1.

6 FORMULACIÓN DE MODELOS DE PROGRAMACIÓN LINEAL

En el desarrollo de esta unidad se aplicará la solución de dichos modelos mediante diversas

técnicas como: el método gráfico, método simplex, método matricial, técnica de la gran M.

Además se desarrollará 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 la solución adecuada para cada problema y facilitar la toma de decisiones.

En la solución gráfica se observa 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 iterativo 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.

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.

El método simplex es un procedimiento iterativo que permite ir mejorando la solución a cada paso.
El proceso concluye cuando no es posible seguir mejorando más dicha solución.

Partiendo del valor de la función objetivo en un vértice cualquiera, el método consiste en buscar
sucesivamente otro vértice que mejore al anterior. La búsqueda se hace siempre a través de los
lados del polígono (o de las aristas del poliedro, si el número de variables es mayor). Cómo el
número de vértices (y de aristas) es finito, siempre se podrá encontrar la solución.

El método simplex se basa en la siguiente propiedad: si la función objetivo, Función Objetivo, no

toma su valor máximo en el vértice A, entonces hay una arista que parte de A, a lo largo de la cual
Función Objetivo aumenta.
El álgebra matricial y el proceso de eliminación de Gauss-Jordan para resolver un sistema de
ecuaciones lineales constituyen la base del método simplex.

Algunos métodos de solución (como el Método Simplex) y la mayoría de los programas de

computadora requieren que todas las desigualdades se conviertan en igualdades.
La metodología de Programación Lineal requiere que todas las variables sean positivas o cero, es
decir, no negativas. Para la mayoría de los problemas esto es real, no se querría una solución que
diga: prodúzcanse menos dos cajas o contrátense menos cuatro personas.

TEXTO AUDIO

Mientras que no exista un límite en el número de restricciones que puede tener un problema de
Programación Lineal, solo puede haber un objetivo. La forma matemática del objetivo se llama
función objetivo. Debe llevar consigo maximizar o minimizar alguna medida numérica. Podría ser
maximizar el rendimiento, la ganancia, la contribución marginal o los contactos con los clientes.
Podría ser minimizar el costo, el número de empleados o el material de desperdicio. Con
frecuencia el objetivo es evidente al observar el problema.

Como el valor de la Función Objetivo no se conoce hasta que se resuelve el problema, se usa la
letra Z para representarlo. La Función Objetivo tendrá, entonces, la forma:
 Maximizar Z = C1X1 + C2X2
o
Minimizar Z = C1X1 + C2X2

2.6 FORMA ESTÁNDAR DE LOS MODELOS DE PROGRAMACIÓN LINEAL

Al suponer que existe cualquier número (m) de recursos limitados de cualquier tipo, que se pueden
asignar entre cualquier número (n) de actividades competitivas de cualquier clase, se enuncian los
recursos con números (1, 2, ..., m) al igual que las actividades (1, 2, ..., n). Sea Xj (una variable de
decisión) el nivel de la actividad j, para j = 1, 2,..., n, y sea Z la medida de efectividad global
seleccionada. Sea Cj el incremento que resulta en Z por cada incremento unitario en Xj (para j = 1,
2, ..., n). Ahora sea bi la cantidad disponible del recurso i (para i = 1, 2, ..., m). Por último, definen
aij como la cantidad de recurso i que consume cada unidad de la actividad j (para i = 1, 2, ..., m y j
= 1, 2, ..., n). Se puede formular el modelo matemático para el problema general de asignar
recursos a actividades. En particular, este modelo consiste en elegir valores de X 1, X2, ..., Xn para:

Maximizar Z = C1X1 + C2X2 + ... + Cn Xn

Sujeto a las restricciones:

a11 X1 + a12 X2 + ... + a1n Xn ≤ b1

a21 X1 + a22 X2 + ... + a2n Xn ≤ b2

am1 X1 + am2 X2 + ... + amn Xn ≤ bm

y
X1 ≥ 0, X2 ≥0, ..., Xn ≥ 0

TEXTO AUDIO

Esta es la forma estándar que se utiliza (aunque en algunos libros de texto adoptan otras formas)
para el problema de Programación Lineal. Cualquier situación cuya formulación matemática se
ajuste a este modelo es un problema de Programación Lineal.
Se puede resumir la terminología que se usará para los modelos de Programación Lineal. La
función que se desea maximizar, C1X1 + C2X2 + ... + CnXn, se llama Función Objetivo. Por lo general,
se hace referencia a las limitaciones como restricciones. Las primeras m restricciones (aquellas
con una función del tipo ai1 X1 + ai2X2 + ... + ainXn, que representa el consumo total del recurso i)
reciben el nombre de restricciones funcionales. De manera parecida, las restricciones Xj >= 0 se
llaman restricciones de no negatividad. Las variables Xj son las variables de decisión. Las
constantes de entrada, aij, bi, Cj, reciben el nombre de parámetros del modelo.

3.6 OTRAS FORMAS DE MODELOS DE PROGRAMACIÓN LINEAL

Es conveniente agregar que el modelo anterior no se ajusta a la forma natural de algunos

problemas de programación lineal. Las otras formas legítimas son las siguientes:

1. Minimizar en lugar de maximizar la función objetivo

Minimizar Z = C1 X1 + C2 X2 + ... + Cn Xn
2. Algunas restricciones funcionales con desigualdad en el sentido mayor o igual
ai1 X1 + ai2 X2 + ... +an, Xn, ≥ bi, para algunos valores de i
3. Algunas restricciones funcionales en forma de ecuación
ai1 X1 + ai2 X2 + ... +ain, Xn, = bi, para algunos valores de i
4. Las variables de decisión sin la restricción de no negatividad
Xj no restringida en signo para algunos valores de j

Cualquier problema que incluya una, varias o todas estas formas del modelo anterior
también se clasifica como un problema de Programación Lineal, siempre y cuando
estas sean las únicas formas nuevas introducidas. Puede ser que la interpretación que
se ha dado de asignación de recursos limitados entre actividades que compiten no se
aplique, pero independientemente de la interpretación o el contexto, lo único que se
necesita es que la formulación matemática del problema se ajuste a las formas
permitidas. Se verá que estas otras cuatro formas legales se pueden reescribir en una
forma equivalente para que se ajuste al modelo que se presentó. Entonces, todo
problema de Programación Lineal se puede poner en nuestra forma estándar si se
desea.

1.4 CARACTERÍSTICAS DE LA FORMA ESTÁNDAR:

o Todas las restricciones son ecuaciones excepto para las restricciones de

no negatividad que permanecen como desigualdad xj >= 0.

o Los elementos del lado derecho de cada ecuación son no negativos b i >=
0

o Todas las variables son no negativas.

o La función objetivo es del tipo Max o Min.

1.5 CAMBIO DE DESIGUALDAD A ECUACIÓN

 o Se hace introduciendo una variable no negativa que se conoce como
variable de holgura (hi).

o Si la restricción es del tipo <= se suma una variable de holgura.

o Si la restricción es del tipo >= se resta una variable de holgura.

o Si es una igualdad queda de la misma manera.

o El lado derecho puede hacerse siempre positivo multiplicando ambos

lados de la ecuación resultante por (-1) siempre que sea necesario.

CONTROL DE LECTURA

Lea, analice y responda verdadero o falso, según corresponda

1. El Método Simplex es un procedimiento de cálculo algebraico, iterativo,

para resolver modelos lineales de cualquier tamaño.
Verdadero

2. La Forma Estándar incluye:

j. Una Función Objetivo a optimizar.

k. Lado derecho de las restricciones con valor positivo.
l. Variables de decisión no negativas.
m. Las restricciones deben ser expresadas como igualdades.

Verdadero

3. Una variable de holgura tiene coeficiente cero en la Función Objetivo.

Verdadero

4. La variable de holgura se suma en restricciones del Tipo .

Verdadero

5. La variable de holgura se resta en restricciones del Tipo .

Verdadero
2.1 EL PROCEDIMIENTO DEL MÉTODO SIMPLEX

El método simplex es un procedimiento iterativo que permite tender progresivamente hacia la

solución óptima. Es un procedimiento sistemático y eficiente para encontrar y probar soluciones
situadas en los vértices de optimalidad.

El método requiere que las restricciones sean ecuaciones en lugar de inecuaciones, lo cual se
logra añadiendo variables de holgura a cada inecuación del modelo, variables que nunca pueden
ser negativas y tienen coeficiente 0 en la Función Objetivo.

2.2 PASOS DEL MÉTODO SIMPLEX

1. Planteamiento del Problema

Planteamiento del Problema.

2. Formulación del Problema

o Definir las variables de decisión.
o Definir el objetivo o meta en términos de las variables de decisión.
o Definir las restricciones.
o Restringir todas las variables para que sean no negativas.

3. Métodos de Solución
o El Método Gráfico - Dos variables.
o El Método Simplex - Dos o más variables.

4. Dos tipos de Problemas

o Maximización.
o Minimización.

5. Tipos de Variables
o No negativas.
o Irrestrictas en signo.
6. Modelo de Programación Lineal general
Se toma como modelo el problema de maximización siguiente:
Maximizar Z = C1 X1 + ... + C2 Xn
Sujeto a las restricciones:
a11 X1 + a12 X2 + ... +a1n, Xn ≤ b1
a21 X1 + a22 X2 + ... +a2n, Xn ≤ b2
am1 X1 + am2 X2 + ... +amn, Xn ≤ bm
X1 ≥ 0, X2 ≥ 0, ... Xn ≥ 0
Cn, bi, Cij : son constantes determinados por la tecnología del problema.
Xn = Xj : son las variables de decisión.
bi : disponibilidad del recurso i.
Cn : valor por unidad de la actividad n.
aij : cantidad del recurso i que debe asignarse a cada unidad de la actividad j.

7. Forma Estándar
a11 X1 + a12 X2 + ... +a1n Xn + h1 = b1
a21 X1 + a22 X2 + ... +a2n Xn + h2 = b2
am1 X1 + am2 X2 + ... +amn Xn + hn = bm
Xn >= 0 No Negatividad
hn >= 0 No Negatividad
X1, X2, ... Xn Variables de variables de decisión.
h1, h2, ... hn Variables de variables de holgura.
La Función Objetivo (FO)
Max Z - C1X1 - C2X2 .... -CnXn = 0

8. Forma de Tabular
 9. Criterio de Optimibilidad
o Maximizar: en la ecuación cero los coeficientes son positivos y ceros en
solución óptima.
o Minimizar: en la ecuación cero los coeficientes son negativos, ceros en
solución óptima.

2.3 EN RESUMEN, LOS DIEZ PASOS DEL ALGORITMO SIMPLEX SON:

1. Determinar una solución básica factible inicial.

2. Prueba de optimibilidad: determinar si la solución básica factible inicial es óptima y solo

si todos los coeficientes de la ecuación son no negativos (>= 0), si es maximización.

3. Si es así, el proceso termina; de otra manera se lleva a cabo otra iteración para
obtener la nueva solución básica factible inicial.

4. 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.

5. Seleccionar las variables de holgura como las variables básicas de inicio.

6. 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.

7. Realizar el paso iterativo:

a. Se determina la variable básica entrante mediante la elección de la variable

con el coeficiente negativo (si es maximización) 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 Gauss, abajo de la que se tiene.

8. 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.

9. 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).

10. Cuando el coeficiente es negativo se utiliza la fórmula:

Renglón nuevo = renglón antiguo + (coeficiente de la columna pivote X renglón

pivote nuevo).

CONTROL DE LECTURA

Lea, analice y responda las siguientes preguntas

1. La variable de entrada de un problema de maximización, se elige revisando

en la ecuación cero los coeficientes negativos y debe ser el que tenga el valor
mayor absoluto.
Verdadero

2. La variable de salida se elige encontrando la razón mínima:

Positiva.

3. El elemento común entre la variable de entrada y la variable de salida se

denomina:
Elemento o número pivote.
4. Si los coeficientes en la ecuación cero de una tabla simplex son negativos o
ceros y el problema es de minimización, se tiene:
Solución óptima.

5. En el tablero simplex, el valor de las variables no básicas es:

Cero.

3.1 USO DE VARIABLES ARTIFICIALES

El enfoque estándar que se utiliza es estos casos es la técnica de variables artificiales.

Esta construye un problema artificial más conveniente introduciendo una variable ficticia
(llamada variable artificial) en cada restricción que lo requiera. Esta nueva variable se
introduce solo con el fin de que sea la variable básica inicial para esa ecuación. Las
restricciones usuales de no negatividad también se aplican sobre estas variables y la
función objetivo se modifica para que imponga una penalización exorbitante en el caso de
que adquieran valores mayores que cero. Las iteraciones del método simplex
automáticamente fuerzan a las variables artificiales a desaparecer (a volverse cero) una a
una, hasta que todas quedan fuera de la solución; después de esto se resuelve el
problema real.

Para ilustrar la técnica de las variables artificiales, primero se considerará el caso en que la
única forma no estándar en el problema es la presencia de una o más restricciones en
forma de igualdad.

3.3 SI SE TIENEN RESTRICCIONES FUNCIONALES (= O >=) SE HACE USO DE LAS

VARIABLES ARTIFICIALES (A1)

Se construye un problema artificial más conveniente introduciendo una variable ficticia

(llamada variable artificial A1) en cada restricción que lo requiera. Esta nueva variable se
introduce solo con el fin de que sea la variable básica inicial para esa ecuación. Las
restricciones usuales de no negatividad también se aplican sobre estas variables y la
función objetivo se modifica para que imponga una penalización exorbitante en el caso de
que adquieran valores mayores que cero. Las iteraciones del método simplex
automáticamente fuerzan a las variables artificiales a desaparecer (a volverse cero) una a
una, hasta que todas quedan fuera de la solución; después de esto se resuelve el
problema real.

3.4 RESTRICCIONES FUNCIONALES DE LA FORMA >=

Para ilustrar la manera en que la técnica de las variables artificiales maneja las
restricciones de la forma >= se usará el siguiente ejemplo:

Es de notar que la tercera restricción es del tipo ≥, por lo que para cambiarla a su forma de
igualdad se tendría que restar una variable de superávit (o de excedente o de holgura),
quedando de la siguiente manera:

Se ha restado la variable de excedente h2 (se utilizó h2 porque en la primera restricción que

se agrega una variable de holgura que sería h1 y en la segunda restricción agregamos
también una variable artificial que sería A1; todo esto con el fin de convertir las
desigualdades a su forma de igualdades) para que consuma el exceso de 0.6x 1 + 0.4x2, es
decir, lo que se pasa de 6. No obstante, en este caso, debe agregarse otra variable. Esta
variable extra, llamada variable artificial se aumenta como sigue:

La razón de esto es que, si no se agrega la variable artificial, no se estarían cumpliendo las

restricciones de no negatividad. Para comprenderlo, se dejará sin aumentar. El método
simplex comienza por hacer todas las variables reales (originales) iguales a cero.

Entonces:
La variable artificial opera para mantener todas las variables no negativas cuando 0.6x 1 +
0.4x2 es menor que 6. Si x1 = 0 y x2 = 0, entonces h2 = 0 y

En resumen, una restricción de la forma >= se convierte a su forma de igualdad

restando una variable de excedente o de holgura y sumando una variable artificial.

3.6 MINIMIZACIÓN CON EL MÉTODO SIMPLEX

La solución básica factible actual es óptima si y solo si todos los coeficientes de la ecuación
de la función objetivo (renglón de Z) son no positivos (≤ 0). Si es así, el proceso termina; de
otra manera, se lleva a cabo otra iteración para obtener la nueva solución básica factible, lo
que significa el cambio de una variable no básica por una básica (parte 1) y viceversa (parte
2), y después despejar las variables de la nueva solución (parte 3).

Note que no se ha dicho nada con respecto a la forma de obtener la variable básica saliente
en una iteración, ya que este paso se realiza de la misma manera que cuando se está
maximizando, es decir, se escoge aquella variable básica con el menor cociente. Se ilustra
la forma de utilizar el método simplex para el caso de minimización.
 CONTROL DE LECTURA

Lea, analice y responda las siguientes preguntas

1. Para transformar las restricciones en igualdades se deben incorporar las

variables conocidas como:
Variable de holgura.

2. Si un ejercicio tiene 4 restricciones y una de ellas es una restricción de

igualdad, ¿qué método utilizaría para resolverlo?
Método de la Gran M.

3. El Método de la Gran M es utilizado cuando:

Ambas b y c.

4. La variable artificial en la función objetivo va acompañada del coeficiente:

M.

5. En la Función Objetivo una variable de holgura tiene coeficiente:

Cero.

4.1 TIPOS DE SOLUCIONES Y SU IDENTIFICACIÓN EN EL MÉTODO SIMPLEX

Existen casos especiales que se encuentran a menudo en las aplicaciones del método
simplex, los más importantes son:

4.2.1 Empate en la variable de entrada: cuando exista empate en la variable de entrada

se elige cualquiera de las dos.

4.2.2 Empate en la variable de salida, en este caso se obtiene una solución degenerada

Un empate al elegir la variable que sale se rompe arbitrariamente. El problema ocurre en

la siguiente iteración donde los valores de una o más variables básicas llegan a ser cero,
en cuyo caso se dice que la solución es degenerada. En este punto no existe la seguridad
de que el valor de la función objetivo mejorará, ya que la nueva solución óptima puede
permanecer degenerada de ser así, es posible que las iteraciones del método simplex
entren en un circuito que repetirá la(s) misma(as) sucesión de iteraciones sin alcanzar
nunca la óptima.

El problema se conoce como ciclaje y afortunadamente raras veces se presenta en la

práctica. En una situación de degeneración es esencial llevar las iteraciones del método
simplex hasta que se satisfaga completamente la condición de optimidad.

4.2.3 Solución sin frontera, sin límite, ilimitada, no acotada

En algunos modelos de programación lineal, los valores de las variables se pueden

aumentar en forma indefinida sin violar ninguna de las restricciones, lo que significa que
el espacio de soluciones es no acotado cuando menos en una dirección.

¿Cómo se sabe en las tablas que existe solución no acotada?

Cuando en la tabla del simplex en el renglón de la Z existe una variable no básica que
puede entrar pero al determinar la variable que sale se da cuenta que en la columna
existen solo valores de ceros o negativos lo que significa que esa variable puede
hacer crecer en forma indefinida a Z sin que se infrinja ninguna de las restricciones.
Por lo tanto, se puede concluir sin hacer más cálculos que el problema no tiene
solución acotada.

4.2.4 Soluciones Óptimas Múltiples

Existen problemas que tienen más de una solución óptima. Cuando la Función Objetivo
es paralela a una restricción que se satisface en el sentido de la igualdad a través de la
solución óptima, la Función Objetivo tomará el mismo valor óptimo en más de un punto de
la solución. Por esta razón reciben el nombre de múltiples alternativas óptimas.

¿Cómo se sabe en las tablas que existen múltiples alternativas óptimas?

Cuando en los coeficientes de las variables no básicas en el renglón Z de la tabla

óptima existe una variable con valor de cero, lo que indica que esa variable no básica
 puede entrar a la solución básica sin alterar el valor de Z, pero provoca un cambio en
el valor de las variables.

4.2.5 Variables no restringidas en signo

Dos casos:

A. Algunas variables de decisión se le permite formar valores negativos.

Se tiene frontera o límite negativo X j >= L j. Se realiza el cambio de X j = X´ j + L j.

Se resuelve el problema empleando los métodos ya conocidos. La solución del problema

original se determina a partir de la solución del problema modificado empleando la misma
relación.

B. Algunas variables de decisión se le permite formar valores negativos.

No tiene limitaciones, son irrestrictas o bien sin límites.

La programación lineal exige que las variables sean no negativas, pero existen algunas
variables reales que pueden incluir valores negativos. Esta dificultad puede resolverse
transformando cada variable no restringida en signo por dos nuevas variables no
negativas mediante la siguiente expresión:

X j = X´ j - X´´ j.

dónde: X´ j ≽ 0 , X ´´ j ≽ 0

Se resuelve el problema empleando los métodos ya conocidos. La solución del problema

original se determina a partir de la solución del problema modificado empleando la misma
relación.
CONTROL DE LECTURA

Lea, analice y responda las siguientes preguntas

1. Para resolver el siguiente ejercicio, identifique que caso especial se tiene y

que método se utiliza para encontrar la solución óptima:

Maximizar Z = 2x1 + 3x2 + x3

Sujeto a:

x1 + x2 + x3 = 10
-2x1 + 3x2 + 2x3 ≤ -5
7x1 - 4x2 + 5x3 ≤ 6
x1 + 4x2 + 3x3 ≥ 8
x1 no restringida,
x2 ≤ 0, x3 ≥0

Variables Irrestrictas y Método de la Gran M.

2. Para resolver el siguiente ejercicio, identifique que caso especial se tiene y

que método se utiliza para encontrar la solución óptima:

Maximice Z = (5/2)X1 + X2

Sujeto a:

3X1 + 5X2 ≤ 15
5X1 + 2X2 ≤ 10
Xj > 0 ; j = 1, 2

Solución Múltiple y Método Simplex.

3. Para resolver el siguiente ejercicio, identifique que caso especial se tiene y

que método se utiliza para encontrar la solución óptima:

Minimice Z = - X1 + X2
Sujeto a:

- X1 + X2 ≤ 0
- 0,5X1 + X2 ≤ 1
Xj > 0 ; j = 1, 2

Solución no acotada y Método Simplex.

4. Para resolver el siguiente ejercicio, identifique que caso especial se tiene y

que método se utiliza para encontrar la solución óptima:

Maximizar Z = 3 X1 + 9 X2

Sujeto a:

X1 + 4X2 ≤ 8
X1 + 2X2 ≤ 4
Xj > 0 ; j = 1, 2
Solución
Degener
ada y
Método
Simplex.

1. ¿Cuándo sabemos que un problema es no acotado?

a) Cuando no se encuentra variable básica que sale.

2. ¿Cuándo hay empate en el método simplex y cómo se soluciona?

c) Ambos literales.

3. ¿Qué es una variable de holgura?

c) Ambos literales.

4. ¿Dónde se usan las variables artificiales?

b) En restricciones mayor o igual.

5. Si se tienen restricciones del tipo mayor o igual , ¿qué método se utiliza

para resolver el problema?
 b) Técnica de la Gran M.

6. ¿Qué son las variables de decisión?

a) Describen por completo las decisiones que se tienen que tomar.