Tema 1.

Programación lineal
Tema 1. Programación lineal
El objetivo de la investigación de operaciones es brindar la mejor solución posible al problema
planteado, mediante la resolución de un modelo matemático.
Dentro de los modelos matemáticos más utilizados en investigación de operaciones, se
encuentra la programación lineal, cuya meta es la correcta planeación de las alternativas
propuesta para la obtención del resultado más óptimo.
1.1 Componentes principales de modelado
La programación lineal se compone de tres elementos principales:

Dentro del problema o situación planteada es lo que se está

Alternativas o analizando, además de ser el primer paso en el desarrollo de un
variables modelo matemático, de ahí la importancia de que estén bien
definidas.

Son el resultado que se está buscando obtener. Para los modelos de

Objetivos programación lineal, estos resultados pueden ser de maximizar o
minimizar la función objetivo (meta).

Son las limitaciones planteadas en el problema o situación, estas

Restricciones pueden ser explícitas, es decir que se mencionen textualmente; o
implícitas, que se infieran a partir del objetivo que se esté buscando.

1.2 Fases principales de la programación lineal

De acuerdo con Taha (2012) las fases principales de toda investigación de operaciones, y
por lo tanto de los modelos de programación lineal, son las siguientes:

 Definición del problema: implica la determinación de los tres elementos principales de la

programación lineal (alternativas o variables, objetivos y restricciones).

 Construcción del modelo: es la transformación de lo ya planteado en la definición del

problema a un modelo matemático, donde el más usado es el lineal. En caso de que el
modelo planteado sea muy complejo para ser resuelto a través de programación lineal, se
puede recurrir a los heurísticos, que son procedimientos de diseño intuitivo que no
garantizan una solución óptima (Hillier y Lieberman, 2006) o la simulación.

 Solución del modelo: de acuerdo con Samuel Eilon, uno de los líderes ingleses en
investigación de operaciones: “optimizar es la ciencia de lo absoluto; satisfacer es el arte
de lo factible”, por lo que la solución del modelo debe de estar lo más apegada a la
“ciencia de lo absoluto”, siempre y cuando haya coherencia con el tiempo tomado en el
estudio y el costo del mismo; es decir, la solución que maximice el objetivo planteado.
 Para esta fase es importante considerar el análisis de sensibilidad en caso de que no se
pueda obtener una solución debido a la incertidumbre en los valores de los parámetros,
por lo que estos deberán de ser estimados.

 Validación del modelo: es la comprobación de la efectividad del modelo matemático, es

decir que los resultados obtenidos tengan congruencia con el objetivo o meta planteada
en un principio, y una manera de comprobarlo es a través de datos o resultados pasados
o históricos; si estos no existieran, nos podríamos apoyar de simuladores para tener
mayor seguridad en la información obtenida.

 Implementación de la solución: esta última etapa, como su nombre lo dice, es la

implementación de los resultados obtenidos. Para que esta implementación sea exitosa,
se deberá compartir los beneficios que se lograrán con esta solución, definir su plan de
puesta en marcha y capacitar si es necesario a las áreas involucradas. Durante esta etapa
se deberá dar un seguimiento muy de cerca, para identificar a tiempo cualquier desviación
en los resultados propuestos por el modelo, para poder hacer correcciones en el modelo.

1.3 Formulación de modelos programación lineal

Con la información descrita anteriormente, ahora podemos proceder a la formulación de un
modelo de programación lineal, a partir del siguiente ejemplo:
Bersol, compañía productora de pinturas para interior y exterior, utiliza principalmente dos
materias primas MP1 y MP2, los consumos y disponibilidades; se muestran en la siguiente
tabla:

Toneladas de materia prima

Disponibilidad diaria
máxima en toneladas
Pintura para Pintura para
exterior interior

Materia prima MP1 6 4 24

Materia prima MP2 1 2 6

Utilidad por
5 4
toneladas ($1000)

Una investigación de mercado reveló que la demanda diaria de pintura para interior no puede
exceder la demanda para pintura de exterior en más de una tonelada; además que la
demanda diaria máxima de pintura para interior es de dos toneladas.
Bersol busca definir la combinación óptima de pintura para interior y exterior que maximice su
utilidad diaria total de producción.
Haz clic en cada apartado para conocer su detalle.
Definición del problema
1. Alternativas o variables:
Bersol busca definir la cantidad diaria de producción de pintura para interior y exterior, por lo
que las variables quedarían de la siguiente manera:
Y1 = Toneladas de pintura para exterior producidas diariamente
Y2 = Toneladas de pintura para interior producidas diariamente
2. Objetivos:
Bersol busca maximizar la utilidad diaria total de producción (incluyendo pinturas para interior
y exterior). Ambos componentes de utilidad diaria total deberán de estar expresados en
función de Y1 y Y2.
Y1 = Utilidad de pintura para exterior en miles de dólares
Y2 = Utilidad de pintura para interior en miles de dólares
Si X representa la utilidad diaria total en miles de dólares, el objetivo quedaría expresado de la
siguiente manera:
Maximizar X = 5 Y1 + 4 Y2
3. Restricciones
Habrá que definir las restricciones que limitan el consumo y demanda de materias primas para
pinturas de interior y exterior.
Explícitamente el problema nos indica lo siguiente:

Toneladas de materia prima

Disponibilidad diaria máxima en

toneladas
Pintura para Pintura para
exterior (Y1) interior (Y2)

Materia
6 4 24
prima MP1

Materia
1 2 6
prima MP2

Consumo de MP1 6 Y1 + 4 Y2 ≤ 24
Consumo de MP2 Y 1 + 2 Y2 ≤ 6
Otra restricción de acuerdo a la investigación de mercado indica que la demanda diaria de
pintura para interior no puede exceder la demanda para pintura de exterior en más de una
tonelada.
Y2 – Y1 ≤ 1
Además tenemos que la demanda diaria máxima de pintura para interior es de dos toneladas.
Y2 ≤ 2
Implícitamente el problema nos indica que las variables Y1 y Y2 deberán tener sólo valores
positivos o 0, por lo que estas restricciones quedan expresadas de la siguiente manera:
Y1 ≥ 0
Y2 ≥ 0
Construcción del modelo
El modelo para este problema quedaría de la siguiente manera:
Maximizar X = 5 Y1 + 4 Y 2
6 Y1 + 4 Y2 ≤ 24
Y 1 + 2 Y2 ≤ 6
– Y1 + Y2 ≤ 1
Y2 ≤ 2
Y1 ≥ 0
Y2 ≥ 0

Una vez identificados los componente del modelo de programación lineal, la construcción del
modelo es mucho más sencilla, ya que sólo es cuestión de acomodar las ecuaciones
planteadas en la definición del problema.
Tema 2. Modelos programación lineal
2.1 Solución de modelos de programación lineal mediante método gráfico
Uno de los métodos de solución para los modelos de programación lineal es el método
gráfico, el cual consiste en la representación gráfica de las restricciones y función objetivo
definidos en el tema anterior.
Para poder hacer uso del método gráfico, es necesario que el modelo de programación lineal
sea únicamente de dos variables, cuya función objetivo sea de minimizar o maximizar.
De acuerdo con Taha (2012), el método gráfico consta de dos pasos:

1. Determinar el espacio de soluciones factibles.

2. Determinar la solución óptima de entre todos los puntos localizados en el espacio de
soluciones.

Continuando con el problema visto en el tema anterior, donde Bersol busca definir la
combinación óptima de pintura para interior y exterior que maximice su utilidad diaria total de
producción, podemos ejemplificar el método gráfico de maximización.
Solución del modelo
1. Determinación del espacio de soluciones factibles
Restricciones:

6Y1 + Y2 ≤ 24
(1)
Y1 + 2 Y2 ≤ 6
(2)
– Y1 + Y2 ≤ 1
(3)
Y2 ≤ 2 (4)
Y1 ≥ 0 (5)
Y2 ≥ 0 (6)

Primero trazamos las restricciones de no negatividad (Y1 ≥ 0, Y2 ≥ 0) en la gráfica,

considerando el eje horizontal para Y1 (pinturas para exterior) y el eje vertical para Y2 (pinturas
para interior).
Al trazar estas primeras restricciones, nos damos cuenta que la gráfica queda limitada sólo al
primer cuadrante.
Ahora procedemos a determinar los valores para Y1 y Y2 para el resto de las restricciones, y lo
hacemos convirtiendo cada desigualdad en una ecuación, para después asignar valores y
obtener las coordenadas de cada restricción como a continuación se muestra.
6 Y1 + 4 Y2 ≤ 24 (1)

6 Y1 + 4 Y2 = 24 coordenadas (0,6) y (4,0)

Y1 = 0 6 (0) + 4 Y2 = 24
4 Y2 = 24
Y2 = 24 / 4
Y2 = 6

Y2 = 0 6 Y1 + 4 (0) = 24
6 Y1 = 24
Y1 = 24 / 6
Y1 = 4

Y1 + 2 Y2 ≤ 6 (2)
Y1 + 2 Y2 = 6 coordenadas (0,3) y (6,0)
Y1 = 0 0 + 2 Y2 = 6
2 Y2 = 6
Y2 = 6 / 2
Y2 = 3

Y2 = 0 Y1 + 2 (0)= 6
Y1 = 6

– Y 1 + Y2 ≤ 1 (3)

- Y1 + Y2 = 1 coordenadas (0,1) y (1,2)

Y1 = 0
- 0 + Ysub>2 = 1
Y2 = 1

Y2 = 0 Y1+ Y2 = 1
- Y1= 1
Y1 = - 1

Y2 = 2 - Y1 + 2 = 1
- Y1 = 1 - 2
- Y1 = - 1
Y1 = 1

Y2 ≤ 2 (4)

Y2 = 2 coordenadas (0,2)
Y2 = 2
Y1 = 0

Trazamos cada una de las coordenadas y obtenemos la recta para cada restricción.
El área sombreada con amarillo representan las soluciones factibles a este modelo, ya que
cualquier valor dentro de esta área satisface cada una de las restricciones. Cualquier punto
fuera de esta área sería una solución no factible al modelo.
2. Determinación de la solución óptima
Para determinar la solución óptima o valor óptimo para este modelo dentro del área
sombreada, se deberá primero definir la dirección del crecimiento de la función objetivo
maximizar X = 5 Y1+ 4 Y2, para lo cual se asignan valores aleatorios o arbitrarios crecientes, es
decir por ejemplo X = 10, X = 15 y X = 21 para obtener las coordenadas de estas rectas.

5Y1 + 4 Y2 = 10 coordenadas (0, 2.5) y (2,0)

Y1 = 0 5 (0) + 4 Y2 = 10
Y2 = 10 / 4
Y2 = 2.5

Y2 = 0 5 Y1 + 4 (0) = 10
5 Y1 = 10
Y1 = 10 / 5
Y1 = 2

5 Y1 + 4 Y2 = 15 coordenadas (0, 3.75) y (3,0)

Y1 = 0 5 (0) + 4 Y2 = 15
Y2 = 15 / 4
Y2 = 3.75
Y2 = 0 5 Y1 + 4 (0) = 15
5 Y1 = 15
Y1 = 15 / 5
Y1 = 3

5 Y1 + 4 Y2 = 21 coordenadas (0, 5.25) y (4.2, 0)

Y1 = 0 5 (0) + 4 Y2 = 21
Y2 = 21 / 4
Y2 = 5.25

5 Y1 + 4 (0) = 21
5 Y1 = 21
Y2 = 0
Y1 = 21 / 5
Y1 = 4.2
Ya con las coordenadas, graficamos las rectas para cada una de las ecuaciones (líneas
marcadas en rojo).

De acuerdo con la nueva gráfica, se observa que el punto dentro del área sombreada que
maximiza el valor de X es el punto C, además que cualquier incremento en X, más allá de C
sería una solución o valor no óptimo. Además de cumplir con una característica de los
modelos de programación lineal, siendo esta que la solución óptima siempre estará en una de
las esquinas del área sombreada o área de soluciones óptimas.
Para encontrar los valores de Y1 y Y2 resolveremos el sistema de ecuaciones formado por X (5
Y1 + 4 Y2 = 21) con la ecuación de la restricción 1 (6 Y1 + 4 Y2 = 24), ya que son 2 de las
ecuaciones que tocan el punto C y tenemos lo siguiente:

6 Y1 + 4 Y2 = 24 (1)
- 5 Y1 + 4 Y2 = 21 (2)
Multiplicamos la ecuación (2) por -1
(- 1) (5 Y1 + 4 Y2 = 21) = - 5 Y1 - 4 Y2 = - 21 (3)
Sumamos la ecuación (1) con la ecuación (3) para eliminar la variable Y2
6 Y1 + 4 Y2 = 24
- 5 Y1 + 4 Y2 = - 21

Y1 + 0 = 3

y tenemos

Y1= 3

Sustituimos el valor de Y1 en la ecuación (1)

6 Y1 + 4 Y2 = 24
6 (3) + 4 Y2 = 24
18 + 4 Y2 = 24
4 Y2 = 24 - 18
4 Y2 = 6
Y2 = 6 / 4
Y2 = 1.5

Por último sustituimos los valores de Y1 y Y2 en la ecuación objetivo X = 5 Y1 + 4 Y2 de

maximización

5 Y1 + 4 Y2 = X
5 (3) + 4 (1.5) = X
15 + 6 = 21
A partir de esto concluimos que una combinación de producción diaria de 3 toneladas de
pintura para exterior y 1.5 toneladas de pintura para interior, maximizarían las utilidades
siendo estas de $21 000.
Ahora veremos un ejemplo del método gráfico de minimización.
Granjas Valle consume mínimo diariamente 800 libras de un alimento especial, que contiene
una combinación de maíz y soya, en las proporciones que a continuación se muestran.

Libra por libra de alimento especial

 Alimento especial Proteína Fibra Costo ($ / lb)

Maíz 0.09 0.02 0.30

Soya 0.60 0.06 0.90

Los requerimientos en cuanto a la dieta para este alimento especial es de un mínimo de 30%
de proteína y un máximo del 5% de fibra. Lo que Granjas Valles está buscando es la
combinación o mezcla de alimento diario, al menor costo.
Definición del problema
1. Alternativas o variables:
Y1 = Libras de maíz para la mezcla diaria
Y2 = Libras de soya para la mezcla diaria
2. Objetivos:
Combinación o mezcla de alimento diario, al menor costo.
Minimizar X = 0.30 Y1 + 0.9 Y2
3. Restricciones:
Granjas Valle consume mínimo diariamente 800 libras de un alimento especial, que contiene
una combinación de maíz y soya.
Y1 + Y2 ≥ 800
La proporción de proteína en el alimento especial de maíz y soya es de 0.09 Y1 + 0.6 Y2y esta
debe ser por lo menos igual al 30% de la mezcla total de alimento Y1 + Y2
0.09 Y1 + 0.6 Y2 ≥ 0.30 (Y1 + Y2)
La proporción de fibra en el alimento especial de maíz y soya es de 0.02 Y1 + 0.06 Y2 y esta
debe ser cuando mucho igual al 5% de la mezcla total de alimento Y1 + Y2.
0.02 Y1 + 0.06 Y2 ≤ 0.05 (Y1 + Y2)
Habrá que simplificar las restricciones pasando los términos Y1 y Y2 a lado izquierdo de la
desigualdad, como se muestra a continuación.
0.09 Y1 + 0.6 Y2 ≥ 0.30 (Y1 + Y2)
0.09 Y1 + 0.6 Y2 = 0.30 (Y1 + Y2)
0.09 Y1 + 0.6 Y2 = 0.30 Y1 + 0.3 Y2
0.09 Y1 + 0.6 Y2 - 0.30 Y1 - 0.3 Y2 = 0
- 0.21 Y1 + 0.3 Y2 = 0
- (- 0.21 Y11 + 0.3 Y2) = 0
0.21 Y1 - 0.3 Y2 = 0
0.02 Y1 + 0.06 Y2 ≤ 0.05 (Y1 + Y2)
0.02 Y1 + 0.06 Y2 = 0.05 (Y1 + Y2)
0.02 Y1 + 0.06 Y2 = 0.05 Y1 + 0.05 Y2
0.02 Y1 + 0.06 Y2 - 0.05 Y1 - 0.05 Y2 = 0
- 0.03 Y1 + 0.01 Y2 = 0
- (- 0.03 Y1 + 0.01 Y2) = 0
0.03 Y1 - 0.01 Y2 = 0
Construcción del modelo
El modelo para este problema quedaría de la siguiente manera:
Minimizar X = 0.30 Y1 + 0.9 Y2
Y1 + Y2 ≥ 800
0.21 Y1 - 0.3 Y2 ≥ 0
0.03 Y1 - 0.01 Y2 ≤ 0
Y1 , Y2 ≥ 0
Solución del Modelo
1. Determinación del espacio de soluciones factibles

(1)Y1 + Y2 = 800 coordenadas (0, 800) y (800, 0)

(2)0.21 Y1 - 0.3 Y2 = 0 coordenadas (0, 0) y (1500, 1050)

(3)0.03 Y1 - 0.01 Y2 = 0 coordenadas (0, 0) y (500, 1500)

De igual manera, asignamos valores a X (X = 0.30 Y1 + 0.9 Y2) arbitrariamente para poder
graficar su recta.
X = 1350 Y1 = 0 y Y2= 1500
X = 1150 Y1 = 1500 y Y2= 1100

2. Determinación de la solución óptima

Como estamos buscando la intersección que minimice el resultado, este sería el cruce de la
restricción 1 con la restricción 2.

Y1 + Y2 = 800
0.21 Y1 - 0.3 Y2 = 0

para eliminar Y1 hacemos lo siguiente

0.21 (Y1 + Y2 = 800)

- (0.21 Y1 - 0.3 Y2 = 0)

quedándonos de la siguiente manera

0.21 Y1 + 0.21 Y2 = 168
- 0.21 Y1 + 0.3 Y2 = 0

0.51 Y2 = 168
Y2 = 168 / 0.51

Y2 = 329.4 sustituimos el valor de Y2 en la ecuación de la restricción 1 y tenemos

Y1 + Y2 = 800
Y1 + 329.4 = 800
Y1 = 800 – 329.4
Y1 = 470.6
Por último sustituimos los valores de Y1 y Y2 en la ecuación objetivo X = 0.30 Y1 + 0.9
Y2de minimización:

X = 0.30 Y1 + 0.9 Y2
X = 0.30 (470.6) + 0.9 (329.4)
X = 141.18 + 296.46
X = 437.64

A partir de esto concluimos que una combinación o mezcla de alimento diario que
minimice el costo sería de 470.6 libras de maíz y 329.4 libras de soya, dándonos un costo
mínimo por día de $437.64.

Otro método de solución a los modelos de programación lineal es el método simplex. Este
método fue desarrollado por George Dantzing, es muy útil cuando estamos hablando de
modelos complejos, que no podrían ser resueltos por del método gráfico, además de que no
hay restricción en cuanto al número de variables.
2.2 Solución de modelos de programación lineal mediante método Simplex
El método simplex está basado en las siguientes consideraciones:

 Toma en cuenta sólo las soluciones factibles delimitadas por los vértices del área de
soluciones o región factible.
 En caso de que la primera solución factible no sea la óptima, inicia el proceso de iteración
(repetición de pasos en búsqueda de la solución óptima).
 Cuando sea posible, debemos considerar el origen (0,0) como la primera solución factible
o la inicial.
 Si existe la necesidad de iniciar el proceso de iteración, la siguiente solución factible a ser
evaluada debe de ser la adyacente al vértice de solución que está siendo evaluada.
 Analiza la tasa de crecimiento que habría al moverse de un vértice de solución factible a
otro. Un valor positivo significa que la solución adyacente es mejor que la actual. Un valor
negativo significa que la solución adyacente es peor a la actual.
2.3 Condición de oportunidad, condición de factibilidad
Según Taha (2012), existen dos tipos de condiciones dentro del método simplex:

 Condición de optimalidad. La variable de entrada en un problema de maximización

(minimización) es la variable no básica con el coeficiente más negativo (positivo) en la fila
z. Los vínculos se rompen arbitrariamente. El óptimo se alcanza en la iteración en la cual
los coeficientes en la fila z son no negativos (no positivos).
 Condición de factibilidad. Tanto en problemas de maximización como de minimización,
la variable de salida es la variable básica asociada con la relación mínima no negativa con
el denominador estrictamente positivo. Los vínculos se rompen arbitrariamente.
Tema 3. Casos especiales del método simplex
Debido a que en un modelo de programación lineal puede existir más de una solución, el
método simplex permite ir mejorando las soluciones seleccionadas (iteración), hasta que ya no
haya mejoría en la solución planteada. Cuando hacemos uso del Método simplex debemos
considerar que existen cuatro casos especiales que podrían presentarse:

1. Degeneración
2. Óptimos alternativos
3. Solución no acotada
4. Solución no factible

Antes de explicar en qué consiste cada uno de los casos especiales, es importante definir los
siguientes términos, ya que forman parte del vocabulario usado en la definición de los mismos.

 Solución básica: solución factible que se encuentra en alguno de los vértices del área de
solución, resolviendo las m ecuaciones.
 Variables no básicas: variables y ecuaciones que se han igualado a 0 (n – m variables
0).
 Variables básicas: ecuaciones restantes diferentes a 0. Se considera que la solución
básica será factible, si las variables básicas son no negativas, y por lo tanto será in factible
si hubiera variables negativas (m variables restantes).

Ahora bien, continuemos con la explicación de cada uno de los casos especiales mencionados
anteriormente.
3.1 Solución degenerada
Este caso se presenta cuando en el método simplex, durante el proceso de ir mejorando las
soluciones seleccionadas (iteración), hay un empate en la variable de salida, que se puede
romper arbitrariamente. Si esto sucede, en la siguiente iteración al menos una variable básica
será 0, por lo que se dice que la nueva solución está degenerada.

3.2 Óptimos alternativos y solución no acotada

Óptimos alternativos
Se presenta cuando la recta de la ecuación función objetivo es paralela al menos a una
restricción que cumpla como una ecuación de la mejor solución o solución óptima.

Solución no acotada
Sucede cuando al menos una variable puede incrementarse indefinidamente, sin estar
violando alguna restricción. En este caso donde no está acotado el área de soluciones indica
que el modelo ha sido mal construido, pudiendo estar mal definidas las restricciones en cuanto
a su valor o que alguna de ellas no esté siendo considerada en la construcción del modelo.
3.3 Solución no factible
Se presenta cuando no se cumple con al menos una restricción, lo que indicaría que el modelo
no ha sido construido correctamente. De acuerdo con Taha (2012), esta situación no ocurre si
todas las restricciones son del tipo ≤ con lados derechos no negativos, porque las holguras
proporcionan una solución factible obvia. Para otros tipos de restricciones, se utilizan variables
artificiales penalizadas para iniciar la solución. Si al menos una variable artificial es positiva en
la iteración óptima, entonces el modelo de programación lineal no tiene una solución factible.
Tema 4. Método simplex y análisis de sensibilidad
4.1 Modelos de programación lineal en forma de ecuación

Cuando estamos haciendo uso del método simplex, se deben convertir las desigualdades del
modelo a forma de ecuación. De acuerdo con Taha (2012) el desarrollo de los cálculos con el
método simplex se facilita si se imponen dos requerimientos a las restricciones de
programación lineal:

1. Todas las restricciones son ecuaciones con lado derecho no negativo

2. Todas las variables son no negativas

Para convertir una desigualdad (≤) en ecuación, se agrega una variable de holgura al lado
izquierdo de la restricción. Por ejemplo el caso de pinturas Bersol, donde la restricción de MP1
es 6 Y1 + 4 Y2 ≤ 24, nos quedaría de la siguiente manera:

6 Y1 + 4 Y2 + s1 = 24, s1 ≥ 0

s1 es la variable no negativa que representa la holgura (cantidad no utilizada) para MP1.

Cuando tenemos una restricción de ≥ se establece un límite inferior para las actividades
económicas de la Programación Lineal, por lo que la cantidad en la que el lado izquierdo
excede el límite mínimo representa un superávit.
Para convertir ≥ en una igualdad =, habrá que restar una variable no negativa de superávit al
lado izquierdo de la desigualdad. Como el caso de Granjas Valle, la variable de exceso S1
hace que la siguiente restricción Y1 + Y2 ≥ 800 quede convertida de la siguiente manera.

Y1 + Y1 - S1 = 800, S1 ≥ 0

El último requerimiento es que el lado derecho de la ecuación no sea negativo, si fuera así
habría que multiplicar ambos lados de la ecuación por – 1.
4.2 Transición de la gráfica a la algebraica
Cuando estamos usando el método simplex, el área de soluciones está delimitado por
ecuaciones lineales m y variables no negativas n. En todos los modelos de programación
lineal no trivial, m siempre es menos a n, por lo que se tiene una cantidad infinita de posibles
soluciones al modelo.
Si tenemos únicamente la ecuación x + y = 2, m sería igual a 1 (solo una ecuación) y n igual a
2 (dos variables, x, y), con una infinidad de soluciones, ya que cualquier punto sobre la recta x
+ y = 2 es una solución factible.
El espacio de soluciones está representado por m x n ecuaciones, donde m ‹ n. La solución
básica corresponderá a los puntos de esquina del espacio o área de soluciones, estas se
obtienen igualando n – m variables a 0 y resolviendo las m ecuaciones restantes, para
las m variables restantes.
Podemos obtener la cantidad máxima de soluciones básicas o puntos de esquina de la
siguiente manera:
Expliquemos lo anterior mediante un ejemplo de un modelo de programación lineal de dos
variables.

Maximizar X = 2 Y1 + 3 Y1

2 Y1 + Y2 ≤ 4
Con las siguientes Y1 + 2Y2 ≤ 5
restricciones Y1 , Y2 ≥ 0

m = 2 (2 ecuaciones o restricciones, 2 Y1 + Y2 ≤ 4, Y1 + Y2 ≤ 5)
Algebraicamente:
n = 4 (2 variables Y1 , Y2 por cada ecuación =4)

Ahora transformamos (≤ variable de holgura, sumamos s1 )

2 Y1 + Y2 ≤ 4
las restricciones
2 Y1 + Y2 + s1 = 4
en forma de ecuación:

Y1 + 2Y2 ≤ 5 (≤ variable de holgura, sumamos s2)

Y1 + 2Y2 + s2 = 5

Las restricciones ahora 2 Y1 + Y2 + s1 = 4

quedarían de la Y1 + 2Y2 + s2 = 5
siguiente manera: Y1, Y2, s1, s2 ≥ 0

Determinemos las n – m = 4 – 2 = 2 variables iguales y resolviendo las variables

soluciones básicas: restantes m = 2

Si asignamos valores Y1 = 0, Y2 = 0, tendríamos la solución básica única s1 = 4, s2 =

5 correspondiente al punto A de la gráfica que aparece más abajo.

2 Y1 + Y2 + s1 = 4
2 (0) + 0 + s1 = 4
s1 = 4
Y1 + 2Y2 + s2 = 5
0 + 2(0) + s2 = 5
s2 = 5

Podemos obtener una solución básica asociada correspondiente al punto C cuando Y1 = 1,

Y2 = 2, con s1 = 0, s2 = 0 resolviendo las ecuaciones resultantes.
2 Y1 + Y2 + s1 = 4
2 Y1 + Y2 + 0 = 4
Y1 + 2Y2 + s2 = 5
Y1 + 2Y2 + 0 = 5
2 Y1 + Y2 + 0 = 4
Y1 + 2Y2 + 0 = 5

2 (2 Y1 + Y2 = 4)
- (Y1 + 2Y2 = 5)

4 Y1 + 2 Y2 = 8
- Y1 - 2Y2 = - 5

3 Y1= 3
Y1= 3 / 3
Y1= 1

Y1 + 2Y2 = 5
1 + 2Y2 = 5
2Y2 = 5 - 1
2Y2 = 4
Y2 = 4 / 2
Y2 = 2

Ahora obtenemos la cantidad máxima de soluciones básicas o puntos de esquina para este
modelo:
Esto nos indica que existen 6 puntos de esquina, pero en la gráfica anterior sólo se
encuentran 4 (A, B, C y D), lo que quiere decir es que E y F se encuentran fuera del área de
soluciones, por lo que no son factibles y no podrían ser considerados como soluciones
óptimas.
A partir de esto podemos enlistar todos los puntos de esquina para determinar si las
soluciones son factibles o no y determinar cuál es la solución óptima.

Variables no
básicas Variables Solución Punto de esquina Valor
¿Factible?
básicas básica asociado objeto X
(igualadas a 0)

(Y1, Y2) (s1, s2) (4,5) A Sí 0

(Y1, s1) (Y1, s2) (4,-3) F No -
(Y1, s2) (Y2, s1) (2.5, 1.5) B Sí 7.5
(Y2, s1) (Y1, s2) (2,3) D Sí 4
(Y2, s2) (Y1, s1) (5, -6) E No -
(s1, s2) (Y1, Y2) (1,2) C Sí 8

Los valores de la solución básica se obtienen sustituyendo por 0 las variables no básicas en
las ecuaciones de restricciones y el valor objetivo, sustituyendo los valores de la solución
básica en la ecuación objetivo. La óptima solución sería aquella con el mejor valor objetivo.
4.3 Método simplex
El método simplex lo que hace en lugar de analizar cada solución básica o punto de esquina,
es analizar los incrementos que existen en las variables para cada punto de esquina partiendo
siempre del origen, que para esta gráfica sería el punto A. Además, este método no permite
un incremento en ambas variables (Y1, Y2), el incremento debe de ser una variable a la vez.
La variable que se considerará para evaluar si hay un incremento o no, será la que tenga una
mayor mejora en la función objetivo X (X = 2 Y1 + 3 Y2), que para este caso es Y2, debido a
que su incremento sería multiplicado por 3. Así es como pasamos del punto A al B y al pasar
de B a C, observamos que hay un incremento en la variable Y1, por lo que este último punto
es la solución óptima.
Cabe mencionar que dentro del método simplex, es forzosamente necesario considerar
solamente los incrementos que nos lleven a cada uno de los puntos de esquina y que el
movimiento a través del área de soluciones debe de ser en secuencia, es decir A – B – C, no
es posible pasar de A a C de manera directa.
Tema 5. Análisis de sensibilidad
Un análisis de sensibilidad es el estudio de cómo la variación en las restricciones o función
objetivo pueden afectar la solución óptima del modelo. Por tal, la finalidad de este análisis es
definir los rangos de variación permisibles de los parámetros, sin llegar a afectar la solución
óptima o definir cuáles de estos parámetros son sensibles; es decir, cualquier cambio en ellos
provocaría un cambio en la solución del modelo.
El análisis de sensibilidad puede evaluarse a través de:

 Análisis de sensibilidad gráfica

 Análisis de sensibilidad algebraica

5.1 Análisis de sensibilidad gráfica

En el análisis de sensibilidad gráfica se consideran dos casos según Taha (2012):

 La sensibilidad de la solución óptima a los cambios de la disponibilidad de los recursos

(lado derecho de las restricciones).
 La sensibilidad de la solución óptima a los cambios en la utilidad unitaria o el costo unitario
(coeficientes de la función objetivo).

Lado derecho de las restricciones

Una empresa fabrica dos piezas en dos troqueladoras diferente. La pieza 1 requiere 2 horas
en la troqueladora 1 y 1 hora en la troqueladora 2. La pieza 2 requiere 1hora en la
troqueladora 1 y 3horas en la troqueladora 2. La utilidad del producto 1 es de $30 y la del
producto 2 es de $20. El tiempo diario disponible de cada troqueladora es de 8 horas.

Variables
Y1 = Producto 1
Y2 = Producto 2
Función objetivo
Maximizar X = 30 Y1 + 20 Y1
Restricciones
2 Y1 + Y2 ≤ 8 Troqueladora 1
Y1 + 3Y2 ≤ 8 Troqueladora 2
Y1, Y2 ≥ 8
Si el tiempo diario disponible de la troqueladora 1 se incrementa de 8 a 9 horas, obtener la
tasa de cambio para X.
Por lo tanto un incremento o decremento unitario en el tiempo disponible de la troqueladora 1,
aumentará o reducirá la utilidad a $14. Esta utilidad permanecerá válida para los incrementos
o reducciones en el tiempo disponible de la troqueladora 1, siempre y cuando la recta de estos
cambios sea paralela a la recta original en cualquier punto del segmento BF.
Los rangos de capacidades se determinan de la siguiente manera.
Troqueladora 1, capacidad mínima (B=2.66) = 2 (0) + 1 (2.66) = 2.66
Troqueladora 1, capacidad máxima (F=8) = 2 (8) + 1 (0) = 16
2.67hr ≤ Tiempo disponible troqueladora 1 ≤ 16hr
Coeficientes de la función objetivo
Siguiendo con el mismo ejemplo, si los coeficientes de la función objetivo cambian, la recta de
X cambiará también, pero la solución óptima seguirá siendo C, mientras que la recta de la
función objetivo se mantenga entre las rectas BF y DE.
La recta X podrá girar en sentido dextrorso y sinestroso con origen en C, para lo cual es
posible calcular el rango o intervalos para los coeficientes de la función objetivo.
Maximizar X = C1Y1 + C2Y2
Como se menciona, la solución óptima sigue siendo C, siempre y cuando X se mantenga entre
las rectas 2 Y1 + Y2 = 8, Y1 + 3Y2 = 8, lo que significa que C1 / C2 puede variar entre 2/1 y 1/3,
resultando
1/3 ≤ C1 / C2 ≤ 2/1 = 0.33 ≤ C1 / C2 ≤ 2
5.2 Análisis de sensibilidad algebraica
Cambios en el lado derecho
Para cada problema en programación lineal siempre habrá otro problema dual, es decir, si el
problema primal es de maximización, el problema dual será de minimización y viceversa. Los
cambios en el lado derecho representan cambios a los recursos disponibles del modelo.
Dentro del problema dual tendremos el precio sombra, que representa el cambio en la función
objetivo cuando cambia alguna variable del lado derecho. Además se pueden determinar los
intervalos de factibilidad que sería el rango en que pueden fluctuar las variables, sin ocasionar
cambios en la solución óptima.
Cambios en la función objetivo
Este cambio está relacionado con el costo reducido (costo de los recursos respecto al
consumo). De igual manera es posible determinar los intervalos de optimalidad, que harán que
la solución óptima se mantenga constante.
Costo reducido por unidad = Costos de los recursos consumidos por unidad – Ingreso
por unidad
Para convertir una variable no rentable en rentable tenemos dos opciones:

1. Incrementar el ingreso por unidad

2. Reducir el costo por unidad de recursos consumidos

5.3 Análisis de Sensibilidad con TORA, Solver y AMPL

TORA (Temporary Orderer Routing Algorithm), Solver (aplicación de Excel) y AMPL (Modeling
Language for Mathematical Programing) son herramientas o software que permitirán realizar
los cálculos para los modelos de programación lineal de manera automática, sin tener que
hacerlos manuales.
Con estas herramientas se pueden resolver problemas de maximización, minimización,
modelos de transporte, teorías de colas, asignación de recursos, etc.
Dependiendo del tamaño del problema es la herramienta sugerida a ser utilizada. Cuando
hablamos de problemas de un tamaño moderado la mejor opción sería TORA o Solver, pero si
existen miles de variables o restricciones es mejor usar AMPL.
TORA fue diseñado para el libro Investigación de Operaciones de Handy Taha. Puede
resolver problemas de programación lineal, método Simplex, dos fases, M grande, Dual,
modelos de transporte, programación entera, modelo de redes, teoría de colas y juego de
suma cero.
Solver es un complemento del Excel que permite resolver problemas de maximización y
minimización, modelos de transporte, asignación de recursos.
AMPL es un lenguaje que expresa en forma de ecuación o algebraica cualquier problema de
optimización como los incluidos en la programación lineal.
Como ya se explicó Solver está disponible por Excel, pero para el caso de TORA y AMPL
existen tutoriales y aplicaciones prueba que pueden ser descargadas de Internet.