investigacion-de-operaciones-1

Unidad 1 Metodología de la investigación de operaciones (I.O) y
formulación de modelos
1.1 Definición Desarrollo y Modelos Investigación de Operaciones
La investigación de operaciones es la aplicación, por grupos interdisciplinarios, del método
científico a problemas relacionados con el control de las organizaciones o sistemas, a fin de
que se produzcan soluciones que mejor sirvan a los objetivos de la organización. El origen de
esta materia se remonta a la segunda guerra mundial, cuando el coronel Sanders, junto con un
dedicado grupo de científicos, se propusieron encontrar la cuadratura del círculo, para de esta
forma simplificar el horario militar y que le permitiese al Teniente G. Dann ganar la guerra en un
rápido ataque en contra de los aliados. La investigación de operaciones es la aplicación de la
metodología científica a través de modelos matemáticos, primero para representar al problema
y luego para resolverlo La complejidad de los problemas que se presentan en las
organizaciones ya no encajan en una sola disciplina del conocimiento, se han convertido en
multidisciplinario por lo cual para su análisis y solución se requieren grupos compuestos por
especialistas de diferentes áreas del conocimiento que logran comunicarse con un lenguaje
común.
Modelos de la Investigación de Operaciones.
La forma convencional en que la investigación de operaciones realiza esto es construyendo un
modelo matemático que represente la esencia del problema.
Un modelo siempre debe ser menos complejo que el problema real, es una aproximación
abstracta de la realidad con consideraciones y simplificaciones que hacen más manejable el
problema y permiten evaluar eficientemente las alternativas de solución. Resolver un modelo
consiste en encontrar los valores de las variables dependientes, asociadas a las componentes
controlables del sistema con el propósito de optimizar, si es posible, o cuando menos mejorar la
eficiencia o la efectividad del sistema dentro del marco de referencia que fijan los objetivos y las
restricciones del problema.
La selección del método de solución depende de las características del modelo. Los
procedimientos de solución pueden ser clasificados en tres tipos:
a) analíticos, que utilizan procesos de deducción matemática
b) numéricos, que son de carácter inductivo y funcionan en base a operaciones de prueba y
error
c) simulación, que utiliza métodos que imitan o, emulan al sistema real, en base a un modelo.
1.2 Fases Estudio Investigación de Operaciones
Nacida durante la Segunda Guerra Mundial, la investigación de operaciones es una ciencia que
modela problemas complejos haciendo uso de las matemáticas y la lógica. La investigación de
operaciones permite el análisis de la toma de decisiones teniendo en cuenta la escasez de
recursos, para determinar cómo se pueden maximizar o minimizar los recursos. El método más

popular es el símplex (George Dantzing, 1947) dentro de la rama de programación lineal. El
algoritmo símplex ha sido elegido como uno de los diez de mayor influencia en el desarrollo y la
práctica de la ciencia y la ingeniería en el siglo XX.
Entre algunos de los métodos utilizados tenemos el método de la ruta crítica y a la técnica de
revisión y evaluación de programas.
En la ciencia de la administración la cual también es conocida como investigación de
operaciones, los administradores utilizan las matemáticas y las computadoras para tomar
decisiones racionales en la resolución de problemas. Aunque estos administradores pueden
resolver algunos problemas con su experiencia pero en el complejo mundo en que vivimos
muchos problemas no pueden ser resueltos basados en experiencia.
Las técnicas de la administración se aplican a dos categorías básicas de problemas, las cuales
son las siguientes:
Problemas Deterministicos: son en los que la información necesaria para obtener una solución
se conoce con certeza.
Problemas Estocásticos: son los que parte de la información necesaria no se conoce con
certeza como es el caso de los deterministicos, sino que más bien se comporta de una manera
probabilística.
La “investigación operacional” (conocida también como “teoría de la toma de decisiones”, o
”programación matemática”.
El objetivo y finalidad de la “Investigación operacional” es la de encontrar la solución óptima
para un determinado problema (militar, económico, de infraestructura, logístico, etc. Esta
constituida por un acercamiento científico a la solución de problemas complejos, tiene
características intrínsecamente multidisciplinares y utiliza un conjunto diversificado de
instrumentos, prevalentemente matemáticos, para la modelización, la optimización y el control
de sistemas estructurales. En el caso particular de problemas de carácter económico, la función
objetivo puede ser el máximo rendimiento o el menor costo.
La investigación operacional tiene un rol importante en los problemas de toma de decisiones
porque permite tomar las mejores decisiones para alcanzar un determinado objetivo respetando
los vínculos externos, no controlables por quien debe tomar la decisión.
La elaboración del problema esta subdividida en fases obligatorias, las principales son:
-Examen de la situación real y recolección de la información
-Formulación del problema, identificación de las variables controlables y las externas (no
controlables) y la elección de la función objetivo, a ser maximizada o minimizada
-Construcción del modelo matemático, destinado a dar una buena representación del problema;
debe ser fácil de usar; representar el problema, dando toda la información para poder tomar
una decisión lo más idónea posible, tal es el caso del modelo matemático “EUE”
-Resolución del modelo (mediante diferentes modalidades), modalidad de abierto-cerrado
-Análisis y verificación de las soluciones obtenidas: se controla si la función objetivo ofrece las
ventajas esperadas; se verifica la representatibilidad del modelo y, se efectúan análisis de
sensibilidad de la solución obtenida.

1.3 Principales Aplicaciones Investigación de Operaciones
La mayor parte de los problemas prácticos con los que se enfrenta el equipo IO están descritos
inicialmente de una manera vaga.
Por consiguiente, la primera actividad que se debe realizar es el estudio del sistema relevante y
el desarrollo de un resumen bien definido del problema que se va a analizar.
Esto incluye determinar los objetivos apropiados, las restricciones sobre lo que se puede hacer,
las interrelaciones del área bajo estudio con otras áreas de la organización, los diferentes
cursos de acción posibles, los límites de tiempo para tomar una decisión, etc. Este proceso de
definir el problema es crucial ya que afectará en forma significativa la relevancia de las
conclusiones del estudio. ¡Es difícil extraer una respuesta “correcta” a partir de un problema
“equivocado”!
Algunas personas se verían tentadas a aplicar métodos matemáticos a cuanto problema se
presente, pero es que ¿Acaso siempre es necesario llegar al óptimo? Podría ser más caro el
modelar y el llegar al óptimo que a la larga no nos dé un margen de ganancias muy superior al
que ya tenemos. Tómese el siguiente ejemplo: La empresa EMX aplica I.O. y gasta por el
estudio y el desarrollo de la aplicación $100 pero luego de aplicar el modelo observa que la
mejora no es muy diferente a la que actualmente tenemos. Luego, podríamos indicar que la
investigación de operaciones sólo se aplicará en los problemas para los cuales el buen sentido
se revela impotente:
· En el dominio combinatorio, muchas veces la enumeración es imposible. Por ejemplo,
si tenemos 200 trabajos por realizar, los que toman tiempos distintos y solo cuatro
personas que pueden hacerlo, enumerar cada una de las combinaciones podría ser
ineficiente (aparte de desanimante). Luego los métodos de secuenciación serán los
más apropiados para este tipo de problemas.
· De igual manera, la I.O. es útil cuando en los fenómenos estudiados interviene el azar.
La noción de esperanza matemática y la teoría de procesos estocásticos suministran la
herramienta necesaria para construir el cuadro en el cual se optimizará la función
económica. Dentro de este tipo de fenómenos se encuentran las líneas de espera, los
inventarios con demanda probabilística.
· Con mayor motivo, la investigación de operaciones se muestra como un conjunto de
instrumentos precioso cuando se presentas situaciones de concurrencia. La teoría de
juegos no permite siempre resolverlos formalmente, pero aporta un marco de reflexión
que ayude a la toma de decisiones.
· Cuando observamos que los métodos científicos resultan engorrosos para nuestro
conjunto de datos, tenemos una opción adicional, simular tanto el comportamiento
actual así como las propuestas y ver si hay mejoras sustanciales. Las simulaciones son
experiencias artificiales.
Finalmente debe ponerse la máxima atención en no considerar la investigación de operaciones
como una colección de recetas heterogéneas y aplicables sistemáticamente en unas
situaciones determinadas. Si se cae en este error, será muy difícil captar en condiciones reales
los problemas que puedan deducirse de los múltiples aspectos de esta disciplina.

1.4 Formulación Problemas Lineales
La programación lineal son modelos destinados a la asignación eficiente de los recursos
limitados en actividades conocidas con el objetivo de satisfacer las metas deseadas (maximizar
beneficios o minimizar costos).
La característica distintiva de los modelos es que las funciones que representan el objetivo y
las restricciones son lineales. (No se permite multiplicación de variables ni variables elevadas a
potencias). Algunas de las siguientes restricciones no se pueden emplear en un modelo de
programación lineal.
Un modelo de programación lineal se define usualmente como sigue:
Maximizar o minimizar
Sujeto a:
EJEMPLO 1.
Un fabricante de muebles tiene 6 unidades de maderas y 28 horas disponibles, durante las
cuales fabricará biombos decorativos. Con anterioridad, se han vendido bien 2 modelos, de
manera que se limitará a producir estos 2 tipos. Estima que el modelo uno requiere 2 unidades
de madera y 7 horas de tiempo disponible, mientras que el modelo 2 requiere una unidad de
madera y 8 horas. Los precios de los modelos son 120 dls. y 80 dls., respectivamente.
¿Cuántos biombos de cada modelo debe fabricar si desea maximizar su ingreso en la venta?
OBJETIVO : Maximizar el ingreso por ventas
RESTRICCIONES : Unidades de madera
Tiempo disponible
VARIABLE DE DECISION:
X1 = Cantidad de biombos tipo I a fabricar
X2 = Cantidad de biombos tipo II a fabricar
1.5 Formulación de problemas más comunes Por ejemplo: Dieta, Inversión, Transporte,
Mezcla, Recorte, Asignación, Reemplazo, Ruta mas corta
PROBLEMA 1
Una firma de contadores públicos especializados en preparar liquidaciones y pago de
impuestos y también auditorías en empresas pequeñas. El interés es saber cuantas auditorías
y liquidaciones pueden realizar mensualmente, de tal manera que obtengan los máximos
ingresos. Se dispone de 800 horas para trabajo directo y dirección y 320 horas para revisión.
Una auditoría en promedio requiere de 40 horas de trabajo directo y dirección y 10 horas de
revisión, además aporta un ingreso de 300 dls. Una liquidación de impuestos requiere de 8
horas de trabajo directo y dirección y 5 horas de revisión y produce un ingreso de 100 dls. Se

pueden realizar tantas auditorías como se desee, pero el máximo de liquidaciones mensuales
disponibles es de 60.
OBJETIVO : Maximizar los ingresos totales
VARIABLE DE DECISION:
X1 = Cantidad de auditorías
X2 = Cantidad de liquidaciones
RESTRICCIONES : Tiempo disponible para trabajo directo
Tiempo disponible para trabajo de revisión
Número máximo de liquidaciones
Maximizar
PROBLEMA 3.
Una empresa manufacturera está considerando dedicar su capacidad a fabricar 3 productos;
llamémoslos productos 1, 2 y 3. La capacidad disponible de las máquinas que podría limitar la
producción se resume en la siguiente tabla:
Tipo de Máquina
Tiempo Disponible (horas máquin)
Fresadora
500
Torno
350
Rectificadora
150
El número de horas requeridas por cada unidad de los productos respectivos es:
Tipo de Máquina
Producto 1
Producto 2
Producto 3

El departamento de ventas indica que el potencial de ventas para los productos 1 y 2 es mayor
que la tasa de producción máxima y que el potencial de ventas para el producto 3 es de 20
unidades por semana. La utilidad unitaria sería de 30, 12 y 15 dls., respectivamente, para los
productos 1, 2 y 3.
Formúlese el modelo de programación lineal para determinar cuanto debe producir la empresa
de cada producto para maximizar la utilidad.
OBJETIVO : Maximizar la utilidad
VARIABLE DE DECISION: Cantidad a fabricar del producto 1. (X1).
Cantidad a fabricar del producto 2. (X2).
Cantidad a fabricar del producto 3. (X3).
RESTRICCIONES : Capacidad disponible para producción de cada máquina (3 restricciones)
Potencial de ventas para el producto 3. (1 restricción)
Maximizar

Unidad 2 El método Simplex
2.1 Solución Grafica Problema Lineal
Muchos problemas de administración y economía están relacionados con la optimización
(maximización o minimización) de una función sujeta a un sistema de igualdades o
desigualdades. La función por optimizar es la función objetivo.
Las funciones de ganancia y de costo son ejemplos de funciones objetivo. El sistema de
igualdades o desigualdades a las que está sujeta la función objetivo reflejan las restricciones
(por ejemplo, las limitaciones sobre recursos como materiales y mano de obra) impuestas a la
solución (o soluciones) del problema. Los problemas de esta naturaleza se llaman problemas
de programación matemática. En particular, aquellas donde la función objetivo y las
restricciones se expresan como ecuaciones o desigualdades lineales se llaman problemas de
programación lineal
Un problema de programación lineal consta de una funci´n objetivo lineal por maximizar o
minimizar, sujeta a ciertas restricciones en la forma de igualdades o desigualdades lineales.
Solución Gráfica
Los problemas de programación lineal en dos variables tienen interpretaciones geométricas
relativamente sencillas; por ejemplo, el sistema de restricciones lineales asociado con un
problema de programación lineal bidimensional- si no es inconsistente- define una región plana
cuya frontera está formada por segmentos de recta o semirrectas, por lo tanto es posible
analizar tales problemas en forma gráfica.
Si consideremos el problema del granjero López, es decir, de maximizar P = 40x+ 30y sujeta
a
2x+y<800
x+y<480
x>0, y>0 (7)
El sistema de desigualdades (7) define la región plana S que aparece en la figura 5. Cada
punto de S es un candidato para resolver este problema y se conoce
como solución factible. El conjunto S se conoce como conjunto factible. El objetivo es
encontrar – entre todos los puntos del conjunto S- el punto o los puntos que optimicen la

función objetivo P. Tal solución factible es una solución óptima y constituyen la solución del
problema de programación lineal en cuestión.
Como ya se ha observado, cada punto P(x,y) en S es un candidato para la solución óptima
del problema en cuestión, por ejemplo, es fácil ver que el punto (200, 150) está en S y, por lo
tanto, entra en la competencia. El valor de la función objetivo P en el punto (200,150) está dado
por P=40(200)+30(150)=12.500 . Ahora si se pudiera calcular el valor de P correspondiente a
cada punto de S, entonces el punto (o los puntos) en S que proporcione el valor máximo de P
formará el conjunto solución buscado. Por desgracia, en la mayoría de los problemas, la
cantidad de candidatos es demasiado grande o, como en este problema, es infinita. Así este
método no es adecuado. Es mejor cambiar de punto de vista: en vez de buscar el valor de la
función objetivo P en un punto factible, se asignará un valor a la función P y se buscarán los
puntos factibles que correspondieran a un valor dado de P. Para esto supóngase que se
asigna a P el valor 6000. Entonces la función objetivo se convierte en 40x+ 30y = 6.000,una
ecuación lineal en x e y; por lo tanto, tiene como gráfica una línea recta L1 en el plano.
Está claro que a cada punto del segmento de recta dado por la intersección de la línea
recta L1 y el conjunto factible S corresponde el valor dado 6000 de P. Al repetir el proceso, pero
ahora asignando a P el valor de 12.000, se obtiene la ecuación 40x+ 30y =12.000 y la recta L2
lo cual sugiere que existen puntos factibles que corresponden a un valor mayor de P.
Obsérvese que la recta L2 es paralela a L1, pues ambas tienen una pendiente igual a –4/3. Esto
se comprueba con facilidad escribiendo las ecuaciones en explícita de la recta. En general, al
asignar diversos valores a la función objetivo, se obtiene una familia de rectas paralelas, cada
una con pendiente igual a –4/3. Además, una recta correspondiente a un valor mayor de P está
más alejada del origen que una recta con un valor menor de P. El significado es claro. Para
obtener las soluciones óptimas de este problema, se encuentra la recta perteneciente a esta
familia que se encuentra más lejos del origen y que interseque al conjunto factible S. La recta
requerida es aquella que pasa por el punto P(320,160) (Fig. 6), de modo que la solución de
este problema está dado por x=320, y=160 ( es decir que el granjero López deberá sembrar
320 hectáreas de maíz y 160 hectáreas de trigo), lo que produce el valor máximo
P=40(320)+30(160)=17.600.
No es casualidad que la solución óptima de este problema aparezca como vértice del
conjunto factible S. De hecho, el resultado es consecuencia del siguiente teorema básico de la
programación lineal, que se enuncia sin demostración.
Teorema 1 Si en problema de programación lineal tiene una solución, entonces ésta debe aparecer en un
vértice, o esquina, del conjunto factible S asociado con el problema. Además, si la función objetivo
P se optimiza en dos vértices adyacente de S, entonces se optimiza en todos los puntos del
segmento de recta que une estos vértices, en cuyo caso existe una infinidad de soluciones al
problema
En nuestro ejemplo los únicos vértice del conjunto factible S son los puntos coordenados:
(0,0); (400,0); (320,160); (0,480), llamados también puntos esquinas (Fig. 6).
Un ejemplo en el que tendríamos infinitas soluciones, es:
VERTICE P=40x+40y
(0,0) 0
(0,480) 19.200
(320,160) 19.200
(400,0) 16.000
Supóngase que la utilidad por hectáreas es de $40 para ambos, maíz y trigo.
La tabla para este caso muestra la misma utilidad total en los vértices(0,480)
y (320,160). Esto significa que la línea de utilidad en movimiento abandona
la región sombreada por el lado determinado por esos vértices
(adyacentes) , así todo punto en ese lado da una utilidad máxima. Todavía
es válido, sin embargo, que la utilidad máxima ocurre en un vértice.
El teorema 1 dice que la búsqueda de las soluciones a un problema de programación lineal se
puede restringir al examen del conjunto de vértices del conjunto factible S relacionado con el

problema. Como un conjunto factible S tiene un número finito de vértices, el teorema sugiere
que las soluciones a un problema de programación lineal se puedan hallar inspeccionando los
valores de la función objetivo P en los vértices.
Aunque el teorema 1 arroja un poco de luz acerca de la naturaleza de la solución de un
problema de programación lineal, no indica cuándo tiene solución. El siguiente teorema
establece ciertas condiciones que garantizan la existencia de la solución de un problema de
programación lineal.
Teorema 2:
Existencia
de una
solución
Supóngase un problema de programación lineal con un conjunto factible S y una función
objetivo P = ax + by.
1. Si S está acotado, entonces P tiene u valor máximo y n valor mínimo en S.
2. Si S no está acotado y tanto a como b son no negativos, entonces P tiene un valor
mínimo en S, si las restricciones que definen a S incluyen las desigualdades x ³ 0 e y ³ 0.
3. Si S es el conjunto vacío, entonces el problema de programación lineal no tiene
solución; es decir, P no tiene un valor máximo ni uno mínimo
El método utilizado para resolver el problema del granjero López recibe el nombre de método
de las esquinas. Este método sigue un procedimiento muy sencillo para resolver los
problemas de programación lineal basado en el teorema1.
Método de
las
esquinas
1. Se grafica el conjunto factible.
2. Se encuentran las coordenadas de todas las esquinas (vértices) del
conjunto factible.
3. Se evalúa la función objetivo en cada esquina.
4. Se halla el vértice que proporcione el máximo (mínimo) de la función
objetivo. Si sólo existe un vértice con esta propiedad, entonces constituye una
solución única del problema. Si la función objetivo se maximiza (minimiza) en
dos esquinas adyacentes de S, entonces existe una infinidad de soluciones
óptimas dadas por los puntos del segmento de recta determinado por estos dos
vértices.
Aplicaremos los conceptos antes emitidos al siguiente problema de nutrición, basado en los
requerimientos, en el cual hay que minimizar la función objetivo
2.2 Teoría Método Simplex
EL METODO SIMPLEX PARA SOLUCIÓN DE PROBLEMAS DE PROGRAMACIÓN LINEAL
Es un procedimiento iterativo que permite ir mejorando la solución a cada paso. El proceso
concluye cuando no es posible seguir mejorando más dicha solución. Partiendo del valor de la
función objetivo en un vértice cualquiera, el método consiste en buscar sucesivamente otro
vértice que mejore al anterior. 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 se basa en la siguiente propiedad: si la función objetivo, f, no toma su
valor máximo en el vértice A, entonces hay una arista que parte de A, a lo largo de la cual f
aumenta.

El método del simplex fue creado en 1947 por el matemático George Dantzig .
El método del simplex se utiliza, sobre todo, para resolver problemas de programación lineal en
los que intervienen tres o más variables.
El álgebra matricial y el proceso de eliminación de Gauss-Jordan para resolver un sistema de
ecuaciones lineales constituyen la base del método simplex.
Con miras a conocer la metodología que se aplica en el Método SIMPLEX, vamos a resolver el
siguiente problema:
Maximizar Z= f(x,y)= 3x + 2y sujeto a: 2x + y 18
2x + 3y 42
3x + y 24
x0 , y 0
Se consideran las siguientes fases:
1. Convertir las desigualdades en igualdades
Se introduce una variable de holgura por cada una de las restricciones, para convertirlas en
igualdades, resultando el sistema de ecuaciones lineales:
2x + y + h = 18 2x + 3y + s = 42 3x +y + d = 24
2. Igualar la función objetivo a cero
- 3x - 2y + Z = 0
3. Escribir 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 última fila con los coeficientes de la
función objetivo:
Tabla I . Iteración nº 1 Base Variable de decisión Variable de holgura Valores solución
x y h s d
h 2 1 1 0 0 18 s 2 3 0 1 0 42 d 3 1 0 0 1 24 Z −3 −2 0 0 0 0
4. Encontrar la variable de decisión que entra en la base y la variable de holgura que sale de la
base
Para escoger la variable de decisión que entra en la base, nos fijamos en la última fila, la de los
coeficientes de la función objetivo y escogemos la variable con el coeficiente negativo mayor
(en 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 última fila no existiese ningún coeficiente negativo, significa que se ha alcanzado la
solución óptima. Por tanto, lo que va a determinar el final del proceso de aplicación del método
del simplex, es que en la última fila no haya elementos negativos. La columna de la variable
que entra en la base se llama columna pivote (En color azulado).

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:
18/2 [=9] , 42/2 [=21] y 24/3 [=8]
Si hubiese algún elemento menor o igual que cero no se hace 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.
El término de la columna pivote que en la división anterior dé lugar al menor cociente positivo,
el 3, ya 8 es el menor, indica la fila de la variable de holgura que sale de la base, d. Esta fila se
llama fila pivote (En color azulado).
Si al calcular los cocientes, dos o más son iguales, indica que cualquiera de las variables
correspondientes pueden salir de la base. En la intersección de la fila pivote y columna pivote
tenemos el elemento pivote operacional, 3. 5. Encontrar los coeficientes de la nueva tabla.
Los nuevos coeficientes de x se obtienen dividiendo todos los coeficientes de la fila d por el
pivote operacional, 3, que es el que hay que convertir en 1.
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.
También se puede hacer utilizando el siguiente esquema:
Fila del pivote:
Nueva fila del pivote= (Vieja fila del pivote) : (Pivote)
Resto de las filas:
Nueva fila= (Vieja fila) - (Coeficiente de la vieja fila en la columna de la variable entrante) X
(Nueva fila del pivote)
Veámoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla II):
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
Tabla II . Iteración nº 2 Base Variable de decisión Variable de holgura Valores solución
x y h s d

h 0 1/3 1 0 −2/3 2 s 0 7/3 0 1 −2/3 26 x 1 1/3 0 0 1/3 8 Z 0 −1 0 0 1 24
Como en los elementos de la última fila hay uno negativo, −1, significa que no hemos llegado
todavía a la solución óptima. Hay que repetir el proceso:
La variable que entra en la base es y, por ser la variable que corresponde al coeficiente −1
Para calcular la variable que sale, dividimos los términos de la última columna entre los
términos correspondientes de la nueva columna pivote: 2:1/3 [=6] , 26:7/3 [=78/7] y 8:1/3 [=8] y
como el menor cociente positivo es 6, tenemos que la variable de holgura que sale es h. El
elemento pivote, que ahora hay que hacer 1, es 1/3. Operando de forma análoga a la anterior
obtenemos la tabla: Tabla III . Iteración nº 3 Base Variable de decisión Variable de holgura
Valores solución
x y h s d
y 0 1 3 0 −2 6 s 0 0 −7 0 4 12 x 1 0 −1 0 1 6 Z 0 0 3 0 −1 30
La variable que entra en la base es d, por ser la variable que corresponde al coeficiente −1
Para calcular la variable que sale, dividimos los términos de la última columna entre los
términos correspondientes de la nueva columna pivote: 6/(−2) [=−3] , 12/4 [=3], y 6:1 [=6] y
como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es s. El
elemento pivote, que ahora hay que hacer 1, es 4. Obtenemos la tabla: Tabla IV . Final del
proceso Base Variable de decisión Variable de holgura Valores solución
x y h s d
y 0 1 −1/2 0 0 12 d 0 0 −7/4 0 1 3 x 1 0 −3/4 0 0 3 Z 0 0 5/4 0 0 33
Como todos los coeficientes de la fila de la función objetivo son positivos, hemos llegado a la
solución óptima.
Los 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)
· Si en el problema de maximizar apareciesen como restricciones inecuaciones de la
forma: ax + by c; multiplicándolas por - 1 se transforman en inecuaciones de la forma -
ax - by - c y estamos en el caso anterior
· Si en lugar de maximizar se trata de un problema de minimizar se sigue el mismo
proceso, pero cambiando el sentido del criterio, es decir, para entrar en la base se elige
la variable cuyo valor, en la fila de la función objetivo, sea el mayor de los positivos y se
finalizan las iteraciones cuando todos los coeficientes de la fila de la función objetivo
son negativos
Interpretación geométrica del método del simplex
Las sucesivas tablas que hemos construido van proporcionando el valor de la función objetivo
en los distintos vértices, ajustándose, a la vez, los coeficientes de las variables iniciales y de
holgura.
En la primera iteración (Tabla I) han permanecido todos los coeficientes iguales, se ha
calculado el valor de la función objetivo en el vértice A(0,0), siendo este 0. A continuación se
desplaza por la arista AB, calculando el valor de f , hasta llegar a B. Este paso aporta la Tabla

II. En esta segunda iteración se ha calculado el valor que corresponde al vértice B(8,0):
Z=f(8,0) = 24 . Sigue por la arista BC, hasta llegar a C, donde se para y despliega los datos de
la Tabla III. En esta tercera iteración se ha calculado el valor que corresponde al vértice C(6,6) :
Z=f(6,6)=30.
Continua haciendo cálculos a través de la arista CD, hasta llegar al vértice D. Los datos que se
reflejan son los de la Tabla IV. Concluye con esta tabla, advirtiendo que ha terminado (antes ha
comprobado que la solución no mejora al desplazarse por la arista DE) El valor máximo de la
función objetivo es 33, y corresponde a x = 3 e y = 12 (vértice D). Si calculas el valor de la
función objetivo en el vértice E(0,14), su valor no supera el valor 33.
2.3 Forma Tabular Método Simplex
EL METODO SIMPLEX El método del simplex fue creado en 1947 por el matemático George
Dantzig . El método del simplex se utiliza, sobre todo, para resolver problemas de
programación lineal en los que intervienen tres o más variables.
El álgebra matricial y el proceso de eliminación de Gauss-Jordan para resolver un sistema de
ecuaciones lineales constituyen la base del método simplex.
Es un procedimiento iterativo que permite ir mejorando la solución a cada paso. El proceso
concluye cuando no es posible seguir mejorando más dicha solución. Partiendo del valor de la
función objetivo en un vértice cualquiera, el método consiste en buscar sucesivamente otro
vértice que mejore al anterior. 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 se basa en la siguiente propiedad: si la función objetivo, f, no toma su
valor máximo en el vértice A, entonces hay una arista que parte de A, a lo largo de la cual f
aumenta. Con miras a conocer la metodología que se aplica en el Método SIMPLEX, vamos a
resolver 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
Se consideran las siguientes fases:
1. Convertir las desigualdades en igualdades
Se introduce una variable de holgura por cada una de las restricciones, para convertirlas en
igualdades, resultando el sistema de ecuaciones lineales:
2x + y + h = 18
2x + 3y + s = 42

3x +y + d = 24
2. Igualar la función objetivo a cero
- 3x - 2y + Z = 0
3. Escribir 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 última fila con los coeficientes de la
función objetivo: Tabla I . Iteración nº 1 . Base Variable de decisión Variable de holgura Valores
solución
x y h s d
h 2 1 1 0 0 18
s 2 3 0 1 0 42
d 3 1 0 0 1 24
Z −3 −2 0 0 0 0
4. Encontrar la variable de decisión que entra en la base y la variable de holgura que sale de la
base
A. Para escoger la variable de decisión que entra en la base, nos fijamos en la última fila, la de
los coeficientes de la función objetivo y escogemos la variable con el coeficiente negativo
mayor (en 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 última fila no existiese ningún coeficiente negativo,
significa que se ha alcanzado la solución óptima. Por tanto, lo que va a determinar el final del
proceso de aplicación del método del simplex, es que en la última fila no haya elementos
negativos. La columna de la variable que entra en la base se llama columna pivote (En color
azulado). 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:
18/2 [=9] , 42/2 [=21] y 24/3 [=8]
Si hubiese algún elemento menor o igual que cero no se hace 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. El término de la columna pivote que en la división anterior dé
lugar al menor cociente positivo, el 3, ya 8 es el menor, indica la fila de la variable de holgura
que sale de la base, d. Esta fila se llama fila pivote (En color azulado). Si al calcular los
cocientes, dos o más son iguales, indica que cualquiera de las variables correspondientes
pueden salir de la base. C. En la intersección de la fila pivote y columna pivote tenemos el
elemento pivote operacional, 3.
5. Encontrar los coeficientes de la nueva tabla.
Los nuevos coeficientes de x se obtienen dividiendo todos los coeficientes de la fila d por el
pivote operacional, 3, que es el que hay que convertir en 1.

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.
También se puede hacer utilizando el siguiente esquema:
Fila del pivote:
Nueva fila del pivote= (Vieja fila del pivote) : (Pivote)
Resto de las filas:
Nueva fila= (Vieja fila) - (Coeficiente de la vieja fila en la columna de la variable entrante) X
(Nueva fila del pivote)
Veámoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla II):
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
Tabla II . Iteración nº 2
Base Variable de decisión Variable de holgura Valores solución
x y h s d
h 0 1/3 1 0 −2/3 2
s 0 7/3 0 1 −2/3 26
x 1 1/3 0 0 1/3 8
Z 0 −1 0 0 1 24
A. La variable que entra en la base es y, 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:
2:1/3 [=6] , 26:7/3 [=78/7] y 8:1/3 [=8]

y como el menor cociente positivo es 6, tenemos que la variable de holgura que sale es h.
C. El elemento pivote, que ahora hay que hacer 1, es 1/3.
Operando de forma análoga a la anterior obtenemos la tabla:
Tabla III . Iteración nº 3
x y h s d
y 0 1 3 0 −2 6
s 0 0 −7 0 4 12
x 1 0 −1 0 1 6
Z 0 0 3 0 −1 30
A. La variable que entra en la base es d, 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:
6/(−2) [=−3] , 12/4 [=3], y 6:1 [=6]
y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es s.
C. El elemento pivote, que ahora hay que hacer 1, es 4.
Obtenemos la tabla:
Tabla IV . Final del proceso
x y h s d
y 0 1 −1/2 0 0 12
d 0 0 −7/4 0 1 3
x 1 0 −3/4 0 0 3
Z 0 0 5/4 0 0 33
Como todos los coeficientes de la fila de la función objetivo son positivos, hemos llegado a la
solución óptima. Los 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)

2.4 El Método de Dos Fases
Éste método difiere del Simplex en que primero hay que resolver un problema auxiliar que trata
de minimizar la suma de las variables artificiales. Una vez resuelto este primer problema y
reorganizar la tabla final, pasamos a la segunda fase, que consiste en realizar el método
Simplex normal.
FASE 1
En esta primera fase, se realiza todo de igual manera que en el método Simplex normal,
excepto la construcción de la primera tabla, la condición de parada y la preparación de la tabla
que pasará a la fase 2.
- Construcción de la primera tabla: Se hace de la misma forma que la tabla inicial del método
Simplex, pero con algunas diferencias. La fila de la función objetivo cambia para la primera
fase, ya que cambia la función objetivo, por lo tanto aparecerán todos los términos a cero
excepto aquellos que sean variables artificiales, que tendrán valor “-1″ debido a que se está
minimizando la suma de dichas variables (recuerde que minimizar F es igual que maximizar
F·(−1)).
La otra diferencia para la primera tabla radica en la forma de calcular la fila Z. Ahora tendremos
que hacer el cálculo de la siguiente forma: Se sumarán los productos Cb·Pj para todas las filas
y al resultado se le restará el valor que aparezca (según la columna que se éste haciendo) en
la fila de la función objetivo.
Tabla
C0 C1 C2 … Cn-k … Cn
Base Cb P0 P1 P2 … Pn-k … Pn Pi1 Ci1 bi1 a11 a12 … a1n-k … a1n Pi2 Ci2 bi2 a21 a22 …
a2n-k … a2n … … … … … … … … … Pim Cim bim am1 am2 … amn-k … amn Z Z0 Z1 Z2 …
Z2 … Zn
Siendo Zj = Σ(Cb·Pj) - Cj y los Cj = 0 para todo j comprendido entre 0 y n-k (variables de
decisión, holgura y exceso), y Cj = −1 para todo j comprendido entre n-k y n (variables
artificiales).
- Condición de parada: La condición de parada es la misma que en el método Simplex normal.
La diferencia estriba en que pueden ocurrir dos casos cuando se produce la parada: la función
toma un valor 0, que significa que el problema original tiene solución, o que tome un valor
distinto, indicando que nuestro modelo no tiene solución.
- Eliminar Columna de variables artificiales: Si hemos llegado a la conclusión de que el
problema original tiene solución, debemos preparar nuestra tabla para la segunda fase.
Deberemos eliminar las columnas de las variables artificiales, modificar la fila de la función
objetivo por la original, y calcular la fila Z de la misma forma que en la primera tabla de la fase
1.
FASE 1. Formule un nuevo problema reemplazando la función objetivo por la suma de las
variables artificiales. La nueva función objetivo se minimiza sujeta a las restricciones del
problema original. Si el problema tiene un espacio factible el valor mínimo de la función objetivo
óptima será cero, lo cual indica que todas las variables artificiales son cero. En este momento
pasamos a la fase 2.
· Si el valor mínimo de la función objetivo óptima es mayor que cero, el problema no
tiene solución y termina anotándose que no existen soluciones factibles

FASE 2. Utilice la solución óptima de la fase 1 como solución de inicio para el problema
original. En este caso, la función objetivo original se expresa en términos de las variables no
básicas utilizando las eliminaciones usuales Gauss-Jordan.
2.5 El Metodo Simplex Revisado
METODO SIMPLEX REVISADO (FORMA MATRICIAL)
El método del simplex expuesto, que se denomina básico, se desarrolla a través de cada
iteración transformando completamente una sucesión de tableros al ir cambiando de base.
Teniendo en cuenta que muchos de estos cálculos no hacen falta para la determinación de
cada nueva base y basados en el algoritmo del simples revisado, el cual es realmente un
esquema de ordenación de los cálculos que se llevan a cabo con el método del simplex básico,
prescindiendo y evitando aquellos que sean innecesarios en relación con la solución final del
problema. El inconveniente de este método es que por la forma en que se lleva a cabo induce
más fácilmente a errores en los cálculos a mano que el simplex básico, aspecto que
evidentemente no ocurre si está implementado en computador. En el método del simplex
revisado partimos como en el básico, del problema lineal en forma estandar:
MAX Z = c x
Sujeta a: A x = b
x 0
Dada la base factible B, hay que evaluar si alguna variable no básica Xj puede entrar a la base
para mejorar la función objetivo; para ello utilizamos el costo reducido:
Zj – Cj =CB B aj – Cj
El vector CB está formado por los coeficientes de la función objetivo de las variables y B aj
representa el vector aj en términos de la actual base. El método del simplex revisado no cambia
los vectores yj en cada tabla como el básico, sino que utiliza siempre el vector aj inicial con los
multiplicadores del simples: S= CB B
que si cambian con la base. Es claro que se alcanza una solución óptima cuando:
S aJ-CJ 0 para todo j
La selección de la variable de salida se hace con el mismo criterio que en el simplex básico: si
Xk es la variable seleccionada para entrar a la base, la columna pivote es B ak y los valores
actuales de las variables básicas B b. Se aplica la regla de la mínima razón a estos elementos,
que dando así determinada la variable Xr que sale de la base. Finalmente, la nueva matriz
básica se obtiene sustituyendo la columna ar por la ak en la anterior matriz B. Ejemplo:
MAX Z = 2 X1 + X2 + 3 X3
Con sus restricciones:

Resolver el anterior problema de Programación Lineal aplicando el Método Simplex Revisado.
Solución analítica:
Agregamos variables de holgura X4 y X5 a cada restricción con coeficientes cero (0) en la
función objetivo para tener el problema en la forma estandar; la base inicial B y el vector CB
son:
Z1 – C1 = – 2; Z2 – C2 = – 1; Z3 – C3 = – 3
El valor que más se aleja de cero (0) por la izquierda es Z3 – C3: X3 es la variable que entra a
la base; la razón mínima es 8/2, luego S2 es la variable que sale de la base.
Las variables básicas son ahora (S1, X3) con matriz básica (sustituyendo a5 por a3):
CB = (0 3); S = (0, 3/2) y los indicadores de las variables no básicas son:
Z1 – C1 = 3/2 – 2 = – 1/2; Z2 – C2 = 9/2 – 1 = 7/2; Z3 – C3 = 3/2 – 0 = 3/2 y X1 es la variable
que entra a la base; para determinar la variable de salida calculamos: B b = (3,4) y B a1 =
(5/2,1/2); la razón mínima es 6/5, luego X4 es la variable que sale de la base. Las variables
básicas son ahora (X1, X3) y la nueva matriz básica (reemplazando en la anterior a4 por a1)
es:
CB = (2 3); S = (1/5, 7/5) y los indicadores de las variables no básicas son:
Z2 – C2 = 23/5 – 1 = 18/5; Z4 – C4 = 1/5 – 0 = 1/5; Z5 – C5 = 7/5 – 0 = 7/5 y al ser todos
positivos se ha alcanzado la optimalidad. La solución óptima es:
XB = ( X1, X3 ) = B b = ( 1.2, 3.4)
Solución Optima Unica:
X*1= 1,2; X*2= 0; X*3= 3,4;S*1 = 0; S*2 = 0; Z* = 12,6.
2.6 Casos Especiales Método Simplex
El Método simplex es un procedimiento iterativo que permite ir mejorando la solución a cada
paso. El proceso concluye cuando no es posible seguir mejorando más dicha solución o
cuando esta es óptima. Este método, permite analizar cada variable del problema planteado,
sus variaciones, para determinar cual es la decisión más acertada a tomar en cualquiera que

sea el área de la empresa sobre la cual se presente la incertidumbre. Existen casos especiales
de solución de problemas por medio del simplex, tales como:
• Soluciones Múltiples
• Solución Degenerada
• Solución Infactible
• Sin Solución
A continuación se presenta un análisis detallado de cada caso especial de solución con un
ejemplo práctico.
CASO DE SOLUCIONES MÚLTIPLES
Cuando la función objetivo es paralela a una restricción que se satisface en el sentido de la
igualdad a través de la solución óptima, la función objetivo tomará el mismo valor óptimo en
más de un punto de la solución. Por esta razón reciben el nombre de Múltiples alternativas
óptimas.
CASO DE SOLUCIÓN DEGENERADA
La degeneración ocurre cuando en alguna iteración del método simplex existe un empate en la
selección de la variable que sale. Este empate se rompe arbitrariamente. En este caso decimos
que la nueva solución es degenerada. Sin embargo, cuando suceda esto una o más veces de
las variables básicas, será necesariamente igual a cero en la siguiente iteración. En el método
simplex, la presencia de una variable básica igual a cero, no requiere ninguna acción especial;
en todo caso, es necesario no descuidar las condiciones de degeneración. En términos
geométricos, la degeneración ocurre cuando un vértice está definido por demasiadas
restricciones.
CASO DE SOLUCIÓN INFACTIBLE
En un modelo de Programación Lineal, cuando las restricciones no se pueden satisfacer en
forma simultánea, se dice que este no tiene solución factible. Esta situación nunca puede
ocurrir si todas las restricciones son del tipo MENOR O IGUAL ( ), esto, suponiendo valores
positivos en el segundo miembro, ya que las variables de holgura producen siempre una
solución factible. Sin embargo, cuando empleamos los otros tipos de restricciones, recurrimos
al uso de variables artificiales, que por su mismo diseño no ofrecen una solución factible al
modelo original. Aunque se hacen provisiones (a través del uso de penalizaciones) para hacer
que estas variables artificiales sean cero en el nivel óptimo, esto sólo puede ocurrir si el modelo
tiene una espacio factible. Si no lo tiene, cuando menos una variable artificial será positiva en la
iteración óptima. Desde el punto de vista práctico, un espacio infactible, apunta a la posibilidad
de que el modelo no se haya formulado correctamente, en virtud de que las restricciones estén
en conflicto. También es posible que las restricciones no estén destinadas a cumplirse en forma
simultánea. En este caso, quizás se necesite una estructura del modelo totalmente diferente
que no admita todas las restricciones al mismo tiempo.
CASO DE NO SOLUCIÓN
En algunos modelos de Programación Lineal, los valores de las variables, se pueden aumentar
en forma indefinida sin violar ninguna de las restricciones, lo que significa que el espacio es sin
solución cuando menos en una dirección. Como resultado, el valor de la función objetivo puede
crecer (Maximización) o decrecer (Minimización) en forma indefinida. En este caso, decimos
que el espacio en el cual se espera sea resuelto el modelo, y el valor óptimo de la función
objetivo no tiene solución. La falta de explicación de un modelo puede señalar solo una cosa,
que este se encuentra mal construido. Evidentemente resulta irracional hacer que un modelo
produzca una ganancia infinita. Las irregularidades más probables en este modelo son: 1. No
se toman en cuenta una o más restricciones redundantes
2. No se determinan adecuadamente los parámetros (constantes) de alguna restricción.

Unidad 3 Teoría de la dualidad y Análisis de sensibilidad
Todo problema de Programación Lineal tiene asociado un segundo problema, conocido como
su problema Dual. Ambos están relacionados estrechamente, hasta el punto de que el modelo
de uno puede obtenerse a partir del modelo del otro y la solución óptima del modelo del primero
proporciona información completa acerca de la solución óptima del segundo.
Una de las ventajas de la existencia del problema dual es la posibilidad de reducir el esfuerzo
computacional al resolver ciertos modelos de Programación Lineal. Pero más importante aún
es la relación que existe entre la dualidad y el análisis de sensibilidad, tema del próximo
capitulo, el cual estudia el efecto que las variaciones en los parámetros de un modelo tienen en
la solución óptima de este. Además, los valores óptimos de las variables del modelo dual
suministran información económica muy importante acerca del valor implícito de los recursos
que se utilizan en el problema que se esta resolviendo.
El matemático norteamericano John Von Neumann fue el primero en destacar la existencia de
la dualidad en la programación lineal y a partir de allí el concepto se ha usado en una gran
variedad de áreas teóricas y prácticas de la misma. Para comprender el concepto de dualidad
analicemos los dos casos siguientes.
CONCEPTUALIZACION DE LA DUALIDAD - CASO 1
Una compañía produce dos tipos de artículo; la unidad del tipo 1 se vende a $106 y la del tipo 2
a $144.
Para el presente mes la empresa cuenta con 2000 minutos de mano de obra en el
departamento de ensamble, 1800 en el departamento de revisión y con 1000 en el
departamento de empaque.
El número de minutos requeridos en cada departamento para la fabricación de una unidad de
cada uno de los artículos se da en la siguiente tabla:
Tipo de producto Operación
EnsambleRevision Empaque
Tipo 1 3 2 1
Tipo 2 2 3 2
El pago por minuto es de $10 a los trabajadores del departamento de ensamble, $8 a los de
revisión y de $20 a los del departamento de empaque.
El administrador de la empresa desea determinar cuál es el programa de producción que
maximiza la utilidad total en el mes.
Construcción del modelo
Definamos a Xi como el número de artículos de tipo i que se deben producir mensualmente.
Para plantear la función del objetivo calculemos primero la utilidad unitaria de cada tipo de
artículo, así:
Tipo de producto

Tipo 1 Tipo 2
Precio de venta 106 144
- Costo de produccion 66 84
Costo de ensamble 3(10)=30 2(10)=20
Costo de revisión 2(8)=16 3(8)=24
Costo de empaque 1(20)=20 2(20)
66 84
Utilidad Unitaria $40 $60
de manera que el modelo de programación lineal para este problema es:
Maximizar Utilidad = 40X1 + 60X2
Sujeto a : 3X1 +2X2 < 2000 (Minuto de ensamble)
2X1 +3X2 < 1800 (Minuto de revision)
1X1 +2X2 < 1000 (Minutos de empaque)
con X1,X2 ≥ 0
Si utilizamos el winqsb para resolver el modelo obtenemos el siguiente reporte combinado
lo cual indica que el programa óptimo consiste en producir mensualmente 500 unidades del
producto tipo 1 y 250 del producto tipo 2, obteniendo una ganancia de $35 000 mensuales.
Observamos que hay 50 minutos de holgura en la operación de revisión (slack = 50), mientras
que no hay sobrante en los minutos disponibles para las otras operaciones, ya que las
variables de holgura de las restricciones correspondientes valen cero; por lo cual concluimos
que en este programa de producción se consumen todos los minutos de ensamble y en
empaque que tiene disponibles la empresa. Precisamente el agotamiento de los minutos
disponibles en esas operaciones es el que impide que las variables X1 y X2 puedan tomar un
valor superior, para maximizar aún mas el valor de la función del objetivo.
Efectuando el balance entre los ingresos por ventas y los costos de producción, podemos
verificar que la utilidad obtenida es efectivamente de $35 000:
Ingresos por ventas 500(106) + 250(144) = 89.000
- Costos de produccion 2000(10) + 1750(8) +1000(20) =54.000
= Utilidad =35.000
Como se acaba de decir no se pueden fabricar más artículos ya que se agotaron los recursos,
pero aparece entonces la inquietud de que si fuera posible disponer de minutos adicionales en
alguno de los departamentos del proceso, se pudieran fabricar más artículos aumentando así
las utilidades del periodo.

Con el fin de conocer cómo varía la utilidad (y la solución) al aumentar la disponibilidad de cada
recurso, vamos a efectuar cálculos para tres situaciones diferentes. Primera, cuando
consideramos que se aumenta en un minuto la capacidad de ensamble mientras los minutos de
revisión y de empaque permanecen constantes, segunda cuando aumentamos en un minuto la
capacidad de empaque, pero mantenemos invariable la capacidad de revisión y de ensamble y
finalmente cuando aumentamos en uno los minutos de revisión, dejando invariable la cantidad
de minutos de ensamble y de empaque.
Aumento en la capacidad de ensamble
Al aumentar en un minuto la capacidad de ensamble, el modelo queda:
Sujeto a : 3X1 +2X2 < 2001
2X1 +3X2 < 1800
1X1 +2X2 < 1000
El reporte combinado del winqsb es
La cual corresponde a una utilidad de $35 005 pesos, que es superior en $5 a la obtenida
anteriormente.
El aumento que tiene la función objetivo (acá se llama utilidad) cuando se incrementa en una
unidad un determinado recurso, es lo que se conoce en economía como la utilidad marginal del
recurso.Entonces la utilidad marginal de los minutos adicionales de ensamble es de 5
($/minuto).
Notamos que se aumentó la producción de los artículos tipo 1 en media unidad ( X1 = 550.50),
mientras que se disminuyó la de los artículos tipo 2 en un cuarto de unidad. ( X2 = 249.75).
Además, el sobrante de minutos en revisión es ahora de 49.75 o sea que se rebajó en un
cuarto de minuto. De nuevo se están utilizando totalmente los minutos disponibles en ensamble
y en empaque. Estos nuevos valores de las variables básicas los aprenderemos a calcular en
forma rápida al estudiar más adelante el tema de análisis de sensibilidad.
Calculemos ahora las utilidades marginales de los minutos de terminado y de revisión.
Aumento en la capacidad de terminado
Si los minutos disponibles en terminado se aumentan en uno, el modelo es
Sujeto a : 3X1 +2X2 < 2000
2X1 +3X2 < 1800
1X1 +2X2 < 1001
Cuyo reporte combinado del winqsb es
Ahora la utilidad es de $30025, que resulta ser superior en $25 a la obtenida con la cantidad
inicial de recursos. Así pues la utilidad marginal de los minutos de empaque es de 25
($/minuto). Observamos que se disminuyó en medía unidad el número de artículos de tipo 1
( X1 = 299.50) mientras que se aumentó en tres cuartos el número de unidades de tipo 2 ( X2 =

250.75) y el sobrante en la operación de revisión se rebajó en 1.25 minutos. De nuevo se están
consumiendo todos los minutos disponibles en ensamble y en empaque. Aumento en la
capacidad de revisión
Si los minutos disponibles en revisión se aumentan en uno, el modelo es
3X1 +2X2 < 2000
2X1 +3X2 < 1801
1X1 +2X2 < 1000
Cuyo reporte combinado del winqsb es
Observamos que la utilidad conserva el valor de $35 000, así pues la utilidad marginal de los
minutos de revisión es de $0 ($/minuto). Notamos también que las cantidades producidas de
los artículos conservan su valor (X1= 500, X2 = 250), utilizando la totalidad de minutos
disponibles en ensamble y en empaque, pero ahora el sobrante de minutos en la operación de
revisión aumentó de 50 a 51.
Los resultados obtenidos en este ultimo cambio son de esperarse, puesto que en la solución
óptima del modelo inicial tenemos que hay un sobrante de 50 minutos de revisión, y si
aumentamos en uno la disponibilidad, es lógico que lo único que ocurra es que el sobrante de
ese recurso se aumente en uno, sin producir cambios en el programa óptimo de producción y
por consiguiente tampoco en la utilidad. Por ello la utilidad marginal es cero. Tal como lo
hicimos con el modelo inicial, verifiquemos mediante un balance de ingresos y costos que las
utilidades totales y marginales están correctamente calculadas en cada caso.
Cuando hay aumento de un minuto en ensamble
Ingreso por ventas (500.5)(106) + (249.75)(144) = 89 017
- costo de produccion (2001)(10) + (1750.25)(8) + (1000)(20) = 54 012
=utilidad 35 005
-utilidad anterior 35 000
=utilidad marginal $5*
Cuando hay aumento de un minuto en terminado
Ingreso por ventas (499.5)(106) + (250.75)(144) = 89 055
- costo de produccion (2000)(10) + (1751.25)(8) + (1001)(20) = 54 030
=utilidad 35 025
Cuando hay aumento de un minuto en revisión

Ingreso por ventas (500)(106) + (250)(144) = 89 000
- costo de produccion (2000)(10) + (1750)(8) + (1000)(20) = 54 000
=utilidad 35 000
En el calculo de los costos se destacan en negrilla (2001)(10), para los minutos de ensamble,
(1001)(20), para los minutos de terminado, y (1750)(8), para minutos de revisión; para llamar la
atención sobre el hecho de que se están- valorando todos las 2001 minutos utilizados en
ensamble a $10, lo cual supone que el minuto adicional “valió” los mismos $10 que costaban
los 2000 utilizados inicialmente. Similarmente sucede con los 1001 minutos de empaque,
valorados a $20, con lo cual se toma que el minuto adicional también se paga a $20, y con los
1750 minutos de revisión valorados a $8. Pero veamos qué pasa por, ejemplo, si el precio que
hay que pagar por un minuto extra en ensamble es de $12 ($$2 de recargo sobre el precio
normal de $10). El costo de producción se incrementaría en $2, con lo cual la utilidad marginal
neta de ese minuto extra de ensamble sería apenas de $3.
Algo similar sucede cuando debemos pagar dinero extra por el minuto adicional en empaque.
Si por ejemplo pagamos $28 (un 40% de recargo sobre $20) por un minuto extra, los costos se
aumentan en $8 y la utilidad marginal neta se rebaja a $17 hora.
Naturalmente que si podemos adquirir los minutos extras de ensamble al mismo precio de los
iniciales, obtendremos una utilidad marginal adicional de $5, pero si debemos pagar algún
recargo por ellos, la utilidad adicional se verá reducida en la misma cantidad. Podemos concluir
fácilmente que el máximo recargo que estaremos dispuestos a pagar por un minuto adicional
en ensamble es el equivalente a la utilidad marginal de ese minuto extra, o sea los $5. Nótese
que si el precio del minuto extra fuera por ejemplo $16, estaremos perdiendo $1 por cada
minuto adicional adquirido.
Para el tercer recurso, minutos del departamento de empaque, podemos efectuar una discusión
similar, así: Si conseguimos los minutos extras al precio original, la utilidad marginal es de $25,
pero si pagamos un recargo disminuye la utilidad, por lo cual deducimos que el máximo recargo
que podemos pagar es igual a los $25 de la utilidad marginal de ese recurso. O sea que el
máximo precio que estaremos dispuestos a pagar (obteniendo utilidad marginal neta de $0) es
$45. Al pagar menos de $45 tendremos utilidad marginal y al pagar más obtendremos una
perdida marginal.
Para el departamento de revisión, en el cual tenemos una capacidad no utilizada de 50
minutos, es obvio que no desearíamos ampliar la capacidad y por el contrario estaríamos
interesados en vender este recurso sobrante. Su mínimo precio de venta sería $8, es decir no
buscaríamos utilidad en la venta de estas unidades, pues basta con recibir el precio que
pagamos por ellas para recuperar su costo Podemos concluir que el cálculo de la utilidad
marginal de los recursos es de gran importancia para decidir la negociación de unidades
adicionales de esos recursos cuando ellos están agotados (utilizados el máximo) en un
programa óptimo de producción.
Pero debemos saber que la utilidad marginal de un “recurso agotado” no se mantiene constante
al incrementar la disponibilidad de este, sino que disminuye a partir de cierto valor, relacionado
con el nivel de disponibilidad que conduzca a que el recurso ya empiece a sobrar por ser otro
recurso diferente el que se esté utilizado al máximo. Precisamente, el “recurso sobrante” de
minutos de revisión puede disminuirse hasta un valor tal que ya empiece a escasear (Para
nuestro problema este valor es de 1750 que es el uso real) y a partir de ese valor el recurso
deberá tener utilidad marginal positiva, pues estaría agotado y ya seria alguno de los otros
recursos el que tendría sobrante. El fenómeno mencionado se conoce en Economía como el

concepto de los rendimientos decrecientes, tema que estudiaremos en detalle en el capitulo
dedicado al análisis de la sensibilidad, también llamado análisis de las soluciones post óptimas.
OTRO ENFOQUE DEL MISMO PROBLEMA
Reflexionemos un poco sobre la situación hipotética de “vender” los minutos disponibles en los
tres departamentos, en lugar de utilizarlos para producir unidades de los productos. Nuestra
interés se centrará en la determinación del precio al cual debemos vender un minuto de cada
operación para obtener la misma ganancia que obtenemos en el proceso productivo, o más
exactamente estaremos interesados en hallar la utilidad unitaria que debo fijar a cada recurso,
para ganarme igual dinero que utilizándolos en el proceso de producción.Naturalmente que
debemos aspirar a unas utilidades razonables para que el precio del recurso sea competitivo en
el mercado, o sea que debemos determinar el mínimo valor de la utilidad al vender o arrendar
los recursos disponibles.
Construyamos un modelo de Programación lineal para este problema.
Sean
Yi = utilidad unitaria que debo fijar en el precio de venta del recurso i Como estamos dispuestos
a vender toda la cantidad disponible de los recursos (minutos de ensamble, de revisión y de
empaque), el objetivo será minimizar la siguiente función
Utilidad = 2000Y1 + 1800Y2 + 1000Y3
En el proceso productivo se utilizan 3 minutos de ensamble, 2 de revisión y uno de empaque,
para fabricar una unidad del producto tipo 1,que da utilidad de $40, por lo cual es lógico pensar
que la venta combinada de esas cantidades de los recursos debe arrojar al menos igual
utilidad. La consideración anterior da lugar a la siguiente restricción en el modelo:
3Y1 + 2Y2 + 1Y3 = 40 ($) Utilidad unitaria del artículo tipo uno.
Haciendo una reflexión similar para las unidades de tipo 2, notemos que la venta de 2 minutos
de ensamble, mas 3 de revisión, mas 2 de empaque deben aportar una utilidad mínima de $60,
que es la que se obtiene actualmente fabricando con esos recursos una unidad del artículo 2.
La restricción derivada de este análisis es:
2Y1 + 3Y2 + 2Y3 = 60 ($) Utilidad unitaria del artículo tipo dos.
Si a todo lo anterior le agregamos el detalle de que los valores de las variables Y1, Y2, Y3
deben ser mayores o iguales que cero (la mínima utilidad neta puede ser cero), podemos
plantear el siguiente modelo de programación lineal, para el problema en estudio:
Minimizar Utilidad = 2000Y1 + 1800Y2 + 1000Y3
Sujeto a : 3Y1 + 2Y2 + 1Y3 ≥ 2000 $/unidad del P1
2Y1 3Y2 + 2Y3 ≥ 1800 $/unidad del P2
con Y1,Y2, Y3 ≥ 0
Al resolver este modelo utilizando el winqsb, obtenemos el siguiente reporte combinado:
Hemos obtenido que la utilidad mínima que debe obtenerse al vender un minuto de ensamble
es de $5, al vender un minuto de revisión debe ser de $0, y al vender un minuto de empaque
debe ser de $25, para así obtener una utilidad de $35 000. El valor de la utilidad mínima no

debe asombrarnos, ya que el planteamiento del problema lo sugería, pero sí son novedad los
valores óptimos de las variables de este nuevo modelo, puesto que coinciden con los valores
de las utilidades marginales de los recursos del problema de mezcla de producción, analizado
en primera instancia.
El administrador de la empresa sabe ahora que si otro empresario desea comprarle sus
recursos, lo mínimo que debe cobrarle es $15 por cada minuto de ensamble (= 10 + 5; suma de
lo que debe pagar a sus operarios y lo que debe obtener de utilidad), $45 por cada minuto de
empaque (= 20 + 25). En cambio, por cada minuto de revisión solo debe cobrar los mismos $8
(= 8 + 0; suma de lo que debe pagar a sus operarios y lo que debe obtener de utilidad). Pero
recordemos que estos precios solo son válidos para cierto intervalo, que conoceremos en el
próximo capitulo, por fuera del cual cambia la mezcla óptima de productos y también el valor de
las utilidades marginales. (Una vez obtenidos estos nuevos valores, tanto de las variables
básicas, como de la utilidades marginales, se puede hacer un balance de ingresos y costos
similar al que hicimos para el problema presentado como ejemplo. Para la situación actual, si
los precios en el mercado son inferiores a $15, a $45, o a $8, no es conveniente vender los
recursos, pero teóricamente cuando son superiores, resultaría mas rentable venderlos a otro
que utilizarlos en el proceso productivo.
EL MODELO DUAL
Consideremos conjuntamente los modelos correspondientes a los dos enfoques del problema
que estamos analizando.
El primero busca determinar cuántas unidades producir de cada tipo de artículo para maximizar
la ganancia al utilizar unos recursos:
Sujeto a : 3X1 +2X2 < 2000
2X1 +3X2 < 1800
1X1 +2X2 < 1000
con X1,X2 ≥ 0
El segundo pretende hallar la ganancia mínima que debo fijar por unidad de cada recurso, para
obtener la mínima ganancia total que sea aceptable en lugar de producir artículos con los
recursos.
Minimizar Utilidad = 2000Y1 + 1800Y2 + 1000Y3
Sujeto a : 3Y1 + 2Y2 + 1Y3 ≥ 40 $/unidad del P1
2Y1 3Y2 + 2Y3 ≥ 60 $/unidad del P2
con Y1,Y2, Y3 ≥ 0
Hemos observado que ambos problemas tienen soluciones óptimas que producen igual valor
de la función objetivo. Además mientras que uno enfoca el problema desde el punto de vista de
los artículos (variables de decisión Xi), el otro lo analiza desde el punto de vista de los recursos
(variables de decisión Y¡). Además la solución óptima del segundo coincide con las utilidades
marginales de los recursos calculadas en el punto óptimo del primero.
El primer enfoque da lugar al llamado modelo primo, mientras el segundo origina el modelo
conocido como modelo dual. Entre estos modelos existen múltiples relaciones que nos
permiten, por ejemplo, plantear uno de ellos a partir del otro u obtener la solución óptima de

uno conociendo la solución optima del otro. Pero como se mencionó antes, quizás lo más
importante es el significado económico de las variables del problema dual, cuyos valores
óptimos representan las utilidades marginales de los recursos del problema primal.
Relaciones entre las modelos PRIMO y DUAL
Observando la estructura de ambos modelos podemos citar las siguientes relaciones entre
ellos.
1. Los coeficientes objetivo de uno son los coeficientes recurso del otro.
2. Los coeficientes recurso de uno son los coeficientes objetivo del otro.
3. La matriz de coeficientes tecnológicos de uno es la transpuesta de la matriz de coeficientes
tecnológicos del otro.
4. Ambos problemas están en formato canónico, como lo comprueban más en detalle las
siguientes características
4.1 El objetivo del primo es maximizar en cambio el objetivo del dual es minimizar.
4.2 Las restricciones del Primo son del tipo = , mientras que las del dual son del tipo =.
4.3 Las variables de ambos problemas están restringidas a ser mayores o iguales que cero
CONCEPTUALIZACION DE LA DUALIDAD - CASO 2
Cierta dietista necesita preparar una comida que contenga determinados nutrientes, al menos
en las cantidades que se indican en la siguiente tabla. Dispone de tres ingredientes cuyos
costos y contenidos de cada nutriente (unidades por gramo de ingrediente) se dan en la misma
tabla.
3.1 Formulación Problema Dual
Hemos visto como la programación lineal puede ser usada para resolver una extensa variedad
de problemas propios de los negocios, ya sea para maximizar utilidades o minimizar costos.
Las variables de decisión en tales problemas fueron, por ejemplo, el número de productos a
producir, la cantidad de pesos a emplear, etc. En cada caso la solución óptima no explicó cómo
podrían ser asignados los recursos (ejemplo: materia prima, capacidad de las máquinas, el
dinero, etc.) para obtener un objetivo establecido. En este capítulo veremos que a cada
problema de programación lineal se le asocia otro problema de programación lineal, llamado el
problema de programación dual. La solución óptima del problema de programación dual,
proporciona la siguiente información respecto del problema de programación original: 1. La
solución óptima del problema dual proporciona los precios en el mercado o los beneficios de los
recursos escasos asignados en el problema original. 2. La solución óptima del problema dual
aporta la solución óptima del problema original y viceversa. Normalmente llamamos al
problema de programación lineal original el problema de programación primal.
3.2 Relación Primal Dual
Relación de la solución óptima del problema dual con la solución óptima del problema primo.La
relación principal entre ellos es que tanto el problema primal como el dual buscan el valor
óptimo del sistema.

DUALIDAD
El dual es un problema de PL que se obtiene matemáticamente de un modelo primal de PL
dado. Los problemas dual y primal están relacionados a tal grado, que la solución símplex
óptima de cualquiera de los dos problemas conduce en forma automática a la solución óptima
del otro. El método símplex además de resolver un problema de PL llegando a una solución
óptima nos ofrece más y mejores elementos para la toma de decisiones. La dualidad y el
análisis de sensibilidad son potencialidades de éste método.
En la mayoría de los procedimiento de PL, el dual se define para varias formas del primal,
dependiendo de los tipos de restricciones, de los signos de las variables y del sentido de la
optimización. La experiencia nos indica que en ocasiones, los principiantes se confunden con
los detalles de esas definiciones. Más importante aún es que el uso de esas definiciones
múltiples puede conducir a interpretaciones inconsistentes de los datos en la tabla símplex,
sobre todo en lo que respecta a los signos de las variables.
El concepto de dualidad indica que para cada problema de PL hay una asociación y una
relación muy importante con otro problema de programación lineal, llamado precisamente dual.
 La relación entre el problema dual y su asociado, es decir el problema original llamado
primal, presenta varias utilidades:
 Aporta elementos que aumentan sustancialmente la compresión de la PL.
 El análisis de dualidad es una herramienta útil en la solución de problemas de PL, por
ejemplo: más restricciones que variables.
 El problema dual tiene interpretaciones e informaciones importantes que muestran que los
análisis marginales están siempre involucrados implícitamente al buscar la solución óptima a un
problema de PL.
La forma estándar general del primal se defina como; para maximizar o minimizar.
sujeto a;

¿Cómo convertir un problema primal a dual?
Un problema dual se formula de un problema primal de la siguiente forma:
1. Si el primal es un problema de maximización su dual será un problema de minimización
y viceversa.
2. Los coeficientes de la función objetivo del problema primal se convierten en los
coeficientes del vector de la disponibilidad en el problema dual.
3. Los coeficientes del vector de disponibilidad del problema original se convierten en los
coeficientes de la función objetivo (vector de costo o precio) en el problema dual.
4. Los coeficientes de las restricciones en el problema primal, será la matriz de los
coeficientes tecnológicos en el dual.
5. Los signos de desigualdad del problema dual son contrarios a los del primal.
6. Cada restricción en un problema corresponde a una variable en el otro problema. Si el
primal tiene m restricciones y n variables, el dual tendrá n restricciones y m variables.
Así, las variables Xn del primal se convierte en nuevas variables Ym en el dual.
3.3 Interpretacion Economica del Dual
Precio Sombra.- Se define como la proporción con que mejora el valor de la función objetivo a
partir de la i - ésima restricción, dependiendo si se trata de maximización tiende a aumentar y a
disminuir cuando es de minimización. La interpretación económica de la dualidad se basa
directamente en la interpretación más frecuente del problema primal ( 16 ). Interpretación del
problema dual. Para ver cómo la interpretación del problema primal conduce a una
interpretación económica del problema dual. Notese el valor de Z como: Z = W1b1 + W2b2 +
W3b3 + … + Wmbm donde cada bi Wi puede interpretarse como la contribución a la ganancia
por disponer de bi unidades del recurso i.
Wi se interpreta como la contribución a la ganancia por unidad del recurso i ( i = 1 , 2, . . . ,
m), cuando se usa el conjunto actual de variables básicas para obtener la solución primal.
Si le preguntaramos a un contador - uno que no tenga ni la menor idea de PL- que a partir de
la solucion al problema del enunciado I nos respondiera cual es el costo unitario de producir (y
vender) el bien 1 y el 2 muy probablemente nos mirara primero con cierta desconfianza - pero
si no hay precio de los insumos!!! - para luego , mas cautamente contestarnos que el costo de 1
, dado que se requiere una unidad del insumo A y una de B el costo unitario ( Cua) se
calcularia como Pa + Pb mientras que el costo unitario (Cub) del bien 2 se calcularia como 2Pa
+ Pb , toda vez que se requieren dos unidades de A y una de B por unidad de 2. Eso si se
conocieran los precios de los insumos A y B cosa que se desconoce. Con la misma
desconfianza nos responderia a que el costo total de producir ambos bienes seria igual a:
APa + BPb ( es decir 150Pa + 100Pb). Si finalmente le preguntamos si puede obtener esos
precios de los insumo si se asume que producir y vender 1 y 2 son actividades competitivas en
las cuales o bien no hay beneficio alguno o bien si hubiere perdidas no se produciria el bien, la
respuesta que daria seria : los precios que resuelven el siguiente conjunto de ecuaciones y V el
costo total resultante:

1 = Pa + Pb
1,6 = 2Pa + Pb
V = 150Pa + 100Pb
Hecho esto , nuestro contador nos diria que lo que acaba de hacer no es otra cosa que
imputar precios a los factores productivos , lo que determina que el costo total V sea igual al
ingreso total Z. Resolviendo el sistema anterior obtendria Pa = 0,6 , Pb = 0,4 y V = 130
Si ahora formulamos el problema dual del enunciado I de referencia obtendremos :
min V = 150Pa + 100Pb
sujeto a 1 <= Pa + Pb
1,6<= 2Pa + Pb
y Pa,Pb>=0
Reconocemos inmediatamente que este problema es el problema de minimizacion No 1 cuya
respuesta encontramos arriba y es Pa =0,6 , Pb =0,4 y V= 130. Teniendo en cuenta los
comentarios de nuestro contador arriba, la interpretacion a nuestro problema dual es la
siguiente : Lo que se busca es minimizar el valor imputado a los insumo sujeto a que el
costo (unitario) de produccion de cada bien sea igual o mayor al precio unitario del
mismo. Y aqui nos apresuramos a sacar a relucir el Teorema de Dualidad II para senalar que
si el costo excediera al ingreso de cualquiera de los bienes este no seria producido.
Si le hubieramos preguntado a un economista , en cambio, acerca del costo de producir los
bienes 1 y 2, este nos hubiera contestado algo como sigue: " El costo de oportunidad de una
unidad del factor A - o su precio sombra- en la empresa de referencia se obtiene averiguando
cual es el mejor uso para una unidad adicional de dicho insumo; en este caso , si dejaramos de
producir una unidad del bien 1, se liberarian 1 unidad del factor A y otra de B con lo que
sumados a la unidad de A adicionada se podria producir una unidad del bien 2. O sea que en
terminos de valor se pierde $1 por un lado pero se adiciona $ 1,6 por el otro , es decir se
adicionan $ 0,6 neto como resultado de adicionar una unidad de A - y ajustar optimamente la
produccion-. Este seria el costo o beneficio de oportunidad del insumo A. En terminos analogos
se razonaria para establecer el costo de oportunidad - precio sombra -de una unidad del factor
B. Si se deja de producir una unidad del bien dos - y en consecuencia se liberan 2 unidades de
A y una de B - al adicionar una unidad de B es possible producir 2 unidades del bien 1. En
terminos de valor se pierden $ 1,6 -por la perdida de la unidad del bien 2 -pero se ganan $ 2 -
por la produccion de dos unidades del bien 1- o sea se obtiene un neto de $ 0,4 por la
incorporacion de una unidad adicional de B .El costo de oportunidad de B seria pues $ 0,4."
Comparando los precios sombra de los insumos obtenidos por el economista y los precios
imputados por el contador vemos que estamos describiendo el mismo fenomeno pero de
angulos diferentes. Notemos en este problema que si alguno de los factores no constituyera

restriccion a la produccion -por ejemplo si B fuera igual a 400- la adicion - o para el caso
sustraccion de una unidad de dicho insumo- no modificaria en absoluto el nivel optimo de
produccion- por lo que no adicionaria o sustraeria valor a la actividad desde el punto de vista
del economista o sea que el valor de este insumo pasaria a ser 0. Bajo estas circumstancias -
exceso o superabundancia de B si se prefiere-, el maximo ingreso se obtiene produciendo
solamente el bien 2 - con lo que se obtienen $ 150- . Desde la perspectiva de la PL si la
restricion 2da - la que corresponde a B - se cumple con desigualdad , de acuerdo al Teorema II
de Dualidad , la segunda variable del dual sera igual a 0 , esto es el precio de B - tal como lo
habria previsto el razonamiento economico. En cuanto a nuestro contador , al solamente
producirse el bien 1, ante igual interrogante que el efectuado arriba , este concluiria tambien
que Pb resultaria igual a 0 por cuanto el costo sin beneficios de la actividad 1, la no obtencion
de beneficios en las actividades restantes y la imputacion de todo el costo al ingreso generado
implicaria :
Pa + pb = 1 , 2Pa + Pb >= 1,6 y 150Pa +400Pb = 150
El unico conjunto de precios -no negativos- de los insumos que imputa correctamente- es decir
cumple con las tres condiciones anteriores es Pa = 1 y Pb =0 , el mismo resultado del
economista y del programador lineal.
3.4 Condiciones Khun Tucker
Para identificar puntos estacionarios de un problema restringido no lineal sujeto a restricciones
de desigualdad.
Estas condiciones también son suficientes bajo ciertas reglas. Una condición necesaria para la
optimización es que sea no negativa (no positiva) para problemas de maximización
(minimización).
Esto se justifica como sigue. Considere el caso de maximización. Como mide la taza de
variación de F con respecto a g.
3.5 Dual Simplex
En el algoritmo dual símplex, el problema empieza optimo y no factible. Las iteraciones
sucesivas están diseñadas para avanzar hacía la factibilidad, sin violar la optimalidad. En
iteración, cuando se restaura la factibilidad, el algoritmo termina.
El método dual símplex contrasta con el método regular (primal simplex), en el sentido de que
las iteraciones empiezan factibles y no optimas y no continúan siendo factibles hasta que se
logra la factibilidad.
En el método dual símplex, el cuadro simplex inicial debe tener un renglón objetivo optimo por
lo menos con una variable básica no factible (< 0). Para mantener la optimalidad y,
simultáneamente, avanzar hacia la factibilidad en cada nueva iteración, se emplearan las dos
condiciones siguientes: Condición Dual de Factibilidad: La variable de salida, x, es la variable
básica que tiene el valor más negativo, con empates que se rompen arbitrariamente. Si todas
las variables básicas son no negativas, el algoritmo termina.
Condición Dual de Optimalidad : La variable de entrada esta determinada entre las variables no
básicas como la correspondiente a min {øzj - cj ø, rj < 0} no básicas rj Donde rj es el coeficiente
de restricción de la tabla símplex asociada con el renglón de la variable de salida x, y la
columna de la variable de entrada Xj. Los empates se rompen arbitrariamente. Ejemplo:
Minimice z = 3×1 + 2×2 Sujeta a 3×1 + x2 “ 3 4×1 + 3×2 “ 6 x1 + x2 “ 3 x1, x2 “ 0 La tabla

símplex inicial para el problema se da como Solución básica factible X1 X2 X3 X4 X5 Solución
z −3 −2 0 0 0 0 X3 −3 −1 1 0 0 −3 X4 −4 −3 0 1 0 −6 X5 1 1 0 0 1 3 Las variables X3 y X4 son
superávit, mientras que X5, es una holgura
3.6 Cambios en Vector Costos Cj
Fundamentalmente cuando se trabaja en Programación Lineal es importante realizar un
análisis de postoptimalidad para observar por medio de simulación si los cambios que le vamos
a introducir al modelo original, en qué aspectos nos benefician o nos afectan en las variables
y/o parámetros.Es importante tener en cuenta que los cambios que se realizan en el modelo
original deben ser factibles y deben responder a situaciones reales que la empresa puede
llegar a vivir en un momento determinado. Los cambios en los vectores b, c y en la matriz A
pueden suceder en forma discreta o continua; el cambio discreto indica que una o varias
componentes originales de los vectores o de la matriz son reemplazados por nuevas
cantidades; el cambio continuo en los vectores aj, b y c se da cuando se presentan cambios
así:
donde b, c y aj son vectores respectivamente con las mismas dimensiones que los
vectores b, c, aj; , , son escalares que pueden tomar cualquier valor real. El análisis de
sensibilidad que estudia los cambios continuos se denomina Programación Paramétrica.
Para observar las variaciones que ocurren o no, vamos a ilustrar las diversas situaciones con el
siguiente ejemplo:
MAX Z = 50 X1+ 120 X2
Sujeta a:
· Cambio en un Cj cuando Xj es no básica:
Va a cambiar un número en la fila de Zj - Cj, desde Z*j - Cj hasta Z*j hasta C'j; la nueva
solución sigue siendo factible ya que no se han cambiado las restricciones, ni los
recursos.Cuando hay un cambio en un Cj del primal, solamente cambia el lado derecho de la j-ésima
restricción del dual; puede ocurrir que la solución ya no sea factible (una de las variables
básicas será menor que cero).La función objetivo va a asegurar una solución óptima, porque
los recursos del primal no se han cambiado. Ejemplo:
Se cambia la función objetivo de:
MAX Z = 50 X1+ 120 X2
a:
MAX Z = 80 X1+ 120 X2

El cambio en la función objetivo en la variable X1 es 50 por 80. Este cambio tiene un efecto
sobre el valor de Z*j - Cj en el óptimo actual
Primal: X*1 = 0; X*2 = 20; S*1 = 0; S*2 = 40; Z*= 2400
Dual: Y*1 = 30; Y*2 = 0; S*1= 10; S*2 = 0; W* = 2400 , valores que se pueden convertir en:
Si el valor actualizado de Z*j - Cj > 0 , la solución óptima permanece igual a la del problema
inicial y en el problema dual solo cambia el valor de la variable de holgura S*1. Si el nuevo valor
de Z*j - Cj = 0, la solución óptima permanece igual a la del problema inicial cuando se
presentan soluciones múltiples y en el problema dual solo cambia el valor de la variable de
holgura S*1 cuyo valor será cero (0). Si el valor actualizado de Z*j - Cj < 0 la solución deja de
ser óptima por lo cual se requiere la utilización del simplex, tomando X1 como la variable que
se convertirá en variable básica.
La solución óptima actual es:
Primal: X*1 = 16; X*2 = 12; S*1 = 0; S*2 = 0; Z*= 2720
Dual: Y*1 = 28; Y*2 = 8; S*1= 0; S*2 = 0; W* = 2720
Para que se mantenga la solución actual óptima y factible basta con plantear y resolver la
ecuación que recalcula el valor de Z1 -C1, sabiendo que en el tablero óptimo el valor de C1
debe cumplir con la condición que Z1 -C1 0, por lo cual - C1 60.
· Cambio en un Cj cuando Xj es básica:
Si Xj es básica Z*j - Cj = 0 y Z*j - C'j 0, con lo cual se debe modificar la fila de Z -C en el último
tablero y en algunos casos se debe variar toda la tabla, si la solución del primal dejó de ser la
óptima.En algunos casos cuando Z*j - C'j > 0, la solución es aún óptima.
La nueva solución en el óptimo debe ser óptima o mejorar, pero en algunos casos puede no ser
factible. Ejemplo:
Cambiando la función objetivo de:
MAX Z = 50 X1+ 120 X2
a:
MAX Z = 50 X1+40 X2
El nuevo valor de Z*j - Cj corresponde a una variable básica, cuyo valor será cero (0).
La solucion Optima es:
Primal: X*1 = 16; X*2 = 12; S*1 = 0; S*2 = 0; Z*= 1280
Dual: Y*1 = 7; Y*2 = 12; S*1= 0; S*2 = 0; W* = 2720
Para que permanezca la solución actual óptima y factible basta con plantear y resolver la
ecuación que recalcula el valor de Z*j - Cj de cada una de las variables no básicas, sabiendo
que en el tablero óptimo el valor de C1 debe cumplir con la condición que Z*j - Cj 0, por lo
cual 4 C2 + .

3.7 Cambio en Bi de las Restricciones
· Cambio en un bi (recurso):
Los únicos cambios posibles son en los lados derechos de las restricciones, porque estos lados
dan los valores de las variables de la base y éstas se pueden volver negativas; cuando no hay
cambios en los Z*j - Cj, la solución encontrada sigue siendo óptima.En el caso en que un bi se
vuelva negativo se debe emplear el dual simplex para solucionar el primal. Además es posible
en el problema dual encontrar e interpretar el precio sombra (marginal) y los costos reducidos.
Ejemplo:
Cambiando la segunda restricción de:
3 X1+X2 60
a:
3 X1+X2 50
La solución óptima actual es:
Primal: X*1 = 0; X*2 = 20; S*1 = 0; S*2 = 30; Z*= 2400
Dual: Y*1 = 30; Y*2 = 0; S*1= 10; S*2 = 0; W* = 2400
Para que se mantenga la solución actual factible basta con plantear y resolver las ecuaciones
para encontrar los valores de los nuevos bi, de tal manera que las variables básicas sean 0,
por lo cual -70 b1 170 y 20 b2 +
3.8 Cambio en Coeficientes Xj
· Cambio en aij cuando Xj es no básica:
En estos casos cambian los coeficientes de Xj en todas las filas del tablero; como Xj no es
básica, si la fila Z -C > 0, la solución sigue siendo óptima.
Es más fácil investigar si la solución anterior es todavía óptima con el dual, ya que el único
cambio es en la j-ésima restricción: , porque los valores óptimos de las variables
originales Y*1 = Z no cambian; la solución anterior es factible y aún óptima si la nueva
restricción no se viola. Ejemplo:
Cambiando la segunda restricción de:
3 X1+X2 60
a:
X1+X2 60
La solución actual es:
Primal: X*1 = 0; X*2 = 20; S*1 = 0; S*2 = 40; Z*= 2400

Dual: Y*1 = 30; Y*2 = 0; S*1= 10; S*2 = 0; W* = 2400
Para que permanezca la solución actual óptima basta con plantear y resolver la ecuación que
recalcula el valor de Z1 - C1 con la condición que Z1 - C1 0, por lo cual
3.9 Adicion de Nueva Variable
Muchas veces es necesario analizar la sensibilidad de la solución óptima, cuando se agrega al
modelo una restricción que no se considero inicialmente, ya sea por olvido o por decisión de
quien planteó el modelo.
El primer paso en el análisis de los cambios que sufre la solución óptima actual al considerar
una nueva restricción, es determinar si esta se cumple para la solución óptima.
Para ello deben reemplazarse los valores óptimos de las variables en la nueva restricción y
determinar si se cumple la condición expresada.
En caso afirmativo concluimos que la solución actual no se altera, pues la nueva restricción
también se cumple para ella. Tal caso ocurre en situaciones como la que podemos observar en
la grafica 1, en donde la nueva restricción A no altera la región de factibilidad. Otra situación del
mismo caso es la que se muestra en la gráfica 2 para la nueva restricción B, que sí altera la
región de factibilidad, pero sin modificar el punto óptimo.

Pero cuando los valores óptimos no satisfacen la nueva restricción, concluimos que la solución
óptima actual es infactible. La gráfica 3 nos permite entender como lo que ocurrió fue que la
nueva restricción afectó la región de factibilidad del problema, eliminando de ella el sector que
incluye la solución óptima actual. Debemos entonces encontrar la nueva solución óptima que
corresponda a la nueva región factible.
Efectuemos un análisis del efecto. Supóngase que agregamos al modelo la restricción
am+1 , 1 X1 + am+1 , 2 X2 + ... + am+1 , nXn < bm+1
Para simplificar, definamos el vector fila Tm+1 que contenga todos los coeficientes tecnológicos
am+1,j de la restricción m+1 y escribamos la nueva restricción como el siguiente producto escalar
Tm+1 < X bm+1
Separando los coeficientes de las variables básicas y de las no básicas y agrupándolos en dos
vectores que las contengan, podemos expresar la restricción como:
TBXB + TNXN + Hn+1 = bm+1
Ya que XN = 0, despejando a Hn+1 llegamos a que:
Hn+1 = bm+1 - TBXB
Cuando bm+1 > TBXB, tendremos que Hn+1 será no negativa lo cual implica que la nueva
restricción se cumple en el punto óptimo y la actual solución no cambia.
Pero cuando bm+1< aBXB, tendremos que Hn+1 toma valor negativo,, implicando que la restricción
no se satisface en el óptimo y por ello la solución óptima actual es infactible y debemos hallar la
nueva solución óptima, que cumpla la restricción adicional.
El procedimiento para determinar la nueva solución óptima es:
1. Escribir la nueva restricción al final de la tabla óptima. Considerando a Hn+1 como
variable básica.
2. Efectuar los ajustes necesarios para que los vectores de sustitución de
las variables básicas, sean vectores unitarios.
Al lograr lo anterior, se obtiene un valor negativo para la variable de

holgura que se acaba de adicionar como nueva variable básica, lo cual significa que la
solución actual es infactible, al considerar la restricción adicional
3. Utilizar el algoritmo Dual – Simplex, para intercambiar la variable básica negativa por
una positiva y obtener así una solución óptima factible para el modelo aumentado con
la nueva restricción.
3.10 Adicion de Nueva Restriccion
El último caso es aquel en el que debe introducirse al modelo una nueva restricción después de
que ya se ha resuelto. Este caso puede ocurrir porque se pasó por alto la restricción en un
principio o porque surgieron nuevas consideraciones después de la formulación original. Otra
posibilidad es que a propósito se haya eliminado la restricción para disminuir el esfuerzo
computacional por parecer menos restrictiva que otras ya planteadas en el modelo, pero ahora
es necesario verificar esta impresión con la solución óptima que se obtuvo. Para ver si la nueva
restricción afecta a la solución óptima actual, todo lo que tiene que hacerse es verificar
directamente si esa solución óptima satisface la restricción. Si es así, todavía sería la mejor
solución básica factible (es decir, sería la solución óptima), aun cuando se agregara la
restricción al modelo. La razón es que una nueva restricción sólo puede eliminar algunas de las
soluciones factibles anteriores sin agregar ninguna. Si la nueva restricción elimina la solución
óptima actual, y si se quiere encontrar la nueva solución, se introduce esta restricción a la tabla
simplex final (como un renglón adicional) como si fuera la tabla inicial, en la que se designa la
variable usual (de holgura o artificial) como la variable básica que corresponde a este nuevo
renglón. Como éste tal vez tenga coeficientes distintos de cero para algunas otras variables
básicas, se debe aplicar la conversión a la forma apropiada de eliminación de Gauss y después
cl resto del procedimiento general. Igual que para algunos de los casos anteriores, este
procedimiento para el caso de una adición de una nueva restricción es una versión simplificada
del procedimiento general resumido anteriormente. La única pregunta que hay que hacerse en
este caso es si la solución óptima anterior es todavía factible así que la prueba de optimalidad
se ha eliminado. La prueba de factibilidad se ha reemplazado por una prueba de factibilidad
mucho más rápida (¿la solución óptima anterior satisface la nueva restricción?) que debe
realizarse justo después de la revisión del modelo. Sólo cuando la respuesta a esta prueba es
negativa y se quiere reoptimizar, se usan los siguientes pasos; revisión de la tabla simplex final,
conversión a la forma apropiada de eliminación de Gauss, y reoptimización. EJEMPLO. Como
ejemplo de este caso, supóngase que se introduce la nueva restricción,
2×1 + 3×2 ≤ 24,
Al modelo dado en la tabla 20. El efecto gráfico se muestra en la figura 5. La solución óptima
anterior (0, 9) viola la nueva restricción, por lo que la solución óptima cambia a (0, 8). Para
analizar este ejemplo algebraicamente, obsérvese que (0, 9) lleva a que 2×1 + 3×2 = 27 > 24,
entonces esta solución óptima anterior ya no es factible. Para encontrar la nueva solución
óptima, se agrega esta restricción a la tabla simplex final actual, tal como se describió, con la
variable de holgura x6 como su variable básica inicial. Esto lleva a la primera tabla que se
muestra en la tabla 23. El paso de conversión a la forma apropiada de eliminación de Gauss
requiere restar el renglón 2 multiplicado por 3 del nuevo renglón, con lo que se identifica la
solución básica actual: x3 = 4, x2 = 9, x4 = 6, x6 = −3 (xl = 0, x5 = 0), como se muestra en la
segunda tabla. Cuando se aplica el método dual simplex se obtiene en una sola iteración
(algunas veces se necesitan más) la nueva solución óptima en la tabla final de la tabla |23.
Figura 5 – Región factible

Tabla23 – Procedimiento de análisis de sensibilidad
Unidad 4 Transporte y asignación
4.1 Definicion Problema de Transporte
Problema del transporte
Una empresa dedicada a la fabricación de componentes de
ordenador tiene dos fábricas que producen, respectivamente,
800 y 1500 piezas mensuales. Estas piezas han de ser
transportadas a tres tiendas que necesitan 1000, 700 y 600
piezas, respectivamente. Los costes de transporte, en pesetas
por pieza son los que aparecen en la tabla adjunta. ¿Cómo
debe organizarse el transporte para que el coste sea mínimo?
Un problema particular
que se resuelve con los
procedimientos de la
programación lineal es la
situación conocida como
problema del transporte o
problema de la
distribución de
mercancías.
Se trata de encontrar los
caminos para trasladar
mercancía, desde varias
plantas (orígenes) a
diferentes centros de
almacenamiento
(destinos), de manera que
se minimice el costo del
transporte.
Tienda A Tienda B Tienda C
Fábrica I 3 7 1
Fábrica II 2 2 6
Para que un problema
pueda ser resuelto por el
método del transporte
debe cumplir:
1) La función objetivo y
las restricciones deben
ser lineales.
2) El total de unidades
que salen en origen debe
ser igual al total de
unidades que entran en
destino.
En este tipo de problemas se exige que toda la producción sea distribuida a los centros de
ventas en las cantidades que precisa cada uno; por tanto, no pueden generarse inventario del
producto ni en las fábricas ni en los centros de ventas.
En consecuencia, los 800 artículos producidos en la fábrica I deben distribuirse en las
cantidades x, y, z a A, B y C, de manera que x + y + z = 800. Pero, además, si desde I se
envían x unidades a A, el resto, hasta las 1000 necesarias en A, deben ser enviadas desde la
fábrica II; esto es, 1000 - x unidades serán enviadas desde II a A.
Del mismo modo, si desde I a B se envían y, el resto necesario, 700 - y, deben enviarse desde
II. Y lo mismo para C, que recibirá z desde I y 600 - z desde II.
En la siguiente tabla de distribución se resume lo dicho:
Envíos a la tienda A (1000) a la tienda B (700) a la tienda C (600)

Desde la fábrica I ( 800) x y 800 - x - y
Desde la fábrica II (1500) 1000 - x 700 - y x + y - 200
La última columna la hemos obtenido de la siguiente forma:
Como x + y + z = 800 , se tiene que z = 800 - x - y, de donde, 600 - z = 600 - (800 - x - y) = x +
y - 200.
Ahora bien, todas las cantidades anteriores deben ser mayores o iguales que cero. Por tanto,
se obtienen las siguientes desigualdades:
x 0 ; 1000 - x 0 ; y 0; 700 - y 0 ; 800 - x - y 0 ; x + y - 200 0
Simplificando las desigualdades anteriores, se obtienen las siguientes inecuaciones:
1000 x 0 ; 700 y 0 ; 800 x + y 0
Recordemos que nuestro objetivo es abaratar al máximo los costes de transporte. Estos costes
se hallan multiplicando las cantidades enviadas a desde cada fábrica a cada tienda por los
respectivos costes de transporte unitario.
Se obtiene:
Z = f(x,y) = 3x + 2(1000 - x) + 7y + 2(700 - y) + (800 - x - y) + 6(x + y - 200) = 6x + 10y + 3000
En definitiva, el programa lineal a resolver es :
Minimizar: Z = 6x + 10y + 3000
sujeto a: 1000 x 0
700 y 0
800 x + y 0
La región factible se da en la imagen del margen.
Sus vértices son A(200,0) ; B(800,0) ; C(100,700) ; D(0,700) y
E(0,200).
El coste, el valor de Z en cada uno de esos puntos, es:
· en A, 4200
· en B, 7800
· en C, 10600
· en D, 10000
· en E, 5000
El mínimo se da en A , cuando x = 200 e y = 0.
Luego, las cantidades a distribuir son:
Envíos a la tienda A (1000) a la tienda B (700) a la tienda C (600)
Desde la fábrica I ( 800) 200 0 600

investigacion-de-operaciones-1

investigacion-de-operaciones-1

Recomendados

Recomendados

Mais conteúdo relacionado

Mais procurados

Mais procurados (20)

Destaque

Destaque (20)

Semelhante a investigacion-de-operaciones-1

Semelhante a investigacion-de-operaciones-1 (20)

Último

Último (20)

investigacion-de-operaciones-1