La programación lineal

La programación lineal es una herramienta empleada principalmente en la administración

científica actual, así como en otras áreas para la resolución de problemas de optimización.
Se trata de un algoritmo mediante el cual se resuelven situaciones reales en las que se
pretende identificar y resolver dificultades para aumentar la productividad respecto a los
recursos (principalmente los limitados y costosos), aumentando así los beneficios,
mediante el desarrollo de modelos matemáticos. En otras palabras, consta de un conjunto
de técnicas que tiene por objetivo primordial el de optimizar, es decir, maximizar o
minimizar funciones lineales en varias variables reales con restricciones lineales (sistemas
de inecuaciones lineales), optimizando una función objetivo también lineal (Eppen et al.,
2000). Esto significa que en un problema de programación lineal tanto la función objetivo
como todas las restricciones son lineales y todas las variables son continuas. La razón por
la que se da atención especial a este tipo de problemas es porque esos tienen amplias
aplicaciones prácticas en áreas como la asignación de recursos escasos, la compra y
fabricación, la planeación de dietas, la administración de agencias, la combinación y la
planeación de la producción. Es importante señalar, sin embargo, que su utilidad hubiera
sido limitada de no ser por el desarrollo tecnológico de las computadoras, pues se
requiere un gran número de cálculos para resolver un modelo (Alvarado, 2011).

Antecedentes
El campo de la administración surgió durante la Segunda Guerra Mundial (SGM), periodo
en el que había una gran necesidad de administrar los recursos escasos. Fue la Fuerza
Aérea Británica quién formo el primer grupo en desarrollar métodos cuantitativos para la
resolución de problemas operacionales y bautizó a estos esfuerzos como investigación de
operaciones. Tras el fin de la SGM, los administradores de la industria reconocieron el
valor de aplicar técnicas similares a sus complejos problemas de decisión (Mathur y Solow,
1996). Según menciona Alvarado (2011) fue George B. Dantzig y otro grupo de personas
asociadas quienes, en el año 1947, acatando la solicitud de autoridades militares del
gobierno de los Estados Unidos de América (EE.UU.), se dedicaron a investigar cómo se
podía aplicar las matemática y la estadística para resolver problemas de planeación y
programación con fines puramente militares, y es a fines de ese mismo año que Dantzig y
sus colaboradores plantean por primera vez la estructura matemática básica del problema
de programación lineal.
Frederick Taylor argumentó en su obra Principles of Scientific Managment (1917) que la
mayor prosperidad solo puede conseguirse como consecuencia de la mayor productividad
posible tanto de los hombres como de las máquinas de un establecimiento. En esta

1
afirmación Taylor expresa tanto la importancia de la optimización como de la transición de
la administración por “intuición”, a la administración “científica”. De hecho, la filosofía del
trabajo de Taylor ha tenido tanta influencia sobre la fabricación industrial, que se le
reconoce el haber sido el iniciador de una muy importante escuela del pensamiento en la
teoría y práctica de la producción (Adam, Hershauer y Ruch, 1985). Es por esto que esta
técnica se ha aplicado cada vez más en la toma de decisiones en la industria, buscando
resolver problemas tales como ¿dónde deberían localizarse las instalaciones de
producción y almacenaje con respecto a las fuentes de materias primas y los mercados del
producto acabado? ¿Qué mezcla de ingredientes minimizan el costo de la producción de
alimentos, gasolina o fertilizantes? ¿Cómo se puede planear la producción para alcanzar el
mayor resultado a partir de unas instalaciones dadas? (Alvarado, 2011).

La programación lineal y la economía

El problema formal básico de la economía consiste en asignar los escasos recursos, en tal
forma que se maximice la obtención de un fin predeterminado. Siendo la economía la
ciencia de la escases, una ciencia de elección, las cuestiones de optimización toman
importancia especial. Cuando se va a llevar a cabo un proyecto económico, como la
producción de una cantidad determinada de bienes, suele haber varias formas de lograrlo,
sin embargo, es común que una o varias de estas opciones sean más atractivas que el
resto, y la esencia del problema de optimización es elegir, con base en un criterio
específico, la mejor alternativa posible. El criterio de elección más común es la
maximización de algo, ya sean las utilidades, la satisfacción o las ganancias, o la
minimización de algo, como lo costos o los tiempos de entrega. En términos económicos,
ambos problemas pueden ser categorizados bajo el encabezado general de optimización,
lo que significa “la búsqueda de lo mejor” (Chiang y Wainwright, 2007). Buscando ilustrar
la utilidad de la programación lineal en la optimización de problemas con restricciones,
Alvarado (2011) resalta un caso de 1958 en el cual se aplicaron los métodos de la
programación lineal a un problema concreto: el cálculo del plan óptimo del transporte de
arena de construcción a las obras de edificación de la ciudad de Moscú. Según menciona
Alvarado (2011) en este problema había 10 puntos de partida y 230 puntos de llegada y el
plan óptimo de transporte, calculado con el ordenador Strena en 10 días del mes de junio,
redujo un 11% los gastos respecto a los costes previstos.

El proceso de la programación lineal

En la formulación de un problema de optimización el primer paso es la modelización del
problema, que es establecer la función objetivo en la que la variable dependiente
representa el objetivo a maximizar o minimizar, y en la que el conjunto de variables
independientes indica los objetos cuyas magnitudes económicas puede tomar y elegir la

2
unidad económica en cuestión, con una visión a optimizar, por lo que se llama a estas
variables de elección. En la ilustración 1 se representa gráficamente el proceso necesario
para el planteamiento de un problema de programación lineal, en esta se puede observar
como la base fundamental del mismo es el establecimiento de modelos matemáticos los
cuales no son más que extracciones o representaciones de forma simplificada de la un
problema de la realidad.
Ilustración 1. Proceso de planteamiento de un problema de programación lineal.

Fuente: elaboración propia

La esencia de los procesos de optimización es encontrar el conjunto de valores para las

variables de elección que conducirán al extremo deseado de la función objetivo. Pasos del
proceso de programación lineal:
1. El primer paso es identificar, comprender y describir, en términos precisos, el
problema que enfrenta la organización. En algunos casos, el problema está bien
definido y es claro. En otras situaciones, sin embargo, el problema puede no estar
tan bien definido y puede requerir de bastantes discusiones y consenso entre los
miembros del equipo de proyectos (Chiang y Waingright, 2007).
2. El siguiente paso es expresar el problema de una forma matemática, esto es,
formular un modelo matemático. Para poder establecer el problema
matemáticamente es necesario definir las variables de decisión (variables
controlables, se trata de una cantidad cuyo valor se puede controlar y es necesario
determinar para solucionar un problema de decisión). A esta definición
matemática del problema se le conoce como función objetivo (el objetivo global de
un problema de decisión expresado en forma matemática en términos de los datos
y de las variables de decisión). Es importante también determinar las limitantes o
restricciones que también puedan estar involucradas (restricciones sobre los
valores de las variables en un modelo matemático típicamente impuestos por
condiciones externas) (Eppen et al., 2000).

3
 3. Una vez que el modelo ha sido construido, se le somete a un análisis para generar
resultados o conclusiones, es decir, obtener valores numéricos para las variables
de decisión. La forma en que se obtengan estos valores dependerá de la forma o
tipo específico del modelo matemático (Chiang y Waingright, 2007).
4. A continuación se realiza la interpretación de los resultados basados en el modelo,
para relacionarlos de nuevo con la situación del mundo real, tomando en cuenta
los factores que habían sido suprimidos durante la fase previa de abstracción.
Cuando a esto se agregan la intuición y la experiencia del gerente, el proceso de
construcción del modelo conduce a mejores decisiones y aporta conocimientos
que influyen en el proceso de aprendizaje (Eppen et al., 2000). Existen diversas
técnicas matemáticas disponibles para obtener la mejor solución, a pesar del vasto
número de soluciones alternativas y/o de la complejidad implicada.
5. Validación de la solución. Se trata del proceso de revisar una solución de un
modelo matemático para asegurar que los valores tengan sentido y que las
decisiones resultantes puedan llevarse a cabo. Durante esta verificación de los
resultados se puede identificar las limitaciones que fueron omitidas durante la
formulación del problema original o puede encontrarse que algunas de las
limitaciones eran incorrectas. En estos casos, se debe regresar a la etapa de la
formulación del problema y hacer cuidadosamente las modificaciones apropiadas
para reflejar con mayor exactitud el problema real (Chiang y Wainright, 2007). Este
paso es de gran importancia debido a que ningún modelo logra captar toda la
realidad. Aunque los modelos están diseñados para “optimizar” un criterio objetivo
específico sujeto a un conjunto de restricciones, la calidad de la solución resultante
depende de la exactitud con que el modelo representa el sistema real. Cada
modelo es una abstracción, lo cual significa que sólo incluye algunas de las posibles
interacciones y representa en forma aproximada las relaciones entre ellas, es por
ello que la calidad de la solución resultante dependerá de la exactitud con que el
modelo represente al sistema real (Taha, 2012).

El modelo de transporte
En un problema de transporte existen m orígenes y n destinos, cada uno representado por
un nodo. Los arcos representan las rutas que unen los orígenes con los destinos. El arco (i,
j) que une el origen i con el destino j ofrece dos piezas de información: el costo de

4
transporte por unidad, cij y la cantidad transportada, xij. La cantidad de la oferta en el
origen i es ai y la cantidad de la demanda en el destino j es bj.

El objetivo del modelo es minimizar el costo de transporte total al mismo tiempo que se
satisfacen las restricciones de la oferta y la demanda. En otras palabras, se busca
determinar las cantidades a transportar en cada ruta disponible para minimizar el costo
total de transporte, sujeto a la oferta y la demanda (Taha, 2012). Ejemplo:
MG Auto cuenta con tres plantas en Los Ángeles, Detroit y Nueva Orleáns, y dos
importantes centros de distribución en Denver y Miami. Las capacidades trimestrales de
las tres plantas son 1000, 1500 y 1200 automóviles, y las demandas de los dos centros de
distribución durante el mismo periodo son de 2300 y 1400 automóviles. Las distancias e
distribuyen como sigue:

Denver Miami
Los Ángeles 1000 2690
Detroit 1250 1350
Nueva Orleans 1275 850

La compañía transportista cobra 8 centavos por milla por automóvil. En la tabla siguiente
se dan los costos de transporte por automóvil en las diferentes rutas, redondeados al
dólar más cercano. Los costos de transporte por automóvil quedan de la manera
siguiente:

Denver Miami
Los Ángeles $80 $215
Detroit $100 108
Nueva Orleans $102 $68

5
El modelo de programación lineal del problema es:
Minimizar z = 80x11 + 215x12 + 100x21 + 108x22 + 102x31 + 68x32
sujeto a
x12 + x22 + x32 = 1400 (Miami)
x11 + x21 + x31 = 2300 (Denver)
x31 + x32 = 1200 (Nueva Orleáns)
x21 + x22 = 1500 (Detroit)
x11 + x12 = 1000 (Los Ángeles)
Donde para xij , i = 1, 2, 3, j = 1, 2
La estructura especial del problema de transporte permite una representación compacta
del problema. Este formato además permite modelar muchas situaciones que no tienen
que ver con bienes de transporte. La solución óptima envía 1000 automóviles de Los
Ángeles a Denver (x11 = 1000), 1300 de Detroit a Denver (x 21 = 1300), 200 de Detroit a
Miami (x22 = 200) y 1200 de Nueva Orleáns a Miami (x 32 = 1200). El costo de transporte
mínimo asociado se calcula como 1000 x $80 + 1300 x $100 + 200 x $108 + 1200 x $68 =
$313,200.

La representación de la tabla de transporte asume que el modelo está balanceado, es

decir, que la demanda total es igual a la oferta total. Si el modelo está desbalanceado,
podemos agregar un origen o un destino ficticios para restaurar el balance.

6
El método gráfico
No es muy común encontrar en la realidad problemas simples los cuales consten de
solamente dos dimensiones y permitan aplicar la geometría en dos dimensiones, sin
embargo, esta puede usarse como un sistema gráfico para ilustrar muchos elementos
importantes de los modelos de programación lineal, es fácil trabajar con ella y muchos
conceptos generales que se aplican a modelos de mayor número de dimensiones pueden
expresarse con imágenes bidimensionales para así facilitar su comprensión (Eppen et al.,
2000). Pasos del método gráfico:
Paso 1: Determinar el espacio de soluciones factibles
Paso 2: determinar la solución óptima de entre todos los puntos localizados en el espacio
de soluciones factibles
Ejemplo: Reddy Mikks produce pinturas para interiores y exteriores con dos materias
primas, M1 y M2. La tabla siguiente proporciona los datos del problema:

Disponibilidad
Toneladas de materia prima por tonelada de máxima
Pintura para exteriores Pintura para interiores diaria(toneladas)
Materia prima 1 6 4 24
Materia prima 2 1 2 6
Utilidad por tonelada ($1000) 5 4  

Una encuesta de mercado indica que la demanda diaria de pintura para interiores no
puede exceder la de pintura para exteriores en más de una tonelada. Asimismo, que la
demanda diaria máxima de pintura para interiores es de dos toneladas. Reddy Mikks se
propone determinar la mejor combinación óptima de pinturas para interiores y exteriores
que maximice la utilidad diaria total.
Las variables de decisión son en este caso las cantidades a producir de pinturas para
interiores o exteriores. I y E
El objetivo de Reddy Mikks es maximizar la utilidad diaria de ambas pinturas. Así,
expresamos os componentes de la utilidad diaria en función de las cantidades vendidas
como sigue (en miles de pesos):
Maximizar G = 5E + 4I
A continuación se define las restricciones:
6E + 4I ≤ 24
E + 2I ≤ 6
I≤2

7
 I≤E+1
La restricción lógica indica que: I, E ≥ 0
Por lo tanto, el modelo completo de Reddy Mikks para este problema particular es:
Maximizar G = 5E + 4I
Sujeto a:
6E + 4I ≤ 24
E + 2I ≤ 6
I≤2
I–E≤ 1
I, E ≥ 0
La totalidad de los valores de I y E que satisfacen estas restricciones conforman el espacio
de soluciones factibles. Para determinar gráficamente este espacio considere a el eje
horizontal como E y al eje vertical como I. la condición de no negatividad I, E ≥ 0
garantizan que trabajemos en el cuadrante de los valores positivos.
Ilustración 2. Representación gráfica del espacio de soluciones factibles

Para conocer el óptimo es necesario incluir la función objetivo en la gráfica, ya que esta no
tiene límite y nos proponemos aumentarla hasta donde nos permitan las restricciones, le
asignaremos valores consecutivos ascendentes para que así nos muestre su
comportamiento cual es el punto más alejado del origen el cual se puede alcanzar. La
ilustración 3 muestra los desplazamientos de la función objetivo y que el punto más lejano
al origen que puede alcanzar se encuentra en el cruce entre las restricciones:

8
 6E + 4I ≤ 24 y E + 2I ≤ 6

Calculamos los valores para E e I en el cruce y estos son los valores óptimos:
E = 3 toneladas
I = 1.5 toneladas
G = $21,000
Ilustración 3. Solución óptima del modelo.

El método simplex
A diferencia del método gráfico que evalúa todos los puntos de esquina, el método
simplex solamente evalúa unos cuantos. El método simplex consiste en la utilización de un
algoritmo para optimizar el valor de la función objetivo teniendo en cuenta las
restricciones planteadas, el procedimiento es iterativo, pues mejora los resultados de la
función objetivo en cada etapa hasta alcanzar la solución buscada (Alvarado, 2011).
En un modelo de programación lineal económico, el lado derecho representa la
disponibilidad de un recurso, y el izquierdo el uso del recurso por todas las actividades del
modelo (variables). La cantidad excedente del lado derecho respecto de izquierdo da
entonces la cantidad no utilizada del recurso. Es por esto que el desarrollo de los cálculos
con el método simplex se facilita si se imponen dos requerimientos a las restricciones de
programación lineal (Taha, 2012).
1. Todas las restricciones son ecuaciones con lado derecho no negativo.
2. Todas las variables son no negativas

9
Para convertir una desigualdad (≤) en ecuación se agrega una variable de holgura al lado
izquierdo de la restricción. Ejemplo:
6x1 + 4x2 + s1 = 24, s1 ≥ 0
A continuación, una restricción (≥) establece un límite inferior en las actividades
económicas de la programación lineal, así que la cantidad en la cual el lado izquierdo
excede el límite mínimo representa un superávit. Así pues, la conversión de (≥) a (=) se
logra restando una variable de superávit no negativa del lado izquierdo de la desigualdad.
Ejemplo:
x1 + x2 - S1 = 800, S1 ≥ 0
Si el lado derecho resulta negativo, el requerimiento se satisface multiplicando ambos
lados de la ecuación por -1.
Estas variables de holgura no producen ganancia alguna porque se relacionan con los
recursos por lo tanto serán añadidas a la función objetivo y sus coeficientes serán 0
porque estas no aportan a la ganancia.
El método inicia en origen, en la posición en que no se emplea ningún recurso, por lo
tanto en ese punto no se tiene ganancia alguna. Para obtener una solución inicial.
Ejemplo:
2X1 + 4X2 ≤ 120
2X1 + 3X2 ≤ 100
Al agregar las variables de holgura obtenemos:
2X1 + 4X2 + S1 = 120
2X1 + 3X2 + S2 = 100
Al reformular la función objetivo junto con las restricciones tendremos que estas
se expresan de la siguiente forma:
Maximizar Z (ganancia) = $4X1 + $6X2 + $0S1 + $0S2
Sujeto a: 2X1 + 4X2 + 1S1 + 0S2 = 120
2X1 + 3X2 + 0S1 + 1S2 = 100
(X1, X2, S1, S2 ≥ 0)
Para aquellos casos donde tenemos cuatro variables desconocidas y solo dos ecuaciones,
conlleva igualar dos de las variables a 0 y luego resolvemos para las otras dos variables
restantes. Es decir si X1 = X2 = 0 entonces S1 = 120 y S2 = 100. Esto se conoce como una
posible solución o solución básica factible.

10
Un incremento de x1 o x2 (o ambas) sobre sus valores actuales de cero mejorará el valor
de z. El diseño del método simplex no permite el incremento simultáneo de las variables.
En cambio, incrementa una a la vez. La variable que va a aumentar es la que tenga mayor
grado de mejora en z. Cada punto de esquina a lo largo de la trayectoria está asociado con
una iteración. Es importante hacer notar que el método simplex se mueve a lo largo de los
bordes del espacio de soluciones, lo cual significa que el método no puede cruzarlo.

X1 X2 S1 S2
Ci/Cj C1 C2 C3 C4 Cj/bi
S1 0 a11 a12 a13 a14 b1
S2 0 a21 a22 a23 a24 b2
Zj         z
ΔZj          

Cj = forma aumentada de los coeficientes de la función objetivo

Ci = coeficientes de las variables básicas
aij = forma aumentada de los coeficientes de las restricciones o tasa de sustitución
bi = valores del lado derecho de las restricciones
z = valor de la función objetivo
Zj = reducción de ganancias, aumento en costos asociados con la introducción de una de
sus valores en las columnas respectivas
∆Zj = Cj - Zj = índice de mejoramiento o renglón del criterio simplex
Asi, con estos parámetros del tablón símplex tenemos dos clases de variables a
considerarse, variables básicas y variables no básicas. Por definición las variables básicas
son aquellas que poseen un ∆Zj = 0 y las variables no básicas poseen ∆Zj desiguales a 0.
Se procede a llenar el cuadro inicial utilizando la función objetivo y las restricciones de
forma aumentada.

X1 X2 S1 S2
Ci/Cj 4 6 0 0 Cj/bi
0 2 4 1 0 120
0 2 3 0 1 100
Zj         z
ΔZj          

Esta situación se refleja de la siguiente forma Zj = Σ Cijaij.

X1 X2 S1 S2

11
 Ci/Cj 0 0 0 0 Cj/bi
S
0 2 4 1 0 120
1
S
0 2 3 0 1 100
2
Zj 0 0 0 0 0
ΔZj          

El último paso para terminar el tablón será calcular los cambios en Zj, (∆Zj) para las
columnas. Estos cambios se calculan restando los coeficientes de la función objetivo por
el Zj correspondiente es decir ∆Zj = CJ - Zj.
∆Z1 = C1 - Z1 = 4 – 0 = 4
∆Z2 = C2 - Z2 = 6 – 0 = 6
∆Z3 = C3 - Z3 = 0 – 0 = 0
∆Z4 = C4 - Z4 = 0 – 0 = 0
Trasladamos estos datos al tablón inicial y tenemos nuestro primer tablón símplex.

X1 X2 S1 S2
Ci/Cj 4 6 0 0 Cj/bi
S
0 2 4 1 0 120
1
S
0 2 3 0 1 100
2
Zj 0 0 0 0 0
ΔZj 4 6 0 0  

Analizamos el tablón y encontramos que este posee una matriz identidad. La matriz
identidad es aquella que está compuesta por diagonales de 1 y cero. Para este ejemplo la
matriz se encuentra debajo del las variables de holguras S1 y S2. Al obtener una solución
final la matriz identidad se trasladará al lado derecho debajo de las variables reales X1 y
X2 o se obtendrá algo parecido a una matriz identidad.
Para mejorar la solución el método símplex seleccionará el mejor cambio en Zj , (∆Zj), es
decir el más grande o más positivo. Este cambio nos indicará que variable deberá entrar
en la próxima solución. Como se está maximizando, el método escogerá el valor que
otorgue el mayor rendimiento, es decir el más positivo y el más negativo para casos de
minimización.

X1 X2 S1 S2

12
 Ci/Cj 4 6 0 0 Cj/bi
S
0 2 4 1 0 120
1
S
0 2 3 0 1 100
2
Zj 0 0 0 0 0
ΔZj 4 6 0 0  

Existen dos restricciones que limitan la producción de X2 estas son: 2X1 + 4X2 + 1S1 +
0S2 = 120 (horas de producción) y 2X1 + 3X2 + 0S1 + 1S2 = 100 (horas de inspección y
empaque). Al analizar la primera restricción, 2X1 + 4X2 + 1S1 + 0S2 = 120 (horas de
producción) encontramos que todas las horas de producción se utilizan para fabricar la
variable X2 por lo tanto si la producción de una unidad de X2 toma 2 horas y se tienen en
existencia 120 horas entonces se manufacturarán 30 unidades, (120 horas ÷ 4 horas por
unidad = 30 unidades). No obstante, para poder completar el proceso de producción,
debemos inspeccionar y luego empaquetar las unidades, donde la cantidad disponible de
horas para el anterior proceso mencionado es de 100 horas.
El estudio de la segunda restricción, 2X1 + 3X2 + 0S1 + 1S2 = 100, demuestra que el
proceso de inspección toma 3 horas donde solo se pueden inspeccionar 33.33 unidades.
Por lo tanto a pesar de que la segunda restricción indica que se puede inspeccionar y
empaquetar más unidades (33.33) de los que se pueden producir (30), en realidad solo
hay recursos para hacer 30 relojes. Si por error se decide manufacturar 33.33 unidades
entonces habrá una deficiencia de 13.32 horas necesarias para completar la producción.
Veamos el porqué de lo antes mencionado.
El proceso mecánico del método símplex toma en consideración lo antes mencionado
mediante el cálculo de un Ratio o límite introductorio para cada renglón y luego
selecciona el Ratio positivo más pequeño entre los renglones. Este Ratio indica la razón de
entrada y salida para la nueva variable básica. El propósito del Ratio es saber el número
máximo de unidades que se pueden asignar a la variable que entra y así evitar que las
variables básicas tengan valores negativos o se violenten las restricciones. Esto aplica para
ambos casos, maximización y minimización. La búsqueda del mejor Ratio nos indicará cuál
de las variables básicas, S1 y S2 saldrá para dar paso a la nueva variable entrante, variable
básica X2 o lo que es lo mismo en cuál fila se ubicará la variable.
Para lograr lo antes mencionado, el método calcula para cada renglón un Ratio, dividiendo
el valor del lado derecho (bi) entre el coeficiente aij correspondiente y luego selecciona el
positivo más pequeño. Para este caso se usarán los coeficientes aij correspondiente a la
columna pivote (columna X2).
bi ÷ aij = Ratio

13
(b1) (a12) S1 120 ÷ 4 = 30 » límite positivo más pequeño (renglón pivote)
(b2) (a22) S2 100 ÷ 3 = 33.33

X1 X2 S1 S2
Ci/Cj 4 6 0 0 Cj/bi Ratio
S
0 2 4 1 0 120
1 30
S 33.3333
0 2 3 0 1 100
2 3
Zj 0 0 0 0 0
ΔZj 4 6 0 0  

El ratio positivo más pequeño es 30 por lo tanto la variable S1 ubicada en el primer

renglón saldrá y en su lugar la ocupará la variable X2. A este renglón se le conoce como
renglón pivote. El cálculo del nuevo renglón se realiza dividiendo el renglón pivote entre el
elemento de intersección de la columna y el renglón pivote:
Elemento Nuevo Renglón
Pivote ÷ Intersección = Renglón Pivote
(2, 4, 1, 0; 120) ÷ 4 = (½, 1, ¼, 0; 30) » Trasladar al segundo tablón.
Luego de producir las 30 unidades de X2 se requieren que en su totalidad se inspeccionen
y se empaquen para la venta. La segunda restricción se relaciona con este proceso, 100
horas disponibles. La sustitución del valor de X2 en la ecuación lineal, 2X1 + 3X2 + 0S1
+ 1S2 = 100, indica el uso de 90 horas que se consumen del total de 100 horas
disponibles del segundo recurso, creando un sobrante de 10 horas. El resultado anterior
se obtiene sustituyendo X1 = 0 y X2 = 30 en la segunda ecuación. Este procedimiento se
conoce como revisión de los renglones y es mandatario para todas las filas, excluyendo el
nuevo renglón pivote.
2(0) + 3(30) + 0S1 + 1S2 = 100
S2 = 100 – 90 = 10 (horas disponibles)
Halle el elemento de intersección que se encuentra entre la columna pivote y el renglón a
revisarse. (3 para nuestro ejemplo). Multiplique el nuevo renglón pivote por el negativo
del elemento de intersección. (½, 1, ¼, 0; 30) x – (3) = (- 3/2 , -3, -¾, 0; -90)
3. Súmele algebraicamente al el renglón negativo el renglón que se está revisando y
trasládelo al próximo tablón. (segundo tabla símplex)
(- 3/2, -3, -¾, 0; -90)

14
S2: + ( 2, 3, 0, 1; 100)
( ½, 0, -¾, 1; 10)
Al igual que para el tablón inicial habrá que buscar los valores Zj para la nueva tabla
símplex. (Zj =Σ Cijaij.), llevarlos al segundo tablón y luego buscar la ganancia de
manera parecida donde Z = Σ Cijbi.

Fuentes consultadas

ADAM, E., Hershauer, J. y Ruch, W. (1985). Productividad y calidad. Su medición como

base para el mejoramiento. Trillas. México.
ALVARADO, J. A. (2011). El análisis post-optimal en programación lineal aplicada a la
agricultura. Reflexiones, 90(1), pp. 161 – 173.
CHIANG, A. y Wainwright, K. (2007). Métodos fundamentales de economía matemática 4ª
edición. McGrawHill. México.
EPPEN, G., Gould, F., Schmidt, C., Moore, J., Weatherford, L. (2000). Investigación de
operaciones en la ciencia administrativa: construcción de modelos para la toma de
decisiones con hojas de cálculo electrónicas. Pearson Educación. México.
MATHUR, K., & Solow, D. (1996). Investigación de operaciones: el arte de la toma de
decisiones. Prentice Hall. México.
TAHA, H. (2012). Investigación de operaciones 9ª edición. Pearson Educación. México

15
Taha.

En el algoritmo primal, la solución básica inicial es factible, pero no óptima. Las iteraciones
sucesivas permanecen factibles a medida que avanzan hacia el óptimo.

INTERPRETACIÓN ECONÓMICA DE LA DUALIDAD.

El problema de PL puede considerarse como un modelo de asignación de recursos que busca

maximizar los ingresos con recursos limitados. Considerando el problema desde este punto de
vista, el problema dual asociado ofrece interesantes interpretaciones económicas del modelo de
asignación de recursos.

Para formalizar el planteamiento, considere la siguiente representación de los problemas primal y

dual:

Primal Dual
n n
Maximizar z= ∑ cjx j Minimizar w= ∑ bi yi
j−i j−i
Sujeto a: m
n ∑ aij y j ≥ c j , j=1 , 2 , … ,n
∑ aij x j ≤ bi ,i=1, 2 , … , m i=1
j=1 y i ≥0 , i=1 , 2 ,… , m
x j ≥ 0 , j=1 ,2 , … , n

Considerando como un modelo de asignación de recursos, el problema primal consta de n

actividades económicas y m recursos. El coeficiente cj en el primal representa el ingreso por unidad
de la actividad j. El recurso i con disponibilidad bi se consume a razón d aij unidades por unidad de
actividad j.

Interpretación económica de las variables duales

Para cualquiera de las dos soluciones factibles primal y dual, los valores de las funciones objetivo,
cuando son finitos, deben satisfacer la siguiente desigualdad:
n m
z=∑ c j x j ≤ z=∑ b i y i=w
j=1 i=1

En el óptimo, los dos valores objetivo son iguales, es decir, z = w.

En función del modelo de asignación de recursos, z representa $ ingresos, y bi representa

unidades disponibles del recurso i. Por lo tanto, dimensionalmente, z = w implica
m m
$ ingresos=∑ b i y i=¿ z=∑ ( unidadesdel recurso i ) ×($ por unidad delrecurso i )¿
i=1 i=1

Esto quiere decir que la variable dual, yi, representa el valor por unidad del recurso i.

El nombre estándar precio dual (o precio sombra) del recurso i reemplaza el nombre (sugestivo)
valor por unidad en toda la literatura de programación lineal y en los paquetes de software.

Utilizando el mismo análisis dimensional, podemos interpretar la desigualdad z < w (para

cualquiera de las dos soluciones primal y dual) como:

16
 ( ingrteso )<(Valor de losrecursos )
Esta relación expresa que en tanto el ingreso de todas actividades sea menor que el valor de los
recursos, las soluciones primal y dual correspondientes no serán óptimas. La optimalidad se
alcanza sólo cuando los recursos se han explotado por completo. Esto puede suceder sólo cuando
la entrada (valor de los recursos) se iguala a la salida (ingreso en dólares).

Interpretación económica de las restricciones duales

El significado económico de las restricciones duales puede lograrse utilizando la fórmula

(Coeficiente ) (
de la variable x = Ladoizquierdo de la −
en laecuación z primal
1
restriccióndual j−ésima ) ( restriccióndual j−ésima )
Lado derecho de la

m
¿ ∑ a ij y i−c j
i−1

Una vez más utilizamos el análisis dimensional para interpretar esta ecuación. El ingreso por
unidad, cj, de la actividad j está en dólares por unidad. De ahí que, por consistencia, la cantidad
m

∑ aij y i también debe estar en dólares por unidad. A continuación, como c representa ingreso, la
j
i=1
m
cantidad ∑ aij y i, con signo opuesto, debe representar costo. Por lo tanto tenemos:
i=1

m m

i=1 i=1
(
por unidad de j )(
$ costo=∑ aij y i =∑ Consumo del recurso i × Costo por unidad
delrecurso i )
La conclusión es que la variable dual y1 representa lo que se conoce en la literatura de
programación lineal como costo imputado por unidad de recurso i, y podemos considerar que la
m
cantidad ∑ aij y i como el costo imputado de todos los recursos necesarios para producir una
i=1
m
cantidad de la actividad j. La cantidad ∑ aij y i−c j (= costo imputado de la actividad j-cj) se
i=1
conoce como costo reducido de la actividad j. La condición de optimalidad de maximización dice
que es económicamente ventajoso incrementar el nivel de una actividad si su ingreso unitario
excede su costo unitario imputado.

Chiang

Programación lineal.

17
En el problema clásico de la optimización, sin restricciones explícitas en los signos de las variables
de elección, y sin desigualdades en las restricciones, la condición de primer orden para un extremo
relativo o local es simplemente que las primeras derivadas parciales de la función lagrangeana
(uniforme) respecto a todas las variables de elección y los multiplicadores de Lagrange sean cero.
En la programación no lineal existe un tipo similar de condición de primer orden, conocida como las
condiciones de Khun-Tucker. Sin embargo, como se verá, aun cuando siempre es necesaria la
condición clásica de primer orden, no puede otorgarse

A las condiciones de Kuhn-Tucker el estatus de condiciones necesarias a menos que se satisfaga

cierta disposición. Por otro lado, para algunas circunstancias específicas, las condiciones de Kuhn-
Tucker son condiciones suficientes, o aun también son necesarias y suficientes.

Interpretación de las condiciones Kuhn-Tucker Algunas partes de las condiciones Kuhn-Tucker son
sólo una reformación de ciertos aspectos del problema dado.

Aplicaciones económicas:

Racionamiento en tiempos de guerra.

Es común que durante una guerra la población civil se someta a alguna forma de racionamiento de
los bienes básicos de consumo. Generalmente, el método de racionamiento se controla a través
del uso de cupones del gobierno, quién suministra a cada consumidor una dotación de cupones al
mes. A su vez, el consumidor deberá canjear un cierto número de cupones en el momento de la
compra de un bien racionado. Esto significa que efectivamente el consumidor paga dos precios al
momento de la compra. Se paga tanto el precio del cupón como el precio monetario del bien
racionado. Esto requiere que el consumidor tenga el precio suficientes fondos y suficientes
cupones para comprar una unidad del bien racionado.

Fijación de precios a mercados no planeados originalmente

Los precios en el mercado planeado y fuera de él son problemas de planeación en compañías que
tienen procesos de producción capacidad restringida generalmente la compañía ha invertido en la
capacidad con objeto de centrarse en un mercado planeado o primario; sin embargo, puede haber
un mercado secundario en el cual la compañía puede con frecuencia vender su producto. Una vez
que se ha comprado el equipo capital para dar servicio al mercado primario de la compañía, está
disponible libremente (de acuerdo con la capacidad) para utilizarse en el mercado secundario. Los
ejemplos típicos incluyen escuelas y universidades que se construyen para satisfacer las
necesidades diurnas (mercado planeado), pero pueden ofrecer clases nocturnas (no planeado

Una de las aplicaciones clásicas de los modelos de Programación Lineal son los problemas de
mezcla de productos. Si la calidad de un producto que se procesa mediante la mezcla de
determinados insumos se puede aproximar de forma razonable a través de una proporción,
entonces un modelo de optimización lineal puede resultar de utilidad. El ejemplo a continuación
muestra dicha situación para el caso de una refinería:

Problema de Mezcla de Productos en Programación Lineal

Una refinería de petróleos produce dos tipos de gasolina sin plomo: regular y extra, las cuales
vende a los distribuidores en US$12 y US$14 por barril, respectivamente. Ambos tipos se preparan
a partir del inventario de petróleo nacional refinado y de petróleo importado refinado que tiene la
empresa (es decir mediante mezcla), las que deben cumplir las especificaciones que se presentan
en la siguiente tabla:

18
19