INVESTIGACIÓN DE OPERACIONES I

UNIDAD I

Modelos lineales y solución analítica y

gráfica
 PROGRAMA DE ESTUDIO
Objetivo
Familiarizar al alumno con las técnicas de modelamiento y
metodologías de resolución de problemas de la Investigación de
operaciones, con especial énfasis en la aplicación de algoritmos de
solución para modelos de programación matemática, en especial
modelos lineales

Contenido
Introducción • Investigación de operaciones
• Modelos matemáticos
• Programación Lineal

Programación • Métodos Gráfico

Lineal • Método Simplex
• Formulación de modelos
• Problema Dual y Análisis de Sensibilidad
• Programación de Maquinaria y Equipo
 INVESTIGACION DE OPERACIONES
PROGRAMA DEL CURSO
DESCRIPCION
El curso trata principalmente sobre la aplicación de los modelos
usuales de Investigación de Operaciones en la solución de
problemas reales, tales como modelos de Programación Lineal,
Programación de Maquinaría y Equipo.

OBJETIVOS
• Aplicar modelos cuantitativos en la resolución de problemas
lineales.
• Optimizar soluciones usando la Investigación de Operaciones.

METODOLOGÍA
• Clases expositivas para conceptos teóricos con discusiones sobre
cada tema y participación activa del alumno en forma virtual.
• Practicas donde se conocerán el uso del software de apoyo a
resolver problemas de Programación Lineal.
 BIBLIOGRAFIA
• TAHA HAMDY A. Investigación de operaciones. PEARSON. 9 Ed.
2012
• HILLIER, FREDERICK Y LIEBERMAN, GERALD: “Introducción a la
Investigación de Operaciones”, McGraw – Hill Interamericana
• WINSTON WAYNE L.: “Investigación de Operaciones: Aplicaciones y
Algoritmos”. Grupo Editorial Iberoamericana.
• DAVIS K ROSCOE y MC KEOWN Patrick. Modelos Cuantitativos para
Administración. Grupo editorial Iberoamerica. 2 Ed. 1986.   
• PRAWDA, Juan. Métodos y modelos de Investigación de
operaciones. Limusa.
• JORGE ALVAREZ ALVAREZ, Investigación de Operaciones,
Universidad Nacional de Ingeniería, Edición 2001.
• EPPEN G. D., GOULD F. J., SCHMIDT C. P., MOORE, Jeffrey,
WEATHERFORD, Larry.- 2000, Investigación de Operaciones, en la
Ciencia Administrativa, PEARSON, México.
• MATHUR, Kamlesh SOLOW, Daniel MATHUR.- 1996, Investigación de
Operaciones, PRENTICE HALL, México.
 INVESTIGACION DE OPERACIONES

Definición:
Conjunto de técnicas matemáticas y estadísticas aplicable a diversos
sistemas con el fin de mejorarlos, buscando las mejores alternativas de
acción; esto mediante el modelamiento matemático de los problemas en
estudio.
¿Qué es la investigación de
operaciones?

Lawrence y Pasternak, (1998) “Es un enfoque

científico para la toma de decisiones ejecutivas,
que consiste en:

• El arte de modelar situaciones complejas,

• La ciencia de desarrollar técnicas de
solución para resolver dichos modelos.
• La capacidad de comunicar efectivamente
los resultados”.
¿Qué es la investigación de
operaciones?

Kamblesh Mathur: “Es el uso de la Matemática

y computadoras para ayudar a tomar
decisiones racionales frente a problemas de
administración”.

Jorge Alvarez: “Es un procedimiento o un

enfoque para resolver problemas relacionados
con la toma de decisiones”.
 RESUMIENDO
La Investigación de Operaciones es el uso de la matemática e
informática para resolver problemas del mundo real, tomando
decisiones acertadas que garanticen el éxito.

La investigación de operaciones tiene como objetivo buscar las

soluciones que sean significativamente mas eficientes (en
tiempo, recursos , beneficios , costos , etc.)
 TOMA DE DECISIONES

Toda toma de decisión empieza con la

detección de un problema.

Para tomar la decisión correcta, se debe:

Definir el problema en forma clara

Formular el o los objetivos

Identificar las restricciones

Identificar las alternativas de solución

Evaluar las alternativas y elegir la mejor

 CARACTERÍSTICA
Tiende a representar el problema cuantitativamente para poder
analizarlo y evaluar un criterio común.
 TOMA DE DECISIONES

¿Como se elige la mejor

alternativa?

Métodos Cualitativos

En base a la experiencia y al juicio profesional

de la persona que toma la decisión

Métodos Cuantitativos

En base a la utilización de herramientas

matemáticas que permitan maximizar la
efectividad en la toma de decisiones.
INVESTIGACIÓN DE OPERACIONES

La dificultad de tomar decisiones ha hecho que el hombre se aboque

en la búsqueda de una herramienta o métodos que le permita tomar
las mejores decisiones de acuerdo a los recursos disponibles y a los
objetivos que persigue.

Este conjunto de herramientas o métodos es lo que llamaremos

Investigación de Operaciones.

Definición más formal

“Enfoque científico de la toma de decisiones que requiere la

operación de sistemas organizacionales”.

La IO nos ofrece una serie de herramientas cuantitativas para la toma

de decisiones.
 MODELOS DE LA INVESTIGACIÓN DE
OPERACIONES
Modelos de IO

Determinísticos Híbridos Estocásticos

Optimización Optimización
Programación Cadenas
Lineal no Lineal
Dinámica de Markov

Programación Métodos
Teoría de Teoría de
Lineal Clásicos
Inventarios Colas

Transporte y Métodos
Asignación de búsqueda Simulación Procesos
Estocásticos
Prog.
Maquinaria y Programación Pert / CPM
Equipo no lineal Teoría de
Decisiones
Heurísticas y Juegos
Redes
 MÉTODOS EN INVESTIGACIÓN OPERATIVA

• Métodos determinísticos: Programación lineal, programación

entera, probabilidad de transporte, teoría de la localización o
redes, programación multicriterio, teoría de inventarios, etc.
• Métodos probabilísticos: Cadenas de markov, teoría de juegos,
líneas de espera, teoría de inventarios, etc.
• Métodos híbridos: Conjugan métodos determinísticos y
probabilísticos.
• Métodos heurísticos: soluciones basadas en la experiencia.
¿Qué se busca en el curso de Investigación
de Operaciones?

Se intenta encontrar una mejor solución llamada solución

óptima.

Areas de Aplicación de la Investigación de Operaciones

Manufactura.
Transporte.
Telecomunicaciones.
Salud.
Planeación.
Servicios.
Finanzas.
Otros.
 ORIGEN DE LA INVESTIGACIÓN DE
OPERACIONES

La revolución de la administración científica de principios del siglo

XX, iniciada por el creador de la organización científica del trabajo
Frederick W. Taylor, aportó las bases para el uso de los métodos
cuantitativos en la administración. Sin embargo, la mayor parte de la
investigación moderna sobre el uso de métodos cuantitativos, en la
toma decisiones tuvo su origen durante la Segunda Guerra Mundial.
Durante este periodo, se formaron equipos conformados por
personas con diversas especialidades (desde matemáticos,
ingenieros y científicos del comportamiento) con el fin de abordar los
problemas estratégicos y tácticos que enfrentaban las fuerzas
armadas. Posterior a la guerra, la gran mayoría de los miembros de
estos equipos continuaron con sus investigaciones acerca de los
métodos cuantitativos enfocados a la toma de decisiones.
 SISTEMAS V/S PROCESOS

• Proceso: Conjunto de actividades que crean una salida o

resultado a partir de una o más entradas o insumos.
• Sistema: Un conjunto de elementos interconectados utilizados
para realizar el proceso. Incluye subprocesos pero también
incluye los recursos y controles para llevar a cabo estos procesos.
• En el diseño de procesos nos enfocamos en QUÉ se ejecuta.
• En el diseño del Sistemas el énfasis está en los detalles de
CÓMO, DÓNDE Y CUÁNDO.
 SISTEMAS V/S PROCESOS
Reglas de
Operación
(Controles)

Sistema

Entidades Entidades
que Entran Actividades
que Salen

Recursos
 MODELO

• Con el propósito de estudiar científicamente un sistema del mundo

real debemos hacer un conjunto de supuestos de cómo trabaja.

• Estos supuestos, que por lo general toman la forma de relaciones

matemáticas o relaciones lógicas, constituye un Modelo que es
usado para tratar de ganar cierta comprensión de cómo el sistema
se comporta.
 EL MODELADO

• Es una ciencia
 análisis de relaciones
 aplicación de algoritmos de solución

• Y a la vez un arte
 visión de la realidad
 estilo, elegancia, simplicidad
 uso creativo de las herramientas
 experiencia
 ¿PARA QUÉ SIRVE UN MODELO?

En atención a lo anterior se pueden definir tres ámbitos de utilidad de los

modelos en la Investigación de operaciones:

• Aprender / Entender
La experiencia demuestra que el principal beneficio en la generación de un
modelo es el entendimiento que el modelador adquiere del
comportamiento de la realidad.
• Implementar en un computador
La aparición de los computadores es la que le ha dado a la investigación de
operaciones el impulso necesario. La implementación y automatización de
procesos exige el modelado previo del problema planteado. Si se desea
gestionar la información que genera una empresa, o implementar un sistema
de gestión de recursos humanos es necesario realizar un modelo de dicha
empresa que comprenda de la manera más eficiente posible toda la
información vinculada.

• Tomar decisiones
Los modelos construidos permiten mediante su resolución ayudar a la toma
de decisiones generando soluciones óptimas, o suficientemente cercanas al
óptimo, dado un objetivo establecido. Asimismo pueden ser utilizados para
evaluar el impacto de tomar decisiones, antes de tomarlas, y de este modo
elegir la que más se ajuste a la solución.
 METODOLOGÍA DE LA
INVESTIGACION DE OPERACIONES
Problema

Es identificar, comprender y describir en

términos precisos, el problema que la
organización enfrenta. El enunciado es la
definición del problema. Un problema no se
formula sino se define.

Los sistemas son

Los recursos cada vez más
son escasos complejos

Cada vez es más difícil asignar los

recursos o actividades de la forma más eficaz
 OPTIMIZACIÓN

Un problema de optimización trata entonces de tomar una decisión

óptima para maximizar (ganancias, velocidad, eficiencia, etc.) o
minimizar un criterio determinado (costos, tiempo, riesgo, error, etc).
Las restricciones significan que no cualquier decisión es posible.
 PROGRAMACIÓN LINEAL
Es una de las principales ramas de la Investigación Operativa. En esta
categoría se consideran todos aquellos modelos de optimización
donde las funciones que lo componen, es decir, función objetivo y
restricciones, son funciones lineales en las variables de decisión.

Se trata de una herramienta que se utiliza para encontrar la mejor

solución a los problemas que estén representados por modelos en
forma de función o ecuación lineal. Ésta es una herramienta
determinista; esto es, se supone que se conocen con certeza todos los
parámetros del modelo, lo que casi nunca sucede en la vida real. Esta
deficiencia se compensa con los llamados análisis de sensibilidad,
mediante los cuales se van cambiando los datos o parámetros y se
observan otras posibles soluciones del problema.

Los modelos de Programación Lineal por su sencillez son

frecuentemente usados para abordar una gran variedad de problemas
de naturaleza real en ingeniería y ciencias sociales, lo que ha
permitido a empresas y organizaciones importantes beneficios y
ahorros asociados a su utilización.
 CARACTERÍSTICAS DE LA PROBLEMAS DE
PROGRAMACIÓN LINEAL
• Proporcionalidad: las variables y la función objetivo deben ser
lineales.
El uso de recursos por parte de una actividad es proporcional al nivel
de la actividad.

• Aditividad: El valor de la función objetivo es la suma de las

contribuciones de las actividades individuales.

• Divisibilidad: las soluciones no deben ser necesariamente

números enteros.

• Certeza: Se asume que no hay aleatoreidad en los

coeficientes que definen a las variables de decisión del
problema.
 METODOLOGÍA DE LA INVESTIGACION
DE OPERACIONES

Desarrollo de un modelo matemático Es la

I) Identificacion de las variables
 Xij = # de consultores que viajan del traducción del problema a términos matemáticos.
origen i al destino j
 II) Identificacion de la funcion objetivo
 Max Es formular un modelo matemático:
540X11+300X12+420X13+ Identificando variables
 500X21+330X22+330X23+ 
520X31+310X32+350X33  Identificando la Función Objetivo
III) Identificacion de las restricciones Identificando las restricciones
 X11+X12+X13 ≤ 2 
X21+X22+X23 ≤ 1 
X31+X32+X33 ≤ 4  Objetivos: función objetivo
X11+X21+X31 = 3 
X12+X22+X32 = 2  alternativas: variables de decisión
X13+X23+X33 = 1  limitaciones del sistema: restricciones
Xij ≥ 0 ; entero
METODOLOGÍA DE LA INVESTIGACION
DE OPERACIONES

Resolución del modelo

Es resolver el modelo usando una técnica

adecuada, es decir obtener valores numéricos
para la variable de decisión.

Es determinar los valores de las variables de

decisión de modo que la solución sea óptima (o
satisfactoria) sujeta a las restricciones.

Puede haber distintos algoritmos y formas de

aplicarlos. En esta parte se usa el Software WIN
QSB. Hay otros como el LINDO, MLP y TORA
 VENTAJA DE LOS MODELOS
Un método óptimo para lograr un objetivo.
Una forma de evaluar preguntas de sensibilidad de la forma:
¿Qué sucedería sí ...?
 EL MODELO DE
PROGRAMACIÓN LINEAL
PROVEE UNA SOLUCIÓN
INTELIGENTE PARA ESTE
PROBLEMA
METODOS DE SOLUCION DE PROBLEMAS LINEALES

Métodos:
Gráfico. Fácilmente comprensible y permite visualizar
algunas propiedades.
Analítico. El método simplex ha demostrado ser
eficiente por el uso del computador.
Algeibraíco

Método Gráfico: Este método consiste en delinear sobre el primer

cuadrante (debido a la condición de no negatividad) la región de
soluciones factibles; luego sobre ella se grafica la función objetivo.

Ejemplo 1
Xi = Número de unidades del producto i

Max (Z) = 6X1 + 4X2

Sujeto a:
2 X1 + 2 X2 ≤ 160
1 X1 + 2 X2 ≤ 120
4 X1 + 2 X2 ≤ 280
X1 , X 2 ≥ 0
 4 X1 + 2 X2 ≤ 280

0, 60

1 X1 + 2 X2 ≤ 120
40, 40

2 X1 + 2 X2 ≤ 160

60, 20

70, 0

6X1 + 4X2 = 0
 PROBLEMA DE MAXIMIZACIÓN

Max (Z) = 3X1 + 2X2 (Función objetivo)

Sujeto a:
2 X1 + X2 ≤ 100
X1 + X2 ≤ 80 Restricciones
X1 ≤ 40
X1, X2 ≥ 0 No negatividad
 REPRESENTACIÓN GRÁFICA DE LAS RESTRICCIONES
X2

Cualquier Problema de 100

Programación Llineal con sólo dos 2X1 + X2 ≤ 100
variables puede resolverse
gráficamente. 80
2X1 + X2 = 100
Por ejemplo, para representar
gráficamente la primera restricción, 60

2X1 + X2 ≤ 100 :
Dibujamos la recta 2X1 + X2 = 100 40

El punto (0,0), cumple con la 20

desigualdad

20 40 60 80 X1
 DIBUJAR LA REGIÓN FACTIBLE

Puesto que el Problema de Programación Lineal tiene dos variables, se

puede resolver gráficamente. La región factible es el conjunto de todos los
puntos que satisfacen las restricciones:

2 X1 + X2 ≤ 100
X1 + X2 ≤ 80 Restricciones
X1 ≤ 40
X1, X2 ≥ 0 No negatividad

Vamos a dibujar la región factible que satisface estas restricciones.

 DIBUJAR LA REGIÓN FACTIBLE
X2

2X1 + X2 = 100
100
Restricciones
2 X1 + X2 ≤ 100
80
X1 + X2 ≤ 80
X1 ≤ 40 60

X1 , X 2 ≥ 0
40

Teniendo en cuenta
las restricciones de 20

signo (X1 ≥ 0, X2 ≥ 0),

nos queda:
20 40 60 80 X1
 X2

100

Restricciones 80

2 X1 + X2 ≤ 100
X1 + X2 ≤ 80 60
X1 + X2 = 80
X1 ≤ 40
X1, X 2 ≥ 0 40

20

20 40 60 80 X1
 X2

100

Restricciones 80
X1 = 40
2 X1 + X2 ≤ 100
X1 + X2 ≤ 80 60

X1 ≤ 40
X1, X 2 ≥ 0 40

20

20 40 60 80 X1
 X2

La intersección 2X1+ X2 = 100

100
de todos estos
semiplanos
(restricciones) 80
X1 = 40
nos da la región
factible
60

X1 + X2 = 80
40

Región
20 Factible

20 40 60 80 X1
 VÉRTICES DE LA REGIÓN FACTIBLE
X2 Restricciones
2 X1 + X2 ≤ 100
X1 + X2 ≤ 80
La región factible (al 100
2X1 + X2 = 100
estar limitada por rectas) X1 ≤ 40
es un polígono. X 1, X 2 ≥ 0
80 E
En esta caso, el X1 = 40
polígono ABCDE.
D
60

Como la solución X1 + X2 = 80
óptima está en alguno 40

de los vértices (A, B, C,

D o E) de la región Región
20 Factible C
factible, calculamos
esos vértices.
B
A 20 40 60 80 X1
Región Factible. Es aquella que cumple con todas las
restricciones y las condiciones de no negatividad.

Solución Factible. Es cualquier punto situado en la región factible.

Solución Básica. Es aquella que se encuentra en la intersección

de rectas o hiperplanos o en la intersección con los ejes
coordenados.

Solución Básica Factible. Es una solución básica que pertenece a

la región factible.

Solución Optima. Es una solución factible que maximiza o

minimiza la función objetivo según sea el caso

Solución Básica Factible Degenerada. Es una solución factible

básica en la que una o más variables básicas toman el valor de
cero.
 PROBLEMA DE MINIMIZACIÓN

Min (Z) = 50X1 + 100X2 (Función Objetivo)

Sujeto a:
6X1 + 3X2 ≥ 30
Restricciones
2X1 + 8X2 ≥ 24

X1, X2 ≥ 0 No negatividad
 DIBUJAMOS LA REGIÓN FACTIBLE
X2

14

Min (Z) = 50X1 + 100X2 12

6X1 + 3X2 = 30
Sujeto a:. 10

6X1 + 3X2 ≥ 30
8
2X1 + 8X2 ≥ 24
6
X1, X2 ≥ 0
4
2X1 + 8X2 = 24
2

X1
2 4 6 8 10 12 14
CALCULAMOS LOS VÉRTICES DE LA REGIÓN FACTIBLE:
X2 La región factible
El vértice A es solución del
no está acotada
sistema 14
6X1 + 3X2 = 30
X1 = 0 12
Por tanto, A(0, 10)
10 A
Región
El vértice B es solución de
6X1 + 3X2 = 30
8
Factible
2X1 + 8X2 = 24 6
Por tanto, B(4, 2)
4

El vértice C es solución de 2
B
2X1 + 8X2 = 24
X2 = 0 C
X1
Por tanto, C(12, 0) 2 4 6 8 10 12 14
 Restricción de mayor o igual que cero, límite mínimo

Ejemplo 2
Min (Z) = 2 X1 + 6 X2
Sujeto a:
12 X1 + 6 X2 ≥ 16
4 X1 + 12 X2 ≥ 12
X1 , X2 ≥ 0
Ejemplo 3
Min (Z) = 2 X1 + 3 X2
Sujeto a:
X1 + X2 ≤ 4
6 X1 + 2 X2 = 8
X1 + 5 X2 ≥ 4 B

X1 ≤3
X2 ≤ 3
A
X1 , X2 ≥ 0

La solución se encuentra en el segmento A y B, donde X1 = 8/7 y X2

= 4/7. la función objetivo toma el valor de 4.
Ejemplo 4
Max (Z) = X1 + X2
Sujeto a:
- 4 X1 + 2 X2 ≤ 2
2 X1 ≤4 (2/3,7/3)

2 X1 + 2 X2 ≤ 6 B
(2,1)
X1 , X2 ≥ 0
C

Se aprecia que la recta de la función objetivo no es ahora tangente

a un vértice del polígono factible, si no es coincidente con uno de
los lados del mismo.
¿Cuál es entonces la solución?
En este caso es posible definir cualquier punto sobre la recta BC y
hallar en consecuencia los valores X1 y X2.
X = 2 ; X = 1; Z = 3, otro resultado X = 2/3 , X = 7/3 ; Z = 3
Ejemplo 5
(6,5)
Max (Z) = 2 X1 + 2 X2
Sujeto a:
X1 - X2 ≥ 1
1/ 2 X1 + X2 ≤ 2
X1 , X2 ≥ 0

No tiene un valor máximo finito.

En problemas prácticos no puede presentarse este tipo de
solución.
Ejemplo 6
Max (Z) = 3 X1 + 2 X2
Sujeto a:
X1 + X2 ≤ 1
2 X1 + 2 X2 ≥ 4
X1 , X2 ≥ 0

Ejemplo 7
Max (Z) = X1 + X2
Sujeto a:
3 X1 - X2 ≥ - 3
X1 + X2 ≤ 4
X1 , X2 ≥ 0
No se puede garantizar que todo problema tenga solución
factible.
 MÉTODO GRÁFICO

La solución de un modelo de programación lineal por medio del

método gráfico, consiste en la búsqueda de la combinación de
valores para las variables de decisión que optimicen el valor de la
función objetivo, si es que dicha combinación existe.

Gráficamente se define una región que deje satisfecha a todas y

cada una de las restricciones y se sigue un criterio de decisión.

De forma práctica sólo problemas de tres variables de decisión o

menos serán representables y solucionables siguiendo este método.
A la región que satisface a todas y cada una las restricciones de un
modelo de programación lineal se llama REGIÓN FACTIBLE y
consiste de todas las combinaciones de los valores para las variables
de decisión, que son válidas como una solución del modelo.
 MÉTODO GRÁFICO

• Se determina todos los vértices de la región de factibilidad. Se

evalúa la función objetivo para cada uno de los puntos de cada
vértice.
• Se define como punto óptimo a aquel que alcance el mejot valor
de la función objetivo y se establece siguiendo uno de los dos
criterios:
1. En maximización, el mayor valor
2. En minimización, el menor valor
 VÉRTICES DE LA REGIÓN FACTIBLE
X2
Los vértices de la región factible
son intersecciones de dos rectas.
El punto D es la intersección de las 100
rectas: 2X1 + X2 = 100
2X1 + X2 = 100
X1 + X2 = 80 80 E(0, 80) X1 = 40
La solución del sistema X1 =
20, D (20, 60)
60
X2 = 60 nos da el punto D.
B es solución de
X1 = 40
40
X2 = 0
Región
C es solución de Factible C(40, 20)
X1 = 40 20
X1 + X2 = 80
2X1 + X2 = 100
B(40, 0)
E es solución de A(0, 0) 20 40 60 80 X1
X1 + X2 = 80
X1 = 0
 X2
RESOLUCIÓN GRÁFICA
100

Max (Z) = 3X1 + 2X2

(0, 80)
80
La última recta de Z
que interseca (toca) la (20, 60)
región factible indica la 60
solución óptima para
el Problema de
Programación Lineal. 40

Para el problema, esto Región

ocurre en el punto D Factible (40, 20)
20
(X1 = 20, X2 = 60, Max
(Z) = 180).
(40, 0)
(0, 0) 20 40 60 80 X1
Max(Z) = 180
Max (Z) = 100
Max (Z) = 0
 SOLUCIÓN
X2
Max (Z) = 3X1 + 2X2

También podemos encontrar la

100
solución óptima calculando el valor
de Z en los vértices de la región
factible. (0, 80)
80

Vértice Max(Z) = 3X1 + 2X2 (20, 60)

60

(0, 0) Max(Z) = 3·0+2·0 = 0

(40, 0) Max(Z) = 3·40+2·0 = 120 40
(40, 20) Max(Z) = 3·40+2·20 = 160 Región
(20, 60) Max(Z) = 3·20+2·60 = 180 Factible
(40, 20)
(0, 80) Max(Z) = 3·0+2·80 = 160 20

La solución óptima es:

X1 = 20 (40, 0)
X2 = 60 (0, 0) 20 40 60 80 X1
Max (Z) = 180
 SOLUCIÓN CASO DE MINIMIZACIÓN

Evaluamos la función objetivo Min(Z) en los vértices.

Min(Z) = 50X1+ 100X2 X2

Vértice
14
Min(z) = 50·0 + 100·10 =
A(0, 10)
= 0+1 000 = 1 000 12

Min(Z) = 50·4 + 100·2 = A(0, 10)

B(4, 2) 10
= 200+200 = 400

8
Región
Min(Z) = 50·12 + 100·0 =
C(12, 0) Factible
= 600 + 0 = 600
6

El costo mínimo se obtiene en B. 4

Solución: B(4, 2)
X1 = 4 2
C(12, 0)
X2 = 2
Costo Min (Z) = 400 X1
2 4 6 8 10 12 14
 RESOLVEMOS POR EL MÉTODO GRÁFICO

Min z = 50X1 + 100X2

X2
Sujeto a:
6X1 + 3X2 ≥ 30 14

2X1 + 8X2 ≥ 24
12
X1, X2 ≥ 0
10 A(0, 10)
El costo mínimo se
obtiene en el punto B. 8 Región
Min(Z) = 600
Factible
6
Min(Z) = 400
Solución:
4
X1 = 4
X2 = 2 2
B(4, 2)
Costo Min(Z) = 400
C(12, 0)
X1
2 4 6 8 10 12 14
 MÉTODO SIMPLEX

El método Simplex es un método analítico de solución de problemas de

programación lineal, capaz de resolver modelos más complejos y que los
resueltos por el método gráfico sin restricción en número de variables, con el
ánimo de crear un algoritmo capaz de dar solución a problemas de m
restricciones y n variables.

El Método Simplex trabaja basándose en ecuaciones y las restricciones

iniciales que se modelan mediante programación lineal no lo son, para ello
hay que convertir estas inecuaciones en ecuaciones utilizando unas variables
denominadas de holgura relacionadas con el recurso al cual hace referencia
la restricción.
 MÉTODO SIMPLEX

El método nos permite ir mejorando la solución a cada paso del

procedimiento comenzado con una solución básica (punto extremo) y
modificando esta a lo largo del proceso, a través de la inclusión y
exclusión de una variable; siempre aumentando la utilidad (o
reduciendo el costo) hasta encontrar una solución óptima.
 MODELO GENERAL DE PROGRAMACIÓN LINEAL

Optimizar FO Coeficientes objetivo

Variables de decisión

Max(Z) = C1 X 1 + C 2 X 2 +...... + Cn Xn
Coeficientes recurso
Sujeto a: Coeficientes tecnológicos

a X +a X + ..... + a X ( ≤ , = , ≥ ) b
1
11 1 12 2 1n n

a X +a X + ..... + a X n ( ≤ , = , ≥ ) b2
21 1 22 2 2n
. . . . .
. . . . .
. . . . .
a X +a X + ..... + a X (≤ , = , ≥ )b
m1 1 m2 2 mn n m

X1,2,.....n > 0 Condiciones técnicas o

No negatividad
• Donde el vector c también conocido como el vector costos,
viene dado por:

• El vector de lado derecho o b, viene dado por:

• Este es un vector columna, que representa los recursos de

las m actividades. Es por lo tanto el elemento de la mano
derecha de cada una de las m ecuaciones.
• La matriz A, representa los coeficiente tecnológicos; es la
matriz para el sistema de ecuaciones Ax = b:

• El sistema de ecuaciones o el modelo de PL, queda

representado por:

Max (Z) = C X
Sujeto a:
A X = bi
A X ≤ bi
A X ≥ bi
X≥0
 EL MODELO DE P.L.

Z: función objetivo
C (c1,...,cn): vector de coeficientes de la f. o.
X (x1,...,xn): vector de variables de decisión
A (...,aij,...): matriz de coeficientes técnicos
b (b1,...,bm): vector de demandas

Matricialmente,

Optimización Max o Min = CX

S.A.
AX b
x0 Forma canónica
TEOREMA 1. El conjunto de todas las soluciones factibles al problema
de programación lineal es un conjunto convexo.

TEOREMA 2. La función objetivo alcanza su máximo en un punto

extremo del conjunto convexo, generado por el conjunto de soluciones
factibles al problema de programación lineal.

1. Existe un punto extremo del polígono (poliedro) convexo en el

cual la función objetivo tiene su máximo (mínimo).
2. Cada solución factible básica corresponde a un punto extremo
del polígono (poliedro) convexo.

Se tendrá que buscar que investigar únicamente los puntos extremos

del polígono (poliedro) convexo y buscar aquel punto que proporcione
el mayor (menor) valor para que la función objetivo y así obtendremos
la solución buscada.
 METODO SIMPLEX
1. bi ≤ 0
2. Restricciones ≤
3. Restricciones ≥
4. Restricciones =
5. Xj ≤ 0; xi = - Xi, donde Xi ≥ 0
6. Xi Sin Restricción de Signo (SRS)
+,-,0
X1 ; SRS
X1 = X1+ - X1-
X1 = A1 - D1
A1 > D1; X1 > 0; X1 = A1 - 0
A1 = D1; X1 = 0; X1 = 0 - 0
A1< D1; X1 < 0; X1 = 0 - D1
donde :
A 1, D 1 ≥ 0
7. Empate en el criterio en la variable que ingresa se escoge
arbitrariamente cualquiera.
Seleccionamos la variable que sale {θi menor}

8. Empate en el criterio en la variable que sale se escoge

arbitrariamente cualquiera.
Criterio de Optimalidad
Max Zj - Cj ≥ 0 ; Cj - Zj ≤ 0
Min Z j - Cj ≤ 0 ; Cj - Zj ≥ 0

9. Tipo de soluciones.
Xi: Numero de unidades del producto tipo i que se deben producir
mensualmente. Donde i = 1, 2

Max (Z) = 30 X1 + 50 X2

Sujeto a:
X1 + 2 X2 ≤ 200 Estación de trabajo 1
X1 + X2 ≤ 140 Estación de trabajo 2
X1 , X2 ≥ 0

Entra Estación de Estación de X1

da trabajo 1 trabajo 2 X2
 Solución

(0,100) Max(Z)= 30X1 + 50X2

Max(Z) = 30(80) + 50(60)
Max(Z) = 5 400

(80,60)

(0, 0) (140,0)
Xi: Numero de unidades del producto tipo i que se deben producir
mensualmente.

Max (Z) = 30 X1 + 50 X2 + 0 S1 + 0 S2

Sujeto a:
X1 + 2 X2 + 1 S1 + 0 S2 = 200 1 0
X1 + X2 + 0 S1 + 1 S2 = 140 0 1
X1 , X2 , S1 , S2 ≥ 0
 Solución

C1 C2 C3 C4
Max (Z) = 30 X1 + 50 X2 + 0 S1 + 0 S2

Sujeto a:
X1 + 2 X2 + 1 S1 + 0 S2 = 200
X1 + X2 + 0 S1 + 1 S2 = 140
X1 , X2, S 1, S2 ≥ 0
a) Forma algebraica b) Forma tabular
Variable
Coeficientes de la función objetivo: Lado
básica Ec. 30 50 0 0 derecho

XB X1 X2 S1 S2 bi
(1) X1 + 2 X2 + 1 S1 + 0 S2 = 200 S1 1 1 2 1 0 200
(2) X1 + X2 + 0 S1 + 1 S2 = 140 S2 2 1 1 0 1 140
 Solución
Pivot
Iteración N° 1
=100
Cj 30 50 0 0
Ci XB X1 X2 S1 S2 bi θi
mínimo
0 S1 1 2 1 0 200 100
0 S2 1 1 0 1 140 140
=140
Cj -Zj 30 50 0 0 0

Semi Pivot
C1 – Z1 = 30 – 0x1 + 0x1 = 30

C2 – Z2 = 50 – 0x1 + 0x1 = 50

X2 1/2 1 1/2 0 100

 Cj 30 50 0 0
Ci XB X1 X2 S1 S2 bi θi
50 X2 1/2 1 1/2 0 100

Cj -Zj

Cj 30 50 0 0
Ci XB X1 X2 S1 S2 bi θi
50 X2 1/2 1 1/2 0 100
0 S2
Cj -Zj
 1 1 0 1 140
-1 1/2 1 1/2 0 100
-1/2 -1 -1/2 0 -100
1/2 0 -1/2 1 40

Semi pivot

Semi Pivot

Cj 30 50 0 0
Ci XB X1 X2 S1 S2 bi θi
50 X2 1/2 1 1/2 0 100 200
0 S2 1/2 0 -1/2 1 40 80

Cj - Zj 5 0 -25 0 5000
Pivot
 1/2 1 1/2 0 100

-1/2 1 0 -1 2 80

-1/2 0 1/2 -1 -40

0 1 1 -1 60
 Solución
Iteración N° 3

Cj 30 50 0 0
Ci XB X1 X2 S1 S2 bi θi
50 X2 0 1 1 -1 60
30 X1 1 0 -1 2 80
Cj -Zj 0 0 -20 -10 5400
 Solución

(0,100) Max(Z)= 30X1 + 50X2

Max(Z) = 30(80) + 50(60)
Max(Z) = 5 400

(80,60)

(0, 0) (140,0)
 ARTEFACTO A ARTEFACTO B DISPONIBILIDAD
(min/unid) (min/unid)
Maquinado 4 8 480
Armado 5 6 600
Montaje 12 6 540
Beneficio 100 120

¿Cuántos artefactos de A y B deben de producir para obtener el

máximo beneficio?
Xi: Cantidad de artefactos del tipo i a producirse al día. Donde i = 1, 2

FUNCIÓN OBJETIVO
• Max (Z) = 100 X1 + 120 X2
• Sujeto a:
4 X1 + 8 X2  480 → Area de Maquinado
5 X1 + 6 X2  600 → Area de Armado
12 X1 + 8 X2  540 → Area de Montaje
X1, X2  0

Entra Área de Área de Área de Sali

da Maquinado Armado Montaje da
(0, 60)

(15/2, 225/4)

(45, 0)
 Solución
Iteración N° 1
Cj 100 120 0 0 0
Ci XB X1 X2 S1 S2 S3 bi θi
0 S1 4 8 1 0 0 480 60
0 S2 5 6 0 1 0 600 100
0 S3 12 8 0 0 1 540 135/2
Cj -Zj 100 120 0 0 0 0
Iteración N° 2
Cj 100 120 0 0 0
Ci XB X1 X2 S1 S2 S3 bi θi
120 X2 1/2 1 1/8 0 0 60 120
0 S2 2 0 -3/4 1 0 240 120
0 S3 8 0 -1 0 1 60 15/2
Cj -Zj 40 0 -15 0 0 7200
Iteración N° 3
Cj 100 120 0 0 0
Ci XB X1 X2 S1 S2 S3 bi θi
120 X2 0 1 3/16 0 -1/16 225/4
0 S2 0 0 -1/2 1 -1/4 225
100 X1 1 0 -1/8 0 1/8 15/2
Cj -Zj 0 0 -10 0 -5 7500
Xi: Variable de decisión

FUNCIÓN OBJETIVO
• Max (Z) = 4 X1 + 3 X2
Sujeto a:
4 X1 + 2 X2  12
X1 + 3 X2  9
7 X1 + 2 X2  28
X1, X2  0
 Tipos de Solución
Iteraciones
Cj 4 3 0 0 0
Ci XB X1 X2 S1 S2 S3 bi θi
0 S1 4 2 1 0 0 12 3
0 S2 1 3 0 1 0 9 9
0 S3 7 2 0 0 1 28 4
Cj -Zj 4 3 0 0 0 0
4 X1 1 1/2 1/4 0 0 3 6
0 S2 0 5/2 -1/4 1 0 6 12/5
0 S3 0 -3/2 -7/4 0 1 7 -
Cj -Zj 0 1 -1 0 0 12
4 X1 1 0 3/10 -1/5 0 9/5
3 X2 0 1 -1/10 2/5 0 12/5
0 S3 0 0 -19/10 3/5 1 53/5
Cj -Zj 0 0 -9/10 -2/5 0 72/5

Solución Optima Unica

Xi: Variable de decisión

FUNCIÓN OBJETIVO
• Max (Z) = 3 X1 + 5 X2
Sujeto a:
X1  4
2 X2  12
3 X1 + 2 X2  18
X1, X2  0
 Tipos de Solución
Iteraciones
Cj 3 5 0 0 0
Ci XB X1 X2 S1 S2 S3 bi θi
0 S1 1 0 1 0 0 4 -
0 S2 0 2 0 1 0 12 6
0 S3 3 2 0 0 1 18 9
Cj - Zj 3 5 0 0 0 0
0 S1 1 0 1 0 0 4 4
5 X2 0 1 0 1/2 0 6 -
0 S3 3 0 0 -1 1 6 2
Cj - Zj 3 0 0 -5/2 0 30
0 S1 0 0 1 1/3 -1/3 2
5 X2 0 1 0 1/2 0 6
3 X1 1 0 0 -1/3 1/3 2
Cj - Zj 0 0 0 -3/2 -1 36

Solución Optima Unica

Xi: Variable de decisión

FUNCIÓN OBJETIVO
• Min (Z) = - X1 - 3 X2
Sujeto a:
X1 + X2  6
- X1 + 2 X2  8
X1, X2  0
 Solución
Iteración N° 1
Cj -1 -3 0 0
Ci XB X1 X2 S1 S2 bi θi
0 S1 1 1 1 0 6 6
0 S2 -1 2 0 1 8 4
Cj -Zj -1 -3 0 0 0

Iteración N° 2
Cj -1 -3 0 0
Ci XB X1 X2 S1 S2 bi θi
0 S1 3/2 0 1 -1/2 2 4/3
-3 X2 -1/2 1 0 1/2 4
Cj -Zj -5/2 0 0 3/2 -12
 Solución
Iteración N° 3

Cj -1 -3 0 0
Ci XB X1 X2 S1 S2 bi θi
-1 X1 1 0 2/3 -1/3 4/3
-3 X2 0 1 1/3 1/3 14/3
Cj -Zj 0 0 5/3 2/3 -46/3

Solución óptima única

Xi: Variable de decisión

FUNCIÓN OBJETIVO
• Max (Z) = 3 X1 + 2 X2
Sujeto a:
X1  4
2 X2  12
3 X1 + 2 X2  18
X1, X2  0
 (2,6)

(4,3)

(4,0)
(0,0)
 Tipos de Solución
Iteraciones
Cj 3 2 0 0 0
Ci XB X1 X2 S1 S2 S3 bi θi
0 S1 1 0 1 0 0 4 4
0 S2 0 2 0 1 0 12 -
0 S3 3 2 0 0 1 18 6
Cj - Zj 3 2 0 0 0 0
3 X1 1 0 1 0 0 4 -
0 S2 0 2 0 1 0 12 6
0 S3 0 2 -3 0 1 6 3
Cj - Zj 0 2 -3 0 0 12
3 X1 1 0 1 0 0 4
0 S2 0 0 3 1 -1 6
2 X2 0 1 -3/2 0 1/2 3
Cj - Zj 0 0 0 0 -1 18
 X1 X2 S1 S2 S3
3 X1 1 0 0 -1/3 1/3 2
0 S1 0 0 1 1/3 -1/3 2
2 X2 0 1 0 1/2 0 6
Cj - Zj 0 0 0 0 -1 18

Solución Optima Altenativa

Xi: Variable de decisión

FUNCIÓN OBJETIVO
• Max (Z) = 10 X1 + 5 X2
Sujeto a:
-3 X1 + 4 X2  12
X1 - 2 X2  2
X1 + 2 X2  8
X1, X2  0
 Tipos de Solución
Iteraciones
Cj 10 5 0 0 0 -M
Ci XB X1 X2 S1 S2 S3 A3 bi θi
0 S1 -3 4 1 0 0 0 12 3
0 S2 1 -2 0 1 0 0 2 -
-M A3 1 2 0 0 -1 1 8 4
Cj - Zj 10+M 5 + 2M 0 0 -M 0 0
5 X2 -3/4 1 1/4 0 0 0 3 -
0 S2 -1/2 0 1/2 1 0 0 8 -
-M A3 5/2 0 -1/2 0 -1 1 2 4/5
Cj - Zj 55/4+5M/2 0 -5/4-M/2 0 -M 0 15

5 X2 0 1 1/10 0 -3/10 3/10 18/5

0 S2 0 0 4/10 1 -1/5 1/5 42/5
10 X1 1 0 -1/5 0 -2/5 2/5 4/5
Cj - Zj 0 0 3/2 0 11/2 -M-11/2 26

Solución No Acotada
 En el siguiente problema de programación lineal:
Max (Z) = -2 X1 + 6 X 2- 4 X3 (Utilidades)

Sujeto a:
3X1 - 1X2 + 2X3 ≤ 7 (Recurso N°1)
-2X1 + 4X2 ≤ 12 (Recurso N°2)
-4X1 + 3X2 + 8X3 ≤ 10 (Recurso N°3)
X1, X 2, X3 ≥0

Para graficarlo, se tendría que hacerlo en tres dimensiones:

X2

X1

X3
En el siguiente problema de programación lineal:
Max (Z) = -2 X1 + 6 X 2- 4 X3 (Utilidades)

Sujeto a:
3X1 - 1X2 + 2X3 ≤ 7 (Recurso N°1)
-2X1 + 4X2 ≤ 12 (Recurso N°2)
-4X1 + 3X2 + 8X3 ≤ 10 (Recurso N°3)
X1, X 2, X3 ≥0

Max (Z) = -2 X1 + 6 X 2- 4 X3 + 0 S1 + 0 S2 + 0 S3 (Utilidades)

Sujeto a:

3X1 - 1X2 + 2X3 + S1 ≤ 7 (Recurso N°1)

-2X1 + 4X2 + S2 ≤ 12 (Recurso N°2)
-4X1 + 3X2 + 8X3 + S3 ≤ 10 (Recurso N°3)
X1, X2, X3, S1, S2, S3 ≥ 0
 Cj -2 6 -4 0 0 0    
Ci XB X1 X2 X3 S1 S2 S3 bi θi
0 S1 3 -1 2 1 0 0 7
0 S2 -2 4 0 0 1 0 12 3
0 S3 -4 3 8 0 0 1 10 10/3
Cj - Zj -2 6 -4 0 0 0 0  
Xi: Variable de decisión

FUNCIÓN OBJETIVO
• Min (Z) = X1 + X2
Sujeto a:
9 X1 + 3 X 2  9
3 X1 + 3 X2  15
3 X1 + 4 X2 = 12
X1, X2  0
 Tipos de Solución
Iteraciones
Cj 1 1 0 0 M M
Ci XB X1 X2 S1 S2 A1 A3 bi θi
M A1 9 3 -1 0 1 0 9 1
0 S2 3 3 0 1 0 0 15 5
M A3 3 4 0 0 0 1 12 4
Cj – Zj 1-12M 1-7M M 0 0 0
1 X1 1 1/3 -1/9 0 1/9 0 1 3
0 S2 0 2 1/3 1 -1/3 0 12 6
M A3 0 3 1/3 0 -1/3 1 9 3
Cj - Zj 0 2/3-3M 1/9-M/3 0 -1/9+4M/3 0

1 X1 1 0 -4/27 0 4/27 -1/9 0

0 S2 0 0 1/9 1 -1/9 -2/3 6
1 X2 0 1 1/9 0 -1/9 1/3 3
Cj - Zj 0 0 1/27 0 M-1/27 M-2/9 3

Solución Degenerada
Xi: Variable de decisión

FUNCIÓN OBJETIVO
• Min (Z) = X1 + X2
Sujeto a:
9 X1 + 3 X 2  9
X1 - 2 X2  15
X1 + 2 X2 = 12
X1, X2  0
 Tipos de Solución
Iteraciones
Cj 1 1 0 0 M M
Ci XB X1 X2 S1 S2 A1 A3 bi θi
M A1 9 3 -1 0 1 0 9 1
0 S2 1 -2 0 1 0 0 15 15
M A3 1 2 0 0 0 1 12 12
Cj – Zj 1-10M 1-5M M 0 0 0
1 X1 1 1/3 -1/9 0 1/9 0 1 3
0 S2 0 -7/3 1/9 1 -1/9 0 14 -
M A3 0 5/3 1/9 0 -1/9 1 11 33/5
Cj - Zj 0 2/3-5M/3 1/9-M/9 0 -1/9+M/9 0

1 X2 3 1 -1/3 0 1/3 0 3 -
0 S2 7 0 -2/3 1 2/3 0 21 -
M A3 -5 0 2/3 0 -2/3 1 6 9
Cj - Zj -2+5M 0 1/3-2M/3 0 5M/3-1/3 0 3
Cj XB X1 X2 S1 S2 A1 A3 bi

1 X2 1/2 1 0 0 0 1/2 6

0 S2 2 0 0 1 0 1 27
0 S1 -15/2 0 1 0 -1 3/2 9

Cj - Zj 1/2 0 0 0 M M-1/2 6
Xi: Variable de decisión

FUNCIÓN OBJETIVO
• Max (Z) = 3X1 + 5X2
Sujeto a:
X1  8
2 X2  12
3 X1 + 2 X2 = 18
X1, X2  0
GRAFICA
 Tipos de Solución
Iteraciones
Cj 3 5 0 0 0 -M
Ci XB X1 X2 S1 S2 S3 A1 Bi θi
-M A1 1 0 -1 0 0 1 8 8
0 S2 0 2 0 1 0 0 12 -
-M A3 3 2 0 0 1 0 18 6
Cj – Zj 3+M 5 + 2M -M 0 0 0
-M A1 0 -2/3 -1 0 -1/3 0 2
0 S2 0 2 0 1 0 0 12
3 X1 1 2/3 0 0 1/3 1 6
Cj - Zj 0 5-2M/3 -M 0 -M/3-1 0

Solución No Factible
Xi: Variable de decisión

FUNCIÓN OBJETIVO
• Max (Z) = 460X1 + 200X2
Sujeto a:
18 X1 + 3 X2 ≤ 800
9 X1 + 4 X2  600
X1 ≥ 80
X1, X2  0
 Tipos de Solución
Iteraciones
Cj 460 200 0 0 0 -M
Ci XB X1 X2 S1 S2 S3 A3 bi θi
0 S1 18 3 1 0 0 0 800 400/9
0 S2 9 4 0 1 0 0 600 200/3
-M A3 1 0 0 0 -1 1 80 80
Cj – Zj 460+M 200 0 0 -M 0
460 X1 1 1/6 1/18 0 0 0 400/9
0 S2 0 5/2 -1/2 1 0 0 200
-M A3 0 -1/6 -1/18 0 -1 1 320/9
Cj – Zj 0 370/3-M/6 230/9-M/18 0 -M 0

Solución No Factible
Xi: Variable de decisión

FUNCIÓN OBJETIVO
• Max (Z) = X1 + X2
Sujeto a:
2 X1 + 2 X 2 ≤ 8
6 X1 + 2 X2  18
2 X1 + 4 X2 ≤ 16
X1, X2  0
 Tipos de Solución
Iteraciones
Cj 1 1 0 0 0
Ci XB X1 X2 S1 S2 S3 bi θi
0 S1 2 2 1 0 0 8 4
0 S2 6 2 0 1 0 18 3
0 S3 2 4 0 0 1 16 8
Cj - Zj 1 1 0 0 0 0
0 S1 0 4/3 1 -1/3 0 2 3/2
1 X1 1 1/3 0 1/6 0 3 6
0 S3 0 10/3 0 -1/3 1 10 3
Cj - Zj 0 2/3 0 -1/6 0 3
1 X2 0 0 3/4 -1/4 0 3/2
1 X1 1 0 -1/4 1/4 0 5/2
0 S3 0 1 -5/2 -1/2 1 5
Cj - Zj 0 0 -1/2 0 0 4
 1 X2 1 1 1/2 0 0 4
0 S2 4 0 -1 1 0 10
0 S3 2 0 -3 0 1 10
Cj - Zj 0 0 -1/2 0 0 4

Solución Optima Altenativa

Max (Z) = 4 X1 + 8 X2

Sujeto a:

6 X1 + 8 X2 ≤ 24
20 X1 = 10X2
8 X1 - 4 X2 ≤ 16
X 1, X2  0
 Tipos de Solución
Iteraciones
Cj 4 8 0 -M 0
Ci XB X1 X2 S1 A2 S3 bi θi
0 S1 6 8 1 0 0 24 4
-M A2 20 -10 0 1 0 0 0
0 S3 8 -4 0 0 1 16 2
Cj - Zj 4+20M 8 -10M 0 0 0
0 S1 0 11 1 -3/10 0 24 24/11
1 X1 1 -1/2 0 1/20 0 0 -
0 S3 0 0 0 -2/5 1 16 -
Cj - Zj 0 10 0 -1/6 0
1 X2 0 1 1/11 -3/110 0 24/11
1 X1 1 0 1/22 2/55 0 12/11
0 S3 0 0 0 -2/5 1 16
Cj - Zj 0 0 -10/11 -M-4/55 0 240/11
 Solución
Pivot
Iteración N° 1
=100
Cj 30 50 0 0
Ci XB X1 X2 S1 S2 bi θi
mínimo
0 S1 1 2 1 0 200 100
0 S2 1 1 0 1 140 140
=140
Cj -Zj 30 50 0 0 0

Semi Pivot
C1 – Z1 = 30 – 0x1 + 0x1

C2 – Z2 = 50 – 0x1 + 0x1

1/2 1 1/2 0 100

 Solución
Pivot
Iteración N° 1
Cj 30 50 0 0
Ci XB X1 X2 S1 S2 bi θi
0 S1 1 2 1 0 200 100
0 S2 1 1 0 1 140 140
Cj -Zj 30 50 0 0 0

Semi Pivot
Iteración N° 2 Semi Pivot

Cj 30 50 0 0
Ci XB X1 X2 S1 S2 bi θi
50 X2 1/2 1 1/2 0 100 200
0 S2 1/2 0 -1/2 1 40 80
Cj -Zj 5 0 -25 0 5000

Pivot
 PRÁCTICA DIRIGIDA
Max(z) = 3X1+5X2+4X3+S1+S2-MA3
Sujeto a:
3X1 + 7X2 - 3X3 + S1 = 120
4X1 – 5X2 + 2X3 + S2 = 80
2X1 + 3X2 + 5X3 + A3 = 20
X1 , X2, X3, S1, S2, A3 ≥ 0
Interacción 1
Cj 3 5 4 0 0 -M    
Ci XB X1 X2 X3 S1 S2 A3 bi θi
0 S1 3 7 -3 1 0 0 120 -
0 S2 4 -5 2 0 1 0 80 40
-M A3 2 3 5 0 0 1 20 5
Cj - Zj 3+2M 5+3M 4+5M 0 0 0  

Interacción 2
Cj 3 5 4 0 0 -M    
Ci XB X1 X2 X3 S1 S2 A3 bi θi
0 S1 21/5 44/5 1 1 0 3/5 132 15
0 S2 16/5 -31/5 0 0 1 -2/5 72 -
4 X3 2/5 3/5 1 0 0 1/5 4 20/3
Cj - Zj 7/5 13/5 0 0 0 -4/5-M 16

Interacción 3
Cj 3 5 4 0 0 -M    
Ci XB X1 X2 X3 S1 S2 A3 bi θi
0 S1 -5/3 0 -44/3 1 0 -7/3 220/3  
0 S2 22/3 0 31/3 0 1 5/3 340/3  
5 X2 2/3 1 5/3 0 0 1/3 20/3  
Cj - Zj -1/3 0 -13/3 0 0 -M-5/3 100/3
 Solución: Primera Evaluación
1. En el siguiente problema de programación lineal tiene múltiples soluciones
óptimas, unos de los puntos son: (X1 = 56/17, X2 = 45/17), (X1 = 0, X2 = 1)
encuentre otros dos puntos óptimos. (5 puntos)
Max (Z) = -12X1 + 24X2
Sujeto a:
5X1 + 7X2  35
- X1 + 2X2 < 2
X1, X2 > 0

(0,1) (56/17, 45.17)

Considere el siguiente modelo:
Min (Z) = 20X1 + 15X2
Sujeto a:
2X1 + 1X2 ≥ 5
-3X1 + 2X2  3
1X1 + 1 X2 ≥ 3
X1, X2 > 0
Use el Método Simplex y diga qué tipo de solución es y las soluciones básicas que
presenta. (6 puntos)
 Interacción 1
Cj 20 15 0 0 0 -M -M    
Ci XB X1 X2 S1 S2 S3 A1 A3 bi θi
0 A1 2 1 -1 0 0 1 0 5 5/2
0 S2 -3 2 0 1 0 0 0 3 -
-M A3 1 1 0 0 -1 0 1 3 3
Cj - Zj 3+20M 15+2M -M 0 -M 0 0  0

Interacción 2
Cj 20 15 0 0 0 -M -M    
Ci XB X1 X2 S1 S2 S3 A1 A3 bi θi
20 X1 1 1/2 -1/2 0 0 1/2 0 5/2 -
0 S2 0 7/2 -3/2 1 0 3/2 0 21/2 -
-M A3 0 1/2 1/2 0 -1 -1/2 1 1/2 1
Cj - Zj 1 5+1/2M 10+1/2M 0 -M -10-3/2M 0 50

Interacción 3
Cj 20 15 0 0 0 -M -M    
Ci XB X1 X2 S1 S2 S3 A1 A3 bi θi
20 X1 1 1 0 0 -1 0 1 3  
0 S2 0 5 0 1 -3 0 3 12  
0 S1 0 1 1 0 -2 -1 2 1  
Cj - Zj 0 -5 0 0 20 -M -20-M 60
6. Dada la tabla simplex inicial para un problema de programación lineal de
minimización que se muestra en la tabla, reconstruya la formulación del
problema original de programación lineal. (3 puntos)

Min (Z) = 20X1 +10X2 + 0S1 + 0S2 + MA2 + MA3

Sujeto a:

1X1 + 2X2 + 1S1 ≤ 40

3X1 + 1X2 + 1A2 = 30
4X1 + 3X2 – 1S2 + 1A3 ≥ 60
X1, X2, S1, S2, A2, A3 ≥ 60

Cj 20 10 0 0 5000000 5000000  
Ci XB X1 X2 S1 S2 A2 A3 bi
0 S1 1 2 1 0 0 0 40
5000000 A2 3 1 0 0 1 0 30
5000000 A3 4 3 0 -1 0 1 60
Cj - Zj -34999980 -19999990 0 5000000 0 0  
 Solución

C1 C2 C3 C4
Max (Z) = 30 X1 + 50 X2 + 0 S1 + 0 S2

Sujeto a:
X1 + 2 X2 + 1 S1 + 0 S2 = 200
X1 + X2 + 0 S1 + 1 S2 = 140
X1 , X2, S 1, S2 ≥ 0
a) Forma algebraica b) Forma tabular
Variable
Coeficientes de la función objetivo: Lado
básica Ec. 30 50 0 0 derecho

XB X1 X2 S1 S2 bi
(1) X1 + 2 X2 + 1 S1 + 0 S2 = 200 S1 1 1 2 1 0 200
(2) X1 + X2 + 0 S1 + 1 S2 = 140 S2 2 1 1 0 1 140