiente en la columna pivote) x (Nueva fila pivote).
Los pasos del método simplex son
• Paso 0. Determine la solución factible básica inicial.

• Paso 1. Seleccione una variable de entrada utilizando la condición de
optimalidad. Deténgase si no hay variable de entrada; la última condición es
óptima. De otro modo, prosiga con el paso 2.
• Paso 2. Seleccione una variable de salida utilizando la condición de
factibilidad.
• Paso 3. Aplique los cálculos de Gauss-Jordan para determinar la nueva
solución básica. Vaya al paso 1.

1.5.1. Caso general estándar
Método simplex en forma tabular
Cuando se tenga que resolver un problema a mano se recomienda la forma tabular.

La forma tabular del método símplex registra sólo la información esencial, a saber:
1) los coeficientes de las variables, 2) las constantes del lado derecho de las
ecuaciones y 3) la variable básica que aparece en cada ecuación. Esta forma evita
tener que escribir los símbolos de las variables en cada ecuación, pero es más
importante el hecho de que permite hacer hincapié en los números que se usan en
los cálculos aritméticos y registrarlos en forma muy compacta. Para ilustrar la
metodología del método simplex, se usará el siguiente problema.
Maximizar z = f (X1, X2) = 3X1 +2X2

Sujeto a (s.a)
2X1 + X2 ≤ 18
2X1 + 3X2 ≤ 42
3X1 + X2 ≤ 24
X1, X2 ≥ 0
Se consideran las siguientes fases:
1. Convertir las desigualdades e igualdades: se introduce una variable de

holgura por cada una de las restricciones, para convertirlas en igualdades,
resultando el sistema de ecuaciones lineales:
2X1 + X2 + h1 = 18
2X1 + 3X2 + h2 = 42
3X1 + X2 +h3 = 24
2. Igualar la función objetivo a cero

Z – 3X1 – 2X2 = 0
3. Escribir la tabla simplex: En las columnas aparecerán todas las variables del
problema y, en las filas, los coeficientes de las desigualdades obtenidas, una
fila para cada restricción y la última fila con los coeficientes de la función
objetivo:

Tabla 1 Iteración 1
Base Variables de decisión Variables de holgura Solución

X1 X2 h1 h2 h3
h1 2 1 1 0 0 18
h2 2 3 0 1 0 42
h3 3 1 0 0 1 24
Z -3 -2 0 0 0 0
4. Encontrar la variable de decisión que entra en la base y la variable de holgura

que sale de la base
a. Para escoger la variable de decisión que entra en la base, nos fijamos en la última
fila, la de los coeficientes de la función objetivo y escogemos la variable con el
coeficiente negativo mayor (en valor absoluto). En este caso, la variable X1 de
coeficiente -3.
Si existiese dos o más coeficientes iguales que cumplan la condición anterior, entonces se
elige uno, cualquiera de ellos.
Si en la última fila no existiese ningún coeficiente negativo, significa que se ha alcanzado la
solución óptima. Por tanto, lo que va a determinar el final del proceso de aplicación del
método simplex, es que en la última fila no haya elementos negativos. La columna de
la variable que entra en la base se llama columna pivote.
b. Para encontrar la variable de holgura que tiene que salir de la base, se divide
cada término de la última columna (valores solución) por el término correspondiente
de la columna pivote, siempre que estos últimos sean mayores que cero. En nuestro
caso:
18/2 = 9, 42/2 = 21 y 24/3 = 8
Si hubiese algún elemento menor o igual que cero no se hace dicho cociente. En el caso
de que todos los elementos fuesen menores o iguales a cero, entonces tendríamos
una solución no acotada y no se puede seguir.
El término de la columna pivote que en la división anterior dé lugar al menor cociente
positivo, el 3, ya que 8 es el menor, indica la fila de la variable de holgura que sale de la
case, h3. Esta fila se llama fila pivote.
Si al calcular los cocientes, dos o más son iguales, indica que cualquiera de las
variables correspondientes puede salir de la base.

c. En la intersección de la fila pivote y columna pivote tenemos el elemento pivote

operacional, 3.
5. Encontrar los coeficientes de la nueva tabla
a. Los nuevos coeficientes de X1, se obtienen dividiendo todos los coeficientes de la
fila h3 por el pivote operacional, 3, que es el que hay que convertir en 1.
b. A continuación, mediante la reducción gaussiana hacemos ceros los restantes
términos de su columna, con lo que obtenemos los nuevos coeficientes de las otras
filas incluyendo los de la función objetivo Z.
También se puede hacer utilizando el siguiente esquema:
Fila pivote:
Nueva fila pivote = (vieja fila del pivote) / (pivote)
Resto de las filas:
Nueva fila = (vieja fila) – (Coeficiente de la vieja fila en la columna de la variable entrante) x
(Nueva fila del pivote)
Veámoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la tabla II):
Vieja fila de s 2 3 0 1 0 42
- - - - - -
Coeficiente 2 2 2 2 2 2
x x x x x x
Nueva fila pivote 1 1/3 0 0 1/3 8
= = = = = =
Nueva fila de s 0 7/3 0 1 -2/3 26
Tabla II. Iteración 2

X1 X2 h1 h2 h3
h1 0 1/3 1 0 -2/3 2
h2 0 7/3 0 1 -2/3 26
X1 1 1/3 0 0 1/3 8
Z 0 -1 0 0 1 24
Como en los elementos de la última fila hay uno negativo, -1, significa que no hemos llegado
todavía a la solución óptima. Hay que repetir el proceso:
a. La variable que entra en la base es X2, por ser la variable que corresponde al
coeficiente -1

b. Para calcular la variable que sale, dividimos los términos de la última columna entre
los términos correspondientes de la nueva columna pivote: 2/1/3 = 6, 26/7/3 = 78/7
y 8/1/3 = 8 y como el menor cociente positivo es 6, tenemos que la variable de
holgura que sale es h1.
c. El elemento pivote, que ahora hay que hacer 1, es 1/3.
Operando de forma análoga a la anterior obtenemos la tabla:
Tabla III. Iteración 3

X1 X2 h1 h2 h3
X2 0 1 3 0 -2 6
h2 0 0 -7 0 4 12
X1 1 0 -1 0 1 6
Z 0 0 3 0 -1 30
Como en los elementos de la última fila hay uno negativo, -1, significa que no hemos
llegado todavía a la solución óptima. Hay que repetir el proceso:
a) La variable que entra en la base es h3, por ser la variable que corresponde
al coeficiente -1.
b) Para calcular la variable que sale, dividimos los términos de la última columna
entre los términos correspondientes de la nueva columna pivote: 6/ (-2) = -3,
12/4 = 3 y 6/1 = 6. Y como el menor cociente positivo es 3, tenemos que la
variable de holgura que sale es h2.
c) El elemento pivote, que ahora hay que hacer 1, es 4.
Obtenemos la tabla:
Tabla IV. Final del proceso

X1 X2 h1 h2 h3
X2 0 1 -1/2 0 0 12
h3 0 0 -7/4 0 1 3
X1 1 0 -3/4 0 0 3
Z 0 0 5/4 0 0 33
Como todos los coeficientes de la fila de la función objetivo son positivos, hemos
llegado a la solución óptima. La solución óptima viene dada por el valor de Z en la
columna de dos valores solución, en nuestro caso: 33. En la misma columna se

puede observar el vértice donde se alcanza, observando las filas correspondientes

a las variables decisión que han entrado en la base: D (3,12).
Hasta ahora nos hemos ocupado del caso de maximización. En problemas de

minimización, la condición de optimalidad requiere seleccionar la variable de
entrada como la variable no básica con el coeficiente objetivo más positivo en la
ecuación objetivo, la regla exacta opuesta del caso de maximización. Esto obedece
a que máx z equivale a mín (2z). En cuanto a la condición de factibilidad para
seleccionar la variable de salida, la regla no cambia.
Condición de optimalidad. La variable de entrada en un problema de

maximización (minimización) es la variable no básica con el coeficiente más
negativo (positivo) en la fila z. Los vínculos se rompen arbitrariamente. El óptimo se
alcanza en la iteración en la cual los coeficientes en la fila z son no negativos (no
positivos).
Condición de factibilidad. Tanto en problemas de maximización como de

minimización, la variable de salida es la variable básica asociada con la relación
mínima no negativa con el denominador estrictamente positivo. Los vínculos se
rompen arbitrariamente.
1.5.2. Casos Especiales
Degeneración
Al aplicar la condición de factibilidad del método simplex, se puede presentar un

empate por la relación mínima, el cual puede romperse arbitrariamente. Cuando
esto sucede, al menos una variable básica será cero en la siguiente iteración, y se
dice que la nueva solución está degenerada.
La degeneración puede hacer que las iteraciones simplex ocurran de forma

indefinida en ciclos, y que el algoritmo nunca se termine. La condición también
revela que el modelo tiene por lo menos una restricción redundante.

Óptimos alternativos
Un problema de PL puede tener una cantidad infinita de óptimos alternativos cuando

la función objetivo es paralela a una restricción obligatoria no redundante (es decir,
una restricción que se satisface como una ecuación en la solución óptima).
Solución no acotada
En algunos modelos de programación lineal, el espacio de soluciones es no acotado

en por lo menos una variable, es decir que las variables pueden incrementarse de
forma indefinida sin violar ninguna de las restricciones. En este caso el valor objetivo
asociado también puede ser no acotado.
Un espacio de soluciones no acotado casi siempre indica que el modelo está mal
construido. La irregularidad más probable en tales modelos es que no se han
tomado en cuenta algunas restricciones clave. Otra posibilidad es que las
estimaciones de los coeficientes de las restricciones quizá no sean precisas.
Solución no factible
Los modelos PL con restricciones inconsistentes no tienen una solución factible.

Esta situación no ocurre si todas las restricciones son del tipo ≤ con lados derechos
no negativos porque las holguras proporcionan una solución factible obvia. Para
otros tipos de restricciones, se utilizan variables artificiales penalizadas para iniciar
la solución. Si al menos una variable artificial es positiva en la iteración óptima,
entonces la PL no tiene una solución factible. Desde el punto de vista práctico, un
espacio no factible apunta hacia la posibilidad de que el modelo se formuló de
manera incorrecta.

1.6. Variantes del método simplex, uso de variables artificiales:

1.6.1. Método de la “M”
El método M se inicia con la PL en forma de ecuación. Si la ecuación i no tiene una

holgura (o una variable que pueda desempeñar el papel de una), se agrega una
variable artificial, Ri, para formar una solución inicial parecida a la solución básica
de total holgura. Sin embargo, las variables artificiales no forman parte del problema
original, y se requiere un “artificio” de modelado para igualarlas a cero en el
momento en que se alcance la iteración óptima (suponiendo que el problema tenga
una solución factible). La meta deseada se logra penalizando estas variables en la
función objetivo utilizando la siguiente regla:
Regla de penalización para variables artificiales
Dado M, un valor positivo suficientemente grande (matemáticamente (M →∞), el

coeficiente objetivo de una variable artificial representa una penalización apropiada
si:
−M en problemas de maximización
Coeficiente objetivo de la variable artificial = { }
M, en problemas de minimización
Tipo de restricción Adición a la restricción Coeficiente en la

función objetivo
→ = + Variable Holgura S → 0
=→ +M → Minimizar
= + Variable artificial R -M → Maximizar
→ +M → Minimizar
= + Variable artificial R - -M → Maximizar
Variable Holgura S
Ejemplo: Resolver un problema de programación lineal, utilizando el Método de la
M, determinado la solución óptima del Problema.
Min Z = 4X1 + X2
Sujeto a:

3X1 + X2 = 3
4X1 + 3X2  6
X1 + 2X2  4
X1 y X2  0
Se crea el modelo aumentado, si utilizamos S1 como variable de superávit en la
segunda restricción y S2 como variable de holgura en la tercera restricción, el problema
en forma de ecuación es:
Minimizar z = 4X1 + X2
Sujeto a
3X1 + X2 = 3
4X1 + 3X2 - S1 = 6
X1 + 2X2 +S2 = 4
X1, X2, S1, S2 ≥ 0
La tercera ecuación tiene su variable de holgura, S2, pero la primera y segunda

ecuaciones no. Por lo tanto, agregamos las variables artificiales R1 y R2 en las primeras
dos ecuaciones y las penalizamos en la función objetivo con MR1 + MR2 (porque estamos
minimizando). La PL resultante se da como
Minimizar z = 4X1 + X2 + MR1 + MR2

Sujeto a
3X1 + X2 + R1 = 3
4X1 + 3X2 - S1 + R2 = 6
X1 + 2X2 + S2 = 4
X1, X2, S1, S2, R1, R2 ≥ 0
La solución básica inicial (3,6,4). Se va a igualar a 0 la función objetivo
Z = 4X1 + X2 + MR1 + MR2

Z – 4X1 – 1X2 – MR1 – MR2 = 0
Se crea la tabla inicial simplex
V.B X1 X2 R1 R2 S1 S2 R
Fila 1 Z -4 -1 -M -M 0 0 0
Fila 2 R1 3 1 1 0 0 0 3
Fila 3 R2 4 3 0 1 -1 0 6
Fila 4 S2 1 2 0 0 0 1 4
Se necesita convertir en 0 las M. La operación para eliminarlas en la columna R1 es: (M)(fila
2) + fila 1 y para la columna R2 es: (M)(fila 3) + fila 1

(M)Fila 2 3M M M 0 0 0 3M
(M)Fila 3 4M 3M 0 M -M 0 6M
+ Fila 1 -4 -1 -M -M 0 0 0
7M-4 4M-1 0 0 -M 0 9M
Rescribimos la fila resultante de la función objetiva en la siguiente tabla:
V.B X1 X2 R1 R2 S1 S2 R
Fila 1 Z 7M-4 4M-1 0 0 -M 0 9M
Fila 2 R1 3 1 1 0 0 0 3
Fila 3 R2 4 3 0 1 -1 0 6
Fila 4 S2 1 2 0 0 0 1 4
Identificamos la columna pivote (variable que entra) que es la que presente el valor positivo
mayor de la fila de la función objetivo con excepción de las soluciones básicas (en caso que
la función objetivo sea maximizar la columna pivote será la que presente el mayor valor
negativo). Como el valor de M es un valor suficientemente grande incluso hasta el infinito.
Vamos a suponer que M = 100 entonces la columna X1 quedaría (7) (100) – 4 = 696, la
columna X2 es: (4) (100) – 1 = 399, R1 = 0, R2 = 0, S1 = -100, S2 = 0. Entonces el mayor
valor positivo es 696 que pertenece a la columna X1, la cual seria la variable que entra.
Luego se encuentra la fila pivote (variable que sale) dividiendo la solución por su
correspondiente elemento de la columna pivote con excepción de la fila que pertenece la
función objetivo, donde el menor valor positivo va corresponder a la fila pivote. Encontramos
3 ÷ 3 = 1, 6 ÷ 4 = 1.5, 4 ÷ 1 = 4. Por tanto, la fila 2 es la fila pivote, por lo que R1 es la
variable que sale. El 3 es el elemento pivote, que es donde se interceptan la columna y fila
pivote. El elemento pivote se debe convertir en 1, ya que estamos utilizando eliminación
gaussiana. Dividimos todos los elementos de la fila pivote entre 3 porque ese es valor del
elemento pivote quedando de la siguiente manera la fila pivote:
1 1/3 1/3 0 0 0 1
Se procede a convertir en 0 los elementos que están arriba y abajo del elemento pivote, es
decir: 7M-4, 4 y 1. Para 7M-4, se busca el inverso aditivo, que será multiplicado por la fila
pivote y sumándole luego la fila a la cual pertenece. La operación queda (-7M+4) (Fila 2) +
Fila 1.

(- 7M + 4) (1 1/3 1/3 0 0 0 1)
(-7M+4) (Fila 2) -7M+4 -7/3M+4/3 -7/3M+4/3 0 0 0 -7M+4
+ Fila 1 7M-4 4M-1 0 0 -M 0 9M
Fila 1 nueva 0 5/3M+1/3 -7/3M+4/3 0 -M 0 2M+4
Para 4, se busca el inverso aditivo de forma similar, que será multiplicado por la fila pivote
y sumándole luego la fila a la cual pertenece. La operación queda (-4) (Fila 2) + Fila 3.
(-4) (1 1/3 1/3 0 0 0 1)

(-4) (Fila 2) -4 -4/3 -4/3 0 0 0 -4
+ Fila 3 4 3 0 1 -1 0 6
Fila 3 nueva 0 5/3 -4/3 1 -1 0 2
(-1) (1 1/3 1/3 0 0 0 1)

(-1) (Fila 2) -1 -1/3 -1/3 0 0 0 -1
+ Fila 4 1 2 0 0 0 1 4
Fila 4 nueva 0 5/3 -1/3 0 0 1 3
Obtenemos la nueva tabla simplex:
V.B X1 X2 R1 R2 S1 S2 R
Fila 1 Z 0 5/3M+1/3 -7/3M+4/3 0 -M 0 2M+4
Fila 2 X1 1 1/3 1/3 0 0 0 1
Fila 3 R2 0 5/3 -4/3 1 -1 0 2
Fila 4 S2 0 5/3 -1/3 0 0 1 3
Como existen aún coeficientes positivos en la fila de la función objetivo, significa que no
hemos llegado todavía a la solución óptima (en caso que la función objetivo sea maximizar
y todos los coeficientes son positivos se ha llegado a la solución óptima). Hay que repetir
el proceso:

mayor de la fila de la función objetivo con excepción de las soluciones básicas. Igual vamos
a suponer que M = 100 entonces la columna X1 = 0, X2 quedaría (5/3) (100) + 1/3 = 167,
la columna R1 es: (-7/3M) (100) + 4/3 = -232, R2 = 0, S1 = -100, S2 = 0. Entonces el mayor
valor positivo es 167 que pertenece a la columna X2, la cual sería la variable que entra.
Se encuentra la fila pivote (variable que sale) dividiendo la solución por su correspondiente
elemento de la columna pivote con excepción de la fila que pertenece la función objetivo,
donde el menor valor positivo va corresponder a la fila pivote. Encontramos 1 ÷ 1/3 = 3, 2 ÷
5/3 = 1.2, 3 ÷ 5/3 = 1.8. Por tanto, la fila 3 es la fila pivote, por lo que R2 es la variable que
sale. El 5/3 es el elemento pivote, que es donde se interceptan la columna y fila pivote. El
elemento pivote se debe convertir en 1. Dividimos todos los elementos de la fila pivote entre
5/3 porque ese es valor del elemento pivote quedando de la siguiente manera la fila pivote:
0 1 -4/5 3/5 -3/5 0 6/5

decir: 5/3M+1/3, 1/3 y 5/3. Para 5/3M+1/3, se busca el inverso aditivo, que será multiplicado
por la fila pivote y sumándole luego la fila a la cual pertenece. La operación queda (-5/3M-
1/3) (Fila 3) + Fila 1.
(-5/3M-1/3) (0 1 -4/5 3/5 -3/5 0 6/5)

(-5/3M-1/3) (Fila 3) 0 -5/3M-1/3 4/3M+4/15 -M-1/5 M+1/5 0 -2M-2/5
+ Fila 1 0 5/3M+1/3 -7/3M+4/3 0 -M 0 2M+4
Fila 1 nueva 0 0 -M+8/5 -M-1/5 1/5 0 18/5
Para 1/3, se busca el inverso aditivo de forma similar, que será multiplicado por la fila pivote
y sumándole luego la fila a la cual pertenece. La operación queda (-1/3) (Fila 3) + Fila 2.
(-1/3) (0 1 -4/5 3/5 -3/5 0 6/5)

(-1/3) (Fila 3) 0 -1/3 4/15 -1/5 1/5 0 -2/5
+ Fila 2 1 1/3 1/3 0 0 0 1
Fila 2 nueva 1 0 3/5 -1/5 1/5 0 3/5
Para 5/3 la operación queda (-5/3) (Fila 3) + Fila 4.

(-5/3) (0 1 -4/5 3/5 -3/5 0 6/5)

(-5/3) (Fila 3) 0 -5/3 4/3 -1 1 0 -2
+ Fila 4 0 5/3 -1/3 0 0 1 3
Fila 4 nueva 0 0 1 -1 1 1 1
V.B X1 X2 R1 R2 S1 S2 R
Fila 1 Z 0 0 -M+8/5 -M-1/5 1/5 0 18/5
Fila 2 X1 1 0 3/5 -1/5 1/5 0 3/5
Fila 3 X2 0 1 -4/5 3/5 -3/5 0 6/5
Fila 4 S2 0 0 1 -1 1 1 1
Como existen aún coeficientes positivos en la fila de la función objetivo, se repite el proceso.
Identificamos nuevamente la columna pivote (variable que entra). Igual vamos a suponer
que M = 100 entonces la columna X1 = 0, X2 = 0, R1 = (-100) + 8/5 = -98.4, R2 = -100 –
1/5 = -100.2, S1 =1/5 y S2 = 0. Entonces el mayor valor positivo es 1/5 que pertenece a la
columna S1, la cual sería la variable que entra.
Se encuentra la fila pivote (variable que sale). Encontramos 3/5 ÷ 1/5 = 3, 6/5 ÷ -3/5 = -2, 1
÷ 1 = 1. Por tanto, la fila 4 es la fila pivote, por lo que S2 es la variable que sale. El 1 es el
elemento pivote (no es necesario convertirlo a 1).
decir: los dos 1/5 y -3/5. Para 1/5, la operación queda (-1/5) (Fila 4) + Fila 1.
(-1/5) (0 0 1 -1 1 1 1)
(-1/5) (Fila 4) 0 0 -1/5 1/5 -1/5 -1/5 -1/5
+ Fila 1 0 0 -M+8/5 -M-1/5 1/5 0 18/5
Fila 1 nueva 0 0 -M+7/5 -M 0 -1/5 17/5
Para el otro 1/5, la operación queda diferente (-1/5) (Fila 4) + Fila 2.

(-1/5) (0 0 1 -1 1 1 1)
(-1/5) (Fila 4) 0 0 -1/5 1/5 -1/5 -1/5 -1/5
+ Fila 2 1 0 3/5 -1/5 1/5 0 3/5
Fila 2 nueva 1 0 2/5 0 0 -1/5 2/5
Para -3/5, la operación queda (3/5) (Fila 4) + Fila 3.
(3/5) (0 0 1 -1 1 1 1)
(3/5) (Fila 4) 0 0 3/5 -3/5 3/5 3/5 3/5
+ Fila 3 0 1 -4/5 3/5 -3/5 0 6/5
Fila 3 nueva 0 1 -1/5 0 0 3/5 9/5
V.B X1 X2 R1 R2 S1 S2 R
Fila 1 Z 0 0 -M+7/5 -M 0 -1/5 17/5
Fila 2 X1 1 0 2/5 0 0 -1/5 2/5
Fila 3 X2 0 1 -1/5 0 0 3/5 9/5
Fila 4 S1 0 0 1 -1 1 1 1
Como todos los coeficientes de la fila de la función objetivo son negativos y 0, hemos
llegado a la solución óptima. La solución óptima viene dada por el valor de Z =
17/5, X1 = 2/5, X2 = 9/5.
1.6.2. Método de dos fases
En el método M, el uso de la penalización, M, puede conducir a un error de

redondeo. El método de dos fases elimina el uso de la constante M. Como su
nombre lo indica, el método resuelve la PL en dos fases; en la fase I se trata de
encontrar la solución factible básica inicial y, si se halla una, se invoca la fase II para
resolver el problema original.
Resumen del método de dos fases
• Fase I. Ponga el problema en forma de ecuación y agregue las variables

artificiales necesarias a las restricciones (exactamente como en el método
M), para tener la certeza de una solución básica. A continuación, determine
una solución básica de la ecuación resultante que siempre minimice la suma

de las variables artificiales, independientemente de si la PL es de

maximización o minimización. Si el valor mínimo de la suma es positivo, el
problema de PL no tiene una solución factible. De lo contrario, si el valor
mínimo es cero, prosiga con la fase II.
• Fase II. Use la solución factible de la fase I como una solución factible básica
inicial para el problema original.
Vamos a utilizar el mismo problema del ejemplo desarrollado utilizando el método

de la M.
Min Z = 4X1 + X2
Sujeto a:
3X1 + X2 = 3
4X1 + 3X2  6
X1 + 2X2  4
X1 y X2  0
Fase I
Minimizar r = R1 + R2
r – R1 – R2 = 0
Sujeto a
3X1 + X2 + R1 = 3
4X1 + 3X2 + R2 - S1 = 6
X1 + 2X2 + S2 = 4
X1, X2, S1, S2, R1, R2 ≥ 0
Se crea la tabla inicial simplex
V.B X1 X2 R1 R2 S1 S2 R
Fila 1 r 0 0 -1 -1 0 0 0
Fila 2 R1 3 1 1 0 0 0 3
Fila 3 R2 4 3 0 1 -1 0 6
Fila 4 S2 1 2 0 0 0 1 4
Como en el método de la M, R1 y R2 buscamos como convertir en cero esos elementos de

la fila r, sustituyendo mediante las siguientes operaciones de filas:
Nueva Fila r = (1 x Fila 2) + (1 x Fila 3) + Anterior fila r

Fila r 0 0 -1 -1 0 0 0
1xFila 2 3 1 1 0 0 0 3
1xFila 3 4 3 0 1 -1 0 6
Nueva fila r 7 4 0 0 -1 0 9
Obtenemos la nueva tabla
V.B X1 X2 R1 R2 S1 S2 R
Fila 1 r 7 4 0 0 -1 0 9
Fila 2 R1 3 1 1 0 0 0 3
Fila 3 R2 4 3 0 1 -1 0 6
Fila 4 S2 1 2 0 0 0 1 4
mayor de la fila de la función objetivo con excepción de las soluciones básicas (en caso que
la función objetivo sea maximizar la columna pivote será la que presente el mayor valor
negativo). Entonces el mayor valor positivo es 7 que pertenece a la columna X1, la cual es
la variable que entra.
Luego se procede a encontrar la fila pivote (variable que sale) dividiendo la solución por su
correspondiente elemento de la columna pivote con excepción de la fila que pertenece la
función objetivo, donde el menor valor positivo va corresponder a la fila pivote. Encontramos
3 ÷ 3 = 1, 6 ÷ 4 = 1.5, 4 ÷ 1 = 4. Por tanto, la fila 2 es la fila pivote, por lo que R1 es la
variable que sale. El 3 es el elemento pivote, que es donde se interceptan la columna y fila
pivote. El elemento pivote se debe convertir en 1, ya que estamos utilizando eliminación
gaussiana. Dividimos todos los elementos de la fila pivote entre 3 porque ese es valor del
elemento pivote quedando de la siguiente manera la fila pivote:
1 1/3 1/3 0 0 0 1
decir: 7, 4 y 1. Para 7, se busca el inverso aditivo, que será multiplicado por la fila pivote y
sumándole luego la fila a la cual pertenece. La operación queda (-7) (Fila 2) + Fila 1.
(- 7) (1 1/3 1/3 0 0 0 1)
+ Fila 1 7 4 0 0 -1 0 9
Fila 1 nueva 0 5/3 -7/3 0 -1 0 2

(-4) (1 1/3 1/3 0 0 0 1)

+ Fila 3 4 3 0 1 -1 0 6
Fila 3 nueva 0 5/3 -4/3 1 -1 0 2
(-1) (1 1/3 1/3 0 0 0 1)

+ Fila 4 1 2 0 0 0 1 4
Fila 4 nueva 0 5/3 -1/3 0 0 1 3
V.B X1 X2 R1 R2 S1 S2 R
Fila 1 r 0 5/3 -7/3 0 -1 0 2
Fila 2 X1 1 1/3 1/3 0 0 0 1
Fila 3 R2 0 5/3 -4/3 1 -1 0 2
Fila 4 S2 0 5/3 -1/3 0 0 1 3
Como existen aún coeficientes positivos en la fila de la función objetivo, significa que no
hemos llegado todavía a la solución óptima (en caso que la función objetivo sea maximizar
y todos los coeficientes son positivos se ha llegado a la solución óptima). Hay que repetir
el proceso:
mayor de la fila de la función objetivo con excepción de las soluciones básicas. Entonces el
mayor valor positivo es 5/3 que pertenece a la columna X2, la cual sería la variable que
entra.
Se encuentra la fila pivote (variable que sale) dividiendo la solución por su correspondiente
elemento de la columna pivote con excepción de la fila que pertenece la función objetivo,
donde el menor valor positivo va corresponder a la fila pivote. Encontramos 1 ÷ 1/3 = 3, 2 ÷
5/3 = 1.2, 3 ÷ 5/3 = 1.8. Por tanto, la fila 3 es la fila pivote, por lo que R2 es la variable que
sale. El 5/3 es el elemento pivote, que es donde se interceptan la columna y fila pivote. El

elemento pivote se debe convertir en 1. Dividimos todos los elementos de la fila pivote entre
5/3 porque ese es valor del elemento pivote quedando de la siguiente manera la fila pivote:
0 1 -4/5 3/5 -3/5 0 6/5

decir: 5/3, 1/3 y 5/3. Para 5/3, se busca el inverso aditivo, que será multiplicado por la fila
pivote y sumándole luego la fila a la cual pertenece. La operación queda (-5/3) (Fila 3) +
Fila 1.
(-5/3) (0 1 -4/5 3/5 -3/5 0 6/5)

+ Fila 1 0 5/3 -7/3 0 -1 0 2
Fila 1 nueva 0 0 -1 -1 0 0 0
Para 1/3, se busca el inverso aditivo de forma similar, que será multiplicado por la fila pivote
y sumándole luego la fila a la cual pertenece. La operación queda (-1/3) (Fila 3) + Fila 2.
(-1/3) (0 1 -4/5 3/5 -3/5 0 6/5)

+ Fila 2 1 1/3 1/3 0 0 0 1
Fila 2 nueva 1 0 3/5 -1/5 1/5 0 3/5
Para 5/3 la operación queda (-5/3) (Fila 3) + Fila 4.
(-5/3) (0 1 -4/5 3/5 -3/5 0 6/5)

+ Fila 4 0 5/3 -1/3 0 0 1 3
Fila 4 nueva 0 0 1 -1 1 1 1
V.B X1 X2 R1 R2 S1 S2 R
Fila 1 Z 0 0 -1 -1 0 0 0
Fila 2 X1 1 0 3/5 -1/5 1/5 0 3/5
Fila 3 X2 0 1 -4/5 3/5 -3/5 0 6/5
Fila 4 S2 0 0 1 -1 1 1 1

X1 = 3/5
X2 = 6/5
S2 = 1
Fase II
Eliminamos las columnas artificiales, escribiendo el problema original como:
Minimizar Z = 4X1 + X2
Sujeto a
X1 +1/5S1 = 3/5
X2 -3/5S1 = 6/5
S1 + S2 =1
Igualamos a cero la función objetivo: - 4X1 – X2 = 0
V.B X1 X2 S1 S2 R
Fila 1 Z -4 -1 0 0 0
Fila 2 X1 1 0 1/5 0 3/5
Fila 3 X2 0 1 -3/5 0 6/5
Fila 4 S2 0 0 1 1 1
Buscamos como convertir en cero las variables originales del modelo de esos elementos
de la fila z, sustituyendo mediante las siguientes operaciones de filas:
Nueva Fila r = (4 x Fila 2) + (1 x Fila 3) + Anterior fila Z
Fila Z -4 -1 0 0 0
4xFila 2 4 0 4/5 0 12/5
1xFila 3 0 1 -3/5 0 6/5
Nueva fila r 0 0 1/5 0 18/5
Obtenemos la siguiente tabla:
V.B X1 X2 S1 S2 R
Fila 1 Z 0 0 1/5 0 18/5
Fila 2 X1 1 0 1/5 0 3/5
Fila 3 X2 0 1 -3/5 0 6/5

Fila 4 S2 0 0 1 1 1
Igual seguimos el mismo procedimiento del método simplex, identificando la columna pivote
(variable que entra) que es la que presente el valor positivo mayor de la fila de la función
objetivo con excepción de las soluciones básicas. Entonces el mayor valor positivo es 1/5
que pertenece a la columna S1, la cual sería la variable que entra.
Se encuentra la fila pivote. El 1 es el elemento pivote, que es donde se interceptan la

columna y fila pivote, por lo que S2 es la variable que sale. El elemento pivote ya posee el
valor de 1.
decir: Los dos 1/5 y -3/5. Para 1/5 la operación queda (-1/5) (Fila 4) + Fila 1.
(-1/5) (0 0 1 1 1)
+ Fila 1 0 0 1/5 0 18/5
Fila 1 nueva 0 0 0 -1/5 17/5
Para el otro 1/5 la operación queda (-1/5) (Fila 4) + Fila 2.
(-1/5) (0 0 1 1 1)
+ Fila 2 1 0 1/5 0 3/5
Fila 2 nueva 1 0 0 -1/5 2/5
Para el -3/5 la operación queda (3/5) (Fila 4) + Fila 3.
(3/5) (0 0 1 1 1)
+ Fila 3 0 1 -3/5 0 6/5
Fila 3 nueva 0 1 0 3/5 9/5

V.B X1 X2 S1 S2 R
Fila 1 Z 0 0 0 -1/5 17/5
Fila 2 X1 1 0 0 -1/5 2/5
Fila 3 X2 0 1 0 3/5 9/5
Fila 4 S1 0 0 1 1 1
Como todos los coeficientes de la fila de la función objetivo son negativos y 0, hemos
llegado a la solución óptima. La solución óptima viene dada por el valor de Z =
17/5, X1 = 2/5, X2 = 9/5 y S1 = 1
1.7. Método simplex revisado

Los pasos iterativos del método simplex revisado son exactamente los mismos que
en el método de la tabla simplex. La diferencia principal es que los cálculos en el
método revisado se basan en manipulaciones de matriz y no en operaciones de
filas. Como la tabla simplex completa puede calcularse a partir de los datos
originales y la inversa actual, controlando la precisión del cálculo de 𝐵−1 puede
mitigarse el error de redondeo de máquina. En el método de la tabla simplex cuando
se genera una nueva tabla a partir de la inmediatamente precedente el error de
redondeo se propaga.
1.8. Uso del software POM-QM for Windows

El software POM-QM (Production and Operations Management, Quantitative
Methods) es una herramienta que contiene los principales métodos cuantitativos.
Programación lineal: Solución de problemas lineales por método gráfico
Una compañía que funciona 10 horas al día fabrica dos productos en tres procesos
secuenciales. La siguiente tabla resume los datos del problema:
Producto Minutos por Utilidad

unidad Unitaria
Proceso 1 Proceso 2 Proceso 3
1 10 6 8 $2
2 5 20 10 $3

Determine la combinación óptima de los dos productos.
Solución:
Objetivo del problema: maximizar las utilidades diarias.

Restricciones (Sabemos que):
• Se producen dos productos P1 y P2

• P1 requiere 10 min en el proceso 1, 6 min en el proceso 2 y 8 min en el
proceso 3
• P2 requiere 5 min en el proceso 1, 20 min en el proceso 2 y 10 min en
el proceso 3
• El tiempo disponible para cada proceso es de 600 min al día.
• La utilidad unitaria por el P1 es $2 y por P2 es $3.
No sabemos:
• Cuántas unidades debemos producir de P1, por lo que le llamaremos X 1
• Cuántas unidades debemos producir de P2, por lo que le llamaremos X 2
Con la información obtenida construimos el modelo matemático del
problema lineal.
Max Z= 2*X1 + 3*X2
Sujeto a:
10*X1 + 5*X2 ≤ 600 (restricción de tiempo en el proceso 1)
6*X1 + 20*X2 ≤ 600 (restricción de tiempo

en el proceso 2) 8*X1 + 10*X2 ≤ 600
(restricción de tiempo en el proceso 3)
X1≥0
X2≥0
Solución por método gráfico usando POM-QM
Paso 1: Ejecutamos el programa POM-QM

Paso2: hacemos clic en el menú “Module”

Paso 3: Seleccionamos la opción “Integer & Mixed Integer

programming” (activa el módulo)
Paso 4: Hacemos clic en el menú “File” y después clic en “New”. Le
aparece una ventana como la indicada:
Número de restricciones (3)
Número de variables (2)
Aquí se introducen los coeficientes de las variables. Puedo observar lo siguiente:
• En la fila de Maximize escribimos las utilidades respectivas para cada

P1 y P2 representados en las variables X 1 y X2.
• En la fila de tiempo en proceso 1. Los tiempos requeridos por cada
producto en dicho proceso.



• Puedo observar que en la última columna están las ecuaciones del

modelo lineal.
• Note que no es necesario la condición que X 1 y X2 sean mayores que
cero, ya que software por defecto asume esa condición.
• Los tipos de variables para X1 y X2 son enteras.

Una vez que hemos completado de ingresar los datos, hacemos clic en el botón
Solve(Resolver) Automáticamente se muestran 6 ventas de resultados:
1. Resultados de programación entera y entera mixta

2. Resultados de Iteraciones
3. Problema Original con respuestas
4. Solución Gráfica.
1. Resultados de programación entera y entera mixta
2. Resultados de Iteraciones
3. Problema Original con respuestas

4. Solución Gráfica
Programación lineal: (Solución por Simplex y análisis de sensibilidad)
El club Win Big Gambling promueve el juego en giras de una ciudad grande el medio oeste
de Estados Unidos a los casinos en las Bahamas. El club tiene un presupuesto de hasta
$8,000 semanales para anuncios locales. El dinero se asignará entre cuatro medios de
comunicación: spots en televisión, anuncios en periódicos y dos tipos de comerciales en
radio. La meta de Win Big es llegar a la audiencia de mayor potencial más grande posible,
usando los diferentes medios de comunicación.
La siguiente tabla presenta el número de jugadores potenciales expuestos mediante un

anuncio en cada uno de los cuatro medios. También proporciona el costo por anuncio
colocado y el máximo número de ellos que se puede comprar por semana.

Medio Audiencia Costo Máximo de

alcanzada por anuncio por
por anuncio anuncio semanas
Spot en TV (1 minuto) 5000 800 12
Periódico (una plana) 8500 925 5
Spot en radio (30 segundos, horario estelar 2400 290 25
Spot de radio (1 minuto, en la tarde) 2800 380 20
Las condiciones contractuales de Win Big requieren que se coloquen al menos cinco spots
de radio cada semana. Para asegurar una campaña promocional de amplio espectro, la
gerencia también insiste en que no se gasten más de $1,800 por semana en los comerciales
de radio.
Solución:
Al formular esto como un programa lineal, el primer paso es entender cabalmente el

problema. Algunas veces hacer preguntas del tipo “qué sucedería si” ayuda a comprender
la situación. En este ejemplo, ¿qué ocurriría si exactamente se usaran cinco anuncios de
cada tipo?
- ¿Cuánto costaría esto?

- ¿A cuántas personas llegaría?
Sin duda ayuda la disponibilidad de las hojas de cálculo para obtener soluciones, ya que se
escriben las fórmulas para calcular el costo y el número de personas expuestas. Una vez
que se entiende la situación, se enuncian el objetivo y las restricciones:
Objetivo: Maximizar el número de gente (audiencia) expuesta Restricciones:
1. No se pueden colocar más de 12 comerciales en TV.

2. No se pueden utilizar más de 5 anuncios en periódicos.
3. No se pueden usar más de 25 comerciales de 30 segundos en radio.
4. No se pueden usar más de 20 comerciales de 1 minuto en radio.
5. El total gastado no debe exceder $8,000.
6. El número total de comerciales en radio tiene que ser, por lo menos, de 5.

7. La cantidad total gastada en comerciales de radio no debe exceder $1,800 Después se

definen las variables de decisión. Las decisiones que se toman son el número de
comerciales de cada tipo que se contratarán. Una vez que se conocen, pueden utilizarse
para calcular la cantidad gastada y el número de personas expuestas.
Sea:
X1 = número de spots de TV de 1 minuto en cada semana
X2 = número de anuncios de 1 plana en el periódico en cada semana
X3 = número de spots de radio de 30 segundos en cada semana
X4 = número de spots de radio de 1 minuto por la tarde en cada semana
Luego, con estas variables, se escriben las expresiones matemáticas para el objetivo y las
restricciones que se identificaron. Las restricciones de no negatividad también se
establecen en forma explícita.
Modelo matemático de
programación lineal Objetivo:
Max Z=5000X1 + 8500X2 + 2400X3
+ 2800X4
Sujeto a:
X1≤ 12 (máximo de spots en TV/semana)
X2≤ 5 (máximo de anuncios en periódicos/semana)
X3≤ 25 (máximo de spots de 30s en radio/semana)
X4≤ 20 (máximo de spots de 1 m en radio/semana)
800X1 + 925X2 + 290X3 + 380X4≤ $8000 (presupuesto semanal de publicidad)
X3 + X4 ≥ 5 (mínimos de spots en radio contratados)
290X3 + 380X4≤ $1800 (máximo de dólares gastados en radio)
X1, X2, X3, X4≥0
Hacemos clic en el menú Module y luego en “Linear programming”, después File y New

Una vez que hemos ingresados los datos y hemos verificado que no hay
errores en las ecuaciones e inecuaciones, hacemos clic en el botón Solve.
1. Resultados del PL
2. Rangos
3. Lista de Solución
4. Iteraciones (Solución por Simplex)
5. Problema Dual
1. Resultados de PL
2. Ranging
3. Lista de Soluciones.

4. Iteraciones (Solución por método Simplex)
5. El problema Dual


Ejercicios
1. Resolver los siguientes ejercicios utilizando el método de solución gráfica
(solo ejercicios de dos variables) y luego utilizando el método simplex.
Verificar los resultados utilizando el software POM-QM for Windows
Ejercicio 1: La Smith Motors, Inc automóviles normales y vagonetas. La compañía

obtiene $ 300 de utilidad sobre el automóvil que vende y $ 400 por cada vagoneta.
El fabricante no puede proveer más de 300 automóviles ni más de 200 vagoneta
por mes. El tiempo de preparación por los distribuidores es de 2 horas para cada
automóvil y 3 horas para cada vagoneta. La compañía cuenta con 900 horas de
tiempo de taller disponible cada mes de preparación de automóviles nuevos.
Plantee el problema de programación lineal para determinar ¿Cuántos
automóviles y cuantas vagonetas deben ordenarse para maximizar las utilidades?
Ejercicio 2: La EZ Company fabrica tres productos de última moda, a los cuales el

departamento de mercadotecnia ha denominado MAD, MUD y MOD. Estos tres
productos se fabrican a partir de tres ingredientes los cuales, por razones de
seguridad, se han designado con nombre de código que son ALPHA, BAKER y
CHARLIE. Las libras de cada ingrediente que se requieren para fabricar una libra de
producto final se muestran en la siguiente tabla.
Producto ALPHA BAKER CHARLIE

MAD 4 7 8
MUD 3 9 7
MOD 2 2 12
La empresa cuenta respectivamente con 400, 800, 1000 libras de ingredientes
ALPHA, BAKER y CHARLIE. Bajo las condiciones actuales del mercado, las
contribuciones a las utilidades para los productos son $18 para MAD, $10 para MUD
y $12 para MOD. Plantee un problema de programación lineal para determinar la
cantidad de cada uno de los productos de última moda que deben fabricarse.
Ejercicio 3: La WARE FARMS del VALLE Schoharie, cerca de Abang, NY, cultiva
brócoli y coliflor en 500 acres de terreno en el valle. Un acre de brócoli produce
$500 de contribución a las utilidades y la contribución de un acre de coliflor es de
$1000. Debido a reglamentos gubernamentales, no pueden cultivarse más de 200
acres de brócoli. Durante la temporada de plantación, habrá disponible 1200
horas/hombre de tiempo de plantadores. Cada Acre de brócoli requiere 2.5
horas/hombre y cada acre de coliflor requiere 5.5 horas/hombre. Plantee un
problema de Programación lineal para determinar ¿cuántos acres de brócoli y
cuantos de coliflor deben plantarse para maximizar la contribución a las utilidades?

Ejercicio 4: Un carpintero desea determinar la cantidad de sillas y mesas que debe

producir al próximo día para maximizar su ganancia.
• Cuenta con 38 m2 de madera y dispone de 7,5 horas/ hombre

• Se requiere de 4 m2 y 1 hora/hombre para confeccionar cada silla; y de 9,5
m2 e madera y 1 hora/ hombre para confeccionar cada mesa.
• Se asume que se vende todo lo que se produce y que el beneficio por silla
es de $4, mientras que el beneficio por mesa es de $8.5.
Ejercicio 5: Un sastre tiene 80 m2 de tela de algodón y 120 m2 de tela de lana. Un
traje requiere 1 m2 de algodón y 3 m2 de lana, y un vestido de mujer requiere 2 m2
de cada una de las dos telas. Calcular el número de trajes y vestidos que debe
confeccionar el sastre para maximizar los beneficios si un traje y un vestido se
venden al mismo precio.
Ejemplo 6: Un fabricante de equipo de prueba, tiene 3 departamentos principales

para la manufactura de sus modelos S-1000 y S-2000. Las capacidades mensuales
son las siguientes:
Requerimientos unitarios de tiempo en (horas) disponibles en el presente mes
Modelo S-1000 Modelos S-2000 Hrs

Departamento de Estructura principal 4 2 1600
Departamento de Alumbrado Eléctrico 2.5 1 1200
Departamento de Ensamble 4.5 1.5 1600
La contribución del modelo S-1000 es de $40 por unidad y la del modelo S-2000 es
de $10 por unidad. Se pide formular este problema como un modelo de
programación lineal.
Ejemplo 7: Considere la decisión de planeación de producción de una compañía

y que hace válvulas y pistones. Ambas piezas deberán ser maquinadas en torno y
procesadas en un esmerilador y, además el pistón deberá ser pulido. Cada válvula
y cada pistón requieren cierta cantidad de acero. La siguiente tabla resume la
cantidad de cada recurso usado en producir válvulas y pistones, la utilidad unitaria
y la cantidad de recursos disponibles.
Torno (hrs) Esmeril (hrs) Pulidora (hrs) Acero (hrs)

Válvula 0.3 1.0 0.0 1.0
Pistón 0.5 1.5 0.5 1.0
Recursos Disponibles
• Torno: 300 hrs.

• Esmeriladora: 750 hrs.
• Pulidora: 200 hrs.
• Acero: 600 hrs.

La compañía desea determinar el valor de las variables de decisión si las utilidades

unitarias esperadas son de $3.00 y $4.00 para válvulas y pistones respectivamente.
Ejemplo 8: Una compañía fabrica 2 productos que pasan en forma sucesiva por
tres máquinas. El tiempo por máquina asignado a los dos productos está limitado a
10 horas/ día. El tiempo de producción y la ganancia por unidad de cada
producto se dan a continuación.
Tiempo de Producción Ganancia

Maquina 1 Maquina 2 Maquina 3
Producto 1 10 min 6 min 8 min $20
Producto 2 5 min 20 min 15 min $30
Tiempo disponible (horas/día) 10 hrs
Determine la combinación óptima de producción para maximizar las ganancias.
Ejercicio 9: Una cadena de grandes almacenes, encargan a un fabricante de

pantalones y chaquetas deportivas, un pedido de urgencia. El fabricante dispone
para la confección de ambas prendas, 750 mts de tejido de algodón y 1,000 mts
de tejido de poliéster. Cada pantalón precisa, 1 mts de algodón y 2 mts de poliéster.
Para cada chaqueta se necesitan 1.5 mts de algodón y 1 mts de poliéster. El precio
del pantalón se fija en C$ 50 y el de la chaqueta en C$ 40. ¿Qué número de
pantalones y chaquetas debe suministrar el fabricante a los almacenes para que
estos consigan una venta máxima?
Ejercicio 10: Una compañía fabrica y venden dos modelos de lámpara L1 y L2. Para
su fabricación se necesita un trabajo manual de 20 minutos para el modelo L1 y de
30 minutos para el L2; y un trabajo de máquina de 20 minutos para L1 y de 10
minutos para L2. Se dispone para el trabajo manual de 100 horas al mes y para la
máquina 80 horas al mes. Sabiendo que el beneficio por unidad es de C$ 15 y C$
10 córdobas para L1 y L2, respectivamente, planificar la producción para obtener
el máximo beneficio.
Ejercicio 11: Una empresa de transportes tiene dos tipos de camiones, los del tipo
A con un espacio refrigerado de 20 m3 y un espacio no refrigerado de 40 m3. Los
del tipo B, con igual cubicaje total, al 50% de refrigerado y no refrigerado. La
contratan para el transporte de 3,000 m3 de producto que necesita refrigeración y
4,000 m3 de otro que no la necesita. El coste por kilómetro de un camión del tipo A
es de C$ 30 y el B de C$ 40. ¿Cuántos camiones de cada tipo ha de utilizar para
que el coste total sea mínimo?
Ejercicio 12: En una granja de pollos, se da una dieta, para engordar, con una
composición mínima de 15 unidades de una sustancia A y otras 15 de una sustancia

B. En el mercado sólo se encuentra dos clases de compuestos: el tipo X con una

composición de una unidad de A y 5 de B, y el otro tipo, Y, con una composición
de cinco unidades de A y una de B. El precio del tipo X es de C$ 10 y del tipo Y es
de C$ 30. ¿Qué cantidades se han de comprar de cada tipo para cubrir las
necesidades con un coste mínimo?
Ejercicio 13: Con el comienzo del curso se va a lanzar unas ofertas de material
escolar. Unos almacenes quieren ofrecer 600 cuadernos, 500 carpetas y 400
bolígrafos para la oferta, empaquetándolo de dos formas distintas; en la primera
mochila, pondrá 2 cuadernos, 1 carpeta y 2 bolígrafos; en la segunda, pondrán 3
cuadernos, 1 carpeta y 1 bolígrafo. Los precios de cada mochila serán C$ 6.5 y C$
7, respectivamente. ¿Cuántos paquetes le conviene poner de cada tipo para
obtener el máximo beneficio?
Ejercicio 14: Unos grandes almacenes desean liquidar 200 camisas y 100 pantalones
de la temporada anterior. Para ello lanzan, dos ofertas, A y B. La oferta A consiste
en un lote de una camisa y un pantalón, que se venden a C$ 30; la oferta B consiste
en un lote de tres camisas y un pantalón, que se vende a C$ 50. No se desea ofrecer
menos de 20 lotes de la oferta A ni menos de 10 de la B. ¿Cuántos lotes ha de
vender de cada tipo para maximizar la ganancia?
Ejercicio 15: Se dispone de 600 g de un determinado fármaco para elaborar

pastillas grandes y pequeñas. Las grandes pesan 40 g y las pequeñas 30 g. Se
necesitan al menos tres pastillas grandes, y al menos el doble de pequeñas que de
las grandes. Cada pastilla grande proporciona un beneficio de C$ 2 y la pequeña
de C$ 1. ¿Cuántas pastillas se han de elaborar de cada clase para que el beneficio
sea máximo?
Ejercicio 16: Una escuela prepara una excursión para 400 alumnos. La empresa de
transporte tiene 8 autobuses de 40 plazas y 10 de 50 plazas, pero sólo dispone de 9
conductores. El alquiler de un autocar grande cuesta C$ 800 y el de uno pequeño
C$ 600. Calcular cuántos autobuses de cada tipo hay que utilizar para que la
excursión resulte lo más económica posible para la escuela.

2. Resolver los siguientes ejercicios utilizando el método de la M y dos fases

Verificar los resultados utilizando el software POM-QM for Windows.
Ejercicio 1: Health Nut Company está desarrollando una barra de mantequilla de

Cacahuate y Chocolate. El dulce debe de tener al menos 5 gramos de proteínas,
pero no más de 5 gramos de carbohidratos y 3 gramos de grasa saturadas.
Desarrolle un programa lineal para determinar la cantidad de cada ingrediente
por utilizar que satisfaga los requerimientos nutricionales a un costo total mínimo,
basándose en los siguientes datos:
Mantequilla de Chocolate
cacahuate
Costos ($/oz) 0.10 =10
1
0.18 =50
9
Proteínas (g/oz) 4.00 0.80 =

4
5
Carbohidratos (g/oz) 2.50 =
5
1.00
2
Grasas saturadas (g/oz) 2.00 0.50 =2
1
Ejercicio 2. El INTUR ha decidido llevar a cabo una Feria gastronómica en el

Departamento de Boaco con el objetivo de dar valor agregados a los derivados
de la leche. El encargado del evento desea determinar la cantidad de yogurt y
Suero de leche que debe preparar para minimizar los costos de acuerdo a los
requerimientos que le proporciono la delegación. Cada vaso de Yogurt tiene un
costo de C$5 y C$8 para el suero de leche. Se sugieren que cada derivado debe
tener 400 ml de leche, al menos 20 gr de azúcar, pero no más de 4 gr de
saborizantes.
Yogurt Suero de leche

Leche 200ml 352ml
Azúcar 10gr 18gr
Saborizantes 3gr 2gr
Ejercicio 3: Un granjero desea determinar el costo diario más bajo de la mezcla de
pastura para su ganado. Para cumplir con los requerimientos mínimos de nutrición,
la mezcla deberá contener al menos 10,000 unidades del nutriente A, 20,000
unidades del nutriente B y 15,000 unidades del nutriente C. Existen 2 alimentos de
posturas disponibles para él, y cada libra del primero cuesta $0.15 y contiene 100
unidades del nutriente A, 400 del nutriente B y 200 del nutriente C; y cada libra del
segundo cuesta $0.20 y contiene 200 unidades del nutriente A, 250 del nutriente B

y 200 del nutriente C. Formule un problema de programación lineal y resolverlo

utilizando el método de la M.
Ejercicio 4: Resolver un problema de programación lineal, utilizando el Método de

la M, determinado la solución óptima del Problema.
Max Z = 3X1 + X2
Sujeto a:
X1 + X2  3
2X1 + X2  4
X1 + X2 = 3
X1 yX2  0
Ejercicio 5: Una empresa de transportes tiene dos tipos de camiones, los del tipo A
con un espacio refrigerado de 20 m3 y un espacio no refrigerado de 40 m3. Los del
tipo B, con igual cubicaje total, al 50% de refrigerado y no refrigerado. La contratan
para el transporte de 3,000 m3 de producto que necesita refrigeración y 4,000 m3
de otro que no la necesita. El coste por kilómetro de un camión del tipo A es de C$
30 y el B de C$ 40. ¿Cuántos camiones de cada tipo ha de utilizar para que el coste
total sea mínimo?
Ejercicio 6: En una granja de pollos, se da una dieta, para engordar, con una
composición mínima de 15 unidades de una sustancia A y otras 15 de una sustancia
B. En el mercado sólo se encuentra dos clases de compuestos: el tipo X con una
composición de una unidad de A y 5 de B, y el otro tipo, Y, con una composición
de cinco unidades de A y una de B. El precio del tipo X es de C$ 10 y del tipo Y es
de C$ 30. ¿Qué cantidades se han de comprar de cada tipo para cubrir las
necesidades con un coste mínimo?

II. UNIDAD: ASPECTO DE DUALIDAD Y ANÁLIISIS DE SENSIBILIDAD

2.1. Dual de un programa lineal
El método simplex además de resolver problemas de programación lineal llegando
a una solución óptima nos ofrece más y mejores elementos para la toma de
decisiones. La dualidad y el análisis de sensibilidad son potencialidades de este
método.
2.1.1. Obtención del dual
El dual es un problema de programación lineal que se obtiene matemáticamente de

un modelo primal de PL dado. Los problemas dual y primal están relacionados a tal
grado, que la solución simplex óptima de cualquiera de los dos problemas conduce
en forma automática a la solución óptima del otro.
El concepto de dualidad indica que para cada problema de PL hay una asociación
y una relación muy importante con otro problema de programación lineal, llamado
precisamente dual.
La relación entre el problema dual y su asociado, es decir el problema original

llamado primal, presenta varias utilidades:
- Aporta elementos que aumentan sustancialmente la comprensión de la PL

- El análisis de dualidad es una herramienta útil en la solución de problemas
de programación lineal, por ejemplo: más restricciones que variables.
- El problema dual tiene interpretaciones e informaciones importantes que
muestran que los análisis marginales están siempre involucrados
implícitamente al buscar la solución óptima a un problema de PL.
¿Cómo convertir un problema primal a dual?
- Los coeficientes de las restricciones en el problema primal, será la matriz de

los coeficientes tecnológicos en el dual.
- Los signos de desigualdad del problema dual son contrarios a los del primal.
- Cada restricción en un problema corresponde a una variable en el otro
problema. Si el primal tiene m restricciones y n variables, el dual tendrá n

restricciones y m variables. Así, las variables Xn del primal se convierten en

variables Ym en el dual.
- Si el primal es un problema de maximización su dual será un problema de
minimización y viceversa.
- Los coeficientes del vector de disponibilidad del problema original se
convierten en los coeficientes de la función objetivo (vector de costo precio)
en el problema dual.
Ejemplo
Si el problema primal es:
Max Z = 45X1 + 17X2 + 55X3
Sujeto a:
X1 + X2 + X3 ≤ 200
9X1 + 8X2 + 10X3 ≤ 5000
10X1 + 7X2 + 21X3 ≤ 4000
Xj ≥ 0
El problema dual será:
Min Z = 200Y1 + 5000Y2 + 4000Y3
Sujeto a:
Y1 + 9Y2 + 10Y3 ≥ 45
Y1 + 8Y2 + 7Y3 ≥ 17
Y1 + 10Y2 + 21Y3 ≥ 55
Yj ≥ 0

2.1.2. Relaciones primal-dual

a. El problema dual tiene tantas variables como restricciones que tiene el
programa primal.
b. El problema dual tiene tantas restricciones como variables tiene el programa
primal
c. Los coeficientes de la función objetivo del problema dual son los términos
independientes de las restricciones o RHS del programa primal.
d. Los términos independientes de las restricciones o RHS del dual son los
coeficientes de la función objetivo del problema primal
e. La matriz de coeficientes técnicos del problema dual es la traspuesta de la
matriz técnica del problema primal.
f. El sentido de las desigualdades de las restricciones del problema dual y el
signo de las variables del mismo problema, depende de la forma de que
tenga el signo de las variables del problema primal y del sentido de las
restricciones del mismo problema.
g. Si el programa primal es un problema de maximización, el programa dual es
un problema de minimización
h. El problema dual de un problema dual es el programa primal original.
2.2. Interpretación económica de la dualidad

Mientras que la interpretación física del problema primal es inmediata, la
interpretación correspondiente al dual no es muy evidente, sin embargo, el
significado de la función objetivo y de las restricciones del dual pueden ser
explicadas más fácilmente interpretando los problemas primal y dual en términos de
unidades físicas.
El problema de PL puede considerarse como un modelo de asignación de recursos

que busca maximizar los ingresos con recursos limitados. Considerando el
problema desde este punto de vista, el problema dual asociado ofrece interesantes
interpretaciones económicas del modelo de asignación de recursos.
Para formalizar el planteamiento, considere la siguiente representación de los

problemas primal y dual:

Considerado como un modelo de asignación de recursos, el problema primal consta

de n actividades económicas y m recursos. El coeficiente cj en el primal representa
el ingreso por unidad de la actividad j. El recurso i con disponibilidad bi se consume
a razón de aij unidades por unidad de actividad j.
La interpretación más descriptiva de los problemas primal y dual puede ser

establecida en la forma siguiente: Problema primal: Dada una unidad de valor para
cada producto (C), y dado el límite para la disponibilidad de cada insumo ¿Cuántas
unidades de cada producto (Xj) deben ser producidas con objeto de maximizar el
valor del producto total? Problema dual: Con una disponibilidad dada de cada
insumo (b) y un límite al valor unitario para cada producto (C), ¿Qué valores unitarios
deberían ser asignados a cada insumo (Y) con objeto de minimizar el valor del
insumo total? A las variables duales Y, se les conoce como costos marginales a
precios sombra.
Ejemplo
Considere que cierta empresa, dedicada a la fabricación de dos productos distintos

P1 y P2, dispone para su procesamiento de dos máquinas distintas M1 y M2, con
los siguientes requerimientos y disponibilidades (diarias)
Horas de M1 Horas de M2 Beneficio

P1 2 1 600
P2 1.5 0.25 300
Disponibilidad 1200 375
¿Cuántas unidades del producto P1 y P2 deben fabricarse para maximizar la
ganancia?

Maximizar 600X1 + 300X2
Sujeto a: 2X1 + 1.5X2 ≤ 1200
X1 + 0.25X2 ≤ 375
X1, X2≥ 0
Supongamos ahora que la empresa recibe oferta por los tiempos de ocupación de
las maquinas: es decir, la empresa deja de fabricar P1 y P2 y alquila las máquinas
M1 y M2, siempre y cuando le sea rentable. Desde el punto de vista del que desea
alquilar las máquinas, ¿Cuánto deberá ofrecer (diariamente) por cada hora de
máquina para minimizar su costo a la vez que la empresa acepte su oferta porque
le es rentable?
Nuevas variables de decisión:
yi = unidades monetarias que se ofrecen a la empresa por cada hora de trabajo de

la maquina M1
El objetivo de quien alquila es:
Minimizar 1200Y1 + 375Y2
Los precios pagados deben cumplir la restricción de que la empresa no pierda con
respecto a lo que obtendría si dedicase sus máquinas a la producción de P1 y P2.
2Y1 + Y2 ≥ 600
1.5Y1 + 0.25Y2 ≥ 300
Y1, Y2≥ 0
Es decir
Minimizar 1200Y1 + 375Y2
Sujeto a 2Y1 + Y2 ≥ 600
1.5Y1 + 0.25Y2 ≥ 300
Y1, Y2≥ 0

El primal era
Maximizar 600X1 + 300X2
Sujeto a: 2X1 + 1.5X2 ≤ 1200
X1 + 0.25X2 ≤ 375
X1, X2≥ 0
Maximizar vs Minimizar
Problema primal (P) Problema Dual (D)

Función objetivo: Maximizar Función objetivo: Minimizar
Vector de costos C Vector de recursos
Vector de recursos B Vector de costos
Matriz de coeficiente A Matriz de coeficiente traspuesta
Restricción ≤, =, ≥ Variable ≥ 0, ≤≥ 0, ≤ 0
Variable ≥ 0, ≤≥ 0, ≤ 0 Restricción ≤, =, ≥
Minimizar vs maximizar
Problema primal (P) Problema Dual (D)

Función objetivo: Minimizar Función objetivo: Maximizar
C, B, A B, C, A
Restricción ≤, =, ≥ Variable ≥ 0, ≤≥ 0, ≤ 0
Variable ≥ 0, ≤≥ 0, ≤ 0 Restricción ≤, =, ≥
2.3. Algoritmo simplex dual

El método simplex dual se inicia con una solución mejor que óptima y una solución
básica no factible. Las condiciones de optimalidad y factibilidad están diseñadas
para preservar la optimalidad de las soluciones básicas a medida que la solución se
mueve hacia la factibilidad.

- Condición dual de factibilidad. La variable de salida, xr, es la variable

básica que tiene el valor más negativo (los empates se rompen de forma
arbitraria). Si todas las variables básicas son no negativas, el algoritmo se
termina.1
- Condición dual de optimalidad. Dado que xr es la variable de salida, sea el
costo reducido de la variable no básica xj, y arj el coeficiente de restricción en
la fila xr y en la columna xj de la tabla. La variable de entrada es la variable
no básica con arj , 0 que corresponde a
(Los empates se rompen arbitrariamente). Si arj ≥ con todas las xj no básicas, el

problema no tiene una solución factible. Para iniciar la programación lineal óptima y
no factible, se debe cumplir con dos requisitos:
1. La función objetivo debe satisfacer la condición de optimalidad del método

simplex regular.
2. Todas las restricciones deben ser del tipo (≤).
Las desigualdades del tipo (≥) se convierten en (≤) al multiplicar ambos lados de la
desigualdad por -1. Si la PL incluye restricciones (=), la ecuación se puede
reemplazar por dos desigualdades. Por ejemplo, x1 + x2 = 1, equivale a x1 + x2 ≤
1, x1 + x2 ≥ 1, o x1 + x2 ≤ 1, -x1 + x2 = -1. La solución inicial es no factible si al
menos uno de los lados derechos de las desigualdades es negativo.
2.4. Introducción al análisis gráfico de sensibilidad

La asignación de probabilidades a los eventos es una tarea difícil de muchos
gerentes pueden mostrarse difícil a hacer, por lo menos con cierto grado de
exactitud. En algunos casos prefieren decir “creo que la probabilidad de que este
evento ocurra está entre 0.5 y 0.7”. Bajo estas circunstancias, como cualquier
aspecto de decisión gerencial, es útil realizar un análisis de sensibilidad para
determinar como afecta a la decisión la asignación de probabilidades.

En PL, los parámetros (datos de entrada) del modelo pueden cambiar dentro de
ciertos límites sin que cambie la solución óptima. Esto se conoce como análisis de
sensibilidad. En el análisis de sensibilidad gráfico se considerarán dos casos:
1. La sensibilidad de la solución óptima a los cambios de la disponibilidad de

los recursos (lado derecho de las restricciones).
2. La sensibilidad de la solución óptima a los cambios en la utilidad unitaria o el
costo unitario (coeficientes de la función objetivo).
EJERCICIO: JOBCO fabrica dos productos en dos máquinas. Una unidad del
producto 1 requiere 2 horas en la máquina 1, y 1 hora en la máquina 2. Una unidad
del producto 2 requiere 1 hora en la máquina 1, y 3 horas en la máquina 2. Los
ingresos por unidad de los productos 1 y 2 son de $30 y $20, respectivamente. El
tiempo de procesamiento diario total disponible en cada máquina es de 8 horas.
Producto 1 Producto 2 Disponibilidad

Maquina 1 2 horas 1 hora 8 horas
Maquina 2 1 hora 3 horas 8 horas
Utilidad $30 $20
Maximizar Z = 30X1 + 20X2
Sujeto a Solución
2X1 + X2  8 (Maquina 1) X1= 3.2, X2=1.6 Z=128
X1 + 3X2  8 (Máquina 2)
X1, X2  0

Figura 2: Sensibilidad gráfica de la solución óptima a cambios en la disponibilidad

de recursos (lado derecho de las restricciones)
Contestar los siguientes problemas de decisión:
• Pregunta 1. Si JOBCO puede incrementar la capacidad de ambas máquinas,

¿cuál máquina tendrá la prioridad?
• Pregunta 2. Se sugiere incrementar las capacidades de las máquinas 1 y 2
al costo adicional de $10/h para cada máquina. ¿Es esto aconsejable?
• Pregunta 3. Si la capacidad de la máquina 1 se incrementa de 8 a 13 horas,
¿cómo impactará este incremento al ingreso óptimo?
• Pregunta 4. Suponga que los ingresos unitarios producidos para los
productos 1 y 2 cambian a $35 y $25, respectivamente. ¿Permanecerá igual
el óptimo actual?

• Pregunta 5. Suponga que el ingreso unitario del producto 2 se fija a su valor

actual c2 = $20. ¿Cuál es el intervalo de optimalidad asociado para el ingreso
unitario del producto 1, c1, que mantendrá el óptimo sin cambio?
2.5. Análisis post óptimo de sensibilidad
2.5.1. Cambios que afectan la factibilidad
Cambios en el lado derecho
La figura 2 ilustra el cambio de la solución óptima cuando se cambia la capacidad
de la máquina 1. Si la capacidad diaria se incrementa de 8 a 9 horas, el nuevo
óptimo se moverá al punto G. La tasa de cambio en la z óptima a consecuencia del
cambio de la capacidad de la máquina 1 de 8 a 9 horas se calcula como:
𝑇𝑎𝑠𝑎 𝑑𝑒 𝑐𝑎𝑚𝑏𝑖𝑜 𝑑𝑒𝑙 𝑖𝑛𝑔𝑟𝑒𝑠𝑜
𝑎 𝑐𝑜𝑛𝑠𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑑𝑒𝑙 𝑖𝑛𝑐𝑟𝑒𝑚𝑒𝑛𝑡𝑜 𝑍𝑔−𝑍𝑐 142−128
( ) = 𝐶𝑎𝑚𝑏𝑖𝑜 𝑑𝑒 𝑙𝑎 𝑐𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 = 9−8 = $14/h
𝑑𝑒 𝑙𝑎 𝑐𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑑𝑒 𝑙𝑎 𝑚á𝑞𝑢𝑖𝑛𝑎 1
𝑒𝑛 1 ℎ𝑜𝑟𝑎 (𝑝𝑢𝑛𝑡𝑜 𝐶 𝑎 𝑝𝑢𝑛𝑡𝑜 𝐺
La tasa calculada proporciona un vínculo directo entre los datos de entrada al
modelo (recursos) y sus resultados (ingreso total). Se dice que un incremento
unitario (reducción) en la capacidad de la máquina 1 aumentará (reducirá) el ingreso
en $14.00.
El nombre valor unitario de un recurso es una descripción apropiada de la tasa de
cambio de la función objetivo por cambio unitario de un recurso. No obstante, los
primeros desarrollos de la PL acuñaron el nombre abstracto de precio dual (o
sombra), y ahora este nombre es un estándar en toda la literatura de PL y en
paquetes de “software”.
Rango de factibilidad
En la figura 2 podemos ver que el precio dual de $14/h permanece válido para
cambios (incrementos o reducciones) en la capacidad de la máquina 1 que mueven
su restricción paralela a sí misma a cualquier punto sobre el segmento de línea BF.
Calculamos las capacidades de la máquina 1 en los puntos B y F como sigue:
Capacidad mínima de la máquina 1 [en B = (0.267)] = 2 x 0 + 1 x 2.67 = 2.67 h

Capacidad máxima de la máquina 1 [en F = (8,0)] = 2 x 8 + 1 x 0 = 16 h

La conclusión es que el precio dual de $14/h permanece válido en el intervalo

2.67 h ≤ Capacidad de la máquina 1 ≤ 16 h
Los cambios fuera de este intervalo producen un precio dual diferente (valor por
unidad).
Elaborando cálculos similares podemos verificar que el precio dual para la
capacidad de la máquina 2 es de $2.00/h, y que no cambia cuando su capacidad se
mantiene dentro del segmento de línea DE. Ahora,
Capacidad mínima de la máquina 2 [en D 5 (4,0)] = 1 x 4 + 3 x 0 = 4 h
Capacidad máxima de la máquina 2 [en E 5 (8,0)] = 1 x 0 + 3 x 8 = 24 h
Por lo tanto, el precio dual de $200/h para la máquina 2 no cambia dentro del
intervalo
4 h ≤ Capacidad de la máquina 2 ≤ 24 h
Los límites calculados para las máquinas 1 y 2 se conocen como intervalos de
factibilidad.
• Pregunta 1. Si JOBCO puede incrementar la capacidad de ambas máquinas,
¿cuál máquina tendrá la prioridad?
Según los precios duales para las máquinas 1 y 2, cada hora adicional de la máquina
1 incrementa el ingreso en $14, en comparación con sólo $2 para la máquina 2. Por
lo tanto, la máquina 1 debe tener la prioridad.
• Pregunta 2. Se sugiere incrementar las capacidades de las máquinas 1 y 2
al costo adicional de $10/h para cada máquina. ¿Es esto aconsejable?
Para la máquina 1, el ingreso neto adicional por hora es 14 - 10 = $4, y para la
máquina 2, es $2 - $10 = -$8. Por consiguiente, sólo la máquina 1 debe considerarse
para el incremento de capacidad.
• Pregunta 3. Si la capacidad de la máquina 1 se incrementa de 8 a 13 horas,
El precio dual para la máquina 1 es $14 y es válido en el intervalo (2.67,16) h. El
incremento propuesto de 13 horas queda comprendido dentro del intervalo de
factibilidad. Por consiguiente, el incremento del ingreso es $14(13 - 8) = $70, lo que
significa que el ingreso total se incrementará de $128 a $198 (= $128 + $70).

Si la capacidad de la máquina 1 se incrementa a 20 horas, el cambio propuesto

queda fuera del intervalo de factibilidad (2.67,16) h. Por lo tanto, sólo podemos
hacer una conclusión inmediata con respecto a un incremento hasta de 16 horas.
2.5.2. Cambios que afectan la optimalidad
Cambios en los coeficientes de la función objetivo
La figura 3 muestra el espacio de soluciones gráficas del problema de JOBCO. El
óptimo ocurre en el punto C (x1 = 3.2, x2 = 1.6, z = 128). Los cambios en unidades
de ingresos (es decir, los coeficientes de la función objetivo) modificarán la
pendiente de z. Sin embargo, como puede verse en la figura, la solución óptima en
el punto C no cambia en tanto la función objetivo quede entre las líneas BF y DE.
Figura 3: Sensibilidad gráfica de la solución óptima a cambios en las unidades de

ingreso (coeficiente de la función objetivo)

¿Cómo podemos determinar los intervalos para los coeficientes de la función

objetivo que mantendrán inalterable la función óptima en C? Primero, escribimos la
función objetivo en el formato general
Maximizar z = C1X1 + C2X2
Rango de optimalidad
Imagine ahora que la línea z está pivotada en C y que puede girar en el sentido de
las manecillas del reloj, así como en el sentido contrario. La solución óptima
permanecerá en el punto C en tanto z = C1X1 + C2X2 quede entre las dos líneas
𝑐1 1
X1 + 3X2 = 8, y 2X1 + X2 = 8. Esto significa que la relación puede variar entre
𝑐2 3
2
y 1 ,lo que resulta en el siguiente intervalo de optimalidad:
1 𝑐1 2 𝑐1
≤ ≤ o 0.333 ≤ ≤2
3 𝑐2 1 𝑐2
Esta información proporciona respuestas inmediatas con respecto a la solución
óptima como la siguiente pregunta lo demuestra:
productos 1 y 2 cambian a $35 y $25, respectivamente. ¿Permanecerá igual
el óptimo actual?
La nueva función objetivo es
Maximizar z = 35X1 + 25X2
La solución en C permanecerá óptima porque permanece dentro del intervalo de
optimalidad (.333,2). Cuando la relación queda afuera de este intervalo, se
requieren más cálculos para determinar el nuevo óptimo. Observe que, aunque los
valores de las variables en el punto óptimo C no cambian, el valor óptimo de z
cambia a 35 x (3.2) + 25 x (1.6) = $152.
• Pregunta 5. Suponga que el ingreso unitario del producto 2 se fija a su valor

actual c2 = $20. ¿Cuál es el intervalo de optimalidad asociado para el ingreso
unitario del producto 1, c1, que mantendrá el óptimo sin cambio?
1 𝑐1
Sustituyendo C2 = 20 en la condición ≤ ≤ 2, obtenemos
3 𝑐2
1
x 20 ≤ C1 ≤ 2 x 20 o 6.67 ≤ C1 ≤ 40
3

Este intervalo asume implícitamente que c2 se mantiene fijo en $20. Del mismo
modo podemos determinar el intervalo de optimalidad para c2 si fijamos el valor de
c1 en $30. Por lo tanto,
30
(C2 ≤ 30 x 3 y C2 ≥ ) o 15 ≤ C2 ≤ 90
2

2.6. Ejercicios
1. La Sony Company está produciendo sus 2 artículos más demandados (1) Teléfono (2)
Smarth TV.
• Cada teléfono lleva 4 horas de trabajo electrónico y 4 horas de ensamble.

• Cada Smarth TV requiere 5 horas de electrónica y 2 horas de ensamble.
Durante el proceso de producción están disponibles 320 horas de tiempo de electrónica y
140 horas del departamento de ensamble. Cada teléfono aporta una utilidad de $70 USD y
cada Smarth TV puede ser vendida en $50 USD. Determinar la cantidad a producir,
utilizando la solución gráfica (zona factible) del este problema de programación lineal
Consumo de tiempo por cada unidad
de producto horas
Tiempo disponible en cada
Proceso Teléfono Smarth TV departamento, horas
Electrónica 4 5 320
Ensamble 4 2 140
Contribución unitaria del producto $70 $50
Max z = $70X1 + $50X2

Solución
s. a 4X1 + 5X2  320 (Electrónica)
X1= 5, X2=60 Z=3350
4X1 + 2X2  140 (Ensamble)
X1, X2  0
F (0,70)
B (0,64)
A D E
(80,0)
(35, 0)

• Pregunta 1. Si Sony puede incrementar la capacidad (considere aumentar

10 horas) de ambos departamentos, ¿cuál departamento tendrá la prioridad?
• Pregunta 2. Se sugiere incrementar las capacidades de los departamentos
de electrónica y ensamble al costo adicional de $8/h para cada
departamento. ¿Es esto aconsejable?
• Pregunta 3. Si la capacidad del departamento de ensamble se incrementa
de 140 a 200 horas, ¿cómo impactará este incremento al ingreso óptimo?
teléfonos y Smarth TV cambian a $90 y $70, respectivamente. ¿Permanecerá
igual el óptimo actual?
• Pregunta 5. Suponga que el ingreso unitario del teléfono y smarth TV se fija
a su valor actual c1 = $70 y c2 = $50 ¿Cuál es el intervalo de optimalidad
asociado para el ingreso unitario del teléfono y del Smarth TV, que mantendrá
el óptimo sin cambio?
2. Una compañía fabrica dos tipos de juguetes: Soldado y trenes de madera que
pasan en forma sucesiva por tres departamentos. El tiempo por departamento
asignado a los dos juguetes está limitado a 10 hrs/día. El tiempo de producción y la
ganancia por unidad de cada producto se dan a continuación.
Ganancia
Tiempo de producción minutos ($/unidad)
Departamento Departamento Departamento
Juguetes 1 2 3
Soldado 10 min 6 min 8 min $28
Tren 5 min 20 min 15 min $35
Disponibilidad 600 min 600 min 600 min
Max Z = 28X1 + 35X2 Solución

s. a 10X1 + 5X2  600 (Departamento 1)
X1= 54.55, X2=10.91
6X1 + 20X2  600 (Departamento 2)
Z=$1909.25
8X1 + 15X2  600 (Departamento 3)
X1, X2  0

I (0,120)
H (0,40)
B (0,30)
E (60,0) F (75,0) G (100,0)
• Pregunta 1. Si compañía puede incrementar la capacidad (considere aumentar 40

horas) de ambos departamentos, ¿cuál departamento tendrá la prioridad?
• Pregunta 2. Se sugiere incrementar las capacidades de los departamentos 1 y 3 al
costo adicional de $1.5/h para cada departamento. ¿Es esto aconsejable?
• Pregunta 3. Si la capacidad del departamento 3 se incrementa de 600 a 900 horas,
• Pregunta 4. Suponga que los ingresos unitarios producidos para los soldados y
trenes cambian a $30 y $60, respectivamente. ¿Permanecerá igual el óptimo actual?
• Pregunta 5. Suponga que el ingreso unitario del soldado y del tren se fija a su valor
actual c1 = $28 y c2 = $35 ¿Cuál es el intervalo de optimalidad asociado para el
ingreso unitario del soldado y tren, que mantendrá el óptimo sin cambio?

III. UNIDAD: MODELOS ESPECIALES DE PROGRAMACIÓN LINEAL:

TRANSPORTE, ASIGNACIÓN Y TRANSBORDO
3.1. Descripción general del problema de transporte

El problema general de transporte ser refiere a la distribución de mercancías desde
cualquier conjunto de centro de suministros; denominados orígenes (fuentes), hasta
cualquier conjunto de centros de recepción, llamados destinos, de tal forma que se
minimicen los costos totales de distribución. Cada origen tiene que distribuir ciertas
unidades a los destinos y cada destino tiene cierta demanda de unidades que deben
recibir de los orígenes.
3.1.1. Representación gráfica
Como se puede observar cualquier modelo de transporte se compone de unidades

de un bien a distribuir, m orígenes, n destinos, recursos en el origen, demanda en
los destinos y costos de distribución por unidad. Adicionalmente, se tienen varios
supuestos.
Figura 4: Representación del modelo de transporte con nodos y arcos
Los únicos datos necesarios para un problema de transporte son suministros,

demandas y costos unitarios. Estos son los parámetros del modelo. Todos estos
parámetros se pueden resumir en la siguiente tabla de parámetros.

Tabla 5: Tabla de parámetros del problema de transporte
Significado de variables
Xij = unidades a enviar desde la fuente i-ésima (i= 1,…, m) al destino j-ésimo (j =
1,…, n)
Cij = costo de enviar una unidad desde la fuente i-ésima al destino j-ésimo
ai = Disponibilidad (oferta) en unidades de la fuente i-ésima
bj = Requerimientos (demanda) en unidades, del destino j-ésimo.
Lo disponible = Lo requerido → Oferta = Demanda → Mercado perfecto
La terminología utilizada en estos problemas se resume en la siguiente tabla:
Problema general Ejemplo

Unidades de un bien Cargas de latas de tomate
m orígenes Cuatro enlatadoras
n destinos Cuatro almacenes
Si recursos en el origen i Producción de la enlatadora i
Demanda dj en el destino j Asignación al almacén j
Costo Cij por unidad distribuida desde Costo de envío por carga desde la
el origen i al destino j enlatadora i al almacén j.

Supuestos
1. Supuestos de requerimientos: cada origen tiene un suministro fijo de

unidades que se deben distribuir por completo entre los destinos.
2. Supuestos de costo: el costo de distribuir unidades de un origen a un destino
cualquiera es directamente proporcional al número de unidades distribuidas
3. Propiedades de soluciones factibles: un problema de transporte tiene
soluciones factibles si y solo sí la sumatoria de recursos en lo m es iguala a
la sumatoria de demandas en los destinos n.
4. Propiedad de soluciones enteras. En los casos en los que tanto los recursos
como las demandas toman un valor entero, todas las variables básicas
(asignaciones), de cualquiera de las soluciones básicas factibles (inclusive la
solución óptima), asumen también valores enteros.
3.1.2. Modelo matemático de un problema de transporte
Debido a la particularidad del modelo de transporte la forma tabular simplex

adquiere una estructura que facilita el proceso de asignación a las variables básicas,
tal como se muestra a continuación.

En los renglones se ubican los orígenes indicando en la columna de la derecha los

recursos (oferta disponible). En las columnas se ubican los distintos destinos
indicando en el último renglón los totales demandados. En el pequeño recuadro
ubicado en la margen superior derecha se indica el costo de distribuir una unidad
desde el origen hasta ese destino y en la parte inferior de cada recuadro se registran
las asignaciones Xi para cada variable. En los casos donde la sumatoria de los
recursos y las demandas no sean las mismas, se agrega un origen o destino ficticio
con la cantidad que permita cumplir la propiedad de soluciones factibles.
3.2. Determinación de una solución básica inicial

Un modelo de transporte general con m orígenes y n destinos tiene m + n
ecuaciones de restricción, una por cada origen y cada destino. Sin embargo, como
el modelo de transporte siempre está balanceado (suma de la oferta = suma de la
demanda) una de las ecuaciones es redundante, por lo que el modelo se reduce a
m + n - 1 ecuaciones independientes y m + n - 1 variables básicas.
La estructura especial del problema de transporte permite asegurar una solución

básica inicial no artificial siguiendo uno de los tres métodos:
3.2.1. Método de la esquina noroeste
El método de la esquina noroeste es un algoritmo heurístico capaz de solucionar

problemas de transporte o distribución mediante la consecución de una solución
básica inicial que satisfaga todas las restricciones existentes sin que esto implique
que se alcance el costo óptimo total.

Este método tiene como ventaja frente a sus similares la rapidez de su ejecución, y
es utilizado con mayor frecuencia en ejercicios donde el número de fuentes y
destinos sea muy elevado.
Algoritmo de resolución de la esquina Noroeste
Se parte por esbozar en forma matricial el problema, es decir, filas que represente
fuentes y columnas que representen destinos, luego el algoritmo debe iniciar en la
celda, ruta o esquina noroeste de la tabla (esquina superior izquierda).
Destinos
Esquina noroeste
Fuentes
Pasos
1. En la celda seleccionada como esquina noroeste se debe asignar la máxima

cantidad de unidades posibles, cantidad que se ve restringida ya sea por las
restricciones de oferta o demanda. En este mismo paso se procede a ajustar
la oferta y demanda de la fila y columna afectada, restándole la cantidad
asignada a la celda.
2. En este paso se procede a eliminar la fila o destino cuya oferta o demanda
sea 0 después del paso 1, si dado el caso ambas son cero arbitrariamente
se elige cual eliminar y la restante se deja con demanda u oferta cero (0)
según sea el caso.
3. Una vez en este paso existen dos posibilidades, la primera que quede un
solo renglón o columna, si este es el caso se ha llegado al final el método,
“detenerse”.
La segunda es que quede más de un renglón o columna, si este es el caso iniciar

nuevamente el “paso 1”.

Ejemplo del Método de la Esquina noroeste
Una empresa energética nicaragüense dispone de cuatro plantas de generación

para satisfacer la demanda diaria eléctrica en cuatro ciudades, Managua, Granada,
León y Chinandega. Las plantas 1,2,3 y 4 pueden satisfacer 80, 30, 60 y 45 millones
de kw al día respectivamente. Las necesidades de las ciudades de Managua,
Granada, León y Chinandega son de 70, 40, 70 y 35 millones de kw al día
respectivamente. Los costos asociados al envío de suministro energético por cada
millón de kw entre cada planta y cada ciudad son los registrados en la siguiente
tabla:
Managua Granada León Chinandega Oferta

Planta 1 5 2 7 3 80
Planta 2 3 6 6 1 30
Planta 3 6 1 2 4 60
Planta 4 4 3 6 6 45
Demanda 70 40 70 35

Planta 1 70 5 2 7 3 80
Planta 2 0 3 6 6 1 30
Planta 3 6 1 2 4 60
Planta 4 4 3 6 6 45
Demanda 70 40 70 35
Esta es la Esquina Noroeste, aquí asignaremos el mayor número de

unidades posibles, en este caso “70”, dado que la demanda de
Managua restringe un número mayor
Ahora la cantidad asignada a la esquina noroeste es restada a la demanda de

Managua y a la oferta de la “Planta 1”, en un procedimiento muy lógico. Dado que
la demanda de Managua una vez restada la cantidad asignada es cero (0), se
procede a eliminar la columna. El proceso de asignación nuevamente se repite.


Planta 1 5 10 2 7 3 10
Planta 2 3 0 6 6 1 30
Planta 3 6 1 2 4 60
Planta 4 4 3 6 6 45
Demanda 70 40 70 35
Esta es la nueva esquina noroeste,

ahora la restricción de la asignación es
la oferta de la “Planta 1” cuyo valor es 10

Planta 1 5 2 7 3 80
Planta 2 3 30 6 6 1 30
Planta 3 6 1 2 4 60
Planta 4 4 3 6 6 45
Demanda 70 30 70 35
En este caso como la oferta y la demanda presentan el mismo

valor, este es asignado a la esquina noroeste y una vez se resta
a la oferta y la demanda se elimina arbitrariamente uno de los dos,
el otro permanece con oferta o demanda cero (0)
En este caso nos encontramos frente a la elección de la fila o columna a eliminar

(tachar), sin embargo, podemos utilizar un criterio mediante el cual eliminemos la
fila o columna que presente los costos más elevados. En este caso la “Planta 2”.

Planta 1 5 2 7 3 80
Planta 2 3 6 6 1 30
Planta 3 6 1 60 2 4 60
Planta 4 4 3 6 6 45
Demanda 70 0 70 35
En este caso la esquina noroeste no se le

pueden asignar valores, por ende se busca otra

Una vez finalizada la asignación, se elimina la “Planta 3”, asignamos las unidades
estrictamente requeridas y hemos finalizado el método.

Planta 1 5 2 7 3 80
Planta 2 3 6 6 1 30
Planta 3 6 1 2 4 60
Planta 4 4 3 10 6 35 6 45
Demanda 70 0 10 35

Planta 1 70 10 80
Planta 2 30 30
Planta 3 60 60
Planta 4 10 35 45
Demanda 70 40 70 35
Los costos asociados a la distribución son:
Actividad de Costo x Contribución

la variable unidad
70 5 350
10 2 20
30 6 180
60 2 120
10 6 60
35 6 210
Total 940
El costo total es evidentemente superior al obtenido mediante programación lineal

y el método de aproximación de Vogel, lo cual demuestra lo enunciado en la
descripción del algoritmo que cita que no obtiene siempre la mejor solución, sin

embargo, presenta un cumplimiento de todas las restricciones y una rapidez de

elaboración, lo cual es una ventaja en problemas con innumerables fuentes y
destinos en los cuales no nos importe más que satisfacer las restricciones.
3.2.2. Método del costo mínimo
Es un algoritmo desarrollado con el objetivo de resolver problemas de transporte o

distribución, arrojando mejores resultados que los métodos como el de la esquina
noreste, dado que se enfoca en las rutas que presentan mejores costos. El método
del costo mínimo determina una mejor solución inicial al concentrarse en las rutas
más económicas. Asigna lo más posible a la celda con el costo unitario mínimo (los
empates se rompen arbitrariamente). Luego se tacha la fila o columna satisfecha y
se ajustan las cantidades de oferta y demanda como corresponda. Si una fila o una
columna se satisfacen al mismo tiempo, sólo se tacha una, igual que en el método
de la esquina noroeste. A continuación, seleccione la celda no tachada con el costo
unitario mínimo y repita el proceso hasta que se deje sin tachar exactamente una
fila o columna.
Pasos
- Paso 1: De la matriz se elige la celda menos costosa (en caso de un empate,

este se rompe arbitrariamente) y se le asigna la mayor cantidad de unidades
posibles, cantidad que se ve restringida ya sea por las restricciones de oferta
y demanda.
- Paso 2: Se repite el paso 1 en la siguiente celda con el coste menor y se
hace la asignación de acuerdo a la restricción de la demanda y la oferta. Se
repite este procedimiento hasta agotar todas las ofertas y satisfacer todas las
demandas
- Paso 3: Calcular el costo total de envíos.

3.2.3. Método de aproximación de Vogel
Este método es una versión mejorada del método del costo mínimo que por lo
general, pero no siempre, produce mejores soluciones iniciales.
- Paso 1. Para cada fila (columna) determine una medida de penalización

restando el elemento de costo unitario mínimo en la fila (columna) del
siguiente elemento de costo mínimo en la misma fila (columna).
- Paso 2. Identifique la fila o columna con la penalización máxima, que rompa
los empates arbitrariamente. Asigne lo más posible a la variable con el costo
unitario mínimo en la fila o columna seleccionada. Ajuste la oferta y la
demanda, y tache la fila o columna satisfecha. Si una fila y una columna se
satisfacen al mismo tiempo, sólo se tacha una de las dos, y a la fila restante
(columna) se le asigna una oferta (demanda) cero.
- Paso 3.
a) Si exactamente una fila o columna con oferta o demanda cero permanece
sin tachar, deténgase.
b) Si una fila (columna) con oferta (demanda) positiva permanece sin tachar,
determine las variables básicas en la fila (columna) mediante el método del
costo mínimo. Deténgase.
c) Si todas las filas y columnas no tachadas tienen oferta y demanda cero
(restantes), determine las variables básicas cero por el método del costo
mínimo. Deténgase.
d) De lo contrario, vaya al paso 1.
3.3. El modelo de asignación: Método Húngaro

El modelo de asignación clásico se ocupa de compaginar a los trabajadores (con
diversas habilidades) con los trabajos. Presumiblemente, la variación de la habilidad
afecta el costo de completar un trabajo. La meta es determinar la asignación de
costo mínimo de los trabajadores a los trabajos. El modelo de asignación general
con n trabajadores y n trabajos está representado en la tabla 5.31. El elemento cij
representa el costo de asignar el trabajador i al trabajo j (i,j = 1, 2,…,n). No se pierde
la generalidad al suponer que la cantidad de trabajadores y la de los trabajos son

iguales, porque siempre podemos agregar trabajadores o trabajos ficticios para

satisfacer esta suposición.
Tabla 6: Modelo de asignación
El modelo de asignación es un caso especial del modelo de transporte, donde los

trabajadores representan los orígenes y los trabajos representan los destinos. La
oferta (demanda) en cada origen (destino) es igual a 1. El costo de “transportar” al
trabajador i al trabajo j es cij. De hecho, el modelo de asignación puede resolverse
de forma directa como un modelo de transporte (o como una PL regular). Sin
embargo, el hecho de que la oferta y la demanda sean iguales a 1 conduce al
desarrollo de un algoritmo de solución simple llamado método húngaro. Aunque el
nuevo método de solución parece totalmente ajeno al modelo de transporte, en
realidad el algoritmo tiene su origen en el método simplex, al igual que el modelo de
transporte.
Método húngaro
Utilizaremos dos ejemplos para presentar la mecánica del nuevo algoritmo. La

siguiente sección proporciona una explicación del procedimiento basada en
simplex.
Ejemplo: Los tres hijos de Joe Klyne, John, Karen y Terri, desean ganar algún dinero
para sus gastos personales. El señor Klyne eligió tres tareas para sus hijos: podar
el césped, pintar la puerta de la cochera y lavar los automóviles de la familia. Para
evitar la competencia anticipada entre los hermanos, les pide que presenten
licitaciones individuales (secretas) por lo que consideren un pago justo por cada una

de las tres tareas. La tabla 7 resume las licitaciones recibidas. Los niños respetarán
la decisión de su padre con respecto a la asignación de las tareas.
Tabla 7: Problema de asignación del señor Klyne
Podar Pintar Lavar

John $15 $10 $9
Karen $9 $15 $10
Terri $10 $12 $8
El problema de asignación se resolverá por el método húngaro.
- Paso 1. Determine pi, el elemento de costo mínimo en la fila i de la matriz de

costos original, y réstelo de todos los elementos de la fila i, i = 1, 2, 3.
- Paso 2. Para la matriz creada en el paso 1, determine qj, el elemento de
costo mínimo de la columna j, y réstelo de todos los elementos de la columna
j, j = 1, 2, 3.
- Paso 3. A partir de la matriz del paso 2, intente determinar una asignación
factible entre todas las entradas cero resultantes.
3a. Si puede hallarse esa asignación, es óptima.
3b. De lo contrario, se requieren más cálculos
Se demuestra la aplicación de los dos pasos la problema actual

Las celdas con entradas cero subrayadas en el paso 3 dan la solución óptima
(factible): John obtiene el trabajo de pintar, Karen el de podar el césped, y Terri
obtiene el de lavar los automóviles de la familia. El costo total para el señor Klyne
es 9 + 8 + 8 = $27. Esta cantidad siempre será igual (p1 + p2 + p3) + (q1 + q2 + q3)
= (9 + 9 + 8) + (0 + 1 + 0) = $27.
Como se indica en el paso 3 del método húngaro, los ceros creados por los pasos
1 y 2 pueden no dar una solución factible de forma directa. En este caso, se
necesitan más pasos para determinar la asignación óptima (factible). El siguiente
ejemplo demuestra esta situación.

3.4. Ejercicios
- Determinar los costos asociados de cada uno de los problemas de transporte
utilizando los tres métodos de transporte.
Ejercicio 1: La empresa PRONIC S.A dispone de cuatro plantas de productos alimenticios

para satisfacer la demanda diaria en 4 ciudades: CHONTALES, BOACO, JINOTEGA y
MATAGALPA. Las plantas 1, 2, 3 y 4 pueden satisfacer 100, 120, 80, 95 miles de productos
al día respectivamente. Las necesidades de las ciudades son: de 125, 50, 130 y 90 miles
de productos al día respectivamente. Los costos asociados al envío por cada mil de
producto entre cada planta y cada unidad se muestran en la siguiente tabla: De acuerdo
con las especificaciones del problema podemos completar la tabla de la siguiente manera.
CHONTALES BOACO JINOTEGA MATAGALPA OFERTA

Planta 1 2 3 4 6 100
Planta 2 1 5 8 3 120
Planta 3 8 5 1 4 80
Planta 4 4 5 6 3 95
Demanda 125 50 130 90
Ejercicio 2:
Ciudad 1 Ciudad 2 Ciudad 3 Ciudad 4 OFERTA

Almacén 1 5 8 6 5 40
Almacén 2 7 4 7 3 50
Almacén 3 4 5 4 6 30
Demanda 30 20 30 40

Ejercicio 3
Ciudad 1 Ciudad 2 Ciudad 3 Ciudad 4 OFERTA

Planta 1 10 0 20 11 15
Planta 2 12 7 9 20 25
Planta 3 0 14 16 18 5
Demanda 5 15 15 10
Ejercicio 5
Destino 1 Destino 2 Destino 3 OFERTA

Planta 1 10 14 20 8
Planta 2 12 16 8 6
Planta 3 7 8 5 7
Demanda 9 6 6
Ejercicio 6
Managua Masaya León Chinandega OFERTA

Planta 1 5 2 7 3 80
Planta 2 3 6 6 1 30
Planta 3 6 1 2 4 60
Planta 4 4 3 6 6 45
Demanda 70 40 70 35
Ejercicio 7: La Compañía Childfair tiene tres plantas de producción de carros para bebés
que deben distribuirse a cuatro centros de distribución. Las plantas 1, 2 y 3 producen 12,
17 y 11 cargamentos por mes, respectivamente. Cada centro de distribución necesita recibir
10 cargamentos por mes. En la siguiente tabla se da la distancia de cada planta a su
respectivo centro de distribución:

Distancia
Centro de distribución
1 2 3 4
Planta 1 800 millas 1300 millas 400 millas 700 millas
El costo del flete de cada embarque es de $100 más 0.50 centavos por milla. ¿Cuánto se
debería embarcar a cada centro de distribución para minimizar el costo total del envío?
Ejercicio 8: La Onenote Co., que fabrica un solo producto, tiene tres plantas y cuatro
clientes. Las plantas respectivas podrán producir 60, 80 y 40 unidades, durante el siguiente
periodo. La empresa se ha comprometido a vender 40 unidades al cliente 1, 60 unidades al
cliente 2 y por lo menos 20 unidades al cliente 3. Tanto el cliente 3 como el 4 desean
comprar tantas unidades como sea posible de las restantes. La ganancia neta asociada con
el envío de una unidad de la planta i al cliente j está dada en la tabla:
Cliente
1 2 3 4
Planta 1 $800 $700 $500 $200
Planta 2 $500 $200 $100 $300
Planta 3 $600 $400 $300 $500
La administración desea saber cuántas unidades debe vender a los clientes 3 y 4, y cuántas
unidades conviene enviar de cada planta a cada cliente, para maximizar la ganancia.
Formule este problema como un problema de transporte donde la función objetivo sea
maximizar mediante la construcción de la tabla de parámetros apropiada que proporcione
las unidades de ganancia.

Bibliografía
Hillier, F. S., & Lieberman, G. J. (2010). Introducción a la Investigación de Operaciones
(Novena ed.). Mexico: McGraw-Hill.
Taha, H. A. (2012). Investigación de Operaciones (Novena ed.). Mexico: Pearson
Educacion .

Modulo Investigacion de Operaciones I PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Modulo Investigacion de Operaciones I PDF

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DE INGENIERIA

FACULTAD DE CIENCIAS Y SISTEMAS

MODULO DE ASIGNATURA: INVESTIGACIÓN DE

ELABORADO: ING. NELTON JOSE ROCHA SOLANO

I. UNIDAD: ELEMENTOS DE PROGRAMACION LINEAL

Los problemas y la necesidad de encontrar la mejor forma de resolverlos crearon el

Como herramienta de toma de decisiones, la IO es tanto una ciencia como un arte.

Modelos de investigación de operaciones

Imagine que tiene un compromiso de negocios que requiere 5 semanas de traslado

Podemos considerar la situación como un problema de toma de decisiones, cuya

1. ¿Cuáles son las alternativas de decisión?

AUTOR: ING. NELTON ROCHA 3

Se consideran tres alternativas razonables:

1. Comprar cinco boletos normales FYV-DEN-FYV para salir el lunes y regresar

La restricción en estas opciones es que pueda salir de FYV el lunes y regresar el

• Costo de la alternativa 1 = 5 x 400 = $2000

La alternativa 3 es la mejor porque es la más económica.

Aunque el ejemplo anterior ilustra los tres componentes principales de un modelo

En contraste con el ejemplo de los boletos, el número de alternativas en este

AUTOR: ING. NELTON ROCHA 4

w = ancho del rectángulo en pulgadas,

h = altura del rectángulo en pulgadas.

Con base en estas definiciones, las restricciones de la situación pueden expresarse

1. Ancho del rectángulo + altura del rectángulo = la mitad de la longitud del

Estas restricciones se traducen de manera algebraica como sigue

Ahora el único componente restante es el objetivo del problema; es decir, maximizar

Utilizando cálculo diferencial, la mejor solución de este modelo es la cual requiere

Maximizar o minimizar Función objetivo

AUTOR: ING. NELTON ROCHA 5

y h son variables no negativas. Esta definición conduce a una infinidad de

Aunque los modelos de IO están diseñados para “optimizar” un criterio objetivo

1.2. Importancia de la modelación

La figura 1 ilustra los niveles de abstracción que caracterizan el desarrollo de un

AUTOR: ING. NELTON ROCHA 6

sistema real. El modelo expresa de una manera razonable las funciones

Para ilustrar los niveles de abstracción en el modelado, considere la Tyko

Una pregunta lógica al analizar la situación de Tyko es la determinación del tamaño

Figura 1: Niveles de abstracción en el desarrollo de un modelo

Al examinar todo el sistema se ve que algunas variables pueden incidir directamente

1. Departamento de producción: Capacidad de producción expresada en

AUTOR: ING. NELTON ROCHA 7

3. Departamento de ventas: Pronóstico de ventas, capacidad de las

La determinación de la tasa de producción implica variables como la capacidad de

1.3. Problema de programación lineal

AUTOR: ING. NELTON ROCHA 8

La programación lineal utiliza un modelo matemático para describir el problema. El

Aunque la asignación de recursos a las actividades es la aplicación más frecuente,

1. Definición del problema.

AUTOR: ING. NELTON ROCHA 9

1. Definición del problema

La definición del problema implica definir el alcance del problema investigado.

Esta etapa incluye la determinación de los objetivos apropiados, las restricciones

Un aspecto muy importante de la formulación del problema es la determinación de

AUTOR: ING. NELTON ROCHA 10

Por su naturaleza, a la IO le concierne el bienestar de toda la organización, no sólo

Cuando se trata de organizaciones lucrativas, un enfoque posible para no caer en

2. Construcción o Formulación de un modelo matemático

Los modelos, o representaciones idealizadas, son una parte integral de la vida

La construcción del modelo implica un intento de transformar la definición del

Los modelos matemáticos también son representaciones idealizadas, pero están

AUTOR: ING. NELTON ROCHA 11

problema. De esta forma, si deben tomarse n decisiones cuantifi cables

Con frecuencia, tales expresiones matemáticas de las limitaciones reciben el

Z = 3x1 + 2x2 =320 + 260 = $180