Repblica Bolivariana de Venezuela

Ministerio de Educacin Superior

Universidad Alejandro de Humboldt
Ctedra: Investigacin de Operaciones

Jos Marcano C.I: 14.964.280

Caracas, 09 de Febrero de 2008

Programacin Lineal
La Programacin Lineal es un procedimiento o algoritmo matemtico mediante el cual
se resuelve un problema indeterminado, formulado a travs de ecuaciones lineales,
optimizando la funcin objetivo, tambin lineal.
La programacin lineal es actualmente la tcnica matemtica utilizada mas
actualmente gracias a que el algoritmo simplex es muy eficiente y al desarrollo de la
computacin.
Lo que se busca con la aplicacin de la programacin lineal es resolver
problemas comunes y a la vez muy variados de la empresa en donde en general se
tienen necesidades por satisfacer con cierto nmero de recursos limitados o escasos y
con el objetivo de lograrlo en forma ptima. Esto significa la bsqueda de un valor
mximo cuando se trata de beneficios; o bien la bsqueda de un mnimo cuando se trata
de esfuerzos a desarrollar.
Un modelo de programacin lineal es un conjunto de expresiones matemticas
las cuales deben cumplir la caracterstica de linealidad que puede cumplirse siempre y
cuando las variables utilizadas sean de primer grado. Adems un modelo de P.L debe
tener las propiedades de:

Proporcionalidad
Aditividad (adicin)
Divisibilidad
Certidumbre(certeza)

Antes de formular un modelo general para P.L conviene ilustrar algunos

ejemplos que faciliten la interpretacin de la generalizacin
Ejemplo de produccin:
Una empresa ha dejado de fabricar ciertos productos, liberando de esta forma las
cargas de produccin que tenan sus equipos en los departamentos de maquinado. Ahora
se tienen horas mquina que se pueden utilizar en los productos denominados 1,2,3 de
la siguiente manera:

Mquina

Horas por pieza de producto

Horas Maq.

Disponibles
1

por semana
Fresadora

500
Torno

350
Rectificadora

150
Utilidad
$/ pieza

50

Recomendacin del Mnimo

Depto. Vtas a Prod. 30

20

25

Mnimo
15

Mnimo
20

Formular un modelo de P.L para este problema

Definicin de variables a utilizar en el mtodo de programacin lineal
Sea: Xj = numero de piezas de producto j(j=1,2,3) a fabricar para
maximizar la utilidad.
Funcin econmica y objetivo:
MAX Z= 50X1 + 20X2 + 25X3

[ (Dls/Unidad) (Unidad/Sem)] =

[Dls/Sem.]
sujeta a restricciones de horas mquina disponibles por semana
Fresadora :
Torno:
Rectificadora:
rectificadora

9X1 + 3X2 + 5X3 = 500 horas mquina fresadora

5X1 + 4X2
= 350 horas mquina torno
3X1
+ 2X 3 = 150 horas maquina

Condiciones de signos pare las variables:

X1

= 30 piezas
= 15 piezas
X3 = 20 piezas

X2

Ejemplo de inversin:
Se desean invertir 2 millones de dlares en 6 tipos de inversin cuyas
caractersticas son las siguientes:
Tipo de
Inversin

Inters
Anual(%)

1
2
3
4
5

8.5
9
8.5
14.3
6.7
6

13

Factor de
Riesgo
0.02
0.01
0.38
0.45
0.07
0.35

Plazo promedio
de inversin
8
2
5
6
2
4

El factor de riesgo significa la probabilidad de que el rendimiento real sea inferior al esperado.
Se considera ventajoso un perodo promedio ponderado de inversin de ciando menos 5 aos; pero el
factor promedio ponderado de riesgo no debe ser superior a 0.20. La ley prohibe que la suma de las
inversiones de los tipos 4 y 6 sea mayor al 25% del total de la inversin. Con P.L formule un modelo de
P.L para decidir cmo invertir para maximizar el rendimiento de los 2 millones de dlares.

(SOL. A)
Definicin de variables
Sea: Xj = cantidad de dlares a invertir en el tipo j(j=1,2,3,4,5,6) para
maximizar el rendimiento.

Funcin objetivo
MAX Z= 0.085X1 + 0.09X2 + 0.85X3 + 0.143X4 + 0.067X5 +0.13X6
sujeta a restricciones:
1) X1 + X2 + X3 +X4 + X5 + X6 = 2,000.000 dls.
2) 0.02X1 + 0.01X2 + 0.38X3 + 0.45X4 + 0.07X5 + 0.35X6
(2,000.000) = 400,000 dls.

= 0.2

8X1 + 2X2 + 5X3 +6X4 + 2X5 + 4X6 = 5 (2,000.000) = 10,000.000

dls.
4)
X4
+ X6 = 0.25 (2,000.000) = 5,000.000
dls.
3)

X1, X2, X3, X4, X5, X6 = 0

(SOL. B)
Definicin de variables
Sea: Xj = Fraccin capital a invertir en el tipo j(j=1,2,3,4,5,6) para
maximizar el rendimiento.
Funcin econmica y objetivo:
MAX Z= 8.5X1 + 9X 2 + 8.5X3 + 14.3X 4 + 6.7X5 +13X 6
sujeta a restricciones:
1) X1 + X2 + X3 +X4 + X5 + X6 = 1 (capital)
2) 0.02X1 + 0.01X2 + 0.38X3 + 0.45X4 + 0.07X5 + 0.35X6 = 0.2 (1) =
0.2
3) 8X1 + 2X2 + 5X3 +6X4 + 2X5 + 4X6 = 5 (1) = 5
4)
X4
+ X6 = 0.25 (1) = 0.25
X1, X2, X3, X4, X5, X6 = 0
Ejemplo:
Problemas de mezcla en la inversin.
Definicin de variables:
Sea:

xj = Fraccin del capital a invertir en la tipo j (j = 1,2,...,6) para

maximizar el rendimiento.

Funcin objetivo:
Max. z = 8.5 x1 + 9 x2 + 8.5x3 + 14.3x4 + 6.7x5 + 13x6
Sujeto a restricciones:
x1 + x2 + x3 + x4 + x5 + x6 = 1
(Factor de riesgo)

0.02x1 + 0.01x2 + 0.38x3 + 0.45x4 + 0.07x5 + 0.35x6 0.2 (1) = 0.2

8x1 + 2x2 + 5x3 + 6x4 + 2x5 + 4x6 5(1) = 5
x4
+ x6 0.25 (1) = 0.25
x1,x2,...,x6 0
[sta

es otra forma de plantear el

problema]
Problema de establecimiento de horario.
En un sector de la ciudad se tiene el siguiente requerimiento de policas:
PERIODO DEL DIA
HORA DEL DIA.
POLICIAS REQUERIDOS
()

1
06-10
300

2
10-14
350

3
14-18
425

4
18-22
450

5
22-02
250

6
02-06
200

El periodo #1 sigue inmediatamente del 6. Cada polica debe laborar 8 hrs

consecutivas. Formular un modelo de programacin lineal de este problema.1
PERIODO/HORA
1
2
3
4
5
6
REQUERIDOS.

06-10
X1

X6
300

10-14
X1
X2

350

14-18
X2
X3

425

18-22
X3
X4
450

22-02

X4
X5
250

02-06

X5
X6
200

Definicin de variables:
Sea xj = Nmero de policas que inician el periodo j (j = 1,2,3,...,6)
Funcin objetivo:
Min. z = x1 + x2 + x3 + x4 + x5 + x6

(policas mnimos para cubrir turnos [6])

Sujeto a restricciones:
x1 +
x1 + x2
x2 + x3
x3 + x4
1

+ x6 300
350
425
450

Requerido significa tambin necesidad, que es lo mismo a cubrir, por lo tanto debe ser

x4 + x5 250
x5 + x6 200

.... toda xj 0

Ejemplo:
Problema de aprovechamiento de recursos.
Una empresa papelera recibe un pedido de rollos de papel de la misma calidad y
espesor para los siguientes anchos:
500 rollos de 30 in, 450 rollos de 45 in y 150 rollos de 56 in.
En las bodegas de la empresa solo se tiene existencia en esta calidad de papel en
ancho de 108 in, por lo que se piensa deben someterse a un proceso de corte
longitudinal si se desea cumplir la demanda de este pedido. Formular un modelo de
programacin lineal correspondiente a este problema.

108 cm

CORTE

Definicin de variables2:
Sea xj = # de cortes del tipo j (j = 1,2,....,5) necesarios para cumplir el pedido con
mnimo desperdicio de papel.
Funcin objetivo (o econmica):
Min. z = 18x1 + 3x2 + 22x3 + 18x4 + 7x5
Sujeto a restricciones:
3x1 + 2x2 + x3
500 rollos de 30
x2+
x4 + x5
450 rollos de 45
x3 + x5
150 rollos de 56
2

...las unidades:

No olvidar que la definicin de variables siempre se debe hacer de manera cuantitativa (en #).

Rollos
Corte
in
corte

Corte

Rollos

...para restricciones.

corte

in

...para

objetivo.

funcin

Toda xj 0

Problema de almacenamiento en el transporte.

Un barco tiene las siguientes capacidades de almacenamiento en sus bodegas de
popa, centro y proa. Los dueos del barco pueden elegir una porcin o toda la carga de
los productos A, B y C, cuyas caractersticas se tabulan a continuacin. Adems, para
preservar el equilibrio del barco debe cumplirse con una carga proporcional a la
capacidad de las respectivas bodegas.
BODEGA

CAPACIDAD
TONELADAS
3000
2000
1500

PROA (1)
CENTRO (2)
POPA (3)
PRODUCTOS
A
B
C

TNS
A
TRANSPORTAR
3500
2500
2000

CAPACIDAD
m3
130000
10000
30000

m3/Ton

UTILIDAD (MILES
DLS/TN)
8
7
6

60
50
25

Definicin de variables:
Sea: xij = toneladas del producto j (j = A,B,C) a cargar en la bodega i (i = 1,2,3)
para maximizar la utilidad en el viaje.
Funcin objetivo:
Max z = 8(x1A + x2A + x3a) + 7(x1B + x2B + x3B) + 6(x1C + x2C + x3C)
unidades
Miles de dls.
Ton

Ton

miles de dlares

Sujeto a restricciones:
x1A + x1B + x1C 3000 Ton.

...con

x2A + x2B + x2C 2000

x3A + x3B + x3C 1500

Capacidad en Ton

Capacidad en Ton

60x1A + 50x1B + 25x1C 130000 m3.

60x2A + 50x2B + 25x2C 100000
60x3A + 50x3B + 25x3C 30000

Capacidad en Ton

x1A + x1B + x1C 3500 Ton.

x2A + x2B + x2C 2500
x3A + x3B + x3C 2000

Proporcin de carga en las bodegas:

x1A + x1B + x1C

x2A + x2B + x2C

3000

x3A + x3B + x3C

2000

1500

Modelo de programacin lineal general.

Definicin de variables:
Sea xj = #....

j = 1, 2, 3....n

Funcin objetivo:
Trminos del primer grado que se sumen.
Max. o Min. z = C1x1 + C2x2 + ... + Cjxj + ... + Cnxn
...donde
n = # total de valores
j = ocurrencia.
Sujeto a restricciones: i = 1, 2, 3, ... , m
a11x1 + a12x2 + ... + a1jxj + ... + a1nxn
a21x1 + a22x2 + ... + a2jxj + ... + a2nxn

= b1
= b2

ai1x1 + ai2x2 + ... + aijxj + ... + ainxn

= bi

am1x1 + am2x2 + ... + amjxj + ... + amnxn

Condiciones de signo para variables:toda xj 0

Modelo general de programacin lineal resumido en:

= bm

Sumatorias.
Definicin de variables:
Funcin objetivo:

sea xj = # ; j = 1, 2, 3, ... , n
(Max./Min.) z = cjxj
... sujeta a:
aijxj = bi

i = 1, 2, 3, ... , m

... condiciones de signo: xj 0

Con vectores.
(Max./Min.) z = Cx
... sujeto a:

Ax
x

=
0

Propiedades que debe de seguir el modelo de programacin lineal.

Proporcionalidad. En el modelo de programacin lineal los pagos deben ser
proporcionales.
El modelo de programacin lineal es esttico, plantea una situacin del momento.

x = progreso de la actividad

Aditividad. Siempre los pagos se suman.

Requerimientos.
Costos y
Utilidades.
Divisibilidad. Las variables involucradas en el modelo de programacin lineal pueden
no ser un nmero entero...
Si los valores son muy pequeos no importa el redondeo.
Si son muy altos afecta el redondeo.
Certidumbre. Todos los parmetros que se manejan deben ser pasados con certeza.
Mtodos de solucin del modelo de programacin lineal.

El modelo de programacin lineal se puede resolver tanto grfica como

analticamente, pero para problemas de tamao comn que se encuentran como
aplicaciones, la solucin grfica no es til. En cambio, la solucin analtica utilizando el
algortmo SIMPLEX que se ver posteriormente es el procedimiento normal para la
bsqueda de la solucin ptima de un problema.
Mtodo de solucin grfica.
La gran limitacin que se tiene con el mtodo de solucin grfica con
programacin lineal es que su aplicacin slo puede hacerse a problemas con dos y
cuando mucho tres variables, en este curso se ejemplifica para problemas solo con dos
variables.
A pesar de tal inconveniente, el mtodo grfico resulta til para exposicin e
ilustracin de los conceptos de la programacin lineal. Ejemplo:
Max. z = 3x1 + 5x2
x1
2x2
3x1 + 2x2

A (0 ,6 )

... sujeto a:
4 .......... (1)
12 .......... (2)
18 .......... (3)

x1 ; x2 0

R ( 4 ,6 )

H ( 4 ,3 )

J (6 ,0 )
F ( 4 ,0 )

O (0 ,0 )

Expresar geomtricamente el sistema dentro del grfico; rango de valores.

(1)

x1 4
(4,0) F

(2)

2 x2 12
x2 6
(0.6) A

(3)

3 x1 + 2 x2 18
x1
x2

0
6

9
0

(0,9) B
(6,0) J
Las desigualdades son fronteras o divisin del espacio plano. Si la recta no pasa
por el origen, se toman en cuenta las coordenadas de O.
Espacio solucin: Satisface al sistema (factible) posible. Conjunto de soluciones
factibles.
Si se satisface la restriccin, el origen pertenece al semiplano que satisface la
restriccin.
A

3 x1 + 2 x2 = 18
2 x = 12

3 x1 = 6
x = 2

6 + 2 x2 = 18
2 x = 12

x2 = 6
C (2 ,6 )

(1) (3)
x1= 4
3x1 + 2x2 = 18
2x2 = 6 ; x2 = 3

3x1 = 12
x1 = 4
H = (4,3)

Trazo de la funcin econmica

VALOR RELATIVO

(5,0)
(0,3)

Mltiplo de los coeficientes que nos dan la pendiente de la funcin.

z = 15 supuesto
...trasladar a z en cualquier direccin respetando la pendiente (paralela a la obtenida).
Haciendo coincidir z con todos los vrtices conocidos nos damos cuenta que a
medida que se aleja del origen crece. El punto mximo es C.
... donde z = 3(2) + 5(6) = 36

Max z = 36
Los vrtices son capaces de generar lo OPTIMO.
CONVEXIDAD: Si dados dos puntos cualesquiera contenidos en el conjunto y se unen
mediante el segmento y si se cumple para todo par de puntos, es convexo.
Para resolver mediante el algortmo SIMPLEX, el conjunto debe ser
CONVEXO.
CONJUNTO CONVEXO: un conjunto es convexo si dados dos puntos A y B
cualesquiera, contenidos en el mismo, el segmento de recta que los une queda
contenido en dicho conjunto totalmente.
DEFINICION MATEMATICA: Un conjunto convexo se forma por combinacin
convexa lineal entre dos puntos A y B como sigue:
P = A + B(1 - )
para
01
...donde A y B son vectores y es un escalar.
Ejemplo: Obtener un punto p que sea CCL entre dos vrtices A y F con = .
P = ((0,6) ) + (4,0) (1 - )
P = (0,3) + (2,0)
P = (2,3)
OJO: NO SE PUEDEN GENERAR LOS VERTICES.
METODO GRAFICO.
Ejemplo:

Max z = 3x1 + 5x2

...sujeta a:
x1
4 ... (1)
2x2
12 ... (2)
3x1 + 2x2
18 ... (3)

M ax z = 36
(x ,x )

B (0 ,9 )

A (0 ,6 )

x1 ; x2 0

C (2 ,6 )

R ( 4 ,6 )

H ( 4 ,3 )

C O N JU N TO C O N V E X O
D E S O L U C IO N E S
F A C T IB L E S .
E S P A C IO S O L U C IO N .

J (6 ,0 )
O ( 0 ,0 )

F (4 ,0 )

M in z o

= (0 ,0 )
S O L U C IO N T R IV IA L .

CONJUNTO CONVEXO: Un conjunto es convexo si dados dos puntos A y B

contenidos en el mismo, el segmento de recta que losa une queda contenido totalmente
en dicho conjunto.
DEFINICION MATEMATICA: Un conjunto convexo se forma por combinacin
convexa lineal entre dos puntos A y B como sigue:
P = A + B(1 - )

para

01

Ejemplo: Obtener un punto P que sea CCL entre los vrtices A y F con =
P = (0,6) + (4,0) (1 - 9 = (0,3) + (2,0)

P = (2,3)

(pueden calcularse as todos los puntos a excepcin de los vrtices)

Cuando se tienen desigualdades ha y que convertir a igualdades (ec. lineales).
Tomando la restriccin 3:
H O LG U R A = X

18
3X1 + 2X2
3 (2 ) + 2 (6 )

En este caso coincidi, pero no lo sabamos, si no fuera as, necesitamos una

nueva variable x llamada holgura y retomando el ejemplo anterior se tendra:

x1
2x2
3x1 + 2x2

+ x3
+ x4
+ x5

= 4 ... (1)
= 12 ... (2)
= 18 ... (3)

x1 ... x5 0

...y se tiene un sistema ampliado a 5 dimensiones.

x3 , x4 , x5

HOLGURA.

VERTICE
O
A
C
F
H
B
J
R

X1
0
0
2
4
4
0
6
4

X2
0
6
6
0
3
9
0
6

X3
4
4
2
0
0
4
-2
0

X4
12
0
0
12
6
-6
12
0

X5
18
6
0
6
0
0
0
-6

OBNES.
FACTIBLE
FACTIBLE
FACTIBLE
FACTIBLE
FACTIBLE

Tomando
X3, X4, X5,
de sustituir
o
despejarlos
de 1, 2 y 3
y tomando
X1 y X2

... en las observaciones se sealan los puntos como factibles porque cumplen con la no
negatividad, pero los puntos B, J y R no cumplen con la condicin de no negatividad, lo
cual nos indica que no son factibles.
Retomando el sistema anterior, solo cambiaremos el signo de desigualdad de (3)
que ser .
3x1 + 2x2

18 ... (3)

B (0 ,9 )

3 (0 ) + 2 (0 ) n o e s

A (0 ,6 )

18
...e l o r ig e n n o c u m p le .

R (4 ,6 )

C O N JU N TO C O N V E X O
D E S O L U C IO N E S F A C T IB L E S .
H ( 4 ,3 )

J (6 ,0 )
F ( 4 ,0 )

O ( 0 ,0 )

Agregaremos al sistema ahora una 4 restriccin, siguiendo con la condicin de

no negatividad.
3x1 + 2x2
si ....

18 ... (4)

(x1 , x2 )
(0 , 12 )

y si ...
B (0 ,9 )

(8 ,

0)

REDU ND AN TE.

A (0 ,6 )

R ( 4 ,6 )
4

2
H ( 4 ,3 )

J (6 ,0 )
F ( 4 ,0 )

O ( 0 ,0 )

E s u n a r e s tric c i n r e d u n d a n te p o r q u e
n o a lt e r a e n n a d a a l c o n j u n t o s o lu c i n a n t e r io r
y la s q u e h u b ie r a m a s a la d e r e c h a c o n = m
s e r a n r e d u n d a n te s .

W (8 ,0 )

Ampliando el sistema inmediato anterior, podemos hacer lo mismo que antes

con 1, 2 y 4, pero no con 3 porque el signo es y nos indica que mnimo 18 y
necesitaremos una VARIABLE SUPERFLUA o de HOLGURA NEGATIVA.

3 x 1+ 2 x 2

s u p e r flu a
x3

.
. . x1 +
2x2
3x1
3x1

x3 = 4
+ x4 = 12
+ 2x2 - x3 = 18
+ 2x3 + x6 = 24

(1 )

(2 )
(3 )

(4 )

18

VERTICE

O
A
C
F
H
B
J
R

X1
0
0
2
4
4
0
6
4

X2
0
6
6
0
3
9
0
6

X3
4
4
2
0
0
4
-2
0

X4
12
0
0
12
6
-6
12
0

X5
-18
-6
0
-6
0
0
0
6

X6
24
12
6
12
6
6
6
0

OBSERVACIONES
NO FACTIBLE
NO FACTIBLE
FACTIBLE
NO FACTIBLE
FACTIBLE
NO FACTIBLE
NO FACTIBLE
FACTIBLE

Ojo: en el rengln R de la tabulacin anterior hay tres ceros, a diferencia del

resto de la misma tabulacin y de la anterior de 5 dimensiones. Esto se debe a que por
ese punto pasan 3 rectas y por el resto convergen solo dos rectas.

En el punto R intersectan:
R

1 2
1 4
2 4

... y se dice que el punto como tal es NO UNICO.

Y tomando en consideracin que para un solo punto se requiere de una
interseccin, el resto de los puntos es UNICO. Se dice entonces que el punto R tiene:
SOLUCION FACTIBLE
SOLUCION NO UNICA
... y solo cuando se dan las dos anteriores soluciones se llama SOLUCION
DEGENERADA.
Un vrtice no nico se establece cuando hay redundancia.
Observaciones caractersticas.
...el vrtice

O
A
C
F
H
B
J
R

es
es
es
es
es
es
es
es

NO FACTIBLE y UNICO.
NO FACTIBLE y UNICO.
FACTIBLE y UNICO.
NO FACTIBLE y UNICO.
FACTIBLE y UNICO.
NO FACTIBLE y UNICO.
NO FACTIBLE y UNICO.
FACTIBLE, UNICO y DEGENERADO.

...y por lo tanto, del grfico anterior decimos entonces que C y H son no degeneradas.

DEFINICIONES:
SOLUCION: Es un conjunto de valores para las variables o bien un vector X = (x 1 , x2 ,
... , xj , xj+1 , ... , xn , xn+1 , ... , xn+m ) que satisface al conjunto de restricciones

j = n + m

j = 1

a ij x ij = b

SOLUCION FACTIBLE: Es un conjunto de valores para las variables o bien un

vector X = (x1 , x2 , ... , xj , xj+1 , ... , xn , xn+1 , ... , xn+m ) que satisface al conjunto de
restricciones
j = n + m

a ij x ij = b

j = 1

...y adems satisface a toda xj 0 .

SOLUCION BASICA: Es una solucin que se obtiene al hacer nulas, al menos, (m+n)m variables, en donde
m = # total de restricciones,
n = # de variables de decisin (originales)
[en el ejemplo, m = 3 y n = 2 (3+2) 3 = 2 ... en el ejemplo de 4 restricciones m = 4 y n = 2,
resultando (4 + 2) 4 = 2 .... y por esto, en el sistema ampliado se tiene en VERTICE : SOLUCIONES
BASICAS].

...y se resuelve el sistema para las restantes.

SOLUCION BASICA FACTIBLE: Es una solucin bsica que cumple toda xj 0.
SOLUCION DEGENERADA: Es una solucin bsica factible que tiene menos de m
variables estrictamente positivas.
SOLUCION NO DEGENERADA: Es una solucin bsica factible con exactamente m
variables estrictamente positivas.
SOLUCION OPTIMA: Es una solucin bsica factible que optimiza la funcin
j = n + m

Z =

cjxj

j = 1

La solucin en el grfico 1 y 2 sera solo el rea sombreada.

A (0 ,6 )

R (4 ,6 )

A (0 ,6 )

H (4 ,3 )

R (4 ,6 )

H (4 ,3 )

J (6 ,0 )
O (0 ,0 )

F ( 4 ,0 )

J (6 ,0 )
O (0 ,0 )

F ( 4 ,0 )

La solucin factible en 1 cuando cumple con 0 y en 2 coincide con solucin

(polgono A, C, H, F, O)
Solucin bsica en 1 todos los vrtices pero en 5 dimensiones y en 2 solo C, R,
H pero en 6 dimensiones.
Ejemplo:

Mix z = 4x1 + 3x2

...sujeta a:
x1 + x2
6 ... (1)
2x1 - x2
0 ... (2)
x1
2 ... (3)

x1 , x2
(0 , 6) B
(6 , 0) A

x1 ; x2 0

2x1 = x2
2(0) = 1(0) : (0,0) O
2(1) = 1(2) : (1,2)
2(2) = 1(4) : (2,4) C

x1 , x2
(2 , 0) F

3
2

B (0 ,6 )

C ( 2 ,4 )

C o n ju n t o c o n v e x o d e
s o lu c i o n e s f a c t ib le s .
E n 2 c o m o e s c e ro n o h a y
d is ta n c ia a l o r ig e n y p o r lo ta n to
e s u n o d e lo s p u n to s .

O ( 0 ,0 )

F ( 2 ,0 )

A (6 ,0 )
S u s t it u i m o s a l g n v a lo r d e l s e m ip la n o e n l a s
r e s t r ic c io n e s p a r a c o o c e r e l la d o q u e c o r r e s p o n d e
a s ta .

El conjunto anterior se diferenca de los anteriores porque es un CONJUNTO ABIERTO y al

pedir un mximo, se tendra una solucin SIN LMITE.

Recordar que si el origen se encuentra en el conjunto factible, al pedirse

minimizar, esta se llama solucin trivial.
4(2) + 3(4) = 20 ....[Min]
Considerando Min z

4(6) + 3(0) = 24

Resolviendo analticamente:
3

Ojo: z solo se valora en vrtices

x1 +
2x1 x1

x2 - x3 6
x2 - x4 0
- x5 2

x1, x2 , x3 , x4 , x5 0

(los vrtices en 2 dimensiones pasan a ser soluciones bsicas en 3 dimensiones)

VERTICES
O
SOLUCIONES
BASICAS

B
F
O
C
A

X1

X2

X3

X4

X5

CARACTERISTICAS

-6

-2

N.FACTIBLES, UNICA

2
0
2
6

0
0
4
0

-4
-6
0
0

4
0
0
12

0
-2
0
4

N.FACTIBLES, UNICA
N.FACTIBLES, NO UNICA
N.FACTIBLES, NO UNICA, DEGE.
N.FACTIBLES, UNICA

La degeneracin en C se provoca por una restriccin redundante : 3

C se
genera de la simultaneizacin de las rectas 1,2 ; 2,3 ; 1,3 y se tienen 3 soluciones
bsicas.
Como en el grfico anterior el nmero de soluciones bsicas es infinito y
hacemos o tomamos solo soluciones bsicas:
# mximo de
soluciones bsicas

m+n
m

m+n
n

m+n!
m! n!
m = # de restricciones.
n
= # de variables de

decisin.
#=

3+2
3

3+2
2

5
3

5
2

5!
3! 2!

= 10

3
1

S e t ie n e n e n t o t a l 9 s o l u c io n e s ; la 1 0 n o s e d a p o r q u e
la r e c t a 3 y x 2 n o s e c r u z a n y p o r l o t a n t o h a y u n a
S O L U C I N IN E X IS T E N T E .
3
1

En los ejemplos anteriores no cambia el nmero mximo, pero las lneas

horizontal y vertical o cruzan el eje contrario.

1
1

1
1

S .I.

S .I.

S .I.

4 + 2
4

4 + 2
2

6!
4! 2!

1
1

N =

1
S .I.

S .I.

El modelo de programacin lineal se puede presentar en diferentes formas y algunas de ellas

resultan importantes para el manejo de los temas siguientes del curso.

FORMA CANONICA: Esta es til para el manejo del tema que se refiere al problema
dual de cualquier problema de programacin lineal. La forma cannica aceptable y
reconocida en la mayora de los textos debe cumplir con lo s siguientes requisitos:
1. Funcin objetivo maximizar.
2. Restricciones del tipo .
3. Condiciones de negatividad para variables.
Otra forma legtima para considerar como cannica es cumpliendo con los siguientes requisitos:

1. Funcin objetivo de minimizar.

2. Restricciones del tipo .
3. Condiciones de no negatividad para variables.

FORMAS CANONICAS.
Maximizar.
Minimizar.
z = Cx
z = Cx
sujeto a:
sujeto a:
Ax b
Ax b
x0
x0
Max z = 3x1 + 5x2

(-1)

Suj. a:

Min z = -3x1 - 5x2

Suj. a:

4
2x2 12
3x1 + 2x2 18

-x1
-4
- 2x2 -12
-3x1 - 2x2 -18

x1

x1 ; x2 0
FORMA ESTANDAR: El modelo de programacin lineal para resolverse, necesita
arreglarse para igualdades, lo cual se consigue utilizando tanto variables de holgura
como variables superfluas. Lo anterior da lugar a la presentacin del modelo
cumpliendo con l os siguientes requisitos:

15

1.
2.
3.
4.

Funcin objetivo para Max. o bien Min.

Restricciones del tipo =.
Lado derecho de restricciones no negativo.
Condiciones de no negativo para variables.

FORMA IRREGULAR: El modelo de programacin lineal generalmente se presenta

en forma irregular; es decir, no cumple con la forma cannica ni tampoco forma
estndar, pero mediante el procedimiento algebraico se puede conseguir convertir a un
modelo que cumpla las formas mencionadas tal como se ve en el siguiente ejemplo:
Formas equivalentes del modelo de programacin lineal.
Ejemplo:

LIBRE

Max z = 5x1 - x2 + 3x3

...sujeta a:
x1 + 2x2 + 4x3 12
x2 +
x3 = 5
2x1 x2 + 5 x3 6

... (1)
... (2)
... (3)

x1 ; x2 0 ;

x3

Formas cannicas (en forma vectorial)

Max z = Cx
sujeto a:
Ax 0
x0

Min z = Cx
sujeto a:
Ax 0
x0

.....en el caso anterior conviene usar Max para no invertir la funcin objetivo.
Forma cannica.
Algo que incomoda es x1 0 y entonces se hace un acuerdo matemtico para
crear otra variable x1 como se hace a continuacin:
x1 0

-x1 = x1 0

...la hicimos igual a x1 y luego multiplicamos todo por 1.

(-x1 = x1 0) (-1) =

x1 = -x1 0
...ahora para x3 :

x3 = (x3+ - x3-)
x3+ ; x3- 0
si...

x3+ > x3x3+ < x3x3+ = x3-

x3 > 0
x3 < 0
x3 = 0

iniciando...
4

Un problema rara vez se presenta en forma cannica o estndar.

Multiplicamos
por los
arreglos a los
coeficientes.

Max z = 5x1 - x2 + 3x3

z = 5x1 - x2 + 3x3+ - 3x3-

...sujeta a:
x1 +

2x2

4x3+ - 4x3-

12

... (1)

Para la restriccin original (2) no tengo un proceso especfico, pero se ponen en sustitucin de
esta restriccin de igualadad a 2 restricciones de desigualdad con signos opuestos (mismo trminos).
x2 + x3+ - x3- 5 ........ (2+)
x2 + x3+ - x3- 5 ........ (2-)
...pero como no tenemos que tener aqu , entonces multiplicamos a 2- por (-1) y queda de la
siguiente forma:
-x2 - x3+ + x3- -5 ........ (2-)

Pasando a la restriccin (3), hay que multiplicarla por (-1) sin dejar de tomar el signo para x1.
2x1 + x2 - 5x3+ + 5x3- -6
x1 = -x1 0 ; x2 , x3+ ; x3- 0
Agrupando todo lo anterior resulta la forma cannica.
Forma estndar.
Max/Min z = Cx
Sujeta a:
Ax=b
x 0
Max z = 5x1 - x2 + 3x3 3x3
Sujeta a: (tomando las originales y tomando los arreglos para variables)5
- x1 + 2x2 + 4x3+ - 4x3- + x4 = 12
x2 + x3+ - x3= 5
- 2x1 - x2 + 5x3+ - 5x3- - x5 = 6

..... (1)
..... (2)
..... (3)

SUPERFLUA

x1 ; x2 ; x3+ ; x3- ; x4 y x5 0

......quedando de esta manera la forma estndar.

Ejercicio:
5

Para hacer = una o se resta una variable superflua o sumamos una de holgura respectivamente.

Min z = 4x1 + 3x2 - x3

Sujeta a:
2x1 - x2 + 2x3 = 14
x1 + x2 + 3x3 8
3x2 + 2x3 4

.....
.....
.....

(1)
(2)
(3)

x1 LIBRE ; x2 0 ; x3 0
Forma cannica.
-x2 = x2 0
x2 = -x2 0

x1 = (x1+ - x1-)
x1+ 0 ; x1- 0

x1+ > x1- x1 > 0

x1+ < x1- x1 < 0
x1+= x1- x1 = 0

Min z = 4x1+ - 4x1- - 3x2 x3

Sujeta a:
(2x1+ - 2x1- + 2x2 + 2x3 14) (-1)
2x1+ - 2x1- + 2x2 + 2x3 14
..... (1-)
+
-2x1 + 2x1 - 2x2 - 2x3 -14
..... (1+)
(x1+ - x1- - 2x2 + 3x3 8) (-1)
-x1+ + x1- + 2x2 - 3x3 8

..... (2)

- 3x2 + 2x3 4

.....(3)

-2x1+ + 2x1- - x2 - 2x3 -14

2x1+ - 2x1- + x2 + 2x3 14
-x1+ + x1- + 2x2 - 3x3 8
- 3x2 + 2x3 4
x1+ ; x1- ; x2 ; x3 0

..... (1+)
..... (1-)
..... (2)

Forma estndar.
-x2 = x2 0
x2 = -x2 0

x1 = (x1+ - x1-)
x1+ 0 ; x1- 0

Min z = 4x1+ - 4x1- - 3x2 x3

Sujeta a:
2x1+ - 2x1- + x2 + 2x3
14 ..... (1)
x1+ - x1- - 2x2 + 3x3 + x4
8
..... (2)
- 3x2 + 2x3 - x5
4
..... (3)
x1+ ; x1- ; x2 ; x3 ; x4 ; x5 0

MTODO SIMPLEX.

..... (3)

El mtodo smplex fue desarrollado en 1947 por el Dr. George Dantzig y conjuntamente con el
desarrollo de la computadora hizo posible la solucin de problemas grandes planteados con la tcnica
matemtica de programacin lineal.
El algortmo denominado smplex es la parte medular de este mtodo; el cual se basa en la
solucin de un sistema de ecuaciones lineales con el conocido procedimiento de Gauss-Jordan y apoyado
con criterios para el cambio de la solucin bsica que se resuelve en forma iterativa hasta que la solucin
obtenida converge a lo que se conoce como ptimo.
Las definiciones siguientes fundamentadas en 3 importantes teoremas, ayudan a entender la
filosofa de este eficiente algortmo.
Teoremas de la Programacin Lineal.
1.

El conjunto de soluciones factibles para un problema de P.L. es un conjunto convexo.

2.

La solucin ptima del problema de programacin lineal , si existe, es un punto extremo (vrtice) del
conjunto de soluciones factibles. Si dicha solucin ptima se tiene para ms de un punto extremo,
entonces tambin optimiza en cualquier punto que sea combinacin convexa lineal entre los dos
vrtices que optimiza.

z C= 3 6 m a x
A (0 ,6 )
zA = 24

R ( 4 ,6 )
C (2 ,6 )

M a x z = 3x1 + 5 x2
2

x1
2x2
3x1 + 2 x2
X 1, x 2

Z H= 3 6 m a x
H (4 ,3 )

4
12
18
0

(1 )
(2 )
(3 )

3 (2 ) + 5 (6 ) = 3 6

J (6 ,0 )
F ( 4 ,0 )

O ( 0 ,0 )

...y suponiendo que la funcin objetivo fuera:

Max zC = 6x1 + 4x2 6(2) + (6) = 36

Max zH = 6(4) + 4(3) = 36
Max zA = 6(0) + 4(6) = 24

Calcular P como CCL entre C y H con =

P = C + (1 - ) H
P = (2 , 6) + ( 1 ) (4 , 3)
P = ( , 3/2) + (3 , 9/4) = (7/2 , 15/4)
... y retomando el grfico anterior:
ZP = 6 (7/2) + 4 (15/4) = 36
3.

El nmero mximo de puntos extremos (vrtices) por revisar en la bsqueda de la solucin ptima
del problema es finito y coincide con el nmero mximo de soluciones bsicas nicas que se pueden
determinar mediante el binomio...
m+n
m

m+n
n

(m+n) !
m! n!

DIAGRAMA FUNCIONAL DEL

METODO SIMPLEX.

1
Sumar variables de holgura
(forma estndar)

2
Determinar una primera
solucin bsica factible.

3
Existe una
solucin
bsica factible

NO

Entonces la solucin bsica

factible es ptima.

SI

4
Calcular para la nueva
solucin bsica factible

CRITERIOS DEL ALGORITMO

SIMPLEX PARA EL CAMBIO DE BASE.
El algortmo smplex maneja exclusivamente soluciones bsicas y que cumplan con factibilidad;
es decir, todas las variables deben ser no negativas. Por lo tanto, para el manejo de las soluciones bsicas
factibles y su valoracin, requiere de la aplicacin de ciertos criterios fundamentados en los teoremas ya
mencionados. Por cada intento de clculo es necesario aplicar los siguientes criterios:
Criterio de optimalidad. Se aplica en el algortmo smplex para determinar entre las variables nobsicas, una que entre a la base, eligiendo aquella no-bsica con el coeficiente ms negativo en el
rengln z de la tabla smplex; si el problema tiene el objetivo de maximizar. En caso contrario, es
decir, para minimizar, debe elegirse para variable entrante a la base a aquella que tenga el coeficiente
ms positivo en el rengln z de la tabla.
Criterio de factibilidad. Se aplica en el algoritmo smplex para determinar entre las variables bsicas
a una que salga de la base, aplicando la siguiente funcin.
xi
Min

; solo a i k > 0
a ik

Esto es vlido tanto para problemas de maximizar como de minimizar.

Elemento pivote. Se declara como elemento pivote a aqul coeficiente que se ubica en el cruce
de la columna k y el rengln i elegidos en los dos criterios ya anotados.

Ejemplo: Resolver con el mtodo smplex el siguiente modelo de programacin lineal.

Max z = 3x1 + 5x2

...sujeta a:
4
12
18

x1
2x2
3x1 + 2x2

(1)
(2)
(3)

x1 ; x2 0

... conseguir la forma estndar

Max z = 3x1 + 5x2

sujeta a:

...

+ x3 4
2x2 +
3x1 + 2x2 +
x5
x1

Bloque #1

(1)
x4
18

12
(3)

(2)
x1 ; x2 ; x3 ; x4 , x5 0

holguras

FORMA MATRICIAL.
BASE
z
x3
x4
x5

1 solucin
bsica y
factible.

Z
1
0
0
0

x1
-3
1
0
3

VE x2

x3
0
1
0
0

-5
0
(p) 2
2

x4
0
0
1
0

DECISIN

x5
0
0
0
1

SOLUCION
0
4
12 RS 12/2=6
18
18/2=9

HOLGURA

Es 0 porque no hay z en 1, 2 y 3

El rengln z tiene la funcin econmica u objetivo.

Para nuestra primera solucin bsica y factible se deben de tener ceros en los coeficientes de
nuestras variables bsicas (x3, x4 y x5) y se debe de tener a la matrz identidad (aunque estn desordenadas
las columnas).
Aplicamos ahora los criterios 1 y 2 (en ese orden).
Por criterio de optimalidad declaro a x2 como variable entrante (VE).
Ahora por el criterio de factibilidad determino la VS; como en el 1er rengln el valor no es > 0,
no se hace, pero en el resto s.
12/2 = 6

y 18/2 = 9

...y se toma al menor como VS

Pasar ahora a la tabla y observar el ltimo rengln que ahora se agrega en la siguiente tabla:
BASE
RE(5) +Rz
7

RE = RS/P
RE(2) + Rx5

z
x3
x2
x5

z
1
0
0
0

VE x1

-3
1
0
(p) 3

x2
0
0
1
0

x3
0
1
0
0

x4
5/2
0

-1

x5
0
0
0
1

VERTICE

6
7

Ahora por arreglo se tendr: Max z 3x1 5x2 = 0

RE que pasa a ser el rengln pivote y se calcula dividiendo RS entre el pivote que es el 2

SOLUCION

30
4
4/1=4
6
6 VS 6/3=2

NOTA8

S O L U C I N B S IC A F A C T IB L E P A R A
U N V R T IC E A D E L S IS T E M A A M P L IA D O
A 5 D IM E N S IO N E S .

B (0 ,9 )
1

A (0 ,6 )

X 1,x 4 = 0
x3 = 4
x2 = 6
x5 = 6

R ( 4 ,6 )
C ( 2 ,6 )

H ( 4 ,3 )
S O L U C I N B S IC A F A C T IB L E
E N V R T I C E O D E L S I S T E M A
A M P L IA D O A 5 D IM E N S IO N E S .

J (6 ,0 )

x 1,x 2 = 0
x3 = 4
x4 = 12
x5= 18

F ( 4 ,0 )

O ( 0 ,0 )

Mientras haya coeficientes negativos en z todava no se llega a la solucin ptima (para todas
las variables del rengln z)
Como es la nueva var. Se deben hacer ceros a los dems.

BASE
RE(3) +z
RE(-1) + Rx3 =
RE= RS/P

z
x3
x2
x1

z
1
0
0
0

x1
0
0
0
1

x2
0
0
1
0

x3
0
1
0
0

Solucin ptima: zo=36; x1=2; x2=6; x3=2; x4,5 = 0

x4
3/2
1/3

-1/3

x5
0
-1/3
0
1/3

SOLUCION

36
2
6
2

VERTICE C

Ejemplo:

Max z = 6x1 + 10x2

Sujeta a:
x1 + x2
5
x1 + 2x2
4
x1
3

..... (1)
..... (2)
..... (3)

x1 ; x2 0

forma estndar:
Max z = 6x1 + 10x2
Sujeta a:
x1 + x2 + x3 = 5
..... (1)
x1 + 2x2 + x4 = 4
..... (2)
x1
x5 = 3
..... (3)
x1 ; x2 ; x3 ; x4 ; x5 0

...por arreglo:

En esta tabla lo que se busca es obtener (justificar) lo 0s de la columna x2 (VE) multiplicamos RE

por el inv. aditivo del # que se quiere cambiar a cero y sumamos el rengln mismo anterior. En x3 ya no se
hace nada porque ya se tena el cero.
8

z - 6x1 + 10x2 = 0
FORMA MATRICIAL:
BASE

Z
1
0
0
0
1

z
x3
x4
x5
RE(10) + z
z
RE(-1)+x3
x3
RE=RS/P
x2
X5
RE(1)+z
z
RE(- )+x3
x3
RE(- )+x2
x2
RE=RS/P
x1

x1
-6
1
1
1
VE
-1

RE x2
-10
P 1
2
0
0

x3
0
1
0
0
0

x4
0
0
1
0
5

x5
0
0
0
1
0

0
5
4
3
20

3/1/2=6

2/1/2=4

P 1

3
RS
3/1=3
23

3/2

Como todava hay

coeficientes < 0 en este
rengln z se contina...
La solucin ptima es:

x1 x2
(0 , 5) B
(5 , 0) R
X

x4 = x5 = 0
9

x1 x2
(0 , 2) A
(4 , 0) H

(3 , 0) F

1
B (0 ,5 )

z (0 )
zA =
zF =
zC =

0 0
6 (0 ) + 1 0 (2 ) = 2 0
6 (3 ) + 1 0 (0 ) = 1 8
6 ( 3 ) 6 1 0 (1 /2 ) = 2 3 M A X .

2
A (0 ,2 )
9

Toda variable fuera de la base tiene un valor

igual a cero.
C
R (5 ,0 )
O (0 ,0 )

LO S PUNTO S < 0
N O S O N F A C T IB L E S .

F ( 3 ,0 )

H
(4 ,0 )

RS 5/1
4/2

Atencion en multiplicar
por el inverso aditivo

z = 23
x3 = 3/2
x2 =
x3 = 3

SOLUCION

VARIABLES ARTIFICIALES.
El modelo de programacin lineal se presenta generalmente en forma irregular; es decir, que se
pueden incluir restricciones de cualquier tipo. Cuando las restricciones son del tipo , la variable de
holgura que se suma para conseguir que la restriccin sea de igualdad proporciona el coeficiente +1 que
es til para la formacin de la matriz initaria de base en el algortmo smplex. En contraste, una
restriccin del tipo requiere que se le reste una variable superflua para conseguir igualdad en la
misma, lo cual no proporciona el coeficiente +1 para la base como primera solucin en el algortmo
smplex. Tambin ocurre que las restricciones del tipo = no requieren arreglo con holguras o superfluas
y por lo tanto tampoco se tiene al coeficiente +1 para la primera base del simplex.

Por tal motivo se necesita de un arreglo artificial para el caso de que el modelo
de programacin lineal que se pretende resolver con el algortmo smplex utilizando las
llamadas variables artificiales; de esta manera debe sumarse un variable artificial ( )10
por cada restriccin del tipo y por cada una del tipo = presentes en el problema.
Cuando el problema que se pretende resolver necesita de variables artificiales,
entonces el algortmo smplex que se aplica es con variantes, las cuales se vern para
pequeos ejemplos.
Las variables artificiales no tienen significado fsico y solo deben comprenderse
como artificios matemticos para la matriz de base.
METODO SIMPLEX PENAL
O DE LA M GRANDE.
Como su nombre lo indica, consiste en penalizar la inclusin de las variables
artificiales en la funcin objetivo con un coeficiente M muy grande que para el caso de
maximizar es - M y para el caso de minimizar es + M.
La primera solucin bsica del smplex en tal caso, debe de incluir a todas las
variables artificiales que fueron necesarias en el arreglo del modelo de programacin
lineal por resolver esto ltimo porque las variables artificiales se utilizan precisamente
para tomar la primera solucin bsica. A medida que se cumplen las etapas de clculo en
el smplex, las variables artificiales debern de ir saliendo de la misma, en consecuencia
del coeficiente M muy grande.
Si se presenta el caso de que las variables artificiales no se logren sacar de la
base y por lo tanto se anulen, ello significar que tal problema no tiene solucin factible.
Ejemplo:
Max z = 4x1 + 3x2
Sujeta a:
x1 + x2 6
2x1 - x2 0
x1
= 2
10

..... (1)
..... (2)
..... (3)

x2 0
Forma estndar.
Max z = 4x1 + 3x2
Sujeta a:
x1 + x2 - x3
2x1 - x2 - x4
x1

6
0
= 2

..... (1)
..... (2)
..... (3)

x2 , x3 , x4 0
...consiguiendo una base artificial....
x1 + x2 2x1 - x2 x1

x3 +
x4 +
+

5
6
7

6
0
= 2

..... (1)
..... (2)
..... (3)

VAR. ARTIFICIALES

x2 , x3 , x4 ,

Penalizar la funcin objetivo.

Min z = 4x1 + 3x2 + M

+M

+M

...debemos pasar al arreglo de tener el trmino independiente cero al lado derecho.

z - 4x1 - 3x2 - M

-M

-M