INSTITUTO TECNOLOGICO DE CD.

VALLES

MATERIA: Investigación de Operaciones

CARRERA: INGENIERIA EN GESTIÓN EMPRESARIAL

IV SEMESTRE GPO “A”

UNIDAD 2

EQUIPO No 6

INTEGRANTES:

Lárraga Gallegos María Fernanda 20690542

Índice

Índice 2
Introducción 3
Unidad 2 Programación Lineal 4
2.1 Formulación y aplicación de modelos de programación lineal 4
2.2 Método Gráfico 7
2.3 Método Simplex 9
2.4 Método Dual 10
2.5 Método Dual-Simplex 13
2.6 Análisis de resultados 16
Conclusión general 18
Bibliografía 19
Introducción
Conocer qué es programación lineal en investigación de operaciones implica acotar que esta no es
procedente de los programas de ordenador, sino que su origen se sitúa en un término de corte
militar, pues programar significa realizar propuestas o planes de tiempo para el entrenamiento,
logística o despliegue de unidades de combate.

Muchos consideran que este término fue utilizado por G. Monge en el año 1776, pero la verdad es
que se considera a L.V Kantoróvich como uno de sus creadores, ya que lo presentó en su libro de
métodos matemáticos para la organización y producción.

La investigación de operaciones, así como la programación lineal, se vieron impulsadas con la

aparición de los ordenadores y uno de los momentos más importante fue con la aparición del método
simplex.

La Programación Lineal (LP) es una herramienta para resolver problemas de optimización que se
caracterizan por tener como función objetivo y restricciones combinaciones lineales de las variables
de decisión. La principal ventaja radica en que existe un algoritmo eficiente para resolver este tipo de
modelos.
Unidad 2 Programación Lineal
Se puede aludir que la programación lineal es un método matemático de optimización que permite la
representación de modelos lineales para reducir costos o, maximizar ganancias en diferentes áreas
de una organización o empresa.

En otras palabras, es un método a través del cual se optimiza una función objetivo, bien sea
maximizando o minimizando dicha función, en la cual las variables están elevadas a la potencia 1.
Este campo de la programación lineal es un área de la programación matemática, dedicada a
maximizar o minimizar una función lineal que recibe el nombre de "función objetivo", de manera que
las variables de tal función estén sujetas a una serie de restricciones expresadas a través de un
sistema de ecuaciones o inecuaciones lineales. 

Cuando se estudia lo que es programación lineal en investigación de operaciones se hace

imprescindible señalar que esta se aplica para la administración eficiente de los procesos en muchos
ámbitos de la economía, así como también implica el conocimiento de que existe una diversidad de
software en el mercado, que ayuda a representar el enfoque o modelo de programación lineal.

Es importante considerar que lo que es programación lineal en investigación de operaciones está

compuesta por dos elementos fundamentales: la región factible y las restricciones estructurales y de
no negatividad.

A las restricciones se les llama restricciones de no negatividad y, se le conocen como condiciones

del modelo que estipulan que las variables de decisión deben tener solo valores no negativos, es
decir, positivos o nulos. Al conjunto de valores que satisfacen todas las restricciones, se les
denomina región factible, que se le cataloga como un espacio de solución o de todos los puntos
posibles de un problema de optimización que satisface las restricciones del problema, incluyendo las
potencialidades, las igualdades y las restricciones enteras. 

2.1 Formulación y aplicación de modelos de programación lineal

Elementos básicos de un modelo matemático
Un modelo matemático es producto de la abstracción de un sistema real, eliminando las
complejidades y haciendo suposiciones pertinentes; se aplica una técnica matemática y se obtiene
una representación simbólica del mismo.

Un modelo matemático consta al menos de tres elementos o condiciones básicas: Las Variables de

decisión, la Función Objetivo y las Restricciones.

• Variables de decisión y parámetros

Las variables de decisión son incógnitas que deben ser determinadas a partir de la solución del
modelo. Los parámetros representan los valoresconocidos del sistema o que se pueden controlar.
Las variables de decisión se representan por: X1, X2, X3,…, Xn ó Xi, i = 1, 2, 3,…, n.
 • Función Objetivo
La función objetivo es una relación matemática entre las variables de decisión, parámetros y una
magnitud que representa el objetivo o producto del sistema. Es la medición de la efectividad del
Modelo formulado en función de las variables. Determina lo que se va optimizar (Maximizar o
Minimizar).

La solución ÓPTIMA se obtiene cuando el valor de la Función Objetivo es óptimo (valor máximo o
mínimo), para un conjunto de valores factibles de las variables. Es decir, hay que reemplazar las
variables obtenidas X1, X2, X3,…, Xn; en la Función Objetivo Z = f (C1X1, C2X2, C3X3,…, CnXn)
sujeto a las restricciones del modelo matemático.

Por ejemplo, si el objetivo es minimizar los costos de operación, la función objetivo debe expresar la
relación entre el costo y las variables de decisión, siendo el resultado el menor costo de
las soluciones factibles obtenidas.

• Restricciones
Las restricciones son relaciones entre las variables de decisión y los recursos disponibles. Las
restricciones del modelo limitan el valor de las variables de decisión. Se generan cuando los recursos
disponibles son limitados.

En el Modelo se incluye, adicionalmente de las restricciones, la Restricción de No Negatividad de

las Variables de decisión, o sea: Xi = 0.

La programación lineal es la interrelación de los componentes de un sistema, en

términos matemáticos, ya sea en forma de ecuaciones o inecuaciones lineales llamado Modelo
de Programación Lineal. Es una técnica utilizada para desarrollar modelos matemáticos, diseñada
para optimizar el uso de los recursos limitados en una empresa u organización.

El Modelo de Programación Lineal, es una representación simbólica de la realidad que se estudia,

o del problema que se va a solucionar. Se forma con expresiones de lógicas matemáticas,
conteniendo términos que significan contribuciones: a la utilidad (con máximo) o al costo (con
mínimo) en la Función Objetivo del modelo. Y al consumo de recursos disponibles (con
desigualdades = ó = e igualdades =) en las restricciones.

En el presente texto desarrollaremos Modelos Matemáticos de Programación Lineal de:

Maximización y Minimización, los cuales estarán indicados en la Función Objetivo del Modelo.
Aplicación a la Formulación de los Modelos de Investigación de operaciones
(a) Modelo Matemático: Se emplea cuando la función objetivo y las restricciones del modelo se
pueden expresar en forma cuantitativa o matemática como funciones de las variables de decisión.

(b) Modelo de Simulación: Los modelos de simulación difieren de los matemáticos en que las

relación entre la entrada y la salida no se indican en forma explícita. En cambio, un modelo de
simulación divide el sistema representado en módulos básicos o elementales que después se
enlazan entre si vía relaciones lógicas bien definidas. Por lo tanto, las operaciones de cálculos
pasaran de un módulo a otro hasta que se obtenga un resultado de salida.

Los modelos de simulación cuando se comparan con modelos matemáticos; ofrecen mayor
flexibilidad al representar sistemas complejos, pero esta flexibilidad no esta libre de inconvenientes.
La elaboración de este modelo suele ser costoso en tiempo y recursos. Por otra parte, los modelos
matemáticos óptimos suelen poder manejarse en términos de cálculos.

Modelos de Investigación de Operaciones de la ciencia de la administración: Los científicos de

la administración trabajan con modelos cuantitativos de decisiones.

Modelos Formales: Se usan para resolver problemas cuantitativos de decisión en el mundo real.

Algunos modelos en la ciencia de la administración son llamados modelos deterministicos. Esto
significa que todos los datos relevantes (es decir, los datos que los modelos utilizarán o evaluarán)
se dan por conocidos. En los modelos probabilísticos, alguno de los datos importantes se consideran
inciertos, aunque debe especificarse la probabilidad de tales datos.

En la siguiente tabla se muestran los modelos de decisión según su clase de incertidumbre y su uso
en las corporaciones. (D, determinista; P, probabilista; A, alto; B, bajo)
Modelo de Hoja de Cálculo Electrónica: La hoja de cálculo electrónica facilita hacer y contestar
preguntas de "que si" en un problema real. Hasta ese grado la hoja de cálculo electrónica tiene una
representación selectiva del problema y desde este punto de vista la hoja de cálculo electrónica es
un modelo.

En realidad es una herramienta más que un procedimiento de solución. 

2.2 Método Gráfico

El método gráfico es una forma fácil y rápida para  la solución de problemas de Programación Lineal,
siempre y cuando el modelo conste de dos variables. Para modelos con tres o más variables, el
método gráfico es imposible.

Consiste en representar geométricamente  las restricciones, condiciones técnicas y función objetivo.

El método Gráfico o método Geométrico permite la resolución de problemas sencillos de

programación lineal de manera intuitiva y visual. Este método se encuentra limitado a problemas de
dos o tres variables de decisión ya que no es posible ilustrar gráficamente más de 3 dimensiones.

Aunque en la realidad rara vez surgen problemas únicamente con dos o tres variables de decisión
resulta, sin embargo, muy útil esta metodología de resolución. Al reproducir gráficamente las
situaciones posibles como son la existencia de una solución óptima única, soluciones óptimas
alternativas, la no existencia de solución y la no acotación, constituye una ayuda visual para
interpretar y entender el algoritmo del método Simplex (bastante más sofisticado y abstracto) y los
conceptos que lo rodean.
Los pasos necesarios para realizar el método son:
1. Hallar las restricciones del problema.

2. Las restricciones de no negatividad  Xi ≥  0 confían todos los valores posibles.

3. Sustituir  ≥ y ≤  por (=) para cada restricción, con lo cual se produce la ecuación de una línea
recta.

4. Trazar la línea recta correspondiente a cada restricción en el plano. La región en cual se

encuentra cada restricción, el área correspondiente a cada restricción lo define el signo
correspondiente a cada restricción (≥ ó ≤) se evalúa un punto antes y después de la recta
trazada, el punto que cumpla con la inecuación indicara el área correspondiente.

5. El espacio en el cual se satisfacen las tres restricciones es el área factible.

Cada punto situado en la frontera del espacio del área factible, es decir que satisfacen todas las
restricciones, representa un punto factible.

6. Las líneas paralelas que representan la función objetivo se trazan mediante la asignación de
valores arbitrarios a fin de determinar la pendiente y la dirección en la cual crece o decrece el
valor de la función objetivo.
7. La solución óptima puede determinarse al observar la dirección en la cual aumenta la función
objetivo, se procede a graficar la función objetivo, si es un problema de minimización la solución
optima es el primer punto factible que toque la función Z,  y si por lo contrario es un problema de
maximización, será entonces el último de los puntos factibles que toque la función Z.

A manera de ejemplo, resolver mediante el método Gráfico el siguiente problema:

Maximizar Z = f(x,y) = 3x + 2y
sujeto a: 2x + y ≤ 18
2x + 3y ≤ 42
3x + y ≤ 24
x≥0,y≥0

8. Inicialmente se dibuja el sistema de coordenadas asociando a un eje la variable "x" y al otro la

"y", como se puede ver en la figura.

9. Se marca en dichos ejes una escala numérica apropiada a los valores que pueden tomar las
variables de acuerdo a las restricciones del problema. Para ello en cada restricción se hacen
nulas todas las variables excepto la correspondiente a un eje concreto, determinándose así el
valor adecuado para dicho eje. Este proceso se repite para cada uno de los ejes.

10. A continuación se representan las restricciones. Comenzando con la primera, se dibuja la recta
que se obtiene al considerar la restricción como igualdad. Aparece representada como el
segmento que une A con B y la región que delimita ésta restricción viene indicada por el color
 AMARILLO. Se repite el proceso con las demás restricciones, quedando delimitadas la región de
color AZUL y ROJO para la segunda y tercera restricción respectivamente.

11. La región factible es la intersección de las regiones delimitadas tanto por el conjunto de
restricciones, como por las condiciones de no negatividad de las variables, es decir, por ambos
ejes de coordenadas. Dicha región factible está representada por el polígono O-F-H-G-C, de
color VIOLETA.
12. Como existe una región factible, se procede a determinar sus puntos extremos, o vértices del
polígono que representa. Estos vértices son los puntos candidatos a soluciones óptimas. En este
ejemplo son los puntos O-F-H-G-C de la figura.

13. Finalmente, se evalúa la función objetivo (3x + 2y) en cada uno de esos puntos (resultado que se
recoge en la tabla siguiente). Como el punto G proporciona el mayor valor a la función Z y el
objetivo es maximizar, tal punto constituye la solución óptima: Z = 33 con x = 3 e y = 12.

Punto extremo Coordenadas (x,y) Valor objetivo (Z)

O (0,0) 0

C (0,14) 28

G (3,12) 33

H (6,6) 30

F (8,0) 24

2.3 Método Simplex

Cuando se trata de la programación lineal, también es importante acotar que existe un método
llamado el método simplex, el cual comprende un medio analítico de solución de problemas de
programación lineal, que es capaz de resolver modelos que son más complejos que los que se
resuelven mediante el método gráfico, sin restricción en el número de variables.

El método simplex es un procedimiento sistemático y eficiente para encontrar y probar soluciones de

problemas de programación lineal localizadas en los vértices de optimidad. El método termina una
vez que se haya encontrado la solución óptima.

La base del método simplex está formada por 2 condiciones fundamentales:

1. La condición de optimidad asegura que nunca se encontrará una solución inferior relativa al punto
de solución actual.

2. La condición de factibilidad que garantiza que partiendo de una solución básica factible solamente
se encontrarán soluciones básicas factibles. Un problema de programación lineal siempre tiene una
solución que está localizada en uno de los vértices del conjunto de soluciones factibles.

Procedimiento para el método Simplex

1. El método requiere que las restricciones sean ecuaciones (relaciones de igualdad). Cualquier
inecuación puede ser convertida en una ecuación agregando una cantidad negativa en el lado de
menor valor de la inecuación. Esta variable se llama variable de holgura y también se introduce
en la función objetivo con coeficiente cero ya que no influye en el valor de la función objetivo.

2. Encontrar una solución básica factible inicial para el sistema de ecuaciones. En muchos casos,
las variables de holgura representan una solución obvia de inicio porque sus coeficientes forman
una matriz identidad, donde los elementos diagonales son unos y los elementos restantes son
ceros. Además, los valores del lado derecho de las ecuaciones siempre son negativos.

Una forma conveniente de registrar la información sobre la solución de inicio es utilizar una tabla. En
esta tabla la función objetivo se expresa como una ecuación igualada a cero. En esta tabla existe la
columna variable básica que contiene la identificación de cuales son las variables básicas de la
solución actual. Las variables no básicas actuales no aparecen en esta columna y sus valores son
cero.

3. Encontrar una solución básica factible mejor. Esta es una fase iterativa donde se busca una
solución mejor que la actual. En este paso se busca identificar una variable básica que mejore la
función objetivo. Esta variable se llama "variable básica entrante" y reemplazarla por otra variable
básica llamada "variable básica saliente". La condición de optimidad estipula que la variable que
entra será elegida como la variable no básica que tenga un coeficiente negativo más grande en
la ecuación de la función objetivo (Z) de la tabla para problemas de maximización y el coeficiente
positivo más grande para minimización. La variable básica que sale es la que representa la
relación mínima positiva de cocientes entre la columna solución y la columna variable básica
entrante.

4. Formar una nueva tabla con la solución mejorada para crear la nueva tabla de soluciones se
identifica la columna pivote que está señalada por la variable básica que entra. También se
identifica el renglón pivote que está indicado por la variable básica que sale. El valor que forma el
cruce de la columna pivote y el renglón pivote se llama elemento pivote. Se obtiene el nuevo
renglón pivote dividiendo el renglón anterior por el coeficiente del elemento pivote. Se generan
 ceros en todos los valores de la nueva columna pivote realizando operaciones entre los
renglones anteriores y el renglón pivote nuevo.

5. Buscar una solución básica factible mejor. Si existe una solución básica factible mejor, se vuelve
a formar una nueva tabla de soluciones. Si no se puede encontrar una solución, la solución
obtenida es óptima. El criterio de búsqueda de mejores soluciones ya se señaló en el paso 3.

2.4 Método Dual

El modelo dual de un problema de Programación Lineal consiste en una instancia alternativa de
modelamiento matemático que nos permite rescatar la información del problema original
conocido comúnmente como modelo primal.

En consecuencia es suficiente con resolver uno de ellos (primal o dual) para poder obtener la
solución óptima y valor óptimo del problema equivalente (primal o dual según sea el caso). Para ello
se puede utilizar, por ejemplo, las condiciones establecidas en el Teorema de Holguras
Complementarias.

TEORIA DE LA DUALIDAD
Cada problema de programación lineal tiene un segundo problema asociado con el. Uno se
denomina primal y el otro dual. Los 2 poseen propiedades muy relacionadas, de tal manera que la
solución óptima a un problema proporciona información completa sobre la solución óptima para el
otro.
 
Las relaciones entre el primal y el dual se utilizan para reducir el esfuerzo de computo en ciertos
problemas y para obtener información adicional sobre las variaciones en la solución óptima debidas
a ciertos cambios en los coeficientes y en la formulación del problema. Esto se conoce como análisis
de sensibilidad o post-optimidad.

Las relaciones las podemos establecer como siguen:

A) El problema dual tiene tantas variables como restricciones tiene el programa primal.

B) El problema dual tiene tantas restricciones como variables tiene el programa primal

C) Los coeficientes de la función objetivo del problema dual son los términos independientes de las
restricciones o RHS del programa primal.

D) Los términos independientes de las restricciones o RHS del dual son los coeficientes de la
función objetivo del problema primal.

E) La matriz de coeficientes técnicos del problema dual es la traspuesta de la matriz técnica del
problema primal.

F) El sentido de las desigualdades de las restricciones del problema dual y el signo de las variables
del mismo problema, dependen de la forma de que tenga el signo de las variables del problema
primal y del sentido de las restricciones del mismo problema.

G) Si el programa primal es un problema de maximización, el programa dual es un problema de

minimización.
H) El problema dual de un problema dual es el programa primal original.

Las relaciones de dualidad se pueden resumir en el siguiente cuadro:

La tabla anterior se puede interpretar tanto de izquierda a derecha como de derecha a izquierda.

Primal Minimización – Dual Maximización

Por ejemplo, leyendo la tabla desde izquierda a derecha, es decir, pasar de un problema
primal de minimización a un problema dual de maximización, tenemos:
• Si el problema primal es de minimización, entonces su correspondiente dual será uno
de maximización.
• Si el problema primal tiene una restricción del tipo >=, la variable dual asociada a dicha
restricción debe ser >=0.
• Si el problema primal tiene una restricción del tipo <=, la variable dual asociada a dicha
restricción debe ser <=0.
• Si el problema primal tiene una restricción del tipo =, la variable dual asociada a dicha
restricción debe ser irrestricta (libre de signo).
• Si el problema primal tiene una variable >=0, la correspondiente restricción asociada en el
dual debe ser <=.
• Si el problema primal tiene una variable <=0, la correspondiente restricción asociada en el
dual debe ser >=.
• Si el problema primal tiene una variable irrestricta (libre de signo), la
correspondiente restricción asociada en el dual debe ser =.

Primal Maximización – Dual Minimización

De forma análoga, interpretando la tabla desde derecha a izquierda, es decir, pasar de un problema
primal de maximización a un problema dual de minimización, tenemos:
• Si el problema primal es de maximización, entonces su correspondiente dual será uno
de minimización.
 • Si el problema primal tiene una restricción del tipo <=, la variable dual asociada a dicha
restricción debe ser >=0.
• Si el problema primal tiene una restricción del tipo >=, la variable dual asociada a dicha
restricción debe ser <=0.
• Si el problema primal tiene una restricción del tipo =, la variable dual asociada a dicha
restricción debe ser irrestricta (libre de signo).
• Si el problema primal tiene una variable >=0, la correspondiente restricción asociada en el
dual debe ser >=.
• Si el problema primal tiene una variable <=0, la correspondiente restricción asociada en el
dual debe ser <=.
• Si el problema primal tiene una variable irrestricta (libre de signo), la
correspondiente restricción asociada en el dual debe ser =.
 
Los problemas duales simétricos son los que se obtienen de un problema primal en forma canónica y
‘normalizada’, es decir, cuando llevan asociadas desigualdades de la forma mayor o igual en los
problemas de minimización, y desigualdades menor o igual para los problemas de maximización. Es
decir, si el problema original es de la siguiente forma:

Máx Z(x) = ct x
s.a:
Ax≤b
x≥0

El problema dual ( dual simétrico ) es :

Mín G(λ) = λ b

s.a:
λA≥c
λ≥0

Los restantes tipos de combinaciones de problemas, se conocen con el nombre de duales

asimétricos. Como por ejemplo:

Máx Z(x) = ct x
s.a:
Ax=b
x≥0

El problema dual ( dual asimétrico ) es :

Mín G(λ) = λ b
s.a:
λA≥c
λ >< 0, es decir, variables libres.
2.5 Método Dual-Simplex
Aprovechando las propiedades de los problemas asociados primal y dual, se desarrolló el método
dual-simplex que se aplica: en algunos casos de análisis de sensibilidad, como ocurre en cambios de
los recursos del problema; también para resolver problemas de objetivo mínimo y al menos una
restricción de tipo >=, o para ahorro en cálculos evitando los métodos simplex penal y dos fases. 

Se aplica cuando el problema cambia a no factible, pero el renglón Z se presenta óptimo. Ahora
observe y compare la aplicación ( ) de criterios del simplex en coeficientes del modelo de PL
resumido, a los problemas primal y dual. 

CONDICION DE FACTIBILIDAD.
• La variable que sale es la variable básica que tiene el valor más negativo (los empates se
rompen arbitrariamente si todas las variables básicas son no negativas, el proceso termina y
esta última tabla es la solución óptima factible).

 CONDICION DE OPTIMIDAD.
• La variable que entra se elige entre las variables no básicas como sigue. Tome los cocientes
de los coeficientes de la función objetivo entre los coeficientes correspondientes a la ecuación
asociada a la variable que sale. Ignore los cocientes asociados a denominadores positivos o
cero.

• La variable que entra es aquella con el cociente más pequeño si el problema es de minimizar
o el valor absoluto más pequeño si el problema es de maximización (rompa los empates
arbitrariamente). Si los denominadores son ceros o positivos el problema no tiene ninguna
solución factible.
El método dual simplex nos brinda una solución inicial óptima pero no factible, mediante iteraciones
de cálculo se busca lo factible pero se conserva óptima, además, se termina cuando se consigue una
solución óptima y factible.

Criterios del método dual-simplex para el cambio de base

En el algoritmo dual-simplex se aplican los siguientes criterios para el cambio de base:

Criterio de factibilidad.- Se aplica en el dual-simplex para determinar, entre las variables básicas,
una VS que salga de la base, eligiendo para salir la que corresponda al valor más negativo en la
columna de solución. Esto es válido tanto para el objetivo mínimo como para el máximo.

Criterio de optimalidad.- Se aplica en el dual-simplex para determinar, entre las variables no

básicas, una VE que entre a la base con el siguiente procedimiento: 

Criterio de Optimalidad en el método dual

Elemento Pivote.- Se ubica como pivote al coeficiente que corresponde al cruce del renglón y
columna elegidos con los criterios del cambio de base. 

Aplica dual simplex a un PL con 4 restricciones >= (DUX1).

PASOS:
9) Consiga infactibilidad en restricciones tipo >=, (multiplique por -1):

2) Arregle la función Z; consiga la matriz I de base, sume holguras Hi, como sigue:

3) Tabule coeficientes y aplique dual-simplex; elija variables VS, VE y pivote así:

Interación 1 tabla I

V. Decision V. Holgura

base x1 x2 h1 h2 h3 h4 solucion

z -4 -3 0 0 0 0 0

h1 -1 -1 1 0 0 0 -6

h2 -2 1 0 1 0 0 0

h3 -1 0 0 0 1 0 -2

h4 0 -1 0 0 0 1 -2
 variables no basicas, cabeza de columna x1 x2

ceoficiente respectivo en renglon Z -4 -3

coeficiente negativo, renglon VS y columna VE -1 -1

cociente al relacionar coeficientes de: Z/VS 4 3

variable entrante a base con minimo cociente VE ↑

Interación 2 tabla II

V. Decision V. Holgura

base x1 x2 h1 h2 h3 h4 solucion

(RE)(3)+RZ z -1 0 -3 0 0 0 18

RE→ X2 1 1 -1 0 0 0 6

RE(-1)+RH2 h2 -3 0 1 1 0 0 -6

copia anterior h3 -1 0 0 0 1 0 -2

(RE)(1)+ RH4 h4 1 0 -1 0 0 1 4

variables no basicas, cabeza de columna x1 h1

ceoficiente respectivo en renglon Z -1 -3

coeficiente negativo, renglon VS y columna VE -3 no hay

cociente al relacionar coeficientes de: Z/VS 1/3 no vale

variable entrante a base con minimo cociente VE ↑

 Interación 3 tabla III

V. Decision V. Holgura

base x1 x2 h1 h2 h

(RE)(1)+RZ z 0 0 -3 1/3 - 1/3

RE(-1)+RX2 X2 0 1 - 2/3 1/3

RE→ X1 1 0 - 1/3 - 1/3

RE(1)+RH3 h3 0 0 - 1/3 - 1/3

(RE)(-1)+ RH4 h4 0 0 - 2/3 1/3

Solucion Optima: Z = 20;  X1=2,   X2=4

2.6 Análisis de resultados

ANÁLISIS DE SENSIBILIDAD
La tabla que nos proporciona el método simplex es una gran fuente de información sobre los datos
de nuestro problema, siempre y cuando los sepamos descifrar. Para ello realizaremos lo que se
denomina análisis de sensibilidad.

El análisis de sensibilidad consiste en ver las variaciones que se pueden producir en la solución
óptima al variar alguna de las condiciones iniciales del problema. Como pueden ser:
j) Coeficientes de las variables.
k) Introducción de nuevas variables.
l) Adición de nuevas restricciones.
m) Etc.

Una de las cosas más importantes que nos proporciona este análisis, es la de conocer el intervalo de
variación de los parámetros del problema, sin que cambie nuestra solución óptima.

COSTES RELATIVOS O SOMBRA

Los coeficientes que en el momento de obtenerse la solución óptima tiene la tabla en la LO, son los
costes relativos o sombra. Representan el empeoramiento o disminución que tendría la función
objetivo por el incremento unitario de una variable no básica, al introducir en la base.
Si se modifican los coeficientes de nuestra función objetivo, es evidente que nuestra solución seguirá
siendo factible. En un principio no sería necesario comenzar desde el origen del algoritmo, sino
simplemente sustituirlos y continuar con el procedimiento conocido.

Variables no básicas:
Si el coeficiente de una variable no básica se incrementa, llegaría un momento en el que formaría
parte de nuestra función objetivo.

Variables básicas:
Ahora vamos a ver hasta cuánto pueden variarse los coeficientes de variables básicas de forma que
continuemos teniendo una solución óptima.

Evidentemente, si aumentamos los coeficientes de las variables básicas, nuestra función objetivo
aumentará.

LAS VARIABLES DE HOLGURA

El valor de una variable de holgura, representa el sobrante de la restricción a la que está asociada.
Por ello, una variación en el valor de una variable de holgura implica una modificación en los
términos independientes de las restricciones.

Variables básicas:
El valor de una variable de holgura BÁSICA representa la disminución máxima que puede tener la
restricción a la que está asociada, sin que varíe nuestra base factible. Es decir, refleja el exceso que
tenemos en la restricción correspondiente.

Las modificaciones producidas en la tabla solución de nuestro problema, por la variación en el valor
de una variable de holgura básica, es la misma que la que se produce en una variable no básica.

Variables no básicas:
Las modificaciones en los coeficientes bi de las líneas correspondientes a las restricciones, están
determinados por las variables de holgura. Vamos a ver qué sucede si modificamos un coeficiente
correspondiente a una restricción cuya variable de holgura asociada es no básica.
Conclusión general
Para comprender de mejor manera sobre la programación lineal en Investigación de Operaciones se
deben tomar en cuenta sus áreas de aplicación, ya que la programación lineal es una herramienta
de solución óptima que se aplica en aspectos vinculados con la administración eficiente en todos los
ámbitos de la economía, por lo que es una práctica común en las áreas de:
• Área de la ingeniería, debido a que permite la utilización de software para llevar a cabo las
labores de programación informática.

• Área científica, ya que permite la resolución de problemas científicos con el análisis,

observación y estudio a través de la programación.

• Área de negocios, ya que se aplica ampliamente en el área administrativa, contable y de

economía con la finalidad de reducir costos o aumentar ganancias a través de modelos
funcionales.

La programación lineal también es usada en la microeconomía y la administración de empresas, bien

sea para aumentar el máximo de ingresos o reducir al mínimo los costos de un sistema de
producción. 
De igual modo, es empleada en el área del marketing y la publicidad a modo de herramienta para
identificar cuál es la combinación más factible de los medios para anunciar los productos. En este
sentido, se puede partir de un presupuesto fijo para publicidad para que los productos alcancen una
mayor difusión. En otros casos, las restricciones indican la disponibilidad de cada medio, así como
también podrían venir dadas por las políticas publicitarias de las empresas. 
Bibliografía
• UNLP. (2003). Formulación de modelos de programación lineal. marzo 07, 2022, de UNLP Sitio web:
http://www.mate.unlp.edu.ar/practicas/66_11_0804200912857#:~:text=La%20Programaci%C3%B3n
%20Lineal%20(LP)%20es,resolver%20este%20tipo%20de%20modelos.
• Guzmán, P. (2020). ¿QUÉ ES PROGRAMACIÓN LINEAL EN INVESTIGACIÓN DE OPERACIONES?.
marzo 07, 2022, de Euroinnova Sitio web: https://www.euroinnova.edu.es/blog/que-es-programacion-lineal-
en-investigacion-de-operaciones
• Pereira, Y. (2018). Formulación de modelos. marzo 07, 2022, de Blogspot Sitio web:
http://yulizetpereiraperez.blogspot.com/2018/08/formulacion-de-modelos.html
• PHP Simplex. (2019). Teoría del método Gráfico. marzo 07, 2022, de PHP Simplex Sitio web:
http://www.phpsimplex.com/teoria_metodo_grafico.htm
• PHP Simplex. (2019). Ejemplo (parte 2): método Gráfico. marzo 07, 2022, de PHP Simplex Sitio web:
http://www.phpsimplex.com/ejemplo_metodo_grafico.htm
• Instituto Tecnológico de la Laguna. (2014). METODO SIMPLEX. marzo 07, 2022, de Instituto Tecnológico
de la Laguna Sitio web: http://www.itlalaguna.edu.mx/2014/Oferta%20Educativa/Ingenierias/Industrial/Plan
%201997-2004/Invoperaciones1/U2.HTML
• GEO T. (2013). Relaciones de Dualidad en Programación Lineal (Pasar de Primal a Dual). marzo 07, 2022,
de Gestión de operaciones Sitio web: https://www.gestiondeoperaciones.net/programacion_lineal/relaciones-
de-dualidad-en-programacion-lineal-como-pasar-de-primal-a-dual/#:~:text=El%20modelo%20dual%20de
%20un,conocido%20com%C3%BAnmente%20como%20modelo%20primal.
• Material disponible en carpeta Drive Unidad 2 disponible en: https://drive.google.com/drive/u/3/folders/
1OduM6CoSIrP5L-xALffJYz13QgsWRWGC