Manual de Investigación de Operaciones

MANUAL DE
INVESTIGACIÓN DE
OPERACIONES
BENEMÉRITA UNIVERSIDAD AUTÓNOMA DE PUEBLA
FACULTAD DE INGENIERÍA QUÍMICA
JOSÉ LUCIO PALACIOS ARIAS
AGOSTO 2021
Índice general
1. Introducción 1
1.1. ¿ Qué es la investigación de operaciones? . . 1
1.2. Método gráfico . . . . . . . . . . . . . . . . . 7
1.3. Videos de apoyo . . . . . . . . . . . . . . . . . 21
1.4. TAREA 1 . . . . . . . . . . . . . . . . . . . . . 21
2. Método simplex 23
2.1. Método simplex canónico . . . . . . . . . . . 26
2.2. Casos especiales del método simplex . . . . . 38
2.2.1. Primer caso, reglas lexicográficas . . . 38
2.2.2. Segundo caso, soluciones no acotadas 45
2.2.3. Tercer caso, soluciones óptimas múl-

tiples . . . . . . . . . . . . . . . . . . . 50
I
II ÍNDICE GENERAL
2.3. TAREA 2 . . . . . . . . . . . . . . . . . . . . . 55
2.4. Método de penalización . . . . . . . . . . . . 57
2.5. TAREA 3 . . . . . . . . . . . . . . . . . . . . . 69
2.6. Método de doble fase . . . . . . . . . . . . . 71
2.7. TAREA 4 . . . . . . . . . . . . . . . . . . . . . 84
3. Dualidad 87
3.1. Método simplex dual . . . . . . . . . . . . . . 91
3.2. TAREA 5 . . . . . . . . . . . . . . . . . . . . . 98
4. El problema de transporte 99
4.1. Método noroccidental . . . . . . . . . . . . . 110
4.2. Método de Vogel . . . . . . . . . . . . . . . . 123
4.3. Método MODI o algoritmo de transporte . . 145
4.4. TAREA 6 . . . . . . . . . . . . . . . . . . . . . 171

Capítulo 1
Introducción
1.1. ¿ Qué es la investigación de opera-

ciones?
La investigación de operaciones es la aplicación, por

gupos interdiciplinarios, del método científico a problemas
relacionados con el control de las organizaciones o sistemas
(hombre- máquina) a fín de que se produzcan soluciones
que mejor sirvan a los objetivos de toda la organización. La
investigación tiene sus inicios en 1759 cuando el economista
Quesnay empieza a utilizar modelos primitivos de progra-
mación matemática. No fue sino hasta la segunda guerra
mundial, cuando la Investigación de Operaciones empezo
a tomar auge. Primero se utilizó en la logistica estratégica
para vencer al enemigo (Teoría de juegos) y, más tarde al
finalizar la guerra, el la logística de distribución de todos
1
2 CAPÍTULO 1. INTRODUCCIÓN
los recursos militares de los aliados dispersos por todo el

mundo. Fue debido precisamente a este último problema,
que la fuerza aérea norteamericana, a través de su centro de
investigación Rand Corporation, comisionó a un grupo de
matemáticos para que resolviera este problema que estaba
consumiendo tantos recursos humanos, financieros y mate-
riales. Fue el Doctor George Dantzig, el cual en 1947, resu-
miendo el trabajo de muchos de sus precursores, inventara
el método simplex, con el cual dio inicio la investigación
de operaciones (el nombre es debido a la investigación de
operaciones militares ), más precisamente la programación
lineal.
En este trabajo describiremos de manera técnica una in-

troducción a los modelos de programación lineal. Actual-
mente el área matemática de optimización contiene el estu-
dio de la programación lineal y no lineal.
Empezaremos definiendo los modelos de estudio en es-

te curso.
Definición 1.1 Un modelo matemático de programación lineal

(PPL) es el modelo que se puede llevar a la forma:
Optimizar Z = c1 x1 + c2 x2 + ... + cn xn
sujeto a
a11 x1 + a12 x2 + ... ... + a1n xn ∗ b1
a21 x1 + a22 x2 + ... ... + a2n xn ∗ b2
... ...
am1 x1 + am2 x2 + ... ... + amn xn ∗ bm
donde a la función z = c1 x1 + c2 x2 + ... + cn xn se le lla-

ma función objetivo, las variables xi se les llama variables de
1.1. ¿ QUÉ ES LA INVESTIGACIÓN DE OPERACIONES?3
decisión, los coeficientes reales aij se les llama coeficientes

tecnológicos, los coeficientes reales ci se les llama coeficien-
tes de costo, los coeficientes reales bi se les llama coeficientes
de recursos, y donde la palabra Optimización es la palabra
maximizar (max) o minimizar (min); el símbolo ∗ puede ser
reeplazado por cualquiera de los símbolos <, ≤, >, ≥, =
Ejemplo 1.1 (Modelo canónico con coeficientes de recursos

no negativos) El Modelo canónico con coeficientes de recursos no
negativos tiene la forma
Max Z = c1 x1 + c2 x2 + ... + cn xn
sujeto a
a11 x1 + a12 x2 + ... ... + a1n xn ≤ b1
a21 x1 + a22 x2 + ... ... + a2n xn ≤ b2
... ...
am1 x1 + am2 x2 + ... ... + amn xn ≤ bm
xi ≥ 0
donde los coeficientes bi son coeficientes no negativos
Veamos la definición de solución óptima de un PPL.

Definición 1.2 Consideremos un PPL de la forma:
sujeto a
a11 x1 + a12 x2 + ... ... + a1n xn ∗ b1
a21 x1 + a22 x2 + ... ... + a2n xn ∗ b2
... ...
am1 x1 + am2 x2 + ... ... + amn xn ∗ bm
1. La región factible del PPL es el conjunto RF de puntos

X = ( x1 , ..., xn ) en el espacio ℜn que satisfacen cada una
de las restricciones. Si definimos con RFi , i = 1, 2, · · · , m
la región factible de cada restricción, entonces
m
\
RF = RFi
i =1
2. Una solución (si es que existe) óptima X = X0 es un punto

en la región factible RF que optimiza (maximiza o minimi-
za) a la función objetivo Z
Puede suceder que el PPL no tenga alguna solución,

tenga una solución única o tenga múltiples soluciones.
A continuación daré algunos ejemplos de modelos de

programación lineal.
Ejemplo 1.2 Una empresa fabrica dos modelos de fundas de so-

fá, A y B, que dejan unos beneficios de 40 y 20 euros respecti-
vamente. Para cada funda del modelo A se precisan 4 horas de
1.1. ¿ QUÉ ES LA INVESTIGACIÓN DE OPERACIONES?5
trabajo y 3 unidades de tela. Para fabricar una del modelo B se re-

quieren 3 horas de trabajo y 5 unidades de tela. La empresa dispo-
ne de 48 horas de trabajo y 60 unidades de tela. Si a lo más pueden
hacerse 9 fundas del modelo A. Construir el modelo de programa-
ción linial del problema. ¿Cuántas fundas de cada modelo han de
fabricarse para obtener el máximo beneficio y cual sería este?
Solución. Contruyamos el modelo de programación li-

neal.
1. Primero definamos las variables de decisión: Llame-

mos x = Cantidad de fundas del tipo A a fabricar, y =
Cantidad de fundas del tipo B a fabricar
2. Segundo definamos la función objetivo: Como cada

una funda de tipo A tiene un beneficio de 40 euros,
entonces x número de fundas de tipo A dejará un be-
neficio de 40x; y con un argumento semejante el be-
neficio de las y fundas de tipo B es 20y; así la función
objetivo es la suma Z = 40x + 20y
3. Tercero definamos las restricciones de horas de traba-

jo: Si una funda de tipo A requiere 4 horas de traba-
jo, entonces x núemero de fundas de tipo A requie-
ren 4x horas de trabajo; con un argumunto semejante
el número de horas de trabajo de y números de fun-
das de tipo B es 3y; y de acuerdo a que sólo se dis-
ponen de 48 horas de trabajo, entonces la primera res-
tricción será 4x + 3y ≤ 48. Con análisis semejante te-
nemos la restricción de unidades de tela requerida al
producir x fundas de tipo A, y y fundas de tipo B:
3x + 5y ≤ 60. Por último como a lo más sólo se pue-

den hacer 9 fundas del modelo A, entonces tenemos
la restricción: x ≤ 9. Así el Problema de programación
lineal queda de la manera siguiente:
Max Z = 40x + 20y

sujeto a
4x + 3y ≤ 48
3x + 5y ≤ 60
x≤9
x, y ≥ 0
Más adelante resolveremos la segunda parte del ejercicio
por alguno de los métodos que describiremos.
Ejercicio 1. En una granja de pollos se da una dieta, pa-

ra engordar, con una composición mínima de 15 unidades
de una sustancia A y otras 15 de una sustancia B. En el mer-
cado sólo se encuentra dos clases de compuestos: el tipo X
con una composición de una unidad de A y 5 de B, y el otro
tipo, Y, con una composición de cinco unidades de A y una
de B. El precio del tipo X es de 10 euros y del tipo Y es de
30 euros. Contruya el modelo de programación lineal que
represente al problema
Ejercicio 2. Un establecimiento de prendas deportivas

tiene almacenados 1600 bañadores, 1000 gafas de baño y 800
gorros de baño. Se quiere incentivar la compra de estos pro-
ductos mediante la oferta de dos tipos de lotes: el lote A, que
produce un beneficio de 8 euros, formado por un bañador,
un gorro y unas gafas, y el lote B que produce un benefi-
cio de 10 euros y está formado por dos bañadores y unas
1.2. MÉTODO GRÁFICO 7
gafas. Sabiendo que la publicidad de esta oferta tendrá un

costo de 1500 euros a deducir de los beneficios. Contruya el
modelo matemático que represente al problema
Ejercicio 3. Una empresa de instalaciones dispone de

195 kg de cobre, 20 kg de titanio y 14 kg de aluminio. Para
fabricar 100 metros de cable de tipo A se necesitan 10 kg
de cobre, 2 de titanio y 1 de aluminio, mientras que para
fabricar 100 metros de cable de tipo B se necesitan 15 kg
de cobre, 1 de titanio y 1 de aluminio. El beneficio que se
obtiene por 100 metros de cable de tipo A es de 1500 euros,
y por 100 metros de cable de tipo B, 1000 euros. Contruya el
modelo matemático que represente al problema.
Teorema 1.1 (Teorema fundamental de la programación li-

neal) Consideremos el siguiente PPL
sujeto a
a11 x1 + a12 x2 + ... ... + a1n xn ∗ b1
a21 x1 + a22 x2 + ... ... + a2n xn ∗ b2
... ...
am1 x1 + am2 x2 + ... ... + amn xn ∗ bm
la solución óptima ( si es que existe) de esté problema se halla en
los vértices de la frontera de la región factible
1.2. Método gráfico
En el caso de dos variables, primero tenemos que ha-

llar la región factible del PPL, que es la intersección de las
regiones factibles de cada restricción, y segundo de los vér-

tices de la frontera examinar cuales hacen óptima la función
objetivo del PPL.
El primer método para hallar la solución óptima de un

PPL es el método gráfico. A continuación describimos la
forma de como hallar la región factible de una restricción
de la forma ax + by ≤ c.
Proposición 1.1 Consideremos una restricción de la forma
ax + by ≤ c.
1. Si un punto ( x0 , y0 ) no está en la recta
ax + by = c
y sus coordenadas satisfacen dicha desigualdad, enton-

ces la región factible de esta desigualdad es el semiplano que
contiene dicho punto.
2. Si el punto ( x0 , y0 ) no está en la recta
ax + by = c
y sus coordenadas no satisfacen dicha desigualdad, en-

tonces la región factible de esta desigualdad es el semiplano
que no contiene dicho punto.
La proposición anterior también es cierta para inecuaciones

de la forma ax + by ≥ c, ax + by < c, ó ax + by > c.
Región factible
16
14
12 Región factible: Ax+By>C
10
8
y
6 (x0,y0)
2 (x0,y0) Satisface la inecuación Ax+By<C
0
0 2 4 6 8 10 12
x
Figura 1.1: Región factible
Ejemplo 1.3 Sea el PPL del ejemplo precedente
Max Z = 40x + 20y

sujeto a
4x + 3y ≤ 48
3x + 5y ≤ 60
x≤9
x, y ≥ 0
1. Hallar la región factible del PPL
2. Hallar la solución óptima del PPL por el método gráfico
3. Resolver el problema con Tora
Solución.
1. Las restricciones de no negatividad x, y ≥ 0 indican

que la región factible buscada RF está en el primer
cuadrante del plano cartesiano.
a) Hallemos la región factible RF1 de la restricción

4x + 3y ≤ 48: Para ello primero dibujemos la rec-
ta L1 : 4x + 3y = 48, para hacer esto hay que
generar dos puntos A, B que satisfagan a la recta
L1 . Si hacemos x = 0 en la recta 4x + 3y = 48
se obtiene y = 48 3 = 16, es decir, el punto es
A = (0, 16); de forma semejante si y = 0 en la
ecuación 4x + 3y = 48, se obtiene x = 12, es de-
cir, el punto B = (12, 0) está en la recta L1 . Dibu-
jando la recta:
16−(4/3) x
16
14
12
10
0
0 2 4 6 8 10 12
x
Figura 1.2: L1 : 4x + 3y = 48
Aplicando las proposiciones precedentes como (0,0)

satisfacen la restricción 4x + 3y ≤ 48 (en efecto
4(0) + 3(0) = 0 ≤ 48), entonces el semiplano in-
ferior a la recta L1 es la región factible RF1 de la
primera restricción:
Región factible
16
14
12 Región factible: 4x+3y>48
10
8
y
2 (0,0) Satisface la inecuación 4x+3y<48
0
0 2 4 6 8 10 12
x
Figura 1.3: RF1

b) De forma semejante se obtiene la región factible

RF2. Hallemos la región factible RF2 de la res-
tricción 3x + 5y ≤ 60: Para ello primero dibuje-
mos la recta L2 : 3x + 5y = 60, para hacer es-
to hay que generar dos puntos C, D que satisfa-
gan a la recta L2 . Si hacemos x = 0 en la recta
3x + 5y = 60 se obtiene y = 605 = 12, es decir, el
punto es C = (0, 12); de forma semejante si y = 0
en la ecuación 3x + 5y = 60, se obtiene x = 20,
es decir, el punto D = (20, 0) está en la recta L2 .
Dibujando la recta:
12−(3/5) x
12
10
0
0 5 10 15 20
x
Figura 1.4: L2 : 3x + 5y = 60

satisfacen la restricción 3x + 5y ≤ 60 (en efecto
3(0) + 5(0) = 0 ≤ 60), entonces el semiplano in-
ferior a la recta L2 es la región factible RF2 de la
segunda restricción:
Región factible
12
10
8 Región factible: 3x+5y>60
6
y
2 (0,0) Satisface la inecuación 3x+5y<60
0
0 5 10 15 20
x
Figura 1.5: RF2

c) Por último calculemos RF3 la región factible de

la restricción x ≤ 9. Para ello primero dibujemos
la recta L3 : x = 9. Dibujando la recta:
x+0 y=9
16
14
12
10
8
y
0
0 5 10 15 20
x
Figura 1.6: L3 : x = 9

satisfacen la restricción x ≤ 9 (en efecto 0 ≤ 9),
entonces el semiplano izquierdo a la recta L3 es
la región factible RF3 de la tercera restricción:
Región factible
16
14
12
10
8
y
2 (0,0) Satisface la inecuación x<9
0
0 1 2 3 4 5 6 7 8 9
x
Figura 1.7: RF3

T T
Así pués la región factible RF = RF1 RF2 RF3 que
es la región que satisface las tres condiciones de las
regiones RF1, RF2, y RF3 en el primer cuadrante del
plano cartesiano:
x+0 y=9
16
4x+3y=48
3x+5y=60
14
x=9
12
10
8
y
0
0 5 10 15 20
x
Figura 1.8: RECTAS

que al dibujarla tenemos:
Región factible
16
4x+3y=48
3x+5y=60
14
x=9
12
10
8
y
2 REGIÓN FACTIBLE
0
0 5 10 15 20
x
Figura 1.9: RF = RF1 ∩ RF2 ∩ RF3

2. Para hallar el punto óptimo del PPL, haremos uso del

teorema fundamental de la programción lineal. Para
ello es necesario hallar primero los puntos vértices de
la frontera de la región factible RF. De acuerdo a la
figura precedente los vértices son: V0 = (0, 0), V1 =
(0, 12), V2 = (9, 0), V3 = ( x, y), V4 = ( x, y), donde V3
es la intersección de las rectas L1 y L2 ; y V4 es la inter-
sección de las rectas L1 y L3 .
Hallemos las ccordenadas de V3 resolviendo el siste-
ma lineal:
4x + 3y = 48
3x + 5y = 60
60 96
que al resolverlo nos da x = 11 , y = 11 , por tanto V3 =
( 60 96
11 , 11 ).
Hallemos las ccordenadas de V4 resolviendo el siste-
ma lineal:
4x + 3y = 48
x = 9
que al resolverlo nos da x = 9, y = 4, por tanto V4 =
(9, 4).
Por último evaluemos la función objetivo Z = 40x +
20y en los vértices descritos:
a) La evaluación en el vértice V0 = (0, 0), nos pro-

porciona Z = 40(0) + 20(0) = 0
b) La evaluación en el vértice V1 = (0, 12), nos pro-
porciona Z = 40(0) + 20(12) = 240
c) La evaluación en el vértice V2 = (9, 0), nos pro-

porciona Z = 40(9) + 20(0) = 360
d) La evaluación en el vértice V3 = ( 60 96
11 , 11 ), nos pro-
60
porciona Z = 40( 11 ) + 20( 96 4320
11 ) = 11 = 392.72
e) La evaluación en el vértice V4 = (9, 4), nos pro-
porciona Z = 40(9) + 20(4) = 440
Con estos cálculos se concluye que la solución óptima

existe en el vértice V4 = (9, 4); por tanto se deben fa-
bricar x = 9 fundas del tipo A, y = 4 fundas del tipo
B para que el beneficio por venta se máximo, Z = 440
euros.
3. Al resolver con Tora tenemos:
Figura 1.10: Solución con Tora

Ejemplo 1.4 Se dispone de 120 refrescos de cola con cafeína y de

180 refrescos de cola sin cafeína. Los refrescos se venden en paque-
tes de dos tipos. Los paquetes de tipo A contienen tres refrescos con
cafeína y tres sin cafeína, y los de tipo B contienen dos con cafeína
y cuatro sin cafeína. El vendedor gana 6 euros por cada paquete
que venda de tipo A y 5 euros por cada uno que vende de tipo B.
Calcular de forma razonada cuántos paquetes de cada tipo debe
vender para maximizar los beneficios y calcular éste. Resuelva el
problema por el método gráfico.
Solución. La solución está en el siguiente video: https:

//correobuap-my.sharepoint.com/:v:/g/personal/josel_
palacios_correo_buap_mx/EfadQT-FCiNNr8kSWKTSJkYBGycNK1dpsN3v
e=zt9gwy
Ejemplo 1.5 Un establecimiento de prendas deportivas tiene al-

macenados 1600 bañadores, 1000 gafas de baño y 800 gorros de
baño. Se quiere incentivar la compra de estos productos mediante
la oferta de dos tipos de lotes: el lote A, que produce un beneficio
de 8 euros, formado por un bañador, un gorro y unas gafas, y el
lote B que produce un beneficio de 10 euros y está formado por dos
bañadores y unas gafas. Sabiendo que la publicidad de esta oferta
tendrá un costo de 1500 euros a deducir de los beneficios. Con-
truya el modelo matemático que represente al problema. Se pide
calcular el número de lotes A y B que harán máximo el beneficio y
a cuánto asciende éste. Resuelva el problema por el método gráfico.
Solución. La solución está en el siguiente video: https:

//correobuap-my.sharepoint.com/:v:/g/personal/josel_
palacios_correo_buap_mx/Ef5pmb2c9DJBnaDoAo7ot7QBDPg-
S3aAZNP3xpRo-OkKkg?e=P4xVWB
1.3. VIDEOS DE APOYO 21
1.3. Videos de apoyo
Se recominda ver los siguientes videos de apoyo sobre

el método gráfico:
1. https://1drv.ms/v/s!AqiejG_xUCiqjHIIPKNJt57m_r5i?
e=n3Ze6U
1.4. TAREA 1
1. Una compañía posee dos minas: la mina A produce
cada día 1 tonelada de hierro de alta calidad, 3 tone-
ladas de calidad media y 5 de baja calidad. La mina B
produce cada día 2 toneladas de cada una de las tres
calidades. La compañía necesita al menos 80 tonela-
das de mineral de alta calidad, 160 toneladas de cali-
dad media y 200 de baja calidad. Sabiendo que el costo
diario de la operación es de 2000 euros en cada mina
¿cuántos días debe trabajar cada mina para que el cos-
to sea mínimo?. Resuelva el problema por el método
gráfico.
2. Una empresa de transportes tiene dos tipos de camio-

nes, los del tipo A con un espacio refrigerado de 20m3
y un espacio no refrigerado de 40m3 . Los del tipo B,
con igual cubicaje total, al 50 % de refrigerado y no re-
frigerado. La contratan para el transporte de 3.000m3
de producto que necesita refrigeración y 4.000m3 de
otro que no la necesita. El costo por kilómetro de un
camión del tipo A es de 30 y el B de 40. ¿Cuántos ca-

miones de cada tipo ha de utilizar para que el costo
total sea mínimo?. Resuelva el problema por el méto-
do gráfico.
3. En una pastelería se hacen dos tipos de tortas: Viene-

sa y Real. Cada torta Vienesa necesita un cuarto de
relleno y un Kg. de bizcocho y produce un beneficio
de 250 Pts, mientras que una torta Real necesita me-
dio Kg. de relleno y un Kg. de bizcocho y produce
400 Ptas. de beneficio. En la pastelería se pueden ha-
cer diariamente hasta 150 Kg. de bizcocho y 50 Kg.
de relleno, aunque por problemas de maquinaria no
pueden hacer mas de 125 tortas de cada tipo. ¿Cuán-
tas tortas Vienesas y cuantas Reales deben vender al
día para que sea máximo el beneficio?
4. Unos grandes almacenes encargan a un fabricante pan-

talones y chaquetas deportivas. El fabricante dispone
para la confección de 750 m de tejido de algodón y
1000 m de tejido de poliéster. Cada pantalón requiere
1 m de algodón y 2 m de poliéster, cada chaqueta re-
quiere 1.5 m de algodón y 1 m de poliéster. El precio
del pantalón se fija en 50 € y el de la chaqueta en 40
€. ¿Qué número de pantalones y chaquetas debe su-
ministrar el fabricante a los almacenes para que éstos
consigan una venta máxima?
Capítulo 2
Método simplex
En este capítulo describimos los métodos analíticos bá-

sicos (sin demostración) para resolver problemas de progra-
mación lineal. Más precisamente hablando describiremos el
método simplex para problemas de tipo canónico, y los mé-
todos para problemas de tipo no canónico, el método sim-
plex de la gran M o penalización, y el método de doble fase.
Antes de describir el primer método daremos algunos

conceptos necesarios.
23
24 CAPÍTULO 2. MÉTODO SIMPLEX
Proposición 2.1 Los problemas de programación lineal
Min Z = c1 x1 + c2 x2 + ... + cn xn
sujeto a
a11 x1 + a12 x2 + ... ... + a1n xn ∗ b1
a21 x1 + a22 x2 + ... ... + a2n xn ∗ b2
... ...
am1 x1 + am2 x2 + ... ... + amn xn ∗ bm
y
Max W = − Z = −c1 x1 − c2 x2 − ... − cn xn

sujeto a
a11 x1 + a12 x2 + ... ... + a1n xn ∗ b1
a21 x1 + a22 x2 + ... ... + a2n xn ∗ b2
... ...
am1 x1 + am2 x2 + ... ... + amn xn ∗ bm
son equivalentes, es decir, tienen las mismas soluciones óptimas o
ambos no tienen solución. Donde se supone que las restricciones
de ambos problemas son las mismas.
Si una restricción de un PPL es de la forma

ai1 x1 + ai2 x2 + ... + ain xn ≤ bi
la región factible de dicha restricción no se altera si la inecua-
ción se multiplica o divide por cualquier constante distinta
de cero en ambos lados de la inecuación. Lo mismo ocurre
cuando la desigualdad es de la forma
ai1 x1 + ai2 x2 + ... + ain xn ≥ bi
25
o es de la forma
ai1 x1 + ai2 x2 + ... + ain xn = bi
Definición 2.1 Un PPL tiene la forma forma estándar si se el

PPL se puede llevar a la forma
Max Z = c1 x1 + ... + cn xn
sujeto a
a11 x1 + a12 x2 ... + a1n xn = b1
a21 x1 + a22 x2 ... + a2n xn = b2
... ...
am1 x1 + am2 x2 ... + amn xn = bm
xi ≥ 0
Si una desigualdad es de la forma

ai1 x1 + ai2 x2 + ... + ain xn ≤ bi
esta se puede llevar a la forma estándar si sumamos una va-
riable de holgura h ≥ 0 al lado izquierdo de la desigualdad
ai1 x1 + ai2 x2 + ... + ain xn + h = bi
Lo mismo ocurre para una desigualdad de la forma
ai1 x1 + ai2 x2 + ... + ain xn ≥ bi
esta se puede llevar a la forma estándar si restamos una va-
riable de exceso e ≥ 0 al lado izquierdo de la desigualdad
ai1 x1 + ai2 x2 + ... + ain xn − e = bi
Agregar variables de holgura o de exceso a una restricción
de un PPL no altera las soluciones óptimas del PPL. Esto
significa que todo PPL siempre se puede llevar a un PPL
de la forma estándar sin alterar las soluciones óptimas del
problema original.
2.1. Método simplex canónico
Este primer método sólo aplica para problemas que tie-

nen o que se pueden llevar a la forma canónica con coefi-
cientes de restricción no negativos.
Recordemos que un PPL tiene la forma canónica con

coeficientes de restricción si este problema tiene la forma
Max Z = c1 x1 + c2 x2 + ... + cn xn
sujeto a
a11 x1 + a12 x2 + ... ... + a1n xn ≤ b1
a21 x1 + a22 x2 + ... ... + a2n xn ≤ b2
... ...
am1 x1 + am2 x2 + ... ... + amn xn ≤ bm
xi ≥ 0
El algoritmo simplex para este tipo de PPL consiste en

una colección de pasos donde algunas variables considera-
das de entrada reemplazarán bajo ciertas condiciones a las
variables básicas consideradas de salida. El algoritmo fina-
liza cuando se satisfagan ciertas condiciones de optimali-
dad.
2.1. MÉTODO SIMPLEX CANÓNICO 27
Describimos el algoritmo mediante un ejemplo.
Ejemplo 2.1 Resolver el siguiente PPL por el método simplex

canónico
Min W = −5000x − 3000y

sujeto a
−3x − 5y ≥ −15
5x + 2y ≤ 10
x, y ≥ 0
Solución. Los pasos del algoritmo son los siguientes:
1. Pasar el PPL a la forma canónica con coeficientes de

restricción no negativos. Si esto no se puede llevar a
cabo el algoritmo no aplica para este tipo de PPL. Si
este paso es aplicable el PPL queda de la siguiente for-
ma:
Max Z = c1 x1 + c2 x2 + ... + cn xn
sujeto a
a11 x1 + a12 x2 + ... ... + a1n xn ≤ b1
a21 x1 + a22 x2 + ... ... + a2n xn ≤ b2
... ...
am1 x1 + am2 x2 + ... ... + amn xn ≤ bm
xi ≥ 0

En nuestro ejemplo el PPL original es equivalente al
PPL
Max Z = −W = 5000x + 3000y

sujeto a
3x + 5y ≤ 15
5x + 2y ≤ 10
x, y ≥ 0
El PPL se paso de Min a Max cambiando los signos

de la función objetivo, y la primera resticción −3x −
5y ≥ −15 se multiplicó por −1 a ambos lados de la
desigualdad para obtener 3x + 5y ≤ 15.
2. Pasar el PPL a la forma estándar agregando variables

de holgura a cada restricción, quedando como:
Max Z = c1 x1 + c2 x2 + ... + cn xn
sujeto a
a11 x1 + ... + a1n xn + h1 = b1
a21 x1 + ... + a2n xn + h1 = b2
... ...
am1 x1 + ... + amn xn + hm = bm
xi ≥ 0
En nuestro ejemplo el PPL queda:
Max Z = 5000x + 3000y

sujeto a
3x + 5y + h1 = 15
5x + 2y + h2 = 10
x, y ≥ 0
3. Se iguala la función objetivo a cero, quedando el PPL:

Max Z − c1 x1 − c2 x2 − ... − cn xn = 0
sujeto a
a11 x1 + ... + a1n xn + h1 = b1
a21 x1 + ... + a2n xn + h2 = b2
... ...
am1 x1 + ... + amn xn + hm = bm
xi ≥ 0
Nuestro ejemplo queda:
Max Z − 5000x − 3000y = 0

sujeto a
3x + 5y + h1 = 15
5x + 2y + h2 = 10
x, y ≥ 0
4. Se construye una tabla con los coeficientes del PPL de

la siguiente manera:
Z x1 x2 ... xn h1 h2 h3 ... hm sol.

v.b 1 − c1 − c2 ... −cn 0 0 0... 0 0
h1 0 a11 a12 ... a1n 1 0 0... 0 b1
h2 0 a21 a22 ... a2n 0 1 0... 0 b2
... ... ... ... ... ... ... ... ... ... ...
hm 0 am1 am1 ... amn 0 0 0... 1 bm
Las variables básicas en esta primera tabla siempre

serán las variables de holgura en el orden agrega-
das del paso anterior, (posteriormente, en las siguien-
tes tablas, puede entrar a ser variable básica cualquier
variable de decisión o de holgura, siempre y cuando

cumplan las condiciones de ser variable de entrada).
Nuestro ejemplo queda:
Z x y h1 h2 sol.
v.b 1 −5000 −3000 0 0 0
h1 0 3 5 1 0 15
h2 0 5 2 0 1 10
5. Se selecciona el coeficiente más negativo (que no sea

el valor de la solución) en la fila de la función obje-
tivo; este coeficiente nos señala la variable de entrada
(los empates se rompen en forma arbitraria, es decir, se
puede elegir cualquier coeficiente con estas caracteris-
ticas). La variable de entrada reemplazará a la variable
de salida que es una de las variables básicas, es decir,
una de las variables que están en la primera columna
de la tabla.
En nuestro ejemplo el coeficiente más negativo es el
−5000, lo cual nos indica que la variable de entrada es
la x. La variable x reemplazará a la variable de salida
que es una de las variables h1 o h2 .
6. Para elegir la variable de salida seguimos los siguien-

tes argumentos. Supongamos que la variable de entra-
da en nuestro problema abstracto es x j . Construyamos
el conjunto
( )
bi
:a >0 ,
aij ij
es decir, el conjunto de cocientes cuyo numerador es

un coeficiente de restricción bi , y cuyo denominador
es el coeficiente estrictamente positivo aij que está en
la intersección de la fila del coeficiente de restricción y
la columna correspondiente a la variable de entrada.
a) Consideramos el mínimo del conjunto construi-

do. Si el mínimo de este conjunto se halla en un
sólo cociente (singular), entonces, la variable bá-
sica que corresponda a la fila donde se halló el
mínimo será considerada como la variable de sa-
lida.
b) Consideramos el mínimo del conjunto construi-
do. Si el mínimo de este conjunto se halla en dos
o más cocientes, entonces, la variable básica de
salida será elegida aplicando las reglas lexicográ-
ficas que posteriormente veremos.
Observación. Si todos los coeficientes aij de la colum-

na de entrada son menores o iguales a cero, entonces
el P.P.L. tiene solución no acotada.
En nuestro problema concreto como

15 10
min , = min {5, 2} = 2
3 5
entonces la variable de salida dentro de las variables

básicas será h2 , que en su lugar será ocupada por la
variable de entrada x.
7. Pivoteamos (hacemos uno) el valor que está en la in-

tersección de la columna de la variable de entrada y
la fila de la variable de salida (pivote). Esta acción se
hace multiplicando a cada elemento de la fila del pi-

vote por el inverso multiplicativo del pivote. Además
en esta nueva tabla reemplazamos la variable básica
de salida por la variable de entrada.
En nuestro problema concreto pivoteamos el elemento
5, que está en la intersección de la columna de la va-
riable de entrada x, y la fila de la variable de salida h2 ,
es decir, el elemento a21 = 5. Esta acción se hace mul-
tiplicando a cada elemento de la segunda fila por 15 el
inverso multiplicativo de 5. Después de ejecutar esta
acción y cambiar la variable básica de salida h2 por la
variable de entrada x, obtemos la siguiente tabla:
Z x y h1 h2 sol.
v.b 1 −5000 −3000 0 0 0
h1 0 3 5 1 0 15
2 1
x 0 1 5 0 5 2
8. Hacemos ceros a todos los elementos de la columna

del pivote (excepto al pivote). Esto se hace utilizando
la fila del pivote y aplicando las operaciones elemen-
tales por renglones de matrices que se ve en álgebra
superior (las operaciones del Gauss- Jordan); a esta
acción le llamaremos convertir en vector unitario la
columna del pivote.
En nuestro caso. Si hacemos la operación,
R Z ← R Z + 5000R x ,
obtenemos la siguiente tabla:

Z x y h1 h2 sol.
v.b 1 0 −1000 0 1000 10,000
h1 0 3 5 1 0 15
2 1
x 0 1 5 0 5 2
Si aplicamos la operación Rh1 ← Rh1 − 3R x , obtene-

mos:
Z x y h1 h2 sol.
v.b 1 0 −1000 0 1000 10,000
19
h1 0 0 5 1 − 35 9
2 1
x 0 1 5 0 5 2
9. Se repiten los pasos del 5 − 8 (estos pasos les llamare-

mos operaciones básicas del método simplex canóni-
co), hasta que se cumplan las condiciones de optima-
lidad, es decir, hasta que todos los coeficientes del ren-
glón de la función objetivo (no cosiderando el valor de
la solución) sean no negativos, o sea ≥ 0. La tabla ob-
tenida se llama tabla óptima, y de ésta se obtiene la
solución óptima, asignando a cada variable básica el
valor del coeficiente de restricción que está en su fila;
y a cada variable que no sea básica se le asignará el
valor cero. El valor de la función objetivo será el valor
de la solución (sol.)
En nuestro ejemplo el valor de la función objetivo más
negativo es el -1000, que corresponde a la variable y,
por tanto esta variable es considerada como la varia-

ble de entrada. Y como
( )
9 2 45 45
min ,
19 2
= min ,5 =
5 5
19 19
entonces la variable de salida es h1 . Si pivoteamos el

elemento que está en la fila h1 , y en la columna de y,
con la acción
5
R h1 ← R
19 h1
obtenemos (después de cambiar h1 por y):
Z x y h1 h2 sol.
v.b 1 0 −1000 0 1000 10,000
5 3 45
y 0 0 1 19 − 19 19
2 1
x 0 1 5 0 5 2
Al hacer vectores unitarios a la columna del pivote por

medio de las operaciones
R Z ← R Z + 1000Ry
y
2
R x ← R x − Ry
5
se obtiene
Z x y h1 h2 sol.
5000 16,000 235,000
v.b 1 0 0 19 19 19
5 3 45
y 0 0 1 19 − 19 19
2 5 20
x 0 1 0 − 19 19 19
Finalmente como todos los coeficientes de la función

objetivo son no negativos, entonces las condiciones
de optimalidad se cumplen; por tanto, el algoritmo fi-
naliza, obteniendo con esto la tabla óptima. Así pues
la solución óptima del PPL es:
20 45
x= = 1.052, y= = 2.368
19 19
Cuyo valor en la función objetivo es
235, 000
Z= = 12, 368.42
19
Por lo tanto, el valor de W es
W = − Z = −12, 368.42
con los mismos valores

20 45
x= = 1.052, y= = 2.368
19 19
Resolvamos el PPL anterior por el método gráfico y por

el método analítico utilizando Tora:
Figura 2.1: Solución gráfica

Figura 2.2: Solución analítica
Ejemplo 2.2 Unos grandes almacenes encargan a un fabricante

pantalones y chaquetas deportivas. El fabricante dispone para la
confección de 750 m de tejido de algodón y 1000 m de tejido de
poliéster. Cada pantalón requiere 1 m de algodón y 2 m de poliés-
ter, cada chaqueta requiere 1.5 m de algodón y 1 m de poliéster. El
precio del pantalón se fija en 50 € y el de la chaqueta en 40 €. ¿Qué
número de pantalones y chaquetas debe suministrar el fabricante
a los almacenes para que éstos consigan una venta máxima?
Solución. Ver la solución la solución en el siguiente vi-

deo:
https://1drv.ms/v/s!AqiejG_xUCiqjHO4syoiPl6_SaJ7?
e=td8POL
2.2. Casos especiales del método sim-

plex
En esta sección describimos algunos casos especiales

que ocurren en los pasos del algoritmo simplex.
2.2.1. Primer caso, reglas lexicográficas
En este apartado describimos el caso de como resolver

los empates de una variable de salida, en los pasos del mé-
todo simplex canónico. Las reglas para la toma de decisión
de la variable de salida se conocen como las reglas lexico-
gráficas. En ocaciones si no se toman en cuenta estas reglas
puede que el algoritmo se cicle, es decir, las tablas vuelven
a ser las iniciales después de hacer algunas iteraciones del
método.
Describimos las reglas lexicográficas con un ejemplo.
Ejemplo 2.3 Resolver el siguiente PPL por el método simplex

canónico.
Max Z = 3x + 2y
sujeto a
x+y ≤ 6
2x − y ≤ 0
x≤2
x, y ≥ 0
Solución. Primero. Pasamos el P.P.L. a un modelo es-

2.2. CASOS ESPECIALES DEL MÉTODO SIMPLEX 39
tándar, agreagando variables de holgura. Al mismo tiempo

igualamos la función objetivo a cero.
Max Z − 3x − 2y = 0
sujeto a
x + y + h1 = 6
2x − y + h2 = 0
x + h3 = 2
x, y, h1 , h2 , h3 ≥ 0
Segundo. Hacemos la tabla del P.P.L. anterior,
Z x y h1 h2 h3 Sol.
v.b. 1 -3 -2 0 0 0 0
h1 0 1 1 1 0 0 6
h2 0 2 -1 0 1 0 0
h3 0 1 0 0 0 1 2
Como mı́n 16 , 02 , 21 = 0, entonces la variable de salida

es h2 . Después de pivotear, y hacer vector unitario a la co-

lumna del pivote, tenemos la siguiente tabla:
Z x y h1 h2 h3 Sol.
v.b. 1 0 − 72 0 3
2 0 0
3
h1 0 0 2 1 − 12 0 6
x 0 1 - 12 0 1
2 0 0
1
h3 0 0 2 0 - 12 1 2
La variable de entrada es y. Además como

!
6 2
mı́n ,
3 1
= mı́n(4, 4) = 4,
2 2
entonces, tenemos un empate para detectar la variable de

salida. Las variables candidatos a ser variables de salida
son h1 , h3 .
Para decidir la variable de salida seguimos los siguien-

tes pasos:
1. Ordenamos la tabla anterior, de tal forma que en las

primeras columnas estén las columnas que correspon-
den a las variables básicas, ordenadas según la base
estándar presentada en ℜn . Las demás columnas pue-
den ser dispuestas en cualquier orden, de preferencia
empezando con las variables de decisión, de holgura,
de exceso, y artificiales según se fueron definiendo en
el P.P.L.
En nuestro caso, tenemos la siguiente tabla:
Z h1 x h3 y h2 Sol.
v.b. 1 0 0 0 − 72 3
2 0
3
h1 0 1 0 0 2 − 12 6
x 0 0 1 0 − 12 1
2 0
1
h3 0 0 0 1 2 − 12 2
2. Formamos el conjunto de variables que son candida-
tos a ser variables de salida, es decir, en nuestro caso
el conjunto,
{ h1 , h3 }
3. Se considera la variable de entrada, en nuestro caso es
y, y se elige el mínimo del conjunto de cocientes obte-
nidos al dividir cada elemento de la primera columna
básica (los valores en la función objetivo no partici-
pan) entre los respectivos elementos de la columna de
entrada, sólo participando en estos cocientes los ele-
mentos de la primera columna que corresponden a las
filas de las variables que son candidatos a variables de
salida. Si el mínimo es singular, es decir, sólo se logra
en un cociente, entonces, el cociente que describa el
mínimo señalará la variable de salida. Si el mínimo no
es singular, entonces seguimos el paso 4.
En nuestro caso, tenemos:
!
1 0 2
mı́n 3 , 1 = mı́n ,0 = 0
2 2
3
Por tanto, la variable de salida es h3 .

4. Si el mínimo no es singular, es decir, hay varios co-

cientes con el mismo mínimo, entonces, se forma el
conjunto de variables correspondientes a este mismo
cociente mínimo, y estas variables serán las nuevas
candidatas a variables de salida. Se elige ahora el mí-
nimo de cocientes obtenidos al dividir cada elemento
de la segunda columna básica (los valores en la fun-
ción objetivo no participan) entre los respectivos ele-
mentos de la columna de entrada, sólo participando
en estos cocientes los elementos de la segunda colum-
na que corresponden a las filas de las nuevas variables
que son candidatos a variables de salida. Si el mínimo
es singular, es decir, sólo se logra en un cociente, en-
tonces, el cociente que describa el mínimo señalará la
variable de salida. Si el mínimo no es singular, enton-
ces seguimos el paso 5.
5. Si el mínimo no es singular, es decir, hay varios co-

cientes con el mismo mínimo, entonces, se forma el
conjunto de variables correspondientes a este mismo
cociente mínimo, y estas variables serán las nuevas
candidatas a variables de salida. Se elige ahora el mí-
nimo de cocientes obtenidos al dividir cada elemento
de la tercera columna básica (los valores en la función
objetivo no participan) entre los respectivos elementos
de la columna de entrada, sólo participando en estos
cocientes los elementos de la tecera columna que co-
rresponden a las filas de las nuevas variables que son
candidatos a variables de salida. Si el mínimo es sin-
gular, es decir, sólo se logra en un cociente, entonces,
el cociente que describa el mínimo señalará la varia-
ble de salida. Si el mínimo no es singular, repetimos el
proceso descrito con la cuarta, quinta, etc, hasta llegar

a la última columna de las variables básicas.
Como ya se mensionó la variable de salida en nuestro

PPL es h3 . Después de pivotear y cambiar h3 por y, obtene-
mos la siguiente tabla:
Z h1 x h3 y h2 Sol.
v.b. 1 0 0 0 − 72 3
2 0
3
h1 0 1 0 0 2 − 12 6
x 0 0 1 0 − 21 1
2 0
y 0 0 0 2 1 -1 4
Al hacer ceros a la columna del pivote, se obtiene:
Z h1 x h3 y h2 Sol.
v.b. 1 0 0 7 0 -2 14
h1 0 1 0 -3 0 1 0
x 0 0 1 1 0 0 2
y 0 0 0 2 1 -1 4
Por último. La variable de entrada es h2 , y es claro que

la variable de salida es h1 . Después de pivotear, hacer el
cambio de h1 por h2 en las variables básicas, y hacer ceros a
la columna del pivote, se obtiene la siguiente tabla:
Z h1 x h3 y h2 Sol.
v.b. 1 2 0 1 0 0 14
h2 0 1 0 -3 0 1 0
x 0 0 1 1 0 0 2
y 0 1 0 -1 1 0 4
La cual es una tabla óptima. Por consiguiente,
x = 2, y = 4, Z = 14.
Observación. Las reglas lexicográficas también se apli-

can cuando se tienen empates en las variables de salida de
los métodos de penalización y doble fase que posteriormen-
te describiremos.
Ejercicios 2.2.1 Resolver el siguiente PPL.
Max Z = 3x + 9y
sujeto a
x + 4y ≤ 8
x + 2y ≤ 4
x, y ≥ 0
2.2.2. Segundo caso, soluciones no acotadas
En esta sección describimos un ejemplo de un PPL con

soluciones no acotadas.
Recordemos lo siguiente: Si en alguna iteración del mé-

todo simplex canónico tenemos una variable de entrada (es-
ta variable tiene el coeficiente más negativo en la función
objetivo), y todos los coeficientes de la columna de esta va-
riable son menores o iguales a cero, entonces, el PPL tiene
una solución no acotada.
Ejemplo 2.4 (Soluciones no acotadas). Resolver el siguiente

PPL.
Max Z = 4x + 4y
sujeto a
−2x + 2y ≤ 2
− x + 2y ≤ 4
x, y ≥ 0
Solución. Primero. Pasamos el PPL a la forma entándar

(en este caso el PPL ya es de la forma max) con coeficien-
tes de restricción no negativos. Para hacer esto, sumamos
variables de holgura a cada restricción.
Max Z = 4x + 4y
sujeto a
−2x + 2y + h1 = 2
− x + 2y + h2 = 4
x, y, h1 , h2 ≥ 0
Segundo. Pasamos la función objetivo a cero.
Max Z − 4x − 4y = 0
sujeto a
−2x + 2y + h1 = 2
− x + 2y + h2 = 4
x, y, h1 , h2 ≥ 0
Tercero. Hacemos la tabla con los coeficientes del PPL

anterior. Recuerde que en este modelo canónico las varia-
bles básicas en esta primera tabla son las variables de hol-
gura, de preferencia se agregan en el orden que se tiene en
el PPL anterior.
Z x y h1 h2 sol.
v.b 1 -4 -4 0 0 0
h1 0 -2 2 1 0 2
h2 0 -1 2 0 1 4
Cuarto. Elegimos la variable de entrada. Como hay em-

pates, se puede elegir cualquiera de las variables. Elegimos
como variable de entrada a y. Como

2 4
mı́n , = mı́n(1, 2) = 1,
2 2
entonces, la variable de salida es h1 .

Z x y h1 h2 sol.
v.b 1 -4 -4 0 0 0
h1 0 -2 2 1 0 2
h2 0 -1 2 0 1 4
Quinto. Pivoteamos el elemento que está en la intersec-

ción de la columna de entrada y la fila de salida, en nuestro
caso, al 2.
Z x y h1 h2 sol.
v.b 1 -4 -4 0 0 0
1
h1 0 -1 1 2 0 1
h2 0 -1 2 0 1 4
Sexto. Hacemos ceros a la columna del pivote, y cam-

biamos h1 por y en las variables básicas:
Z x y h1 h2 sol.
v.b 1 -8 0 2 0 4
1
y 0 -1 1 2 0 1
h2 0 1 0 -1 1 2
Séptimo. La variable de entrada es x. Es claro que la va-

riable de salida es h2 . Después de pivotear, y hacer el cambio
de h2 por x en las variables básicas, tenemos
Z x y h1 h2 sol.
v.b 1 -8 0 2 0 4
1
y 0 -1 1 2 0 1
x 0 1 0 -1 1 2
Octavo. Hacemos ceros a los elementos de la columna

del pivote:
Z x y h1 h2 sol.
v.b 1 0 0 -6 8 20
y 0 0 1 - 12 1 3
x 0 1 0 -1 1 2
Observar que la variable de entrada es h1 , y que todos

los coeficientes de la columna de entrada son menores o
iguales a cero, por tanto, el PPL original tiene soluciones
no acotadas.
Observación. La regla para ver cuando un PPL tiene

soluciones no acotadas también es válida para los métodos
de penalización y doble fase que despues describiremos.
La representación geométrica de este PPL es:

Figura 2.3: Soluciones no acotadas
Max Z = 2x + y
sujeto a
x − y ≤ 10
2x ≤ 40
x, y ≥ 0
2.2.3. Tercer caso, soluciones óptimas múltiples
En esta sección describimos cuando un PPL tiene so-

luciones óptimas múltiples. La regla para describir esto se
basa en el siguiente teorema:
Teorema 2.1 (Soluciones múltiples). Si en alguno de los pasos

básicos del método simplex canónico (variable de entrada, variable
de salida, pivoteo, y vectores unitarios) hallamos un coeficiente
cero en la función objetivo, y este coeficiente corresponde a una
variable que no está en la base, y si además tenemos que:
1. Todos coeficientes de la columna de esta variable son estric-

tamente positivos.
2. Todos los coeficientes de la función objetivo son no negati-
vos.
Entonces, el PPL tiene soluciones múltiples.
Ejemplo 2.5 (Soluciones múltiples). Resolver el siguiente PPL.

Max Z = 5x + 2y
sujeto a
6x + 10y ≤ 30
10x + 4y ≤ 20
x, y ≥ 0
Solución. Primero. Pasamos el PPL a la forma entándar

(en este caso el PPL ya es de la forma max) con coeficien-
tes de restricción no negativos. Para hacer esto, sumamos
variables de holgura a cada restricción.
Max Z = 5x + 2y
sujeto a
6x + 10y + h1 = 30
10x + 4y + h2 = 20
x, y, h1 , h2 ≥ 0
Segundo. Igualamos la función objetivo a cero:
Max Z − 5x − 2y = 0
sujeto a
6x + 10y + h1 = 30
10x + 4y + h2 = 20
x, y, h1 , h2 ≥ 0
Tercero. Hacemos la tabla con los coeficientes del PPL

anterior. Recuerde que en este modelo canónico las varia-
bles básicas en esta primera tabla son las variables de hol-
gura, de preferencia se agregan en el orden que se tiene en
el PPL anterior.
Z x y h1 h2 sol.
v.b 1 -5 -2 0 0 0
h1 0 6 10 1 0 30
h2 0 10 4 0 1 20
Cuarto. La variable de entra es x, y como

30 20
mı́n , = mı́n(5, 2) = 2,
6 10
entonces, la variable que sale es h2 . Despues de pivotear, y

cambiar h2 por la variable x en las variables básicas, tene-
mos:
Z x y h1 h2 sol.
v.b 1 -5 -2 0 0 0
h1 0 6 10 1 0 30
2 1
x 0 1 5 0 10 2
Quinto. Hacemos vector unitario a la columna del pi-

vote.
Z x y h1 h2 sol.
1
v.b 1 0 0 0 2 10
38
h1 0 0 5 1 − 35 18
2 1
x 0 1 5 0 10 2
Observemos que tenemos un cero en la función obje-

tivo que corresponde a la variable y, que es una variable
que no está en la base, y que además todos los coeficientes
de la columna de esta variable son estrictamente positivos,
y también tenemos que todos los coeficientes de la función
objetivo son no negativos. Por tanto, en virtud del teorema
precedente, el PPL tiene soluciones múltiples.
Una solución de este PPL según la tabla anterior es:

x = 2, y = 0, Z = 10.
Para obtener otra solución de este PPL, haremos una

iteración más. Para ello consideramos como variable de en-
trada a la variable que satisface las hipótesis del teorema
precedente. En nuestro caso y es la variable de entrada. Pos-
teriormente, calculamos la variable de salida (eligiéndola
con las reglas de costumbre), se pivotea como de costumbre,
y por último, se hace vector unitario la columna del pivote.
De esta nueva tabla se obtiene la solución alternativa.
Después de hacer los pasos señalados, tenemos que la

variable que entra es y, y la variable de salida es h1 . Después
de pivotear, y hacer vector unitario la columna del pivote,
y cambiar h1 por y en las varibles básicas, obtenemos la si-
guiente tabla óptima:
Z x y h1 h2 sol.
1
v.b 1 0 0 0 2 10
5 30 90 .
y 0 0 1 38 − 380 38
1 125 20
x 0 1 0 - 19 950 19
La nueva solución es
20 90 45
x= , y= = , Z = 10.
19 38 19
Observación. La regla para ver cuando un PPL tiene

soluciones múltiples también es válida para los métodos de
penalización y doble fase que despues describiremos.
La representación geométrica de este PPL es:
Figura 2.4: Soluciones múltiples
Max Z = 2x + 4y
sujeto a
x + 2y ≤ 5
x+y ≤ 4
x, y ≥ 0
2.3. TAREA 2 55
2.3. TAREA 2
Resuelva los siguientes ejercicios por el método sim-

plex canónico. Hacer un video de sólo un problema, el que
gusten.
1. En una pastelería se hacen dos tipos de tortas: Viene-

sa y Real. Cada torta Vienesa necesita un cuarto de
relleno y un Kg. de bizcocho y produce un beneficio
de 250 Pts, mientras que una torta Real necesita me-
dio Kg. de relleno y un Kg. de bizcocho y produce
400 Ptas. de beneficio. En la pastelería se pueden ha-
cer diariamente hasta 150 Kg. de bizcocho y 50 Kg.
de relleno, aunque por problemas de maquinaria no
pueden hacer mas de 125 tortas de cada tipo. ¿Cuán-
tas tortas Vienesas y cuantas Reales deben vender al
día para que sea máximo el beneficio?
2. Una perfumería produce el perfume “OXES”. Este per-

fume requiere de Esencia y Fijador para su produc-
ción. Dos procesos están disponibles. El proceso “A”
transforma 1 onza de fijador y 2 onzas de esencia en 3
onzas de perfume. El proceso “B” transforma 2 onzas
de fijador y 3 onzas de esencia en 5 onzas de perfu-
me. Cada onza de fijador le cuesta a la perfumería Bs.
10,000 y cada onza de esencia Bs. 15,000. Se tiene una
disponibilidad máxima de 200 onzas de fijador y un
máximo de 350 onzas de esencia para este período de
planificación. Para estimular la demanda la perfume-
ría ha contratado una publicidad por un costo total de
Bs. 4,000,000. El perfume se vende en embases de una
onza a Bs. 40,000 c/u. Determine la producción ópti-

ma que permita obtener la máxima utilidad tomando
en cuenta que se debe producir únicamente lo que se
va a embasar.
3. Unos grandes almacenes encargan a un fabricante pan-

talones y chaquetas deportivas. El fabricante dispone
para la confección de 750 m de tejido de algodón y
1000 m de tejido de poliéster. Cada pantalón requiere
1 m de algodón y 2 m de poliéster, cada chaqueta re-
quiere 1.5 m de algodón y 1 m de poliéster. El precio
del pantalón se fija en 50 € y el de la chaqueta en 40
€. ¿Qué número de pantalones y chaquetas debe su-
ministrar el fabricante a los almacenes para que éstos
consigan una venta máxima?
2.4. MÉTODO DE PENALIZACIÓN 57
2.4. Método de penalización
El método de penalización o de la grán M aplica para

problemas que no se pueden llevar a la forma canónica con
coeficientes no negativos, es decir, para problemas que no
se pueden llevar a la forma:
Max Z = c1 x1 + c2 x2 + ... + cn xn
sujeto a
a11 x1 + a12 x2 + ... ... + a1n xn ≤ b1
a21 x1 + a22 x2 + ... ... + a2n xn ≤ b2
... ...
am1 x1 + am2 x2 + ... ... + amn xn ≤ bm
xi ≥ 0
Describimos enseguida el algoritmo mostrando un ejem-

plo.
Ejemplo 2.6 Resolver el siguiente problema por el método de pe-

nalización.
Min Z = −3x + 5y
sujeto a
x≤4
y≤6
−3x − 2y ≤ −18
x, y ≥ 0

1. Pasar el PPL a un PPL de tipo maximización, con co-

eficientes de restricción no negativos en cada restric-
ción, y con condiciones de no negatividad de las varia-
bles de decisión. El método de penalización no aplica
si éste se puede llevar a la forma canónica con coefi-
cientes de restricción no negativos.
En nuestro caso particular el PPL se puede llevar a la
forma
Max W = 3x − 5y
sujeto a
x≤4
y≤6
3x + 2y ≥ 18
x, y ≥ 0
así que el algoritmo de penalización es aplicable.
2. Pasar a la forma estándar el PPL anterior. Para hacer

esto se suman variables de holgura a cada restricción
de tipo ≤, y se restan variables de exceso a cada res-
tricción de tipo ≥; a las restricciones de tipo =, es de-
cir, las restricciones que son ecuaciones, nada se agre-
ga.
Max W = 3x − 5y
sujeto a
x + h1 = 4
y + h2 = 6
3x + 2y − e = 18
x, y, h1 , h2 , e ≥ 0
3. En cada restricción donde se restó una variable de ex-

ceso y por cada restricción de tipo =, (donde nada se
agregó en el paso anterior) sumar una variable no ne-

gativa R llamada artificial., es decir, R ≥ 0.
Max W = 3x − 5y
sujeto a
x + h1 = 4
y + h2 = 6
3x + 2y − e + R = 18
x, y, h1 , h2 , e, R ≥ 0
4. Penalizar la función objetivo. Esto significa que se res-

tará a la función objetivo la suma del producto de las
variables artificiales por una constante M positiva (con-
p
siderada muy grande); es decir, la suma ∑i=1 MRi ,
donde p es el número de variables artificiales agrega-
das.
Max W = 3x − 5y − RM
sujeto a
x + h1 = 4
y + h2 = 6
3x + 2y − e + R = 18
x, y, h1 , h2 , e, R ≥ 0
5. Igualar la función objetivo a cero; es decir, pasar todos

los términos de la función objetivo a la izquierda de la
igualdad (cambiando su signo)
Max W − 3x + 5y + RM = 0
sujeto a
x + h1 = 4
y + h2 = 6
3x + 2y − e + R = 18
x, y, h1 , h2 , e, R ≥ 0
6. Hacer una tabla con los coeficientes del PPL, semejan-

te como la que se realizó en el método canónico. Las
variables básicas en esta primera tabla serán sólo las
variables de holgura y artificiales según el orden en
que se fueron agregando en los pasos anteriores (en
las siguientes tablas pueden entrar a variables básicas
cualquier variable de decisión, de holgura, exceso o
artificial, siempre y cuando se satisfagan las condicio-
nes de variable de entrada).
W x y h1 h2 e R sol.
v.b. 1 -3 5 0 0 0 M 0
h1 0 1 0 1 0 0 0 4
h2 0 0 1 0 1 0 0 6
R 0 3 2 0 0 -1 1 18
7. Hacer cero a las M que aparece en la función objeti-

vo de cada columna de las variables artificiales. Esto
se hace utilizando las filas de las variables artificiales
y las operaciones elementales por renglones de matri-
ces.
En nuestro caso realizamos la operación
RW ← RW − MR R
v.b. 1 -3-3M 5-2M 0 0 M 0 -18M
h1 0 1 0 1 0 0 0 4
h2 0 0 1 0 1 0 0 6
R 0 3 2 0 0 -1 1 18
8. Suponemos que la constante M positiva es un valor
extremadamente grande (De aquí el nombre del méto-
do de la grán M), y repetimos los pasos del 5 − 8 (ope-
raciones básicas del método simplex canónico), descri-
tos en el algoritmo canónico, hasta que se cumplan las
condiciones de optimalidad, es decir, hasta que todos
los coeficientes del renglón de la función objetivo (no
cosiderando el valor de la solución) sean no negativos,
o sea ≥ 0. Si en esta última tabla todas las variables
artificiales son ceros, entonces el PPL original tiene
solución óptima, que se obtiene asignando a cada va-
riable básica el valor del coeficiente de restricción que
está en su fila; y a cada variable que no sea básica se le
asignará el valor cero. El valor de la función objetivo
será el valor de la solución (sol.). Si alguna variable
artificial es positiva entonces el PPL original no tiene
solución.
Realicemos los pasos mensionados para nuestro caso
particular:
a) En nuestro ejemplo como M es considerada posi-
tiva muy grande, entonces el valor −3 − 3M es el
valor más negativo, por tanto la variable de en-
trada es la x. Para señalar la variable de salida
hacemos

4 18
min , = min {4, 6} = 4
1 3
que nos indica que la variable de salida es h1 . Pi-

voteando el elemento que está en la intersección
de la columna de entrada y la fila de la variable
de salida tenemos la tabla siguiente (en este caso
no hay necesidad de pivotear pues ya es uno el
elemento), no olvidar hacer el cambio de la va-
riable de salida por la variable de entrada:
v.b. 1 -3-3M 5-2M 0 0 M 0 -18M
x 0 1 0 1 0 0 0 4
h2 0 0 1 0 1 0 0 6
R 0 3 2 0 0 -1 1 18
b) Hacemos vectores unitarios a la columna del pi-

vote haciendo las operaciones
RW ← RW + (3 + 3M ) R x
R R ← R R − 3R x
se tiene
v.b. 1 0 5-2M 3+3M 0 M 0 12-6M
x 0 1 0 1 0 0 0 4
h2 0 0 1 0 1 0 0 6
R 0 0 2 -3 0 -1 1 6
c) Como M es positiva considerada muy grande, en-
tonces la constante 5 − 2M es la más negativa,
por tanto la variable de entrada es y. Para hallar
la variable de salida hacemos

6 6
min , = min{6, 3} = 3
1 2
lo cual nos señala que la variable de salida es R.
Haciendo los cambios de variables y pivoteando
(haciendo R R ← 12 R R ) tenemos la tabla siguiente:
v.b. 1 0 5-2M 3+3M 0 M 0 12-6M
x 0 1 0 1 0 0 0 4
h2 0 0 1 0 1 0 0 6
y 0 0 1 - 32 0 - 12 1
2 3
d) Haciendo vectores unitarios a la columna del pi-
vote con las operaciones
RW ← RW + (−5 + 2M) Ry
y
Rh2 ← Rh2 − 1Ry
obtenemos
21 5
v.b. 1 0 0 2 0 2 M- 25 -3
x 0 1 0 1 0 0 0 4
3 1
h2 0 0 0 2 1 2 - 21 3
y 0 0 1 - 32 0 - 21 1
2 3
Como M es considerada muy grande entonces

todos los coeficientes de la función objetivo son
≥ 0, por tanto las condiciones de optimalidad se
cumplen; y como además la única variable artifi-
cial R = 0 (no aparece como variable básica), en-
tonces el PPL original tiene solución óptima que
es
W = −3, x = 4, y = 3
y finalmente cambiando el signo de la función
objetivo (Z=-W), se obtiene la solución del PPL
original:
Z = 3, x = 4, y = 3
Resolvamos el problema utilizando Tora:

Ejemplo 2.7 Una persona para recuperarse de una cierta enfer-

medad tiene que tomar en su alimentación dos clases de compo-
nentes que llamaremos A y B. Necesita tomar 70 unidades de A y
120 unidades de B. El médico le da dos tipos de dietas en las que
la concentración de dichos componentes es:
1. Dieta D1: 2 unidades de A y 3 unidades de B
2. Dieta D2: 1 unidad de A y 2 unidades de B.
Sabiendo que el precio de la dieta D1 es 2.5 €. y el de la dieta D2

es 1.45 €. ¿Cuál es la distribución óptima para el menor costo?.
Resolver por el método de penalización.
Solución Ver la solución en los siguientes videos:

1. https://correobuap-my.sharepoint.com/personal/
josel_palacios_correo_buap_mx/Documents/Videos%
20de%20investigaci%C3%B3n%20de%20operaciones/EJEMPLO%
20M%C3%89TODO%20DE%20PENALIZACI%C3%93N.mp4
2. https://www.youtube.com/watch?v=eTMJDV6QQFs&feature=
youtu.be
Ejemplo 2.8 Resolver por el método de penalización el siguiente

PPL:
Min Z = 500x + 600y
sujeto a
x + y ≥ 80
−25x − 30y ≥ −1500
x, y ≥ 0
Solución. Ver la solución en el siguiente video:
https://www.youtube.com/watch?v=zclWTT7qfvc&feature=
youtu.be
Ejercicios 2.4.1 En una granja de pollos se da una dieta, para

engordar, con una composición mínima de 15 unidades de una
sustancia A y otras 15 de una sustancia B. En el mercado sólo
se encuentra dos clases de compuestos: el tipo X con una compo-
sición de una unidad de A y 5 de B, y el otro tipo, Y, con una
composición de cinco unidades de A y una de B. El precio del tipo
X es de 10 euros y del tipo Y es de 30 euros. Contruya el modelo
de programación lineal que represente al problema ¿Qué cantida-
des se han de comprar de cada tipo para cubrir las necesidades con
un costo mínimo?. Resuelva el problema por el método de penali-
zación.
Ejercicios 2.4.2 Resolver los siguientes problemas por el método

de penalización.
1.
Min Z = 4x + y
sujeto a
−3x − y = −3
4x + 3y ≥ 6
− x − 2y ≥ −4
x, y ≥ 0
2. Se va a organizar una planta de un taller de automóviles

donde van a trabajar electricistas y mecánicos. Por necesi-
dades de mercado, es necesario que haya mayor o igual nú-
mero de mecánicos que de electricistas y que el número de
mecánicos no supere al doble que el de electricistas. En total
hay disponibles 30 electricistas y 20 mecánicos. El beneficio
de la empresa por jornada es de 250 euros por electricista y
200 euros por mecánico. ¿Cuántos trabajadores de cada cla-
se deben elegirse para obtener el máximo beneficio y cuál es
este?.
3. Una escuela prepara una excursión para 320 alumnos. La

empresa de transporte tiene 10 autobuses de 20 plazas y 8
de 42 plazas, pero sólo dispone de 9 conductores. El alquiler
de un autobús grande cuesta 900 € y el de uno pequeño 400
€. Calcular cuántos autobuses de cada tipo hay que utilizar
para que la excursión resulte lo más económica posible para
la escuela.
2.5. TAREA 3 69
2.5. TAREA 3
Resolver los siguientes problemas por el método de pe-

nalización. Hacer un video de sólo un problema, el que gus-
ten.

nes, los del tipo A con un espacio refrigerado de 20 m3
y un espacio no refrigerado de 40 m3 . Los del tipo B,
frigerado. La contratan para el transporte de 3,000 m3
de producto que necesita refrigeración y 4,000 m3 de
camión del tipo A es de 30 € y el B de 40 €. ¿Cuántos
camiones de cada tipo ha de utilizar para que el costo
total sea mínimo?
2. Una empresa fabrica los productos A, B y C y puede
vender todo lo que produzca a los siguientes precios
(Bs) : A 700; B 3,500; C 7,000. Producir cada unidad de
A necesita 1 hora de trabajo. Producir una unidad de
B necesita 2 horas de trabajo, más 2 unidades de A.
Producir una unidad de C necesita 3 horas de trabajo,
más 1 unidad de B. Cualquier unidad de A utilizada
para producir B, no puede ser vendida. Similarmente
cualquier unidad de B utilizada para producir C, no
puede ser vendida. Para este período de planificación
están disponibles 40 horas de trabajo. Formule y Cons-
truya el modelo Lineal que maximice los ingresos de
la empresa.
3. Un fabricante de bebidas refrescantes está interesado
en mezclar tres de sus actuales marcas de fábrica (mar-

ca 1, marca 2, marca 3) para obtener tres nuevos pro-
ductos de alta calidad (Producto 1, Producto 2 y Pro-
ducto 3), que desea vender al precio de 4, 3 y 2 eu-
ros por botella, respectivamente. Sólo puede importar
2,000 botellas de la marca 1; 4,000 de la marca 2; y 1,000
de la marca 3; siendo el precio que debe pagar de 3, 2 y
1 euros por cada tipo de botella. El fabricante requiere
que el Producto 1 contenga como mínimo el 80 % de la
marca 1 y como máximo el 20 % de la marca 3. El pro-
ducto 2 deberá contener como mínimo el 20 % de la
marca 1 y no más del 80 % de la marca 3. El producto
3 no podrá contener más del 70 % de la marca 3. For-
mule el modelo que permitirá al fabricante hallar las
mezclas que le producirán el máximo beneficio. For-
mule el ejercicio y resuelvase por Tora unicamente.
2.6. MÉTODO DE DOBLE FASE 71
2.6. Método de doble fase
Este es otro algoritmo simplex que sirve para resolver

PPL que no se pueden llevar a la forma canónica. Este mé-
todo como su nombre lo dice consta de dos fases
Mostraremos el algoritmo con un ejemplo.
Ejemplo 2.9 Resolver el siguiente problema por el método de

dos fases.
Min Z = 4x + y
sujeto a
−3x − y = −3
4x + 3y ≥ 6
− x − 2y ≥ −4
x, y ≥ 0
Fase 1
1. Pasar el PPL a un PPL de tipo maximización, con co-

eficientes de restricción no negativos en cada restric-
ción, y con condiciones de no negatividad de las va-
riables de decisión. El PPL no aplica si éste se puede
llevar a la forma canónica con coeficientes de restric-
ción no negativos.
En nuestro caso particular el PPL se puede llevar a la
forma
Max T = −4x − y
sujeto a
3x + y = 3
4x + 3y ≥ 6
x + 2y ≤ 4
x, y ≥ 0
así que el algoritmo de dos fases es aplicable.
2. Pasar a la forma estándar el PPL anterior. Para hacer

esto se suman variables de holgura a cada restricción
de tipo ≤, y se restan variables de exceso a cada res-
tricción de tipo ≥; en las restricciones de tipo =, es
decir, en las restricciones que son ecuaciones nada se
agrega.
Max T = −4x − y
sujeto a
3x + y = 3
4x + 3y − e = 6
x + 2y + h = 4
x, y, h, e ≥ 0
3. En cada restricción donde se restó una variable de ex-

ceso y por cada restricción de tipo =, (donde nada se
agregó en el paso anterior) sumar una variable no ne-
gativa R llamada artificial.
Max T = −4x − y
sujeto a
3x + y + R1 = 3
4x + 3y − e + R2 = 6
x + 2y + h = 4
x, y, h, e, R1 , R2 ≥ 0
4. Igualar la función objetivo a cero; es decir, pasar todos

los términos de la función objetivo a la izquierda de la
igualdad (cambiando su signo)
Max T + 4x + y = 0
sujeto a
3x + y + R1 = 3
4x + 3y − e + R2 = 6
x + 2y + h = 4
x, y, h, e, R1 , R2 ≥ 0
5. Crear el nuevo PPL Min S = ∑im=1 Ri , sujeto a las

mismas restricciones del PPL precedente; donde m es
el número de variables artificiales agregadas en el pa-
so anterior. En nuestro caso tenemos
Min S = R1 + R2
sujeto a
3x + y + R1 = 3
4x + 3y − e + R2 = 6
x + 2y + h = 4
x, y, h, e, R1 , R2 ≥ 0
6. Pasar el PPL precedente a la forma maximización, su-

jeto a las mismas restricciones del PPL precedente.
En nuestro caso
Max P = − R1 − R2
sujeto a
3x + y + R1 = 3
4x + 3y − e + R2 = 6
x + 2y + h = 4
x, y, h, e, R1 , R2 ≥ 0
7. Igualar la función objetivo a cero
Max P + R1 + R2 = 0
sujeto a
3x + y + R1 = 3
4x + 3y − e + R2 = 6
x + 2y + h = 4
x, y, h, e, R1 , R2 ≥ 0
8. Hacer una tabla (como de costumbre) con los coefi-
cientes del PPL anterior. Las variables básicas en esta
primera tabla serán las variables de holgura y artifi-
ciales según el orden en que se fueron agregando en
los pasos anteriores (en las siguientes tablas pueden
entrar a variables básicas cualquier variable de deci-
sión, de holgura, exceso o artificial, siempre y cuando
se satisfagan las condiciones de variable de entrada).
P x y h e R1 R2 sol.
v.b. 1 0 0 0 0 1 1 0
R1 0 3 1 0 0 1 0 3
R2 0 4 3 0 -1 0 1 6
h 0 1 2 1 0 0 0 4
9. Hacer vectores unitarios las columnas de las varia-

bles básicas; más precisamente hablando, hacer ceros
a los unos que están en la función objetivo y en las
columnas de las variables artificiales.
En nuestro caso, primero hacemos R P ← R P − R R1
para obtener,
v.b. 1 -3 -1 0 0 0 1 -3
R1 0 3 1 0 0 1 0 3
R2 0 4 3 0 -1 0 1 6
h 0 1 2 1 0 0 0 4
Si ahora hacemos R P ← R P − R R2 se obtiene
v.b. 1 -7 -4 0 1 0 0 -9
R1 0 3 1 0 0 1 0 3
R2 0 4 3 0 -1 0 1 6
h 0 1 2 1 0 0 0 4
10. Se aplican repetidamente las reglas básicas del méto-

do simplex canónico, es decir, se señala la variable de
entrada, variable de salida, pivoteo y vectores unita-
rios, hasta obtener las condiciones de optimalidad en
la función objetivo, o sea todos los coeficientes de la
función objetivo mayores o iguales a cero. Si en esta
última tabla todos los los valores de las variables arti-
ficiales son ceros, entonces la primera fase se termina
satisfactoriamente, y se pasará a la segunda fase. Si
alguna variable artificial resulta positiva, entonces el
PPL original no tiene solución.
a) En nuestro caso la variable de entrada es x; y ade-

más como
3 6 4
min , , =1
3 4 1
entonces la variable de salida es R1 .
Si hacemos el cambio de R1 por x, y hacemos
1
Rx ←
Rx
3
para pivotear, obtenemos la tabla
v.b. 1 -7 -4 0 1 0 0 -9
1 1
x 0 1 3 0 0 3 0 1
R2 0 4 3 0 -1 0 1 6
h 0 1 2 1 0 0 0 4
b) Hacemos vectores unitarios a la columna de x.

Para hacer esto aplicamos las operaciones
R P ← R P + 7R x , R R2 ← R R2 − 4R x , Rh ← Rh − R x
v.b. 1 0 - 53 0 1 7
3 0 -2
1 1
x 0 1 3 0 0 3 0 1
5
R2 0 0 3 0 -1 - 34 1 2
5
h 0 0 3 1 0 - 31 0 3
c) La variable de entrada es y. Como

( )
1 2 3 2
min 1 , 5 , 5 = 5
3 3 3 3
entonces la variable de salida es R2 . Cambiando
R2 por y, y haciendo
3
R R2 ← RR
5 2
para pivotear, tenemos
v.b. 1 0 - 53 0 1 7
3 0 -2
1 1
x 0 1 3 0 0 3 0 1
y 0 0 1 0 - 35 - 45 3
5
6
5
5
h 0 0 3 1 0 - 13 0 3
d) Hacemos vector unitario a la columna de y. Para
hacer esto aplicamos las operaciones
5 1 5
R P ← R P + Ry , R x ← R x − Ry , Rh ← Rh − Ry
3 3 3
v.b. 1 0 0 0 0 1 1 0
1 3
x 0 1 0 0 5 5 - 15 3
5
y 0 0 1 0 - 35 - 54 3
5
6
5
h 0 0 0 1 1 1 -1 1
Hemos obtenido una tabla con los coeficientes de

la función objetivo mayores o iguales a cero, y
además todas las variables artificiales son ceros;
por tanto, la fase 1 se satisfizo satisfactoriamente.
Pasaremos a la fase 2.
Fase 2
La fase 2 tiene los siguientes pasos:
1. Se construye una nueva tabla a partir de la última ta-

bla óptima de la fase 1. Para hacer esto, sólo se supri-
men las filas y columnas de las variables artificiales
de la última tabla óptima de la fase 1, y se cambian
los coeficientes de la función objetivo de dicha tabla
por los coeficientes de la función objetivo del PPL del
paso 4 (de la fase 1). No olvide cambiar el nombre de
la función objetivo en la nueva tabla.
En nuestro caso tenemos la tabla
T x y h e sol.
v.b. 1 4 1 0 0 0
1 3
x 0 1 0 0 5 5
y 0 0 1 0 - 53 6
5
h 0 0 0 1 1 1
2. Hacer vectores unitarios a las columnas de las varia-

bles básicas de la tabla precedente. Más precisamen-
te hacemos ceros los elementos de la función objetivo

que están en las columnas de las variables básicas.
En nuestro caso, hacemos ceros al 4 y 1 que están en la
función objetivo y que corresponden a la columna de
x, y, respectivamente; esto lo hacemos primero con la
operación
R T ← R T − 4R x
T x y h e sol.
v.b. 1 0 1 0 - 45 - 12 5
1 3
x 0 1 0 0 5 5
y 0 0 1 0 - 35 6
5
h 0 0 0 1 1 1
y segundo con la operación
R T ← R T − Ry
T x y h e sol.
v.b. 1 0 0 0 - 15 - 18
5
1 3
x 0 1 0 0 5 5
y 0 0 1 0 - 35 6
5
h 0 0 0 1 1 1
3. Se ejecutan repetidamente las operaciones básicas del
método simplex canónico, es decir, variable de entra-
da, variable de salida, pivoteo, vectores unitarios, has-
ta obtener todos los coeficientes de la función objetivo
mayores o iguales a cero.
En nuestro caso la variable de entrada es e. Además

como ( )
3
1
min 51 , = min {3, 1} = 1
5
1
entonces la variable de salida es h. Cambiando la va-
riable h por e, y como no hay necesidad de pivotear
(ya es uno el pivote), nuestra tabla queda
T x y h e sol.
v.b. 1 0 0 0 − 15 - 18
5
1 3
x 0 1 0 0 5 5
y 0 0 1 0 - 53 6
5
e 0 0 0 1 1 1
4. Hacemos vector unitario a la columna del pivote.

En nuestro caso, la columna de la variables e. Para ha-
cer esto aplicamos las operaciones
1 1 3
R T ← R T + Re , R x ← R x − Re , Ry ← Ry + Re
5 5 5
T x y h e sol.
1
v.b. 1 0 0 5 0 - 17
5
x 0 1 0 - 15 0 2
5
3 9
y 0 0 1 5 0 5
e 0 0 0 1 1 1
Como todos los coeficientes de la función objetivo son

mayores o iguales a cero, entonces la tabla obtenida
es óptima. La solución de las variables de decisión y
la solución de la función objetivo se hallan de manera
similar que el caso canónico.
En nuestro caso
2 9 17
x = ,y = ,T = −
5 5 5
pero como Z = − T = 17 5 , entonces la solución de

nuestro problema original es
2 9 17
x = ,y = ,Z =
5 5 5
Al resolver el PPL anterior por Tora nos queda

Ejercicios 2.6.1
1. Una persona para recuperarse de una cierta enfermedad tie-

ne que tomar en su alimentación dos clases de componentes
que llamaremos A y B. Necesita tomar 70 unidades de A y
120 unidades de B. El médico le da dos tipos de dietas en las
que la concentración de dichos componentes es:
a) Dieta D1: 2 unidades de A y 3 unidades de B

b) Dieta D2: 1 unidad de A y 2 unidades de B.
Sabiendo que el precio de la dieta D1 es 2.5 €. y el de la dieta

D2 es 1.45 €. ¿Cuál es la distribución óptima para el menor
costo?. Resolver por el método de doble fase.
2. Resolver por doble fase:
Min Z = 500x + 600y

sujeto a
x + y ≥ 80
−25x − 30y ≥ −1500
x, y ≥ 0
Solución.
1. https://www.youtube.com/watch?v=hUyReon5jFo&feature=
youtu.be
2. https://www.youtube.com/watch?v=rMShs6pLqko&feature=
youtu.be
2.7. TAREA 4
Resolver los siguientes problemas por el método de do-

ble fase. Hacer un video de sólo un problema, el que gusten.
1. Se va a organizar una planta de un taller de automóvi-

les donde van a trabajar electricistas y mecánicos. Por
necesidades de mercado, es necesario que haya ma-
yor o igual número de mecánicos que de electricistas
y que el número de mecánicos no supere al doble que
el de electricistas. En total hay disponibles 30 electri-
cistas y 20 mecánicos. El beneficio de la empresa por
jornada es de 250 euros por electricista y 200 euros por
2.7. TAREA 4 85
mecánico. ¿Cuántos trabajadores de cada clase deben

elegirse para obtener el máximo beneficio y cuál es es-
te?

nes, los del tipo A con un espacio refrigerado de 20 m3
y un espacio no refrigerado de 40 m3 . Los del tipo B,
frigerado. La contratan para el transporte de 3,000 m3
de producto que necesita refrigeración y 4,000 m3 de
camión del tipo A es de 30 € y el B de 40 €. ¿Cuántos
camiones de cada tipo ha de utilizar para que el costo
total sea mínimo?
3. Una empresa fabrica los productos A, B y C y puede

vender todo lo que produzca a los siguientes precios
(Bs) : A 700; B 3,500; C 7,000. Producir cada unidad de
A necesita 1 hora de trabajo. Producir una unidad de
B necesita 2 horas de trabajo, más 2 unidades de A.
Producir una unidad de C necesita 3 horas de trabajo,
más 1 unidad de B. Cualquier unidad de A utilizada
para producir B, no puede ser vendida. Similarmente
cualquier unidad de B utilizada para producir C, no
puede ser vendida. Para este período de planificación
están disponibles 40 horas de trabajo. Formule y Cons-
truya el modelo Lineal que maximice los ingresos de
la empresa.
Capítulo 3
Dualidad
En este capítulo se describirá lo elemental de la teoría

de dualidad. Más precisamente todo problema de progra-
mación lineal tiene asociado un correspondiente problema
llamado dual. Estos dos tipos de problemas están estrecha-
mente relacionados. De la solución de un problema que de
aqui en adelante llamaremos primal podemos hallar la solu-
ción del problema dual y viceversa. También existe un mé-
todo simplex dual que es práctico cuando un PPL tiene más
restricciones que variables de decisión.
87
88 CAPÍTULO 3. DUALIDAD
Es claro, que todo problema de programación lineal se

puede llevar a forma canónica:
Max Z = c1 x1 + c2 x2 + ... + cn xn
sujeto a
a11 x1 + a12 x2 + ... ... + a1n xn ≤ b1
a21 x1 + a22 x2 + ... ... + a2n xn ≤ b2
... ...
am1 x1 + am2 x2 + ... ... + amn xn ≤ bm
xi ≥ 0
donde, los coeficientes de restricción bi son números reales
(no necesariamente mayores o iguales a cero). Este PPL tie-
ne la siguiente forma matricial:
Max Z = cX
sujeto a
AX ≤ b
X≥0
Con A una matriz de orden mxn:
 
a11 a12 ... a1n
 a21 a22 ... a2n 
A=  ...

... ... ... 
am1 am2 ... amn
c es una matriz de 1xn,

c= c1 c2 ... cn
X es una matrix de orden nx1,
 
x1
 x2 
X=
 
.. 
 . 
xn
89
b es una matriz de orden de orden mx1,

 
b1
 b2 
 
 .. 
 . 
bm
y la matriz O es una matriz de ceros de orden nx1,

 
0
 0 
 
 .. 
 . 
0
Definición 3.1 Sea el PPL primal
Max Z = cX
sujeto a
AX ≤ b
X≥0
donde las matrices A, X, c, b, O son del orden señalado previa-

mente. Su PPL dual es
Min G = bt Y
sujeto a
At Y ≥ ct
Y≥0
Donde la matriz Y es de orden mx1 de variables duales, y el

exponente t significa transposición.
Ejemplo 3.1 El dual del PPL
Max Z = 3x1 − 5x2

sujeto a
1x1 + 0x2 ≤ 4
0x1 + x2 ≤ 6
3x1 + 2x2 ≤ 18
x1 , x2 ≥ 0
Es el PPL
Min G = 4y1 + 6y2 + 18y3
sujeto a
1y1 + 0y2 + 3y3 ≥ 3
0y1 + 1y2 + 2y3 ≥ −5
y1 , y2 , y3 ≥ 0
Teorema 3.1 (Teorema de Dualidad) Dado un par de proble-

mas primal P y su correspondiente problema dual D unicamente
uno y sólo uno de los tres siguientes casos puede ocurrir.
1. Ambos problemas tienen soluciones óptimas y sus funciones

objetivo son iguales, es decir, si X ∗ es óptimo para P y Y ∗
es óptimo para D entonces
Z = cX ∗ = bt Y ∗ = G
2. Si el primal P no tiene soluciones factibles y el dual tiene al

menos una, entonces, el dual D tiene una solución óptima
no acotada; y viceversa, si el dual D no tiene soluciones
factibles y el primal tiene al menos una, entonces, el primal
P tiene una solución óptima no acotada.
3. Ambos problemas, el primal y el dual no tienen solución.

3.1. MÉTODO SIMPLEX DUAL 91
3.1. Método simplex dual
Ahora describimos el método simplex dual. Una de las

ventajas del simplex dual es que no se anexan variables ar-
tificiales en el algoritmo. Generalmente este algoritmo es
práctico cuando hay más restricciones que variables de de-
cisión.
Describimos los pasos del algoritmo mediante un ejem-

plo.
Ejemplo 3.2 Resolver por el método simplex dual el siguiente

PPL:
Min Z = 2x + y
sujeto a
3x + y ≥ 3
4x + 3y ≥ 6
− x − 2y ≤ −3
x, y ≥ 0
1. Se pasa el PPL a la forma Max, con coeficientes de res-

tricción no negativos, y con variables de decisión no
negativas. Si al aplicar este paso, tenemos que algún
coeficiente de la función objetivo es positivo, enton-
ces, el algoritmo simplex dual no aplica, es decir, to-
dos los coeficientes de la función objetivo en este PPL
(max) deben ser negativos para que el algoritmo sim-
plex dual aplique:
Max W = −2x − y
sujeto a
3x + y ≥ 3
4x + 3y ≥ 6
x + 2y ≥ 3
x, y ≥ 0
2. Las restricciones de la forma (si las hay)
ai1 x1 + ai2 x2 + ... + ain xn = bi
se descomponen en dos desigualdades de la forma
ai1 x1 + ai2 x2 + ... + ain xn ≤ bi
y
ai1 x1 + ai2 x2 + ... + ain xn ≥ bi
En nuestro caso no hay este tipo de restricciones
3. Se pasa a la forma estándar el PPL anterior. Sumamos

variables de holgura a las restricciones de tipo ≤, y
restamos variables de exceso a las restricciones de la
forma ≥.
En nuestro caso tenemos
Max W = −2x − y
sujeto a
3x + y − e1 = 3
4x + 3y − e2 = 6
x + 2y − e3 = 3
x, y, e1 , e2 , e3 ≥ 0
4. Igualamos la función objetivo a cero

Max W + 2x + y = 0
sujeto a
3x + y − e1 = 3
4x + 3y − e2 = 6
x + 2y − e3 = 3
x, y, e1 , e2 , e3 ≥ 0
5. Se multiplica por -1 a las restricciones donde se resto

una variable de exceso.
Max W + 2x + y = 0
sujeto a
−3x − y + e1 = −3
−4x − 3y + e2 = −6
− x − 2y + e3 = −3
x, y, e1 , e2 , e3 ≥ 0
6. Se hace una tabla (como de costumbre) con los coefi-

cientes del PPL anterior. Las variables básicas en esta
tabla inicial son las variables de holgura y de exce-
so agregadas en el orden del PPL anterior (en las si-
guientes tablas pueden ingresar como variable básica
cualquier otra variable, siempre y cuando cumpla con
la condición de ser una variable de entrada).
W x y e1 e2 e3 sol.
v.b. 1 2 1 0 0 0 0
e1 0 -3 -1 1 0 0 -3
e2 0 -4 -3 0 1 0 -6
e3 0 -1 -2 0 0 1 -3
7. De los coeficientes de restricción se elige el más ne-

gativo (los enpates se rompen arbitrariamente), indi-
cando la variable básica de salida. Si todos los coefi-
cientes de restricción son ≥ 0 (CONDICIONES DE
ÓPTIMALIDAD), entonces la tabla presente es ópti-
ma, y de ésta se obtiene la solución óptima (como de
costumbre).
En nuestro caso el coeficiente más negativo es -6, lo
que indica que la variable básica de salida es e2 .
8. Para señalar la variable de entrada elegimos el máxi-

mo de los cocientes (es decir, el cociente más cercano
a cero) de los valores de la función objetivo (que no
sea el valor de la solución) entre los valores respec-
tivos sólo negativos del renglón de la variable que
sale. El máximo cociente nos señala la variable de en-
trada.
Observación.Si todos los coeficientes de la fila de sa-
lida son mayores o iguales a cero (con la excepción
del coeficiente de restricción), entonces, el PPL origi-
nal no tiene solución.
En nuestro caso como

2 1 1
max , =− ,
−4 −3 3
entonces, la variable que entra es y.
9. Se pivotea el elemento que está en la intersección de la

fila de salida y la columna de entrada (no olvide cam-
biar la variable de salida por la variable de entrada)
En nuestro caso, se pivotea al −3
W x y e1 e2 e3 sol.
v.b. 1 2 1 0 0 0 0
e1 0 -3 -1 1 0 0 -3
4
y 0 3 1 0 - 31 0 2
e3 0 -1 -2 0 0 1 -3
10. Se hace vector unitario la columna del pivote (esto se

hace como de costumbre con las operaciones elemen-
tales de renglones de matrices).
En nuestro caso al aplicar las operaciones
RW ← RW − Ry , Re1 ← Re1 + Ry , Re3 ← Re3 + 2Ry
se obtiene la tabla
W x y e1 e2 e3 sol.
2 1
v.b. 1 3 0 0 3 0 -2
e1 0 - 53 0 1 - 31 0 -1
4
y 0 3 1 0 - 31 0 2
5
e3 0 3 0 0 - 32 1 1
11. Se aplican repetidamente los pasos del 7 − 10 hasta ob-

tener las condiciones de óptimalidad, que en este al-
goritmo son que todos los coeficientes de la columna
de restricción sean no negativos. Cuando estas con-

diciones se hallan cumplido, la tabla obtenida es óp-
tima. De esta tabla obtenemos como de costumbre la
solución óptima.
En nuestro caso, como -1 es el único valor negativo en

la columna de coeficientes de restricción, entonces, la
variable básica de salida es e1 . Además como
( )
2 1
3 3 2 2
max −5
, −1
= max − , −1 =−
3 3
5 5
entonces, la variable de entrada es x.
Si cambiamos e1 por x, y pivoteamos, obtenemos la

tabla siguiente:
W x y e1 e2 e3 sol.
2 1
v.b. 1 3 0 0 3 0 -2
x 0 1 0 - 35 1
5 0 3
5
4
y 0 3 1 0 - 13 0 2
5
e3 0 3 0 0 - 23 1 1
12. Se hace vector unitario la columna del pivote aplican-

do las operaciones
2 4 5
RW ← RW − R x , R y ← R y − R x , R e3 ← R e3 − R x
3 3 3
para obtener la tabla:
W x y e1 e2 e3 sol.
2 1
v.b. 1 0 0 5 5 0 - 12
5
x 0 1 0 - 35 1
5 0 3
5
4
y 0 0 1 5 - 35 0 6
5
e3 0 0 0 1 -1 1 0
Esta es una tabla óptima pués todos los coeficientes de

restricción son ≥ 0. La solución óptima es
3 6 12
x= , y= , W=− .
5 5 5
Finalmente, como Z = −W, entonces, la solución óp-
tima de nuestro problema original es
3 6 12
x= , y= , Z=
5 5 5
Ejercicios 3.1.1 Hacer del libro JUAN PRAWDA los siguientes

ejercicios.
1. Página 235. 7,8
2. Página 236. 11. Hacer el ejercicio por el método de penali-

zación y doble fase.
3. Página 237. 12
4. Página 238. 18
5. Hacer los siguientes ejercicios por el método simplex dual:
a)
Min Z = 4x + y
sujeto a
−3x − y = −3
4x + 3y ≥ 6
− x − 2y ≥ −4
x, y ≥ 0
b)
Min Z = 500x + 600y
sujeto a
x + y ≥ 80
−25x − 30y ≥ −1500
x, y ≥ 0
3.2. TAREA 5
Resolver los siguientes problemas por el método dual

simplex. El libro es Ejercicios resueltos EXEL. Hacer un vi-
deo de sólo un problema, el que gusten (excepto el 20).
1. Problema 12
2. Problema 13
3. Problema 14
4. Problema 20. Este problema sólo comprenderlo y re-

solverlo con Tora.
Capítulo 4
El problema de transporte
En este capítulo describiremos el problema de trans-

porte básico y los métodos para resolvelo.
Definición 4.1 Definamos el problema de transporte. Se supone

que m origenes tienen que surtir a n centros de consumo con un
cierto producto. La capacidad de oferta del origen i, i = 1, 2, .., m
es ai y la demanda en el centro de consumo j es b j , j = 1, 2, ..., n.
Supongamos que cij es el costo de enviar una unidad del producto
del origen i al centro de consumo j (i=1,2,...,m; j=1,2,...,n). El
problema de transporte consiste en determinar cuántas unidades
del producto deben enviarse del origen i al centro de consumo j,
de tal forma que se minimicen los costos totales de distribución,
se satisfaga la demanda del centro de consumo j y no se exceda la
capacidad de oferta del origen i. Definamos la variable de decisión
xij el número de unidades del producto que se envían del origen
i al centro de consumo j (destino j). Entonces la formulación del
problema de programación lineal, también llamado un problema
99
100 CAPÍTULO 4. EL PROBLEMA DE TRANSPORTE
de transporte (PT) se define de la manera siguiente (ver figura

de abajo):
Min Z = ∑im=1 ∑nj=1 cij xij

sujeto a
n
∑ j=1 xij ≤ ai , i = 1, 2, ..., m
∑im=1 xij ≥ b j , j = 1, 2, ..., n
xij ≥ 0, i = 1, 2, ..., m; j = 1, 2, ..., n
Figura 4.1: Problema de transporte

101
Un problema de transporte puede no tener solución,

puede tener solución única o puede tener múltiples solu-
ciones. Una condición necesaria y suficiente para que un PT
tenga al menos una solución se da en el siguiente
Teorema 4.1 Una condición necesaria y suficiente para que un

PT tenga al menos una solución es que la oferta total sea igual a
la demanda total, es decir
m n
∑ ai = ∑ b j
i =1 j =1
Para que un PT tenga al menos una solución la oferta

total debe ser igual a la demanda total. En algunos casos es-
to no ocurre. Hay dos formas de hacer que la oferta total sea
igual a la demanda total; esto se conoce como balancear el
PT. Para que la explicación de los métodos de solución de
un PT se facilite es necesario primero introducir las siguien-
tes matrices, llamadas de costos y flujos respectivamente:
Destino
1 2 ... n Ofertas
1 c11 c12 ... c1n a1
2 c21 c22 ... c2n a2
.. .. .. .. ..
Orígen . . . ... . .
...
m cm1 cm2 ... cmn am

Demanda b1 b2 ... bn
Tabla 4.1: Tabla de costos
Destino
1 2 ... n Ofertas
1 x11 x12 ... x1n a1
2 x21 x22 ... x2n a2
.. .. .. .. ..
Orígen . . . ... . .
...
m xm1 xm2 ... xmn am

Tabla 4.2: Tabla de flujos

103
Para que un PT tenga soluciones debe satisfacer el teo-

rema precedente, es decir, la oferta total debe ser igual a la
demanda total. Hay un artificio matemático para que esta
condición se cumpla; a esta acción se le llama balancear el
PT.
En el caso de que la oferta total sea mayor que la de-

manda total, es decir
m n
∑ ai > ∑ bj
i =1 j =1
para balancear el PT se añade un centro de consumo artifi-

cial n + 1 cuya demanda bn+1 será la diferencia
m n
bn + 1 = ∑ ai − ∑ b j
i =1 j =1
y cuyos costos unitarios ck,n+1 , k = 1, 2, ..., m son todos

ceros. En forma tabular el PT balanceado queda como:
Dest.
1 2 ... n n+1 Ofertas
1 c11 c12 ... c1n 0 a1
2 c21 c22 ... c2n 0 a2
.. .. .. .. .. ..
Oríg. . . . ... . . .
...
m cm1 cm2 ... cmn 0 am

Deman. b1 b2 ... bn bn + 1
Tabla 4.3: Problema balanceado con un destino artificial

Ejemplo 4.1 Balancer el siguiente PT.
Des
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
Ori 2 15 20 13 19 16 60
3 18 15 18 20 19 200
Deman 30 40 70 40 60
Tabla 4.4: Problema no balanceado, oferta mayor que de-

manda
Solución La oferta total es 300, y la demanda total es

240, por tanto, la oferta es mayor que la demanda en 300 −
240 = 60 puntos. Por consiguiente agregaremos un destino
articial con costos de envío ceros, y con demanda 60:
Des
1 2 3 4 5 6 Oferta
1 20 19 14 21 16 0 40
Ori 2 15 20 13 19 16 0 60
3 18 15 18 20 19 0 200
Deman 30 40 70 40 60 60
Tabla 4.5: Problema balanceado

105
Por otro lado si la demanda total excede a la oferta total,

es decir
n m
∑ bj > ∑ ai
j =1 i =1
entonces se añade un centro de oferta artificial m + 1, cuya

capacidad de oferta am+1 es
n m
a m +1 = ∑ b j − ∑ ai
j =1 i =1
y cuyos costos unitarios cm+1,k , k = 1, 2, ..., n son todos

ceros. En forma tabular el PT balanceado queda como:
Destino
1 2 ... n Ofertas
1 c11 c12 ... c1n a1
2 c21 c22 ... c2n a2
.. .. .. .. ..
Orígen . . . ... . .
...
m cm1 cm2 ... cmn am

m+1 0 0 ... 0 a m +1
Tabla 4.6: Problema balanceado con un origen artificial

Ejemplo 4.2 Balancer el siguiente PT.
Des
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
Ori 2 15 20 13 19 16 60
3 18 15 18 20 19 90
Deman 30 40 70 40 60
Tabla 4.7: Problema no balanceado, demanda mayor que la

oferta
Solución La demanda total es 240, y la oferta total es

190, por tanto, la demanda es mayor que la oferta en 240 −
190 = 50 puntos. Por consiguiente agregaremos un origen
articial con costos de envío ceros, y con oferta 50:
Nuestro PT ya balanceado queda de la siguiente mane-

ra:
Des
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
Ori 2 15 20 13 19 16 60
3 18 15 18 20 19 90
4 0 0 0 0 0 50
Deman 30 40 70 40 60
Tabla 4.8: Problema balanceado

107
Definición 4.2 Una solución básica factible de un problema

de transporte es una tabla de flujos con valores Xij > 0, tales que
se satisfacen las dos condiciones siguientes:
1. La suma de los valores de cada renglón es igual a la oferta

correspondiente.
2. La suma de los valores de cada columna es igual a la deman-

da correspondiente.
A los elementos de la tabla de flujos de una solución básica

factible se les llama elementos de la base, y a las posiciones que
ocupan esos elementos se les llama posiciones de la base.
Ejemplo 4.3 La siguiente tabla de flujos contiene una solución

básica factible, pues la suma de los valores de las filas, corresponde
a su oferta, y la suma de los valores de sus columnas, corresponde
a sus demandas.
D
1 2 3 4 5 Of.
1 30→ 10↓ 40
O 2 30→ 30↓ 60
3 40→ 40→ 10↓ 90
4 50 50
D 30 40 70 40 60
Tabla 4.9: Solución básica factible

Teorema 4.2 El número de elementos de una solución básica fac-

tible es menor o igual a m + n − 1.
Si el número de elementos de una solución básica factible es

igual a m + n − 1, decimos que la base es no degenerada, y
si el número de elementos de una solución básica factible es
menor que m + n − 1, decimos que la base es degenerada.
Ejemplo 4.4 La siguiente tabla de flujos contiene una solución

básica factible no degenerada, pues el número de elementos dis-
tintos de cero en la solución básica factible es m + n − 1 = 8.
D
1 2 3 4 5 Of.
1 30→ 10↓ 40
O 2 30→ 30↓ 60
3 40→ 40→ 10↓ 90
4 50 50
D 30 40 70 40 60
Tabla 4.10: Solución básica factible no degenerada
El PT se podría resolver por alguno de los métodos sim-

plex, pero esto nos conduce a un gasto computacional exce-
sivo, por ello hay varios métodos propios para resolver este
tipo de problemas.
Hay dos etapas para hallar la solución óptima de un PT.

La primera etapa consiste en hallar una solución básica fac-
tible del PT. Existen tres métodos para hallar una solución
109
básica factible, el método de la esquina (método norocci-

dental), el método de Vogel y el método del costo míni-
mo. La segunda etapa consiste en retomar la solución bási-
ca factible y mejorarla, hasta hacerla óptima, el método de
distribución modificada (MODI) se encarga de este paso.
4.1. Método noroccidental
El método Noroccidental sirve para hallar una solu-

ción básica factible de un PT. El método consiste en contruir
una matriz de flujos, partiendo de la asignación del valor
x11 que es el punto en la posición noroccidental (de ahí el
nombre de este método). En este método no se consideran
los costos. Los pasos del método son los siguientes:
1. Balancear el PT.
2. En la posición (1, 1) que es el extremo noroccidental

de la matriz, asignamos el valor máximo posible de la
oferta a1 que no sobrepase el valor de la demanda b1 .
Esto se logra haciendo
x11 = mı́n{ a1 , b1 }
3. Definimos la nueva oferta y demanda como
ab1 = a1 − x11 , bb1 = b1 − x11
NOTA. También puede hacer este cambio con la nota-

ción:
a1 ← a1 − x11 , b1 ← b1 − x11
Obviamente, alguna de estas cantidades será cero.
4. a) Si la nueva oferta ab1 = 0 nos pasamos a la posi-

ción (2, 1) (pués el orígen 1 ya no tiene unidades),
es decir, nos movemos una posición hacia abajo y
asignamos el máximo valor de la oferta a2 que no
4.1. MÉTODO NOROCCIDENTAL 111
sobrepase el valor de la nueva demanda bb1 . Esto

se logra haciendo
x21 = mı́n{ a2 , bb1 }
b) Si la nueva demanda bb1 = 0 nos pasamos a la

posición (1, 2) (pués ya se surtio completamente
al destino 1), es decir, nos movemos una posición
a la derecha y asignamos el máximo valor de la
nueva oferta ab1 que no sobrepase el valor de la
demanda b2 . Esto se logra haciendo
x12 = mı́n{ ab1 , b2 }
5. Continúese con la misma lógica hasta llegar a la posi-

ción (m, n)
OBSERVACIÓN.
a) Si ocurre que en alguna iteración del método no-
roccidental la nueva oferta y la nueva demanda
ambas son ceros, y se está en la posición (i, j) de
la tabla de flujos, se sugiere pasar a la celda con
posición (i + 1, j + 1) y continuar asignando va-
lores a la tabla de flujos, según las reglas del mé-
todo noroccidental.
b) Si ocurre que en alguna iteración del método no-
roccidental la nueva oferta y la nueva demanda
ambas son ceros, y se está en la posición (i, j) de
la tabla de flujos, podemos pasar a la celda con
posición (hacia abajo) (i + 1, j) o a la celda con
posición (a la derecha) (i, j + 1), y continuar asig-
nando valores a la tabla de flujos, según las reglas
del método noroccidental.
Ejemplo 4.5 Hallar una solución básica factible por el método

noroccidental del siguiente PT. El costo M en la posición (3, 5) es
un costo altísimo y significa que en realidad el origen 3 no puede
surtir al destino 5. Esta es una manera simbólica de representar
estas imposibilidades.
Des
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
Ori 2 15 20 13 19 16 60
3 18 15 18 20 M 90
Deman 30 40 70 40 60
Tabla 4.11: Problema no balanceado
Solución.
1. Se balancea el PT.
Nuestro PT ya balanceado queda de la siguiente ma-
nera:
Des
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
Ori 2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Deman 30 40 70 40 60

Recuerde que para hallar la solución básica factible

por el método noroccidental no se necesitan los cos-
tos.
2. Asignamos x11 = mı́n{ a1 , b1 } = mı́n{40, 30} = 30
Dest.
1 2 3 4 5 Ofert.
1 30 40
Oríg. 2 60
3 90
4 50
Deman. 30 40 70 40 60
3. Definimos la nueva oferta y nueva demanda:
ab1 = a1 − x11 = 40 − 30 = 10
bb1 = b1 − x11 = 30 − 30 = 0
La nueva tabla queda:
D
1 2 3 4 5 Of.
1 30→ 10
O 2 60
3 90
4 50
D 0 40 70 40 60
4. Como la nueva demanda bb1 = 0, entonces nos mo-

vemos a la posición (1, 2), es decir, nos movemos una
posición a la derecha y asignamos el valor máximo po-

sible de la nueva oferta ab1 que no sobrepase la deman-
da b2 . Esto se logra haciendo
x12 = mı́n{ ab1 , b2 } = mı́n{10, 40} = 10
D
1 2 3 4 5 Of.
1 30→ 10 10
O 2 60
3 90
4 50
D 0 40 70 40 60
b1 = ab1 − x12 = 10 − 10 = 0
ab
bb2 = b2 − x12 = 40 − 10 = 30
D
1 2 3 4 5 Of.
1 30→ 10↓ 0
O 2 60
3 90
4 50
D 0 30 70 40 60
6. Como la nueva oferta ab b1 = 0, entonces nos movemos a

la posición (2, 2), es decir, nos movemos una posición
hacia abajo y asignamos el valor máximo posible de la
oferta a2 que no sobrepase la nueva demanda bb2 . Esto

se logra haciendo
x22 = mı́n{ a2 , bb2 } = mı́n{60, 30} = 30
D
1 2 3 4 5 Of.
1 30→ 10↓ 0
O 2 30 60
3 90
4 50
D 0 30 70 40 60
ab2 = a2 − x22 = 60 − 30 = 30
bb2 = bb2 − x22 = 30 − 30 = 0

b
D
1 2 3 4 5 Of.
1 30→ 10↓ 0
O 2 30→ 30
3 90
4 50
D 0 0 70 40 60

b

x23 = mı́n{ ab2 , b3 } = mı́n{30, 70} = 30
D
1 2 3 4 5 Of.
1 30→ 10↓ 0
O 2 30→ 30 30
3 90
4 50
D 0 0 70 40 60
b2 = ab2 − x23 = 30 − 30 = 0
ab
bb3 = b3 − x23 = 70 − 30 = 40
D
1 2 3 4 5 Of.
1 30→ 10↓ 0
O 2 30 30↓ 0
3 90
4 50
D 0 0 40 40 60


se logra haciendo
x33 = mı́n{ a3 , bb3 } = mı́n{90, 40} = 40
D
1 2 3 4 5 Of.
1 30→ 10↓ 0
O 2 30→ 30↓ 0
3 40 90
4 50
D 0 0 40 40 60
ab3 = a3 − x33 = 90 − 40 = 50
bb3 = bb3 − x33 = 40 − 40 = 0

b
D
1 2 3 4 5 Of.
1 30→ 10↓ 0
O 2 30→ 30↓ 0
3 40→ 50
4 50
D 0 0 0 40 60

b

x34 = mı́n{ ab3 , b4 } = mı́n{50, 40} = 40
D
1 2 3 4 5 Of.
1 30→ 10↓ 0
O 2 30→ 30↓ 0
3 40→ 40 50
4 50
D 0 0 0 40 60
b3 = ab3 − x34 = 50 − 40 = 10
ab
bb4 = b4 − x34 = 40 − 40 = 0
D
1 2 3 4 5 Of.
1 30→ 10↓ 0
O 2 30→ 30↓ 0
3 40→ 40→ 10
4 50
D 0 0 0 0 60


sible de la nueva oferta ab
b3 que no sobrepase la deman-
x35 = mı́n{ ab
b3 , b5 } = mı́n{10, 60} = 10
D
1 2 3 4 5 Of.
1 30→ 10↓ 0
O 2 30→ 30↓ 0
3 40→ 40→ 10 10
4 50
D 0 0 0 0 60
b3 − x35 = 10 − 10 = 0
b3 = ab
ab
b
bb5 = b5 − x35 = 60 − 10 = 50
D
1 2 3 4 5 Of.
1 30→ 10↓ 0
O 2 30→ 30↓ 0
3 40→ 40→ 10↓ 0
4 50
D 0 0 0 0 50

b

se logra haciendo
x45 = mı́n{ a4 , bb5 } = mı́n{50, 50} = 50
D
1 2 3 4 5 Of.
1 30→ 10↓ 0
O 2 30→ 30↓ 0
3 40→ 40→ 10↓ 0
4 50 50
D 0 0 0 0 50
El ajuste de la nueva oferta y demanda es:
D
1 2 3 4 5 Of.
1 30→ 10↓ 0
O 2 30→ 30↓ 0
3 40→ 40→ 10↓ 0
4 50 0
D 0 0 0 0 0
terminando con esto el proceso. Por tanto, la tabla úl-

tima de flujos queda de la siguiente manera:
D
1 2 3 4 5 Of.
1 30→ 10↓ 40
O 2 30→ 30↓ 60
3 40→ 40→ 10↓ 90
4 50 50
D 30 40 70 40 60
Los valores de las variables de decisión para la solu-

ción básica factible serán los que se describen en la ta-
bla anterior, y las variables que no aparezcan en tabla
tendrán asignado el valor cero. Como la suma de los
valores de cada renglón y cada columna en la tabla de
flujos son respectivamente las ofertas y demandas, en-
tonces, la solución es básica factible. Más aún como
m + n − 1 = 8, y hay 8 valores positivos en la tabla de
flujos, entonces la solución es no degenerada.
A continuación el método se ilustra geometricamente.
Figura 4.2: Método noroccidental

Ejemplo 4.6 Ver los siguientes videos de apoyo sobre el método

noroccidental:
1. https: // 1drv. ms/ v/ s! AqiejG_ xUCiqjHUpuPuTfxUBrcxo?

e= DedNEt
2. https: // 1drv. ms/ v/ s! AqiejG_ xUCiqjHZ8Qlcgdjhq5XsG?
e= cUDt3v
3.
4.
Ejercicios 4.1.1 Halle una solución básica factible por el método

noroccidental del PT 3-9 de la página 325 del libro Juan Prawda.

noroccidental de los problemas 1,2 y 3 del libro Ejercicios modelo
de transporte, el de WORD.
4.2. MÉTODO DE VOGEL 123
4.2. Método de Vogel
Daremos los pasos del método de Vogel mediante el

siguiente ejemplo.
Ejemplo 4.7 Halle una solución básica factible del siguiente pro-
blema de transporte por el método de Vogel. El costo M en la posi-
ción (3, 5) es un costo altísimo y significa que en realidad el origen
3 no puede surtir al destino 5. Esta es una manera simbólica de
representar estas imposibilidades.
Des
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
Ori 2 15 20 13 19 16 60
3 18 15 18 20 M 90
Deman 30 40 70 40 60
Solución. Los pasos son los siguientes:
nera:
Des
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
Ori 2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Deman 30 40 70 40 60
2. Primera iteración. Se entiende por diferencia de fila

(columna) a la diferencia positiva que hay entre los
dos números más pequeños que existe en la fila (co-
lumna). Calcúlese todas las diferencias de las filas y
columnas de la matriz de costos. A este paso se le lla-
ma penalización.
Des
1 2 3 4 5 Dif.
1 20 19 14 21 16 2
Ori 2 15 20 13 19 16 2
3 18 15 18 20 M 3
4 0 0 0 0 0 0
Dif. 15 15 13 19 16
3. Selecciónese aquella fila o columna con mayor dife-

rencia. Los empates se rompen arbitrariamente.
Des
1 2 3 4 5 Dif.
1 20 19 14 21 16 2
Ori 2 15 20 13 19 16 2
3 18 15 18 20 M 3
4 0 0 0 0 0 0
Dif. 15 15 13 19 16
4. Localícese el costo más pequeño en la matriz de cos-

tos en la fila o columna seleccionada en el paso ante-
rior (los empates se rompen arbitrariamente). Supon-
gamos que cij es el costo señalado e (i, j) su posición.
En nuestro caso el costo es c44 = 0 y la posición es
(4, 4).
Des
1 2 3 4 5 Dif.
1 20 19 14 21 16 2
Ori 2 15 20 13 19 16 2
3 18 15 18 20 M 3
4 0 0 0 0 0 0
Dif. 15 15 13 19 16
5. a) En la matriz de flujos asigne en la posición (i, j)

(señalada en el paso anterior) la máxima oferta
del origen i al destino j sin sobrepasar la deman-
da b j ; esto se hace haciendo Xij = mı́n( ai , b j ). En
esta misma tabla calcule la nueva oferta y la nue-
va demanda. Para hacer esto hacemos
ai ← ai − Xij
y
b j ← b j − Xij
.
b) Si la nueva oferta
ai ← ai − Xij = 0
llénese la fila i de la matriz de flujos con ceros

(a excepción de la posición (i, j), y las asignacio-
nes positivas ya hechas en dicha tabla) y elimíni-
ce dicha fila en la tabla de costos para cualquier
consideración futura. Por otro lado, si la nueva
demanda
b j ← b j − Xij = 0
llénese la columna j de la matriz de flujos con ce-
ros (a excepción de la posición (i, j), y las asigna-
ciones positivas ya hechas en dicha tabla), y eli-
mínice dicha columna en la tabla de costos para
cualquier consideración futura.
NOTA. Si hay algún caso donde la nueva oferta
y nueva demanda sean ambas cero, entonces este
empate se rompe arbitrariamente.
En nuestro caso. Como el mínimo costo es c44 = 0,
entonces la posición es (4, 4); por tanto, hacemos en la
matriz de flujos
X44 = mı́n( a4 , b4 ) = mı́n(50, 40) = 40.
Además las nuevas ofertas y demandas son respecti-

vamente:
a4 ← a4 − X44 = 50 − 40 = 10
y
b4 ← b4 − X44 = 40 − 40 = 0.
Como la nueva demanda
b4 ← b4 − X44 = 40 − 40 = 0
entonces en la matriz de flujos llenaremos la columna

4 con ceros a excepción de la posición (4, 4), y elimina-
mos dicha columna en la matriz de costos para futuras
consideraciones. La matriz de flujos y de costos que-
dan respectivamente de la siguiente manera:
Des
1 2 3 4 5 Oferta
1 0 40
Ori 2 0 60
3 0 90
4 40 10
Deman 30 40 70 0 60
Tabla 4.15: Tabla de flujos 1
Des
1 2 3 5 Oferta
1 20 19 14 16 40
Ori 2 15 20 13 16 60
3 18 15 18 M 90
4 0 0 0 0 10
Deman 30 40 70 60
Tabla 4.16: Tabla de costos 1

6. Aplicar nuevamente los pasos 2 − 5 con las nuevas

matrices de flujos y costos del paso anterior, hasta lle-
nar todas las posiciones de la tabla de flujos.
7. Segunda iteración. Cálculo de la diferencias de filas y

columnas:
Des
1 2 3 5 Dif.
1 20 19 14 16 2
Ori 2 15 20 13 16 2
3 18 15 18 M 3
4 0 0 0 0 0
Dif. 15 15 13 16

rencia. Los empates se rompen arbitrariamente:
Des
1 2 3 5 Dif.
1 20 19 14 16 2
Ori 2 15 20 13 16 2
3 18 15 18 M 3
4 0 0 0 0 0
Dif. 15 15 13 16

rior (los empates se rompen arbitrariamente):
Des
1 2 3 5 Dif.
1 20 19 14 16 2
Ori 2 15 20 13 16 2
3 18 15 18 M 3
4 0 0 0 0 0
Dif. 15 15 13 16
10. El costo mínimo es c45 = 0. Por tanto, la nueva asig-

nación en la tabla de flujos es
X45 = mı́n( a4 , b5 ) = mı́n(10, 60) = 10.

vamente:
a4 ← a4 − X45 = 10 − 10 = 0
y
b5 ← b5 − X45 = 60 − 10 = 50.
Como la nueva oferta
a4 ← a4 − X45 = 0
entonces en la matriz de flujos llenaremos la fila 4 con

ceros a excepción de la posición (4, 5), y eliminamos
dicha fila en la matriz de costos para futuras conside-
raciones. La matriz de flujos y de costos quedan res-
pectivamente de la siguiente manera:
Des
1 2 3 4 5 Oferta
1 0 40
Ori 2 0 60
3 0 90
4 0 0 0 40 10 0
Deman 30 40 70 0 50
Des
1 2 3 5 Oferta
1 20 19 14 16 40
Ori 2 15 20 13 16 60
3 18 15 18 M 90
Deman 30 40 70 50
11. Tercera iteración. Cálculo de la diferencias de filas y

columnas con la matriz de costos del paso anterior:
Des
1 2 3 5 Dif.
1 20 19 14 16 2
Ori 2 15 20 13 16 2
3 18 15 18 M 3
Dif. 3 4 1 0

Des
1 2 3 5 Dif.
1 20 19 14 16 2
Ori 2 15 20 13 16 2
3 18 15 18 M 3
Dif. 3 4 1 0

Des
1 2 3 5 Dif.
1 20 19 14 16 2
Ori 2 15 20 13 16 2
3 18 15 18 M 3
Dif. 3 4 1 0

X32 = mı́n( a3 , b2 ) = mı́n(90, 40) = 40.

vamente:
a3 ← a3 − X32 = 90 − 40 = 50
y
b2 ← b2 − X32 = 40 − 40 = 0.
b2 ← b2 − X32 = 0

Des
1 2 3 4 5 Oferta
1 0 0 40
Ori 2 0 0 60
3 40 0 50
4 0 0 0 40 10 0
Deman 30 0 70 0 50
Des Oferta
1 3 5
1 20 14 16 40
Ori 2 15 13 16 60
3 18 18 M 50
Deman 30 70 50

15. Cuarta iteración. Cálculo de la diferencias de filas y

Des Dif
1 3 5
1 20 14 16 2
Ori 2 15 13 16 2
3 18 18 M 0
Dif 3 1 0

Des Dif
1 3 5
1 20 14 16 2
Ori 2 15 13 16 2
3 18 18 M 0
Dif 3 1 0

Des Dif
1 3 5
1 20 14 16 2
Ori 2 15 13 16 2
3 18 18 M 0
Dif 3 1 0

X21 = mı́n( a2 , b1 ) = mı́n(60, 30) = 30
.
vamente:
a2 ← a2 − X21 = 60 − 30 = 30
y
b1 ← b1 − X21 = 30 − 30 = 0.
b1 ← b1 − X21 = 0

Des
1 2 3 4 5 Oferta
1 0 0 0 40
Ori 2 30 0 0 30
3 0 40 0 50
4 0 0 0 40 10 0
Deman 0 0 70 0 50

Des Oferta
3 5
1 14 16 40
Ori 2 13 16 30
3 18 M 50
Deman 70 50
19. Quinta iteración. Cálculo de la diferencias de filas y

Des Dif
3 5
1 14 16 2
Ori 2 13 16 3
3 18 M M-18
Dif 1 0

Des Dif
3 5
1 14 16 2
Ori 2 13 16 3
3 18 M M-18
Dif 1 0

Des Dif
3 5
1 14 16 2
Ori 2 13 16 3
3 18 M M-18
Dif 1 0

X33 = mı́n( a3 , b3 ) = mı́n(50, 70) = 50
.
vamente:
a3 ← a3 − X33 = 50 − 50 = 0
y
b3 ← b3 − X33 = 70 − 50 = 20.
a3 ← a3 − X33 = 0

Des
1 2 3 4 5 Oferta
1 0 0 0 40
Ori 2 30 0 0 30
3 0 40 50 0 0 0
4 0 0 0 40 10 0
Deman 0 0 20 0 50
Des Oferta
3 5
1 14 16 40
Ori 2 13 16 30
Deman 20 50
23. Sexta iteración. Cálculo de la diferencias de filas y co-

lumnas con la matriz de costos del paso anterior:
Des Dif
3 5
1 14 16 2
Ori 2 13 16 3
Dif 1 0

Des Dif
3 5
1 14 16 2
Ori 2 13 16 3
Dif 1 0

Des Dif
3 5
1 14 16 2
Ori 2 13 16 3
Dif 1 0

X23 = mı́n( a2 , b3 ) = mı́n(30, 20) = 20
.
vamente:
a2 ← a2 − X23 = 30 − 20 = 10
y
b3 ← b3 − X23 = 20 − 20 = 0.
b3 ← b3 − X23 = 0

Des
1 2 3 4 5 Oferta
1 0 0 0 0 40
Ori 2 30 0 20 0 10
3 0 40 50 0 0 0
4 0 0 0 40 10 0
Deman 0 0 0 0 50
Des Oferta
5
1 16 40
Ori 2 16 10
Deman 50

27. Séptima iteración. Cálculo de la diferencias de filas y

Des Dif
5
1 16 16
Ori 2 16 16
Dif 0

Des Dif
5
1 16 16
Ori 2 16 16
Dif 0

Des Dif
5
1 16 16
Ori 2 16 16
Dif 0

X15 = mı́n( a1 , b5 ) = mı́n(40, 50) = 40

.
vamente:
a1 ← a1 − X15 = 40 − 40 = 0
y
b5 ← b5 − X15 = 50 − 40 = 10.
a1 ← a1 − X15 = 0

Des
1 2 3 4 5 Oferta
1 0 0 0 0 40 0
Ori 2 30 0 20 0 10
3 0 40 50 0 0 0
4 0 0 0 40 10 0
Deman 0 0 0 0 10

Des Oferta
5
Ori 2 16 10
Deman 10
31. Octava iteración. Por último, como el destino 5 (úni-

co ) solicita 10 unidades, y el origen 2 (único ) oferta
10 unidades, entonces, en la posición (2, 5) de la tabla
de flujos, enviamos las últimas 10 unidades. Llenan-
do con esto totalmente la tabla de flujos, por lo cual,
termina el algoritmo.
La tabla de flujos, con la nueva oferta y nueva deman-
da, queda de la siguiente forma:
Des
1 2 3 4 5 Oferta
1 0 0 0 0 40 0
Ori 2 30 0 20 0 10 0
3 0 40 50 0 0 0
4 0 0 0 40 10 0
Deman 0 0 0 0 0
La nueva tabla de costos queda vacía, pues ya se en-

viaron todas la ofertas a todos los destinos.
La tabla de flujos esperada, con las ofertas y demandas
originales, queda de la siguiente forma:
Des
1 2 3 4 5 Oferta
1 40 40
Ori 2 30 20 10 60
3 40 50 90
4 40 10 50
Deman 30 40 70 40 60
Observar que la solución es básica factible y no dege-

nerada, pués hay 8 = m + n − 1 = 4 + 5 − 1 valores positi-
vos en la tabla de flujos.

de Vogel del PT 3-9 de la página 325 del libro Juan Prawda.

DE Vogel del problema los problemas 2 del libro Ejercicios modelo
de transporte, el de WORD.

de Vogel.
1. https: // www. youtube. com/ watch? v= 0TpyIG5zj1E
2. https: // www. youtube. com/ watch? v= oH4mxLFZw58
3. https: // www. youtube. com/ watch? v= TxFcSgjrJmw
4. https: // www. youtube. com/ watch? v= yzPI_ s2XuzQ

5. https: // www. youtube. com/ watch? v= 16yErschtjU
6. https: // www. youtube. com/ watch? v= uqilQSbqHLs

4.3. MÉTODO MODI O ALGORITMO DE TRANSPORTE145
4.3. Método MODI o algoritmo de trans-

porte
Este método optimiza la solución básica factible halla-

da por el algoritmo noroccidental, de Vogel o del mínimo
costo.
Describimos los pasos del algoritmo MODI mediante

un ejemplo.
Ejemplo 4.9 Resolver el siguiente PT aplicando primero el al-

goritmo de Vogel y posteriormente el método MODI. La M en la
posición (3, 5) significa que el origen 3 no surte al destino 5. Es-
ta condición supone que el valor de M debe ser un valor positivo
arbitrariamente grande.
Des
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
Ori 2 15 20 13 19 16 60
3 18 15 18 20 M 90
Deman 30 40 70 40 60
Solución Los pasos son los siguientes:
nera:
Des
1 2 3 4 5 Oferta
1 20 19 14 21 16 40
Ori 2 15 20 13 19 16 60
3 18 15 18 20 M 90
4 0 0 0 0 0 50
Deman 30 40 70 40 60
Hay m = 4 orígenes y n = 5 destinos en el problema

balanceado.
2. Se halla una solución básica factible del PT con el mé-

todo noroccidental, de Vogel o de costo mínimo.
Nosotros aplicaremos el método de Vogel. Después de
hallar la solución básica factible por el método de Vo-
gel, se obtiene la siguiente tabla de flujos (ver el ejem-
plo precedente):
Des
1 2 3 4 5 Oferta
1 40 40
Ori 2 30 20 10 60
3 40 50 90
4 40 10 50
Deman 30 40 70 40 60
Tabla 4.33: Solución básica factible

3. PRIMERA ITERACIÓN.
Si en la tabla de flujos del paso anterior se obtiene
una solución básica factible degenerada, es decir, si
el número de valores positivos en la tabla es menor
que m + n − 1, entonces, se agregan ceros de forma ar-
bitraria en la tabla de flujos, de tal manera que halla
m + n − 1 elementos.
Nuestro problema tiene una solución básica factible
no degenerada, pues hay exactamente m + n − 1 = 8
valores positivos en dicha tabla.
Des
1 2 3 4 5 Oferta
1 40 40
Ori 2 30 20 10 60
3 40 50 90
4 40 10 50
Deman 30 40 70 40 60
4. Construir una matriz de costos, unicamente con los

costos Cij de los elementos que están en la matriz de
flujos del paso anterior. Los costos de estos elementos
se obtienen de la tabla de costos del problema balan-
ceado.
En nuestro problema, la tabla de costos asociada a es-
tos elementos queda de la manera siguiente:
1 2 3 4 5
1 16
2 15 13 16
3 15 18
4 0 0
Tabla 4.35: Tabla de costos Cij de elementos de la base
5. Definir las variables duales

ui , i = 1, 2, · · · , m
y
v j , j = 1, 2, · · · , n
sobre la tabla de costos del paso anterior.
En nuestro problema queda de la manera siguiente:
1 2 3 4 5
1 16 u1
2 15 13 16 u2
3 15 18 u3
4 0 0 u4
v1 v2 v3 v4 v5
Tabla 4.36: Variables duales
6. Con la tabla de costos anterior, calcular el valor de las

variables duales ui y v j utilizando el sistema de ecua-
ciones lineales
ui + v j − Cij = 0
donde (i, j) son las posiciones de los costos Cij .

Este sistema tiene m + n incógnitas y m + n − 1 ecua-

ciones, por tanto, conviene primero dar un valor arbi-
trario (se acostumbra el cero) a alguna de las variables
duales, y así empezar a resolver el sistema de ecuacio-
nes.
En nuestro problema. Como en la posición (2, 1) de la
tabla de costos Cij se tiene el costo 15, entonces, em-
pezaremos por dar el valor de cero a la variable dual
u2 , es decir, hacemos u2 = 0. Con éste valor podemos
calcular los valores de v1 , v3 , v5 :
u2 + v1 − C21 = 0 ⇒ v1 = C21 − u2 = 15 − 0 = 15
u2 + v3 − C23 = 0 ⇒ v3 = C23 − u2 = 13 − 0 = 13
u2 + v5 − C25 = 0 ⇒ v5 = C25 − u2 = 16 − 0 = 16
Conocidos los valores de
v1 = 15, v3 = 13, v5 = 16
se pueden calcular los valores de u1 , u3 , u4 :
u1 + v5 − C15 = 0 ⇒ u1 = C15 − v5 = 16 − 16 = 0
u3 + v3 − C33 = 0 ⇒ u3 = C33 − v3 = 18 − 13 = 5
u4 + v5 − C45 = 0 ⇒ u4 = C45 − v5 = 0 − 16 = −16,
es decir, tenemos,
u1 = 0, u3 = 5, u4 = −16.
Con los valores de las variables duales ya obtenidos,
se pueden calcular los valores de las variables duales
restantes:
u4 + v4 − C44 = 0 ⇒ v4 = C44 − u4 = 0 − (−16) = 16
u3 + v2 − C32 = 0 ⇒ v2 = C32 − u3 = 15 − 5 = 10,

es decir, tenemos
v4 = 16, v2 = 10.
En resumen, tenemos los valores de las variables dua-

les:
u1 = 0, u2 = 0, u3 = 5, u4 = −16,
y
v1 = 15, v2 = 10, v3 = 13, v4 = 16, v5 = 16.
7. Óptimalidad. Para decidir si la última tabla de flujos

tiene una solución óptima del PPL, calculamos los va-
lores
zij − cij = cij − (ui + v j ),
para cada posición (i, j) que no esté en la base factible
básica.
Si zij − cij ≥ 0, para cada (i, j) que no esté en la ba-
se factible básica, entonces, la última tabla de flujos
proporciona una solución óptima, en caso contrario,
se selecciona el coeficiente más negativo (los empates
se rompen de forma arbitraria), y la posición de dicho
elemento nos indica un nuevo elemento que entrará a
la base factible básica. Más precisamente hablando, en
la posición que señale el elemento más negativo se co-
locará un nuevo valor denotado por θ > 0 en la última
tabla de flujos hallada.
En nuestro caso, la última tabla de flujos es
Des
1 2 3 4 5 Oferta
1 40 40
Ori 2 30 20 10 60
3 40 50 90
4 40 10 50
Deman 30 40 70 40 60
La tabla de costos de los elementos que no están en la

base, es la siguiente:
1 2 3 4 5
1 20 19 14 21
2 20 19
3 18 20 M
4 0 0 0
Tabla 4.38: Tabla de costos cij de elementos que no están en

la base
Por tanto, las posiciones que no están en la base son:
(1, 1), (1, 2), (1, 3), (1, 4), (2, 2), (2, 4)
y
(3, 1), (3, 4), (3, 5), (4, 1), (4, 2), (4, 3).
Los cálculos son los siguientes (recuerde que M es un
valor arbitrariamente grande positivo):
Como la posición (1, 1) no está en la base, calculamos,
z11 − c11 = c11 − (u1 + v1 ) = 20 − (0 + 15) = 5.

z12 − c12 = c12 − (u1 + v2 ) = 19 − (0 + 10) = 9.
z13 − c13 = c13 − (u1 + v3 ) = 14 − (0 + 13) = 1.
z14 − c14 = c14 − (u1 + v4 ) = 21 − (0 + 16) = 5.
z22 − c22 = c22 − (u2 + v2 ) = 20 − (0 + 10) = 10.
z24 − c24 = c24 − (u2 + v4 ) = 19 − (0 + 16) = 3.
z31 − c31 = c31 − (u3 + v1 ) = 18 − (5 + 15) = −2.
z34 − c34 = c34 − (u3 + v4 ) = 20 − (5 + 16) = −1.
z35 − c35 = c35 − (u3 + v5 ) = M − (5 + 16) = M − 21.
z41 − c41 = c41 − (u4 + v1 ) = 0 − (−16 + 15) = 1.

z42 − c42 = c42 − (u4 + v2 ) = 0 − (−16 + 10) = 6.
z43 − c43 = c43 − (u4 + v3 ) = 0 − (−16 + 13) = 3.
Como no todos los valores zij − cij son mayores o igua-

les a cero, y z31 − c31 = −2 es el valor más negativo,
entonces, modificaremos la última tabla de flujos, in-
troduciendo el valor θ > 0 en la posición (3, 1).
Nuestra nueva tabla de flujos queda de la manera si-
guiente:
Des
1 2 3 4 5 Oferta
1 40 40
Ori 2 30 20 10 60
3 θ 40 50 90
4 40 10 50
Deman 30 40 70 40 60
Tabla 4.39: Nueva tabla de flujos

8. Para que la anterior tabla de flujos tenga una solución

básica factible, es decir, la suma de cada columna sea
la correspondiente demanda, y la suma de cada fila
sea la correspondiente oferta, tenemos que sumar o
restar sólo en algunas posiciones de la base el valor
de θ > 0. A esta acción se llama costruir un circuito
sobre la base de la tabla de flujos.
En nuestro caso, la tabla de flujos queda de la manera
siguiente:
Des
1 2 3 4 5 Oferta
1 40 40
Ori 2 30- θ → 20+θ 10 60
↑ ↓
3 θ ←40 ←50-θ 90
4 40 10 50
Deman 30 40 70 40 60
Tabla 4.40: Circuito en la nueva tabla de flujos

9. Se calcula el valor de θ, y se sustituye en la tabla de flu-

jos anterior. El valor de θ es el mínimo de los valores
de la base donde se restó el valor de θ (los empates
se rompen arbitrariamente). La nueva tabla de flujos
resultante contiene una nueva solución básica factible
de nuestro PPL original.
En nuestro caso,
θ = mı́n{30, 50} = 30.
Al sustituir el valor de θ = 30 en la tabla de flujos

anterior, tenemos,
Des
1 2 3 4 5 Oferta
1 40 40
Ori 2 50 10 60
3 30 40 20 90
4 40 10 50
Deman 30 40 70 40 60

10. Se repiten los pasos del 3 − 9, hasta hallar las condi-

ciones de óptimalidad del paso 7. De la última tabla
óptima se halla la solución óptima y con ésta el costo
mínimo de nuestro PPL original.
11. SEGUNDA ITERACIÓN.

La nueva tabla de flujos es no degenerada, por tanto,
no hay necesidad de agregar ceros en la tabla.
Des
1 2 3 4 5 Oferta
1 40 40
Ori 2 50 10 60
3 30 40 20 90
4 40 10 50
Deman 30 40 70 40 60
Tabla 4.42: Tabla de flujos no degenerada
12. Se construye la tabla de costos con las posiciones de la

base de la tabla de flujos anterior:
1 2 3 4 5
1 16
2 13 16
3 18 15 18
4 0 0
13. Se definen las variables duales sobre la tabla de costos

anterior:
1 2 3 4 5
1 16 u1
2 13 16 u2
3 18 15 18 u3
4 0 0 u4
v1 v2 v3 v4 v5

ciones lineales
ui + v j − Cij = 0

calcular los valores de v1 , v2 , v3 :
u3 + v1 − C31 = 0 ⇒ v1 = C31 − u3 = 18 − 0 = 18
u3 + v2 − C32 = 0 ⇒ v2 = C32 − u3 = 15 − 0 = 15
u3 + v3 − C33 = 0 ⇒ v3 = C33 − u3 = 18 − 0 = 18,
es decir,
v1 = 18, v2 = 15, v3 = 18.
Con el valor de v3 = 18, se calcula u2 :
u2 + v3 − C23 = 0 ⇒ u2 = C23 − v3 = 13 − 18 = −5,

es decir, u2 = −5.
Con el valor de u2 = −5, se calcula v5 :
u2 + v5 − C25 = 0 ⇒ v5 = C25 − u2 = 16 − (−5) = 21,
es decir, v5 = 21.
u1 + v5 − C15 = 0 ⇒ u1 = C15 − v5 = 16 − 21 = −5,
u4 + v5 − C45 = 0 ⇒ u4 = C45 − v5 = 0 − 21 = −21,
Por último, con el valor de u4 = −21 se calcula v4 :
u4 + v4 − C44 = 0 ⇒ v4 = C44 − u4 = 0 − (−21) = 21.
les:
u1 = −5, u2 = −5, u3 = 0, u4 = −21,
y
v1 = 18, v2 = 15, v3 = 18, v4 = 21, v5 = 21.
15. Se calculan las condiciones de óptimalidad con la ecua-

ción
básica.
Des
1 2 3 4 5 Oferta
1 40 40
Ori 2 50 10 60
3 30 40 20 90
4 40 10 50
Deman 30 40 70 40 60
Tabla 4.45: Tabla de flujos no degenerada

1 2 3 4 5
1 20 19 14 21
2 15 20 19
3 20 M
4 0 0 0

la base
(1, 1), (1, 2), (1, 3), (1, 4), (2, 1), (2, 2)
y
(2, 4), (3, 4), (3, 5), (4, 1), (4, 2), (4, 3).
z11 − c11 = c11 − (u1 + v1 ) = 20 − 13 = 7.
z12 − c12 = c12 − (u1 + v2 ) = 19 − 10 = 9.
z13 − c13 = c13 − (u1 + v3 ) = 14 − 13 = 1.
z14 − c14 = c14 − (u1 + v4 ) = 21 − 16 = 5.
z21 − c21 = c21 − (u2 + v1 ) = 15 − 13 = 2.
z22 − c22 = c22 − (u2 + v2 ) = 20 − 10 = 10.
z24 − c24 = c24 − (u2 + v4 ) = 19 − 16 = 3.

z34 − c34 = c34 − (u3 + v4 ) = 20 − 21 = −1.
z35 − c35 = c35 − (u3 + v5 ) = M − 21.
z41 − c41 = c41 − (u4 + v1 ) = 0 − (−3) = 3.
z42 − c42 = c42 − (u4 + v2 ) = 0 − (−6) = 6.
z43 − c43 = c43 − (u4 + v3 ) = 0 − (−3) = 3.
Como no todos los valores zij − cij son mayores o igua-

les a cero, y z34 − c34 = −1 es el valor más negativo,
entonces, modificaremos la última tabla de flujos, in-
troduciendo el valor θ > 0 en la posición (3, 4).
Nuestra nueva tabla de flujos queda de la manera si-
guiente:
Des
1 2 3 4 5 Oferta
1 40 40
Ori 2 50 10 60
3 30 40 20 θ 90
4 40 10 50
Deman 30 40 70 40 60
16. Construimos el circuito en la nueva tabla de flujos an-

terior.
En nuestro caso, la tabla de flujos queda de la manera
siguiente:
Des
1 2 3 4 5 Oferta
1 40 40
Ori 2 50+θ → → 10-θ 60
↑ ↓
3 30 40 20-θ ←θ 90
↑ ↓
4 40-θ ←10+θ 50
Deman 30 40 70 40 60
Tabla 4.48: Circuito en la nueva tabla de flujos

17. Se calcula el valor de θ, y se sustituye en la tabla de

flujos anterior. El valor de θ es el mínimo de los valo-
res de la base donde se restó el valor de θ. La nueva
tabla de flujos resultante contiene una nueva solución
básica factible de nuestro PPL original.
En nuestro caso,
θ = mı́n{10, 20, 40} = 10.
Al sustituir el valor de θ = 10 en la tabla de flujos

anterior, tenemos la nueva tabla de flujos:
Des
1 2 3 4 5 Oferta
1 40 40
Ori 2 60 60
3 30 40 10 10 90
4 30 20 50
Deman 30 40 70 40 60

18. TERCERA ITERACIÓN.

La nueva tabla de flujos es no degenerada, por tanto,
no hay necesidad de agregar ceros en la tabla.
Des
1 2 3 4 5 Oferta
1 40 40
Ori 2 60 60
3 30 40 10 10 90
4 30 20 50
Deman 30 40 70 40 60

19. Se construye la nueva tabla de costos con las posicio-

nes de la base de la tabla de flujos anterior:
1 2 3 4 5
1 16
2 13
3 18 15 18 20
4 0 0
20. Se definen las variables duales sobre la tabla de costos

anterior:
1 2 3 4 5
1 16 u1
2 13 u2
3 18 15 18 20 u3
4 0 0 u4
v1 v2 v3 v4 v5

ciones lineales
ui + v j − Cij = 0


calcular los valores de v1 , v2 , v3 , v4 :
u3 + v1 − C31 = 0 ⇒ v1 = C31 − u3 = 18 − 0 = 18
u3 + v2 − C32 = 0 ⇒ v2 = C32 − u3 = 15 − 0 = 15
u3 + v3 − C33 = 0 ⇒ v3 = C33 − u3 = 18 − 0 = 18
u3 + v4 − C34 = 0 ⇒ v4 = C34 − u3 = 20 − 0 = 20,
es decir,
v1 = 18, v2 = 15, v3 = 18, v4 = 20.
Con estos valores se pueden calcular los valores de
u2 , u4 :
u2 + v3 − C23 = 0 ⇒ u2 = C23 − v3 = 13 − 18 = −5
u4 + v4 − C44 = 0 ⇒ u4 = C44 − v4 = 0 − 20 = −20
es decir,
u2 = −5, u4 = −20.
Con estos valores, se puede calcular el valor de v5 :
u4 + v5 − C45 = 0 ⇒ v5 = C45 − u4 = 0 − (−20) = 20,
y con el valor de v5 = 20, se calcula u1 :
u1 + v5 − C15 = 0 ⇒ u1 = C15 − v5 = 16 − 20 = −4
les:
u1 = −4, u2 = −5, u3 = 0, u4 = −20,
y
v1 = 18, v2 = 15, v3 = 18, v4 = 20, v5 = 20.
22. Se calculan las condiciones de óptimalidad con la ecua-

ción
básica.
Des
1 2 3 4 5 Oferta
1 40 40
Ori 2 60 60
3 30 40 10 10 90
4 30 20 50
Deman 30 40 70 40 60

1 2 3 4 5
1 20 19 14 21
2 15 20 19 16
3 M
4 0 0 0

la base
(1, 1), (1, 2), (1, 3), (1, 4), (2, 1), (2, 2)
y
(2, 4), (2, 5), (3, 5), (4, 1), (4, 2), (4, 3).
z11 − c11 = c11 − (u1 + v1 ) = 20 − 14 = 6.
z12 − c12 = c12 − (u1 + v2 ) = 19 − 11 = 8.
z13 − c13 = c13 − (u1 + v3 ) = 14 − 14 = 0.
z14 − c14 = c14 − (u1 + v4 ) = 21 − 16 = 5.
z21 − c21 = c21 − (u2 + v1 ) = 15 − 13 = 2.
z22 − c22 = c22 − (u2 + v2 ) = 20 − 10 = 10.
z24 − c24 = c24 − (u2 + v4 ) = 19 − 15 = 4.
z25 − c25 = c25 − (u2 + v5 ) = 16 − 15 = 1.

z35 − c35 = c35 − (u3 + v5 ) = M − 20.
z41 − c41 = c41 − (u4 + v1 ) = 0 − (−2) = 2.
z42 − c42 = c42 − (u4 + v2 ) = 0 − (−5) = 5.
z43 − c43 = c43 − (u4 + v3 ) = 0 − (−2) = 2.
Como todos los valores zij − cij son mayores o iguales

a cero, entonces, la última tabla de flujos es óptima.
Nuestra tabla óptima de flujos queda de la manera si-
guiente:
Des
1 2 3 4 5 Oferta
1 40 40
Ori 2 60 60
3 30 40 10 10 90
4 30 20 50
Deman 30 40 70 40 60
Tabla 4.55: Tabla óptima de flujos

Por tanto, el costo mínimo con estos envíos es
C = $2, 940

de MODI.
1. https: // 1drv. ms/ v/ s! AqiejG_ xUCiqjHQlxnvBBdJTl8My?

e= ycObhQ
2. https: // 1drv. ms/ v/ s! AqiejG_ xUCiqjHZ8Qlcgdjhq5XsG?

e= cUDt3v
3. Problema degenerado:
https: // correobuap-my. sharepoint. com/ : v: /g/ personal/
josel_ palacios_ correo_ buap_ mx/ EecSpB7qprpHudOQacfX1wIB
d80X-2LJTludKg? e= 6U8UBi
4. https: // www. youtube. com/ watch? v= qzqYEWd2cb4
5. https: // www. youtube. com/ watch? v= zMfSddUMSkQ
6. https: // www. youtube. com/ watch? v= d8aT8vZGLFU
7. https: // www. youtube. com/ watch? v= HKrIV9B_ QaQ
8. https: // www. youtube. com/ watch? v= HzJaVdr2rBA
9. https: // www. youtube. com/ watch? v= nviZ-4na_ Pk
10. Problema degenerado:

https: // correobuap-my. sharepoint. com/ : v: /g/ personal/
josel_ palacios_ correo_ buap_ mx/ EST8zL8umJlCi9Xekq_
arywBYCW9kOPKlBhGBeCFXL89OA? e= WL76AI
4.4. TAREA 6 171
4.4. TAREA 6
Hacer los siguientes ejercicios por el método norocci-

dental y MODI; y por Vogel y MODI:

Manual de Investigación de Operaciones

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Manual de Investigación de Operaciones

Cargado por

Copyright:

Formatos disponibles

MANUAL DE

JOSÉ LUCIO PALACIOS ARIAS

1.1. ¿ Qué es la investigación de operaciones? . . 1

1.2. Método gráfico . . . . . . . . . . . . . . . . . 7

1.3. Videos de apoyo . . . . . . . . . . . . . . . . . 21

2.1. Método simplex canónico . . . . . . . . . . . 26

2.2. Casos especiales del método simplex . . . . . 38

2.2.1. Primer caso, reglas lexicográficas . . . 38

2.2.2. Segundo caso, soluciones no acotadas 45

2.2.3. Tercer caso, soluciones óptimas múl-

2.4. Método de penalización . . . . . . . . . . . . 57

2.6. Método de doble fase . . . . . . . . . . . . . 71

3.1. Método simplex dual . . . . . . . . . . . . . . 91

4.1. Método noroccidental . . . . . . . . . . . . . 110

4.2. Método de Vogel . . . . . . . . . . . . . . . . 123

4.3. Método MODI o algoritmo de transporte . . 145

4.4. TAREA 6 . . . . . . . . . . . . . . . . . . . . . 171

1.1. ¿ Qué es la investigación de opera-

La investigación de operaciones es la aplicación, por

los recursos militares de los aliados dispersos por todo el

En este trabajo describiremos de manera técnica una in-

Empezaremos definiendo los modelos de estudio en es-

Definición 1.1 Un modelo matemático de programación lineal

donde a la función z = c1 x1 + c2 x2 + ... + cn xn se le lla-

decisión, los coeficientes reales aij se les llama coeficientes

Ejemplo 1.1 (Modelo canónico con coeficientes de recursos

donde los coeficientes bi son coeficientes no negativos

Veamos la definición de solución óptima de un PPL.

Definición 1.2 Consideremos un PPL de la forma:

1. La región factible del PPL es el conjunto RF de puntos

2. Una solución (si es que existe) óptima X = X0 es un punto

Puede suceder que el PPL no tenga alguna solución,

A continuación daré algunos ejemplos de modelos de

Ejemplo 1.2 Una empresa fabrica dos modelos de fundas de so-

trabajo y 3 unidades de tela. Para fabricar una del modelo B se re-

Solución. Contruyamos el modelo de programación li-

1. Primero definamos las variables de decisión: Llame-

2. Segundo definamos la función objetivo: Como cada

3. Tercero definamos las restricciones de horas de traba-

3x + 5y ≤ 60. Por último como a lo más sólo se pue-

Max Z = 40x + 20y

Ejercicio 1. En una granja de pollos se da una dieta, pa-

Ejercicio 2. Un establecimiento de prendas deportivas

gafas. Sabiendo que la publicidad de esta oferta tendrá un

Ejercicio 3. Una empresa de instalaciones dispone de

Teorema 1.1 (Teorema fundamental de la programación li-

1.2. Método gráfico

En el caso de dos variables, primero tenemos que ha-

regiones factibles de cada restricción, y segundo de los vér-

El primer método para hallar la solución óptima de un

Proposición 1.1 Consideremos una restricción de la forma

1. Si un punto ( x0 , y0 ) no está en la recta

y sus coordenadas satisfacen dicha desigualdad, enton-

2. Si el punto ( x0 , y0 ) no está en la recta

y sus coordenadas no satisfacen dicha desigualdad, en-

La proposición anterior también es cierta para inecuaciones

12 Región factible: Ax+By>C

2 (x0,y0) Satisface la inecuación Ax+By<C

Figura 1.1: Región factible

Ejemplo 1.3 Sea el PPL del ejemplo precedente

Max Z = 40x + 20y

1. Hallar la región factible del PPL

2. Hallar la solución óptima del PPL por el método gráfico