TEMA 2

METODOS DE RESOLUCION DE MODELOS

DE PROGRAMACION LINEAL

1. DEFINICIONES
A continuación, se expone una serie de definiciones para el desarrollo de los
métodos de resolución de un modelo de programación lineal.
Definición 1: cualquier conjunto de valores para las variables de decisión (x1,
x2, x3,…, xn) que satisface las restricciones del modelo de programación lineal,
se denominan solución.
Definición 2: una solución (x1, x2, x3,…, xn) que verifica la restricciones del
modelo de programación lineal de no negatividad de las condiciones técnicas se
denominan solución admisible.
Definición 3: sea una matriz Bmxm es una submatriz de la matriz A de orden
mxn del sistema de ecuaciones lineales (restricciones) es no singular o sea la
determinante de B diferente de nulo, se denomina base.
Definición 4 (Base): es un conjunto de vectores que satisface dos propiedades
en forma simultanea; i) vectores linealmente independientes y ii) generador del
espacio vectorial.
Definición 5: las m variables x1, x2, x3,…, xm correspondientes a las columnas
de la matriz B, se denomina variables básicas.
Definición 6: las restantes n-m variables xm+1, xm+2, xm+3, … , xn se
denomina variables no básicas.
Definición 7: una solución básica para el sistema de ecuaciones lineales
(restricciones) y los valores ceros corresponden a las variables no básicas xm+1,
xm+2, xm+3, … , xn.
Definición 8: si alguna variable básica (x1, x2, x3,…, xm) es igual a cero la
solución básica se llama solución básica degenerada.

2. TEOREMA FUNDAMENTAL DE PROGRAMACION LINEAL

Teorema 1: Si existe una solución admisible para un problema de programación
lineal, entonces existe una solución básica admisible, y si existe una solución
óptima admisible entonces existe una solución óptima básica admisible.
Donde, el número máximo de soluciones básicas de un problema de
programación lineal de m restricciones y n variables de decisión y es proporcional
al número máximo de bases distintas del sistema (restricciones) de ecuaciones
𝑛 n!
lineales que puede ser determinada por: (𝑚 ) = (𝑛−𝑚)!m!

Teorema 2: un conjunto de soluciones admisibles, de un problema de

programación lineal es un conjunto convexo.

3. REGION FACTIBLE
Consta de las soluciones de una familia de desigualdades lineales, de un modelo
de programación lineal de m restricciones y n variables de decisión.

4. METODO GRAFICO
El método gráfico de restricciones de un modelo de programación lineal, tan solo
es aplicable a problemas con dos o tres variables de decisión. Para aquellos
casos en que el número de variables de decisión del problema sea superior a
tres, no será posible encontrar la solución a partir de un gráfico bidimensional o
en el plano euclidiano.

5. METODO SIMPLEX
Es un algoritmo que permite resolver problemas de programación lineal,
considerado como el primer método formal para encontrar soluciones optimas –
el método simplex- fue desarrollado por Dantzig, 1947 y mejorado por Chames
entre 1948 y 1952. Actualmente es el método más utilizado en la búsqueda de
soluciones optimas de programación lineales.

El método simplex considera las siguientes fases:

a) Convertir las desigualdades en igualdades, mediante la introducción de
variables de holguras (forma estándar).
Ejemplo: 2X1 + 3X2 + 5X3 <= 6 => 2X1 +3X2 + 5X3 + S4 = 6
(+S4 variable de holgura)
Variable superávit o superflua
 Ejemplo: X1 – 13X2 – 55X3 >= 60 => X1 – 13X2 – 55X3 – S5 = 60
(S5 variable superávit o superflua)
b) Igualar la función objetivo a cero.
Ejemplo: Max Z = 2X1 + 3X2 + 5X3 => Max Z - 2X1 – 3X2 – 5X3 =
0
Ejemplo: Min Z = X1 – 13X2 - 55X3 => Min Z – X1 + 13X2 + 55X3 =
0

c) Escribir la tabla inicial de simplex; equivalente a determinar una solución

inicial básica factible:
Max Z = 7X1 + 3X2 + 3X3
Sujeto a X1 <= 1000
X2 <= 1000
X3 <= 1500
60X1 + 25X2 + 20X3 <= 100000
X1, X2, X3 >=0
Max Z = 7X1 + 3X2 + 3X3 + 0S4 + 0S5 + 0S6+ 0S7
Sujeto a X1 + S4 = 1000
X2 + S5 = 1000
X3 + S6 = 1500
60X1 + 25X2 + 20X3 + S7 = 100000
X1, X2, X3, S4, S5, S6, S7 >=0
Max Z - 7X1 - 3X2 - 3X3 = 0
Formulando el problema en forma estándar