APUNTE 1: PROGRAMACION LINEAL

ASIGNATURA: TEORIA DE DECISIONES Y RIESGOS I

BREVE HISTORIA Y DESARROLLO DE LA INVESTIGACIÓN DE OPERACIONES.

No se puede precisar cuando nace la Investigación de Operaciones. Remontándonos al

Éxodo, en el Antiguo Testamento, Jetró, que era suegro de Moisés, le atribuye a Moisés
mismo la descentralización del poder judicial y testifica la influencia en la primera
organización del pueblo hebreo, además de ser mediador entre Dios y los hombres.

Si consideramos que los precursores de la ciencia fueron los pioneros en llevar a cabo
trabajos que hoy en día pueden considerarse como de Investigación de Operaciones.

Para 1873 , Jordan desarrolla modelos lineales, hacia 1874 Walras incursiona en modelos
primitivos de la programación matemática. Minkowsky en 1896 aplica modelos
matemáticos basados en el Cálculo Diferencial e Integral para la programación.

En los inicios del siglo XX, Frederick W. Taylor considerado padre de la Administración
Científica realiza, asociado con Henry L. Gant muy importantes trabajos sobre la
programación de la producción, que una década más tarde Frank y Lillian Gilberth lo
complementan con el estudio de movimientos y tiempos.

Al mismo tiempo Joseph Fayol, realiza sus estudios conocidos como Administración
Industrial General.

Entrada la Primera Guerra Mundial, se le asigna a Thomas Edison la tarea de investigar

cuales eran las maniobras más efectivas que permitieran minimizar pérdida de buques
frente a los submarinos enemigos. Edison genera un "Tablero Táctico de Juego",
evitando así la acción bélica real.

A finales de 1910, A. K. Erlang realizaba estudios en base a la fluctuación de la demanda

de servicios telefónicos de marcación automática, que dio origen a los modelos
matemáticos empleados en la Teoría de Líneas de Espera.

En la década de los años 30 , H. C. Levenson, aplicó modelos matemáticos de gran

elaboración, ya que manejaba gran cantidad de datos. Estos estudios determinaron el
rendimiento óptimo de pedido.

Mientras tanto en los Estados Unidos, en 1937, Robert Watson-Watt hizo

recomendaciones a los Departamentos de la Secretaría de Guerra y de Marina para que
se aplicaran sus estudios relacionados con la Investigación de Operaciones.

Así mismo, Von Neumann hace avances con lo que ahora se conoce como Teoría de Juegos
y Teoría de Preferencias que desarrolló Morgenstern en conjunto.

En ese mismo año, científicos ingleses fueron convocados para ayudar a la milicia en la
utilización de los equipos de radar, como innovadora herramienta para la localización de
aviones enemigos.
Hacia 1939, este grupo británico que trabajó en los diferentes aspectos del problema, es
considerado el núcleo del primer equipo de Investigación de Operaciones. Tuvieron la
visión de expandir sus actividades.

En 1940, encabezados por el físico británico P. M. S. Blackett se reconoce al primer

equipo interdisciplinario formado por 11 científicos. Las actividades realizadas por este
grupo, fue conocida en Inglaterra como "Investigación Operacional".

De manera paralela, el ruso Kantorovich, hace importantes estudios relativos a

Problemas de Distribución.

La expresión "Investigación de Operaciones ", es nombrada así por primera vez por Mc
Caskey Trefethen en los Estados Unidos en 1940.

No es hasta 1942 que se implanta la Investigación de Operaciones (IO) a alto nivel,

promovida por Watson-Watt, cuyo objetivo inicial era el de minimizar las pérdidas
ocasionadas por los submarinos enemigos. La Fuerza Aérea de los Estados Unidos
reconoció a la actividad como "Análisis Operacional", mientras que el Ejército y la
Armada la nombraron "Investigación de Operaciones y Evaluación de Operaciones",
respectivamente.

Estas prácticas fueron llevadas a cabo en Francia y Canadá también.

En l947, el norteamericano George Dantzing, resume los trabajos de los precursores del
Método Simplex, dando origen a la Programación Lineal, que es la utilización del Álgebra
Lineal en la resolución de la asignación de recursos, que a su vez tuvo múltiples
aplicaciones en la industria.

Concluida la Segunda Guerra Mundial, se vio Inglaterra en la necesidad de afrontar

grandes problemas generados por una planta industrial que debía ser reconstruida y que
además atravesaba por el hecho de la nacionalización de la misma.

Los investigadores operacionales se dieron a la tarea de crear un nuevo método que

mejorara la productividad y se incrementaran las utilidades.

Es hasta finales de 1950 donde la Programación Dinámica, Líneas de Espera y Teoría de

Inventarios (Arrow, Karlín, Scark, Whitin) aparecen. La expansión de la Investigación de
Operaciones (I. O.) se hace evidente. Tenemos a Bellman con su Programación Dinámica,
Kuhn y Tucker realizaban estudios con la Programación No-Lineal, Gómory con la
Programación Entera, Fulkerson y Ford generan las redes de optimización , y trabajos
acerca de Simulación llevados a cabo por Markowitz. El Análisis de Decisiones de Raiffa,
mientras Howard realiza estudios de procesos Markovianos. La generalización de
Investigación de Operaciones, han tratado de darla Churchman, Ackoff y Arnoff.
Al término de la Guerra el éxito de la Investigación de Operaciones genera gran interés
fuera de lo militar y llama la atención de los norteamericanos hasta finales de los años
50.

Los investigadores antes mencionados, hicieron que la IO fuera usada en la industria, los
negocios y el gobierno. Y desde entonces esta disciplina se ha desarrollado con rapidez,
pudiendo identificar dos aspectos importantes que permitieron su expansión a otros
campos:

1. El mejoramiento ya existente de las técnicas.

2. La revolución de las computadoras.

El manejo de grandes cantidades de datos, manipulados de manera efectiva, la solución

es generada en segundos por la computadora digital, y de las herramientas como los
paquetes software, que permiten diseñar, construir, operar, controlar e implementar la
solución de problemas en las organizaciones.

La Investigación de Operaciones ha tenido un impacto impresionante en le mejoramiento

de las organizaciones alrededor del mundo, ya que ha hecho aportaciones significativas al
incremento en la productividad en la economía de muchos países.

Actualmente son 30 los miembros de la IFORSC (International Federation of

Operational Research Societies), y cada país a su vez, cuenta con su propia sociedad de
Investigación de Operaciones.

¿QUÉ ES LA INVESTIGACIÓN DE OPERACIONES?

A continuación se expone la definición de Investigación de Operaciones, según los

siguientes autores:

TAHA. La Investigación de Operaciones aspira a determinar el mejor curso de acción

óptimo de un problema de decisión con la restricción de recursos limitados, aplicando
técnicas matemáticas para representarlo por medio de un modelo y analizar problemas
de decisión.

HILLIER - LIEBERMAN. Significa hacer investigación sobre las operaciones

referentes a la conducción y coordinación de actividades dentro de una organización
aplicada a una gama extraordinariamente amplia.

PRAWDA. Es la aplicación por grupos interdisciplinarios de Método Científico a

problemas relacionados con el control de las organizaciones o de sistemas en relación al
hombre-máquina, con el fin de producir soluciones óptimas para dichas organizaciones.
NAMAKFOROOSH. La Investigación de Operaciones es la aplicación del Método
Científico a los problemas de decisión en las empresas y otras organizaciones, incluyendo
el gobierno y el ejercito.

MOSKOWITZ - WRIGHT. La Investigación de Operaciones toma al Método Científico

aplicado a la solución de problemas y la toma de decisiones de la gerencia en función a la
construcción de un modelo simbólico examinando y analizando entre relaciones que
lleguen a una técnica en la toma de decisiones en base a los resultados óptimos.

THIERAUF Y GROSSE. La Investigación de Operaciones utiliza el enfoque planeado

(Método Científico) y un grupo interdisciplinario a fin de representar las complicadas
relaciones funcionales como modelos matemáticos para suministrar una base cuantitativa
en la toma de decisiones y descubrir nuevos problemas para un análisis cuantitativo.

SOCIEDAD AMERICANA DE INVESTIGACIÓN DE OPERACIONES, (ORSA). La

Investigación de Operaciones está relacionada con el mejor diseño y operación del
sistema (hombre-máquina) usualmente bajo ciertas condiciones y requiriendo la
asignación de recursos escasos.

SOCIEDAD AMERICANA DE SISTEMAS DE PRODUCCIÓN Y CONTROL DE

INVENTARIOS, (APICS). Es el Análisis cualitativo de operaciones industriales y
administrativas con el intento de derivar un entendimiento integrado de los factores que
controlan los sistemas operacionales en vista de proporcionar a la Administración un
objetivo básico para tomar decisiones que frecuentemente involucran representar por
medio de un modelo matemático la realidad.

PROCESOS Y APLICACIONES DE LA INVESTIGACIÓN DE OPERACIONES.

Los procesos de la Investigación de Operaciones pueden ser:

a). Procesos de formación de existencias.

También llamado Inventarios. Tienen como política resolver problemas de almacenes,

relacionado con: ¿cuánto ha de ordenarse en cada ocasión?, y ¿cuándo debe ordenarse
dicha cantidad?, en base a minimizar el costo total. Se obtiene el modelo de eficacia que
permita el equilibrio entre los costos y los de deterioro de inventarios. Se determinan
los costos de mantenimiento de inventario, costo de ordenar, costo unitario de faltantes,
costo unitario de llevar inventario, costo de oportunidad.

 Diversas aplicaciones de la teoría de inventarios:

 La compra óptima a proveedores.

 La producción deseada con los costos mínimos de inventarios.

 - La programación de la producción, relacionado con el costos total de
producir , con el nivel deseado de servicio a clientes

 Determina descuentos en función a grandes producciones y el bajo costo

de llevar inventarios.

 Tener el nivel óptimo de existencias de seguridad, previniendo cualquier

ruptura de existencia durante el año.

 Considerar la cantidad económica de ordenar, en el punto exacto en que deba

pedirse.

- Tiempo entre pedidos.

b) Procesos de líneas de espera.

También llamada Teoría de Colas. Su característica es el número de clientes que llega a

solicitar cierto servicio, en funciones de distribuciones probabilísticas tanto en tiempos
de llegada del cliente, como la del servicio de la línea de espera del centro del servicio.
Ya que ambas distribuciones son distintas, la cola se generará en función al tiempo
promedio de llegada con el tiempo promedio de servicio.

Las políticas a tomar en cuenta son:

¿Cuál es el número de instalaciones que deberán operar para que mejorar el servicio a
clientes?

Tomando en cuenta, el tiempo promedio que pasan los clientes en el sistema, el tiempo
promedio de espera en el servicio,

 Algunas aplicaciones de los modelos de líneas de espera :

 Número óptimo de cajas de pago y determinación del personal.

- Evaluación de retrasos en el servicio.

- Costo de operación

c) Proceso de asignación de recursos.

Su característica primordial es el limitante de recursos disponibles, como: materias

primas, inversión, horas-máquina, horas-hombre, y la asignación de estos recursos
limitados de manera más eficiente con el costo mínimo, mínimo tiempo, mínimo de
desperdicios, trabajo más eficiente,

 Aplicaciones:
 - Asignación de los trabajadores, para situarlos en el trabajo adecuado ya que se
logrará el tiempo óptimo, en función directa a sus habilidades.

- Asignación correcta de las órdenes de fábrica para las máquinas, minimiza

costos y dar el tiempo de entrega del producto.

 Distribución óptima de activos fijos. La máquina que debe de utilizarse en

el lugar que se necesite, el tipo de transporte que necesita la
comercialización del producto.

d) Proceso de sustitución.

Consiste en la sustitución o reemplazo, que puede realizarse de manera preventiva o

correctiva , ya sea por vejez, desgaste, o por muerte súbita.

 Las aplicaciones prácticas de este proceso pueden ser:

- Poder adquirir máquinas y/o equipo de innovación tecnológica que permita

optimizar los recursos humanos, materiales y económicos.

- En caso de que sea rescatable el equipo o la maquinaria, brindarle el servicio

necesario, evitando así el mantenimiento de tipo correctivo.

- Evaluar que tanto resulta conveniente para la organización tener un equipo que
sea de uso ocasional, quizá sea más rentable, alquilarla en cierto tiempo.

- Si la máquina falla con frecuencia, no se utiliza, resultará conveniente venderla,

o recuperar parte de su inversión comercializándola como chatarra.

e) Proceso competitivo.

Denominado como Teoría de Juegos. Que tiene como dato característico, al menos dos
competidores, que tienen varias estrategias a seleccionar. El fin es determinar la
selección siguiente en base a probabilidades, teniendo en cuenta la primera selección de
los competidores. Tomando en cuenta si el juego, o competencia, es equilibrada; además
de conocer el valor esperado del juego, ¿cuál sería la decisión que optimiza el juego o
competencia?

 Aplicaciones de la Teoría de Juegos:

- Determinar las necesidades de mano de obra, previendo renuncias, accidentes,

retiros, defunciones.

- Poder conocer el monto de las cuentas por pagar o de difícil cobro.

 - Conocer de manera confiable la lealtad de los clientes de la empresa frente a la
aparición de otra marca u otro producto.

- Mide la efectividad de las campañas publicitarias en comparación con las

anteriores llevadas a cabo.

f) Proceso combinado.

Este proceso hace uso de más de uno de los procesos de la Investigación de Operaciones,
ya que el problema necesita de más de una herramienta para llegar a la solución integral
del mismo. Puede presentarse el caso de algún problema de Control de la Producción,
hará uso de la Teoría de Inventarios, con Líneas de espera. Lo usual debiera ser resolver
uno a uno, siguiendo secuencias lógicas, y combinar solo donde haya interrelaciones para
obtener una solución óptima.

g) Técnica de simulación.

Se presta al uso de la computadora, para la resolución de problemas aplicando uno o más

procesos de IO, para dar una serie de alternativas , la computadora muestra los
resultados (generados por números aleatorios), que podrían haberse obtenido si se
hubieran usado ciertas líneas de criterios de decisión.

 Aplicación de la Simulación de las áreas funcionales dentro de una organización :

- Integración de los esfuerzos de mercado, combinación de productos,

distribución, aunado a una perfecta sincronización de esfuerzos, empleando un
simulador de mercados

- Analiza los lugares óptimos donde deban situarse los almacenes que permita
minimizar los costos de distribución.

- Evaluación de las alternativas de inversión más rentables de la empresa.

- Simular reglas de decisión de operaciones de fabricación, que lleven a la

programación y el control efectivo de la producción.

- Selección del plan óptimo de las diversas opciones de distribución del

presupuesto.

DEFINICIÓN DE MODELO.

Los siguientes autores manifiestan la conceptualización de modelo.

TAHA. Es el vehículo para resumir un problema de decisión, en forma tal que haga
posible la identificación y evaluación sistemática de todas las alternativas de decisión del
problema. Después se llega a una decisión seleccionando la alternativa que se juzgue
mejor.

THIERAUF. Representación o abstracción de un objeto o situación real, que muestra las

relaciones directas o indirectas y las interrelaciones, de acción y reacción, causa-efecto,
con el fin de solucionar problemas.

HILLIER - LIEBERMAN. Son representaciones idealizadas, que extraen la esencia de

la materia de estudio, muestran interrelaciones y facilitan su análisis.

MOSKOWITZ. Es una abstracción idealizada de un sistema de la vida real, cuyo

propósito es brindar un medio que propicie el análisis del comportamiento del sistema,
con el fin de mejorar su desempeño.

CLASIFICACIÓN Y ESTRUCTURA DEL MODELO MATEMÁTICO.

Los modelos matemáticos pueden ser clasificados como:

A) CUALITATIVOS - CUANTITATIVOS.

- Cualitativos. Son aquellos que estudian los problemas de acuerdo a sus cualidades,
propiedades o características.

La maqueta de una obra arquitectónica, es ejemplo de modelo cualitativo.

- Cuantitativos. Se refiere a la construcción de un modelo matemático representada por

cantidades, en función a las variables y constantes del mismo.

El CPM (Método del Camino Crítico), el PERT (Técnica de Evaluación y Revisión de

Programas), son algunos de los modelos matemáticos que están dentro de este rubro.

B) ESTÁNDAR - HECHO A LA MEDIDA

- Estándar. Son aquellos que son utilizados en forma repetitiva, aplicando el mismo
procedimiento y se generarán resultados que no cambian en esencia; pero sí
numéricamente.

Para calcular el área de cualquier triángulo, se utiliza la fórmula:

- Modelo hecho a la medida. Es aplicable estrictamente para resolver un problema en

específico, en consecuencia, si se presentan otras variantes al mismo, quedará
posteriormente obsoleto.
C) PROBABILÍSTICO - DETERMINÍSTICO.

- Probabilísticas o estocásticos. La característica del modelo estocástico es que al

menos una variable no controlable es incierta y está sujeta a variación.

Para modelos de Planeación de la Producción, la demanda futura puede estar dentro de un

rango de valores, o sea, que la demanda puede variar, el modelo es un modelo
probabilística o estocástico.

- Determinísticos. Son modelos donde se tiene total certeza de lo que sucederá, la

variable no controlable en este modelo se conocen y éstas no pueden tener variaciones.

Ilustrando esto, tenemos que, la tasa del Impuesto a la Renta, es una tasa fija y
conocida, un modelo matemático que contenga esta tasa, como única variable no
controlable, resultaría ser un modelo determinístico.

D) DESCRIPTIVOS - DE OPTIMIZACIÓN

- Descriptivos. Como su nombre lo indica, este tipo de modelo describe los elementos del
problema. Contribuye con la información vital requerida que ayudará en la toma de
decisiones.

Un mapa de división política, es un modelo descriptivo.

- De optimización. Comúnmente iterativos por naturaleza, o sea, que existen repeticiones

análogas. La respuesta final llega a pasos y cada nueva iteración se acerca a la solución
del nivel óptimo.

La programación Lineal, busca optimizar sus soluciones.

F) HEURÍSTICOS

En esencia, emplean reglas intuitivas que servirán como guía para explorar las
trayectorias más probables para llegar a una conclusión.

El Modelo de Inventario de Silver & Mille, se ajusta a este tipo de modelo.

G) ESTÁTICO - DINÁMICO.

- Estático. Determinan una respuesta para una serie especial de condiciones fijas que
probablemente no cambiarán significativamente a corto plazo.

El Modelo de Inventarios de Producción y consumo, es un ejemplo de modelo matemático

estático.
- Dinámico. Está sujeto al factor tiempo, ya que desempeña un papel esencial en la
secuencia de decisiones. Sin importar cuales hayan sido el resultado de la decisión
anterior, el modelo matemático nos permite encontrar la decisiones óptimas para los
períodos que queden todavía en el futuro.

Modelos de Asignación de Presupuestos a diversos proyectos en forma secuencial, es un

ejemplo de modelo matemático dinámico.

F) SIMULACIÓN - NO SIMULACIÓN.

- Simulación. Son aquellos que hacen réplica del comportamiento y modelan la operación
del sistema. Pueden manejarse sistemas bastante complejos que difícilmente se lograrían
de manera manual, haciendo uso de números aleatorios, los resultados obtenidos
generalmente son imprecisos.

En un proceso de colas, la llegada de clientes y servicio, pueden ser generados por

números aleatorios según sus distribuciones de probabilidad respectivas. Esto
ejemplifica un modelo de simulación.

- No simulación. Estadísticamente hablando, no realiza experimentos sobre los datos de

una muestra más que sobre el universo entero.

Debe mencionarse que todos los modelos son de simulación, se ejecutan de esta manera,
de lo contrario, arrojaría costos muy elevados.

En la Investigación de Operaciones los modelos son casi siempre matemáticos ya que son
representaciones de la realidad expresadas en ecuaciones, de estructura fundamental
muy sencilla:

Donde

U : utilidad o valor de la ejecución del sistema

F : es la función o la relación entre las variables

: variables independientes, que afectan a U

: variables dependientes.

Un modelo matemático comprende principalmente tres conjuntos de elementos:

1) Variables y parámetros de decisión.

Las variables son las incógnitas o decisiones que deben determinarse según se vaya
resolviendo el problema.

Los parámetros pueden ser determinísticos o probabilísticas y son los valores conocidos
que se relacionan con las variables, restricciones y la función objetivo.

2) Restricciones o limitantes.

Son aquellas limitaciones que se deben tomar en cuenta, como las tecnológicas,
económicas y otras del sistema que van a restringir a las variables de decisión en un
rango de valores que resulte factible.

3) Función objetivo.

Es una expresión matemática que describe el objetivo que persigue el problema. Así
mismo, define la medida de efectividad que obtiene el sistema, cuando los valores de las
variables de decisión con sus respectivos parámetros y restricciones, dan como resultado
un mejoramiento del sistema.

El éxito del Modelo Matemático dependerá en gran medida de la precisión con la que se
hayan expresado la función objetivo y las restricciones a las que está sujeta ésta, en
términos de ecuaciones matemáticas.

FASES DEL ESTUDIO DE INVESTIGACIÓN DE OPERACIONES.

La Investigación de Operaciones, hace uso de una metodología para resolver problemas,

tomando en consideración las etapas de un proyecto de Investigación de Operaciones.

Las etapas son:

1) Estudio de la organización.

Representando la organización como un sistema según sus componentes e interacciones

que pueden ser controlables o no controlables.
Donde la organización está conformado por subsistemas (1, 2, 3 ), que se comunican por
canales de información (A, B, C) , de manera que los componentes interactúan de manera
determinada.

2) Interpretación de la organización como un sistema.

Al sistema entran elementos para combinarlos y así lograr los objetivos que persigue el
sistema, donde el control (auto corrige), monitorea la salida del sistema con lo planeado.

Algunos de los objetivos que se persiguen podrían ser: La interacción de los componentes
para incrementar la posibilidad de tomar mejores decisiones, mejorar la coordinación
entre los múltiples componentes de la organización, mejorar el control del sistema,
lograr un mejor sistema.
3) Aplicación del Método Científico,

Según Churchman, Ackoff, Arnoff1, consistente en las siguientes fases:

I. Formulación Del Problema.

II. Construcción Del Modelo Matemático Que Represente Al Sistema En Estudio

III. Derivación De La Solución A Partir Del modelo.

IV. Comprobación Del Modelo Y De La Solución Derivada De Él.

V. Aplicación De La Solución, (Ejecución).

Seguidamente se detalla cada componente del Método Científico:

I. FORMULACIÓN DEL PROBLEMA.

En esta fase se define el problema a resolver y los objetivos que se pretenden alcanzar,
mostrando las herramientas para hacer uso y mejoramiento de los esfuerzos de los
investigadores, divididos en dos aspectos:

A) PERÍODO DE ORIENTACIÓN.

Denominado también como el primer período de la investigación.

El equipo de Investigación de Operaciones ajeno a la empresa tiene la oportunidad de

valorar al problema y a la organización. Los promotores que son los críticos científicos y
los que ayudan a la organización económicamente (fundaciones, gobierno,...) tienen
también una oportunidad similar de tener un acercamiento a la empresa.

Así, al final del período de orientación puede especificarse bajo que condiciones se
realiza la investigación y puedan tomarse las medidas necesarias que satisfagan tales
condiciones.

B) LOS COMPONENTES DEL PROBLEMA.

Para llegar a la formulación del problema debemos plantear, ¿en que consiste el
problema?, o ¿cuáles son sus componentes?. Para lo cual tomaremos en cuenta lo
siguiente:

1. La evidencia de que alguien o algún grupo tiene un problema.

Este "alguien o grupo" es también llamado CENTRO DE DECISIÓN.

Cuando el centro de decisión no está satisfecho con algún aspecto de las actividades
tienen la autoridad para implementar, modificar y concluir las políticas vigentes en la
organización y del sistema en estudio.

Las cuestiones siguientes pueden servir de guía en la adopción de decisiones.

i) ¿Quién es el responsable de emitir las recomendaciones que están en relaciona las

modificaciones de las políticas?.

ii.) ¿De quién depende la aprobación y como es expresada la misma?

iii.) ¿Cómo se realiza la aprobación final? P. ej. Por voto mayoritario en deliberación
conjunta, por una autoridad final.

iv.) ¿Alguien tiene poder de veto absoluto?

v.) ¿Quién es el responsable de aplicar las recomendaciones aprobadas?

vi.) ¿Quién valorará la acción tomada?

2. Los objetivos que persigue quien toma las decisiones.

El ejecutivo de la organización puede desear mantener y obtener algunos objetivos

diferentes, tales como: disminuir costos de producción, aumentar su volumen de ventas,
mejorar el servicio a clientes, ...,

3. El sistema.

Que es el escenario de los recursos restringidos o inexistentes en relación con quien

toma decisiones.

El sistema está formado por un conjunto de componentes interrelacionados que buscan

un objetivo común, p. ej.: El consejo gestión, el personal de la empresa, la maquinaria y
equipo, los materiales empleados para obtener el producto final, el volumen de ventas, la
competencia, ...,

4. Los cursos de acción alternativos.

Son al menos dos alternativas o políticas planteadas para que el que toma la decisión
tenga la opción a elegir.

Para obtener una lista de alternativas, se deben de formular y contestar las siguientes
preguntas para cada parte del sistema.

¿En que medida afectan la eficacia del sistema hacer ciertos cambios, en el personal,
equipo, operaciones, máquinas, materiales, ..., en relación con los objetivos señalados?
Una vez especificadas las acciones y reacciones posibles, está concluida la Identificación
de los Componentes del Sistema, y se pasará a la Transformación del Problema de la
Toma de Decisiones, a un Problema de Investigación de Operaciones, que según
Churchman, Ackoff, Arnoff, implica las siguientes etapas:

a)La selección de la lista de objetivos obtenidos en la formulación del problema.

b) La selección de la lista de posibles cursos de acción alternativos.

c) La definición de la medida de rendimiento que va a utilizarse.

II. CONSTRUCCIÓN DEL MODELO MATEMÁTICO QUE REPRESENTA AL

SISTEMA EN ESTUDIO.

La representación de algún objeto que está sujeto a estudio (acontecimientos, procesos,

sistemas) es llamado Modelo Científico, que tiende a ser de carácter explicativo y es
utilizado con fines de predicción y control.

En la primera fase de la construcción del modelo son expuestas las medidas alternativas
a evaluar y la definición de la medida de rendimiento, donde el rendimiento del sistema
estará en función de los valores de las variables.

Los valores de las variables independientes se utilizan para definir los cursos de acción

posible ( ) por los directivos de la organización, y ( ) son los aspectos dependientes

(o variables dependientes) de los cursos de acción ( x).

p. ej.: La demanda del consumidor y la cantidad a producir están en función (f ) y

( E ) es la medida de rendimiento utilizada.

En la construcción del modelo, se estructuran una o más ecuaciones de la forma:

En el sistema, hallar la solución, consiste en encontrar los valores de las variables

controlables , que harán un máximo de rendimiento del mismo.

En algunos casos se utilizará la medida de falta de rendimiento (p. ej.: costos esperados),
entonces la solución radica en hacer mínima la medida de eficiencia.

Paso 1. Enumerar los componentes del sistema.

Se empieza por enumerar a todos los componentes del sistema que contribuye al
rendimiento o no rendimiento de su funcionamiento.
Datos de entrada Resultado

Paso 2. Dar jerarquía a los componentes.

Ya teniendo la lista que completan los componentes del sistema, lo siguiente es

identificar cuales de ellos deben tomarse en cuenta, y ver si hay alguno en relación a
otro ( o en función de otro) o si el curso de acción es totalmente independiente.

Se tendrá que averiguar por que el sistema funciona en la forma en la que lo hace, ¿qué
factores producen los efectos que han sido observados?, ¿de qué manera se pueden
manipular para que se produzcan los efectos deseados?

Paso 3. Agrupar los componentes.

Para su buen manejo resulta conveniente concentrar ciertos componentes del sistema .
La combinación de éstos pueden dar origen a otro diferente.

Paso 4. Asignar símbolos de sustitución.

En la lista modificada será necesario determinar si el componente tiene un valor fijo o

variable, se deberá buscar los aspectos del sistema que están afectando al componente
variable. Se asignarán a los componentes variables un símbolo para cada subcomponente.

Paso 5. Construir el modelo matemático.

Dependiendo de la definición del problema el equipo de Investigación de Operaciones se

decidirá sobre el modelo más adecuado que representará al sistema, que hará específicas
las expresiones cuantitativas para el objetivo y sus restricciones, todo en función de las
variables de decisión.

III. DERIVACIÓN DE LA SOLUCIÓN A PARTIR DEL MODELO MATEMÁTICO.

Según Prawda2, resolver un modelo consiste en encontrar los valores de las variables
dependientes y las no dependientes, asociadas a los componentes controlables del
sistema con el fin de optimizar, si no es posible, mejorar la eficiencia del sistema dentro
del marco de referencia que fijan los objetivos establecidos por el grupo de toma de
decisiones.

Los métodos de solución son:

1. Método Analítico.
2. Método Numérico.

3. Técnicas de Simulación.
1.- EL MÉTODO ANALÍTICO, hace el análisis matemático clásico, es utilizado para
obtener soluciones en forma deductiva, (llamadas también soluciones analíticas), o sea,
que parte de lo general a lo particular.

2.- EL MÉTODO NUMÉRICO, se aplica cuando la solución no es posible obtenerla de

manera deductiva, se utilizará, el análisis numérico, (Iterativo) o solución numérica en
forma inductiva, que va de lo particular a lo general. La solución de tipo iterativo se
aproxima a la solución óptima con un margen de error permitido, basado en una serie de
pruebas sobre la misma lógica de solución, en relación a resultados de una prueba
anterior.

3.- Existen los TÉCNICAS DE SIMULACIÓN, que son los que imitan al sistema real, es
muy útil en la solución de problemas complejos, de riesgo y bajo incertidumbre.

La Técnica de Montecarlo, es un método de solución que utiliza los problemas

probabilísticas de simulación. Esta técnica es utilizada donde no se puede hacer uso de
los métodos de solución numérica o de solución analítica, ya que se generan números
aleatorios para obtener valores muestrales en base a una distribución de probabilidad.

La Teoría de Juegos, es un sistema donde existen varios grupos de decisión que

reaccionan entre sí.

Existen Lenguajes de Programación para la Simulación, como: DYNAMO, FORTRAN,

GPSS, SIMSCRIPT, etc.

IV. COMPROBACIÓN DEL MODELO Y DE LA SOLUCIÓN.

El modelo debe probar su validez, antes de ser implantado, observando si los resultados
predicen o no, con cierta aproximación o exactitud, los efectos en relación a las
diferentes alternativas de solución.

Si los resultados del modelo, se alejan bastante de los resultados reales del sistema, se
debe tomar en cuenta lo siguiente:

 Determinar si el modelo señala el rendimiento del sistema según una o más

variables que afectan a dicho rendimiento.

 Corroborar si el modelo no ha omitido alguna variable que tenga efecto

importante en el rendimiento del sistema.

 Comprobar si el modelo expresa realmente la relación real existente entre la

medida de rendimiento y la variables

 Verificar si los parámetros incluidos en el modelo no estén siendo evaluados

adecuadamente.
Para comprobar la solución del modelo, deberá recopilarse la información, con el fin de
hacer las pruebas necesarias y hacer la verificación según los siguientes pasos:

a) Definir científicamente (incluyendo la medida de rendimiento)

b) Llevar a cabo el muestreo (incluyendo el diseño de experimentos)

c) Reducir el número de datos.

d) Utilizar los datos en la prueba de hipótesis

e) Evaluar los resultados.

Si estos pasos son llevados a cabo recurrentemente cada vez que obtienen resultados del
modelo y les son presentados al grupo de toma de decisiones, se empieza a ejecutar un
procedimiento sistemático de control que depura y ajusta al mismo, con la realidad.

V. ESTABLECIMIENTO DE LOS CONTROLES Y APLICACIÓN DE LA SOLUCIÓN.

Los sistemas no suelen ser estables y su estructura está sujeta a cambios, que pueden
ser cambios entre las variables que definen al propio sistema, o pueden ser cambios
entre los valores de las variables del sistema.

El objetivo del establecimiento de controles, es para que no se pierda la efectividad del

modelo matemático debido a cambios en los parámetros y la eficacia de la solución puede
verse disminuida en consecuencia a:

- cambio de los valores

- cambio de la relación entre ellos

- cambio en ambos factores.

En consecuencia, un parámetro que no era significativo puede llegar a serlo o puede dejar
de serlo, o tal vez, cambiar su grado de importancia.

El diseño de un sistema de control deberá tomar en cuenta lo siguiente:

1. Enumeración de las variables y la relación entre ellas, y la manera en que afecta a

la solución el cambio de los valores.
2. Elaboración de un procedimiento para detectar los cambios importantes entre los
parámetros (variables) y las relaciones,
3. Especificación de la acción que deberá tomarse o los ajustes que deben llevarse a
cabo en el momento de ocurrir un cambio importante.

Los parámetros enumerados pueden ser clasificados como:

a) Valores que se conocen de antemano durante el período correspondiente a una
decisión.

Como por ejemplo: número de días de trabajo, precio de ventas de un artículo,...

b) Medidas cuyos valores no se conocen de antemano.

P. ejemplo:

La cantidad de producto defectuosa, la utilidad anual de la empresa, entre otros.

La participación entre los investigadores de operaciones y el personal de operación, cuyo

trabajo en conjunto, permitirá desarrollar exitosamente el plan de implantación. Ya que
ninguna consideración práctica se dejará de analizar, y de esta manera podrán
verificarse las modificaciones o ajustes posibles al sistema.
2. Programación Lineal.

2.1. Introducción.

Muchas personas clasifican el desarrollo de la Programación Lineal (PL) entre los

avances científicos más importantes de mediados del siglo XX. En la actualidad es una

herramienta común que ha ahorrado miles o millones de dólares a muchas compañías y negocios,

incluyendo industrias medianas en distintos países del mundo. ¿Cuál es la naturaleza de esta

notable herramienta y qué tipo de problemas puede manejar? Expresado brevemente, el tipo

más común de aplicación abarca el problema general de asignar recursos limitados entre

actividades competitivas de la mejor manera posible (es decir, en forma óptima). Este

problema de asignación puede surgir cuando deba elegirse el nivel de ciertas actividades que

compiten por recursos escasos para realizarlas. La variedad de situaciones a las que se puede

aplicar esta descripción es sin duda muy grande, y va desde la asignación de instalaciones

productivas a los productos, hasta la asignación de los recursos nacionales a las necesidades de

un país; desde la planeación agrícola, hasta el diseño de una terapia de radiación; etc. No

obstante, el ingrediente común de todas estas situaciones es la necesidad de asignar recursos

a las actividades.

Con frecuencia, seleccionar una alternativa incluye satisfacer varios criterios al mismo

tiempo. Por ejemplo, cuando se compra una pieza de pan se tiene el criterio de frescura,

tamaño, tipo (blanco, integral u otro), costo y rebanado o sin rebanar. Se puede ir un paso más

adelante y dividir estos criterios en dos categorías: restricciones y el objetivo. Las

restricciones son las condiciones que debe satisfacer una solución que está bajo consideración.

Si más de una alternativa satisfacen todas las restricciones, el objetivo se usa para

seleccionar entre todas las alternativas factibles. Cuando se elige una pieza de pan, pueden

quererse 100 gr. de pan blanco rebanado y hecho no antes de ayer. Si varias marcas satisfacen

estas restricciones, puede aplicarse el objetivo de un costo mínimo y escoger las más barata.

Existen muchos problemas administrativos que se ajustan a este molde de tratar de

minimizar o maximizar un objetivo que está sujeto a una lista de restricciones. un corredor de

inversiones, por ejemplo, trata de maximizar el rendimiento sobre los fondos invertidos pero

las posibles inversiones están restringidas por las leyes y las políticas bancarias. Un hospital
debe planear que las comidas para los pacientes satisfagan ciertas restricciones sobre sabor,

propiedades nutritivas, tipo y variedad, al mismo tiempo que se trata de minimizar el costo. Un

fabricante, al planear la producción futura, busca un costo mínimo al mismo tiempo cómo

cumplir restricciones sobre la demanda del producto, la capacidad de producción, los

inventarios, el nivel de empleados y la tecnología. La PL se ha aplicado con éxito a estos y otros

problemas.

La PL es una técnica determinista, no incluye probabilidades y utiliza un modelo

matemático para describir el problema. El adjetivo lineal significa que todas las funciones

matemáticas del modelo deben ser funciones lineales. En este caso, la palabra programación no

se refiere a programación en computadoras; en esencia es un sinónimo de planeación. Así, la PL

trata la planeación de las actividades para obtener un resultado óptimo, esto es, el resultado

que mejor alcance la meta especificada (según el modelo) entre todas las opciones de solución.

Aunque la asignación de recursos a las actividades es la aplicación más frecuente, la PL tiene

muchas otras posibilidades. De hecho, cualquier problema cuyo modelo matemático se ajuste al

formato general del modelo de PL es un problema de PL.

Supuestos de la programación lineal.

Existe un número de suposiciones realizadas en cada modelo. La utilidad de un modelo

está directamente relacionada con la realidad de los supuestos.

El primer supuesto tiene que ver con la forma lineal de las funciones. Ya que el objetivo

es lineal, la contribución al objetivo de cualquier decisión es proporcional al valor de la variable

de decisión. Producir dos veces más de producto producirá dos veces más de ganacia,

contratando el doble de páginas en las revistas doblará el costo relacionado con las revistas. Es

una Suposición de Proporción.

Además, la contribución de una variable a la función objetivo es independiente de los

valores de las otras variables. La ganancia con una computadora Notebook es de $10,750.00,

independientemente de cuantas computadoras Desktop se producen. Este es un Supuesto de

Adición.

Análogamente, ya que cada restricción es lineal, la contribución de cada variable al lado

izquierdo de cada restricción es proporcional al valor de la variable e independiente de los

valores de cualquier ora variable.

 Estas suposiciones son bastante restrictivas. Veremos, sin embargo, que ser claros y

precisos en la formulación del modelo puede ayudar a manejar situaciones que parecen en un

comienzo como lejanos a estos supuestos.

El siguiente supuesto es la Suposición de ser Divisible. Es posible tomar una fracción de

cualquier variable. Por ejemplo, en un problema de marketing, qué significa comprar 2.67 avisos

en la televisión?. Es posible que la suposición de ser divisible sea insatisfecha en este ejemplo.

O puede ser que tales unidades de 2.67 avisos correspondan a 2,666.7 minutos de avisos, en

cuyo caso redondeando la solución serían 2,667 minutos con una mínima duda que esté cercana

a la solución óptima. Si la suposición de divisible no es válida, entonces se usará la técnica de

Programación Lineal Entera.

La última suposición es el Supuesto de Certeza. La Programación Lineal no permite

incertidumbre en los valores.

Será difícil que un problema cumpla con todas las suposiciones de manera exacta. Pero

esto no negará la factibilidad de uso del modelo. Un modelo puede ser aún útil aunque difiera

de la realidad, si se es consistente con los requerimientos más estrictos dentro del modelo y

se tiene claras sus limitaciones al interpretar los resultados.

Existen limitaciones prácticas para el uso de la PL. Una se relaciona con los cálculos. En

general se necesita una computadora. Desafortunadamente, las calculadoras, aun las

programables, son poco útiles, puesto que la PL tiene necesidad de gran cantidad de memoria o

almacenamiento. Si no se tiene acceso a una computadora, se estará limitado a problemas muy

sencillos. La otra limitación se refiere al costo de formular un problema de PL. En teoría,

podría usarse PL, por ejemplo, para hacer las compras semanales de abarrotes. Sin embargo,

sería necesario conocer todas las compras posibles que pueden realizarse (éstas serían las

variables), además de cada restricción como sabor, número de comidas, vitaminas y proteínas.

Es obvio que el costo de obtener todos estos datos excede lo que se podría ahorrar si se

hicieran las compras óptimas. Antes de emprender una aplicación de PL, debe considerarse la

disponibilidad y el costo de los datos necesarios.

2.2. Formulación de modelos de Programación Lineal.

Aunque se ponga en duda, la parte más difícil de PL es reconocer cuándo ésta puede

aplicarse y formular el problema matemáticamente. Una vez hecha esa parte, resolver el

problema casi siempre es fácil.

Para formular un problema en forma matemática, deben expresarse afirmaciones

lógicas en términos matemáticos. Esto se realiza cuando se resuelven “problemas hablados” al

estudiar un curso de álgebra. Algo muy parecido sucede aquí al formular las restricciones. Por

ejemplo, considérese la siguiente afirmación: A usa 3 horas por unidad y B usa 2 horas por

unidad. Si deben usarse todas las 100 horas disponibles, la restricción será:

3A + 2B = 100

Sin embargo, en la mayoría de las situaciones de negocios, no es obligatorio que se usen

todos los recursos (en este caso, horas de mano de obra). Más bien la limitación es que se use,

cuando mucho, lo que se tiene disponible. Para este caso, la afirmación anterior puede

escribirse como una desigualdad:

3A + 2B  100

Para que sea aceptable para PL, cada restricción debe ser una suma de variables con

exponente 1. Los cuadrados, las raíces cuadradas, etc. no son aceptables, ni tampoco los

productos de variables. Además, la forma estándar para una restricción pone a todas las

variables del lado izquierdo y sólo una constante positiva o cero del lado derecho. Esto puede

requerir algún reacomodo de los términos. Si, por ejemplo, la restricción es que A debe ser por

los menos el doble de B, esto puede escribirse como:

A  2B ó A  2B  0

Nótese que pueden moverse términos de un lado a otro de las desigualdades como si

fuera un signo de igualdad. Pero al multiplicar una desigualdad por 1, el sentido de esta

desigualdad se invierte. Puede ser necesario hacer esto para que los coeficientes del lado

derecho sean positivos. Por ejemplo, si se quiere que A sea por lo menos tan grande como B  2,

entonces:
 A  B2
ó AB  2
por último B  A  2

Una nota final sobre desigualdades: es sencillo convertir una desigualdad en una

ecuación. Todo lo que se tiene que hacer es agregar (o restar) una variable extra. Por ejemplo:

BA2 es lo mismo que BA+S=2

en donde S representa la diferencia, o la holgura, entre B  A y 2. S se llama variable de

holgura. Por otro lado, se restaría una variable de superávit en el caso siguiente:

A  2B  0 es lo mismo que A  2B S = 0

Algunos métodos de solución (como el Método Símplex) y la mayoría de los programas

de computadora (como el MathProg, que viene en el ORCourseware, que acompaña al libro

“Introducción a la Investigación de Operaciones” de los autores Hillier y Lieberman) requieren

que todas las desigualdades se conviertan en igualdades.

La metodología de PL requiere que todas las variables sean positivas o cero, es decir, no

negativas. Para la mayoría de los problemas esto es real, no se querría una solución que diga:

prodúzcanse menos dos cajas o contrátense menos cuatro personas.

Mientras que no existe un límite en el número de restricciones que puede tener un

problema de PL, sólo puede haber un objetivo. La forma matemática del objetivo se llama

función objetivo. Debe llevar consigo el maximizar o minimizar alguna medida numérica. Podría

ser maximizar el rendimiento, la ganancia, la contribución marginal o los contactos con los

clientes. Podría ser minimizar el costo, el número de empleados o el material de desperdicio.

Con frecuencia el objetivo es evidente al observar el problema.

Como el valor de la función objetivo no se conoce hasta que se resuelve el problema, se

usa la letra Z para representarlo. La función objetivo tendrá, entonces, la forma:

 Maximizar Z = 4A + 6B

Minimizar Z = 2x1 + 5x2

Se analiza una aplicación para ilustrar el formato de los problemas de Programación

Lineal.

Ejemplo 1: Planeación de la fuerza de trabajo.

El gerente de personal de “La Tortuga Veloz, S.A. de C.V.”, está analizando la necesidad

de mano de obra semi calificada durante los próximos seis meses. Se lleva 1 mes adiestrar a

una persona nueva. Durante este período de entrenamiento un trabajador regular, junto con

uno en adiestramiento (aprendiz), producen el equivalente a lo que producen 1.2 trabajadores

regulares. Se paga $500.00 mensuales a quien está en entrenamiento, mientras que los

trabajadores regulares ganan $800.00 mensuales. La rotación de personal entre los

trabajadores regulares es bastante alta, del 10% mensual.

El gerente de personal debe decidir cuántas personas necesita contratar cada mes

para adiestramiento. En seguida se da el número de meses-hombre necesarios. También se

desea tener una fuerza de trabajo regular de 110 al principio de julio. En cuanto al 1º de enero,

hay 58 empleados regulares.

Mes Meses-hombre requeridos Mes Meses-hombre requeridos

Enero 60 Abril 80

Febrero 50 Mayo 70

Marzo 60 Junio 100

Este problema tiene un aspecto dinámico, ya que la fuerza de trabajo en cualquier mes

depende de la fuerza de trabajo regular y en adiestramiento del mes anterior. Para cualquier

mes, el número total de meses-hombre disponibles se puede expresar como sigue:

Meses-hombre disponibles: Ri + 0.2Ai

en donde: Ri = número de trabajadores regulares al principio del mes

Ai = número de aprendices contratados en el mes.

Entonces los requerimientos de cada mes pueden expresarse por las restricciones:

enero R1 + 0.2A1  60

febrero R2 + 0.2A2  50

marzo R3 + 0.2A3  60

abril R4 + 0.2A4  80

mayo R5 + 0.2A5  70

junio R6 + 0.2A6  100

julio (principio) R7  110

Debido a la rotación, el 10% de los trabajadores regulares se van cada mes. Así, el número de

trabajadores regulares disponibles, por ejemplo, al principio de febrero sería:

R2 = 0.9R1 + A1

En la misma forma, pueden escribirse las ecuaciones para el número de trabajadores

disponibles al principio de cada mes:

enero R1 = 58 (dado)

febrero R2 = 0.9R1 + A1

marzo R3 = 0.9R2 + A2

abril R4 = 0.9R3 + A3

mayo R5 = 0.9R4 + A4

junio R6 = 0.9R5 + A5

julio R7 = 0.9R6 + A6

El objetivo global del gerente de personal es minimizar el costo. La función objetivo es:
 Minimizar: Z = 800(R1 + R2 + R3 + R4 + R5 + R6) + 500(A1 + A2 + A3 + A4 + A5 + A6)

Ahora se tiene el problema en el formato general de PL con 13 variables y 14 restricciones.

Los tomadores de decisiones en las empresas establecen criterios que debe cumplir una

solución y, después, buscan esa solución. En PL, los criterios se expresan como restricciones.

Se exploran las soluciones posibles y se usa la función objetivo para elegir la mejor de entre

aquellas que cumplen con los criterios. La PL se denomina técnica de optimización, pero

optimiza sólo dentro de los límites de las restricciones. En realidad es un método de

satisfacción de criterios.

Forma estándar de los modelos de Programación Lineal.

Supóngase que existe cualquier número (digamos m) de recursos limitados de cualquier

tipo, que se pueden asignar entre cualquier número (digamos n) de actividades competitivas de

cualquier clase. Etiquétense los recursos con números (1, 2, ..., m) al igual que las actividades (1,

2, ..., n). Sea xj (una variable de decisión) el nivel de la actividad j, para j = 1, 2, ..., n, y sea Z la

medida de efectividad global seleccionada. Sea cj el incremento que resulta en Z por cada

incremento unitario en xj (para j = 1, 2, ..., n). Ahora sea bi la cantidad disponible del recurso i

(para i = 1, 2, ..., m). Por último defínase aij como la cantidad de recurso i que consume cada

unidad de la actividad j (para i = 1, 2, ..., m y j = 1, 2, ..., n). Se puede formular el modelo

matemático para el problema general de asignar recursos a actividades. En particular, este

modelo consiste en elegir valores de x1, x2, ..., xn para:

Maximizar Z = c1x1 + c2x2 + ... + cnxn,

sujeto a las restricciones:

a11x1 + a12x2 + ... + a1nxn  b1

a21x1 + a22x2 + ... + a2nxn  b2

am1x1 + am2x2 + ... + amnxn  bm

x1  0, x2 0, ..., xn  0
Ésta se llamará nuestra forma estándar (porque algunos libros de texto adoptan otras formas)

para el problema de PL. Cualquier situación cuya formulación matemática se ajuste a este

modelo es un problema de PL.

En este momento se puede resumir la terminología que usaremos para los modelos de

PL. La función que se desea maximizar, c1x1 + c2x2 + ... + cnxn, se llama función objetivo. Por lo

general, se hace referencia a las limitaciones como restricciones. Las primeras m restricciones

(aquellas con una función del tipo ai1x1 + ai2x2 + ... + ainxn, que representa el consumo total del

recurso i) reciben el nombre de restricciones funcionales. De manera parecida, las

restricciones xj  0 se llaman restricciones de no negatividad. Las variables xj son las

variables de decisión. Las constantes de entrada, aij, bi, cj, reciben el nombre de parámetros

del modelo.

Otras formas de modelos de Programación Lineal.

Es conveniente agregar que el modelo anterior no se ajusta a la forma natural de

algunos problemas de programación lineal. Las otras formas legítimas son las siguientes:

1. Minimizar en lugar de maximizar la función objetivo:

Minimizar Z = c1x1 + c2x2 + ... + cnxn,

2. Algunas restricciones funcionales con desigualdad en el sentido mayor o igual:

ai1x1 + ai2x2 + ... + ainxn,  bi, para algunos valores de i,

3. Algunas restricciones funcionales en forma de ecuación:

ai1x1 + ai2x2 + ... + ainxn, = bi, para algunos valores de i,

4. Las variables de decisión sin la restricción de no negatividad:

xj no restringida en signo para algunos valores de j.

Cualquier problema que incluya una, varias o todas estas formas del modelo anterior también se

clasifica como un problema de PL, siempre y cuando éstas sean las únicas formas nuevas

introducidas. Puede ser que la interpretación que se ha dado de asignación de recursos

limitados entre actividades que compiten no se aplique, pero independientemente de la

interpretación o el contexto, lo único que se necesita es que la formulación matemática del

problema se ajuste a las formas permitidas. Se verá que estas otras cuatro formas legales se

pueden reescribir en una forma equivalente para que se ajuste al modelo que se presentó.

Entonces, todo problema de PL se puede poner en nuestra forma estándar si se desea.

2.3. Solución Gráfica de Modelos Lineales con dos Variables.

Para la solución gráfica de programas lineales con dos variables, lo que se tiene que

hacer es trazar un eje de coordenadas cartesianas, para graficar las desigualdades dadas por

el problema, después encontrar el Área de Soluciones Factibles y proceder a graficar la

función objetivo para conocer el valor óptimo (maximizar o minimizar) que será la solución del

problema.

Ejemplo: Problema de mezcla de productos.

Un fabricante está tratando de decidir sobre las cantidades de producción para dos artículos:

mesas y sillas. Se cuenta con 96 unidades de material y con 72 horas de mano de obra. Cada

mesa requiere 12 unidades de material y 6 horas de mano de obra. Por otra parte, las sillas

usan 8 unidades de material cada una y requieren 12 horas de mano de obra por silla. El margen

de contribución es el mismo para las mesas que para las sillas: $5.00 por unidad. El fabricante

prometió construir por lo menos dos mesas.

Paso 1: formulación del problema.

El primer paso para resolver el problema es expresarlo en términos matemáticos en el formato

general de PL. ¿Cuál es el objetivo? Es maximizar la contribución a la ganancia. Cada unidad de

mesas o sillas producidas contribuirá con $5 en la ganancia. Así las dos alternativas son la

producción de mesas y la producción de sillas. Ahora puede escribirse la función objetivo:

Maximizar Z = 5x1 + 5x2

en donde: x1 = número de mesas producidas

x2 = número de sillas producidas

¿Cuáles son las restricciones o limitaciones del problema? Existen tres restricciones. Primero,

el material está limitado a 96 unidades. Cada mesa se lleva 12 unidades de material y cada silla

usa 8 unidades. La primera restricción es, entonces:

12x1 + 8x2  96

La segunda restricción es el total de horas de mano de obra. Una mesa se lleva 6 horas, una

silla 12 horas y se dispone de un total de 72 horas. Así:

6x1 + 12x2  72

Existe una limitación más. El fabricante prometió producir por lo menos dos mesas. Esto puede

expresarse como:

x1  2

Por último, las restricciones de no negatividad son:

x1  0, x2  0

Poniendo todo junto el modelo se tiene:

Maximizar Z = 5x1 + 5x2

Restricciones: 12x1 + 8x2  96

6x1 + 12x2  72

x1  2

x1  0, x2  0

Paso 2: gráfica de las restricciones.

El siguiente paso en el método gráfico es dibujar todas las restricciones en una gráfica. Esto

puede hacerse en cualquier orden. Por conveniencia se comenzará con las restricciones de no

negatividad. Éstas se muestran en la siguiente figura:

En esta gráfica, una solución se representaría por un punto con coordenadas x1 (mesas) y x2

(sillas). Las coordenadas representarían las cantidades de cada artículo que se deben producir.

El cuadrante superior derecho se llama Región Factible puesto que es el único cuadrante en que

pueden estar las soluciones. Los otros tres cuadrantes no son factibles, ya que requerirían la

producción de cantidades negativas de mesas o de sillas o de ambas.

La siguiente restricción es x1  2. La manera más sencilla de dibujar las restricciones de

recursos es en dos pasos: (1) convertir una desigualdad en una ecuación y graficar la ecuación y

(2) sombrear el área apropiada arriba y abajo de la línea que resulta en el paso 1. Convertir una

igualdad en una ecuación aquí significa ignorar la parte de “mayor que” o “menor que” de la

restricción.

Así, en el ejemplo, x1  2 se convierte en x1 = 2. Esta ecuación está trazada en la siguiente

figura:
Cualquier punto en la línea x1 = 2 satisface la ecuación. Sin embargo, la restricción es más

amplia, ya que cualquier punto x1 > 2 también la cumplirá. Esto incluye todos los puntos que

están a la derecha de la línea x1 = 2. Entonces, la región factible incluye todos los valores de x1

que están sobre o a la derecha de la línea x1 = 2.

La limitación sobre las horas de mano de obra es la siguiente restricción. Como antes, primero

se convierte en una ecuación: 6x1 + 12x2 = 72. Puede graficarse esta línea si se encuentran dos

puntos sobre ella. El par de puntos más sencillos de localizar son las intersecciones con los ejes

X1 y X2. Para encontrar la intersección con el eje X2 se hace x1 = 0. La ecuación se reduce,

entonces, a:

12x2 = 72

x2 = 6

La intersección con el eje X1 se encuentra haciendo x2 = 0. Así:

6x1 = 72

x1 = 12

Estos dos puntos y la línea que los une se muestran en la siguiente figura:

Cualquier punto que está sobre o abajo de esta línea cumplirá con la restricción. Cualquier

punto arriba de esta línea requerirá más de 72 horas de mano de obra y no es aceptable. En la

siguiente figura se combina esta restricción con la anterior. En la región factible, ambas

restricciones se cumplen.
La última restricción es la de material. Siguiendo el procedimiento anterior, primero se

encuentran las intersecciones para la igualdad. Éstas son x1 = 0, x2 = 12 y x1 = 8, x2 =0. Se

localizan los dos puntos en la gráfica; se traza la línea, y como la restricción es del tipo menor

o igual que, se sombrea el área que está abajo de la línea. El resultado se muestra en la

siguiente figura:

Cualquier solución que esté en la frontera o dentro del área sombreada cumplirá con todas las

restricciones. Ahora se utilizará la función objetivo para seleccionar la solución óptima.

Paso 3: obtención de la solución óptima: líneas de indiferencia.

Para encontrar la solución óptima, se grafica la función objetivo en la misma gráfica de las

restricciones. La función objetivo en este problema es Z = 5x1 + 5x2. Como todavía no se

conoce el máximo valor factible de Z, no puede trazarse el óptimo de la función objetivo. No

obstante, es posible suponer algunos valores para Z y graficar las líneas resultantes. En la

siguiente figura se muestran las líneas para Z = 25 yZ = 50:

Las líneas de este tipo se llaman líneas de indiferencia, porque cualquier punto sobre una línea

dada da la misma ganancia total. Nótese que la distancia perpendicular del origen a la línea

aumenta al aumentar el valor de Z. También, todas las líneas de indiferencia son paralelas

entre sí. Estas propiedades gráficas pueden usarse para resolver el problema.

En la siguiente figura, se ilustran todas las restricciones y las dos líneas de indiferencia

supuestas. En la gráfica puede observarse que la línea de indiferencia para Z = 50 está

completamente fuera de la región factible. Para Z = 25, parte de la línea cae dentro de la

región factible. Por tanto, existe alguna combinación de x1 y x2 que satisface todas las

restricciones y da una ganancia total de $25. Por inspección, puede observarse que hay

ganancias más altas que son factibles.

Imaginando que la línea de indiferencia Z = 25 se mueve hacia la línea Z = 50, de las

propiedades de la gráfica que se hicieron notar antes, el punto óptimo estará sobre la línea de

indiferencia más lejana al origen pero que todavía toque la región factible. Esto se muestra en

la siguiente figura:

Con el punto óptimo localizado gráficamente, la única tarea que queda es encontrar las

coordenadas del punto. Nótese que el punto óptimo está en la intersección de las líneas de

restricción para materiales y horas de mano de obra. Las coordenadas de este punto se pueden

encontrar resolviendo el sistema de ecuaciones que forman estas dos restricciones utilizando

cualquiera de los métodos de solución (suma y resta, sustitución o igualación). Las coordenadas

de este punto resultan ser (6, 3). La sustitución de este punto en la función objetivo da la

ganancia máxima:

Z = 5(6) + 5(3) = $45

Resumen del método gráfico.

Para resolver gráficamente problemas de programación lineal:

1. Exprésense los datos del problema como una función objetivo y restricciones.

2. Grafíquese cada restricción.

3. Localícese la solución óptima.

Uso del método gráfico para minimización.

Consideremos un Problema de PL en el cual el objetivo es minimizar costos. La solución

del problema de minimización sigue el mismo procedimiento que la de problemas de

maximización. La única diferencia es que ahora se quiere el menor valor posible para la función

objetivo. Supóngase que se tiene el siguiente problema:

Ejemplo: Problema de dieta.

Un comprador está tratando de seleccionar la combinación más barata de dos

alimentos, que debe cumplir con ciertas necesidades diarias de vitaminas. Los requerimientos

vitamínicos son por lo menos 40 unidades de vitamina W, 50 unidades de vitamina X y 49

unidades de vitamina Y. Cada onza del alimento A proporciona 4 unidades de vitamina W, 10

unidades de vitamina X y 7 unidades de vitamina Y; cada onza del alimento B proporciona 10

unidades de W, 5 unidades de X y 7 unidades de Y. El alimento A cuesta 5 pesos/kilogramo y el

alimento B cuesta 8 pesos/kilogramo.

Paso 1: formulación del problema.

La meta en este problema es encontrar la manera menos costosa para satisfacer las

necesidades vitamínicas. Las dos alternativas disponibles son los alimentos A y B.

Matemáticamente la función objetivo es:

Minimizar Z = 5A + 8B

Las restricciones son los requerimientos mínimos de las tres vitaminas. Éstas se muestran

enseguida:

Restricciones: 4A + 10B  40 vitamina W

10A + 5B  50 vitamina X

7A + 7B  49 vitamina Y

A  0, B  0 no negatividad
Paso 2: gráfica de las restricciones.

El procedimiento para graficar es el mismo que se usó antes: (1) graficar cada ecuación de

restricción; (2) graficar el área apropiada. Para la primera restricción la ecuación es 4A + 10B

= 40. Las dos intersecciones con los ejes son (0,4) y (10,0). Esta línea se muestra en la

siguiente figura:

La restricción pide 40 unidades o más de la vitamina W. Cualquier punto que esté arriba de la

línea de restricción será factible y todos los puntos que quedan abajo de esa línea serán

aceptables. En la siguiente figura se muestra la región factible:

Después se grafica la restricción para la vitamina X. La ecuación 10A + 5B = 50 tiene

intersecciones con los ejes en (0,10) y (5,0). En la siguiente figura se ilustran las restricciones

para las vitaminas W y X. Nótese que las soluciones que quedan en las áreas a o b no son

factibles, ya que quedarían abajo de las líneas de restricción.

Al agregar la tercera restricción, este segundo paso queda terminado, como se muestra en la

siguiente figura:
Paso 3: localización de la solución óptima.

En la siguiente figura se muestra la frontera extrema más dos líneas de indiferencia, las de Z

= 40 pesos y Z = 60 pesos. La frontera extrema está formada por los puntos a, b, c y d, puesto

que éstos son los puntos de intersección factibles más cercanos al origen.
Gráficamente, el objetivo de minimizar el valor de Z significa ajustar una línea de indiferencia

tan cerca del origen como sea posible. En la figura anterior puede observarse que existen

muchas soluciones posibles para Z = 60, pero ninguna para Z = 40. Imaginando mover la línea Z

= 60 hacia el origen, el último punto de contacto con la frontera extrema será el punto b.

Entonces, el punto b es la solución óptima. En la figura anterior se observa que el punto b es la

intersección de dos líneas:

(1) 4A + 10B = 40

(2) 7A + 7B = 49

Resolviendo el sistema de ecuaciones:

Multiplíquese la ecuación (1) por 7: (3) 28A + 70B = 280

Multiplíquese la ecuación (2) por – 4: (4) –28A – 28B = –196

42B = 84

B= 2

Sustitúyase en la ecuación (1): 4A + 10(2) = 40

A= 5

La solución menos costosa es 5 kilogramos de alimento A y 2 kilogramos de alimento B. El costo

total de esta combinación es:

Z = 5A + 8B = 5(5) + 8(2) = 25 + 16 = 41 pesos

Si se usa el método de prueba y error para localizar la solución óptima, se deben encontrar las

coordenadas de los puntos a, b, c, y d. Se debe calcular después el valor de la función objetivo

para cada punto. A continuación se muestran los resultados de este procedimiento:

 Resultados de prueba y error

Punto Coordenadas Z = 5A + 8B

a A = 10, B = 0 50

b A = 5, B = 2 41  menor

c A =3, B = 4 47

d A = 0, B = 10 80

CASOS ESPECIALES.

Múltiples soluciones.

Maximizar Z = 3x1 + 2x2

sujeta a x1  4
x2  12
3x1 + 2x2  18
x1  x2  0
0,

Ninguna solución factible.

Maximizar Z = 3x1 + 2x2

sujeta a 1/40x + 1/60x  1
1 2
1/50x + 1/50x  1
1 2
x1  30
x2  20
x1  x2  0
0,

Área o Región de Soluciones Factibles no Acotada.

Maximizar Z = 2x1 – x2
sujeta a x1 – x2  1
2x1 + x2  6
x1  x2  0
0,
2.4. Método Símplex.

El método símplex es un algoritmo. De hecho, cualquier procedimiento iterativo de

solución es un algoritmo. Entonces, un algoritmo es simplemente un proceso en el que se repite
(se itera) un procedimiento sistemático una y otra vez hasta obtener el resultado deseado.
Cada vez que se lleva a cabo el procedimiento sistemático se realiza una iteración. En
consecuencia, un algoritmo sustituye un problema difícil por una serie de problemas fáciles.
Además de las iteraciones, los algoritmos incluyen un procedimiento para iniciar y un
criterio para determinar cuándo detenerse, como se resume enseguida:

Paso inicial Preparación para iniciar iteraciones

Paso iterativo Realización de iteraciones

Regla de detención ¿Es óptima la solución actual?

Si no Si sí
Fin
El método símplex es un procedimiento algebraico en el que cada iteración contiene la
solución de un sistema de ecuaciones para obtener una nueva solución a la que se le aplica la
prueba de optimalidad. No obstante, también tiene una interpretación geométrica muy útil.
Para ilustrar los conceptos geométricos generales se empleará la solución gráfica del siguiente
problema:

Max Z = 3x1 + 5x2

s.a.
x1 4
2x2  12
3x1 + 2x2  18
x1  0 x2  0

Solución por el método gráfico:

En la figura anterior pueden observarse los puntos de intersección que son las soluciones en los
vértices del problema. Los cinco puntos que se encuentran en los vértices de la región factible,
 (0,0), (0,6), (2,6), (4,3), (4,0) son las soluciones factibles en los vértices. Algunas de estas
soluciones factibles en un vértice son adyacentes, en el sentido de que están conectadas por
una sola orilla (segmento de línea) de la frontera de la región factible; esto es, tanto (0,6)
como (4,3) son adyacentes a (2,6). Las tres propiedades clave de las soluciones factibles en los
vértices y que forman el fundamento del método símplex se resumen como sigue:

Propiedades de las soluciones factibles en un vértice:

1a. Si existe exactamente una solución óptima, entonces debe ser una solución factible en un
vértice.
1b. Si existen soluciones óptimas múltiples, entonces al menos dos de ellas deben ser
soluciones factibles en vértices adyacentes.
Existe sólo un número finito de soluciones factibles en los vértices adyacentes.
Si una solución en un vértice es igual o menor (según el valor de Z) que todas las soluciones
factibles en los vértices adyacentes a ella, entonces es igual o mejor que todas las demás
soluciones en los vértices; es decir, es óptima.
La propiedad 1 significa que la búsqueda de la solución óptima se puede reducir a la
consideración de sólo las soluciones factibles en los vértices, de manera que sólo existe un
número finito de soluciones que es necesario tomar en cuenta (propiedad 2). La propiedad 3
proporciona una prueba de optimalidad muy conveniente.
El método símplex explota estas tres propiedades al examinar nada más unas cuantas
soluciones factibles en vértices prometedores y al detenerse en cuanto una de ellas pasa la
prueba de optimalidad. En particular, se traslada repetidamente (en forma iterativa) de una
solución factible en un vértice a otra, adyacente y mejor. Esto se puede realizar en forma muy
eficiente hasta que la solución actual no tiene soluciones factibles en vértices adyacentes que
sean mejores. Este procedimiento se resume como sigue:

Bosquejo del método símplex:

Paso inicial: inicio en una solución factible en un vértice.
Paso iterativo: traslado a una mejor solución factible en un vértice adyacente. (Repítase este
paso las veces que sea necesario).
Prueba de optimalidad: la solución factible en un vértice es óptima cuando ninguna de las
soluciones en vértices adyacentes a ella sean mejores.

Este bosquejo muestra la esencia del método símplex,. En el caso del ejemplo, al
utilizar estas reglas de selección el método símplex procede como sigue:

Paso inicial: comienza en (0,0).

2a. Iteración 1: se mueve de (0,0) a (0,6)
2b. Iteración 2: se mueve de (0,6) a (2,6).
Prueba de optimalidad: ni (0,6) ni (4,3) son mejores que (2,6), entonces se detiene, (2,6) es
óptima.

Preparación para el método símplex.

 En el procedimiento algebraico es mucho más conveniente manejar ecuaciones que
desigualdades. Así, el primer paso para preparar el método símplex es convertir las
restricciones funcionales de desigualdad en restricciones equivalentes. (Las restricciones de
no negatividad se pueden dejar como desigualdades porque el algoritmo las usa sólo
indirectamente). Esta conversión se hace mediante la introducción de variables de holgura.
Considérese la primera restricción funcional del ejemplo:

x1  4

La variable de holgura para esta restricción es x3, que no es otra cosa que la holgura entre los
dos lados de la desigualdad. Entonces:

x1 + x3 = 4

La restricción original x1  4 se cumple siempre que x3  0. Por tanto, x1  4 es totalmente

equivalente al conjunto de restricciones

x1 + x3 = 4
y
x3  0,

de manera que se usará este conjunto por resultar más conveniente.

Al introducir variables de holgura en las otras restricciones en forma parecida, el
modelo de programación lineal original para este ejemplo se puede sustituir por el modelo
equivalente:

Maximizar Z = 3x1 + 5x2,

sujeta a
x1 + x3 = 4
2x2 + x4 = 12
3x1 + 2x2 + x5 = 18
xj  0 para j = 1, 2, …, 5

Aun cuando este problema es idéntico al anterior, esta forma es mucho más
conveniente para la manipulación algebraica y la identificación de las soluciones factibles en los
vértices. Ésta se llama la forma de igualdades del problema, para diferenciarla de la forma de
desigualdades original y poder introducir la siguiente definición:

Una solución aumentada es una solución para un problema que originalmente se encontraba en
forma de desigualdades y que se ha aumentado con los valores correspondientes de las
variables de holgura para cambiar el problema a la forma de igualdades.

Por ejemplo, al aumentar la solución (3,2) en el ejemplo, se obtiene la solución

aumentada (3,2,1,8,5), puesto que los valores correspondientes de las variables de holgura son
x3 = 1, x4 = 8, x5 = 5.
Una solución básica es una solución en un vértice aumentada.

Para ilustrar esto, considérese la solución no factible en el vértice (4,6) del ejemplo. Al
aumentar con los valores obtenidos para las variables de holgura x3 = 0, x4 = 0 y x5 = –6, se
llega a la solución básica correspondiente (4,6,0,0,–6). Se permite que las soluciones básicas
sean factibles o no factibles, lo que lleva a la siguiente definición:

Una solución básica factible es una solución factible en un vértice aumentada.

Así, la solución factible en el vértice (0,6) del ejemplo es equivalente a la solución

básica factible (0,6,4,0,6) para la forma de igualdades del problema.
Como los términos solución básica y solución básica factible constituyen partes muy
importantes del vocabulario normal de programación lineal, es necesario aclarar sus
propiedades algebraicas. Nótese que para la forma de igualdades del ejemplo, el sistema de
restricciones funcionales tiene dos variables más (cinco) que ecuaciones (tres). Este hecho
proporciona dos grados de libertad al resolver el sistema, ya que se pueden elegir dos variables
cualesquiera y hacerlas iguales a cualquier valor arbitrario para resolver las tres ecuaciones en
términos de las tres variables restantes (se excluyen redundancias). El método símplex usa
cero para este valor arbitrario. Las variables que por el momento se hacen iguales a cero se
llaman variables no básicas; todas las demás se llaman variables básicas. La solución que resulta
es una solución básica. Si todas las variables básicas son no negativas, entonces se tiene una
solución básica factible. Para cualquier solución básica, la solución en el vértice
correspondiente se obtiene simplemente al quitar las variables de holgura. Dos soluciones
básicas son adyacentes si todas menos una de sus variables son las mismas; la misma
aseveración se cumple para las variables básicas. Entonces, trasladarse de una solución básica
factible a una adyacente significa cambiar el estado de una variable de no básica a básica y
viceversa para otra variable.

En términos generales, el número de variables no básicas de una solución básica

siempre es igual a los grados de libertad del sistema de ecuaciones y el número de variables
básicas siempre es igual al número de restricciones funcionales.
Al trabajar con el problema en forma de igualdades, conviene tomar en cuenta y
manipular la ecuación de la función objetivo al mismo tiempo que las nuevas ecuaciones de las
restricciones. Antes de comenzar con el método símplex es necesario escribir el problema una
vez más en su forma equivalente:

Maximizar Z,
sujeta a
Z  3x1  5x2 = 0
x1 + x3 = 4
2x2 + x4 = 12
3x1 + 2x2 + x5 = 18
xj  0 para j = 1, 2, …, 5
 Como la ecuación de la función objetivo ya se encuentra en forma de igualdad, no
necesita variable de holgura. Con esta interpretación, las soluciones básicas no cambian,
excepto que Z puede verse como una variable básica adicional permanente.

A partir de este momento ya estamos listos para pasar los coeficientes de nuestro
problema a lo que conoceremos como la Tabla Símplex:

Variable Lado
Básica Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
Z 1 –3 –5 0 0 0 0
x3 0 1 0 1 0 0 4 (0, 0, 4, 12, 18)
x4 0 0 2 0 1 0 12 Z=0
x5 0 3 2 0 0 1 18

La tabla anterior ilustra una propiedad clave que toda tabla símplex debe tener para
estar en la forma apropiada; se trata del patrón especial de los coeficientes de las variables
básicas. En particular, nótese cómo las columnas de x3, x4 y x5 (al igual que la columna de Z)
contiene exactamente un +1 en el renglón que corresponde a esa variable básica (véase la
primera columna), y todos los demás coeficientes en esa columna son cero. De la misma manera,
cada ecuación contiene exactamente una variable básica con coeficiente distinto de cero, en
donde este coeficiente es +1. Esta propiedad es significativa, ya que permite identificar de
inmediato la solución básica factible actual a partir de la tabla; esto es, cada variable básica es
igual a la constante del lado derecho de su ecuación. Esta primera solución básica factible
actual se muestra en la figura anterior en la columna de ¿Es óptima?. De aquí en adelante, para
cada nueva iteración del método símplex mostraremos la solución básica factible actual en esta
columna de la tabla símplex. (Recuérdese que las variables no básicas son iguales a cero). La
tabla símplex inicial quedará automáticamente en esta forma apropiada (a menos que el
problema original de programación lineal no esté en nuestra forma estándar).
El método símplex construye una tabla símplex para cada solución básica factible que
se obtiene, hasta alcanzar la solución óptima. A continuación describimos el procedimiento para
problemas que ya están en la forma estándar, con bi  0 para toda i = 1, 2, …, m.

PASO INICIAL. Se introducen variables de holgura. Después se seleccionan las variables

originales como variables no básicas iniciales (se igualan a cero) y las variables de holgura como
las variables básicas originales. Esta selección lleva a la tabla símplex inicial anterior. Como
esta tabla está en la forma apropiada, de inmediato se obtiene la solución básica factible inicial
para el ejemplo, (0,0,4,12,18). Ahora debe realizarse la prueba de optimalidad para determinar
si la solución es optima.

PRUEBA DE OPTIMALIDAD. La solución básica factible actual es óptima si y sólo si todos los
coeficientes de la ecuación de la función objetivo (renglón de Z) son no negativos (  0 ). Si es
así, el proceso termina; de otra manera, se lleva a cabo otra iteración para obtener la nueva
solución básica factible, lo que significa el cambio de una variable no básica por una básica
(parte 1) y viceversa (parte 2), y después despejar las variables de la nueva solución (parte 3).
 En este ejemplo, hay dos coeficientes negativos en la ecuación de Z, 3 para x1 y 5
para x2 de manera que debe irse al paso iterativo. Tacharemos la solución básica factible
actual como se muestra en la tabla anterior para indicar que esta solución no es óptima.

PASO ITERATIVO.
Parte 1. Se determina la variable básica entrante mediante la elección de la variable
con el coeficiente negativo (automáticamente se refiere a una variable no básica) que tiene el
mayor valor absoluto en la ecuación de Z. Se enmarca la columna correspondiente a este
coeficiente; esta columna recibe el nombre de columna pivote. En el ejemplo, el coeficiente
negativo más grande (en términos de valor absoluto) es –5 para x2 (5>3), por lo que x2 debe
convertirse en variable básica. Este cambio se indica en la siguiente tabla con el recuadro en la
columna de x2 abajo del –5:

Variable Lado
Básica Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
Z 1 –3 –5 0 0 0 0
x3 0 1 0 1 0 0 4
x4 0 0 2 0 1 0 12 12/2 = 6 mínimo
x5 0 3 2 0 0 1 18 18/2 = 9

Parte 2. Se determina la variable básica que sale; para esto, a) se toma cada
coeficiente estrictamente positivo (>0) de la columna enmarcada, b) se divide el lado derecho
de cada renglón entre estos coeficientes, c) se identifica la ecuación con el menor coeficiente
y d) se selecciona la variable básica para esta ecuación. (Esta variable básica es la que llega a
cero primero cuando se incrementa la variable básica entrante). Se enmarca el renglón de esta
ecuación en la tabla símplex sin incluir la columna Z y se le da el nombre de renglón pivote. El
número que está en la intersección de los dos recuadros se llama pivote.
En la tabla anterior, se muestran los resultados de las partes 1 y 2 para el ejemplo
(antes de enmarcar el renglón); la prueba del cociente mínimo para determinar la variable
básica que sale se muestra a la derecha de la tabla. Entonces la variable básica que sale es x4.

Parte 3. Se determina la nueva solución básica factible al construir una nueva tabla
símplex en la forma apropiada, abajo de la que se tiene. Las primeras dos columnas no cambian,
excepto que la variable básica entrante sustituye a la variable básica que sale en la columna de
Variable Básica. Para cambiar el coeficiente de la nueva variable básica en el renglón pivote a
+1, se divide todo el renglón pivote entre el número pivote:

Renglón pivote nuevo = Renglón pivote antiguo / pivote

En este punto, la tabla símplex para el ejemplo se ve como la que se muestra enseguida.
Para obtener un coeficiente 0 para la nueva variable básica en las otras ecuaciones, cada
renglón [inclusive el de la ecuación de Z] excepto el renglón pivote, se cambia por la nueva
tabla símplex usando la siguiente fórmula:

Renglón nuevo = renglón antiguo  (coeficiente en la columna pivote  renglón pivote nuevo)
en donde el coeficiente en la columna pivote es el número en la columna pivote correspondiente
a este renglón.

Variable Lado
Básica Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
Z 1 –3 –5 0 0 0 0
x3 0 1 0 1 0 0 4 (0, 0, 4, 12, 18)
x4 0 0 2 0 1 0 12 Z=0
x5 0 3 2 0 0 1 18
Z 1
x3 0
x2 0 0 1 0 1/2 0 6
x5 0

Para ilustrar con el ejemplo, los nuevos renglones se obtienen de la forma siguiente:

Renglón de Z: 3 5 0 0 0, 0
(5)  0 1 0 1/2 0, 6
Renglón nuevo = 3 0 0 5/2 0, 30

Renglón 1: Sin cambio porque su coeficiente en la columna pivote es cero.

Renglón 3: 3 2 0 0 1, 18
(2) 0 1 0 1/2 0, 6
Renglón nuevo = 3 0 0 1 1, 6

Estos cambios llevan a la nueva tabla símplex que se muestra en la siguiente tabla para
la
iteración 1:

Variable Lado
Básica Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
Z 1 –3 –5 0 0 0 0
x3 0 1 0 1 0 0 4 (0, 0, 4, 12, 18)
x4 0 0 2 0 1 0 12 Z=0
x5 0 3 2 0 0 1 18
Z 1 –3 0 0 5/2 0 30
x3 0 1 0 1 0 0 4 (0, 6, 4, 0, 6)
x2 0 0 1 0 1/2 0 6 Z = 30
x5 0 3 0 0 –1 1 6
Como las variables básicas siempre son iguales al lado derecho de la ecuación que le
corresponde, la nueva solución básica factible es (0, 6, 4, 0, 6) con Z = 30.

Este trabajo completa el paso iterativo, así que debe proseguirse a la prueba de
optimalidad. Como la ecuación de Z todavía tiene coeficientes negativos (–3 para x1), la prueba
de optimalidad indica que la solución no es óptima, (lo cual se muestra en la figura anterior) por
lo que manda al algoritmo de regreso al paso iterativo para obtener la siguiente solución básica
factible. El paso iterativo comienza de nuevo en la tabla símplex actual para encontrar la nueva
solución. Si se siguen las instrucciones de las partes 1 y 2, se encuentra que x1 es la variable
básica entrante y x5 la variable básica que sale, como se muestra en la siguiente tabla:

Variable Lado
Básica Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
Z 1 –3 0 0 5/2 0 30
x3 0 1 0 1 0 0 4 4/1 = 4 (0, 6, 4, 0, 6)
x2 0 0 1 0 1/2 0 6 Z = 30
x5 0 3 0 0 –1 1 6 6/3 = 2
mín.

En las siguientes tablas se muestra el conjunto completo de las tablas del método
símplex para este ejemplo. La nueva solución básica factible es (2, 6, 2, 0, 0), con Z = 36. Al
hacer la prueba de optimalidad, se encuentra que la solución es óptima porque no hay
coeficientes negativos en la ecuación de Z, de manera que el algoritmo ha terminado. En
consecuencia, la solución óptima para este ejemplo (sin tomar en cuenta las variables de
holgura) es x1 = 2, x2 = 6.

Variable Lado
Básica Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
Z 1 –3 –5 0 0 0 0
x3 0 1 0 1 0 0 4 (0, 0, 4, 12, 18)
x4 0 0 2 0 1 0 12 12/2 = 6 Z=0
mín.
x5 0 3 2 0 0 1 18 18/2 = 9
Z 1 –3 0 0 5/2 0 30
x3 0 1 0 1 0 0 4 4/1 = 4 (0, 6, 4, 0, 6)
x2 0 0 1 0 1/2 0 6 Z = 30
x5 0 3 0 0 –1 1 6 6/3 = 2
mín.
Z 1 0 0 0 3/2 1 36
x3 0 0 0 1 1/3 –1/3 2 (2, 6, 2, 0, 0)
x2 0 0 1 0 1/2 0 6 Z = 36
x1 0 1 0 0 –1/3 1/3 2 Óptima

Anteriormente no se dijo qué hacer cuando las reglas de selección del método símplex
no llevan a una decisión clara, ya sea porque existen empates (valores iguales) o por otras
ambigüedades parecidas.

Empate para la variable básica entrante.

El paso 1 de cada iteración elige la variable básica que tiene el coeficiente negativo con
el mayor valor absoluto en la ecuación de Z actual como la variable básica entrante. Ahora
suponga que dos o más variables no básicas tienen el coeficiente negativo más grande (en valor
absoluto), es decir, que hay un empate entre ellas. Por ejemplo, esto ocurriría en la primera
iteración del ejemplo anterior si se cambiara la función objetivo a Z = 3x1 + 3x2, con lo que la
ecuación del renglón de Z inicial sería Z3x13x2 = 0. ¿Cómo debe romperse este empate?
La respuesta es que la elección entre estos dos contendientes se puede hacer de
manera arbitraria. Tarde o temprano se llegará a la solución óptima, sin importar cuál de las
variables empatadas se haya escogido, y no existe un método conveniente para predecir cuál
lleva ahí más rápidamente. En este ejemplo ocurre que si se escoge x1 como variable entrante,
el método símplex alcanza la solución óptima (2, 6) en tres iteraciones y si se elige x2, llega en
dos.

Empate para la variable básica que sale  degeneración.

Ahora suponga que el empate ocurre entre dos o más variables básicas al elegir la
variable que sale en el paso 2 de una iteración. ¿Importa cuál se escoge? En teoría sí, y en una
forma crítica debido a que puede ocurrir la siguiente sucesión de eventos. Primero, todas las
variables empatadas se hacen cero al mismo tiempo cuando aumenta el valor de la variable
entrante. Por tanto, aquellas que no se eligieron como variable básica que sale también tendrán
un valor de cero en la nueva solución básica factible. (Las variables básicas con valor de cero se
llaman degeneradas y el mismo nombre se da a la solución básica factible correspondiente.)
Segundo, si una de estas variables básicas degeneradas sigue con valor de cero hasta que se
selecciona como variable básica que sale en una iteración posterior, la variable básica entrante
deberá también quedar con valor de cero (ya que no puede crecer sin que la variable básica que
sale se vuelva negativa), entonces el valor de Z permanecerá sin cambio. Tercero, si Z
permanece igual en lugar de mejorar cada iteración, el método símplex puede caer en un ciclo
que repite la misma secuencia de soluciones periódicamente, en lugar de aumentar en algún
momento para llegar a la solución óptima.
Por fortuna, aunque en teoría es posible que haya ciclos perpetuos, ha sido en extremo
raro que tenga lugar en problemas reales. Si ocurriera un ciclo siempre se puede salir de él
cambiando la elección de la variable básica que sale. Por lo tanto se recomienda romper los
empates arbitrariamente y seguir el proceso sin preocuparse de las variables que puedan
resultar.

Cuando no hay variable básica que sale  Z no acotada.

Existe otra posibilidad en el paso 2 de una iteración, de la que no se ha hablado:
aquella en la que ninguna variable califica como variable básica que sale. Esta situación puede
ocurrir si la variable básica entrante puede crecer indefinidamente sin que ninguna de las
variables básicas actuales adquiera valores negativos. En la forma tabular, esto significa que
todos los coeficientes en la columna pivote (se excluye el renglón de Z) son negativos o cero.
Como se ilustra en la siguiente tabla, esta situación surge cuando se considera el
siguiente ejemplo:

Maximizar Z = 3x1 + 5x2,

sujeta a x1  4
y x1  0, x2  0

En este ejemplo se ignoraron las dos últimas restricciones funcionales del ejemplo
resuelto anteriormente. Vea en la tabla que x2 es la variable básica entrante pero el único
coeficiente en la columna pivote es cero. Como la prueba del cociente mínimo usa sólo
coeficientes mayores que cero, no se cuenta con un cociente que proporcione una variable
básica que sale.
La interpretación de una tabla símplex como la que se muestra en la siguiente tabla es
que las restricciones no impiden el crecimiento indefinido de la función objetivo Z, de manera
que el método símplex se detiene con el mensaje de que Z es no acotada. Debido a que ni
siquiera la programación lineal ha descubierto la manera de lograr ganancias infinitas, el
mensaje real en problemas prácticos es: ¡Se ha cometido un error! Tal vez el modelo esté mal
formulado, ya sea por haber omitido una restricción relevante o por haberla establecido
incorrectamente. De otra manera, pudo haber ocurrido un error en los cálculos.

Variable Lado
Básica Z x1 x2 x3 derecho Cociente ¿Es óptima?
Z 1 –3 –5 0 0
X3 0 1 0 1 4 Sin mínimo

Soluciones óptimas múltiples.

En la definición de solución óptima se mencionó que un problema puede tener más de
una solución óptima. Si en el ejemplo cambiamos la función objetivo a Z = 3x1 + 2x2 resulta
que todos los puntos sobre el segmento de recta entre (2,6) y (4,3) son soluciones óptimas.
Entonces todas las soluciones son un promedio ponderado de estas dos soluciones factibles en
los vértices óptimas:

(x1, x2) = w1(2, 6) + w2(4, 3),

donde los pesos w1 yw2 son números que satisfacen las relaciones:

w1 + w2 = 1 y w1  0, w2  0

Por ejemplo, w1 = 1/3 y w2 = 2/3 da:

(x1, x2) = 1/3(2, 6) + 2/3(4, 3) = (2/3+8/3, 6/3+6/3) = (10/3, 4)

como una solución óptima.

En general, cualquier promedio ponderado de dos o más soluciones (vectores) donde los
pesos son no negativos y suman 1 se llama combinación convexa de estas soluciones. Entonces,
toda solución óptima en el ejemplo es una combinación convexa de (2, 6) y (4, 3).

Este ejemplo es representativo de problemas con soluciones óptimas múltiples.

Cualquier problema de Programación Lineal con soluciones óptimas múltiples (y una región
factible acotada) tiene al menos dos soluciones factibles en los vértices que son óptimas. Toda
solución óptima es una combinación lineal de estas soluciones factibles en los vértices óptimas.
En consecuencia, en la forma aumentada, toda solución óptima es una combinación convexa de
las soluciones básicas factibles óptimas.
 El método símplex se detiene automáticamente al encontrar una solución básica
factible óptima. Sin embargo, en muchas aplicaciones de Programación Lineal existen factores
intangibles que no se incorporan al modelo y que pueden ser útiles para tomar decisiones
significativas sobre las soluciones óptimas alternativas. En esos casos, también deben
identificarse las otras soluciones óptimas. Esto requiere encontrar todas las demás soluciones
básicas factible óptimas, y entonces toda solución óptima es una combinación convexa de las
soluciones básicas factibles óptimas.

Una vez que el método símplex encuentra una solución básica factible óptima, se puede
detectar si existen otras y, si así es, se encuentra como sigue:

Siempre que un problema tiene más de una solución básica factible óptima, al menos una
variable no básica tiene coeficiente cero en la ecuación de Z final, de manera que si aumenta
su valor, el valor de la función Z no cambia. Por lo tanto, estas otras soluciones básicas
factibles óptimas se pueden identificar (si se desea) realizando iteraciones adicionales del
método símplex, en las que cada vez se elige una variable no básica con coeficiente cero como
variable básica entrante. Si una de estas iteraciones no tiene una variable básica que sale esto
indica que la región factible es no acotada y la variable básica entrante puede crecer
indefinidamente sin cambiar el valor de Z.

2.5. Método de la “M” o de Penalización.

Hasta este momento se han presentado los detalles del método símplex con la
suposición de que el problema se encuentra en nuestra forma estándar (maximizar Z sujeta a
las restricciones funcionales de la forma  y restricciones de no negatividad sobre todas las
variables) con bi  0 para toda i = 1, 2, ..., m. En esta sección se establecerá cómo hacer los
ajustes requeridos a otras formas legítimas de modelos de Programación Lineal. Se verá que
todos estos ajustes se pueden hacer en el paso inicial, de manera que el resto del método
símplex se aplica justo como se aprendió.
El único problema serio que introducen las otras formas de restricciones funcionales (=
ó ) es identificar una solución inicial básica factible. Antes, esta solución inicial se encontraba
en forma muy conveniente al hacer que las variables de holgura fueran las variables básicas
iniciales, donde cada una era igual a la constante no negativa del lado derecho de la ecuación
correspondiente. Ahora debe hacerse algo más. El enfoque estándar que se utiliza es estos
casos es la técnica de variables artificiales. Ésta construye un problema artificial más
conveniente introduciendo una variable ficticia (llamada variable artificial) en cada restricción
que lo requiera. Esta nueva variable se introduce sólo con el fin de que sea la variable básica
inicial para esa ecuación. Las restricciones usuales de no negatividad también se aplican sobre
estas variables y la función objetivo se modifica para que imponga una penalización
exorbitante en el caso de que adquieran valores mayores que cero. Las iteraciones del método
símplex automáticamente fuerzan a las variables artificiales a desaparecer (a volverse cero)
una a una, hasta que todas quedan fuera de la solución; después de esto se resuelve el
problema real.
 Para ilustrar la técnica de las variables artificiales, primero se considerará el caso en
que la única forma no estándar en el problema es la presencia de una o más restricciones en
forma de igualdad.
Restricciones en forma de igualdad.
En realidad, cualquier restricción en forma de igualdad:

ai1x1 +ai2x2 + . . . + ainxn = bi

es equivalente a dos restricciones de desigualdad:

ai1x1 + ai2x2 + . . . + ainxn  bi,

ai1x1 + ai2x2 + . . . + ainxn  bi

Sin embargo, en lugar de hacer esta sustitución e incrementar con ello el número de
restricciones, es más conveniente usar la técnica de la variable artificial. Suponga que se
modifica el problema de ejemplo presentado y resuelto en la sección anterior. El único cambio
que sufre el modelo de programación lineal es que la tercera restricción, 3x1 + 2x2  18, se
convierte en una restricción de igualdad:

3x1 + 2x2 = 18

Aplicando la técnica de las variables artificiales se introduce una variable artificial no

negativa (denotada por x5) en la última ecuación, como si fuera una variable de holgura:

3x1 + 2x2 + x5 =18

En resumen si tenemos una restricción funcional en forma de igualdad y deseamos

“pasarla a su forma de igualdad”, únicamente debemos sumar una variable artificial.

Restricciones funcionales de la forma 

Para ilustrar la manera en que la técnica de las variables artificiales maneja las
restricciones de la forma  usaremos el siguiente ejemplo:

Minimizar Z = 0.4x1 + 0.5x2

sujeta a 0.3x1 + 0.1x2  2.7
0.5x1 + 0.5x2 = 6
0.6x1 + 0.4x2  6
x1  x2  0
0,
 Notemos que la tercera restricción es del tipo , por lo que para cambiarla a su forma
de igualdad tendríamos que restar una variable de superávit (o de excedente), quedando de la
siguiente manera:

0.6x1 + 0.4x2  x5 = 6

Se ha restado la variable de excedente x5 (se utilizó x5 porque en la primera

restricción agregamos una variable de holgura que sería x3 y en la segunda restricción
agregamos también una variable artificial que sería x4; todo esto con el fin de convertir las
desigualdades a su forma de igualdades) para que consuma el exceso de 0.6x1 + 0.4x2, o sea, lo
que se pasa de 6. No obstante en este caso debe agregarse otra variable. Esta variable extra,
llamada variable artificial se aumenta como sigue:

0.6x1 + 0.4x2  x5 + x6 = 6

La razón de esto es que, si no se agrega la variable artificial, no se estarían cumpliendo

las restricciones de no negatividad. Para comprenderlo, se dejará sin aumentar. El método
símplex comienza por hacer todas las variables reales (originales) iguales a cero. Entonces:

0.6x1 + 0.4x2  x5 = 6

Sea x1 = 0 y x2 = 0, entonces:

x5 = 6
ó
x5 = 6 (que no cumple la restricción de no negatividad)

La variable artificial opera para mantener todas las variables no negativas cuando 0.6x1
+ 0.4x2 es menor que 6. Si x1 = 0 y x2 = 0, entonces x5 = 0 y

0.6x1 + 0.4x2  x5 + x6 = 6
x6 = 6

En resumen, una restricción de la forma  se convierte a su forma de igualdad restando

una variable de excedente y sumando una variable artificial.

Consideremos el siguiente problema:

Maximizar Z = 3x1 + 5x2

sujeta a x1  4
2x2  12
3x1 + 2x2 = 18
x1  x2  0
0,
 Como explicamos anteriormente, para resolver este problema, debemos construir un
problema artificial que tiene la misma solución óptima que el problema real, haciendo dos
modificaciones a este problema real.

Se aplica la técnica de las variables artificiales introduciendo una variable artificial no

negativa (denotada por x5) en la última ecuación, como si fuera una variable de holgura:

3x1 + 2x2 + x5 =18

Se asigna una penalización enorme al hecho de tener x5  0, cambiando la función objetivo

Z = 3x1 + 5x2 a:
Z = 3x1 + 5x2  Mx5,

donde M simbólicamente representa un número positivo muy grande. Este método que fuerza a
x5 hasta el nivel de x5 = 0 en la solución óptima se llama método de la M.

Nota: Para el caso de minimización, penalizamos a la variable artificial, haciéndola aparecer en

la función objetivo con un coeficiente de +M.
Ahora se encuentra la solución óptima para el problema real aplicando el método
símplex al problema artificial.
Como x5 juega el papel de la variable de holgura en la tercera restricción del problema
artificial, esta restricción es equivalente a 3x1 + 2x2  18.
En particular, el sistema de ecuaciones después de aumentar el problema artificial (en
otras palabras, pasarlo a su forma de igualdades) es:

Maximizar Z,
sujeta a
Z  3x1  5x2 + Mx5 = 0
x1 + x3 = 4
2x2 + x4 = 12
3x1 + 2x2 + x5 = 18
xj  0 Para j = 1, 2, …, 5

En este momento estamos preparados para pasar los coeficientes a la tabla símplex:

Variable Lado
Básica Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
Z 1 –3 –5 0 0 M 0
x3 0 1 0 1 0 0 4
x4 0 0 2 0 1 0 12
x5 0 3 2 0 0 1 18

Esta tabla todavía no está en la forma apropiada porque el coeficiente de x5 es

diferente de cero en la ecuación de Z (es M). Por lo tanto, antes de que el método símplex
pueda aplicar la prueba de optimalidad y encontrar la variable básica entrante, debe pasarse
esta tabla a la forma apropiada para que cumpla la condición símplex. Esta condición que debe
 cumplir toda tabla del método símplex para que pueda reportarnos la siguiente solución básica
factible dice que: “Toda variable básica debe tener un 1 en la intersección de su renglón y
columna correspondiente y cero en los demás renglones incluido el renglón de Z”, en otras
palabras, que toda variable que sea básica solamente debe aparecer en el renglón de la
restricción que representa. Para hacer cero el coeficiente M, utilizamos el renglón de x5 como
renglón pivote multiplicándolo por M y sumando el resultado al renglón de Z. Realizando el
procedimiento anterior, la tabla símplex queda de la siguiente manera:

Variable Lado
Básica Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
Z 1 -3M- -2M- 0 0 0 18M Mx5 + Z
3 5
x3 0 1 0 1 0 0 4 (0, 0, 4, 12, 18)
x4 0 0 2 0 1 0 12 Z = 18M
x5 0 3 2 0 0 1 18

Podemos observar que la tabla anterior ya se encuentra en la forma apropiada y

podemos leer la solución básica factible actual, que es (0, 0, 4, 12, 18), la cual aplicando la
prueba de optimalidad vemos que no es óptima ya que todavía tenemos coeficientes negativos
en el renglón de Z (los correspondientes a x1 y x2). Aplicando el método símplex a la tabla
anterior tenemos: el coeficiente negativo con el mayor valor absoluto corresponde a x1
(3M3), recordemos que M es un número muy grande positivo, por lo tanto, x1 se convierte en
la variable básica entrante, realizando los cocientes correspondientes, vemos que x3 se
convierte en la variable básica saliente. El procedimiento completo para resolver este ejemplo
se muestra en el siguiente conjunto de tablas:

Variable Lado
Básica Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
Z 1 -3M- -2M- 0 0 0 18M
3 5
x3 0 1 0 1 0 0 4 4/1 = 4 (0, 0, 4, 12, 18)
x4 0 0 2 0 1 0 12 Z = 18M
x5 0 3 2 0 0 1 18 18/3 = 6
Z 1 0 -2M- 3M+3 0 0 6M+12
5
x1 0 1 0 1 0 0 4 (4, 0, 0, 12, 6)
x4 0 0 2 0 1 0 12 12/2 = 6 Z = 6M+12
x5 0 0 2 3 0 1 6 6/2 = 3
Z 1 0 0 9/2 0 M+5/ 27
2
x1 0 1 0 1 0 0 4 4/1 = 4 (4, 3, 0, 6, 0)
x4 0 0 0 3 1 1 6 6/3 = 2 Z = 27
x2 0 0 1 3/2 0 1/2 3
Z 1 0 0 0 3/2 M+1 36
x1 0 1 0 0 1/3 1/3 2 (2, 6, 2, 0, 0)
x3 0 0 0 1 1/3 1/3 2 Z = 36
x2 0 0 1 0 1/2 0 6 Óptima

MINIMIZACIÓN con el método símplex.

Una manera directa de minimizar Z con el método símplex es cambiar los roles de los
coeficientes negativos y positivos en el renglón de la función objetivo, tanto para la prueba de
optimalidad como para la parte 1 de una iteración. Se determina la variable básica entrante
mediante la elección de la variable con el coeficiente positivo menor en la ecuación de Z. La
solución básica factible actual es óptima si y sólo si todos los coeficientes de la ecuación de la
función objetivo (renglón de Z) son no positivos (  0 ). Si es así, el proceso termina; de otra
manera, se lleva a cabo otra iteración para obtener la nueva solución básica factible, lo que
significa el cambio de una variable no básica por una básica (parte 1) y viceversa (parte 2), y
después despejar las variables de la nueva solución (parte 3). Notemos que no se ha dicho nada
con respecto a la forma de obtener la variable básica saliente en una iteración, ya que este
paso se realiza de la misma manera que cuando se está maximizando, es decir, se escoge
aquella variable básica con el menor cociente. Ilustremos la forma de utilizar el método
símplex para el caso de minimización. Consideremos el siguiente ejemplo:

Minimizar Z = 3x1 + 8x2

sujeta a x1 + 4x2  4
x1 + 2x2  2
x1  x2  0
0,

Pasando este problema a su forma de igualdades añadiendo las variables necesarias,

obtenemos lo siguiente:
Minimizar Z,
sujeta a
Z  3x1  8x2  Mx5 = 0
x1 + 4x2 + x3 = 4
x1 + 2x2  x4 + x5 = 2
xj  0 para j = 1, 2, …, 5

Utilizando el método de la M para obtener una solución óptima por el método símplex,
obtenemos el siguiente conjunto de tablas:

Variable Lado
Básica Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
Z 1 3 8 0 0 M 0
x3 0 1 4 1 0 0 4
x5 0 1 2 0 1 1 2
Z 1 M3 2M8 0 M 0 2M (0, 0, 4, 0, 2)
x3 0 1 4 1 0 0 4 4/1 = 4 Z = 2M
x5 0 1 2 0 1 1 2 2/1 = 2
Z 1 0 2 0 3 M+3 6 (2, 0, 2, 0, 0)
x3 0 0 2 1 1 1 2 Z=6
x1 0 1 2 0 1 1 2 Óptima

Notemos que la primera tabla no se encontraba en la forma apropiada para el método

símplex, ya que el coeficiente de la variable básica x5 era de M en el renglón de Z, lo cual
hacia que no se cumpliera la condición símplex.

2.6. Método de las dos Fases.

En el ejemplo presentado en la sección “Restricciones funcionales de la forma “,

recordemos la función objetivo real:

Problema real: Minimizar Z = 0.4x1 + 0.5x2

Sin embargo, el método de la M utiliza la siguiente función objetivo a través de todo el
procedimiento:

Método de la M: Minimizar Z = 0.4x1 + 0.5x2 + Mx4 + Mx6

Como los dos primeros coeficientes (0.4 y 0.5) son despreciables comparados con M, el
método de dos fases puede eliminar la M usando las siguientes dos funciones objetivo que
definen Z de manera completamente diferente:

Método de las dos fases:

Fase 1: Minimizar Z = x4 + x6 (hasta que x4 = 0 y x6 = 0).
Fase 2: Minimizar Z = 0.4x1 + 0.5x2 (con x4 = 0 y x6 = 0).

La función objetivo de la fase 1 se obtiene dividiendo la función objetivo del método de

la M entre M eliminando los términos despreciables, en otras palabras, la fase 1 consiste en la
minimización de la suma de todas las variables artificiales que se introduzcan en el problema.
Como la fase 1 concluye al obtener una solución básica factible para el problema real (aquella
en la que x4 = 0 y x6 = 0), esta solución se usa como la solución básica factible inicial para
aplicar el método símplex al problema real (con su función objetivo) en la fase 2. Antes de
resolver el ejemplo de esta manera se hará un resumen de las características generales.

Resumen del método de dos fases.

Paso inicial: Se revisan las restricciones del problema original introduciendo variables
artificiales según se necesite para obtener una solución básica factible inicial obvia para el
problema artificial.
Fase 1: uso del método símplex para resolver el problema de programación lineal:
Minimizar Z =  de todas las variables artificiales, sujeta a las restricciones revisadas.
La solución óptima que se obtiene para este problema (con Z = 0) será una solución
básica factible para el problema real.
 Fase 2: se eliminan las variables artificiales (de todas formas, ahora todas valen cero).
Comenzando con la solución básica factible que se obtuvo al final de la fase 1, se usa el método
símplex para resolver el problema real.
Enseguida se resumen los problemas que deben resolverse por el método símplex en las
fases respectivas para el ejemplo.

Problema para la fase 1:

Minimizar W = x4 + x6,
sujeta a
0.3x1 + 0.1x2 + x3 = 2.7
0.5x1 + 0.5x2 + x4 = 6
0.6x1 + 0.4x2  x5 + x6 = 6
y
x10 x20 x3 x40 x50 x60

Problema para la fase 2:

Minimizar Z = 0.4x1 + 0.5x2,
sujeta a
0.3x1 + 0.1x2 + x3 = 2.7
0.5x1 + 0.5x2 = 6
0.6x1 + 0.4x2  x5 = 6
y
x10 x20 x3 x50

Las únicas diferencias entre estos dos problemas se encuentran en la función objetivo
y en la inclusión (fase 1) o exclusión (fase 2) de las variables artificiales x4 y x6. Sin las
variables artificiales, el problema para la fase 2 no tiene una solución básica factible inicial
obvia. El único propósito de resolver el problema para la fase 1 es obtener una solución básica
factible con x4 = 0 y x6 = 0 que se pueda usar como la solución básica factible inicial para la
fase 2.

Las siguientes tablas muestran el resultado de aplicar el método símplex a este

problema para la fase 1:

Variable Lado
Básica W x1 x2 x3 x4 x5 x6 derecho Cociente ¿Es óptima?
W 1 0 0 0 1 0 1 0
x3 0 0.3 0.1 1 0 0 0 2.7
x4 0 0.5 0.5 0 1 0 0 6
x6 0 0.6 0.4 0 0 1 1 6
W 1 1.1 0.9 0 0 1 0 12
x3 0 0.3 0.1 1 0 0 0 2.7 2.7/0.3=9 (0,0,2.7,6,0,6)
x4 0 0.5 0.5 0 1 0 0 6 6/0.5=12 W = 12
x6 0 0.6 0.4 0 0 1 1 6 6/0.6=10
W 1 0 0.53 3.66 0 1 0 2.1
x1 0 1 0.33 3.33 0 0 0 9 9/0.33=27 (9,0,0,1.5,0,0.6)
 .2
x4 0 0 0.33 1.66 1 0 0 1.5 1.5/0.33= W = 2.1
4.5
x6 0 0 0.2 2 0 1 1 0.6 0.6/0.2=3
W 1 0 0 1.64 0 1.65 2.65 0.51
x1 0 1 0 6.63 0 1.65 1.65 8.01 8.01/1.65= (8.01,3,0,0.51,0,
4.8 0)
x4 0 0 0 1.64 1 1.65 1.65 0.51 0.51/1.65= W = 0.51
0.30
x2 0 0 1 10 0 5 5 3
W 1 0 0 0 1 0 1 0
x1 0 1 0 5 1 0 0 7.5 (7.5,4.5,0,0,0.3,
0)
x5 0 0 0 0.99 0.60 1 1 0.3 W=0
x2 0 0 1 5.05 3 0 0 4.5 Óptima fase 1

Notemos que ya hemos obtenido una solución óptima para la fase 1 que consistió en la
minimización de la suma de todas las variables artificiales. Observemos también que la función
objetivo W terminó con un valor de cero en la última tabla, lo que indica que las dos variables
artificiales (x4 y x6) valen cero ó tienen valores recíprocos y se cancelan mutuamente para dar
cero. En nuestro caso, las dos variables artificiales valen cero ya que no se encuentran en la
columna de las variables básicas en la última tabla de la primera fase. La segunda fase consiste
en resolver el problema original utilizando como tabla inicial de esta fase la última tabla de la
primera fase pero sin considerar la columna de las variables artificiales ya que éstas tomaron
el valor de cero en la primera fase. El método símplex aplicado a la segunda fase se muestra en
el siguiente conjunto de tablas:

Variable Lado
Básica Z x1 x2 x3 x4 x5 x6 derecho Cociente ¿Es óptima?
Z 1 0.4 0.5 0 0 0 0 0
x1 0 1 0 5 1 0 0 7.5
x5 0 0 0 0.99 0.60 1 1 0.3
x2 0 0 1 5.05 3 0 0 4.5
Z 1 0 0.5 2 0 3
x1 0 1 0 5 0 7.5
x5 0 0 0 0.99 1 0.3
x2 0 0 1 5.05 0 4.5
Z 1 0 0 0.52 0 5.25
x1 0 1 0 5 0 7.5 (7.5,4.5,0,0,0.3,
0)
x5 0 0 0 0.99 1 0.3 Z = 5.25
x2 0 0 1 5.05 0 4.5 Óptima fase 2
 Notemos que no fue necesario aplicar propiamente el método símplex a la primera tabla
de la segunda fase, ya que únicamente aplicando operaciones con matrices para tratar de llevar
esta tabla a la forma apropiada para el método símplex fue suficiente para resolver el
problema planteado en la segunda fase. Es necesario aclarar que no siempre ocurrirá de esta
manera, es decir, si después de dejar la tabla en la forma apropiada, es necesario aplicar el
método símplex, se debe aplicar como lo hemos estudiado.

Nota: Independientemente de que el problema original (real) sea de maximización o

minimización, la primera fase siempre consistirá en la minimización de la suma de todas las
variables artificiales.