TTaller

Taller de programación lineal: solución gráfica

Investigación De Operaciones

Profesor: Francisco Javier Arias

Presentado por: Orlando Palencia Sanjuanelo

IU Digital De Antioquia

2023
Unidad 3: Programación lineal, solución gráfica
Introducción:
El directivo de una organización se enfrenta a diario con el más complejo de los
desafíos: tomar la mejor elección para que la empresa cumpla con las metas
deseadas y propuestas. Por este motivo, debe analizar cada una de las
problemáticas de producción, contratación e incluso las decisiones
organizacionales.

Actualmente existen varios métodos, técnicas y software que ayudan a tomar

decisiones claras y rápidas, además, facilitan los procesos organizacionales. Es
aquí donde la programación lineal aparece como una técnica matemática aliada
para todas las empresas, ya que agiliza los diferentes procesos a los que se ven
enfrentados los grupos de trabajo. En la programación lineal contamos con
fórmulas matemáticas que ayudan a encontrar la función objetivo, a maximizar o
minimizar, con el fin de encontrar los mejores recursos y la minimización los
costos, lo que permite el crecimiento empresarial.

Así que teniendo en cuenta el contexto de toma de decisiones y la programación

línea, estos son los temas que estudiaremos.

• Solución del modelo de maximización.

• Solución del modelo de minimización.
• Variables de holgura, superávit y no restringidas.
• Análisis de la sensibilidad.
• Cambios en el coeficiente de la función.
• Análisis de la sensibilidad valor unitario.
• Aplicación del software Win QSB, Tora y la aplicación del método
simplex.

Sigue con tu recorrido, disfruta de todo el contenido y aprovéchalo para

incorporarlo a tu vida profesional.

Objetivos de Aprendizaje de la Unidad 3:

• Desarrollar la capacidad de abstracción analítica a partir de modelos

matemáticos para la solución de problemáticas de empresa.
 lOMoARcPSD|15473895

Cronograma de actividades de la Unidad 3:

Cronograma de actividades Unidad 3

Actividad de Aprendizaje* Evidencia de Aprendizaje** Semana*** Ponderación

AA3. Programación lineal EA3. Taller de programación lineal:

Semana 7 25%
solución gráfica. solución gráfica.

EA4 Examen final

Semana 8 30%

Total 55%

Actividad de Aprendizaje 3:
En esta unidad abordaremos conceptos como la solución de modelos de
maximización y minimización, cómo se identifica la variable de holgura, la
importancia del superávit y no restringidas, el análisis de sensibilidad, cambios
en el coeficiente de la función y el valor unitario; por otra parte veremos la
aplicación de los software WinQSB, TORA y la aplicación del método simplex;
por lo tanto, adquirirás los conocimientos, fundamentos y técnicas matemáticas
pertinentes de la investigación de operaciones en las organizaciones
empresariales, las cuales ayudarán a desarrollar soluciones oportunas frente a
un problema y a tomar la mejor decisión para una empresa u organización. Los
temas que estudiaremos son:

• Solución del modelo de maximización.

• Solución del modelo de minimización.
• Variables de holgura, superávit y no restringidas.
• Análisis de sensibilidad, cambios en el coeficiente de la función.
• Análisis de sensibilidad, valor unitario.
• Aplicación del software QSB y TORA.
• Aplicación método simplex.
 lOMoARcPSD|15473895

Al finalizar, contarás con herramientas que ayudarán a tomar una decisión en tu

organización y beneficiará tu desempeño profesional como Administrador de
Empresas.

Programación lineal solución gráfica

La programación lineal es una técnica matemática que ayuda a valorar el
rendimiento de los diferentes activos que tienen las empresas en su parte
financiera, es utilizada con el ánimo de optimizar y de maximizar o minimizar sus
recursos. (Brenes González, 2020)

Cuando vamos a resolver e interpretar un modelo de programación lineal, se

debe tener en cuenta la información que se brinda en la problemática a resolver,
también es importante analizar las restricciones que se muestran para proceder
en la elaboración de la gráfica; donde se ubicará el conjunto de soluciones
factibles en el plano X1, que se encuentra representada con la línea horizontal
del gráfico y el X2, que se encuentra en la parte vertical de este, como se
muestra a continuación:

Después de esto, se procederá a ubicar en el plano X1 y el X2 todas las

restricciones dadas por problemas a resolver; de igual forma, continuará con la
asignación de cualquier valor a Z y con la elaboración del gráfico
 lOMoARcPSD|15473895

correspondiente donde se busca el máximo valor o el tope de esta con el fin de

buscar su mayor o mínimo valor.

Se busca obtener el punto óptimo teniendo en cuenta las coordenadas de este

con la intensión de calcular el valor correspondiente a Z.
En algunas ocasiones no se escriben las restricciones de no negatividad en
programación lineal, pero se debe tener en cuenta que siempre damos por hecho
que las variables de esta son mayores que cero, por otra parte, cuando se
desarrolla un ejercicio se tiene en cuenta la interpretación de las variables de
decisión, la función objetivo, la variable de holgura y excedente que se presentan
en el modelo.

Para que se pueda desarrollar un ejercicio de programación lineal, este debe

contar con dos variables de decisión y las respectivas restricciones que pueden
ser numerosas dependiendo de la necesidad del problema.

Ejemplo 1:
Determinar los valores de X1 y de X2 con el fin de maximizar el valor de Z, donde
Z se calcula como 100X1 + 120X2 y se debe cumplir con las siguientes
condiciones:

2X1 + X2 ≤ 80
3X1 + 6X2 ≤ 300
12X1 + 10X2 ≤ 600
X 1, X 2 ≥ 0

Se incluyen las condiciones de no negatividad en las variables. En este caso

serían:
X 1, X 2 ≥ 0
El problema de programación lineal se desarrollará teniendo en cuenta los
siguientes pasos:

1. Graficar un plano con sus respectivos ejes donde X1 corresponde a una de

las variables y se encuentra en la forma horizontal y X 2 corresponde a la
variable vertical como se muestra en el siguiente gráfico:
• Primera restricción:
 lOMoARcPSD|15473895

1
2X1 + X2 = 70
90-
2X1 + X2 ≤ 70
80-

70-

60-

50-

40-

30-

20-

10-

0-
0 10 20 30 40 50 60 70 80 90 100 110 X2
X

Iniciaremos con la primera restricción, donde se trazará de color rojo; el interés

de está no se encuentra en los puntos que se cumplen en la ecuación, sino en la
desigualdad de esta; podemos analizarlo en los espacios de la recta en los
cuales se divide el plano y corresponde a los puntos que cumplen con la
desigualdad. Es este caso se encuentra señalado con la flecha de color azul.

• Segunda restricción:
•
 lOMoARcPSD|15473895

90-

80-

70- 3X1 + 6X2 = 300

60- 3X1 + 6X 2 ≤ 300
50-

40-

30-

20-

10-

0-

0 10 20 30 40 50 60 70 80 90 100 110

En la segunda restricción procedemos a trazar una línea de color azul, la cual

indica que la ecuación cumple con la desigualdad y se puede visualizar como lo
muestra la flecha de color rojo.

• Tercera restricción:
90-

80-
12X1 + 10X2 ≤ 600
12X1 + 10X2 = 600
70-

60-

50-

40-

30-

20-

10-

0-

0 10 20 30 40 50 60 70 80 90 100 110

Ahora, graficaremos en la recta con el color morado, aquí encontramos que

cumple con la desigualdad siendo está determinada por la flecha azul. Cuando
 lOMoARcPSD|15473895

hablamos de programación lineal, hablamos del conjunto de soluciones a la

región de puntos que satisface; debe cumplir con las tres condiciones, como se
observa en la gráfica que a continuación veremos; estas soluciones se
encuentran subrayadas en color naranja.

90-
2X1 + X2 ≤ 70
80-
3X1 + 6X2 ≤ 300
70-
12X1 + 10X2 = 600
60-

50-

40-

30-

20-

10-

0-

0 10 20 30 40 50 60 70 80 90 100 110

Cuando se analiza la anterior gráfica podemos decir que no importa que X 1 y X2

tengan valores negativos, ya que se cumplen las tres condiciones o restricciones.
Por otro lado, teniendo en cuenta el problema que se planteó, lo que se desea
es: X1 sea ≥ 0.

Para dar solución, nos ubicaremos en el semiplano o la región en la cual se

obtiene esta condición y se observa que esta corresponde al lado que me
muestra con la flecha de color negro en el eje de las coordenadas. A
continuación, podremos encontrarlo en el siguiente gráfico:
 lOMoARcPSD|15473895

80-

70-

60-

50-

40-

30-

20-

10-

0-

0 10 20 30 40 50 60 70 80 90 100 110

Para X2 ≥ 0, la región correspondiente es la que se encuentra en el eje de las X 1

hacia arriba como lo veremos en el siguiente gráfico.

90-

80-

70-

60-

50-

40-

30-

20-

10-

0-

0 10 20 30 40 50 60 70 80 90 100 110
 lOMoARcPSD|15473895

Al incluirse las condiciones de no negatividad, se obtiene un conjunto de

soluciones que son factibles; esto quiere decir que la región cumple con todas
las restricciones que se muestran a continuación:

80-
2X1 + X2 ≤ 70
3X1 + 6X2 ≤ 300
70-
12X1 + 10X2 ≤ 600
60- X1, X2 ≥ 0
50-

40-

30-

20-

10-

0-

0 10 20 30 40 50 60 70 80 90 100 110

Cuando analizamos la siguiente gráfica, encontramos que se trata de una región

que limita y contiene puntos que son extremos; en este caso la coordenada que
corresponde a (0,0) es un punto extremo; de igual forma, la coordenada (40,0) y
los otros tres que aparecen en el gráfico.

Después de conocer las regiones factibles, se determina cuál es el punto o

puntos de la región de soluciones factibles donde encontraremos el máximo valor
de esta, para lograr este objetivo se hace una asignación al valor de Z.

Al revisar el gráfico, se ve que presenta puntos en común en la región factible.

Esto indica que hay una parte de soluciones factibles que corresponden con el
valor de Z=2000, Z=3000, Z=4000 y muestra que estos puntos alcanzan el
máximo valor, cumpliendo con todas las restricciones del problema. A
continuación, se muestra la gráfica.

Descargado por Orlando Rafael (elmelo2000rafael@gmail.com)

 lOMoARcPSD|15473895

80-
Z=400
70-

60-
Z=300
50-

Z=2000 40-

30-

20-

10-

0-

0 10 20 30 40 50 60 70 80 90 100 110

Podemos seguir aumentando los valores con la intención de llegar a un tope,

pero si nos pasamos de esta, ya no abran soluciones factibles al valor más
grande de Z ya que no se cumplirían las condiciones.

Para analizar cuáles serían las coordenadas del punto se debe plantear una
serie de ecuaciones con la intensión de saber cuáles son las restricciones y
encontrar el punto óptimo; a continuación, se ilustrará lo mencionado.
 lOMoARcPSD|15473895

90-

80-

70-

60-

50-

40-

30-

20-

10-

0-
0 10 20 30 40 50 60 70 80 90 100 110

En la gráfica se encuentra que el valor óptimo se encuentra en la

intersección de la segunda y tercera restricción. Al determinar una
solución al sistema de ecuaciones encontramos que:

3X1 + 6X2 ≤ 300

12X1 + 10X2 ≤ 600

X1= 60, X2= 100 serían las coordenadas del punto óptimo.

En el siguiente video verás el proceso de solución de un problema con su

correspondiente gráfica de programación lineal. Aquí se revisarán las
restricciones y se identificará la región factible en su maximización:

Este método sirve para resolver problemas que contienen dos variables,
pero te ayudará a comprender los temas siguientes.

Solución modelo de maximización:

Las empresas buscan aprovechar los recursos con los que cuentan,
esperan mejorar su utilización logrando la maximización. Para hacerlo,
intervienen diferentes factores del ecosistema que ayudan a mejorar los
procesos que, además, cuentan con una planeación representada por
 lOMoARcPSD|15473895

medio de ecuaciones en cada una de sus variables y donde se busca

identificar el máximo resultado o, incluso, llevar una de sus variables a su
máxima expresión.

Cuando se habla de maximización se busca encontrar el mayor

rendimiento de los recursos. Además, se puede ver cómo es
implementada en la producción y economía, aprovechando mejor los
productos y las finanzas que intervienen en los costos. (Salas, 2017)

Con la optimización se puede hallar una respuesta que proporciona el

mejor resultado; también permite lograr mayores ganancias, como una
gran producción, lo cual genera mayor felicidad con menor costo y
desperdicio. (Alvarado, 2009)

El desperdicio de materiales puede causar malestar en los directivos de

una organización. Por este motivo, a diario se buscan estrategias que
ayuden a mejorar la eficiencia de la empresa. Si maximizo el manejo de
recursos, tiempo, dinero, maquinaria y talento humano, puedo obtener
mayor cantidad de productos elaborados.

Para iniciar con el desarrollo de un problema de maximización, se debe

establecer el espacio de soluciones factibles del modelo y la solución
óptima que existe entre los puntos factibles; también, hay que tener en
cuenta que existen restricciones que se muestran en el enunciado del
problema pero que son consideradas intuitivas; por ejemplo, las variables
no pueden ser menores que cero.

Ejemplo:
La diseñadora Romelia Pachón desea organizar su fábrica de tecnología
para el hogar, por eso requiere de un grupo de electricistas y mecánicos
que la ayuden con el montaje y producción. Se cuenta con la
disponibilidad de 30 electricistas y 20 mecánicos. Romelia necesita que
en su grupo de trabajo exista mayor o igual número de mecánicos y que
estos no superen el doble de electricistas.
Cada uno de los electricistas da un beneficio de 250 dólares por jornada
a la fábrica; los mecánicos, por su parte, dan 200 dólares. De acuerdo
con la información, la diseñadora desea saber ¿cuántos trabajadores de
cada área necesitan para realizar la labor y cuál sería el máximo
beneficio?
 lOMoARcPSD|15473895

Solución:
Para iniciar con la solución del problema debemos analizar la información
con la que contamos y a esto se le dará el nombre de planteamiento.

Planteamiento:
De acuerdo con el problema, se cuenta con dos tipos de trabajadores:
electricistas y mecánicos. Llamaremos X a los electricistas que se
encuentran disponibles con la intención de obtener el mayor beneficio,
llamaremos Y a la cantidad de mecánicos.
X: número de electricistas.
Y: número de mecánicos.

Buscamos maximizar el beneficio de la empresa, a esto llamaremos

función objetivo, pues buscamos generar mayores costos y minimizar
costos y pérdidas.
El problema indica que: cada uno de los electricistas da un beneficio de
250 dólares por jornada a la fábrica; los mecánicos, por su parte, dan 200
dólares. Así que calcularemos el mayor beneficio de la fábrica:

La función objetivo depende del número tanto de electricistas como de

mecánicos que requiere o elige la fábrica para maximizar los beneficios.
Teniendo en cuenta la siguiente fórmula, podremos calcular la ganancia y
su beneficio:

Función objetivo: maximizar.

F (X; Y) = Número de electricistas + Número de mecánicos
F (X; Y) = 250 X + 200 Y
Entonces esta será la función que se maximizará: F(X; Y) = 250 X + 200
Y; representando el beneficio de la fábrica.
Maximizar: F (X; Y) = 250 X + 200 Y
Para analizar las restricciones, debemos tener en cuenta la siguiente
información:
Restricciones:
 lOMoARcPSD|15473895

Número de Fórmula Indicación

restricción

Necesita que en su grupo de trabajo exista mayor

o igual número de mecánicos y que estos no
1 Y≥X
superen el doble de electricistas.

2 Y≤ 2X Y número de mecánicos no superen el doble de

electricistas

3 X≤30 Se cuentan con la disponibilidad de 30 electricistas

y 20 mecánicos.
Y≤ 20
4 X≥0 Restricción de no negatividad ya que X y Y nunca
serán negativos.
Y≥0

El planteamiento de maximización
sería el siguiente: Maximizar F(X; Y) =
250 X + 200 Y Sujeto a:

X ≤ 30

Buscaremos la región factible donde se graficarán las diferentes

restricciones que fueron planteadas en el problema y que se mencionan
anteriormente:

Y≥X
Y=X
Y=0
 lOMoARcPSD|15473895

40-
35-
30-
25-
20-
15-
10-
5-
0- Y=X
l l l l l l l l l
0 5 10 15 20 25 30 35 40
Y≥X
Y = 20
Y=X
40-
35-
30-
25-
20-
Y ≤ 2X 15-
Y = 2X 10-
Y = 2(0) 5-

Y=0 0-

l l l l l l l l l
0 5 10 15 20 25 30 35 40

Y=X
40-
35-
30-
25-
20-
15-
10-
5-
0-

l l l l l l l l l
0 5 10 15 20 25 30 35 40
 lOMoARcPSD|15473895

Y = 2X Y=X
40-
Y = 2(10) 35-
Y = 20 30-
Y=0 25-
20-
15-
10-
5-
0-

l l l l l l l l l
0 5 10 15 20 25 30 35 40

X = 30

l l l l l l l l l
0 5 10 15 20 25 30 35 40

Y = 2X

Y=X
40-
35-
X ≤ 30
30-
X=30
25-
20-
15-
10-
5-
0-
 lOMoARcPSD|15473895

Y = 2X
Y ≤ 20
Y=20
Y=X
40-
35-
30-
25-
20-
15-
10-
5-
0- X = 20

l l l l l l l l l
0 5 10 15 20 25 30 35 40

40-
Y = 2X Y=X
35-

Y≥X 30- Y = 20
25-
Y ≤ 2X
20-
X ≤ 30
15-
Y ≤ 20
10-
X = 30
5-
0-
l l l l l l l l l
0 5 10 15 20 25 30 35 40

La región factible del ejercicio se encuentra sombreada en color azul.

El siguiente paso es buscar la maximización del problema, la cual la

encontraremos con la función objetivo, la función óptima se encontraría
en los diferentes vértices de la región factible, donde estarían las
diferentes coordenadas de la región factible como se ve en la gráfica:
 lOMoARcPSD|15473895

Maximizar: F(X; Y) = 250 X + 200Y

Coordenadas:
Y = 2X
Y=X
40-
A: (0; 0) 35-
B: (10,20) 30-
C: (20,20)
25-
B:(10,20) Y = 20
20-
15-
10-
C:(20,20)
5- X = 30
0-
l l l l l l l l l
A:(0,0)
0 5 10 15 20 25 30 35 40

Maximizar: F(X; Y) = 250 X + 200Y

A: (0; 0) F (0; 0) = 250 (0) + 200 (0) = 0
B: (10,20) F (10; 20) = 250 (10) + 200 (20)=6.500
C: (20,20) F (20; 20) = 250 (20) + 200 (20)=9.000 máx.

El vértice que logra el mayor objetivo es el C donde el mayor beneficio es de

9000.

Solución:
La diseñadora Romelia Pachón debe elegir:
X: 20 electricistas.
Y: 20 mecánicos.
Con esto, podrá ganar 9.000 dólares por jornada.

Con este método podrás encontrar el valor máximo del problema.

Solución modelo de minimización:

 lOMoARcPSD|15473895

En la programación lineal la minimización ayuda a identificar y reducir los

costos de una organización o empresa; para Weber (1984, p. 718) las
variables primarias, llamadas valor objetivo, intervienen tanto en
igualdades y desigualdades, estas a su vez tienen el nombre de
restricciones o condiciones, lo cual ayuda a tomar una decisión.
(González et al., 2018)

Según Hillier y Lieberman (2017), cuando en una variable el objetivo es

pequeño y la maximización es muy grande, este tendrá un valor de cero
en la solución óptima. Cuando el costo es reducido, este indicará cuánto
se puede o no aumentar tanto en la maximización como en la
minimización donde se encontrará la solución óptima convirtiéndose en
básica para después desarrollar la función objetivo.

A continuación, realizaremos el siguiente ejercicio donde podremos

encontrar la minimización de este.

Ejemplo:
Ximena fue al médico porque necesita mejorar su estado físico. Su doctor
le recomendó tomar dos tipos de vitaminas: D y E. Cada unidad de
vitamina D tiene 120 calorías y 2 gramos de proteína. La vitamina E, por
su parte, tiene 100 calorías y 5 gramos de proteína. Para alcanzar el éxito
con la dieta, Ximena debe consumir mínimo 1 000 calorías y 30 gramos
de proteína. Si tenemos en cuenta que la unidad de vitamina D cuesta
$70.000 y la de vitamina E $80.000, ¿cuántas unidades de cada alimento
debe incluir Ximena para que el costo sea el mínimo?

Para iniciar con la solución del problema primero debemos realizar el

planteamiento.

• La unidad de vitamina E contiene 100 calorías y 5 gramos de

proteína.

• El precio de cada unidad de vitamina D es de $70.000 y la unidad

de vitamina E es de $80.000.

• Para que la dieta sea exitosa debe tener como mínimo 1.000
calorías y 30 gramos de proteínas.
 lOMoARcPSD|15473895

Vitamina Caloría Proteína Precio

D 120 2 70.000
E 100 5 80.000
Mínimo 1.000 30

De acuerdo con el problema, contamos con dos vitaminas D y E, donde

se pide la cantidad tanto de la vitamina D como la de la E que debe ser
incluido en la dieta, pero minimizando los costos.

X= Cantidad de unidades de vitamina D.

Y= Cantidad de unidades de vitamina E.
Función objetivo: minimizar.
Entonces debemos analizar la siguiente información:

• Si tenemos en cuenta que el precio de cada unidad de vitamina D

es de $70.000 pesos y la unidad de vitamina E es de $80.000
pesos.

Minimizar: F (X; Y) = 70.000X + 80.000Y

Cuando analizamos la información de la tabla, encontramos que las
restricciones las podemos ubicar en la columna de las calorías y en las
proteínas entonces tendríamos:

Restricciones:
Calorías: 120x + 100y ≥ 1.000
Proteínas: 2x + 5y ≥ 30
X≥0 Restricciones de no negatividad

Y≥0
Al revisar las restricciones, observamos que la primera restricción se
puede simplificar sacándole veinteava de la siguiente manera:

120x + 100y ≥ 1.000

 lOMoARcPSD|15473895

6x + 5y ≥ 50
entonces esta sería la
restricción El siguiente paso es determinar la
región factible.

X
≥0
Y
≥0
6x + 5y ≥ 50
2x + 5y ≥ 30

En el primer paso desarrollaremos la primera restricción.

 lOMoARcPSD|15473895

Y
14- Y = 10
6x + 5y ≥ 50
12-
6x + 5y = 50
10-
6(0) + 5y = 50 8-
5y = 50 6-
Y = 50 4-
5 2-
Y = 10 0-
l l l l l l l l l X
0 5 10 15 20 25 30 35 40

Y
6x + 5y ≥ 50
6x + 5(0) = 50 14- 6x + 5y = 50
6x = 50 12-
x = 50 10-

6 8-

Y = 8,3 6-
4-
2-
0-
l l l l l l l l l X
0 5 10 15 20 25 30 35 40

2x + 5y ≥ 30
2x + 5y = 30 14-
2(0) + 5y =30 12-
5y = 30 10-
Y=30 8-

5 6- y = 6
Y= 6 4-
2-
0-
l l l l l l l l l X
0 5 10 15 20 25 30 35 40
 lOMoARcPSD|15473895

2x + 5y ≥ 30
2x + 5y = 30 14-
2x + 5(0) =30 12-
2x = 30 10-
x=30 8-

2 6- 2x + 5y = 30
x= 15 4-
2-
0-
l l l l l l l l l X
0 5 10 15 20 25 30 35 40

Y
Región factible 14-
6x + 5y = 50
6x + 5y ≥ 50 12-
2x + 5y ≥ 30 10-
8-
6-
4-
2-
2x + 5y = 30
0-
l l l l l l l l l X
0 5 10 15 20 25 30 35 40

Solución óptima donde minimizaremos el costo

Minimizar: F(X; Y) = 70.000X + 80.000Y

Teniendo en cuenta la teoría de la programación lineal, la solución óptima
se encuentra en los vértices de la región factible. En este caso serían los
siguientes:

A= (0; 10)
B= corresponde a la solución del sistema de ecuaciones: 6x + 5y = 50 y
la ecuación de 2x + 5y = 30 donde se pasará a restar estas dos
ecuaciones:
 lOMoARcPSD|15473895

6x + 5y = 50
2x + 5y = 30
4x = 20
X= 20
4

X= 5
Estos serían los vértices de las
coordenadas. Y= 4

C= (15; 0)

Donde cada uno de los vértices sería la solución óptima de la

minimización de este problema.

Y
14-
Región factible 12- A= (0; 10)
6x + 5y = 50 10-
2x + 5y = 30 8- B= (5; 4)

6-
4-
2- C= (15; 0)
0-
l l l l l l l l l X
0 5 10 15 20 25 30 35 40

Minimizar: F(X; Y) = 70.000X + 80.000Y

A= (0; 10) F (0; 10) = 70.000 (0) +
80.000 (10) F (0; 10) = 0
+ 80.000 (10)
F (0; 10) = 800.000

B= (5; 4) F (5; 4) = 70.000 (5) + 80.000 (4)

F (5; 4) = 350.000 + 320.000
F (5; 4) = 670.000

C= (15; 0) F (15; 0) = 70.000 (15) + 80.000 (0)

 lOMoARcPSD|15473895

F (15; 0) = 1.050.000 + 0
F (15; 0) = 1.050.000

Con la función objetivo de los vértices

calculamos el costo: A= (0; 10) F (0; 10)
= 800.000
B= (5; 4) F (5; 4) = 670.000 Solución óptima de
minimización. C= (15; 0) F (15; 0) = 1.050.000

Después de tener la solución óptima del ejercicio correspondiente al

punto B, decimos que la dieta Ximena debe contener 5 unidades de
vitaminas D y 4 unidades de vitamina E. para que el costo mínimo sea de
$670.000. Esta es la solución del problema.

A continuación, veremos un video en el cual se planteará un problema del

caso Profit & Gambit donde podemos ver cómo se encuentra la
minimización del problema, lo cual ayudará a comprender mejor el tema.
Con este método podrás encontrar el valor mínimo de los costos y saber
cuál es la mejor opción de decisión.

En las empresas de la actualidad se debe conocer cuáles son los

procesos de producción para identificar en cuáles se puede adquirir el
mayor beneficio a menor costo, permitiendo adquirir una excelente
información para tomar las mejores decisiones, lo cual permitirá el
crecimiento de la organización con mayor eficiencia en el desarrollo de
cada uno de sus productos, permitiendo reconocer cuáles son esos
pasos que son innecesarios desarrollar y generando una mejor gestión
donde se pueden minimizar los posibles errores.

Variables de holgura, superávit y no restringidas:

Cuando hay una desigualdad en las restricciones, en programación lineal

utilizamos las variables de holgura, ya que estas permiten cambiar las
desigualdades en igualdades en la función del objetivo. (Jiménez Lozano,
1999)

La variable holgura es también considerada de superávit pues

transforman las restricciones en el cual se tiene en cuenta el conjunto de
ecuaciones del sistema. (Rojas, E. et al., 2004)
 lOMoARcPSD|15473895

En el método simplex, las variables de holgura son importantes porque

permiten igualar las desigualdades; al analizar que en una función
objetivo no ingresa la variable de holgura, nos indican que su coeficiente
es cero lo que significa que se encuentra en la frontera de la restricción;
por otra parte, si encontramos que el valor de este es mayor a cero,
traduciría en que se encuentra en el lado factible de la frontera y si en
otro caso el valor es menor a cero, se considera que no está en el lado
factible del plano cartesiano. (Carro, 2009)

La variable de holgura se utiliza en el método simplex, completa la

porción faltante de las restricciones permitiendo equilibrar el lado derecho
de la restricción, también se identifica con una letra Sn, permitiendo tener
una igualdad o transformar una ecuación.

Dependiendo del problema que tengamos, utilizaremos a las variables de

holgura y artificiales de la siguiente manera:

Signo de la Tipo de variable Puede darse en un

restricción caso de:

≤ + Variable de holgura Modelo de

Maximización

≥ Variable de holgura + Variable Modelo de

Minimización
artificial
= +Variable artificial

Ejemplo:
En un taller se fabrican refrigeradores de dos tipos: tipo A y tipo B. Estas
son algunas características de la producción del taller:

• Está en capacidad de producir máximo 80 000 unidades de A y 120 000

unidades de
B.
• A deja una ganancia de $15 por unidad.
• B deja una ganancia de $30 por unidad.
 lOMoARcPSD|15473895

Se dispone de 10 000 kilos de hierro, 16 000 de fibra de carbono y 14 000

de aluminio, sabiendo que la composición de los refrigeradores es de:

• Para A ↔ 10% de hierro, 12% de fibra de carbono y 7% de aluminio.

• Para B↔ 5% de hierro, 10% de fibra de carbono y 10% de aluminio.
•
¿Cuántos refrigeradores de cada tipo se deben producir para maximizar la
ganancia?
Lo primero es analizar qué tipo de problema es. En este caso se observa
que es de maximización, así que debemos realizar el planteamiento del
problema.

Planteamiento:
Tipos Máxima Utilidad Hierro Fibra de Aluminio
de producción carbono
$/ unidad
refrigerador
A 80 000 15 10% 12% 7%
B 120 000 30 5% 10% 10%
Disponible Disponible Disponible
10 000 k 16 000 k 14 000k

X1= Número de refrigeradores de tipo A que se deben producir.

X2= Número de refrigeradores de tipo B que se deben producir.
Después de identificar el planteamiento y las variables, podemos
maximizar el problema.
Maximizar Z= 15 X1 + 30 X2

Sujeto a:
X1 ≤ 80.000
X2 ≤ 12.000
0,1 X1 + 0,05 X2
≤ 10.000 0,12 X2
+ 0,1 X2 ≤
16.000 0,07 X1 +
0,1 X2 ≤ 14.000
X 1, X 2 ≥ 0
 lOMoARcPSD|15473895

El primer requisito para trabajar el método simplex es que todas las

restricciones sean igualdades. En este caso, todas están con menor o
igual, así que sumaremos la variable de holgura así:

Maximizar Z= 15 X1 + 30 X2 + 0S1+ 0S2 + 0S3 +

0S4 + 0S5 Sujeto a:
X1 + 0S1 = 80.000
X2 + S2 = 12.000
0,1 X1 + 0,05 X2 + S3 = 10.000
0,12 X2 + 0,1 X2 + S4 = 16.000
0,07 X1 + 0,1 X2 + S5 = 14.000

Estas serían las variables de holgura que se encuentran de forma positiva

lo cual indica que se ha cumplido con las restricciones y también significa
que ya está listo para realizar el método simplex; pasaremos a realizar la
tabla simplex básica.

C Restriccione 15 30 0 0 0 0 0
j s Variabl Variabl Variabl Variabl Variabl
e de e de e de e de e de
holgura holgura holgura holgura holgura
Xj Bn X1 X2 S1 S2 S3 S4 S5
0 S 80.000 1 0 1 0 0 0 0
1
0 S 120.000 0 1 0 1 0 0 0
2
0 S 10.000 0,1 0,0 0 0 1 0 0
3 5
0 S 16.000 0,1 0,1 0 0 0 1 0
4 2
0 S 14.000 0,7 0,1 0 0 0 0 1
5
zj 0 0 0 0 0 0 0 0
Zj - -15 -30 0 0 0 0 0
-
 lOMoARcPSD|15473895

Cj
Estos se conocen como indicadores

Para calcular el Zj se multiplica cada uno de los valores del bn

con los de Cj Zj= Bn * Cj
80.0000 * 0 =
0 120.000 * 0
=0
10.000 * 0
= 0 16.000
*0=0
14.000 * 0 = 0

Para X1 se continúa multiplicando sus valores por Cj

1 * 0= 0
0 * 0=0
0,1 * 0=0
0,12 * 0=0
0,07 * 0=0
0 * 0=0

Para X2 continuamos multiplicando sus valores por Cj

0 * 0= 0
1 * 0=0
0,05 * 0=0
0,1 * 0=0
0,1 * 0=0

De esta forma se sigue realizando con: S1, S2, S3, S4, S5; en este caso
dará cero por la multiplicación realizada con Cj. Finalmente restamos los
Zj – Cj

• Como bn no tiene con quien restar colocaremos una raya:

• 0 -15 = -15
• 0- 30 = -30
• 0 -0 = 0 • 0 -0 = 0 • 0 -0 = 0 • 0 -0 = 0
• 0 -0 = 0
 lOMoARcPSD|15473895

Revisa las cifras anteriores para tener una mejor comprensión. Al

analizarlas, encuentras que los indicadores muestran un valor negativo,
al tratarse de un problema de maximización, nos indica que aún no está
resuelto. De manera que se debe buscar el indicador negativo más alto,
en este caso sería el (-30) que se llamará variable entrante, ubicada en la
columna X2.

bn / X2
80.000 / 0 = No existe
120.000/1 = 120.000
10.000/0,05=200.000
16.000/0,1 = 160000
14.000/0,07= 140000

Estos reciben el nombre de semi pivotes y aquí se busca el menor valor.

En este caso sería 120.000 e indica que es la variable saliente y por ende
se ubica en el cuadro como S2. El cruce, tanto de la variable entrante
como la de la variable saliente, que es este caso en el número 1 se
llamará pivote.

Cj 15 30 0 0 0 0 0
Variab Variab Variab Variab Variab
Restriccio le le le le le
n es
de de de de de
holgur holgur holgur holgur holgur
a a a a a
Xj Bn X1 X2 S1 S2 S3 S4 S5
Varia
ble
entra
nte
0 S1 80.000 1 0 1 0 0 0 0
0 S2 120.000 0 1 0 1 0 0 0 Variable
Pivot saliente
e
0 S3 10.000 0,1 0,05 0 0 1 0 0
0 S4 16.000 0,1 0,1 0 0 0 1 0
2
 lOMoARcPSD|15473895

0 S5 14.000 0,7 0,1 0 0 0 0 1

zj 0 0 0 0 0 0 0 0
Zj -Cj - -15 -30 0 0 0 0 0

El objetivo es que los valores de la columna X2 sean 0, menos el pivote

que será la variable entrante, en este caso serían los valores de (0,05),
(0,1), (0,1); la cual realizaremos en la tabla simplex ll.

Para cambiar el 0,05 a cero se debe realizar una operación de filas, se

debe tener en cuenta que en este caso los dos números son positivos
entonces en este caso pasaría al negativo como se mostrara a
continuación:

Operaciones entre filas S2 y S3

S3 – 0,05 (S2)
bn ↔ 10 – 0,05
(120) = 4 x1 ↔
0,1 – 0,05 (0)
= 0,1 x2 ↔ 0,05
– 0,05 (1) = 0 S1
↔ 0 - 0,05 (0)
=0
S2 ↔ 0 - 0,05 (1) =-0,05
S3 ↔ 0 - 0,05
(0) =1 S4 ↔ 0
- 0,05 (0) =0
S5 ↔ 0 - 0,05
(0) =0

Operaciones entre filas S2 y S4.

S4 – 0,01 (S2)
bn ↔ 16 – 0,1
(120) = 4 x1 ↔
0,12 – 0,1 (0)
=0,12 x2 ↔ 0,1 –
0,1 (1) =0
S1 ↔ 0 - 0,1 (0) = 0
S2 ↔ 0 - 0,1 (1) = -0,1
 lOMoARcPSD|15473895

S3 ↔ 0 - 0,1
(0) = 0 S4 ↔ 1
- 0,1 (0) =1
S5 ↔ 0 - 0,1 (0) = 0

Operaciones entre filas S2 y S5

S5 – 0,01 (S2) bn
↔ 14 – 0,1 (120)
= 2 x1 ↔ 0,07 –
0,1 (0) = 0,07
x2 ↔ 0,1 – 0,1 (1)
=0
S1 ↔ 0 - 0,1 (0) = 0
S2 ↔ 0 - 0,1 (1) = -0,1
S3 ↔ 0 - 0,1 (0) = 0
S4 ↔ 0 - 0,1 (0) =0
S5 ↔ 1 - 0,1 (0) = 1

Ahora
encontraremos el Zj
– Cj x1 ↔ 0 -15 = -
15 x2 ↔ 30-30 = 0
S1 ↔ 0-0 =0
S2 ↔ 30 – 0 = 30
S3 ↔ 0 – 0 = 0
S4 ↔ 0-0 = 0
S5 ↔ 0-0 = 0

Los resultados de estas operaciones están en la siguiente tabla:

Tabla simplex ll
cj 15 30 0 0 0 0 0
Xj bn X1 X2 S1 S2 S3 S4 S5
0 S1 80 1 0 1 0 0 0 0
30 X2 120 0 1 0 1 0 0 0 Variable
pivot saliente
e
 lOMoARcPSD|15473895

0 S3 4 0,1 0 0 -0,05 1 0 0
0 S4 4 0,12 0 0 -0,1 0 1 0
0 S5 2 0,07 0 0 -0,1 0 0 1
zj 3600 0 30 0 30 0 0 0
Zj - - -15 0 0 30 0 0 0
Cj

Al analizar la tabla anterior, encuentras que al ser un modelo de

maximización, los indicadores deberán ser positivos o dar 0; en este
caso, por ejemplo, encontramos -15, que indica que no se cumplen las
restricciones, por esto se denomina variable entrante x1.

Para encontrar la variable saliente se toman todos los valores de la

columna x1 y se divide con bn de la siguiente forma:
bn/ X1
S1 ↔ 80 / 1
= 80 x2
↔120/ 0 =
NO
S3 ↔ 4/0,1 =40
S4 ↔ 4/0,12 = 33,33
S5 ↔ 2/0,07 = 28,57 En este caso sería la variable saliente

El pivote seria 0,07 de acuerdo con el planteamiento del problema el

pivote debería ser 1, por tal motivo este resultado no serviría, entonces
debemos dividir de la siguiente manera:

S5 (1/0,07)
bn ↔ 2 (1/0,07) =
28,57 x1 ↔ 0,07
(1/0,07) = 1
x2 ↔ 0 (1/0,07) = 0

S1 ↔ 0 (1/0,07) = 0
S2 ↔ 0,1 (1/0,07) = -1,43
S3 ↔ 0 (1/0,07) = 0
S4 ↔ 0 (1/0,07) = 0
S5 ↔ (1/0,07) = -14,29
 lOMoARcPSD|15473895

Tabla simplex ll
cj 15 30 0 0 0 0 0
Xj bn X1 X2 S1 S2 S3 S4 S5
0 S1 80 1 0 1 0 0 0 0
30 X2 120 0 1 0 1 0 0 0
pivo
te

0 S3 4 0,1 0 0 -0,05 1 0 0
0 S4 4 0,12 0 0 -0,1 0 1 0
0 S5 28,57 1 0 0 -1,43 0 0 14,29
zj 3600 0 30 0 30 0 0 0
Zj - - -15 0 0 30 0 0 0
Cj

Una vez calculado el pivote, pasamos a convertir en 0 a todos los

elementos de la columna X1, que registraremos a continuación:

Operaciones entre filas S1 y S5

S1 - S5 bn ↔ 80 -
28,57 = 51,43
x1 ↔ 1
-1 = 0
x2 ↔ 0
- 0 =0
S1 ↔
1- 0 =
1
S2 ↔ 0 - (-1,43)= 1,43
S3 ↔ 0-0 = 0
S4 ↔ 0-0= 0
S5 ↔ 0-14,29= 14,29
 lOMoARcPSD|15473895

Operaciones entre filas S3 y S5

S3 – 0,1 (S5)

bn ↔ 4 – 0,1
(28,57) = 1,143 x1
↔ 0,1 – 0,1(1) = 0
x2 ↔ 0 – 0,1 (0)=0
S1 ↔ 0 – 0,1(0) =
0
S2 ↔ 0,05 – 0,1(-1,43)=0,093
S3 ↔ 1- 0,1 = 1
S4 ↔ 0-0,1= 0
S5 ↔ 0-0,1(14,29)= 1,429

Operaciones entre filas S4 y S5

S4 – 0,12 (S5)

bn ↔ 4 – 0,12
(28,57) =0,5716 x1 ↔
0,12 – 0,12(1) = 0 x2
↔ 0 – 0,12 (0)=0 S1
↔ 0 – 0,12(0) = 0
S2 ↔ 0,1 – 0,12(-1,43)=0,0716
S3 ↔ 0- 0,12(0) = 0
S4 ↔ 1 – 0,12(0)= 1
S5 ↔ 0-0,12(14,29)= -1,71

Ahora encontraremos el Zj
Cj * bn + Cj*bn

0 -15 = -15
30* 120 +15* 28,57 =4028,55
30 * 0 +15*1 = 15
30 * 1 +15*0 = 0
30 * 0 +15*0 = 0
 lOMoARcPSD|15473895

30 * 1 + (-1,43) = 8,55
30*0 +15*0=0
30*0 +15*14.29=214,35

Ahora encontraremos el Zj – Cj
15-15 = 0
30-30 = 0
0-0 =0
8,55 - 0 = 0
0-0 =0
0-0 =0
214,35 -0 =214,35

A continuación, se muestra la información correspondiente de las

ecuaciones en el cuadro Simplex lll

Tabla simplex lll

cj 15 30 0 0 0 0 0
Xj bn X1 X2 S1 S2 S3 S4 S5
0 S1 51,43 0 0 1 1,43 0 0 -14,29
30 X2 120 0 1 0 1 0 0 0
0 S3 1,143 0 0 0 0,093 1 0 -1,429
0 S4 0,5716 0 0 0 0,071 0 1 -1,71
6
15 X1 28,57 1 0 0 -1,43 0 0 14,29
zj 4028,55 15 30 0 8,55 0 0 214,35
Zj - - 0 0 0 8,55 0 0 214,35
Cj

Después de tener la tabla simplex III, revisamos los indicadores que, en

este caso, son positivos. Esto quiere decir que el problema ha sido
resuelto, pero hay que revisar los cruces de estos para dar respuesta a la
interpretación:

X1= 28,57
 lOMoARcPSD|15473895

X2= 120
S1=
51,4
3
S3=
1,14
3
S4= 0,5716
S2= 0
S5=0

Como al inicio del problema quitamos los ceros, es necesario volver a

colocarlos (todo por 1000) quedando de la siguiente forma:

X1= 28570
X2= 120000
S1= 51430
S3= 1143
S4= 571,6
S2= 0
S5=0

Solución:

• Se deben fabricar 28 570 refrigeradores de tipo A.

• Se deben fabricar 120 000 refrigeradores de tipo B.

• Como S1 es la holgura de la restricción de la demanda de A,

entonces no se cumple la demanda de A, faltan 51 430
refrigeradores.
 lOMoARcPSD|15473895

• Como S3 es la holgura restricción del hierro, entonces, quedan

1143 (esta sería la holgura) libras sin utilizar; es decir, que el taller
compra 10 000 kilos, pero solo utiliza 8 857.

• Como S4 es la holgura restricción de la fibra de carbono, entonces

quedan 571,6 libras sin utilizar; en este caso como queda material
que se puede reutilizar nos indicaría que no es una pérdida valiosa
para la empresa, pero no está siendo eficiente porque está
haciendo compras excesivas.

• Como S2 es la holgura de la restricción de refrigeradores tipo B,

entones se cumple toda la demanda de refrigeradoras B. Indica que
todo lo que puedo hacer lo estoy haciendo.

• Como S5 es la holgura restricción de aluminio, requiere decir que

se ocupó todo el aluminio.

Solamente el hierro y la fibra de carbono no se están ocupando en su

totalidad.
Tanto la variable holgura como las variables de superávit tienen una
evolución en el momento que aparecen las restricciones de Y, y se
caracterizan por ser mayores es allí donde aparecen las variables de no
restringidas donde sus valores pueden ser positivos, negativos o cero.

Variables de holguras:

En las variables de holguras encontramos que representan la cantidad

disponible de los recursos con la característica que se exceden en el
empleo de ellas, para las restricciones que corresponden a ser menores
(<=) y que se encuentran en el lado derecho, representan los límites que
se deben tener basándose en la disponibilidad del recurso. Cuando se
ubica en el lado izquierdo, representa lo que se está utilizando del
recurso siendo este limitado en las diferentes actividades del modelo
donde la variable holgura representa la cantidad o el número de materia
prima que no es utilizada.

Una variable que es no negativa S1, es considerada una holgura o

también llamada una cantidad no utilizada del recurso.
 lOMoARcPSD|15473895

Variable superávit:

Rodrigo Pérez (2019) comenta que las variables de superávit son

también llamadas variables artificiales y tienen una forma positiva. En
programación lineal, el superávit aplica para las restricciones que sean
mayores o iguales (>=) donde estas determinan los excesos del mínimo
teniendo en cuenta las especificaciones de las restricciones del
problema, estas se ubican en el lado izquierdo y es representada con una
variable de ajuste (Xi o Si) con el fin de ser convertida en una igualdad un
ejemplo de ello podríamos verla en el siguiente ejemplo: si contamos con
una restricción X1 + 3x2>= 5, esto equivaldría a tener X1+ 3X2-X3=5.
(Hillier y Lieberman, 2017)

Cuando tenemos una restricción mayor o igual (>=), esta establece un

límite que es inferior en las actividades que son económicas dentro de la
programación lineal. Se dice, entonces, que cuando este se excede en el
lado izquierdo, el límite mínimo se representa por un superávit, es decir,
la conversión de mayor o igual (>=) a igual (=) se logra con la resta de
una variable de superávit que es no negativa del lado izquierdo de una
desigualdad. (TAHA, 2012)

Variable de no restringidas:
Cuando se habla de una variable no restringida, nos referimos a que se
encuentra libre en signo, es también llamada variable (n.r.s); lo que nos
indica que se puede mover desde el -∞ hasta el +∞ donde cualquier
número ya sea positivo o negativo se puede expresar como una
diferencia tanto de dos números positivos puede también cambiarse de
variable por la diferencia de dos variables negativas: Xj = Xj + Xj - >= 0.

Análisis de sensibilidad, cambios en coeficientes de

la función:

El análisis de la sensibilidad es utilizado para examinar los cambios y los

efectos que pueden presentar los problemas donde intervienen tres áreas
que se diferencian entre sí; uno de ellas corresponde al coeficiente de la
función objetivo, donde sus cambios no afectan la región factible, lo cual
 lOMoARcPSD|15473895

significa que no modificará o cambiará la función óptima pero si tendrá

repercusión el valor de la función objetivo; también encontramos los
coeficientes tecnológicos los cuales afectan las restricciones que se
encuentran ubicados en el lado izquierdo de la desigualdad indicando
que sucederán cambios significativos en la región factible donde las
restricciones son aquellas que varían y los recursos disponibles muestran
que se pueden ver las restricciones de forma independiente y se ubican
en el lado derecho de una desigualdad. (Velásquez, 2008)

En el análisis de la sensibilidad se estudian las diferentes variaciones del

valor optimo, se modifican los diferentes parámetros del coeficiente de la
variable de la función objetivo y se determinan los rangos de variación
con el fin de que estos contengan una solución básica y que sea factible.
(Rincón, 2001)

Para entender un poco cómo se desarrolla un análisis de sensibilidad

desarrollaremos el siguiente ejercicio:

Este modelo nos muestra que tanto podemos cambiar en los factores al
interior sin que la solución óptima cambie, en este caso la mezcla tanto
para X1 y X3, los valores no cambian.

Ejemplo:
Max Z= 2X1 + 5X2
+ 8X3 Sujeto a:
6X1 + 8X2 +
4X3 ≤ 96 2X1
+ X2 + 2X3 ≤
40
5X1 + 3X2 + 2X3 ≤ 60
Cj 2 5 8 0 0 0
VB Cs X1 X2 X3 S1 S2 S3 bj
X2 5 1/3 1 0 1/6 -1/3 0 8/3
X3 8 5/6 0 1 -1/12 2/3 0 56/3
S3 0 7/3 0 0 -1/3 -1/3 1 44/3
Zj 25/3 5 8 1/6 11/3 0 488/3
 lOMoARcPSD|15473895

Cj - Zj -19/3 0 0 -1/6 -11/3 0

En los cambios en el coeficiente de la función objetivo, buscamos qué

tanto se pueden transformar los coeficientes que se subrayan a
continuación, sin que las soluciones de bj se alteren:
Max Z= 2X1 + 5X2 + 8X3
Comenzaremos con el cambio en una variable no
básica:
Las variables básicas se encuentran definidas por la columna VB,

VB
X2
X3
S3

Vamos a realizar cambios en una variable no básica correspondiente a la

columna X1 que se caracteriza por no ser parte de la solución y la
solución de X1 y X2 es igual a cero.

2
X1
1/3
5/6
7/3
25/3
-19/3
Realizaremos un primer ejercicio donde cambiaremos el valor de 2 por el
número 6, ¿qué sucedería con la solución?

Cj 6 5 8 0 0 0
VB Cs X1 X2 X3 S1 S2 S3 bj
X2 5 1/3 1 0 1/6 -1/3 0 8/3
X3 8 5/6 0 1 -1/12 2/3 0 56/3
S3 0 7/3 0 0 -1/3 -1/3 1 44/3
 lOMoARcPSD|15473895

Zj 25/3 5 8 1/6 11/3 0 488/3

Cj - Zj -19/3 0 0 -1/6 -11/3 0

En el análisis de la sensibilidad después de desarrollar un ejercicio del

modelo simplex, encontraremos qué sucede con una variable no básica,
en este caso sería la siguiente:

6
X1
1/3
5/6
7/3
25/3
-19/3

Cuando obtenemos el Zj que es la multiplicación de 5* 1/3; 8 *5/6; 0 *7/3;

vemos que en este caso no se multiplica el 6, lo que nos quiere decir
cuándo es una variable no básica lo único que se altera o cambiar es el
Cj – Zj. Quedará de la siguiente forma:

6 – 25/3 = 18/3 -25/3= -7/3

Como el resultado es negativo, el tablero sigue siendo óptimo, entonces
se podría aumentar el número 6 por otro y no se alteraría la solución; por
ejemplo, cambiemos el valor de 6 por 9:

Cj 9 5 8 0 0 0

VB Cs X1 X2 X3 S1 S2 S3 bj
X2 5 1/3 1 0 1/6 -1/3 0 8/3
X3 8 5/6 0 1 -1/12 2/3 0 56/3
S3 0 7/3 0 0 -1/3 -1/3 1 44/3
Zj 25/3 5 8 1/6 11/3 0 488/3
Cj - Zj -19/3 0 0 -1/6 -11/3 0

Con 9, nos quedaría de la siguiente forma:

9- 25/3= 27/3 -25/3= 2/3
 lOMoARcPSD|15473895

Entonces la respuesta se registraría de la siguiente manera:

Cj 9 5 8 0 0 0
VB Cs X1 X2 X3 S1 S2 S3 bj
X2 5 1/3 1 0 1/6 -1/3 0 8/3
X3 8 5/6 0 1 -1/12 2/3 0 56/3
S3 0 7/3 0 0 -1/3 -1/3 1 44/3
Zj 25/3 5 8 1/6 11/3 0 488/3
Cj - Zj 2/3 0 0 -1/6 -11/3 0

Esto nos indica que en nuestro tablero no es óptimo y que por tal razón
en el siguiente tablero tendremos que seguir desarrollando y X1 entraría
hacer parte de una solución básica. ¿Hasta dónde puedo cambiar el
coeficiente para que se salga de esa zona? Si aumentamos una
diferencia d.

Cj 2 +d 5 8 0 0 0
VB Cs X1 X2 X3 S1 S2 S3 bj
X2 5 1/3 1 0 1/6 -1/3 0 8/3
X3 8 5/6 0 1 -1/12 2/3 0 56/3
S3 0 7/3 0 0 -1/3 -1/3 1 44/3
Zj 25/3 5 8 1/6 11/3 0 488/3
Cj - Zj -19/3 0 0 -1/6 -11/3 0

Cuando se calcula el Zj nos quedaría:

2+d – 25/3 ≤ 0
6/3 – d
– 25/3 ≤
0 d-
19/3 ≤ 0
d= 19/3
 lOMoARcPSD|15473895

Si el número que se aumenta es menor o igual a 19/3, la teoría seguiría

siendo óptima. ¿Qué tanto puede cambiar?, se hablaría de un rango de
cambio y se plantearía de la siguiente forma:
Rango [0,2 + 19/3]
Entonces el rango en el que se van a encontrar esos coeficientes está
desde:
Rango [0,25/3]
Si esto se cumple, la solución óptima no cambiará; esto sería para el
cambio de una variable no básica; los cambios afectarían de la siguiente
forma:

Símbolo Descripción Cambios

Cj Coeficiente de la función Por posible pérdida de la posibilidad
objetivo dual o re-optimizar el algoritmo
simplex
bi Términos de la derecha de Por posible pérdida de la posibilidad
las restricciones primal
re-optimizar el dual simplex

Los cambios en los coeficientes de la función objetivo pueden llegar a

provocar la pérdida de la optimalidad primal y los cambios en el término
de la derecha de una restricción puede provocar la pérdida de la
optimalidad dual o pérdida de la posibilidad primal.

En el análisis de la sensibilidad, cuando contamos con los coeficientes de

la función objetivo, podemos encontrar aquellas restricciones que
aumentan y disminuyen teniendo en cuenta el rango que muestra el
análisis de los recursos y permiten comprender como se afecta la
solución óptima. (Alvarado, 2009)

Análisis de sensibilidad, valor unitario:

Cuando analizamos los datos de los diferentes problemas que se
presentan en el método simplex, podemos ver cómo la tabla de
información proporciona los elementos suficientes para resolver la
problemática, permitiendo conocer las diferentes variaciones y los
parámetros, pero teniendo en cuenta que el problema no generará
variaciones en la solución óptima del ejercicio. Cuando hablamos de este
análisis, podemos encontrar que estudia el proceso de cómo afectará una
 lOMoARcPSD|15473895

solución óptima y se tiene en cuenta las variaciones de la condición inicial

del problema, los coeficientes de las variables, la introducción de nuevas
variables y la adición de nuevas restricciones. (Rodríguez Cabrera, 2012)

En el análisis de la sensibilidad se ve cómo se comportan los cambios de

las especificaciones y los diferentes parámetros que existen en el
sistema; en los coeficientes de la función objetivo no afectan la región
factible, lo cual indica que este no afecta la solución óptima. Cuando se
quieren analizar los diferentes efectos de los cambios en los problemas,
existen tres áreas que las diferencian: (Valencia, 2018)

• Los coeficientes de la función objetivo: donde los cambios no

afectan la región factible, pero sí afectan el valor de la función
objetivo.

• Coeficientes tecnológicos: afectan las variables de las

restricciones, también se generan cambios en la región factible.

• Recursos disponibles: se encuentran asociados a las

restricciones y; por consiguiente, generan variaciones en la región
factible y en la solución óptima.

Aplicación de SOFTWARE, QSB, TORA:

• WinQSB:
WinQSB fue creado en 1985 por Yin-Long, profesor del Instituto de
Georgia; puede ser utilizado en cualquier computadora que en sus
funciones utilice el sistema operativo Windows 95, 96 y 2000 profesional
o Xp. (Carro, 2009)

El software es un paquete de herramientas que permite solucionar y

automatizar diferentes problemas complejos, facilitando la toma de
decisiones en el área de investigación de operaciones, donde se
resuelven diferentes problemas de optimización por medio de modelos de
programas lineales. (Velásquez, 2008)

Para comprender un poco mejor el manejo del software WinQSB

resolveremos un problema con el software. Pero primero tendremos que
instalarlo. Sigue los siguientes pasos.
 lOMoARcPSD|15473895

• Se elegirá todos los programas:

• Se ubicará el programa WinQSB:

Se selecciona linear and Integer Programming.

• Aparecerá una pantalla de color gris donde se elegirá File y

después New problema.
 lOMoARcPSD|15473895

• Encontrarás el cuadro problem specification, donde se registrará la

información del problema.

Pon el nombre del ejercicio: problema 5, el número de variables 4, el

número de restricciones: 3, se indica en objetive criterion o criterio de la
función objetivo, ya sea de maximización o minimización dependiendo del
caso; en este será de maximización.

El tipo de variable o Defaul: variable type, será una no negativa y

continua, y el Data entry format o forma de dar de alta la información,
será a través de una matrix o spreadsheet matrix form, déjalo en este
punto y presiona Ok. Quedará así:
 lOMoARcPSD|15473895

Se despliega la siguiente matrix donde se darán de alta cada una de las

ecuaciones en cada uno de los renglones.

En esta se colocarán los coeficientes de cada una de las variables en la

función objetivo. Empieza con X1 donde su coeficiente es 5, en X2 su
coeficiente es 6.5,en X3 será de 5 y en X4 tendrá un valor de 5.5; en la
primera restricción C1; el coeficiente de X1 es 2, el de X2 también será
2 , el de X3 es 5, el de X4 es 1, la dirección o sentido de la restricción es
menor o igual a 180; en la segunda restricción C2; para X1 es 2, X2 será
igual a 2.5, X3 tendrá un valor de 2, X4 es 1.5 menor o igual a 230 y en la
última restricción C3; el coeficiente para X1 es 4, para X2 es 2, para X3
será 6, X4 será 4 menor o igual a 480. Así se evidencian en este cuadro
que, por cierto, lo guardarás en el archivo:
 lOMoARcPSD|15473895

Es importante nombrar el documento con un nombre pequeño que lo

represente ya que si se elige uno muy largo puede causar errores en el
software.

• Da clic en aceptar:

Solicita al software que lo resuelva y lo analice, selecciona solve the

problem o resolver el problema:
 lOMoARcPSD|15473895

Indica que el problema fue resuelto y se llegó a una solución óptima. Das
clic en aceptar:

Después te llevará a la siguiente tabla con la solución o resultados:

 lOMoARcPSD|15473895

Verás los valores de las variables del problema, la solución se da en X1,

que es igual a cero, X2 a 28.5714, X3, igual a cero y X4 es igual a
105.7143; la función objetivo es de 767.1429 y también verás el máximo
valor del ejercicio y el mínimo
.
En los siguientes videos verás el paso a paso de cómo se desarrolla un
problema teniendo en cuenta el manejo del software WinQSB.

TORA:
Tora es un software controlado por un menú, se utiliza para graficar las
restricciones de la programación lineal, es una herramienta autosuficiente
y muy útil que permite registrar los datos fácilmente, cuenta con
instrucciones, menú, cuadros de verificación y comandos, lo cual permite
su ágil desarrollo y manejo. (TAHA, 2012)

Es un programa que se encuentra basado en Windows y utiliza muchas

técnicas de programación lineal, también es considerado como una
aplicación simple que permite hacer gráficas. Se puede utilizar en
procesadores de 32 y 64 bits.

Para desarrollar un problema de programación lineal con el software, se

debe tener en cuenta el modelar el problema matemático, esto con la
finalidad de resolver modelos de transporte, de redes, ecuaciones
simultáneas, de colas, teoría de los juegos y otros cálculos de los
algoritmos. Después de desarrollar un problema (tanto de maximización
como de minimización) registrarás esta información en el software Tora.

¿Practicamos para entenderlo? Realicemos el siguiente ejercicio:

• Lo primero que se debe hacer antes de desarrollar el problema es

descargar el software Tora gratuito y abrirlo.

Ejercicio:
Tenemos el siguiente problema de maximización donde se muestra la
función objetivo y sus respectivas restricciones.
 lOMoARcPSD|15473895

Max Z= 300X1 +
500 X2 Sujeto a:
X1 ≤ 4
2X2 ≤ 12
3X1 + 2 X2 ≤ 18
X 1, X 2 ≥ 0

Utilizaremos TORA para desarrollar el ejercicio de programación lineal;

para esto daremos clic en: “Click here” donde posteriormente vamos a
elegir la opción linear programming como lo indica el siguiente cuadro.

Después aparecerá el siguiente cuadro. Clic en go to input screen:

Verás el siguiente cuadro:

 lOMoARcPSD|15473895

En problem title, escribe el nombre: Ejercicio 1. Coloca el número de

variables de decisión que contiene el ejercicio; en este caso, el valor de la
variable que para el ejemplo es 2 y el número de restricciones que
contiene el ejercicio en este caso serán 3. Presiona la tecla enter del
teclado; donde aparecerá el siguiente cuadro, el cual debe ser llenado
con la información del ejercicio.

Para registrar la información debes colocar el nombre la variable: para X1

y X2. En este caso no lo harás.

El problema es de maximización, pero también puede ser cambiado a

minimización dependiendo del problema y lo que se desee realizar. A
continuación, veremos el registro de los datos del problema de
maximización de programación lineal.
 lOMoARcPSD|15473895

En este caso, como vamos a utilizar la maximización, colocarás los

valores de la función objetivo para X1 será igual a 300 y para X2 será
500; en la restricción 1, X1 será igual a 1 y no tenemos valor en X2; esta
será menor o igual a 4; en la siguiente restricción no contamos con valor
de X1 por tal motivo se dejará en 0 y en X2 será igual a 2 este será
menor o igual a 12 y en la tercera restricción tiene 3 en X1 y 2 en X2
menor o igual a 18 y los demás campos los dejaremos así como lo indica
la siguiente imagen.
Daremos clic en solve menú donde aparecerá un cuadro que indica si
queremos guardar los datos, en este caso diremos que no y parecerá el
siguiente cuadro.

Señalaremos solve problem, donde elegiremos si se quiere emplear el

método gráfico o el simplex, en este caso utilizaremos el método gráfico:
 lOMoARcPSD|15473895

Das clic en go to output screen y aparecerá correspondiente ejercicio con

la función objetivo, sujeto a las tres restricciones y se indica que todas las
variables deben ser mayores o iguales a cero de la siguiente forma:

Para que el Tora arroje el resultado das doble clic en “click here to graph
LP in one stroke” y este mostrará el siguiente resultado:
 lOMoARcPSD|15473895

Se genera la gráfica del problema y en la parte de abajo se verá la

solución óptima; en este caso seria 3600 con un valor de X1= 2 y de X2=
6.

Este video te ayudará a comprender el manejo del software y podrás

evidenciar la forma en la cual este desarrolla los respectivos gráficos del
modelo de programación lineal.

Aplicación método simplex

El estudio del método simplex se remonta a 1951, cuando G.B Dantzing
realizó sus estudios en United States Bureau of Standards, basándose en
varios modelos de una computadora IBM. (Martínez et al, 2014)

El método simplex es una forma de resolución algebraica que permite

resolver problemas de programación lineal, ya sean de maximización o
minimización; este permite solucionar problemas con cualquier cantidad
de variables, restricciones y algoritmos que son utilizados para encontrar
la mejor alternativa óptima, teniendo en cuenta las diferentes
combinaciones o valores factibles. (Jiménez Lozano, 1999)

Cuando pensamos en resolver un problema de programación lineal (con

el método simplex), este debe cumplir con los siguientes requisitos:
 lOMoARcPSD|15473895

• Todas las restricciones que presenta el problema deben ser

ecuaciones. Ya sean mayores o iguales, se deben transformar en
ecuaciones.

• El término del lado derecho no debe ser negativo, si esto sucede se

multiplican ambos lados por un numero negativo menos uno con el
fin de que este sea positivo.

• Las variables deben admitir variables no negativas, esto quiere

decir que las variables deben ser siempre positivas.

Existen diferentes tipos de variables que se utilizan en el método simplex,

por ejemplo: la variable de holgura, que permite convertir las
desigualdades en igualdades; las variables estructuradas, que son
variables de decisión o variables originales del modelo de programación
lineal donde la variable estructurada es la x n; las variables artificiales:
que no representan recursos, pero que son utilizadas como artificio para
transformar ciertas restricciones especiales en igualdades y que es
representada por mn.

El método simplex permite asignar diferentes actividades ya sea en la

realización de un proceso como por ejemplo el transporte de mercancías,
analizar recursos, entre otros. (Hillier y Lieberman, 2017) Este cuenta con
diversas aplicaciones en la programación lineal donde su uso es de forma
geométrica y matemática, es utilizado con la finalidad de dar diferentes
soluciones numéricas a un problema de programación lineal, se aplica
para encontrar soluciones que sean óptimas tanto en problemas de
maximización como de minimización, es muy útil cuando se cuenta con
problemas que son complejos o de gran tamaño; por este motivo es que
se desarrollaron los software que hemos visto anteriormente Tora y el
WinQSB, los cuales facilitan los cálculos del mismo.

En el método simplex, cuando se presenta un problema, puede contener

más de dos variables, esto facilita la toma de la mejor decisión en una
organización; en este se aplica la función objetivo de n variables de
decisión y estas se encuentran sujetas a n restricciones que son lineales
y que contienen n variables de decisión.

Z= C1 x1 + C2 X2 +
… + Cn Xn a11 x1 +
 lOMoARcPSD|15473895

a12 X2 + … + a1n Xn
≤ b1
a21 x1 + a22 X2 + … + a2n Xn ≤ b2
…………
am1 x1 + am2 X2 + … + amn Xn ≤ bm
En programación lineal las variables no pueden asumir valores negativos,
lo que quiere decir que solo pueden tomar valores positivos o cero para
maximizar o minimizar la función objetivo Z.

En el método simplex algebraico realizamos lo siguiente: las inecuaciones

deben ser expresadas como ecuaciones donde agregamos variables
para hacer que cada desigualdad se convierta en una igualdad de la
siguiente forma:

Z= C1 x1 + C2 X2 + … + Cn
Xn a11 x1 + a12 X2 + … + a1n
Xn + xn + 1 = b1 a21 x1 + a22
X2 + … + a2n Xn + xn + 2 =b2
am1 x1 + am2 X2 + … + amn Xn
+ xn + m =bm

De esta manera existirán n variables en el sistema donde X1 a X n son

variables independientes y Xn + 1 y Xn +m son variables libres. Una vez
tenemos adecuadas la función objetivo, los sistemas libres y las
restricciones para calcular el máximo aplicando el método simplex
algebraico, seguimos los siguientes pasos:

Paso 1:
Expresamos la función objetivo como el sistema de restricciones en
términos de las variables independientes. Elegimos valores para las
variables independientes de tal manera que z adquiera el mayor valor
posible.

Z= C1 x1 + C2 X2 + … + Cn Xn
 lOMoARcPSD|15473895

Xn+ 1= b1 - a11 X1 -a12 X2 - …-a1n xn

Xn+ 2= b2 – a21 X1 –a22 X2 - …-a2n xn
Xn+ m= bm – am1 X1 –am2 X2 - …-amn xn
(x1, x2… xn) (xn + 1, xn + 2,… xn +m) < 0

Se debe observar cuidadosamente que ninguna variable libre asuma

valores negativos.
De esta forma tendremos un máximo parcial en la función objetivo Z:
Max= Z= C1 x1 + C2 X2 + … + Cn Xn
El procedimiento determinará que n variables tomen el valor de cero y
pasaran a ser las nuevas variables independientes. x2 = 0 xn = 0 Paso
2:
En el segundo paso de maximización expresamos tanto la función
objetivo, como el sistema de restricciones en términos de las nuevas
variables independientes de esta manera las variables restantes serán
las variables libres.

Z= C1 x1 + C2 X2 + … + Cn Xn
Xn+ 1= b1 - a11 X1 -a12 X2 - …-a1n xn
Xn+ 2= b2 – a21 X1 –a22 X2 - …-a2n xn
…………
Xn+ m= bm – am1 X1 –am2 X2 - …-amn xn
(x1, x2… xn) (xn + 1, xn + 2… xn +m)

Elegimos valores para las variables independientes (x 1, x2… xn) haciendo

que Z adquiera el mayor valor posible, pero a la vez debemos observar
que ninguna de las variables libres (xn + 1, xn + 2,… xn +m) asuman valores
negativos; de esta manera obtenemos nuevas variables independientes
de un nuevo máximo parcial.

Paso 3:
 lOMoARcPSD|15473895

A continuación, se verificará que todos los coeficientes de la función

objetivo sean negativos, de esta manera encontramos el máximo de la
función objetivo.

Z= C1 x1 + C2 X2 + … + Cn Xn
C1 =< 0
C2 =< 0
Cn =< 0
Ejercicio: Teniendo en cuenta el método simplex calcularemos el máximo
de la expresión
Z= 5x1 + 6X2

Sujeta a:
2x1 + 3x2 ≤ 12
2x1 + x2 ≤ 8

Cada desigualdad se convertirá a una igualdad:

2x1 + 3x2 + x3 = 12
2x1 + x2 + x4 = 8

Lo primero que debemos hacer es hacer que cada ecuación función

objetivo y restricciones se denoten en términos de las variables
independientes en este caso sería: Z= 5x1 + 6X2 x3 = 12 - 2X1 - 3X2 x4 = 8
- 2X1 - X2

Elegimos valores para las variables independientes con el fin de que Z

sea lo máximo posible, pero cuidando que los valores no hagan que
ninguna variable libre se hagan negativas; como los coeficientes de las
variables en la función objetivo son positivas 5x1 + 6X2 entonces si
elegimos a X2 que asuma el valor cero (0), esto hará que X1 tome el
valor de 4, sustituimos estos valores en cada ecuación y se obtendrá.
 lOMoARcPSD|15473895

Z= 5x1 + 6X2 = 5(4) + 6(0) = 20

x3 = 12 - 2X1 - 3X2= 12 - 2(4) + 3(0)
= 12 – 8 =4 x4 = 8 - 2X1 - X2 = 8 -
2(4) -0 = 8 – 8 =0

Entonces:
Z= 20
X 3= 4
X 4= 0

De esta forma encontramos nuestro primer máximo parcial para la

función objetivo que es:
Max z = 20

En el segundo paso, observas los valores que han tomado todas las
variables y aquellas que tomaron el valor 0 serán nuestras nuevas
variables independientes.

(x1, x2, x3, x4) = (4, 0, 4, 0)

En este caso notamos que x2 y x4 serán nuestras nuevas variables

independientes, como hicimos en el paso anterior todas nuestras
ecuaciones deben estar en términos de las nuevas variables
independientes, así que realizamos los cambios que sean necesarios
para cumplir con esta condición.

En la tercera ecuación le sumamos el opuesto de +2x 1 y x4 de la siguiente

forma:
x4 = 8 - 2X1 - X2
+2x1 - x4 + 2X1 -x4
 lOMoARcPSD|15473895

Después dividimos entre dos:

2x1 = 8 - 2X2-X4
22
x1 = 4 - 1X2 - 1X4
22

Donde adquirimos la ecuación para x1 en términos de x2 y x4.

En el caso de la segunda ecuación X 3, ya fue despejada, así que

debemos sustituir x1 por la expresión de la cuarta ecuación, para luego
realizar las sumas y restas necesarias
x3 = 12 - 2X1 - 3X2
= 12 – 8+X2+X4 -3X2
x3 = 4 - 2X2 - X4
Ahora tenemos la ecuación para X3 en términos de X2 y X4

En la primera ecuación que corresponde a la función objetivo sustituimos

X1 por la expresión de la cuarta ecuación y luego de realizar las sumas y
restas necesarias conseguimos a Z en términos X 2 y X4 como lo veremos
a continuación:

Z= 5x1 + 6X2 = 5(4) + 6(0) = 20

Z= 5 (4 - 1x2 - 1X4) + 6 x2
22
= 20 - 5x2 - 5X4 + 6 x2
22

= 20 + -5 +12X2 - 5 x4
22

Z= 20 + 7 X2 - 5 x4
22
 lOMoARcPSD|15473895

Ahora buscaremos valores para las variables independientes de tal forma

que Z sea lo máximo posible, pero evitando que X1 y X3 tomen algún valor
negativo. Notamos que coeficiente del X 4 es negativo, esto nos avisa que
el valor que tomará esta variable es cero; entonces X 2 puede tomar el
valor de 2, sustituimos estos valores para cada ecuación y obtenemos lo
siguiente:

Z= 20 + 7 X2 - 5 x4 = 20 + 7 (2) - 5 (0) = 20 +7=27

2222

x1 = 4 - 1X2 - 1X4 = 4 -1 (2) - 1 (0) = 4-1=3

2222

x3 = 4 - 2X2 - X4 = 4-2(2) + 0 = 4-4=0

Entonces tendríamos los siguientes resultados parciales:

Z= 27
X1= 3
X3= 0

En consecuencia, nuestro segundo máximo parcial para la función

objetivo es Max Z= 27.
Para este paso consideramos los valores que asumieron las variables en
el paso anterior
(x1, x2, x3, x4) = (3, 2, 0, 0) y vemos que X3 y X4 tomaron el valor de 0, por
lo tanto, estas serán nuestras nuevas variables independientes, ahora
debemos realizar los cambios necesarios a las ecuaciones del paso
anterior con la finalidad que estén en términos de las nuevas variables
independientes entonces en la tercera ecuación sumamos los supuestos
de la siguiente forma:

x3 = 4 - 2X2
- X4 +2x2 -
x3 + 2X2 -
x3 = 0
2x2 = 4 - X3 - X4
22
 lOMoARcPSD|15473895

x2 = 2 - 1X3 + 1X4
22

De esta forma conseguiremos la ecuación para X 2 en términos de X3 y X4.

Ahora, en la segunda ecuación sustituimos X2 por la expresión de la
cuarta ecuación y realizamos las sumas y restas necesarias y obtenemos
la ecuación para X1 en términos de X3 y X4 como se muestra a
continuación:

x1 = 4 – 1 (2- 1X3 + 1 X4) - 1 X4

2222

= 4 – 1 + 1X3 - 1 X4 - 1 X4
442

= 3 + 1X3 - 1 +2X4
44

x1 = 3 + 1 + 1X3 - 3 X4
444

Mientras que en la primera ecuación sustituimos X2 por la expresión de la

cuarta ecuación continuamos haciendo las sumas y restas necesarias
consiguiendo de esta forma la ecuación para Z en términos de las
variables independientes actuales

Z= 20 + 7 X2 - 5 x4 = 20 + 7 (2) - 5 (0) = 20 +7=27

2222
= 20 + 7 (2-1X3 + 1 x4) = - 5 x4
2222
= 20 + 7 - 7X3 + 7 x4 - 5 x4
442
= 27 - 7X3 + 7-10 x4
44

Z = 27 - 7X3 - 3 x4
44
 lOMoARcPSD|15473895

De esta forma conseguimos la ecuación para Z, en términos de las

variables independientes actuales, al observar la ecuación de la función
objetivo los coeficientes de X3 y X4 son negativos, así que ambas tomarán
el valor de cero como lo veremos a continuación:

Z = 27 - 7X3 - 3 x4
44

Z = 27 - 7X3 - 3 x4 = 27 - 7(0) - 3 (0) = 27

4444

x1 = 3 + 1 + 1X3 - 3 X4= 3+1(0) - 3 (0) = 3

44444

x2 = 2 - 1X3 + 1X4 = 2+1(0) +1 (0) = 2

2222

(x1, x2, x3, x4) = (3, 2, 0, 0)

Los valores obtenidos son similares al paso anterior, esto nos indica que
hemos encontrado el máximo absoluto para la función objetivo; además,
que las otras dos condiciones para validar este resultado se cumplen;
todos los coeficientes de las variables independientes son negativos y
todas las variables independientes deben asumir el valor de cero; de esta
forma hemos obtenido el máximo Z= 27 aplicando el método simplex.

En el siguiente video podrás ver un ejemplo de programación lineal

utilizando el método simplex:

En esta unidad aprendimos sobre cuáles son los elementos para tener en
cuenta para la solución gráfica en investigación de operaciones, cómo se
realizan los procedimientos y cómo se pueden utilizar los diferentes
softwares recomendados, así como algunos materiales complementarios
que apoyarán tu proceso formativo.

Como siempre te invitamos a que continúes con tu proceso formativo, ya

has avanzado mucho; te animamos para que te apoyes en las lecturas y
los videos sugeridos para complementar tus conocimientos, recuerda que
 lOMoARcPSD|15473895

en la IU Digital estamos para ayudarte por eso si tienes alguna duda

puedes acudir a los canales como el chat, los foros e incluso el correo
electrónico.

Bibliografía:

• Alvarado, J. (2009). La programación lineal aplicaciones de la

pequeñas y medianas empresas, Reflexiones 88 (1)
https://www.redalyc.org/articulo.oa?id=72912559007

• Brenes González, H. A. (2020). Aplicación de la Programación

Lineal en la maximización del desempeño de los rendimientos de un
portafolio compuesto por dos activos, utilizando Solver. REICE:
Revista Electrónica de Investigación En Ciencias
Económicas, 8(16), 24–39.
https://www.researchgate.net/publication/348459317_Aplicacion_de_la_Pr
ogra
macion_Lineal_en_la_maximizacion_del_desempeno_de_los_rendimiento
s_de_u n_portafolio_compuesto_por_dos_activos_utilizando_Solver

• Carro, R. (2009). Investigación de operaciones en administración,

549.

• Eduardo, O., Rojas, G., Universitaria, F., y Lorenz, K. (2004).

Fundamentos matemáticos del método simplex.

• González, V. H., Administración, D. S. D., Barcia, K., Guerrero, K.

O., García, D. M., y Carrillo, G. Z. (2018). Linear Programming
Model Applied to a Footwear SME
Company, (July 2018), 19–21.
https://doi.org/http://dx.doi.org/10.18687/LACCEI2018.1.1.291