INVESTIGACIN

DE
OPERACIONES I
UNIVERSIDAD HISPANOAMERICANA
ESCUELA DE INGENIERA INDUSTRIAL

Ing. Claudio A. Snchez M.

Mayo, 2004

Visita http://ing.sanchez.tripod.com

Contenido
CONTENIDO........................................................................................................................................................................... I
1.

INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES...........................................................................1

1.1.
1.2.
1.3.
1.4.
1.5.

HISTORIA DE LA INVESTIGACIN DE OPERACIONES....................................................................................................1

CARACTERSTICAS DE LA INVESTIGACIN DE OPERACIONES......................................................................................1
DEFINICIN.................................................................................................................................................................2
METODOLOGA DE LA INVESTIGACIN DE OPERACIONES. ..........................................................................................2
ESTRUCTURA DE LOS MODELOS EMPLEADOS EN LA INVESTIGACIN DE OPERACIONES. .............................................3
Complemento.................................................................................................................................................................4
1.6.
FINAL........................................................................................................................................................................4
1.7.
REAS DE APLICACIN DE LA INVESTIGACIN DE OPERACIONES. ..............................................................................5
2.

PROGRAMACIN LINEAL.........................................................................................................................................7
2.1.
2.2.
2.3.
2.4.
2.5.
2.6.
2.7.
2.8.

INTRODUCCIN. ..........................................................................................................................................................7
SUPUESTOS DE LA PROGRAMACIN LINEAL. ...............................................................................................................7
FORMULACIN DE MODELOS DE PROGRAMACIN LINEAL..........................................................................................8
PLANEACIN DE LA FUERZA DE TRABAJO. ..................................................................................................................9
FORMA ESTNDAR DE LOS MODELOS DE PROGRAMACIN LINEAL. ..........................................................................10
OTRAS FORMAS DE MODELOS DE PROGRAMACIN LINEAL.......................................................................................11
SOLUCIN GRFICA DE MODELOS LINEALES CON DOS VARIABLES. ........................................................................11
MTODO SMPLEX. ...................................................................................................................................................20
Preparacin para iniciar iteraciones .............................................................................................................................20
Realizacin de iteraciones............................................................................................................................................20
2.9.
MTODO DE LA M O DE PENALIZACIN. ...............................................................................................................29
2.10.
MTODO DE LAS DOS FASES. ................................................................................................................................33
2.11.
MTODO DE LA M O DE PENALIZACIN. ...........................................................................................................36
3.

PROBLEMAS DE TRANSPORTE. ............................................................................................................................40

3.1.

FORMULACIN DEL MODELO DE TRANSPORTE.........................................................................................................40

Costo de embarque ($) por carga ................................................................................................................................41
Produccin...................................................................................................................................................................41
3.2.
MTODOS PARA ENCONTRAR SOLUCIONES FACTIBLES..............................................................................................50
3.2.1.
Mtodo de la esquina noroeste. .......................................................................................................................50

Pgina i

Ing. C. Snchez.

1. Introduccin a la Investigacin de Operaciones.

1.1.

Historia de la Investigacin de Operaciones.

La primera actividad de Investigacin de Operaciones se dio durante la Segunda Guerra Mundial en

Gran Bretaa, donde la Administracin Militar llam a un grupo de cientficos de distintas reas del saber para
que estudiaran los problemas tcticos y estratgicos asociados a la defensa del pas.
El nombre de Investigacin de Operaciones fue dado aparentemente porque el equipo estaba llevando
a cabo la actividad de investigar operaciones (militares).
Motivados por los resultados alentadores obtenidos por los equipos britnicos, los administradores
militares de Estados Unidos comenzaron a realizar investigaciones similares. Para eso reunieron a un grupo
selecto de especialistas, los cuales empezaron a tener buenos resultados y en sus estudios incluyeron
problemas logsticos complejos, la planeacin de minas en el mar y la utilizacin efectiva del equipo electrnico.
Al trmino de la guerra y atrados por los buenos resultados obtenidos por los estrategas militares, los
administradores industriales empezaron a aplicar las herramientas de la Investigacin de Operaciones a la
resolucin de sus problemas que empezaron a originarse debido al crecimiento del tamao y la complejidad de
las industrias.
Aunque se ha acreditado a Gran Bretaa la iniciacin de la Investigacin de Operaciones como una
nueva disciplina, los Estados Unidos tomaron pronto el liderazgo en este campo rpidamente creciente. La
primera tcnica matemtica ampliamente aceptada en el medio de Investigacin de Operaciones fue el Mtodo
Smplex de Programacin Lineal, desarrollado en 1947 por el matemtico norteamericano George B. Dantzig.
Desde entonces las nuevas tcnicas se han desarrollado gracias al esfuerzo y cooperacin de las personas
interesadas tanto en el rea acadmica como en el rea industrial.
Un segundo factor en el progreso impresionante de la Investigacin de Operaciones fue el desarrollo de
la computadora digital, que con sus tremendas capacidades de velocidad de cmputo y de almacenamiento y
recuperacin de informacin, permitieron al tomador de decisiones rapidez y precisin.
Si no hubiera sido por la computadora digital, la Investigacin de Operaciones con sus grandes
problemas de computacin no hubiera crecido al nivel de hoy en da.
Actualmente la Investigacin de Operaciones se est aplicando en muchas actividades. Estas
actividades han ido ms all de las aplicaciones militares e industriales, para incluir hospitales, instituciones
financieras, bibliotecas, planeacin urbana, sistemas de transporte y sistemas de comercializacin.

1.2.

Caractersticas de la Investigacin de Operaciones.

Es muy notable el rpido crecimiento del tamao y la complejidad de las organizaciones (empresas)
humanas que se ha dado en estos ltimos tiempos. Tal tamao y complejidad nos hace pensar que una sola
decisin equivocada puede repercutir grandemente en los intereses y objetivos de la organizacin y en
ocasiones pueden pasar aos para rectificar tal error. Tambin el ritmo de la empresa de hoy implica que las
DECISIONES se tomen ms rpidamente que nunca, pues el hecho de posponer la accin puede dar una
decisiva ventaja al contrario en este mundo de la competencia.
La palpable dificultad de tomar decisiones ha hecho que el hombre se aboque en la bsqueda de una
herramienta o mtodo que le permita tomar las mejores decisiones de acuerdo a los recursos disponibles y a los
objetivos que persigue. Tal herramienta recibi el nombre de Investigacin de Operaciones.
De la definicin de Investigacin de Operaciones, como veremos en el siguiente apartado, podemos
resaltar los siguientes trminos: organizacin, sistema, grupos interdisciplinarios, objetivo y metodologa
cientfica.
Una organizacin puede entenderse como un sistema, en el cual existen componentes; canales que
comunican tales componentes e informacin que fluye por dichos canales. En todo sistema las componentes
interactan unas con otras y tales interacciones pueden ser controlables e incontrolables. En un sistema
grande, las componentes se relacionan de muchas maneras, pero no todas son importantes, o mejor dicho, no
todas las interacciones tienen efectos importantes en las componentes del sistema.
Por lo tanto es necesario que exista un procedimiento sistemtico que identifique a quienes toman
decisiones y a las interacciones que tengan importancia para los objetivos de la organizacin o sistema. Uno de
esos procedimientos es precisamente la Investigacin de Operaciones.
Una estructura por la que no fluye informacin, no es dinmica, es decir, no podemos considerarla
como un sistema. Por lo tanto podemos decir que la informacin es lo que da vida a las estructuras u
organizaciones humanas.

Pgina 1

Ing. C. Snchez.

Los objetivos de toda organizacin sern siempre alcanzar el liderato en su rama, controlando la
eficiencia y efectividad de todas sus componentes por medio de mtodos que permitan encontrar las relaciones
ptimas que mejor operen el sistema, dado un objetivo especfico.
Ante el tremendo avance que se ha dado en casi todas las ciencias en las ltimas dcadas, ya no es
factible querer saber un poco de todo, sino ms bien especializarse en alguna rama de la ciencia. Los
problemas que se presentan en las organizaciones no fcilmente se pueden resolver por un slo especialista.
Por el contrario son problemas multidisciplinarios, cuyo anlisis y solucin requieren de la participacin de
varios especialistas. Estos grupos interdisciplinarios necesariamente requieren de un lenguaje comn para
poder entenderse y comunicarse, donde la Investigacin de Operaciones viene a ser ese puente de
comunicacin.
El enfoque de la Investigacin de Operaciones es el mismo del mtodo cientfico. En particular, el
proceso comienza por la observacin cuidadosa y la formulacin del problema y sigue con la construccin de un
modelo cientfico (por lo general matemtico) que intenta abstraer la esencia del problema real. En este punto
se propone la hiptesis de que el modelo es una representacin lo suficientemente precisa de las
caractersticas esenciales de la situacin como para que las conclusiones (soluciones) obtenidas sean vlidas
tambin para el problema real. Esta hiptesis se verifica y modifica mediante las pruebas adecuadas. Entonces,
en cierto modo, la Investigacin de Operaciones incluye la investigacin cientfica creativa de las propiedades
fundamentales de las operaciones. Sin embargo, existe ms que esto. En particular, la Investigacin de
Operaciones se ocupa tambin de la administracin prctica de la organizacin. As, para tener xito, deber
tambin proporcionar conclusiones positivas y claras que pueda usar el tomador de decisiones cuando las
necesite.
La contribucin del enfoque de Investigacin de Operaciones proviene principalmente de:
La estructuracin de una situacin de la vida real como un modelo matemtico, logrando una abstraccin de los
elementos esenciales para que pueda buscarse una solucin que concuerde con los objetivos del tomador de
decisiones. Esto implica tomar en cuenta el problema dentro del contexto del sistema completo.
2. El anlisis de la estructura de tales soluciones y el desarrollo de procedimientos sistemticos para obtenerlas.
3. El desarrollo de una solucin, incluyendo la teora matemtica si es necesario, que lleva al valor ptimo de la
medida de lo que se espera del sistema (o quiz que compare los cursos de accin opcionales evaluando esta
medida para cada uno).

1.3.

Definicin.

Investigacin de Operaciones o Investigacin Operacional. Se puede definir de la siguiente manera:

La Investigacin de Operaciones es la aplicacin por grupos interdisciplinarios del mtodo cientfico 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 toda la organizacin.

1.4.
1.
2.
3.
4.
5.

Metodologa de la Investigacin de Operaciones.

El proceso de la Investigacin de Operaciones comprende las siguientes fases:
Formulacin y definicin del problema.
Construccin del modelo.
Solucin del modelo.
Validacin del modelo.
Implementacin de resultados.

Demos una explicacin de cada una de las fases:

1. Formulacin y definicin del problema. En esta fase del proceso se necesita: una
descripcin de los objetivos del sistema, es decir, qu se desea optimizar; identificar
las variables implicadas, ya sean controlables o no; determinar las restricciones del
sistema. Tambin hay que tener en cuenta las alternativas posibles de decisin y las
restricciones para producir una solucin adecuada.
2. Construccin del modelo. En esta fase, el investigador de operaciones debe decidir
el modelo a utilizar para representar el sistema. Debe ser un modelo tal que relacione
a las variables de decisin con los parmetros y restricciones del sistema. Los
Pgina 2

Ing. C. Snchez.

parmetros (o cantidades conocidas) se pueden obtener ya sea a partir de datos

pasados o ser estimados por medio de algn mtodo estadstico. Es recomendable
determinar si el modelo es probabilstico o determinstico. El modelo puede ser
matemtico, de simulacin o heurstico, dependiendo de la complejidad de los clculos
matemticos que se requieran.
3. Solucin del modelo. Una vez que se tiene el modelo, se procede a derivar una
solucin matemtica empleando las diversas tcnicas y mtodos matemticos para
resolver problemas y ecuaciones. Debemos tener en cuenta que las soluciones que se
obtienen en este punto del proceso, son matemticas y debemos interpretarlas en el
mundo real. Adems, para la solucin del modelo, se deben realizar anlisis de
sensibilidad, es decir, ver como se comporta el modelo a cambios en las
especificaciones y parmetros del sistema. Esto se hace, debido a que los parmetros
no necesariamente son precisos y las restricciones pueden estar equivocadas.
4. Validacin del modelo. La validacin de un modelo requiere que se determine si
dicho modelo puede predecir con certeza el comportamiento del sistema. Un mtodo
comn para probar la validez del modelo, es someterlo a datos pasados disponibles
del sistema actual y observar si reproduce las situaciones pasadas del sistema. Pero
como no hay seguridad de que el comportamiento futuro del sistema contine
replicando el comportamiento pasado, entonces siempre debemos estar atentos de
cambios posibles del sistema con el tiempo, para poder ajustar adecuadamente el
modelo.
5. Implementacin de resultados. Una vez que hayamos obtenido la solucin o
soluciones del modelo, el siguiente y ltimo paso del proceso es interpretar esos
resultados y dar conclusiones y cursos de accin para la optimizacin del sistema. Si
el modelo utilizado puede servir a otro problema, es necesario revisar, documentar y
actualizar el modelo para sus nuevas aplicaciones.
1.5.

Estructura de los modelos empleados en la Investigacin de Operaciones.

El enfoque de la Investigacin de Operaciones es el modelaje. Un modelo es una herramienta que nos

sirve para lograr una visin bien estructurada de la realidad. As, el propsito del modelo es proporcionar un
medio para analizar el comportamiento de las componentes de un sistema con el fin de optimizar su
desempeo. La ventaja que tiene el sacar un modelo que represente una situacin real, es que nos permite
analizar tal situacin sin interferir en la operacin que se realiza, ya que el modelo es como si fuera un espejo
de lo que ocurre.
Para aumentar la abstraccin del mundo real, los modelos se clasifican como 1) icnicos, 2) anlogos, 3)
simblicos.
Los modelos icnicos son la representacin fsica, a escala reducida o aumentada de un sistema real.
Los modelos anlogos esencialmente requieren la sustitucin de una propiedad por otra con el fin de
permitir la manipulacin del modelo. Despus de resolver el problema, la solucin se reinterpreta de acuerdo al
sistema original.
Los modelos ms importantes para la investigacin de operaciones, son los modelos simblicos o
matemticos, que emplean un conjunto de smbolos y funciones para representar las variables de decisin y
sus relaciones para describir el comportamiento del sistema. El uso de las matemticas para representar el
modelo, el cual es una representacin aproximada de la realidad, nos permite aprovechar las computadoras de
alta velocidad y tcnicas de solucin con matemticas avanzadas.
Un modelo matemtico comprende principalmente tres conjuntos bsicos de elementos. Estos son: 1)
variables y parmetros de decisin, 2) restricciones y 3) funcin objetivo.
1. Variables y parmetros de decisin. Las variables de decisin son las incgnitas (o decisiones) que
deben determinarse resolviendo el modelo. Los parmetros son los valores conocidos que relacionan

Pgina 3

Ing. C. Snchez.

las variables de decisin con las restricciones y funcin objetivo. Los parmetros del modelo pueden ser
determinsticos o probabilsticos.
2. Restricciones. Para tener en cuenta las limitaciones tecnolgicas, econmicas y otras del sistema, el
modelo debe incluir restricciones (implcitas o explcitas) que restrinjan las variables de decisin a un
rango de valores factibles.
3. Funcin objetivo. La funcin objetivo define la medida de efectividad del sistema como una funcin
matemtica de las variables de decisin. La solucin ptima ser aquella que produzca el mejor valor
de la funcin objetivo, sujeta a las restricciones. (SIGUE EN 1.7)
Complemento
El modelo matemtico puede expresarse como el problema de elegir los valores de las variables de decisin de
manera que se optimice la funcin objetivo, sujeta a las restricciones dadas.
Una clasificacin de modelos especialmente importante es el modelo de programacin lineal, en el que
las funciones matemticas que aparecen tanto en la funcin objetivo como en las restricciones, son funciones
lineales. Es posible construir modelos especficos de programacin lineal que se ajustan a diversos tipos de
problemas, como determinar 1) la mezcla de productos que maximiza la ganancia, 2) la asignacin de acres a
distintas cosechas para maximizar el rendimiento total neto y 3) la combinacin de mtodos de control de
contaminacin que logren los estndares de calidad del aire a un costo mnimo.
Los modelos matemticos tienen muchas ventajas sobre una descripcin verbal del problema. Una
ventaja obvia es que el modelo matemtico describe un problema en forma mucho ms concisa. Esto tiende a
hacer que toda la estructura del problema sea ms comprensible y ayuda a revelar las relaciones importantes
entre causa y efecto. De esta manera indica con ms claridad que datos adicionales son importantes para el
anlisis. Tambin facilita el manejo del problema en su totalidad y el estudio de todas sus interrelaciones
simultneamente. Por ltimo, un modelo matemtico forma un puente para poder emplear tcnicas matemticas
poderosas, adems de las computadoras, en el anlisis del problema. Sin duda, muchos de los componentes
de un modelo pueden quedar vinculados al uso de paquetes de computacin.
Por otro lado, existen obstculos que deben evitarse al usar modelos matemticos. Un modelo es,
necesariamente, una idealizacin abstracta del problema, por lo que casi siempre se requieren aproximaciones
y suposiciones de simplificacin si se quiere que el modelo sea manejable (capaz de ser resuelto). Por lo tanto,
debe tenerse cuidado de que el modelo sea
siempre una representacin vlida del problema. El criterio lgico para juzgar la validez de un modelo es
verificar si el modelo predice o no con suficiente exactitud los efectos relativos de los cursos de accin
alternativos, para poder tomar una decisin que tenga sentido. En consecuencia no es necesario incluir detalles
sin importancia o factores que tienen aproximadamente el mismo efecto sobre todas las alternativas. Ni siquiera
es necesario que la magnitud absoluta de la medida de efectividad sea aproximadamente correcta para cada
alternativa, siempre que sus valores relativos (por ejemplo, las diferencias entre sus valores) sean bastante
precisos. Entonces, todo lo que se requiere es que exista una alta correlacin entre la prediccin del modelo y
lo que de hecho ocurre en la vida real. Para asegurar que este requisito se cumple, es importante considerar la
prueba del modelo y las modificaciones consecuentes.
Al desarrollar el modelo se recomienda empezar con una versin muy sencilla y moverse, en una forma
evolutiva, hacia modelos ms elaborados que reflejen mejor la complejidad del problema real. Este proceso de
enriquecimiento del modelo contina slo mientras permanezca manejable. El trueque bsico que debe tomarse
en cuenta todo el tiempo es entre la precisin y el manejo del modelo.
Un paso crucial en la formulacin de un modelo matemtico es la construccin de una funcin objetivo.
Esto requiere desarrollar una medida cuantitativa de la efectividad relativa a cada objetivo. Si en el estudio se
contempla ms de un objetivo, es necesario transformar y combinar las medidas respectivas en una medida
compuesta de efectividad. A veces es necesario que la medida compuesta sea algo tangible (por ejemplo,
ganancias) que corresponda a la meta ms alta de la organizacin, o que sea algo abstracto (como utilidad).
En este ltimo caso, la tarea para desarrollar esta medida puede ser compleja y requerir una comparacin
cuidadosa de los objetivos y su importancia relativa. Despus de determinar la medida compuesta de
efectividad, la funcin objetivo se obtiene expresndola como una funcin matemtica de las variables de
decisin. Por otro lado, existen mtodos que contemplan al mismo tiempo y en forma explcita objetivos
mltiples (programacin por objetivos).

1.6.

FINAL.

Concepto de optimizacin:

Pgina 4

Ing. C. Snchez.

Una caracterstica adicional, que se mencion como de pasada, es que la Investigacin de Operaciones
intenta encontrar la mejor solucin, o la solucin ptima, al problema bajo consideracin. En lugar de
contentarse con slo mejorar el estado de las cosas, la meta es identificar el mejor curso de accin posible. An
cuando debe interpretarse con todo cuidado, esta bsqueda de la optimalidad es un aspecto muy importante
dentro de la Investigacin de Operaciones.

1.7.

reas de aplicacin de la Investigacin de Operaciones.

Como su nombre lo dice, Investigacin de Operaciones significa hacer investigacin sobre las
operaciones. Esto dice algo del enfoque como del rea de aplicacin. Entonces, la Investigacin de
Operaciones se aplica a problemas que se refieren a la conduccin y coordinacin de operaciones o actividades
dentro de una organizacin. La naturaleza de la organizacin es esencialmente inmaterial y, de hecho, la
Investigacin de Operaciones se ha aplicado en los negocios, la industria, la milicia, el gobierno, los hospitales,
etc. As, la gama de aplicaciones es extraordinariamente amplia. Casi todas las organizaciones ms grandes del
mundo (alrededor de una docena) y una buena proporcin de las industrias ms pequeas cuentan con grupos
bien establecidos de Investigacin de Operaciones. Muchas industrias, incluyendo la area y de proyectiles, la
automotriz, la de comunicaciones, computacin, energa elctrica, electrnica, alimenticia, metalrgica, minera,
del papel, del petrleo y del transporte, han empleado la Investigacin de Operaciones. Las instituciones
financieras, gubernamentales y de salud estn incluyendo cada vez ms estas tcnicas.
Para ser ms especficos, se consideran algunos problemas que se han resuelto mediante algunas
tcnicas de Investigacin de Operaciones. La programacin lineal se ha usado con xito en la solucin de
problemas referentes a la asignacin de personal, la mezcla de materiales, la distribucin y el transporte y las
carteras de inversin. La programacin dinmica se ha aplicado con buenos resultados en reas tales como la
planeacin de los gastos de comercializacin, la estrategia de ventas y la planeacin de la produccin. La teora
de colas ha tenido aplicaciones en la solucin de problemas referentes al congestionamiento del trfico, al
servicio de mquinas sujetas a descomposturas, a la determinacin del nivel de la mano de obra, a la
programacin del trfico areo, al diseo de presas, a la programacin de la produccin y a la administracin de
hospitales. Otras tcnicas de Investigacin de Operaciones, como la teora de inventarios, la teora de juegos y
la simulacin, han tenido exitosas aplicaciones en una gran variedad de contextos.
(Complemento).
En 1972, Turban en su obra A Sample Survey of Operations Research Ativities at the Corporate Level,
presenta un informe de las actividades de investigacin de operaciones que proporcion un panorama de
dichas actividades durante 1969. Los resultados de este estudio son los siguientes:
Frecuencia
de uso
Tcnicas
Nm. de
(%)
proyectos
Anlisis estadstico *
63
29
Simulacin
54
25
Programacin lineal
41
19
Teora de inventarios
13
6
PERT/CPM
13
6
Programacin dinmica
9
4
Programacin no lineal
7
3
Colas
2
1
Programacin heurstica
2
1
Otras
13
6
* Incluye teora de probabilidad, anlisis de regresin, suavizamiento
exponencial, muestreo estadstico y pruebas de hiptesis.
Es evidente que el anlisis estadstico, la simulacin y la programacin lineal eran y siguen siendo las
tcnicas ms usadas hasta entonces. El estudio indic tambin que la computadora se usaba en la mayor parte
de los proyectos.
Debido al gran impacto de la Investigacin de Operaciones, se han fundado en varios pases del mundo
sociedades profesionales dedicadas a este campo y a actividades afines. En Estados Unidos, la Operations
Research Society of America (ORSA) (Sociedad de Investigacin de Operaciones de Amrica), se estableci en
Pgina 5

Ing. C. Snchez.

1952 y The Institute of Management Sciences (TIMS) (Instituto de Ciencias de la Administracin) fue fundado en
1953; cada uno cuenta con cerca de 7,000 miembros. ORSA publica la revista Operations Research y TIMS,
Management Science. Las dos sociedades publican tambin, en forma conjunta, Mathematics of Operations
Research y la revista Interfaces. Estas cuatro publicaciones alcanzan ms de 3,000 pginas al ao e informan
sobre nuevas investigaciones y aplicaciones en este campo. Existen adems muchas otras publicaciones
similares en pases como Estados Unidos, Inglaterra, Francia, India, Japn, Canad y Alemania Occidental. De
hecho, existen 29 pases miembros (incluyendo Estados Unidos) de la International Federation of Operations
Research Societies (IFORS) (Federacin Internacional de Sociedades de Investigacin de Operaciones), en
donde cada pas tiene una sociedad nacional dedicada a estas actividades.
La Investigacin de Operaciones ha tenido tambin un impacto fuerte en las universidades. Hoy da, la
mayor parte de las universidades norteamericanas ofrecen cursos en este campo y muchas ofrecen estudios de
posgrado en Investigacin de Operaciones o con una especializacin en el rea. En consecuencia, existen en
este momento miles de estudiantes que cada ao toman al menos un curso de investigacin de operaciones.
Una gran parte de las investigaciones bsicas en este campo se realizan en las universidades.
La tcnica de programacin lineal se puede ilustrar por medio de una compaa que opera un centro de
reclamaciones que rene distintos tipos de materiales slidos de desperdicio y despus los trata para que
puedan ser amalgamados, fabricando as un producto que se puede vender. Pueden obtenerse diferentes
grados de este producto, dependiendo de la mezcla de materiales que se use. Aunque existe alguna flexibilidad
en la mezcla para cada grado, de hecho los estndares de calidad especifican un porcentaje mnimo o mximo
(por peso) de ciertos materiales permitidos en ese grado de producto. Se cuenta con datos sobre el costo del
proceso de amalgamado y sobre el precio de venta de cada grado. El centro de reclamaciones recoge sus
materiales de desperdicio de ciertas fuentes ya establecidas, por lo que normalmente puede mantener una tasa
de produccin estable para tratar estos materiales. An ms, se conocen las cantidades disponibles que puede
recoger y tratar cada semana, al igual que el costo del tratamiento para cada tipo de material. Utilizando la
informacin dada, la compaa quiere determinar exactamente cunto debe de producir de cada grado de
producto y la mezcla exacta de los materiales que debe incluir en cada grado, de manera que se maximice su
ganancia semanal total (ingresos totales por ventas menos costos totales tanto de amalgamiento como de
tratamiento).
Uno de los tipos especiales importantes de problemas de programacin lineal se llama problema de
transporte. Un ejemplo caracterstico trata sobre una compaa que produce cierto producto. Este producto se
prepara en varias fbricas distantes entre s y despus se mandan en camin a los almacenes de distribucin
que se encuentran en todo el oeste de Estados Unidos. Como los costos de embarque constituyen un gasto
importante, la gerencia quiere iniciar un estudio para reducirlos todo lo que sea posible. Se han hecho
estimaciones sobre la produccin de cada fbrica para la prxima temporada y a cada almacn se le ha
asignado una cierta cantidad del abastecimiento total del producto. Esta informacin (el nmero de cargas de
camin), junto con los costos de embarque por carga, para cada combinacin de fbrica/almacn, se emplear
para determinar el plan ptimo para la asignacin de estos embarques a las distintas combinaciones, de
manera que se minimice el costo total del transporte.
Adems de la programacin lineal, existen varias tcnicas de programacin matemtica relacionadas
para manejar problemas similares. Una de estas es la programacin dinmica, que se ocupa de tomar una
sucesin de decisiones interrelacionadas. Esta tcnica se ejemplifica mediante un taller cuya carga de trabajo
est sujeta a fluctuaciones considerables segn la temporada.
Entre los modelos probabilsticos se encuentran algunos que caen dentro del rea de teora de colas
(lneas de espera). El ejemplo clsico de teora de colas es la sala de emergencias de un hospital. La sala de
emergencias proporciona atencin mdica rpida a casos urgentes que llegan en ambulancia o automvil
privado. Siempre hay un doctor de guardia pero debido a la creciente tendencia por parte de los pacientes a usa
estas instalaciones en lugar de acudir a un consultorio privado, el hospital ha venido experimentando un
incremento continuo en el nmero de casos que atiende cada ao. Como resultado, cuando llegan pacientes
durante las horas pico (temprano en la tarde), con frecuencia tienen que esperar su turno para que el doctor los
atienda. Se ha hecho la propuesta de que debe asignarse un segundo doctor a la sala de emergencia durante
estas horas para que puedan atender dos casos simultneamente. Al reconocer que la sala de emergencia es
un sistema de lneas de espera, se pueden aplicar varios modelos alternos de teora de colas para predecir las
caractersticas de espera del sistema, tanto con uno como con dos doctores. Estos modelos ayudarn al
hospital en su evaluacin de la propuesta.

Pgina 6

Ing. C. Snchez.

2. Programacin Lineal.

2.1.

Introduccin.

Muchas personas clasifican el desarrollo de la Programacin Lineal (PL) entre los avances cientficos
ms importantes de mediados del siglo XX. En la actualidad es una herramienta comn que ha ahorrado miles
o millones de dlares a muchas compaas y negocios, incluyendo industrias medianas en distintos pases del
mundo. Cul es la naturaleza de esta notable herramienta y qu tipo de problemas puede manejar?
Expresado brevemente, el tipo ms comn de aplicacin abarca el problema general de asignar recursos
limitados entre actividades competitivas de la mejor manera posible (es decir, en forma ptima). Este problema
de asignacin 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 descripcin es sin duda
muy grande, y va desde la asignacin de instalaciones productivas a los productos, hasta la asignacin de los
recursos nacionales a las necesidades de un pas; desde la planeacin agrcola, hasta el diseo de una terapia
de radiacin; etc. No obstante, el ingrediente comn de todas estas situaciones es la necesidad de asignar
recursos a las actividades.
Con frecuencia, seleccionar una alternativa incluye satisfacer varios criterios al mismo tiempo. Por
ejemplo, cuando se compra una pieza de pan se tiene el criterio de frescura, tamao, tipo (blanco, integral u
otro), costo y rebanado o sin rebanar. Se puede ir un paso ms adelante y dividir estos criterios en dos
categoras: restricciones y el objetivo. Las restricciones son las condiciones que debe satisfacer una solucin
que est bajo consideracin. Si ms de una alternativa satisfacen todas las restricciones, el objetivo se usa para
seleccionar entre todas las alternativas factibles. Cuando se elige una pieza de pan, pueden quererse 100 gr.
de pan blanco rebanado y hecho no antes de ayer. Si varias marcas satisfacen estas restricciones, puede
aplicarse el objetivo de un costo mnimo y escoger las ms barata.
Existen muchos problemas administrativos que se ajustan a este molde de tratar de minimizar o
maximizar un objetivo que est sujeto a una lista de restricciones. un corredor de inversiones, por ejemplo, trata
de maximizar el rendimiento sobre los fondos invertidos pero las posibles inversiones estn restringidas por las
leyes y las polticas bancarias. Un hospital debe planear que las comidas para los pacientes satisfagan ciertas
restricciones sobre sabor, propiedades nutritivas, tipo y variedad, al mismo tiempo que se trata de minimizar el
costo. Un fabricante, al planear la produccin futura, busca un costo mnimo al mismo tiempo cmo cumplir
restricciones sobre la demanda del producto, la capacidad de produccin, los inventarios, el nivel de empleados
y la tecnologa. La PL se ha aplicado con xito a estos y otros problemas.
La PL es una tcnica determinista, no incluye probabilidades y utiliza un modelo matemtico para
describir el problema. El adjetivo lineal significa que todas las funciones matemticas del modelo deben ser
funciones lineales. En este caso, la palabra programacin no se refiere a programacin en computadoras; en
esencia es un sinnimo de planeacin. As, la PL trata la planeacin de las actividades para obtener un
resultado ptimo, esto es, el resultado que mejor alcance la meta especificada (segn el modelo) entre todas
las opciones de solucin. Aunque la asignacin de recursos a las actividades es la aplicacin ms frecuente, la
PL tiene muchas otras posibilidades. De hecho, cualquier problema cuyo modelo matemtico se ajuste al
formato general del modelo de PL es un problema de PL.

2.2.

Supuestos de la programacin lineal.

Existe un nmero de suposiciones realizadas en cada modelo. La utilidad de un modelo est

directamente relacionada con la realidad de los supuestos.
El primer supuesto tiene que ver con la forma lineal de las funciones. Ya que el objetivo es lineal, la
contribucin al objetivo de cualquier decisin es proporcional al valor de la variable de decisin. Producir dos
veces ms de producto producir dos veces ms de ganacia, contratando el doble de pginas en las revistas
doblar el costo relacionado con las revistas. Es una Suposicin de Proporcin.
Adems, la contribucin de una variable a la funcin objetivo es independiente de los valores de las
otras variables. La ganancia con una computadora Notebook es de $10,750.00, independientemente de cuantas
computadoras Desktop se producen. Este es un Supuesto de Adicin.
Anlogamente, ya que cada restriccin es lineal, la contribucin de cada variable al lado izquierdo de
cada restriccin es proporcional al valor de la variable e independiente de los valores de cualquier ora variable.
Estas suposiciones son bastante restrictivas. Veremos, sin embargo, que ser claros y precisos en la
formulacin del modelo puede ayudar a manejar situaciones que parecen en un comienzo como lejanos a estos
supuestos.
El siguiente supuesto es la Suposicin de ser Divisible. Es posible tomar una fraccin de cualquier
variable. Por ejemplo, en un problema de marketing, qu significa comprar 2.67 avisos en la televisin?. Es
Pgina 7

Ing. C. Snchez.

posible que la suposicin de ser divisible sea insatisfecha en este ejemplo. O puede ser que tales unidades de
2.67 avisos correspondan a 2,666.7 minutos de avisos, en cuyo caso redondeando la solucin seran 2,667
minutos con una mnima duda que est cercana a la solucin ptima. Si la suposicin de divisible no es vlida,
entonces se usar la tcnica de Programacin Lineal Entera.
La ltima suposicin es el Supuesto de Certeza. La Programacin Lineal no permite incertidumbre en
los valores.
No negatividad: Ser difcil que un problema cumpla con todas las suposiciones de manera exacta. Pero esto
no negar la factibilidad de uso del modelo. Un modelo puede ser an til aunque difiera de la realidad, si se es
consistente con los requerimientos ms estrictos dentro del modelo y se tiene claras sus limitaciones al
interpretar los resultados.
Existen limitaciones prcticas para el uso de la PL. Una se relaciona con los clculos. En general se
necesita una computadora. Desafortunadamente, las calculadoras, aun las programables, son poco tiles,
puesto que la PL tiene necesidad de gran cantidad de memoria o almacenamiento. Si no se tiene acceso a una
computadora, se estar limitado a problemas muy sencillos. La otra limitacin se refiere al costo de formular un
problema de PL. En teora, podra usarse PL, por ejemplo, para hacer las compras semanales de abarrotes. Sin
embargo, sera necesario conocer todas las compras posibles que pueden realizarse (stas seran las
variables), adems de cada restriccin como sabor, nmero de comidas, vitaminas y protenas. Es obvio que el
costo de obtener todos estos datos excede lo que se podra ahorrar si se hicieran las compras ptimas. Antes
de emprender una aplicacin de PL, debe considerarse la disponibilidad y el costo de los datos necesarios.

2.3.

Formulacin de modelos de Programacin Lineal.

Aunque se ponga en duda, la parte ms difcil de PL es reconocer cundo sta puede aplicarse y
formular el problema matemticamente. Una vez hecha esa parte, resolver el problema casi siempre es fcil.
Para formular un problema en forma matemtica, deben expresarse afirmaciones lgicas en trminos
matemticos. Esto se realiza cuando se resuelven problemas hablados al estudiar un curso de lgebra. Algo
muy parecido sucede aqu al formular las restricciones. Por ejemplo, considrese la siguiente afirmacin: A usa
3 horas por unidad y B usa 2 horas por unidad. Si deben usarse todas las 100 horas disponibles, la restriccin
ser:
3A + 2B = 100
Sin embargo, en la mayora de las situaciones de negocios, no es obligatorio que se usen todos los
recursos (en este caso, horas de mano de obra). Ms bien la limitacin es que se use, cuando mucho, lo que se
tiene disponible. Para este caso, la afirmacin anterior puede escribirse como una desigualdad:
3A + 2B 100
Para que sea aceptable para PL, cada restriccin debe ser una suma de variables con exponente 1. Los
cuadrados, las races cuadradas, etc. no son aceptables, ni tampoco los productos de variables. Adems, la
forma estndar para una restriccin pone a todas las variables del lado izquierdo y slo una constante positiva o
cero del lado derecho. Esto puede requerir algn reacomodo de los trminos. Si, por ejemplo, la restriccin es
que A debe ser por los menos el doble de B, esto puede escribirse como:
A 2B

A 2B 0

Ntese que pueden moverse trminos 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

AB
por ltimo B A

Pgina 8

B2
2
2

Ing. C. Snchez.

Una nota final sobre desigualdades: es sencillo convertir una desigualdad en una ecuacin. Todo lo que
se tiene que hacer es agregar (o restar) una variable extra. Por ejemplo:
BA2

es lo mismo que

BA+S=2

en donde S representa la diferencia, o la holgura, entre B A y 2. S se llama variable de holgura. Por otro lado,
se restara una variable de supervit en el caso siguiente:
A 2B 0

es lo mismo que

A 2B S = 0

Algunos mtodos de solucin (como el Mtodo Smplex) y la mayora de los programas de computadora
(como el MathProg, que viene en el ORCourseware, que acompaa al libro Introduccin a la Investigacin de
Operaciones de los autores Hillier y Lieberman) requieren que todas las desigualdades se conviertan en
igualdades.
La metodologa de PL requiere que todas las variables sean positivas o cero, es decir, no negativas.
Para la mayora de los problemas esto es real, no se querra una solucin que diga: prodzcanse menos dos
cajas o contrtense menos cuatro personas.
Mientras que no existe un lmite en el nmero de restricciones que puede tener un problema de PL, slo
puede haber un objetivo. La forma matemtica del objetivo se llama funcin objetivo. Debe llevar consigo el
maximizar o minimizar alguna medida numrica. Podra ser maximizar el rendimiento, la ganancia, la
contribucin marginal o los contactos con los clientes. Podra ser minimizar el costo, el nmero de empleados o
el material de desperdicio. Con frecuencia el objetivo es evidente al observar el problema.
Como el valor de la funcin objetivo no se conoce hasta que se resuelve el problema, se usa la letra Z
para representarlo. La funcin objetivo tendr, entonces, la forma:
Maximizar

Z = 4A + 6B

Minimizar

Z = 2x1 + 5x2

Se analiza una aplicacin para ilustrar el formato de los problemas de Programacin Lineal.

2.4.

Planeacin de la fuerza de trabajo.

El gerente de personal de La Tortuga Veloz, S.A. de C.V., est analizando la necesidad de mano de
obra semi calificada durante los prximos seis meses. Se lleva 1 mes adiestrar a una persona nueva. Durante
este perodo de entrenamiento un trabajador regular, junto con uno en adiestramiento (aprendiz), producen el
equivalente a lo que producen 1.2 trabajadores regulares. Se paga $500.00 mensuales a quien est en
entrenamiento, mientras que los trabajadores regulares ganan $800.00 mensuales. La rotacin de personal
entre los trabajadores regulares es bastante alta, del 10% mensual.
El gerente de personal debe decidir cuntas personas necesita contratar cada mes para adiestramiento.
En seguida se da el nmero de meses-hombre necesarios. Tambin se desea tener una fuerza de trabajo
regular de 110 al principio de julio. En cuanto al 1 de enero, hay 58 empleados regulares.
Mes
Enero
Febrero
Marzo

Meses-hombre requeridos
60
50
60

Mes
Abril
Mayo
Junio

Meses-hombre requeridos
80
70
100

Este problema tiene un aspecto dinmico, ya que la fuerza de trabajo en cualquier mes depende de la
fuerza de trabajo regular y en adiestramiento del mes anterior. Para cualquier mes, el nmero total de meseshombre disponibles se puede expresar como sigue:
Meses-hombre disponibles:
en donde:

Pgina 9

Ri + 0.2Ai

Ri = nmero de trabajadores regulares al principio del mes

Ai = nmero de aprendices contratados en el mes.
Ing. C. Snchez.

Entonces los requerimientos de cada mes pueden expresarse por las restricciones:
enero
febrero
marzo
abril
mayo
junio
julio (principio)

R1 + 0.2A1
R2 + 0.2A2
R3 + 0.2A3
R4 + 0.2A4
R5 + 0.2A5
R6 + 0.2A6
R7

60
50
60
80
70
100
110

Debido a la rotacin, el 10% de los trabajadores regulares se van cada mes. As, el nmero de trabajadores
regulares disponibles, por ejemplo, al principio de febrero sera:
R2 = 0.9R1 + A1
En la misma forma, pueden escribirse las ecuaciones para el nmero de trabajadores disponibles al principio de
cada mes:
enero
febrero
marzo
abril
mayo
junio
julio

R1
R2
R3
R4
R5
R6
R7

=
=
=
=
=
=
=

58 (dado)
0.9R1 + A1
0.9R2 + A2
0.9R3 + A3
0.9R4 + A4
0.9R5 + A5
0.9R6 + A6

El objetivo global del gerente de personal es minimizar el costo. La funcin objetivo es:
Minimizar: Z = 800(R1 + R2 + R3 + R4 + R5 + R6) + 500(A1 + A2 + A3 + A4 + A5 + A6)
Ahora se tiene el problema en el formato general de PL con 13 variables y 14 restricciones.
Los tomadores de decisiones en las empresas establecen criterios que debe cumplir una solucin y,
despus, buscan esa solucin. En PL, los criterios se expresan como restricciones. Se exploran las soluciones
posibles y se usa la funcin objetivo para elegir la mejor de entre aquellas que cumplen con los criterios. La PL
se denomina tcnica de optimizacin, pero optimiza slo dentro de los lmites de las restricciones. En realidad
es un mtodo de satisfaccin de criterios.

2.5.

Forma estndar de los modelos de Programacin Lineal.

Supngase que existe cualquier nmero (digamos m) de recursos limitados de cualquier tipo, que se
pueden asignar entre cualquier nmero (digamos n) de actividades competitivas de cualquier clase. Etiqutense
los recursos con nmeros (1, 2, ..., m) al igual que las actividades (1, 2, ..., n). Sea xj (una variable de decisin)
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 ltimo defnase 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 matemtico
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

Pgina 10

Ing. C. Snchez.

am1x1 + am2x2 + ... + amnxn bm

y
x1 0,
x2 0, ..., xn 0
Donde:
X= Cantidad de personal, variable de decisin.
J= Nivel de actividad.
Z= Medida de efectividad global seleccionada.
C= Incremento que resulta en Z por c/incremento unitario en X.
bi= Cantidad disponible de recurso i.
aij= Cantidad de recurso i que consume c/u de actividad j
sta se llamar nuestra forma estndar (porque algunos libros de texto adoptan otras formas) para el problema
de PL. Cualquier situacin cuya formulacin matemtica se ajuste a este modelo es un problema de PL.
En este momento se puede resumir la terminologa que usaremos para los modelos de PL. La funcin
que se desea maximizar, c1x1 + c2x2 + ... + cnxn, se llama funcin objetivo. Por lo general, se hace referencia a
las limitaciones como restricciones. Las primeras m restricciones (aquellas con una funcin 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 decisin. Las constantes de entrada, aij, bi, cj, reciben el nombre de parmetros del modelo.

2.6.

Otras formas de modelos de Programacin Lineal.

Es conveniente agregar que el modelo anterior no se ajusta a la forma natural de algunos problemas de
programacin lineal. Las otras formas legtimas son las siguientes:
1. Minimizar en lugar de maximizar la funcin objetivo:
Minimizar Z = c1x1 + c2x2 + ... + cnxn,
2. Algunas restricciones funcionales con desigualdad en el sentido mayor o igual:
ai1x1 + ai2x2 + ... + ainxn, bi,

para algunos valores de i,

3. Algunas restricciones funcionales en forma de ecuacin:

ai1x1 + ai2x2 + ... + ainxn, = bi,

para algunos valores de i,

4. Las variables de decisin sin la restriccin 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 tambin se clasifica como
un problema de PL, siempre y cuando stas sean las nicas formas nuevas introducidas. Puede ser que la
interpretacin que se ha dado de asignacin de recursos limitados entre actividades que compiten no se
aplique, pero independientemente de la interpretacin o el contexto, lo nico que se necesita es que la
formulacin matemtica del problema se ajuste a las formas permitidas. Se ver que estas otras cuatro formas
legales se pueden reescribir en una forma equivalente para que se ajuste al modelo que se present. Entonces,
todo problema de PL se puede poner en nuestra forma estndar si se desea.

2.7.

Solucin Grfica de Modelos Lineales con dos Variables.

Para la solucin grfica de programas lineales con dos variables, lo que se tiene que hacer es trazar un
eje de coordenadas cartesianas, para graficar las desigualdades dadas por el problema, despus encontrar el
rea de Soluciones Factibles y proceder a graficar la funcin objetivo para conocer el valor ptimo (maximizar o
minimizar) que ser la solucin del problema.
Ejemplo: Problema de mezcla de productos.

Pgina 11

Ing. C. Snchez.

Un fabricante est tratando de decidir sobre las cantidades de produccin para dos artculos: mesas y sillas. Se
cuenta con 96 unidades de material y con 72 horas de mano de obra. Cada mesa requiere 12 unidades de
material y 6 horas de mano de obra. Por otra parte, las sillas usan 8 unidades de material cada una y requieren
12 horas de mano de obra por silla. El margen de contribucin es el mismo para las mesas que para las sillas:
$5.00 por unidad. El fabricante prometi construir por lo menos dos mesas.
Paso 1: formulacin del problema.
El primer paso para resolver el problema es expresarlo en trminos matemticos en el formato general de PL.
Cul es el objetivo? Es maximizar la contribucin a la ganancia. Cada unidad de mesas o sillas producidas
contribuir con $5 en la ganancia. As las dos alternativas son la produccin de mesas y la produccin de sillas.
Ahora puede escribirse la funcin objetivo:
Maximizar Z = 5x1 + 5x2
en donde:

x1 = nmero de mesas producidas

x2 = nmero de sillas producidas

Cules son las restricciones o limitaciones del problema? Existen tres restricciones. Primero, el material est
limitado a 96 unidades. Cada mesa se lleva 12 unidades de material y cada silla usa 8 unidades. La primera
restriccin es, entonces:
12x1 + 8x2 96
La segunda restriccin es el total de horas de mano de obra. Una mesa se lleva 6 horas, una silla 12 horas y se
dispone de un total de 72 horas. As:
6x1 + 12x2 72
Existe una limitacin ms. El fabricante prometi producir por lo menos dos mesas. Esto puede expresarse
como:
x1 2
Por ltimo, las restricciones de no negatividad son:
x1 0, x2 0
Poniendo todo junto el modelo se tiene:
Maximizar Z = 5x1 + 5x2
Restricciones: 12x1 + 8x2 96
6x1 + 12x2 72
x1
2
x1 0, x2 0
Paso 2: grfica de las restricciones.
El siguiente paso en el mtodo grfico es dibujar todas las restricciones en una grfica. Esto puede hacerse en
cualquier orden. Por conveniencia se comenzar con las restricciones de no negatividad. stas se muestran en
la siguiente figura:

Pgina 12

Ing. C. Snchez.

En esta grfica, una solucin se representara por un punto con coordenadas x1 (mesas) y x2 (sillas). Las
coordenadas representaran las cantidades de cada artculo que se deben producir. El cuadrante superior
derecho se llama Regin Factible puesto que es el nico cuadrante en que pueden estar las soluciones. Los
otros tres cuadrantes no son factibles, ya que requeriran la produccin de cantidades negativas de mesas o de
sillas o de ambas.
La siguiente restriccin es x1 2. La manera ms sencilla de dibujar las restricciones de recursos es en dos
pasos: (1) convertir una desigualdad en una ecuacin y graficar la ecuacin y (2) sombrear el rea apropiada
arriba y abajo de la lnea que resulta en el paso 1. Convertir una igualdad en una ecuacin aqu significa ignorar
la parte de mayor que o menor que de la restriccin.
As, en el ejemplo, x1 2 se convierte en x1 = 2. Esta ecuacin est trazada en la siguiente figura:

Cualquier punto en la lnea x1 = 2 satisface la ecuacin. Sin embargo, la restriccin es ms amplia, ya que
cualquier punto x1 > 2 tambin la cumplir. Esto incluye todos los puntos que estn a la derecha de la lnea x1 =
2. Entonces, la regin factible incluye todos los valores de x1 que estn sobre o a la derecha de la lnea x1 = 2.
La limitacin sobre las horas de mano de obra es la siguiente restriccin. Como antes, primero se convierte en
una ecuacin: 6x1 + 12x2 = 72. Puede graficarse esta lnea si se encuentran dos puntos sobre ella. El par de
puntos ms sencillos de localizar son las intersecciones con los ejes X1 y X2. Para encontrar la interseccin con
el eje X2 se hace x1 = 0. La ecuacin se reduce, entonces, a:
12x2 = 72
x2 = 6
La interseccin con el eje X1 se encuentra haciendo x2 = 0. As:

Pgina 13

Ing. C. Snchez.

6x1 = 72
x1 = 12

Estos dos puntos y la lnea que los une se muestran en la siguiente figura:

Cualquier punto que est sobre o abajo de esta lnea cumplir con la restriccin. Cualquier punto arriba de esta
lnea requerir ms de 72 horas de mano de obra y no es aceptable. En la siguiente figura se combina esta
restriccin con la anterior. En la regin factible, ambas restricciones se cumplen.

La ltima restriccin es la de material. Siguiendo el procedimiento anterior, primero se encuentran las

intersecciones para la igualdad. stas son x1 = 0, x2 = 12 y x1 = 8, x2 =0. Se localizan los dos puntos en la
grfica; se traza la lnea, y como la restriccin es del tipo menor o igual que, se sombrea el rea que est abajo
de la lnea. El resultado se muestra en la siguiente figura:

Pgina 14

Ing. C. Snchez.

Cualquier solucin que est en la frontera o dentro del rea sombreada cumplir con todas las restricciones.
Ahora se utilizar la funcin objetivo para seleccionar la solucin ptima.
Paso 3: obtencin de la solucin ptima: lneas de indiferencia.
Para encontrar la solucin ptima, se grafica la funcin objetivo en la misma grfica de las restricciones. La
funcin objetivo en este problema es Z = 5x1 + 5x2. Como todava no se conoce el mximo valor factible de Z,
no puede trazarse el ptimo de la funcin objetivo. No obstante, es posible suponer algunos valores para Z y
graficar las lneas resultantes. En la siguiente figura se muestran las lneas para Z = 25 yZ = 50:

Las lneas de este tipo se llaman lneas de indiferencia, porque cualquier punto sobre una lnea dada da la
misma ganancia total. Ntese que la distancia perpendicular del origen a la lnea aumenta al aumentar el valor
de Z. Tambin, todas las lneas de indiferencia son paralelas entre s. Estas propiedades grficas pueden
usarse para resolver el problema.
En la siguiente figura, se ilustran todas las restricciones y las dos lneas de indiferencia supuestas. En la grfica
puede observarse que la lnea de indiferencia para Z = 50 est completamente fuera de la regin factible. Para
Z = 25, parte de la lnea cae dentro de la regin factible. Por tanto, existe alguna combinacin de x1 y x2 que
satisface todas las restricciones y da una ganancia total de $25. Por inspeccin, puede observarse que hay
ganancias ms altas que son factibles.

Imaginando que la lnea de indiferencia Z = 25 se mueve hacia la lnea Z = 50, de las propiedades de la grfica
que se hicieron notar antes, el punto ptimo estar sobre la lnea de indiferencia ms lejana al origen pero que
todava toque la regin factible. Esto se muestra en la siguiente figura:

Pgina 15

Ing. C. Snchez.

Con el punto ptimo localizado grficamente, la nica tarea que queda es encontrar las coordenadas del punto.
Ntese que el punto ptimo est en la interseccin de las lneas de restriccin para materiales y horas de mano
de obra. Las coordenadas de este punto se pueden encontrar resolviendo el sistema de ecuaciones que forman
estas dos restricciones utilizando cualquiera de los mtodos de solucin (suma y resta, sustitucin o igualacin).
Las coordenadas de este punto resultan ser (6, 3). La sustitucin de este punto en la funcin objetivo da la
ganancia mxima:
Z = 5(6) + 5(3) = $45

Resumen del mtodo grfico.

Para resolver grficamente problemas de programacin lineal:
Exprsense los datos del problema como una funcin objetivo y restricciones.
Grafquese cada restriccin.
Localcese la solucin ptima.

Uso del mtodo grfico para minimizacin.

Consideremos un Problema de PL en el cual el objetivo es minimizar costos. La solucin del problema
de minimizacin sigue el mismo procedimiento que la de problemas de maximizacin. La nica diferencia es
que ahora se quiere el menor valor posible para la funcin objetivo. Supngase que se tiene el siguiente
problema:
Ejemplo: Problema de dieta.
Un comprador est tratando de seleccionar la combinacin ms barata de dos alimentos, que debe
cumplir con ciertas necesidades diarias de vitaminas. Los requerimientos vitamnicos son por lo menos 40
unidades de vitamina W, 50 unidades de vitamina X y 49 unidades de vitamina Y. Cada onza del alimento A
proporciona 4 unidades de vitamina W, 10 unidades de vitamina X y 7 unidades de vitamina Y; cada onza del
alimento B proporciona 10 unidades de W, 5 unidades de X y 7 unidades de Y. El alimento A cuesta 5
pesos/kilogramo y el alimento B cuesta 8 pesos/kilogramo.
Paso 1: formulacin del problema.
La meta en este problema es encontrar la manera menos costosa para satisfacer las necesidades vitamnicas.
Las dos alternativas disponibles son los alimentos A y B. Matemticamente la funcin objetivo es:
Minimizar Z = 5A + 8B
Las restricciones son los requerimientos mnimos de las tres vitaminas. stas se muestran enseguida:
Restricciones:

Pgina 16

4A + 10B 40 vitamina W
10A + 5B 50 vitamina X
7A + 7B 49 vitamina Y
Ing. C. Snchez.

A 0, B 0 no negatividad
Paso 2: grfica de las restricciones.
El procedimiento para graficar es el mismo que se us antes: (1) graficar cada ecuacin de restriccin; (2)
graficar el rea apropiada. Para la primera restriccin la ecuacin es 4A + 10B = 40. Las dos intersecciones con
los ejes son (0,4) y (10,0). Esta lnea se muestra en la siguiente figura:

La restriccin pide 40 unidades o ms de la vitamina W. Cualquier punto que est arriba de la lnea de
restriccin ser factible y todos los puntos que quedan abajo de esa lnea sern aceptables. En la siguiente
figura se muestra la regin factible:

Despus se grafica la restriccin para la vitamina X. La ecuacin 10A + 5B = 50 tiene intersecciones con los
ejes en (0,10) y (5,0). En la siguiente figura se ilustran las restricciones para las vitaminas W y X. Ntese que
las soluciones que quedan en las reas a o b no son factibles, ya que quedaran abajo de las lneas de
restriccin.

Pgina 17

Ing. C. Snchez.


Al agregar la tercera restriccin, este segundo paso queda terminado, como se muestra en la siguiente figura:

Paso 3: localizacin de la solucin ptima.

En la siguiente figura se muestra la frontera extrema ms dos lneas de indiferencia, las de Z = 40 pesos y Z =
60 pesos. La frontera extrema est formada por los puntos a, b, c y d, puesto que stos son los puntos de
interseccin factibles ms cercanos al origen.

Pgina 18

Ing. C. Snchez.


Grficamente, el objetivo de minimizar el valor de Z significa ajustar una lnea de indiferencia tan cerca del
origen como sea posible. En la figura anterior puede observarse que existen muchas soluciones posibles para Z
= 60, pero ninguna para Z = 40. Imaginando mover la lnea Z = 60 hacia el origen, el ltimo punto de contacto
con la frontera extrema ser el punto b. Entonces, el punto b es la solucin ptima. En la figura anterior se
observa que el punto b es la interseccin de dos lneas:
(1) 4A + 10B = 40
(2) 7A + 7B = 49
Resolviendo el sistema de ecuaciones:
Multiplquese la ecuacin (1) por 7:
Multiplquese la ecuacin (2) por 4:

Sustityase en la ecuacin (1):

(3) 28A + 70B = 280

(4) 28A 28B = 196
42B = 84
B= 2
4A + 10(2) = 40
A= 5

La solucin menos costosa es 5 kilogramos de alimento A y 2 kilogramos de alimento B. El costo total de esta
combinacin es:
Z = 5A + 8B = 5(5) + 8(2) = 25 + 16 = 41 pesos
Si se usa el mtodo de prueba y error para localizar la solucin ptima, se deben encontrar las coordenadas de
los puntos a, b, c, y d. Se debe calcular despus el valor de la funcin objetivo para cada punto. A continuacin
se muestran los resultados de este procedimiento:
Resultados de prueba y error
Punto
a
b
c
d

Coordenadas
A = 10, B = 0
A = 5, B = 2
A =3, B = 4
A = 0, B = 10

Z = 5A + 8B
50
41 menor
47
80

CASOS ESPECIALES.
Mltiples soluciones.

Pgina 19

Ing. C. Snchez.

Maximizar
sujeta a

= 3x1
x1
3x1
x1
0,

+ 2x2

4
x2
12
+ 2x2
18

x2 0

Ninguna solucin factible.

Maximizar
sujeta a

+ 2x2
= 3x1
1/40x + 1/60x 1
1

1/50x + 1/50x 1
x1
x1
0,

x2
x2 0

30
20

rea o Regin de Soluciones Factibles no Acotada.

Maximizar
sujeta a

2.8.

= 2x1
x2
x1
x2
1
2x1
+ x2
6
x2 0
x1
0,

Mtodo Smplex.

El mtodo smplex es un algoritmo. De hecho, cualquier procedimiento iterativo de solucin es un

algoritmo. Entonces, un algoritmo es simplemente un proceso en el que se repite (se itera) un procedimiento
sistemtico una y otra vez hasta obtener el resultado deseado. Cada vez que se lleva a cabo el procedimiento
sistemtico se realiza una iteracin. En consecuencia, un algoritmo sustituye un problema difcil por una serie
de problemas fciles.
Adems de las iteraciones, los algoritmos incluyen un procedimiento para iniciar y un criterio para
determinar cundo detenerse, como se resume enseguida:
Preparacin para iniciar iteraciones

Paso inicial

Realizacin de iteraciones

Paso iterativo
Regla de detencin
Si
no

Es ptima la solucin actual?

Si s
Fin

El mtodo smplex es un procedimiento algebraico en el que cada iteracin contiene la solucin de un

sistema de ecuaciones para obtener una nueva solucin a la que se le aplica la prueba de optimalidad. No

Pgina 20

Ing. C. Snchez.

obstante, tambin tiene una interpretacin geomtrica muy til. Para ilustrar los conceptos geomtricos
generales se emplear la solucin grfica del siguiente problema:

Max Z = 3x1 + 5x2

s.a.
4
2x2 12
3x1 + 2x2 18
x 1 0 x2 0
x1

Solucin por el mtodo grfico:

En la figura anterior pueden observarse los puntos de interseccin que son las soluciones en los vrtices del
problema. Los cinco puntos que se encuentran en los vrtices de la regin factible, (0,0), (0,6), (2,6), (4,3),
(4,0) son las soluciones factibles en los vrtices. Algunas de estas soluciones factibles en un vrtice son
adyacentes, en el sentido de que estn conectadas por una sola orilla (segmento de lnea) de la frontera de la
regin factible; esto es, tanto (0,6) como (4,3) son adyacentes a (2,6). Las tres propiedades clave de las
soluciones factibles en los vrtices y que forman el fundamento del mtodo smplex se resumen como sigue:
Propiedades de las soluciones factibles en un vrtice:
1a. Si existe exactamente una solucin ptima, entonces debe ser una solucin factible en un vrtice.
1b. Si existen soluciones ptimas mltiples, entonces al menos dos de ellas deben ser soluciones factibles en
vrtices adyacentes.
Existe slo un nmero finito de soluciones factibles en los vrtices adyacentes.
Si una solucin en un vrtice es igual o menor (segn el valor de Z) que todas las soluciones factibles en los
vrtices adyacentes a ella, entonces es igual o mejor que todas las dems soluciones en los vrtices; es decir,
es ptima.
La propiedad 1 significa que la bsqueda de la solucin ptima se puede reducir a la consideracin de
slo las soluciones factibles en los vrtices, de manera que slo existe un nmero finito de soluciones que es

Pgina 21

Ing. C. Snchez.

necesario tomar en cuenta (propiedad 2). La propiedad 3 proporciona una prueba de optimalidad muy
conveniente.
El mtodo smplex explota estas tres propiedades al examinar nada ms unas cuantas soluciones
factibles en vrtices prometedores y al detenerse en cuanto una de ellas pasa la prueba de optimalidad. En
particular, se traslada repetidamente (en forma iterativa) de una solucin factible en un vrtice a otra, adyacente
y mejor. Esto se puede realizar en forma muy eficiente hasta que la solucin actual no tiene soluciones factibles
en vrtices adyacentes que sean mejores. Este procedimiento se resume como sigue:
Bosquejo del mtodo smplex:
Paso inicial: inicio en una solucin factible en un vrtice.
Paso iterativo: traslado a una mejor solucin factible en un vrtice adyacente. (Reptase este paso las veces
que sea necesario).
Prueba de optimalidad: la solucin factible en un vrtice es ptima cuando ninguna de las soluciones en
vrtices adyacentes a ella sean mejores.
Este bosquejo muestra la esencia del mtodo smplex,. En el caso del ejemplo, al utilizar estas reglas
de seleccin el mtodo smplex procede como sigue:
Paso inicial: comienza en (0,0).
2a. Iteracin 1: se mueve de (0,0) a (0,6)
2b. Iteracin 2: se mueve de (0,6) a (2,6).
Prueba de optimalidad: ni (0,6) ni (4,3) son mejores que (2,6), entonces se detiene, (2,6) es ptima.
Preparacin para el mtodo smplex.
En el procedimiento algebraico es mucho ms conveniente manejar ecuaciones que desigualdades.
As, el primer paso para preparar el mtodo smplex es convertir las restricciones funcionales de desigualdad
en restricciones equivalentes. (Las restricciones de no negatividad se pueden dejar como desigualdades porque
el algoritmo las usa slo indirectamente). Esta conversin se hace mediante la introduccin de variables de
holgura. Considrese la primera restriccin funcional del ejemplo:
x1 4
La variable de holgura para esta restriccin es x3, que no es otra cosa que la holgura entre los dos lados de la
desigualdad. Entonces:
x1 + x3 = 4
La restriccin original x1 4 se cumple siempre que x3 0. Por tanto, x1 4 es totalmente equivalente al
conjunto de restricciones
x1 + x3 = 4
y
x3 0,
de manera que se usar este conjunto por resultar ms conveniente.
Al introducir variables de holgura en las otras restricciones en forma parecida, el modelo de
programacin lineal original para este ejemplo se puede sustituir por el modelo equivalente:

x1
3x1

Pgina 22

Maximizar Z = 3x1 + 5x2,

sujeta a
+ x3
= 4
2x2
+ x4
= 12
+ 2x2
+ x5
= 18
xj
para j = 1, 2, , 5
0

Ing. C. Snchez.

Aun cuando este problema es idntico al anterior, esta forma es mucho ms conveniente para la
manipulacin algebraica y la identificacin de las soluciones factibles en los vrtices. sta se llama la forma de
igualdades del problema, para diferenciarla de la forma de desigualdades original y poder introducir la siguiente
definicin:
Una solucin aumentada es una solucin para un problema que originalmente se encontraba en forma de
desigualdades y que se ha aumentado con los valores correspondientes de las variables de holgura para
cambiar el problema a la forma de igualdades.
Por ejemplo, al aumentar la solucin (3,2) en el ejemplo, se obtiene la solucin aumentada (3,2,1,8,5),
puesto que los valores correspondientes de las variables de holgura son x3 = 1, x4 = 8, x5 = 5.
Una solucin bsica es una solucin en un vrtice aumentada.
Para ilustrar esto, considrese la solucin no factible en el vrtice (4,6) del ejemplo. Al aumentar con los
valores obtenidos para las variables de holgura x3 = 0, x4 = 0 y x5 = 6, se llega a la solucin bsica
correspondiente (4,6,0,0,6). Se permite que las soluciones bsicas sean factibles o no factibles, lo que lleva a
la siguiente definicin:
Una solucin bsica factible es una solucin factible en un vrtice aumentada.
As, la solucin factible en el vrtice (0,6) del ejemplo es equivalente a la solucin bsica factible
(0,6,4,0,6) para la forma de igualdades del problema.
Como los trminos solucin bsica y solucin bsica factible constituyen partes muy importantes del
vocabulario normal de programacin lineal, es necesario aclarar sus propiedades algebraicas. Ntese que para
la forma de igualdades del ejemplo, el sistema de restricciones funcionales tiene dos variables ms (cinco) que
ecuaciones (tres). Este hecho proporciona dos grados de libertad al resolver el sistema, ya que se pueden
elegir dos variables cualesquiera y hacerlas iguales a cualquier valor arbitrario para resolver las tres ecuaciones
en trminos de las tres variables restantes (se excluyen redundancias). El mtodo smplex usa cero para este
valor arbitrario. Las variables que por el momento se hacen iguales a cero se llaman variables no bsicas;
todas las dems se llaman variables bsicas. La solucin que resulta es una solucin bsica. Si todas las
variables bsicas son no negativas, entonces se tiene una solucin bsica factible. Para cualquier solucin
bsica, la solucin en el vrtice correspondiente se obtiene simplemente al quitar las variables de holgura. Dos
soluciones bsicas son adyacentes si todas menos una de sus variables son las mismas; la misma aseveracin
se cumple para las variables bsicas. Entonces, trasladarse de una solucin bsica factible a una adyacente
significa cambiar el estado de una variable de no bsica a bsica y viceversa para otra variable.
En trminos generales, el nmero de variables no bsicas de una solucin bsica siempre es igual a los
grados de libertad del sistema de ecuaciones y el nmero de variables bsicas siempre es igual al nmero de
restricciones funcionales.
Al trabajar con el problema en forma de igualdades, conviene tomar en cuenta y manipular la ecuacin
de la funcin objetivo al mismo tiempo que las nuevas ecuaciones de las restricciones. Antes de comenzar con
el mtodo smplex es necesario escribir el problema una vez ms en su forma equivalente:

Maximizar Z,
sujeta a
Z

3x1
x1
3x1

5x2
+ x3
2x2
+ 2x2
xj

=
=
+ x4
=
+ x5
=
para j = 1, 2, , 5

0
4
12
18

Como la ecuacin de la funcin objetivo ya se encuentra en forma de igualdad, no necesita variable de

holgura. Con esta interpretacin, las soluciones bsicas no cambian, excepto que Z puede verse como una
variable bsica adicional permanente.

Pgina 23

Ing. C. Snchez.

A partir de este momento ya estamos listos para pasar los coeficientes de nuestro problema a lo que
conoceremos como la Tabla Smplex:
Variable
Bsica
Z
x3
x4
x5

Z
1
0
0
0

x1
3
1
0
3

x2
5
0
2
2

x3
0
1
0
0

x4
0
0
1
0

x5
0
0
0
1

Lado
derecho
0
4
12
18

Cociente

Es ptima?
(0, 0, 4, 12, 18)
Z=0

La tabla anterior ilustra una propiedad clave que toda tabla smplex debe tener para estar en la forma
apropiada; se trata del patrn especial de los coeficientes de las variables bsicas. En particular, ntese cmo
las columnas de x3, x4 y x5 (al igual que la columna de Z) contiene exactamente un +1 en el rengln que
corresponde a esa variable bsica (vase la primera columna), y todos los dems coeficientes en esa columna
son cero. De la misma manera, cada ecuacin contiene exactamente una variable bsica con coeficiente
distinto de cero, en donde este coeficiente es +1. Esta propiedad es significativa, ya que permite identificar de
inmediato la solucin bsica factible actual a partir de la tabla; esto es, cada variable bsica es igual a la
constante del lado derecho de su ecuacin. Esta primera solucin bsica factible actual se muestra en la figura
anterior en la columna de Es ptima?. De aqu en adelante, para cada nueva iteracin del mtodo smplex
mostraremos la solucin bsica factible actual en esta columna de la tabla smplex. (Recurdese que las
variables no bsicas son iguales a cero). La tabla smplex inicial quedar automticamente en esta forma
apropiada (a menos que el problema original de programacin lineal no est en nuestra forma estndar).
El mtodo smplex construye una tabla smplex para cada solucin bsica factible que se obtiene, hasta
alcanzar la solucin ptima. A continuacin describimos el procedimiento para problemas que ya estn en la
forma estndar, con bi > 0 para toda i = 1, 2, , m.

PASO INICIAL. Se introducen variables de holgura. Despus se seleccionan las variables originales como
variables no bsicas iniciales (se igualan a cero) y las variables de holgura como las variables bsicas
originales. Esta seleccin lleva a la tabla smplex inicial anterior. Como esta tabla est en la forma apropiada, de
inmediato se obtiene la solucin bsica factible inicial para el ejemplo, (0,0,4,12,18). Ahora debe realizarse la
prueba de optimalidad para determinar si la solucin es optima.

PRUEBA DE OPTIMALIDAD. La solucin bsica factible actual es ptima si y slo si todos los coeficientes
de la ecuacin de la funcin objetivo (rengln de Z) son no negativos ( 0 ). Si es as, el proceso termina; de
otra manera, se lleva a cabo otra iteracin para obtener la nueva solucin bsica factible, lo que significa el
cambio de una variable no bsica por una bsica (parte 1) y viceversa (parte 2), y despus despejar las
variables de la nueva solucin (parte 3).
En este ejemplo, hay dos coeficientes negativos en la ecuacin de Z, 3 para x1 y 5 para x2 de manera
que debe irse al paso iterativo. Tacharemos la solucin bsica factible actual como se muestra en la tabla
anterior para indicar que esta solucin no es ptima.

PASO ITERATIVO.
Parte 1. Se determina la variable bsica entrante mediante la eleccin de la variable con el coeficiente
negativo (automticamente se refiere a una variable no bsica) que tiene el mayor valor absoluto en la ecuacin
de Z. Se enmarca la columna correspondiente a este coeficiente; esta columna recibe el nombre de columna
pivote. En el ejemplo, el coeficiente negativo ms grande (en trminos de valor absoluto) es 5 para x2 (5>3),
por lo que x2 debe convertirse en variable bsica. Este cambio se indica en la siguiente tabla con el recuadro en
la columna de x2 abajo del 5:
Variable
Bsica

Z
x3
x4
Pgina 24

1
0
0

x1

x2

3
1
0

5
0
2

x3

0
1
0

x4

0
0
1

x5

0
0
0

Lado
derecho

0
4
12

Cociente

12/2 = 6

Es ptima?

mnimo
Ing. C. Snchez.

x5

18

18/2 = 9

Parte 2. Se determina la variable bsica que sale; para esto, a) se toma cada coeficiente estrictamente
positivo (>0) de la columna enmarcada, b) se divide el lado derecho de cada rengln entre estos coeficientes, c)
se identifica la ecuacin con el menor coeficiente y d) se selecciona la variable bsica para esta ecuacin. (Esta
variable bsica es la que llega a cero primero cuando se incrementa la variable bsica entrante). Se enmarca el
rengln de esta ecuacin en la tabla smplex sin incluir la columna Z y se le da el nombre de rengln pivote. El
nmero que est en la interseccin de los dos recuadros se llama pivote.
En la tabla anterior, se muestran los resultados de las partes 1 y 2 para el ejemplo (antes de enmarcar
el rengln); la prueba del cociente mnimo para determinar la variable bsica que sale se muestra a la
derecha de la tabla. Entonces la variable bsica que sale es x4.
Parte 3. Se determina la nueva solucin bsica factible al construir una nueva tabla smplex en la forma
apropiada, abajo de la que se tiene. Las primeras dos columnas no cambian, excepto que la variable bsica
entrante sustituye a la variable bsica que sale en la columna de Variable Bsica. Para cambiar el coeficiente
de la nueva variable bsica en el rengln pivote a +1, se divide todo el rengln pivote entre el nmero pivote:
Rengln pivote nuevo = Rengln pivote antiguo / pivote
En este punto, la tabla smplex para el ejemplo se ve como la que se muestra enseguida. Para obtener
un coeficiente 0 para la nueva variable bsica en las otras ecuaciones, cada rengln [inclusive el de la ecuacin
de Z] excepto el rengln pivote, se cambia por la nueva tabla smplex usando la siguiente frmula:
Rengln nuevo = rengln antiguo (coeficiente en la columna pivote rengln pivote nuevo)
en donde el coeficiente en la columna pivote es el nmero en la columna pivote correspondiente a este rengln.

Variable
Bsica
Z
x3
x4
x5
Z
x3
x2
x5

Z
1
0
0
0
1
0
0
0

x1

x2

x3

x4

x5

3
1
0
3

5
0
2
2

0
1
0
0

0
0
1
0

1/2 0

0
0
0
1

Lado
derech
o
0
4
12
18

Cociente

Es ptima?

(0, 0, 4, 12, 18)

Z=0

Para ilustrar con el ejemplo, los nuevos renglones se obtienen de la forma siguiente:
Rengln de Z:
(5)
Rengln nuevo =

[3
[ 0
[3

5
1
0

0
0
0

0
1/2
5/2

0,
0,
0,

0]
6]
30]

Rengln 1: Sin cambio porque su coeficiente en la columna pivote es cero.

Rengln 3:
(2)
Rengln nuevo =

[3
[0
[3

2
1
0

0
0
0

0
1/2
1

1,
0,
1,

18]
6]
6]

Estos cambios llevan a la nueva tabla smplex que se muestra en la siguiente tabla para la
iteracin 1:

Pgina 25

Ing. C. Snchez.

Variable
Bsica

x1

x2

x3

x4

x5

Z
x3
x4
x5
Z
x3
x2
x5

1
0
0
0
1
0
0
0

3
1
0
3
3
1
0
3

5
0
2
2
0
0
1
0

0
1
0
0
0
1
0
0

0
0
1
0
5/2
0
1/2
1

0
0
0
1
0
0
0
1

Lado
derech
o
0
4
12
18
30
4
6
6

Cociente

Es ptima?

(0, 0, 4, 12, 18)

Z=0

(0, 6, 4, 0, 6)
Z = 30

Como las variables bsicas siempre son iguales al lado derecho de la ecuacin que le corresponde, la
nueva solucin bsica factible es (0, 6, 4, 0, 6) con Z = 30.
Este trabajo completa el paso iterativo, as que debe proseguirse a la prueba de optimalidad. Como la
ecuacin de Z todava tiene coeficientes negativos (3 para x1), la prueba de optimalidad indica que la solucin
no es ptima, (lo cual se muestra en la figura anterior) por lo que manda al algoritmo de regreso al paso iterativo
para obtener la siguiente solucin bsica factible. El paso iterativo comienza de nuevo en la tabla smplex actual
para encontrar la nueva solucin. Si se siguen las instrucciones de las partes 1 y 2, se encuentra que x1 es la
variable bsica entrante y x5 la variable bsica que sale, como se muestra en la siguiente tabla:

Variable
Bsica

Z
x3
x2
x5

1
0
0
0

x1
3
1
0
3

x2

x3

x4

x5

0
0
1
0

0
1
0
0

5/2
0
1/2
1

0
0
0
1

Lado
derech
o
30
4
6
6

Cociente

Es ptima?

4/1 = 4

(0, 6, 4, 0, 6)
Z = 30

6/3 = 2

mn.

En las siguientes tablas se muestra el conjunto completo de las tablas del mtodo smplex para este
ejemplo. La nueva solucin bsica factible es (2, 6, 2, 0, 0), con Z = 36. Al hacer la prueba de optimalidad, se
encuentra que la solucin es ptima porque no hay coeficientes negativos en la ecuacin de Z, de manera que
el algoritmo ha terminado. En consecuencia, la solucin ptima para este ejemplo (sin tomar en cuenta las
variables de holgura) es x1 = 2, x2 = 6.
Variable
Bsica
Z
x3
x4
x5
Z
x3
x2
x5
Z
x3
x2
x1

Z
1
0
0
0
1
0
0
0
1
0
0
0

x1
3
1
0
3
3
1
0
3
0
0
0
1

x2
5
0
2
2
0
0
1
0
0
0
1
0

x3
0
1
0
0
0
1
0
0
0
1
0
0

Lado
x4
x5 derecho
Cociente
0
0
0
0
0
4
1
0
12
12/2 = 6
mn.
0
1
18
18/2 = 9
5/2
0
30
0
0
4
4/1 = 4
1/2
0
6
1
1
6
6/3 = 2
mn.
3/2
1
36
1/3 1/3
2
1/2
0
6
1/3 1/3
2

Es ptima?
(0, 0, 4, 12, 18)
Z=0

(0, 6, 4, 0, 6)
Z = 30

(2, 6, 2, 0, 0)
Z = 36
ptima

Anteriormente no se dijo qu hacer cuando las reglas de seleccin del mtodo smplex no llevan a una
decisin clara, ya sea porque existen empates (valores iguales) o por otras ambigedades parecidas.

Pgina 26

Ing. C. Snchez.

Empate para la variable bsica entrante.

El paso 1 de cada iteracin elige la variable bsica que tiene el coeficiente negativo con el mayor valor
absoluto en la ecuacin de Z actual como la variable bsica entrante. Ahora suponga que dos o ms variables
no bsicas tienen el coeficiente negativo ms grande (en valor absoluto), es decir, que hay un empate entre
ellas. Por ejemplo, esto ocurrira en la primera iteracin del ejemplo anterior si se cambiara la funcin objetivo a
Z = 3x1 + 3x2, con lo que la ecuacin del rengln de Z inicial sera Z3x13x2 = 0. Cmo debe romperse este
empate?
La respuesta es que la eleccin entre estos dos contendientes se puede hacer de manera arbitraria.
Tarde o temprano se llegar a la solucin ptima, sin importar cul de las variables empatadas se haya
escogido, y no existe un mtodo conveniente para predecir cul lleva ah ms rpidamente. En este ejemplo
ocurre que si se escoge x1 como variable entrante, el mtodo smplex alcanza la solucin ptima (2, 6) en tres
iteraciones y si se elige x2, llega en dos.
Empate para la variable bsica que sale degeneracin.
Ahora suponga que el empate ocurre entre dos o ms variables bsicas al elegir la variable que sale en
el paso 2 de una iteracin. Importa cul se escoge? En teora s, y en una forma crtica debido a que puede
ocurrir la siguiente sucesin de eventos. Primero, todas las variables empatadas se hacen cero al mismo tiempo
cuando aumenta el valor de la variable entrante. Por tanto, aquellas que no se eligieron como variable bsica
que sale tambin tendrn un valor de cero en la nueva solucin bsica factible. (Las variables bsicas con valor
de cero se llaman degeneradas y el mismo nombre se da a la solucin bsica factible correspondiente.)
Segundo, si una de estas variables bsicas degeneradas sigue con valor de cero hasta que se selecciona como
variable bsica que sale en una iteracin posterior, la variable bsica entrante deber tambin quedar con valor
de cero (ya que no puede crecer sin que la variable bsica que sale se vuelva negativa), entonces el valor de Z
permanecer sin cambio. Tercero, si Z permanece igual en lugar de mejorar cada iteracin, el mtodo smplex
puede caer en un ciclo que repite la misma secuencia de soluciones peridicamente, en lugar de aumentar en
algn momento para llegar a la solucin ptima.
Por fortuna, aunque en teora es posible que haya ciclos perpetuos, ha sido en extremo raro que tenga
lugar en problemas reales. Si ocurriera un ciclo siempre se puede salir de l cambiando la eleccin de la
variable bsica que sale. Por lo tanto se recomienda romper los empates arbitrariamente y seguir el proceso sin
preocuparse de las variables que puedan resultar.
Cuando no hay variable bsica que sale Z no acotada.
Existe otra posibilidad en el paso 2 de una iteracin, de la que no se ha hablado: aquella en la que
ninguna variable califica como variable bsica que sale. Esta situacin puede ocurrir si la variable bsica
entrante puede crecer indefinidamente sin que ninguna de las variables bsicas actuales adquiera valores
negativos. En la forma tabular, esto significa que todos los coeficientes en la columna pivote (se excluye el
rengln de Z) son negativos o cero.
Como se ilustra en la siguiente tabla, esta situacin surge cuando se considera el siguiente ejemplo:

Maximizar Z = 3x1 + 5x2,

sujeta a
x1 4
y
x 1 0, x2 0
En este ejemplo se ignoraron las dos ltimas restricciones funcionales del ejemplo resuelto
anteriormente. Vea en la tabla que x2 es la variable bsica entrante pero el nico coeficiente en la columna
pivote es cero. Como la prueba del cociente mnimo usa slo coeficientes mayores que cero, no se cuenta con
un cociente que proporcione una variable bsica que sale.
La interpretacin de una tabla smplex como la que se muestra en la siguiente tabla es que las
restricciones no impiden el crecimiento indefinido de la funcin objetivo Z, de manera que el mtodo smplex se
detiene con el mensaje de que Z es no acotada. Debido a que ni siquiera la programacin lineal ha descubierto
la manera de lograr ganancias infinitas, el mensaje real en problemas prcticos es: Se ha cometido un error!
Tal vez el modelo est mal formulado, ya sea por haber omitido una restriccin relevante o por haberla
establecido incorrectamente. De otra manera, pudo haber ocurrido un error en los clculos.

Variable

Pgina 27

Lado
Ing. C. Snchez.

Bsica

x1

x2

x3

Z
X3

1
0

3
1

5
0

0
1

derech
o
0
4

Cociente

Es ptima?

Sin mnimo

Soluciones ptimas mltiples.

En la definicin de solucin ptima se mencion que un problema puede tener ms de una solucin
ptima. Si en el ejemplo cambiamos la funcin objetivo a Z = 3x1 + 2x2 resulta que todos los puntos sobre el
segmento de recta entre (2,6) y (4,3) son soluciones ptimas. Entonces todas las soluciones son un promedio
ponderado de estas dos soluciones factibles en los vrtices ptimas:
(x1, x2) = w1(2, 6) + w2(4, 3),
donde los pesos w1 yw2 son nmeros que satisfacen las relaciones:
w1 + w2 = 1

w1 0,

w2 0

Por ejemplo, w1 = 1/3 y w2 = 2/3 da:

(x1, x2) = 1/3(2, 6) + 2/3(4, 3) = (2/3+8/3, 6/3+6/3) = (10/3, 4)
como una solucin ptima.
En general, cualquier promedio ponderado de dos o ms soluciones (vectores) donde los pesos son no
negativos y suman 1 se llama combinacin convexa de estas soluciones. Entonces, toda solucin ptima en el
ejemplo es una combinacin convexa de (2, 6) y (4, 3).
Este ejemplo es representativo de problemas con soluciones ptimas mltiples.
Cualquier problema de Programacin Lineal con soluciones ptimas mltiples (y una regin factible acotada)
tiene al menos dos soluciones factibles en los vrtices que son ptimas. Toda solucin ptima es una
combinacin lineal de estas soluciones factibles en los vrtices ptimas. En consecuencia, en la forma
aumentada, toda solucin ptima es una combinacin convexa de las soluciones bsicas factibles ptimas.
El mtodo smplex se detiene automticamente al encontrar una solucin bsica factible ptima. Sin
embargo, en muchas aplicaciones de Programacin Lineal existen factores intangibles que no se incorporan al
modelo y que pueden ser tiles para tomar decisiones significativas sobre las soluciones ptimas alternativas.
En esos casos, tambin deben identificarse las otras soluciones ptimas. Esto requiere encontrar todas las
dems soluciones bsicas factible ptimas, y entonces toda solucin ptima es una combinacin convexa de
las soluciones bsicas factibles ptimas.
Una vez que el mtodo smplex encuentra una solucin bsica factible ptima, se puede detectar si
existen otras y, si as es, se encuentra como sigue:
Siempre que un problema tiene ms de una solucin bsica factible ptima, al menos una variable no bsica
tiene coeficiente cero en la ecuacin de Z final, de manera que si aumenta su valor, el valor de la funcin Z no
cambia. Por lo tanto, estas otras soluciones bsicas factibles ptimas se pueden identificar (si se desea)
realizando iteraciones adicionales del mtodo smplex, en las que cada vez se elige una variable no bsica con
coeficiente cero como variable bsica entrante. Si una de estas iteraciones no tiene una variable bsica que
sale esto indica que la regin factible es no acotada y la variable bsica entrante puede crecer indefinidamente
sin cambiar el valor de Z.

Pgina 28

Ing. C. Snchez.

2.9.

Mtodo de la M o de Penalizacin.

Hasta este momento se han presentado los detalles del mtodo smplex con la suposicin de que el
problema se encuentra en nuestra forma estndar (maximizar Z sujeta a las restricciones funcionales de la
forma y restricciones de no negatividad sobre todas las variables) con bi 0 para toda i = 1, 2, ..., m.
En esta seccin se establecer cmo hacer los ajustes requeridos a otras formas legtimas de modelos de
Programacin Lineal. Se ver que todos estos ajustes se pueden hacer en el paso inicial, de manera que el
resto del mtodo smplex se aplica justo como se aprendi.
El nico problema serio que introducen las otras formas de restricciones funcionales (= ) es
identificar una solucin inicial bsica factible. Antes, esta solucin inicial se encontraba en forma muy
conveniente al hacer que las variables de holgura fueran las variables bsicas iniciales, donde cada una era
igual a la constante no negativa del lado derecho de la ecuacin correspondiente. Ahora debe hacerse algo
ms. El enfoque estndar que se utiliza es estos casos es la tcnica de variables artificiales. sta construye
un problema artificial ms conveniente introduciendo una variable ficticia (llamada variable artificial) en cada
restriccin que lo requiera. Esta nueva variable se introduce slo con el fin de que sea la variable bsica inicial
para esa ecuacin. Las restricciones usuales de no negatividad tambin se aplican sobre estas variables y la
funcin objetivo se modifica para que imponga una penalizacin exorbitante en el caso de que adquieran
valores mayores que cero. Las iteraciones del mtodo smplex automticamente fuerzan a las variables
artificiales a desaparecer (a volverse cero) una a una, hasta que todas quedan fuera de la solucin; despus
de esto se resuelve el problema real.
Para ilustrar la tcnica de las variables artificiales, primero se considerar el caso en que la nica forma
no estndar en el problema es la presencia de una o ms restricciones en forma de igualdad.
Restricciones en forma de igualdad.
En realidad, cualquier restriccin en forma de igualdad:
ai1x1 +ai2x2 + . . . + ainxn = bi
es equivalente a dos restricciones de desigualdad:
ai1x1 + ai2x2 + . . . + ainxn bi,
ai1x1 + ai2x2 + . . . + ainxn bi
Sin embargo, en lugar de hacer esta sustitucin e incrementar con ello el nmero de restricciones, es
ms conveniente usar la tcnica de la variable artificial. Suponga que se modifica el problema de ejemplo
presentado y resuelto en la seccin anterior. El nico cambio que sufre el modelo de programacin lineal es que
la tercera restriccin, 3x1 + 2x2 18, se convierte en una restriccin de igualdad:
3x1 + 2x2 = 18
Aplicando la tcnica de las variables artificiales se introduce una variable artificial no negativa
(denotada por x5) en la ltima ecuacin, como si fuera una variable de holgura:
3x1 + 2x2 + x5 =18
En resumen si tenemos una restriccin funcional en forma de igualdad y deseamos pasarla a su forma
de igualdad, nicamente debemos sumar una variable artificial.
Restricciones funcionales de la forma
Para ilustrar la manera en que la tcnica de las variables artificiales maneja las restricciones de la forma
usaremos el siguiente ejemplo:

Pgina 29

Ing. C. Snchez.

Minimizar
sujeta a

= 0.4x1
0.3x1
0.5x1
0.6x1
x1
0,

+
+
+
+

0.5x2
0.1x2 2.7
0.5x2 = 6
0.4x2 6
x2 0

Notemos que la tercera restriccin es del tipo , por lo que para cambiarla a su forma de igualdad
tendramos que restar una variable de supervit (o de excedente), quedando de la siguiente manera:
0.6x1 + 0.4x2 x5 = 6
Se ha restado la variable de excedente x5 (se utiliz x5 porque en la primera restriccin agregamos una
variable de holgura que sera x3 y en la segunda restriccin agregamos tambin una variable artificial que sera
x4; todo esto con el fin de convertir las desigualdades a su forma de igualdades) para que consuma el exceso
de 0.6x1 + 0.4x2, o sea, lo que se pasa de 6. No obstante en este caso debe agregarse otra variable. Esta
variable extra, llamada variable artificial se aumenta como sigue:
0.6x1 + 0.4x2 x5 + x6 = 6
La razn de esto es que, si no se agrega la variable artificial, no se estaran cumpliendo las
restricciones de no negatividad. Para comprenderlo, se dejar sin aumentar. El mtodo smplex comienza por
hacer todas las variables reales (originales) iguales a cero. Entonces:
0.6x1 + 0.4x2 x5 = 6
Sea x1 = 0 y x2 = 0, entonces:
x5 = 6

x5 = 6 (que no cumple la restriccin de no negatividad)

La variable artificial opera para mantener todas las variables no negativas cuando 0.6x1 + 0.4x2 es
menor que 6. Si x1 = 0 y x2 = 0, entonces x5 = 0 y
0.6x1 + 0.4x2 x5 + x6 = 6
x6 = 6
En resumen, una restriccin de la forma se convierte a su forma de igualdad restando una variable de
excedente y sumando una variable artificial.
Consideremos el siguiente problema:
Maximizar
sujeta a

= 3x1
x1

3x1
+
x1 0,

5x2
2x2
2x2
x2 0

4
12
18

Como explicamos anteriormente, para resolver este problema, debemos construir un problema
artificial que tiene la misma solucin ptima que el problema real, haciendo dos modificaciones a este
problema real.

Pgina 30

Ing. C. Snchez.

Se aplica la tcnica de las variables artificiales introduciendo una variable artificial no negativa (denotada
por x5) en la ltima ecuacin, como si fuera una variable de holgura:

3x1 + 2x2 + x5 =18

Se asigna una penalizacin enorme al hecho de tener x5 > 0, cambiando la funcin objetivo
Z = 3x1 + 5x2 a:
Z = 3x1 + 5x2 Mx5,
donde M simblicamente representa un nmero positivo muy grande. Este mtodo que fuerza a x5 hasta el nivel
de x5 = 0 en la solucin ptima se llama mtodo de la M.
Nota: Para el caso de minimizacin, penalizamos a la variable artificial, hacindola aparecer en la funcin
objetivo con un coeficiente de +M.
Ahora se encuentra la solucin ptima para el problema real aplicando el mtodo smplex al problema
artificial.
Como x5 juega el papel de la variable de holgura en la tercera restriccin del problema artificial, esta
restriccin es equivalente a 3x1 + 2x2 18.
En particular, el sistema de ecuaciones despus de aumentar el problema artificial (en otras palabras,
pasarlo a su forma de igualdades) es:
Maximizar Z,
sujeta a
Z

3x1
x1
3x1

5x2

+ Mx5
+ x3

2x2
+ 2x2
xj

+ x4
0

+ x5
Para j = 1, 2, , 5

=
=
=
=

0
4
12
18

En este momento estamos preparados para pasar los coeficientes a la tabla smplex:
Variable
Bsica
Z
x3
x4
x5

Z
1
0
0
0

x1
3
1
0
3

x2
5
0
2
2

x3
0
1
0
0

x4
0
0
1
0

x5
M
0
0
1

Lado
derecho Cociente
0
4
12
18

Es ptima?

Esta tabla todava no est en la forma apropiada porque el coeficiente de x5 es diferente de cero en la
ecuacin de Z (es M). Por lo tanto, antes de que el mtodo smplex pueda aplicar la prueba de optimalidad y
encontrar la variable bsica entrante, debe pasarse esta tabla a la forma apropiada para que cumpla la
condicin smplex. Esta condicin que debe cumplir toda tabla del mtodo smplex para que pueda
reportarnos la siguiente solucin bsica factible dice que: Toda variable bsica debe tener un 1 en la
interseccin de su rengln y columna correspondiente y cero en los dems renglones incluido el rengln de Z,
en otras palabras, que toda variable que sea bsica solamente debe aparecer en el rengln de la restriccin
que representa. Para hacer cero el coeficiente M, utilizamos el rengln de x5 como rengln pivote
multiplicndolo por M y sumando el resultado al rengln de Z. Realizando el procedimiento anterior, la tabla
smplex queda de la siguiente manera:

Variable
Bsica
Z
x3
Pgina 31

Z
1
0

x1
x2
x3
-3M-3 -2M-5 0
1
0
1

x4
0
0

x5
0
0

Lado
derecho
18M
4

Cociente
Es ptima?
Mx5 + Z
(0, 0, 4, 12, 18)
Ing. C. Snchez.

x4
x5

0
0

0
3

2
2

0
0

1
0

0
1

Z = 18M

12
18

Podemos observar que la tabla anterior ya se encuentra en la forma apropiada y podemos leer la
solucin bsica factible actual, que es (0, 0, 4, 12, 18), la cual aplicando la prueba de optimalidad vemos que no
es ptima ya que todava tenemos coeficientes negativos en el rengln de Z (los correspondientes a x1 y x2).
Aplicando el mtodo smplex a la tabla anterior tenemos: el coeficiente negativo con el mayor valor absoluto
corresponde a x1 (3M3), recordemos que M es un nmero muy grande positivo, por lo tanto, x1 se convierte
en la variable bsica entrante, realizando los cocientes correspondientes, vemos que x3 se convierte en la
variable bsica saliente. El procedimiento completo para resolver este ejemplo se muestra en el siguiente
conjunto de tablas:
Variable
Bsica
Z

Z
1

x3
0

x4
0

x5
0

Lado
derecho
18M

x3
x4
x5

0
0
0

1
0
3

1
0
0

0
1
0

0
0
1

4
12
18

6M+12

x1
x4
x5

0
0
0

1
0
0

0
2
2

1
0
3

0
1
0

0
0
1

4
12
6

9/2

M+5/2

27

x1
x4
x2

0
0
0

1
0
0

0
0
1

1
3
3/2

0
1
0

0
1
1/2

4
6
3

3/2

M+1

x1
x3
x2

36

0
0
0

1
0
0

0
0
1

0
1
0

1/3
1/3
1/2

1/3
1/3
0

2
2
6

x1
x2
-3M-3 -2M-5

0
2
2

-2M-5 3M+3

Cociente

Es ptima?

4/1 = 4

(0, 0, 4, 12, 18)

Z = 18M

18/3 = 6

12/2 = 6
6/2 = 3
4/1 = 4
6/3 = 2

(4, 0, 0, 12, 6)
Z = 6M+12

(4, 3, 0, 6, 0)
Z = 27

(2, 6, 2, 0, 0)
Z = 36
ptima

MINIMIZACIN con el mtodo smplex.

Una manera directa de minimizar Z con el mtodo smplex es cambiar los roles de los coeficientes
negativos y positivos en el rengln de la funcin objetivo, tanto para la prueba de optimalidad como para la
parte 1 de una iteracin. Se determina la variable bsica entrante mediante la eleccin de la variable con el
coeficiente positivo menor en la ecuacin de Z. La solucin bsica factible actual es ptima si y slo si todos los
coeficientes de la ecuacin de la funcin objetivo (rengln de Z) son no positivos ( 0 ). Si es as, el proceso
termina; de otra manera, se lleva a cabo otra iteracin para obtener la nueva solucin bsica factible, lo que
significa el cambio de una variable no bsica por una bsica (parte 1) y viceversa (parte 2), y despus despejar
las variables de la nueva solucin (parte 3). Notemos que no se ha dicho nada con respecto a la forma de
obtener la variable bsica saliente en una iteracin, ya que este paso se realiza de la misma manera que
cuando se est maximizando, es decir, se escoge aquella variable bsica con el menor cociente. Ilustremos la
forma de utilizar el mtodo smplex para el caso de minimizacin. Consideremos el siguiente ejemplo:
Minimizar
sujeta a

= 3x1
+
x1
+
x1
+
x1 0,

8x2
4x2
2x2
x2 0

4
2

Pasando este problema a su forma de igualdades aadiendo las variables necesarias, obtenemos lo
siguiente:

Minimizar Z,
sujeta a
Pgina 32

Ing. C. Snchez.

3x1
x1
x1

8x2
+ 4x2
+ 2x2
xj

Mx5
+ x3
0

+ x5
x4
para j = 1, 2, , 5

= 0
= 4
= 2

Utilizando el mtodo de la M para obtener una solucin ptima por el mtodo smplex, obtenemos el
siguiente conjunto de tablas:

Variable
Bsica
Z
x3
x5
Z
x3
x5
Z
x3
x1

Z
1
0
0
1
0
0
1
0
0

x1
3
1
1
M3
1
1
0
0
1

x2
8
4
2
2M8
4
2
2
2
2

x3
0
1
0
0
1
0
0
1
0

x4
0
0
1
M
0
1
3
1
1

x5
M
0
1
0
0
1
M+3
1
1

Lado
derecho
Cociente
0
4
2
2M
4
4/1 = 4
2
2/1 = 2
6
2
2

Es ptima?

(0, 0, 4, 0, 2)
Z = 2M
(2, 0, 2, 0, 0)
Z=6
ptima

Notemos que la primera tabla no se encontraba en la forma apropiada para el mtodo smplex, ya que
el coeficiente de la variable bsica x5 era de M en el rengln de Z, lo cual hacia que no se cumpliera la
condicin smplex.

2.10.

Mtodo de las dos Fases.

En el ejemplo presentado en la seccin Restricciones funcionales de la forma , recordemos la funcin

objetivo real:
Problema real:
Minimizar
Z = 0.4x1 + 0.5x2
Sin embargo, el mtodo de la M utiliza la siguiente funcin objetivo a travs de todo el procedimiento:
Mtodo de la M:

Minimizar

Z = 0.4x1 + 0.5x2 + Mx4 + Mx6

Como los dos primeros coeficientes (0.4 y 0.5) son despreciables comparados con M, el mtodo de dos
fases puede eliminar la M usando las siguientes dos funciones objetivo que definen Z de manera
completamente diferente:
Mtodo de las dos fases:
Fase 1:
Minimizar
Fase 2:
Minimizar

Z = x4 + x6
Z = 0.4x1 + 0.5x2

(hasta que x4 = 0 y x6 = 0).

(con x4 = 0 y x6 = 0).

La funcin objetivo de la fase 1 se obtiene dividiendo la funcin objetivo del mtodo de la M entre M
eliminando los trminos despreciables, en otras palabras, la fase 1 consiste en la minimizacin de la suma de
todas las variables artificiales que se introduzcan en el problema. Como la fase 1 concluye al obtener una
solucin bsica factible para el problema real (aquella en la que x4 = 0 y x6 = 0), esta solucin se usa como la
solucin bsica factible inicial para aplicar el mtodo smplex al problema real (con su funcin objetivo) en la
fase 2. Antes de resolver el ejemplo de esta manera se har un resumen de las caractersticas generales.

Resumen del mtodo de dos fases.

Paso inicial: Se revisan las restricciones del problema original introduciendo variables artificiales segn se
necesite para obtener una solucin bsica factible inicial obvia para el problema artificial.
Fase 1: uso del mtodo smplex para resolver el problema de programacin lineal:
Pgina 33

Ing. C. Snchez.

Minimizar Z = de todas las variables artificiales, sujeta a las restricciones revisadas.

La solucin ptima que se obtiene para este problema (con Z = 0) ser una solucin bsica factible para
el problema real.
Fase 2: se eliminan las variables artificiales (de todas formas, ahora todas valen cero). Comenzando
con la solucin bsica factible que se obtuvo al final de la fase 1, se usa el mtodo smplex para resolver el
problema real.
Enseguida se resumen los problemas que deben resolverse por el mtodo smplex en las fases
respectivas para el ejemplo.
Problema para la fase 1:
Minimizar
0.3x1
0.5x1
0.6x1

+ 0.1x2
+ 0.5x2
+ 0.4x2

x10

x20

W = x4 + x6,
sujeta a

+ x3
+ x4

x5

+ x6

= 2.7
= 6
= 6

y
x3

x40

x50

x60

Problema para la fase 2:

Minimizar

Z = 0.4x1 + 0.5x2,

sujeta a
0.3x1
0.5x1
0.6x1

+ 0.1x2
+ 0.5x2
+ 0.4x2

+ x3
x5

= 2.7
= 6
= 6

y
x10

x20

x3

x50

Las nicas diferencias entre estos dos problemas se encuentran en la funcin objetivo y en la inclusin
(fase 1) o exclusin (fase 2) de las variables artificiales x4 y x6. Sin las variables artificiales, el problema para la
fase 2 no tiene una solucin bsica factible inicial obvia. El nico propsito de resolver el problema para la fase
1 es obtener una solucin bsica factible con x4 = 0 y x6 = 0 que se pueda usar como la solucin bsica factible
inicial para la fase 2.
Las siguientes tablas muestran el resultado de aplicar el mtodo smplex a este problema para la fase 1:

Variable
Bsica

x1

x2

x3

x4

x5

x6

Lado
derech Cociente
o

x3
x4
x6

0
0
0

0.3
0.5
0.6

0.1
0.5
0.4

1
0
0

0
1
0

0
0
1

0
0
1

2.7
6
6

1.1

0.9

12

x3
x4
x6

0
0
0

0.3
0.5
0.6

0.1
0.5
0.4

1
0
0

0
1
0

0
0
1

0
0
1

2.7
6
6

Es ptima?

2.7/0.3=9 (0,0,2.7,6,0,6)
6/0.5=12 W = 12
6/0.6=10

0.53

3.66

2.1

x1

0.33

3.33

x4

0.33

1.5

x6

0.2

1.6
6
2

(9,0,0,1.5,0,0.6
)
1.5/0.33=4. W = 2.1

0.6

0.6/0.2=3

1.64

1.65

2.65

0.51

Pgina 34

9/0.33=27.2

Ing. C. Snchez.

x1

6.63

1.65

x4

1.64

1.65

x2

10

1.6
5
1.6
5
5

x1

7.5

(7.5,4.5,0,0,0.3,
0)

x5
x2

0
0

0
0

0
1

0.99
5.0
5

0.60
3

1
0

1
0

0.3
4.5

W=0
ptima fase 1

8.01

8.01/1.65=4.8

(8.01,3,0,0.51,0,
0)

0.51

0.51/1.65=0.30

W = 0.51

Notemos que ya hemos obtenido una solucin ptima para la fase 1 que consisti en la minimizacin de
la suma de todas las variables artificiales. Observemos tambin que la funcin objetivo W termin con un valor
de cero en la ltima tabla, lo que indica que las dos variables artificiales (x4 y x6) valen cero tienen valores
recprocos y se cancelan mutuamente para dar cero. En nuestro caso, las dos variables artificiales valen cero ya
que no se encuentran en la columna de las variables bsicas en la ltima tabla de la primera fase. La segunda
fase consiste en resolver el problema original utilizando como tabla inicial de esta fase la ltima tabla de la
primera fase pero sin considerar la columna de las variables artificiales ya que stas tomaron el valor de cero en
la primera fase. El mtodo smplex aplicado a la segunda fase se muestra en el siguiente conjunto de tablas:

Variable
Bsica

x1

x2

0.4

x1
x5
x2

0
0
0

1
0
0

x5

x6

Lado
derech Cociente
o

x3

x4

0.5

0
0
1

5
0.99
5.0
5

1
0.60
3

0
1
0

0
1
0

7.5
0.3
4.5

0.5

x1
x5
x2

0
0
0

1
0
0

0
0
1

5
0.99
5.0
5

0
1
0

7.5
0.3
4.5

Es ptima?

0.52

5.25

x1

7.5

(7.5,4.5,0,0,0.3,
0)

x5
x2

0
0

0
0

0
1

0.99
5.0
5

1
0

0.3
4.5

Z = 5.25
ptima fase 2

Notemos que no fue necesario aplicar propiamente el mtodo smplex a la primera tabla de la segunda
fase, ya que nicamente aplicando operaciones con matrices para tratar de llevar esta tabla a la forma
apropiada para el mtodo smplex fue suficiente para resolver el problema planteado en la segunda fase. Es
necesario aclarar que no siempre ocurrir de esta manera, es decir, si despus de dejar la tabla en la forma
apropiada, es necesario aplicar el mtodo smplex, se debe aplicar como lo hemos estudiado.
Nota: Independientemente de que el problema original (real) sea de maximizacin o minimizacin, la primera
fase siempre consistir en la minimizacin de la suma de todas las variables artificiales.

Pgina 35

Ing. C. Snchez.

2.11.

Mtodo de la M o de Penalizacin.

Hasta este momento se han presentado los detalles del mtodo smplex con la suposicin de que el
problema se encuentra en nuestra forma estndar (maximizar Z sujeta a las restricciones funcionales de la
forma y restricciones de no negatividad sobre todas las variables) con bi 0 para toda i = 1, 2, ..., m.
En esta seccin se establecer cmo hacer los ajustes requeridos a otras formas legtimas de modelos de
Programacin Lineal. Se ver que todos estos ajustes se pueden hacer en el paso inicial, de manera que el
resto del mtodo smplex se aplica justo como se aprendi.
El nico problema serio que introducen las otras formas de restricciones funcionales (= ) es
identificar una solucin inicial bsica factible. Antes, esta solucin inicial se encontraba en forma muy
conveniente al hacer que las variables de holgura fueran las variables bsicas iniciales, donde cada una era
igual a la constante no negativa del lado derecho de la ecuacin correspondiente. Ahora debe hacerse algo
ms. El enfoque estndar que se utiliza es estos casos es la tcnica de variables artificiales. sta construye
un problema artificial ms conveniente introduciendo una variable ficticia (llamada variable artificial) en cada
restriccin que lo requiera. Esta nueva variable se introduce slo con el fin de que sea la variable bsica inicial
para esa ecuacin. Las restricciones usuales de no negatividad tambin se aplican sobre estas variables y la
funcin objetivo se modifica para que imponga una penalizacin exorbitante en el caso de que adquieran
valores mayores que cero. Las iteraciones del mtodo smplex automticamente fuerzan a las variables
artificiales a desaparecer (a volverse cero) una a una, hasta que todas quedan fuera de la solucin; despus
de esto se resuelve el problema real.
Para ilustrar la tcnica de las variables artificiales, primero se considerar el caso en que la nica forma
no estndar en el problema es la presencia de una o ms restricciones en forma de igualdad.
Restricciones en forma de igualdad.
En realidad, cualquier restriccin en forma de igualdad:
ai1x1 +ai2x2 + . . . + ainxn = bi
es equivalente a dos restricciones de desigualdad:
ai1x1 + ai2x2 + . . . + ainxn bi,
ai1x1 + ai2x2 + . . . + ainxn bi
Sin embargo, en lugar de hacer esta sustitucin e incrementar con ello el nmero de restricciones, es
ms conveniente usar la tcnica de la variable artificial. Suponga que se modifica el problema de ejemplo
presentado y resuelto en la seccin anterior. El nico cambio que sufre el modelo de programacin lineal es que
la tercera restriccin, 3x1 + 2x2 18, se convierte en una restriccin de igualdad:
3x1 + 2x2 = 18
Aplicando la tcnica de las variables artificiales se introduce una variable artificial no negativa
(denotada por x5) en la ltima ecuacin, como si fuera una variable de holgura:
3x1 + 2x2 + x5 =18
En resumen si tenemos una restriccin funcional en forma de igualdad y deseamos pasarla a su forma
de igualdad, nicamente debemos sumar una variable artificial.
Restricciones funcionales de la forma
Para ilustrar la manera en que la tcnica de las variables artificiales maneja las restricciones de la forma
usaremos el siguiente ejemplo:

Pgina 36

Ing. C. Snchez.

Minimizar
sujeta a

= 0.4x1
0.3x1
0.5x1
0.6x1
x1
0,

+
+
+
+

0.5x2
0.1x2 2.7
0.5x2 = 6
0.4x2 6
x2 0

Notemos que la tercera restriccin es del tipo , por lo que para cambiarla a su forma de igualdad
tendramos que restar una variable de supervit (o de excedente), quedando de la siguiente manera:
0.6x1 + 0.4x2 x5 = 6
Se ha restado la variable de excedente x5 (se utiliz x5 porque en la primera restriccin agregamos una
variable de holgura que sera x3 y en la segunda restriccin agregamos tambin una variable artificial que sera
x4; todo esto con el fin de convertir las desigualdades a su forma de igualdades) para que consuma el exceso
de 0.6x1 + 0.4x2, o sea, lo que se pasa de 6. No obstante en este caso debe agregarse otra variable. Esta
variable extra, llamada variable artificial se aumenta como sigue:
0.6x1 + 0.4x2 x5 + x6 = 6
La razn de esto es que, si no se agrega la variable artificial, no se estaran cumpliendo las
restricciones de no negatividad. Para comprenderlo, se dejar sin aumentar. El mtodo smplex comienza por
hacer todas las variables reales (originales) iguales a cero. Entonces:
0.6x1 + 0.4x2 x5 = 6
Sea x1 = 0 y x2 = 0, entonces:
x5 = 6

x5 = 6 (que no cumple la restriccin de no negatividad)

La variable artificial opera para mantener todas las variables no negativas cuando 0.6x1 + 0.4x2 es
menor que 6. Si x1 = 0 y x2 = 0, entonces x5 = 0 y
0.6x1 + 0.4x2 x5 + x6 = 6
x6 = 6
En resumen, una restriccin de la forma se convierte a su forma de igualdad restando una variable de
excedente y sumando una variable artificial.
Consideremos el siguiente problema:
Maximizar
sujeta a

= 3x1
x1

3x1
+
x1 0,

5x2
2x2
2x2
x2 0

4
12
18

Como explicamos anteriormente, para resolver este problema, debemos construir un problema
artificial que tiene la misma solucin ptima que el problema real, haciendo dos modificaciones a este
problema real.
Pgina 37

Ing. C. Snchez.

Se aplica la tcnica de las variables artificiales introduciendo una variable artificial no negativa (denotada
por x5) en la ltima ecuacin, como si fuera una variable de holgura:
3x1 + 2x2 + x5 =18
Se asigna una penalizacin enorme al hecho de tener x5 > 0, cambiando la funcin objetivo
Z = 3x1 + 5x2 a:
Z = 3x1 + 5x2 Mx5,
donde M simblicamente representa un nmero positivo muy grande. Este mtodo que fuerza a x5 hasta el nivel
de x5 = 0 en la solucin ptima se llama mtodo de la M.
Nota: Para el caso de minimizacin, penalizamos a la variable artificial, hacindola aparecer en la funcin
objetivo con un coeficiente de +M.
Ahora se encuentra la solucin ptima para el problema real aplicando el mtodo smplex al problema
artificial.
Como x5 juega el papel de la variable de holgura en la tercera restriccin del problema artificial, esta
restriccin es equivalente a 3x1 + 2x2 18.
En particular, el sistema de ecuaciones despus de aumentar el problema artificial (en otras palabras,
pasarlo a su forma de igualdades) es:
Maximizar Z,
sujeta a
Z

3x1
x1
3x1

5x2

+ Mx5
+ x3

2x2
+ 2x2
xj

+ x4
0

+ x5
Para j = 1, 2, , 5

=
=
=
=

0
4
12
18

En este momento estamos preparados para pasar los coeficientes a la tabla smplex:
Variable
Bsica
Z
x3
x4
x5

Z
1
0
0
0

x1
3
1
0
3

x2
5
0
2
2

x3
0
1
0
0

x4
0
0
1
0

x5
M
0
0
1

Lado
derecho Cociente
0
4
12
18

Es ptima?

Esta tabla todava no est en la forma apropiada porque el coeficiente de x5 es diferente de cero en la
ecuacin de Z (es M). Por lo tanto, antes de que el mtodo smplex pueda aplicar la prueba de optimidad y
encontrar la variable bsica entrante, debe pasarse esta tabla a la forma apropiada para que cumpla la
condicin smplex. Esta condicin que debe cumplir toda tabla del mtodo smplex para que pueda
reportarnos la siguiente solucin bsica factible dice que: Toda variable bsica debe tener un 1 en la
interseccin de su rengln y columna correspondiente y cero en los dems renglones incluido el rengln de Z,
en otras palabras, que toda variable que sea bsica solamente debe aparecer en el rengln de la restriccin
que representa. Para hacer cero el coeficiente M, utilizamos el rengln de x5 como rengln pivote
multiplicndolo por M y sumando el resultado al rengln de Z. Realizando el procedimiento anterior, la tabla
smplex queda de la siguiente manera:

Variable
Bsica Z

Pgina 38

x1

x2

x3

x4

x5

Lado
derech Cociente
o

Es ptima?

Ing. C. Snchez.

-3M-3 -2M-5 0

18M

x3
x4
x5

0
0
0

1
0
3

0
1
0

0
0
1

4
12
18

0
2
2

1
0
0

Mx5 + Z

(0, 0, 4, 12, 18)

Z = 18M

Podemos observar que la tabla anterior ya se encuentra en la forma apropiada y podemos leer la
solucin bsica factible actual, que es (0, 0, 4, 12, 18), la cual aplicando la prueba de optimalidad vemos que no
es ptima ya que todava tenemos coeficientes negativos en el rengln de Z (los correspondientes a x1 y x2).
Aplicando el mtodo smplex a la tabla anterior tenemos: el coeficiente negativo con el mayor valor absoluto
corresponde a x1 (3M3), recordemos que M es un nmero muy grande positivo, por lo tanto, x1 se convierte
en la variable bsica entrante, realizando los cocientes correspondientes, vemos que x3 se convierte en la
variable bsica saliente. El procedimiento completo para resolver este ejemplo se muestra en el siguiente
conjunto de tablas:

Variable
Bsica Z

x1

x3
x4
x5

0
0
0

x4

x5

Lado
derech Cociente
o

-3M-3 -2M-5 0

18M

1
0
3

0
2
2

0
1
0

0
0
1

4
12
18

-2M-5 3M+3 0

6M+12

x1
x4
x5

0
0
0

1
0
0

0
2
2

0
1
0

0
0
1

4
12
6

9/2

M+5/2 27

x1
x4
x2

0
0
0

1
0
0

0
0
1

1
3
3/2

0
1
0

0
1
1/2

3/2

M+1

36

x1
x3
x2

0
0
0

1
0
0

0
0
1

0
1
0

1/3
1/3
1/2

1/3
1/3
0

2
2
6

x2

x3
1
0
0
1
0
3

4
6
3

4/1 = 4

Es ptima?

(0, 0, 4, 12, 18)

Z = 18M

18/3 = 6

12/2 = 6
6/2 = 3
4/1 = 4
6/3 = 2

(4, 0, 0, 12, 6)
Z = 6M+12

(4, 3, 0, 6, 0)
Z = 27

(2, 6, 2, 0, 0)
Z = 36
ptima

MINIMIZACIN con el mtodo smplex.

Una manera directa de minimizar Z con el mtodo smplex es cambiar los roles de los coeficientes
negativos y positivos en el rengln de la funcin objetivo, tanto para la prueba de optimalidad como para la
parte 1 de una iteracin. Se determina la variable bsica entrante mediante la eleccin de la variable con el
coeficiente positivo menor en la ecuacin de Z. La solucin bsica factible actual es ptima si y slo si todos los
coeficientes de la ecuacin de la funcin objetivo (rengln de Z) son no positivos ( 0 ). Si es as, el proceso
termina; de otra manera, se lleva a cabo otra iteracin para obtener la nueva solucin bsica factible, lo que
significa el cambio de una variable no bsica por una bsica (parte 1) y viceversa (parte 2), y despus despejar
las variables de la nueva solucin (parte 3). Notemos que no se ha dicho nada con respecto a la forma de
obtener la variable bsica saliente en una iteracin, ya que este paso se realiza de la misma manera que
cuando se est maximizando, es decir, se escoge aquella variable bsica con el menor cociente. Ilustremos la
forma de utilizar el mtodo smplex para el caso de minimizacin. Consideremos el siguiente ejemplo:

Minimizar
sujeta a

Pgina 39

= 3x1
+ 8x2
x1
+ 4x2
4
x1
+ 2x2
2
x1
x2 0
0,
Ing. C. Snchez.

Pasando este problema a su forma de igualdades aadiendo las variables necesarias, obtenemos lo
siguiente:

Minimizar Z,
sujeta a
Z

3x1
x1
x1

8x2
+ 4x2
+ 2x2
xj

+ x3
0

Mx5 = 0
= 4
+ x5
= 2
x4
para j = 1, 2, , 5

Utilizando el mtodo de la M para obtener una solucin ptima por el mtodo smplex, obtenemos el
siguiente conjunto de tablas:

Variable
Bsica Z

x1

x2

x3

x4

x5

Lado
derech Cociente
o

x3
x5

0
0

1
1

4
2

1
0

0
1

0
1

4
2

M3

2M8 0

2M

x3
x5

0
0

1
1

4
2

1
0

0
1

4
2

0
1

M+3 6

x3
x1

0
0

0
1

2
2

1
0

1
1

1
1

2
2

4/1 = 4
2/1 = 2

Es ptima?

(0, 0, 4, 0, 2)
Z = 2M
(2, 0, 2, 0, 0)
Z=6
ptima

Notemos que la primera tabla no se encontraba en la forma apropiada para el mtodo smplex, ya que
el coeficiente de la variable bsica x5 era de M en el rengln de Z, lo cual hacia que no se cumpliera la
condicin smplex.

3. Problemas de Transporte.
3.1.

Formulacin del Modelo de Transporte.

La programacin lineal es un campo tan amplio que se extiende a subclases de problemas

para los cuales existen mtodos de solucin especiales. Una de estas subclases se conoce como
problemas de transporte. El mtodo smplex de programacin lineal, puede servir para resolver estos
problemas. Pero se han desarrollado mtodos ms sencillos que aprovechan ciertas caractersticas
de los problemas. Entonces, el mtodo del transporte son slo tcnicas especiales para resolver
ciertos tipos de problemas de programacin lineal.
El transporte desempea un papel importante en la economa y en las decisiones
administrativas. Con frecuencia la disponibilidad de transporte econmico es crtica para la
sobrevivencia de una empresa.
Qu significa problema de transporte? Supngase que un fabricante tiene tres plantas que
producen el mismo producto. Estas plantas a su vez mandan el producto a cuatro almacenes. Cada

Pgina 40

Ing. C. Snchez.

planta puede mandar productos a todos los almacenes, pero el costo de transporte vara con las

diferentes combinaciones. El problema es determinar la cantidad que cada planta debe mandar a
cada almacn con el fin de minimizar el costo total de transporte.
La manera ms fcil de reconocer un problema de transporte es por su naturaleza o estructura
de-hacia: de un origen hacia un destino, de una fuente hacia un usuario, del presente hacia el
futuro, de aqu hacia all. Al enfrentar este tipo de problemas, la intuicin dice que debe haber una
manera de obtener una solucin. Se conocen las fuentes y los destinos, las capacidades y demandas
y los costos de cada trayectoria. Debe haber una combinacin ptima que minimice el costo (o
maximice la ganancia). La dificultad estriba en el gran nmero de combinaciones posibles.
Puede formularse un problema de transporte como un problema de programacin lineal y
aplicarse el mtodo smplex. Si se hiciera, se encontrara que los problemas de transporte tienen
caractersticas matemticas nicas. Para visualizar esto, considrese el siguiente ejemplo:

Ejemplo prototipo.
Chcharos enlatados es uno de los productos ms importantes de la compaa P & T. Los
chcharos se preparan en tres enlatadoras (cercanas a Bellingham, Washington; a Eugene, Oregn y
a Albert Lea, Minnesota) y despus se mandan por camin a cuatro almacenes de distribucin (en
Sacramento, California; Salt Lake City, Utah; Rapid City, South Dakota y Alburquerque, New Mexico)
en el oeste de Estados Unidos. Puesto que los costos de embarque constituyen un gasto importante,
la gerencia ha iniciado un estudio para reducirlos lo ms posible que se pueda. Se ha hecho una
estimacin de la produccin de cada enlatadora para la prxima temporada y se ha asignado a cada
almacn una cierta cantidad de la produccin total de chcharos. En la siguiente tabla se proporciona
esta informacin (en unidades de carga de camin), junto con el costo de transporte por camin
cargado para cada combinacin de enlatadora-almacn. Como se ve hay un total de 300 cargas de
camin que se deben transportar. El problema es determinar el plan de asignacin de estos
embarques a las distintas combinaciones de enlatadora-almacn que minimice el costo total de
transporte.
Costo de embarque ($) por carga

1
Enlatadora 2
3
Asignacin

Pgina 41

Almacn
1
2
3
4 Produccin
464 513 654 867
75
352 416 690 791
125
995 682 388 685
100
80 65 70 85

Ing. C. Snchez.

Este, de hecho, es un problema de programacin lineal del tipo de los problemas de

transporte. Para formularlo, sea Z el costo total de transporte y sea xij (i = 1, 2, 3; j = 1, 2, 3, 4) el

nmero de cargas de camin que se mandan de la enlatadora i al almacn j. Entonces el objetivo es
seleccionar los valores de estas 12 variables de decisin (las xij) para:
Minimizar Z= 464x11 + 513x12 + 654x13 + 867x14 + 352x21 + 416x22 + 690x23 + 791x24
995x31 + 682x32 + 388x33 + 685x34
sujeta a las restricciones:
x1
1

x1

x1

x1

75

125

100

80

65

70

85

x2

x2

x2

x2
4

x3

x1

x2

x3

x3

x3
4

x3

x1

x2

x1

x3
2

x2

x1

x3
3

x2

x3
4

xij 0 (i = 1, 2, 3; j = 1, 2, 3, 4)
La siguiente tabla muestra los coeficientes de las restricciones. Como se ver enseguida, lo
que distingue a este problema como un problema de transporte es la estructura especial en el patrn
de estos coeficientes, no su contexto.

Coeficiente de:
x11 x12 x13 x14 x21 x22 x23 x24 x31 x32 x33 x34
1

1
1

A=

1
1
1

1
1

1
1

1
1

Pgina 42

Restricciones
de
almacn

1
1

Restricciones
de enlatadora

Ing. C. Snchez.

Entre parntesis, la solucin ptima para este problema es x11 = 0, x12 = 20, x13 = 0, x14 = 55,

x21 = 80, x22 = 45, x23 = 0, x24 = 0, x31 = 0, x32 = 0, x33 = 70, x34 = 30. Cuando se conozca la prueba de
optimalidad se podr verificar este resultado.

Modelo general del problema de transporte.

Para describir el modelo general del problema de transporte es necesario emplear trminos
que sean mucho menos especficos que los que se usaron para los componentes del ejemplo
prototipo. En particular, el problema general de transporte se refiere (literal o en sentido figurado) a la
distribucin de cualquier bien desde cualquier grupo de centros de abastecimiento, llamados
orgenes, a cualquier grupo de centros de recepcin, llamados destinos, de tal manera que se
minimicen los costos totales de distribucin. La correspondencia en terminologa entre el ejemplo
prototipo y el problema general se resume en la siguiente tabla:

Ejemplo prototipo
Cargas de chcharos enlatados
Tres enlatadoras
Cuatro almacenes
Produccin de la enlatadora i
Asignacin al almacn j
Costo de embarque por carga
desde la enlatadora i al almacn
j

Problema general
Unidades de un bien
m orgenes
n destinos
si recursos en el origen i
Demanda dj en el destino j
Costo cij por unidad distribuida
desde el origen i al destino j

As, por lo general, el origen i (i = 1, 2, ..., m) dispone de si unidades para distribuir a los
destinos y el destino j (j = 1, 2, ..., n) tiene una demanda de dj unidades que recibe desde los
orgenes. Una suposicin bsica es que el costo de distribucin de unidades desde el origen i al
destino j es directamente proporcional al nmero distribuido, donde cij denota el costo por unidad
distribuida. Igual que para el ejemplo prototipo, estos datos de entrada se pueden resumir en forma
muy conveniente en la tabla de costos y requerimientos que se muestra enseguida:

Origen

1
2
.
.
.

Pgina 43

Costo por unidad

distribuida
Destino
1
2
...
n
c11
c12
...
c1n
c21
c22
...
c2n
.
.
.

.
.
.

.
.
.

Recursos
s1
s2
.
.
.

Ing. C. Snchez.

cm1
d1

Demanda

cm2
d2

...
...

cmn
dn

sm

Sea Z el costo total de distribucin y xij (i = 1, 2, ..., m; j = 1, 2,..., n) el nmero de unidades

que se distribuyen del origen i al destino j, la formulacin de programacin lineal para este problema
es:
m

Minimizar

Z=

ij

xij

i = 1 j =1

sujeta a
n

ij

= si

para i = 1, 2, ..., m

ij

= dj

para j = 1, 2, ..., n

j =1

x
i =1

y
xij 0,

para toda i y j

Note que la tabla que resulta de los coeficientes de las restricciones tiene la estructura
especial que se muestra en la siguiente tabla:

Coeficiente de

x11 x12 . . . x1n x21 x22 . . . x2n . . . xm1 xm2 . . . xmn

1

...

Restricciones
de origen

1
1

...

1
.
.
.

A=

1
1

1
1

...

...
.

Restricciones
de destino

1
.

1
1

Cualquier problema de programacin lineal que se ajuste a esta formulacin especial es del
tipo de problemas de transporte, sin importar su contexto fsico. De hecho, se han realizado
numerosas aplicaciones no relacionadas con el transporte que se ajustan a esta estructura especial.
sta es una de las razones por las que el problema de transporte se suele considerar como uno de
los tipos especiales de problemas de programacin lineal ms importantes.
Una condicin necesaria y suficiente para que un problema de transporte tenga soluciones
factibles es que:
Pgina 44

Ing. C. Snchez.

s = d
i

i =1

j =1

Esta propiedad se puede verificar observando que las restricciones requieren que:
m

si

dj

i =1

sean iguales a

j =1

ij

i =1 j =1

Esta condicin de que los recursos totales deben ser iguales a la demanda total en realidad exige que
el sistema est balanceado. Si el problema tiene algn significado fsico y esta condicin no se
cumple, casi siempre significa que, o bien si, o bien dj de hecho representan una cota y no un
requerimiento exacto. Si este es el caso, se puede introducir un origen o destino imaginario
(llamado origen ficticio o destino ficticio) para captar la holgura, con el fin de convertir las
desigualdades en igualdades y satisfacer la condicin de factibilidad.
El problema de transporte es slo un tipo especial de problemas de programacin lineal y
puede resolverse aplicando el mtodo smplex tal y como lo hemos estudiado. Sin embargo, veremos
que si se aprovecha la estructura especial que se muestra en la tabla anterior, se puede lograr un
importante ahorro en los clculos. Se har referencia a este procedimiento simplificado como el
mtodo smplex de transporte.

Para hacer hincapi en la simplificacin lograda por el mtodo smplex de transporte, se

revisar primero la forma en que el mtodo smplex general (no simplificado) establecera el problema
de transporte en forma tabular. Despus de construir la tabla de los coeficientes de restriccin (vea la
tabla anterior), de convertir la funcin objetivo a la forma de maximizacin y de usar el mtodo de la M
para introducir las variables artificiales z1, z2, ..., zm+n en las m+n ecuaciones de restriccin
respectivas, se ve que las columnas de la tabla smplex tendran la forma que se muestra en la
siguiente tabla:

Variable
bsica
Z

Ec.
nm.
(0)
(1)

Z
1

...

xij
cij

Coeficiente de
...
zi
...
M

zm+j
M

...

Lado
derecho
0

.
.
.

zi

(i)

si

.
.
.

zm+j

(m+j)

dj

.
.
.

(m+n)

Pgina 45

Ing. C. Snchez.

En esta tabla, todos los elementos que no se muestran en estas columnas son ceros. El nico

ajuste que queda por hacer antes de la primera iteracin es eliminar algebraicamente los coeficientes
distintos de cero de las variables bsicas iniciales (artificiales) en el rengln de Z (rengln 0).
Despus de cualquier iteracin subsecuente, el rengln 0 tendra la forma que se muestra en
la siguiente tabla:

Variable Ec.
Bsica nm
Z

(0)

...

Coeficiente de
...
zi
...

xij
cijuivj

Mui

zm+j
Mvj

Lado
derecho

...
m

i =1

j =1

siui djvj

A causa del patrn de ceros y unos que siguen los coeficientes en la tabla anterior, ui y vj
tienen la siguiente interpretacin:

ui = mltiplo del rengln i original que se ha restado (directa o indirectamente) del rengln 0
original durante todas las iteraciones del mtodo smplex que llevaron a la tabla actual.

vj = mltiplo del rengln m+j original que se ha restado (directa o indirectamente) del rengln 0
original durante todas las iteraciones del mtodo smplex que llevaron a la tabla actual.

El rengln 0 actual se puede obtener sin usar ningn otro rengln con slo calcular los valores
de ui y vj directamente. Como cada variable bsica debe tener coeficiente cero en el rengln 0, estos
valores se pueden obtener resolviendo el sistema de ecuaciones:
cijuivj = 0

para cada i y j tal que xij es variable bsica,

lo cual se puede hacer de manera directa.

Adems de los datos de entrada (los valores de cij, si y dj), la nica informacin que necesita el
mtodo smplex de transporte es la solucin bsica factible actual, los valores actuales de ui y vj y los
valores resultantes de cijuivj para las variables no bsicas xij. Cuando se resuelve un problema a
mano es conveniente registrar esta informacin en una tabla smplex de transporte, como la que se
muestra enseguida:

Pgina 46

Ing. C. Snchez.

En los casos en que la sumatoria de todo lo que se produce en todos los orgenes es mayor
que la sumatoria de todo lo que se demanda en todos los destino o viceversa, entonces se dice que
el problema no est balanceado. En estos casos lo primero que se debe hacer antes de intentar
resolver el problema es balancearlo.
m

Para el caso de SOBREPRODUCCIN (

si

i =1

>

dj
j =1

Si el caso es que se dispone de mayor produccin de la que se demanda, entonces para

balancear el problema se agrega un destino imaginario o artificial (llamado tambin destino ficticio) el
cual tendr como demanda dicha sobreproduccin. En cuanto a los costos asociados a este nuevo
destino los estableceremos a cero (por qu?). El siguiente dibujo muestra lo que se debe hacer:

Pgina 47

Ing. C. Snchez.

donde
dn+1 =

i =1

j =1

si dj

y
ci,n+1 = 0,

para i = 1, 2, ..., m

Para el caso de SOBREDEMANDA (

d > s
j

j =1

j =1

Si el caso es que se tiene mayor demanda de lo que se produce, entonces para balancear el
problema se agrega un origen imaginario o artificial (llamado tambin origen ficticio) el cual tendr
como recursos (producir) dicha sobredemanda. En cuanto a los costos asociados a este nuevo
origen los estableceremos a cero (por qu?). El siguiente dibujo muestra lo que se debe hacer:

Pgina 48

Ing. C. Snchez.

donde
sm+1 =

j =1

i =1

dj si

y
cm+1j = 0

para j = 1, 2, ..., n

Como todas las restricciones funcionales en el problema de transporte son igualdades, el

mtodo smplex obtendra una solucin inicial bsica factible introduciendo variables artificiales y
usndolas como variables bsicas iniciales. La solucin bsica que resulta de hecho slo es factible
para la versin aumentada del problema, por lo que se necesita un buen nmero de iteraciones para
hacer que el valor de estas variables artificiales sea cero y se alcancen las soluciones bsicas
factibles reales. El mtodo smplex de transporte pasa por alto todo esto, pues usa un procedimiento
ms sencillo para construir directamente una solucin bsica factible real en la tabla de transporte.
Antes de describir este procedimiento, es necesario establecer que el nmero de variables
bsicas en cualquier solucin bsica de un problema de transporte es una menos de lo que se
espera. Normalmente en los problemas de programacin lineal, se tiene una variable bsica por cada
restriccin funcional. En los problemas de transporte con m recursos y n destinos el nmero de
restricciones funcionales es m+n. Sin embargo,
el nmero de variables bsicas = m + n 1.

Pgina 49

Ing. C. Snchez.

Esto se debe a que se manejan restricciones de igualdad y este conjunto de m + n ecuaciones

tiene una ecuacin adicional o (redundante) que se puede eliminar. La razn es que se sabe que la
cantidad total que se manda desde todos los orgenes debe ser igual que la cantidad total que se
recibe en todos los destinos. Por lo tanto, cualquier solucin bsica factible en una tabla de transporte
debe aparecer con exactamente m + n 1 asignaciones no negativas, en donde la suma de las
asignaciones en cada rengln o columna es igual a su demanda o sus recursos
3.2.

Mtodos para encontrar soluciones factibles.

Al iniciar, todos los renglones de los orgenes y las columnas de destinos de la tabla smplex

de transporte se toman en cuenta para proporcionar una variable bsica (asignacin).

1. Se selecciona la siguiente variable bsica (asignacin) entre los renglones y columnas en
que todava se puede hacer una asignacin de acuerdo a algn criterio.
2. Se hace una asignacin lo suficientemente grande como para que use el resto de los
recursos en ese rengln o la demanda restante en esa columna (cualquiera que sea la
cantidad ms pequea).
3. Se elimina ese rengln o columna (la que tena la cantidad ms pequea en los recursos o
demanda restantes) para las nuevas asignaciones.(Si el rengln y la columna tiene la misma
cantidad de recursos y demanda restante, entonces arbitrariamente se elimina el rengln. La
columna se usar despus para proporcionar una variable bsica degenerada, es decir, una
asignacin con cero unidades.)
4. Si slo queda un rengln o una columna dentro de las posibilidades, entonces el
procedimiento termina eligiendo como bsicas cada una de las variables restantes (es decir,
aquellas variables que no se han elegido ni se han eliminado al quitar su rengln o columna)
asociadas con ese rengln o columna que tiene la nica asignacin posible. De otra manera
se regresa al paso 1.

3.2.1. Mtodo de la esquina noroeste.

1. Regla de la esquina noroeste: la primera eleccin es x11 (es decir, se comienza en la esquina
noroeste de la tabla smplex de transporte). De ah en adelante, si xij fue la ltima variable
bsica seleccionada, la siguiente eleccin es xi,j+1 (es decir, se mueve una columna a la
derecha) si quedan recursos en el origen i. De otra manera, se elige xi+1,j (es decir, se mueve
un rengln hacia abajo).
Para hacer ms concreta esta descripcin, se ilustrar el procedimiento general, utilizando la
regla de la esquina noroeste en el siguiente ejemplo:

Pgina 50

Ing. C. Snchez.

Recursos
3

3
10

Demanda

10

Lo primero que debemos hacer al resolver cualquier problema de transporte es comprobar que
est balanceado, si no lo estuviera, agregamos un origen o un destino artificial segn sea el caso
para conseguir que el problema quede balanceado y podamos comenzar a resolverlo. En nuestro
ejemplo, la sumatoria de los recursos de los tres orgenes es de 10 unidades que es igual a la
sumatoria de las demandas de los destinos, por lo que nuestro problema est balanceado y podemos
iniciar con la resolucin.
Comenzamos asignando en la esquina noroeste de la tabla, es decir, en la celda
correspondiente a la variable bsica x11 (paso 1), podemos observar que en la primera columna se
demandan 3 unidades del bien y en el primer rengln disponemos de 5 unidades, entonces enviamos
las 3 unidades demandadas desde el origen 1 hacia el destino 1 (ya que hay los recursos suficiente
para satisfacer toda la demanda) y decrementamos a 2 los recursos restantes en ese origen (paso 2).
Con sto cubrimos toda la demanda del primer destino ( almacn) y lo cancelamos para las
prximas asignaciones (paso3):
Recursos
7

5 2

Demanda

3 0

La siguiente asignacin ser en la celda correspondiente a la variable x12 (paso 1) ya que

todava le quedan recursos al origen 1 (adems es la esquina noroeste de la tabla restante despus
de haber eliminado la primera columna). Notemos que en el segundo destino se demandan 4
unidades del bien y ahora solamente se disponen de 2 unidades en el origen 1, entonces se envan
las 2 unidades del origen 1 al destino 2 para satisfacer 2 de las 4 unidades demandadas en este
destino quedando 2 por satisfacer (paso 2) y cancelamos el origen 1 ya que no tiene ms unidades

Pgina 51

Ing. C. Snchez.

del

bien

para

enviar

otro

destino

(paso 3):
Recursos
3

5 2 0

3
2

Demanda

3 0

4 2

La siguente asignacin ser en la celda correspondiente a la variable x22 (paso 1) ya que no le

quedan unidades del bien al origen 1 (notemos tambin que esa celda es la que se encuentra en la
esquina noroeste de la tabla restante despus de haber eliminado el primer rengln y la primera
columna y no olvidemos que estamos aplicando la regla de la esquina noroeste). Ya que solamente
faltan 2 unidades para satisfacer por completo la demanda del segundo destino y se disponen
exactamente de 2 unidades en el segundo origen, entonces enviamos 2 unidades del bien del origen
2 al destino 2 (paso 2) y cancelamos el segundo rengln ya que no le quedan ms unidades para
enviar a otro destino. Dejamos pendiente la eliminacin de la segunda columna ya que nos servir
ms adelante para hacer la asignacin de una variable bsica degenerada, esdecir, una asignacin
con cero unidades (paso 3):

Recursos
3

5 2 0

2 0

2
4

2
3

Demanda

3 0

4 2 0

La siguiente asignacin ser en la celda correspondiente a la variable x32 (paso1) ya que no le

quedan ms unidades al origen 2. Notemos que se demandan cero unidades del bien en el segundo
destino, en este momento es cuando hacemos una asignacin de cero unidades convirtiendo as a la
variable x32 en una variable bsica degenerada (paso 2) y ahora s podemos cancelar la segunda
columna para ya no considerarla ms en las siguientes asignaciones (paso 3). Notemos que esta

Pgina 52

Ing. C. Snchez.

demanda de cero unidades es satisfecha sin ningn problema por el origen 3 ya que ste dispone

todava de 3 unidades del bien:

Recursos
3

5 2 0

2 0

2
4

2
3

0
Demanda

3 0

4 2 0

Como solamente queda un rengln dentro de las posibilidades (el rengln 3 no ha sido
cancelado), entonces aplicando el paso 4 del procedimiento general para construir una solucin inicial
bsica factible, la siguiente asignacin ser en la celda que corresponde a la variable x33 (paso 1). Ya
que la demanda del tercer destino (2 unidades) puede ser satisfecha muy bien por el tercer origen,
entonces enviamos 2 unidades del bien del origen 3 al destino 3 quedando solamente 1 unidad en el
tercer origen (paso 2) para enviarlo al cuarto destino y con eso cubrir su demanda de una unidad,
cancelando de esta manera tanto el destino 3 como el destino 4 y el tercer rengln ya que la
demanda de todos los destinos ya ha sido satisfecha y no quedan ms unidades del bien en ningn
origen:

Recursos
3

5 2 0

2 0

3 1 0

2
4

2
3

1
Costo = 52

Demanda

Pgina 53

3 0

4 2 0

2 0

1 0

Ing. C. Snchez.

La solucin inicial bsica factible es x11=3, x12=2, x22=2, x32=0 (variable bsica degenerada),

x33=2 y x34=1 y el costo total de transporte asociado a esta primera Poltica de Transporte factible es
de:
x11 c11

Costo
=

3 (3
)

x12 c12

2 (7
)

x22 c22

2 (4
)

x32 c32

x33 c33

0 (3
)

2 (8
)

x34 c34

1 (5
)

= 52
unidades

Es necesario aclarar que esta no es la solucin final del problema, es necesario aplicar a esta
primera solucin factible la prueba de optimidad ya que puede existir una mejor poltica de
transporte que minimice todava ms el costo total.

4.2.2. Mtodo de aproximacin de Vogel.

2. Mtodo de Aproximacin de Vogel: para cada rengln y columna que queda bajo
consideracin, se calcula su diferencia, que se define como la diferencia aritmtica entre el
costo unitario ms pequeo (cij) y el que le sigue, de los que quedan en ese rengln o
columna. (Si se tiene un empate para el costo ms pequeo de los restantes de un rengln o
columna, entonces la diferencia es 0). En el rengln o columna que tiene la mayor diferencia
se elige la variable que tiene el menor costo unitario que queda. (Los empates para la mayor
de estas diferencias se pueden romper de manera arbitraria).
Para hacer ms concreta esta descripcin, se ilustrar el procedimiento general, utilizando el
mtodo de aproximacin de Vogel para resolver el ejemplo presentado anteriormente y que fue
resuelto por la regla de la esquina noroeste:
Iniciamos el mtodo calculando las primeras diferencias para cada rengln y columna. De las
diferencias que obtuvimos nos fijamos en la mayor (Por qu?), que resulta ser para la tercera
columna. En esa columna encontramos el costo unitario (cij) menor y en esa celda realizamos la
primera asignacin:

DIF.

Recurso
s
3

Pgina 54

Ing. C. Snchez.

2 0

10
Demanda
DIF.

3
1

2 0
3

4
1

1
2

10

Nota: Marcaremos a la mayor de las diferencias seleccionada encerrndola en un crculo y escribindole como
superndice el nmero que le corresponda en la secuencia de seleccin.

Observemos en la figura anterior que nicamente eliminamos el segundo rengln ya que la

tercera columna nos servir despus para hacer la asignacin de una variable bsica degenerada.
Continuando con la aplicacin del mtodo, tenemos que calcular nuevamente las diferencias de las
columnas ya que hemos eliminado un rengln y sto puede ocasionar que las diferencias aritmticas
entre el costo unitario ms pequeo y el que le sigue ya no sean las mismas:
DIF.

Recurso
s
3

2 0

3 0

2
4

3
10
Demanda
DIF.

3
1

4 1
1

2 0
3
2

1
2

10

Como siguiente paso deberamos calcular las nuevas diferencias de columnas, pero ya que
solamente queda un rengln dentro de las posibilidades (sto no significa que solamente un rengln
quede bajo consideracin ya que podemos observar que ninguna de las cuatro columnas (destinos)
ha sido eliminada y todas quedan todava bajo consideracin), no es posible encontrar la diferencia
aritmtica entre el costo menor y el que le sigue, por lo tanto vamos tomando una a una las celdas
que quedan comenzando con la de menor costo unitario hasta que todas hayan sido asignadas.

Pgina 55

Ing. C. Snchez.

Recurso DIF.
s

6
3

5 2 1 1
0

2 0

3 0

2
4

3
10
Demanda
DIF.

3 0
1

4 1 0
1

2 0
3
2

1 0
2

10

La solucin inicial bsica factible es x11=3, x12=1, x13=0 (variable bsica degenerada), x14=1,
x23=2 y x32=3 y el costo total de transporte asociado a esta primera Poltica de Transporte factible es
de:
x11

c11

x12

c12

x13

c13

x14

c14

x23

c23

x32

c32

Costo 3 (3 + 1 (7 + 0 (6 + 1 (4 + 2 (3 + 3 (3
)
)
)
)
)
)
=

= 35
unidades

Es necesario aclarar que sta puede o no ser la solucin final del problema, es necesario
aplicar a esta primera solucin factible la prueba de optimalidad ya que puede existir una mejor
poltica de transporte que minimice todava ms el costo total.

Comparacin de criterios alternativos para el paso 1.

Se compararn estos dos criterios para elegir la siguiente variable bsica. La virtud principal
de la regla de la esquina noroeste es la facilidad y rapidez con que se aplica. Sin embargo, como no
le da importancia a los costos unitarios cij, por lo general la solucin que se obtiene distar mucho de
la ptima. Si se realiza un esfuerzo un poco mayor para encontrar la solucin inicial bsica factible, es
posible que se reduzca mucho el nmero de iteraciones que despus necesita el mtodo smplex de
transporte para encontrar la solucin ptima. El objetivo del otro criterio es precisamente encontrar
una solucin as.
El mtodo de aproximacin de Vogel ha sido el ms popular durante muchos aos, en parte
porque es relativamente fcil hacerlo a mano. Este criterio toma en cuenta los costos unitarios en
forma efectiva ya que la diferencia representa el mnimo costo adicional en que se incurre por no
hacer una asignacin en la celda que tiene el menor costo en esa columna o rengln.
Podemos decir, que el mtodo de aproximacin de Vogel proporciona una mejor solucin
inicial que el criterio de la esquina noroeste, en otras palabras es ms cualitativo.

Pgina 56

Ing. C. Snchez.

El siguiente paso despus de hallar una solucin inicial bsica factible (por cualquiera de los
dos criterios expuestos anteriormente) es verificar si esta solucin inicial es efectivamente ptima
aplicando la prueba de optimidad.
La prueba de optimidad estndar del mtodo smplex para el problema de transporte, se
puede reducir de la siguiente manera:
Una solucin bsica factible es ptima si y slo si cijuivj 0 para toda (i,j) tal que xij es no
bsica.
As, lo nico que hay que hacer para realizar esta prueba es obtener los valores de ui y vj para
la solucin bsica factible actual y despus calcular los valores cijuivj segn se describe enseguida.
Como el valor de cijuivj debe ser cero si xij es una variable bsica, ui y vj satisfacen el
conjunto de ecuaciones:
cij = ui + vj

para cada (i,j) tal que xij es bsica.

Existen m+n1 variables bsicas y por tanto hay m+n1 ecuaciones de este tipo. Como el nmero de
incgnitas (las ui y vj) es m+n, se puede asignar un valor arbitrario a cualquiera de estas variables sin
violar las ecuaciones. La eleccin de esta variable y su valor no afecta el valor de ningn cijuivj, aun
cuando xij sea no bsica, por lo que la nica diferencia (menor) estriba en la facilidad para resolver
estas ecuaciones. Una eleccin conveniente para lograr esto es seleccionar la ui que tiene el mayor
nmero de asignaciones en su rengln (los empates se rompen de manera arbitraria) y asignarle un
valor de cero. Gracias a la sencilla estructura de estas ecuaciones, resulta muy fcil obtener
algebraicamente los valores del resto de las variables.
Para ejemplificar la prueba de optimalidad, consideremos la solucin inicial bsica factible
obtenida por la regla de la esquina noroeste para nuestro ejemplo en cuestin:
v1
u1

v2

3
u2

v3

Recurso
s

ui

2
4

v4

2
u3

0
Demanda

2
2

1
1

Costo=5
2

vj
Pgina 57

Ing. C. Snchez.

Para este problema, existen m+n1=3+41=6 variables bsicas, que dan origen al siguiente

conjunto de ecuaciones:
3 = u1+v1
7 = u1+v2
4 = u2+v2
3 = u3+v2
8 = u3+v3
5 = u3+v4
Observemos que resultaron ser 6 ecuaciones que involucran 7 incgnitas (tres de las ui y
cuatro de las vj), por lo que este sistema de ecuaciones no es cuadrado. La forma de resolverlo es
dando un valor arbitrario a una de las incgnitas, para que, a partir de l encontremos el valor de las
dems. La regla para hacer esta asignacin arbitraria nos dice que sea para la ui ( rengln) que haya
tenido el mayor nmero de asignaciones. En nuestro ejemplo, el rengln 1 tuvo dos asignaciones, el
rengln 2 tuvo una asignacin y por ltimo el tercer rengln tuvo tres asignaciones, por lo que
asignamos el valor de cero a la incgnita u3. De esta asignacin resulta lo siguiente:
3 = u1+v1
7 = u1+v2
4 = u2+v2
3 = u3+v2
8 = u3+v3
5 = u3+v4

v2 = 3
v3 = 8
v4 = 5

Hemos obtenido el valor de tres incgnitas ms, v2, v3 y v4, los cuales nos ayudarn para hallar
el valor de las incgnitas restantes:
3 = u1+v1
7 = u1+v2
4 = u2+v2
3 = u3+v2
8 = u3+v3
5 = u3+v4

si u1=4, entonces v1= 1

si v2=3, entonces u1= 4
si v2=3, entonces u2= 1
v2 = 3
v3 = 8
v4 = 5

De esta forma hemos obtenido el valor de todas las incgnitas y procedemos a colocarlos en
la tabla como sigue:
v1
u1

u2

v2

v3

v4

Recurso
s

ui

2
4

2
3
Pgina 58

Ing. C. Snchez.

u3

0
Demanda

4
3

vj

2
8

Costo=5
2

1
5

Ahora calculemos los valores cijuivj para las variables no bsicas, ya que para las bsicas,
este valor es cero (por la forma de las ecuaciones con que se hallaron los valores de las incgnitas ui
y vj), y coloquemos estos valores en la esquina inferior izquierda de cada celda:
Para la celda (1,3): 6 4 8 = 6
Para la celda (1,4): 4 4 5 = 5
Para la celda (2,1): 2 1 (1) = 2
Para la celda (2,3): 3 1 8 = 6
Para la celda (2,4): 2 1 5 = 4
Para la celda (3,1): 4 0 (1) = 5
v1
u1

v2
7

3
u2

v3

Recurso
s

ui

6
3

5
2

6
8

4
5

2
0
4

0
2

v4

2
u3

0
3

2
4

0
5
Demanda

vj

0
3

4
3

1
0

2
8

1
5

Costo=5
2

En este momento se puede aplicar la prueba de optimalidad para verificar los valores de
cijuivj obtenidos. Como cuatro de estos valores (c13u1v3= 6, c14u1v4= 5, c23u2v3= 6,
c24u2v4= 4), son negativos, se concluye que la solucin bsica factible actual no es ptima.
Entonces, el mtodo smplex de transporte debe proceder a hacer una iteracin para encontrar una
mejor solucin bsica factible.

Una iteracin.
Igual que para mtodo smplex estndar, una iteracin del mtodo smplex de transporte debe
determinar una variable bsica entrante (paso 1), una variable bsica que sale (paso 2) y despus
identificar la nueva solucin bsica factible que resulta (paso 3).

Pgina 59

Ing. C. Snchez.

Paso 1: como cijuivj representa la tasa a la que cambia la funcin objetivo si se incrementa la
variable no bsica xij, la variable que entra debe tener un valor de cijuivj negativo, para que el costo
total Z disminuya. Entonces, los candidatos en la tabla anterior son x13, x14, x23 y x24 . Entre ellos se
elige el valor negativo ms grande (en trminos absolutos) de cijuivj como la variable bsica
entrante, que en este caso corresponde a x13 y x23. En los casos en que haya empate para la eleccin
de la variable bsica entrante, este empate se rompe de manera arbitraria, ya que tarde o temprano
llegaremos a la misma solucin independientemente de la eleccin de la variable. Pero, observemos
lo siguiente: ya que debemos elegir la variable bsica entrante, es decir, aquella que comenzar a
tener un valor (ya que antes no lo tena porque era variable no bsica), entonces, es conveniente que
elijamos aquella que tenga el costo menor, ya que el valor de la variable entrante multiplicado por su
respectivo costo ser la contribucin al costo total. En nuestro caso, el costo asociado a x13 es 6 y el
costo asociado a x23 es 3, por lo que la variable que debemos elegir como entrante es x23.
Paso 2: si se incrementa el valor de la variable bsica entrante, se establece una reaccin en
cadena de cambios compensatorios en otras variables bsicas (asignaciones) para seguir
satisfaciendo las restricciones de recursos y demanda. La primera variable bsica que disminuya su
valor hasta cero ser la variable bsica que sale. En general, siempre existe slo una reaccin en
cadena (en cualquier direccin) que se puede completar con xito para conservar la factibilidad,
cuando la variable bsica entrante aumenta su valor. Esta reaccin en cadena se puede identificar si
se hace una seleccin entre las celdas que tienen variables bsicas: primero, la celda donadora en
la columna que tiene la variable bsica; despus, la celda receptora en el rengln que corresponde a
la celda donadora; luego, la celda donadora en la columna en que se encuentra esta celda receptora,
y as sucesivamente, hasta que la reaccin en cadena conduce a una celda donadora en el rengln
que tiene a la variable bsica entrante. Cuando una columna o rengln tiene ms de una celda
adicional con variable bsica, puede ser necesario explorar el camino que se va aseguir para
averiguar cul debe seleccionarse como celda donadora o receptora. (Todas las dems menos la
adecuada llegarn tarde o temprano a un camino sin salida en un rengln o columna que no tiene
otra celda con una variable bsica). Despus de identificar la reaccin en cadena. La celda donadora
que tiene la asignacin menor proporciona en forma automtica la variable bsica que sale. (En caso
de un empate para la celda donadora, se puede elegir cualquiera para proporcionar la variable bsica
que sale).
Si x23 es la variable bsica entrante, la reaccin en cadena de la tabla anterior se resume
enseguida. (Siempre se indicar la variable bsica entrante colocando un signo + encuadrado dentro
de su celda):
Pgina 60

Ing. C. Snchez.

v1
u1

v2
7

3
u2

v3
4

6
3

5
2

+
4

0
3

2
4

+8
0

5
Demanda

vj

2
0

0
3

ui

2
u3

Recurso
s

2
0
4

0
2

v4

4
3

2
8

1
5

Costo=5
2

Al aumentar x23 debe disminuir x33 en la misma cantidad para conservar la demanda de 2 en la
columna 3; esto a su vez requiere que se aumente x32 en esa cantidad para mantener la oferta de 3
en el rengln 3 y esto a su vez exige una disminucin en el valor de x22 para conservar la demanda de
4 en la columna 2. Esta disminucin en x22 completa con xito la reaccin en cadena ya que tambin
conserva la oferta del rengln 2.
El resultado final es que las celdas (2,3) y (3,2) se convierten en celdas receptoras, cada una
con su asignacin adicional proveniente de las celdas donadoras (2,2) y (3,3). Estas celdas estn
indicadas en la tabla anterior por medio de los signos + y ). Observe que tuvo que elegirse la celda
(3,2) como celda receptora para el rengln 3 y no la (3,4), ya que esta ltima no hubiera tenido celda
donadora en la columna 4 para continuar la reaccin en cadena. Note adems que, a excepcin de la
variable bsica entrante, todas las celdas receptoras y donadoras en la reaccin en cadena deben
corresponder a variables bsicas en la solucin bsica factible actual.
Cada celda donadora disminuye su asignacin en una cantidad exactamente igual al aumento
que tiene la variable bsica entrante (y las otras celdas receptoras). Entonces, la celda donadora que
comienza con la asignacin ms pequea en este caso las celdas (2,2) y (3,3) debe ser la primera
en llegar a una asignacin de cero conforme se incrementa la variable entrante x23. As, x22 x23 se
pueden convertir en la variable bsica que sale. Cuando existe empate para la variable bsica que
sale, ste puede romperse de manera arbitraria, es decir, eligiendo cualquiera de las variables
donadoras con la asignacin ms pequea como variable bsica saliente. Como una regla emprica,
podemos seleccionar como variable bsica saliente aqulla que tenga asociado el mayor costo
unitario, ya que como esta variable perder completamente su valor (es decir, se convertir de
variable bsica a variable no bsica), esperaramos que el costo total de transporte disminuya. As,
escogeramos a x33 como variable bsica saliente.

Pgina 61

Ing. C. Snchez.

Paso 3: la nueva solucin bsica factible se identifica sumando el valor (antes de los cambios) de la

variable bsica que sale a las asignaciones de cada celda receptora y restando esta misma cantidad
de las asignaciones de cada celda donadora. En la tabla anterior se observa que el valor de la
variable bsica que sale x33 es 2, por lo que esta porcin de la tabla smplex de transporte cambia,
como se ilustra en la siguiente tabla para la nueva solucin. (Como x33 es no bsica en la nueva
solucin, su nueva asignacin es cero y ya no se muestra en la tabla).
v1

v2
7

u1

6
3

5
2

4
5

2
5
Demanda

1
0

0
3

ui

2
6
8

0
3

2
4

Recurso
s

0
u3

v4

2
0
4

0
2

u2

v3

Costo=4
0

vj
En este momento se puede sealar una interpretacin til de las cantidades cijuivj que se
obtienen en la prueba de optimalidad. Debido al cambio de 2 unidades en las asignaciones de las
celdas donadoras a las receptoras, el costo total cambia en:
Z = 2(38+34) = 2(6) = 12 = 2(c23u2v3)
es decir, el costo total de transporte se decrementa en 12 unidades con respecto al costo anterior que
era de 52 unidades. Notemos que hemos obtenido una nueva poltica de transporte, la cual podemos
resumir as:
La nueva solucin bsica factible es x11=3, x12=2, x22=0 (variable bsica degenerada), x23=2,
x32=2 y x34=1 y el costo total de transporte asociado es de:
x11

c11

x12

c12

x22

c22

x23

c23

x32

c32

x34

c34

Costo 3 (3 + 2 (7 + 0 (4 + 2 (3 + 2 (3 + 1 (5
=
)
)
)
)
)
)

= 40
unidades

Antes de completar la solucin del problema ejemplo, se har un resumen de las reglas del
mtodo smplex de transporte.

Pgina 62

Ing. C. Snchez.

Resumen del mtodo smplex de transporte

Inicializacin: Se construye una solucin inicial bsica factible. Se realiza la prueba de optimalidad.
Prueba de optimalidad: Se obtiene ui y vj eligiendo el rengln con el mayor nmero de asignaciones y
estableciendo su ui = 0, y despus resolviendo el sistema de ecuaciones cij = ui+vj para cada (i,j) tal
que xij es bsica. Si cijuivj 0 para toda (i,j) tal que xij es no bsica, entonces la solucin actual es
ptima por lo que el proceso se detiene. De lo contrario, se regresa a una iteracin.
Iteracin:
1. Se determina la variable bsica entrante: se elige la variable no bsica xij que tiene el valor
negativo ms grande (en trminos absolutos) para cijuivj.
2. Se determina la variable bsica que sale identificando la reaccin en cadena (encontrar un circuito)
que se necesita para conservar la factibilidad cuando se aumenta el valor de la variable bsica
entrante. Entre las celdas donadoras se selecciona la variable bsica que tiene el menor valor.
3. Se determina la nueva solucin bsica factible: se suma el valor de la variable bsica que sale a
las asignaciones de las celdas receptoras y se resta este valor a las asignaciones de las celdas
donadoras.

Continuando con la aplicacin de este procedimiento a nuestro problema, tenemos que

calcular los nuevos valores de las ui y vj y despus los valores cijuivj correspondientes a las
variables no bsicas para determinar si todos cumplen con la prueba de optimalidad: Nuevamente
existen m+n1=3+41=6 variables bsicas, que dan origen al siguiente conjunto de ecuaciones:
3 = u1+v1
7 = u1+v2
4 = u2+v2
3 = u2+v3
3 = u3+v2
5 = u3+v4
Observemos que nuevamente resultaron ser 6 ecuaciones que involucran 7 incgnitas (tres de
las ui y cuatro de las vj). Ya que hay empate en el nmero de asignaciones que tiene cada rengln (2
asignaciones en cada rengln), asignemos el valor de cero a la incgnita u1. De esta asignacin
resulta lo siguiente:
3 = u1+v1
7 = u1+v2
4 = u2+v2
3 = u2+v3
3 = u3+v2
Pgina 63

v1=3
v2=7

Ing. C. Snchez.

5 = u3+v4

Hemos obtenido el valor de dos incgnitas ms, v1, y v2, los cuales nos ayudarn para hallar el
valor de las incgnitas restantes:
3 = u1+v1
7 = u1+v2
4 = u2+v2
3 = u2+v3
3 = u3+v2
5 = u3+v4

v1=3
v2=7

si v2=7, entonces u2= 3

si u2= 3, entonces v3=6
si v2=7, entonces u3= 4
si u3= 4, entonces v4=9

De esta forma hemos obtenido el valor de todas las incgnitas y procedemos a colocarlos en
la tabla como sigue:
v1
u1

v2
7

3
u2

v3

2
8

2
Demanda

vj

ui

0
u3

Recurso
s

2
4

v4

4
7

2
6

1
9

Costo=4
0

Ahora calculemos los valores cijuivj para las variables no bsicas y coloquemos estos
valores en la esquina inferior izquierda de cada celda:
Para la celda (1,3): 6 0 6 = 0
Para la celda (1,4): 4 0 9 = 5
Para la celda (2,1): 2 (3) 3 = 2
Para la celda (2,4): 2 (3) 9 = 4
Para la celda (3,1): 4 (4) 3 = 5
Para la celda (3,3): 8 (4) 6 = 6
v1
u1

v2
7

3
u2

0
2

v3

Pgina 64

Recurso
s

ui

0
3

5
2

2
0
4

0
2

v4

2
0

4
Ing. C. Snchez.

u3

2
4

1
6

Demanda

vj

4
7

2
6

Costo=4
0

1
9

Aplicando la prueba de optimalidad para verificar los valores de cijuivj obtenidos, vemos que
dos de estos valores ( c14u1v4= 5, c24u2v4= 4) son negativos, se concluye que la solucin bsica
factible actual no es ptima. Entonces, el mtodo smplex de transporte debe proceder a hacer una
iteracin para encontrar una mejor solucin bsica factible. Aplicando el procedimiento descrito
anteriormente, se llega al siguiente conjunto de tablas smplex de transporte que se muestra
enseguida y que dan solucin al problema planteado:
v1
u1

v2
7

4
5
2

0
3

0
u3

4
5

+8

2
5
3

vj

u1

2
6

1
9

v1

v2

v3

v4

u2

0
2

0
4

u3

2
4

0
3

Costo=4
0

Recurso
s

ui

4
7

1
6

Demanda

ui

0
3

2
4

Recurso
s

2
0
4

0
2

v4

3
u2

v3

1
5
2

0
8

4
5

0
3

3
5
Demanda

0
3

Costo=3
5

vj

Pgina 65

Ing. C. Snchez.

La nueva solucin bsica factible es x11=3, x12=1, x14=1, x22=0 (variable bsica degenerada),

x23=2 y x32=3 y el costo total de transporte asociado es de:

x11

c11

x12

c12

x14

c14

x22

c22

x23

c23

x32

c32

Costo 3 (3 + 1 (7 + 1 (4 + 0 (4 + 2 (3 + 3 (3
)
)
)
)
)
)
=

= 35
unidades

Como en esta ltima tabla todas las cijuivj son no negativas (comprobarlo!), la prueba de
optimalidad identifica este conjunto de asignaciones como ptimo, lo cual concluye el algoritmo.

Pgina 66

Ing. C. Snchez.