2.

INTRODUCCIÓN A LA PROGRAMACIÓN LINEAL 

2.1. Introducción.
            Muchas personas clasifican el desarrollo de la Programación Lineal (PL) entre
los avances científicos más importantes de mediados del siglo XX. En la actualidad es
una herramienta común que ha ahorrado miles o millones de dólares a muchas compañías
y negocios, incluyendo industrias medianas en distintos países del mundo. ¿Cuál es la
naturaleza de esta notable herramienta y qué tipo de problemas puede manejar?
Expresado brevemente, el tipo más común de aplicación abarca el problema general de
asignar recursos limitados entre actividades competitivas de la mejor manera posible (es
decir, en forma óptima). Este problema de asignación puede surgir cuando deba elegirse
el nivel de ciertas actividades que compiten por recursos escasos para realizarlas. La
variedad de situaciones a las que se puede aplicar esta descripción es sin duda muy
grande, y va desde la asignación de instalaciones productivas a los productos, hasta la
asignación de los recursos nacionales a las necesidades de un país; desde la planeación
agrícola, hasta el diseño de una terapia de radiación; etc. No obstante, el ingrediente
común de todas estas situaciones es la necesidad de asignar recursos a las actividades.
            Con frecuencia, seleccionar una alternativa incluye satisfacer varios criterios al
mismo tiempo. Por ejemplo, cuando se compra una pieza de pan se tiene el criterio de
frescura, tamaño, tipo (blanco, integral u otro), costo y rebanado o sin rebanar. Se puede
ir un paso más adelante y dividir estos criterios en dos categorías: restricciones y el
objetivo. Las restricciones son las condiciones que debe satisfacer una solución que está
bajo consideración. Si más de una alternativa satisfacen todas las restricciones, el
objetivo se usa para seleccionar entre todas las alternativas factibles. Cuando se elige una
pieza de pan, pueden quererse 100 gr. de pan blanco rebanado y hecho no antes de ayer.
Si varias marcas satisfacen estas restricciones, puede aplicarse el objetivo de un costo
mínimo y escoger las más barata.
            Existen muchos problemas administrativos que se ajustan a este molde de tratar
de minimizar o maximizar un objetivo que está sujeto a una lista de restricciones. un
corredor de inversiones, por ejemplo, trata de maximizar el rendimiento sobre los fondos
invertidos pero las posibles inversiones están restringidas por las leyes y las políticas
bancarias. Un hospital debe planear que las comidas para los pacientes satisfagan ciertas
restricciones sobre sabor, propiedades nutritivas, tipo y variedad, al mismo tiempo que se
trata de minimizar el costo. Un fabricante, al planear la producción futura, busca un costo
mínimo al mismo tiempo cómo cumplir restricciones sobre la demanda del producto, la
capacidad de producción, los inventarios, el nivel de empleados y la tecnología. La PL se
ha aplicado con éxito a estos y otros problemas.
            La PL es una técnica determinista, no incluye probabilidades y 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 a programación en computadoras; en esencia es un sinónimo
de planeación. Así, la PL trata la planeación de las actividades para obtener un
resultado óptimo, esto es, el resultado que mejor alcance la meta especificada (según el
modelo) entre todas las opciones de solución. Aunque la asignación de recursos a las
actividades es la aplicación más frecuente, la PL tiene muchas otras posibilidades. De
hecho, cualquier problema cuyo modelo matemático se ajuste al formato general del
modelo de PL es un problema de PL.
 
 Supuestos de la programación lineal.
            Existe un número de suposiciones realizadas en cada modelo. La utilidad de un
modelo está directamente relacionada con la realidad de los supuestos.
            El primer supuesto tiene que ver con la forma lineal de las funciones. Ya que el
objetivo es lineal, la contribución al objetivo de cualquier decisión es proporcional al
valor de la variable de decisión. Producir dos veces más de producto producirá dos veces
más de ganacia, contratando el doble de páginas en las revistas doblará el costo
relacionado con las revistas. Es una Suposición de Proporción.
            Además, la contribución de una variable a la función objetivo es independiente de
los valores de las otras variables. La ganancia con una computadora Notebook es de
$10,750.00, independientemente de cuantas computadoras Desktop se producen. Este es
un Supuesto de Adición.
            Análogamente, ya que cada restricción es lineal, la contribución de cada variable
al lado izquierdo de cada restricción es proporcional al valor de la variable e
independiente de los valores de cualquier ora variable.
            Estas suposiciones son bastante restrictivas. Veremos, sin embargo, que ser claros
y precisos en la formulación del modelo puede ayudar a manejar situaciones que parecen
en un comienzo como lejanos a estos supuestos.
            El siguiente supuesto es la Suposición de ser Divisible. Es posible tomar una
fracción de cualquier variable. Por ejemplo, en un problema de marketing, qué significa
comprar 2.67 avisos en la televisión?. Es posible que la suposición de ser divisible sea
insatisfecha en este ejemplo. O puede ser que tales unidades de 2.67 avisos correspondan
a 2,666.7 minutos de avisos, en cuyo caso redondeando la solución serían 2,667 minutos
con una mínima duda que esté cercana a la solución óptima. Si la suposición de divisible
no es válida, entonces se usará la técnica de Programación Lineal Entera.
            La última suposición es el Supuesto de Certeza. La Programación Lineal no
permite incertidumbre en los valores.
            Será difícil que un problema cumpla con todas las suposiciones de manera exacta.
Pero esto no negará la factibilidad de uso del modelo. Un modelo puede ser aún útil
aunque difiera de la realidad, si se es consistente con los requerimientos más estrictos
dentro del modelo y se tiene claras sus limitaciones al interpretar los resultados.
 
            Existen limitaciones prácticas para el uso de la PL. Una se relaciona con los
cálculos. En general se necesita una computadora. Desafortunadamente, las calculadoras,
aun las programables, son poco útiles, puesto que la PL tiene necesidad de gran cantidad
de memoria o almacenamiento. Si no se tiene acceso a una computadora, se estará
limitado a problemas muy sencillos. La otra limitación se refiere al costo de formular un
problema de PL. En teoría, podría usarse PL, por ejemplo, para hacer las compras
semanales de abarrotes. Sin embargo, sería necesario conocer todas las compras posibles
que pueden realizarse (éstas serían las variables), además de cada restricción como sabor,
número de comidas, vitaminas y proteínas. Es obvio que el costo de obtener todos estos
datos excede lo que se podría ahorrar si se hicieran las compras óptimas. Antes de
emprender una aplicación de PL, debe considerarse la disponibilidad y el costo de los
datos necesarios.
 
2.2. Formulación de modelos de Programación Lineal.
            Aunque se ponga en duda, la parte más difícil de PL es reconocer cuándo ésta
puede aplicarse y formular el problema matemáticamente. Una vez hecha esa parte,
resolver el problema casi siempre es fácil.
            Para formular un problema en forma matemática, deben expresarse afirmaciones
lógicas en términos matemáticos. Esto se realiza cuando se resuelven “problemas
hablados” al estudiar un curso de álgebra. Algo muy parecido sucede aquí al formular las
restricciones. Por ejemplo, considérese la siguiente afirmación: A usa 3 horas por unidad
y B usa 2 horas por unidad. Si deben usarse todas las 100 horas disponibles, la restricción
será:
 
3A + 2B = 100
 
            Sin embargo, en la mayoría de las situaciones de negocios, no es obligatorio que
se usen todos los recursos (en este caso, horas de mano de obra). Más bien la limitación
es que se use, cuando mucho, lo que se tiene disponible. Para este caso, la afirmación
anterior puede escribirse como una desigualdad:
 
3A + 2B  100
 
            Para que sea aceptable para PL, cada restricción debe ser una suma de variables
con exponente 1. Los cuadrados, las raíces cuadradas, etc. no son aceptables, ni tampoco
los productos de variables. Además, la forma estándar para una restricción pone a todas
las variables del lado izquierdo y sólo una constante positiva o cero del lado derecho.
Esto puede requerir algún reacomodo de los términos. Si, por ejemplo, la restricción es
que A debe ser por los menos el doble de B, esto puede escribirse como:
 
A  2B                        ó          A  2B  0
 
            Nótese que pueden moverse términos de un lado a otro de las desigualdades como
si fuera un signo de igualdad. Pero al multiplicar una desigualdad por 1, el sentido de
esta desigualdad se invierte. Puede ser necesario hacer esto para que los coeficientes del
lado derecho sean positivos. Por ejemplo, si se quiere que A sea por lo menos tan grande
como B  2, entonces:
 
A  B2
ó          A  B   2
por último  B  A  2
 
            Una nota final sobre desigualdades: es sencillo convertir una desigualdad en una
ecuación. Todo lo que se tiene que hacer es agregar (o restar) una variable extra. Por
ejemplo:
 
B  A  2        es lo mismo que          B  A + S = 2
 
en donde S representa la diferencia, o la holgura, entre B  A y 2. S se llama variable de
holgura. Por otro lado, se restaría una variable de superávit en el caso siguiente:
 
A  2B  0      es lo mismo que          A  2B S = 0
 
            Algunos métodos de solución (como el Método Símplex) y la mayoría de los
programas de computadora (como el MathProg, que viene en el OR Courseware, que
acompaña al libro “Introducción a la Investigación de Operaciones” de los autores Hillier
y Lieberman) requieren que todas las desigualdades se conviertan en igualdades.
 
            La metodología de PL requiere que todas las variables sean positivas o cero, es
decir, no negativas. Para la mayoría de los problemas esto es real, no se querría una
solución que diga: prodúzcanse menos dos cajas o contrátense menos cuatro personas.
            Mientras que no existe un límite en el número de restricciones que puede tener un
problema de PL, sólo puede haber un objetivo. La forma matemática del objetivo se
llama función objetivo. Debe llevar consigo el maximizar o minimizar alguna medida
numérica. Podría ser maximizar el rendimiento, la ganancia, la contribución marginal o
los contactos con los clientes. Podría ser minimizar el costo, el número de empleados o el
material de desperdicio. Con frecuencia el objetivo es evidente al observar el problema.
            Como el valor de la función objetivo no se conoce hasta que se resuelve el
problema, se usa la letra Z para representarlo. La función objetivo tendrá, entonces, la
forma:
 
Maximizar         Z = 4A + 6B
ó
Minimizar         Z = 2x1 + 5x2
 
            Se analiza una aplicación para ilustrar el formato de los problemas de
Programación Lineal.
 
Planeación de la fuerza de trabajo.
            El gerente de personal de “La Tortuga Veloz, S.A. de C.V.”, está analizando la
necesidad de mano de obra semi calificada durante los próximos seis meses. Se lleva 1
mes adiestrar a una persona nueva. Durante este período de entrenamiento un trabajador
regular, junto con uno en adiestramiento (aprendiz), producen el equivalente a lo que
producen 1.2 trabajadores regulares. Se paga $500.00 mensuales a quien está en
entrenamiento, mientras que los trabajadores regulares ganan $800.00 mensuales. La
rotación de personal entre los trabajadores regulares es bastante alta, del 10% mensual.
            El gerente de personal debe decidir cuántas personas necesita contratar cada mes
para adiestramiento. En seguida se da el número de meses-hombre necesarios. También
se desea tener una fuerza de trabajo regular de 110 al principio de julio. En cuanto al 1º
de enero, hay 58 empleados regulares.
 
Mes Meses-hombre requeridos Mes Meses-hombre requeridos
Enero 60 Abril 80
Febrero 50 Mayo 70
Marzo 60 Junio 100
 
            Este problema tiene un aspecto dinámico, ya que la fuerza de trabajo en cualquier
mes depende de la fuerza de trabajo regular y en adiestramiento del mes anterior. Para
cualquier mes, el número total de meses-hombre disponibles se puede expresar como
sigue:
 
Meses-hombre disponibles:   Ri + 0.2Ai
 
en donde:        Ri  =  número de trabajadores regulares al principio del mes
                        Ai  =  número de aprendices contratados en el mes.
 
Entonces los requerimientos de cada mes pueden expresarse por las restricciones:
 
enero R1 + 0.2A1  60
febrero R2 + 0.2A2  50
marzo R3 + 0.2A3  60
abril R4 + 0.2A4  80
mayo R5 + 0.2A5  70
junio R6 + 0.2A6  100
julio (principio) R7  110
 
Debido a la rotación, el 10% de los trabajadores regulares se van cada mes. Así, el
número de trabajadores regulares disponibles, por ejemplo, al principio de febrero sería:
 
R2  =  0.9R1 + A1
 
En la misma forma, pueden escribirse las ecuaciones para el número de trabajadores
disponibles al principio de cada mes:
 
enero R1 = 58 (dado)
febrero R2 = 0.9R1 + A1
marzo R3 = 0.9R2 + A2
abril R4 = 0.9R3 + A3
mayo R5 = 0.9R4 + A4
junio R6 = 0.9R5 + A5
julio R7 = 0.9R6 + A6
 
El objetivo global del gerente de personal es minimizar el costo. La función objetivo es:
 
 Minimizar:  Z = 800(R1 + R2 + R3 + R4 + R5 + R6) + 500(A1 + A2 + A3 + A4 + A5 + A6)
 
Ahora se tiene el problema en el formato general de PL con 13 variables y 14
restricciones.
 
            Los tomadores de decisiones en las empresas establecen criterios que debe
cumplir una solución y, después, buscan esa solución. En PL, los criterios se expresan
como restricciones. Se exploran las soluciones posibles y se usa la función objetivo para
elegir la mejor de entre aquellas que cumplen con los criterios. La PL se denomina
técnica de optimización, pero optimiza sólo dentro de los límites de las restricciones. En
realidad es un método de satisfacción de criterios.
 
Forma estándar de los modelos de Programación Lineal.
            Supóngase que existe cualquier número (digamos m) de recursos limitados de
cualquier tipo, que se pueden asignar entre cualquier número (digamos n) de actividades
competitivas de cualquier clase. Etiquétense los recursos con números (1, 2, ..., m) al
igual que las actividades (1, 2, ..., n). Sea xj (una variable de decisión) el nivel de la
actividad j, para  j = 1, 2, ..., n, y sea Z la medida de efectividad global seleccionada. Sea
cj el incremento que resulta en Z por cada incremento unitario en xj (para j = 1, 2, ..., n).
Ahora sea bi la cantidad disponible del recurso i (para i = 1, 2, ..., m). Por último defínase
aij como la cantidad de recurso i que consume cada unidad de la actividad j (para i = 1,
2, ..., m  y  j = 1, 2, ..., n). Se puede formular el modelo matemático para el problema
general de asignar recursos a actividades. En particular, este modelo consiste en elegir
valores de x1, x2, ..., xn para:
 
Maximizar   Z = c1x1 + c2x2 + ... + cnxn,
sujeto a las restricciones:
a11x1 + a12x2 + ... + a1nxn  b1
a21x1 + a22x2 + ... + a2nxn  b2
 
am1x1 + am2x2 + ... + amnxn  bm
y
x1  0,      x2 0,    ...,    xn  0
 
Ésta se llamará nuestra forma estándar (porque algunos libros de texto adoptan otras
formas) para el problema de PL. Cualquier situación cuya formulación matemática se
ajuste a este modelo es un problema de PL.
            En este momento se puede resumir la terminología que usaremos para los
modelos de PL. La función que se desea maximizar, c 1x1 + 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 del tipo ai1x1 + ai2x2 + ... + ainxn,
que representa el consumo total del recurso i) reciben el nombre de restricciones
funcionales. De manera parecida, las restricciones xj  0 se llaman restricciones de no
negatividad. Las variables xj son las variables de decisión. Las constantes de entrada, aij,
bi, cj, reciben el nombre de parámetros del modelo.
  
Otras formas de modelos de Programación Lineal.
            Es conveniente agregar 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 el sentido mayor o igual:
 
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. Las variables de decisión sin la restricción de no negatividad:
 
xj no restringida en signo para algunos valores de j.
 
Cualquier problema que incluya una, varias o todas estas formas del modelo anterior
también se clasifica como un problema de PL, siempre y cuando éstas sean las únicas
formas nuevas introducidas. Puede ser que la interpretación que se ha dado de asignación
de recursos limitados entre actividades que compiten no se aplique, pero
independientemente de la interpretación o el contexto, lo único que se necesita es que la
formulación matemática del problema se ajuste a las formas permitidas. Se verá que estas
otras cuatro formas legales se pueden reescribir en una forma equivalente para que se
ajuste al modelo que se presentó. Entonces, todo problema de PL se puede poner en
nuestra forma estándar si se desea.
  
2.3. Solución Gráfica de Modelos Lineales con dos Variables.
            Para la solución gráfica de programas lineales con dos variables, lo que se tiene
que hacer es trazar un eje de coordenadas cartesianas, para graficar las desigualdades
dadas por el problema, después encontrar el Área de Soluciones Factibles y proceder a
graficar la función objetivo para conocer el valor óptimo (maximizar o minimizar) que
será la solución del problema.
 
Ejemplo: Problema de mezcla de productos.
Un fabricante está tratando de decidir sobre las cantidades de producción para dos
artículos: mesas y sillas. Se cuenta con 96 unidades de material y con 72 horas de mano
de obra. Cada mesa requiere 12 unidades de material y 6 horas de mano de obra. Por otra
parte, las sillas usan 8 unidades de material cada una y requieren 12 horas de mano de
obra por silla. El margen de contribución es el mismo para las mesas que para las sillas:
$5.00 por unidad. El fabricante prometió construir por lo menos dos mesas.
 
Paso 1: formulación del problema.
El primer paso para resolver el problema es expresarlo en términos matemáticos en el
formato general de PL. ¿Cuál es el objetivo? Es maximizar la contribución a la ganancia.
Cada unidad de mesas o sillas producidas contribuirá con $5 en la ganancia. Así las dos
alternativas son la producción de mesas y la producción de sillas. Ahora puede escribirse
la función objetivo:
 
Maximizar   Z = 5x1 + 5x2
 
en donde:        x1 = número de mesas producidas
                        x2 = número de sillas producidas
 
¿Cuáles son las restricciones o limitaciones del problema? Existen tres restricciones.
Primero, el material está limitado a 96 unidades. Cada mesa se lleva 12 unidades de
material y cada silla usa 8 unidades. La primera restricción es, entonces:
 
12x1 + 8x2  96
 
La segunda restricción es el total de horas de mano de obra. Una mesa se lleva 6 horas,
una silla 12 horas y se dispone de un total de 72 horas. Así:
 
6x1 + 12x2  72
 
Existe una limitación más. El fabricante prometió producir por lo menos dos mesas. Esto
puede expresarse como:
 
x1  2
 
Por último, las restricciones de no negatividad son:
 
x1  0,  x2  0
 
Poniendo todo junto el modelo se tiene:
 
                                               Maximizar    Z = 5x1 + 5x2
                                               Restricciones: 12x1 + 8x2  96
                                                                       6x1 + 12x2  72
                                                                       x1  2
                                                                       x1  0,  x2  0
 
Paso 2: gráfica de las restricciones.
El siguiente paso en el método gráfico es dibujar todas las restricciones en una gráfica.
Esto puede hacerse en cualquier orden. Por conveniencia se comenzará con las
restricciones de no negatividad. Éstas se muestran en la siguiente figura:
 

 
En esta gráfica, una solución se representaría por un punto con coordenadas x1 (mesas) y
x2 (sillas). Las coordenadas representarían las cantidades de cada artículo que se deben
producir. El cuadrante superior derecho se llama Región Factible puesto que es el único
cuadrante en que pueden estar las soluciones. Los otros tres cuadrantes no son factibles,
ya que requerirían la producción de cantidades negativas de mesas o de sillas o de ambas.
 
La siguiente restricción es  x1  2. La manera más sencilla de dibujar las restricciones de
recursos es en dos pasos: (1) convertir una desigualdad en una ecuación y graficar la
ecuación y (2) sombrear el área apropiada arriba y abajo de la línea que resulta en el paso
1. Convertir una igualdad en una ecuación aquí significa ignorar la parte de “mayor que”
o “menor que” de la restricción.
 
Así, en el ejemplo, x1  2 se convierte en x1 = 2. Esta ecuación está trazada en la siguiente
figura:
 

 
Cualquier punto en la línea x1 = 2 satisface la ecuación. Sin embargo, la restricción es
más amplia, ya que cualquier punto x1 > 2 también la cumplirá. Esto incluye todos los
puntos que están a la derecha de la línea x1 = 2. Entonces, la región factible incluye todos
los valores de x1 que están sobre o a la derecha de la línea x1 = 2.
 
La limitación sobre las horas de mano de obra es la siguiente restricción. Como antes,
primero se convierte en una ecuación: 6x1 + 12x2 = 72. Puede graficarse esta línea si se
encuentran dos puntos sobre ella. El par de puntos más sencillos de localizar son las
intersecciones con los ejes X1 y X2. Para encontrar la intersección con el eje X2 se hace x1
= 0. La ecuación se reduce, entonces, a:
 
12x2 = 72
    x2 =   6
 
La intersección con el eje X1 se encuentra haciendo x2 = 0. Así:
 
 6x1 = 72
  x1 = 12
 
Estos dos puntos y la línea que los une se muestran en la siguiente figura:
 

 
Cualquier punto que está sobre o abajo de esta línea cumplirá con la restricción.
Cualquier punto arriba de esta línea requerirá más de 72 horas de mano de obra y no es
aceptable. En la siguiente figura se combina esta restricción con la anterior. En la región
factible, ambas restricciones se cumplen.
 

 
La última restricción es la de material. Siguiendo el procedimiento anterior, primero se
encuentran las intersecciones para la igualdad. Éstas son x1 = 0, x2 = 12 y x1 = 8, x2 =0. Se
localizan los dos puntos en la gráfica; se traza la línea, y como la restricción es del tipo
menor o igual que, se sombrea el área que está abajo de la línea. El resultado se muestra
en la siguiente figura:
 

 
Cualquier solución que esté en la frontera o dentro del área sombreada cumplirá con
todas las restricciones. Ahora se utilizará la función objetivo para seleccionar la solución
óptima.
 
Paso 3: obtención de la solución óptima: líneas de indiferencia.
Para encontrar la solución óptima, se grafica la función objetivo en la misma gráfica de
las restricciones. La función objetivo en este problema es Z = 5x1 + 5x2. Como todavía no
se conoce el máximo valor factible de Z, no puede trazarse el óptimo de la función
objetivo. No obstante, es posible suponer algunos valores para Z y graficar las líneas
resultantes. En la siguiente figura se muestran las líneas para Z = 25 yZ = 50:
 

 
Las líneas de este tipo se llaman líneas de indiferencia, porque cualquier punto sobre una
línea dada da la misma ganancia total. Nótese que la distancia perpendicular del origen a
la línea aumenta al aumentar el valor de Z. También, todas las líneas de indiferencia son
paralelas entre sí. Estas propiedades gráficas pueden usarse para resolver el problema.
 
En la siguiente figura, se ilustran todas las restricciones y las dos líneas de indiferencia
supuestas. En la gráfica puede observarse que la línea de indiferencia para Z = 50 está
completamente fuera de la región factible. Para Z = 25, parte de la línea cae dentro de la
región factible. Por tanto, existe alguna combinación de x1 y x2 que satisface todas las
restricciones y da una ganancia total de $25. Por inspección, puede observarse que hay
ganancias más altas que son factibles.
 

 
Imaginando que la línea de indiferencia Z = 25 se mueve hacia la línea Z = 50, de las
propiedades de la gráfica que se hicieron notar antes, el punto óptimo estará sobre la línea
de indiferencia más lejana al origen pero que todavía toque la región factible. Esto se
muestra en la siguiente figura:
 
 
Con el punto óptimo localizado gráficamente, la única tarea que queda es encontrar las
coordenadas del punto. Nótese que el punto óptimo está en la intersección de las líneas de
restricción para materiales y horas de mano de obra. Las coordenadas de este punto se
pueden encontrar resolviendo el sistema de ecuaciones que forman estas dos restricciones
utilizando cualquiera de los métodos de solución (suma y resta, sustitución o igualación).
Las coordenadas de este punto resultan ser (6, 3). La sustitución de este punto en la
función objetivo da la ganancia máxima:
 
Z = 5(6) + 5(3) = $45
 
 
Resumen del método gráfico.
Para resolver gráficamente problemas de programación lineal:
1.   Exprésense los datos del problema como una función objetivo y restricciones.
2.   Grafíquese cada restricción.
3.   Localícese la solución óptima.
 
Uso del método gráfico para minimización.
            Consideremos un Problema de PL en el cual el objetivo es minimizar costos. La
solución del problema de minimización sigue el mismo procedimiento que la de
problemas de maximización. La única diferencia es que ahora se quiere el menor valor
posible para la función objetivo. Supóngase que se tiene el siguiente problema:
 
Ejemplo: Problema de dieta.
            Un comprador está tratando de seleccionar la combinación más barata de dos
alimentos, que debe cumplir con ciertas necesidades diarias de vitaminas. Los
requerimientos vitamínicos son por lo menos 40 unidades de vitamina W, 50 unidades de
vitamina X y 49 unidades de vitamina Y. Cada onza del alimento A proporciona 4
unidades de vitamina W, 10 unidades de vitamina X y 7 unidades de vitamina Y; cada
onza del alimento B proporciona 10 unidades de W, 5 unidades de X y 7 unidades de Y.
El alimento A cuesta 5 pesos/kilogramo y el alimento B cuesta 8 pesos/kilogramo.
 
Paso 1: formulación del problema.
La meta en este problema es encontrar la manera menos costosa para satisfacer las
necesidades vitamínicas. Las dos alternativas disponibles son los alimentos A y B.
Matemáticamente la función objetivo es:
 
Minimizar   Z = 5A + 8B
 
Las restricciones son los requerimientos mínimos de las tres vitaminas. Éstas se muestran
enseguida:
 
Restricciones:   4A + 10B  40  vitamina W
                                   10A + 5B  50  vitamina X
                                   7A + 7B  49  vitamina Y
                                   A  0,  B  0  no negatividad
 
Paso 2: gráfica de las restricciones.
El procedimiento para graficar es el mismo que se usó antes: (1) graficar cada ecuación
de restricción; (2) graficar el área apropiada. Para la primera restricción la ecuación es 4A
+ 10B = 40. Las dos intersecciones con los ejes son (0,4) y (10,0). Esta línea se muestra
en la siguiente figura:
 
 
La restricción pide 40 unidades o más de la vitamina W. Cualquier punto que esté arriba
de la línea de restricción será factible y todos los puntos que quedan abajo de esa línea
serán aceptables. En la siguiente figura se muestra la región factible:
 

 
Después se grafica la restricción para la vitamina X. La ecuación 10A + 5B = 50 tiene
intersecciones con los ejes en (0,10) y (5,0). En la siguiente figura se ilustran las
restricciones para las vitaminas W y X. Nótese que las soluciones que quedan en las áreas
a o b no son factibles, ya que quedarían abajo de las líneas de restricción.
 

 
Al agregar la tercera restricción, este segundo paso queda terminado, como se muestra en
la siguiente figura:
 

 
Paso 3: localización de la solución óptima.
En la siguiente figura se muestra la frontera extrema más dos líneas de indiferencia, las
de Z = 40 pesos y Z = 60 pesos. La frontera extrema está formada por los puntos a, b, c y
d, puesto que éstos son los puntos de intersección factibles más cercanos al origen.
 

 
Gráficamente, el objetivo de minimizar el valor de Z significa ajustar una línea de
indiferencia tan cerca del origen como sea posible. En la figura anterior puede observarse
que existen muchas soluciones posibles para Z = 60, pero ninguna para Z = 40.
Imaginando mover la línea Z = 60 hacia el origen, el último punto de contacto con la
frontera extrema será el punto b. Entonces, el punto b es la solución óptima. En la figura
anterior se observa que el punto b es la intersección de dos líneas:
 
(1)  4A + 10B = 40
(2)  7A +   7B = 49
 
Resolviendo el sistema de ecuaciones:
 
Multiplíquese la ecuación (1) por 7:             (3)     28A + 70B =   280
Multiplíquese la ecuación (2) por – 4:                      (4)   –28A – 28B = –196
                                                                                            42B =  84
                                                                                                B =  2
Sustitúyase en la ecuación (1):                                            4A + 10(2) =  40
                                                                                                A =  5
 
La solución menos costosa es 5 kilogramos de alimento A y 2 kilogramos de alimento B.
El costo total de esta combinación es:
Z = 5A + 8B = 5(5) + 8(2) = 25 + 16 = 41 pesos
Si se usa el método de prueba y error para localizar la solución óptima, se deben
encontrar las coordenadas de los puntos a, b, c, y d. Se debe calcular después el valor de
la función objetivo para cada punto. A continuación se muestran los resultados de este
procedimiento:
 
Resultados de prueba y error
Punto Coordenadas Z = 5A + 8B
a A = 10, B = 0 50
b A = 5, B = 2 41  menor
c A =3, B = 4 47
d A = 0, B = 10 80
 
CASOS ESPECIALES.
 
Múltiples soluciones.
 
Maximizar Z = 3x1 + 2x2    
sujeta a     x1      4
          x2  12
      3x1 + 2x2  18
      x1  0,   x2  0    
 
 
Ninguna solución factible.
 
Maximizar Z = 3x1 + 2x2    
sujeta a     1/40x1 + 1/60x2  1
      1/50x1 + 1/50x2  1
      x1      30
          x2  20
      x1  0,   x2  0    
 
 
Área o Región de Soluciones Factibles no Acotada.
 
Maximizar Z = 2x1 – x2    
sujeta a     x1 – x2  1
      2x1 + x2  6
      x1  0,   x2  0    
 
 ASPECTOS BÁSICOS DE LA PROGRAMACIÓN LINEAL
Muchas personas clasifican el desarrollo de la programación lineal entre los
avances científicos más importantes de mediados del siglo XX, su impacto desde
1950 ha sido extraordinario. En la actualidad es una herramienta de uso normal
que ha ahorrado miles o millones de pesos a muchas compañías o negocios,
incluyendo empresas medianas en los distintos países industrializados del mundo;
su aplicación a otros sectores de la sociedad se está ampliando con rapidez. Una
proporción muy grande de los cálculos científicos en computadoras está dedicada
al uso de la programación lineal.
¿Cuál es la naturaleza de esta notable herramienta y qué tipos de problemas
puede manejar. Expresado brevemente, el tipo más común de aplicación abarca el
problema general de asignar recursos limitados entre actividades competitivas de
la mejor manera posible (es decir, en forma óptima). Con más precisión, este
problema incluye elegir el nivel de ciertas actividades que compiten por recursos
escasos necesarios para realizarlas. Después, los niveles de actividad elegidos
dictan la cantidad de cada recurso que consumirá cada una de ellas. La variedad
de situaciones a las que se puede aplicar esta descripción es sin duda muy
grande, y va desde la asignación de instalaciones de producción a los productos,
hasta la asignación de los recursos nacionales a las necesidades de un país;
desde la selección de una cartera de inversiones, hasta la selección de los
patrones de envío; desde la planeación agrícola, hasta el diseño de una terapia de
radiación, etc. No obstante, el ingrediente común de todas estas situaciones es la
necesidad de asignar recursos a las actividades eligiendo los niveles de las
mismas.
La programación lineal utiliza un modelo matemático para describir el problema. El
adjetivo lineal significa que todas las funciones matemáticas del modelo deber ser
funciones lineales. En este caso, las palabra programación no se refiere a
programación en computadoras; en esencia es un sinónimo de planeación. Así, la
programación lineal trata la planeación de las actividades para obtener un
resultado óptimo, esto es, el resultado que mejor alcance la meta especificada
(según el modelo matemático) entre todas las alternativas de solución.
Aunque la asignación de recursos a las actividades es la aplicación más frecuente,
la programación lineal tiene muchas otras posibilidades. de hecho, cualquier
problema cuyo modelo matemático se ajuste al formato general del modelo de
programación lineal es un problema de programación lineal. Aún más, se dispone
de un procedimiento de solución extraordinariamente eficiente llamado método
simplex, para resolver estos problemas, incluso los de gran tamaño. Estas son
algunas causas del tremendo auge de la programación lineal en las últimas
décadas.
MODELO DE PROGRAMACIÓN LINEAL
Los términos clave son recursos y actividades, en donde m denota el número de
distintos tipos de recursos que se pueden usar y n denota el número de
actividades bajo consideración. Algunos ejemplos de recursos son dinero y tipos
especiales de maquinaria, equipo, vehículos y personal. Los ejemplos de
actividades incluyen inversión en proyectos específicos, publicidad en un medio
determinado y el envío de bienes de cierta fuente a cierto destino. En cualquier
aplicación de programación lineal, puede ser que todas las actividades sean de un
tipo general (como cualquiera de los ejemplos), y entonces cada una
correspondería en forma individual a las alternativas específicas dentro de esta
categoría general.
El tipo más usual de aplicación de programación lineal involucra la asignación de
recursos a ciertas actividades. La cantidad disponible de cada recurso está
limitada, de forma que deben asignarse con todo cuidado. La determinación de
esta asignación incluye elegir los niveles de las actividades que lograrán el mejor
valor posible de la medida global de efectividad.
Ciertos símbolos se usan de manera convencional para denotar las distintas
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 efectividad
xj =       nivel de la actividad j (para j = 1,2,...,n)
cj =       incremento en Z que resulta al aumentar una unidad en el nivel de la
actividad j
bi =       cantidad de recurso i disponible para asignar a las actividades (para i =
1,2,...,m)
aij =      cantidad del recurso i consumido por cada unidad de la actividad j
 
El modelo establece el problema en términos de tomar decisiones sobre los niveles
de las actividades, por lo que x1,x2,....,xn se llaman variables de decisión. 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.
FORMA ESTÁNDAR DEL MODELO
Ahora se puede formular al modelo matemático para este problema general de
asignación de recursos a actividades. En  Datos necesarios para un modelo de
programación lineal que maneja la asignación de recursos a actividades particular,
este modelo consiste en elegir valores de x1,x2,....,xn para:
optimizar (maximizar o minimizar) Z = c1x1 + c2x2 +....+ cnxn,
sujeta a las restricciones:
            a11x1 + a12x2 +....+ a1nxn < b1
            a21x1 + a22x2 +....+ a2nxn < b2
                                       .
                                       .
                                       .
            am1x1 + am2x2 +....+ amnxn < bm
 
X1  ³ 0,           X2 ³0,     ...,      Xn ³0.
 
SUPOSICIONES DEL MODELO DE PROGRAMACIÓN LINEAL
PROPORCIONALIDAD
La contribución de cada actividad al valor de la función objetivo Z es proporcional
al nivel de actividad xj, como lo representa el término cjxj en la función objetivo. De
manera similar, la contribución de cada actividad al lado izquierdo de cada
restricción funcional es proporcional al nivel de la actividad xj, en la forma en que lo
representa el término aijxj en la restricción. En consecuencia, esta suposición
elimina cualquier exponente diferente a 1 para las variables en cualquier término
de las funciones (ya sea la función objetivo o la función en el lado izquierdo de las
restricciones funcionales) en un modelo de programación lineal. 

ACTIVIDAD
Establece que la entrada y salida de un recurso en particular al conjunto de
actividades, deben ser la misma cantidad; o sea, que las actividades transforman
los recursos y no los crean o destruyen. Esta suposición garantiza que la
contribución total tanto a la función objetivo como a las restricciones, es igual a la
suma de las contribuciones individuales. Cuando en un problema dado no se
tenga la aditividad puede recurrirse al empleo de otras técnicas de la
programación matemática, dependiendo de cada caso en particular. 
ADITIVIDAD
Cada función en un modelo de programación lineal (ya sea la función objetivo o el
lado izquierdo de las restricciones funcionales) es la suma de las contribuciones
individuales de las actividades respectivas. 
DIVISIBILIDAD
Las variables de decisión en un modelo de programación lineal pueden tomar
cualquier valor, incluyendo valores no enteros, que satisfagan las restricciones
funcionales y de no negatividad. Así, estas variables no están restringidas a sólo
valores enteros. Como cada variable de decisión representa el nivel de alguna
actividad, se supondrá que las actividades se pueden realizar a niveles
fracciónales.
LIMITACIONES DEL MODELO DE PROGRAMACIÓN LINEAL
MODELO DETERMINÍSTICO
El modelo de PL involucra únicamente tres tipos de parámetros: Cj, aij y bi; de ahí
su sencillez y gran aplicación. Sin embargo, el valor de dichos parámetros debe
ser conocido y constante. Cuando el valor de los parámetros tiene un cierto riesgo
o incertidumbre, pude utilizarse la programación paramédica, la programación
estocástica, o realizarse un análisis de sensibilidad. 

MODELO ESTÁTICO
En algunos modelos matemáticos se han empleado con éxito las ecuaciones
diferenciales, para inducir la variable tiempo en ellos. En este sentido, puede
decidirse que la PL utiliza un modelo estático, ya que la variable tiempo no se
involucra formalmente. Adquiriendo un poco de experiencia en la formulación de
modelos de PL, puede imbuirse la temporabilidad mencionada, con el uso de
subíndices en las variables.  
MODELO QUE NO SUB-OPTIMIZA
Debido a la forma que se plantea el modelo de PL, o encuentra la solución óptima
o declara que ésta no existe. Cuando no es posible obtener una solución óptima y
se debe obtener alguna, se recurre a otra técnica más avanzada que la PL, la cual
se denomina programación lineal por metas.
 Aspectos Generales de la Programación Lineal 
En los siglos XVII y XVIII, grandes matemáticos como Newton, Leibnitz, Bernouilli y, sobre
todo, Lagrange, que tanto habían contribuido al desarrollo del cálculo infinitesimal, se ocuparon
de obtener máximos y mínimos
condicionados de determinadas
funciones.

Posteriormente el matemático fránces

Jean Baptiste-Joseph Fourier (1768-
1830) fue el primero en intuir, aunque
de forma imprecisa, los métodos de lo
que actualmente llamamos
programación lineal y la potencialidad
que de ellos se deriva.

Si exceptuamos al matemático
Gaspar Monge (1746-1818), quien en 1776 se interesó por problemas de este género, debemos
remontarnos al año 1939 para encontrar nuevos estudios relacionados con los métodos de la
actual programación lineal. En este año, el matemático ruso Leonodas Vitalyevich Kantarovitch
publica una extensa monografía titulada Métodos matemáticos de organización y planificación de
la producción en la que por primera vez se hace corresponder a una extensa gama de problemas
una teoría matemática precisa y bien definida llamada, hoy en día, programación lineal .

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

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

Tres años más tarde, G. Stigler plantea otro problema particular conocido con el nombre de
régimen alimenticio optimal.

En estos años posteriores a la Segunda Guerra Mundial, en Estados Unidos se asumió que la
eficaz coordinación de todas las energías y recursos de la nación era un problema de tal
complejidad, que su resolución y simplificación pasaba necesariamente por los modelos de
optimización que resuelve la programación lineal.

Paralelamente a los hechos descritos se desarrollan las técnicas de computación y los

ordenadores, instrumentos que harían posible la resolución y simplificación de los problemas que
se estaban gestando.

En 1947, G.B. Dantzig formula, en términos matemáticos muy precisos, el enunciado estándar al
que cabe reducir todo problema de programación lineal. Dantzig, junto con una serie de
investigadores del United States Departament of Air Force, formarían el grupo que dio en
denominarse SCOOP (Scientific Computation of Optimum Programs).

Una de las primeras aplicaciones de los estudios del grupo SCOOP fue el puente aéreo de
Berlín. Se continuó con infinidad de aplicaciones de tipo preferentemente militar.

Hacia 1950 se constituyen, fundamentalmente en Estados Unidos, distintos

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

Respecto al método del simplex, que estudiaremos después, señalaremos que su estudio
comenzó en el año 1951 y fue desarrollado por Dantzig en el United States Bureau of Standards
SEAC COMPUTER, ayudándose de varios modelos de ordenador de la firma IBM.

Los fundamentos matemáticos de la programación lineal se deben al matemático norteamericano

de origen húngaro Janos von Neuman (1903-1957), quie en 1928 publicó su famoso trabajo
Teoría de Juegos. En 1947 conjetura la equivalencia de los problemas de programación lineal y
la teoría de matrices desarrollada en sus trabajos. La influencia de este respetado matemático,
discípulo de David Hilbert en Gotinga y, desde 1930, catedrático de la Universidad de Princenton
de Estados Unidos, hace que otros investigadores se interesaran paulatinamente por el
desarrollo riguroso de esta disciplina.

En 1858 se aplicaron los métodos de la programación lineal a un problema concreto: el cálculo

del plan óptimo de transporte de arena de construcción a las obras de edificación de la ciudad de
Moscú. En este problema había 10 puntos de partida y 230 de llegada. El plan óptimo de
transporte, calculado con el ordenador Strena en 10 días del mes de junio, rebajó un 11% los
gastos respecto a los costes previstos.

Se ha estimado, de una manera general, que si un país subdesarrollado utilizase los métodos de
la programación lineal, su producto interior bruto (PIB) aumentaría entre un 10 y un 15% en tan
sólo un año.

La programación lineal hace historia: El puente aéreo de Berlín

En 1946 comienza el largo período de la guerra fría entre la antigua Unión

Soviética (URSS) y las potencias aliadas
(principalmente , Inglaterra y Estados Unidos). Uno de
los episodios más llamativos de esa guerra fría se
produjo a mediados de 1948, cuando la URSS bloqueó
las comunicaciones terrestres desde las zonas
alemanas en poder de los aliados con la ciudad de
Berlín, iniciando el bloqueo de Berlín. A los aliados se
les plantearon dos posiblidades: o romper el bloqueo
terrestre por la fuerza, o llegar a Berlín por el aire. Se adoptó la decisión de
programar una demostración técnica del poder aéreo norteamericano; a tal
efecto, se organizó un gigantesco puente aéreo para abastecer la ciudad: en
diciembre de 1948 se estaban transportando 4500 toneladas diarias; en marzo
de 1949, se llegó a las 8000 toneladas, tanto como se transportaba por carretera
y ferrocarril antes del corte de las comunicaciones. En la planificación de los
suministros se utilizó la programación lineal. (El 12 de mayo de 1949, los
soviéticos levantaron el bloqueo)

 ¿Qué es la programación lineal ? 

En infinidad de aplicaciones de la industria, la economía, la estrategia militar, etc.. se presentan
situaciones en las que se exige maximizar o minimizar algunas fucniones que se encuentran
sujetas a determinadas limitaciones, que llamaremos restricciones.

Para hacernos una idea más clara de estos supuestos, veamos dos ejemplos:

Ejemplo 1: Problema de máximos.

En una granja se preparan dos clases de fertilizantes, P y Q, mezclando dos productos A y B. Un
saco de P contiene 8 kg de A y 2 de B, y un saco de Q contiene 10 kg de A y 5 de B. Cada saco
de P se vende a 300 Bs. y cada saco de Q a 800 Bs. Si en la granja hay almacenados 80 kg de
A y 25 de B, ¿cuántos sacos de cada tipo de pienso deben preparar para obtener los máximos
ingresos?

Ejemplo 2: Problema de mínimos.

Una campaña para promocionar una marca de productos lácteos se basa en el reparto gratuito
de yogures con sabor a limón o a fresa. Se decide repartir al menos 30000 yogures.
Cada yogur de limón necesita para su elaboración 0.5 gramos de un producto de fermentación y
cada yogur de fresa necesita 0.2 gramos de este mismo producto. Se dispone de 9 kilogramos
de este producto para fermentación.
El costo de producción de un yogur de limón es de 30 Bs. y 20 Bs. uno de fresa.

En los dos ejemplos descritos está claro que tanto la cantidad que deseamos maximizar como la
cantidad que deseamos minimizar podemos expresarlas en forma de ecuaciones lineales. Por
otra parte, las restricciones que imponen las condiciones de ambos problemas se pueden
expresar en forma de inecuaciones lineales.

Tratemos de plantear en términos matemáticos los dos ejemplos anteriores:

1) Si designamos por x al número de sacos de fertilizante de clase P y por y el número de sacos

de fertilizante de clase Q que se han de vender, la función : Z = 300x + 800y representará la
cantidad de bolívares obtenidas por la venta de los sacos, y por tanto es la que debemos
maximizar.
Podemos hacer un pequeño cuadro que nos ayude a obtener las restricciones:

  Nº kg de A kg de B
P x 8x 2x
Q y 10y 5y
    80 25

Por otra parte, las variables x e y, lógicamente, han de ser no negativas, por tanto : x 0, y 0
Conjunto de restricciones:

8x + 10y 80
2x + 5y 25
x 0, y 0

2) Si representamos por x el número de yogures de limón e y al número de yogures de fresa, se

tiene que la función de costos es Z = 30x + 20y.
Por otra parte, las condiciones del problema imponen las siguientes restricciones:
  De número : x + y 80
 De fermentación: 0.5x + 0.2y 9000
 Las variables x e y han de ser, lógicamente, no negativas; es decir: x 0, y 0

Conjunto de restricciones:

x+y 80
0.5x + 0.2y 9000
x 0, y 0

En definitiva:

Se llama programación lineal al conjunto de técnicas matemáticas que

pretenden resolver la situación siguiente:
Optimizar (maximizar o minimizar) una función objetivo, función lineal de
varias variables, sujeta a:
una serie de restricciones, expresadas por inecuaciones lineales.

Un problema de programación lineal en dos variables, tiene la siguiente formulación estándar:

puediendo cambiarse maximizar por minimizar, y el sentido de las desigualdades.

En un problema de programación lineal intervienen:

 La función f(x,y) = ax + by + c llamada función objetivo y que es necesario optimizar.

En esa expresión x e y son las variables de decisión, mientras que a, b y c son
constantes.
 Las restricciones que deben ser inecuaciones lineales. Su número depende del
problema en cuestión. El carácter de desigualdad viene impuesto por las limitaciones,
disponibilidades o necesidades, que son: inferiores a ... ( menores: < o ); como mínimo
de ... (mayores: > o ) . Tanto si se trata de maximizar como de minimizar, las
desigualdades pueden darse en cualquiera de los dos sentidos.
 Al conjunto de valores de x e y que verifican todas y cada una de las restricciones se lo
denomina conjunto (o región ) factible. Todo punto de ese conjunto puede ser solución
del problema; todo punto no perteneciente a ese conjunto no puede ser solución. En el
apartado siguiente veremos como se determina la región factible.
 La solución óptima del problema será un par de valores (x0, y0) del conjunto factible que
haga que f(x,y) tome el valor máximo o mínimo.

En ocasiones utilizaremos las siglas PPL para indicar problema de programación lineal.
 Determinación de la región factible 
   
La solución de un problema de programación lineal, en el supuesto de que exista, debe estar en
la región determinada por las distintas desigualdades. Esta recibe el nombre de región factible,
y puede estar o no acotada.

Región factible acotada Región factible no acotada

La región factible incluye o no los lados y los vértices, según que las desigualdades sean en
sentido amplio ( o ) o en sentido estricto (< o >).

Si la región factible está acotada, su representación gráfica es un polígono convexo con un

número de lados menor o igual que el número de restricciones.

El procedimiento para determinar la región factible es el siguiente :

1) Se resuelve cada inecuación por separado, es decir, se encuentra el semiplano de

soluciones de cada una de las inecuaciones.

 Se dibuja la recta asociada a la inecuación. Esta recta divide al plano en dos regiones o
semiplanos
 Para averiguar cuál es la región válida, el procedimiento práctico consiste en elegir un
punto, por ejemplo, el (0,0) si la recta no pasa por el origen, y comprobar si las
coordenadas satisfacen o no la inecuación. Si lo hacen, la región en la que está ese
punto es aquella cuyos puntos verifican la inecuación; en caso contrario, la región válida
es la otra.

2) La región factible está formada por la intersección o región común de las soluciones de
todas las inecuaciones.

Como sucede con los sistemas de ecuaciones lineales, los sistemas de inecuaciones lineales
pueden presentar varias opciones respecto a sus soluciones: puede no existir solución, en el
caso de que exista el conjunto solución puede ser acotado o no.

Veámoslo con un ejemplo:

Dibuja la región factible asociada a las restricciones:

x+y 4
y 4
y x

Las rectas asociadas son : r : x + y = 4 ; s : y = 4 , t: y = x

Elegimos el punto O(0,0), que se encuentra en
el semiplano situado por debajo de la recta.
Introduciendo las coordenadas (0,0) en la
inecuación x + y 4, vemos que no la
satisface: 0 + 0 = 0 < 4 . Por tanto, el conjunto
de soluciones de la inecuación es el semiplano
situado por encima de la recta r : x + y = 4 .
Procedemos como en el paso anterior. Las
coordenadas (0,0) satisfacen la inecuación y
4 ( 0 4) . Por tanto, el conjunto de
soluciones de la inecuación es el semiplano
que incluye al punto O.

La recta t asociada a la restricción pasa por el

origen, lo cual significa que si probásemos con
el punto O(0,0) no llegaríamos a ninguna
La región factible está formada por los puntos
conclusión. Elegimos el punto (1,0) y vemos
que cumplen las tres restricciones, es decir, se
que no satisface la inecuación y x ( y = 0 < 1
encuentran en los tres semiplanos anteriores.
= x ). Por tanto, el conjunto solución de esta
inecuación es el semiplano determinado por la
recta t que no incluye al punto (1,0).

 Método gráfico 
o Método de las rectas de nivel

Las rectas de nivel dan los puntos del plano en los que la función objetivo toma el mismo valor.

Si la función objetivo es f(x,y) = ax + by + c, la ecuación de las rectas de nivel es de la forma:

ax + by + c = 0 ax + by = k

Variando k (o p) se obtienen distintos niveles para esas rectas y, en consecuencia, distintos

valores para f(x,y).

En un problema todas las rectas de nivel son paralelas, pues los coeficientes a y b de la recta ax
+ by = k son los que determinan su pendiente. Por tanto, si k 1 es distinto de k2 , las rectas ax + by
= k1 y ax + by = k2 son paralelas. Luego, trazada una cualquiera de esas rectas, las demás de
obtienen por desplazamientos paralelos a ella.

Si lo que se pretende es resolver un problema de programación lineal, los únicos puntos que
interesan son los de la región factible, y las únicas rectas de nivel que importan son aquellas que
están en contacto con dicha región. Como el nivel aumenta (o disminuye) desplazando las
rectas, el máximo (o el mínimo) de f(x,y) se alcanzará en el último (o en el primer) punto de
contacto de esas rectas con la región factible.

Veamos ahora como se aplica todo esto a la resolución de un problema de programación lineal :

Maximizar Z = f(x,y) = x + y
sujeto a: 0 x 4
  0 y 4
  y x /2

1) Representamos la región factible:

 La recta s : x = 4 pasa por el punto (4,0) y es paralela al eje Y. Las soluciones de 0 x

4 son los puntos entre el eje Y y la recta x = 4
 La recta r : y = 4 pasa por el punto (0,4) y es paralela al eje X. Las soluciones de 0 y
4 son los puntos entre el eje X y la recta y = 4
 La recta t : y = x/2 pasa por los puntos (0,0) y (2,1) . Las soluciones de y x /2 son los
puntos de su izquierda.

Resolviendo los sistemas correspondientes calculamos los vértices de la región factible:

{ y = x/2 , x = 0 } nos da el vértice O(0,0)

{ x = 4, y = x/2 } nos da el vértice A(4,2)
{ x = 4 , y = 4} nos da el vértice B(4,4)
{ y = 4 , x = 0 } nos da el vértice C(0,4)

2) Representamos las rectas de nivel :

En nuestro caso son rectas de la forma x + y = k . Inicialmente

representamos Z = x + y = 0 . Trasladándola hacia la derecha, obtenemos
las rectas : x + y = 2, x + y = 4, x + y = 8 , es decir aumenta el nivel.

3) Obtenemos la solución óptima:

Se obtiene en el punto de la región factible que hace máximo k. En nuestro

caso esto ocurre en el punto B; es el último punto de contacto de esas
rectas con la región factible , para el que k = 8.

Si hay dos vértices, P y Q, que se encuentran en la misma recta de nivel ,de ecuación ax +
by = k .Es evidente que todos los puntos del segmento PQ son de esa recta; por tanto, en
todos ellos f(x,y) vale k. Así pues, la solución óptima es cualquier punto de esa recta; en
particular los vértices P y Q.

 Método analítico 
o Método de los vértices

El siguiente resultado, denominado teorema fundamental de la programación lineal, nos

permite conocer otro método de solucionar un programa con dos variables.

En un programa lineal con dos variables, si existe una solución única que
optimice la función objetivo, ésta se encuentra en un punto extremo (vértice)
de la región factible acotada, nunca en el interior de dicha región.

Si la función objetivo toma el mismo valor óptimo en dos vértices, también

toma idéntico valor en los puntos del segmento que determinan.

En el caso de que la región factible no es acotada, la función lineal objetivo

no alcanza necesariamente un valor óptimo concreto, pero, si lo hace, éste
se encuentra en uno de los vértices de la región

La evaluación de la función objetivo en los vértices de la región factible nos va a permitir

encontrar el valor óptimo (máximo o mínimo) en alguno de ellos.

Veámoslo con un ejemplo:

Maximizar Z = f(x,y) = 3x + 8y
sujeto a: 4x + 5y 40
  2x + 5y 30
  x 0,y 0

1) Hallar los puntos de corte de las rectas asociadas a las restricciones:

Calculamos las soluciones de cada uno de los seis sistemas de dos ecuaciones con dos
incógnitas que se pueden formar con las cuatro restricciones:

{ 4x + 5y = 40 , 2x + 5y = 30}. Solución A(5,4) { 4x + 5y = 40 , x = 0 } Solución:B (0,8)

{ 4x + 5y = 40 , y = 0}. Solución: C(10,0) { 2x + 5y = 30 , x = 0} Solución: D(0,6)
{ 2x + 5y = 30 , y = 0}. Solución : E(15,0) { x = 0, y = 0} Solución: O(0,0)

2) Determinar los vértices de la región factible:

Los vértices de la región factible son aquellos puntos que cumplen todas las restricciones.

Si sustituimos los puntos en cada una de las desigualdades tenemos que:

 B no cumple la segunda restricción 2x + 5y 30 , ya que 2·0 + 5·8 = 40 . Por tanto, el

punto B no es un vértice de la región factible.
 E no cumple la primera restricción 4x + 5y 40 , ya que 4·15 + 5·0 = 60 . Por tanto, el
punto E no es un vértice de la región factible.

Los puntos A, C, D y O verifican todas las desigualdades, son los vértices de la región factible.

3) Calcular los valores de la función objetivo en los vértices:

 f(A) = f(5,4) = 3·5 + 8·4 = 47 f(C) = f(10,0) = 3·10 + 8· 0 = 30
f(D) = f(0,6) = 3·0 + 8·6 = 48 f(O) = f(0,0) = 3·0 + 8·0 = 0

La solución óptima corresponde al vértice para el que la función objetivo toma el valor máximo.
En este caso es el vértice D(0,6).

Este método es el menos utilizado de los tres que veremos

 Esquema práctico 
Los problemas de programación lineal pueden presentarse en la forma estándar, dando la
función objetivo y las restricciones, o bien plantearlos mediante un enunciado. Si éste es el caso,
puede seguirse el camino que indicamos a continuación, ejemplificado con el siguiente problema:

En un almacén se guarda aceite de girasol y de oliva. Para atender a los clientes se han de
tener almacenados un mínimo de 20 bidones de aceite de girasol y 40 de aceite de oliva y,
además, el número de bidones de aceite de oliva no debe ser inferior a la mitad del
número de bidones de aceite de girasol. La capacidad total del almacén es de 150
bidones. Sabiendo que el gasto de almacenaje es el mismo para los dos tipos de aceite (1
unidad monetaria) . ¿Cuántos bidones de cada tipo habrá que almacenar para que el gasto
sea máximo?

Obs: Puede parecer algo absurdo maximizar los gastos , pero se ha enunciado de esta forma para que el ejemplo sea lo
más completo posible

Paso 1º: Leer detenidamente el enunciado: determinar el objetivo, definir las variables y
escribir la función objetivo.

El objetivo es: halla cuántos bidones de cada tipo hay que almacenar para maximizar los gastos

Suponemos que tal objetivo se consigue almacenado x bidones de aceite de girasol e y de aceite
de oliva

Cómo cada bidón de aceite de girasol cuesta almacenarlo 1 unidad monetaria y lo mismo para
uno de aceite, los gastos serán x + y

Luego, la función objetivo es:

Maximizar la función Z = f(x,y) = x + y

Paso 2º: Reordenar los datos del problema y a partir de las cantidades decididas, x e y,
escribir el sistema de inecuaciones que determinan las restricciones.

 Un mínimo de 20 bidones de aceite de girasol: x 20

 Un mínimo de 40 bidones de aceite de oliva: y 40
 El número de bidones de aceite de oliva no debe ser inferior a la mitad del número de
bidones de aceite de girasol: y x/2
 La capacidad total del almacén es de 150 bidones: x + y 150

Además, los números de bidones deben ser cantidades positivas: x 0;y 0

Obs.: Como veremos en ejemplos posteriores en algunas ocasiones puede interesar utilizar una tabla para recopilar toda
la información y hacer los dos primeros apartados

Paso 3º: Expresar el problema en la forma estándar.

Siguiendo con el ejemplo, sería:

Maximizar: Z = f(x,y) = x + y
sujeto a: x + y 150
  y x/2
  x 20 ; y 40

Aquí termina el planteamiento del problema. Para su resolución hay que

continuar con :

Paso 4º: Representar gráficamente las restricciones y

marcar claramente la región factible.

Para las restricciones anteriores debemos representar las

rectas: x + y = 150 , y = x/2 , x = 20 e y = 40, obteniéndose
la región factible que en la figura se encuentra coloreada.

Paso 5º: Hallar las coordenadas de los vértices del

polígono obtenido.

Resolviendo los sistemas : { x = 20, y = 40 } , { y = x/2 , y =

40 } , { y = x/2 , x + y = 150} , { x + y = 150, x = 20}; se
obtienen los vértices: A(20,40) , B(80,40) , C(100, 50) ,
D(20,130)

Paso 6º: Sustituir las coordenadas de esos puntos en la función objetivo y hallar el valor
máximo o mínimo.

Sustituyendo en f(x,y) = x + y, se tiene:

f(20,40) = 60 , f(80,40) = 120 , f(100, 50) = 150 , f(20,130) = 150

Como el valor máximo se obtiene en los puntos C y D, puede optarse por cualquiera de los dos,
o por cualquier punto perteneciente al segmento que los une. Así, por ejemplo, se obtendría el
mismo gasto con 40 bidones de aceite girasol y 110 bidones de aceite de oliva; o 90 y 60
respectivamente.

Paso 7º: También es conveniente representar las rectas de nivel para comprobar que la
solución gráfica coincide con la encontrada. Esta conveniencia se convierte en necesidad
cunado la región factible es no acotada.
En nuestro caso, puede comprobarse que las rectas de nivel tienen la misma pendiente que la
recta límite de la restricción x + y 150 ; por tanto, hay múltiples soluciones.

Paso 8º: Por último, como en la resolución de todo problema es necesario criticar la solución:
cerciorarse de que la solución hallada es lógica y correcta.

En este ejemplo, no todos los puntos del segmento CD son soluciones válidas, ya que no
podemos admitir valores de x e y no enteros , como ocurriría en el punto (90.5,59.5) .

Obs.: Si un problema en la forma estándar no indica que se debe realizar por el método
analítico o gráfico , seguiremos para su resolución los pasos del 4º al 8º

 Tipos de soluciones 
Los programas lineales con dos variables suelen clasificarse atendiendo al tipo de solución que
presentan. Éstos pueden ser:

Si existe el conjunto de soluciones o valores que satisfacen las restricciones.

Factibles A su vez, pueden ser:
     
Con
  solución  
única
En una urbanización se van a construir casas de dos tipos: A y B. La empresa
constructora dispone para ello de un máximo de 1800 millones de pesetas, siendo
el coste de cada tipo de casa de 30 y 20 millones, respectivamente. El
Ayuntamiento exige que el número total de casas no sea superior a 80.
Sabiendo que el beneficio obtenido por la venta de una casa de tipo A es 4
millones y de 3 millones por una de tipo B, ¿cuántas casas deben construirse de
cada tipo para obtener el máximo beneficio?

 Variables: x = nº de casas tipo A ; y = nº de casas

tipo B
 Función objetivo: Maximizar Z = f(x,y) = 4x + 3y
 Conjunto de restricciones: El coste total 30x + 20y
  1800 . El Ayuntamiento impone x + y 80 . De
no negatividad: x 0 , y 0.

Tiene por región factible la región coloreada.

Si hallamos los valores de la función objetivo en cada uno
de los vértices :
f(O) = f(0,0) = 0 ; f(C)=f(60,0) = 240 ;f(D) = f(20,60) = 260 ; f(E) = f(0,80) = 240
La solución es única, y corresponde al vértice para el que la función objetivo toma
el valor máximo. En este caso es el vértice D(20,60). Por tanto se deben construir
20 casas de tipo A y 60 de tipo B con un coste de 260 millones de pesetas.

 
Con
Si existe más de una
  solución
solución.......................................................................................
múltiple
 Maximizar la función Z = f(x,y) = 4x + 2y sujeta a las restricciones
2x + y 4 , x - y 1 , x 0 , y 0.

Los valores de la fucnión objetivo en cada uno de los vértices son:

f(O)=f(0,0) = 0 , f(A) = f(1,0) = 4 ; f(B)=f(5/3,2/3) = 8 , f(C) = f(0,4) =
8
La función objetivo alcanza el valor máximo en los vértices B y C,
  por tanto, en todos los puntos del segmento BC.
Hay infinitas soluciones, solución múltiple, que corresponden a los
puntos del segmento situado entre dos vértices de la región factible.
En estos casos, como ya vimos en el capítulo anterior, la función objetivo es
paralela a una de las restricciones.

 
Con
  solución Cuando no existe límite para la función objetivo
no acotada
Maximizar la función Z = f(x,y) = x + y sujeta a las
restricciones y 2x , y x/2 .

Tiene por región factible la zona coloreada que aparece en la

figura, que es una región no acotada.
La función crece indefinidamente para valores crecientes de
  x e y.
En este caso no existe un valor extremo para la función
objetivo, por lo que puede decirse que el problema carece de
solución.
Para que suceda esta situación la región factible debe estar no acotada.

 
No Cuando no existe el conjunto de soluciones que cumplen las restricciones,
factibles es decir, las restricciones son inconsistentes.
Maximizar la función Z = f(x,y) = 3x + 8y sujeta a las
restricciones x + y 6 , x + y 2 , x 0 , y 0.

No existe la región factible, ya que las zonas coloreadas que

  aparecen en la figura son únicamente soluciones de alguna de
las inecuaciones .
Por tanto, el conjunto de soluciones del sistema de
desigualdades no determina ninguna región factible.
Este tipo de problemas carece de solución.
     
  Método del Simplex
Es un procedimiento iterativo que permite ir mejorando la solución a El método del simplex fue creado
en 1947 por el matemático George
cada paso. El proceso concluye cuando no es posible seguir Dantzig .
mejorando más dicha solución.
El método del simplex se utiliza,
Partiendo del valor de la función objetivo en un vértice cualquiera, el sobre todo, para resolver
problemas de programación lineal
método consiste en buscar sucesivamente otro vértice que mejore en los que intervienen tres o más
al anterior. La búsqueda se hace siempre a través de los lados del
polígono (o de las aristas del poliedro, si el número de variables es
mayor). Cómo el número de vértices (y de aristas) es finito, siempre variables.
se podrá encontrar la solución.
El álgebra matricial y el proceso de
eliminación de Gauss-Jordan para
El método del simplex se basa en la siguiente propiedad: si la resolver un sistema de ecuaciones
función objetivo, f, no toma su valor máximo en el vértice A, lineales constituyen la base del
entonces hay una arista que parte de A, a lo largo de la cual f método simplex.
aumenta.

Vamos a resolver mediante el método del simplex el siguiente problema:  

Maximiza Z= f(x,y)= 3x +
r 2y
sujeto a: 2x + y  18
  2x + 3y  42
  3x + y  24
  x 0,y 0

Se consideran las siguientes fases:

1. Convertir las desigualdades en igualdades

Se introduce una variable de holgura por cada una de las restricciones, para convertirlas en
igualdades, resultando el sistema de ecuaciones lineales: 

2x + y + h = 18
2x + 3y + s =
42
3x +y + d = 24

2. Igualar la función objetivo a cero

- 3x - 2y + Z = 0

3. Escribir la tabla inicial simplex

En las columnas aparecerán todas las variables del problema y, en las filas, los coeficientes de
las igualdades obtenidas, una fila para cada restricción y la última fila con los coeficientes de la
función objetivo: 

Tabla I . Iteración nº 1 
Base Variable de decisión Variable de holgura Valores solución
  x y h s d  
h 2 1 1 0 0 18
s 2 3 0 1 0 42
d 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 nuestro caso, la variable x de coeficiente - 3.

  Si existiesen 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 del 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 (En color
verde).
 

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 8 es el menor, indica la fila de la variable de holgura que sale de la
base, d. Esta fila se llama fila pivote (En color verde).

  Si al calcular los cocientes, dos o más son iguales, indica que cualquiera de las
variables correspondientes pueden 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.

Los nuevos coeficientes de x se obtienen dividiendo todos los coeficientes de la fila d por el
pivote operacional, 3, que es el que hay que convertir en 1.

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 del pivote:

Nueva fila del 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 nº 2
Base Variable de decisión Variable de holgura Valores solución
  x y h s d  
h 0 1/3 1 0 -2/3 2
s 0 7/3 0 1 -2/3 26
x 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 y, 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
h.
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 nº 3

Base Variable de decisión Variable de holgura Valores solución
  x y h s d  
y 0 1 3 0 -2 6
 s 0 0 -7 0 4 12
x 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 d, 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
s.
C. El elemento pivote, que ahora hay que hacer 1, es 4.

Obtenemos la tabla: 

Tabla IV . Final del proceso

Base Variable de decisión Variable de holgura Valores solución
  x y h s d  
y 0 1 -1/2 0 0 12
d 0 0 -7/4 0 1 3
x 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.

Los solución óptima viene dada por el valor de Z en la columna de los 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 de decisión que han entrado en la base:
D(3,12) 

* Si en el problema de maximizar apareciesen como restricciones inecuaciones de la forma:

ax + by  c; multiplicándolas por - 1 se transforman en inecuaciones de la forma - ax -
by  - c y estamos en el caso anterior

* Si en lugar de maximizar se trata de un problema de minimizar se sigue el mismo proceso,

pero cambiando el sentido del criterio, es decir, para entrar en la base se elige la variable
cuyo valor, en la fila de la función objetivo, sea el mayor de los positivos y se finalizan las
iteraciones cuando todos los coeficientes de la fila de la función objetivo son negativos 

  Interpretación geométrica del método del simplex 

Las sucesivas tablas que hemos construido van proporcionando el valor de la función objetivo en
los distintos vértices, ajustándose, a la vez, los coeficientes de las variables iniciales y de
holgura.
En la primera iteración (Tabla I) han permanecido todos los coeficientes iguales, se ha calculado
el valor de la función objetivo en el vértice A(0,0), siendo este 0.

A continuación se desplaza por la arista AB, calculando el valor de f , hasta llegar a B. 
Este paso aporta la Tabla II.
En esta segunda iteración se ha calculado el valor que corresponde al vértice B(8,0): Z=f(8,0) =
24

Sigue por la arista BC, hasta llegar a C, donde se para y despliega los
datos de la Tabla III.
En esta tercera iteración se ha calculado el valor que corresponde al
vértice C(6,6) : Z=f(6,6)=30.

Continua haciendo cálculos a través de la arista CD, hasta llegar al

vértice D. Los datos que se reflejan son los de la Tabla IV.
Concluye con esta tabla, advirtiendo que ha terminado (antes ha
comprobado que la solución no mejora al desplazarse por la arista DE)
El valor máximo de la función objetivo es 33, y corresponde a x = 3 e y
= 12 (vértice D).

Si calculas el valor de la función objetivo en el vértice E(0,14), su valor no supera el valor 33.
 MÉTODO DE SOLUCIÓN GRÁFICO

  Introducción.
La PL es una técnica mediante la cual se toman decisiones, reduciendo el problema bajo
estudio a un modelo matemático general, el cual debe ser resuelto por métodos
cuantitativos.

En desarrollo de este capítulo se aplicarán la solución de dichos modelos aplicando

diversas técnicas como: el método gráfico, método simplex, método matricial, técnica de
la gran M.

Además se desarrollara la aplicación de variables artificiales y obtención de soluciones

para identificar a que tipo de clasificación pertenecen. Por medio de dichos modelos de
solución se podrá obtener las solución adecuada para cada problema y facilitar la toma de
decisiones.

Método gráfico. 

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.

Los pasos necesarios para realizar el método son nueve:

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 determinan 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
línea 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.
Maximizar    Z  =  3X1 + 2X2
 restricciones :            X1   + 2X2   <=6       (1)
                                 2X1  +  X2    <=8       (2)
                                  -X1  + X2    <=1       (3)
                                              X2   <= 2       (4)
                                    X1              >= 0       (5)
                                               X2   >= 0       (6)

Convirtiendo las restricciones a igualdad y representandolas gráficamente se tiene:

  X1 + 2X2  = 6       (1)

2X1  +  X2  = 8       (2)
-X1  +  X2  = 1       (3)
            X2  = 2       (4)
 X1             = 0       (5)
            X2  = 0       (6)
 

Figura 1  Espacio de solución presentada con WinQsb

 
 
Figura 2 Determinación de solución
 

Maximizar    Z  =  3X1 + 2X2

                            Punto           (X1, X2)                   Z

                               A                 (0, 0)                      0
                               B                 (4, 0)                     12
                               C              (3.3, 1.3)              12.6  (
óptima )
                               D                (2, 3)                      12
                               E                (1, 3)                       9
                               F                (0, 2)                       4

                                     Tabla 2.  Solución Método Gráfico

Para obtener la solución gráfica, después de haber obtenido el espacio de solución y

graficada la función objetivo el factor clave consiste en decidir la dirección de mejora de
la función objetivo.
 

   MÉTODO SIMPLEX. (Dantzig 1940)

 

En la solución gráfica observamos que la solución óptima está asociada siempre con un
punto extremo del espacio de soluciones. El método simplex está basado
fundamentalmente en este concepto.

Careciendo de la ventaja visual asociada con la representación gráfica del espacio de

soluciones, el método simplex emplea un proceso iterativo que principia en un punto
extremo factible, normalmente el origen, y se desplaza sistemáticamente de un punto
extremo factible a otro, hasta que se llega por último al punto óptimo.

Existen reglas que rigen la selección del siguiente punto extremo del método simplex:
1.  El siguiente punto extremo debe ser adyacente al actual.
2. La solución no puede regresar nunca a un punto extremo considerado con la
anterioridad.

El algoritmo simplex da inicio en el origen, que suele llamarse solución inicial. Después
se desplaza a un punto extremo adyacente. La elección específica de uno a otro punto
depende de los coeficientes de la función objetivo hasta encontrar el punto óptimo.
Al aplicar la condición de optimidad a la tabla inicial  seleccionamos a Xi como la
variable que entra. En este punto la variable que sale debe ser una de las variables
artificiales.

Los pasos del algoritmo simplex son ( 10 ) :

1. Determinar una solución básica factible inicial.

2. Prueba de optimidad: determinar si la solución básica factible inicial es óptima y sólo
si todos los coeficientes de la ecuación son no negativos ( >= 0 ). Si es así, el proceso
termina; de otra manera se lleva a cabo otra interacción para obtener la nueva solución
básica factible inicial.
3.  Condición de factibilidad.- Para todos los problemas de maximización y
minimización, variable que sale es la variable básica que tiene la razón más pequeña
(positiva). Una coincidencia se anula arbitrariamente.
4.  Seleccionar las variables de holgura como las variables básicas de inicio.
5.  Selecciona una variable que entra de entre las variables no básicas actuales que,
cuando se incrementan arriba de cero, pueden mejorar el valor de la función objetivo. Si
no existe la solución básica es la óptima, si existe pasar al paso siguiente.
6.  Realizar el paso iterativo.
a) Se determina la variable básica entrante mediante la elección de la variable con el
coeficiente negativo que tiene el valor mayor valor absoluto en la ecuación. Se enmarca
la columna correspondiente a este coeficiente y se le da el nombre de columna pivote.
b)  Se determina la variable básica que sale; para esta, se toma cada coeficiente  positivo
(>0) de la columna enmarcada, se divide el lado derecho de cada renglón entre estos
coeficientes, se identifica la ecuación con el menor cociente y se selecciona la variable
básica para esta ecuación.
c)  Se determina la nueva solución básica factible construyendo una nueva tabla en la
forma apropiada de eliminación de Gauss, abajo de la que se tiene. Para cambiar el
coeficiente de la nueva variable básica en el renglón pivote a 1, se divide todo el renglón
entre el número pivote, entonces

renglón pivote nuevo  = renglón pivote antiguo

                                       número pivote

para completar la primera iteración es necesario seguir usando la eliminación de Gauss

para obtener coeficientes de 0 para la nueva variable básica Xj en los otros renglones,
para realizar este cambio se utiliza la siguiente fórmula:

renglón nuevo = renglón antiguo - ( coeficiente de la columna pivote X renglón pivote 

nuevo)

cuando el coeficiente es negativo se utiliza la fórmula:

renglón nuevo = renglón antiguo + (coeficiente de la columna pivote X renglón pivote

nuevo)
 

  TABLA SIMPLEX
como se capturaría la solución básica factible inicial en el siguiente ejemplo:

sea:

Maximizar Z = 2X1+4X2
sujeto a:

2X1+   X2<= 230

  X1+ 2X2<= 250
            X2<= 120
todas las X1,X2>=0
 
 

BASE Z X1 X2 S1 S2 S3 SOLUCIÓN RAZÓN

Z 0 -2 -4 0 0 0 0 0
S1 0 2 1 1 0 0 230 230/1
S2 0 1 2 0 1 0 250 250/2
S3 0 0 1 0 0 1 120 120/1

Seleccione la variable que entra y la variable que sale de la base:

Entra X2  y sale S3, se desarrolla la nueva tabla solución y se continua el proceso
iterativo hasta encontrar la solución optima si es que está existe.

Tabla Optima:
 

BASE Z X1 X2 S1 S2 S3 SOLUCIÓN RAZÓN

Z 0 0 0 0 2 0 500  
S1 0 0 0 1 -2 3 90  
X1 0 1 0 0 1 -2 10  
X2 0 0 1 0 0 1 120  

Solución:  Z = $500
fabricando
X1=10
X2=120
Sobrante de
S1 = 90
Tipo de solución: Optima Múltiple  

 Solución de problemas en donde la solución continua no sea aplicable

Uso de paquetes computacionales en la solución e interpretación de los

resultados

Puedes bajar el tutorial de WinQsb+

   

WinQsb+: Debe bajar el Software de apoyo para resolver los modelos de programación
lineal.
Interpretación de los resultados: Veamos la salida de un modelo que involucra la
planeación de la producción, en donde se desean construir mesas y sillas el recurso
disponible es 30 m2 de madera por semana, 48 horas por semana; la demanda de las sillas
es de 5 unidades y la de mesas de 10 unidades, la utilidad que se obtiene por las mesas es
de $10 y por las sillas de $8, ademas para construir la mesa se ocupa lo siguiente: 4.5 m2
de madera  por unidad, 6 horas por unidad. Para la silla se ocupan: 1.5 m2 de madera por
unidad y 3 horas por cada unidad fabricada.
Con esta información se desarrolla el modelo siguiente:

Max Z = 10X1+8X2
s.a.
4.5X1+1.5X2 <= 30
6.0X1+3.0X2  <= 48
toda X1,X2  >=0

El reporte final de este modelo es el siguiente (por WinQsb)

Reduced  Allowable 
Decision  Solution Unit Cost Total Basis Allowable
Variable Value or Profit cj Contribution Status Min cj
Cost Max cj
at
X1 0 10.0000 0 -6.0000 -M 16.0000
bound
X2 16.0000 8.0000 128.0000 0 basic 5.0000 M
Objetive Function (Max) = 128.0000        
               
Left Shadow Allowable  Allowable 
Rigth Hand Slack or
Constraint Hand Direction
Side Surplas
Side Price Min. RHS Max. RHS
C1 24.0000 <= 30.0000 6.0000 0 24.0000 M
C2 48.0000 <= 48.0000 0 2.6667 0 60.0000

INTERPRETACIÓN DE LA SALIDA:

Información de la Función Objetivo:

Decision Variable  (Variable de Decisión): Son las variables que se han definido en la
formulación del problema en este caso representan al producto X1 =  mesas y X2= sillas.

Solution Value (Valor de la solución): Cantidad de mesas y sillas a fabricar, el problema

se resuelve y nos indica que para obtener la mejor solución en términos de la utilidad, se
necesitan fabricar 16 sillas y no fabricar mesas.

Unit Cost or Profit (costo por unidad, Utilidad por unidad): Cantidad de pesos que vamos
a ganar por cada mesa y por cada silla ($10 y $8 respectivamente.
Total Contribution (contribución total): Es la cantidad en pesos que resulta al multiplicar
la utilidad de cada producto por la cantidad que se va a fabricar, ejemplo al fabricar 16
sillas y multiplicarlo por $/silla 8,  la contribución es de $128.0000, así al sumar la
contribución por concepto de las mesas nos arroja una aportación de $0.0000, esto resulta
de hacer la operación de ($/mesa10) (0mesas)= $0.0000, finalmente la suma de
128.0000+0.0000 = $128.0000, esto es lo que se conoce como el valor de Objetive
Function Max.

Reduced Cost (Costo reducido): esto nos indica el dinero que hemos dejado de ganar por
cada unidad no fabricada. en este caso debemos de aumentar a mas de $6.0000 la utilidad
de la mesa para que sea atractiva la fabricación de mesas.

Basis Status (estado de la base): Indica si la variable es básica o no básica, en este

ejemplo la variable X1 (mesas) resulta ser no básica, esto es que no forma parte de la
solución óptima, la variable X2 (sillas) es una variable básica, ya que forma parte de la
solución.

Allowed Min cj (rango mínimo del cj): esta es la mínima utilidad que puedo obtener sin
que la base actual cambie. (-M)

Allowed Max cj (rango mínimo del cj): esta es la máxima utilidad que puedo obtener sin
que la base actual cambie. (16.0000)

los valores que aparecen son para el producto Mesa.

Interpretación de  las Restricciones:

Constraint (Restricción): Son las restricciones que forman parte del problema, se tienen
dos restricciones (C1 y C2) la restricción de la madera y la de horas hombre.

Left hand side (valor al lado izquierdo): esto nos indica el consumo de recurso, de 30.000
m2 de madera se consumieron 24.000 m2.

Direction (dirección): es la dirección de la restricción (<=,>= o =)

Rigth hand side (valor lado derecho): es el recurso disponible actualmente 30 m2

Slack or Surplas (holguras): nos indican un faltante o bien un sobrante

Shadow Price (precio sombra): nos indica la solución Dual, esto es que el 2.6667 indica
que cada hra-hombre se debe ofrecer como mínimo en $/hr 2.6667.

Allowed Min RHS (rango mínimo del bj): esta es la mínima cantidad de recurso que se
debe de mantener  sin que la base actual cambie. (0 hrs-hombre)
Allowed Max RHS (rango mínimo del bj): esta es la máxima cantidad de recurso que se
debe de mantener  sin que la base actual cambie (60.0000 hrs-hombre) 

SOLUCIÓN GRÁFICA DE PROBLEMAS DE PROGRAMACIÓN

LINEAL

Muchos problemas de administración y economía están relacionados con la

optimización (maximización o minimización) de una función sujeta a un sistema
de igualdades o desigualdades. La función por optimizar es la función
objetivo. Las funciones de ganancia y de costo son ejemplos de funciones
objetivo. El sistema de igualdades o desigualdades a las que está sujeta la
función objetivo reflejan las restricciones (por ejemplo, las limitaciones sobre
recursos como materiales y mano de obra) impuestas a la solución (o
soluciones) del problema. Los problemas de esta naturaleza se llaman
problemas de programación matemática. En particular, aquellas donde la
función objetivo y las restricciones se expresan como ecuaciones o
desigualdades lineales se llaman problemas de programación lineal.

Un problema de Un problema de programación lineal consta de una funci´n objetivo lineal po

programación lineal sujeta a ciertas restricciones en la forma de igualdades o desigualdades line

Como ejemplo de un problema de programación lineal en que la función

objetivo debe maximizarse, considerese el siguiente problema de producción
con dos variables

El granjero Lopez tiene 480 hectáreas en la que se puede sembrar ya sea trigo Maiz:
o maíz. El calcula que tiene 800 horas de trabajo disponible durante la Utilidad: $40 p
estación crucial del verano. Dados márgenes de utilidad y los requerimientos Trabajo: 2hs 
laborales mostrados a la derecha, ¿Cuántas hectáreas de cada uno debe Trigo:
plantar para maximizar su utilidad?¿Cuál es ésta utilidad máxima? Utilidad:  $30
Trabajo: 1hs 

Solución: Como primer paso para la formulación matemática de este problema,

se tabula la información dada (Tabla 1). Si llamamos x a las hectáreas de maíz
e y a las hectáreas de trigo. Entonces la ganancia total P, en dólares, está dada
por:

P=40x+30y

Que es la función objetivo por maximizar.

Elementos
  Maíz Trigo
disponibles
Horas 2 1  
Hectáreas 1 1 800
Utilidad por unidad $40 $30 480
La cantidad total de tiempo par hectáreas para sembrar maíz y trigo está
dada por 2x+y horas que no debe exceder las 800 horas disponibles para el
trabajo. Así se tiene la desigualdad:
2x+y<800  
En forma análoga, la cantidad de hectáreas disponibles está dada por x+y, y
ésta no puede exceder las hectáreas disponibles para el trabajo, lo que conduce
a la desigualdad.
Por último, si no queremos tener pérdidas, x y y no pueden ser negativa, de
modo que 
x>0
y>0  
En resumen, el problema en cuestión consiste en maximizar la función objetivo
P=40x+30y 
sujeta a las desigualdades
2x+y<800
x+y<480
x>0
y>0
 
Solución Gráfica
Los problemas de programación lineal en dos variables tienen
interpretaciones geométricas relativamente sencillas; por ejemplo, el sistema
de restricciones lineales asociado con un problema de programación lineal
bidimensional- si no es inconsistente- define una región plana cuya frontera
está formada por segmentos de recta o semirrectas, por lo tanto es posible
analizar tales problemas en forma gráfica.
Si consideremos el problema del granjero López, es decir, de maximizar
P = 40x+ 30y sujeta a 
2x+y<800
x+y<480
                                                        x>0, y>0
(7)
 El sistema de desigualdades (7) define la región plana S que aparece en la
figura 5. Cada punto de S es un candidato para resolver este problema y se
conoce
como solución factible. El conjunto S se conoce como conjunto factible. El
objetivo es encontrar – entre todos los puntos del conjunto S- el punto o los
puntos que optimicen la función objetivo P. Tal solución factible es una
solución óptima y constituyen la solución del problema de programación
lineal en cuestión.
Como ya se ha observado, cada punto P(x,y) en S es un candidato para
la solución óptima del problema en cuestión, por ejemplo, es fácil ver que el
punto (200, 150) está en S y, por lo tanto, entra en la competencia. El valor
de la función objetivo P en el punto (200,150) está dado por
P=40(200)+30(150)=12.500 . Ahora si se pudiera calcular el valor de P
correspondiente a cada punto de S, entonces el punto (o los puntos) en S
que proporcione el valor máximo de P formará el conjunto solución buscado.
Por desgracia, en la mayoría de los problemas, la cantidad de candidatos es
demasiado grande o, como en este problema, es infinita. Así este método no
es adecuado.
Es mejor cambiar de punto de vista: en vez de buscar el valor de la
función objetivo P en un punto factible, se asignará un valor a la función P y
se buscarán los puntos factibles que correspondieran a un valor dado de P.
Para esto supóngase que se asigna a P el valor 6000. Entonces la función
objetivo se convierte en 40x+ 30y = 6.000,una ecuación lineal en x e y; por lo
tanto, tiene como gráfica una línea recta L1 en el plano.  
Está claro que a cada punto del segmento de recta dado por la
intersección de la línea recta L1 y el conjunto factible S corresponde el valor
dado 6000 de P. Al repetir el proceso, pero ahora asignando a P el valor de
12.000, se obtiene la ecuación 40x+ 30y =12.000 y la recta L2  lo cual sugiere
que existen puntos factibles que corresponden a un valor mayor de P.
Obsérvese que la recta L2 es paralela a L1, pues ambas tienen una pendiente
igual a –4/3. Esto se comprueba con facilidad escribiendo las ecuaciones en
explícita de la recta.
En general, al asignar diversos valores a la función objetivo, se obtiene
una familia de rectas paralelas, cada una con pendiente igual a –4/3.
Además, una recta correspondiente a un valor mayor de P está más alejada
del origen que una recta con un valor menor de P. El significado es claro.
Para obtener las soluciones óptimas de este problema, se encuentra la recta
 perteneciente a esta familia que se encuentra más lejos del origen y que
interseque al conjunto factible S. La recta requerida es aquella que pasa por
el punto P(320,160) (Fig. 6), de modo que la solución de este problema está
dado por x=320, y=160 ( es decir que el granjero López deberá sembrar 320
hectáreas de maíz y 160 hectáreas de trigo), lo que produce el valor máximo
P=40(320)+30(160)=17.600.
No es casualidad que la solución óptima de este problema aparezca
como vértice del conjunto factible S. De hecho, el resultado es consecuencia
del siguiente teorema básico de la programación lineal, que se enuncia sin
demostración.
Teorema 1 Si en problema de programación lineal tiene una solución, entonces ésta debe ap
esquina, del conjunto factible S asociado con el problema. Además, si la función
dos vértices adyacente de S, entonces se optimiza en todos los puntos del segm
estos vértices, en cuyo caso existe una infinidad de soluciones al problema

En nuestro ejemplo los únicos vértice del conjunto factible S son los puntos
coordenados: (0,0); (400,0); (320,160); (0,480), llamados también puntos
esquinas (Fig. 6). 

Un ejemplo en el que tendríamos infinitas soluciones, es:

VERTICE P=40x+40y Supóngase que la utilidad por hectáreas es de $40 para ambos, maí
(0,0) 0 este caso muestra la misma utilidad total en los vértices(0,480) y (32
que la línea de utilidad en movimiento abandona la región sombread
(0,480) 19.200 determinado por esos vértices (adyacentes) , así todo punto en ese l
(320,160) 19.200 máxima. Todavía es válido, sin embargo, que la utilidad máxima ocu
(400,0) 16.000
El teorema 1 dice que la búsqueda de las soluciones a un problema de
programación lineal se puede restringir al examen del conjunto de vértices
del conjunto factible S relacionado con el problema. Como un conjunto
factible S tiene un número finito de vértices, el teorema sugiere que las
soluciones a un problema de programación lineal se puedan hallar
inspeccionando los valores de la función objetivo P en los vértices.
Aunque el teorema 1 arroja un poco de luz acerca de la naturaleza de la
solución de un problema de programación lineal, no indica cuándo tiene
solución. El siguiente teorema establece ciertas condiciones que garantizan
la existencia de la solución de un problema de programación lineal.
Teorema 2: Supóngase un problema de programación lineal con un conjunto factible S y una
Existencia de by.
una solución 1. Si S está acotado, entonces P tiene u valor máximo y n valor mínimo en S.
  2. Si S no está acotado y tanto a como b son no negativos, entonces P tiene un v
restricciones que definen a S incluyen las desigualdades x ³ 0 e y ³ 0.
3. Si S es el conjunto vacío, entonces el problema de programación lineal no tie
no tiene un valor máximo ni uno mínimo
  
El método utilizado para resolver el problema del granjero López recibe el
nombre de método de las esquinas. Este método sigue un procedimiento
muy sencillo para resolver los problemas de programación lineal basado en
el teorema1.
Método de las 1.      Se grafica el conjunto factible.
esquinas 2.      Se encuentran las coordenadas de todas las esquinas (vértices) del conjun
  3.   Se evalúa la función objetivo en cada esquina. 
4.   Se halla el vértice que proporcione el máximo (mínimo) de la función objetivo
vértice con esta propiedad, entonces constituye una solución única del problema.
maximiza (minimiza) en dos esquinas adyacentes de S, entonces existe una infin
óptimas dadas por los puntos del segmento de recta determinado por estos dos v
 
Aplicaremos los conceptos antes emitidos al siguiente problema de nutrición,
basado en los requerimientos, en el cual hay que minimizar la función
objetivo.
 
Un nutricionista asesora a un individuo que sufre una deficiencia de hierro
y vitamina B, y le indica que debe ingerir al menos 2400 mg de vitamina B-
1 (tiamina) y 1500 mg de vitamina B-2 (riboflavina) durante cierto período
de tiempo. Existen dos píldoras de vitaminas disponibles, la marca A y la
marca B. Cada píldora de la marca A contiene 40 mg de hierro, 10 mg de
vitamina B-1, 5 mg de vitamina B-2 y cuesta 6 centavos. Cada píldora de la
marca B contiene 10 mg de hierro, 15 mg de vitamina B-1 y de vitamina B-
2, y cuesta 8 centavos (tabla 2). 
¿Cuáles combinaciones de píldoras debe comprar el paciente para cubrir
sus requerimientos de hierro y vitamina al menor costo?
Requerimientos
  Marca A Marca B
mínimos
Hierro 40 mg 10 mg 2400 mg
Vitamina B-1 10 mg 15 mg 2100 mg
Vitamina B-2 5 mg 15 mg 1500 mg
Costo por píldora
0,06 0,08  
(US$)
Solución: Sea x el número de píldoras de la marca A e y el número de
píldoras de la marca B por comprar. El costo C, medido en centavos, está
dado por
C = 6x+ 8y
que representa la función objetivo por minimizar.
La cantidad de hierro contenida en x píldoras de la marca A e y el número
de píldoras de la marca B está dada por 40x+10y  mg, y esto debe ser
mayor o igual a 2400 mg. Esto se traduce en la desigualdad.
 40x+10y>2400 
Consideraciones similares con los requisitos mínimos de vitaminas B-1 y B-2
conducen a las desigualdades: 
10x+15y>2100
5x+15y>1500 
respectivamente. Así el problema en este caso consiste en minimizar
C=6x+8y sujeta a 
40x+10y>2400
10x+15y>2100
5x+15y>1500
x>0, y>0   
El conjunto factible S definido por el sistema de restricciones aparece en la
figura. Los vértices del conjunto factible S son A(0,240); B(30,120); C(120; 60) y
D(300,0).

Los valores de la función objetivo C en estos vértices en la tabla que sigue

Vertice C=6x + 8y
A (0,240) 1920
B(30,120) 1140
C(120,60) 1200
D(300,0) 1800
La tabla muestra que el mínimo de la función objetivo C=6x+8y ocurre en el
vértice B(30,120) y tiene un valor de 1140. Así el paciente debe adquirir 30
píldoras de la marca A y 120 de la marca B, con un costo mínimo de $11,40. 

El método de las esquinas es de particular utilidad para resolver problemas de

programación lineal en dos variables con un número pequeño de restricciones, como han
demostrado los ejemplos anteriores, sin embargo su efectividad decrece con rapidez
cuando el número de variables o de restricciones aumenta. Por ejemplo, se puede mostrar
que un ejemplo de programación lineal en tres variables y cinco restricciones puede tener
hasta diez esquinas factibles. La determinación de las esquinas factibles requiere resolver
10 sistemas 3x3 de ecuaciones lineales y luego comprobar que cada uno es un punto
factible, sustituyendo cada una de estas soluciones en el sistema de restricciones. Cuando
el número de variables y de restricciones aumenta a cinco y diez, respectivamente (que
aún es un sistema pequeño desde el punto de vista de las aplicaciones en economía), la
cantidad de vértice por hallar y comprobar como esquinas factibles aumenta hasta 252, y
cada uno de estos vértices se encuentra resolviendo el sistema lineal ...¡de 5x5! Por esta
razón, el método de las esquinas se utiliza con poca frecuencia para resolver problemas
de programación lineal, su valor reside en que permite tener una mejor idea acerca de la
naturaleza de las soluciones a los problemas de programación lineal a través de su uso en
la solución de problemas de dos variables.

    PROGRAMAS DE COMPUTACIÓN  PARA RESOLVER

                                 PROBLEMAS DE PROGRAMACION LINEAL

En esta pagina, se presenta la documentación relativa a los programas de

computación que  serán utilizados en el curso para resolver problemas de
programación Lineal,  adicionalmente, el alumno puede bajar los programas de
computación con fines académicos, con miras a resolver los problemas
propuestos del curso y no deben ser utilizados con fines comerciales ya que los
mismos están protegidos por las leyes de derechos de autor.

A.-)  PROGRAMAS DE COMPUTACIÓN

Adicional al programa SOLVER, incluido en EXCEL-2000 de MIcrosoft  (cuya

explicación didáctica del funcionamiento del programa Solver (445 kb), se
incluye en este documento que puede ser bajado por Usted), se incorporan
otros programas  que operan bajo sistema WIndows 98/ME/2000/XP, debiendo
disponer de una computadora actualizada con procesador Pentium II y
superiores, memoria mínima de 256 kb y capacidad de disco de 50 MB y los
cuales pueden ser bajados a continuación:.

A.1)  El programa WinQSB (3.9 Mb), cuya propiedad intelectual es del Dr. Yih-
Long Chang y es aplicable a todos los problemas de Investigación de
Operaciones. Para conocer sus usos y aplicaciones, se incorpora el  MANUAL
DE USO del WINQSB.

A.2)  El programa PrgLin, cuya propiedad es de la Universidad de Lisboa

(Portugal), el cual se aplica para soluciones gráficas de problemas de dos
dimensiones.

A.3) El programa InvOp (361 kb), desarrollado por la Universidad del Cuyo en
Argentina, se aplica para la solución de problemas relacionados con transporte y
redes.
A.3) El programa Lingo, propiedad de Lindo Systems Inc (USA),  que dado su
gran tamaño (18.9 Mb), se recomienda que Usted lo recupere directamente de
la pagina  Web del propietario de dicha tecnologia  http:// www.lindo.com

Posteriormente se irán incorporando otros programas de computación

específicos para cada caso y cuyo uso será descrito mediante ejemplos en la
Clase.

B.-) USO DEL PROGRAMA SOLVER DE EXCEL (Microsoft)

Para conocer la aplicación del método SOLVER de EXCEL (Microsoft), se

utilizará un ejemplo práctico:

Max Z= 10 X1 + 8 X2
Sujeto a:
              30X1 +20X2 <= 120
                2X1 +  2X2 <=  9
                4X1 +  6X2 <=  24

                  X1,X2 >=0

La  única dificultad que tenemos es el de modelar el programa dentro del Excel,
y eso, es muy fácil. Por supuesto, hay infinidad de maneras de hacerlo, aquí
propongo una.

Se activa  Excel y en una hoja...

Se ubican las celdas que se corresponderán con el valor de las

variables de decisión; en éste caso, las celdas B6 y C6, se les da
un formato para diferenciarlas de las demás, aquí azul oscuro (ver
captura abajo). Se ubica también, las celdas que contendrán los
coeficientes de las variables de decisión, B4 y C4, y se llenan con
sus respectivos valores, 10 y 8.  Aunque éste último paso, se
podría omitir y dejar los coeficientes definidos en la celda de la
función objetivo, así es mejor para los análisis de sensibilidad y
para que la hoja quede portable para otro programa.

Se ubica la celda que se corresponderá con la función objetivo

(celda objetivo), la B3. En ella se escribe la función que sea, en
éste caso, será el coeficiente de X1 (en B4) por el valor actual de
X1 (en B6) mas el coeficiente de X2 (en C4) por el valor actual de
X2 (en C6) O sea:  =$B$4*$B$6+$C$6*$C$4

Coeficientespara la primera restricción: los podemos escribir en

la misma columna de las variables de decisión; en las celdas B7 y
C7, con los valores 30 y 20, seguido del sentido de la desigualdad
 (<=) y de su correspondiente RHS: 120. A la derecha ubicaremos
el valor actual de consumo de la restricción, ella se escribirá en
función de las variables de decisión y de los coeficientes de la
restricción.   Esta celda, la utilizará Solver como la real restricción,
cuando le digamos que el valor de ésta celda no pueda sobrepasar
la de su correspondiente RHS. De nuevo será el valor del
coeficiente por el de la variable:=B7*$B$6+C7*$C$6. Notese que
ahora B7 y C7 no tienen el signo $. Pues es que luego que se haya
escrito ésta celda, se podrá arrastrar hacia abajo para que Excel
escriba la fórmula por nosotros (la pereza!), pero tome los valores
relativos a los coeficientes que le corresponda  a los mismos
valores de las variables de decisión. Se repite los pasos anteriores
para las otras restricciones, pero ahora la fórmula será:
=B8*$B$6+C8*$C$6 y =B9*$B$6+C9*$C$6.

                  

El resto del formato es para darle una presentación más bonita a la hoja. Ahora
a resoverlo!  Al hacer click en Herramientas , Solver se tendrá una pantalla como
la siguiente. Lo primero que hay que hacer es especificar la celda objetivo y el
propósito: maximizar. Se escribe B3 (o $B3 ó B$3 ó $B$3 como sea, da igual),
en el recuadro "cambiando las celdas", se hace un click en la flechita roja, para
poder barrer las celdas  B6 y C6; lo mismo da si se escriben directamente los
nombres.
  

Y ahora para las restricciones: se hace click en agregar...

En F7 está la primera restricción, como se puede ver en la captura. Se

especifica el sentido de la restricción <=, >= ó =.  Aquí también se puede
especificar el tipo de variable, por defecto es continua, pero se puede escoger
"Int" para entera o "Bin" para binaria.  En el recuadro de la derecha
establecemos la cota. Aquí podemos escribir 120 pero mejor escribimos $E$7
para que quede direccionado a la celda que contiene el 120, y después lo
podríamos cambiar y volver a encontrar la respuesta a manera de análisis de
sensibilidad.

Se repite éste paso para las otras dos restricciones.

La condición de no negatividad hay que incluirla manualmente, así:

  

El cuadro de diálogo debe lucir así:

Y listo! Se hace click en resolver y ya. Parece un poco largo en comparación con
los otros paquetes de programación lineal, pero esto se hará sólo una vez, para
los próximos programas se podrá utilizar la misma hoja cambiando los
coeficientes. Sin embargo, como se puede notar, la flexibilidad de modelar es
muy grande, y se puede introducir directamente en una hoja donde se haga el
análisis de Planeación Agregada,  Transporte, Inventario, Secuencias, balanceo,
etc. 
Método de la “M” o de Penalización.

            Hasta este momento se han presentado los detalles del método símplex con la
suposición de que el problema se encuentra en nuestra forma estándar (maximizar Z
sujeta a las restricciones funcionales de la  forma  y restricciones de no negatividad
sobre todas las variables) con bi  0 para toda i = 1,  2, ..., m. En esta sección se
establecerá cómo hacer los ajustes requeridos a otras formas legítimas de modelos de
Programación Lineal. Se verá que todos estos ajustes se pueden hacer en el paso inicial,
de manera que el resto del método símplex se aplica justo como se aprendió.

            El único problema serio que introducen las otras formas de restricciones
funcionales (= ó ) es identificar una solución inicial básica factible. Antes, esta solución
inicial se encontraba en forma muy conveniente al hacer que las variables de holgura
fueran las variables básicas iniciales, donde cada una era igual a la constante no negativa
del lado derecho de la ecuación correspondiente. Ahora debe hacerse algo más. El
enfoque estándar que se utiliza es estos casos es  la técnica de variables artificiales. Ésta
construye un problema artificial más conveniente introduciendo una variable ficticia
(llamada variable artificial) en cada restricción que lo requiera. Esta nueva variable se
introduce sólo con el fin de que sea la variable básica inicial para esa ecuación. Las
restricciones usuales de no negatividad también se aplican sobre estas variables y la
función objetivo se modifica para  que imponga una penalización exorbitante en  el caso
de que adquieran valores mayores que cero. Las iteraciones del método símplex
automáticamente fuerzan a las variables artificiales a desaparecer (a volverse cero) una a
una, hasta  que todas quedan fuera  de  la solución; después de esto se resuelve el
problema real. 

            Para ilustrar la técnica de las variables artificiales, primero se considerará el caso
en que la única forma no estándar en el problema es la presencia de una o más
restricciones en forma de igualdad.

Restricciones en forma de igualdad.

            En realidad, cualquier restricción en forma de igualdad: 

ai1x1 +ai2x2 + . . . + ainxn = bi 

es equivalente a dos restricciones de desigualdad: 

ai1x1 + ai2x2 + . . . + ainxn  bi,

ai1x1 + ai2x2 + . . . + ainxn  bi 

            Sin embargo, en lugar de hacer esta sustitución e incrementar con ello el número
de restricciones, es más conveniente usar la técnica de la variable artificial. Suponga que
se modifica el problema de ejemplo presentado y resuelto en la sección anterior. El único
cambio que sufre el modelo de programación lineal es que la tercera restricción, 3x1 + 2x2
 18, se convierte en una restricción de igualdad: 

3x1 + 2x2 = 18 

            Aplicando la técnica de las variables artificiales se introduce una variable

artificial no negativa (denotada por  x5) en la última ecuación, como si fuera una variable
de holgura: 

3x1 + 2x2 + x5 =18 

            En resumen si tenemos una restricción funcional en forma de igualdad y

deseamos “pasarla a su forma de igualdad”, únicamente debemos sumar una variable
artificial. 

Restricciones funcionales de la forma 

            Para ilustrar la manera en que la técnica de las variables artificiales maneja las
restricciones de la forma  usaremos el siguiente ejemplo: 

Minimizar Z = 0.4x1 + 0.5x2    

sujeta a     0.3x1 + 0.1x2  2.7
       0.5x1 + 0.5x2 = 6
      0.6x1 + 0.4x2  6
      x1  0,   x2  0    

             Notemos que la tercera restricción es del tipo , por lo que para cambiarla a su
forma de igualdad tendríamos que restar una variable de superávit (o de excedente),
quedando de la siguiente manera: 

0.6x1 + 0.4x2  x5 = 6 

            Se ha restado la variable de excedente x5 (se utilizó x5 porque en la primera

restricción agregamos una variable de holgura que sería x3 y en la segunda restricción
agregamos también una variable artificial que sería x4; todo esto con el fin de convertir
las desigualdades a su forma de igualdades) para que consuma el exceso de 0.6x1 + 0.4x2,
o sea, lo que se pasa de 6. No obstante en este caso debe agregarse otra variable. Esta
variable extra, llamada variable artificial se aumenta como sigue: 

0.6x1 + 0.4x2  x5 + x6 = 6 

            La razón de esto es que, si no se agrega la variable artificial, no se estarían

cumpliendo las restricciones de no negatividad. Para comprenderlo, se dejará sin
aumentar. El método símplex comienza por hacer todas las variables reales (originales)
iguales a cero. Entonces: 

0.6x1 + 0.4x2  x5 = 6 

Sea x1 = 0 y x2 = 0, entonces: 

x5 = 6

ó                                                                                 x5 = 6  (que no cumple la restricción

de no negatividad)

             La variable artificial opera para mantener todas las variables no negativas cuando
0.6x1 + 0.4x2 es menor que 6. Si x1 = 0 y x2 = 0, entonces x5 = 0 y
 0.6x1 + 0.4x2  x5 + x6 = 6

x6 = 6 

            En resumen, una restricción de la forma  se convierte a su forma de igualdad

restando una variable  de excedente y sumando una variable artificial. 

            Consideremos el siguiente problema: 

Maximizar Z = 3x1 + 5x2    

sujeta a     x1      4
          2x2  12
      3x1 + 2x2 = 18
      x1  0,   x2  0    

             Como explicamos anteriormente, para resolver este problema, debemos construir
un problema artificial que tiene la misma solución óptima que el problema real,
haciendo dos modificaciones a este problema real. 

1.   Se aplica la técnica de las variables artificiales introduciendo una variable artificial
no negativa (denotada por x5) en la última ecuación, como si fuera una variable de
holgura: 

3x1 + 2x2 + x5 =18

2.   Se asigna una penalización enorme al hecho de tener x5  0, cambiando la función

objetivo
Z = 3x1 + 5x2 a:

Z = 3x1 + 5x2  Mx5, 

donde M simbólicamente representa un número positivo muy grande. Este método que
fuerza a x5 hasta el nivel de x5 = 0 en la solución óptima se llama método de la M. 

Nota: Para el caso de minimización, penalizamos a la variable artificial, haciéndola

aparecer en la función objetivo con un coeficiente de +M.
            Ahora se encuentra la solución óptima para el problema real aplicando el método
símplex al problema artificial.
            Como x5 juega el papel de la variable de holgura en la tercera restricción del
problema artificial, esta restricción es equivalente a 3x1 + 2x2  18.

            En particular, el sistema de ecuaciones después de aumentar el problema artificial

(en otras palabras, pasarlo a su forma de igualdades) es: 

Maximizar Z,

sujeta a

Z  3x1  5x2         + Mx5 = 0

    x1     + x3         = 4
        2x2     + x4     = 12
  3x1 + 2x2         + x5 = 18
      xj  0 Para j = 1, 2, …, 5

             En este momento estamos preparados para pasar los coeficientes a la tabla
símplex:

Variable             Lado    

Básica Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?

Z 1 –3 –5 0 0 M 0    
x3 0 1 0 1 0 0 4    
x4 0 0 2 0 1 0 12    
x5 0 3 2 0 0 1 18    
             Esta tabla todavía no está en la forma apropiada porque el coeficiente de x5 es
diferente de cero en la ecuación de Z (es M). Por lo tanto, antes de que el método símplex
pueda aplicar la prueba de optimalidad y encontrar la variable básica entrante, debe
pasarse esta tabla a la forma apropiada para que cumpla la condición símplex. Esta
condición que debe cumplir toda tabla del método símplex para que pueda reportarnos la
siguiente solución básica factible dice que: “Toda variable básica debe tener un 1 en la
intersección de su renglón y columna correspondiente y cero en los demás renglones
incluido el renglón de Z”, en otras palabras, que toda variable que sea básica solamente
 debe aparecer en el renglón de la restricción que representa. Para hacer cero el coeficiente
M, utilizamos el renglón de x5 como renglón pivote multiplicándolo por M y sumando
el resultado al renglón de Z. Realizando el procedimiento anterior, la tabla símplex queda
de la siguiente manera: 

Variable             Lado    

Básica Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?

Z 1 -3M- -2M- 0 0 0 18M  Mx 5 + Z  
3 5
x3 0 1 0 1 0 0 4   (0, 0, 4, 12, 18)
x4 0 0 2 0 1 0 12   Z = 18M
x5 0 3 2 0 0 1 18    

             Podemos observar que la tabla anterior ya se encuentra en la forma apropiada y

podemos leer la solución básica factible actual, que es (0, 0, 4, 12, 18), la cual aplicando
la prueba de optimalidad vemos que no es óptima ya que todavía tenemos coeficientes
negativos en el renglón de Z (los correspondientes a x1 y x2). Aplicando el método
símplex a la tabla anterior tenemos: el coeficiente negativo con el mayor valor absoluto
corresponde a x1  (3M3), recordemos que M es un número muy grande positivo, por lo
tanto, x1 se convierte en la variable básica entrante, realizando los cocientes
correspondientes, vemos que x3 se convierte en la variable básica saliente. El
procedimiento completo para resolver este ejemplo se muestra en el siguiente conjunto de
tablas:

Variable             Lado    

Básica Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?

Z 1 -3M-3 -2M-5 0 0 0 18M    

x3 0 1 0 1 0 0 4 4/1 = 4 (0, 0, 4, 12, 18)
x4 0 0 2 0 1 0 12   Z = 18M
x5 0 3 2 0 0 1 18 18/3 = 6  
Z 1 0 -2M-5 3M+3 0 0 6M+12    
x1 0 1 0 1 0 0 4   (4, 0, 0, 12, 6)
x4 0 0 2 0 1 0 12 12/2 = 6 Z = 6M+12
x5 0 0 2 3 0 1 6 6/2 = 3  
Z 1 0 0 9/2 0 M+5/2 27    
x1 0 1 0 1 0 0 4 4/1 = 4 (4, 3, 0, 6, 0)
x4 0 0 0 3 1 1 6 6/3 = 2 Z = 27
x2 0 0 1 3/2 0 1/2 3    
Z 1 0 0 0 3/2 M+1 36    
x1 0 1 0 0 1/3 1/3 2   (2, 6, 2, 0, 0)
x3 0 0 0 1 1/3 1/3 2   Z = 36
x2 0 0 1 0 1/2 0 6   Óptima

 MINIMIZACIÓN con el método símplex.

            Una manera directa de minimizar Z con el método símplex es cambiar los roles de
los coeficientes negativos y positivos en el renglón de la función objetivo, tanto para la
prueba de optimalidad como para la parte 1 de una iteración. Se determina la variable
básica entrante mediante la elección de la variable con el coeficiente positivo menor en la
ecuación de Z. La solución básica factible actual es óptima si y sólo si todos los
coeficientes de la ecuación de la función objetivo (renglón de Z) son no positivos (  0 ).
Si es así, el proceso termina; de otra manera, se lleva a cabo otra iteración para obtener la
nueva solución básica factible, lo que significa el cambio de una variable no básica por
una básica (parte 1) y viceversa (parte 2), y después despejar las variables de la nueva
solución (parte 3). Notemos que no se ha dicho nada con respecto a la forma de obtener la
variable básica saliente en una iteración, ya que este paso se realiza de la misma manera
que cuando se está maximizando, es decir, se escoge aquella variable básica con el menor
cociente. Ilustremos la forma de utilizar el método símplex para el caso de minimización.
Consideremos el siguiente ejemplo: 

Minimizar Z = 3x1 + 8x2    

sujeta a     x1 + 4x2  4
      x1 + 2x2  2
      x1  0,   x2  0    

             Pasando este problema a su forma de igualdades añadiendo las variables

necesarias, obtenemos lo siguiente:

Minimizar Z,
sujeta a

Z  3x1  8x2          Mx5 = 0

    x1 + 4x2 + x3         = 4
  x1 + 2x2      x4 + x5 = 2
      xj  0 para j = 1, 2, …, 5

             Utilizando el método de la M para obtener una solución óptima por el método
símplex, obtenemos el siguiente conjunto de tablas: 

Variable             Lado    

Básica Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?

Z 1 3 8 0 0 M 0    
x3 0 1 4 1 0 0 4    
x5 0 1 2 0 1 1 2    
Z 1 M3 2M8 0 M 0 2M   (0, 0, 4, 0, 2)
x3 0 1 4 1 0 0 4 4/1 = 4 Z = 2M
x5 0 1 2 0 1 1 2 2/1 = 2  
Z 1 0 2 0 3 M+3 6   (2, 0, 2, 0, 0)
x3 0 0 2 1 1 1 2   Z=6
x1 0 1 2 0 1 1 2   Óptima
             Notemos que la primera tabla no se encontraba en la forma apropiada para el
método símplex, ya que el coeficiente de la variable básica  x5 era de M en el renglón de
Z, lo cual hacia que no se cumpliera la condición símplex. 

Método de las dos Fases.

            En el ejemplo presentado en la sección “Restricciones funcionales de la forma “,

recordemos la función objetivo real: 

Problema real:                      Minimizar       Z = 0.4x1 + 0.5x2

            Sin embargo, el método de la M utiliza la siguiente función objetivo a través de

todo el procedimiento: 

Método de la M:        Minimizar       Z = 0.4x1 + 0.5x2 + Mx4 + Mx6 

            Como los dos primeros coeficientes (0.4 y 0.5) son despreciables comparados con
M, el método de dos fases puede eliminar la M usando las siguientes dos funciones
objetivo que definen Z de manera completamente diferente: 

Método de las dos fases:

Fase 1:                       Minimizar       Z = x4 + x6                   (hasta que x4 = 0 y x6 = 0).

Fase 2:                       Minimizar       Z = 0.4x1 + 0.5x2         (con x4 = 0 y x6 = 0).

             La función objetivo de la fase 1 se obtiene dividiendo la función objetivo del

método de la M entre M eliminando los términos despreciables, en otras palabras, la fase
1 consiste en la minimización de la suma de todas las variables artificiales que se
introduzcan en el problema. Como  la fase  1 concluye al obtener una solución básica
factible para el problema real (aquella en la que x4 = 0 y x6 = 0), esta solución se usa
como la solución básica factible inicial para aplicar el método símplex al problema real
(con su función objetivo) en la fase 2. Antes de resolver el ejemplo de esta manera se
hará un resumen de las características generales.

Resumen del método de dos fases.

Paso inicial: Se revisan las restricciones del problema original introduciendo variables
artificiales según se necesite para obtener una solución básica factible inicial obvia para
el problema artificial.

            Fase 1: uso del método símplex para resolver el problema de programación lineal:

Minimizar  Z =  de todas las variables artificiales, sujeta a las restricciones

revisadas.

            La solución óptima que se obtiene para este problema (con Z = 0) será una
solución básica factible para el problema real.
            Fase 2: se eliminan las variables artificiales (de todas formas, ahora todas valen
cero). Comenzando con la solución básica factible que se obtuvo al final de la fase 1, se
usa el método símplex para resolver el problema real.

            Enseguida se resumen los problemas que deben resolverse por el método símplex
en las fases respectivas para el ejemplo.

            Problema para la fase 1:

Minimizar         W = x4 + x6,

sujeta a

0.3x1 + 0.1x2 + x3             = 2.7

0.5x1 + 0.5x2     + x4         = 6
0.6x1 + 0.4x2          x5 + x6 = 6

x10   x20   x3   x40   x50   x60    

             Problema para la fase 2:

Minimizar    Z = 0.4x1 + 0.5x2,

sujeta a

0.3x1 + 0.1x2 + x3     = 2.7

0.5x1 + 0.5x2         = 6
0.6x1 + 0.4x2      x5 = 6

x10   x20   x3   x50

             Las únicas diferencias entre estos dos problemas se encuentran en la función
objetivo y en la inclusión (fase 1) o exclusión (fase 2) de las variables artificiales x 4 y x6.
Sin las variables artificiales, el problema para la fase 2 no tiene una solución básica
factible inicial obvia. El único propósito de resolver el problema para la fase 1 es obtener
una solución básica factible con x4 = 0 y x6 = 0 que se pueda usar como la solución básica
factible inicial para la fase 2. 
             Las siguientes tablas muestran el resultado de aplicar el método símplex a este
problema para la fase 1: 

Variable               Lado    

Básica W x1 x2 x3 x4 x5 x6 derecho Cociente ¿Es óptima?

W 1 0 0 0 1 0 1 0    
x3 0 0.3 0.1 1 0 0 0 2.7    
x4 0 0.5 0.5 0 1 0 0 6    
x6 0 0.6 0.4 0 0 1 1 6    
W 1 1.1 0.9 0 0 1 0 12    
x3 0 0.3 0.1 1 0 0 0 2.7 2.7/0.3=9 (0,0,2.7,6,0,6)
x4 0 0.5 0.5 0 1 0 0 6 6/0.5=12 W = 12
x6 0 0.6 0.4 0 0 1 1 6 6/0.6=10  
W 1 0 0.53 3.66 0 1 0 2.1    
x1 0 1 0.33 3.33 0 0 0 9 9/0.33=27.2 (9,0,0,1.5,0,0.6)
x4 0 0 0.33 1.66 1 0 0 1.5 1.5/0.33=4.5 W = 2.1
x6 0 0 0.2 2 0 1 1 0.6 0.6/0.2=3  
W 1 0 0 1.64 0 1.65 2.65 0.51    
x1 0 1 0 6.63 0 1.65 1.65 8.01 8.01/1.65=4.8
(8.01,3,0,0.51,0,0)
x4 0 0 0 1.64 1 1.65 1.65 0.51 0.51/1.65=0.30
W = 0.51
x2 0 0 1 10 0 5 5 3    
W 1 0 0 0 1 0 1 0    
x1 0 1 0 5 1 0 0 7.5   (7.5,4.5,0,0,0.3,0)
x5 0 0 0 0.99 0.60 1 1 0.3   W=0
x2 0 0 1 5.05 3 0 0 4.5   Óptima fase 1

            Notemos que ya hemos obtenido una solución óptima para la fase 1 que consistió
en la minimización de la suma de todas las variables artificiales. Observemos también
que la función objetivo W terminó con un valor de cero en la última tabla, lo que indica
que las dos variables artificiales (x4 y x6) valen cero ó tienen valores recíprocos y se
cancelan mutuamente para dar cero. En nuestro caso, las dos variables artificiales valen
cero ya que no se encuentran en la columna de las variables básicas en la última tabla de
la primera fase. La segunda fase consiste en resolver el problema original utilizando
como tabla inicial de esta fase la última tabla de la primera fase pero sin considerar la
columna de las variables artificiales ya que éstas tomaron el valor de cero en la primera
fase. El método símplex aplicado a la segunda fase se muestra en el siguiente conjunto de
tablas: 

Variable               Lado    

Básica Z x1 x2 x3 x4 x5 x6 derecho Cociente ¿Es óptima?

Z 1 0.4 0.5 0 0 0 0 0    
x1 0 1 0 5 1 0 0 7.5    
x5 0 0 0 0.99 0.60 1 1 0.3    
x2 0 0 1 5.05 3 0 0 4.5    
Z 1 0 0.5 2   0   3    
x1 0 1 0 5   0   7.5    
x5 0 0 0 0.99   1   0.3    
x2 0 0 1 5.05   0   4.5    
Z 1 0 0 0.52   0   5.25    
x1 0 1 0 5   0   7.5   (7.5,4.5,0,0,0.3,0)
x5 0 0 0 0.99   1   0.3   Z = 5.25
x2 0 0 1 5.05   0   4.5   Óptima fase 2

             Notemos que no fue necesario aplicar propiamente el método símplex a la

primera tabla de la segunda fase, ya que únicamente aplicando operaciones con matrices
para tratar de llevar esta tabla a la forma apropiada para el método símplex fue suficiente
para resolver el problema planteado en la segunda fase. Es necesario aclarar que no
siempre ocurrirá de esta manera, es decir, si después de dejar la tabla en la forma
apropiada, es necesario aplicar el método símplex, se debe aplicar como lo hemos
estudiado. 

Nota: Independientemente de que el problema original (real) sea de maximización o

minimización, la primera fase siempre consistirá en la minimización de la
suma de todas las variables artificiales.
 DUALIDAD
El dual es un problema de PL que se obtiene matemáticamente de un modelo
primal de PL dado. Los problemas dual y primal están relacionados a tal grado,
que la solución símplex óptima de cualquiera de los dos problemas conduce en
forma automática a la solución óptima del otro. 

El  método símplex además de resolver un problema de PL 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 éste
método. 

En la mayoría de los procedimiento de PL, el dual se define para varias formas

del primal, dependiendo de los tipos de restricciones, de los signos de las
variables y del sentido de la optimización. La experiencia nos indica que en
ocasiones, los principiantes se confunden con los detalles de esas definiciones.
Más importante aún es que el uso de esas definiciones múltiples puede conducir
a interpretaciones inconsistentes de los datos en la tabla símplex, sobre todo en
lo que respecta a los signos de las variables.  

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 compresión de la PL.

     El análisis de dualidad es una herramienta útil en la solución de problemas

de PL,  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. 

La forma estándar general del primal se defina como; para maximizar o

minimizar. 
                                                              

sujeto a;

¿Cómo convertir un problema primal a dual?  

Un problema dual se formula de un problema primal de la siguiente forma: 

1. Si el primal es un problema de maximización su dual será un problema de

minimización y viceversa.
2. Los coeficientes de la función objetivo del problema primal se convierten
en los coeficientes del vector de la disponibilidad en el problema dual.
3. Los coeficientes del vector de disponibilidad del problema original se
convierten en los coeficientes de la función objetivo (vector de costo o
precio) en el problema dual.
4. Los coeficientes de las restricciones en el problema primal, será la matriz
de los coeficientes tecnológicos en el dual.
5. Los signos de desigualdad del  problema dual son contrarios a los del
primal.
6. 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 convierte
en nuevas variables Ym en el dual.

PROBLEMA PRIMAL EN FORMA CANONICA: PROBLEMA DUAL EN FORMA C

MAX  Z= CX MIN  Z= BY

Sujeto a: Sujeto a:

AX  b AY  C

X0 Y0

Ejemplo.

Si el problema primal es:  MAX  Z= 45X1 + 17X2 + 55X3

                              Sujeto a:

                                        X1   +    X2  +     X3    200

                                       9X1  +  8X2  +  10X3   5000

                                       10X1+  7X2  + 21 X3   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 

FORMA DE PRESENTAR EL PROBLEMA DUAL 

MIN  =  2X1 -  3X2                                                            

Sujeto a:                                                                                    

          1X1 +  2X2    12                                                                       

          4X1 -   2X2     3

          6X1 -   1X2  = 10                                                                          

X1,2   0

  1.  Llevar el problema a su equivalente de maximización, multiplicando la

función objetivo por –1: 

MAX  -2X1 + 3X2

2. Convertir las restricciones  en una restricción equivalente  multiplicando

por –1 ambos lados:

-4x1 + 2x2   -3  

3. Para las restricciones de igualdad, obtener 2 restricciones de

desigualdad, una de forma  y la otra de forma ; después regresar al
punto anterior y cambiar la restricción  a la forma :

6X1 – 1X2  10 

6X1 – 1X2  10

6X1 –  1X2     10

-6X1 + 1X2    -10

Así el problema primal se ha replanteado en la forma equivalente: 

MAX  Z= -2X1 + 3X2

Sujeto a:

1X1 + 2X2    12

-4X1 + 2X2    - 3

6X1 – 1X2     10

-6X1 + 1X2   -10

X1,2  0   
 4. Teniendo el problema primal convertido a la forma canónica de un
problema de maximización, es fácil llevarlo al problema dual:

MIN    12Y1 – 3Y2 + 10Y3

Sujeto a:
Y1–4Y2 + 6Y3’–6Y3’’ -2          Y’3  y  Y’’3 ambas se refieren a la tercera
restricción

2Y1 + 2Y2 – 1Y3’ + 1Y3’’     3                  del problema  primal.

Y1, 2, 3’, 3’’  0

 Problemas resueltos de Programación Lineal
Objetivos:

 Entender la idea de la Programación lineal y sus aplicaciones a

problemas prácticos.
 Plantear problemas de programación lineal en dos variables.
 Conocer los pasos a seguir para resolver problemas de programación
lineal en dos variables.
 Discutir la solución óptima de un problema de programación lineal.

En los siglos XVII y XVIII, grandes matemáticos, como Newton, Leibnitz,

Bernoulli y, sobre todo, Lagrange, que tanto habían contribuido al desarrollo del
cálculo infinitesimal, se ocuparon de obtener máximos y mínimos condicionados
de determinadas funciones.

Posteriormente, el matemático francés Jean Baptiste-Joseph Fourier (1768-

1830) fue el primero en intuir, aunque de forma imprecisa, los métodos de lo que
actualmente llamamos programación lineal y la potencialidad que de ellos se
deriva.

Si exceptuamos al matemático Gaspar Monge (1746-1818), quien en 1 776 se

interesó por problemas de este género, debemos remontarnos al año 1 939 para
encontrar nuevos estudios relacionados con los métodos de la actual
programación lineal. En ese año, el matemático ruso Leonid Vitalevich
Kantorovitch publica una extensa monografía titulada Métodos matemáticos de
organización y planificación de la producción en la que por primera vez se hace
corresponder a una extensa gama de problemas una teoría matemática precisa
y bien definida, llamada hoy en día programación lineal.

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

independientemente por Koopmans y por Kantorovitch, razón por la cual se
suele conocer con el nombre de problema de Koopmans-Kantorovftch.

Tres años más tarde, G. Stigler plantea otro problema particular conocido con el
nombre de régimen alimenticio optimal.

En los años posteriores a la Segunda Guerra Mundial, en Estados Unidos se

asumió que la eficaz coordinación de todas las energías y recursos de la nación
era un problema de tal complejidad, que su resolución y simplificación pasaba
necesariamente por los modelos de optimización que resuelve la programación
lineal.
Paralelamente a los hechos descritos se desarrollan las técnicas de
computación y los ordenadores, instrumentos que harían posible la resolución y
simplificación de los problemas que se estaban gestando.

En 1947, G. B. Dantzig formula, en términos matemáticos muy precisos, el

enunciado estándar al que cabe reducir todo problema de programación lineal.
Dantzig, junto con una serie de investigadores del United States Departament of
Air Force, formarían el grupo que dio en denominarse SCOOP (Scientific
Computation of Optimum Programs).

Respecto al método simplex, que estudiaremos después, señalaremos que su

estudio comenzó en 1951 y fue desarrollado por Dantzig en el United States
Bureau of Standards SEAC COMPUTER, ayudándose de varios modelos de
ordenador de la firma International Business Machines (IBM).

Los fundamentos matemáticos de la programación lineal se deben al matemático

norteamericano de origen húngaro John (Janos) Von Neumann (1903-1957),
quien en 1928 publicó su famoso trabajo Teoría de juegos. En 1947 conjetura la
equivalencia de los problemas de programación lineal y la teoría de matrices
desarrollada en sus trabajos. La influencia de este respetado matemático,
discípulo de Dávid Hilbert en Gotinga y, desde 1 930, catedrático de la
Universidad de Princeton de Estados Unidos, hace que otros investigadores se
interesaran paulatinamente por el desarrollo riguroso de esta disciplina.

EN ESTE TEMA TRATAREMOS LOS SIGUIENTES CONTENIDOS:

1.)   Desigualdades.

2.)   Inecuaciones lineales con una incógnita y sistemas de inecuaciones 

lineales con una incógnita.

3.)   Inecuaciones lineales con dos incógnitas y sistemas de inecuaciones con

dos incógnitas.

4.)   Puntos óptimos de funciones lineales en conjuntos convexos.

5.)   Problemas de programación lineal con dos variables.

1. Desigualdades.

Dado que el conjunto de los números reales R es totalmente ordenado,

dados dos números reales a y b, siempre es cierta alguna de las tres
relaciones siguientes:

a<b ó a>b ó a=b

 Las dos primeras se llaman desigualdades.

Entre las desigualdades numéricas se cumplen las tres transformaciones

de equivalencia siguientes:

a. Si a los dos miembros de una desigualdad se les suma un mismo

número, la desigualdad se conserva en el mismo sentido, es decir:

b. Si los dos miembros de una desigualdad se multiplican o dividen por un

mismo número positivo, la desigualdad conserva el sentido, es decir:

c. Si los dos miembros de una desigualdad se multiplican o dividen por un

mismo número negativo, la desigualdad cambia de sentido, es decir:

d. Dados cuatro número reales a, b, c y d cualesquiera, se cumple la

compatibilidad de la ordenación con la suma, es decir:

e. Dados dos números reales, si el primero es menor que el segundo, el

inverso del primero es mayor que el del segundo y viceversa, es decir:

f. Si un número real es menor que otro, con los opuestos de ambos la

desigualdad cambia de sentido, es decir:
2.  Inecuaciones lineales con una incógnita y sistemas de inecuaciones
lineales con una incógnita.

Se llama inecuación lineal con una incógnita a una expresión de cualquiera

de los cuatro tipos siguientes:

donde

Cualquiera de los cuatro tipos de inecuaciones definidos anteriormente, admite,

tras la aplicación de las transformaciones de equivalencia vistas en el apartado
primero, una de las formas:

Lo que indica que las inecuaciones lineales con una incógnita admiten un
número infinito de solución que suelen expresarse en forma de intervalo
de números reales.

Ejemplo:

Resolver la inecuación:

Procedemos igual que si de una ecuación se tratase :

 Eliminamos paréntesis:

 Eliminamos denominadores, multiplicando ambos miembros por el m.c.m.

de todos ellos:

 Trasponemos los términos:

  Reducimos términos semejantes:

 Despejamos la incógnita multiplicando ambos miembros por el inverso de

su coeficiente (ojo, si es negativo habrá que cambiar el sentido a la
desigualdad):

La solución es el intervalo cerrado por la derecha . Es cerrado

por la derecha pues el signo usado ha sido menor o igual, si hubiese sido
sólo menor, sería abierto.

El conjunto formado por dos o más inecuaciones lineales con una

incógnita se llama sistema de inecuaciones lineales con una
incógnita.

La solución de un sistema de este tipo es un conjunto de números reales

que satisfagan simultáneamente todas y cada una de las desigualdades.
La solución suele expresarse en forma de intervalo llevando cuidado de
expresar correctamente si es abierto o cerrado según el signo de
desigualdad utilizado.

Ejemplo:

Resuelve el sistema

De la primera inecuación se obtiene que:

De la segunda:
De la tercera:

La solución del sistema es la intersección de los tres intervalos obtenidos:

ya que no existe ningún número real que

pueda ser al mismo tiempo menor o igual que 1, mayor que 2 y mayor
que 4. Veámoslo en el siguiente dibujo, donde aparece pintado en rojo la
solución de la 1*, en verde la de la 2* y en azul la de la 3*:

3. Inecuaciones lineales con dos incógnitas y sistemas de

inecuaciones con dos incógnitas.

Una inecuación lineal con dos incógnitas es una expresión de alguna de las
formas siguientes:

Las inecuaciones lineales con dos incógnitas se resuelven gráficamente ya que

las soluciones son los puntos del semiplano en el que queda dividido el plano
por la recta que corresponde a la inecuación considerado como igualdad. Esta
recta o borde del semiplano no pertenecerá o sí a la solución según la
desigualdad sea estricta o no respectivamente. Para saber cuál de los dos
semiplanos es el que da la solución bastará tomar el origen de
coordenadas (si la recta no pasa por él) o cualquier otro punto de
coordenadas sencillas y comprobar si satisface o no la desigualdad, si lo
hace, el semiplano que contiene al punto de prueba es el correcto (lo
indicaremos con una flecha señalando hacia él), en caso contrario es el
otro.

Ejemplo:

Resuelve la inecuación 3x+2y+5<0

Dibujamos la recta 3x+2y+5=0 sobre unos ejes de coordenadas y comprobamos
el punto O(0,0), que da:

Luego la solución es la zona sombreada de la figura adjunta.

Se llama sistema de n inecuaciones lineales con dos incógnitas al conjunto

formado por n de estas inecuaciones, es decir:

o cualquier otro signo de desigualdad.

Obtener la solución de un sistema de este tipo supone obtener el semiplano

solución de cada una de las inecuaciones que lo forman y averiguar la
intersección de todos ellos.

La solución de un sistema de n inecuaciones lineales con dos incógnitas es

siempre un conjunto convexo.

Se llama conjunto convexo a una región del plano tal que para dos puntos
cualesquiera de la misma, el segmento que los une está íntegramente contenido
en dicha región. Como casos particulares, un conjunto convexo puede quedar
reducido a una recta, a una semirrecta, a un segmento, a un punto o al conjunto
vacío.
Los segmentos que delimitan un conjunto convexo se llaman bordes o lados y, la
intersección de ellos, vértices. Los vértices y puntos de los lados que
pertenezcan a la solución del sistema de inecuaciones se denominan puntos
extremos. Un conjunto convexo puede ser cerrado o abierto respecto a cada
lado o vértice según se incluya éste o no en la solución. Puede ser acotado o no
acotado según su área sea o no finita.

Ejemplo:

Resolver el sistema de inecuaciones lineales con dos incógnitas:

Si representamos en los mismos ejes de

coordenadas cada una de las rectas que salen
al considerar las anteriores desigualdades
como ecuaciones e indicamos mediante una
flecha el semiplano solución de cada una de
ellas por separado, la solución será la región
del plano sombreada en la figura que es la
intersección de los semiplanos solución de
cada inecuación. Para la representación
rápida de las rectas, basta con encontrar los
puntos donde cortan a los ejes de
coordenadas y unirlos entres sí.

La recta:

x+y-1=0 corta al eje X (hacemos y=0) en (1, 0)

y al eje Y (hacemos x=0) en (0, 1)

La recta :

2x+3y+4=0 corta a X en (-2, 0) y a Y en

La recta:

x-2y-2=0 corta a X en (2, 0) y a Y en (0, -1).

4. Puntos óptimos de funciones en conjuntos convexos.

 Se define una función lineal con dos variables como una expresión de la
forma f(x, y) = ax + by.

Ha de observarse que para cada valor de "c", el lugar geométrico de los

puntos cuyas coordenadas (x, y) verifican f(x, y) = c es la recta de
ecuación ax+by=c. Al variar "c", se obtiene rectas paralelas tales que
todas tiene la misma pendiente -a/b y cortan al eje Y en el punto (0, c/b).

Si los valores de x e y no están acotados, tampoco lo estará f(x, y), en

cambio, si están restringidos a un cierto conjunto C, la función no podrá
tomar cualquier valor. Se puede entonces hablar de valores máximo o
mínimo (valores óptimos) de f(x, y) en C.

Se cumple el siguiente teorema: "Si una función lineal f(x, y)=ax+by

tiene máximo o mínimo en un conjunto C convexo, toma este valor
óptimo en un punto extremo".

En efecto, si el valor c fuera óptimo y correspondiera a un punto (x, y)

interior al conjunto convexo C, siempre se podrían encontrar dos recta
paralelas a ax+by+c=0, en las cuales f(x, y) tomaría valores mayores o
menores que c y no podría ser c máximo o mínimo. Luego estos valores
sólo pueden presentarse en los puntos extremos.

Usando este teorema, para encontrar los puntos óptimos de f(x, y) en el

conjunto convexo C podemos proceder de dos formas:

a. Estudiar los valores de la función en los vértices (si su número es

reducido) y decidir en cuál de ellos hay máximo o mínimo. Tengamos en
cuenta que si la función toma el mismo valor en dos vértices
consecutivos, también toma ese valor en todos los puntos del segmento
que une esos dos vértices.
b. Representar las función en una gráfica para un valor cualquiera de c
(se suele tomar c=0) y obtener, por simple inspección, desplazando la
recta dibujada paralelamente a sí misma el punto óptimo. Este
procedimiento, por ser gráfico es más impreciso a no ser que realicemos
el dibujo con mucha precisión. Nosotros utilizaremos el método a) salvo
que el número de vértices sea muy elevado.

Ejemplo:

Hallar el máximo y mínimo de la función f(x, y) = x-y en el recinto convexo

solución del sistema de inecuaciones del último ejemplo.

Dado que la gráfica ya la tenemos (la reproducimos aquí poniendo

nombre a los vértices del recinto que sólo son dos A y B pues el conjunto
solución es abierto y no acotado):
 El punto A es la solución del sistema de
ecuaciones

luego

El punto B es la solución de:

siendo, pues

Los valores de la función en ambos vértices son:

La función presenta un máximo en el punto B pero no hay ningún valor mínimo

al no ser el recinto acotado (luego veremos la discusión de estos problemas).
Cabe preguntarse ahora: ¿Siempre hay punto máximo o mínimo de una
función lineal en dos variables en un recinto convexo?

La respuesta es que la solución puede ser única. Infinitas o ninguna. Veamos los
casos que pueden darse:

 Si el recinto es cerrado existe una solución única para el máximo y otra

para el mínimo en alguno de los vértices si en todos ellos la función toma
valores distintos.
 Si es cerrado pero hay dos vértices consecutivos en los que la función
toma el mismo valor (y ese valor es por ejemplo máximo), entonces toma
el mismo valor en todos los puntos del segmento que une ambos vértices,
luego la función infinitos máximos y un mínimo. Al contrario sucedería si
el valor común de los dos vértices fuese mínimo, habiendo entonces
infinitos mínimos y un máximo.
 Si el recinto convexo no está acotado superiormente, no existe máximo
aunque sí mínimo.
 Si el recinto convexo no está acotado inferiormente, no existe mínimo
aunque sí máximo.

5. Problemas de programación lineal con dos variables.

Un problema de programación lineal con dos variables tiene por finalidad

optimizar (maximizar o minimizar) una función lineal:

llamada función objetivo, sujeta a una serie de restricciones

presentadas en forma de sistema de inecuaciones con dos incógnitas de
la forma:

Cada desigualdad del sistema de restricciones determina un semiplano. El

conjunto intersección de todos esos semiplanos recibe el nombre de zona
de soluciones factibles. El conjunto de los vértices del recinto se
denomina conjunto de soluciones factibles básicas y el vértice donde
se presenta la solución óptima se llama solución máxima (o mínima
según el caso). El valor que toma la función objetivo en el vértice de
solución óptima se llama valor del programa lineal.
 El procedimiento a seguir para resolver un problema de programación
lineal en dos variables será, pues:

1. Elegir las incógnitas.

2. Escribir la función objetivo en función de los datos del problema.
3. Escribir las restricciones en forma de sistema de inecuaciones.
4. Averiguar el conjunto de soluciones factibles representando gráficamente
las restricciones.
5. Calcular las coordenadas de los vértices del recinto de soluciones
factibles (si son pocos).
6. Calcular el valor de la función objetivo en cada uno de los vértices para
ver en cuál de ellos presenta el valor máximo o mínimo según nos pida el
problema (hay que tener en cuenta aquí la posible no existencia de
solución si el recinto no es acotado).

Veamos a continuación una colección de ejemplos resueltos:

PROBLEMA #1  Minimizar la función f(x, y)=2x+8y sometida a las

restricciones:

Llamando, respectivamente r, s y t a las rectas expresadas en las tres

últimas restricciones, la zona de soluciones factibles sería:
Siendo los vértices:

A intersección de r y t:

B intersección de s y t:

C intersección de r y s:

Siendo los valores de la función objetivo en ellos:

 Alcanzándose el mínimo en el punto C.

PROBLEMA #2  Un herrero con 80 kgs. de acero y 120 kgs. de aluminio quiere
hacer bicicletas de paseo y de montaña que quiere vender, respectivamente a
20.000 y 15.000 Bolívares cada una para sacar el máximo beneficio. Para la de
paseo empleará 1 kg. De acero y 3 kgs de aluminio, y para la de montaña 2 kgs.
de ambos metales. ¿Cuántas bicicletas de paseo y de montaña venderá?

Sean las variables de decisión:

x= n: de bicicletas de paseo vendidas.

y= n: de bicicletas de montaña vendidas.

Tabla de material empleado:

  Acero Aluminio
Paseo 1 3
Montaña 2 2

Función objetivo:

f(x, y)= 20.000x+15.000y      máxima.

Restricciones:
 Zona
de soluciones factibles:

Vértices del recinto (soluciones básicas):

A(0, 40)

B intersección de r y s:

C(40,0)

Valores de la función objetivo en los vértices:

Ha de vender 20 bicicletas de paseo y 30 de montaña para obtener un beneficio

máximo de 850.000 Bolívares.

PROBLEMA #3  Un autobús Caracas-Maracaibo ofrece plazas para fumadores

al precio de 10.000 Bolívares y a no fumadores al precio de 6.000 Bolívares. Al
no fumador se le deja llevar 50 kgs. de peso y al fumador 20 kgs. Si el autobús
tiene 90 plazas y admite un equipaje de hasta 3.000 kg. ¿Cuál ha de ser la
oferta de plazas de la compañía para cada tipo de pasajeros, con la finalidad de
optimizara el beneficio?
Sean las variables de decisión:

x= n: de plazas de fumadores.

y= n: de plazas de no fumadores.

La Función objetivo:

f(x, y)=10.000x+6.000y  máxima

Restricciones:

Zona de soluciones factibles:

Vértices:

A(0, 60)

B intersección de r y s:
C(90, 0)

Valores de la función objetivo:

Ha de vender 90 plazas para fumadores y ninguna para no fumadores y así

obtener un beneficio máximo de 900.000 bolívares.

PROBLEMA #4 A una persona le tocan 10 millones de bolívares en una lotería y

le aconsejan que las invierta en dos tipos de acciones, A y B. Las de tipo A
tienen más riesgo pero producen un beneficio del 10 %. Las de tipo B son más
seguras, pero producen sólo el 7% anual. Después de varias deliberaciones
decide invertir como máximo 6 millones en la compra de acciones A y por lo
menos, 2 millones en la compra de acciones B. Además, decide que lo invertido
en A sea, por lo menos, igual a lo invertido en B. ¿Cómo deberá invertir 10
millones para que le beneficio anual sea máximo?

Sean las variables de decisión:

x= cantidad invertida en acciones A

y= cantidad invertida en acciones B

La función objetivo es:

Y las restricciones son:

La zona de soluciones factibles es:

Siendo los vértices del recinto:

A intersección de u,t:

B intersección de r,u:

C intersección de r,s:

D intersección de s,t:

La función objetivo toma en ellos los valores:

Siendo la solución óptima invertir 6 millones de bolívares en acciones tipo A y 4
millones en acciones tipo B

PROBLEMA #5  Un estudiante dedica parte de su tiempo al reparto de

propaganda publicitaria. La empresa A le paga 5 Bs.. por cada impreso repartido
y la empresa B, con folletos más grandes, le paga 7 Bs. por impreso. El
estudiante lleva dos bolsas: una para los impresos A, en la que caben 120 y otra
para los impresos B, en la que caben 100. Ha calculado que cada día es capaz
de repartir 150 impresos como máximo. Lo que se pregunta el estudiante es:
¿Cuántos impresos habrá que repartir de cada clase para que su beneficio diario
sea máximo?

Sean las variables de decisión:

x= n: de impresos diarios tipo A repartidos.

y= n: de impresos diarios tipo B repartidos.

La función objetivo es:

f(x, y)=5x+7y

Las restricciones:

La zona de soluciones factibles es:

Vértices:

A(0, 100)

B intersección de s,t:

C intersección de r,t:

D (120, 0)

Siendo los valores de la función objetivo:

Debe repartir 50 impresos tipo A y 100 tipo B para una ganancia máxima diaria
de 950 bolívares.
PROBLEMA #6  Un comerciante acude al mercado popular a comprar naranjas
con 50.000 Bs. Le ofrecen dos tipos de naranjas: las de tipo A a 50 Bs el kg. y
las de tipo B a 80 Bs. el kg. Sabiendo que sólo dispone de su camioneta con
espacio para transportar 700 kg. de naranjas como máximo y que piensa vender
el kg. de naranjas tipo A a 58 ptas. y el kg. de tipo B a 90 ptas., contestar
justificando las respuestas:

a. ¿Cuántos kg. de naranjas de cada tipo deberá comprar para obtener

máximo beneficio?
b. ¿Cuál será ese beneficio máximo?

Sean las variables de decisión:

x= kg. de naranjas tipo A comprados.

y= kg. de naranjas tipo B comprados.

La función objetivo que da el beneficio es:

Y las restricciones:

La zona de soluciones factibles es:

Y los vértices:

A(0, 625)

B intersección de r,s:

C(700, 0)

Y en ellos la función objetivo toma los valores:

Ha de comprar 200 kgs. de naranjas A y 500  kgs. de naranjas B para obtener

un beneficio máximo de 6.600 bolívares

PROBLEMA #7    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.
1. Sean las variables de decisión:

x= número de  trajes.

y= número de vestidos

a= precio común del traje y el vestido.

Función objetivo:

Restricciones:

Zona de soluciones factibles:

Vértices:

A(0, 40)

B intersección de r y s:
C(40, 0)

Los valores de la función objetivo son:

El máximo beneficio lo obtendrá fabricando 20 trajes y 30 vestidos.

PROBLEMA #8   Un constructor va a edificar dos tipos de viviendas A y

B. Dispone de 600 millones de bolívares y el coste de una casa de tipo A
es de 13 millones y 8 millones una de tipo B. El número de casas de tipo
A ha de ser, al menos, del 40 % del total y el de tipo B, el 20 % por lo
menos. Si cada casa de tipo A se vende a 16 millones y cada una de tipo
B en 9. ¿Cuántas casas de cada tipo debe construir para obtener el
beneficio máximo?

Sean las variables de decisión:

x= n: de viviendas construidas tipo A

y= n: de viviendas construidas tipo B.

La función objetivo es:

Las restricciones son:

La zona de soluciones factibles queda, pues:

Siendo los vértices:

A  intersección de r,s:

B intersección de r,t:

C (0, 0)

Y la función objetivo toma los valores:

Teniendo que vender 40 viviendas tipo A y 10 tipo B para obtener un

beneficio máximo de 130 millones de bolívares.

PROBLEMA #9  Cierta persona dispone de 10 millones como máximo

para repartir entre dos tipos de inversión (A y B). En la opción A desea
 invertir entre 2 y 7 millones. Además, quiere destinar a esa opción, como
mínimo, tanta cantidad de dinero como a la B.

a. ¿Qué cantidades debe invertir en cada una de las dos opciones?

Plantear el problema y representar gráficamente el conjunto de
soluciones.
b. Sabiendo que el rendimiento de la inversión será del 9 % en la
opción A y del 12 % en la B, ¿Qué cantidad debe invertir en cada
una para optimizar el rendimiento global? ?A cuánto ascenderá

a) Sean las variables de decisión:

x= cantidad invertida en acciones tipo A

y= cantidad invertida en acciones tipo B

Las restricciones son:

Puede invertir en cada una de las dos opciones las cantidades correspondientes
a cada uno de los puntos de la zona sombreada de la siguiente gráfica:
b) La función de beneficios es:

Y los vértices de la zona sombreada son:

A intersección de r,t:

B intersección de t,u:

C intersección de s,u, o sea C(7, 3)

D(7, 0)

E(2, 0)

Los valores de f en esos puntos son:

Ha de invertir, pues 5 millones de bolívares en A y 5 millones en B para obtener

un beneficio máximo de 1,05 millones, o sea 1.050.000 bolívares.

PROBLEMA #10    Una refinería de petróleo tiene dos fuentes de petróleo

crudo: crudo ligero, que cuesta 35 dólares por barril y crudo pesado a 30 dólares
el barril. Con cada barril de crudo ligero, la refinería produce 0,3 barriles de
gasolina (G), 0,2 barriles de combustible para calefacción (C) y 0,3 barriles de
combustible para turbinas (T), mientras que con cada barril de crudo pesado
produce 0,3 barriles de G, 0,4 barriles de C y 0,2 barriles de T. La refinería ha
contratado el suministro de 900000 barriles de G, 800000 barriles de C y 500000
barriles de T. Hallar las cantidades de crudo ligero y pesado que debe comprar
para poder cubrir sus necesidades al costo mínimo.

Sean las variables de decisión:

X= número de barriles comprados de crudo ligero.

Y= número de barriles comprados de crudo pesado.

La tabla de producción de cada producto con arreglo al tipo de crudo es:

  G C T
Ligero 0,3 0,2 0,3
Pesado 0,3 0,4 0,2

La función objetivo que hay que minimizar es:

f(x, y)=35x+30y

Las restricciones:

Y la zona de soluciones factibles:

Los vértices son:

A(0, 3000000)

B intersección de r,s:

C(4000000, 0)

Y en ellos la función objetivo presenta los valores:

Siendo la solución de mínimo coste la compra de 3.000.000 de barriles de crudo

ligero y ninguno de crudo pesado para un coste de 90.000.000 dólares.

PROBLEMA #11   La fábrica LA MUNDIAL S.A., construye mesas y sillas de

madera. El precio de venta al público de una mesa es de 2.700 Bs. y el de una
silla 2.100Bs.  LA MUNDIAL S.A.  estima que fabricar una mesa supone un
gasto de 1.000 Bs. de materias primas y de 1.400 Bs. de costos laborales.
Fabricar una silla exige 900 Bs. de materias primas y 1.000 Bs de costos
laborales. La construcción de ambos tipos de muebles requiere un trabajo previo
de carpintería y un proceso final de acabado (pintura, revisión de las piezas
fabricadas, empaquetado, etc.). Para fabricar una mesa se necesita 1 hora de
carpintería y 2 horas de proceso final de acabado. Una silla  necesita 1 hora de
carpintería y 1 hora para el proceso de acabado. LA MUNDIAL S.A. no tiene
problemas de abastecimiento de materias primas, pero sólo puede contar
semanalmente con un máximo de 80 horas de carpintería y un máximo de 100
horas para los trabajos de acabado. Por exigencias del marcado, LA MUNDIAL
S.A.  fabrica, como máximo, 40 mesas a la semana. No ocurre así con las sillas,
para los que no hay ningún tipo de restricción en cuanto al número de unidades
fabricadas.

Determinar el número de mesas y de sillas que semanalmente deberá fabricar la

empresa para maximizar sus beneficios.

Sean las variables de decisión:

x= n: de soldados fabricados semanalmente.

y= n: de trenes fabricados semanalmente.

La función a maximizar es:

La tabla de horas de trabajo:

  Carpinterí Acabad
a o
Soldado 1 2
s
Trenes 1 1

Las restricciones:
La zona de soluciones factibles es:

Siendo los vértices:

A(0, 80)

B intersección de r,s:

C intersección de s,t:

D(40, 0).

En los que la función objetivo vale:

Debiendo fabricar 20 mesas y 60 sillas para un beneficio máximo de 18.000 Bs.

PROBLEMA #12    Una campaña para promocionar una marca de productos

lácteos se basa en el reparto gratuito de yogures con sabor a limón o a fresa. Se
decide repartir al menos 30.000 yogures. Cada yogurt de limón necesita para su
elaboración 0,5 gr. de un producto de fermentación y cada yogurt de fresa
necesita 0,2 gr. de ese mismo producto. Se dispone de 9 kgs. de ese producto
para fermentación. El coste de producción de un yogurt de fresa es es doble que
el de un yogurt de limón. ¿Cuántos yogures de cada tipo se deben producir para
que el costo de la campaña sea mínimo?

Sean las variables de decisión:

x= número de yogures de limón producidos.

y= número de yogures de fresa producidos.

a= coste de producción de un yogurt de limón.

La función a minimizar es:

f(x, y)=ax+2ay

Y las restricciones:
La zona de soluciones factibles es:

Siendo los vértices:

A(0, 45000)

B(0, 30000)

C intersección de r y s:

En los que la función objetivo toma los valores:

Hay que fabricar, pues, 10.000 yogures de limón y 20.000 yogures de fresa para
un costo mínimo de 50.000a bolívares.

PROBLEMA #13    Una fábrica de carrocerías de automóviles y camiones tiene

2 naves. En la nave A, para hacer la carrocería de un camión, se invierten 7
días-operario, para fabricar la de un auto se precisan 2 días-operario. En la nave
B se invierten 3 días-operario tanto en carrocerías de camión como de auto. Por
limitaciones de mano de obra y maquinaria, la nave A dispone de 300 días-
operario, y la nave B de 270 días-operario. Si los beneficios que se obtienen por
cada camión son de 6 millones de Bs. .y de 3 millones por cada auto. ¿Cuántas
unidades de cada clase se deben producir para maximizar las ganancias?

Sean las variables de decisión:

x= número de camiones fabricados.

y= número de autos fabricados.

La función a maximizar es:

f(x, y)=6x+3y

La tabla de días-operario para cada nave es:

  Días-operario (camión) Días-operario (auto)

Nave A 7 2
Nave B 3 3

Las restricciones:
La zona de soluciones factibles es:

Siendo los vértices:

A(0, 90)

B intersección de r,s:

En los que la función objetivo toma los valores:

Hay que fabricar 24 camiones y 66 automoviles para un beneficio máximo de

342 millones de bolívares.

PROBLEMA #14   Un pastelero fabrica dos tipos de tartas T1 y T2, para lo que
usa tres ingredientes A, B y C. Dispone de 150 kgs. de A, 90 kgs. de B y 150
kgs. de C. Para fabricar una tarta T1 debe mezclar 1 kgs. de A, 1 kgs. de B y 2
kgs. de C, mientras que para hacer una tarta T 2 se necesitan 5 kgs. de A, 2 kgs.
de B y 1 kgs. de C.

a. Si se venden las tartas T1 a 1.000 bolívares la unidad y las T2 a 2.300

bolívares. ¿Qué cantidad debe fabricar de cada clase para maximizar sus
ingresos?
b. Si se fija el precio de una tarta del tipo T 1 en 1.500 Bs. ¿Cuál será el
precio de una tarta del tipo T2 si una solución óptima es fabricar 60 tartas
del tipo T1 y 15 del tipo T2?

a) Sean las variables de decisión:

x= número de tartas T1

y= número de tartas T2

La función objetivo es:

f(x, y)=1000x+2300y

La tabla de contingencia es:

  Ingrediente A Ingrediente B Ingrediente C

Tarta T1 1 1 2
Tarta T2 5 2 1

Restricciones:

Zona de soluciones factibles:

Vértices:

A(0, 30)

B intersección de r.s:

C intersección de s,t:

D (75, 0)

Valores de la función objetivo:

Hay que fabricar 50 tartas T1 y 20 tartas T2 para un beneficio máximo de 96.000

Bs.
 b) Llamemos ahora p al nuevo precio de la tarta T 2. La función objetivo es
entonces:

f(x, y)=1500x+py

Siendo iguales las restricciones.

Si una solución óptima consiste en fabricar 60 tartas T 1 y 15 T2, se tendrá que:

f(60, 15)=f(p)=1500.60+15p es máximo

Para los puntos A, B, C y D anteriores:

Se ha de cumplir, el el punto (60, 15) ha de ser máximo que:

El menor valor que cumple esta condición es p=3000 Bs. y con él el beneficio
sería:

    Bolívares

PROBLEMA #15   Una fábrica produce chaquetas y pantalones. Tres máquinas

(de cortar, coser y teñir) se emplean en la producción. Fabricar una chaqueta
representa emplear la máquina de cortar una hora, la de coser tres horas y la de
teñir una hora; fabricar unos pantalones representa usar la máquina de cortar
una hora, la de coser una hora y la de teñir ninguna. La máquina de teñir se
puede usara durante tres horas, la de coser doce y la de cortar 7. Todo lo que se
fabrica es vendido y se obtiene un beneficio de ocho euros por cada chaqueta y
de cinco por cada pantalón. ?Cómo emplearíamos las máquinas para conseguir
el beneficio máximo?

Sean las Variables de decisión:

x= número de chaquetas fabricadas.

y= número de pantalones fabricados.

Función objetivo:
Tabla de uso de las máquinas:

  Cortar Coser Teñir

Chaqueta 1 3 1
Pantalón 1 1 -

Restricciones:

Zona de soluciones factibles:

Vértices:

A(0, 7)

B intersección de s,t:
C intersección de r,s:

D (3,0)

Valores de la función objetivo:

Como el máximo se alcanza para valores no enteros y no se puede fabricar un

número no entero de chaquetas ni pantalones tomamos como solución
aproximada 2 chaquetas y 5 pantalones lo cual sería exacto cambiando la
restricción s por y obteniendo con ello un beneficio de 41 euros.

PROBLEMA #16  Un supermercado quiere promocionar una marca desconocida

D de aceites utilizando una marca conocida C. Para ello hace la siguiente oferta:
"Pague sólo a 250 Bs. el litro de aceite C y a 125 Bs. el litro de aceite D siempre
y cuando: 1) Compre en total 6 litros o más, y 2) La cantidad comprada de aceite
C esté comprendida entre la mitad y el doble de la cantidad comprada de aceite
D". Si disponemos de un máximo de 3.125 Bolívares, se pide:

a. Representa gráficamente los modos de acogerse a la oferta.

b. Acogiéndonos a la oferta, ¿Cuál el la mínima cantidad de aceite D que
podemos comprar? ¿Cuál es la máxima de C?

a) Sean las variables de decisión:

x= litros comprados de aceite C

y= litros comprados de aceite D

Las restricciones del problema son:

Y la zona mediante la cual podemos acogernos a la oferta es la representada
por cada uno de los puntos de la parte sombreada en la siguiente gráfica.

b) La mínima cantidad de aceite D que debemos comprar acogiéndonos a la

oferta (punto más bajo de la zona) es el punto intersección de las rectas r,t:

La máxima cantidad de aceite C para acogernos a la oferta (punto más a la

derecha de la zona) es la intersección de las rectas t,u:

Conclusión, la mínima cantidad de D es 2 litros y la máxima de C 10 litros.

PROBLEMA #17  La empresa FORD lanza una oferta especial en dos de sus
modelos, ofreciendo el modelo A a un precio de 1,5 millones de bolívares, y el
modelo B en 2 millones. La oferta está limitada por las existencias, que son 20
autos del modelo A y 10 del B, queriendo vender, al menos, tantas unidades de
A como de B. Por otra parte, para cubrir gastos de esa campaña, los ingresos
obtenidos en ella deben ser, al menos de 6 millones de bolívares ¿Cuántos
automóviles de cada modelo deberá vender para maximizar sus ingresos?

Sean las variables de decisión:

x= autos vendidos del modelo A

y= autos vendidos del modelo B

Función objetivo:

Restricciones:

Zona de soluciones factibles:

Vértices:

A intersección de s,t:

B Intersección de r,s:

C(20, 0)

D(4, 0)

Valores de la función:

Por lo cual se han de vender 20 autos modelo A y 10 autos modelo B para un

beneficio máximo de 50 millones de bolívares.
PROBLEMA #18   En una explotación agrícola de 25 Ha pueden establecerse
dos cultivos A y B. El beneficio de una Ha de A es de 20000 ptas. y el de una Ha
de B de 30000 ptas. Las disponibilidades de trabajo de explotación son de 80
jornadas, una Ha de A precisa 4 jornadas, mientras que una de B precisa sólo 2
jornadas. La subvención de la Unión Europea es de 5 euros por Ha. de A y de
10 euros por Ha. de B, siendo la subvención máxima por explotación agrícola de
200 euros.

a. Representar el conjunto factible.

b. Calcular el beneficio máximo.

a) las variables de decisión son:

x = número de hectáreas del cultivo A

y = número de hectáreas del cultivo B

 La función objetivo es:

Siendo:

Las restricciones son:

Y el conjunto factible es:

Siendo dicho conjunto el segmento de la recta r comprendido entre los puntos A
(intersección de r,s) y B(intersección de r,t)

Valores de la función objetivo en A y B:

Obteniendo el máximo beneficio para 10 Ha de tipo A y 15 de tipo B, siendo

entonces el beneficio de 650.000 euros.

PROBLEMA #19  Se considera la región del plano determinada por las
inecuaciones: x + 3 y ;    8 x + y ; y x - 3 ; x 0; y 0
a) Dibujar la región del plano que definen, y calcular sus vértices.
b) Hallar el punto de esa región en el que la función F(x,y) = 6x + 4y alcanza el
valor máximo y calcular dicho valor.

a ) Hay que dibujar la región factible correspondiente. Para ello vamos a

representar las rectas:

x-y=-3;x+y=8;x-y=3

La región factible es la determinada por los vértices O, A, B, C y D.

Las coordenadas de los vértices son: A(3,0) ; B(5.5, 2.5) ; C(2.5, 5.5) ; D(0,3) y
O(0,0)

b) Para determinar dónde la función objetivo F(x,y) = 6x + 4y alcanza su

máximo, calculamos los valores que toma en los vértices:

F(A) = 18 ; F(B) = 43 ; F(C) = 37 ; F(D) = 12 ; F(O) = 0.

Luego la función alcanza su máximo en el vértice B y su valor es 43.

PROBLEMA #20  Las restricciones pesqueras impuestas por la CEE obligan a

cierta empresa a pescar como máximo 2.000 toneladas de merluza y 2.000
toneladas de rape, además, en total, las capturas de estas dos especies no
pueden pasar de las 3.000 toneladas. Si el precio de la merluza es de 1.000
Bs/kg y el precio del rape es de 1.500 Bs/kg, ¿qué cantidades debe pescar para
obtener el máximo beneficio?

Sean las variables de decisión:

x = número de toneladas de merluza

y = número de toneladas de rape

Del enunciado deducimos las restricciones:

 Como máximo 2000 toneladas de merluza: x 2000

 Como máximo 2000 toneladas de rape: y 2000
 Las capturas de estas dos especies no pueden pasar de las 3000
toneladas: x + y 3000

La función objetivo que da el beneficio en miles de pesetas y que hay que

maximizar viene dada por:
f(x,y) = 1000x + 1500y

Representando las rectas: x = 2000, y = 2000 , x + y = 3000 correspondientes a

las fronteras de las restricciones obtenemos la región factible:

Donde los vértices obtenidos son:

A(2000,0) ; B(2000, 1000) ; C(1000, 2000) , D(0,2000) y O(0,0)

Al sustituir sus coordenadas en la función objetivo f resulta :

f(A) = 2000 millones de ptas. ; f(B) = 3500 millones de pesetas; f(C) = 4000
millones de pesetas ; f(D) = 3000 millones de pesetas y f(O)= 0 ptas.
La función objetivo alcanza su máximo en el vértice C, por lo que las cantidades
a pescar son 1000 toneladas de merluza y 2000 toneladas de rape.

PROBLEMA #21 Dos pinturas A y B tienen ambas dos tipos de pigmentos p y q;

A está compuesto de un 30% de p y un 40% de q, B está compuesto de un 50%
de p y un 20% de q, siendo el resto incoloro. Se mezclan A y B con las
siguientes restricciones:
La cantidad de A es mayor que la de B. Su diferencia no es menor que 10
gramos y no supera los 30 gramos. B no puede superar los 30 gramos ni ser
inferior a 10 gramos.

a. ¿Qué mezcla contiene la mayor cantidad del pigmento p?

b. ¿Qué mezcla hace q mínimo?

Sean x e y, respectivamente, los gramos de las pinturas A y B que aparecen en

la mezcla. Traduzcamos a inecuaciones las restricciones a las que se han de
someter esas cantidades.

 La cantidad de A es mayor que la de B: x > y

 Su diferencia no es menor que 10 gramos y no supera los 30 gramos: 30
x - y 10
 B no puede superar los 30 gramos ni ser inferior a 10 gramos: 30 y 10

Además sabemos que : x 0,y 0.

Veamos las cantidades de pigmento de cada tipo:

Cantidad de pigmento de tipo p: Fp (x, y) = 0.3x + 0.5y

Cantidad de pigmento de tipo q: Fq (x, y) = 0.4x + 0.2y

La región factible es la que aparece en la imagen del

margen.

Sus vértices son A(20,10) , B(40,10), C(60,30) y D(40,30)

a) La mayor cantidad de pigmento p, se produce para 60 gramos de la pintura A

y 30 de la B:
Fp (40,30) = 0.3·40 + 0.5·30 = 27 ; Fp (20,10) = 11 ; Fp (40, 10) = 17; Fp (60, 30) =
33

b) La menor cantidad de pigmento q, se produce para 20 gramos de la pintura A

y 10 de la B:
Fq (40, 30) = 0.4·40 + 0.2·30 = 22; Fq (20, 10) = 10 ; Fq (40, 10) = 18 ; Fq (60, 30) =
30

PROBLEMA #22  Problema de la dieta  

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 encuentran dos clases de
compuestos: el tipo X con una composición de una
unidad de A y cinco de B, y el tipo Y, con una
composición de cinco unidades de A y una de B. El
precio del tipo X es de 1000 pesetas y el del tipo Y es
de 3000 pesetas. Se pregunta:
¿Qué cantidades se han de comprar de cada tipo para
cubrir las necesidades con un coste mínimo ?
El problema se llama así porque en
sus orígenes consistió únicamente
en determinar la dieta humana más
económica.
En su forma industrial más
corriente, el problema consiste en
saber cómo mezclar de la forma
más económica posible las
materias primas que constituyen
un producto de fórmula química
conocida.

Podemos organizar la información mediante una tabla:

  Unidades Sustancia A Sustancia B Costo

Compuesto X x x 5x 1000x
Compuesto Y y 5y y 3000y
Total   15 15 1000x + 3000y

La función objetivo del costo total, f, si se emplean x kg del compuesto X e y kg

del compuesto Y, es :

Z = f(x,y) = 1000x + 3000y

El conjunto de restricciones es: x 0,y 0 ; x + 5y

15 ; 5x + y 15 .

Con estos datos representamos la región factible y las

rectas de nivel de la función objetivo.

De todas las rectas de nivel que tocan a la región factible,

hace que el costo Z sea mínimo la que pasa por el vértice
A(2.5,2.5).

La solución óptima se obtiene comprando 2.5 unidades de X y 2.5 unidades de

Y.

El costo total es : Z = f(2.5,2.5) = 1000·2.5 + 3000·2.5 = 10.000 bolívares

PROBLEMA #23  Considera el recinto de la figura en el que están incluidos

todos los lados y todos los      vértices.
a) Escribe la inecuaciones que lo definen

b) Maximiza la función Z = x + y

a)

 Hallamos la ecuación de la recta que pasa por (2,0) y (0,2):

  (0,2) 2 = m·0 + n n=2  

y = mx + n   y=-x+2 x+y=2
  (2,0) 0 = m·2 + 2 m=-1  

Los puntos del recinto (por ejemplo, el (0,0) ) verifican x + y 2

 Ecuación de la recta paralela al eje X que pasa por (0,2) : y = 2.

Los puntos del recinto verifican y 2
 Ecuación de la recta paralela al eje X que pasa por (0,-1): y = -1
Los puntos del recinto verifican y - 1
 Ecuación de la recta paralela al eje Y que pasa por (2,0) : x = 2
Los puntos del recinto verifican x 2
 Ecuación de la recta paralela al eje Y que pasa por (-2,0): x = - 2
Los puntos del recinto verifican x - 2

Las inecuaciones que cumplen los puntos del recinto son:

x+y 2
-2 x 2
-1 y 2

b) Como la dirección de la función Z = x + y a maximizar es la misma que la del

borde x + y = 2, resulta que esta recta es tal que deja todo el recinto a un lado,
precisamente del lado que hace x + y 2 . Por tanto, el máximo de Z = x + y
para (x,y) en el recinto se alcanza para cualquier punto de ese segmento del
borde y tiene por valor 2.