Método Simplex

El Método Simplex

¿Qué es una matriz identidad?

Una matriz puede definirse como una ordenación rectangular de elementos, (o listado finito de
elementos), los cuales pueden ser números reales o complejos, dispuestos en forma de filas y de
columnas.

La matriz idéntica o identidad es una matriz cuadrada (que posee el mismo número tanto de
columnas como de filas) de orden n que tiene todos los elementos diagonales iguales a uno (1) y
todos los demás componentes iguales a cero (0), se denomina matriz idéntica o identidad de
orden n, y se denota por:

La importancia de la teoría de matrices en el Método Simplex es fundamental, dado que el

algoritmo se basa en dicha teoría para la resolución de sus problemas.

Consideraciones importantes al utilizar el Método Simplex

Variables de holgura y exceso

El Método Simplex trabaja basándose en ecuaciones y las restricciones iniciales que se modelan
mediante programación lineal no lo son, para ello hay que convertir estas inecuaciones en
ecuaciones utilizando unas variables denominadas de holgura y exceso relacionadas con el recurso
al cual hace referencia la restricción y que en el tabulado final representa el «Slack or surplus»al
que hacen referencia los famosos programas de resolución de investigación de operaciones, estas
variables adquieren un gran valor en el análisis de sensibilidad y juegan un rol fundamental en la
creación de la matriz identidad base del Simplex.

Estas variables suelen estar representadas por la letra «S», se suman si la restricción es de signo
«<= » y se restan si la restricción es de signo «>=».

Por ejemplo:
Variable artificial / Método de la «M»

Una variable artificial es un truco matemático para convertir inecuaciones «>=» en ecuaciones, o
cuando aparecen igualdades en el problema original, la característica principal de estas variables
es que no deben formar parte de la solución, dado que no representan recursos. El objetivo
fundamental de estas variables es la formación de la matriz identidad.

Estas variables se representa por la letra «A», siempre se suman a las restricciones, su coeficiente
es M (por esto se le denomina Método de la M grande, donde M significa un número demasiado
grande muy poco atractivo para la función objetivo), y el signo en la función objetivo va en contra
del sentido de la misma, es decir, en problemas de Maximización su signo es menos (-) y en
problemas de Minimización su signo es (+), repetimos con el objetivo de que su valor en la
solución sea cero (0).

Método Simplex paso a paso

El problema

La empresa el SAMÁN Ltda. Dedicada a la fabricación de muebles, ha

ampliado su producción en dos líneas más. Por lo tanto actualmente
fabrica mesas, sillas, camas y bibliotecas. Cada mesa requiere de 2 piezas
rectangulares de 8 pines, y 2 piezas cuadradas de 4 pines. Cada silla
requiere de 1 pieza rectangular de 8 pines y 2 piezas cuadradas de 4 pines,
cada cama requiere de 1 pieza rectangular de 8 pines, 1 cuadrada de 4
pines y 2 bases trapezoidales de 2 pines y finalmente cada biblioteca
requiere de 2 piezas rectangulares de 8 pines, 2 bases trapezoidales de 2
pines y 4 piezas rectangulares de 2 pines. Cada mesa cuesta producirla
$10000 y se vende en $ 30000, cada silla cuesta producirla $ 8000 y se
vende en $ 28000, cada cama cuesta producirla $ 20000 y se vende en $
40000, cada biblioteca cuesta producirla $ 40000 y se vende en $ 60000. El
objetivo de la fábrica es maximizar las utilidades.
Paso 1: Modelación mediante programación lineal
Variables:
X1 = Cantidad de mesas a producir (unidades)
X2 = Cantidad de sillas a producir (unidades)
X3 = Cantidad de camas a producir (unidades)
X4 = Cantidad de bibliotecas a producir (unidades)
Restricciones:
2X1 + 1X2 + 1X3 + 2X4 <= 24
2X1 + 2X2 + 1X3 <= 20
2X3 + 2X4 <= 20
4X4 <= 16
Función Objetivo:
ZMAX = 20000X1 + 20000X2 + 20000X3 + 20000X4
Paso 2: Convertir las inecuaciones en ecuaciones
En este paso el objetivo es asignar a cada recurso una variable de Holgura, dado que
todas las restricciones son «<=».

2X1 + 1X2 + 1X3 + 2X4 + 1S1 + 0S2 + 0S3 + 0S4 = 24

2X1 + 2X2 + 1X3 + 0X4 + 0S1 + 1S2 + 0S3 + 0S4 = 20
0X1 + 0X2 + 2X3 + 2X4 + 0S1 + 0S2 + 1S3 + 0S4 = 20
0X1 + 0X2 + 0X3 + 4X4 + 0S1 + 0S2 + 0S3 + 1S4 = 16
De esta manera podemos apreciar una matriz identidad (n = 4), formado por las
variables de holgura las cuales solo tienen coeficiente 1 en su respectivo recurso, por el
ejemplo la variable de holgura «S1» solo tiene coeficiente 1 en la restricción
correspondiente a el recurso 1.

La función objetivo no sufre variaciones:

ZMAX = 20000X1 + 20000X2 + 20000X3 + 20000X4
Paso 3: Definir la solución básica inicial
El Método Simplex parte de una solución básica inicial para realizar todas sus
iteraciones, esta solución básica inicial se forma con las variables de coeficiente
diferente de cero (0) en la matriz identidad.

1S1 = 24
1S2  = 20
1S3 = 20
1S4  = 16

Solución: (segundo término)= En esta fila se consigna el segundo término de la

solución, es decir las variables, lo más adecuado es que estas se consignen de manera
ordenada, tal cual como se escribieron en la definición de restricciones.
Cj = La fila «Cj» hace referencia al coeficiente que tiene cada una de las variables de la
fila «solución» en la función objetivo.
Variable Solución = En esta columna se consigna la solución básica inicial, y a partir
de esta en cada iteración se van incluyendo las variables que formarán parte de la
solución final.
Cb = En esta fila se consigna el valor que tiene la variable que se encuentra a su
derecha «Variable solución» en la función objetivo.
Zj = En esta fila se consigna la contribución total, es decir la suma de los productos
entre término y Cb.
Cj – Zj =  En esta fila se realiza la diferencia entre la fila Cj y la fila Zj, su significado es
un «Shadow price», es decir, la utilidad que se deja de recibir por cada unidad de la
variable correspondiente que no forme parte de la solución.
Solución inicial:
Paso 5: Realizar las iteraciones necesarias
Este es el paso definitivo en la resolución por medio del Método Simplex, consiste en
realizar intentos mientras el modelo va de un vértice del poliedro objetivo a otro.

El procedimiento a seguir es el siguiente:

1. Evaluar que variable entrará y cual saldrá de la solución óptima:

En nuestro caso de ejemplo, todos los Cj – Zj son iguales a 20000, por lo tanto, la
decisión debe tomarse de forma arbitraria, es decir, puede elegirse cualquiera como
variable de entrada. Elegiremos la variable X4.
Dado que X4 es la variable de entrada, los valores que se encuentran en su columna
pasarán a ser A. Veamos:
En el caso de la columna temporal A cuando el valor es igual o menor que 0 no se
considera para el cálculo de B/A. Por ejemplo, en la fila #2 el valor de A era igual a 0,
por lo tanto, no se considera para el cálculo de B/A.
Dado lo anterior, la elección de la fila saliente se da de acuerdo al menor valor de la
columna temporal B/A, es decir, entre los valores 20 – 10 – 4. (Tal como observamos
en la imagen anterior). Así entonces, la variable que sale será S4.
2. El hecho de que una variable distinta forme parte de las variables solución implica
una serie de cambios en el tabulado Simplex, cambios que se explicarán a
continuación.
El valor de la intersección entre la columna de la variable que entra y la fila de la
variable que sale, se denomina a (minúscula). Veamos en este caso cuál es el a.
A continuación, todos los valores de la fila de salida se dividen por a.

Como resultado tendremos los valores correspondientes a la nueva fila, en este caso la
fila X4.

 Lo siguiente corresponde a registrar los nuevos valores de cada fila.

Recordemos que el valor de a depende de la intersección de la columna entrante y
cada fila. En este caso vamos a registrar los nuevos valores de la fila # 1,
correspondiente a la variable S1. Por lo tanto a será equivalente a 2. Veamos:

Uno de los pasos más confusos en Simplex es el que se detallará a continuación, sin
embargo, es cuestión de prestar suma atención al procedimiento.

Deberá multiplicarse por el valor de -a (Recordemos que el valor de a para la fila

#1 es 2). Es decir, -a es igual a -2. Como resultado tendremos una fila temporal,
podemos denominarla – si así lo queremos – por la iteración y la fila, es decir, estamos
en la primera iteración, y abordando la fila #1. Su nombre será fila temporal I1-f1 (Esto
es algo que me he inventado, espero no complicarlo).

Estos valores, deben sumarse con los valores de la fila 1 que se encontraba en la tabla
anterior (S1). Veamos:
Como resultado tendremos los valores correspondientes a la fila1 de la primera
iteración, en este caso la fila S1.

En el caso de la fila 2, recordemos que el valor de a corresponde a 0. Así que los
valores pasan tal cual como se encontraban en la tabla anterior.
Veamos qué pasa con la tercera fila:

Veamos como queda la tabla:

Una vez registrados los valores de toda la tabla, podemos calcular el valor de Zj y Cj –
Zj.

Esta misma operación se efectúa para toda la tabla; es decir, cada columna deberá
multiplicarse por Cb. Es recomendable utilizar otra tabla para registrar dichos valores.
Al final, deberá sumar los sumar los valores de cada columna y totalizarlos en Zj. A esa
tabla le llamaremos: Tabla de productos de Cb:

El objetivo de esta tabla anterior es determinar los valores de Zj (Sumatoria de

columnas) y Cj-Zj (Diferencia entre la fila Cj y la fila Zj), si ya los tenemos, podemos
regresar a nuestra tabla de variables:
De esta manera se culmina la primera iteración, este paso se repetirá cuantas veces sea
necesario y solo se dará por terminado el método según los siguientes criterios.

Maximizar Minimizar

Solución Óptima Cuando todos los Cj – Zj sean <= 0 Cuando todos los Cj – Zj sean >= 0

 Continuamos con las iteraciones para lo cual tenemos que repetir los pasos
anteriores.
En esta última iteración podemos observar que se cumple con la consigna Cj – Zj <=
0, para ejercicios cuya función objetivo sea «Maximizar», por ende hemos llegado a la
respuesta óptima.
X2 = 7
X3 = 6
X4 = 4
S1 = 3 (Cantidad de piezas rectangulares de 8 pines sin utilizar =3)
Función Objetivo: $ 340000
Sin embargo una vez finalizado el Método Simplex se debe observar una matriz
identidad en el rectángulo determinado por las variables de decisión (líneas
punteadas), el hecho de que en este caso no se muestre la matriz identidad significa
que existe una solución óptima alterna.

La manera de llegar a la otra solución consiste en alterar el orden en que cada una de
las variables entró a la solución básica, recordemos que el proceso fue decidido al azar
debido a la igualdad en el Cj – Zj del tabulado inicial. Aquí les presentamos una de las
maneras de llegar a la otra solución.
Podemos observar como existe una solución óptima alternativa en la cual la
combinación de variables es distinta y existe un menor consumo de recursos, dado
que el hecho de que se encuentre la variable «S1» en la solución óptima con un
coeficiente de «3» significa que se presenta una holgura de 3 unidades del recurso
(pieza rectangular de 8 pines).

X1 = 3 (Cantidad de mesas a producir = 3)

X2 = 4 (Cantidad de sillas a producir = 4)
X3 = 6 (Cantidad de camas a producir = 6)
X4 = 4 (Cantidad de bibliotecas a producir = 4)
Con una utilidad de: $ 340000
Problemas de minimización con el Método
Simplex

En este problema, resolveremos un caso de minimización con el método simplex,

donde no se utilizan variables artificiales.

Al no utilizarse variables artificiales no será necesario usar el método de las 2 fases o

de la M grande.

Minimizar 2x1 – x2
Sujeto a:
2x1 + 3x2 ≤ 10
x1 + x2 ≤ 6
x1, x2 ≥ 0

Solución
Para resolver el problema utilizaremos la versión de membresía
de nuestra calculadora de programación lineal:
Función Objetivo
Minimizar: Z = 2X1 – 1X2

Sujeto a:
2X1 + 3X2 ≤ 10
1X1 + 1X2 ≤ 6
X1, X2 ≥ 0

El problema se adecuará al modelo estándar de programación

lineal, agregando las variables de holgura, exceso y/o artificiales
en cada una de las restricciones:
  Restricción 1: Tiene signo “≤” (menor igual) por lo que se
agregará la variable de holgura S1.
 Restricción 2: Tiene signo “≤” (menor igual) por lo que se
agregará la variable de holgura S2.

A continuación se muestra el problema en la forma estándar. Se

colocará el coeficiente 0 (cero) donde corresponda para crear
nuestra matriz:

Función Objetivo
Minimizar: Z = 2X1 – 1X2 + 0S1 + 0S2

Sujeto a:
2X1 + 3X2 + 1S1 + 0S2 = 10
1X1 + 1X2 + 0S1 + 1S2 = 6
X1, X2, S1, S2 ≥ 0

Leyenda de tabla
Las letras presentes en las tablas corresponden a:

 Cj: Vector de costes. Contiene los coeficientes de las

variables de la función objetivo.
 Cb: Coeficientes de los variables que conforman el vector
solución.
 Base: Variables que forman el vector solución.
 Z: En esta fila encontrarás los valores del vector de costes
reducidos. Se calcula multiplicando el vector solución por los
coeficientes de las restricciones y se resta el vector de costes.
 Xn, Sn: En cada una de las columnas se encuentran los
coeficientes de su variable correspondiente.
 R: En esta columna se encuentra el término independiente
de cada ecuación.
  Se agregará un subíndice numérico adicional en las
ecuaciones para identificar su posición en la tabla.
Ejemplo: X1,2: Coeficiente de X1 en la fila 2. Para Cj y Z los
subíndices indicarán su posición en la columna.
Ejemplo: Cj,3: Indicaría el coeficiente de Cj en la columna 3.

Solución

Matriz Inicial

Cálculo de Vector Solución (Z)

Para esta tabla, el valor de la fila Z se calculará así:
Z1 = (Cb,1*X1,1) + (Cb,2*X1,2) – Cj1 = (0*2) + (0*1) – (2) = -2
Z2 = (Cb,1*X2,1) + (Cb,2*X2,2) – Cj2 = (0*3) + (0*1) – (-1) = 1
Z3 = (Cb,1*S1,1) + (Cb,2*S1,2) – Cj3 = (0*1) + (0*0) – (0) = 0
Z4 = (Cb,1*S2,1) + (Cb,2*S2,2) – Cj4 = (0*0) + (0*1) – (0) = 0
Z5 = (Cb,1*R,1) + (Cb,2*R,2) = (0*10) + (0*6) = 0

Tab la 1 Cj 2 -1 0 0

Cb Base X1 X2 S1 S2 R

0 S1 2 3 1 0 10

0 S2 1 1 0 1 6

Z -2 1 0 0 0

Condición de Optimalidad
En el vector de costes reducidos (Z) tenemos valores positivos, por
lo que debemos seleccionar el mayor valor para la columna
pivote (minimización).
El vector solución esta compuesto por los siguientes números: [-
2, 1, 0, 0]. El mayor valor es = 1 que corresponde a la variable X2.
Esta variable ingresará a la base y sus valores en la tabla
conformarán nuestra columna pivote.

Condición de Factibilidad
Se verificará la condición de factibilidad, dividiendo los valores de
la columna R entre la columna pivote X2. Para procesar la división,
el denominador debe ser estrictamente positivo (Si es cero o
negativo se colocará N/A = No aplica). El menor valor definirá la
variable que saldrá de la base:
Fila S1 → R1 / X2,1 = 10 / 3 = 3.(3) (Menor Valor)
Fila S2 → R2 / X2,2 = 6 / 1 = 6

Los números entre paréntesis representan decimales periódicos.

Ejemplo: 1.(3) = 1.33333…

El menor valor corresponde a la fila de S1. Esta variable saldrá de

la base. El elemento pivote corresponde al valor que cruza la
columna X2 y la fila S1 = 3.
Ingresa la variable X2 y sale de la base la variable S1. El elemento
pivote es 3

Iteración 1

Cálculos
Realizaremos las iteraciones de cada valor en la tabla
considerando lo siguiente:

 Nuevo Valor Fila Pivote = Valor Actual Fila Pivote / Elemento

Pivote
 Nuevo Valor = Valor Actual – (Elemento Fila Columna
Pivote*Nuevo Valor Fila Pivote)
 Cálculos en fila Pivote (Fila N° 1):

Valor Actual
Fila Pivote 2 3 1 0 10

Elemento
Pivote 3 3 3 3 3

Nuevo Valor
Fila Pivote 2 / 3 = 2/3 3/3=1 1 / 3 = 1/3 0/3=0 10 / 3 = 10/3

Ahora calcularemos los nuevos valores para las otras filas de la

tabla:

Fila 2:

Valor
Actual 1 1 0 1 6

Element
o Fila
Columna
Pivote 1 1 1 1 1

Nuevo
Valor
Fila
Pivote 2/3 1 1/3 0 10/3

Nuevo 1 – (1×1) 0 – (1×1/3)

Valor 1 – (1×2/3) = 1/3 =0 = -1/3 1 – (1×0) = 1 6 – (1×10/3) = 8/3

Fila 3:
Valor Actual -2 1 0 0 0

Elemento Fila
Columna Pivote 1 1 1 1 1

Nuevo Valor Fila

Pivote 2/3 1 1/3 0 10/3

-2 – (1×2/3)
Nuevo Valor = -8/3 1 – (1×1) = 0 0 – (1×1/3) = -1/3 0 – (1×0) = 0 0 – (1×10/3) = -10/3

Tabla 2 Cj 2 -1 0 0

Cb Bas e X1 X2 S1 S2 R

-1 X2 2/3 1 1/3 0 10/3

0 S2 1/3 0 -1/3 1 8/3

Z -8/3 0 -1/3 0 -10/3

Condición de Optimalidad
Dado que no tenemos valores positivos en el vector de costes
reducidos (Z) = [-8/3, 0, -1/3, 0], significa que nos encontramos en
el punto óptimo (minimización).

La solución óptima es Z = -10/3

X1= 0, X2= 10/3, S1= 0, S2= 8/3

Para resolver problemas de minimización mediante el algoritmo simplex existen dos
procedimientos que se emplean con regularidad.

 El primero, que a mi juicio es el más recomendable se basa en un artificio aplicable

al algoritmo fundamentado en la lógica matemática que dicta que «para cualquier
función f(x), todo punto que minimice a f(x) maximizará también a – f(x)». Por lo
tanto el procedimiento a aplicar es multiplicar por el factor negativo (-1) a toda la
función objetivo.

A continuación se resuelve el algoritmo como un problema de maximización.

 El segundo procedimiento, el cual pretende conservar la minimización consiste en

aplicar los criterios de decisión que hemos esbozado con anterioridad, en los casos
de la variable que entra, que sale y el caso en el que la solución óptima es
encontrada. Aquí recordamos los procedimientos según el criterio dado el caso
«minimizar».

https://www.ingenieriaindustrialonline.com/investigacion-de-operaciones/metodo-
simplex/
EJERCICIOS MODELO SIMPLEX MINIMIZAR

En una granja de pollos se da una dieta, para engordar, con una composición
mínima de 15 unidades de una sustancia A y otras 15 de una sustancia B.

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

composición de una unidad de A y 5 de B, y el otro tipo, Y, con una
composición de cinco unidades de A y una de B. El precio del tipo X es de 10
euros y del tipo
Y es de 30 €.

¿Qué cantidades se han de comprar de cada tipo para cubrir las necesidades
con un coste mínimo?

Solución

En una granja de pollos se da una dieta, para engordar, con una composición
mínima de 15 unidades de una sustancia A y otras 15 de una sustancia B.

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

composición de una unidad de A y 5 de B, y el otro tipo, Y, con una
composición de cinco unidades de A y una de B. El precio del tipo X es de 10
euros y del tipo Y es de 30 €.

¿Qué cantidades se han de comprar de cada tipo para cubrir las necesidades
con un coste mínimo?

 
1 Elección de las incógnitas.

x=X

y=Y

2 Función objetivo

f(x,y) = 10x + 30y

3 Restricciones

X Y Mínimo
A 1 5 15
B 5 1 15

x + 5y ≥ 15

5x + y ≥ 15

x≥0

y≥0

4 Hallar el conjunto de soluciones factibles

 
 

5 Calcular las coordenadas de los vértices del recinto de las soluciones factibles.
 

6 Calcular el valor de la función objetivo

f(0, 15) = 10 · 0 + 30 · 15 = 450

f(15, 0) = 10 · 15 + 30 · 0 = 150

f(5/2, 5/2) = 10 · 5/2 + 30 · 5/2 = 100   Mínimo

El coste mínimo son 100 € para X = 5/2 e Y = 5/2.

 
Ejercicio sobre ofertas de ropa. MODELO SIMPLEX
MAXIMIZAR
 

Unos grandes almacenes desean liquidar 200 camisas y 100 pantalones

de la temporada anterior. Para ello lanzan, dos ofertas, A y B.

La oferta A consiste en un lote de una camisa y un pantalón, que se

venden a 30 €; la oferta B consiste en un lote de tres camisas y un
pantalón, que se vende a 50 €. No se desea ofrecer menos de 20
lotes de la oferta A ni menos de 10 de la B.

¿Cuántos lotes ha de vender de cada tipo para maximizar la ganancia?

Solución

Unos grandes almacenes desean liquidar 200 camisas y 100 pantalones

de la temporada anterior. Para ello lanzan, dos ofertas, A y B.

La oferta A consiste en un lote de una camisa y un pantalón, que se

venden a 30 €; la oferta B consiste en un lote de tres camisas y un
pantalón, que se vende a 50 €. No se desea ofrecer menos de 20
lotes de la oferta A ni menos de 10 de la B.

¿Cuántos lotes ha de vender de cada tipo para maximizar la ganancia?

1 Elección de las incógnitas.

x = nº de lotes de A
y = nº de lotes de B

2 Función objetivo

f(x, y) = 30x + 50y

3 Restricciones

A B Mínimo
Camisas 1 3 200
Pantalones 1 1 100

x + 3y ≤ 200

x + y ≤ 100

x ≥ 20

 y ≥ 10

4 Hallar el conjunto de soluciones factibles

 
 

5 Calcular las coordenadas de los vértices del recinto de las soluciones factibles.

 
 

6 Calcular el valor de la función objetivo

f(x, y) = 30 · 20 + 50 · 10 = 1100 €

f(x, y) = 30 · 90 + 50 · 10 = 3200 €

f(x, y) = 30 · 20 + 50 · 60 = 3600 €

f(x, y) = 30 · 50 + 50 · 50 = 4000 €    Máximo

Con 50 lotes de cada tipo se obtiene una ganancia máxima de 4000 €.

 Programación Lineal (Método Gráfico)
El Método Gráfico (resolución gráfica) constituye una excelente alternativa de
representación y resolución de modelos de Programación Lineal que tienen 2 variables de
decisión. Para estos efectos existen herramientas computacionales que facilitan la
aplicación del método gráfico como los softwares TORA, IORTutorial y Geogebra, los
cuales se pueden consultar en detalle en Cómo Resolver Gráficamente un Modelo de
Programación Lineal con TORA, Cómo Resolver Gráficamente un Modelo de Programación
Lineal con IORTutorial y Cómo Resolver Gráficamente un modelo de Programación Lineal
con Geogebra, respectivamente. En este contexto a continuación presentamos un
compendio de ejercicios de Programación Lineal resueltos a través del método gráfico.

Ejercicios Resueltos del Método Gráfico en

Programación Lineal
Ejercicio N°1: Una empresa vitivinícola ha adquirido recientemente un terreno de
110 hectáreas. Debido a la calidad del sol y el excelente clima de la región, se
puede vender toda la producción de uvas Sauvignon Blanc y Chardonay. Se desea
conocer cuánto plantar de cada variedad en las 110 hectáreas, dado los costos,
beneficios netos y requerimientos de mano de obra según los datos que se
muestran a continuación:

Suponga que se posee un presupuesto de US$10.000 y una disponibilidad de 1.200 días

hombre durante el horizonte de planificación. Formule y resuelva gráficamente un modelo
de Programación Lineal para este problema. Detalle claramente el dominio de soluciones
factibles y el procedimiento utilizado para encontrar la solución óptima y valor óptimo.

Variables de Decisión:
  : Hectáreas destinadas al cultivo de de Sauvignon Blanc
  : Hectáreas destinadas al cultivo de Chardonay
Función Objetivo:
Maximizar 

Restricciones:




Donde las restricciones están asociadas a la disponibilidad máxima de hectáreas
para la plantación, presupuesto disponible, horas hombre en el período de
planificación y no negatividad, respectivamente.

El siguiente gráfico muestra la representación del problema de la empresa

vitivinícola. El área achurada corresponde al dominio de soluciones factibles, donde
la solución básica factible óptima se alcanza en el vértice C, donde se
encuentran activas las restricciones de presupuestos y días hombre. De esta forma
resolviendo dicho sistema de ecuaciones se encuentra la coordenada de
la solución óptima donde   y   (hectáreas). El valor
óptimo es   (dólares).

Ejercicio N°2: Un taller tiene tres (3) tipos de máquinas A, B y C; puede fabricar dos (2)
productos 1 y 2, todos los productos tienen que ir a cada máquina y cada uno va en el
mismo orden: Primero a la máquina A, luego a la B y luego a la C. La siguiente tabla
muestra:

 Las horas requeridas en cada máquina, por unidad de producto

  Las horas totales disponibles para cada máquina, por semana

 La ganancia por unidad vendida de cada producto

Formule y resuelva a través del método gráfico un modelo de Programación Lineal

para la situación anterior que permite obtener la máxima ganancia para el taller.

Variables de Decisión:
  : Unidades a producir del Producto 1 semanalmente
  : Unidades a producir del Producto 2 semanalmente
Función Objetivo:
Maximizar 

Restricciones:




Las restricciones representan la disponibilidad de horas semanales para las
máquinas A, B y C, respectivamente, además de incorporar las condiciones de no
negatividad.

Para la resolución gráfica de este modelo utilizaremos el software GLP cual

abordamos en el artículo Problema de Planificación Forestal resuelto con
Graphic Linear Optimizer (GLP). El área de color verde corresponde al
conjunto de soluciones factibles y la curva de nivel de la función objetivo que pasa
por el vértice óptimo se muestra con una línea punteada de color rojo.
 La solución óptima es   y   con valor
óptimo   que representa la ganancia para el taller.
Ejercicio N°3: Una compañía elabora dos productos diferentes. Uno de ellos
requiere por unidad 1/4 de hora en labores de armado, 1/8 de hora en labores de
control de calidad y US$1,2 en materias primas. El otro producto requiere por
unidad 1/3 de hora en labores de armado, 1/3 de hora en labores de control de
calidad y US$0,9 en materias primas. Dada las actuales disponibilidades de
personal en la compañía, existe a lo más un total de 90 horas para armado y 80
horas para control de calidad, cada día. El primer producto descrito tiene un valor
de mercado (precio de venta) de US$9,0 por unidad y para el segundo este valor
corresponde a US$8,0 por unidad. Adicionalmente se ha estimado que el límite
máximo de ventas diarias para el primer producto descrito es de 200 unidades, no
existiendo un límite máximo de ventas diarias para el segundo producto.
Formule y resuelva gráficamente un modelo de Programación Lineal que permita
maximizar las utilidades de la compañía.

Variables de Decisión:
  : Unidades a producir diariamente del Producto 1
  : Unidades a producir diariamente del Producto 2
Función Objetivo:
Maximizar 

Restricciones:




La primera restricción representa las limitantes de horas de armado diariamente.
La segunda restricción la disponibilidad de horas para labores de control de calidad
(también diariamente). La tercera restricción establece una cota superior para la
producción y ventas diarias del Producto 1. Adicionalmente se incluyen las
condiciones de no negatividad para las variables de decisión.

El dominio de soluciones factibles tiene 5 vértices que corresponden a los

candidatos a óptimos del problema. En particular el vértice óptimo es D de modo
que la solución óptima es   y   con valor
óptimo   que corresponde a la utilidad
máxima para la empresa.
La solución óptima es   y   con valor
óptimo   que representa la ganancia para el taller.
Ejercicio N°3: Una compañía elabora dos productos diferentes. Uno de ellos
requiere por unidad 1/4 de hora en labores de armado, 1/8 de hora en labores de
control de calidad y US$1,2 en materias primas. El otro producto requiere por
unidad 1/3 de hora en labores de armado, 1/3 de hora en labores de control de
calidad y US$0,9 en materias primas. Dada las actuales disponibilidades de
personal en la compañía, existe a lo más un total de 90 horas para armado y 80
horas para control de calidad, cada día. El primer producto descrito tiene un valor
de mercado (precio de venta) de US$9,0 por unidad y para el segundo este valor
corresponde a US$8,0 por unidad. Adicionalmente se ha estimado que el límite
máximo de ventas diarias para el primer producto descrito es de 200 unidades, no
existiendo un límite máximo de ventas diarias para el segundo producto.
Formule y resuelva gráficamente un modelo de Programación Lineal que permita
maximizar las utilidades de la compañía.

Variables de Decisión:
  : Unidades a producir diariamente del Producto 1
  : Unidades a producir diariamente del Producto 2
Función Objetivo:
Maximizar 

Restricciones:




La primera restricción representa las limitantes de horas de armado diariamente.
La segunda restricción la disponibilidad de horas para labores de control de calidad
(también diariamente). La tercera restricción establece una cota superior para la
producción y ventas diarias del Producto 1. Adicionalmente se incluyen las
condiciones de no negatividad para las variables de decisión.

El dominio de soluciones factibles tiene 5 vértices que corresponden a los

candidatos a óptimos del problema. En particular el vértice óptimo es D de modo
que la solución óptima es   y   con valor
óptimo   que corresponde a la utilidad
máxima para la empresa.
Formulación de Modelos
Formulación de Modelos de Programación Lineal
Elementos básicos de un modelo matemático
Un modelo matemático es producto de la abstracción de un sistema real, eliminando las
complejidades y haciendo suposiciones pertinentes; se aplica una técnica matemática y se
obtiene una representación simbólica del mismo.
Un modelo matemático consta al menos de tres elementos o condiciones básicas:
Las Variables de decisión, la Función Objetivo y las Restricciones.

 Variables de decisión y parámetros

Las variables de decisión son incógnitas que deben ser determinadas a partir de la solución del
modelo. Los parámetros representan los valoresconocidos del sistema o que se pueden
controlar. Las variables de decisión se representan por: X1, X2, X3,…, Xn ó Xi, i = 1, 2, 3,…, n.
 Función Objetivo

La función objetivo es una relación matemática entre las variables de decisión, parámetros y
una magnitud que representa el objetivo o producto del sistema. Es la medición de la
efectividad del Modelo formulado en función de las variables. Determina lo que se va optimizar
(Maximizar o Minimizar).
La solución ÓPTIMA se obtiene cuando el valor de la Función Objetivo es óptimo (valor
máximo o mínimo), para un conjunto de valores factibles de las variables. Es decir, hay que
reemplazar las variables obtenidas X1, X2, X3,…, Xn; en la Función Objetivo Z = f (C1X1, C2X2,
C3X3,…, CnXn) sujeto a las restricciones del modelo matemático.
Por ejemplo, si el objetivo es minimizar los costos de operación, la función objetivo debe
expresar la relación entre el costo y las variables de decisión, siendo el resultado el menor costo
de las soluciones factibles obtenidas.

 Restricciones

Las restricciones son relaciones entre las variables de decisión y los recursos disponibles. Las
restricciones del modelo limitan el valor de las variables de decisión. Se generan cuando los
recursos disponibles son limitados.
En el Modelo se incluye, adicionalmente de las restricciones, la Restricción de No
Negatividad de las Variables de decisión, o sea: Xi = 0.
La programación lineal es la interrelación de los componentes de un sistema, en
términos matemáticos, ya sea en forma de ecuaciones o inecuaciones lineales llamado Modelo
de Programación Lineal. Es una técnica utilizada para desarrollar modelos matemáticos,
diseñada para optimizar el uso de los recursos limitados en una empresa u organización.
El Modelo de Programación Lineal, es una representación simbólica de la realidad que se
estudia, o del problema que se va a solucionar. Se forma con expresiones de
lógicas matemáticas, conteniendo términos que significan contribuciones: a la utilidad (con
máximo) o al costo (con mínimo) en la Función Objetivo del modelo. Y al consumo de recursos
disponibles (con desigualdades = ó = e igualdades =) en las restricciones.
En el presente texto desarrollaremos Modelos Matemáticos de Programación Lineal de:
Maximización y Minimización, los cuales estarán indicados en la Función Objetivo del Modelo.

Aplicación a la Formulación de los Modelos de

Investigación de operaciones
(a) Modelo Matemático: Se emplea cuando la función objetivo y las restricciones del
modelo se pueden expresar en forma cuantitativa o matemática como funciones de
las variables de decisión.
(b) Modelo de Simulación: Los modelos de simulación difieren de los matemáticos en que
las relación entre la entrada y la salida no se indican en forma explícita. En cambio, un modelo
de simulación divide el sistema representado en módulos básicos o elementales que después se
enlazan entre si vía relaciones lógicas bien definidas. Por lo tanto, las operaciones de cálculos
pasaran de un módulo a otro hasta que se obtenga un resultado de salida.
Los modelos de simulación cuando se comparan con modelos matemáticos; ofrecen mayor
flexibilidad al representar sistemas complejos, pero esta flexibilidad no esta libre de
inconvenientes. La elaboración de este modelo suele ser costoso en tiempo y recursos. Por otra
parte, los modelos matemáticos óptimos suelen poder manejarse en términos de cálculos.
Modelos de Investigación de Operaciones de la ciencia de la administración: Los
científicos de la administración trabajan con modelos cuantitativos de decisiones.
Modelos Formales: Se usan para resolver problemas cuantitativos de decisión en el mundo
real. Algunos modelos en la ciencia de la administración son llamados modelos
deterministicos. Esto significa que todos los datos relevantes (es decir, los datos que los
modelos utilizarán o evaluarán) se dan por conocidos. En los modelos probabilísticos (o
estocásticos), alguno de los datos importantes se consideran inciertos, aunque debe
especificarse la probabilidad de tales datos.
En la siguiente tabla se muestran los modelos de decisión según su clase de incertidumbre y su
uso en las corporaciones. (D, determinista; P, probabilista; A, alto; B, bajo)
Modelo de Hoja de Cálculo Electrónica: La hoja de cálculo electrónica facilita hacer y
contestar preguntas de "que si" en un problema real. Hasta ese grado la hoja de cálculo
electrónica tiene una representación selectiva del problema y desde este punto de vista la hoja
de cálculo electrónica es un modelo.
En realidad es una herramienta más que un procedimiento de solución. 

Problemas de aplicación para formular un modelo

1). Proceso de producción.- Una fábrica produce dos tipos de productos: M y N, los costos
de producción de ambos productos son $3 para el producto M y $5 para el producto N.
El tiempo total de producción está restringido a 500 horas; y los tiempos de producción son de
8 horas/unidad para el producto M y de 4 horas/unidad para el producto N. Formule el Modelo
matemático que permita determinar la cantidad de productos M y N a producir, y que optimice
el Costo total de producción de los dos productos.
Formulación del Modelo
En la formulación del modelo, podemos ayudarnos con la representación del Problema
mediante un organizador gráfico o esquema:
 Definición de Variables

Se desea formular un modelo matemático para determinar la cantidad que debe producirse
por cada producto (M y N), por lo tanto tendremos dos variables, representados por: x1 , x2.
Siendo: x1 = Cantidad a producirse del producto M,
x2 = Cantidad a producirse del producto N

 Función Objetivo

Como se tiene información de Costos de producción de los productos M y N, el objetivo será

minimizarlos:

Luego la Función Objetivo será Minimizar "C" igual al Costo total de producción del producto
M más el Costo total de producción del producto N.
Matemáticamente la Función Objetivo es:

 Definición de Restricciones

El tipo de recurso en el problema es el tiempo (puede ser horas hombre u horas máquina).

Formulamos la restricción, colocando en el lado izquierdo de la inecuación el consumo unitario
de los productos M y N, y en el lado derecho la cantidad disponible del recurso (500 horas).
Resumiendo tenemos el siguiente Modelo matemático de Programación Lineal del Problema
(un modelo con dos variables y una restricción, estando listo para aplicar un método de
solución:

 Caso de toma de decisiones

alternativas de fabricación se desarrollan en las restricciones del Modelo matemático; y
la toma de 
decisiones se determina evaluando en la Función objetivo las alternativas obtenidas.