Texto guia de Programación Lineal

1. UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA
FACULTAD DE CIENCIAS BÁSICAS E INGENIERÍA
UNIDAD DE CIENCIAS BÀSICAS
MÓDULO
PROGRAMACIÓN LINEAL
(versión Preliminar)
ESP. GLORIA LUCIA GUZMÁN ARAGÓN
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA –
UNAD
FACULTAD DE CIENCIAS BÁSICAS E INGENIERÍA
PROGRAMA INGENIERÍA DE SISTEMAS
NEIVA (HUILA), 2.005

2. TABLA DE CONTENIDOS
INTRODUCCIÓN
JUSTIFICACIÓN
UNIDAD 1
INTRODUCCIÓN A LA PROGRAMACIÓN LINEAL
CAPITULO 1
LA INVESTIGACION DE OPERACIONES
1.1 INTRODUCCION
1.2 ANTECEDENTES Y ORIGEN DE LA I.O.
1.3 ¿QUE ES LA INVESTIGACION DE OPERACIONES?
1.4 METODOLOGÍA DE LA I.O.
1.5 COMPONENTES DE LA INVESTIGACION DE OPERACIONES
1.5.1 DEFINICION Y FORMULACION DEL PROBLEMA
1.5.2 FORMULACION DE UN MODELO MATEMATICO
1.5.3 OBTENCION DE UNA SOLUCION APARTIR DEL MODELO
1.5.4 PRUEBA DEL MODELO
1.5.5 VALIDACION DEL MODELO
1.5.6 ESTABLECIMIENTO DE CONTROLES DE LA SOLUCION
1.5.7 IMPLEMENTACION DE LA SOLUCION
CAPITULO 2
CONJUNTOS CONCAVOS Y CONVEXOS
2.1 INTRODUCCIÓN
2.2 CONCEPTO DE CONJUNTO CONVEXO
2.3 PROPIEDADES DE LOS CONJUNTOS CONVEXOS
2.4 EJERCICIOS DE APLICACIÓN
2.5 FUNCION CONVEXA
CAPITULO 3.
CONCEPTUALIZACION DE LA PROGRAMACION LINEAL

3. 3.1 INTRODUCCION
3.2 CONCEPTO
3.3 FORMULACION DEL PROBLEMA DE PROGRAMACION LINEAL
3.3.1 INTRODUCCION
3.3.2 ESTRUCTURA DE UN MODELO DE P.L.
3.4 MODELO GENERAL DE PROGRAMACION LINEAL
3.5 FORMA ESTÁNDAR DE LOS MODELOS DE P.L.
3.6 OTRAS FORMAS DE MODELOS DE P.L.
3.7 FORMULACION ALGEBRAICA: FORMA CANONICA
3.8 RESUMEN
UNIDAD 2
METODOS DE SOLUCION
CAPITULO 1
METODO GRAFICO
1.1 INTRODUCCION METODO GRAFICO
1.2 DEFINICION
1.3 CONCEPTO GENERAL DEL METODO GRAFICO
1.4 PASOS PARA LA SOLUCION MEDIANTE EL METODO GRAFICO
CAPITULO 2
METODO ALGEBRAICO
2.1 INTRODUCCION
2.2 PASOS PARA UTILIZAR EN METODO ALGEBRAICO
2.3 EJEMPLOS DESARROLLADOS
2.4 TALLER
CAPITULO 3
METODO SIMPLEX
3.1 INTRODUCION
3.2 CONCEPTO
3.3 PASOS PARA EL DESARROLLO DEL METODO SIMPLEX
3.4 EJEMPLOS DESARROLLADOS
3.5 TALLER

4. CAPITULO 4
ANALISIS DE VARIABILIDAD:
4.1 INTRODUCCION
4.2 DUALIDAD
4.3 PASOS PARA CONVERTIR UN PROBLEMA PRIMAL A UNO DUAL
4.4 EJEMPLOS RESUELTOS
4.5 COMPARACION ENTRE EL METODO SIMPLEX Y DUAL - SIMPLEX
4.6 TALLER
CAPITULO 5
TOPICOS AVANZADOS
5.1 INTRODUCCION
5.2 DEGENERACION EN PROGRAMACION LINEAL
5.3 METODO SIMPLEX GENERALIZADO
5.4 PROBLEMAS DE PROGRAMACION LINEAL CON VARIABLES ACOTADAS
5.5 ALGORITMO DE DESCOMPOSICION
FUENTES DOCUMENTALES

5. INTRODUCCIÓN
El curso de Programación Lineal – Componente de Formación Disciplinar tiene
carácter básico en los programas de Ingeniería que oferta la UNAD, además es de
tipo teórico. Tiene como objetivo Formular, obtener y analizar soluciones a
problemas de programación lineal en especial los referidos a optimización de
recursos.
El curso tiene 2 créditos académicos los cuales comprenden el estudio
independiente y el acompañamiento tutorial, con el propósito de:
• Comprender los elementos teóricos que sustentan la programación lineal.
• Identificar y utilizar los métodos de programación lineal para la solución de
problemas.
• Identificar y manejar los algoritmos utilizados en la optimización de funciones
no lineales sujetas a restricción de tipo general.
• Identificar diferencias entre la formulación de modelos y técnicas de solución.
Este curso está compuesto por dos Unidades didácticas a saber:
Unidad 1. Introducción a la Programación Lineal donde se pretende que el
estudiante valore la importancia que tiene la investigación de operaciones en
proporcionar herramientas para la construcción de modelos matemáticos en
particular los de programación lineal, además de la conceptualización y las diferentes
formas de presentación de un problema de programación lineal.
Unidad 2. Métodos de Solución se plantean los diferentes métodos empleados para
solucionar problemas a nivel gráfico, algebraico, simplex, dual, análisis de
optimalidad y sensibilidad, con los que se pretende que el estudiante posea
herramientas para que busque la solución óptima a problemas simples y complejos
que se le puedan presentar tanto en la cotidianidad como en el ejercicio de su vida
profesional y/o laboral.

6. JUSTIFICACIÓN
No es del todo fácil definir qué es la investigación de operaciones. Existen diversas
definiciones en textos, pero se podría decir que la investigación de operaciones es
un enfoque científico interdisciplinario para la solución de problemas, que envuelve la
interacción compleja, dinámica y sujetiva de hombres, métodos y sistemas, a los
cuales, en algunos casos no se les puede proporcionar una solución exacta por
medio de los procedimientos matemáticos o por medio de técnicas de ensayo y
error. Utilizando modelos matemáticos como un recurso primario, la metodología de
la investigación de operaciones está diseñada para cuantificar y acotar estos
problemas dentro de un marco de restricciones específicas, medidas, objetivos y
variables, de tal forma que se busquen controles óptimos de operación, decisiones,
niveles y soluciones.
La programación matemática es quizás el área más desarrollada de la investigación
de operaciones. Cubre tópicos tales como: Programación lineal, programación de
redes y programación entera, además de otras variantes de métodos de
programación tales como programación de metas, en este curso nos ocuparemos de
la programación lineal y sus diversos métodos y técnicas de solución para una
adecuada toma de decisión.
Un modelo de programación lineal proporciona un método eficiente para determinar
una decisión óptima, (o una estrategia óptima o un plan óptimo) escogida de un gran
número de decisiones posibles. La decisión óptima es la que satisface un objetivo de
administración, sujeto a varias restricciones.

7. PRIMERA UNIDAD
INTRODUCCIÓN A LA PROGRAMACIÓN LINEAL
CAPITULO 1
LA INVESTIGACION DE OPERACIONES
1.1 INTRODUCCION
1.2 ANTECEDENTES Y ORIGEN DE LA I.O.
1.3 ¿QUE ES LA INVESTIGACION DE OPERACIONES?
1.4 METODOLOGÍA DE LA I.O.
1.1 INTRODUCCION
Los cambios revolucionarios originaron gran aumento en la división de trabajo y la
separación de las responsabilidades administrativas en las organizaciones. Sin
embargo esta revolución creo nuevos problemas que ocurren hasta la fecha en
muchas empresas. Uno de estos problemas es la tendencia de muchos de los
componentes a convertirse en imperios relativamente autónomos, con sus propias
metas y sistemas de valores. Este tipo de problemas, y la necesidad de encontrar la
mejor forma de resolverlos, proporcionaron el surgimiento de la Investigación de
Operaciones.
La Investigación de Operaciones aspira determinar la mejor solución (optima) para
un problema de decisión con la restricción de recursos limitados.
En la Investigación de Operaciones utilizaremos herramientas que nos permiten
tomar una decisión a la hora de resolver un problema, tal es el caso de los modelos
de Investigación de Operaciones que se emplean según sea la necesidad.
Actualmente la investigación de operaciones a incursionado en la administración con
muy buenos resultados en este campo pues el ambiente de negocios al que se está
sometido y los múltiples cambios que ellos generan, los ciclos de vida de los
productos se hacen más cortos, la abrumadora y acelerada era de la nueva

8. tecnología y la internacionalización creciente, son razones suficientes para
desarrollar modelos que optimicen los resultados en estos campos del saber
1.2 ANTECEDENTES Y ORIGEN DE LA INVESTIGACION DE OPERACIONES
La investigación de operaciones se origino en la segunda guerra mundial como una
necesidad de dar solución a los problemas de carácter militar, los primeros
interesados en estos aspectos fueron los británicos y los americanos quienes
asignaron esta tarea a un grupos de físicos, matemáticos, biólogos, estadísticos,
psicólogos entre otros para emplear el método científico en la solución de problemas
estratégicos y tácticos.
Después de la guerra atrajo la atención de la industria que buscaba soluciones a
problemas de complejidad y especialización ascendente en las organizaciones. Los
primeros esfuerzos se dedicaron a desarrollar modelos apropiados y procedimientos
correspondientes para solucionar problemas que surgían en áreas tales como: la
programación de refinerías de petróleo, la distribución de productos, la planeación de
productos, el estudio de mercados y la planeación de inversiones.
Un factor importante de la implantación de la Investigación de Operaciones en este
periodo es el mejoramiento de las técnicas disponibles en esta área. Muchos de los
científicos que participaron en la guerra, se encontraron a buscar resultados
sustanciales en este campo; un ejemplo sobresaliente es el método Simplex para
resolución de problemas de Programación Lineal, desarrollado en 1947 por George
Dantzing. Muchas de las herramientas utilizadas en la Investigación de Operaciones
como la Programación Lineal, la Programación Dinámica, Líneas de Espera y Teoría
de Inventarios fueron desarrolladas al final de los años 50.
Un segundo factor importante para el desarrollo de este campo fue el advenimiento
de la revolución de las computadoras. Para manejar los complejos problemas
relacionados con esta disciplina, generalmente se requiere un gran número de
cálculos que llevarlos a cabo a mano es casi imposible. Por lo tanto el desarrollo de
la computadora digital, fue una gran ayuda para la Investigación de Operaciones.
En la década de los 80 con la invención de computadoras personales cada vez más
rápidas y acompañadas de buenos paquetes de Software para resolver problemas
de Investigación de Operaciones esto puso la técnica al alcance de muchas
personas. Hoy en día se usa toda una gama de computadoras, desde las
computadoras de grandes escalas como las computadoras personales para la
Investigación de Operaciones.

9. 1.3 QUE ES LA INVESTIGACION DE OPERACIONES
La investigación de operaciones es la aplicación, por grupos interdisciplinarios, del
método científico a problemas relacionados con el control de las organizaciones o
sistemas, a fin de que se produzcan soluciones que mejor sirvan a los objetivos de la
organización.
Algunos aspectos relacionados con la definición:
• Una organización es un sistema formado por componentes que se
interaccionan, unas de estas interacciones pueden ser controladas y otras no.
• La complejidad de los problemas que se presentan en las organizaciones ya
no encajan en una sola disciplina del conocimiento, se han convertido en
multidisciplinario por lo cual para su análisis y solución se requieren grupos
compuestos por especialistas de diferentes áreas del conocimiento que logran
comunicarse con un lenguaje común.
• La investigación de operaciones es la aplicación de la metodología científica a
través de modelos matemáticos, primero para representar al problema y luego
para resolverlo.
La investigación de operaciones se aplica a problemas que se refieren a la
conducción y coordinación de operaciones (o actividades) dentro de una
organización.
La investigación de operaciones intenta encontrar una mejor solución, (llamada
solución óptima) para el problema bajo consideración.
Un enfoque de la investigación de operaciones abarca:
• Construir un modelo simbólico que por lo general es un modelo matemático,
pretende extraer los elementos fundamentales de un problema de decisión
que es complejo e incierto de tal manera que pueda optimizar una solución
viable para la consecución de los objetivos de acuerdo al analista.
• Examinar y analizar las relaciones que determinan las consecuencias de la
decisión realizada y comparar el método relativo de acciones alternas con los
objetivos de quien va a tomar la decisión.
• Desarrollar una técnica de decisión que comprenda teorías matemáticas y que
conduzca a la optimización de los resultados.
La investigación de operaciones se aplica tanto a problemas tácticos como
estratégicos de una organización. Los primeros tienen que ver con actividades

10. diarias y los segundos tienen una orientación y una planeación organizada
generalmente se apoyan en operaciones de carácter indirecto.
1.4 METODOLOGIA DE LA INVESTIGACION DE OPERACIONES
El uso de métodos cuantitativos para solucionar problemas, generalmente implica a
mucha gente de toda la organización. Los individuos de un equipo de proyectos
proporcionan información de sus áreas respectivas respecto a diversos aspectos del
problema. El proceso de aplicar métodos cuantitativos requiere de una sucesión
sistemática de pasos:
Definición del
problema
Resolución del Solución
modelo
matemático.
Modelo NO ¿Es valida la
modificado solución?
Implementación

11. 1.5 COMPONENTES DE LA INVESTIGACION DE OPERACIONES
1.5.1 DEFINICION Y FORMULACION DEL PROBLEMA:
Esto incluye determinar los objetivos apropiados, las restricciones sobre lo que se
puede hacer, las interrelaciones del área bajo estudio con otras áreas de la
organización, los diferentes cursos de acción posibles, los límites de tiempo para
tomar una decisión, etc. Este proceso de definir el problema es crucial ya que
afectará en forma significativa la relevancia de las conclusiones del estudio.
1.5.2 FORMULACION DE UN MODELO MATEMATICO:
La forma convencional en que la investigación de operaciones realiza esto es
construyendo un modelo matemático que represente la esencia del problema.
Un modelo siempre debe ser menos complejo que el problema real, es una
aproximación abstracta de la realidad con consideraciones y simplificaciones que
hacen más manejable el problema y permiten evaluar eficientemente las alternativas
de solución.
15.3 OBTENCION DE UNA SOLUCION APARTIR DEL MODELO
Depende de las características del modelo. Los procedimientos de solución pueden
ser clasificados en tres tipos: a) analíticos, que utilizan procesos de deducción
matemática; b) numéricos, que son de carácter inductivo y funcionan en base a
operaciones de prueba y error; c) simulación, que utiliza métodos que imitan o,
emulan al sistema real, en base a un modelo.
Resolver un modelo consiste en encontrar los valores de las variables dependientes,
asociadas a las componentes controlables del sistema con el propósito de optimizar,
si es posible, o cuando menos mejorar la eficiencia o la efectividad del sistema
dentro del marco de referencia que fijan los objetivos y las restricciones del
problema.
La selección del método de solución.
1.5.4 PRUEBA DEL MODELO:
Antes de usar el modelo debe probarse exhaustivamente para intentar identificar y
corregir todas las fallas que se puedan presentar.
1.5.5 VALIDACION DEL MODELO:
Es importante que todas las expresiones matemáticas sean consistentes en las
dimensiones de las unidades que emplean. Además, puede obtenerse un mejor

12. conocimiento de la validez del modelo variando los valores de los parámetros de
entrada y/o de las variables de decisión, y comprobando que los resultados de
modelo se comporten de una manera factible.
1.5.6 ESTABLECIMIENTO DE CONTROLES DE LA SOLUCION:
Esta fase consiste en determinar los rangos de variación de los parámetros dentro de
los cuales no cambia la solución del problema.
Es necesario generar información adicional sobre el comportamiento de la solución
debido a cambios en los parámetros del modelo. Usualmente esto se conoce como
ANÁLISIS DE SENSIBILIDAD.
Esta fase consiste en determinar los rangos de variación de los parámetros dentro de
los cuales no cambia la solución del problema.
Es necesario generar información adicional sobre el comportamiento de la solución
debido a cambios en los parámetros del modelo. Usualmente esto se conoce como
ANÁLISIS DE SENSIBILIDAD.
1.5.7 IMPLEMENTACION DE LA SOLUCION:
El paso final se inicia con el proceso de "vender" los hallazgos que se hicieron a lo
largo del proceso a los ejecutivos o tomadores de decisiones.

13. TALLER
Observa con atención la siguiente presentación en ppt y realízale ejercicio
que allí se plantea, hazlo llegar a tutor de la manera que el te lo indique (e-mail,
CD-room, medio físico, presencial etc).
1. Concepto y delimitación de la I.O.
•Antecedentes:
Surge durante la segunda Guerra Mundial,
INVESTIGACIÓN OPERATIVA luego y con motivo de la revolución industrial, ha ido teniendo
cada vez más importancia dado el crecimiento y complejidad de
las nuevas organizaciones. Actualmente está cobrando especial
importancia con el desarrollo de la informática.
•Definición
Aplicación del método científico por un grupo
multidisciplinario personas a la resolución de un problema.
INTRODUCCIÓN INVESTIGACIÓN DE OPERACIONES
•Objetivo
Decidir mediante métodos científicos el diseño que optimiza
el funcionamiento del proceso analizado, generalmente bajo
condiciones que implican la utilización de recursos escasos.
Métodos en Investigación Operativa Etapas de un ejercicio de I.O.
•Métodos determinísticos: Programación lineal, programación Básicamente la I.O. sigue los siguientes pasos:
entera, probabilidad de transporte, teoría de la localización o
•La observación del problema
redes, programación multicriterio, teoría de inventarios, etc.
•La construcción de un modelo matemático que contenga los
elementos esenciales del problema
•Métodos probabilísticos: Cadenas de markov, teoría de juegos,
•La obtención en general, con al ayuda de algorítmos
líneas de espera, teoría de inventarios, etc.
implementados informáticamente, de las mejores soluciones
posibles.
•Métodos híbridos: Conjugan métodos determinísticos y •La calibración e interpretación de la solución y su comparación
probabilísticos. con otros métodos de toma de decisiones.
•Métodos heurísticos: soluciones basadas en la experiencia.

14. Ejercicios de I.O.
Fases FORMULACIÓN DEL CONSTRUCCIÓN DEL
PROBLEMA MODELO
de un
estudio Ejemplo 1:
NECESIDAD DE MODELO DEL SISTEMA REAL Una empresa dispone de 70 trabajadores con cualificaciones
REORGANIZACIÓN diferentes (Economistas, Ingenieros, Auxiliares
Administrativos, etc..) a los que hemos de asignar 70
actividades también diferentes. Para decidir una determinada
SISTEMA DE INTERÉS OBTENCIÓN DE DATOS asignación de tareas deberíamos escoger de entre un total de
70! (Permutaciones de 70 elementos) aquella que maximiza el
resultado final de la empresa. Como 70! es aproximadamente
TOMA DE DECISIONES igual a 10100, aún revisando un 1 millón de asignaciones
IMPLEMENTACIÓN Y SOLUCIÓN DEL MODELO
CONTROL diferentes al segundo necesitaríamos aproximadamente 1087
años para revisar todas las asignaciones posibles.
Este tipo de problemas requiere desarrollar modelos de
INTERPRETACIÓN DE VALIDACIÓN DEL MODELO programación matemática, otros métodos matemáticos, para
RESULTADOS E ANÁLISIS DE SENSIBILIDAD
IMPLICACIONES llegar a algún tipo de conclusiones.
Ejercicios de I.O. Ejercicios de I.O.
Ejemplo 2: Aplicación al ámbito sanitario Ejemplo 2: Aplicación al ámbito sanitario
Planificación y asignación de recursos en un sistema de salud mental Planificación y asignación de recursos en un sistema de salud mental
Fases de construcción del modelo Fases de construcción del modelo
1. Definir las categorías de enfermos ( en función de sus 1. Definir las categorías de enfermos ( en función de sus
necesidades y respuestas a un determinado tratamiento) necesidades y respuestas a un determinado tratamiento)
2. Definir un conjunto de servicios (obtener una clasificación de Utilización de técnicas estadísticas, para la recogida de datos y la
acuerdo a las necesidades de los enfermos y con la disponibilidad determinación del historial del enfermo. A lo largo del tiempo los
de recursos, basada en la experiencia y conocimientos médicos) enfermos pueden cambiar de categoría (cadenas de Markov)
3. Planificar y asignar los recursos (asignar los servicios entre las
distintas categorías de enfermos a lo largo del tiempo)

15. Ejercicios de I.O. Ejercicios de I.O.
Ejemplo 2: Aplicación al ámbito sanitario Ejemplo 2: Aplicación al ámbito sanitario
Planificación y asignación de recursos en un sistema de salud mental Planificación y asignación de recursos en un sistema de salud mental
Fases de construcción del modelo Fases de construcción del modelo
1. Definir las categorías de enfermos ( en función de sus 1. Definir las categorías de enfermos ( en función de sus
necesidades y respuestas a un determinado tratamiento) necesidades y respuestas a un determinado tratamiento)
2. Definir un conjunto de servicios (obtener una clasificación de 2. Definir un conjunto de servicios (obtener una clasificación de
acuerdo a las necesidades de los enfermos y con la disponibilidad acuerdo a las necesidades de los enfermos y con la disponibilidad
de recursos, basada en la experiencia y conocimientos médicos) de recursos, basada en la experiencia y conocimientos médicos)
Entrevista a expertos (delphi) acumular información en base a la 3. Planificar y asignar los recursos (asignar los servicios entre las
experiencia y conocimientos médicos distintas categorías de enfermos a lo largo del tiempo)
Utilización de técnicas de programación lineal para la asignación
de recursos. Modelo multi-periodo a partir de la definición de una
función objetivo.
Ejercicios de I.O.
Tu ejemplo......................................
Problema/objetivo a resolver/realizar
..............................................................................................................
Fases:
1............
2..................
3.........................

16. CAPITULO DOS
CONJUNTOS CONVAVOS Y CONVEXOS
2.1 INTRODUCCIÓN
2.2 CONCEPTO DE CONJUNTO CONVEXO
2.3 PROPIEDADES DE LOS CONJUNTOS CONVEXOS
2.4 EJERCICIOS DE APLICACIÓN
2.5 FUNCION CONVEXA
.2.1 INTRODUCCIÓN
En el presente capítulo podrá valorar la importancia que tiene el análisis de la
convexidad de conjuntos así como los diferentes tipos de convexidad o concavidad
de funciones toda vez que ellos constituyen los instrumentos fundamentales para el
desarrollo de la Teoría de la Optimización Matemática.
En primera instancia abordaremos el concepto de conjuntos convexos, su definición
y propiedades fundamentales para luego analizar el comportamiento de las
combinaciones lineales convexas.
2.2 CONCEPTO DE CONJUNTO CONVEXO.
Para analizar el concepto de conjunto convexo vamos a plantear el siguiente ejemplo
.EJEMPLO.
Consideremos los siguientes CONJUNTOS:
CONJUNTO P
P

17. CONJUNTO Q
Q
CONJUNTO R
R
CONJUNTO T.
T
Definimos la idea de conjunto convexo como aquel conjunto que contiene
cualquier segmento que une dos puntos del conjunto.
Así por ejemplo según esta idea GRAFICA, el conjunto P
• x
P
• y

18. Obsérvese que para cualquier par de puntos (x, y) que estén dentro del conjunto P,
el segmento que une dichos puntos siempre queda dentro del conjunto, en
consecuencia P sería un conjunto convexo.
Consideremos el conjunto Q:
Q
x y
Obsérvese que para cualquier par de puntos (x,y) que estén dentro del conjunto Q, el
segmento que une dichos puntos no queda dentro del conjunto, en consecuencia Q
no sería un conjunto convexo.
Consideremos el conjunto R:
• x R
• y
En este caso para cualquier par de puntos (x,y) de esta recta R, el segmento que los
une queda dentro del conjunto, en consecuencia R es un conjunto convexo.
Por último sea el conjunto T:
x
T
y

19. Es claro gráficamente que para cualquier par de puntos x, y, el segmento que los une
está totalmente contenido en dicho conjunto.
Consideremos un último ejemplo en el plano, sea el conjunto T
•
•
• •
T
(conjunto poligonal delimitado por los puntos (0,0),(5,3),(0,8),(7,4),(6,3),(7,1 )
Se puede ver que existen segmentos, como el indicado en la figura que se sale del
conjunto por lo que este conjunto no sería CONVEXO.
•
•
• •
T
EJERCICIOS
Determinar si los siguientes conjuntos son o no convexos, dibujándoles previamente:
a. Conjunto poligonal determinado por los puntos (0,1),(1,0),(1,3),(0,1)

20. b. Conjunto poligonal determinado por los puntos (1,1),(2,1),(2,3),(-1,2), (-
1,0),(1,1)
SOLUCION:
a. es convexo
b. no es convexo
Podemos definir conjuntos en el plano de una manera más compleja:
Así por ejemplo si consideramos el conjunto
¿Qué hacemos para dibujar este conjunto?

21. Primero dibujamos la curva que delimita el conjunto.
Para delimitar la región del plano basta considerar un punto que no esté en la curva,
por ejemplo (1,2) si ese punto satisface la ecuación entonces ese es el recinto a
considerar, en nuestro caso como 2 sí es mayor o igual que 1. Entonces el recinto es
Obsérvese que es claramente convexo pues cualquier par de puntos que estén en
S3 el segmento que los une está claramente contenido en S3.
¿Qué sucedería si no podemos representar gráficamente el conjunto, como sucede
con conjuntos de dimensión superior a 3?
En esos casos es necesario dar una definición analítica de conjunto convexo, para lo
cual efectuamos la siguiente definición:
CONJUNTO CONVEXO:
Diremos que un subconjunto S є Rn es convexo si para cualquier par de
puntos y para cualquier λ є [0,1] se cumple que está en
S, es decir que si llamamos segmento de extremos por

22. S es convexo si para cualesquiera ,
¿Cuál es el significado de z= λ x+(1- λ )y?
Vamos a verlo en un ejemplo:
EJEMPLO:
Estudiar analíticamente si el conjunto anterior
es un conjunto convexo.
Para ello consideremos dos vectores de S3
(x1,y1), (x2,y2),
Habría que comprobar si b(x1,y1)+(1-b)(x2,y2) es un vector que pertenece a S3 para
cualquier valor de b en [0,1]
Es decir tendremos que comprobar si
.bx1+(1-b)x2 , by1+(1-b)y2
Como x1,y1 entonces bx1,by1 (pues b es positivo o cero)
Y como x2,y2 entonces (1-b)x2,(1-b)y2
Sumando ambas expresiones se obtiene la desigualdad por tanto S3 es un conjunto
convexo.
Y comprobando si el vector
Que una vez simplificado nos da
Y al expandirle

23. Si es un vector del conjunto S3.
EJERCICIO
Estudiar de forma gráfica si los siguientes conjuntos son o no conjuntos convexos.
a.
b.
SOLUCIONES:
a. Lo hacemos gráficamente, representando el conjunto.
Para ello dibujamos los dos límites del conjunto x +y =1 y x2+y2=4
2 2
(circunferencias de radio 1 y radio 2)
Definimos las expresiones
Y luego las representamos como aparece.
¿Cuál es el recinto?
Ahora debemos determinar en que lado de las circunferencias se sitúa el
conjunto.

24. Tomemos un punto fuera de ambas circunferencias, por ejemplo (0,0),. Y
comprobemos si se verifica la primera desigualdad para ese punto
Efectivamente no se verifica, por tanto el conjunto se sitúa hacia fuera de la
circunferencia.
Por otro lado
Es cierta por tanto el conjunto es la corona circular situada entre la
circunferencia de radio 1 y la circunferencia radio 2.
¿Este conjunto es convexo?
Claramente se ve que no, tomemos dos puntos cualesquiera por ejemplo (-
1,1/2) y (2,0), ambos pertenecen al conjunto, sin embargo el segmento que los
une como se ve no pertenecen al conjunto.
b. Consideremos las expresiones que definen los límites del conjunto:
Representemos ambas rectas:

25. Para saber cuál es exactamente el recinto, tomemos un punto que no esté en dichas
rectas, por ejemplo (0,0).
Comprobemos a qué lado de la recta x+y=1 se encuentra nuestro conjunto x+y=1,
comprobamos para (0,0), y observamos que 0+0= 1 verifica la ecuación, por tanto el
recinto x+y=1 está al lado del (0,0).
Y por otro lado para determinar el conjunto x-y=1 comprobamos que 0-0= 1 por tanto

26. también es de la recta hacia el (0,0), con lo cual tendremos que el recinto será:
2.3 PROPIEDADES DE LOS CONJUNTOS CONVEXOS.
Vamos a estudiar qué sucede con la UNIÓN y la INTERSECCIÓN de conjuntos
convexos. Comencemos con la INTERSECCIÓN de conjuntos convexos.
INTERSECCIÓN DE CONJUNTOS CONVEXOS.
EJEMPLO.
Sean los siguientes conjuntos convexos:
Si los representamos tendremos:

27. ¿Cuál es la intersección de estos dos conjuntos?
Se puede ver que la intersección es el conjunto
Se puede ver gráficamente que es un conjunto convexo.
Y este ejemplo se puede generalizar con la siguiente propiedad:
LA INTERSECCIÓN DE CONJUNTOS CONVEXOS ES UN CONJUNTO
CONVEXO.

28. UNIÓN DE CONJUNTOS CONVEXOS.
A partir de los conjuntos convexos anteriores S y T, veamos cuál es el conjunto
unión.
Este conjunto no es convexo pues si considero dos puntos del conjunto por ejemplo
(1.04, -1.57) y (2.43,-0.3)
Si representamos el segmento que une dichos puntos editando
Obtenemos

29. Segmento que no está totalmente contenido en el conjunto. Luego:
LA UNION DE CONJUNTOS CONVEXOS EN GENERAL NO ES UN CONVEXO
2.4 EJERCICIOS DE APLICACION
CONJUNTOS CONCAVOS Y CONVEXOS
Representar los siguientes conjuntos de R2 e indicar cuáles son convexos:
a.
b.
c. 2
d. R
e.
f.
g.
h.
i.
Probar que todo subespacio vectorial de R3 es un conjunto convexo.

30. 2.5 FUNCIONES CONCAVAS Y CONVEXAS
Las funciones cóncavas y convexas representan un papel fundamental en la Teoría
de la Optimización ya que pueden garantizarnos la GLOBALIDAD de los óptimos
locales. Por ello vamos a iniciar este apartado introduciendo el concepto de función
cóncava y convexa para luego más tarde introducir condiciones que nos permitan
reconocer si una función es cóncava o convexa dependiendo de sus propiedades de
diferenciabilidad.
EJEMPLO.
Consideremos la siguiente función:
Si dibujamos esta función y obtenemos
Observemos la gráfica de esta función en el intervalo [0,3 ]
Podemos ver que en esta gráfica si dibujamos cualquier segmento que una dos
puntos de la misma, éste siempre queda por debajo de la gráfica. Por ejemplo,
consideremos los puntos
Si dibujamos el segmento que une dichos puntos en la gráfica obtenemos

31. Qué claramente queda por debajo de la gráfica.
Consideremos otros pares de puntos de la gráfica por ejemplo:
Al dibujar el segmento que une dichos puntos tenemos:
Consideremos otro par de puntos por ejemplo
Si los dibujamos considerando
Obtenemos

32. Se puede observar que para cualquier par de puntos de la gráfica que toman valores
en el segmento considerado el segmento que une dichos puntos siempre queda por
debajo de la gráfica por ello podemos efectuar la siguiente definición:
FUNCIONES ESTRICTAMENTE CONCAVAS Y CONCAVAS
DEFINICIÓN:
Diremos que una función f es estrictamente cóncava en un conjunto M convexo si
todo segmento que une dos puntos de la gráfica esta estrictamente por debajo de la
gráfica.
Diremos que una función es CONCAVA (no estricta) si no todas las cuerdas que
unen puntos de la gráfica en dicho intervalo quedan estrictamente por debajo.
Vamos ahora a introducir el concepto de función CONVEXA.
Consideremos el siguiente ejemplo:
EJEMPLO.
Consideremos la misma función anterior
pero ahora considerada en el intervalo [3 ,2 ], en este caso la gráfica sobre la que
debemos enfocarnos es:
Consideremos ahora nuevamente varios puntos de esta gráfica en dicho intervalo
por ejemplo

33. si dibujamos el segmento que los une por medio de la matriz
se obtiene
si ahora dibujamos el segmento que une los puntos
Obtendremos
Obsérvese que los segmentos quedan siempre por encima de la gráfica de la
función.
En estos casos, diremos que la función es convexa en el intervalo dado.
Por ello podemos realizar la siguiente definición:
FUNCIÓN CONVEXA.
DEFINICION: Sea f una función definida en un intervalo de R, diremos que dicha
función es convexa en el intervalo si todo segmento que une dos puntos de la gráfica
queda por encima de la gráfica. Si siempre queda estrictamente por encima decimos
que la función es estrictamente convexa.

34. EJERCICIO
Estudiar el carácter de las siguientes funciones en los recintos que se indican:
(a) En toda la recta real:
(b) En toda la recta real:
( C) En el intervalo (0,1 )
(d) En el intervalo (-1 ,0)
(e) En el recinto (-3 ,0)
(f) En el recinto (0,3 )
SOLUCIONES:
a. ESTRICTAMENTE CONVEXA

35. b. ESTRICTAMENTE CONVEXA
c. ESTRICTAMENTE CONVEXA
d. ESTRICTAMENTE CONCAVA
e. estrictamente CONCAVA

36. f. ESTRICTAMENTE CONVEXA

37. CAPITULO 3
CONCEPTUALIZACION DE LA PROGRAMACION LINEAL
3.1 INTRODUCCION
3.2 CONCEPTO
3.3 FORMULACION DEL PROBLEMA DE PROGRAMACION LINEAL
3.3.1 INTRODUCCION
3.3.2 ESTRUCTURA DE UN MODELO DE P.L.
3.4. MODELO GENERAL DE PROGRAMACION LINEAL
3.5 FORMA ESTÁNDAR DE LOS MODELOS DE P.L.
3.6 OTRAS FORMAS DE MODELOS DE P.L.
3.7 FORMULACION ALGEBRAICA: FORMA CANONICA
3.8 RESUMEN
3.1 INTRODUCCION
Muchas personas clasifican el desarrollo de la Programación Lineal (PL) entre los
avances científicos más importantes de mediados del siglo XX. En la actualidad es
una herramienta común que ha ahorrado miles o millones de dólares a muchas
compañías y negocios, incluyendo industrias medianas en distintos países del
mundo. ¿Cuál es la naturaleza de esta notable herramienta y qué tipo de problemas
puede manejar? Expresado brevemente, el tipo más común de aplicación abarca el
problema general de asignar recursos limitados entre actividades competitivas de la
mejor manera posible (es decir, en forma óptima). Este problema de asignación
puede surgir cuando deba elegirse el nivel de ciertas actividades que compiten por
recursos escasos para realizarlas. La variedad de situaciones a las que se puede
aplicar esta descripción es sin duda muy grande, y va desde la asignación de
instalaciones productivas a los productos, hasta la asignación de los recursos
nacionales a las necesidades de un país; desde la planeación agrícola, hasta el
diseño de una terapia de radiación; etc. No obstante, el ingrediente común de todas
estas situaciones es la necesidad de asignar recursos a las actividades.

38. 3.2 CONCEPTO:
El adjetivo lineal significa que todas las funciones matemáticas del modelo deber ser
funciones lineales. En este caso, las palabra programación no se refiere a
programación en computadoras; en esencia es un sinónimo de planeación. Así, la
programación lineal trata la planeación de las actividades para obtener un resultado
óptimo.
La programación lineal es una técnica de investigación de operaciones para la
determinación de la asignación optima de recursos escasos cuando la función
objetivo y las restricciones son lineales. Es una manera eficiente de resolver estos
problemas cuando se debe hacer una elección de alternativas muy numerosas que
no pueden evaluarse intuitivamente por los métodos convencionales.
3.3 FORMULACION DEL PROBLEMA DE PROGRAMACION LINEAL
3.3.1 INTRODUCCION
Los términos clave son recursos y actividades, en donde m denota el número de
distintos tipos de recursos que se pueden usar y n denota el número de actividades
bajo consideración.
Z = valor de la medida global de efectividad.
Xj = nivel de la actividad j (para j = 1,2,...,n).
Cj = incremento en Z que resulta al aumentar una unidad en el nivel de la
actividad j.
bi = cantidad de recurso i disponible para asignar a las actividades (para
i = 1,2,...,m).
aij = cantidad del recurso i consumido por cada unidad de la actividad j.
3.3.2 ESTRUCTURA DE UN MODELO DE PROGRAMACION LINEAL
1. Función objetivo. Consiste en optimizar el objetivo que persigue una
situación la cual es una función lineal de las diferentes actividades del
problema, la función objetivo se maximizar o minimiza.

39. 2. Variables de decisión. Son las incógnitas del problema. La definición de las
variables es el punto clave y básicamente consiste en los niveles de todas las
actividades que pueden llevarse a cabo en el problema a formular.
3. Restricciones Estructurales. Diferentes requisitos que debe cumplir
cualquier solución para que pueda llevarse a cabo, dichas restricciones
pueden ser de capacidad, mercado, materia prima, calidad, balance de
materiales, etc.
4. Condición técnica. Todas las variables deben tomar valores positivos, o en
algunos casos puede ser que algunas variables tomen valores negativos.
3.4 MODELO GENERAL DE PROGRAMACION LINEAL
Formulación de modelos de Programación Lineal.
Aunque se ponga en duda, la parte más difícil de PL es reconocer cuándo
ésta puede aplicarse y formular el problema matemáticamente. Una vez hecha esa
parte, resolver el problema casi siempre es fácil.
Para formular un problema en forma matemática, deben expresarse
afirmaciones lógicas en términos matemáticos. Esto se realiza cuando se resuelven
“problemas hablados” al estudiar un curso de álgebra. Algo muy parecido sucede
aquí al formular las restricciones. Por ejemplo, considérese la siguiente afirmación: A
usa 3 horas por unidad y B usa 2 horas por unidad. Si deben usarse todas las 100
horas disponibles, la restricción será:
3A + 2B = 100

40. Sin embargo, en la mayoría de las situaciones de negocios, no es obligatorio
que se usen todos los recursos (en este caso, horas de mano de obra). Más bien la
limitación es que se use, cuando mucho, lo que se tiene disponible. Para este caso,
la afirmación anterior puede escribirse como una desigualdad:
3A + 2B ≤ 100
Para que sea aceptable para PL, cada restricción debe ser una suma de
variables con exponente 1. Los cuadrados, las raíces cuadradas, etc. no son
aceptables, ni tampoco los productos de variables. Además, la forma estándar para
una restricción pone a todas las variables del lado izquierdo y sólo una constante
positiva o cero del lado derecho. Esto puede requerir algún reacomodo de los
términos. Si, por ejemplo, la restricción es que A debe ser por los menos el doble de
B, esto puede escribirse como:
A ≤ 2B ó A - 2B ≤ 0
Nótese que pueden moverse términos de un lado a otro de las desigualdades como
si fuera un signo de igualdad. Pero al multiplicar una desigualdad por -1, el sentido
de esta desigualdad se invierte. Puede ser necesario hacer esto para que los
coeficientes del lado derecho sean positivos. Por ejemplo, si se quiere que A sea por
lo menos tan grande como B - 2, entonces:
A≤B–2
A – B ≤ -2
Por último B – A ≥ 2
Una nota final sobre desigualdades: es sencillo convertir una desigualdad en una
ecuación. Todo lo que se tiene que hacer es agregar (o restar) una variable extra.
Por ejemplo:
B-A≥2 es lo mismo que B-A+S=2

41. En donde S representa la diferencia, o la holgura, entre B - A y 2. S se llama variable
de holgura. Por otro lado, se restaría una variable de superávit en el caso siguiente:
A - 2B ≤ 0 es lo mismo que A - 2B -S = 0
Algunos métodos de solución (como el Método Simplex) y la mayoría de los
programas de computadora (como el MathProg, que viene en el ORCourseware, que
acompaña al libro “Introducción a la Investigación de Operaciones” de los autores
Hillier y Lieberman) requieren que todas las desigualdades se conviertan en
igualdades.
La metodología de PL requiere que todas las variables sean positivas o cero,
es decir, no negativas. Para la mayoría de los problemas esto es real, no se querría
una solución que diga: prodúzcanse menos dos cajas o contrátense menos cuatro
personas.
Mientras que no existe un límite en el número de restricciones que puede
tener un problema de PL, sólo puede haber un objetivo. La forma matemática del
objetivo se llama función objetivo. Debe llevar consigo el maximizar o minimizar
alguna medida numérica. Podría ser maximizar el rendimiento, la ganancia, la
contribución marginal o los contactos con los clientes. Podría ser minimizar el costo,
el número de empleados o el material de desperdicio. Con frecuencia el objetivo es
evidente al observar el problema.
Como el valor de la función objetivo no se conoce hasta que se resuelve el
problema, se usa la letra Z para representarlo. La función objetivo tendrá, entonces,
la forma:
Maximizar Z = 4A + 6B ó
Minimizar Z = 2x1 + 5x2
Se analiza una aplicación para ilustrar el formato de los problemas de
Programación Lineal.

42. 3.5 FORMA ESTÁNDAR DE LOS MODELOS DE PROGRAMACIÓN LINEAL.
Supóngase que existe cualquier número (digamos m) de recursos limitados de
cualquier tipo, que se pueden asignar entre cualquier número (digamos n) de
actividades competitivas de cualquier clase. Etiquétense los recursos con números
(1, 2, ..., m) al igual que las actividades (1, 2, ..., n). Sea xj (una variable de decisión)
el nivel de la actividad j, para j = 1, 2, ..., n, y sea Z la medida de efectividad global
seleccionada. Sea cj el incremento que resulta en Z por cada incremento unitario en
xj (para j = 1, 2, ..., n). Ahora sea bi la cantidad disponible del recurso i (para i = 1, 2,
..., m). Por último defínase aij como la cantidad de recurso i que consume cada
unidad de la actividad j (para i = 1, 2, ..., m y j = 1, 2, ..., n). Se puede formular el
modelo matemático para el problema general de asignar recursos a actividades. En
particular, este modelo consiste en elegir valores de x1, x2, ..., xn para:
Maximizar Z = c1x1 + c2x2 + ... + cnxn,
sujeto a las restricciones:
a11x1 + a12x2 + ... + a1nxn ≤ b1
a21x1 + a22x2 + ... + a2nxn ≤ b2
am1x1 + am2x2 + ... + amnxn ≤ bm y
x1 ≥ 0, x2 ≥0, ..., xn ≥ 0
Ésta se llamará nuestra forma estándar (porque algunos libros de texto adoptan
otras formas) para el problema de PL. Cualquier situación cuya formulación
matemática se ajuste a este modelo es un problema de PL.
En este momento se puede resumir la terminología que usaremos para los
modelos de PL. La función que se desea maximizar, c1x1 + c2x2 + ... + cnxn, se llama

43. función objetivo. Por lo general, se hace referencia a las limitaciones como
restricciones. Las primeras m restricciones (aquellas con una función del tipo ai1x1 +
ai2x2 + ... + ainxn, que representa el consumo total del recurso i) reciben el nombre de
restricciones funcionales. De manera parecida, las restricciones xj ≥ 0 se llaman
restricciones de no negatividad. Las variables xj son las variables de decisión. Las
constantes de entrada, aij, bi, cj, reciben el nombre de parámetros del modelo.
3.6 OTRAS FORMAS DE MODELOS DE PROGRAMACIÓN LINEAL.
Es conveniente agregar que el modelo anterior no se ajusta a la forma natural
de algunos problemas de programación lineal. Las otras formas legítimas son las
siguientes:
1. Minimizar en lugar de maximizar la función objetivo:
Minimizar Z = c1x1 + c2x2 + ... + cnxn,
2. Algunas restricciones funcionales con desigualdad en el sentido mayor o igual:
ai1x1 + ai2x2 + ... + ainxn, ³ bi, para algunos valores de i,
3. Algunas restricciones funcionales en forma de ecuación:
ai1x1 + ai2x2 + ... + ainxn, = bi, para algunos valores de i,
4. Las variables de decisión sin la restricción de no negatividad:
xj no restringida en signo para algunos valores de j.
Cualquier problema que incluya una, varias o todas estas formas del modelo anterior
también se clasifica como un problema de PL, siempre y cuando éstas sean las
únicas formas nuevas introducidas. Puede ser que la interpretación que se ha dado
de asignación de recursos limitados entre actividades que compiten no se aplique,
pero independientemente de la interpretación o el contexto, lo único que se necesita
es que la formulación matemática del problema se ajuste a las formas permitidas. Se

44. verá que estas otras cuatro formas legales se pueden reescribir en una forma
equivalente para que se ajuste al modelo que se presentó. Entonces, todo problema
de PL se puede poner en nuestra forma estándar si se desea.
3.7 FORMULACION ALGEBRAICA:
FORMA CANONICA
Todo problema de PL puede representarse como:
Max (z) =c1x1+c2x2+...+cnxn
sujeto a:
a11x1 + a12x2 +...+ a1nxn ≤ b1
a21x1 + a22x2 +...+ a2nxn ≤ b2
...
am1x1 + am2x2 +...+ amnxn ≤ bm
x1, x2, ...,xn ≥ 0
siendo:
xj: Nivel de actividad de la variable xj
cj: Contribución unitaria de xj a función objetivo
aij: Coeficiente técnico, unidades de recurso i que se consumen por unidad
de variable j
bi: Cantidad disponible de recurso i
• Otra representación:
n
Max (z) = ∑ c j x j
j=1
sujeto a :
n
∑a x
j=1
ij j ≤ bi donde i = 1, 2, ... m
xj ≥ 0 j = 1, 2, ... n
• En forma matricial:
Max (z) = C x
sujeto a:
Ax ≤ b
x ≥0

45. • A esta forma se la denomina forma canónica
IMPORTANCIA DE LA FORMA CANONICA
• La forma canónica es importante porque todos los desarrollos e
interpretaciones económicas del problema pueden referirse a la misma.
• Es posible transformar un problema de PL a un problema equivalente en
forma canónica.
• Un problema de PL puede consistir en:
• Buscar un máximo o un mínimo de la función objetivo
• Restricciones de tipo “≤“, “≥“ e “=“
• Variables positivas, negativas o no restringidas en signo
• Conversión de un problema lineal general a su forma canónica:
• Cambiar el sentido de la optimización
• Cambiar el sentido de la desigualdad
• Cambiar una desigualdad en igualdad
Variable de holgura o “slack”
Variable surplus
• Cambiar igualdades en desigualdades
• Cambiar variables sin restricción de signo a otras de signo positivo o
nulo

46. 3.8 RESUMEN
TERMINOLOGIA Y CONCEPTOS BASICOS:
• Conjunto factible
Es el conjunto de puntos que satisfacen simultáneamente todas las
restricciones (o “filas”) del problema
• Actividades, columnas o variables (xj)
Representan los usos alternativos que deben competir entre sí para la
obtención de los recursos de forma que se optimice la función objetivo
• Recursos (bi)
Son productos, tiempo, etc. Se cuantifican en el término independiente o Right
Hand Side (RHS) del problema
• El conjunto factible de un problema de PL, si existe, es representable mediante un
poliedro convexo

47. LECTURA
ORIGEN DE LA PROGRAMACIÓN LINEAL
(Tomada de http://thales.cica.es/rd/recursos/rd98/)
En los siglos XVII y XVIII, grandes
matemáticos como Newton, Leibnitz,
Bernouilli y, sobre todo, Lagrange, que
tanto habían contribuido al desarrollo del
cálculo infinitesimal, se ocuparon de
obtener máximos y mínimos condicionados de determinadas funciones.
Posteriormente el matemático francés Jean Baptiste-Joseph Fourier (1768-1830) fue
el primero en intuir, aunque de forma imprecisa, los métodos de lo que actualmente
llamamos programación lineal y la potencialidad que de ellos se deriva.
Si exceptuamos al matemático Gaspar Monge (1746-1818), quien en 1776 se
interesó por problemas de este género, debemos remontarnos al año 1939 para
encontrar nuevos estudios relacionados con los métodos de la actual programación
lineal. En este año, el matemático ruso Leonodas Vitalyevich Kantarovitch publica
una extensa monografía titulada Métodos matemáticos de organización y
planificación de la producción en la que por primera vez se hace corresponder a una
extensa gama de problemas una teoría matemática precisa y bien definida llamada,
hoy en día, programación lineal .
En 1941-1942 se formula por primera vez el problema de transporte, estudiado
independientemente por Koopmans y Kantarovitch, razón por la cual se suele
conocer con el nombre de problema de Koopmans-Kantarovitch.
Tres años más tarde, G. Stigler plantea otro problema particular conocido con el
nombre de régimen alimenticio optimal.
En estos años posteriores a la Segunda Guerra Mundial, en Estados Unidos se
asumió que la eficaz coordinación de todas las energías y recursos de la nación era
un problema de tal complejidad, que su resolución y simplificación pasaba
necesariamente por los modelos de optimización que resuelve la programación
lineal.
Paralelamente a los hechos descritos se desarrollan las técnicas de computación y
los ordenadores, instrumentos que harían posible la resolución y simplificación de los
problemas que se estaban gestando.

48. En 1947, G.B. Dantzig formula, en términos matemáticos muy precisos, el
enunciado estándar al que cabe reducir todo problema de programación lineal.
Dantzig, junto con una serie de investigadores del United States Departament of Air
Force, formarían el grupo que dio en denominarse SCOOP (Scientific Computation of
Optimum Programs).
Una de las primeras aplicaciones de los estudios del grupo SCOOP fue el puente
aéreo de Berlín. Se continuó con infinidad de aplicaciones de tipo preferentemente
militar.
Hacia 1950 se constituyen, fundamentalmente en Estados Unidos, distintos grupos
de estudio para ir desarrollando las diferentes ramificaciones de la programación
lineal. Cabe citar, entre otros, Rand Corporation, con Dantzig, Orchard-Hays, Ford,
Fulkerson y Gale, el departamento de Matemáticas de la Universidad de Princenton,
con Tucker y Kuhn, así como la Escuela Graduada de Administración Industrial,
dependiente del Carnegie Institute of Technology , con Charnes y Cooper.
Respecto al método del simplex, que estudiaremos después, señalaremos que su
estudio comenzó en el año 1951 y fue desarrollado por Dantzig en el United States
Bureau of Standards SEAC COMPUTER, ayudándose de varios modelos de
ordenador de la firma IBM.
Los fundamentos matemáticos de la programación lineal se deben al matemático
norteamericano de origen húngaro Janos von Neuman (1903-1957), quie en 1928
publicó su famoso trabajo Teoría de Juegos. En 1947 conjetura la equivalencia de
los problemas de programación lineal y la teoría de matrices desarrollada en sus
trabajos. La influencia de este respetado matemático, discípulo de David Hilbert en
Gotinga y, desde 1930, catedrático de la Universidad de Princenton de Estados
Unidos, hace que otros investigadores se interesaran paulatinamente por el
desarrollo riguroso de esta disciplina.
En 1858 se aplicaron los métodos de la programación lineal a un problema concreto:
el cálculo del plan óptimo de transporte de arena de construcción a las obras de
edificación de la ciudad de Moscú. En este problema había 10 puntos de partida y
230 de llegada. El plan óptimo de transporte, calculado con el ordenador Strena en
10 días del mes de junio, rebajó un 11% los gastos respecto a los costes previstos.
Se ha estimado, de una manera general, que si un país subdesarrollado utilizase los
métodos de la programación lineal, su producto interior bruto (PIB) aumentaría entre
un 10 y un 15% en tan sólo un año.

49. La programación lineal hace historia: El puente aéreo de Berlín
En 1946 comienza el largo período de la guerra fría entre la antigua Unión Soviética
(URSS) y las potencias aliadas (principalmente, Inglaterra y Estados Unidos). Uno de
los episodios más llamativos de esa guerra fría se produjo a mediados de 1948,
cuando la URSS bloqueó las comunicaciones terrestres desde las zonas alemanas
en poder de los aliados con la ciudad de Berlín, iniciando el bloqueo de Berlín. A los
aliados se les plantearon dos posibilidades: o romper el bloqueo terrestre por la
fuerza, o llegar a Berlín por el aire. Se adoptó la decisión de programar una
demostración técnica del poder aéreo norteamericano; a tal efecto, se organizó un
gigantesco puente aéreo para abastecer la ciudad: en diciembre de 1948 se estaban
transportando 4500 toneladas diarias; en marzo de 1949, se llegó a las 8000
toneladas, tanto como se transportaba por carretera y ferrocarril antes del corte de
las comunicaciones. En la planificación de los suministros se utilizó la programación
lineal. (El 12 de mayo de 1949, los soviéticos levantaron el bloqueo)
ACTIVIDAD: Realiza una presentación en ppt resumida de la historia de la PL,
teniendo en cuenta la lectura y amplia tus conocimientos en otras fuentes, luego
susténtala frente al gran grupo en tutoría de acuerdo a las indicaciones de tu tutor.

50. UNIDAD 2
METODOS DE SOLUCION
CAPITULO 1
1.1 INTRODUCCION METODO GRAFICO
1.2 DEFINICION
1.3 CONCEPTO GENERAL DEL METODO GRAFICO
1.4 PASOS PARA LA SOLUCION MEDIANTE EL METODO GRAFICO
1.1 INTRODUCCION
Antes de entrarnos por completo en los métodos analíticos de la investigación de
operaciones es muy conveniente ver un poco acerca de las desigualdades de una
ecuación lineal.
Por ejemplo tenemos la ecuación
2X + 3Y = 60 en donde X, Y ≥ 0
Es decir que para que se cumpla la igualdad de la ecuación nos tocaría adquirir 15
unidades de X y 10 unidades de Y respectiva mente:
2(15) + 3(10) = 60

51. Y la solución se daría por la misma línea recta.
Pero por otra parte si en la ecuación no se quiere llegar a la totalidad del resultado se
dará la ecuación en una forma diferente llamada inecuación:
2X + 3Y ≤ 60 en donde X, Y ≥ 0
Dándose como solución factible un área sombreada que depende del signo de la
desigualdad. Si el signo es el ≤ la solución será el área inferior esa se sombreará o si
por el contrario el sigo es ≥ el área a sombrear será la de todos los puntos por
encima de la línea obtenida.
En la anterior grafica la solución más factible es la de los puntos más cerca del eje X
(bajo la recta de la solución lineal ya que la ecuación es precedida por el signo ≤.

52. 1.2 DEFINICION:
Por definición de algunos libros una desigualdad entre dos variables es una
desigualdad que puede escribirse de la forma:
ax + by +c < 0 (o bien ≤ 0, ≥ 0, >0)
En donde a, b, c son constantes mientras que a “y” b son diferentes de cero
En términos geométricos, la solución de una desigualdad lineal en x y y consiste en
todos los puntos del plano cuyas coordenadas satisfacen la desigualdad.
Observemos a continuación las desigualdades y las regiones descritas por ellas:
EJEMPLO 1:
Determinar la región descrita por la desigualdad y ≤ 5
Cuando veamos un problema como este no nos asustemos porque el hecho de que
no aparezca la x en ningún lugar de la ecuación solo quiere decir que x es cierto en
cualquier punto de x.
SOLUCION
La región sombreada es la solución factible para la desigualdad planteada.

53. EJEMPLO 2:
Describir la región definida por la desigualdad: x ≥ -2
EJEMPLO 3:
Dando valores a x y y determinamos las rectas con las áreas correspondientes a las
desigualdades planteadas.
2x + y > 3
x≥y
y–1>0
Este sistema es equivalente
y > -2x + 3 x =0; y =3
Y=0; x= 3/2
y≤x x= 0; y= 0
x=1 ; y= 1
y > 1/2
Obsérvese que se ha escrito cada desigualdad de manera que “y “queda despejada.
Consecuencia las regiones apropiadas con respecto a las rectas correspondientes
restaran evidentes. En primer lugar se trazan las rectas

54. y = -2x + 3,
y=x Y
y=y
Después se sombra la región que se encuentra simultáneamente por encima de la
recta, sobre o por debajo de la segunda de ellas y por encima de la tercera esta
región es la solución.
Entonces la solución para el anterior ejercicio seria la región sombreada.
1.3 CONCEPTO GENERAL DEL METODO GRAFICO
Ahora se considerara la forma en que se pueden resolver problemas de tipo lineal,
en donde la función dada se tendrá que maximizar o minimizar. Una función lineal en
x y y tiene la forma:
Donde a y b son constantes. También se requerirá que las restricciones
correspondientes estén representadas mediante un sistema de desigualdades
lineales o ecuaciones en x y en y y que todas las variables sean no negativas.
A un problema en el que intervienen todas estas condiciones se le denomina
problema de programación lineal.
La programación lineal fue desarrollada por George B. danzing a fines de la década
de 1940 y se utilizo primero en la fuerza aérea de losa estados unidos como auxiliar

55. en la toma de decisiones. En la actualidad tiene amplia aplicación en el análisis
industrial y económico.
En un problema de programación lineal a la función que se desea maximizar o
minimizar se le denomina función objetivo. Aunque por lo general existe una cantidad
infinitamente grande de soluciones para el sistema de restricciones (a las que se
denomina soluciones factibles o puntos factibles), el objetivo consiste en encontrar
una de esas soluciones que represente una solución óptima (es decir una solución
que del valor máximo o mínimo de la fusión objetivo)
En conclusión con lo que acabamos de revisar en la parte anterior sobre las
inecuaciones nos da para definir literalmente el método grafico y el método
algebraico dentro del ámbito de la programación lineal.
Entonces el método grafico en la programación lineal es simplemente sacar de una
situación (problema) ecuaciones lineales y convertirlas en desigualdades o
inecuaciones para poder graficarlas y así sacar la región mas optima dependiendo
del signo de la desigualdad esa área se sombreara y esa será la solución mas
optima del problema.
1.4 PASOS PARA LA SOLUCION MEDIANTE EL METODO GRAFICO
Para llegar a una solución óptima en el método grafico se requiere seguir con una
serie de pasos que podemos dar a continuación:
1. formulación del problema
El primer paso para la resolución por método grafico es expresar el problema en
términos matemáticos en el formato general de la programación lineal
(desigualdades) con un solo fin maximizar la contribución a la ganancia.
2. graficar las restricciones
El próximo paso de la solución por método grafico es la graficación de las
restricciones en el plano cartesiano para establecer todas las posibles soluciones.
3. obtención de la solución optima
Para encontrar la solución óptima, se grafica la función objetivo en la misma
gráfica de las restricciones. Se graficara siempre la función objetivo del problema
y se dará la solución de acuerdo con el símbolo que este presente en las
restricción de la función objetivo.
EJEMPLO:
Maximizar la función objetivo:
Z= 3x + y

56. Sujeto a las restricciones:
2x + y ≤ 8
2x + 3y ≤ 12
x, y ≥ 0
A continuación graficamos las desigualdades planteadas en las restricciones así:
2x + y ≤ 8 x=0; y=8
y=0; x=4
2x + 3y ≤ 12 x=0; y=4
Y=0; x=6
x, y ≥ 0
Se observa que la región factible esta conformada por los puntos A(0,0); D(0,4);
B(4,0) y el punto C que es el resultado de la intersección de las 2 inecuaciones cuyo
valor aproximadamente en el plano esta dado por las coordenadas (3,2).
Ahora bien el problema solicita la maximización de Z = 3x + y que se obtiene
precisamente en el punto C(3,2).

57. EJEMPLO:
Minimizar la función objetivo:
Z= 2x + 3y
Sujeto a las restricciones:
x +2y ≥ 10
3x + 2y ≥ 18
x, y ≥ 0
A continuación graficamos las desigualdades planteadas en las restricciones así:
x + 2y≥10 x=0; y=5
y=0; x=10
3x + 2y≥18 x=0; y=9
Y=0; x=6
x, y ≥ 0
Región Factible
(4,3)
Se observa que la región factible esta conformada por los puntos (0,9); (4,3); (10,0),
donde el punto (4,3) es el resultado de la intersección de las dos ecuaciones dadas
como restricciones.
Ahora bien el problema solicita la maximización de Z = 3x + y que se obtiene
precisamente en el punto C(3,2).

58. CAPITULO 2
METODO ALGEBRAICO
2.1 INTRODUCCION
2.2 PASOS PARA UTILIZAR EN METODO ALGEBRAICO
2.3 EJEMPLOS DESARROLLADOS
2.4 TALLER
2.1 INTRODUCCION
En ocasiones nos encontramos con problemas de índole magnitud, a los cuales se
desea maximizar o minimizar una función sujeta a ciertas restricciones.
Muchas personas califican al método algebraico, como uno de los métodos más
importantes en el campo de la programación lineal. En la actualidad es una
herramienta común, que se ha prestado para resolver problemas de gran magnitud;
por su simplicidad, sencillez y estilo de uso cientos de empresas, compañías de todo
el mundo han ahorrado miles y miles de pesos.
En este capitulo se tratara la formulación de problemas utilizando el método
algebraico para la solución de problemas de programación lineal. Se hace un
enfoque a la variedad de aplicaciones del método para que el estudiante interesado
pueda tener una visión y ejercitar sus conocimientos.
El método algebraico contempla en su desarrollo al método grafico y de la misma
manera el método grafico no estaría completo sin la rigurosidad del método
algebraico pues la apreciación visual que da el grafico en la solución óptima puede
estar sujeta a error por parte del analista.

59. 2.2 PASOS PARA UTILIZAR EN METODO ALGEBRAICO
Dado que tenemos un problema de dos variables, podemos graficar las soluciones
posibles y comprender algunos puntos interesantes respecto a las relaciones
lineales. Veremos la siguiente manera de obtener gráficamente las soluciones al
problema planteado y luego veremos como obtenerlas algebraicamente.
1. Exprésense los datos del problema como una función objetivo y
restricciones.
2. Graficar las restricciones.
3. Definir el conjunto factible.
4. Encontrar la solución óptima
A continuación se presentan el análisis algebraico y grafico de algunos problemas de
programación lineal:
2.3 EJEMPLOS DESARROLLADOS
PROBLEMA 1:
Supóngase una compañía fabrica 2 tipos de artefactos, manuales y eléctricos. Cada
uno de ellos requiere en su fabricación el uso de 3 maquinas: A, B y C. un artefacto
manual requiere del empleo de la maquina A durante 2 horas, de una 1 en B y una 1
en C, un artefacto eléctrico requiere de 1 hora en A, 2 horas en B y 1 hora en C.
supóngase además que el numero máximo de horas disponible por mes para el uso
de las tres maquinas es 180, 160 y 100, respectivamente. La utilidad que se obtiene
con los artefactos manuales es de 4000 pesos y de 6000 pesos para los eléctricos.
Si la compañía vende todos los artefactos que fábrica, ¿Cuántos de ellos de cada
tipo se deben elaborar con el objeto de maximizar la utilidad mensual?
A B C UTILIDAD
MANUALES(X) 2 1 1 4000
ELECTRICOS(Y) 1 2 1 6000
HORAS 180 160 100
DISPONIBLES
SOLUCIÓN:
1. Paso: Planteamos la función objetivo y las restricciones correspondientes:

60. MAX Z= 4000X + 6000Y
SUJETO A:
2X + Y ≤ 180
X + 2Y ≤ 160
X + Y ≤ 100
2. Paso: Elaboramos el gráfico correspondiente a las restricciones con el fin de
precisar la región factible y determinar los puntos que la conforman:
2X + Y ≤ 180 X=0 Y= 180
Y=0 X= 90
X + 2Y ≤ 160 X=0 Y=80
Y=0 X=160
X + Y ≤ 100 X=0 Y=100
Y=0 X=100
3. Paso: Resolvemos el sistema de ecuaciones para determinar las
coordenadas del punto B y C así:
Para B: X + 2Y ≤ 160 Para C: 2X + Y ≤ 180

61. X + Y ≤ 100 X + Y ≤ 100
Y= 60 X = 80
X= 40 Y = 20
4. Paso:
Con los puntos de la región factible:
O(0,0) ; B(40,60) ; C(80,20) ; A(0,80); D(90,0) Maximizamos la función
objetivo :
MAX Z = 4000x + 6000 y
(0,0) 4000(0) + 6000(0) = 0
(0,80) 4000(0) + 6000(80) = 480000
(40,60) 4000(40) + 6000(60)= 520000
(90,0) 4000(90) + 6000(0) = 360000
5. Paso: La solución para el problema está representada por la fabricación de
40 artefactos manuales y 60 artefactos eléctricos generando una máxima
utilidad de $ 520.000.
EJEMPLO 2:
Un granjero va a comprar fertilizante que contiene tres ingredientes nutritivos, A, B Y
C. Las necesidades mínimas son 160 unidades de A, 200 de B y 80 de C. Existen en
el mercado dos marcas populares de fertilizante. El llamado crecimiento rápido que
cuesta $ 4000 el costal y contienen 3 unidades de A, 5 de B y 1 de C, y el de
crecimiento normal que cuesta $3000 y contiene 2 unidades de cada ingrediente. Si
el granjero desea minimizar el costo al tiempo que mantiene el mínimo de los
ingredientes nutritivos que se requieren, ¿cuantos costales de cada marca debe
comprar?.
A B C COSTO
CRECI/RAPIDO 3 5 1 4000
CRECI/NORMAL 2 2 2 3000
REQUERIMIENTO 160 200 80

62. SOLUCIÓN:
1. Paso: Determinamos la función objetivo y sus restricciones:
MIN Z= 4000X + 3000Y
SUJETO A LAS RESTRICCIONES:
3X + 2Y ≥ 160
5X + 2Y ≥ 200
X + 2y ≥ 80
2. Paso: Elaboramos la gráfica y determinamos la región factible:
3X + 2Y ≥ 160 X=0 Y= 80
Y=0 X= 53,33
5X + 2Y ≥ 200 X=0 Y= 100
Y=0 X= 40
X + 2y ≥ 80 X=0 Y=40
Y=0 X=80
3. PASO: Determinar las coordenadas de los puntos A y B:
Para A: 3X + 2Y ≥ 160 Para B: 3X + 2Y ≥ 160

63. 5X + 2Y ≥ 200 X + 2y ≥ 80
-2X = -40 2X = 80
X = 20 X= 40
Y = 50 Y = 20
4. Paso: Optimizamos la función objetivo:
Z= 4000X + 3000Y
(80,0) 4000(80) + 3000(0) = 320000
(40,20) 4000(40) + 3000(20) = 220000
(20,50) 4000(20) + 3000(50) = 230000
(0.100) 4000(0) + 3000(100) = 300000
5. Paso: La solución del problema para el granjero está en comprar 40
unidades de crecimiento rápido y 20 de crecimiento normal, con un costo
mínimo de $ 220.000.

64. 2.4 TALLER
1. MAXIMIZAR
P= 10x + 12y
Sujeta a:
x + y ≤ 60
x - 2y ≥ 0
x, y ≥ 0
2. MAXIMIZAR
P= 5x + 6y
Sujeta a
x + y ≤ 80
3x + 2y ≤ 220
2x + 3y ≤ 210
x, y ≥ 0
3. MAXIMIZAR
Z= 4x - 10y
Sujeta a
x – 4y ≥ 4
2x – y ≤ 2
x, y ≥ 0
4. MINIMIZAR
Z= 7x + 3y
Sujeta a
3x – y ≥ -2
x+y≤ 9
x – y = -1

65. x, y ≥ 0
5. Un fabricante de juguetes que esta preparando un programa de producción para
2 nuevos artículos, “maravilla” y “fantástico”, debe utilizar la i información respecto
a sus tiempos de construcción que se proporcionan en la siguiente tabla. Por
ejemplo, cada juguete “maravilla” requiere de 2 horas en la maquina A. las horas
de trabajo disponibles de los empleados por semana, son: para la maquina A, 70
horas; para la B, 40 horas; para terminado, 90 horas. Si las utilidades de cada
juguete “maravilla” y cada juguete “fantástico” son de $40.000 y $60.000,
respectivamente, ¿Cuántas unidades de cada uno deben fabricarse por semana
con el objeto de maximizar las utilidades? ¿cual seria la utilidad máxima?
MAQUINA A MAQUINA B TERMINADO
“MARAVILLA” 2h 1h 1h
“FANTASTICO” 1h 1h 3h

66. CAPITULO 3
METODO SIMPLEX
3.1 INTRODUCION
3.2 CONCEPTO
3.3 PASOS PARA EL DESARROLLO DEL METODO SIMPLEX
3.4 EJEMPLOS DESARROLLADOS
3.5 TALLER
3.1 INTRODUCION
En los capítulos 1 y 2 de esta unidad vimos como resolver problemas de
programación lineal a través del método grafico y el método algebraico, surgen
grandes limitaciones a la hora de trabajar con estos dos métodos, es decir que no es
posible darle óptima solución a un problema. Esto se debe a que el método grafico
no resulta práctico cuando el número de variables se aumenta a tres, y con más
variables resulta imposible de utilizar. Por otra parte el método algebraico tarda
demasiado tiempo aun para problemas de pocas variables y restricciones.
El mejor método para resolver un problema de programación lineal es el método
simplex, ya que es un método de fácil aplicación, de tipo algorítmico y conduce a una
eficiente solución del problema.
3.2 CONCEPTO
El método simplex fue desarrollado por George dantzig (1947) y es un método
algebraico que se utiliza para resolver problemas de programación lineal en un
número finito de pasos en una computadora. Este método establece una solución
factible y luego prueba si es óptima o no. Si no lo es busca una mejor solución y si
esta no es optima entonces repite el proceso hasta hallar una solución óptima.
3.3 PASOS PARA EL DESARROLLO DEL METODO SIMPLEX
1. Elaborar la tabla simplex inicial.
X1 X2 X3 S1 S2 S3 S4 Z b
S1 a11 a12 a13 1 0 0 0 0 b1
S2 a21 a22 a23 0 1 0 0 0 b2
S3 a31 a32 a33 0 0 1 0 0 b3
S4 a41 a42 a43 0 0 0 1 0 b4
Z -C1 -C2 -C3 0 0 0 0 1 0
Indicadores

67. Existen cuatro variables de holgura, S1, S2, S3, y S4; una para cada restricción.
2. Si todos lo indicadores del último renglón son no negativos, entonces Z tiene un
máximo cuando X1=0, X2=0 y X3=0. El valor máximo es 0. Si existen indicadores
negativos, localizar la columna en la que aparezca el indicador más negativo.
Esta columna señala la variable entrante.
3. Dividir cada uno de los elementos de la columna de b que se encuentran por
encima de la recta punteada entre el correspondiente elemento de la columna de
la variable entrante. Se debe realizar esta división solo en los casos en los que el
elemento de la variable que entra sea positivo.
4. encerrar en un círculo el elemento de la columna de la variable entrante que
corresponde al menor cociente del paso 3. Este es un elemento pivote. La
variable saliente es la que se encuentra al lado izquierdo del renglón del elemento
pivote.
5. Utilizar operaciones elementales sobre renglones para transformar la tabla en
otra tabla equivalente que tenga un 1 en donde se encuentra el elemento pivote y
0 en las demás posiciones de esa columna.
6. la variable entrante debe reemplazar a la variable saliente en el lado izquierdo de
esta nueva tabla.
7. si todos los indicadores de la tabla nueva son no negativos, ya se tiene una
solución óptima. El valor máximo de Z es el elemento del último renglón y la
última columna. Ocurre esto cuando las variables se encuentran del lado
izquierdo de la tabla son iguales a lo elementos correspondiente de la última
columna. Todas las demás variables son ceros. Si cuando menos uno de los
indicadores es negativo, se debe repetir el mismo proceso con la nueva tabla,
comenzando con el paso 2.
3.4 EJEMPLOS DESARROLLADOS
EJEMPLO 1
Maximizar Z= 5X1+4X2
Sujeto a: X1+X2 ≤ 20
2X1+X2 ≤ 35
-3X1+X2 ≤ 12
X1≥0, X2≥0
Este problema de programación lineal se ajusta a la forma normal. La tabla simplex
inicial es:

68. x1 x2 S1 S2 S3 Z b Cocientes
S1 1 1 1 0 0 0 20 20÷1=20
Variable S2 2 1 0 1 0 0 35 35÷2=17.5
Saliente S3 -3 1 0 0 1 0 12
Z -5 -4 0 0 0 1 0
Indicadores
Variable
Entrante
El indicador mas negativo, -5, aparece en la columna x1. Por ello, x1 es la variable
entrante. El menor cociente es 17.5, de modo que, S2 es la variable saliente. El
elemento pivote es 2. Utilizando operaciones elementales sobre los renglones para
obtener un 1 en la posición del pivote y 0 en las demás posiciones de esa columna,
se tienen:
x1 x2 S1 S2 S3 Z b
1 1 1 0 0 0 20
2 1 0 1 0 0 35
-3 1 0 0 1 0 12
-5 -4 0 0 0 1 0
1 1 1 0 0 0 20
1 1/2 0 1/2 0 0 35/2 (Multiplicando el renglón 2 por 1/2)
-3 1 0 0 1 0 12
-5 -4 0 0 0 1 0
0 1/2 1 -1/2 0 0 5/2 (Sumando al renglón uno el renglón 2
1 1/2 0 1/2 0 0 35/2 multiplicado por -1; sumando al renglón
0 5/2 0 3/2 1 0 129/2 tres el renglón 2 multiplicado por 3;
Sumando al renglón cuatro el renglón dos
0 -3/2 0 5/2 0 1 175/2 multiplicado por 5)
La nueva tabla es:
x1 x2 S1 S2 S3 Z b Cocientes
Variable S1 0 1/2 1 -1/2 0 0 5/2 5/2 ÷1/2=5
Saliente x1 1 1/2 0 1/2 0 0 35/2 35/2 ÷1/2=35
S3 0 5/2 0 3/2 1 0 129/2 129/2÷5/2=25(4/5)
Z 0 -3/2 0 5/2 0 1 175/2
Indicadores

69. Variable Entrante
Obsérvese que en el lado izquierdo, x1 reemplazó a S2. Ya que -3/2 es el indicador
más negativo se debe continuar con el proceso. La variable entrante es ahora x2. El
menor cociente es 5. De modo que S1 es la variable saliente y ½ es el elemento
pivote. Utilizando operaciones elementales sobre renglones, se tiene:
x1 x2 S1 S2 S3 Z b
0 ½ 1 -1/2 0 0 5/2
1 1/2 0 1/2 0 0 35/2
0 5/2 0 3/2 1 0 129/2
0 -3/2 0 5/2 0 1 175/2
0 1/2 1 -1/2 0 0 5/2 (Sumando al renglón dos el renglón uno
1 0 -1 1 0 0 15 multiplicado por -1; sumando al renglón
0 0 -5 4 1 0 52 tres el renglón uno multiplicado por -5;
Sumando al renglón cuatro el renglón
0 0 3 1 0 1 95 uno multiplicado por 3)
0 1 2 -1 0 0 5
1 0 -1 1 0 0 15
0 0 -5 4 1 0 52 (Multiplicando el renglón uno por 2)
0 0 3 1 0 1 95
La nueva tabla es:
x1 x2 S1 S2 S3 Z b
x2 0 1 2 -1 0 0 5
x1 1 0 -1 1 0 0 15
S3 0 0 -5 4 1 0 52
Z 0 0 3 1 0 1 95
Indicadores
En donde x2 reemplazo a S1 en el lado izquierdo. Como todos los indicadores son
no negativos, el valor máximo de Z es 95 y aparece cuando x2=5 y x1=15 (y S3=52,
S1=0, S2=0).
EJEMPLO 2
Maximizar Z= 3x1 + 4x2 + 3/2x3

70. Sujeta a: -x1-2x2 ≥ -10
2x1+2x2+x3 ≤ 10
x1, x2, x3 ≥ 0
La restricción (10) no se ajusta a la forma normal. Sin embargo, multiplicando ambos
lados de (10) por -1 resulta.
TABLA SIMPLEX I
x1 x2 x3 S1 S2 Z b Cocientes
Variable S1 1 2 0 1 0 0 10 10÷2=5
Saliente S2 2 2 1 0 1 0 10 10÷2=5
Z -3 -4 -3/2 0 0 1 0
Indicadores
Variable
Entrante
La variable entrante es x2. Dado que existe un empate en el menor cociente, se
puede elegir cualquiera de los dos, S1 o S2, como la variable saliente. Se escoge
S1. Se encierra en un círculo el pivote. Utilizando operaciones elementales sobre
renglones, se obtiene la tabla 2.
TABLA SIMPLEX II
x1 x2 x3 S1 S2 Z b Cocientes
Variable x2 1/2 1 0 1/2 0 0 5 no hay puesto
Saliente S2 1 0 1 -1 1 0 0 que 0 No es positivo
Z -1 0 -3/2 2 0 1 20 0÷1=0
Indicadores
Variable
Entrante

71. La tabla II corresponde a una SFB (solución básica factible) en la que una variable
básica S2 es 0. Por ello, la SFB es degenerada. Ya que existen indicadores
negativos, se continúa el proceso. La variable entrante es ahora x3, la variable
saliente es S2 y el pivote se encuentra encerrado en un círculo. Utilizando
operaciones elementales sobre renglones, se obtiene la tabla III.
TABLA SIMPLEX II
x1 x2 x3 S1 S2 Z b
x2 1/2 1 0 1/2 0 0 5
x3 1 0 1 -1 1 0 0
Z 1/2 0 0 1/2 3/2 1 20
Indicadores
En virtud de que todos los indicadores son no negativos, Z es máxima cuando x2=5 y
x3=0, y x1=S1=S2=0. El máximo valor es Z=20. Obsérvese que este valor es igual al
valor de Z correspondiente a la tabla II. En problemas con degeneración es posible
llegar al mismo valor de Z en varias etapas del proceso simplex.
EJEMPLO 3:
Considere el siguiente problema de programación lineal:
Maximizar Z=2x1+5x2+8x3
Sujeto a x1+ x2+ x3 ≤ 12
8x1-4x2+4x3 ≤ 24
x2+ x3 ≤ 8
x1, x2, x3 ≥ 0
PASO 1: INICIALIZACIÓN:
Maximizar Z
Z-2x1-5x2-8x3 = 0 (0)
x1+ x2+ x3+ x4 =12 (1) (II)
8x1-4x2+4x3 +x5 =24 (2)
x2+ x3 +x6 =8 (3)
xj≥0, j=1,2,…,6
Donde las variables de holgura son x4, x5 y x6.

72. La tabla inicial para la aplicación del algoritmo Simplex es:
V.B x1 x2 x3 x4 x5 x6 b
Z -2 -5 -8 0 0 0 0
x4 1 1 1 1 0 0 12
x5 8 -4 4 0 1 0 24
x6 0 1 1 0 0 1 8
La solución básica falible de partida se obtiene fácilmente del sistema de ecuaciones
(II). Cada una de las ecuaciones tiene una sola variable básica. Por ejemplo, la
variable básica de la ecuación (2) es x5 ya que tiene coeficientes de +1 en esa
ecuación y no aparece en ninguna de las otras ecuaciones.
Esto quiere decir que, en esa ecuación, la demás variables, al ser no básicas, sus
valores son ceros y, por consiguiente, podemos deducir que el valor de x5 es igual a
24.
De manera similar, de la ecuación (0) se obtiene que Z = 0, de la (1) se obtiene que
x4 = 12 y de la (3) que x6 = 8.
Observe que en la tabla se pueden leer estos valores directamente. Bastará hacer
corresponder a cada variable básica indicada en la primera columna, (V.B.) los
valores de la última columna (b).
Observe además que la matriz correspondiente a las variables básicas de las
restricciones, es una matriz unidad.
PASO 2: PROCESO ITERATIVO
Primera Iteración
La variable básica entrante es x3, puesto que es la que tiene mayor coeficiente en la
función objetivo de (I), o bien es la de coeficientes más negativos en la tabla inicial (-
8 en este ejemplo).
La variable básica saliente se determina de la siguiente manera: la cota superior de
la variable básica entrante xent = x3, viene dada por +∞ si a'ie ≤ 0 y b'i/a'ie si aie>0.
Entonces, los valores de a'ie y bi son:
Restricción
1 a'13 = 1 b'1 = 12
2 a'23 = 1 b'2 = 24
3 a'33 = 1 b'3 = 8

73. Como todos los coeficientes de las ecuaciones i (i = 1, 2,3) son positivos, entonces la
cota superior estará dada por b'i/a'ie. O sea:
B’1/a'13 = 12/1 = 12
b'2/a'23 = 24/4 = 6
b'3/a'33 = 8/1 = 8
La menor cota superior es 6, que corresponde a la restricción numero 2. La variable
básica que corresponde a esa ecuación es x5 y es, en consecuencia, la variable
básica saliente. Es decir, en el conjunto de variables básicas se cambia a x5 por x3,
por lo que las nuevas variables básicas son x4, x3 y x6.
Ahora x3 es una variable básica, luego debe tener un coeficiente +1 en la segunda
ecuación y no debe aparecer en ninguna otra, es decir, en cualquier otra ecuación
distinta de la segunda restricción (que es la ecuación donde la variable básica es x3)
el coeficiente de x3 debe ser cero. Esto se logra de la siguiente manera:
1. Divida toda la ecuación por 4, que es el coeficiente de x3 en la segunda
restricción.
La ecuación queda
2x1 - x2 + 1x3 + 1/4x5 = 6 (A)
2. Para lograr ceros en los coeficientes de x3 en las nuevas ecuaciones (0), (1) y
(3) multiplique la ecuación (A) anterior por 8, -1 y -1 uno a la vez, y sume el
resultado a las ecuaciones anteriores (0), (1) y (3). O sea, multiplicar la
ecuación (A) por 8 se obtiene:
16x1 - 8x2 + 8x3 + 2x5 = 48
Esta ecuación sumada con la ecuación (0) se partida queda:
Z + 14x1 – 13x2 + 2x5 = 48
Que vendría a ser la ecuación (0).
De manera similar, para lograr un cero en el coeficiente de x3 de la ecuación (1),
multipliquemos la ecuación (A) por -1 y sumemos el resultado a la ecuación (1).
(1) Ecuación A: -2x1 + x2 – x3 -1/4X5 = - 6
Ecuación (1): x1 + x2 + x3 + x4 = 12
Nueva Ecuación: - x1 + 2x2 + x4 – 1/4x5 = 6
Finalmente, para lograr un cero en el coeficiente de x3 de la ecuación (3),
multipliquemos (A) por -1 y sumemos el resultado a (3). La nueva ecuación (3)
después de la transformación es:

74. -2x1 + 2x2 - 1/4x5 + x6 = 2
La solución presente después de la primera iteración es:
(x1, x2, x3, x4, x5, x6) = (0, 0, 6, 6, 0, 2); Z = 48
Estos resultados se presentan de una manera sencilla en forma tabular. Al igual que
se hizo con la tabla inicial, registramos solamente los coeficientes de las variables y
los colocamos inmediatamente debajo de la tabla inicial. Esta segunda tabla
proporciona una manera fácil de ver los valores actuales de las variables básicas
después de que se ha realizado la primera iteración.
La tabla inicial y la que resulta después de la primera iteración son las siguientes:
V.B x1 x2 x3 x4 x5 x6 b
Z -2 -5 -8 0 0 0 0
x4 1 1 1 1 0 0 12
x5 8 -4 4 0 1 0 24
x6 0 1 1 0 0 1 8
Tabla Inicial
V.B x1 x2 x3 x4 x5 x6 b Tabl
Z 14 -13 0 0 2 0 48 a
x4 -1 2 0 1 -1/4 0 6 Des
x5 2 -1 1 0 1/4 0 6 pué
x6 -2 2 0 0 -1/4 1 2 s
De
La Primera Iteración
Observe que si en la segunda tabla se intercambian las columnas de x5 y x3, de
nuevo se destaca la matriz unitaria.
En este momento, es oportuno preguntarse si la solución que se ha obtenido
después de la primera iteración es la solución óptima. Para responder la pregunta,
veamos si es posible incrementar una de las variables de tal manera que la función
objetivo aumente. La función objetivo después de la primera iteración es:
Z + 14x1 – 13x2 + 2x5 = 48, o bien
Z = -14x1 + 13x2 – 2x5 + 48
Si aumentamos x2 aumentará el valor de Z, puesto que su coeficiente es positivo
(+13). Por consiguiente, todavía no hemos obtenido el valor óptimo y necesitamos
realizar otra iteración. A esta misma conclusión hubiésemos llegado si observamos

75. que en la tabla después de la primera iteración, todavía existe un coeficiente (el de
x2) que es negativo.
Segunda iteración
Después de la primera iteración, el sistema de ecuaciones queda:
Z = -14x1 + 13x2 -2x5 + 48
-x1 + 2x2 + x4 - 1/4x5 = 6
2x1 - x2 + x3 + 1/4x5 = 6
-2x1 +2x2 - 1/4x5 + x6 = 2
La variable básica entrante es x2, puesto que es la que tiene mayor coeficiente en la
función objetivo, o bien es la del coeficiente más negativo en la tabla después de la
primera iteración.
Para determinar la variable básica saliente, procedemos de manera similar a lo que
hizo en la primera iteración.
En este caso xent = x2
Restricción
1 a'12 = 2 , b'1 = 6
2 a'22 = -1 , b'2 = 6
3 a'32 = 2 , b'3 = 2
Las cotas superiores son:
6/2 = 2
+∞ ya que a'22 = -1 < 0
2/2 = 1
La menor cota superior es 1 y corresponde a la tercera restricción. Entonces la
variable básica saliente es x6, es decir, cambiamos x6 por x2. Las nuevas variables
son x4,x3 y x2.
Como x2 es ahora una variable básica, debe tener un coeficiente +1 en la ecuación
(3) y no debe aparecer en ninguna otra ecuación. Esto se logra de la siguiente
manera:
1. Se divide toda la ecuación (3) por 2, que es el coeficiente de x2 en esa
ecuación.
2. Se multiplica la ecuación resultante en el paso 1º. por 13, -2 y +1, unos a las
vez, y se suman los resultados a las ecuaciones (0), (1) y (2).

76. El resultado es:
Z + x1 +3/8x5 + 13/2x6 = 61 (0)
x1 + x4 - x6 = 4 (1)
x1 + x3 + 1/8x5 + 1/2x6 = 7 (2)
x1 + x2 - 1/8x5 + 1/2x6 = 1 (3)
Regla de parada
Como todos los coeficientes de la ecuación (0) son positivos, la solución presente es
óptima; o sea: Z = 61, x4 = 4, x3 = 7, x2 =1 y el resto de las variables son ceros.
Al igual que en la primera iteración, los resultados se pueden presentar en forma
tabular. La tabla inicial y las que resultan después de la primera y de la segunda
iteración, son las siguientes:
V.B x1 x2 x3 x4 x5 x6 b
Z -2 -5 -8 0 0 0 0
x4 1 1 1 1 0 0 12
x5 8 -4 4 0 1 0 24
x6 0 1 1 0 0 1 8
Tabla Inicial
V.B x1 x2 x3 x4 x5 x6 b
Z 14 -13 0 0 2 0 48
x4 -1 2 0 1 -1/4 0 6
x5 2 -1 1 0 1/4 0 6
x6 -2 2 0 0 -1/4 1 2
Primera Iteración
V.B x1 x2 x3 x4 x5 x6 b
Z 1 0 0 0 3/8 13/2 61
x4 1 0 0 1 0 -1 4
x5 1 0 1 0 1/8 1/2 7
x6 1 1 0 0 -1/8 1/2 1
Segunda Iteración
La solución óptima es (x1, x2, x3, x4, x5, x6) = (0, 1, 7, 4, 0, 0); Z = 61

77. Hemos visto la aplicación del método Simplex para obtener la solución óptima de un
problema de Programación Lineal y su forma tabular asociada. En realidad, el
proceso de hace bastante mas expedito utilizando directamente la tabla, sin tener
que pasar por las ecuaciones correspondientes. La determinación de las variables
básica entrantes y salientes en cada iteración, puede hacerse directamente a partir
de cada una de las tablas.
Ejemplo 4:
Observemos el siguiente ejemplo, recordando los pasos fundamentales en el método
simplex, además del uso de variables artificiales, no confundir con adicionales.
Maximizar Z = -5x1 + 8x2 + 3x3, sujeto a
2x1 + 5x2 - x3 ≤ 1
-3x1 - 8x2 + 2x3≤ 4
-2x1 - 12x2 + 3x3≤£ 9
1. Expresamos estas condiciones en forma matricial. Se eligen 3 (m) columnas
linealmente independientes dentro de A ___ P4, P5, P6.
P4 P5 P6
5 -1 1 0 0 1
2
-3 -8 2 0 1 0 4
-2 -12 3 0 0 1 9
Al introducir estas tres nuevas columnas, estamos utilizando tres variables
adicionales: x4, x5 y x6.
Nuestra función objetivo tendrá la siguiente expresión:
Z = -5x1 + 8x2 + 3x3+ 0x4 + 0x5 + 0x6
Se resuelve el sistema en las variables correspondientes: