Apuntes para la materia de Investigación de Operaciones

1. Introducción a la Investigación de Operaciones.

1.1 ¿Qué es la Investigación de Operaciones?

El inicio de la actividad llamada investigación de operaciones, se atribuye a los servicios militares prestados a principios de la segunda guerra mundial.
Durante la segunda guerra mundial existían grupos de especialistas (matemáticos, físicos, psicólogos, ingenieros, etc.), cuya labor era asesorar a la
organización militar en el plano ejecutivo en relación a las operaciones bélicas de análisis de estrategias de bombardeo, defensa aérea y
programación de operaciones logísticas. Por el año de 1941 se establece una sección de Operations Research (Investigación de Operaciones o IO) en
la RAF (Real fuerza Aérea); de igual modo en la British Army y la Navy. Estos tipos de científicos fueron conocidos en Gran Bretaña como OR (en
español IO), por ser los primeros investigadores operacionales. Debido a los esfuerzos bélicos, existía una necesidad urgente de asignar recursos
escasos a las distintas operaciones militares y a las actividades dentro de cada operación, en la forma más efectiva.

No existe una definición exacta para La Investigación de Operaciones, de manera muy general decimos que la Investigación de Operaciones trata
sobre la búsqueda de la mejor utilización (técnica, económica, social, política) de recursos (escasos) y procesos (diversos), a través de la aplicación
del método científico, buscando la mejor satisfacción (utilidad, placer) del cliente (usuario, público) definidos en un contexto (conjunto, totalidad).

El desarrollo de un trabajo de IO envuelve equipos multidisciplinarios para la aplicación de los métodos científicos a problemas reales encontrados
en los sistemas de producción de bienes y servicios, como herramienta auxiliar para la toma de decisiones en cualquier sector y nivel de economía.

Según Churchman, Ackoff y Arnoff: “la investigación de operaciones es la aplicación, por grupos interdisciplinarios, del método científico a problemas
relacionados con el control de las organizaciones o sistemas (hombre-máquina), a fin de que se produzcan soluciones que mejor sirvan a los objetivos
de la organización”

Por tal motivo, decimos que la investigación de operaciones utiliza los resultados de muchas áreas científicas, aunque fundamentalmente se
encuentra en la matemática, la economía, el cálculo de probabilidades y la estadística.

Para ejemplificar de una manera sencilla la utilidad y el tipo de problemáticas que busca resolver la Investigación de Operaciones analicemos el
siguiente ejemplo.

Resulta que Juan está saliendo con dos de sus vecinas, llamadas Betty y Lupita. Y debe decidir con quién de las dos vecinas debe salir. Obviamente,
lo primero que pasa por su cabeza, es salir con las dos al mismo tiempo, ¿cierto?, pero salir con las dos al mismo tiempo puede causar problemas
dado que ellas no aceptarían salir juntas sobre todo porque se sabe que son muy celosas.

Por otro lado, salir todo el día con una vecina no es muy bueno económicamente dado que Juan no dispone del dinero suficiente, pero por encima
de esta limitación, Juan está decidido a disfrutar de su buena suerte al haber conquistado a sus dos vecinas; así que está pensando en alguna
estrategia que le permita decidir cuantas veces al mes debe salir con cada una de ellas. ¿Qué debe hacer?

Juan recuerda las sabias enseñanzas de su profesor del curso de Investigación de Operaciones, y decide utilizarlas. Elabora entonces un modelo
matemático que le permita determinar cuántas veces al mes puede salir con cada una de sus vecinas.

El primer paso que realiza es representar con letras y subíndices el número de salidas al mes con cada una de ellas, de la siguiente forma:

x1: Representa la cantidad de veces al mes, que debe salir con Betty.
x2: Representa la cantidad de veces al mes, que debe salir con Lupita.

Estas expresiones son denominadas variables de decisión x1 y x2, las cuales son la parte más importante para la representación matemática de un
problema y estás son escogidas libremente.

Podemos pensar que Juan puede salir con sus vecinas cuantas veces quisiera, pero uno de sus principales problemas es la falta de dinero (problemas
financieros), puesto que Juan sabe que a Betty le gusta frecuentar lugares caros y una salida le generara un gasto de 350 pesos, sin embargo Lupita
es más sencilla y gusta frecuentar lugares más baratos, así, ella le generara un gasto de 280 pesos.

Se sabe que Juan recibe una mensualidad $ 3,500 pesos por mes, dinero que le envían sus padres para sus estudios. Conociendo los gastos que
generan sus vecinas, Juan se pregunta cómo hacer para no terminar endeudado. Por tanto, comienza a hacer sus cuentas del siguiente modo:
Como una salida con Betty le cuesta 350 pesos y como x1 representa el número de veces al mes que sale con Betty, entonces, al mes terminaría
gastando 350 x1 pesos. Del mismo modo salir con Lupita le cuesta 280 pesos, y como sale x2 veces al mes con ella, entonces al mes terminaría gastando
280 x2 pesos.

Juan sabe que no puede gastar más de 1,700 pesos mensuales, y este inconveniente lo representa del siguiente modo:

350x1 + 280x2 ≤ 1,700

Gastos Total
totales del disponible por
mes mes

Pero los inconvenientes para salir con ellas no quedan allí, porque la diferencia entre las dos no son sólo los gastos por salida, sino que también tiene
problemas con el tiempo. Es decir, salir con Betty requiere en promedio 4 horas de su tiempo, mientras que una salida con Lupita requiere en
promedio 2 horas.

El problema con el tiempo es porque Juan tiene que estudiar, porque de no ser así sus calificaciones bajarían y sus padres dejarían de asignarle los
3,500 pesos mensuales. Consideremos que sólo dispone de 20 horas libres por mes. ¿Cómo podemos garantizar que él no empleará más tiempo del
que dispone?, usando la notación anterior, tenemos:

4x1 + 2x2 ≤ 20

Total de Tiempo libre

horas

Juan debe comenzar a unir todo lo pensado anteriormente:

350x1 + 280x2 ≤ 1,700

4x1 + 2x2 ≤ 20

Para poder planear y decidir cuantas veces tendrá que salir con Betty (x1) y cuantas con Lupita (x2), tomando en cuenta el dinero y tiempo disponible.
A la vez podrá saber cuántas horas y cuanto de dinero consumirá, así como cuánto dinero y tiempo le sobrará.

1er Caso

¿Cuánto consume si sale con Betty 3 veces y con Lupita 2 veces?, es decir 3x1 y 2x2, verificamos cuánto dinero y cuánto tiempo consume.

350(3) + 280(2) = 1,610 (dinero gastado)

4(3) + 2(2) = 16 (tiempo empleado)

¿Cuánto le sobra?

Como podemos ver al salir tres veces con Betty y dos veces con Lupita, Juan consume 1,610 pesos y 16 horas, sobrando al final del mes 90 pesos y 4
horas.

2° Caso

¿Cuánto consume si sale con Betty 3 veces y con Lupita 4 veces?, es decir x1 = 3 y x2 = 4, verificamos cuánto dinero y cuánto tiempo consume.
 350 (3) + 280 (4) = 2,170 (dinero gastado)
4(3) + 2(4) = 20 (tiempo empleado)

¿Cuánto le sobra?

Como podemos ver al salir tres veces con Betty y cuatro veces con Lupita, Juan consume 2,170 pesos y 20 horas, generándole una deuda de 470
pesos dado que él dispone sólo de 1,700 pesos, por otro lado, consume todo el tiempo disponible del mes que son las 20 horas. Por lo tanto, Juan no
puede salir tres veces con Betty y cuatro veces con Lupita, dado que está situación es imposible, dentro de las condiciones que fueron propuestas.

Pero nos falta un objetivo

Podemos notar que nos falta un objetivo, es decir, debemos pensar que es lo que quiere Juan para obtener el mayor beneficio al salir con sus vecinas.
Una opción puede ser, salir la mayor cantidad de veces con las dos sin importar la preferencia por ellas; está situación queda expresada del siguiente
modo:

Maximizar x1 + x 2

Otro posible objetivo puede ser construido del siguiente hecho; a Juan le gusta dos veces más Betty que Lupita, entonces podemos crear un
coeficiente que represente su preferencia; es decir un valor unitario para Lupita y el doble para Betty. Obteniendo el siguiente objetivo

Maximizar 2x1 + x2

De esta forma se logra formalizar dos modelos diferentes:

Maximizar x1 + x2 Maximizar 2x1 + x2

Sujeto a: Sujeto a:
350x1 + 280x2 ≤ 1,700 350x1 + 280x2 ≤ 1,700
4x1 + 2x2 ≤ 20 4x1 + 2x2 ≤ 20

1.2 Características de la IO

Se pueden citar tres características esenciales de la IO:

 Enfoque de sistema
 El uso del equipo interdisciplinario, y
 La adopción del método científico

El enfoque de sistema es fundamental para quienes tienen que afrontar los sistemas. Se ha dicho que la actividad de una parte de la organización,
tiene el mismo efecto en la actividad de cada otra parte.

El enfoque de sistemas, considera a los sistemas tomados en conjuntos y no en sus partes individuales, o dicho de otro modo, al evaluar una decisión
o acción dentro de una organización, es necesario que se identifiquen todas las interacciones significativas y evaluar su impacto combinado dentro
de la organización; así un problema de inventarios es necesario mirarlo como uno que forma parte de la cadena de abastecimiento, y no como uno
de producción o logística.

El equipo interdisciplinario, es indispensable, cuando nos encontramos ante una situación compleja, como lo es el sistema de la organización hombre-
máquina; y es necesario observar el problema por muchos caminos para determinar una o que combinación de disciplinas es mejor.

La división didáctica del conocimiento científico, ha traído como consecuencia que se "hable de problemas", como si existieran problemas físicos,
químicos, psicológicos, lo que ocurre es que un problema se observa desde la óptica de una cierta disciplina.

Por método científico, automáticamente se relaciona con el método de la experimentación; realmente sería muy costoso que el investigador de
operaciones experimentara sus decisiones y por otro lado las consecuencias fatales que traería una mala decisión dentro de una empresa.

La ciencia no siempre está ligada a la experimentación; así la astronomía, se limita a observar, representar y predecir; esto también es lo que
corresponde a la metodología de la IO.
La IO representa la realidad por medio de una representación llamado "modelo matemático" (existiendo una diversidad de modelos). Este representa
la estructura cuantitativa del mundo real. Mediante él, se formula un sistema real y se obtienen conclusiones, las cuales al interpretarse dan como
resultado las conclusiones del mundo real. El modelo matemático o simbólico, es una clase de modelo, como también lo es el icónico. Etcétera.

1.3 Metodología de la Investigación de Operaciones.

Para llevar a cabo el estudio de Investigación de Operaciones es necesario cumplir con una serie de etapas o fases tal y como se vio en el ejemplo
anterior. Las principales etapas o fases de las que hablamos son las siguientes:

1. Formulación y definición del problema.

2. Construcción del modelo.
3. Solución del modelo.
4. Validación del modelo.
5. Implementación de resultados.

1. Formulación y definición del problema.

En esta fase del proceso se necesita: una descripción de los objetivos del sistema, es decir, qué se desea optimizar; identificar las variables implicadas,
ya sean controlables o no; determinar las restricciones del sistema. También hay que tener en cuenta las alternativas posibles de decisión y las
restricciones para producir una solución adecuada.

2. Construcción del modelo.

En esta fase, el investigador de operaciones debe decidir el modelo a utilizar para representar el sistema. Debe ser un modelo tal que relacione a las
variables de decisión con los parámetros y restricciones del sistema. Los parámetros (o cantidades conocidas) se pueden obtener ya sea a partir de
datos pasados o ser estimados por medio de algún método estadístico. Es recomendable determinar si el modelo es probabilístico o determinístico.
El modelo puede ser matemático, de simulación o heurístico (habilidad para aplicar métodos, criterios que permiten encontrar soluciones a los
problemas), dependiendo de la complejidad de los cálculos matemáticos que se requieran.

3. Solución del modelo.

Una vez que se tiene el modelo, se procede a derivar una solución matemática empleando las diversas técnicas y métodos matemáticos para resolver
problemas y ecuaciones. Debemos tener en cuenta que las soluciones que se obtienen en este punto del proceso, son matemáticas y debemos
interpretarlas en el mundo real. Además, para la solución del modelo, se deben realizar análisis de sensibilidad, es decir, ver cómo se comporta el
modelo a cambios en las especificaciones y parámetros del sistema. Esto se hace, debido a que los parámetros no necesariamente son precisos y las
restricciones pueden estar equivocadas.

4. Validación del modelo.

La validación de un modelo requiere que se determine si dicho modelo puede predecir con certeza el comportamiento del sistema. Un método
común para probar la validez del modelo, es someterlo a datos pasados disponibles del sistema actual y observar si reproduce las situaciones pasadas
del sistema. Pero como no hay seguridad de que el comportamiento futuro del sistema continúe replicando el comportamiento pasado, entonces
siempre debemos estar atentos a cambios posibles del sistema con el tiempo, para poder ajustar adecuadamente el modelo.

5. Implementación de resultados.
Una vez que hayamos obtenido la solución o soluciones del modelo, el siguiente y último paso del proceso es interpretar esos resultados y dar
conclusiones y cursos de acción para la optimización del sistema. Si el modelo utilizado puede servir a otro problema, es necesario revisar,
documentar y actualizar el modelo para sus nuevas aplicaciones.

1.4 Tipos de modelos de investigación de operaciones

El tipo más importante de modelo de investigación de operaciones es el modelo simbólico o matemático. Al formularlo se supone que todas las
variables relevantes son cuantificables. Por consiguiente, los símbolos matemáticos se utilizan para representar variables, las cuales entonces están
relacionadas con las funciones matemáticas apropiadas para describir el comportamiento del sistema. Luego la solución del modelo se logra por
manipulación matemática apropiada como se mostrará.

Además de los modelos matemáticos, se emplean los modelos heurísticos (el arte de inventar por parte de los seres humanos, con la intención de
procurar estrategias, métodos, criterios, que permitan resolver problemas a través de la creatividad, pensamiento divergente) y de simulación. Los
modelos de simulación “imitan” el comportamiento del sistema sobre un periodo. Esto se logra especificando ciertos eventos, los cuales son puntos
en el tiempo, cuya ocurrencia significa que puede recolectarse la información importante perteneciente al comportamiento del sistema. Una vez que
se definen tales eventos es necesario prestar atención al sistema únicamente cuando ocurre un evento. La información que mide el funcionamiento
del sistema se acumula en observaciones estadísticas, las cuales se actualizan en cuanto cada evento tiene lugar.

Dado que los modelos de simulación no necesitan funciones matemáticas explícitas para relacionar variables, usualmente es posible simular sistemas
complejos que no pueden modelarse o resolverse matemáticamente. Además, tal flexibilidad permite una representación aproximada del sistema.
La principal falla de simulación consiste en que el análisis es equivalente a realizar experimentos y por consiguiente está sujeto al error experimental.
Esto lleva a las dificultades usuales de diseñar (estadísticamente) el experimento, recolectar observaciones y entonces ejecutar las pruebas
estadísticas necesarias de inferencia. Naturalmente el modelo de simulación no es tan conveniente como los modelos matemáticos (exitoso), los
cuales proporcionan una solución general al problema.

Mientras que los modelos matemáticos buscan la determinación de la mejor solución (óptima) algunas veces la formulación matemática puede ser
demasiado compleja para permitir una solución exacta. Aun si la solución óptima puede obtenerse eventualmente, el cómputo requerido puede ser
imprácticamente grande. En este caso la Heurística puede utilizarse para desarrollar buenas soluciones (aproximadas). El método heurístico de
solución descansa en las reglas empíricas o intuitivas que, dada una solución actual al modelo, permiten la determinación de una solución mejorada.
Actualmente los métodos heurísticos son procedimientos de búsqueda que pasan inteligentemente de un punto de solución a otro, con el objetivo
de mejorar el valor del criterio del modelo. Cuando ninguna mejora adicional puede lograrse la mejor solución que se haya tenido es la solución
aproximada del modelo.

1.5 Modelos

El modelo en IO, es el laboratorio para el físico y se emplea este término para designará la abstracción de una realidad con posibilidades de empleo
en propósitos de predicción y control.

No es una casualidad que sean modelos simbólicos o matemáticos, los usados en IO (pudo ser analógico o también pudo ser icónico, modelo que se
asemeja a lo que se supone que representa). Ello radica en la facilidad que se consigue de expresar las relaciones de causa-efecto de un sistema. La
universalidad de las matemáticas, hace que un resultado pueda ser verificado de manera independiente (la lógica de la matemática); de la cual se
deriva la causa del axioma "las matemáticas nunca fallan”.

Se identifican cuatro fases básicas para el uso de los modelos matemáticos:

1. Observación del sistema.

2. Formulación de hipótesis.
3. Predicción del comportamiento del sistema.
4. Validación de las hipótesis

Se puede observar que en la etapa 2, la formulación de hipótesis, no es otra cosa que la construcción de un modelo matemático y la predicción del
comportamiento del sistema, la obtención de la solución del mismo. Cuando se construye un modelo matemático, comúnmente nos encontramos
con dificultades al expresar nuestras relaciones. Todo modelo en IO toma la forma de ecuaciones igualadas o algunas relaciones entre un juego de
aspectos controlables y no controlables del sistema, cuyo objetivo es optimizar una medida de efectividad

Se dice que un modelo en IO se estructura a partir de tres condiciones básicas:

1. Variables de decisión y parámetros. Las variables de decisión son las variables no conocidas y que deben de ser determinadas en el modelo. Los
parámetros representan las variables controlables (la tasa de producción de cierta máquina en el proceso ABC, es un ejemplo de variable controlable
y la cantidad de producción es la variable de decisión).

2. Restricciones. Están representadas por las limitaciones físicas del sistema; el modelo incluye restricciones para limitar el valor de la variable de
decisión.

3. Funciones objetivo. Define la medida de efectividad del sistema en función de las variables de decisión.

2. Construcción de un modelo matemático

2.1 Construcción de un modelo matemático en IO.

A diferencia de los modelos de simulación o heurísticos donde no pueden sugerirse estructuras físicas fijas, un modelo matemático incluye tres
conjuntos básicos de elementos.

1. Variables de decisión y parámetros. Las variables de decisión son las incógnitas que deben determinarse con la solución del modelo. Los parámetros
representan las variables controlables del sistema. Por ejemplo, salir la cantidad de veces que Juan puede salir con cada una de sus vecinas representa
las variables de decisión. Los parámetros son los gastos que tiene cuando sale con cada una de ellas y el tiempo que emplea cuando sale con cada
una de ellas.

x1: Representa la cantidad de veces al mes, que debe salir con Betty.
Variables de decisión
x2: Representa la cantidad de veces al mes, que debe salir con Lupita

Si Juan sabe que a Betty le gusta frecuentar lugares caros y una salida le generara un
gasto de 350 pesos, sin embargo, Lupita es más sencilla y gusta frecuentar lugares más Parámetros
baratos, así ella le generara un gasto de 280 pesos.

2. Restricciones. Para tomar en cuenta las limitaciones físicas del sistema el modelo debe incluir restricciones que limitan las variables de decisión a
sus valores factibles (o permisibles). Esto usualmente se expresa en la forma de funciones matemáticas restrictivas. Por ejemplo:

Si la cantidad máxima de dinero que puede gastar Juan es de 1,700 pesos la función correspondiente de restricción queda:

350x1 + 280x2 ≤ 1,700

3. Función objetivo. Define la medida de efectividad del sistema como una función matemática de variables de decisión. Por ejemplo, si el objetivo
del sistema es maximizar el beneficio total, la función objetivo debe especificar el beneficio en función de las variables de decisión. En general, la
solución óptima al modelo se obtiene cuando los valores correspondientes de las variables de decisión proporcionan el mejor valor de la función
objetivo satisfaciendo todas las restricciones. Esto significa que la función objetivo actúa como un indicador para el logro de la solución óptima.

En general, un modelo matemático en investigación de operaciones se representa mediante el siguiente formato:

Maximizar o minimizar una función objetivo.

x0 = f(x1,….xn)

Sujeto a:
a1(x1,…,xn) ≤ bi, i = 1, 2,…,m

Restricciones
xj ≥ 0 j = 1, 2, …, N

La función f es la función objetivo mientras que ai ≤ bi, representa la i-ésima restricción, donde, bi es una constante conocida. Las restricciones xj ≥
0 se conocen como las restricciones de no negatividad, las cuales restringen las variables a valores cero o positivos solamente. En la mayoría de los
sistemas de la vida real las restricciones de no negatividad aparecen como un requisito natural.

2.2 Expresión matemática

La Función Objetivo del Modelo Lineal es la formulación matemática de una meta establecida y por lo tanto su valor final mide la efectividad lograda.
Es una función lineal a ser maximizada o minimizada y tiene la siguiente forma general:

Optimizar C1 X1 + C2 X2 + C3 X3 + C4 X4 +...................+ Cj Xn

Xi, simboliza matemáticamente a las variables de decisión. Son los valores numéricos que se determinan con la solución del modelo y representan o
están relacionadas con una actividad o acción a tomar. Son los únicos valores desconocidos en el modelo y pueden existir en cualquier cantidad, desde
1 hasta n variables (es decir i toma valores desde 1 hasta n)

Cj, matemáticamente, simboliza el coeficiente de la variable x en la Función Objetivo. Son datos relevantes, insumos incontrolables ya conocidos. En
la Función Objetivo representan la cantidad con la cual contribuye cada unidad de la variable x, al valor total deseado en el objetivo (es decir j toma
valores desde 1 hasta n de la misma manera que i)
Las restricciones, desde el punto de vista matemático, son funciones lineales expresadas como igualdades o desigualdades, que limitan el valor de
las variables de decisión a valores permisibles. Representan recursos, condiciones o requerimientos establecidos. Las restricciones del Modelo Lineal
general tienen la forma siguiente:

a11 x1 + a12x2 + a13 x3 + a14 x4 + … + a1n xn ≤ b1

a21 x1 + a22x2 + a23 x3 + a24 x4 + … + a2n xn ≤ b2

a31 x1 + a32x2 + a33 x3 + a34 x4 + … + a3n xn ≤ b3

.
.
.
am1 x1 + amx2 + am3 x3 + am4 x4 + … + amn xn ≤ bm

amn, matemáticamente simboliza el coeficiente, en la restricción bm, de la variable xi.

bh, matemáticamente constituye el lado derecho de la restricción h. Representa la cantidad total disponible del recurso limitado h, o la cantidad total
de un requerimiento o condición h establecida. Puede existir cualquier cantidad de restricciones por lo tanto h puede variar desde 1 hasta m.

X i ≥ 0 es una restricción de no negatividad de las j variables, la cual se le considera siempre presente como una condición natural en el Modelo Lineal
Genera

2.3 Modelo de Programación Lineal

Los términos clave son recursos y actividades, en donde m denota el número de distintos tipos de recursos que se pueden usar y n denota el número
de actividades bajo consideración. Algunos ejemplos de recursos son dinero y tipos especiales de maquinaria, equipo, vehículos y personal. Los
ejemplos de actividades incluyen inversión en proyectos específicos, publicidad en un medio determinado y el envío de bienes de cierta fuente a
cierto destino. En cualquier aplicación de programación lineal, puede ser que todas las actividades sean de un tipo general (como cualquiera de los
ejemplos), y entonces cada una correspondería en forma individual a las alternativas específicas dentro de esta categoría general

El tipo más usual de aplicación de programación lineal involucra la asignación de recursos a ciertas actividades. La cantidad disponible de cada recurso
está limitada, de forma que deben asignarse con todo cuidado. La determinación de esta asignación incluye elegir los niveles de las actividades que
lograrán el mejor valor posible de la medida global de efectividad.

Ciertos símbolos se usan de manera convencional para denotar las distintas componentes de un modelo de programación lineal. Estos símbolos se
enumeran a continuación, junto con su interpretación para el problema general de asignación de recursos a actividades.

Z = valor de la medida global de efectividad

xi = nivel de la actividad i (para i = 1, 2, …, n)

cj = incremento en Z que resulta al aumentar una unidad en el nivel de actividad j

bh = cantidad de recurso h disponible para asignar a las actividades (para h = 1, 2, … + m)

ahi = cantidad del recurso h consumido por cada unidad de la actividad i

El modelo establece el problema en términos de tomar decisiones sobre los niveles de las actividades, por lo que x1, x2,....,xn se llaman variables de
decisión. Los valores de cj , bh y ahi (para i = 1,2,....,m y j = 1,2,....,n) también se conocen como parámetros del modelo o restricciones de entrada (se
verá más adelante)

2.4 Forma del modelo canónico

Ahora se puede formular al modelo matemático para este problema general de asignación de recursos a actividades. En datos necesarios para un
modelo de programación lineal que maneja la asignación de recursos a actividades en particular, este modelo consiste en elegir valores de x1, x2
,....,xn para:
 Optimizar (maximizar o minimizar) Z = c1 x1 + c2 x2 + … + cn xn

Sujeta a las siguientes restricciones

a11 x1 + a12x2 + … +a1n xn ≤ b1

a21 x1 + a22x2+ … +a2n xn ≤ b2

am1 x1 + am2x2 + … +amn xn ≤ bm

x1 ≥ 0 ; x2 ≥ 0 ; x3 ≥ 0

2.5 Suposiciones del modelo de programación lineal

Proporcionalidad

La contribución de cada actividad al valor de la función objetivo Z es proporcional al nivel de actividad xi, como lo representa el término cj xi en la
función objetivo. De manera similar, la contribución de cada actividad al lado izquierdo de cada restricción funcional es proporcional al nivel de la
actividad xi, en la forma en que lo representa el término ahi xi en la restricción. En consecuencia, esta suposición elimina cualquier exponente
diferente a 1 para las variables en cualquier término de las funciones (ya sea la función objetivo o la función en el lado izquierdo de las restricciones
funcionales) en un modelo de programación lineal.

Actividad

Establece que la entrada y salida de un recurso en particular al conjunto de actividades, deben ser la misma cantidad; o sea, que las actividades
transforman los recursos y no los crean o destruyen. Esta suposición garantiza que la contribución total tanto a la función objetivo como a las
restricciones, es igual a la suma de las contribuciones individuales. Cuando en un problema dado no se tenga la aditividad puede recurrirse al empleo
de otras técnicas de la programación matemática, dependiendo de cada caso en particular

Aditividad

Cada función en un modelo de programación lineal (ya sea la función objetivo o el lado izquierdo de las restricciones funcionales) es la suma de las
contribuciones individuales de las actividades respectivas.

Divisibilidad

Las variables de decisión en un modelo de programación lineal pueden tomar cualquier valor, incluyendo valores no enteros, que satisfagan las
restricciones funcionales y de no negatividad. Así, estas variables no están restringidas a sólo valores enteros. Como cada variable de decisión
representa el nivel de alguna actividad, se supondrá que las actividades se pueden realizar a niveles fracciónales.

2.6 Formulación de un modelo de programación lineal

Como su nombre lo indica, la formulación estriba en pasar directamente del sistema asumido al modelo de PL. Para tal efecto, se propone el siguiente
orden: definir el objetivo, definir las variables de decisión, enseguida las restricciones estructurales y finalmente establecer las condiciones técnicas

Pasos a seguir:

a) Definir el Objetivo: Consiste en definir un criterio de optimización el cual puede ser Maximización o Minimización dependiendo del problema que
se desee resolver, el cual es una función lineal de las diferentes actividades del problema. Bajo el criterio de optimización definido se pretende medir
la contribución de las soluciones factibles que puedan obtenerse y determinar la óptima

b) Definir las variables de decisión: Son las incógnitas del problema básicamente consisten en los niveles de todas las Actividades que pueden llevarse
a cabo en el problema a formular, estas pueden ser de tantos tipos diferentes como sea necesario, e incluir tantos subíndices como sea requerido.

c) Definir las restricciones: Son los diferentes requisitos que debe cumplir cualquier solución para que pueda llevarse a cabo. En cierta manera son
las limitantes en los valores de los niveles de las diferentes actividades (variables). Las restricciones más comunes son de seis tipos, las cuales se listan
a continuación:
Restricción de capacidad: limitan el valor de las variables debido a la disponibilidad de horas-hombre, horas-máquina, espacio, etc.

Restricción de mercado: Surge de los valores máximos y mínimos en las ventas o el uso del producto o actividad a realizar

Restricción de entradas: Son limitantes debido a la escasees de materias primas, mano de obra, dinero, etc.

Restricción de calidad: Son las restricciones que limitan las mezclas de ingredientes, definiendo usualmente la calidad de los artículos a manufacturar.

Restricciones de balance de material: Estas son las restricciones que definen las salidas de un proceso en función de las entradas, tomando en cuenta
generalmente cierto porcentaje de merma o desperdicio

Restricciones Internas: Son las que definen a una variable dada, en la formulación interna del problema, un ejemplo tipo, es el de inventario

Condiciones Técnicas: En este apartado se establece que todas las variables deben tomar valores no negativos.

Ejemplo.

Una costurera fabrica y vende faldas y pantalones de mezclilla, para lo cual cada semana compra un rollo de 50 metros de mezclilla. Para hacer un
pantalón requiere 2 metros de tela, mientras que, para una falda, 1.5 metros. Por lo general, ella trabaja ocho horas diarias, de lunes a viernes. Para
hacer un pantalón requiere tres horas, mientras que hacer una falda le toma una. Un pantalón le genera 80 pesos de ganancia, mientras que al
vender una falda gana 50 pesos. Construir un modelo matemático que permita maximizar la ganancia semanal de la costurera, considerando que
todo producto que fabrique puede venderlo.

Como primer paso, tenemos que establecer los parámetros del problema.

Pantalón Falda Disponible

Cantidad de material 2 metros 1.5 metros 50 metros
Tiempo de mano de obra 3 horas 1 hora 8 horas x 5 días = 40 horas
Ganancia 80 50

El siguiente paso es definir las variables de decisión, recuérdese que estas deben representar lo que necesitamos determinar. En este caso,
la costurera quiere saber la cantidad de pantalones y faldas que debe fabricar. Por tanto, las variables deben quedar:

x1 = cantidad de pantalones a fabricar en una semana

x2 = cantidad de faldas a fabricar en una semana

Para construir la función objetivo, debemos tomar en cuenta que la costurera quiere maximizar su ganancia semanal. Por tanto, tomando en cuenta
que la ganancia por vender un pantalón es de 80 pesos y por una falda es de 50 pesos. Tenemos que:

Ganancia semanal por venta de pantalones = 80 (x1) pesos

Ganancia semanal por venta de faldas = 50 (x2) pesos

Ahora, utilizaremos z para representar la ganancia semanal de la costurera, resultando la función objetivo como:

Maximizar z = 80 (x1) + 50 (x2)

Después, hay que escribir las restricciones. En este problema, la costurera tiene restricciones de material (mezclilla) y mano de obra.

Restricciones:

1. De mezclilla.

Cantidad de mezclilla usada en pantalones + cantidad de mezclilla usada en faldas ≤ cantidad de mezclilla disponible.
  Cantidad de mezclilla usada en pantalones = 2 metros por cada pantalón que se fabrique (la cantidad de pantalones se representa con la
variable x1) = 2x1.
 Cantidad de mezclilla usada en faldas = 1.5 metros por cada falda que se fabrique (la cantidad de faldas se representa con la variable x2)
= 1.5x2

Por tanto, la restricción de mezclilla resulta:

2x1 + 1.5x2 ≤ 50

2. Mano de obra.

Horas dedicadas a fabricar pantalones + horas dedicadas a fabricar faldas ≤ horas disponibles

Por ende, la restricción de mano de obra es:

3x1 + 1x2 ≤ 40

Además de las restricciones de material y mano de obra, también es necesario indicar las restricciones respecto al tipo de variable con el que se está
trabajando. En este caso, al tratarse de cantidad de producción, podemos inferir que estas variables deben ser mayores que cero (no puede haber
producción negativa) y entera (asumiendo que se trata de pantalones y faldas completos). Estas restricciones se identifican de la siguiente manera:
x1, x2 ≥ 0, enteras.

El modelo matemático para representar el problema de la costurera es:

Maximizar z = 80x1 + 50x2

Sujeto a:

2x1 + 1.5x2 ≤ 50

3x1 + 1x2 ≤ 40

s.a.

x1, x2 ≥ 0, enteras.

Una solución a un modelo matemático debe satisfacer todas las restricciones del modelo. Retomando el problema de la costurera, si proponemos la
cantidad a fabricar de 10 pantalones y 15 faldas la solución no es factible, pues aun cuando cumple con la restricción de material (2 × 15 + 1.5 × 10
= 45 ≤ 50) se excede en quince horas del tiempo semanal disponible (3 × 15 + 1 × 10 = 55 ≥ 40).

Ejercicios

3. Programación lineal

En la investigación de operaciones no se tiene una sola técnica general con la que se resuelvan todos los modelos matemáticos que surgen en la
práctica. En lugar de ello, la clase y la complejidad del modelo matemático determinan la naturaleza del método de solución.

La técnica más importante de investigación de operaciones es la programación lineal. Se diseña para modelos con funciones objetivo y restricciones
estrictamente lineales. Hay otras técnicas, como la programación entera, en la que las variables toman valores enteros; la programación dinámica,
en la que el modelo original se puede descomponer en subproblemas más pequeños; la programación de red, en la que el problema se puede modelar
como una red, y la programación no lineal, en la que las funciones del modelo son no lineales

3.1 Solución gráfica a problemas de Programación Lineal

Muchos problemas de administración y economía están relacionados con la optimización (maximización o minimización) de una función
sujeta a un sistema de igualdades o desigualdades. La función por optimizar es la función objetivo
Las funciones de ganancia y de costo son ejemplos de funciones objetivo. El sistema de igualdades o desigualdades a las que está sujeta la función
objetivo reflejan las restricciones (por ejemplo, las limitaciones sobre recursos como materiales y mano de obra) impuestas a la solución (o soluciones)
del problema. Los problemas de esta naturaleza se llaman problemas de programación matemática. En particular, aquellas donde la función objetivo
y las restricciones se expresan como ecuaciones o desigualdades lineales se llaman problemas de programación lineal

Un problema de programación lineal consta de una función objetivo lineal por maximizar o minimizar, sujeta a ciertas restricciones en la forma de
igualdades o desigualdades lineales.

Solución gráfica.

Los problemas de programación lineal en dos variables tienen interpretaciones geométricas relativamente sencillas; por ejemplo, el sistema de
restricciones lineales asociado con un problema de programación lineal bidimensional (si no es inconsistente) define una región plana cuya frontera
está formada por segmentos de recta o semirrectas, por lo tanto, es posible analizar tales problemas en forma gráfica.

La solución de un problema de programación lineal, en el supuesto de que exista, debe estar en la región determinada por las distintas restricciones.
Esta recibe el nombre de región factible, y puede estar o no acotada

La región factible incluye o no los lados y los vértices, según que las desigualdades sean en sentido amplio (≤ o ≥) o en sentido estricto (< o >).
Si la región factible está acotada, su representación gráfica es un polígono con un número de lados menor o igual que el número de restricciones.
El procedimiento para determinar la región factible es el siguiente:

Dibuja la región factible asociada a las restricciones

x+y≥4
y≤4
y≥x

las rectas asociadas a estas ecuaciones son las siguientes:

r:x+y=4
s:y≤4
t:y≥x

Elegimos el punto O(0,0), que se encuentra en el semiplano situado por debajo de la recta. Introduciendo las coordenadas (0,0) en la inecuación
x + y ≥ 4, vemos que no la satisface: 0 + 0 = 0 < 4. Por tanto, el conjunto de soluciones de la inecuación es el semiplano situado por encima de la recta
r:x+y =4
La recta t asociada a la restricción pasa por el origen, lo cual significa que si probásemos con el punto O(0,0) no llegaríamos a ninguna conclusión.
Elegimos el punto (1,0) y vemos que no satisface la inecuación y ≥ x (y = 0 < 1= x). Por tanto, el conjunto solución de esta inecuación es el semiplano
determinado por la recta t que no incluye al punto (1,0)

Procedemos como en el caso anterior con la recta s. Las coordenadas (0,0) satisfacen la inecuación y ≤ 4 (0 ≤ 4). Por tanto, el conjunto de soluciones
de la inecuación es el semiplano que incluye al punto O.

La región factible está formada por los puntos que cumplen las tres restricciones, es decir, se encuentran en los tres semiplanos anteriores

3.2 Método gráfico con rectas de nivel

Las rectas de nivel dan los puntos del plano en los que la función objetivo toma el mismo valor

Si lo que se pretende es resolver un problema de programación lineal, los únicos puntos que interesan son los de la región factible, y las únicas rectas
de nivel que importan son aquellas que están en contacto con dicha región. Como el nivel aumenta (o disminuye) desplazando las rectas, el máximo
(o el mínimo) de f(x,y) se alcanzará en el último (o en el primer) punto de contacto de esas rectas con la región factible.
Ahora se verá cómo se aplica todo esto a la resolución de un problema de programación lineal:

Maximizar Z = f(x, y) = x + y

sujeto a: 0 ≤ x ≤ 4
0≤y≤4
Y ≥ x /2

1) Representamos la región factible:

La recta s : x = 4 pasa por el punto (4,0) y es paralela al eje Y. Las soluciones de 0 ≤ x ≤ 4 son los puntos entre el eje Y y la recta x = 4
La recta r : y = 4 pasa por el punto (0,4) y es paralela al eje X. Las soluciones de 0 ≤ y ≤ 4 son los puntos entre el eje X y la recta y = 4
La recta t : y = x/2 pasa por los puntos (0,0) y (2,1) . Las soluciones de y ≥ x/2 son los puntos de su izquierda

Resolviendo los sistemas correspondientes calculamos los vértices de la región factible:

{y = x/2, x = 0} nos da el vértice O (0,0)

{x = 4, y = x/2} nos da el vértice A (4,2)

{x = 4, y = 4} nos da el vértice B (4,4)

{y = 4, x = 0} nos da el vértice C (0,4)

2) Representamos las rectas de nivel:

Inicialmente representamos Z = x + y = 0. Trasladándola hacia la derecha, obtenemos las rectas: x + y = 2, x + y = 4, x + y = 8, es decir aumenta el
nivel.

3) Obtenemos la solución óptima:

Se obtiene en el punto de la región factible que hace máximo Z. En nuestro caso esto ocurre en el punto B; es el último punto de contacto de esas
rectas con la región factible, para el que Z = 8.

Si hay dos vértices, P y Q, que se encuentran en la misma recta de nivel, de ecuación a: x + b y = k. Es evidente que todos los puntos del segmento PQ
son de esa recta; por tanto, en todos ellos f(x,y) vale k. Así pues, la solución óptima es cualquier punto de esa recta; en particular los vértices P y Q

3.3 Método Analítico o Método de los Vértices

El siguiente es un teorema fundamental de la programación lineal, nos permite conocer otro método de solucionar un sistema con dos variables.

En un programa lineal con dos variables, si existe una solución única que optimice la función objetivo, ésta se encuentra en un punto extremo (vértice)
de la región factible acotada, nunca en el interior de dicha región.

“Si la función objetivo toma el mismo valor óptimo en dos vértices, también toma idéntico valor en los puntos del segmento que determinan. En
el caso de que la región factible no es acotada, la función lineal objetivo no alcanza necesariamente un valor óptimo concreto, pero, si lo hace,
éste se encuentra en uno de los vértices de la región”

La evaluación de la función objetivo en los vértices de la región factible nos va a permitir encontrar el valor óptimo (máximo o mínimo) en alguno
de ellos
Veámoslo con un ejemplo:

Maximizar Z = f(x,y) = 3x + 8y

Sujeto a: 4x + 5y ≤ 40
2x + 5y ≤ 30
x ≥ 0, y ≥ 0

1) Hallar los puntos de corte de las rectas asociadas a las restricciones:

Calculamos las soluciones de cada uno de los seis sistemas de dos ecuaciones con dos incógnitas que se pueden formar con las cuatro restricciones:

{4x + 5y = 40, 2x + 5y = 30}. Solución: A (5,4)

{4x + 5y = 40, x = 0} Solución: B (0,8)
{4x + 5y = 40, y = 0}. Solución: C (10,0)
{2x + 5y = 30, x = 0} Solución: D (0,6)
{2x + 5y = 30, y = 0}. Solución: E (15,0)
{x = 0, y = 0} Solución: O (0,0)

2) Determinar los vértices de la región factible:

Los vértices de la región factible son aquellos puntos que cumplen todas las restricciones

Si sustituimos los puntos en cada una de las desigualdades tenemos que:

B no cumple la segunda restricción 2x + 5y ≤ 30, ya que 2(0) + 5(8) = 40. Por tanto, el punto B no es un vértice de la región factible

E no cumple la primera restricción 4x + 5y ≤ 40, ya que 4(15) + 5(0) = 60. Por tanto, el punto E no es un vértice de la región factible

Los puntos A, C, D y O verifican todas las desigualdades, son los vértices de la región factible.

3) Calcular los valores de la función objetivo en los vértices:

f(A) = f(5,4) = 3(5) + 8(4) =47

f(C) = f(10,0) = 3(10) + 8(0) =30

f(D) = f(0,6) = 3(0) + 8(6) =48

f(O) = f(0,0) = 3(0) + 8(0) = 0

La solución óptima corresponde al vértice para el que la función objetivo toma el valor máximo. En este caso es el vértice D (0,6)

3.4 Esquema Práctico

En un almacén se guarda aceite de girasol y de oliva. Para atender a los clientes se han de tener almacenados un mínimo de 20 bidones de aceite de
girasol y 40 de aceite de oliva y, además, el número de bidones de aceite de oliva no debe ser inferior a la mitad del número de bidones de aceite de
girasol. La capacidad total del almacén es de 150 bidones. Sabiendo que el gasto de almacenaje es el mismo para los dos tipos de aceite (1 unidad
monetaria). ¿Cuántos bidones de cada tipo habrá que almacenar para que el gasto sea máximo?

Nota: Puede parecer algo absurdo maximizar los gastos, pero se ha enunciado de esta forma para que el ejemplo sea lo más completo posible

Paso 1 Leer detenidamente el enunciado: determinar el objetivo, definir las variables y escribir la función objetivo.

El objetivo es: hallar cuántos bidones de cada tipo hay que almacenar para maximizar los gastos

Suponemos que tal objetivo se consigue almacenado x bidones de aceite de girasol e y de aceite de oliva
Cómo cada bidón de aceite de girasol cuesta almacenarlo 1 unidad monetaria y lo mismo para uno de aceite, los gastos serán x + y

Luego, la función objetivo es:

Maximizar la función Z = f(x,y) = x + y

Paso 2 Reordenar los datos del problema y a partir de las cantidades decididas, x e y, escribir el sistema de inecuaciones que determinan las
restricciones

Un mínimo de 20 bidones de aceite de girasol: x ≥ 20

Un mínimo de 40 bidones de aceite de oliva: y ≥ 40
El número de bidones de aceite de oliva no debe ser inferior a la mitad del número de bidones de aceite de girasol: y ≥ x/2
La capacidad total del almacén es de 150 bidones: x + y ≤150
Además, los números de bidones deben ser cantidades positivas: x ≥ 0 ; y ≥ 0

Paso 3 Expresar el problema en la forma matemática

Siguiendo con el ejemplo, sería:

Maximizar: Z = f(x,y) = x + y

sujeto a: x + y ≤ 150

y ≤ x/2

x ≥ 20 ; y ≥ 40

Aquí termina el planteamiento del problema. Para su resolución hay que continuar con:

Paso 4 Representar gráficamente las restricciones y marcar claramente la región factible

Para las restricciones anteriores debemos representar las rectas: x + y = 150, y = x/2, x = 20 e y = 40, obteniéndose la región factible que en la figura
se encuentra coloreada

Paso 5 Hallar las coordenadas de los vértices del polígono obtenido

Resolviendo los sistemas: {x = 20, y = 40}, {y = x/2, y = 40}, {y = x/2, x + y = 150}, {x + y = 150, x = 20}; se obtienen los vértices: A (20,40), B (80,40), C
(100, 50), D (20,130)

Paso 6 Sustituir las coordenadas de esos puntos en la función objetivo y hallar el valor máximo o mínimo.

Sustituyendo en f(x, y) = x + y, se tiene:

f(20,40) = 60 , f(80,40) = 120 , f(100, 50) = 150 , f(20,130) = 150

Como el valor máximo se obtiene en los puntos C y D, puede optarse por cualquiera de los dos, o por cualquier punto perteneciente al segmento que
los une. Así, por ejemplo, se obtendría el mismo gasto con 40 bidones de aceite girasol y 110 bidones de aceite de oliva; o 90 y 60 respectivamente.

Paso 7 También es conveniente representar las rectas de nivel para comprobar que la solución gráfica coincide con la encontrada. Esta
conveniencia se convierte en necesidad cuando la región factible es no acotada.

En nuestro caso, puede comprobarse que las rectas de nivel tienen la misma pendiente que la recta límite de la restricción x + y ≤ 150; por tanto,
hay múltiples soluciones.

Paso 8 Por último, como en la resolución de todo problema es necesario criticar la solución: cerciorarse de que la solución hallada es lógica y correcta

En este ejemplo, no todos los puntos del segmento CD son soluciones válidas, ya que no podemos admitir valores de x e y no enteros ,
como ocurriría en el punto (90.5,59.5)

Ejemplo

Se considera la región del plano determinada por las inecuaciones:

x+3≥y;8≥x+y;y≥x-3;x≥0;y≥0

a) Dibujar la región del plano que definen, y calcular sus vértices.

b) Hallar el punto de esa región en el que la función F(x, y) = 6x + 4y alcanza el valor máximo y calcular dicho valor.

Solución

a) Hay que dibujar la región factible correspondiente. Para ello vamos a representar las rectas:

x-y=-3;x+y=8;x-y=3

La región factible es la determinada por los vértices O, A, B, C y D.

Las coordenadas de los vértices son: A(3,0) ; B(5.5, 2.5) ; C(2.5, 5.5) ; D(0,3) y O(0,0)

b) Para determinar dónde la función objetivo F(x, y) = 6x + 4y alcanza su máximo, calculamos los valores que toma en los vértices:

F(A) = 18 ; F(B) = 43 ; F(C) = 37 ; F(D) = 12 ; F(O) = 0.

Luego la función alcanza su máximo en el vértice B y su valor es 43

Ejercicio Las restricciones pesqueras impuestas por la CEE obligan a cierta empresa a pescar como máximo 2.000 toneladas de merluza y 2.000
toneladas de rape, además, en total, las capturas de estas dos especies no pueden pasar de las 3.000 toneladas. Si el precio de la merluza es de
$1.000/kg y el precio del rape es de $1.500, ¿qué cantidades debe pescar para obtener el máximo beneficio?

4. Método Simplex

Los problemas reales de programación lineal generalmente tienen variables de decisión y muchas restricciones. Tales problemas no pueden ser
resueltos gráficamente. Se usan algoritmos tales como el simplex. El método simplex es un procedimiento iterativo que progresivamente permite
obtener una solución óptima para los problemas de programación lineal. 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 del simplex se basa en la siguiente propiedad: si la función objetivo, f, no toma su valor máximo en el vértice A, entonces hay una arista
que parte de A, a lo largo de la cual f aumenta.

El método del simplex se utiliza, sobre todo, para resolver problemas de programación lineal en los que intervienen tres o más variables

4.1 La forma Estándar

El método simplex empieza con el planteamiento de una función objetivo y ecuaciones de restricción. En el método Simplex se requiere que las
restricciones sean establecidas como igualdades. En los problemas de maximización se logra esto añadiendo variables de holgura (s) a cada
restricción. La holgura representa una cantidad no utilizada, o la diferencia entre lo que es usado y el límite de lo que puede usarse.

Si en lugar de maximizar se trata de un problema de minimizar se sigue el proceso siguiente:

Maximizar z = c1 x1 + c2 x2 + … + cn xn

Es equivalente a:

Maximizar g0 = - z = -c1 x1 - c2 x2 - … - cn xn

En consecuencia, en cualquier problema de programación lineal la función objetivo puede ponerse en la forma de maximización.

4.2 Algoritmo Simplex

Con miras a conocer la metodología que se aplica en el Método SIMPLEX, vamos a resolver el siguiente problema:

Maximizar Z= f(x, y) = 3x + 2y

sujeto a: 2x + y ≤ 18
2x + 3y ≤ 42
3x + y ≤ 24

X≥ 0 , y ≥ 0

Se consideran las siguientes fases:

1. Convertir las desigualdades en igualdades

Se introduce una variable de holgura por cada una de las restricciones, para convertirlas en igualdades, resultando el sistema de ecuaciones lineales:

2x + y + s1 = 18
2x + 3y + s2 = 42
3x + y + s3 = 24
2. Igualar la función objetivo a cero

- 3x - 2y + Z = 0

3. Escribir la tabla inicial simplex

En las columnas aparecerán todas las variables del problema con los coeficientes de cada variable que corresponden a cada ecuación de la
programación lineal, incluyendo una columna para la solución de cada ecuación, y en cada renglón, los coeficientes delas igualdades obtenidas, una
fila para cada restricción incluyendo los coeficientes de la función objetivo:

Tabla I. Iteración nº 1

Base z x y s1 s2 s3 solución
z 1 -3 -2 0 0 0 0
S1 0 2 1 1 0 0 18
S2 0 2 3 0 1 0 42
S3 0 3 1 0 0 1 24

4. Encontrar la variable de decisión que entra en la base y la variable de holgura que sale de la Base
A. Para escoger la variable de decisión que entra en la columna base, nos fijamos en la primer fila, la de los coeficientes de la función objetivo y
escogemos la variable con el coeficiente negativo mayor (en valor absoluto). En nuestro caso, la variable x de coeficiente - 3.
Si existiesen dos o más coeficientes iguales que cumplan la condición anterior, entonces se elige cualquiera de ellos. Si en la primer fila no existiese
ningún coeficiente negativo, significa que se ha alcanzado la solución óptima. Por tanto, lo que va a determinar el final del proceso de aplicación del
método del simplex, es que en la primer fila no haya elementos negativos. La columna de la variable que entra en la base se llama columna pivote
(En color azulado).

B. Para encontrar la variable de holgura que tiene que salir de la base, se divide cada término de la columna valores solución por el término
correspondiente de la columna pivote, siempre que estos últimos sean mayores que cero. En nuestro caso

básica x solución razones

S1 2 18 18 / 2= 9
S2 2 42 42 / 2 = 21
S3 3 24 24 / 3 = 8

Si hubiese algún elemento menor o igual que cero no se hace dicho cociente. En el caso de que todos los elementos fuesen menores o iguales a cero,
entonces tendríamos una solución no acotada y no se puede seguir. El término de la columna pivote que en la división anterior dé lugar al menor
cociente positivo, indica la fila de la variable de holgura que sale de la base, en este punto el pivote es el 3, ya que el cociente 8 es el menor. Esta fila
se llama fila pivote (En color azulado de la tabla de abajo). Si al calcular los cocientes, dos o más son iguales, indica que cualquiera de las variables
correspondientes pueden salir de la base. En la intersección de la fila pivote y columna pivote tenemos el elemento pivote operacional, 3

Base z x y s1 s2 s3 solución
z 1 -3 -2 0 0 0 0
S1 0 2 1 1 0 0 18
S2 0 2 3 0 1 0 42
S3 0 3 1 0 0 1 24

C. Encontrar los coeficientes de la nueva tabla. Los nuevos coeficientes de x se obtienen dividiendo todos los coeficientes de la fila X por el pivote
operacional, 3, que es el que hay que convertir en 1.

Base z x y s1 s2 s3 solución

x 0 3/3 = 1 1/3 0 0 1/3 24/3= 8

Y la tabla con la nueva ecuación pivote resultado de la operación anterior queda de la siguiente manera
 Base z x y s1 s2 s3 solución

x 0 1 1/3 0 0 1/3 8

la eliminación de x de todas las ecuaciones menos la pivote se logra sumando un múltiplo adecuado de la nueva ecuación pivote (cuyo elemento
pivote es 1) a cada una de las otras ecuaciones de la siguiente manera:

a) Multiplique la nueva ecuación pivote por +3 y súmela a la ecuación de z en el primer renglón

Base z x y s1 s2 s3 solución
z 1 -3+3=0 -2+1=-1 0 0 0+1=1 0+24=24

x 0 (1)3=3 (1/3)3=1 0 0 (1/3)3=1 (8)3=24

b) Multiplique la nueva ecuación pivote por – 2 y súmela a la ecuación de S1

Base z x y s1 s2 s3 solución
z 1 0 -1 0 0 1 24
S1 0 2-2=0 1-2/3=1/3 1 0 0-2/3=-2/3 18-16=2

x 0 (1)(-2)=-2 (1/3)(-2)=-2/3 0 0 (1/3)(-2)=-2/3 (8)(-2)=-16

c) Multiplique la nueva ecuación pivote por -2 y súmelo a la ecuación S2

Base z x y s1 s2 s3 solución
z 1 0 -1 0 0 1 24
S1 0 0 1/3 1 0 -2/3 2
S2 0 2-2=0 3-2/3=7/3 0 1 0-2/3=-2/3 42-16=26
x 0 (1)(-2)=-2 (1/3)(-2)=-2/3 0 0 (1/3)(-2)=-2/3 (8)(-2)=-16

Quedando la tabla simplex de la siguiente manera

Base z x y s1 s2 s3 solución
z 1 0 -1 0 0 1 24
S1 0 0 1/3 1 0 -2/3 2
S2 0 0 7/3 0 1 -2/3 26
x 0 1 1/3 0 0 1/3 8

Como en los coeficientes de la primer fila aún hay un negativo, significa que no hemos llegado todavía a la solución óptima y hay que repetir todo el
proceso.

A. La variable que entra en la base es y, por ser la variable que corresponde al coeficiente −1

B. Para calcular la variable que sale, dividimos los términos de la última columna (columna solución) entre los términos correspondientes de la nueva
columna pivote:

básica y solución razones

S1 1/3 2 2/(1/3)= 6
S2 7/3 26 26/(7/3)= 78/7
x 1/3 8 8/(1/3)= 24

y como el menor cociente positivo es 6, tenemos que la variable de holgura que sale es S1
 Base z x y s1 s2 s3 solución
z 1 0 -1 0 0 1 24
y 0 0 1/3 1 0 -2/3 2
S2 0 0 7/3 0 1 -2/3 26
x 0 1 1/3 0 0 1/3 8
C. El elemento pivote, que ahora hay que hacer 1, es 1/3 Operando de forma análoga a la anterior obtenemos la tabla:

Base z x y s1 s2 s3 solución
z
y 0 0 (1/3)/(1/3)=1 1/(1/3)=3 0 (-2/3)/(1/3)=-2 2/(1/3)=6
S2
x

La tabla queda de la siguiente manera

Base z x y s1 s2 s3 solución
z
y 0 0 1 3 0 -2 6
S2
x

la eliminación de y de todas las ecuaciones menos la pivote se logra sumando un múltiplo adecuado de la nueva ecuación pivote (cuyo elemento
pivote es 1) a cada una de las otras ecuaciones de la siguiente manera:

a) Multiplique la nueva ecuación pivote por 1 y súmela a la ecuación de z en el primer renglón

Base z x y s1 s2 s3 solución
z 1 0 -1+1=0 0+3=3 0 1+(-2)=-1 24+6=30
y 0 0 1 3 0 -2 6
S2
x

b) Multiplique la nueva ecuación pivote por – 7/3 y súmela a la ecuación de S2

Base z x y s1 s2 s3 solución
z 1 0 0 3 0 -1 30
y 0 0 1 3 0 -2 6
S2 0 0 7/3+(-7/3)=0 0+(-7)=-7 1 -2/3+(14/3)=4 26+(-14)=12
x

c) Multiplique la nueva ecuación pivote por -1/3 y súmelo a la ecuación x

Base z x y s1 s2 s3 solución
z 1 0 0 3 0 -1 30
y 0 0 1 3 0 -2 6
S2 0 0 0 -7 1 4 12
x 0 1 1/3+(-1/3)=0 0+(-1)=-1 0 1/3+2/3)=1 8+(-2)=6

Quedando la tabla simplex de la siguiente manera

Base z x y s1 s2 s3 solución
z 1 0 0 3 0 -1 30
y 0 0 1 3 0 -2 6
S2 0 0 0 -7 1 4 12
x 0 1 0 -1 0 1 6

Como en los elementos de la última fila hay uno negativo, −1, significa que no hemos llegado todavía a la solución óptima. Hay que repetir el proceso:
A. La variable que entra en la base es S3, por ser la variable que corresponde al coeficiente −1

B. Para calcular la variable que sale, dividimos los términos de la última columna (columna solución) entre los términos correspondientes de la nueva
columna pivote:

6/(−2) =−3, 12/4 =3, y 6/1 =6

y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es S2

C. El elemento pivote, que ahora hay que hacer 1, es 4.Obtenemos la tabla:

Base z x y s1 s2 s3 solución
z 1
y 0
S3 0 0 0 -7/4=-7/4 1/4 4/4=1 12/4=3
x

Primera iteración, para eliminar -1 de z hay que multiplicar el renglón pivote por 1 y sumarlo.

Base z x y s1 s2 s3 solución
z 1 0 0 3+(-7/4)= 5/4 0+1/4=1/4 -1+1=0 30+3=33
y 0
S3 0 0 0 -7/4 1/4 1 3
x

Segunda iteración. Para eliminar -2 de la ecuación de y hay que multiplicar por2 el renglón pivote y sumarlo al renglón de y

Base z x y s1 s2 s3 solución
z 1 0 0 5/4 1/4 0 33
y 0 0 1 3+(-7/2)=-1/2 0+(1/2)= 1/2 -2+(2)=0 6+(6)=12
S2 0 0 0 -7/4 1/4 1 3
x

Tercera iteración. Para eliminar 1 de la ecuación de x hay que multiplicar el renglón pivote por -1 y sumarlo a la ecuación de x

Base z x y s1 s2 s3 solución
z 1 0 0 5/4 1/4 0 33
y 0 0 1 -1/2 1/2 0 12
S2 0 0 0 -7/4 1/4 1 3
x 0 1 0 -1+(7/4)=3/4 0+(-1/4)=-1/4 1-1=0 6+(-3)=3

Finalmente la tabla Simplex queda como sigue

Base z x y s1 s2 s3 solución
z 1 0 0 5/4 1/4 0 33
y 0 0 1 -1/2 1/2 0 12
S2 0 0 0 -7/4 1/4 1 3
x 0 1 0 3/4 -1/4 0 3

Podemos observar que en renglón de la función objetivo ya no existen coeficientes negativos por lo que el sistema ha quedado resuelto, hemos
llegado a la solución óptima. Ahora la solución óptima viene dada por el valor de z en la columna de los valores solución, en este sistema es 33. En la
misma columna se puede observar el vértice donde se alcanza, observando las filas correspondientes a las variables de decisión que han entrado en
la base: O(3,12)

Ejercicio

1.- Resolver el siguiente problema por el método gráfico y Simplex

F. O. max Z = 100x1 + 200 x2

 S. A. 4x1 + 2x2 ≤ 16
8x1 + 8x2 ≤ 16
2x2 ≤ 10

X1 , x 2 ≥ 0

2.- Una compañía de Pintura produce pinturas tanto para interiores como para exteriores, a partir de dos materias primas, M1 y M2. Por cada
tonelada de pintura para interiores se requiere 4 toneladas de M1 y 2 toneladas de M2 y para cada tonelada de pintura para exteriores se requiere
de 6 toneladas de M1 y una de M2. Se dispone de 24 toneladas de M1 y 6 de M2 diariamente. La utilidad que arroja una tonelada de pintura para
exteriores es de 5000 dólares y de una tonelada de pintura para interiores es de 4000 dólares. La demanda máxima diaria de pintura para interiores
es de 2 toneladas. Además la demanda diaria de pintura para interiores no puede exceder a la de pintura para exteriores por más de una tonelada.
La compañía quiere determinar la mezcla de producción óptima de pinturas para interiores y exteriores que maximice las utilidades diarias y satisfaga
las limitaciones.