APLICACIONES DE

INFORMÁTICA
Parte 2 : Métodos Cuantitativos para la toma
de decisiones

Prof. : Ricardo Cahe C.

 MÉTODOS
CUANTITATIVOS
1 RESOLUCIÓN DE PROBLEMAS Y
TOMA DE DECISIONES
2 ANÁLISIS CUANTITATIVO Y
TOMA DE DECISIONES
3 EL PROCESO DEL ANÁLISIS
CUANTITATIVO
4 TÉCNICAS MÁS EMPLEADAS
 Investigación de Operaciones
• Se desarrolla fuertemente a partir de la Segunda
Guerra Mundial, para solucionar el problema de
asignación efectiva de recursos escasos a las
operaciones militares.
• A partir de la década de 1950 se aplica esta
disciplina a las operaciones industriales, siendo
reconocida hoy como una actividad fundamental
en la administración moderna de organizaciones
 Investigación de Operaciones
Definición
• “La investigación de operaciones(IO) es la
aplicación del método científico al estudio de los
problemas de toma de decisión en situaciones
determinísticas o probabilisticas al interior de
sistemas complejos, considerando la formulación
de un modelo generalmente matemático que
permita estudiar el problema y desarrollar una
solución que indique el mejor u óptimo curso de
acción posible, coherente con los objetivos
globales del sistema”
 Características esenciales de la IO

• El modelamiento, generalmente
matemático, de los problemas de decisión.
• La búsqueda de la mejor o la óptima
solución de los problemas de decisión
 Metodología de un estudio de IO
(Fases)
• Formulación del problema
• Desarrollo de un modelo para representar el
problema que se está estudiando
• Búsqueda de una solución al problema
• Poner en práctica la solución
• Establecimiento de controles sobre la
solución (Retroalimentación)
 Análisis Cuantitativo y Toma de Decisiones

ESTRUCTURAR EL PROBLEMA ANALIZAR EL PROBLEMA

Determinar Determinar
Identificar
conjunto de criterio Evaluar las Elegir una
y definir
soluciones para opciones de ellas
el problema alternativas evaluar

• Análisis Cualitativo corresponde a una evaluación intuitiva,

teniendo más relación con el arte y la experiencia acumulada.
• Análisis Cuantitativo desarrollo de expresiones matemáticas que
describen los objetivos, las restricciones y las relaciones
existentes dentro del problema.
Análisis Cuantitativo y Toma de Decisiones

ANALIZAR EL PROBLEMA

Análisis
Cualitativo

Resumen y Elegir una

Evaluación de ellas

Análisis
Cuantitativo
 El Proceso del Análisis
Cuantitativo
Consta de cuatro pasos:

1 Desarrollo del Modelo

2 Preparación de Datos
3 Resolución del Modelo
4 Generación de Resultados
 Desarrollo del Modelo
• La definición del problema queda especificada
en la forma de un Modelo.
• Un modelo es una representación del mundo
real.
• El propósito de cualquier modelo es permitir
deducir conclusiones acerca de la situación real,
estudiando y analizando el modelo.
 Desarrollo del Modelo
• Ventajas de usar modelos: menos tiempo y menos
costo que la experimentación con el objeto o la
situación reales. También hay menos riesgo.
• La precisión de las conclusiones y las decisiones
basadas en un modelo depende de cuan bien
represente el modelo la situación real.
• Los tipos de modelos que nosotros usaremos serán
los modelos matemáticos (modelación matemática)
 Técnicas más Empleadas
• Programación Lineal
• Administración de Proyectos
• Simulación
• Modelos de Inventario
• Modelos de Colas de Espera
• Modelos de Redes
• Programación Dinámica
• Otros
RECORDEMOS QUE:

• Toma de decisiones es el proceso para

definir un problema, identificar las
alternativas, determinar los criterios, evaluar
las opciones y elegir una.
PROGRAMACIÓN LINEAL
 Programación Matemática
• Provee modelos matemáticos asociados con
situaciones-problemas que involucran
decisiones de corto o mediano plazo, en que
se intenta optimizar (maximizar o
minimizar) un determinado objetivo,
pudiendo existir restricciones a las
decisiones posibles para lograrlo.
 Programación Matemática
(Aplicación típica)
• Corresponde a situaciones en que se debe
asignar un conjunto de recursos limitados
entre actividades que compiten por su
utilización, existiendo la intención de
realizar la asignación de recursos en una
forma tal que se maximicen utilidades o se
minimicen costos.
 Programación Matemática
(Modelo general)
Opt Z = f (x1,x2,x3,….,xn)
s.a.
g (x1,x2,x3,….,xn)>=0 ó <= b
 Programación Matemática
(Modelo general)
• Programación lineal
• Programación entera
• Programación no lineal
 PROGRAMACIÓN LINEAL
• Si en el modelo general de Programación matemática,
tanto la función objetivo de optimización como las m
restricciones del problema son lineales y se agregan n
restricciones de no negatividad para las variables de
decisión, se tiene el modelo matemático de Programación
Lineal.
• Si existiera la condición de que a lo menos una de las
variables debiera ser entera, entonces el modelo sería de
Programación lineal Entera
• Cualquier discrepancia respecto de la linealidad en la F.O.
y/o en las m restricciones de problema conduciría a un
modelo de Programación No Lineal.
 PROGRAMACIÓN
LINEAL
• Los administradores deben asignar recursos escasos a actividades
que compiten por ellos, para generar productos o servicios.
• El medio puede imponer restricciones sobre cómo se deben usar los
recursos. Se debe decidir qué actividades usarán más efectivamente
los recursos, al mismo tiempo que cumplirán las restricciones.

• En las ciencias administrativas se ha

desarrollado una metodología, llamada
Programación Lineal, que ofrece una
manera de tomar tal decisión.
 FORMULACIÓN DEL
PROBLEMA
1 Función Objetivo
2 Restricciones
3 Fórmula General
 FORMULACIÓN DEL
PROBLEMA
Identificar los Formular la
Recursos y sus Función
Restricciones Objetivo

Definir las Recolectar los Consolidarlos en

Variables de Datos un Programa
Decisión Relevantes Lineal

Formular las
Identificar un Relaciones
Objetivo Único Matemáticas para
las Restricciones
 Función Objetivo
• El tomador de decisiones tiene un objetivo único y medible
(maximizar beneficios o minimizar costos).
• Se pueden llevar a cabo varias actividades (Variables de
Decisión) para lograr el objetivo.
• Cada actividad contribuye al objetivo. La relación matemática
entre el criterio y las variables de decisión, se llama Función
Objetivo.
• La función objetivo es lineal, cada variable de decisión aparece
en un término separado y está elevada a 1.
• Se debe determinar la combinación de variables de decisión que
proporcione el mejor valor de la función objetivo y satisfaga
todas las restricciones.
 Restricciones
• Hay un número finito de restricciones sobre el
objetivo.
• Una restricción puede implicar:
– Demanda requerida por un recurso.
– Condición de balance.
– Alguna otra relación.
 Restricciones
• Las combinaciones de variables de decisión deben:
– No usar más de lo que la oferta del recurso dispone.
– Proporcionar, al menos, la demanda requerida por el producto.
– Satisfacer todas las condiciones de restricción.
Estas son las expresiones de restricción.
• Las relaciones son lineales en todas las restricciones.
• Las variables de decisión deben ser >= 0
(restricciones de no-negatividad).
 TIPOS DE PROBLEMA A
RESOLVER
• Asignación: Personal para Auditoría, Patrullaje policial
• Mezcla: Selección de dieta, Manejo de desechos
• Planificación e Itineración: Planificación de
inversiones, Planificación de la Producción
• Asignación de Recursos: Selección de medios,
Presupuesto de Capital
• Transporte: Carga de vehículos, Patrones de envío a
distribuidores
 DESARROLLO DE UN
EJEMPLO
1 Formulación del problema
2 Resolución mediante el método
gráfico
3 Resolución mediante métodos
matemáticos
 Formulación del problema

Una empresa manufactura dos tipos de utensilio de cocina:

cuchillos y tenedores. Ambos deben ser moldeados y pulidos. El
administrador estima la disponibilidad de la moldeadora y de la
pulidora en 70 y 100 horas, respectivamente. Para producir una
caja de cuchillos se requiere de 0,2 hr de moldeado y 0,5 hr de
pulido y para una caja de tenedores se requiere de 0,4 hr de
moldeado y 0,25 hr de pulido. Se tiene asegurada la compra de
toda la producción y ésta se efectuaría a $6.000 y $4.500 por caja
de cuchillos y tenedores, respectivamente. El costo de producir
una caja de cuchillos es $2.000 y para los tenedores es $1.500.
Determinar la cantidad de cajas de cuchillos y tenedores a
producir, de manera de maximizar las ganancias.
 Formulación del problema
Función Objetivo:
La ganancia total será igual a la contribución por la venta de
cuchillos más la contribución por la venta de tenedores. Ya
que cuesta $2.000 producir una caja de cuchillos, la cual se
vende en $6.000, entonces la ganancia por la venta de
cuchillos será de $4.000 por caja. La contribución de $4.000
por caja, multiplicada por el número de cajas vendidas, dará
el total de ganancia por los cuchillos. En el caso de los
tenedores, la ganancia será de $3.000 por caja y la ganancia
total será de $3.000 por el número de cajas vendidas.
 Formulación del problema
• Resumiendo, se tiene que:
– X1 = número de cajas de cuchillos a ser producidas
– X2 = número de cajas de tenedores a ser producidas
– Z = ganancia total.
• Se puede representar la ganancia total mediante:
 Z = $4.000X1 + $3.000X2
• Se tiene la posibilidad de establecer los niveles de
producción de cuchillos y tenedores. Así, X1 y X2
representan las entradas controlables o variables
de decisión de este problema.
 3.3.1 Formulación del problema
• Se desea establecer valores para las variables de
decisión que maximicen la ganancia total.
• La función objetivo quedaría:
– maximizar Z = $4.000X1 + $3.000X2
• Restricciones:
– capacidad máxima de moldeado = 70 horas
– tiempo de moldeado requerido = 0,20X1 + 0,40X2
– capacidad máxima de pulido = 100 horas
– tiempo de pulido requerido = 0,50X1 + 0,25X2
 3.3.1 Formulación del problema
• Las que se resumen en las restricciones
del sistema:
 0,20X1 + 0,40X2  70 horas (moldeado)
 0,50X1 + 0,25X2  100 horas (pulido)

• Además, se debe asegurar que todas las

variables de decisión tengan valores
mayores o iguales a cero:
 X1, X2  0 (restricción de no-negatividad)
 Formulación del problema
Formulación completa: se integran los elementos
desarrollados en un programa lineal:

MAX Z = $4.000X1 + $3.000X2 (función objetivo)

Sujeta a:

0,20X1 + 0,40X2  70 horas (moldeado)

0,50X1 + 0,25X2  100 horas (pulido)

X1, X2  0 (no-negatividad)
 Resolución mediante el método gráfico
• Para resolver un programa lineal, hay dos métodos, uno
gráfico, para situaciones simples, y otro matemático, que
permite resolver cualquier problema, sin importar su tamaño
ni complejidad.
• El método gráfico implica la utilización de un gráfico que
contenga todas las soluciones posibles para cada restricción
(conjunto de soluciones factibles), que son el conjunto de
todos los puntos (puntos de solución) que cumplen con las
restricciones.
• El eje horizontal representa la variable de decisión X1
(cantidad de cuchillos a producir) y el eje vertical a X2
(cantidad de tenedores a producir).
 Resolución mediante el método gráfico
X2
600
Se determina el
500
cuadrante I como el
400
Área de único que puede
300 soluciones contener soluciones
no-negativas
200 factibles, dadas las
100 restricciones de no-
0
negatividad.
X1
0 100 200 300 400 500
 Resolución mediante el método gráfico
X2 Restricción Se identifica la
de moldeado restricción de moldeado.
600
La línea corresponde a la
500 igualdad (0,2X1 + 0,4X2
400 = 70) y el área a la
desigualdad (0,2X1 +
300
0,4X2  70).
200
En los extremos de la
100 línea, para X1 = 0, X2 =
0 175 y para X2 = 0, X1 =
X1 350.
0 100 200 300 400 500
 Resolución mediante el método gráfico
X2 Restricción Se identifica la restricción
de pulido de pulido.
600
La línea corresponde a la
500 igualdad (0,5X1 + 0,25X2
400 = 100) y el área
corresponde a la
300
desigualdad (0,5X1 +
200 0,25X2  100).
100 En los extremos de la
0 línea, para X1 = 0, X2 =
X1 400 y para X2 = 0, X1 =
0 100 200 300 400 500
200.
 Resolución mediante el método gráfico
X2 Se superponen ambos
Área de espacios de solución,
600
Solución generando una nueva
500
área, que corresponde a
400 la intersección de las dos
300
anteriores, pues los
puntos del área de
200 solución deben cumplir
100 ambas restricciones.
0
Las rectas se cortan en
X1 (150, 100).
0 100 200 300 400 500
 Resolución mediante el método gráfico
X2 Se superponen líneas de
Solución iso-ganancia con la
600
Óptima solución, tratando que ella
500 quede lo más arriba
400 Línea de posible. En este caso
iso-ganancia
(150, 100) es el óptimo.
300
Mejor
El Z para esa
200
Solución combinación es:
100 $4.000X1 + $3.000X2
0 = $4.000*150 + $3.000*100
X1 = $600.000 + $300.000
0 100 200 300 400 500
= $900.000
Resolución mediante métodos matem.
• El método gráfico es útil sólo cuando hay dos
variables de decisión. Para el resto de las
situaciones, se utiliza generalmente el Método
Simplex.
• El método simplex es una aproximación
algebraica basada en relaciones de igualdad.
Para ello, se debe convertir las desigualdades en
igualdades, expresando los recursos no
utilizados en las ecuaciones mediante las
variables de holgura o sobrante (surplus).
 Resolución mediante métodos matem

HOLGURA
Es cualquier capacidad no utilizada u ociosa.
En una restricción de menor o igual, se le denomina
holgura correspondiente a la restricción.
Con frecuencia se añaden variables a los
planteamientos de los problemas de programación
lineal para representar la capacidad de holgura.
Aparecen las denominadas variables de holgura.
 Resolución mediante métodos matem.

• Para el ejemplo, la situación sería:

– Se consideran dos variables, S1 y S2, para las
horas no usadas de moldaje y pulido.
– Como no significan ganancia (no contribuyen
a las utilidades), se les asigna $0 (se las
representa con coeficiente cero en la función
objetivo).
 Resolución mediante métodos matem.

• Por lo tanto, el programa lineal quedaría:

Maximizar Z = $4.000X1 + $3.000X2 +$0S1 +
$0S2
Sujeto a:
0,2X1 + 0,4X2 + S1 + 0S2 = 70 horas (moldeado)
0,5X1 + 0,25X2 + 0S1 + S2 = 100 horas (pulido)
X1, X2, S1, S2  0 (no-negatividad)
• Ésta es la forma canónica o estándar.
 Resolución mediante métodos matem.
A partir del programa en su forma canónica,
se inicia un proceso iterativo de búsqueda
de la solución óptima. Para ello, se ocupa
una matriz (tableau) que contiene los
valores iniciales, algunos de los cuales son
cambiados por otros nuevos, y así
sucesivamente, hasta llegar al resultado .
 OTROS CASOS

1 Variables Enteras
2 Variables Binarias
3 Problemas No Lineales
4 Análisis de Sensibilidad
 Variables Enteras
• Por definición, las variables empleadas en un
programa lineal son reales (continuas).
• Hay casos especiales en que deben ser enteras
(discretas), por ejemplo, el nº de personas a ser
asignadas a un turno o nº de cajas a ser
transportadas.
• En estos casos, la solución óptima es un
subóptimo respecto a si se hiciera con variables
reales
 Variables Binarias

A veces se debe especificar si una variable de decisión

estará presente (se tomará en cuenta su valor) o ausente en
un programa.
Para ello, se debe multiplicar por otra variable, la cual
puede tomar sólo dos valores: 0 ó 1.
La nueva variable (binaria), indica la presencia o ausencia
de la variable de decisión.
Al haber multiplicación de variables de decisión, el
problema ya no es lineal.
 Problemas No Lineales
En la naturaleza, se da todo tipo de problema:
– Lineales
– No lineales
En los No Lineales, una o más variables de
decisión están elevadas a una potencia distinta de
1 o multiplicadas por otra variable de decisión.
Estos casos también tienen solución, aunque el
proceso de obtención generalmente es más lento y
difícil.
 Análisis de Sensibilidad
La resolución de un problema determinado, muchas
veces no termina con la obtención de una solución
particular, dado el conjunto inicial de datos.
A veces, el tomador de decisiones desea saber qué
variaciones pueden ocurrir en el resultado si se
aplican cambios en los parámetros, más
específicamente en las restricciones; por ejemplo, si
se obtiene más de un recurso determinado, el
óptimo podría mejorar o quizás no. Para
averiguarlo, se debe hacer un análisis de
sensibilidad.
 Análisis de Sensibilidad
Lo más seguro es que el modelo de
programación lineal sea utilizado en un
medio ambiente dinámico, razón por la cual
se podría desear determinar la forma en que
los cambios afectan a la solución óptima del
problema primitivo.
 Análisis de Sensibilidad
• El análisis de sensibilidad es el estudio de la forma en la
que afecta a la solución óptima los cambios en los
coeficientes de un Programa Lineal.
• Utilizando análisis de sensibilidad puede responderse a las
siguientes preguntas:
1) ¿Cómo afectará a la solución óptima un cambio en un coeficiente
de la función objetivo?
2) ¿Cómo afectará a la solución óptima un cambio en el valor del 2º
miembro de una restricción?
• Se llama también análisis de post-optimidad.
 Método del simplex
• El método del simplex fue creado en 1947 por el
matemático George Dantzig .
• Se utiliza, sobre todo, para resolver problemas de
programación lineal en los que intervienen tres o
más variables.
• El álgebra matricial y el proceso de eliminación de
Gauss-Jordan para resolver un sistema de
ecuaciones lineales constituyen la base del método
simplex
 Método Simplex
• Es un procedimiento iterativo que permite ir mejorando la
solución a cada paso. El proceso concluye cuando no es
posible seguir mejorando más dicha solución. Partiendo
del valor de la función objetivo en un vértice cualquiera, el
método consiste en buscar sucesivamente otro vértice que
mejore al anterior. La búsqueda se hace siempre a través
de los lados del polígono (o de las aristas del poliedro, si el
número de variables es mayor). Cómo el número de
vértices (y de aristas) es finito, siempre se podrá encontrar
la solución.
• El método Simplex se basa en la siguiente propiedad: si la
función objetivo, f, no toma su valor máximo en el vértice
A, entonces hay una arista que parte de A, a lo largo de la
cual f aumenta.
 Problema
Maximizar Z= f(x,y)= 3x + 2y
sujeto a:
2x + y  <=18 
2x + 3y  <= 42 
3x + y <= 24 
x , y >= 0
 Paso 1:Convertir las desigualdades
en igualdades
• Se introduce una variable de holgura por cada una
de las restricciones, para convertirlas en
igualdades, resultando el sistema de ecuaciones
lineales: 
2x + y + h = 18
2x + 3y + s = 42
3x +y + d = 24
• Igualar la función objetivo a cero
- 3x - 2y + Z = 0
 Paso 2: Escribir la tabla inicial Simplex

Base X Y H S D Solu-
ción
H 2 1 1 0 0 18

S 2 3 0 1 0 42

D 3 1 0 0 1 24

Z -3 -2 0 0 0 0
Paso3: Encontrar la variable de decisión que entra en
la base
• Para escoger la variable de decisión que entra en la base, nos
fijamos en la última fila, la de los coeficientes de la función
objetivo y escogemos la variable con el coeficiente negativo
mayor (en valor absoluto).
  En nuestro caso, la variable x de coeficiente - 3.   Si
existiesen dos o más coeficientes iguales que cumplan la
condición anterior, entonces se elige uno cualquiera de ellos.
•   Si en la última fila no existiese ningún coeficiente negativo,
significa que se ha alcanzado la solución óptima. Por tanto,
lo que va a determinar el final del proceso de aplicación del
método Simplex, es que en la última fila no haya elementos
negativos.
• La columna de la variable que entra en la base se llama
columna pivote (En color Azul).
Paso4: Encontrar la variable de holgura que sale de
la base
• Para encontrar la variable de holgura que tiene que salir de la base, se
divide cada término de la última columna (valores solución) por el
término correspondiente de la columna pivote, siempre que estos
últimos sean mayores que cero. En nuestro caso:
      18/2 [=9] , 42/2 [=21] y 24/3 [=8]  Si hubiese algún elemento
menor o igual que cero no se hace dicho cociente. En el caso de que
todos los elementos fuesen menores o iguales a cero, entonces
tendríamos una solución no acotada y no se puede seguir.
•   El término de la columna pivote que en la división anterior dé lugar
al menor cociente positivo, el 3, ya 8 es el menor, indica la fila de la
variable de holgura que sale de la base, d. Esta fila se llama fila pivote
(En color azul).
•   Si al calcular los cocientes, dos o más son iguales, indica que
cualquiera de las variables correspondientes pueden salir de la base.

En la intersección de la fila pivote y columna pivote

tenemos el elemento pivote operacional, 3.
 Paso 5:Encontrar los coeficientes de la nueva tabla

• Los nuevos coeficientes de x se obtienen

dividiendo todos los coeficientes de la fila d por el
pivote operacional, 3, que es el que hay que
convertir en 1.
• Fila del pivote:
Nueva fila del pivote= (Vieja fila del pivote) : (Pivote)
• Resto de las filas:
Nueva fila= (Vieja fila) - (Coeficiente de la vieja
fila en la columna de la variable entrante) X
(Nueva fila del pivote)
 Ejemplo (Paso 5)
Vieja fila de s 2 3 0 1 0 42
 - - - - - -
Coeficiente 2 2 2 2 2 2
  x x x x x x
Nueva fila pivote 1 1/3 0 0 1/3 8
= = = = = =
Nueva fila de s 0 7/3 0 1 -2/3 26
 Paso 5:Encontrar los coeficientes de la nueva tabla
(Iteración 2)

Base X Y H S D Solu-
ción
H 0 1/3 1 0 -2/3 2

S 0 7/3 0 1 -2/3 26

X 1 1/3 0 0 1/3 8

Z 0 -1 0 0 1 24
 Paso 5:Encontrar los coeficientes de la nueva tabla
(Iteración 2)
• Como en los elementos de la última fila hay uno negativo,
-1, significa que no hemos llegado todavía a la solución
óptima. Hay que repetir el proceso:
• La variable que entra en la base es y, por ser la variable
que corresponde al coeficiente -1
• Para calcular la variable que sale, dividimos los términos
de la última columna entre los términos correspondientes
de la nueva columna pivote:
2:1/3 [=6] , 26:7/3 [=78/7] y 8:1/3 [=24]
y como el menor cociente positivo es 6, tenemos que la
variable de holgura que sale es h.
• El elemento pivote, que ahora hay que hacer 1, es 1/3.
 Paso 5:Encontrar los coeficientes de la nueva tabla
(Iteración 3)

Base X Y H S D Solu-
ción
Y 0 1 3 0 -2 6

S 0 0 -7 1 4 12

X 1 0 -1 0 1 6

Z 0 0 3 0 -1 30
 Paso 5:Encontrar los coeficientes de la nueva tabla
(Iteración 3)
• Como en los elementos de la última fila hay uno negativo,
-1, significa que no hemos llegado todavía a la solución
óptima. Hay que repetir el proceso:
• La variable que entra en la base es d, por ser la variable
que corresponde al coeficiente -1
• Para calcular la variable que sale, dividimos los términos
de la última columna entre los términos correspondientes
de la nueva columna pivote:
6/(-2) [=-3] , 12/4 [=3], y 6:1 [=6]
y como el menor cociente positivo es 3, tenemos que la
variable de holgura que sale es s.
• El elemento pivote, que ahora hay que hacer 1, es 4.
 Paso 5:Encontrar los coeficientes de la nueva tabla
(Iteración 4)

Base X Y H S D Solu-
ción
Y 0 1 -1/2 1/2 0 12

D 0 0 -7/4 1/4 1 3

X 1 0 3/4 -1/4 0 3

Z 0 0 5/4 1/4 0 33
 Solución Final
• Como todos los coeficientes de la fila de la
función objetivo son positivos, hemos
llegado a la solución óptima.
• Los solución óptima viene dada por el valor
de Z en la columna de los valores solución,
en nuestro caso: 33. En la misma columna
se puede observar el vértice donde se
alcanza, X=3, Y=12
 Casos especiales
• Si en lugar de maximizar se trata de un
problema de minimizar se sigue el mismo
proceso, pero cambiando el sentido del
criterio, es decir, para entrar en la base se
elige la variable cuyo valor, en la fila de la
función objetivo, sea el mayor de los
positivos y se finalizan las iteraciones
cuando todos los coeficientes de la fila de la
función objetivo son negativos 
 Interpretación geométrica del método Simplex 
• Las sucesivas tablas que hemos construido van proporcionando el
valor de la función objetivo en los distintos vértices, ajustándose, a la
vez, los coeficientes de las variables iniciales y de holgura.
• En la primera iteración (Tabla 1) han permanecido todos los
coeficientes iguales, se ha calculado el valor de la función objetivo en
el vértice A(0,0), siendo este 0.
• A continuación se desplaza por la arista AB, calculando el valor de f ,
hasta llegar a B. 
Este paso aporta la Tabla 2
• En esta segunda iteración se ha calculado el valor que corresponde al
vértice B(8,0): Z=f(8,0) = 24
• Sigue por la arista BC, hasta llegar a C, despliega los datos de la Tabla
3
En esta tercera iteración se ha calculado el valor que corresponde al
vértice C(6,6) : Z=f(6,6)=30.
  Interpretación geométrica del método
Simplex 
• Continua haciendo cálculos a través de la arista
CD, hasta llegar al vértice D. Los datos que se
reflejan son los de la Tabla 4
Concluye con esta tabla, advirtiendo que ha
terminado (antes ha comprobado que la solución
no mejora al desplazarse por la arista DE)
El valor máximo de la función objetivo es 33, y
corresponde a x = 3 e y = 12 (vértice D).
• Si se calcula el valor de la función objetivo en el
vértice E(0,14), su valor no supera el valor 33.
• FUENTES :
Apuntes de profesores :
– Fernando Labbé
– Eduardo Fiol
– Lais San Martín
– Dagoberto Cabrera
– Ricardo Cahe