MODELO DE LA PROGRAMACIÓN

LINEAL
Contenidos
6.1. Introducción.
6.2. Requerimientos del modelo de programación lineal.
6.3. El modelo de la Programación Lineal.
6.4. Formulación del modelo de programación lineal.
6.5. El proceso de solución de los programas lineales.
6.6. Solución gráfica y características de un modelo de programa
lineal.
6.7. Solución por computadora.
6.8. Problemas de minimización.
6.9. Casos especiales.
6.10. Análisis de sensibilidad.
6.11. Metodo simplex

6.1 INTRODUCCION
 Decisiones administrativas se relacionan con la utilización eficiente de los recursos.
 Encontrar la mejor asignación a fin de aumentar al máximo las ganancias o disminuir al
mínimo los costos.
 Por lo general los recursos incluyen: maquinaria, mano de obra, dinero, tiempo,
espacios de almacenamiento, materias primas, etc.
 Los recursos pueden ser utilizados para producir bienes (maquinaria, mobiliario,
alimentos, ropa, etc.) o servicios (transporte, publicidad, inversiones, etc.)
 La Programación lineal (Programación Matemática) es una técnica de modelado
matemático, diseñada para ayudar a los administradores en la planificación y toma de
decisiones con respecto a la asignación de recursos.
 Tiene poco que ver con la programación de computadoras, programar se refiere a
modelar y resolver matemáticamente un problema.
 Usamos el adjetivo “lineal” para describir una relación entre dos o más variables que
son directa y precisamente proporcionales.
 La “Programación” utiliza ciertas técnicas matemáticas para llegar a la mejor solución,
empleando los recursos limitados de la empresa.
 Tuvo sus inicios con el método de insumo producto, el modelo de transportación:
Hitchcock, 1941; el problema de la dieta, Stigler, 1945 y Koopmans, 1947, y método
simplex, Dantzing, 1947,
6.2 Requerimientos de un problema de P.L.
 Se requieren ciertos requerimientos básicos:
 Un objetivo bien definido.
 Debe haber un suministro limitado de recursos.
 Cursos alternativos de acción.
 Las ecuaciones o desigualdades deben describir el problema en forma
lineal.
 Debe ser posible establecer relaciones entre las variables mediante
formulaciones matemáticas.
 En general es una técnica de optimización que consiste en la
maximización o minimización de una función lineal, llamada
función objetivo, sujeta a restricciones también lineales y a la
condición de no negatividad de las variables de decisión.
 El criterio de optimización es por lo general un objetivo
económico
6.2 Requerimientos de un problema de P.L.
 Existen cinco requerimientos o condiciones adicionales:
 Certeza: se conocen con certeza los números en el
objetivo y restricciones.
 Proporcionalidad: entre el objetivo y las restricciones.
 Aditividad: El total de todas las actividades es igual a la
suma de las actividades individuales.
 Divisibilidad: la solución no tiene que ser en números
enteros , pueden tomar cualquier valor fraccionario.
 Variables no negativas: no se puede producir un
numero negativo de producto.
6.3 El modelo de la Programación Lineal
 Formulación del problema: proceso de traducir un expresión
verbal de un problema en un enunciado matemático (modelo
matemático).
 Entender el problema a fondo: primer paso para el desarrollo de
un modelo matemático.
 Una vez entendido el problema se comienza a desarrollar el
enunciado matemático del mismo.
 Describir el objetivo.
 Describir cada una de las restricciones
 Definir las variables de decisión.
 Utilizar las variables para escribir las expresiones matemáticas
de la función objetivo y las restricciones.
En general es el proceso de traducir la declaración verbal del
problema en una declaración matemática del mismo
6.3 El modelo de la Programación Lineal
 La declaración se denomina modelo matemático.
n
Opt .( Z )   C j X j
j 1

 Sujeto a:
m n

 a
i 1 j 1
ij X j  bi

 Y a la condición de no negatividad de las variables de decisión

X j 0
6.3. El Modelo de la Programación Lineal.
 La aplicación de la PL implica la ejecución de los siguientes
pasos:
a) Formulación del modelo.
b) Solución del modelo.
 La formulación consiste en determinar el valor de los
coeficientes aij, bi, cj y expresar el problema en una de las
formas del modelo de PL.
 En la formulación es necesario estudiar el sistema teniendo en
cuenta los objetivos que se desea alcanzar.
 La solución consiste en aplicar un método de solución para
hallar el valor del vector Xj que optimice la función objetivo
sujeta a las restricciones estructurales y a la condición de no
negatividad.
6.4. Formulación del modelo de PL.

 La mueblería Rodas fabricas sofás especiales de dos tipos:

Contemporáneo y Americano Clásico. La empresa dispone de
20 horas de mano de obra para el próximo periodo, para
hacer estructuras y 25 horas para tapizar, únicas operaciones.
Los materiales no son una restricción y tampoco la demanda,
un sofá contemporáneo lleva 6 horas para la estructura y 4
horas de tapicería y contribuye con 5 soles a la ganancia. Uno
tipo americano clásico lleva 4 horas para la estructura y 6
horas para la tapicería y contribuye con 6 soles a la ganancia
total. Encuentre la solución entera que maximice la
contribución
6.4. Formulación del modelo de PL.
Productos Disponibili
Recursos Condición
S. C. = X1 S.AC. = X2 dad

M/O para 6 4 ≤ 20
estructuras
M/O para tapizado 4 6 ≤ 25
Ganancia 5 6
Max (Z) = 5X1 + 6X2
Sujeto a:
Restricción de mano de obra para estructuras
6X1 + 4X2 ≤ 20
Restricción de mano de obra para tapizado
4X1 + 6X2 ≤ 25
Y a la condición de no negatividad de las variables de decisión
X1 ≥ 0, X2 ≥ 0
6.4. Formulación del modelo de PL.
 La CIA XX produce tornillos y clavos. La materia prima para los
tornillos cuesta $ 2 la unidad, mientras que la materia prima
para cada clavo cuesta $ 2,50 . Un clavo requiere dos horas de
mano de obra en el departamento Nº 1 y tres horas en el
departamento Nº 2, mientras que un tornillo requiere cuatro
horas en el departamento Nº 1 y dos horas en el
departamento Nº 2. El jornal por hora en ambos
departamentos es de $ 2. Si ambos productos se venden a $
18, y el número de horas de mano de hora disponibles por
semana en los departamentos es de 160 y 180
respectivamente, expresar el problema propuesto como un PL,
tal que se maximicen las utilidades.
6.4. Formulación del modelo de PL.

PRODUCTOS
Recursos Condición Disponibilidad
Tornillos Clavos
Costo de MP 2 2,50
M/O Dpto 1 4 2 ≤ 160
M/O Dpto 2 2 3 ≤ 180
Jornal 2 2
Precio de 18 18
venta
6.4. Formulación del modelo de PL.
X1 = numero de tornillos por semana
X2 = Numero de clavos por semana
Utilidad = precio de venta – costo
Costo de los tornillos = $ 12/Und. + $ 2 / Und. = $ 14/Und.
Utilidad para los tornillos = $ 18 - $14 = $ 4/Und.
Costo de los clavos = $ 10/Und. + $ 2.5 / Und. = $ 12.50/Und.
Utilidad para los clavos = $ 18 - $ 12.50 = $ 5.50/ Und.

Max (Z) = 4X1 + 5,50 X2

Sujeto a:
a) La disponibilidad de mano de obra en el departamento 1
4X1 + 2X2 ≤ 160
b) La disponibilidad de mano de obra en el departamento 2
2X1 + 3X2 ≤ 180
Y a la condición den o negatividad de las variables de decisión
X1 ≥ 0 y X 2 ≥ 0
6.5. El proceso de Solución de Programas Lineales
El proceso de solución de un programa lineal empieza con el
problema expresado en la forma:
n
Opt .( Z )   C j X j
j 1

sujeto a las restricciones lineales

m n

a
i 1 j 1
ij X j  bi

y a la condición de no negatividad de sus variables de decisión

X j 0
O sus equivalentes y consiste en aplicar el método de solución para
hallar el vector X que optimice la función objetivo.
La solución puede ser hallada mediante el método grafico, o en
forma analítica según la complejidad del problema, esto es el método
algebraico o el método simplex, sin embargo los programas
computacionales nos ayudan a resolver los problemas una vez
formulados adecuadamente.
6.6. Solución Grafica de Programas Lineales
 El método grafico tiene la virtud de ser fácilmente comprensible y
permite visualizar las propiedades de los programas lineales.
 Solo es aplicable a problemas de dos y tres variables.
 Consiste en delinear sobre el primer cuadrante (dado la condición de
no negatividad), el conjunto de restricciones a fin de determinar la
región de soluciones factibles y luego graficar sobre ella la función
objetivo, que permitirá obtener la solución optima.
PROCEDIMIENTO:
 Identificar las soluciones que satisfagan todas las restricciones de
manera simultánea.
 Trazar un conjunto de rectas (restricciones) en un grafico que muestre
las soluciones que satisfagan dichas restricciones.
 Determinar la región factible identificando las soluciones que satisfacen
simultáneamente todas las restricciones.
 Trazar la recta que corresponde a la función objetivo a fin de
determinar el punto optimo de solución.
6.6. Solución Grafica de Programas Lineales
Método de solución de línea de isoutilidad
 Igualar las utilidades a alguna suma arbitraria pero pequeña en $, esta expresión es
exactamente la ecuación de una línea de isoutilidad.
 Trazar una línea de función objetivo que muestre los valores de las variables de
decisión que producen un valor especificado para la misma.
 Mover la línea de la función objetivo paralela hacia valores mayores hasta que un
mayor movimiento sacaría a la línea por completo de la región factible.
 Cualquier solución factible en la línea de función objetivo con el valor máximo
encontrado por el procedimiento anterior es una solución optima.
Método de punto de esquina
 Graficar todas las restricciones y encontrar la región factible.
 Encontrar los puntos de esquina de la región factible (solución factible básica).
 Calcular la utilidad (o costo) en cada uno de los puntos de esquina factibles.
 Seleccionar el punto de esquina con el mejor valor de la función objetivo que se
encontró en el paso anterior. Esta es la solución optima.
Ejemplo 1: Un Simple problema de
maximización
 Formulación de PL
Function
Max (Z) = 5x1 + 7x2 Objetivo

s.a. x1 < 6 Conjunto de

2x1 + 3x2 < 19 restricciones

x1 + x2 < 8
Restricciones de
x1 > 0 and x2 > 0 No negatividad
Ejemplo 1: Solución gráfica
 Primero graficamos las restricciones
x2

8
7 x1 = 6
6
Región sombreada
5 contiene todos los
4 puntos posibles
para esta restricción
3
2
(6, 0)
1
x1
1 2 3 4 5 6 7 8 9 10
Ejemplo 1: Solución gráfica
 Segunda restricción
x2

8 (0, 6 1/3)
7
6
5
2x1 + 3x2 = 19

4
3 Región sombreada
2 contiene todos los
puntos posibles (9 1/2, 0)
1 para esta restricción
x1
1 2 3 4 5 6 7 8 9 10
Ejemplo 1: Solución Grafica
 Tercera restricción
x2
(0, 8)
8
7
6 x1 + x2 = 8
5
4 Región
sombreada
3 contiene todos
2 los puntos
posibles para (8, 0)
1
esta restricción
x1
1 2 3 4 5 6 7 8 9 10
Ejemplo 1: Solución gráfica
 Restricciones graficas combinadas mostrando la región
factible x
2

8
x1 + x2 = 8

7
6 x1 = 6
5
4
3
2x1 + 3x2 = 19
2 Región factible
1
x1
1 2 3 4 5 6 7 8 9 10
Ejemplo 1: Solución gráfica

 Función objetivo lineal

x2

8
7
(0, 5)
6 Función Objetivo
5 5x1 + 7x2 = 35
4
3
2
(7, 0)
1
x1
1 2 3 4 5 6 7 8 9 10
 Ejemplo 1: Solución gráfica

 Seleccionando la función objetivo lineal

x2

8
7
5x1 + 7x2 = 35
6
5 5x1 + 7x2 = 39
4
3 5x1 + 7x2 = 42
2
1
x1
1 2 3 4 5 6 7 8 9 10
Ejemplo 1: Solución gráfica

 Solución optima
x2
Línea de función
objetivo máximo
8
5x1 + 7x2 = 46
7
6 Solución Optima
(x1 = 5, x2 = 3)
5
4
3
2
1
x1
1 2 3 4 5 6 7 8 9 10
Resumen del procedimiento de solución gráfica
para problemas de maximización
 Preparar un gráfico de las soluciones viables para cada una de
las restricciones.
 Determinar la región factible que satisfaga simultáneamente
todas las restricciones.
 Dibuje una línea de función objetivo.
 Mover líneas paralelas función objetivo hacia valores más
grandes de función objetivo sin abandonar totalmente la
región factible.
 Cualquier solución viable en la línea de la función objetivo con
el valor más grande es una solución óptima.
Ejemplo 2: Solución Grafica
 RMC es una pequeña empresa que fabrica una variedad de productos basados en sustancias
químicas. En un proceso de producción particular, se emplea tres materias primas para producir
dos productos: un aditivos para combustible y una base para solvente. El aditivo para
combustible se vende a compañías petroleras y se usa en la producción de gasolina y
combustibles refinados. La base para solvente se vende a una variedad de empresas químicas y
se emplea en productos para limpieza en el hogar e industriales. Las tres materias primas se
mezclan para fabricar el aditivo para combustible y la base para el solvente. Una tonelada de
aditivo para combustible es una mezcla de 0.4 Tn. de material 1 y 0.6 Tn. de material 3. Una Tn.
de base para solvente es la mezcla de 0.5 Tn. de material 1, 0.2 Tn. de material 2 y 0.3 Tn. de
material 3.
 La producción de RMC está restringida a una disponibilidad limitada de las tres materias primas .
Para el periodo de producción actual RMC tiene disponibles 20 Tn. de material 1, 5 Tn. de
material 2 y 21 Tn.de material 3.
 Debido a los desechos y a la naturaleza del proceso de producción, los materiales que no se
lleguen a usar en una corrida de producción no se pueden almacenar para las subsiguientes ,
son inútiles y deben desecharse.
 El departamento de contabilidad, analizo las cifras de producción , asigno todos los costos
relevantes y llego a precios que para ambos productos, producirán una contribución a la utilidad
de $ 40 por Tn. de aditivo para combustible producida y $ 30 por cada Tn. producida de base
para solvente.
 Determinar la cantidad de aditivo para combustible y la cantidad de base para solvente por
producir a fin de maximizar la contribución a la ganancia total.
Ejemplo 2: Solución Grafica (RMC)
 Max (U) = 40 X1 + 30 X2
 Sujeta a:
 Restricciones debidas a la disponibilidad de materia prima
0,4 X1 + 0,5 X2 ≤ 20 o 4 X1 + 5 X2 ≤ 200
0,2 X2 ≤ 5 o 2 X2 ≤ 50
0,6 X1 + 0,3 X2 ≤ 21 o 6 X1 + 3 X2 ≤ 210

 Luego delineamos sobre el primer cuadrante (debido a la condición de no

negatividad de las variables) la región de soluciones factibles y graficamos sobre
ella la función objetivo, de manera que encontremos la solución optima al
problema.

Variables de holgura

 Un programa lineal en el que todas las variables son no

negativos y todas las restricciones son igualdades se dice
que es el formulario estándar.
 Formulario estándar se alcanza mediante la adición de
variables de holgura a "menor o igual a" restricciones
 variables de excedentes de restricciones a "mayores o igual
a".
 Las variables de holgura y excedentes representan la
diferencia entre los lados izquierdo y derecho de las
restricciones.
 Las variables de holgura y excedentes tienen coeficientes de
función objetivo iguales a 0.
Variables de holgura.
 A fin de eliminar las desigualdades en e un PL, se agregan variables que
cubren la diferencia entre el lado derecho y el lado izquierdo de una
restricción ≤.
 Son variables que se agregan a la formulación de un problema de PL para
representar la capacidad no usada asociada con una restricción .
 La capacidad no usada no contribuye a la ganancia por lo que tienen un
coeficiente de cero en la función objetivo.
 Si todas las restricciones de un PL se expresan como igualdades se dice que
están escritas en la forma estandarizada.
 Se debe agregar tantas variables de holgura como restricciones de la forma ≤
tenga el problema.
 Todos los problemas de Programación lineal deben llenar dos requisitos:
a. Todo elemento de la columna bi debe ser positivo
b. Los coeficientes de las variables de holgura deben formar una matriz
unidad, es decir, una matriz de igual numero de filas y de columnas, con
unos a lo largo de la diagonal principal y ceros en los demás lugares.
Variables de holgura (para resticciones < )

 Ejemplo 1 en forma estándar

Max 5x1 + 7x2 + 0s1 + 0s2 + 0s3

s.a. x1 + s1 = 6
2x1 + 3x2 + s2 = 19
x1 + x2 + s3 = 8

x1, x2 , s1 , s2 , s3 > 0

s1 , s2 , y s 3
Son variables de
holgura
 Solución optima
x2 3ra.
restricción: 1ra.
8 x 1 + x2 = 8 restricción:
7 s3 = 0 x1 = 6

6 s1 = 1
5
2da.
4
restricción:
3 2x1 + 3x2 = 19
Solución Optima
2
(x1 = 5, x2 = 3) s2 = 0
1
x1
1 2 3 4 5 6 7 8 9 10
Puntos extremos y la solución óptima

 Los vértices de la región factible o esquinas se refieren a los

puntos extremos.
 Una solución óptima para un problema de LP puede
encontrarse en un punto extremo de la región factible.
 Cuando se busca la solución óptima, no tienes evaluar
todos los puntos de solución viable.
 Hay que tener en cuenta sólo los puntos extremos de la
región factible.
Ejemplo 1: puntos extremos

x2

8
7
5 (0, 6 1/3)
6
5
4
4 (5, 3)
3
Región 3 (6, 2)
2 Factible
1 1 (0, 0) 2 (6, 0)
x1
1 2 3 4 5 6 7 8 9 10
Definiciones
 Solución básica: es aquella que se encuentra en la intersección de rectas o
híper planos o en la intersección con los ejes coordenados.
 En un sistema donde existen n variables y m restricciones, una solución
básica se obtiene haciendo (n-m) variables iguales a cero y los valores de
las variables restantes se determinan resolviendo las ecuaciones con las n
variables remanentes. Las n variables se llaman variables básicas.
 A fin de deshacer las desigualdades agregamos una variable de holgura a
cada restricción, de igual manera a la función objetivo pero con coeficiente
cero, de esta manera el programa se convierte en:
Max (U) = 40 X1 + 30 X2 + 0S1 + 0S2 + 0S3
4 X1 + 5 X2 + S1 = 200
2 X2 + S2 = 50
6 X1 + 3 X2 + S3 = 210
 Por este método las variables de holgura toman un valor de CERO (0) lo
que supone que todos los recursos se utilizan a su máxima capacidad
Definiciones
 Región Factible: es aquella que cumple con todas las
restricciones y la condición de no negatividad.
 Solución factible: cualquier punto situado en la región factible.
Vector X de n componentes que pertenece a la región factible.
 Solución factible básica: es una solución básica que pertenece
a la región factible.
 Solución factible básica degenerada: es una solución factible
básica, en la que una o más variables básicas toman el valor de
cero. Si todas las variables básicas, son positivas, se tendrá una
solución factible básica no degenerada.
 Solución optima: es una solución factible que maximiza o
minimiza la función objetivo
Propiedades de una solución al problema de P.L.
 De acuerdo a lo anterior , sabemos que para hallar la solución
de un P.L., es necesario hallar la región factible y luego el
punto (o puntos) optimo sobre la región factible.
 Teorema 1. el conjunto de todas las soluciones factibles al
problema de la PL es un conjunto convexo.
 Teorema 2. la función objetivo alcanza su máximo (mínimo) en
un punto extremo del conjunto convexo, generado por el
conjunto de soluciones factibles al problema de la PL. Si
alcanza este máximo (mínimo) en más de un punto extremo,
entonces, toma el mismo valor para toda combinación
convexa de estos puntos particulares.
Diversos tipos de restricciones
 Restricciones de “mayor o igual que” o límite mínimo: se
presentan generalmente en problemas de minimización donde
el optimo se encuentra en un punto extremo mínimo del
conjunto convexo formado por el conjunto de restricciones.
 Restricciones de “igual que” : los problemas reales presentan
generalmente en forma simultánea restricciones de límite
mínimo o igualdades. La igualdad vuelve, al problema muy
restrictivo, ya que la solución debe no sólo estar en el campo
común a las restricciones, sino, además encontrarse sobre la
línea que representa la igualdad.
6.7. Solución por computadora

 Problemas de LP incluyen ahora miles de variables y miles de

restricciones y rutinariamente se resuelven con paquetes
computacionales.
 Solucionadores de programación lineales son ahora parte de
muchos paquetes de hojas de cálculo, como Microsoft Excel.
 Paquetes comerciales principales incluyen CPLEX, LINGO,
Quantitative Sistem Bussines: QSB, QM para Windows, Tora,
QM Excel con herramienta solver, MOSEK, Xpress-MP y
Premium Solver de Excel, The Management Scientist: TMS,
 Todos poseen una lógica común de solución, basada en el
método simplex y en general desarrollado en una de calculo
Excel.
6.7 Solución por computadora
QM para Windows
 Elegir el modulo de Programación Lineal
 Especificar el número de restricciones, el numero de variables
y si el objetivo debe ser maximizado o minimizado.
 Abrir la ventana de entrada.
 Ingresar los coeficientes de la función objetivo y de las
restricciones.
 Elegir el botón solución (solve)
 Si se elige el botón edición (edit) se modifica el problema y se
regresa a la pantalla de entrada para realizar cualquier cambio
deseado.
6.7. Solución por computadora
Solución del comando Solver de Excel
1. Ingresar los nombres de las variables y los coeficientes de la función
objetivo y las restricciones (celdas B3:C7 del ejemplo).
2. Especificar las celdas donde se localizaran los valores de las variables,
Solver pondrá la solución en ellas (celdas B9:C9).
3. Escribir una fórmula para calcular el valor de la función objetivo (celda
D4) la funcion SUMAPRODUCTO ayuda en esta tarea.
4. Escribir formulas para calcular los lados izquierdos de las restricciones
(Celdas D5:D7).
5. Indicar los signos de restricción (<= ,= y >= ; celdad E5:E7) los signos
reales deben ser ingresados en Solver mas adelante.
6. Ingresar los valores al lado derecho de cada restricción (Celdas F5:F7).
7. Si se desea escribir una fórmula para el excedente de cada restricción
(Celdas G5:G7). Solver también dispone de una opción que permita ver .
En este momento la hoja de cálculo esta alista para la herramienta solver
Solución con QM para Windows y Excel
1. En Excel, elija Datos – solver (Tools Solver). Si solver no aparece en el menú bajo
Datos (Tools), seleccione Datos – Agregar – instalar (Tools-Add-ins) y luego
seleccione la casilla junto a Solver agregar - in. Solver aparecerá entonces en el
menú desplegable datos.
2. Una vez que solver ha sido seleccionado, se abrirá una ventana para el ingreso de los
parámetros solver. Mueva el cursor a la casilla Celda objetivo (Set Target Cell) y llene
la celda utilizada para calcular el valor de la función objetivo (D4).
3. Mueva el cursor a la casilla Cambiando de celdas (Changing Cells) y elija las celdas
que contendrán los valores de las variables (Celdas B9:C9).
4. Mueva el cursor a la casilla Sujeto a las siguientes restricciones (Subject to the
Constrains) y luego seleccione Agregar (Add). Este paso abre la ventana Agregar
Restricción.
5. La casilla Referencia de la Celda (Cell Reference) está reservada para el intervalo de
celdas que contienen los lados izquierdos de las restricciones (Celdas D5:D7).
6. Seleccione el símbolo ≤ para cambiar el tipo de restricción si es necesario. (si hubiera
alguna restricción ≥ o = además de las restricciones ≤, tendría que ingresar todas las
de un tipo, por ejemplo, ≤ , primero, y luego elija Agregar (Add) para ingresar el otro
tipo de restricciones.
Solución con QM para Windows y Excel
7. Mueva el cursor a la casilla Restricción (Constraint) para ingresar los lados
derechos de las restricciones (Celdas F5:F7). Elija Agregar (Add) al finalizar este
conjunto de restricciones y comience a ingresar otro conjunto, o elija Aceptar (Ok)
si no hay más restricciones que agregar.
8. En la ventana Parametros de Solver (Solver parameters), elija Opciones (Options) y
seleccione Adoptar Modelo Lineal (Assume Linear Model) y Adoptar no negativos
(Assume Non – negative). Luego haga clic en Aceptar (Ok).
9. Revise la información en la ventana Solver para asegurarse de que esta correcta y
haga clic en Resolver (Solve).
10. Aparece la ventana Resultados de Solver (Solver Solutions) e indica que encontró
una solución y los valores de las variables aparecen en las celdas B9 y C9, así como
el valor de la función objetivo (Celda D4)y excedentes (Celdas G5:G7)
11. Seleccione Utilizar Solucion de Solver (Keep Solver Solution) y los valores en la
hoja de cálculo se mantendrán en la solución optima. Puede seleccionar que clase
de información adicional Analisis (Answer), Sensibilidad (Sensitivity), Limites
(Limits) Puede seleccionar cualquiera de ellos y seleccionar Ok para generarlos
automáticamente.
Solución con QM para Windows y Excel
 Ejemplo

Caso expuesto

X1 X2 lado izquierso lado derecho Excedente

Funcion Objetivo 5 7 46
Material 1 1 0 5 <= 6 1
Material 2 2 3 19 <= 19 0
Material 3 1 1 8 <= 8 0

Valor de la solucion5 3
6.8. Problemas de minimización.
 Muchos problemas de Pl implican minimizar un objetivo, tal
como el costo en lugar de maximizar una función de utilidad.
 Ej. Desarrollar un horario de trabajo para satisfacer las
necesidades del personal al mismo tiempo que minimiza el
numero total de empleados; un fabricante que pretenda
distribuir sus productos de varias fabricas a sus almacenes
regionales de modo tal que se reduzcan al mínimo los costos
de embarque.; un hospital que desee proporcionar un plan de
alimentación diario para sus pacientes que satisfaga ciertos
estándares nutricionales al mismo tiempo que reduce al
mínimo los costos de adquisición de alimentos.
 Resolver gráficamente implica, primero establecer la región de
soluciones factibles y luego utilizar el método de la esquina o
el método de línea de isocoste para encontrar los valores de
las variables de decisión que den el costo mínimo
Ejemplo 2: Un Simple problema de minimización
 Formulación del PL

Min ( C ) = 5x1 + 2x2

s.a. 2x1 + 5x2 > 10

4x1 - x2 > 12
x1 + x2 > 4

x1, x2 > 0
Ejemplo 2: Solución gráfica

 Grafico de restricciones
 Restricción 1: Cuando X1 = 0, entonces X2 = 2; cuando X2 = 0,
entonces X1 = 5. Conectar (5,0) y (0,2). El ">" lado está por
encima de esta línea.
 Restricción 2: Cuando X2 = 0, entonces X1 = 3. Pero
establecer voluntad X1 a 0 rendimiento X2 =-12, que no
aparece en el gráfico. Por lo tanto, para obtener un segundo
punto de esta línea, establecer X1 a cualquier número mayor
que 3 y resolver para X2 : cuando X1 = 5, entonces X2 = 8.
Conectar (3,0) y (5,8). El "≥" lado está a la derecha.
 Restricción 3: Cuando X1 = 0, entonces X2 = 4; cuando X2 = 0,
entonces X1 = 4. Conectar (4,0) y (0,4). El "≥" lado está por
encima de esta línea.
Ejemplo 2: Solución gráfica

 Grafico de restricciones
x2
6
Region factible
5
4x1 - x2 > 12
4
x1 + x2 > 4
3

2 2x1 + 5x2 > 10

x1
1 2 3 4 5 6
Ejemplo 2: Solución gráfica

 Gráfico de la función objetivo

Establezca la función objetivo igual a una constante
arbitraria (por decir 20) y grafique 5 X1 + 2 X2 = 20, cuando
X1 = 0, entonces X2 = 10; cuando X2 = 0, entonces X1 = 4.
Conectar (4,0) y (0,10).
 Mover la línea de función objetivo hacia optimalidad
Moverlo en la dirección que disminuye su valor (abajo), ya
que estamos minimizando, hasta que toque el último
punto de la región factible, determinado por las dos
últimas restricciones.
Ejemplo 2: Solución gráfica

 Grafico de la función Objetivo

x2 Min (C ) = 5x1 + 2x2
6

5
4x1 - x2 > 12
4
x1 + x2 > 4
3

2 2x1 + 5x2 > 10

x1
1 2 3 4 5 6
Ejemplo 2: Solución gráfica
 Resolver el punto extremo en la intersección de las dos
limitaciones de enlace
4x1 - x2 = 12
x1+ x2 = 4
Añadir estas dos ecuaciones da:
5x1 = 16 o x1 = 16/5
Sustituyendo esto en
X1 + X2 = 4 da: x2 = 4/5

Resolver el valor óptimo de la función objetivo

5x1 + 2x2 = 5(16/5) + 2(4/5) = 88/5

Ejemplo 2: Solución gráfica

 Solución Optima
x2
6
4x1 - x2 > 12
5
x1 + x2 > 4
4
Solución Optima:
3 x1 = 16/5, x2 = 4/5,
5x1 + 2x2 = 17.6
2
2x1 + 5x2 > 10
1

x1
1 2 3 4 5 6
Resumen del procedimiento de solución
gráfica para problemas de minimización
 Preparar un gráfico de las soluciones viables para cada
una de las restricciones.
 Determinar la región factible que satisfaga
simultáneamente todas las restricciones.
 Dibuje una línea de función objetivo.
 Mover líneas paralelas función objetivo hacia los
valores más bajos de función objetivo sin abandonar
totalmente la región factible.
 Cualquier solución viable en la línea de la función
objetivo con el menor valor es una solución óptima.
6.9 Casos especiales
No factibilidad.
 Ninguna solución al problema de la Pl satisface todas las
restricciones, incluyendo las restricciones de no negatividad.
 Gráficamente no existe una región de solución factible, es decir
ningún punto satisface todas las ecuaciones de restricción y las
condiciones de no negatividad de manera simultanea.
 Situación que puede ocurrir si el problema fuera formulado con
restricciones conflictivas.
 Es frecuente en problemas de PL a gran escala de la vida real que
implican cientos de restricciones.
 Ej. Considere 3 restricciones siguientes:
X1 + 2X2 ≤ 6
2X1 + X2 ≤ 8
X1 ≥7
Un problema sin solución factible

X2

X1 ≥ 7
8
2X1 + X2 ≤ 8
6 Región satisfactoria tercera
restricción
4
X1 + 2X2 ≤ 6
2

0
2 4 6 8 X1
Región satisfactoria de las dos primeras © 2006 by
Prentice Hall,
restricciones
To accompany Quantitative Analysis for
Inc.
Upper Saddle
Management, 9e River, NJ
by Render/Stair/Hanna 7-54 07458
6.9 Casos especiales
Ilimitado o no acotado:
 En ocasiones un problema de PL no tiene soluciones finitas.
 una solución es ilimitada si el valor de la solución puede
hacerse infinitamente grande sin violar ninguna de las
restricciones.
 Esta condición podría denominarse utopía gerencial , ello
significa que el problema ha sido formulado en forma
impropia.
 Max (Z) = 3X1 + 5X2
 S.A. X1 ≥5
X2 ≤ 10
X1 + 2X2 ≥ 10
X1 , X2 ≥ 0
 Región de solución que es radicalismo
hacia la derecha
X2

15 X1 > 5
X2 < 10

10
Feasible Region
5 X1 + 2X2 > 10

0
5 10 15 X1
© 2006 by
Prentice Hall,
Inc.
To accompany Quantitative Analysis for Upper Saddle
Management, 9e River, NJ
by Render/Stair/Hanna 7-56 07458
6.9 Casos especiales
Redundancia
 Situación común que ocurre en grandes formulaciones de PL
 No provoca dificultades importantes para solucionar de
manera grafica los problemas de PL, pero se debe ser capaz de
identificar su ocurrencia
 Una restricción redundante es una que no afecta la región de
solución factible.
 Una restricción puede ser mas limitante o restrictiva que otra ,
lo cual niega la necesidad de ser considerada.
Max (Z) = X1 + 2X2
S.A. X1 + X2 ≤ 20
2X1 + X2 ≤ 30
X1 ≤ 25
X1 , X2 ≥ 0
 Un problema con una restricción
redundante
X2

30
2X1 + X2 < 30 Restricción
redundante
20 X1 < 25

X1 + X2 < 20

Región
Factible
© 2006 by X1
0 5 10 15 20 25 Prentice Hall,
Inc.
To accompany Quantitative Analysis for Upper Saddle
Management, 9e River, NJ
by Render/Stair/Hanna 7-58 07458
6.9 Casos especiales
Soluciones optimas alternativas:
 Caso en donde la línea de la función objetivo optima coincide
con una de las líneas de restricción confinantes.
 Mas de una solución proporciona el valor optimo para la
función objetivo.
Max (Z) = 3X1 + 2X2
S.A. 6X1 + 4X2 ≤ 24
X1 ≤3
X1 , X2 ≥ 0
 Un ejemplo de soluciones óptimas
alternativas
Maximize 3X1 + 2X2
Subj. To: 6X1 + 4X2 < 24
X1 <3
X1, X2 > 0

Solución óptima consiste en todas las combinaciones de

X 1 y X 2 a lo largo del segmento AB

6 A Línea de Isoutilidad por $8

AB Línea de Isoutilidad para
el segmento de línea de
B superposiciones de $12

0 3 4
© 2006 by
Prentice Hall,
Inc.
To accompany Quantitative Analysis for Upper Saddle
Management, 9e River, NJ
by Render/Stair/Hanna 7-60 07458
6.10. Teoría de la Dualidad
 Tiene un rol muy importante en la teoría de optimización.
 Es más amplia que la teoría de la programación matemática
 Todo programa matemático, lineal o no lineal, existe asociado a otro llamado
programa dual.
 Definición: dado el programan lineal P en forma canoníca, entonces el programa D es
el dual o programa dual de P, y este es referido como programa primal.
Primal Dual
Max (Z) = Ct X Min (W) = bt Y
Sujeto a: AX ≤ b Sujeto a: At Y ≥ C
X≥0 Y≥ 0
Donde se tiene que:
C : es un vector fila de n componentes
b: es un vector columna de m componentes
A: es una matriz de orden n x m; At , es la transpuesta de A
X: es un vector columna de m componentes cuyos valores deben ser hallados para
maximizar la función Z
Y: es un vector columna de m componentes, cuyos valores deben ser hallados para
minimizar la función W
Teoría de la Dualidad
Podemos realizar las siguientes observaciones:
a. La función económica Z del programa primal está dada por Z=Ct X, las
restricciones del dual están dadas por At Y≥ C; como C es un vector de n
componentes , entonces el primal tiene n variables (X1 ,X2 ,…….., Xn )
mientras que el dual tiene n restricciones, por tanto a cada variable del
primal le corresponde una restricción en el dual.
b. Como b es un vector de m componentes, entonces el primal tiene m
restricciones (AX ≤ b); mientras que el dual tiene m variables (Y1 , Y2
,…….., Yn ). Por tanto a cada restricción del primal, corresponde una
variable en el dual.
c. En el primal el objetivo es maximizar el funcional Z, mientras que en el
dual el objetivo es minimizar el funcional W.
d. El rol del vector C en el primal, corresponde al rol de b del programa dual
y viceversa.
e. A todo programa lineal primal corresponde un programa dual y viceversa.
f. El programa primal utiliza la matriz A, mientras el dual usa At
6.11. Análisis de Sensibilidad
 Estudio de la forma en la que afectan a la solución optima los cambios en
los coeficientes de un programa lineal.
 Cambios en los coeficientes de la función objetivo, Cj
 Cambios en los coeficientes restrictivos ( lado derecho), bi
 Cambios en los coeficientes técnicos del programa, aij
 Convierte una solución estática de la PL en un instrumento dinámico que
evalúa las condiciones cambiantes, cambian los precios de las materias
primas, cambian los precios de los productos, las empresas adquieren
nueva maquinaria, fluctúan los precios de los valores, rota el personal, etc.
 Que tanto pueden variar los coeficientes antes de que pueda obtenerse
una nueva solución optima.
 Solo se inicia cuando se ha obtenido la solución optima analisis de post
optimalidad.
 Cuando los coeficiente que representan costo, beneficio, tiempo, etc.
toman individualmente cualquier valor dentro de este rango, la solución
sigue siendo optima.
 Se resuelve con un analisis de pendiente de cada restricción. Y de la
función objetivo.
6.11. Análisis de Sensibilidad
Analisis grafico:
 Rango de optimalidad: nos da el rango de valores para el coeficiente en el
cual se conservara como optima la solución actual.
 La administración deberá enfocarse en aquellos coeficientes de la función
objetivo que tiene un rango estrecho de optimalidad y en aquellos
coeficientes cercanos a los extremos del rango. Un pequeño cambio en
estos pudiera requerir la modificación de la solución optima.
 Se realiza a través de un analisis de la pendiente de la función objetivo en
relación a las pendientes de las restricciones a partir del punto optimo de
solución:
 La pendiente de la tercera restricción debe ser menor o igual a la
pendiente de la función objetivo y esta menor a la pendiente de la primera
restricción.
mB ≤ f(o) ≤ mA
6.12. El Método SIMPLEX
 Provee un sistema rápido y efectivo para resolver problemas
de PL de n variables.
 Permite resolver problemas de real importancia industrial.
 Llega a la solución optima por medio de iteraciones a pasos
sucesivos.
 Utiliza los conceptos básicos del algebra matricial para
determinar la intersección de dos o más líneas hiperplanas .
 Comienza con una solución factible y sucesivamente obtiene
soluciones en las intersecciones que ofrecen mejores
resultados de la función objetivo.
 Proporciona un indicador que determina el punto en el cual se
logra una solución optima.
6.12. Formulación de la solución simplex inicial
 Elegir la variable que entra y la que sale en la nueva etapa de
solución.
 Determinar los valores de fila entrante.
 Aplicar el método de Jordán y Gauss para determinar los valores
de las demás filas. “Cada uno e los valores de fila menos el
producto del semipivote por cada uno de los elementos de la fila
entrante”.
 Completar hasta que cada uno de los elementos de la fila Zij – Cij
sean nulos o positivos, en cuyo caso hemos encontrado la
solución optima.
6.12. Procedimiento de cómputo simplex
 Planteamos el modelo general de la Pl en su forma estandarizada.
 Max (Z) = C1X1 + C2X2 +… + CnXn + Cn+1Xn+1 +….+ Cn+mXn+m
 Sujeto a:
a11X1 + a12X2 + ……. + a1n + Xn+1 = b1
a21X1 + a22X2 +…….. + a2n + Xn+2 = b2
……. ……. ……. ….. …… …..
am1X1 + am2X2 + …… + amn + Xn+m = bm

Xj ≥ 0 j: 1,……, n+m
Para iniciar el procedimiento simplex , arreglamos la matriz del problema
como se muestra en el tablero siguiente:
6.12. Procedimiento de cómputo simplex

Cj C1 C2 …….. Cn Cn+1 Cn+2 ….. Cn+m

Cj Xj bi X1 X2 ….. Xn Xn+1 Xn+2 …….. Xn+m
Cn+1 Xn+1 b1 a11 a12 …… a1n 1 0 ……. 0
Cn+2 Xn+2 b2 a21
…… a2n a22 0 1 ……. 0
…….. …….. ……… ……… …….. ……. …….. ……. …….. …….. ……..
…….. …….. …….. …….. ………. ………. …….. ……. ……. ………… …….
Cn+m Xn+m bm am1 am2 …….. amn 0 0 ……… 1
Zj Optimo Z1 Z2 …….. Zn Zn+1 Zn+2 …….. Zn+m
Zj -Cj Z1 - C1 Z2 - C2 ……. Zn - Cn Zn+1 - Cn+1 Zn+2 - Cn+2 …….. Zn+m -Cn+m
6.12. Procedimiento de cómputo simplex
 Observamos que la tabla simplex consta de los siguientes
elementos:
1. Una matriz de coeficientes de transformación compuesta
por dos sub matrices: una formada por los vectores
columna de los coeficientes de las variables estructurales,
y la otra, constituida por los vectores columna unitarios de
las variables de holgura.
2. Un vector columna de termino independiente
3. Un vector columna de las variables que pertenecen a la
base Xj
4. Un vector columna de los coeficientes de beneficio o de
costo asociados a las variables que pertenecen a la base Ci
6.12. Procedimiento de cómputo simplex
Algoritmo Simplex
Suponiendo que se ha hallado la solución factible básica inicial, el procedimiento para la solución
optima es:
1. Transformar la forma canónica a la forma estándar y luego expresarla en el formato simplex
establecido.
n
2. Calcular los elementos de fila de acuerdo a : Z j  ,C j aij i : 1, …., m
3. Calcular la fila Zj – Cj j 1

a) Si al menos para un j, Zj – Cj es negativo y al menos un aij para ese j es positivo, existe un

mejor programa factible.
b) Si para un j, Zj – Cj es negativo, pero los aij para este son negativos , la función objetivo no
está acotada.
c) Si todos los Zj – Cj son positivos y ceros, el programa (solución) optimo se ha encontrado, lo
cual no sucede generalmente en la primera tabla.
4. Si estamos en el paso 3.a), identificamos la variable que da el menor valor Zj – Cj como el Xj que
ingresara en la siguiente etapa de solución.
5. Dividimos bi o la n - ésima fila entre cada uno de los elementos de la Xj elegida para identificar la
variable que dejara su lugar a la variable elegida en el paso anterior, esta variable corresponde al
menor cociente de esta.
6. Repetimos los pasos 3, 4 y 5 hasta que en algún tablero se cumpla la condición 3.c). Entonces se
ha obtenido la solución optima. Este procedimiento nos asegura que la solución hallada en cada
paso tiene un valor mayor , o al menos igual, que el de su predecesor.
6.13. Variables de holgura, de exceso y artificiales
 Son aquellas que se introducen para convertir una restricción bajo el
signo de “menor o igual que” en una ecuación.
 Puede interpretarse como la cantidad de productos imaginarios que
“se deben” producir tal que cada producto de este tipo (imaginario)
requiere una unidad de un recurso.
 “Nivel de holgura” es el valor generar asumido por una variable de
holgura. Indica por ej. Tiempo de ocio, demandas insatisfechas,
recursos no utilizados, etc.
 Un sistema de ecuaciones de programación lineal tiene n+m
variables y m ecuaciones, donde el sistema es indeterminado, ya
que para resolverlo se deberían tener tantas ecuaciones como
incógnitas.
 Para el caso de minimización, las restricciones estructurales son de
la forma “mayor o igual que” o de limite mínimo.
 Para convertir las desigualdades en igualdades se requiere sustraer
variables en lugar de agregar, estas variables toman el nombre de
“variables de exceso” que convierten las desigualdades en
igualdades.
6.13. Variables de holgura, de exceso y artificiales
 Las variables de exceso pueden ser interpretadas como demasías o
regalos lo cual es inaceptable por ser violatorio de la condición de
no negatividad.
 El programa inicial en el método simplex se obtiene haciendo que
las variables estructurales tomen el valor de cero.
 Se propone una modificación a partir de esta etapa del simplex:
hacer que las variables estructurales tomen un valor nulo en las
ecuaciones precedentes en forma tal que las variables de exceso,
permaneciendo positivas, satisfagan dichas ecuaciones.
 Esto se cumple introduciendo en las desigualdades originales
además de las variables de exceso, las llamadas variables
“artificiales” las cuales pueden interpretarse como “productos
imaginarios”
 Las variables de exceso y Las artificiales no guardan correspondencia
en relación a su influencia en los costos, es decir que mientras las
variables exceso tiene coeficientes nulos de costo, cada variable
artificial recibe una asignación de coeficiente de costo infinitamente
grande (M)
6.14. Caso de maximización
 Max (U) = 40 X1 + 30 X2
 Sujeta a:
 Restricciones debidas a la disponibilidad de materia prima
0,4 X1 + 0,5 X2 ≤ 20 o 4 X1 + 5 X2 ≤ 200
0,2 X2 ≤ 5 o 2 X2 ≤ 50
0,6 X1 + 0,3 X2 ≤ 21 o 6 X1 + 3 X2 ≤ 210
6.14. Caso de maximización
 Cj 40 30 0 0 0
Xj bi X1 X2 S1 S2 S3
0 S1 200 4 5 1 0 0 50
0 S2 50 0 2 0 1 0 α
0 S3 210 6 3 0 0 1 35
Zj 0 0 0 0 0 0
Zj - Cj -40 -30 0 0
0 S1 60 0 3 1 0 -0.67 20
0 S2 50 0 2 0 1 0 25
40 X1 35 1 0.5 0 0 0.167 70
Zj 1400 40 20 0 0 6.667
Zj - Cj 0 -10 0 0 6.667
30 X2 20 0 1 0.333 0 -0.22
0 S2 10 0 0 -0.67 1 0.444
40 X1 25 1 0 -0.17 0 0.278
Zj 1600 40 30 3.333 0 4.444
Zj - Cj 0 0 3.333 0 4.444
6.14. Caso de minimización
 Las restricciones son la forma “mayor o igual que” o de limite minino.
 Se requiere convertir las desigualdades en igualdades.
 Restamos las variables de exceso al lado izquierdo de cada restricción.
 Vemos que a partir de una solución básica, las variables de exceso son violatorias de
la condición de no negatividad, por tanto, agregamos las variables artificiales que
pueden interpretarse como “productos imaginarios” que no guardan correspondencia
en relación a los costos, esto es que, las variables de exceso tienen coeficientes nulos
de costo y las variables artificiales reciben un coeficiente de costo (M) infinitamente
grande que permite que ellas no tomen parte en la solución optima.
 En cuanto al criterio de la variable de entrada este es inverso al problema de
maximización , igualmente para el caso de la solución optima.
 CASO: Una persona requiere cierta cantidad diaria de vitaminas A y B , las cuales se
encuentran en los alimentos pan y queso, cuyo costo es de $ 3 y $ 2,5
respectivamente. Un Kg. de pan contiene 2 unidades de la vitamina A y 3 unidades de
la vitamina B, un kg. de queso contiene 4 unidades de la vitamina A y 2 unidades de la
vitamina B, el requerimiento diaria de la vitamina A es de por lo menos 40 unidades
y 50 unidades de la vitamina B. determinar las cantidades optimas de los alimentos
que deben ser comprados en forma tal que los requerimientos diarios de vitaminas
sean satisfechos y se minimice el costo de compra de dichos alimentos.
6.14. Caso de minimización

Cj 3 2.5 0 0 M M
Cj Xj bi X1 X2 S1 S2 a1 a2
M a1 40 2 4 -1 0 1 0 10
M a2 50 3 2 0 -1 0 1 25
Zj 90M 5M 6M (-M) (-M) M M
Zj -Cj 5M-3 6M-2.5 (-M) (-M) 0 0
para M=1 2 3.5 -1 -1 0 0
2.5 X2 10 0.5 1 -0.25 0 0.25 0 20
M a2 30 2 0 0.5 -1 -0.5 1 15
Zj 25+30M 1.25 + 2M 2.5 (-0.625 + 0.5M) (-M) 0.625 - 0.5M M
Zj -Cj (-1.75 +2M) 0 (-0.625-0.5M) (-M) (0.625 -1.5M) 0
para M=1 0.25 0 -1.125 -1 -0.875 0
2.5 X2 2.5 0 1 -0.375 0.25 0.375 -0.25
3 X1 15 1 0 0.25 -0.5 -0.25 0.5
Zj 51.25 3 2.5 -0.1875 -0.875 0.1875 0.875
Zj -Cj 0 0 -0.1875 -0.875 (0.1875-M) (0.875-M)
Conclusiones
 Todos los problemas de PL, deben de cumplir dos condiciones:
1. Todo elemento de la columna bi debe ser positivo
2. Los coeficientes de las variables de holgura deben formar una
matriz unidad, es decir de igual número de filas y de columnas , con
unos a lo largo de la diagonal principal y ceros en los demás lugares.
• Por otro lado, si el problema es de maximización y una o mas
restricciones es de la forma “mayor o igual que” se debe hacer uso de
las variables artificiales a fin de formar la matriz identidad en las
restricciones, luego se agrega estas variables artificiales en la función
objetivo pero con coeficiente –M, y + M si el problema es de
minimización.
• En ambos casos M es una cantidad positiva de valor indefinido pero
superior a cualquiera de las cifras que aparezcan en el problema.