OptimizaciÃ - N - ProgramaciÃ - N Lineal (PEP 1)

UNIVERSIDAD DE SANTIAGO DE CHILE
DEPARTAMENTO DE INGENIERA EN MINAS

AYUDANTA DE OPTIMIZACIN
APUNTES DE
OPTIMIZACIN
Teora y Ejercicios Parte 1
Autor: Felipe Quezada Castaeda
Universidad de Santiago de Chile

Departamento de Ingeniera en Minas
Ayudanta de Optimizacin
Programacin Lineal
PROBLEMAS DE OPTIMIZACIN.
Un Problema de Optimizacin es uno tal que, bajo ciertas condiciones en particular, se
desea maximizar o minimizar una funcin dada. Si dicha funcin a optimizar es lineal, el
problema anterior ser llamado Problema de Programacin Lineal (PPL), siempre y
cuando el espacio de soluciones factible que define a dicho problema pueda ser
construido mediante un sistema lineal de ecuaciones de dimensin rectangular, digamos
de
, siendo
.
El Modelo de Programacin Lineal se define en base a tres elementos constitutivos: las
variables
del problema, tales que
; las restricciones a las que est sujeto el
problema, que pueden ser de tres tipos:
-
Tipo 1:
Tipo 2:
Tipo 3:
En las expresiones anteriores:

: Valor conocido, que tiene que ser respetado estrictamente
: Valor conocido, que puede ser respetado o superado
: Valor conocido, que no debe ser superado
En las restricciones anteriores,
es el nmero de la ecuacin. Si en total hay
restricciones asociadas al problema, puede variar de
a . Adems ,
y
son
constantes conocidas, y las son las variables del problema, digamos de ellas. As, el
espacio de soluciones factible (ESF) del problema es un sistema lineal de ecuaciones, de
dimensin
.
El ltimo elemento constitutivo del Modelo de Programacin Lineal es la llamada funcin
objetivo, la cual puede ser del tipo:
Donde
son constantes conocidas. Esta funcin debe optimizarse, cumpliendo las
restricciones anteriores, para as poder darle una solucin al problema.
MODELO DE PROGRAMACIN LINEAL.
Las definiciones anteriores suelen ser confusas, por lo que es mejor ejemplificarlas de
forma ms concreta. Vamos a suponer entonces que la Compaa Metalrgica DIMIN
1

(Chile) dispone de dos procesos de reaccin mediante los cuales debe producir dos tipos
de surfactantes, que sern utilizados en procesos de flotacin. Con el primer proceso se
producen 2 [kg/hr] del surfactante 1 y 1 [kg/hr] del surfactante 2. Mientras que el segundo
proceso produce 3 [kg/hr] del surfactante 1 y 1 [kg/hr] del surfactante 2.
La gerencia ha determinado las siguientes condiciones:
-
La cantidad de surfactante 1 no puede sobrepasar los 30 [kg/da]

La cantidad de surfactante 2 debe ser mayor a los 7 [kg/da]
Las horas en que se ejecuta el primer proceso no deben ser mayor que 5 horas en
el da en que se ejecuta el proceso 2. El mximo tiempo en que se corre cada
proceso es de 9 horas.
El surfactante 1 se vende a 20 USD/kg, mientras que el surfactante 2 se vende a
60 USD/kg
Para el problema anterior, se requiere determinar la mejor forma de correr ambos

procesos, de tal forma que se maximicen las utilidades de la compaa. As, las variables
del modelo se expresan de la siguiente manera:
: Cantidad de horas diarias en que se corre el proceso 1
: Cantidad de horas diarias en que se corre el proceso 2
Ahora debemos construir la funcin objetivo para este modelo. La compaa desea
aumentar sus utilidades todo lo posible. Si representa la utilidad diaria total, el objetivo
de la empresa se puede representar de la siguiente forma:
( )
A continuacin definiremos las restricciones que limitan las horas en que se ejecuta cada
proceso y la demanda. Para la demanda de ambos surfactantes, las restricciones
respectivas se pueden expresar verbalmente como sigue:
(
Se tiene entonces:
-
Cantidad de surfactante 1 obtenido en ambos procesos:
Cantidad de surfactante 2 obtenido en ambos procesos:
Por lo tanto, las restricciones pueden expresarse matemticamente como sigue:

-
Demanda de Gerencia para el surfactante 1:

2

Demanda de Gerencia para el surfactante 2:
Adems, como la diferencia entre las horas en que se corre el proceso 1 y el proceso 2 no
debe ser superior a 5 horas diarias, se tiene que
Finalmente, como la cantidad mxima de horas en que se corre cada proceso es de 9

horas para cada uno, ambas variables estarn acotadas superiormente por 9. Vale decir:
y
.
Una restriccin implcita (o que se sobreentiende), es que las variables
pueden asumir valores negativos. Las restricciones de no negatividad,
expresan este requisito.
y
y
no
,
Por lo que el modelo de programacin lineal representativo del problema planteado con
anterioridad es el siguiente:
( )
Sujeta a las restricciones:
Cualquier valor de
y
que satisfaga todas las restricciones del modelo es una
solucin factible del problema. Sin embargo, a nosotros nos interesa determinar la
solucin ptima factible, que maximice , y que, al mismo tiempo, satisfaga todas las
restricciones del problema. No se acepta enumerar las soluciones factibles, porque el
modelo tiene una cantidad infinita de ellas, por lo que se hace patente desarrollar un
mtodo que, de forma sencilla, sea capaz de determinar tal solucin ptima a partir de los
datos del problema.
El modelo de programacin lineal debe cumplir con dos condiciones fundamentales:
1. La proporcionalidad, requiere que la contribucin de cada variable de decisin en
la funcin objetivo, y sus requerimientos en las restricciones, sea directamente
proporcional al valor de la variable
2. La aditividad estipula que la contribucin total de todas las variables en la funcin
objetivo y sus requerimientos en las restricciones sean la suma directa de las
contribuciones o requerimientos individuales de cada variable

SOLUCIN GRFICA DE LA PROGRAMACIN LINEAL.

El procedimiento de la solucin grfica comprende dos pasos:
-
Determinacin del espacio de soluciones factibles (ESF) del modelo

Determinacin de la solucin ptima factible (SOF) del modelo
Dividiremos el estudio en dos partes:

a) Solucin de un problema de maximizacin: Resolveremos el modelo de la
Compaa DIMIN, por lo que el primer paso es determinar el ESF. Primero
consideraremos las restricciones de no negatividad del modelo, lo que permite
delimitar este espacio mediante dos ejes perpendiculares entre s,
y .
A continuacin, debemos determinar las dems restricciones. Para ello, primero se
sustituye cada desigualdad con una ecuacin, y posteriormente se grafica la recta
resultante. Luego consideramos el efecto de la desigualdad, que es bsicamente
dividir el plano (
) en dos semiplanos, uno a cada lado de la recta graficada. Slo
una de estas mitades satisface la desigualdad. Para determinar cul es el lado
correcto, se elige un punto de referencia en el primer cuadrante. Si satisface la
desigualdad, el lado en que se encuentra el punto es el semiplano factible. En caso
contrario, quiere decir que es el otro lado. Desde el punto de vista de los clculos, es
cmodo seleccionar a ( ) como el punto de referencia, a menos que la recta pase
por el origen; si as fuera, se deber elegir otro punto.
Con la aplicacin de este mtodo, se obtiene el ESF graficado en la Figura 1. Para
determinar la solucin ptima factible, primero observamos que el ESF est delimitado
por los segmentos de recta que unen a los vrtices C, D, E y G. Todo punto dentro o
en la frontera del polgono CDEG es factible, porque satisface todas las restricciones
del problema. Ya que el polgono CDEG est formado por una cantidad infinita de
puntos, es obvio que se necesita un procedimiento sistemtico para identificar la
solucin ptima.
Para ello, se requiere identificar la direccin en la que aumenta la funcin utilidad
(
)
(
). Como se trata de una recta con coeficientes
positivos, es natural pensar que su sentido de crecimiento corresponde a la direccin
positiva de ambos ejes. Por lo tanto, la solucin ptima se encuentra en el vrtice C
del polgono CDEG, que es el punto en el ESF, ms all del cual cualquier aumento
de nos deja fuera de la frontera de CDEG.
Los valores de
y
que corresponden al punto ptimo C se calculan resolviendo el
sistema de ecuaciones asociado a las rectas que se intersectan en dicho punto:
{

Figura 1: ESF del problema de la Compaa DIMIN
El valor ptimo de es de 1380 USD. Por lo tanto, el proceso 1 debe correrse durante
9 horas y el proceso 2 debe correrse 4 horas, para as maximizar las utilidades de la
compaa.
No es casualidad que la solucin ptima se encuentre en un punto esquina del ESF.
En realidad, si se cambia la pendiente de la funcin objetivo
(cambiando sus
coeficientes), se ver que la solucin ptima factible siempre se encuentra en esos
puntos esquina. Esta observacin es la clave en el desarrollo de un mtodo algebraico
general para resolver este tipo de problemas, llamado Algoritmo Smplex, y que
veremos ms adelante.
b) Solucin de un problema de maximizacin: Vamos a ejemplificar este caso con
otro problema, llamado comunmente el problema de la dieta.
Supongamos que en la Granja Educativa se usa diariamente un mnimo de 800 libras
de un alimento especial, que es una mezcla de maz y soya, con las composiciones
indicadas en la siguiente tabla:
Componentes del alimento
Maz
Soya
Libra x libra de alimento

Costo
(USD/lb)
Protenas
Fibra
0,09
0,02
0,30
0,60
0,06
0,90
Las necesidades dietticas del alimento especial son un mnimo de 30% de protenas
y un mximo de un 5% de fibras. La Granja Educativa desea determinar las
proporciones de alimento que produzcan un costo diario mnimo.
Sean entonces:
: libras de maz en la mezcla diaria
: libras de soya en la mezcla diaria
5

La funcin objetivo trata de minimizar el costo (en dlares) diario total de la mezcla de
alimentos, por lo cual se expresa como sigue:
Las restricciones del modelo representan la cantidad diaria necesaria y los

requerimientos dietticos. Como la Granja Educativa necesita un mnimo de 800 libras
diarias de alimento, la restriccin correspondiente puede expresarse de la siguiente
manera:
En cuanto a la restriccin diettica de necesidades de protena que contienen

libras
de maz y
libras de soya, es igual a (
) libras. Esta cantidad debe ser
cuando menos igual al 30% de la mezcla total de alimentos, (
) libras. Luego:
(
De manera similar para la fibra, tenemos:

(
El modelo completo es entonces:

( )
El ESF se muestra, marcado en verde, en Figura 2.
Figura 2: ESF del problema de la dieta

Se debe notar que, a diferencia del ejemplo de maximizacin, la segunda y tercera

restricciones pasan por el origen.
Ya que en el modelo se busca minimizar la funcin objetivo, necesitamos reducir todo
lo posible el valor de en la direccin que se muestra en la grfica; la solucin ptima
factible es la interseccin de las dos rectas,
y
. As, se
obtienen
libras y
libras. Esto nos da un costo mnimo de
USD diarios.
ALGORITMO SMPLEX
La solucin grfica del modelo de programacin lineal indica que la solucin ptima
factible del modelo siempre est asociada a un punto esquina del ESF. Este resultado es
la clave del mtodo smplex, el cual es un procedimiento algebraico e iterativo para
resolver cualquier modelo de programacin lineal.
La idea del mtodo smplex es sencilla: se busca un punto esquina del ESF, y se verifica
si ste cumple con ser la solucin ptima del problema. Si no es as, saltamos a un nuevo
punto esquina. El mtodo termina cuando ya no es posible optimizar la funcin objetivo en
otro punto, lo que indica que hemos llegado al ptimo.
VARIABLES DE HOLGURA Y EXCEDENCIA: para estandarizar, la representacin
grfica del ESF de un modelo de programacin lineal se forma bajo dos condiciones:
1. Todas las restricciones (excepto las de no negatividad) son ecuaciones cuyo lado
derecho es no negativo
2. Todas las variables son no negativas
En las restricciones del tipo , el lado derecho se puede imaginar como la representacin
del lmite de disponibilidad de un recurso, y en ese caso, el lado izquierdo representara el
uso de este recurso limitado por parte de las actividades (variables) del modelo. La
diferencia entre el lado derecho y el lado izquierdo de la restriccin representa, por
consiguiente, la cantidad no usada u holgura del recurso.
Para convertir una desigualdad del tipo en ecuacin, se agrega una variable de holgura
al lado izquierdo de la ecuacin. Por ejemplo, en el modelo de la compaa DIMIN
(ejemplo de maximizacin), la restriccin asociada a la demanda de Gerencia para el
surfactante 1, con respecto a la mxima cantidad diaria a fabricar, est dada por la
desigualdad:
Si definimos a
como la holgura o cantidad no usada de este recurso (que se traduce
como la cantidad no fabricada de surfactante 1, en este caso), la restriccin anterior
puede convertirse en la siguiente ecuacin:

Prosigamos. Una restriccin del tipo establece, normalmente, un lmite inferior para las
actividades (variables) del modelo de programacin lineal. Como tal, la cantidad por la
cual el lado izquierdo es mayor que el lmite mnimo (lado derecho) representa un
excedente.
La conversin de una desigualdad del tipo a una ecuacin se logra restando una
variable de excedencia, del lado izquierdo de la desigualdad. Por ejemplo, en el problema
de la dieta (ejemplo de minimizacin), la restriccin que representa los requisitos mnimos
de alimento est dada por:
Si definimos a como una variable de excedencia, es posible convertir la restriccin en la

siguiente ecuacin:
Es importante sealar que el lado derecho de las ecuaciones convertidas debe ser
siempre no negativo. Esta condicin se puede satisfacer siempre, si es necesario,
multiplicando ambos miembros de la ecuacin por -1.
VARIABLES NO RESTRINGIDAS: en los modelos que hemos visto (compaa DIMIN y
el problema de la dieta) slo manejamos variables no negativas. Sin embargo, hay casos
en los que una variable puede asumir cualquier valor real.
Como el modelo de programacin lineal est definido slo para variables no negativas, la
aparicin de variables no restringidas sugiere un cambio de variable en el problema. Si
es una variable no restringida (
), debe hacerse la siguiente sustitucin:
Donde
y
son ambas no negativas. Notemos que, a partir de la misma definicin
del PPL, una de estas variables necesariamente debe ser cero.
La condicin
variable
condicin.
puede cumplirse siempre. Si

, basta con hacer el cambio de
, con lo cual obtenemos una nueva variable, , que cumple con esta
DESARROLLO DEL ALGORITMO SMPLEX: Haciendo una analoga con la solucin

grfica de la programacin lineal, es posible establecer un punto de partida para el
algoritmo smplex. Como bien sabemos, la solucin ptima de un modelo de
programacin lineal se encuentra siempre en un punto esquina del ESF. De forma
algebraica, el ESF puede representarse siempre mediante un sistema lineal m-ecuaciones
con n-variables, restringiendo los valores de dichas variables a valores no negativos, con
. De esta forma, el sistema lineal de ecuaciones (ESF) tiene infinitas soluciones
factibles.

Las
variables necesarias para poder determinar la cantidad de puntos esquina en el
ESF son llamadas variables no bsicas (VNB). Las
variables restantes, en caso de
tener una solucin nica, son llamadas variables bsicas (VB), y su solucin (al resolver
las ecuaciones), se llama solucin bsica.
Por ejemplo, consideremos el siguiente PPL:
( )
Si queremos construir el ESF de forma algebraica, debemos reescribir el problema

utilizando las variables de holgura respectivas:
( )
En el ejemplo anterior,
y
son las variables de holgura. El sistema tiene
ecuaciones y
variables. As, segn lo anterior, se pueden determinar
algebraicamente los puntos esquina igualando a cero las
variables no
bsicas respectivas (que, en este caso en particular, pueden ser cualquiera de las
variables del modelo), y resolviendo las ecuaciones para encontrar los 2 restantes. Por
ejemplo, si
y
se igualan a cero, las ecuaciones generan la solucin:
Esta solucin corresponde al punto O en Figura 3. Se puede determinar otro punto

esquina si se hacen
y
, obtenindose
y
, que definen al punto C
en Figura 3, y que corresponde a la solucin ptima.
En resumen, tenemos lo siguiente:
Variables no
bsicas (cero)
(
(
(
(
(
(
)
)
)
)
)
)
Variables
bsicas
(
(
(
(
(
(
)
)
)
)
)
)
Solucin
bsica
(5 , 4)
(4 , -3)
(2.5 , 1.5)
(2 , 3)
(5 , -6)
(1 , 2)
Punto
esquina
asociado
O
A
D
B
E
C
Factible?
S
No
S
S
No
S
Valor
objetivo de
z
0
7.5
4
8
Tabla 1: Variables no bsicas y variables bsicas del ejemplo anterior. Notemos que el
ptimo se encuentra en C, ya que es en este punto donde el valor objetivo de Z es
mximo
9

Figura 3: Solucin grfica del ejemplo anterior
El algoritmo smplex es un mtodo iterativo, que selecciona un punto esquina del ESF,
verificando los valores de las variables no bsicas y de la funcin objetivo. Si stos no son
ptimos, el proceso de resolucin salta al punto esquina siguiente, generando un
intercambio de variables dependiendo de las condiciones del problema.
Por lo tanto, el algoritmo smplex se rige por el siguiente esquema:
Paso inicial
Paso iterativo
No ptima
Prueba de
optimalidad
ptima
Fin
Figura 4: Diagrama de flujo que explica el funcionamiento del algoritmo smplex

10

Para entender mejor la aplicacin del algoritmo smplex, vamos a utilizarlo para resolver el
siguiente PPL:
( )
PASO 1: OBTENCIN DEL MODELO LINEAL ESTNDAR (MLE) DEL PROBLEMA: Lo

primero es aadir las correspondientes variables de holgura. El problema entonces se
reescribe de la siguiente forma:
( )
El primer paso del algoritmo smplex es la generacin del llamado modelo lineal estndar
(MLE) del problema. En dicho modelo, la funcin a optimizar siempre debe minimizarse, y
las restricciones deben ser todas del tipo . Esto ltimo es lo mismo que decir que todas
las restricciones deben presentar holguras, o bien, variables que cumplan el papel de
holguras. Esta condicin puede cumplirse siempre, incluso cuando se presentan variables
de excedencia en las restricciones. Como ste no es el caso, dejaremos ese tipo de
problemas para despus.
La condicin de minimizacin se logra con el siguiente cambio de signos:
( )
Por tanto, el MLE de este problema es el siguiente:

(
PASO 2: CONSTRUCCIN DEL TABLEAU SMPLEX: El tableau smplex no es ms que

una tabla en la cual se agrupan, de forma ordenada, las variables bsicas, los coeficientes
de todas las variables para cada una de las restricciones y la funcin objetivo, y los
11

limitantes de cada restriccin junto a la solucin bsica del problema. Para nuestro caso,
el tableau smplex de inicio es el siguiente:
V.B. x1 x2 s1 s2 s3 s4 b
s1
6 4 1 0 0 0 24
s2
1 2 0 1 0 0 6
s3 -1 1 0 0 1 0 1
s4
0 1 0 0 0 1 2
-z* -5 -4 0 0 0 0 0
En el diseo del tableau se especifican el conjunto de variables bsicas (las que aparecen
en la columna V.B.) y las variables no bsicas (las que no aparecen en la columna V.B.), y
tambin se muestra la solucin bsica asociada con la iteracin de inicio (la cual es z = 0,
y corresponde al elemento inferior de la columna b, que es la columna de las limitantes de
las restricciones; la fila z es llamada comunmente la fila objetivo), la cual es llamada
solucin bsica inicial. Por comodidad, siempre que sea posible, las iteraciones smplex
) ( ). As, el conjunto asociado de variables bsicas y
comienzan en el origen, (
variables no bsicas puede definirse como sigue:
V.B: (
V.N.B: (
)
) las variables no bsicas son siempre nulas
Al respecto, debe observarse lo siguiente: Los coeficientes de las variables de holgura

en la tabla de inicio siempre deben conformar una matriz cannica (matriz tal que sus
elementos diagonales
son siempre unitarios, siendo
para todo
), tal y como
puede observarse en nuestro tableau.
PASO 3: CONDICIONES DE FACTIBILIDAD Y OPTIMALIDAD: Es ptima la solucin de
inicio? La respuesta se obtiene verificando la llamada condicin de optimalidad del
problema de programacin lineal. Dicha condicin establece que el ptimo se logra
cuando, en la fila z, los coeficientes de todas las variables son no negativos. Como
y
tienen valores negativos en sus coeficientes en la fila z (-5 y -4, respectivamente),
la solucin bsica inicial (z = 0) no es ptima, y por tanto, debe generarse un intercambio
de variables en la columna V.B. (variables bsicas) con el fin de encontrar la solucin
ptima del problema. En este intercambio, agregaremos una variable no bsica al
conjunto de variables bsicas, por lo que, a su vez, sacaremos una variable bsica de ese
conjunto, la cual pasar a ser una variable no bsica (igual a cero) en la siguiente
iteracin. Este juego de variables introduce las llamadas variables de entrada y de salida
a partir de la condicin de optimalidad, y se pueden determinar mediante el siguiente
mtodo.
Por un asunto de lgica, la VNB con el coeficiente ms negativo en la funcin
objetivo a minimizar se selecciona para entrar a la solucin bsica; como en el
tableau se tiene que
, la variable de entrada es , porque tiene el
coeficiente ms negativo en la fila objetivo (la fila z). Si hubiera empate, ste se rompe en
forma arbitraria.
Para determinar la variable de salida, en forma directa con la tabla, se deben calcular los
elementos
definidos por la razn entre los elementos
de la columna b y los
respectivos elementos
que corresponden a la columna de la variable de entrada. En
(*) El uso de z en la tabla smplex responde a que la funcin objetivo ingresa al

tableau escribindose de la forma
12

este caso, la columna correspondiente a . La variable de salida queda definida por el

valor mnimo de los
calculados, tales que
. Para nuestro ejemplo, el clculo
de los
se muestra a continuacin:
V.B. x1 b
s1
6 24 24/6 = 4 Mnimo
s2
1 6 6/1 = 6
s3
-1 1 1/-1 -1 Ignorar
s4
0 2 2/0 = Ignorar
Tabla 2: Clculo de los elementos
para la iteracin de inicio de nuestro ejemplo
De los resultados obtenidos en Tabla 2, se tiene que la variable de salida es , porque el

mnimo valor de
se obtiene para dicha fila. Si hubiera empate entre dos variables de
salida, se debe romper en forma arbitraria.
La condicin que define la obtencin de la variable de salida del PPL es llamada
condicin de factibilidad del problema de programacin lineal. Y puede resumirse de la
siguiente forma:
( )
La condicin
nos asegura que los
obtenidos sean siempre no negativos,
porque, como ya definimos con anterioridad, los
deben ser siempre no negativos.
( ) corresponde a
En resumen, el
bsica, y quiere decir que
es la variable de
salida (su valor es nulo en la siguiente iteracin, porque pasa a ser no bsica). El valor de
la variable de entrada
en la nueva solucin es igual al
obtenido para dicha variable
(
). La disminucin correspondiente del valor de la funcin objetivo z, que llamamos
, es igual al producto entre el coeficiente de la variable que entra en la fila z (que es -5,
en esta caso) y el valor del
obtenido (que es 4). Luego,
.
PASO 4: OBTENCIN DE LOS NUEVOS COEFICIENTES EN LA SIGUIENTE
ITERACIN: El resultado final de intercambiar las variables de entrada y de salida es
que las variables bsicas y las variables no bsicas en la siguiente iteracin son:
V.B: (
V.N.B: (
)
) las variables no bsicas son siempre nulas
Ahora se deben manipular los coeficientes de nuestro tableau de inicio, de modo que las
columnas ahora identifiquen la nueva solucin bsica en esta nueva iteracin (que
corresponde a otro punto esquina). Para ello, lo ms comn es tratar al tableau como una
matriz, y aplicar el mtodo de eliminacin gaussiana, construyendo as el nuevo tableau
para esta iteracin.
El pvot para comenzar a trabajar con la eliminacin gaussiana es aquel que es producto
de la interseccin entre la fila que se corresponde con la variable de salida y la columna
que se corresponde con la variable de entrada. En el siguiente tableau se detalla la
ubicacin de dicho pvot.
13

V.B. x1 x2 s1 s2 s3 s4 b
s1
6 4 1 0 0 0 24
s2
1 2 0 1 0 0 6
s3 -1 1 0 0 1 0 1
s4
0 1 0 0 0 1 2
-z
-5 -4 0 0 0 0 0
Por tanto, el pvot es el elemento
A modo de recordatorio, se adjuntan los pasos de la eliminacin gaussiana; ntese que
esta es una forma de generar la eliminacin. Existen otras, igualmente vlidas:
1. Primero se genera un pvot unitario. Esto se logra dividiendo la fila correspondiente al
pvot por elemento pvot
2. Luego procedemos a generar los ceros en las siguientes filas, justo debajo del pvot.
Si la matriz tiene un pvot
distinto de cero, y queremos eliminar los elementos
(
) o
(
), debemos restarle a las filas
respectivas el producto entra la fila del pvot por los elementos
y/o
, definidos
para cada fila como
,o
. Los elementos
y
son llamados
multiplicadores de la matriz.
Utilizando el mtodo anterior, se tiene, para nuestro tableau:
Pvot
Por lo tanto, el tableau correspondiente a esta nueva iteracin es el siguiente:

V.B. x1 x2
s1 s2 s3 s4 b
x1
1 2/3 1/6 0 0 0
4
s2
0 4/3 -1/6 1 0 0
2
s3
0 5/3 1/6 0 1 0
5
s4
0
1
0
0 0 1
2
-z
0 -2/3 5/6 0 0 0 -20
La solucin bsica para esta iteracin es
, con .
Notemos que, en este tableau, la solucin tampoco es ptima, ya que el coeficiente de la
variable
en la fila objetivo es negativo. Por tanto, aplicando el criterio de optimalidad, se
14

tiene que
es la variable de entrada. Asimismo, aplicando el criterio de factibilidad, se
obtiene que
es la variable de salida, ya que el valor del elemento
para la fila
es
mnimo, tal y como se puede ver en Tabla 3:
V.B. x1 b
x1
2/3 4
s2
4/3 2
s3
5/3 5
s4
1 2
4:(2/3) = 6
2:(4/3) = 1.5 Mnimo
5:(5/3) = 3
2:1 = 2
para la segunda iteracin de nuestro ejemplo
Notemos que, a partir de lo anterior,

en la siguiente iteracin, con
, lo que nos da
. Con el nuevo pvot definido, volvemos a aplicar la eliminacin
gaussiana para obtener el siguiente tableau;
V.B. x1 x2 s1
s2 s3 s4 b
x1
1 0 1/4 -1/2 0 0
3
x2
0 1 -1/8 3/4 0 0 3/2
s3
0 0 3/8 -5/4 1 0 5/2
s4
0 0 1/8 -3/4 0 1 1/2
-z
0 0 3/4 1/2 0 0 21
Como ninguno de los coeficientes de la fila z es negativo, podemos concluir, a partir del
criterio de optimalidad, que hemos llegado al ptimo.
La tabla smplex nos muestra una gran cantidad de informacin adicional, la cual
comprende lo siguiente:
1. El estado de los recursos (ya que si una holgura es nula, hablamos de un recurso que
es escaso, porque no nos sobran unidades adicionales; por otro lado, holguras
positivas implican recursos abundantes)
2. El precio o valor por unidad adicional de cada recurso (tambin llamados valores
duales, o precios sombra, y que corresponden a los coeficientes que tienen las
holguras, o las variables que cumplen el papel de holguras, en la tabla ptima)
3. Datos necesarios para efectuar un anlisis de sensibilidad
Al respecto, se debe considerar lo siguiente: el modelo lineal estndar es un mtodo de
estandarizacin de problemas de programacin lineal, de tal forma que las reglas que
gobiernan el desarrollo del algoritmo smplex sean siempre las mismas. Asimismo, el
criterio de optimalidad no es completamente rgido, ya que es posible optar por cualquier
variable para que entre a la solucin bsica. El hecho de optar siempre por la de
coeficiente ms negativo en la fila z nos asegura que lleguemos ms rpido al ptimo.
SOLUCIN ARTIFICIAL DE INICIO: Como vimos en nuestro ejemplo anterior, los
problemas de programacin lineal en los que todas las restricciones son del tipo , con
lados derechos no negativos, ofrecen una cmoda solucin bsica de inicio con todas las
15

holguras (la que se obtiene haciendo que las variables del problema tomen valores nulos
en la tabla de inicio). Los modelos donde intervienen restricciones del tipo = o no
poseen esta propiedad, porque sus ESF no contienen al origen del sistema de
coordenadas donde est definido. El problema de la dieta, explicado al principio, es un
PPL de este tipo.
El procedimiento para iniciar programas lineales de mal comportamiento con tales
restricciones es permitir que variables artificiales desempeen el papel de holguras,
para despus, en alguna iteracin posterior, desecharlas de forma legtima.
a) El mtodo de la gran M: Este mtodo comienza con la programacin lineal en forma
de ecuacin. Una ecuacin i que no tenga asociada una holgura se aumenta con una
variable artificial, digamos , para formar una solucin de inicio parecida a la solucin
bsica con todas las holguras. Sin embargo, como las variables artificiales son ajenas
al modelo de programacin lineal original, se usa un mecanismo de retroalimentacin
en el que el proceso de optimizacin trata automticamente de hacer que estas
variables sean nulas. En otras palabras, la solucin final ser tal y como si nunca
hubieran existido las variables artificiales en primer lugar. El resultado se obtiene
penalizando las variables artificiales en la funcin objetivo.
Dado , tal que
(llamada la gran M), el coeficiente objetivo de una variable
artificial representa una penalizacin adecuada s:
{
Al usar esta penalizacin, el proceso de optimizacin forzar en forma automtica a
las variables artificiales para que se anulen.
Ejemplo: Resolver el siguiente problema de programacin lineal
( )
Solucin: Si usamos las variables

como excedente en la segunda restriccin, y
como holgura en la tercera restriccin, el problema puede escribirse en forma de
ecuacin de la siguiente forma:
( )
La primera y segunda ecuaciones no tienen variables que puedan desempear el

papel de holguras, pero la tercera s, porque tiene la holgura . As, se agregan las
16

variables artificiales
funcin objetivo con
en las dos primeras ecuaciones, y se penalizan en la

. Resulta entonces lo siguiente:
( )
En el nuevo modelo (que es modelo lineal estndar de este problema) se pueden usar
ahora ,
y como solucin bsica inicial. La tabla de inicio para este problema es
entonces la siguiente:
V.B. x1 x2 a1 a2 s2 s1
a1
3 1 1 0 0 0
a2
4 3 0 1 0 -1
s2
1 2 0 0 1 0
-z
4 1 M M 0 0
b
3
6
4
0
Antes de proseguir con los clculos del mtodo smplex, se necesita hacer que la fila
objetivo (la fila z) sea consistente con el resto de la tabla. En forma especfica, en la
tabla,
, lo cual produce la solucin bsica inicial (que se ve en la
columna b de la tabla)
. Esta solucin indica que el valor de z
debe ser
, en lugar de 0, como se ve en la fila z. Esta
inconsistencia se debe a que
y
tienen coeficientes distintos de cero (
) en la
fila z.
Esta inconsistencia se puede eliminar sustituyendo a
y
en la fila z usando las
ecuaciones adecuadas de restriccin para eliminarlas. En particular, observamos los
elementos marcados
en la fila
y . Si se multiplica cada fila,
y , por , y
se restan estos resultados a la fila z,
y
saldrn de la fila objetivo, esto es:
(
La tabla modificada se muestra a continuacin. Observe que es la misma que antes,

slo que dicha fila modificada ha sido agregada al final de esta tabla. Se tiene
entonces:
V.B.
x1
x2
a1 a2 s2 s1
b
a1
3
1
1 0 0 0
3
a2
4
3
0 1 0 -1
6
s2
1
2
0 0 1 0
4
-z
4
1
M M 0 0
0
-z 4 7M 1 4M 0 0 0 M -9M
Esta ltima tabla queda lista para aplicarse el mtodo smplex; notemos que, como ya
habamos comentado, se han dispuesto las holguras de tal forma que stas formen
una matriz cannica, marcada con celeste en la tabla. Aplicando el criterio de
optimalidad, debemos seleccionar la variable cuyo coeficiente sea el ms negativo en
17

la fila z. Sin embargo, es posible establecer la siguiente conjetura: existe empate

entre
y , porque si
, ambos coeficientes son infinitamente grandes y por
ende son equivalentes. Sin embargo, debe destacarse que este mtodo se ide
pensando en que ordenadores con capacidades de procesamiento significativas
computaran los resultados de problemas de optimizacin de mal comportamiento.
Nosotros somos seres humanos, pero bajo este marco, debe sealarse que, para
estos efectos, no es posible programar una cantidad infinitamente grande para
generar una solucin, puesto que los software que resuelven este tipo de problemas
suelen tener complicaciones cuando trabajan con nmeros muy pequeos y muy
grandes a la vez, por lo cual, asumiremos que
es un nmero muy grande, y no
infinitamente grande. As, la variable de entrada es , porque la sustitucin de en la
expresin
produce un nmero menor que si lo sustituimos en la expresin
.
La condicin de factibilidad indica que la variable de salida es
(comprubelo!). Por
lo tanto, la tabla smplex correspondiente a la segunda iteracin, una vez se han
efectuado las operaciones de eliminacin respectiva (comprubelo tambin!), es la
siguiente:
V.B. x1
x2
a1
a2 s2 s1
b
x1
1
1/3
1/3
0 0 0
1
a2
0
5/3
-4/3
1 0 -1
2
s2
0
5/3
-1/3
0 1 0
3
-z
0 (-1 - 5M)/3 (-4 + 7M)/3 0 0 M -4 - 2M
Se le deja al lector comprobar que, a partir de esta ltima tabla, las variables de
entrada y de salida son
y , respectivamente. As, si continuamos con los clculos
smplex, podremos hallar la solucin ptima de este problema, la cual est dada por
, lo que da un valor objetivo ptimo de

b) Mtodo de las dos fases: Es otro mtodo, ms prctico que el anterior. Tal y como
su nombre lo indica, el mtodo resuelve la programacin lineal en dos fases: la fase 1
trata de determinar una solucin bsica factible de inicio y, si se encuentra, se invoca
la fase 2 para resolver el problema original.
FASE 1: El problema se reescribe en forma estndar (en forma de ecuacin),
agregndose a las restricciones las variables artificiales necesarias (exactamente
como en el mtodo de la gran M) para asegurar una solucin bsica inicial. A
continuacin se determina una solucin bsica de las ecuaciones resultantes, que
minimice la suma de las variables artificiales. Si el valor mnimo de la suma es
positivo, el PPL no tiene solucin factible y termina el proceso. En caso
contrario, se pone fin a la fase 1, y se prosigue a la fase 2.
FASE 2: Se usa la solucin factible de la fase 1 como solucin bsica de inicio
para el problema original:
Ejemplo: Consideremos el problema de programacin lineal:
18

( )
Reescribiendo este problema en forma estndar, con todas las holguras y variables
artificiales (sin penalizarlas en la funcin objetivo), y haciendo el cambio de variable
para asegurarnos que todas las variables del PPL sean no negativas.
obtenemos:
(
Notemos que hemos multiplicado la tercera restriccin por -1, ya que como dijimos con
anterioridad, el lado derecho de las restricciones debe ser siempre no negativo.
Procedemos primero con la fase 1. Como bien dijimos, la fase 1 minimiza la suma de
las variables artificiales, estando esta nueva funcin objetivo sujeta a las mismas
restricciones que el problema de programacin lineal original. De lo anterior, se tendr
entonces lo siguiente:
( )
La tabla smplex de inicio es la siguiente:

V.B. x1 x2 x3 s1 a1 a2 s2 s3 b
s1
1 1 1 1 0 0 0 0 4
a1 -1 -1 1 0 1 0 -1 0 3
a2
2 1 2 0 0 1 0 -1 1
-z
-1 -2 -1 0 0 0 0 0 0
-w
0 0 0 0 -1 -1 0 0 0
-w -1 0 -3 0 0 0 1 1 -4
Al respecto, aclaremos algunas cosas antes de empezar. Lo primero es que, al igual que
en el mtodo M, la nueva funcin objetivo se debe ajustar para que sea consistente con
la tabla, ya que la solucin bsica de inicio indica que
y
, lo que implica que
. Esto se ha llevado acabo automticamente en la tabla anterior. La primera fila
( )
w nos muestra los coeficientes originales de la funcin objetivo en fase 1,
19

. La segunda fila w nos muestra los coeficientes ajustados para as darle consistencia
la tabla smplex, lo que se logra restndole a la primera fila w las filas
y .
Adems, notemos que la fila z se ha incluido de todas formas en la tabla. La razn de
esto es la siguiente: una vez que se ha determinado una solucin bsica inicial en la fase
1 (si es que sta existe), la fase 2 llevar a cabo el proceso de optimizacin para la
funcin objetivo original, que es , sujeta a las restricciones resultantes que se
correspondan con las filas de las variables bsicas al finalizar la fase 1. Claramente, la
funcin objetivo no puede ser la misma, ya que el problema de programacin lineal est
sujeto a restricciones distintas una vez que se termina la fase 1, por lo cual la funcin
objetivo
debe modificarse a fin de tener un problema equivalente al original, y as
encontrar su solucin.
La tabla ptima que corresponde al fin de la fase 1, o dicho de otra forma, a la solucin
( )
ptima para la funcin objetivo
es la siguiente (comprubelo!):
V.B.
s1
a1
a2
-z
-w
x1
2
-4
-1
-2
0
x2 x3 s1 a1 a2 s2 s3
2 0 1 -1 0 1 0
-3 0 0 2 -1 -2 1
-1 1 0 1 0 -1 0
-3 0 0 1 0 -1 0
0 0 0 1 1 0 0
b
1
5
3
3
0
Esta tabla es ptima, porque todos los coeficientes de la fila w (la fila objetivo para la
( )
fase 1) son no negativos. La solucin ptima es entonces
, con
.
Concluimos, a partir de esto, que existe una solucin bsica factible de inicio para el PPL
( ) no es positivo. Se procede entonces a la fase 2, a
original en la fase 2, porque
partir de esta misma tabla. La nica diferencia es que desecharemos la fila w, porque
sta ya no nos es til en la fase 2, y la fila z pasar a ser la fila objetivo, resolvindose el
problema de forma idntica a como ya sabemos hacerlo, mediante el algoritmo smplex.
V.B.
s1
a1
a2
-z
x1
2
-4
-1
-2
x2 x3 s1 a1 a2 s2 s3
2 0 1 -1 0 1 0
-3 0 0 2 -1 -2 1
-1 1 0 1 0 -1 0
-3 0 0 1 0 -1 0
b
1
5
3
3
A partir de la tabla anterior, se le deja como ejercicio al lector el comprobar que la solucin
( )
ptima del PPL al fin de la fase 2 es

, con
.
( )
( ) obtenemos
( )
Recordando que
, y que
y
.
CASOS ESPECIALES DEL ALGORITMO SMPLEX
Cuando se resuelve un PPL mediante el algoritmo smplex, pueden presentarse ciertos
problemas o situaciones particulares que requieren de una atencin especial. Estos casos
se tratan detalladamente en el siguiente apartado.
20

SOLUCIN DEGENERADA: Al aplicar la condicin de factibilidad del mtodo smplex, se

puede romper un empate en los
( ) en forma arbitraria. Cuando se presenta un
empate, al menos una variable bsica ser nula en la siguiente iteracin, y se dice que la
nueva solucin es degenerada.
Desde el punto de vista prctico, la condicin de degeneracin indica que el modelo tiene
al menos una restriccin redundante, lo que quiere decir que no influye en la solucin
ptima del problema.
Ejemplo: Resolver el siguiente PPL
( )
Solucin: Sean
y
las correspondientes variables de holgura. El problema se
establece en forma estndar como sigue:
( )
La tabla siguiente muestra las iteraciones realizadas mediante el algoritmo smplex:

Iteracin V.B.
0
1
1
Entra
-3
Sale
1
1/4
1/2
Entra
-3/4
Sale
2
0
ptimo
1
0
4
2
-9
1
0
0
1
0
0
1
0
8
0
1
4
0
0
0
1/4
0
2
-1/2
1
0
9/4
0
18
1/2 -1/2 2
-1
2
0
3/2 3/2 18
En la iteracin de inicio empatan y como variable de salida. Es la razn por la que la

variable bsica
es nula en la primera iteracin, y se obtiene as una solucin bsica
degenerada. Se alcanza el ptimo despus de una iteracin.
En la prctica, la degeneracin implica que al menos una restriccin es redundante. En
otras palabras, pasan dos o ms restricciones por un mismo punto esquina que puede o
no ser el ptimo, o bien, una de las restricciones puede ser combinacin lineal de la otra.
Esto se puede ver en el grfico del ESF del problema, que se puede ver en Figura 5.
21

Figura 5: ESF del ejemplo de solucin degenerada. El ptimo se encuentra en el punto

esquina A.
La existencia de una solucin bsica degenerada puede ser un punto interesante de
discutir. El slo conocer que algunos recursos son superfluos puede ser valioso durante la
implementacin de la solucin. Esta informacin tambin puede conducir a descubrir
irregularidades en la construccin del modelo, lo que es muy importante.
PTIMOS ALTERNATIVOS: Cuando la funcin objetivo es paralela a una restriccin

obligatoria (es decir, una restriccin que se satisface como ecuacin en la solucin
ptima), la funcin objetivo asumir el mismo valor ptimo, los cuales son llamados
valores ptimos alternativos.
Ejemplo: Resolver el siguiente PPL:
( )
Solucin: La solucin grfica de este PPL se puede ver en Figura 6; adems, la tabla
siguiente muestra las iteraciones smplex que resuelven la programacin lineal:
Iteracin
0
Entra
Sale
1 (ptimo)
Entra
Sale
V.B.
1
1
-2
1/2
1/2
0
2
1
-4
1
0
0
1
0
0
1/2
-1/2
2
0
1
0
0
1
0
5
4
0
5/2
3/2
10
22

2
(ptimo
alternativo)
0
1
0
1
0
0
1
-1
2
-1
2
0
1
3
10
Figura 6: ESF del ejemplo anterior. La funcin objetivo es paralela a la restriccin dada
por la semirrecta AC. Esta recta define infinitos ptimos alternativos
, con
La iteracin 1 llega al ptimo,
, que coincide con el punto A de
Figura 6 Cmo saber en esta iteracin que existen ptimos alternativos? Examinemos
los coeficientes de las variables no bsicas en la fila z, en la primera iteracin. El
coeficiente de
no bsica es cero, lo que indica que
puede entrar a la solucin
bsica sin cambiar el valor de , pero causando un cambio en la solucin bsica,
con lo que obliga a que salga . Esto da como resultado un nuevo punto de solucin en
C(
con
).
El mtodo smplex slo determina los dos puntos esquina, A y C. Se pueden determinar
matemticamente todos los puntos (
) en el segmento de recta AC como promedio
ponderado no negativo de los puntos A y C. As, dado , tal que
, y adems:
A:
C:
Todos los puntos de la semirrecta AC se expresan como:
( )
) ( )
( )
) ( )
SOLUCIN NO ACOTADA: En algunos modelos de programacin lineal, los valores de

las variables pueden aumentar en forma indefinida sin violar alguna de las restricciones
del problema, y eso significa que el ESF es no acotado en al menos una direccin. El
23

resultado es que el valor objetivo puede aumentar (en caso de una maximizacin) o
disminuir (si se trata de una minimizacin) en forma indefinida. En ese caso, tanto el ESF
como el valor ptimo objetivo no estn acotados.
La no acotacin apunta hacia la posibilidad de que el modelo est mal construido. Las
irregularidades ms probables en estos modelos son que no se hayan tomado en cuenta
una o ms restricciones no redundantes, y que los parmetros (constantes) de algunas
restricciones puedan no haberse estimado en forma correcta.
( )
Solucin: la iteracin smplex de inicio para este PPL se muestra en la tabla siguiente:
V.B. x1 x2 s1 s2 b
s1
1 -1 1 0 10
s2
2 0 0 1 40
-z
-2 -1 0 0 0
En la tabla de inicio, tanto
como
son candidatos para entrar a la solucin. Como
tiene el coeficiente ms negativo, se selecciona, normalmente, como la variable de
entrada. Sin embargo, todos los coeficientes de restriccin bajo
son negativos o cero, y
eso indica que
puede aumentar en forma indefinida sin violar cualquiera de las
restricciones (comprese con la interpretacin grfica de la condicin de factibilidad en
Figura 7). Como cada aumento de una unidad de
aumentar 1 a , un aumento infinito
de
tambin dar como resultado un aumento infinito de . As, el problema no tiene
solucin acotada. El ESF no est acotado en la direccin de , por lo que
cuando
.
Figura 7: ESF del ejemplo anterior. Ntese que no se encuentra acotado superiormente
24

La regla para reconocer la no acotacin es que si, en cualquier iteracin, todos los
coeficientes de restriccin de toda variable no bsica son negativos o cero, entonces el
ESF no est acotado en esa direccin. Si, adems, el coeficiente objetivo de esa variable
es negativo en caso de maximizacin, o positivo en caso de minimizacin, entonces
tambin el valor objetivo es no acotado.
SOLUCIN NO FACTIBLE: Los modelos de programacin lineal con restricciones
inconsistentes no tienen solucin factible. Estos casos nunca suceden si todas las
restricciones son del tipo (suponiendo lados derechos no negativos), porque las
holguras permiten tener una solucin factible. Para otros tipos de restricciones se usan
variables artificiales. Aunque esas variables artificiales se penalizan en la funcin objetivo,
para obligarlas a ser cero en el ptimo, eso slo puede suceder si el modelo, en efecto,
tiene un ESF. En caso contrario, al menos una variable artificial ser positiva en la
iteracin ptima.
Desde el punto de vista prctico, un ESF no factible indica la posibilidad de que el modelo
est mal construido.
( )
Solucin: El ESF de este modelo se observa en Figura 8.
Figura 8: ESF del ejemplo anterior. No hay solucin factible, porque las restricciones
apuntan hacia semiplanos que no tienen puntos en comn
La regla para determinar la no factibilidad es obvia. Si la condicin de factibilidad no se
cumple, o dicho de otra forma, no es capaz de determinar una variable de salida
(porque todos los elementos
son negativos o cero), entonces el problema no tiene
25

solucin factible. Lo anterior tambin se da cuando, al asignar variables artificiales al

modelo, stas tienen un valor positivo en el ptimo.
MTODO SMPLEX REVISADO.

Lo estudiado con anterioridad nos permite, con mayores o menores dificultades, resolver
cualquier problema de programacin lineal. Sin embargo, la utilizacin del algoritmo
smplex es computacionalmente costosa, porque se calculan valores que, o bien son
intiles desde el punto de vista prctico, o bien, no necesitan conocerse para llegar a la
solucin. Tal es el caso de los coeficientes de las restricciones para cada iteracin, que no
se encuentren en la fila (columna) que se corresponda con la variable de entrada (variable
de salida). Por lo tanto, es posible establecer otro mtodo, que slo trabaje con los
elementos necesarios de la tabla smplex, desechando los dems, o calculndolos slo
cuando se necesiten. Esta es la idea del mtodo smplex revisado, el cual establece
elementos matriciales para resolver un modelo.
De lo anterior, se hace patente reconocer ciertos elementos matriciales de la tabla
smplex, los cuales son siempre imprescindibles para resolver un PPL. El modelo lineal
estndar ms comn de una tabla smplex, para un problema de programacin lineal de
variables con restricciones (y por ende holguras), es el siguiente:
Modelo lineal estndar:
(
Siendo
las
holguras asociadas a las
restricciones del problema.
Tabla smplex de este problema:

V.B.
Tabla 4: Tabla smplex generalizada

Los componentes de la tabla se han rellenado con colores distintos para explicar los
elementos matriciales que conforman esta tabla y que son imprescindibles en la
implementacin del mtodo smplex revisado. Estas definiciones son algo complicadas,
26

pero el ejemplo de ms abajo es bastante claro al respecto, ilustrando la aplicacin de

este mtodo.
Matriz inversa: Definimos la matriz inversa como la matriz conformada por los
coeficientes de las holguras en cada una de las restricciones para la correspondiente
iteracin. Para una tabla de inicio, esta matriz siempre es cannica, y su notacin es
.
La matriz inversa para la (
la siguiente expresin:
) iteracin en el mtodo smplex revisado est definida por
Donde
es una matriz identidad, de orden equivalente a la matriz inversa del problema,
y con una nica columna definida de la siguiente manera:
Esta columna se corresponde con la variable de salida del problema en la respectiva

iteracin. Vale decir, se ubica bajo la variable de salida, y sus elementos estn definidos
por
, siendo
los elementos de la columna que se corresponde con la variable de
entrada en la iteracin respectiva, y
elemento,
el elemento pvot de dicha iteracin. Hay un nico
, el cual se ubica en la misma fila donde se encuentre el elemento pvot.
Matriz de columnas de restriccin: Definimos la matriz de coeficientes de restriccin

como aquella conformada por los coeficientes de las variables del PPL en cada una de las
restricciones del problema. Su notacin, para la -sima iteracin, es .
Definimos esta matriz mediante la siguiente expresin:
Siendo
la matriz de coeficientes de restriccin para la tabla de inicio del problema.
Matriz de valores duales: Definimos la matriz de valores duales (tambin llamada matriz
de precios sombra) como el vector fila cuyos elementos estn conformados por los
coeficientes de las holguras en la fila correspondiente a la funcin objetivo para la
iteracin respectiva. Su notacin es .
27

La matriz
, para la -sima iteracin, est definida por la siguiente expresin:

(
Donde ( ) corresponde a la matriz cuyos elementos son los coeficientes originales de

las variables bsicas en la funcin objetivo, en el orden en que stas se encuentran en la
tabla smplex.
Matriz de coeficientes reducidos: Definimos la matriz de coeficientes reducidos como el
vector fila cuyos elementos son los coeficientes de las variables del PPL en la funcin
objetivo para la iteracin respectiva. Su notacin es . Tambin suele hacerse referencia
a esta matriz como la matriz de costos reducidos.
La matriz de coeficientes de reducidos para la
siguiente expresin:
-sima iteracin est definida por la
Donde
corresponde a la matriz de coeficientes originales de las variables del problema
en la funcin objetivo (aquellos que se corresponden con la tabla de inicio).
Matriz de recursos: Definimos la matriz de recursos como el vector columna conformado
por los lados derechos de las restricciones del problema. Su notacin es . Adems,
como bien sabemos, todos sus elementos son positivos o cero.
La matriz de recursos para la -sima iteracin se define como:
Donde
corresponde a la matriz de recursos original del problema (aquella que se
corresponde con la tabla de inicio).
Las matrices anteriores nos permiten, siempre que se pueda, obtener todos los elementos
de la tabla smplex.
Todas estas matrices se relacionan mediante expresiones algebraicas sencillas, siendo el
parmetro de entrada ms importante la matriz inversa del problema
. La condicin
que establece que las componentes de la matriz
sean los coeficientes de restriccin
para las holguras del problema deja de manifiesto que los excedentes quedan fuera de
dicha matriz. Esto sucede porque, como se dijo en un principio, esta matriz es cannica
para una tabla de inicio. As, la matriz
puede estar conformada por componentes de
las holguras del problema, y tambin de las variables artificiales, pero nunca por
coeficientes de excedentes, porque si as fuera, en la tabla de inicio no habra una matriz
inversa cannica.
Lo anterior es algo complicado de explicar. Lo mejor, en virtud de un buen entendimiento
de este mtodo, es aplicarlo directamente. El siguiente ejemplo pone de manifiesto, con
todo detalle, como se aplica el mtodo smplex revisado.
Ejemplo: Resolver el siguiente problema utilizando el mtodo smplex revisado o matricial:
28

( )
Solucin: El PPL se reescribe en forma estndar como sigue (aadiendo variables de

holgura, excedencia y artificiales):
( )
Como hemos utilizado variables artificiales para que cumplan el papel de holguras, el PPL
debe resolverse utilizando el mtodo smplex de dos fases, pero para este ejemplo, lo
adaptaremos al mtodo smplex revisado. La tabla smplex de inicio para este problema
es la siguiente:
V.B. x1 x2 x3 s1 a1 s2 b
s1
2 0 1 1 0 0
8
a1 -1 1 1 0 1 -1 13
-z -3 2 2 0 0 0
0
-w
0 0 0 0 1 0
0
-w
1 -1 -1 0 0 1 -13
( )
La funcin a minimizar en la fase 1 es
. En la tabla, se han coloreado los
elementos matriciales que definimos con anterioridad para el mtodo smplex revisado. Lo
primero es identificar la matriz inversa
, que como bien sabemos, es aquella
conformada por los coeficientes de las holguras (o las variables que cumplen el papel de
holguras, como las artificiales) para cada una de las restricciones. Como esta es la tabla
de inicio, la matriz
es cannica:
(
PASO 1 Obtencin de la matriz inversa
frmula descrita con anterioridad, definimos:
)
para la primera iteracin: Utilizando la
La construccin de la matriz
requiere saber cules son las variables de entrada y de
salida del problema, para as poder reconocer el elemento pvot de esta tabla en la
presente iteracin.
La variable de entrada es
porque tiene el coeficiente ms negativo en la fila objetivo (la
fila w). Notemos que esto mismo es vlido para , que tambin tiene coeficiente -1 en la
fila objetivo. El empate se rompe en forma arbitraria; en este caso, elegimos .
29

Aplicando la condicin de factibilidad, determinamos que la variable de salida es

(comprubelo!). Por lo tanto, la matriz
se escribe de la siguiente manera:
La primera columna de esta matriz corresponde a la variable de holgura . La segunda

columna se corresponde con la variable artificial , que es la variable de salida. Esta
columna es la que cambia. El primer elemento de la segunda columna es igual al primer
elemento de la columna que se corresponde con la variable de entrada
de esta
iteracin, que es 0, dividido por el elemento pvot de esta iteracin, que es 1. Todo esto se
multiplica luego por -1.
El segundo elemento, que se ubica en la misma fila que el pivote, es igual a 1 dividido por
el elemento pvot, que es 1.
Por lo tanto:
(
PASO 2 Obtencin de la matriz de valores duales

para la primera iteracin:
Utilizando la frmula que describimos con anterioridad, se tiene:
(
Las variables bsicas para la primera iteracin son

y . Por lo tanto, la matriz ( )
es igual a ( ) (
), porque el coeficiente de en la fila objetivo es 0, y el de
es -1. El orden en el cual estn definidas las variables bsicas en el PPL debe respetarse
(el primer elemento de la matriz corresponde al coeficiente de , el segundo al coeficiente
de , y no al revs). Esto suele facilitarse utilizando la siguiente tabla de valores:
(
V.B.
(
En esta tabla puede apreciarse el orden de las variables bsicas, y por ende, la forma
correcta de escribir la matriz ( ). Por lo tanto, se tiene que:
(
PASO 3 Obtencin de la matriz de coeficientes reducidos para la primera

iteracin: Utilizando la frmula descrita con anterioridad, se tiene:
30

La matriz
es aquella cuyos elementos son los coeficientes originales de la funcin
objetivo para las variables del problema (se excluyen las variables de holgura y
artificiales); en este caso,
y . Vale decir:
(
La matriz
es aquella cuyos elementos son los coeficientes originales de las variables
para cada una de las restricciones del problema (se excluyen las variables de holgura y
artificiales); en este caso,
y . Vale decir:
(
Por lo tanto, se tiene:
Esta ltima matriz corresponde a los coeficientes de las variables del problema (que no
sean holguras y artificiales) en la funcin objetivo para la primera iteracin.
Consecuentemente con lo que realizamos en el mtodo smplex ordinario, a esta matriz
se le debe aplicar la condicin de optimalidad. En particular, para este caso, como ningn
coeficiente es negativo, estamos en el ptimo (para la fase 1, cuya funcin objetivo es w).
Por lo tanto, debemos ahora calcular la solucin ptima para este PPL en la fase 1, lo que
implica calcular la matriz y el valor de
( ).
PASO 4 Obtencin de la solucin ptima para la fase 1 con el clculo de
Utilizando la frmula descrita con anterioridad, se tiene:
es la matriz de recursos original del problema, cuyos elementos corresponden a los

lados derechos de las restricciones:
(
Por lo tanto:
(
Luego, la solucin ptima del problema en la fase 1 es

variables son no bsicas (nulas!!!), por lo que el valor de
( )
Concluimos entonces que, como
factibles para el problema en la fase 2.
, con
y
. Todas las dems
( ) es 0.
, existe un espacio de soluciones

utiliza la misma frmula que utilizamos antes:
para z: Naturalmente, se
31

La diferencia es que ahora la matriz

( ) est conformada por los coeficientes
originales de las variables bsicas en la fila z, en el orden en que stas aparecen. Por lo
tanto, utilizando una tabla similar a la que se utiliz para la fase 1, se tiene:
(
V.B.
(
Luego:
(
PASO 6 Obtencin de la matriz de coeficientes reducidos para z en la fase 2:

Utilizando la misma frmula que se vio en la fase 1:
Lo nico que cambia, al igual que en el paso 5, es que la matriz

est conformada por
los coeficientes originales de las variables del PPL (exceptuando las holguras y
artificiales) en la fila z. Por lo tanto:
(
Por lo tanto, obtenemos:
Notemos que uno de los coeficientes reducidos es negativo para esta iteracin, lo que
indica que la solucin no es ptima para la fase 2. La variable que se corresponde con
dicho coeficiente es , por lo que, aplicando el criterio de optimalidad, sta pasa a ser la
variable de entrada para la siguiente iteracin.
PASO 7 Obtencin de la columna pvot para la segunda iteracin: Como ya hemos
definido la variable que entra a la base en la segunda iteracin, debemos determinar cul
es la variable que sale. Como ya hemos calculado la matriz de recursos para la primera
iteracin (la matriz
), debemos calcular los elementos
y aplicar el criterio de
factibilidad para determinar cul variable saldr de la base. Sin embargo, esto requiere la
obtencin de la columna que corresponde a la variable de entrada en la primera iteracin
(la que se corresponde con
). Dicha columna, llamada columna pvot, se calcula
utilizando la siguiente frmula:
( )
Siendo
( )
( ) la columna original correspondiente a la variable

( )
)
32

Por lo tanto:
( )
( )
Calculamos los elementos

dividiendo fila a fila los elementos de la matriz
elementos de la matriz ( ), con lo cual se obtiene lo siguiente:
V.B.
( )
2
8/2 = 4 Mnimo
-1
13/-1 = -13 Ignorar
8
13
Luego, la variable que sale es
por los
, porque tiene el mnimo
PASO 8 Obtencin de la matriz inversa

para la segunda iteracin en la fase 2:
Utilizando la frmula descrita con anterioridad, definimos:
Debemos calcular . Como la variable de salida es , la matriz

ser una matriz
cannica, igual que
, pero con la columna que se corresponde a la variable de salida
cambiada con la columna que se corresponde con la variable de entrada , haciendo
uso de la frmula respectiva. Por lo tanto:
Por lo tanto:

utiliza la misma frmula que utilizamos antes:
(
para z: Naturalmente, se
Construyendo la respectiva tabla de valores:
V.B.
(
33

Se tiene entonces:
PASO 10 Obtencin de la matriz de coeficientes reducidos para z en la iteracin

2: Utilizando la respectiva frmula:
Se tiene entonces:
Notemos que el resultado anterior indica que ya hemos llegado al ptimo, porque los
coeficientes de las variables del PPL son positivas o nulas en la funcin objetivo.
PASO 11 Obtencin de la solucin ptima y su valor: Finalmente, se deben obtener
los valores de
y
que conforman la solucin ptima, as como el valor objetivo de
dicha solucin,
( ). Se calcula, en primera instancia, el valor de la matriz
para la
segunda iteracin:
Por lo tanto, la solucin ptima es

y
. Todas las dems variables son no
bsicas, por lo que su valor es cero. Remplazando estos valores en la funcin objetivo
( )
( )
, se obtiene
.
34

Modelo Primal Dual

DEFINICIN DEL PROBLEMA DUAL.
El problema dual es una programacin lineal definida en forma directa y sistemtica a
partir del modelo original, que llamamos problema primal, de programacin lineal. Los dos
problemas estn relacionados de forma tan estrecha, que la resolucin ptima de un
problema produce automticamente la solucin del otro.
Para formar el problema dual, definimos el primal en forma de ecuacin como sigue:
( )
Las variables
incluyen las variables de excedencia, holguras y artificiales, si las hay.
El problema dual se obtiene de la siguiente forma:

( )
De lo anterior, observamos:
a) Se define una variable dual por cada restriccin primal
b) Se define una restriccin dual por cada variable primal
c) Los coeficientes de restriccin (columnas) de una variable primal definen los
coeficientes en el lado izquierdo de la respectiva restriccin dual, y su coeficiente
define el lado derecho
d) Los coeficientes objetivo del dual son iguales al lado derecho de las ecuaciones de
restriccin primal
Las reglas para determinar el sentido de la optimizacin (maximizacin o minimizacin), el
tipo de restriccin (, o =), y el signo de las variables duales (siempre no restringidas) se
determinar siguiendo la siguiente convencin:
35

Lema de optimizacin para el modelo primal dual: La funcin objetivo del problema
primal siempre debe cambiarse a la forma estndar antes de construir el correspondiente
problema dual.
Como consecuencia de este lema, se tiene que el problema primal ser de
( ), con todas sus restricciones del tipo o =, mientras que el
minimizacin,
problema dual ser de maximizacin,
( ), con todas sus restricciones del tipo
o =. La condicin para las restricciones del problema primal (deben ser del tipo ) puede
satisfacerse siempre, si se da el caso, multiplicando la inecuacin respectiva por -1.
Notemos que, para este caso, no es necesario que el lado derecho de las restricciones
sea positivo. Esta forma de escribir el primal se conoce como forma cannica o formal
de primal simtrico del problema primal.
Los siguientes ejemplos ilustran el como se obtiene el dual a partir del primal.
Ejemplo: Determinar el problema dual para el siguiente PPL:
( )
Solucin: Lo primero es reescribir el problema primal de tal forma que la funcin objetivo
sea de minimizacin, y que las restricciones sean del tipo o = (o sea, en forma
( )
cannica). Lo primero se logra haciendo la sustitucin
( ), mientras que lo
segundo se logra multiplicando la primera restriccin por -1. Por lo tanto, se obtiene:
(
Agregando las variables de holgura, excedencia o artificiales, segn corresponda (y

penalizando las artificiales en la funcin objetivo, segn lo aprendido en el mtodo de la
gran M):
(
Ahora podemos construir el problema dual. Utilizando la definicin dada con anterioridad,
podemos deducir que el problema dual presenta dos variables, ya que se tienen dos
restricciones primales. Adems, tendr tres restricciones, porque hay tres variables
primales. Por lo tanto, se obtiene lo siguiente:
36

( )
Detengmonos un momento No habamos dicho que el problema dual tena tantas

restricciones como variables tenga el primal? Por qu entonces hay, al parecer, 6
restricciones?
Pues bien, esto no contradice, bajo ninguna circunstancia, lo establecido en la definicin
del problema dual. Resulta que las tres ltimas restricciones determinan la naturaleza de
las variables duales, puesto que stas pueden ser positivas o no restringidas. Esto se
determina utilizando las variables de holgura, excedencia y artificiales en el primal,
obteniendo las respectivas ecuaciones de restriccin en el dual que acotan los valores
que las variables duales pueden tener.
En este caso, la cuarta restriccin dice que
, o lo que es lo mismo,
. La
quinta establece que
. Si recordamos lo aprendido en el mtodo de la gran M,
establecimos que, por definicin, el valor de
tiende a . Por ende, se obtiene que
. Luego, combinando ambos resultados, determinamos la naturaleza de la variable
dual , la que es tal que
), o dicho de otra forma,
La ltima restriccin establece que
. De manera anloga, se tiene entonces que
. Como no hay ms desigualdades referidas nicamente a
, establecemos
entonces que
es una variable no restringida, porque puede tomar valores tanto
positivos como negativos.
Por lo tanto, el problema dual es el siguiente:
( )
Lo anterior nos permite establecer lo siguiente:

Tipo de restriccin primal Naturaleza de la variable dual
Positiva o nula
=
No restringida
Tabla 5: Naturaleza de las variables duales en funcin del tipo de las restricciones
primales
37

Esta simple, pero til tabla, nos permite obviar el escribir las holguras, excedentes o
variables artificiales en el primal cuando queramos construir el dual, simplemente
verificando el tipo de restriccin primal para determinar la naturaleza de la
correspondiente variable dual. Recordemos que la variable dual
se corresponde con la
-sima restriccin primal.
Ejemplo: Construir el problema dual para el siguiente PPL:
( )
Solucin: Aprendida la tabla anterior, obviaremos el escribir las holguras del primal.
Simplemente lo rescribiremos de forma tal que la funcin objetivo sea de minimizacin, y
cuidando que todas las restricciones sean del tipo o =. Se tiene entonces:
(
Notemos que este PPL tiene una particularidad que el del ejemplo anterior no tena: una
de las variables es no restringida. Utilizando el cambio de variable
, con
y
, se tiene:
(
Construimos entonces el problema dual; del primal, ya sabemos que el dual tendr 3
variables y 2 restricciones. Adems, utilizando la Tabla 4, sabemos que las variables
duales
y
son positivas o nulas, mientras que la variable dual
es no restringida. Se
obtiene entonces:
( )
38

Detengmonos nuevamente por un momento No deberamos tener 2 restricciones en

lugar de 3? Pues, en efecto, debera ser as. Resulta que el haber considerado el cambio
de variable en el primal para la variable , que era no restringida, ha provocado que sta
se fragmente en dos variables. Sin embargo, si observamos las primeras dos
restricciones duales, que se corresponden con las variables primales
y
, podemos
notar lo siguiente:
Restriccin 1:
Restriccin 2:
Multiplicando la restriccin 2 por -1, obtenemos
. Comparando
entonces ambas restricciones podemos observar que stas pueden combinarse en una
nica restriccin, dada por
. Por lo tanto, el problema dual es el
siguiente:
( )
Al final, el dual s tena dos restricciones. Es un alivio Se ha respetado nuestra definicin

de problema dual! Pero lo ms importante, es que hemos demostrado que la Tabla 4
funciona en ambas direcciones: si una variable primal es no restringida, significa que la
correspondiente restriccin dual es del tipo =.
RELACIONES PRIMAL DUAL.
Los cambios que se hacen en el modelo original de programacin lineal afectan a los
elementos de la tabla ptima actual (y el que se tenga en el momento), que a su vez
puede afectar la optimalidad y/o factibilidad de la solucin actual.
Si recordamos lo aprendido en el estudio del mtodo smplex revisado, se haba definido
con anterioridad que uno de los elementos matriciales de la tabla smplex era
precisamente una matriz de valores duales, que para la iteracin k est definida como:
(
Cotejando esto con lo aprendido acerca del problema dual concluimos lo siguiente: esta
matriz representa los valores de las variables del problema dual para la k-sima iteracin.
Esto confirma lo dicho en primera instancia: el problema primal y el problema dual estn
tan estrechamente relacionados, que la solucin bsica que obtengamos para uno,
automticamente conduce a la solucin bsica del otro. La frmula anterior prueba esta
afirmacin (ya veremos el porqu del signo negativo en esta frmula).
Recapitulando, se tiene entonces que las relaciones existentes entre los problemas primal
y dual son las siguientes:
El dual tiene tantas variables como restricciones tiene el primal
39

El dual tiene tantas restricciones como variables tiene el primal

Los coeficientes de la funcin objetivo del primal son los trminos independientes de
las restricciones en el dual
Los trminos independientes de las restricciones del primal son los coeficientes de la
funcin objetivo en el dual
La matriz de coeficientes de las restricciones del dual es igual a la transpuesta del
primal
Esta ltima aseveracin puede ser ms explicita si escribimos la formulacin de ambos
problemas en forma matricial. Si el problema primal est definido como:
( )
El dual queda definido como:

( )
Notemos que, a partir de lo anterior, es posible demostrar que el dual del dual es igual al
primal. Esto se le deja como ejercicio al lector.
SOLUCIN DUAL PTIMA.

Las soluciones primal y dual estn tan estrechamente relacionadas, que la solucin
ptima del primal produce en forma directa, con un simple clculo adicional, la solucin
ptima del dual. Para ello contamos con dos mtodos. Ambos igualmente vlidos.
Mtodo 1: Formulismo del mtodo smplex revisado.
Tal y como vimos con anterioridad, uno de los elementos matriciales de la tabla smplex
es la matriz de valores duales, que corresponde a los valores de las variables duales para
la correspondiente iteracin. Si la k-sima iteracin resulta ser la ptima en el primal, la
solucin ptima del problema dual est dada por la siguiente expresin:
(
Por qu esta expresin tiene un signo negativo que la precede, cuando en el mtodo
smplex revisado no lo haba? Esto sucede porque, desde un principio, nos hemos
forzado a resolver problemas de minimizacin, inclusive cundo stos no estn definidos
( )
de esta forma, utilizando el cambio de variable
( ). Por lo tanto, este
cambio de signo implica que antepongamos un signo negativo a la frmula de la matriz de
valores duales.
40

Mtodo 2: Teorema de holguras complementarias.

Este mtodo es consecuencia de la misma definicin del problema dual. Definimos el
teorema de holguras complementarias de la siguiente forma:
TEOREMA DE HOLGURAS COMPLEMENTARIAS (THC) Consideremos
planteamiento del siguiente par de problemas, primal y dual, de programacin lineal:
( )
el
( )
Supongamos que
representa los elementos constituyentes de la matriz y admitimos
que el problema primal tiene
restricciones y variables asociadas, y sean
y
las
soluciones ptimas de los problemas primal y dual, respectivamente. Se tiene entonces lo
siguiente:
[
Donde corresponde a los trminos independientes para las m restricciones del primal, y
mientras que corresponde a los coeficientes de las variables en la funcin objetivo del
primal.
En el teorema anterior, podemos notar que las expresiones [

] y [
] corresponden a las variables de holgura de los problemas primal y dual,

respectivamente, y que son denominadas holguras complementarias para cada PPL.
Visto de esta forma, podemos interpretar el teorema de holguras complementarias de la
siguiente forma: Dos soluciones posibles del primal y del dual son, respectivamente
ptimas, si y slo si toda variable asociada a una restriccin con holgura distinta de cero
es nula.
Ejemplo: Establecer el problema dual y las condiciones de holguras complementarias para
el siguiente problema de programacin lineal:
( )
Solucin: Reescribiendo este problema en forma cannica:

41

Construimos ahora el problema dual. Del primal, observamos que el dual tiene 3 variables
y 4 restricciones. Adems, la variable dual
es no restringida, mientras que el resto son
no negativas. Por lo tanto, el problema dual es el siguiente:
( )
A merced del THC, establecemos las holguras complementarias respectivas.

Para el primal:
(
)]
)]
)]
Para el dual:
(
(
(
(
)]
)]
)]
)]
CONDICIONES DE BORDE DEL MODELO PRIMAL DUAL: El modelo primal dual

presenta cuatro condiciones de borde que demuestran que la naturaleza de un problema
tiene una consecuencia directa en el otro.
1. Para todo par de problemas primal y dual, se tendr que:
( )
( )
Donde las funciones z y v corresponden a las funciones objetivo para los problemas
primal y dual, respectivamente. La igualdad de la expresin anterior se cumple si y
slo si estamos en el ptimo.
2. Si el primal no est acotado, y la funcin objetivo
tendr solucin factible.
tiende a
, entonces el dual
42

3. Si el primal no est acotado, y la funcin objetivo tiende a

tambin tendr una funcin objetivo no acotada, tal que
, entonces el dual
En trminos de factibilidad de ambos problemas, estas condiciones se pueden resumir en

los siguientes cuatro puntos:
Si ambos problemas primal y dual son factibles, entonces ambos tendrn una
solucin ptima finita, con valores objetivos finitos
Si el primal no es factible y el dual es factible, entonces el problema dual tendr un
ESF no acotado
Si el primal es factible y el dual no es factible, entonces el problema primal tendr un
ESF no acotado
Si ambos problemas primal y dual no son factibles, ambos poseen valores objetivos
infinitos
INTERPRETACIN ECONMICA DE LA DUALIDAD.
El problema de programacin lineal se puede considerar como un modelo de asignacin
de recursos, en que el objetivo es maximizar los ingresos o las utilidades, sujetos a
recursos que naturalmente son limitados. Si se aprecia el problema desde este punto de
vista, el problema dual asociado ofrece interpretaciones econmica interesantes del
modelo de programacin lineal de asignacin de recursos.
Para formalizar la descripcin se considerar la siguiente representacin de los problemas
generales primal y dual, en donde el primal asume el papel de un modelo de asignacin
de recursos:
PRIMAL
( )
DUAL
( )
Desde el punto de vista del modelo de asignacin de recursos, el problema primal tiene
actividades econmicas y recursos. El coeficiente del primal representa la utilidad por
unidad de actividad . El recurso , cuya disponibilidad mxima es , se consume con la
tasa de
unidades por unidad de actividad .
INTERPRETACIN ECONMICA DE LAS VARIABLES DUALES: Anteriormente, se
indic que para dos soluciones factibles primal y dual cualquiera, los valores de las
funciones objetivo, cuando son finitos, deben satisfacer la siguiente desigualdad:
( )
( )
43

La igualdad estricta,
ptimas.
( )
( ), es vlida cuando las soluciones primal y dual son
( )
Examinaremos primero la condicin ptima,
( ). Como el problema primal
representa un modelo de asignacin de recursos, podemos imaginar que representa la
utilidad monetaria. Como representa la cantidad disponible de unidades del recurso , la
( )
ecuacin
( ) se puede expresar en forma dimensional como sigue:
(
Eso quiere decir que las variables duales

representan el valor por unidad de recurso .
( )
Con la misma lgica, la desigualdad
( ) relativa a dos soluciones
asociadas, primal y dual, se interpreta como sigue:
Segn esta relacin, siempre que los ingresos totales por todas las actividades sean
menores que el valor de los recursos, las soluciones primal y dual correspondientes no
son ptimas. La optimalidad slo se alcanza cuando se han explotado los recursos por
completo, lo que slo puede suceder cuando los datos (valor de los recursos) son iguales
a los resultados ($ de utilidad). En trminos econmicos se dice que el sistema
permanece inestable (no ptimo) cuando los datos (valor de los recursos) son mayores
que el resultado (ingreso). La estabilidad se da slo cuando estas dos cantidades son
iguales.
INTERPRETACIN ECONMICA DE LAS RESTRICCIONES DUALES: Del teorema de
holguras complementarias, sabemos que:
Esta frmula nos permite interpretar las restricciones duales. La utilidad por unidad de
actividad est en $ por unidad. En consecuencia, para tener consistencia, la cantidad
, que aparece en la ecuacin con signo contrario, tambin debe estar en $ por
unidad. Adems, como representa una utilidad, la cantidad
, que aparece en
la ecuacin con signo contrario, debe representar un costo. Al mismo tiempo, como
es
la cantidad del recurso que usa la actividad , las variables duales
deben representar
al costo imputado de todos los recursos necesarios para producir una unidad de actividad
.
La condicin de optimalidad de maximizacin del mtodo smplex indica que un aumento
en la cantidad de una actividad no usada (no bsica) puede mejorar la utilidad slo en
caso de que su coeficiente objetivo
sea no negativo (que es al revs de la
condicin de minimizacin estndar). En funcin de la interpretacin anterior, esta
condicin establece que:
44

As, la condicin de optimalidad de maximizacin indica que es econmicamente bueno

aumentar una actividad a un valor positivo si su utilidad unitaria es mayor que su costo
imputado unitario. Por lo tanto, en sntesis, las variables duales
representan el precio
que deberamos pagar, como mximo, por una unidad adicional del recurso .
ALGORITMO SMPLEX DUAL.
Como en el mtodo smplex, la base del mtodo smplex dual es que cada iteracin
siempre est asociada a una solucin bsica. Las condiciones de optimalidad y
factibilidad se establecen para preservar la optimalidad de las soluciones bsicas y al
mismo tiempo, mover las iteraciones de la solucin bsica hacia la factibilidad.
Por lo tanto, a diferencia del algoritmo smplex estndar, el smplex dual busca la
factibilidad de la solucin bsica, que ya es ptima. Luego, este algoritmo est diseado
para tratar problemas no factibles, que tienen trminos independientes en sus
restricciones que son negativos.
a) Condicin dual de factibilidad: la variable de salida es la variable bsica que tiene
el valor ms negativo (los empates se rompen de forma arbitraria) en la columna
de trminos independientes de las restricciones. Esto es, la columna b de la tabla
smplex. Si todos los elementos de la columna b son positivos o cero, hemos llegado a
la solucin factible ptima.
b) Condicin dual de optimalidad: La variable de entrada se determina entre las
variables no bsicas, como aquella que tenga el elemento
de menor valor,
estando
definido por:
(
Donde
es el coeficiente de la variable
en la funcin objetivo para la
correspondiente iteracin, y
el coeficiente de restriccin asociado a dicha variable.
Al respecto, si bien en el algoritmo smplex impusimos que la funcin objetivo del
problema siempre tiene que minimizarse, en el algoritmo smplex dual usaremos la
condicin inversa: la funcin objetivo debe siempre ser de maximizacin.
Ejemplo: Considere el siguiente problema de programacin lineal:
( )
45

a) Formule el problema dual

b) Resuelva el problema dual mediante el algoritmo smplex dual
Solucin: Se debe reescribir el problema primal en la forma cannica (primal simtrico):
( )
Ahora procedemos a construir el problema dual. Notemos que el dual tendr 3 variables y
4 restricciones. Las 3 variables duales son no negativas. Por lo tanto:
( )
Ahora debemos resolver el problema dual mediante smplex dual. Como el algoritmo
smplex dual est diseado para resolver problemas no factibles, entonces no es
necesario multiplicar las restricciones duales a fin de tener trminos independientes no
negativos. Es ms, el algoritmo smplex dual slo funciona en problemas no factibles.
Agregando las correspondientes variables de holgura (una por cada restriccin),
obtenemos la siguiente tabla smplex de inicio:
V.B.
-1
-1
-1
-1
-12
-5
-3
0
-2
-20
-2
-1
-1
0
-10
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
0
-2
-3
-9
-9
0
Aplicando la condicin dual de factibilidad, determinamos que la variable de salida es

aquella que tenga el elemento ms negativo en la columna b de la tabla. En este caso,
hay empate entre las variables
y . Como los empates se rompen de forma arbitraria,
elegimos a como variable de salida.
Ahora debemos determinar la variable de entrada aplicando la condicin dual de
optimalidad. Como es la variable de salida, calculamos los elementos
como la razn
entre el coeficiente objetivo
y el coeficiente de restriccin respectivo en la fila
para
cada variable no bsica.
As, se tiene lo siguiente:
46

V.N.B. Coeficiente en fila

-1
0
-1
Coeficiente en fila -v
-12
-12/-1 = 12
-20
-20/0 = Ignorar
-10
-10/-1 = 10 Mnimo
para nuestro ejemplo
La variable de entrada es entonces , porque tiene el elemento

mnimo. Aplicando las
operaciones de eliminacin gaussiana respectivas, se obtiene la siguiente tabla:
V.B.
1
0
1
1
-2
-5
-3
0
-2
-20
0
0
1
0
0
1
0
0
0
0
0
1
0
0
0
Anlogamente, se determina que la variable de salida es

Por tanto, para la siguiente iteracin, se tiene:
-2
-1
-1
0
-10
0
0
0
1
0
16
6
9
-9
90
y la variable de entrada es
V.B.
0
0
0
1
0
-7
-3
-2
2
-16
0
0
1
0
0
1
0
0
0
0
0
1
0
0
0
-2
-1
-1
0
-10
1
0
1
-1
-2
7
6
0
9
108
Como todos los elementos de b son positivos, hemos llegado a una solucin factible. Esta
solucin es ptima, porque todos los coeficientes en la fila objetivo son negativos o cero.
Esta condicin es la inversa que se utiliz para los problemas de minimizacin, donde
todos los coeficientes de la fila objetivo deban ser positivos o cero. En este caso, la
funcin objetivo entr a la tabla smplex como una funcin de maximizacin, lo que implica
que se utilice la condicin inversa.
47

EJERCICIOS PEP 1
PROBLEMA #1
Una fbrica de jugos de 1 litro (1000 cc) desea lanzar al mercado una nueva variedad de
jugo. Para ello, disponen de 4 ingredientes base. La nueva variedad apuntar a conservar
un balance alimenticio, debiendo contener al menos un 15% de vitamina C, y a lo ms un
30% de potasio. Existe adems una relacin entre los betacarotenos y la vitamina A que
impone lo siguiente: la cantidad de vitamina A debe ser, cuando menos, un tercio de los
betacarotenos. Adems, la vitamina A no puede superar el 35% del contenido del jugo.
El costo por adquirir los ingredientes, los lmites de los pedidos por da, y los aportes
porcentuales de cada componente a los ingredientes por unidad se resumen en la
siguiente tabla:
Ingrediente 1
Ingrediente 2
Ingrediente 3
Ingrediente 4
Potasio
20%
5%
35%
15%
Vitamina C
15%
40%
20%
25%
Vitamina A
30%
10%
25%
35%
Betacarotenos
35%
45%
20%
25%
Costo [$/u]
25
13
10
20
Lmite [u]
6
9
8
5
FORMULAR (NO RESOLVER) un modelo de programacin lineal que permita minimizar

los costos, cumpliendo con todos los requerimientos. Considere, para tal caso, que cada
unidad son 100 cc. Defina claramente variables, funcin objetivo y restricciones.
SOLUCIN: Primero formulamos las variables del modelo. Sea
la cantidad de
unidades del ingrediente para la nueva variedad (
). Como se desea minimizar
los costos, la funcin objetivo estar dada por:
( )
Ahora veamos las restricciones. En la nueva variedad, la combinacin de los 4
ingredientes debe conformar una unidad de jugo, por lo cual la primera restriccin se
define de la siguiente manera:
(
En el caso de la mezcla separamos por ingrediente. Para la vitamina C, la suma de las

cantidades de los ingredientes conforma, por lo menos, un 15% del juego (que son 150
cc). Por lo tanto:
Para el potasio, la suma de las cantidades de cada ingrediente no puede superar el 30%
del total del juego (que son 300 cc). Luego:
Para la vitamina A, esta suma debe ser al menos 1/3 de los betacarotenos. Por lo tanto:
48

De manera simplificada:
Adems, la contribucin de la vitamina A no debe superar el 35% del jugo (350 cc). Por
ende:
Por ltimo, para los lmites diarios, tenemos:
Naturalmente.
. El modelo es entonces el siguiente:

( )
(
PROBLEMA #2
Formule y resuelva adecuadamente el siguiente problema de programacin lineal. La
primera iteracin debe ser realizada mediante el algoritmo smplex. La segunda y
siguientes efectuarlas empleando el mtodo smplex revisado o matricial:
( )
SOLUCIN: Primero hacemos el cambio de variable

, a fin de tener slo
variables no negativas. Reescribiendo el PPL en forma estndar, se tiene:
49

El problema debe resolverse en dos fases. La fase 1 minimizar la funcin objetivo

( )
. Procedemos en la primera iteracin mediante el algoritmo smplex. La
tabla de inicio para este problema es la siguiente. Observe que se han marcado en la
tabla la inversa respectiva, as como el elemento pvot para la respectiva iteracin:
V.B
-4
3
1
5
0
3
Entra
; sale
1
2
0
-1
0
-1
-7
2
4
-1
0
3
-3
4
2
-1
0
1
0
0
-1
0
0
1
1
0
0
0
1
0
0
1
0
0
0
0
0
0
1
0
1
0
50
150
10
0
0
-60
-3
10
2
-4
-2
0
0
-1
0
1
1
-2
0
1
1
0
1
0
0
0
0
0
1
0
0
50
50
10
50
-10
. Primera iteracin:
V.B
-4
11
1
1
-1
Entra
, sale
( )
50
75
---
1
0
0
0
0
-7
16
4
-8
-4
( )
50/7
25/8
5/2
Las siguientes iteraciones deben hacerse mediante el algoritmo smplex revisado. De la

tabla anterior reconocemos la matriz inversa de esta primera iteracin:
(
Como ya definimos el pvot y las variables de entrada y salida a partir de la tabla anterior,
podemos calcular inmediatamente la matriz :
(
Calculamos
para dar inicio a la segunda iteracin:

50

(
(
Construimos una pequea tabla para verificar el orden de las variables bsicas:
(
V.B.
(
Calculamos los valores duales para esta iteracin:
(
(
Calculamos los coeficientes (o costos) reducidos para esta iteracin:

(
Luego:
(
Por lo tanto:
(
Como todos los coeficientes reducidos de la funcin objetivo w son nulos, hemos llegado
al ptimo para la fase 1. Como
y
son no bsicas, y por tanto nulas, se tiene que
( )
, por lo que existe un espacio de soluciones factible para el PPL
original en la fase 2.
Ahora debemos calcular los valores duales para la funcin objetivo z en la fase 2
(iteracin 2). Verificando el orden de las variables bsicas:
(
V.B.
(
Por lo tanto:
51

(
(
Calculamos los costos reducidos:

(
Luego:
(
Por lo tanto:
(
Como el coeficiente reducido de

en la funcin objetivo es negativo, an no estamos en
el ptimo. Se tiene que
es la variable de entrada para la tercera iteracin, porque tiene
el coeficiente ms negativo en la fila objetivo. Calculamos entonces las columnas
y
( ) para determinar la variable de salida y el elemento pvot:
(
( )
( )
Por lo tanto:
V.B.
135/2
10
5/2
( )
-7/4
(135/2):(-7/4) = -270/7 Ignorar
4
10/4 = 5/2 Mnimo
-1/4
(5/2):(-1/4) = -10 Ignorar
La variable de salida es entonces

Calculamos la matriz inversa
. El pvot corresponde a 4.
Donde:
52

Entonces:
Verificamos el orden de las variables bsicas:

V.B.
(
Calculamos los valores duales:
(
(

(
Luego:
(
Por lo tanto:
(
53

Como ahora todos los coeficientes reducidos son no negativos, hemos llegado al ptimo.
Calculamos entonces
para encontrar la solucin ptima de este problema:
(

y
. El resto de las variables son
( )
nulas. Reemplazando estos valores en la funcin objetivo se obtiene
, con
( )
lo cual
.
PROBLEMA #3
Considere el problema de programacin lineal cuyo tableau final (ptimo) es el siguiente.
Asuma que Si es la variable de holgura para la restriccin i.
V.B.
X1
S1
-Z
a)
b)
c)
d)
X1
1
0
0
X2
-5
2
3
X3
4
1
1
X4
13
6
8
S1
5
10
4
S2
0
1
0
b
7
3
76
Cules son las variables bsicas?

Cules son las variables no bsicas?
Cul es la solucin ptima?
Qu puede decir acerca de las restricciones 1 y 2? Cules son las unidades
adicionales?
SOLUCIN: Tenemos:
a) Las variables bsicas son
b) Las variables no bsicas estn conformadas por el resto de variables que no se

encuentran en la base:
son no bsicas.
c) La solucin ptima es
. Su valor es
( )
.
d) En ambas restricciones hay variables de holgura asociadas. El recurso asociado a la
primera restriccin se considera abundante, porque no se ha consumido del todo, ya
que la variable de holgura asociada, , es mayor que cero. El recurso asociado a la
segunda restriccin se considera escaso, porque su holgura es nula.
PROBLEMA #4
Una fbrica de ropa produce tres lneas de trajes: jeans, franela y amasado. La ropa es
vendida en lotes de 100 trajes de cada tipo. Cada lote pasa a travs de tres procesos:
corte, cosido y empaque. La planta dispone de 16 cortadores como mximo, 41 mquinas
de coser como mximo y debe ocupar a 10 empacadores (no ms no menos). Los
54

requerimientos para producir un lote de 100 trajes de cada tipo y las utilidades asociadas,
se presenta a continuacin:
Requerimientos de Produccin y Utilidad
Cortadores [Personas/Lote]
Mquinas de Coser [Mquinas/Lote]
Empacadores [Personas/Lote]
Utilidad [$/Lote]
Jeans Franelas Amasados

4
2
1
1
2
1
1
1
1
400
200
300
FORMULE un modelo de programacin lineal que permite maximizar las utilidades de la

fbrica. Defina claramente variables, funcin objetivo y restricciones. A continuacin,
RESUELVA el modelo que plante utilizando el mtodo que ms le acomode.
SOLUCIN: El objetivo de la fbrica es determinar las cantidades de cada lote de ropa a
fabricar, de tal forma que stos maximicen las utilidades. Sea
la cantidad de lotes de
ropa a fabricar del tipo . De la tabla, podemos obtener inmediatamente la funcin
objetivo:
( )
Las restricciones del problema estn asociadas al lmite de recursos impuesto por la
fbrica en funcin de la cantidad de cortadores, mquinas de coser y personal encargado
de empacar. As, se tiene lo siguiente:
Cortadores:
Mquinas de coser:
Personal de empaque:

( )
El modelo puede resolverse utilizando cualquier mtodo. En este caso particular,

podemos hacer un arreglo algebraico sencillo que permita solucionarlo mediante el
mtodo grfico. De la tercera restriccin, despejamos, con lo cual resulta
(
). Reemplazando en el PPL, obtenemos:
55

( )
El espacio de soluciones factible (ESF) de este problema es el siguiente:
Figura 1: ESF del problema anterior

Notemos que los nicos puntos candidatos a solucin ptima de este problema son A y B.
Evaluando la funcin objetivo se obtiene que el punto esquina ptimo es B, dado por
lotes de jeans, resultando no rentable fabricar lotes de franela (porque
).
Reemplazando lo anterior en el modelo original, se obtiene que
lotes de amasados.
( )
La utilidad mxima que percibe la fbrica es de
unidades monetarias.
PROBLEMA #5
Escriba el DUAL del siguiente problema. Verifique que el dual del dual es el problema
original.
( )
)
56

SOLUCIN: Del primal, tenemos que:
Debemos hacer entonces dos cambios de variable:

en
, se tiene:
. Reemplazando
La ltima expresin podemos fragmentar en dos restricciones independientes:

.
Adems, la expresin
independientes:
tambin podemos fragmentarla en dos restricciones

.
Escribimos entonces el problema primal en forma cannica (primal simtrico):

(
Construimos ahora el problema dual. Notemos que, a partir de la definicin, el dual tendr
8 variables y 5 restricciones. Adems, la variable dual
es no restringida, mientras que
el resto son no negativas.
( )
La comprobacin de que el dual del dual es el primal es obvia, y se deja como ejercicio al
lector.
57

PROBLEMA #6
La compaa minera FERROJAC CHILE tiene dos operaciones mineras que alimentan de
mineral de hierro a una sola planta. Cada mina tiene dos reas de las cuales puede
extraer el mineral. La ley alimentada a planta debe ser mayor que 35% Fe, y debe ser
menor que 12% Si. La planta requiere al menos 45.000 toneladas, pero no puede manejar
ms de 60.000. El mercado interno requiere que al menos 12.000 toneladas de Fe deben
estar disponibles para el consumo asumir un 90% de recuperacin en el proceso. La
razn promedio de estril/mineral determinada para las operaciones de extraccin mineral
tiene un valor de 3,5.
Dado los datos que se indican, FORMULAR (no RESOLVER) un modelo de programacin
lineal, el cual permita obtener un plan minero de produccin que cumpla las restricciones
operacionales y permita minimizar la desviacin de la razn estril/mineral total.
Mina
rea
Cerro
GRANATE
Lomas
BAYAS
Norte
Lomas
Sur Sur
Alberta
Reservas
(toneladas)
20.000
10.000
15.000
30.000
% Fe
% Si
40
30
40
35
17
10
11
13
Razn
Estril/Mineral
3,0
2,0
4,0
5,0
SOLUCIN: Primero definimos las variables del problema:

: Produccin Cerro Granate, rea Norte
: Produccin Cerro Granate, rea Lomas
: Produccin Lomas Bayas, rea Sur Sur
: Produccin Lomas Bayas, rea Alberta
Para este problema, es muy til la elaboracin de un diagrama que muestre el proceso en
cuestin:
Ley de Fe 35%
Ley de Si 12%
Planta
Figura 2: Esquema del proceso que se debe modelar en Problema #6

Ahora veamos las restricciones del problema. En cuanto a las capacidades de la planta,
como sta debe recibir al menos 45.000 toneladas y no ms 60.000 toneladas, se tendr:
58

Si el mercado interno requiere de, al menos, 12.000 toneladas de Fe, entonces el 90% de
la produccin que llega a planta, en trminos del Fe, debe conformar como mnimo, este
tonelaje. Luego:
(
Se debe agregar que los sectores de produccin tienen como limitante a sus reservas
totales. Luego:
Por ltimo, la planta debe recibir como mnimo una ley del 35% de Fe y, a lo ms, una ley
del 12% de Si. Luego, tenemos lo siguiente:
(
)
(
Ahora veamos la funcin objetivo. Como se requiere minimizar la desviacin de la razn

estril mineral, se tendr:
( )

( )
)
,
PROBLEMA #7
Resuelva el siguiente problema de programacin lineal, empleando el mtodo smplex
para la fase 1, y el mtodo smplex revisado para la fase 2:
( )
59

SOLUCIN: Se debe reescribir el PPL en forma estndar. Se tiene entonces:

(
El problema debe resolverse en dos fases. La fase 1 minimizar la funcin objetivo

( )
. Procedemos en la primera fase mediante el algoritmo smplex. La tabla
de inicio para este problema es la siguiente:
V.B.
-3
-3
1
-2
0
2
Entra
, sale
1
2
0
-1
0
-1
-5
2
4
-1
0
1
-3
4
2
-1
0
1
1
0
0
0
1
0
0
1
0
0
0
0
0
0
1
0
1
0
0
0
-1
0
0
1
400
1500
120
0
0
-520
. Primera iteracin.
V.B.
-3
3
1
-5
-1
Entra
, sale
1
0
0
0
0
-5
12
4
-6
-4
-3
10
2
-4
-2
1
-2
0
1
1
0
1
0
0
0
0
0
1
0
0
0
0
-1
0
1
400
700
120
400
-120
1
-2
0
1
1
0
1
0
0
0
5/4
-3
1/4
3/2
1
-5/4
3
-1/4
-3/2
0
550
340
30
580
0
( )
--175/3
30
. Segunda iteracin.
V.B.
-7/4
0
1/4
-7/2
0
( )
400
750
---
1
0
0
0
0
0
0
1
0
0
-1/2
4
1/2
-1
0
( )
----120
( )
Entra , sale . Como
, con
, entonces existe un ESF
para el PPL en la fase 2. Procedemos entonces mediante el mtodo smplex revisado en
dicha fase. La matriz inversa de la presente iteracin es:
60

Como ya definimos el pvot y las variables de entrada y salida a partir de la tabla anterior,
podemos calcular inmediatamente la matriz :
(
(
Luego calculamos
para dar inicio a la cuarta iteracin:
(
(
Construimos una pequea tabla para verificar el orden de las variables bsicas:
(
V.B.
(
Calculamos los valores duales para esta iteracin:

(

(
Luego:
(
Por lo tanto:
Como el coeficiente reducido de

en la funcin objetivo es negativo, an no estamos en
el ptimo. Se tiene que
es la variable de entrada para la tercera iteracin, porque tiene
el coeficiente ms negativo en la fila objetivo. Calculamos entonces las columnas
y
( ) para determinar la variable de salida y el elemento pvot:
61

( )
( )
V.B.
( )
-3
760:(-3) = -253.33 Ignorar
3
340:3 = 113.33 Mnimo
-1
120:(-1) = -120 Ignorar
Por lo tanto:
760
340
120
La variable de salida es entonces
Calculamos la matriz inversa
. El pvot corresponde a 3.
Donde:
Entonces:
(
(
Verificamos el orden de las variables bsicas:

(
V.B.
(
Calculamos los valores duales:
62


(
Luego:
(
Por lo tanto:
(
Como ahora todos los coeficientes reducidos son no negativos, hemos llegado al ptimo.
Calculamos entonces
para encontrar la solucin ptima de este problema:
(

estos valores en la funcin objetivo se obtiene
.
. Reemplazando
( )
, con lo cual
PROBLEMA #8
Un florista sabe hacer slo dos tipos de arreglos florales, para los cuales dispone de 3
tipos distintos de flores: rosas, tulipanes e ibizcos. Los requerimientos de flores para cada
arreglo, la disponibilidad de flores y los requerimientos de cada arreglo vienen dados en la
siguiente tabla:
FLORES
Arreglo 1 Arreglo 2 DISPONIBILIDAD
Rosas
3
1
300
Tulipanes
1
1
140
Ibizcos
1
3
300
PRECIO [$]
2000
1000
a) FORMULE un PPL que resuelva el problema de maximizacin de ingresos por ventas
sujeto a la disponibilidad de recursos.
b) Cul es el problema DUAL asociado? Qu situacin podra estar optimizando?
Justifique.
c) Usando el teorema de holguras complementarias, encuentre la solucin ptima del
problema dual una vez resuelto el problema primal utilizando el mtodo smplex.
63

d) Suponga que retorna frustrado despus que una bella dama le cerrara la puerta
cuando usted le llevaba amablemente una rosa, un tulipn y un ibizco. Si se encuentra
con el florista Cunto cree que estara dispuesto a pagar l por sus flores?
SOLUCIN: Tenemos lo siguiente:
a) Sean
y
los dos tipos de arreglos que puede hacer el florista. De la tabla, y en
forma inmediata, se obtiene el PPL deseado:
( )
b) Es posible formular inmediatamente el problema dual a partir del primal, sin utilizar la
transformacin de primal simtrico, invirtiendo las situaciones presentadas en la
definicin de ambos problemas. Se tiene entonces:
( )
El modelo dual resuelve el problema de un agente externo que desea saber el precio
unitario que puede ofrecer por cada una de las flores, en el caso de ste quiera
comprarle todas las flores al florista. As,
y
son los precios unitarios
asociados a las rosas, tulipanes e ibizcos, respectivamente.
c) Reescribiendo el primal en forma estndar:
(
Tabla de inicio:
V.B.
3
1
1
-2000
Entra
, sale
1
1
3
-1000
1
0
0
0
0
1
0
0
0
0
1
0
300
140
300
0
( )
100
140
300
. Procedemos con la primera iteracin:
64

V.B.
1
0
0
0
Entra
, sale
1/3
2/3
8/3
-1000/3
1/3
-1/3
-1/3
2000/3
0
1
0
0
0
0
1
0
100
40
200
-200000
0
0
1
0
80
60
40
-220000
( )
300
60
75
. Procedemos con la segunda iteracin:
V.B.
1
0
0
0
0
1
0
0
1/2
-1/2
1
500
-1/2
3/2
-4
500
Como todos los coeficientes de las variables en la funcin objetivo son no negativas,
hemos llegado al ptimo. La utilidad mxima que puede percibir el florista es de
$220.000, con
arreglos florales del tipo 1, y
arreglos florales del tipo 2.
En este punto ptimo, es vlido el teorema de holguras complementarias. Por lo tanto:
Para el primal:
(
(
(
)]
)]
)]
Para el dual:
(
(
)]
)]
Reemplazando los valores obtenidos en la solucin primal ptima en las holguras

complementarias, se obtiene el siguiente sistema de ecuaciones:
Con lo cual se obtiene

y
. Este valor es correcto, porque si lo
( )
remplazamos en la funcin objetivo dual, resulta
, que es equivalente
a la funcin objetivo primal en el ptimo.
Por lo tanto, el florista vender rosas y tulipanes a un precio de $500 c/u, y entregar
como oferta los ibizcos gratis, siempre y cuando venda todo como un paquete. Esto
tiene sentido, porque si vende slo las rosas y tulipanes, dado que slo sabe hacer los
arreglos florales descritos, no le sacar provecho a los ibizcos.
d) Si tuviramos tan desgraciada suerte, entonces, idealmente, el valor mximo que nos
pagar el florista por las flores es el descrito con anterioridad: $500 por cada rosa y
tulipn, y $0 por los ibizcos.
65

PROBLEMA #9
Dado el programa lineal:
( )
Se pide:
a) Determinar el programa DUAL
b) Representar grficamente este ltimo programa para mostrar su conjunto de
soluciones factibles
c) A partir de esta representacin, describir un proceso por el que tras dos, y slo dos
operaciones de pivotado a partir del origen, se alcance la solucin. Estas operaciones
de pivotado no tienen por qu seguir las reglas del smplex.
d) Por medio de las relaciones que pueden establecerse a merced del principio de
holgura complementaria, determinar la solucin del problema primal
SOLUCIN: A partir del enunciado, se tiene:
a) Se debe obtener el modelo lineal estndar (MLE) del problema. Para ello, hacemos los
cambios de variable
y
, con lo cual el problema se re-escribe de la
siguiente forma:
( )
Ahora podemos formular el problema dual:

( )
b) El espacio de soluciones factibles (ESF) del problema dual es el siguiente:
66

Figura 3: ESF del problema dual

En el grfico anterior, los puntos esquina del ESF estn dados por los siguientes
pares:
Punto esquina Valor de
G
4/3
B
3
C
36/7
J
6
Valor de
5/3
5
36/7
4
Por tanto, el valor mximo del problema dual es

en el punto esquina J.
Valor objetivo
-1/3
-2
-4/7
2
, y se cumple cuando estamos
c) Si el proceso de resolucin del problema dual no tiene por qu seguir las reglas del
smplex, entonces basta que, a partir del origen, el algoritmo ignore la regla dada por
el criterio de optimalidad en un problema de maximizacin, la cual dicta que se escoja
siempre el coeficiente ms negativo en la fila objetivo del tableau smplex. Por tanto, si
partimos desde el origen, podemos comenzar en el punto E, y luego llegar de
inmediato al punto J utilizando el hecho de que, en este punto, se encuentra la
solucin.
Notemos que, adems, este nuevo proceso ignora la subdivisin del problema en dos
fases, ya que se cuenta de inmediato con una solucin bsica de inicio (el origen).
d) Utilizando el teorema de holguras complementarias (THC), se obtiene:
Para el primal:
(
)]
)]
Para el dual:
67

(
(
(
(
)]
)]
)]
)]
De las holguras complementarias para el primal, se obtiene:
Con lo cual se obtiene

y
, lo que conforma la solucin ptima del
problema primal. Todas las dems variables son nulas. El valor de la solucin ptima
( )
es
.
PROBLEMA #10
La Compaa Minera ASIOP S.A. (ASIOPSA) produce dos tipos distintos de concentrado,
cobre y zinc. La siguiente tabla muestra las demandas mensuales esperadas para cada
producto (en toneladas):
Concentrado Mes 1 Mes 2 Mes 3

Cu
1000
3000
5000
Zn
1000
500
3000
Adems, la gerencia de ASIOPSA ha determinado lo siguiente:
El costo de produccin por tonelada del concentrado de cobre es de 20 USD, y el del
concentrado de zinc es de 10 USD
El costo de mantener una cantidad arbitraria de concentrado a la espera de ser
comercializado es de 0,3 USD por tonelada en inventario para el concentrado de
cobre, y de 1,5 USD por tonelada en inventario para el concentrado de zinc
El costo de tener mano de obra extra con respecto al mes anterior es de 10 USD/hora
El costo de trabajar menos horas con respecto al mes anterior es de 2,5 USD/hora
Estos dos ltimos costos se refieren a las fluctuaciones en los niveles de produccin, ya
que ASIOPSA tiene como poltica trabajar todos los meses la misma cantidad de horas.
Al comienzo de los tres meses existen en inventario 50 toneladas del concentrado de
cobre y 200 del concentrado de zinc. Al final de los tres meses, el inventario mnimo debe
ser de 400 toneladas de concentrado de cobre y 200 toneladas de concentrado de zinc.
Ambos concentrados se guardan en una planta en depsitos comunes. Cada depsito
permite guardar hasta dos componentes de concentrado de cobre, y hasta tres
componentes de concentrado de zinc. La envergadura de la planta permite guardar hasta
1000 depsitos.
Los requerimientos de fabricacin de cada concentrado se resumen en la siguiente tabla:
68

Concentrado Maquinaria [hr/ton] Mano de obra [hr/ton]

Cu
0,10
0,05
Zn
0,08
0,07
La capacidad de fabricacin mensual es de 400 horas de maquinaria y 300 horas de
mano de obra. Adems, se sabe que el ltimo mes slo se usaron 225 horas de mano de
obra para la fabricacin de ambos componentes.
FORMULAR (NO RESOLVER) un modelo de programacin lineal que permita determinar
el plan de produccin mensual que minimiza los costos de satisfaccin de la demanda
esperada. Defina claramente variables, funcin objetivo y restricciones.
SOLUCIN: Definimos primeramente las variables del problema:
: Cantidad de concentrado del tipo (con
o
el mes (con
)
: Inventario de concentrado del tipo al trmino del mes
: Horas de mano de obra empleadas al mes
: Aumento del empleo de mano de obra al mes
: Disminucin del empleo de mano de obra al mes
: Nmero de depsitos requeridos al mes
) producido en
Veamos ahora la funcin objetivo. Como el objetivo de ASIOPSAL es minimizar los

costos, es posible definir dicha funcin directamente partir de los datos entregados en el
enunciado:
( )
)
(
(
)
)
)
(
(
)
)
La funcin objetivo puede escribirse de forma ms abreviada como sigue:

( )
Ahora veamos las restricciones. Lo ms sencillo es verificar primero las limitaciones de

satisfaccin, demanda e inventario de ASIOPSAL. En este caso, para cada mes, se tiene
lo siguiente:
Mes 1:
Mes 2:
69

Mes 3:
Con respecto a la maquinaria, se tiene:
Adems, para la mano de obra, se tiene que para cada mes:

Mes 1:
Mes 2:
Mes 3:
Finalmente, de las limitaciones impuestas por la planta:
Naturalmente, todas las variables consideradas para este problema son no negativas. El
modelo completo (simplificado) es el siguiente:
70

( )
, , ,
PROBLEMA #11
Al comienzo del mes 1, la financiera ARCOS dispone de 400 USD en efectivo. Al
comienzo de los meses 1, 2, 3 y 4, la financiera recibir ingresos y, adems, deber
realizar pagos como se indica en la siguiente tabla:
Mes Ingresos (US$) Pagos (US$)
1
400
600
2
800
500
3
300
500
4
300
250
El dinero restante en cada mes, una vez realizados los pagos, puede ser invertido durante
un mes a una tasa del 0,1% mensual; durante dos meses a una tasa del 052% mensual;
durante tres meses a una tasa del 1,0% mensual; o durante cuatro meses a una tasa del
2,0% mensual.
FORMULAR (NO RESOLVER) un modelo de programacin lineal que permita determinar
una estrategia de inversin que maximiza el dinero en efectivo al comienzo del quinto ao.
Defina claramente variables, funcin objetivo y restricciones.
71

SOLUCIN: Lo primero es definir las variables de este problema. Sea

la cantidad de
dinero invertido al comienzo del mes durante un perodo de meses. La funcin objetivo
queda entonces definida como sigue:
( )
Las restricciones del modelo naturalmente representan la distribucin del dinero. As,
stas se definen por las siguientes desigualdades:
Naturalmente, todas las variables consideradas en el modelo son no negativas.

PROBLEMA #12
La Compaa FERROSUR debe decidir cuntas toneladas de acero puro X y cuntas de
chatarra Y se deben utilizar en la preparacin de una aleacin para un cliente. El costo
por tonelada de acero puro es de 3, y el de chatarra 6 (por las impurezas); la demanda
del cliente es de por lo menos 5, y l aceptara ms si as se requiere.
La disponibilidad de X es de 4 toneladas y 7 la de Y. La relacin entre chatarra y acero
puro no puede exceder 7/8. La fundicin tiene 18 horas disponibles para derretir y fundir;
una tonelada de acero puro requiere 3 horas, mientras que la de chatarra slo 2 horas.
Se pide:
a) Escribir el problema de programacin lineal
b) Resolverlo grficamente
SOLUCIN: Se tiene lo siguiente:
a) Las variables del problema ya haban sido definidas en el enunciado:
: Toneladas de acero puro
: Toneladas de chatarra
Como se trata de un problema de costos, se debe minimizar la funcin objetivo, que
define los costos de fabricacin de cada material. Luego, dicha funcin viene dada por la
siguiente expresin:
( )
Ahora veamos las restricciones. De la demanda del cliente y la disponibilidad de cada
recurso, tenemos:
De la relacin entre tonelajes, tenemos:

72

De forma simplificada,
que:
Naturalmente,
. Finalmente, de la disponibilidad horaria, se tiene
. Por lo tanto, el modelo completo es el siguiente:

( )
b) El ESF de este modelo se muestra en Figura 9:
Figura 4: ESF del problema

La tabla siguiente evala el valor de las variables del PPL en cada uno de los puntos
esquina del ESF:
Punto Esquina Valor de x Valor de y Funcin objetivo
B
1,25
0
3,75
C
0,494
0,432
4,074
D
3,789
3,316
31,263
F
6
0
18
Por lo tanto, el punto esquina B es el ptimo, porque es aquel donde la funcin objetivo
alcanza su mnimo valor. Se concluye entonces que FERROSUR debe fabricar 1,25
toneladas de acero puro, a un costo mnimo de 3,75 unidades monetarias. La chatarra no
es rentable de producir.
73

PROBLEMA #13
Un importador de whisky est planificando su negocio considerando que, en las prximas
temporadas, tendr las siguientes demandas (en miles de botellas):
Temporadas
1
2
3
4
Seco
10 12 14 8
Frutoso 13 15 17 19
Aejo 21 25 9 11
Tipo
El whisky seco lo vende a 34 dlares por botella, el frutoso a 28,8 y el aejo a 22,5 en la
primera temporada. En las siguientes se espera poder venderlos a un 5% ms caro. Cada
tipo de whisky es elaborado mezclando tres materias primas, A, B y C, de las cuales se
puede importar un mximo de 2000, 2500 y 1200 botellas por temporada a un costo de
35, 25 y 20 dlares, respectivamente. Estos costos, vlidos para la primera temporada,
deberan aumentar un 2% en cada temporada. El whisky seco debe contener por lo
menos un 60% de la materia prima A y no ms de un 20% de la materia prima C. El
whisky frutoso debe contener por lo menos un 15% de la materia prima A y no ms de un
60% de la materia prima C. El whisky aejo debe contener por lo menos un 50% de la
materia prima B. Cada botella de whisky fabricada en una temporada puede ser vendida
en dicha temporada o almacenada a un costo unitario por temporada de 0,5 dlares para
ser vendidas posteriormente.
FORMULAR (NO RESOLVER) un modelo de programacin lineal que permita optimizar
las actividades del importador. Defina claramente variables, funcin objetivo y
restricciones del problema.
SOLUCIN: Las variables a considerar para este problema son las siguientes:
: Cantidad de materia prima k para fabricar whisky i en la temporada
j
: Cantidad de whisky tipo i vendido en la temporada j
: Cantidad de whisky tipo i almacenado en la temporada j
La funcin objetivo se subdivide en tres partes,
y , donde
representa los
ingresos que obtiene el importador a partir de la venta de whisky en cada temporada,
representa los costos de importacin de whisky de cada tipo, y representa los costos de
almacenaje de whisky. Definimos entonces:
(
))(
))(
74

Por lo tanto, la funcin objetivo ser:

( )
Las restricciones del problema vienen dadas por la disponibilidad de materia prima para
producir cada tipo de whisky, la cantidad mxima de ventas por temporada, la proporcin
de uso de las materias primas en la elaboracin de cada tipo de whisky, y la produccin,
ventas y almacenaje por temporada. Luego, se tiene lo siguiente:
Para la disponibilidad de materia prima:
A partir de la tabla entregada en el enunciado del problema, se obtienen las restricciones

de venta mxima por temporada:
Adems, considerando las proporciones de materias primas requeridas en la elaboracin

de cada tipo de whisky, se obtiene:
75

Las restricciones anteriores se cumplen para todo
Finalmente, a partir de los datos entregados en el enunciado del problema con respecto a
la produccin, ventas y almacenaje por temporada, se obtienen las siguientes
expresiones:
Naturalmente, todas las variables consideradas en la formulacin de este problema son

positivas o nulas.
76

Bibliografa
TAHA, HAMDY A. Investigacin de Operaciones.
ASCENCIO, JOS A. Notas del curso: Optimizacin 17015.
Apuntes de clase personales.
77

OptimizaciÃ - N - ProgramaciÃ - N Lineal (PEP 1)

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

OptimizaciÃ - N - ProgramaciÃ - N Lineal (PEP 1)

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD DE SANTIAGO DE CHILE

DEPARTAMENTO DE INGENIERA EN MINAS

Autor: Felipe Quezada Castaeda

Universidad de Santiago de Chile

En las expresiones anteriores:

Universidad de Santiago de Chile

La cantidad de surfactante 1 no puede sobrepasar los 30 [kg/da]

Para el problema anterior, se requiere determinar la mejor forma de correr ambos

Cantidad de surfactante 1 obtenido en ambos procesos:

Cantidad de surfactante 2 obtenido en ambos procesos:

Por lo tanto, las restricciones pueden expresarse matemticamente como sigue:

Demanda de Gerencia para el surfactante 1:

Universidad de Santiago de Chile

Demanda de Gerencia para el surfactante 2:

Finalmente, como la cantidad mxima de horas en que se corre cada proceso es de 9

Sujeta a las restricciones:

Universidad de Santiago de Chile

SOLUCIN GRFICA DE LA PROGRAMACIN LINEAL.

Determinacin del espacio de soluciones factibles (ESF) del modelo

Dividiremos el estudio en dos partes:

Universidad de Santiago de Chile

Figura 1: ESF del problema de la Compaa DIMIN

Libra x libra de alimento

Universidad de Santiago de Chile

Las restricciones del modelo representan la cantidad diaria necesaria y los

En cuanto a la restriccin diettica de necesidades de protena que contienen

De manera similar para la fibra, tenemos:

El modelo completo es entonces:

El ESF se muestra, marcado en verde, en Figura 2.

Figura 2: ESF del problema de la dieta

Universidad de Santiago de Chile

Se debe notar que, a diferencia del ejemplo de maximizacin, la segunda y tercera

Universidad de Santiago de Chile

Si definimos a como una variable de excedencia, es posible convertir la restriccin en la

puede cumplirse siempre. Si

DESARROLLO DEL ALGORITMO SMPLEX: Haciendo una analoga con la solucin

Universidad de Santiago de Chile

Si queremos construir el ESF de forma algebraica, debemos reescribir el problema

Esta solucin corresponde al punto O en Figura 3. Se puede determinar otro punto

Universidad de Santiago de Chile

Figura 3: Solucin grfica del ejemplo anterior

Figura 4: Diagrama de flujo que explica el funcionamiento del algoritmo smplex

Universidad de Santiago de Chile

PASO 1: OBTENCIN DEL MODELO LINEAL ESTNDAR (MLE) DEL PROBLEMA: Lo

Por tanto, el MLE de este problema es el siguiente:

PASO 2: CONSTRUCCIN DEL TABLEAU SMPLEX: El tableau smplex no es ms que

Universidad de Santiago de Chile

Al respecto, debe observarse lo siguiente: Los coeficientes de las variables de holgura

(*) El uso de z en la tabla smplex responde a que la funcin objetivo ingresa al

Universidad de Santiago de Chile

este caso, la columna correspondiente a . La variable de salida queda definida por el

para la iteracin de inicio de nuestro ejemplo

De los resultados obtenidos en Tabla 2, se tiene que la variable de salida es , porque el

Universidad de Santiago de Chile

Por lo tanto, el tableau correspondiente a esta nueva iteracin es el siguiente:

Universidad de Santiago de Chile

Notemos que, a partir de lo anterior,

Universidad de Santiago de Chile

Solucin: Si usamos las variables

La primera y segunda ecuaciones no tienen variables que puedan desempear el

Universidad de Santiago de Chile

en las dos primeras ecuaciones, y se penalizan en la

La tabla modificada se muestra a continuacin. Observe que es la misma que antes,