Programación lineal y sus aplicaciones

U.P.I.I.C.S.A Apuntes de Investigación de Operaciones.
INVESTIGACION DE OPERACIONES.
TEMARIO.
I. INTRODUCCION A LA INVESTIGACION DE OPERACIONES

Definición de antecedentes, ubicación en las organizaciones, metodología.
II. PROGRAMACION LINEAL.

A. Modelo de la Programación Lineal (P.L. General). Propiedades.
B. Formulación con Programación Lineal de aplicaciones típicas en: producción,
selección de equipo, procesos, horarios, dieta, etc.
C. Solución para el problema expresado con Programación Lineal.
a. Método de solución gráfica con solo dos variables.
1. Visualización de conceptos de P.L.; solución factible y no factible, solución
básica, solución única y no única, restricción redundante, solución
degenerada, variable de holgura y superflua.
b. Método de solución analítica para el problema de P.L.
1. Formas equivalentes del modelo de programación lineal.
2. Definiciones y teoremas de P.L.
3. Método SIMPLEX y criterios para el cambio de base.
4. Variables artificiales.
i. Método SIMPLEX-PENAL o de la M Grande.
ii. Método SIMPLEX-DOS FASES.
5. Casos especiales en la tabla SIMPLEX.
6. Teoría de la Dualidad en P.L.
i. Obtención del Problema Dual en forma canónica.
ii. Obtención del Problema Dual en forma directa.
iii.Equivalencia entre las dos obtenciones anteriores
iv. Significado de las variables duales e interpretación económica.
v. Método DUAL-SIMPLEX y criterios para cambios de base.
7. Estructura matricial de la tabla SIMPLEX.
8. Análisis de sensibilidad de la solución óptima de un problema.
i. Cambios en el vector b de recursos de restricciones.
ii. Cambios en el vector C de coeficientes de la función objetivo.
iii.Cambios en la matriz A de coeficientes de restricciones.
c. Aplicaciones de la Programación Lineal a Redes de Flujo.
1. Definición.
2. Modelo de transporte simple. Definición.
i. Modelo matemático de P.L. y tabla usual.
ii. Solución inicial para la optimización de un problema.
iii.Algorítmo de transporte (SIMPLEX-SIMPLIFICADO) para la
optimización.
(I) Ejemplificación de soluciones degenerada y no degenerada.
.
.
3. Modelo de transbordo definición.

i. Modelo matemático de transbordo balanceado y sin capacidades.
ii. Modelo matemático de transbordo con capacidades.
4. Problemas y modelo matemático de ruta mínima. Definición.
i. Algorítmo de Dijkstra para red orientada y no orientada.
ii. Algorítmo matricial para cualquier red.
5. Problema de árbol mínimo y algorítmo de conjunto conectado.
6. Problema y modelo matemático de flujo máximo
i. Algorítmo de Ford-Fulkerson para red orientada
ii. Algorítmo matricial para cualquier red.
.
.
INVESTIGACION DE OPRERACIONES.
 Es la aplicación del método científico.

 Por grupos interdisciplinarios.
 En el estudio de problemas de las organizaciones creads por el hombre buscando
un a solución integral.
Modelo matemático obligado.

METODO CIENTIFICO
Métodos estadísticos de muestreo.
Investigador de operaciones.
Administradores.
Informáticos.
GRUPOS Ingenieros.
INTERDISCIPLINARIOS Economistas.
Contadores.
Etc.
CREADAS POR EL HOBRE. Enfoque sistémico.
ANTECEDENTES.
AÑO. AUTOR. TECNICA DESARROLLADA.
1759 Quesnay Modelos primarios de programación matemática.

1873 G.Jordan. Modelos lineales.
1874 Warlas. Modelos primarios de programación matemática.
1891 Minkousky. Modelos lineales.
1903 Farkas. Modelos lineales.
1897 Markov. Modelos dinámicos probabilísticos.
1905 Erlang. Líneas de espera.
1920.30 Konig Egervary Asignación.
1937 Morgerstern. Lógica estadística.
1937 Von Newman. Teoría de juegos.
1939 Kantorovich. Distribución.
1947 G.Dantzig. Método SIMPLEX.
1950’s Bellman. Programación dinámica.
Kun-Tucker. Programación no lineal.
Gomory. Programación entera.
Ford-Fulkerson. Redes de flujo.
.
.
AÑO. AUTOR. TECNICA DESARROLLADA.
Markowitz. Simulación.
Raifa. Análisis de decisiones.
Arrow-Karli. Inventarios.
Siglo XVI.....
Newton.
Lagrange Probabilidad y.
Cálculo Diferencial Laplace. Estadística.
Leibnitz.
Stieljes.
Metodología de Investigación de Operaciones:
1
Identifica el problema
(partes y objetivos)
2
Observar el Sistema
(información)
3
Formular un Modelo
Matemático (plantear )
4
Verificar el Modelo y
usarlo en predicción
(evaluar y derivar sol. )
5
Seleccionar alternativas
de solución
6
Presentar resultados
a la organización
7
Implementar y evaluar
recomendaciones
.
.
“Programación Lineal”
A pesar de que la programación lineal se empezó a estudiar desde finales del S.XIX
no fue hasta mediados del presente siglo en que tuvo auge como técnica matemática
aplicable a los problemas de la empresa.
El Dr. G. Damtzing desarrolló el método simplex y con ello hizo posible la solución
de grandes problemas modelados con programación lineal que solo quedaban en la
situación de estudios. Paralelamente a la invención de este método a partir de mediados del
siglo se desarrollo la computación digital y se pudo tener resultados óptimos a los
problemas estudiados que se quedaron como modelos.
La programación lineal es actualmente la técnica matemática utilizada mas

actualmente gracias a que el algoritmo simplex es muy eficiente y al desarrollo de la
computación.
Lo que se busca con la aplicación de la programación lineal es resolver problemas

comunes y a la vez muy variados de la empresa en donde en general se tienen necesidades
por satisfacer con cierto número de recursos limitados o escasos y con el objetivo de
lograrlo en forma óptima. Esto significa la búsqueda de un valor máximo cuando se trata
de beneficios; o bien la búsqueda de un mínimo cuando se trata de esfuerzos a desarrollar.
Un modelo de programación lineal es un conjunto de expresiones matemáticas las

cuales deben cumplir la característica de linealidad que puede cumplirse siempre y cuando
las variables utilizadas sean de primer grado. Además un modelo de P.L debe tener las
propiedades de:
 Proporcionalidad
 Aditividad (adición)
 Divisibilidad
 Certidumbre(certeza)
Antes de formular un modelo general para P.L conviene ilustrar algunos ejemplos
que faciliten la interpretación de la generalización
Ejemplo de producción:
Una empresa ha dejado de fabricar ciertos productos, liberando de esta forma las
cargas de producción que tenían sus equipos en los departamentos de maquinado. Ahora se
tienen horas máquina que se pueden utilizar en los productos denominados 1,2,3 de la
siguiente manera:
.
.
Máquina Horas por pieza de producto Horas Maq. Disponibles

1 2 3 por semana
Fresadora 9 3 5 500
Torno 5 4 - 350
Rectificadora 3 - 2 150
Utilidad
$/ pieza 50 20 25
Recomendación del Mínimo Mínimo Mínimo

Depto. Vtas a Prod. 30 15 20
Formular un modelo de P.L para este problema
 Definición de variables a utilizar en el método de programación lineal
Sea: Xj = numero de piezas de producto j(j=1,2,3) a fabricar para

maximizar la utilidad.
 Función económica y objetivo:
MAX Z= 50X1 + 20X2 + 25X3 [ (Dls/Unidad) (Unidad/Sem)] =

[Dls/Sem.]
sujeta a restricciones de horas máquina disponibles por semana
Fresadora : 9X1 + 3X2 + 5X3 = 500 horas máquina fresadora

Torno: 5X1 + 4X2 = 350 horas máquina torno
Rectificadora: 3X1 + 2X3 = 150 horas maquina rectificadora
Condiciones de signos pare las variables:
X1 = 30 piezas
X2 = 15 piezas
X3 = 20 piezas
.
.
Ejemplo de inversión:
Se desean invertir 2 millones de dólares en 6 tipos de inversión cuyas características

son las siguientes:
Tipo de Interés Factor de Plazo promedio

Inversión Anual(%) Riesgo de inversión
1 8.5 0.02 8
2 9 0.01 2
3 8.5 0.38 5
4 14.3 0.45 6
5 6.7 0.07 2
6 13 0.35 4
El factor de riesgo significa la probabilidad de que el rendimiento real sea inferior al esperado. Se
considera ventajoso un período promedio ponderado de inversión de ciando menos 5 años; pero el factor
promedio ponderado de riesgo no debe ser superior a 0.20. La ley prohibe que la suma de las inversiones de
los tipos 4 y 6 sea mayor al 25% del total de la inversión. Con P.L formule un modelo de P.L para decidir
cómo invertir para maximizar el rendimiento de los 2 millones de dólares.
(SOL. A)
 Definición de variables
Sea: Xj = cantidad de dólares a invertir en el tipo j(j=1,2,3,4,5,6) para

maximizar el rendimiento.
 Función objetivo
MAX Z= 0.085X1 + 0.09X2 + 0.85X3 + 0.143X4 + 0.067X5 +0.13X6
sujeta a restricciones:
1) X1 + X2 + X3 +X4 + X5 + X6 = 2,000.000 dls.

2) 0.02X1 + 0.01X2 + 0.38X3 + 0.45X4 + 0.07X5 + 0.35X6 = 0.2 (2,000.000)
= 400,000 dls.
3) 8X1 + 2X2 + 5X3 +6X4 + 2X5 + 4X6 = 5 (2,000.000) = 10,000.000 dls.
4) X4 + X6 = 0.25 (2,000.000) = 5,000.000 dls.
X1, X2, X3, X4, X5, X6 = 0
(SOL. B)
.
.
 Definición de variables
Sea: Xj = Fracción capital a invertir en el tipo j(j=1,2,3,4,5,6) para

maximizar el rendimiento.
 Función económica y objetivo:
MAX Z= 8.5X1 + 9X 2 + 8.5X3 + 14.3X 4 + 6.7X5 +13X 6
sujeta a restricciones:
1) X1 + X2 + X3 +X4 + X5 + X6 = 1 (capital)
2) 0.02X1 + 0.01X2 + 0.38X3 + 0.45X4 + 0.07X5 + 0.35X6 = 0.2 (1) = 0.2
3) 8X1 + 2X2 + 5X3 +6X4 + 2X5 + 4X6 = 5 (1) = 5
4) X4 + X6 = 0.25 (1) = 0.25
X1, X2, X3, X4, X5, X6 = 0
Ejemplo:
Problemas de mezcla en la inversión.
Definición de variables:
Sea: xj = Fracción del capital a invertir en la tipo j (j = 1,2,...,6) para maximizar el

rendimiento.
Función objetivo:
Max. z = 8.5 x1 + 9 x2 + 8.5x3 + 14.3x4 + 6.7x5 + 13x6
Sujeto a restricciones:
x1 + x2 + x3 + x4 + x5 + x6 = 1
(Factor de riesgo)
0.02x1 + 0.01x2 + 0.38x3 + 0.45x4 + 0.07x5 + 0.35x6  0.2 (1) = 0.2
8x1 + 2x2 + 5x3 + 6x4 + 2x5 + 4x6  5(1) = 5

x4 + x6  0.25 (1) = 0.25
x1,x2,...,x6  0
[Ésta es otra forma de plantear el problema]
.
.
Problema de establecimiento de horario.
En un sector de la ciudad se tiene el siguiente requerimiento de policías:
PERIODO DEL DIA 1 2 3 4 5 6

HORA DEL DIA. 06-10 10-14 14-18 18-22 22-02 02-06
POLICIAS REQUERIDOS () 300 350 425 450 250 200
El periodo #1 sigue inmediatamente del 6. Cada policía debe laborar 8 hrs

consecutivas. Formular un modelo de programación lineal de este problema.1
PERIODO/HORA 06-10 10-14 14-18 18-22 22-02 02-06

1 X1 X1
2 X2 X2
3 X3 X3
4 X4 X4
5 X5 X5
6 X6 X6
REQUERIDOS.  300  350  425  450 250 200
Sea xj = Número de policías que inician el periodo j (j = 1,2,3,...,6)
Función objetivo:
Min. z = x1 + x2 + x3 + x4 + x5 + x6 (policías mínimos para cubrir turnos [6])
x1 + + x6  300
x1 + x2  350
x2 + x3  425
x3 + x4  450
x4 + x5  250
x5 + x6  200
.... toda xj  0
Ejemplo:
1
Requerido significa también necesidad, que es lo mismo a cubrir, por lo tanto debe ser 
.
.
Problema de aprovechamiento de recursos.
Una empresa papelera recibe un pedido de rollos de papel de la misma calidad y

espesor para los siguientes anchos:
500 rollos de 30 in, 450 rollos de 45 in y 150 rollos de 56 in.
En las bodegas de la empresa solo se tiene existencia en esta calidad de papel en

ancho de 108 in, por lo que se piensa deben someterse a un proceso de corte longitudinal si
se desea cumplir la demanda de este pedido. Formular un modelo de programación lineal
correspondiente a este problema.
108 cm CORTE
Definición de variables2:
Sea xj = # de cortes del tipo j (j = 1,2,....,5) necesarios para cumplir el pedido con
mínimo desperdicio de papel.
Función objetivo (o económica):
Min. z = 18x1 + 3x2 + 22x3 + 18x4 + 7x5
3x1 + 2x2 + x3  500 rollos de 30’

x2+ x4 + x5  450 rollos de 45’
x3 + x5  150 rollos de 56’ ...las unidades:
Rollos
2
No olvidar que la definición de variables siempre se debe hacer de manera cuantitativa (en #).
.
.
Corte Corte = Rollos ...para restricciones.
in
corte corte = in ...para función objetivo.
Toda xj  0
Problema de almacenamiento en el transporte.
Un barco tiene las siguientes capacidades de almacenamiento en sus bodegas de

popa, centro y proa. Los dueños del barco pueden elegir una porción o toda la carga de los
productos A, B y C, cuyas características se tabulan a continuación. Además, para preservar
el equilibrio del barco debe cumplirse con una carga proporcional a la capacidad de las
respectivas bodegas.
BODEGA CAPACIDAD CAPACIDAD

TONELADAS m3
PROA (1) 3000 130000
CENTRO (2) 2000 10000
POPA (3) 1500 30000
PRODUCTOS TNS A TRANSPORTAR m3/Ton UTILIDAD (MILES DLS/TN)

A 3500 60 8
B 2500 50 7
C 2000 25 6
Sea: xij = toneladas del producto j (j = A,B,C) a cargar en la bodega i (i = 1,2,3) para
maximizar la utilidad en el viaje.
Función objetivo:
Max z = 8(x1A + x2A + x3a) + 7(x1B + x2B + x3B) + 6(x1C + x2C + x3C) ...con unidades
Miles de dls.
Ton Ton = miles de dólares
x1A + x1B + x1C  3000 Ton.

Capacidad en Ton x2A + x2B + x2C  2000
x3A + x3B + x3C  1500
60x1A + 50x1B + 25x1C  130000 m3.
.
.
Capacidad en Ton 60x2A + 50x2B + 25x2C  100000

60x3A + 50x3B + 25x3C  30000
x1A + x1B + x1C  3500 Ton.

Capacidad en Ton x2A + x2B + x2C  2500
x3A + x3B + x3C  2000
Proporción de carga en las bodegas:
x1A + x1B + x1C = x2A + x2B + x2C = x3A + x3B + x3C  1

3000 2000 1500
Modelo de programación lineal general.
Sea xj = #.... ; j = 1, 2, 3....n
Función objetivo:
Términos del primer grado que se sumen.

Max. o Min. z = C1x1 + C2x2 + ... + Cjxj + ... + Cnxn
...donde n = # total de valores
j = ocurrencia.
Sujeto a restricciones: i = 1, 2, 3, ... , m
a11x1 + a12x2 + ... + a1jxj + ... + a1nxn  =  b1

a21x1 + a22x2 + ... + a2jxj + ... + a2nxn  =  b2
·
·
ai1x1 + ai2x2 + ... + aijxj + ... + ainxn  =  bi
·
·
am1x1 + am2x2 + ... + amjxj + ... + amnxn  =  bm
Condiciones de signo para variables: toda xj  0
Modelo general de programación lineal resumido en:
Sumatorias.
.
.
Definición de variables: sea xj = # ; j = 1, 2, 3, ... , n

Función objetivo: (Max./Min.) z =  cjxj
... sujeta a:
aijxj  =  bi i = 1, 2, 3, ... , m
... condiciones de signo:  xj  0
Con vectores.
(Max./Min.) z = Cx
... sujeto a: Ax  =  b
x  0
Propiedades que debe de seguir el modelo de programación lineal.
Proporcionalidad. En el modelo de programación lineal los pagos deben ser

proporcionales.
El modelo de programación lineal es estático, plantea una situación del momento.
x = progreso de la actividad
Aditividad. Siempre los pagos se suman.
Requerimientos.
Costos y
Utilidades.
Divisibilidad. Las variables involucradas en el modelo de programación lineal pueden no

ser un número entero...
Si los valores son muy pequeños no importa el redondeo.

Si son muy altos afecta el redondeo.
Certidumbre. Todos los parámetros que se manejan deben ser pasados con certeza.
Métodos de solución del modelo de programación lineal.

.
.
El modelo de programación lineal se puede resolver tanto gráfica como

analíticamente, pero para problemas de tamaño común que se encuentran como
aplicaciones, la solución gráfica no es útil. En cambio, la solución analítica utilizando el
algorítmo SIMPLEX que se verá posteriormente es el procedimiento normal para la
búsqueda de la solución óptima de un problema.
Método de solución gráfica.
La gran limitación que se tiene con el método de solución gráfica con programación
lineal es que su aplicación sólo puede hacerse a problemas con dos y cuando mucho tres
variables, en este curso se ejemplifica para problemas solo con dos variables.
A pesar de tal inconveniente, el método gráfico resulta útil para exposición e

ilustración de los conceptos de la programación lineal. Ejemplo:
Max. z = 3x1 + 5x2 ... sujeto a:
x1  4 .......... (1)
2x2  12 .......... (2)
3x1 + 2x2  18 .......... (3) x1 ; x2  0
A (0 ,6 ) R ( 4 ,6 )
H ( 4 ,3 )
J (6 ,0 )
O (0 ,0 ) F ( 4 ,0 )
Expresar geométricamente el sistema dentro del gráfico; rango de valores.
.
.
x1  4 2 x2  12 3 x1 + 2 x2  18
(1) (4,0) F (2) x2  6 (3) x1 x2
(0.6) A
0 9
6 0
(0,9) B
(6,0) J
Las desigualdades son fronteras o división del espacio plano. Si la recta no pasa por
el origen, se toman en cuenta las coordenadas de O.
Espacio solución: Satisface al sistema (factible) posible. Conjunto de soluciones

factibles.
Si se satisface la restricción, el origen pertenece al semiplano que satisface la

restricción.
A C
c 3 x1 + 2 x2 = 18 3 x1 = 6 6 + 2 x2 = 18 x2 = 6
2 x = 12 x = 2 2 x = 12 C (2 ,6 )
O F
(1) (3) 3x1 = 12

H x1= 4 x1 = 4
3x1 + 2x2 = 18 H = (4,3)
2x2 = 6 ; x2 = 3
Trazo de la función económica
VALOR RELATIVO
z (5,0)
(0,3)
Múltiplo de los coeficientes que nos dan la pendiente de la función.
z = 15 supuesto
.
.
...trasladar a z en cualquier dirección respetando la pendiente (paralela a la obtenida).
Haciendo coincidir z con todos los vértices conocidos nos damos cuenta que a
medida que se aleja del origen crece. El punto máximo es C.
... donde z = 3(2) + 5(6) = 36

Max z = 36
Los vértices son capaces de generar lo OPTIMO.
CONVEXIDAD: Si dados dos puntos cualesquiera contenidos en el conjunto y se unen

mediante el segmento y si se cumple para todo par de puntos, es convexo.
Para resolver mediante el algorítmo SIMPLEX, el conjunto debe ser CONVEXO.
CONJUNTO CONVEXO: un conjunto es convexo si dados dos puntos A y B

cualesquiera, contenidos en el mismo, el segmento de recta que los une queda contenido en
dicho conjunto totalmente.
DEFINICION MATEMATICA: Un conjunto convexo se forma por combinación

convexa lineal entre dos puntos A y B como sigue:
P = A + B(1 - ) para 01

...donde A y B son vectores y  es un escalar.
Ejemplo: Obtener un punto p que sea CCL entre dos vértices A y F con  = ½.
P = ((0,6) ½) + (4,0) (1 - ½)
P = (0,3) + (2,0)
P = (2,3)
OJO: NO SE PUEDEN GENERAR LOS VERTICES.
METODO GRAFICO.
Ejemplo: Max z = 3x1 + 5x2

...sujeta a:
x1  4 ... (1)
2x2  12 ... (2)
3x1 + 2x2  18 ... (3) x1 ; x2  0
.
.
B (0 ,9 ) M ax z = 36 c
(x ,x )
1 2
A (0 ,6 ) C (2 ,6 )
R ( 4 ,6 )
C O N JU N TO C O N V E X O
H ( 4 ,3 )
D E S O L U C IO N E S
F A C T IB L E S .
E S P A C IO S O L U C IO N .
M in z o = (0 , 0 )
J (6 ,0 ) S O L U C IO N T R IV IA L .
O ( 0 ,0 ) F (4 ,0 )
CONJUNTO CONVEXO: Un conjunto es convexo si dados dos puntos A y B contenidos

en el mismo, el segmento de recta que losa une queda contenido totalmente en dicho
conjunto.
DEFINICION MATEMATICA: Un conjunto convexo se forma por combinación

convexa lineal entre dos puntos A y B como sigue:
P = A + B(1 - ) para 01
Ejemplo: Obtener un punto P que sea CCL entre los vértices A y F con  = ½
P = (0,6) ½ + (4,0) (1 - ½9 = (0,3) + (2,0)  P = (2,3)
(pueden calcularse así todos los puntos a excepción de los vértices)
Cuando se tienen desigualdades ha y que convertir a igualdades (ec. lineales).
Tomando la restricción 3:
H O LG U R A = X
18
3X1 + 2X2
3 (2 ) + 2 (6 )
.
.
En este caso coincidió, pero no lo sabíamos, si no fuera así, necesitamos una nueva
variable “x” llamada holgura y retomando el ejemplo anterior se tendría:
x1 + x3 = 4 ... (1)
2x2 + x4 = 12 ... (2)
3x1 + 2x2 + x5 = 18 ... (3) x3 , x4 , x5 HOLGURA.
x1 ... x5  0
...y se tiene un sistema ampliado a 5 dimensiones.
Tomando X3,
X4, X5, de
VERTICE X1 X2 X3 X4 X5 OBNES.
sustituir o
O 0 0 4 12 18 FACTIBLE
despejarlos de
A 0 6 4 0 6 FACTIBLE 1, 2 y 3 y
C 2 6 2 0 0 FACTIBLE tomando X1 y
F 4 0 0 12 6 FACTIBLE X2 como
H 4 3 0 6 0 FACTIBLE
0, ....en todas
B 0 9 4 -6 0 se cumple x 
J 6 0 -2 12 0 0.
R 4 6 0 0 -6
... en las observaciones se señalan los puntos como factibles porque cumplen con la no
negatividad, pero los puntos B, J y R no cumplen con la condición de no negatividad, lo
cual nos indica que no son factibles.
Retomando el sistema anterior, solo cambiaremos el signo de desigualdad de (3) que

será .
3x1 + 2x2  18 ... (3)
.
.
B (0 ,9 ) 3 (0 ) + 2 (0 ) n o e s 18
...e l o r ig e n n o c u m p le .
A (0 ,6 ) R ( 4 ,6 )
2
C O N JU N TO C O N V EX O
D E S O L U C IO N E S F A C T IB L E S .
H ( 4 ,3 )
J (6 ,0 )
O ( 0 ,0 ) F ( 4 ,0 )
3
1
Agregaremos al sistema ahora una 4ª restricción, siguiendo con la condición de no

negatividad.
3x1 + 2x2  18 ... (4)
(x1 , x2 )
si .... (0 , 12 ) 4
y si ... (8 , 0 )
B (0 ,9 ) REDU NDANTE.
A (0 ,6 ) R ( 4 ,6 )
4 E s u n a r e s tric c ió n r e d u n d a n te p o r q u e
2
n o a lt e r a e n n a d a a l c o n j u n t o s o l u c ió n a n t e r i o r
y l a s q u e h u b ie r a m a s a la d e r e c h a c o n = m
H ( 4 ,3 ) s e r ía n r e d u n d a n te s .
J (6 ,0 ) W (8 ,0 )
O ( 0 ,0 ) F ( 4 ,0 )
3
1 4
.
.
Ampliando el sistema inmediato anterior, podemos hacer lo mismo que antes con 1,
2 y 4, pero no con 3 porque el signo es  y nos indica que mínimo 18 y necesitaremos una
VARIABLE SUPERFLUA o de HOLGURA NEGATIVA.
.
. . x1 + x3 = 4 (1 )
2x2 + x4 = 12 (2 )
s u p e r flu a 3x1 + 2x2 - x3 = 18 (3 )
x3 3x1 + 2x3 + x6 = 24 (4 )
3 x 1+ 2 x 2
18
VERTICE X1 X2 X3 X4 X5 X6 OBSERVACIONES
O 0 0 4 12 -18 24 NO FACTIBLE
A 0 6 4 0 -6 12 NO FACTIBLE
C 2 6 2 0 0 6 FACTIBLE
F 4 0 0 12 -6 12 NO FACTIBLE
H 4 3 0 6 0 6 FACTIBLE
B 0 9 4 -6 0 6 NO FACTIBLE
J 6 0 -2 12 0 6 NO FACTIBLE
R 4 6 0 0 6 0 FACTIBLE
Ojo: en el renglón R de la tabulación anterior hay tres ceros, a diferencia del resto
de la misma tabulación y de la anterior de 5 dimensiones. Esto se debe a que por ese punto
pasan 3 rectas y por el resto convergen solo dos rectas.
En el punto “R” intersectan:

1 2
R 1 4
2 4
... y se dice que el punto como tal es NO UNICO.
Y tomando en consideración que para un solo punto se requiere de una intersección,

el resto de los puntos es UNICO. Se dice entonces que el punto R tiene:
SOLUCION FACTIBLE
SOLUCION NO UNICA
... y solo cuando se dan las dos anteriores soluciones se llama SOLUCION
DEGENERADA.
.
.
Un vértice no único se establece cuando hay redundancia.
Observaciones características.
...el vértice O es NO FACTIBLE y UNICO.

A es NO FACTIBLE y UNICO.
C es FACTIBLE y UNICO.
F es NO FACTIBLE y UNICO.
H es FACTIBLE y UNICO.
B es NO FACTIBLE y UNICO.
J es NO FACTIBLE y UNICO.
R es FACTIBLE, UNICO y DEGENERADO.
...y por lo tanto, del gráfico anterior decimos entonces que C y H son no degeneradas.
DEFINICIONES:
SOLUCION: Es un conjunto de valores para las variables o bien un vector X = (x1 , x2 , ... ,
xj , xj+1 , ... , xn , xn+1 , ... , xn+m ) que satisface al conjunto de restricciones
j = n + m
 j = 1
a ij x ij = b
SOLUCION FACTIBLE: Es un conjunto de valores para las variables o bien un vector

X = (x1 , x2 , ... , xj , xj+1 , ... , xn , xn+1 , ... , xn+m ) que satisface al conjunto de restricciones
j = n + m
j = 1
a ij x ij = b
...y además satisface a toda xj  0 .
SOLUCION BASICA: Es una solución que se obtiene al hacer nulas, al menos, (m+n)-m
variables, en donde
.
.
m = # total de restricciones,
n = # de variables de decisión (originales)
[en el ejemplo, m = 3 y n = 2  (3+2) – 3 = 2 ... en el ejemplo de 4 restricciones m = 4 y n = 2, resultando

(4 + 2) – 4 = 2 .... y por esto, en el sistema ampliado se tiene en VERTICE : SOLUCIONES BASICAS].
...y se resuelve el sistema para las restantes.
SOLUCION BASICA FACTIBLE: Es una solución básica que cumple toda xj  0.
SOLUCION DEGENERADA: Es una solución básica factible que tiene menos de m

variables estrictamente positivas.
SOLUCION NO DEGENERADA: Es una solución básica factible con exactamente m

variables estrictamente positivas.
SOLUCION OPTIMA: Es una solución básica factible que optimiza la función

j = n + m
Z =  j = 1
cjxj
La ‘solución’ en el gráfico 1 y 2 sería solo el área sombreada.
A (0 ,6 ) R ( 4 ,6 ) A (0 ,6 ) R ( 4 ,6 )
H ( 4 ,3 ) H (4 ,3 )
J (6 ,0 ) J (6 ,0 )
O (0 ,0 ) F ( 4 ,0 ) O (0 ,0 ) F ( 4 ,0 )
La ‘solución factible’ en 1 cuando cumple con  0 y en 2 coincide con ‘solución’

(polígono A, C, H, F, O)
.
.
‘Solución básica’ en 1 todos los vértices pero en 5 dimensiones y en 2 solo C, R, H

pero en 6 dimensiones.
Ejemplo: Mix z = 4x1 + 3x2

...sujeta a:
x1 + x2  6 ... (1)
2x1 - x2  0 ... (2)
x1  2 ... (3)
x1 ; x2  0
x1 , x2 2x1 = x2 x1 , x2
(0 , 6) B 1 2 2(0) = 1(0) : (0,0) O 3 (2 , 0) F
(6 , 0) A 2(1) = 1(2) : (1,2)
2(2) = 1(4) : (2,4) C
1 3
2
B (0 ,6 )
C o n ju n t o c o n v e x o d e
C ( 2 ,4 ) s o lu c i o n e s f a c t i b l e s .
E n 2 c o m o e s c e ro n o h a y
d is ta n c ia a l o r ig e n y p o r lo ta n to
e s u n o d e lo s p u n to s .
O ( 0 ,0 ) F ( 2 ,0 ) A (6 ,0 )
S u s t it u i m o s a l g ú n v a l o r d e l s e m ip la n o e n l a s
r e s t r i c c io n e s p a r a c o o c e r e l l a d o q u e c o r r e s p o n d e
a é s ta .
El conjunto anterior se diferencía de los anteriores porque es un CONJUNTO ABIERTO y al pedir

un máximo, se tendría una solución SIN LÍMITE.
Recordar que si el origen se encuentra en el conjunto factible, al pedirse minimizar,

esta se llama solución trivial.
4(2) + 3(4) = 20 ....[Min]

3
Considerando Min z
4(6) + 3(0) = 24
Resolviendo analíticamente:
x1 + x2 - x3  6
2x1 - x2 - x4  0
3
Ojo: z solo se valora en vértices
.
.
x1 - x5  2 x1, x2 , x3 , x4 , x5  0
(los vértices en 2 dimensiones pasan a ser soluciones básicas en 3 dimensiones)
VERTICES O X1 X2 X3 X4 X5 CARACTERISTICAS
SOLUCIONES
BASICAS
B 0 6 0 -6 -2 N.FACTIBLES, UNICA
F 2 0 -4 4 0 N.FACTIBLES, UNICA
O 0 0 -6 0 -2 N.FACTIBLES, NO UNICA
C 2 4 0 0 0 N.FACTIBLES, NO UNICA, DEGE.
A 6 0 0 12 4 N.FACTIBLES, UNICA
La degeneración en C se provoca por una restricción redundante : 3 C se genera

de la simultaneización de las rectas 1,2 ; 2,3 ; 1,3 y se tienen 3 soluciones básicas.
Como en el gráfico anterior el número de soluciones básicas es infinito y hacemos o

tomamos solo soluciones básicas:
# máximo de m+n = m+n = m+n!

soluciones básicas m n m! n!
m = # de restricciones.
n = # de variables de decisión.
#= 3+2 = 3+2 = 5 = 5 = 5! = 10
3 2 3 2 3! 2!
3
S e t ie n e n e n t o t a l 9 s o lu c io n e s ; la 1 0 n o s e d a p o r q u e
la r e c t a 3 y x 2 n o s e c r u z a n y p o r lo t a n t o h a y u n a
S O L U C IÓ N IN E X IS T E N T E .
3
1 1
En los ejemplos anteriores no cambia el número máximo, pero las líneas horizontal
y vertical o cruzan el eje contrario.
.
.
1 1
1 1 1 1 4 + 2 4 + 2 6!
1 3 N = = = = 15
4 2 4! 2!
S . I. 1 S .I. 1
1 1 1
1 1 1 1
S . I. S .I.
S .I.
El modelo de programación lineal se puede presentar en diferentes formas y algunas de ellas resultan
importantes para el manejo de los temas siguientes del curso.
FORMA CANONICA: Esta es útil para el manejo del tema que se refiere al problema
dual de cualquier problema de programación lineal. La forma canónica aceptable y
reconocida en la mayoría de los textos debe cumplir con lo s siguientes requisitos:
1. Función objetivo maximizar.

2. Restricciones del tipo .
3. Condiciones de negatividad para variables.
Otra forma legítima para considerar como canónica es cumpliendo con los siguientes requisitos:
1. Función objetivo de minimizar.

2. Restricciones del tipo .
3. Condiciones de no negatividad para variables.
FORMAS CANONICAS.
Maximizar. Minimizar.
z = Cx z = Cx
sujeto a: sujeto a:
Ax  b Ax  b
x0 x0
Max z = 3x1 + 5x2 (-1) Min z = -3x1 - 5x2

Suj. a: Suj. a:
x1  4 -x1  -4
2x2  12 - 2x2  -12
3x1 + 2x2  18 -3x1 - 2x2  -18
x1 ; x2  0
FORMA ESTANDAR: El modelo de programación lineal para resolverse, necesita

arreglarse para igualdades, lo cual se consigue utilizando tanto variables de holgura como
.
.
variables superfluas. Lo anterior da lugar a la presentación del modelo cumpliendo con l os

siguientes requisitos:
1. Función objetivo para Max. o bien Min.

2. Restricciones del tipo =.
3. Lado derecho de restricciones no negativo.
4. Condiciones de no negativo para variables.
FORMA IRREGULAR: El modelo de programación lineal generalmente se presenta en

forma irregular; es decir, no cumple con la forma canónica ni tampoco forma estándar, pero
mediante el procedimiento algebraico se puede conseguir convertir a un modelo que
cumpla las formas mencionadas tal como se ve en el siguiente ejemplo:
Formas equivalentes del modelo de programación lineal.
Ejemplo: Max z = 5x1 - x2 + 3x3

...sujeta a:
x1 + 2x2 + 4x3  12 ... (1)
x2 + x3 = 5 ... (2)
2x1 - x2 + 5 x3  6 ... (3) x1 ; x2  0 ; x3 LIBRE4
Formas canónicas (en forma vectorial)
Max z = Cx Min z = Cx
sujeto a: sujeto a:
Ax  0 Ax  0
x0 x0
.....en el caso anterior conviene usar Max para no invertir la función objetivo.
Forma canónica.
Algo que incomoda es x1  0 y entonces se hace un acuerdo matemático para crear

otra variable x1 como se hace a continuación:
x1  0  -x1’ = x1  0
...la hicimos igual a x1’ y luego multiplicamos todo por –1.
(-x1’ = x1  0) (-1) = x1’ = -x1  0

...ahora para x3 :
+ -
x3 = (x3 - x3 )
x3+ ; x3-  0
4
Un problema rara vez se presenta en forma canónica o estándar.
.
.
si... x3+  x3-  x3  0

x3+  x3-  x3  0 Multiplicamos
x3+ = x3-  x3 = 0 por los arreglos a
los coeficientes.
iniciando...
Max z = 5x1 - x2 + 3x3

 z = 5x1’ - x2 + 3x3+ - 3x3-
...sujeta a:
x1’ + 2x2 + 4x3+ - 4x3-  12 ... (1)
Para la restricción original (2) no tengo un proceso específico, pero se ponen en sustitución de esta
restricción de igualadad a 2 restricciones de desigualdad con signos opuestos (mismo términos).
x2 + x3+ - x3-  5 ........ (2+)

x2 + x3+ - x3-  5 ........ (2-)
...pero como no tenemos que tener aquí  , entonces multiplicamos a 2- por (-1) y queda de la siguiente
forma:
-x2 - x3+ + x3-  -5 ........ (2-)
Pasando a la restricción (3), hay que multiplicarla por (-1) sin dejar de tomar el signo para x1’.
2x1’ + x2 - 5x3+ + 5x3-  -6

x1’ = -x1  0 ; x2 , x3+ ; x3-  0
Agrupando todo lo anterior resulta la forma canónica.
Forma estándar.
Max/Min z = Cx
Sujeta a: Ax=b
x 0
Max z = 5x1’ - x2 + 3x3’ – 3x3’
Sujeta a: (tomando las originales y tomando los arreglos para variables) 5
- x1’ + 2x2 + 4x3+ - 4x3- + x4 = 12 ..... (1)

x2 + x3+ - x3- = 5 ..... (2)
- 2x1’ - x2 + 5x3+ - 5x3- - x5 = 6 ..... (3)
SUPERFLUA
5
Para hacer = una  o  se resta una variable superflua o sumamos una de holgura respectivamente.
.
.
x1’ ; x2 ; x3+ ; x3- ; x4 y x5  0
......quedando de esta manera la forma estándar.
Ejercicio:
Min z = 4x1 + 3x2 - x3
Sujeta a:
2x1 - x2 + 2x3 = 14 ..... (1)

x1 + x2 + 3x3  8 ..... (2)
3x2 + 2x3  4 ..... (3)
x1 LIBRE ; x2  0 ; x3  0
Forma canónica.
-x2’ = x2  0 x1 = (x1+ - x1-) x1+ > x1-  x1 > 0

x2’ = -x2  0 x1+  0 ; x1-  0 x1 < x1  x1 < 0
+ -
x1+= x1-  x1 = 0
Min z = 4x1+ - 4x1- - 3x2’ – x3

Sujeta a:
(2x1+ - 2x1- + 2x2’ + 2x3  14) (-1)

2x1+ - 2x1- + 2x2’ + 2x3  14 ..... (1-)
-2x1 + 2x1 - 2x2’ - 2x3  -14
+ -
..... (1+)
(x1+ - x1- - 2x2’ + 3x3  8) (-1)

-x1+ + x1- + 2x2’ - 3x3  8 ..... (2)
- 3x2’ + 2x3  4 .....(3)
-2x1+ + 2x1- - x2’ - 2x3  -14 ..... (1+)

2x1+ - 2x1- + x2’ + 2x3  14 ..... (1-)
-x1+ + x1- + 2x2’ - 3x3  8 ..... (2)

- 3x2’ + 2x3  4 ..... (3)
x1+ ; x1- ; x2’ ; x3  0
Forma estándar.
-x2’ = x2  0 x1 = (x1+ - x1-)

x2’ = -x2  0 x1+  0 ; x1-  0
Min z = 4x1+ - 4x1- - 3x2’ – x3
Sujeta a:
2x1+ - 2x1- + x2’ + 2x3  14 ..... (1)
x1+ - x1- - 2x2’ + 3x3 + x4  8 ..... (2)
.
.
- 3x2’ + 2x3 - x5  4 ..... (3)

x1+ ; x1- ; x2’ ; x3 ; x4 ; x5  0
MÉTODO SIMPLEX.
El método símplex fue desarrollado en 1947 por el Dr. George Dantzig y conjuntamente con el
desarrollo de la computadora hizo posible la solución de problemas grandes planteados con la técnica
matemática de programación lineal.
El algorítmo denominado símplex es la parte medular de este método; el cual se basa en la solución
de un sistema de ecuaciones lineales con el conocido procedimiento de Gauss-Jordan y apoyado con criterios
para el cambio de la solución básica que se resuelve en forma iterativa hasta que la solución obtenida
converge a lo que se conoce como óptimo.
Las definiciones siguientes fundamentadas en 3 importantes teoremas, ayudan a entender la filosofía

de este eficiente algorítmo.
Teoremas de la Programación Lineal.
1. El conjunto de soluciones factibles para un problema de P.L. es un conjunto convexo.
2. La solución óptima del problema de programación lineal , si existe, es un punto extremo (vértice) del
conjunto de soluciones factibles. Si dicha solución óptima se tiene para más de un punto extremo,
entonces también optimiza en cualquier punto que sea combinación convexa lineal entre los dos vértices
que optimiza.
1
z C= 3 6 m a x
A (0 ,6 ) R ( 4 ,6 )
M ax z = 3x1 + 5x2
C ( 2 ,6 ) 2
zA = 24 P x1 4 (1 )
2x2 12 (2 )
Z H= 3 6 m a x 3x1 + 2 x2 18 (3 )
X 1, x 2 0
H (4 ,3 )
3 (2 ) + 5 (6 ) = 3 6
J (6 ,0 )
O ( 0 ,0 ) F ( 4 ,0 )
...y suponiendo que la función objetivo fuera:
 Max zC = 6x1 + 4x2  6(2) + (6) = 36

Max zH = 6(4) + 4(3) = 36
Max zA = 6(0) + 4(6) = 24
Calcular P como CCL entre C y H con = ¼

P =  C + (1 - ) H
.
.
P = ¼ (2 , 6) + ( 1 – ¼) (4 , 3)
P = ( ½ , 3/2) + (3 , 9/4) = (7/2 , 15/4)
... y retomando el gráfico anterior:
ZP = 6 (7/2) + 4 (15/4) = 36
3. El número máximo de puntos extremos (vértices) por revisar en la búsqueda de la solución óptima del
problema es finito y coincide con el número máximo de soluciones básicas únicas que se pueden
determinar mediante el binomio...
m+n = m+n = (m+n) !

m n m! n!
DIAGRAMA FUNCIONAL DEL

METODO SIMPLEX.
1
Sumar variables de holgura
(forma estándar)
2
Determinar una primera
solución básica factible.
NO 5
3
Entonces la solución básica
Existe una
factible es óptima.
solución básica
factible
adyascente
mejor? SI
4
Calcular para la nueva
solución básica factible
CRITERIOS DEL ALGORITMO

SIMPLEX PARA EL CAMBIO DE BASE.
El algorítmo símplex maneja exclusivamente soluciones básicas y que cumplan con factibilidad; es
decir, todas las variables deben ser no negativas. Por lo tanto, para el manejo de las soluciones básicas
factibles y su valoración, requiere de la aplicación de ciertos criterios fundamentados en los teoremas ya
mencionados. Por cada intento de cálculo es necesario aplicar los siguientes criterios:
.
.
 Criterio de optimalidad. Se aplica en el algorítmo símplex para determinar entre las variables no-
básicas, una que entre a la base, eligiendo aquella no-básica con el coeficiente más negativo en el renglón
z de la tabla símplex; si el problema tiene el objetivo de maximizar. En caso contrario, es decir, para
minimizar, debe elegirse para variable entrante a la base a aquella que tenga el coeficiente más positivo en
el renglón z de la tabla.
 Criterio de factibilidad. Se aplica en el algoritmo símplex para determinar entre las variables básicas a
una que salga de la base, aplicando la siguiente función.
xi
Min ; solo a i k > 0
a ik
Esto es válido tanto para problemas de maximizar como de minimizar.
Elemento pivote. Se declara como elemento pivote a aquél coeficiente que se ubica en el cruce de la
columna ‘k’ y el renglón ‘i’ elegidos en los dos criterios ya anotados.
Ejemplo: Resolver con el método símplex el siguiente modelo de programación lineal.
Max z = 3x1 + 5x2 ...sujeta a:
x1  4 (1)
2x2  12 (2)
3x1 + 2x2  18 (3) x1 ; x2  0
... conseguir la forma estándar

6
Max z = 3x1 + 5x2 ... sujeta a:
x1 + x3  4 (1)
Bloque #1 2x2 + x4  12 (2)
3x1 + 2x2 + x5  18 (3) x1 ; x2 ; x3 ; x4 , x5  0
holguras
FORMA MATRICIAL.
BASE Z x1 VE  x2 x3 x4 x5 SOLUCION
z 1 -3 -5 0 0 0 0
x3 0 1 0 1 0 0 4
x4 0 0 (p) 2 0 1 0 12  RS 12/2=6
x5 0 3 2 0 0 1 18 18/2=9
1ª solución DECISIÓN HOLGURA

básica y Es 0 porque no hay ‘z’ en 1, 2 y 3
factible.
El renglón ‘z’ tiene la función económica u objetivo.
Para nuestra primera solución básica y factible se deben de tener ceros en los coeficientes de nuestras
variables básicas (x3, x4 y x5) y se debe de tener a la matríz identidad (aunque estén desordenadas las
columnas).
Aplicamos ahora los criterios 1 y 2 (en ese orden).

6
Ahora por arreglo se tendrá: Max z – 3x1 – 5x2 = 0
.
.
Por criterio de optimalidad declaro a x2 como variable entrante (VE).
Ahora por el criterio de factibilidad determino la VS; como en el 1er renglón el valor no es > 0, no se
hace, pero en el resto sí.
12/2 = 6 y 18/2 = 9 ...y se toma al menor como VS
Pasar ahora a la tabla y observar el último renglón que ahora se agrega en la siguiente tabla:
BASE z VE  x1 x2 x3 x4 x5 SOLUCION
RE(5) +Rz z 1 -3 0 0 5/2 0 30
7
x3 0 1 0 1 0 0 4 4/1=4
RE = RS/P x2 0 0 1 0 ½ 0 6
RE(2) + Rx5 x5 0 (p) 3 0 0 -1 1 6 VS 6/3=2
VERTICE A.
NOTA8
S O L U C IÓ N B Á S IC A F A C T IB L E P A R A
B (0 ,9 ) U N V É R T IC E ‘A ’ D E L S IS T E M A A M P L IA D O
A 5 D IM E N S IO N E S .
1
A (0 ,6 ) X 1,x 4 = 0
R (4 ,6 ) x3 = 4
C ( 2 ,6 ) 2 x2 = 6
x5 = 6
H ( 4 ,3 )
S O L U C IÓ N B Á S IC A F A C T IB L E
E N V É R T I C E ‘O ’ D E L S IS T E M A
A M P L IA D O A 5 D IM E N S IO N E S .
J (6 ,0 )
x 1,x 2 = 0
x3 = 4 O ( 0 ,0 ) F ( 4 ,0 )
x4 = 12
x5= 18 3
Mientras haya coeficientes negativos en ‘z’ todavía no se llega a la solución óptima (para todas las
variables del renglón z) Como es la nueva var. Se deben hacer ceros a los demás.
BASE z x1 x2 x3 x4 x5 SOLUCION
RE(3) +z z 1 0 0 0 3/2 0 36
7
RE que pasa a ser el renglón pivote y se calcula dividiendo RS entre el pivote que es el 2
8
En esta tabla lo que se busca es obtener (justificar) lo 0’s de la columna x2 (VE)  multiplicamos RE por el
inv. aditivo del # que se quiere cambiar a cero y sumamos el renglón mismo anterior. En x3 ya no se hace nada
porque ya se tenía el cero.
.
.
RE(-1) + Rx3 = x3 0 0 0 1 1/3 -1/3 2

x2 0 0 1 0 ½ 0 6
RE= RS/P x1 0 1 0 0 -1/3 1/3 2
Solución óptima: zo=36; x1=2; x2=6; x3=2; x4,5 = 0 VERTICE ‘C’
Ejemplo:
Max z = 6x1 + 10x2

Sujeta a:
x1 + x2  5 ..... (1)
x1 + 2x2  4 ..... (2)
x1  3 ..... (3) x1 ; x2  0
forma estándar: Max z = 6x1 + 10x2

Sujeta a:
x1 + x2 + x3 = 5 ..... (1)
x1 + 2x2 + x4 = 4 ..... (2)
x1 x5 = 3 ..... (3)
x1 ; x2 ; x3 ; x4 ; x5  0 ...por arreglo:
z - 6x1 + 10x2 = 0
FORMA MATRICIAL:
BASE Z x1 RE x2 x3 x4 x5 SOLUCION

z 1 -6 -10 0 0 0 0
x3 0 1 P 1 1 0 0 5  RS 5/1
x4 0 1 2 0 1 0 4 4/2
x5 0 1 0 0 0 1 3
RE(10) + z  z 1 VE -1 0 0 5 0 20
RE(-1)+x3  x3 0 ½ 0 1 -½ 0 3 3/1/2=6
RE=RS/P  x2 0 ½ 1 0 ½ 0 2 2/1/2=4
X5 0 P 1 0 0 0 1 3  RS 3/1=3
RE(1)+z  z 1 0 0 0 5 0 23
RE(- ½)+x3  x3 0 0 0 1 0 -½ 3/2
RE(- ½)+x2  x2 0 0 1 0 1 -½ ½
RE=RS/P  x1 0 1 0 0 0 1 3
Como todavía hay coeficientes < 0 Atencion en multiplicar por
en este renglón z se continúa... el inverso aditivo
La solución óptima es: z = 23

x3 = 3/2 x4 = x5 = 0
x2 = ½
.
.
9
x3 = 3
x1 x2 x1 x2
1 (0 , 5) B 2 (0 , 2) A 3 (3 , 0) F
(5 , 0) R (4 , 0) H
X 2
B (0 ,5 ) z (0 ) 0 0
3
zA = 6 (0 ) + 1 0 (2 ) = 2 0
zF = 6 (3 ) + 1 0 (0 ) = 1 8
zC = 6 ( 3 ) 6 1 0 (1 /2 ) = 2 3 M A X .
A (0 ,2 )
R (5 ,0 )
X 1
O (0 ,0 ) F ( 3 ,0 ) H
(4 ,0 ) S
LO S PU N TO S < 0
N O S O N F A C T IB L E S .
VARIABLES ARTIFICIALES.
El modelo de programación lineal se presenta generalmente en forma irregular; es decir, que se

pueden incluir restricciones de cualquier tipo. Cuando las restricciones son del tipo ‘’, la variable de holgura
que se suma para conseguir que la restricción sea de igualdad proporciona el coeficiente ‘+1’ que es útil para
la formación de la matriz initaria de base en el algorítmo símplex. En contraste, una restricción del tipo ‘ ’
requiere que se le reste una variable superflua para conseguir igualdad en la misma, lo cual no proporciona el
coeficiente ‘+1’ para la base como primera solución en el algorítmo símplex. También ocurre que las
restricciones del tipo ‘=’ no requieren arreglo con holguras o superfluas y por lo tanto tampoco se tiene al
coeficiente +1 para la primera base del simplex.
Por tal motivo se necesita de un arreglo artificial para el caso de que el modelo de
programación lineal que se pretende resolver con el algorítmo símplex utilizando las
llamadas variables artificiales; de esta manera debe sumarse un variable artificial ()10 por
cada restricción del tipo ‘’ y por cada una del tipo ‘=’ presentes en el problema.
Cuando el problema que se pretende resolver necesita de variables artificiales,

entonces el algorítmo símplex que se aplica es con variantes, las cuales se verán para
pequeños ejemplos.
Las variables artificiales no tienen significado físico y solo deben comprenderse

como artificios matemáticos para la matriz de base.
METODO SIMPLEX PENAL

9
Toda variable fuera de la base tiene un valor igual a cero.
10
En clase se utilizó el símbolo x , pero dada la complejidad que representa escribirlo en Word, se emplea en
estos apuntes el símbolo  para hacer referencia a variables artificiales.
.
.
O DE LA ‘M’ GRANDE.
Como su nombre lo indica, consiste en penalizar la inclusión de las variables

artificiales en la función objetivo con un coeficiente ‘M’ muy grande que para el caso de
maximizar es ‘- M’ y para el caso de minimizar es ‘+ M’.
La primera solución básica del símplex en tal caso, debe de incluir a todas las
variables artificiales que fueron necesarias en el arreglo del modelo de programación lineal
por resolver esto último porque las variables artificiales se utilizan precisamente para tomar
la primera solución básica. A medida que se cumplen las etapas de cálculo en el símplex,
las variables artificiales deberán de ir saliendo de la misma, en consecuencia del coeficiente
‘M’ muy grande.
Si se presenta el caso de que las variables artificiales no se logren sacar de la base y

por lo tanto se anulen, ello significará que tal problema no tiene solución factible.
Ejemplo:
Max z = 4x1 + 3x2

Sujeta a:
x1 + x2  6 ..... (1)
2x1 - x2  0 ..... (2)
x1 = 2 ..... (3)
x2  0
Forma estándar.
Max z = 4x1 + 3x2

Sujeta a:
x1 + x2 - x3  6 ..... (1)
2x1 - x2 - x4  0 ..... (2)
x1 = 2 ..... (3)
x2 , x3 , x4  0
...consiguiendo una base artificial....
x1 + x2 - x3 + 5  6 ..... (1)
2x1 - x2 - x4 +  6  0 ..... (2)
x1 + 7 = 2 ..... (3)
VAR. ARTIFICIALES
.
.
x2 , x3 , x4 , 5 , 6 , 7  0
Penalizar la función objetivo.
Min z = 4x1 + 3x2 + M5 + M6 + M7
...debemos pasar al arreglo de tener el término independiente cero al lado derecho.

z - 4x1 - 3x2 - M5 - M6 - M7 = 0
Paso a la forma tabular del Método Símplex Penal.
BASE z x1 x2 x3 x4 5 6 7 SOLUCION
(Aquí i deberían tener
coeficiente 0,  sigue z 1 -4 -3 0 0 -M -M -M 0
abajo)
M(5)+Rz  z’ 1 M-4 M-3 -M 0 0 -M -M 6M
M(6)+Rz’ z’’ 1 3M-4 -3 -M -M 0 0 -M 6M
M(7)+Rz’’ z’’’ 1 4M-4 -3 -M -M 0 0 0 8M
5 0 1 1 -1 0 1 0 0 6 8/1
6 0 P 2 -1 0 -1 0 1 0 0 VS 0/2
7 0 VE 1 0 0 0 0 0 1 2 2/1
RE(-4M+4)+z z 1 0 2M-5 -M M-2 0 -2M+2 0 8M
RE(-1)+5 5 0 0 3/2 -1 ½ 1 -½ 0 6 6/3/2 =4
RE=RS/P x1 0 1 -½ 0 -½ 0 ½ 0 0
RE(-1)+7 0 0 VE ½ 0 ½ 0 -½ 1 2 2/1/2=4
7
RE(-2M+5)+z z 1/3M- 1/3M- -4/3M -4/3M
1 0 0 10/3 1/3 +10/3 +1/3 0 20
RE=RS/P x2 0 0 1 -2/3 1/3 2/3 -1/3 0 4
RE(½)+x1 x1 0 0 0 -1/3 -1/3 1/3 1/3 0 2
RE(- ½)+7 7 0 0 0 1/3 1/3 -1/3 -1/3 1 0
Cuando hay empate como en este caso, la variable

1ª solución básica saliente se escoje arbitrariamente.
factible.
Ejemplo:
Max z = 3x1 + 2x2

Sujeta a:
.
.
x1 + x2  10 ..... (1)
5x1 + x2  20 ..... (2) x1 ; x2  0
Forma estándar...
Max z = 3x1 + 2x2

Sujeta a:
x1 + x2 - x3 = 10 ..... (1)
5x1 + x2 + x4 = 20 ..... (2) x1 ; x2 ; x3 ; x4  0
Conseguir la base artificial...
Max z = 3x1 + 2x2

Sujeta a:
x1 + x2 - x3 + 5 = 10 ..... (1)
5x1 + x2 + x4 = 20 ..... (2) x1 ; x2 ; x3 ; x4 ; 5  0
Penalizando la función objetivo...
Max z = 3x1 + 2x2 - M5

z - 3x1 - 2x2 + M5 = 0
BASE z x1 x2 x3 x4 5 SOLUCION.
z 1 -3 -2 0 0 M 0
-M(R5)+ Rz z 1 -M-3 -M-2 M 0 0 -10M
5 0 VE 1 1 -1 0 1 10 10/1
x4 0 P 5 1 0 1 0 20 VS 20/5
RE(M+3)+Rz z 1 0 -4/5M-7/5 M 1/5M+3/5 0 -6M+12
RE(-1)+5 5 0 0 P 4/5 -1 -1/5 1 6 VS 6/4/5
RE=RS/P x1 0 1 VE 1/5 0 1/5 0 4 4/1/5
RE(4/5M+7/5)+Rz z 1 0 0 -7/4 5/20 M+7/4 45/2
RE= RS/P x2 0 0 1 VE -5/4 -1/4 5/4 15/2 15/2/-5/4
RE(-1/5)+Rx1 x1 0 1 0 P ¼ ¼ -1/4 15/2 5/2/1/4
RE(7/4)+Rz z 1 7 0 0 2 M 40
RE(5/4)+Rx2 x2 0 5 1 0 1 0 20
RE=RS/P x3 0 4 0 1 1 1 10
Solución óptima: zo = 40
x2 = 20
x3 = 10 x1 = x4 = 5 = 0
METODO DE DOS FASES.
Esta variable del símplex también se utiliza cuando están presentes las variables
artificiales en el modelo de programación lineal que se pretende resolver. Este método se
.
.
desarrolla en dos fases, en la primera de las cuales se aclara sobre la factibilidad para la
solución óptima buscada.
 1ª Fase:
En esta primera fase siempre se minimiza una función objetivo que se constituye
mediante la suma de las variables artificiales.
M in Z =  a i
Las variables artificiales empleadas para conseguir la primera solución básica

ocupan dicha base y a través de las etapas de cálculo se procura la salida de las mismas
tan pronto como sea posible. Debido a que el objetivo de la función z es MINIMIZAR,
tal valor deberá disminuir conforme se desarrollan las iteraciones, hasta conseguir el
valor de cero para la función z, lo cual representa lo óptimo de la 1ª fase. Si esto no se
logra, ello significa que alguna variable artificial no es posible sacarla de la base y debe
interpretarse como problema sin solución factible.
Si lo anterior ocurre, ya no es necesario continuar con la 2ª fase de este método.
 2ª Fase.
Si se obtiene la optimización en la primera fase, entonces se continúa mediante la

construcción de la primera tabla símplex, para lo cual se utiliza la tabla óptima de la
primera fase, pero eliminando las columnas correspondientes a las variables artificiales,
las cuales ya no se utilizan; además, debe eliminarse el renglón z y sustituirlo con los
coeficientes correspondientes a la función original.
La tabla inicial de la 2ª fase debe revisarse para la solución básica antes de pretender
aplicar los criterios del símplex para el objetivo del problema.
En conclusión, para la aplicación del método de dos fases deben aplicarse los
criterios del símplex como se observa en la siguiente tabla:
PROBLEMA DE: 1ª FASE 2ª FASE
MAXIMIZAR MINIMIZAR MAXIMIZAR

MINIMIZAR MINIMIZAR MINIMIZAR
Ejemplo:
Max z = 3x1 + 2x2

Sujeta a:
x1 + x2  10 ..... (1)
5x1 + x2  20 ..... (2) x1 ; x2  0
.
.
Forma estándar...
Max z = 3x1 + 2x2

Sujeta a:
x1 + x2 - x3 = 10 ..... (1)
5x1 + x2 + x4 = 20 ..... (2) x1 ; x2 ; x3 ; x4  0
Conseguir la base artificial...
Max z = 3x1 + 2x2

Sujeta a:
x1 + x2 - x3 + 5 = 10 ..... (1)
5x1 + x2 + x4 = 20 ..... (2) x1 ; x2 ; x3 ; x4 ; 5  0
1ª Fase:
Min z = 5 ...por arreglo: z - 5 = 0
BASE z x1 x2 x3 x4 5 SOLUCION.
z 1 -3 -2 0 0 -1 0
(R5)1+ Rz 1 1 1 -1 0 0 10
z
5 0 1 P 1 -1 0 1 10 VS 10/1
x4 0 5 VE 1 0 1 0 20 20/1
RE(-1)+Rz z 1 0 0 0 0 -1 0
RE=RS/P x2 0 1 1 -1 0 1 10
RE(-1)+Rx4 x4 0 4 0 1 1 -1 10
SOLUCION ÓPTIMA 1ª FASE

FIN DE LA 1ª FASE.
2ª Fase.
TABLA SIMPLEX PARA LA 2ª FASE.
Función original: Max z = 3x1 + 2x2  se arregla a: Max z – 3x1 – 2x2 = 0

Var. Básicas x2, x4 z 1 -3 -2* 0 0 0
hacen matríz I.
Observar –2* en x2
x2 0 1 1 -1 0 10
debe ser 0 (Rx2) x4 0 4 0 1 1 10
(2)+z= SE ARREGLA  RENGLON z Y x2 y x4 CUMPLEN CON LOS REQUISITOS PARA SOLUCION BASICA
z 1 -1 0 -2 0 20
Ahora buscar entre x2 0 1 1 VE -1 0 10 NO
var. no básicas el x4 0 4 0 P 1 1 10 VS
menor RE(2)+Rz
z 1 7 0 2 2 40
RE(1)+Rx2  x2 0 5 1 1 1 20
RE=Rs/P  x3 0 4 0 1 1 10
CASOS ESPECIALES
.
.
EN LA TABLA SIMPLEX.
Se pueden identificar cuatro casa especiales en la tabla símplex, para los cuales se tienen señales
particulares. Tal identificación es independiente tanto del tamaño del problema como de su objetivo.
 Degeneración.
Se identifica en la tabla símplex porque al menos una variable básica tiene valor cero. La
degeneración puede ser de índole permanente o definitiva, si se presenta como solución óptima.
También puede darse el caso de un problema con solución degenerada transitoria, si tal degeneración
se presenta en cualquier etapa intermedia de cálculo en la búsqueda de la solución óptima.
 Solución no acotada.
Se identifica en la tabla símplex porque en la columna correspondiente a la variable entrante se
tienen coeficientes no positivos. Gráficamente se reconoce como solución no acotada la representada
por un conjunto convexo abierto de tal manera que teóricamente se puede incrementar
indefinidamente la función objetivo.
Ejemplo:
Max z = 2x1 + x2
Sujeta a:
x1 - x2  10 ..... (1)
2x1 - x2  40 ..... (2) x1 ; x2  0
C (3 0 ,3 0 )
A (1 0 ,0 )
O ( 0 ,0 ) B (2 0 ,0 )
H ( 0 ,-1 0 )
F (0 ,-4 0 )
BASE Z x1 x2 x3 x4 SOLUCION
z 1 -2 -1 0 0 0
x3 0 P 1 -1 1 0 10  VS
x4 0 VE 2 -1 0 1 40
z 1 0 -3 2 0 20
x1 0 1 VE -1 1 0 10
x4 0 0 P 1 -2 1 20  VS
.
.
z 1 0 0 -4 3 80
x1 0 1 0 -1 1 30
x2 0 0 1 -2 1 20
...como en la ultima iteración los coeficientes son  0 es solución o acotada.
Espacio de solución factibles no acotada pero con solución máxima
Ejemplo: (ojo) POR EL SIGNO ( - )

TIENE UN MAXIMO
Max z = 6x1 - 2x2
Sujeta a:
2x1 - x2  2 ..... (1)

x1  4 ..... (2)
x1 , x2  0
2 1
Z C= 1 2 M a x
C O N JU N TO D E
C ( 4 ,6 )
S O L U C IO N E S
F A C T IB L E S .
A (1 0 ,0 )
O ( 0 ,0 ) A (1 ,0 ) F ( 4 ,0 )
Z A= 6
H ( 0 ,- 2 )
BASE Z x1 x2 x3 x4 SOLUCION
z 1 -6 2 0 0 0
x3 0 P 2 -1 1 0 2  VS
x4 0 VE 1 0 0 1 4
z 1 0 -1 3 0 6
x1 0 1 VE - ½ ½ 0 1
.
.
x4 0 0 P ½ -½ 1 3  VS
z 1 0 0 2 2 12
x1 0 1 0 0 1 4
x2 0 0 1 -1 -2 6
Esta ya no es solución no acotada, sino espacio de soluciones factibles no acotada pero con solución
máxima.
 Soluciones óptimas alternas (múltiples).

Se identifica en la tabla símplex porque una variable no básica tiene coeficiente cero en el renglón z
de la tabla. En algunos casos podrían ser más de una variable no básica las que presentan tal
condición.
Este caso es provocado porque alguna de las restricciones que son frontera en el conjunto de
solución factibles resulta PARALELA a la función objetivo.
Ejemplo:
Max z = 4x1 + 14x2

Sujeta a:
2x1 + 7x2  21 ..... (1)
7x1 + 2x2  21 ..... (2)
x1 ; x2  0
X 2
B (0 ,2 1 /2 )
A (0 ,3 )
Z C= 4 2 M a x
Z A= 42 M ax
C ( 7 /3 ,7 /3 )
X 1
O ( 0 ,0 ) F ( 3 ,0 ) H (2 1 /2 ,0 )
C U A L Q U IE R P U N T O C O N T E N ID O
EN ESTE SEG M EN TO .
BASE Z x1 x2 x3 X4 SOLUCION
z 1 -4 -14 0 0 0
x3 0 2 P 7 1 0 21  VS
x4 0 7 VE 2 0 1 21
z 1 0 0 2 0 42
x2 0 VE 2/7 1 1/7 0 3
x4 0 P 45/7 0 -2/7 1 5  VS
z 1 0 0 2 0 42
.
.
x2 0 0 1 7/45 -2/45 7/3

x1 0 1 0 -2/45 7/45 7/3
No es normal que una variable no básica sea cero.
La función objetivo z es paralela a la restricción #1 porque:
z = 4x1 + 14x2 4 = 14 = 42
1 = 2x1 + 7x2 2 7 21
Se puede obtener combinación convexa lineal.
p = A + (1 - ) C
para 0    1
Calcular un punto ‘p’ que sea CCL entre los puntos A y C con  = 7/8
p = 7/8 (0,3) + (1 – 7/8) (7/3 , 7/3) = (0,21) + (7/24 , 7/24)

p = (7/24 , 70/24) zp = 4 (7/24) + 14 (70/24)
zp = 28/24 + 245/6 = 7/6 + 245/6 = 252/6  42
Cualquier punto en el segmento AC da el máximo pero con diferente cantidad de

recursos.
Se tiene esta posibilidad de administrar los recursos a nuestra conveniencia porque

la función objetivo y una de las restricciones son igual (=).
PROBLEMA SIN SOLUCION

FACTIBLE.
Se identifica en la tabla símplex porque al menos una variable artificial permanece

en la base y a través de las iteraciones no es posible sacarla de la base.
Ejemplo:
Max z = 3x1 + 2x2

Sujeta a:
.
.
2x1 + x2  2 ..... (1)

3x1 + 4x2  12 ..... (2)
x1 ; x2  0
Forma estándar y base artificial:
Max z = 3x1 + 2x2

Sujeta a:
2x1 + x2 + x3 = 2 ..... (1)
3x1 + 4x2 - x4 + 5 = 12 ..... (2) x1 ; x2  0
BASE Z x1 x2 x3 x4 5 SOLUCION
z 1 -3 2 0 0 0
X3 0 P 2 -1 1 0 2  VS
X4 0 VE 1 0 0 1 4
z 1 0 -1 3 0 6
X1 0 1 VE - ½ ½ 0 1
X4 0 0 P ½ -½ 1 3  VS
z 1 0 0 2 2 12
X1 0 1 0 0 1 4
X2 0 0 1 -1 2 6
.
.
TEORIA DE DUALIDAD.
Esta teoría es importante en programación lineal porque permite la interpretación

económica del problema y conocer el significado de las variables duales, las cuales
intervienen para dicho estudio económico.
La teoría de dualidad asocia a cualquier problema que se denomina primal o

primario, otro problema que se denomina dual. Ambos problemas están muy relacionados,
a tal punto que la solución de cualquiera de ellos proporciona la solución óptima del otro;
es decir, no es necesario resolver ambos problemas.
El problema dado es llamado primal y su correspondiente problema dual se puede

obtener ya sea algebraicamente, partiendo de la forma canónica, o bien directamente
aplicando las reglas para la obtención del problema dual. En seguida se trata la obtención
del problema dual.
Obtención del problema dual en forma canónica.
PRIMAL DUAL
Max z = CX Min y = bT y
Sujeto a: Sujeto a:
AX  b Ay  CT
X0 y0
Min z = Cx Max yo = bT y
Sujeto a: Sujeto a:
AX  0 AT Y  CT
X0 Y0
En donde:
C = Un vector renglón de coeficientes de la función objetivo.
b = Un vector columna de términos independientes de las restricciones.
A = Una matriz de coeficientes tecnológicos de restricciones.
X = Un vector columna de variables primales.
Y = Vector columna de variables duales.

.
.
T
= Transpuesta de la matriz o vector.
Ejemplo:
Max z = 3x1 + 5x2

Sujeto a:
x1  4 (1)
2x2  12 (2)
3x1 + 2x2  18 (3) x1 ; x2  0
(que por ser el problema dado se llama primal/primario)

PRIMAL DUAL
C = (3 , 5) CT = 3
5
4
b= 12 bT = (4, 12, 8)
18
1 0
A= 0 2 AT = 1 0 3
3 2 0 2 2
Entonces el problema dual será (correspondiente a la tabla).
y1
Min y0 = bT Y = (4, 12 , 18) y2
y3
Min y0 = 4y1 + 12y2 + 18y3 ......(función objetivo dual)
...eso nos da una regla de dualidad que se resume así:
“A cada restricción primal le corresponde una variable dual.”
...(restricciones duales)
Sujeto a:
AT Y = 1 0 3 y1 y1 + 3y3 3
0 2 2 y2 = + 2y2 + 2y3 5
y3
y1, y2, y3  0 ...de la tabla

.
.
Problema dual:
Min y0 = 4y1 + 12y2 + 18y3

Sujeto a:
y1 + y3  3 (1)
+2y2 + 2y3  5 (2)
y1 : y3  0
NOTAS:
 3 RESTRICCIONES PRIMALES 3 VARIABLES DUALES.

 2 VARIABLES DE RESTRICCIÓN EN EL PRIMAL 2 RESTRICCIONES EN EL DUAL.
 EL DUAL DEL DUAL ES EL PRIMAL.
PROBLEMA DUAL OBTENIDO

EN FORMA CANONICA.
Ejemplo:
Min z = 5x1 – x2 + 3x3

Sujeto a:
2x1 + x2  10 (1)
4x1 + 2x2 + 2x3  12 (2) PRIMAL.
x1 - x2 + 3x3 = 8 (3)
x1 Libre ; x2  0 ; x3  0
Arreglos:
 Para x1 vamos a menejar dos variables.
x1 = (x1+ - x1-) ; x1+  0 ; x1-  0
si x1+ > x1- x1 > 0

si x1+ < x1- x1 < 0
si x1+ = x1- x1 = 0
 Para x2.
.
.
-x2’ = x2  0
x2’ = -x2  0
...primal en forma canónica.
Min z = 5x1+ - 5x1- + x2’ + 3x3

Sujeto a:
-2x1+ + 2x1- + x2’  -10 (1) y1
4x1+ - 4x1- - 2x2’ + 2x3  12 (2) y2
x1+ - x1- + x2’ + 3x3  8 (3+) y3+
-x1+ + x1- - x2’ - 3x3  -8 (3-) y3-
x1+  0 ; x1-  0 ; x2’  0 ; x3  0
...dual en forma canónica.
(vectores en el primal)
C = (5, -5 , 1, 3) -10
b = 12
8
-2 2 1 0 -8
A= 4 -4 -2 2
1 -1 1 3 x1+
-1 1 -1 -3 X = x1-
x2’
x3
(vectores en el dual)
5
CT = -5 bT = (-10, 12, 8, -8)
1
3
y1
Y= y2
-2 4 1 -1 y3+
A= 2 -4 -1 1 y3-
1 -2 1 -1
0 2 3 -3
PROBLEMA DUAL
OBTENIDO DIRECTAMENTE.
.
.
También se puede obtener directamente el problemna dual correspondiente a un

problema primal, recurriendo a las reglas de dualidad siguientes:
REGLAS DE DUALIDAD.
MAXIMIZAR PRIMAL (DUAL) MINIMIZAR DUAL (PRIMAL)
Restricción i () Variable i  0
Restricción i () Variable i  0
Restricción i (=) Variable i LIBRE
Variable j  0 Restricción j ()
Variable j  0 Restricción j ()
Variable j LIBRE Restricción j (=)
Si el problema es de Max iremos de derecha a izquierda y si es Min iremos de

derecha a izquierda.
DUAL DIRECTO (del ejemplo anterior).
Min z = 10y1 + 12y2 + 8y3

Sujeto a:
2y1 + 4y2 + y3 = 5 (1)
y1 + 2y2 - y3  -1 (2)
2y2 + 3y3  3 (3)
y1  0 ; y2  0 ; x3 libre
Se tiene con lo anterior el dual directo pero no en forma canónica; para comprobarlo
con el anterior obtendremos el simplificado del anterior.
PROBLEMA DUAL
SIMPLIFICADO.
Si las restricciones (1+) y (1-) del problema del tema anterior (Dual/Canónica) son
tomadas ahora en cuenta y a (1-) la multiplicamos por –1 y quedará exactamente igual a
(1+), a excepción del signo de desigualdad y por lo tanto podemos decir que (1+) y (1-) son
iguales.
Para la restricción 2, ‘y1‘es  0 en el anterior y ‘y1’ es  en el inmediato y se hace el

arreglo para ‘y1’.
-y1’ = y1  0
y1’ = - y1  0
Min z = 10y1’ + 12y2 + 8y3

Sujeto a:
2y1’ + 4y2 + y3 = 5 (1)
.
.
-y1’ - 2y2 + y3  1 (2)

2y2 + 3y3  3 (3)
y1’  0 ; y2  0 ; x3 libre
SIGNIFICADO DE LAS
VARIABLES DUALES.
La interpretación económica de un problema que se estudia, se hace a partir de la

definición de las variables duales, las cuales pueden tener significado una vez que se realiza
el análisis dimensional de las mismas. La interpretación económica puede variar, pero se
hace en la forma que le conviene a quien aplica la dualidad.
El siguiente problema puede resultar orientador:
Un proveedor de fertilizantes produce dos clases de ellos a partir de los ingredientes

nitrato, fosfato y potasio, que mezclados con barro se tiene la siguiente información:
FERTILIZANTE
j=1 j=2
COSTO TON. DISP. TON
COMPONENTE
CONTENIDO TON/TON
NITRATO 0.05 0.05 200 1100
FOSFATO 0.05 0.10 80 1800
POTASIO 0.10 0.05 160 2000
BARRO 0.80 0.80 10 
COSTO DE MEZCLAR
15 15
$/TON
PRECIO VENTA
71.5 69
$/TON
COSTO TOTAL
53 49
$/TON
UTILIDAD
18.50 20
$/TON
COSTOS:
F1 F2
$/TON $/TON
NITRATO 10 10
FOSFATO 4 8
POTASIO 16 8
BARRO 8 8
MEZCLA 15 15
COSTO TOTAL 53 49
.
.
Modelo de P.L. del modelo primal:
Significado de las variables primales:
Sea: Xj = Toneladas de fertilizante j(j= 1,2) a producir para maximizar la

utilidad.
 Función objetivo
Max. Z= 18.5X1 + 20X2 [($/Ton) (Ton)]= [$]
sujeta a restricciones de disponibilidad
0.05X1 + 0.05X2 = 1100

0.05X1 + 0.10X2 = 1800 [(TON i /TON j) (TON j)] = [TON i]
0.10X1 + 0.05X2 = 2000
X1, X2 = 0
MODELO DE P.L DEL PROBLEMA DUAL
Significado de las variables duales sea:
Yi = ($/TON i), valor marginal de componente i(i=1,2,3) ó (i= N.P,K) que puede
recuperarse en casos para el sistema productivo de fertilizantes.
Min Y0 = 1100 Y1 + 1800 Y2 + 2000Y3 [(TON i)($/TON i)]= [$]
sujeto a:
0.05 Y1 + 0.05Y2 + 0.10Y3 = 18.5

0.5 Y1 + 0.10Y2 + 0.05Y3 = 20 [(TON i/TON j) ($/TON i)]= [$/TON
j]
Y1,Y2 ,Y3 = 0
.
.
Tabla simplex óptima del problema PRIMAL
Base Z X1 X2 X3 X4 X5 Sol
Vector de precios
Z 1 0 0 0 3/2 1 36 sombra
X3 0 0 0 1 1/3 -1/3 2
X2 0 0 1 0 1/2 0 6
X1 0 1 0 0 -1/3 1/3 2
En condiciones de optimalidad se cumple que:
Max Z = 36 = Min Y0
Además la tabla simplex óptima de cualquier problema ya sea el Primal o bien el Dual, contiene la
solución de ambos problemas.
El modelo de P.L Primal en forma estándar es:
Max Z= 3X1 + 5X2
X1 + X3 =4
X2 + X4 = 12
3X1 + 2X2 +X5 = 18
X1, X2, X3, X4,X5 = 0
Precio Sombra ó Multiplicadores del simplex ó

Costos Marginales ó Valor de las variables Duales
 Función Objetivo Dual del ejemplo
Min Y0 = 4Y1 + 12Y2 + 18Y3

Y0= 4(0) + 12(3/2) + 18(1) = 36
si aumentamos 6 unidades a la sol. 1
Y0= 10(0) + 12(3/2) + 18(1) = 36

.
.
Y0= 4(0) + 14(3/2) + 18(1) = 39

Y0= 4(0) + 14(3/2) + 20(1) = 38
PRECIO SOMBRA
Definición: Es el incremente (decremento) del valor de la función objetivo en

consecuencia de un incremento (decremento) UNITARIO del i-ésimo recurso.
MÉTODO DUAL SIMPLEX
Aprovechando las propiedades primal-dual se desarrollo un algoritmo denominado

dual simplex que es aplicable a problemas que se presentan con características de
optimalidad pero no factibles. Esto en contraste con el método simplex ya estudiado que
obliga a iniciarlo con factibilidad.
La tabla siguiente resume las características que debe reunir un problema que se
quiera resolver con este método.
SIMPLEX DUAL - SIMPLEX
Solución inicial básica factible Solución inicial básica óptima

pero NO OPTIMA pero NO FACTIBLE
Mediante iteraciones de cálculo se Mediante iteraciones de cálculo se

busca OPTIMALIDAD conservando busca FACTIBILIDAD conservando
FACTIBILIDAD OPTIMALIDAD
Si existe la solución óptima entonces Si existe la solución factible entonces

se cumple con FACTIBILIDAD + se cumple con OPTIMALIDAD +
OPTIMALIDAD FACTIBILIDAD
Justificación
P R I M A L D U A L
T
Max Z = CX Min Yo = b Y
s.a s.a T T
AX= b A Y =C
X =0 Y=0
.
.
Ejemplo: Min Z= 4X1 + 3X2
s.a
X1 + X2 = 6
2X1 + X2 = 0
X1 = 2
X1, X2 = 0
1. Conseguir INFACTIBILIDAD
-X1 - X2 = -6
-2X1 + X2 = 0
-X1 = -2
2. Forma Estándar
Min Z= 4X1 + 3X2
s.a
-X1 - X2 + X3 =-6
-2X1 + X2 +X4 = 0
-X1 +X5 = 2
X1, X2, X3, X4, X5 = 0
Min Z -4X1-3X2 = 0
Base Z X1 X2 X3 X4 X5 Sol
Z -4 -3 0 0 0 0 0
X3 0 -1 --1 1 0 0 -6  VS valor mas negativo

X4 0 -2 VE 1 0 1 0 0
X5 0 -1 0 0 0 1 -2
Z 1 -1 0 -3 0 0 18 RE(3)+RZ
X2 0 1 1 -1 0 0 6 RE= RS/P
X4 0 -3 0 1 1 0 -6 RE(-1) + RX4  VS valor mas negativo
X5 0 VE-1 0 0 0 1 -2
Z 1 0 0 -10/3 -1/3 0 20
X2 0 0 1 -2/3 1/3 0 4 RE(-1)+RZ
.
.
X1 0 1 0 -1/3 -1/3 0 2 RE
X5 0 0 0 -1/3 -1/3 1 0 RE(1)+RX5
CRITERIO DE OPTIMALIDAD
PARA MINIMIZAR.
Variables no-básicas.
Coeficientes correspondientes en el renglón z.
Coeficientes correspondientes en el renglón saliente.
Cociente.
Se elige el menor para Minimizar.
Ejemplo:
Min z = 4x1 + 3x2

Sujeto a:
x1 + x2  6 (1)
2x1 - x2  0 (2)
x1  2 (3)
x2  0
z 1 -4 -3 0 0 0 0
x3 0 -1 (p) -1 1 0 0 -6 (VS)
x4 0 -2  1(VE) 0 I 1 0 0
x5 0 -1 0 0 0 1 2
CRITERIO DE OPTIMALIDAD.
VAR. NO x1 x2 x1 x3
BASICAS
COEFS. EN z -4 -3 -1 -3
COEFS. EN RS -2 -1 -3 1
COCIENTE -1 3 1/3 NO
VE LA DE < COC.  VE  VE
Coeficientes  0 no entran.
z 1 -1 0 -3 0 0 18
x2 0 VE 1 1 -1 0 0 6
x4 0 (p) -3  0 1 1 0 -6 VS
x5 0 -1 0 0 0 1 -2
Ojo: En la tabla anterior se conserva la optimalidad y ésta se observa en el renglón ‘z’.
.
.
BASE z x1 x2 X3 x4 x5 SOLUCION
z 1 0 0 -10/3 -1/3 0 20
x3 0 0 1 -2/3 1/3 0 4 (VS)
x1 0 1  0 -1/3 -1/3 0 2
x5 0 0 0 -1/3 -1/3 1 0
Agregado al criterio de optimalidad de la nota anterior 11
ESTRUCTURA MATRICIAL
DE LA TABLA SIMPLEX.
TABLA SIMPLEX INICIAL.
VARIABLES DE DECISIÓN VARIABLES DE HOLGURA/ARTIFICIALES. SOLUCION

z x1, x2, .... , xn xn+1, xn+2, ..... , xn+m SOLUCION
1 -C1, -C2, .... , -Cn 0, 0, 0, ..... , 0 0
0 A I B
TABLA SIMPLEX DESPUES DE CUALQUIER ITERACION.
z x1, x2, .... , xn xn+1, xn+2, ..... , xn+m SOLUCION

1 Z1-C1, Z2-C2, .... , Zn-Cn y1, y2, .... , ym SOLUCION
1 Zj-Cj = CB B-1 AC Y = (y1, y2, ... ,ym) = CB B-1 zo = CB XB
0  = B-1 A B-1 XB = B-1 b
...en donde:
C es un vector renglón de coeficientes correspondientes a la función objetivo, en el

orden progresivo de la misma.
CB es un vector renglón de coeficientes correspondientes a las variables básicas.
...de la función anterior
C = (4,3) CB = (C2, C1, C5)

CB = (3, 4, 0)
b es un vector columna de términos independientes de las restricciones.
b2 6
b= b1 = 0
b3 2
11
El cociente sólo es válido para denominadores negativos
.
.
A es una matriz de coeficientes tecnológicos de restricciones.
1 1
A= 2 -1
1 0
 es una matriz que se ubica en la misma posición de A, que resulta del cálculo para cada tabla símplex
(obsérvese la tabla del ejercicio).12
I matriz unitaria que se ubica coincidiendo con las variables que forman la 1ª solución básica.
XB es un vector columna de variables básicas; es decir, es el vector de la solución

básica actual.
...en la primera tabla del ejercicio anterior:
x3 -6
XB = x4 = 0
x5 2 ...para la 2ª
x2 6
XB = x4 = -6
x5 -2 ...y para la 3ª
x2 4
XB = x1 = 2
x3 0
x2 4
z0 = CBXB = (C2, C1, C5) x1 = (3, 4, 0) 2 = 20
x5 0
Y es un vector renglón de coeficientres que representan los precios sombra o también valores de las
variables duales.
B-1 es una matriz inversa de una matriz B que se forma con los vectores columna
correspondientes a las variables básicas.
Dada la siguiente tabla simplex óptima, calcular el modelo de programació lineal original:
ZB = CBX B
z 1 0 Zj-Cj 0 0 3/2 Y 1 36
12
 = B-1 A
.
.
x3 0 0 0 1 1/3 -1/3 2
x2 0 0  1 0 ½ B-1 0 6
x1 0 1 0 0 -1/3 1/3 2
CB = (C3, C2, C1) XB
...de la tabla anterior podemos deducir lo siguiente:
 Como en el renglón z todos los coeficientes son  0 , entonces la función original

pretende MAXIMIZAR.
 Se tienen 3 variables básicas; por lo tanto, hay 3 restricciones originalmente.
 Como hay 5 variables, de las cuales 3 son básicas, entonces hay 2 de decisión.
 El tipo de variables básicas es ‘HOLGURA’ y por lo tanto, las restricciones son ‘’.
Se tiene:
XB = B-1b ...de lo cual no conocemos b y se requiere 
B = BXB ...(tenemos que obtener la inversa de B-1 = B)
1 1/3 -1/3 1 0 0
0 ½ 0 0 1 0
0 1/3 1/3 0 0 1
1 0 -1/3 1 -2/3 0
0 1 0 0 2 0
0 0 1/3 0 2/3 1
1 0 0 1 0 1
0 1 0 0 2 0
0 0 1 0 2 3
1 0 1 2 4 b1
b= 0 2 0 = 6 = 12 = b2
0 2 3 2 18 b3
...que son las restricciones (sus términos independientes).
El lugar donde se encuentran los coeficientes es en  por lo tanto:
 = B-1 A  A=B
.
.
1 0 1 0 0 1 0 a11 a12
B = 0 2 0 0 1 = 0 2 = a21 a22
0 2 3 1 0 3 2 a31 a32
Ahora solo falta la función objetivo y tenemos que calcular los coeficientes ‘C’ y se
tienen en el orden original en el vector ‘C’.
1 0
-1
Zj - Cj = CBB A – C = YA – C = (0, 3/2, 1) 0 2 - (C1, C2) = (0 , 0)
3 2
(3, 5) – (C1, C2) = (0 , 0)
(C1, C2) = (3 , 5) – (0 , 0) = (3 , 5)
...finalmente:
(En forma canónica)
Max z = 3x1 + 5x2

Sujeta a:
1 0 x1
Ojo: AX = 0 2 x2 = [ 3 X 2] [2 X 1] = [3 X 1]
3 2
x1  4 ..... (1)
2x2  12 ..... (2)
3x1 + 2x2  18 ..... (3) x1 , x2  0
Dada la siguiente tabla simplex óptima, determinar el modelo de programación lineal

original.
Zj - Cj ARTIFICIAL
BASE z x1 x2 x3 x4 5 x6 7 SOL.
z 1 -23/2 0 0 -1/6 -M+1/6 Y 0 -M-53/16 -303/8 Z0
x2 0 ½ 1 0 -1/16 1/16 0 3/16 33/8
x6 0 7  0 0 -1/4 1/4 B-1 1 ¼ 45/2
x3 0 ½ 0 1 -1/16 -1/16 0 5/16 15/8
CB = (C1, C2, C3) DECISION HOLGURA XB

SUPERFLUA ARTIFICIAL
Cuando hay i no basta la información de la tabla, pues no sabemos en qué punto

fueron necesarias o en qué restricción, por lo tanto habrá que preguntar en dónde se ubican
éstas; se obtiene de la siguiente manera:
.
.
En donde x4 es variable superflua de la primera restricción

. .. x6 es variable de holgura de la 2ª restricción;
x4 se encuentra en l a 1ª restricción y es del tipo 
x6 se encuentra en la 2ª restricción y es del tipo 
...y finalmente la 3ª restricción debe ser ‘=’; 5 debe ser entonces i de la 1ª restricción y
7 es i de la 3ª restricción.
La 3ª es del tipo ‘=’ porque no hay ningún aviso con respecto a la 3ª. 13
1/16 0 3/16 1 0 0 1 0 3 16 0 0
¼ 1 ¼ 0 1 0 0 1 ½ -4 1 0
-1/16 0 5/16 0 0 1 0 0 ½ 1 0 1
1 0 0 10 0 -6
-3 1 1 -3 1 1
2 0 2 2 0 2
10 0 -6 33/8 30
b= -3 1 1 45/2 = 12 (términos independientes)
2 0 2 15/8 12
...Para los coeficientes:
 = B-1 A  A=B
10 0 -6 ½ 1 0 2 10 -6 a11 a12 a13

A= -3 1 1 7 0 0 = 6 -3 1 a21 a22 a23
2 0 2 ½ 0 1 2 2 2 a31 a32 a33
...para la función objetivo:
2 10 -6
-1
Zj – Cj = CB B A – C = Y A – C = (1/16, 0, -53/16) 6 -3 1 - (C1, C2, C3) =....
2 2 2
..... = (-23/2, 0, 0)  (-6 ½, -6, -7) – (C1, C2, C3)
(C1, C2, C3) = (-6 ½, -6, -7) - (-23/2, 0, 0)  (C1, C2, C3) = (5, -6, -7)
.... obteniéndose finalmente:
Min z = 5x1 - 6x2 - 7x3

Sujeta a:
13
Obsérvese que en la tabla no se toma en cuenta a la variable superflua, solo a las artificiales.
.
.
2x1 + 10x2 - 6x3  30 ..... (1)

6x1 - 3x2 + 3x3  12 ..... (2)
2x1 + 2x2 + 2x3 = 12 ..... (3)
x1 ; x2 ; x3  0
ANALISIS DE SENSIBILIDAD.
El análisis de sensibilidad., también llamado de post-optimalidad, se practicas en

programación lineal, debido a que este es un modelo de tipo estático; es decir, lo s
coeficientes o parámetros considerados en el modelo que se resolvió pueden no ser válidos
para la situación actual en una economía cambiante. Por lo tanto, puede ser necesario
revisar la solución ya obtenida por cambios en precios, costos, utilidades, coeficientes de
consumo o requerimientos de recurso, nuevos productos o cancelación de algunos, etc.
El programa de curso en U.P.I.I.C.S.A. considera 3 posibles cambios para los coeficientes

del modelo, los cuales se verán en seguida.
1. CAMBIO EN EL VECTOR ‘B’ DE RECURSOS. (TERMINOS INDEPENDIENTES)
30 10
Para el último ejemplo dado, considerar que b = 12 b= 12
12 cambia a: 12
1/16 0 3/16 10 23/8

-1
XB = B b = ¼ 1 ¼ 12 = 35/2  0  Nuevo vector solución
-1/16 0 5/16 12 25/8 factible.
30
Ahora b= 12
5
1/16 0 3/16 30 45/16

XB = B-1 b = ¼ 1 ¼ 12 = 83/4  0  Nuevo vector solución
-1/16 0 5/16 5 -5/16 infactible.
...entonces la columna solución queda así:
45/16
83/4
.
.
-5/16
... y el nuevo valor para z0 es:

x2
14
Z0 = Z0 = CB XB = (C2, C6, C3) x6 = (-6, 0, 7)
x3
45/16
......= (-6, 0, 7) 83/4 = -235/16
-5/16 Z ....... -235/16
Nótese que en la F.O. x1 no entró a la base por ser > 0.
Si al no factible le aplicamos DUAL SIMPLEX lo hacemos factible.
Max z = 3x1 + 2x2 + 5x3

Sujeta a: b
x1 + 2x2 + x3  430 y1
3x1 + 2x3  460 y2
x1 + 4x2  420 y3
x1 ; x2 ; x3  0
BASE z x1 x2 x3 S1 S2 S3 SOL.
z 1 4 0 0 1 2 Y 0 1350
x2 0 -¼ 1 0 ½ -¼ 0 100
x3 0 3/2 0 1 0 ½ B-1 0 230 XB
S3 0 2 0 0 -2 1 1 20
x1 + 2x2 + x3 + S1  430
3x1 + 2x3 + S2  460
x1 + 4x2 + S  420 ....por el problema dual:
Min y0 = 430y1 + 460y2 + 420y3

y0 = bt Y
y0 = 430 (1) + 460 (2) + 420 (0) = 350
Análisis de sensibilidad.
2. CAMBIO EN EL VECTOR ‘B’ DE RECURSOS.
100
14
Ojo: Como C6  en F.O.  C6 = 0
.
.
XB = B-1 b = 230
220
½ -1/4 0 430 + 1 215 + 1/2 – 115 = 100 + 1/2 100 + 2

XB = B-1 b = 0 ½ 0 460 = 230 =
15
2 1 1 420 - 860 - 21 + 460 +420 = 20 - 21 20 - 21
Determinando límites -200  1  10 para que 20 - 21 no sea  0 y para que 100 + 1/2 no sea  0
 Solución factible.
Para el recurso Nº 2
½ -1/4 0 430 215 - 115 - 2/4 = 100 + 1/4 100 - 2/4

XB = B-1 b = 0 ½ 0 460 + 2 = 230 + 2/2 = 230 - 2/2
2 1 1 420 - 860 + 460 + 2 + 420 = 20 + 22 20 - 22
Determinando límites -20  2  400 16
430 450
Supóngase que b = 460 cambia a 460 ; calcular la nueva solución óptima.
420 420
½ -1/4 0 450 100

XB = B-1 b = 0 ½ 0 460 = 230  No factible; entonces CB = (C2, C3, 0)  (2,5,0)
-2 1 1 420 -20
110
Z0 = CBXB = ( 2,5,0 ) 230 = 1370
-20
Como hay optimalidad, pero no factibilidad, entonces se puede recurrir al algorítmo DUAL-
SIMPLEX.
Tomamos de la tabla como variable saliente a S3 por ser la última negativa.
BASE z x1 x2 x3 S1 S2 S3 SOLUCION.
z 1 4 0 0 1 2 0 1370
x2 0 -1/4 1 0 ½ VE -¼ 0 110
x3 0 3/2 0 1 0 ½ 0 230
15
i = Valor del cambio en el i-ésimo recurso.
16
Pero ojo con las restricciones 2 y 3. No y – 20.
.
.
S3 0 2 0 0 -2 P 1 1 -20  VS
z 1 5 0 0 0 5/2 ½ 1360
x2 0 ¼ 1 0 0 0 ¼ 105
x3 0 3/2 0 1 0 ½ 0 230
S1 0 -1 0 0 1 -½ -½ 10
La nueva solución óptima es: z = 1360

x2 = 105
x3 = 230
S1 = 10
Suponga que b cambia a : 430 115

b= 400 XB = 200  Solución factible.
420 -40
115
entonces Z0 = CBXB = (2, 5, 0) 200 = 1230
-40
z 1 4 0 0 1 2 0 1230
x2 0 -1/4 1 0 ½ VE -¼ 0 115
x3 0 3/2 0 1 0 ½ 0 200
S3 0 2 0 0 -2 P 1 1 - 40  VS
z 1 5 0 0 0 5/2 ½ 1210
x2 0 ¼ 1 0 0 0 ¼ 105
x3 0 3/2 0 1 0 ½ 0 230
S1 0 -1 0 0 1 -½ -½ 20
Solución óptima: z0 = 1210

x2 = 105
x3 = 200
x4 = 20
... A.s.
2. CAMBIOS EN EL VECTOR ‘C’ DE COEFIENTES DE LA FUNCIÓN OBJETIVO.
Este cambio se analiza mediante la fórmula matricial
Zj – Cj = CBXBA – C = YA - C
.
.
... y puede dar lugar a la pérdida de la optimalidad del problema ya resuelto. Como
en el caso de los cambios en la optimalidad del problema con la misma fórmula ya anotada.
Ejemplo: Dado el siguiente modelo de Programación Lineal.
Max z = 3x1 + 2x2 + 5x3

Sujeta a:
x1 + 2x2 + x3  430 ..... (1)
3x1 + 2x3  460 ..... (2)
x1 + 4x2  420 ..... (3)
x1 , x2 , x3 0
... cuya tabla símplex óptima es:
z 1 4 0 0 1 2 0 1350
x2 0 -1/4 1 0 ½ -¼ 0 110
x3 0 3/2 0 1 0 ½ 0 230
S3 0 2 0 0 -2 1 1 20
... determinar entre qué límites pueden variar los coeficientes de la función objetivo para
conservar la optimalidad.
. . Zj - Cj Se pierde optimalidad cuando alguno de estos coeficientes

es < 0.
Zj – Cj = CBB-1 A – C = YA - C
1 2 1
Zj – Cj = (1, 2, 0) 3 0 2 - (3, 2, 5)
1 4 0
Zj – Cj = (7, 2, 5) – (3, 2, 5) = (4, 0, 0)
¿Qué ocurre si cambio los coeficientes de la F.O.?
...sea j  incremento/decremento en el coeficiente j
Z1 – C1 = (7, 2, 5) – (3 + 1, 2, 5) = (4 - 1, 0, 0)
Z2 – C2 = (7, 2, 5) – (3, 2 + 2, 5) = (4, 0 - 2, 0)
Z1 – C1 = (7, 2, 5) – (3, 2, 5 + 3) = (4, 0, 0 - 3)

.
.
...suponiendo primero que x son  0 :
1  4 ; 2  0 ; 3  0
Suponer que C1 = 3 y cambia a C1 C= 9, calcular la nueva solución óptima.

Z1 – C1 =17
1
Zj – Cj = Y a1 – C1 = (1, 2, 0) 3 - (9) = 7 – 9 = -2
1
-2 < 0  hay pérdida de optimalidad.
z 1 -2 0 0 1 2 0 1350
x2 0 -1/4 1 0 ½ -¼ 0 100
x3 0 3/2 VE 0 1 0 ½ 0 230
S3 0 2 P 0 0 -2 1 1 20  VS
z 1 1 0 0 -1 3 1 1370
x2 0 0 1 0 1/4 P - 1/8 1/8 205/2  VS
x3 0 0 0 1 3/2 VE -¼ ¾ 215

S1 0 1 0 0 -1 ½ ½ 10
3. CAMBIOS EN LA MATRIZ ‘A’ DE COEFICIENTEES TECNOLÓGICOS DE RESTRICCIONES.
Este cambio se analiza en dos parte. En la primera parte y mediante la fórmula
Zj – Cj = CBB-1 A – C = YA - C
...se revisa si el cambio propuesto para un determinado coeficiente aij da lugar a la pérdida
de optimalidad del prblema ya resuelto.
Si no hay pérdida de optimalidad, esto significa que no hay necesidad de aplicar la segunda
fase de este análisis. Por el contrario, si zj – cj cambia de signo, esto significa pérdida de
optimalidad y por lo tanto, la necesidad de aplicar la 2ª parte mediante la fórmula
 = B-1 A
...sustituyendo el valor correspondiente a la columna aj.
17
Como el cambio es sólo en C1, por lo tanto, en lugar de usar la matriz A completa, solo utilizo el vector
columna correspondiente a x1 y en el vector C sólo C1.
.
.
El análisis para cambios en los coeficientes para la matriz ‘A’ es válido solo para variables
no-básicas; para cambios correspondientes a variables que ya están en la base, se
recomienda volver a resolver el problema.
Dado el modelo de programación lineal siguiente y su correspondiente tabla símplex

óptima:
Max z = x2 + 3x3
Sujeta a:
2x1 - x3  20 ..... (1)
x2 + x3 = 40 ..... (2)
x1 ; x2 ; x3 0
BASE z x1 Zj - Cj x2 x3 x4 5 6 SOLUCION
z 1 0 0 -1 0 -M Y -M+1 80
x1 0 1 1  -½ -½ ½ B 0
-1
10
x2 0 0 0 1 1 0 1 40
Zj – Cj = CB B-1 A –C = YA - C
Suponiendo ahora que se hiciera el cambio en el elemento a23 de las restricciones, entonces
consideramos la fórmula anterior de la siguiente manera:
Z3 – C3 = CB B-1 a3 – c3 = Y a3 – c3
...supóngase que a23 = 1 cambia a a23 = 5.
1ª PARTE.
Z3 – C3 = Y a3 – c3
Z3 – C3 = (0 , 1) -1 -3 = 5 - 3 = 2
5
NO CONSIDERAMOS A LA ‘M’ PUES ES PERDIDA DE OPTIMALIDAD
SOLO UN ARTIFICIO
...si se hubiera tenido como resultado un valor cero o  0, no hay necesidad de pasar a la 2ª
parte.
2ª PARTE.
 = B-1 A  3 = B-1 a3 (ya que solo no interesa el elemento 3)
...y con lo anterior la tabla queda de la siguiente forma:
.
.
BASE z x1 x2 x3 x4 5 6 SOLUCION
z 1 0 0 2 0 -M -M+1 80
x1 0 1 0 -½ -½ ½ 0 10
x2 0 0 1 5 P 0 0 1 40
z 1 0 -2/5 0 0 -M -M+3/5 64
x1 0 1 1/10 0 -½ ½ 1/10 14
x3 0 0 1/5 1 0 0 1/5 8
La nueva solución óptima es: ZMIN = 64

N o o r ie n ta d a . P e rm ite tra n s p o rte e n c u a lq u ie r
d ir e c c ió n .
O rie n ta d a . U n s ó lo s e n tid o .
N o o r ie n ta d a ; im p lic a q u e d e u n n o d o i a l j h a y u n a
c a p a c id a d ‘x ’ y d e l n o d o j a l i h a y u n a
c a p a c id a d 3 .
x1 = 14
x2 = 0
x3 = 8
REDES DE TRANSPORTE.
Red.- Es un modelo gráfico formado por nodos i conectados por ramas (i,j).
fcr
x cr
c cr
C R T D E S T IN O
A H S
O R IG E N O B W
(Rutas posibles del diagrama)
O, A, H, S, T O, A, H, S B, W , S, T B, W, S
O, B, H, S, T O, B, H B, H, S, T B, H
O, A, C, R, T O, A, C, R A, H, S, T A, H, S
O, B, W, S,T O, B, W, S, H A, C, R, T A, C, R
Nodo (i).- Representa un lugar en el espacio (ciudades, estaciones, fabricas, almacenes,

edificios, computadoras).
.
.
Rama (i,j).- Representa la posible comunicación de dos Nodos i, j adyacentes para permitir
algún transporte. La rama puede ser unidireccional, si solo se permite el transporte en una
sola dirección; o bien bidireccional, si se permite el transporte en ambas direcciones
opuestas. Cuando es unidireccional se dice que es una rama orientada; cuando es
bidireccional se dice que es rama no orientada.
N o o r ie n ta d a . P e rm ite tra n s p o rte e n c u a lq u ie r

d ir e c c ió n .
O r ie n ta d a . U n s ó lo s e n tid o .
N o o r ie n ta d a ; im p lic a q u e d e u n n o d o i a l j h a y u n a
c a p a c id a d ‘x ’ y d e l n o d o j a l i h a y u n a
c a p a c id a d 3 .
Si la rama no especifica dirección alguna debe entenderse que el transporte se realiza bajo
las mismas condiciones de capacidad y costo. Por el contrario si se especifica dos
direcciones opuestas por una misma rama esto significa que el transporte es bajo diferentes
condiciones de capacidad y costo.
Capacidad ( fij).- Significa el numero máximo de unidades que es posible transportar a

través de la rama (i, j).
Flujo( Xij).- Significa las unidades que se deciden transportar a través de la rama (i, j). El
flujo puede ser: personas, bienes, servicios e información.
Costo (Cij).- Significa el esfuerzo o costo por cada unidad transportada.
Ruta.- Para conectar cualesquiera dos nodos (i, j) es necesario un conjunto de ramas
seriadas de tal manera que los nodos conectados se tocan una sola vez.
Ciclo.- Es un conjunto de nodo para conectar un nodo i con signo mismo
Obsérvese una característica importante del nodo ‘O’ y es que solo puede enviar
información, por lo cual recibe el nombre de ‘NODO ORIGEN’; el noto ‘T’ solo recibe
unidades de flujo, por o cual se llama ‘NODO DESTINO’ y el resto que pueden recibir y
enviar unidades de flujo son llamados ‘NODOS DE TRANSBORDO’.
“PROBLEMA DE TRANSPORTE”
.
.
El problema de transporte de red es simple debido a que el modelo gráfico de red se

puede tener empleando exclusivamente nodos orígenes y nodos destino.
O R IG E N D E S T IN O
1 x 11 1
i= 1 , 2 , .. , n X1
2
j= 1 , 2 , .. , n
.
x 1n
.
. .
. .
. .
. .
x 21
x 22
2 2
x 2n
. .
. .
. .
. .
. . i o ríg e n
xm1
j d e s tin o
2
xm
m xmn n
Definición.- Si se identifica a un problema de transporte cuando se tienen m orígenes que

ofertan un cierto producto y también n destinos que demanda el mismo producto ofertado,
de tal manera que se busca minimizar el costo para satisfacer tales demandas a expensas de
las ofertas. De cualquier origen se puede distribuir a mas de un destino.
“Modelo de P.L. general del Problema de Transporte”
Sea Xij = # de unidades enviadas desde un nodo i hasta un nodo j a través de la

rama (i, j)
 Función Objetivo
i = m j= n
M in Z =   i = 1 j= 1
C i ,j X i ,j
Cij= Costo UNITARIO de transportar desde i hasta j
Sujeta a restricciones de:
.
.
j= n
O fe rta  j= 1
X i ,j <_ a i ; i = 1 , 2 , ... , m
i = m
D em anda  i= 1
X i ,j _> b j ; J = 1 , 2 , ... , n
Para toda variable Xij  0
NOTA: Para un problema de transporte balanceado en cuanto a oferta y demanda

debe cumplirse:
j= n

i = m
O fe rta
j= 1
X i ,j <_ a i ; D em anda 
i = 1
X i ,j _> b j
A dem ás  ai =  b j
i j
Balanceo del Problema de Transporte
Si  Oferta =  ai >  bi =  demanda
es necesario crear una demanda ficticia
b ficticia =  ai -  bi
Por otro lado si  Oferta =  ai <  bi =  Demanda, entonces es necesario crear

un origen ficticio
a ficticia =  ai -  bi
Tabla usual de Transporte.
El problema de transporte es un caso especial de aplicación de la programación lineal

el cual también se resuelve mediante el ya conocido algoritmo simplex, pero en forma
simplificada utilizando la tabla que le corresponde a su simplificación que se muestra
en seguida:
TABALA USUAL DE TRANSPORTE.

.
.
Variable # de
unidades Costo por
mandadas de unidad
1a1
ORIG
DEST 1 2 ....... n Oferta ai
1 X11 C11 X12 C12 X1n C1n a1
2 X21 C21 X22 C22 X2n C2n a2
..... .......
M Xm1 Cm1 Xm2 Cm2 X3n Cmn am
Demanda bj  ai
b1 b2 bn
 bj
Suma de envíos verifica la DEMANDA Suma de envíos = OFERTA
Ejemplo:
DEST.
ORIG. 1 2 OFERTA a1
1 10 M 3 10 X M–3 U1
2 20 7 6 20 X 1 U2
3 5 3 25 8 30 X 5 U3
4 FICT 0 5 0 5 0 U4
 = 60 65
DEMANDA bj 35 30  = 65
NOTA: Determina P. de envíos para minimizar el envío de transporte.

El Costo M representa una cantidad muy grande.
Las celdas vacías son variables no-básicas.
PASO 1. Balancear el problema.
 Oferta  ai = 60 < 65 =  bi =  demanda

 bi -  ai = 65 - 60 = 5 = a4 (origen ficticio)
PASO 2. Conseguir una primera solución básica y factible.
En este curso se emplean dos métodos para calcular esta primera solución y se llaman:
 Método de esquina Noroeste (NO)
.
.
 Método de Voguel
Es básica si cumple con tener a lo más ( m + n -1) asignaciones o envíos. Calcular la

primera solución factible con el método de la esquina NO. Básica con a lo más m + n – 1 =
4 + 2 – 1 = 5 asignaciones. Factible cumpliendo  xi,j = ai,  xi,j = bj . Entonces la solución
básica factible con el método de esquina NO es:
Costo de la Primera solución
Z NO= 10M + 20(7) + 5(3) + 25(8) + 5(0) = 10M + 355
con:
X11 = 10
X21 = 20 X12 = 0
Variables básicas X31 = 5 variables no básicas X22 = 0
X32 = 25 X41 = 0
X42 = 5
ALGORITMO DE TRANSPORTE.
PASO 3. Formar una matriz de costos con la siguiente función.
Cij si Xij es básica

ij =
0 si Xij no es básica
ORIGEN
DESTINO
1 2 Ui
1 M U1 = M
2 7 U2 = 7
3 3 8 U3 = 3
4F 0 U4 = -5
Vj V1 = 0 V2 = 5
PASO 4. Se calcula los valores Ui y Vj correspondiente a los valores de las variables duales,
para cada renglón i y para cada columna j de la matriz Cij utilizando la siguiente formula:
ij - Ui - Vj = 0
Esto da lugar a la formación de un sistema de 5 ecuaciones para resolver un total de

6 variables Ui, Vj. Tal sistema tiene un grado de libertad y por lo tanto un numero infinito
de soluciones posibles lo cual se supera otorgando un valor arbitrario a cualquiera de las 6
incógnitas por resolver (por ejemplo el valor de 0)
.
.
1. 11 – U1 – V1 = M – U1 – V1 = 0
2. 21 – U2 – V1 = 7 – U2 – V1 = 0
3. 31 – U3 – V1 = 3 – U3 – V1 = 0
4. 32 – U3 – V2 = 8 – U3 – V2 = 0
5. 42 – U4 – V2 = 0 – U4 – V2 = 0
....se da el valor cero a la variable que participe más.
Para V1 = 0
 (1) = U1 = M – 0 = M
 (2) = U2 = 7 – 0 = 7
 (3) = U3 = 0 – 0 = 3
 (4) = V2 = 8 – 3 = 5
 (5) = U4 = 0 – 5 = -5 ... y se trasladan a la matriz anterior.
Método corto.
 A cada restricción le corresponde una variable dual Ui (restricciones de oferta)
 A cada restricción de demanda le corresponde una variable Vi.
 Se da el valor = 0 a quien participa más.
 Se realizan las operaciones directamente sobre la tabla inicial del problema.
Y como tiene un grado de libertad se obtiene UNO del  de soluciones que se pueden
obtener.
PASO 5. Calcular los parámetros.
Zij - Cij = Cij - Ui - Vj
...para cada celda correspondiente a variable no básica.
La solución básica factible actual será optima si se cumple que Zij - Cij  0.
De lo contrario debe declararse como variable entrante a la base aquella Xij

correspondiente a (Zij - Cij) menor
Calculando los parámetros:
.
.
Z12 - C12 = C12 - U1 - V2 = 3 - M - 5 = M-2  V.E. X12

Z22 - C22 = C22 - U2 - V2 = 6 - 7 - 5 = -6
Z41 - C41 = C41 - U4 - V1= 0 - (-5) - 0 = 5
PASO 6. Se aplica solo en el caso de que el paso 5 se declare una variable entrante lo que
significa que debe hacerse un cambio de base. Se inicia con la asignación de un número F
que significa una asignación provisional a la celda ij elegida esto provoca un desequilibrio
o desbalanceo en dicha cantidad  en el renglón i y en la columna j correspondiente en tal
cantidad.
OFERTA
3 10 + 
6 20
25 8 30
5 0 5
30 + 
... para solucionar el desbalanceo debemos hacer un BALANCEO DE COMPENSACION,

en el cual sumamos o restamos  a nuestra conveniencia. La tabla quedaría ahora de la
siguiente manera:
DEST.
ORIG.
1 2 OFERTA a1
1 10 - M  3 10 X M–3 U1
2 20 7 6 20 X 1 U2
3 5 + 3 25 -  8 30 X 5 U3
4 FICT 0 5 0 5 0 U4
 = 60 65
DEMANDA bj 35 30  = 65
Las formas Posibles para el circuito de compensación son las siguientes:
 = Min ( De todos las Xij en donde se resta  )

 = Min ( 10, 25 ) = 10
Se procede a recalcular las variables con   , dependiendo del signo existente y se

obtiene ahora una nueva tabla de transporte.
.
.
V2 = 0 V1 = -5
U1 = 3 U2 = 12 Que son los nuevos valores
U3 = 8 obtenidos en la tabla.
U4 = 0
Al realizar el paso 5 pretendemos percatarnos de que:
Z11 - C11 = M + 2
Z22 – C22 = -6  V.E. X22
Z41 – C41 = 5 ....por lo cual seguimos al paso 6
Antes de seguir hay que calcular el costo con un índice 2.
Z2 = 10 (3) + 20 (7) + 15 (3) + 15 (8) + 5(0) = 335
...o se puede determinar así.
Z2 = Costo anterior + (zij – Cij) 

Z2 = 355 + 10M + 10 (-M – 2)
Z2 = 355 + 10M – 10M – 20 = 335
1 2
1 M 10 3 10 U 1 = 3 (3 -0 )
2 20 7 6 20 U 2 = 12 7 -(-5 )
3 15 3 15 8 30 U 3 = 30 (8 -0 )
4 0 5 0 5 U 4 = 0 (0 -0 )
V 1 = -5 V 2 = 0
Z2 = 10 (3) + 20 (7) + 15 (3) + 15 (8) + 5 (0) = 335
Z11 - C11 = M + 2
Z22 – C22 = -6  V.E. X22
Z41 – C41 = 5 ....por lo cual seguimos al paso 6
.
.
1 2
1 M 10 3 10 U 1 = 3 (3 -0 )
2 20 - 7 6 20 U 2 = 12 7 -(-5 )
3 15 + 3 15 - 8 30 U 3 = 30 (8 -0 )
4 0 5 0 5 U 4 = 0 (0 -0 )
V 1 = -5 V 2 = 0
= M in (2 0 ,1 5 ) = 1 5
Aplicando ahora las operaciones indicadas por cada  resulta la siguiente tabla:
1 2
1 M 10 3 10 U 1 = 3
2 5 7 15 6 20 U 2 = 6
3 30 3 8 30 U 3 = 2
4 0 5 0 5 U 4 = 0
V 1 = 1 V 2 = 0
35 35
Z3 = 335 – 6 (15) = 245

Z3 = 5 (7) + 30 (3) + 10 (3) + 15 (6) + 5 (0) = 245
Z11 - C11 = C11 - U1 - V2 = M - 3 - 1 = M - 4

Z32 - C32 = C32 - U3 - V2 = 8 - 2 - 0 = 6
Z41 - C41 = C41 - U4 - V1= 0 - 0 - 1 = -1  V.E. X41
Demos por hecho a las operaciones de la tabla con  entrante en X41 y obtenemos a
continuación la siguiente tabla:
.
.
O fe rta
1 2 ai
1 M 10 3 10 U 1 = 3
2 7 20 6 20 U 2 = 6
3 30 3 8 30 U 3 = 8
4 5 0 0 5 U 4 = -5
D em anda
bj V 1 = -5 V 2 = 0
35 35
Costo Z=10(3) + 20(6) + 30(3) + 5(0) = 240
En este caso se tiene para plantear 4 costos ij de las correspondientes ecuaciones
de tipo ij - Ui - Vj = 0. Pero se tienen un total de 6 incógnitas Ui y Vj para resolver y por
lo tanto 2 grados de libertad para resolver el sistema de 4 ecuaciones se recurre a un
artificio matemático consistente en asignar un número  infinitamente pequeño como
asignación en donde sea necesario (paso 4).
Z = 240
x12 = 20
Solución básica con: x31 = 30
x22 = 20
x41 = 5
Debido a que existen MENOS m + n -1 = 4 + 2 - 1 = 5 entonces se dice que una

solución DEGENERADA.
Paso 5.
Z11 - C11 = C11 - U1 - V11 = M - 3 - (-5) = M + 2

Z21 - C21 = C21 - U2 - V1 = 7 - 6 – (-5) = 6
Z42 - C42 = C42 - U4 - V2= 0 - 5 - 0 = -5  V.E. X42
.
.
O fe rta
1 2 ai
1 M 10 3 10
2 7 20 6 20
3 30 + 3 - 8 30
-
4 5 0 0 5
D em anda
bj V 1 = -5 V 2 = 0
35 35
M in (5 , ) =
O fe rta
1 2 ai
1 M 10 3 10
2 7 20 6 20
3 30 3 8 30
4 5 0 0 5
D em anda
bj V 1 = -5 V 2 = 0
35 35
Z11 = M+2
Z21 = 6
Z32 = 0 C32 – U3 – V2 = 8 – 0 – 0 = 0  0
ZIJ – CIJ  0  Solución básica factible. OPTIMA.
.
.
Ejemplo:
Optimizar el siguiente Problema de Transporte
Dada la siguiente tabla con información de un problema de transporte

a) Formular el modelo matemático correspondiente
b) Calcular una primera solución básica factible por métodos de Voguel y esquina
NO
c) Optimizar con el algoritmo de transporte a partir de la solución de la esquina NO
ORIG
DEST 1 2 3 Oferta ai
1 7 4 8 100
2 5 M 2 100
3
Demanda bj
100 100 100
Función objetivo: 7x11 + 4x12 + 8x13 + 5x21 + M22 + 2x23
Sujeta a restricciones de:
Oferta: x11 + x12 + x13  0

x21 + x22 + x23  0
Demanda : x11 + x21  100

x12 + x22  100
x13 + x23  100 para toda xij  0
Calcular una primera solución básica factible por métodos de Voguel y esquina NO.
ORIG
1 7 100 4 8 100 3,4,0,x
2 5 M 100 2 100 3,M-2,x
3 100 100 0,x
Demanda bj  = 300
100 100 100
 = 300
5,x 4,M-4,0 2,6,x
.
.
Paso 1. Balancear.
 oferta =  ai = 200
 demanda =  bj = 30
 bi = 300 > 200 =  ai
 bi -  ai = 300 – 200 = 100
Se crea entonces un orígen ficticio a3 = 100 con un costo Cij = 0
Paso 2. Calcular una solución básica y factible.

(Voguel)
m+ n – 1 = 3 + 3 – 1 = 5 asignaciones
Como solo se tienen 3 asignaciones, entonces se trata de una solución

DEGENERADA con costo.
Costo ZV = 100 (4) + 100 (2) + 100 (0) = 600
(N.O.)
ORIG
1 100 7 4 8 100 x
2 5 100 M 2 100 x
3 100 0 100 x
100 100 100
 = 300
x x x
Costo ZNO = 100 (7) + 100 (M) + 100 (0) = 100m + 700
Paso 3. Optimizar con el algoritmo de transporte a partir de la solución de la esquina N.O.
ORIG
1 100 - 7  4 1 8 100 U1=0
2 2 + 5 100 - M 2 100 U2= -2
3 100 0 100 U3= -8
100 100 100
 = 300
V1= 7 V2 = M+2 V3= 8
.
.
 = Min (100 , 100) = 100

z = 100 (7) + 100 (M) + 100 (0) = 100 M + 700
Z12 - C12 = C12 - U1 - V2 = 4 – 0 – (M – 2) = M + 2  V.E. X12

Z23 - C23 = C23 - U2 - V3 = 2 – (-2) – 8 = -4
Z31 - C31 = C31 - U3 - V1= 0 – (-8) - 7 = 1
Z32 - C32 = C32 - U3 - V2 = 0 – (-8) – (M+2) = -M+6
ORIG
1 2 7 100 4 8 100 U1= 7
2 100 5 M 1 2 100 U2= - 5
3 100 0 100 U3= 3
100 100 100
 = 300
V1=0 V2=-3 V3= -3
Z13 - C13 = C13 - U1 - V3 = 8 – 7 – (-3) = 4  V.E. X41

Z22 - C22 = C22 - U2 - V2 = M – 5 – (-) = M - 2
Z31 - C31 = C31 - U3 - V1= 0 – 3 – 0 = -3
Z32 - C32 = C32 - U3 - V2 = 0 - 3 – (- 3) = 0
 = Min (100 , 100) = 100
ORIG
1 2 7 100 4 8 100
2 100- 5 M 1 +
2 100
3  100- 0 100
100 100 100
 = 300
ORIG
1 2 7 100 4 8 100
2 5 M 100 2 100
3 100 0 100
100 100 100
 = 300
.
.
PROBLEMA DE TRANSBORDO.
Definición.- Dada una red con n nodos algunos de ellos son orígenes con la oferta de un
cierto producto algunos de ellos son destinos demandando el mismo producto que ofrecen
los orígenes x entre los nodos origen y destino, se ubican nodos de transbordo que también
pueden o no demandar el mismo producto ofrecido por los orígenes. Se trata de satisfacer
todas las demandas de destino y transbordo aprovechando la oferta de los orígenes a
condición de hacerlo con el menor costo posible.
Ejemplo: Problema de Transbordo balanceado y sin capacidades
C 15 = 100
O rig e n D e s tin o s
o fe rta s D em andas
T ra n sb o rd o s
200 1 D em andas 5 90
C 13
= 7
5 3 C 36
= 4
= 85 5
C 23 80
150 2 6 110
C
70
24
= 6
6=
0
C4
70
Problema balanceado
 Ofertas = 200 + 150 = 350

 Demandas = 80 + 70 + 90 + 110 = 350
Modelo Matemático de P.L de un problema de transbordo balanceado y sin capacidad
Sea xij = unidades enviadas desde el nodo i ( i= 1, 2, 3, 4) hasta el nodo j ( j= 3, 4, 5,

6) a través de la rama i,j
Función objetivo:
Min z = 75x13 + 100x15 + 85x23 + 60x24 + 40x35 + 70x46
Sujeto a:
.
.
Restricciones de conservación de flujo
i j
( - ) ( + )
k
i j
 xik =  xkj
 xkj -  xij = 0
1 x13 + x15 = 200

2 x25 + x24 = 150
3 x13 -x23 x35 + x36 = -80
4 -x24 + x46 = -70
5 -x15 -x35 = -90
6 -x36 -x46 = -110
toda xij  0
Modelo Matemático de P.L de un problema de transbordo no balanceado y con

capacidades.
C 15= 1 0 0
f15= 6 5
O rig e n D e s tin o s
o fe rta s D em andas
T ra n sb o rd o s
200 1 D em andas 5 90
90
C 35=
C 25
f13
13
= 7 f35=
=2
20
5 3 C3
f36 6= 4
5 =1 5
00
23
= 8 0
C 0 80
=1
150 2 f23 6 110
C2
=2 = 70
f24 4= 6
6
=8 0
5
C4
0 4
f46
70
Problema no balanceado:  Ofertas = 200 + 180 = 380 > 80 + 70 +90 + 110 =  demanda
.
.
“Observaciones para el problema de Transbordo”
Si un problema se puede modelar por un trafico de red, este a su vez se puede

modelar matemáticamente con programación lineal.
El problema de transbordo resulta importante porque se puede modelar con una red
y también con P.L describiendo los conceptos necesarios que pueden dar entendimiento a
otros problemas de transporte que también se describen con una red y la P.L que le
corresponde tales problemas son el de ruta mínima y el flujo máximo los cuales se tratarán
en su oportunidad.
El modelo de P.L corresponde a un problema de transbordo tiene las siguientes

características:
1) Se define una variable de asignación de flujo Xij para cada rama (i,j) de la red y
por lo tanto la función objetivo contiene tantos términos como ramas o variables.
2) El modelo de P.L tiene expresiones como restricciones como son: las de
capacidad para las ramas que tengan. Además se condiciona el valor de la
función objetivo a restricciones del tipo de conservación de flujo debiendo
expresar tantos como nodos graficados en la red.
3) La estructura especial de un modelo de P.L obtenido de una red de transporte se
caracteriza porque en cada columna (i, j) de la red se tienen ordenados
matricialmente un coeficiente +1 y un coeficiente -1 que verifican la suma 0 en
cada uno de estas columnas igualmente para la columna de términos
independientes se verifica 0 siempre y cuando el problema este balanceado en
cuanto a oferta y demanda.
4) Se puede asegurar una solución entera para la P.L correspondiente a una red de
transporte si las constantes involucradas son también de valor entero.
5) La estructura matemática especial de la P.L obtenida a partir de una red de
transporte ha facilitado el desarrollo de algoritmos altamente eficientes inclusive
más que el mismo simplex, de tal manera que la utilización de ellos ha logrado
soluciones extraordinarias para problemas que contienen miles de variables y
miles restricciones.
“Problema de Ruta Mínima”
Objetivo.- Dada una red con n nodos conectados por ramas (i, j) con su correspondiente
costo (i, j) se considera como origen uno de los n nodos y se trata de determinar n-1 rutas
mínimas hacia los restantes nodos.
“Algoritmo de Dijkstra” (Red no orientada)
Se utiliza una etiqueta para los nodos que consiste en un paréntesis con 2 elementos
Etiqueta: (Nodo antecedente, costo acumulado)
.
.
Dicha etiqueta puede tener el carácter temporal o bien permanente según se indica en los
siguientes pasos
1) El nodo identificado como origen siempre se etiqueta en forma permanente con

( - . 0).
2) A partir del último nodo que se etiquete permanentemente, se etiquetan con
carácter temporal los nodos vecinos conectados directamente; posteriormente se
eligen para permanencia la temporal de menor costo. En caso de empate pueden
hacerse permanentes todas las empatadas. La comparación de etiquetas
temporales debe hacerse para una sola etiqueta por nodo lo cual se consigue
haciendo la eliminación de la que no convenga.
3) Se repite el procedimiento del paso número 2 mientras existan nodos sin etiqueta
permanente.
4) Cuando todos los nodos tengan permanencia se marcan los n-1 rutas sobre las
ramas de la red y también se resumen en forma tabular. Para el trazo de rutas
basta con leer en el lado izquierdo de cada etiqueta el antecedente que le
corresponde.
Método de Voguel
origen 1 2 OFERTA
destino ai
1 M 10 3 10
2 5 7 15 6 20
3 30 3 8 30
4FICT 0 5 0 5
DEMANDA 35 30 S ai
bj Sbj
.
.

Programación lineal y sus aplicaciones

Caricato da

Informazioni sul documento

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

Programación lineal y sus aplicaciones

Caricato da

Copyright:

Formati disponibili

U.P.I.I.C.S.A Apuntes de Investigación de Operaciones.

I. INTRODUCCION A LA INVESTIGACION DE OPERACIONES

II. PROGRAMACION LINEAL.

3. Modelo de transbordo definición.

 Es la aplicación del método científico.

Modelo matemático obligado.

CREADAS POR EL HOBRE. Enfoque sistémico.

AÑO. AUTOR. TECNICA DESARROLLADA.

1759 Quesnay Modelos primarios de programación matemática.

AÑO. AUTOR. TECNICA DESARROLLADA.

Metodología de Investigación de Operaciones:

La programación lineal es actualmente la técnica matemática utilizada mas

Lo que se busca con la aplicación de la programación lineal es resolver problemas

Un modelo de programación lineal es un conjunto de expresiones matemáticas las

Máquina Horas por pieza de producto Horas Maq. Disponibles

Recomendación del Mínimo Mínimo Mínimo

Formular un modelo de P.L para este problema

 Definición de variables a utilizar en el método de programación lineal

Sea: Xj = numero de piezas de producto j(j=1,2,3) a fabricar para

 Función económica y objetivo:

MAX Z= 50X1 + 20X2 + 25X3 [ (Dls/Unidad) (Unidad/Sem)] =

sujeta a restricciones de horas máquina disponibles por semana

Fresadora : 9X1 + 3X2 + 5X3 = 500 horas máquina fresadora

Condiciones de signos pare las variables:

Se desean invertir 2 millones de dólares en 6 tipos de inversión cuyas características

Tipo de Interés Factor de Plazo promedio

Sea: Xj = cantidad de dólares a invertir en el tipo j(j=1,2,3,4,5,6) para

MAX Z= 0.085X1 + 0.09X2 + 0.85X3 + 0.143X4 + 0.067X5 +0.13X6

1) X1 + X2 + X3 +X4 + X5 + X6 = 2,000.000 dls.

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

Sea: Xj = Fracción capital a invertir en el tipo j(j=1,2,3,4,5,6) para

 Función económica y objetivo:

MAX Z= 8.5X1 + 9X 2 + 8.5X3 + 14.3X 4 + 6.7X5 +13X 6

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

Problemas de mezcla en la inversión.

Sea: xj = Fracción del capital a invertir en la tipo j (j = 1,2,...,6) para maximizar el

Max. z = 8.5 x1 + 9 x2 + 8.5x3 + 14.3x4 + 6.7x5 + 13x6

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

8x1 + 2x2 + 5x3 + 6x4 + 2x5 + 4x6  5(1) = 5

Problema de establecimiento de horario.

En un sector de la ciudad se tiene el siguiente requerimiento de policías:

PERIODO DEL DIA 1 2 3 4 5 6

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

PERIODO/HORA 06-10 10-14 14-18 18-22 22-02 02-06

Sea xj = Número de policías que inician el periodo j (j = 1,2,3,...,6)

Min. z = x1 + x2 + x3 + x4 + x5 + x6 (policías mínimos para cubrir turnos [6])

Problema de aprovechamiento de recursos.

Una empresa papelera recibe un pedido de rollos de papel de la misma calidad y

500 rollos de 30 in, 450 rollos de 45 in y 150 rollos de 56 in.

En las bodegas de la empresa solo se tiene existencia en esta calidad de papel en

Función objetivo (o económica):

Min. z = 18x1 + 3x2 + 22x3 + 18x4 + 7x5

3x1 + 2x2 + x3  500 rollos de 30’

Corte Corte = Rollos ...para restricciones.

Problema de almacenamiento en el transporte.

Un barco tiene las siguientes capacidades de almacenamiento en sus bodegas de

BODEGA CAPACIDAD CAPACIDAD

PRODUCTOS TNS A TRANSPORTAR m3/Ton UTILIDAD (MILES DLS/TN)

x1A + x1B + x1C  3000 Ton.

60x1A + 50x1B + 25x1C  130000 m3.

Capacidad en Ton 60x2A + 50x2B + 25x2C  100000

x1A + x1B + x1C  3500 Ton.

Proporción de carga en las bodegas: