Unidad I

Programación Lineal
Investigación de Operaciones

 Enfoque científico de toma de decisiones

referente a las operaciones de una
organización, a partir del modelado de
sistemas determinísticos y probabilísticos .
 El enfoque fundamental de la IO es el
enfoque de sistemas.
 Rama de matemáticas que usa modelos
matemáticos.
Programación lineal

 Principal rama de la IO.

 Modelos de optimización donde las funciones son
lineales.
 Procedimiento, algoritmo, técnica matemática
para resolver un problema.
_Formulado a través de ecuaciones lineales.
_Se busca optimizar una función objetivo.
_Sirve para investigar, hallar una solución óptima a
un problema dentro de un conjunto de soluciones
factibles.
Modelo

 Representación de la realidad.
 Debe tomar todas las variables necesarias
que expliquen el comportamiento de un
sistema (existe subjetividad al modelar).
 La programación lineal es un modelo
determinístico.
Pasos para la construcción de un
modelo
 Estudio del medio ambiente que rodea al
problema.
 Formulación lógica, descripción de todos los
elementos del sistema que serán tomados en
cuenta
 Representación simbólica del modelo,
traducir a un lenguaje matemático
planteando relaciones que asocien los datos.
Modelos cuantitativos

 Normativos y descriptivos
-Normativos, establecen cursos de acción para
llegar a la mejor solución posible.
-Descriptivos, cambio de la variable
dependiente
 Determinísticos y probabilísticos
 Estáticos y dinámicos
 Formales y no formales
Modelos formales/ Técnicas

Tipo de modelo Clase de incertidumbre

Programación Lineal Determinístico
Redes PERT/CPM Determinístico, Probabilístico
Teoría de Inventarios Determinístico, Probabilístico
Simulación Determinístico, Probabilístico
Programación Entera Determinístico
Programación Dinámica Determinístico, Probabilístico
Programación No Lineal Determinístico
Teoría de Juegos Probabilístico
Teoría de Colas Probabilístico
Cadenas de Markov Probabilístico
Fases de un estudio (Método
cientifico)
 Identificación del problema (Objetivo de
estudio).
 Formulación y construcción del modelo.
 Resolución del modelo. (Algoritmos,
simulación,heuristicos)
 Validación.
 Implementación.
 Retroalimentación.
I.1
Construcción de los modelos
de programación lineal
Programación Lineal

 Técnica de programación matemática

relacionada con una eficiente distribución de
una serie de recursos limitados entre una
amplia variedad de actividades, de manera
que se cumpla el objetivo o meta trazada.
Este objetivo puede ser de tipo maximizar o
minimizar.
Partes o estructura de un modelo de PL

1. Función Objetivo

2. Restricciones

3. Restricción de No
Negatividad
Función Objetivo

Función matemática congruente con el

objetivo.
Considerando que el objetivo es hallar la mejor
solución(solución óptima), la función
objetivo FO, es una función matemática que
está en función de las variables de decisión
del problema.
 Dependiendo del problema particular se
busca maximizar o minimizar dicha función.
Función Objetivo
MAX
O Xo=C1X1+C2X2+……+CnXn
 F.O. MIN

 X1,X2,……,Xn: Actividades o Variables de decisión.

 C1+C2,……,Cn: Coeficientes de la función objetivo

que representan la contribución unitaria de cada
una de las variables de decisión al valor de la
FO(Xo).
Restricciones

 Son un conjunto de desigualdades y/o

ecuaciones lineales en las cuales se expresan
las condiciones explicitas del problema, es
decir condiciones a cumplir, limitaciones de
recursos, etc.
 Se realiza una restricción por cada recurso
limitado y por cada condición.
Restricciones
 a11X1+a12X2+……+a1nXn ≤ b1
 a21X1+a22X2+……+a2nXn ≥ b2
 a31X1+a32X2+……+a3nXn = b3
.
 am1X1+am2X2+……+amnXn = bm

n: número de variables de decisión

m:número de restricciones
b:lados derechos o recursos, que representan a los recursos limitados y a las
condiciones del problema, es la cantidad disponible de un recurso.
a:coeficientes tecnologicos que representan las unidades asignadas del
recurso “i” a cada una de las variables o actividades de decisión

aij: representa la cantidad del recurso “i” destinadas a la actividad “j”.

Restricción de No Negatividad

 Las variables de un modelo de programación

lineal están restringidas a tomar un valor
positivo o cero.

 X1,X2,…..,Xn ≥ 0
Ó ∀Xj ≥ 0 j=(1,2,….,n)

 No incluye el valor de la función objetivo Xo

Resumiendo
MAX
O Xo=C1X1+C2X2+……+CnXn
F.O. MIN

a11X1+a12X2+……+a1nXn ≤ b1
a21X1+a22X2+……+a2nXn ≥ b2
.
.
.

am1X1+am2X2+……+amnXn = bm

∀Xj ≥ 0 j=(1,2,….,n)
Ejemplo

Max Xo: 2X1+3X2

X1 - X2 ≥ 3
2X1 + X2 ≤ 10
X1 + 4X2 = 5
∀X ≥ 0
Construcción de modelos de PL
 Es preciso en principio un conocimiento del entorno que rodea el
problema (conocer el sistema internamente y la relación con su
entorno).

 En todos los ejercicios que se estudiarán se supone que el análisis

ya fue realizado anteriormente y se pasará a relacionar los datos
aislados.

 Lo importante de la PL es tomarse el tiempo para formular el

modelo.

 No existen una secuencia de datos definida para la modelación

pero se recomienda los siguientes 6 pasos.
1.Identificar el objetivo de estudio

 En algunos casos se especifica el objetivo del estudio, en otros se debe

tratar de determinar cuál podría ser el objetivo.

 Ej: que en el enunciado se tenga datos de utilidad sin ninguna restricción.

(Datos abiertos)

 Puede ser difícil determinar cuando se tienen muchos grupos de datos

abiertos.

 Ej: cuando se tiene como datos abiertos ingresos y costos y ninguno

puede ser escrito como una restricción se deben tratar de fusionar, en
este caso I-C=U.
Regla: Una misma función no puede ir en la función
objetivo y a alguna restricción.
Sería una contradicción.
2.Definir las variables de decisión

 La clave de la formulación consiste en la

detección de las variables de decisión.
 Deben referirse a algo cuyo valor se quiere
averiguar y no ser constantes y conocidas de
antemano.
 Debe ser una cantidad, por tanto son
variables cuantitativas.
2.Definir las variables de decisión

 Es posible plantear las variables de manera

genérica.
Ej: Xj: unidades del producto “j” a producir por mes j(1,2,
….,n)
Cada subíndice representa un producto distinto

 Existen problemas en los cuales se recomienda

definir la variable de decisión con dos subíndices
Ej: Xij: unidades del producto “i” a producir en la planta “j”
El subíndice i controla el producto y el j controla la planta
donde se produjo
3.Identificar restricciones

 Identificarde entre los datos del enunciado

planteado, cuales son las limitantes y las
condiciones que se manejan en el problema.
 Deben ser representadas por una restricción.
 Esta etapa ayuda a verificar el objetivo de
estudio.
4.Plantear la función objetivo

 Se
recomienda escribir MAX si el objetivo es
maximizar y MIN si el objetivo es minimizar.

 Sedebe escribir una función matemática con

una variable Xo, que mida el nivel del objetivo
y que este en función de las variables
independientes Xj.
5.Plantear las restricciones

 Por cada recurso limitado se debe tener una

restricción de tipo (≤).

 Al menos una restricción por cada condición

que podría ser del tipo (≤), (≥) o (=).

 A continuación se mencionan algunos tipos

de restricciones.
Restricciones de recurso limitado

 Son las más frecuentes, están dadas en

unidades de tiempo, peso, volumen o
unidades disponibles.

 Se trata de una desigualdad del tipo “menor o

igual”.
 La cantidad que representa el tope va como
lado derecho de la restricción.
Restricciones de demanda máxima o
mínima
 Restricciones comunes referidas a
condiciones de demanda mínima dmj y
demanda máxima dMj .
 Xj ≥ dmj
 Xj≤ dMj .

 Se podría dar el caso de que la demanda sea

una condición “igual a” en el caso como
trabajo a pedido.
Restricciones de eficiencia
 Se presentan cuando se tienen datos dependientes
entre sí y se trata de un solo recurso limitado.

 Ej: Una carpintería tiene una capacidad instalada tal

que si solo se producen sillas X1 se pueden terminar
100 por mes y si solo se producen mesas X2 se
pueden terminar 450 por mes.

X1/100 + X2/450 ≤ 1
Restricciones de eficiencia
Sillas Mesas
Unidades Fracción de la Unidades Fracción de la
capacidad capacidad
100 1 (100%) 450 1 (100%)
1 1/100 1 1/450
X1 X1/100 X2 X2/450

Como la utilización no debe pasar el 100% de la capacidad (1 en fracción) y

ademas es muy probable que no solo se produzcan solo mesas o solo sillas si
no una combinación de ambas, se plante la restricción de esa manera.

X1/100 + X2/450 ≤ 1
Restricción de proporcionalidad
 Una proporción es escrita con dos razones o
relaciones, muchas veces entre las condiciones
que deben ser expresadas con restricciones se
plantea una comparación de dos cantidades
por división o como fracción .
 Ej: Por cada mesa X1 deben fabricarse 6 sillas
X2 la restricción correspondiente
X1 X2 sería
1 6

X1/1=X2/6
El número de mesas es a 1 como el número de sillas es a
6.
Restricción de proporcionalidad
 La situación se complica un poco cuando por ejemplo se dice:
 Por cada mesa X1 se deben fabricar como mucho 6 sillas X2.
X1 X2
1 6

6X1 X2
Para determinar el sentido de la desigualdad se recomienda tomar un caso
favorable. X1 X2
1 6 Caso limite
1 5 Caso favorable

6(1) (5)
6X1 ≥ X2
Restricción matemática

 Condiciones que expresan que una cantidad

es mayor que otra como mucho o como
mínimo en un número determinado de
unidades.
 Ej: Que la cantidad de sillas X2 a fabricar debe
ser mayor a la cantidad de mesas X1 como
mínimo en 100 unidades.
X2-X1 ≥ 100
6.Plantear la restricción de No
Negatividad
 Se debe declarar que ninguna variable puede
tomar un valor negativo.
Ejemplo 1
 Una empresa fabrica puertas y ventanas. Se presenta un
problema de capacidad en el departamento de pintura, donde
independientemente de si son puertas o ventanas, se puede
concluir como máximo 40 unidades por día.
 Por razones de contrato, las horas de mano de obra
empleadas por día no deben ser inferiores a 30. En cada
puerta se emplean 3 horas de este recurso y 2 por cada
ventana. Un recurso limitado es la madera roble de la cual
solo se dispone de 90 pie3 por día. Por cada puerta se
emplean 2 pie3 de esta madera y por cada ventana 3 pie3.
Construir el modelo de programación lineal, sabiendo que la
utilidad por cada puerta es de 10$ y por cada ventana es 6$.
Ejemplo 2
 Para la elaboración del producto “Z” se mezclan 4 materias
primas, las cuales contienen un componente F en las
proporciones indicadas en la tabla siguiente, donde figuran
los costos por Kg. de cada materia prima. Se trata de obtener
1000kg. de mezcla, cuyo contenido del componente F sea
por lo menos 18%, con el mínimo costo posible. Construir el
modelo de PL.
Materia Prima Contenido de F % Costo $/kg.
A 51 4
B 11 2
C 14 2.4
D 36 3
Ejemplo 3

 Se dispone de 210.000 $ para invertir en la bolsa.

El agente de bolsa nos recomienda dos tipos de
acciones. Las del tipo A, que rinden el 10% y las
del tipo B, que rinden el 8%. De igual manera nos
aconseja invertir un máximo de 130.000 $ en las
del tipo A y como mínimo 60.000 $ en las del
tipo B. Además recomienda que la inversión en
las del tipo A sea menor que el doble de la
inversión en B. Construir el modelo de PL
Ejemplo 4
 En una pastelería se hacen dos tipos de tartas: Vienesa y
Real. Cada tarta Vienesa necesita un cuarto de relleno
por cada Kg. de bizcocho y produce un beneficio de $250
, mientras que una tarta Real necesita medio Kg. de
relleno por cada Kg. de bizcocho y produce $400 de
beneficio. En la pastelería se pueden hacer diariamente
hasta 150 Kg. de bizcocho y 50 Kg. de relleno, aunque
por problemas de maquinaria no pueden hacer mas de
125 tartas de cada tipo. ¿Cuántas tartas Vienesas y
cuantas Reales deben vender al día para que sea
máximo el beneficio?
Ejemplo 5

 Una escuela prepara una excursión para 400

alumnos. La empresa de transporte tiene 8
buses de 40 asientos y 10 buses de 50
asientos, pero solo dispone de 9 conductores.
El alquiler de un bus grande cuesta $80 y el de
uno pequeño, $60. Desarrollar el modelo de
PL.
Ejemplo 6
 Se va a organizar una planta de un taller de
automóviles donde van a trabajar electricistas y
mecánicos. Por necesidades de mercado, es
necesario que haya mayor o igual número de
mecánicos que de electricistas y que el número de
mecánicos no supere al doble que el de
electricistas. En total hay disponibles para contratar
30 electricistas y 20 mecánicos. El beneficio de la
empresa por jornada es de 250 $ por electricista y
200 $por mecánico. Construir el modelo de PL.
Ejemplo 7
 La municipalidad de Tarija, con el objeto de cubrir la demanda de
viviendas de la población tiene en proyecto construir viviendas tipo
A y viviendas tipo B. Si solo se construyen viviendas tipo A, se
pueden construir 15 por hectárea y si solo se construyen tipo B se
pueden construir 20 por hectárea. El costo de la vivienda tipo A es
15000$ y del tipo B 12500$. Se estima que la demanda de viviendas
tipo A es cuando menos 30, en cambio las viviendas tipo B no
tienen condicionante.
 Se dispone de 10 hectáreas para la construcción de viviendas, en
tanto que el presupuesto para el proyecto se espera no exceda los
2000000$.
 El asesor del proyecto sugirió que la cantidad de viviendas tipo B
sea al menos 50 unidades mayor que la mitad del numero de
viviendas tipo A. Construir el modelo de PL.
Ejemplo 8
 FEMCO produce escritorios, estantes y gaveteros. Para ello emplean dos
tipos de plancha: A y B de las cuales se dispone 800 y 1200 m2. A
continuación se muestran datos sobre los m2 ,utilidad y demanda por
producto.
Productos Plancha A Plancha B Utilidad $us/u Demanda mínima
Escritorio 3 3 20 100
Estante 2 1 30 150
Gavetero 5 2 35 30
 El tiempo de labor de cada escritorio es el doble de cada estante y 4
veces el de cada gavetero. Si solo se producirían escritorios el máximo
número sería 500 unidades.
 Se instruye además que el número de escritorios y estantes deben ser al
menos 4/5 partes del total de productos elaborados. En tanto que por
cada 2 estantes deben hacerse como mucho 3 escritorios. Construir el
modelo de PL
Ejercicio para entregar
 En una economía lineal para producir 3 unidades de
trigo se requieren 6 unidades de tierra, $8 en semilla y
3 trabajadores. Para producir 4 unidades de centeno
se requieren 5 unidades de tierra, $10 de semillas y 6
trabajadores. El precio de venta por unidad de trigo y
centeno es $15 y $20,5 respectivamente, siendo las
cantidades disponibles de tierra y de trabajo de 100 y
130 unidades respectivamente. Si el empresario desea
optimizar el resultado de su explotación, formule un
modelo de programación lineal.
Ejercicio

 BOA desea ofertar, a lo sumo, 5000 pasajes

de dos tipos: T(turista) y P(primera). La
ganancia correspondiente a cada pasaje de
tipo T es de 30$, mientras que la ganancia del
tipo P es de 40$.
 El número de plazas tipo T no puede exceder
de 4500 y el del tipo P, debe ser, como
máximo, la tercera parte de las del tipo T que
se oferten. Construir el modelo de PL
Ejercicio

 Una boutique encarga a un fabricante

pantalones y chaquetas deportivas. El fabricante
dispone para la confección de 750 m de tejido de
algodón y 1000 m de tejido de poliéster. Cada
pantalón precisa 1 m de algodón y 2 m de
poliéster. Para cada chaqueta se necesitan 1.5 m
de algodón y 1 m de poliéster. El precio del
pantalón se fija en 50 $ y el de la chaqueta en 40
$. Construir el modelo de programación lineal
Ejercicio

 Con el comienzo del año escolar se va a lanzar

unas ofertas de material. Una empresa quiere
ofrecer 600 cuadernos, 500 carpetas y 400
bolígrafos para la oferta, empaquetándolo de dos
formas distintas; en el primer bloque pondrá 2
cuadernos, 1 carpeta y 2 bolígrafos; en el
segundo, pondrán 3 cuadernos, 1 carpeta y 1
bolígrafo. Los precios de cada paquete serán 6.5
y 7 $, respectivamente. Construir el modelo de PL
 Ejemplo 10
 Un barco tiene dos bodegas, a continuación se presentan
datos sobre limites de capacidad, la cantidad en volumen y
peso de los artículos a transportar y la utilidad por cada
artículo.
Bodega Peso TN Vol m3 Artículo Cantidad TN Vol m3/Tn Utilidad $/TN
1 2000 100000 A 1200 60 6
2 1500 30000 B 2000 25 5

 Para preservar el equilibrio del barco, el peso transportado

en cada bodega debe ser proporcional a la capacidad (en
peso). Construir el modelo de PL
I.2
Resolución de modelos de
programación lineal
Métodos

 Luego de construir el modelo de

programación lineal, el siguiente paso es la
resolución.
 Existen métodos cuantitativos tradicionales
como ser el Método Gráfico y el Método
Simplex.
 El desarrollo ha permitido el uso de
aplicaciones computacionales como LINDO y
QM for Windows y el WinQSB.
Soluciones

 Solución factible
Es el conjunto de soluciones cuyos valores
asignados a las variables de decisión hagan
cumplir todas las restricciones del modelo.
 Solución óptima
Es aquella solución factible que cumple mejor
con el objetivo del problema.
Max: mayor valor
Min: menor valor
Tipos de soluciones

Independientemente del método que se utilice, académicamente

se puede hablar de:
 SOLUCION ÚNICA (un vértice de la región factible)
 SOLUCION MÚLTIPLE (un lado del polígono de RF)
 SOLUCION ILIMITADA (región factible es ilimitada)
Significa que en la construcción del modelo se ha olvidado al
menos una restricción.
 SIN SOLUCIÓN (no existe región factible)
Significa que se ha planteado al menos una contradicción entre las
restricciones.

En un problema real solo se acepta la solución única y múltiple.

Método gráfico

 Elanálisis se efectúa en un plano de sistemas

coordenados rectangular.
 La limitante es que solo se pueden resolver
problemas que tengan dos variables de
decisión.
 Permite comprender conceptos tales como
maximizar y minimizar una función.
PROCEDIMIENTO

1. Graficar las restricciones, asumiendo inicialmente

que son igualdades y de acuerdo al tipo de
desigualdad tomar el semiplano correspondiente.
2. Delimitar la región factible (conjunto de puntos
del plano que verifica a todas las restricciones.
3. Graficar la función objetivo, inicialmente
asignando a Xo un valor cualquiera o el mínimo
común múltiplo entre los coeficiente de las
variables.
4. Hallar la solución grafica óptima.
Análisis de la pendiente de Xo
 Pendiente positiva: tomar dos vértices del polígono uno a
cada lado de la recta de función objetivo. Para decidir la
dirección de desplazamiento, buscar el mayor valor para Xo
en el caso de maximizar y el menor valor si se está
minimizando.

 Pendiente negativa o cero: La solución optima par el caso

maximizar es la intersección de la funcion objetivo con el
vértice mas alejado del origen de coordenadas, en tanto que
para minimizar es el primer vértice hallado mas próximo al
origen de coordenadas.
Ejemplo

FO MAX X0=X1+X2

5X1+2X2 ≤ 10

X2 ≤ 3

∀X ≥ 0
Ejemplo

FO MAX X0=X1- 2X2

5X1+2X2 ≤ 10

X2 ≤ 3

∀X ≥ 0
Ejemplo

FO MAX X0=6X1+ 10X2

X1+X2 ≤ 40

2X1+3X2 ≥ 30

3X1+2X2 ≤ 90

∀X ≥ 0
Ejemplo

FO MIN X0=10X1+ 10X2

X1+ X2 ≥ 2

2X1- X2 ≥ 1

∀X ≥ 0
Ejemplo

FO MAX X0=10X1+ 10X2

X1+ X2 ≥ 2

2X1- X2 ≥ 1

∀X ≥ 0
Ejercicio

FO MAX X0=3X1+5X2

X1 ≤ 4
2X2 ≤ 12
3X1+2X2 ≤ 18

∀X ≥ 0
Ejercicio

FO MIN X0=5X1+3X2

4X1 +5X2 ≥ 20
5X1-4X2 ≤ 5
2X1+X2 ≤ 2

∀X ≥ 0
Ejercicio para clase
 Una empresa que produce cerveza tiene dos productos: cerveza
clara y cerveza oscura. El gerente quiere determinar cuántos
litros debe producir, de cada tipo de cerveza, por semana, de
manera que se maximicen los ingresos. Para producir 1000 litros
de cerveza clara requiere un total de 3 obreros y para producir lo
mismo de cerveza oscura necesita 5, en total la empresa cuenta
con 15 operarios disponibles. Producir los 1000 litros de cerveza
clara le cuesta al dueño 500$, mientras que producir la oscura le
cuesta solo 200$. Su capital no le permite gastar más de 1000$
por semana. Construya el modelo de PL considerando que el
precio al mayoreo de 1000 litros de cerveza clara es de 5000$ y de
cerveza oscura es de 3000$.
Método Simplex

 Estandarización
Para poder resolver mediante el método
simplex se debe estandarizar el modelo.
Características:
-Hacer a todas la restricciones igualdades.
-Los lados derechos deben ser positivos o ceros
nunca negativos.
Restricciones tipo ≤ ó ≥

≤
A este tipo de restricciones se suma una variable
de holgura (Si) para transformarla en igualdad.
3X1+2X2 +S1= 18
≥
A este tipo de restricciones se resta una variable
de excedente (Si) para transformarla en
igualdad.
3X1+2X2 –S1= 18
ÁLGEBRA DEL MÉTODO SIMPLEX

 Las restricciones de un modelo de PL en la

forma estándar forman un sistema de
ecuaciones lineales que tiene mayor cantidad
de incógnitas que de ecuaciones.
 Este sistema o tiene infinitas soluciones o no
tiene solución.
 Es preciso determinar en principio un número
finito de soluciones llamadas soluciones
básicas.
Solución básica, factible y óptima

 Básica:
 Se encuentra asignando ceros a (n-m) variables o incógnitas y
resolviendo el sistema determinado resultante.
 n:número de variables del sistema
 m:número de ecuaciones del sistema.
 Factible:
 Solución básica que además verifica la restricción de no
negatividad, es decir ninguna variable puede ser negativa. Se
incluyen las variables de holgura y/o excedente.
 Óptima:
 Solución factible que cumple mejor con el objetivo de problema.
 Si es maximizar el mayor valor de Xo.
 Si es minimizar el menor valor de Xo.
Álgebra del método simplex
 Condición de factibilidad
Si se inicia un problema con una solución factible, solo
se encontrarán soluciones factibles.(vector nulo y
matriz de identidad)
 Condición de optimabilidad
Se observa en el reglón de la función objetivo si es de
tipo maximizar no debe existir coeficientes negativos.
En el caso minimizar si en la función objetivo se
encuentra al menos un elemento positivo se puede
mejorar Xo.
Procedimiento del Simplex
a) Plantear el MPL en forma estándar.
b) Plantear tabla inicial.
c) Verificar el criterio de optimabilidad. Analizar el reglón de
la F.O. Maximizar: coeficiente más
negativo. Minimizar: coeficiente más positivo.
d) Elegir variable que sale de la base. Calcular los radios
dividiendo los lados derechos entre los coeficientes de la
columna de la variable que sale de la base. Escogiendo al
menor positivo, no se toman en cuenta negativos o ceros.
e) Realizar transformaciones elementales de reglón. Hasta
que la columna quede con ceros a excepción del numero
pivote que debe ser 1.
f) Repetir los últimos tres pasos hasta verificar la condición
optimabilidad.
Planteamiento de la tabla inicial

Una variable inicialmente básica debe aparecer

solamente en una restricción.
Una variable inicialmente básica debe tener
coeficiente positivo e igual a la unidad.

VIB variables de holgura y excendente.

Las restantes variables (Xj) se denominan
inicialmente No Básicas.
 TABLA INICIAL

Variables Inicialmente NO Variables Básicas

Básicas Lados
Derechos
Xo X1 X2 S1 S2
coef. De  valor de
F.O. Xo           la F.O
coef.  Lados
tecnolog S1           derechos
icos  restricci
S2           ones

BASE
ejemplo

FO MAX X0=X1+X2

5X1+2X2 ≤ 10

X2 ≤ 3

∀X ≥ 0
Ejemplo
 MAX Xo=X1 + 2X2 – X3
4X1 -4X2+ X3 ≤ 12
-X1 + 2X2 + 3X3 ≤ 30
∀X ≥ 0
Forma estándar
Max Xo=X1+2X2-X3+0S1+0S2
F.O. Max Xo-X1-2X2+X3-0S1-0S2
R1: 4x1-4X2+X3+S1 =12
R2: -X1+ 2 X2+3 X3 +S2=30
VXj; Si ≥ 0
Técnica de variables artificiales
 Cuando en los MPL con una o más restricciones de los tipos
≥ e =, ocurre que en planteamiento de la tabla inicial no es
posible tener la matriz identidad en el sector
correspondiente a coeficientes tecnológicos de variables
inicialmente básicas.
Ej. FO MAX X0=X1+5X2

X1+2X2 ≥ 3

3 X1 + X2 ≤ 5

∀X ≥ 0
Ej. FO MAX X0-X1-5X2 -0S1 -0S2 +MR=0

X1+2X2 -S1 +R1 =3

3 X1 + X2 +S2 = 5

∀Xi;Si ;Ri≥ 0
 TABLA INICIAL

Variables Inicialmente NO Variables Básicas

Básicas Lados
Derechos
Xo X1 X2 S1 R1 S2
coef. De  valor de
F.O. Xo  1  -1   -5 0   M  0 la F.O
coef.  Lados
tecnolog R1         1  0 derechos
icos  restricci
S2         0 1  ones

BASE
 TABLA INICIAL

Variables Inicialmente NO Variables

Básicas Básicas Lados
Derechos
Xo X1 X2 S1 S2
coef. De  
F.O. Xo 1   -1   -5 0 0   0
coef.  Lados
tecnolog S2           derechos
icos  restricci
          ones

BASE
Técnica de variables artificiales

 En caso que alguna restricción sea del tipo igual,

es probable que una de las Xi, variables de
decisión, deban ir en las VIB y la probabilidad de
que se forme matriz identidad es aún menor.
 Por tanto se impone la necesidad de una variante
al método simplex, que consiste en añadir una
variable artificial Ri con coeficiente uno positivo,
con el único objeto que al ir esta variable al sector
de VIB se logre formar la matriz identidad.
Técnica de variables artificiales
 Solucionando el problema de matriz identidad, es necesario
mencionar que una variable artificial no tiene ninguna
interpretación y que tan solo sirven para conseguir la matriz
identidad. Se debe evitar que quede en la base de la tabla óptima.
 Es necesario incorporar en la función objetivo las variables
artificiales con un coeficiente muy grande pero negativo, -M, en
el caso de maximizar y un coeficiente positivo muy grande en el
caso de minimizar +M.
 Max Xo=……………………..-M Ri
 Min Xo=………………………+M Ri
 La restricción de no No Negatividad es ahora :
 ∀Xi, Si, Ri ≥ 0
Técnica de variables artificiales

 Solucionando el problema de matriz

identidad, ahora surge otro problema, ya que
el renglón de F.O. los coeficientes
correspondientes a VIB no forman vector
nulo.
 Para resolver este problema se debe efectuar
operaciones de renglón para conseguir una
nueva fila de F.O. que cumpla con la
mencionada condición de una tabla inicial.
Ejemplo

 MAX Xo=3X1 - 2X2 +4 X3

X1 +2 X2+ X3 ≤ 5
X1 -X2 + X3 = 2
∀X ≥ 0
Ejemplo

 MIN Xo=X1 +3X2

-2X1 +3 X2≥ 50
7X1 +3X2 ≥230

∀X ≥ 0
 Tipos de soluciones
El tipo de solución se realiza en la última tabla(solución ilimitada, sin
solución) o en la tabla óptima (s. única, múltiple)
 Única: si en el reglón de la F.O. de la tabla óptima aparece un
número de ceros igual al de variables básicas o restricciones.
 Múltiple: si en el reglón de la función objetivo se tiene más número
de ceros que de variables básicas o restricciones. Para encontrar
otra solución se puede volver a iterar.
 Ilimitada: cuando la tabla no es la óptima pero no hay radios para
calcular, debido a que la columna de la variable que debe entrar a
la base esta formada por ceros o negativos.
 Sin Solución: Cuando en la base queda una variable artificial con
valor diferente de cero.
EJERCICIO
Un negocio se dedica a la fabricación de “sillas” y
“mesas”; fabricar cada uno consume una
determinada cantidad de tiempo (en horas) de los
departamentos “corte” y “ensamble”. Los
departamentos tienen disponibles una limitada
cantidad de horas de trabajo: 120 horas para corte y
90 horas para ensamble. Cada uno de los productos
ofrecen a la empresa la siguiente contribución: $50
USD para las mesas y $80 USD para las sillas.
Producto Corte Ensamble
Sillas 1 1
Mesas 2 1
I.3
Interpretación y análisis de la
solución
Interpretación y análisis de la solución

 Una vez resuelto el modelo de programación,

si se tiene el enunciado del problema y el
modelo ya construido se pasa a realizar la
interpretación y análisis de la solución.

 Se debe identificar claramente a qué hace

referencia cada variable de decisión y cada
restricción al igual que a función objetivo.
Interpretación de la solución
 Consiste en enunciar la solución del modelo en
palabras simples y comprensibles.

 La solución debe ser entendida por cualquier persona

aunque esta no haya participado en la modelación.

 Consiste en decodificar las variables de decisión, la

función objetivo, las variables de holgura y excedente
y expresar literalmente cada una de ellas con los
valores que toman en la solución, es decir, se debe
pasar de la notación simbólica a la extendida.
Ejemplo
 FEMCO produce cocinas (X1), escritorios (X2), hornos (X3) y gaveteros (X4). Se busca
maximizar su beneficio.
 La primera restricción está referida a la disponibilidad semanal de una plancha especial en m 2.
 La segunda hace referencia a la disponibilidad de horas por semana en la operación de
cortado.
 La tercera hace referencia a una condición que dice que “por cada tres artículos para oficina
(escritorios y gaveteros) se debe producir al menos un articulo para cocina( cocinas y hornos) ”
 La cuarta restricción se refiere a la demanda mínima combinada de escritorios, hornos y
gaveteros.
FO MAX X0=2X1+6X2 + 5 X3 +X4

R1 3X1 + X2 + 5 X3 ≤ 3000 (disponibilidad de plancha)

R2 X1+ 3 X3 +X4 ≤ 2000 (horas de cortado)
R3 3X1- X2 + 3 X3 -X4 ≥ 0

R4 X2 + X3 +X4 ≥ 1000
∀X ≥ 0
 Solución
Variable Valor
X1 500 Se debe producir 500 cocinas a la semana si se quiere maximizar el beneficio de la
empresa.
X2 1500 Se debe producir 1500 escritorios a la semana si se quiere maximizar el beneficio de la
empresa.
X3 0 No se debe producir hornos si se quiere maximizar el beneficio de la empresa.
X4 0No se debe producir gaveteros si se quiere maximizar el beneficio de la empresa.
S1 Holgura 0 Se utilizó 3000 metros cuadrados de la plancha especial, no sobró nada de plancha especial.
S2 Holgura 1500 Se utilizó tan solo 500 horas del departamento de cortado, se tuvo 1500 horas ociosas del
departamento de cortado.
S3 excedente 0 Se cumple con la condición, no se fabricó más de un articulo de cocina por cada 3 de oficina.
S4 excedente 500 Se frabricó 500 productos combinados (escritorios, hornos y gaveteros) más del minimo de
1000 , en total hubo una producción combinada de 1500 unidades.
Valor óptimo de 1000 El beneficio máximo de la empresa FEMCO es de 1000 dólares a la semana,pero solo si
Xo cumple con el resultado del modelo.
Análisis de la solución

 Consiste en justificar la solución hallada.

 Consiste en plantear preguntas respecto a
por qué de algún aspecto de la solución que
parezca o no lógica.
 La pregunta planteada puede tener un
respuesta obvia o una respuesta no obvia
Pregunta obvia

¿Por qué se produce

esa cantidad elevada de
escritorios?
Pregunta no obvia

1. Identificar las restricciones críticas, es decir aquellas

que tienen holgura o excedente igual a cero.

2. Identificar la restricción más crítica, analizando cuál

de ellas justifica realmente el aspecto de la solución
considerado no lógico y que es objeto de análisis.

3. Identificar el coeficiente tecnológico responsable,

que es el que corresponde a la variable analizada en
la restricción crítica identificada.
Pregunta no obvia

¿Por qué no se producen

hornos si tiene mayor
utilidad que las cocinas,
que sí se producen?
Pregunta no obvia

Sugiera dos cambios en

independientes en el modelo
de programación lineal tal
que sea conveniente
producir hornos.
Pregunta no obvia

¿Cuál es la cantidad
máxima a producir de
hornos, suponiendo que
solo produciríamos
hornos?
Ejercicio para la clase
Una empresa elabora 3 productos diferentes: puertas, ventanas y
marcos. Siendo el objetivo maximizar las utilidades y Xi la cantidad a
producir del producto i . Las restricciones están referidas a la capacidad
de operación de 3 maquinas principales dentro del proceso productivo.

 Max Xo=3 X1+2 X2+5X3

 X1+2X2+X3 ≤ 430
 3X1+2x3 ≤ 460
 X1+4x2 ≤ 420
 ∀Xi ≥ 0
 X0=1350
 X1=0
 X2=100
 X3=230
 S1=0
 S2=0
 ¿Por qué no se producen puertas si tienen
mejor utilidad unitaria que las ventanas que si
se producen?