Capitulo I-Mc

INTRODUCCIÓN
Debido al acelerado desarrollo de los sistemas de información y a la mejora

continua que aplican los sistemas organizacionales por el uso de nuevas
tecnologías en el ámbito de la globalización, se hace necesario tomar decisiones
que permitan en el sistema una mejor productividad para enfrentar la competencia
de otros sistemas cada vez más exigentes, hace que la toma de decisiones se
haga más eficaz y rápida.
Tomar decisiones implica en estos tiempos el uso de técnicas y herramientas que
hagan posible el uso eficiente de los recursos escasos de un sistema
organizacional, tales herramientas las entrega la Investigación de Operaciones que
para la toma de decisiones, identifica los elementos de un sistema real, para
generar un modelo matemático compuesto por un conjunto de variables que
representan los elementos más importantes del sistema real, es decir un sistema
real es representado por un modelo matemático. La aplicación de la investigación
de operaciones, sirve para tomar las decisiones más acertadas en las
organizaciones y resolver problemas de optimización del uso recursos de un
determinado sistema.
En el texto abordaremos el uso y las bondades que aportan en la toma de
decisiones los modelos de Investigación de Operaciones.
HISTORIA DE LA INVESTIGACIÓN DE OPERACIONES
El término Investigación de Operaciones se usa por primera vez en el año 1939

durante la segunda Guerra Mundial, cuando surge la necesidad de investigar las
operaciones tácticas y estratégicas de la defensa aérea, ante la incorporación de
un nuevo radar, en oportunidad de los ataques alemanes a Gran Bretaña. El
avance de la tecnología militar hace que los ejecutivos y administradores militares
británicos deban recurrir a los científicos, para la planificación de su defensa. El
éxito de un pequeño grupo de científicos que trabajaron en conjunto con el
ejecutivo militar a cargo de las operaciones militares, derivó en una mayor
demanda de sus servicios y la extensión del uso de la metodología a Estados
Unidos, Canadá y Francia entre otros. Sin embargo, el origen de la Investigación
Operativa puede considerarse como anterior a la Revolución Industrial, aunque fue
durante este período que comienzan a originarse los problemas tipo que la
Investigación Operativa trata de resolver. La Investigación de Operaciones tarda en
aplicarse en la administración industrial. Las primeras aplicaciones de la
Investigación de Operaciones se realizaron en problemas de ordenamiento de
tareas, reparto de cargas de trabajo, planificación y asignación de recursos en el
campo militar en sus inicios, diversificándose, y extendiéndose a organizaciones
industriales, académicas y gubernamentales. En la siguiente tabla presentamos un
resumen de los forjadores de la investigación de operaciones.
Desde 1970 y parte de la década del 80, no hubo un avance significativo de la
Investigación de Operaciones. A partir de 1985 hubo un avance acelerado como
consecuencia del uso de microcomputadoras y las nuevas interfaces gráficas que
impulsan el desarrollo de los Sistemas Automatizados de Apoyo a la Toma de
Decisiones, donde la Investigación Operativa juega un papel preponderante. En la
actualidad existen asociaciones en el mundo, que agrupan a personas, estudiantes,
científicos y profesionales interesados por el estudio y aplicación de la
Investigación Operativa.
Naturaleza de la investigación de operaciones
La aplicación de la investigación de operaciones se centra en las actividades que

realiza una organización, la toma de decisiones es importante, una mala decisión
crearía problemas en la organización, una buena decisión se plasmaría en
beneficios y mejora para la institución, por ello la aplicación de un método científico
como la investigación de operaciones empezando con un diagnóstico para
observar la situación de la organización, ello permitiría identificar los tipos de
problemas que se presentan. Identificado el problema, el siguiente paso es obtener
información cualitativa y cuantitativa para solucionar el problema, eligiendo el
modelo de investigación de operaciones a usar. El siguiente paso comprendería
aplicar las etapas o fases que generalmente usan los modelos de investigación de
operaciones consistentes en la formulación del modelo, control del modelo,
reformulación del modelo e implementación del modelo. El diseño y aplicación del
modelo, debe ser llevada por un especialista o grupo multidisciplinario que conozca
o esté capacitado en el uso de las herramientas de la investigación de operaciones.
DEFINICIÓN DE INVESTIGACIÓN DE OPERACIONES
Para definir la investigación de operaciones citaremos la definición que ofrecen

algunos especialistas.
Para Churchman, Ackoff y Arnoff
“La investigación de operaciones es la aplicación, por grupos interdisciplinarios, del

método científico a problemas relacionados con el control de las organizaciones o
sistemas (hombre máquina). A fin de que se produzcan soluciones que mejor
sirvan a los objetivos de la organización”.
Para Hamdy Taha
“La Investigación de Operaciones aspira a determinar el mejor curso de acción

óptimo de un problema de decisión con la restricción de recursos limitados,
aplicando técnicas matemáticas para representar por medio de un modelo y
analizar problemas de decisión.”
Para Juan Prawda
“Es la aplicación por grupos interdisciplinarios del Método Científico a problemas

relacionados con el control de las organizaciones o de sistemas en relación hombre
máquina, con el fin de producir soluciones óptimas para dichas organizaciones.”
Para Moskovitz
“La Investigación de Operaciones toma al Método Científico aplicado a la solución

de problemas y la toma de decisiones de la gerencia en función a la construcción
de un modelo simbólico examinando y analizando entre relaciones que lleguen a
una técnica en la toma de decisiones en base a los resultados óptimos.”
Para Robert Thierauf
“La Investigación de Operaciones utiliza el enfoque planeado (Método Científico) y

un grupo interdisciplinario a fin de representar las complicadas relaciones
funcionales como modelos matemáticos para suministrar una base cuantitativa en
la toma de decisiones, descubrir nuevos problemas para un análisis cuantitativo.”
Para Gran Bretaña:
“La investigación de operaciones es el ataque de la ciencia moderna a los

complejos problemas que surgen en la dirección y en la administración de grandes
sistemas de hombres, maquinas, materiales y dinero, en la industria, en los
negocios, en el gobierno y en la defensa. Su actitud diferencial cosiste en
desarrollar un modelo científico del sistema tal, que incorpore valoraciones de
factores como el azar y el riesgo y mediante el cual se predigan y comparen los
resultados de decisiones, estrategias o controles alternativos. Su propósito es el
ayudar a la gerencia a determinar científicamente sus políticas y acciones”.
De las definiciones se puede concluir que la investigación de operaciones es un

método científico que se usa en organizaciones con el objetivo de distribuir
eficientemente los recursos financieros, insumos, humanos y disponibilidad de
máquinas en beneficio de la organización, implica tomar decisiones mediante el
uso de modelos matemáticos para la mejor optimización de los recursos.
Fases del Estudio de la investigación de operaciones
El Modelaje es parte innata de la Investigación de Operaciones, por eso se dice

que la investigación de operaciones es el arte de la toma de decisiones, el
compromiso del modelo es analizar el comportamiento de los elementos de un
sistema para optimizar su organización en función de una representación de la
realidad a través de un modelo, que seguirá las siguientes fases o etapas.
Análisis del sistema real
En esta parte se debe definir el problema para el cual se busca proponer un

conjunto de alternativas. ¿Es un problema importante? ¿Es posible o no tomar
decisiones sin la necesidad de un modelo de optimización? ¿Cuáles son sus
posibles consecuencias? ¿Cuáles son las variables que afectan al objetivo que se
desea alcanzar?, etc. Todos los cuestionamientos que se realizan al problema se
hacen a través de un diagnóstico situacional, con el uso de información cualitativa y
cuantitativa de las causas que originaron el problema, identificando los elementos
internos y externos que participan en el sistema, para identificar las variables más
importantes del sistema real y crear el modelo físico, simbólico o analógico que
representará las característica del sistema real.
Representación del sistema real
Con los elementos y variables del sistema real, dependiendo del caso se
representan como modelo físico, simbólico o analógico, teniendo en cuenta que un
modelo es menos complejo que un sistema real, ya que es imposible representar
todos los elementos de un sistema real en un modelo.
Solución y prueba del modelo
Este procedimiento se realiza de manera manual si el modelo no es complejo, de

pocas variables. Si el modelo es altamente complejo se usa un software específico
dependiendo de la elección del modelo de investigación de operaciones para dar
solución al modelo diseñado. Existen variados softwares, como el GLP, LINDO,
SLINDO, LINGO, POM, WINQSB, TORA, EXCEL y otros. La prueba consiste en
verificar que la solución encontrada cumpla con las condiciones que se han
presentado en el modelo.
Control del modelo
Se puede cometer errores al ingresar datos al modelo, la consecuencia lógica será

que el modelo que estamos proponiendo entregue una solución, que no coincidan,
con los resultados del modelo real, será necesario identificar en que parte del
modelo se ha cometido el error para realizar los ajustes necesarios. En el control se
comparan resultados del modelo propuesto con el modelo real.
Reformulación del modelo
Identificados los errores del modelo, será necesario, cambiar ciertos datos errados
o variables no consideradas, así como incluir alguna información que es relevante
para el modelo y no se tomó en cuenta, todos estos cambios se realizaran en el
modelo para generar un modelo reformulado o ajustado.
Implementación del modelo
La implementación se da cuando los resultados del modelo propuesto son similares

o el porcentaje de error se enmarca dentro del rango permitido. El o los
responsables del modelo propuesto tendrán que capacitar sobre las bondades que
ofrece su modelo de investigación de operaciones compartiendo la responsabilidad
en la implementación de su modelo. En la actualidad el uso de la investigación de
operaciones en la toma de decisiones es más frecuentes en las organizaciones,
principalmente, el mejor conocimiento de estas metodologías en las diferentes
disciplinas, la creciente complejidad de los problemas que se desea resolver, la
mayor disponibilidad de software y el desarrollo de nuevos y mejores algoritmos de
solución.
Impacto de la investigación de operaciones
Dado el avance vertiginoso de los computadores personales y de los sistemas de

información, internet y las redes sociales que hace uso la investigación de
operaciones para aplicarlos en las organizaciones ha repercutido favorablemente
en el uso eficiente de sus recursos, obteniéndose como resultados una mejor
organización, una mayor rentabilidad de sus utilidades y por lo general una
reducción sustancial de sus costos.
La aplicación de la investigación de operaciones, que inicialmente se realizaba en
grandes empresas, en la actualidad se ha generalizado para pequeñas y medianas
empresas por la versatilidad, menor costo y la facilidad de interpretar los nuevos
softwares o paquetes de aplicación que hace posible solucionar modelos
complejos. La investigación de operaciones es una herramienta para la toma de
decisiones bastante difundida por internet y en la actualidad existen en más de
treinta países que cuentan con una sociedad de investigación de operaciones, que
constantemente divulgan y capacitan a sus miembros como a personas,
estudiantes, profesionales e investigadores de este apasionado campo de la
investigación de operaciones, sin dudas esto redundará en aplicaciones de nuevos
sistemas en las organizaciones de todo el mundo, se optará por el resurgimiento de
aquellos modelos muy poco usados.
MÉTODOS DE LA INVESTIGACIÓN DE OPERACIONES
Presentamos un breve resumen de las características y bondades que ofrecen

algunos métodos o técnicas de la Investigación de Operaciones.
Programación Lineal: Método que se aplica para solucionar modelos matemáticos

lineales que contemplen la optimización de una meta u objetivo a alcanzar, sujeto a
un conjunto de restricciones o recursos escasos que deben distribuirse con la
finalidad de maximizar o minimizar una medida de desempeño de una
organización. Por condición de no negatividad o factibilidad de la solución del
problema, toda variable del modelo debe tomar valores no negativos en enteros o
decimales.
Programación Entera: Método que se aplica para solucionar modelos

matemáticos lineales, con el requisito adicional de que toda variable del modelo
debe tomar valores no negativos en enteros.
Programación Mixta: Método que se aplica para solucionar modelos matemáticos

lineales, con el requisito adicional de que toda variable del modelo debe tomar
valores no negativos y por lo menos uno de ellos en enteros.
Programación Binaria: Método que se aplica para solucionar modelos

matemáticos lineales, con el requisito adicional de que toda variable del modelo
debe tomar valores no negativos y deben tomar valores cero o uno.
Programación por Metas: Método que se aplica para solucionar modelos

matemáticos lineales que contemplen la optimización de dos o más metas u
objetivos a alcanzar, sujeto a un conjunto de restricciones o recursos escasos que
deben distribuirse con la finalidad de maximizar o minimizar una medida de
desempeño de una organización. Por condición de no negatividad o factibilidad de
la solución del problema, toda variable del modelo debe tomar valores no negativos
en enteros o decimales
Programación no Lineal: Método que se aplica para solucionar modelos

matemáticos no lineales que contemplen la optimización de una meta u objetivo a
alcanzar, sujeto a un conjunto de restricciones o recursos escasos que deben
distribuirse con la finalidad de maximizar o minimizar una medida de desempeño de
una organización. Por condición de no negatividad o factibilidad de la solución del
problema, toda variable del modelo debe tomar valores no negativos en enteros o
decimales.
Modelos de transportes: Se aplica a problemas cuyo objetivo es minimizar los

costos de transportes de uno o más productos desde fuentes u orígenes como
ofertantes hasta destinos o demandantes. En estos modelos se conocen los costos
unitarios de transportes, las ofertas en los orígenes y las demandas en los
destinos. En el modelo se tiene que determinar las cantidades a distribuir de ciertos
orígenes a ciertos destinos y el costo parcial y total de la distribución óptima.
Modelos de transbordos: Se aplica a problemas cuyo objetivo es minimizar los

costos de transportes de uno o más productos desde fuentes u orígenes como
ofertantes, a centros de transbordos y luego hasta los destinos o demandantes
finales. En estos modelos se conocen los costos unitarios de transportes, las
ofertas en los orígenes a los centros de transbordos que tienen la facultad de ser
demandantes a los orígenes y ofertantes a los destinos. En el modelo se tiene que
determinar las cantidades a distribuir de orígenes a centros de transbordos y luego
a los destinos y el costo parcial y total de la distribución óptima.
Modelos de Asignación: Es un modelo especial de los modelos de transportes la

condición es que un ofertante debe asignarse a un demandante, en este modelo
las ofertas y las demandas son unitarias, por ejemplo una empresa tiene cinco
máquinas y cinco operarios y los costos unitarios de asignar operario a máquina, el
objetivo en este caso es la asignación óptima de operario a máquina a un costo
total mínimo.
Modelos de redes: Es una representación gráfica compuesta de nodos y arcos a

través de una red que genera un conjunto de alternativas de solución desde un
nodo inicial hasta un nodo final. Si los datos de la red son costos por tramos
entonces se debe determinar usando el método de la ruta mínima, la trayectoria
óptima desde el nodo inicial al final de mínimo costo, Si los datos de la red son
distancias por tramos y se desea determinar la mínima distancia de conexión entre
un nodo y los restante entonces se debe determinar la solución usando el método
del árbol de extensión mínima, Si los datos de la red son flujos por tramos y se
desea determinar el máximo flujo entre un nodo de entrada y un nodo de salida
entonces se debe determinar la solución usando el método del flujo máximo. En los
modelos de redes existe un modelo especial denominado gestión de proyectos.
Gestión de Proyectos: Consta de tres etapas importantes en la aplicación de las
técnicas PERT/CPM, la primera es la planificación de las actividades donde se
realiza un inventario de actividades, se ordenan y se genera el diagrama del
proyecto, la segunda se procede a la programación de tiempos, recursos y costos,
para obtener el programa óptimo de costo mínimo y proceder a la asignación y
optimización de recursos, en esta se hace la diferenciación en la programación de
tiempos, mientras que el PERT es probabilístico, hace uso de tres tiempos, el CPM
es determinístico solo hace uso de un solo tiempo, y por último el proyecto se
presenta, y en la ejecución del proyecto se hace el control con inspecciones que
establecen los responsables del proyecto.
Programación Dinámica: Es una técnica que permite solucionar un problema

dividiéndolas en un conjunto de subproblemas, de tal forma que va optimizando
con iteraciones sucesivas los subproblemas hasta la obtención de solución óptima
del problema. La solución se obtiene por un proceso recursivo de inicio
a fin y de fin a inicio, se aplica a modelos de redes, análisis de reemplazo de
equipos, presupuesto de capital, plan de producción, nivelación de la producción,
contratación de personal, probabilidad de funcionamiento, problema de la mochila,
distribución de personal, planeación de gastos de publicidad, otras aplicaciones.
Cadenas de Markov: Técnica que se usa para predecir a corto y largo tiempo, los
eventos futuros, bajo un cierto comportamiento inicial. Estipula que todo evento o
suceso inicial evoluciona con una probabilidad de ocurrencia ahora y después, si
estas ocurrencias se hacen repetidas veces constituyen la cadena de Markov. El
proceso contempla cadenas de Markov transitorias, aplicaciones, clasificación de
estados de una cadena de Markov, periodicidad, cadenas ergódicas, tiempos
promedio de primera pasada, cadenas de Markov absorbentes.
Control de Inventarios: Técnica que se usa para mantener suficientes inventarios

y cumplir con las demandas de bienes que el mercado exige, optando por tener
siempre un inventario mínimo o nulo a fin de no incurrir en costos excesivos de
inventario. El control de inventarios es una herramienta fundamental en las
organizaciones, ya que esta permite conocer las cantidades existentes de insumos
y productos en un determinado lugar y tiempo determinado.
Pronósticos: Este método se usa en la toma de decisiones para predecir aspectos

o planes futuros para una organización, se usan técnicas para pronosticar en
función del tiempo como promedio móvil, suavización exponencial y regresión.
Teoría de Decisiones: Método que se aplica en toma de decisiones en

condiciones de certeza, toma de decisiones en condiciones de incertidumbre,
criterios de decisión con incertidumbre, criterios de decisión con riesgo, evaluación
del riesgo, análisis de decisión con experimentación, toma de decisiones con una
demanda variable, árboles de decisión.
Teoría de Juegos: Técnica que desarrolla modelos matemáticos para solucionar
problemas de competencias usando conceptos de juego de dos personas:
estrategia pura, juego entre dos personas: estrategias mixtas, juegos de matriz y
programación lineal, teorema de Von Newman, método analítico y
gráfico, juegos matriciales, estrategias maximin, juegos cooperativos y sus
aplicaciones.
Teoría de Colas: Método que se aplica en organizaciones que presentan

problemas en su longitud de filas o colas, considerando en el modelo costos de
esperas y costos de servicios optando por un escenario que tenga un costo total
mínimo, el modelo es evaluado a través de unas medidas de desempeños o
resultados.
Simulación: Esta es una técnica que nos permite recopilar información acerca del
comportamiento del sistema al paso del tiempo, se usa para estimar las mediciones
del desempeño de un sistema modelado. La simulación se aplica en redes de
comunicaciones, manufactura, control de inventario, comportamiento del cliente,
pronósticos económicos, sistemas biomédicos y estrategias y tácticas bélicas, etc.
Métodos que se usan con mayor frecuencia
Un estudio realizado por Forgionne acerca de ejecutivos de empresas indica la

frecuencia con la que se utilizan diversas técnicas de la ciencia de la Investigación
de Operaciones. Como se muestra en la Tabla siguiente, los métodos que se usan
con mayor frecuencia son los métodos estadísticos, la simulación en computadora,
PERT/CPM, programación lineal y teoría de colas.
En 1972, Turban en su obra “A Sample Survey of Operations Research Ativities at

the Corporate Level”, presenta un informe de las actividades de investigación de
operaciones que proporcionó un panorama de dichas actividades durante 1969.
Los resultados de este estudio son los siguientes:
Es evidente que el análisis estadístico, la simulación y la programación lineal eran y

siguen siendo las técnicas más usadas hasta entonces. El estudio indicó también
que la computadora se usaba en la mayor parte de los proyectos.
Áreas de aplicación de la Investigación de Operaciones.
La Investigación de Operaciones se aplica a problemas que se refieren a la

dirección y administración de operaciones o actividades dentro de una
organización. La Investigación de Operaciones se aplica en organizaciones
públicas y privadas que realicen actividades de producción y servicios, es decir en
grandes empresas, pequeñas y microempresas, a continuación presentamos
algunas aplicaciones en dichas organizaciones:
• Planeación de la producción,
• Asignación de personal,
• Transporte,
• Inventarios,
• Dietas,
• Mercado,
• Estrategias de inversión,
• Administración de proyectos,
• La automatización y la disminución de costos,
• Reclutamiento de personal,
• Clasificación y asignación a tareas de mejor actuación e incentivos a la
producción,
• Localización de bodegas y centros distribuidores,
• Reemplazo de equipo, comprar o rentar,
• Control de avance de cualquier proyecto con múltiples actividades, tanto
simultáneas como las que deben esperar para ejecutarse, etc.
CAPITULO I
PROGRAMACIÓN LINEAL
DEFINICIÓN
Respecto al concepto de lo que trata la programación lineal, podemos establecer

innumerables definiciones; pero generalmente todas ellas concuerdan que las
características centrales de todo modelo de programación lineal están dadas en
función de lograr un objetivo principal, con las disponibilidades de recursos escasos
o limitados con que cuenta un sistema. En conclusión, podemos establecer que el
responsable de tomar una decisión empresarial debe encontrar la mejor manera de
asignar los recursos escasos a fin de optimizar un determinado objetivo.
En consecuencia, podríamos definir a la programación lineal como una técnica que

permite determinar programas óptimos para el uso o sistema cuenta para alcanzar el
objetivo deseado. Entendemos por programa a una solución que establece el
problema planteado; el término programación es referido a la formulación de un
procedimiento que identifique y defina cuales son las
soluciones o decisiones más adecuadas. Por técnicas de programación se entienden
los procedimientos empleados para traducir los objetivos generales en programas
cuantificados decisiones concretas y viables; en consecuencia, todo modelo de
programación lineal quedará estructurado en base a una función objetivo a alcanzar
que dependerá de los recursos escasos (restricciones) del sistema. En la siguiente
figura, podemos resumir los pasos básicos que generalmente se dan en los modelos
de programación lineal.
Una manera de entender la programación lineal y sus componentes participantes
es vía ejemplo simplificado y real. Imaginemos que vamos a aplicar la
programación lineal a una fábrica de muebles (nuestro sistema en análisis);
podemos observar algunos de los elementos que forman parte del complejo
sistema fábrica de muebles; así como los distintos enfoques que dan del mismo
diversos especialistas.
El objetivo de presentar este ejemplo es porque una fábrica de muebles es un

sistema muy conocido, en la cual existen ciertos elementos en el sistema como
son: utilidades, ventas, costos, horas máquinas, horas hombres, área de almacén,
desperdicios, producción, etc. El sistema puede ser observado por diferentes
responsables o especialistas, y lógicamente que cada uno de ellos tendrá su propio
enfoque y evaluará a su propio criterio o conocimiento el sistema en análisis,
básicamente en función de dos cuestionamientos importantes: ¿Cuál es el objetivo
principal del problema? o ¿qué deseo optimizar? y ¿cuáles son los recursos
asociados al objetivo principal? o ¿con que recursos cuenta el sistema para
alcanzar el objetivo principal?
Si tomamos en consideración la experiencia o la orientación de cada responsable

para evaluar el sistema, podríamos encontrarnos con los siguientes enfoques: que
el jefe de costos optará por optimizar costos es decir minimizar costos, el jefe de
ventas por optimizar las ventas tratara de maximizar las ventas, el jefe de
almacén por optimizar el área de almacenamiento, el gerente general por
optimizar utilidades, el diseñador de muebles por optimizar desperdicios de
materiales y el jefe de producción por optimizar la producción en planta; pero
cada objetivo se podrá lograr en la medida que se satisfagan ciertos recursos que
necesariamente se encuentran asociados al objetivo que se desea optimizar, como
resumimos en la tabla siguiente, el objetivo de alcanzar por cada responsable de
acuerdo a la limitación de sus recursos.
¿Qué observamos en la tabla?, en ella se ha plasmado las respuestas de cada
responsable o encargado a las interrogantes anteriormente planteadas; es decir el
objetivo a alcanzar por cada encargado o especialista y la relación de recursos
escasos que necesariamente estarán asociados al objetivo ya que de dicha
distribución de recursos depende su optimización (maximización o
minimización). Por ejemplo, el encargado de producción su objetivo se
establecería en maximizar la cantidad de unidades a producir; pero, ¿cómo se
logrará este objetivo?, se alcanzará si hace usos eficientes de los recursos que
tiene a disposición; y en nuestro caso podrían ser las utilidades (A), las ventas (B),
los costos (C), las horas máquinas (D); las horas hombres (E), el área de
almacenamiento; los desperdicios de materiales
(G) y otros tipos de recursos que pueda establecer el sistema en análisis. Del
mismo modo podríamos evaluar para los otros responsables y optaríamos por un
objetivo principal sujeto a una serie de restricciones o recursos escasos. La
programación lineal trata como técnica de dar solución ha determinado objetivo
sujeto a por lo menos una restricción o limitación de recursos.
En resumen, mediante la programación lineal sólo podemos optimizar un recurso o

un objetivo el que estará sujeto a una serie de restricciones. Por otra parte, en la
fábrica de muebles podemos contar con diferentes enfoques de interpretación de
un programa lineal y el comportamiento de los elementos del sistema, ello es
variable de acuerdo al enfoque de cada responsable, es decir, que en determinado
enfoque un elemento puede participar como objetivo del problema; mientras que en
otro enfoque profesional el mismo elemento participa como recurso; por ejemplo,
en el caso concreto de las ventas (objetivo del jefe de ventas son las ventas, pero
no para el jefe de producción, el cual lo usaría como un recurso), unidades
producidas (objetivo del jefe de producción, restricción del gerente de ventas); y así
podríamos evaluar la dualidad de ciertos elementos del sistema respecto al
enfoque que la da cada responsable o especialista. En todo caso cada responsable
puede optimizar un objetivo, pero estará sujeto a una serie de restricciones como
consecuencia del uso de los recursos escasos o limitados que presenta todo tipo
de sistema.
En programación lineal, y en general en la teoría de programación matemática, el

término optimizar se usa para indicar la maximización de un objetivo a satisfacer;
por ejemplo, las ventas, utilidades, producción, etc., son funciones que se deben
maximizar; en cambio los costos, el área de almacenaje, desperdicios, etc., son
objetivos que se deben minimizar. En consecuencia, todo modelo de programación
lineal debe contemplar dentro de su estructura tres partes fundamentales:
a) Una función objetivo.

b) Restricciones estructurales (recursos escasos).
c) Restricciones de no negatividad.
Respecto a los puntos a y b hemos visto cómo se generan dentro del ejemplo de la
fábrica de muebles. Las restricciones de no negatividad sugieren que luego de
satisfecho e l objetivo y las restricciones estructurales del modelo matemático de
programación lineal; esta debe interpretarse en un sentido económico o físico; es
decir, que las variables que satisfagan al modelo deben tomar valores mayores o
iguales a cero.
EVALUACION DE LOS ELEMENTOS DEL SISTEMA
Antes de proceder a desarrollar cada una de las etapas o fases que se dan en la
aplicación de los modelos de programación lineal, nos detendremos un instante en
la evaluación o análisis de un sistema; ello implica que debemos tener bien en claro
lo siguiente: ¿Qué es un sistema? ¿Qué elementos constituyen el sistema? y ¿Cuál
es su comportamiento con su entorno y otro sistema? Para ello examinemos
nuestro sistema de la fábrica de muebles en estudio.
En la figura se observa claramente la interacción a las que están sometidos los

diferentes elementos del sistema en forma interna y con su entorno u otro sistema.
Por ejemplo, internamente podríamos establecer la afinidad que existe entre el
elemento costo (C) con los elementos utilidades (A), ventas (B), horas máquina (D),
horas hombres(E), área de almacenaje (F), desperdicios de materiales (G) y
producción (H); del mismo modo se pueden establecer la interacción entre los demás
elementos del sistema como se muestran en la mencionada figura.
Así como se ha evaluado los elementos internos de un sistema, debemos proceder a

reconocer la interacción entre el sistema analizado y su entorno u otros sistemas;
porque si nos preguntamos: ¿existe relación entre el sistema (fábrica de muebles) y
los proveedores, competencia, gobierno, accionistas, bancos y clientes? la respuesta
va a ser obvia, sí hay relación o dependencia entre ellas. Es en este sentido que al
analizar un sistema real ella debe contemplar el estudio cuidadoso de la interrelación
de sus elementos y su entorno para poder plasmar o representar un modelo
matemático de programación lineal que nos proporcione un programa o soluciones
acordes con la situación real de la empresa; es decir, que el programa propuesto de
resultados cercanos o iguales al programa propuesto.
En resumen, podríamos dar una definición a sistema como la interacción de sus
elementos y su relación o dependencia con su entorno u otros sistemas. Los
elementos constituyen del sistema (fábrica de muebles) ya han sido identificados y su
relación con su entorno ha sido definida como un comportamiento interdependiente
entre ellos.
FASES DEL ESTUDIO DE LA PROGRAMACIÓN LINEAL
En la figura se presentan las etapas o fases que se atribuyen al estudio de la

programación lineal; resumiendo en las siguientes fases:
a) Análisis del sistema real y su entorno.
b) Representación lineal del sistema real.
c) Solución y prueba del modelo.
d) Control del modelo.
d1) Implementación.
d2) Reformulación del
modelo.
a) ANALISIS DEL SISTEMA REAL Y SU ENTORNO
En esta fase se debe conocer conceptualmente el sistema y su operación con el

mayor grado de correspondencia posible entre los elementos internos y externos
(entorno) del sistema; se realizará muchos cuestionamientos o preguntas para
apreciar de esta forma el volumen y la complejidad de las decisiones a tomar. El
criterio de optimización y asignación efectiva deben establecerse claramente, pues
han d e s e r la b a s e p a r a juzgar posteriormente la bondad de nuestro modelo
matemático.
Debemos examinar minuciosamente las operaciones que se realizan en el sistema

real; así como los problemas que estuvieran sucediendo en el acto del examen. Es
necesario que los datos que se extraigan del sistema real sean los más claros y
precisos; porque de lo contrario se estaría generando un modelo que no cumpliría
con las expectativas de la situación real y ella se reflejaría en la fase del control del
modelo. Quizás lo más importante de esta fase se supedita a la interrelación de los
elementos internos y externos más significativos, dada la complejidad de los
sistemas reales.
b) REPRESENTACION LINEAL DEL SISTEMA REAL
La aplicación de la programación lineal contempla que luego de realizar la

identificación y análisis de los elementos del sistema relacionado con el objetivo a
optimizar; el paso siguiente consiste en realizar o construir relaciones lineales para
un objetivo específico y para cada uno de los recursos escasos que se identificaron
en el sistema real. Para comprender mejor esta fase, nos ubicamos en la posición
del contador de costos de nuestra fábrica de muebles (sistema real); como
contador de costos su objetivo principal es minimizar los costos con los recursos
escasos que tiene la empresa. Si la fábrica de muebles procesa 3 productos: sillas,
mesas y estantes y tenemos lo siguiente información de los elementos del sistema:
Como podemos observar en la tabla, los elementos del sistema han sido
cuantificados y existen requerimientos mínimos y disponibilidades máximos
para alguno de ellos, así como se desea optimizar un elemento del
sistema (utilidades) desde el punto de vista del gerente general; en ventas
y producción no se han cuantificado las cantidades de sillas, mesas y
estantes porque justamente es lo que debemos determinar. ¿Qué es lo que
se debe determinar en el problema?; así como se ha planteado desde el punto de
vista del gerente, uno de sus objetivos es maximizar las utilidades de producir
sillas, mesas y estantes; pero en ¿qué cantidades? es justamente lo que queremos
determinar un programa que me maximice las utilidades con los recursos presentes
en el sistema. En consecuencia lo que se desea determinar es el número de sillas,
mesas y estantes a fabricar; por lo tanto ellas constituirán nuestras variables
incógnitas de nuestro futuro modelo matemático que sugiere:
• Una función objetivo.
• Restricciones estructurales.
• Restricciones de no negatividad.
b1) FUNCION OBJETIVO
En esta parte vamos a detallar la construcción del modelo desde el punto de vista
del GERENTE siendo uno de sus objetivos principales el de maximizar las
utilidades totales de la fabricación de sillas, mesas y estantes en cantidades que
desconocemos, con la participación de los recursos escasos y disponibilidades;
para lo cual haremos un análisis rápido y somero de la utilidad total que
involucraría:
UTILIDAD TOTAL = UT (sillas) + UT (mesas) + UT (estantes)

Conocemos la utilidad de cada silla, mesa y estante, la utilidad quedará definida
por:
UTILIDAD TOTAL = 1.5 (NS) + 2.0 (NM) + 3.0 (NM)
De la anterior relación podemos inferir la siguiente pregunta ¿Conocemos la

cantidad de sillas, mesas y estantes a fabricar? la respuesta es no; porque es
justamente lo que debemos determinar en nuestro programa y por tanto
constituirán nuestras variables incógnitas del modelo; s e l e s p u e d e a s i g n a r
c u a l q u i e r t i p o d e variables, supongamos:
Sea
SI = (NS) el número de sillas a fabricar.
ME = (NM) el número de mesas a fabricar.
ES = (NE) el número de estantes a fabricar.
Las utilidades totales de fabricar sillas, mesas y estantes será:
UTILIDAD TOTAL = 1.5SI + 2.0ME + 3.0ES
Como se desea maximizar las utilidades, la relación final será:
MAX (Z) = 1.5SI + 2.0ME + 3.0ES
b2) RESTRICCIONES ESTRUCTURALES
El análisis para determinar cada una de las restricciones, es el mismo que se ha

efectuado para la función objetivo con la condición de que hay que tomar en
consideración los requerimientos y disponibilidades totales que el sistema presenta;
como por ejemplo requerimientos mínimos en cuya relación se sustituirá por una
inecuación (≥) y para las disponibilidades máximas la inecuación (≤), en virtud del
cual diseñamos las siguientes relaciones lineales de los recursos escasos:
b3) RESTRICCIONES DE NO NEGATIVIDAD
Al aplicar un método de solución al modelo se debe tener en cuenta que el

resultado no arroje valores negativos o menores e iguales a cero en las variables
de decisión (SI, ME, ES); ya que no se tendría una interpretación económica de
esos resultados; en consecuencia, los valores de las variables de decisión deben
ser todos iguales o mayores a cero; es decir:
SI, ME, ES ≥ 0.
En resumen, la estructura total de nuestro modelo quedaría como:
c) SOLUCION Y PRUEBA DEL MODELO
Luego de haber construido nuestro modelo matemático, el siguiente, paso consiste

en encontrar uno o varios programas que optimicen los resultados del objetivo que
se desea optimizar. Para ello requerimos de la aplicación manual o por computador
de un método o paquete de computación que nos derive la solución en forma
rápida. En el presente texto se emplearán los métodos gráficos, simplex y las
variedades del simplex; así como el uso de paquetes como el SUPERLINDO,
TORA, WINQSB, GLP, EXCEL, LINGO, POM y otros.
Para dar solución a nuestro problema usaremos el POM, ingresando los datos de la
forma siguiente:
El reporte del POM es el siguiente:

El programa de solución óptima: SI = 0, ME = 0, ES = 1300, para una máxima
utilidad total de 3900 dólares, lo que implica que se debe procesar solamente
estantes y los otros productos no deben ser fabricados por que sus bajas utilidades
la hacen no rentables.
El modelo y su programa deben ser probados para comprobar su validez,

observando si es que los resultados obtenidos en la solución del modelo que
representa a un sistema real predicen o no, con cierta exactitud los efectos
relativos que se establecen en el propio sistema real. Sabemos que generalmente
los modelos de programación lineal son aplicados a organizaciones que están
operando, y que por lo tanto arrojan ciertos resultados.
d) CONTROL DEL MODELO
De lo anterior podemos concluir, si los resultados reales son

significativamente diferente a lo propuesto o estimado, entonces será necesario
una reformulación del modelo, en caso contrario, implica que la solución propuesta
es similar a los resultados reales y por tanto debemos proceder a la
implementación del modelo diseñado (d1). Es importante el control del modelo
porque nos va a permitir refinar constantemente los resultados que ella origine
hasta establecer un modelo definitivo; lo cual significa que al construir un modelo
no implica que inmediatamente sea implementado, sino que debe existir un control
exhaustivo del modelo.
Suponiendo que cuando diseñamos el modelo, no se había considerado las
condiciones del mercado, y en nuestros archivos por información histórica de
ventas siempre se han vendido sillas y mesas en cantidades mínimas de 200 sillas
y 100 mesas. Entonces la solución inicial del modelo no sería la adecuada porque
se deben producir sillas y mesas y la solución contradictoriamente establece que
no deben producirse ni sillas y mesas, esto amerita que el modelo necesita ser
revisado o reformulado ingresando las correspondientes restricciones de mercado
respecto a las sillas (SI≥200) y mesas (ME≥100), como
se muestra en el siguiente ingreso al POM.
El reporte de la nueva solución es:
Obteniéndose la solución de producir 200 sillas, 100 mesas y 1000 estantes con
una utilidad máxima de $3400
d1) IMPLEMENTACION
La implementación se produce después de haberse evaluado el control del modelo

en relación a los efectos de los resultados que el control pueda originar del
programa propuesto, si el programa mediante una serie de reformulaciones
(retroalimentación) cumple con los objetivos reales, entonces se produce su
implementación; dado que los elementos del sistema real han sido
convenientemente representados en el modelo matemático construido.
d2) REFORMULACION DEL MODELO
Este efecto de retroalimentación se origina porque no se han tomado en

consideración todos los elementos del sistema real o por lo menos la mayoría
o los más significativos, o en su defecto porque la información o datos que han
servido para la construcción del modelo, no han sido los más reales.
Algunas de las causas que puede originar la reformulación son por ejemplo haber
omitido un elemento del sistema o varios de ellos cuya importancia en el modelo es
vital; otras de las causas es haber omitido la interacción que existe entre los
elementos del sistema en forma interna o no haber evaluado la interacción del
sistema en su entorno.
LA PROGRAMACION LINEAL EN LA EMPRESA
La programación lineal se utiliza para resolver muchos problemas en el mundo de

los negocios. La utilización de los modelos matemáticos permite a las empresas
identificar resultados deseados para los problemas del negocio, factores en los
criterios que pueden afectar los resultados y el cálculo de una solución que
maximice o minimice el resultado deseado. La programación lineal también se
puede utilizar para encontrar soluciones alternativas a una variedad de problemas
de negocios.
La programación lineal ayuda a los dueños de negocios y a otros a determinar la

mejor manera de asignar los recursos entre los diferentes proyectos para obtener la
máxima o mínima producción. La programación lineal se implementa utilizando
software y datos para la fórmula para calcular los diferentes escenarios y resolver
el problema. La teoría de la programación lineal fue formulada y resuelta en la
década de 1940. La "programación" no se refiere a la escritura de un código como
en la programación de computadoras, sino que significa la planificación y
organización de un programa que lleva a una solución. La programación lineal fue
nombrada mucho antes de que la programación de computadoras llegara, y el
término optimización lineal se utiliza con frecuencia como sinónimo para evitar
confusiones.
En la mayoría de empresas; los ejecutivos tienden a utilizar un punto de vista

analítico para la identificación del problema que sucede en un área establecida; es
decir, tienen a su empresa dividida en secciones con responsables a su cargo y
piensan que los problemas deben comprender exclusivamente a las divisiones
establecidas; lo quiere decir es que los problemas de procesos los resuelve la
sección producción; las finanzas la sección de contabilidad y contraloría, etc.
Esta concepción establece que cada problema es resuelto por cada área
responsable y se olvidan que cada problema es parte de la empresa en su conjunto
y que la empresa depende de otras empresas y otros sistemas. Esta concepción
constituye una forma cerrada de dar soluciones a determinado problema
construyéndose modelos matemáticos que no van a tener efectos positivos en la
toma de decisiones.
Existe otra concepción de los problemas de la empresa que está tomando mucha
fuerza en nuestro país, y es la de restituir la visión de síntesis o cerrada de analizar
los problemas por una más amplia y abierta que estudia los problemas en toda su
extensión y magnitud tratando de relacionarlos siempre con los objetivos
principales de la empresa, definiendo los elementos del sistema, sus
interrelaciones internas y externas como la evaluamos anteriormente. Este tipo de
análisis nos permite construir modelos de programación lineal en la que se trata de
representar la complejidad de la situación real en una forma abierta y compleja;
porque si el problema se suscita en una determinada área, este problema se
analiza al interior de ella y fuera de ella, permitiendo así la permanente interacción
entre los elementos del área problema y de ella con otras áreas dentro de la
empresa así, como con otros sistemas que interactúan con la empresa.
LA PROGRAMACION LINEAL EN EL PERU
Una de las características que generalmente existe en nuestro país, es la escasez

de capitales, frente a ella se busca el despegue que permita al país ingresar por el
camino del desarrollo económico y social, pero para ello se requiere de realizar
grandes inversiones. En función a lo anteriormente expresado se establece un
conjunto de prioridades para inversiones, distribuciones de esfuerzos financieros,
elección de políticas óptimas de desarrollo, etc. Estos son problemas que han sido
atacados por la programación lineal y se han resuelto en diversas partes del
mundo.
Es igualmente cierto para el nivel empresarial; las empresas en países como el

nuestro no pueden permitirse el lujo de realizar inversiones y distribuir sus dineros
basados únicamente en juicios de valor, experiencias realizadas o por intuición. Es
necesario que cada paso que se de en una determinada empresa este respaldada
por una decisión científica que asegure una óptima utilización o asignación de los
recursos escasos con los que dispone el sistema empresarial.
En los países desarrollados los márgenes de ganancias respecto a las inversiones

son reducidas, en cambio en nuestros países la situación se presenta a la inversa,
los márgenes de ganancias deben ser más altas, pues se consideran que los
riesgos a los que están sometidos son mayores. Ambos se orientan a un mismo
punto: ¿cómo optimizar los recursos escasos disponibles? Los primeros debido al
estrecho margen de ganancias y a la fuerte competencia y los segundos debido a
la escasez de capitales y a la subsecuente necesidad de emplearlos lo más
provechoso posible. Una crítica frecuente a la utilización de nuevas tecnologías en
países como el nuestro es el siguiente:
No debemos importar nuevas técnicas de los países desarrollados y tratar de

aplicarlos a nuestro medio que es tan distinto a donde se aplicaron o fueron
desarrolladas dichas técnicas. Pensar en nuestro medio que la programación lineal
y sobre todo su aplicación es peligrosamente nueva, que nuestra situación y
nuestra idiosincrasia no nos permite hacer uso de ella, que debemos
olvidarnos de estas cosas de las cuales hablan los “teóricos” como usualmente
denominamos a la aplicación de estas técnicas, es cometer un craso error, ya que
la programación lineal no es nueva y es perfectamente factible de aplicar en
cualquier medio, puesto que una de sus características fundamentales es analizar
el sistema real un primer lugar, refiriéndolo al medio en que se sitúa y a su entorno,
desarrollando un modelo matemático cuya representación establece casi todos los
elementos que el sistema real contiene, para luego fijar un programa de asignación
óptima de sus recursos por medio de la aplicación de un método de solución
manual o por medio de paquetes de microordenadores u ordenadores.
Otra de las objeciones que se hacen al uso de la programación lineal, es que

tenemos a la mano un gran número de otras técnicas, metodologías, que son
factibles de aplicar, que tienen muchos años de existencia y sobre los cuales
conocen en forma aproximada los directivos y sobre los cuales conocen en forma
aproximada los directivos tanto del gobierno como de las empresas públicas y
privadas.
Respecto a lo anterior, es cierto, hay muchas formas de mejorar la productividad en

las empresas, de seleccionar prioridades, etc., pero ninguna tiene el carácter de la
programación lineal: De obtener una aproximación científica a los problemas de
toma de decisiones y de estructuración de políticas. Ninguna toca en el campo de
la programación lineal el aspecto de la toma de decisiones en los niveles más altos;
decir entonces que podemos usar estudio de métodos, análisis económicos,
estudios contables, etc., en vez de los modelos de programación lineal es
desconocer el propósito y el campo de la programación lineal.
Hace décadas en el país se han introducido estas técnicas, debido al auge que
experimentaron las computadoras y que hicieron posible aplicar programas en
lenguaje de alto nivel y paquetes como el MPS/360 (Mathematical Programming
System), sistema que hacía uso de tarjetas para introducir los datos del modelo
matemático; luego aparecieron el MPSX/370 versión mejorada del paquete anterior
cuyo sistema de ingreso de datos y salidas y de resultados es interactivo
permitiendo una rápida solución del modelo. Ambos paquetes requieren el uso de
grandes ordenadores. Recientemente han aparecido paquetes para
microordenadores como el LP/1, LP/2 (Linear Programming 1 y 2 u algoritmo
Simplex y algoritmo del transporte); el LINDO (Linear Interactive And Discrete
Optimizer); el BLP88 (Bound Linear Programming 88), GLP, WINQSB, EXCEL,
POM y otros que han permitido el ingreso con fuerza de los modelos de
programación lineal en todo campo de empresas pública o privada, pequeña,
mediana y grande empresa. Si inicialmente la aplicación se hacía en función del
uso de computadores limitándose por ello las grandes empresas como PETRO
PERU, MINERO PERU, CENTROMIN PERU y otras
de gran envergadura; hoy con el uso de los computadores personales la aplicación
se ha difundido y sus resultados no se han hecho esperar
porque nos generan asignación eficiente de los recursos escasos con los que
cuenta una determinada institución; por lo que se puede decir que la programación
lineal ha dejado de ser un mito en su aplicación. Desde los primeros años de la
década del 60 diversas empresas y entidades han aplicado la programación
lineal para la toma de decisiones en problemas específicos. Dentro de las
aplicaciones conocidas en nuestro medio, mencionaremos las siguientes:
Modelo matemático de transporte de crudos y refinados para la asignación óptima
de la flota nacional.
Modelo de refinería para la obtención de gasolinas del octanaje adecuado al
mínimo costo.
Modelo matemático para la planta de lubricantes del callao
Nicolini Hnos. s.a.
Modelo de mezcla insumos para alimentos balanceados para aves.
Unileche s.a.
Modelo de transportes para las asignaciones de rutas y vehículos de reparto de

leche en Lima Metropolitana.
Sider Perú
Modelo de mezcla de insumos para la alimentación del alto horno.
Ministerio de transportes
Modelo de evaluación de proyectos de construcción vial considerando los efectos

regionales de centros de producción y consumo.
Instituto nacional de planificación
Modelo de selección de cartera de proyectos de desarrollo económico.
Ministerio de agricultura
Modelo de rotación de cultivos para los valles de la costa norte del Perú.
Modelo de minas de Casapalca
Modelo de cobre y plomo.
En la actualidad usan la Programación Lineal Grandes, Medianas y Pequeñas

empresas públicas y privadas.
En nuestro país, la Sociedad Peruana de Investigación Operativa y de Sistemas

(SOPIOS), es una asociación creada en octubre de 2008, a iniciativa de los
participantes de la XIII ELAVIO (Escuela de Verano de Investigación Operativa),
realizada del 4 al 8 de febrero del 2008 en Chosica, y tiene como objetivo el
integrar a los profesionales e investigadores nacionales de diferentes áreas del
saber, que trabajan en investigación operativa, sistemas
y áreas afines; con la finalidad de promover el desarrollo de estas áreas, su
aplicación en la industria, los servicios y el gobierno, y contribuir al desarrollo
científico y/o tecnológico del país.
En el año 2014 se llevó a cabo el V Congreso Peruano de Investigación de
Operaciones y de Sistemas COPIOS 2014 es el evento anual que la asociación
promueve, en esta oportunidad se realizó en Lima, entre el 5 al 7 de noviembre en
la Universidad Nacional Mayor de San Marcos. Anteriormente, se realizaron cuatro
ediciones del Congreso organizados por la Universidad Nacional Mayor de San
Marcos en 2009, Universidad Nacional de San Agustín de Arequipa en 2010,
Pontificia Universidad Católica del Perú en 2011 y la Universidad Privada del Norte
de Trujillo en 2013. COPIOS es el principal espacio en donde se integra la
academia peruana con la internacional, la industria, las empresas de servicios y el
gobierno para la presentación de investigaciones, propuestas y discusiones
relacionados a la investigación de operaciones y sistemas y sus aplicaciones para
la industria y el gobierno.
Elementos básicos de un modelo matemático
Un modelo matemático es producto de la abstracción de un sistema real,

eliminando las complejidades y haciendo suposiciones pertinentes; se aplica una
técnica matemática y se obtiene una representación simbólica del mismo.
Un modelo matemático consta al menos de tres elementos o condiciones básicas:
Las Variables de decisión, la Función Objetivo y las Restricciones. Las variables de
decisión son incógnitas que deben ser determinadas a partir de la solución del
modelo. Los parámetros representan los valores conocidos del sistema o que se
pueden controlar. Las variables de decisión se representan por: X1, X2, X3,…,Xn, i
= 1, 2, 3,…,n.
Función Objetivo
La función objetivo es una relación matemática entre las variables de decisión,

parámetros y una magnitud que representa el objetivo o producto del sistema. Es la
medición de la efectividad del Modelo formulado en función de las variables.
Determina lo que se va optimizar (Maximizar o Minimizar).
La solución ÓPTIMA se obtiene cuando el valor de la Función Objetivo final es

óptimo (valor máximo o mínimo), para un conjunto de valores factibles de las
variables. Es decir, hay que reemplazar las variables obtenidas X1, X2, X3,…,Xn;
en la Función Objetivo Z = (C1X1, C2X2, C3X3,…, CnXn) sujeto a las restricciones
del modelo matemático.
Por ejemplo, si el objetivo es minimizar los costos de operación, la función objetivo
debe expresar la relación entre el costo y las variables de decisión, siendo el
resultado el menor costo de las soluciones factibles obtenidas.
Restricciones
Las restricciones son relaciones entre las variables de decisión y los recursos
disponibles. Las restricciones del modelo limitan el valor de las variables de
decisión. Se generan cuando los recursos disponibles son limitados.
En el Modelo se incluye, adicionalmente de las restricciones, las restricciones de no
negatividad de las Variables de decisión, o sea: Xi ≥ 0. Por ejemplo, si una de las
variables de decisión representa el número de empleados de un taller, el valor de
esa variable no puede ser negativo. Porque, el mínimo valor que pueda tener la
variable mesas a fabricar, su valor solamente podrá ser igual a cero (cuando no se
produce) o mayor que cero (cuando se produce), o sea positivo; sería absurdo
obtener como resultado que se va a fabricar menos cuatro mesas, porque no
tendría explicación física ni económica.
Se presentan Modelos Matemáticos de Programación Lineal de: Maximización y

Minimización, los cuales estarán indicados en la Función Objetivo del Modelo.
APLICACIONES DE LA PROGRAMACION LINEAL
Como habíamos explicado anteriormente la difusión y aplicación de los modelos de

programación lineal se está introduciendo rápidamente en todos los sectores del
ámbito nacional; tal es así que podemos aplicar en hospitales para racionalizar
eficientemente los recursos que ella contempla una asignación efectiva del personal
paramédico o una asignación eficiente de recursos como equipos o camas de un
determinado hospital o una red de hospitales. Otra de las aplicaciones básicas es en
sector minero ya sea para distribuir sus ingentes recursos escasos o para
determinar un tipo de aleación que contemple ciertas restricciones, también se
puede aplicar para evaluar a su personal. En el sector finanzas para optar por
alguna alternativa de las muchas que se pueden presentar para invertir un monto
determinado de capital. En el sector químico para elaborar un determinado alimento
que justifique un determinado contenido de vitamina, grasas, calorías, etc. En el
sector de planificación alimentaría conseguir la producción requerida para un
determinado periodo de cosechas con las áreas de cultivo que se encuentran
disponibles. En el aspecto de localizaciones determinar la mejor ubicación de una
determinada planta, o almacén en la que se especifique el mínimo costo total, de
igual modo para determinar el mínimo costo de distribución de un artículo de
diferentes orígenes (plantas) a diferentes destinos (almacenes). En la industria
papelera para minimizar los costos de desperdicios de papeles. En el sector
educación para distribuir el número de profesores eficientemente en un proyecto de
alfabetización, y podríamos seguir enumerando muchas más aplicaciones que
ofrece la técnica de programación lineal que se encuentra al alcance de todos los
usuarios por la introducción de los novedosos paquetes de computadoras
personales que hacen mucho más atractiva su aplicación en todos los sectores
productivos de la economía nacional.
APLICACIÓN 1
Problema de Transporte
El problema consiste en decidir cuántas unidades trasladar desde ciertos puntos de

origen (plantas, ciudades, etc.) a ciertos puntos de destino (centros de distribución,
ciudades, etc.) de modo de minimizar los costos de transporte, dada la oferta y
demanda en dichos puntos. Se suponen conocidos los costos unitarios de
transporte, los requerimientos de demanda y la oferta disponible.
Por ejemplo, suponga que una empresa posee dos plantas que elaboran un
determinado producto en cantidades de 550 y 650 unidades diarias,
respectivamente. Dichas unidades deben ser trasladadas a tres almacenes con
demandas diarias de 400, 300 y 550 unidades, respectivamente. Los costos de
transporte (en $/unidad) son:
Diagrama
Variables de decisión:
Xij = Unidades transportadas de planta i (i=1,2), al almacén j (j=1,2,3)
Función Objetivo:
Minimizar el costo total de transporte dado por la función:

Restricciones del problema:
Demanda:
Oferta:
No Negatividad:
Xij ≥0
Las variables de decisión deben aceptar soluciones como números reales para
tener un modelo de programación lineal.
APLICACIÓN 2
Problema de la dieta
Este consiste en determinar una dieta de manera eficiente, a partir de un conjunto

dado de alimentos, de modo de satisfacer ciertos requerimientos nutricionales.
Supongamos que se tiene la siguiente información:
X1: galones de leche utilizados en la dieta.

X2: porciones de legumbre utilizadas en la dieta.
X3: unidades de naranja utilizadas en la dieta.
Función Objetivo:
Minimizar el costo total de la dieta, dado por:
Requerimientos mínimos de los nutrientes considerados

APLICACIÓN 3
Problema de inventarios
Consiste en hallar una política óptima de producción para satisfacer demandas

fluctuantes en el tiempo, de modo de minimizar costos de producción e inventario,
considerando la disponibilidad de diversos recursos escasos. Supongamos que una
fábrica puede elaborar hasta 200 unidades en cada uno de los 3 periodos en que
se ha subdividido el horizonte de planificación y se tiene adicionalmente la
siguiente información:
Supuestos adicionales:
Existe un inventario inicial de 10 unidades y no se acepta demanda pendiente o

faltante (es decir, se debe satisfacer toda la demanda del periodo).
Xt: número de unidades elaboradas en el periodo t.

It: número de unidades de inventario al final del periodo t.
De acuerdo a los datos y sus variables de decisiones el problema podemos

presentarlo de la forma siguiente:
Función objetivo:
Consiste en minimizar los costos de producción y el costo de mantenimiento de

inventario.
Por condiciones del problema I3 es igual a cero, así que incluso podríamos no
incluirla, pero la consideramos.
Capacidad de producción máxima
Restricciones de demanda
Restricciones de no negatividad
APLICACIÓN 4
Problema de planificación financiera
Supongamos que un banco dispone de $100 millones para destinar a cuatro tipos
de créditos ofrecidos, los cuales tienen las siguientes, tasas de crédito:
Primer crédito corriente :7%

Segundo crédito corriente :9%
Crédito para el hogar :8%
Crédito personal :6%
La asignación de estos créditos, debe satisfacer la siguiente política utilizada por la

institución: El monto asignado al primer crédito corriente, debe ser al menos, el
50% del monto asignado a los créditos corrientes, y al menos un 20% del total del
dinero prestado. El segundo crédito corriente, no puede exceder el 30% del total
del dinero prestado, por políticas tributarias el interés recibido por el banco no debe
exceder a un retorno del 10% sobre el capital prestado. ¿Cuánto asignar a cada
tipo de crédito, de la manera más eficiente, respetando la política del banco?
X1: Monto asignado al PCC.

X2: Monto asignado SCC.
X3: Monto asignado al crédito para el hogar.
X4: Monto asignado al crédito personal.
Función Objetivo:
Se propone maximizar los retornos recibidos en la asignación, dados por:
Restricciones
del problema:
Restricciones de no negatividad
APLICACIÓN 5
Problema de mezcla de productos
En el problema una refinería produce cuatro tipos de gasolina (gas 1, gas 2, gas 3 y
gas 4). Dos características importantes de cada gasolina son su número de
octanos (NO) y su presión de vapor (PV), que están dados por:
Estas gasolinas pueden ser vendidas directamente a un precio de $20 por barril o
bien mezcladas para obtener gasolinas de aviación (gas para avión tipo A y gas
para avión tipo B). La calidad de estas dos últimas junto con sus precios de venta
es:
El NP y RVP de cada mezcla es un promedio de los respectivos NP y RVP de las

gasolinas empleadas. Se desea obtener un plan de venta de las distintas gasolinas
que maximice los retornos.
Xj: cantidad de barriles del gas j que son vendidos sin mezclar, con j = 1, 2, 3, 4.
XA: cantidad de barriles de gas para avión tipo A.
XB: cantidad de barriles de gas para avión tipo B.
XjA: cantidad de gas j usado en gas para avión tipo A.
XjB: cantidad de gas j usado en gas para avión tipo A.
Los datos en función a sus variables podemos resumirla en el siguiente

cuadro:
Función objetivo:
Max(Z) = 20(X1 + X2 + X3 + X4) + 40XA + 30XB
De disponibilidad de Barriles diarios de gas 1, 2, 3 y 4
X1 + X1A + X1B = 3000

X2 + X2A + X2B = 2000
X3 + X3A + X3B = 4000
X4 + X4A + X4B = 1000
De composición de barriles de A y B
X1A + X2A + X3A + X4A = XA

X1B + X2B + X3B + X4B = XB
De octanaje (NO)
De su presión de vapor (PV)
APLICACIÓN 6
Distribución de Personal
El Banco del Sur abre de lunes a viernes de 8 a.m. a 4p.m. De experiencias

pasadas sabe que va a necesitar la cantidad de cajeros señalados en la tabla dada.
Hay dos tipos de cajeros: los que trabajan tiempo completo de 8 am a 4 pm, los
cinco días, excepto la hora que utilizan para almorzar. El Banco determina cuándo
debe almorzar cada cajero, pero debe ser de 12m a 1pm o de 1pm a 2 pm. A los
empleados a tiempo completo se les paga $ 10 la hora (incluida la hora de
almorzar). También hay trabajadores a tiempo parcial que deben trabajar
exactamente 3 horas consecutivas cada día y se
le paga $ 8 la hora, sin ningún otro pago. A fin de mantener la calidad del servicio el
Banco desea tener un máximo de 5 cajeros contratados a tiempo parcial. Se desea
minimizar los costos de empleados contratados.
X1: Empleados a tiempo completo que toman su almuerzo de 12m- 1pm

X2: Empleados a tiempo completo que toman su almuerzo de 1pm-2pm
X3: Empleados a tiempo parcial que empiezan a trabajar a la 8am
X7: Empleados a tiempo parcial que empiezan a trabajar a la 12m
X8: Empleados a tiempo parcial que empiezan a trabajar a la 1pm
Los empleados a tiempo parciales que empiezan a trabajar a la 1 pm trabajarán

hasta que cierre y por lo tanto no se necesitan empleados a tiempo parcial que
empiecen a las 2 pm o las 3 p.m.
Función Objetivo:
Minimizar Costos de contratación
Restricciones de requerimientos de cajeros
Para los ocho horarios señalados tendremos las siguientes restricciones:

Restricción de cantidad máxima de 5 cajeros contratados a tiempo parcial:
APLICACIÓN 7
Optimización del corte de madera
En una empresa se fabrican cuadros, cuyos marcos se obtienen de cortar varillas,

cuya longitud original es de 300cms. El Departamento de ventas tiene pedidos para
el siguiente mes de 175 cuadros de 119x90cms. Formule un problema de
programación lineal que minimice el desperdicio, la compra de materia prima y
optimice la productividad.
Varillas de madera
Resultados con la propuesta del Jefe de Producción
El Jefe de producción ordena que se corten 350 varillas de 119cms y 350 varillas
de 90cms (Cada cuadro lleva 2 varillas de cada dimensión).
Cortar 350 varillas de 300cms. en varillas de 119cms, y de 90cms para cumplir con
el pedido de acuerdo a la orden del Jefe de Producción. El jefe de producción
propone los siguientes tipos de cortes:
Con este tipo de corte, se cortarían 175 varillas de 119cms y obtendríamos 350
varillas de 119cms, para los 175 cuadros de pedidos y 175*62=10850 cms de
desperdicio.
Con este tipo de corte, se tendrían que cortar 350/3=116.6 varillas de 300cms,
tendríamos que redondearlas a 117 varillas y el total de desperdicio de 117+30 + 90
= 3600cms. En conclusión, se comprarían 175 + 117= 292 varillas de 300cms y un
total de desperdicios de 10850 + 3600 = 14450cms de desperdicios.
Resultados con Programación Lineal
Tipos de cortes a realizar
Forma 1
Si cortamos:
1 varilla el resultado es 2 varilla de 119cms y 62cms de desperdicios
X1 varillas el resultado será 2X1 varillas de 119cms y 62X1 cms. de desperdicios
Forma 2
Si cortamos:
1 varilla el resultado es 2 varilla de 90cms, 1 varilla de 119cms y 62cms de
desperdicios
X2 varillas el resultado será 2X2 varillas de 90cms, 1X2 varilla de 119cms y 1X2
cms. de desperdicios
Forma 3
Si cortamos:
1 varilla el resultado es 3 varilla de 90cms y 30cms de desperdicios
X3 varillas el resultado será 3X3 varillas de 90cms 30X3 cms. de desperdicios
El modelo matemático:
Función objetivo:
Minimizar el total de desperdicios:
Min(Z) = 62X1 + 1X2 + 30X3

Restricciones del Modelo:
Para cumplir con el pedido de los 175 cuadros se necesitan 350 varillas de 90cms y
350 varillas de 119cms.
2X2 + 3X2 = 350 (varillas de 90 cms)

2X1 + 1X2 = 350 (varillas de 119 cms)
Resolviendo los resultados son:
X1 = 89 X2 = 172 X3 = 2 Z = 5750 cms de desperdicios
El total de varillas a comprar es de 89+172+2=263 varillas de 300cms, si

comparamos los resultados obtenidos por el jefe de producción y el modelo de
programación lineal:
APLICACIÓN 8
El problema del trasbordo
Una empresa produce computadoras en dos plantas (P1, P2), los cuales son
enviados a dos almacenes (A1, A2), para luego distribuirlos a sus tres clientes (C1,
C2, C3). Las capacidades de producción en sus plantas 1 y 2 son de 30 y 20
unidades diarias, respectivamente. Los productos se llevan a los clientes 1, 2 y 3
que solicitan 15 unidades diarias cada una, en los almacenes no existen unidades
guardadas, sí los costos unitarios en dólares del traslado de las computadoras de
las plantas a los almacenes y de los almacenes a los clientes se dan en las tablas
siguientes:
La empresa desea distribuir la producción diaria y minimizar sus costos de

transportes. ¿Cuál debe ser la distribución del producto que minimiza el costo total?
Formulación:
Xij = Unidades transportadas desde “i” (i = 1, 2, 3 y 4) hasta “j” (j = 3, 4, 5, 6 y 7)
Función objetivo:
Restricciones debidas a la disponibilidad de computadoras en las plantas 1 y 2
Restricciones de equilibrios, cantidades ingresadas igual a cantidades salientes en

los transbordos o almacenes 1y 2:
Restricciones de demanda de computadoras por los clientes 1, 2 y 3.
Restricción de no negatividad
Xij≥ 0; Enteros
APLICACIÓN 9
El problema de asignaciones
Una empresa de transporte tiene cuatro choferes para ser asignados a cuatro
vehículos (auto, tractor, camión y cisterna). Por experiencia de los choferes en
cada uno de estos vehículos se ha estimado un rango de evaluación de cero
(menos experimentado) a diez (más experimentado), obteniéndose la siguiente
tabla de calificación:
El objetivo es asignar los choferes a los vehículos uno a uno, de manera que se
maximice la calificación.
Función objetivo:
Sea Xij: La asignación del chofer “i” al vehículo “j.
Restricciones que aseguran que un chofer es asignado a un vehículo
Restricciones que aseguran que un vehículo es asignado a un chofer
Restricciones de no negatividad:
METODOS DE SOLUCION DE LA PROGRAMACION LINEAL
Existen muchos métodos; pero optaremos por estudiar algunos de ellos,

empezáremos con el método grafico; cuya aplicación es eficaz para modelos que
consideran dos variables de decisión, se puede resolver problemas con tres
variables, pero su uso se hace improductivo cuando el número de restricciones es
considerable, debido que se tienen que graficar las restricciones y la función objetivo
como planos en el espacio tridimensional para encontrar la solución óptima.
En el presente capitulo veremos el método de eliminación completa de Gauss -

Jordán para luego aplicarlo al método simplex y sus variaciones; que nos permitirá
resolver problemas que contemplen “n” variables y “m” restricciones de modelos de
programación lineal. A continuación, desarrollaremos uno a uno lo métodos de
solución que se verán en el presente texto:
INTRODUCCIÓN AL MÉTODO SIMPLEX
El método gráfico fácilmente puede solucionar modelos de dos variables y “m”

restricciones, es posible solucionar modelos de tres variables pero es muy
complicado obtener la solución, como respuesta a ello, para cualquier modelo de
programación lineal se aplica el método simplex.
Es simplex es un método analítico de solución de problemas de modelos de

programación lineal, puede resolver modelos bastante complejos de “n” variables y
“m” restricciones. El método simplex es un proceso matricial e iterativo que parte
con una solución inicial y en cada iteración la va mejorando hasta encontrar la
solución óptima del modelo. Una característica importante del simplex es la
conversión del sistema de inecuaciones en un sistema de ecuaciones que permite
asociar al modelo original una matriz identidad positiva que es generada por las
variables de holgura y artificiales que se agregan cuando se realiza la conversión
del sistema de inecuaciones en ecuaciones denominado proceso de
estandarización. El proceso del simplex, solo permite soluciones factibles, toda
variable en cada solución del proceso iterativo debe tomar valores no negativos, es
decir valores mayores e iguales a cero.
Es en 1947 que el matemático George Bernard Dantzig nacido en Portland,

Oregon, desarrolla el método simplex como resultado de simplificar el proceso de
solución de modelos de programación lineal, logrando con el uso del simplex hacer
cómputos con mayor rapidez y exactitud, por ello el simplex es catalogado como
uno de los más importantes en toda la historia de las matemáticas aplicadas, pues
con su uso es posible tomar decisiones óptimas en muchas clases de problemas
prácticos de gran complejidad.
FORMA GENERAL DEL PROGRAMA LINEAL
En su estructura consta de las siguientes partes fundamentales:
a. FUNCIÓN OBJETIVO.
El criterio de optimización es por lo general optimizar un objetivo ya sea
maximizando por ejemplo utilidad, producción, ventas o minimizando costos,
tiempos, desperdicios, distancias. La función objetivo se presenta bajo la siguiente
forma general:
El término optimizar establece las posibilidades de maximizar o minimizar.
b. RESTRICCIONES ESTRUCTURALES.
Estas se diseñaran de acuerdo a las disponibilidades o limitaciones de recursos

que se presenten en el sistema de estudio; por ejemplo limitaciones de: capital,
espacio, horas hombre, horas máquinas, insumos, etc. Las restricciones se
presentan del modo siguiente:
c. RESTRICCIONES DE NO NEGATIVID AD.
Las restricciones de no negatividad son aquellas donde las variables toman valores
mayores o iguales a cero, por lo tanto ese tipo de restricciones se representan de
modo siguiente:
RESUMEN DE LA FORMA GENERAL
A. FUNCION OBJETIVO
B. RESTRICCIONES ESTRUCTURALES
C. RESTRICCIONES DE NO NEGATIVIDAD
Los valores (aij, bi y cj) se asumen conocidos en el problema, Xj variables de

decisión o incógnitas del problema.
FORMA M ATRICI AL DEL PROGRAMA LINEAL

La forma matricial del modelo de programación lineal está representado por sus
tres partes fundamentales, el vector fila de coeficientes de la función objetivo, los
vectores columnas de las variables de decisión y de las disponibilidades de los
recursos; así como por la matriz de coeficientes de las restricciones estructurales
los cuales se representaran del modo siguiente:
a. FUNCIÓN OBJETIVO
b. RESTRICCIONES ESTRUCTURALES
c. RESTRICCIONES DE NO NEGATIVID AD
RESUMEN DE LA FORMA MATRICIAL
a. FUNCIÓN OBJETIVO
b. RESTRICCIONES ESTRUCTURALES
c. RESTRICCIONES DE NO NEGATIVID AD
MÉTODO DE ELIMINACION COMPLETA DE GAUSS JORDAN.
Técnica matemática que permite encontrar la solución óptima, considerando para

ello todas las soluciones factibles y no factibles del problema. La solución óptima se
determina mediante el reemplazo de las soluciones factibles en la función objetivo y
eligiendo aquella solución factible que maximice o minimice la función objetivo.
Para el desarrollo de este método nos apoyaremos en el siguiente modelo
matemático:
Como el método de Gauss-Jordán es aplicable solamente en ecuaciones debemos

hacer uso de las variables de holgura (Si) que se aplican a restricciones del tipo
(≤).
Estandarizando el modelo:
PASOS DEL MÉTODO DE ELIMINACION COMPLETA DE GAUSS JORDAN.
Para solucionar problemas del sistema de “m” ecuaciones con “n” variables se
determinará un número de soluciones básicas igual a:
Se tendrán seis soluciones básicas y los pasos a seguir en el método son los
siguientes:
a. Se colocan los datos en forma tabular; para el ejemplo se presenta siete

columnas, la primera para Xk en el cual participarán todas las variables
solución del problema o variables básicas, la segunda ubicará los valores
correspondientes a B, en la tercera y cuarta se ubicarán los valores
correspondientes de las variables de decisión X1, X2, en la quinta y sexta las
variables de holgura S1 y S2 y el valor de Z, respectivamente.
b . Generamos una nueva solución, eligiendo una variable que no esté en la base
Xk, entonces podemos elegir X1 o X2 en forma arbitraria, para nuestro caso se
está eligiendo X2 el cual ingresara a la base en reemplazo de S1 o S2, en
forma arbitraria elegimos S1. La elección de X2, genera una columna pivotal, y
la elección de S1 la fila pivotal, generando el elemento pivote por la
intersección de la fila y columna pivotal como se muestra en la tabla. El
elemento pivote identifica en su columna la variable que ingresa a la base y en
su fila la variable que sale de la base
c. Luego de elegir el pivote, aplicamos los cuatro pasos que establece Gauss
Jordan, para generar una nueva solución que podrá ser factible o no factible,
los pasos son los siguientes:
1. En la ubicación del pivote se iguala a 1.

2. Los elementos que están situados en la misma fila pivotal (SF)
del pivote son divididos por el pivote (P).
3. Los elementos que están situados en la columna del elemento pivote se
anulan o se igualan a cero (SC=0). Estos tres primeros pasos son
relativamente sencillos.
4. Los otros elementos a transformar se obtienen del modo
siguiente: al elemento a transformar (ET) se le resta el resultado del
producto de dos elementos semipivote de fila (SF) y semipivote de columna
(SC) dividido por el elemento pivote (P). Todo elemento a transformar (ET),
en su fila identifica al semipivote de columna (SC) y en su columna al
semipivote de fila (SF). El resultado de esta operación origina un nuevo
elemento (EN) cuya relación es:
Donde:
EN: Elemento nuevo
ET: Elemento a transformar
SF: Semipivote de fila
SC: Semipivote de columna
P : Pivote
En la última columna (Z) se identifica el tipo de solución (F) factible y (NF) y su

utilidad final para las soluciones factibles, siendo la utilidad máxima 1100, y es la
solución óptima del problema, con valores X1 = 10 y X2 = 20.
A continuación mostramos como se han generado las soluciones de la tabla
anterior.
Asi, para la primera solución:
La solución S1 = 80 y S2 = 120 es factible y los pasos a seguir para generar la

nueva solución son, en la ubicación del pivote (2) se ubica la unidad, todo
semipivote de columna (5) se reducen a cero, los semipivotes de fila se dividen
entre el pivote (80/2, 4/2, 1/2 y 0/2), los elementos que no han sido transformados
de la fila de S2 con los tres primeros pasos (120, 2, 0 y 1), aplicando el cuarto paso
generan los elementos nuevos (EN):
Los pasos anteriores generan la segunda solución que mostramos a continuación:

En la segunda solución
La solución X2 = 40 y S2 = -80 es no factible y los pasos a seguir para generar la

nueva solución son, en la ubicación del pivote (-2.5) se ubica la unidad, todo
semipivote de columna (0.5) se reducen a cero, los semipivotes de fila se dividen
entre el pivote (40/0.5, 2/0.5, 1/0.5 y 0/0.5), los elementos a transformar de la fila
de X2 (40, 2, 1 y 0), aplicando el cuarto paso:
Los pasos anteriores generan la tercera solución que mostramos a continuación:
En la tercera solución
La solución X2 = 24 y S1 = 32 es factible y los pasos a seguir para generar la

nueva solución son, en la ubicación del pivote (0.4) se ubica la unidad, todo
entre el pivote (24/0.4, 1/0.4, 0/0.4 y 0.2/0.4), los elementos a transformar de la fila
de S1 (32, 0, 1 y -0.4), aplicando el cuarto paso:
Los pasos anteriores generan la cuarta solución que mostramos a continuación:
En la cuarta solución
La solución X1 = 60 y S1 = -160 es no factible y los pasos a seguir para generar la

nueva solución son, en la ubicación del pivote (-2) se ubica la unidad, todo
entre el pivote (-160/(-2), 0/(-2), -8/(-2) y 1/(-2), los elementos a transformar de la
fila de X1 (60, 1, 2.5 y 0), aplicando el cuarto paso:
Los pasos anteriores generan la quinta solución que mostramos a continuación:
En la quinta solución
La solución X1 = 20 y S2 = 80 es factible y los pasos a seguir para generar la

nueva solución son, en la ubicación del pivote (4) se ubica la unidad, todo
entre el pivote (80/4, 0/4, -0.5/4 y 1/4, los elementos a transformar de la fila de X1
(20, 1, 0.25 y 0), aplicando el cuarto paso:
Los pasos anteriores generan la sexta solución que mostramos a continuación:
Sexta solución
Con la determinación de las seis soluciones básicas se finaliza el proceso,

habiendo elegido como solución óptima factible a X1 = 10 y X2 = 20, su utilidad
máxima 1100.
Si aplicamos el método de Gauss Jordán a modelos matemáticos de muchas

variables y restricciones, el método deja de ser practico y se vuelve tedioso para lo
cual se hace imperativo el uso de otra técnica más eficiente y practica como es el
método simplex, el cual utiliza la misma mecánica del método Gauss Jordán, con la
diferencia que el Simplex solo admite soluciones factibles.
MÉTODO SIMPLEX.
El 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.
Es una técnica matemática desarrollada para resolver problemas de programación

lineal fue creado en el año de 1947 por el estadounidense George Bernard Dantzig
y el ruso Leonid Vitalievich Kantorovich, con el ánimo de crear un algoritmo capaz
de solucionar problemas de “m” restricciones y “n” variables y se sustenta en una
amplia base matemática que obviaremos en el presente texto, limitándonos a aplicar
la mecánica operativa del método el cual resulta ser un algoritmo o conjunto de
operaciones matemáticas que es efectuado paso a paso en forma iterativa,
partiendo de una solución inicial, mejorándola continuamente hasta encontrar la
solución óptima, el método simplex resulta ser la más adecuada para resolver
problemas más complejos aun cuando el método es lo suficientemente fácil para
permitir resultados en forma manual en problemas pequeños, la aplicación de la
computadora es sin lugar a dudas la mejor herramienta para dar solución a
problemas que implican la utilización de muchas variables.
ESQUEMA DEL SIMPLEX
El cuadro presenta la forma esquemática como deben ser ubicados los datos del
problema en su forma inicial para un problema de maximización de la forma:
El cuadro el resultado de la representación matricial en su fase del modelo

matemático y en el cual tenemos:
Cj: Fila conformada por los coeficientes de la función objetivo correspondiente a

cada una de las variables de decisión, holgura, exceso y artificial del modelo
estandarizado que se hubieran utilizado.
Ck: Columna de los coeficientes de las variables básicas que participan en la base
en cada fase, el valor del coeficiente es el correspondiente a la función
objetivo estandarizada de las variables que participan en la base o solución y están
definidas en la columna Xk.
Xk: Columna de las variables solución o variables básicas. En ella participan todas
las variables que en sus respectivas columnas estén precedidas por vectores
unitarios positivos, el valor uno del mencionado vector da la ubicación de la fila
correspondiente a la variable básica en la columna Xk, en el cuadro podemos
observar que (S1, S2, ..., Sm) están precedidos de vectores unitarios y por tanto
participan en Xk.
Xj: Columna de los coeficientes de las variables de decisión para j = 1, 2...n.
Si: Columna de los coeficientes de las variables de holgura para i = 1, 2...n.
B: Columna correspondiente a las disponibilidades de recursos en la fase inicial

y resultado de las variables de solución en cada una de las iteraciones hasta la fase
final.
R : Ratio o columna de segunda decisión para la elección del elemento pivote. Elige
la fila pivotal o variable que sale de la base considerando para ella siempre el menor
ratio positivo ya sea en un proceso de maximización o minimización, se descartan
los ratios negativos.
Zj: Resultado de multiplicación de pares elementos y sumas respectivas entre dos

columnas de valores, en la cual una de las columnas siempre resulta ser Ck y las
otras columnas de las variables que participan en el problema. Lo veremos
detalladamente cuando desarrollemos los pasos del simplex en una aplicación. El
valor de ZB en la columna B es el valor de la función objetivo.
Cj-Zj: Columna de primera decisión para la elección del elemento pivote. Elige la
columna pivotal o la variable no básica que entra a la base. Su valor positivo en
cuanto aumenta la función objetivo conviene para maximización, y el valor negativo
en cuanto disminuye su función objetivo conviene para minimización.
PROCESO DE ESTANDARIZ ACIÓN
El Método Simplex trabaja con ecuaciones y las restricciones iniciales que se

modelan mediante programación lineal generalmente son inecuaciones, para ello
hay que convertir estas inecuaciones en ecuaciones utilizando unas variables
denominadas de holgura, exceso y artificial relacionadas con el recurso al cual hace
referencia la restricción y que en el tabulado final representa el Slack (variable de
holgura), surplus (variable de exceso) o artificial (variable artificia), estas variables
adquieren un gran valor en el análisis de sensibilidad y juegan un rol fundamental en
la creación de la matriz identidad positiva del orden del número de restricciones
que se asocia al modelo original que es la base del Simplex. Para que el simplex
funcione a todo modelo de programación lineal por el proceso de estandarización se
le debe asociar una matriz identidad positiva de orden del número de restricciones
como se podrá apreciar en la tabla anterior.
VARIABLE DE HOLGURA (SLACK, +Si)
Es aquella variable que se adiciona a cada restricción del tipo (≤), y en la función
objetivo se adiciona dicha variable con coeficiente cero. Si en la solución el valor de
la variable de holgura es cero significa que se ha usado todo el recurso, si por el
contrario es mayor a cero implica que el recursono se usó completamente por lo
que está sobrando dicho recurso.
PASOS A SEGUIR EN EL MÉTODO SIMPLEX (CASOS DE MAXIMIZACION)
Para la aplicación de esta técnica precederemos a desarrollar el siguiente problema
Es un modelo matemático de maximización que contempla lo siguiente:
a. Función Objetivo:
d. Restricciones Estructurales
e. Restricciones de no negatividad
Donde:
X1: Número de sillas a Fabricar
X2: Número de mesas a Fabricar
Los pasos a seguir en el método simplex son los siguientes:
1. Transformación del sistema de inecuaciones en ecuaciones, aplicando en este

caso las variables holguras (S1, S2, S3) en cada una de las
restricciones y asociar las variables de holgura a la función objetivo con
coeficientes ceros, el sistema queda determinado por:
Se interpreta las variables de holgura (S1, S2 y S3) como un recurso sobrante o no

usado. Si son iguales a cero significa que los recursos madera, horas hombres y
tubos se han usado totalmente o se han agotado, por el contrario si son mayores a
cero significa que los recursos madera, horas hombres y tubos están sobrando o
no se han usado totalmente.
Por condición de factibilidad del simplex, todas las variables del modelo deben ser
mayores e iguales a cero (X1, X2, S1, S2, S3 ≥ 0).
2. Los datos del modelo matemático son ubicados en la tabla del simplex, como se
muestra en el cuadro siguiente:
3. Identificamos las variables de solución o variables básicas de la columna Xk. En
ella se ubicaran las variables que estén precedidos por vectores unitarios positivos,
tal es el caso de las variables (S1, S2 y S3) y para determinar la fila en que se
ubicaran bastará ver la ubicación del valor uno del vector unitario y en la dirección
de su correspondiente fila se ubicará su variable en Xk. El valor uno de S1 se
encuentra en la primera fila, por lo
tanto S1 se ubicará en la primera fila de Xk, del mismo modo procederemos a
ubicar S2 cuyo valor unitario se encuentra en la segunda fila dando la ubicación de
S2 en la segunda de Xk y por último el valor uno de S3 se encuentra en la tercera
fila, por lo tanto S3 se ubicará en la tercera fila de Xk con lo cual se completa la
columna Xk.
4. En la columna Ck colocamos los valores de los coeficientes de la función

objetivo estandarizadas de las variables de la columna Xk. Como habíamos
ubicado (S1, S2 y S3) en Xk, sus coeficientes de la función objetivo estandarizadas
son respectivamente (0, 0 y 0).
5. Los valores de Zj son definidos como el costo de oportunidad que obtiene una
determinada variable y sus valores los determinamos del siguiente modo: cada
elemento de la columna ( Ck) se multiplica por cada elemento aij de cada columna
(X1, X2, S1, S2, S3, B) en la dirección de su correspondiente fila y el resultado de
su sumatoria es ubicada en la correspondiente columna a la variable que ha sido
multiplicada. Los elementos de la columna (Ck) siempre participan en la
multiplicación.
Prosiguiendo con nuestro ejemplo tendremos los siguientes resultados.
Primera solución
La primera solución del simplex, es no producir ningún producto, es decir no usar

ningún recurso, por lo tanto la solución inicial será:
X1=0, X2=0 (variables no básicas, no están en la base y siempre tomaran el valor
cero), S1=80, S2=132, S3=64 y Z=0 (variables básicas y se muestran en la
columna B)
Para saber si esta solución inicial es la óptima debemos determinar los beneficios
netos (Cj-Zj), empezamos determinando
ZX1 = 0(1) + 0(3) + 0(2) = 0 (columna de X1)

ZX2 = 0(2) + 0(3) + 0(1) = 0 (columna de X2)
ZS1 = 0(1) + 0(0) + 0(0) = 0 (columna de S1)
ZS2 = 0(0) + 0(1) + 0(0) = 0 (columna de S2)
ZS3 = 0(0) + 0(0) + 0(1) = 0 (columna de S3)
ZB = 0(80) + 0(132) + 0(64) = 0 (columna de B) (valor de la función objetivo)
Todos los resultados se muestran en la fila de Zj

El siguiente paso es determinar los valores de Cj-Zj correspondientes a la fila de
primera decisión para cada columna de las variables.
CX1 - ZX1= 8 - 0 (columna de X1)

CX2 - ZX2 =12-0 (columna de X2)
CS1 - ZS1 = 0 – 0 (columna de S1)
CS2 - ZS2 = 0 - 0 (columna de S2)
CS3 - ZS3 = 0 - 0 (columna de S3)
Todos los resultados se muestran en la fila de Cj-Zj

Aquí se tomará la primera decisión eligiendo la variable no básica que ingresara a
la base para mejorar el valor de la función objetivo (Z=0), en caso de maximización
estará determinada por elección del mayor valor de la fila de primera decisión Cj-
Zj=12, de la columna de X2 que ofrece mayor rentabilidad. Para generar la
segunda solución el simplex evalúa que producto es más rentable (el producto1
que da una utilidad de $8 o el producto 2 cuya rentabilidad es $12), por eso opta
por el producto 2 y se procede a generar la segunda solución.
El mayor valor elegido (Cj-Zj=12) identifica la columna pivotal y la variable (X2) que
ingresa a la base con su coeficiente (12) de la función objetivo y mejora el valor de
Z, la columna de ratios R (40, 44, 64) identifica la variable que sale de la base (S1)
y la fila pivotal eligiendo el menor ratio (40) positivo. Columna y fila pivotal
identifican al nuevo pivote (2) que permitirá con los pasos de Gauss Jordan
determinar la segunda solución.
1. En la ubicación del pivote (2) se ubica la unidad.

2. Todo semipivote de columna (3 y 1) se reducen a cero.
3. Los semipivotes de fila se dividen entre el pivote (1/2, 1/2, 0/2, 0/2 y 80/2).
4. Los otros elementos a transformar aplican la relación siguiente:
Para la fila de S2 (3, 0, 1, 0 y 132):
Para la fila de S3 (2, 0, 0, 1 y 64):

Ambos cálculos se aprecian en las filas (S2 y S3) de la segunda solución.
Segunda Solución
Para saber si esta segunda solución es la óptima debemos determinar los nuevos
beneficios netos (Cj-Zj), empezamos determinando
ZX1 = 12(0.5) + 0(1.5) + 0(1.5) = 6 (columna de X1)

ZX2 = 12(1) + 0(0) + 0(0) = 12 (columna de X2)
ZS1 = 12(0.5) + 0(-1.5) + 0(-0.5) = 6 (columna de S1)
ZS2 = 12(0) + 0(1) + 0(0) = 0 (columna de S2)
ZS3 = 12(0) + 0(0) + 0(1) = 0 (columna de S3)
ZB = 12(40) + 0(12) + 0(24) = 480 (columna de B) (valor de la función
objetivo)

CX1 - ZX1= 8 - 6 = 2 (columna de X1)

CX2 - ZX2 =12-12=0 (columna de X2)
CS1 - ZS1 = 0 - 6 = -6 (columna de S1)
CS2 - ZS2 = 0 - 0 = 0 (columna de S2)
CS3 - ZS3 = 0 - 0 = 0 (columna de S3)
Aquí se toma la primera decisión eligiendo la variable no básica que ingresara a la

base para mejorar el valor de la función objetivo (Z=480), en caso de maximización
estará determinada por elección del mayor valor de la fila de primera decisión Cj-
Zj=2, de la columna de X1 que mejorará la utilidad total. El mayor valor elegido (Cj-
Zj=2) identifica la columna pivotal y la variable (X1) que ingresa a la base con su
coeficiente (8) de la función objetivo y mejora el valor de Z, la columna de ratios R
(80, 8, 16) identifica la variable que sale de la base (S2) y la fila pivotal eligiendo el
menor ratio (8) positivo.. Columna y fila pivotal identifican al nuevo pivote (1.5) que
permitirá con los pasos de Gauss Jordan determinar la tercera solución.
1. En la ubicación del pivote (1.5) se ubica la unidad.
2. Todo semipivote de columna (0.5 y 1.5) se reducen a cero.
3. Los semipivotes de fila se dividen entre el pivote (0/1.5, 1/-1.5, 1/1.5, 0/1.5 y
12/1.5).
Para la fila de X2 (1, 0.5, 0, 0 y 40):
Para la fila de S3 (0, -0.5, 0, 1 y 24):
Ambos cálculos se aprecian en las filas (X2 y S3) de la tercera solución.
Tercera Solución
Para saber si esta tercera solución es la óptima debemos determinar los nuevos
ZX1 = 12(0) + 8(1)+0(0)=8 (columna de X1)

ZX2 = 12(1) + 8(0) + 0(0) = 12 (columna de X2)
ZS1 = 12(1) + 8(-1) + 0(0) = 4 (columna de S1)
ZS2 = 12(-0.33) + 8(0.66) + 0(-1) = 1.32 (columna de S2)
ZS3 = 12(0) + 8(0) +0(1)=0 (columna de S3)
ZB = 12(36) + 8(8) + 0(12) = 496 (columna de B) (valor de la
función objetivo)
Los resultados se muestran en la fila de Zj

CX1 - ZX1= 8 - 8 = 0 (columna de X1)

CX2 - ZX2 =12-12=0 (columna de X2)
CS1 - ZS1 = 0 - 4 = -4 (columna de S1)
CS2 - ZS2 = 0 – 1.32 = -1.32 (columna de S2)
CS3 - ZS3 = 0 -0=0 (columna de S3)
Los resultados se muestran en la fila de Cj-Zj

Observamos que las variables no básicas (S1 y S2) que pueden ingresar a la base
y generar nuevas soluciones son negativas, en consecuencia disminuyen el valor
de Z = 496 obtenido en la tercera solución por lo tanto ya no se puede mejorar el
valor de la utilidad total, nos encontramos en la solución óptima y se para el
proceso del Simplex cuando todos los beneficios netos Cj-Zj, son menores e igual a
cero.
La solución óptima esta dado por X1=8, X2=36, S1=0, S2=0, S3=12 y Zo=496.
VARIABLE DE EXCESO (SURPLUS, -Si)
Es aquella variable que se adiciona a cada restricción del tipo (≥), y en la función
objetivo dicha variable con coeficiente cero. Si el valor de la variable
es cero significa que se ha usado la cantidad mínima permitida, si por el contrario
es mayor a cero implica que se ha usado el recurso un excedente mayor al mínimo
permitido.
VARIABLE ARTIFICIAL (ARTIFICI AL, +Ai)
Una variable artificial es un artificio que aplica el simplex para convertir

inecuaciones "≥" en ecuaciones, la característica principal de estas variables es
que no deben formar parte de la solución, dado que no representan recursos
reales. El objetivo fundamental de usar estas variables es la formación de la matriz
identidad que hace posible que el simplex funcione, estas variables siempre se
suman a las restricciones y se agregan a la función objetivo dichas variables con
coeficiente +MAi si se trata de minimización o con coeficiente – MAi si se trata de
maximización, siendo M un valor muy grande muy poco atractivo para la función
objetivo. En el simplex la variable artificial se usa como artificio para generar
soluciones iniciales factibles.
PASOS A SEGUIR EN EL MÉTODO SIMPLEX (CASOS DE MINIMIZACIÓN)
Para la aplicación de minimización planteamos el siguiente problema:
El modelo matemático de minimización contempla lo siguiente:

Su modelo de programación lineal será:
Donde:
X1: Cantidad de raciones de Leche a consumir
X2: Cantidad de raciones de carne a consumir
Estandarizamos el modelo aplicando una variable de exceso y una variable artificial

por cada restricción y en la función objetivo las variables de exceso multiplicadas
por cero y las variables artificiales multiplicando por un coeficiente M dependiendo
del objetivo: +M (para minimización y –M (para maximización. Aplicando la variable
de exceso y artificial se tiene:
Aplicando los pasos del método simplex se obtiene los resultados que se muestran
en el cuadro.
Como se podrá observar se han seguido los mismos pasos que para el caso de
maximización, con la variante de la fila de primera decisión (Cj - Zj), en la cual se
opta por elegir el menor valor y en la determinación de la solución óptima que para
el caso de minimización se inclina por obtener en su fila de primera decisión
valores mayores o iguales que cero (Cj - Zj ≥ 0). Es necesario aclarar que para que
exista solución óptima cuando se hace uso de las variables artificiales, estas no
deben participar en la base (columna de Xk).
A continuación, desarrollaremos paso a paso el método simplex.
Primera Solución
La primera solución del simplex, es no ingerir ningún alimento, es decir no consumir

ningún alimento, entonces la solución inicial será:
X1=0, X2=0, S1=0, S2=0, S3=0 (variables no básicas, no están en la base y
siempre tomaran el valor cero), y A1=60, A2=26, A3=36 (variables básicas y se
muestran en las columnas Xk y B)
Para saber si esta solución inicial es la óptima debemos determinar los beneficios
ZX1 = 3M +M+M=5M (columna de X1)

ZX2 =2M+ M+2M=5M (columna de X2)
ZS1 =-M+0M+0M=-M (columna de S1)
ZS2 = 0M - M+0M = -M (columna de S2)
ZS3 = 0M +0M - M=-M (columna de S3)
ZA1=1M+0M+0M =M (columna de A1)
ZA2=0M+1M+0M= M (columna de A2)
ZA3=0M+0M+1M =M (columna de A3)
ZB = 60M + 26M + 36M = 104M (columna de B) (valor de la función objetivo)

CX1-ZX1 = 4 - 5M (columna de X1)

CX2-ZX2 = 1 - 5M (columna de X2)
CS1-ZS1 = 0 – (- M) = M (columna de S1)
CA1-ZA1=M-M= 0 CA2- (columna de A1)
ZA2=M-M= 0 CA3-ZA3=M- (columna de A2)
M= 0 (columna de A3)
Aquí se tomará la primera decisión eligiendo la variable no básica que ingresará a

la base para mejorar el valor de la función objetivo (Z=104M), en caso de
minimización estará determinada por elección del menor valor de la fila de primera
decisión Cj-Zj=1- 5M, de la columna de X2 que ofrece el menor valor es el elegido.
Para determinar que variable sale de la base se determinan los ratios (R = B/aij
elegido en primera decisión), asi para A1 (R=60/2=30), para A2 (26/1=26) y para
A3 (36/2=18), el menor valor resulta ser 18, por lo tanto la variable que sale de la
base es A3 y se procede generar la segunda solución el simplex.
El menor valor elegido (Cj-Zj=1-5M) identifica la columna pivotal y la variable que

ingresa a la base es (X2) con su coeficiente (1) de la función objetivo y mejorara el
valor de Z, la columna de ratios R (30, 26, 18) identifica la variable que sale de la
base (A3) y su fila pivotal eligiendo el menor ratio (18) positivo. Columna y fila
pivotal identifican al pivote (2) que permitirá con los pasos de Gauss Jordan
determinar la segunda solución.
2. Todo semipivote de columna (2 y 1) se reducen a cero.
3. Los semipivotes de fila se dividen entre el pivote (1/2, 0/2, 0/2, -1/2, 0/2, 0/2,
1/2 y 36/2).
Para la fila de A1 (3, -1, 0, 0, 1, 0, 0 y 60):
Para la fila de A2 (1, 0, -1, 0, 0, 1, 0 y 26):
Ambos cálculos se aprecian en las filas (A1 y A2) de la segunda solución.
Segunda Solución
Para saber si la segunda solución es la óptima debemos determinar los
ZX1 = 2M + 0.5M + 0.5*1 = 0.5 + 2.5M (columna de X1)

ZX2=0M+ 0M +1*1=1 (columna de X2)
ZS1 =-1M+0M +0*1=-M (columna de S1)
ZS2 = 0M - 1M +0*1=-M (columna de S2)
ZS3 = 1M + 0.5M - 0.5*1 = -0.5+1.5M (columna de S3)
ZA1=1M+0M+0*1= M (columna de A1)
ZA2=0M+1M+0*1= M (columna de A2)
ZA3 = -1M – 0.5M + 0.5*1= 0.5-1.5M (columna de A3)
ZB = 24M + 8M + 18*1 = 18+32M (columna de B) (valor de la
función objetivo)

CX1-ZX1 =4 - (0.5 + 2.5M) = 3.5-2.5M (columna de X1)

CX2-ZX2=1–1=0 (columna de X2)
CS1-ZS1=0–(-M)=M (columna de S1)
CS3-ZS3= 0 – (- 0.5+1.5M) = 0.5 – 1.5M (columna de S3)
CA1-ZA1=M-M= 0 (columna de A1)
CA3-ZA3 = M – (0.5- 1.5M) = -0.5 +2.5M (columna de A3)
Se toma la primera decisión eligiendo la variable no básica que ingresara a la base

para mejorar el valor de la función objetivo (Z=18+32M), en caso de minimización
estará determinada por elección del menor valor de la fila de primera decisión Cj-
Zj=3.5 – 2.5M, de la columna de X1 que ofrece el menor valor es el elegido. Para
determinar que variable sale de la base se determinan los ratios, así para A1
(R=24/2=12), para A2 (8/0.5=16) y para X2 (18/0.5=36), el menor valor resulta ser
12, por lo tanto la variable que sale de la base es A1 y se procede generar la
tercera solución el simplex.
El menor valor elegido (Cj-Zj=3.5-2.5M) identifica la columna pivotal y la variable

que ingresa a la base es (X1) con su coeficiente (4) de la función objetivo y
mejorara el valor de Z, la columna de ratios R (12, 16, 36) identifica la variable que
sale de la base (A1) y su fila pivotal eligiendo el menor ratio (12) positivo. Columna
y fila pivotal identifican al pivote (2) que permitirá con los pasos de Gauss Jordan
determinar la tercera solución.

2. Todo semipivote de columna (0.5 y 0.5) se reducen a cero.
3. Los semipivotes de fila se dividen entre el pivote (0/2, -1/2, 0/2, 1/2, 1/2, 0/2,
-1/2 y 24/2).
Para la fila de A2 (0, 0, -1, 0.5, 0, 1, -0.5 y 8):
Para la fila de X2 (1, 0, 0, -0.5, 0, 0, 0.5 y 18):
Ambos cálculos se aprecian en las filas (A2 y X2) de la tercera solución.
Tercera Solución
Para saber si la tercera solución es la óptima debemos determinar los beneficios

ZX1=4*1+M*0+1*0=4 (columna de X1)

ZX2=4*0+M*0+1*1=1 (columna de X2)
ZS1 = -0.5*4 + 0.25*M + 0.25*1 = -1.75+0.25M (columna de S1)
ZS2 = 0*4 - 1*M + 0*1 = -M (columna de S2)
ZS3 = 0.5*4 + 0.25*M - 0.75*1 = 1.25+0.25M (columna de S3)
ZA1 = 0.5*4 - 0.25*M - 0.25*1 = 1.75-0.25M (columna de A1)
ZA2 =4*0+M*1+1*0=M (columna de A2)
ZA3 = -0.5*4 - 0.25*M + 0.75*1 = -1.25-0.25M (columna de A3)
ZB = 4*12 + M*2 + 1*12 = 60+2M (columna de B) (valor de
la función objetivo)

CX1-ZX1 =4 - 4 = 0 (columna de X1)
CS1-ZS1= 0 – (-1.75+0.25M) = 1.72-0.25M (columna de S1)
CS3-ZS3= 0 – (1.25+0.25M) = -1.25 +0.25M (columna de S3)
CA1-ZA1 = M - (1.75-0.25M)=-1.75+1.25M (columna de A1)
CA3-ZA3 = M – (-1.25-0.25M) = 1.25 +1.25M (columna de A3)

para mejorar el valor de la función objetivo (Z=60+2M), en caso de minimización
Zj=-1.25-0.25M, de la columna de S3 que ofrece el menor valor y es el elegido.
Para determinar que variable sale de la base se determinan los ratios, así para X1
(R=12/0.5=24), para A2 (2/0.25=8) y para X2 se descarta por ser negativo, el
menor valor resulta ser 8, por lo tanto la variable que sale de la base es A2 y se
procede generar la cuarta solución el simplex.
El menor valor elegido (Cj-Zj=3.5-2.5M) identifica la columna pivotal y la variable

que ingresa a la base es (S3) con su coeficiente (0) de la función objetivo
mejorando el valor de Z, la columna de ratios R (24, 8, -) identifica la variable que
sale de la base (A2) y su fila pivotal eligiendo el menor ratio (8) positivo. Columna y
fila pivotal identifican al pivote (0.25) que permitirá con los pasos de Gauss Jordan
determinar la cuarta solución.
1. En la ubicación del pivote (0.25) se ubica la unidad.

2. Todo semipivote de columna (0.5 y -0.75) se reducen a cero.
3. Los semipivotes de fila se dividen entre el pivote (0/0.25, 0/0.25, 0.25/0.25, -
1/0.25, -0.25/0.25, 1/0.25, -0.25/0.25 y 2/0.25).
Para la fila de X1 (1, 0, -0.5, 0, 0.5, 0, -0.5 y 12):
Para la fila de X2 (0, 1, 0.25, 0, -0.25, 0, 0.75 y 12):

Ambos cálculos se aprecian en las filas (X1 y X2) de la cuarta solución.
Cuarta Solución
Para saber si la cuarta solución es la óptima debemos determinar los beneficios

ZX1 = 4*1 + 0*0 +1*0=4 (columna de X1)

ZX2=4*0+0*0+1*1=1 (columna de X2)
ZS1 = 4*(-1) + 0*1 +1*1=-3 (columna de S1)
ZS2 = 4*2 + 0*(-4) + 1*(-3) = 5 (columna de S2)
ZS3 = 4*0 + 0*1 +1*0=0 (columna de S3)
ZA1 = 4*1 + 0*(-1) + 1*(-1) = 3 (columna de A1)
ZA2 = 4*(-2) + 0*(4) + 1*(3) = -5 (columna de A2)
ZA3 = 4*0 + 0*(-1) + 1*0 = 0 (columna de A3)
ZB = 4*8 + 0*8 + 1*18 = 50 (columna de B) (valor de la función
objetivo)

CX1-ZX1 =4 - 4 = 0 (columna de X1)

CS1-ZS1=0–(-3)=3 (columna de S1)
CS2-ZS2=0–5=-5 (columna de S2)
CS3-ZS3=0–0=0 (columna de S3)
CA1-ZA1 = M -3 = M-3 (columna de A1)
CA2-ZA2 = M – (-5) = M+5 (columna de A2)
CA3-ZA3=M–0=0 (columna de A3)

para mejorar el valor de la función objetivo (Z=50), en caso de minimización
Zj=-5, de la columna de S2 que ofrece el menor valor y es el elegido. Para
determinar que variable sale de la base se determinan los ratios, así para X1
(R=8/2=4), para S3 y X2 se descartan ambos por ser negativos, el menor y único
valor resulta ser 4, por lo tanto la variable que sale de la base es X1 y se procede
generar la quinta solución el simplex.
El menor valor elegido (Cj-Zj=-5) identifica la columna pivotal y la variable que

ingresa a la base es (S2) con su coeficiente (0) de la función objetivo mejorando el
valor de Z, la columna de ratios R (4, -, -) identifica la variable que sale de la base
(X1) y su fila pivotal eligiendo el menor ratio (4) positivo. Columna y fila pivotal
identifican al pivote (2) que permitirá con los pasos de Gauss Jordan determinar la
quinta solución.

2. Todo semipivote de columna (-4 y -3) se reducen a cero.
3. Los semipivotes de fila se dividen entre el pivote (1/2, 0/2, -1/2, 0/2, 1/2, -
2/2, 0/2 y 8/2).
Para la fila de S3 (0, 0, 1, 1, -1, 4, -1 y 8):
Para la fila de X2 (0, 1, 1, 0, -1, 3, 0 y 18):
Ambos cálculos se aprecian en las filas (S3 y X2) de la quinta solución.
Quinta Solución
Para saber si la quinta solución es la óptima debemos determinar los beneficios
ZX1 = 0*0.5 + 0*2 + 1*1.5 = 1.5 (columna de X1)

ZX2=0*0+0*0+1*1=1 (columna de X2)
ZS1 = 0*(-0.5) + 0*(-1) + 1*(-0.5) = -0.5 (columna de S1)
ZS2 = 0*1 +0*0+1*0=0 (columna de S2)
ZS3 = 0*0 +0*1+1*0=0 (columna de S3)
ZA1 = 0*(0.5) + 0*(1) + 1*(0.5) = 0.5 (columna de A1)
ZA2 = 0*(-1) + 0*0 + 1*0 = 0 (columna de A2)
ZA3 = 0*0 + 0*(-1) + 1*0 = 0 (columna de A3)
ZB = 0*4 + 0*24 + 1*30 = 30 (columna de B) (valor de la
función objetivo)
CX1-ZX1 =4 – 1.5 = 2.5 (columna de X1)

CS1-ZS1= 0 – (-0.5) = 0.5 (columna de S1)
CA1-ZA1 = M -0.5 = M-0.5 (columna de A1)
CA2-ZA2=M–0= M (columna de A2)
CA3-ZA3=M–0=M (columna de A3)

para mejorar el valor de la función objetivo (Z=30), en solución no existe un valor
de fila de primera decisión Cj-Zj, que sea negativo y permita mejorar el valor de Z,
como todos los valores Cj-Zj son mayores e iguales a cero se ha llegado a la
solución óptima donde X 1=0,X2=30, S1=0, S2=4, S3=24, A1=0, A2=0, A3=0 y
Z=30, se finaliza el proceso simplex. .
Es necesario recalcar que se aplica variables artificiales (Ai) solamente en

restricciones del tipo “igual que (=)” y para restricciones del tipo “mayor o igual que
(>)”. El uso de las variables de holgura, exceso y artificiales se resumen en la
siguiente tabla:
Habiéndose desarrollado los casos de maximización y minimización, podemos
resumir que existen dos formas para cada caso de encontrar la solución óptima,
que estará dado por el siguiente resumen:
PARA MAXIMIZACION
FORMA I:
FORMA II:
PAR A MINIMIZ ACION
FORMA I:
FORMA II:
Se puede observar que la segunda decisión permanece inalterable para ambas

formas y para los casos de maximización y minimización.
CASOS ESPECIALES EN EL MÉTODO SIMPLEX
Existen casos que se pueden presentar durante el proceso de solución, situaciones

complicadas de resultados poco usuales. En su mayor parte, estos resultados no
complican la utilización de la mecánica del simplex pero es un indicativo de que se
está en uno de los casos especiales que veremos a continuación.
SOLUCIONES ÓPTIMAS MULTIPLES
Consideremos el siguiente ejemplo:

En la gráfica observamos que la función objetivo (Z) se superpone a la restricción
(R2), porque que tienen las mismas pendientes, generando soluciones óptimas
múltiples entre los puntos 3 y 5.
Aplicando el método simplex:
Se observa que la primera solución óptima estará representada por:

La segunda solución óptima o el segundo punto extremo resulta estar representado
por el vector:
Ambas soluciones admiten el mismo valor óptimo (Z = 36). Por lo tanto cualquier
combinación lineal de los vectores también es óptimo y es representado por la
relación:
Si reemplazamos cualquier valor de (u) en la expresión anterior permitirá obtener

soluciones óptimas con valor Z = 36.
Para identificar que se está incurriendo en un caso de soluciones óptimas múltiples

bastará cerciorarse de que en la fila de primera decisión (Cj-Zj) exista un valor nulo
o cero dentro de una de las columnas de variables no básicas; por ejemplo, en la
primera solución óptima se ubica en el valor cero, en la columna de la variable no
básica X1 y en la segunda solución en la columna de la variable no básica S1.
PROBLEMAS SIN SOLUCIÓN
Consideremos el siguiente modelo matemático:
Gráficamente se presenta de la forma siguiente:

El problema no tiene solución, porque las restricciones no generan algún punto
factible. En el simplex identificamos cuando un problema no tiene solución de la
forma siguiente:
En el cuadro anterior se puede apreciar en la tabla del simplex que aparentemente

se ha llegado a la solución óptima, dado que todos los valores (C1-Zj ) son menores
e iguales a cero. Pero sucede que en la base existe una variable artificial (A1 = 2),
esto identifica que el problema no tiene solución dado que en situaciones reales no
existen 2 unidades de A1.
SOLUCIONES NO ACOTAD AS
Consideremos el siguiente modelo matemático:

Aplicando el simplex
Las soluciones no acotadas se reconocen cuando en un momento determinado nos

encontramos que en la columna de ratios o de segunda decisión (R) son definidas
por valores negativos. En nuestro caso podemos observar que al identificar el
mayor valor (Cj-Zj = 4), en la columna de X1, solo existen valores negativos (-2 y -
1) y al determinar sus ratios ambos se descartan por ser negativos.
CUANDO NO SATISFACEN LA CONDICION DE NO NEGATIVIDAD.
Estos casos se presentan cuando las restricciones estructurales no satisfacen las

restricciones de no negatividad; es decir, cuando la región factible se ubica en un
cuadrante distinto del primero cuyos valores son positivos; por ejemplo:
En la figura se observa que cualquier punto de la región generada por las

restricciones R1 y R2 no satisface con condiciones de no negatividad del problema.
Aplicando el método simplex tenemos:
• Primero observamos, que no es posible determinar la variable (S1, S2) que

sale de la base, dado que sus ratios R son (R1=-2/1=-2, R2=-2/2=-) son
negativos y son descartados de la columna R que solo pueden tomar valores
mayores e iguales a cero.
• Segundo la solución en esta iteración seria: S1 = -2, S2 = -2, X1=0, X2=0 y
Z=0, no cumpliendo con la condición de factibilidad del simplex, donde todas
las variables deben tomar mayores e iguales a cero, en consecuencia el
problema no tiene solución porque no satisfacen la condición de no
negatividad.
RESTRICCIÓN REDUNDANTE
Se presenta este caso cuando existe una restricción con pendiente igual a otra o
cuando una o más restricciones no afectan la solución del problema, en
consecuencia serian redundantes en el modelo, ya que si no la consideramos la
solución óptima se mantiene, por ejemplo:

En la gráfica podemos observar que si no tomamos en consideración a la
restricción (R2: 3X1 + 3X2 ≤ 150), la solución óptima no cambia se mantiene en el
punto 7(12,4).
Aplicando el método simplex, obtenemos la solución óptima:
La solución óptima del modelo es X1=12, X2=24, S1=0, S2=42, S3=0 y Z=432. En
el método grafico se demostró que si prescindimos de la restricción (R2: 3X1 + 3X2
≤ 150) la solución óptima se mantiene, en consideración a ello aplicaremos el
método simplex, el siguiente modelo:
Aplicando el método simplex, obtenemos la solución óptima:
La solución óptima del modelo es X1=12, X2=24, S1=0, S2= y Z= 432,

demostrando que la restricción (R2: 3X1 + 3X2 ≤ 150) es redundante, por mantener
la misma solución óptima.
PROBLEMA DE MINIMIZACION
Este tipo de problemas se presentan cuando se trata de minimizar una función

objetivo y la solución óptima se encuentra en el origen de las coordenadas X1 y X2;
es decir, el punto (0,0) con una función objetivo mínima igual a cero, en este caso
es necesario la reformulación del modelo. Como se puede ver gráficamente:
Aplicando el método simplex, el resultado es el siguiente:
Se puede apreciar que en la primera iteración se obtiene la solución óptima en el

modelo de minimización, con resultados nulos en todos sus aspectos, dado que su
solución óptima seria, X1=0, X2=0, S1=0, S2=0, S3=3 y Z=0. Si consideramos que
el modelo se trata de producir dos productos (X1, X2) con la disponibilidad de
recursos (R1=80, R2=132, R3=64), la solución implicaría que no se usen los
recursos, por lo tanto no se produzcan los productos, esto va en contra de los
objetivos de la empresa que es producir con los recursos disponibles, en
consecuencia el modelo está mal planteado, siendo necesario se reformulación
para obtener los resultados adecuados.
MÉTODO SIMPLEX DE LAS DOS FASES
Cuando en una restricción se usa una variable artificial (Ai), en la función objetivo
se usa dicha variable artificial con coeficiente (MAi) en minimización y (-MAi) en
maximización, siendo M un valor muy grande que tiende a infinito. El simplex lo usa
como un artificio la variable artificial para generar una solución inicial factible y si el
problema tiene solución en la solución final u óptima las variables artificiales se
igualan a cero. Para evitar usar la M grande, se diseñó el Método de las dos fases.
Fase I
Cualquiera que sea el objetivo (maximizar o minimizar) del problema, se minimizan
solo la suma de todas las variables Artificiales como función objetivo, usadas en el
problema, realizándose un conjunto de iteraciones hasta lograr que las variables
artificiales se anulen y por consiguiente el valor de Z = 0, luego se procede con la
fase II. Si en la primera fase Z es diferente de cero, el problema no tiene solución.
Fase II
Usamos la solución de la fase I como solución inicial factible de la fase II usando la
función objetivo estandarizada de las variables de decisión, teniendo en cuenta que
las variables Artificiales son iguales a cero, se eliminan del esquema del simplex de
la fase I las columnas de las variables artificiales y se procede con las iteraciones
de la fase II.
Aplicación
Aplicando la variable de exceso y artificial se tiene:
FASE 1
En la fase I, siempre se minimizará la suma de todas las variables artificiales que
tenga el problema. A continuación procedemos a solucionar el problema planteado,
usando el método simplex, los resultados son los siguientes:
En la solución observamos que las variables artificiales no están en la base, por
ende son no básicas y toman el valor igual a cero, así como el valor de su función
objetivo (Z=0).
FASE II
En la segunda fase no aparecen os coeficientes M, ya que han salido de la base
las variables artificiales, y han tomado valores iguales a cero. La solución al nuevo
problema se halla mediante el método simplex. Así:
Solución:
X1=4,X2=0,S1=6,S2=0,A1=A2=0,Z=8
Método de dos Fases (Segundo ejemplo)
Para resolver el modelo utilizamos el método simplex, el cual permitirá obtener la

solución óptima del modelo.
Ejemplo:
Para la conversión del sistema de inecuaciones en ecuaciones, en una primera

etapa agregamos variable de exceso (S1 y S2) a cada restricción y en la función
objetivo adicionamos dichas variables con coeficiente cero, quedando el sistema de
ecuaciones de la siguiente forma:
Este sistema permite una solución inicial (X1=0, X2=0, S1=-6 y S2=-4), solución no
permitida, para generar una solución inicial factible el simplex realiza un artificio,
introduciendo variables artificiales (A1 y A2) para cada restricción y en la función
objetivo dichas variables con coeficientes (+M) para minimización como en nuestro
caso y (-M) para maximización, donde M representa un número positivo muy
grande considerado un coeficiente prohibitivo en la función objetivo, pero permite
general una solución inicial irreal en una primera etapa, y el proceso del simplex, en
cada iteración saldrá de la base una variable artificial.
El sistema de ecuaciones después de aumentar las variables artificiales:
Las podemos considerar como un sistema de ecuaciones, de la forma siguiente:
Para poder resolver este problema Lineal que cuenta con dos variables artificiales,
se debe de hacer uso del Método de Dos Fases, e l cual perm itirá obtener
soluciones básicas factibles.
FASE I
Implica reducir a cero las variables artificiales, en la solución inicial participan en la

base las variables artificiales, para reducir a cero es necesario sacar las variables
artificiales de la base a través de un conjunto de iteraciones, pero en la tabla
podemos observar al inicio en la fila de Z y columnas de A1 y A2 los valores de (-
M), no es apropiado que en dichas columnas aparezcan valores diferentes de cero.
Por lo antes de empezar el simplex reducir los valores (-M) de las variables
artificiales a cero, como se muestra en la tabla del simplex, donde a la fila A1
multiplicamos por (M) y lo sumamos al nuevo Z, de igual forma fila A2
multiplicamos por (M) y lo sumamos al nuevo Z obteniéndose los resultados en la
fila del nuevo Z y en la columnas A1 y A2 iguales a cero que se muestran en el
tablero simplex. En el primer tablero tenemos la solución inicial e irreal (X1=0,
X2=0, S1=0, S2=0, A1=6, A2=4 y Z=10M) dado que A1 y A2 no existen.
Ahora nos encontramos en condiciones de aplicar el método simplex por el proceso
de Gauss Jordan. En la primera iteración del simplex, sale la variable A1 e ingresa
la variable X1, generando la segunda solución también irreal (X1=0, X2=2, S1=0,
S2=0, A1=0, A2=2 y Z=2M+4) dado que A2 no existe. Pasamos a la segunda
iteración del simplex, sale la variable A2 e ingresa la variable X2, generando la
tercera solución en este caso real (X1=1, X2=3, S1=0, S2=0, A1=0, A2=0 y Z=11)
encontrándose la primera solución real se termina la fase I dado que A1=0, A2=0,
se han reducido a cero, se eliminan las columnas A1 y A2 del tablero simplex.
FASE II
La iniciamos en el campo de soluciones reales, continuando con la siguiente

iteración dado que el valor de la función objetivo (Z=11) se puede mejorar
ingresando la variable S1 y saliendo la variable X 2, generando la cuarta solución
en este caso real (X1=4, X2=0, S1=6, S2=0, A1=0, A2=0 y Z=8) constituyendo la
solución óptima dado que todos los valores de Z son menores e iguales a cero para
nuestro caso de minimización. Para maximización la solución óptima se obtiene
cuando todos los valores de Z son mayores e iguales a cero.
MODELO DUAL
El problema dual juega un rol muy importante dentro de los modelos de

programación lineal, parte de la premisa fundamental de que todo problema
original (primal) tiene su propio problema dual. Este tipo de característica lo
podemos observar en el transcurso de nuestra rutina diaria, por ejemplo
en una transacción económica existe la dualidad entre un comprador y un vendedor
con el objetivo de comprar o vender un mismo producto a igual costo y precio; en
un partido de fútbol por lo general existe un ganador y un
perdedor que ganan o pierden con el mismo marcador; y así podríamos seguir
enumerando infinidad de ejemplos que muestren el efecto de la dualidad para un
mismo objetivo.
Este tipo de características también se presentan en los modelos matemáticos, y el

término dualidad puede ser definido como una propiedad matemática que
determina que todo modelo de programación lineal original o primal tenga asociado
otro modelo de programación lineal denominado dual.
Existe una correspondencia muy sintomática entre los dos problemas; de tal forma
que el problema dual puede ser considerado como problema primal;
correspondiente al otro el problema dual.
Si damos solución a un problema primal, podemos a partir de su solución final

encontrar la solución final del dual. El problema o modelo dual lo usamos
solamente cuando solucionar un problema primal es bastante complejo y resulta
que su modelo dual es sencillo y resulta mejor dar solución a su modelo dual y por
relación entre sus variables determinar la solución compleja del primal, ello implica
invertir menor tiempo en su solución.
En el presente capítulo analizaremos las relaciones matemáticas que existen entre

los modelos primal y dual; así como la importancia que establece su aplicación.
FORMA GENERAL
PROBLEMA PRIMAL
El modelo primal del modelo general que se presenta esta minimizando una
variable Z; presenta “m” restricciones en el primal (R1p...Rmp) y cada restricción
genera una variable dual (VD) conformada por (Y1..Ym), por otra parte el primal
contiene “n” variables de decisión (X1..Xn) y el primal presenta “m” mínimos
recursos (B1..Bm). Con todos estos elementos generamos el modelo dual.
PROBLEMA DU AL
El dual hace todo lo contrario del primal, si el primal minimiza el dual maximiza y
viceversa, la función objetivo del dual (FOD) es generada por los valores de los
recursos del primal (B1..Bm) multiplicado por su correspondiente variable dual
(Y1..Ym), las restricciones del dual (R1D..RmD) son determinadas por los
coeficientes “aij” de un variable de decisión Xj multiplicado por su correspondiente
variable dual Yi, el tipo de restricción del dual, como el primal todos son “≥” en el
dual todos serán “≤ y viceversa y por último el lado derecho de las restricciones del
dual se completan con los valores de los coeficientes de la función objetivo del
primal (C1..Cn), como se aprecia en el modelo dual:
B. FORMA M ATRICI AL
El modelo puede presentarse de forma matricial:
PROBLEMA PRIM AL
1. FUNCIÓN OBJETIVO
2. RESTRICCIONES ESTRUCTURALES
3. RESTRICCIONES DE NO NEGATIVIDAD
PROBLEMA DU AL
1. FUNCIÓN OBJETIVO
2. RESTRICCIONES ESTRUCTURALES
3. RESTRICCIONES DE NO NEGATIVIDAD
Generalmente los problemas de programación lineal están expuestas a maximizar

o (minimizar) una función objetivo lineal con “n” variables de decisión o incógnitas
del modelo (X1, X2,..,Xn), las cuales están sujetas a un conjunto de “m”
restricciones estructurales igualmente lineales. De igual forma el dual en
contrapartida tendrá una función objetivo destinada a minimizarse o (maximizarse)
con “m” variables de decisión (Y1, Y2,.,Ym), el cual estará sujeto a “n” restricciones
igualmente lineales. Todo esto se muestra en su forma generalizada y matricial de
presentar el modelo matemático.
La forma de presentar el modelo prima y dual; se observan las siguientes

características:
1. La función objetivo del primal en su forma matricial

está dado por
(CX); las restricciones del dual se representan por (ATY ≥ CT); y como C es un
vector de “n” columnas tendrá “n” variables de decisión y su dual
por correspondencia tendrá “n” restricciones estructurales. Por lo tanto a cada
variable de decisión en el primal le corresponde una restricción en el dual.
2. Como b es un vector de “m” elementos; luego el problema primal estará

conformado por “m” restricciones; mientras que el dual estará conformado por “m”
variables de decisión o variables duales. Por lo tanto a cada restricción del primal le
corresponderá una variable del dual.
3. Si en el primal se opta por maximizar la función objetivo, en el dual se opta por

minimizar otra función objetivo y viceversa.
4. El comportamiento del vector C o coeficientes de la función objetivo del primal,

le corresponde el mismo vector b o recurso del dual y viceversa.
5. A todo problema primal le corresponde un problema dual; y a todo problema dual

le corresponde un problema primal.
6. El problema primal utiliza los elementos de la matriz A; mientras que

el dual en contrapartida hace uso del matriz transpuesta de AT. Algunas de las
características descritas anteriormente podemos resumirlas en el siguiente cuadro:
Solo se debe aplicar el Dual cuando la solución del primal es complicada y para
solucionar el primal se necesita de mayor tiempo que si solucionamos mediante el
dual, ya que por relación de variables podemos determinar la solución óptima del
primal.
7. Si las restricciones del primal tienen sentido (≥), el dual tendrá sentido (≤) y
viceversa.
FORMAS DE PRESENTACIÓN DEL MODELO DUAL
La forma como se presentan los modelos es muy importante, porque será

necesario de hacer uso de ciertas propiedades o reglas de transformación del
primal dual para lo cual a continuación resumiremos las diferentes formas
de presentación de ambos problemas. Debemos aclarar que en alguna de sus
formas, los resultados de sus variables de decisión pueden admitir valores no
positivos (variables sin restricciones de signos); resultando por lo tanto no
aplicativos a modelos de programación lineal porque violan la condición de no
negatividad.
Como explicamos anteriormente existen diversas formas de presentación de los
modelos de programación lineal (primal), esto trae como consecuencia que de ello
se derive a su vez su asociada de su forma dual en diferentes formas de
presentación, los cuales se resumen en el siguiente cuadro.
VARIACIONES DE RESTRICCIONES EN EL PROBLEMA PRIMAL DUAL
Antes de proceder a la aplicación de las formas de representación y su respectiva

forma primal dual que el cuadro ofrece, será necesario la uniformidad del sentido
de las restricciones, si todas las restricciones del primal (dual) son del tipo (≤)
“menor o igual que”, (=) “igual que” o (≥) “mayor o igual dual”. Por esta
particularidad de presentación de las restricciones es que se genera dos tipos de
variaciones, la primera cuando existe por lo menos una restricción de sentido
opuesto y la segunda cuando por lo menos una o más restricciones son del tipo
“igual que” en cuyo caso procedemos a uniformizar las restricciones del modelo
matemático. Para la uniformización de las restricciones se recomienda que si la
función objetivo es de maximización las restricciones se ordenen todas del tipo (≤)
y si la función objetivo es de minimización las restricciones se ordenen todas del
tipo (≥).
RESTRICCIONES DE SENTIDOS OPUESTOS
Para uniformizar las restricciones de este caso se procede a multiplicar por (-1) a
la(s) desigualdad(es) de sentido opuesto que permitan una sencilla aplicación de
las relaciones del primal dual del cuadro al haberse cambiado el sentido del signo
de la(s) variable(s) afectada(s), ejemplo
La segunda restricción ha sido multiplicada por (-1) obteniéndose restricciones de

un solo tipo que permitirá la transformación del problema dual.
RESTRICCIONES DEL TIPO “IGUAL QUE”
Existen dos formas de trata estos tipos de restricciones; las que veremos a
continuación:
a. Método de Sustitución.-
En este caso la restricción que está precedida por una igualdad, se resuelve para
una variable determinada y su valor es sustituido en todo el sistema. Consideremos
el siguiente grupo de restricciones:
De la tercera restricción determinamos o despejamos el valor de X1, luego:
Sustituyendo el valor de X1 en todas las demás restricciones (incluyendo la función

objetivo) se tienen las siguientes restricciones:
b. División de la restricción.-
Una restricción del tipo “igual que” puede ser desdoblada en dos desigualdades
similares pero de sentido opuestos. Ejemplos:
La primera ecuación puede ser desdoblada en las siguientes dos inecuaciones:
Luego multiplicamos por (-1) una de las inecuaciones y uniformando el sentido de

las inecuaciones, obtendremos el siguiente sistema de inecuaciones.
REGLAS DE TRANSFORMACIÓN PRIMAL DUAL
Donde: s.r. (Sin restricción de signo)
APLICACIONES DE REGLAS DE TR ANSFORMACIÓN PRIMAL DUAL
A continuación realizaremos algunos ejemplos con la finalidad de aplicar las reglas

que se dan en la transformación primal dual de manera general. Ejemplo 1:
Problema Primal
Problema Dual
Ejemplo 2:
Primal
Dual
TEOREMAS DE LOS MODELOS PRIMA Y DUAL
TEOREMA 1
Los teoremas que mencionaremos a continuación están referidos a modelos

matemáticos de la forma:
Problema Primal
Problema Dual
El primer teorema se sustenta en que si X e Y son soluciones factibles para los

problemas primal y dual correspondiente, entonces:
TEOREMA 2:
Dado los problemas primal y dual, únicamente uno y solo uno de los siguientes
casos puede ocurrir:
a. El problema primal y el problema dual tienen soluciones óptimas y sus funciones
objetivos óptimas son iguales, es decir si Xo, es óptimo para el problema primal, y
Yo es óptimo para el problema dual entonces:
b. Si el problema dual no tiene soluciones factibles y el problema dual tiene al
menos una, entonces el dual tiene una solución no acotada y viceversa, si el
problema dual no tiene soluciones factibles y el problema primal tiene al menos
una, entonces, el problema primal tiene una solución no acotada.
c. Que ambos problemas no tengan solución.
TEOREMA 3
El dual del dual genera el primal.
TEOREMA 4
Dado los modelos matemáticos de la forma
Problema Primal
Problema Dual
Una condición necesaria y suficiente para X e Y sean óptimas en el primal y dual

es:
TEOREMA 5
Dado el primal y su correspondiente dual, se tendrán las siguientes implicaciones:
TEOREMA 6
Dado el primal y su correspondiente dual con soluciones factibles, entonces existen

soluciones óptimas X e Y tal que:
RELACIONES ENTRE LAS VARIABLES DEL PRIMAL Y DUAL
Relación entre sus variables de decisión, holgura y exceso

Entre el problema primal y su correspondiente problema dual existe una relación
muy importante entre sus variables de decisión, holgura y exceso, no participan las
variables artificiales porque no permiten encontrar soluciones reales. En principio si
encontramos la solución óptima del primal (dual) por relación entre sus variables
podemos determinar la solución óptima del dual (primal).
Se sabe que el número máximo de variables de holgura (Si) o exceso (S'i) en un
problema dual será “n”, es decir una por cada restricción, así tendremos las
relaciones siguientes:
Estas relaciones entre el primal y dual representan la relación entre variables

básicas del primal (variables de decisión Xj, variables de holgura Si o variables de
exceso S'i) con variables no básicas del dual (variables de decisión Xj, variables de
holgura Si o variables de exceso S'i) y viceversa; esta relación la identificamos en
la solución óptima del simplex del primal (dual) y su dual (primal) correspondiente
entre las variables básicas (VB) y no básicas (VNB) de ambos problemas. Para
identificar las relaciones, bastará recordar que una variable básica (VB) es aquella
que se encuentra ubicada en la columna de las variables de solución (Xk) estando
precedidas de vector unitario positivo y las variables no básicas (VNB) aquellas
variables que no se encuentran en la base. Para comprobar mejor la relación que
existe entre los valores de las variables del primal y dual nos ayudaremos de los
esquemas de las soluciones óptimas de los problemas primal y dual que se
presenta en la siguiente tabla:
Los valores correspondientes a las variables de solución del primal y dual se dan:
a. Si se tiene la solución óptima del primal y se quiere determinar la solución óptima
del dual; se sigue los siguientes pasos:
1. En el primal se identifican las variables básicas (VB) y sus correspondientes

valores (en las columnas Xk y B, luego se establece su relación con las variables no
básicas (VNB) del dual y sus valores son ubicados en la fila de primera decisión (Cj-
Gj) del dual. Por ejemplo si X2 = 5 (VB del primal) su relación se dará con la variable
no básica del dual S'2 y el valor 5 será ubicado en la fila de primera decisión (Cj-
Gj=5) a la altura de la columna de S'2 de la VNB del dual. para completar los otros
valores dual se siguen idénticos pasos.
2. En el primal se identifican las variables no básicas (VNB) y sus

correspondientes valores en su respectiva columna y en la fila de primera decisión
(Cj-Gj), luego la VNB es relacionada con la VB del dual y los valores antes
mencionados son ubicados en la base del dual (Yk, B) así generamos la solución
óptima del dual. Por ejemplo, si en el primal se tuviera por BNV a S1 y en su fila de
primera decisión se tiene el valor de (Cj-Gj=30), entonces en la base del dual
aparecerá Y1 con el mismo valor 30; del mismo modo procedemos con los otros
valores de las VNB del primal.
b. Si se parte de la solución óptima del dual y se quiere determinar la solución

óptima del primal se seguirán los mismos pasos anteriormente descritos.
Relación entre los valores o coeficientes tecnológicos (aij) del primal y dual
Para generar la tabla del simplex Primal dual, los valores aij del primal (dual) y aij
del dual (primal) se relacionan del modo siguiente: si se parte de la solución óptima
del primal (dual).
1. Se identifica el valor aij que será trasladado del problema primal (dual) al
problema dual (primal).
2. En el primal (dual), el aij identifica en su columna una variable no básica (VNB)
y en su fila una variable básica VB respectivamente.
3. Ambas variables identificadas en el paso anterior del primal (dual) son
relacionados con sus respectivas variables del dual (primal).
4. En la fila de la VB del dual (primal) y columna de la VNB del dual (primal)
identificados en el paso anterior se ubica el valor de aij del paso 1, pero con signo
cambiado; siendo éste el valor correspondiente aij del dual (primal).
Si se parte de la solución dual (primal) se sigue el mismo procedimiento.
Gráficamente podemos representar los pasos descritos del modo siguiente:

APLICACIÓN
Para ver como aplicamos las relaciones de las variables y los valores de los
elementos aij en las soluciones óptimas del primal y dual, partamos del siguiente
modelo matemático.
Primal:
Primal Estandarizado:
Solucionando el primal, cada iteración del simplex estaría compuesto de cinco filas
(cinco restricciones) y trece columnas (dos variables de decisión, cinco variable de
exceso, cinco variables artificiales y la columna de B), en total en cada iteración se
tendrían 65 elementos, para encontrar la solución óptima se tendrían que realizar
como mínimo cinco iteraciones, lo que representa realizar 325 operaciones como
mínimo, en el siguiente gráfico mostramos la solución inicial del simplex.
Solución inicial del primal por el simplex

Dual:
Dual Estandarizado
Solución inicial del dual por el simplex
Si solucionamos el dual aplicando el método simplex, en cada iteración se tendrían

dos filas (dos restricciones) y ocho columnas (cinco variables de decisión, dos
variables de holgura y la columna de B), en total en cada iteración se tendrían 16
elementos, para la solución óptima se tendrían que realizar por lo general como
máximo dos iteraciones, lo que representa realizar 32 operaciones como máximo,
comparando con la solución del primal es lógico que para este caso es más fácil
obtener la solución del dual y por relación entre sus variables determinar la solución
del primal. El dual se aplica solamente cuando el primal se manifiesta como un
modelo complejo como en nuestro caso. Por ejemplo, si tuviéramos un primal
estandarizado de dos restricciones y ocho columnas y su dual de cinco
restricciones y trece columnas, en este caso no se aplicaría el dual. En conclusión
para nuestro ejemplo, sin discusión aplicaríamos el dual, siendo la relación entre
sus variables:
Aplicando el método simplex al dual encontramos la siguiente solución óptima del
dual:
A continuación demostraremos paso a paso como se ha obtenido la solución

óptima del primal por relación entre sus variables con el dual.
Relación entre sus variables de decisión, holgura y exceso
En el modelo estandarizado el dual está compuesto por cinco variables de decisión

(Y1, Y2, Y3, Y4, Y5) y dos variables de holgura (S’1, S’2), mientras que el primal
queda definido por dos variables de decisión (X1, X2) y cinco variables de exceso
(S1, S2, S3, S4, S5). En este caso empezamos solucionando el modelo dual y por
relaciones entre sus variables encontramos la solución óptima de su
correspondiente dual. Como se podrá observar en la solución óptima del dual, los
valores de la fila de primera decisión (Cj-Gj) de las variables no básicas (VNB) del
dual definidas por Y1, Y2, Y5, S’1 y S’2 cuyos valores son -16, - 23, -31, -9 y -8
respectivamente; dichas variables tienen relación directa con las variables básicas
(VB) del primal S1, S2, S5, X1 y X2 respectivamente por lo que sus valores
absolutos (16, 23, 31, 9 y 8) respectivos serán ubicados en la base (Xk, B) a la
altura de la fila que corresponda a dicha variable en la base, de acuerdo a la
relación entre sus variables. De esta forma determinamos la solución óptima del
primal (X1=9, X2=8, S1=16, S2=23, S3=0,
S4=0, S5=31y Z=210).
Esta primera relación genera la tabla siguiente:
Relación entre los valores aij del primal y dual
Para completar la tabla del simplex Primal dado que se tiene la solución óptima del
dual, los valores aij del dual se relacionan con los aij del primal del modo siguiente:
Para las variables básicas del primal
Toda variable que esta en la base S1, S2, S5, X1 y X2 (VB) son precedidas por
vector unitario positivo luego los aij en cada columna de la variable estaría
conformada por su correspondiente vector unitario, siendo el valor uno quien define
la fila en la base, del modo siguiente:
Para las variables no básicas del primal
Teniendo en cuenta que cada valor aij del dual identifican en cada fila un variable
básica (VB) y en su columna identifica una variable no básica, dichas variables se
relacionan con una variable no básica (VNB) y una variable básica (VB) del primal,
identificados las variables del primal, en la ubicación de la columna de su (VNB) y
en la fila de la (VB) del primal se ubica el valor aij con signo cambiado en el primal.
Se sigue la siguiente relación:
Aplicación al valor aij=3 del dual, de la fila Y4 (VB) y columna Y5 (VNB) de su
solución óptima:
El aij=3, del dual en su fila identifica la VB(Y4) que se relaciona con la VNB(S4) del
primal, por otra parte el dual en su columna identifica la VNB(Y5) que se relaciona
con la VB(S5) del primal, luego en la ubicación de la VNB(S4) y fila de la VB(S5)
del primal se da el valor con signo cambiado de aij=-3, el mismo proceso se aplica
con todos los aij faltantes hasta completar el tablero del simplex.
Toda variable básica del primal o dual identifica una fila y toda variable no básica
del primal o dual se identifica en una columna, siempre a una variable básica primal
(dual) le corresponderá una variable no básica del dual (primal), aplicando esas
relaciones completamos el tablero del simplex en el óptimo con los resultados
siguientes:
Presentamos un ejemplo del traslado de aij del dual al primal
El 1 de la fila Y3, y columna Y1 del dual, se ubica en la fila S1 y columna S3 del

primal con signo cambiado.
El 1 de la fila Y3, y columna S'1 del dual, se ubica en la fila X1 y columna S3 del
Otro ejemplo:
Trasladar el aij = 3 del dual al primal:
De igual modo para la variable Y4 del dual:

Ambos procesos trasladamos al simplex y completamos el tablero de la solución
óptima del simplex.
INTERPRETACIÓN ECONÓMICA DEL MODELO DU AL
Es muy importante la interpretación económica que se le dé al problema dual, dado

que parte del diseño económico de un problema original o primal que se supone
son conocidas las unidades de los datos y de las variables que participan en el
modelo inicial y como el dual es consecuencia del modelo primal con los datos
originales transpuestos, debemos de interpretar pues como se manifiestan los
mencionados datos del primal y su simétrico del dual. Ilustraremos la interpretación
económica del dual sujetándonos al modelo matemático propuesto anteriormente
que a su tenor dice:
Una empresa produce sillas y mesas, para producir una silla necesita de 1m2 de
madera, 3 horas hombres y 2 metros de tubería, para producir una mesa necesita
de 2m2 de madera, 3 horas hombres y 1metro de tubería. La utilidad que reporta
una silla es de 8 dólares y una mesa reporta de utilidad 12 dólares. Si se dispone
de 80 m2 de madera, 132 horas hombres y 64 metros de tubería. ¿Cuántas sillas y
mesas deben producirse a fin de maximizar las utilidades?
Resumiendo datos tendremos:
Su modelo de programación lineal será:
Donde: X1: Número de sillas a Fabricar

Con los datos del cuadro construimos el modelo matemático del primal y le
asociamos su problema dual, que son definidos por:
PROBLEMA PRIMAL
Analicemos las unidades y variables del modelo matemático primal, en el problema

la empresa desea maximizar sus utilidades según la función objetivo:
Identificando a:
X1: Número de sillas a Fabricar

Las utilidades que se obtengan estarán sujetas a las disponibilidades de los

recursos escasos con que se cuenta la empresa, el cual se manifiesta a través de
las existencias de los recursos metros cuadrados de madera, horas hombres y
metros de tubos, representadas por:
Ahora interpretemos las unidades que representan al modelo primal:
1. En la función objetivo se tiene:
2. En las restricciones estructurales se tiene
PROBLEMA DU AL
Por otro lado el problema dual estará determinado por el siguiente modelo
matemático:
Los valores numéricos del modelo dual (datos del problema) son valores
transpuestos del problema primal y por lo tanto sus unidades son conocidas y
teniéndose en cuenta la simetría existente entre el primal y dual, será necesario en
todo caso que tipo de interpretación se le vaya a dar a las variables Y1, Y2, Y3.
Como los resultados de la función objetivo que se debe optimizar son exactamente
iguales en cantidad el primal como el dual; entonces la interpretación de las
variables de decisión del dual se realizarán en su propia función objetiva del modo
siguiente:
Y como habíamos dicho anteriormente el Max (Z) del primal debe ser igual
en cantidad y unidad que el Min (G) del dual, siendo sus unidades de (G = Z = $),
luego las unidades de Y1, Y2, Y3 para que cumplen con este requisito estarán
dadas por:
Como Y1, Y2, Y3 son las variables de decisión del problema dual; luego el objetivo
del dual será encontrar el costo de cada metro cuadrado de madera, de cada hora
hombre y de cada metro de tubo. Luego la función objetivo del dual quedará
determinado por:
Y como consecuencia del anterior análisis las restricciones estructurales del dual
quedarán determinados por:
Se interpreta que la inversión mínima que se haga para producir una silla debe ser
como mínimo de $8, es decir si se venden (1m2 de madera, 3hh de recursos
humanos y 2m de tubos) se debe recuperar como mínimo $8 y para producir una
mesa la inversión debe ser como mínimo de $12, es decir si se venden (2m2 de
madera, 3hh de recursos humanos y 1m de tubos) se debe recuperar como
mínimo $12 , así como podremos apreciar el valor de las variables de decisión del
dual Y1, Y2, Y3, representan los costos en dólares por producto, ellos también
representan los valores marginales del primal, el valor de Y1 es el valor marginal de
cada metro cuadrado de madera, el valor de Y2 es el valor marginal de cada hora
hombre y el valor de Y3 es el valor marginal de metro de tubo), en consecuencia los
valores de Y1, Y2, Y3 nos proveen información para nuestro caso, cuantos dólares
pueden proporcionar los recursos metros cuadrados de madera, horas humanos y
metros de tubo que logran incrementar por una unidad de recurso adicional, para
ser procesados en los medios de producción.
Para completar este tipo de análisis desarrollaremos la solución del problema primal
del modelo matemático limitándonos a la solución óptima que queda resumida
como:
SOLUCIÓN ÓPTIMA DEL PRIMAL
Aplicando las relaciones que existen entre las variables de los problemas primal y
dual; así como las existentes en los valores de los aij respectivos, tendremos la
solución óptima del primal:
SOLUCIÓN ÓPTIMA DEL DUAL
Las relaciones entre las variables del problema primal y dual estarán dadas por:
Finalmente tomando en consideración los problemas finales de los problemas primal

y dual y sus correspondientes relaciones entre sus variables, podemos interpretar
los resultados de las variables primal y dual:
En el primal
X1: Cantidad de sillas a elaborar = 8

X2: Cantidad de mesas a elaborar = 36
S1: Metros cuadrados de madera no utilizado = 0

S2: Horas hombres no utilizados = 0
S3: Metros de tubos no utilizados = 12
Max(Z) = $496
En el dual
Y1: utilidad marginal de cada metro cuadrado de madera ($/m2) = 4

Y2: utilidad marginal de cada hora hombre ($/hh) = 1.33
Y3: utilidad marginal de cada metro de tubo ($/m) = 0
S'1=0, Inversión mínima en recursos por cada silla es exactamente = $8 S'2=0,

Inversión mínima en recursos por cada mesa es exactamente = $12
Min(G) = $496
Max (Z) = Min (G) = $496
Con toda esta información disponible la empresa puede tomar ciertas decisiones,
como la de decidirse por la elaboración de 8 sillas y solicitar para esta producción
(8m2 de madera, 24 horas hombres y 16 metros de tubos) y producir 36 mesas
solicitando para la elaboración (72m2 de madera, 108 horas hombres y 36 metros de
tubo) producción que le reportará una utilidad máxima de $496. En la producción de
sillas y mesas utilizaremos a plenitud la disponibilidad de metros cuadrados de
madera y horas hombres disponibles y nos sobrarán 12 metros de tubos.
Por otra parte las variables de decisión del problema dual brindan una información
muy importante debido a que sus valores (Y1, Y2, Y3) brindan información de
utilidades marginales de los recursos disponibles. Como podemos observar la
utilidad marginal de cada metro cuadrado de madera adicional es de $4, la utilidad
marginal de cada hora hombre adicional es de $1.33 y respecto a la utilidad
marginal de cada metro de tubo es $0, porque dicho recurso esta sobrando y
cualquier aumento implicaría aumentar el almacen de dicho recurso.

Capitulo I-Mc

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Capitulo I-Mc

Cargado por

Copyright:

Formatos disponibles

INTRODUCCIÓN

Debido al acelerado desarrollo de los sistemas de información y a la mejora

HISTORIA DE LA INVESTIGACIÓN DE OPERACIONES

El término Investigación de Operaciones se usa por primera vez en el año 1939

La aplicación de la investigación de operaciones se centra en las actividades que

DEFINICIÓN DE INVESTIGACIÓN DE OPERACIONES

Para definir la investigación de operaciones citaremos la definición que ofrecen

“La investigación de operaciones es la aplicación, por grupos interdisciplinarios, del

Para Hamdy Taha

“La Investigación de Operaciones aspira a determinar el mejor curso de acción

Para Juan Prawda

“Es la aplicación por grupos interdisciplinarios del Método Científico a problemas

“La Investigación de Operaciones toma al Método Científico aplicado a la solución

Para Robert Thierauf

“La Investigación de Operaciones utiliza el enfoque planeado (Método Científico) y

Para Gran Bretaña:

“La investigación de operaciones es el ataque de la ciencia moderna a los

De las definiciones se puede concluir que la investigación de operaciones es un

Fases del Estudio de la investigación de operaciones

El Modelaje es parte innata de la Investigación de Operaciones, por eso se dice

Análisis del sistema real

En esta parte se debe definir el problema para el cual se busca proponer un

Representación del sistema real

Este procedimiento se realiza de manera manual si el modelo no es complejo, de

Control del modelo

Se puede cometer errores al ingresar datos al modelo, la consecuencia lógica será

Reformulación del modelo

Implementación del modelo

La implementación se da cuando los resultados del modelo propuesto son similares

Dado el avance vertiginoso de los computadores personales y de los sistemas de

MÉTODOS DE LA INVESTIGACIÓN DE OPERACIONES

Presentamos un breve resumen de las características y bondades que ofrecen

Programación Lineal: Método que se aplica para solucionar modelos matemáticos

Programación Entera: Método que se aplica para solucionar modelos

Programación Mixta: Método que se aplica para solucionar modelos matemáticos

Programación Binaria: Método que se aplica para solucionar modelos

Programación por Metas: Método que se aplica para solucionar modelos

Programación no Lineal: Método que se aplica para solucionar modelos

Modelos de transportes: Se aplica a problemas cuyo objetivo es minimizar los

Modelos de transbordos: Se aplica a problemas cuyo objetivo es minimizar los

Modelos de Asignación: Es un modelo especial de los modelos de transportes la

Modelos de redes: Es una representación gráfica compuesta de nodos y arcos a

Programación Dinámica: Es una técnica que permite solucionar un problema

Control de Inventarios: Técnica que se usa para mantener suficientes inventarios

Pronósticos: Este método se usa en la toma de decisiones para predecir aspectos

Teoría de Decisiones: Método que se aplica en toma de decisiones en

Teoría de Colas: Método que se aplica en organizaciones que presentan

Métodos que se usan con mayor frecuencia

Un estudio realizado por Forgionne acerca de ejecutivos de empresas indica la

En 1972, Turban en su obra “A Sample Survey of Operations Research Ativities at

Es evidente que el análisis estadístico, la simulación y la programación lineal eran y

La Investigación de Operaciones se aplica a problemas que se refieren a la

Respecto al concepto de lo que trata la programación lineal, podemos establecer

En consecuencia, podríamos definir a la programación lineal como una técnica que

El objetivo de presentar este ejemplo es porque una fábrica de muebles es un

Si tomamos en consideración la experiencia o la orientación de cada responsable

En resumen, mediante la programación lineal sólo podemos optimizar un recurso o

En programación lineal, y en general en la teoría de programación matemática, el

a) Una función objetivo.

EVALUACION DE LOS ELEMENTOS DEL SISTEMA

En la figura se observa claramente la interacción a las que están sometidos los

Así como se ha evaluado los elementos internos de un sistema, debemos proceder a

FASES DEL ESTUDIO DE LA PROGRAMACIÓN LINEAL