ALGEBRA

BARREIRO-SAVA

INGRESO AL AULA: https://campus.untrefvirtual.edu.ar/acceso.cgi

 UNIDAD N° 5

PROGRAMACIÓN LINEAL

PARA SABER MÁS

Introducción
Muchas personas clasifican el desarrollo de la Programación Lineal (PL) entre los avances científicos más
importantes de mediados del siglo XX. En la actualidad es una herramienta común que ha ahorrado miles o millones
de dólares a muchas compañías y negocios, incluyendo industrias medianas en distintos países del mundo. ¿Cuál es
la naturaleza de esta notable herramienta y qué tipo de problemas puede manejar? Expresado brevemente, el tipo
más común de aplicación abarca el problema general de asignar recursos limitados entre actividades competitivas de
la mejor manera posible (es decir, en forma óptima). Este problema de asignación puede surgir cuando deba elegirse
el nivel de ciertas actividades que compiten por recursos escasos para realizarlas asignación de instalaciones
productivas a los productos, hasta la asignación de los recursos nacionales a las necesidades de un país; desde la
planeación agrícola, hasta el diseño de una terapia de radiación; etc. La variedad de situaciones a las que se puede
aplicar esta descripción es sin duda muy grande, y va desde la. No obstante, el ingrediente común de todas estas
situaciones es la necesidad de asignar recursos a las actividades.
Con frecuencia, seleccionar una alternativa incluye satisfacer varios criterios al mismo tiempo. Por ejemplo,
cuando se compra una pieza de pan se tiene el criterio de frescura, tamaño, tipo (blanco, integral u otro), costo y
rebanado o sin rebanar. Se puede ir un paso más adelante y dividir estos criterios en dos categorías: restricciones y
el objetivo. Las restricciones son las condiciones que debe satisfacer una solución que está bajo consideración. Si
más de una alternativa satisface todas las restricciones, el objetivo se usa para seleccionar entre todas las alternativas
factibles. Cuando se elige una pieza de pan, pueden quererse 100 gr. de pan blanco rebanado y hecho no antes de
ayer. Si varias marcas satisfacen estas restricciones, puede aplicarse el objetivo de un costo mínimo y escoger las
más barata.
 Existen muchos problemas administrativos que se ajustan a este molde de tratar de minimizar o maximizar un
objetivo que está sujeto a una lista de restricciones. Un corredor de inversiones, por ejemplo, trata de maximizar el
rendimiento sobre los fondos invertidos pero las posibles inversiones están restringidas por las leyes y las políticas
bancarias. Un hospital debe planear que las comidas para los pacientes satisfagan ciertas restricciones sobre sabor,
propiedades nutritivas, tipo y variedad, al mismo tiempo que se trata de minimizar el costo. Un fabricante, al planear la
producción futura, busca un costo mínimo al mismo tiempo cómo cumplir restricciones sobre la demanda del producto,
la capacidad de producción, los inventarios, el nivel de empleados y la tecnología. La PL se ha aplicado con éxito a estos
y otros problemas.

La PL es una técnica determinista, no incluye probabilidades y utiliza un modelo matemático para describir el
problema. El adjetivo lineal significa que todas las funciones matemáticas del modelo deben ser funciones lineales.
En este caso, la palabra programación no se refiere a programación en computadoras; en esencia es un sinónimo de
planeación. Así, la PL trata la planeación de las actividades para obtener un resultado óptimo, esto es, el resultado
que mejor alcance la meta especificada (según el modelo) entre todas las opciones de solución. Aunque la asignación
de recursos a las actividades es la aplicación más frecuente, la PL tiene muchas otras posibilidades. De hecho,
cualquier problema cuyo modelo matemático se ajuste al formato general del modelo de PL es un problema de PL.

SUPUESTOS DE LA PROGRAMACIÓN LINEAL

Existe un número de suposiciones realizadas en cada modelo. La utilidad de un modelo está directamente
relacionada con la realidad de los supuestos.

El primer supuesto tiene que ver con la forma lineal de las funciones. Ya que el objetivo es lineal, la
contribución al objetivo de cualquier decisión es proporcional al valor de la variable de decisión. Producir dos veces
más de producto producirá dos veces más de ganancia, contratando el doble de páginas en las revistas doblará el
costo relacionado con las revistas. Es una Suposición de Proporción.

Además, la contribución de una variable a la función objetivo es independiente de los valores de las otras
variables. La ganancia con una computadora Notebook es de $1.750, independientemente de cuantas computadoras
Desktop se producen. Este es un Supuesto de Adición.
Análogamente, ya que cada restricción es lineal, la contribución de cada variable al lado izquierdo de cada restricción
es proporcional al valor de la variable e independiente de los valores de cualquier otra variable.
Estas suposiciones son bastante restrictivas. Veremos, sin embargo, que ser claros y precisos en la
formulación del modelo puede ayudar a manejar situaciones que parecen en un comienzo como lejanos a estos
supuestos.
 El siguiente supuesto es la Suposición de ser Divisible. Es posible tomar una fracción de cualquier variable.
Por ejemplo, en un problema de marketing, ¿qué significa comprar 2,67 avisos en la televisión? Es posible que la
suposición de ser divisible sea insatisfecha en este ejemplo. O puede ser que tales unidades de 2.67 avisos
correspondan a 2,666.7 minutos de avisos, en cuyo caso redondeando la solución serían 2,667 minutos con una
mínima duda que esté cercana a la solución óptima. Si la suposición de divisible no es válida, entonces se usará la
técnica de Programación Lineal Entera. La última suposición es el Supuesto de Certeza. La Programación Lineal no
permite incertidumbre en los valores.
Será difícil que un problema cumpla con todas las suposiciones de manera exacta. Pero esto no negará la
factibilidad de uso del modelo. Un modelo puede ser aún útil aunque difiera de la realidad, si se es consistente con
los requerimientos más estrictos dentro del modelo y se tiene claras sus limitaciones al interpretar los resultados.

Existen limitaciones prácticas para el uso de la PL. Una se relaciona con los cálculos. En general se necesita
una computadora. Desafortunadamente, las calculadoras, aun las programables, son poco útiles, puesto que la PL
tiene necesidad de gran cantidad de memoria o almacenamiento. Si no se tiene acceso a una computadora, se estará
limitado a problemas muy sencillos. La otra limitación se refiere al costo de formular un problema de PL. En teoría,
podría usarse PL, por ejemplo, para hacer las compras semanales de abarrotes. Sin embargo, sería necesario conocer
todas las compras posibles que pueden realizarse (éstas serían las variables), además de cada restricción como
sabor, número de comidas, vitaminas y proteínas. Es obvio que el costo de obtener todos estos datos excede lo que
se podría ahorrar si se hicieran las compras óptimas. Antes de emprender una aplicación de PL, debe considerarse
la disponibilidad y el costo de los datos necesarios.

Formulación de modelos de Programación Lineal

Aunque se ponga en duda, la parte más difícil de PL es reconocer cuándo ésta puede aplicarse y formular el
problema matemáticamente. Una vez hecha esa parte, resolver el problema casi siempre es fácil.
Para formular un problema en forma matemática, deben expresarse afirmaciones lógicas en términos
matemáticos. Esto se realiza cuando se resuelven “problemas hablados” al estudiar un curso de álgebra. Algo muy
parecido sucede aquí al formular las restricciones. Por ejemplo, considérese la siguiente afirmación: A usa 3 horas
por unidad y B usa 2 horas por unidad. Si deben usarse todas las 100 horas disponibles, la restricción será:
3A + 2B = 100

Sin embargo, en la mayoría de las situaciones de negocios, no es obligatorio que se usen todos los recursos
(en este caso, horas de mano de obra). Más bien la limitación es que se use, cuando mucho, lo que se tiene disponible.
Para este caso, la afirmación anterior puede escribirse como una desigualdad:
3A + 2B ≤ 100
 Para que sea aceptable para PL, cada restricción debe ser una suma de variables con exponente 1. Los
cuadrados, las raíces cuadradas, etc. no son aceptables, ni tampoco los productos de variables. Además, la forma
estándar para una restricción pone a todas las variables del lado izquierdo y sólo una constante positiva o cero del
lado derecho. Esto puede requerir algún reacomodo de los términos. Si, por ejemplo, la restricción es que A debe ser
por los menos el doble de B, esto puede escribirse como:

A  2B ó A – 2B  0

Nótese que pueden moverse términos de un lado a otro de las desigualdades como si fuera un signo de
igualdad. Pero al multiplicar una desigualdad por 1, el sentido de esta desigualdad se invierte. Puede ser necesario
hacer esto para que los coeficientes del lado derecho sean positivos. Por ejemplo, si se quiere que A sea por lo menos
tan grande como B – 2, entonces:

AB–2

óA–B–2

por último B – A ≤ 2
Una nota final sobre desigualdades: es sencillo convertir una desigualdad en una ecuación. Todo lo que se
tiene que hacer es agregar (o restar) una variable extra. Por ejemplo:
B – A ≤ 2 es lo mismo que B – A + S = 2

donde S representa la diferencia, o la holgura, entre B – A y 2. S se llama variable de holgura. Por otro lado,
se restaría una variable de superávit en el caso siguiente:

A – 2B  0 es lo mismo que A – 2B – S = 0

Algunos métodos de solución (como el Método Símplex) y la mayoría de los programas de computadora
requieren que todas las desigualdades se conviertan en igualdades.
La metodología de PL requiere que todas las variables sean positivas o cero, es decir, no negativas. Para la
mayoría de los problemas esto es real, no se querría una solución que diga: prodúzcanse menos dos cajas o
contrátense menos cuatro personas.

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

Como el valor de la función objetivo no se conoce hasta que se resuelve el problema, se usa la letra Z para
representarlo. La función objetivo tendrá, entonces, la forma:
 Maximizar Z = 4A + 6B ó

Minimizar Z = 2x1 + 5x2

 Ejemplo 1

El gerente de personal de “La Tortuga Veloz, S.A. de C.V.”, está analizando la necesidad de mano de obra
semi calificada durante los próximos seis meses. Se lleva 1 mes adiestrar a una persona nueva. Durante este período
de entrenamiento un trabajador regular, junto con uno en adiestramiento (aprendiz), logran el equivalente de lo que
producen 1,2 trabajadores regulares. Se paga 500 dólares mensuales a quien está en entrenamiento, mientras que
los trabajadores regulares ganan 800 dólares mensuales. La rotación de personal entre los trabajadores regulares es
bastante alta, del 10% mensual. El gerente de personal debe decidir cuántas personas necesita contratar cada mes
para adiestramiento. En la tabla siguiente, se brinda información respecto del número de meses-hombre necesarios.
Por otra parte, también se desea tener una fuerza de trabajo regular de 110 al principio de julio. En cuanto al 1º de
enero, hay 58 empleados regulares.

Mes Meses-hombre requeridos Mes Meses-hombre requeridos

Enero 60 Abril 80

Febrero 50 Mayo 70

Marzo 60 Junio 100

Este problema tiene un aspecto dinámico, ya que la fuerza de trabajo en cualquier mes depende de la fuerza
de trabajo regular y en adiestramiento del mes anterior. Para cualquier mes, el número total de meses-hombre
disponibles se puede expresar como sigue:

Meses-hombre disponibles: Ri + 0.2Ai donde: Ri = número de trabajadores regulares al principio del mes y Ai
= número de aprendices contratados en el mes.

Entonces, los requerimientos de cada mes pueden expresarse por las restricciones:
enero R1 + 0.2A1  60

febrero R2 + 0.2A2  50

marzo R3 + 0.2A3  60

abril R4 + 0.2A4  80
 mayo R5 + 0.2A5  70

junio R6 + 0.2A6  100

julio (principio) R7  110

Debido a la rotación, el 10% de los trabajadores regulares se van cada mes. Así, el número de trabajadores
regulares disponibles, por ejemplo, al principio de febrero sería:
R2 = 0.9R1 + A1

En la misma forma, pueden escribirse las ecuaciones para el número de trabajadores disponibles al principio
de cada mes:

enero R1 = 58 (dado)

febrero R2 = 0.9R1 + A1

marzo R3 = 0.9R2 + A2

abril R4 = 0.9R3 + A3

mayo R5 = 0.9R4 + A4

junio R6 = 0.9R5 + A5

julio R7 = 0.9R6 + A6

El objetivo global del gerente de personal es minimizar el costo. La función objetivo es:

Minimizar: Z = 800(R1 + R2 + R3 + R4 + R5 + R6) + 500(A1 + A2 + A3 + A4 + A5 + A6)

Ahora se tiene el problema en el formato general de PL con 13 variables y 14 restricciones.

Los tomadores de decisiones en las empresas establecen criterios que debe cumplir una solución y, después,
buscan esa solución. En PL, los criterios se expresan como restricciones. Se exploran las soluciones posibles y se
usa la función objetivo para elegir la mejor de entre aquellas que cumplen con los criterios. La PL se denomina técnica
de optimización, pero optimiza sólo dentro de los límites de las restricciones. En realidad es un método de satisfacción
de criterios.

Forma estándar de los modelos de Programación Lineal

Supóngase que existe cualquier número (digamos m) de recursos limitados de cualquier tipo, que se pueden
asignar entre cualquier número (digamos n) de actividades competitivas de cualquier clase. Etiquétense los recursos
con números (1, 2,..., m) al igual que las actividades (1, 2,..., n). Sea xj (una variable de decisión) el nivel de la actividad
j, para j = 1, 2,..., n, y sea Z la medida de efectividad global seleccionada. Sea cj el incremento que resulta en Z por
cada incremento unitario en xj (para j = 1, 2,..., n). Ahora sea bi la cantidad disponible del recurso i (para i = 1, 2,...,
m). Por último defínase aij como la cantidad de recurso i que consume cada unidad de la actividad j (para i = 1, 2,...,
m y j = 1, 2,..., n). Se puede formular el modelo matemático para el problema general de asignar recursos a actividades.
En particular, este modelo consiste en elegir valores de x1, x2,..., xn para:
Maximizar Z = c1x1 + c2x2 +... + cnxn,

sujeto a las restricciones:

a11x1 + a12x2 + ... + a1nxn  b1

a21x1 + a22x2 + ... + a2nxn  b2

am1x1 + am2x2 + ... + amnxn  bm

x1  0, x2  0, ..., xn  0

Ésta se llamará nuestra forma estándar (porque algunos libros de texto adoptan otras formas) para el
problema de PL. Cualquier situación cuya formulación matemática se ajuste a este modelo es un problema de PL.
En este momento se puede resumir la terminología que usaremos para los modelos de PL. La función que
se desea maximizar, c1x1 + c2x2 +... + cnxn, se llama función objetivo. Por lo general, se hace referencia a las
limitaciones como restricciones. Las primeras m restricciones (aquellas con una función del tipo ai1x1 + ai2x2 +... +
ainxn, que representa el consumo total del recurso i) reciben el nombre de restricciones funcionales. De manera
parecida, las restricciones xj  0 se llaman restricciones de no negatividad. Las variables xj son las variables de
decisión. Las constantes de entrada, aij, bi, cj, reciben el nombre de parámetros del modelo.

OTRAS FORMAS DE MODELOS DE PROGRAMACIÓN LINEAL

Es conveniente agregar que el modelo anterior no se ajusta a la forma natural de algunos problemas de
programación lineal. Las otras formas legítimas son las siguientes:

1. Minimizar en lugar de maximizar la función objetivo:

Minimizar Z = c1x1 + c2x2 + ... + cnxn,

2. Algunas restricciones funcionales con desigualdad en el sentido mayor o igual:

ai1x1 + ai2x2 + ... + ainxn,  bi, para algunos valores de i,

3. Algunas restricciones funcionales en forma de ecuación:

ai1x1 + ai2x2 + ... + ainxn, = bi, para algunos valores de i,
 4. Las variables de decisión sin la restricción de no negatividad:

xj no restringida en signo para algunos valores de j.

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

Solución gráfica de modelos lineales con dos variables.

Para la solución gráfica de programas lineales con dos variables, lo que se tiene que hacer es trazar un eje
de coordenadas cartesianas, para graficar las desigualdades dadas por el problema, después encontrar el Área de
Soluciones Factibles y proceder a graficar la función objetivo para conocer el valor óptimo (maximizar o minimizar)
que será la solución del problema.

 Ejemplo 2

Un fabricante está tratando de decidir sobre las cantidades de producción para dos artículos: mesas y sillas.
Se cuenta con 96 unidades de material y con 72 horas de mano de obra. Cada mesa requiere 12 unidades de material
y 6 horas de mano de obra. Por otra parte, las sillas usan 8 unidades de material cada una y requieren 12 horas de
mano de obra por silla. El margen de contribución es el mismo para las mesas que para las sillas: $5 por unidad. El
fabricante prometió construir por lo menos dos mesas.
Paso 1: formulación del problema.

El primer paso para resolver el problema es expresarlo en términos matemáticos en el formato general de PL.
¿Cuál es el objetivo? Es maximizar la contribución a la ganancia. Cada unidad de mesas o sillas producidas contribuirá
con $5 en la ganancia. Así las dos alternativas son la producción de mesas y la producción de sillas. Ahora puede
escribirse la función objetivo:
Maximizar Z = 5x1 + 5x2
en donde: x1 = número de mesas producidas

x2 = número de sillas producidas

 ¿Cuáles son las restricciones o limitaciones del problema? Existen tres restricciones. Primero, el material está
limitado a 96 unidades. Cada mesa se lleva 12 unidades de material y cada silla usa 8 unidades. La primera restricción
es, entonces:
12x1 + 8x2 ≤ 96

La segunda restricción es el total de horas de mano de obra. Una mesa se lleva 6 horas, una silla 12 horas y
se dispone de un total de 72 horas. Así:

6x1 + 12x2 ≤ 72
Existe una limitación más. El fabricante prometió producir por lo menos dos mesas. Esto puede expresarse
como:

x1  2

Por último, las restricciones de no negatividad son:

x1  0, x2  0

Poniendo todo junto el modelo se tiene:

Maximizar Z = 5x1 + 5x2

12x1 + 8x2 ≤ 96

6x1 + 12x2 ≤ 72
Restricciones
x1  2

x1  0, x2  0

Paso 2: gráfica de las restricciones.

El siguiente paso en el método gráfico es dibujar todas las restricciones en una gráfica. Esto puede hacerse
en cualquier orden. Por conveniencia se comenzará con las restricciones de no negatividad. Éstas se muestran en la
siguiente figura:

x2

Región
Factible

x1
 En esta gráfica, una solución se representaría por un punto con coordenadas x 1 (mesas) y x2 (sillas). Las
coordenadas representarían las cantidades de cada artículo que se deben producir. El cuadrante superior derecho se
llama Región Factible puesto que es el único cuadrante en que pueden estar las soluciones. Los otros tres cuadrantes
no son factibles, ya que requerirían la producción de cantidades negativas de mesas o de sillas o de ambas.

La siguiente restricción es x1  2. La manera más sencilla de dibujar las restricciones de recursos es en dos
pasos: (1) convertir una desigualdad en una ecuación y graficar la ecuación y (2) sombrear el área apropiada arriba y
abajo de la línea que resulta en el paso 1. Convertir una igualdad en una ecuación aquí significa ignorar la parte de
“mayor que” o “menor que” de la restricción.

Así, en el ejemplo, x1  2 se convierte en x1 = 2. Esta ecuación está trazada en la siguiente figura:

x1== 2
X2
14
Región
12
Factible
10
8
6
4
2

2 4 6 8 10 12 14 16 X1

Cualquier punto en la línea x1 = 2 satisface la ecuación. Sin embargo, la restricción es más amplia, ya que
cualquier punto x1 > 2 también la cumplirá. Esto incluye todos los puntos que están a la derecha de la línea x1 = 2.
Entonces, la región factible incluye todos los valores de x 1 que están sobre o a la derecha de la línea x1 = 2.
La limitación sobre las horas de mano de obra es la siguiente restricción. Como antes, primero se convierte
en una ecuación: 6x1 + 12x2 = 72. Puede graficarse esta línea si se encuentran dos puntos sobre ella. El par de puntos
más sencillos de localizar son las intersecciones con los ejes X 1 y X2. Para encontrar la intersección con el eje X2 se
hace x1 = 0. La ecuación se reduce, entonces, a:
12x2 = 72

x2 = 6
 La intersección con el eje X1 se encuentra haciendo x2 = 0. Así:

6x1 = 72

x1 = 12
Estos dos puntos y la línea que los une se muestran en la siguiente figura:

X2
14
12
10
8 6x1 + 12x2 = 72
6
4
Región
2
Factible
2 4 6 8 10 12 14 16 X1
Cualquier punto que está sobre o abajo de esta línea cumplirá con la restricción. Cualquier punto arriba de
esta línea requerirá más de 72 horas de mano de obra y no es aceptable. En la siguiente figura se combina esta
restricción con la anterior. En la región factible, ambas restricciones se cumplen.
X2 x1 = 2
14
12
10
8 6x1 + 12x2 = 72
6
4
2 Región
Factible
2 4 6 8 10 12 14 16 X1

La última restricción es la de material. Siguiendo el procedimiento anterior, primero se encuentran las

intersecciones para la igualdad. Éstas son x 1 = 0, x2 = 12 y x1 = 8, x2 =0. Se localizan los dos puntos en la gráfica; se
traza la línea, y como la restricción es del tipo menor o igual que, se sombrea el área que está abajo de la línea. El
resultado se muestra en la siguiente figura:

X2 x1 = 2
14
12
10
12x1 + 8x2 = 96
8
6
6x1 + 12x2 = 72
4
2 Región
Factible
2 4 6 8 10 12 14 16 X1
 Cualquier solución que esté en la frontera o dentro del área sombreada cumplirá con todas las restricciones.
Ahora se utilizará la función objetivo para seleccionar la solución óptima.
Paso 3: obtención de la solución óptima: líneas de indiferencia.

Para encontrar la solución óptima, se grafica la función objetivo en la misma gráfica de las restricciones. La
función objetivo en este problema es Z = 5x1 + 5x2. Como todavía no se conoce el máximo valor factible de Z, no
puede trazarse el óptimo de la función objetivo. No obstante, es posible suponer algunos valores para Z y graficar las
líneas resultantes. En la siguiente figura se muestran las líneas para Z=5 y Z=50:
 X2
14
12
10
8
Z = 50
6
4
Z = 25
2

2 4 6 8 10 12 14 16 X1

Las líneas de este tipo se llaman líneas de indiferencia, porque cualquier punto sobre una línea dada da la
misma ganancia total. Nótese que la distancia perpendicular del origen a la línea aumenta al aumentar el valor de Z.
También, todas las líneas de indiferencia son paralelas entre sí. Estas propiedades gráficas pueden usarse para
resolver el problema.

Además, en la gráfica puede observarse que la línea de indiferencia para Z = 50 está completamente fuera
de la región factible. Para Z = 25, parte de la línea cae dentro de la región factible. Por tanto, existe alguna combinación
de x1 y x2 que satisface todas las restricciones y da una ganancia total de $25. Por inspección, puede observarse que
hay ganancias más altas que son factibles.

Imaginando que la línea de indiferencia Z = 25 se mueve hacia la línea Z = 50, de las propiedades de la gráfica
que se hicieron notar antes, el punto óptimo estará sobre la línea de indiferencia más lejana al origen pero que todavía
toque la región factible. Esto se muestra en la siguiente figura:

X2
14
12
10
8
Z=? Punto óptimo
6
4
2

2 4 6 8 10 12 14 16 X1

Con el punto óptimo localizado gráficamente, la única tarea que queda es encontrar las coordenadas del
punto. Nótese que el punto óptimo está en la intersección de las líneas de restricción para materiales y horas de mano
de obra. Las coordenadas de este punto se pueden encontrar resolviendo el sistema de ecuaciones que forman estas
dos restricciones utilizando cualquiera de los métodos de solución (suma y resta, sustitución, igualación o
determinantes). Las coordenadas de este punto resultan ser (6, 3). La sustitución de este punto en la función objetivo
da la ganancia máxima:

Z = 5(6) + 5(3) = $45

Ver video animado clickeando aquí

 Síntesis:

Para resolver gráficamente problemas de programación lineal:

1. Exprésense los datos del problema como una función objetivo y restricciones.

2. Grafíquese cada restricción.

3. Localícese la solución óptima.

Uso del método gráfico para minimización

Consideremos un Problema de PL en el cual el objetivo es minimizar costos. La solución del problema de
minimización sigue el mismo procedimiento que la de problemas de maximización. La única diferencia es que ahora
se quiere el menor valor posible para la función objetivo. Supóngase que se tiene el siguiente problema:

 Ejemplo 3

Un comprador está tratando de seleccionar la combinación más barata de dos alimentos, que debe cumplir
con ciertas necesidades diarias de vitaminas. Los requerimientos vitamínicos son por lo menos 40 unidades de
vitamina W, 50 unidades de vitamina X y 49 unidades de vitamina Y. Cada onza del alimento A proporciona 4 unidades
de vitamina W, 10 unidades de vitamina X y 7 unidades de vitamina Y; cada onza del alimento B proporciona 10
unidades de W, 5 unidades de X y 7 unidades de Y. El alimento A cuesta 5 pesos/kilogramo y el alimento B cuesta 8
pesos/kilogramo.
 Paso 1: formulación del problema.

La meta en este problema es encontrar la manera menos costosa para satisfacer las necesidades vitamínicas.
Las dos alternativas disponibles son los alimentos A y B. Matemáticamente la función objetivo es:
Minimizar Z = 5A + 8B

Las restricciones son los requerimientos mínimos de las tres vitaminas. Éstas se muestran enseguida:

4A + 10B  40 vitamina W

10A + 5B  50 vitamina X
Restricciones
7A + 7B  49 vitamina Y

A  0, B  0 no negatividad

Paso 2: gráfica de las restricciones.

El procedimiento para graficar es el mismo que se usó antes: (1) graficar cada ecuación de restricción; (2)
graficar el área apropiada. Para la primera restricción la ecuación es 4A + 10B = 40. Las dos intersecciones con los
ejes son (0,4) y (10,0). Esta línea se muestra en la siguiente figura:

10
8 4A + 10B = 40
6
4
2

2 4 6 8 10 12 A

La restricción pide 40 unidades o más de la vitamina W. Cualquier punto que esté arriba de la línea de
restricción será factible y todos los puntos que quedan abajo de esa línea serán aceptables. En la siguiente figura se
muestra la región factible:
 B
10
8 Región Factible
6 4A + 10B = 40
4
2

2 4 6 8 10 12 A

Después se grafica la restricción para la vitamina X. La ecuación 10A + 5B = 50 tiene intersecciones con los
ejes en (0,10) y (5,0). En la siguiente figura se ilustran las restricciones para las vitaminas W y X. Nótese que las
soluciones que quedan en las áreas a o b no son factibles, ya que quedarían abajo de las líneas de restricción.
 B
10A + 5B = 50
10
8 Región Factible
6 4A + 10B = 40
4
2

2 4 6 8 10 12 A

Al agregar la tercera restricción, este segundo paso queda terminado, como se muestra en la siguiente figura:

B
10A + 5B = 50
10 Región Factible
8 7A + 7B = 49
6
4A + 10B = 40
4
2

2 4 6 8 10 12 A

Paso 3: localización de la solución óptima.

En la siguiente figura se muestra la frontera extrema más dos líneas de indiferencia, las de Z = 40 pesos y Z
= 60 pesos. La frontera extrema está formada por los puntos a, b, c y d, puesto que éstos son los puntos de intersección
factibles más cercanos al origen.
B
10 d
Z=5A + 8B = 60
8
6
c
4
b
2 Z = 5A + 8B = 40
a
2 4 6 8 10 12 A
 Gráficamente, el objetivo de minimizar el valor de Z significa ajustar una línea de indiferencia tan cerca del
origen como sea posible. En la figura anterior puede observarse que existen muchas soluciones posibles para Z = 60,
pero ninguna para Z = 40. Imaginando mover la línea Z = 60 hacia el origen, el último punto de contacto con la frontera
extrema será el punto b. Entonces, el punto b es la solución óptima. En la figura anterior se observa que el punto b es
la intersección de dos líneas:

(1) 4A + 10B = 40
(2) 7A + 7B = 49

Resolviendo el sistema de ecuaciones por reducción se tiene:

Multiplicamos la ecuación (1) por 7:

(3) 28A + 70B = 280

Multiplicamos la ecuación (2) por – 4:

(4) –28A – 28B = –196

Sumando miembro a miembro las ecuaciones (3) y (4) obtenemos:

42B = 84
B=2

Sustituimos ahora el valor de B en la ecuación (1):

4A + 10(2) = 40

A=5
La solución menos costosa es 5 kilogramos de alimento A y 2 kilogramos de alimento B. El costo total de
esta combinación es:
Z = 5A + 8B = 5(5) + 8(2) = 25 + 16 = 41 pesos
Si se usa el método de prueba y error para localizar la solución óptima, se deben encontrar las coordenadas
de los puntos a, b, c, y d. Se debe calcular después el valor de la función objetivo para cada punto. A continuación,
se muestran los resultados de este procedimiento:

Resultados de prueba y error

Punto Coordenadas Z = 5A + 8B

a A = 10, B = 0 50
Menor
 b A = 5, B = 2 41

c A =3, B = 4 47

d A = 0, B = 10 80

Método Símplex
El método símplex es un algoritmo. De hecho, cualquier procedimiento iterativo de solución es un algoritmo.
Entonces, un algoritmo es simplemente un proceso en el que se repite (se itera) un procedimiento sistemático una y
otra vez hasta obtener el resultado deseado. Cada vez que se lleva a cabo el procedimiento sistemático se realiza
una iteración. En consecuencia, un algoritmo sustituye un problema difícil por una serie de problemas fáciles.
Además de las iteraciones, los algoritmos incluyen un procedimiento para iniciar y un criterio para determinar
cuándo detenerse, como se resume enseguida:
Paso inicial: Preparación para iniciar iteraciones

Paso iterativo: Realización de iteraciones

Regla de detención: ¿Es óptima la solución actual?

No Si

Fin

El método símplex es un procedimiento algebraico en el que cada iteración contiene la solución de un sistema
de ecuaciones para obtener una nueva solución a la que se le aplica la prueba de optimalidad. No obstante, también
tiene una interpretación geométrica muy útil. Para ilustrar los conceptos geométricos generales se empleará la
solución gráfica del siguiente problema:

Max Z = 3x1 + 5x2

Sujeta a:

x1  4
 2x2  12

3x1 + 2x2  18

x1  0; x2  0

Solución por el método gráfico:

X2
x1 = 4
9 x1 = 6
(0;6) (2;6)
6
6x1 + 12x2 = 72
Región (4;3)
3
Factible
(4;0) X1
(0;0) 1 2 3 4 5 6

En la figura anterior pueden observarse los puntos de intersección que son las soluciones en los vértices del
problema. Los cinco puntos que se encuentran en los vértices de la región factible, {(0,0), (0,6), (2,6), (4,3), (4,0)} son
las soluciones factibles en los vértices. Algunas de estas soluciones factibles en un vértice son adyacentes, en el
sentido de que están conectadas por una sola orilla (segmento de línea) de la frontera de la región factible; esto es,
tanto (0,6) como (4,3) son adyacentes a (2,6). Las tres propiedades clave de las soluciones factibles en los vértices y
que forman el fundamento del método símplex se resumen en la sección siguiente.

PROPIEDADES DE LAS SOLUCIONES FACTIBLES EN UN VÉRTICE

 Si existe exactamente una solución óptima, entonces debe ser una solución factible en un vértice.
 Si existen soluciones óptimas múltiples, entonces al menos dos de ellas deben ser soluciones factibles
en vértices adyacentes.

 Existe sólo un número finito de soluciones factibles en los vértices adyacentes.

 Si una solución en un vértice es igual o menor (según el valor de Z) que todas las soluciones factibles en
los vértices adyacentes a ella, entonces es igual o mejor que todas las demás soluciones en los vértices; es decir, es
óptima.
 La propiedad 1 significa que la búsqueda de la solución óptima se puede reducir a la consideración de sólo
las soluciones factibles en los vértices, de manera que sólo existe un número finito de soluciones que es necesario
tomar en cuenta (propiedad 3). La propiedad 4 proporciona una prueba de optimalidad muy conveniente.
El método símplex explota estas tres propiedades al examinar nada más unas cuantas soluciones factibles
en vértices prometedores y al detenerse en cuanto una de ellas pasa la prueba de optimalidad. En particular, se
traslada repetidamente (en forma iterativa) de una solución factible en un vértice a otra, adyacente y mejor. Esto se
puede realizar en forma muy eficiente hasta que la solución actual no tiene soluciones factibles en vértices adyacentes
que sean mejores. Este procedimiento se resume como sigue:

Bosquejo del método símplex:

1. Paso inicial: inicio en una solución factible en un vértice.

2. Paso iterativo: traslado a una mejor solución factible en un vértice adyacente. (Repítase este paso las
veces que sea necesario).

3. Prueba de optimalidad: la solución factible en un vértice es óptima cuando ninguna de las soluciones en
vértices adyacentes a ella sea mejores.

Este bosquejo muestra la esencia del método símplex. En el caso del ejemplo, al utilizar estas reglas de
selección el método símplex procede como sigue:

1. Paso inicial: comienza en (0,0).

2a. Iteración 1: se mueve de (0,0) a (0,6)

2b. Iteración 2: se mueve de (0,6) a (2,6).

3. Prueba de optimalidad: ni (0,6) ni (4,3) son mejores que (2,6), entonces se detiene, (2,6) es óptima.

PREPARACIÓN PARA EL MÉTODO SIMPLEX

En el procedimiento algebraico es mucho más conveniente manejar ecuaciones que desigualdades. Así, el
primer paso para preparar el método símplex es convertir las restricciones funcionales de desigualdad en restricciones
equivalentes. (Las restricciones de no negatividad se pueden dejar como desigualdades porque el algoritmo las usa
sólo indirectamente). Esta conversión se hace mediante la introducción de variables de holgura. Considérese la
primera restricción funcional del ejemplo:

x1  4

La variable de holgura para esta restricción es x 3, que no es otra cosa que la holgura entre los dos lados de
la desigualdad. Entonces:

x1 + x3 = 4
 La restricción original x1  4 se cumple siempre que x3  0. Por tanto, x1  4 es totalmente equivalente al
conjunto de restricciones

x1 + x 3 = 4 y

x3  0,

de manera que se usará este conjunto por resultar más conveniente.

Al introducir variables de holgura en las otras restricciones en forma parecida, el modelo de programación
lineal original para este ejemplo se puede sustituir por el modelo equivalente:
Maximizar Z = 3x1 + 5x2,

Sujeta a:

x1 + x3 = 4

2x2 + x4 = 12

3x1 + 2x2 + x5 = 18

xj  0 para j = 1, 2, …, 5

Aun cuando este problema es idéntico al anterior, esta forma es mucho más conveniente para la manipulación
algebraica y la identificación de las soluciones factibles en los vértices. Ésta se llama la forma de igualdades del
problema, para diferenciarla de la forma de desigualdades original y poder introducir la siguiente definición:

 Una solución aumentada es una solución para un problema que originalmente se encontraba en
forma de desigualdades y que se ha aumentado con los valores correspondientes de las variables de holgura para
cambiar el problema a la forma de igualdades.
Por ejemplo, al aumentar la solución (3,2) en el ejemplo, se obtiene la solución aumentada (3,2,1,8,5), puesto
que los valores correspondientes de las variables de holgura son x 3 = 1, x4 = 8, x5 = 5.

Una solución básica es una solución en un vértice aumentada.

Para ilustrar esto, considérese la solución no factible en el vértice (4,6) del ejemplo. Al aumentar con los
valores obtenidos para las variables de holgura x3 = 0, x4 = 0 y x5 = –6, se llega a la solución básica correspondiente
(4,6,0,0,–6). Se permite que las soluciones básicas sean factibles o no factibles, lo que lleva a la siguiente definición:

Una solución básica factible es una solución factible en un vértice aumentada.

 Así, la solución factible en el vértice (0,6) del ejemplo es equivalente a la solución básica factible (0,6,4,0,6)
para la forma de igualdades del problema.

Como los términos solución básica y solución básica factible constituyen partes muy importantes del
vocabulario normal de programación lineal, es necesario aclarar sus propiedades algebraicas. Nótese que para la
forma de igualdades del ejemplo, el sistema de restricciones funcionales tiene dos variables más (cinco) que
ecuaciones (tres). Este hecho proporciona dos grados de libertad al resolver el sistema, ya que se pueden elegir dos
variables cualesquiera y hacerlas iguales a cualquier valor arbitrario para resolver las tres ecuaciones en términos de
las tres variables restantes (se excluyen redundancias). El método símplex usa cero para este valor arbitrario. Las
variables que por el momento se hacen iguales a cero se llaman variables no básicas; todas las demás se llaman
variables básicas. La solución que resulta es una solución básica. Si todas las variables básicas son no negativas,
entonces se tiene una solución básica factible. Para cualquier solución básica, la solución en el vértice correspondiente
se obtiene simplemente al quitar las variables de holgura. Dos soluciones básicas son adyacentes si todas menos una
de sus variables son las mismas; la misma aseveración se cumple para las variables básicas. Entonces, trasladarse
de una solución básica factible a una adyacente significa cambiar el estado de una variable de no básica a básica y
viceversa para otra variable.
En términos generales, el número de variables no básicas de una solución básica siempre es igual a los
grados de libertad del sistema de ecuaciones y el número de variables básicas siempre es igual al número de
restricciones funcionales.

Al trabajar con el problema en forma de igualdades, conviene tomar en cuenta y manipular la ecuación de la
función objetivo al mismo tiempo que las nuevas ecuaciones de las restricciones. Antes de comenzar con el método
símplex es necesario escribir el problema una vez más en su forma equivalente:
Maximizar Z,

Sujeta a:

x1 + x3 = 4

2x2 + x4 = 12

3x1 + 2x2 + x5 = 18

Z – 3x1 – 5x2 = 0

xj  0 para j = 1, 2, …, 5
 Como la ecuación de la función objetivo ya se encuentra en forma de igualdad, no necesita variable de
holgura. Con esta interpretación, las soluciones básicas no cambian, excepto que Z puede verse como una variable
básica adicional permanente.
A partir de este momento ya estamos listos para pasar los coeficientes de nuestro problema a lo que
conoceremos como la Tabla Símplex:
Variable Lado
Z x1 x2 x3 x4 x5 Cociente ¿Es óptima?
Básica derecho

x3 0 1 0 1 0 0 4 (0, 0, 4, 12, 18)

x4 0 0 2 0 1 0 12 Z=0

x5 0 3 2 0 0 1 18 NO

Z 1 –3 –5 0 0 0 0

La tabla anterior ilustra una propiedad clave que toda tabla símplex debe tener para estar en la forma
apropiada; se trata del patrón especial de los coeficientes de las variables básicas. En particular, nótese cómo las
columnas de x3, x4 y x5 (al igual que la columna de Z) contiene exactamente un +1 en el renglón que corresponde a
esa variable básica (véase la primera columna), y todos los demás coeficientes en esa columna son cero. De la misma
manera, cada ecuación contiene exactamente una variable básica con coeficiente distinto de cero, en donde este
coeficiente es +1. Esta propiedad es significativa, ya que permite identificar de inmediato la solución básica factible
actual a partir de la tabla; esto es, cada variable básica es igual a la constante del lado derecho de su ecuación. Esta
primera solución básica factible actual se muestra en la figura anterior en la columna de ¿Es óptima? De aquí en
adelante, para cada nueva iteración del método símplex mostraremos la solución básica factible actual en esta
columna de la tabla símplex. (Recuérdese que las variables no básicas son iguales a cero). La tabla símplex inicial
quedará automáticamente en esta forma apropiada (a menos que el problema original de programación lineal no esté
en nuestra forma estándar).

El método símplex construye una tabla símplex para cada solución básica factible que se obtiene, hasta
alcanzar la solución óptima. A continuación describimos el procedimiento para problemas que ya están en la forma
estándar, con bi  0 para toda i = 1, 2, …, m.

PASO INICIAL. Se introducen variables de holgura. Después se seleccionan las variables originales como
variables no básicas iniciales (se igualan a cero) y las variables de holgura como las variables básicas originales. Esta
selección lleva a la tabla símplex inicial anterior. Como esta tabla está en la forma apropiada, de inmediato se obtiene
la solución básica factible inicial para el ejemplo, (0,0,4,12,18). Ahora debe realizarse la prueba de optimalidad para
determinar si la solución es óptima.

PRUEBA DE OPTIMALIDAD. La solución básica factible actual es óptima si y sólo si todos los coeficientes
de la ecuación de la función objetivo (renglón de Z) son no negativos ( > 0 ). Si es así, el proceso termina; de otra
manera, se lleva a cabo otra iteración para obtener la nueva solución básica factible, lo que significa el cambio de una
variable no básica por una básica (parte 1) y viceversa (parte 2), y después despejar las variables de la nueva solución
(parte 3).
En este ejemplo, hay dos coeficientes negativos en la ecuación de Z, –3 para x1 y –5 para x2 de manera que
debe irse al paso iterativo. Tacharemos la solución básica factible actual como se muestra en la tabla anterior para
indicar que esta solución no es óptima.

PASO ITERATIVO.
Parte 1. Se determina la variable básica entrante mediante la elección de la variable con el coeficiente negativo
(automáticamente se refiere a una variable no básica) que tiene el mayor valor absoluto en la ecuación de Z. Se
enmarca la columna correspondiente a este coeficiente; esta columna recibe el nombre de columna pivote. En el
ejemplo, el coeficiente negativo más grande (en términos de valor absoluto) es –5 para x2 (5>3), por lo que x2 debe
convertirse en variable básica. Este cambio se indica en la siguiente tabla con el recuadro en la columna de x 2 abajo
del –5:
Variable
Lado
Z x1 x2 x3 x4 x5 Cociente ¿Es óptima?
Básica derecho

x3 0 1 0 1 0 0 4

x4 0 0 2 0 1 0 12 12/2 = 6 mínimo

x5 0 3 2 0 0 1 18 18/2 = 9

Z 1 –3 –5 0 0 0 0

Variable “más” negativa

Parte 2. Se determina la variable básica que sale; para esto, a) se toma cada coeficiente estrictamente positivo
(>0) de la columna enmarcada, b) se divide el lado derecho de cada renglón entre estos coeficientes, c) se identifica
la ecuación con el menor coeficiente y d) se selecciona la variable básica para esta ecuación. (Esta variable básica
es la que llega a cero primero cuando se incrementa la variable básica entrante). Se enmarca el renglón de esta
ecuación en la tabla símplex sin incluir la columna Z y se le da el nombre de renglón pivote. El número que está en
la intersección de los dos recuadros se llama pivote.
En la tabla anterior, se muestran los resultados de las partes 1 y 2 para el ejemplo (antes de enmarcar el
renglón); la prueba del cociente mínimo para determinar la variable básica que sale se muestra a la derecha de la
tabla. Entonces la variable básica que sale es x 4.

Parte 3. Se determina la nueva solución básica factible al construir una nueva tabla símplex en la forma
apropiada, abajo de la que se tiene. Las primeras dos columnas no cambian, excepto que la variable básica entrante
sustituye a la variable básica que sale en la columna de Variable Básica. Para cambiar el coeficiente de la nueva
variable básica en el renglón pivote a +1, se divide todo el renglón pivote entre el número pivote: Renglón pivote nuevo
= Renglón pivote antiguo / pivote
En este punto, la tabla símplex para el ejemplo se ve como la que se muestra enseguida.

Variable
Lado
Z x1 x2 x3 x4 x5 Cociente ¿Es óptima?
Básica derecho

x3 0 1 0 1 0 0 4 (0, 0, 4, 12, 18)

x4 0 0 2 0 1 0 12 Z=0

x5 0 3 2 0 0 1 18 NO

Z 1 –3 –5 0 0 0 0

x3 0 1 0 1 0 0 4

x2 0 0 1 0 1/2 0 6

x5 0 3 2 0 0 1 18

Z 1 –3 –5 0 0 0 0

Para obtener un coeficiente 0 para la nueva variable básica en las otras ecuaciones, cada renglón [inclusive
el de la ecuación de Z] excepto el renglón pivote, se cambia por la nueva tabla símplex.
 Variable
Lado
Z x1 x2 x3 x4 x5 Cociente ¿Es óptima?
Básica derecho

x3 0 1 0 1 0 0 4 (0, 6, 4, 0, 6)

x2 0 0 1 0 1/2 0 6 Z = 30

x5 0 3 0 0 –1 1 6 NO

Z 1 –3 0 0 5/2 0 30

Como las variables básicas siempre son iguales al lado derecho de la ecuación que le corresponde, la
nueva solución básica factible es (0, 6, 4, 0, 6) con Z = 30.
Este trabajo completa el paso iterativo, así que debe proseguirse a la prueba de optimalidad. Como la ecuación
de Z todavía tiene coeficientes negativos (–3 para x1), la prueba de optimalidad indica que la solución no es óptima,
(lo cual se muestra en la figura anterior) por lo que manda al algoritmo de regreso al paso iterativo para obtener la
siguiente solución básica factible. El paso iterativo comienza de nuevo en la tabla símplex actual para encontrar la
nueva solución. Si se siguen las instrucciones de las partes 1 y 2, se encuentra que x 1 es la variable básica entrante
y x5 la variable básica que sale, como se muestra en la siguiente tabla:

Variable
Lado
Z x1 x2 x3 x4 x5 Cociente ¿Es óptima?
Básica derecho

x3 0 1 0 1 0 0 4 4/1 = 4 (0, 6, 4, 0, 6)

x2 0 0 1 0 1/2 0 6 Z = 30

x5 0 3 0 0 –1 1 6 6/3 = 2 (min) NO

Z 1 –3 0 0 5/2 0 30

En las siguientes tablas se muestra el conjunto completo de las tablas del método símplex para este ejemplo.
La nueva solución básica factible es (2, 6, 2, 0, 0), con Z = 36. Al hacer la prueba de optimalidad, se encuentra que la
solución es óptima porque no hay coeficientes negativos en la ecuación de Z, de manera que el algoritmo ha
terminado. En consecuencia, la solución óptima para este ejemplo (sin tomar en cuenta las variables de holgura) es
x1 = 2, x2 = 6.
 Variable
Lado
Z x1 x2 x3 x4 x5 Cociente ¿Es óptima?
Básica derecho

x3 0 0 0 1 1/3 –1/3 2 (2, 6, 2, 0, 0)

x2 0 0 1 0 1/2 0 6 Z = 36

x1 0 1 0 0 –1/3 1/3 2 Óptima

Z 1 0 0 0 3/2 1 36

Anteriormente no se dijo qué hacer cuando las reglas de selección del método símplex no llevan a una
decisión clara, ya sea porque existen empates (valores iguales) o por otras ambigüedades parecidas.

EMPATE PARA LA VARIABLE BÁSICA ENTRANTE

El paso 1 de cada iteración elige la variable básica que tiene el coeficiente negativo con el mayor valor absoluto
en la ecuación de Z actual como la variable básica entrante. Ahora suponga que dos o más variables no básicas tienen
el coeficiente negativo más grande (en valor absoluto), es decir, que hay un empate entre ellas. Por ejemplo, esto
ocurriría en la primera iteración del ejemplo anterior si se cambiara la función objetivo a Z = 3x 1 + 3x2, con lo que la
ecuación del renglón de Z inicial sería Z – 3x1 – 3x2 = 0. ¿Cómo debe romperse este empate?

La respuesta es que la elección entre estos dos contendientes se puede hacer de manera arbitraria. Tarde o
temprano se llegará a la solución óptima, sin importar cuál de las variables empatadas se haya escogido, y no existe
un método conveniente para predecir cuál lleva ahí más rápidamente. En este ejemplo ocurre que si se escoge x 1
como variable entrante, el método símplex alcanza la solución óptima (2, 6) en tres iteraciones y si se elige x 2, llega
en dos.

EMPATE PARA LA VARIABLE BÁSICA QUE SALE

Ahora suponga que el empate ocurre entre dos o más variables básicas al elegir la variable que sale en el paso
2 de una iteración. ¿Importa cuál se escoge? En teoría sí, y en una forma crítica debido a que puede ocurrir la siguiente
sucesión de eventos. Primero, todas las variables empatadas se hacen cero al mismo tiempo cuando aumenta el valor
de la variable entrante. Por tanto, aquellas que no se eligieron como variable básica que sale también tendrán un valor
de cero en la nueva solución básica factible. (Las variables básicas con valor de cero se llaman degeneradas y el mismo
nombre se da a la solución básica factible correspondiente.) Segundo, si una de estas variables básicas degeneradas
sigue con valor de cero hasta que se selecciona como variable básica que sale en una iteración posterior, la variable
básica entrante deberá también quedar con valor de cero (ya que no puede crecer sin que la variable básica que sale se
vuelva negativa), entonces el valor de Z permanecerá sin cambio. Tercero, si Z permanece igual en lugar de mejorar
cada iteración, el método símplex puede caer en un ciclo que repite la misma secuencia de soluciones periódicamente,
en lugar de aumentar en algún momento para llegar a la solución óptima.
Por fortuna, aunque en teoría es posible que haya ciclos perpetuos, ha sido en extremo raro que tenga lugar
en problemas reales. Si ocurriera un ciclo siempre se puede salir de él cambiando la elección de la variable básica
que sale. Por lo tanto, se recomienda romper los empates arbitrariamente y seguir el proceso sin preocuparse de las
variables que puedan resultar.

CUANDO NO HAY VARIABLE BÁSICA QUE SALE

Existe otra posibilidad en el paso 2 de una iteración, de la que no se ha hablado: aquella en la que ninguna
variable califica como variable básica que sale. Esta situación puede ocurrir si la variable básica entrante puede crecer
indefinidamente sin que ninguna de las variables básicas actuales adquiera valores negativos. En la forma tabular,
esto significa que todos los coeficientes en la columna pivote (se excluye el renglón de Z) son negativos o cero.
Como se ilustra en la siguiente tabla, esta situación surge cuando se considera el siguiente ejemplo:

Maximizar Z = 3x1 + 5x2,

sujeta a x1  4

y x1  0, x2  0

En este ejemplo se ignoraron las dos últimas restricciones funcionales del ejemplo resuelto anteriormente.
Vea en la tabla que x2 es la variable básica entrante pero el único coeficiente en la columna pivote es cero. Como la
prueba del cociente mínimo usa sólo coeficientes mayores que cero, no se cuenta con un cociente que proporcione
una variable básica que sale.

La interpretación de una tabla símplex como la que se muestra en la siguiente tabla es que las restricciones
no impiden el crecimiento indefinido de la función objetivo Z, de manera que el método símplex se detiene con el
mensaje de que Z es no acotada. Debido a que ni siquiera la programación lineal ha descubierto la manera de
lograr ganancias infinitas, el mensaje real en problemas prácticos es: ¡Se ha cometido un error! Tal vez el modelo
esté mal formulado, ya sea por haber omitido una restricción relevante o por haberla establecido incorrectamente.
De otra manera, pudo haber ocurrido un error en los cálculos.

Variable Lado
Z x1 x2 x3 Cociente ¿Es óptima?
Básica derecho

X3 0 1 0 1 4 Sin mínimo
 Z 1 –3 –5 0 0

SOLUCIONES ÓPTIMAS MÚLTIPLES

En la definición de solución óptima se mencionó que un problema puede tener más de una solución óptima.
Si en el ejemplo cambiamos la función objetivo a Z = 3x1 + 2x2 resulta que todos los puntos sobre el segmento de
recta entre (2,6) y (4,3) son soluciones óptimas. Entonces todas las soluciones son un promedio ponderado de estas
dos soluciones factibles en los vértices óptimas:

(x1, x2) = w1(2, 6) + w2(4, 3),

donde los pesos w1 y w2 son números que satisfacen las relaciones:

w1 + w2 = 1 y w1  0, w2  0

Por ejemplo, w1 = 1/3 y w2 = 2/3 da: (x1, x2) = 1/3(2, 6) + 2/3(4, 3) = (2/3+8/3, 6/3+6/3) = (10/3, 4) como una
solución óptima.
En general, cualquier promedio ponderado de dos o más soluciones (vectores) donde los pesos son no
negativos y suman 1 se llama combinación convexa de estas soluciones. Entonces, toda solución óptima en el
ejemplo es una combinación convexa de (2, 6) y (4, 3). Este ejemplo es representativo de problemas con soluciones
óptimas múltiples.
Cualquier problema de Programación Lineal con soluciones óptimas múltiples (y una región factible acotada)
tiene al menos dos soluciones factibles en los vértices que son óptimas. Toda solución óptima es una combinación lineal
de estas soluciones factibles en los vértices óptimas. En consecuencia, en la forma aumentada, toda solución óptima es
una combinación convexa de las soluciones básicas factibles óptimas.
El método símplex se detiene automáticamente al encontrar una solución básica factible óptima. Sin embargo,
en muchas aplicaciones de Programación Lineal existen factores intangibles que no se incorporan al modelo y que
pueden ser útiles para tomar decisiones significativas sobre las soluciones óptimas alternativas. En esos casos,
también deben identificarse las otras soluciones óptimas. Esto requiere encontrar todas las demás soluciones básicas
factible óptimas, y entonces toda solución óptima es una combinación convexa de las soluciones básicas factibles
óptimas.
Una vez que el método símplex encuentra una solución básica factible óptima, se puede detectar si existen
otras y, si así es, se encuentra como sigue:
Siempre que un problema tiene más de una solución básica factible óptima, al menos una variable no básica
tiene coeficiente cero en la ecuación de Z final, de manera que si aumenta su valor, el valor de la función Z no cambia.
Por lo tanto, estas otras soluciones básicas factibles óptimas se pueden identificar (si se desea) realizando iteraciones
adicionales del método símplex, en las que cada vez se elige una variable no básica con coeficiente cero como variable
básica entrante. Si una de estas iteraciones no tiene una variable básica que sale esto indica que la región factible es
no acotada y la variable básica entrante puede crecer indefinidamente sin cambiar el valor de Z.

PROBLEMAS DISPARADORES

Problema 1

Un comerciante acude al mercado a comprar cierto artículo para vender. Dispone de 2 000 pesos y en su
furgoneta caben 1 400 kg. En el mercado tienen de un tipo A que cuesta 1,10 pesos el kg y de tipo B a 1,60
pesos. Él las podrá vender a 1,20 y 1,75 pesos respectivamente. ¿Cuántos kg deberá comprar de cada tipo
para conseguir que los beneficios sean lo más altos posibles? ¿Cuál será el beneficio?

Problema 2

Una fábrica de bombones tiene almacenados 500 kg de chocolate, 100 kg de almendras y 85 kg de frutas.
Produce dos tipos de cajas: la de tipo A contiene 3 kg de chocolate, 1 kg de almendras y 1 kg de frutas; la
de tipo B contiene 2 kg de chocolate, 1,5 kg de almendras y 1 kg de frutas. Los precios de las cajas de tipo
A y B son 130 y 135 pesos, respectivamente ¿Cuántas cajas debe fabricar de cada tipo para maximizar su
venta?

Problema 3

Una fábrica de carrocerías de automóviles y camiones tiene dos naves. En la nave A para hacer la
carrocería de un camión se invierten 7 días-operario, para fabricar la de un coche se precisan 2 días-
operario. En la nave B se invierten 3 días-operario tanto en carrocerías de camión como de coche. Por
limitaciones de mano de obra y maquinaria la nave A dispone de 300 días-operario, y la nave B de 270
días- operario. Si los beneficios que se obtienen por cada camión son de 6 000 €, y por cada automóvil 2
000 € ¿Cuántas unidades de cada uno se deben producir para maximizar las ganancias?

Problema 4:

Un estudio realizado por una cadena de radio indica que un programa A con 20 minutos de tertulia y un
minuto de publicidad capta 30 000 oyentes, mientras que otro programa B con 10 minutos de tertulia y
un minuto de publicidad atrae a 10 000 oyentes. Para un periodo de tiempo dado la dirección de la
emisora dispone de 400 minutos para tertulias, y los anunciantes de 30 minutos de publicidad. ¿Cuántas
veces deberá aparecer cada tipo de programa para lograr la máxima audiencia?
Problema 5:
Una fábrica construye dos tipos de coches eléctricos para campos de golf: monoplaza y biplaza. En la
fábrica hay un grupo de operarios dedicados al montaje y otro dedicado al acabado. En la tabla adjunta
se reflejan las horas necesarias según el modelo y las horas disponibles:

Si los beneficios son de 500 dólares por coche de una plaza y 650 dólares por coche de dos plazas,
¿Cuántos coches de cada tipo conviene fabricar para maximizar el beneficio?
Problema 6
Para cubrir las necesidades del organismo, durante un cierto periodo de tiempo, en dos tipos de vitaminas
P y Q se necesitan 30 000 unidades de la primera y 800 de la segunda. Se pueden adquirir dos productos
A y B, cuyos costes respectivos son 200y 100 pesos por caja. Una caja del producto A proporciona 300
unidades de vitamina P y 4 unidades de vitamina Q. La caja del producto B proporciona 100 unidades de
P y 8 unidades de vitamina Q. Determinar la cantidad de cajas que se debe adquirir de cada producto para
que el gasto que realicemos sea mínimo.

Problema 7
Una confitería fabrica dos tipos de tarta: las de ricota le dejan un beneficio de $20 cada una, y las de
frutilla, de $30. No puede producir más de 300 tartas en total, y, por el historial de demandas, sabe que
debe producir al menos el doble de tartas de ricota que de frutilla. ¿Cuántas tartas de cada tipo debe
producir para obtener el máximo ingreso?

Problema 8
Una empresa produce pavas, teteras y cafeteras de acero inoxidable, y posee dos plantas fabriles. La
planta de Baradero produce 100 pavas, 60 cafeteras y 35 teteras por día, y su costo operativo es de $3000.
La planta de Uribelarrea produce al día 50 pavas, 90 cafeteras y 105 teteras, y su costo diario es de $3300.
Si la empresa debe cubrir una demanda de 5000 pavas, 5400 cafeteras y 4200 teteras, ¿cuántos días debe
operar cada una de las plantas para cubrir toda la demanda al menor costo posible?
 PARA SEGUIR PRACTICANDO

Problema 1: Una papelería requiere liquidar hasta 78 kg de papel reciclado y hasta 138 kg de papel normal. Para
ello hace dos tipos de lotes, A y B. Los lotes A están formados por 1 kg de papel reciclado y 3 kg de papel normal y
los lotes B por 2 kg de papel de cada clase. El precio de venta de cada lote A es de $9 y el de cada lote B es de
$10. ¿Cuántos lotes A y B debe vender para maximizar sus ingresos? ¿A cuánto ascienden estos ingresos
máximos?

Problema 2: Un productor de frutas quiere liquidar 500 kg de naranjas, 400 kg de manzanas y 230 kg de peras. Para
ello prepara dos bolsas de fruta de oferta: la bolsa A consta de 1 kg de naranjas y 2 kg de manzanas y la bolsa B
consta de 2 kg de naranjas, 1 kg de manzanas y 1 kg de peras. Por cada bolsa del tipo A obtiene un beneficio de $25,
y $30 por cada bolsa del tipo B. Suponiendo que vende todas las bolsas, ¿cuántas bolsas de cada tipo debe preparar
para maximizar las ganancias? ¿Cuál es el beneficio máximo?
Problema 3: Una compañía Química está diseñando una planta para producir dos tipos de polímeros: P1 y P2. La
planta debe ser capaz de producir al menos 100 unidades de P1 y 420 de P2 cada día. Existen dos posibles diseños
para las cámaras de reacciones que serán incluidas en la planta. Cada cámara tipo A cuesta U$S 600.000 y es capaz
de producir 10 unidades de P1 y 20 de P2 cada día; el tipo B es un diseño más económico y cuesta U$S 300.000 y
es capaz de producir 4 unidades de P1 y 30 unidades de P2 por día. A causa de los costos de operación, es necesario
tener al menos 4 cámaras de cada tipo en la planta. ¿Cuántas cámaras de cada tipo deben ser incluidas para minimizar
el costo de construcción y satisfacer el programa de producción requerido? ¿Cuál es el costo mínimo?
Problema 4: Una librería compra libros de dos editoriales. La editorial A ofrece un paquete de 5 novelas de ciencia
ficción y 5 históricas por $600, y la editorial B ofrece un paquete de 5 novelas de ciencia ficción y 10 históricas por
$1800. La librería quiere comprar un mínimo de 2500 novelas de ciencia ficción y un mínimo de 3500 novelas
históricas. Además, por motivos personales, la librería ha prometido a la editorial B que al menos el 25% del número
total de paquetes que comprará será de B. ¿Cuántos paquetes tiene que comprar la librería de cada editorial para
minimizar el costo, satisfacer los mínimos y cumplir la promesa? ¿Cuánto le costarán en total las novelas?
Problema 5: Una refinería de petróleo adquiere dos tipos de crudo: ligero y pesado, a un precio de 70 € y 65 € por
barril, respectivamente. Con cada barril de crudo ligero la refinería produce 0.3 barriles de nafta con octanaje 95, 0.4
barriles de nafta con octanaje 98 y 0.2 barriles de gasoil. Asimismo, con cada barril de crudo pesado produce 0.1, 0.2
y 0.5 barriles de cada uno de estos tres productos, respectivamente. La refinería debe suministrar al menos 26300
barriles de nafta con octanaje 95, 40600 barriles de nafta con octanaje 98 y 29500 barriles de gasoil. Determina
cuántos barriles de cada tipo de crudo debe comprar la refinería para cubrir sus necesidades de producción con un
costo mínimo y calcula el mismo.
Problema 6: Una fábrica de conservas recibe el encargo de preparar dos tipos de lotes de fruta en almíbar. Dispone
para ello de 7500 botes de durazno, 6000 botes de ananá y 6000 botes de pera. Los lotes de tipo A están formados
por 2 botes de durazno, 2 botes de ananá y 2 botes de pera y se venden a $600. Los de tipo B, están formados por 3
botes de durazno, 2 botes de ananá y 1 bote de pera y se venden a $750. Determina el número de lotes de cada tipo
que debe producir la fábrica para que los ingresos sean máximos.
Problema 7: Un fabricante de plásticos pretende fabricar nuevos productos mezclando dos componentes químicos A
y B. Cada litro de producto plástico 1 lleva 2/5 partes del compuesto A y 3/5 partes del compuesto B, mientras que el
producto plástico 2 lleva una mitad del compuesto A y otra mitad del compuesto B. Se dispone de 100 litros del
compuesto A y 120 litros del compuesto B. Sabemos que al menos necesitamos fabricar 50 litros del producto plástico
1 y que el beneficio obtenido por un litro del producto plástico 1 es de $100, mientras que por un litro del producto
plástico 2 el beneficio es de $120. Calcula el número de litros que se debe producir de cada producto plástico para
conseguir el mayor beneficio posible. ¿Cuál es ese beneficio máximo?
Problema 8: En una tienda naturista preparan dos tipos de paquetes de vinagre, A y B. Cada paquete del tipo A
contiene 2 botellas de vinagre de vino y 4 botellas de vinagre de manzana, y cada paquete del tipo B contiene 3
botellas de vinagre de vino y 2 botellas de vinagre de manzana. Con cada paquete del tipo A obtienen un beneficio de
$90, y con cada paquete del tipo B, uno de $60. Disponen de 800 botellas de vinagre de vino y de 1000 botellas de
vinagre de manzana. ¿Cuántos paquetes de cada tipo han de preparar para poder obtener un beneficio máximo?
¿Cuál es ese beneficio máximo?
Problema 9: Una empresa de aberturas tiene 3 empleados que hacen dos tipos de ventanas: con marco de madera
y con marco de aluminio. La ganancia es de U$S 50 por cada ventana con marco de madera y de U$S 60 por cada
una con marco de aluminio. El empleado que se dedica a los marcos de madera puede terminar 6 en un día. El que
se dedica a los marcos de aluminio logra hacer 4 al día. Un tercer empleado es el que corta vidrios y habitualmente
logra trabajar 20 metros cuadrados por día. El modelo de ventana con marco de madera usa 2.5 metros cuadrados
de vidrio y el modelo de aluminio unos 2.8 metros cuadrados.
(a) ¿Cuántas ventanas deberían producirse para maximizar la ganancia?
(b) Un nuevo competidor en la localidad también produce ventanas de aluminio. Esto puede forzar a la empresa
a bajar sus precios y por ende, las ganancias. ¿Cambiaría el modo en que deben producirse ventanas si se
decide reducir en un 15% la ganancia de las ventanas de aluminio?
(c) Si en lugar de reducir las ganancias en un tipo de ventanas se decide aumentar la producción de marcos,
elevando a 5 en total los de aluminio ¿modifica el modo en que deberían producirse las ventanas?
Problema 10: Una compañía fabrica dos tipos de televisores. El HD (High Definition), con una resolución de 1280 x
720, es decir, 1280 pixeles de ancho y 720 pixeles de alto. El Ultra HD (Ultra High Definition), también llamado 4K,
que hace referencia a una resolución mucho mayor, pues es cuatro veces superior a la Full HD (3840 x 2160).
Una investigación de mercado indica que las ventas son, a lo sumo, de 40 televisores HD y 10 Ultra HD por semana.
El número máximo de horas-hombre disponibles es de 900 por semana, siendo que un televisor HD requiere de 20
horas-hombre y uno Ultra HD de 22 horas hombre. Cada televisor HD produce una ganancia de U$S 120 y uno Ultra
HD de U$S 150. ¿Cuál sería el modo óptimo de efectuar la producción si los distribuidores están dispuestos a comprar
todo lo producido?
Problema 11: Una compañía que produce lámparas LED ofrece dos tipos de modelos al mercado. Desde el
departamento de marketing se desea establecer la cantidad de unidades a producir de cada modelo con el objetivo
de maximizar las ganancias. Se sabe que cada unidad del Modelo 1 requiere de una parte de metal y 2 componentes
eléctricas. Cada unidad del Modelo 2 requiere de 3 partes de metal y 2 componentes eléctricas. La compañía dispone
de 200 partes de metal y 300 componentes eléctricas. El modelo 1 da una ganancia de U$S 1 y las del 2, de U$S 2.
Asimismo, se sabe que son más demandadas las del modelo 1 que las del 2. Establecer el modo óptimo de realizar
la producción.
Problema 12: Un comedor ofrece, como menú ejecutivo, un tradicional plato compuesto básicamente por carne y
papas. Quieren ofrecer un plato que responda a requerimientos básicos de una dieta nutricional saludable y, al mismo
tiempo, minimizar los costos. Se sabe que el menú debería contener, al menos, 50 gramos de carbohidratos, 40
gramos de proteínas y 60 gramos de grasa. Además, cada porción de carne contiene 5 gramos de carbohidratos, 20
de proteínas y 15 de grasa, mientras que la componente de papas tiene 15 de carbohidratos, 5 de proteínas y 2 de
grasas. Si cada porción de carne tiene un costo para el comedor de U$S 4 y la de papas de U$S 2, ¿cuál sería la
forma óptima de estructurar este menú?
Problema 13: Una empresa, que produce diferentes tipos de balanceado, utiliza un mínimo de 800 kg de un
componente especial, el cual es una mezcla de maíz y soja, cuya composición es la siguiente:
Kg por kg de alimento Costo
Alimento
Proteínas Fibras (U$S/kg)
Maíz 0.09 0.02 0.30
Soja 0.60 0.06 0.80
Las necesidades dietéticas de este alimento especial son un mínimo de 30% de proteínas y un máximo de 5% de
fibras. La empresa desea determinar las proporciones de alimento que producen el costo mínimo.
Problema 14: Una refinería de petróleo elabora 4 productor: diésel, nafta, lubricantes y combustible para aviones. Las
demandas mínimas (en barriles/día) de esos productos son 14000, 30000, 10000 y 8000, respectivamente. Irán y
Dubái tienen contrato para enviar crudo a la refinería. Debido a las cuotas de producción especifica de la OPEP
(Organización de Países Exportadores de Petróleo) la nueva refinería puede recibir el crudo de Irán a U$S 81 el barril
y a U$S 72 de Dubái. La refinería pronostica que estas cuotas de demanda y de crudo permanecerán estables durante
los próximos 3 años. Asimismo, las distintas especificaciones de los dos crudos determinan dos proporciones distintas
de productos: un barril de crudo de Irán rinde 0.2 barril de diésel, 0.25 de nafta, 0.1 barril de lubricante y 0.15 de
combustible para avión. Los rendimientos correspondientes de Dubái son: 0.18, 0.6, 0.15 y 0.1 respectivamente.
Determine la capacidad mínima de producción de esta refinería para minimizar los costos.

ALGUNOS EJERCICIOS MÁS…

Para cada uno de los siguientes sistemas, hallar el recinto solución e indicar las coordenadas de los

vértices:
1) Minimizar la función 𝑧 = 12𝑥 + 4𝑦, sujeta a
 𝑥+𝑦 ≥2
1
𝑥≤
2
𝑦<4
{𝑥 − 𝑦 < 0

2) Maximizar la función anterior sujeta a las mismas restricciones

3) Hallar las parejas de valores no negativos (𝑥, 𝑦) que minimizan la función 𝑧 = 3𝑥 + 2𝑦 con las
restricciones siguientes:

7𝑥 + 2𝑦 ≥ 14
{
4𝑥 + 5𝑦 ≥ 20

4) Maximizar la función 𝑧 = 5𝑥 + 2𝑦 , con las siguientes restricciones:

2𝑥 + 6 ≤ 6
{4𝑥 + 𝑦 ≤ 10
−𝑥 + 𝑦 ≤ 3
Las variables x e y se suponen no negativas.