Unidad 3. Programación Lineal-Mtp

Investigacin de operaciones
Unidad 3. Programacin lineal
Ingeniera en Biotecnologa
12 cuatrimestre
Programa de la asignatura:
Investigacin de operaciones I
Clave
Universidad Abierta y a Distancia de Mxico

UnADM
Ciencias de la Salud Biolgicas y Ambientales
ndice
Unidad 3. Programacin lineal ...................................................................................... 3
Presentacin de la unidad ............................................................................................ 3
Propsito de la unidad .................................................................................................. 3
Competencia especfica................................................................................................ 4
3.1. Introduccin a la programacin lineal ..................................................................... 4
3.1.1. Supuestos de la programacin lineal .................................................................. 4
3.1.2. Estructura de un modelo de programacin lineal ................................................ 6
3.2. Modelos de programacin lineal ............................................................................ 7
3.2.1. El problema del transporte..7
3.2.2. El problema de la planificacin de produccin .................................................... 9
3.2.3. El problema del flujo de una red ........................................................................ 12
3.2.4. El problema de vigas y cuerdas..15
3.3. Resolucin de problemas de programacin lineal ................................................ 17
3.3.1. El mtodo grfico .............................................................................................. 17
3.3.2. El mtodo simplex............................................................................................. 21
3.3.3. El mtodo dual simplex.29
3.3.4. El mtodo de cambio en la disponibilidad de recursos ...................................... 31
3.3.5. El mtodo de cambio en los coeficientes de integracin ................................... 36
3.3.6. El mtodo de cambio en los coeficientes tecnolgicos ...................................... 38
Cierre de la unidad ..................................................................................................... 40
Para saber ms .......................................................................................................... 41
Fuentes de consulta ................................................................................................... 41

Presentacin de la unidad
Bienvenido(a) a la ltima unidad de esta asignatura. Como se sabe, cuando se est
ante una decisin en un ambiente de certidumbre o certeza, la programacin lineal es
una herramienta que ayuda a tomar la decisin que mejor convenga a los intereses de
la compaa en cuestin.
En la primera seccin de esta unidad se estudiarn los supuestos base de la
programacin lineal, conceptos sobre los cuales se construye una teora; Dentro de la
programacin lineal se hace referencia a:
Linealidad
Continuidad
Aditividad
No negatividad
Lmites
Certeza
Una vez que se conocen los supuestos bsicos de la programacin lineal, es

importante definir la estructura de los modelos de programacin lineal, la cual
revisars en la primera seccin de esta unidad.
En la segunda seccin se estudiarn los principales modelos desarrollados de la
programacin lineal, los problemas que resuelven y los mtodos empleados para
aplicarlos. Los mtodos son los pasos matemticos que se usan para resolver el
problema, por ejemplo el empleo de grficas para encontrar una solucin ptima; se
recuerda que en un ambiente de certeza lo que se busca es optimizar la decisin.
Por ltimo, en el tercer tema se estudiarn los mtodos ms representativos de la
programacin lineal.
Propsito de la unidad
Al trmino de esta unidad logrars:
Conocer los elementos ms importantes de la programacin lineal, herramienta
matemtica utilizada para la toma de decisiones en ambiente de certeza.
Analizar los conceptos, modelos y mtodos ms representativos de la
programacin lineal.
Competencia especfica
Aplicar modelos matemticos de investigacin de operaciones para resolver
problemas de ingeniera, resolviendo ejercicios y seleccionando el modelo adecuado.
3.1. Introduccin a la programacin lineal

La programacin lineal es una herramienta importante ya que permite involucrar la
mayora de los criterios que se quiere que una decisin cumpla, de manera
estructurada y manejable. Con ello permite calcular de forma rpida la mejor decisin
para los intereses involucrados.
Se considera que la programacin lineal empez formalmente con la invencin del
algoritmo simplex por George Dantzing en 1947, aunque los trabajos de matemticos y
fsicos como Fourier y Gauss se pueden considerar como programacin lineal.
Se iniciar la presente unidad con la exposicin de los supuestos de la programacin
lineal: linealidad, continuidad, aditividad, no negatividad, lmites y certeza.
3.1.1. Supuestos de la programacin lineal

Los supuestos, segn Bazaraa (1998), son conceptos que una teora supone como
ciertos en cada problema en el cual se emplee. En otras palabras, los supuestos son
condiciones que deben existir en un problema para que la teora se pueda aplicar.
A decir de Bazaraa (1998), dentro de la programacin lineal los supuestos se refieren
a las siguientes propiedades:
Linealidad
En matemticas se entiende por funcin lineal aquella funcin que cumple
que:
(1 1 + 2 2 + + ) = 1 (1 ) + 2 (2 ) + + ( )
Una desigualdad lineal en las variables 1 , 2 , , es una desigualdad que
tiene alguna de las siguientes posibilidades:
a) f(1 , 2 , , ) b
b) f(1 , 2 , , ) b
Donde f es una funcin lineal y b es una constante.
Para poder utilizar la programacin lineal en un problema, la funcin que se
obtiene del anlisis del mismo, llamada funcin a optimizar, debe ser lineal.
Una forma sencilla de saber que una funcin es lineal es la siguiente:
(1 , 2 , , ) = 1 1 + 2 2 + +
Una vez se conoce que la funcin a optimizar es lineal, se debe cumplir que
las restricciones del problema sean restricciones lineales.
Continuidad
Al trabajar con funciones se debe tener en cuenta que estas dependen de
variables. Para que al problema en cuestin se le pueda aplicar programacin
lineal, los valores de las variables involucradas en l deben ser valores reales.
La interpretacin de estos valores depende de cada problema; por ejemplo si
el valor es negativo puede significar una prdida de ganancia o una
disminucin de velocidad.
Si en el problema las variables involucradas tienen slo valores enteros, esto
es, que los valores fraccionarios no tienen interpretacin en nuestro problema,
se utilizan tcnicas de programacin entera.
Aditividad
Este supuesto implica que para poder aplicar programacin lineal a un
problema, cada una de sus variables debe ser independiente; de forma que si
la variable a aumenta las variables b y c no tienen cambio alguno.
En la ecuacin que modela el problema se muestra este supuesto sin factores
cruzados, es dedir factores que tengan dos o ms variables, por ejemplo:
a) () = 5 + 6 + 7
b) () = 36 + 3 + 5 + 88
En resumen, en la ecuacin que modele el problema a solucionar, cada factor
debe tener una y solo una de las variables.
Certeza
A los coeficientes de la ecuacin que modela el problema se les conoce como
los parmetros del problema. Para aplicar programacin lineal, se requiere
conocer estos parmetros.
Cuando se tiene un problema de optimizacin se busca predecir el
comportamiento de las cosas. En ocasiones, los parmetros del problema no
se conocen con certeza, pero se pueden definir de manera probabilstica. Para
la programacin lineal no importa si se saben con certeza o si se definen de
manera probabilstica, lo importante es conocerlos.
Proporcionalidad
La proporcionalidad es el supuesto que indica que la relacin entre los valores
de las variables y los resultados obtenidos son proporcionales. Por ejemplo, se
quiere producir un artculo que necesita a cantidad de materiales. Venderlo
genera 200 pesos de utilidad, por lo que producir 30 unidades necesita 30a
cantidad de materiales. La ganancia es de 6000 pesos.
Como se puede observar, dentro de la programacin lineal estos supuestos funcionan

como sntomas que debe de presentar necesariamente el problema o el caso de
estudio para que pueda aplicarse el mtodo de programacin lineal. A continuacin se
expone la estructura del modelo de programacin lineal para que puedas aplicarlo a la
solucin de los problemas que en tu campo como futuro(a) ingeniero(a) en logstica y
transporte se te presenten.
3.1.2. Estructura de un modelo de programacin lineal

La programacin lineal es un mtodo matemtico para resolver problemas. Presenta la
peculiaridad prctica de que, dada la simplicidad de su aplicacin, es viable
econmicamente para todo tipo de empresas.
Como se mencion en la seccin anterior, existen supuestos que se deben cumplir en
los problemas y sus modelos. Aunado a ello, de acuerdo a Bazaraa (1998), es
importante conocer los siguientes conceptos:
a) Variables de decisin
Conjunto de variables involucradas en el problema. Las magnitudes o valores
son lo que interesa pronosticar.
b) Restricciones
Es el conjunto de desigualdades que limitan los valores que pueden alcanzar
las variables de decisin.
c) Funcin objetivo
Es la funcin que modela el problema. Dicha funcin expresa la relacin de las
variables de decisin y los parmetros del problema.
Estos conceptos complementan los supuestos; ambos conforman los requisitos que
debe cumplir un problema para que se pueda resolver mediante la programacin
lineal.
Despus de haberse revisado los supuestos que debe cumplir el problema, es
momento de estudiar la estructura matemtica de un modelo de programacin lineal.
3.2. Modelos de programacin lineal

Al enfrentarse a un problema que cumple los requisitos de continuidad, aditividad,
certeza y proporcionalidad se est en condiciones de resolverlo con programacin
lineal.
Para encontrar su solucin, es importante saber si se le puede aplicar un modelo de
programacin lineal ya definido. Utilizar un modelo de este tipo ayuda a obtener la
solucin ms fcilmente, puesto que el mtodo para resolverlo, las restricciones y la
funcin a optimizar ya estn definidas. Lo nico que faltara sera sustituir por los
valores particulares.
Si el problema no cabe en un modelo ya definido, no te preocupes, slo debes escribir
tu funcin, tus restricciones y utilizar el mtodo que creas conveniente.
A continuacin se reflexiona en torno a los problemas de transporte.
3.2.1. El problema del transporte

El transporte desempea un papel importante en la economa de las empresas, dentro
de las decisiones administrativas.
Cada vez que una empresa ampla su alcance, surge el problema de la distribucin de
sus productos, por ello la optimizacin de recursos para este fin es vital para la
sobrevivencia de las empresas.
Un problema de transporte se puede identificar si cuenta con la estructura definida por
las siguientes relaciones: de una bodega a un centro de venta o de un centro de
distribucin a un punto de venta. En este tipo de problemas se conocen las fuentes y
los destinos, el costo y el beneficio, las capacidades y la demanda, por citar algunos
ejemplos. Como se conocen con certeza.
La programacin lineal define el modelo general del problema de transporte como la
distribucin de un bien desde cualquier grupo de centros de distribucin (llamados
orgenes), a cualquier grupo de centros de recepcin (llamados destinos), de manera
que se minimicen los costos totales.
El origen i dispone de unidades para distribuir con {1,2, , } y el destino j tiene
una demanda de unidades que reciben de los orgenes, con {1,2, , }. El costo
de distribucin de unidades desde el origen i al destino j se denota por , de esta
forma se puede construir la siguiente tabla:
Costo por unidad distribuida
Destino
Origen
Recursos
11
12
21
22
Demanda
Sea f(x) el costo total de distribucin, el nmero de unidades que se distribuyen del
origen i al destino j, se genera la siguiente funcin a maximizar:
() =
=1 =1
Con las restricciones:
=
=1
=
?1
Con estos datos se construye la siguiente tabla:

Coeficiente de
11
12
21
22
Restricciones
de origen
1
1
1
1
Restricciones
de destino
Cualquier programa de programacin lineal que se ajuste a esta formulacin especial

es del tipo problema de transporte, sin importar el contexto fsico.
Una condicin necesaria y suficiente para que un problema de transporte tenga
solucin posible es:
=
=1
=1
Esta condicin indica que los recursos totales deben ser iguales a la demanda total.
Recuerda que para aplicar este modelo al problema en cuestin, slo debes sustituir
los valores particulares y realizar todo aquello que el modelo plantea. Una vez hecho,
se est en condiciones de utilizar un mtodo para resolver el problema.
3.2.2. El problema de la planificacin de produccin

La planificacin de la produccin como la define Luenberger (1989) es un proceso
cuyo objetivo es determinar anticipadamente decisiones que permitan optimizar el uso
de los recursos productivos. Su enfoque es la determinacin de la cantidad de
produccin, los niveles de inventarios y la cantidad de recursos necesarios con la
finalidad de satisfacer la demanda a mediano plazo.
El modelo que se desarrolla para este tipo de problemas es el siguiente:
Se consideran N productos, J lneas produccin, L materias primas y T periodos en el
horizonte de planificacin.
Se definen los siguientes parmetros:
= costo de produccin del producto i en la lnea j.
= costo de inventario del producto i.
= costo de penalizacin de escasez del producto i.
= costo de inventario de la materia prima l.
= demanda del producto i durante el mes t.
= tasa de produccin del producto i en la lnea j.
= horas disponibles para producir en la lnea j durante el mes t.
= constante de rendimiento de las materias primas.
= suministro mximo de materia prima l en el periodo t.
0 = inventario inicial del producto i.
= inventario final del producto i al final del horizonte de planeacin.
0 = inventario inicial de materia prima l.
= vale 1 si el producto i se puede fabricar de la materia prima l, 0 en caso contrario.
T = horizonte de planeacin.
Las variables de decisin que se van a considerar en este modelo son las siguientes:
= produccin del producto i en la lnea j en el periodo t.
= materia prima l a recepcionar en el periodo t.
= necesidad de materias primas l en el periodo t.
= balance del inventario del producto i en el periodo t.
+ = inventario fsico del producto i en el periodo t.
= escasez del producto i en el periodo t.
= inventario final de materia prima l en el periodo t.
Con estas variables y parmetros se define la siguiente funcin, la cual calcula el costo
de fabricacin, costo del inventario, la penalizacin de la escasez de producto y el
costo de mantener la materia prima en el inventario:
= +
=1 =1 =1
+
= =1

=1 =1
+
=1 =1
Existen las siguientes restricciones:
El balance de inventario de productos terminados:
10
(1) + =
=1
La planificacin de inventario fsico y escasez:

= +
Los requerimientos de inventario de productos al trmino del horizonte de

planificacin:
=
La restriccin de capacidad de produccin de cada lnea:

=1
El balance de materias primas:

(1) + =
Los lmites de adquisicin de materias primas:

Las necesidades de materias primas en funcin de la fabricacin de cada

producto:
=
=1
=1
El inventario final de materia prima:

=
=1
Para resolver un problema de planificacin de produccin se minimiza la ecuacin .

Es importante que el problema tenga la estructura descrita en anteriormente para
poder aplicar este modelo. Una vez que se asegura que tiene dicha estructura, slo
queda sustituir los valores particulares para as obtener las funciones y restricciones
que describen el problema.
11
3.2.3. El problema del flujo de una red
El flujo de redes est orientado a optimizar situaciones vinculadas a las redes de
transporte; redes de comunicacin; sistema de vuelos de aeropuertos; rutas de
navegacin de los cruceros; estaciones de bombeo que transportan fluidos a travs de
tuberas; rutas entre ciudades; redes de conductos; todas aquellas situaciones que
puedan representarse mediante una red. En las ltimas los nodos deben representar
estaciones o ciudades; los arcos, caminos; as como las lneas areas, los cables, las
tuberas y el flujo representar los camiones, mensajes y fluidos que pasan por la red.
Algunos conceptos (Bazaraa, 1998) que se utilizarn en los modelos de este problema
son:
Red
Una red consiste en un conjunto de puntos llamados nodos y un conjunto de
lneas llamadas arcos o ligaduras, que unen pares de nodos.
Los arcos se etiquetan con los nombres de los nodos que unen; por ejemplo,
el arco AB es el arco entre los nodos A y B.
Arcos dirigidos
Se dice que un arco es dirigido cuando tiene flujo en una direccin. La
direccin se indica por medio de una flecha en la direccin del flujo.
La forma de etiquetar un arco dirigido es escribir primero el nodo de donde
sale seguido de una flecha, terminando con el nombre del nodo al que llegan.
Por ejemplo el arco AB, es el arco dirigido que va del nodo A al nodo B.
Arcos no dirigidos
Son arcos que tienen el flujo en ambas direcciones.
Trayectoria
Una trayectoria entre dos nodos es una sucesin de arcos distintos que
conectan ambos nodos. Se debe distinguir si los arcos incluidos en la
trayectoria son dirigidos o no.
Trayectoria dirigida
Una trayectoria dirigida entre dos nodos es una sucesin de arcos dirigidos
distintos entre esos nodos.
Trayectoria no dirigida
Es una trayectoria entre dos nodos cuyos arcos no tiene una misma direccin.
Ciclo
Es una trayectoria que empieza y termina en el mismo nodo.
12
Red conexa
Es una red en la que para cada par de nodos existe una trayectoria no dirigida
que los conecta.
rbol de expansin
Es una red conexa que carece de ciclos no dirigidos.
Capacidad de Arco
Es la cantidad mxima de flujo que puede circular en un arco dirigido.
Red residual
Es una red que muestra las capacidades restantes para asignar flujos
adicionales.
Para trabajar con un problema como estos, la programacin lineal propone cuatro
modelos:
Modelo de minimizacin de redes

Este modelo se enfoca en encontrar aquellos ramales que unan todos los
nodos de la red de tal manera que minimice las longitudes de dichos ramales.
No se deben incluir ciclos en la solucin del problema.
Para crear el rbol de este modelo, de acuerdo con Bazaraa (1998), se
necesitan las siguientes caractersticas:
a) Tener todos los nodos, ms no las ligaduras.
b) Disear la red con suficientes ligaduras para satisfacer la condicin de que
entre cada nodo existe por lo menos un camino.
Una red con n nodos requiere n-1 ligaduras para proporcionar una trayectoria
entre cada par de nodos.
El algoritmo para construir este rbol es el siguiente:
a) Se selecciona de manera arbitraria cualquier nodo y se conecta al nodo
distinto ms cercano.
b) Se encuentra el nodo no conectado ms cercano a un nodo conectado
y se conectan ambos. Este paso se repite hasta haber conectado todos
los nodos.
c) Si existen dos caminos para el nodo ms cercano distinto al que se
obtuvo en los pasos anteriores, se puede romper uno de ellos de
manera arbitraria, de esta forma el algoritmo llega a una solucin
ptima.
13
Modelo de flujo mximo

Este modelo trata de enlazar un nodo fuente y un nodo distinto a travs de una
red de arcos dirigidos. Como cada arco tiene una capacidad mxima de flujo
admisible, el objetivo es obtener la mxima capacidad de flujo entre fuente y
destino.
Las caractersticas a considerar, de acuerdo con Bazaraa (1998), son las
siguientes:
a) Todo flujo a travs de una red conexa dirigida se origina en un nodo,
llamado fuente, y termina en otro nodo, llamado destino.
b) Los nodos restantes se llaman nodos de transbordo.
c) Se permite el flujo a travs de un arco slo en la direccin indicada por
la flecha. La capacidad mxima de flujo est dada por la capacidad del
arco. En la fuente, todos los arcos sealan hacia afuera; en el destino,
todos sealan hacia el nodo.
d) El objetivo es maximizar la cantidad total de flujo de la fuente al
destino, la cual se mide en cualquiera de las dos direcciones, con la
cantidad que sale de la fuente o con la cantidad que entra al destino.
El algoritmo para resolver un problema de flujo mximo es:
a) Se identifica una trayectoria de aumento encontrando alguna trayectoria
dirigida del origen al destino en la red residual, tal que cada arco sobre
esta trayectoria tiene la capacidad residual estrictamente positiva. En el
caso de que no exista alguna trayectoria con capacidad residual
estrictamente positiva, los flujos netos asignados constituyen un patrn
del flujo ptimo.
b) Se identifica la capacidad residual c de esta trayectoria de aumento
encontrado el mnimo de las capacidades residuales de los arcos sobre
esta trayectoria. Se aumenta en c el flujo de esta trayectoria.
c) Se disminuye en c la capacidad residual de cada arco en esta
trayectoria de aumento. Se aumenta en c la capacidad residual de cada
arco en la direccin opuesta en esta trayectoria. Se regresa al primer
paso.
Modelo de la ruta ms corta

Este modelo se aplica a una red conexa y no dirigida con dos nodos
especiales llamados origen y destino. A cada arco se asocia una distancia no
negativa. El objetivo es encontrar la ruta con la distancia total mnima.
14
El presente modelo carece de caractersticas especiales. El algoritmo
propuesto por Bazaraa (1998) para resolver un problema as es el siguiente:
a) Encontrar el nodo ms cercano al origen. Si ste es el nodo destino se
detiene la bsqueda, de lo contrario se busca el nodo ms cercano a
este nuevo nodo; si es el nodo origen se concluye la bsqueda, de lo
contrario se contina con el proceso hasta que el nodo que se escoja
sea el de destino.
b) Supngase que el nodo destino se encuentra en la n-sima iteracin.
Los n-1 nodos anteriores se conocen como nodos resueltos; los nodos
no escogidos en el primer paso se les llama nodos no resueltos. La
distancia desde el origen hasta el destino dada por los n nodos
encontrados constituye la ruta de comparacin.
c) Cada nodo resuelto que tiene conexin directa con uno o ms nodos
no resueltos constituye un candidato de ruta ms corta. De cada
candidato se escoge el nodo no resuelto que est a menor distancia.
d) Una vez se tienen los nodos resueltos y sus candidatos, se comparan
las distancias de las rutas generadas por estos nuevos nodos con la
original y se escoge la menor.
Al igual que en los modelos anteriores, una vez que se haya identificado que el
problema cumple con las caractersticas necesarias, se sustituye con los datos
particulares para obtener las funciones y restricciones que lo modelan.
3.2.4. El problema de vigas y cuerdas

Uno de los problemas ms fuertes que se presentan en un almacn es la
transportacin interna de los productos. Una forma de enfrentarlo es con un sistema
de vigas y cuerdas.
El problema consiste en determinar la carga total admisible que puede soportar un
sistema de vigas y cuerdas dentro del almacn.
Para el modelo de este problema se consideran las siguientes caractersticas:
I = conjunto de cargas.
S = conjunto de cuerdas.
B = conjunto de vigas.
= carga mxima permitida en la cuerda s.
15
= conjunto de cargas aplicadas en el punto medio de la viga b.
= conjunto de cuerdas que soporta la viga b.
= conjunto de cuerdas que cuelgan de la viga b.
= distancia de la carga i al punto izquierdo de la viga donde acta.
= distancia de la cuerda s al punto izquierdo de la viga b que soporta.
Se consideran las siguientes variables:
= la carga i.
= tensin generada en la cuerda s bajo la accin del conjunto de las cargas

.
Las restricciones que se obtienen de este sistema son las siguientes:
El equilibrio de fuerzas en cada viga b:

= +
El equilibrio de momentos en la viga b, considerados desde el extremo

izquierdo de la viga:
= +
La tensin mxima permitida en cada cuerda:

0
Las cargas no pueden ser negativas.
Estos modelos son los ms utilizados para resolver problemas con programacin
lineal. En el presente tema no se resolvieron, slo fueron presentadas las variables y
restricciones que cada modelo maneja. En la siguiente seccin se abordarn los
mtodos de la programacin lineal para resolver los problemas, toda vez que ya se
haya planteado el modelo a utilizar.
16
3.3. Resolucin de problemas de programacin lineal
En la seccin anterior se presentaron los modelos ms populares de la programacin
lineal. Se recuerda que stos son una forma de abstraer en lenguaje matemtico un
problema.
Para resolver un problema con programacin lineal se utilizan mtodos, es decir
algoritmos que se utilizarn una vez est definido el modelo.
A continuacin se revisarn los mtodos ms conocidos de la programacin lineal.
3.3.1. El mtodo grfico

De acuerdo con Luenberger (1998), este mtodo se utiliza para resolver problemas
que presenten dos variables de decisiones.
Consiste en trazar la grfica de cada una de las funciones de restriccin. La
interseccin de estas grficas delimita el rea de soluciones factibles. La solucin
ptima del problema se encuentra en uno de los vrtices de esta rea. Por ejemplo:
Una compaa de auditores se especializa en preparar liquidaciones y auditoras de
empresas. Dispone de 800 horas de trabajo directo y 320 horas de revisin. Una
auditora en promedio requiere 40 horas directas y 10 horas de revisin; cada una
aporta un ingreso de 3000 pesos. Mientras que una liquidacin requiere de 8 horas
directas y 5 horas de revisin; cada una aporta un ingreso de 1000 pesos. En sus
estudios de mercado se lleg a la conclusin de que mensualmente se cuenta con un
mximo de 60 liquidaciones.
Las variables de decisin involucradas son:
A = Cantidad de auditoras.
L = Cantidad de liquidaciones.
Las restricciones que se tienen son las siguientes:
Tiempo disponible de trabajo directo:

40 + 8 800
Tiempo disponible de revisin:

10 + 5 320
Nmero mximo de liquidaciones:
17
60
La cantidad de auditoras y de liquidaciones deben ser positivas:

, 0
La funcin a maximizar es la siguiente:

= 3000 + 1000
Se elabora una grfica como la siguiente:
14
12
10
8
L<=60
40A + 8L<= 800

10A + 5L <= 320
4
2
0
0
10
15
20
25
-2
Los vrtices del conjunto de soluciones son:
(0,60).
(2,60).
(12,40).
(20,0).
(0,0).
La solucin debe cumplir con las restricciones, las cuales estn delimitadas por el rea
de los vrtices presentados arriba. Entonces se evala estos vrtices en la funcin Z.
(0,60) = 3000(0) + 1000(60) = 60000.
(2,60) = 3000(2) + 1000(60) = 66000.
(12,40) = 3000(12) + 1000(40) = 76000.
18
(20,0) = 3000(20) + 1000(0) = 60000.
(0,0) = 3000(0) + 1000(0) = 0.
Puesto que se busca maximizar las ganancias, la solucin ptima es:
12 auditoras, 40 liquidaciones con una ganancia de 76000 pesos.
Un segundo ejemplo plantea que:

Una agencia de publicidad es contratada para realizar una campaa de promocin de
una nueva lnea de desodorantes. Se tienen dos opciones de medios de difusin:
televisin y radio.
El estudio de mercado mostr los siguientes datos:
La publicidad en televisin llega al 2% de las familias de ingresos altos y al 3%

de las familias de ingresos medios por comercial. El costo por comercial es de
20000 pesos.
La publicidad en radio llega al 3% de las familias de ingresos altos y al 6% de

las familias de ingresos medios por comercial. El costo por comercial es de
5000 pesos.
La meta de la empresa es llegar al menos al 36% de las familias con ingresos altos y
al 60% de las familias de ingresos medios, minimizando el costo por publicidad.
Variables de decisin:
1 = Anuncios para las familias de ingresos altos.
2 = Anuncios para las familias de ingresos medios.
Restricciones:
Porcentaje de presentacin a familias de ingresos altos:

21 + 32 36
Porcentaje de presentacin a familias de ingresos medios:

31 + 62 60
El nmero de anuncios debe ser positivo.
La funcin a minimizar es la siguiente:
= 200001 + 50002 .
19
Al graficar se obtiene:
14
12
10
8
2X1 + 3X2 = 36
6
3X1 + 6X2 = 60
4
2
0
0
10
15
20
25
Los vrtices que delimitan el rea que cumple las restricciones son:
(0,12).
(12,4).
(20,0).
Sus valores en la funcin Z son:
(0,12) = 20000(0) + 5000(12) = 60000.
(12,4) = 20000(12) + 5000(4) = 260000.
(20,0) = 20000(20) + 5000(0) = 400000.
Por lo tanto la opcin ptima para minimizar costos de publicidad es:
0 anuncios en televisin y 12 anuncios en radio con un costo de publicidad de

60000.
Como puedes observar este mtodo es sencillo una vez se entiende que la solucin
est en alguno de los vrtices de interseccin de las rectas, de ah la importancia de
que dichas intersecciones se calculen correctamente.
20
3.3.2. El mtodo simplex

Para utilizar este mtodo es indispensable conocer qu es un modelo de programacin
lineal en su forma estndar.
Se dice que un modelo de programacin lineal est en su forma estndar si cada
restriccin es una igualdad y las restricciones de signo para cada variable son del tipo
mayor o igual a cero (Luenberger, 1989).
Por ejemplo, el modelo:
= 3 + 2
Con las restricciones
2 + 100
+ 80
40
0
0
no est en su forma estndar, puesto que las restricciones no son igualdades.
Para utilizar el mtodo simplex se requiere que el modelo est en su forma estndar.
En seguida se expone cmo convertir un modelo en dicha forma.
Las restricciones se convierten en igualdades siguiendo los siguientes criterios:
Si la restriccin es una desigualdad de menor o igual y los recursos o variables

son positivas:
Se convierte esa desigualdad en una igualdad agregando una variable de holgura
positiva con coeficiente nulo en la funcin objetivo.
1 1 + 2 2 + +
se transforma en
1 1 + 2 2 + + + =
Si la restriccin es una igualdad y los recursos son positivos:

Se suma una variable positiva llamada variable artificial. A la funcin objetivo se
le suma un nuevo trmino formado dicha artificial. sta tendr coeficiente
negativo de valor absoluto muy grande si el problema es de maximizacin y
21
coeficiente positivo y de valor absoluto muy grande si el problema es de
minimizacin:
1 1 + 2 2 + + =
Se transforma en
1 1 + 2 2 + + + =
La funcin objetivo se modifica:
Si el problema es de maximizacin
1 1 2 2
Si el problema es de minimizacin
1 1 2 2 +
Si la restriccin es una desigualdad de mayor o igual y los recursos son
positivos:
A la restriccin se le resta una variable positiva de holgura, ya que es una
igualdad; se suma una variable artificial, la cual se agregar a la funcin
objetivo con un coeficiente segn las reglas descritas en el punto anterior:
1 1 + 2 2 + +
Se transforma en:
1 1 + 2 2 + + + =
La funcin objetivo se modifica:
Si el problema es de maximizacin
1 1 2 2
Si el problema es de minimizacin
1 1 2 2 +
Considrese el siguiente modelo de programacin lineal
= 501 + 202 + 303

4001 + 2002 + 1503 500
22
31 + 22 6
21 + 22 + 43 10
21 + 42 + 3 = 8
1 , 2 , 3 0
La forma estndar de este modelo queda de la siguiente forma:
501 202 303 = 0

4001 + 2002 + 1503 4 + 5 = 500
31 + 22 + 6 = 6
21 + 22 + 43 7 + 8 = 10
21 + 42 + 3 + 9 = 8
1 , 2 , 3 , 4 , 5 , 6 , 7 , 8 , 9 0
Las variables agregadas despus del proceso de estandarizacin del modelo se les
llamar variables bsicas, mientras que a las variables originales, no bsicas.
Una vez se tiene el modelo en su forma estndar se contina con lo trazado por el
mtodo simplex:
Si la funcin es a maximizar y todas las restricciones son desigualdades de

menor igual y los recursos son positivos:
1. Se construye la tabla inicial.
Supngase que el sistema tiene n variables no bsicas y m variables bsicas,
bajo el siguiente sistema estndar:
Funcin objetivo:
= 1 1 + 2 2 + +
11 1 + 12 2 + + 1 + +1 = 1
21 1 + 22 2 + + 2 + +2 = 2
23
1 1 + 2 2 + + + + =
0
Funcin
objetivo
+1
+2
+1
11
12
+2
21
22
Coef.
objetivo
variables
-2
2. Se considera la solucin inicial dada por (0,0, ,0, 1 , 2 , , ); sta va a ser

la primera solucin bsica factible.
3. La solucin actual es ptima si todos los costes reducidos coeficientes de la
ltima fila de la tabla son no negativos. De lo contrario se sigue con el paso
cuatro.
4. Se busca una nueva solucin que mejore la funcin objetivo de acuerdo a la
siguientes reglas:
a) Se selecciona una variable, denominada variable de entrada, que tenga
el ms negativo, supngase . De haber mltiples variables con el
mismo valor, se escoge arbitrariamente alguna de ellas.
b) Se selecciona una variable, denominada variable de salida, de la fila i,
que haga mnimo el cociente entre el coeficiente interno y su
correspondiente , elemento definido por la variable de entrada, tales
que ese cociente sea positivo. En caso de que ninguno lo sea, el
problema no es acotado y no se puede solucionar con este mtodo.
Supngase que la fila l lo cumple.
5. El elemento ser el elemento pivote. Se realiza el proceso de Gauss a la
matriz para conseguir que la columna k tenga un 1 en el elemento pivote y 0 en
todos los dems. As se obtiene una nueva solucin factible. Se regresa al
paso tres.
24
Observa el siguiente ejemplo:
Se cuenta con el modelo:
Max = 1 + 2
1 + 2 2
1 + 22 6
21 + 2 6
1 , 2 0
Al estandarizar el sistema:
Max = 1 + 2
1 + 2 + 1 = 2
1 + 22 + 2 = 6
21 + 2 + 3 = 6
1 , 2 , 1 , 2 , 3 > 0
Se construye la tabla inicial
Funcin objetivo
Coef.
objetivo
variables
-1
-1
-1
La primera solucin factible es (0,0, 2, 6,6). Sin embargo esta solucin no es ptima
puesto que hay valores en que son negativos. Por lo tanto se selecciona 1 como
nuestra variable de entrada.
25
Al realizar los cocientes, se obtiene -2,6, 3; dado que el ms pequeo positivo es 3, 2
es el pivote, siendo 3 la variable de salida.
Al efectuar el proceso de Gauss se obtiene la siguiente tabla:
Funcin objetivo
Coef.
objetivo
variables
3
2
1
2
3
2
-2
1
2
1
2
-2
1
2
La nueva solucin es (3,0,5,3,0)

Al retomar el paso 3, se descubre que sta nueva solucin no es ptima ya que
hay negativos.
En seguida se escoge 2 como la nueva variable de entrada.
5
3
2
Se realizan los cocientes correspondientes para conseguir como resultado 3 ,

es decir
10
,
2
, 1,
2
2, 6, quedando como mnimo 2. Este valor corresponde a 2 que es la

3
nueva variable de salida, quedando como pivote 2 .

Al aplicar el proceso de Gauss la tabla con nuestro nuevo pivote queda como la
siguiente:
Funcin
objetivo
-1
2
3
-3
Coef.
objetivo
variables
2
2
26
-3
2
3
1
3
1
3
De esta manera se obtiene la nueva solucin factible (2,2,2,0,0).

Esta nueva solucin es ptima ya que ningn es negativo.
Si la funcin se va a minimizar, slo se modifican los pasos tres y el inciso a del
cuarto de los pasos de la funcin a maximizar vistos anteriormente.
Las nuevas fases del mtodo quedan de la siguiente manera:
3. La solucin actual es ptima si todos las no son positivos. De lo contrario se
sigue con el paso cuatro.
4. Hallar una nueva solucin:
a. Se selecciona como variable de entrada a ms positiva. De haber
mltiples variables con el mismo valor, se escoge arbitrariamente una
de ellas.
Por ejemplo:
Considrese el siguiente modelo
Min = 2 33 + 25
1 + 32 3 + 25 = 7
22 + 43 + 4 = 12
42 + 33 + 85 + 6 = 10
1 , 2 , 3 , 4 , 5 , 6 0
Las restricciones del problema se encuentran como igualdades. Por otro lado, la
funcin objetivo slo depende de tres variables; por lo tanto 1 , 4 , 6 son las variables
bsicas.
Se construye la tabla inicial:

27
Funcin
objetivo
-3
Coef.
objetivo
variables
-1
-2
12
-4
10
-1
-2
Se escoge como variable de entrada 3 , ya que tiene el ms positivo. La variable de

salida es 4 ya que 3 es el mnimo entre los cocientes. Al efectuar el proceso de
Gauss a nuestra tabla se obtiene:
Funcin
objetivo
-3
1
4
12
10
-2
-9
5
2
-3
-2
1
4
5
2
-4
1
2
-4
Coef.
objetivo
variables
Como an se cuenta con positivos, se sigue con el mtodo y se obtiene que 2 y 1

son las nuevas variables de entrada y de salida respectivamente, dejando como pivote
5
a 2. Al realizar el proceso de Gauss a esta nueva tabla se construye la siguiente:
28
Funcin
objetivo
-3
Coef.
objetivo
variables
5
2
1
10
-3
5
2
3
10
1
2
11
5
2
-- 5
-2
-11
12
La solucin (0, 4, 5, 0,0, 11) es la solucin ptima.

Si en el proceso de estandarizacin del modelo existen variables artificiales, antes de
seguir los pasos descritos anteriormente se debe despejar cada una de ellas.
Entonces se sustituye en la funcin objetivo, para que nuevamente dependa slo de
las variables no bsicas. Una vez hecho esto, el proceso es el mismo que el descrito
previamente.
3.3.3. El mtodo dual simplex

Al contar con un modelo de programacin lineal a veces realizar los clculos del
mtodo simplex es muy complicado; las cuentas pueden ser muy largas y difciles.
Para resolver este inconveniente se expondr el dual de un modelo (Luenberger,
1989).
El proceso de identificar polinomios con producto de matrices lo ensea el lgebra
lineal. Si se tiene el modelo Max = 1 + 32 93 se puede visualizar como:
1
= ( 3 ) (1 , 2 , 3 ).
9
Si el siguiente modelo es para maximizar:
Max =
Con las restricciones: 0
29
Donde A es una matriz de dimensin mxn, C es un vector columna de dimensin nx1, b
es un vector columna de dimensin mx1 y X es un vector columna de dimensin nx1.
A este modelo se le conocer como programa primal.
Se define el programa dual como:
Min =
Con las restricciones 0.
Si el modelo es para minimizar:
Min =
Con las restricciones 0
Su dual est definido como:
Max =
Con las restricciones 0.
stas son las reglas a cumplir para construir el dual de un modelo.
El dual de un problema de maximizacin es un problema de minimizacin. El

dual de un problema de minimizacin es un problema de maximizacin.
El nmero de incgnitas del dual es el nmero de restricciones del primal.
El nmero de restricciones del dual es el nmero de incgnitas del primal.
Los coeficientes de coste del dual son los trminos independientes de las
restricciones del primal.
Los trminos independientes de las restricciones del dual son los coeficientes
de coste del primal.
Las matrices tecnolgicas del primal y dual son transpuestas entre s.
El mtodo dual simplex es til para no introducir variables artificiales. Recuerda que
cada vez que una de nuestras restricciones es de mayor igual, para hacer la igualdad
se debe incluir una variable artificial. Dado que estas variables se manejan con
dificultad, es mejor evitar incluirlas.
Si se tiene una solucin bsica que no es factible, es decir cuando las son positivas
pero hay alguna variable no bsica menor a 0, en el caso de maximizar; o cuando las
son negativas pero hay alguna variable no bsica mayor a 0 en el caso de
minimizar, se cuenta con el siguiente mtodo
30
Los pasos a seguir en un problema de maximizacin son los siguientes:

1. Si es una solucin factible y cumple que es positiva, entonces la
solucin es ptima.
2. Si no es ptima, se utiliza como variable de salida aquella variable
bsica con valor ms negativo.
3. Para calcular la variable de entrada, se resuelven los cocientes =
para los < 0; si todas las > 0 el programa primal no es factible.

Se escoge como variable de entrada aquella que tenga mayor .
4. Establecer una nueva tabla con como pivote y volver al paso uno.
Los pasos a seguir en un problema de minimizacin son los siguientes:

1. Si es una solucin factible y cumple que es positiva, entonces la
solucin es ptima.
2. Si no es ptima, se utiliza como variable de salida aquella variable
bsica con valor ms negativo.
3. Para calcular la variable de entrada, se resuelven los cocientes =
para los < 0; si todas las > 0 el programa primal no es factible.

Se escoge como variable de entrada aquella que tenga mayor .
4. Establecer una nueva tabla con como pivote y volver al paso uno.
Como puedes ver, este mtodo es muy parecido al simplex; si en este ltimo llegas a
requerir variables artificiales se recomienda que utilices el mtodo dual. Asimismo, si al
trabajar con el mtodo simplex se dificultan los clculos, prueba el mtodo dual, con el
cual puede que los clculos se reduzcan en dificultad o cantidad.
3.3.4. El mtodo de cambio en la disponibilidad de recursos

En general, la eficiencia en la organizacin de los negocios no es un tema que se
valore. Toda la teora convencional supone la asignacin eficiente de recursos bajo
una base analtica de largo plazo. El problema consiste en que esta base no
contempla situaciones que expliquen deficiencias en la organizacin de recursos o el
mal ajuste econmico de los mismos.
El concepto de eficiencia se ha circunscrito a las condiciones necesarias en la
asignacin de factores y productos, de modo que se obtenga una igualdad entre
diferentes tasas marginales de transformacin-sustitucin; este proceso se conoce
31
como una eficiencia de precio. Por su parte, cuando el producto se maximiza para
cualquier combinacin de salidas (outputs) observables, se conoce como eficiencia
tcnica (Georgescu-Roegen, 1971).
Si se elige como criterio de eficiencia el hecho de que un proceso o combinacin
productiva utilice menos de algn factor y no ms de otros, la especializacin y
restriccin del conjunto de posibilidades tcnicas se consigue a travs de las
siguientes caractersticas:
1. Existen lmites a las cantidades utilizadas de recursos, lo cual da una cota al
conjunto de posibilidades. Esto sugiere la existencia de algn factor fijo de
produccin que no puede variarse en el contexto definido para su utilizacin.
Es apropiada para tratar el concepto econmico de corto plazo (T. C.
Koopmans, 1957).
2. Las entradas y el producto son medibles en cantidad y tienen una dimensin de
flujo por una unidad de tiempo.
3. Sobre el conjunto de produccin acotado se selecciona el conjunto de puntos
que representa su lmite, llamados puntos frontera. Este subconjunto est
constituido por segmentos consecutivos tal que cada uno de los segmentos
pertenece a rectas, las cuales dejan el conjunto de puntos en un semiplano que
no contiene al origen de coordenadas. Este supuesto garantiza la convexidad y
supone que la produccin es posible en los segmentos lmite a combinaciones
lineales de las entradas observadas; es decir, no existen picos o baches en las
entradas.
4. Todas las unidades productivas potencialmente pueden acceder a la misma
tecnologa (subconjunto de actividades bsica de fronteras), pero algunas no
tienen xito en hacerlo. Con la seleccin de procesos, se pretende obtener la
tecnologa como sinnimo del conjunto de todos los procesos productivos de
fronteras posibles.
32
Bajo la idea de que las observaciones se encuentran situadas en el lmite del conjunto
de produccin factible o fuera de l, el conjunto de produccin o conjunto de tcnicas,
definido por las condiciones anteriores para el caso de dos entradas 1 , 2 ,
estandarizados por la salida con coeficiente de fabricacin
1 2
,

se representa en la
Figura 1. El proceso es ineficiente respecto al , al utilizar una mayor cantidad de

entradas para producir una unidad de salida.
Cada punto de la Figura 1 representa un proceso productivo que utiliza la misma
tcnica a distinto nivel ( , ) o distinta tcnica ( ) que otro proceso del
conjunto denominado industria.
Para alcanzar la mxima eficiencia son posibles dos movimientos:
1. Un comportamiento racional de la explotacin representada por el proceso
es trasladarse a con el fin de reducir el coste de producir una unidad de
salida. Una medida de eficiencia tcnica de es:
=
representa la cantidad mnima necesaria de entradas para producir una

unidad de salida. ET vara entre 0 y 1. Mide el ahorro de entradas para producir
una unidad de salidas respecto a una explotacin que utiliza la misma
proporcin de factores, pero sobre SS. M. J. Farrel (1957) denomina a SS como
la eficiencia de las cantidades iguales (isocuanta unitaria eficiente).
2. Un segundo movimiento puede establecerse en la Figura 1. es un punto
donde la relacin de precios es igual a la produccin del uso de factores. Tal
33
movimiento supone un ahorro en el costo de producir una unidad de
salida por producir con la proporcin adecuada de factores. Una medida
eficiente se establece por la relacin:
=
La eficiencia precio EP vara entre 0 y 1. Cada movimiento de a supone

una reduccin del coste de producir una unidad de producto en una fraccin
La eficiencia de cada observacin depende de la dotacin de recursos y de la

proporcin en que son utilizados. Dado un nivel de salida, los niveles de cada
entrada pueden ser el factor limitativo de la salida y alguna porcin de las
restantes entradas pude quedar ociosa como consecuencia de la escasez
relativa de entradas.
Para obtener los ndices de eficiencia tcnica se define el conjunto R de
recursos productivos y una matriz tecnolgica V de coeficientes entrada/salida.
La matriz V se compone de n vectores, columna de actividades productivas o
explotaciones y m vectores, fila de recursos. Un elemento de la matriz V,
representa las necesidades de entrada para producir una unidad de salida.
Cada actividad se describe y define por un vector que representa una forma
concreta de produccin:
= (1 2 )
Este problema de programacin lineal se plantea de la siguiente manera para
obtener la eficiencia tcnica de una actividad :
Maximizar la funcin
=
=1

=1 y 0
Donde es el ptimo de la funcin objetivo . La eficiencia tcnica se obtiene
por:
=
34
El impacto de la escala sobre la eficiencia puede obtenerse de la siguiente
manera, basado en la actividad de escala :
Maximizar la funcin = =1
=1
=1 ( ) = 0
La segunda restriccin introduce la escala en cada uno de los problemas de

programacin lineal que se generan. Para , se compara con las escalas de
aquellas explotaciones que componen la base ptima del problema de
programacin lineal.
As la eficiencia tcnica de , se define como:
=
Si > 1 entonces < 1 lo cual indica que e es ineficiente. Usando la

segunda restriccin, si es ineficiente:
=
=1
Por la definicin de la ecuacin anterior queda de la siguiente manera:
=
=1
Esta ecuacin significa que tiene una escala igual a la media ponderada de las
escala de explotaciones que componen la solucin ptima del problema de
programacin lineal (Boles, 1971).
Dado que este mtodo es muy especfico, encontrar que tu problema se puede
resolver con l es sencillo. Aunque los clculos son complicados, tienen una secuencia
lgica fcil de seguir, as que no debes tener problema al utilizarlo.
35
3.3.5. El mtodo de cambio en los coeficientes de integracin

Durante el desarrollo del modelo de programacin lineal se realizan muchos clculos y
se analizan estadsticas de transporte o historial de ventas. Todos estos clculos y
operaciones sirven para delimitar los coeficientes de la funcin objetivo y de las
restricciones.
Durante el proceso de aplicar la programacin lineal a un problema, una vez que se
cuenta con el modelo, se aplica un mtodo para resolverlo. Si el proceso de obtencin
de los coeficientes y restricciones del modelo no fue el adecuado, el problema
parecer ser insoluble.
Por ello existe un proceso llamado Anlisis de sensibilidad en programacin lineal.
Este proceso es complicado, porque se encarga de analizar qu tan sensibles son los
resultados del modelo en cuestin si se modifican el valor de los coeficientes y las
restricciones.
Dada la extensin del curso, dicho proceso no ser trabajado aqu. Empero, se har
mencin de un proceso contenido en dicho anlisis, que se aplica a las variables
artificiales y de holgura.
Considrese el problema:
Max = 601 + 302 + 203
81 + 62 + 3 48
41 + 22 + 1.53 48
21 + 1.52 + 0.53 48
1 , 2 , 3 0
La tabla inicial es:
Funcin
objetivo
60
30
20
Coef.
objetivo
variables
48
1.5
20
36
3
1.5
0.5
-60
-30
-20
Dando como solucin ptima:

Funcin
objetivo
60
30
20
Coef.
Objetivo
variables
-2
-8
24
20
-2
-4
60
1.25
-0.5
1.5
10
10
Z=280
Si se desea realizar un cambio en el coste 2 , de 30 a 30+l, qu cambio tendra en la

tabla anterior?
Obsrvese el siguiente clculo que muestra las restricciones del modelo:
1 || = 1 |1 |1 = |1 |1
De esta manera las de las variables no bsicas se calculan como 1 ,
siendo 0 en las variables bsicas. Dado que slo se cambiar el costo de una variable
no bsica, nicamente se debe calcular 2 de la siguiente manera:
2
(0,20,60) ( 2 ) (30 + ) = 5.0 +
1.25
Por lo que la tabla queda de la siguiente forma:
Funcin
objetivo
60
30+l
20
Coef.
objetivo
variables
-2
-8
24
20
-2
-4
60
1.25
-0.5
1.5
37
5-l
10
10
Z=280
Este mtodo te permite modificar los rangos de valor de las variables involucradas en
tu problema sin la necesidad de replantearlo por segunda vez. Es muy til cuando
existe un problema y se quiere saber si alguna de las variables necesita ampliar su
rango de valores.
3.3.6. El mtodo de cambio en los coeficientes tecnolgicos

De acuerdo con el proceso expuesto en el pargrafo anterior, cuando se modifican los
coeficientes tecnolgicos, que son los coeficientes que acompaan a las variables en
la funcin objetivo y en las restricciones, slo se modifican las columnas de la tabla
simplex (Luenberger,1989).
Supngase un problema que tiene la siguiente tabla simplex inicial:
Funcin
objetivo
60
30
20
Coef.
objetivo
variables
48
1.5
20
1.5
0.5
-60
-30
-20
Si se altera el valor de la segunda variable no bsica en (5,2,2) con

tabla inicial siguiente:
Funcin
objetivo
60
30
20
, se obtiene la
Coef.
objetivo
variables
48
1.5
20
0.5
-60
-43
-20
38
Esta modificacin slo afecta la segunda columna de la tabla final

Funcin
objetivo
60
30
20
Coef.
Objetivo
variables
-2
-8
24
20
-2
-4
60
1.25
-0.5
1.5
10
10
Z=280
Coef.
objetivo
variables
Lo anterior se representa con la multiplicacin:

1
(0
0
2
8 5
7
2
4) (2) = (4)
0.5 1.5 2
2
Y el coste reducido ( ) ser:

7
(0,20,60) (4) 43 = 3
2
De esta manera la tabla final queda como:
Funcin
60
30
20
objetivo
-2
-8
24
20
-2
-4
60
1.25
-0.5
1.5
10
10
Z=280
En el presente apartado revisaste los mtodos ms populares para resolver problemas

con programacin lineal.
El mtodo grfico se utiliza para problemas con dos variables de decisin, siendo este
el ms sencillo.
39
Los mtodos simplex y dual simplex son los ms utilizados. Ambos resuelven
problemas con mltiples variables de decisin. La diferencia entre ambos radica en
que cuando se tiene una restriccin con desigualdad mayor o igual, en el simplex se
debe utilizar una variable artificial; en el dual simplex no se utiliza tal variable artificial,
con lo que se facilitan los clculos.
El mtodo de cambio en la disponibilidad de recursos es un mtodo muy especfico, lo
cual simplifica los casos en los cuales se puede utilizarlo.
Los mtodos de cambio en los coeficientes de integracin y cambio en los coeficientes
tecnolgicos son mtodos que permiten modificar los rangos de las variables,
permitiendo aumentar o disminuir sus lmites sin modificar el planteamiento completo.
Cierre de la unidad
Con esta unidad terminas el curso de investigacin de operaciones. En este momento
tienes los conocimientos para enfrentar problemas de transportacin y logstica en tu
trabajo.
En esta unidad se expuso una introduccin de la herramienta de resolucin de
problemas de la Investigacin de operaciones llamada programacin lineal. Se
estudiaron los supuestos y la estructura de un modelo de dicha herramienta. Esta
estructura consta de una funcin lineal de mltiples variables denominada funcin
objetivo. A esta funcin objetivo la acompaan restricciones, las cuales son
desigualdades o igualdades lineales que acotan la libertad de nuestros resultados. Su
funcin es mantener las soluciones que tengan sentido en la realidad, para evitar as
que resultados al problema en cuestin que no sean posibles de aplicar en alguna
empresa.
Despus se vieron los modelos ms populares en la programacin lineal. Se trabaj
con los modelos de transporte, de planificacin de produccin, flujo de redes y vigas y
cuerdas. Los tres primeros abordan el problema de movimiento de mercancas, el
segundo trabaja un problema de almacenaje y transportacin dentro de las bodegas.
Por ltimo se estudiaron los mtodos ms populares para resolver problemas con
programacin lineal. Los ms utilizados son el grfico y el simplex, puesto que
resuelven problemas con mltiples variables. Se trabaj con el modelo de cambio de
disponibilidad de recursos; este modelo funciona con un problema no muy comn en la
perspectiva de las empresas. Ayuda a pronosticar, manejar y prever los recursos,
estudiando la participacin de cada uno de ellos en los procesos de la empresa.
Con ello concluiste la unidad. Aplica estos conocimientos en tu trabajo. Recuerda que
la investigacin de operaciones es una herramienta; cmo la utilices depende de ti.
Tambin es importante recordar que al ser una herramienta es una gua. No es la
40
nica forma de resolver los problemas; ni siquiera los modelos y mtodos estudiados
en esta asignatura son los nicos, siempre se pueden adaptar a tus necesidades entre
ms los utilices.
Para saber ms
Existen diversos software que ayudan en el clculo de las soluciones de un modelo de
investigacin de operaciones. En los siguientes hipervnculos podrs descargar una
versin de prueba y el programa completo; tambin se encuentran los manuales y todo
lo que necesitas para aprender a usarlos.
WinQSB http://tecoaxaca.blogspot.mx/2009/06/software-para-investigacion-de.html
Lindo
http://www.lindo.com/index.php?option=com_content&view=article&id=28&Itemid=
4
Fuentes de consulta
Ackoff y Sasieni, (1977). Fundamentos de Investigacin de operaciones,

Mxico: Editorial Limusa.
Bazaraa, M. S. (1998). Programacin lineal y flujo de redes, 2da ed. Mxico:

Editorial Limusa.
Farrel, M. J. (1957), The measurement of productive efficiency, Journal of the

Royal Statistical Society, Series A, vol. 120, no. 3, 253-290.
Georgescu-Roegen (1971), The entropy law and the economic process, E.U.A:
Harvard University Press.
Hiller, Frederick S. y Lieberman, Gerald J., (2010). Introduccin a la

investigacin de operaciones. Mxico: McGraw-Hill/Interamericana Editores.
Kaufmann A. (1965) Mtodos y modelos de la investigacin de operaciones,

tomo I. Mxico: Cecsa.
Koopmans, Tjalling C (1957), Three essays on the state of economic science.

New York: McGraw-Hill.
Luenberger David E (1989). Programacin lineal y no lineal. E.U.A: AddisonWesley Iberoamericana.
41

Unidad 3. Programación Lineal-Mtp

Caricato da

Informazioni sul documento

Descrizione originale:

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Unidad 3. Programación Lineal-Mtp

Caricato da

Copyright:

Formati disponibili

Investigacin de operaciones

Unidad 3. Programacin lineal

Unidad 3. Programacin lineal

Universidad Abierta y a Distancia de Mxico

Ciencias de la Salud Biolgicas y Ambientales

Ciencias de la Salud Biolgicas y Ambientales

Unidad 3. Programacin lineal

Una vez que se conocen los supuestos bsicos de la programacin lineal, es

Ciencias de la Salud Biolgicas y Ambientales

3.1. Introduccin a la programacin lineal

3.1.1. Supuestos de la programacin lineal

Ciencias de la Salud Biolgicas y Ambientales

Ciencias de la Salud Biolgicas y Ambientales

Como se puede observar, dentro de la programacin lineal estos supuestos funcionan

3.1.2. Estructura de un modelo de programacin lineal

3.2. Modelos de programacin lineal

3.2.1. El problema del transporte

Ciencias de la Salud Biolgicas y Ambientales

Con las restricciones:

Con estos datos se construye la siguiente tabla:

Ciencias de la Salud Biolgicas y Ambientales

Cualquier programa de programacin lineal que se ajuste a esta formulacin especial

3.2.2. El problema de la planificacin de produccin

Ciencias de la Salud Biolgicas y Ambientales

Existen las siguientes restricciones:

El balance de inventario de productos terminados:

Ciencias de la Salud Biolgicas y Ambientales

La planificacin de inventario fsico y escasez:

Los requerimientos de inventario de productos al trmino del horizonte de

La restriccin de capacidad de produccin de cada lnea:

El balance de materias primas:

Los lmites de adquisicin de materias primas:

Las necesidades de materias primas en funcin de la fabricacin de cada

El inventario final de materia prima:

Para resolver un problema de planificacin de produccin se minimiza la ecuacin .

Ciencias de la Salud Biolgicas y Ambientales

Ciencias de la Salud Biolgicas y Ambientales

Modelo de minimizacin de redes

Ciencias de la Salud Biolgicas y Ambientales

Modelo de flujo mximo

Modelo de la ruta ms corta

Ciencias de la Salud Biolgicas y Ambientales

3.2.4. El problema de vigas y cuerdas

= carga mxima permitida en la cuerda s.

Ciencias de la Salud Biolgicas y Ambientales

= conjunto de cargas aplicadas en el punto medio de la viga b.

= conjunto de cuerdas que soporta la viga b.

= conjunto de cuerdas que cuelgan de la viga b.

= distancia de la carga i al punto izquierdo de la viga donde acta.

= distancia de la cuerda s al punto izquierdo de la viga b que soporta.

Se consideran las siguientes variables:

= tensin generada en la cuerda s bajo la accin del conjunto de las cargas

Las restricciones que se obtienen de este sistema son las siguientes:

El equilibrio de fuerzas en cada viga b:

El equilibrio de momentos en la viga b, considerados desde el extremo

La tensin mxima permitida en cada cuerda:

Las cargas no pueden ser negativas.

Ciencias de la Salud Biolgicas y Ambientales

3.3.1. El mtodo grfico

Las restricciones que se tienen son las siguientes:

Tiempo disponible de trabajo directo:

Tiempo disponible de revisin: