Unidad 1 "Programacin Lineal"

La programacin lineal es un procedimiento o algoritmo matemtico mediante el cual se resuelve un

problema indeterminado, formulado a travs de ecuaciones lineales, optimizando la funcin objetivo,
tambin lineal.
Consiste en optimizar (minimizar o maximizar) una funcin lineal, denominada funcin objetivo, de tal
forma que las variables de dicha funcin estn sujetas a una serie de restricciones que expresamos
mediante un sistema de inecuaciones lineales.
-Historia de la programacin lineal (Cronologa)
(1826) Joseph Fourier anticipa la programacin lineal. Carl Friedrich Gauss, resuelve
ecuaciones lineales por eliminacin "gaussiana".
(1902) Gyula Farkas concibe un mtodo para resolver sistemas de desigualdades.
(1947) George Dantzig publica el algoritmo simplex y John von Neumann desarroll la teora
de la dualidad. Se sabe que Leonid Kantorvich tambin formul la teora en forma
independiente.
(1984) Narendra Karmarkar introduce el mtodo del punto interior para resolver problemas de
programacin lineal.
El problema de la resolucin de un sistema lineal de inecuaciones se remonta, al menos, a Joseph
Fourier, despus de quien nace el mtodo de eliminacin de Fourier-Motzkin. La programacin lineal
se plantea como un modelo matemtico desarrollado durante la Segunda Guerra Mundial para
planificar los gastos y los retornos, a fin de reducir los costos al ejrcito y aumentar las prdidas del
enemigo. Se mantuvo en secreto hasta 1947. En la posguerra, muchas industrias lo usaron en su
planificacin diaria.
Los fundadores de la tcnica son George Dantzig, quien public el algoritmo simplex, en 1947, John
von Neumann, que desarroll la teora de la dualidad en el mismo ao, y Leonid Kantorvich, un
matemtico ruso, que utiliza tcnicas similares en la economa antes de Dantzig y gan el premio
Nobel en economa en 1975. En 1979, otro matemtico ruso, Leonid Khachiyan, dise el llamado
Algoritmo del elipsoide, a travs del cual demostr que el problema de la programacin lineal es
resoluble de manera eficiente, es decir, en tiempo polinomial. Ms tarde, en 1984, Narendra
Karmarkar introduce un nuevo mtodo del punto interior para resolver problemas de programacin
lineal, lo que constituira un enorme avance en los principios tericos y prcticos en el rea. Toma
slo un momento encontrar la solucin ptima mediante el planteamiento del problema como una
programacin lineal y la aplicacin del algoritmo simplex. La teora de la programacin lineal reduce
drsticamente el nmero de posibles soluciones ptimas que deben ser revisadas.
Durante la segunda guerra mundial, la administracin militar en Gran Bretaa llam a un equipo de
cientficos para que estudiaran los problemas tcticos y estratgicos asociados a la defensa area y
terrestre del pas. Su objetivo era determinar la utilizacin ms efectiva de los recursos militares
limitados. Las aplicaciones incluan entre otras, estudios de la forma de utilizar el radar y de la
efectividad de nuevos tipos de bombas. El nombre de investigacin de operaciones fue dado
aparentemente porque el equipo estaba llevando a cabo la actividad de investigar operaciones
(militares). Desde su nacimiento, este nuevo campo de toma de decisiones se ha caracterizado por
el uso del conocimiento cientfico a travs del esfuerzo de equipos interdisciplinarios, con el propsito
de determinar la mejor utilizacin de los recursos limitados.

1.1 Definicin, desarrollo y tipos de modelos de investigacin de operaciones.

Investigacin de Operaciones: Es determinar la mejor solucin (optima) para un problema de
decisin con la restriccin de recursos limitados. Como tcnica para la resolucin de problemas,
investigacin de operaciones debe visualizarse como una ciencia y como un arte. Como Ciencia
radica en ofrecer tcnicas y algoritmos matemticos para resolver problemas de decisin adecuada.
Como Arte debido al xito que se alcanza en todas las fases anteriores y posteriores a la solucin de
un modelo matemtico, depende de la forma apreciable de la creatividad y la habilidad personal de
los analistas encargados de tomar las decisiones.
"La Investigacin de Operaciones en la Ingeniera de Sistemas se emplea principalmente en los
aspectos de coordinacin de operaciones y actividades de la organizacin o sistema que se analice,
mediante el empleo de modelos que describan las interacciones entre los componentes del sistema y
de ste con este con su medio ambiente".
-Desarrollo de la Investigacin de Operaciones (IO):
Durante la segunda guerra mundial, la administracin militar en Gran Bretaa llam a un equipo de
cientficos para que estudiaran los problemas tcticos y estratgicos asociados a la defensa area y
terrestre del pas. Su objetivo era determinar la utilizacin ms efectiva de los recursos militares
limitados. Las aplicaciones incluan entre otras, estudios de la forma de utilizar el radar y de la
efectividad de nuevos tipos de bombas.
El nombre de investigacin de operaciones fue dado aparentemente porque el equipo estaba
llevando a cabo la actividad de investigar operaciones (militares). Desde su nacimiento, este nuevo
campo de toma de decisiones se ha caracterizado por el uso del conocimiento cientfico a travs del
esfuerzo de equipos interdisciplinarios, con el propsito de determinar la mejor utilizacin de los
recursos limitados
Un modelo de la investigacin de operaciones se define como una representacin idealizada
(simplificada) de un sistema de la vida real. Este sistema puede ya estar en existencia o puede
todava ser una idea en espera de ejecucin. En el primer caso el objetivo del modelo es analizar el
comportamiento del sistema a fin de mejorar su funcionamiento. En el segundo, el objetivo es
diversificar la mejor estructura del sistema futuro.
La complejidad de un sistema real resulta del gran nmero de elementos (variables) que controlan
el comportamiento del sistema. Aunque una situacin real puede involucrar un nmero sustancial de
variables, generalmente., una pequea fraccin de estas variables realmente domina el
comportamiento del sistema. Por consiguiente, la simplificacin del sistema real en trminos de un
modelo se concentra principalmente en la identificacin de las variables y relaciones dominantes que
lo gobiernan.
-Tipos de modelos:
Simblico o matemtico.- Es el tipo ms importante de modelo de investigacin de
operaciones. Al formular este tipo uno supone que todas las variables relevantes son
cuantificables. Por consiguiente, los smbolos matemticos se utilizan para representar
variables, las cuales entonces estn relacionadas con las funciones matemticas apropiadas
para describir el comportamiento del sistema. Luego la solucin del modelo se logra por
manipulacin matemtica apropiada.
De Simulacin.- Los modelos de simulacin imitan el comportamiento del sistema sobre un
periodo. Esto se logra especificando ciertos eventos, los cuales son puntos en el tiempo, cuya
ocurrencia significa que puede recolectarse la informacin importante perteneciente al
comportamiento del sistema. Una vez que se definen tales eventos es necesario prestar
atencin al sistema nicamente cuando ocurre un evento. La informacin que mide el
funcionamiento del sistema se acumula en observaciones estadsticas, las cuales se

actualizan en cuanto cada evento tiene lugar. Dado que los modelos de simulacin no
necesitan funciones matemticas explicitas para relacionar las variables, usualmente es
posible simular sistemas complejos que no pueden modelarse o resolverse matemticamente.
Tal flexibilidad permite una representacin ms aproximada al sistema. La principal falla de la
simulacin consiste en que el anlisis es equivalente a realizar experimentos y por
consiguiente est sujeto al error experimental. Esto lleva a las dificultades usuales de disear
(estadsticamente) el experimento, recolectar observaciones y entonces ejecutar las pruebas
estadsticas necesarias de inferencia.
Heurstico.- El mtodo Heurstico de solucin descansa en las reglas empricas o intuitivas
que, dada una solucin actual al modelo, permiten la determinacin de una solucin mejorada.
Actualmente los mtodos heursticos son procedimientos de bsqueda que pasan
inteligentemente de un punto de solucin a otro, con el objetivo de mejorar el valor del criterio
del modelo. Cuando ninguna mejora adicional puede lograrse la mejor solucin que se haya
tenido es la solucin aproximada al modelo.
En la investigacin de operaciones se utiliza herramientas que nos permiten tomar una decisin a la
hora de resolver un problema tal es el caso de los modelos e investigacin de operaciones que se
emplean segn sea la necesidad. Para llevar a cabo el estudio de Investigacin de Operaciones es
necesario cumplir con una serie de etapas o fases. Las principales etapas o fases son las siguientes:
1.-Definicin del problema: Desde el punto de vista de investigacin de operaciones esto indica tres
aspectos principales: (a) Una descripcin de la meta o el objetivo del estudio, (b) Una identificacin
de las alternativas de decisin del sistema y (c) Un reconocimiento de las limitaciones, restricciones y
requisitos del sistema.
Una descripcin del objetivo del estudio debe reflejar una representacin aproximada del inters total
del sistema. Una falla comn en este aspecto es identificar algunas metas representando solamente
una porcin del sistema total. Bajo tales condiciones, lo que se considera mejor para esta porcin del
sistema, puede realmente ser daino para la operacin entera. En forma semejante, un estudio que
no toma en cuenta todas las alternativas y limitaciones de decisin del sistema es probable que
proporcione una solucin no aproximada.
2.-Construccin del modelo: Dependiendo de la definicin del problema, el equipo de investigacin
de operaciones deber decidir sobre el modelo ms adecuado para representar el sistema. Tal
modelo deber especificar expresiones cuantitativas para el objetivo y las restricciones del problema
en funcin de sus variables de decisin. Si el modelo resultante se ajusta a uno de los modelos
matemticos comunes, puede obtenerse una solucin conveniente mediante tcnicas matemticas.
Si las relaciones matemticas del modelo son demasiado complejas para permitir soluciones
analticas, puede ser ms apropiado un modelo de simulacin. Algunos casos pueden requerir el uso
de una combinacin de modelos matemticos, heursticos y de simulacin. Esto depende de la
naturaleza y complejidad del sistema en investigacin.
3.-Solucin del modelo: En modelos matemticos esto se logra usando tcnicas de optimizacin bien
definidas y se dice que el modelo proporciona una solucin optima. Si se usan los modelos de
simulacin o heursticos el concepto de optimizad no est tan bien definido, y la solucin en estos
casos se emplea para obtener evaluaciones aproximadas de las medidas del sistema.
Adems de la solucin del modelo uno debe tambin asegurar, informacin adicional sobre el
comportamiento de la solucin debida a cambios en los parmetros del sistema. Usualmente esto se
conoce como anlisis de sensibilidad. Tal anlisis es especialmente necesario cuando los
parmetros del sistema no pueden estimarse aproximadamente.
4.-Validacin del modelo: Un modelo es vlido si, independiente de sus inexactitudes al representar
el sistema, puede dar una prediccin confiable del funcionamiento del sistema. Un mtodo comn

para probar la validez de un modelo es comparar su funcionamiento con algunos datos pasados
disponibles del sistema actual. El modelo ser vlido si bajo condiciones similares de entradas puede
reproducir el funcionamiento pasado del sistema.
5.-Implantacin de los resultados finales: Esto bsicamente implicara la traduccin de estos
resultados en instrucciones de operacin detallada, emitidas en una forma comprensible a los
individuos que administrarn y operaran el sistema despus. En otras palabras, es imperativo que la
fase de implantacin se ejecute mediante la cooperacin de equipo de investigacin de operaciones
y de aquellos que sern responsables de la administracin y operacin del sistema.

1.2 Formulacin de modelos.

La programacin lineal utiliza un modelo matemtico para descubrir el problema. El adjetivo lineal
significa que todas las funciones matemticas del modelo deben ser funciones lineales. En este
caso, la palabra programacin no se refiere a programacin en computadoras; en esencia es un
sinnimo de planeacin. Asi, la programacin lineal trata de planeacin de las actividades para
obtener un resultado optimo, esto es, el resultado que mejor alcance la meta especificada (segn el
modelo matemtico) entre todas alternativas de solucin.
Aunque la asignacin de recursos a las actividades es la aplicacin ms frecuente la programacin
lineal tiene muchas otras posibilidades. De hecho, cualquier problema cuyo modelo matemtico se
ajuste al formato general del modelo de programacin lineal es un problema de programacin lineal.
Aun ms, se dispone de un procedimiento de solucin extraordinariamente eficiente llamado mtodo
simple, para resolver estos problemas incluso los de gran tamao. Estos son algunas causas del
tremendo efecto de la programacin lineal en las ltimas dcadas.
A continuacin se presenta una lista, de los principios generales de modelacin:
1. No debe elaborarse un modelo complicado cuando uno simple es suficiente.
2. El problema no debe ajustarse al modelo o mtodo de solucin.
3. La fase deductiva de la modelacin debe realizarse rigurosamente.
4. Los modelos deben validarse antes de su implantacin.
5. Nunca debe pensarse que el modelo es el sistema real.
6. Un modelo debe criticarse por algo para lo que no fue hecho.
7. No venda un modelo como la perfeccin mxima.
8. Uno de los primeros beneficios de la modelacin reside en el desarrollo del modelo.
9. Un modelo es tan bueno o tan malo como la informacin con la que trabaja.
10. Los modelos no pueden reemplazar al tomador de decisiones.
Recordemos que los modelos de Investigacin de Operaciones, conducen al ejecutivo a mejores
decisiones y no a simplificar la toma de stas.
-Modelos de programacin lineal:
Como su nombre lo indica, la formulacin directa estriba en pasar directamente del sistema asumido
al modelo de PL. Para tal efecto, se propone el siguiente orden: definir el objetivo, definir las
variables de decisin, enseguida las restricciones estructurales y finalmente establecer las
condiciones tcnicas
Definir el Objetivo: Consiste en definir un criterio de optimizacin el cual puede ser
Maximizacin o Minimizacin dependiendo del problema que se desee resolver, el cual es una
funcin lineal de las diferentes actividades del problema. Bajo el criterio de optimizacin

definido se pretende medir la contribucin de las soluciones factibles que puedan obtenerse y
determinar la ptima.
Definir las variables de decisin: Son las incgnitas del problema bsicamente consisten en
los niveles de todas las actividades que pueden llevarse a cabo en el problema a formular,
estas pueden ser de tantos tipos diferentes como sea necesario, e incluir tantos subndices
como sea requerido.
Definir las restricciones: Son los diferentes requisitos que debe cumplir cualquier solucin para
que pueda llevarse a cabo. En cierta manera son las limitantes en los valores de los niveles
de las diferentes actividades (variables). Las restricciones ms comunes son de seis tipos, las
cuales se listan a continuacin:
Restriccin de capacidad: limitan el valor de las variables debido a la disponibilidad de horashombre, horas-mquina, espacio, etc.
Restriccin de mercado: Surgen de los valores mximos y mnimos en las ventas o el uso del
producto o actividad a realizar.
Restriccin de entradas: Son limitantes debido a la escases de materias primas, mano de obra,
dinero, etc.
Restriccin de calidad: Son las restricciones que limitan las mezclas de ingredientes, definiendo
usualmente la calidad de los artculos a manufacturar.
Restricciones de balance de material: Estas son las restricciones que definen las salidas de un
proceso en funcin de las entradas, tomando en cuenta generalmente cierto porcentaje de merma o
desperdicio.
Restricciones Internas: Son las que definen a una variable dada, en la formulacin interna del
problema, un ejemplo tipo, es el de inventario.
Condiciones Tcnicas: En este apartado se establece que todas las variables deben tomar
valores no negativos.
Alguno de los tipos de problemas que se pueden formular son:
Planeacin de la produccin e inventarios
Mezcla de Alimentos
Transporte y asignacin
Planeacin financiera
Mercadotecnia
Asignacin de recursos
La PL es una tcnica mediante la cual se toman decisiones, reduciendo el problema bajo estudio a
un modelo matemtico general, el cual debe ser resuelto por mtodos cuantitativos.
En el desarrollo de dichos modelos se aplican diversas tcnicas como: el mtodo grfico, mtodo
simplex, mtodo matricial, tcnica de la gran M. Adems se desarrollara la aplicacin de variables
artificiales y obtencin de soluciones para identificar a qu tipo de clasificacin pertenecen. Por
medio de dichos modelos de solucin se podr obtener la solucin adecuada para cada problema y
facilitar la toma de decisiones.

1.3 Mtodo grfico.

El mtodo grfico se utiliza para la solucin de problemas de programacin lineal, representando
geomtricamente a las restricciones, condiciones tcnicas y el objetivo. El modelo se puede resolver
en forma grfica si slo tiene dos variables. Para modelos con tres o ms variables, el mtodo
grfico es imprctico o imposible.
Cuando los ejes son relacionados con las variables del problema, el mtodo es llamado mtodo
grfico en actividad. Cuando se relacionan las restricciones tecnolgicas se denomina mtodo
grfico en recursos.
-Los pasos necesarios para realizar el mtodo son nueve:
1. graficar las soluciones factibles, o el espacio de soluciones (factible), que satisfagan todas
las restricciones en forma simultnea.
2. Las restricciones de no negatividad Xi>= 0 confan todos los valores posibles.
3. El espacio encerrado por las restricciones restantes se determinan sustituyendo en primer
trmino <= por (=) para cada restriccin, con lo cual se produce la ecuacin de una lnea
recta.
4. trazar cada lnea recta en el plano y la regin en cual se encuentra cada restriccin cuando
se considera la desigualdad lo indica la direccin de la flecha situada sobre la lnea recta
asociada.
5. Cada punto contenido o situado en la frontera del espacio de soluciones satisfacen todas
las restricciones y por consiguiente, representa un punto factible.
6. Aunque hay un nmero infinito de puntos factibles en el espacio de soluciones, la solucin
ptima puede determinarse al observar la direccin en la cual aumenta la funcin objetivo.
7. Las lneas paralelas que representan la funcin objetivo se trazan mediante la asignacin
de valores arbitrarios a fin de determinar la pendiente y la direccin en la cual crece o decrece
el valor de la funcin objetivo.
Ejemplo.
Maximizar Z = 3X1 + 2X2
Restricciones:
X1 + 2X2 <=6
2X1 + X2 <=8
-X1 + X2 <=1
X2 <= 2
X1
>= 0
X2 >= 0

(1)
(2)
(3)
(4)
(5)
(6)

-Convirtiendo las restricciones a igualdad y representndolas grficamente se tiene:

X1 + 2X2
2X1 + X2
-X1 + X2
X2
X1
X2

=6
=8
=1
=2
=0
=0

(1)
(2)
(3)
(4)
(5)
(6)

Espacio de
solucin

-Determinacin de solucin al mtodo grafico (Soluciones):

Maximizar

Z = 3X1 + 2X2
Punto
A
B
C
D
E
F

(X1, X2)
(0, 0)
(4, 0)
(3.3, 1.3)
(2, 3)
(1, 3)
(0, 2)

Z
0
12
12.6 ( ptima )
12
9
4

Para obtener la solucin grfica, despus de haber obtenido el espacio de solucin y graficada la
funcin objetivo el factor clave consiste en decidir la direccin de mejora de la funcin objetivo.
En la solucin grfica observamos que la solucin ptima est asociada siempre con un punto
extremo del espacio de soluciones.

1.4 Formas estndar y cannicas.

FORMA CANONICA: Esta es til para el manejo del tema que se refiere al problema dual de
cualquier problema de programacin lineal. La forma cannica aceptable y reconocida en la mayora
de los textos debe cumplir con los siguientes requisitos:
Funcin objetivo maximizar.
Restricciones del tipo
Condiciones de negatividad para variables.
Otra forma legtima para considerar como cannica es cumpliendo con los siguientes requisitos:
Funcin objetivo de minimizar.
Restricciones del tipo .
Condiciones de no negatividad para variables.
FORMA ESTANDAR: El modelo de programacin lineal para resolverse, necesita arreglarse para
igualdades, lo cual se consigue utilizando tanto variables de holgura como variables superfluas. Lo
anterior da lugar a la presentacin del modelo cumpliendo con l os siguientes requisitos:
Funcin objetivo para maximizar o bien minimizar.
Restricciones del tipo =.
Lado derecho de restricciones no negativo.
Condiciones de no negativo para variables.

1.5 Mtodo simplex.

El Mtodo Simplex es utilizado para resolver problemas ms complejos de Programacin Lineal. Es
un mtodo poderoso, utilizado para resolver problemas de "n" variables de decisin, aunque tambin
se puede emplear para resolver problemas de dos variables como lo hace el Mtodo Grfico.
El enfoque propuesto aqu, es utilizar la computadora como una herramienta de apoyo para resolver
problemas de Programacin Lineal de cualquier tamao. Sin embargo, se deben estudiar primero los
fundamentos de estos mtodos de solucin para posteriormente utilizar la computadora para este fin.
El uso de la computadora en la solucin de problemas en Programacin Lineal, implica utilizar
cualquiera de estas dos alternativas: primera, usar una hoja electrnica como puede ser Excel,
donde el usuario hace directamente la programacin para solucionar el problema modelado;
segunda, el uso de un paquete de software comercial, que ya est diseado para la resolucin del
Mtodo Grfico y del Simplex.
Algunos de los paquetes de software comercial ms conocidos son: el Storm, el WinQSB, Lindo,
Eureka, etc Estos tipos de software han evolucionado de acuerdo a los avances tecnolgicos de la
poca, con la tendencia de tener una herramienta ms poderosa pero con cierta perdida de hacer
usuarios ms pensantes y no solo manipuladores de la misma.
En la solucin grfica observamos que la solucin ptima est asociada siempre con un punto
extremo del espacio de soluciones. El mtodo simplex est basado fundamentalmente en este
concepto.
Careciendo de la ventaja visual asociada con la representacin grfica del espacio de soluciones, el
mtodo simplex emplea un proceso interactivo que principia en un punto extremo factible,
normalmente el origen, y se desplaza sistemticamente de un punto extremo factible a otro, hasta
que se llega por ltimo al punto ptimo.
Existen reglas que rigen la seleccin del siguiente punto extremo del mtodo simplex:
1. El siguiente punto extremo debe ser adyacente al actual.
2. La solucin no puede regresar nunca a un punto extremo considerado con la anterioridad.
El algoritmo simplex da inicio en el origen, que suele llamarse solucin inicial. Despus se desplaza
a un punto extremo adyacente. La eleccin especfica de uno a otro punto depende de los
coeficientes de la funcin objetivo hasta encontrar el punto ptimo. Al aplicar la condicin de
optimidad a la tabla inicial seleccionamos a Xi como la variable que entra. En este punto la variable
que sale debe ser una de las variables artificiales.
Los pasos del algoritmo simplex son (10):
1. Determinar una solucin bsica factible inicial.
2. Prueba de optimidad: determinar si la solucin bsica factible inicial es ptima y slo si
todos los coeficientes de la ecuacin son no negativos ( >= 0 ). Si es as, el proceso termina;
de otra manera se lleva a cabo otra interaccin para obtener la nueva solucin bsica factible
inicial.
3. Condicin de factibilidad.- Para todos los problemas de maximizacin y minimizacin,
variable que sale es la variable bsica que tiene la razn ms pequea (positiva). Una
coincidencia se anula arbitrariamente.
4. Seleccionar las variables de holgura como las variables bsicas de inicio.
5. Selecciona una variable que entra de entre las variables no bsicas actuales que, cuando
se incrementan arriba de cero, pueden mejorar el valor de la funcin objetivo. Si no existe la
solucin bsica es la ptima, si existe pasar al paso siguiente.
6. Realizar el paso iterativo.

a) Se determina la variable bsica entrante mediante la eleccin de la variable con el

coeficiente negativo que tiene el valor mayor valor absoluto en la ecuacin. Se enmarca la
columna correspondiente a este coeficiente y se le da el nombre de columna pivote.
b) Se determina la variable bsica que sale; para esta, se toma cada coeficiente positivo (>0)
de la columna enmarcada, se divide el lado derecho de cada rengln entre estos coeficientes,
se identifica la ecuacin con el menor cociente y se selecciona la variable bsica para esta
ecuacin.
c) Se determina la nueva solucin bsica factible construyendo una nueva tabla en la forma
apropiada de eliminacin de Gauss, abajo de la que se tiene. Para cambiar el coeficiente de la
nueva variable bsica en el rengln pivote a 1, se divide todo el rengln entre el nmero
pivote, entonces:
Rengln pivote nuevo = rengln pivote antiguo
nmero pivote
Para completar la primera iteracin es necesario seguir usando la eliminacin de Gauss para obtener
coeficientes de 0 para la nueva variable bsica Xj en los otros renglones, para realizar este cambio
se utiliza la siguiente frmula:
Rengln nuevo = rengln antiguo - (coeficiente de la columna pivote X rengln pivote nuevo)
Cuando el coeficiente es negativo se utiliza la frmula:
Rengln nuevo = rengln antiguo + (coeficiente de la columna pivote X rengln pivote nuevo)
Tabla simplex: Como se capturara la solucin bsica factible inicial en el siguiente ejemplo; sea:
Maximizar Z = 2X1+4X2
sujeto a:
2X1+ X2<= 230
X1+ 2X2<= 250
X2<= 120 todas las X1,X2>=0
BASE

X1

X2

S1

S2

S3

SOLUCIN

RAZN

-2

-4

S1

230

230/1

S2

250

250/2

S3

120

120/1

Seleccione la variable que entra y la variable que sale de la base: Entra X2 y sale S3, se desarrolla
la nueva tabla solucin y se continua el proceso iterativo hasta encontrar la solucin optima si es que
est existe.
Tabla ptima:
BASE

X1

X2

S1

S2

S3

SOLUCIN

500

S1

-2

90

X1

-2

10

X2

120

RAZN

Solucin: Z = $500
fabricando
X1=10
X2=120
Sobrante de
S1 = 90
Tipo de solucin: Optima Mltiple

1.6 Tcnicas con variables artificiales.

Existen problemas de programacin lineal que no proporcionan una solucin bsica inicial. Esta
situacin se presenta cuando al menos una de las restricciones es del tipo (<=) o (=). Para este
propsito se desarrollan 2 mtodos basados en el uso de variables artificiales: El mtodo M o de
penalizacin y la tcnica de 2 fases.
1.6.1 Mtodo de la M
Los pasos bsicos del mtodo M son los siguientes:
1. Exprese el problema en forma estndar transformando las inecuaciones en ecuaciones
introduciendo variables de holgura.
2. Agregue variables no negativas al lado izquierdo de cada una de las ecuaciones
correspondientes a las restricciones de tipo (>=) o (=). Estas variables se denominan variables
artificiales y su adicin hace que las restricciones correspondientes. Esta dificultad se elimina
asegurando que las variables sean 0 en la solucin final. Esto se logra asignando una
penalizacin muy grande por unidad a estas variables en la funcin objetivo. Tal penalizacin
se designar como M para problemas de maximizacin y +M para problemas de
minimizacin.
3. Utiliza las variables artificiales en la solucin bsica inicial; sin embargo la funcin objetivo
de la tabla inicial se prepara adecuadamente para expresarse en trminos de las variables no
bsicas nicamente. Esto significa que los coeficientes de las variables artificiales en la
funcin objetivo deben ser 0 un resultado que puede lograrse sumando mltiplos adecuados
de las ecuaciones de restriccin al rengln objetivo.
4. Proceda con los pasos regulares del mtodo simplex.
EJEMPLO:
Minimizar

Minimizar

Sujeto a:

Sujeto a:

Minimizar

Sujeto a:

Minimizar

Sujeto a:

V.B.

X1

X2

X3

S1

S2

R1

Solucin

-3

-2

-4

-M

R1

-1

15

S2

12

V.B.

X1

X2

X3

S1

S2

R1

Solucin

-3+2M

-2+2M

-4+3M

-M

15M

R1

-1

15

S2

12

-Criterio para seleccionar la variable entrante:

Maximizacin: El valor mayor negativo del rengln Z.
Minimizacin: El valor mayor positivo del rengln Z.

V.B.

X1

X2

X3

S1

S2

R1

Solucin

-1/3

2/3

-4/3

4/3-M

20

X3

2/3

2/3

-1/3

1/3

S2

4/3

7/3

1/3

-1/3

V.B.

X1

X2

X3

S1

S2

R1

Solucin

-5/7

-10/7

-2/7

10/7-M

18

X3

2/7

-3/7

-2/7

3/7

X2

4/7

1/7

3/7

-1/7

1.6.2 Mtodo de las dos fases.

La desventaja de la tcnica M es el posible error de cmputo que podra resultar de asignar un valor
muy grande a la constante M. Esta situacin podra presentar errores de redondeo en las
operaciones de la computadora digital. Para evitar esta dificultad el problema se puede resolver en 2
fases:
FASE 1. Formule un nuevo problema reemplazando la funcin objetivo por la suma de las
variables artificiales.
La nueva funcin objetivo se minimiza sujeta a las restricciones del problema original. Si el problema
tiene un espacio factible el valor mnimo de la funcin objetivo ptimo ser cero, lo cual indica que
todas las variables artificiales son cero. En este momento pasamos a la fase 2.
* Si el valor mnimo de la funcin objetivo ptima es mayor que cero, el problema no tiene solucin y
termina anotndose que no existen soluciones factibles.
FASE 2. Utilice la solucin ptima de la fase 1 como solucin de inicio para el problema
original. En este caso, la funcin objetivo original se expresa en trminos de las variables no
bsicas utilizando las eliminaciones usuales Gauss-Jordn.
PROBLEMA # 1

Minimizar

Minimizar

Sujeto a:

Sujeto a:

FASE I
Minimizar

Sujeto a:

Minimizar

Sujeto a:

V.B.

X1

X2

S1

S2

R1

R2

Solucin

-1

-1

R1

-1

36

R2

-1

60

V.B.

X1

X2

S1

S2

R1

R2

Solucin

-1

-1

96

R1

-1

36

R2

-1

60

V.B.

X1

X2

S1

S2

R1

R2

Solucin

1/2

-1

1 /2

3/2

R1

1/2

-1

1 /2

-1/2

X2

1/2

-1/6

1/6

10

V.B.

X1

X2

S1

S2

R1

R2

Solucin

-1

-1

X1

-2

-1

12

X2

-2/3

-1

2/3

FASE II.
Minimizar

V. Bsica

X1

X2

S1

S2

Solucin

-2000

-500

X1

-2

12

X2

-2/3

V. Bsica

X1

X2

S1

S2

Solucin

-3500

5000/3

26000

X1

-2

12

X2

-2/3

V. Bsica

X1

X2

S1

S2

Solucin

-5000/3

-500/3

6000

S2

-2

12

X2

2/3

-1/3

12

Bibliografas:
Unidad 1
http://es.m.wikipedia.org/wiki/Programaci%C3%B3n_lineal
Unidad 1.1
http://www.mitecnologico.com/Main/DefinicionDesarrolloTiposDeModelosInvestigacionOperaciones
http://www.ilustrados.com/tema/7352/Desarrollo-Investigacion-Operaciones.html
Unidad 1.2
http://www.mitecnologico.com/Main/FormulacionModelosInvestigacionDeOperaciones
http://antiguo.itson.mx/dii/elagarda/apagina2001/PM/formulacion.html
Unidad 1.3
http://es.scribd.com/doc/6729799/2-Metodo-Grafico
http://antiguo.itson.mx/dii/elagarda/apagina2001/PM/metodos.html
Unidad 1.4
http://www.mitecnologico.com/Main/FormasEstandarYCanonicasInvestigacionDeOperaciones
Unidad 1.5
http://antiguo.itson.mx/dii/elagarda/apagina2001/PM/metodos.html
http://es.scribd.com/doc/6729799/2-Metodo-Grafico
Unidad 1.6
http://www.itlalaguna.edu.mx/academico/carreras/industrial/invoperaciones1/U2C.HTML