Unidad 3 Desde PARTE 2 y Final 2

UNIVERSIDAD AUTÓNOMA DE MANIZALES
DEPARTAMENTO DE FÍSICA Y MATEMÁTICAS
ADMINISTRACIÓN DE EMPRESAS
CURSO DE
INVESTIGACIÓN DE OPERACIONES
(TEXTO GUÍA)
Docente:
ORLANDO VALENCIA RODRÍGUEZ
Ingeniero Industrial con Especialización en Desarrollo Gerencial y Maestría
en Investigación Operativa y Estadística.
Manizales, 2011
INVESTIGACIÓN DE OPERACIONES
Unidad 3: MÉTODOS BÁSICOS DE SOLUCIÓN E

INTERPRETACIÓN.
Contenido
3.2 MÉTODO SIMPLEX ............................................................................................................... 3
3.2.1 PROBLEMAS DE MAXIMIZACIÓN ................................................................................... 5
3.2.1.1 EJEMPLO 1. Problema de Producción (Solución única). ......................................... 5
3.2.1.2. EJEMPLO 2. Problema Financiero – Inversiones (Solución única) ......................... 26
3.2.1.3. EJEMPLO 3. PROBLEMA DE PRODUCCION (solución múltiple) ............................. 38
3.2.1.4. Ejemplo 4: PROBLEMA DE PRODUCCIÓN (Solución única – Aplicación del método
de la gran M) ................................................................................................................... 49
3.2.1.5 Ejemplo 5: PROBLEMA DE PRODUCCIÓN (Solución no acotada) ........................... 56
3.2.1.6 PROBLEMA DE PRODUCCIÓN (Solución infactible) ............................................... 63
3.2.2 PROBLEMAS DE MINIMIZACIÓN ................................................................................. 66
EJEMPLO 1 ...................................................................................................................... 66
3.3 Dualidad............................................................................................................................ 71
EJEMPLO 1: PROBLEMA DE PRODUCCIÓN ....................................................................... 71
3.4. Relaciones primal-dual. .................................................................................................... 77
3.5 Análisis de sensibilidad. ..................................................................................................... 84
3.5.1. Análisis de sensibilidad Gráfico. ................................................................................. 85
3.5.2. Análisis de sensibilidad con el método simplex .......................................................... 94
3.6 Problemas propuestos .................................................................................................... 103
CIERRE DE LA UNIDAD ........................................................................................................... 106
REFERENCIAS BIBLIOGRÁFICAS.............................................................................................. 107
Unidad 3: MÉTODOS BÁSICOS DE SOLUCIÓN E
INTERPRETACIÓN.
3.2 MÉTODO SIMPLEX
Es un sencillo pero potente y efectivo método para solución

problemas de programación lineal, el cual fue desarrollado en 1947
por George Dantzig.
El método simplex, es básicamente un procedimiento iterativo que

permite ir mejorando la solución a cada paso que se avanza. El
proceso concluye cuando no es posible seguir mejorando más dicha
solución.
El método comienza con la solución básica inicial, donde las variables

de decisión asumen el valor de cero y el valor de la función
objetivo representado por , también inicia en cero.
Es decir, que la iteración (0) corresponde al punto de origen en la

gráfica. Luego a medida que se va resolviendo el problema (haciendo
las iteraciones), la solución se desplaza por los vértices de la región
factible hasta encontrar el óptimo.
Aunque en el presente texto, se presentan problemas con pocas

variables y restricciones, con el fin de facilitar su comparación con el
método gráfico, el método simplex se puede utilizar en casos donde
intervienen cientos de variables, desde luego, con la ayuda de los
sistemas computacionales.
PROBLEMA
PLANTEAR EL MODELO MATEMATICO:

Lectura del problema, análisis del problema,
organizar la información, definir las variables,
identificar el tipo de problema, definir la
función objetivo, establecer las restricciones.
ESTANDARIZAR EL MODELO MATEMATICO
CONSTRUIR EL TABLERO SIMPLEX 1
DEFINIR LA VARIABLE QUE ENTRA A LA BASE Y LA QUE SALE
NO ¿HAY VARIABLE
DE ENTRADA A LA
BASE?
SI
CONSTRUIR EL
¿HAY VARIABLE
SI SIGUIENTE TABLERO
DE SALIDA DE LA SIMPLEX (Re calcular
BASE? la matriz)
NO
FINALIZAR PROBLEMA
INTERPRETAR LA SOLUCION
COMPROBAR LA SOLUCION
IMPLANTAR (Tomar decisiones)
ANALISIS DE SENSIBILIDAD
(Controlar – retroalimentar –
tomar nuevas decisiones)
Gráfica 3.35 Esquema del método Simplex
Para mostrar la aplicación del presente método, se retomará el

ejemplo 1 de los problemas de maximización que fueron solucionados
por el método gráfico.
Recuerde que el método gráfico, permite solucionar problemas de dos
variables únicamente, mientras que el simplex, puede trabajar
problemas con dos o más variables.
3.2.1 PROBLEMAS DE MAXIMIZACIÓN
3.2.1.1 EJEMPLO 1. Problema de Producción (Solución única).
La Heladería El Buen Sabor, produce dos tipos de helados. Unos de

fresas en leche y los otros de mango en agua. Cada uno de los
productos, requiere un proceso distinto, teniendo un costo y un
ingreso diferente. El helado de fresas, requiere de 6 minutos –
hombre para su elaboración, mientras que el de mango necesita de 4
minutos – hombre. Se dispone de 1200 minutos – hombre
diariamente para la fabricación de ambos tipos de helados.
De igual manera, se tiene una capacidad de almacenamiento de 300

unidades. El ingreso por venta de los helados está dado por $400
para los de fresa y 300 para los de mango.
El gerente de la heladería, desea saber los niveles de producción

diarios de ambos helados, con el fin de maximizar los ingresos por
ventas, sin exceder la capacidad de almacenamiento y el tiempo
disponible para su fabricación.
Solución:
Tenga siempre presente que el problema que se vaya a resolver por

cualquiera de los métodos, se debe hacer el planteamiento del
modelo matemático. Recuerden entonces, lo visto en la unidad 2, en
la cual se indica que se debe hacer: la lectura del problema, su
análisis, organizar la información, definir las variables,
identificar el tipo de problema, definir la función objetivo,
establecer las restricciones y construir el modelo matemático.
Teniendo en cuenta que este problema ya se planteó anteriormente,

se retoma dicha información, tal como aparece en la siguiente tabla.
Nombre del producto Recursos
Factor considerado Helado de Helado de disponibles
fresa en leche mango en agua
Mano de obra requerida por
6 4 1200 min
producto (minutos -hombre)
Ingresos por producto (S) 400 300
Capacidad de almacenamiento
300
(Número de helados)
Las variables de decisión son:
: Cantidad de helados de fresa en leche a producir diariamente.

: Cantidad de helados de mango en agua a producir diariamente.
Conforme a lo anterior, el modelo matemático de programación lineal

completo, queda de la siguiente manera:
con sus restricciones:
, disponibilidad de mano de obra expresada en minutos – hombre.
, capacidad de almacenamiento de helados producidos.
Restricción de rango. No negatividad.
Plantear el modelo estándar
El modelo estándar o estandarización del modelo, consiste en

convertir las desigualdades en igualdades, para ello, se deberán
agregar variables de holguras a las restricciones de tipo menor o
igual.
Variable de holgura:
De acuerdo con lo anterior, una variable de holgura (se

simboliza como Hi), es una variable no negativa (puede tomar
un valor mayor o igual a 0) que se agrega a una restricción de
tipo menor o igual; para convertirla en una igualdad
El modelo estandarizado queda así:
, disponibilidad de mano de obra (minutos – hombre)
En algunos textos, también se presenta de la siguiente forma:

.
, disponibilidad de mano de obra (minutos – hombre)
Se observa entonces, que en la función objetivo aparecen las

variables de holgura con coeficientes 0. En la primera restricción la
variable de holgura , aparece con coeficiente 1 y , tiene
coeficiente cero. En la segunda restricción, la variable de holgura ,
aparece con coeficiente 0 y , con coeficiente 1.
En el presente texto, no se escribirá la variable en el modelo cuando

el coeficiente es 0.
Interpretando las variables de holgura se tiene lo siguiente:
En la restricción 1, la variable de holgura , representa la mano de

obra expresada en minutos hombres que son necesarias para que la
desigualdad se convierta en igualdad dependiendo de los valores que
asuman . El valor mínimo que podría asumir es 0. Si se
asumiera que no se fabrica ningún producto, es decir, ,
entonces la variable . Esto significa que no se está utilizando
ninguno de los minutos disponibles de mano de obra.
Tiempo utilizado en la + Tiempo no utilizado = Tiempo total disponible
fabricación de ambos en la fabricación de (mano de obra (minutos
helados ambos helados – hombre
+ =
De igual manera, en la restricción 2, la variable de holgura ,

representa la capacidad de almacenamiento expresada en unidades
que son necesarias para que la desigualdad se convierta en igualdad,
dependiendo de los valores que tomen . El valor mínimo que
podría asumir es 0. Si se asumiera que no se fabrica ningún
producto, es decir, , entonces la variable . Esto
significa que como no se están produciendo helados, se tiene
disponible toda la capacidad de almacenamiento.
Capacidad de + Capacidad de = Capacidad total de

almacenamiento utilizada almacenamiento no almacenamiento
para ambos helados utilizada disponible
+ =
Construcción del Tablero Simplex
A partir del modelo estándar, se puede construir el tablero Simplex 1.
X1 X2 H1 H2
VB (Base) Cj 400 300 0 0 bj
H1 0 6 4 1 0 1200
H2 0 1 1 0 1 300
0 0 0 0 0
400 300 0 0
Por ser este el primer ejemplo del método simplex, se explicará de

manera detallada.
Observe que el tablero simplex se compone de los siguientes

elementos:
VB (Base)
VB (Base)
H1
H2
Esta primera columna corresponde a las variables básicas (VB) que

componen lo que se conoce como la base y que inicialmente son las
variables de holgura.
En un problema de programación lineal con n variables

(incluyendo las de holgura) y m ecuaciones, para hallar una
solución básica, se igualan a cero n-m variables, las cuales se
denominan como no básicas, mientras que las demás se les
llama variables básicas.
Fíjese entonces, que una solución básica es aquella que se obtiene

cuando se igualan a cero n-m variables.
Ahora, una solución básica factible, es aquella que cumple todas

las restricciones, incluyendo la de no negatividad.
En el ejemplo que estamos desarrollando, se tienen 4 variables:

. De esta manera, se podrían igualar a cero n-m
variables, es decir 4 – 2 =2
Las soluciones que podríamos obtener son las siguientes:
Soluciones básicas
Solución
1. 0 0 1200 300
2. 0 300 0 0
3. 0 300 0 0
4. 200 0 0 100
5. 300 0 -600 0
6. 0 300 0 0
El tablero simplex 1 o inicial, arranca asumiendo la primera solución
(sombreada con color azul), donde son las variables no
básicas y , son las variables básicas. Esta primera
solución implica que no se produce ningún producto, no se obtiene
ningún ingreso, utilidad cero y no se utilizan ninguno de los recursos
disponibles, por ello, lógicamente lo que hace el método simplex es
obtener una solución óptima a partir de este planteamiento inicial.
De las soluciones anteriores, la única que no es una solución básica

factible es la que está en la fila 5 (resaltada con color naranja),
porque la variable , es negativa.
Columna
0
0
Son los coeficientes de las variables básicas (variables de holgura en

la función objetivo. Revise la función objetivo en el modelo
estandarizado y observará que estas variables no aparecen allí, por lo
tanto, su coeficiente es cero.
Coeficientes de la función objetivo y las restricciones
X1 X2 H1 H2
400 300 0 0
6 4 1 0
1 1 0 1
En la primera fila, aparecen como encabezados, las variables de

decisión y las variables de holgura . En la segunda fila,
que aparece resaltada de color verde, se colocan los coeficientes de
las variables en la función objetivo .
Observe que los coeficientes de las variables de holgura son cero.
En las dos filas siguientes, aparecen los coeficientes de las variables

de decisión y las variables de holgura que se tienen en el lado
izquierdo de las dos restricciones que constituyen el modelo.
Los coeficientes de las variables de holgura (sombreado morado)

conforman la matriz identidad, formada por 1 en la diagonal y ceros
las demás celdas.
Columna bj
Conocida como la columna de los recursos o las disponibilidades y

que corresponde a los coeficientes que están al lado derecho de las
restricciones.
bj
1200
300
Tenga en cuenta que en esta columna aparece la solución al

problema, tanto inicial, como a medida que se va resolviendo hasta
llegar a la solución óptima.
Observe por ejemplo como en el tablero simplex 1, la solución básica

inicial con la que se parte es:
Soluciones básicas
Solución
1. 0 0 1200 300
Donde son las variables no básicas y

, son las variables básicas, que son los mismos valores que
aparecen en la columna bj.
Note que el tablero simplex 1, hasta aquí, se forma simplemente con

registrar los valores que aparecen en el modelo estándar.
Fila Zj Uso de recursos
Zj 0 0 0 0
En esta fila, se registra en términos económicos lo que se gasta, o en

otras palabras, contribución que se pierde por unidades que se
fabrican o produce, en este caso, de los helados.
Se obtiene multiplicando la columna o vector por cada uno de los

coeficientes de las columnas de , de la siguiente manera:
Para el primer Zj = 0, se multiplica la columna * ai1, donde ai1

corresponde a los coeficientes de la variable X1 en la primera
columna, exceptuando el coeficiente de la función objetivo (400). Los
valores de son los mismos en cada tabla o iteración. En este caso
en la tabla inicial son (0,0) que corresponden a los coeficientes de las
variables de holgura en la función objetivo.
X1
ai1
0 x 6 = 0
0 x 1 = 0
Z1 0
El primer que se obtiene es Z1= 0. Esta multiplicación se hace para

las demás columnas y como los coeficientes de Cj son (0, 0),
entonces, todos los valores de Zj son iguales a cero. Esto siempre se
presente en el tablero inicial simplex.
Por ejemplo para X2:
X2
Cj ai2
0 x 4 = 0
0 x 1 = 0
Z2 0
De tal manera que los Zj quedan de la siguiente forma:
X1 X2 H1 H2
VB (Base) Cj 400 300 0 0 bj
H1 0 6 4 1 0 1200
H2 0 1 1 0 1 300
Zj Z1=0 Z2=0 Z3=0 Z4=0 Z
Cj - Zj 400 300 0 0
El Z se puede obtener de igual manera que en los casos anteriores, a

partir de la multiplicación de Cj * bj. Este será el máximo valor u
óptimo de la función objetivo al finalizar la solución.
Fila Contribución neta por unidad que se fabrica
En esta fila se registra lo que aporta cada unidad que se fabrica a la

función objetivo o Contribución neta por unidad que se fabrica.
Se obtiene de restar a los Cj (coeficientes de las variables en la
función objetivo) los valores de Zj que se acaban de calcular. Como
estos valores de Zj son ceros, entonces, quedan los mismos
coeficientes, tal como se presentan en las dos franjas sombreadas de
color verde.
X1 X2 H1 H2
VB (Base) Cj 400 300 0 0 bj
H1 0 6 4 1 0 1200
H2 0 1 1 0 1 300
Zj Z1=0 Z2=0 Z3=0 Z4=0 Z5=0
C1 - Z1 C2 - Z2 C3 - Z3 C4 - Z4
Cj - Zj 400 300 0 0
Observe que el primer valor de C1 - Z1 = 400, son los ingresos que le

aporta a la función objetivo, la fabricación de un helado de fresa,
mientras que el segundo valor C2 – Z2 = 300, es lo que aporta un
helado de mango.
En resumen el tablero inicial contiene la siguiente información:
Tablero Simplex 1.
En forma general, se puede presentar de la siguiente forma:

Variables de Variables de Recursos o
decisión holgura disponibilidad
X1 X2 H1 H2 Variables
VB (Base) Cj C1 C2 C3 C4 bj Contribución por unidad
H1 C3 a11 a12 a13 a14 b1 Coeficientes en las restricción 1
H2 C4 a21 a22 a23 a24 b2 Coeficientes en las restricción 2
Contribución que se pierde por
Zj Z1 Z2 Z3 Z4 0
unidades que se fabrican
Contribución neta por unidad que se
Cj - Zj C1 - Z1 C2 - Z2 C3 - Z3 C4 - Z4
fabrica
Como se mencionó anteriormente, en este tablero se tiene la solución

básica inicial ( ), que por
supuesto, no es la que se desea. La idea es mejorar la solución,
maximizar los ingresos o las utilidades, para ello se debe construir el
segundo tablero.
Definir la variable de entrada a la base y la de salida.
Primero se tiene que decidir que variable ingresa a la base. Debe

ingresar aquella variable que más le aporta la función objetivo y en
este caso es , ya que por cada helado de fresa que se fabrica, se
obtienen ingresos por $400.
Ahora, se debe definir la variable que debe salir de la base. Para ello
se toma la variable que tiene el menor valor positivo que resulta
de dividir los valores de la columna (bj) por cada uno de los
coeficientes de la columna de la variable que entra a la base (a i1), tal
como se muestra en la tabla. De esta forma, se define que la variable
que sale de la base es H 1. El valor que queda en el cruce o
intersección entre la fila (fila pivote) y la columna (columna pivote)
que aparece encerrado en un círculo (6) se denomina elemento
pivote.
Segundo tablero – Primera iteración.
Como la variable que entra es , dicha columna se debe llevar a la

forma básica:
Para ello, toda la fila uno (F1) se divide por 6, en otras palabras, se
multiplica por (1/6), de esta manera, el elemento pivote se convierte
en 1 y se cumple el primer objetivo. Observe los nuevos valores
aparecen en color azul, fila 3 (F3), incluyendo la variable , cuyo
coeficiente de 400, también se ubicó en la columna C j, que desde
luego, pasó a reemplazar a la variable H1 y su coeficiente 0.
Nota: Es recomendable expresar los valores en forma

fraccionaria con el fin de no perder información al
momento de hacer los cálculos.
La fila 4, se calcula, multiplicando la fila 3 por (-1) y sumando la fila

2:
F4 = F3*(-1) + F2.
-1 - 2/3 - 1/6 0 -200 F3*(-1)

+
1 1 0 1 300 F2
0 1/3 - 1/6 1 100 F4
Por lo tanto, el tablero con la segunda fila queda así:

Queda por calcular los Zj.Recuerde los Zj, se calculan multiplicando la
columna Cj * aij, donde aij corresponde a los coeficientes de las
variables , de sus respectivas columnas, tal como se
muestra a continuación:
X1 X2
Cj ai1 Cj ai2
400 x 1 = 400 400 x 2/3 = 800/3
0 x 0 = 0 0 x 1/3 = 0
Z1 400 Z2 800/3
H1 H2
Cj ai3 Cj ai4
400 x 1/6
= 200/3 400 x = 0 0
0 x -1/6
= 0 0 x = 0 1
Z3 200/3 Z4 0
De manera similar, se calculan el valor de Z en la columna b j
Cj bj
400 x 200 = 80000
0 x 100 = 0
Z 80000
El tablero 2 con estos valores queda de la siguiente forma:
X1 X2 H1 H2
VB (Base) Cj 400 300 0 0 bj
X1 400 1 2/3 1/6 0 200 F3
H2 0 0 1/3 - 1/6 1 100 F4
Zj 400 800/3 200/3 0 80000
Cj - Zj
La última fila, simplemente consiste en restar a la primera fila de los
coeficientes Cj, los valores de Zj.
Cj 400 300 0 0
-
Zj 400 800/3 200/3 0
0 100/3 -200/3 0
Completando finalmente el tablero 2, se tiene lo siguiente:
X1 X2 H1 H2
VB (Base) Cj 400 300 0 0 bj
X1 400 1 2/3 1/6 0 200 F3
H2 0 0 1/3 - 1/6 1 100 F4
Zj 400 800/3 200/3 0 80000
Cj - Zj 0 100/3 -200/3 0
En este tablero, se puede observar lo siguiente:
El valor de Z, mejoró pasando de Z=0 a Z=80000. Esto es

precisamente lo que busca el método simplex, maximizando los
ingresos o utilidades. Esto indica que el procedimiento se está
realizando correctamente. También se puede observar en la columna
de bj, en la cual se encuentra la solución al problema, que X1=200. Esto
significa que en esta solución parcial, se deberán fabricar 200 helados de fresa
y como X2 no aparece en la base, significa que su valor por ahora es 0, es
decir, no se deberán fabricar helados de mango. Por otro parte, H2=100, lo que
indica que sobra una capacidad de almacenamiento de 100 unidades (revise la
restricción 2 en el planteamiento del modelo). De igual manera, H1=0, por no
estar en la base. Esto quiere decir que se está utilizando todo el
tiempo disponible de mano de obra (revise la restricción 1 en el
planteamiento del modelo).
Restricción 1:
Tiempo utilizado en la + Tiempo no utilizado = Tiempo total disponible
fabricación de ambos en la fabricación de (mano de obra
helados ambos helados (minutos–hombre
+ =
+ =
Restricción 2:
almacenamiento almacenamiento no almacenamiento
utilizada para ambos utilizada disponible
helados
+ =
200+0 + 100 = 300
Mire que solamente se ha construido el segundo tablero. Para

verificar si se ha finalizado la solución se debe verificar la fila de los
.
El problema termina cuando todos los valores son negativos o iguales

a cero.
Cj - Zj 0 100/3 -200/3 0
Como se puede apreciar, se tiene un valor positivo, por lo tanto, se

continúa con la siguiente iteración.
Recuerde entonces, entra a la base la variable que más le aporta a la

función objetivo (el coeficiente más positivo en la fila ). En este
caso, la única variable que tiene coeficiente positivo es X 2, con 100/3.
Ahora para definir la variable de sale de la base, recuerde que se

elige la variable que tiene el menor valor positivo que resulta de
dividir los valores de la columna (bj) por cada uno de los coeficientes
de la columna de la variable que entra a la base (a i2), tal como se
muestra en la tabla. De esta forma, se define que la variable que sale
de la base es H2, a pesar de haber un empate con X1. En estos casos,
se prefiere que salga de la base la variable de holgura.
Variable que
entra a la base
X1 X2 H1 H2
VB (Base) Cj 400 300 0 0 bj bj /ai2
X1 400 1 2/3 1/6 0 200 300 F3
Variable que
sale de la base
H2 0 0 1/3 - 1/6 1 100 300 F4
Zj 400 800/3 200/3 0 80000
Cj - Zj 0 100/3 200/3 0
Tercer tablero – Segunda iteración.
Se procede a la construcción del tablero 3, siguiendo los mismos

pasos explicados anteriormente.

forma básica:
La fila 4 se multiplica por 3 y de esta manera se logra que el

elemento pivote quede en 1.
X1 X2 H1 H2
VB (Base) Cj 400 300 0 0 bj
X1 400 F5
X2 300 0 1 -0,5 3 300 F6
Zj
Cj - Zj
Para obtener los coeficientes de la fila 5, la fila 6 se multiplica por (–

2/3) y se suma la fila 3.
F6= (2/3)*F5 + F3
X1 X2 H1 H2
VB (Base) Cj 400 300 0 0 bj
X1 400 1 0 0,5 -2 0 F5
X2 300 0 1 -0,5 3 300 F6
Zj
Cj - Zj
Queda por calcular los Zj.Recuerde los Zj, se calculan multiplicando la

columna Cj * aij, donde aij corresponde a los coeficientes de las
variables , de sus respectivas columnas, tal como se
X1 X2
Cj ai1 Cj ai2
400 x 1 = 400 400 x 0 = 0
300 x 0 = 0 300 x 1 = 300
Z1 400 Z2 300
H1 H2
Cj ai3 Cj ai4
400 x =0,5 200 400 x -2 = -800
300 x =
-0,5-150 300 x 3 = 900
Z3 50 Z4 100
De manera similar, se calculan el valor de Z en la columna bj
Cj bj
400 x 0 = 800
300 x 300 = 90000
Z3 90000
El tablero 3 con estos valores queda de la siguiente forma:
X1 X2 H1 H2
VB (Base) Cj 400 300 0 0 bj
X1 400 1 0 0,5 -2 0 F5
X2 300 0 1 -0,5 3 300 F6
Zj 400 300 50 100 90000
Cj - Zj

Cj 400 300 0 0
-
Zj 400 300 50 100
0 0 -50 -100

Tablero 3.
X1 X2 H1 H2
VB (Base) Cj 400 300 0 0 bj
X1 400 1 0 0,5 -2 0 F3
X2 300 0 1 -0,5 3 300 F4
Zj 400 300 50 100 90000
Cj - Zj 0 0 -50 -100
El valor de Z, mejoró pasando de Z=$80000 a Z=$90000, lo cual es

coherente con el procedimiento que se está realizando, por lo tanto,
se está realizando correctamente. También se puede observar en la
columna de bj (color verde), en la cual se encuentra la solución al
problema, que X1=0. Esto significa que no se deberá producir heladas
de fresa y como X2 =300, significa que se deberán producir 300
helados de mango. Por otro parte, H1=0 y H2=0, ya que no quedaron
salieron de la base. Estas variables nos indican que no sobra mano de
obra ni capacidad de almacenamiento.
De acuerdo con esto las variables no básicas , pasaron a ser básicas y

que eran básicas, dejaron de serlo.

a cero.
Cj - Zj 0 0 -50 -100
Como se puede apreciar, se cumple esta condición, por lo tanto, el

problema llega a su fin y se ha obtenido la solución óptima. Esto
indica que no hay ninguna variable que pueda seguir contribuyendo
(contribución neta por unidad que se fabrica) al crecimiento de la
función objetivo.
Obtener la solución óptima e interpretarla:
Conforme a lo anterior, la solución óptima es:
* = $90000 Son los ingresos máximos que se pueden obtener.

* =0 No se deben producir helados de fresa en leche.
* = 300 Se deben producir 300 helados de mango en agua
diariamente.
* =0 No sobra mano de obra. Se utiliza completamente.
* =0 No sobra capacidad de almacenamiento. Se utiliza
toda la capacidad disponible.
Nota: El lector podrá comprobar que es exactamente la misma

solución que se obtuvo con el método gráfico.
Esta es una solución óptima única, porque hay solamente una

solución óptima que satisface el problema.
Las variables no básicas , pasaron a ser básicas y que eran

básicas, dejaron de serlo.
Comprobación de la solución:
Es importante verificar la solución obtenida, de tal forma que

satisface todas las restricciones.
Restricción 1:
Reemplazando los valores de *=0y * = 300, se tiene que:
Tiempo utilizado en la + Tiempo no utilizado en = Tiempo total disponible

fabricación de ambos la fabricación de ambos (mano de obra (minutos
helados helados – hombre
+ =
+ =
H1=0 indica que no sobra mano de obra.

Restricción 2:

almacenamiento almacenamiento no almacenamiento
utilizada para ambos utilizada disponible
helados
+ =
0+300 + 0 = 300
H2=0, indica que no sobra capacidad de almacenamiento.
De igual manera, también se puede verificar en las restricciones

originales
Verificación de la restricción 1:
, que corresponde a la disponibilidad de mano de

obra expresada en minutos – hombre.
, por lo tanto, se utiliza toda la mano de obra

disponible (minutos – hombre) para la fabricación de los helados.
Entonces, se cumple la restricción.
Verificación de la segunda restricción:
, se refiere a la capacidad de almacenamiento de

helados.
, por lo tanto, esta restricción también se cumple. Esto

significa que se utiliza toda la capacidad de almacenamiento
disponible.
Toma de decisiones:
Como se puede apreciar, se llegó a la conclusión mediante la solución

matemática, de que no se deben producir helados de fresa en leche.
De todas maneras, en el contexto real, se deberán evaluar las
condiciones reales del entorno y los efectos de tomar esta decisión.
También se podría evaluar la posibilidad de incrementar la capacidad
de almacenamiento o aumentar la disponibilidad de mano de obra,
resolver nuevamente el problema y evaluar que sucede.
Precisamente, hacer cambios en los recursos o la función objetivo y

evaluar que sucede, es lo que se conoce como análisis de
sensibilidad, el cual es un tema que se verá más adelante.
Comparación del Método simplex y el método gráfico
Como ya se ha mencionado, el método gráfico solo permite

solucionar problemas de dos variables, mientras que el simple no
tiene esta limitación.
Teniendo en cuenta que el anterior problema se ha resuelto por los

dos métodos, es interesante hacer algunas comparaciones:
Gráfica 3.36. Solución gráfica del ejemplo del numeral 3.2.1.
Se aprecia que la región factible tiene 3 vértices, los cuales se

identifican en la siguiente gráfica:
Gráfica 3.37. Región factible del ejemplo del numeral 3.2.1.
En cada uno de estos vértices, se obtiene una solución, teniendo la

solución óptima en el vértice C, donde se producen los mayores
ingresos (utilidad).
VERTICE Valor Iteración

de Z
A 0 0 1200 300 0 0
B 200 0 0 100 80000 1
C 0 300 0 0 90000 2
Es interesante ver como el método simplex, requirió de dos

iteraciones para llegar a la solución óptima.
La iteración (0) corresponde al punto de origen en la gráfica, donde

, son iguales a cero y las variables de holgura
, con Z=0. Esta es la solución básica inicial. Luego
en la segunda iteración, se desplaza al vértice B, donde gráficamente
también se puede verificar que , con un valor de
Z=$80000. Finalmente, en la segunda iteración, la solución se
desplaza al vértice C donde se encuentra el óptimo con
, con un Z=$90000 y iguales a cero.
La trayectoria que sigue el método simplex es:
A B C
Iteración 1 iteración 2
3.2.1.2. EJEMPLO 2. Problema Financiero – Inversiones (Solución única)
De manera similar, se retoma el ejemplo 2 de maximización de

numeral 3.1.2., el cual se transcribe a continuación:
Un comerciante desea invertir en acciones de la bolsa de valores,

teniendo disponible para ello 50000 dólares. Le ofrecen dos tipos de
acciones: Las de tipo A a 50 dólares cada una y las de tipo B a 80
dólares cada una. El máximo número de acciones que puede comprar
son 700 acciones. Conforme a las perspectivas del mercado, el
comerciante aspira a vender dichas acciones en un año. Las acciones
tipo A, las venderá a 60 dólares cada una, mientras que las acciones
tipo B a 92 dólares cada una.
El comerciante desea saber cuántas acciones de cada tipo deberá

comprar para maximizar su utilidad.
Recuerde entonces, que primero hacemos el planteamiento

matemático del problema propuesto, tal como se realizó en la unidad
2: Hacer la lectura del problema, su análisis, organizar la
información, definir las variables, identificar el tipo de problema,
definir la función objetivo, establecer las restricciones y construir el
modelo matemático.
Teniendo en cuenta que este problema ya se planteó anteriormente,

se retoma dicha información, tal como aparece a continuación:
Planteamiento del modelo matemático:
La información suministrada en el problema, se puede organizar en

una tabla de la siguiente manera:
Tipo de Acciones Capital Máximo número de
Valores por Acción y Acciones Acciones disponible acciones a comprar
utilidad tipo A tipo B para invertir
Precio de compra (U$) 50 80 50000 dólares 700
Precio de venta (U$) 60 92
Utilidad (U$) 10 12
Teniendo en cuenta que las variables de decisión son:
: Cantidad de acciones tipo A a comprar.

: Cantidad de acciones tipo B a comprar.
El modelo matemático de programación lineal completo, que ya había

sido planteado es:
, capital disponible para invertir, expresada en dólares.
, se refiere a la cantidad máxima de acciones que se

podrán comprar.
Restricción de rango.
El modelo estándar o estandarización del modelo, consiste en

convertir las desigualdades en igualdades, para ello, se deberán
agregar variables de holguras a las restricciones de tipo menor o
igual, tal como sigue:
, capital disponible para invertir, expresada en

dólares.

podrán comprar.
Recuerde que la variable de holgura , representa al final el capital

que no se utiliza en la compra de acciones expresado en dólares. El
valor mínimo que podría asumir es 0. Esto significaría que todo el
capital disponible se utiliza.
Capital utilizado en + Capital no utilizado = Capital total
la compra de en la compra de disponible para la
acciones acciones (capital compra de acciones.
sobrante)
+ = U$
De igual manera, en la restricción 2, la variable de holgura al final,

representa la cantidad de acciones que no se compran.
El valor mínimo que podría asumir es 0. Esto significaría que se

compran todas las acciones que han sido autorizadas.
Cantidad de + Cantidad de = Total de acciones

acciones acciones no que han sido
efectivamente compradas autorizadas para la
compradas. compra
+ =
X1 X2 H1 H2
VB (Base) Cj 10 12 0 0 bj
H1 0 50 80 1 0 50000
H2 0 1 1 0 1 700
Zj 0 0 0 0 0
Cj - Zj 10 12 0 0
Revise el procedimiento indicado en el ejemplo 1. Observe que

simplemente se ubican los coeficientes en el tablero. Tenga presente
que al hacer las operaciones, los valores de , en el tablero inicial
son ceros y los , son los mismos coeficientes de la función
objetivo.
De igual forma, tenga en cuenta que la solución básica inicial que se

presenta en este primer tablero es:
Soluciones básica inicial
0 0 0 50000 700
Esta solución significa no hacer nada y no obtener utilidades. Por

supuesto, el objetivo es maximizar las utilidades.
Variable que
entra a la base
X1 X2 H1 H2
VB (Base) Cj 10 12 0 0 bj bj/ ai2
Variable que H1 0 50 80 1 0 50000 50000/80=625 F1
sale de la base
H2 0 1 1 0 1 700 700/1=700 F2
Zj 0 0 0 0 0
Cj - Zj 10 12 0 0
Primero se tiene que decidir que variable ingresa a la base. Debe

ingresar aquella variable que más le aporta la función objetivo y en
este caso es , ya que cada acción tipo B que se compra, producirá
una utilidad de U$12.
Ahora, la variable que debe salir de la base es la que tiene el menor

valor positivo que resulta de dividir los valores de la columna
(bj) por cada uno de los coeficientes de la columna de la variable ,
que entra a la base, tal como se muestra en la tabla. De esta forma,
se define que la variable que sale de la base es H 1. El valor que
queda en el cruce o intersección entre la fila (fila pivote) y la columna
(columna pivote) que aparece encerrado en un círculo (80) se
denomina elemento pivote.

forma básica:
Para ello, toda la fila uno (F1) se divide por 80 o lo que es lo mismo
se multiplica por (1/80). De esta manera, se hará 1 la celda donde se
encuentra el pivote. Esto significa que: F3 = F1 *(1/80)
Para hallar la fila 4 (F4), se multiplica la fila 3 (F3), por -1 y se suma la

fila 2.
F4= F3*(-1) + F2.
1 1 0 1 700 F2
+
-5/8 -1 -1/80 0 -625 F3 *(-1)
3/8 0 -1/80 1 75 F4
Observe los nuevos valores aparecen en color azul, fila 3 (F 3),

incluyendo la variable , cuyo coeficiente de 12, también se ubicó en
la columna Cj, que desde luego, pasó a reemplazar a la variable H1 y
su coeficiente 0.
X1 X2 H1 H2
X2 12 5/8 1 1/80 0 625 F3
H2 0 3/8 0 -1/80 1 75 F4
Zj
Cj - Zj
Ahora, recuerde que los Zj, se calculan multiplicando la columna Cj *

aij, donde aij corresponde a los coeficientes de las variables
, de sus respectivas columnas, tal como se muestra a
continuación:
X1 X2
Cj ai1 Cj ai2
12 x 5/8 = 0 12 x 1 = 12
0 x 3/8 = 12 0 x 0 = 0
Z1 15/2 Z2 12
H1 H2
Cj ai3 Cj ai4
12 x 1/80= 12/80 12 x = 0 0
0 x -1/80
= 0 0 x = 0 1
Z3 3/20 Z4 0
Cj bj
12 x 625 = 7500
0 x 75 = 0
Z 7500

Cj 10 12 0 0
-
Zj 15/2 12 3/20 0
5/2 0 -3/20 0
X1 X2 H1 H2
X2 12 5/8 1 1/80 0 625
H2 0 3/8 0 -1/80 1 75
Zj 15/2 12 3/20 0 7500
Cj - Zj 5/2 0 -3/20 0
El valor de Z mejoró pasando de Z=0 a Z=7500. Esto es

precisamente lo que busca el método simplex, maximizar las
utilidades. Esto indica que el procedimiento se está realizando
correctamente.

a cero.
Cj - Zj 5/2 0 -3/20 0
Como se puede apreciar, se tiene un valor positivo, por lo tanto, se

continúa con la siguiente iteración.
Recuerde entonces, entra a la base la variable que más le aporta a la

función objetivo (el coeficiente más positivo en la fila ). En este
caso, la única variable que tiene coeficiente positivo es X1, con 5/2.
Ahora para definir la variable de sale de la base, recuerde que se

elige la variable que tiene el menor valor positivo que resulta de
dividir los valores de la columna (bj) por cada uno de los coeficientes
de la columna de la variable que entra a la base (a i1), tal como se
muestra en la tabla. De esta forma, se define que la variable que sale
de la base es H2.
Variable que
entra a la base
X1 X2 H1 H2
VB (Base) Cj 10 12 0 0 bj bj/ ai1
X2 12 5/8 1 1/80 0 625 625/(5/8)=1000 F3
Variable que F4
H2 0 3/8 0 -1/80 1 75 75/(3/8)=200
sale de la base
Zj 15/2 12 3/20 0 7500
Cj - Zj 5/2 0 -3/20 0

forma básica:
Para ello, toda la fila cuatro (F4) se divide por 3/8, o lo que es lo
mismo, se multiplica por (8/3). De esta manera, se hará 1 la celda
donde se encuentra el pivote. Entonces: F6 = F4 * (8/3).
3/8 0 -1/80 1 75 F4
*(8/3)
1 0 -1/30 8/3 200 F6
Para hallar la fila 5 (F5), se multiplica la fila 6 (F6), por -5/8 y se suma
la fila 3.
F5= F6*(-5/8) + F3.
5/8 1 1/80 0 625 F3

+
-5/8 0 1/48 -5/3 -125 F6 *(-5/8)
0 1 1/30 -5/3 500 F5
Observe los nuevos valores aparecen en color rojo.
X1 X2 H1 H2
X2 12 0 1 1/30 -5/3 500 F5
X1 10 1 0 -1/30 8/3 200 F6
Zj
Cj - Zj
Ahora, recuerde que los Zj, se calculan multiplicando la columna Cj *

aij, donde aij corresponde a los coeficientes de las variables
, de sus respectivas columnas, tal como se muestra a
continuación:
X1 X2
Cj ai1 Cj ai2
12 x 0 = 0 12 x 1 = 12
10 x 1 = 10 10 x 0 = 0
Z1 10 Z2 12
H1 H2
Cj ai3 Cj ai4
12 x 1/30
= 12/30 12 x -5/3 = -20
10 x -1/30
= -10/30 10 x 8/3 = 80/3
Z3 1/15 Z4 20/3
Cj bj
12 x 500 = 6000
10 x 200 = 2000
Z 8000

Cj 10 12 0 0
-
Zj 10 12 1/15 20/3
0 0 -1/15 -20/3
X1 X2 H1 H2
X2 12 0 1 1/30 -5/3 500 F5
X1 10 1 0 -1/30 8/3 200 F6
Zj 10 12 1/15 20/3 8000

Cj - Zj 0 0 -1/15 -20/3
El valor de Z, mejoró pasando de Z=7500 a Z=8000. Esto es

precisamente lo que busca el método simplex, maximizar las
utilidades. Esto indica que el procedimiento se está realizando
correctamente.
a cero.
Cj - Zj 0 0 -1/15 -20/3
Como se puede apreciar, se ha finalizado la solución del problema.
Obtener la solución óptima e interpretarla:
* = U$8000 Son las utilidades máximas que se podrían obtener.

* = 200 Se deben comprar 200 acciones tipo A.
* = 500 Se deben comprar 500 acciones tipo B.
* =0 No sobra capital. Se invierten la totalidad del mismo
* =0 Se compran todas las acciones autorizadas.

Como se puede apreciar, esta es una solución óptima única, porque

hay un solo punto óptimo que satisface la solución del problema.
Las variables no básicas , pasaron a ser básicas y que eran

básicas, dejaron de serlo.
Comprobación de la solución:

satisface todas las restricciones.
Restricción 1:
Reemplazando los valores de * = 200 y * = 500, se tiene que:
Capital utilizado en + Capital no utilizado = Capital total

la compra de en la compra de disponible para la
acciones acciones (capital compra de acciones.
sobrante)
+ = U$
+ = U$
Por lo tanto, se hace uso de todo el capital disponible para la compra

de acciones. No sobra capital. Se cumple la restricción.
Restricción 2:
Cantidad de + Cantidad de = Total de acciones

acciones acciones no que han sido
efectivamente compradas autorizadas para la
compradas. compra
+ =
+ =
Por lo tanto, esta restricción también se cumple. Esto significa que se

compran todas las acciones que se establecieron como máximo.
En estos dos ejemplos que se han desarrollado, se observa que al

evaluar las restricciones, no sobran recursos. Pero esto no siempre
ocurre, es decir, una solución óptima no necesariamente utiliza todos
los recursos disponibles.
Toma de decisiones
Como se puede apreciar, se llegó a la conclusión mediante la solución

matemática, de que se deben comprar 200 acciones tipa A y 700
acciones tipo B.
Por supuesto, esta solución está basada en datos presentes y en el

supuesto de que las acciones se podrán vender en el futuro,
obteniendo las utilidades especificadas en el problema.
Comparación del Método simplex y el método gráfico
Teniendo en cuenta que el anterior problema se ha resuelto por los

dos métodos, es interesante hacer algunas comparaciones:
Gráfica 3.38. Solución gráfica del ejemplo del numeral 3.2.2.
Se aprecia que la región factible tiene 4 vértices, los cuales se

identifican en la siguiente gráfica:
Gráfica 3.39. Región Factible
En cada uno de estos vértices, se obtiene una solución, teniendo la

solución óptima en el vértice C, donde se producen las mayores
utilidades.
VÉRTICE Valor Iteración
de Z
A 0 0 50000 700 0 0
B 0 625 0 75 7500 1
C 200 500 0 0 8000 2
Es interesante ver como el método simplex, requirió de dos

iteraciones para llegar a la solución óptima.
La iteración (0) corresponde al punto de origen en la gráfica, donde

, son iguales a cero y las variables de holgura
, con Z=0. Esta es la solución básica inicial.
Luego en la segunda iteración, se desplaza al vértice B, donde
gráficamente también se puede verificar que , con un
valor de Z=u$7500. Finalmente, en la segunda iteración, la solución
se desplaza al vértice C donde se encuentra el óptimo con
, con un Z=u$8000 y iguales a cero.
La trayectoria que sigue el método simplex es:
A B C
Iteración 1 iteración 2
Aunque podría haber otra iteración para el punto D, no se requeriría,

porque no es punto óptimo.
3.2.1.3. EJEMPLO 3. PROBLEMA DE PRODUCCION (solución múltiple)
Un fabricante de muebles produce dos tipos de sillas: Europeas y

Americanas. Cada modelo de las sillas europeas requiere de 4 horas
de preparación de la madera, 4 horas de lijado y 3 horas de
barnizado; mientras que la silla de americana requiere de6 horas de
preparación de la madera, 3 de lijado y 4 horas de barnizado. La
utilidad que se obtiene por la venta de cada silla de tipo europeo es
de $20000 y por cada modelo de la silla americana es de $15000.
Actualmente, hay una disponibilidad de 72 horas diarias de

preparación de madera, 48 horas para el lijado y 60 horas para el
barnizado. De igual manera se debe tener en cuenta que por razones
del mercado, no se venderán más de 9 sillas europeas al día.
Conforme a la anterior información, cuál es la producción que
maximiza las utilidades. Resolver por el método gráfico.
Planteamiento del modelo matemático

Construimos una tabla con los datos del enunciado.
Tipo de Sillas Disponibilidad de

Operación Silla Europea Silla Americana tiempo (Horas)
Preparación (horas) 4 6 72
Lijado (horas) 4 3 48
Barnizado (horas) 3 4 60
Utilidad (U$) 20000 15000
Demanda de sillas Máximo 9
: Cantidad de sillas estilo europeo a fabricar diariamente.

: Cantidad de sillas estilo americano a fabricar diariamente.
El modelo matemático de programación lineal completo, queda de la

siguiente manera:
Con sus restricciones:
, Horas de preparación de la madera máxima.
, Cantidad máxima de horas de lijado disponibles.
, Cantidad máxima de horas de barnizado disponibles.
Demanda máxima de sillas diarias estilo europeo. Se

venderán máximo 9 sillas.
No olvide la restricción de rango o no negatividad.
Restricción de rango. Esto significa que el valor mínimo

que podría asumir la variable es = 0.
Se deberán agregar variables de holguras a las restricciones de tipo

menor o igual, tal como sigue:
Demanda máxima de sillas diarias estilo europeo.
Restricción de no negatividad.
Donde:
Cantidad de horas de preparación de madera que sobran al final.

Cantidad de horas de lijado que sobran al final.
Cantidad de horas de barnizado que sobran al final.
Cantidad de sillas diarias por debajo de la demanda máxima.
Recuerde que los valores de las variables de holgura van cambiando

a medida que se va desarrollando el método simplex, pero en
general, se interpretan es al final.

X1 X2 H1 H2 H3 H4
VB (Base) Cj 20000 15000 0 0 0 0 bj
H1 0 4 6 1 0 0 0 72
H2 0 4 3 0 1 0 0 48
H3 0 3 4 0 0 1 0 60
H4 0 1 0 0 0 0 1 9
Zj 0 0 0 0 0 0 0
Cj - Zj 20000 15000 0 0
Revise el procedimiento indicado en el ejemplo 1. Observe que

simplemente se ubican los coeficientes en el tablero. Tenga presente
que al hacer las operaciones, los valores de , en el tablero inicial
son ceros y los , son los mismos coeficientes de la función
objetivo.
Variable que
entra a la base
X1 X2 H1 H2 H3 H4
VB (Base) Cj 20000 15000 0 0 0 0 bj bj/ ai1
H1 0 4 6 1 0 0 0 72 72/4=18 F1
H2 0 4 3 0 1 0 0 48 48/4=12 F2
H3 0 3 4 0 0 1 0 60 60/3=20 F3
Variable que
sale de la base H4 0 1 0 0 0 0 1 9 9/1=9 F4
Zj 0 0 0 0 0
Cj - Z j 20000 15000 0 0
La variable que sale es , ya que es la que más aporta a la función

objetivo, es decir, cada silla estilo europeo genera una utilidad de
$20000.
Ahora, la variable que debe salir de la base es porque es la que

más restringe el crecimiento de la función objetivo.

forma básica:
En este caso, el elemento pivote, ya tiene este valor, por lo tanto, la

fila 4, se convierte en la fila 8, sin necesidad de hacer ningún cambio.
Para llevar los demás elementos de la columna pivote a cero,

entonces se hacen las siguientes operaciones:
F5= F8 x (-4) + F1
F6= F8 x (-4) + F2
F7= F8 x (-3) + F3
De igual manera se calculan los Zj y los .
Finalmente se tiene el tablero 2, en el cual se puede observar que el

valor de Z mejoró pasando de Z=0 a Z=$180000.
También al revisar la fila de Cj – Zj, se concluye que el problema no

se ha finalizado, por tanto, se procede a definir la variable de entrada
y la variable de salida de la base.
Variable que
entra a la base
X1 X2 H1 H2 H3 H4
VB
Cj 20000 15000 0 0 0 0 bj bj/ ai2
(Base)
H1 0 0 6 1 0 0 -4 36 36/6=6 F5
Variable que H2 0 0 3 0 1 0 -4 12 12/3=4 F6
sale de la base
H3 0 0 4 0 0 1 -3 33 33/4=8.25 F7
X1 20000 1 0 0 0 0 1 9 9/0=ind F8
Zj 20000 0 0 0 0 20000 180000
Cj - Zj 0 15000 0 0 0 -20000

forma básica:
Para construir el tablero 3, se llevan a cabo las siguientes

operaciones:
F10= F6 x (1/3)
F9= F10 x (-6) + F5

F11= F10 x (-4) + F7
F12= F8
El tablero 3 queda así:
X1 X2 H1 H2 H3 H4
VB
Cj 20000 15000 0 0 0 0 bj
(Base)
H1 0 0 0 1 -2 0 4 12 F9
X2 0 0 1 0 1/3 0 -4/3 4 F10
H3 0 0 0 0 -4/3 1 7/3 17 F11
X1 20000 1 0 0 0 0 1 9 F12
Zj 20000 15000 0 5000 0 0 240000
Cj - Zj 0 0 0 -5000 0 0

a cero.
Cj – Zj 0 0 0 -5000 0 0
Obtener la solución óptima e interpretarla

* = $240000 Son las utilidades máximas que se podrían obtener.
* =9 Se deben fabricar 9 sillas estilo europeo.
* =4 Se deben fabricar 4 sillas estilo americano.
* = 12 Cantidad de horas de preparación de madera que
sobran al final.
*=0 Cantidad de horas de lijado que sobran al final.
* = 17 Cantidad de horas de barnizado que sobran al final.
*=0 Cantidad de sillas diarias por debajo de la demanda
máxima.
Comprobación de la solución

satisfaga todas las restricciones.
Primera restricción:
Horas de preparación + Horas de preparación = Total de horas de

de la madera de la madera no preparación de la
utilizadas utilizadas (horas madera disponibles.
sobrantes)
+ =
+ =
Significa entonces, que se utilizan 60 horas de las 72 disponibles de

preparación de madera, por lo tanto, se cumple la restricción.
Segunda restricción:
Horas de lijado + Horas de lijado no = Total de horas de

utilizadas utilizadas (horas lijado disponibles.
sobrantes)
+ =
+ =
Se están utilizando todas las horas de lijado disponible. No sobra

ninguna. Se está cumpliendo la restricción.
Tercera restricción:
Horas de barnizado + Horas de barnizado = Total de horas de

no utilizadas (horas barnizado madera
sobrantes) disponibles.
+ =
+ =
Quiere decir que no se está utilizando todas las horas de barnizado

disponibles. Están sobrando 17 horas. Se está cumpliendo la
restricción porque efectivamente 43 es menor a 60.
Cuarta restricción:
Sillas estilo europeo a + Cantidad de sillas estilo = Demanda diaria

fabricar diariamente europeo por debajo de máxima de sillas
la demanda estilo europeo
+ =
+ =
Por supuesto, * = 9. Esto quiere decir que se satisface la demanda

máxima de 9 sillas estilo europeo diariamente.
Lo anterior, significa que se cumplen todas las restricciones
Aunque hasta aquí se ha obtenido la solución óptima y se ha

comprobado que cumple todas las restricciones, este problema tiene
una característica particular y es que tiene solución múltiple.
Un problema de programación lineal tiene solución óptima múltiple

cuando, además de las variables básicas, hay por lo menos uno
variable no básica que tiene valor de cero en la fila .
Según esto, revisando dicha fila, se puede observar que

efectivamente la variable , que no es básica (no quedó en la base)
tiene el valor de cero en la fila .
X1 X2 H1 H2 H3 H4
VB
Cj 20000 15000 0 0 0 0 bj
(Base)
H1 0 0 0 1 -2 0 4 12 F9
X2 0 0 1 0 1/3 0 -4/3 4 F10

H3 0 0 0 0 -4/3 1 7/3 17 F11
X1 20000 1 0 0 0 0 1 9 F12
Zj 20000 15000 0 5000 0 0 240000
Cj - Zj 0 0 0 -5000 0 0
Desde luego, esto significa que tiene otra solución que podemos
hallar. Para ello, se hace una iteración adicional forzando a entrar a la
base a y sacando la variable correspondiente según la regla.
Variable que
entra a la base
X1 X2 H1 H2 H3 H4
VB
Cj 20000 15000 0 0 0 0 bj bj/ ai4
(Base)
Variable que
sale de la base H1 0 0 0 1 -2 0 4 12 12/4=3 F9
-
X2 0 0 1 0 1/3 0 4 4/-(4/3)=-3 F10
4/3
H3 0 0 0 0 -4/3 1 7/3 17 17/(7/3)=51/17 F11
X1 20000 1 0 0 0 0 1 9 9/1=9 F12
Zj 20000 15000 0 5000 0 0 240000

Cj - Zj 0 0 0 -5000 0 0
El nuevo tablero simplex 4 queda como se presenta a continuación:

X1 X2 H1 H2 H3 H4
VB
Cj 20000 15000 0 0 0 0 bj
(Base)
H4 0 0 0 1/4 - 1/2 0 1 3
F13
X2 15000 0 1 1/3 - 1/3 0 0 8
F14
H3 0 0 0 - 4/7 - 1/6 1 0 10
F15
X1 20000 1 0 - 1/4 1/2 0 0 6
F16
Zj 20000 15000 0 5000 0 0 240000

Cj - Zj 0 0 0 -5000 0 0
Fíjese que el valor óptimo de Z permanece igual, pero varían los

valores de las variables. Conforme a lo anterior, la solución óptima
es:

* =6 Se deben fabricar 6 sillas estilo europeo.
* =8 Se deben fabricar 8 sillas estilo americano.
*=0 Cantidad de horas de preparación de madera que
sobran al final.
*=0 Cantidad de horas de lijado que sobran al final.
* = 10 Cantidad de horas de barnizado que sobran al final.
*=3 Cantidad de sillas diarias por debajo de la demanda
máxima.

Horas de preparación + Horas de preparación = Total de horas de

de la madera de la madera no preparación de la
utilizadas utilizadas (horas madera disponibles.
sobrantes)
+ =
+ =
Significa entonces, que se utilizan las 72 disponibles de preparación
de madera, por lo tanto, se cumple la restricción.
Horas de lijado + Horas de lijado no = Total de horas de

utilizadas utilizadas (horas lijado disponibles.
sobrantes)
+ =
+ =
Se están utilizando todas las horas de lijado disponible. No sobra

ninguna. Se está cumpliendo la restricción.
Horas de barnizado + Horas de barnizado = Total de horas de

no utilizadas (horas barnizado madera
sobrantes) disponibles.
+ =
+ =
Quiere decir que no se está utilizando todas las horas de barnizado

disponibles. Están sobrando 10 horas. Se está cumpliendo la
restricción porque efectivamente 50 es menor a 60.
Reemplazando los valores de *=6 y *=8, se tiene que:
Sillas estilo europeo a + Cantidad de sillas estilo = Demanda diaria

fabricar diariamente europeo por debajo de máxima de sillas
la demanda estilo europeo
+ =
+ =
Por supuesto, * = 6. Se cumple la restricción, porque máximo se

venderán 9, es decir, no se pueden producir más de 9.
Lo anterior, significa que se cumplen todas las restricciones y las dos

soluciones obtenidas son óptimas.
3.2.1.4. Ejemplo 4: PROBLEMA DE PRODUCCIÓN (Solución única – Aplicación
del método de la gran M)
Una talabartería, se dedica a la fabricación de maletines y morrales,

cada uno de los cuales, requiere de un trabajo de mano de obra
relacionada con el corte y la confección. El maletín, requiere de 16
minutos de corte y 24 de minutos de confección, mientras que el
morral requiere de 24 minutos de corte y 30 minutos de confección.
La talabartería dispone de mínimo de 8 horas diarias para corte y
mínimo 8 horas para la confección.
Se sabe que un maletín produce una utilidad de $15000 pesos y un

morral de $10000 pesos. De igual forma, por estudios de mercado, se
ha determinado que se venderán máximo 15 maletines y como
máximo 20 morrales. ¿Cuál será el plan de producción diario con el
fin de maximizar las utilidades?
Organizar la información:

Tipo de Producto Disponibilidad de

Operación Maletín Morral tiempo (minutos)
Corte (minutos) 16 24 Mínimo 480
Confección (minutos) 24 30 Mínimo 480
Utilidad ($) 15000 10000
Demanda Máximo 15 Máximo 20
Observa que las unidades fueron unificadas, es decir, las horas se

pasaron a minutos.
: Cantidad de maletines a fabricar diariamente.

: Cantidad de morrales a fabricar diariamente.
siguiente manera:
, Cantidad mínima de minutos disponibles diariamente

para la operación de corte.

para la operación de confección.
, demanda máxima de maletines diariamente.
demanda máxima de morrales diariamente.
Se deberán agregar variables de holguras y exceso a las restricciones

de tipo menor o igual, tal como sigue:
, Cantidad mínima de minutos disponibles

diariamente para la operación de corte.

diariamente para la operación de confección.
Observe que en el modelo se tienen restricciones de tipo mayor o

igual ( . En este tipo de restricciones, no se suma una variable de
holgura, sino que se resta una variable de exceso o superávit con
el fin de convertir la desigualdad en igualdad. Si se deja de esta
forma, verifique lo que sucede con la solución básica inicial:
Solucione básica inicial
0 0 0 -480 -480 15 20
Note que las variables , son negativas, lo cual no cumple la

restricción de no negatividad, por lo tanto, no es una solución
factible. Para encontrar una solución básica factible en términos de
las variables de holgura ( ), se involucran variables artificiales
que simplemente son un artificio matemático. Estas variables no
representan ningún un valor real dentro del problema.
De esta manera, el modelo estandarizado que tal como sigue:


Fíjese que en la función objetivo se agregaron las expresiones

, esto con el fin de eliminar en el proceso de iteración
estas variables. La letra , representa un coeficiente de utilidad muy
grande pero negativo.
Nota: Colocar – , en la función objetivo es lo que se conoce como

“penalización” o “método de la gran M”.
Nota: Cuando la restricción es de tipo igual (=), es decir, una

igualdad, se agrega únicamente una variable artificial en el proceso
de estandarizar el modelo.
Se sigue el mismo procedimiento indicado en los ejemplos anteriores.

La diferencia es que las variables que forman la base son las
variables de holgura y las variables artificiales. Simplemente es
ubicar los valores tal que aparecen en el modelo estándar, con sus
respectivos coeficientes.
X1 X2 S1 A1 S2 A2 H1 H2
VB (Base) Cj 15000 10000 0 -M 0 -M 0 0 bj
A1 -M 16 24 -1 1 0 0 0 0 480
A2 -M 24 30 0 0 -1 1 0 0 480
H1 0 1 0 0 0 0 0 1 0 15
H2 0 0 1 0 0 0 0 0 1 20
Zj -40M -54M M -M M -M 0 0 -960M
Cj - Zj 15000+40M 10000+54M -M 0 -M 0 0 0
X1 X2 S1 A1 S2 A2 H1 H2
VB (Base) Cj 15000 10000 0 -M 0 -M 0 0 bj bj/ ai2
A1 -M 16 24 -1 1 0 0 0 0 480 480/24=20 F1
A2 -M 24 30 0 0 -1 1 0 0 480 480/30=16 F2
H1 0 1 0 0 0 0 0 1 0 15 15/0=ind F3
H2 0 0 1 0 0 0 0 0 1 20 20/1=20 F4
Zj -40M -54M M -M M -M 0 0 -960M
Cj - Zj 15000+40M 10000+54M -M 0 -M 0 0 0
Observe que la variable que entra a la base es y la que sale es .

Esto es correcto porque lo que se pretende es eliminar la variable
artificial de la base. Al salir de la base , ya no es necesaria
considerarla en el próximo tablero.
Haciendo los respectivos cálculos el tablero 2 queda así:
X1 X2 S1 A1 S2 H1 H2
VB
(Base)
Cj 15000 10000 0 -M 0 0 0 bj bj/ ai5
A1 -M -16/5 0 -1 1 4/5 0 0 96 96/(4/5)=120 F5
16/(-1/30)=-
X2 10000 4/5 1 0 0 -1/30 0 0 16 F6
480
H1 0 1 0 0 0 0 1 0 15 15/0=ind F7
H2 0 -4/5 0 0 0 1/30 0 1 4 4/(1/30)=120 F8

(-4/5)M-
Zj 8000+(16/5)M 10000 M -M 0 0 -96M+160000
1000/3
Cj - Zj 7000-(16/5)M 0 -M 0 (4/5)M+1000/3 0 0
La variable que entra es S2 y la que sale es A1. Por lo tanto, esta

variable artificial se puede retirar del tablero. Haciendo los
respectivos cálculos el tablero 3 queda así:
X1 X2 S1 S2 H1 H2
VB
(Base)
Cj 15000 10000 0 0 0 0 bj bj/ ai1
S2 0 -4 0 -5/4 1 0 0 120 120/-4=-30 F9
X2 10000 2/3 1 -1/24 0 0 0 20 20/(10/15)=30 F10
H1 0 1 0 0 0 1 0 15 15/1=15 F11
H2 0 -2/3 0 1/24 0 0 1 0 0/(-10/15)=0 F12

Zj 20000/3 10000 -1250/3 0 0 0 200000
Cj - Zj 25000/3 0 1250/3 0 0 0
Cuarto tablero – Tercera iteración.
La variable que entra es X1 y la que sale es H1. Haciendo los

X1 X2 S1 S2 H1 H2
VB
(Base)
Cj 15000 10000 0 0 0 0 bj bj/ ai1
180/(-5/4)=-
S2 0 0 0 -5/4 1 4 0 180 F13
144
10/(-1/24)=-
X2 10000 0 1 -1/24 0 -2/3 0 10 F14
240
X1 15000 1 0 0 0 1 0 15 15/0=ind. F15
H2 0 0 0 1/24 0 2/3 1 10 10/(1/24)=240 F16
Zj 15000 10000 -1250/3 25000/3 325000
Cj - Zj 0 0 1250/3 0 -25000/3 0
Quinto tablero – Cuarta iteración.

La variable que entra es S1 y la que sale es H2. Haciendo los
X1 X2 S1 S2 H1 H2
VB
Cj 15000 10000 0 0 0 0 bj
(Base)
S2 0 0 0 -5/4 1 24 30 480 F17
X2 10000 0 1 0 0 0 1 20 F18
X1 15000 1 0 0 0 1 0 15 F19
S1 0 0 0 1 0 16 24 240 F20
Zj 15000 10000 0 0 15000 10000 425000
Cj - Zj 0 0 0 0 -15000 -10000

a cero.
Cj - Zj 0 0 0 0 -15000 -10000

* = 15 Se deben fabricar 15 maletines diariamente.
* = 20 Se deben fabricar 20 morrales diariamente.
* = 240 Se utilizan 240 minutos por encima de los 480 de referencia.
* = 480 Se emplean 480 minutos por encima de los 480 indicados.
*=0 Se satisface la demanda máxima de maletines diariamente.
*=0 Se satisface la demanda máxima de morrales diariamente.

Cantidad de minutos + Cantidad de minutos = Total minutos mínimos

dedicados a la empleados en exceso disponibles para la
operación de corte. en la operación de corte operación de corte
+ =
+ =
Significa entonces, que se utilizan 240 minutos más de los que se

plantearon como referencia (480). Se cumple la restricción.
Cantidad de minutos + Cantidad de minutos = Total minutos mínimos

dedicados a la empleados en exceso disponibles para la
operación de en la operación de operación de
confección. confección confección
+ =
+ =
Significa, que se utilizan 480 minutos más de los que se plantearon

como referencia (480). Se cumple la restricción.

Cantidad de maletines + Cantidad de = Demanda máxima de
fabricados maletines por debajo maletines
diariamente. de la demanda diariamente.
+ = 15
+ =
Quiere decir que se satisface la demanda máxima de maletines

diariamente. Se está cumpliendo la restricción.
Cantidad de morrales + Cantidad de morrales = Demanda máxima

fabricados por debajo de la de morrales
diariamente. demanda diariamente.
+ = 20
20 + =
Quiere decir que se satisface la demanda máxima de morrales

diariamente. Se está cumpliendo la restricción.
Lo anterior, significa que se cumplen todas las restricciones
3.2.1.5 Ejemplo 5: PROBLEMA DE PRODUCCIÓN (Solución no acotada)
Modificando el problema anterior en la última restricción, haciendo

que la demanda de morrales no sea la máxima sino como mínimo 20
morrales diariamente, se tiene el siguiente desarrollo.
Organizar la información:


Tipo de Producto Disponibilidad de
Operación Maletín Morral tiempo (minutos)
Corte (minutos) 16 24 Mínimo 480
Confección (minutos) 24 30 Mínimo 480
Utilidad ($) 15000 10000
Demanda Máximo 15 Mínimo 20
Observe que las unidades fueron unificadas, es decir, las horas se

pasaron a minutos.


siguiente manera:


demanda mínima de morrales diariamente.
Se deberán agregar variables de holguras y exceso a las restricciones

de tipo menor o igual, tal como sigue:
.


Solucione básica inicial
0 0 0 -480 -480 15 -20
Note que las variables , son negativas, lo cual no cumple la

restricción de no negatividad, por lo tanto, no es una solución
factible. Para encontrar una solución básica factible en términos de
las variable de holgura ( ), se involucran variables artificiales
que simplemente son un artificio matemático. Estas variables no
representan ningún un valor real dentro del problema.
De esta manera, el modelo estandarizado que tal como sigue:


Fíjese que en la función objetivo se agregaron las expresiones

variables de holgura y las variables artificiales. Simplemente es
ubicar los valores tal que aparecen en el modelo estándar, con sus
respectivos coeficientes.
X1 X2 S1 A1 S2 A2 H1 S3 A3
VB (Base) Cj 15000 10000 0 -M 0 -M 0 0 -M bj
A1 -M 16 24 -1 1 0 0 0 0 0 480
A2 -M 24 30 0 0 -1 1 0 0 0 480
H1 0 1 0 0 0 0 0 1 0 0 15
A3 -M 0 1 0 0 0 0 0 -1 1 20
Zj -40M -55M M -M M -M 0 M -M -980M
Cj - Zj 15000+40M 10000+55M -M 0 -M 0 0 -M 0
X1 X2 S1 A1 S2 A2 H1 S3 A3
VB (Base) Cj 15000 10000 0 -M 0 -M 0 0 -M bj bj/ ai2
A1 -M 16 24 -1 1 0 0 0 0 0 480 480/24=20 F1
A2 -M 24 30 0 0 -1 1 0 0 0 480 480/30=16 F2
H1 0 1 0 0 0 0 0 1 0 0 15 15/0=ind F3
A3 -M 0 1 0 0 0 0 0 -1 1 20 20/1=20 F4
Zj -40M -55M M -M M -M 0 M -M -980M
Cj - Zj 15000+40M 10000+55M -M 0 -M 0 0 -M 0

Esto es correcto porque lo que se pretende es eliminar la variable
artificial de la base. Al salir de la base , ya no es necesaria
considerarla en el próximo tablero.

X1 X2 S1 A1 S2 H1 S3 A3
VB
(Base)
Cj 15000 10000 0 -M 0 0 0 -M bj bj/ ai5
A1 -M -16/5 0 -1 1 4/5 0 0 0 96 96/(4/5)=120 F5
16/(-1/30)=-
X2 10000 4/5 1 0 0 -1/30 0 0 0 16 F6
480
H1 0 1 0 0 0 0 1 0 0 15 15/0=ind F7
A3 -M -4/5 0 0 0 1/30 0 -1 1 4 4/(1/30)=120 F8

(-5/6)M-
Zj 4M+8000 10000 M -M 0 M -M 160000-100M
1000/3
Cj - Zj -4M+7000 0 -M 0 (5/6)M+1000/3 0 -M 0
La variable que entra es S2 y la que sale es A1. Por lo tanto, esta

variable artificial se puede retirar del tablero. Haciendo los
X1 X2 S1 S2 H1 S3 A3
VB
(Base)
Cj 15000 10000 0 0 0 0 -M bj bj/ ai1
S2 0 -4 0 -5/4 1 0 0 0 120 120/(-5/4)=-96 F9
20/(-1/24)=-
X2 10000 2/3 1 -1/24 0 0 0 0 20 F10
480
H1 0 1 0 0 0 1 0 0 15 15/0=ind F11
A3 -M -2/3 0 1/24 0 0 -1 1 0 0/(1/24)=0 F12
Zj (20000/3)+(2/3)M 10000 (-1250/3)-(1/24)M 0 0 M -M 200000

(-25000/3)-
Cj - Zj (2/3)M
0 (1250/3)+(1/24)M 0 0 -M 0
Cuarto tablero – Tercera iteración.

La variable que entra es S1 y la que sale es A3. Haciendo los
X1 X2 S1 S2 H1 S3
VB
(Base)
Cj 15000 10000 0 0 0 0 bj bj/ ai1
S2 0 -24 0 0 1 0 -5/4 120 120/(-24)=-5 F13
X2 10000 0 1 0 0 0 -1 20 20/0=ind F14
H1 0 1 0 0 0 1 0 15 15/1=15 F15
S1 0 -16 0 1 0 0 -24 0 0/(-16)=0 F16
Zj 0 10000 0 0 0 -10000 200000
Cj - Zj 15000 0 0 0 0 10000
Quinto tablero – Cuarta iteración.
La variable que entra es X1 y la que sale es S2. Haciendo los

X1 X2 S1 S2 H1 S3
VB
(Base)
Cj 15000 10000 0 0 0 0 bj bj/ ai1
S2 0 0 0 0 1 24 -5/4 480 480/(-5/4)=-384 F13
X2 10000 0 1 0 0 0 -1 20 20/-1=-20 F14
X1 15000 1 0 0 0 1 0 15 15/0=ind F15

S1 0 -16 0 1 0 0 -24 240 240/-24=-10 F16
Zj 15000 10000 0 0 15000 -10000 425000
Cj - Zj 0 0 0 0 -15000 10000

a cero.
Cj - Zj 0 0 0 0 -15000 10000
Como se puede apreciar, el problema no ha finalizado, porque hay un

valor positivo en la fila Cj - Zj. Esto significa que la variable de
entrada a la base es S3, pero al tratar de establecer la variable de
salida no se tiene, por lo tanto, el problema tiene solución no
acotada.
La solución gráfica de este problema que se realizó anteriormente se

puede observar a continuación:
Como se puede apreciar la restricción , el área que limita, se
encuentra en dirección hacia el origen y en todas las demás
restricciones, el área se desplaza en dirección contraria al origen.
Conforme a esto, el área que se intercepta o región factible,
corresponde a la que está sombreada de color zapote. Esta área se
desplaza infinitamente hacia arriba entre el eje de y la recta
.
De acuerdo a esto, se concluye que el problema tiene una solución

ilimitada o no acotada. Esta solución está dada por el hecho de que
podría tomar cualquier valor mayor o igual a 20 morrales y podría
tomar un valor máximo de 15.
Gráfica 3.40. Solución gráfica no acotada
En conclusión, una solución no acotada se presenta cuando se tiene

variable de entrada a la base pero no hay variable de salida
3.2.1.6 PROBLEMA DE PRODUCCIÓN (Solución infactible)
Tomando el ejemplo anterior, pero en este caso, variando la

disponibilidad de horas, no como valores mínimos sino como
máximos y la demanda de morrales mayor o igual a 22.
El modelo matemático queda de la siguiente forma:
, Cantidad máxima de minutos disponibles diariamente

, Cantidad máxima de minutos disponibles diariamente


El modelo estandarizado es:
, Cantidad máxima de minutos disponibles

, Cantidad máxima de minutos disponibles


variables de holgura y la variable artificia. Simplemente es ubicar los
valores tal que aparecen en el modelo estándar, con sus respectivos
coeficientes.
X1 X2 H1 H2 H3 S1 A1
VB (Base) Cj 15000 10000 0 0 0 0 -M bj
H1 0 16 24 1 0 0 0 0 480
H2 0 24 30 0 1 0 0 0 480
H3 0 1 0 0 0 1 0 0 15
A1 -M 0 1 0 0 0 -1 1 22
Zj 0 -M 0 0 0 M -M -22M
Cj - Zj 15000 10000+M 0 0 0 -M 0
X1 X2 H1 H2 H3 S1 A1
VB (Base) Cj 15000 10000 0 0 0 0 -M bj bj/ ai2
H1 0 16 24 1 0 0 0 0 480 480/24=20 F1
H2 0 24 30 0 1 0 0 0 480 480/30=16 F2
H3 0 1 0 0 0 1 0 0 15 15/0=ind F3
A1 -M 0 1 0 0 0 -1 1 22 22/1=22 F4
Zj 0 -M 0 0 0 M -M -22M
Cj - Zj 15000 10000+M 0 0 0 -M 0

X1 X2 H1 H2 H3 S1 A1
VB (Base) Cj 15000 10000 0 0 0 0 -M bj
H1 0 -16/5 0 1 -4/5 0 0 0 96 F5
X2 10000 4/5 1 0 1/30 0 0 0 16 F6
H3 0 1 0 0 0 1 0 0 15 F7
A1 -M -4/5 0 0 -1 0 -1 1 6 F8
Zj 8000+(4/5)M 10000 0 (1000/3)+M 0 M -M 160000-6M
Cj - Zj 7000-(4/5)M 0 0 -(1000/3)-M 0 -M 0

a cero.
Cj - Zj 7000-(4/5)M 0 0 -(1000/3)-M 0 -M 0
Note que se cumple la condición de finalización del problema, pero no

es una solución factible, porque quedó en la base la variable artificial,
por ello el problema es infactible.
Gráficamente, se puede observar esta situación:
Gráfica 3.41. Áreas limitada por las restricciones sin región factible.
Observe entonces en la gráfica, que no hay una zona común o región
factible, ni siquiera un punto común que satisfaga todas las
restricciones, por lo tanto, es una solución infactible (no hay solución
real). Conforme a esto, no es necesario graficar la función objetivo.
En términos prácticos, se puede decir que la empresa se

comprometió a vender como mínimo (demanda mínima) 22 morrales,
pero con los recursos que tiene actualmente, no está en capacidad de
satisfacer esta restricción. En este sentido, para poder cumplir esta
restricción, se requiere aumentar los recursos que tienen la
talabartería.
En conclusión, una solución infactible se presenta cuando se

cumplen los criterios de finalización del problema, pero queda
en la base al menos una variable artificial.
3.2.2 PROBLEMAS DE MINIMIZACIÓN
Recuerde lo que se planteó en la unidad 2.
Maximizar una función, es equivalente a minimizar esa misma función

pero con signo negativo y viceversa, minimizar una función, es
equivalente a maximizar esa misma función pero con signo negativo.
a) , es equivalente a
b) , es equivalente a
Con un ejemplo específico se tiene:
a) , es equivalente a
b) , es equivalente a MAX
Por ello, si tiene un problema de minimización, basta con llevarlo a la

forma de maximización, multiplicando por (-1) la función objetivo y
resolver siguiendo los pasos establecidos en el método simplex.
EJEMPLO 1
Suponga que una dieta normal de un deportista, requiere cuando
menos 6000 calorías y cuando menos 200 gramos de proteínas
diariamente. Asuma que para dicha dieta se cuenta con dos
alimentos: pan y queso. Cada uno de estos alimentos aporta calorías
y proteínas en diferentes proporciones. Un kilo de pan aporta 1500
calorías y 50 gramos de proteína. Un kilo de queso aporta 2000
calorías y 200 gramos de proteínas. De igual manera, hay que tener
en cuenta que un kilo de pan cuesta $3000 y un kilo de queso vale
$5000.
De acuerdo con esta información, cuál es la cantidad de pan y queso

que se deberá comprar para satisfacer los requerimientos de la dieta
normal, gastando la menor cantidad de dinero posible.
El modelo matemático queda de la siguiente forma:
, requerimientos mínimos de calorías diarias.
, cantidad mínima de gramos de proteínas presentes en la

dieta.
Restricción de rango o no negatividad.
: Cantidad de kilogramos de pan a comprar.

: Cantidad de kilogramos de queso a comprar.
El modelo estandarizado es:
, requerimientos mínimos de calorías diarias.
, cantidad mínima de gramos de proteínas en la dieta.
, Restricción de rango o no negatividad.

Observe Que la función objetivo se multiplicó por (-1) para poder
llevarla a maximización.
X1 X2 S1 A1 S2 A2
VB (Base) Cj -3000 -5000 0 -M 0 -M bj
A1 -M 1500 2000 -1 1 0 0 6000
A2 -M 50 200 0 0 -1 1 200
Zj -1550M -2200M M -M M -M -6200M
Cj - Zj -3000+1550M -5000+2200M -M M -M M
X1 X2 S1 A1 S2 A2
VB (Base) Cj -3000 -5000 0 -M 0 -M bj bj/ai2
A1 -M 1500 2000 -1 1 0 0 6000 6000/2000=3 F1
200/200=1
A2 -M 50 200 0 0 -1 1 200 F2
- -
Zj -1550M -2200M M M -6200M
M M
Cj - Zj -3000+1550M -5000+2200M -M 0 -M 0
El Tablero 2 queda de la siguiente forma:
X1 X2 S1 A1 S2
VB (Base) Cj -3000 -5000 0 -M 0 bj bj/ai2
A1 -M 1000 0 -1 1 10 4000 4000/1000=4 F3
X2 -5000 1/4 1 0 0 -1/200 1 1/(1/4)=4 F4

-5000-
Zj -1250-1000M -5000 M -M 250+10M 4000M
-1250-4M
Cj - Zj -1750+1000M 0 -M 0 -250-M
El tablero no ha terminado, entonces, se procede con la siguiente
iteración. La variable que entra a la base es y la que sale es .
X1 X2 S1 S2
VB (Base) Cj -3000 -5000 0 0 bj
X1 -3000 1 0 -1/1000 1/100 4 F5
X2 -5000 0 1 1/4000 -3/400 0 F6
Zj -3000 -5000 7/4 7.5 -12000
Cj - Zj 0 0 -7/4 -7.5

a cero.
Cj - Zj 0 0 -7/4 -7.5
Note que se cumple la condición de finalización del problema, por lo

tanto la solución óptima es:
* = $12000 Son las costos en los que se incurre para la

dieta diaria.
* =4 Se deben comprar 4 kilogramos de pan.
* =0 No se debe comprar queso.
Recuerde que la solución es (-w)=-12000, es decir: * = $12000
Gráficamente, se puede observar esta situación:

Gráfica 3.40. Solución óptima problema de minimización.
Observe que la línea definitiva de la función objetivo (color azul), el

primer punto que toca de la Región Factible (Área sombreada de color
zapote) es el punto (4,0). Este es el punto óptimo.
Evaluar el punto óptimo:
Evaluando la función objetivo en este punto, se obtiene el siguiente

valor de Z.
(Minimizar costos).
* = $12000 Son las costos en los que se incurre para la

dieta diaria.
* =4 Se deben comprar 4 kilogramos de pan.
* =0 No se debe comprar queso.
3.3 Dualidad.
El problema dual resulta cuando se obtiene la matriz transpuesta del

problema primal (problema original). En general, es suficiente con
resolver uno de los dos problemas, porque a partir de la solución de
final de cualquiera de ellos, se puede obtener la respuesta de cada
una de las variables, incluyen la interpretación económica relacionada
con el problema.
EJEMPLO 1: PROBLEMA DE PRODUCCIÓN
Suponga que se tiene el siguiente modelo matemático de

programación lineal:
PROBLEMA PRIMAL

: Cantidad de sillas estilo europeo a fabricar diariamente.

: Cantidad de sillas estilo americano a fabricar diariamente.
El problema dual del anterior modelo es el siguiente:

PROBLEMA DUAL
,
,
Observe entonces lo siguiente:
Las variables de decisión en el dual ; representan cada

una de las cuatro restricciones que aparecen en el primal. De
acuerdo a esto estas variables significan:
Lo que cuesta una hora adicional de preparación de madera.

Costo de una hora adicional de lijado
Costo de una hora adiciona de barnizado
Costo de superar en una unidad la demanda máxima.
Solución del Problema Dual
El modelo dual que se acaba de obtener se reescribe multiplicando

por (-1) la función objetivo para resolverlo como un problema de
maximización. Revise lo que se acabó de explicar en el ítem 3.2.2.
Restricción de rango, no negatividad.
Este problema se puede resolver mediante el método de la gran M,

agregando variables de exceso y artificiales (El lector podrá resolverlo
y verificar los resultados), pero con el fin de conocer y aplicar otro
método, se resolverá con criterios de dual simplex. Esto implica,
multiplicar las restricciones por (-1) para llevarlas a la forma menor o
igual ( ).
- ,
En estas condiciones, para estandarizar el modelo y resolverlo,

simplemente se agregan variables de holgura por restricciones de la
forma menor o igual ( ).
Modelo Estandarizado
- ,
Donde:
Costo (pérdida) que se genera por producir sillas estilo europeo.

Costo (pérdida) que se genera por producir sillas estilo americano
Construcción del Tablero Dual-Simplex

Y1 Y2 Y3 Y4 H1 H2
VB (Base) Cj -72 -48 -60 -9 0 0 bj
H1 0 -4 -4 -3 -1 1 0 -20000
H2 0 -6 -3 -4 0 0 1 -15000
Zj 0 0 0 0 0 0 0
Cj - Zj -72 -48 -60 -9 0 0
En el dual simplex, primero se define la variable que sale de la base y

luego se determina la variable que entra a la base.
Sale de la base la variable que tenga el recurso más negativo y entra

a la base la variable menos positiva que resulta de dividir la fila
entre los coeficientes de la fila que sale (fila pivote), es decir:
Y1 Y2 Y3 Y4 H1 H2
VB (Base) Cj -72 -48 -60 -9 0 0 bj
H1 0 -4 -4 -3 -1 1 0 -20000 F1
H2 0 -6 -3 -4 0 0 1 -15000 F2
Zj 0 0 0 0 0 0 0
Cj - Zj -72 -48 -60 -9 0 0
-72/-4=18 -48/-4)=12 -60/-3=20 -9/-1=9 0 Ind.
Observe que la variable que sale de la base es y entra a la base
El Tablero 2 queda de la siguiente forma:

Y1 Y2 Y3 Y4 H1 H2
VB (Base) Cj -72 -48 -60 -9 0 0 bj
Y4 -9 4 4 3 1 -1 0 20000 F3
H2 0 -6 -3 -4 0 0 1 -15000 F4
Zj -36 -36 -27 -9 9 0 -180000

Cj - Zj -36 -12 -33 0 -9 0
-36/-6=6 -12/-3=4 -33/-4=33/4 ind ind 0
Observe que la variable que sale de la base es y entra a la base
Y1 Y2 Y3 Y4 H1 H2
VB (Base) Cj -72 -48 -60 -9 0 0 bj F5
Y4 -9 -4 0 -7/3 1 -1 4/3 0 F6
Y2 -48 2 1 4/3 0 0 -1/3 5000

Zj -60 -48 -43 -9 9 4 -240000
Cj - Zj -12 0 -17 0 -9 -4
El problema termina cuando todos los valores de la columna son

positivos. Se observa entonces, que efectivamente los valores son
positivos, por consiguiente, el problema ha terminado.
La solución óptima dual es:
*= $240000 Utilidad máxima.
* =0 Lo que cuesta una hora adicional de preparación de la madera.

* = 5000 Lo que cuesta una hora adicional de lijado.
* =0 Costo de una hora adiciona de barnizado
* =0 Costo de incrementar en una unidad la demanda máxima.
* =0 Costo (pérdida) que se genera por producir sillas estilo europeo.
* =0 Costo (pérdida) que se genera por producir sillas estilo americano
Observe que en este tablero final, uno de los valores en la columna

, es igual a cero, lo que indica que el problema tiene solución
múltiple. Entonces, podemos continuar el proceso, forzando a salir de
la base a la variable y entrando la que corresponda, tal como se
Y1 Y2 Y3 Y4 H1 H2
VB (Base) Cj -72 -48 -60 -9 0 0 bj
Y4 -9 -4 0 -7/3 1 -1 4/3 0
Y2 -48 2 1 4/3 0 0 -1/3 5000
Zj -60 -48 -43 -9 9 4 -240000
Cj - Zj -12 0 -17 0 -9 -4
-12/-4=3 Ind. -17/(-7/3)=7.2 0 9 -3
Cuarto tablero – Tercera iteración (Buscando la solución

alterna)
Entonces, la variable que sale es y la que entra es .
El tablero final queda así:
Y1 Y2 Y3 Y4 H1 H2
VB (Base) Cj -72 -48 -60 -9 0 0 bj
Y1 -72 1 0 7/12 -1/4 1/4 -1/3 0 F7
Y2 -48 0 1 1/6 1/2 -1/2 1/3 5000 F8
Zj -72 -48 -50 -6 6 8 -240000

0 0 -10 -3 -6 -8
La solución óptima dual sigue siendo la misma:
*= $240000 Utilidad máxima.
* =0 Lo que cuesta una hora adicional de preparación de la madera.

* = 5000 Lo que cuesta una hora adicional de lijado.
* =0 Costo de una hora adiciona de barnizado
* =0 Costo de incrementar en una unidad la demanda máxima.
* =0 Costo (pérdida) que se genera por producir sillas estilo europeo.
* =0 Costo (pérdida) que se genera por producir sillas estilo americano
La diferencia está en que los valores de la fila cambiaron y
son fundamentales para la comparación con el problema primal.
3.4. Relaciones primal-dual.
Recuerde que el problema dual resulta cuando se obtiene la matriz

transpuesta del problema primal (problema original). Esto se hace
según sea pertinente para resolver el problema de forma más
apropiada o puede ser más simple utilizar resolverlo de esta forma.
En general, es suficiente con resolver uno de los dos problemas,
porque a partir de la solución de final de cualquiera de ellos, se puede
obtener la respuesta de cada una de las variables, incluyen la
interpretación económica relacionada con el problema.
PROBLEMA
METODO
METODO
DUAL -
SIMPLEX
SIMPLEX
Solución Solución
Factible pero óptima pero
no óptima no factible
SOLUCION
OPTIMA Y
FACTIBLE
Gráfica 3.42. Relación método simplex y dual – simplex.
Observe que un problema se puede resolver por el método simplex o

dual simplex, siempre y cuando se den las condiciones para ello. De
todas formas, el objetivo en ambos casos es hallar una solución
óptima y factible.
A continuación se puede apreciar el mismo problema, planteado en la
forma primal y la dual.
PROBLEMA PRIMAL PROBLEMA DUAL
Con sus restricciones: Con sus restricciones:
,
,
,
,
,
Si el problema primal es de maximización, el dual es un problema

de minimización y viceversa; si el problema primal es de
minimización, entonces, el dual es de maximización.
La función objetivo en el dual se forma a partir de los del primal
( , por ello es que la función pretende
minimizar el consumo de estos recursos, si el problema primal es
de maximización.
El número de restricciones en el primal corresponde al número de
variables de decisión del dual. Note que en el ejemplo, en el
problema primal se tienen 4 restricciones y al obtener el dual se
establecen 4 variables de decisión ( .
El número de restricciones en el dual corresponde al número de
variables de decisión del primal. En el primal hay dos variables de
decisión ( ) y en el problema dual se tienen dos restricciones.
Una restricción que corresponda a una igualdad en el problema
primal, genera una variable en el dual sin restricción en el signo.
Una variable del problema primal que no esté restringida, genera
una restricción de igualdad en el problema dual.
Otros aspectos a tener en cuenta:

Problema de maximización. Problema de minimización, siempre con
restricciones mayores o iguales.
Restricciones menores o iguales ( Generan variables con restricción mayor

o igual a 0 (
Restricciones mayores o iguales ( Generan variables con restricción menor

o igual a 0 (
Restricciones de igualdad ( Generan variables sin restricción de

signos.
Análisis y comparación de un ejemplo específico
Recuerde que se tiene el siguiente modelo del primal y su equivalente

dual, tal como se presenta a continuación:
PROBLEMA PRIMAL
.

El problema dual del anterior modelo es el siguiente:

PROBLEMA DUAL
,
,
Definición de variables
: Cantidad de sillas estilo europeo a Lo que cuesta una hora adicional de

fabricar diariamente. preparación de madera.
: Cantidad de sillas estilo americano a Costo de una hora adicional de lijado
fabricar diariamente. Costo de una hora adiciona de
Cantidad de horas de preparación de barnizado
madera que sobran al final. Costo de superar en una unidad la
Cantidad de horas de lijado que sobran al demanda máxima.
final. Costo (pérdida) que se genera por
Cantidad de horas de barnizado que producir sillas estilo europeo.
sobran al final. Costo (pérdida) que se genera por
Cantidad de sillas diarias por debajo de la producir sillas estilo americano
demanda máxima.
Observe que en el problema primal se tienen dos variables de

decisión y cuatro de holgura.
En el dual, se tienen cuatro variables de decisión y dos de holgura.

Solución primal y dual
SOLUCION OPTIMA PRIMAL SOLUCION OPTIMA DUAL
* = $240000: Son las utilidades máximas *= $240000 Utilidad máxima.

que se podrían obtener.
* = 9: Se deben fabricar 9 sillas estilo * = 0 : Lo que cuesta una hora adicional de
europeo. preparación de la madera.
* = 4: Se deben fabricar 4 sillas estilo * = 5000: Lo que cuesta una hora adicional
americano. de lijado.
* = 12: Cantidad de horas de preparación * = 0: Costo de una hora adiciona de
de madera que sobran al final. barnizado
* = 0 : Cantidad de horas de lijado que * = 0: Costo de incrementar en una unidad
sobran al final. la demanda de sillas estilo europeo.
* = 17: Cantidad de horas de barnizado * = 0: Costo (pérdida) que se genera por
que sobran al final. producir sillas estilo europeo.
* = 0 : Cantidad de sillas diarias por debajo * = 0: Costo (pérdida) que se genera por
de la demanda máxima. producir sillas estilo americano
En el cuadro anterior, se puede apreciar lo siguiente:
Como se fabrican sillas tanto de estilo europeo como americano

y , entonces, es coherente con el valor de las variables
del modelo dual * = 0 y *=0, es decir, no se producen pérdidas.
Las variables de holgura en el problema prima, * = 12: Cantidad

de horas de preparación de madera que sobran al final y * = 17:
Cantidad de horas de barnizado que sobran al final, por tener
sobrantes, no tienen ningún costo el tener que usar una unidad
adicional de cada estos recursos, tal como lo reflejan las variables *
= 0: Lo que cuesta una hora adicional de preparación de la madera y
* = 0: Costo de una hora adiciona de barnizado, cuyos respectivos
valores son 0.
Por otro lado, la variable de holgura * = 0: Cantidad de horas de

lijado que sobran al final, indica que no sobran horas de lijado, por lo
tanto, el incrementar o hacer uso adicional de una hora tiene un
costo de $5000 ( * = 5000: Lo que cuesta una hora adicional de
lijado).
En el caso de la variable * = 0: Cantidad de sillas diarias por

debajo de la demanda máxima, su equivalente en el aspecto
económico es * = 0: Costo de incrementar en una unidad la
demanda de sillas estilo europeo, tiene el valor de cero, porque existe
una solución alterna que permite variar el número de sillas
producidas de ambos estilos.
Solución en el tablero simplex y el dual simplex
Tablero Final Simplex
X1 X2 H1 H2 H3 H4
VB
Cj 20000 15000 0 0 0 0 bj
(Base)
H1 0 0 0 1 -2 0 4 12 F9
X2 0 0 1 0 1/3 0 -4/3 4 F10
H3 0 0 0 0 -4/3 1 7/3 17 F11

X1 20000 1 0 0 0 0 1 9 F12
Zj 20000 15000 0 5000 0 0 240000
Cj - Zj 0 0 0 -5000 0 0
Observe en este tablero donde aparece la solución del problema

primal (franja de color verde) y la solución del problema dual (franja
de color rojo), esta última corresponde a los , con la diferencia
que los valores negativos se toman como positivos.
Recuerde que en la solución primal, las variables que no aparecen en

la base (franja amarilla) tienen el valor de 0 y que en este caso
corresponden a * = 0 y *=0.
Tablero Final Dual – Simplex
Y1 Y2 Y3 Y4 H1 H2
VB (Base) Cj -72 -48 -60 -9 0 0 bj F5
Y4 -9 -4 0 -7/3 1 -1 4/3 0 F6
Y2 -48 2 1 4/3 0 0 -1/3 5000

Zj -60 -48 -43 -9 9 4 -240000
Cj - Zj -12 0 -17 0 -9 -4
Observe en este tablero donde aparece la solución del problema dual

(franja de color rojo) y la solución del problema primal (franja de
color verde), esta última corresponde a los , con la diferencia
de que los valores negativos se toman como positivos.
Recuerde que en la solución del dual, las variables que no aparecen
en la base (franja amarilla) tienen el valor de 0 y que en este caso
corresponden a * = 0, * = 0, * = 0, *= 0.
Recuerde que este problema tiene solución óptima múltiple,

entonces. Si se verifica dicha solución, también se podrá observar la
situación, tanto para el primal como para el dual, tal como se
presenta a continuación:
Tablero Final Simplex (Solución óptima alterna)
X1 X2 H1 H2 H3 H4
VB
Cj 20000 15000 0 0 0 0 bj
(Base)
H4 0 0 0 1/4 - 1/2 0 1 3
F13
X2 15000 0 1 1/3 - 1/3 0 0 8
F14
H3 0 0 0 - 4/7 - 1/6 1 0 10
F15
X1 20000 1 0 - 1/4 1/2 0 0 6
F16
Zj 20000 15000 0 5000 0 0 240000

Cj - Zj 0 0 0 -5000 0 0
Observe en este tablero donde aparece la solución del problema

primal (franja de color verde) y la solución del problema dual (franja
de color rojo), esta última corresponde a los , con la diferencia
que los valores negativos se toman como positivos.
Recuerde que en la solución primal, las variables que no aparecen en

la base (franja amarilla) tienen el valor de 0 y que en este caso
corresponden a * = 0 y *=0.
Tablero Final Dual – Simplex (solución óptima alterna)
Y1 Y2 Y3 Y4 H1 H2
VB (Base) Cj -72 -48 -60 -9 0 0 bj
Y1 -72 1 0 7/12 -1/4 1/4 -1/3 0 F7
Y2 -48 0 1 1/6 1/2 -1/2 1/3 5000 F8
Zj -72 -48 -50 -6 6 8 -240000

0 0 -10 -3 -6 -8
Observe en este tablero donde aparece la solución del problema dual
(franja de color rojo) y la solución del problema primal (franja de
color verde), esta última corresponde a los , con la diferencia
de que los valores negativos se toman como positivos.
Recuerde que en la solución del dual, las variables que no aparecen

en la base (franja amarilla) tienen el valor de 0 y que en este caso
corresponden a * = 0, * = 0, * = 0, *= 0.
3.5 Análisis de sensibilidad.
Al solucionar los problemas usando las diferentes técnicas de

programación lineal, podemos obtener soluciones óptimas, pero los
problemas cambian y las circunstancias que los condicionaban,
también se transforman. Esto hace necesario que las soluciones
óptimas obtenidas puedan ser adaptadas a los cambios del entorno y
obligando a hacer modificaciones en los problemas y verificar que
sucede. A esto se le denomina análisis de sensibilidad.
Se hace análisis de sensibilidad cuando se realizan cambios en

los parámetros de la información referentes al problema y
evaluando que sucede con la solución, si sigue siendo factible,
óptima o no es posible obtener una solución. Estos nuevos
análisis se realizan a partir de la solución óptima del problema
original.
En el análisis de sensibilidad, también conocido como análisis post-

optimalidad, los posibles cambios que se realizan son:
Modificaciones en los precios de los productos, sus utilidades o

costos unitarios.
Cambio en la disponibilidad de recursos (lado derecho de la
restricción, es decir los .
Cambios en la asignación unitaria de recursos.
Adición de nuevas restricciones.
Surgimiento de nuevas productos o actividades.
En un análisis de sensibilidad, se podrían hacer las modificaciones

que se deseen, pero esto podría alterar ostensiblemente la solución
del problema, convirtiéndose tal vez en un problema totalmente
diferente al inicial.
Con el fin de orientar los posibles cambios que se pueden hacer, se
construyen los intervalos de optimalidad e intervalos de factibilidad y
se analiza el precio sombra.
Intervalo de optimalidad
Es un rango dentro del cual pueden cambiar los coeficientes de la

función objetivo (precio, utilidad o costo) sin que la solución deje de
ser óptima. En este caso, varía el valor óptimo de la función objetivo,
pero no el valor obtenido de las variables.
Cada coeficiente de la función objetivo tiene un intervalo de

optimalidad.
Intervalo de factibilidad
Rango dentro del cual pueden variar los valores de los recursos o
disponibilidades ( ) de tal forma que la solución no deje de ser
óptima. Cada valor ( ) tiene su intervalo de factibilidad.
Precio sombra
Corresponde al valor que cuesta utilizar una unidad adicional de cada

uno de los recursos que se tiene en el problema. Es decir, representa
lo que el empresario o la persona a quien corresponde el problema,
estaría dispuesto a pagar por una unidad adicional de cada recurso.
En el análisis de sensibilidad, se estudia los efectos que produce en el

valor de la función objetivo el aumento unitario de ( ).
La solución del problema dual y los conceptos inherente al mismo,

son muy importante dentro del análisis de sensibilidad, porque
muestran la interpretación económica del problema, lo cual es
esencial, ya que en la solución óptima, como se ha manifestado a lo
largo del documento, se trata de maximizar utilidades y minimizar
costos.
3.5.1. Análisis de sensibilidad Gráfico.
Como su nombre lo indica, se pretende mostrar en forma gráfica la

manera de hacer el análisis de sensibilidad de un problema.
Lógicamente, tenga en cuenta que se trata de un problema de dos
variables para poder hacerlo por este método.
Para este análisis se transcribe el problema trabajado por el método

gráfico en el literal 3.1.1.2. Problema Financiero – Inversiones.
Un comerciante desea invertir en acciones de la bolsa de valores,

teniendo disponible para ello 50000 dólares. Le ofrecen dos tipos de
acciones: Las de tipo A a 50 dólares cada una y las de tipo B a 80
dólares cada una. El máximo número de acciones que puede comprar
son 700 acciones. Conforme a las perspectivas del mercado, el
comerciante aspira a vender dichas acciones en un año. Las acciones
tipo A, las venderá a 60 dólares cada una, mientras que las acciones
tipo B a 92 dólares cada una.
El comerciante desea saber cuántas acciones de cada tipo deberá

comprar para maximizar su utilidad.
La información suministrada en el problema, es la siguiente:
Tipo de Acciones Capital Máximo número de

Valores por Acción y Acciones Acciones disponible acciones a comprar
utilidad tipo A tipo B para invertir
Precio de compra (U$) 50 80 50000 dólares 700
Precio de venta (U$) 60 92
Utilidad (U$) 10 12
El modelo matemático de programación lineal completo es:

podrán comprar.
La solución que se obtuvo fue:

Gráfica 3.43. Solución gráfica del problema

Obtención de los intervalos de optimalidad
Al observar la gráfica se aprecia que la ecuación de la función

objetivo , se encuentra comprendida entre los
límites de las restricciones y , donde
el vértice O, con coordenadas y es el punto óptimo
que maximiza la función objetivo.
Si giramos la recta correspondiente a la función objetivo alrededor del

vértice O y dentro de la franja resaltada comprendida entre las líneas
de las dos restricciones, el valor de la función objetivo, seguirá siendo
óptimo.
Entonces, de lo que se trata, es hallar dicho intervalo dentro del cual

se puede mover los valores de la función objetivo.
Nota: Tenga en cuenta que si hay más de dos restricciones, se toma
como referencia aquellas dos dentro de las cuales se puede mover la
función objetivo, de tal forma que el valor siga siendo óptimo.
Llamemos a la ecuación y a y
a .
Gráfica 3.44. Intervalo de factibilidad
De esta forma se pueden expresar las pendientes de las tres

ecuaciones de la siguiente manera:
Recuerde que la pendiente de una recta es la razón de cambio en “y”

con respecto al cambio en “x”.
Ahora, se calculan las pendientes para cada una de las ecuaciones:
Para ,
Por lo tanto, la pendiente de esta recta es -1, con punto de corte en

el eje en (0,700)
Para ,
Por lo tanto, la pendiente de esta recta es , con punto de corte en el

eje en (0,625).
De esta forma la pendiente de la función estará comprendida entre

los siguientes límites:
Ahora, solo falta la pendiente de la función objetivo, para ello, en

dicha función objetivo , reemplacemos los coeficientes
de y , por y y hallarla pendiente para de la siguiente
manera:
Despejando :
Donde: , pendiente de la función objetivo. De acuerdo con los

límites hallados anteriormente, se tiene el siguiente intervalo de
optimalidad:
A partir de este intervalo, podemos determinar cómo puede variar
la utilidad de cada acción tipo A. Para ello, se deja fija la utilidad de
la acción tipo B, por lo tanto:
Multiplicando por 12 y simplificando:
Para expresar en forma positiva el intervalo de optimalidad,

multiplicamos por -1.
Esto significa que la utilidad de cada acción tipo A, puede variar entre
$7.5 y $12, sin que cambie la cantidad de acciones a comprar,
conservando la optimalidad de problema, pero el valor de Z si
cambia. También hay que tener en cuenta que los demás valores de
la función objetivo permanecen constantes, es decir, solo se modifica
el coeficiente de .
Reemplazando en la función objetivo ( ) el coeficiente

de , por 7.5 y 12, con y , y manteniendo fijo la
utilidad de las acciones tipo B (coeficiente de ) se tiene que:
Teniendo en cuenta el intervalo de variación de la utilidad para las

acciones tipo A, el valor de Z (Utilidad máxima) podrá variar entre
$7500 y $8400, permaneciendo estable la utilidad de las acciones
tipo B.
De igual modo, podemos establecer cómo puede variar la utilidad

de cada acción tipo B, fijando la utilidad de la acción tipo A.
Multiplicando por 10.
Para expresar en forma positiva el intervalo de optimalidad,

multiplicamos por -1.
Esto significa que la utilidad de cada acción tipo B, puede variar entre
$10 y $16, sin que cambie la cantidad de acciones a comprar, ,
conservando la optimalidad de problema, pero el valor de Z si
cambia. También hay que tener en cuenta que los demás valores de
la función objetivo permanecen constantes, es decir, solo se modifica
el coeficiente de .
Reemplazando en la función objetivo ( ) el coeficiente

de , por 10 y 16, con y , y manteniendo fijo la
utilidad de las acciones tipo A (coeficiente de ) se tiene que:
Teniendo en cuenta el intervalo de variación de la utilidad para las

acciones tipo B, el valor de Z (Utilidad máxima) podrá variar entre
$7000 y $10000, permaneciendo estable la utilidad de las acciones
tipo A.
Cambios en los términos independientes de una restricción

(lado derecho).
En el análisis de sensibilidad, podrías cambiar la disponibilidad de

recursos y observar que sucede. Por ejemplo, si en la restricción
relacionada con el número máximo de acciones a comprar:
, se estableciera que se pueden comprar 760, verificar como se
afecta el problema.
.

podrán comprar.
Observe en la gráfica 3.45, que al trazar la restricción modificada, se

amplía la región factible y el punto óptimo cambia.
Gráfica 3.45. Solución gráfica problema modificado
Hallando este punto óptimo se tiene que:
, , ,
, ,
Igualando las dos ecuaciones:
=
=
Reemplazando este valor en cualquiera de las dos restricciones, se

obtiene
Utilizando la segunda ecuación:
Evaluar el punto óptimo
Evaluando la función objetivo en este punto, se obtiene el siguiente

valor de Z.
(Maximizar las utilidades).
= U$8400

Con el cambio planteado, se concluye que al poder comprar 760

acciones, la utilidad máxima se incrementa, pasando de U$8000a
U$8400.
De acuerdo con esto, podemos calcular la tasa de cambio:

Revise de nuevo la gráfica y podrá observar que si no existiera
restricción en cuanto al número de restricciones que se pudieran
comprar, teniendo disponible para ello, el mismo capital de $50000,
entonces, la conclusión sería comprar 1000 acciones tipo A y se
obtendría una utilidad de U$10000.
Recuerde entonces, que de eso se trata el análisis de sensibilidad; de

evaluar las posibles alternativas y los efectos de los cambios que se
presenten en el modelo y la solución, con base en el contexto real
que se esté analizando.
3.5.2. Análisis de sensibilidad con el método simplex
Es un análisis similar al realizado por el método gráfico, solo que en

este caso, se utiliza la solución óptima obtenida en el tablero final del
método simplex.
Se presentará un análisis sencillo que permita la comprensión del

tema, ya que teniendo claro los conceptos, el análisis de sensibilidad
para problemas más complejos conserva la misma lógica y tiene el
mismo propósito, los cuales para agilizar el procedimiento operativo,
se apoyan en el uso de software.
Continuemos con el problema anterior de las acciones, aprovechando

que ya fue analizado por el método gráfico.
.
podrán comprar.
Se parte entonces, del tablero final simplex:
X1 X2 H1 H2
X2 12 0 1 1/30 -5/3 500
X1 10 1 0 -1/30 8/3 200
Zj 10 12 1/15 20/3 8000
Cj- Zj 0 0 -1/15 -20/3
Del cual se extrae la solución óptima:


Intervalos de optimalidad para variables básicas
Supongamos que en este caso, deseamos establecer un intervalo de

optimalidad en el que puede variar la utilidad de la acción tipo A.
Para ello, se modifica la tabla simplex final, reemplazando en la fila y

en la columna el coeficiente 10 de por y se procede a calcular
nuevamente la tabla, tal como se presenta a continuación:
X1 X2 H1 H2
VB (Base) Cj 12 0 0 bj
X2 12 0 1 1/30 -5/3 500
X1 1 0 -1/30 8/3 200
Zj 12 2/5- -20+ 6000+200
Cj- Zj 0 0 -2/5+ 20-
Como todos los , entonces, hallamos el valor para que

satisfaga esta condición. Si esto no se cumple, se deberá seguir
resolviendo el tablero con el procedimiento normal del método
simplex.
Se tienen las siguientes ecuaciones:
a) -2/5+ , despejando , por lo tanto:

b) despejando , por lo tanto:
De acuerdo a esto, el intervalo de optimalidad es:
Note que efectivamente dentro de este intervalo se cumple la

condición de optimalidad: , para ambas restricciones:
y . De igual forma, el intervalo de optimalidad
coincide exactamente con el obtenido por el método gráfico.
De la misma forma, se puede hacer el procedimiento para la utilidad de las

acciones tipo B.
Para ello, se modifica la tabla simplex final, reemplazando en la fila y

en la columna el coeficiente 12 de por y se procede a calcular
nuevamente la tabla, tal como se presenta a continuación:
X1 X2 H1 H2
X2 0 1 1/30 -5/3 500
X1 10 1 0 -1/30 8/3 200
Zj 10 8000
Cj- Zj 0 0
Como todos los , entonces, hallamos el valor para que

satisfaga esta condición. Si esto no se cumple, se deberá seguir
resolviendo el tablero con el procedimiento normal del método
simplex.
Se tienen las siguientes ecuaciones:
a) , despejando , por lo tanto:
b) despejando , por lo tanto:

De acuerdo a esto, el intervalo de optimalidad es:
Note que efectivamente dentro de este intervalo se cumple la

condición de optimalidad: , para ambas restricciones. De
igual forma, el intervalo de optimalidad coincide exactamente con el obtenido
por el método gráfico.
Intervalos de optimalidad para variables no básicas
Las variables de holgura del problema que se analiza, son , que

corresponden al capital disponible para invertir, expresada en dólares
y la cantidad máxima de acciones que se podrán comprar.
Para el caso de se reemplaza el coeficiente de esta variable, que

es cero, por En la fila en y en la fila , se reemplaza ,
quedando como
X1 X2 H1 H2
X2 12 0 1 1/30 -5/3 500
X1 10 1 0 -1/30 8/3 200
Zj 10 12 1/15 20/3 8000
Cj- Zj 0 0 -20/3
Como , entonces . De esta manera,
Esto quiere decir que el coeficiente de debe ser menor o igual a ,

pudiéndose expresar de la siguiente forma:
, en términos genéricos, para las variables básicas este

intervalo se expresa como:
Cambios en el lado derecho de una restricción
Efectuemos el mismo cambio que se hizo en el método gráfico, en el

cual en la segunda restricción se pasa de poder comprar como
máximo 700 acciones a 760. Miremos cómo se maneja esto en el
método simplex.
Problema original

podrán comprar.
Solución óptima:

Problema modificado

podrán comprar.
No es necesario resolver de nuevo todo el problema. Del tablero final,

se extrae la información y se obtiene la nueva solución:
X1 X2 H1 H2
X2 12 0 1 1/30 -5/3 500
X1 10 1 0 -1/30 8/3 200
Zj 10 12 1/15 20/3 8000
Cj- Zj 0 0 -1/15 -20/3
Se calcula la nueva solución de la siguiente forma:
En forma genérica es:
Solución anterior cambio columna de hj Nueva Solución

de bj
Ahora, para el cambio específico de la restricción 2

Solución anterior cambio columna de h2 Nueva Solución
de bj
De acuerdo a esto, la solución óptima es:

Intervalos de factibilidad
La factibilidad del problema, está asociada o depende de los recursos

disponibles, por lo tanto, se puede obtener un intervalo de factibilidad
para cada una de las restricciones del problema objeto de análisis. En
el problema de las acciones, podemos obtener dos intervalos de
factibilidad.
En forma genérica, primero se calcula el intervalo para el incremento

de b de la siguiente forma:
Para restricciones de la forma menor o igual (
Solución anterior cambio columna de hj

de bj
Cuando las restricciones son de la forma mayor o igual

simplemente se coloca el incremento negativo ( .
Intervalo de factibilidad para en la primera restricción.
Para el problema que estamos trabajando, el intervalo de factibilidad

para la primera restricción queda de la siguiente manera:
X1 X2 H1 H2
X2 12 0 1 1/30 -5/3 500
X1 10 1 0 -1/30 8/3 200
Zj 10 12 1/15 20/3 8000
Cj- Zj 0 0 -1/15 -20/3
Recuerde la restricción de no negatividad en el planteamiento del
modelo, por lo tanto:
Despejando en estas desigualdades:
Esto quiere decir que . Si hay más de dos

desigualdades, este intervalo debe satisfacer dichas condiciones.
Ahora, revisando la primera restricción del problema

, se debe tener presente que estamos construyendo el intervalo
de factibilidad para este primer recurso ($U50000), con base en el
intervalo establecido para el incremento .
Esto quiere decir que el dinero disponible para la compra de acciones

puede variar entre $U35000 y $U56000 dólares, valores entre los
cuales, la solución sigue siendo factible.
Intervalo de factibilidad para , en la segunda restricción.
La segunda restricción es la que tiene que ver con la cantidad

máxima de acciones que se pueden comprar:
Siguiendo el procedimiento anterior, se calcula el intervalo para el

incremento de b de la siguiente forma:
Recuerde la restricción de no negatividad en el planteamiento del
modelo, por lo tanto:
Despejando en estas desigualdades:
De esta forma, el intervalo para el incremento de es:
Ahora, revisando la segunda restricción del problema, ,

se debe tener presente que la cantidad máxima de acciones que se
pueden comprar son 700, este es , de tal manera que el intervalo
quedará:
Esto quiere decir que la cantidad máxima de acciones a comprar

puede variar entre 625 y 1000, valores entre los cuales, la solución
sigue siendo factible.
Recuerde entonces, que en el análisis de sensibilidad; se trata de

evaluar que tan sensible o como varía la solución ante cambios que
se realicen en el problema. Es importante, en el sentido de que la
realidad no es estática, por el contrario, es dinámica y cambiante, y
por ello, se debe estar atento al contexto en que se resuelven los
problemas.
3.6 Problemas propuestos
Para los problemas que se presentan a continuación, se deberá hacer

el planteamiento del modelo de programación lineal y resolver todos
los problemas en forma analítica, utilizando el método simplex y sus
variaciones, según se considere más apropiado.
1. Suponga que usted dispone de 10 millones como máximo para

invertir en dos tipos de acciones: ordinarias y privilegiadas. En las
acciones ordinarias, desea invertir como mínimo 2 millones pero
que no supere los 7 millones, es decir, entre 2 y 7 millones.
El rendimiento de la acción ordinaria es de $9000 mientras que la

privilegiada es de $12000. De acuerdo con esta información, ¿Qué
cantidades debe invertir en cada una de las dos opciones?
2. Un herrero con 70 kgs. de acero y 120 kgs. de aluminio quiere

hacer bicicletas de paseo y de montaña, las cuales desea vender a
$200.000 y $150000 cada una respectivamente para sacar el
máximo beneficio. En las bicicletas 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 deberá
fabricar para maximizar las ventas?
3. Un carpintero fabrica tres clases de productos: Sillas, marcos y

puertas. Su producción está limitada por los recursos disponibles.
Las relaciones entre los insumos y los productos son:
INSUMOS REQUERIMIENTOS POR UNIDAD DE PRODUCCION DISPONIBILIDAD DE UNIDADES

SILLAS VENTANAS PUERTAS RECURSOS
MADERA 3 1 2 6 PIES
CEPILLO 4 0 1 1 HORAS
MANO DE OBRA 2 1 1 2 HORAS HOMBRE
UTILIDAD UNITARIA 3 2 4 $/UNIDAD
Plantear el anterior problema como un modelo de programación

lineal, de manera clara y completa.
4. La unidad de imagenología de un hospital de segundo nivel de un

municipio de Caldas, tiene dos equipos, A y B, que pueden
utilizarse para revelar las placas de rayos x. La capacidad máxima
de procesamiento diaria de la máquina A es de 70 radiografías,
mientras que de la B = 90 radiografías. La administración del
hospital, debe planear procesar al menos 120 radiografías por día.
Los costos de operación por radiografía son $ 4000 para la
máquina A y $ 3500 para la máquina B. ¿Cuántas radiografías por
día debe procesar cada máquina para minimizar costos?
5. La Industria Colombiana de productos electrónicos, produce dos

tipos de televisores, Alfa y el Omega. Cada uno de estos televisores
son fabricados por dos departamentos que intervienen en la
producción de cada equipo. La capacidad de la empresa para
producir televisores Alfa es de 80 Televisores diarios y la de la línea
Omega es de 60 por día. En el departamento A, los Televisores Alfa
requieren 1 hora de trabajo y los Omega 2 horas. Actualmente, en
el departamento A se puede asignar un máximo de 120 horas de
trabajo por día a la producción de ambos tipos de aparatos. En el
departamento B, los Televisores Alfa requieren 1 hora de trabajo,
igual que los Omega. En la actualidad se puede asignar un máximo
de 90 horas de trabajo diarias al departamento B para la
producción de ambos tipos de Televisores. La utilidad que se
obtiene por el televisor Alfa es de $200000 y por el televisor
Omega es de $100000. La compañía puede vender todos los
aparatos que se produzcan. Construir el respectivo modelo
matemático de programación lineal.
6. La empresa agropecuaria el Cafeterito S.A., es una compañía

fabricante de fertilizantes. El gerente desea planear la combinación
de sus dos mezclas a fin de obtener las mayores utilidades. Las
mezclas son:
Tipo de Fertilizante Componentes

Nitrato Fosfato Potasio Barro
Fertilin 0,05 0,05 0,1 0,8
Agrosol 0,05 0,1 0,05 0,8
La empresa distribuidora le comprará a Cafeterito S.A. cualquier

cantidad de ambas mezclas de fertilizante que la compañía pueda
producir. Está dispuesto a pagar a $ 70000 la tonelada de Fertilin y
a $68000 la tonelada de Agrosol. En este mes la disponibilidad y
costos de materias primas son:
Componentes
Nitrato Fosfato Potasio Barro
Cantidad (Toneladas) 1200 1800 2100 Ilimitado
Costo por tonelada (U$) 195 78 155 9
Para hacer el mezclado de los fertilizantes, se tiene un costo de
$13000 por cada tonelada de los fertilizantes que se mezclen.
7. La fábrica El Paisa Ltda. se dedica a la fabricación artesanal de

bolsos y morrales, que son comercializados directamente a los
clientes en las ferias permanentes de la plaza de Bolívar de la
ciudad de Medellín. La venta de un bolso genera una utilidad de
$2000 y consume 5 horas de mano de obra; mientras que la venta
de un morral genera una utilidad e $3000 y consume 9 horas de
mano de obra. En la programación de la producción se ha
establecido no mantener en ocio a sus trabajadores y por lo tanto
se debe utilizar en la producción un mínimo de 450 horas de mano
de obra por mes. ¿Qué cantidad de bolsos y morrales se deberán
producir, teniendo en cuenta que por estudios de mercado se ha
determinado que se venderán un mínimo de 20 morrales y como
máximo 30 bolsos por mes?
CIERRE DE LA UNIDAD
Conforme a lo estudiado en la presente unidad, podemos concluir los

siguientes aspectos:
Mediante el método gráfico se pueden solucionar problemas de

dos variables.
Al resolver un problema en forma gráfica o analítica, se puede
obtener una solución única, múltiple, no acotada o infactible.
En general se resuelven problemas de maximización o
minimización. Un problema de maximización se puede expresar
en forma de minimización y viceversa.
Al resolver un problema en forma analítica, lo más adecuado es
llevar los problemas de minimización a la forma de maximización
y resolverlo por el método más apropiado, según las
características del problema.
Cuando se resuelve el problema primal, también se obtiene la
solución del problema dual y viceversa.
El método dual simplex es un método para resolver problemas de
programación lineal. El problema dual resulta cuando se obtiene la
matriz transpuesta del problema primal (problema original).
Se hace análisis de sensibilidad cuando se realizan cambios en los
parámetros de la información referentes al problema y evaluando
que sucede en las nuevas soluciones óptimas, las cuales se
obtienen a partir de la solución óptima del problema original.
En el análisis de sensibilidad los posibles cambios que se pueden
realizar son:
a. Modificaciones en los precios de los productos, sus utilidades o

costos unitarios.
b. Cambio en la disponibilidad de recursos (lado derecho de la
restricción, es decir los .
c. Cambios en la asignación unitaria de recursos.
d. Adición de nuevas restricciones.
e. Surgimiento de nuevas productos o actividades.
Recuerde desarrollar la ACTIVIDAD 3 que se

encuentra en la sección Actividades de
Aprendizaje del Aula digital, y remitirla al tutor
según las indicaciones establecidas.
REFERENCIAS BIBLIOGRÁFICAS
Soler, F., Molina, F., y Rojas C., Lucio. (2005) Algebra lineal y
programación lineal con aplicaciones a ciencias administrativas,
contables y financieras: con uso de DERIVE, Q.S.B Y Excel. Ecoe
Ediciones. Segunda edición. Bogotá D.C.
Guerrero Salas, Humberto. (2009) Programación lineal aplicada.

Ecoe Ediciones. Primera edición. Bogotá D.C.
Chediak P., F. (2004) Investigación de operaciones. Vol 1.

Corporación Universitaria de Ibagué. Colombia. Recuperado el 25 de
febrero de 2011. Disponible
en:http://www.unibague.edu.co/~francisco.chediak/io1.htm
Hillier, F., Lieberman, G. (2002). Investigación de operaciones.

Editorial Mc Graw Hill. México.
Newman, James R. El Mundo de las matemáticas. Grijalbo. 1956.
Taha, Hamdy A. (2002). Investigación de Operaciones. Editorial

Alfaomega. Quinta edición. 1995. Página 1.
Algoritmo simplex de tabla. Solución gráfica y método simplex.

Consultado el 1 de mayo de 2011. Disponible en:
http://www.youtube.com/watch?v=DaejR4fNEho

Unidad 3 Desde PARTE 2 y Final 2

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Unidad 3 Desde PARTE 2 y Final 2

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD AUTÓNOMA DE MANIZALES

DEPARTAMENTO DE FÍSICA Y MATEMÁTICAS

Unidad 3: MÉTODOS BÁSICOS DE SOLUCIÓN E

3.2 MÉTODO SIMPLEX

Es un sencillo pero potente y efectivo método para solución

El método simplex, es básicamente un procedimiento iterativo que

El método comienza con la solución básica inicial, donde las variables

Es decir, que la iteración (0) corresponde al punto de origen en la

Aunque en el presente texto, se presentan problemas con pocas

PLANTEAR EL MODELO MATEMATICO:

ESTANDARIZAR EL MODELO MATEMATICO

CONSTRUIR EL TABLERO SIMPLEX 1

DEFINIR LA VARIABLE QUE ENTRA A LA BASE Y LA QUE SALE

IMPLANTAR (Tomar decisiones)

Gráfica 3.35 Esquema del método Simplex

Para mostrar la aplicación del presente método, se retomará el

3.2.1 PROBLEMAS DE MAXIMIZACIÓN

3.2.1.1 EJEMPLO 1. Problema de Producción (Solución única).

La Heladería El Buen Sabor, produce dos tipos de helados. Unos de

De igual manera, se tiene una capacidad de almacenamiento de 300

El gerente de la heladería, desea saber los niveles de producción

Tenga siempre presente que el problema que se vaya a resolver por

Teniendo en cuenta que este problema ya se planteó anteriormente,

Las variables de decisión son:

: Cantidad de helados de fresa en leche a producir diariamente.

Conforme a lo anterior, el modelo matemático de programación lineal

con sus restricciones:

, disponibilidad de mano de obra expresada en minutos – hombre.

, capacidad de almacenamiento de helados producidos.

Restricción de rango. No negatividad.

Plantear el modelo estándar

El modelo estándar o estandarización del modelo, consiste en

De acuerdo con lo anterior, una variable de holgura (se

El modelo estandarizado queda así:

con sus restricciones:

, disponibilidad de mano de obra (minutos – hombre)

, capacidad de almacenamiento de helados producidos.

Restricción de rango. No negatividad.

En algunos textos, también se presenta de la siguiente forma:

con sus restricciones:

, disponibilidad de mano de obra (minutos – hombre)

, capacidad de almacenamiento de helados producidos.

Restricción de rango. No negatividad.

Se observa entonces, que en la función objetivo aparecen las

En el presente texto, no se escribirá la variable en el modelo cuando

Interpretando las variables de holgura se tiene lo siguiente:

En la restricción 1, la variable de holgura , representa la mano de

De igual manera, en la restricción 2, la variable de holgura ,

Capacidad de + Capacidad de = Capacidad total de

Construcción del Tablero Simplex

A partir del modelo estándar, se puede construir el tablero Simplex 1.

Por ser este el primer ejemplo del método simplex, se explicará de

Observe que el tablero simplex se compone de los siguientes

Esta primera columna corresponde a las variables básicas (VB) que

En un problema de programación lineal con n variables

Fíjese entonces, que una solución básica es aquella que se obtiene

Ahora, una solución básica factible, es aquella que cumple todas

En el ejemplo que estamos desarrollando, se tienen 4 variables:

Las soluciones que podríamos obtener son las siguientes:

De las soluciones anteriores, la única que no es una solución básica

Son los coeficientes de las variables básicas (variables de holgura en

Coeficientes de la función objetivo y las restricciones

Reemplazando los valores de =0y = 300, se tiene que:

Reemplazando los valores de =0y = 300, se tiene que: