Programación Lineal T2

TECNOLÓGICO NACIONAL DE MÉXICO
INSTITUTO TECNOLÓGICO DE TOLUCA
Objetivo
Desarrollar modelos que le permitan responder de una manera más rápida, efectiva y
apropiada a la intensa dinámica de las organizaciones.
Objetivos particulares
• Estructurar una situación de la vida real como un modelo matemático, logrando
una abstracción de los elementos esenciales para la toma de decisiones.
• Diseñar e implementar sistemas y procedimientos para la optimización de recursos.
• Aplicar técnicas para la programación y control de proyectos.
La Investigación Operativa es la aplicación del método científico por equipos

interdisciplinarios a problemas que comprenden el control y gestión de sistemas
organizados con el objetivo de encontrar soluciones que sirvan mejor a los propósitos del
sistema (u organización) como un todo, enmarcados en procesos de toma de decisiones.
Introducción a la programación lineal
El desarrollo de la programación lineal ha sido clasificado como uno de los avances

científicos más importantes de mediados del siglo XX y estamos de acuerdo con esta
aseveración. Su efecto desde 1950 ha sido extraordinario. En la actualidad es una
herramienta de uso normal que ha ahorrado miles o millones de dólares a muchas
compañías o negocios, incluso empresas medianas, en los distintos países industrializados
del mundo; su aplicación a otros sectores de la sociedad se ha ampliado con rapidez.
Una proporción muy grande de los programas científicos en computadoras está
dedicada al uso de la programación lineal. Se han escrito docenas de libros de texto
sobre esta materia y se cuentan por cientos los artículos publicados que describen
aplicaciones importantes.
Departamento de Ingeniería Industrial y Logística

Docente: Contreras-Ruiz J.C.
1
¿Cuál es la naturaleza de esta notable herramienta y qué tipos de problemas puede

manejar?
Usted adquirirá una noción de este tema a medida que trabaje en los ejemplos que se
presentarán más adelante. Sin embargo, un resumen verbal puede permitirle elaborar
una idea. Expresado en forma breve, el tipo más común de aplicación abarca el
problema general de asignar de la mejor manera posible —es decir, de forma óptima—
recursos limitados a actividades que compiten entre sí por ellos. Con más precisión, este
problema consiste en elegir el nivel de ciertas actividades que compiten por recursos
escasos necesarios para realizarlas. Después, los niveles de actividad que se eligen dictan
la cantidad de recursos que consumirá cada una de ellas. La variedad de situaciones a
las que se puede aplicar esta descripción es sin duda muy grande, ya que abarca desde
la asignación de instalaciones de producción a los productos hasta la asignación de los
recursos nacionales a las necesidades de un país; desde la selección de una cartera de
inversiones hasta la selección de los patrones de envío; desde la planeación agrícola
hasta el diseño de una terapia de radiación, etc. No obstante, el ingrediente común de
todas estas situaciones es la necesidad de asignar recursos a las actividades mediante la
elección de los niveles de éstas.
La programación lineal utiliza un modelo matemático para describir el problema. El

adjetivo lineal significa que todas las funciones matemáticas del modelo deben ser
funciones lineales. En este caso, la palabra programación no se refiere aquí a términos
computacionales; en esencia es sinónimo de planeación. Por lo tanto, la programación
lineal involucra la planeación de actividades para obtener un resultado óptimo; esto es,
el resultado que mejor alcance la meta especificada —de acuerdo con el modelo
matemático— entre todas las alternativas factibles.
Aunque la asignación de recursos a las actividades es la aplicación más frecuente, la

programación lineal tiene muchas otras posibilidades. En realidad, cualquier problema

2
cuyo modelo matemático se ajuste al formato general del modelo de programación

lineal, es un problema de programación lineal. (Por esta razón, un problema de
programación lineal y su modelo se denominan con frecuencia programa lineal, o incluso
sólo PL.) Aún más, se dispone de un procedimiento de solución muy eficiente llamado
método símplex para resolver estos problemas lineales, incluso los de gran tamaño. Éstas
son algunas razones del tremendo efecto de la programación lineal en las décadas
recientes.
FORMULACIÓN Y APLICACIÓN DE MODELOS DE PROGRAMACIÓN LINEAL
La programación lineal se aplica a modelos de optimización en los que las funciones

objetivo y restricción son estrictamente lineales. La técnica se aplica en una amplia
variedad de casos, en los campos de agricultura, industria, transporte, economía, salud,
ciencias sociales y de la conducta, y militar. También produce algoritmos eficientes de
cómputo para problemas con miles de restricciones y variables. En realidad, debido a su
tremenda eficiencia de cálculo, la programación lineal forma la columna vertebral de
los algoritmos de solución para otros modelos de investigación de operaciones, como las
programaciones entera, estocástica y no lineal.
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.

3
Variables de decisión y parámetros
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,…, Xi, i = 1, 2,
3,…, n.
Función Objetivo (Z)
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 a optimizar (Maximizar o Minimizar).
La solución ÓPTIMA se obtiene cuando el valor de la Función Objetivo 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,…, Xi; en la Función Objetivo Z = f (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, la Restricción de No

Negatividad de las Variables de decisión, o sea: Xi = 0.

4
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. O también, si una de las variables
es la cantidad de mesas a fabricar, su valor solamente podrá ser igual a cero o mayor
que cero, o sea positivo; sería absurdo obtener como resultado que se va a fabricar – 4
mesas.
La programación lineal es la interrelación de los componentes de un sistema, en

términos matemáticos, ya sea en forma de ecuaciones o inecuaciones lineales
llamado Modelo de Programación Lineal.
Es una técnica utilizada para desarrollar modelos matemáticos, diseñada para optimizar
el uso de los recursos limitados en una empresa u organización.
El Modelo de Programación Lineal, es una representación simbólica de la realidad que

se estudia, o del problema que se va a solucionar. Se forma con expresiones de
lógicas matemáticas, conteniendo términos que significan contribuciones: a
la utilidad (con máximo) o al costo (con mínimo) en la Función Objetivo del modelo. Y
al consumo de recursos disponibles (con desigualdades = ó = e igualdades =) en las
restricciones.
Función Objetivo del Modelo se define como maximización o minimización con relación
a:

5
1. MÉTODO GRAFICO
El método gráfico es un procedimiento de solución de problemas de programación

lineal, muy limitado en cuanto al número de variables, pero muy rico en materia de
interpretación de resultados e incluso análisis de sensibilidad.
Este consiste en representar cada una de las restricciones y encontrar en la medida de lo

posible el polígono factible, comúnmente llamado el conjunto solución o región factible,
en el cual por razones trigonométricas en uno de sus vértices se encuentra la mejor
respuesta.
Ejemplo 1. La WYNDOR GLASS CO. produce artículos de vidrio de alta calidad, entre ellos
ventanas y puertas de vidrio. Debido a una reducción de las ganancias, la alta
administración ha decidido reorganizar la línea de producción de la compañía. Se
discontinuarán varios productos no rentables y se dejará libre una parte de la capacidad
de producción para emprender la fabricación de dos productos nuevos cuyas ventas
potenciales son muy prometedoras:
Producto 1: una puerta de vidrio de 8 pies con marco de aluminio

Producto 2: una ventana corrediza con marco de madera de 4 por 6 pies.
La obtención de estimaciones razonables de estas cantidades requirió del apoyo de

personal clave en varias unidades de la compañía. El personal de la división de
manufactura proporcionó los datos de la primera categoría mencionada. En la segunda
categoría, el desarrollo de estimaciones requirió un análisis de los ingenieros de
manufactura involucrados en el diseño de los procesos de producción para elaborar los
nuevos artículos. Al analizar los datos de costos que se obtuvieron, junto con la decisión
sobre los precios de la división de marketing, el departamento de contabilidad calculó
las estimaciones para la tercera categoría. La tabla siguiente resume los datos reunidos.

6
Determina cuáles tasas de producción deben tener los dos productos con el fin de
maximizar las utilidades totales, sujetas a las restricciones impuestas por las capacidades
de producción limitadas disponibles en las tres plantas. Se permite cualquier combinación
de tasas de producción que satisfaga estas restricciones, incluso no fabricar uno de los
productos y elaborar todo lo que sea posible del otro.
Ejemplo 2. Comex produce pinturas para interiores y exteriores, M1 y M2. La tabla siguiente
proporciona los datos básicos del problema.
Una encuesta de mercado indica que la demanda diaria de pintura para interiores no
puede ser mayor que 1 tonelada más que la de pintura para exteriores. También, que la
demanda máxima diaria de pintura para interiores es de 2 toneladas. Comex desea
determinar la mezcla óptima (la mejor) de productos para exteriores y para interiores que
maximice la utilidad diaria total.

7
2. MÉTODO SIMPLEX.
La transición de la solución del punto esquina geométrico hasta el método simplex
implica un procedimiento de cómputo que determina en forma algebraica los puntos
esquina. Esto se logra convirtiendo primero a todas las restricciones de desigualdad en
ecuaciones, para después manipular esas ecuaciones en una forma sistemática. Una
propiedad general del método simplex es que resuelve la programación lineal en
iteraciones. Cada iteración desplaza la solución a un nuevo punto esquina que tiene
potencial de mejorar el valor de la función objetivo. El proceso termina cuando ya no se
pueden obtener mejoras.
Espacio de soluciones en forma de ecuación

Para estandarizar, la representación algebraica del espacio de soluciones de
programación lineal se forma bajo dos condiciones:
1. Todas las restricciones (excepto las de no negatividad) son ecuaciones con lado
derecho no negativo.
2. Todas las variables son no negativas.
Conversión de desigualdades a ecuaciones agregando variables artificiales.

En las restricciones (<=), el lado derecho se puede imaginar como representando el límite
de disponibilidad de un recurso, y en ese caso el lado izquierdo representaría el uso de
ese recurso limitado por parte de las actividades (variables) del modelo. La diferencia
entre el lado derecho y el lado izquierdo de la restricción (<=) representa, por
consiguiente, la cantidad no usada u holgura del recurso.
Para convertir una desigualdad (<=) en ecuación, se agrega una variable de holgura al
lado izquierdo de la restricción. Por ejemplo, en el modelo de Comex (Ejemplo 2), la
restricción asociada con el uso de la materia prima M1 está dada como:
Si se define s1 como la holgura, o cantidad no usada, de M1, la restricción se puede

convertir en la siguiente ecuación:

8
Una restricción (>=) establece, normalmente, un límite inferior para las actividades del
modelo de programación lineal. Como tal, la cantidad por la que el lado izquierdo es
mayor que el límite mínimo (lado derecho) representa un excedente.
La conversión de (>=) a (=) se logra restando una variable de excedencia, del lado
izquierdo de la desigualdad. Por ejemplo, en el modelo de la dieta (Ejemplo 3), la
restricción que representa los requisitos mínimos de alimento está dada como:
Si se define a S1o e1 como una variable de excedencia se puede convertir la restricción

en la ecuación siguiente:
Es importante observar que las variables de holgura y de excedencia, s1 y e1, siempre son
no negativas.
El único requisito que queda es que el lado derecho de la ecuación que resulte sea no
negativo. Esta condición se puede satisfacer siempre, si es necesario multiplicando
ambos lados de la ecuación resultante por –1. Por ejemplo, la restricción
equivale directamente a la ecuación:
Ahora se multiplican ambos lados por –1, y se obtiene un lado derecho no negativo, que
es lo que se busca; esto es,
La tabla simplex.
A continuación, se presenta como ejemplo la construcción de una tabla simplex para la

resolución de problemas de P.L

9
Algoritmo simplex Funciona solo con restricciones ≤ para MAX y ≥ para MIN:
1. Modele el problema mediante ecuaciones

2. Convertir las inecuaciones a ecuaciones (estandarización de las ecuaciones)
3. Construir la tabla simplex definiendo la solución básica inicial.
Si la F.O es MIN Si la F.O. es MAX
Z es negativo Z es positivo
La variable de entrada es:
Del renglón Z el más positivo (considere Del renglón Z el más negativo (considere
solo las variables reales) solo las variables reales)
La variable de salida es:
De la fila el menor cociente (positivo) entre la
columna solución / columna de la variable de entrada
(solo se consideran los cocientes ≥ 0)
La intersección será el pivote, hay que hacerlo “1”.
Hacer “ceros” arriba y abajo del pivote
Termina cuando la fila de Z tiene Termina cuando la fila de Z tiene
coeficientes 0 o negativos (al menos para coeficientes 0 o positivos (al menos para
las variables reales) las variables reales)
Ejemplo 3. Resuelva el problema de Comex mediante el algoritmo simplex
Ejemplo 4 En una granja de pollos se da una dieta "para engordar" con una composición
mínima de 15 unidades de una sustancia A y otras 15 de una sustancia B. En

10
el mercado solo se encuentran dos clases de compuestos: el tipo I con una composición
de una unidad de A y cinco de B, y el tipo II con una composición de cinco unidades
de A y una de B. El precio del tipo I es de 10 dólares y el del tipo II es de 30 dólares. ¿Qué
cantidades se han de comprar de cada tipo para cubrir las necesidades con un coste
mínimo?
Ejemplo 5 Cierto fabricante produce dos artículos, A y B, para lo que requiere la utilización
de dos secciones de producción: sección de montaje y sección de pintura. El
artículo A requiere una hora de trabajo en la sección de montaje y dos en la de pintura;
y el artículo B, tres horas en la sección de montaje y una hora en la de pintura. La sección
de montaje solo puede estar en funcionamiento nueve horas diarias, mientras que la de
pintura solo ocho horas cada día. El beneficio que se obtiene produciendo el artículo B es
de 40 euros y el de A es de 20 euros. Calcula la producción diaria de los
artículos A y B que maximiza el beneficio.
Ejemplo 6 Un orfebre fabrica dos tipos de joyas. Las del tipo A precisan 1 g de oro y 1,5 g
de plata, vendiéndolas a 40 euros cada una. Para la fabricación de las de tipo B emplea
1,5 g de oro y 1 g de plata, y las vende a 50 euros. El orfebre tiene solo en el taller 750 g
de cada uno de los metales. Calcula cuántas joyas ha de fabricar de cada clase para
obtener un beneficio máximo.
Ejemplo 7 En una fábrica de dulces navideños finos se preparan dos surtidos para lanzarlos
al mercado, el primero se vende a $450 y contiene 150 gramos de galletas, 100 gramos
de trufas y 80 gramos de chocolates envinados. El segundo surtido se vende a $560 y
contiene 200 g de galletas, 100 gramos de trufas y 100 gramos de chocolates envinados.
Se dispone de un total de 200 kg de galletas, 130 kg de trufas y 104 kg de chocolates
envinados. La empresa de embalajes solo puede suministrar 1200 cajas. ¿Cuántos surtidos
de cada tipo convendría fabricar para que el beneficio sea el máximo?

11
3. MÉTODO DUAL SIMPLEX
El método simplex dual resulta ser una estrategia algorítmica eficiente cuando luego de
llevar un modelo de programación lineal a su forma estándar, la aplicación del método
simplex no es inmediata o más bien compleja.
Una aplicación típica del método simplex dual es en la resolución de problemas con una
función objetivo de minimización, con restricciones del tipo mayor o igual y donde las
variables de decisión son mayores o iguales a cero.
Algoritmo de aplicación
Paso 1: Se lleva el modelo a su forma estándar.
Paso 2: Se selecciona el lado derecho "más negativo" lo cual indicará cuál de las actuales
variables básicas deberá abandonar la base.
Paso 3: Se actualiza la tabla anterior siguiendo un procedimiento similar al utilizado en
el Método Simplex.
O dicho de forma ampliada:
0. Al estandarizar las ecuaciones, aquella con signo >= se les resta (-ei) una variable de
exceso.
1.Como en la solución, las variables básicas no pueden ser negativas, las restricciones
que tengan añadidas la variable de exceso se les multiplica por (-1). Recordar que para
minimizar Z es negativo y para maximizar Z es positivo.
2. Para elegir el renglón pivote se escoge el que en el lado derecho o en el de la solución

mejor dicho tenga el número más negativo.

12
3. Se realiza el cociente entre renglón Z / renglón pivote (recuerde que la división de 0

entre algo o de algo entre cero no es posible) y se elige el valor más pequeño, pero en
valor absoluto para elegir la columna pivote y el pivote en consecuencia.
4. Hacer el pivote “1”.
5. Hacer ceros arriba y abajo del pivote.
6. Cuando ya no hay números negativos del lado derecho de la columna solución, se

revisa la condición de factibilidad en el renglón Z de acuerdo con simplex tradicional, en
caso contrario se repiten los pasos 2 al 5.
Recuerde que: En el caso de maximización se puede elegir como columna pivote el valor
más negativo del renglón Z y terminamos cuando hay ceros o coeficientes positivos.
Para minimización se elige como pivote del renglón Z el valor más positivo y terminamos
cuando solo hay ceros o coeficientes negativos.
Ejemplo 8. Resuelva el ejemplo 4 con el algoritmo dual simplex.
Ejemplo 9. Considere el siguiente modelo de Programación Lineal y resuélvalo mediante

el algoritmo Dual Simplex:
Ejemplo 10. Una empresa fabrica dos tipos de pan, el tipo I requiere de 10 unidades del
Trigo, el cual debe por su caducidad de consumirse en al menos 100 unidades, el tipo I
también requiere de 100 unidades de centeno y el tipo II requiere de 200 unidades de
centeno. La producción del pan tipo I cuesta $500 y del tipo II $600 por unidad.

13
El consumo de centeno debe superar las 8000 unidades, en tanto que el pan tipo I y II
requieren de 250 y 300 unidades de salvado respectivamente el cual está limitado a
15000 unidades ¿Qué cantidades de cada uno de los panes se deben de fabricar para
minimizar los costos?
Ejemplo 11. Una compañía de pulpa de papel posee dos regiones forestales, la región I y
la región II, y dos molinos, A y B. Las capacidades de suministro mensual de madera de
las regiones I y II son 120 y 250 toneladas, respectivamente. El molino A requiere por lo
menos 200 toneladas de madera al mes y el B al menos 150 también al mes. Los costes
de transporte en unidades monetarias por tonelada de cada región a cada molino son
los siguientes: 5 de la región I al molino A, 4 desde la región I al molino B, 5 desde la región
II al molino A, y 6 desde la región II al molino B. ¿Qué cantidad de madera debe
transportarse desde cada región I y II a cada molino A y B de forma que se minimice el
coste total de transporte? ¿Cuál ese coste mínimo? ¿Hay algún trayecto que no debe
realizarse para conseguir dicho coste mínimo?
SOLUCIÓN ARTIFICIAL INICIAL
Cuando en un problema de PL en las que todas las restricciones son (≤) con lados
derechos no negativos ofrecen una conveniente solución factible básica inicial con
todas las holguras. Los modelos que implican restricciones (=) o (≥) no lo hacen.
El procedimiento para iniciar PLs de “mal comportamiento” con restricciones (=) y (≥) es
utilizar variables artificiales que desempeñan el papel de holguras en la primera iteración,
y que luego se desechan en una iteración posterior. Aquí veremos dos métodos
estrechamente relacionados: el método M, y el método de dos fases.

14
4. MÉTODO M, GRAN M O M GRANDE
El método M se inicia con la PL en forma del modelo visto anteriormente. Si la ecuación i

no tiene una holgura (o una variable que pueda desempeñar el papel de una), se
agrega una variable artificial, Ri, para formar una solución inicial parecida a la solución
básica de total holgura. Sin embargo, las variables artificiales no forman parte del
problema original, y se requiere un “artificio” de modelado para igualarlas a cero en el
momento en que se alcance la iteración óptima (suponiendo que el problema tenga
una solución factible). La meta deseada se logra penalizando estas variables en la
función objetivo utilizando la siguiente regla:
Regla de penalización para variables artificiales

Dado M, un valor positivo suficientemente grande (matemáticamente (M → ∞), el
coeficiente objetivo de una variable artificial representa una penalización apropiada si:
Coeficiente objetivo de la variable -M, en problemas de maximización

artificial M, en problemas de minimización
Algoritmo para el método de la gran M
Paso 1: Modifique las restricciones para que el lado derecho de cada restricción no sea
negativo.
Esto requiere que cada restricción con un lado derecho negativo se multiplique por -1.
Recuerda que, si multiplicas una desigualdad por cualquier número negativo, la
dirección de la desigualdad se invierte. Por ejemplo, la desigualdad x1+ x2 ≥ -1 en -x1 - x2 ≤
1.

15
Paso 1’: Identifique cada restricción que es ahora (después del paso 1) una restricción
con el signo = o ≥. En paso 3, agregaremos una variable artificial a cada una de estas
restricciones.
Paso 2 Convierta cada restricción de desigualdad en formulario estándar. Esto significa

que, si la restricción i es una restricción ≤, sumamos una variable de holgura si, y si la
restricción i es una restricción ≥, restamos un exceso de variable ei.
Paso 3 Si (después de completar el paso 1) la restricción i es una restricción ≥ o =, agregue

una variable artificial Ri o ai. Añadir también la restricción ai ≥ 0.
Paso 4 Deje que M denote un número positivo muy grande. Si el problema de PL es uno
de minimización, agregue (para cada variable artificial) Mai a la función objetivo. Si el
problema es de maximización, agregue (para cada variable artificial) -Mai a la función
objetivo.
Paso 5 Debido a que cada variable artificial estará en la base inicial, todas las variables
artificiales deben eliminarse de la fila 0 antes de comenzar el símplex. Esto asegura que
comencemos con una forma canónica. Al elegir la variable de entrada, recuerde que M
es un número positivo muy grande. Por ejemplo, 4M - 2 es más positivo que 3M + 900, y -
6M – 5 es más negativo que -5M - 40.
Ahora resuelve el problema transformado por el método simplex. Si todas las variables
artificiales son iguales a cero en la solución óptima, entonces hemos encontrado la
solución óptima al problema original. Si alguna variable artificial es positiva en la solución
óptimo, entonces el problema original es inviable (no tiene solución factible).
Ejemplo 12. Considere el siguiente modelo de programación lineal y resuélvase siguiendo

el método de la gran M.

16
Ejemplo 13. Bevco manufactures an orange-flavored soft drink called Oranj by combining
orange soda and orange juice. Each ounce of orange soda contains 0.5 oz of sugar and
1 mg of vitamin C. Each ounce of orange juice contains 0.25 oz of sugar and 3 mg of
vitamin C. It costs Bevco 2¢ to produce an ounce of orange soda and 3¢ to produce an
ounce of Orange juice. Bevco’s marketing department has decided that each 10-oz
bottle of Oranj must contain at least 20 mg of vitamin C and at most 4 oz of sugar. Use
linear programming to determine how Bevco can meet the marketing department’s
requirements at mínimum cost.
5. METODO DE LAS 2 FASES
En el método M, el uso de la penalización, M, puede conducir a un error de redondeo. El

método de dos fases elimina el uso de la constante M. Como su nombre lo indica, el
método resuelve la PL en dos fases; en la fase I se trata de encontrar la solución factible
básica inicial y, si se halla una, se invoca la fase II para resolver el problema original.
Cuando no se dispone de una solución básica factible, se puede utilizar el método

simplex de dos fases como alternativa al método de la gran M. En el método simplex de
dos fases, agregamos variables artificiales a las mismas restricciones que hicimos en el
método de la gran M. Entonces encontramos una solución viable básica al problema de

17
PL original resolviendo la Fase I. En la Fase I, la función objetivo es minimizar la suma de

todas las variables artificiales. Al finalizar la Fase I, reintroducimos la función objetivo del
problema original y determinamos la solución óptima para el PL original.
Los siguientes pasos describen el método simplex de dos fases. Tenga en cuenta que los
pasos 1 a 3 para el simplex de dos fases son idénticos a los pasos 1 a 3 para el método
Big M.
Paso 1 Modifique las restricciones para que el lado derecho de cada restricción no sea
negativo.
Esto requiere que cada restricción con un lado derecho negativo se multiplique por -1.
Paso 1´ Identifique cada restricción que es ahora (después del paso 1) una restricción =
o ≥. En el paso 3, agregaremos una variable artificial a cada restricción.
Paso 2 Convierta cada restricción de desigualdad a la forma estándar. Si la restricción i

es una restricción ≤, agregue una variable de holgura si. Si la restricción i es una restricción
≥, reste una variable de exceso ei.
Paso 3 Si (después del paso 1´) la restricción i es una restricción ≥ o =, agregue una variable
artificial ai.
También agregue la restricción de signo ai ≥ 0.
Paso 4 Por ahora, ignore la función objetivo del PL original. En su lugar, resuelva un PL cuya
función objetivo sea min Z' = (suma de todas las variables artificiales). A esto se le llama
PL Fase I. El acto de resolver el PL de la Fase I obligará a que las variables artificiales sean
cero.
Debido a que cada a ≥ 0, resolver el problema de PL de la Fase I resultará en uno de los

siguientes tres casos:

18
Caso 1 El valor óptimo de Z 'es mayor que cero. En este caso, el problema de PL
original no tiene una solución viable.
Caso 2 El valor óptimo de Z 'es igual a cero y no hay variables artificiales en la base
óptima de la Fase I. En este caso, descartamos todas las columnas del cuadro óptimo de
la Fase I que corresponden a las variables artificiales. Ahora combinamos la función
objetivo original con las restricciones del cuadro óptimo de la Fase I. Esto produce el PL
Fase II.
La solución óptima para la fase II es la solución óptima para el problema de PL
original.
Caso 3 El valor óptimo de Z' es igual a cero y al menos una variable artificial está en
la base óptima de la Fase I. En este caso, podemos encontrar la solución óptima al
problema de PL original si al final de la Fase I descartamos de la última tabla óptima de
la Fase I todas los artificiales no básicos y cualquier variable del problema original que
tenga un coeficiente negativo en fila
0 del cuadro óptimo de la Fase I.
Resumen del método de dos fases

Fase I. Ponga el problema en forma de ecuación y agregue las variables artificiales
necesarias a las restricciones (exactamente como en el método M), para tener la
certeza de una solución básica. A continuación, determine una solución básica de
la ecuación resultante que siempre minimice la suma de las variables artificiales,
independientemente de si la PL es de maximización o minimización. Si el valor
mínimo de la suma es positivo, el problema de PL no tiene una solución factible. De
lo contrario, si el valor mínimo es cero, prosiga con la fase II.
Fase II. Use la solución factible de la fase I como una solución factible básica inicial
para el problema original.

19
Ejemplo 14. Considere el modelo de programación lineal del ejemplo 12 y resuélvase

siguiendo el método de las 2 fases.
Ejemplo 15. Considere el modelo de programación lineal siguiente y resuélvase siguiendo

el método de las 2 fases.
Analisis de sensibilidad
En PL, los parámetros (datos de entrada) del modelo pueden cambiar dentro de ciertos
límites sin que cambie la solución óptima. Esto se conoce como análisis de sensibilidad y
será el tema de esta sección. Más adelante, en el capítulo 4 estudiaremos el análisis post
óptimo, el cual tiene que ver con la determinación de la nueva solución óptima cuando
se cambian ciertos datos de entrada.
La presentación explica las ideas básicas del análisis de sensibilidad por medio de la
solución gráfica, y después se extienden al problema general de PL con base en los
resultados que aparecen en la tabla simplex.}
Análisis de sensibilidad gráfica

Se considerarán dos casos:
1. La sensibilidad de la solución óptima a los cambios de la disponibilidad de los
recursos
(lado derecho de las restricciones).
2. La sensibilidad de la solución óptima a los cambios en la utilidad unitaria o el

20
costo unitario (coeficientes de la función objetivo).
Utilizaremos ejemplos individuales para explicar los dos casos.
Ejemplo 16. HITSA fabrica dos productos en dos máquinas. Una unidad del producto 1
requiere 2 horas en la máquina 1, y 1 hora en la máquina 2. Una unidad del producto 2
requiere 1 hora en la máquina 1, y 3 horas en la máquina 2. Los ingresos por unidad de
los productos 1 y 2 son de $30 y $20, respectivamente. El tiempo de procesamiento diario
total disponible en cada máquina es de 8 horas. Realice un analisis de sensibilidad grafico
haciendo cambios en la disponibilidad de recursos.
Ejemplo 17. Considere la situación del problema 16 y realice un analisis de sensibilidad

grafico haciendo cambios en las unidades de ingreso (coeficientes de la función
objetivo).
Análisis de sensibilidad algebraica.

Anteriormente utilizamos la solución gráfica para determinar el precio dual (valor unitario
de un recurso) y sus intervalos de factibilidad. Esta sección amplía el análisis al modelo de
PL general. Se utilizará un ejemplo 18 para facilitar la presentación.
Determinación de precios duales e intervalos de factibilidad.

De igual manera utilizaremos el ejemplo 18 para demostrar cómo se obtiene esta
información con la tabla simplex óptima. Reconociendo que los precios duales y sus
intervalos de factibilidad tienen que ver con los cambios del lado derecho de las
restricciones.
Función objetivo
En este tema también revisaremos el análisis de sensibilidad algebraico para determinar
las condiciones que mantendrán la optimalidad de la solución de una PL de dos
variables.

21
En esta sección extendemos estas ideas al problema de programación lineal general.
Ejemplo 18. Hasbro utiliza tres operaciones para armar tres tipos de juguetes: trenes,
camiones y carros. Los tiempos diarios disponibles para las tres operaciones son 430, 460
y 420 minutos, respectivamente, y los ingresos por unidad de tren, camión y auto de
juguete son de $3, $2 y $5, respectivamente.
Los tiempos de ensamble por tren en las tres operaciones son de 1, 3 y 1 minutos,
respectivamente. Los tiempos correspondientes por tren y por camión son (2,0,4) y (1,2,0)
minutos (un tiempo cero indica que la operación no se utiliza).
Realice un analisis de sensibilidad algebraica y determine los precios duales (precios
sombra) e intervalos de factibilidad y optimalidad.
Dualidad y análisis postóptimo
El problema dual se define sistemáticamente a partir del modelo de PL primal (u original).

Los dos problemas están estrechamente relacionados en el sentido de que la solución
óptima de uno proporciona automáticamente la solución óptima al otro.
En la mayoría de los tratamientos de PL, el dual se define para varias formas del primal
según el sentido de la optimización (maximización o minimización), los tipos de
restricciones (≤, ≥ o =), y el signo de las variables (no negativas o irrestrictas). En este tema
veremos una definición única que abarca de manera automática todas las formas del
primal.
Nuestra definición del problema dual requiere expresar el problema primal en la forma
del modelo manejado con anterioridad (todas las restricciones son ecuaciones con lado
derecho no negativo, y todas las variables son no negativas). Este requerimiento es
consistente con el formato de la tabla inicial simplex. De ahí que cualesquiera de los

22
resultados obtenidos a partir de la solución óptima primal se aplican directamente al

problema dual asociado.
Las ideas clave para construir el dual a partir del primal se resumen como sigue:
1. Asigne una variable dual por cada restricción primal.
2. Construya una restricción dual por cada variable primal.
3. Los coeficientes de restricción (columna) y el coeficiente objetivo de la variable
primal j-ésima definen respectivamente los lados izquierdo y derecho de la
restricción dual j-ésima.
4. Los coeficientes objetivo-duales son iguales a los lados derechos de las
ecuaciones de restricción primales.
5. Las reglas que aparecen en la tabla 1 y 2 rigen el sentido de optimización, la
dirección de las desigualdades y los signos de las variables en el dual. Una forma
fácil de recordar el tipo de restricción en el dual (es decir ≤, ≥ o =), es que si el
objetivo dual es de minimización (es decir, apunta hacia abajo), entonces todas
las restricciones serán del tipo ≥ (es decir, apuntan hacia arriba). Lo opuesto aplica
cuando el objetivo dual es de maximización.
Tabla 1. Reglas para construir el problema dual

23
Tabla 2 Reglas para construir el problema dual (continuación)
Ejemplo 19. Considere los siguientes modelos de PL y obtenga su modelo Dual
A)
B)
C)
RELACIONES PRIMAL-DUAL
Los cambios realizados en los datos de un modelo de PL pueden afectar la optimalidad
y/o factibilidad de la solución óptima actual. Esta sección presenta varias relaciones
primal-dual que pueden usarse para calcular de nuevo los elementos de la tabla simplex
óptima. Estas relaciones constituyen la base de la interpretación económica del modelo
de PL y del análisis postóptimo.

24
Solución dual óptima

Las soluciones primal y dual están estrechamente relacionadas en el sentido de que la
solución óptima de uno u otro problema da la solución óptima al otro. Así pues, en un
modelo de PL en el que la cantidad de variables es considerablemente menor que la de
restricciones, pueden ahorrarse cálculos resolviendo el dual porque la cantidad de
cálculos simplex depende en gran medida (aunque no totalmente) de la cantidad de
restricciones.
Figura 1 . Métodos para determinar los valores duales.
Cálculos con la tabla simplex

Esta sección muestra cómo se puede generar cualquier iteración de la tabla simplex a
partir de los datos originales del problema, la inversa asociada con la iteración, y el
problema dual. Con el diseño de la tabla simplex que se muestra en la figura 4.1,
podemos dividir los cálculos en dos tipos:
1. Columnas de restricción (lados izquierdo y derecho).

2. Fila z objetivo.

25
Figura 2. Cálculos en la tabla simplex
Ejemplo 20. Considere el modelo del ejemplo 18, determine los valores duales óptimos
con alguno de los métodos descritos en el tema de relación primal-óptima y compruebe
como se puede obtener cualquier iteración de la tabla simplex a partir de los datos
originales del problema primal y dual.

26

Programación Lineal T2

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

Programación Lineal T2

Cargado por

Copyright:

Formatos disponibles

TECNOLÓGICO NACIONAL DE MÉXICO

INSTITUTO TECNOLÓGICO DE TOLUCA

La Investigación Operativa es la aplicación del método científico por equipos

Introducción a la programación lineal

El desarrollo de la programación lineal ha sido clasificado como uno de los avances

Departamento de Ingeniería Industrial y Logística

¿Cuál es la naturaleza de esta notable herramienta y qué tipos de problemas puede

La programación lineal utiliza un modelo matemático para describir el problema. El

Aunque la asignación de recursos a las actividades es la aplicación más frecuente, la

Departamento de Ingeniería Industrial y Logística

cuyo modelo matemático se ajuste al formato general del modelo de programación

FORMULACIÓN Y APLICACIÓN DE MODELOS DE PROGRAMACIÓN LINEAL

La programación lineal se aplica a modelos de optimización en los que las funciones

Elementos básicos de un modelo matemático

Un modelo matemático es producto de la abstracción de un sistema real, eliminando las

Un modelo matemático consta al menos de tres elementos o condiciones básicas:

Departamento de Ingeniería Industrial y Logística

Variables de decisión y parámetros

Función Objetivo (Z)

La función objetivo es una relación matemática entre las variables de decisión,

La solución ÓPTIMA se obtiene cuando el valor de la Función Objetivo es óptimo (valor

En el Modelo se incluye, adicionalmente de las restricciones, la Restricción de No

Departamento de Ingeniería Industrial y Logística

Por ejemplo, si una de las variables de decisión representa el número de empleados de

La programación lineal es la interrelación de los componentes de un sistema, en

El Modelo de Programación Lineal, es una representación simbólica de la realidad que

Departamento de Ingeniería Industrial y Logística

El método gráfico es un procedimiento de solución de problemas de programación

Este consiste en representar cada una de las restricciones y encontrar en la medida de lo

Producto 1: una puerta de vidrio de 8 pies con marco de aluminio

La obtención de estimaciones razonables de estas cantidades requirió del apoyo de

Departamento de Ingeniería Industrial y Logística

Departamento de Ingeniería Industrial y Logística

Espacio de soluciones en forma de ecuación

Conversión de desigualdades a ecuaciones agregando variables artificiales.

Si se define s1 como la holgura, o cantidad no usada, de M1, la restricción se puede

Departamento de Ingeniería Industrial y Logística

Si se define a S1o e1 como una variable de excedencia se puede convertir la restricción

equivale directamente a la ecuación:

A continuación, se presenta como ejemplo la construcción de una tabla simplex para la

Departamento de Ingeniería Industrial y Logística

1. Modele el problema mediante ecuaciones

Ejemplo 3. Resuelva el problema de Comex mediante el algoritmo simplex

Departamento de Ingeniería Industrial y Logística

Departamento de Ingeniería Industrial y Logística

3. MÉTODO DUAL SIMPLEX

Paso 1: Se lleva el modelo a su forma estándar.

O dicho de forma ampliada:

2. Para elegir el renglón pivote se escoge el que en el lado derecho o en el de la solución

Departamento de Ingeniería Industrial y Logística

3. Se realiza el cociente entre renglón Z / renglón pivote (recuerde que la división de 0

4. Hacer el pivote “1”.

5. Hacer ceros arriba y abajo del pivote.

6. Cuando ya no hay números negativos del lado derecho de la columna solución, se

Ejemplo 8. Resuelva el ejemplo 4 con el algoritmo dual simplex.

Ejemplo 9. Considere el siguiente modelo de Programación Lineal y resuélvalo mediante

Departamento de Ingeniería Industrial y Logística

SOLUCIÓN ARTIFICIAL INICIAL

Departamento de Ingeniería Industrial y Logística

4. MÉTODO M, GRAN M O M GRANDE

El método M se inicia con la PL en forma del modelo visto anteriormente. Si la ecuación i

Regla de penalización para variables artificiales

Coeficiente objetivo de la variable -M, en problemas de maximización