INSTITUTO POLITECTNICO NACIONAL

ESCUELA SUPERIOR DE COMERCIO Y ADMINISTRACION

LICENCIATURA COMERCIO INTERNACIONAL

2024
Christian Stephania Flores Escudero Profesor:
Fernando Bueno Mora
Instituto politécnico nacional

10-1-2024

“Métodos Cuantitativos”

Estudio de caso 6.
Modelos de programación lineal parte 2

Grupo: 4IX30
Profesor: Fernando Bueno Mora
Boleta:20210A0588
Contenido
Introducción...................................................................................................................................................... 2
Desarrollo.......................................................................................................................................................... 3
Estudio de caso 6...........................................................................................................................................3
Método Simplex.............................................................................................................................................3
Paso 1. Planteamiento del caso y recabación de datos...........................................................................3
Datos................................................................................................................................................................. 4
Paso 2. Restricciones................................................................................................................................5
Paso 3. Generar matriz.............................................................................................................................5
Paso 4. Solución básica inicial.......................................................................................................................5
Paso 5. Seleccionar la variable de entrada utilizando la condición de optimalidad...............................6
Paso 6. Seleccionar la Variable de Salida con la Condición de Factibilidad.............................................................6
Paso 7. Actualizar la matriz......................................................................................................................7
Paso 8. Seleccionar la Variable de Salida con la Condición de Factibilidad.............................................................9
Paso 9. Actualizar la matriz......................................................................................................................9
Paso 10. Sustitución...............................................................................................................................11
conclusión método simplex.............................................................................................................................11

1
Introducción

Objetivo general
Conocer los diferentes métodos de resolución y cálculo, para la maximización de utilidades, recursos
y optimización de estos.

Objetivos específicos
Aplicar los métodos Simplex y de Transporte.

Método Simplex
Es un método analítico de solución de problemas de programación lineal, capaz de resolver modelos
más complejos que los resueltos mediante el método gráfico, sin restricción en el número de
variables y con una mayor capacidad de análisis de sensibilidad.
Es un procedimiento iterativo para resolver problemas de programación lineal, donde se busca
obtener la solución óptima de la función objetivo que logre cumplir el conjunto de restricciones.
El método parte de dos afirmaciones importantes:
1. El conjunto de posibles soluciones o conjunto factible de cualquier problema de
programación lineal puede representarse mediante un poliedro convexo.
2. Si un problema de programación lineal tiene una solución óptima y finita, ésta estará en un
vértice del poliedro convexo que representa al problema.

Método de Transporte
Es una aplicación singular de la programación lineal cuyo objetivo es determinar el esquema de
transporte que minimice el coste total de este, conocidos los costes unitarios desde el origen i hasta
el destino.

2
Desarrollo

Estudio de caso 6

La empresa Panchito López SA de CV desea incursionar en la exportación de fertilizantes a Canadá.

En su planta ubicada en Toluca Estado de Posterior a evaluar el costo de los materiales y el precio
de venta propuesto en la empresa llegaron a la conclusión de que por el fertilizante 1
El fertilizante 1 requiere: de 5 % de nitrato, 5 % de Potasio y 10 % de Amonio.
El fertilizante 2 requiere: de 5 % de nitrato, 10 % de Potasio y 5 % de Amonio.
La mezcla se completa con arcilla común, de la cual se tiene una disposición ilimitada, por lo que no
restringe la producción de los fertilizantes.
En planta el día de hoy solamente existe: 1220 kilogramos de Nitrato, 1320 kilogramos de Potasio y
3000 kilogramos de Amonio.
Determine cuántos kilogramos de fertilizante 1 y cuántos del tipo 2 debe fabricar para lograr la mayor
ganancia posible.
por el fertilizante 1 obtendrán una ganancia de 18.8 USD/Kg. Y por el fertilizante 2 obtendrán una
ganancia de 20 USD/Kg.

Método Simplex

Paso 1. Planteamiento del caso y recabación de datos

Lo primero es definir el problema y determinar los datos o información con los que contamos.
Determinar cuántos kilogramos de fertilizante 1 y cuántos del tipo 2 debe fabricar para lograr la
mayor ganancia posible, es decir, maximizar la utilidad.

3
Datos
Por fertilizante se requiere:

•El fertilizante 1 requiere: de 5 % de nitrato, 5 % de Potasio y 10 % de Amonio.

•El fertilizante 2 requiere: de 5 % de nitrato, 10 % de Potasio y 5 % de Amonio.

Y contamos con un total de:

•1220 kilogramos de Nitrato

•1320 kilogramos de Potasio
•3000 kilogramos de Amonio

Ganancia por fertilizante:

Fertilizante 1: 18.8 USD/Kg.

Fertilizante 2: 20 USD/Kg.

Función objetivo

Z= c1x1 + c2x2 + c3x3 +….+ cnxn

Donde x1, x2, etc., son las variables del problema.

a11·x1 + a12·x2 + ... + a1n·xn = b1

a21·x1 + a22·x2 + ... + a2n·xn = b2
am1·x1 + am2·x2 + ... + amn·xn = bm
x1,..., xn ≥ 0

C1: Nitrato 0.05 x1 + 0.05 x2 <= 1220

C2: Potasio 0.05 x1 + 0.1 x2 <=1320
C3: Amonio 0.1 x1 + 0.05 x2 <= 3000

4
Paso 2. Restricciones

Cuando el término independiente de la restricción es negativo, se debe multiplicar por -1 a toda la

restricción para convertir el valor del lado derecho en positivo. Esta multiplicación también afectará al
signo de la restricción de la siguiente forma:
•Si la restricción es del tipo mayor igual (≥), se deberá cambiar a menor igual (≤).
•En caso la restricción sea del tipo menor igual (≤), se deberá cambiar a mayor igual (≥).
•Si la restricción es una igualdad, el signo se mantiene.

Convertir restricciones en igualdades

C1: Nitrato 0.05 x1 + 0.05 x2 + S1 <= 1220

C2: Potasio 0.05 x1 + 0.1 x2 + S2 <=1320
C3: Amonio 0.1 x1 + 0.05 x2 + S3 <= 3000

Paso 3. Generar matriz

Desarrollamos tabla simplex incluyendo los términos de holgura que nos permitieron igualar.

X1 X2 S1 S2 S3
S1 0.05 0.05 1 0 0
S2 0.05 0.10 0 1 0
S3 0.10 0.05 0 0 1
Z -18.8 -20 0 0 0

Paso 4. Solución básica inicial

El método simplex parte de un vértice de la región factible, es decir, un punto extremo. Con cada
iteración avanzaremos de vértice en vértice hasta llegar a la solución óptima.

Anotamos en el extremo derecho anotamos las existencias actuales de material.

X1 X2 S1 S2 S3 R
S1 0.05 0.05 1 0 0 1220
S2 0.05 0.10 0 1 0 1320
S3 0.10 0.05 0 0 1 3000
Z -18.8 -20 0 0 0 0

Y podemos decir que las soluciones iniciales son:

 S1: 1220

5
 S2: 1320
 S3: 3000

Paso 5. Seleccionar la variable de entrada utilizando la condición de optimalidad

Dado que buscamos maximizar, marcaremos la columna que contenga el valor negativo más
grande:

X1 X2 S1 S2 S3 R
S1 0.05 0.05 1 0 0 1220
S2 0.05 0.10 0 1 0 1230
S3 0.10 0.05 0 0 1 3000
Z -18.8 -20 0 0 0 0

Paso 6. Seleccionar la Variable de Salida con la Condición de Factibilidad

Ahora dividiremos los R entre los valores de la columna que marcamos:

X1 X2 S1 S2 S3 R CRX
S1 0.05 0.05 1 0 0 1220 1220 / 0.05
S2 0.05 0.10 0 1 0 1600 1320/ 0.10
S3 0.10 0.05 0 0 1 2150 3000 / 0.05
Z -18.8 -20 0 0 0 0 Vector de costes

Ahora buscaremos dentro de la columna marcada, el valor que corresponda con el resultado menor
del extremo derecho, es decir, nuestra nueva variable de salida.

X1 X2 S1 S2 S3 R CRX
S1 0.05 0.05 1 0 0 1220 24,400
S2 0.05 0.10 0 1 0 1320 13,200
S3 0.10 0.05 0 0 1 3000 60,000
Z -18.8 -20 0 0 0 0 Vector de costes

Identificaremos el elemento pivote.

X1 X2 S1 S2 S3 R CRX
S1 0.05 0.05 1 0 0 1220 24,400
S2 0.05 0.10 0 1 0 1320 13,200
S3 0.10 0.05 0 0 1 3000 60,000
Z -18.8 -20 0 0 0 0 Vector de costes

6
Paso 7. Actualizar la matriz

Una vez determinado nuestro elemento pivote, realizaremos las operaciones de Gauss-Jordan para
formar nuestra matriz identidad. El nuevo valor de cada fila se calculará de la siguiente manera:

 Para la fila pivote: El nuevo valor se obtendrá dividiendo el valor actual entre el elemento pivote.

Nuevo Valor Fila Pivote = Valor Actual Fila Pivote / Elemento Pivote

 Para las otras filas: El nuevo valor se calcula restando del valor actual, la multiplicación del
elemento de la fila que se encuentra en la columna pivote por el nuevo valor calculado en la fila
pivote.

Nuevo Valor = Valor Actual – (Elemento Fila Columna Pivote*Nuevo Valor Fila Pivote).

X1 X2 S1 S2 S3 R
S1 0.05 0.05 1 0 0 1220
S2 0.05 / 0.10 0.10/ 0 / 0.10 1 / 0.10 0/ 0.10 1320 / 0.10
0.10
S3 0.10 0.05 0 0 1 3000
Z -18.8 -20 0 0 0 0

Con los siguientes resultados:

X1 X2 S1 S2 S3 R
S1 0.05 0.05 1 0 0 1220
S2 0.50 1 0 10 0 13,200
S3 0.10 0.05 0 0 1 3000
Z -18.8 -20 0 0 0 0

Ahora vamos con los otros dos renglones, S1 y S2:

Multiplicamos el valor de S2 que le corresponda a la columna que vamos a calcular, por el menor
valor de S2 en negativo, en este caso -0.50, y lo sumamos al valor del renglón que estamos
trabajando, S1 u S3.

7
 X1 X2 S1 S2 S3 R

S1 0.50 x (-0.05) + 1 x (-0.05) + (0) x (-0.05) + (10) x (-0.05) + (0) x (-0.05) + (13,200) x (-
0.05 = 0.05 = 1= 0 = -0.5+0 = 0= 0.05) + 1220 =
-0.25 + .05 = -0-05 + 0.05 = 0+1=1 -0.5 -0.5+0 = 0 -660.00 + 1220
0.025 0 = 560.00

S2 0.50 1 0 10 0 13,200
S3 0.50 x (-0.05) + 1 x (-0.05) + 0 x (-0.05) + 0 10 x (-0.05) + 0 0 x (-0.05) + 1 13,200 x (-0.05)
0.10 = 0.05 = = = = + 3000 =
-0.25 + 0.10 = 0.05 + 0.05 = 0 0+0=1 -0.5 + 0 = 0+1=1 -660.00 + 3000
0.075 -0.5 = 2,340.00

Z 0.50 x 20 (- 1 x 20 (-20) = 0 x 20 (-0) = 0 10 x 20 (-0) + 0 0 x 20 (-0) + 0 13,200 x 20 (-0)

18.80) = 20 – 20 = 20 +0=0 = = =
10 – 18.80 = - 200 + 0 = 0+0=0 264,000 – 0 =
8.80 200 264,000

Los resultados son:

X1 X2 S1 S2 S3 R
S1 0.025 0 1 -0.5 0 560.00

S2 0.50 1 0 10 0 13,200
S3 0.075 0 1 -0.5 1 2,340.00

Z -8.80 20 0 200 0 264,000

Identificamos nuevamente la columna con el valor negativo mayor, en este caso X1 donde está -
8.80.
X1 X2 S1 S2 S3 R
S1 0.025 0 1 -0.5 0 560.00

S2 0.50 1 0 10 0 13,200
S3 0.075 0 1 -0.5 1 2,340.00

Z -8.80 20 0 200 0 264,000

8
Paso 8. Seleccionar la Variable de Salida con la Condición de Factibilidad

Nuevamente dividiremos los R entre los valores de la columna que marcamos:

X1 X2 S1 S2 S3 R CRX
S1 0.025 0 1 -0.5 0 650.00 560.00 / 0.025
S2 0.50 1 0 10 0 13,200 13,200 / 0.50
S3 0.075 0 1 -0.5 1 2,340.00 2,340.00 / 0.075
Z -8.80 20 0 200 0 264,000 Vector de costes

Ahora buscaremos dentro de la columna marcada, el valor que corresponda con el resultado menor
del extremo derecho, es decir, nuestra nueva variable de salida.
X1 X2 S1 S2 S3 R CRX
S1 0.025 0 1 -0.5 0 650.00 22,400
S2 0.50 1 0 10 0 13,200 26,400
S3 0.075 0 1 -0.5 1 2,340.00 31,200
Z -8.80 20 0 200 0 264,000 Vector de costes

Identificaremos el elemento pivote.

X1 X2 S1 S2 S3 R CRX
S1 0.025 0 1 -0.5 0 650.00 22,400
S2 0.50 1 0 10 0 13,200 26,400
S3 0.075 0 1 -0.5 1 2,340.00 31,200
Z -8.80 20 0 200 0 264,000 Vector de costes

Paso 9. Actualizar la matriz

Actualizamos nuevamente nuestra matriz

X1 X2 S1 S2 S3 R
S1 0.025 / 0 / 0.025 1 / 0.025 -0.5 / 0 / 0.025 1220 / 22,400 /
0.025 0.025 0.025
0.025
S2 0.50 1 0 10 0 1320 26,400
S3 0.075 0 1 -0.5 1 3000 31,200
Z -8.80 20 0 200 0 0 Vector de
costes

Con los siguientes resultados:

9
 X1 X2 S1 S2 S3 R CRX
S1 1 0 40 -20 0 48,800 896,000
S2 0.50 1 0 10 0 1320
S3 0.075 0 1 -0.5 1 3000
Z -8.80 20 0 200 0 0

Ahora vamos con los otros dos renglones, S2 y S3:

Multiplicamos el valor de S1 que le corresponda a la columna que vamos a calcular, por el menor
valor de S1 en negativo, en este caso 0.50, y lo sumamos al valor del renglón que estamos
trabajando, S2 u S3.

X1 X2 S1 S2 S3 R
S1 1 0 40 -20 0 48,800

S2 1x (-0.50 ) + 0x (-0.50) + 1 40x (-0.50) + -20x (-0.50) + 10 0x (-0.50) + 0 48,800x (-0.50) +

0.50 = = 0= = = 13200 =
-0.50 + 0.50 = 0+1=1 -20 + 0 = 10 + 10 = 20 0+0=0 -24,400 + -13,200
0 -20 =
-37,600

S3 1x (-0.075) + 0x (-0.075) + 40x (-.075) + -20 x (-0.075) + 0x (-0.075) + 1 48,800x (0.075) +

0.075 = 0= 0= (-0.5) = = 3000 =
-0.075 + 0+0=0 -3 + 0 = 1.5 – 0.50 = 0+1=1 3,660 + 3,000 =
0.075 = 0 -3 1 6,600

Z 1x (-8.8) + 8.8 0x (-8.8) + 0 40 x (-8.8) + -20 x (-8.8) + 0x (-8.8) + 0 = 48,800x (8.80) -

= = 0= 200 = 0+0=0 264,000 =
-8.80 + 8.80 = 0+0=0 -352 + 0 = 176 + 200 = 429,440 - 264,000
0 -352 376 =
165,440

Con estos resultados:

X1 X2 S1 S2 S3 R
S1 1 0 40 -20 0 48,800
S2 0 1 -20 20 0 -37,600
S3 0 0 -3 1 1 6,600

Z 0 0 -352 376 0 165,440

Ya no tenemos valores negativos en X, por lo tanto, ya encontramos equilibrio:

10
 X1 X2 S1 S2 S3 R
S1 1 0 40 -20 0 48,800

S2 0 1 -20 20 0 -37,600
S3 0 0 -3 1 1 6,600

Z 0 0 -352 376 0 165,440

Paso 10. Sustitución

Tomaremos los valores de nuestra última tabla, y los sustituiremos en la función.

x1: 48,800
x2: 37,600
Z= c1x1 + c2x2 + c3x3 +….+ cnxn

En este caso Fragancia 1 y Fragancia 2, respectivamente.

Sustituimos los Valores de nuestra ecuación de Z y determinaremos si cumple con el Objetivo:

Z =18.8 x1 + 20 x2
Z = 18.8 (48,800) + 20 (-37,600)
Z = 917,440 +(-752,000)
Z = 917,440 -752,000
Z = 165,440

conclusión método simplex

El método simplex es un procedimiento sistemático y eficiente para encontrar y probar soluciones de
problemas de programación lineal localizadas en los vértices de optimidad. El método termina una
vez que se haya encontrado la solución óptima.

La base del método simplex está formada por 2 condiciones fundamentales:

1. La condición de optimidad asegura que nunca se encontrará una solución inferior relativa al punto
de solución actual.

2. La condición de factibilidad que garantiza que partiendo de una solución básica factible solamente
se encontrarán soluciones básicas factibles. Un problema de programación lineal siempre tiene una
solución que está localizada en uno de los vértices del conjunto de soluciones factibles.

11
Rassini Logistic SA CV maneja cuatro bodegas: Cd. De México, Estado de México Aguascalientes,
Veracruz. Con una capacidad de 1875.3, 983, 2652 y 2006.5 unidades respectivamente. Debe de
abastecer a cuatro centros de venta que requieren de: 758.5, 1189, 2910.5 y 2658.8 unidades. Los
costos de transporte son:

12