Part01

Luis Alberto Rincón Abril
UNIVERSIDAD
NACIONAL
DE COLOMBIA
Sede Palmira
Departamento de Ciencias Básicas
UNIVERSIDAD NACIONAL DE COLOMBIA
Sede Palmira
DEPARTAMENTO DE CIENCIAS BÁSICAS
INVESTIGACiÓN DE OPERACIONES PARA INGENIERíAS

Y ADMINISTRACiÓN DE EMPRESAS
Por: LUIS ALBERTO RINCÓN ABRIL

In9. M.Sc. Profesor Asociado
Palmira, junio de 2001

© Universidad Nacional de Colombia - Sede Palmira
Luis Alberto Rincón Abril
Junio de 2001
ISBN : 958-8095-09-3
Derechos reservados .
Impreso en los talleres gráficos de

Impresora Feriva S.A.
Calle 18 No. 3-33
Tel éfono: 8831595
E-mail : feriva@feriva .com
Cali , Colombia
A mi esposa María Nelly,
apoyo y aliento para culminar tareas.
A mis hijas Liliana y Andrea,

esperanza y realidad para construir futuro.
TABLA DE CONTENIDO
LISTA DE FIGURAS 7
INTRODUCCiÓN. 9
1. GENERALIDADES SOBRE INVESTIGACiÓN DE OPERACIONES. 10
1.1 NATURALEZA DE LA INVESTIGACIÓN DE OPERACIONES. 10

1.I.1 Ejemplos. 13
1.2 REPRESENTACIÓN POR MEDIO DE MODELOS. 14
1.3 EJERCICIOS PROPUESTOS. 15
2. PROGRAMACiÓN LINEAL. 16
2.1 EL CAMPO DE LA PROGRAMACIÓN LINEAL. 16
2.2 MODELOS MATEMÁTICOS DE PROGRAMACIÓN LINEAL. 17

2.2.1 Función lineal. 18
2.3 ESTRUCTURA GENERAL DEL MODELO MATEMÁTICO. 18

2.3.1 Metodología para obte ner el modelo. 19
2.3.2 Solución factible. 19
2.3.3 Solución óptima. 20
2.3.4 Ejemplos de modelos. 20
2.4 MÉTODO GRÁFICO DE SOLUCIÓN. 28

2.4.1 Conceptos Matemáticos básicos. 28
2.4.2 Región de soluciones factibles. 29
2.4.3 Solución Óptima. 30
2.5 MÉTODO SIMPLEX. 31

2.5.1 Forma Matricial del Programa Lineal. 32
2.5.2 Forma Canónica del Programa Lineal. 32
2.5.3 Forma básica del Programa Lineal. 33
2.5.4 Fundamentos Matemáticos del Algoritmo Simplex. 34
2.5.5 Teoría del método Simplex. 35
2.5.6 Criterio de optimalidad. 40
2.5.7 Criterios Primal y Dual Simplex. 40
2.6 ALGORITMO SIMPLEX. 41

2.6.1 Tablero inicial Simplex. 42
2.6.2 Verificación del criterio de optimalidad. 43
2.6.3 Elemento pivote. 43
2.6.4 Ejemplos con el Algoritmo Simplex. 43
2.6.5 Relaciones vectoriales y matriciales. 48
2.6.6 Definiciones básicas. 48
2.6.7 Relaciones básicas. 49
2.6.8 Casos particulares. 49
2.7 ANÁLISIS POST-ÓPTIMO O DE SENSIBILIDAD. 53

2.7.1 Cambios en el vector b. 53
2.7.2 Cambios en el vector C. 54
2.7.3 Cambios en los coeficientes tecnológicos Yj' 54
2.7.4 Ejemplo de problema de producción con pos-optimización. 55
2.8 USO DEL COMPUTADOR EN LA PROGRAMACIÓN LINEAL. 60

2.8.1 El Software Progralineal. 61
2.8.2 El uso de la herramienta Solver. 62
~.9 EJERCICIOS Y PROBLEMAS PROPUESTOS. 67
3. PROGRAMACiÓN ENTERA. 73
.\. 1 QUÉ ES LA PROGRAMACION ENTERA. 7.~
.'. : I'RINCII'ALES MODELOS. 7-1

J.2.1 Problema entero (PE). '/ -1
3.2.2 Problema entero mixto (PEM). 75
3.2.3 Problema entero cero uno o binario (I'ECU). 75
3.2.4 Ejemplo de Modelo. 76
3.2.5 Método de bifurcación y acotación. 78
.'.3 EJERCICIOS Y PROBLEMAS PROPUESTOS. 91
4. EL PROBLEMA DEL TRANSPORTE. 94

-1. 1 DEFINICiÓN DEL PROBLEMA DEL TRANSPORTE. 95
·U MODELO DEL PROBLEMA DEL TRANSPORTE. 95

4.2.1 El Problema de decisión. 95
4.2.2 Variables de decisión. 96
4.2.3 Función Objetiva. 96
4.2.4 Rest ricciones. 96
4.2.5 Modelo de Programación Lineal. 97
4.2.6 Particularidad. 97
-u MÉTODO DE SOLUCiÓN DEL PROBLEMA DEL TRANSPORTE. 98

4.3.1 Tablero para el Algoritmo de solución. 98
4.3.2 Solución inicial. 99
4.3.3 Método de la Esquina Noroeste. 99
4.3.4 Método sucesivo del menor costo unitario. 99
4.3.5 Método de aproximación de Vogel. 99
4.4 ALGORITMO DEL PROBLEMA DEL TRANSPORTE. 102
4.4.1 Método de los Multiplicadores. 102
4.4.2 Método de "salto de piedras". 102
4.5 EJERCICIOS Y PROBLEMAS PROPUESTOS 106
5. EL PROBLEMA DE ASIGNACiÓN 109
5.1 MODELO DEL PROBLEMA DE ASIGNACIÓN. 109

5.1.1 Problema de decisión. 109
5. 1.2 Variables de decisión. 110
5.1.3 Función Objetiva. 110
5.1.4 Restricciones. III
5.1.5 Modelo de Programación Lineal. III
5.2 MÉTODO DE SOLUCIÓN DEL PROBLEMA DE ASIGNACIÓN. 112
5.3 EJERCICIOS Y PROBLEMAS PROPUESTOS. 118
6. MODELOS DE REDES 119
6.1 TERMINOLOGíA DE REDES. 121
6.2 PROBLEMA DE LA RUTA MÁS CORTA. 122

6.2.1 Algoritmo de la ruta más corta. 12-'
6.2.2 Otras aplicaciones. 12..
6.3 PROBLEMA DEL ÁRBOL DE EXPANSIÓN MÍNIMA. 123

6.3.1 Algoritmo para el problema del árbol de expansión mínima. 126
6.4 FLUJOS EN REDES. 129
6.5 PROBLEMA DEL FLUJO MÁXIMO. 129

6.5.1 Variables de decisión. 130
6.5.2 Restricciones. 131
6.5.3 Algoritmo de trayectorias de aumentos. 132
6.6 FLUJOS DE COSTO MíNIMO. 137

6.6.1 Modelo matemático delllujo de costo mínimo. 137
6.6.2 Solución con Programación Lineal. 141
6.6.3 Solución Heurística. 144
7. PROGRAMACiÓN DE PROYECTOS CON PERT-CPM. 148
7.1 FASES DE PROGRAMACIÓN. 149

7.1.1 Fase de Planeación. 149
7.1.2 Fase de Programación. 150
7.1.3 Fase de Control. 150
7.2 TERMINOLOGÍA EN LOS DIAGRAMAS DE RED. 150

L U IS ALI3E RTO RINCON A I3RIL
7.3 LA RUTA CRÍTICA. 153

7.3.1 Determinación de la Ruta Crítica. 154
7.3.2 Identificación de las actividades de la Ruta Crítica 156
7.3.3 Determinación de las holguras. 157
7.4 DIAGRAMA DE TIEMPO. 158
7.5 EL ENFOQUE DE TRES TIEMPOS ESTIMADOS DE PERT. 160
8. MODELOS DE INVENTARIOS 166
8.1 TERMINOLOGÍA EN LOS MODELOS DE INVENTARIOS. 167
8.2 MODELO DETERMINÍSTICO SIMPLE. 168
8.3 MODELO DETERMINÍSTICO CON ENTREGAS RETRASADAS. 172
9. MODELOS DE ESPERA O TEORíA DE COLAS. 177
9.1 PROCESO BÁSICO DE UNA COLA. 177
9.2 DISCIPLINA DE LA COLA. 179
9.3 TERMINOLOGÍA BÁSICA. 180
9.4 EL PROCESO DE POISSON. 180

9.4.1 Tiempos entre llegadas, Proceso Poisson. 18 1
9.5 EL PROCESO DE NACIMIENTO Y MUERTE. 182
9.6 MODELOS DE COLAS CON PROCESOS DE NACIMIENTO Y MUERTE. 187

9.6.1 Modelo MIM/l. 187
9.6.2 Modelo M/Mls. 189
10. MODELOS DE DECISiÓN MARKOVIANOS 193
10.1 PROCESOS ESTOCÁSTICOS. 193
10.2 CADENAS DE MARKOV. 194

10.2.1 Ejemplos de Cadenas de Markov. 195
10.3 ECUACIONES DE CHAPMAN KOLMOGOROV. 197
10.4 CLASIFICACiÓN DE LOS ESTADOS DE UNA CADENA DE MARKOV. 198

10.4.1 Estado estable de las cadenas de Markov. 199
10.4.2 Costo promedio esperado por unidad de tiempo. 201
10.4.3 Estados absorhentes. 202
10.5 MODELOS DE DECISiÓN MARKOVIANOS. 204

10.5.1 Modelo para procesos de decisión Markovianos. 207
10.5.2 Uso de la Programación Lineal. 209
APÉNDICE A. 217
A. ELEMENTOS nÁslcos SOBRE MATRICES Y VECTORES. 217
A.l MATRIZ. 217
A.2 ALGUNAS MATRICES ESPECIALES. 217
A.31GUALDAD DE MATRICES. 219
A.4 OPERACIONES PARA MATRICES. 219
A.5 VECTORES. 220
A.6 DETERMINANTES. 223
A.6 OTRAS MATRICES ESPECIALES. 224
A.7 ECUACIONES LINEALES SIMULTÁNEAS. 225
A.8 EJERCICIOS PROPUESTOS. 228
BIBLIOGRAFíA 230
LISTA DE FIGURAS
Figura 1. Región de soluciones factibles para las restricciones Rl, R2 Y R3. 30
Figura 2. Esquema del Algoritmo Simplcx. 41
Figura 3. Forma inicial del Tablero Simplex. 42
Figura 4. Hoja de cálculo en Excel para el uso de Solver. 64
Figura s. Cuadro de diálogo de Solver para resolver el ejemplo. 65
Figura 6. Hoja de cálculo en Excel una vez se aplica Solver. 66
Figura 7. Diagrama de solución IJara el ejemplo. 81
Figura 8. Diagrama de solución para el problema. 88
Figura 9. Representación Gráfica del problema del transporte. 95
Figura lO. Gráfica para el cambio de flujo en el tablero de transporte. 103
Figura 11. Cambio de flujo de unidades del tablero inicial. 104
,,' igura 12. Cambio de flujo de unidades del segundo tablero. lOS
Figura 13. Sistema de vías para el transporte en autobuses de una ciudad. 120
Figura 14. Posibilidades de construir una red eléctrica entre siete municipios. 127
Figura 14-1. Diseño para construir una red eléctrica entre siete municipios. 128
Figura 15. Red de oleoductos. 130
Figura 16. Solución factible para una Red de flujo máximo propuesta. 132
Figura 17. Red residual para el ejemplo de flujo máximo. 133
Figura 20. Red sin trayectorias de aumento para el ejemplo de flujo máximo. 135
Figura 21. Red de distribución de bienes. 140
Figura 22. Hoja de trabajo en EXCEL para el ejemplo de la red de distribución. 141
Figura 23. Cuadro de diálogo de SOLVER en EXCEL. 142
Figura 24. Hoja EXCEL con la solución SOLVER para la red de distribución. 143
Figura 25. Uso de actividades ficticias. 151
Figura 26. Uso dc actividadcs ficticias. L52
Figura 27. Diagrama de red para el proyecto del traslado de las oficinas. 153
Figura 28. Diagrama de ticmpo para el proyecto de traslado de olicinas. 159
Figura 29. Distribución beta para las tres estimaciones dc tiempo dc PERl'. 162
Figura 30. Modelo Dctcrminístico Simple. 168
Figura 31. Modelo Dctcrminístico Simple con ticmpo de demora. 171
Figura 32. Modelo Determinístico con entregas retrasadas. 173
Figura 33. Modelo Detcrminístico con reabastecimiento uniforme. 176
Figura 34. Proceso básico de Colas. 178
Figura 35. Modelo de Colas. 179
Figura 36. Diagrama de tasas para el proceso de nacimiento y muerte. 185
Figura 37. Diagrama de tasas para el modelo M/M/s. 189

INTRODUCCiÓN.
Con el advenimiento de los computadores se hace posible , de manera diversa,

disponer materiales didácticos y de consulta para los estudiantes que cursan las
diferentes materias en la Universidad.
Este texto es una de los resultados obtenidos por el autor en la investigación

desarrollada para obtener nuevos materiales didácticos en la enseñanza y
aprendizaje de la Investigación de Operaciones. La otra parte, es una opción que el
lector tiene de acompañar este texto guía y de consulta con el material didáctico
usado por el profesor para el desarrollo del curso, copiándolo de Internet en la
dirección ftp://www.palmira.unal.edu.co/ En esta misma dirección se
encuentra disponible el software desarrollado por el autor para la solución de
programas lineales llamado Progralineal. Así mismo, este material se puede solicitar
a la dirección luchorin@hotmail.com . Tanto el material didáctico como
Progralineal , deben ser instalados en el computador que los correrá.
El texto y el material didáctico están divididos en diez secciones que cubren los temas
del curso de Investigación de Operaciones para la carrera de Administración de
Empresas de la Universidad Nacional de Colombia, Sede Palmira.
Cada tema se ilustra con suficientes ejemplos y al final de cada sección se proponen
ejercicios para que sean resueltos por el lector.
9
1. GENERALIDADES SOBRE INVESTIGACiÓN DE OPERACIONES.
La tendencia moderna de muchas de las componentes de la organización a

convertirse en entes autónomos, con sus propias metas, sistemas y valores;
perdiendo con esto la visión de cómo encajan sus actividades y objetivos en toda la
organización; lo que puede conllevar a las varias componentes de la organización a
trabajar con objetivos opuestos. Con el crecimiento, complejidad y especialización que
tienen actualmente estas componentes, se ha vuelto más difícil asignar los recursos
disponibles de la forma más eficaz a las diferentes actividades de la organización.
Este tipo de problemas, unido a la necesidad de conseguir la mejor manera de
resolverlos, crearon el ambiente adecuado para la Investigación de Operaciones. Su
aparición se remonta a muchas décadas, cuando se hicieron los primeros intentos
para emplear el método científico en la administración de empresas; sin embargo su
aparición siempre se atribuye a los servicios militares prestados a la segunda guerra
mundial, pues debido a los esfuerzos bélicos existía la necesidad de asignar recursos
escasos a las distintas operaciones militares en la forma más efectiva, por eso la
cúpula militar americana e inglesa hizo un llamado a los científicos para que
diseñaran técnicas operativas para problemas estratégicos y tácticos. Al terminar la
guerra, el éxito de la Investigación de Operaciones generó un gran interés en
examinar las aplicaciones fuera del campo militar. En el desarrollo de la Investigación
de Operaciones también jugaron papel importante el mejoramiento disponible en las
técnicas de esta área y el advenimiento de la revolución de los computadores .
1.1 NATURALEZA DE LA INVESTIGACiÓN DE OPERACIONES.
La Investigación de Operaciones consiste en un Conjunto de técnicas matemáticas

para determinar el curso de acción óptimo de un problema de decisión con la
10
INVESTIGACION DE OPERAC IONES PARA I NGEN IER IAS y ADM IN ISTRACION DE EMPRESAS
restricción de recursos limitados. Pero también puede verse como el enfoque

científico interdisciplinario para resolver problemas de interacción compleja, dinámica
y sujetiva de hombres, métodos y sistemas, a los cuales en algunos casos no se les
proporciona solución exacta por medio de las matemáticas. Estos problemas
generalmente se caracterizan por la necesidad de asignar recursos limitados y
obtener soluciones óptimas de acuerdo con algún objeto.
En síntesis la Investigación de Operaciones utiliza como recurso primario, modelos

matemáticos para cuantificar y acotar los problemas dentro de un marco de
restricciones , medidas, objetivos y variables, de tal manera que se obtengan controles
óptimos de operación, decisiones, niveles y soluciones. El procedimiento consiste en
la construcción de un modelo de decisión y posteriormente encontrar su solución con
el objeto de determinar la decisión óptima.
Entre las técnicas de Investigación Operativa más usadas se pueden señalar:

Modelos de flujos, Programación Pert-Cpm, Teoría de Colas, Teoría de Inventarios,
Teoría de Juegos, Cadenas de Markov, Programación Entera, Programación No
Lineal, Programación Lineal, Programación Dinámica, Simulación.
Como técnica para la solución de problemas, la Investigación de Operaciones debe

verse como ciencia y arte. El aspecto de la ciencia radica en ofrecer técnicas y
algoritmos matemáticos para encontrar decisiones adecuadas. Es un arte debido al
éxito que se alcanza en todas las fases anteriores y posteriores a la solución del
modelo matemático, depende en forma considerable de la habilidad y creatividad de
los analistas encargados de tomar decisiones.
En la mayoría de las aplicaciones de Investigación Operativa, se supone que el objeto

y las limitaciones del proceso pueden ser expresadas en forma matemática como
funciones de las alternativas de decisión (variables de decisión); en este caso se trata
con un modelo matemático. Sin embargo, pese a los avances en modelos
11
LU IS ALBERTO RINCON ABR IL
matemáticos, un número grande de situaciones reales siguen estando fuera del

alcance de las técnicas matemáticas actuales; esto porque el sistema puede tener
demasiadas relaciones, variables, para hacer una representación matemática
"adecuada". De otra parte, aunque se pueda formular un modelo matemático, este
puede ser demasiado complejo para resolverlo. Un enfoque diferente a la
representación por modelos matemáticos, consiste en usar la simulación, la cual
difiere de los modelos matemáticos en que las relaciones de entrada y salida no se
indican en forma explícita, pues el modelo de simulación divide el sistema
representado en módulos básicos que después se enlazan mediante relaciones
lógicas bien definidas. Así pues, en la Investigación de Operaciones existen dos tipos
de cálculos diferentes: aquellos en que interviene la simulación y los que tienen que
ver con modelos matemáticos.
Las etapas esenciales en el uso de cualquiera de las anteriores técnicas son las
siguientes:
- Análisis y formulación del problema

- Desarrollo de un modelo matemático que representa el problema.
- Derivación de una solución del problema.
- Prueba del modelo y de la solución derivada.
- Establecimiento de controles sobre la solución.
- Implementación de la solución .
Aunque la secuencia anterior de ninguna manera es estándar, generalmente es

aceptable . Excepto para la "solución del problema", la cual está basada normalmente
en técnicas bien desarrolladas. Esto aparece porque los procedimientos dependen del
tipo de problema en investigación y el ámbito de operación en el cual existe.
El análisis de sistemas y la Investigación de Operaciones ayudan al ente encargado

de tomar decisiones a través de la labor desarrollada, en aquellas áreas problema que
12
INVEST l t'.\C ION DE O I'ER,\C IONES I',\ R,\ I N(;[N IERI ,\ S y , \ I) ~ II N I S ' I R,\C ION DE E~ II'RE S ,\S
pueden resultar en medidas cuantitativas y teorías afines. Uno de los principios

básicos del análisis de sistemas y de la Investigación de Operaciones consiste en que
el trabajo debe realizarse en íntima colaboración con las personas que conocen a
fondo las particularidades del problema y del sistema y es de especial utilidad cuando
existe la necesidad de emplear eficazmente los recursos escasos.
1.1.1 Ejemplos.
a) Debe decidirse cuántas toneladas de acero puro y chatarra se deben utilizar en la

preparación de una aleación para un cliente ; si el costo por Ton es de $ US 600
para el acero y $ US 300 para la chatarra. El cliente requiere mínimo 50 toneladas
de la aleación . La empresa dispone de 70 y 40 Ton de acero y chatarra. La
relación entre la chatarra y el acero no pueden superar los 7/8. La compañía
dispone de 120 horas para este trabajo. Derretir y fundir una Ton de acero exige 2
horas y la chatarra 3 horas.
b) Se disponen 100 máquinas con capacidad para manufacturar dos productos A y

B. La cantidad A que se produce en una semana se vende con una utilidad de 3
Millones de pesos, mientras que la cantidad B que se produce en una semana se
vende con una utilidad de 5 Millones de pesos. Sin embargo, después de una
semana de operación , el 30% de las máquinas dedicadas a producir A se acaban
sin posibilidad de reparación; igual sucede con el 60% de las máquinas que
trabajaron para B. Para un horizonte de tres semanas , cómo se deben asignar las
máquinas para maximizar utilidades?
c) Una compañía se abastece de una materia prima que se consume a razón de 50

Ton/día. Cada que se hace un pedido, la compañía tiene un costo de $ US 2500 y
un inventario unitario mantenido en existencia por una semana costará $ US 70.
Determinar el número óptimo de pedidos que debe hacer la compañía cada año, si
tiene la política de no admitir faltantes en la demanda?
13
L U IS A L BE RTO RI NCON AB RIL
d) Por aumento en las ventas, una procesadora requiere mayor espacio de bodegas.
Una solución alternativa considera la compra de un depósito a 10 Km de la fábrica,
para almacenar los productos terminados. Este plan requiere el traslado del
producto terminado desde la planta hasta el depósito. La gerencia debe
determinar el número óptimo de camiones que serán alquilados o comprados .
Equivale esto, a estimar:
• La cantidad media de bienes terminados que permanecen sin moverse

diariamente y el promedio medio de los camiones que permanecen sin utilizar,
para diferentes suposiciones de número de camiones.
• Por lo tanto, la solución exige una simulación de producción y transporte con

base en el conocimiento histórico de la cantidad producida y el análisis de la
cantidad que puede ser trasladada por día.
1.2 REPRESENTACiÓN POR MEDIO DE MODELOS.
Un modelo es la representación simplificada de la realidad que permite explorar, bajo

un variado número de condiciones, un rango de posibles respuestas del sistema, sin
tener que construirlo o alterarlo. De acuerdo con su estructura, se pueden construir
modelos leónicas, Analógicos y Simbólicos.
La construcción y desarrollo de un modelo representa el paso decisivo en el uso de la

Investigación de Operaciones y de cualquier proceso sistemático de toma de
decisiones. En consecuencia, una solución a un modelo, a pesar de que sea exacta,
no será útil a menos que el modelo mismo sea una representación adecuada de la
realidad.
En la mayoría de las aplicaciones de Investigación de Operaciones , el objetivo y las

limitaciones del modelo se pueden expresar como funciones matemáticas de las
14
I NYESTIGAC ION DE OPERAC IONES PARA I NGEN I ER I /\S y ADM IN ISTR ACION DE EMPRESAS
variables de decisión ; por lo tanto se trata de modelos matemáticos. Sin embargo,

un número apreciable de situaciones reales sigue estando fuera del alcance de las
técnicas matemáticas por que el sistema real tiene demasiadas relaciones y variables
o a pesar de que se pueda formular un modelo matemático, resulta demasiado
complejo resolverlo mediante los métodos de solución disponibles; en estos casos se
recurre a los modelos de simulación. Estos difieren de los primeros porque las
relaciones entre la entrada y la salida no se indican en forma explícita.
Aunque se dispongan modelos refinados y exactos, pueden resultar poco prácticos

cuando no se disponen datos confiables . En algunos casos se conocen con certeza
los datos, pero en otros se determinan mediante distribuciones de probabilidad , dando
origen a los modelos estocásticos que contrastan con los modelos determinísticos.
Los cálculos para los modelos de simulación exigen el uso del computador, pues
son casi siempre voluminosos y consumen mucho tiempo, pero se tiene la seguridad
de obtener los resultados buscados. Los cálculos para los modelos matemáticos
de 10 son normalmente Iterativos, pero no se disponen algoritmos para todos los
problemas; en estos casos, se recurre a métodos Heurísticos.
1.3 EJERCICIOS PROPUESTOS.
1.3.1 Defina y presente ejemplos de los modelos leónicas , Analógicos y Simbólicos.
1.3.2 Defina y presente ejemplos de los modelos estocásticos y determinísticos.
1.3.3 Interprete, analice y proponga algún ejemplo para la siguiente aseveración.

"Aquellas situaciones administrativas para las que no existen modelos, resultan
difíciles".
15
2. PROGRAMACiÓN LINEAL.
Básicamente , no es otra cosa que el estudio matemático , de cierta clase de

optimización que se aplica siempre que los hechos de una situación económica
cumplen con la suficiente aproximación los postulados matemáticos del método.
En sentido matemático, la programación lineal estudia la optimización de una función

lineal sujeta a desigualdades lineales. Por tanto , difiere del tipo de optimización
tratado en el cálculo diferencial en tres aspectos:
• Se ocupa de la optimización en sentido amplio.

• Considera desigualdades restrictivas en vez de igualdades.
• Las restricciones son lineales y no de otra forma más general.
Las dos primeras diferencias convierten la programación lineal en un instrumento

más general y más eficaz que la optimización ordinaria , pero la otra limita su campo
de aplicación , por lo menos con el desarrollo matemático que actualmente se tiene .
2.1 EL CAMPO DE LA PROGRAMACiÓN LINEAL.
Una de las técnicas de la Investigación de Operaciones de gran utilidad en la

solución óptima de problemas es la Programación Lineal.
16
IN\ I S-II G\C!ON Dr: Ol'rlU( ' IO NES I',\RA I NGEN I ER I,\ S y ,\D~I I N I S -II {'\C I() N DC UIPRE~AS
El problema general de Programación Lineal fue desarrollado y aplicado por primera

vez en 1947, cuando George B. Dantzing, Marshall Wood y sus investigadores
asociados del Departamento de la Fuerza Aérea de los Estados Unidos, fueron
encargados de investigar la posibilidad de aplicar técnicas matemáticas a la
programación militar y a los problemas de planeación. Dantzing propuso entonces el
modelo que dio origen a la Programación Lineal: "Las interrelaciones entre las
actividades de una organización , fuesen vistas como un modelo lineal y el programa
de optimización fuese determinado minimizando una función lineal objetiva". Aunque
este enunciado matemático inicial del problema general de Programación Lineal , lo
desarrolló Dantzing a través del Método Símplex, casi en forma inmediata se
comenzaron a reconocer los problemas que mediante este modelo admitían solución
y que aún estaban sin resolver; entre ellos vale la pena destacar el Problema del
Transporte presentado por Hitchock y Koopmans y el problema del diseño de
raciones presentado por Stigler.
El avance del uso de la programación lineal ha permitido desarrollar aplicaciones en

casi todas las áreas del campo tecnológico. La industria , el comercio , la construcción,
el transporte , la agricultura, resultan las más beneficiadas.
2.2 MODELOS MATEMÁTICOS DE PROGRAMACiÓN LINEAL.
Conforme a lo expuesto en la sección anterior se puede decir que la programación

linea l se ocupa del estudio de la optimización (maximizar o minimizar) de una
func ión lineal de varias variables , la cual está sujeta por un conjunto de
inecu aci ones lineales de varias variables . A la función que se debe optimizar se le
llama Func ión Objetiva , mientras que a las inecuaciones se les llama Restricciones
o Li mitaci ones.
J7
LU IS ALI3ERTO R INCON AI3RIL
2.2.1 Función lineal.
La función F(Xj ) en las variables X 1, X2, X 3,.... .... ,X n; es lineal , si puede ser
expresada como: F(Xj ) = a1X1 + a2X2 + a3X3 + ........ + anX n
Las siguientes expresiones son lineales:
2.3 ESTRUCTURA GENERAL DEL MODELO MATEMÁTICO.
De acuerdo con lo expuesto en el numeral anterior, el modelo matemático de

programación lineal debe expresarse como:
Opt(Z) = C1X1 + C2X2 + C3X3+ .... .... ...+cnXn

Sujeto a las restricciones:
a11 X1+ a1 2X2 + a1 3X3 + ..... ....... + a1nXn S b 1
a21 X1+ a 22 X2 + a23X3 + .. .. .... ....+ a2nXn S b2
a31X1+ a32X2 + a33X 3 + .. .. .. ... .. .+ a3nX n S b 3
y la condición de no negatividad :
X>O
J- para todo j = 1, 2, 3,.. .... ,n
En donde:
Xj : Variable de decisión asociada con cada actividad j-ésima U=1 ,2,3,... .n) .
18
INVESTI GAC IO N DE O PE RAC ION ES PA R A I NGEN IERI AS y A DMI N ISTR AC ION DE EMPR ESAS
c¡: Coeficiente de efectividad por unidad para la actividad j-ésima U=1,2,... ,n).
b¡: Cantidad limitante del recurso i-ésimo (i=1 ,2,3, .. .m).
a¡¡ : Cantidad de recurso i-ésimo por unidad de actividad j-ésima. Normalmente
reciben el nombre de coeficientes tecnológicos.
Z: Cuantifica la función objeto seleccionada.
2.3.1 Metodología para obtener el modelo.
Aunque existen varias técnicas para lograr el modelo matemático de cada problema
en particular, se recomienda la siguiente para llegar al propósito.
1. Analizar el problema de decisión. Describir la estructura de los valores que el

modelo debe calcular, junto con las limitaciones y el objeto esencial.
2. Describir las variables de decisión. Valores o respuestas que optimizan la

función objetiva y que se calcularán mediante la solución del modelo matemático.
3. Establecer la Función Objetiva. Esto es, construir el modelo que cuantifica el

objetivo del problema y definir el tipo de optimización.
4. Establecer las limitaciones. Determinar aquellos items (recursos, subprocesos)

que resultan ser limitantes en el proceso para el que se elabora el modelo y
construir las expresiones que los cuantifican.
2.3.2 Solución factible.
Es cualquier conjunto de valores positivos para las variables: X 1, X2 , X3 , ... . .... ,X n ; que
cumple cada una y todas las restricciones del modelo matemático de programación
Lineal. En caso contrario, es decir, no cumplen la condición de no negatividad o
algunas de las restricciones, se define como no factible.
19
L U IS ,\ U 3E RTO RI NCON ,\BR IL
2.3.3 Solución óptima.
Es el conjunto de valores para las variables: X" X2 , X3 , ....... . ,Xn ; que satisfacen el
criterio de factibilidad y optimizan la función objetiva del modelo matenlático de
programación Lineal.
Se observará posteriormente que la metodología de búsqueda de la solución óptima

se basa en el análisis matemático del conjunto de soluciones factibles para el
programa lineal.
2.3.4 Ejemplos de modelos.
En todos los casos se deja al lector el análisis de la linealidad de los problemas

propuestos.
Ejemplo 1. Una procesadora de carnes produce 2 tipos de salchichas : I y 11; las

cuales generan una utilidad de 400000 y 500000 $fTon , respectivamente. Una Ton
de salchicha I la obtiene mezclando 0.5 Ton de carne A, 0.3 Ton de carne B y 0.2
Ton entre harina y otros . Una Ton de salchicha II la obtiene mezclando 0.4 Ton de
carne A, 0.4 Ton de carne B y 0.2 Ton entre harina y otros . Tiene capacidad
semanal de adquirir hasta 80 Ton de carne A, 60 Ton de carne B. y 40 Ton entre
harina y otros. Presente un modelo matemático que permita planear la producción.
El Problema de decisión. Consiste en calcular las Ton/sem a producir de cada

tipo de salchicha , atendiendo las limitaciones de materia prima para obtener
utilidades máximas .
20
INVEST IG¡\C ION DE OPERAC IO NES P;\RA INGEN IER I ,\S y ;\D~1INISTRACION DE H IPR ES /\S
Variables de decisión.
X 1 : Ton/sem a producir de salchicha tipo 1.

X2 : Ton/sem a producir de salchicha tipo 11 .
Función Objetiva. La función objetiva cuantifica el objeto del problema , obtener

utilidades máximas. Max(U) = 400000X 1 + 500000X 2
Restricciones.
La carne A que se usará debe ser ::::: 80 Ton/sem

0.5X 1 + 0.4X 2 ::::: 80
La carne B que se usará debe ser ::::: 60 Ton/sem
0.3X 1 + 0.4X 2 ::::: 60
La harina y otros que se usarán debe ser ::::: 40 Ton/sem
0.2X 1 + 0.2X 2 ::::: 40
Modelo Matemático de Programación Lineal.
Función Objetiva: Max(U) = 400000X 1 + 500000X 2

0.5X 1 + 0.4X 2 ::::: 80
0.3X 1 + 0.4X 2 ::::: 60
0.2X 1 + 0.2X 2 ::::: 40
X1 , X2 ~ O
Ejemplo 2. Para el ejemplo anterior verificar si cada una de las siguientes

alternativas es Solución Factible .
21
L U I S 1\l.Ilr.RTO RI NCON ,\I1R II .
Producción de salchichas
Alternativa Tipo I Tipo 11
Propuesta Ton/sem Ton/sem
1 O O
2 40 60
3 70 80
4 90 90
5 80 90
6 90 80
ALTERNATIVA 1. Con los valores para las variables de decisión , X 1 = O Y X2 = O,

equivale a no producir. Al reemplazar estos valores en las restricciones , verifica a
cada una de ellas; por tanto se trata de una solución factible para el problema.
ALTERNATIVA 2. Valores para las variables de decisión , X 1 = 40 Y X2 = 60. Al

reemplazarlos en las restricciones , verifica a cada una de ellas; por tanto se trata
de una solución factible para el problema. Con estos valores la función objetiva
toma el valor U = 46000000, que define para esta alternativa , la utilidad a obtener
en $/sem. Analizando la primera restricción , se observa que de las 80 Ton/sem de
carne A disponibles só lo se usarían 44, es decir, se tendría un excedente (holgura)
de 36 Ton/sem de carne A. Igualmente se tienen excedentes (holguras) de 24
Ton/sem de carne By 20 Ton/sem de harinas.
ALTERNATIVA 3. Valores para las variables de decisión. X 1 = 70 y X2 = 80. Estos

valores verifican cada una de las restricciones , por tanto es una Solución factible
para el problema. Con estos valores la función objetiva toma el valor U = 68000000
$/sem. Analizando la primera restricción , se observa que de las 80 Ton/sem de
carne A disponibles sólo se usarían 67 , es decir, se tendría un excedente (holgura)
de 13 Ton/sem de carne A. Igualmente se tienen excedentes (holguras) de 7
Ton/sem de carne By 10 Ton/sem de harinas.
22
INVEST Il,AC ION DE OPE RAC IONES PA RA ING EN IERI AS y ADM IN ISTR AC ION DE EMPRESAS
ALTERNATIVA 4. Valores para las variables de decisión (por los excedentes

calculados en la alternativa 3), X 1 = 90 Y X2 = 90. No verifican las dos primeras
restricciones, por tanto se trata de una solución no factible para el problema.
Significa que esta empresa no puede producir bajo esta alternativa con las
materias primas disponibles.
Ejemplo 3. Desarrollar un modelo matemático para decidir cuántas toneladas de

acero puro y chatarra se deben utilizar en la preparación de una aleación para un
cliente; si el costo por Ton es de $ US 600 para el acero y $ US 300 para la
chatarra. El cliente requiere mínimo 50 toneladas de la aleación. La empresa
dispone de 70 y 40 Ton de acero y chatarra. La relación entre la chatarra y el acero
no pueden superar los 7/8. La compañía dispone de 120 horas para este trabajo.
Derretir y fundir una Ton de acero exige 2 horas y la chatarra 3 horas.
El Problema de decisión . Consiste en calcular las Ton de acero y chatarra que se

usarán en la producción de la aleación, atendiendo las limitaciones de materia
prima, tiempo y tipo de aleación para obtenerla a un costo mínimo.
X1 : Ton de acero a mezclar.

X2 : Ton de chatarra a mezclar.
Función Objetiva. La función objetiva cuantifica el costo total de la aleación .
Min(C) = 600X 1 + 300X 2
Restricciones.
De la aleación , el cliente requiere ~ 50 ton
23
I.lIIS ,\ 1 B !. RTO RINCON ,\I3RIL
X1 + X2 2 50
De acero se mezclarán ::; 70 Ton
X1 ::; 70
De chatarra se mezclarán ::; 40 Ton
X2 ::; 40
El tiempo para la producción ::; 120 horas
2X 1 + 3X 2 ::; 120
La relación chatarra/acero ::; 7/8
7X 1 - 8X 2 2 O
Función Objetiva : Min(C) = 600X 1 + 300X 2

X 1 + X 2 2 50
X 1 ::; 70
X2 ::; 40
2X 1 + 3X 2 ::; 120
7X 1 - 8X 2 2 O
Ejemplo 4. FRUCONS compra 3 clases de tomates: A, B, C para producir SALSA

DE TOMATE. Por calidad la salsa debe contener al menos el doble del tomate
clase A que B y al menos la misma cantidad de B que C. Sus proovedores de
materia prima (tomate) suministran hasta 24 , 15 Y 12 Ton/semana de tomate clase
A, By C; las cuales la compañía paga a 120000, 90000 Y 72000 $fTon de contado ,
habiendo presupuestado para ello $7200000 semanalmente . El proceso es tal que
20% del tomate clase A, 30% del tomate clase B y 40% del tomate clase C se
24
INVEST IGAC ION DE OPERAC IONES PARA I NGEN I ER I AS y ,\DM IN IST RAC ION D E EMPRESAS
convierte en salsa de tomate. Cómo se puede lograr el mayor rendimiento en la

producción ?
El Problema de decisión. Consiste en calcular las Ton de cada clase de tomate

que se usarán en la producción de la salsa , atendiendo las limitaciones de calidad ,
materia prim a y costo para generar rendimiento máximo.
X 1 : Ton/semana de tomate A.
X2 : Ton/semana de tomate B.
X3 : Ton/semana de tomate C.
Función Objetiva . La función objetiva cuantifica el rendimiento en la producción .
Max(R) = O.2X 1 + O.3X 2 + 0.4X 3
Restricciones.
Cantidad de tomate A ~ Doble de la cantidad de tomate B

X 1 - 2X2 ~ O
Cantidad de tomate B ~ Cantidad de tomate C
X2 - X3 ~ O
Cantidad de tomate A ::; 24 Ton
X1 ::; 24
Cantidad de tomate B ::; 15 Ton
X2 ::; 15
Cantidad de tomate C ::; 12 Ton
X3 ::; 12
2S
LUIS ALBERTO RINCON ABR IL
El Costo total ~ $ 7200000

12000X 1 + 90000X 2 + 72000X 3 ~ 7200000
Función Objetiva: Max(R) = 0.2X 1 + 0.3X 2 + 0.4X 3

X 1 - 2X 2 :2 O
X2 - X3 :2 O
X1 ~ 24
X2 ~ 15
X3 ~ 12
12000X 1 + 90000X 2 + 72000X 3 ~ 7200000
Xj :2 O
Ejemplo 5. Una industria productora de muebles fabrica mesas, sillas , escritorios

y libreros utilizando dos tipos diferentes de maderas A y B; de las cuales dispone
de 3600 y 2000 pies 2 respectivamente. Cada mesa, silla, escritorio y librero
requieren 5,1,9 Y 12 pies 2 de madera tipo A y 2, 3, 4 Y 3 pies 2 de madera tipo B.
Cuenta con 1200 horas hombre para este trabajo . Para la fabricación una mesa
requiere 3 horas hombre, una silla 2, un escritorio 5 y un librero 10. Los pedidos le
exigen una producción mínima de 40 mesas , 130 sillas, 30 escritorios y no más de
10 libreros. Las utilidades se estiman en $18000 por mesa, $ 7500 por silla,
$22500 por escritorios y $27000 por librero. Cuántos muebles de cada tipo debe
producir para obtener las mayores utilidades?
El Problema de decisión . Consiste en calcular el número de unidades de cada

tipo de mueble que debe fabricarse , atendiendo las limitaciones de materia prima,
mercadeo y capacidad de planta para obtener utilidades máximas.
26
IN\TS'II(; ,\C!ON DE OPER ,\CIONES PARA INCEN IERI AS y , \I)~I I N I STR /\CION DE E~ IP RES . \S
X, : Número de mesas.
X2 : Número de sillas,
X 3 : Número de escritorios,
X4 : Número de libreros.
Función Objetiva . La función objetiva cuantifica las utilidades generadas en la

producción de los muebles.
Max(U) = 18000X, + 7500X 2 + 22500X 3 + 27000X 4
Restricciones.
La cantidad de madera A :s: 3600 pies 2

5X, + X2 + 9X 3 + 12X4 :s: 3600
La cantidad de madera B :s: 3600 pies 2
2X, + 3X 2 + 4X 3 + 3X 4 :s: 2000
El tiempo para el trabajo :s: 1200 horas
3X, + 2X 2 + 5X 3 + 10X 4 :s: 1200

La producción de mesas :c: 40
X, :c: 40
La producción de sillas :c: 130
X2 :c: 130
La producción de escritorios :c: 30
X3 :c: 30
La producción de libreros :s: 10
X4 :s: 10
27
LU IS ALBERTO RINCON ABR I L
Función Objetiva : Max(U) = 18000X l + 7500X 2 + 22500X 3 + 27000X4

5X l + X2 + 9X 3 + 12X 4 ::; 3600
2X l + 3X 2 + 4X 3 + 3X 4 ::; 2000
3X l + 2X 2 + 5X 3 + 10X4 ::; 1200
Xl ~ 40
X2 ~ 130
X3 ~ 30
X4 ::; 10
Xj ~ O
2.4 MÉTODO GRAFICO DE SOLUCiÓN.
Procedimiento para encontrar solución a un Programa Lineal que considera

únicamente dos variables de decisión. El método está basado en la graficación en el
plano cartesiano Xl vs X2 del conjunto de puntos factibles para el modelo propuesto y
en la selección del punto que optimiza entre todos los factibles.
2.4.1 Conceptos Matemáticos básicos.
Para la presentación del método es importante reconocer los siguientes conceptos

conocidos por el lector:
28
INVEST IGAC ION DE OPERAC I ONES P;\I<A INGEN IERI AS y AD~ II N I STRAC I ON DE EM PRESAS
1. AX, + BX 2 = e, correponde a la ecuación de una recta y divide el plano cartesiano

X, vs X2 en dos semiplanos. La recta hace parte de ambos semiplanos.
2. Todos los puntos de cada semiplano divididos por la recta AX 1 + BX 2 = e, son

solución únicamente de una de las dos siguientes restricciones: AX, + BX 2 S eó
AX, + BX2 :::: c.
3. De tal manera que si un punto (X, ,X 2 ) es solución de una de las anteriores
restricciones, entonces todos los puntos del semiplano en que está el punto
también son solución y este semiplano es la solución gráfica a la restricción.
4. La solución gráfica (soluciones factibes) a un conjunto de restricciones es la

intersección de las soluciones individuales a cada restricción.
5. La condición de no negatividad Xi > O para j = 1,2,.. , limita la región al primer

cuadrante del plano cartesiano.
2.4.2 Región de soluciones factibles.
La conforman todos los puntos que cumplen la condición de no negatividad y

verifican a cada una de las restricciones. Por lo tanto la forma de encontrarla consiste
en la aplicación de los conceptos del párrafo anterior.
Ejemplo de solución factible gráfica. Aplicando los conceptos de la sección 2.4 .1,
la región solución para el siguiente conjunto de restricciones se tiene en la figura 1.
2X,+3X 2 ::; 12 R1
3X, + 2X 2 ::; 12 R2
X, + X2 ;c: 2 R3
XI ;c: O para j = 1,2
El gráfico se obtiene trazando las rectas correspondientes a las restricciones R1, R2,
R3 Y ubicando el semiplano solución para cada una de ellas.
29
L U I S I\ L J3ERTO I{ INCON ABR Il.
Figura 1. Región de soluciones factibles para las restricciones R1 , R2 Y R3 .
2.4.3 Solución Óptima .
Uno de los teoremas que se presentará para el método Simplex , considera que la
solución óptima al Programa Lineal coincide con uno de los puntos extremos del
conjunto de soluciones factibles ; por tanto en los programas de dos variables de
decisión , será necesariamente uno de los vértices de la región solución. Así pues,
para encontrar la solución óptima basta reemplazar cada uno de los vértices en la
función objetiva y observar cuál genera el mayor valor en el caso de maximizar o cuál
el menor valor en el caso de minimizar.
30
INVEST IG /\C ION DE OPER /\ClONr.S I',\R ,\ INGEN IER I AS y r\D~ II N I STR ,\C I ON DE H I PRES¡\S
Ejemplo 1. Supóngase que la función objetiva Max(l ) = 4X l + 3X 2 está sujeta al

conjunto de restricciones cuya solución gráfica es la mostrada en la figura 1.
En este caso los vértices A, B, C , O se pueden leer directamente, pero el vé rt ice E

habrá que calcularlo como la intersección de las rectas para R 1 Y R2, esto es resolver
el sistema de ecuaciones:
2X l + 3X 2 = 12
3X l + 2X 2 = 12
El cual tiene solución para Xl = 2.4 Y X2 = 2.4. Con esto los vértices de la región
están determinados y son: A = (0 ,4) , B = (0 ,2) , C = (2,0) , 0 = (4,0) Y E = (2.4 ,2 .4).
Se tendrá entonces que: l A = 12 , l B = 6 , l c = 8 , l o = 16 Y lE = 16.8. Así que
Max(Z) =16.8, que se obtiene para X1 =2.4 Y X2 =2.4.
Ejemplo 2. Suponiendo la función objetiva Min(l) = 4X l + X2 , está sujeta al conjunto

de restricciones cuya solución gráfica es la mostrada en la figura 1.
Con la información de l ejercicio anterior se tiene que l A = 4, l B = 2 , l c = 8 , l o = 16

Y ZE = 12. Así que Min(Z) = 2 Y se obtiene para X1 = O Y X2 = 2.
2.5 MÉTODO SIMPLEX.
Procedimiento algorítmico para encon trar la solución ópti ma de un Programa Li neal.

En el método gráfico se vio que la solución óptima está asociada siem pre con un
punto extremo del espacio de soluciones. El método Simplex está basado
fundamentalmente en este concepto, pues iterativamente co mienza en un pun to
extremo , normalmente el origen , y se desplaza sistemáticamente de un punto
extremo a otro hasta encon trar la solución óptima .
31
LU IS 1\ Ll3E RTO RINCO ABRIL
2.5.1 Forma Matricial del Programa Lineal.
Si para el modelo matemático general de programación lineal que aparece en el

apartado 2.3, se definen las siguientes matrices y vectores:
0 11 {l1 2 {I I ~ .. .. . . . . .. 0 1/1
{/ 2 1 {I n {I 23 .......... O 2 /1
A {/ 3 1 0 32 A .1.)
" ....... . .. (l ,
."1
. . . .... . . . . . .. .
0 /1/ 1 {I /l/2 (l /1/3 •••••••••• {I Jll 1
XI b,
X2 bo
X = X -', b = b, e - (c
- I Co C,., cJ
X II bJl
Entonces éste se podrá expresar matricial mente como:
= ex
Opt(Z)
sujeto a: AX :s b
x>o
2.5.2 Forma canónica del Programa Lineal.
Consiste en escribir el modelo con la Función objetiva para maximizar y todas las
restricciones de la forma S, esto es:
Max(Z) = ex
Sujeto a: AX < b
32
INVESTIGACION DE OPERAC IONES PARA INGEN I ER IAS y ADM IN ISTRAC ION DE EMPRESAS
x > O
Cualquier otra forma equivale a ésta , bajo lo siguientes criterios:
• Minimizar CX , equivale a Maximizar -CX .
• La desigualdad La¡jX j ~ b¡ equivale a L-a¡jX j ::; -b¡
2.5.3 Forma básica del Programa Lineal.
Consiste en escribir el modelo bajo las normas siguientes:

z - ex = o
AX + X H =b
X ~ o
Siendo XH , una matriz de variables de holgura; el cual se obtiene al introducir en
cada restricción de la forma canónica , una variable de holgura que cuantificará la
diferencia entre los lados de la desigualdad.
Ejemplo: El siguiente programa lineal tiene solución óptima para X 1 = 4, X2 = O. Se

construirá la forma básica y se explicará el valor de las variables de holgura.
Max(Z) = 4X 1 + X2
R1 : X1 + X2 <4
R2 : X1 + 2X 2 ~ 6
Xi 2: O para j = 1,2
La forma básica para el anterior modelo será:
Z - 4X 1 - X2 =O
R1: X 1 + X2 + X 3 = 4
R2: X1 + 2X 2 + X4 =6
33
1.1 li S ,\'-BERTO RINCON ABR IL
XI .=::O para j = 1,2,3,4
Como Xl = 4, X2 = O; entonces necesariamente X3 = O, X4 = 2. Significa entonces ,

que el recu rso 4 unidades de la restricción R1 será usado en su tota lidad , mien tras
que sobrarán 2 unidades del recurso 6 unidades de la restricción R2.
2.5.4 Fundamentos Matemáticos del Algoritmo Simplex.
La fundamentación matemática del Algoritmo Simplex requiere de conceptos

rigurosos del algebra lineal , tema que está más allá del alcance de este libro, por ello
algunos de los teoremas que en este apartado se presentarán se dejarán sin
demostrar pero el lector, si así lo desea, puede consu ltar en el texto de TAHA 1 .
2.5.4.1 Solución básica factible. Una solución básica factible al programa lineal de
la forma básica con m restricc iones y n+m variables (n de decisión y m de holgura)
es aquella con no más de m componentes positivas que satisface cada una de las
restricciones .
TEOREMA 1: El conjunto de todas las soluciones factib les de un programa li neal es

convexo.
Demostración : Sea Max(Z) = CX , sujeto a AX = B, X.=:: O. Si Xa y Xb son 2 soluciones

factibles , entonces: AXa = B, Xa'=:: O y AXb = B, Xb .=:: O.
Definiendo una combinación convexa entre Xa y Xb como Xc = I1X a + (1 - I1)X b , co n

OSI1S1 y premultiplicando por la matriz A, se obtiene:
AXc = I1 AXa + (1 - p) AXb , esto es: AXc = I1B + (1 - I1)B
I TAHA H., In vestigación de Operaciones. Ed . Alfaomega. 199 1.
34
IN\'EST IU ,\C ION DE O PER,\C IONES P¡\ R¡\ I N(iEN IERI ,\S y ¡\mdI N ISTR ¡\C ION DE EMPR ESAS
Entonces AX c = B, que muestra que cualquier combinación convexa entre soluciones

da otra solución .
TEOREMA 2: La función objetiva alcanza su máximo en un punto extremo del

conjunto convexo generado por las soluciones básicas factibles . El análisis de esta
demostración se deja al lector
TEOREMA 3: Si la función objetiva alcanza su máximo en más de un punto extremo,

entonces será máxima para cualquier combinación convexa de dos de estos puntos
extremos.
Demostración: Si Xp y Xq son 2 soluciones óptimas tales que Z(X p) = Z(X q ) ~ Z(X k) ;

siendo Xk cualquiera de las demás soluciones factibles. Con base en el teorema 1, se
genera una nueva solución como la combinación convexa de las anteriores:
x, = )..lX p + (1 - )..l)X q ,con O S )..l S 1, entonces

Z(X,) = Z()..lX p + (1 - )..l)X q )
Como esta función es lineal se obtiene Z(X,) = )..lZ(X p ) + (1 - )..l)Z(X q ), reemplazando

Z(X q ) , se obtiene Z(X,) = )..lZ(X p ) + (1 - )..l)Z(X p) , esto es, Z(X,) = Z(X p)
, 2.5.5 Teoría del método Simplex.
Considerando el programa lineal en su forma básica, éste puede ser escrito como:
Z- ex = o
(A I)X = b
X>O
3S
LU IS ALBE RTO RI NCON ABR IL
Donde X es el vector columna de variables de Decisión y Holgura y (A 1) =S, es una

matriz conformada por la matriz A de coeficientes tecnológicos e I la matriz idéntica.
Si el programa original es de n variables y m restricciones , entonces la matriz S es
de orden m x n+m . Se denota a las columnas de S por a1 , a2, .... ,a n . Esta matriz S se
considera partida en dos matrices: una B con m vectores independientes y otra N con
n vectores dependientes.
La matriz B se llamará la base y cualquier vector aj de S que no esté en B, es una

combinación lineal de los vectores de B; así pues:
Siendo ak vector de B. Como Yj = ( y 1j Y2j Y3j .. .... .. y mJ )1 , entonces, aj = BY j . Como

B tiene inversa se puede escribir Yj = B-1aj.
Las restricciones originales SX = b, pueden ser escritas como : (B N)( X J=b .

.'lB
N
Desarrollando este producto, se obtiene BX s + NX N = b. Haciendo uso de la

definición de solución básica factible se obtiene que X s ~ O Y XN = O, Y la expresión
se convierte en :
BX s = b, esto es, X s = B·1b
que es una solución básica de SX =b. El vector Xs se le denomina vector básico y a

XN vector no básico. Si se parte el vector de costos o precios unitarios e en (es
eN), la función objetiva puede escribirse :
36
IN\· I S II (ó .\C ION DE O prR .\C ION F S P,\ R,\ I N(ó l .N II' RI.\S y . \ I) ~ II NIST R . \C I ()N DE E~ II' R I S.\S
Definiendo el vector Zj = es Vj - Zj = LCSk V kj = CS1 V 1j + CS2 V 2j + ..... + CS mV mj y

suponiendo que se inicia con una solución básica factible , se debe demostrar que
esta solución es óptima o que se puede obtener una mejor solución básica.
Se supone que se inicia con una solución básica factible dada por BX s = b , que
corresponde a un punto extremo de la región de factibilidad , el cual si no es óptimo,
deb e moverse a un punto extremo vecino con objeto de mejorar la función objetiva.
Esto se puede hacer cambiando un vector de la base B por un vector de N. Hay
varias forma s de hacerlo, pero Dantzig 2 fijó la teoría que justifica el cambio que
garantiza el mejor incremento en la función objetiva. Va se había obseNado que
cua lquier columna al de S (no en B) puede escribirse aj = LVkjak con k = 1, .... ,m.
Supón gase que el vector que sale de B es a r y que la componente Vr¡ de VI es
di ferente de cero . Entonces se tiene aj =LVkjak + Vrjar con k = 1 ,.... ,m y diferente de r.
(/ (/ )/,
Esto es, (/ , = )' '- "L....)'¡ , '¡f Y" * O. Por otro lado la solución básica factible puede
1/ ,.,
escribirse LakXbk = b , equivale con arX Sr + LakXbk = b para k=1 ,.... ,m y diferente de
X II Y, {[X II
r. Reemplazando a, en ella se obtiene I (X /Il -
y
"
I}
)u , + '
y
JI
'= iJ, que es una
nueva solución básica. Examinando ahora qué condiciones debe cumplir esta
solución pa ra que sea factible. Ella puede reescribirse como Ix ¡¡¡ + x,(/, = h . En
X Y X
donde se ha definido X, = X ¡¡¡ - 11", X, = 11, las cuales se requieren
Y" Y" '
positivas. Dado que X Br ~ O, se requiere que Vr¡ > O para que X r ~ O. De otra parte si
todas las Y kl S O para k=1 ,2,.... ,m y k # r, se garantiza que X k ~ O. Sin embargo, qué
, OANTZI G G. B .. Compu tationa l algo rit hm of the revised si mp lex meth od. RANO report RM-1 266.
Cali fornia 1953.
37
L U IS ALBERTO RINCON ,\13R II.
x y
ocurri ría si alguna YkJ < O. Analizando se tiene que X ¡¡; - ---.!.' A, ~ O. Y" > O, que
Y"
Xli,
puedo escribir como X ¡¡; ~ O. Y" > O, para garantizar que esto se cumpla se
YA, Y"
requiere que X ¡¡¡ ~ X li, O. Y" > O. De esta condición sólo se puede estar seguro
YA, Y"
cuando la column a que se remueve de la base cumple la siguiente condición :
Xli, = Menor ( X ¡¡; con Y > O)

Y A Y A,
'1 ~I
Lo que significa que al conocer la columna aj de N que debe entrar en la base B,

entonces el vector a remover de B es aquel cuyo cociente XBrlYq para Yq > 0, resulte
ser el menor de todos los posibles cocientes.
Esta regla garantiza que el cambio de un vector de B por otro de N genera una
nueva solución básica factible . Como resultado de este cambio se obtiene una
nueva base B que difiere de la base anterior B en un solo vector. Como cada base se
asocia con un extremo de la región de factibilidad , con el cambio de base el proceso
se ha movido a otro punto extremo XB tal que:
X B = S·1b, Z = CBX B
El siguiente análisis muestra la regla que permite hacer la mejor selección del vector
aJ en N que se debe introducir en B. El valor de Z asociado con el punto extremo XB
de la base es Z = CBXB y el asociado con la nueva base X'B será Z' = C'BX'B. Ya se ha
mencionado que la única diferencia entre las base B y B' es que se ha sacado el
vector ar y se ha reemplazado por el vector aj de N. Entonces la única diferencia entre
CB y C'B se encuentra en la r-ésima componente, es decir:
38
INVESTI G/\C ION DE O l'lcR/\ C IONES I'¡\R ¡\ IN(, EN I E RI ¡\ S Y ¡\D ~ II N I S TR AC I ON D E H IPRES/\ S
es = (CS1 CS2 CS3 ..... CS, .... · CS m )
e's =(CS1 CS2 CS3 ..... Cj ..... CS m )
Entonces: l = LCSkXk y l' = LCSkXk + cjX,. En Z' el subíndice k = 1,2, .... ,m y k # r. Si

X Y e X
en Z' se reemplaza Xk y X, se obtiene T = I c m (X m - ~ ) + -'~ , eon Y'I =F O. El
tJ f¡
único término faltante en la sumatoria es e/l, (X n, -

X~~
~~- ) = e Ji ,. (X !J, - X Ji, ) = O.
e on
Y"
X Y e X
·,
es t e t ermlno, se pue d e escn'b'Ir Z '= "L e¡¡¡ X /I! -
"LC m ~Y~-
/JO' "
y- - . con y,,
+ - ,fj, =F O :::::;.
1/ /'1
X
- Z - - n,-
Z '-
y
I ('II!',y + e ,/1,-
X
Y
:::::;. Z '= Z _ X 'J, ~, + e, X n, :::::;. T = Z - ( :: - e ) _
, .1
X
Y
B,
'1 1) Y" Y" r¡
El análisis de la última expresión conduce a aseverar que se tendrá l' :! l cuando
(::, -e) XY,;'" < O, CO/l10

X /I
Y,~ > O:::::;. ;, - e, < O. Se tiene entonces el mayor incremento
para Z' -Z cuando se elige al en N con el ZI - cI más negativo.
En resumen , el cambio de una base B a otra B' , se obtiene sacando un vector a, de B

y sustituyéndolo por un vector al de N; de tal manera que al sea aquel con el ZI - cI
más negativo y a, cumpla ~ Ji, = M e nor( X ¡¡¡ con Y > O).

Y , y "
'1 "
TEOREMA 4: La solución óptima del Programa Lineal de la forma básica se obtiene

con una solución básica factible cuando todos los ZI - cI :! O para todo j.
El análisis de esta demostración se deja al lector.
39
L U IS ¡\Lll LRTO RI NCON I\BRIL
2.5.6 Criterio de optimalidad.
El teorema 4 establece las condiciones que debe cumplir una solución para que sea
la solución óptima de un programa lineal.
La solución debe ser básica factible , esto es X k ~ 0 , para todo k
Zj - Cj ~ 0, para todo j.
2.5.7 Criterios Primal y Dual Simplex.
Definen el cambio de vector a realizar para encontrar la nueva base cuando alguno
de los requisitos del criterio de optimalidad no se cumple.
2.5.7.1 Criterio Primal. Permite mejorar el valor de la función objetiva. Debe ser
aplicado cuando se tiene una solución básica factible , esto es, Xk ~O, para todo k y
existen algunos ZI - cl < O. Consiste en lo siguiente:
1. Entra en la base aquella variable Xl (vector al) que tiene el ZI - cI más negativo,
(columna de trabajo).
2. Sale de la base aquel a, que genera el X /1, = Mello/"( X ¡¡¡ CO II Y¡¡ > O) , (f'lI a de
Y,¡ ¡ Y¡,
trabajo).
2.5.7.2 Criterio Dual. Permite convertir a factible una solución básica no factible. Por
lo tanto debe ser aplicado cada que la solución básica obtenida sea no factible .
Consiste en lo siguiente:
1. Sale de la base aquel a, para el que se tenga el XB, más negativo. (fila de trabajo) .
40
INVESTI(; /\UON DE OPERAC IONES PARA I NGEN I ER I AS y , \I)~ II N I STR I\CION DE E~lPRESAS
2. Entra en la base aquella variable XI (vector a¡) que tiene el valor
COIl Y" < O), (columna de trabajo).
2.6 ALGORITMO SIMPLEX.
Consiste en el conjunto de pasos secuenciales que deben realizarse dentro del

método Simplex para obtener la solución óptima para un programa lineal. Aparecen
esquematizados en la figura 2. Los pasos 1 y 2 ya fueron presentados en los puntos
2.5.2 y 2.5.3; por lo tanto se procederá con el análisis de los demás.
Construir el Tablero
Simplex
Es la solución
óptima? Definir el Elemento Construir el nuevo
Pivot Tablero Simplex
Si
Tablero final Interpretar la

Simplex solución
Figura 2. Esquema del Algoritmo Simplex.
41
LU I S 1\I . JlERTO R INCON MlR IL
2.6.1 Tablero inicial Simplex.
Tabla donde la primera fila, llamada zJ - cj, la conforman los correspondientes

coeficientes para la función Z - CX de la forma canónica. Las demás filas la
conforman los coeficientes de AX. La última columna de esta tabla es el té rmino
independiente de Z - CX = O (es decir O) y el vector b. Mirar la figura 3.
z X, X2 X3 Xn X n+, X n+2 X n +3 X n +m
z(c¡ 1 -C l -C2 -C3 -C n O O O O O
a n +, O all a1 2 a1 3 al n 1 O O O b1
a n +2 O a21 a22 a23 a2n O 1 O O b2
a n +3 O a31 a32 a33 a3n O O 1 O b3
an+m O ami a m2 am3 a mn O O O 1 bm
Figura 3. Forma inicial del Tablero Simplex.
En este tablero la base B esta formada por {a n+l , a n+2 , a n+3 ,....... , a n+m }, mientras
que N la forman {al, a2 , a3 ,.... ... , a n }. Equivale a decir que {X n+1 , X n+2 , X n+3 ,... .. .. ,
Xn+m } son las variables básicas y que {Xl , X2 , X 3 ,.... ... , X n } son variables no
básicas . Con esto, cada tablero muestra una solución básica al asignar el valor O a
cada variable no básica , para que las variables básicas tom en como valor el
correspondiente término independi ente . As í pues, en este primer tablero se tiene que :
• Variables no básicas: X, =X 2 =X 3 =......... =X =O n
• Variables básicas : X +, =b, , X n+2 =b 2 , X +3 =b 3 , ........... , X + =b

n n n m m •
42
INY L STIG,\C ION DE OPERAC IONES PARA INGEN IER I AS y ,\D~ II N I STRAC I ON DE EMPRESAS
2.6.2 Verificación del criterio de optimalidad.
Cada tablero permite de una manera sencilla observar el cumplimiento o no de este

criterio . Se podrá definir si se ha obtenido la solución óptima o hay que buscar el
elemento pivote que se usará para construir un nuevo tablero (nueva base B).
2.6.3 Elemento pivote.
Cada uno de los criterios primal y dual definieron una fila de trabajo (vector de salida)
y una columna de trabajo (vector de entrada) . Esta posición de fila y columna en el
tablero determina el elemento pivote. De tal manera que en el siguiente tablero, este
debe pasar a ser 1 y el resto de la columna conformada por ceros.
Nuevo tablero Simplex.
Debe ser obtenido sobre el elemento pivote previamente definido usando el método
de eliminación de Gauss que se presenta en el apéndice A .
2.6.4 Ejemplos con el Algoritmo Simplex.
2 .6.4 .1 Resolver mediante el algoritmo Simplex el siguiente Programa Lineal:
Max(Z) = 6X 1 + 4X 2
2X 1 + 3X 2 S 12
2X 1 + X 2 S 8
X1 ,2 ~ O
Como el Programa Lineal tiene la forma canónica se construye la forma básica:
Z - 6X 1 - =O
4X 2
2X 1 + 3X 2 + X3 = 12
43
LUIS I\LBERTO RINCON I\BRII _
2X 1 + X2 + X4 = 8
XI ~ O para j = 1,2,3,4
Los tableros Simplex para este programa son los siguientes:
Z X1 X2 X3 X4 b Tablero
Z¡-c¡ 1 -6 -4 O O O
A3 O 2 3 1 O 12 Inicial
A4 O 2 1 O 1 8
Z--c· 1 O -1 O 3 24
A3 O O 2 1 -1 4 Segundo
A1 O 1 Y2 O Y2 4
Z·-c· 1 O O Y2 5/2 26
A2 O O 1 Y2 Y2 2 Final
A1 O 1 O -1,4 3,4 3
Tablero inicial: Solución básica factible pero no óptima, pues Z1 - C1 = -6, Z2 - C2 = -4,
con variables básicas X3 = 12, X4 = 8 Y variables no básicas: X1 = X2 = o. Se debe
entonces generar un nuevo tablero (nueva base). De acuerdo con el criterio primal , la
variable X1 (vector a1) entra a la base y el vector a4 sale de la base; el elemento
pivote aparece señalado.
Segundo tablero: La nueva base es {a3 ad. Presenta una solución básica factible no
óptima, pues Z2 - C2 = -1 con las variables básicas X3 = 4, X 1 = 4 Y variables no
básicas X2 = X4 = o. Se debe entonces generar un nuevo tablero (nueva base). De
acuerdo con el criterio primal , la variable X2 (vector a2) entra a la base y el vector a3
sale de la base; el elemento pivote aparece señalado.
Tablero final : La nueva base es {a2 ad. Presenta la solución óptima, pues cumple el
criterio de optimalidad, esto es ZI - cI ~ O, para todo j y X Bk ~ O para todo k. Las
variables básicas X2 = 2, X 1 = 3 Y las variables no básicas X3 = X4 = O. Además este
tablero presenta que Max(Z) = 26.
44
l NVrST1(ói\C1()N DE OPER/\C10NES P,\Ri\ l NGEN 1ER1 ¡\S y ¡\D~ II N 1 STR¡\C 10 N DE E~IPRESi\S
2 .6.4.2 Resolver mediante el algoritmo Simplex el sigu ien te Programa Lineal:
Max(Z) = 2X 1 + 5X 2 + 5X 3
X 1 + X2 + X 3 S 60
2X 1 - X 2 S 18
X2 - X3 S 6
XI?: O para j = 1,2 ,3
Como el Programa Lineal tiene la forma canónica se constru ye la forma básica:
Z - 2X 1 - 5X 2 - 5X 3 =O
X 1 + X 2 + X 3 + X 4 = 60
2X 1 - X2 + X5 = 18
X2 - X3 + X6 = 6
Xi?: O para j = 1,2 ,3,4 ,5,6
Siendo variables de decisión {X 1 ,X 2 ,X 3 } y variables de holgura {X 4 ,X 5 ,X 6 } .
Z X1 X2 X3 X4 Xs X6 b Tablero
Z -c· 1 -2 -5 -5 O O O O
a4 O 1 1 1 1 O O 60 Inicial
as O 2 -1 O O 1 O 18
a6 O O 1 -1 O O 1 6
Z·-c · 1 -2 O -10 O O 5 30
a4 O 1 O 2 1 O -1 54 Segundo
as O 2 O -1 O 1 1 24
a2 O O 1 -1 O O 1 6
Z¡-c¡ 1 3 O O 5 O 5 300
a3 O % O 1 % O -% 27 Final
as O 5/2 O O % 1 % 51
a2 O Y2 1 O % O % 33
45
LU IS ALBERTO RINCON ABR IL
El análisis de los anteriores tableros Simplex muestra:
Tablero inicial: Base {a4 as a6}. Solución básica factible pero no óptima, en donde
las variables básicas X4 = 60 , Xs = 18, X6 = 6 Y las variables no básicas X 1 = X2 = X3 =
O. Se debe generar un nuevo tablero (nueva base). De acuerdo con el criterio primal ,
la variables X2 (vector a2) Y X3 (vector a3) cumplen la condición para entrar a la base;
este empate se rompe arbitrariamente entrando a una de ellas X2, entonces el vector
a6 sale de la base; el elemento pivote aparece señalado.
Tablero final: La base final es {a3 as a2}. Es la solución óptima, pues cumple el
criterio de optimalidad , esto es z¡ - c¡ 2: O, para todo j y X Bk 2: O para todo k. Las
variables básicas X3 = 27, Xs = 51 , X2 = 33 Y las variables no básicas: X 1 = X4 = X6 =
o. Además Max(Z) = 300.
2.6.4 .3 Resolver mediante el algoritmo Simplex el siguiente Programa Lineal :
Min(C) = 2X 1 + 2X2
X 1 + X2 S 12
X 1 + 2X 2 2: 10
3X 1 + 2X 2 2: 12
X1.2 2: O
Forma Canónica Forma Básica

Max(Z) = -2X 1 - 2X 2, con Z =-C Z + 2X 1 + 2X 2 = O
X 1 + X2 S 12 X 1 + X2 + X3 = 12
-X 1 - 2X 2 S -10 -X 1 -2X 2 +X4 =-10
-3X 1 - 2X 2 S -12 -3X 1 - 2X 2 + Xs = -1 O
X 1.2 2: O XJ -> O para j = 1,2,3,4,5
46
INVESTIGACION DE OPERAC IONES PARA INGEN IER IA S y ¡\D~ II N I STRAC I ON DE EMPRESAS
Las variables de decisión son {X 1 , X2} y variables de holgura son {X 3 , X4 , X 5}.
Z X1 X2 X3 X4 Xs b Tablero
z¡-c¡ 1 2 2 O O O O
a3 O 1 1 1 O O 12 Inicial
a4 O -1 -2 O 1 O -10
as O -3 -2 O O 1 -12
z¡-c¡ 1 O 2/3 O O 2/3 -8
a3 O O 1/3 1 O 1/3 8 Segundo
a4 O O -4/3 O 1 -1/3 -6
a1 O 1 2/3 O O -1 /3 4
z·-c· 1 O O O % % -11
a3 O O O 1 1,4 1,4 13/2 Final
a2 O O 1 O -% 1,4 9/2
a1 O 1 O O % -% 1
Tablero inicial: Base inicial {a3 a4 a5}. Solución básica no factible , pues se tiene que
las variables básicas: X 3 = 12, X4 = -10 , X5 = -12 Y variables no básicas: X, = X2 = O.
Debe entonces generarse un nuevo tablero (nueva base). De acuerdo con el criterio
dual, sale de la base a5 Y entra la variable X 1 (vector a1) ; el elemento pivote aparece
señalado.
Segundo tablero: La nueva base es {a3 a4 a,}. Solución básica no factible, pero
menos "infactible" que la anterior, esto es lo que logra el criterio dual. Con variables
básicas X3 = 8, X4 = -6, X, = 4 Y variables no básicas: X2 = X5 = o. Debe generarse un
nuevo tablero (nueva base). De acuerdo con el criterio dual, sale de la base a4 y entra
la variable X2 (vector a2); el elemento pivote aparece señalado.
Tablero final: La base final es {a3 a2 a,}. Solución óptima , pues cumple el criterio de
optimalidad , esto es z¡ - c¡ ~ O, para todo j y X Bk ~ O para todo k. Las variables
47
LlI lS ,\LBrRT O RI NCON ,\13 1<1 1.
básicas X3 = 13/2, X2 = 9/2, X, = 1 Y variables no básicas X4 = Xs = o. Además este

tablero presenta que Min(C) = 11 , puesto que Max(Z) = -11 .
2.6.5 Relaciones vectoriales y matriciales.
Entre los vectores y matrices de los tableros Simplex hay varias re laciones, (algunas
de las cuales se usaron como elementos matemáticos en la demostración del
método) , que se presentarán en esta sección y que resultan ser de gran importancia
en análisis de post-optimización , tema que se trata en el apartado 2.7.
2.6.6 Definiciones básicas.
Vector columna y¡: Conformado por los elementos akJ para la variable XJ en el
tablero inicial.
Vector columna Y¡: Conformado por los elementos akJ para la variable XJ en el
tablero final.
Vector fila C s: Conformado con los coeficientes de la función objetiva en la forma

canónica para las variables de la base final.
Vector fila CN: Conformado con los zJ- cJdel tablero final para las variables de la
base inicial.
• Matriz básica B: Estructurada con los vectores YJ del tablero inicial para la base
final.
• Matriz inversa de la básica B-': Estructurada con los vectores Y¡ del tablero final
para la base inicial.
Aplicando estas definiciones al ejemplo 2.6.4.3 , se tiene:
48
IN\TS11(;/lCION DE OP I i{ ,\C IONES P/lR ,\ I N(;EN I ER I /lS y ,\D~ II N I STR/lCION DE H IPR ESAS
Las matrices B y B-1 cumplen 88- 1 = 8- 1 8 = l.
2.6.7 Relaciones básicas.
A partir de las definiciones básicas se pueden definir:
Vector X Sk para el tablero final : Se le llama XSo y se calcula como XSo = B- b, en

1
donde b = XBk para el tablero inicial.
Valor de la función objetiva para el tablero final: Z = CsXso Ó Z = CNb

Vector V¡ del tablero final: V¡ = B-1y¡.
z¡ - c¡ del tablero final: z, - c, = CNy, - c'j, en donde c'¡ es el coeficiente de X¡ en la
función objetiva de la forma canónica.
2.6.8 Casos particulares.
2.6.8.1 Inexistencia de solución. Este caso se presenta cuando no es posible

cumplir con todas las restricciones del programa lineal.
Teorema: Un Programa Lineal carece de solución cuando existiendo algún XB, < O,
todo los correspondientes a" son positivos.
Demostración : Si todos los a" ~ O, entonces el vector a, es totalmente positivo, pues

a" son las componentes de a, y el producto a,X k ~ O puesto que Xk ~ O. Con ello la
igualdad a,X k = XB , no es posible.
49
LUIS ALBERT O RINCON ABR IL
Ejemplo: Muestre que el siguiente programa lineal carece de solución.
Min(C) = 3X l + 2X2
Xl + X2 S 3
2X l + 3X 2 ~ 12
Xl ,2 ~ O
El lector podrá fácilmente verificar que este programa carece de solución , trazando
para ello las restricciones en el plano cartesiano y observando que no existe ningún
punto que verifique las restricciones y la condición de no negatividad.
Forma Canónica Forma Básica

Max(Z) = -3X l - 2X 2 , con Z = -c Z + 3X l + 2X2 = O
Xl + X2 S 3 Xl + X2 + X3 = 3
-2X l - 3X 2 S -12 -2X l - 3X 2 + X4 = -12
Xl ,2 ~ O X>O
1- para j = 1,2,3,4
Tableros Simplex para este programa:

z X, X2 X3 X4 b Tablero
Z¡-C¡ 1 3 2 O O O
A4 O -2 -3 O 1 -12
z¡-c¡ 1 5/3 O O 2/3 -8
A3 O 1/3 O 1 1/3 -1 Segundo
A2 O 2/3 1 O -1 /3 4
Para este segundo tablero se tiene que X3 = -1, pero en el vector a l = eo 1 *)

todas las componentes son positivas; luego este programa carece de solución .
2.6.8.2 Soluciones múltiples. De acuerdo con el teorema 3 presentado en el

numeral 2.5.4, este caso se presenta cuando el Programa Lineal genera dos
extremos óptimos y entonces cualquier combinación convexa de ellos es solución
óptima.
50
INVESTIG ACION DE OPERAC IONES PARA INGEN I ERI AS y ADM IN ISTRAC ION DE EMPRESAS
Teorema : Cuando se obtiene una solución óptima a un Programa Lineal en el que

aparece algún Zk - Ck = O para Xk no básica, entonces este Programa Lineal tiene
soluciones múltiples. Una segunda solución óptima puede ser encontrada entrando
X k a la base. El análisis de la demostración de este teorema se deja al lector.
Ejem plo: Resolver mediante el algoritmo Simplex el siguiente Programa Lineal:
Max(Z) = 4X 1 + 2X 2
X 1 + X2 ~ 8
2X 1 + X2 ~ 12
X1.2 ~ O
Como este Programa Lineal tiene la forma canónica se construye la forma básica:
Z - 4X 1 - 2X 2 = O
X 1 + X2 + X3 = 8
2X 1 + X2 + X4 = 12
Xj ~ O para j = 1,2,3,4
Tableros Simplex para este programa:
Z X1 X2 X3 X4 b Tablero
z¡-c¡ 1 -4 -2 O O O
A4 O 2 1 O 1 12
z·-c · 1 O O O 2 24
A3 O O 112 1 -% 2 Final 1
A1 O 1 % O Y2 4
z¡-c¡ 1 O O O 2 24
A2 O O 1 2 -1 4 Final 2
A1 O 1 O -1 1 4
51
L U I S A L BERTO RINCON I\BR IL
Para un Máx(Z) = 24 , los tableros final 1 y final 2 presentan soluciones óptimas que
se pueden escribir como:
4
il
.\~ - O 2
d cl .fIll a l I y
IX'1 IX' 1
.1 = d el .fil/u l 2 .
.1 1 2 .\ .1
x" O .\"
Todas las soluciones óptimas pueden ser expresadas como una combinación
convexa de estas dos soluciones encontradas.
Para que la combinación sea convexa, el parámetro!l debe cumplir O ~ !l ~ 1.
2.6.8.3 Solución no acotada. Se presenta cuando las variables de decisión crecen

indefinidamente y con ello la función objetiva . Esto sólo puede darse en un modelo
teórico pues los procesos reales no podrán ofrecer este tipo de circunstancias .
Teorema : Un programa carece de solución acotada cuando existiendo Z k - Ck < O,
todas las componentes del correspondiente vector Yk son negativas.
El análisis de este teorema y del siguiente ejemplo se dejan al lector.
Ejemplo: Resolver mediante el algoritmo Simplex el siguiente Programa Lineal :
Max(Z) = 2X 1 + X2
X1 + X2 ~ 4
X 1 - X2 S 2
X1,2 ~ O
52
INVEST IG¡\C ION DE OPERAC IONES PARA I NGEN I ER I AS y AD~ II N I STR f\C I ON DE EMPRESAS
2.7 ANÁLISIS POST-ÓPTIMO O DE SENSIBILIDAD.
Una vez se ha obtenido la solución óptima del problema de Programación Lineal , es

conveniente realizar un análisis de sensibilidad . Este consiste en evaluar el impacto
en la solución derivado de cambios discretos en algunos de los parámetros del
problema. Las magnitudes de estos cambios no siempre son arbitrarias, sino que
obedecen a la necesidad de establecer si es importante evaluar o determinar con
precisión un cierto coeficiente, o si por el contrario una mayor certeza en su valor no
introduce mayores cambios en la solución obtenida . Esto significa que hay más en la
Programación Lineal y en el método Simplex que el sólo hecho de obtener la solución
óptima. Por ejemplo, en un problema de producción , el costo de una o varias
materias primas podrá variar de semana en semana y es , por ende , importante saber
que ocurre con la solución que se está aplicando, para saber si permanece óptima o
se deben realizar ajustes para llevarla de nuevo a la condición de optimalidad.
Ciertamente siempre es posible resolver el problema desde el principio , sobre todo si

se posee un programa de computador, sin embargo, es más sencillo hacer uso de la
información contenida en el último tablero y de las relaciones matriciales y vectoriales
del método Simplex explicadas en los párrafos anteriores, para observar rápidamente
la consecuencia de los cambios propuestos. Estas variaciones pueden ocurrir por
cambios en los recursos limitados, costos o precios unitarios, coeficientes
tecnológicos o por que se consideren nuevas actividades. A continuación se
presentará como proceder en cada uno de los tres primeros casos.
2.7.1 Cambios en el vector b.
Se deben a cambios ocurridos en algunos de los recursos limitados b¡ (términos

independientes de las restricciones) . Suponiendo que en el programa original , el
vector b (corresponde a la forma canónica, básica o XSk del tablero inicial) cambia al
vector b'; entonces para el tablero final correspondiente solamente ocurrirían cambios
en XSo y Z, de tal manera que podemos llamarlos X'so y Z' Y calcularlos como :
53
L U I S A L BERTO RI CON AB RIL
X,So -- S-1 b' , z = CsX'SO
Esta nueva solución puede resultar factible o no factible ; si es el primer caso será
la nueva solución óptima . Para el segundo caso , ésta será reemplazada en el
tablero final y se procederá a reestablecer la factibilidad usando el criterio dual.
2.7.2 Cambios en el vector C.
Se deben a cambios ocurridos en algunos de los coeficientes de la función objetiva.

Suponiendo que en el programa original, el vector e (corresponde a la forma
canónica) cambia al vector C' porque algunos cJ han cambiado a c'i; entonces para el
tablero final solamente ocurrirían cambios en los zi - cj. de tal manera que podemos
llamarlos (zJ- cj)' y calcularlos como:
(Zj - cj)' = C NYj - C 'j
Estos valores se reemplazarán en el tablero final y se procede con el análisis del

mismo tablero para definir el procedimiento a seguir: restituir al base, la optimalidad o
se trata de la solución óptima.
2.7_3 Cambios en los coeficientes tecnológicos Yj.
Se deben a cambios ocurridos en algunos de los coeficientes de las restricciones.

Suponiendo que en el programa original , el vector YI (corresponde a la forma
canónica, básica o tablero inicial) cambia al vector y'j; entonces para el tablero final
solamente ocurrirían cambios en Vi y zJ - cJ. de tal manera que podemos llamarlos V'i
y (zJ- cj)' y calcularlos como:
Y,j = S-1,Y j, ( Zj - cj)' = C NYj - C 'j
S4
INVr:ST I(ó ,\C ION DE OPERM.' IONES P;\R ,\ INlóE I ER I,\S y AD~ II N I S TR /\C I ON DE H I PRES ,\S
Estos valores se reemplazan en el tablero final y se procede al análisis del mismo

tablero para definir el procedimiento a seguir: restituir al base , la optimalidad o se
trata de la solución óptima.
2.7.4 Ejemplo de problema de producción con post-optimización.
Una Factoría debe producir 3 concentrados (1 , 2, 3) , mezclando 2 materias primas

como muestra la tabla en la página siguiente. El costo del proceso es 1 Unidad de
dinero por Ton de concentrado . Las condiciones del mercado le exigen producir:
mínimo 120 Ton en total , al menos 30 Ton de Concentrado 1 y no más del
concentrado 3 que del 2. Dispone únicamente de 80 Ton de la materia prima A.
Cuántas toneladas de cada concentrado debe producir?
Materias Primas Precio de Venta

Concentrados A B Unid. dinerofTon
1 0.6 0.4 29
2 0.5 0.5 32
3 0.4 0.6 35
Costo materia Prima 20 30
Unidad dinerofTon
Solucion.
Variables De Decisión.
Xl : Ton. a producir de Concentrado 1

X2 : Ton . a producir de Concentrado 2
X3 : Ton. a producir de Concentrado 3
55
LU I S ,\L13ERTO RINCON ABRIl.
Modelo Matemático Forma Canónica Forma Básica

Max(Z)=4X , + 6X 2 + 8X 3 Max(Z) = 4X , + 6X 2 + 8X3 Z-4X, - 6X 2 - 8X 3 = O
X, + X2 + X 3 ? 120 -X , - X2 - X3 50-120 -X l -X 2 -X 3 + X4 =-120
Xl ? 30 -X , 50-30 -X l + Xs = -30
X2 - X3 ? O - X2 + X3 S O -X 2 + X3 + X6 = O
0.6X, + 0.5X 2 + OAX 3 S 80 0.6X ,+0 .5X 2+OAX 3 50 80 0.6X ,+0.5X 2+OAX 3 +X l = 80
X>
J- O para J=1 ,2,3 XJ -> O para J=1 ,2 ,3 Xi?' O para J=1 ,2,3,... ,7
Algoritmo Simplex
z X, X2 X3 X4 Xs X6 Xl b Tablero
z·-c¡ 1 -4 -6 -8 O O O O O
a4 O -1 -1 -1 1 O O O -120 Inicial
as O -1 O O O 1 O O -30
a6 O O -1 1 O O 1 O O
al O 0.6 0.5 OA O O O 1 80
z·-c· 1 4 2 O -8 O O O 960
a3 O 1 1 1 -1 O O O 120 Segundo
as O -1 O O O 1 O O -30
a6 O -1 -2 O 1 O 1 O -120 Criterio
al O 0.5 0.1 O OA O O 1 32 Dual
z·-c· 1 3 O O -7 O 1 O 840
a3 O Y2 O 1 -Y2 O % O 60 Tercero
as O -1 O O O 1 O O -30
a2 O 0.05 1 O -% O -Y2 O 60 Criterio
a7 O 0.15 O O OA5 O 0.05 1 26 Dual
z·-c· 1 O O O -7 3 1 O 750
a3 O O O 1 -% Y2 Y2 O 45 Cuarto
a, O 1 O O O -1 O O 30
a2 O O 1 O -% % -Y2 O 45 Criterio
a7 O O O O 0.45 0.15 0.05 1 21 .5 Primal
z¡-c¡ 1 O O O O 16/3 16/9 140/9 9760/9
a3 O O O 1 O 2/3 5/9 10/9 620/9 Final
a, O 1 O O O -1 O O 30
a2 O O 1 O O 2/3 -4/9 10/9 620/9
a4 O O O O 1 1/3 1/9 20/9 430/9
S6
INVEST IGAC ION DE OPERAC IONES PARA I NGEN I ER I AS y ADM IN ISTRAC ION DE EMPRESAS
Solución Óptima.
Xl = 30 Ton de concentrado 1.
X2 = 620/9 Ton de concentrado 2.
X3 620/9 Ton de concentrado 3.
X4 = 430/9 Holgura de la restricción 1
Xs = X6 = X7 = O. Variables no básicas y de holgura.

UTILIDAD (en unidades de dinero): Max(Z) = 1084.44
Explicación para los valores de las variables de holgura.
X4 = 430/9 Ton . Por encima de las 120 Ton . mínimas requeridas .

Xs = O. No se producirán excedentes sobre las 30 Ton. de concentrado 1.
X6 = O. De los concentrados 2 y 3 se producirá la misma cantidad .
X7 = O. Se utilizará todo el recurso de materia prima A.
Análisis de Post-Optimización.
Matrices y Vectores requeridos.
C u = (8 4 6 O)
a) Cuál es la nueva solución si el total de la producción debe ser al menos 150 Ton ,
no dispone sino de 120 Ton de materia prima A y las demás limitaciones no cambian.
57
LU I S ,\ L BERTO RINCON A BR IL
- 150
-30
En este caso el nuevo vector /J' = y calculando X 'BO = S-1 b ' se obtiene
O
120
.1'¡()
30
X 'lJo= 100 y Z' = CBX'BO = 5120/3. Qu e resulta ser factible , por lo tanto es solución
óptima que se puede interpretar de la siguiente forma :
X1 = 30 Ton de concentrado 1.
X4 = 260/3 Holgura de la restricción 1
Xs = X6 = X7 = O. Variables no básicas y de holgura.
b) Cuál es la nueva solución si el total de la producción debe ser al menos 80 Ton , la

diferencia de producción entre los concentrados 2 y 3 debe ser al menos 50 Ton , la
cantidad de materia prima A disponible es 40 Ton y las demás limitaciones no
cambian .
El nuevo vector /J '= [=¡~l => X 'BO = S-1 b ' =[~~;: 1 y z' = =
CBX'BO 880/9. Que resulta
40 -~
.'
una solución básica no factible , por lo tanto se reemplazará X Bk =X 'Bo y Z =Z' en el

último tablero.
58
INVr.STI (; ,\C ION DE O I'EI{ ¡\ C IO N ES I',\R J\ I NGEN IER I J\ S y J\ D~ II N I S TR , \ C I ()N DE E~ I PR ES r\S
Z X1 X2 X3 X4 Xs X6 X7 b Tablero
z-c 1 O O O O 16/3 16/9 140/9 880/9
a3 O O O 1 O 2/3 5/9 10/9 -10/3 Nuevo
a1 O 1 O O O -1 O O 30 Tablero
a2 O O 1 O O 2/3 -4/9 10/9 140/3 Final
a4 O O O O 1 1/3 1/9 20/9 -80/3
Este table ro , mu estra que el PROGRAMA LINEAL carece de solución .
c) Cu ál es la nu eva solución si el precio de venta del concentrado 1 pasa a ser 35

unidades de din ero por Ton .
Para este caso c' 1 =35 - (1 + 0.6*20 + 0.4*30) =10 Y (Z1 - C1)' =- 6
Z X1 X2 X3 X4 Xs X6 X7 b Tablero
z·-c· 1 O O O O 16/3 16/9 140/9 9760/9
a3 O O O 1 O 2/3 5/9 10/9 620/9 Recuperar
O 1 O O O -1 O O 30 La
a2 O O 1 O O 2/3 -4/9 10/9 620/9 Base
a4 O O O O 1 1/3 1/9 20/9 430/9
z¡-c¡ 1 O O O O -2/3 16/9 140/9 11 380/9
a3 O O O 1 O 2/3 5/9 10/9 620/9 Criterio
a1 O 1 O O O -1 O O 30 Primal
a2 O O 1 O O 2/3 -4/9 10/9 620/9
a4 O O O O 1 1/3 1/9 20/9 430/9
z¡-c¡ 1 O O 1 O O 7/3 50/3 4000/3
as O O O 3/2 O 1 5/6 5/3 3 10/3 Final
a1 O 1 O 3/2 O O 5/6 5/3 400/3
a2 O O 1 -1 O O -1 O O
a4 O O O -Y2 1 O -1 /6 5/3 40/3
La sol ución óptima qu e se pu ede interpreta r de la siguiente form a :
S9
LU IS ALBERTO RINCON ABRIL
Xl = 400/3 Ton de concentrado 1.

X2 = O Ton de concentrado 2.
X4 = 40/3 Ton . Holgura de la restricción 1
Xs = 310/3 Holgura de la restricción 2
X3 = X6 = X7 = O. Variables no básicas.
2.8 USO DEL COMPUTADOR EN LA PROGRAMACiÓN LINEAL.
En 1950 aparecen los primeros intentos para dar solución a programas lineales
mediante el uso de un computador, pero las primeras soluciones acertadas a un
programa lineal en un computador de alta velocidad , solo se obtuvieron en Enero de
1952 con el uso de la máquina SEAC , del National Bureau of Standard . Desde
entonces, el Algoritmo Simplex, ha sido codificado en varios lenguajes de
programación . El profesional que requiere del uso de la programación lineal , hoy en
día, en verdad no necesita más que del diseño del modelo matemático, pues las
soluciones están al alcance hasta de los más pequeños computadores y la eficiencia
de las respuestas de los programas de computador sólo dependen de un correcto
diseño del modelo matemático al problema . La aplicación de mayor uso actualmente
resulta ser la herramienta SOLVER de EXCEL , la cual se presentará en esta
sección. Hoy en día, muchos libros sobre Investigación de Operaciones vienen
acompañados de Software de aplicación para la solución de varios problemas . Por
ejemplo el texto de Hillier y Lieberman 3 dispone el OR Courseware con
procedimientos didácticos y aplicaciones para la solución de varios problemas.
' HILLlER Frederick y LlEBERMAN Gerald, Introducción a la Investigació n de Ope raciones. Editoria l
Mc Graw Hi11. 1997. México.
60
INVI STI(; ,\C IO N DI' ()I'I RM ' IONI S P,\R ,\ IN(;I.N II I{L\S y \I )~ IINISTR .\C I()N DE E~IPR r· S . \S
Actualmente , una de las aplicaciones para computadores más importantes para

resolver problemas de Programación Lineal , Cuadrática y Entera, se conoce como
LINDO . Desarrollado por Lindo System , apareció en 1979 y desde entonces ha sido
mejorado sucesivamente en diversas versiones que lo han convertido en una
herramienta flexible y sencilla de usar. En 1983 apareció la versión para compatibles
PC con manejo hasta de 60 restricciones y 120 variables. En 1996 salió al mercado
la versión 6.0 para Windows. Antes de que aparecieran Lotus 1-2-3 o Excel , Lindo
había sido incorporado a la hoja de cálculo VisiCalc con el nombre de VINO que
resultaba equivalente al Solver que hoy viene con Excel.
2.8.1 El Software Progralinea l.
Particularmente el autor de estas notas ha tenido la oportunidad de diseñar varias

versiones de aplicaciones en la solución de programas lineales para ser utilizados en
4
equipos compatibles IBM PC. La última de las cuales, llamado PROGRALlN ,
aprovecha las bondades del entorno Windows y del lenguaje de programación

Visual Basic. Esta aplicación permite solucionar programas lineales hasta con 40
variables de decisión y 40 restricciones ; el mismo se encarga de la introducción y
manejo de las variables de holgura, de la creación de las formas canónica y básica.
Permite almacenar el enunciado de los problemas y el correspondiente modelo
matemático. Dispone de un importante manual de ayudas y sólo requiere que el
usuario construya y digite los parámetros del modelo matemático, esto es, los
valores para e j, b ¡, a ¡j y los símbolos de las desigualdades. Dado que está
"pensado" para utilizarlo didácticamente, presenta paso a paso cada uno de los
tableros Simplex y al final el análisis matemático de la solución.
1 Este programa puede usarse gratuitamente y el lector podrá hace r una copia de su instalador por
Internet en la direccion
61
L U IS A LllE ln O R INCON .\I3R 11.
2.8.2 El uso de la herramienta Solver.
La hoja de cálculo Excel de Microsoft Office tiene incorporada una poderosa

herramienta , llamada Solver, que permite el manejo de modelos de sistemas
lineales para realizar cálculos, entre los cuales aparecen los siguientes:
1. Solución a sistemas de ecuaciones lineales.

2. Modelos lineales de optimización restringida con variables reales .
3. Modelos lineales de optimización restringida con variables reales positivas.
4. Modelos lineales de optimización restringida con variables enteras .
5. Modelos lineales de optimización restringida con variables binarias.
6. Modelos lineales de optimización restringida con variables mixtas (reales ,
enteras , binarias).
Los modelos de Programación Lineal encajan dentro del grupo tres que resue lve la
herramienta Solver, por lo tanto siempre podrá ser usada para este propósi to. Se
ilustrará su uso con un ejemplo para el cual ya se había construído el modelo
matemático en la sección 2.3.4.
Ejemplo. Cuántas toneladas de acero puro y chatarra se deben utilizar en la

preparación de una aleación para un clien te; si el costo por Ton es de $ US 600 para
el acero y $ US 300 para la chatarra. El clien te requiere mínimo 50 toneladas de la
aleación. La empresa dispone de 70 y 40 Ton de acero y chatarra. La relación entre
la chatarra y el acero no pueden superar los 7/8. La compañía dispone de 120 horas
para este trabajo . Derretir y fundir una Ton de acero exige 2 horas y la chatarra 3
horas .
X 1 : Ton a mezclar de acero.
62
IN\' I.S1 I(;'\UON D I. O I'I.R ,\ClON I S I'/\ R /\ I N(; EN I ER I,\S y '\ D ~ II N I S T R'\C I ON D E H IP RES r\S
X2 : Ton a mezclar de chatarra.
Modelo Matemático
Función Objetiva: Min(C) = 600X 1 + 300X 2
Xl + X2 ~ 50
2X l + 3X 2 ::; 120
7X l - 8X 2 ~ O
Xl ::; 70
X2 ::; 40
Xl , X2 ~ O
Para la solución de este problema con la herramienta SOLVER de EXCEL, se

puede preparar inicialmente una hoja de trabajo como la que se muestra en la
figura 4. En esta hoja de cálculo se dispusieron los siguientes elementos:
Entre las filas uno y 10 se considera una matriz para los parámetros del modelo
matemático del Programa Lineal. Por ejemplo las celdas B5: E5 pueden leerse
como 1 Xl + 1X2 ~ 50 , que resulta ser la primera restricción , mientras que las
celdas B 1O:E 10 pueden leerse como 600X l + 300X 2 , que corresponde con la
función objetiva.
De la fila 16 a la 24 aparecen definidas las expresiones de cálculo para el modelo

matemático del Programa Lineal. Por ejemplo la celda B20 y C20 evalúan por
separado cada uno de los términos de la segunda restricción y la celda F20 evalúa
el lado derecho de esta restricción. Así mismo , la celda F24 evalúa el valor total de
63
I IIl S \1 Ilf Rl() I<I N("() N M1RIL
la función Objetiva . Las celdas B 16:C 16 se han previsto para que Solver escriba
los valores de Xl, X2 , una vez los calcule.
.-
A B I e I oJ E
---- F
MODELO MATEMATICO
-
3 Acero Chatarra Limitación

4 X1 X2 !
~
5 Aleació n 1 1 > 50
6 Capacid ad de Trabajo 2 3 < 120
7 Relac ió n 7 -8 > O
!----- !
8 ,Dispon ibilidad Acero 1 < 70
9 Di spon ibilidad Chatarra 1 < 40
._- J
10 F.O . Min(Costo) 600 300 !
11
12 --
SOLUCION POR SOLVER
13
14 Acero Chatarra Limitación
--
~ X1 X2
I
16 Valores obtenidos .1- I
17 Valores mínimos O O
I
I
---
I
18
19 Aleació n =B5'B$ 16 =C5'C$16 > 50 =SUMA(B19C19)
I 20 -lCapaci dad de Trabajo =B6'B$16 =C6'C$16 < 120 =SUMA(B20 :C20)
121 .Relació n =B7'B$ 16 =C7'C$ 16 > O =S UMA(B21C21 )
122 Dispon ibilidad Ace ro =B8'B$1 6 =C8'C$16 < 70 =SUMA(B22:C22)
23 Dispon ibilidad Chatarra =B9'B$16 =C9'C$ 16 < 40 =S UMA(B23C23)
24 F.O . Min(Costo) =B10' B$16 =C 10'C$ 16 =S UMA(B24C24 )
25
Figura 4. Hoja de cálculo en Excel para el uso de Solver_
Preparada esta hoja de cálculo se procede a usar la opción SOLVER del menú de
HERRAMIENTAS de EXCEL y se responde el cuadro de diálogo de la siguiente
forma:
64
INVES-I I(, ,\C ION DE OPER /\C IONES P,\Ri\ I NCiEN IER I i\S y i\D~ II N I STR , \CION DE [~IPRES , \S
D E F
Parámetro, de Solver 11
Cerrar
c- t].é xirno
Cam~ando las celdas
Qpoones" ,
Suietas a las si9uientes restricciones:
tBt·16:f.q.16 >= ¡.E;f. 17: f.':t, 17 6gregar, "

f.Ff.1'~ >= tEf.19
f.Ft,20 <= t·Et·20 ~arnbidr , , , &:-stdblecet todo
¡.Ff.21 >= tE t ,21
¡,Ff.22 <= tEt,22
f.Ff.23 <= t,Ef.23 .-J ~irninar
I IUld .-, ./
I• I
Figura 5. Cuadro de diálogo de Solver para resolver el ejemplo.
El procedimi ento para contestar este cuadro de diálogo se puede adelantar de la

si gu iente manera:
1. Celda objetivo. Se selecciona la celda que realiza el cálculo para la función

Objetiva, En este caso F24 .
2. Máximo o Mínimo. Se indica según el caso .
3. Cambiando las Celdas. Se selecciona las celdas donde Solver escribirá los
valores encontrados para las variables .
4. Restricciones. Se utilizan los botones Agregar, cambiar o eliminar para

construir, modificar o eliminar restricciones.
5. Resolver. Una vez se responde el cuadro de diálogo, se pul sa este botón para
que EXCEL presente los resultados sobre la hoja de trabajo , tal como lo
muestra la siguiente tabla:
6S
l .l ' I S !\ I. HI-.RTO RI NCON ,\131' 11.
A B e J D E F
MODELO MATEMATICO
2
3 Acero Chatarra I Limitación .~
4 X1 X2 ~ ..
5 Aleado n 1 1 ? 50 1
6 Capac idad de Trabaj o 2 3 < 120 -
7 Relacio n 7 -8 > O
8 Dispon ibilidad Acero 1 < 70
9 Dispon ibilidad Chatarra 1 < 40 -
10 F.O. M in (Cos to) 600 300
- l.
.~-
11
I 12 I SO LUCIO N POR SOLVER I
-
13
14 Acero - Chatarra Limitación
15 X1 X2
16 Valore s obtenidos 30 20
17 Valore s mínimos O O
18
19 Al eacio n 30 -
20 > 50 50
20 Capac idad de Trabajo 60 60 < 120 120
21 Relacio n 210 -160 > O 50
- ~
22 Dispon ib il idad Acero 30 O < 70
23 Dispon ibilidad Chatarra O 20 < 40 20
24 F.O. M in (Cos to) 18000 6000
-
24000
Figura 6. Hoja de cálculo en Excel una vez se aplica Solver.
Análisis de la respuesta de Solver.
1. La fila 16 muestra los valores obtenidos para las variables de decisión; esto es,
30 Ton de Acero y 20 Ton de Chatarra .
2. La fila 20 columnas E y F muestra que se utilizará toda la capacidad de trabajo.
3. La fila 24 indica que el costo mínimo total de preparar la aleación será $ US

24000.
66
INVEST I(; ,\CION IlF OPFR ,\C ION lcS !',\RA I N (~E N IERI , \S y , \D~IINISTR;\CI()N DI' r~IPRF S.'\S
2.9 EJERCICIOS Y PROBLEMAS PROPUESTOS.
1. CONCEPTOS TEÓRICOS.
1.1. Presente una aplicación generalizada de Programación Lin eal para algún caso,
por ejemplo: Diseño industrial de raciones , Mezcla industrial de productos, Política
de préstamos bancarios , Uso y urbanización de la tierra , Asignación de personal,
Asignación de recursos , etc.
1.2. Cómo se construye el programa dual a partir de un programa primal y que
relaciones existen entre éstos?
1.3. Explique la forma en que puede aplicar el análisis de post-optimización con la
herramienta Solver de Excel.
2. MODELOS MATEMÁTICOS DE PROGRAMACiÓN LINEAL.
2.1. Una compañía productora de fertilizantes es propietaria de 2 minas que le generan

la materia prima básica para sus productos. La mina 1 produce semanalmente 10
Ton de materia prima grado A, 30 Ton de materia prima grado By 50 Ton de grado
C. La mina 2 produce 30 Ton de cada grado semanalmente . La compañía, para la
producción anual de fertilizantes, requiere al menos de 160 Ton grado A y 300 Ton
grado B y no más de 800 Ton grado C. Los costos de explotación de las minas son
de 6000 y 4000 $US/semana respectivamente. Cuántas semanas al año debe
explotar cada mina para cumplir los planes de producción?
2.2. Una compañía de alquiler de camiones dispone dos tipos de vehículos, el camión A
que tiene 40 pies 3 de espacio refrigerado y 80 pies 3 de espacio no refrigerado; el
camión B tiene 60 pies 3 de cada tipo de espacio. Una procesadora de alimentos
debe transportar 1800 pies 3 de producto refrigerado y 2400 pies 3 de producto no
refrigerado El camión A lo alqui lan a $US 9 el Km y el camión B a $US 12 el Km .
2.2.1. Cuántos camiones de cada tipo deben tomarse en alquil er?
2.2.2. Escriba el modelo matemático, considerando el alqui ler de Camión C con 100
pies 3 refrigerados a $US 8 el Km?
67
L U I S A LB ERTO RI NCON A BRIL
2.3. Una industria de Aceite y Torta de Soya tiene capacidad para procesar hasta 60
Ton/día de Soya , las que adquiere a $55000 la Ton. Debe suministrar por lo
menos 16 Ton/día de Aceite. La industria usa dos procesos con los siguientes
rendimientos por Ton de Soya:
PRODUCTO PROCESO 1 PROCESO 2

Aceite 0.12 0.15
Torta de Soya 0.80 0.75
Costo de proceso por Ton $12000 $15000.
Para completar los pedidos , esta industria puede comprar Aceite a granel con
otros productores a $205000 la Ton , que le cuesta envasarla $8000 la Ton. La
industria vende Ton. de Aceite a $210000. y Ton. de Torta de Soya a $60000.
Presente un modelo matemático que permita planificar la producción en
condiciones óptimas.
2.4. Una imprenta dispone de 1800 tiras de cartulina de 13 pulg de largo. Debe atender
un pedido que le exige cortes de tal manera que disponga al menos 1000 tiras de
7 pulg , 2000 tiras de 5 pulg. La tabla muestra las cantidades de tiras de 5 y 7 pulg
por tira de cartulina de 13 pulg que puede obtener mediante los cortes posibles :
CANTIDAD DE TIRAS DE Desperdicio

CORTES POSIBLES 5 pulg 7 pulg (pulg)
A 2 O 3
B 1 1 1
2.4.1. Cuántas tiras de 13 pulg. debe cortar en las formas A y B para cumplir el
pedido minimizando el desperdicio?
2.4 .2. Bajo la solución anterior, cuántas tiras de 5 y 7 pulg. obtendrá?
2.4 .3. Será solución factible cortar 600 tiras en la forma A y 1100 tiras en la forma
B?
2.5. El Departamento de Servicios de un almacén proporciona servicios de reparación
para los electrodomésticos vendidos. Durante una semana cinco televisores, 12
grabadoras y 18 hornos microondas fueron devueltos para reparación . Dos
técnicos (Juan y Pedro) son contratados temporalmente para ayudar en dicho
68
INVEST IGi\C ION DE O PER AC IONES P¡\RA INGEN I ER I ;\S y c\D~ 1I N I S TR ;\C I ON DE H IPRESAS
departamento. En una jornada de ocho horas Juan puede reparar dos televisores
o 3 grabadoras o 4 hornos , mientras que Pedro puede reparar un televisor o 2
grabadoras o 3 hornos en el mismo tiempo. El salario diario está definido en
$20000 para Juan y $ 15000 para Pedro . Presente un modelo matemática para
calcular el número de horas contratadas para que los costos sean mínimos.
2.6. Una institución financiera se encuentra en el proceso de formular su política de

préstamos para el próximo semestre. Para ese fin se asigna un total de $12000
millones. Debido al tipo de institución , está obligada a otorgar préstamos a
diversos clientes. La tabla siguiente muestra los tipos de préstamos, las tasas de
interés y la posibilidad de que el préstamo se convierta en irrecuperable o
incobrable.
Tipo de préstamo Tasa de interés Probabilidad de

incobrable
Actividad Aqrícola 15% 0.005
Actividad Industrial 16.5% 0.003
Actividad Comercial 18% 0.01
Vivienda 15% 0.003
Vehículo 21 % 0.006
Se supone que los pagos que no se cubren son irrecuperables y, por lo tanto, no
producen ingresos por concepto de intereses. La competencia con otras financieras
del área hace que el banco asigne de los fondos totales al menos el 50% para
actividades agrícolas e industriales y los préstamos para vivienda deben ser al
menos el 50% de los asignados a actividades comerciales y compra de vehículos.
Además , este banco tiene una política establecida que especifica que la relación
global de pagos irrecuperables no puede ser superior a 0.004. Presente un modelo
matemático que le permita al banco calcular las asignaciones a cada uno de los
tipos de préstamos.
3. SOLUCiÓN GRÁFICA.
3.1. Resuelva gráficamente los siguientes Programas Lineales .
69
L U IS f\ L BE RTO RINCON ,\BR IL
a) Max(Z) = 12X , + 7X 2 b) Max(Z) = 2.5X, + 3X 2
4X, - 2X 2 S O 6X , + 8X 2 S 120
6X , + 5X 2 S 60 X, + X 2 2: 4
3X, + 4X 2 2: 12 X, S 12
X2 S 8 X 2 S 12
X " X 2 2: O X" X 2 2: O
c) Min(Z) = cX , + cX 2 d) Min(Z) = 6X , + 5X 2
2X , + 3X 2 2: 6 3X , + 2X 2 S 300
X, + X2 s5 2X , + 3X 2 S 300
X, - X2 S 1 X, 2: 50
X" X 2 2: 0 X 2 2: 50
3.2. Resuelva el problema 2.1 de la sección anterior.

3.3. Resuelva el problema 2.2 de la sección anterior.
3.4 . Resuelva el problema 2.5 de la sección anterior.
4 . MÉTODO SIMPLEX.
4.1. Resuelva los siguientes Program as Lineales .
a) Max(Z) = 24X, + 20X 2 + 30X 3 b) Max(Z) = 3X, + 2X 2 + 3X 3

2X , + X2 + X3 S 24 3X , + 2X 2 + X3 S 60
X, + X2 S 12 2X , + X2 S 24
X, + 2X 3 S 12 X, + X3 S 20
X, ,X2 ,X3 2: O X, ,X2 ,X3 2: O
70
INVrST I(ó¡\C ION DE O PER ,\C IONES P,\R ,\ I NCóEN IE RI ¡\S y ¡\D~ II N I ST R ¡\C l üN DE E~ I P R ES ,\ S
c) Min(C) = 6X, + 5X 2 + 5X 3 d) Min(C) = X, - X 2 + X3

X,+ X2 + X 3 :::: 12 X, + X2 + 2X 3 S 20
X,+ 2X 2 ::: 15 5X, + X3 :::: 120
X2 + 2X 3 ::: 15 X" X2 ,X3 ::::0
X"X 2 ,X3 :::: O
4.2. Resuelva el problema 2.3 de la sección 2.
4.3. Resuelva el problema 2.6 de la sección 2.
4.4 . Veh ículos SA debe decidir el número de autos clásicos , deportivos y

económicos que ensamblará el próximo semestre si :
~ Las utilidades unitarias que obtendrá 2000 , 3000 Y 1500 dólares

respectivamente .
~ De conformidad con las solicitudes de sus concesionarios debe producir al

menos 60 autos clásicos , no más de 600 autos económicos, no más clásicos y
deportivos que económicos .
~ El proceso de ensamble se hace en tres departamentos. El departamento de

est ampado, tiene capacidad semestral para atender 900 económicos, 600
deportivos o 600 clásicos. El departamento de máquinas, tiene capacidad
semestral para atender 1000 económicos , 400 deportivos o 500 clásicos . El
departamento de acabado, tiene capacidad semestral para atender 1200
económicos, 600 deportivos o 400 clásicos.
4.5 . Suponga que el programa original consiste en producir un volumen X, de una

vacuna A con utilidad 5000 $/Iitro y otro volumen X 2 de vacuna B con utilidad 3000
$/Iitro . Dos limitaciones se consideran en este caso: personal y costo de producción.
En lo referido a la primera limitación se dispone hasta de 15 personas , mientras que
en lo segundo se dispone de 10000 $/hora de trabajo . Los coeficientes tecnológicos
son :
Recurso Vacuna A Vacuna B

Personal 3 5
Costo de Producción 5000 2000
71
LU IS ALBERT O RI NCON AB RIL
4.5.1. Qué volumen debe producir de cada vacuna para optimizar utilidades?
4.5.2. Suponga que por una depresión económica el número de empleados debe
reducirse a 5 y el costo de producción a 5000 $/hora. entonces cuál es la nueva
solución?
4.5 .3. Idem anterior para 5 personas y 10000 $/hora.
4.5.4 . Suponga que la utilidad unitaria de la vacuna B se reduce a 1000 $/Iitro.
entonces cuál es la nueva solución?
72

Part01

Cargado por

Copyright:

Formatos disponibles

Part01

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Part01

Cargado por

Copyright:

Formatos disponibles

Luis Alberto Rincón Abril

DEPARTAMENTO DE CIENCIAS BÁSICAS

INVESTIGACiÓN DE OPERACIONES PARA INGENIERíAS

Por: LUIS ALBERTO RINCÓN ABRIL

Palmira, junio de 2001

Impreso en los talleres gráficos de

A mis hijas Liliana y Andrea,

1. GENERALIDADES SOBRE INVESTIGACiÓN DE OPERACIONES. 10

1.1 NATURALEZA DE LA INVESTIGACIÓN DE OPERACIONES. 10

1.2 REPRESENTACIÓN POR MEDIO DE MODELOS. 14

1.3 EJERCICIOS PROPUESTOS. 15

2.1 EL CAMPO DE LA PROGRAMACIÓN LINEAL. 16

2.2 MODELOS MATEMÁTICOS DE PROGRAMACIÓN LINEAL. 17

2.3 ESTRUCTURA GENERAL DEL MODELO MATEMÁTICO. 18

2.4 MÉTODO GRÁFICO DE SOLUCIÓN. 28

2.5 MÉTODO SIMPLEX. 31

2.6 ALGORITMO SIMPLEX. 41

2.7 ANÁLISIS POST-ÓPTIMO O DE SENSIBILIDAD. 53

2.8 USO DEL COMPUTADOR EN LA PROGRAMACIÓN LINEAL. 60

~.9 EJERCICIOS Y PROBLEMAS PROPUESTOS. 67

.\. 1 QUÉ ES LA PROGRAMACION ENTERA. 7.~

.'. : I'RINCII'ALES MODELOS. 7-1

.'.3 EJERCICIOS Y PROBLEMAS PROPUESTOS. 91

4. EL PROBLEMA DEL TRANSPORTE. 94

·U MODELO DEL PROBLEMA DEL TRANSPORTE. 95

-u MÉTODO DE SOLUCiÓN DEL PROBLEMA DEL TRANSPORTE. 98

5. EL PROBLEMA DE ASIGNACiÓN 109

5.1 MODELO DEL PROBLEMA DE ASIGNACIÓN. 109

5.2 MÉTODO DE SOLUCIÓN DEL PROBLEMA DE ASIGNACIÓN. 112

5.3 EJERCICIOS Y PROBLEMAS PROPUESTOS. 118

6. MODELOS DE REDES 119

6.1 TERMINOLOGíA DE REDES. 121

6.2 PROBLEMA DE LA RUTA MÁS CORTA. 122

6.3 PROBLEMA DEL ÁRBOL DE EXPANSIÓN MÍNIMA. 123

6.4 FLUJOS EN REDES. 129

6.5 PROBLEMA DEL FLUJO MÁXIMO. 129

6.6 FLUJOS DE COSTO MíNIMO. 137

6.7 EJERCICIOS Y PROBLEMAS PROPUESTOS. 145

7. PROGRAMACiÓN DE PROYECTOS CON PERT-CPM. 148

7.1 FASES DE PROGRAMACIÓN. 149

7.2 TERMINOLOGÍA EN LOS DIAGRAMAS DE RED. 150

7.3 LA RUTA CRÍTICA. 153

7.4 DIAGRAMA DE TIEMPO. 158

7.5 EL ENFOQUE DE TRES TIEMPOS ESTIMADOS DE PERT. 160

7.6 EJERCICIOS Y PROBLEMAS PROPUESTOS. 163

8. MODELOS DE INVENTARIOS 166

8.1 TERMINOLOGÍA EN LOS MODELOS DE INVENTARIOS. 167

8.2 MODELO DETERMINÍSTICO SIMPLE. 168

8.3 MODELO DETERMINÍSTICO CON ENTREGAS RETRASADAS. 172

8.4 EJERCICIOS Y PROBLEMAS PROPUESTOS. 175

9. MODELOS DE ESPERA O TEORíA DE COLAS. 177

9.1 PROCESO BÁSICO DE UNA COLA. 177

9.2 DISCIPLINA DE LA COLA. 179

9.3 TERMINOLOGÍA BÁSICA. 180

9.4 EL PROCESO DE POISSON. 180

9.5 EL PROCESO DE NACIMIENTO Y MUERTE. 182

9.6 MODELOS DE COLAS CON PROCESOS DE NACIMIENTO Y MUERTE. 187

9.7 EJERCICIOS Y PROBLEMAS PROPUESTOS. 190

10. MODELOS DE DECISiÓN MARKOVIANOS 193