FORMULACIÓN MATEMÁTICA DE MODELOS DE

PROGRAMACIÓN LINEAL

Para formular un modelo de programación lineal se debe seguir el

siguiente procedimiento:
1.-Identificar las variables de decisión y representarlo en términos
algebraicos.
2.-Identificar la función objetivo o criterio económico lineal para decidir
que debe ser optimizado en función de las variables de decisión.
3.-Identificar las restricciones o limitaciones en el problema y
expresarlas en términos de ecuaciones o desigualdades lineales en
función de las variables de decisión.
 PROBLEMA DE DIETA Y MEZCLA DE ALIMENTOS.

Este problema consiste en determinar las cantidades necesarias de

los alimentos que se van a utilizar en la preparación de una dieta
alimenticia, de tal manera que cumpla con los requerimientos
establecidos (proteínas, carbohidratos, vitaminas, grasas, etc.) a un
costo mínimo.
EJEMPLO 01

Un granjero tiene 1000 cerdos que consumen 1500 kilogramos (kg.)

de comida especial por día, el alimento se prepara con una mezcla de
maíz y harina para cerdos con las siguientes composiciones, como se
muestra en la tabla siguiente
Los requisitos diarios de nutrientes de los cerdos son:
Cuando menos 12% de calcio, por lo menos 25% de proteínas y no
más del 10% de fibra. Determinar la mezcla de alimentos a un costo
mínimo por día. Formular el problema como un modelo de
programación lineal.
TABLA

Kg. DE NUTRIENTE POR Kg. DE ALIMENTO.

        COSTO ($/Kg. DE
ALIMENTO CALCIO PROTEINAS FIBRA ALIMENTO)

MAIZ 0.002 0.080 0.030 0.30

HARINA PARA CERDOS 0.003 0.110 0.070 0.50
FORMULACIÓN MATEMÁTICA DEL MODELO

IDENTIFICACIÓN DE LAS VARIABLES DE DECISIÓN

Las variables de decisión serán la cantidad de cada alimento que
conformará la comida diaria de los cerdos.
Sea:
x1: Numero de Kg. de maíz en la comida de los cerdos.
x2: Número de Kg. de harina en la comida de los cerdos.
IDENTIFICACIÓN DE LA FUNCIÓN OBJETIVO

La función objetivo representa el costo total de la mezcla que

conforma la comida diaria de los cerdos, la cual se tiene que minimizar.
La Función matemática es la siguiente:
 
Minimizar Z = 0.30x1 + 0.50x2
Kg. DE NUTRIENTE POR Kg. DE ALIMENTO.
        COSTO ($/Kg. DE
ALIMENTO CALCIO PROTEINAS FIBRA ALIMENTO)
MAIZ 0.002 0.080 0.030 0.30
HARINA PARA CERDOS 0.003 0.110 0.070 0.50
IDENTIFICACIÓN DE LAS RESTRICCIONES

RESTRICCIÓN DE LA CANTIDAD DE COMIDA DIARIA

La cantidad de comida diaria que se prepara para satisfacer la
alimentación de los cerdos es de 1500 Kg. Por lo tanto la mezcla que se
debe elaborar por día con los dos alimentos disponibles debe ser
exactamente 1500 Kg. Esta restricción esta representada por la
siguiente ecuación:
x1 + x2 = 1500 kg. de comida por día
RESTRICCIÓN DEL NUTRIENTE CALCIO
El calcio es un nutriente importante en la alimentación de los cerdos y
el requerimiento mínimo es el 12% del total de la comida preparada. Si un
Kg. de maíz proporciona 0.002 Kg. de calcio, x1 Kg. proporcionará 0.002x1
Kg. de este nutriente. Si un Kg. de harina de soya proporciona 0.003 Kg.
de calcio, x2 Kg. proporcionará 0.003x2 Kg. de este nutriente y los dos
alimentos juntos proporcionarán 0.002x1 + 0.003x2 Kg. de calcio. La
restricción esta representada por la siguiente inecuación:
0.002x1 + 0.003x2  0.12(1500)=180 Kg. de calcio
 
Kg. DE NUTRIENTE POR Kg. DE ALIMENTO.
        COSTO ($/Kg. DE
ALIMENTO CALCIO PROTEINAS FIBRA ALIMENTO)
MAIZ 0.002 0.080 0.030 0.30
HARINA PARA CERDOS 0.003 0.110 0.070 0.50
RESTRICCIÓN DEL NUTRIENTE PROTEÍNAS

Las proteínas es otro nutriente importante en la alimentación de los

cerdos y su requerimiento mínimo es del 25% de la comida preparada.
Con el mismo razonamiento de la restricción anterior se obtiene la
siguiente inecuación:
 0.080x1 + 0.110x2  0.25(1500)=375 Kg. de proteína

Kg. DE NUTRIENTE POR Kg. DE ALIMENTO.

        COSTO ($/Kg. DE
ALIMENTO CALCIO PROTEINAS FIBRA ALIMENTO)
MAIZ 0.002 0.080 0.030 0.30
HARINA PARA CERDOS 0.003 0.110 0.070 0.50
RESTRICCIÓN DEL NUTRIENTE FIBRA

Este nutriente es de menor importancia que los dos anteriores en la

dieta diaria de los cerdos, su requerimiento máximo es del 10% del
total de la comida. Con el mismo razonamiento de la primera
restricción se llega a la siguiente inecuación:
 0.030x1 + 0.070x2  0.10(1500)=150 Kg. de fibra

Kg. DE NUTRIENTE POR Kg. DE ALIMENTO.

        COSTO ($/Kg. DE
ALIMENTO CALCIO PROTEINAS FIBRA ALIMENTO)
MAIZ 0.002 0.080 0.030 0.30
HARINA PARA CERDOS 0.003 0.110 0.070 0.50
RESTRICCIONES DE NO NEGATIVIDAD

Todas las variables de decisión (x1, x2) deben ser no negativas.

 
RESUMEN DEL MODELO MATEMÁTICO
Minimizar Z = 0.30x1 + 0.50x2
sujeto a:
x1 + x2 = 1500
0.002x1 + 0.003x2  0.12(1500)=180
0.080x1 + 0.110x2  0.25(1500)=375
0.030x1 + 0.070x2  0.10(1500)=150
para todo x1 y x2  0
EJEMPLO 02

El departamento de nutrición de un hospital, prepara 30 menús de cena,

uno para cada día del mes. Una comida consiste en arroz, pollo, papas, frijol y
postre. El director del departamento de nutrición desea determinar una
comida que proporcione al menos 50000 miligramos (mg.) de proteínas, 15
mg. de hierro, 20 mg. de carbohidratos, 10 mg. de vitamina A y 40 mg. de
vitamina C. Cada gramo de los alimentos que van a formar esta comida
proporcionan la cantidad de nutrientes y grasas indicadas en la tabla
siguiente.
Para evitar demasiada cantidad de un tipo de comida, no debe incluirse en
ella más de 200 gramos de arroz, 150 gramos de pollo, 150 gramos de papas,
100 gramos de frijol y 150 gramos de postre. El objetivo es determinar la
composición de una comida que cumpla con los requerimientos nutricionales
y proporcione la mínima cantidad de grasas. Formular el problema como un
Modelo de programación lineal
 TABLA

  MILIGRAMOS POR GRAMO DE ALIMENTO

ALIMENTO PROTEÍNA HIERRO CARBOHIDRATOS VITAMINA A VITAMINA C GRASA

ARROZ 40 0.012 0.15 0.03 0.01 40

POLLO 250 0.015 0.20 0.04 0.01 60
PAPAS 50 0.007 0.30 0.02 0.12 50
FRIJOL 25 0.025 0.10 0.05 0.20 5
POSTRE 20 0.015 0.25 0.07 0.05 10
FORMULACIÓN DEL MODELO MATEMÁTICO

IDENTIFICACIÓN DE LAS VARIABLES DE DECISIÓN

Se definen las variable siguientes:
x1: Número de gramos de arroz que se deben incluir en la comida.
x2: Número de gramos de pollo que se deben incluir en la comida.
x3: Número de gramos de papa que se debe incluir en la comida.
x4: Número de gramos de frijol que se deben incluir en la comida
x5: Número de gramos de postre que se deben incluir en la comida.
IDENTIFICACIÓN DE LA FUNCIÓN OBJETIVO

El objetivo global es minimizar el contenido de grasas totales de la

dieta. El total de grasa en la dieta es la siguiente:
 
Grasa aportada por el arroz + grasa aportada por el pollo + grasa
aportada por las papas + grasa aportada por el frijol + grasa aportada
por el postre. La función matemática es la siguiente:
 
Minimizar Z = 40x1 + 60x2 + 50x3 + 5x4 + 10x5
 IDENTIFICACIÓN DE LAS RESTRICCIONES

En este problema se identifica dos grupos de restricciones:

 
1.- Restricciones de nutrientes para asegurar que la comida proporciona la cantidad
mínima de cada nutriente.
 
2.- Restricciones de límite para asegurar que no se incluya demasiada cantidad de un
tipo de alimento y que el menú se ajuste a la realidad.

REQUERIMIENTOS DE NUTRIENTES.
Este grupo consiste en cinco restricciones, que aseguran la cantidad mínima de
cada nutriente.
RESTRICCIÓN DE PROTEÍNAS

La cantidad total mínima de proteínas en la comida = Cantidad de proteínas

del arroz + cantidad de proteínas del pollo + cantidad de proteínas de las papas
+ cantidad de proteínas del frijol + cantidad de proteínas del postre. La cantidad
mínima de proteínas en la dieta es 50000 mg. por tanto la suma de estas
cantidades debe ser mayor o igual que ésta cantidad. 
En la primera columna de la tabla cada gramo de arroz contiene 40 mg. de
proteínas por tanto x1 gramos de este alimento proporciona 40x1 mg. de
proteínas a la comida, etc.
40x1 + 250x2 + 50x3 + 25x4 + 20x5  50000 mg. de proteína 
Aunque las unidades de las variables se expresan en gramos, las unidades de
ambos lados de la restricción anterior están en miligramos. Igual para los otros. 
RESTRICCIÓN DE HIERRO

0.012x1 + 0.015x2 + 0.007x3 + 0.025x4 + 0.015x5  15 mg. de hierro

 
RESTRICCIÓN DE CARBOHIDRATOS
0.15x1 + 0.20x2 + 0.30x3 + 0.10x4 + 0.25x5  20 mg. de carbohidratos
 
RESTRICCIÓN DE VITAMINA A
0.03x1 + 0.04x2 + 0.02x3 + 0.05x4 + 0.07x5  10 mg. de vitamina A
 
RESTRICCIÓN DE VITAMINA C
0.01x1 + 0.01x2 + 0.12x3 + 0.20x4 + 0.05x5  40 mg. de vitamina C
RESTRICCIONES DE LÍMITE

X1  200 gr. arroz

X2  150 gr. pollo
X3  150 gr. papa
X4  100 gr. frijol
X5  150 gr. postre
 
RESTRICCIONES DE NO NEGATIVIDAD
Todas las variables de decisión (xj, j = 1, 2,...,5) son no negativas.
RESUMEN DEL MODELO MATEMÁTICO

Minimizar Z = 40x1 + 60x2 + 50x3 + 5x4 + 10x5

sujeto a:
40x1 + 250x2 + 50x3 + 25x4 + 20x5  50000
0.012x1 + 0.015x2 + 0.007x3 + 0.025x4 + 0.015x5  15
0.15x1 + 0.20x2 + 0.30x3 + 0.10x4 + 0.25x5  20
0.03x1 + 0.04x2 + 0.02x3 + 0.05x4 + 0.07x5  10
0.01x1 + 0.01x2 + 0.12x3 + 0.20x4 + 0.05x5  40
x1  200
x2  150
x3  150
x4  100
x5  150
x 1 , x2 , x 3 , x 4 , x5  0
EJEMPLO DE FORMULACIÓN DE PL.

Cierta corporación tiene 3 plantas sucursales con capacidad de producción en exceso. Las 3 plantas
tienen los elementos necesarios como para producir determinado producto y el gerente ha decidido
usar parte de la capacidad de producción en exceso para tal fin. Este producto puede hacerse en 3
tamaños grande, mediano y pequeño que dan como resultado una utilidad unitaria neta de $ 140, $
120 y $ 100 respectivamente. Las plantas 1, 2 y 3 tienen la capacidad de mano de obra y equipo en
exceso como para producir 750, 900 y 450 unidades por día de este producto, respectivamente sin
importar el tamaño o la combinación de tamaños que se aplique. Sin embargo, el espacio de
almacenamiento disponible para productos en proceso también impone una limitación sobre las tasas
de producción. Las plantas 1, 2 y 3 tienen 13000, 12000 y 5000 pies cuadrados de espacio de
almacenamiento disponible para productos en proceso, para un día de producción de este artículo.
Cada unidad de los tamaños: grande mediano y pequeño producida por día requiere de 20, 15 y 12
pies cuadrados, respectivamente. Los pronósticos de ventas indican que pueden venderse al día al
menos: 900, 1200 y 750 unidades de los tamaños grande mediano y pequeño. Con el fin de mantener
una carga uniforme de trabajo entre las plantas y conservar cierta flexibilidad, el gerente ha decidido
que la producción adicional asignada a cada planta debe usar el mismo porcentaje de la capacidad de
la mano de obra y equipo en exceso. El gerente desea saber cuánto debe producirse de cada uno de
los tamaños en cada una de las plantas para maximizar la utilidad. Formular el modelo matemático de
programación lineal del problema.
VARIABLES DE DECISIÓN.

Xij: Número de unidades del producto i producidas por la planta j por día.
i = 1, 2, 3; j = 1, 2, 3
Total de unidades producidas por día del producto grande : X11 + X12 + X13
Total de unidades producidas por día del producto mediano: X21 + X22 + X23
Total de unidades producidas por día del producto pequeño: X31 + X32 + X33

FUNCIÓN OBJETIVO
Max. Z = 140(X11 + X12 + X13) + 120(X21 + X22 + X23) + 100(X31 + X32 + X33)
RESTRICCIÓN DE CAPACIDAD DE PLANTA.

X11 + X21 + X31 <= 750

X12 + X22 + X32 <= 900
X13 + X23 + X33 <= 450

RESTRICCIÓN DE CAPACIDAD DE ALMACÉN.

20X11 + 15X21 + 12X31 <= 13000
20X12 + 15X22 + 12X32 <= 12000
20X13 + 15X23 + 12X33 <= 5000
RESTRICCIÓN DE DEMANDA

X11 + X12 + X13 >= 900

X21 + X22 + X23 >= 1200
X31 + X32 + X33 >= 750

RESTRICCIÓN DE LA DECISIÓN DEL GERENTE.

(X11 + X21 + X31)/750 = (X12 + X22 + X32)/900 = (X13 + X23 + X33)/450

RESTRICCIÓN DE NO NEGATIVIDAD.
Xij >= 0, para todo i,j
RESUMEN DEL MODELO MATEMÁTICO

Max. Z = 140(X11 + X12 + X13) + 120(X21 + X22 + X23) + 100(X31 + X32 + X33)
Sujeto a:
X11 + X21 + X31 <= 750
X12 + X22 + X32 <= 900
X13 + X23 + X33 <= 450
20X11 + 15X21 + 12X31 <= 13000
20X12 + 15X22 + 12X32 <= 12000
20X13 + 15X23 + 12X33 <= 5000
X11 + X12 + X13 >= 900
X21 + X22 + X23 >= 1200
X31 + X32 + X33 >= 750
(X11 + X21 + X31)/750 = (X12 + X22 + X32)/900 = (X13 + X23 + X33)/450
Xij >= 0, para todo i,j
RESOLUCIÓN DE MODELOS DE PROGRAMACIÓN
LINEAL

Para dar solución a un modelo de programación lineal existen dos

métodos: El método gráfico y el método simplex.
 
EL MÉTODO GRÁFICO.
El método gráfico solamente es útil para resolver problemas con dos
variables de decisión, con tres variables es difícil determinar el conjunto
de solución factible. Se grafica a escala
Comprende los siguientes pasos:
PASOS
1.- Graficar en el plano cartesiano las soluciones factibles o el espacio de
soluciones que satisfaga todas las restricciones en forma simultánea. Las
restricciones de no negatividad indican que se debe graficar en el primer
cuadrante del plano coordenado.
Las restricciones se grafican como ecuaciones (rectas) y después se ubica el
plano al que restringen.
2.- Graficar la función objetivo dentro o cerca del conjunto de soluciones
factibles.
3.- Trazar una recta paralela a la función objetivo de tal manera que solamente
pase por un solo punto del espacio de soluciones factibles, este punto es la
solución factible óptima, dependiendo si el problema es de maximización o
minimización. Si el problema tiene soluciones múltiples la función objetivo
coincide en el gráfico con alguna restricción en el conjunto factible.
EJEMPLO

Una empresa fabrica dos clases de sombreros de paja. El sombrero

A es de alta calidad y el B es de baja calidad. La ganancia respectiva por
sombrero es de $ 16 y $ 12. Cada sombrero de clase A requiere el doble
del tiempo que el que usa el de clase B y si todos los sombreros fueran
de clase B, la empresa podría fabricar 2000 unidades al día. El
abastecimiento de paja es suficiente únicamente para 1600 sombreros
diarios (A y B combinados). El sombrero A requiere una hebilla
elegante, de la que solamente se dispone de 800 unidades diarias. Se
tiene únicamente 1400 hebillas al día para el sombrero B. Determinar
el número óptimo de sombreros que se deben fabricar y la utilidad
total.
SOLUCIÓN

FORMULACIÓN DEL MODELO MATEMÁTICO

 
a.- IDENTIFICACIÓN DE LAS VARIABLES DE DECISIÓN.
Sea:
x1: Número de unidades que serán fabricadas del sombrero clase A
x2: Número de unidades que serán fabricadas del sombrero clase B
 
b.- IDENTIFICACIÓN DE LA FUNCIÓN OBJETIVO
La función objetivo representa la ganancia total. Su función matemática es la
siguiente:
Maximizar Z = 16x1 + 12x2
RESTRICCIONES:

RESTRICCIÓN DE LA CAPACIDAD DE PRODUCCIÓN

Se refiere a la capacidad máxima instalada de planta para la fabricación
diaria de los sombreros. La función matemática es la siguiente:
2x1 + x2  2000
 
RESTRICCIÓN DE DISPONIBILIDAD DE PAJA
Se refiere a la paja disponible para un día de producción que debe ser
consumida parcial o totalmente en la fabricación de sombreros. Su función
matemática es la siguiente.
x1 + x2  1600
 
RESTRICCIONES DE DISPONIBILIDAD DE HEBILLAS

Se refiere a la cantidad de hebillas para los sombreros clase A y B

que la empresa tiene para un día de producción y que este recurso
escaso debe ser consumido parcial o totalmente en la fabricación de los
sombreros. Las funciones matemáticas son las siguientes:
x1  800
x2  1400
 
RESTRICCIONES DE NO NEGATIVIDAD.
Las variables de decisión (x1, x2) son no negativas
RESUMEN DEL MODELO MATEMÁTICO

Maximizar Z = 16x1 + 12x2

sujeto a:
2x1 + x2  2000 R1
x1 + x2  1600 R2
x1  800 R3
x2  1400 R4
x1 , x 2 0
GRAFICAR LAS RESTRICCIONES (Escala 1/100)

Se convierte las inecuaciones en ecuaciones y estas se grafican con los ceros

de la función
2x1 + x2  2000 R1
2x1 + x2 = 2000 R1 => X1 = 1000, X2 = 0; X1 = 0, X2 = 2000
x1 + x2  1600 R2
x1 + x2 = 1600 R2 => X1 = 1600, X2 = 0; X1 = 0, X2= 1600
x1  800 R3
x1 = 800 R3
x2  1400 R4
x2 = 1400 R4
GRÁFICO DE LA FUNCIÓN OBJETIVO (Escala: 1/100)

Para poder graficar la función objetivo, se le da un valor arbitrario

Z = 16X1 + 12X2 = 12000 (valor arbitrario)
Se determina los ceros de la función:
X1 = 750, X2 = 0
X1 = 0, X2 = 1000
Se traza paralelas a la función objetivo hacia la derecha y se
determina el punto óptimo X1 = 400, X2 = 1200 => Max.Z = 20800
Se debe producir 400 sombreros clase A y 1200 Sombreros clase B con
una ganancia total de $ 20800
GRÁFICO

SOLUCIÓN ÓPTIMA
 
X1 = 400 SOMBREROS CLASE A
X2 = 1200 SOMBREROS CLASE B
Z = $ 20800
SOLUCIÓN CON SOFTWARE POMforwin
RECURSOS ESCASOS Y ABUNDANTES

Dentro de un proceso puede haber recursos escasos, estos son

utilizados en su totalidad por el proceso y otros abundantes, que quiere
decir que cuando el proceso ha concluido sobran parte de estos recursos.
Se reconoce cuando se remplaza en las restricciones los valores óptimos
de las variables.
Ejemplo:
El recurso disponibilidad de paja es un recurso escaso.
X1 + X2  1600 => remplazando 400 + 1200 = 1600, todo se utiliza.
El recurso disponibilidad de hebillas para el sombrero clase A es
abundante.
x1  800 => remplazando 400 < 800, sobran 400 hebillas
 FORMA CANÓNICA, ESTÁNDAR Y MIXTA DE UN
MODELO DE PROGRAMACIÓN LINEAL.
TRANSFORMACIONES.
Un modelo de programación lineal, puede ser expresado de
diferentes maneras según la forma de la función objetivo y las
restricciones. Ciertas formas de presentación han recibido nombres
especiales, siendo las más importantes la forma canónica y la forma
estándar
FORMA CANÓNICA.
Las características de esta forma de presentación son las siguientes:
1.- La función objetivo es de tipo de maximización
2.- Todas las restricciones funcionales son de tipo menor o igual que.
3.- Todas las variables de decisión son no negativas
MODELO MATEMÁTICO

n
MAXIMIZAR Z = Σ cjxj
j=1
Sujeto a:
n
Σ aijxj  bi , i = 1,2,...,m
j=1
xj  0, j = 1, 2,..., n
 
EJEMPLO

Maximizar Z = 7x1 + 9x2 - 2x3 + 8x4

sujeto a:
7x1 + 2x2 + 5x3 + 8x4  90
5x1 + 4x2 - 5x3 + 6x4  70
- 3x2 + 5x3 - x4  -20
10x1 + 3x2 + 6x3  70
xj  0, j = 1, 2,...,4
FORMA ESTÁNDAR

Esta forma de presentación de un modelo de programación lineal es

importante para desarrollar el método simplex. Sus características son
las siguientes:
 
1.- La función objetivo es del tipo de maximización o minimización.
2.- Todas las restricciones funcionales son ecuaciones
3.- Todos los elementos del lado derecho (disponibilidad de recursos)
de las restricciones funcionales son no negativos
4.- Todas las variables son no negativas.
MODELO MATMÁTICO

n
OPTIMIZAR Z = Σ cjxj
j=1
Sujeto a:
n
Σ aijxj = bi, bi  0, i = 1,2,...,m
j=1
xj  0
EJEMPLO

Minimizar Z = 10x1 + 7x2 - 8x3 + 12x4

sujeto a:
2x1 + 5x2 + 9x3 + 7x4 = 300
7x1 + 14x2 - 4x3 + 9x4 = 250
9x1 - 2x2+ 3x3 - 5x4 = 150
15x1 + 9x2 + 4x3 = 100
xj  0, j = 1, 2,...,4
FORMA MIXTA

Cuando un modelo de programación lineal no está en forma canónica ni en forma

estándar, se dice que está en forma mixta.

EJEMPLO
Minimizar Z = 18x1 + 9x2 - 5x3 + 14x4
sujeto a:
4x1 + 5x2 + 7x3 + 9x4 = 400
6x1 + 13x2 - 5x3 + 8x4  150
7x1 - 3x2 + 4x3 - 7x4  550
xj  0, j = 1, 2,...,4
REGLAS DE TRANSFORMACIÓN DE UN MODELO DE
PROGRAMACIÓN LINEAL.

REGLA 1.
a.- Maximizar Z es equivalente a minimizar (-Z)
b.- Minimizar Z es equivalente a maximizar (-Z)

EJEMPLO
1.- Maximizar Z = 15x1 + 19x2 - 5x3 + 17x4 Equivalente a:
Minimizar (-Z) = -15x1 - 19x2 + 5x3 - 17x4
2.- Minimizar Z = 14x1 - 16x2 + 25x3 - 12x4 Equivalente a:
Maximizar (-Z) = -14x1 + 16x2 - 25x3 + 12x4
REGLA 2

n n
a.- La restricción Σ aijxj  bi es equivalente a -Σ aijxj  -bi
j=1 j=1
n n
b.- La restricción Σ aijxj  bi es equivalente a -Σ aijxj  -bi
j=1 j=1
 
REGLA 3

n
La restricción Σ aijxj = bi es equivalente a las siguientes dos
j=1
 restricciones

n n
Σ aijxj  bi y Σ aijxj  bi
j=1 j=1
REGLA 4

n
a.- La restricción de desigualdad Σaijxj  bi
j=1
 
Puede convertirse en restricción de igualdad, mediante la adición de una
variable no negativa si, denominada variable de holgura:
n
Σaijxj + si = bi
j=1
CONTINUACIÓN REGLA 4

n
b.- La restricción de desigualdad Σ aijxj  bi,
j=1
 
Puede convertirse en restricción de igualdad, mediante la sustracción de
una variable no negativa si, denominada variable superflua o de superávit.
n
Σ aijxj - si = bi
j=1
REGLA 5

Una variable irrestricta en signo puede tomar los valores positivos, cero
o negativos, se representa como la diferencia de dos variables no
negativas:
xj = xj+ - xj-, xj es irrestricta en signo.
xj+ , xj-  0

Si xj+ > xj- => xj > 0

Si xj+ < xj- => xj < 0
Si xj+ = xj- => xj = 0 
EJEMPLO

Transformar el siguiente modelo a forma canónica.

 Minimizar Z = 5x1 + 6x2 - 5x3 + 7x4
sujeto a:
3x1 + 3x2 + 5x3 + x4  90
2x1 + 4x2 - 3x3 + 6x4  50
3x2 + 5x3 + x4 = 40
xj  0, j = 1, 2 y 3
x4 irrestricta en signo
SOLUCIÓN

Este modelo puede ser puesto en la forma canónica como sigue.

 
La regla 2b) permite escribir la restricción:
2x1 + 4x2 - 3x3 + 6x4  50 como:
-2x1 - 4x2 + 3x3 - 6x4  -50
 
La ecuación:
3x2 + 5x3 + x4 = 40
de acuerdo a las reglas 3) y 2b) es equivalente a:
3x2 + 5x3 + x4  40 y -3x2 - 5x3 - x4  -40
CONTINUACIÓN DEL DESARROLLO DEL EJEMPLO

Por la regla 1b), la función objetivo dado es equivalente a:

Maximizar (-Z) = -5x1 - 6x2 + 5x3 - 7x4

 
Por la regla 6, x4 = x4+ - x4-, donde x4+  0 y x4-  0
La forma canónica del modelo está dado por:
RESPUESTA

Maximizar (-Z) = -5x1 - 6x2 + 5x3 - 7(x4+ - x4-)

sujeto a:
3x1 + 3x2 + 5x3 + (x4+ - x4-)  90
-2x1 - 4x2 + 3x3 - 6(x4+ - x4-)  -50
3x2 + 5x3 + (x4+ - x4-)  40
-3x2 - 5x3 - (x4+ - x4-)  -40
xj  0, j = 1, 2 y 3
x4+ , x4-  0