Semestre Otoño 2020 – Sede Ñuñoa

Investigación
Investigación
de operaciones
de operaciones
Un enfoque practico

Sebastian Ulloa Quezada

 Descripción de la Asignatura

 Taller de Investigación Operativa es una asignatura práctica del área de Especialidad.

 Al finalizar la asignatura el estudiante será capaz de tomar de decisiones en base al

método científico para plantear una solución válida, si es factible automatizada, dadas
ciertas necesidades, problemas y oportunidades en los procesos de negocio de una
organización.

 Para ello, la asignatura aborda enfoques sistemáticos de optimización para la mejor

decisión y simulación para estudiar comportamientos que ahorran tiempo y dinero,
mediante el uso de herramientas analíticas.
 Bibliografía
Bibliografía Básica
Título Autor Año
Desarrollo de la investigación de operaciones Bernabe Juan, Hilda Alicia 2009
Programación lineal: resolución de problemas en hoja
Mokotoff, Ethel 2005
de cálculo
Investigación de operaciones. Volumen I Chediak Pinzón, Francisco Alfonso 2012
Investigación de operaciones : programación lineal.
Kong, Maynard  2010
Problemas de transporte. Análisis de redes
Investigación de operaciones Taha, Hamdy A. 2012
Investigación de operaciones Hillier, Frederick S. 2015
Folleto de investigación de operaciones I Nápoles Peña, Omar 2007
Bibliografía Sugerida
Título Autor Año
Formulación y resolución de modelos de programación
matemática en ingeniería y ciencia. Disponible en:
Castillo, Enrique 2002
http://www.investigacion-
operaciones.com/ARCHIVOS_LIBRO/LibroCompleto.pdf
Investigación de operaciones Chediak Pinzón, Francisco Alfonso 2004
Clase 1
Modelos Matemáticos

Taller de investigación de operaciones

Problemas en el Mundo Real
 Problemas en el Formular Modelo Matemático
mundo real

Validar Resolver

Predicciones acerca del Conclusiones

Interpretar
mundo real Matemáticas
 Programación lineal:
Un problema de
máximos
Problema 1: Una fábrica de bombones Caja tipo A Caja tip B Disponibles
tiene almacenados 500 kg de chocolate, Chocolate 3 2 500
100 kg de almendras y 85 kg de frutas. Almendras 1 1,5 100
Produce dos tipos de cajas: las de tipo A Frutas 1 1 85
contienen 3 kg de chocolate, 1 kg de Precio en euros 13 13,50
almendras y 1 kg de frutas; la de tipo B x = nº de cajas de tipo A
contiene 2 kg de chocolate, 1,5 kg de y = nº de cajas de tipo B
almendras y 1 kg de frutas. Los precios a z = nº de UM obtenidos
que vende las cajas de tipo A y B son 13 maximizar z = 13x + 14y por las ventas
y 14 UM, respectivamente. ¿Cuántas
cajas de cada tipo debe fabricar para
maximizar sus ingresos?
Con las restricciones:

3x + 2y  500 (por el chocolate almacenado)

x + 1,5y  100 (por la almendra almacenada)
x + y  85 (por la fruta almacenada)
x  0
y  0
 Programación lineal:
Elementos
La programación matemática es una técnica mediante la cual se permite calcular el valor óptimo (máximo o mínimo,
según los casos) de una función objetivo cuyas variables están sujetas a un conjunto de restricciones.

Cuando la función objetivo y las restricciones son lineales, se dice que se está ante un problema de programación
lineal.

Un problema de programación lineal consta, por tanto, de los siguientes elementos:

1. Un conjunto de variables reales x1, x2, …, xn denominadas variables de decisión.

2. Una función objetivo de primer grado cuyas variables son las variables de decisión y que se pretende optimizar
(hallar su máximo o su mínimo). La función objetivo es en realidad la representación matemática del objetivo
general de la situación mediante la cual se pretende tomar la mejor decisión.

3. Un conjunto de restricciones establecidas mediante relaciones lineales entre las variables del problema y que
pueden ser de igualdad o de desigualdad.
 La recta x – y + 1 = 0 divide al plano en las siguientes tres regiones:

•Toda recta ax + by + c = 0 divide al plano en tres regiones:

Inecuaciones • El conjunto de puntos (x, y) del plano para los que ax + by + c = 0

lineales. • El conjunto de puntos (x, y) del plano para los que ax + by + c > 0
• El conjunto de puntos (x, y) del plano para los que ax + by + c < 0
Interpretación
•A la parte del plano que es solución de una inecuación se le llama región
geométrica factible de la inecuación.
• Cuando deben satisfacerse simultáneamente más de una inecuación estamos ante un
sistema de inecuaciones lineales.
• El conjunto de soluciones del sistema se puede obtener por la intersección de las
diferentes regiones factibles de las inecuaciones.
• A dicha región se le llama región factible del sistema.

x–y=0
x0
¿Cuál es la región factible
ìx ³ 0
ïy ³ 0
x5 y0
del sistema í ?
x£5
ï
îx – y ³ 0
x–y0
x=5
Formulación matemática
Función objetivo
Optimizar (maximizar o minimizar) z = ax + by sujeta a las siguientes restricciones

a1x + b1y  d1
 a2x + b2y  d2
... ... ...
 a x + b y  d
n n n
• Solución posible: cualquier par de valores (x1, y1) que cumpla todas la restricciones. Al
conjunto de soluciones posibles de un problema lineal se le llama región factible.

• Solución óptima: un par de valores (x1, y1), si existe, que hace máxima o mínima la
función objetivo.

• Un problema de pr. lineal puede tener ninguna, una o infinitas soluciones óptimas.

• Si la solución óptima es única, estará en un vértice.

• Si hay infinitas soluciones óptimas, estarán en un lado de la región factible.

• La región factible puede ser acotada o no acotada.

Resolución analítica
Se deben dar los siguientes pasos:
1. Se representa gráficamente la región factible.
2. Se obtienen las coordenadas de todos los vértices de dicha región factible.
3. Se evalúa la función objetivo en los vértices de la región factible.
4. Se elige la solución óptima del problema (el vértice que hace mayor o menor la
función objetivo).

Al aplicar estos pasos se pueden dar las siguientes posibilidades:

La región factible es acotada. La región factible no es acotada.

El problema siempre tiene solución Se sigue el mismo criterio que en el caso
óptima. Puede haber: anterior, pero existe la posibilidad de que
1. Una única solución. no haya solución óptima.
2. Infinitas soluciones. Dos vértices Es preferible utilizar el método gráfico.
solución óptimas, el segmento de
extremos esos vértices son también
soluciones óptimas del problema.
Método analítico o de los vértices
• En un primer paso representamos la
región factible. R(0, 100/1,5)

• En un segundo paso obtenemos los

vértices de la región factible.

• Finalmente evaluamos la función

objetivo z = 13x + 14y en cada vértice,
para obtener el máximo. Q(55, 30)

• z(P) = 13 · 85 + 14 . 0 = 1105
• z(Q) = 13 · 55 + 14 . 30 = 1135
• z(R) = 13 · 0 + 14· 100/1,5 = 933 €

P(85, 0)
Método gráfico o
de la recta móvil
• Se deben dar los siguientes pasos:
• Se representa gráficamente la región
factible.

• Si la función objetivo es z = ax + by, se

representa gráficamente la recta inicial
ax + by = 0 y se la considera movible de
forma paralela a lo largo del eje OY.
Método gráfico o de la recta móvil
• Representamos la región factible.

• Representamos el vector director de la función

objetivo.

• Trazamos rectas paralelas al vector director que

pasen por los vértices: P, Q, R.

• El óptimo del problema ha de estar en Q ya que la

recta que pasa por él tiene mayor ordenada en el
origen que las demás.
Es decir, es donde z = 13x + 13,50y
alcanza el mayor valor
 Problemas en el Formular Modelo Matemático
mundo real

Validar Resolver

Predicciones acerca del Conclusiones

Interpretar
mundo real Matemáticas
 Método Simplex
 Es un procedimiento sistemático y eficiente para encontrar y probar soluciones situadas en los
puntos extremos de la región de soluciones factibles, en un problema de programación lineal
(PPL). 

 Caracteristicas:
 Algoritmo eficiente y rápido para encontrar el óptimo.

 Determina la solución óptima sin evaluar todos los puntos extremos factibles.

 Capaz de detectar si existen múltiples soluciones, si la solución no está acotada, y si existe

incompatibilidad de restricciones.
Ejemplo

Para ilustrar el desarrollo del método simplex, consideremos el problema de los bolsos y mochilas presentado
anteriormente, cuyo modelo matemático se expresa de la siguiente manera:

MAX Z = 3 x1 + 5 x2
• s.a.    
  x1                   4
              2 x2  12
3 x x1  +  2 x2  18
x1 , x2    0
•Hemos visto que este modelo matemático tiene la forma de un problema de programación lineal (PPL).
 Ejemplo
El modelo anterior se puede expresar gráficamente de la siguiente manera,
donde la recta en azul representa la FO en el punto óptimo: 

x2 x1 = 4

x2 = 6
6

4
Región 3 x1 + 5 x2 = 36
2 Factible

x1
2 4 6
3 x1 + 2 x2 = 18
Variables de Holgura

El método Simplex requiere convertir las restricciones en ecuaciones.

•

•Para convertir cada restricción del tipo () en (=) se debe agregar una nueva variable positiva
llamada variable de holgura (hi).

•A las variables hi se les denomina de holgura porque representan la cantidad no utilizada del
recurso i , es decir, es la diferencia entre la cantidad disponible del recurso i, y la cantidad
utilizada.
Variables de Holgura
Si agregamos las variables de holgura al ejemplo anterior,
obtenemos el siguiente modelo matemático:

MAX Z = 3 X1 + 5 X2
s.a. X1 + h1 = 4
2 X2 + h2 = 12
3 X1 + 2 X 2 + h3 = 18

X1 , X2  0 h1, h2, h3,  0

Modelo
En el sistema de ecuaciones anterior existen 6 incógnitas (Z,X1,X2,h1,h2,h3), y sólo 4
ecuaciones.

Luego, para obtener una solución, se debe:

 asignar un valor a 2 de las variables, y

 encontrar el valor de las otras 4 variables, resolviendo el sistema de ecuaciones
resultante.
Fundamentos del método simplex
Los vértices de la región factible se llaman soluciones factibles
en el vértice (FEV).

2 Si el problema es acotado (existe una región factible)

entonces existe un número finito de soluciones FEV.

3 Si el problema es acotado, existe al menos una solución

óptima factible que corresponde a una solución FEV.

4 Si una solución FEV es mejor (o igual) que todas las

soluciones FEV adyacentes, entonces esta solución es óptima.
5 Las soluciones FEV siempre corresponden a una solución
básica (para el sistema de ecuaciones obtenido al agregar las
variables de holgura al modelo de PPL).
 Método simplex
 Consiste en avanzar hacia el óptimo a través de los
puntos extremos (vértices), en el sentido en que la
función objetivo (Z) aumenta.

 Para ello, utiliza una solución básica factible, evalúa si

es óptima, y si no lo es, extrae una variable de la base
y se introduce otra, de manera que aumente el valor
de la función objetivo.
 INICIALIZACION

SOLUCION OPTIMA ? FIN

SI
NO

ITERACION:
1 DEFINIR VARIABLE QUE ENTRA (hacia dónde)
2 DEFINIR VARIABLE QUE SALE (hasta dónde)
3 DETERMINAR NUEVA SOLUCION BASICA
Presentación tabular
Para trabajar se utiliza un cuadro resúmen llamado “Tableau”.
Variables de Decisión Variables de Holgura

VB CB XB x1 x2 .. xn h1 h2 .. hm 

Indica si se está maximizando o

minimizando la FO

Z z1-c1 z2-c2 .. zn-cn z1-c1 z2-c2 .. zm-cm

Max/Min c1 c2 .. cn c1 c2 .. cm

Coeficientes en la Función Objetivo

Presentación tabular
Para trabajar se utiliza un cuadro resúmen llamado “Tableau”.
Coeficientes de las variables en las ecuaciones

VB CB XB x1 x2 .. xn h1 h2 .. hm 

Z z1-c1 z2-c2 .. zn-cn z1-c1 z2-c2 .. zm-cm

Max/Min c1 c2 .. cn c1 c2 .. cm

“Lado derecho” de las ecuaciones

Presentación tabular
Para trabajar se utiliza un cuadro resúmen llamado “Tableau”.
Variables básicas de la solución actual

VB CB XB x1 x2 .. xn h1 h2 .. hm 

Z z1-c1 z2-c2 .. zn-cn z1-c1 z2-c2 .. zm-cm

Max/Min c1 c2 .. cn c1 c2 .. cm

Coeficientes en la FO de las variables básicas actuales

Presentación tabular
Observación:
Los coeficientes de la ecuación de la FO se pueden calcular, una
vez que se han llevado las otras ecuaciones a la forma canónica,
como zj - cj, donde:
zj =  aij ti

ti: son los valores de las m variables básicas en la solución actual

aij: son los coeficientes de las m ecuaciones para la variable j en
la solución actual
 Método simplex
Consideremos nuevamente el PPL de los bolsos y mochilas, y apliquemos las etapas del
método simplex:

MAX Z = 3 x1 + 5 x2
s.a. x1  4
2 x2  12
3 x1 + 2 x2  18
x 1 , x2  0
Método simplex
INICIALIZACION

SOLUCION OPTIMA ? FIN

SI
NO

ITERACION:
1 DEFINIR VARIABLE QUE ENTRA (hacia dónde)
2 DEFINIR VARIABLE QUE SALE (hasta dónde)
3 DETERMINAR NUEVA SOLUCION BASICA
Método simplex

• La etapa de Inicialización contempla los siguientes pasos:

• Se incorporan las variables de holgura a las restricciones

• Se definen las variables de holgura como variables básicas

• Se registra la información en la tabla inicial del simplex

Método simplex
Agregando las variables de holgura, y expresándolas como
variables básicas en forma canónica, tenemos lo siguiente:

Z - 3 X1 - 5 X 2 = 0
X1 + h1 = 4
2 X2 + h2 = 12
3 X1 + 2 X 2 + h3 = 18
Método simplex
Al registrar la información en la tabla del simplex se obtiene lo
siguiente:

VB CB XB X1 X2 h1 h2 h3
h1 0 4 1 0 1 0 0
h2 0 12 0 2 0 1 0
h3 0 18 3 2 0 0 1
Ecuación de la FO 0 -3 -5 0 0 0 zj - cj
3 5 0 0 0

Esta tabla es el Tableau Inicial del Método Simplex

Método simplex
INICIALIZACION

SOLUCION OPTIMA ? FIN

SI
NO

ITERACION:
1 DEFINIR VARIABLE QUE ENTRA (hacia dónde)
2 DEFINIR VARIABLE QUE SALE (hasta dónde)
3 DETERMINAR NUEVA SOLUCION BASICA
Método simplex

•Criterio de optimalidad:

•Para identificar si la solución básica actual es óptima, se revisan los coeficientes zj - cj de las
variables no básicas (los de las variables básicas son cero cuando la solución está en forma
canónica).

•La solución es óptima si los zj - cj son mayores o iguales que cero.

•Si los zj - cj son todos positivos se ha llegado al óptimo, sino se debe continuar.
Método simplex
En este caso los zj - cj son menores que cero, luego esta
solución no es óptima:

VB CB XB X1 X2 h1 h2 h3
h1 0 4 1 0 1 0 0
h2 0 12 0 2 0 1 0
h3 0 18 3 2 0 0 1
0 -3 -5 0 0 0 zj - cj
Max 3 5 0 0 0
Método simplex
INICIALIZACION

SOLUCION OPTIMA ? FIN

SI
NO

ITERACION:
1 DEFINIR VARIABLE QUE ENTRA (hacia dónde)
2 DEFINIR VARIABLE QUE SALE (hasta dónde)
3 DETERMINAR NUEVA SOLUCION BASICA
Método simplex

•Criterio para determinar la variable que entra a la base:

• Se selecciona como variable básica entrante aquella que incrementa más rápidamente la
F.O.

• Para ello, se selecciona como variable que entra la que tiene los coeficientes zj - cj más
negativos.
Método simplex
En este caso el valor más negativo de zj - cj corresponde a la
variable X2 , luego se elige X2 como la variable que entra a la
base.

VB CB XB X1 X2 h1 h2 h3
h1 0 4 1 0 1 0 0
h2 0 12 0 2 0 1 0
h3 0 18 3 2 0 0 1
0 -3 -5 0 0 0 zj - cj
Max
3 5 0 0 0
Método simplex
INICIALIZACION

SOLUCION OPTIMA ? FIN

SI
NO

ITERACION:
1 DEFINIR VARIABLE QUE ENTRA (hacia dónde)
2 DEFINIR VARIABLE QUE SALE (hasta dónde)
3 DETERMINAR NUEVA SOLUCION BASICA
Método simplex

•Criterio para determinar la variable básica que sale:

•Se elige como variable básica que sale aquella que llega más rápidamente a cero al
incrementar la variable entrante.

•Para ello, se selecciona como variable básica que sale la que tiene el menor valor de XBi /Yij ,
para todos los Yij > 0.

•Yij es el coeficiente de la variable j en la ecuación (o reglón) i.

•
Método simplex
En este caso el menor valor de XBi/Yij corresponde a la
segunda ecuación (reglón 2), luego h2 es la variable que sale de
la base. Pivote

VB CB XB X1 X2 h1 h2 h3
h1 0 4 1 0 1 0 0 Yij = 0
h2 0 12 0 2 0 1 0 12/2 = 6
h3 0 18 3 2 0 0 1 18/2 = 9
0 -3 -5 0 0 0
Max 3 5 0 0 0

Yij
Método simplex
INICIALIZACION

SOLUCION OPTIMA ? FIN

SI
NO

ITERACION:
1 DEFINIR VARIABLE QUE ENTRA (hacia dónde)
2 DEFINIR VARIABLE QUE SALE (hasta dónde)
3 DETERMINAR NUEVA SOLUCION BASICA
Método simplex

•Determinar nueva solución básica:

•Para determinar la nueva solución básica, se debe hacer lo siguiente:

• Reemplazar la variable que sale por la variable que entra.

• Llevar la nueva solución básica a la forma canónica.

Método simplex
Después de reemplazar X2 por h2 en la base, y de llevar a la
forma canónica, se tiene lo siguiente:

VB CB XB X1 X2 h1 h2 h3
h1 0 4 1 0 1 0 0
X2 5 6 0 1 0 1/2 0
h3 0 6 3 0 0 -1 1
30 -3 0 0 5/2 0
Max 3 5 0 0 0

Nueva variable básica Nueva base canonizada

Método simplex

Siguiendo con el desarrollo del metodo

simplex para este problema tenemos:
Método simplex
Prueba de optimalidad:

VB CB XB X1 X2 h1 h2 h3
h1 0 4 1 0 1 0 0
X2 5 6 0 1 0 1/2 0
h3 0 6 3 0 0 -1 1
30 -3 0 0 5/2 0
Max 3 5 0 0 0

Esta solución aún no es óptima

Método simplex
Iteración: 1 Definir variable que entra

VB CB XB X1 X2 h1 h2 h3
h1 0 4 1 0 1 0 0
X2 5 6 0 1 0 1/2 0
h3 0 6 3 0 0 -1 1
30 -3 0 0 5/2 0
Max 3 5 0 0 0

Entra X1 a la base
Método simplex
Iteración : 2 Determinar variable que sale

VB CB XB X1 X2 h1 h2 h3
h1 0 4 1 0 1 0 0 4/1 = 4
X2 5 6 0 1 0 1/2 0 Yij = 0
h3 0 6 3 0 0 -1 1 6/3 = 2
30 -3 0 0 5/2 0
Max 3 5 0 0 0

Yij
Método simplex
Iteración: 3 Determinar nueva solución básica

VB CB XB X1 X2 h1 h2 h3
h1 0 2 0 0 1 1/3 -1/3
X2 5 6 0 1 0 1/2 0
X1 3 2 1 0 0 -1/3 1/3
36 0 0 0 3/2 1
Max 3 5 0 0 0

Nueva variable básica

Nueva base canonizada
Método simplex
Prueba de optimalidad:

VB CB XB X1 X2 h1 h2 h3
h1 0 2 0 0 1 1/3 -1/3
X2 5 6 0 1 0 1/2 0
X1 3 2 1 0 0 -1/3 1/3
36 0 0 0 3/2 1
Max 3 5 0 0 0

Solución óptima
Método simplex
Observación:

En el sistema de ecuaciones de un PPL con n variables de decisión y m restricciones,

siempre tendremos:

n + m variables (n de decisión y m de holgura)

m ecuaciones (por las m restricciones)

Luego, las soluciones básicas para un PPL de n variables de decisión y m restricciones

tendrán:
m variables básicas (> 0)
n variables no básicas (= 0)
 DUALIDAD
• El problema dual es una programación lineal definida en forma directa y sistemática a partir
del modelo original al que llamaremos primal.

• La resolución óptima de uno produce en forma automática la resolución óptima del otro.

• El problema dual se forma a partir del primal siguiendo las siguientes indicaciones:

• Se define una variable dual por cada restricción primal.

• Se define una restricción dual por cada variable primal.

• Los coeficientes de restricción (columna) de una variable primal definen los coeficientes en el
lado izquierdo de la restricción dual.

• Los lados derechos de las restricciones primales definen los coeficientes de la función
objetivo del problema dual.
DUALIDAD

 Las desigualdades del problema dual cambian

dependiendo de que las variables del problema
primal sean mayores o iguales a cero, menores o
iguales a cero o sin restricción.

 Las variables duales pueden ser no negativas, no

positivas o sin restricción dependiendo del tipo de
restricción primal (mayor o igual, menor o igual o
estricta igualdad).
 Relaciones entre los problemas primal y dual
primal dual

•   

⋮•   ⋮  ⋮  ⋮  ⋮  ⋮ 

La función objetivo cambia al pasar de primal a dual y vice versa

Se crea una variable dual por cada restricción del problema primal. La
cantidad de restricciones del primal es la cantidad de variables del dual
 Relaciones entre los problemas primal y dual
primal dual

•   

⋮•   ⋮  ⋮  ⋮  ⋮  ⋮ 

Los lados derechos de las restricciones primales pasan a ser los coeficientes
de la función objetivo del dual
Los coeficientes de la función objetivo primal serán los lados derechos de las
restricciones del problema dual
 Relaciones entre los problemas primal y dual

primal dual
 
• 

⋮•   ⋮  ⋮  ⋮  ⋮  ⋮ 

Los coeficientes de restricción por columna del primal pasan a ser los
coeficientes de restricción por renglón del problema dual. La cantidad
de variables del problema primal corresponderá a la cantidad de restricciones
del problema dual.
Reglas para construir
el problema Dual
•Metodología:
•
•1. Escribir el problema primal en ecuaciones Objetivo del problema Problema Dual
Primal Objetivo Tipo de Restricciónes Signos de variables
Objetivo del problema
Maximización Minimización Problema
≥ Dual No restringido
Primal Objetivo Tipo de Restricciónes Signos de variables
•2. Definir las variables duales Minimización
Maximización
Maximización
Minimización
≤
≥
No restringido
No restringido
Minimización Maximización ≤ No restringido
•3. Convertir el problema primal a dual
Ejemplo
Primal Dual

•  • 

x+y+2z
10

4 Iteraciones v1 Iteración
Dualidad y Análisis de Sensibilidad

La solución óptima de una programación lineal se basa en las

condiciones que prevalecen en el momento de formular y resolver el
modelo.

En el mundo real las condiciones cambian y por lo tanto la soluciones

óptima del problema también. Por esto es muy importante saber
como cambia la solución óptima cuando cambia un parámetro del
modelo.
Teorema de Holgura Complementaria
  max

s.a

+
+
El florista ha encontrado que su combinación optima es

¿Como se interpreta esto?. La florista venderá rosas y tulipanes

a un precio de $500 cada una y entregará como oferta los ibizcos
gratis, pero esto solo si se vende todo como un paquete. Esto
toma sentido pues si vende todas las rosas y tulipanes (dado que
solo sabe hacer los arreglos florales descritos) no podría sacarle
provecho alguno a los ibizcos.
 INTERPRETACIÓN DE LAS VARIABLES DUALES
•Los valores de las variables duales en el optimo tienen una interpretación económica interesante en problemas
de programación lineal, corresponde a las tasas marginales de variación del valor de la función objetivo ante
variaciones unitarias del lado derecho de una restricción.

•Por este motivo se le llama precio sombra al vector de variables duales en el optimo.

•Análisis de sensibilidad: Consiste en determinar cual es el rango de variación de los parámetros del
problema de modo que la base ´optima encontrada siga siendo optima

•Análisis post optimal: Consiste en determinar como varía la base optima si cambia alguno de los
parámetros del problema.
 Desarrollo

Tabla Inicial Optimo

En una empresa se quieren utilizar los recursos 1 y 2 en la producción de los productos A, B y C. La cantidad unitaria
necesaria de cada recurso para cada tipo de producto, la cantidad disponible de cada recurso y el beneficio unitario
de cada una
 Base A B C h1 h2 Po
h1 4 2 3 1 0 40
h2 2 2 1 0 1 30
z -3 -2 -1 0 0 0

Base A B C h1 h2 Po
A 1 0,5 0,75 0,25 0 10
Max B 0 1 -0,5 -0,5 1 10 *-2
  +1C z 0 -0,5 1,25 0,75 0 30 *3

4  𝐴 +2 𝐵+3 𝐶 ≤ 40
2  𝐴 +2 𝐵+1 𝐶 ≤ 30
Base A B C h1 h2 Po

A 1 0 1 0,5 -0,5 5 *-0,5

4  𝐴 +2 𝐵+3 𝐶+h1=40
B 0 1 -0,5 -0,5 1 10
z 0 0 0,5 0 0,5 35 *0,5
2  𝐴 +2 𝐵+1 𝐶+h 2=30
A=5 , B=10 , C=0 Z=35
Cambios en el vector recursos b

  +1C

4  𝐴 +2 𝐵+3 𝐶 ≤ 40
2  𝐴 +2 𝐵+1 𝐶 ≤ 30
Optimo
Solución
  +1C

0,5 -0,5 40 20-15=5

x = 3*5+2*10+1*0=35
-0,5 1 30 -20+30=10

0,5 -0,5 41 20,5-15=5,5

(3*5,5)+(2*9,5)+1*0=
x = 16,5+19=35,5
-0,5 1 30 -20,5+30=9,5

0,5 -0,5 40 20-15,5=4,5

(3*4,5)+(2*11)+1*0=
x = 13,5+22=35,5
-0,5 1 31 -20+31=11
Cambios en el vector costos c

  +1C

4  𝐴 +2 𝐵+3 𝐶 ≤ 40
2  𝐴 +2 𝐵+1 𝐶 ≤ 30
   +1C

0,5 -0,5 4
3 2 x - 3 0 3*5+2*10+1*0=35
x =
-0,5 1 2
Ct
B^-1 Aj

4
1,5+-1=0,5 0,5 x - 3 = 0
2
   +1C

0,5 -0,5 4
4 2 x - 3 0
x =
-0,5 1 2
Ct
B^-1 Aj

4
2+-1=1 -2+2=0 x - 3 = 1
2