Capitulo Ii de I.O

PROGRAMACIN LINEAL JOS SALOMN NEZ DURN 7
________________________________________________________________________
__
CAPTULO 2
PROGRAMACIN LINEAL
2.1 Qu es la programacin lineal ?
La programacin lineal es parte de la programacin matemtica que permite asignar recursos,

de manera que mientras se vayan cumpliendo restricciones de tipo tecnolgico, humano o financiero, se
optimiza la funcin objetivo.
La formulacin matemtica de la programacin lineal se plantea en los siguientes trminos.
Sea:
z = f (x) FUNCIN OBJETIVO
sujeto a:
f (x) <,>,= b RESTRICCIONES
tal que:
x >= 0 CONDICIN DE NO NEGATIVIDAD
Tanto en la funcin objetivo como en las restricciones, las relaciones son lineales, es decir las
variables son de primer grado; en caso que las variables sean de grado superior, el problema ser
estudiado por la programacin no lineal .
2.2 Planteamiento de problemas
Para enfocar la resolucin a travs de un algoritmo, previamente debe interpretarse la

formulacin del problema con la terminologa matemtica adecuada, por ello que se presentan a
continuacin dos problemas y su planteamiento.
Problema 1 Un proyecto agrcola debe determinar la cantidad de hectreas de cultivo para

manzana, pera, uva y durazno de forma que se optimicen las utilidades.
Se disponen de 20 hectreas cultivables bajo riego. En el sector existen 80 familias que sern
favorecidas por el proyecto, se tienen los siguientes datos tcnicos para los cuatro cultivos.
Cultivo Produccin Precio Venta rea Ocupada Mano de Obra Costo

Kg/rbol Bs/Kg m 2/rbol H-h/ao-rbol Bs/rbol
Manzana 40 2 8 40 2
Pera 35 3 4 50 4
Uva 12 2 2 80 0,5
Durazno 40 1 4 30 1
8 PROGRAMACIN LINEAL JOS SALOMN NEZ DURN
________________________________________________________________________
__
El proyecto cuenta con 500.000 Bs. para la inversin.
Plantear el problema en trminos de P.L.
El primer paso: Determinar la funcin objetivo.
Se denominan las variables del problema a:
x1 = rbol de manzana
x2 = rbol de pera
x3 = rbol de uva (en realidad planta)
x4 = rbol de durazno
La funcin objetivo debe ser maximizar la ganancia:
i=n
max z = ( ganancia(i) * x(i) ) [ Bs ]
i=1
Ganancia= precio venta [Bs / Kg] * produccin [Kg / rbol]
max z = 2 Bs/Kg * 40 Kg/rbol manzana * X1 rbol manzana

+ 3 Bs/Kg * 35 Kg/rbol pera * X2 rbol pera
+ 2 Bs/Kg * 12 Kg/rbol uva * X3 rbol uva
+ 1 Bs/Kg * 40 Kg/rbol durazno * X4 rbol durazno
Consiguientemente la funcin objetivo se expresa como:
max z = 80 X1 + 105 X2 + 24 X3 + 40 X4
El segundo paso: Establecer las restricciones:
a).- Mano de obra

b).- Financiero
c).- Espacio para cultivo
(a) Mano de obra
40 H-h/rb.manz. * X1 rb.manz. + 50 H-h/rb.pera * X2 rb.pera + 80 H-h/rb.uva * X3 rb. uva

+ 30 H-h/rb.durz * X4 rb.durz <= 80 Flias * 2 hombres/Flia * 8 Horas/dia * 250 dia/ao
40 X1 + 50 X2 + 80 X3 + 30 X4 <= 320.000
(b) Financiero
2 Bs/rb.manz. * X1 rb.manz. + 4 Bs/rb.pera * X2 rb.pera + 0,5 Bs/rb.uva * X3 rb. uva

+ l Bs/rb.durz. * X4 rb.durz <= 500.000 Bs.
2 X1 + 4 X2 + 0,5 X3 + X4 <= 500.000

(c) Espacio para cultivo
________________________________________________________________________
__
8 m 2/rb.manz * X1 rb.manz. + 4 m2/rb.pera * X2 rb.pera + 2 m2/rb. uva * X3 rb. uva

+ 4 m2/rb.durz * X4 rb.durz <= 20 Ha * 10.000 m2 / Ha
8 X1 + 4 X2 + 2 X3 + 4 X4 <= 200.000
El planteamiento matemtico del problema es:
max z = 80 X1 + 105 X2 + 24 X3 + 40 X4
sujeto a:
40 X1 + 50 X2 + 80 X3 + 30 X4 <= 320.000
2 X1 + 4 X2 + .5 X3 + X4 <= 500.000
8 X1 + 4 X2 + 2 X3 + 4 X4 <= 200.000
donde:
X (i) >= 0
PROBLEMA 2 En un proceso de fabricacin se disponen 240 libras de madera, 360 libras de

plstico y 180 libras de acero. Se producen 2 tipos de artefactos; el artefacto A, requiere 1 libra de
madera, 3 de plstico y 2 de acero. El artefacto B requiere 3 libras de madera, 4 de plstico y 1 de
acero.
Determinar la cantidad ptima de produccin de los artefactos A y B, si el precio de venta es de

4 $us para A y 6 $us para B.
Sean las variables del problema:
x1 = unidades de artefacto A.
x2 = unidades de artefacto B.
Funcin Objetivo:
mx z = 4 $us/ Artf.A * x 1 Artf.A + 6 $us/ Artf.B * x 2 Artf.B
Restricciones. Del enunciado se resumen los siguientes datos:
INSUMO ARTEFACTO A ARTEFACTO B RESTRICCIONES
Madera 1 lb 3 lb 240 lb
Plstico 3 lb 4 lb 360 lb
Acero 2 lb 1 lb 180 lb
Consecuentemente, las inecuaciones se expresan como:
1 lb mad./ U.A. * x 1 U.A. + 3 lb mad./U.B. * x 2 U.B. <= 240 lb mad.

3 lb pla./ U.A. * x 1 U.A. + 4 lb pla./U.B. * x 2 U.B. <= 360 lb pla.
2 lb ace./ U.A. * x 1 U.A. + 1 lb ace./U.B. * x 2 U.B. <= 180 lb ace.
El planteamiento matemtico:
________________________________________________________________________
__
max z = 4 x 1 + 6 x 2
Sujeto a:
1 x 1 + 3 x 2 <= 240
3 x 1 + 4 x 2 <= 360
2 x 1 + 1 x 2 <= 180
Donde:
x1, x2 >= 0
2.3 Resolucin utilizando lgebra
El mtodo Simplex fue creado en 1947 por el Dr. George Dantzig en los Estados Unidos de
Amrica para resolver problemas de programacin lineal, basado en los trabajos de los matemticos
Gauss y Jordan. Sin embargo, antes de hacer la presentacin formal matemtica del algoritmo del
Simplex, se emplearn las herramientas ms simples del lgebra para resolver el ltimo problema
planteado.
En el planteamiento matemtico existen dos variables x 1 y x 2, por ello, la representacin podr

hacerse en el plano cartesiano; de ello, se infiere que si se tienen tres variables, la representacin ser
en el espacio tridimensional. Por lo tanto, si el problema presentara ms de tres variables, su
representacin matemtica ser en el espacio euclideano n-dimensional, imposible de graficar.
El primer paso ser considerar las inecuaciones como si fueran ecuaciones para poder
representarlas en el plano cartesiano.
x1 + 3x2 = 240 Ec (1)

3x1 + 4x2 = 360 Ec (2)
2x1 + x2 = 180 Ec (3)
Para determinar las coordenadas de interseccin con los ejes x 1 y x 2 de la Ec (1), se

considerar x1 = 0, por lo tanto x 2 = 80. Si x 2 = 0, entonces x 1 = 240.
Para la Ec (2) :
Si x 1 = 0 , entonces x 2 = 90
Si x 2 = 0 , entonces x 1 = 120
Para la Ec (3) :
Si x 1 = 0 , entonces x2 = 180
Si x 2 = 0 , entonces x1 = 90
En la figura 2.1 se hace la representacin grfica de las tres ecuaciones en el plano cartesiano.
________________________________________________________________________
__
FIGURA 2.1
REPRESENTACIN GRFICA EN EL PLANO
Ec.3
X2
200
Ec.2
150
Ec. 1
100
P1 P2
50
P3
P4
50 100 150 200 250 X1
El rea comn sombreada, es un polgono limitado por los ejes x 1, x 2 y las tres inecuaciones, los
vrtices se denominan puntos extremos, en este caso P1, P2, P3 y P4 cuyas coordenadas representan
al conjunto de soluciones del problema de programacin lineal. Por este motivo, se formarn dos
sistemas de ecuaciones Ec (1) - Ec (2) y Ec (2) - Ec (3).
x1 + 3x2 = 240 3x 1 + 4x2 = 360

3x1 + 4x2 = 360 2x 1 + x 2 = 180
x1 = 24 x 1 = 72
x2 = 72 x 2 = 36
Entonces los puntos:
P(1)=(0,80) P(2)=(24,72) P(3)=(72,36) P(4)=(90,0)
en combinacin con la funcin a optimizar:
maz x = 4 x1 + 6 x2
Se determinan los siguientes resultados:
PI X2 X2 max z
________________________________________________________________________
__
P1 0 80 480
P2 24 72 528
P3 72 36 504
P4 90 0 360
La combinacin que optimiza la funcin es :
x1 = 24 unidades de artculo A
x2 = 72 unidades de artculo B
cuya ganancia ptima ser de 528 $us.
2.4 Formas de la programacin lineal
2.4.1 Forma cannica
max (min) z = c X
sujeto a:
A X <>= b
donde:
X >= 0
2.4.2 Forma matricial
Inicialmente definamos los siguientes vectores y matrices:
c = [ c1, c2, ...,cn ] Vector de costos
x1
x2
X= .
. Vector de variables
xn
b1
b2
b= . Vector de recursos y/o

. disponibilidades.
________________________________________________________________________
__
bn
a11 a12 .......... a1n

a21 a22 .......... a2n
A = ........................ Matriz de coeficientes
........................ tecnolgicos
am1 am2 .......... amn
Consecuentemente el planteamiento matricial ser:

x1
mx (min) z = [c1,c2,..,cn] x2
.
xn

Sujeto a:

a11 a12 ........ a1n x1 b1
a21 a22 ........ a2n x2 < b2
.................... . = .
.................... . > .
am1 am2 ........ amn xn bn

Donde:
X >= 0
2.4.3 Forma algebraica
mx(min) z = c1 x1 + c2 x2 + . . . + cn xn
Sujeto a:
a11 x1 + a12 x2 + . . . + a1n xn <>= b1

a21 x1 + a22 x2 + . . . + a2n xn <>= b2
...............................................................
...............................................................
am1 x1 + am2 x2 + . . . + amn xn <>= bm
Donde : Xi > 0
2.4.4 Forma algebraica reducida
i=m
mx (min) z = c(i) x(i)
i=1
________________________________________________________________________
__
Sujeto a:
m,n
a(i,j) x(i) <>= b(i)
i,,j=1
Donde:
x(i) >= 0
2.5 Formas equivalentes de la programacin lineal
En el planteamiento de los problemas de P.L., se presentan algunas ecuaciones que pueden ser
convertidas a otro tipo de expresiones que simplifican el trabajo significativamente, por ello, se estudian
a continuacin algunas reglas de equivalencia.
Regla 1.- Maximizar z, es equivalente a minimizar (-z)
min ( z ) mx (-z)
Ejemplo:
mx z = 4 x1 + 6 x2 min z = -3 x1 + 4 x2 - 3 x3
min z = -4 x1 - 6 x2 mx z = 3 x1 - 4 x2 + 3 x3
Regla 2.- Cuando una inecuacin se multiplica por (-1), el signo de la desigualdad
cambia.
A X <= b es equivalente a - A X >= - b
Ejemplo:
2x1 + 3 x2 - 3 x3 <= 12
es equivalente a:
- 2x1 - 3 x2 + 3 x3 >= -12
Regla 3.- Una ecuacin de la forma A X = b , puede ser expresada por la interseccin
de
las desigualdades:
A X <= b y A X >= b
Ejemplo:
________________________________________________________________________
__
4 x1 + 3 x2 = 12
Equivalente a:
4 x1 + 3 x2 <= 12 y 4 x1 + 3 x2 >= 12
En la figura 2.2 se observa la interpretacin grfica del sentido de equivalencia anterior.
FIGURA 2.2
EQUIVALENCIA DE ECUACIN POR INECUACIONES
X2
1 2 3 4 5 X1
Regla 4.- Una inecuacin del tipo AX <= b puede ser expresada como ecuacin
aadiendo una componente de holgura. Una serie de desigualdades del tipo AX <= B,
puede ser expresada como ecuaciones aadiendo un vector de holgura.
Ejemplo:
4 x1 + 3 x2 + x3 <= 12
2 x1 + x2 + 12 x3 <= 8
x1 + 2 x2 - 3 x3 <= 6
Se expresa como:
4 x1 + 3 x2 + x3 + x4 = 12
________________________________________________________________________
__
2 x1 + x2 + 12 x3 + x5 = 8
x1 + 2 x2 - 3 x3 + x6 = 6
Donde el vector de variables de holgura es:

x4
x5
x6

Regla 5.- Una ecuacin del tipo AX >= b, puede ser expresada como ecuacin
aadiendo una componente artificial. Una serie de desigualdades del tipo AX >= b,
puede ser expresada como ecuaciones aadiendo un vector artificial.
Ejemplo:
4 x1 + 3 x2 + x3 >= 12
2 x1 + x2 + 12 x3 >= 8
x1 + 2 x2 - 3 x3 >= 6
Se expresa como:
4 x1 + 3 x2 + x3 - x4 = 12
2 x1 + x2 + 12 x3 -x5 =8
x1 + 2 x2 - 3 x3 -x6 =6
Donde el vector de variables artificiales es:

x4
x5
x6

2.6 Teoremas de la programacin lineal
Teorema 1.- Un vector P es combinacin convexa de m dimensiones de los vectores P1,

P2, ... , Pn de m dimensiones, si existen coeficientes cuya sumatoria es igual a uno.
n
(i) = 1
i=1
expresada como:
P = 1 P1 + 2 P2 + 3 P3 + ... + n Pn
Como consecuencia del postulado anterior, dados dos vectores P1 y P2 de m dimensiones, el

segmento de lnea que une ambos vectores puede ser expresado como combinacin convexa de P1 y
P2.
P1
________________________________________________________________________
__
P2
Fig 2.3 Combinacin convexa de dos vectores
Teorema 2.- Un conjunto de vectores de m dimensiones es convexo siempre que dos vectores
que pertenecen al conjunto, el segmento de lnea entre dos vectores tambin pertenece al conjunto.
Como consecuencia, un vector P es un punto extremo de un conjunto si no es posible expresarlo

como una combinacin convexa de otros dos vectores del conjunto, es decir, un punto extremo
descansa en el segmento de lnea entre cualquier otro par de vectores del conjunto.
X1
X2
Fig. 2.4 Conjunto convexo
Teorema 3.- El conjunto de todas las soluciones factibles de un problema de programacin

lineal es un conjunto convexo. Todos los puntos dentro del conjunto convexo son soluciones factibles de
un programa de P.L.
X2
Poliedro convexo
Punto extremo
X2
Fig. 2.5 Conjunto de soluciones
Teorema 4.- La funcin objetivo de un programa de programacin lineal, obtiene un mximo o

un mnimo valor, en uno o dos puntos extremos del poliedro convexo de soluciones factibles.
Los vrtices de un poliedro convexo correspondientes a un programa de programacin lineal

constituyen el conjunto de soluciones que optimizan, sin embargo el ms extremo es la solucin.
2.7 Algoritmo de resolucin del Simplex
Expresar el problema en
trminos matemticos
________________________________________________________________________
__
Convertir las inecuaciones en

ecuaciones
Construir el tableau
Transferir valores del programa
Determinar el mnimo valor del vector

de costos y denominar columna pivotal
Determinar el pivote con la relacin

a (i,r) = min [ b(i) / a (i,r) ]
Dividir la fila pivotal con el valor del

pivote incluido el elemento b(i)
r
Convertir en 0 todos los elementos de

la columna pivotal incluido c(j)
Utilizar el mtodo Gauss Jordan
El programa concluye cuando c(j) >=0

En caso de existir un elemento c(j) <0,
entonces repetir el algoritmo
FIN
FFININ
Resolver el programa siguiente utilizando el mtodo Simplex.
mx z = 7/5 x1 + x2
Sujeto a:
2 x1 + x2 <= 8
3 x1 + 4 x2 <= 24
Convertir las inecuaciones en ecuaciones:
Se agregan las variables de holgura.

________________________________________________________________________
__
2 x1 + x2 + x3 =8
3 x1 + 4 x2 + x4 = 24
Transportar los datos al tableau.

V.B. x1 x2 x3 x4 b

x3 2 1 1 0 8
x4 3 4 0 1 24

- z - 7/5 1 0 0 X

x1 1 1/2 1/2 0 4
x4 0 5/2 -3/2 1 12

- z 0 -3/10 7/10 0 28/5

x1 1 0 4/5 -1/5 8/5
x2 0 1 -3/5 2/5 24/5

- z 0 0 13/25 3/25 176/25

Los resultados del problema son:
x2 = 24/5
x1 = 8/5
mx z =175/25
2.8 El algoritmo del Simplex explicado en detalle
Un carpintero tiene 90, 80 y 50 metros de caoba, cedro y nogal respectivamente. El producto A,

requiere 4, 2, 2 metros lineales de caoba, cedro y nogal respectivamente y el producto B requiere 2, 4 y
2 metros lineales de caoba, cedro y nogal.
Si A se vende en Bs. 24 y B en 20 Bs. Cuntas unidades de cada producto deben

manufacturarse para obtener la mxima ganancia ?
Planteamiento del problema:
TIPO DE MADERA PRODUCTO A PRODUCTO B

CAOBA 4 m 2 m 90 metros
CEDRO 2 m 4 m 80 metros
NOGAL 2 m 2 m 50 metros
________________________________________________________________________
__

G a n a n c i a 24 Bs/u. 20 Bs/u

Planteamiento matemtico:
Como se trata de optimizar la ganancia, entonces se trata de un problema de maximizacin.
Llmese al producto A = x1
Llmese al producto B = x2
mx z = 24 x1 + 20 x2
Sujeto a:
4 x1 + 2 x2 <= 90
2 x1 + 4 x2 <= 80
2 x1 + 2 x2 <= 50
Donde:
x1,x2 >= 0
Para convertir las inecuaciones en ecuaciones, se aplica la regla 4 de la P.L.
4 x1 + 2 x2 + x3 = 90
2 x1 + 4 x2 + x4 = 80
2 x1 + 2 x2 + x5 = 50
Trasldense los coeficientes al tableau, inicialmente en la primera fila, se identifican las

variables bsicas, las variables de holgura y el vector de disponibilidades y/o requerimientos.
En el vector columna correspondiente a las variables bsicas, deben reemplazarse por las
variables de holgura, sto en el tableau inicial.
Al vector columna correspondiente a b, deben trasladarse los valores que corresponden a las
disponibilidades y/o requerimientos.
Los valores por fila de las restricciones, deben trasladarse al tableau debajo de las variables
bsicas que corresponden.
En el vector fila correspondiente a los costos, deben trasladarse las ganancias debajo de las
variables que corresponden y multiplicarse por (-1).
Columna pivotal

V.B. x1 x2 x3 x4 x5 b

x3 4 PIVOTE 2 1 0 0 90 Fila pivotal
x4 2 4 0 1 0 80
x5 2 2 0 0 1 50

- z -24 -20 0 0 0 -----

________________________________________________________________________
__
Debe determinarse:
min [- z(j) ] = [-24, -20] = -24
La columna correspondiente al min [- z(j) ] se llamar en adelante, columna pivotal y se

expresa como r. Los elementos de la columna pivotal se denominarn a(i,r).
4
a(i,r) = 2
2
Para determinar el pivote, debe calcularse:
min { b(i)/ a(i,r) } = { 90/4, 80/2, 50/2 } = 90/4
Donde a(i,r) > 0
Al valor a(i,r) que corresponde al menor cociente denominar pivote, en este caso 4.
El valor del pivote debe convertirse en unidad por la aplicacin del mtodo Gauss Jordan para la
inversin de matrices; para ello debe dividirse toda la fila pivotal incluido el elemento del vector b.
a(i,j) / a(i,r) , b(i) / a(i,r) para i=fila pivotal
Con la misma metodologa de inversin de matrices, deben convertirse los elementos de la

columna pivotal (excepto el pivote) en ceros, incluido el elemento -z(r). La regla prctica, considera el
valor del elemento columna a(i,r) por (-1), multiplica cada elemento de la fila pivotal por a(i,r) y resta
entre cada elemento de la fila (i) en operacin.

x1 1 1/2 1/4 0 0 90/4 (-2) (-2)
x4 0 3 -1/2 1 0 35
x5 0 1 -1/2 0 1 5

- z 0 -8 6 0 0 540

Si existe un valor - z(j) < 0, entonces an no se ha llegado al ptimo, debiendo iterarse cuantas
veces sea necesario hasta que - z(j) >= 0.
El menor valor (-8) del vector -z(j) corresponder a la columna pivotal y el valor del pivote ser
1. El procesamiento ser similar a la anterior iteracin.

x1 1 0 1/2 0 0 20
x4 0 0 1 1 0 20
x2 0 1 -1/2 0 0 5

- z 0 0 2 0 8 580

Todos los elementos del vector -z (j) >= 0, entonces se ha llegado al tableau optimal donde se
encuentran las soluciones al programa de P.L.
x1 = Artculo A = 20 unidades
x2 = Artculo B = 20 unidades
________________________________________________________________________
__
La ganancia ptima es 580 Bs.
Prueba: mx z = 24 x1 + 20 x2
24(20) + 20(5)
480 + 100
580
El problema 2 que fue resuelto por la va algebraica y por el mtodo grfico, ser resuelto por
el mtodo del Simplex.
Su planteamiento matemtico:
mx z = 4 x1 + 6 x2
Sujeto a:
1 x1 + 3 x2 <= 240
3 x1 + 4 x2 <= 360
2 x1 + 1 x2 <= 180
Donde x1, x2 >= 0
Conversin de las desigualdades a igualdades agregando el vector de holguras.
x1 + 4 x2 + x3 <= 240
3 x1 + 4 x2 + x4 <= 360
2 x1 + 1 x2 + x5 <= 180
Vaciando al tableau, los datos del programa.
Aplicacin del algoritmo del Simplex.

V.B. x1 x2 x3 x4 x5 b

<--- x3 1 *3* 1 0 0 240
x4 3 4 0 1 0 360
x5 2 1 0 0 1 180

- z -4 -6 0 0 0 X

x2 1/3 1 1/3 0 0 80
<--- x4 *5/3* 0 -4/3 1 0 40 (-4) (-1)
x5 5/3 0 -1/3 0 1 100

- z -2 0 2 0 0 480

x2 0 1 3/5 -1/5 0 72
x1 1 0 -4/5 3/5 0 24
x5 0 0 1 -1 1 60

- z 0 0 2/5 6/5 0 528

________________________________________________________________________
__
Este programa de P.L. ha recorrido dos puntos indicados en la grfica, en el primer vrtice del
polgono convexo correspondiente a la primera iteracin se tiene P1 = (0,80), es decir el eje de las x1=0
y en el eje x2=80. El segundo punto corresponde a P2 = (24,72) y es el vrtice, en la grfica, ms
alejado del eje de coordenadas; por lo tanto corresponde al ptimo.
2.9.- Anlisis de sensibilidad
Las condiciones en la organizacin son dinmicas, es decir, el punto ptimo puede cambiar
cuando existen variaciones en las utilidades, costos, disponibilidades de recursos: financieros,
tecnolgicos o humanos, requerimientos por recurso y artculo, etc. En este epgrafe se analizarn las
variaciones que se presentan en los vectores de recursos y/o disponibilidades y en el vector de costos.
Se estudian este grupo de tcnicas de sensibilidad para que el analista de I.O. evite volver a
iterar, las veces que alguna variable cambie de valor. En realidad el objetivo de este epgrafe, es
calcular el rango de modificacin que pueden sufrir las variables, de manera que la combinacin de
recursos contine siendo ptima para el programa. Para tener continuidad con el ejemplo estudiado,
volver a ser objeto de anlisis.
El conocimiento de las tcnicas de anlisis de sensibilidad para el analista de I.O, le darn la

base terica necesaria para comprender el fenmeno, pero en la prctica se sugiere al lector la
utilizacin del programa del Simplex desarrollado en BASIC.
2.9.1.- Anlisis de sensibilidad para el vector de restricciones y/o disponibilidades
Inicialmente ser conveniente que se transcriba nuevamente el tableau optimal del problema.
x2 0 1 3/5 -1/5 0 72
X1 1 0 - 4/5 3/5 0 24
X5 0 0 1 - 1 1 60

- Z 0 0 2/5 6/5 0 528

Se establecen que las variables bsicas que constituyen la combinacin ptima del programa
son x2=72 y x1=24. Si Ud. ha sido observador, seguramente ha percibido que se han remarcado tres
vectores columna en el tableau que constituyen parte de la matriz inversa B-1 de la matriz original
siguiente:
x1 x2 x5

1 3 0
B = 3 4 0
2 1 1

Tambin el lector recordar que se haba indicado que el mtodo Simplex, se bas en los
trabajos de Gauss-Jordan, por ello que se utiliza este mtodo para invertir la matriz B.

1 3 0 | 1 0 0
3 4 0 | 0 1 0
2 1 1 | 0 0 1

1 3 0 | 1 0 0 (-3) (-2)
________________________________________________________________________
__
0 -5 0 | -3 1 0
0 -5 1 | -2 0 1

1 0 0 | -4/5 3/5 0
0 1 0 | 3/5 -1/5 0 (-3) (5)
0 0 1 | 1 -1 1

Si se reordena el tableau con x1, x2 y x5
x1 x2 x3 x4 x5
x1 0 1 | -4/5 3/5 0 | 24
x2 1 0 | 3/5 -1/5 0 | 72
x5 0 0 | 1 -1 1 | 60
En la submatriz constituida por los vectores columna x3, x4 y x5, se tiene exactamente la
reproduccin de la matriz B-1 . Pareciera ser el camino ms corto el avanzar por el mtodo Gauss-
Jordan, sin embargo, no permite conocer las variables que constituyen solucin al programa, por ello el
Simplex, lleva por los vrtices del poliedro convexo hasta obtener el punto ptimo en el recorrido.
Como corolario de la anterior demostracin, se infiere que la estructura del tableau optimal es:
V.B. V.H. b

| |
B-1 I | B-1 | B-1 b
| |

Donde:
I = matriz identidad
V.B. = Variables bsicas
V.H. = Variables de holgura
b = Vector de recursos y/o disponibilidades
Si se observa la estructura optimal, se establece que los valores obtenidos para el vector b,
pueden ser expresados como:
xB = B-1 b
Para demostrar, se multiplicar la matriz inversa de la base B-1 y el vector b.

-4/5 3/5 0 240 24
xB = 3/5 -1/5 0 360 = 72
1 -1 1 180 60

Los resultados obtenidos son los mismos del tableau optimal, por lo tanto, podr inferirse que los
cambios en el vector b, permiten obtener los valores de las variables bsicas solucin del programa. Lo
anterior es correcto, pero dentro de un cierto lmite, que es precisamente el objeto del presente anlisis.
Sin embargo para que pueda comprender el alcance de lo indicado, se variar el componente
b1 a 860 en el vector b, de la manera siguiente:

-4/5 3/5 0 860 -472
________________________________________________________________________
__
xB = 3/5 -1/5 0 360 = 444

1 -1 1 180 680

La presencia de un valor negativo para x1, implica el rompimiento de una regla de P.L.e indica
que los valores para XB en el tableau optimal deben ser positivos. Entonces, cuando un componente del
vector XB sea menor a cero, implica que esa variable bsica ya no pertenece a la solucin optimal.
Imagnese las mltiples combinaciones que debern hacerse en cada uno de los componentes hasta
llegar al lmite de 0. Precisamente para evitar este tedio, se conviene en la siguiente deduccin
matemtica para determinar los lmites entre los que puede variar cada componente del vector b.
Se ha confirmado que:
xB = B-1 b
Donde:
b = [ b1, b2, b3, ...,br,...,bm ]
La componente br del vector puede variar , por lo tanto el nuevo vector es:
b* = [ b1, b2, b3, ..., br + , ..., bm ]
Por lo tanto:
xB* = B-1 b*
Los componentes de la matriz inversa B-1 se denominarn ahora (i,j), por consiguiente:
x B* = (i,j) [ b1, b2, b3, ...,br+, ... , bm ]
Multiplicando el parntesis, se obtiene:
X B* = (i,j) b + (i,r)
Como para toda x B* >= 0 por la regla anteriormente indicada, entonces reemplazando en la
anterior ecuacin, se obtiene:
0 = (i,j) b + (i,r)
Sin embargo se conoce que:
X B = (i,j) b
Por ello que la ecuacin se reduce a:
0 = x B + (i,j)
Despejando , se obtiene la siguiente relacin:
- x B (i)
= ----------
(i,r)
________________________________________________________________________
__
Para encontrar el rango entre los que se podrn variar los componentes del vector b, se utilizar
la ecuacin para determinar de la manera siguiente:
La solucin del programa de P.L. es:

x2 3/5 -1/5 0 72
x1 = -4/5 3/5 0 24
x5 1 -1 1 60

Para determinar la variacin del componente b1, se opera de la manera siguiente:
- 72
= ------ = -120
3/5
- 24
= ------ = 30
-4/5
El valor de b1 = 240, por lo tanto, se sumarn los valores mximos de variacin:
b1= 240 - 120 = 120

b1= 240 + 30 = 270
De aqu que la mxima variacin para b1 es:
120 <= b1 <= 270

Para calcular la variacin de b2.
- 72
= ------- = 360
-1/5
- 24
= ------- = -40
3/5
El valor de b2 = 360, por lo tanto, se sumarn los valores mximos de variacin:
b2= 360 + 360 = 720

b2= 360 - 40 = 320
De aqu que la mxima variacin para b2 es:
320 <= b2 <= 720
Para demostrar que los valores obtenidos pertenecen a los lmites de variacin, se
multiplicarn vectorialmente B -1 b.
________________________________________________________________________
__
Donde: b = [ 120, 360, 180 ]

x2 3/5 -1/5 0 120 0
x1 -4/5 3/5 0 360 = 120

Si se observa el valor obtenido para x2, indica el valor 0, es decir, se ha llegado al lmite de
variacin de b1, si se disminuye un infinitsimo ms, x2 dejar de ser variable bsica solucin del
problema.
2.9.2 Anlisis de sensibilidad en el vector de costos
Al igual que en el anterior epgrafe, la determinacin de la matriz inversa de la base B-1 es

importante para encontrar el rango de variacin de los costos, que corresponden a las variables bsicas
que son solucin del programa de P.L.
Si se considera como cierta la siguiente relacin:
C B = c B-1
Donde c B corresponde al vector de costos del tableau optimal, entonces para comprobar, se
multiplica el vector de costos con la matriz inversa de la base.

3/5 -1/5 0
c B = [ 6, 4, 0 ] -4/5 3/5 0 = [2/5, 6/5, 0]
1 -1 1

Estos resultados corresponden al vector de costos del tableau optimal, bajo de la matriz inversa.
Consecuentemente, se concluye que la variacin de los componentes del vector de costos se encuentra
dentro de un rango especfico, es decir, los componentes del vector c B deben ser positivos para que se
establezca el tableau optimal. En caso de que algn componente del vector c B < 0, entonces alguna de
las variables bsicas, deja de ser solucin y debe procederse nuevamente a iterar por el mtodo
Simplex.
Para encontrar el rango de variacin de los costos originales, se utiliza el siguiente algoritmo
para plantear ecuaciones que permiten resolver el problema:
Se construyen ecuaciones a partir del tableau optimal, igualando la variable de holgura del
tableau inicial correspondiente al primer vector columna de la matriz B -1 multiplicado por su componente
cj, con la suma de trminos que resultan de la multiplicacin de las variables que son solucin del
problema y los correspondientes elementos del vector columna de la B -1. Se obtendrn tantas
ecuaciones como variables bsicas reales existan en el tableau optimal.
x3 c3 = 3/5 c2 + (-4/5) c1
x4 c4 = (-1/5) c2 + 3/5 c1
Se conoce que c3=0 y c4=0, por lo tanto las ecuaciones se reducen a:
3/5 c2 + (-4/5) c1 = 0 Ec (a)

________________________________________________________________________
__
(-1/5) c2 + 3/5 c1 = 0 Ec (b)
El vector de costos del problema planteado es c = [ 4, 6 ]
Consiguientemente, reemplazando el valor c2 = 6 del vector c en las Ec (a) y (b), se obtienen:
c1 = 9/2 y c1 = 2
De la misma forma, reemplazando c1 = 1 del vector c en Ec (a) y (b), se obtienen:
c2 = 16/3 y c2 = 12
Por lo tanto, los rangos de variacin sern:
2 <= c1 <= 9/2
16/3 <= c2 <= 12
Para comprobar los anteriores resultados, se multiplicar vectorialmente el vector de costos

para el componente c1=2 que es el lmite con la matriz inversa de la base B -1.

3/5 -1/5 0 2
cB = [ 6, 2, 0 ] -4/5 3/5 0 = 0
1 -1 1 0

Los componentes del vector c B son >=0 que demuestran la optimalidad del programa; el valor
de c B (j)=0 para el cambio realizado, verifica que se ha trabajado en el lmite, todo valor menor a 2 para
c1, dar como resultado valores negativos que indicarn que an no se habra llegado a la solucin
ptima del programa de P.L.
2.10 Minimizacin
En los anteriores epgrafes, se ha explicado con detalle el algoritmo del Simplex para resolver el
problema de maximizacin, sin embargo, el caso de minimizacin tiene otros mtodos de resolucin
particulares que son:
Mtodo de la Penalizacin
Mtodo de las Dos Fases
Mtodo Simplex Dual
Los primeros mtodos pueden aplicarse indistintamente a los casos de maximizacin y

minimizacin, cuando las inecuaciones son diferentes o ecuaciones, en el programa de P.L. El tercero se
aplica a problemas de minimizacin cuando todas las desigualdades son del tipo >=.
Previo al estudio de cada mtodo, se presenta el problema de la dieta para la abstraccin e

interpretacin del caso de minimizacin.
El problema de la dieta. El laboratorio INTI tiene el propsito de producir un compuesto

vitamnico de alcance popular sobre la base de dos productos naturales, quinua y tarhui. Una unidad de
cada producto equivale a un kilogramo.
________________________________________________________________________
__
Un kilogramo de quinua contiene 0,5 miligramos (mg) de vitamina A, 1,0 mg de vitamina B 1 , 0,2
mg de vitamina B2 y 0,5 mg de vitamina D. El kilogramo de tarhui contiene 0,5 mg de vitamina A, 0,3
mg de vitamina B 1 , 0,6 mg de vitamina B 2 y 0,2 mg de vitamina D.
El costo de la quinua es 0,30 $us / Kg y el del tarhui es 0,50 $us/Kg.
El compuesto vitamnico debe contener mminamente 2 mg de vitamina A, 3 mg de vitamina B

, 1,2 mg de vitamina B 2 y 2 mg de vitamina D.
1
Inicialmente deber plantearse el problema en trminos de programa lineal, de la manera

siguiente:
COMPUESTO QUINUA TARHUI REQUERIMIENTO
Vitamina A 0,5 mg 0,5 mg 2 mg

Vitamina B1 1,0 mg 0,3 mg 3 mg
Vitamina B2 0,2 mg 0,6 mg 1,2 mg
Vitamina D 0,5 mg 0,2 mg 2 mg
COSTO 0,30 $us/Kg 0,50 $us/Kg
Consecuentemente, en trminos de programa lineal se expresa como:
Min z = 0,30 x1 + 0,50 x2
s.a.
0,5 x1 + 0,5 x2 2
1,0 x1 + 0,3 x2 3
0,2 x1 + 0,6 x2 1,2
0,5 x1 + 0,2 x2 2
Donde x1, x2 0
La interpretacin grfica de este programa lineal se muestra en la siguiente figura.
FIGURA 2.6
REPRESENTACIN GRFICA DE MINIMIZACIN
X2 EC.4
10
________________________________________________________________________
__
P1 (0,10)
EC.1 8
2
P2 (48/13,10/13)
P3 (6,0)
2 4 6 8 10 X1
EC. 3
EC. 2
Utilizando el programa Simplex en el computador, se obtienen los siguientes resultados:
X1=48/13 Kg de quinua X2=10/13 Kg de tarhui min z = 97 / 65 $
2.10.1 Mtodo de la Penalizacin
Este mtodo tambin se conoce con el nombre de mtodo de la "M grande, porque considera
la existencia de una M lo suficientemente grande con referencia a la matriz de coeficientes tecnolgicos
B.
En el caso de la minimizacin la M se suma, mientras que en el caso de la maximizacin se

resta.
Como se trata de un mtodo para resolver programas lineales, donde las restricciones pueden
ser diferentes e incluso ecuaciones, entonces, en aplicacin de las reglas de la P.L. debern incluirse
variables de holgura en caso de restricciones <= y variables artificiales en el caso de restricciones >=.
En el caso de la maximizacin, para encontrar la columna pivotal, debe determinarse el

menor valor de los componentes del vector de costos, mientras que en el caso de la minimizacin
debe hallarse el mayor valor de los componentes del vector de costos. En ambos casos,
maximizacin y minimizacin, considrese la M=10000 siempre y cuando no existan valores superiores
en los coeficientes de la matriz B.
Los coeficientes que multiplican a las M, resultan de la suma de los componentes de los
vectores columnas del tableau inicial cuyas restricciones cumplan con las condiciones de ser =
>=.
Caso mximo
mx z = 2 x1 + 3 x2 - 5 x3
sujeto a:
2 x1 + 2 x2 + 2 x3 = 14
2 x1 - 5 x2 + x3 >= 10
________________________________________________________________________
__
Donde x1,x2,x3 >= 0
Convirtiendo en ecuaciones:
2 x1 + 2 x2 + 2 x3 = 14
2 x1 - 5 x2 + x3 - x4 = 10
Operando en el tableau:

V.B. X1 X2 X3 X4 b

- 2 2 2 0 14
- 2 -5 1 -1 10

-Z -2-4M -3+3M 5-3M M -24M

- 0 7 1 1 4
X1 1 -5/2 1/2 -1/2 5

-Z 0 -8-7M 6-M -1-M 10-4M

X2 0 1 1/7 1/7 4/7
X1 1 0 6/7 -1/7 45/7

-Z 0 0 50/7 1/7 102/7

Para encontrar la columna pivotal debe determinarse el menor valor de los componentes del
vector de costos, en el caso de la maximizacin. En el caso de minimizacin debe hallarse el mayor
valor de los componentes del vector de costos.
El tableau optimal en el caso de maximizacin se obtiene cuando los componentes del vector de
costos son >=0.
Caso mnimo
min z = - 3X1 + 5 X2
Sujeto a:
X1 <= 4
X2 <= 6
3X1 + 2X2 >= 18
X1,X2 >= 0
Convirtiendo las inecuaciones en ecuaciones:
X1 + X3 =4
X2 +X4 =6
3X1 +2X2 - X5 = 18
Operando en el tableau.

V.B. X1 X2 X3 X4 X5 b
________________________________________________________________________
__

X3 *1* 0 1 0 0 4
X4 0 1 0 1 0 6
- 3 2 0 0 -1 18

-Z 3+3M -5+2M 0 0 -M 18M

X1 1 0 1 0 0 4
X4 0 1 0 1 0 6
- 0 *2* -3 0 -1 6

-Z 0 -5+2M -3-3M 0 -M -12+6M

En el vector de costos an existe un elemento > 0, por lo tanto debe considerarse como
columna pivotal y determinar el pivote. El programa lineal llegar a al ptimo cuando no existan
elementos > 0 en el vector de costos.

X1 1 0 1 0 0 4
X4 0 0 3/2 1 1/2 3
X2 0 1 -3/2 0 -1/2 3

-Z 0 0 -21/2 0 -5/2 3

Este tableau constituye el optimal debido a que los elementos del vector de costos son menores
o iguales a 0.
2.10.2 Mtodo de las dos fases
Este mtodo consiste en agregar bajo el vector de costos un nuevo vector W, denominado
artificial, que se construye con coeficientes que resultan de la suma de los componentes de los vectores
columna, bajo las mismas premisas del anterior mtodo, slo con las restricciones o =.
Se inician las iteraciones con el vector W, segn sea el caso, hasta que los elementos de este
vector se conviertan en ceros. Entonces, se indica la conclusin de la primera fase, enseguida se inicia
la segunda fase trabajando con el vector de costos.
Caso mximo
mx z = 3 X1 + 3 X2 + X3
s.a.
2X1 + 3X2 + X3 = 18
X1 + 3X2 + 2X3 <= 30
2X1 + 2X2 + X3 <= 36
Donde:
X1,X2,X3 >= 0
________________________________________________________________________
__
2X1 + 3X2 + X3 = 18
X1 + 3X2 + 2X3 + X4 = 30
2X1 + 2X2 + X3 + X5 = 36
Operando en el tableau

V.B. X1 X2 X3 X4 X5 b

- 2 *3* 1 0 0 18
X4 1 3 2 1 0 30
X5 2 2 1 0 1 36

-Z -3 -3 -1 0 0 0

-W -2 -3 -1 0 0 -18

X2 *2/3* 1 1/3 0 0 6
X4 -1 0 1 1 0 12
X5 2/3 0 1/3 0 1 24

-Z -1 0 0 0 0 18

-W 0 0 0 0 0 0 Fin 1era.fase.

X1 1 3/2 1/2 0 0 9
X4 0 3/2 3/2 1 0 21
X5 0 -1 0 0 1 18

-Z 0 3/2 1/2 0 0 27 Fin 2da.fase.

Caso minimizacin
min z = 2 X1 - 5 X2 + X3 + 3 X4
s.a.
2 X1 + X2 - 3 X3 + X4 >= 10
X1 + 2 X2 + X4 = 20
4 X1 - 10 X2 + 2 X3 +6 X4 <= 5
Donde:
X1,X2,X3,X4 >= 0
2 X1 + X2 - 3 X3 + X4 -X5 = 10
X1 + 2 X2 + X4 = 20
4 X1 - 10 X2 + 2 X3 + 6 X4 +X6 = 5

V.B. X1 X2 X3 X4 X5 X6 b

- 2 *1* -3 1 -1 0 10
________________________________________________________________________
__
- 1 2 0 1 0 0 20
X6 4 -10 2 6 0 1 5

-Z -2 5 -1 -3 0 0 -

W 3 3 -3 2 -1 0 30

X2 2 1 -3 1 -1 0 10
- -3 0 *6* -1 2 0 0
X6 24 0 -28 16 -10 1 105

-Z -12 0 14 -8 5 0 -50

W -3 0 6 -1 2 0 0

X2 1/2 1 0 1/2 0 0 10
X3 -1/2 0 1 -1/6 *1/3* 0 0
X6 10 0 0 34/3 -2/3 1 105

-Z -5 0 0 -17/3 1/3 0 -50

W 0 0 0 0 0 0 0 Fin primera fase

X2 1/2 1 -1 2/3 -1/3 0 10
X5 -3/2 0 3 -1/2 1 0 0
X6 9 0 2 11 0 1 105

-Z -9/2 0 -1 -9/2 0 0 -50 Fin segunda fase

Los elementos del vector de costos del tableau optimal deben ser >= 0.
2.10.3 Mtodo Simplex Dual
Este mtodo se basa en el Teorema de la Dualidad que se desarrollar posteriormente, funciona

siempre y cuando todas las desigualdades sean del tipo >=.
Algoritmo de resolucin.
1.- Se agregan las variables artificiales para convertir las inecuaciones en ecuaciones, luego se
trasladan al tableau los coeficientes tal como ya se conoce. El vector de costos en el tableau inicial,
debe ser multiplicado por (-1).
2.- Todos los elementos del tableau (excepto el vector de costos), deben ser multiplicados por (-
1).
3.- Como se est empleando el principio de la Dualidad, debe tomarse del vector de recursos
y/o disponibilidades, el menor valor min { b(i) } para encontrar la fila pivotal. Cada elemento de esta
fila a(r,j), debe dividirse por los elementos del vector de costos y determinar el mnimo cociente para
obtener el pivote.
min { c(j)/a(r,j) }
4.- El proceso de inversin de la matriz es el conocido. El proceso iterativo concluye cuando los
elementos del vector b son >=0.
Ejemplo: min z = 200 X1 + 200 X2

s.a.
________________________________________________________________________
__
100 X1 + 200 X2 >= 9000

300 X1 + 200 X2 >= 12000
400 X1 + 300 X2 >= 26000
Donde: X1,X2 >= 0
100 X1 + 200 X2 -X3 = 9000

300 X1 + 200 X2 -X4 = 12000
400 X1 + 300 X2 -X5 = 26000
Operando en el tableau

V.B. X1 X2 X3 X4 X5 b

- -100 -200 1 0 0 -9000
- -300 -200 0 1 0 -12000
- *-400* -300 0 0 1 -26000*

-Z -200 -200 0 0 0

- 0 *-125* 1 0 -1/4 - 2500
- 0 125 0 1 -3/4 7500
X1 1 3/4 0 0 -1/400 65

-Z 0 -50 0 0 -1/2 13000

X2 0 1 -1/125 0 1/500 20
- 0 0 1 1 -1 5000
X1 1 0 3/500 0 -1/250 50

-Z 0 0 -2/5 0 -2/5 14000

2.11 Teorema de la Dualidad
Dado un programa de P.L. como:
max z = c1 x1 + c2 x2 + ... + cn xn
Sujeto a:
a11 x1 + a12 x2 + . . . + a1n xn <= b1

a21 x1 + a22 x2 + . . . + a2n xn <= b2
......................................
am1 x1 + am2 x2 + . . . + amn xn <= bm
Donde:
xn >= 0
Se conviene en denominarlo PRIMAL, por tanto intrnsecamente puede plantearse por su DUAL
de la manera:
min w = b1 1 + b2 2 + . . . + bm m
Sujeto a:
________________________________________________________________________
__
a11 1 + a21 2 + . . . + am1 n >= c1

a12 1 + a22 2 + . . . + am2 n >= c2
.................................................................
a1n 1 + a2n 2 + . . . + amn n >= cn
Donde:
n >= 0
Si el primal se plantea como min z, entonces por lgica el dual se plantear como max z.
Para comprobar el funcionamiento del Teorema de la Dualidad, se plantear el Dual del

problema anterior.
PRIMAL:
min z = 200 x1 + 200 x2
Sujeto a:
100 x1 + 200 x2 >= 9000

300 x1 + 200 x2 >= 12000
400 x1 + 300 x2 >= 26000
x1,x2 >=0
El planteamiento del DUAL ser:
mx w = 9000 1 + 12000 2 + 26000 3
Sujeto a:
100 1 + 300 2 + 400 3 <= 200

200 1 + 200 2 + 300 3 <= 200
1,2,3 >=0

V.B. 1 2 3 4 5 b

4 100 300 *400* 1 0 200
5 200 200 300 0 1 200

-Z -9000 -12000 -26000 0 0 --

3 1/4 3/4 1 1/400 0 1/2
5 *125* -25 0 -3/4 1 50

-Z -2500 7500 0 65 0 13000

3 0 4/5 1 1/250 -1/500 2/5
1 1 -1/5 0 -3/500 1/125 2/5
________________________________________________________________________
__

-Z 0 7000 0 50 20 14000

El ptimo, tanto en el primal como en el dual es 14000. El vector b del tableau optimal del
primal en los resultados para x1 y x2, se representan en el vector de costos de la solucin del dual. De
la misma manera los componentes del vector de costos de la solucin del primal, constituyen los
resultados del dual.
La matriz inversa de la base del primal, se representa como matriz traspuesta en la solucin del
dual.
Por los resultados, puede inferirse que del primal y dual, se obtienen los mismos valores; por
este hecho, que en muchos casos la aplicacin del dual permite simplificar el proceso iterativo en caso
de que existan varias restricciones y pocas variables.
En casos donde las restricciones son diferentes en el primal, entonces deben aplicarse las
reglas de las formas equivalentes de la programacin lineal, para expresar el dual. Para mayor
aclaracin se presenta el siguiente ejemplo:
Sea el PRIMAL :
min z = 20 x1 - 30 x2 + 10 x3
sujeto a:
x1 + 5 x2 3 x3 = 8
2 x1 10 x2 + 10 x3 >= 19
3 x1 + 15 x2 + 7 x3 <= 9
Inicialmente y aplicando una de las reglas de la programacin lineal, la funcin objetivo puede
presentarse como mximo.
max z = -20 x1 + 30 x2 10 x3
Asimismo, la igualdad:
x1 + 5 x2 3 x3 = 8
puede expresarse por la representacin de dos desigualdades diferentes, en aplicacin de otra de las
reglas ya conocidas.
x1 + 5 x2 3 x3 >= 8
x1 + 5 x2 3 x3 <= 8
Sin embargo, la primera inecuacin puede multiplicarse por (-1) y cambiarse la desigualdad
aplicando otra de las reglas de la equivalencia de la P.L., obtenindose:
- x1 5 x2 + 3 x3 <= -8
De la misma manera, la segunda inecuacin del planteamiento original del primal, puede
expresarse como:
-2 x1 + 10 x2 10 x3 <= -19
Consecuentemente el nuevo planteamiento del PRIMAL ser:
max z = -20 x1 + 30 x2 10 x3
________________________________________________________________________
__
sujeto a:
-x1 - 5 x2 + 3 x3 <= - 8
x1 + 5 x2 3 x3 <= 8
-2 x1 +10 x2 -10 x3 <= - 19
3 x1 +15 x2 + 7 x3 <= 9
El DUAL se plantear de la manera siguiente:
min z = - 8 1 + 8 2 19 3 + 9 4
Sujeto a:
- 1 + 2 - 2 3 + 3 4 >= -20
-5 1 +5 2 + 10 3 + 15 4 >= 30
3 1 -3 2 - 10 3 + 7 4 >= -10
Evidentemente, una de las reglas de la programacin lineal impide operar con elementos
negativos del vector de recursos y/o disponibilidades, sin embargo multiplicando por (-1), se obtienen
valores positivos en los componentes del vector b y las desigualdades cambian.
min z = - 8 1 + 8 2 19 3 + 9 4
Sujeto a:
1 - 2 + 2 3 - 3 4 <= 20
-5 1 +5 2 + 10 3 + 15 4 >= 30
-3 1 +3 2 + 10 3 - 7 4 <= 10
Entonces a partir de este cambio en el programa lineal, puede resolverse por cualquier mtodo
ya conocido.
2.12 Casos especiales en la programacin lineal
a).- Degeneracin.- En el caso de la minimizacin cuando se aplicaba el mtodo de las dos

fases, habr observado el atento lector que el vector b en todas las iteraciones, no se alter hasta llegar
al ptimo. Este caso corresponde a la degeneracin cuando existe empate en los componentes del
vector W para la determinacin de la columna pivotal y cuando adems existe empate en la
determinacin de la fila pivotal.
La caracterstica de este caso, es la presencia de ceros en la columna correspondiente al vector

de recursos y/o disponibilidades en el tableau.
b).- Solucin degenerada temporal.- En este tipo de problemas, durante el proceso iterativo
pareciera degenerarse la solucin del problema, sin embargo, en la iteracin correspondiente se
obtienen los resultados que optimizan la funcin.
Ejemplo:
max z = 2 x1 + x2
Sujeto a:
________________________________________________________________________
__
4 x1 + 3 x2 <= 12
4 x1 + x2 <= 8
4 x1 - x2 <= 8
x1, x2 >= 0

V.B. X1 X2 X3 X4 X5 b

X3 4 3 1 0 0 12
X4 *4* 1 0 1 0 8
X5 4 -1 0 0 1 8

-Z -2 -1 0 0 0

X3 0 2 1 -1 0 4
X1 1 1/4 0 1/4 0 2
X5 0 -2 0 -1 1 0 Apariencia de
degeneracin
-Z 0 -1/2 0 1/2 0 4

X2 0 1 1/2 -1/2 0 2
X1 1 0 -1/8 3/8 0 3/2
X5 0 0 1 -2 1 4

-Z 0 0 1/4 1/4 0 5

c).- Soluciones no acotadas.- Se presentan en problemas que no definen el polgono convexo

en el espacio n-dimensional como el siguiente ejemplo:
max z = 6 x1 - 2 x2
Sujeto a:
x1 <= 4
2x1 - x2 <= 2
x1, x2 >= 0
Fig. 2.7 Soluciones no acotadas
X2
________________________________________________________________________
__
1 2 3 4 5 X1
d).- Soluciones ptimas alternativas.- Cuando se hizo la representacin grfica de un

programa de P.L., se pudo comprobar que el punto ms alejado del polgono convexo respecto del eje
de coordenadas constitua la solucin; sin embargo por simetra puede existir otro punto que tenga la
misma distancia al eje de coordenadas, este caso corresponde a la existencia de soluciones ptimas
alternativas.
Ejemplo:
max z = 4 x1 + 14 x2
Sujeto a:
2 x1 + 7 x2 <= 21
7 x1 + 2 x2 <= 21
x1, x2 >= 0

V.B. X1 X2 X3 X4 b

X3 2 7 1 0 21
X4 7 2 0 1 21

- Z -4 -14 0 0

X2 2/7 1 1/7 0 3
X4 45/7 0 -2/7 1 15

________________________________________________________________________
__
-Z 0 0 2 0 42

X2 0 1 7/45 -2/45 7/3
X1 1 0 2/45 7/45 7/3

-Z 0 0 2 0 42

Si se observan los resultados del segundo y tercer tableau, se establece que para dos distintos
puntos del espacio n-dimensional, el ptimo es el mismo, en este caso mx z = 42.
e).- Soluciones bsicas no existentes.- Este caso se presenta cuando en el espacio n-

dimensional no existe interseccin de planos, ni formacin de poliedros convexos.
Ejemplo:
max z = 2 x1 + 3 x2
Sujeto a:
4 x1 + 4 x2 >= 16
2 x1 + 2 x2 <= 2
Donde: x1, x2 >= 0
Su representacin en el plano:
Fig. 2.8 Soluciones bsicas no existentes
X2
1 2 3 4 5 X1
________________________________________________________________________
__
Referencias
1 Bronson Richard. Teora y problemas de Investigacin de Operaciones. McGraw-Hill. Mxico. 1982.
2 Gass Sal. Programacin Lineal. McGraw-Hill. Nueva York. E.U.A. 1970.
3 Moskowitz H. Wright G. Investigacin de Operaciones. Prentice Hall. Mxico. 1996.
4 Prawda Juan W. Mtodos y modelos de Investigacin de Operaciones. Tomo I. Limusa. 1985.
5 Shamblin J. Stevens G.T. Investigacin de Operaciones. Un enfoque fundamental. McGraw-Hill.

1985.
6 Taha Hamdy. Investigacin de Operaciones. Una introduccin. Representaciones y servicios de

ingenie-
ra. Mxico. 1981.
7 Varela Jaime E. Introduccin a la Investigacin de Operaciones. Fondo Educativo Interamericano.

Colombia. 1982.
Ejercicios y problemas
1.- Resuelva el siguiente programa lineal y realice el anlisis de sensibilidad en los vectores de
disponibilidades y costos.
max z = 3 x1 + 4 x2
Sujeto a:
2 x1 + x2 <= 6
2 x1 + 3 x2 <= 9
Donde x1, x2 >= 0
max z = 5 x1 + 3 x2
Sujeto a:
3 x1 + 5 x2 <= 15
5 x1 + 2 x2 <= 10
________________________________________________________________________
__
Donde x1, x2 >=0
max z = 5 x1 + 7 x2 + 20 x3 +6 x4
Sujeto a:
4 x1 + 8 x2 + 10 x3 + 6 x4 <= 400
3 x1 + 2 x2 + 20 x3 + 3 x4 <= 600
Donde x1, x2, x3, x4 >= 0
4.- Resuelva el siguiente problema lineal.
max z = 2 x1 + 3 x2 5 x3
Sujeto a:
x1 + x2 + x3 = 7
2 x1 - 5 x2 + x3 >= 10
Donde x1, x2, x3 >= 0

5.- Minimizar el siguiente programa lineal.
Min z = 5 x1 6 x2 7 x3
Sujeto a:
x1 + 5 x2 - 3 x3 >= 15
5 x1 6 x2 + 10 x3 <= 20
x1 + x2 + x3 = 5
Donde x1, x2, x3 >= 0
6.- La Florida Oranges Inc. (FOI) tiene que determinar la cantidad ptima de furgones para
recoger, empacar y transportar sus naranjas super y comunes cada semana. La mano de obra
disponible para recogida y empaque es de 4.000 horas semanales. Para recoger, empacar y dejar un
furgn cargado con naranjas super, se necesitan 30 horas y para naranjas comunes se necesitan 15
horas. La FOI tiene una cantidad mxima de dinero en caja de 60.000 $. El costo de alquiler por cada
proceso de carga del furgn y transporte es de 200 $ y 300 $ para naranjas comunes y super
respectivamente. La utilidad por furgn es de 2.000 $ para naranjas comunes y de 2.500 $ para naranjas
super. La FOI desea determinar la combinacin ptima de furgones por tipo de naranjas que maximice
la utilidad semanal. Formule el modelo de programacin lineal para el problema de la FOI. ( Tomado de
Investigacin de Operaciones de H.Moskowitz y G. Wright )
Resuelva el programa lineal utilizando el mtodo Simplex.
7.- Ed Goldman, un vendedor de la Tuck Tape tiene que decidir cmo asignar sus esfuerzos
entre los diferentes tipos de clientes de su territorio. Puede visitar comerciantes y clientes que compran
al menudeo. Una visita a un comerciante usualmente le produce 20 $ en ventas, pero la visita en
promedio dura 2 horas y debe manejar tambin en promedio, 10 millas. En una visita a un comprador al
________________________________________________________________________
__
menudeo le vende 50 $ y requiere de unas 3 horas y 20 millas manejando el carro aproximadamente.

Ed viaja trabajando como mximo, 600 millas por semana en su propio carro y prefiere trabajar no ms
de 36 horas en dicha unidad de tiempo (una semana). Construya un modelo de PL para Ed Goldman.
( Tomado de Investigacin de Operaciones de H. Moskowitz y G. Wright ).
Resuelva el programa lineal utilizando el mtodo Simplex.
8.- Un panadero tiene 150, 90 y 150 unidades de los ingredientes A, B y C respectivamente. Un

pan requiere 1 huevo, 1 libra de azcar y 2 libras de harina. Un pastel requiere 5 huevos, 2 libras de
azcar y una libra de harina.
a).- Si el precio de un pan es de 35 $ y el de un pastel 80 $ . Qu cantidad de cada uno debe

preparase para maximizar la ganancia?.
b).- Si el precio del pan aumenta a 45 $ y del pastel a 80 $. Qu cantidad debe hornearse de
cada uno?.
9.- Una compaa produce dos tipos de sombreros vaquero. Cada sombrero del primer tipo
requiere el doble del tiempo en mano de obra que el segundo tipo. Si todos los sombreros son
solamente del segundo tipo, la compaa puede producir un total de 500 sombreros al da. El mercado
limita las ventas diarias del primero y segundo tipos a 150 y 250 sombreros. Suponga que los beneficios
por sombrero son 8 $ para el tipo 1 y 5 $ para el tipo 2. Determine el nmero de sombreros que deben
producirse de cada tipo a fin de maximizar el beneficio. (Tomado de Investigacin de Operaciones.
Una introduccin. Hamdy A. Taha ).
Resuelva el programa lineal por el mtodo de la M grande.
10.- La New York Auditing Inc (NYAI) es una firma de contadores pblicos, especializados en
preparar liquidaciones y pagos de impuestos, y tambin auditan empresas pequeas del rea
metropolitana. El inters de NYAI ahora es saber cuntas auditoras y liquidaciones pueden realizar
mensualmente, de tal manera que obtengan los mximos ingresos. Se dispone de 800 horas para
trabajo directo y direccin y 160 horas para revisin. Una auditora en promedio requiere 40 horas de
trabajo directo y direccin y de 10 horas de revisin, adems, aporta un ingreso de 300 $. Una
liquidacin de impuestos requiere 8 horas de trabajo directo y de dos horas de revisin y produce un
ingreso de 100 $.
Cules son las variables de decisin para la NYAI? Formule el modelo de programacin lineal
para el problema. (Tomado de Investigacin de Operaciones de H. Moskowitz ).
Resuelva el programa lineal utilizando el Simplex y realice el anlisis de sensibilidad en los

vectores de recursos y costos.
11.- Un ingeniero agrnomo cuenta con tres fertilizantes donados por el gobierno del Japn para
utilizarlos en cultivos extensivos de papas. De acuerdo al anlisis edafolgico de suelos, la mezcla de
nutrientes requeridos por mil metros cuadrados es de 10 Kg de nitrgeno, 8 Kg de fsforo y 6 Kg de
potasio.
El primer fertilizante es el 25-10-5, es decir 25 Kg de nitrgeno, 10 Kg de fsforo y 5 Kg de potasio por
1000 Kg de este fertilizante. El segundo fertilizante es el 10-5-10 y el tercero es 5-10-5 en la misma
proporcin anterior.
El costo del fertilizante 25-10-5 es de Bs 12, del 10-5-10 Bs 10 y Bs 9 para el 5-10-5.
Plantee el programa lineal y resuelva aplicando el programa de computador.
12.- Se procesan cuatro productos sucesivamente en dos mquinas. Los tiempos de

manufactura en horas por unidad de cada producto se tabulan a continuacn para las dos mquinas.
Tiempo por unidad (horas)
1 2 3 4 2
2 3 2 1 2
________________________________________________________________________
__
Mquina Producto 1 Producto2 Producto 3 Producto 4
El costo total de producir una unidad de cada producto est basado directamente en el tiempo
de mquina. Suponga que el costo por hora para las mquinas 1 y 2 es $10 y $15. Las horas totales
presupuestadas para todos los productos en las mquinas 1 y 2 son 500 y 380. Si el precio de venta por
unidad para los productos 1,2,3 y 4 es $75, $70, $55 y $55, formule el problema como un modelo de
programacin lineal para maximizar el beneficio neto total. (Tomado de Investigacin de Operaciones.
Una introduccin. H.Taha y modificado para viabilizar su ejecucin por computador ).
13.- Resolver el siguiente programa lineal por el mtodo Simplex Dual.
min z = 30 x1 + 40 x2
Sujeto a:
4 x1 + 8 x2 >= 32
7 x1 + 2 x2 >= 14
15/10 x1 + 5 x2 >= 15
Donde x1, x2 >= 0
14.- Resuelva los siguientes programas lineales por los mtodos de la penalizacin y de las dos
fases.
max z = 3 x1 + 3 x2 + x3
Sujeto a:
x1 + 2 x2 + x3 <= 30
2 x1 + 3 x2 + 2 x3 = 18
2 x1 + 2 x2 + 3 x3 >= 10
Donde x1,x2,x3 >= 0
15.- max z = 2 x1 + 3 x2 5 x3
Sujeto a:
2 x1 + 2 x2 + 2 x3 = 14
- 2 x1 + 5 x2 - x3 <= -10
Donde x1, x2, x3 >=0
16.- Un granjero est engordando cerdos para el mercado y desea determinar las cantidades de
los tipos de alimentos disponibles que debe darse a cada cerdo para satisfacer ciertos requerimientos de
nutricin a costo mnimo. En la tabla siguiente se da el nmero de unidades de cada tipo de ingrediente
nutritivo bsico contenido en un kilogramo de cada tipo de alimento, junto con los requerimientos diarios
respecto a la nutricin y los costos de alimento.
IIN
INGREDIENTE KILOGRAMO KILOGRAMO DE KILOGRAMO DE KILOGRAMO
DIARIO
NUTRITIVO DE MAIZ RES. DE GRASA ALFA ALFA MNIMO
Carbohidratos 90 20 40 200
Protena 30 80 60 180
Vitaminas 10 20 60 150
Costo 21 18 15
________________________________________________________________________
__
Formlese el modelo de programacin lineal y resulvalo utilizando el programa de

computadora.
17.- Un fabricante de gasolina para aviacin vende dos clases de combustibles: A y B. El

combustible A tiene 25% de gasolina de grado 1, 25% de gasolina de grado 2 y 50% de grado 3. El
combustible B tiene 50% de gasolina de grado 2 y 50% de grado 3. Disponible para produccin hay 500
gal/ hora de grado 1 y 200 gal/hora de los grados 2 y 3. Los costos son de 0,30 $ por galn de grado 1,
0,60$ por galn de grado 2 y 0,50$ por galn de grado 3. La clase A puede venderse a 0,75$ por galn,
mientras que la clase B alcanza 0,90 $/galn. Qu cantidad puede producirse de cada combustible?.
(Tomado de J. Shamblin G.T. Stevens.
Investigacin de Operaciones. Un enfoque fundamental).
18.- Una compaa de transporte de carga tiene 10 camiones con capacidad de 40.000 libras y
5 camiones de 30.000 libras de capacidad. Los camiones grandes tienen costos de operacin de 0,30
$/milla y los ms pequeos de 0,25 $/milla. En la prxima semana, la compaa debe transportar
400.000 libras de malta para un recorrido de 800 millas. La posibilidad de otros compromisos impone
que por cada dos camiones pequeos mantenidos en reserva debe quedarse por lo menos uno de los
grandes. Se pregunta: Cul es el nmero ptimo de camiones de ambas clases que deben movilizarse
para transportar la malta?.
(Tomado de J. Shamblin G.T. Stevens. Investigacin de Operaciones un enfoque fundamental).
Resuelva utilizando el programa de computador.
19.- Una refinera puede comprar dos tipos de petrleo petrleo crudo ligero y petrleo crudo
pesado. El costo por barril de estos tipos de petrleo es $ 11 y $ 9, respectivamente. De cada tipo de
petrleo se producen por barril las siguientes cantidades de gasolina, kerosene y combustible para
reactores.
PETRLEO GASOLINA KEROSENE COMBUS. PARA

REACTORES
Crudo ligero 0,40 0,20 0,35

Crudo pesado 0,32 0,40 0,20
Obsrvese que durante el proceso de refinamiento se pierden el 5% y el 8%, respectivamente.

La refinera tiene un contrato para entregar 1 milln de barrriles de gasolina, 400.000 barrilles de
kerosene y 250.000 barriles de combustible para reactores. Formular como un programa lineal el
problema para encontrar el nmero de barriles de cada tipo de petrleo crudo que satisfacen la
demanda y que minimizan el costo total.
________________________________________________________________________
__
Resolver utilizando el programa de computador.
Sugerencias
El captulo que se ha desarrollado contiene los aspectos ms esenciales de la programacin lineal, enfocados a un curso
semestral de Investigacin de Operaciones. Por este motivo, sugerimos a quienes deseen mayor profundizacin en la teora del mtodo
Simplex referirse al primer tomo del libro de Juan W. Prawda, asimismo para complementar los conocimientos sobre programacin
entera, la obra de Moskowitz y Wright de la bibliografa, podr satisfacer ampliamente sus inquietudes.

Capitulo Ii de I.O

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

Capitulo Ii de I.O

Uploaded by

Copyright:

Available Formats

PROGRAMACIN LINEAL JOS SALOMN NEZ DURN 7

2.1 Qu es la programacin lineal ?

La programacin lineal es parte de la programacin matemtica que permite asignar recursos,

La formulacin matemtica de la programacin lineal se plantea en los siguientes trminos.

z = f (x) FUNCIN OBJETIVO

f (x) <,>,= b RESTRICCIONES

x >= 0 CONDICIN DE NO NEGATIVIDAD

2.2 Planteamiento de problemas

Para enfocar la resolucin a travs de un algoritmo, previamente debe interpretarse la

Problema 1 Un proyecto agrcola debe determinar la cantidad de hectreas de cultivo para

Cultivo Produccin Precio Venta rea Ocupada Mano de Obra Costo

El proyecto cuenta con 500.000 Bs. para la inversin.

Plantear el problema en trminos de P.L.

El primer paso: Determinar la funcin objetivo.

Se denominan las variables del problema a:

La funcin objetivo debe ser maximizar la ganancia:

Ganancia= precio venta [Bs / Kg] * produccin [Kg / rbol]

max z = 2 Bs/Kg * 40 Kg/rbol manzana * X1 rbol manzana

Consiguientemente la funcin objetivo se expresa como:

El segundo paso: Establecer las restricciones:

a).- Mano de obra

(a) Mano de obra

40 H-h/rb.manz. * X1 rb.manz. + 50 H-h/rb.pera * X2 rb.pera + 80 H-h/rb.uva * X3 rb. uva

2 Bs/rb.manz. * X1 rb.manz. + 4 Bs/rb.pera * X2 rb.pera + 0,5 Bs/rb.uva * X3 rb. uva

2 X1 + 4 X2 + 0,5 X3 + X4 <= 500.000

8 m 2/rb.manz * X1 rb.manz. + 4 m2/rb.pera * X2 rb.pera + 2 m2/rb. uva * X3 rb. uva

El planteamiento matemtico del problema es:

PROBLEMA 2 En un proceso de fabricacin se disponen 240 libras de madera, 360 libras de

Determinar la cantidad ptima de produccin de los artefactos A y B, si el precio de venta es de

Sean las variables del problema:

mx z = 4 $us/ Artf.A * x 1 Artf.A + 6 $us/ Artf.B * x 2 Artf.B

Restricciones. Del enunciado se resumen los siguientes datos:

INSUMO ARTEFACTO A ARTEFACTO B RESTRICCIONES

Consecuentemente, las inecuaciones se expresan como:

1 lb mad./ U.A. * x 1 U.A. + 3 lb mad./U.B. * x 2 U.B. <= 240 lb mad.

2.3 Resolucin utilizando lgebra

En el planteamiento matemtico existen dos variables x 1 y x 2, por ello, la representacin podr

x1 + 3x2 = 240 Ec (1)

Para determinar las coordenadas de interseccin con los ejes x 1 y x 2 de la Ec (1), se

REPRESENTACIN GRFICA EN EL PLANO

50 100 150 200 250 X1

x1 + 3x2 = 240 3x 1 + 4x2 = 360

Entonces los puntos:

P(1)=(0,80) P(2)=(24,72) P(3)=(72,36) P(4)=(90,0)

en combinacin con la funcin a optimizar:

Se determinan los siguientes resultados:

La combinacin que optimiza la funcin es :

cuya ganancia ptima ser de 528 $us.

2.4 Formas de la programacin lineal

2.4.1 Forma cannica

2.4.2 Forma matricial

Inicialmente definamos los siguientes vectores y matrices:

c = [ c1, c2, ...,cn ] Vector de costos

b= . Vector de recursos y/o

a11 a12 .......... a1n

Consecuentemente el planteamiento matricial ser:

2.4.3 Forma algebraica

a11 x1 + a12 x2 + . . . + a1n xn <>= b1

2.4.4 Forma algebraica reducida

2.5 Formas equivalentes de la programacin lineal

Regla 1.- Maximizar z, es equivalente a minimizar (-z)

A X <= b es equivalente a - A X >= - b

- 2x1 - 3 x2 + 3 x3 >= -12