Por:

Programacin Lineal
Introduccin:
Entre los avances cientficos ms importantes de la
mitad del siglo XX es la Programacin Lineal, por su
impacto desde 1950 ha sido extraordinario por sus
aplicaciones. Especialmente en el calculo cientfico que
se lleva a cabo por medio de las computadoras.
Un modelo de P. L. proporciona un mtodo eficiente
para determinar una decisin ptima, (o una estrategia
ptima o un plan ptimo) escogida de un gran nmero
de decisiones posibles y/o alternativas.

Programacin Lineal
Origen
En los siglos XVII y XVIII, grandes matemticos como
Newton, Leibnitz, Bernouilli y, sobre todo, Lagrange,
que tanto haban contribuido al desarrollo del clculo
infinitesimal, se ocuparon de obtener mximos y
mnimos condicionados de determinadas funciones.
Posteriormente el matemtico frnces Jean BaptisteJoseph Fourier (1768-1830) fue el primero en intuir,
aunque de forma imprecisa, los mtodos de lo que
actualmente llamamos programacin lineal y la
potencialidad que de ellos se deriva.

Si no se le toma en cuenta al matemtico Gaspar

Monge (1746-1818), quien en 1776 se interes por
problemas de este gnero, se debe enfatizar que en el
ao 1939 para encontrar nuevos estudios relacionados
con los mtodos de la actual programacin lineal.
En este ao, el matemtico ruso Leonodas Vitalyevich
Kantarovitch publica una extensa monografa titulada
Mtodos matemticos de organizacin y planificacin
de la produccin en la que por primera vez se hace
corresponder a una extensa gama de problemas una
teora matemtica precisa y bien definida llamada
actualmente programacin lineal .

En 1941-1942 se formula por primera vez el problema

de transporte, estudiado independientemente por
Koopmans y Kantarovitch, razn por la cual se suele
conocer con el nombre de problema de KoopmansKantarovitch.
Tres aos ms tarde, G. Stigler plantea otro problema
particular conocido con el nombre de rgimen
alimenticio optimal.
En estos aos posteriores a la Segunda Guerra
Mundial, en Estados Unidos se asumi que la eficaz
coordinacin de todas las energas y recursos de la
nacin era un problema de tal complejidad, que su
resolucin y simplificacin pasaba necesariamente por
los modelos de optimizacin que resuelve la
programacin lineal.
5

Paralelamente a los hechos descritos se desarrollan las

modelos de computacin y los ordenadores,
instrumentos que haran posible la resolucin y
simplificacin de los problemas que se estaban
originando.
En 1947, G.B. Dantzig formula, en
trminos matemticos muy precisos,
el enunciado estndar al que cabe
reducir
todo
problema
de
programacin lineal. Dantzig, junto
con una serie de investigadores del
United States Departament of Air
Force,
formaran
el
grupo
denominado
SCOOP
(Scientific
Computation of Optimum Programs).
6

Una de las primeras aplicaciones de los estudios del

grupo SCOOP fue el puente areo de Berlin. Luego se
continu con una serie de aplicaciones de tipo
preferentemente militar.
Hacia 1950 se constituyen, fundamentalmente en
Estados Unidos, distintos grupos de estudio para ir
desarrollando las diferentes ramificaciones de la
programacin lineal. Cabe citar, entre otros, Rand
Corporation, con Dantzig, Orchard-Hays, Ford,
Fulkerson y Gale, el departamento de Matemticas de
la Universidad de Princenton, con Tucker y Kuhn, as
como la Escuela Graduada de Administracin
Industrial, dependiente del Carnegie Institute of
Technology , con Charnes y Cooper.

Respecto al mtodo del algoritmo simplex, que se

estudiara mas adelante, se puede enfatizar que su
estudio comenz en el ao 1951 y fue desarrollado por
Dantzig en el United States Bureau of Standards SEAC
COMPUTER, ayudndose de varios modelos de
ordenador de la firma IBM.
Los fundamentos matemticos de la programacin lineal
se deben al matemtico norteamericano de origen
hngaro Janos von Neuman (1903-1957), quien en
1928 public: La Teora de Juegos. En 1947 conjetura
la equivalencia de los problemas de programacin lineal
y la teora de matrices desarrollada en sus trabajos. La
influencia de este respetado matemtico, discpulo de
David Hilbert en Gotinga y, desde 1930, catedrtico de la
Universidad de Princenton de Estados Unidos, hace que
otros investigadores se interesaran en el desarrollo de
esta disciplina.
8

En 1858 se aplicaron los mtodos de la programacin

lineal a un problema concreto: el clculo del plan ptimo
de transporte de arena de construccin a las obras de
edificacin de la ciudad de Mosc. En este problema
haba 10 puntos de partida y 230 de llegada. El plan
ptimo de transporte, calculado con el ordenador Strena
en 10 das del mes de junio, rebaj un 11% los gastos
respecto a los costos previstos.
Se ha estimado, de una manera general, que si un pas
subdesarrollado utilizase el modelo de la programacin
lineal, su producto interior bruto (PIB) aumentara entre
un 10 y un 15% en tan slo un ao.

Programacin Lineal
Definicin:
La programacin lineal es uno de los primeros
modelos matemticos de la investigacin de
operaciones el cual es usado para encontrar un
valor extremo de una funcin lineal dada y
compuesta de varias variables; cuando estas deben
ser no negativas y ellas deben satisfacer ciertas
restricciones las cuales se presentan en la forma de
ecuaciones o inecuaciones lineales.
El problema mas simple de programacin lineal
generalmente contiene un total de 2 a 3 variables.
10

Objetivo:
Es optimizar
disponibles.

la

utilizacin

de

los

recursos

Construir modelos de programacin lineal para

problemas propios de la industria, en este caso
minero-metalrgica.
Discutir las propiedades de las soluciones optimas
en modelos de programacin lineal, etc.

11

Qu es Programacin?
Programacin es el planeamiento generalmente
actividades econmicas con propsitos de optimizacin.

de

Por ejemplo, para maximizar ganancias o minimizar costos.

12

Programacin Lineal

Modelo
y
geomtrica.

uso

de

interpretacin

El mtodo simplex.
Modelo dual y precio optimo.
Anlisis de pos-optimalidad y P. L. bajo
incertidumbre.

13

Caractersticas de la programacin lineal.

Las caractersticas principales de la programacin lineal
entre otras son las siguientes:
Es un modelo de la investigacin de operaciones
usada para maximizar y/o minimizar una funcin
objetivo cualquiera, sujeta a ciertas restricciones.
Las variables que intervienen tanto en la funcin
objetivo como en las restricciones son lineales o de
primer grado; adems dichas variables deben ser
continuas.
La programacin lineal generalmente es usada para
optimizar la distribucin de recursos disponibles.

14

El valor optimo obtenido usando la programacin

lineal es nico, no siendo necesario utilizar las
condiciones de segundo grado que complican los
clculos.
Para solucionar los problemas aplicando la
programacin lineal existen algoritmos genricos que
simplifican dicha solucin.
En la actualidad, existen varios softwares para
solucionar problemas de cualquier tipo aplicando
programacin lineal; los cuales representan una gran
ayuda tcnico-econmica, etc., etc.

15

Otras caractersticas de los problemas de P. L. son:

Proporcionalidad: En un modelo de P. L la funcin
objetivo y cada restriccin de las variables de
decisin tienen que ser lineales. Es decir el
indicador de eficiencia (utilidad o costo) en la
funcin objetivo y la cantidad de cada recurso usado
tienen que ser proporcionales, al valor de cada
variable de decisin considerada individualmente.
Aditividad: En un modelo de P. L es necesario que
cada variable sea aditiva respecto a la utilidad (o
costo) y a la cantidad de recursos usados.
16

Divisibilidad: para muchos de los problemas propios

de los negocios es muy frecuente el caso de que las
variables de decisin puedan tener significado fsico
solamente si tienen valores enteros. Por lo tanto,
otra limitacin de la P. L es que para obtener una
solucin optima los niveles fraccionarios de las
variables de decisin, tienen que ser descontados.

Optimalidad: Es un problema de P. L una solucin de

mxima utilidad o mnimo costo siempre ocurre en
uno de los vrtices del conjunto de soluciones
factibles.
17

Planteamiento general del problema de programacin

lineal
El problema general de programacin lineal puede ser
planteado, como sigue:

Max
Min

Sujeto a:
m

a
i 1

ij xj

( Z ) cj xj
j 1

= bi

i 1, 2....., m

Donde:

j 1,2......, n

aij, cj y bj son constantes.

y,
xj 0

xj, son variables continuas

18

En otras palabras, se tiene:

Funcin objetivo.
n

F , O.( Z ) cj xj (Maximizacin o minimizacin).

j 1

Restricciones funcionales
m

a
j 1

ij xj

= bi

i 1, 2....., m
j 1, 2......, n
19

Condiciones de no negatividad.
xj 0 j = 1, 2, ., n
Se debe mencionar que para algunas situaciones
especiales se elimina las condiciones de no negatividad
para algunas variables de decisin.
En otras palabras, se cumple que:
xj = irrestricta en signo para algunos valores de j
Si se considera el problema con tres variables y tres
restricciones; la maximizacin de Z se puede expresar
matemticamente mediante la siguiente expresin:

Max Z C1 X 1 C2 X 2 ....... Cn X n
20

Sujeto a:
A1 1 x1 + a1 2 x2 + + a1 n b1
A2 1 x1 + a2 2 x2 + + a2 n b2
A3 1 x1 + a3 2 x2 + + a3 n b3
.
.
.
Am 1 x1 + am 2 x 2 + + am n bm

21

La condicin de no negatividad, ser:

x1 0; x2 0, .., xn 0
El problema de maximizacin tambin puede ser expresado
de la siguiente manera:
x1

Max ( Z ) c1 , c2 , c3 ,......., cn
Donde:

bi vector columna
c vector fila

x
2
x3

.

cx

.

xn

x vector columna
A matriz mxn
22

Las restricciones pueden expresarse matricialmente de la

siguiente manera:

a1 1 a1 2 ......a1n

x1
x
2

a2 1 a2 2 ......a2 n

am1 am2 ......amn

b1
b
2

.
xm

Ax b

.
bm

23

La condicin de no negatividad puede tambin expresarse

matricialmente de la siguiente manera:

x1
x
2

0
0

. . x0

. 0
xm 0

Por otro lado, el problema de programacin lineal puede
tambin plantearse de la siguiente manera:
24

Actividad

Usodelrecurso/unidad
123.n

Recurso

Cantidad
delrecurso
disponible

a11a12a13..a1n

b1

a21a22a23..a2n

b2

a31a32a33..a3n

b3

Bm

z/unidad

am1am2am3..amn
c1c2c3...cn

nivel

X1x2x3..xn
25

Donde:
xj = Nivel de la variable j (variable de decisin)
(j = 1, 2, ., n)
cj = incremento en Z que resultara debido a cada unidad de
incremento en xj.
(j = 1, 2, ., n) coeficiente de beneficio de la j-enesima variable
z = medida global de la efectividad. Funcin objetivo, funcional o
funcin preferencial (maximizar o minimizar ganancias o costos)
bi = Cantidad de recursos disponibles en la i-esima restriccin
unidad de recurso, i = 1, 2 ., m
aij = cantidad de recurso i consumida por cada unidad de la
actividad j.
Coeficiente de la j-esima variable de decision en i-esima
restriccion
26

Resumiendo se tiene que en forma vectorial el planteamiento

de un problema de programacin lineal seria como sigue:
Zopt = C x } funcin objetivo
Sujeto a:
Ax

B } Restriccin

=
o } Condicin de no negatividad

Donde:
X = (x1, x2, ., xn)T = Vector columna con n componentes.
Se le denomina vector de actividad; y sus
componentes son variables de decisin.
27

C = (c1, c2, ., cn) = vector fila con n componentes.

Se le denomina vector de precios o costos unitarios
(coeficiente beneficio)
B = (b1, b2, ., bm) T = Vector columna con m componentes.
Se le denomina vector de disponibilidad de
recursos.
0 = (0, 0, ., 0) T = vector columna de n ceros.

a11a12 ....a1n

a21a22 ....a2 n
Matriz de m filas y n columnas.
Se le denomina matriz de
A .

coeficientes.
.

am1am 2 ....amn
28

aij = Representa la cantidad de recursos j que se necesita por

unidad de la actividad i.
i = 1 . m
j = 1 . n
En forma esquemtica la programacin lineal puede ser representada
como se muestra en el siguiente diagrama:
Sistema
real

Programacin
lineal

Sistema real
supuesto o
simulado

Variable
xj

Modelo

Representacin
matemtica f(x)
funciones lineales
29

Mtodos de solucin de los problemas de

programacin lineal.
La aplicacin del modelo de P. L para resolver cualquier
problema, se puede efectuar usando los siguientes mtodos:
Grafico
Algebraico
Del algoritmo simplex
Del algoritmo del tablero simplex.

Cada uno de estos mtodos tienen sus ventajas, desventajas y/o

limitaciones, por lo tanto, cada uno de ellos sern analizados,
evaluados y discutidos a travs de varios ejemplos prcticos
aplicables a cualquier actividad econmica en general.
30

El mtodo grafico de solucin de los problemas de

programacin lineal esta restringido solamente a 2
3 variables y por lo tanto, sus limitaciones son
obvias.
El mtodo de solucin ser mostrado a travs de un
problema sencillo que se presenta con frecuencia
en la industria minera, cuyo enunciado es el
siguiente:

31

Problema de aplicacin N 1.
En una operacin minera subterrnea que explota los
minerales de plomo (Pb) y Zinc (Zn), las estadsticas de
produccin son las siguientes:

Labores
mineras
Tajeo 1
Tajeo 2

Zn
(%)

Pb
(%)

Produccin planificada
(Tm/da)

Costo ($)
(Hr/hombre/Tm)

4
8

6
4

40
60

4
6

32

Los requerimientos de produccin son los siguientes:

i) 80 Tm de mineral por da
ii) El contenido de mineral en promedio debe ser: No
menor de 6.5% de Zn, y no menor de 4.5% de Pb.

Se pide:
i. Usando el mtodo grafico, calcular la produccin que
debe extraerse de cada uno de los tajeos, de tal manera
de cumplir con los requerimientos de esta, a un costo
mnimo por hora/hombre.
ii. Discutir los resultados
33

Solucin.
Sea x1 el tonelaje explotado por da del tajeo 1.
Sea x2 el tonelaje explotado por da del tajeo 2.
En este caso la funcin objetivo ser planteada de la
siguiente manera:

Hrs / hom bre

Hrs / hom bre
Min ( Z ) 4
x1 6
x2
Tm
Tm

Sujeto a las siguientes restricciones:

i) La capacidad de produccin del:
Tajeo 1 .. x1 40 Tm/dia
ii) La capacidad de produccin del:
Tajeo 2 .. X2 60 Tm/dia
34

iii. La produccin requerida es: x1 + x2 = 80 Tm/da.

iv. Contenido mnimo de Zn: 0.04x1 + 0.08x2 0.065 (x1 + x2)
v. Contenido mnimo de Pb: 0.06x1 + 0.04x2 0.045 (x1 + x2)

Luego el planeamiento matemtico para resolver este

problema de programacin lineal mediante el mtodo grafico
ser el siguiente:

Min Z 4 x1 6 x2
Sujeto a:
35

x1

40 ..

(1)

x2

60 ..

(2)

x1 + x2

80 ..

(3)

-2.5x1 + 1.5x2

000 ..

(4)

1.5x1 - 0.5x2

000 ..

(5)

y
obviamente: x1, x2 0 .. (6)
Por lo tanto, la solucin
grafica estar contenida en el primer
cuadrante (esta prcticamente es una condicin general para
este tipo de problemas, desde que ellos tratan acerca de
tonelajes, dlares, recursos, etc., etc. en los cuales valores
negativos no son aceptables.
36

La solucin grafica para este problema se

muestra en el diagrama conceptual siguiente:
37

38

En el cual se puede observar lo siguiente

Las coordenadas (x1, x2) de un punto satisfaceran todas
las restricciones si y solamente si; este punto esta
contenido en el rea ABC; esto hablando en trminos del
lgebra de espacios vectoriales.
El rea ABC incluye todos los puntos interiores o al
costado del triangulo ABC. Se debe notar que el rea es
convexa y que la solucin optima es un punto extremo de
esta rea convexa.

39

Se puede observar tambin que, para:

x1 = 0, x2 = 0

z=0

x1 = 30, x2 = 50

z = 420

x1 = 20, x2 = 60

z = 440

La solucin optima se puede apreciar que es:

x1 = 30
x2 = 50

40

Se debe mencionar tambin que la mayora de los

problemas que son necesarios resolver en las
diversas organizaciones industriales constan de 2 3
variables por lo tanto, se debe trabajar con poliedros
convexos en lugar de polgonos convexos; y en estos
casos ya el mtodo grafico no es aplicable; entonces,
es necesario buscar otros mtodos de solucin para
este tipo de problemas.

41

Terminologa usada en la solucin de problemas de

programacin lineal.
Solucin factible: Es una solucin que satisface todas las
restricciones aplicables al sistema en estudio.
Solucin bsica factible: Es una solucin factible de tantas
soluciones variables como ecuaciones tiene el sistema en
estudio.
Solucin Optima: Es una solucin bsica factible que tiene
el valor mas favorable de la funcin objetivo. (El mayor o el
menor, dependiendo si se trata de maximizacin o de
minimizacin)
El objetivo de la P. L es encontrar la solucin factible que sea
la optima.
42

Generalmente, un problema de P.L. tendr una solucin

optima. Sin embargo, tambin es posible tener soluciones
optimas mltiples (Rectas que representan a las
restricciones paralelas al funcional).
La posibilidad de que un problema no tenga soluciones
optimas ocurre cuando:
a) Si no tiene soluciones factibles
b) Si las restricciones no evitan el crecimiento de la F. O.,
indefinidamente en la direccin favorable z.

43

Problema de aplicacin N 2.
Se tiene el siguiente problema de programacin lineal.
Max Z = 3x1 + 2x2
Subject to:

X1 + x2 20

(1)

X1 = 15

(2)

X1 + 3x2 45

(3)

-3X1 + 5x2 60

(4)

Se pide:
Solucionar el problema de P. L, usando el mtodo grafico.
Discutir los resultados
44

Problema de aplicacin N 3.
una compaa minera subterrnea, ubicada a 4500 MOSL
produce dos tipos de concentrados.
La mezcla proviene del mineral que se explota de 4 labores
subterrneas (tajeos).
La disponibilidad del tonelaje de mineral proviene de cada
labor minera y el beneficio econmico $/Tm. Se muestra
en la tabla I
Tabla I
Mining stopes

A
B
C
D
Utility (US$/Tm)

Tipos de concentrados
I (TM)

II (TM)

Disponibilidad
(Tm/month)

1
2
2
1

3
1
2
1

15,000
10,000
12,000
10,000

3
45

Se pide:
i. Calcular el tonelaje de concentrado de cada tipos de
mineral que debe producirse, para maximizar la
rentabilidad de dicha empresa minera
ii. Discutir los resultados

46

El presente mtodo de solucin ser mostrado a travs del

siguiente ejemplo:

Max Z 4 x1 3 x2
Sujeto a:
1x1 + 3x2

15000 .. (A)

2x1 + 1X2

10000 .. (B)

2x1 + 2X2

12000 .. (C)

1x1 + 1X2

10000 .. (D)

x1 0

x2 0

47

En primer lugar se agregan las variables de holgura para

transformar las inecuaciones en ecuaciones y se tiene lo
siguiente:

1x1 + 3x2 + x3
2x1 + 1x2
2x1 + 2x2
1x1 + 1x2

=15000 (A)
+ x4

= 10000 (B)
+ x5
+ x6

= 12000 (C)
= 10000 (D)

Max. Z = 4x1 + 3x2 + 0x3 + 0x4 + 0x5 + 0x6

48

Como hay cuatro ecuaciones (m) y seis incgnitas (n) se

debe suponer que el problema tendr n m = 2 variables
iguales a cero. En este caso se tiene:
n
m

6
2

= 15 combinaciones posibles.

Es decir, hay que resolver 15 veces el sistema de

ecuaciones asignando el valor cero a un par de variables en
cada solucin o iteracin respectiva.

49

Solucin bsica factible: Se elige x1 = 0 x2 = 0 y se obtiene la

1era. Solucin bsica factible.

x1 = 0
x2 = 0
x3 = 15000

Z = 0 Es decir esta solucin es no producir nada y

las variables de holgura x3, x4, x5, x6; solo

reportan disponibilidad.

x4 = 10000
x5 = 12000
x6 = 10000

50

Como se esta maximizando, se debe introducir en la solucin,

aquella variable que reporte mayor beneficio, cj es mayor.
En este caso el cj de la funcin objetivo de mayor beneficio es
c1 = 4 que corresponde a x1.

Qu variable saldra de la solucin bsica factible?

Cul de las variables no nulas se convertiran o se le deben
asignar el valor cero para obtener la siguiente solucin?

Para ello se expresa el conjunto de variables no nulas del

sistema de ecuaciones (1) en funcin de x1 (la variable que
ingresa).
51

x2 = 0
x1 + x3 = 15000 --- x3

= 15,000 x1 x1 = 15000

2x1 + x4 = 10000 (2) --- x4 = 10,000 2x1 x1 = 5000

2x1 + x5 = 12000 --- x5

= 12,000 2x1 x1 = 6000

x1 + x6 = 10000 --- x6

= 12,000 x1 x1

= 10000

Al igualar x3, x4, x5, x6 = 0 se obtendr varios valores de x1

y se elige el menor porque si se toma alguno de los otros,
cualquiera de las ecuaciones del sistema (2) tomara un
valor negativo, contradiciendo las condiciones de no
negatividad.
52

Se elige x1 = 5000 y el sistema ser:

x1 5000

Re ales
x2 0

x3 = 15000 - 5000 = 10000

x4 = 10000 - 2 x 5000 = 0

z = 20000

x5 = 12000 2 x 5000 = 2000

x6 = 10000 5000 = 5000

53

Bsqueda de la mejor solucin.

Como x2 = 0 y x4 = 0 se debe introducir una nueva
variable a la solucin, Entre x2 y x4.
De la ecuacin (1) se busca aquellas que contengan a x2
y x4; es decir (B):

2x1 + 1x2 + x4 = 10000

x1 = 5000 - x2 - x4

54

Reemplazando este valor de x1 en el funcional Z se

obtiene:
Zmax = 4x1 + 3x2
Zmax = 20000 + x2 2x4
Se introduce x2

Como se maximiza,
se
ve
que
la
incorporacin de x2
lo beneficia, mientras
que x4 lo perjudica.

55

Obtencin de la tercera solucin.

Como x2 ingresa al conjunto solucin, el sistema (1).

Se despejan las variables para ponerlas en funcin de:

x2 (x4 = 0 .)

De A) x1 + 3x2 + x3 = 15000 x3 = 15000 x1 3x2

x3 = 15000 (5000 x2) -3x2
x3 = 10000 5/2x2 ()

56

De B) 2x1 + x2 + x4 = 10000
x1 = 5000 x2 ()

De C) 2x1 + 2x2 + x3 = 12000

x5 = 12000 2 (5000- x2) 2x2
x5 = 2000 x2 ()
De D) x1 + x2 + x6 = 10000
x6 = 10000 (5000- x2) x2
x6= 5000 x2 (w)

57

De: () x3 = 0 cuando x2 = 4000

() x1 = 0 cuando x2 = 10000 (se elige el valor menor para
evitar valores negativos)

() x5 = 0 cuando x2 = 2000
(w) x6 = 0 cuando x2 = 10000
La tercera solucin quedara:
x1 = 4000
x2 = 2000
(4)

x3 = 5000
x4 = 0
x5 = 0
x6 = 4000

Z = 22,000
Se ha mejorado la solucin
ser la optima?

58

Veamos si se puede introducir x4 x5 que valen cero:

En el sistema (1) se buscan aquellas soluciones que
contengan x4 y x5 x4 y x5 en forma independiente.
(B) 2x1 + x2 x4 = 10000
(C) 2x1 + 2x2 + x5 = 12000
x1 = 5000 x2 x4
x1 = 6000 x2 x5
Igualando a ambas:
5000 x2 x4 = 6000 x2 x5
x2 = 2000 + x4 x5
59

Reemplazando x2, se tiene lo siguiente:

Z = 20000 + (2000 + x4 x5) 2x4
Z = 22000 x4 x5
La introduccin de x4 x5 no mejora al funcional, la solucin
obtenida en ) es la optima.

Como se puede apreciar este mtodo algebraico es tedioso

y consume mucho tiempo para solucionar problemas de P.
L que se presentan en todas y cada de las organizaciones
industriales; por lo que los diferentes investigadores
propusieron mtodos matemticos mas directos para dar
solucin a este tipo de problemas y se planteo el mtodo y
el algoritmo simplex.
60

Conceptos fundamentales del

algoritmo simplex.
Se expondrn los conceptos bsicos y las definiciones del
lgebra lineal del espacio n-dimensional que son
necesarias para la solucin de problemas de P. L usando
el algoritmo simplex.

61

Paso 0

Adicione las variables de holgura a

todas las desigualdades.

Paso 1

Encontrar una solucin bsica

factible

Paso 2

Si

puede encontrar una solucin

bsica factible mejor (una que
aporte una utilidad mas alta)

Resuelva para la
mejor solucin
bsica factible

Paso 3

No

La solucin bsica
factible es la
Paso 4
optima

Stop.
62

Aspectos generales sobre el mtodo simplex.

1. El mtodo simplex encuentra una solucin optima
(o una solucin bsica optima factible).
2. El mtodo simplex es un mtodo de cambio de
bases. Una variable entra a la base, la variable
bsica entrante, y una variable sale de la base, la
variable bsica saliente.
3. El mtodo de cambio de base implica el reemplazo
de un sistema de restricciones-ecuaciones por un
sistema equivalente de restricciones-ecuaciones.

63

4. En un sistema de restricciones-ecuaciones, una

ecuacin puede ser reemplazada por una ecuacin
equivalente aplicando las operaciones siguientes:
O1: Reemplazar una ecuacin por si misma, tantas
veces una constante diferente de cero.
O2: Reemplazar una ecuacin por si misma, sumada a
tantas veces una constante diferente de cero otra
ecuacin restriccin.
5. El mtodo simplex requiere que la funcin objetivo sea
expresada de tal forma que cada variable bsica,
tenga como coeficiente 0.
6. El mtodo simplex requiere que cada variable bsica
aparezca en una y solamente una ecuacinrestriccin.

64

Lo mas importante de un ser humano es

reclamar su propia y vital vocacin. La
vocacin acta como una ley divina de la que
no hay escapatoria, pero muy pocos se
atreven a luchar por su sueo, adems de
que en nuestro sistema educativo, se nos
ensea a ser conformistas y dar gusto a los
dems, aun cuando tengamos que renunciar
a nuestro propio llamado.

Dr. Carlos Agreda

Profesor
65