República Bolivariana de Venezuela

Universidad Nacional Politécnica

“Antonio José de Sucre”
Vice-Rectorado “Luis Caballero Mejías”
Núcleo Guarenas

Operativa 1
Trabajo 2

Integrantes:

Fecha: julio 2016 Agreda Génesis Exp: 2010200115

Profesor: Ángel García Agro Cesar Exp: 2012100195

Sección: 60 Ruiz Gregorio Exp: 2015100

 Introducción

 La Programación Lineal es una pequeña parte de una teoría matemática que se ha

consolidado en el siglo XX con el nombre de Optimización. En general, se trata de un
conjunto de técnicas matemáticas que intentan obtener el mayor provecho posible de
sistemas económicos, sociales, tecnológicos, cuyo funcionamiento se puede describir
matemáticamente de modo adecuado.

Una terminología establecida desde los primeros tiempos de la Optimización,

denominaba a la solución óptima un programa de acción a poner en práctica; de ahí que
la búsqueda de un tal programa de acción utilizando métodos matemáticos se llamase
Programación Matemática.

        Según las características de las funciones del problema y de las variables se tienen
diferentes tipos de problemas de Programación Matemática. Si todas las funciones del
problema, objetivo y restricciones son lineales, se tiene un problema de Programación
Lineal.

La función objetivo define la cantidad que se va a maximizar o minimizar en un modelo

de programación lineal.

Las restricciones limitan o reducen el grado en que puede perseguirse el objetivo.

Las variables son las entradas controlables en el problema.

Para resolver un problema de programación lineal es recomendable seguir ciertos pasos

que son:

1. Entender el problema a fondo.

2. Describir el objetivo.
3. Describir cada restricción.
4. Definir las variables de decisión.
5. Escribir el objetivo en función de las variables de decisión.
6. Escribir las restricciones en función de
las variables de decisión.
7. Agregar las restricciones de no negatividad.
 1. ¿QUÉ ES LA PROGRAMACIÓN LINEAL?

La Programación Lineal es un conjunto de técnicas racionales de análisis y de

resolución de problemas que tiene por objeto ayudar a los responsables en las decisiones
sobre asuntos en los que interviene un gran número de variables.

El nombre Programación Lineal no procede de la creación de programas de ordenador,

sino de un término militar, programar, que significa realizar planes o propuestas de
tiempo para el entrenamiento, la logística o el despliegue de las unidades de combate.

La Programación Lineal es una de las técnicas agrupadas como programación

matemática, aplicable a problemas de asignación de recursos limitados, con actividades
competitivas hacia un objetivo común, que puede ser de maximizar beneficios o
minimizar pérdidas. Se utiliza un modelo matemático con representación válida de la
problemática en estudio; sus relaciones deben ser lineales, que significa utilizar, sólo
variables de primer grado en cada término.

El objetivo de la Programación Lineal es encontrar el valor de la función que Max

(Min) z = c1 x1 + c2 x2 + … + cn xn denominada función objetivo.

La función objetivo se encuentra sujeta a una serie de restricciones

st
a11 x1 + a12 x2 + … + a1n xn = b1
a21 x1 + a22 x2 + … + a2n xn = b2
….
am1 x1 + am2 x2 + … + amn xn = bm

donde xi > 0 (i=1, 2, …, n) son las condiciones de no negatividad de las variables.

Cada columna de coeficientes:
x1 A1+ x2 A2 +…+ xn An < b;
xi > 0, i
Matricialmente lo anterior se escribe como:

Max z = cT X
st
AX ≤ b
X≥0

Siendo
z: la función objetivo
c = (c1,...,cn)T : vector de coeficientes de la función objetivo.
X = (x1,...,xn)T: vector de variables de decisión.
A = (...,aij,...): matriz de coeficientes técnicos (i =1, 2, ..., m; j =1, 2, ..., n).
b = (b1,...,bm)T : vector de demandas (recursos).

El conjunto de soluciones factibles de un problema de Programación Lineal viene dado

por:

X = {x Rn / A x ≤ b , x ≥ 0}

Como se verá posteriormente, todos los óptimos (si existen) deberán estar en la frontera
del conjunto de soluciones factibles.
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.

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 siempre que no haya
restricciones redundantes.
2. SOLUCIÓN GRAFICA DE MODELOS CON DOS VARIABLES.

Los problemas de programación lineal (PL) que solo tengan dos variables de
decisión pueden resolverse gráficamente, ya que, como se ha visto en los Antecedentes,
una ecuación de dos variables corresponde a una recta en el plano y una desigualdad de
dos variables corresponde a una región en el plano. La representación grafica de los
problemas de PL ofrece un medio muy efectivo para entender los distintos casos que se
pueden presentar en este tipo de problemas. Aunque la mayoría de los problemas de
interés práctico tienen más variables y por lo tanto no es posible su representación en
R2, al entender el significado de algunos conceptos básicos de manera grafica,
posteriormente se pueden generalizar para n dimensiones.

El método grafico consiste en encontrar en primer lugar todos los puntos que son
solución del conjunto de restricciones; el conjunto de puntos solución se llama región
factible. Posteriormente hay que determinar, de todas las posibles soluciones, cual o
cuales de ellas optimizan la función objetivo (fo). Para entender el método se analiza el
siguiente ejemplo.
Una empresa produce dos tipos de mesas: un estilo colonial y otro estilo nórdico. Las
utilidades que se obtienen de su venta son de $2 000 por la colonial y $2 200 por la
nórdica. Para esta semana ya hay un pedido de 10 mesas de tipo nórdico. El gerente de
producción quiere realizar la planeación de su producción semanal sabiendo que
solamente cuenta con 450 horas para la construcción y 200 horas para barnizarlas. En el
siguiente cuadro se indican las horas necesarias para realizar cada una de las tareas y la
utilidad para ambas mesas.

Cuadro 2.1

En primer lugar hay que definir las variables de decisión; en este caso se debe decidir
cuantas mesas de cada tipo producir en la semana.

x1: cantidad de mesas de tipo colonial a producir

x2: cantidad de mesas de tipo nórdico a producir

El objetivo es maximizar la utilidad obtenida por la venta de su producción.

La FO es maximizar la utilidad:

Max U = 2 000x1 + 2 200x2

Las restricciones son estas:

Pedido: x2 ≥ 10 mesas nórdico

Fabricación: 6x1 + 8x2 ≤ 450 horas

Barnizado: 5x1 + 2x2 ≤ 200 horas

x1, x2 ≥ 0

El método de solución grafica requiere de la realización de los siguientes pasos:

Paso 1. Graficar las restricciones. Las condiciones de no negatividad nos indican que
ambas variables deben ser mayores o iguales a cero, por lo que el espacio de los puntos
que cumplan con las condiciones necesariamente debe estar en el primer cuadrante. La
primera restricción, x2 ≥ 10, indica que hay que producir al menos 10 mesas de tipo
nórdico pues ya hay un pedido de 10 mesas (grafica 2.1).

Esta restricción acota la región factible: todos los puntos pertenecientes al área
sombreada cumplen con la primera restricción: ambas variables son positivas y x2 ≥ 10.
La segunda restricción es no exceder las 450 horas disponibles para la fabricación de
ambos tipos de mesas. Al agregar esta segunda restricción se reduce la región factible:
solo los puntos que aparecen sombreados en la grafica 2.2 representan las posibles
soluciones; esto es, las combinaciones del número de mesas de tipo colonial y nórdico
que se pueden fabricar con las 450 horas y que por lo menos haya 10 de estilo nórdico.

Gráfica 2.1

En general, cada restricción acota el área de las posibles soluciones; aun así, el número
de soluciones posibles es muy grande; si se consideran variables reales, hay infinitas
soluciones.
Por último hay que introducir la restricción que indica la cantidad de horas con que se
cuenta para barnizar las mesas producidas: 5x1 + 2x2 ≤ 200.

La nueva restricción reduce nuevamente la región factible. Es posible construir 40

mesas coloniales y 20 nórdicas, para las que se requieren (6 (40)) + (8 (20)) = 400 horas
de trabajo ≤ 450 horas disponibles sin embargo 40 mesas coloniales requieren de 200
horas de barnizado (cada una consume 5 horas), pero no alcanza el tiempo para barnizar
las 20 mesas nórdicas (grafica 2.3).

El conjunto de las posibles soluciones del problema se reduce a los puntos

pertenecientes al polígono determinado por los vértices a, b, c y d, que es la región
factible.

Paso 2. Evaluación de las posibles soluciones. Para esto debe evaluarse la función de
utilidad para cada una de las posibles soluciones. En el cuadro 2.2 se muestran los
resultados para algunas de estas posibles soluciones.
Se puede observar que cuanto mayor sea el número de mesas, aumenta la utilidad.
También vemos que en cuanto aumenta el número de mesas tipo colonial, disminuye el
número máximo de mesas tipo nórdico que se pueden fabricar. Para garantizar que el
resultado sea el óptimo, sería necesario calcular la función de utilidad para cada uno de
los puntos solución, que en este sencillo caso llegan a algunos cientos de puntos.

Paso 3. Evaluación de los vértices. Afortunadamente no es necesario evaluar todas las

soluciones ya que para todo problema de PL, y dado que el área factible siempre es una
figura convexa, se puede comprobar que la fo toma su valor máximo o mínimo en un
vértice, o un lado del área que representa el conjunto de soluciones. La región factible
tiene cuatro vértices:

A = (0, 10); B = (0, 56.25); C = (25, 37.5); D = (36, 10)

Cuadro 2.2
Cuadro 2.3

En el cuadro 2.3 se calcula la utilidad para los puntos a, b, c y d. Se observa que la

solución optima es producir a la semana 25 mesas coloniales y 37.5 nórdicas (no se
pueden fabricar 37.5 a la semana, pero si 150 al mes), obteniendo la utilidad máxima
equivalente $132 500 por semana.

Paso 3 bis. Traficación de la función de utilidad. Aunque en este caso son solo cuatro
vértices, en otros problemas pueden ser muchos más; por ello, en lugar de tener que
analizar todos ellos, se puede encontrar el vértice solución utilizando la información de
la FO. Como el valor de la fo no es conocido, Max U = 2 000x1 + 2 200x2 se asigna
cierto valor a la utilidad; por ejemplo, si se pretendieran ganar $22 000, entonces:

U = 2 000x1 + 2 200x2 = 22 000

y se grafica sobre la región factible la recta correspondiente; esta recta pasa exactamente
sobre el vértice a de la región. También se puede graficar la recta correspondiente a una
utilidad de $88 000 o $120 000 o cualquier otra cantidad:

U = 2 000x1 + 2 200x2 = 88 000

U = 2 000x1 + 2 200x2 = 120 000

U = 2 000x1 + 2 200x2 = 165 000

Cada recta corresponde a las distintas combinaciones de valores (x1, x2) para los que el
valor de la utilidad es el mismo. Se observa que todas las líneas de utilidad son paralelas
y que a medida que la utilidad aumenta, la ordenada al origen de la recta aumenta.

Habrá una recta según incrementa el valor de la utilidad, que pasara por solamente un
vértice de la región factible. Este vértice es justamente el punto óptimo. Aquí es fácil
entender por qué la solución óptima siempre está en alguno de los vértices de la región
que delimita el conjunto de soluciones posibles. Por ejemplo, la recta correspondiente a
la utilidad de $150 000 no toca a la región factible, por lo tanto no es posible obtener tal
utilidad con las restricciones del problema.
Gráfica 2.4

La solución óptima de los problemas de PL siempre está en alguno de los vértices de la

región que delimita el conjunto de soluciones posibles.

En este caso, el último punto correspondiente a la región factible que toca la fo es el

punto c = (25, 37.5), que corresponde a una utilidad máxima de $132 500 por semana,
como se había visto en el paso 3.

3. EJEMPLOS Y EJERCICIOS CON EL METODO DE MINIMACION Y

MAXIMIZACION.

MÉTODO DE MINIMACION

Cuando se trata de minimizar el valor de la FO, deben graficarse las restricciones para
encontrar el conjunto de posibles soluciones que determina la región factible, de la
misma manera que para el caso de maximizar. Para encontrar el o los puntos óptimos, es
necesario dar un valor a la FO y graficarla. Como ahora lo que interesa es minimizar,
habrá que determinar en qué sentido se desplaza la recta al disminuir el valor de la FO.
El último punto que toque dicha recta, perteneciente a la región factible, será el punto
buscado.

Ejemplo:

Minimizar g(x, y) = 3x + 3y sujeta a las restricciones:

La región es, en este caso:

x+y≥5
y ≤ x +3
3y − x≥ −1
y +2x ≤ 16
4y − x ≤ 22

Los vértices respectivos son: A= (1,4), B= (2,5), C= (6,4), D= (7,2) y E= (4,1).

Si utilizamos el método grafico, obtenemos:
Es decir, como buscamos el valor mínimo, todos los puntos comprendidos entre A y E
sirven, es decir, hay infinitas soluciones.

EJERCICIO MINIMACION

Una empresa tiene 2 plantas de producción (P1 y P2) de cierto artículo que vende en 3
ciudades (C1,C2 y C3). En P1 produce 5000 unidades, y en P2 7000 unidades. De estas
12000 unidades las vende así: 3500 es C1, 4000 en C2 y 4500 en C3. Los costes de
transporte, en euros por unidad de producto, desde las plantas de producción a las
ciudades son:

Determina el nº de artículos que debe enviar la empresa desde cada planta a cada ciudad
para que los costes de transporte sean mínimos. Para problemas de este tipo necesitamos
una nueva variable.

Sea x=unidades de P1 a C1, y=unidades de P1 a C2 y z=unidades de P1 a C3.

Tiene que verificarse entonces que x + y + z = 5000.

Si desde P 1 a C1 se envían x unidades, como en C1 necesitan 3500, desde P2 se

mandaran a C1 3500 − x. Razonando del mismo modo con y y z, se obtiene la tabla:
Hemos sustituido z por 5000 − y − x, porque x + y + z = 5000 y así transformamos las 3
incógnitas en solo 2. Para obtener las restricciones imponemos que cada cantidad ha de
ser mayor o igual que cero, es decir:

x≥0
3500 − x ≥ 0
y≥0
4000 − y ≥ 0
5000 − x − y ≥ 0
−500 + x + y ≥ 0

Por tanto el sistema de inecuaciones es:

x≥0
x ≤ 3500
y≥0
y ≤ 4000
x + y ≤ 5000
x + y ≥ 500

Como se trata de minimizar costes, la función objetivo es:

C(x, y) = 3 ・ x+2´ 5 ・ y +3´ 5 ・ (5000− x −y) +2´ 25 ・ (3500−x) +3´ 75 ・

(4000−y) +4 ・ (−500 +x +y)

C(x, y) =1´25 ・ x − 0´ 75 ・ y + 22625

Dibujando la región factible:

Resulta que A= (0,500), B= (0,4000), C= (1000,4000), D= (3500,1500), E= (3500,0) y
F= (500,0).

Sustituyendo es:
C (0, 500) = 22250
C (0, 4000) = 19625
C (1000, 4000) = 20875
C (3500, 1500) = 25875
C (3500, 0) = 27000
C (500, 0) = 23250

El mínimo se da en B, cuando x = 0 e y = 4000.

Es decir, las unidades a distribuir son:

MÉTODO DE MAXIMIZACIÓN

Ejemplo: Maximizar la función F(x, y) = 2000x + 5000y sujeta a las restricciones:

2x +3y ≥ −3
2x − y − 9 ≤ 0
2x − 5y − 5 ≥ 0
La región factible en este caso es:

Los vértices eran los puntos (0,-1), (5,1) y (3,-3).

Como la función es F(x, y) = 2000x + 5000y, el vector director es v = (−5000, 2000),

que tiene la misma dirección que el v = (−5, 2) y representándolo queda:

Región factible y vector de la función objetivo

Se trata ahora de trazar paralelas al vector que pasen por los vértices anteriores, es decir:
Solución grafica. Paralelas al vector por los vértices.

Se observa gráficamente que de las tres paralelas trazadas, la que corta al eje y en un
punto mayor es la que pasa por el punto (5,1), que por tanto será la solución ´optima al
problema de máximos planteado.

Para saber cual es este valor, máximo sustituimos en la función:

F (5, 1) = 2000 ・ 5 + 5000 ・ 1 = 10000 + 5000 = 15000

Luego la función tiene su solución optima en (5,1) donde toma el valor 15000.

Una fábrica de muebles fabrica dos tipos de sillones, S1 y S2. La fabrica cuenta con dos
secciones; carpintera y tapicera. Hacer un sillón de tipo S1 requiere 1 hora de carpintera
y 2 de tapicera, mientras que uno de tipo S2 requiere 3 horas de carpintera y 1 de
tapicera. El personal de tapicera trabaja un total de 80 horas, y el de carpintera 90. Las
ganancias por las ventas de S1 y S2 (unidad) son, respectivamente 60 y 30 euros.

Calcular cuántos sillones de cada tipo hay que hacer para maximizar las ganancias.
Este es un problema típico en el que hay que usar las técnicas de programación lineal.
Intentaremos seguir el siguiente esquema:

1. Leer el enunciado, determinar la función objetivo y definir las variables.

En este caso, queremos hacer máximo el beneficio, es decir, queremos maximizar una
función.
Como queremos determinar las cantidades de sillones S1 y S2 respectivamente,
llamemos x=nº de unidades de S1 e y=nº de unidades de S2. La función beneficio a
maximizar será:

B(x, y) = 60 ・ x + 30 ・ y, que es la función objetivo.

2. Reordenar los datos del problema y escribir las inecuaciones

correspondientes.

En este paso es conveniente el uso de tablas:

De aquí se deduce que:

x +3y ≤ 90
2x + y ≤ 80

Y además
x≥0
y≥0
Pues el nº de unidades producidas no puede ser negativo.
Ya tenemos por tanto las restricciones.

3. Representar gráficamente la región factible, calcular sus vértices y el vector

si usamos el método geométrico.
En este caso, representando la región factible:

Siendo los vértices A= (0,0), B= (0,30), C= (30,20), D= (40,0).

El vector será (−30, 60), equivalente a (−10, 20).

Gráficamente se observa que la solución no es ´única, sino que se encuentran infinitas

soluciones en el lado correspondiente CD, sobre la recta 2x + y = 80, desde que x vale
30 hasta que vale 40, todas las soluciones son validas.

4. Sustituir las coordenadas en la función objetivo y dar la solución correcta.

En este caso se obtiene:

B (0, 0) = 0
B (0, 30) = 900
B (30, 20) = 2400
B (40, 0) = 2400

Con lo cual hay infinitas soluciones y el beneficio que se obtiene es 2400 euros.

5. Analizar la solución obtenida en el contexto del problema: .tiene sentido?

Debemos interpretar que en el contexto del problema no todas las soluciones son
validas, sino que sólo sirven soluciones enteras, es decir, no se pueden fabricar, por
ejemplo 3’8 sillones del tipo S1. Las soluciones con sentido vendrían dadas por:

Encontramos por tanto solo 11 soluciones que son las de la tabla

En cualquiera de estas soluciones el beneficio es de 2400 euros, que es el máximo bajo

las condiciones del problema.
4. ANÁLISIS DE SENSIBILIDAD

Si bien el objetivo del planteamiento y resolución de los problemas de programación

lineal (pl.) es encontrar la solución optima, esto es, el valor de cada una de las variables
del problema, de las variables de holgura y el valor máximo (o mínimo) que puede
obtener la función objetivo (fo), el trabajo no termina allí. El análisis de sensibilidad o
pos-optimalidad que se presenta en esta unidad es tan importante como la solución
optima para la toma de decisiones.
Pero .que trata de responder este análisis? En todos los problemas planteados se llega a
la representación
Max (Min) S chi xi
s.a.
S aji xi ≤ bj
xi ≥ 0

Donde se suponen conocidos los valores de los coeficientes aij , bj y ci; esto quiere
decir que el modelo está totalmente determinado. Sin embargo, esto no es cierto; en la
mayoría de los casos estos valores son solamente estimaciones de los valores que
tomaran los parámetros, o pueden variar si cambian las condiciones del mercado o, en el
caso de la disponibilidad de recursos, incluso pueden modificarse por decisión de la
gerencia.
El análisis de sensibilidad permite estudiar como las variaciones en los valores de los
coeficientes del modelo modificaran la solución óptima sin tener que resolver el
problema para las distintas posibilidades. Este análisis constituye una parte muy
importante en el estudio de los problemas de pl. La justificación formal del análisis de
sensibilidad la da el estudio del problema dual al problema principal que se está viendo.
Las relaciones entre la solución del problema dual y el primal permiten calcular otros
parámetros como los precios sombra de los recursos, los limites de variación aceptables
para que no se modifique la solución optima, las holguras complementarias o como
cambiarían las cosas si se debe introducir una nueva restricción. Todos estos parámetros
se pueden analizar de manera analítica, aunque no se hará en el presente texto pues el
enfoque es aprender por medio del análisis de problemas.

ANÁLISIS DE SENSIBILIDAD: INTERPRETACIÓN GRÁFICA

El análisis de sensibilidad estudia los efectos sobre la solución óptima debidos a:

a) cambios en los coeficientes de la FO,
b) cambios en la disponibilidad de los recursos,
c) cambios en los coeficientes técnicos debidos, por ejemplo, a cambios en la
tecnología en las materias primas utilizadas,
d) la introducción de un nuevo productos (otra variable),
e) la introducción de una nueva restricción.

Centraremos el análisis en los puntos a, b y e ya que son los que suelen cambiar más a
menudo y son fáciles de visualizar con el método grafico. Los cambios en los
coeficientes técnicos solo ocurren cuando se cambia la tecnología de producción, por
ejemplo, por cambios en el proceso o la introducción de maquinaria, y esto no ocurre
frecuentemente y puede ameritar un análisis completamente diferente.
EJEMPLO
Para realizar el análisis se utilizara el mismo ejemplo que se uso en la unidad 4 para
introducir el método Simplex. El modelo de pl para el ejemplo es este:
Variables de decisión:
x1: cantidad de articulo A a producir
x2: cantidad de articulo B a producir

Función objetivo:
Max U = 150x1 + 200x2

Restricciones:
Mano de obra: 8x1 + 8x2 ≤ 64 horas
Materias primas: 4x1 + 2x2 ≤ 24 unidades
Demanda: x2 ≤ 6 artículos

Su solución grafica se muestra en la grafica, en la que se indica que la solución óptima

será 2 unidades de los artículos a y 6 del b, obteniendo una utilidad de $1 500.

Optimal Decisions (x1, x2) : (2, 6)

: 8x1 + 8x2 _ 64
: 4x1 + 2x2 _ 24
: 0x1 + 1x2 _ 6

a) CAMBIO DEL COEFICIENTE EN LA FUNCIÓN OBJETIVO

Para desarrollar el cambio del coeficiente en la función objetivo, consideraremos el
siguiente ejemplo en su versión estándar:

Max z = 60x1 + 30x2 + 20x3

s.t.
8x1 + 6x2 + x3 + s1 = 48 (a)
4x1 + 2x2 + 1; 5x3 + s2 = 20 (b)
2x1 + 1; 5x2 + 0; 5x3 + s3 = 8 (c)
(1.1)

Aplicando el método Simplex obtenemos el tableau final del Cuadro 1.1. Luego, la
solución optima del problema corresponde a z = 280, s1 = 24, x3 = 8, x1 = 2 y x2 = s2 =
s3 = 0.

Cuadro 1.1: Tableau Final del Problema (1.1)

b) CAMBIO DEL COEFICIENTE EN LA FUNCIÓN OBJETIVO DE UNA

VARIABLE NO BÁSICA

En la base óptima del problema (1.1) la única variable de decisión no basal es x2. Dicha
variable, posee como coeficiente en la función objetivo: c2 = 30. Llamaremos cj al
coeficiente en la función objetivo de la variable j. Como x2 no está en la base, ser³a
interesante determinar el valor de c2 necesario para que la variable x2 sea incorporada a
la base optima.

Debido a que solo se está cambiando el coeficiente de una variable en la función

objetivo, la región factible del problema se ve inalterada, es decir, no se ve modificada
la factibilidad del óptimo actual. Solo puede ocurrir que la solución actual deje de ser la
optima si c2 crece lo suficiente. Para determinar dicho valor, incorporemos
explícitamente una variación  al coeficiente c2 y veamos su efecto sobre el tableau
óptimo (Cuadro 2.1).

Cuadro 2.1: Modificación de c2

Debido a que la modificación es en una variable no basal, solo se ve alterado el precio

sombra de la variable no basal modificada, es decir, c2 ¡z2. Para que la base no se
altere, el precio sombra de x2 debe seguir siendo no negativo (caso maximización):

(2.1)
En este caso, cualquier variación inferior a 5 no cambiara la base. Un incremento
exactamente igual 5 implica que x2 puede pasar a ser una variable basal (optimo
alternativo). Valores mayores a 5 representan un cambio en el óptimo y requerirá
efectuar iteraciones adicionales para obtener la nueva solución óptima. De todas formas,
antes de asegurar que haya cambiado la solución optima, se debe verificar que
efectivamente pueda entrar a la base la variable a la que se le ha modificado su
coeficiente en la función objetivo. A modo de ejemplo, consideremos un incremento  =
10. En este caso, chequeamos
que la variable x2 pueda entrar (Cuadro 2.2). En este caso, solo puede salir x1, x2 puede
entrar con valor 1;6. Luego, el nuevo valor de la función objetivo resulta:

(2.2)

Cuadro 2.2: Modificación con = 10

La iteración se completa en el siguiente Cuadro, donde se verifica el nuevo valor

máximo de la función objetivo y la combinación de valores de las variables basales. Si
bien en este caso basto solo una iteración para determinar el nuevo optimo, en general
pueden requerirse varias iteraciones. En este ejemplo la primera restricción sigue siendo
activa, pero en términos generales puede cambiar la condición de una restricción (pasar
de activa a no activa o viceversa). En suma, si el cambio del coeficiente de una variable
no basal es lo suficiente para alterar el óptimo, se está trasladando el óptimo de un punto
extremo a otro, en ningún caso se altera la región factible del problema.

Cuadro 2.3: Tableau Final Modificado

CAMBIO DEL COEFICIENTE EN LA FUNCION OBJETIVO DE UNA

VARIABLE BASICA
El estudio de variaciones en coeficientes en la función objetivo de variables básicas
sigue la misma lógica de la variación de coeficientes en la función objetivo de variables
no básicas. La idea es determinar como varían los cj - zj de todas variables y obtener a
partir de dichas modificaciones un rango en el cual la base se ve inalterada.
Evidentemente, una modificación de este tipo no afectada la región factible y solo puede
cambiar la optimalidad de la solución actual si la variación es lo suficientemente
importante.

Para ilustrar el análisis consideremos una variación  sobre el coeficiente c1, es decir,
modifiquemos el valor del coeficiente en la función objetivo de la variable x1. La
incorporación del parámetro  al tableau final original del problema (Cuadro 1.1) se ve
en forma explícita en el Cuadro 3.1.

Cuadro 3.1: Tableau Final del Problema (1.1)

Como el tableau final siempre es una forma canónica de las variables basales, la
modificación solo afecta los cj –zj de variables no básicas. En otras palabras, para
determinar el rango de variación que mantiene la base debemos imponer (caso de
maximización):

(3.1)

Donde el índice k se refiere a la variable no básica k y aik es el coeficiente en la

restricción i de la variable no básica k. En este caso, se debe imponer:
(3.2)
Por lo tanto, el parámetro  debe variar en el rango de optimalidad:

(3.3)
para mantener la base optima. En caso que la variación supere este rango cambiara la
combinación de variables en la base y el valor de la función objetivo. Si el valor de  se
mantiene en el rango, las variables no cambian de valor y la nueva magnitud de la
función objetivo queda definida por:

(3.4)

Si el valor de  escapa al rango definido en (3.3) cambiara la base y será necesario iterar
para determinar el nuevo valor de las variables basales. Consideremos por ejemplo  =
40 y veamos el efecto sobre la solución optima. Incorporando el nuevo valor de c1 el
tableau deja de ser óptimo (Cuadro 3.2), en este caso conviene ingresar la variable s2
con valor 4. Completando la iteración (Cuadro 3.3) se verifica que se ha alcanzado el
óptimo. En este caso se obtiene s1 = 16, s2 = 4, x1 = 4 y x2 = x3 = 0, con valor de
función objetivo igual a 400. El nuevo valor de z se podr³a haber predicho en términos
del precio sombra de la variable entrante y el valor que toma la variable:

(3.5)
Luego, un cambio en el coeficiente de una variable básica fuera de su rango de
optimalidad implica un cambio de la base optima y por lo tanto un desplazamiento a
otro punto extremo de la región factible (puede ser mas de una iteración). Por otro lado,
un cambio dentro del rango de optimalidad modifica los cj -zj , pero mantiene la base.
 Cuadro 3.2: Tableau Modificado

Cuadro 3.3: Tableau Final Modificado

 Conclusión

La programación lineal es una técnica poderosa para tratar problemas de asignación de

recursos escasos entre actividades que compiten, al igual que otros problemas cuya
formulación matemática es parecida. Se ha convertido en una herramienta estándar de
gran importancia para muchas organizaciones industriales  y de negocios. Aún más, casi
cualquier organización social tiene el problema de asignar recursos en algún contexto y
cada vez mayor el reconocimiento de la aplicabilidad tan amplia de esta técnica.

Sin embargo, no todos los problemas de asignación de recursos limitados se pueden

formular de manera que se ajusten a un modelo de programación lineal, ni siquiera
como una aproximación razonable. Cuando no se cumplen una o más de las
suposiciones de programación lineal, tal vez sea posible aplicar otro tipo de modelos
matemáticos, por ejemplo, los modelos de programación entera o de programación no
lineal.
 
La construcción de un modelo de programación lineal requiere la realización de un
conjunto de etapas que no es necesario realizarlas todas en la secuencia planteada. La
utilización de software en la programación lineal es una herramienta útil que nos
permite solucionar problemas de forma rápida y sencilla.