INVESTIGACION DE OPERACIONES

I. INTRODUCCION

La administración de sistemas se ha tornado cada vez más difícil debido

a la complejidad creciente que experimentan los sistemas. Complejidad que
deriva de las interacciones entre los muchos elementos de las organizaciones y
los sistemas físicos en que estos interactúan. Se ha hecho cada día mas
necesaria la utilización de nuevas metodologías y técnicas que permitan
resolver sus problemas de planificación, diseño, administración y operación.
La investigación operacional es un método científico de la toma de
decisiones que se caracteriza por su naturaleza integradora o enfoque de
sistemas, esto es, una vez definido el alcance de un cierto sistema, se da
énfasis en el conjunto e interacción de las partes que lo constituyen y no en
algún aspecto o componente específico.

1. Definiciones e historia de la Investigación de Operaciones (I.O.)

No existe una definición única de I.O., por el contrario cada profesional del
área puede tener su propio concepto y definición de ella.
Una muestra de tales definiciones se da a continuación:
i) Es la aplicación de métodos científicos, técnicas y herramientas en la
solución de problemas de operación de sistemas con el fin de
controlar dichas operaciones en forma óptima (Churchman, Arnoff
& Ackoff).
ii) La I.O. tiene como objetivo el optimizar el comportamiento de un
sistema cuyo propósito está orientado a la resolución de un problema
determinado (Mc. Closkey - Coppinger).
iii) La I.O. es la aplicación del método científico para proveer a los
departamentos ejecutivos con bases cuantitativas para la toma de
decisiones relacionadas con operaciones bajo su mando.
iv) I.O. es la aplicación del método científico por grupos de trabajo
interdisciplinarios para la resolución de problemas de control de
sistemas hombre-máquina organizados con el fin de cumplir con
objetivos establecidos por la organización en la mejor forma posible
(Ackkoff - Sasieni).

Como se puede observar, todas las definiciones implican el uso de métodos

científicos para mejorar la toma de decisiones en la organización.

1
 Investigación Operacional también se conoce con los nombres de Ciencias
de la Administración, Análisis de Sistemas, Cibernética, Análisis de Decisión,
y/o Análisis de Operaciones.

1.1 RESEÑA HISTÓRICA:

Su origen puede remontarse desde el tiempo de la Revolución Industrial

y también en cierta medida antes de esa época, sin embargo su origen como
disciplina propiamente tal data de la Segunda Guerra Mundial, en que las
administraciones militares de Gran Bretaña y Norteamérica emplearon un
grupo de científicos para que aplicaran el método científico o la solución de
problemas tácticos y estratégicos, relacionados principalmente con la
asignación de recursos, operaciones militares, abastecimientos, etc.
Una vez terminada la Segunda Guerra Mundial, los países comenzaron
su reconstrucción y las organizaciones comenzaron a crecer y a ser más
complejas. La I.O., entonces, entró en un proceso de expansión y desarrollo en
un mundo no militar.
A comienzo de 1960 la I.O. llegó a ser académicamente aceptable y de
interés. Como consecuencia de todo esto el número de especialistas en I.O.
creció en forma exponencial.
Debe tenerse presente, finalmente, que la I.O., está al servicio del
administrador quien generalmente necesita ayuda en la toma de decisiones en
sistemas que son demasiados complejos para permitir buenas decisiones
tomadas exclusivamente en base a buen criterio o sentido común.

2. PROCESO DE LA INVESTIGACIÓN DE OPERACIONES:

El proceso de la I.O. comprende cinco pasos principales:

i) Formulación y definición del problema.

ii) Construcción del modelo.
iii) Solución del modelo.
iv) Validación del modelo.
v) Implementación de la solución.

2
3. TÓPICOS DE LA I.O.:

En la actualidad existe una gran cantidad de técnicas utilizadas por la I.O.

que permiten analizar y en muchos casos resolver una gran variedad de
problemas.

i) Análisis estadístico
ii) Simulación
iii) Programación Lineal
iv) Redes (pert/cpm)
v) Teoría de Inventarios
vi) Teoría de colas
vii) Programación no lineal
viii) Programación Heurística
ix) Programación dinámica
x) Programación entera
xi) Teoría de juegos
xii) Teoría de decisiones
xiii) Análisis de riesgo

II PROGRAMACIÓN LINEAL

Es un modelo que tiene varios supuestos subyacentes, y la validez de los

resultados dependen de estos; los cuales serían proporcionalidad, aditividad,
divisibilidad, determinismo, número de objetivos.

i) PROPORCIONALIDAD:
La función objetivo y cada restricción sobre
las variables de decisión debe ser lineal. Esto
es, las medidas de efectividad (utilidad o
costo) en la F.O. y, la cantidad de recurso
usado debe ser proporcional al valor de cada
variable de decisión considerada
individualmente.
Si por ejemplo para hacer una silla necesito
½ tabla, para fabricar 3 sillas necesitare 1½.
Los recursos son proporcionales a la
producción. Esto no es válido en todo los
casos reales.

3
 Ej: curva de reconocimiento
El modelo en la
realidad es la
curva azul, pero
podemos
linealizarlo
trazando rectas
que en cierto
intervalo se
aproxima a la
realidad, con lo
cual se reduce a una combinación de
ecuaciones lineales.

ii) ADITIVIDAD:
La suposición de proporcionalidad no es
suficiente para garantizar que la F.O. y las
restricciones sean lineales, por lo tanto, es
necesario que cada variable sea aditiva con
respecto a la utilidad (costo) y a la cantidad
de recurso utilizado.
Los recursos es posible sumarlos en distintas
actividades.

iii) DIVISIBILIDAD:
Algunas veces las variables de decisión
deberán tener un significado físico, que es
posible solo si ellas tienen valores enteros.
Sin embargo la solución obtenida por la
programación lineal con mucha frecuencia no
es entera.
Luego se debe suponer que las unidades de
las actividades pueden ser divididas en
niveles fraccionarios.

4
iv) DETERMINISMO:
La programación lineal, está definida para
trabajar suponiendo que el comportamiento
de las variables y parámetros es conocido con
certeza.
En los problemas reales, muy pocas veces se
satisface por completo esta suposición.

v) NUMERO DE OBJETIVOS:
La programación lineal esta limitada a
considerar un solo objetivo.
En consecuencia, si el problema tiene
muchos objetivos que no son posibles de
agrupar en uno solo, no se puede utilizar
programación lineal.

La clave para la aplicación exitosa de esta técnica es la capacidad de

reconocer cuando un problema puede ser resuelto por programación lineal y la
capacidad de formularlo posteriormente, como tal.

El enunciado general del problema de Prog. Lineal es el sgte. Encuentre

x1, x2, …, xn, tal que maximice la sgte función lineal:

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

Sujeto a las restricciones

a11x1 + a12x2 . . . . . a1nxn ≤ b1

a21x1 + a22x2 . . . . . a2nxn ≤ b2
. .
. .
. .
am1x1 + am2x2 . . . amnxn ≤ bm

x1 ≥ 0, x2 ≥ 0 , . . . . , xn ≥ 0

donde los aij, bi, cj son los parámetros que permiten relacionar las variables de
decisión con la función objetivo y restricciones.
** Podemos tener los casos de minimización, restricciones del tipo ≥, = e
incluso la no condición de no negatividad.

5
EJEMPLO:
Un señor tiene disponible semanalmente 7000 gr. de hilo rojo; 4000 gr.
de hilo verde y 7000 gr. de hilo amarillo y decide fabricar tela escocesa y
exportar a Escocia. Debido a los colores puede fabricar a dos clanes, los
McFarlam y los McDonald (bajo el supuesto que son cada uno lo
suficientemente grandes como para comprar cualquier producción de tela). No
consideraremos el costo por mano de obra. El objetivo es maximizar las
utilidades.

Precio de venta Costo por Utilidad por metro

por metro [$] metro[$] [$]
McFarlam 25 20 5
McDonald 23 19 4

Un metro de tela requiere:

rojo verde Amarillo
McFarlam 2 1 1
McDonald 1 1 2

Sean:
x1: metros de tela McFarlam fabricados por semana
x2: “ “ “ McDonald “ “ “ Var. Controlable

b1: gr. hilo rojo disponible por semana

b2: “ “ verde “ “ “
b3: “ “ amarillo “ “ “

Función objetivo: Maximizar utilidades:

Max Z = 5x1 + 4x2

Las variables de decisión no pueden ser negativas:

x1, x2 ≥ 0

Rojo ⇒ 2x1 + 1x2 ≤ 7000

Verde ⇒ 1x1 + 1x2 ≤ 4000
Amarillo ⇒ 1x1 + 2x2 ≤ 7000
x1, x2 ≥ 0

6
 X2

7000
Frontera tecnológica por el hilo rojo

Frontera tecnológica por el hilo verde

4000
3500
Frontera tecnológica por el hilo amarillo

X1
3500 7000
4000

Se tienen 3 fronteras tecnológicas:

Polígono de las soluciones factibles

Otro aspecto a considerar es cuanto sobra de cada factor si no se esta

sobre su respectiva frontera tecnológica. Lo cual lo obtenemos de una escala
en una recta perpendicular a esta.

7
Por ejemplo: Para la frontera tecnológica por el hilo rojo:

x2

7000

Frontera tecnológica

x1
3500

Variable de holgura relacionada al hilo rojo

x3

La cantidad de recurso sobrante es la cantidad de recursos disponibles

no utilizados, se llama variable de holgura.
En el ejemplo anterior:

x3: gr. de hilo rojo no utilizado por semana

x4: “ verde “ “
x5: “ amarillo “ “

Con x3, x4, x5 ≥ 0, variables de holguras positivas, con lo cual se

transforman las inecuaciones en:

2x1 + 1x2 + x3 = 7000

1x1 + 1x2 + x4 = 4000
1x1 + 2x2 + x5 = 7000
x1, x2, x3, x4, x5 ≥ 0

8
 Tengamos siempre presente que el objetivo es maximizar Z = 5x1 + 4x2
x2

rojo

Pto. factible
V IV

III

amarillo

II x1
I
verde
x3

x4 x5

Al iniciar la semana el producto se encuentra en I, es decir:

x1 = 0
x2 = 0
x3 = 7000
x4 = 4000
x5 = 7000 Z=0

Como primera reacción es producir el máximo de uno de los dos

productos ir al pto. II ya que x1 tiene una utilidad de $5, que es mayor a la que
nos da x2 ($4), con lo que se tiene:

x1 = 3500
x2 = 0
x3 = 0
x4 = 500
x5 = 3500 Z = 17500

9
 Analizando el “ingreso marginal”, es decir, ver que implicaciones tiene
producir 1m menos de tela McFarlam.

x1 = 3499 ⇒ x3 = 2
x4 = 501
x5 = 3501 Con los cuales se puede fabricar
2m de tela McDonald.
∴ x2 = 2 ⇒ x3 = 0
x4 = 499
x5 = 3497

Como al sacrificar un metro de tela 1 se “pierden” $5 y al producir dos

metros de tela 2 se “ganan” $8, se tiene que por cada metro de tela 2 que se
fabrique sacrificando tela 1 aumentan las utilidades en $1.5 (-5+8=3/2m que
se fabrican = 1.5$/m), es decir, el valor marginal de fabricar tela 2 es de $1.5
por metro. ∴es más racional fabricar menos tela 1 y más tela 2 con el
sacrificio de la anterior, lo cual nos lleva a situarnos en el pto. III con: x3 = 0,
x4 = 0, reemplazando en las ecuaciones se tiene:

x1 = 3000
x2 = 1000
x3 = 0
x4 = 0
x5 = 2000 Z = 19000

Análogamente al caso anterior, analizamos el valor marginal:

x1 = 2999 ⇒ x3 = 2
x4 = 1
x5 = 2001 Con lo cual se puede fabricar 1
metro de tela 2.
∴x2 = 2001 ⇒ x3 = 1
x4 = 0
x5 = 1999

Pero al sacrificar un metro de tela 1 nos significa una perdida de $5, y el

producir un metro mas de tela 2 nos aporta $4, tenemos una merma de $1 en la
utilidad, es decir, un valor marginal de –1, por lo cual no nos movemos del
pto. anterior y decimos estar en el pto. optimo de producción.

10
2.1 Solución Gráfica de Modelos de Programación Lineal

La solución gráfica no es el mejor método de resolver problemas de

programación lineal en la vida real, dado que solo permite trabajar a lo mas en
tres dimensiones. Sin embargo, desde un pto. de vista didáctico esta forma de
resolución permite entender la estructura de los modelos de PL.
Para mostrar esta forma de solución se utilizará el sgte. problema:

La fábrica de muebles FMT fabrica dos tipos de comedores: clásicos y

modernos. Logra una utilidad de 200 UM y 240 UM por la venta de cada tipo
de comedor respectivamente. En la actualidad existe una alta demanda para
ambos comedores. En consecuencia el Gerente General cree que puede vender
todos los comedores que produzca. Los requerimientos y capacidades de
producción diarios se muestran en la sgte. tabla:

Recursos requeridos para Producto Producto Recurso

producir una unidad clásico moderno disponible
Tpo. de construcción [h] 12 6 120
Tpo. de pintura [h] 4 8 64
¿Cuál debe ser la cantidad a producir de cada tipo de comedor para
maximizar la utilidad?

2.1.1 Formulación del Problema

Esta es la etapa inicial en la cual se definirán las variables y relaciones

matemáticas.

Sea C número de comedores clásicos a producir

“ M “ “ “ modernos “

Función Objetivo: Max Z = 200C + 240M

Sujeto a las sgtes. Restricciones:

i) tpo. de construcción 12C + 6M ≤ 120

ii) tpo. de pintura 4C + 8M ≤ 64
iii) no negatividad C ≥ 0, M ≥ 0

11
2.1.2 Graficar las restricciones

Para poder graficar cada restricción, solo es necesario encontrar dos

ptos. que estén sobre la recta que define a cada restricción.

Restricción i) 12C + 6M ≤ 120

Pto. 1 sea C = 0 6M ≤ 120 ⇒ M ≤ 20

Pto. 2 sea M = 0 12C ≤ 120 ⇒ C ≤ 10

Restricción ii) 4C + 8M ≤ 64

Pto.1 sea C = 0 8M ≤ 64 ⇒M≤8

Pto.2 sea M = 0 4C ≤ 64 ⇒ C ≤ 16

Siendo su representación gráfica la sgte.:

20

Región de soluciones Factibles

8

C
10 16

12C + 6M ≤ 120 4C + 8M ≤ 64

En el caso particular de PL la región de soluciones factibles tiene las

siguientes características:

12
i) La región de soluciones factibles es un conjunto convexo
Un conjunto X es convexo si para cualquier par de ptos. x1, x2 en el
segmento de línea que une esos ptos. esta también en el conjunto.
En forma matemática esto es, si x1, x2 ∈ X, entonces cualquier pto.
x = λx2 + (1-λ)x1, 0 ≤ λ ≤ 1 debe también pertenecer al conjunto.

x2

x1
x1 x2

Si es convexo No es convexo

ii) Si la intersección de dos o más regiones de soluciones factibles existe,

entonces también es un conjunto convexo.

iii) Dado que la FO del problema de PL forma un hiperplano, la solución

optima siempre va a estar localizada en uno de los ptos. extremos de la región
de soluciones factibles.

Para el caso particular del problema en análisis los ptos. extremos son:

C = 10 y M = 0
C=0yM=8
C = 0 y M =0
C=8yM=4

2.1.3 Determinar la Solución Optima del Problema en Forma Gráfica

Para determinar la solución optima del problema hay dos formas

alternativas. La primera es evaluar la función objetivo para todos los ptos.
extremos y elegir entre ellas la mejor.

Si C=0 M=0 f. objetivo igual 0

C = 10 M=0 “ “ “ 2000
C=0 M=8 “ “ “ 1920
C=8 M=4 “ “ “ 2560

13
 Luego la solución optima es fabricar 8 comedores clásicos y 4
comedores modernos con una utilidad de 2560 UM

La segunda alternativa es utilizar la característica del hiperplano que

forma la FO, graficarla y desplazarla en forma paralela a la línea graficada en
el sentido que se acerque al optimo, hasta topar el pto. extremo que la
satisfaga.

M
Sea Z = 800 = 200C + 240M
Si C = 0 ⇒ M = 800/240 = 3.3
20 M = 0 ⇒ C = 800/200 = 4

8 pto. optimo

desplazar

C
10 16
Z=0 Z = 800 Z = 2560

De la figura se puede observar que la FO se debe desplazar hasta el pto.

donde un pequeño incremento hace que la solución sea infactible.
En rigor el procedimiento gráfico utiliza la 2° alternativa

2.1.4 Casos Especiales de Solución

Los problemas de PL no siempre entregan una solución única. Hay

casos con múltiples soluciones o simplemente sin solución.

i) Múltiples soluciones

Si la pendiente de la FO es igual a la de alguna de las restricciones, el

problema presenta múltiples soluciones, por ejemplo:

14
 Sea max Z = x1 + 1,5x2
s.a.
(1) 2x1 + 3x2 ≤ 6
(2) x1 + 4x2 ≤ 4
(3) x1, x2 ≥ 0

En este caso la pendiente de la FO es igual a la de restricción (1)

x2

2
múltiples soluciones

x1
3 4
Z=1 Z=2

ii) Problema sin solución

Hay dos posibilidades para que un problema de PL no tenga soluciones. La

primera es cuando el conjunto convexo no es cerrado respecto a la dirección
en que se mueve la FO, tratando de acercarse al optimo. En otras palabras
cuando el conjunto de soluciones no es acotado.

Ejemplo: min Z = x1 – 10x2

s.a.
x1 ≥ 10 (1)
x1 – 5x2 ≥ -5 (2)
x2 ≥0 (3)

15
 x2

Z = ¿?
x1 – 5x2 ≥ -5
desplazar

Z = -10
x1 ≥ 10
1
x1 Z = 10
10

El 2° caso es cuando el conjunto de restricciones es inconsistente, es

decir, la intersección de las restricciones es vacío.
Ejemplo:
Max Z = -5x2
s.a. x1 + x2 ≤ 1
x2 ≥ 2
x1, x2 ≥ 0
x2
x2 ≥ 0 x2 ≥ 2

x1 ≥ 0
1
x1
1

x1 + x2 ≤ 1

III Procedimientos del Método Simplex

El método simplex, geométricamente consiste en avanzar hacia el

optimo a través de los ptos. extremos en el sentido que la función objetivo
aumenta. Como un proceso algebraico, consiste en encontrar una solución
básica factible, evaluarlo si es la optima, si no la es, extraer una variable de la
base e introducir una no básica de manera que aumente el valor de Z, y así
sucesivamente hasta llegar al optimo.

16
 Para una mejor visualización del procedimiento se evaluará el sgte.
problema:

Max Z = 200x1 + 240x2

s.a.
6x1 + 12x2 ≤ 120 (1)
8x1 + 4x2 ≤ 64 (2)
x1, x2 ≥ 0

Su solución gráfica se muestra en la sgte. figura:

x2 (1) x1 = 0 ⇒ x2 ≤ 10
x2 = 0 ⇒ x1 ≤ 20

(2) x1 = 0 ⇒ x2 ≤ 16
x2 = 0 ⇒ x1 ≤ 8
16
Z* = 2720
8x1 + 4x2 ≤ 64
x1 = 0 ⇒ x2 = 11.3
x2 = 0 ⇒ x1 = 13.6

10 P3
8 6x1 + 12x2 = 120 (1)
8x1 + 4x2 = 64 (2)
6x1 + 12x2 ≤ 120 de (1) x1 = 20 – 2x2
en (2) 8(20 – 2x2) + 4x2 = 64
160+16x2 + 4x2 = 64
x2 = 96/12 = 8
x1
4 8 20 ∴ x1 = 4

Donde P1, P2, P3 y P4 son los ptos. extremos de la región de soluciones

factibles y su solución optima corresponde al pto. 3.

En el desarrollo algebraico el paso inicial es transformar las

restricciones en ecuaciones adicionando la variable de holgura.

x3, x4 , también llamadas en la literatura S1, S2; Xh1, Xh2

6x1 + 12x2 + x3 = 120
8x1 + 4x2 + x4 = 64

17
 Posteriormente colocar la FO también como ecuación

Z - 200x1 – 240x2 = 0

Si se analiza el sistema de ecuaciones formado por las restricciones, se

observa que el numero de variables es mayor que el numero de ecuaciones;
con lo cuál como se vió anteriormente, es necesario fijarle a algunas de las
variables valor cero, tal que el número de incógnitas sea igual al número de
ecuaciones.

Para el caso en estudio existen 4 soluciones posibles:

Var. No Básicas Var. Básicas

P1 : x1, x2 =0 x3 = 120 , x4 = 64
P2 : x1, x3 =0 x2 = 10 , x4 = 24
P3 : x3, x4 =0 x1 = 4 , x2 = 8
P4 : x2, x4 =0 x1 = 8 , x3 = 72
Var no básicas
Toman el valor 0

Del gráfico se puede observar que cada una de estas soluciones,

corresponde a alguno de los ptos. extremos de la región de soluciones posibles
o factibles.
En base a estos elementos es posible definir el procedimiento del
método simplex.

El paso inicial es elegir una solución básica inicial factible, para lo cual
el sistema de ecuaciones compuesto por las restricciones y función objetivo
debe estar en forma canónica. Al tomar como base inicial las variables de
holgura, el sistema queda automáticamente en forma canónica.

Base (x3, x4) x3 = 120, x4 = 64 en la figura corresponde al pto.1. Para

esta solución inicial la FO tiene un valor cero. Esta solución no es optima ya
que el valor de Z puede ser incrementado, aumentando el valor de x1 y/o de x2.

Si la solución no es optima es necesario cambiar la base ingresando una

variable básica.

18
 La variable de ingreso, se elige aquella que incrementa en forma más
rápida la FO. En este caso es la variable x2 pues en la ecuación de la función
objetivo tiene un coeficiente negativo mayor.

La elección de la variable saliente, esta basada en el análisis de la

restricción que primero deja de ser válida, al incrementar el valor de la
variable entrante (esta condición asegura que siempre las soluciones sean
mayores iguales a cero).

La restricción que primero deja de ser válida nos señala cual de las
variables básicas antiguas es la que debe salir tomando su lugar la variable
entrante. Una vez realizada esta operación es necesario dejar el sistema en
forma canónica para la nueva base.

Para el caso en estudio, se tiene que:

FO: Z - 200x1 – 240x2 =0

(1): 6x1 + 12x2 + x3 = 120
(2): 8x1 + 4x2 + x4 = 64

Como ingresa x2 se analiza que restricción deja de ser válida primero.

La restricción (1) es válida hasta que x2 alcanza un valor de 10 y la

restricción (2) es válida hasta que x2 alcanza un valor de 16. Luego la
restricción (1) deja de ser válida primero, debiendo salir x3 de la base,
quedando como nueva base (x2, x4).

FO: Z – 200x1 – 240x2 =0

(1): 6x1 + 12x2 + x3 = 120
(2) 8x1 + 4x2 + x4 = 64

Para dejar el nuevo sistema en forma canónica, lo primero es dejar en la

ecuación de donde salió la variable, la nueva variable con coeficiente 1.

1 1
(1) x1 + x2 + x3 =10
2 12

19
 Posteriormente de las otras ecuaciones incluida la FO la nueva variable
básica.
Multiplico por 240(1) y la sumo a la FO

FO (-200 + 120)x1 + (-240 + 240)x2 + (240/12)x3 = 2400

-80x1 + 20x3 = 2400
Multiplico (1) por -4 y la sumo a (2)
4 4
(8 - )x1 + (4 – 4)x2 - x3 + x4 = 64 – 40
2 12
1
6x1 - x3 + x4 = 24
3

Con lo cuál el nuevo sistema es:

FO Z – 80x1 20x3 = 2400

1 1
(1) x1 + x2 + x3 = 10
2 2
1
(2) 6x1 - x3 + x4 = 24
3

Esta solución corresponde al pto. P2 de la solución gráfica.

Si se analiza nuevamente la FO, se ve que el valor de Z aún puede ser

incrementado haciendo que x1 tome un valor positivo. Por lo tanto no se está
en el optimo y debe ingresar x1 a la base.

De igual forma como en el caso anterior se debe analizar que variable

debe salir de la base.

La restricción (1) es válida hasta que x1 alcanza un valor de 20 y la

restricción (2) es válida hasta que x1 alcanza un valor de 4. Por lo tanto debe
salir la variable x4 de la base, quedando la nueva base (x2, x1).

Dejando el sistema en forma canónica para la nueva base se tiene:

140 40
FO: Z + x3 + x4 = 2720
9 3
19 1
(1): x2 + x3 - x4 =8
36 12
1 1
(2): x1 - x3 + x4 =4
18 6

20
 Esta solución corresponde al pto. P3 de la gráfica.
Si se analiza la FO, se puede apreciar que el valor de Z ya no puede ser
incrementado ya que todos los coeficientes son positivos, con lo cuál está es la
solución optima con x1 = 4, x2 = 8 y Z = 2720.
El esquema general de procedimientos puede resumirse en los sgtes.
pasos:

Paso 0: Se introducen variables de holgura, y se las elige como variables

básicas iniciales.

Paso 1: Se determina si la solución así obtenida es optima, analizando los

coeficientes de las variables no básicas en la FO. Si son todos
positivos (no se puede incrementar el valor de Z) se ha llegado al
optimo, en caso contrario debe ir al paso 2.

Paso 2: Se selecciona como variable básica entrante aquella que

incrementa mas rápidamente la FO (la que tiene un coeficiente
más negativo)

Paso 3: Se determina la variable que debe salir de la base, eligiendo

aquella que llega mas rápidamente a cero, al incrementar la
variable entrante. En otras palabras debe salir la variable básica
que aparece en la restricción que deja de ser válida primero al
incrementar el valor de la variable básica entrante.

Paso 4: Se determina la nueva solución básica posible, transformando el

sistema a una forma canónica, en la que la variable básica
entrante solo aparece en la ecuación de donde salió la antigua
variable básica. Vaya al paso 1.

21
3.1 Aplicación a Otros Modelos de PL

El procedimiento descrito en el pto. anterior es válido solo para el caso

particular de:
n
Max Z = ∑c
j =1
j cj

s.a.
n

∑a
j =1
ij x ij ≤ bi i = 1,2,…, m

xj ≥ 0 j = 1,2 …, n

Sin embargo, existen otras formas de presentación del problema, que no

permiten la aplicación directa del método.

3.1.1 Modelos de Minimización

Si la FO es minimizar, existen dos alternativas para solucionar el

problema.

i) Transformar el problema de una minimización en una

maximización definiendo una nueva FO.
n
Max W = ∑−c
j =1
j xj , donde W = -Z

ii) Cambiar la regla para elegir la variable entrante. Se escoge

aquella que haga disminuir en mayor cantidad la FO. El óptimo
se alcanza cuando los coeficientes de las variables no básicas en
la ecuación de la FO son todos negativos.

3.1.2 Modelos con restricciones mayor igual

Si una o más restricciones son del tipo:

a i1 x1 + a i 2 x 2 + . . . . + a in x n ≥ bi (1)

22
 Para poder emplear el método simplex, se debe restar una variable ri tal
que la restricción se transforme en igualdad.

a i1 x1 + a i 2 x 2 + . . . . a in x n − ri = bi (2)

La variable ri es denominada variable de excedente, ya que si se

substrae el excedente del lado izquierdo sobre el lado derecho la restricción
(1) se convierte en la ecuación equivalente (2).

Sin embargo, con esta transformación no se puede utilizar directamente

el procedimiento del simplex, ya que, al dejar las variables de excedentes en la
base, el problema tiene una solución básica pero no factible. Luego es
necesario encontrar otro mecanismo que entregue una solución inicial básica
factible.

Una forma de obtener esta solución básica factible es introduciendo una

variable artificial a las restricciones con variable de excedente.

a i1 x1 + a i 2 x 2 + . . . . + a in x n − ri + t i = bi (3)

donde ti forma parte de la base inicial.

Sin embargo, esto equivale a introducir una nueva variable sin sentido
físico, manteniendo constante el número de ecuaciones. Por lo tanto, es
necesario asegurar que el procedimiento del simplex deje fuera de la base final
a todas las variables artificiales con un gran castigo, tal que el método
simplex, las haga tomar el valor cero automáticamente.

Ej: max Z = 3x1 – 2x2

s.a. 2x1 + 3x2 ≤ 6
x1 – x2 ≥ 2
x1, x2 ≥ 0

Utilizando el procedimiento descrito el problema queda de la sgte.

forma:
Max Z = 3x1 – 2x2 - Mt1
2x1 + 3x2 + x3 =6
x1 – x2 - r1 + t1 = 2
x1, x2, x3, r1, t1 ≥ 0

23
 El coeficiente –M en la FO hace que la variable artificial t1 tome un
valor cero en la solución optima; M es un valor muy grande.

Resolución: FO Z – 3x1 + x2
2x1 + 3x2 + x3 =6
x1 – x2 - r1 + t1 = 2

base inicial (x3,t1)

Para poder iniciar el proceso del simplex es necesario que nuestras

variables básicas estén en forma canónica, luego es necesario eliminar t1 en la
FO con lo cual el problema queda:

FO Z – (M - 3)x1 + (M + 2)x2 + Mr1 = -2M

(1) 2x1 + 3x2 + x3 = 6
(2) x1 – x2 - r1 + t1 = 2

Variable que entra x1 ya que es la con un mayor coeficiente negativo en

la FO.

Var. básica que sale:

Restricción (1) valida hasta que x1 = 3

“ (2) “ “ x1 = 2

Luego la restricción (2) deja de ser valida primero, por lo tanto sale la
variable básica t1.

Base actual (x3, x1)

FO Z – (M + 3)x1 + (M + 2)x2 + Mr1 = -2M

(1) 2x1 + 3x2 + x3 = 6
(2) x1 - x2 + r1 + t1 = 2

Como x1 es la variable básica debe aparecer con coef. 1 en la ec. (2) y

con coeficiente 0 en el resto de las ecuaciones.

FO Z – x2 – 3r1 + (M + 3)t1 = 6
5x2 + x3 + 2r1 – 2t1 = 0
x1 – x2 – r1 + t1 = 0

24
entra r1:
restricción (1) valida hasta r1 = 1
“ (2) “ para cualquier valor de r1
luego sale x3.

Nueva Base (r1, x1)

13 3
FO Z + x2 + x3 + Mt1 = 8
2 2
5 1
(1) x2 + x3 + r1 – t1 = 1
2 2
1
(2) x1 ± x2 ± x3 =3
2

solución optima: x1 = 3, r1 = 1, Z = 9

3.1.3 Modelos con Restricciones de Igualdad

Si se tiene restricciones de la forma: a i1 x1 + a i 2 x 2 + . . . . + a in x n = bi

existen dos alternativas de transformación al caso general.

i) Introducir dos restricciones

n

∑a
j =1
ij x j ≥ bi

∑a
j =1
ij x j ≤ bi

ii) Introducir directamente en la restricción de igualdad una variable artificial

ti, tal que esta variable forme parte de la solución básica inicial del simplex.
Al igual que en el caso anterior, esta variable no tiene significado físico,
luego en la solución final del simplex debe aparecer con valor cero. Esto se
logra incorporándola a la FO con un coeficiente de penalización muy
grande y se resuelve de igual forma que el pto. 3.1.2

25
3.1.4 Modelos con Variables sin Restricciones de Signo

En algunos modelos aparecen variables xj que pueden ser negativos,

cero o positivas, lo que es contradictorio con la condición de no negatividad.
El problema se elimina haciendo el sgte. reemplazo para cada una de estas
variables.
Xj = Yj – Uj

IV Forma Estándar del método Simplex

Existe una forma abreviada de tabular los diferentes pasos del método
simplex a través de cuadros llamados “tableau”. El procedimiento es
exactamente el mismo, pero, hay mayor agilidad debido a la mecánica de
trabajo que posee. El tableau se forma después de haber transformado las
inecuaciones en ecuaciones, con las variables de holgura, de excedente y
artificiales que correspondan.

Sea el problema:

n
Max Z = ∑ c j x j Variables de holgura
j =1

s.a.
n

∑aj =1
ij x j + x n + i = bi i = 1, …, m

xj ≥ 0 j = 1, …, n + m
La forma del tableau de este problema es:

Vector en CB a1 a2 an an+1 an+m b ∆

la base (x1) (x2) (xn) (xn+1) (xm+n)
Z1-C1 Z2-C2 Zn-Cn Zn+1 Zn+m Z
B1 CB1 Y11 Y12 . . . Y1n Y1, n+1 . . . Y1, n+m xB1
B2 CB2 Y21 Y22 . . . Y2n Y2, n+1 . . . . xB2
. . . . . . .
. . . . . . .
. . . . . . .
Bm CBm Ym1 Ym2 . . . Ymn Ym, n+1 . . . Ym, n+m xBm
C1 C2 . . . Cn 0 . . . 0
Figura (*)

26
Donde:

Bi: Indican los vectores que están en la base o, en otras palabras las
unidades que forman la base.

Cj: Utilidad unitaria asociada a la variable xj en la función del

problema original

aj: j-esima columna de la matriz A aumentada con las variables de

holgura (las primeras n columnas corresponden a las variables de
holgura xj+i)

Yij: Coeficientes que permiten expresar las variables no básicas como

combinación lineal de las variables básicas.
m
a j = Y1 j B1 + . . . . + Ymj Bm = ∑ Yij Bi = BY j
i =0

Y j = B a j , donde Y j = [Y1 j . . . Ymj ]

−1

xBi: Valores de las variables básicas.

La operación con el tableau se resume en la sgte. procedimiento.

Paso 1: Construir un tableau inicial de la forma como se muestra en la fig.

(*). Este tableau es fácilmente construible dado que xB = b, Yj = aj

b= Cantidad disponible de los recursos (lado derecho de las

restricciones originales)
Aj = Columna j de la matriz de coeficientes técnicos del
problema original ya incorporadas las variables de holgura.

La fila que corresponde a Z y los Zj - Cj debe ser calculada de

acuerdo a las sgtes. relaciones:

Z = CB X B
Z j − C j = CB a j − C j

27
Paso 2: Aplicación del criterio de optimalidad

Si todos los Zj - Cj ≥ 0 la solución básica factible es optima.

Si uno o más Zj – Cj < 0 la solución básica factible no es optima,
y se debe aplicar el criterio 1 del simplex para el vector o variable
que entra a la base.

Criterio 1 del Simplex (Var. Entrante)

Calcule Zk – Ck = min (Zj – Cj), Zj – Cj < 0, donde el vector

ak será el que entra a la base. Una vez seleccionado ak, se pueden
presentar dos situaciones:

i) Dic ≤ 0 para todo i. Esto significa que existe una solución

no acotada envolviendo los vectores en la base y AK.
ii) Dic > 0 para al menos un i. En este caso, una nueva
solución básica posible puede ser encontrada teniendo
Zˆ ≥ Z .

Paso 3: Si al menos un Yik > 0, aplicar el criterio 2 del simplex para

determinar el vector (variable) que debe salir de la base (una
columna de B sea Br será reemplazada por ak)

Criterio 2 del Simplex (Var. Saliente)

X Br X
Calcule = min Bi , Yik > 0
Yrk i
Yik
X
En el tableau ∆ = Bi , Yik > 0
Yik

En otras palabras, debe salir la variable básica asociada a la fila

con menor ∆ y ocupar su lugar ak.

28
Paso 4: Calcular el nuevo tableau (^)

donde:
Yrj
Yˆrj = para todo j
Yrk
* esto hace que la nueva variable básica quede con valor 1
en dicha fila ( Yˆrk = 1 )

Yik
Yij = Yij − ∗ Yrj , para todo j, i = 1,…, m + 1
Yrk
i≠r

la fila m + 1 corresponde a la fila de Z y los Zj – Cj.

** esto hace que todos los Yik excepto para i = r queden con
valor cero.
* y ** hacen que la nueva base del sistema este en forma
canónica.

Paso 5: Reemplazar en la columna de los CB, CBr por CBk y retornar al

paso 2.
Una forma de chequear si el cálculo del nuevo tableau está
correcto, cuando se realiza manualmente, es recalcular la fila de
los Zj – Cj utilizando la relación:

Z = Cˆ B X B , Z j − C j = Cˆ B aˆ j − C j donde “^” implica los

valores del nuevo tableau.

Ej:
Max Z = 7x1 + 10x2
s.a.
7x1 + 7x2 ≤ 49
10x1 + 5x2 ≤ 50
x1, x2 ≥ 0

29
 Primero se deben agregar las variables de holgura, quedando el
problema de la sgte. forma:

Max Z = 7x1 + 10x2

s.a.
7x1 + 7x2 + x3 = 49
10x1 + 5x2 + x4 = 50
x1, x2, x3, x4 ≥ 0

Vector en CB a1 a2 a3 a4 b ∆
la base x1 x2 x3 x4
-7 -10 0 0 0
x3 0 7 7 1 0 49
x4 0 10 5 0 1 50
7 10 0 0

Vamos a trabajar con:

-7 -10 0 0 0
7 7 1 0 49 49/7 = 7
10 5 0 1 50 50/5 = 10

Al aplicar el paso 2 se observa que debe entrar a la base el vector a2

(k = 2). Como los Yik son mayores que cero se va al paso 3.

Del paso 3 se observa que la fila numero 1 tiene un ∆ menor, luego el

vector a3 debe salir de la base. Luego r = 1 e ir al paso 4

Z 3 0 10/7 0 70
x2 1 1 1/7 0 7
x4 5 0 -5/7 1 15

Volviendo al paso 2 vemos que esta solución básica factible es optima

ya que todos los Zj – Cj son mayores que cero.

30
Resolvamos el problema de telas McFarlam y McDonald.

Max Z = 5x1 + 4x2

s.a.
2x1 + x2 ≤ 7000 2x1 + x2 + x3 = 7000
x1 + x2 ≤ 4000 ⇔ x1 + x2 + x4 = 4000
x1 + 2x2 ≤ 7000 x1 + 2x2 + x5 = 7000
x1, x2 ≥ 0 x1, x2, x3, x4, x5 ≥ 0

El menor
La con coef.
mas negativo X Bi
, Y ik > 0
Y ik

-5 -4 0 0 0 0
elemento 2 1 1 0 0 7000 7000/2 = 3500
pivote 1 1 0 1 0 4000 4000/1 = 4000
1 2 0 0 1 7000 7000/1 = 7000

Por medio de operaciones fila se hace 1 el elemento pivote,

modificando toda la fila de salida, es decir:

2/2 1/2 1/2 0 0 7000/2

Aplicando Gauss, se anulan los restantes elementos de la columna

pivoteada

0 -3/2 5/2 0 0 17500

1 1/2 1/2 0 0 3500 3500/(1/2) = 7000
0 1/2 -1/2 1 0 500 500/(1/2) = 1000
0 3/2 -1/2 0 1 3500 3500/(3/2) = 2333

0 0 1 3 0 19000
x1 1 0 1 -1 0 3000 X1 optimo
x2 0 1 -1 2 0 1000 X2 optimo
x5 0 0 1 -3 1 2000 Recurso sobrante
hilo amarillo

31
Ej:
Una señora decide fabricar pasteles en forma artesanal (1, 2, 3, 4 tipos
de pasteles).
Dispone de 200 horas a la semana de mano de obra y 180 horas de
hornos a la semana.
Se asume que tiene un capital de trabajo de 120 UM/semana.

Tipo pastel Utilidad neta

UM/semana
1 4
2 10
3 9
4 12

Los insumos que se utilizan para cada docena de pastel son:

Tipo pastel
1 2 3 4
Mano de obra [h] 6 3 2 4
Horno [h] 6 0 3 4
Capital [UM] 2 3 1 4

Sea:
xi = docenas de pastel i a fabricar a la semana i = 1,…, 4

Max Z = 4x1 + 10x2 +9x3 + 12x4

s.a.
6x1 + 3x2 + 2x3 + 4x4 ≤ 200
6x1 + 3x3 + 4x4 ≤ 180
2x1 + 3x2 + 1x3 + 4x4 ≤ 120
xi ≥ 0 , i = 1, …, 4
⇒
Z – 4x1 – 10x2 – 9x3 – 12x4 = 0

6x1 + 3x2 + 2x3 + 4x4 + x5 = 200

6x1 + 3x3 + 4x4 + x6 = 180
2x1 + 3x2 + 1x3 + 4x4 + x7 = 120
xi ≥ 0 , i = 1,…, 7

32
 x1 x2 x3 x4 x5 x6 x7

-4 -10 -9 -12 0 0 0 0
6 3 2 4 1 0 0 200 200/4
6 0 3 4 0 1 0 180 180/4
2 3 1 4 0 0 1 120 120/4

2 -1 -6 0 0 0 3 360
4 0 1 0 1 0 -1 80 80/1
4 -3 2 0 0 1 -1 60 60/1
1/2 3/4 1/4 1 0 0 1/4 30 30/(1/4)

14 -10 0 0 0 3 0 540
2 3/2 0 0 1 -1/2 -1/2 50 50/(3/2)
2 -3/2 1 0 0 1/2 -1/2 30
0 9/8 0 1 0 -1/8 3/8 45/2 (45/2)/(9/8)

14 0 0 80/9 0 17/9 10/3 740

2 0 0 -4/3 1 -1/3 -1 20
2 0 1 4/3 0 1/3 0 60
0 1 0 8/9 0 -1/9 1/3 20
optimo

x1, x4, x6, x7 = 0 x5 = 20

x3 = 60
x2 = 20 Z = 740.

Obs.:
* Si se pide fabricar una docena de x4 mas, se pierden 80/9 ≈ 9 UM
(Zj – Cj es llamado precio sombra).
Z4 – C4 = 80/9 como Cj = 12
Z4 = 80/9 + 12 ≈ 21
Es la contribución máxima de x4 tal que la
solución básica no cambie.
Esta lo haría si C4 = 22

33
 Z4 – C4 = 21 – 22 = -1 , Z aumentaría en una unidad, por lo
tanto, convendría fabricar mas x4.

* Analizando el caso de las variables que están en la base, por

ejemplo x2:

Z 2 − C2 = 0 y C 2 = 10
+
δ
T T −1
Z 2 = C Y2 = C B a 2 = 10
B B

Se
mantienen

Z 2 − (C 2 + δ ) = Z 2 − C 2 = −δ
1
424 3
0

en el tableau final aparece

14 0-δ 0 80/9 0 17/9 10/3 740

2 0 0 -4/3 1 -1/3 -1 20
2 0 1 4/3 0 1/3 0 60
0 1 0 8/9 0 -1/9 1/3 20

Para hacerlo cero sumamos δ veces la ultima fila a la primera y nos

queda:

14 0 0 80/9 + (8/9)δ 0 17/9 – (1/9)δ 10/3 + (1/3)δ 740 + 20δ

Para que sea la misma solución, entiéndase igual base, se debe cumplir:

80 8
(x4) + δ ≥0 δ ≥ −10
9 9
17 1
(x6) − δ ≥0 δ ≤ 17
9 9
10 1
(x7) + δ ≥0 δ ≥ −10
3 3

34
 x4 x6
x7

-10 0 10 17

− 10 ≤ δ ≤ 17

Si x2 “disminuye” x4 y x7 lo limitan, y si “aumenta” x6.

Ej. 2:
Min Z = 60x1 + 60x2
s.a.
x1 + x2 ≤ 10
2x1 + x2 ≥ 8
x1 + 2x2 ≥ 10
x1, x2 ≥ 0

x2

10

x1
4 10
(3)
(2)
(1)

35
⇔ Max Z = -60x1 – 60x2 - Mt1 – Mt2
s.a.
x1 + x2 + x3 = 10
2x1 + x2 - r1 + t1 =8
x1 + 2x2 -r2 + t2 = 10
x1, x2, x3, r1, r2, t1, t2 ≥0

x1 x2 x3 r1 r2 t1 t2 Z
60 60 0 0 0 M M 0
1 1 1 0 0 0 0 10
2 1 0 -1 0 1 0 8
1 2 0 0 -1 0 1 10

Para convertir el sistema en canónico se hace el mov. de fila y se llega

a: FO – M(2) – M(3)

60 – 3M 60 – 3M 0 M M 0 0 0 – 18M

que se acostumbra escribir como:

60 60 0 0 0 0 0 0
(M) -3 -3 0 1 1 0 0 -18
x3 1 1 1 0 0 0 0 10 10/1
t1 2 1 0 -1 0 1 0 8 8/2
t2 1 2 0 0 -1 0 1 10 10/1

Obs.: Se miran primero los términos asociados a “M” ya que son mucho
mas grandes.

0 30 0 30 0 -30 0 -240
(M) 0 -3/2 0 -1/2 1 3/2 0 -6
x3 0 1/2 1 1/2 0 -1/2 0 6 6/(1/2)
x1 1 1/2 0 -1/2 0 1/2 0 4 4/(1/2)
t2 0 3/2 0 1/2 -1 -1/2 1 6 6/(3/2)

“TERMINARLO”

36
 * No pueden aparecer en la base las var. artificiales y las variables de
holgura simultáneamente.
* Si una variable artificial queda en la base significa que no hay
solución.

Ej. 3:
Alrededor del año 635 AC Esparta decidió reclutar tropas de reservas
para incrementar sus fuerzas armadas, pudiendo los nuevos guerreros
enrolarse en 1, 2, 3, o 4 años.
El costo unitario asociado a cada tipo de guerrero en el año t es Cit con
i = 1,…, 4, siendo en cada año, la cantidad mínima de guerreros igual a Rt.
Se desea encontrar una política optima para los próximos 4 años, que
minimice los costos totales.

Xij: Numero de guerreros reclutados el año i por un periodo j.

i: año en que se recluto el guerrero.

j: periodo por el cual se recluto.

1 2 3 4

x11 x21 x31 x41

x12 x22 x32
x13 x23
x14

F.O. minimizar los costos

MinZ = ∑ ∑ x ij cij
i j

= ( x11 c11 + x12 c12 + x13 c13 + . . . + x 41 c 41 )

s.a.

(Año 1) x11 + x12 + x13 + x14 ≥ R1

(Año 2) x12 + x13 + x14 + x21 + x22 + x23 ≥ R2
(Año 3) x13 + x14 + x22 + x23 + x31 + x32 ≥ R3
(Año 4) x14 + x23 + x32 + x41 ≥ R4
(No Negatividad) xij ≥ 0, ∀i, j

37
Ej. 4: Un agente vendedor.

Caso Agente Vendedor:

Un agente vendedor maneja dos productos. El no espera vender mas de 10

unidades/mes del producto 1 o 39 unidades/mes del producto 2. Para evitar
una multa el debe vender al menos 24 unidades del producto 2. El recibe una
comisión de 10% sobre todas las ventas y debe pagar sus propios gastos, los
cuales se estiman en $1,50 por hora gastada en hacer visitas. El trabaja solo
una parte del tiempo y puede trabajar hasta un máximo de 80 horas/mes. El
producto 1 se vende en $150 por unidad y requiere un promedio de 1,5 horas
por cada visita; la probabilidad de hacer una venta es 0,5. El producto 2 se
vende en $70 por unidad y requiere un promedio de 30 minutos por cada
visita; la probabilidad de hacer una venta es 0,6 (60%).
¿Cuántas visitas mensuales debe hacer a los clientes de cada producto?

Sean:
xi: numero de visitas para vender producto i al mes

una visita tipo x1 ⇒ 0.5 unidades prod.1 vendida con un beneficio

0.1*150*0.5

10% Prob.
comisión precio éxito

con un costo de 1.5*1.5

Costo por Horas por

hora visita

∴la utilidad esperada es una visita tipo x1

= (0.1 * 150 * 0.5 - 1.5 * 1.5) = 5.25

Análogamente visita tipo x2:

(0.1 * 70 * 0.6 - 1.5 * 0.5) = 3.45

38
∴FO max Z = 5.25x1 + 3.45x2

para vender 24 unidades del producto 2 requiere de 24/0.6 visitas, ya

que:
24 = 0.6x2

∴ x2 ≥ 24/0.6
x2 ≥ 40

como no espera vender mas de 10 prod.1 y 39 prod.2

x1 ≤ 10/0.5
x1 ≤ 20

x2 ≤ 39/0.6
x2 ≤ 65

como dispone de 80 horas

1.5x1 + 0.5x2 ≤ 80

y se tiene que

x1, x2 ≥ 0

⇒ max Z = 5.25x1 + 3.45x2 Z = 5.25x1 + 3.45x2 – Mt1

s.a.
x2 ≥ 40 x2 – x3 + t1 = 40
x1 ≤ 20 x1 + x4 = 20
x2 ≤ 65 x2 + x5 = 65
1.5x1 + 0.5x2 ≤ 80 1.5x1 + 0.5x2 + x6 = 80
x1, x2 ≥ 0 xi, t1 ≥ 0

39
 x1 x2 x3 x4 x5 x6 t1
-5.25 -3.45 0 0 0 0 M 0
0 1 -1 0 0 0 1 40
1 0 0 1 0 0 0 20
0 1 0 0 1 0 0 65
1.5 0.5 0 0 0 1 0 80
Debo canonizar en t1

-5.25 -3.45 0 0 0 0 0 0
(M) 0 -1 1 0 0 0 0 -40
t1 0 1 -1 0 0 0 1 40
x4 1 0 0 1 0 0 0 20
x5 0 1 0 0 1 0 0 65
x6 1.5 0.5 0 0 0 1 0 80

Ej. 4:
Max X = 130x1 + 540x2 + 1450x3
s.a.
x1 + 3x2 + 10x3 ≤ 2000
4x2 + 13x3 ≤ 2000
5x1 + 20x2 + 65x3 ≤ 2000
5x3 ≤ 2000
x1, x2, x3 ≥ 0

a) Desarrolle el problema encontrando el tableau optimo

b) Si la restricción 2 tiene un aumento en su disponibilidad en “b” unidades.
¿Cuánto o entre que valores se debe mover b para que no cambie la
solución?. ¿Qué pasa si excede ese valor?

-130 -540 -1450 0 0 0 0 0

1 3 10 1 0 0 0 2000
0 4 13 0 1 0 0 2000
5 20 65 0 0 1 0 2000
0 0 5 0 0 0 1 2000

40
-240/13 -1220/13 0 0 0 250/13 0 580000/13
3/13 -1/13 0 1 0 -2/13 0 22000/13
-1 0 0 0 1 -13/65 0 1600
1/13 4/13 1 0 0 1/65 0 400/13
-5/13 -20/13 0 0 0 -1/13 1 24000/13

5 0 305 0 0 22 0 54000
1/4 0 1/4 1 0 -39/260 0 1700
-1 0 0 0 1 -13/65 0 1600 Restricción 2
1/4 1 13/4 0 0 1/20 0 100
0 0 5 0 0 0 1 2000

Como sobra recurso asociado a la restricción 2, b puede variar hasta

–1600.
b ≥ -1600. Si b es menor que –1600, b2 se hace negativo lo que no cumple con
el criterio del optimo, habría que aplicar dual simplex, y ver que pasa en ese
caso.

Modelo Dual

Problema Dual:

Todo problema de programación lineal, tiene asociado un problema

simétrico también lineal llamado “Problema Dual”. Por cada variable del
problema original “Problema Primal”, existe una restricción en el Dual y para
cada restricción del Primal una variable en el Dual.

Problema Primal: encontrar los valores de x1,…,xn tal que,

n
maxZ = ∑ c j x j
j =1

s.a.
n

∑a
j =1
ij x j ≤ bi i = 1,…,m

xj ≥ 0 j = 1,…, n

41
Problema Dual: encontrar los valores de w1, w2,…, wm tal que,
m
minZ ′ = ∑ bi wi
i =1

s.a.
m

∑a
i =1
ij wi ≥ c j j = 1,…, n
wi ≥ 0 i = 1,…, m

Ambos problemas, Primal y Dual, pueden ser representados a un mismo

tiempo en el sgte. formato de tableau:

x1 . . . . . . x n

w1  a11 . . . . a1n   b1 
.  . .  . 
   
.  . .  ≤  . 
   
.  . .  . 
wm a m1 . . . . a mn  bm 

[c1
. . . . . . cn ]

Ejemplo:

Max Z = 4x1 + 3x2

s.a.
x1 ≤6
x2 ≤8
x1 + x2 ≤7
3x1 + x2 ≤ 15
- x2 ≤1
x1, x2 ≥0

42
 Problema Dual:

MinZ ′ = 6 w1 + 8w 2 + 7 w3 + 15w 4 + w5
s.a.
w1 + w3 + 3w 4 ≥ 4
w 2 + w3 + w 4 − w5 ≥ 3
w1 , w 2 , w3 , w4 , w5 ≥ 0

Ejemplo 2: Problema telas McDonald

MaxZ = 5 x1 + 4 x 2
s.a.
x1 + 2 x 2 ≤ 7000
x1 + x 2 ≤ 4000
2 x1 + x 2 ≤ 7000
x1 , x 2 ≥ 0

El fabricar telas le reportaba $19000 de utilidad, pero el puede vender

los insumos o fabricar, no ambas cosas, por lo tanto, el esperaría ganar al
vender sus recursos a lo menos $19000. Si gana $19000 estaría indiferente.

∴ MinZ ′ = 7000 w1 + 4000 w 2 + 7000w3

s.a. (19000)
w1 + w2 + 2w3 ≥ 5
Este es el problema dual,
2w1 + w 2 + w3 ≥ 4 es decir, visto por la otra
w1 , w 2 , w3 ≥ 0 cara

7000 4000 7000 0 0 0 0 0

(M) -3 -2 -3 1 1 0 0 -9
1 1 2 -1 0 1 0 5
2 1 1 0 -1 0 1 4

. . .
. . .
. . .
W * = [0 3 1]
Z * = $19000

43
Prop. Fundamentales del Problema Dual:

Dado el Problema Primal:

MaxZ = c x
s.a.
Ax ≤ b
x≥0

y su respectivo dual:
T
MinZ ′ = b W
s.a
T T
A W ≥C
W ≥0

Se tienen las siguientes propiedades

i) Si X es cualquier solución factible del problema primal y W es

cualquier solución factible del problema dual, entonces:
T
CX ≤ b W , esto es Z ≤ Z’

Demostración:
(Ax) ≤ b i i

como los wi son ≥ 0 tenemos que:

( )
wi A x i ≤ wi bi

sumando sobre i se tiene que:

∑ w (A x ) ≤ ∑ w b
T T
i i i i ⇔ W Ax ≤ b W
i i

ii) Si x * es una solución factible del primal y w * es una solución factible

del dual, tal que c x * = b T w * , entonces x * es la solución optima del
primal y w * es una solución optima del dual.

44
 iii) Si el problema primal tiene una solución básica factible optima,
entonces el problema dual tiene una solución factible optima, con el
mismo valor en la F.O.

iv) El dual del problema dual es el primal

v) “Complementariedad de las holguras” entre el problema primal y el

dual.

a) Si una variable de holgura Xn+i la cual fue introducida en la

restricción i) del primal, es distinta de cero en la solución
optima, entonces la i-esima variable del dual wi es cero en la
solución optima del dual. De igual manera si la variable wi del
dual es positiva, entonces la variable de holgura Xn+i del
primal es cero en la solución optima.
Luego, esta propiedad se puede resumir en la sgte. relación
matemática:

Xn+i * Wi = 0 para i = 1, ..., m

b) Si X es cualquier solución básica factible optima del primal y

si W h son los valores de las variables de holgura en cualquier
solución básica factible optima del dual, entonces:

x ∗W h = 0 o x j ∗ wm+ j = 0 para j = 1, ..., n

Ejercicio: Dado el problema planteado anteriormente:

MaxZ = 7 x1 + 10 x 2
s.a.
7 x1 + 7 x 2 ≤ 49
10 x1 + 5 x 2 ≤ 50
x1 , x 2 ≥ 0

a) Desarrolle el problema dual asociado

b) Utilizando solución grafica encuentre la solución de ambos
problemas.

45
 c) Utilizando las propiedades del problema dual, determine la
solución optima del dual a partir del tableau asociado a la
solución optima del primal.

Desarrollo.

a) Prob. Primal Prob. Dual

Max Z = 7x1 + 10x2 Max Z’ = 49x1 + 50x2

s.a. s.a.
7x1 + 7x2 ≤ 49 7x1 + 10x2 ≤ 7
10x1 + 5x2 ≤ 50 7x1 + 5x2 ≤ 10
x1, x2 ≥ 0 x1, x2 ≥ 0
b) Resolución grafica

X2

10
Problema Primal

x1* = 0
7 x 2* = 7
Z * = 70

2 5 10 X1
7

Z*=70
10x1+5x2≤50
7x1+7x2≤49

46
 W2
Rest.1) si w1=0 ⇒ w2=7/10=0.7
w2=0 ⇒ w1=7/7=1.0
Rest.2) si w1=0 ⇒ w2=10/5=2.0
w2=0 ⇒ w1=10/7=1.429
Z=70)
2.0
Si w1=0 ⇒ w2=70/50=1.4
Si w2=0 ⇒ w1=70/49=1.429

Z>70

0.7

W1
1.0
7w1+5w2≥10
7w1+10w2≥7

Tableau optimo del Primal:

x1 x2 x3 x4
3 0 10/7 0 70
x2 1 1 1/7 0 7
x4 5 0 -5/7 1 15

Solución optima del Dual:

Holguras dual
Z´* = 70
W1 = 10/7 r1 = 3
W2 = 0 r2 = 0

47
 Otras Formulaciones:

Para un problema cualquiera se tiene:

Primal (Max) Dual (Min)

Restricción i es del tipo = Variable wi es s.r.s
Restricción i es del tipo ≤ Variable wi es ≥
Restricción i es del tipo ≥ Variable wi es ≤
Si xj es s.r.s Restricción j es del tipo =
Si xj es ≥ Restricción j es del tipo ≥
Si xj es ≤ Restricción j es del tipo ≤

Ejemplo:
Max Z = x1 + 2x2 + x3
s.a.
x1 –2x2 + 3x3 ≥ 1 w1
x1 + x2 – 2x3 ≤ 2 w2
x1 + x3 = 4 w3
x1 ≥ 0, x2 ≤ 0, x3 s.r.s

Solución Dual:

Min W = w1 + 2w2 +4w3

s.a.
w1 + w2 + w3 ≥ 1
-2w1 + w2 ≤2
3w1 – 2w2 + w3 = 1
w1 ≤ 0, w2 ≥ 0, w3 s.r.s

Observación:

i) El valor de la F.O. de un problema primal de maximización para

toda solución factible, será un limite inferior para la F.O. del
problema dual

Primal Dual
Z W
Soluciones básicas Soluciones básicas no
factibles suboptimas factibles supraoptimas
optimo

48
 ii) Basta resolver un solo problema (sea este primal o dual) y por
simple inspección obtenemos el resultado de su análogo.

iii) Si no se cuenta con el cuadro simplex y se conoce la solución para

uno de los problemas, el teorema de las holguras complementarias es
utilizado para obtener la solución de su problema análogo.

Interpretación Económica del Dual:

En el problema de P.L. cuyo objetivo es maximizar utilidades:

Max Z = C X
s.a.
AX ≤ b (1)
X ≥0

Las unidades físicas son:

xj = [articulo j (unidades de)]
bi = [unidades de recurso i]
aij = [recurso i /articulo j]
cj = [unidad monetaria /articulo j]

Considerando el Dual del problema:

Min Z’ = b T W
s.a.
T T
A W ≥C (2)
W ≥0

wi [unidad monetaria /recurso i]

entonces a cada recurso i le corresponde una variable dual wi que, por

dimensiones, es un precio o un costo que debe ser asociado con una unidad de
recurso i.
A la variable wi se le conoce también como “valor imputable” o “precio
sombra” de los recursos. Debe aclararse que la variable del dual no tiene
ninguna relación con los costos reales de los recursos, mas bien las variables
del dual pueden emplearse como una manera de medir la contribución de cada
recurso i, a la utilidad cj

49
 m

∑ai =1
ij wi = c j

El precio sombra del recurso i (valor de la variable wi del dual) mide la

tasa a la cual el valor de Z puede variar (aumentar o disminuir) si se
disminuye o aumenta el recurso i en una unidad, sin variar la base optima. La
variación del recurso i debe ser pequeña de manera de no cambiar la solución
básica. El valor del precio sombra indica también el precio máximo que se
debería pagar por una unidad de ese recurso. Es en realidad una cuantificación
del costo de oportunidad.
Las variables de holgura del problema dual, representan el costo de
oportunidad que implica producir una unidad de un producto. Es decir lo que
se deja de ganar si se produce una unidad del producto j.

Ejemplo: Precios sombra

wi = 0 ⇒ Si se aumenta o disminuye en una unidad el

w2 = 0 recurso i, no aumenta ni disminuye el valor
de Z.
El valor dispuesto a pagar por este recurso
Ej. anterior es cero.
wi > 0 ⇒ Si se aumenta el recurso i en una unidad el
w1 = 10/7 valor de Z aumenta en wi. El precio máximo
a pagar es wi.

Costo oportunidad

wm+j > 0 ⇒ que si se produce una unidad de producto j

se deja de ganar wm+j
w3 = 3
Ej. anterior
wm+j = 0 ⇒ el costo de oportunidad del producto j es
w4 = 0 cero

50
 El Método Dual Simplex

Dado el problema primal estándar y su correspondiente dual.

El método dual simplex, consiste en tratar un problema de
programación lineal como si el método simplex no estuviese siendo aplicado a
el, sino a su problema dual.
Para iniciar el Método Dual Simplex, todos los coeficientes de la fila de
los Zj – Cj deben no ser negativos, lo que garantiza un estado inicial
superoptimo. Es muy útil en los casos de minimización, con restricciones del
tipo mayor igual, ya que evita el uso de las variables artificiales.

El procedimiento es:

Paso 1: Construir un tableau inicial de igual forma que el paso 1 del

simplex.

Paso 2: Asegurar que los coeficientes de la fila de los Zj – Cj sean todos

mayores o iguales a cero sin importar la factibilidad de la
solución.

Ejemplo:
Resuelva el sgte. problema de PL utilizando el método dual simplex.

Min Z = 49x1 + 50x2

s.a.
7x1 + 10x2 ≥ 7
7x1 + 5x2 ≥ 10
x1, x2 ≥ 0

Agregando las variables de excedente:

Min Z = 49x1 + 50x2

s.a.
7x1 + 10x2 – x3 ≥ 7
7x1 + 5x2 – x4 ≥ 10
x1, x2, x3, x4 ≥ 0

51
 Este problema es equivalente a:

Max W = -49x1 - 50x2 donde W = -Z

s.a.
-7x1 - 10x2 + x3 = -7
-7x1 - 5x2 + x4 = -10
x1, x2, x3, x4 ≥ 0

llevándolo a la forma de tableau, se tiene:

49 50 0 0 0
x3 -7 -10 1 0 -7
x4 -7 -5 0 1 -10

Si se observa este tableau, se ve que satisface la condición de

optimalidad del simplex, pero no de factibilidad, luego se puede utilizar el
método dual simplex.
Utilizando el paso 3 vemos que debe salir x4, ya que es la variable
básica con un b(xB) mas negativo.
Como para la fila asociada a x4 hay mas de un Yrk ≤ 0, se utiliza el
paso 4:

= max  ,  = max{− 7,−10} = −7

Z k − Ck 49 50
Yrk − 7 − 5

Luego entra a la base x1, siendo la nueva base (x3, x1)

Utilizando el paso 5 se llega al sgte. nuevo tableau:

0 15 0 7 -70
x3 0 -5 1 -1 3
x1 1 5/7 0 -1/7 10/7

Luego esta solución satisface tanto las condiciones de optimalidad como

las de factibilidad, luego a la solución básica factible optima conocida, con:

Z = 70 x1 = 10/7 x2 = 0 x3 = 3 x4 = 0
(W = -Z)

52
 Ejemplo 2:

Max Z = 4x1 + 3x2 Max Z = 4x1 + 3x2

s.a. s.a.
2x1 + 3x2 ≤ 18 2x1 + 3x2 + x3 = 18
4x1 + 2x2 ≤ 10 4x1 + 2x2 + x4 = 10
x1, x2 ≥ 0 x1, x2, x3, x4 ≥ 0

Dual:

Min Z’ = 18w1 + 10w2 Min Z’ = 18w1 + 10w2

s.a. s.a.
2w1 + 4w2 ≥ 4 2w1 + 4w2 – w3 = 4
3w1 + 2w2 ≥ 3 3w1 + 2w2 – w4 = 3
w1, w2 ≥ 0 wi ≥ 0

Resolviendo el problema primal tenemos el tableau optimo:

2 0 0 3/2 15
x3 -4 0 1 -3/2 3
x2 2 1 0 1/2 5
Z* = 15
x1 = 0; x2 = 5; x3 = 3; x4 = 0

Para obtener el tableau optimo del dual:

Como x3 ≥ 0 ⇒ w1 = 0 Recordemos las relaciones

x4 = 0 ⇒ w2 > 0 ⇒ w2 = 3/2
(recordemos que w2 es el Xi ~ Whi
precio sombra) Xhi ~ Wi
x1 = 0 ⇒ w3 > 0 ⇒ w3 = 2
x2 > 0 ⇒ w4 = 0 En este caso
Z* = 15 ⇒ W* = 15 X1 ~ W3
X2 ~ W4
0 0 -15 X3 ~ W1
w2 0 1 3/2 X4 ~ W2
w3 1 0 2

53
 de forma análoga Max Z = 4x1 + 3x2
se llega a: s.a.
2x1 + 3x2 ≤ 18 w1
3 0 0 5 -15
w2 0 1 3/2 4x1 + 2x2 ≤ 10 w2
w3 1 0 2 x1, x2 ≥ 0

Para determinar el pto. w1/w2 Min Z’ = 18w1 + 10w2

debemos ver en el primal el pto. s.a.
asociado es decir x3/x4 en este caso 2w1 + 4w2 ≥ 4 x1
-3/2 ∴en el dual va con signo 3w1 + 2w2 ≥ 3 x2
cambiado (3/2) w1, w2 ≥ 0

3 0 0 5 -15
w2 3/2 0 1 3/2
w3 1 0 2

en forma análoga:

w1/w3 asociado con x3/x1 -4 ∴= 4

w4/w2 “ x2/x4 ½ ∴= -1/2
w4/w3 “ x2/x1 2 ∴= -2

3 0 0 5 5
w2 3/2 1 0 -1/2 3/2
w3 4 0 1 -2 2

del ejemplo anterior, construir el tableau optimo del dual a partir del tableau
optimo del primal:
Dual:
Max Z = 7x1 + 10x2 Min Z’ = 49w1 + 50w2
s.a. s.a.
7x1 + 7x2 ≤ 49 w1 x1 7w1 + 10w2 ≥ 7
10x1 + 5x2 ≤ 50 w2 x2 7w1 + 5w2 ≥ 10
x1, x2 ≥ 0 w1, w2 ≥ 0
x1*w3 = 0
x2*w4 = 0
x3*w1 = 0
x4*w2 = 0

54
 Tableau optimo del primal:

3 0 10/7 0 70
x2 1 1 1/7 0 7
x4 5 0 -5/7 1 15

Solución:

Como Z* = 70Z’ = 70
0 15 0 7 -70 dado que x1 = 0 ⇒ w3 > 0, w3 = 3
w3 0 -5 1 -1 3 x2 = 7 ⇒ w4 = 0
w1 1 5/7 0 -1/7 10/7 x3 = 0 ⇒ w1 > 0, w1 = 10/7
x4 = 15 ⇒ w2 = 0

Para saber el valor de w2/w3 debemos ver el valor de x4/x1, dado que w2 esta
relacionado con x4 y w3 con x1, el valor de x4/x1 = 5 ⇒ w2/w3 = -5

* ídem w3w4 asociado con x1x2 = 1 ∴w3w4 = -1

w1w2 “ x3x4 = -5/7 ∴w1w2 = 5/7
w1w4 “ x3x2 = 1/7 ∴w1w4 = -1/7

Ejercicio: Resolver utilizando el método dual simplex

Min Z = 2x1 + x2
s.a.
3x1 + x2 ≥ 3
4x1 + 3x2 ≥ 6
x1 + 2x2 ≥ 3
x1 ≥ 0, x2 ≥ 0

Solución:

Max W = -Z = -2x1 - x2
s.a.
-3x1 - x2 + x3 ≥ -3
-4x1 - 3x2 + x4 ≥ -6
-x1 - 2x2 + x5 ≥ -3
xi ≥ 0 ∀i = 1...5

55
 x1 x2 x3 x4 x5
2 1 0 0 0 0
x3 -3 -1 2 11 0 0 -3
max  ; 
x4 -4 -3 − 4 − 30 1 0 -6
x5 -1 -2 0 0 1 -3
Sale x4 y entra x2

x1 x2 x3 x4 x5
2/3 0 0 1/3 0 -2
-5/3 0 2 / 3 11 / 3  -1/3 0 -1
max 
1 − 5 / 3 0− 1 / 3  -1/3
;
4/3 0 2
5/3 0 0 -2/3 1 1

x1 x2 x3 x4 x5
0 0 2/5 1/5 0 -12/5
x1 1 0 -3/5 1/5 0 3/5
x2 0 1 4/5 -3/5 0 6/5
x5 0 0 1 -1 1 0

∴Z* = 12/5 x(3/5; 6/5; 0; 0; 0)

Ejercicio: Desarrollar ejemplo anterior:

Max X = x1 + 130x2 + 540x2 + 1450x3 .......

56