UIA2

OPTIMIZACIÓN DE
MODELOS INDUSTRIALES
UNIDAD
2
PROGRAMACIÓN LINEAL Y DUAL
Se prohíbe la reproducción total o parcial de esta obra, por cualquier medio,
electrónico o mecánico sin la autorización de la Dirección de Educación a
Distancia (UDB Virtual).
Dirección de Educación a Distancia

Apartado Postal, 1874, San Salvador, El Salvador
Tel: 2251-8200 ext.: 1743
Sumario
Programación lineal ……………………………………………………..…………….…. 1

Método gráfico ……...……………………………………………………..….……………. 15
Método simplex……...……………………………………………………..……….…..….. 33
Método dual simplex ……………………………………………………..……..…..……. 48
Referencias citadas Unidad 2 …...……………………………………….….……….…..61
Glosario Unidad 2 ……………………………………………………………………..……62
Clase 5| Programación lineal
5.Programación lineal
5.1Introducción a la programación lineal
En esta unidad se abordará la resolución de problemas a través de la programación lineal
y dual, en la unidad 1 como punto de partida se formularon problemáticas con ecuaciones
lineales, por medio de la programación lineal y dual se generarán resoluciones optimas a
estos problemas a través de diferentes métodos de solución; método gráfico, método
simplex y método dual simplex.
La programación lineal se aplica a modelos de optimización en los que las funciones

objetivos y restricciones son estrictamente lineales. La técnica se aplica en una amplia
variedad de casos, en los campos de agricultura, industria, transporte, economía, salud,
ciencias sociales y militar. En términos generales, debido a su enorme eficacia de calculo,
la programación lineal forma la columna vertebral de los algoritmos de solución para otros
modelos existentes.
En la programación lineal, el adjetivo lineal significa que todas las funciones matemáticas
del modelo deben ser funciones lineales. La palabra programación no se refiere a términos
computacionales; en esencia es sinónimo de planeación (Hillier & Gerald J. Liberman,
2010).
1
La programación lineal es un caso especial de la programación matemática, en donde todas
las funciones que contempla el modelo son líneas: siempre tendremos una función objetivo
lineal a optimizar (maximizar o minimizar), sujeta a restricciones lineales individuales. Las
variables del modelo, que son continuas, únicamente pueden introducirse valores no
negativos. Si bien puede parecer que estos supuestos quitan realismo al problema porque
el analista este limitado al uso de ecuaciones que quizás no son frecuentes en el mundo
real, las técnicas de programación lineal se utilizan en un amplio espectro de campos como
se describió anteriormente.
El termino programación tiene su origen en la planificación de las actividades que se

realizan en una organización tal como una fábrica, un hospital, una compañía aérea o un
organismo público, donde existe un objetivo a optimizar (Hillier & Gerald J. Liberman, 2010).
2
5.1.1¿En qué consiste la programación lineal?
Según Salazar et al.(2014) la programación lineal consiste en encontrar los valores de unas
variables que maximizan o minimizan un único objetivo sujeto a una serie de restricciones.
Las principales características de la PL (Programación Lineal) son:
1. Un único objetivo lineal a optimizar (maximizar o minimizar).

2. Unas variables de decisión que siempre son continuas (pueden tomar valores
fraccionados) y no son negativas.
3. Una o más restricciones lineales.
4. Un conocimiento exacto de los parámetros y recursos utilizados en la construcción
del modelo.
Con este video demostrativo lograras ampliar las características de los modelos a
resolver con la programación lineal.
Goal Project. (8 de agosto de 2017). Programación Lineal Introducción 01. [Video].
https://www.youtube.com/watch?v=fxVHxXuhBLY
A continuación, se analizarán con más detalles las características y lo que ocurre si una o
varias de ellas no se cumplen en los modelos que involucran la PL.
En primer lugar, cabe destacar que en la PL todas las funciones utilizadas tanto en el
objetivo como en las restricciones son lineales. Es decir, las restricciones consisten en la
suma de variables multiplicadas por sus respectivos parámetros, siendo esta función
menor, igual o mayor que un determinado recurso. El objetivo también es lineal, si bien
desconocemos a priori su valor. En caso de que tanto su valor como una o más restricciones
no sean lineales, sería necesario introducir métodos de programación no lineal, son muchos
más complejos de resolver y cuya optimalizad no siempre está garantizada.
3
En segundo lugar, la PL considera que las variables de decisión son continuas. Desde el
punto de vista matemático de obtención de soluciones, esta característica no ofrece
problemas. En muchas situaciones la interpretación económica de la solución de un
problema de PL no tiene sentido si obtenemos fracciones en las variables. Por ejemplo, si
estamos asignando trabajadores a tareas, no tiene sentido un resultado que en un momento
determinado asigne 3.4 trabajadores a una determinada tarea. Sin embargo, se opta por
redondear al entero más próximo se puede cometer un grave error.
En tercer lugar, los modelos de programación lineal consideran que hay un único objetivo
a maximizar o minimizar. Muchas veces podemos tener que resolver problemas que tienen
más de un objetivo. Por ejemplo, en un enfoque queremos maximizar la cobertura de un
determinado servicio, mientras que por otro enfoque queremos reducir los costos generales.
Ambos objetivos son conflictivos, en el sentido de que aumentar la cobertura significaría un
aumento en la necesidad de recursos con el consecuente incremento de costos del sistema.
Esta conflictividad se resuelve utilizando métodos de programación multicriterio o
multiobjetiva.
Finalmente, en la PL se considera que los parámetros utilizados en la construcción del

modelo se conocen con exactitud, o en términos más técnicos, son determinísticos.
Sin embargo, existen situaciones en las que uno o más parámetros tienen un componente
estocástico, o en palabras menos técnicas, tienen una variabilidad (en algunos casos puede
ser representada por una distribución estadística). Si esto acontece, la PL ya no es un buen
instrumento para la obtención de soluciones.
4
5.1.2 Formulación de modelos
A continuación, se presentan algunos ejemplos de los problemas con los cuales se puede
encontrar una organización y como la programación lineal puede expresarlos
matemáticamente.
Problema de asignación de personal
Una clínica de salud ha decidido ampliar su servicio de urgencias (abierto las 24 horas) con
la necesidad de nuevo personal de enfermería. La gerencia de la clínica ha estimado las
necesidades mínimas de personal por tramos de horarios para cubrir las urgencias que se
presenten. Se definieron 6 tramos de 4 horas. La necesidad mínima de personal en cada
tramo se idéntica en la Tabla 1. El departamento de recursos humanos ha informado a
gerencia que los contratos laborales han de ser de ocho horas seguidas. El problema se
centra en encontrar el número mínimo de personal necesario para cubrir la demanda.
Tabla 1.
Necesidades de personal por tramos de horarios.
Tramos de horarios
𝒊 1 2 3 4 5 6
0:00-4:00 4:00-8:00 8:00-12:00 12:00-16:00 16:00-20:00 20:00-24:00
Personal 𝑵𝒊 8 4 2 6 4 5
Fuente: Nota. Elaboración propia
Formulación del problema:
Inicialmente se tienen que definir las variables del modelo que queremos desarrollar. Como
debemos establecer el número de personal en cada turno, definimos 𝑁𝑖 como la cantidad
de personal por turno 𝑖, en donde 𝑖 = 1, … ,6. Es decir, existe una variable correspondiente
a cada turno.
5
Las restricciones del modelo tienen que reflejar la necesidad de que la cantidad de personal
en el periodo 𝑖 más el número de personas que entraron a trabajar en el turno 𝑖 − 1 sea
suficiente para cubrir las necesidades del turno 𝑖(𝑁𝑖 ). Esta situación queda reflejada en la
Tabla 2. En esta tabla, un trabajador que entra a trabajar, por ejemplo, a las 4:00, trabajará
en los turnos 2 y 3, por lo tanto, contribuirá a cubrir las necesidades de estos dos turnos.
En otras palabras, el turno 𝑖 estará siendo atendido por 𝑋𝑖−1 y 𝑋𝑖 . Por lo tanto, tendremos
que 𝑋𝑖−1 + 𝑋𝑖 (el personal que trabaja durante el turno 𝑖) tiene que ser, como mínimo, igual
a 𝑁𝑖 , que es el número mínimo de personal de enfermería necesario para este turno. En
términos matemáticos la restricción es la siguiente:
𝑋𝑖−1 + 𝑋𝑖 > 𝑁𝑖
En términos generales existirá una restricción por cada horario, es importante que se
considera la analogía como horario de entrada.
El objetivo de la gerencia consiste en la minimización del número total de personal de

enfermería necesario para cubrir las necesidades diarias. Este número será igual a 𝑋1 +
𝑋2 + 𝑋3 + 𝑋4 + 𝑋5 +𝑋6 que representa la suma del número de personal que entra en cada
periodo. Finalmente, el modelo matemático es el siguiente:
𝑀𝑖𝑛 𝑍 = 𝑋1 + 𝑋2 + 𝑋3 + 𝑋4 + 𝑋5 +𝑋6
C.S.R
𝑋6 +𝑋1 > 8
𝑋1 +𝑋2 > 4
𝑋2 +𝑋3 > 2
𝑋3 +𝑋4 > 6
𝑋4 +𝑋5 > 4
𝑋5 +𝑋6 > 5
𝑋1 , 𝑋2 , 𝑋3 , 𝑋4 , 𝑋5 , 𝑋6 > 0
6
Tabla 2
Necesidades de personal
Tramos de horarios
X 1 2 3 4 5 6
0:00-4:00 4:00-8:00 8:00-12:00 12:00-16:00 16:00-20:00 20:00-24:00
Personal Xi 8 4 2 6 4 5
00:00 𝑋1 𝑋1
04:00 𝑋2 𝑋2
08:00 𝑋3 𝑋3
12:00 𝑋4 𝑋4
16:00 𝑋5 𝑋5
20:00 𝑋6 𝑋6
Personal 𝑵𝒊 8 4 2 6 4 5
En la tabla 2 se observa una matriz de distribución del personal en cada turno, las variables
contempladas en cada columna de tramos de horarios y la disponibilidad de personal
(Personal 𝑁𝑖 ) forman las restricciones anteriormente planteadas.
Problema de asignación de recursos

El gerente de un hospital ha observado que algunos de sus servicios tienen capacidad
ociosa. A través de una propuesta realizada por el equipo médico, la capacidad ociosa
podría aprovecharse para introducir dos tipos nuevos de cirugía, A y B. Tanto los pacientes
de tipo A como los de tipo B tienen que pasar primero por una sala de pre‐cirugía y, una
vez pasado por el quirófano tienen que estar en observación en una sala postoperatoria,
que no existe de momento.
7
El equipo médico ha estimado el tiempo medio que necesita cada paciente de tipo A y de
tipo B en cada uno de los servicios pre‐quirúrgico (PQ), quirúrgico (QI) y postoperatorio
(PO). La experiencia en un hospital similar muestra que por cada tres pacientes de tipo A
que llegan al hospital como mínimo llega uno de tipo B. Por otra parte, se ha estimado el
costo de cada paciente en los diferentes servicios. En la tabla 3 se muestra los datos del
problema, se considera que la capacidad ociosa es en horas mensuales y el costo por
paciente en dólares.
Tabla 3
Estimación de horas de las cirugías A y B
Horas necesarias de cirugía Capacidad
Salas
A B Ociosa
Sala PQ 1 3 144
Sala QI 3 2 162
Sala PO 4 2 -
Costo $20 $25
Como el servicio postoperatorio (PO) aún no existe, el gerente argumenta que para justificar
su creación tiene que utilizarse durante un mínimo de 135 horas al mes. Por otra parte, el
presupuesto mensual asignado a las nuevas cirugías es de $1,500. El gerente quiere saber
el número máximo de pacientes que podrán ser operados al mes.
Primero definimos las variables del modelo. Sean 𝑋1 y 𝑋2 el número total de pacientes por
mes que pueden ser tratados con la cirugía A y B respectivamente. A continuación, se
presentan las restricciones.
8
Se ha establecido que en la sala PQ se disponen de 144 horas. En otras palabras, la
utilización de esta sala no puede sobrepasar las 144 horas. Como cada uno de los pacientes
de tipo A y de tipo B consumen 1 hora y 3 horas en esta sala respectivamente, el número
total de horas mensuales consumidas en PQ para los dos tipos será igual a 𝑋1 + 3𝑋2. Este
número tiene que ser inferior o igual a las 144 horas. La restricción será la siguiente:
𝑋1 + 3𝑋2 ≤ 144
El mismo razonamiento puede ser utilizado para determinar el número límite de horas en la
sala QI. Como el total de horas consumidas será igual a 3𝑋1 + 2𝑋2 , y hay un máximo de 162
horas disponibles, la restricción sobre QI será:
3𝑋1 + 2𝑋2 ≤ 162
El gerente ha determinado que, para viabilizar los nuevos tratamientos, se tiene que ocupar
la nueva sala PO durante un mínimo de 135 horas al mes. Como el número de horas
mensuales que se utilizará en PO es igual a 4𝑋1 + 2𝑋2, tendremos que:
4𝑋1 + 2𝑋2 ≥ 135
La experiencia en otros hospitales muestra que, por cada 3 pacientes de tipo A, viene
como mínimo un paciente de tipo B. Matemáticamente, esto se expresa como:
X1
≤ 𝑋2
3
Es equivalente a:
𝑋1 − 3𝑋2 ≤ 0
9
Finalmente, el gasto mensual realizado en las dos cirugías no puede exceder $1,500. Como
cada paciente de tipo A y de tipo B cuesta $20 y $25 respectivamente, el gasto total mensual
será de 20𝑋1 + 25𝑋2 , cantidad que no puede exceder $1,500 tendremos que:
20𝑋1 + 25𝑋2 ≤ 1,500
Por último, se necesita formular el objetivo. El gerente quiere saber el número máximo de
enfermos de tipo A y de tipo B que se puede atender cada mes. Simplemente, tendremos
que, si Z es este número, el objetivo se expresará como:
𝑀𝑎𝑥 𝑍 = 𝑋1 + 𝑋2
En resumen, el modelo matemático del problema es de la siguiente manera:
𝑀𝑎𝑥 𝑍 = 𝑋1 + 𝑋2
C.S.R
𝑋1 + 3𝑋2 ≤ 144
3𝑋1 + 2𝑋2 ≤ 162
4𝑋1 + 2𝑋2 ≥ 135
𝑋1 − 3𝑋2 ≤ 0
20𝑋1 + 25𝑋2 ≤ 1,500
𝑋1 , 𝑋2 > 0
10
Problema de transporte
Se desea enviar productos a dos clientes ubicados en Honduras, los destinos son San
Pedro Sula y Tegucigalpa, desde tres bodegas diferentes ubicadas en El Salvador, San
Miguel, San Salvador y Santa Ana. Los costos de transporte unitarios se muestran en la
tabla 4, así como las cantidades de producto con los que cuenta cada almacén y las
unidades que necesita cada cliente. Determinar el modelo de transporte que representa
cada situación.
Tabla 4
Costos de transporte
Bodegas San Pedro Sula Tegucigalpa Oferta
San Miguel $0.42 $0.51 20,000
San Salvador $0.45 $0.48 10,000
Santa Ana $0.47 $0.45 25,000
Demanda 30,000 30,000
En el planteamiento de este problema tenemos tres orígenes y dos destinos, se debe

suponer que el costo se cumple al establecerse que el costo es por unidad de producto. Al
evaluar el supuesto de requerimiento se visualiza los siguiente:
𝑂𝑓𝑒𝑟𝑡𝑎𝑠 (20,000 + 10,000 + 25,000 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠) = 55,000 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜

𝐷𝑒𝑚𝑎𝑛𝑑𝑎𝑠 (30,000 + 30,000 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠) = 60,000 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜.
En este caso, el supuesto no se cumple, debido a que Demandas > Ofertas; por tanto, se
requiere un punto de oferta ficticio con cinco mil unidades, que en el contexto del problema
será producto que los almacenes no podrán cumplir. En la tabla 5 se observa el punto de
oferta ficticio de 5,000 unidades para cumplir el aspecto de 𝑂𝑓𝑒𝑟𝑡𝑎𝑠 = 𝐷𝑒𝑚𝑎𝑛𝑑𝑎𝑠.
11
Tabla 5
Costos de transporte con oferta artificial
Bodegas San Pedro Sula Tegucigalpa Oferta
San Miguel $0.42 $0.51 20,000
San Salvador $0.45 $0.48 10,000
Santa Ana $0.47 $0.45 25,000
Artificial $0.00 $0.00 5,000
Demanda 30,000 30,000
Se definen las variables de la siguiente manera:
𝑥11 = 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑠 𝑎 𝑒𝑛𝑣𝑖𝑎𝑟 𝑑𝑒 𝑏𝑜𝑑𝑒𝑔𝑎 𝑒𝑛 𝑆𝑎𝑛 𝑀𝑖𝑔𝑢𝑒𝑙 𝑎 𝑆𝑎𝑛 𝑃𝑒𝑑𝑟𝑜 𝑆𝑢𝑙𝑎
𝑥12 = 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑠 𝑎 𝑒𝑛𝑣𝑖𝑎𝑟 𝑑𝑒 𝑏𝑜𝑑𝑒𝑔𝑎 𝑒𝑛 𝑆𝑎𝑛 𝑀𝑖𝑔𝑢𝑒𝑙 𝑎 𝑇𝑒𝑔𝑢𝑐𝑖𝑔𝑎𝑙𝑝𝑎
𝑥21 = 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑠 𝑎 𝑒𝑛𝑣𝑖𝑎𝑟 𝑑𝑒 𝑏𝑜𝑑𝑒𝑔𝑎 𝑒𝑛 𝑆𝑎𝑛 𝑆𝑎𝑙𝑣𝑎𝑑𝑜𝑟 𝑎 𝑆𝑎𝑛 𝑃𝑒𝑑𝑟𝑜 𝑆𝑢𝑙𝑎
𝑥22 = 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑠 𝑎 𝑒𝑛𝑣𝑖𝑎𝑟 𝑑𝑒 𝑏𝑜𝑑𝑒𝑔𝑎 𝑒𝑛 𝑆𝑎𝑛 𝑆𝑎𝑙𝑣𝑎𝑑𝑜𝑟 𝑎 𝑇𝑒𝑔𝑢𝑐𝑖𝑔𝑎𝑙𝑝𝑎
𝑥31 = 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑠 𝑎 𝑒𝑛𝑣𝑖𝑎𝑟 𝑑𝑒 𝑏𝑜𝑑𝑒𝑔𝑎 𝑒𝑛 𝑆𝑎𝑛𝑡𝑎 𝐴𝑛𝑎 𝑎 𝑆𝑎𝑛 𝑃𝑒𝑑𝑟𝑜 𝑆𝑢𝑙𝑎
𝑥32 = 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑠 𝑎 𝑒𝑛𝑣𝑖𝑎𝑟 𝑑𝑒 𝑏𝑜𝑑𝑒𝑔𝑎 𝑒𝑛 𝑆𝑎𝑛𝑡𝑎 𝐴𝑛𝑎 𝑎 𝑇𝑒𝑔𝑢𝑐𝑖𝑔𝑎𝑙𝑝𝑎
𝑥41 = 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑠 𝑎 𝑒𝑛𝑣𝑖𝑎𝑟 𝑑𝑒 𝑏𝑜𝑑𝑒𝑔𝑎 𝑓𝑖𝑐𝑡𝑖𝑐𝑖𝑜 𝑎 𝑆𝑎𝑛 𝑃𝑒𝑑𝑟𝑜 𝑆𝑢𝑙𝑎
𝑥42 = 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑠 𝑎 𝑒𝑛𝑣𝑖𝑎𝑟 𝑑𝑒 𝑏𝑜𝑑𝑒𝑔𝑎 𝑓𝑖𝑐𝑡𝑖𝑐𝑖𝑜 𝑎 𝑡𝑒𝑔𝑢𝑐𝑖𝑔𝑎𝑙𝑝𝑎
En este problema se busca minimizar el costo de transporte, dado a que se conoce el costo
de transportar una unidad de cada bodega a cada cliente, la función objetico se determina
de la siguiente forma:
𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 𝑧 = 0.42𝑥11 + 0.51𝑥12 + 0.45𝑥21 + 0.48𝑥22 + 0.47𝑥31 + 0.45𝑥32
12
Las restricciones del problema se plantean de la siguiente forma:
1. Para los puntos de oferta resulta:
𝐵𝑜𝑑𝑒𝑔𝑎 𝑑𝑒 𝑆𝑎𝑛 𝑀𝑖𝑔𝑢𝑒𝑙: 𝑥11 + 𝑥12 = 20,000

𝐵𝑜𝑑𝑒𝑔𝑎 𝑑𝑒 𝑆𝑎𝑛 𝑆𝑎𝑙𝑣𝑎𝑑𝑜𝑟: 𝑥21 + 𝑥22 = 10,000
𝐵𝑜𝑑𝑒𝑔𝑎 𝑑𝑒 𝑆𝑎𝑛𝑡𝑎 𝐴𝑛𝑎: 𝑥31 + 𝑥32 = 25,000
𝐵𝑜𝑑𝑒𝑔𝑎 𝑓𝑖𝑐𝑡𝑖𝑐𝑖𝑎: 𝑥41 + 𝑥42 = 5,000
2. Para los puntos de demanda son:

𝐶𝑙𝑖𝑒𝑛𝑡𝑒 𝑒𝑛 𝑆𝑎𝑛 𝑃𝑒𝑑𝑟𝑜 𝑆𝑢𝑙𝑎: 𝑥11 + 𝑥21 + 𝑥31 + 𝑥41 = 30,000
𝐶𝑙𝑖𝑒𝑛𝑡𝑒 𝑒𝑛 𝑡𝑒𝑔𝑢𝑐𝑖𝑔𝑎𝑙𝑝𝑎: 𝑥12 + 𝑥22 + 𝑥32 + 𝑥42 = 30,000
3. Para la naturaleza de las variables:

𝑥𝑖𝑗 ≥ 0 𝑝𝑎𝑟𝑎 𝑖 = 1, … ,4; 𝑗 = 1, … ,2
Modelo matemático:
𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 𝑧 = 0.42𝑥11 + 0.51𝑥12 + 0.45𝑥21 + 0.48𝑥22 + 0.47𝑥31 + 0.45𝑥32
C.S.R
𝐵𝑜𝑑𝑒𝑔𝑎 𝑑𝑒 𝑆𝑎𝑛 𝑀𝑖𝑔𝑢𝑒𝑙: 𝑥11 + 𝑥12 = 20,000
𝐵𝑜𝑑𝑒𝑔𝑎 𝑑𝑒 𝑆𝑎𝑛 𝑆𝑎𝑙𝑣𝑎𝑑𝑜𝑟: 𝑥21 + 𝑥22 = 10,000
𝐵𝑜𝑑𝑒𝑔𝑎 𝑑𝑒 𝑆𝑎𝑛𝑡𝑎 𝐴𝑛𝑎: 𝑥31 + 𝑥32 = 25,000
𝐵𝑜𝑑𝑒𝑔𝑎 𝑓𝑖𝑐𝑡𝑖𝑐𝑖𝑎: 𝑥41 + 𝑥42 = 5,000
𝐶𝑙𝑖𝑒𝑛𝑡𝑒 𝑒𝑛 𝑆𝑎𝑛 𝑃𝑒𝑑𝑟𝑜 𝑆𝑢𝑙𝑎: 𝑥11 + 𝑥21 + 𝑥31 + 𝑥41 = 30,000
𝐶𝑙𝑖𝑒𝑛𝑡𝑒 𝑒𝑛 𝑡𝑒𝑔𝑢𝑐𝑖𝑔𝑎𝑙𝑝𝑎: 𝑥12 + 𝑥22 + 𝑥32 + 𝑥42 = 30,000
𝑥𝑖𝑗 ≥ 0 𝑝𝑎𝑟𝑎 𝑖 = 1, … ,4; 𝑗 = 1, … ,2
13
En este video observaras la formulación de un modelo de programación lineal del tipo
maximización.
Universidad Continental – Modalidad a Distancia. (19 de septiembre de 2017).
Programación lineal. [Video]. https://www.youtube.com/watch?v=AB20K1IQLVo
14
Clase 6| Método gráfico
6.Método gráfico
6.1 Método Gráfico
El método grafico se considera el primer método de solución usado para resolver modelos
de programación lineal. Este método se limita a que conste de dos variables de decisión y
un numero finito de restricciones lineales (Salazar et al., 2014).
Para la solución grafica de problemas de programación lineal con dos variables, lo que se
debe hacer es trazar un eje de coordenadas cartesianas, para graficar las desigualdades
dadas por el problema, después encontrar el área de soluciones factibles y proceder a
graficar la función objetivo para conocer el valor optimo (maximizar o minimizar) que será
la solución del problema.
El siguiente video presenta una introducción al método grafico de

programación lineal.
Resolución de problemas de PL con el Método Gráfico. [Video].
https://www.youtube.com/watch?v=cwRLkAa44Uk
15
6.1.1 Problema de maximización
Quimes, Inc. Es una empresa pequeña que fabrica una variedad de productos químicos.
En un proceso de producción particular se utilizan tres materias primas para elaborar dos
productos: un aditivo para combustible y una base para solventes.
El aditivo se vende a las compañías petroleras y se utiliza en la producción de gasolina y
otros combustibles. La base para solventes se vende a una variedad de compañías de
productos químicos y se usa en artículos de limpieza para el hogar y la industria. Las tres
materias primas se mezclan para formar el aditivo para el combustible y la base para
solventes como en la tabla 6, en la que se muestra que una tonelada de aditivo para
combustible es una mezcla de 0.4 ton de material 1 y 0.6 ton de material 3, mientras que
una tonelada de base para solventes es una mezcla de 0.5 ton de material 1, 0.2 ton de
material 2 y 0.3 ton de material 3.
Tabla 6
Requerimientos de material por tonelada
Producto
Aditivo para combustible Base para solventes
Material 1 0.4 0.5
Material 2 0.2
Material 3 0.6 0.3
Se utilizan 0.6 ton de material 3 en cada tonelada de aditivo para
combustible
La producción de Quimes está restringida por una disponibilidad limitada de las tres
materias primas. Para el periodo de producción actual cuenta con las siguientes cantidades
de cada materia prima:
16
Tabla 7
Cantidad disponible de materia prima
Cantidad disponible
Material
para la producción
Material 1 20 ton
Material 2 5 ton
Material 3 21 ton
El departamento de contabilidad analizó las cifras de producción, asignó todos los costos
relevantes y se llegó a precios para ambos productos que generarían una contribución a
las utilidades de $40 por cada tonelada de aditivo para combustible producido y $30 por
cada tonelada producida de base para solvente.
Utilicemos el método grafico de la programación lineal para determinar la cantidad de

toneladas de aditivo para combustible y de base solvente a producir con el fin de maximizar
la contribución total a las utilidades.

Para el problema las 2 variables de decisión son 1) el número de toneladas de aditivo para
combustible producidas, y 2) el número de toneladas de base para solventes producidas.
En el desarrollo del modelo matemático se utilizará la siguiente notación para las variables
de decisión:
𝐹 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑡𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠 𝑑𝑒 𝑎𝑑𝑖𝑡𝑖𝑣𝑜 𝑝𝑎𝑟𝑎 𝑐𝑜𝑚𝑏𝑢𝑠𝑡𝑖𝑏𝑙𝑒

𝑆 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑡𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠 𝑑𝑒 𝑏𝑎𝑠𝑒 𝑝𝑎𝑟𝑎 𝑠𝑜𝑙𝑣𝑒𝑛𝑡𝑒𝑠
17
Para la definición de la función objetivo se debe considerar que la contribución a las
utilidades de la organización proviene de la producción de F toneladas de aditivo para
combustible y S toneladas de base para solvente. Como la organización gana $40 por cada
tonelada de aditivo para combustible producida y $30 para cada tonelada de base para
solvente producida, Quimes ganará $40F de la producción de aditivo para combustible y
$30S de la producción de base para solvente. Por tanto:
𝑀𝑎𝑥 𝑧 = 40𝐹 + 30𝑆

Restricción 1:
𝑇𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠 𝑑𝑒 𝑚𝑎𝑡𝑒𝑟𝑖𝑎𝑙 1 𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑑𝑎𝑠 ≤ 𝑇𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠 𝑑𝑒𝑙 𝑚𝑎𝑡𝑒𝑟𝑖𝑎𝑙 1 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒𝑠
Cada tonelada de aditivo para combustible que se produce utiliza 0.4 ton de material 1. Por
tanto, se utilizan 0.4F ton de material 1 para producir F ton de aditivo para combustible.
Cada tonelada de base para solvente que Quimes produce utiliza 0.5 ton de material 1, así
que se emplean 0.5S ton de material 1 para producir S ton de base para solvente. Por
consiguiente, el número de toneladas de material 1 utilizado para producir F ton de aditivo
para combustible y S ton de base para solvente es:
0.4𝐹 + 0.5𝑆 ≤ 20
Restricción 2:
𝑇𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠 𝑑𝑒 𝑚𝑎𝑡𝑒𝑟𝑖𝑎𝑙 2 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑎𝑠 ≤ 𝑇𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠 𝑑𝑒𝑙 𝑚𝑎𝑡𝑒𝑟𝑖𝑎𝑙 2 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒𝑠
El aditivo para combustible no utiliza material 2, pero cada tonelada de base para solvente
que Quimes produce utiliza 0.2 ton de material 2, así que se utilizan 0.2S ton de material 2
para producir S ton de base para solvente. Por consiguiente, el número de toneladas de
material 2 empleadas para producir F ton de aditivo para combustible y S ton de base para
solvente es:
0.2𝑆 ≤ 5
18
Restricción 3:
𝑇𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠 𝑑𝑒 𝑚𝑎𝑡𝑒𝑟𝑖𝑎𝑙 3 𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑑𝑎𝑠 ≤ 𝑇𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠 𝑑𝑒𝑙 𝑚𝑎𝑡𝑒𝑟𝑖𝑎𝑙 𝑒 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒𝑠
Cada tonelada de aditivo para combustible que Quimes produce utiliza 0.6 ton de material
3. Por lo anterior, se utilizan 0.6F ton de material 1 para producir F ton de aditivo para
combustible.
De manera similar, cada tonelada de base para solventes que la empresa produce utiliza
0.3 ton de material 3, así que se emplean 0.3S ton de material 1 para producir S ton de
base para solvente. Por consiguiente, el número de toneladas del material 3 empleadas
para producir F ton de aditivo para combustible y S ton de base para solventes es:
0.6𝐹 + 0.3𝑆 ≤ 21
La empresa no puede producir una cantidad negativa de toneladas de aditivo para

combustible ni una cantidad negativa de toneladas de base para solventes. Es necesario
añadir restricciones de no negatividad para impedir que las variables de decisión F y S
tengan valores negativos. Estas restricciones de no negatividad son:
𝐹≥0 𝑦 𝑆≥0
Al escribirse forma abreviada:
𝐹, 𝑆 ≥ 0
Modelo matemático:
𝑀𝑎𝑥 𝑧 = 40𝐹 + 30𝑆

C.S.R
0.4𝐹 + 0.5𝑆 ≤ 20
0.2𝑆 ≤ 5
0.6𝐹 + 0.3𝑆 ≤ 21
𝐹, 𝑆 ≥ 0
19
Como lo describimos anteriormente un problema de programación lineal que involucra 2
sólo 2 variables de decisión pueden resolverse mediante un procedimiento de solución
grafica. El procedimiento se inicia al trazar una gráfica que muestre las soluciones posibles
(valores de F y S) para el problema.
La grafica de la figura 1 tiene los valores de F en el eje horizontal y los de S en el eje vertical.
Cualquier punto de la gráfica puede identificarse por medio de los valores de F y S, los
cuales indican la posición del punto a lo largo de los ejes horizontal y vertical,
respectivamente. Esto nos dice que cada punto en la gráfica corresponde a una solución
posible. La solución 𝐹 = 0 𝑦 𝑆 = 0 se conoce como el origen. Debido a que tanto F como S
deben ser no negativos, la gráfica de la figura 1 solo muestra las soluciones en que 𝐹 ≥
0 𝑦 𝑆 ≥ 0.
Recordemos que la desigualdad que representa la restricción del material 1 es
0.4𝐹 + 0.5𝑆 ≤ 20
Para mostrar todas las soluciones que satisfacen esta relación, empezamos trazando la
gráfica de la recta que corresponde a la ecuación
0.4𝐹 + 0.5𝑆 ≤ 20
20
Figura 1
Gráfica con dos soluciones para el problema de 2 variables
Fuente: Nota. Por Anderson (2011)
Trazamos la gráfica de esta ecuación al identificar dos puntos que satisfagan esta ecuación
y luego trazar una recta que pase por los puntos.
Si establecemos 𝐹 = 0 y calculamos S, obtenemos 0.5𝑆 = 20 o 𝑆 = 40; por consiguiente, la

solución (𝐹 = 0, 𝑆 = 40) satisface la ecuación anterior. Para encontrar una segunda
solución que satisfaga esta ecuación, establecemos 𝑆 = 0 y calculamos F. Al realizar esta
operación obtenemos 0.5𝐹 = 20, o 𝐹 = 50. La segunda solución que satisface la ecuación
es (𝐹 = 50, 𝑆 = 0). Con estos 2 puntos, ahora podemos trazar una recta, a la cual
llamaremos recta de restricción del material 1, como muestra la figura 2, recuerde que la
desigualdad que representa la restricción del material 1 es
0.4𝐹 + 0.5𝑆 ≤ 20
21
¿Puede identificar todas las soluciones que satisfacen esta restricción? Primero observe
que cualquier punto de la recta 0.4𝐹 + 0.5𝑆 = 20 debe cumplir con las restricciones. Pero,
¿Dónde están las soluciones que satisfacen 0.4𝐹 + 0.5 < 20? Considere dos soluciones
(𝐹 = 10, 𝑆 = 10) y (𝐹 = 40, 𝑆 = 30).
La figura 2 muestra que la primera solución está por debajo de la recta de restricción y la
segunda solución está por encima de la misma. ¿Cuál de estas soluciones satisface la
restricción del material 1? Para (𝐹 = 10, 𝑆 = 10) tenemos
0.4𝐹 + 0.5𝑆 = 0.4(10) + 0.5(10) = 9
Dado de 9 toneladas son menores que las 20 toneladas de material 1 disponibles, la

solución 𝐹 = 10, 𝑆 = 10 cumple con la restricción. Para 𝐹 = 40, 𝑆 = 30 tenemos
0.4𝐹 + 0.5𝑆 = 0.4(40) + 0.5(30) = 31
Las 31 toneladas son mayores que las 20 toneladas disponibles, así que la solución 𝐹 =
10, 𝑆 = 10 no satisfacen la restricción.
Figura 2
Recta de restricción del material 1

22
Si una solución en particular satisface la restricción, todas las demás soluciones del mismo
lado de la recta de restricción también la satisfarán. Si una solución en particular no cumple
con la restricción, todas las demás soluciones del mismo lado de la recta de restricción
tampoco cumplirán con la restricción.
Por lo anterior, solo se necesita evaluar una solución para determinar cuál lado de una recta
de restricción proporciona soluciones que satisfacen la restricción. A continuación, se
identifican todas las restricciones que satisfacen la restricción del material 2:
0.2𝑆 ≤ 5
Iniciemos con el trazado de la recta de restricción 0.2𝑆 = 5. Como esta ecuación es

equivalente a la ecuación 𝑆 = 25, simplemente trazamos una recta cuyo valor de S sea 25
para cada valor de F; esta recta es paralela al eje horizontal y esta 25 unidad por encima
de la misma.
La Figura 3 muestra la recta que corresponde a la restricción del material 2. Siguiendo el

enfoque que utilizamos para la restricción del material 1, observamos que solo las
soluciones por encima y por debajo de la recta satisfarán la restricción del material 2; por
tanto, en la figura 3 el área sombreada corresponde a las soluciones que satisfacen esta
restricción.
23
Figura 3
Soluciones que satisfacen la restricción del material 2
Asimismo, podemos determinar las soluciones que satisfacen la restricción del material 3.
La figura 4 muestra el resultado.
24
Figura 4
Soluciones que satisfacen la restricción del material 3.
Ahora existen 3 gráficas separadas que indican las soluciones que satisfacen cada una de
las tres restricciones. En un problema de programación lineal, debemos identificar las
soluciones que satisfacen todas las restricciones simultáneamente. Para encontrar estas
soluciones, podemos trazar las tres restricciones en una gráfica y observar el área que
contiene los puntos que sí satisfacen todas las restricciones de forma simultánea. Las
gráficas de las figuras 2, 3 y 4 pueden superponerse para obtener una gráfica con las tres
restricciones.
La figura 5 muestra esta gráfica de restricciones combinadas; la región sombreada incluye
cada punto de solución que satisface todas las restricciones de forma simultánea. Como
las soluciones cumplen con todas las restricciones de forma simultánea se llama soluciones
factibles, la región sombreada se llama región de soluciones factible.
Cualquier punto en el límite de la región factible o dentro de ésta es un punto de solución
factible para el problema de programación lineal.
25
Figura 5
Región factible del problema
Una vez identificada la región factible, seguimos con el método de solución gráfica y obtener
la solución gráfica y obtener la solución óptima para el problema de Quimes. Es importante
mencionar que la solución óptima para un problema de programación lineal es la solución
factible que proporciona el mejor valor posible de la función objetivo.
Un método para encontrar la solución óptima sería evaluar la función objetivo para cada
solución factible; la solución óptima por ende es la que produce el valor más grande. La
dificultad con este método es que el número finito de soluciones factibles vuelve imposible
la evaluación de todas las soluciones factibles.
Por lo anterior, este procedimiento de prueba y error no se puede utilizar para identificar la
solución óptima.
26
En vez de tratar de calcular la contribución a las utilidades para cada solución factible,
seleccionamos un valor arbitrario para la contribución a las útil para la contribución a las
utilidades e identificamos todas las soluciones factibles que producen el valor seleccionado.
Por ejemplo, ¿cuáles soluciones factibles proporcionan una contribución a las utilidades de
$240? Estas soluciones están determinadas por los valores de F y S en la región factible
que proporcionara la función objetivo
40𝐹 + 30𝑆 = 240
Esta expresión es simplemente la ecuación de una recta. Por tanto, todas las soluciones
factibles (F, S) que producen una contribución a las utilidades de $240 deben estar en la
recta. Aprendimos antes en esta sección cómo trazar la gráfica de una recta de restricción.
El procedimiento para trazar la gráfica de las utilidades o la recta de la función objetivo es

el mismo. Sea 𝐹 = 0, vemos que S debe ser 8; por tanto, el punto de solución (𝐹 = 0, 𝑆 =
8) esta en la recta. De modo parecido, al establecer 𝑆 = 0 vemos que el punto de solución
𝐹 = 6, 𝑆 = 8) también está en la recta.
Al trazar la recta que pasa por estos dos puntos identificamos todas las soluciones que
tienen una contribución a las utilidades de $240. En la figura 6 se presenta una gráfica de
esta recta de utilidades, la cual muestra que un número infinito de combinaciones de
producción factible proporcionara una contribución a las utilidades de $240.
El objetivo es encontrar la solución factible que produzca la más alta contribución a las
utilidades, así que proseguimos con la selección de contribuciones a las mayores utilidades
y encontramos las soluciones que producen los valores establecidos.
27
Figura 6
Recta de utilidades de $240 para el problema
El objetivo es encontrar la solución factible que produzca la más alta contribución a las
utilidades, así que proseguimos con la selección de contribuciones a las mayores utilidades
y encontramos las soluciones que producen los valores establecidos. Por ejemplo, ¿cuáles
soluciones proporcionan una contribución a las utilidades de $720? ¿Cuáles soluciones
proporcionan una contribución a las utilidades de $1,200? Para responder estas preguntas
debemos determinar los valores de F y S que están en las rectas de utilidades:
40𝐹 + 30𝑆 = 740 𝑦 40𝐹 + 30𝑆 = 1,200
Con el procedimiento anterior para trazar la gráfica de las rectas de utilidades y

restricciones, graficamos las rectas de utilidades de $720 y $1200 están en la región
factible, aunque algunos sí lo están, por lo que podemos obtener una solución factible que
proporciones una contribución a las utilidades de $1,200.
28
¿Podemos encontrar una solución factible que produzca una contribución a las utilidades
de incluso mayor? Observe con atención la figura 7 y haga algunas observaciones
generales sobre las rectas de utilidades. Deberá poder identificar las propiedades
siguientes: 1) las rectas de utilidades son paralelas entre sí, y 2) Las rectas de utilidades
con contribuciones a las utilidades mayores están más alejadas del origen.
Figura 7
Rectas de utilidades paralelas
Como las rectas de utilidades son paralelas y aquellas que son mayores están más alejadas
del origen, podemos obtener soluciones que producen valores cada vez mayores para la
función objetivo al continuar alejando la recta de utilidades del origen, pero manteniéndola
paralela a las demás rectas de utilidades. Sin embargo, se llegará a un punto en que el
alejamiento coloque a la recta de utilidades completamente fura de la región factible.
29
Dado que los puntos fuera de la región factible son inaceptables, el punto de la región
factible que se encuentra en la recta de utilidades mayor es una solución óptima. El punto
de la solución óptima, se muestra en la figura 8. Los valores óptimos de las variables de
decisión son los valores de F y S en este punto.
Figura 8
Solución óptima para el problema
Remítase a la figura 5 y observe que el punto de solución óptima del problema está en la
intersección de las rectas de restricción del material 1 y del material 3. Es decir, la solución
óptima está tanto en la recta de restricción del material 1,
0.4𝐹 + 0.5𝑆 = 20
Como en la recta de restricción del material 3,
0.6𝐹 + 0.3𝑆 = 21
30
Por tanto, los valores de las variables de decisión F y S deben satisfacer ambas ecuaciones
de manera simultánea. Al utilizar la ecuación 0.4𝐹 + 0.5𝑆 = 20 y calcular F obtenemos
𝐹 = 50 − 1.25𝑆
Si se sustituye esta expresión por F en la ecuación 0.6𝐹 + 0.3𝑆 = 21 y calculamos S
0.6(50 − 1.25𝑆) + 0.3𝑆 = 21

30 − 0.75𝑆 + 0.3𝑆 = 21
−0.45𝑆 = −9
𝑆 = 20
Al sustituir 𝑆 = 2 en la ecuación 𝐹 = 50 − 1.25𝑆 y calcular F se obtiene
𝐹 = 50 − 1.25(20)
= 50 − 25 = 25
La ubicación exacta del punto de solución óptima es 𝐹 = 25 y 𝑆 = 20. Este punto de solución
proporciona las cantidades de producción óptima para Quimes a 25 toneladas de aditivo
para combustible y 20 toneladas de base para solvente y produce una contribución a las
utilidades de 40(25) + 30(20) = $1600. Para un problema de programación lineal con 2
variables de decisión, usted puede determinar los valores exactos de estas variables para
la solución óptima al utilizar primero el procedimiento grafico para identificar el punto de
solución óptima y luego resolver las dos ecuaciones simultaneas asociadas a ese punto.
31
Visualiza el siguiente video, te será de mucha ayuda para reforzar el concepto de resolución
de problemas de minimización.
Abel Esteban Ortega Luna. (22 de marzo de 2014). Programación Lineal Minimización.
[Video]. https://www.youtube.com/watch?v=MK29boPJDcg
32
Clase 7| Método simplex
7. Método simplex
7.1 Método simplex
El método gráfico presentado anteriormente demuestra que la solución óptima de un
modelo de programación lineal está siempre asociada a un punto extremo o esquina del
espacio de soluciones como se muestra en la figura 9. Esta idea conduce precisamente a
la creación del método simplex. En términos generales lo que hace el método simplex es
trasladar la definición geométrica del punto extremo a una definición algebraica.
El método simplex constituye un procedimiento iterativo que permite ir mejorando la

solución a cada paso. El proceso finaliza cuando no es posible seguir mejorando
más dicha solución. Partiendo del valor de la función objetivo en un vértice
cualquiera, el método simplex consiste en buscar sucesivamente otro vértice que
mejore al anterior (Hillier & Gerald J. Liberman, 2010, p. 148)
Figura 9
Conjunto de intersecciones
Fuente: Nota. Por Hillier & Gerald J. Liberman (2010)
33
La búsqueda se hace siempre a través de los lados del polígono (o de las aristas del
poliedro, si el número de variables es mayor). Cómo el número de vértices (y de aristas) es
finito, siempre se podrá encontrar la solución.
El método del simplex fue creado en 1947 por el matemático George Dantzig, para
resolver problemas de programación lineal en los que intervienen más de dos
variables. El álgebra matricial y el proceso de eliminación de Gauss-Jordán para
resolver un sistema de ecuaciones lineales constituyen la base del método simplex
(Taha, 2004, p. 71).
Pasos para la aplicación del método simplex:

1. Formule el modelo de programación lineal respectivo.
2. Convierta todas las restricciones en igualdades de acuerdo con los criterios en la

tabla 8.
3. Iguale la función objetivo a cero (tenga en cuenta la tabla 8 para completar los
coeficientes objetivos).
4. Elabore la tabla simplex inicial.
5. Seleccione una variable entrante de las variables actuales no básicas, usando la

condición de optimidad.
Condición de Optimidad: la variable entrante en el problema de maximización

(minimización) es la variable no básica, con el coeficiente más negativo (más
positivo) en la ecuación de Z. Un empate puede romperse arbitrariamente. La
solución óptima se alcanza cuando todos los coeficientes no básicos en la ecuación
Z son positivos (negativos).
6. Seleccione la variable saliente entre las variables actuales básicas, usando la

condición de factibilidad.
34
Condición de Factibilidad: tanto en los problemas de maximización como de
minimización, la variable saliente es la variable básica actual, con la menor razón
(con denominador positivo distinto de cero) que resulta al dividir los valores del lado
derecho entre el valor respectivo de la columna de entrada.
7. Determine la nueva solución básica, haciendo a la variable entrante básica y a la

variable saliente no básica. Vuelva al paso 4. Esto se logra a través de la aplicación
del Método de Gauss Jordán cuyo objetivo es transformar las ecuaciones, de
manera que nos permitan obtener una nueva solución básica mediante la asignación
de valores cero a las variables actuales no básicas. Con el método de Gauss Jordán
se efectúa un cambio de base empleando dos operaciones de cálculo:
𝑉𝑖𝑒𝑗𝑎 𝑒𝑐𝑢𝑎𝑐𝑖ó𝑛 𝑝𝑖𝑣𝑜𝑡𝑒

𝐸𝑐𝑢𝑎𝑐𝑖𝑜𝑛 𝑝𝑖𝑣𝑜𝑡𝑒: 𝑁𝑢𝑒𝑣𝑎 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛 𝑝𝑖𝑣𝑜𝑡𝑒 =
𝐸𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝑝𝑖𝑣𝑜𝑡𝑒
𝑅𝑒𝑠𝑡𝑜 𝑑𝑒 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑖𝑛𝑐𝑙𝑢𝑦𝑒𝑛𝑑𝑜 𝑍:

𝑁𝑢𝑒𝑣𝑎 𝑒𝑐𝑢𝑎𝑐𝑖ó𝑛 = 𝑒𝑐𝑢𝑎𝑐𝑖ó𝑛 𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟 − (𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑐𝑜𝑙𝑢𝑚𝑛𝑎 𝑒𝑛𝑡𝑟𝑎𝑛𝑡𝑒)
∗ (𝑁𝑢𝑒𝑣𝑎 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛 𝑝𝑖𝑣𝑜𝑡𝑒)
Tabla 8
Criterios para convertir las desigualdades en igualdades.
Tipo de Restricción Problema de Maximizar Problema de Minimizar
Restricción Menor o igual ≤: Variable de holgura toma Variable de holgura toma
Requiere una variable de coeficiente cero en la ecuación coeficiente cero en la
holgura positiva. objetivo. ecuación objetivo.
Variable de holgura toma Variable de holgura toma
Restricción Mayor o Igual ≥:
coeficiente cero en la ecuación coeficiente cero en la
Requiere una variable de
objetivo. La variable artificial ecuación objetivo. La variable
holgura negativa y la suma de
toma coeficiente -M en la artificial tomo coeficiente +M
una variable artificial.
ecuación objetivo. en la ecuación objetivo.
Restricción de igualdad: La Variable artificial tomo La Variable artificial tomo
Requiere que se le sume una coeficiente -M en la ecuación coeficiente +M en la ecuación
variable artificial. objetivo. objetivo.
35
El siguiente video muestra de manera introductoria la resolución de un
problema maximización por medio del método simplex.
Resolución de problemas de PL con el Método Simplex. [Video].
https://youtu.be/8BieHhoc6-M
Con todo lo anterior, se desarrollará un ejemplo sencillo mediante el método simplex:
1. Formulación del modelo
𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝑍 = 3𝑥1 + 2𝑥2

C.S.R
2𝑥1 + 𝑥2 ≤ 18
2𝑥1 + 3𝑥2 ≤ 42
3𝑥1 + 𝑥2 ≤ 24
𝑥1 ≥ 0 , 𝑥2 ≥ 0
2. Se procede a convertir las desigualdades en igualdades de acuerdo a los

criterios de la tabla 8
Se introduce una variable de holgura por cada una de las restricciones, para convertirlas en
igualdades, observe que todas las restricciones son del tipo ≤ , esto implica de acuerdo a
la tabla 8 que se debe agregar una variable de holgura positiva.
2𝑥1 + 𝑥2 + 𝑆1 = 18
2𝑥1 + 3𝑥2 + 𝑆2 = 42
3𝑥1 + 𝑥2 + 𝑆3 = 24
36
3. Igualar la función objetivo a cero
𝑍 − 3𝑥1 − 2𝑥2 = 0
4. Generar la tabla inicial simplex
En las columnas aparecerán todas las variables del problema y, en las filas, los coeficientes
de las igualdades obtenidas, una fila para cada restricción y la primera fila con los
coeficientes de la función objetivo:
Tabla 9
Iteración n1 del problema
Base Variable de decisión Variable de holgura Valores solución
𝑥1 𝑥2 𝑆1 𝑆2 𝑆3
Z -3 -2 0 0 0 0
𝑆1 2 1 1 0 0 18
𝑆2 2 3 0 1 0 42
𝑆3 3 1 0 0 1 24
5. Determinar la variable de decisión que entra en la base y la variable que sale

de la solución base
a. Para escoger la variable de decisión que entra en la base, nos tenemos que
ubicar en la primera fila, la de los coeficientes de la función objetivo y
escogemos la variable con el coeficiente negativo mayor (el valor absoluto). En
nuestro caso, la variable 𝑥 de coeficiente - 3.
Si existiesen dos o más coeficientes iguales que cumplan la condición anterior,

entonces se elige uno cualquiera de ellos. Si en la primera fila no existiese ningún
coeficiente negativo, significa que se ha alcanzado la solución óptima.
37
Por tanto, lo que va a determinar el final del proceso de aplicación del método
simplex, es que en la primera fila no existan elementos negativos debido a que
estamos desarrollando un problema de maximización. La columna de la variable
que entra en la base se llama columna pivote (columna sombreada en la tabla
9).
b. Para encontrar la variable de holgura que tiene que salir de la base, se divide
cada término de la última columna (valores solución) por el término
correspondiente de la columna pivote, siempre que estos últimos sean mayores
que cero. En nuestro caso:
18 42 24
= 9, = 21 𝑦 =8
2 2 3
Si hubiese algún elemento menor o igual que cero no se realiza dicho cociente.
En el caso de que todos los elementos fuesen menores o iguales a cero,
entonces tendríamos una solución no acotada y no se puede seguir con el
proceso de iteración. El término de la columna pivote que en la división anterior
dé lugar al menor cociente positivo, en nuestro caso el 3, ya que 8 es el menor
24
( = 8), indica la fila de la variable de holgura que sale de la base,
3
𝑆3 . Esta fila se llama fila pivote (la última fila sombreada en la tabla 1). Si al
calcular los cocientes, dos o más son iguales, indica que cualquiera de las
variables correspondientes puede salir de la base.
c. En la intersección de la fila pivote y columna pivote tenemos el elemento pivote

operacional, 3.
6. Determinar los coeficientes de la nueva tabla
A continuación, mediante la reducción gaussiana hacemos ceros los restantes términos de

su columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los
de la función objetivo Z.
38
También se puede hacer utilizando el siguiente esquema:
𝑣𝑖𝑒𝑗𝑎 𝑓𝑖𝑙𝑎 𝑑𝑒𝑙 𝑝𝑖𝑣𝑜𝑡𝑒

𝑁𝑢𝑒𝑣𝑎 𝑓𝑖𝑙𝑎 𝑑𝑒𝑙 𝑝𝑖𝑣𝑜𝑡𝑒 =
𝐸𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝑝𝑖𝑣𝑜𝑡𝑒
Los nuevos coeficientes de 𝑥1 (recordemos que es nuestra variable que entra), se obtienen
dividiendo todos los coeficientes de la fila 𝑆3 en la tabla 9 por el pivote operacional, 3, que
es el que hay que convertir en 1 (ver calculo efectuado en tabla 10, fila 𝑥1 ).
Para el cálculo del resto de filas se debe considerar la siguiente ecuación:
𝑁𝑢𝑒𝑣𝑎 𝑓𝑖𝑙𝑎 = 𝑣𝑖𝑒𝑗𝑎 𝑓𝑖𝑙𝑎 − (𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑙𝑎 𝑣𝑖𝑒𝑗𝑎 𝑓𝑖𝑙𝑎 𝑒𝑛 𝑙𝑎 𝑐𝑜𝑙𝑢𝑚𝑛𝑎 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑒𝑛𝑡𝑟𝑎𝑛𝑡𝑒)
∗ (𝑁𝑢𝑒𝑣𝑎 𝑓𝑖𝑙𝑎 𝑑𝑒𝑙 𝑝𝑖𝑣𝑜𝑡𝑒)
Una vez calculada la fila pivote proveniente de la tabla 9 en la tabla 10, Puede observar
dicho calculo en la fila 𝑥1 . Se realizará el cálculo de la nueva fila correspondiente a la
variable 𝑆2 .
Vieja fila de s 2 3 0 1 0 42
- - - - - -
Coeficiente 2 2 2 2 2 2
X X X X X X
Nueva fila pivote 1 1/3 0 0 1/3 8
= = = = = =
Nueva fila de s 0 7/3 0 1 -2/3 26
Para el resto de filas de la tabla 10 se debe realizar el mismo procedimiento.
39
Tabla 10
Variable de decisión Variable de holgura
Base Valores solución
𝑥1 𝑥2 𝑆1 𝑆2 𝑆3
Z 0 -1 0 0 1 24
𝑆1 0 1/3 1 0 -2/3 2
𝑆2 0 7/3 0 1 -2/3 26
𝑥1 1 1/3 0 0 1/3 8
Como en los elementos de la primera fila hay una variable negativa -1, significa que no
hemos llegado todavía a la solución óptima. Se debe repetir el proceso:
a. La variable que entra en la base es 𝑥2 , por ser la variable que corresponde al

coeficiente -1
b. Para calcular la variable que sale, dividimos los términos de la última columna
entre los términos correspondientes de la nueva columna pivote; como
el menor cociente positivo es 6, tenemos que la variable de holgura quesale es
𝑆1 .
2 26 78 8
= 6, = 𝑦 =8
1⁄3 7⁄3 7 1⁄3
c. El elemento pivote, que ahora hay que hacer 1, es 1/3.
40
Operando de forma análoga a la anterior obtenemos la nueva tabla:
Tabla 11
𝑥1 𝑥2 𝑆1 𝑆2 𝑆3
Z 0 0 3 0 -1 30
𝑥2 0 1 3 0 -2 6
𝑆2 0 0 -7 0 4 12
𝑥1 1 0 -1 0 1 6
En los elementos de la primera fila existen valores negativos, -1, significa que no hemos
llegado a la solución óptima. Se debe repetir el proceso:
a. La variable que entra en la base es 𝑆3 , por ser la variable que corresponde al

coeficiente -1.
b. Para calcular la variable que sale, dividimos los términos de la última columna entre
los términos correspondientes de la nueva columna pivote, y como el menor
cociente positivo es 3, tenemos que la variable de holgura quesale es 𝑆2 .
6 12 6
= −3, =3𝑦 =6
−2 4 1
c. El elemento pivote, que se debe hacer 1, es 4.
41
Obtenemos la tabla:
Tabla 12
Finalización de las iteraciones
𝑥1 𝑥2 𝑆1 𝑆2 𝑆3
Z 0 0 5/4 0 0 33
𝑥2 0 1 -1/2 0 0 12
𝑆3 0 0 -7/4 0 1 3
𝑥1 1 0 -3/4 0 0 3
Como todos los coeficientes de la fila de la función objetivo son positivos, hemos llegado a
la solución óptima. La solución óptima viene dada por el valor de Z en la columna de los
valores solución en nuestro caso: 33. En la misma columna se puede observar el vértice
donde se alcanza, observando las filas correspondientes a las variables de decisión que
han entrado en la base: D(3,12).
Para ampliar el tema del método simplex, en este video podrás visualizar la resolución de
un ejercicio sencillo de minimización por el método simplex.
Pedro Orazzi. (30 de agosto de 2020). 9 método simplex minimizar ejemplo. [Video].
https://www.youtube.com/watch?v=_H8F07Mw6Ls
42
7.2 El método de la “M”
En este apartado se abordarán los problemas que introducen las otras formas de
restricciones funcionales (≥ o =), con ellas será necesario identificar una solución inicial
básica factible que no es necesariamente el origen. Anteriormente esta solución inicial
se encontraba en forma muy conveniente al hacer que las variables de holgura fueran
las variables básicas iniciales, donde cada una era igual a la constante no negativa del
lado derecho de la ecuación correspondiente.
El enfoque estándar que se utiliza es estos casos es la técnica de variables artificiales,

está construye un problema artificial más conveniente introduciendo una variable ficticia
(variable artificial) en cada restricción que lo requiera. Esta nueva variable se introduce
sólo con el fin de que sea la variable básica inicial para esa ecuación.
Las restricciones usuales de no negatividad también se aplican sobre estas variables y

la función objetivo se modifica para que imponga una penalización exorbitante en el caso
de que adquieran valores mayores que cero. Las iteraciones del método simplex
automáticamente fuerzan a las variables artificiales a desaparecer (a volverse cero) una
a una, hasta que todas quedan fuera de la solución; después de esto se resuelve el
problema real.
Consideremos el siguiente problema:
𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 𝑍 = 4𝑥1 + 𝑥2
C.S.R
3𝑥1 + 𝑥2 = 3
4𝑥1 + 3𝑥2 ≥ 6
𝑥1 + 2𝑥2 ≤ 18
𝑥1 , 𝑥2 ≥ 0
43
1. Se aplica la técnica de las variables artificiales, introduciendo una variable no negativa
(en este caso será 𝑅1 ) en la ecuación 3𝑥1 + 𝑥2 = 3, como si fuese una variable de
holgura:
3𝑥1 + 𝑥2 + 𝑅1 = 3
2. En la restricción 4𝑥1 + 3𝑥2 ≥ 6, se aplica de igual forma la técnica, se resta una variable
de holgura, para este caso será 𝑆1 y se suma una variable artificial, 𝑅2 ya que posee
una desigualdad del tipo ≥.
4𝑥1 + 3𝑥2 − 𝑆1 + 𝑅2 = 6
3. Se asigna una penalización enorme a la función objetivo por el hecho de agregar las
variables 𝑅1 , 𝑅2 ≥ 0, en las ecuaciones anteriores.
𝑍 = 4𝑥1 + 𝑥2 + 𝑀𝑅1 + 𝑀𝑅2
Donde M simbólicamente representa un número positivo muy grande. Este método que
fuerza a R1 𝑦 R 2 hasta el nivel de R1 , R 2 = 0 en la solución óptima se llama método de la M.
Para el caso de minimización, penalizamos a la variable artificial, colocándola en la función
objetivo con un coeficiente +𝑀 (en el lado derecho el coeficiente es positivo).
Con los artificios realizados anteriormente se debe encontrar la solución óptima para el
problema real aplicando el método simplex al problema artificial.
En general el sistema de ecuaciones después de aumentar el problema artificial (en otras

palabras, pasarlo a su forma de igualdades) es:
𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 𝑍 − 4𝑥1 − 𝑥2 − 𝑀𝑅1 − 𝑀𝑅2 = 0

C.S.R
3𝑥1 + 𝑥2 + 𝑅1 = 3
4𝑥1 + 3𝑥2 − 𝑆1 + 𝑅2 = 6
𝑥1 + 2𝑥2 + 𝑆2 = 18
𝑥1 , 𝑥2 ≥ 0
44
Con el modelo en su forma canónica pasamos a colocar los coeficientes a la tabla simplex:
Tabla 13
Tabla simplex inicial
Variables de
Variables no básicas Valores
Base decisión
solución
𝑥1 𝑥2 𝑠1 𝑠2 𝑅1 𝑅2
z -4 -1 0 0 -M -M 0
𝑅1 3 1 0 0 1 0 3
𝑅2 4 3 -1 0 0 1 6
𝑠2 1 2 0 1 0 0 4
La tabla 13 no se encuentra en la forma apropiada porque el coeficiente de 𝑅1 y 𝑅2 es

diferente de cero, en la ecuación de Z es el valor de -M para ambos casos. Por lo tanto,
antes de que el método simplex pueda aplicar la prueba de optimalidad y encontrar la
variable básica entrante, debe pasarse esta tabla a la forma apropiada para que cumpla la
condición simplex.
Recordemos que la condición que debe cumplir toda tabla del método simplex nos dice que
toda variable básica debe tener un 1 en la intersección de su renglón y columna
correspondiente y cero en los demás renglones incluido el renglón de Z en otras palabras,
que toda variable que sea básica solamente debe aparecer en el renglón de la restricción
que representa. Para hacer cero los coeficientes -M, utilizamos el renglón de
𝑅1 𝑦 𝑅2 respectivamente como renglón pivote multiplicándolo por M y sumando el resultado
al renglón de Z en cada operación.
Iniciamos con la variable 𝑅1 multiplicando el reglón (pivote) por M tenemos lo siguiente:
(M) (3 1 0 0 1 0 3)
= 3M M 0 0 M 0 3M
45
Para la variable 𝑅2 de igual manera se multiplica el renglón respectivo a esta variable por
M:
(M) (4 3 -1 0 0 1 6)
= 4M 3M -M 0 0 M 6M
Los resultados obtenidos en las operaciones anteriores los sumamos a la fila Z:
𝑅1 (𝑀) 3M M 0 0 M 0 3M
𝑅2 (𝑀) 4M 3M -M 0 0 M 6M
Z -4 -1 0 0 -M -M 0
7M-4 4M-1 -M 0 0 0 9M
Con las operaciones anteriores la tabla simplex queda de la siguiente manera:
Tabla 14
Tabla simplex inicial para realizar iteración 1
Variables de
Base decisión
solución
𝑥1 𝑥2 𝑠1 𝑠2 𝑅1 𝑅2
z 7M-4 4M-1 -M 0 0 0 9M
𝑅1 3 1 0 0 1 0 3
𝑅2 4 3 -1 0 0 1 6
𝑠2 1 2 0 1 0 0 4
Podemos observar que la tabla 14 ya se encuentra los datos en la forma apropiada, se

procede a realizar el procedimiento de iteración para un modelo de minimización.
Tabla 15
Iteración 2
Variables de
Base decisión
solución
𝑥1 𝑥2 𝑠1 𝑠2 𝑅1 𝑅2
1 + 5𝑀 4 − 7𝑀
z 0 -M 0 0 4+2M
3 3
𝑥1 1 1/3 0 0 1/3 0 1
𝑅2 0 5/3 -1 0 -4/3 1 2
𝑠2 0 5/3 0 1 -1/3 0 3
46
Tabla 16
Iteración 3
Variables de
Base decisión
solución
𝑥1 𝑥2 𝑠1 𝑠2 𝑅1 𝑅2
4 − 5𝑀 −1 − 5𝑀
z 0 0 1/5 0 5 18/5
5
𝑥1 1 0 1/5 0 3/5 -1/5 3/5
𝑥2 0 1 -3/5 0 -4/5 3/5 6/5
𝑠2 0 0 1 1 1 -1 1
Tabla 17
Tabla final del problema
Variables de
Base decisión
solución
𝑥1 𝑥2 𝑠1 𝑠2 𝑅1 𝑅2
7 − 5𝑀
z 0 0 0 -1/5 -M 17/5
5
𝑥1 1 0 0 -1/5 2/5 0 2/5
𝑥2 0 1 0 3/5 -1/5 0 9/5
𝑠2 0 0 1 1 1 -1 1
En la tabla 17 se observa que en la fila de Z todos los valores son negativos, esto nos dice
2 9
que ya se ha optimizado el problema, donde 𝑥1 = 5 𝑦 𝑥2 = 5, generan un valor de
minimización del Z=17/5.
En este video podrás visualizar la resolución de un problema de minimización

muy completo en materia de criterios de variables y método de la M.
SimplexBorre. (22 de febrero de 2013). Método de la M. [Video].
https://www.youtube.com/watch?v=BSjdnqvpAok&t=31s
47
Clase 8| Método dual simplex
8.Metodo dual simplex
8.1 Definición del problema
El problema de programación lineal dual que se define a partir de un problema original que
denominaremos como primal, comparte con el los mismos coeficientes tanto de la función
objetivo de las restricciones, pero en diferente posición como más adelante se especificara.
Según Taha (2004) es importante considerar los siguientes aspectos:
1. Si un problema tiene solución óptima y factible, el problema dual también la tiene.

2. Si un problema tiene solución factible pero no optima, entonces el problema dual no
tiene solución factible.
En términos generales lo que se debe de destacar del análisis dual es:
Cuando se tiene un modelo de programación lineal en el que el objetivo es minimizar,

llamaremos a este modelo primal y obtendremos el modelo dual asociado que es una
modelo de maximización, el cual puede resolverse con el meto dual simplex y al obtener la
solución del problema dual encontraremos la del modelo primal.
Se debe considerar otros aspectos importantes del análisis de dualidad que es necesario
tener presentes, por ejemplo, para el modelo primal el objetivo es minimizar y las
restricciones son del tipo ≥, mientras que para el modelo dual el objetivo es maximizar y las
restricciones son del tipo ≤, lo anterior se ilustra en la tabla 1 donde se aprecian estas
diferencias en las representaciones matriciales de estos modelos.
48
Tabla 18
Problema primal y dual asociado a un mismo problema real
Modelo Primal Modelo Dual
𝑍𝑚𝑖𝑛 = 𝐶𝑋 𝑍𝑚𝑎𝑥 = 𝐵𝑌
Sujeto a: Sujeto a:
𝐴𝑋 ≥ 𝐵 𝐴𝑇 𝑌 ≤ 𝐶
𝑋≥0 𝑌≥0
Observe que el problema primal no se encuentra en la forma estándar necesaria para

aplicar el método dual simple y es por esto que se genera el problema dual. Además, en el
problema se emplea 𝐴𝑇 que es la matriz transpuesta de la matriz de coeficientes del sistema
de restricciones.
El siguiente video describe de manera específica los conceptos del método

dual simplex y complementa con el desarrollo de un caso.
Javier Beltrán Sandoval. (8 de agosto de 2017). Teorema de la dualidad y
método dual simplex. [Video].
https://www.youtube.com/watch?v=XwB4a8Jk--I
De manera desarrollada los problemas tienen la siguiente forma:
Problema primal
𝑍𝑚𝑖𝑛 = 𝑐1 𝑥1 + 𝑐2 𝑥2 + ⋯ + 𝑐𝑛 𝑥𝑛
𝑆𝑢𝑗𝑒𝑡𝑜 𝑎:
𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 ≥ 𝑏1
𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 ≥ 𝑏2
…
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚 𝑥𝑛 ≥ 𝑏𝑚
𝑥1 , 𝑥2 , … , 𝑥𝑛 ≥ 0
49
Problema dual
𝑍𝑚𝑎𝑥 = 𝑏1 𝑦1 + 𝑏2 𝑦2 + ⋯ + 𝑏𝑚 𝑦𝑚
𝑆𝑢𝑗𝑒𝑡𝑜 𝑎:
𝑎11 𝑦1 + 𝑎21 𝑦2 + ⋯ + 𝑎𝑚1 𝑦𝑚 ≥ 𝑐1
𝑎12 𝑦1 + 𝑎22 𝑦2 + ⋯ + 𝑎𝑚2 𝑦𝑚 ≥ 𝑐2
𝑎13 𝑦1 + 𝑎23 𝑦2 + ⋯ + 𝑎𝑚3 𝑦𝑚 ≥ 𝑐3
…
𝑎1𝑛 𝑦1 + 𝑎2𝑛 𝑦2 + ⋯ + 𝑎𝑚𝑛 𝑦𝑚 ≥ 𝑐𝑛
𝑦1 , 𝑦2 , … , 𝑦𝑚 ≥ 0
Cabe resaltar que si el modelo primal tiene 𝑛 variables y 𝑚 restricciones, el modelo dual
tendrá 𝑚 variables y 𝑛 restricciones, como se puede observar en los problemas primal y
duales desarrollados. La solución óptima de un problema corresponde a la solución del otro,
como ya se ha mencionado.
Propiedad de las soluciones básicas complementarias.
Cada solución óptima en el problema primal tiene una solución básica optima
complementaria en el problema dual, en donde los valores respectivos de las funciones
objetivos son iguales, 𝑍𝑚𝑎𝑥 = 𝑍𝑚𝑎𝑥 y el valor de las restricciones del problema primal serán
los coeficientes de las variables artificiales.
Esto quiere decir que los valores de las restricciones del modelo primal son los valores que
se encuentran en el reglón 𝑅0 en las columnas de las variables artificiales de la tabla simplex
del modelo dual.
A continuación, se presenta el algoritmo para generar el modelo dual a partir del problema
primal, para lo cual utilizaremos la tabla primal dual:
50
8.2 Método dual simplex
Tabla primal dual
Partiendo de un modelo con el objetivo de minimizar, se utiliza la llamada tabla primal dual
para trasladar el problema a maximización y volver al uso del mismo algoritmo. Si tenemos
el modelo primal de minimización:
Problema primal
𝑍𝑚𝑖𝑛 = 𝑐1 𝑥1 + 𝑐2 𝑥2 + ⋯ + 𝑐𝑛 𝑥𝑛
Sujeto a:
𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 ≥ 𝑏1

𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 ≥ 𝑏2
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 ≥ 𝑏𝑚
𝑥1 , 𝑥2 , … , 𝑥𝑛 ≥ 0
Para formar la tabla primal dual se procede como sigue:
El tamaño de la tabla es de m+2 renglones y n+2 columnas. (n número de variables y m

número de restricciones del problema primal).
1. La celda de la esquina superior izquierda se divide en dos con una diagonal, en la

parte superior escribimos la palabra primal (min) y en la parte inferior dual (máx).
2. En la celda de la esquina superior derecha se escribe el símbolo ≥, mientras que en

la primera columna en el último renglón se escribe el símbolo ≤.
3. En la primera columna a partir del segundo renglón se escriben los nombres de las
variables del problema dual (m variables artificiales).
51
4. En el primer renglón se escriben los nombres de las variables del problema primal
(n variables).
Tabla 19
Tabla para relacionar los modelos dual primal.
Primal
𝒙𝟏 𝒙𝟐 … 𝒙𝒏 ≥
Dual
𝑦1
𝑦2
…
𝑦𝑚
≤
5. Se escriben los coeficientes de la función objetivo del modelo primal en el

último renglón.
6. Se escribe cada uno de los coeficientes de las restricciones del problema primal en
forma horizontal, ocupando los renglones de la tabla.
7. En la última columna se escriben las cantidades limitantes de las restricciones del

modelo primal.
8. De esta tabla podemos obtener el modelo dual, lo único que debemos hacer es leer
el modelo de manera vertical y los coeficientes de la función objetivo se
obtienen de la última columna.
52
A continuación, se desarrolla un modelo atendiendo los puntos anteriores:
𝑍𝑚𝑖𝑛 = 5𝑥1 + 8𝑥2 + 𝑥3

Sujeto a:
𝑥1 + 4𝑥2 + 6𝑥3 ≥ 9
7𝑥1 + 3𝑥2 + 2𝑥3 ≥ 7
𝑥1 , 𝑥2 , … , 𝑥𝑛 ≥ 0
El problema primal tiene 3 variables y 2 restricciones, por lo tanto, el problema dual tendrá
2 variables y 3 restricciones. El tamaño de la tabla es de 2 + 2 = 4 renglones y 3 + 2 = 5
columnas para este caso.
1. La celda de la esquina superior izquierda se divide en dos con una diagonal, en la

parte superior escribimos la palabra primal (min) y en la parte inferior dual (máx).
2. En la celda de la esquina superior derecha se escribe el símbolo ≥, mientras que en

la primera columna en el último renglón se escribe el símbolo ≤.
3. En la primera columna a partir del segundo renglón se escriben los nombres de las
variables del problema dual (2 variables artificiales).
4. En el primer renglón se escriben los nombres de las variables del problema primal.
53
Tabla 20
Tabla inicial de los modelos dual-primal
Primal
𝒙𝟏 𝒙𝟐 𝒙𝟑 ≥
Dual
𝑦1
𝑦2
≤
5. Se escriben los coeficientes de la función objetivo del modelo primal en el

último renglón.
Tabla 21
Coeficientes del modelo primal en el ultimo reglón
Primal
𝒙𝟏 𝒙𝟐 𝒙𝟑 ≥
Dual
𝑦1
𝑦2
≤ 5 8 1
6. Se escribe cada uno de los coeficientes de las restricciones del problema primal en
forma horizontal, ocupando los renglones de la tabla.
Tabla 22
Coeficientes de las restricciones del problema primal
Primal
𝒙𝟏 𝒙𝟐 𝒙𝟑 ≥
Dual
𝑦1 1 4 6
𝑦2 7 3 2
≤ 5 8 1
54
7. En la última columna se escriben las cantidades limitantes de las restricciones del
modelo primal.
Tabla 23
Cantidades limitantes de las restricciones en la última columna
Primal
𝒙𝟏 𝒙𝟐 𝒙𝟑 ≥
Dual
𝑦1 1 4 6 9
𝑦2 7 3 2 7
≤ 5 8 1
8. De esta tabla podemos obtener el modelo dual, lo único que debemos hacer es
leerlo y de manera vertical, y los coeficientes de la función objetivo se obtienen de
la última columna.
Tabla 24
Obtención del modelo dual a partir de la tabla.
Primal
𝒙𝟏 𝒙𝟐 𝒙𝟑 ≥
Dual
𝑦1 1 4 6 9
𝑦2 7 3 2 7
≤ 5 8 1
𝑍𝑚𝑎𝑥 = 9𝑦1 + 7𝑦2
Sujeto a:
𝑦1 + 7𝑦2 ≤ 5
4𝑦1 + 3𝑦2 ≤ 8
6𝑦1 + 2𝑦2 ≤ 1
𝑦1 , 𝑦2 , 𝑦3 ≥ 0
El resultado obtenido es el modelo dual con el objetivo de maximizar y, así como las
restricciones del tipo ≤.
𝑍𝑚𝑎𝑥 = 9𝑦1 + 7𝑦2
55
Sujeto a:
𝑦1 + 7𝑦2 ≤ 5
4𝑦1 + 3𝑦2 ≤ 8
6𝑦1 + 2𝑦2 ≤ 1
𝑦1 , 𝑦2 , 𝑦3 ≥ 0
El modelo dual obtenido consta de 2 variables y 3 restricciones, sin contar la restricción de

no negatividad, como se había previsto. Si bien se ha obtenido el modelo dual asociado a
un modelo primal, esto no es suficiente para resolver el problema; entonces, es necesario
resolver el modelo dual por el método dual simplex, y para ejemplificar esto se
muestra el siguiente ejemplo hasta la obtención del modelo de programación lineal
apoyándonos en la propiedad de las soluciones básicas complementarias.
Resolver el siguiente modelo de programación obteniendo el modelo dual y aplicando el

método dual simplex.
𝑍𝑚𝑖𝑛 = 12𝑥1 + 7𝑥2

Sujeto a:
4𝑥1 + 2𝑥2 ≥ 80
3𝑥1 + 4𝑥2 ≥ 90
𝑥1 , 𝑥2 ≥ 0
56
La tabla primala dual está dada por:
Tabla 25
Tabla de relación dual
Primal
𝒙𝟏 𝒙𝟐 ≥
Dual
𝑦1 4 2 80
𝑦2 3 4 90
≤ 12 7
Entonces, el modelo dual de maximización es:
𝑍𝑚𝑎𝑥 = 80𝑦1 + 90𝑦2

Sujeto a:
4𝑦1 + 3𝑦2 ≤ 12
2𝑦1 + 4𝑦2 ≤ 7
𝑦1 , 𝑦2 ≥ 0
Ahora se utiliza el método dual simplex para resolver el modelo dual. La tabla inicial de
este modelo es:
Tabla 26
Tabla inicial de problema
Variables
Z 𝒚𝟏 𝒚𝟐 𝒔𝟏 𝒔𝟐 Solución
básicas
Z 1 -80 -90 0 0 0
𝒔𝟏 0 4 3 1 0 12
𝒔𝟐 0 2 4 0 1 7
57
El primer elemento pivote de la tabla inicial es:
Tabla 27
Iteración 1 del modelo
Variables
básicas
Z 1 -80 -90 0 0 0
𝒔𝟏 0 4 3 1 0 12
𝒔𝟐 0 2 4 0 1 7
Con operaciones entre renglones se obtiene la siguiente tabla:
Tabla 28
Variables
básicas
Z 1 -35 0 0 22.5 157.5
𝒔𝟏 0 2.5 0 1 -0.75 6.75
𝒚𝟐 0 0.5 1 0 0.25 1.75
Como en el renglón asociado a la función objetivo todavía se encuentran coeficientes

negativos, no se ha completado el proceso, por lo que se identifica un nuevo pivote
en la tabla obtenida. El nuevo pivote se encuentra en:
Tabla 29
Variables
básicas
Z 1 -35 0 0 22.5 157.5
𝒔𝟏 0 2.5 0 1 -0.75 6.75
𝒚𝟐 0 0.5 1 0 0.25 1.75
58
De manera similar con el primer pivote, con operaciones básicas entre renglones se
resuelve la tabla simplex:
Tabla 30
Finalización de iteraciones
Variables
básicas
Z 1 0 0 14 12 252
𝒚𝟏 0 1 0 0.4 -0.3 2.7
𝒚𝟐 0 0 1 -0.2 0.4 0.4
En esta iteración, todos los coeficientes del renglón de la función objetivo

son no negativos, es decir, mayores o iguales a cero, por lo que el proceso del método dual
simplex ha concluido. Cabe recordar que estamos resolviendo un problema primal dual, por
lo que la solución del modelo primal se obtiene del valor de los coeficientes asociados a
las variables de holgura que den el renglón de la función objetivo.
Tabla 31
Resultados de las variables
Variables
básicas
Z 1 0 0 14 12 252
𝒚𝟏 0 1 0 0.4 -0.3 2.7
𝒚𝟐 0 0 1 -0.2 0.4 0.4
Por lo que al transferir la solución de la tabla simplex a las variables originales del
problema primal se tiene:
𝒔𝟏 = 𝒙𝟏 = 14
𝒔𝟐 = 𝒙𝟐 = 12
𝒁𝒎𝒂𝒙 = 𝒁𝒎𝒊𝒏 = 252
Con la transferencia de la solución de la tabla a las variables del problema primal

concluye la aplicación del método dual simplex primal dual.
59
En el próximo video se desarrollará un problema de minimización con el método dual
simplex, te ayudará a reforzar la temática.
Red Tutores Programación Lineal. (3 de noviembre de 2018). Minimización por el
método simplex dual. [Video]. https://www.youtube.com/watch?v=R6qj-A6VXvQ
60
Referencias citadas en UNIDAD 2
Hillier, F. S., & Gerald J. Liberman. (2010). Introducción a la investigación de operaciones

(9.a ed.). The McGraw-Hill.
Salazar, I. A. M., Vértiz Camarón, G., López Pérez, J. F., Jiménez Lozano, G., & Moncayo
Martínez, L. A. (2014). Investigación de Operaciones (Primera). Grupo Editorial Patria.
Taha, H. A. (2004). Investigacion de Operaciones (7a. Edición). Pearson Educación.
61
Glosario de los términos citados en la
UNIDAD 2
Restricción Ecuación o desigualdad que descarta ciertas

combinaciones de variables de decisión como soluciones
factibles.
Formulación del Proceso de traducir la definición verbal de un problema en
problema un enunciado matemático llamado modelo matemático.
Modelo Representación de un problema donde el objetivo y todas
matemático las condiciones de restricción se describen por medio de
expresiones matemáticas.
Variable de Insumo controlable para un modelo de programación
decisión lineal.
Función objetivo Expresión que define la cantidad que se maximizará o
minimizará en un modelo de programación lineal.
Programación Modelo matemático con una función objetivo lineal, una

lineal serie de restricciones lineales y variables no negativas.
Solución factible Solución que satisface todas las restricciones de forma
simultánea.
Región factible Conjunto de todas las soluciones factibles.
Variable de Variable añadida en el lado izquierdo de una restricción
holgura de menor o igual que para convertir la restricción en una
igualdad. El valor de esta variable por lo general se
interpreta como la cantidad de un recurso sin utilizar.
62

UIA2

Cargado por

Copyright:

Formatos disponibles

UIA2

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

UIA2

Cargado por

Copyright:

Formatos disponibles

OPTIMIZACIÓN DE

Dirección de Educación a Distancia

Programación lineal ……………………………………………………..…………….…. 1

La programación lineal se aplica a modelos de optimización en los que las funciones

El termino programación tiene su origen en la planificación de las actividades que se

1. Un único objetivo lineal a optimizar (maximizar o minimizar).

Finalmente, en la PL se considera que los parámetros utilizados en la construcción del

Problema de asignación de personal

Formulación del problema:

El objetivo de la gerencia consiste en la minimización del número total de personal de

Fuente: Nota. Elaboración propia

Problema de asignación de recursos

Formulación del problema:

4𝑋1 + 2𝑋2 ≥ 135

20𝑋1 + 25𝑋2 ≤ 1,500

En resumen, el modelo matemático del problema es de la siguiente manera:

En el planteamiento de este problema tenemos tres orígenes y dos destinos, se debe

𝑂𝑓𝑒𝑟𝑡𝑎𝑠 (20,000 + 10,000 + 25,000 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠) = 55,000 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜

Se definen las variables de la siguiente manera:

𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 𝑧 = 0.42𝑥11 + 0.51𝑥12 + 0.45𝑥21 + 0.48𝑥22 + 0.47𝑥31 + 0.45𝑥32

1. Para los puntos de oferta resulta:

𝐵𝑜𝑑𝑒𝑔𝑎 𝑑𝑒 𝑆𝑎𝑛 𝑀𝑖𝑔𝑢𝑒𝑙: 𝑥11 + 𝑥12 = 20,000

2. Para los puntos de demanda son:

3. Para la naturaleza de las variables:

El siguiente video presenta una introducción al método grafico de

Utilicemos el método grafico de la programación lineal para determinar la cantidad de

Formulación del problema:

𝐹 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑡𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠 𝑑𝑒 𝑎𝑑𝑖𝑡𝑖𝑣𝑜 𝑝𝑎𝑟𝑎 𝑐𝑜𝑚𝑏𝑢𝑠𝑡𝑖𝑏𝑙𝑒

𝑀𝑎𝑥 𝑧 = 40𝐹 + 30𝑆

𝑇𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠 𝑑𝑒 𝑚𝑎𝑡𝑒𝑟𝑖𝑎𝑙 1 𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑑𝑎𝑠 ≤ 𝑇𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠 𝑑𝑒𝑙 𝑚𝑎𝑡𝑒𝑟𝑖𝑎𝑙 1 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒𝑠

𝑇𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠 𝑑𝑒 𝑚𝑎𝑡𝑒𝑟𝑖𝑎𝑙 2 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑎𝑠 ≤ 𝑇𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠 𝑑𝑒𝑙 𝑚𝑎𝑡𝑒𝑟𝑖𝑎𝑙 2 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒𝑠

𝑇𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠 𝑑𝑒 𝑚𝑎𝑡𝑒𝑟𝑖𝑎𝑙 3 𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑑𝑎𝑠 ≤ 𝑇𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠 𝑑𝑒𝑙 𝑚𝑎𝑡𝑒𝑟𝑖𝑎𝑙 𝑒 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒𝑠

La empresa no puede producir una cantidad negativa de toneladas de aditivo para

𝑀𝑎𝑥 𝑧 = 40𝐹 + 30𝑆

Recordemos que la desigualdad que representa la restricción del material 1 es

Fuente: Nota. Por Anderson (2011)

Si establecemos 𝐹 = 0 y calculamos S, obtenemos 0.5𝑆 = 20 o 𝑆 = 40; por consiguiente, la

0.4𝐹 + 0.5𝑆 = 0.4(10) + 0.5(10) = 9

Dado de 9 toneladas son menores que las 20 toneladas de material 1 disponibles, la

0.4𝐹 + 0.5𝑆 = 0.4(40) + 0.5(30) = 31

Fuente: Nota. Por Anderson (2011)

Iniciemos con el trazado de la recta de restricción 0.2𝑆 = 5. Como esta ecuación es

La Figura 3 muestra la recta que corresponde a la restricción del material 2. Siguiendo el

Fuente: Nota. Por Anderson (2011)

Fuente: Nota. Por Anderson (2011)

Fuente: Nota. Por Anderson (2011)

40𝐹 + 30𝑆 = 240

El procedimiento para trazar la gráfica de las utilidades o la recta de la función objetivo es

Fuente: Nota. Por Anderson (2011)

40𝐹 + 30𝑆 = 740 𝑦 40𝐹 + 30𝑆 = 1,200

Con el procedimiento anterior para trazar la gráfica de las rectas de utilidades y

Fuente: Nota. Por Anderson (2011)

Fuente: Nota. Por Anderson (2011)

Como en la recta de restricción del material 3,

Si se sustituye esta expresión por F en la ecuación 0.6𝐹 + 0.3𝑆 = 21 y calculamos S

0.6(50 − 1.25𝑆) + 0.3𝑆 = 21

Al sustituir 𝑆 = 2 en la ecuación 𝐹 = 50 − 1.25𝑆 y calcular F se obtiene

El método simplex constituye un procedimiento iterativo que permite ir mejorando la

Fuente: Nota. Por Hillier & Gerald J. Liberman (2010)

Pasos para la aplicación del método simplex: