Investigación Operativa

UNIVERSIDAD TÉCNICA DE
MANABÍ
FACULTAD DE CIENCIAS
ADMINISTRATIVAS Y ECONÓMICAS
CARRERA DE ECONOMÍA
NIVEL
DESARROLLO DE LA ASIGNATURA DE
INVESTIGACIÓN OPERATIVA
PERÍODO: Octubre 10/2017 – Febrero 17/2018
Portoviejo - Manabí - Ecuador
Econ. Horacio Sabando G., Mgst. E.S.

Página 1
FUNDAMENTO DE LA TEORIA DE LAS DECISIONES
Generalidades:
Ordinariamente, el concepto de decisión ha sido interpretado como una

acción que permite lograr un objetivo propuesto. Este hecho encuentra
algunas limitaciones de orden práctico, por ejemplo, no se toma en
consideración otras alternativas que sobre el mismo objetivo pueden
existir o presentarse; no se investigan las distintas implicaciones que giran
alrededor de ellas, o simplemente se desconocen medios o formas
diferentes para obtener resultados esperados.
Hoy en día, el término “decisión” se lo define como el estudio analítico,

exhaustivo y comparativo que permite racionalizar los distintos medios a
través de los cuales podemos llegar al objetivo deseado. Este concepto
nos transmite la idea del “cómo hacer” para inclinarnos por una u otra
alternativa. En otras palabras, decidir no es sino evaluar las posibilidades
existentes y elegir aquella que nos brinde los mejores resultados
minimizando su riesgo.
El éxito de una decisión depende básicamente del grado de

conocimiento de orden cuantitativo y cualitativo que sobre esa alternativa
elegida (decisión) tengamos a disposición. La ausencia de elementos de
información respecto de una alternativa, obviamente, nos conducirá a una
situación incierta, muchas veces definitiva, irremediable.
Imaginémonos dentro de una amplia gama de combinaciones posibles la

representación objetiva del grado de precipitación que pueden
presentarse desde una posición incierta (caída vertiginosa) hasta una
posición ideal de equilibrio que nos interprete la relación causa efecto de
un fenómeno cualquiera.

Página 2
B
A
Dependiendo de la información y evaluación de posibilidades, cada

alternativa previa a una decisión tendrá diferente riesgo, esto es,
consecuencias o resultados favorables o desfavorables, según el caso.
La atención y buen juicio en el estudio previo a la “toma de decisiones”

nos ayudará, innegablemente, a comprender que, el decidir es un proceso
técnico–científico en procura de obtener los mejores resultados de
conformidad a la planificación de un objetivo.
FASES DE UNA DECISIÓN.
Las principales fases que se destacan en una decisión, son las siguientes:
Formulación de objetivos.
La identificación de un objetivo se relaciona con la meta que hay que

cumplir tomando en consideración los recursos disponibles (financieros,
físicos y humanos), determinando el objetivo será necesario diferenciar
entre corto, mediano y largo plazo, así como los objetivos generales,
parciales, entre otros.

Página 3
Planificación.
Todo objetivo requiere de una cuidadosa y minuciosa planeación, las

mismas que dependerán del costo, tiempo y recursos, entre los
principales elementos.
EVALUACIÓN FORMULACIÓN
Y DE
REVISIÓN OBJETIVOS
DECISIÓN
EJECUCIÓN
Y PLANIFICACIÓN
CONTROL
Ejecución y Control.
La ejecución práctica para lograr el objetivo propuesto dependerá

fundamentalmente de las normas, procedimientos y métodos que se
empleen, combinando en la mejor forma posible los recursos existentes,
administrándolos de manera apropiada y bajo una acertada dirección
técnica. Esta fase, tiene vital importancia, pues, requiere de conocimiento,
experiencia, habilidad y ese sentido de armonización entre los factores
que intervienen.
Evaluación y Revisión.
Se refiere al análisis periódico y permanente, necesarios para identificar

el seguimiento del proceso y considerar posibles cambios, detectar

Página 4
errores, aprovechar ventajas. Además, permite llegar a conclusiones
útiles tanto para problemas actuales como para nuevas situaciones. El
procedimiento de evaluación tiene por finalidad esencial determinar si
se están logrando los objetivos propuestos.
Clases de decisiones.
Las decisiones pueden diferenciarse según los resultados y según los

riesgos.
Decisiones según resultados.
De acuerdo a esta clasificación, las decisiones pueden ser:
a. Óptima. Satisface los objetivos planteados tanto en forma global

como sus componentes parciales.
b. Subóptima. Se refiere a la optimización de un aspecto parcial

dentro de un plan global.
c. Intuitiva. Resultados imprevistos, sin cocimiento de causa –

efecto.
Decisión según los riesgos.
Existen tres posiciones:
a. Certeza. Cuando logramos nuestros propósitos de acuerdo a lo

planificado y estamos en capacidad de controlar su resultado. En
términos de probabilidad: P= 1(100 o/o)

Página 5
b. Riesgo. La decisión de riesgo se presenta en un marco de
probabilidad desde 0 hasta 1, es decir, habrán muchas
posibilidades (eventos estadísticos) de resultados dependiendo del
grado de conocimiento cuantitativo y cualitativo, así como del
comportamiento de variables controlables y otras no controlables.
c. Incertidumbre. Cuando se toma una decisión sin conocer los

resultados posibles, nos referimos a una “decisión incierta”, en
donde, desde el punto de vista probabilística ésta será diferente de
1.
La importancia de la decisión científica.
Los elementos anteriormente expuestos dejan entrever que la decisión

científicamente tomada ayuda a plantear con claridad lo que pretendemos
lograr. Muchos fracasos o resultados adversos pueden evitarse si
racionalizamos los diferentes aspectos, medios y mecanismos, y si se los
ubica en el marco más apropiado de gestión.
El conocimiento sobre técnicas de decisión pretende eliminar que la

empresa o una organización actúen en forma intuitiva, esto es, no existe
esfuerzo sistemático para definir y evaluar las ventajas y desventajas
respecto de las diferentes alternativas para un mismo fin; en cambio, al
seleccionarlas y pesarlas, sus resultados conducen a un mayor grado de
precisión.
Bien cabe indicar que en la práctica no existen decisiones con certeza, es

decir, logro de resultados exactamente iguales a los planificados; hay
muchas variaciones, muchas contingencias, presentación de factores
incontrolables, pero si es cierto, que el estudio de una decisión bien
tomada ayudara no solo a evitar la incertidumbre y el fracaso, sino a

Página 6
encontrar resultados por lo menos aceptables e identificar las causas que
están incidiendo en el logro de la meta propuesta.
El concepto de empresa.
Antecedentes.
Hasta antes de la Revolución Industrial, la empresa individual fue la

situación común predominante en las actividades manufactureras. La
responsabilidad casi total en los diferentes aspectos de producción,
comercialización y administración fue la típica característica de entonces.
Con el advenimiento de las máquinas, surgió la división del trabajo y por

tanto la necesidad de estructurar la organización empresarial orientada a
la diversificación de procesos, departamentos, secciones, entre otras,
surgiendo un concepto nuevo y diferente de la empresa y su
administración.
Se estima que los principales precursores de la administración de

empresas a nivel científico fueron: Fayol, Taylor, Henry Ford, Emerson,
Gantt, Schell, Spilman, Ackoff, Sasieni, quienes en diferente forma han
contribuido a la creación de sistemas organizacionales, normas y
procedimientos, y por sobre todo métodos aplicables a la realización de
actividades que permiten planificar, ejecutar y controlar las mismas a fin
de lograr el mayor grado de eficiencia.
Objetivos de la empresa
El objetivo tradicional de la empresa ha sido y sigue siendo la obtención

del máximo beneficio económico (en el campo capitalista). Casi o todas
las teorías económicas a excepción de Carlos Marx, redundan en la meta

Página 7
empresarial medida en los mayores niveles de rendimiento. Inclusive, los
nuevos métodos de gestión empresarial traen consigo la finalidad central
de maximizar las utilidades en la empresa.
La revolución de las ciencias de la administración de empresas parecería

que brinda otros criterios a los objetivos de la empresa moderna.
Actualmente, si bien es cierto que el objetivo principal es el logro de
beneficios aceptables, es necesario reconocer que existen otros
propósitos.
La empresa moderna, tiene que observar también otros aspectos, tales

como la función social, la función para con el Estado, la función de
competencia, función de creatividad, el factor humano en la empresa, el
avance tecnológico, y otros elementos que hagan de la empresa un ente
innovador, manteniendo un equilibrio adecuado producto de la
interrelación de esos factores.
Cada vez no sólo que es imprescindible la preocupación sobre las

funciones y elementos anotados, sino que también debe considerarse
como obligación el hecho de dar atención permanente a factores que
relativamente pueden ser los que más decidan en la eficiencia o
ineficiencia de una gestión determinada.
Avancemos algo más, ¿hacia dónde va la empresa que no siempre logra

el cumplimiento de sus objetivos de beneficio económico? Es posible que
surja el desconcierto, la desesperación, el fracaso, y la liquidación
definitiva. Las ciencias administrativas consideradas hoy todavía en
formación, han dotado de muchos elementos de juicio, métodos, criterios
y sistemas que pretenden evitar improvisaciones en la dirección
empresarial.

Página 8
La empresa, un concepto moderno
Todo lo anterior nos invita a reflexionar sobre el concepto de empresa. El

avance científico y tecnológico, la sustitución relativamente rápida de
productos, la creación de economías de escala, la reacción de
consumidores las limitaciones financieras, los aspectos políticos, entre
otros, creando un conjunto heterogéneo sobre el cual tiene que actuar la
empresa moderna.
Atreviéndome a definir qué es empresa, bajo una concepción

actualizada, se diría que es “la organización jurídica que pretende
encontrar un retorno aceptable de su inversión mediante sistemas
técnico–administrativos apropiados maximizando el ciclo de vida de su
productos o servicios y cuidando de la estabilidad y prosperidad de
quienes la dirigen y la sirven”.
Solamente cuando la dirección de la empresa asuma con la

responsabilidad debida los distintos objetivos que hemos mencionado,
podríamos decir, que estamos dando a la empresa la orientación técnico–
científica. Para lograrla, requerimos de ciertas bases teóricas
fundamentales y del apoyo de otras ciencias como las Matemáticas,
Estadística, Sicología, Economía, Sociología, Ingeniería, entre otras, las
que interrelacionadas crean una nueva ciencia: la Investigación Operativa.
La investigación operativa:
Elementos que la conforman.
Generalidades.
La Investigación Operativa es una ciencia considerada en formación, de

ahí que no existe un concepto generalizado, y quizá por ello, están
surgiendo muchas inquietudes, pues, como veremos más adelante, se
pueden plantear y resolver muchos problemas en una amplia gama de

Página 9
actividades, originando frecuentemente más y nuevas posibilidades de
acción práctica en esta materia.
Estas características a la vez que van confirmando la utilidad de la

Investigación Operativa, derivan interesantes oportunidades para crear
métodos y aplicaciones muy sugestivas y en esa forma facilitan la “toma
de decisiones” en empresas y organizaciones.
Podemos advertir que la Investigación Operativa reúne a un conjunto de

ciencias como la Física, Biología, Sicología, Sociología, Economía,
Química, entre otras, que identificadas a un problema concreto
contribuyen a encontrar la relación causa–efecto de un fenómeno y en
base a métodos matemáticos, estadísticos y criterios cualitativos procura
una definición correcta del problema y su solución práctica.
La Investigación Operativa no toma decisiones por sí misma, su función

es la de asesorar y apoyar a quien o quienes deciden. Es una ciencia que
se preocupa de conocer o investigar los problemas de fondo, de abajo
hacia arriba, determinando las diversas situaciones que se presentan en
la marcha de las organizaciones.
Para tener éxito en Investigación Operativa es necesario situar las

condiciones de acuerdo a cada caso, pues, existe el peligro de aplicarla
en situaciones aparentemente comunes, dificultándose la posibilidad de
corregirlas. Además, el problema debe ser identificado en forma muy
correcta, dando prioridad al proceso de cuantificación del mismo y
analizarlo dentro de un todo.
En esta asignatura cabe indicar la necesidad de utilizar modelos, de esa

manera se robustece el grado de concepción del problema en estudio.

Página 10
Mediante la aplicación de modelos se puede reunir al conjunto de
variables de carácter controlable y otras no controlables, integrándolas en
un contexto general predeterminando su posible comportamiento.
Una de las grandes ventajas de la Investigación Operativa radica en la

forma de plantear sus objetivos y medios de acción práctica,
considerando varios elementos, aprovechando la capacidad y experiencia
del cuerpo investigador, la información respecto del problema, el grado de
interés de la empresa y el tipo de organización de que se trate.
Regularmente, la Investigación Operativa utiliza métodos de

aproximaciones sucesivas, es decir, generando alternativas y opciones
para la decisión final, tratando obviamente de minimizar los riesgos
inherentes a cada posición.
Definición de investigación operativa
A continuación se exponen varias definición de Investigación Operativa

según los siguientes autores:
Tahía. La Investigación de Operaciones aspira a determinar el mejor

curso de acción óptimo de un problema de decisión con la restricción de
recursos limitados, aplicando técnicas matemáticas para representar por
medio de un modelo y analizar problemas de decisión.
Hillier – Liberman. Significa hacer investigación sobre las operaciones

referentes a la conducción y coordinación de actividades dentro de una
organización aplicada a una gama extraordinariamente amplia.
Prawda. Es la aplicación por grupos interdisciplinarios de Métodos

Científicos a problemas relacionados con el control de las organizaciones

Página 11
o de sistemas en relación al hombre- máquina, con el fin de producir
soluciones óptimas para dichas organizaciones.
Namakforoosh. La investigación de Operaciones es la aplicación del

Método Científico a los problemas y la toma de decisiones de la gerencia
en función a la construcción de un modelo simbólico examinado y
analizado entre relaciones que lleguen a una técnica en la toma de
decisiones en base a los resultados óptimos.
Thierauf y Grosse. La Investigación de Operaciones utiliza el enfoque

planeado (Método Científico) y un grupo interdisciplinario a fin de
representar las complicadas relaciones funcionales como modelos
matemáticos para suministrar una base cuantitativa en la toma de
decisiones, descubrir nuevos problemas para un análisis cuantitativo.
Sociedad americana de investigación de operaciones, (ORSA), La

Investigación de Operaciones está relacionada con el mejor diseño y
operaciones del sistema (hombre-máquina) usualmente bajo ciertas
condiciones y requiriendo la asignación de recursos escasos
Sociedad americana de sistemas de producción y control de

inventarios, (APICS). Es el Análisis cualitativo de operaciones
industriales y administrativas con el intento de derivar un entendimiento
integrado de los factores que controlan los sistemas operacionales en
vista de proporcionar a la Administración un objeto básico para tomar
decisiones que frecuentemente involucran representar por medio de un
modelo matemático la realidad.
Investigación de operaciones. Es la aplicación del método científico por

un grupo multidisciplinario de personas a un problema, apoyados con el
enfoque de sistema (este enfoque, es aquel en el que un grupo de

Página 12
personas con distintas áreas de conocimiento, discuten sobre la manera
de resolver un problema en grupo.)
También puede describirse como un procedimiento científico para tomar

decisiones que comprenden en forma sistemática las diversas
operaciones de los sistemas de las organizaciones.
Toma de decisiones.- El análisis de decisiones proporciona una

metodología racional para tomar decisiones cuando el futuro es incierto.
Permite que un gerente haga una elección óptima entre varias
alternativas, tomando en cuenta el valor de adquirir datos experimentales
con el fin de reducir la “Incertidumbre”.
Origen y evolución de la investigación operativa
Para varios autores, la Investigación Operativa es tan antigua como la

conducta humana, pues, en verdad se puede concluir que el avance
científico es consecuencia de la acumulación de diferentes
investigaciones en las ciencias aplicadas.
A inicios de la Segunda Guerra Mundial, surgieron muchos problemas de

carácter militar. Las grandes potencias se preocuparon de dar a estos
problemas un enfoque científico que permitan lograr éxito en las
operaciones bélicas. Destacados científicos en las diversas ramas a
través de constantes investigaciones pretendieron “optimizar” sus
objetivos, entendiéndose como optimización el logro de un resultado meta
utilizando el menor número de recursos en el menor tiempo posible y con
el mejor sentido de habilidad.
Surgieron tres elementos básicos para definir una operación de ataque

militar:

Página 13
Estrategia (Precisión de un objetivo)
Logística (Recursos disponibles)
Táctica (Forma, habilidad para cumplir el objetivo con los recursos
disponibles)
Sucesivamente, se encontró éxito en estas operaciones de carácter

bélico, se realizaron muchos ensayos para comprobar el razonamiento
científico; intensas investigaciones, procesos de observación estadística,
frecuencias, probabilidades, llegando a precisar una nueva forma de
apreciación sobre los problemas.
Los conceptos de estrategia, logística y táctica, originados inicialmente en

las ciencias militares, fueron rápidamente recogidos por empresas
industriales, descartándose muchas inquietudes muy versátiles, en
distintos campos de aplicación dentro de la industria.
Cabe agregar que surgieron nuevos métodos, se amplió la iniciativa, a la

empresa se la consideraba como un todo, integrándola en muchos
aspectos: producción, tecnología, administración, tiempos y tareas,
personal, etc., es decir, dando importancia a todos aquellos factores que
directa o indirectamente tienen que ver con la permanencia del producto y
de la empresa.
A pesar de considerar a la Investigación Operativa una ciencia nueva, su

aceptación hoy es casi general. Los casos resueltos a través de sus
métodos realmente son numerosos y acogidos con un sentido de
practicidad y eficiencia inusitado. Problemas planteados y resueltos
mediante Programación Lineal, Programación Dinámica, Problemas de
Espera o Colas, Método de Transporte, Métodos GANTT, PERT – CPM,
Simulación, Probabilidades, Teoría de los Juegos, Diagnóstico, entre los

Página 14
más importantes, han despertado varias ideas de aplicación en una
amplia gama de posibilidades.
Hoy, podría decirse que toda empresa de dimensión grande o mediana,

aplican frecuentemente y con buenos resultados lo métodos de la
Investigación Operativa, pues contribuye eficazmente a optimizar una
gran parte de los objetivos de la firma.
Los modelos en la investigación operativa.
La parte central de los problemas planteados mediante Investigación

Operativa se sustentan en la creación de un Modelo, en el cual se explica
el objetivo preciso de la operación a realizarse. Su importancia es radical,
pues, el éxito o fracaso de la gestión depende de la estructura del modelo,
su planteamiento, diferenciación entre variables controlables y no
controlables, el sentido sencillo y práctico y las posibilidades reales de
medir como lograr el objetivo y las incidencias en los distintos sectores
que tienen que ver con el problema.
Un modelo no es sino la forma de imitar a la realidad. Es la composición

de elementos que pueden intervenir en una situación predeterminada y
tienen por objeto anteponer el conjunto de variables que se asocian a un
comportamiento futuro.
Los modelos de Investigación Operativa se basan principalmente en

técnicas matemáticas y estadísticas. De manera especial emplean
sistemas de ecuaciones, inecuaciones, distribuciones, estadísticas,
vectores, matrices, probabilidades.
Cualquier problema planteado en Investigación Operativa a través de un

modelo puede expresarse en la siguiente forma:

Página 15
0 = f ( C1 C2 C3 C4 ..... Cn N1 N2 N3 N4 . . Nn)
En dónde,
0 = Objetivo
f = En función de
Cn = Variables controlables
Nn = Variables no controlables.
La acertada identificación del modelo, puede garantizar un

comportamiento futuro adecuado, el cual dependerá del conocimiento
sobre cada variable y de su posibilidad de control.
Generalizando, el resultado de un modelo estará en función de los

siguientes elementos.
 Identificación completa y precisa del problema

 Definición exacta de objetivos
 Condiciones del modelo
 Metodología a emplearse
 Ejecución y control
 Evaluación y soluciones
La consecución de objetivos planteados en el modelo requiere también de

una seguimiento permanente administrado en tal forma que nos permita
conocer las interferencias que en la práctica se presentan; así estaremos
en capacidad de evaluar el comportamiento, sugerir cambios e irnos
familiarizando con la búsqueda de mejoras a efectos de lograr el objetivo
planteado.

Página 16
Campos de aplicación de la investigación operativa
Los campos de aplicación de la Investigación Operativa son múltiples. Se

utiliza en casi todo tipo de gestión que requiera la intervención de
recursos para un objetivo determinado y reúna características muy bien
definidas.
Desde la aplicación en áreas militares, en forma sucesiva los métodos

operacionales han ido encontrando aceptación en los siguientes sectores:
 Industria
 Agricultura
 Construcción
 Comercio
 Transporte
 Energía
 Banca
 Minería
 Comunicaciones
 Servicios Públicos o Privados
Desde el punto de vista de unidades económicas, la Investigación

Operativa es un valioso instrumento para resolver problemas relacionados
con los siguientes aspectos:
 Producción
 Inventarios
 Distribución
 Selección y renovación de equipos
 Problemas de espera

Página 17
 Organización y sistemas
 Localización y LAY – OUY
 Financiamiento
 Precios
 Mercado
 Comercialización
 Informática
 Administración
 Gerencia
 Factor Humano
 Seguridad Industrial
Lo anterior refleja la versatilidad de la Investigación Operativa para

plantear, analizar y sugerir la mejor solución a los diferentes problemas
que por sectores económicos o factores internos de la empresa pueden
presentarse.
Limitaciones de la investigación operativa
Así como esta asignatura nos permite resolver muchos tipos de

problemas, también encontramos algunas limitaciones en la práctica, las
que pueden sintetizarse en las siguientes:
a. Capacidad del equipo investigador.
Se presentan restricciones en cuanto a contar con profesionales

especializados en la rama, aunque, se espera en mediano plazo, por lo
menos aumentarán debido al énfasis que se está poniendo en los
programas universitarios. Actualmente, la mayor parte de las Facultades
de Arquitectura, Ingeniería, Economía, Administración, Auditoria, han

Página 18
convenido en la necesidad de incorporar y robustecer los planes de
estudio de la Investigación Operativa, lo cual confirma la importancia de la
ciencia.
b. Costo de la Investigación
El proceso de investigación requiere tanto de personal capacitado como

de financiamiento para la aplicación de interés. La experiencia transmitida
principalmente desde otros países, cuyas prácticas son más frecuentes
en esta materia, indican que el costo es relativamente alto, pero, es
necesario anotar que muchas empresas lo consideran como inversión, ya
que un estudio a través de Investigación Operativa coadyuva a minimizar
errores, aprovechar ventajas existentes, diagnosticar y dar la solución
más adecuada.
c. El uso del computador.
Los especialistas en Investigación Operativa, enfrentan un problema de

no muy fácil solución en lo que respecta a las técnicas y usos que trae el
computador. Estos profesionales, no necesariamente están familiarizados
con los lenguajes requeridos para un programa y con el manejo del
computador, haciéndose imprescindible el aporte de técnicos en
computación para programar y resolver problemas que por si mismos son
ya complejos.
d. Grado de interés de la empresa.
Debido a la falta de difusión sobre el alcance de la Investigación

Operativa, las empresas, sobre todo en los países menos desarrollados
no dan el apoyo respectivo a estas investigaciones. A esta razón deben
agregarse otras como la falta de formación gerencial de los

Página 19
administradores de las empresas, sistemas familiares de dirección y
patrimonio, falta de infraestructura empresarial. Es posible que
paulatinamente se vaya logrando penetrar en ellas de conformidad a
ciertos cambios que en reducida forma se están suscitando,
especialmente en la dirección técnica–administrativa empresarial.
e. Servicios de Informática.
Otra de las limitaciones es aquella que se relaciona con la información.

Generalmente las empresas no cuentan con unidades sistematizadas de
información, capaz de dar agilidad a la obtención de datos,
fundamentalmente con los necesarios para la identificación de
coeficientes técnicos por unidad. Esto es una restricción que obstaculiza
el proceso de la investigación. Es indudable, desde luego, para las
empresas que cuentan con servicios internos de información, obtengan
mejores resultados a través de los medios de informática.
Metodología de la investigación operativa
La Investigación Operativa cuenta con muchos métodos para el

planteamiento y solución de todos los problemas que puedan identificarse
a través de ella. Difícilmente se podrían enumerar todos los instrumentos
de los que ella se vale, sin embargo, diríamos que la base metodológica
fundamental es de carácter matemático–estadístico, incluyéndose todos
los métodos conocidos en el área cuantitativa.
Pero, bien merece destacar que la Investigación Operativa está

definiendo con mayor aproximación sus fundamentos matemáticos y
estadísticos, de conformidad al avance en sus demostraciones.

Página 20
Sin duda que los métodos principales más utilizados en la práctica tanto
por su versatilidad como por sus ventajas resultantes son los siguientes:
Cálculo Matricial, Sistemas de Ecuaciones, Estadística Descriptiva,
Inferencia Estadística, Programación Lineal, Programación Dinámica, El
Método del Transporte, Teoría de las Colas, Métodos GANTT, PERT-
CPM, Tiempos y Tareas, Teoría de los Juegos, Simulación,
Probabilidades.
Los capítulos siguientes ilustran de la manera más sencilla posible los

métodos que tienen más posibilidades de aplicación y estos son:
Programación Lineal, El Método del Transporte, Teoría de Colas, Métodos
de Programación y Control, GANTT y PERT-CPM, Tiempos y Tareas.
Además, se incluyen otros procedimientos que permitan tener una idea
global de lo que es y hace la Investigación Operativa, tratando siempre de
brindar un carácter eminentemente práctico y relacionado en lo posible
con casos reales.
Programación lineal
Introducción
Dentro de la Investigación Operativa los casos más sobresalientes se han

resuelto mediante métodos de Programación Lineal, en virtud de obtener
resultados exactos y de gran ayuda a la “toma de decisiones”.
La Programación Lineal tuvo sus orígenes a raíz de la Segunda Guerra

Mundial cuando George Dantzig, luego de profundas investigaciones
realizó aplicaciones en distintos casos de operación aérea–militar.
Como su nombre lo indica, la Programación Lineal se refiere

exclusivamente a relaciones lineales, o sea inecuaciones o ecuaciones de

Página 21
primer grado. Otro autor que aplicó problemas con sentido lineal es
Leontief, quien aportó principalmente en relaciones ínter industrial a
través de su Matriz Insumo–Producto.
Posteriormente, Koopmans incursionó profundamente en aplicaciones

microeconómicas resolviendo casos de producción, asignación de
recursos, maximización de beneficios, minimizaciones de costos etc.
Objetivos
La Programación Lineal tiene por objetivo encontrar soluciones mediante

metodología de base matemática, concretamente sistemas lineales, a
problemas de carácter técnico–económico que se presentan por la
limitación de recursos.
A través de ella se pueden resolver interesantes casos tales como:

combinación óptima de mezclas de producción, disposición interna de
procesos, maximización de beneficio, localización, asignación de
recursos, minimización de costos, transporte, entre los más
sobresalientes.
Aplicaciones
En cuanto a áreas de aplicación se resuelven casos en la industria en

general dentro de ésta con mejores opciones en la industria química,
hierro y acero, papel y cartón, petróleo, farmacéuticos, alimenticios y
textil. Se han realizado aplicaciones también en agricultura, construcción,
aviación, sistemas hidroeléctricos, transporte. Así, la Programación Lineal
ha despertado muchas inquietudes para irlas resolviendo en muchos
diferentes casos.

Página 22
¿Qué es la programación lineal?
La Programación Lineal en un modo sistemático y matemático de enfocar

determinado problema para logra una solución óptima o la mejor posible
de entre varias, empleando una ecuación objetivo (propósito del
problema), un conjunto de restricciones lineales y una condición de
eliminar valores negativos (condición de no negatividad)
Conceptos básicos
En Programación Lineal es requisito fundamental familiarizarse con

términos y conceptos necesarios para lograr la apreciación global y
específica en el desarrollo de cada problema, independiente de los
métodos que utiliza.
Mencionemos los principales:

Linealidad
Todo proceso o actividad o relación lineal utilizada se identifica con la

cantidad unitaria de cada uno de los factores con respecto a los demás y
a las cantidades de cada uno de los productos.
Divisibilidad
Los procesos pueden utilizarse en extensiones positivas divisibles

mientras se dispongan de recursos suficientes.
Finitud
Tanto el número de procesos identificados en cuanto los recursos

disponibles, deberán corresponder a cantidades finitas, esto es,
conocidas y cuantificadas en forma determinística.

Página 23
Algoritmos o iteraciones
La Programación Lineal emplea métodos mediante aproximaciones

sucesivas, ensayos, intentos, que reciben el nombre de algoritmos o
iteraciones, y según los cuales se determinan pasos o etapas hasta
obtener el objetivo planteado.
El problema general de la programación lineal
Ya se dijo anteriormente que, todo problema de Programación Lineal se

presenta por limitación de recursos a los que se trata de distribuir en la
mejor forma posible.
Recordando, los elementos de estrategia, logística y táctica, vistos en el

origen y evolución de la Investigación Operativa, en la Programación
Lineal, es quizás, donde mayor aplicación se derivan, ya que, los recursos
a la vez que son limitados en términos “per se” (por sí mismo), pueden ser
distribuidos en tantas formas como combinaciones matemáticas permitan
relacionarlos a un mismo objetivo.
Surge entonces la idea de distribución adecuada, de equilibrio, de

armonía entre los factores que intervienen en el problema, a fin de
encontrar las mejores alternativas de uso, deseando el cumplimiento del
propósito fijado mediante una ordenada selección y utilización de los
recursos permisibles.
Demás está redundar que un problema de Programación Lineal,

cualquiera que este fuere, trae implícitamente el sentido de función,
propósito o meta, recursos disponibles y habilidad o formas para
seleccionar, comparar y decidir la mejor alternativa (decisión).

Página 24
Los problemas de Programación Lineal, planteados y resueltos con
cualquiera de sus métodos deberán cumplir cuatro condiciones
necesarias suficientes:
1. Función – Objetivo.
Es la ecuación que expresa la cantidad que va a ser maximizada o

minimizada según el objetivo planteado y se la reconoce con la función:
Z = C1X1 + C2X2 + C3X3 +C4X4 . . . . . . + CnXn
Se acostumbra utilizar las expresiones Z (MAX) para los caos de

maximización y Z(MIN) para los de minimización.
C1, C2, C3 . . . . . Cn Coeficientes de la función objetivo: pueden ser

márgenes de beneficio, precios, costos
unitarios, etc.
X1, X2, X3 . . . . . X n variables del problema, incógnitas, lo que

queremos lograr.
2. Limitaciones o restricciones.
Es el conjunto de inecuaciones o ecuaciones que nos expresan las

condiciones finitas del problema, denominadas también coeficientes
técnicos de producción, tecnológicos, de transporte, etc., según sea el
caso en estudio.
a11X1 + a12X2 +a13X3 + . . . . . . . . . . a1nXn T1 b1
a21X1 + a22X2 + a33X3 + . . . . . . . . . . a2nXn T2 b 2
a31X1 + a32X2 + a33X3 + . . . . . . . . . . a3nXn T3 b3
am1X1 + am2X2 + am3X3 + . . . . . . . . .amnXn Tm bm

Página 25
en donde:
a11, a12, a13 . . . . . . a1n

Coeficientes técnicos
am1, am2, am3 . . . . amn
X1, X2, X3 . . . . . . . . . X n Variables o incógnitas del problema
T1, T2, T3 . . . . . . . . . Tm signos o límites del sistema:
< Igual o menor que
> Mayor o igual que
= igual
3. No negatividad.
En ningún caso se admitirán resultados negativos que den respuesta al

problema, pues no se concibe producción negativa, distancias negativas,
gastos negativos, tendrán que ser por lo menos igual a cero, o lo que es
lo mismo:
Xn > 0
4. Condiciones de optimización.
Se van obteniendo por aproximaciones sucesivas.
Solución factible: Aquella que satisface las limitaciones o restricciones

del problema.
Solución básica factible: Satisface las limitaciones o restricciones del

problema cuyos resultados sean únicamente positivos.

Página 26
Solución óptima factible: Es aquella que satisface tanto las limitaciones
o restricciones como la función objetivo del problema (optimización).
El Problema del Carpintero
Durante un par de sesiones de brain-storming con un carpintero (nuestro

cliente), éste nos comunica que sólo fabrica mesas y sillas y que vende
todas las mesas y las sillas que fabrica en un mercado. Sin embargo, no
tiene un ingreso estable y desea optimizar esta situación.
El objetivo es determinar cuántas mesas y sillas debería fabricar para

maximizar sus ingresos netos. Comenzamos concentrándonos en un
horizonte de tiempo, es decir, un plazo de planificación, para revisar
nuestra solución semanalmente, si fuera necesario. Para saber más
acerca de este problema, debemos ir al negocio del carpintero y observar
lo que sucede y medir lo que necesitamos para formular (para crear un
modelo de) su problema. Debemos confirmar que su objetivo es
maximizar sus ingresos netos. Debemos comunicarnos con el cliente.
El problema del carpintero se trata de determinar cuántas mesas y sillas

debe fabricar por semana; pero primero se debe establecer una función
objetivo La función objetivo es: 5X1 + 3X2, donde X1 y X2 representan la
cantidad de mesas y sillas; y 5 y 3 representan los ingresos netos (por
ejemplo, en dólares o décimas de dólares) de la venta de una mesa y una
silla, respectivamente. Los factores limitantes, que normalmente
provienen del exterior, son las limitaciones de la mano de obra (esta
limitación proviene de la familia del carpintero) y los recursos de materia
prima (esta limitación proviene de la entrega programada). Se miden los
tiempos de producción requeridos para una mesa y una silla en distintos
momentos del día y se calculan en 2 horas y 1 hora, respectivamente. Las
horas laborales totales por semana son sólo 40. La materia prima

Página 27
requerida para una mesa y una silla es de 1 y 2 unidades,
respectivamente. El abastecimiento total de materia prima es de 50
unidades por semana. En consecuencia, la formulación de PL es la
siguiente:
Maximizar 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 = 40 restricción de mano de obra
X1 + 2 X2 = 50 restricción de materiales
tanto X1 como X2 son no negativas.
Este es un modelo matemático para el problema del carpintero. Las

variables de decisión, es decir, las entradas controlables son X 1, y X2. La
salida o el resultado de este modelo son los ingresos netos totales 5 X 1 +
3 X2. Todas las funciones empleadas en este modelo son lineales (las
variables de decisión están elevadas a la primera potencia). El coeficiente
de estas restricciones se denomina Factores Tecnológicos (matriz). El
período de revisión es de una semana, un período conveniente dentro del
cual es menos probable que cambien (fluctúen) las entradas controlables
(todos los parámetros tales como 5, 50, 2,..). Incluso en un plazo de
planificación tan corto, debemos realizar el análisis what-if o de hipótesis
para responder a cualquier cambio en estas entradas a los efectos de
controlar el problema, es decir, actualizar la solución prescripta.
Nótese que dado que el Carpintero no va a ir a la quiebra al final del plazo

de planificación, agregamos las condiciones que tanto X 1 como X2 deben
ser no negativas en lugar de los requerimientos que X 1 y X2 deben ser
números enteros positivos. Recuerde que las condiciones de no
negatividad también se denominan "restricciones implícitas". Nuevamente,
un Programa Lineal funcionaría bien para este problema si el Carpintero

Página 28
continúa fabricando estos productos. Los artículos parciales simplemente
se contarían como trabajos en proceso y finalmente se transformarían en
productos terminados, en la siguiente semana.
Podemos intentar resolver X 1 y X2 enumerando posibles soluciones para

cada una y seleccionado el par (X 1, X2) que maximice 5X1 + 3X2 (los
ingresos netos). Sin embargo, lleva mucho tiempo enumerar todas las
alternativas posibles y si no se enumeran todas las alternativas, no
podemos estar seguros de que el par seleccionado (como una solución)
es la mejor de todas las alternativas. Otras metodologías preferidas (más
eficientes y efectivas), conocidas como las Técnicas de Soluciones de
Programación Lineal están disponibles en el mercado en más de 4000
paquetes de software de todo el mundo.
La solución óptima, es decir, la estrategia óptima, es establecer X 1 = 10

mesas y X2 = 20 sillas. Programamos las actividades semanales del
carpintero para que fabrique 10 mesas y 20 sillas. Con esta estrategia
(óptima), los ingresos netos son de US$110. Esta solución prescrita
sorprendió al carpintero dado que debido a los mayores ingresos netos
provenientes de la venta de una mesa (US$5), el solía fabricar más
mesas que sillas.
¿Contratar o no contratar a un ayudante? Supóngase que el carpintero

pudiera contratar a un ayudante a un costo de US$2 por hora (adicionales
$2) ¿Le conviene al carpintero contratar a un ayudante? En caso
afirmativo, ¿por cuántas horas? X3 es la cantidad de horas extra, entonces
el problema modificado es:
Maximizar 5 X1 + 3 X2 - 2 X3
Sujeta a:

Página 29
2 X1 + X2 40 + X3 restricción de la mano de obra con horas adicionales
desconocidas.
X1 + 2 X2 50 restricción de materiales
En esta nueva condición, veremos que la solución óptima es:
X1 = 50; X2 = 0; X3 = 60
con ingresos netos óptimos de US$130. Por lo tanto, el carpintero debería

contratar a un ayudante por 60 horas. ¿Qué pasaría si sólo lo contrata por
40 horas? La respuesta a esta pregunta y a otros tipos de preguntas del
estilo "qué pasaría si" (what-if) se estudia en la sección sobre análisis de
sensibilidad en un sitio Web.
Proceso para la formulación del modelo de programación lineal
Lo que se va a considerar es la manera de formular el problema en un

marco matemático. Se proporcionan una serie de pasos y técnicas
sistemáticas que puede aplicar al formular sus propios modelos
determinísticos.
Para ilustrar considere el siguiente problema:
La planta HBB fabrica 4 productos que requieren para su elaboración de

materia prima de la cual hay una disponibilidad diaria de 180 libras,
además para los productos se necesita espacio de almacenamiento del
cual se dispone de 230 pies cúbicos y un tiempo de producción de 8
horas/día. Para elaborar una unidad de cada uno de los productos se
necesitan los siguientes insumos:

Página 30
Producto 1 2 3 4
Materia prima lbs/unidad 2 2 3/2 1
Espacio pies3 /unidad 2 5/2 2 3/2
Tasa producción unidades/hora 15 30 10 15
Utilidades $/unidad. 5 6.5 5 5.5
La gerencia desea determinar ¿cuántas unidades de cada producto

deben fabricarse para maximizar el beneficio?
La información de la tabla nos indica, por ejemplo, que una unidad del
producto 3 requiere para su elaboración 3/2 libras de materia prima,
ocupa 2 pies3 de espacio y una tasa de producción de 10 unidades/hora.
Bajo estas condiciones fabricar una unidad de este producto reporta un
beneficio de $5.
A partir de esta descripción cualitativa del problema se va a convertir en una

forma matemática que se pueda resolver, este proceso se llama formulación del
problema y tiene los siguientes pasos con sus características claves.
Identificación de las variables de decisión.
Identificar las variables de decisión y obtenidos sus valores proporcionan

la solución del problema. Como los valores de estos elementos son
desconocidos se les da un símbolo. La elección de estas variables no es
única y no existen reglas fijas sin embargo nos podemos formular algunas
preguntas que son útiles en la identificación de un conjunto adecuado de
variables de decisión.
Características claves
Que elementos afectan los costos y/o ganancias como
objetivo global.

Página 31
Que elementos puede elegir y/o controlar.
Que decisiones tiene que tomar.
Que valores posibles constituyen una solución para el
problema.
Las respuestas a estas preguntas son fabricar cuatro productos

simbolizados por X1 , X2 , X3 , X4. que es la cantidad de unidades
producidas de cada producto.
Identificación de los datos del problema
La finalidad de resolver un problema es proporcionar los valores reales

para las variables de decisión. Para esto se requiere determinar los
recursos disponibles por ejemplo en este caso cantidad de materia prima
disponible (180), de espacio (230) y de producción (5).
Característica clave.
La necesidad de determinar los datos del problema para lograr el objetivo,

al desarrollar el problema, y verificar si se necesita información adicional
para determinar las variables de decisión.
Identificación de la función objetivo
En esta parte se pretende expresar el objetivo organizacional en forma

matemática usando las variables de decisión y los datos conocidos. Se
puede considerar que cada una de las variables de decisión tiene una
función específica dentro del contexto del objetivo general (optimizar), con
el fin de obtener un único valor. Para el caso.

Página 32
Maximizar las utilidades, a partir de los aportes o beneficios de cada
unidad fabricada $5 el producto uno (X 1), y totalizar todos los aportes para
las respuestas de las variables de decisión.
La función objetivo será:
Maximizar Z = 5X1 + 6,5X2 + 5X3 + 5,5X4
CARACTERÍSTICA CLAVE
La función objetivo depende de:
Enunciado del objetivo de manera verbal. Descomponer el objetivo en una

suma, diferencia y/o producto de términos individuales.
Expresar los términos individuales usando las variables decisorias y los

datos.
Identificación de las restricciones.
Las restricciones son condiciones que las variables de decisión deben

satisfacer para constituir una solución aceptable de un problema.
Estas pueden ser de limitaciones físicas (horas de trabajo de una planta),

restricciones administrativas (satisfacer una demanda de un cliente
especial) restricciones externas que las puede dar el mercado,
restricciones lógicas sobre las variables (respuestas enteras).
Considerando nuestro ejercicio se pueden dar restricciones por los

recursos disponibles por ejemplo, limitaciones físicas de materia prima,

Página 33
donde lo disponible es 180 libras distribuidas acorde a cada producto lo
que se puede escribir como:
2X1 + 2X2 + 1,5X3 +X4 < 180,
Además 2X1 +2,5X2 + 2X3 + 1,5X4 < 230 pies cúbicos de espacio de
almacenamiento, relaciones implicadas entre variables, la tasa de
producción que indica proporcionalidad, es decir si 15 unidades se
producen en una hora, una unidad en cuánto tiempo se producirá.
Entonces se tiene: X = 1 Unid por hora / 15 unidades =1/15 (hora/unidad).

Lo que la restricción se escribe:
X1 /15 + X2 /30 + X3 /10 + X4 /15 < 5 horas.
Las limitaciones son lógicas cuando la respuesta de las variables de

decisión deben ser positivas o sea la restricción de no negatividad.
X1 > 0, X2 >0, X3 >0, X4 >0.
CARACTERÍSTICA CLAVE.
 Es importante tener en cuenta las variables de decisión y los

datos del problema para definir cada una de las
restricciones.
 Expresarlas como una suma, o diferencia o producto de
cantidades individuales.
 Establecer la magnitud de la dirección, teniendo en cuenta
las limitaciones formuladas.
 Una vez reunidos todos estos elementos descritos se hace
una formulación matemática del problema de acuerdo a :

Página 34
Maximizar:
5X1 +6,52 + 5X3 + 5,5X4 (ganancia) sujeto

2X1 + 2X2 + 1,5X3 + X4 < 180 (materia prima)
2X1 + 2,5X2 +2X3 + 1,5X4 < 230 (espacio)
X1 / 15 + X2 / 30 + X3 / 10 + X4 /15 < 5 (tasa de producción)
Donde cualquier X representa el número de unidades a fabricar de un

producto.
La formulación del problema en general implica tres pasos:
 Paso 1. Identificación de las variables de decisión.

 Paso 2. Identificación de la función objetivo.
 Paso 3. Identificación de las restricciones.
A continuación presentamos una serie de problemas que triplican las

posibles aplicaciones de la programación lineal.
Problema del transporte. Son situaciones donde se trata de determinar

el plan de mínimo costo para embarcar bienes desde las instalaciones de
producción hasta los mercados de distribución.
Una compañía tiene dos fábricas que suministran 800 y 1300 unidades de
un producto a tres centros de distribución que requieren 600, 1000 y 1600
unidades del producto. El costo de transportar una unidad del producto
desde cada fábrica hasta cada uno de los destinos está expresado en la
siguiente matriz de costos de transporte:

Página 35
centro 1 centro 2 centro 3
oferta
Fábrica 1 17 $/unid 10$/unid 8 $/unid 800
Fábrica 2 6 $/unid 9$/unid 5$/unid 1300
Demanda 600 1000 1600
Establecer un plan de envíos óptimo a mínimo costo desde las fábricas a

los centros de producción.
Teniendo en cuenta los pasos mencionados anteriormente definimos las

variables de decisión como la cantidad de unidades enviadas desde un
centro de fabricación a un centro de distribución, por ejemplo desde la
fábrica 2 al centro 3, que tengan el costo mínimo. En este caso se tiene 6
variables de decisión 2 fábricas x 3 destinos = 6 fabrica por destino.
Por lo tanto una variable de decisión se simboliza como X ij donde i

representa la exima fábrica i=1,2 y j representa el eximo destino en este
caso j=1,2,3. La combinación X 1,3 representa envíos desde la fábrica 1
hasta el centro 3.
Los datos del problema están conformados por las diversas ofertas y
demandas, y los respectivos costos de transporte unitarios, los cuales
combinados dan nuestras restricciones.
Con estos datos creamos la función objetivo definida como:
Min Z = 17X11 + 6 X21 + 10X12 + 9X22 + 8X13 +5X23
las restricciones corresponden a cada uno de los recursos disponible

como son la oferta Fábrica 1 X11 + X12 +X13 < 800 unidades,

Página 36
Fábrica 2 X21 + X22 +X23 < 1300
Con respecto a la demanda se tiene para cada centro:
centro 1 X11 + X21 > 600

centro 2 X12 + X22 > 1000
centro 3 X13 + X23 > 1600
En los siguientes ejercicios amigo estudiante, realice los planteamientos

necesarios siguiendo los pasos recomendados para la formulación de
problemas de programación lineal. Con posterioridad contraste sus
resultados con las respuestas dadas.
Ejercicios
Nº 1
Una compañía comercializadora tiene 1,5 millones para asignarlos a uno

de sus almacenes. Se desea comprar 3 productos A, B, C que requiere
para su almacenamiento un espacio de 30, 3, y 15 pies cúbicos
respectivamente por unidad, en una bodega de 300.000 pies cúbicos. El
precio de compra de cada producto es de $ 12, $4,5 y $15
respectivamente. Que cantidad debe adquirirse de cada producto si el
precio de venta de cada uno es de $15, $6 y $21 con el fin de maximizar
la utilidad.
Nº 2
Una compañía de transporte dispone de 400 millones para adquirir

vehículos de carga. Se ofrecen tres modelos con las siguientes
características:

Página 37
A B C
Capacidad 10 18 25
Costo 18 25 35
conductores 1 1 1
Además la nómina de conductores es de 20 y la cantidad de vehículos de

15. ¿Cómo deben comprarse los vehículos de tal forma que se maximice
la carga de transporte?
Formulación general de un problema de programación lineal.
Un problema de programación lineal consiste en optimizar una función

lineal, que denominamos función objetivo:
Z = c1· x1 + c2· x2 +....+ cn· xn
En la que las variables, xi, están restringidas a condiciones lineales del

tipo = ó  ó :
≤
A1i· x1 +a2i· x2 +....+api· xp = bp
≤
Ejemplo
Para casos sencillos (2 variables o quizá 3) se puede resolver

gráficamente, siguiendo esta metodología:
1.- Se dibujan las restricciones, que formarán un poliedro:

Página 38
2.- Se dibujan varias de las curvas que cumplan la ecuación dada (en este
caso: 6 x1 + 3 x2 = k), dando valores a k para ver su posición respecto al
poliedro anterior.
3.- A la vista de lo que salga se determina el valor de k óptimo que sigue

cortando a la región en el mayor valor posible:
Valor máximo: 210

x1: 32 x2: 6

Página 39
* Notas importantes:
2
1-.En ℜ el conjunto determinado por las condiciones es un polígono, que
es convexo.
2.- Puede ser o no ser acotado.
3.- Si es acotado, el problema siempre tiene solución. Si no es acotado,

puede o no haber solución.
4.- Cuando hay solución, ésta se alcanza en un vértice.
5.- Si la solución se alcanza en más de un punto, se alcanza en infinitos

puntos, compuesta por la línea que une dos vértices.
En resumen, podemos encontrarnos con que el problema tenga:
* Ninguna solución.
* Una solución.
* Infinitas soluciones.
Soluciones de un problema de programación lineal.
* Problema de programación lineal canónico (patrón)
Llamaremos problema de programación lineal canónico (patrón) a aquél

que se nos presente de este modo:
Maximizar Z = c1 x1 + c2 x2 + ....+ cn xn , sujeto a
a11 x1 +a12 x2 +....+a1n xp = b1

a21 x1 +a22 x2 +....+a2n xp = b2
ap1 x1 +ap2 x2 +....+apn xp = bp
con bi ≥ 0 y xi ≥ 0
Que expresado matricialmente queda del siguiente modo:

Página 40
Maximizar Z = Ct · X, con A · X = B
con B, X ≥ Õ
siendo:
A, matriz de coeficientes
X, matriz de incógnitas
B, matriz de términos independientes
Z, función objetivo
Ct, matriz de coeficientes de la función objetivo
Existen otros prototipos de problema patrón, dependiendo del libro que

cada uno consulte, pero es éste con el que vamos a trabajar.
Si el problema no se ajusta a este modelo debemos transformarlo para

ajustarlo al problema patrón. Para ello debemos seguir las reglas de
transformación siguientes:
1.- Si el problema de programación lineal inicial consiste en la

minimización de una función objetivo, Z, se hace uso de la siguiente
expresión:
min Z = - max (-Z)
2.- Si alguna restricción es ≤ ó ≥ entonces se introducen variables

adicionales que conviertan a la desigualdad en una igualdad.
5 x1 +3 x2 ≤ 7 ⇒ 5 x1 +3 x2 + y = 7 >0
(y, nueva variable positiva)
2 x1 -5 x2 -3 x3 ≥ 4 ⇒ 2 x1 -5 x2 -3 x3 - y = 4
Cada nueva variable introducida se reflejará en la expresión de la función

objetivo multiplicado por cero.
3.- Si algún término independiente b i ≤ 0, debemos multiplicar la ecuación

afectada por -1.

Página 41
4.- Si alguna variable xi ≤ 0, se separa xi en
xi = xi+- xi-
con xi+, xi- ≥ 0
Ejemplo
La solución del problema inicial vendrá dada en función de la solución del

problema transformado.
* Paso previo.
1.- Si el rango de la matriz A (matriz de coeficientes) es distinto al rango

de la matriz ampliada, el sistema de restricciones carece de solución y por
tanto el problema de programación lineal no tiene solución.
2.- Si el rango de la matriz A (matriz de coeficientes) es igual al rango de

la matriz ampliada e igual al número de incógnitas, podremos aplicar el
teorema de Rouche-Frobenius:
- El sistema es compatible determinado. Hay un único vector solución, S,

del sistema A·X= B.
- El sistema tiene solución pero el problema puede que no (depende del
signo de S).
3.- Si el rango de la matriz A (matriz de coeficientes) es igual al rango de

la matriz ampliada, h, pero menor que el número de condiciones, existirán
infinitas soluciones del sistema.
- Es un sistema compatible indeterminado.

- Hay más condiciones de las que se necesitan.

Página 42
- De todas las condiciones del sistema solamente se necesitan h (las que
proporcionan el rango).
Por tanto, eliminamos las condiciones restantes pues son combinaciones

lineales de las que quedan.
Resumiendo, para resolver un problema de programación lineal patrón se

parte de que rg (A) =rg (ampliada) = Nº de condiciones < Nº incógnitas
La situación inicial de un problema de programación lineal que vamos a

intentar resolver es el siguiente:
Maximizar z = Ct · X, con A · X = B con B, X ≥ Õ

(rg (A) = rg (ampliada) = nº de condiciones < nº incógnitas)
Al conjunto de soluciones S del sistema A·X=B que sean S ≥ Õ se les

denomina "Soluciones posibles" del problema de programación lineal.
Además es un poliedro de ℜ n y convexo.
Se puede probar que si el conjunto de soluciones posibles es acotado

entonces el problema de programación lineal siempre tiene solución.
Y si el conjunto no es acotado puede tenerla o no.
También es cierto que si el problema de programación lineal tiene

solución entonces ésta se alcanza en un vértice del conjunto de
soluciones posibles y además es cierto que si la solución se alcanza en 2
vértices entonces también son solución del problema de programación
lineal todos los puntos del segmento que une a esos 2 vértices (o sea,
habrá infinitas soluciones).

Página 43
Los vértices del conjunto de soluciones posibles se denominan
"soluciones posibles básicas" y están caracterizados por ser vectores con,
al menos, n-m componentes nulas *, de manera que las columnas de P j de
A que corresponde a las variables no nulas son linealmente
independientes.
* N es el número de incógnitas obtenidas del problema y m el número de

condiciones suministradas
Ejemplo.
Dado un problema de programación lineal con 5 ecuaciones y 7

incógnitas, tendremos que:
n=7 y m=5
La solución del problema de programación lineal hay que buscarla entre

vértices de 7 componentes y 2 de estos componentes serán nulos, al
menos.
Tiene 2 (n-m) componentes nulas (al menos).
Teóricamente, el problema está resuelto (hay un número finito de vértices

y es cuestión de ir probando la función objetivo Z en cada uno de ellos).
Método del simplex.
Es un método que permite la resolución de un problema de programación

lineal, si esto fuera posible.
La metodología es la siguiente:

Página 44
Se sale de un vértice inicial, v0 obteniendo un valor z0 para la función a
optimizar. Se ve si es posible una mejora. Se genera v 1 que mejora v0, se
ve z1 y se comprueba si es posible mejorar, v 2 y así sucesivamente hasta
encontrar el vértice solución, donde es imposible mejorar z , llegando, en
último momento a la solución.
En cada paso se va variando, como se explicará después, las matrices A,

B y la expresión de la función objetivo, Z.
Vamos a desarrollar un ejemplo, y así entenderemos mejor cómo funciona

el método.
Maximizar Z = -5x1 + 8x2 + 3x3, sujeto a

2x1 + 5x2 - x3 ≤ 1
-3x1 - 8x2 + 2x3 ≤ 4
-2x1 - 12x2 + 3x3 ≤ 9
1. Expresamos estas condiciones en forma matricial. Se eligen 3 (m)

columnas linealmente independientes dentro de A → P4, P5, P6.
P4 P5 P6
2 5 -1 1 0 0 1
-3 -8 2 0 1 0 4
-
-2 3 0 0 1 9
12
2. Al introducir estas tres nuevas columnas, estamos utilizando tres

variables adicionales: x4, x5 y x6.
3. Nuestra función objetivo tendrá la siguiente expresión:
Z = -5x1 + 8x2 + 3x3+ 0x4 + 0x5 + 0x6
4. Se resuelve el sistema en las variables correspondientes:

Página 45
1 - 2x1 - 5x2 + x3 = x4
4 + 3x1 + 8x2 - 2x3 = x5
9 + 2x1 + 12x2 - 3x3 = x6
5. Haciendo x1= x2= x3= 0 se obtiene el vértice de salida:
(0,0,0,1,4,9)
6. Obtenemos, asimismo una "nueva" función objetivo:
Z =-5x1 + 8x2 + 3x3+ 0· (1 - 2x1 - 5x2 + x3)+ 0· (4 + 3x1 + 8x2 - 2x3) + 0· (9 +

2x1 + 12x2 - 3x3)
7. De aquí obtenemos que z0= 0
8. Para ver si es posible mejorar z 0, se examina la función z=f(x1, x2,

x3) y de todos los coeficientes que sean positivos, se coge el
mayor. Mientras haya coeficientes positivos se va a poder mejorar.
Se plantea como aumentar el valor de una variable, de forma que las

otras variables que aparecían en la expresión de Z sigan nulas y, al
menos, una de las que eran distintas de cero se anule.
Actuaremos sobre la variable x2, ya que es la de mayor coeficiente, 8.

Nuestro siguiente vértice debe cumplir las siguientes condiciones:
x2=k>0,
x1= x3= 0
y x4, x5, x6 ≥ 0 y de estas tres variables, al menos, una nula.
Se resuelve el sistema en las variables señaladas, teniendo en cuenta

todas las anteriores condiciones:

Página 46
1 - 5·k = x4
4 + 8·k = x5
9 + 12·k = x6
Debemos anular x4, ya que es imposible anular x 5 y x6, con valores

positivos. La mejor elección será k=1/5,
Con este valor obtenemos el nuevo vértice de salida:
(0, 1/5 ,0,0, 28/5 ,57/5)
Ahora debemos rehacer las expresiones, expresadas en función de x 1, x3

y x4 .
9. Se cambia la columna de la variable señalada que acaba de

anularse por la de la señalada que aumentó su valor.
P2 P5 P6
2/5 1 -1/5 1/5 0 0 1/5
1/5 0 2/5 8/5 1 0 28/5
14/5 0 3/5 12/5 0 1 57/5
10. Se resuelve el sistema y se encuentra la expresión de la función

objetivo correspondiente a esa elección de columnas.
Z = 8/5 - 41/5 x1 + 23/5 x3 + 8/5 x4

11. Obtenemos z1, que saldrá de sustituir el valor del vértice hallado
en la nueva expresión de la función objetivo:

Página 47
z1= 8/5.
12. Se repite cuantas veces haga falta el proceso. (mientras haya

coeficientes positivos).
x3= k
x1, x4= 0
Por tanto,
1/5 + k/5 = x2
28/5 - 2/5 ·k = x5
57/5 - 3/5 ·k = x6
Elegimos k= 14 (2ª igualdad), obteniendo los siguientes valores:
P2 P3 P6
1/2 1 0 1 1/2 0 3
1/2 0 1 4 5/2 0 14
5/2 0 0 -3/2 0 1 3
Se resuelve el sistema y se encuentra la expresión de la función objetivo:
Z = 66 - 21/2 x1 - 20 x4 + 23/2 x5
Calculamos el vértice de salida, haciendo x1= x4= x5= 0,
(0,3,14,0,0,3)  z2= 66
Ya no se puede mejorar este valor (no hay coeficientes positivos). El

proceso ha finalizado.

Página 48
Vértice solución: (0,3,14)
Alcanzado para Z= 66.
Comentarios
Para arrancar el simplex se precisa de un vértice inicial.

Cuando las columnas de la matriz identidad están dentro de A,
este primer vértice siempre se puede hallar.
Si Im no está dentro de A:
(Im , matriz identidad de mxm, con m= nº de condiciones.)
1. Debe elegirse m columnas linealmente independientes de A

cualesquiera. Aun así, puede que el simplex no arranque.
2. Manipular las ecuaciones del sistema para que éste sea
equivalente y la matriz identidad aparezca en el sistema final.
1 1 -1 0 1 1 1 -1 0 1
F1
230 1 6 F2- 2F1 012 1 4
3. con Z, función objetivo del problema.

4. Introducción de nuevas variables, variables artificiales (no
confundir con adicionales). Serán tantas como sean necesarias y
donde sean necesarias para obtener la matriz identidad.
-1 0 0 1 1 48
1 2 -1 0 0 97
0 2 0 -1 0 11

Página 49
-1 0 0 1 1 0 0 48
1 2 -1 0 0 1 0 97
0 2 0 -1 0 0 1 11
5. con Z, función objetivo del problema.

Esta introducción afecta a las condiciones y a la función objetivo que
quedará modificada en el sentido de que habrá dos variables nuevas más
(variables artificiales).
Se añaden tantos sumandos nuevos como variables artificiales

introducidas con coeficiente -M, siendo M arbitrariamente grande, que no
hace falta especificar.
Z = 2x1 - x2 + x4 - 3x5 - M(x6 + x7)
Obtenemos un nuevo problema, llamado problema aumentado, de cuya

solución se saca la solución del problema estudiado:
I. Problema inicial (a su forma canónica): A·X = B; Z = Ct · X

II. problema aumentado: A' ·X = B; Z* = C' t · X
Si el problema aumentado tiene solución en un vértice en el que todas las

variables artificiales toman el valor cero, tendremos un vértice solución
para el problema en la forma canónica.
Vs* = (v1, v2,..., vn, ..., 0,..., 0 ) solución de II  Vs = (v1, v2,..., vn) solución de
I.
Si el problema aumentado tiene una solución en un vértice en el que

alguna de sus componentes artificiales sea no nula, el problema inicial no
tiene solución.

Consejos prácticos.

Página 50
- Para el ordenador, M debe ser concreto, no entiende nuestra
arbitrariedad. En determinados problemas, introducir un valor de M no
muy grande puede inducir a resultados falsos o ningún resultado.
- En la tabla final del simplex se puede detectar si el problema de

programación lineal tendrá infinitas soluciones.
En ella se observa la correspondiente expresión de la función objetivo y

las variables no señaladas en la tabla, buscando si alguna de ellas tiene
valor cero en el vértice final y el correspondiente coeficiente en la función
es nulo.
no señaladas >>> P4 P5
1 0 0 1 2 16
0 1 0 -1 1 2
0 0 1 4 5 52
P1 P2 P3 <<< señaladas
última tabla de un ppl.
Z= 14 - x5; vs= (16,2,52,0,0)
x4= 0 en el vértice final, pero en la función objetivo  0 x4
Entonces el problema tiene infinitas soluciones.
- A lo largo del desarrollo del simplex se puede detectar si este problema

va a carecer de solución. Esto sucederá si en alguna tabla se da la
circunstancia de que todos los elementos de alguna columna son

Página 51
negativos, mientras que en la expresión de la función objetivo (de dicho
paso) la variable asociada tiene un coeficiente positivo.
P3
1 0 -7 0 2 16
0 1 -3 0 1 2
0 0 -1 1 5 52
Z= 14 + x3 - x5
El problema carece de solución, ya que la columna P 3 tiene todos sus

términos negativos y, en la función objetivo, su variable asociada (x 3) tiene
un coeficiente positivo.
- Debe haber n-m componentes nulas. Puede haber vértices con más de
n-m componentes nulas. Esto nos llevará a posibles soluciones básicas
"degeneradas". Es posible encontrarnos con casos de paso por vértices
"degenerados" que producen ciclos y en donde es imposible la obtención
de una solución. Esto es bastante raro y en general no se producen
problemas, salvo en algunos problemas de "laboratorio
Problema dual
Para que dos problemas sean duales uno responderá a la estructura 1

y el otro a la estructura 2. A uno se le llama primal y al otro dual.
1. Maximizar Z= Ct·X, si A·X≤ B y X≥Õ

2. Minimizar Z'= Bt·Y, si At·Y≤ C e Y≥Õ
Dos problemas duales no son sencillos de reconocer a simple vista. Uno

de ellos se colocará con la estructura 1 e intentaremos transformar éste
en otro con la estructura 2. Ambos serán duales,... si lo conseguimos.


Página 52
Condiciones.
El número de ecuaciones de uno es igual al número de incógnitas

del otro y viceversa.
Los coeficientes de la función objetivo en uno se convierten en
términos independientes del otro.
Teoremas.
o Si uno de ellos tiene solución entonces la tendrá el otro, y al revés.
Además el valor numérico de la función objetivo en los vértices
solución de ambos problemas, será el mismo (no el vértice).
o Si uno tiene función objetivo no acotada entonces el otro carece de
solución.
o Si uno de ellos carece de solución, el otro tiene función no acotada
y/o carece de solución.
o Si x e y son soluciones posibles respectivas del primal y dual,
entonces ambas son soluciones óptimas respectivas si y sólo si
simultáneamente se cumplen:
xi[( At· Y)i- ci]= 0; Para todo índice i pertinente
yj[( A· X)j- bj]= 0; Para todo índice j pertinente
Introducción matemática previa a la metodología de la programación

lineal
En forma resumida, a continuación se exponen os elementos básicos

matemáticos necesarios para comprender mejor la metodología de la
Programación Lineal.
Matriz

Página 53
Arreglo ordenado de elementos que responden a determinadas
propiedades.
Símbolos de una matriz:
Toda matriz tiene un número de filas (m) y un número de columnas (n)
Luego la dimensión de la matriz será:
mxn
Ejemplo: A: 3x4 3 filas 4 columnas
B: 3x3 3 filas 3 columnas
C: 4x3 4 filas 3 columnas
Elementos de una matriz: se identifican con el subíndice mn y con los

coeficientes a
a11 a12 a13 . . . . . . . . . . . . . . . a1n
a21 a22 a23 . . . . . . . . . . . . . . . a2n
a31 a32 a33 . . . . . . . . . . . . . . . amn
Clases de Matrices.
Cuadrada: igual número de filas y columnas

Rectangular: distinto número de filas y columnas
Diagonal: Todos los elementos son cero, a excepción de los
ubicados en los sitios m = n
Unitaria: Matriz cuadrada cuyos elementos son cero y en la
diagonal todos igual a uno (1)

Página 54
Transpuesta: Cuando se intercambian filas por columnas o
viceversa.
Igualdad de
Matrices: Sólo cuando son idénticas.
Ejemplos de matrices
3 2 3 1 2 6 0 0 0
1 0 1 0 -1 0 5 0 0
4 2 6 0 0 4 0
1 -3 4 0 0 0 1
Cuadrada Rectangular Diagonal
1 0 0
0 1 0
0 0 1
Unitaria
6 5 -1 6 3 1
3 2 0 5 2 4
1 4 -2 -1 0 -2
A A (TRANSPUESTA)
3 2 1 3 2 1
0 -1 5 = 0 -1 5
2 -3 0 2 -3 0
A B
Igualdad de Matrices
Operaciones con matrices
Existen las siguientes operaciones matriciales:
Suma y resta: Se suman algebraicamente entre elementos

correspondientes.

Página 55
4 2 5 0 9 2
+ =
1 3 1 2 2 5
4 2 - 5 0 = -1 2
1 3 1 2 0 1
Multiplicación escalar: Cuando una matriz es multiplicada por una

constante escalar, todos los elementos de la matriz quedan multiplicados
por dicho escalar.
4 2 12 6
=
3 1 3 3 9
K.A
Multiplicación de Matrices: Para multiplicar dos o más matrices, es

necesario que el número de columnas de la primera matriz sea igual al
número de filas de la segunda matriz. Esta condición recibo el nombre de
“conformabilidad”. La multiplicación entre matrices se obtiene de la
multiplicación de los elementos de cada fila de la primera matriz por los
correspondientes de las columnas de la segunda matriz y se suman los
resultados.
3 2
1 5 2
-1 0
No podemos multiplicar
3 2 1 3 = 3x1+2x5 3x3+2x2 = 1 13 13

Página 56
-1 0 5 2 -1x1+0x5 -1x3+0x2 -1 -3
A B = A. B
División o Inversa de la Matriz: Para que una matriz tenga inversa, deberá
reunir las siguientes condiciones:
1. El determinante deberá ser diferente de cero

2. La multiplicación de la matriz origina A por su inversa A _1
Deberá ser igual, a la multiplicación de la matriz inversa A _1 por
su matriz original y ambos resultados deberán ser iguales a la
matriz unitaria o identidad.
3. cuando la matriz tiene inversa se la denomina no singular
A. A_1 = A_1. A = I
Para obtener la inversa de la matriz existen dos métodos, los más

usuales, éstos son: a) por cofactores; b) por el método pivotal.
Inversa de la Matriz por el Método de Cofactores.
Los elementos de la Matriz Inversa A _1 ó B se los obtiene de los

correspondientes cofactores inversos de la matriz original, divididos para
el determinante.
Aji
bij = -------
A
2 4
Ejemplo: Encontrar la inversa de la matriz
-1 3
1. Obtenemos el determinante:

Página 57
(3 x 2) - (4 x 1) = [10]
2. Obtenemos los respectivos cofactores o adjuntos
A11 = (_1) 1 + 1 x 3 = 3
A12 = (_1) 1 + 2 x (-1) = 1
A21 = (_1) 2 + 1 x 4 = -4
A22 = (_1) 2 + 2 x 2 = 2
3. Obtenemos los elementos de la Matriz Inversa

A_1 ó B
Aji
bij = --------
|A|
A11 3
b11= ------- b11= ------
|A| 10
A21 -4
b12= ------- b12= ------
|A| 10
A12 1
B21= ------- b11= ------
|A| 10
A22 2
B22= ------- b11= ------
|A| 10
Luego la matriz inversa será:
3 -4
----- -----
10 10
B=
1 2
----- -----

Página 58
10 10
Comprobamos:
A.A_1 = A_1.A = I
2 4 3 -4 2 x 3 + 4.1 2 x –4 + 4.2
10 10 10 10 10 10
=
-1 3 1 2 -1 x 3 + 3.1 -1 x -4 + 3.2
10 10 10 10 10 10
1 0
[A] [A] -1
=
0 1
3 -4 2 4 3 x 2 + -4 x -1 3 x 4 + -4 x 3
---- ---- --- --- --- ---
10 10 10 10 10 10
1 2 -1 3 1 x 2 + 2 x -1 1 x 4 + 2 x 3
---- ---- --- --- --- ---
10 10 10 10 10 10
1 0
[A]-1 [A] =
1 1
Cálculo de la Matriz Inversa por el Método Pivotal.- El método pivotal
es más simplificado en relación al método de cofactores; se denomina
también método de emplazamiento. Tiene por objeto tomar el “pivote”
(eje) por etapas sucesivas a todos los elementos:
ai = j; por ejemplo: a11
a22
a33

Página 59
a44
am = n
Al seleccionar el primer elemento a 11, todos los demás elementos de la fila

1 quedarán divididos por ese valor, como si en realidad estuviéramos
despejando una incógnita; los otros valores de las filas siguientes son
reemplazados en el valor obtenido, procesos que se explican
matricialmente en la siguiente forma:
A la matriz original anexamos una matriz unitaria o identidad del mismo

orden y vamos obteniendo los valores seleccionados y reemplazados:
1 0 2 4
0 1 -1 3
Matriz Unitaria Matriz Original
Procedimiento:
COEFICIENTES
1 0 2* 4 A11 _2
I * _pivote
0 1 -1. 3 . _ semipivote

Página 60
0.5 0 1 2. a11 _2
II _pivote transformado
0.5 1 0 5* * _semipivote
0.3 -0.4 1 0
III _pivote transformado
0.1 0.2 0 1
Matriz Inversa Matriz Unitaria
Explicación:
I ETAPA: Seleccionamos el elemento a11 = 2. Este valor hace de

pivote, es decir, se dividen los elementos de la primera fila
por ese valor obtenemos:
II ETAPA: 1 0 2 4
----- = 0.5 ----- = 0----- = 1----- = 2
2 2 2 2
0 – (0.5x –1)=0.5 1 – (0x –1)=1 1-(1x –1)=0 3-(2x-1)=5
Seleccionamos el elemento a22 = 5 y aplicamos el mismo

procedimiento:
III ETAPA: 0.5-(0.1x2) = 0.3 0-(0.2x2)=0.4 1-(0x2)=1 2-(1x2)=0
0.5 1 0 5
------ = 0.1 ------ = 0.2----- = 0 ------ = 1
5 5 5 5
Luego la matriz inversa obtenida es:

Página 61
0.3 -0.4 3 -4
Idéntica a la obtenida 10 10
por el método de
Cofactores
0.1 0.2 1 2
10 10
A_1
El método pivotal tiene la gran ventaja de ser más corto en relación al de
cofactores, aunque exige mayor destreza en las operaciones y facilita en
buena forma la concepción del método Simples de la Programación
Lineal.
Cuando existen muchas ecuaciones e incógnitas, el método por

cofactores es muy extenso, lo que dificulta su desarrollo.
Sistemas de ecuaciones lineales
Los problemas de Programación Lineal se resuelven básicamente

mediante ecuaciones lineales (de primer grado).
Principales características:
a. Cuando una ecuación tiene una única solución diferente a las otras
del sistema, el sistema adquiere el nombre de inconsistente.
b. Cuando dos o más ecuaciones tienen la misma solución, se lo
reconoce como sistema redundante.
c. Cuando dos o más ecuaciones satisfacen simultáneamente la

solución del sistema, éste es consistente.
Sistemas Generales

Página 62
En los sistemas de ecuaciones encontramos tres alternativas:
1. Mayor número de ecuaciones que de variables.
a11 X1 + a12 X2 + a13 X3 = b1
a21 X1 + a22 X2 + a23 X3 = b2

a31 X1 + a32 X2 + a33 X3 = b3
a41 X1 + a42 X2 + a43 X3 = b4
m > n El sistema no tiene solución
2. Igual número de ecuaciones que de variables
a11 X1 + a12 X2 + a13 X3 = b1

a21 X1 + a22 X2 + a23 X3 = b2
a31 X1 + a32 X2 + a33 X3 = b3
m=n El sistema tiene una sola solución
3. Menor número de ecuaciones que de variables.
a11 X1 + a12 X2 + a13 X3 = b1

a21 X1 + a22 X2 + a23 X3 = b2
m = n El sistema tiene múltiples soluciones
Este es el caso más frecuente que se presenta en problemas de

Programación Lineal.
Métodos de la programación lineal
Los más utilizados en la solución de casos prácticos son: a) El Método

Gráfico; y, b) El Método Simples.
El método grafico

Página 63
Como su nombre lo indica es un método que permite visualizar las
alternativas que se van presentando y que son sujetas a eliminaciones,
hasta encontrar la solución óptima.
De acuerdo a las condiciones generales, deberá cumplir los cuatro

requisitos básicos:
1. Función objetivo
2. Conjunto de limitaciones o restricciones
3. Condición de no negatividad
4. Condiciones de optimización:
Solución factible
Solución básica factible
Solución óptima factible
En el método gráfico se trata de resolver por aproximaciones o iteraciones

gráficas las posibilidades de mejorar las soluciones de conformidad a la
función objetivo determinada. Mediante este método se pueden resolver
únicamente problemas para solo dos variables. Para más de dos
variables es imposible su representación gráfica.
Los casos de maximización mediante el método grafico
Supongamos el siguiente ejemplo: una empresa fabrica dos tipos de

productos: I y II. El primero requiere de la utilización de 7Kg. de materia
prima, de 2 horas hombre de mano de obra y de 4.5 horas máquina. El
producto 2 requiere de 3kg. de materia prima , de 3 horas hombre de
mano de obra y de 4 horas máquina. La empresa cuenta para la
fabricación de productos con los siguientes recursos: 21kg., de materias
primas; 12 horas de mano de obra y 18 horas máquinas. Cuál es la
combinación óptima de producción que maximice el beneficio, sabiendo
que la empresa estima ganar $ 15 en unidad de X 1 y $11 en unidad de X2

Página 64
Procedimiento:
Identificación de variables: Producto I: X1

Producto II: X2
Función objetivo: Z (MAX) = 15 X1 + 11X2

Limitaciones o Restricciones: 7 X1 + 3X2 < 21
2 X1 + 3X2 < 12
4.5 X1 + 4X2 < 18
Condición de no negatividad: Xj > 0
En este caso las expresiones < (igual o menor) indican que la empresa no
podrá utilizar más recursos de los que dispones (finitud) y los coeficientes
de X1 y X2 corresponden a las necesidades técnicas de producción.
En sentido horizontal las inecuaciones expresan las necesidades de cada

unidad del producto I y del producto II, respecto de los recursos
disponibles.
Verticalmente, los coeficientes técnicos nos expresan la composición de

cada recurso para la producción de cada unidad de I y de II.
Resolución:
Representamos gráficamente las restricciones del problema:
(1) 7 X1 + 3X2 < 21

7 X1 + 3X2 = 21
X1 = 21 - 3X2
7
X1 X2
3 0
0 7
(2) 2 X1 + 3X2 < 12
2 X1 + 3X2 = 12

Página 65
X1 = 12 - 3X2
2
X1 X2
6 0
0 4
(3) 4.5 X1 + 4X2 < 18

4.5 X1 + 4X2 = 18
X1 = 18 - 4X2
4.5
X1 X2
4 0
0 4.5

Página 66
X2
REGION OPTIMIZACION
2 BASICA
FACTIBLE
0 1 2 3 4 5 6 7
X1
Hemos determinado la región básica factible, que sea positiva y satisfaga
las condiciones o restricciones del problema; un punto por fuera de esta
región y ano satisface los requerimientos técnicos y nos interpretará que
estamos utilizando recursos por encima de los existentes, y eso no es
cierto, no podemos.
Conocida la región básica factible procedemos a ensayar puntos

combinados que nos den respuesta o sea que cumplan con las
restricciones del problema y con el propósito de la función objetivo
(maximizar).
Iteraciones. Valor para X1 X2 Función Objetivo:

Z = 15 X1 + 11 X2
0 0 0
1 1 26
1 2 37
MAXIMIZACIÓN 2 2 52
3 0 45
1 3 48
1.5 1.5 39
0 4 44
La mejor alternativa se presenta cuando X 1 = 2 y X2 = 2. En efecto, si

reemplazamos en la ecuación objetivo, tenemos:

Página 67
Z(MAX) = 15X1 + 11X2
Z = 15(2) + 11(2)
ZMAX = 52
Siempre, el punto de maximización estará en un vértice de un conjunto

convexo hacia adentro y habrá una curva de isobeneficio que sea
tangente al punto encontrado y ésta será la función objetivo.
Los problemas de minimización por el método grafico
De la misma manera que en los casos de maximización, por el método

gráfico se pueden resolver problemas de minimización; la única diferencia
se observa en el signo de las inecuaciones que regularmente se expresan
por > (igual o mayor). En estos casos el problema se ajusta a encontrar un
conjunto convexo hacia fuera e identificar un punto extremo (vértice) que
minimice la función objetivo. Por lo demás el procedimiento reúne las
mismas características ya conocidas del método gráfico.
Ejemplo:
Se requiere fabricar dos tipos de alimentos que en conjunto reúnan por lo

menos 20 gr. de calorías y 30 de proteínas. El alimento I deberá contener
2 gr. de calorías y 1gr. de proteínas; y el alimento II 3 gr. de calorías y 5
de proteínas, como composición mínima. Se pregunta cuál es la
combinación óptima delos productos que minimice el costo total
conociéndose que el costo unitario de I es $3 y de II $4
Procedimiento:
Identificación de variables: Producto I: X1

Producto II: X2
Función objetivo: Z (MIN) = 3 X1 + 4X2

Limitaciones o Restricciones: 2 X1 + 3X2 < 20

Página 68
1 X1 + 5X2 < 30
Condición de no negatividad: Xj > 0
Las expresiones (igual o mayor) indican que es necesario cumplir por lo

menos con 20 gr. de calorías y 30 de proteínas (condiciones finitas)
Resolución:
Representamos gráficamente las restricciones del problema:
(1) 2 X1 + 3X2 > 20

2 X1 + 3X2 = 20
X1 = 20 - 3X2
2
X1 X2
10 0
0 6.66
(2) 1 X1 + 5X2 > 30

1 X1 + 5X2 = 30
X1 = 30 - 5X2
X1 X2
30 0
0 6

Página 69
30
20
REGION BASICA FACTIBLE
X2
10

Página 70
667 OPTIMIZACION
0 10 20 30
X1
Una vez determinada la región básica factible, área positiva y que

satisface las limitaciones o restricciones del problema, de la misma
manera, un punto por debajo de esta región no satisface los
requerimientos técnicos y nos interpretará que no cumplimos con las
necesidades mínimas.
Ensayamos puntos combinados para X 1 y X2 obviamente todo punto aquel
por arriba del límite del conjunto convexo hacia fuera será mayor que un
punto extremo en un vértice del mismo.
Probemos:
Iteraciones. Valor para X1 X2 Función Objetivo:

Z = 3 X1 + 4 X2
0 0 0
10 10 70
20 10 100
10 20 110
0 20 80
MINIMIZACIÓN 0 6.66 26.64
1.75 6 29.25
30 0 90
Como se observa, los valores de X 1 = 0 y X2 = 6.67 es la combinación

óptima lograda entre una amplia o infinita gama de posibilidades. Luego l

Página 71
decisión será producir o comprar 6.66 unidades del alimento II bajo las
condiciones expuestas.
Ventajas y limitaciones del Método Gráfico
Como se ha podido observar, el Método Gráfico es una gran ayuda para

resolver problemas de programación lineal en forma sencilla
relativamente; permite visualizar los conceptos y las aproximaciones de
orden gráfico llegando a la respuesta óptima fácilmente demostrable.
En cuanto a limitaciones es un método que únicamente resuelve

problemas de dos variables y para un número grande de ecuaciones
puede dificultarse la representación gráfica.
El método simplex
Introducción
Este método fue ideado por George Dantzig (1947), quien realizó
investigaciones en base a relaciones matemáticas de carácter lineal para
resolver problemas de optimización en la Fuerza Aérea de los Estados
Unidos.
Llegó a comprobar que se pueden resolver problemas que aparentemente

no tendrían solución o tendrían múltiples soluciones desde el punto de
vista estrictamente matemático.
El Simplex se fundamenta en encontrar una solución básica factible a

partir de la cual se van generando nuevas soluciones hasta encontrar la
óptima (maximización o minimización). Es un método iterativo
(aproximaciones sucesivas) que partiendo de un punto extremo conocido,

Página 72
permite encontrar nuevos valores hasta satisfacer las condiciones de la
función objetivo, limitaciones y no negatividad.
Procedimiento
Cualquiera que sea el número de inecuaciones y de incógnitas de un

sistema, este por sí mismo se ajusta a un tratamiento de identificación
que nos dé una idea de que sea sujeto de solución.
Como ya se vio en la introducción matemática, cuando el sistema reúne a

un número de ecuaciones inferior al número de incógnitas, existen
muchas soluciones. Justamente éste es el caso más frecuente de los
problemas de programación lineal, y en virtud de ello, el autor consideró la
habilidad de introducir (+) variables de holgura en los casos de la
expresión < (igual o menor); y restar (-)variables de holgura e introducir
variables artificiales en los casos de > (mayor o igual).
Cada caso se comprenderá con un ejemplo y así podremos establecer su

similitud y diferencias.
Maximización mediante el método simplex
La empresa XY fabrica los siguientes productos: I. puertas de madera

sencillas, II. puertas de madera semi talladas; y III. puertas de madera
talladas. El producto I requiere de 6 unidades de materia prima, 8
unidades de utilización de mano de obra y 3 unidades de utilización de
máquinas y equipos auxiliares. El producto II requiere de 9, 11 y 4
unidades de los recursos indicados, en su orden, y el producto III, de 8,
16 y 10 unidades, respectivamente. Para la producción la firma cuenta
con 1.650 unidades de materia prima; 1.920 unidades medidas en mano
de obra y 1.180 unidades para maquinaria y equipos. El gerente de la

Página 73
empresa estima que el margen de beneficio unitario es de $900; 1500 y
2200 para los productos indicados, en su orden. Se trata de obtener el
máximo beneficio de acuerdo con la combinación óptima de producción.
Planteamiento:
Identificación de variables: Producto I: (puertas sencillas) X1

Producto II: (puertas semi talladas) X2
Producto III: (puertas talladas) X3
Función objetivo: Z (MAX) = 900X1 + 1500X2 + 2200X3

Limitaciones o Restricciones: 6 X1 + 9X2 + 8X3 < 1650
8 X1 + 112 + 16X3 < 1920
3 X1 + 4X2 + 10X3 < 1180
No negatividad: Xj > 0
Resolución.
Así como está planteado el sistema, no existe solución única, pues un

sistema de inecuaciones implica muchas posibilidades, razón por la cual,
el método simple va generando soluciones básicas.
1. Introducción de variables de holgura
Como un miembro de la inecuación es inferior al otro, es necesario

introducir una variable denominada de holgura que cubra imaginariamente
el valor faltante, para convertirlo en igualdad. A estas variables las
conocemos como X1 X2 . . . Xn
6 X1 + 9X2 + 8X3 + X1 = 1650
8 X1 + 112 + 16X3 + X2 = 1920
3 X1 + 4X2 + 10X3 + X3 = 1180
al convertir el sistema de desigualdades en un sistema de ecuaciones

mediante la introducción de variables de holgura, hemos logrado un

Página 74
importante punto de partida. Estas variables en la función objetivo irán
antepuestas de un coeficiente 0 de beneficio
2. Generación de una solución básica factible
El primer supuesto o alternativa del método es no fabricar nada de los

productos reales (variables fundamentales) esto quiere decir dar
respuesta al sistema manteniendo inutilizados los recursos existentes, o
sea:
X1 = 0 X1 = 1.650
X2 = 0 X2 = 1.920
X3 = 0 X3 = 1.180
3. Proceso iterativo
En función de los criterios del método simples se van obteniendo

ensayos, iteraciones o algoritmos hasta lograr la respuesta ideal.
El objetivo es ir eliminando las variables de holgura e irlas reemplazando

por alternativas en función de variables fundamentales, propósito del
problema.
El proceso se lo desarrolla por cuadros o etapas. Cada una de ellas nos

representa una mejor combinación de producción y un mayor beneficio,
para lo cual necesitamos aplicar el método matricial de coeficientes.
PRIMERA ETAPA
cj 900 1.500 2.2000 0 0 0
Xj bm X1 X2 X3 X1 X2 X3
0 X1 1.650 6 9 8 1 0 0
0 X2 1.920 8 11 16 0 1 0
0 X3 1.180 3 4 10 0 0 1
zj 0 0 0 0 0 0 0

Página 75
Z j - Cj - -900 -1.500 -2.200 0 0 0
Cj: coeficientes de la función objetivo. En este ejemplo se trata de

márgenes de beneficio.
Xj : solución básica de cada etapa; es la base vectorial que da solución

al sistema:
X1 = 1.650
X2 = 1.920
X3 = 1.180
*: elemento pivote
:pivote transformado
.: elementos semipivotales
bm: parámetros; datos conocidos; nos indican la cuantificación de
recursos.
Zj: valores que va tomando la función objetivo en cada posición.
Zj - Cj: se la conoce como el “criterio simplex” permite continuar o no la
generación de alternativas. Cuando la expresión Z j - Cj
corresponde en todas las posiciones a valores positivos o ceros
habrán terminado nuestros problema de maximización.
Segunda etapa
Qué producir.
Con la segunda etapa estamos en condiciones de crear alternativas de
producción real. Elegimos inicialmente fabricar que el producto que nos
dé mayor beneficio o sea X3 en función de su margen de utilidad igual a
$2.200 o lo que es lo mismo al menor elemento negativo correspondiente
a la expresión Zj - Cj.
Cuánto producir.
Nos preguntamos cuál será la cantidad a producir de X 3. simplemente, la
que nos permitan los recursos disponibles. El producto X 3 requiere de 8

Página 76
unidades de materia prima y existen disponibles 1.650, 16 de mano de
obra y se cuenta con 1920 en total; finalmente 10 frente a 1180 existentes
en utilización de maquinaria y equipos. Luego el cuánto producir se
decidirá obteniendo el menor cociente entre los recursos disponibles y los
requerimientos técnicos:
1.650 1.920 1.180

-------- = 206.25 --------- = 120 ---------- = 118
8 16 10
Si relacionamos en forma estructural deducimos que únicamente es

factible producir 118 unidades del producto X 3, más es imposible debido a
la limitación del recurso de maquinaria y equipos que está formando el
“cuello de botella” en la producción.
MAQUINARIA Y EQUIPOS
MANO DE OBRA
MATERIAS PRIMAS
En esta forma se expresan las limitaciones de los recursos y se podrá

fabricar en primera instancia 118 unidades, de X 3, quedando inutilizados
partes de los otros recursos existentes de mano de obra y de materias
primas.

Página 77
Pasará a formar parte de la nueva solución la variable real X 3 en
reemplazo de la variable de holgura X 3 que abandonará la base.
Matemáticamente estamos despejando al variable X 3 equivalente a dividir
toda la ecuación para 10 (pivote). Como las otras ecuaciones tendrán que
transformarse en la misma proporción, serán sujetas de reemplazamiento
aplicando el método pivotal, utilizando únicamente coeficientes.
(3) 1.180 3 4 10 0 0 1
------- = 118 ---- = 0.3 ----- = 0.4 ----- = 1 ---- = 0 ---- = 0 ----- = 0
10 10 10 10 10 10 10
Transformando las otras ecuaciones del sistema:
(1)
1650-(118x8)=706 6-(0.3x8)=3.6 9-(14x8)=5.8 8-(1x8)=0 1-(0x8)=1 0-(0x8)=0 0-(0.1x8)=-0.1
(2)1920-(118x6)=32 8-(0.3x16)=3.2 11-(0.4x16)=4.6 16-(1x16)=0 0-(0x16)=0 1-(0x16)=1

0.(0.1x16)=1.6
en la primera hemos obtenido un primer nivel de beneficio de $259.600, el

mismo que ya es una respuesta. Sin embargo, aplicando el criterio del
simples través de la expresión “Z j - Cj.” Y mientras no obtengamos todos
los valores ceros y positivos, tenemos la opción de mejorar el resultado,
escogiendo aquella variable cuya expresión “Z j - Cj.” sea la mayor absoluta
(-620)
Tercera etapa
Qué producir.
Ingresará entonces a formar parte de la producción real la variable X 2 es
decir, puertas de madera semi talladas, sumándose a la producción de X 2.
Los procesos de reemplazamiento interpretan un problema de sustitución
de coeficientes, algo así como tasas de sustitución económicamente
hablando.

Página 78
Cuánto producir.
Elegida la nueva variable X2, procedemos exactamente igual como en la
etapa anterior; esto es, escoger el menos cociente positivo entre los
valores de los recursos aún disponibles y los coeficientes técnicos
resultantes, o sea:
706 32 118
------ = 121.72 ------- = 6.95 ------ = 295
5.8 4.6 0.4
Continuamos con la metodología conocida recordando el sistema pivotal;

comprobamos que el nuevo beneficio sea mayor al de la etapa anterior
263.909 > 259.600 y observamos que en las expresiones “Z j - Cj.” no nos
quede ningún valor negativo. Si eso se cumple, habrá terminado el
problema; y el valor de 263.909 será el máximo beneficio.
Respuestas: El proceso ha permitido los siguientes resultados:
Variables reales Variables de holgura
X1 = 0 X1 = 0
X2 = 6.95 X2 = 0
X3 = 115.22 X3 = 0
Decisión: En vista de que al obtener el máximo beneficio, paralelamente

estamos optimizando la combinación de recursos existentes, es decir, el
mínimo desperdicio, la decisión será fabricar:
X2 = 7 unidades del producto puertas de madera semi talladas

X3 = 115 unidades del producto puertas de madera talladas.
X1 = 665.69 Nos indica que permanecen inutilizadas 665.69
unidades del factor materia prima disponible.

Página 79
La decisión lleva consigo un mensaje de orden técnico: “racionalización
de recursos” permitiendo más tarde: ajustes, cambios, selección en la
producción, etc.
Comprobación
6X1 + 9X2 + 8X3 + X1 =1.650
8X1 + 11X2 + 16X3 + X2 =1.920
3X1 + 4X2 + 10X3 + X3 =1.180
X1 = 0 6(0) + 9(6.95) + 8(115.22) + (665.69) = 1.650
X2 = 6.95 8(0) + 11(6.95) + 16(115.22) + 0 = 1.920
X3 = 115.22 3(0) + 4(6.95) + 10(115.22) + 0 = 1.180
X1 = 665.69 0 + 62.55 + 921.76 + 665.69 = 1.650
X2 = 0 0 + 76.45 + 1.843.52 + 0 = 1.920
X3 = 0 0 + 27.80 + 1.152.20 + 0 = 1.180
El método simplex en los casos de minimización
Cuando se trata de problemas cuyo objetivo es el encontrar un mínimo

como respuesta, el método simplex opera de manera casi similar a los
casos de maximización, haciendo ciertas variaciones de orden
matemático, ya que, la mayor parte de los problemas de minimización

Página 80
plantean regularmente un conjunto de inecuaciones cuyo primer miembro
es mauro al otro; esto implica la presencia de la expresión >
Supongamos un ejemplo:
Una empresa farmacéutica fabrica tres tipos de producto: A, B y C. Estos

productos deberán contener en conjunto por lo menos 61 gramos de
calcio, 82 gramos de proteínas y 95 gramos de hierro. Individualmente el
producto A contendrá al menos 3gr. de calcio, 2 gr. de proteínas y 4gr. de
hierro. El producto B contendrá mínimo 6gr. de calcio, 5gr. de proteínas y
7gr. de hierro. El producto C contendrá mínimo 4gr. de calcio, 8gr. de
proteínas y 6gr. de hierro. Los costos unitarios de fabricación son de $14,
19 y 16 para los productos A, B y C, respectivamente. Se desea encontrar
la combinación óptima de producción que en las condiciones planteadas
minimice su costo.
Planteamiento:
Variables: A = X1
B = X2
C = X3
Función objetivo: Z (MIN.) = 14X1 + 19X2 + 16X3
Limitaciones o Restricciones: 3 X1 + 6X2 + 4X3 > 61

2 X1 + 5X2 + 8X3 > 82
4 X1 + 7X2 + 6X3 > 95
No negatividad: Xj > 0
Resolución:
El conjunto de inecuaciones planteadas no permiten una solución de

partida, haciéndose necesario en primer lugar, transformar el sistema de

Página 81
inecuaciones en un sistema de ecuaciones mediante la introducción de
variables de holgura reconocidas bajo la expresión X n
3X1 + 6X2 + 4X3 - X1 = 61

2X1 + 5X2 + 8X3 - X2 = 82
4X1 + 7X2 + 6X3 - X3 = 95
A pesar de haber obtenido el sistema de igualdades mediante la inclusión

de variables de holgura que están justamente compensando la diferencia
en exceso de los miembros primeros, no hemos logrado una solución
básica, pues no es posible aceptar soluciones negativas.
Se hace preciso la introducción de un vector positivo a través de las

llamadas “variables artificiales” que como su nombre lo indica no
conforman parte integrante del sistema básico pero ofrecen la gran
oportunidad de solucionar el problema:
3X1 + 6X2 + 4X3 - X1 + m1 = 61

2X1 + 5X2 + 8X3 - X 2 + m2 = 82
4X1 + 7X2 + 6X3 - X3 + m3 = 95
A las variables artificiales se las reconoce como m n y en la función objetivo

van acompañadas de un coeficiente de costo M, tan grande
imaginariamente que su presencia sea objeto de eliminación.
Z(min) = 14x1 + 19X2 + 16X3 - 0X1 –0X2 –0X3+ Mm1 + Mmn2 +Mm3
El proceso de resolución es muy parecido a los casos de maximización,

es decir, iterativo de aproximaciones sucesivas. Escogemos el mayor
valor de la expresión “Zj – Cj” (criterio simplex) comenzando con la
solución básica del vector artificial m j luego con la misma metodología del
“pivote” vamos eliminando todo valor de M, hasta encontrar que todos los
valores correspondientes a la expresión “Z j – Cj” sean todos cero y/o
negativos.

Página 82
Cada etapa de la matriz de coeficientes nos indica una iteración en
búsqueda de encontrar un mínimo. En las cuatro primeras etapas hemos
eliminado el factor M, quedándonos con valores reales monetarios y
dando lugar a las variables fundamentales.
Programación lineal
Programación lineal es una técnica matemática que sirve para investigar,

para así, hallar la solución a un problema dado dentro de un conjunto de
soluciones factibles y es la operación que se utiliza para poder obtener la
maximización de ganancias o minimizar los costos. Además la
programación lineal se utiliza en extensas operaciones industriales y
militares.
Reglas importantes para la programación lineal
1. Cuando se suma o se resta un número en ambos lados de la

igualdad esta mantiene el mismo sentido.
2. Si se multiplica o divide los dos lados de la igualdad o desigualdad

con números positivos, también mantiene el mismo sentido.
3. Cuando se multiplica o divide los dos lados de la igualdad o

desigualdad con número negativo cambia su sentido.
Método gráfico para problemas de maximización
1. Se tiene que, derivar un grupo de ecuaciones basadas en las

condiciones especiales dadas en el problema.
2. Se tiene que, resolver el grupo de ecuaciones de igualdad y

desigualdad para la solución óptima basada en le función que se

Página 83
ha de maximizar o minimizar y esta se conoce como Función
Objetiva.
Método gráfico para problemas de minimización
En el método gráfico para problemas de minimizar costos su función

objetiva es que tenemos que hacer que los costos de materiales sean lo
menos posibles.
Ejercicio de maximización
A continuación estudiaremos un problema para maximización con la

asignación de recursos. El objetivo es poder obtener ganancias máximas
con unos recursos limitados. En esta ocasión uno de los dos recursos
serán, horas máquinas, donde podemos conocer cuantas horas máquinas
se necesitan para producir, sillas, mesas o la combinación de sillas y
mesas con un máximo de ganancias, y nuestro segundo recurso son las
horas hombre, donde también conoceremos cuantas horas hombre se
necesitan para producir, sillas, mesas o la combinación de ambas con un
máximo de ganancias. En ambos casos conoceremos por medio de una
gráfica donde se cortan las dos restas de horas máquinas y horas
hombres, para obtener nuestro punto de mayor ganancia de la empresa.
En adición podremos ver que es más factible a la empresa producir, si
sillas solamente, mesas solamente o si la combinación de sillas y mesas.
Una empresa donde produce sillas y mesas, tiene una ganancia por mesa
de tres (3) dólares, para construir una necesita invertir dos (2) horas
máquina y una (1) hora hombre. Para la empresa producir una silla
necesita invertir seis (6) horas máquina y cuatro (4) horas hombre donde
tiene una ganancia de cinco (5) dólares por silla.

Página 84
Nuestro máximo disponible por horas máquinas será de dos (2) y el
máximo disponible para horas hombre será de seis (6)
Artículo Ganancias Horas Máquina Horas Hombre

MESAS $3.00 2 1
SILLAS $5.00 6 4
Para obtener nuestra ecuación llamaremos a las mesas con X y las sillas
con Y.
Ecuación Función Objetiva
2X + 6Y £ 12 F = 3X + 5Y
X + 4Y £ 7
A continuación veremos el resultado de Y cuando igualamos X a cero (0)

y el resultado de X cuando igualamos Y a cero (0) en ambas ecuaciones.
Primera ecuación para Horas Máquina:
2X + 6Y £ 12 2X + 6Y £ 12
2(0) + 6Y £ 12 2X + 6(0) £ 12
6Y £ 12 2X £ 12
Y£2 X£6
Segunda ecuación para Horas Hombre:
X’ + 4Y’ £ 7 X’ + 4Y’ £ 7
(0) + 4Y’ £ 7 X’ + 4(0) £ 7
4Y’ £ 7 X’ £ 7
Y’ £ 1.75
Descripción X Y X’ Y’
Horas Máquina 0 2 0 1.75
Horas Hombre 6 0 7 0
Maximización

Página 85
______A to B
______C to D
SILLAS
Mesas
Puntos para Horas Máquina, A = (0, 2) y B = (6, 0)

Puntos para Horas Hombre, C = (0, 1.75) y D = (7, 0)
El punto donde se cortan las líneas lo llamaremos punto, E = (3, 1).
De esta forma podemos tener nuestros puntos factibles necesarios para

así determinar la función objetiva. Nuestros puntos factibles son CEB,
donde:
C = (0, 1.75), E = (3, 1) y B = (6, 0).
Solución: F = 3X + 5Y
 Función objetiva para el punto C, donde se producen sillas;

C = 3(0) + 5(1.75) = 8.75
 Función objetiva para el punto E, donde se producen sillas y mesas;
E = 3(3) + 5(1) = 14
 Función objetiva para el punto B, donde se producen mesas;
B = 3(6) + 5(0) = 18
Luego de realizar estos cálculos podemos ver que para que la empresa
reciba un mayor beneficio debe producir solamente mesas.

Página 86
Ejercicio de minimización
Una compañía de química programa la producción de ciertos tipos de

mezclas, donde el material M es igual a 8 dólares por paquete y con un
peso de 4 kilos, el material N es igual a 5 dólares por paquete con un
peso de 2 kilos. Se requiere 100 kilos de la mezcla y se necesita emplear
no menos de 20 paquetes de N para hacer la mezcla. ¿Cuántos
paquetes se debe usar para minimizar los costos?
Tenemos para M = X y para N = Y, donde M = $8.00 por paquete con un

peso de 4 kilos y donde N = $5.00 por paquete con un peso de 2 kilos.
También tenemos 100 kilos por lo menos 20 paquetes de N.
Ecuaciones;
4X = 2Y ³ 100 Y ³ 20 X³0
Función Objetiva;
F = 8X + 5Y
Solución:
4X + 2Y ³ 100 4X + 2Y ³ 100
4(0) + 2Y ³ 100 4X + 2(0) ³ 100
2Y ³ 100 4X ³ 100
Y ³ 50 X ³ 25
Minimización
______A to B
______C to Infinite
MEZCLA "N"

Página 87
MEZCLA "M"
Luego de conocer nuestros puntos factibles, procedemos a determinar la
función objetiva. Los puntos factibles son A y D, donde:
A = (0, 50) y D = (15, 20).

Solución: F = 8X + 5Y
A = 8(0) + 5(50) = 250
D = 8(15) + 5(20) = 220
Luego de obtener estos cálculos podemos determinar que el punto donde

mejor minimizamos los costos es en el punto D.

Página 88
TEMA 1: INTRODUCCIÓN
CONCEPTOS BÁSICOS DE PROGRAMACIÓN LINEAL
1. Construcción de Modelos de Programación Lineal
 Formulación general de un modelo de optimización

 Formulación matricial
 Sujetos del proceso de decisión
 Pasos en la formulación de un modelo de programación lineal
 Definiciones
 Tipos de soluciones de un modelo de programación lineal
2. Resolución de Modelos Lineales
 Procedimiento gráfico de solución para el caso de dos variables de

decisión
 Resolución analítica
 El método del simplex
 El método de las penalizaciones o método de la M grande
3. Ejercicios

Página 89
Construcción de Modelos de Programación Lineal
 Formulación general de un modelo de optimización
Min f(x) = Max

f(x))
Conjunto de Restricciones
Max (Min) f(x)
Sujeto a: gi (x) ¿ 0 j = 1,2,…,m

Condición de no
X ¿ 0 negatividad para las
variables
Formulación matricial
Max (min) Ct x
Sujeto a: Ax ¿ b
X ¿ 0
A es una matriz (mxn) llamada de coeficientes tecnológicos, a matriz

tecnológica
x: es un vector columna (nx1) de variables de decisión
b: es el término independiente o vector Función Objetivo
columna (mx1) LLAMADO
VECTOR DE RECURSOS
c: es un vector (nx1) llamado vector de costos
 Un modelo de programación se dice lineal (PL) si tanto la función

objetivo f(x) como las restricciones son lineales.
 Si en un modelo P.L. añadimos la condición de que las variables sean

enteras, tenemos un modelo de programación entero (PE)
 Si la función objetivo o cualquiera de las restricciones definidas son

no lineales, tenemos un modelo de programación no lineal (PNL).
 Sujetos del proceso de decisión
Decisor o centro decisor

Página 90
Individuo o grupo de individuos que interesada en el problema real
bajo estudio y que directa o indirectamente proporcionan la solución
final del modelo.
Analista.
Individuo o grupo de individuos que analizan el problema y ayudan al

decisor a elegir una solución.
Si en un modelo lineal todas las restricciones son de igualdad y además

todas las variables y términos independientes de las restricciones (b) son
no negativos, se dice que el problema de programación lineal está en
forma estándar y matricialmente lo representaremos de la forma:
(PL) Max (Min) ct x

Forma Estándar Sujeto a: Ax = b ( ¿ 0)
x ¿ 0
 El conjunto de puntos que verifican todas las restricciones y

condiciones de no negatividad, si existe, constituye la región factible
del problema.
Región Factible
x ∈ ℑ = { Ax = b ,x ≥ 0 }
 El propósito de este problema de optimización será encontrar el punto

x* de la región factible que tenga el mayor (menor) valor de la función
objetivo.

Página 91
La resolución analítica de un modelo lineal requiere su transformación
previa al formato estándar añadiendo variables de holgura con signo + 0 –
dependiendo de si la restricción es de tipo ¿ 0 ≥, respectivamente.
Ax ≤ b → Ax + h = b Ax ≥ b → Ax − h = b
x ∈ ℑ = { Ax = b , x ≥ 0 }
Ejemplo 1: Escribir el siguiente problema de programación lineal en

forma estándar y obtener su región factible:
(P.L.) Max 2x – 3y
Sujeto a: x + 3y ¿ 24
2x + y ¿ 18
x + y ¿ 10
x,y ¿ 0
Ejemplos
Ejemplo 2: Escribir los siguientes problemas de programación lineal en

forma estándar:
a) (P.L.) Max 2x – 3y
sujeto a: x + 3y ¿ -24
2x + y ¿ 18
x + y ¿ -10
x, y ¿ 0
b) (P.L.) Max 4x + y

Página 92
sujeto a: 5x + 3y ¿ 7
2x – 6y ¿ 5
3x + y ¿ 6
X ¿ 0,y ¿ 0
Ejemplos
Ejemplo 3: Escribir el siguiente problema de programación lineal estándar

en forma matricial: (P.L.) Max 4x + 6 y + z
sujeto a: 2x + 3y – z = 8
4x + 5y = 10
X , y , z, ¿ 0
Ejemplo 4: Transforma el siguiente problema lineal de maximizar en uno

equivalente de minimizar y que además esté en forma estándar:
P.L.) Max -2x + 3 y - z

sujeto a: x + 3y ¿ - 4
2x - z ¿ 1
3x + 2y + z ¿ 8
x,y ¿ 0
 Pasos en la formulación de un modelo de programación lineal
1. Determinar las variables de decisión, que son las variables sobre

las que el decisor tiene el control.
Representaremos algebraicamente el conjunto de variables de

decisión de la forma x1, x2,…, xn o con el vector: x = (x1, x2,…, xn).
También se puede utilizar nombres que faciliten su identificación.

Página 93
Representarán productos o bienes a producir, almacenar o vender,
disponibilidad o adquisición de materias primas, etc.
2. Determinar las restricciones, mediante expresiones matemáticas

lineales que relacionan las variables.
Las restricciones representan limitaciones o requisitos y vendrán

expresadas como ecuaciones (igualdades) o inecuaciones
(desigualdades) lineales, g, en las variables de decisión x de la
forma:
g( x ) ≥ b g ( x ) ≤ b g ( x ) = b
Hay que añadir las condiciones de no negatividad de las variables
de decisión, es decir, x≥0 .
3. Construir la función objetivo, f(x), función lineal de las variables de

decisión, que hay que optimizar.
La función objetivo representará alguna cantidad que desea

maximizar el decisor (beneficio, renta, eficacia, producción,…) o
bien minimizar (coste, tiempo, inventario, distancia total recorrida)
Construcción de Modelos de Programación Lineal
 Definiciones
1. Solución factible: Punto o solución que verifica todas las

restricciones y condiciones de no negatividad. El conjunto de todas
las soluciones factibles se denomina región factible.
2. Solución Infactible: Punto que no verifica todas las restricciones y

condiciones de no negatividad.

Página 94
3. Solución básica: Punto intersección de dos o más restricciones.
4. Solución óptima: Punto o solución factibles y que además optimiza

la función objetivo.
1) Si la región factible es un poliedro (polígono cerrado y acotado)

entonces, la solución óptima puede ser: única y se sitúa en uno de los
vértices (se dice que es una solución extrema) o múltiple (soluciones
óptimas alternativas: dos vértices y todos los puntos del segmento que
los une.
2) Si la región factible es un politopo (no cerrado) entonces, i) o no

hay solución óptima (problema infactible) o ii) la solución óptima es, única
(solución extrema), múltiple, ilimitada o infinita (problema no acotado).
Ejemplos:

Ejemplo 5: Representar gráficamente los siguientes problemas lineales e
identificarlos con los siguientes casos:
a) Solución única;
b) Solución múltiple;
c) Problema infactible;
d) Solución limitada.
1) max x + y 2) max 4x + y 3) min x - 3y 4) max 3x + y

s.a: x + 4y ¿ 4 s.a: 8x + 2y ¿ 16 s.a: x - y ¿ 4 s.a: 2x + y ¿ 6

Página 95
x–y ¿ 5
5x + 2y ¿ 12 x + 2y ¿ 4 x + 3y ¿ 9
x, y ¿ 0 x, y ¿ 0 x, y ¿ 0 x, y ¿ 0
2. Resolución de Modelos de Programación Lineal
 Procedimiento gráfico de solución para el caso de dos variables

de decisión
Las fases del proceso de solución gráfico son:
1. Para resolver un problema de programación lineal gráficamente se

dibuja, en primer lugar, un sistema de coordenadas cartesianas en
que las variables de decisión estén representadas en los ejes.
2. A continuación, se dibujan las restricciones del problemas

(incluyendo las de no negatividad). La intersección de todas las
regiones determina la región factible o espacio de soluciones. Si
esta región es vacía, no existe ninguna solución que satisfaga
simultáneamente todas las restricciones y el problema se dice
infactible. En caso contrario, ir a la fase 3.
3. Se evalúa la función objetivo en los puntos extremos de la región
factible y aquél o aquellos que maximicen (o minimicen) el objetivo,
corresponden a las soluciones óptimas del problema.
Gráficamente, se dibuja la función objetivo, y desplaza sobre la

región factible en el sentido de crecimiento si el problema es de
maximizar o decrecimiento si es de minimizar. El último punto en el
que la función objetivo toque a la región factible en este
desplazamiento proporciona la solución óptima.

Página 96
Ejemplos
Ejemplo 6: Calcular la solución gráfica de los siguientes problemas de

programación lineal:
1) max 4x + 3y 2) max x + 2y
s.a.: 3x + 4y ¿ 12 s.a.: x + 2y ¿ 2
3x + 3y ¿ 15 x+y ¿ 2
4x +2y ¿ 8 x, y ¿ 0
x, y ¿ 0
2 Resolución de Modelos de Programación Lineal
 Resolución analítica
 El método de simplex
Fue desarrollado por Dantzing (1947) y es un procedimiento general para

la resolución de problemas de P.L. en forma estándar mediante la
utilización de tablas. En este método se parte de una solución básica
factible y nos vamos desplazando de una solución factible extrema a otra
adyacente, mejorando cada vez (o al menos no empeorando) la función
objetivo. De su aplicación puede concluirse si el problema es optimo,
infactible o no acotado.
Se lleva a cabo en 4 etapas: (i) Etapa inicial; (ii) Etapa de mejora; (iii)
Etapa de selección de las variables de entrada / salida de la base y (iv)
Etapa de pilotaje.
 El método de las penalizaciones o método de la M grande

Página 97
Es una variación del método del simplex y se utiliza al igual que éste con
el formato de tabla. Para su aplicación se requiere añadir al problema
variables artificiales para la obtención de una solución básica factible
inicial.
2. Resolución de Modelos de Programación Lineal

 Tabla del Método del Simplex
Costes de las variables
min (max) Vbles. de decisión Vbles. de holgura
Variables de la Coeficientes de la matriz

Vectores de recursos
base tecnológica
Costes reducidos
Valor de la función objetivo
2 Resolución de Modelos de Programación Lineal: Método del

simplex.
Etapa 1: etapa inicial
La primera etapa se inicia con una solución básica factible del problema.
Dicha solución puede constituirse a partir de variables de holgura.

Página 98
Nota: Las variables pueden ser aquellas que tienen asociadas vectores
interiores con un elemento igual a 1 y el resto a 0.
Etapa 2: etapa de mejora
En un problema lineal de minimizar (maximizar):
Si todos los costes reducidos z j - cj son ¿ (≥) 0 ⇒ La solución obtenida es

óptima ⇒ FIN
En caso contrario ⇒ existe la posibilidad de mejora ⇒ ir a la ETAPA 3.
Etapa 3: selecciona de las variables de entrada y salida de base
Entrada: En un P.L. de minimizar (maximizar) entra en la base la variable

con zj - cj positivo (negativo) más grande, es decir, la variable que dé el
max { zj - cj ≥ 0 } ( max { zj - cj < 0 } ).
2. Resolución de Modelos de Programación Lineal: Método del

simplex
Continua etapa 3: selección de las variables de entrada y salida
A la columna de la variable que entra se le llama columna pivote.

Salida: A partir de los vectores interiores de la columna pivote, y i, sale de
la base la variable para la que se alcanza el siguiente mínimo:
min {b i / y ik , > 0 }

Página 99
Al elemento interior que está en la posición de cruce de la fila pivote y la
columna pivote, es decir, yik se le llama elemento pivote o simplemente
pivote.
Etapa 4: etapa de pivotaje
Realizamos el cambio de variables en la base, la transformación del

pivote de forma que su nuevo valor sea 1 y volvemos a la etapa 2.
Ejemplo 7: Resuelve analíticamente con el método del simples los

problemas del ejercicio 6.
EJEMPLOS
 Problema de Asignación de recursos (Extraídos de Ríos Insúa,

1996).
Supongamos una fábrica de cervezas que produce tres tipos distintos

que se denominan negra (N), rubia ® y de baja graduación (B). Para su
obtención son necesarios, además de agua y lúpulo para los cuales no
hay limitación de disponibilidad, malta y levadura, que limitan la capacidad
diaria de producción. La tabla siguiente da la cantidad necesaria de cada
uno de estos recursos para producir un litro de cada una de las
respectivas cervezas, los kilos disponibles de cada recurso y el beneficio
por el litro de cada cerveza producida. El problema del fabricante
consiste en decidir cuánto debe fabricar de cada cerveza para que el
beneficio total diario sea máximo.
Negra Rubia Baja Graduación Disponibilidad

Malta 2 1 2 30
Levadura 1 2 2 45
Beneficio 4 7 3

Página 100
EJEMPLOS
 Necesidad de equipos en ejecución de proyectos (Extraídos de

Ríos Insúa, 1996)
Una empresa consultora tiene en cartera una serie de proyectos de dos

tipos (A y B) cuyo coste de desarrollo unitario es el mismo. Las
necesidades de analistas, programadores y terminales para cada tipo de
proyecto se indican en la tabla siguiente. Estos proyectos pueden hacerse
bien total o parcialmente y el deseo de la empresa es minimizar el coste
de desarrollo de los proyectos que se vayan a ejecutar.
Los condicionantes para el desarrollo de estos proyectos son: Al menos

10 programadores y 5 analistas deben estar ocupados en ellos y se
cuenta con 6 terminales.
Se pide establecer el modelo de programación lineal que optimice el

coste de desarrollo.
Tipo N. de programadores N. de analistas N. de terminales

A 2 2 3
B 3 6 1

Página 101
MÉTODO DE SOLUCIÓN GRÁFICO
Introducción.
La PL es una técnica mediante la cual se toman decisiones, reduciendo el

problema bajo estudio a un modelo matemático general, el cual debe ser
resuelto por métodos cuantitativos.
En desarrollo de este capítulo se aplicarán la solución de dichos modelos

aplicando diversas técnicas como: el método gráfico, método simplex,
método matricial, técnica de la gran M.
Además se desarrollara la aplicación de variables artificiales y obtención

de soluciones para identificar a qué tipo de clasificación pertenecen. Por
medio de dichos modelos de solución se podrá obtener las soluciones
adecuadas para cada problema y facilitar la toma de decisiones.
Método gráfico.
El método gráfico se utiliza para la solución de problemas de PL,

representando geométricamente a las restricciones, condiciones técnicas
y el objetivo.
El modelo se puede resolver en forma gráfica si sólo tiene dos variables.

Para modelos con tres o más variables, el método gráfico es impráctico o
imposible.
Cuando los ejes son relacionados con las variables del problema, el
método es llamado método gráfico en actividad. Cuando se relacionan las
restricciones tecnológicas se denomina método gráfico en recursos.

Página 102
Los pasos necesarios para realizar el método son nueve:
1. Graficar las soluciones factibles, o el espacio de soluciones

(factible), que satisfagan todas las restricciones en forma
simultánea.
2. Las restricciones de no negatividad Xi>= 0 confían todos los
valores posibles.
3. El espacio encerrado por las restricciones restantes se determinan
sustituyendo en primer término <= por (=) para cada restricción,
con lo cual se produce la ecuación de una línea recta.
4. Trazar cada línea recta en el plano y la región en cual se encuentra
cada restricción cuando se considera la desigualdad lo indica la
dirección de la flecha situada sobre la línea recta asociada.
5. Cada punto contenido o situado en la frontera del espacio de
soluciones satisfacen todas las restricciones y por consiguiente,
representa un punto factible.
6. Aunque hay un número infinito de puntos factibles en el espacio de
soluciones, la solución óptima puede determinarse al observar la
dirección en la cual aumenta la función objetivo.
7. Las líneas paralelas que representan la función objetivo se trazan
mediante la asignación de valores arbitrarios a fin de determinar la
pendiente y la dirección en la cual crece o decrece el valor de la
función objetivo.
Ejemplo.

Página 103
Maximizar Z = 3X1 + 2X2
restricciones: X1 + 2X2 < =6 (1)
2X1 + X2 <=8 (2)
-X1 + X2 <=1 (3)
X2 <= 2 (4)
X1 >= 0 (5)
X2 >= 0 (6)
Convirtiendo las restricciones a igualdad y representándolas gráficamente

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


Página 104
Soluciones Figura 1: Determinación de solución

Maximizar Z = 3X1 + 2X2

Punto (X1, X2) Z
A (0, 0) 0
B (4, 0) 12
C (3.3, 1.3) 12.6 ( óptima)
D (2, 3) 12
E (1, 3) 9
F(0, 2) 4
Tabla 1. Solución Método Gráfico

Página 105
Para obtener la solución gráfica, después de haber obtenido el espacio de
solución y graficada la función objetivo el factor clave consiste en decidir
la dirección de mejora de la función objetivo.
MÉTODO SIMPLEX. (Dantzig 1940)
En la solución gráfica observamos que la solución óptima está asociada

siempre con un punto extremo del espacio de soluciones. El método
simplex está basado fundamentalmente en este concepto.
Careciendo de la ventaja visual asociada con la representación gráfica del

espacio de soluciones, el método simplex emplea un proceso interactivo
que principia en un punto extremo factible, normalmente el origen, y se
desplaza sistemáticamente de un punto extremo factible a otro, hasta que
se llega por último al punto óptimo.
Existen reglas que rigen la selección del siguiente punto extremo del
método simplex:
1. El siguiente punto extremo debe ser adyacente al actual.
2. La solución no puede regresar nunca a un punto extremo

considerado con la anterioridad.
El algoritmo simplex da inicio en el origen, que suele llamarse solución

inicial. Después se desplaza a un punto extremo adyacente. La elección
específica de uno a otro punto depende de los coeficientes de la función
objetivo hasta encontrar el punto óptimo.
Al aplicar la condición de optimicidad a la tabla inicial seleccionamos a Xi

como la variable que entra. En este punto la variable que sale debe ser
una de las variables artificiales.

Página 106
Los pasos del algoritmo simplex son (10):
1. Determinar una solución básica factible inicial.
2. Prueba de optimidad: determinar si la solución básica factible inicial
es óptima y sólo si todos los coeficientes de la ecuación son no
negativos (>= 0). Si es así, el proceso termina; de otra manera se
lleva a cabo otra interacción para obtener la nueva solución básica
factible inicial.
3. Condición de factibilidad.- Para todos los problemas de
maximización y minimización, variable que sale es la variable
básica que tiene la razón más pequeña (positiva). Una coincidencia
se anula arbitrariamente.
4. Seleccionar las variables de holgura como las variables básicas de
inicio.
5. Selecciona una variable que entra de entre las variables no básicas
actuales que, cuando se incrementan arriba de cero, pueden
mejorar el valor de la función objetivo. Si no existe la solución
básica es la óptima, si existe pasar al paso siguiente.
6. Realizar el paso iterativo.
A. Se determina la variable básica entrante mediante la elección

de la variable con el coeficiente negativo que tiene el valor
mayor valor absoluto en la ecuación. Se enmarca la columna
correspondiente a este coeficiente y se le da el nombre de
columna pivote.
B. Se determina la variable básica que sale; para esta, se toma
cada coeficiente positivo (>0) de la columna enmarcada, se
divide el lado derecho de cada renglón entre estos coeficientes,
se identifica la ecuación con el menor cociente y se selecciona
la variable básica para esta ecuación.
C. Se determina la nueva solución básica factible construyendo
una nueva tabla en la forma apropiada de eliminación de

Página 107
Gauss, abajo de la que se tiene. Para cambiar el coeficiente de
la nueva variable básica en el renglón pivote a 1, se divide todo
el renglón entre el número pivote, entonces
Renglón pivote nuevo = renglón pivote antiguo número pivote. Para

completar la primera iteración es necesario seguir usando la eliminación
de Gauss para obtener coeficientes de 0 para la nueva variable básica Xj
en los otros renglones, para realizar este cambio se utiliza la siguiente
fórmula:
Renglón nuevo = renglón antiguo - (coeficiente de la columna pivote X
renglón pivote nuevo). Cuando el coeficiente es negativo se utiliza la
fórmula:
Renglón nuevo = renglón antiguo + (coeficiente de la columna pivote X

renglón pivote nuevo).
Tabla simplex
Como se capturaría la solución básica factible inicial en el siguiente

ejemplo:
Sea:
Maximizar Z = 2X1+4X2
Sujeto a:
2X1 + X2 <= 230
X1 + 2X2 <= 250
2 <= 120
Todas las X1, X2 >=0

Página 108
BASE Z X1 X2 S1 S2 S3 SOLUCIÓN RAZÓN
Z 0 -2 -4 0 0 0 0 0
S1 0 2 1 1 0 0 230 230/1
S2 0 1 2 0 1 0 250 250/2
S3 0 0 1 0 0 1 120 120/1
Seleccione la variable que entra y la variable que sale de la base:

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

BASE Z X1 X2 S1 S2 S3 SOLUCIÓN RAZÓN

Z 0 0 0 0 2 0 500
S1 0 0 0 1 -2 3 90
X1 0 1 0 0 1 -2 10
X2 0 0 1 0 0 1 120
Solución: Z = $500
Fabricando
X1 = 10
X2 = 120
Sobrante de
S1 = 90
Tipo de solución: Optima Múltiple
Solución de problemas en donde la solución continúa no sea

aplicable.
Uso de paquetes computacionales en la solución e interpretación de los

resultados

Página 109
WinQsb+: Software de apoyo para resolver los modelos de programación
lineal.
Interpretación de los resultados: Veamos la salida de un modelo que

involucra la planeación de la producción, en donde se desean construir
mesas y sillas el recurso disponible es 30 m 2 de madera por semana, 48
horas por semana; la demanda de las sillas es de 5 unidades y la de
mesas de 10 unidades, la utilidad que se obtiene por las mesas es de $10
y por las sillas de $8, además para construir la mesa se ocupa lo
siguiente: 4.5 m2 de madera por unidad, 6 horas por unidad. Para la silla
se ocupan: 1.5 m2 de madera por unidad y 3 horas por cada unidad
fabricada.
Con esta información se desarrolla el modelo siguiente:
Max Z = 10X1+8X2
s.a.
4.5X1+1.5X2 <= 30
6.0X1+3.0X2 <= 48
toda X1,X2 >=0
El reporte final de este modelo es el siguiente (por WinQsb)

Reduced
Decision Solution Total Basis Allowable Allowable
Unit Cost or Profit cj
Variable Value Contribution Status Min cj Max cj
Cost
X1 0 10.0000 0 -6.0000 at bound -M 16.0000
X2 16.0000 8.0000 128.0000 0 basic 5.0000 M
Objetive Function (Max) = 128.0000
Left Hand Allowable

Rigth Hand Slack or Shadow Allowable
Constraint Direction
Side Surplas Price Max. RHS
Side Min. RHS
C1 24.0000 <= 30.0000 6.0000 0 24.0000 M
C2 48.0000 <= 48.0000 0 2.6667 0 60.0000

Página 110
Interpretación de la salida:
Información de la Función Objetivo:
Decisión Variable (Variable de Decisión): Son las variables que se han

definido en la formulación del problema en este caso representan al
producto X1 = mesas y X2= sillas.
Solution Value (Valor de la solución): Cantidad de mesas y sillas a

fabricar, el problema se resuelve y nos indica que para obtener la mejor
solución en términos de la utilidad, se necesitan fabricar 16 sillas y no
fabricar mesas.
Unit Cost or Profit (costo por unidad, Utilidad por unidad): Cantidad de
pesos que vamos a ganar por cada mesa y por cada silla ($10 y $8
respectivamente.
Total Contribution (contribución total): Es la cantidad en pesos que resulta

al multiplicar la utilidad de cada producto por la cantidad que se va a
fabricar, ejemplo al fabricar 16 sillas y multiplicarlo por $/silla 8, la
contribución es de $128.0000, así al sumar la contribución por concepto
de las mesas nos arroja una aportación de $0.0000, esto resulta de hacer
la operación de ($/mesa10) (0 mesas)= $0.0000, finalmente la suma de
128.0000+0.0000 = $128.0000, esto es lo que se conoce como el valor de
Objetive Function Max.
Reduced Cost (Costo reducido): esto nos indica el dinero que hemos
dejado de ganar por cada unidad no fabricada. en este caso debemos de
aumentar a más de $6.0000 la utilidad de la mesa para que sea atractiva
la fabricación de mesas.

Página 111
Basis Status (estado de la base): Indica si la variable es básica o no
básica, en este ejemplo la variable X1 (mesas) resulta ser no básica, esto
es que no forma parte de la solución óptima, la variable X2 (sillas) es una
variable básica, ya que forma parte de la solución.
Allowed Min Cj (rango mínimo del Cj): esta es la mínima utilidad que
puedo obtener sin que la base actual cambie. (-M)
Allowed Max Cj (rango mínimo del Cj): esta es la máxima utilidad que
puedo obtener sin que la base actual cambie. (16.0000)
Los valores que aparecen son para el producto Mesa.
Interpretación de las Restricciones:
Constraint (Restricción): Son las restricciones que forman parte del

problema, se tienen dos restricciones (C1 y C2) la restricción de la
madera y la de horas hombre.
Left hand side (valor al lado izquierdo): esto nos indica el consumo de
recurso, de 30.000 m2 de madera se consumieron 24.000 m2.
Direction (dirección): es la dirección de la restricción (<=,>= o =) Rigth

hand side (valor lado derecho): es el recurso disponible actualmente 30
m2
Slack or Surplas (holguras): nos indican un faltante o bien un sobrante

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

Página 112
Allowed Min RHS (rango mínimo del bj): esta es la mínima cantidad de
recurso que se debe de mantener sin que la base actual cambie. (0 hrs-
hombre)
Allowed Max RHS (rango mínimo del bj): esta es la máxima cantidad de
recurso que se debe de mantener sin que la base actual cambie (60.0000
hrs-hombre)
PROCEDIMIENTO DE
RESOLUCIÓN GRÁFIC
PARA EL PROBLEMA D
PROGRAMACIÓN LINEAL
DOS VARIABLES
EJEMPLOS

Página 113
Ejemplo Nº 1
max 3 X 2 X2
1
X2
Suj.a: 2 X2 X2 = 2
X1 2 X2 = 3
X1 2X
2 = 5
X1 0, X
2
= 0
X 1
max 3 X  2 X
1 2
suj.a :  2 X
1
 X
2
 2
X1  0 ; X2  0
X  2 X  3
1 2
X  2 X  5
1 2
X  0, X  0
1 2

Página 114
suj. a :  2 X1  X 2  2
 2X  X  2
1 2
2
Pasa por:
(-1,0) y (0,2)
-1 2 X1  X 2  2

Página 115
suj.a: X  2 X  3
1 2
X  2 X2  3
1
Pasa por:
(0,-3/2) y (3,0)
X  2 X  3
1 2
-3/2

Página 116
suj.a: X  2X
1 2  5
X1  2 X 2  5
Pasa por:
(0,5/2) y (5,0) 5/2
X  2 X  5
1 2

Página 117
suj.a :  2 x1  x2  2
x1  2 x2  3
x1  2 x2  5
x1  0, x2  0

Página 118
suj.a:  2 x1  x2  2
x1  2 x2  3
x1  2 x2  5
x1  0, x2  0 Puntos extremos
F
REGIÓN DE
FACTIBILIDAD

Página 119
z=0 3x1  2 x2 =0 max z = 3 x1  2 x2
z=4 3 x1  2 x2 =4
z=9 3x1  2 x2 =9
z =0 z =9 Dirección
z =4
de mejora
de la f.o.
F ÓPTIMO

Página 120
max z = 3x1  2 x2 x1  2 x2  3
P (4, 1/2)
x1  2 x2  5
z (4, 1/2)=3.4+2 .(1/2)=13
Solución óptima:
x*=4
1 , x*=
2 1/2
z* =13
F P
ÓPTIMO

Página 121
max z = 3x1  2 x2
suj.a :  2 x1  x2  2
x1  2 x2  3
x1  2 x2  5
x1  0, x2  0 z =27/5
ÓPTIMO
(1/5,12/5
(0,2) )
z =4
F z* =13
(4,
(0,0) 1/2)
z =0
(3,0)
z =9

Página 122
Ejemplo Nº 2
max x1  2 x2
suj.a : x1  x 2  5
x1  0, x2  0

Página 123
max x1  2 x2
suj.a : x1  x 2  5
x1  0, x2  0 (0,5)
(5,0)

Página 124
max x1  2 x2 ÓPTIMO (máximo)
suj.a : x1 x 2  5 z*=10
x1  0, x2  0 (0,5) x*1  2 =5
x*
Dirección
de mejora F
de la f.o.
(5,0)

Página 125
El mismo problema para el caso de
minimizar la función objetivo
min x1  2 x 2
suj.a : x1  x 2
5
x1  0 , x 2  0

Página 126
min x1  2 x2
suj.a : x1  x 2  5
Dirección
x1  0, x2  0 (0,5) de mejora
de la f.o.
ÓPTIMO (mínimo)
F
z*=0
x1 2 =0
* x*
(5,0)

Página 127
Ejemplo Nº 3
max x1  x2
suj.a : 2 x1  x 2  2
x 1  3x2  1
x1  0, x2  0

Página 128
max x1  x2
suj.a : 2 x1  x 2  2
(0,2)
x 1  3x 2  1
x1  0, x2  0
F
(1,0)

Página 129
max x1  x 2
suj.a : 2 x1  x 2 2
x 1  3x 2  1
(0,2)
x1  0 , x 2  0
ÓPTIMO (máximo)
3
z= 1/ z*=1
x1  x*2 =0
z= 0 *
Dirección
de mejora
de la f.o. F
(1,0)

Página 130
min x1  x 2
suj.a : 2 x1  x 2
2
x 1  3x 2  1
x1  0 , x 2  0

Página 131
min x1  x 2
suj.a : 2 x1  x 2 2
(0,2)
x 1  3x 2  1
x1  0 , x 2  0
ÓPTIMO (mínimo)
3 Dirección
z= 1/ de mejora
z*=0
de la f.o. x1  x*2 =0
z= 0 *
(1,0)

Página 132
Ejemplo Nº 4
max 4x1  2x2

suj.a : 2 x1 3x 2  12
3x1  4x2  12
x1  0, x2  0

Página 133
max 4 1  2 2
suj. : x2 x1 x3x 2  12
a (0,4)
3 1  4 2  12
x x
x1  0, x2  0
F=
(0,3)
(4,0) (6,0)

Página 134
El problema no tiene solución óptima
porque la región de factibilidad es el
conjunto vacío (no hay soluciones
factibles, la intersección de las zonas
sombreadas es vacía).
Esta situación es independiente de la
función objetivo; por tanto, en el caso
de minimizar tampoco hay solución
óptima.

Página 135
Ejemplo Nº 5
max x1  x2
suj.a : x1  x2  2
3 1 x 2  3
xx  0, x  0
1 2

Página 136
max x1  x 2
suj.a : x1  x 2  2 (0,3)
3x 1 x 2  3
x1  0 , x 2  0
(0,2)
(1,0) (2,0)

Página 137
max x1  x2 Dos soluciones óptimas,
suj.a : x1  x2  2 luego, SOL. MÚLTIPLE:
toda la combinación lineal
3x 1 x 2  3 convexa de ambas
x1  0, x2  0 P z*= 2
(0,2)
Q
z= 0 z= 2
Dirección
de mejora F
de la f.o.
(1,0)

Página 138
olución óptima: max x1  soluciones
Infinitas x2 óptimas que se obtienen como combinación lineal convexa de
suj.a : x1  x2  2 P(0,2) y Q(1/2, 3/2).
3x 1 x 2  3
x1  0, x2  0
λP  (1  λ)Q, 0 λ 1
1 3
x   λ(0,2)  (1  λ)( , ), 0 λ 1
2 2
z  2
Por ejemplo:
1 1 1 1 3 1 7
Para λ  , x  (0,2)  (1  )( , )  x1  , x2 
2 2 2 2 2 4 4
1 1 1 1 3 1 5
Para λ  , x  (0,2)  (1  )( , )  x1  , x2 
3 3 3 2 2 3 3
..................

Página 139
min x1  x2
suj.a : x1  x 2  2
3x 1 x 2  3
x1  0, x 2  0

Página 140
min x1  x 2
suj.a : x1  x 2  2 ÓPTIMO (mínimo)
3x 1 x 2  3 z*=0
x1  0 , x 2  0 x1  x*2 =0
*
(0,2)
Dirección
de mejora
de la f.o.
z= 0 F
(1,0)

Página 141
Ejemplo Nº 6
max 80x 1  60x

suj.a : 0.2x1 2+ 0.32  0.25
x2x  x  1
1 2
x1  0, x2  0

Página 142
max 80x 1  60x
suj.a : 0.2x1 +20.32 x2  0.25
x 1 x 2  1
x1  0, x2  0
(0,1)
(0,0.78)
F (1.25,0)
(1,0)

Página 143
max 80x 1  60x2
suj.a : 0.2x1 + 0.32 x2  0.25 ÓPTIMO (máximo)
x 1 x 2  1 z*=80
x1  0 , x 2  0 x1  x*2 =0
*
Dirección
de mejora
de la f.o. F
(1,0)

Página 144
min 80x 1  60x2

suj.a : 0.2x1 + 0.32 x2  0.25
x 1 x 2  1
x1  0, x2  0

Página 145
min 80x 1  60x
suj.a : 0.2x1 +20.32 x2  0.25
x 1 x 2  1 Dirección
x1  0, x2  0 de mejora
de la f.o.
ÓPTIMO
(mínimo)
z*=71.6
x*
1
x*2 =5/12
F
(1,0)

Página 146
EL PROBLEMA DEL TRANSPORTE
Generalidades
Otro de los problemas que pueden resolverse en la Investigación

Operativa, es el relacionado con el transporte cuando existen varios
centros de almacenamiento y oferta y, paralelamente, varios centros de
consumo o demanda.
El proceso consiste en racionalizar las entregas de mercancías desde

diferentes sitios de distribución hasta los centros consumidores al mínimo
costo.
Para esto, suponemos que la cantidad ofertada es igual a la cantidad

demandada y se requiere de los costos unitarios que regularmente son
variables de un sitio a otro.
Metodología
Para aplicar la metodología que resuelve los problemas del trasporte, lo

desarrollaremos con un ejemplo:
Una empresa industrial cuenta con tres Centros de Distribución de sus

productos. El Centro 1 dispone de 12 toneladas; el Centro 2 dispone de
17 toneladas y el Centro 3 de 9 toneladas. Con estas existencias (38
toneladas) se debe abastecer a 4 Centros de Consumo ubicados a
diferentes distancias, los mismos que requieren de las siguientes
cantidades: el Centro de Consumo A demanda 6 toneladas; el Centro de
Consumo B demanda 7 toneladas; el Centro de Consumo C demanda 11
tonelada y el Centro de Consumo D, 14 toneladas.

Página 147
Los costos originales por unidad son los siguientes:
Centros de Consumo A B C D
Centros de Distribución
1 4 6 5 2
2 3 7 4 5
3 6 5 2 7
Se trata de encontrar el plan óptimo de distribución al mínimo costo por lo

que las variables de la función objetivo serían las siguientes:
X11 + X12 + X13 + X14
X21 + X22 + X23 + X24
X31 + X32 + X33 + X34
En donde: Xij representa la cantidad que debe enviar el Centro de

Distribución al Centro de Consumo j.
Los coeficientes de la función objetivo corresponden a los costos

originales unitarios conocidos:
Función Objetivo:
Z(Min) = 4 X11 + 6 X12 + 5 X13 + 2 X14 + 3 X21+ 7 X21 + 4 X23 + 5 X24 + 6 X31 +
5 X32 + 2 X33 + 7X34
Restricciones:
Las restricciones se refieren a las disponibilidades existentes y a la

demanda total, las mismas que se expresan a continuación:

Página 148
X11 + X12 + X13 + X14 = 12
X21 + X21 + X23 + X24 = 17
X31 + X32 + X33 + X34 = 9
X11 + X21 + X31 = 6
X12 + X22 + X32 = 7
X13 + X23 + X33 = 11
X14 + X24 + X34 = 14
No Negatividad:
Hemos obtenido un sistema de ecuaciones por 12 incógnitas, el mismo

que puede resolverse mediante el método simplex, aunque resulta muy
extenso y complejo, más aún si se tratara de mayor participación de
ecuaciones o incógnitas.
George Dantzig plantea la solución a estos problemas aplicando el

método de la “Regla del Noroeste”
La Regla del Noroeste consiste en asignar el máximo posible de unidades

desde el Centro de Distribución 1 al Centro de Consumo A, y luego si
quedan disponibilidades se va asignando al Centro de Consumo B, y así
sucesivamente hasta agotar las existencias:
Matriz de Existencias
6 6 12
5 17
1 11
9 9
6 7 11 14

Página 149
Esta primera distribución es ya una respuesta. Si a estas cantidades
asignadas las multiplicamos por sus correspondientes costos unitarios de
envío obtenemos la función de Costo Total:
Primera solución:
Costo Total: CT1 = 4x6 + 6x6 + 7x1 + 4x11 + 5x5 + 7x9
CT1 = 199
Segunda solución:
Para encontrar una nueva solución es necesario emplear la metodología
de carácter iterativo, esto es, encontrar aproximaciones sucesivas
mediante el algoritmo de la matriz de Costos Indirectos, la misma que se
la obtiene de la siguiente forma:
Matriz de Costos Indirectos

4 6 3 4 (4)
5 7 4 5 5
7 9 6 7 7
0 2 -1 0
Debemos obtener la matriz de Costos Indirectos partiendo de los costos

originales correspondientes a las cantidades ya asignadas en la primera
solución. De ellos escoger el menor, el mismo que actuará de “pivote” y
en el presente caso es 4. Luego, por sumatoria en correspondencia a la
fila y columna respectiva, encontramos los restantes. Ejemplo:
Para a11: (4) (pivote) más 0 = 4;
Para a22: 5 + 2 = 7;
Para a34: 7 + 0.
El siguiente paso es encontrar la matriz de Elección que nos permita ir seleccionando
alternativas. Esta es obtenida de la diferencia de la Matriz de costos Indirectos menos la
Matriz de Costos Originales:

Página 150
Matriz de Costos Indirectos Matriz de Costos Originales Matriz de Elección
4 6 3 4 4 6 5 2 0 0 -2 2
5 7 4 5 - 3 7 4 5 = 2 0 0 0
7 5 6 7 6 5 2 7 1 0 4 0
En la Matriz de Elección seleccionamos el mayor valor de las cifras obtenidas en este

caso 4., esto implica que debe asignarse una cantidad oc desde el Centro de
Distribución 3 al Centro de consumo 3.
Al asignar la cantidad oc en la casilla a 3;3, se alteran las sumas del renglón y columna al
cual pertenece, por tanto, es necesario restarla a fin de que no altere el esquema general
y observamos para evitar alteraciones matemáticas.
Es necesario entonces, asignar un valor de existencias para oc para arribar a una nueva
solución. Obviamente, el valor será 9 pues no podemos restar una cantidad mayor a 9:
6 6
1 11 5
oc 9
M. Existencias
6 6
1 11- oc 5 + oc oc = 9
oc 9 - oc
M. Existencias
6 6 12
1 2 14 17
9 0 9
6 7 11 14

Página 151
A estos resultados multiplicamos por los costos unitarios originales y
obtenemos la segunda función de costo total que deberá ser menor a la
primera obtenida:
Costo Total: CT2 = 4x6 + 6x6 + 7x1 + 4x2 + 5x14 + 2x9 + 7x0
CT2 = 163
Tercera solución:
El procedimiento se repite hasta que en la matriz de Elección todos los
valores sean ceros y/o negativos.

4 6 3 4 (2)
5 7 4 5 3
3 5 2 3 1
2 4 1 2

4 6 3 4 4 6 5 2 0 0 -2 2
5 7 4 5 - 3 7 4 5 = 2 0 0 0
3 5 2 3 6 5 2 7 -3 0 0 -4
Elección: a21 El Centro de Distribución 2 debe asignar una cantidad oc al

Centro de Consumo B equivalente al menor valor positivo constante en la
última matriz de existencias. Esta cantidad oc asignada no deberá alterar
la matriz.
6_ oc 6 + oc
Oc 1_ oc 2 14

Página 152
Por lo que es necesario restar o sumar en las respectivas filas o columnas
que pueden afectarse.
oc =1
La matriz de existencias será entonces:
M. de Existencias
6-1 6+1 5 7 12
1 1-1 2 14 = 1 2 14 17
9 9 9
6 7 11 14
Estas cantidades las multiplicamos por los respectivos costos originales y

nuestra función de costo total en esta iteración es la siguiente:
CT3 = 161
Cuarta solución:
Formamos nuevamente la matriz de costos indirectos:

4 6 3 4 2
5 7 4 5 3
3 5 2 3 1
2 4 1 2
Obtenemos la matriz de elección:

4 6 3 4 4 6 5 2 0 0 -2 2
5 7 4 5 - 3 7 4 5 = 2 0 0 0
3 5 2 3 6 5 2 7 -3 0 0 -4

Página 153
Ensayamos la nueva iteración eligiendo la cantidad correspondiente al
elemento a14, esto es, asignar una cantidad oc desde el Centro de
Distribución 1 hasta el Centro de Consumo D.
5 7 oc
1 2 14
5- oc 7 oc 7 5 12
1+ oc 2 14- oc oc =5 6 2 9 17
9 9 9
6 7 11 14
Los valores alcanzados en la matriz de existencias, multiplicamos por sus

respectivos costos unitarios originales y obtenemos el nuevo valor de
Costo Total que deberá ser menor al Costo Total anterior, salvo que se
trate de un caso de degeneración.
CT4 = 141
Quinta solución:
Procedemos en igual forma que en las etapas anteriores:

0 6 1 2 (2)
3 9 4 5 5
+1 7 2 3 3
-2 4 -1 0

Página 154
0 6 1 2 4 6 5 2 -4 0 -4 0
3 9 4 5 - 3 7 4 5 = 0 2 0 0
+1 7 2 3 6 5 2 7 -5 2 0 -4
7 5
6 oc 2 9
7- oc 5+ oc 0 12 12
6 oc 2 9- oc oc =7 6 7 2 2 17
9 9 9
6 7 11 14
Multiplicamos por sus costos unitarios originales:
CT5 = 127
Sexta solución:
Partimos de la nueva matriz de Costos Indirectos:

0 4 1 2 (2)
3 7 4 5 5
1 5 2 3 3
-2 2 -1 0

Página 155
0 4 1 2 4 6 5 2 -4 -2 -4 0
3 7 4 5 - 3 7 4 5 = 0 0 0 0
1 5 2 3 6 5 2 7 -5 0 0 -4
Todos los valores de la Matriz de Elección son ceros o negativos, luego el

proceso ha concluido. Por tanto el Costo Total mínimo es de 127 y las
cantidades son las siguientes (Matriz de Existencias 5ta. Iteración).
CTm = 127
Centro de Distribución 1 Centro de Consumo D: 12 ton.
Centro de Distribución 2 Centro de Consumo A: 6 ton.

Centro de Consumo B: 7 ton.
Centro de Consumo C: 2 ton.
Centro de Consumo D: 2 ton.
Centro de Distribución 3 Centro de Consumo C: 9 ton.
TOTAL: 38 ton.
ÁLGEBRA DE MATRICES
ESQUEMA DE CONTENIDOS ________________________
INTRODUCCIÓN ____________________

Página 156
El concepto de matriz alcanza múltiples aplicaciones tanto en la
representación y manipulación de datos como en el cálculo numérico y
simbólico que se deriva de los modelos matemáticos utilizados para
resolver problemas en diferentes disciplinas como, por ejemplo, las
ciencias sociales, las ingenierías, economía, física, estadística y las
diferentes ramas de las matemáticas entre las que destacamos las
ecuaciones diferenciales, el cálculo numérico y, por supuesto, el álgebra.
Para obtener información sobre la historia del álgebra de matrices
recomendamos. En este math-block presentamos algunos tipos de
matrices, analizamos las principales operaciones con matrices y damos
algunas aplicaciones del álgebra de matrices. Además, mostramos las
posibilidades que nos brinda el programa Mathcad para el cálculo
matricial. Para completar el estudio sobre este tema, recomendamos la
lectura de los math-block sobre determinantes, matriz inversa y sistemas
de ecuaciones lineales.
OBJETIVOS ________________________
• Conocer algunos tipos de matrices.

• Conocer las principales operaciones con matrices.
• Conocer algunas aplicaciones del cálculo matricial.
• Conocer las facilidades del cálculo matricial usando el programa
Mathcad.
CONOCIMIENTOS PREVIOS ___________________________________
Es recomendable haber leído, previamente, los math-blocks introductorios

a Mathcad.
CONCEPTOS FUNDAMENTALES ______________________________
Definición de matriz

Página 157
Los arreglos rectangulares de números como el siguiente
( 8 −1 0¿ ) ¿ ¿¿
¿
reciben el nombre de matrices. Más formalmente, dado un conjunto X, se
denomina matriz de n filas y m columnas a un conjunto de n×m
elementos de X, dispuestos en un arreglo rectangular de n filas y m
columnas. Las características de los elementos del conjunto X
dependerán, en cada caso, de la naturaleza del problema que se esté
estudiando. X puede ser un conjunto de funciones, de palabras de un
alfabeto, de números, etc. De aquí en adelante, salvo que se especifique
lo contrario, los elementos del conjunto X serán números reales y
denotaremos el conjunto de todas las matrices de orden n×m (n filas y
m columnas) por. m n M ×
En general, para representar una matriz A de orden n×m se escribe:ón
[A= ¿a1 a12 . a1m¿][a21 a2 . a2m¿][. . .¿][. . ¿][. . ¿] ¿

¿
También se escribe A=( ij a ) ( ,..., 1 = i n y ,..., 1 = j m) para indicar que A
es la matriz de orden n×m que tiene elementos ij a . Las matrices se
denotan con letras mayúsculas y sus elementos con la misma letra
minúscula acompañada de dos subíndices que indican su posición en la
matriz; el primer subíndice indica la fila y el segundo la columna. Es decir,
el elemento ij a es aquel que se encuentra en la fila i y la columna j de la
matriz A. Por ejemplo, si denotamos por M la matriz inicial, entonces el

Página 158
orden de M es 2×3 (2 filas y 3 columnas) y sus elementos son: ,
m 11 = 8, m 12 = −1. m 13 = 0, m 21 = 5, m 22 = 0,5 y m 23 = 3
Dos matrices A=( a ij) y B=( b ij ), de orden n×m, son iguales si aij = b ij
para todo i = l, …, m. Es decir, dos matrices son iguales si los elementos
que ocupan la misma posición en ambas matrices coinciden.
Algunos tipos de matrices
Matriz Cuadrada: Es aquella que tiene igual número n de filas que de

columnas (n=m). En ese caso se dice que la matriz es de orden n. Por
ejemplo, la matriz
A=¿ (1 3 −2¿ )(0 −3 3¿)¿¿

es cuadrada de orden 3.
¿
Denotaremos el conjunto de todas las matrices cuadradas de orden n por
M n . Así, en el ejemplo anterior, A ∈ M 3
Los elementos de la diagonal principal de una matriz cuadrada son

aquellos que están situados en la diagonal que va desde la esquina
superior izquierda hasta la inferior derecha. En otras palabras, la diagonal
principal de una matriz A=(a ij) está compuesta por los elementos a 11,
a22,…, am. En el ejemplo anterior la diagonal principal está compuesta por
los elementos: a11 = 1, a22 = -3, a33 = 1
Matriz Nula: Una matriz es nula si todos sus elementos son iguales a
cero. En el siguiente ejemplo se muestra la matriz nula de orden 3×2.

Página 159
0 = ¿( 0 0¿) (0 0¿) ¿ ¿
¿
Más adelante veremos que la matriz nula, respecto a la adición y multiplicación de
matrices, juega un papel similar al número cero respecto a la adición y
multiplicación de números reales.
Matriz Diagonal: Una matriz cuadrada, A= (a ij ), es diagonal si aija =0,

para i ≠ j. Es decir, si todos los elementos situados fuera de la diagonal
principal son cero. Por ejemplo, la siguiente matriz es diagonal:
D=¿(0 0 0¿ )(0 6 0¿) ¿ ¿

¿
Matriz Unidad: Es una matriz diagonal cuyos elementos de la diagonal
son todos 1. A continuación mostramos la matriz unidad de orden 2.
I =¿ ( 1 0¿ ) ¿ ¿
¿
Más adelante veremos que la matriz unidad, respecto a la multiplicación
de matrices, juega un papel similar al número 1 respecto a la
multiplicación de números reales.
Matriz triangular: Es una matriz cuadrada en la que todos los elementos

situados por debajo (o por encima) de la diagonal principal son cero. Por
ejemplo, la siguiente matriz es triangular:
T=¿ (2 −1 3 ¿)(0 6 4¿) ¿ ¿

1

Página 160
Este tipo de matrices también se conoce como matriz escalonada. En
algunos casos se hace la distinción entre las matrices triangulares
superiores o inferiores en dependencia de los elementos nulos de la
matriz; los que están por debajo o por encima de la diagonal principal.
Según se puede ver en el Math-block sobre sistemas de ecuaciones

lineales, el concepto de matriz triangular (o escalonada) es de vital importancia
en el estudio de los sistemas de ecuaciones lineales.
Más adelante, después de estudiar las operaciones con matrices,

veremos algunos tipos importantes de matrices como es el caso de las
simétricas y las ortogonales.
Adición de matrices
Sean A , B ∈ M nxm. . La matriz C = ( ci j ) ∈ M nxm

es la suma de las matrices
A = ( a ij ) y B = (bi j ) y se denota, C = A + B si sus elementos cumplen:
c ij = a ij + b ij (i = 1,2 ,.. .,n , j = 1,2 ,. .. , m )
Ejemplo
Consideremos las siguientes matrices:
A=¿(2 4¿) (−1 3¿) ¿¿ B=¿( 4 4¿ )(2 4¿ )¿¿ M=¿ (−1 3 4¿ )( 2 0 2¿) ¿ ¿
¿ ¿ ¿
Las matrices A y B son de orden 3×2, mientras la matriz M es cuadrada
de orden 3. Por tanto, no podemos calcular la suma de A y M y tampoco
la suma de B y M, en cambio, sí podemos sumar A y B ya que tienen el
mismo orden. Esto es,

Página 161
A + B = ¿ ( 2 4 ¿ )(−1 3 ¿ ) ¿ ¿
¿
Es fácil deducir las siguientes propiedades de la adición de matrices de
orden n×m:
• Conmutativa: A + B = B + A , ∀ A , B∈ M nxm
• Asociativa: A + (B+C ) = ( A +B )+C , ∀ A , B ,C ∈ M nxm
• Elemento neutro (la matriz nula):
∃O ∈ M nxm ∀ A ∈ M nxm : A +O=O+ A=A
• Elemento opuesto: ∀ A ∈ M nxm ∃(− A ) ∈ M nxm : A+(− A )=(−A )+ A=0
En virtud de las propiedades anteriores de la adición de matrices, “+”, (ley
interna) resulta que ( M nxm ,+) tiene estructura de grupo conmutativo.
Multiplicación de una matriz por un número
Se denomina producto de una matriz2 A=(a ij ) ∈ M nxm por un número λ a
una matriz B=( b ij ) ∈ M nxm cuyos elementos son de la forma

b ij = λa ij ( i = 1 ,. .. , n ; j = 1 ,. .. m )
Es decir, la matriz producto, B, es la que se obtiene multiplicando el
número λ por cada uno de los elementos de A. De aquí en adelante
consideraremos que λ es un número real.
Ejemplo
A=¿( 2 0 −1¿)(−2 0 4¿)¿¿

Consideremos la matriz ¿ y el número
λ = −5 .Entonces, el producto de A por λ es:
λ A = (−5) ¿ ( 2 0 −1¿)(−2 0 4¿) ¿ ¿

¿
Página 162
El producto de una matriz por un número es una ley de composición externa que
cumple las siguientes propiedades (Ver [8] para profundizar en leyes de
composición):
Distributiva mixta del producto respecto a la suma de matrices
λ ( A +B ) = λA+ λB ∀ λ ∈ R , ∀ A , B ∈ M nxm
Distributiva mixta del producto respecto a la suma de números reales
( λ+δ) A = λA+δA ∀ λ , δ ∈ R , ∀ A ∈ M nxm
Asociativa mixta
( λδ ) A = λ (δA) ∀ λ ,δ ∈ R , ∀ A ∈ M nxm
• Elemento neutro para la ley externa
2 En esta definición damos por supuesto que se cumple la propiedad

conmutativa de la multiplicación del número λ por los elementos de A.
En virtud de estas propiedades y de las anteriores de la suma de

matrices, resulta que el conjunto Mnxm de las matrices de orden n×m,
respecto a la ley de composición interna, “+”, y a la ley de composición
externa, producto de una matriz por un número, tiene estructura de
espacio vectorial sobre el cuerpo de los números reales
Multiplicación de matrices
Se denomina matriz producto de la matriz A = (a ij ) ∈ M nxm por la matriz

B = (b jk ) ∈ M mxp a una matriz C = (c ik ) ∈ M nxp cuyos elementos son de la
forma
m
cik  ailblk  ai 2b 2 k  ...  aimbmk   aijbjk

j l

Página 163
Es decir, los elementos que ocupan la posición, ik en la matriz producto,
se obtienen sumando los productos que resultan de multiplicar los
elementos de la fila i en la primera matriz por los elementos de la
columna k de la segunda matriz. Observemos en detalle cómo se obtiene
el elemento 23 c en el siguiente ejemplo:
AB = ¿ ( 1 3¿ )( 2 −1 ¿ ) ¿ ¿
¿
Fila 2 por columna 3 = elemento que ocupa la posición 23
2
c 23 = ∑ a 2 j b j3 =a 2 l b l3 + a 22 b 23 = 25+(−1 )3=10−3=7
j=l
Dos matrices se pueden multiplicar sólo cuando el número de columna de

la primera matriz sea igual al número de filas de la segunda. En ese caso
se dice que las matrices son enlazadas.
En el siguiente ejemplo podemos ver además cuál es el orden de la

matriz producto.
A=¿ ( 2 3 4 4¿ ) ( 1 2 2 1¿ ) ¿ ¿¿
¿
¿
Nótese además, que no podemos calcular B A.

Página 164
B A= ¿(2 2¿ )( 1 1¿ ) (0 2¿ )¿ ¿
¿
Hay casos, como veremos en el siguiente ejemplo, en los que se pueden
calcular ambos productos aunque se obtienen resultados diferentes:
Consideremos las siguientes matrices:
A = ¿ ( 4 3 2 ¿) ¿¿
¿
Entonces, por un lado,
A B = ¿ ( 4 3 2¿ ) ¿ ¿
Y por otro lado,
¿
B A = ¿ ( 0 2 ¿ )( 1 3 ¿ ) ¿ ¿
¿
Según se pudo comprobar a través de los ejemplos anteriores, para la
multiplicación de matrices no se cumple la propiedad conmutativa.
Veamos algunas propiedades de esta operación:
 Asociativa
A ( BC) = ( AB)C , ∀ A , B ,C : A ∈ M nxm , B ∈ M nxm, C ∈ M kxp
 Elemento neutro (Es la matriz unidad)

∃I ∈ M n ∀ A ∈ M n : AI = I A = A
 Distributiva (mixta)
A ( B+C ) = A B + AC , ∀ A , B , C : A ∈ M nxm B , C ∈ M mxk

Página 165
En virtud de estas propiedades y de las anteriores de la suma de matrice,
resulta que el conjunto (Mn,+,) de las matrices cuadradas de orden n,
respecto a las dos leyes de composición interna, “+” y “.”, tiene
estructura de anillo unitario no conmutativo (ver 8) para profundizar en la
estructura de anillo.
Otras observaciones importantes:
 Existen divisores de cero: en general, A B = 0 no implica que A =

0 o B = 0. Por ejemplo,
( )( ) ( )
1 0 0 0 = 0 0
2 0 8 1 0 0
 No se cumple la propiedad cancelativa. En general, A B = A C no

implica B = C. Por ejemplo,
( )( ) ( )( )
1 0 1 0
2 0 8 1
=
1 0 1 0
2 0 5 3
 No se cumple la fórmula del binomio: En general,
( A +B)2 ≠ A 2 +2 AB+B2 ya que el producto no es conmutativo.
Matriz invertible
Una matriz cuadrada A es invertible si existe una matriz, que

−1 −1
denotaremos por A-1 , que cumple AA = A A = I , donde I es la matriz
unidad. En ese caso se dice que A-1 es la inversa de A.
Por ejemplo, la matriz
A=¿( 2 4 3¿)(−1 3 4¿) ¿¿

¿

Página 166
Es invertible y su inversa es
( )( )
3 4 7 13 7 11
A =¿ 31 −31 31 ¿ 31 −31 −31 ¿ ¿¿
−1
Ya que
¿
( )( 3 4 7 13 7 11
− ¿ − − ¿ ¿ ¿¿
( 2 4 3¿)(−1 3 4¿)¿¿¿ 31 31 31 31 31 31 )
AA
−1
= ¿ ¿
Para un estudio detallado sobre matriz inversa recomendamos el math-
block titulado “Matriz Inversa”
Matriz traspuesta
T
La traspuesta de una matriz A = (a ij ) ∈ M nxm , es la matriz A = ( a ji ) ∈ M mxn ,
que se obtiene a partir de la matriz A al intercambiar las filas por las
columnas (o viceversa).
( )
4 1
A=
4 3 2
1 2 3 (T
es A = 3 2
2 3
)
La traspuesta de la matriz
Propiedades:
 Dada una matriz, siempre existe la traspuesta y además es única.

T
 ( AT ) = A
 ( A +B )T = A T + BT
 ( λA )T = λAT , con λ ∈ R
 ( AB )T = BT AT

Página 167
T −1
 ( A−1 ) = ( A T )
Otros tipos de matrices
Matriz simétrica: Es una matriz igual a su traspuesta:
A es simétrica ⇔ A T = −A
La siguiente matriz es asimétrica:
( )
1 −9 3
A= 9 2 1
−3 −1 5
Matriz ortogonal: Es aquella cuya traspuesta es igual a su inversa. Es

decir, es aquella que multiplicada por su traspuesta da como resultado la
matriz unidad. Esto es,
T T −1
A es ortogonal ⇔ A A = I ⇔ A = A
La siguiente matriz de funciones es ortogonal:
(cossenxx −cos x
senx )
Para comprobarlo es suficiente con aplicar la definición y tener en cuenta
que sen 2 x + cos 2 x = 1.
Las matrices ortogonales de orden 2 son de la forma:
(
A= a b o A= a b
−b a )
b −a ( )
Donde a y b son números reales tales que a2 + b2 = 1
Matriz involuntaria: Es una matriz que coincide con su inversa. Esto es,
2
A es involutiva ⇔ A = I

Página 168
La siguiente matriz es involutiva:
( ) ( )(
A = −1 0 A 2 = −1 0 −1 0 = 1 0
0 1 0 1 0 1 0 1 ) ( )
Es evidente que esta matriz también es ortogonal.
Matriz idempotente: Es una matriz igual a su cuadrado. Es decir,
La siguiente matriz es idempotente:
Matriz nilpotente: Si A es una matriz cuadrada y Ak = 0 para algún

número natural K, se dice que A es nilpotente. Si K es tal que Ak-1 ≠ 0 y
Ak = 0, se dice que A es nilpotente de orden k. a continuación mostramos
una matriz nilpotente de orden 2.
Naturalmente, la matriz A es un divisor de cero
CASOS PRÁCTICOS CON SOFTWARE________________________
 Operaciones con matrices usando Mathcad
¿Cómo editar matrices?
Para editar matrices utilizando Mathcad se sigue los siguientes pasos

usando la barra de herramientas Math:

Página 169
MATH
FILAS
COLUMNAS
Se introduce el número de filas y de columnas y luego se introducen

los elementos de la matriz.
¿Cómo asignar una matriz a una variable?
Para asignar una matriz a una variable se escribe la variable y luego

dos puntos,”:”. Después se introduce la matriz por el procedimiento de
antes.
¿Cómo calcular?

Página 170
Una vez asignada la matriz a una variable, la suma, producto, producto
por un número y potencias, se hacen como si se tratase de números.
En el caso de la traspuesta y otras operaciones exclusivas de las
matrices se utiliza la barra de herramientas Matrix
Por ejemplo, introducimos las siguientes matrices:
Luego calculamos:
Además de la barra de herramienta Matrix, como mostramos a través

del siguiente
ejemplo,
podemos usar la
barra de
herramientas
Symbolic:
 Matrices input-
output
Las matrices
input-output
(entrada-salida)
se aplican al
considerar un
modelo
simplificado de la economía de un país en el que la actividad de

Página 171
cualquier empresa puede considerarse en algunos de los sectores
básicos: la industria (I), la agricultura (A), el turismo (T) y los servicios
(S). las empresas compran (inputs), transforman los productos y luego
venden (oustputs).
Para tener una idea del modelo, supongamos que los datos de la
economía de un país ficticio son los de la siguiente, donde las
cantidades se dan en algún tipo de unidad monetaria.
En cada fila se indican el valor

de las ventas efectuadas por
cada sector a cada uno de los
sectores restantes así como las
ventas internas, la demanda,
que representa el valor de las
ventas efectuadas a los
consumidores y otros países, y
el output total del sector que se
Obtiene sumando todas las ventanas de ese sector. Por ejemplo, en el

caso de la industria, el valor de las ventas internas fue de 50, el valor de
las ventas al sector agrario fue de 23, en el caso de turismo fue de 4, y en
los servicios de 6. el valor de las ventas efectuadas a los consumidores y
a otros países (demanda) fue de 200. Entonces el output total fue de 283.
A partir de la tabla anterior se definen las siguientes matrices:

Página 172
Y a partir de los elementos de las matrices M y O se puede construir una
matriz tecnológica, T que representa la proporción de las transacciones
intersectoriales respecto al output total de cada sector.
Toda la información de la tabla se puede expresar en forma matricial a

través de la siguiente relación: O = T O + D, es decir,
Esta fórmula permite hacer estudios destinados a planificar la economía.
 Modelo metalúrgico
Supongamos que una empresa fabrica tres modelos de máquinas

herramientas, M1, M2 y M3, y como materia prima fundamental utiliza
tres tipos de metales, Hierro (H), Níquel (N) y Cobalto ©. La cantidad
de materia prima que necesita para fabricar cada máquina, expresada
en toneladas, se muestra en la siguiente tabla a la cual le hacemos
corresponder la matriz A.

Página 173
Las mejores ofertas de la materia prima corresponden a los proveedores
P1, P2 y P3. los precios por toneladas (expresados en ciertas unidades
monetarias) impuestos por cada uno de los proveedores a cada uno de
los metales aparecen en las siguiente tabla:
Queremos hacer una tabla de doble entrada que muestre el gasto en

materia por modelo de máquina y proveedor. Dicha tabla se obtiene a
través del siguiente producto matricial.
La tabla obtenida es:

Página 174
 Matriz de adyacencia de un grafo
Un grafo G=(V,E) es un par ordenado formado por un conjunto V (finito

no vacío) de objetos llamados vértices y un conjunto E de pares
ordenados de vértices diferentes denominados aristas. Una arista
formada por los vértices v i,vj se denota por vivj y se dice que los
vértices vi y vj son adyacentes.
Consideramos el grafo representado ene. Siguiente diagrama:
En este caso el conjunto de vértices es V = v1, v2, v3, v4
y el conjunto de aristas es E = v1v2 v1v4,v2v3,v2v4 v3v4
Un recorrido de longitud I, del vértice u al vértice v es una secuencia

finita de vértices, u = v0, v1,…, vl = v, tal que vj-l es adyacente a vj para
La matriz de adyacencia de un grafo G de n vértices, denotada por

A(G), es una matriz cuadrada de orden n que tiene un 1 en la posición
ij si los vértices vi y vj son adyacentes y un 0 en caso contrario . Es
decir la matriz de adyacencia de un grafo se define como A(G) = (a ij),
donde

Página 175
La matriz de adyacencia es simétrica y sus elementos de la diagonal
principal son todos cero. La matriz de adyacencia del grafo de antes
es:
Un resultado conocido y muy utilizado en teoría algebraica de grafos

es el siguiente: El número de recorrido de longitud l en un grafo G, del
vértice vi al vértice vj, es el elemento que está en la posición ij de la
matriz Al
Para ilustrar el resultado anterior vamos a calcular el número de

recorridos entre los vértices v1 y v3 del grafo anterior para

Página 176
Las potencias de la matriz de adyacencia son:
DETERMINATES
ESQUEMA DE CONTENIDOS ________________________
INTRODUCCIÓN ___________________

Página 177
El concepto de determinante de una matriz cuadrada tiene una gran
relevancia dentro de la teoría de matrices. Los determinantes resultan de
gran utilidad a la hora de resolver determinados sistemas de ecuaciones
lineales (los llamados sistemas de Cramer), discutir la existencia de
solución de sistemas de ecuaciones lineales generales (mediante el
concepto de rango de una matriz y del Teorema de Rouché Frobenious),
y analizar la dependencia lineal de un conjunto de vectores (lo cual, entre
otras cosas, nos permitirá identificar posibles bases de un espacio
vectorial). Además, la interpretación geométrica de los determinantes nos
permite calcular, de forma sencilla, áreas y volúmenes de determinadas
figuras geométricas, realizar productos vectoriales, y hallar las ecuaciones
de un plano en el espacio.
Los campos de aplicación de la teoría de los determinantes y, en general,

de la teoría de matrices son muy amplios, y abarcan desde las más
clásicas aplicaciones en las áreas de física, economía, e ingeniería hasta
aplicaciones más recientes como la generación de gráficos por ordenador,
la teoría de la información y la criptografía.
OBJETIVOS ________________________________________________
• Aprender a calcular determinantes de todos los órdenes.

• Conocer las propiedades de los determinantes.
• Comprobar cuáles son las aplicaciones de los determinantes.
• Introducirse en el uso del Mathcad para trabajar con determinantes.
CONOCIMIENTOS PREVIOS ___________________________________
Es recomendable haber leído, previamente, el math-block sobre álgebra

de matrices así como los introductorios a Mathcad.
CONCEPTOS FUNDAMENTALES ______________________________

Página 178
Definición de determinante
Dados los números 1, 2,3,....n existen n! formas distintas de ordenarlos.

Cada una de dichas ordenaciones se llama permutación. El conjunto de
todas las permutaciones se representa por P n y la permutación (1, 2, 3,...,
n) se llama permutación principal.
Por ejemplo, el conjunto {(1 2 3), (1 3 2), (2 1 3), (2 3 1), (3 1 2), (3 2 1)}
contiene las 6 permutaciones diferentes de la terna (1 2 3).
Diremos que dos elementos de una permutación forman una sucesión si

están colocados en el mismo orden que en la permutación principal. En
caso contrario, diremos que forman una inversión.
Por ejemplo: (2 3 1 4 5 6) tiene dos inversiones (nº de pasos a realizar
para obtener la permutación principal).
Llamaremos signatura de una permutación al valor (-1) λ donde λ es el

número de inversiones de dicha permutación.
Se define el determinante de una matriz cuadrada A, denotado por IAI o

por det(A), como:
Definición Propiedades
Cálculo
Aplicaciones
Independencia Lineal
Cálculo de determinantes
Determinantes de orden 2 (asociados a matrices 2x2)

Página 179
Cuando A es una matriz 2x2 hay 2! = 2 permutaciones del par (1 2); estas
son:
{(1 2), (2 1)}. Entonces, el determinante de A contendrá los dos términos:
a11 . a22 . signatura (1 2) y a12 . a21 . signatura (2 1)
Como signatura (1 2) = (-1) 0 = 1 y signatura (2 1) = (-1)1 = -1, el

determinante de orden 2 será:
Ejemplo:
Determinantes de orden 3 (asociados a matrices 3x3)
Si A es una matriz 3x3, su determinante (de orden 3) vendrá dado por:
Ejemplo:

Página 180
Determinantes de orden superior a 3 (asociados a matrices nxn con
n>3)
En el caso de determinantes de orden superior a 3 (es decir, asociados a

matrices de tamaño nxn con n > 3), la expresión resultante tiende a
complicarse, por lo que recurriremos al método de desarrollo por
adjuntos para su cálculo.
Primero de todo, fijémonos en la disposición de signos siguientes (similar

a las casillas blancas y negras en un tablero de ajedrez):
Para calcular el determinante de una matriz 4x4 (o superior) se debe

hacer:
1. Elegir aquella fila o columna que tenga el mayor número de ceros (si
ninguna línea tiene ceros, se coge una línea cualquiera).
2. Cada uno de los elementos de la línea dará lugar a un sumando, el cual

se obtendrá como se explica en el paso siguiente.

Página 181
3. Para cada elemento de la línea seleccionada, éste se multiplica por su
correspondiente determinante adjunto (aquel determinante resultante de
eliminar la fila y la columna a las que pertenece el elemento eleccionado).
A dicho adjunto le precederá el signo que corresponda a la posición
ocupada por el elemento seleccionado (según la tabla de signos arriba
indicada).
Ejemplo matriz 4x4:
Ejemplo matriz 5x5:

Página 182
= {al multiplicar por 0, los 3 primeros sumandos se eliminan; el último
determinante también se anula} =
= {los dos primeros determinantes se anulan mutuamente, pues son

iguales pero de signo cambiado; el último determinante también se anula}
Propiedades de los determinantes
Para el cálculo de algunos determinantes, puede ser muy útil recurrir a

algunas de las siguientes propiedades:
1. El determinante de una matriz es igual al de su transpuesta.
Por ejemplo,

Página 183
2. Si en un determinante se cambian entre sí dos líneas paralelas (filas o
columnas), el signo de su valor también cambiará.
Por ejemplo,
3. Un determinante que tiene dos líneas paralelas (filas o columnas)

iguales vale 0.
Por ejemplo,
4. Si un determinante tiene todos los elementos de una línea nulos, el

determinante vale 0.
Por ejemplo,
5. Multiplicar un determinante por un nº real es equivalente a multiplicar

cualquier línea (fila o columna) por dicho número.
Por ejemplo,

Página 184
Dada una matriz A de tamaño nxn, y un nº real λ, esta propiedad implica
que:
6. Si todos los elementos de una fila o columna están formados por dos
sumandos, dicho determinante se descompone en la suma de dos
determinantes.
Por ejemplo,
7. Si los elementos de una línea son combinación lineal de las otras,

entonces, el determinante vale 0.
Por ejemplo,
8. Si a los elementos de una línea se le suman los elementos de otra

paralela multiplicados previamente por un nº real el valor de la
determinante no varía.

Página 185
Por ejemplo,
9. El determinante de un producto de matrices es el producto de los

determinantes de cada una de ellas.
CASOS PRÁCTICOS CON SOFTWARE________________________
La función determinante con Mathcad
Estamos familiarizados con funciones como f(x)=senx y f(x)=x 2, que

asocian un número real f(x) a un valor real de la variable x. Como x y f(x)
asumen valores reales, tales funciones se describen como "funciones con
valores reales de una variable real". La función determinante es
también una "función con valores reales de una variable matricial" en el
sentido de que asocia un número real f(X) con una matriz X.
El estudio de la función determinante tiene importantes aplicaciones en la

teoría de sistemas de ecuaciones lineales y también conduce a una
fórmula explícita para calcular la inversa de una matriz invertible.
La función determinante en Mathcad es una aplicación del conjunto de

matrices cuadradas en el conjunto de escalares.
Dicha función tiene como entrada (input) una matriz cuadrada y como
salida (output) un escalar.

Página 186
El determinante de una matriz cuadrada, utilizando Mathcad, se puede
hallar mediante el icono IxI de la barra de herramientas Matrix (si en vez
de la matriz se pone un escalar, este mismo icono también proporciona el
valor absoluto de éste). Además, el determinante de una matriz también
puede ser calculado con el icono I M I de la barra de herramientas
Symbolic.
Por ejemplo, si se quiere calcular el determinante de la matriz A:
Incluso, si lo que se desea es calcular el determinante de una matriz con

parámetros, podemos ayudarnos del icono I M I de la barra de
herramientas Symbolic para ello. Veamos un sencillo ejemplo:

Página 187
Determinantes e independencia lineal de vectores
El uso de determinantes proporciona un método de sencillo para

comprobar cuando n vectores de Rm son linealmente independientes.
Sea M la matriz cuyas columnas son los vectores dados. M es una matriz
m por n. Las columnas son linealmente dependientes si y sólo si existe
un vector de dimensión n (diferente del vector nulo) tal que: M.x=0; esto
es:
(Nótese que M<j> es la j-ésima columna de M).
En caso contrario; si sólo existe el vector nulo, los vectores son

linealmente independientes.
Recordemos que M.x=0 tendrá una solución no-trivial (por no-trivial

entendemos que algún coeficiente de ésta es diferente de cero) si y sólo
si, por lo menos una de las variables o incógnitas es libre; esto es, una de
las variables puede tomar cualquier valor.
Además, la ecuación matricial M.x=0 da lugar a un sistema de ecuaciones

lineales homogéneo. Sabemos que éste siempre tendrá, por lo menos,
una solución (la trivial). Si éste tiene más de una solución, entonces
posee un infinito número de soluciones.
El proceso para saber si unos vectores son linealmente dependientes o

independientes es el siguiente:
Poner los vectores en columnas y formar la matriz M.
Hallar la solución del sistema M.x = 0, mediante la función “ref.”.

Página 188
Si la solución es la trivial, los vectores son linealmente independientes. En
caso contrario, si el sistema tiene solución diferente de la trivial, los
vectores son linealmente dependientes.
No obstante esto, el uso de determinantes proporciona un método sencillo

para comprobar cuando n vectores de Rm son linealmente dependientes
o independientes.
Teorema: Si n>m, cualquier conjunto de n vectores de Rm son

linealmente dependientes.
Fijémonos que, en
este caso, hay más
columnas que filas.
Esto significa que en la
matriz reducida por
filas (rref.), por lo
menos, una columna
corresponderá a una
variable libre. Y, por
tanto, existe una
solución diferente de
cero para la ecuación
matricial M.x = 0.
Ejemplo:
Supongamos que
tenemos 4 vectores
de R3 y queremos
saber si éstos son linealmente dependientes o independientes.
Buscaremos la solución a la ecuación M.x = 0.
Los vectores son:

Página 189
Por tanto, las soluciones a éste sistema de ecuaciones son:
x = -12t
y = 12t
z = 7t
El sistema tiene infinitas soluciones, por tanto, los vectores son

linealmente dependientes, tal y como se afirma en el teorema.
Observación: En la función anterior (ref.) hemos utilizado la matriz

ampliada del sistema. Como la matriz de los coeficientes está ampliada

Página 190
con una columna formada toda por cero, las operaciones de las filas no
cambiarán. Por tanto, aquí podríamos haber utilizado perfectamente la
matriz de los coeficientes e interpretar el resultado de manera similar:
Teorema: M.x=0 tiene como única solución la trivial si y sólo si M T.M.x=0

tiene como única solución la trivial.
Obviamente cualquier solución de M.x = 0 lo es de M T .M.x = 0; esto es,

sus conjuntos de soluciones coinciden. Si la trivial es la única solución
para una ecuación, ésta debe ser la única solución para la otra.

Página 191
Según el teorema anterior, que M.x = 0 tenga solución es equivalente a
decir que MT .M.x= 0 también tenga solución. Por lo tanto, es equivalente
a que existe la inversa de M T .M (fijémonos que MT.M es una matriz
cuadrada n por n). Por tanto, equivalente a que I M T.M I es diferente de
cero; esto es, no se anula el determinante de M T.M
Conclusión: Sean M<1>, M<2>, ..., M<n> n vectores de Rm con n<m.

Entonces M<1>, M<2>,..., M<n> son linealmente independientes si y sólo
si I MT.M I es diferente de cero.
Ejemplo: Sean los vectores de R5:
Por tanto, los vectores anteriores son linealmente

independientes.
En este caso, M es una matriz cuadrada y el sistema homogéneo M.x=0

tendrá una única solución trivial (y los vectores serán linealmente
independientes) si es compatible determinado. Por tanto, si existe la

Página 192
inversa de la matriz M, esto es equivalente a que el determinante de la
matriz M sea diferente de cero.
Conclusión: Los vectores son linealmente independientes si y sólo si

el determinante de M es diferente de cero.
Ejemplo: Sean los vectores de R4:
Comprobemos que los resultados obtenidos utilizando el comando de la

barra de herramientas Matrix y los obtenidos mediante la barra Symbolic
coinciden:
Por tanto, los vectores anteriores son linealmente independientes.

Página 193
Sean M<1>, M<2>,..., M<n> n vectores de Rm.
Si n>m, entonces cualquier conjunto de n vectores de R m son linealmente

dependientes.
Si n<m, entonces M<1>, M<2>,..., M<n> son linealmente independientes si y

sólo si I MT.M I es diferente de cero.
Si n=m, entonces M<1>, M<2>,..., M<n> son linealmente independientes si y

sólo si I M I es diferente de cero.
La definición de un determinante que se ha visto hasta ahora es

puramente algebraica, sin embargo existe una concreta interpretación
geométrica.

Página 194
Un sólido en Rm con las caras opuestas paralelas, cuyos lados
adyacentes están definidos por vectores de un conjunto linealmente
independiente {x1, x2,..., xn} se llama paralelepípedo n-dimensional.
Como se representa en la figura siguiente, un paralelepípedo

bidimensional es un paralelogramo y un paralelepípedo tridimensional es
un cubo rectangular torcido.
Consideremos el paralelogramo siguiente cuyos lados son los vectores (a,

b) y (c, d):
Geométricamente es fácilmente visible que el área del paralelogramo es

igual a la longitud de la línea L por la longitud de la línea que va desde

Página 195
(0, 0) hasta (a, b). La longitud de L es sin  por la longitud de la línea que
va desde (0, 0) hasta (c, d).
Según esto, el área del paralelogramo es igual a:
Sin embargo y, según lo visto anteriormente, el área del paralelogramo se

puede calcular como el valor absoluto del determinante cuyas filas son los
lados de éste; es decir:
Ejemplos:
• El área del paralelogramo determinado por los vectores (4, 0) y (7, 5)

son 20 unidades cuadradas.
 El área del paralelogramo determinado por los vectores (5, 3) y (7, -2)
son 31 unidades cuadradas.
 El área del paralelogramo determinado por los vectores (1, 7) y (3, 2)

son 19 unidades

Página 196
Sea el triángulo siguiente del cual se conocen las coordenadas de sus
tres vértices:
El área de dicho triángulo es igual a:
(Observación: Fijémonos que el triángulo es la mitad del paralelogramo)
Ejemplos:
 El área del triángulo de vértices P= (2, 3), Q=(-4, 7) y R=(1, 0) son 11

unidades cuadradas.
Área = 11 unidades cuadradas

Página 197
 El área del triángulo de vértices P=(-12, 3), Q=(5, 7) y R=(0, 2) son
32,5 unidades cuadradas.
Área = 32,5 unidades cuadradas
Cuando la matriz A  Rmxn tiene las columnas linealmente independientes,

el volumen del paralelepípedo n-dimensional generado por las columnas
de la matriz A es:
donde At es la traspuesta de la matriz A y se lee así: "La raíz cuadrada

positiva del determinante del producto de la traspuesta por la matriz".
En particular, si la matriz A es cuadrada, entonces el volumen es
y se lee así: "El valor absoluto del determinante de la matriz A".
En R3 consideremos el paralelepípedo generado por los tres vectores:

Página 198
El volumen de dicho paralelepípedo es el valor absoluto del determinante
cuyas filas son los vectores u, v y w.
Cabe destacar que no tiene ninguna importancia el hecho de poner los

vectores en las filas o en columnas ya que se debe hallar el determinante
y, por una de las propiedades anteriores se ha visto que el determinante
de una matriz y el de su traspuesta coinciden.
Ejemplos:
si u=(2, 0, 0), v=(0, 3, 0), w =(0, 0, 5); entonces:
si u=(1, 4, 2), v=(3, -2, 2), w=(-2, 5, 0); entonces

Página 199
El volumen serán 4 unidades cúbicas pues se debe tomar el valor
absoluto.
si u=(1, 3, 5), v=(0, 3, 5), w=(0, 0, 5); entonces
El volumen son 15 unidades cúbicas.
Sean los puntos P, Q, R, S que determinan el paralelepípedo siguiente:
Ampliando el resultado obtenido en el cálculo del área de un triángulo,

podemos afirmar que el volumen de dicho paralelepípedo es:
Observemos que también se podría haber hecho de la siguiente manera:
A partir de los puntos se hallan los vectores y se halla

su determinante

Página 200
Tal como se ha explicado anteriormente.
Ejemplo:
El volumen del paralelepípedo determinado por los puntos siguientes:
P= (0, 0, 0)
Q= (1, 4, 2)
R= (3, -2, 2)
S= (-2, 5, 0)
es 4 unidades cúbicas.
Fijémonos que coincide con el valor del volumen si se halla éste mediante
los vectores PQ, PR y PS:

Página 201

Investigación Operativa

Cargado por

Información del documento

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

Investigación Operativa

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD TÉCNICA DE

PERÍODO: Octubre 10/2017 – Febrero 17/2018

Portoviejo - Manabí - Ecuador

Econ. Horacio Sabando G., Mgst. E.S.

Ordinariamente, el concepto de decisión ha sido interpretado como una

Hoy en día, el término “decisión” se lo define como el estudio analítico,

El éxito de una decisión depende básicamente del grado de

Imaginémonos dentro de una amplia gama de combinaciones posibles la

Econ. Horacio Sabando G., Mgst. E.S.

Dependiendo de la información y evaluación de posibilidades, cada

La atención y buen juicio en el estudio previo a la “toma de decisiones”

FASES DE UNA DECISIÓN.

La identificación de un objetivo se relaciona con la meta que hay que

Econ. Horacio Sabando G., Mgst. E.S.

Todo objetivo requiere de una cuidadosa y minuciosa planeación, las

La ejecución práctica para lograr el objetivo propuesto dependerá

Se refiere al análisis periódico y permanente, necesarios para identificar

Econ. Horacio Sabando G., Mgst. E.S.

Las decisiones pueden diferenciarse según los resultados y según los

Decisiones según resultados.

De acuerdo a esta clasificación, las decisiones pueden ser:

a. Óptima. Satisface los objetivos planteados tanto en forma global

b. Subóptima. Se refiere a la optimización de un aspecto parcial

c. Intuitiva. Resultados imprevistos, sin cocimiento de causa –

Decisión según los riesgos.

Existen tres posiciones:

a. Certeza. Cuando logramos nuestros propósitos de acuerdo a lo

Econ. Horacio Sabando G., Mgst. E.S.

c. Incertidumbre. Cuando se toma una decisión sin conocer los

La importancia de la decisión científica.

Los elementos anteriormente expuestos dejan entrever que la decisión

El conocimiento sobre técnicas de decisión pretende eliminar que la

Bien cabe indicar que en la práctica no existen decisiones con certeza, es

Econ. Horacio Sabando G., Mgst. E.S.

Hasta antes de la Revolución Industrial, la empresa individual fue la

Con el advenimiento de las máquinas, surgió la división del trabajo y por

Se estima que los principales precursores de la administración de

El objetivo tradicional de la empresa ha sido y sigue siendo la obtención

Econ. Horacio Sabando G., Mgst. E.S.

La revolución de las ciencias de la administración de empresas parecería

La empresa moderna, tiene que observar también otros aspectos, tales

Cada vez no sólo que es imprescindible la preocupación sobre las

Avancemos algo más, ¿hacia dónde va la empresa que no siempre logra

Econ. Horacio Sabando G., Mgst. E.S.

Todo lo anterior nos invita a reflexionar sobre el concepto de empresa. El

Atreviéndome a definir qué es empresa, bajo una concepción

Solamente cuando la dirección de la empresa asuma con la

La Investigación Operativa es una ciencia considerada en formación, de

Econ. Horacio Sabando G., Mgst. E.S.

Estas características a la vez que van confirmando la utilidad de la

Podemos advertir que la Investigación Operativa reúne a un conjunto de

La Investigación Operativa no toma decisiones por sí misma, su función

Para tener éxito en Investigación Operativa es necesario situar las

En esta asignatura cabe indicar la necesidad de utilizar modelos, de esa

Econ. Horacio Sabando G., Mgst. E.S.

Una de las grandes ventajas de la Investigación Operativa radica en la

Regularmente, la Investigación Operativa utiliza métodos de

Definición de investigación operativa

A continuación se exponen varias definición de Investigación Operativa

Tahía. La Investigación de Operaciones aspira a determinar el mejor

Hillier – Liberman. Significa hacer investigación sobre las operaciones

Prawda. Es la aplicación por grupos interdisciplinarios de Métodos

Econ. Horacio Sabando G., Mgst. E.S.