Investigación de Operaciones 1: Autor: Danilo de Jesús Ariza Agámez

Investigación De
Operaciones 1
Autor: Danilo De Jesús Ariza Agámez

Investigación De Operaciones 1 / Danilo De Jesús Ariza Agámez, /
Bogotá D.C., Fundación Universitaria del Área Andina. 2017
978-958-5455-98-6
Catalogación en la fuente Fundación Universitaria del Área Andina (Bogotá).
© 2017. FUNDACIÓN UNIVERSITARIA DEL ÁREA ANDINA

© 2017, PROGRAMA INGENIERIA DE SISTEMAS
© 2017, DANILO DE JESÚS ARIZA AGÁMEZ
Edición:
Fondo editorial Areandino
Fundación Universitaria del Área Andina
Calle 71 11-14, Bogotá D.C., Colombia
Tel.: (57-1) 7 42 19 64 ext. 1228
E-mail: [email protected]
http://www.areandina.edu.co
Primera edición: noviembre de 2017
Corrección de estilo, diagramación y edición: Dirección Nacional de Operaciones virtuales

Diseño y compilación electrónica: Dirección Nacional de Investigación
Hecho en Colombia
Made in Colombia
Todos los derechos reservados. Queda prohibida la reproducción total o parcial de esta
obra y su tratamiento o transmisión por cualquier medio o método sin autorización escrita
de la Fundación Universitaria del Área Andina y sus autores.
Investigación De
Operaciones 1
Autor: Danilo De Jesús Ariza Agámez

i
Índice
UNIDAD 1
Introducción 7
Metodología 8
Desarrollo temático 9
UNIDAD 1
Introducción 26
Metodología 27
UNIDAD 2
Introducción 50
Metodología 51
UNIDAD 2
Introducción 69
Metodología 70
i
Índice
UNIDAD 3
Introducción 91
Metodología 92
UNIDAD 3
Introducción 115
Metodología 116
UNIDAD 4
Introducción 134
Metodología 135
UNIDAD 4
Introducción 154
Metodología 155
Bibliografía 176
Introducción La investigación de operaciones resulta ser una valiosa
herramienta matemática orientada al apoyo en la toma de
decisiones asociadas con la gestión de recursos. A través del
desarrollo del presente curso de Investigación de
Operaciones I se aborda un importante conjunto de
herramientas de gestión muy relacionadas con procesos de
ingeniería. En esta primera cartilla se da tratamiento a
algunos conceptos generales del área, tales como las partes
en que se divide, los procesos genéricos involucrados,
luego se inicia la introducción a la programación lineal
como una de las ramas de la investigación de operaciones,
esta introducción contempla los primeros conceptos
particulares y se ilustra las generalidades, a través de la
presentación de un sencillo ejemplo. El desarrollo del curso,
además de cada una de las cartillas cuenta con un conjunto
de recursos, orientados a favorecer la comprensión de cada
uno de los contenidos, entre los que se cuenta enlaces a
videos, ejercicios resueltos a manera de lecturas
complementarias o como requisito para enfrentar los
ejercicios de repaso.
Fundación Universitaria del Área Andina 7 3

Es claro que el estudiante tiene total autonomía de desarrollar el estudio de las temáticas de
esta semana acudiendo a los recursos en el orden que lo desee, sin embargo creemos que el
acercamiento a los temas ofrecidos en esta cartilla, se debe buscar inicialmente a través de su
cuidadosa lectura, donde se presenta los conceptos y principios básicos de investigación de
operaciones y las primeras incursiones en el área particular de programación lineal, lo que se
puede complementar mediante la visualización de video capsulas y la revisión de las lecturas
complementarias, estos recursos contemplan, además de los temas propios de la cartilla,
explicaciones y ejercicios resueltos sobre operaciones con vectores y matrices, esto con el fin
de apoyar el desarrollo de temas presentados en cartillas posteriores. Luego de abordar los
recursos antes señalados resulta conveniente afrontar los ejercicios de repaso, sobre vectores
y matrices, a través de los cuales usted puede validar sus avances y afianzamiento en
operaciones con vectores y matrices como parte de la preparación para enfrentarse a otros
temas del curso.
4
Fundación Universitaria del Área Andina 8
Conceptos básicos e introducción a la Programación Lineal
Investigación de operaciones ¿Qué es?

Con la evolución de la ciencia, la tecnología y procesos de ingeniería también ha aumentado
la complejidad de los problemas a resolver, lo que en el en el ámbito empresarial ha llevado a
que los procesos de gestión y desarrollo están claramente marcados, entre otras estrategias,
por la división de tareas entre los diferentes equipos de las organizaciones. La complejidad en
las actuales grandes empresas es tal que muchas veces entre sus diversos componentes se
tiene objetivos o metas que resultan ser contradictorias. En la medida en que lo anterior se da
es más complicado realizar la asignación de recursos de la mejor manera en relación con la
globalidad de la empresa. La investigación de operaciones se origina en la necesidad de
afrontar adecuadamente las problemáticas relacionadas con las afirmaciones anteriores, es
decir, a través de la investigación de operaciones se procura hallar una mejor solución, o
solución óptima, a un problema global.
Puede afirmarse más específicamente que la investigación de operaciones corresponde a la

aplicación de principios asociados con el método científico a las tareas de gestión y
administración de organizaciones, pero vale destacar que históricamente su aparición se
remonta a los comienzos de la Segunda Guerra Mundial, cuando existía la marcada necesidad
de asignación de escasos recursos a las diferentes operaciones militares, situación frente a la
cual gobiernos como los de los estados Unidos e Inglaterra convocaron a expertos científicos
para que se dedicaran a la investigación de sus operaciones militares que dieran lugar a un
eficiente uso de los recursos. La efectividad de los resultados de las investigaciones en el
campo de la guerra motivó a que en tiempos de posguerra los mismos fueran aplicados al
ámbito de la gestión de organizaciones estatales y privadas. El hecho que la investigación de
operaciones se fundamente en la aplicación de método científico permite que también se le
llame ciencias de la administración.
5
Áreas de la investigación de operaciones
La investigación de operaciones encuentra aplicaciones en campos diversos tales como
procesos de manufactura, planificación de transporte, construcción, diseño de sistemas de
telecomunicaciones, planeación y gestión financiera, gestión de sistemas de salud, entre
muchas otras. Diferentes problemas, según su naturaleza, se abordan desde diferentes áreas
que forman este campo de la gestión. Entre las áreas de la investigación de operaciones se
encuentran las siguientes:
o Programación Lineal.
o Programación Lineal entera.
o Programación no lineal.
o Programación dinámica.
o Teoría de inventarios.
o Problemas de asignación y transporte.
o Teoría de colas.
En el resto de este curso y en el correspondiente a Investigación de operaciones 2

estudiaremos en detalle algunas de estas áreas.
Etapas de un estudio de investigación de operaciones

Las tareas relacionadas con investigación de operaciones son realizadas bien sea por equipos
de personas de la misma compañía o por compañías externas. Como conjunto de principios
que soportan la toma de decisiones, la investigación de operaciones, además de los
fundamentos y procedimientos matemáticos subyacentes, también debe estar apoyada por
capacidades del analista, que no necesariamente caen dentro del ámbito de la investigación
de operaciones, por ejemplo, además de la creatividad y malicia, se requiere, apropiada
adopción de criterios para usar una u otra técnica de investigación de operaciones,
capacidades comunicativas. Es claro entonces que no basta con dominar los principios
propios de la investigación de operaciones, sin embargo nos permitimos presentar un
conjunto de pasos o directrices básicas para llevar a cabo un estudio. Estos pasos se describen
a continuación.
Definición del problema y recolección de datos

Esta fase de definición del problema se refiere a la tarea de precisar las características del
problema a resolver ¿qué es lo que se quiere? La definición del problema es el horizonte al
que deben mirar todos los miembros del equipo de solución. En esta fase se debe tener
claridad sobre a) descripción de las diferentes alternativas b) definición del objetivo principal

del estudio, y c) indicar las limitaciones con las que ha de funcionar el sistema. Es muy
importante contar con la adecuada definición del problema, ya que de ello depende en buena
medida las conclusiones a que se llegue y las decisiones que se puedan tomar
consecuentemente. Tal como se comentó antes, la idea es alcanzar objetivos o metas que
beneficien a la empresa en su globalidad, sin que esto signifique la consideración de objetivos
que puedan ser poco relevantes y que en cambio entran en conflicto con objetivos
fundamentales, es por ello que se debe considerar con el debido grado de especificidad los
objetivos a alcanzar que preferiblemente sean los de más significativo impacto.
En cuanto a los datos, se debe contar con la cantidad suficiente que permita el adecuado
entendimiento de la situación a resolver, lo cual será parte del insumo utilizado frente a un
modelo matemático que se llegue a plantear. Se espera que la empresa tenga los debidos
sistemas de información que permitan proporcionar al equipo de investigación de
operaciones los datos verdaderamente útiles frente a las necesidades existentes con ello
relacionadas.
Planteamiento de un modelo matemático hacia la solución

Con un problema bien definido la tarea siguiente en un estudio de investigación de
operaciones es traducir la definición a un modelo matemático que corresponda a la esencia
de la situación a resolver. Un modelo matemático es una representación ideal o una
abstracción de situaciones reales mediante el uso de expresiones matemáticas. En la
formulación del modelo generalmente es necesario establecer aproximaciones y
simplificaciones en aras de lograr la formulación de un modelo que sea razonablemente
tratable, sin embargo se debe tener cuidado de asegurarse que el modelo sea una adecuada
abstracción del problema, es decir, que el modelo sea capaz de predecir con el suficiente
grado exactitud el comportamiento del sistema real. Las expresiones o formulas
correspondientes a las leyes de la física son ejemplos precisos de modelos matemáticos. La
aplicación de un modelo matemático al mundo empresarial o de situaciones de ingeniería da
lugar a formulaciones matemáticas que relacionan las diferentes variables involucradas,
generalmente denominadas variables de decisión, y la medida asociada con el objetivo
principal, o función objetivo. Se debe aclarar que un mismo problema puede dar lugar a
diferentes modelos dependiendo del enfoque dado por el analista. Formulado el modelo
matemático, el problema se convierte entonces en hallar los valores de las variables de
decisión que dan lugar al mejor valor de la función objetivo.
Un modelo matemático, además de tener notable ventaja sobre representaciones verbales, en

el sentido de ser una formulación concisa, brinda mayor posibilidad de comprensión del

problema en conjunto, da luces sobre el análisis a realizar como parte de la solución y facilita
el tratamiento y constituye un Puente para el uso de principios matemáticos y técnicas
computacionales útiles en su análisis y solución.
Planteamiento de la solución a partir del modelo formulado
Cuando ya se tiene un modelo matemático que caracteriza el problema a resolver, el equipo
de investigación de operaciones debe encarar un conjunto de procedimientos para encontrar
la solución a partir del modelo formulado. Usualmente se puede aplicar procedimientos
computacionales basados en paquetes de software para hallar la solución óptima o mejor
solución, está mejor solución es en relación con el modelo que se ha planteado. Es posible
que se obtenga una mejor solución del mismo problema si esta se halla a partir de una
formulación diferente del modelo, lo cual indica que no hay total garantía que se encuentre la
verdadera mejor solución, esto también en razón a que siempre existen detalles no
considerados en el proceso de modelación o se asumen algunas aproximaciones.
Generalmente, en lugar de acometer la búsqueda del valor óptimo, lo que algunas veces es
imposible, en un estudio práctico de investigación de operaciones se busca una adecuada
aproximación que constituya una apropiada base para la toma de decisiones.
Además, se debe tener en cuenta que muchas veces la búsqueda rigurosa del valor óptimo
implica en algunos casos altos costos que no son plenamente justificados por el beneficio
obtenido. Una importante corriente frente a estas situaciones es la aplicación de
procedimientos heurísticos o intuitivos que, si bien no dan la solución óptima si proporcionan
buenas soluciones aproximadas subóptimas.
Dado que una solución óptima hallada a partir de un modelo puede ser muy diferente del
valor ideal real, en estudios de investigación de operaciones siempre se debe considerar
análisis adicionales posteriores o análisis posóptimos, en los que, generalmente los
administradores plantean preguntas sobre qué pasaría si se hubiese tomado en cuenta otras
suposiciones en la formulación del modelo.
Validación del modelo y preparación para su implementación

En el mundo real empresarial no hay razones para pensar desde la primera propuesta de
formulación se dé con el modelo, es muy probable que el modelo planteado presente fallas
significativas asociadas con las suposiciones y aproximaciones realizadas o con ausencia de
consideraciones importantes. Lo anterior lleva a que antes de aplicar el modelo a la realidad se
debe realizar pruebas rigurosas que permitan la detección y corrección de fallas esto puede
dar lugar a una serie de modelos propuestos a partir de modificaciones del original

considerado hasta que se obtenga uno cuya aplicación represente un satisfactorio
acercamiento a los resultados reales.
Luego de adoptar un modelo y su solución se debe crear un sistema que permita su

aplicación, este sistema debe incluir los procedimientos de solución, el análisis posóptimo y
las tareas operativas requeridas en su implementación. Es muy frecuente que se deba realizar
la implementación del sistema con base en computadores.
Implementación de la solución
La fase de implementación consiste en llevar o traducir la solución planteada a un proceso
operativo. Esta etapa debe considerar diferentes pasos, entre los que se incluye una clara
explicación o capacitación a todo el personal que de alguna forma tenga que ver con la
realización del estudio o su uso operativo. La adecuada solución y el éxito de su
implementación puede dar lugar a que el sistema se aproveche por varios años, sin embargo a
lo largo de estos se debe realizar las debidas supervisiones y detectar si se cumplen los
supuestos sobre los cuales se planteó el problema e implemento la solución y, si es el caso,
llevar a cabo posibles modificaciones. Otro importante paso en la etapa de implementación
corresponde a la documentación, esta debe darse con la debida claridad y precisión de tal
manera que no exista ambigüedad al realizar tareas propias de la operación basada en el
sistema.
Herramientas de software en Investigación de operaciones

Los fundamentos de solución de problemas del ámbito de investigación de operaciones se
encuentran en los algoritmos de cada área específica, tal como se trabajará en este curso. Para
la solución de problemas de gran complejidad, en los que se involucra una enorme cantidad
de variables, muchas veces se requiere la ayuda de herramientas de software que incorporan
los algoritmos y procedimientos de solución de tal manera que no exista la necesidad de
tediosos cálculos en casos de gran cantidad de variables. En las actividades relacionadas con
el foro de las semanas 5 y 6, el estudiante tendrá la posibilidad de explorar respecto a algunas
herramientas de software, el uso de las herramientas no se trata aquí, porque lo que nos
interesa es la apropiación de principios de investigación de operaciones, no el uso de software
que nos da la solución sin mostrarnos el proceso, sin embargo, tal como se señaló antes, se
tendrá la oportunidad de conocer sobre ellas.
Programación Lineal
La Programación Lineal o PL es quizá el más importante avance en la ciencia a mitad del siglo
pasado. Desde su aparición ha sido muy utilizada como herramienta de planificación en

9
grandes empresas. Sobre la Programación Lineal se puede decir que corresponde al área de
investigación de operaciones que ayuda a resolver problemas relacionados con la asignación
de recursos limitados de la mejor forma posible, a diferentes actividades que compiten por
ellos. Él término programación se debe entender como sinónimo de planeación, mientras que
el carácter lineal se debe a que esta herramienta se vale del modelamiento matemático de un
problema, en el cual las expresiones que relacionan las diferentes variables son funciones
lineales. Si bien la planificación de asignación de recursos es el núcleo de su aplicabilidad, vale
la pena señalar que la PL se puede usar en problemas de ámbitos distintos a la asignación de
recursos, al ser modelados matemáticamente coincidan con el modelo matemático de la PL.
Ejemplo 1.1: un problema de Programación Lineal

Hasta aquí hemos comentado fundamentalmente que la PL ayuda en la solución de
problemas de gestión en los cuales se debe asignar los recursos de la mejor manera posible
con el fin de obtener los mejores resultados globales, sin embargo no hemos planteado una
situación específica que ponga de manifiesto el significado de estas palabras en un contexto
real. A continuación presentamos un caso típico de un problema que puede modelarse como
un problema de PL.
Identificación y definición del problema

La empresa La Arenosa, cuya dinámica de negocio se basa en la producción y
comercialización de artículos como ventanas y puertas de vidrio, cuenta con tres plantas de
operación, El Tintal, Quinta Camacho y Puente Aranda. En la planta El Tintal se fabrican las
molduras y marcos de aluminio, las molduras y marcos de madera se fabrican en la planta
Quinta Camacho, mientras que la capacidad de la planta de Puente Aranda se dedica a la
producción de vidrio y ensamble de productos finales. Con el fin de optimizar las utilidades
económicas la gerencia contempla la necesidad de replantear la producción. Algunos
artículos dejarán de producirse para liberar parte de la capacidad de las plantas con el fin de
fabricar dos nuevos productos que, según estudios de costos y mercadeo darían importantes
utilidades, estos son puertas de vidrio de 2,5 metros con marco de aluminio y ventanas
corredizas de 1,20 por 1,90 metros con marco de madera. Las puertas solo necesitan parte de
la capacidad de las plantas el Tintal y Puente Aranda, mientras que las ventanas requieren
procedimientos de fabricación en solo en las plantas Quinta Camacho y Puente Aranda. Los
estudios indican que se puede vender la totalidad de productos fabricados, sin embargo es
necesario determinar cómo utilizar capacidad de producción en la planta de Puente Aranda
para dedicarla a la fabricación de puertas y ventanas, de tal manera que se pueda lograr la
mayor utilidad. El equipo de Investigación de operaciones que aborda el problema, luego de

10
los respectivos análisis realizados con la participación de la gerencia, plantea la siguiente
definición formal del problema:
En la fabricación de puertas de 2,5 metros (P1) y ventanas corredizas de 1,20 por 1,90 (P2) (en
lotes de 20 unidades), se quiere determinar el número de lotes por semana de cada producto
con el fin obtener la máxima utilidad posible, teniendo en cuenta las limitaciones de
capacidad de las plantas, se puede dar cualquier combinación posible que satisfaga las
restricciones.
Luego de haber definido el problema, el equipo de investigación de operaciones indaga sobre

la utilidad que daría cada lote de nuevo producto; la cantidad de horas requeridas en cada
planta para la producción de cada lote de nuevos productos, así como la cantidad de horas
semanales disponibles en cada planta para fabricar los nuevos productos P1 y P2. Los datos
obtenidos se resumen en la tabla 1.1.
Horas requeridos por lote Horas semanales disponibles

Planta
P1 P2 por planta
El Tintal 1 0 4
Quinta Camacho 0 2 12
Puente Aranda 3 2 18
Utilidad por lote $ 6.000.000 $ 10.000.000
Tabla 1. Datos del problema de la empresa La Arenosa

Fuente: Propia.
Modelamiento como un problema de Programación Lineal

A partir de definición del problema y la información recolectada, el equipo traduce la situación
en el modelamiento como un problema de Programación Lineal, en el que debe tomarse
decisiones en relación con la cantidad de lotes de los productos P1 y P2 que se fabricarán
semanalmente, de tal forma que se logre la mayor utilidad posible. Para plantear el respectivo
modelo del problema se debe definir un conjunto de variables asociadas con el problema,
estas son:
𝑥𝑥! = 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑑𝑑𝑑𝑑 𝑃𝑃1 𝑎𝑎 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑝𝑝𝑝𝑝𝑝𝑝 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠.

𝑥𝑥! = 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑑𝑑𝑑𝑑 𝑃𝑃2 𝑎𝑎 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑝𝑝𝑝𝑝𝑝𝑝 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠.
𝑍𝑍 = 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑒𝑒𝑒𝑒 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝.

11
En el contexto de la PL, a las variables como 𝑥𝑥! y 𝑥𝑥! se les denomina variables de decisión,
debido a que se debe decidir que valores debe tomar para que la utilidad sea la mejor,
mientras que a 𝑍𝑍 se le conoce como función objetivo
Si se ha de fabricar 𝑥𝑥! lotes del producto P1 y 𝑥𝑥! lotes del producto P2 y teniendo en cuenta la
información de la tabla 1.1 encontramos que la función 𝑍𝑍 corresponde a la siguiente
expresión
𝑍𝑍 = 6𝑥𝑥1 + 10𝑥𝑥2
Como corresponde, según los objetivos de la empresa, se desea escoger los valores de 𝑥𝑥! y 𝑥𝑥!
que den lugar al mayor valor de 𝑍𝑍, es decir, se quiere maximizar esta función, teniendo en
cuenta las limitaciones o restricciones en relación con la disponibilidad de horas en las plantas
de producción. Según la tabla La tabla 1.1 cada lote del producto P1 requiere una hora
semanal en la planta El Tintal, y sólo hay disponible 4 horas por semana, lo que se asocia con
una restricción expresada mediante 𝑥𝑥! ≤ 4, por otra parte, cada lote del producto P2 requiere
dos horas de trabajo en la planta Quinta Camacho, cuya capacidad de producción está
limitada a 12 horas semanales para nuevos productos, con lo cual la correspondiente
restricción es 2𝑥𝑥! ≤ 12. Cada lote de los productos P1 y P2 demandan respectivamente 3 y 2
horas semanales de trabajo en la planta Puente Aranda, pero esta planta limita la producción
a un total de 18 horas por semana, lo que da la restricción 3𝑥𝑥! + 2𝑥𝑥! ≤ 18, en el ámbito de la
Programación Lineal a estas restricciones, que se refieren a las limitaciones del recurso, se les
conoce como restricciones estructurales. Finalmente, teniendo en cuenta que no se puede
producir una cantidad negativa de lotes de cada producto, las cantidades 𝑥𝑥! y 𝑥𝑥! deben
satisfacer las restricciones 𝑥𝑥! ≥ 0 y ≥ 0, las cuales son conocidas como restricciones de no
negatividad. Una síntesis de lo anterior mediante expresiones matemáticas consiste en hallar
los valores de 𝑥𝑥! y 𝑥𝑥! que permitan:
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 6𝑥𝑥! + 10𝑥𝑥!

𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 𝑎𝑎: 𝑥𝑥1
≤ 4
2𝑥𝑥! ≤ 12
3𝑥𝑥! + 2𝑥𝑥! ≤ 18
𝑥𝑥! ≥ 0; 𝑥𝑥! ≥ 0
Lo hecho hasta aquí corresponde a la formulación del modelo, debemos pensar en

procedimientos de solución, en el siguiente numeral abordaremos una forma gráfica para
resolver el problema.

12
Ejemplo 1.2.
Con el fin de familiarizarnos un poco más con los problemas del ámbito de Programación
Lineal se presenta a continuación un problema que obedece la forma estándar del modelo
matemático de Programación Lineal. El enunciado es el siguiente.
Definición del problema

Una empresa fabricante de muebles, originalmente solo produce juegos de pequeñas mesas,
pero un estudio de mercadeo la ha llevado a tomar la decisión de ampliar su actividad de tal
manera que adicionalmente va a producir guardarropas y camas, para lo cual dispone de tres
máquinas. La elaboración de un juego de mesas demanda 2 horas de trabajo en la maquina 1,
una hora en la máquina 2 y 2 horas en la 3, mientras que la fabricación de cada guardarropa
necesita de una hora en la máquina 1, 3 en la 2 y una en la 3. Por su parte si se quiere fabricar
una cama los recursos de tiempo requeridos son 3 horas en la máquina 1, 2 en la 2 y 2 en la 3.
La producción y venta de un juego de mesa produce una utilidad de $ 60000, un guardarropa
deja una ganancia de $ 50.000 y una cama deja $ 40000. El gerente de la fábrica desea saber
de qué forma distribuir la utilización de las máquinas de tal manera que pueda obtener la
mayor ganancia posible.
La definición y análisis del problema, el equipo de investigación de operaciones resume la

situación en la en la tabla 1.2, donde también se registra el total de horas disponibles por cada
máquina y la utilidad unitaria de cada producto en unidades de mil. Este problema será objeto
de aplicación del método de solución estudiado en la cartilla de la próxima semana.
Horas requeridas Horas disponibles

Máquina
Mesas Guardarropa Cama
M1 2 1 3 180
M2 1 3 2 300
M3 2 1 2 240
Útil./Unit 60 50 40
Tabla 1.2. Datos del problema del ejemplo 1.2.

Fuente: Propia.
Modelamiento como un problema de Programación Lineal
Con base en la información registrada en la tabla 1.2 el modelamiento como problema de
Programación Lineal que conduzca a la obtención de la mayor ganancia posible da lugar a la
necesidad de definir las siguientes variables asociadas con las cantidades de productos a
fabricar en cada período de un mes y la respectiva utilidad.

𝑥𝑥! = 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗 𝑑𝑑𝑑𝑑 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚.
𝑥𝑥! = 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔.
𝑥𝑥! = 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐.
𝑍𝑍 = 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑒𝑒𝑒𝑒 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝.
En este caso la función corresponde a: 𝑍𝑍 = 60𝑥𝑥1 + 50𝑥𝑥2 + 40𝑥𝑥3
Se desea saber las cantidades a fabricar de cada producto teniendo en cuenta las limitaciones
de tiempo en las máquinas. De la tabla 1.x se tiene entonces la formulación como un
problema de Programación Lineal.
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 𝑍𝑍 = 60𝑥𝑥! + 50𝑥𝑥! + 40𝑥𝑥!
𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 𝑎𝑎: 2𝑥𝑥1 + 𝑥𝑥2 + 3𝑥𝑥3 ≤ 180
𝑥𝑥! + 3𝑥𝑥! + 2𝑥𝑥! ≤ 300
2𝑥𝑥! + 𝑥𝑥! + 2𝑥𝑥! ≤ 240
𝑥𝑥! ≥ 0, 𝑥𝑥! ≥ 0, 𝑥𝑥! ≥ 0
El modelo está planteado, lo hecho hasta aquí corresponde a la formulación del modelo,
debemos pensar en procedimientos de solución, en el siguiente numeral abordaremos una
forma gráfica para resolver el problema.
Procedimiento gráfico de solución de problemas de Programación Lineal
En los ejemplos que hemos citado como ilustración inicial de la Programación Lineal
encontramos las variables de decisión, dos en el ejemplo 1.1 y tres en el 1.2. Tomando como
referencia el problema del ejemplo 1.1, si consideramos el caso de igualdad en cada una de las
restricciones y realizamos las correspondientes representaciones gráficas, donde la variable 𝑥𝑥!
se asocia con el eje horizontal y 𝑥𝑥! con el eje vertical, obtenemos una línea recta por cada
restricción estructural, las restricciones de no negatividad (𝑥𝑥! ≥ 0, 𝑥𝑥! ≥ 0) obligan a
considerar solo valores en el primer cuadrante del plano cartesiano. En la figura 1.1 se muestra
la representación gráfica de las líneas correspondientes al caso de igualdad.

14
Figura 1. Representación gráfica asociada con el ejemplo de la empresa La Arenosa
Fuente: Propia.
En la figura 1 se ha sombreado la región limitada por las rectas obtenidas, el estudiante puede
verificar que cualquier par de valores 𝑥𝑥! , 𝑥𝑥! correspondientes a puntos sobre la región
sombreada satisface las restricciones establecidas. En este contexto a la región se denomina
región factible. Dado que se requiere hallar el par de valores 𝑥𝑥! , 𝑥𝑥! que maximizan la función
𝑍𝑍, nos corresponde analizar en cual o cuales de los puntos de la región factible se presenta el
máximo de 𝑍𝑍, para hallar este máximo nos fundamentamos en ensayo y error elaborando la
gráfica de 𝑍𝑍 = 6𝑥𝑥! + 10𝑥𝑥! para algún valor de prueba de 𝑍𝑍, por ejemplo 𝑍𝑍 = 20, si la recta
tiene puntos en la región factible (al menos uno) significa que el valor elegido para 𝑍𝑍 es un
valor válido de la función objetivo, aunque no necesariamente el máximo. Podemos probar
con otros valores de 𝑍𝑍 y elaborar las respectivas gráficas y ver cuál da el mejor valor.
En la figura 2 se ha representado varias de estas rectas y se observa que son paralelas entre sí,
además, entre las que se ha graficado, la que presenta el mejor valor de 𝑍𝑍 es aquella que se
encuentra más lejos del origen.

15
19
Figura 2. representación de rectas paralelas para hallar la solución del problema de la empresa La Arenosa
Fuente: Propia.
De lo anterior se podría inferir que la idea fundamental del método gráfico de solución
consiste en trazar la familia de rectas paralelas de la forma 𝑍𝑍 = 𝑐𝑐 y observar cuál de las que
tiene puntos sobre la región factible es la más alejada del origen, en esta recta, el punto o
conjunto de puntos que se encuentre sobre la región factible da la solución al problema
planteado. En la práctica se puede trazar una de ellas y valerse de procedimientos de
traslación de la regla sin cambio de la pendiente sobre la región factible en la dirección que 𝑍𝑍
mejora su valor. La traslación se hace hasta que la regla pasa solo por un punto de la región
factible. A manera de conclusión podemos ver que 𝑍𝑍 toma su máximo valor en el punto
correspondiente a 𝑥𝑥! = 2; 𝑥𝑥! = 6 y el valor máximo es 𝑍𝑍 = 72.
El procedimiento gráfico solo es posible usarlo cuando se tiene problemas con dos variables
de decisión (aunque con alguna dificultad se podría usar con tres variables), para casos de más
de tres variables es imperativo el uso de métodos analíticos, cuyo estudio se iniciará en la
cartilla de la semana 2 A continuación se presenta el modelo general de un problema de
Programación Lineal.

16
Modelo general de un problema de Programación Lineal
El ejemplo presentado anteriormente, en el que existen dos variables de decisión, es apenas

una de las instancias posibles de un problema de Programación Lineal. En general puede
haber muchas variables de decisión y muchas expresiones que corresponden a limitaciones o
restricciones estructurales propias del contexto del problema. En esta sección nos
disponemos a estudiar el modelo general de un problema de Programación Lineal.
Terminología en un problema de Programación Lineal
En el ejemplo 1.1 nos podemos referir a las capacidades de las tres plantas de producción
como los recursos y a la tarea de fabricar dos tipos de productos como las actividades. En
general, en un problema de Programación Lineal se habla de la existencia de 𝑚𝑚 recursos
asignables a 𝑛𝑛 actividades. La disponibilidad de recursos siempre está asociada con
limitaciones de los mismos correspondientes a las restricciones.
La formulación o modelado de un problema de PL requiere el adecuado uso de símbolos y su

significado, los cuales se presentan a continuación.
𝑍𝑍 = 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓ó𝑛𝑛 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑜𝑜 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔 𝑑𝑑𝑑𝑑 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑ñ𝑜𝑜.
𝑥𝑥! 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑗𝑗 (𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑗𝑗 = 1, 2, . . . , 𝑛𝑛).
𝑐𝑐! = 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 𝑒𝑒𝑒𝑒 𝑍𝑍 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑢𝑢𝑢𝑢𝑢𝑢 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑗𝑗.
𝑏𝑏! = 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑑𝑑𝑑𝑑 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎 𝑙𝑙𝑙𝑙𝑙𝑙 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 (𝑖𝑖 = 1, 2, . . . , 𝑚𝑚).
𝑎𝑎!" = 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑑𝑑𝑑𝑑𝑑𝑑 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 𝑖𝑖 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑝𝑝𝑝𝑝𝑝𝑝 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙 𝑎𝑎𝑎𝑎𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑗𝑗.
Generalmente, a partir de la formulación del problema se puede plantear un esquema en un

cuadro que resume las diferentes actividades, el nivel de recursos que cada una de ellas usa y
la cantidad de recurso disponible, tal como se muestra a continuación.

17
Recurso Consumo de recursos por unidad de actividades Disponibilidad
Actividades de recursos
𝟏𝟏 𝟐𝟐 … 𝒏𝒏
𝟏𝟏 𝒂𝒂𝟏𝟏𝟏𝟏 𝒂𝒂𝟏𝟏𝟏𝟏 … 𝒂𝒂𝟏𝟏𝟏𝟏 𝒃𝒃𝟏𝟏
𝟐𝟐 𝒂𝒂𝟐𝟐𝟐𝟐 𝒂𝒂𝟐𝟐𝟐𝟐 … 𝒂𝒂𝟐𝟐𝟐𝟐 𝒃𝒃𝟐𝟐
⋮ ⋮ ⋮ ⋮ ⋮
𝒎𝒎 𝒂𝒂𝒎𝒎𝒎𝒎 𝒂𝒂𝒎𝒎𝒎𝒎 … 𝒂𝒂𝒎𝒎𝒎𝒎 𝒃𝒃𝒎𝒎
Aporte a Z por unidad 𝒄𝒄𝟏𝟏 𝒄𝒄𝟐𝟐 … 𝒄𝒄𝒏𝒏
de actividad
Tabla 3. Parámetros del modelo general de problema de Programación Lineal

Fuente: Propia.
Lo cual significa que por cada unidad de la actividad 1 se utiliza una cantidad
𝑎𝑎!! del recurso 1, una cantidad 𝑎𝑎!" del recurso 2. Genéricamente, por cada unidad de la
actividad 𝑛𝑛 se utiliza una cantidad 𝑎𝑎!! del recurso 1, una cantidad 𝑎𝑎!! del recurso 2, y así
sucesivamente. A los coeficientes 𝑐𝑐! , … , 𝑐𝑐! ; 𝑏𝑏! , … , 𝑏𝑏! ; 𝑎𝑎!! , … , 𝑎𝑎!! , … , 𝑎𝑎!! , … , 𝑎𝑎!" se conocen
como constantes o parámetros del modelo
Forma estándar del modelo de un problema de Programación Lineal

Cuando se cuenta con un cuadro que sintetiza la relación entre actividades, recursos y la
función objetivo se puede proceder a plantear el modelo matemático correspondiente, lo cual
consiste en hallar los valores de las variables de decisión 𝑥𝑥! , 𝑥𝑥! , … , 𝑥𝑥! para:
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀: 𝑍𝑍 = 𝑐𝑐! 𝑥𝑥! + 𝑐𝑐! 𝑥𝑥! + ⋯ + 𝑐𝑐! 𝑥𝑥!
𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑎𝑎: 𝑎𝑎!! 𝑥𝑥! + 𝑎𝑎!" 𝑥𝑥! + ⋯ +𝑎𝑎!! 𝑥𝑥! ≤ 𝑏𝑏!

𝑎𝑎!" 𝑥𝑥! + 𝑎𝑎!! 𝑥𝑥! + ⋯ +𝑎𝑎!! 𝑥𝑥! ≤ 𝑏𝑏!
⋮⋮⋮⋮
𝑎𝑎!! 𝑥𝑥! + 𝑎𝑎!! 𝑥𝑥! + ⋯ +𝑎𝑎!" 𝑥𝑥! ≤ 𝑏𝑏!
𝑥𝑥! ≥ 0, 𝑥𝑥! ≥ 0, … , 𝑥𝑥! ≥ 0
Esta forma se puede considerar en este curso como la forma estándar del modelo matemático
del problema.

Otras formas de problemas de Programación Lineal
No todos los problemas de programación lineal encajan en el modelo antes planteado,

existen otras formas en las cuales el objetivo es hallar el valor mínimo de alguna función, es
decir, minimizar la función objetivo, también es posible que se presenten restricciones
estructurales con el sentido de la desigualdad ≥ y no solo ≤, de igual forma algunas variables
de decisión no necesariamente deben ser no negativas, esta opciones se presentan a
continuación.
Necesidades de minimizar la función objetivo.
𝑀𝑀𝑀𝑀𝑀𝑀𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖: 𝑍𝑍 = 𝑐𝑐! 𝑥𝑥! + 𝑐𝑐! 𝑥𝑥! + ⋯ + 𝑐𝑐! 𝑥𝑥!
𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑎𝑎: 𝑎𝑎!! 𝑥𝑥! + 𝑎𝑎!" 𝑥𝑥! + ⋯ +𝑎𝑎!! 𝑥𝑥! ≤ 𝒐𝒐 ≥ 𝑏𝑏!
𝑎𝑎!" 𝑥𝑥! + 𝑎𝑎!! 𝑥𝑥! + ⋯ +𝑎𝑎!! 𝑥𝑥! ≤ 𝑜𝑜 ≥ 𝑏𝑏!

⋮⋮⋮⋮
𝑎𝑎!! 𝑥𝑥! + 𝑎𝑎!! 𝑥𝑥! + ⋯ +𝑎𝑎!" 𝑥𝑥! ≤ 𝑜𝑜 ≥ 𝑏𝑏!
𝑥𝑥! ∈ ℝ 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑑𝑑𝑑𝑑 𝑖𝑖
Soluciones de un problema de Programación Lineal

Hemos visto en el ejemplo 1.1 que cualquier punto perteneciente a la región factible dibujada
satisface las restricciones del problema planteado, esta idea permite establecer el concepto de
solución factible, de cualquier problema de Programación Lineal, como aquella que satisface
todas las restricciones del problema. Si una supuesta solución no satisface al menos una de las
restricciones se considera como no factible y no puede ser tomada en cuenta. Por otro lado,
no cualquier solución factible se ha de tomar como solución final del problema, para ello se
debe considerar la solución factible que dé el mejor valor de la función objetivo, a tal solución
se le llama solución óptima. Puede darse el caso que un problema tenga múltiples soluciones
óptimas o incluso que no tenga ninguna. Posteriormente trataremos algunas situaciones
ejemplo de estos casos.
En el ejemplo 1.1 los vértices (0, 6), (2,6) 𝑦𝑦 (4,3) son soluciones factibles, ya que hacer parte
de la región factible, a este tipo de soluciones que se presentan en vértices de la región
factible se les conoce como soluciones factibles en vértices.

Un conjunto de restricciones puede dar lugar a una región factible en forma de polígono,
conocida como región acotada, como la de la figura 1.3.a, pero también se puede dar el caso
de regiones no acotadas, como la de la figura 1.3.b. En cualquier problema de Programación
Lineal con región factible acotada, el problema tiene soluciones factibles en vértices, en este
caso también debe tener solución óptima, además, la mejor solución factible en vértice es una
solución óptima. Si un problema de Programación Lineal tiene solución óptima única tal
solución se da en un vértice. En el caso de problemas con múltiples soluciones óptimas, por lo
menos dos de ellas son soluciones en vértices.

20
Introducción En la cartilla de la semana anterior tuvimos la oportunidad de
abordar las generalidades de la Investigación de operaciones
e iniciar el estudio de la programación lineal, abordamos
también la solución gráfica de problemas de programación
lineal en los que solo intervienen dos variables de decisión. El
método gráfico con ciertas dificultades se puede emplear en
casos de tres variables, pero no es posible usarlo para
problemas que involucran cuatro o más variables, en estos
casos es necesario valer se de algún procedimiento o método
analítico, el procedimiento de mayor acogida es el Método
Simplex.
El desarrollo del Método Simplex se dio en el año 1947 y se

debe a George Dantzig, El Método Simplex ha demostrado su
eficiencia en grandes problemas de programación lineal que
además han demandado el uso de poderosos computadores,
en el ámbito de la solución de problemas de PL hay una
variada gama de aplicaciones de software correspondientes a
implementaciones del método.
En esta semana y en las dos siguientes se aborda

fundamentalmente el estudio del Método Simplex, en esta
semana particularmente se presenta sus características
fundamentales, ejemplos de aplicación, su interpretación
gráfica, el procedimiento de solución aplicado a problemas
dados en forma estándar. También se estudiará principios
que permiten decidir sobre qué solución tomar en caso de
múltiples óptimos y como emplear el método en casos de
problemas dados en forma no estándar.

3
La lectura de esta cartilla constituye el punto de partida en el desarrollo del trabajo de la
segunda semana del curso Investigación de operaciones I. su contenido es fundamentalmente
alrededor del uso del Método Simplex como herramienta de solución de problemas de
programación lineal. La propuesta metodológica en la que se basa el curso hace necesario
tener esta lectura como referencia permanente y leerla de manera muy cuidadosa. En esta
cartilla parte del trabajo sobre el Método Simplex se hace en su forma algebraica, por tanto se
requiere que el estudiante cuente con el adecuado manejo de procedimientos algebraicos
básicos. Otra parte es sobre la forma tabular lo que demanda el conocimiento de los
procedimientos de eliminación gaussiana, por lo que se insiste al estudiante en la necesidad
de remitirse a las lecturas complementarias, donde encontrará más explicaciones y ejercicios
resueltos que le permitirán ampliar las posibilidades de comprensión de las temáticas aquí
tratadas.
Dado que siempre es importante escuchar y observar las explicaciones de expertos, se

propone un conjunto de videos, en la sección video capsulas, en las cuales se presenta
explicación y desarrollo de ejercicios sobre el proceso de eliminación gaussiana, como tema
accesorio, y del Método Simplex en forma tabular. Se recomienda al estudiante la
visualización de estos videos.
Además de lo anterior es muy recomendable que haya realizado propuestos en la sección de

ejercicios de repaso de la primera semana, de tal manera que pueda afrontar con mayor
propiedad los ejercicios propuestos de esta semana, la realización de los ejercicios propuestos
como ejercicios de repaso brindará oportunidad de mejor preparación para la presentación
del quiz de esta semana.

Solución de problemas de programación lineal: uso del Método
Simplex
El Método Simplex
Del Método Simplex se puede decir en principio que consiste en un procedimiento analítico
orientado a la solución de problemas de PL, sus fundamentos tienen origen en la geometría,
razón por la cual lo estudiamos inicialmente desde una perspectiva geométrica, para lo cual
estaremos apoyados en la situación del ejemplo 1.1 presentado en la cartilla de la semana 1.
La figura 1 muestra la región factible correspondiente al ejemplo 1.1 y se señalan los vértices
de la región, 0, 0 0, 6 2,6 , 4, 3 4, 0 , anotamos antes que las coordenadas de tales
vértices son soluciones factibles, (soluciones factibles en vértices). Es fácil ver que cada vértice
es la intersección de dos rectas asociadas con restricciones, en el caso general de un problema
de PL con 𝑛𝑛 variables de decisión, aunque no es posible visualizarlo geométricamente, cada
solución factible en vértice corresponde a la intersección de 𝑛𝑛 fronteras de restricción.
5
Figura 1
Fuente: Propia.
En el caso de un problema de programación lineal con dos variables de decisión, la figura 2.1
permite ver que dos vértices adyacentes comparten o satisfacen una misma restricción en
común (una menos que el número de variables), extendiendo esta idea al caso general de un
problema con 𝑛𝑛 variables, se tiene entonces que dos soluciones factibles en vértices
adyacentes comparten o satisfacen 𝑛𝑛 − 1 restricciones, tales soluciones factibles en vértices
adyacentes se encuentran en un segmento de recta o arista de la región factible. Como de
cada vértice se desprenden dos aristas, a cada solución factible en un vértice se le puede hallar
dos soluciones factibles en vértices adyacentes (en aristas diferentes) ¿Cuál es el par de
vértices adyacentes de cada uno de los vértices de la región factible dada en la figura 1?
Una idea importante respecto a las soluciones de un problema de PL es la prueba de

optimalidad, a la prueba que nos referimos aquí establece que para un problema de PL con
solución óptima, si una solución factible en un vértice no tiene soluciones factibles en vértices
adyacentes que sean mejores, entonces tal solución debe ser una solución óptima. En el
ejemplo 1.1 el vértice (2, 6) debe ser solución óptima en razón a que el valor de 𝑍𝑍 = 72 con él
asociado es mayor que los valores de 𝑍𝑍 asociados con los vértices adyacentes (0, 6) y (4, 3). Los
detalles por los cuales se cumple esta propiedad se presentarán más adelante. La utilidad de
esta prueba a la luz del Método Simplex consiste en que ayuda a determinar si en el proceso
ya se ha alcanzado una solución óptima.

Análisis de la perspectiva geométrica del Método Simplex
Valiéndonos de la región factible del ejemplo 1.1, mostrada en la figura 2, presentamos las
ideas básicas de la lógica del Método Simplex desde el punto de vista geométrico.
o Paso inicial: seleccionar el vértice (0, 0) como solución inicial.

o Paso 2 o iteración 1: examinar la posibilidad de hallar nuevas una mejor solución que
(0, 0), para ello se considera las dos aristas que salen de (0, 0), si nos movemos a lo
largo de la que aumenta 𝑥𝑥! se logra mayor aumento por cada unidad que si nos
movemos a lo largo de la que aumenta 𝑥𝑥! , nos detenemos al llegar a la primera
frontera de restricción y calculamos el corte de esta restricción con la de la arista usada
como trayectoria, es decir, las expresiones 𝑥𝑥! = 0 y 2𝑥𝑥! = 12, obteniéndose como
resultado la nueva solución en el vértice (0, 6), con la cual el actual valor de la función
objetivo es 𝑍𝑍 = 60.
o Paso 3 o iteración 2: buscar una mejor solución partiendo de (0, 6), al tomar la arista
horizontal se logra aumento en la función objetivo porque aumenta el valor de 𝑥𝑥! sin
que disminuya el de 𝑥𝑥! , mientras que por a otra arista disminuye el valor de 𝑍𝑍, nos
detenemos al llegar a la primera nueva frontera de restricción y calcular el corte de esta
restricción con la de la arista usada como camino de llegada, es decir, las expresiones
2𝑥𝑥! = 12 y 3𝑥𝑥! + 2𝑥𝑥! = 18, obteniéndose la nueva solución en el (2, 6)
correspondiente al valor de la función objetivo es 𝑍𝑍 = 72. Si realizamos estos procesos
nuevamente a partir de la solución (2, 6) no se encuentra mejor solución, con lo que se
puede concluir que la última solución factible hallada es la óptima.
De las consideraciones vemos que, para hallar la solución óptima, el Método Simplex solo
toma en cuenta las soluciones factibles en vértices, recalcando lo anotado anteriormente en
relación con solución de problemas de PL que tienen región factible acotada. Esto es
importante en razón a que del infinito número de soluciones factibles solo hay que analizar un
reducido número de posibilidades. También vale la pena ver que se toma como solución
inicial la correspondiente a (0, 0), es decir, todas las variables de decisión valen cero, lo que
evita la necesidad de realizar cálculos en la consecución de esta solución inicial.
En el análisis también se observa que en cada iteración, a partir de la solución actual, el
Método Simplex solo considera como posibles mejores soluciones las correspondientes a
vértices adyacentes, por tanto la trayectoria seguida hasta llegar a una solución óptima es el
conjunto de aristas de la región factible. En el proceso de determinación de una mejor
solución, con base en el Método Simplex solo se identifica en qué medida mejora el valor de 𝑍𝑍
por cada una de las aristas que parten del correspondiente vértice, al final se selecciona la
arista que conduzca a la mayor mejora en el valor de 𝑍𝑍. Con estos razonamientos finalizamos
el análisis del Método Simplex desde el punto de vista geométrico y nos disponemos a
abordar su estudio de forma algebraica.

Fundamentos algebraicos del Método Simplex
Un problema de PL que involucre más de tres variables de decisión no puede ser tratado con
base en una representación gráfica de la región factible, razón por la cual se aborda mediante
procedimientos algebraicos basados principalmente en la solución de sistemas de ecuaciones
lineales, sin embargo, las restricciones estructurales están expresadas en forma de
inecuaciones, lo que demanda la necesidad de ajustar el modelo matemático del problema de
forma tal que tales restricciones se puedan expresar en forma de ecuaciones.
Variables de holgura. Ajuste del modelo del problema
Para el tratamiento algebraico del problema convertimos las inecuaciones asociadas con
restricciones estructurales mediante la incorporación de una variable de holgura. Para
comprender esta idea consideremos primero la 𝑖𝑖 − 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 restricción expresada mediante:
𝑎𝑎!! 𝑥𝑥! + 𝑎𝑎!! 𝑥𝑥! + ⋯ +𝑎𝑎!" 𝑥𝑥! ≤ 𝑏𝑏!
Esta inecuación se puede convertir en ecuación sumando un apropiado valor positivo 𝑥𝑥! al
lado izquierdo de la desigualdad, es decir:
𝑎𝑎!! 𝑥𝑥! + 𝑎𝑎!! 𝑥𝑥! + ⋯ +𝑎𝑎!" 𝑥𝑥! + 𝑥𝑥! = 𝑏𝑏!
Con base en lo anterior, el modelo original se convierte en el siguiente:
Esta forma de expresar el problema, consistente en 𝑚𝑚 ecuaciones y 𝑛𝑛 + 𝑚𝑚 variables

incluyendo el uso de 𝑚𝑚 variables de holgura (una por cada restricción estructural), se conoce

como modelo ampliado, el cual facilita los procedimientos algebraicos asociados con el
Método Simplex.
Ejemplo 2.1: utilizar variables de holgura para escribir el modelo del problema de la empresa
La Arenosa en forma de ecuaciones.
Solución: se introduce la variable de holgura 𝑥𝑥! en la primera restricción estructural, 𝑥𝑥! en la

segunda y 𝑥𝑥! en la tercera, con lo cual se obtiene el nuevo modelo del problema.
Soluciones ampliadas, básicas y básicas factibles

Una solución hallada a partir de procedimientos sobre el modelo ampliado (incluye las
variables originales y las de holgura) se conoce como solución ampliada. Una solución
básica es una de las soluciones aumentadas pero en la intersección de dos restricciones, (no
necesariamente en un vértice de la región factible), por lo que podría ser una solución no
factible. Una solución básica factible o BF es una solución ampliada en un vértice de la
región factible.
Vemos que un problema de 𝑚𝑚 restricciones estructurales y 𝑛𝑛 variables de decisión es

modelado como un sistema ampliado de 𝑚𝑚 ecuaciones y 𝑚𝑚 + 𝑛𝑛 variables, la diferencia 𝑛𝑛 entre
el número total de variables (𝑚𝑚 + 𝑛𝑛) y el número 𝑚𝑚 de ecuaciones representa una cantidad
conocida como grados de libertad, la cual da la posibilidad de elegir valores arbitrarios para 𝑛𝑛
de la variables, por conveniencia se elige el valor de cero a estas variables. A las 𝑛𝑛 variables
cuyo valor se elige arbitrariamente se les llama variables no básicas, mientras que a las 𝑚𝑚
restantes se les llama variables básicas. Nótese que entre las 𝑚𝑚 variables básicas puede haber
variables de holgura y que se tiene el problema de resolver un sistema de 𝑚𝑚 ecuaciones con
𝑚𝑚 variables básicas. Si los valores de las variables básicas, obtenidos como solución del
mencionado sistema, cumplen las condiciones de no negatividad se tiene una solución básica
factible BF.

En el Ejemplo 2.2, el número de ecuaciones es 𝑚𝑚 = 3, originalmente el número de variables
de decisión es 𝑛𝑛 = 2, se introduce 𝑚𝑚 = 3 variables de holgura para 𝑚𝑚 + 𝑛𝑛 = 5 variables en
total. La diferencia entre el número total de variables y ecuaciones es 2, lo que significa que
hay dos variables no básicas y tres variables básicas. Al asignar el valor de cero a las dos
variables no básicas que se elija se tiene un sistema de tres ecuaciones con tres variables
(básicas).
Figura 2
Fuente: Propia.
Para analizar de forma más cercana los conceptos consideremos siguientes soluciones
ampliadas (aunque no detallamos aún como se obtienen, el estudiante puede verificar que
satisface el modelo ampliado) correspondientes al ejemplo 2.2.
𝑎𝑎) 𝑥𝑥! = 4; 𝑥𝑥! = 6; 𝑥𝑥! = 0; 𝑥𝑥! = 0; 𝑥𝑥! = −6
𝑏𝑏) 𝑥𝑥! = 0; 𝑥𝑥! = 0; 𝑥𝑥! = 4; 𝑥𝑥! = 12; 𝑥𝑥! = 18
𝑐𝑐) 𝑥𝑥! = 0; 𝑥𝑥! = 6; 𝑥𝑥! = 4; 𝑥𝑥! = 0; 𝑥𝑥! = 6
La solución 𝑎𝑎) no es una solución básica factible porque la variable 𝑥𝑥! no satisface la
condición de no negatividad, vemos también que correspondería a la solución no factible
𝑥𝑥! = 4, 𝑥𝑥! = 6 del problema original.
La solución 𝑏𝑏) es una solución básica factible en un vértice, que correspondería a la solución
factible 𝑥𝑥! = 0, 𝑥𝑥! = 0.

33
La solución 𝑐𝑐) es una solución básica factible en un vértice, que correspondería a la solución
factible en el vértice 𝑥𝑥! = 0, 𝑥𝑥! = 6.
De la misma forma que se habla de pares de soluciones factibles adyacentes en vértices, se

tiene también las correspondientes soluciones básicas factibles adyacentes, estas se
reconocen teniendo en cuenta que dos soluciones básicas son adyacentes si coinciden en
todas las variables no básicas, excepto una de ellas son las mismas. Lo anterior implica que
todas las variables básicas, excepto una son las mismas, pero quizá con diferentes valores. Por
tanto, para pasar de una actual solución básica factible a una solución adyacente se debe
realizar un intercambio de una variable básica a una no básica y una no básica a básica y luego
ajustar los valores de las variables básicas de tal forma que se satisfaga el sistema.
Si nos referimos al caso del ejemplo 2.2 las soluciones factibles (0, 0) 𝑦𝑦 (0, 6) se ubican en
vértices adyacentes de la región factible mostrada en la Figura 2.2, por tanto las respectivas
soluciones ampliadas son (0, 0, 4, 12, 18) 𝑦𝑦 (0, 6, 4, 0, 6) que son soluciones básicas factibles
adyacentes, lo que se puede confirmar observando que coinciden en la variable no básicas 𝑥𝑥! .
Para pasar de la solución (0, 0, 4, 12, 18) a (0, 6, 4, 0, 6) se cambia 𝑥𝑥! de variable no básica a
básica, operación contraria se hace con la variable 𝑥𝑥! .
A partir de la expresión 𝑍𝑍 = 𝑐𝑐! 𝑥𝑥! + 𝑐𝑐! 𝑥𝑥! + ⋯ + 𝑐𝑐! 𝑥𝑥! , que define la función objetivo,
podemos escribir 𝑍𝑍 − 𝑐𝑐! 𝑥𝑥! − 𝑐𝑐! 𝑥𝑥! − ⋯ − 𝑐𝑐! 𝑥𝑥! e incorporar esta ecuación en el modelo
ampliado del problema, esto con el fin de abordar los procedimientos algebraicos propios de
la aplicación del Método Simplex, con lo que se obtiene el siguiente sistema:
Se destaca en esta forma que se ha agregado al sistema la variable 𝑍𝑍 y una nueva ecuación,
con lo que el sistema ampliado consiste ahora en 𝑚𝑚 + 1 ecuaciones con 𝑚𝑚 + 1 variables. Los
razonamientos planteados hasta aquí se refieren a la forma estándar de problemas de

11
programación lineal, para problemas dados en una forma diferente se debe realizar
consideraciones adicionales.
Procedimiento algebraico del Método Simplex
Luego de haber tratado el problema de la empresa La Arenosa desde la perspectiva gráfica en

el ejemplo 1.1 y los fundamentos algebraicos en el ejemplo 2.1 se procede a continuación a
poner en práctica los procedimientos algebraicos relacionados.
Ejemplo 2.2
A partir del modelo ampliado, mediante la incorporación de las debidas variables de holgura,
resolver el problema de la empresa La Arenosa mediante los procedimientos algebraicos
asociados con el Método Simplex.
Solución: el problema se formula como:
v Procedimiento de iniciación: considerar como solución básica inicial aquella en la cual las
variables 𝑥𝑥! , y 𝑥𝑥! se toman como no básicas, es decir 𝑥𝑥! = 0, y 𝑥𝑥! = 0. Al sustituir estos
valores en el sistema ampliado se tiene 𝑥𝑥! = 4, 𝑥𝑥! = 12 y 𝑥𝑥! = 18. Por tanto la solución
básica inicial es 𝑥𝑥! = 0, 𝑥𝑥! = 0, 𝑥𝑥! = 4, 𝑥𝑥! = 12 y 𝑥𝑥! = 18.
v Procedimiento de prueba de optimalidad: con los valores actuales de 𝑥𝑥! , y 𝑥𝑥! , la función
objetivo 𝑍𝑍 = 6𝑥𝑥! + 10𝑥𝑥! toma el valor 0 (𝑍𝑍 = 0). Es claro que ninguna de las variables
básicas 𝑥𝑥! , 𝑥𝑥! , 𝑥𝑥! contribuye con el valor de la función objetivo (sus coeficientes son cero),
esto significa que un aumento en el valor de al menos una de las variables no básicas
𝑥𝑥! , y 𝑥𝑥! da lugar a un mejor valor de la función objetivo, se concluye entonces que la actual
solución no es óptima.

v Primera iteración para mejorar la solución actual: cada iteración en el proceso de
solución del problema mediante el uso del Método Simplex está orientada a obtener una
solución mejor que la solución actual, para ello en cada iteración se considera el siguiente
conjunto de pasos:
Paso 1: selección de una variable no básica para ser básica. El paso inicial de cada
iteración es seleccionar una las variables no básicas para que haga parte del conjunto de
variables básicas, es decir, incrementar su valor y realizar el correspondiente ajuste de las
otras variables básicas. Esto equivale al proceso descrito en la sección xx, consistente en
pasar de una actual solución factible a una solución mejor a lo largo de una de las aristas
que salen de la actual solución. La selección de la variable a convertirse en básica se hace
teniendo en cuenta cuál de las variables no básicas tiene mayor coeficiente en la función
objetivo 𝑍𝑍, ya que este coeficiente indica en cuanto aumenta 𝑍𝑍 con el aumento en cada
unidad de las variables no básicas consideradas. En el ejemplo se elige 𝑥𝑥! como nueva
variable básica (variable básica entrante) porque su coeficiente es 10 mientras que el de 𝑥𝑥!
es 6.
Paso 2: definición del límite de incremento de la nueva variable básica. El segundo

paso de cada iteración consiste en determinar en qué medida o hasta qué valor se debe
incrementar la nueva variable básica, de tal manera que modifique lo mejor posible la
función objetivo dentro de la región factible. Es claro que, para satisfacer el sistema, el
incremento de una de las variables hace que se deba modificar el valor de otras. Con la
selección de 𝑥𝑥! como nueva variable básica y con 𝑥𝑥! siendo aún variable no básica,
tenemos la siguiente implicación.
De donde se puede ver que, para satisfacer la de no negatividad de variables, es necesario

que 𝑥𝑥! ≥ 0, 𝑥𝑥! ≥ 0 y 𝑥𝑥! ≥ 0. El incremento de 𝑥𝑥! sólo afecta a 𝑥𝑥! y 𝑥𝑥! , por tanto es
necesario que 12 − 2𝑥𝑥! ≥ 0 y 18 − 2𝑥𝑥! ≥ 0, lo que se satisface con 𝑥𝑥! ≤ 6 y 𝑥𝑥! ≤ 9. De
donde claramente se debe elegir el mínimo de estos límites de incremento, es decir 𝑥𝑥! ≤ 6.
En el contexto de uso del Método Simplex, este procedimiento se conoce como prueba de
cociente mínimo y se debe considerar en cada en todos los casos en que la variable básica
entrante tenga coeficiente positivo. Con el máximo incremento permitido una de las
variables básicas llega a cero convirtiéndose en variable no básica de la próxima solución

Básica factible. En este ejemplo 𝑥𝑥! es la variable que alcanza el valor cero, o variable básica
saliente en la actual iteración.
Paso 3: determinación de la nueva solución básica factible. La elección de la variable no

básica entrante y la básica saliente da lugar a nuevos valores de las otras variables básicas, los
cuales se deben determinar para tener la nueva solución básica factible. En este tercer paso se
convierte el sistema de ecuaciones en una nueva forma que facilite la determinación de los
valores requeridos. Para ello se escribe el sistema en forma completa, incluyendo la ecuación
asociada con la función objetivo, para el caso del ejemplo se tiene el siguiente sistema de
cuatro ecuaciones con seis variables, dos de ella se sabe que tienen valor cero, por ser
variables no básicas, y además figura 𝑍𝑍 como variable básica.
Debido a que 𝑥𝑥! pasa a ser variable básica, buscamos que su coeficiente sea 1 en la ecuación
(𝐹𝐹! ) y cero en las demás ecuaciones. Aplicando operaciones básicas de filas asociadas con el
procedimiento de eliminación de Gauss, el sistema se reduce a:
Las operaciones hechas son: sumar 5 veces la ecuación 𝐹𝐹! a la 𝐹𝐹! (𝐹𝐹! + 5𝐹𝐹! ), multiplicar por
! !
la ecuación 𝐹𝐹! ( 𝐹𝐹! ) y restar la ecuación 𝐹𝐹! a la 𝐹𝐹! 𝐹𝐹! − 𝐹𝐹! , tal como se señala
! !
anteriormente entre cada par de ecuaciones original y resultante. Sustituyendo 𝑥𝑥! =
0, 𝑥𝑥! = 0 en el último sistema, tenemos 𝑥𝑥! = 4, 𝑥𝑥! = 6, 𝑥𝑥! = 6, con lo cual la nueva
solución básica factible es (0, 6, 4, 0, 6) y según se encuentra a partir de la ecuación 𝐹𝐹! la
función objetivo toma el valor 𝑍𝑍 = 60.
Paso 4: prueba de optimalidad de la actual iteración. En el paso 3 el valor actual de la

función objetivo 𝑍𝑍 = 60 se obtiene de la ecuación 𝐹𝐹! : 𝑍𝑍 = 60 + 6𝑥𝑥! − 5𝑥𝑥! , como el
coeficiente 𝑥𝑥! es positivo, cualquier incremento en su valor da lugar a una mejor solución
básica factible adyacente, por lo cual se concluye que esta solución actual no es óptima.

14
Segunda iteración para mejorar la solución actual: con 𝑍𝑍 = 60 + 6𝑥𝑥! − 5𝑥𝑥! se tiene que
el valor de la función objetivo mejora aumentando 𝑥𝑥! sin aumentar 𝑥𝑥! , por tanto en esta
iteración el primer paso es seleccionar a 𝑥𝑥! como nueva variable básica entrante. Para
determinar hasta qué valor puede crecer la nueva variable básica 𝑥𝑥! , a partir del último
sistema ampliado, consideramos las siguientes implicaciones:
De lo anterior vemos que el incremento de 𝑥𝑥! solo afecta la no negatividad de 𝑥𝑥! y 𝑥𝑥! deduce
que, para satisfacer la no negatividad de variables, es necesario que 𝑥𝑥! ≥ 0, 𝑥𝑥! ≥ 0 y 𝑥𝑥! ≥ 0,
por tanto es necesario que 4 − 𝑥𝑥! ≥ 0 y 6 − 3𝑥𝑥! ≥ 0, lo que se satisface con 𝑥𝑥! ≤ 4 y 𝑥𝑥! ≤ 2.
Con lo cual se debe elegir 𝑥𝑥! ≤ 2. El incremento de 2 unidades en 𝑥𝑥! hace que 𝑥𝑥! sea cero
convirtiéndose ahora en la variable básica saliente. Aplicando las respectivas operaciones
sobre filas se encuentra el nuevo sistema ampliado mostrado a continuación.
A partir del nuevo sistema ampliado se observa que la nueva solución básica factible es
(2, 6, 2, 0, 0), con la cual el valor de la función objetivo es 𝑍𝑍 = 72. La prueba de optimalidad
se realiza a partir de 𝑍𝑍 = 72 − 3𝑥𝑥! − 2𝑥𝑥! = 72, se ve que cualquier incremento en las
variables no básicas 𝑥𝑥! y 𝑥𝑥! da lugar a una disminución del actual valor de Z, por tanto el no
hay solución básica adyacente que sea mejor que la solución actual, con lo que se concluye
que la solución es óptima.
Forma tabular del Método Simplex

La forma tabular del Método Simplex, presentada en esta parte de la cartilla, es una forma que
facilita la realización de los cálculos asociados. Los procedimientos algebraicos descritos en
secciones anteriores constituyen el fundamente de solución, pero la realización de los cálculos
en forma tabular permite resumirlos. Teniendo claro cuáles son las diferentes variables y el rol
que desempeñan, a través de la forma tabular solo se debe registrar los coeficientes de las

15
variables y las constantes así como las la variable básica que aparece en cada ecuación. Para
comenzar a ilustrar el uso de la forma tabular del Método Simplex consideramos nuevamente
el ejemplo de la empresa La Arenosa.
Ejemplo 2.3: aplicar el Método Simplex en su forma tabular para resolver el problema de la
empresa La Arenosa.
Solución: de lo trabajado en el tratamiento algebraico se encuentra que el sistema de

ecuaciones correspondiente, luego de agregar las variables de holgura y ajustar la escritura de
la ecuación que define la función objetivo es:
La tabla 1 muestra una fila de encabezados, una columna para las variables básicas y las
columnas de coeficientes de las variables. Se resalta la fila 𝐹𝐹! En el paso inicial se selecciona
𝑥𝑥! , 𝑥𝑥! y 𝑥𝑥! como variables básicas lo que implícitamente indica que las no básicas son 𝑥𝑥! y 𝑥𝑥! .
Hasta este punto del desarrollo se tiene que la solución básica factible actual es
(0, 0, 4, 12, 18)
Fila V. Básicas 𝑍𝑍 𝑥𝑥! 𝑥𝑥! 𝑥𝑥! 𝑥𝑥! 𝑥𝑥! 𝑏𝑏!
𝐹𝐹! 𝑍𝑍 1 −6 −10 0 0 0 0
𝐹𝐹! 𝑥𝑥! 0 1 0 1 0 0 4
𝐹𝐹! 𝑥𝑥! 0 0 2 0 1 0 12
𝐹𝐹! 𝑥𝑥! 0 3 2 0 0 1 18
Tabla 1.
Fuente: Propia.
Para que la solución sea óptima se requiere que todos los coeficientes en la fila 𝐹𝐹! sean no
negativos, como este no es el caso, la actual solución no es óptima y se requiere proceder con
una iteración.

16
v Primera iteración para mejorar la solución actual: aquí el primer paso consiste en
seleccionar una variable no básica para que pase a ser básica. La selección se hace con base
en el coeficiente negativo de mayor valor absoluto (a lo que nos referimos aquí como el
coeficiente más negativo) en la fila 𝐹𝐹! , en este caso la variable seleccionada es 𝑥𝑥! ya que
tiene coeficiente igual a −10. A la columna de coeficientes de la variable básica entrante en
las filas posteriores a la fila 𝐹𝐹! se denomina columna pivote y se resalta en la tabla 2
mostrada a continuación.
Tabla 2
Fuente: Propia.
Para decidir la variable básica saliente se determina lo que llamamos fila pivote.
Considerando solo los valores positivos de la columna pivote, se divide los valores del lado
derecho o valores 𝑏𝑏! de cada fila por el respectivo coeficiente en la columna pivote, la fila
en la que resulta el menor cociente corresponde a la fila pivote, la variable básica de la
respectiva fila es la variable básica saliente y el número en la intersección de la fila y
columna pivote se llama número pivote. En el caso de este ejemplo 𝐹𝐹! es la fila pivote
!"
debido a que el cociente = 6, mientras que el cociente de la fila 𝐹𝐹! es 9, la variable básica
!
saliente es 𝑥𝑥! tal como se resalta a continuación.
Tabla 3
Fuente: Propia.

17
El paso que sigue es obtener una nueva tabla simplex mediante las siguientes
modificaciones sobre la tabla 3.
• Registrar a 𝑥𝑥! como nueva variable básica en lugar de 𝑥𝑥! .

• Dividir la fila pivote por el número pivote, en este caso el número por el cual se divide
es 2.
• Modificar las filas restantes, sumando o restando un múltiplo de la fila pivote, de tal
manera que los coeficientes de la columna pivote sean todos cero, excepto el que está
sobre la fila pivote. En este caso a la fila 𝐹𝐹! se suma la nueva fila 𝐹𝐹! multiplicada por 10,
a la fila 𝐹𝐹! se suma la nueva fila 𝐹𝐹! multiplicada por −2. Como resultado se obtiene la
nueva tabla simplex mostrada en la tabla 4.

𝐹𝐹! 𝑍𝑍 1 −6 0 0 5 0 60
𝐹𝐹! 𝑥𝑥! 0 1 0 1 0 0 4
𝐹𝐹! 𝑥𝑥! 0 0 1 0 1 0 6
2
𝐹𝐹! 𝑥𝑥! 0 3 0 0 −1 1 6
Tabla 4
Fuente: Propia.
Con base en lo anterior, y sabiendo que 𝑥𝑥! = 0 y 𝑥𝑥! = 0 tenemos que la nueva solución
básica factible es (0, 6, 4, 0, 6), correspondiendo a un valor de la función objetivo 𝑍𝑍 = 60.
En cuanto a la prueba de optimalidad sobre la última solución hallada, vemos que la nueva
fila 𝐹𝐹! contiene un coeficiente negativo se concluye que la actual solución básica factible
no es óptima.
v Segunda iteración para mejorar la solución actual: procediendo de manera similar a la

anterior iteración, en este caso debemos seleccionar a 𝑥𝑥! como nueva variable básica, ya
que es la que tiene el coeficiente más negativo en la fila 𝐹𝐹! (realmente es el único
coeficiente negativo en este caso). Lo que da lugar a una nueva columna pivote.

Tabla 5
Fuente: Propia.
Determinamos la nueva fila pivote al aplicar la prueba del coeficiente mínimo, dividiendo
cada valor del lado derecho en cada fila por el respectivo coeficiente en la columna pivote,
encontrándose que la nueva fila pivote es la fila 𝐹𝐹! , por tanto la variable básica saliente es
𝑥𝑥! y el número pivote es 3, estos elementos de las observaciones se resaltan en la tabla 6.
Tabla 6
Fuente: Propia.
Con base en lo anterior obtenemos la nueva tabla simplex de donde se obtendrá la nueva
solución básica factible. En la nueva tabla 𝑥𝑥! será la variable básica entrante en remplazo de
𝑥𝑥! . La nueva fila 𝐹𝐹! se obtiene mediante la división de la fila pivote 𝐹𝐹! por el número 3. A la
fila 𝐹𝐹! se suma 6 veces la nueva fila 𝐹𝐹! y a la fila 𝐹𝐹! se resta la nueva fila 𝐹𝐹! , el resultado se
muestra en la tabla 7.

𝐹𝐹! 𝑍𝑍 1 0 0 0 3 2 72
𝐹𝐹! 𝑥𝑥! 0 0 0 1 1 1 2
−
3 3
𝐹𝐹! 𝑥𝑥! 0 0 1 0 1 0 6
2
𝐹𝐹! 𝑥𝑥! 0 1 0 0 1 1 2
−
3 3
Tabla 7
Fuente: Propia.

19
Con las variables no básicas 𝑥𝑥! = 0 y 𝑥𝑥! = 0 encontramos que la nueva solución básica
factible es (2, 6, 2, 0, 0), con la cual el valor de la función objetivo es 𝑍𝑍 = 72. En la tabla 2.7
vemos que no hay coeficientes negativos en la fila 𝐹𝐹! , por tanto la solución es óptima, lo que
significa que la solución del problema es 𝑥𝑥! = 2, 𝑥𝑥! = 6.
Si comparamos las formas algebraicas y tabular del Método Simplex, vemos que en esencia
son equivalentes, sin embargo, la forma tabular facilita el trabajo. En adelante trabajaremos
con base en la forma tabular en lugar de la forma algebraica, particularmente hallaremos a
continuación la solución del problema 1.2.
Ejemplo 2.4: resolver el problema del ejemplo 1.2 presentado en la semana 1 mediante la
forma tabular del Método Simplex.
Solución: el ejemplo se refiere a la necesidad de hallar los valores de 𝑥𝑥! , 𝑥𝑥! , 𝑥𝑥!
correspondientes respectivamente a las cantidades de juegos de mesas, guardarropa y camas
que se deben fabricar con el fin de obtener la mayor utilidad posible. El modelo que resulta,
dado en la cartilla de la semana 1 es el siguiente:
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 𝑍𝑍 = 60𝑥𝑥! + 50𝑥𝑥! + 40𝑥𝑥!
𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 𝑎𝑎:
2𝑥𝑥! + 𝑥𝑥! + 3𝑥𝑥! ≤ 180
𝑥𝑥! + 3𝑥𝑥! + 2𝑥𝑥! ≤ 300
2𝑥𝑥! + 𝑥𝑥! + 2𝑥𝑥! ≤ 240
𝑥𝑥! ≥ 0, 𝑥𝑥! ≥ 0, 𝑥𝑥! ≥ 0
La aplicación del Método Simplex demanda la necesidad de introducir las variables de holgura
𝑥𝑥! , 𝑥𝑥! , 𝑥𝑥! para convertir en ecuación las inecuaciones correspondientes a las restricciones
estructurales. El modelo ampliado es el siguiente:
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑟𝑟 𝑍𝑍 = 60𝑥𝑥! + 50𝑥𝑥! + 40𝑥𝑥!
2𝑥𝑥! + 𝑥𝑥! + 3𝑥𝑥! + 𝑥𝑥! + 𝑥𝑥! + 𝑥𝑥! = 180
𝑥𝑥! + 3𝑥𝑥! + 2𝑥𝑥! + 𝑥𝑥! + 𝑥𝑥! + 𝑥𝑥! = 300
2𝑥𝑥! + 𝑥𝑥! + 2𝑥𝑥! + 𝑥𝑥! + 𝑥𝑥! + 𝑥𝑥! = 240
𝑥𝑥! ≥ 0, 𝑥𝑥! ≥ 0, 𝑥𝑥! ≥ 0, 𝑥𝑥! ≥ 0, 𝑥𝑥! ≥ 0, 𝑥𝑥! ≥ 0
20
En este caso tenemos 𝑚𝑚 = 3 restricciones estructurales y 𝑛𝑛 = 3 variables de decisión, el
modelo ampliado corresponde a un sistema de 𝑚𝑚 = 3 ecuaciones y 𝑚𝑚 + 𝑛𝑛 = 6 variables, hay
una diferencia de 3 entre el número total de variables y el de ecuaciones, lo que indica que el
número de grados de libertad, que define la cantidad de variables no básicas es 3 (cuyo valor
se elige arbitrariamente), con lo que las otras tres son variables básicas.
Al incluir como una nueva fila la expresión que involucra la función objetivo, el problema se
convierte en:
La tabla 8 muestra la fila de encabezados, la columna que indica cuales son las variables
básicas y las columnas de coeficientes de todas las variables en las restricciones estructurales,
también aparece resaltada la fila 𝐹𝐹! . En el paso inicial se selecciona 𝑥𝑥! , 𝑥𝑥! y 𝑥𝑥! como variables
básicas, por consiguiente las no básicas son 𝑥𝑥! , 𝑥𝑥! y 𝑥𝑥! .
Fila V. Básicas 𝑍𝑍 𝑥𝑥! 𝑥𝑥! 𝑥𝑥! 𝑥𝑥! 𝑥𝑥! 𝑥𝑥! 𝑏𝑏!
𝐹𝐹! 𝑍𝑍 1 −60 −50 −40 0 0 0 0
𝐹𝐹! 𝑥𝑥! 0 2 1 3 1 0 0 180
𝐹𝐹! 𝑥𝑥! 0 1 3 2 0 1 0 300
𝐹𝐹! 𝑥𝑥! 0 2 1 2 0 0 1 240
Tabla 8
Fuente: Propia.
Con 𝑥𝑥! = 0, 𝑥𝑥! = 0 y 𝑥𝑥! = 0 y sustituyéndolos en el sistema tenemos 𝑥𝑥! = 180, 𝑥𝑥! =
300 y 𝑥𝑥! = 240. Por lo tanto la solución básica inicial es 𝑥𝑥! = 0, 𝑥𝑥! = 0, 𝑥𝑥! = 0, 𝑥𝑥! =
180, 𝑥𝑥! = 300 y 𝑥𝑥! = 240 y el actual valor de la función objetivo sería 𝑍𝑍 = 0. Dado que la fila
𝐹𝐹! tiene coeficientes negativos la solución actual no es óptima y se requiere proceder con una
iteración.

21
Primera iteración para mejorar la solución actual.
El coeficiente más negativo en la fila 𝐹𝐹! es el de la variable 𝑥𝑥! , esta es entonces la variable
básica entrante. En la tabla 9 se resalta la columna pivote.
Tabla 9
Fuente: Propia.
El estudiante puede observar que, dividiendo en cada fila el valor del lado derecho por el
respectivo coeficiente en la columna pivote, encontramos que el menor coeficiente
corresponde a la fila 𝐹𝐹! , por lo tanto esta es la fila pivote y 𝑥𝑥! pasará a ser la variable básica
saliente. En la tabla 10 se resalta la fila y la columna pivote y se ve que el número pivote es 2.
Tabla 10
Fuente: Propia.
La nueva tabla simplex (tabla 11) se obtiene mediante las siguientes operaciones:
• Registrar a 𝑥𝑥! como nueva variable básica en lugar de 𝑥𝑥! .
• Dividir por 2 los valores en la fila pivote.
• Sumar a 𝐹𝐹! la nueva fila 𝐹𝐹! multiplicada por 60.
• Restar la nueva fila 𝐹𝐹! de la fila 𝐹𝐹! .
• Restar de la fila 𝐹𝐹! dos veces la nueva fila 𝐹𝐹! .

22
𝐹𝐹! 𝑍𝑍 1 0 −20 50 30 0 0 5400
𝐹𝐹! 𝑥𝑥! 0 1 1 3 1 0 0 90
2 2 2
𝐹𝐹! 𝑥𝑥! 0 0 5 1 0 1 0 210
2 2
𝐹𝐹! 𝑥𝑥! 0 0 0 −1 −1 0 1 60
Tabla 11
Fuente: Propia.
Con 𝑥𝑥! = 𝑥𝑥! = 𝑥𝑥! = 0 se tiene 𝑥𝑥! = 90, 𝑥𝑥! = 210, 𝑥𝑥! = 60, lo que significa que la actual
solución básica es 90, 0, 0, 0, 210, 60 , Esta solución no es óptima debido a que en la fila 𝐹𝐹!
hay coeficientes negativos.
Segunda iteración para mejorar la solución actual

De la actual tabla simplex se seleccionar a 𝑥𝑥! como nueva variable básica, (tiene coeficiente
negativo). Vemos en la tabla 12 la nueva columna pivote.
Tabla 12
Fuente: Propia.
Dividiendo cada valor del lado derecho por el respectivo coeficiente en la columna pivote
!
encontramos que 𝐹𝐹! es la nueva fila pivote, 𝑥𝑥! será la variable básica saliente y . Es el número
!
pivote. En la tabla 2.12 se resalta la fila y la columna pivote.
Para obtener la nueva matriz simplex, mostrada en la tabla 13, incluimos 𝑥𝑥! en la columna de
variables básicas a cambio de 𝑥𝑥! , que es la variable básica saliente. La nueva fila 𝐹𝐹! se obtiene

23
!
multiplicando la actual por A la fila 𝐹𝐹! se suma 20 veces la nueva fila 𝐹𝐹! y a la fila 𝐹𝐹! se resta la
!
nueva fila 𝐹𝐹! dividida por 2, el resultado se muestra en la tabla 13.
𝐹𝐹! 𝑍𝑍 1 0 0 54 30 8 0 7080
𝐹𝐹! 𝑥𝑥! 0 1 0 7 1 1 0 48
−
5 2 5
𝐹𝐹! 𝑥𝑥! 0 0 1 1 0 2 0 84
5 5
𝐹𝐹! 𝑥𝑥! 0 0 0 −1 −1 0 1 60
Tabla 13
Fuente: Propia.
Con las variables no básicas 𝑥𝑥! = 0, 𝑥𝑥! = 0 y 𝑥𝑥! = 0, la nueva solución básica factible es
(48, 84, 0, 0, 0,60), con la cual el valor de la función objetivo es 𝑍𝑍 = 7080. En la tabla 13
vemos que no hay coeficientes negativos en la fila 𝐹𝐹! , por tanto la solución es óptima.
Observaciones relación con el proceso de solución

Al aplicar los procedimientos relacionados con el Método Simplex descritos en las secciones
anteriores no hicimos referencia a los casos en que se presenta empate o igualdad en los
valores que soportan la determinación de la variable básica entrante y/o la variable básica
saliente.
La variable básica entrante se elige en función del coeficiente más negativo en la fila 𝐹𝐹! (la que
contiene la función objetivo), sin embargo, si dos o más variables básicas coinciden en su
valor, se puede elegir arbitrariamente la que será la variable básica entrante.
Si la igualdad se da entre los cocientes que definen la variable básica saliente, teóricamente se
tiene que la elección podría tener un importante impacto en razón a que puede suceder lo
siguiente: todas las variables asociadas con un mismo cociente llegarán a cero para un mismo
valor de la variable básica entrante, de tal manera que existirán variables básicas con valor
cero, a las que se les llama variables degeneradas, dando lugar a la solución básica factible con
variables básicas degeneradas (Solución básica degenerada). Por otra parte, si alguna de las
variables básicas degeneradas permanece con valor cero hasta ser elegida como variable
básica saliente en otra iteración, la variable básica entrante también valor cero puesto que no
se le permite su crecimiento sin que la saliente se haga negativa, y por consiguiente no

cambia el valor de la función objetivo. Si Z no mejora, el método puede entrar en un ciclo
repetitivo de una secuencia de soluciones, sin llegar a la solución óptima. En la práctica el tipo
de problemas en que se da esta situación es muy raro, pero si se presentan se podría probar la
salida de él cambiando la elección de la variable saliente.
Otra posibilidad existente en una iteración es el no poder seleccionar variable básica saliente
debido a que la variable básica entrante puede crecer indefinidamente sin que alguna de las
otras variables básicas llegue a ser cero o negativa, lo que significa que los coeficientes de la
columna pivote son negativos o cero, lo que a su vez se relaciona con el ilimitado crecimiento
del valor de la función objetivo. Esto realmente quiere decir que se ha cometido algún error,
bien sea en la formulación del modelo o no haber tenido en cuenta información importante.
Este tipo de situaciones no resuelta por el Método Simplex.
Finalmente existen casos de problemas que realmente tienen múltiples soluciones óptimas,
es decir, diferentes valores de las variables de decisión que resultan en el mismo valor de la
función objetivo, pero el Método Simplex finaliza al hallar la primera solución óptima. En estos
casos en que de alguna forma se conoce de múltiples soluciones óptimas, puede tomarse la
decisión con base en aspectos no considerados en el modelo. Vale la pena anotar que el
mismo Método Simplex proporciona una forma de determinar si un problema tiene más de
una solución. En efecto, lo hace con base en el hecho que si alguna de las actuales variables
no básicas de la iteración que da la solución óptima tiene coeficiente cero en la fila 𝐹𝐹! , se tiene
que al aumentar su valor, no cambia el de la función objetivo, pero sí cambia el conjunto de
soluciones básicas factibles que dan el mismo valor óptimo.

25
Hasta este punto del desarrollo del curso de Investigación
de operaciones I hemos incursionado en la introducción a la
programación lineal, abordando de manera superficial los
fundamentos algebraicos y aplicando los mismos a la
solución de problemas dados en forma estándar. Sin
embargo, en programación lineal es común encontrar
problemas que no encajan en la forma estándar, dándose
por ejemplo, situaciones en las que el objetivo es minimizar
una función objetivo en lugar de buscar el máximo de otra,
también se dan casos en que las restricciones corresponden
a ecuaciones o inecuaciones en ambos sentidos, razón por
la cual se hace necesario la introducción de variantes al
Método Simplex con el fin de lograr lo que se pretende.
En esta semana nos disponemos a abordar algunos

procedimientos que se debe ejecutar en la solución de
problemas en forma no estándar, para lo cual se usara
fundamentalmente dos métodos que contribuyen en ese
propósito, estos métodos son el de la gran M y el de las dos
fases.

3
Al igual que en las semanas anteriores, en esta semana se recomienda al estudiante la
detallada lectura de esta cartilla, en la cual se trata las temáticas relacionadas con la solución
de problemas de programación lineal dados en forma no estándar. Para la descripción de las
técnicas aplicar se usa un enfoque práctico a través de la solución de ejercicios que pongan de
manifiesto los procedimientos asociados a ellos. Sin embargo, se debe tener en cuenta que el
adecuado acercamiento a la comprensión de los temas requiere del apoyo de recursos
adicionales aquí ofrecidos.
Dado que los desarrollos alrededor de los métodos a trabajar se basan en la forma tabular del
Método Simplex, al igual que en las semana 2 se requiere las habilidades propias de los
procedimientos de eliminación gaussiana, por lo que se insiste en la necesidad de afianzar el
manejo de las mismas, remitirse a las lecturas complementarias donde se encuentra ejercicios
resueltos. Se llama nuevamente la atención en el sentido de aprovechar los recursos de video,
donde se trata, mediante la solución y explicación de ejercicios, la aplicabilidad de los temas
bajo estudio.
Se recalca la importancia de desarrollar los ejercicios propuestos como ejercicios de repaso, de

tal manera que pueda afrontar en mejores condiciones el desarrollo de los ejercicios
propuestos en el taller de esta semana y por consiguiente en la presentación del quiz de
evaluación.
4
Solución de problemas de Programación Lineal en forma no
estándar
Modelos de programación lineal en forma no estándar

En la cartilla de la semana anterior enfrentamos la solución de problemas de programación
lineal que obedecen el modelo estándar, es decir, en donde se pide maximizar la función
objetivo, sujetas a restricciones de no negatividad y todas las restricciones estructurales se
expresan mediante inecuaciones dadas por el signo ≤, es decir inecuaciones de la forma:
𝑎𝑎!! 𝑥𝑥! + 𝑎𝑎!! 𝑥𝑥! + ⋯ +𝑎𝑎!" 𝑥𝑥! ≤ 𝑏𝑏!
Sin embargo no todas las situaciones reales asociadas con problemas de programación lineal
obedecen el modelo estándar. Ciertos problemas conducen a modelos en los que algunas
restricciones se expresan mediante ecuaciones, inecuaciones con signos ≤, o con números
negativos al lado derecho, por lo que se hace necesario el tratamiento de estos detalles con el
fin de poder abordar la solución mediante el Método Simplex.
Manejo de modelos que incluyen restricciones en forma de ecuaciones. Método de la

gran M
La principal diferencia en este caso, en cuanto al uso del Método Simplex, consiste en la
determinación de la solución básica inicial. En estos casos se emplea una técnica que se basa
en la introducción de una nueva variable, conocida como variable artificial, en los casos que

sea necesario. La variable artificial introducida será la variable básica inicial en la respectiva
ecuación que se introduzca y también debe satisfacer las restricciones de no negatividad. La
función objetivo se modifica para que imponga una penalización exorbitante en el caso de
que adquieran valores mayores que cero. Tal como veremos, el uso del Método Simplex hará
que las variables artificiales tomen valores de cero a lo largo del desarrollo, luego de lo cual se
tendrá la solución del problema original. Para comprender la forma de enfrentar este tipo de
problemas consideremos el ejemplo 3.1.
Ejemplo 3.1. Consideremos que en el problema de la empresa La Arenosa, introducida en el

Ejemplo 1.1, se debe usar la totalidad de la capacidad de la planta Puente Aranda (ver
enunciado y modelo del problema en la cartilla de la semana 1).
Solución: la modificación introducida trae cambios en la tercera restricción estructural de tal

manera que esta es ahora una igualdad. Desde el punto de vista geométrico, lo anterior
implica un significativo cambio en la región factible, en razón a que los posibles valores de las
variables deben ser las coordenadas de puntos sobre el segmento de recta que une los puntos
(2, 6) 𝑦𝑦 (4, 3). A continuación se muestra el nuevo modelo y la nueva región factible.
Según la forma del nuevo modelo, podemos ver la necesidad de introducir variables de
holgura solo en las dos primeras restricciones, con lo cual el modelo ampliado queda como se
muestra a continuación.
La aplicación del Método Simplex en el caso de modelos en la forma estándar indica que la
solución básica factible inicial correspondía al conjunto de valores tomados por las variables

de holgura, consideradas como variables básicas, en este caso no contamos con variable de
holgura en la tercera restricción, por lo cual no es posible establecer tal solución inicial como
antes.
Para obtener una solución inicial básica factible, modificamos el sistema ampliado asociado
con el problema, de tal forma que se introduce en la tercera restricción la variable artificial
𝑥𝑥!! ≥ 0 y se establece una penalización a la función objetivo, esta penalización consiste en
una disminución de la función objetivo en un valor dado por 𝑀𝑀𝑥𝑥!! , siendo 𝑀𝑀 un número muy
grande, la idea buscar que en realidad tal penalización no exista, lo que se logra solo si se
consigue que la variable artificial al final valga 0, es por ello que la técnica que se aplica, en
asocio con el Método Simplex, se conoce como método de la gran M. El correspondiente
sistema de ecuaciones modificado, al que podemos llamar sistema artificial ampliado se
formula como sigue:
Paso inicial: tomando como variables no básicas iniciales la pareja 𝑥𝑥! , 𝑥𝑥! (por consiguiente
valen 0), se llega a la solución básica factible inicial 𝑥𝑥! = 4, 𝑥𝑥! = 12, 𝑥𝑥!! = 18. La forma
tabular es la siguiente:
Fila V. Básicas 𝑍𝑍 𝑥𝑥! 𝑥𝑥! 𝑥𝑥! 𝑥𝑥! 𝑥𝑥!! 𝑏𝑏!

𝐹𝐹! 𝑍𝑍 1 −6 −10 0 0 𝑀𝑀 0
𝐹𝐹! 𝑥𝑥! 0 1 0 1 0 0 4
𝐹𝐹! 𝑥𝑥! 0 0 2 0 1 0 12
𝐹𝐹! 𝑥𝑥!! 0 3 2 0 0 1 18
Tabla 1
Fuente: Propia.
Dado que el procedimiento de la forma tabular del Método Simplex requiere que los
coeficientes de las variables básicas en la fila 𝐹𝐹! sean cero, aplicamos el ajuste algebraico

7
necesario a partir de la tabla anterior, para que el coeficiente de 𝑥𝑥!! el cual consiste en
remplazar la fila 𝐹𝐹! por la diferencia 𝐹𝐹! − 𝑀𝑀𝐹𝐹! , obteniéndose como resultado la tabla 2, de tal
tabla se ve que la solución básica asociada no es óptima debido a la permanencia de
coeficientes negativos en la fila 𝐹𝐹! , por lo que se necesita aplicar los conocidos pasos del
Método Simplex para hallar la mejor solución.
𝐹𝐹! 𝑍𝑍 1 −(3𝑀𝑀 + 6) −(2𝑀𝑀 + 10) 0 0 0 −18𝑀𝑀
𝐹𝐹! 𝑥𝑥! 0 1 0 1 0 0 4
𝐹𝐹! 𝑥𝑥! 0 0 2 0 1 0 12
𝐹𝐹! 𝑥𝑥!! 0 3 2 0 0 1 18
Tabla 2
Fuente: Propia.
Primera iteración: al aplicar el criterio de selección de la variable básica entrante vemos, en la

tabla 2, que para grandes valores de 𝑀𝑀, 3𝑀𝑀 + 6 es mayor que 2𝑀𝑀 + 10, con lo cual el
coeficiente más negativo en la fila 𝐹𝐹! es el de la variable 𝑥𝑥! , por tanto esta será la variable
básica entrante. Al dividir los valores del lado derecho en las filas 𝐹𝐹! y 𝐹𝐹! , por el
correspondiente coeficiente de 𝑥𝑥! , se obtiene cocientes de 4 y 6 respectivamente, lo que lleva
a elegir a 𝑥𝑥! como la variable básica saliente. En la tabla 3 se resalta la columna y la fila pivote.
Tabla 3. Datos de la primera iteración resaltando columna y fila pivote

Fuente: Propia.
En la tabla 4 ahora 𝑥𝑥! remplaza a 𝑥𝑥! como variable básica, la fila 𝐹𝐹! se remplaza por el
resultado de la operación 𝐹𝐹! + (3𝑀𝑀 + 6)𝐹𝐹! , mientras que la fila 𝐹𝐹! se remplaza por el
resultado de restar a 𝐹𝐹! la nueva fila 𝐹𝐹! multiplicada por 3.

8
𝐹𝐹! 𝑍𝑍 1 0 −(2𝑀𝑀 + 10) 3𝑀𝑀 + 6 0 0 −6𝑀𝑀 + 24
𝐹𝐹! 𝑥𝑥! 0 1 0 1 0 0 4
𝐹𝐹! 𝑥𝑥! 0 0 2 0 1 0 12
𝐹𝐹! 𝑥𝑥!! 0 0 2 −3 0 1 6
Tabla 4. Datos de la segunda iteración

Fuente: Propia.
Cualquiera sea la solución que se derive de la tabla 4 no es óptima porque hay coeficientes
negativos en la fila 𝐹𝐹! . Se requiere una nueva iteración.
Segunda iteración: al acometer una nueva iteración, a partir del signo de los coeficientes en
la fila 𝐹𝐹! en la tabla 4, se encuentra que la variable básica entrante es 𝑥𝑥! , que la fila pivote es 𝐹𝐹!
y por tanto la variable artificial 𝑥𝑥!! es la variable básica saliente.
La tabla 5 es la nueva tabla simplex, que se obtiene cambiando a 𝑥𝑥! como variable básica en
lugar de 𝑥𝑥!! y realizando las habituales operaciones sobre las filas.
𝐹𝐹! 𝑍𝑍 1 0 0 −9 0 𝑀𝑀 + 5 54
𝐹𝐹! 𝑥𝑥! 0 1 0 1 0 0 4
𝐹𝐹! 𝑥𝑥! 0 0 0 3 1 −1 6
𝐹𝐹! 𝑥𝑥! 0 0 1 3 0 1 3
−
2 2
Tabla 5
Fuente: Propia.
La solución que se obtenga de la tabla 5 no puede ser óptima porque aún hay un coeficiente
negativo en la fila 𝐹𝐹! , este es el correspondiente a la variable 𝑥𝑥! , por tanto se realiza una nueva
iteración.

9
Tercera iteración: debido a que tiene el coeficiente más negativo (realmente es la única) en la
fila 𝐹𝐹! , 𝑥𝑥! es la nueva variable básica entrante. La aplicación del criterio de cociente mínimo
indica que la variable básica saliente es 𝑥𝑥! . La tabla 6 es la nueva tabla simplex, que se obtiene
aplicando los habituales procedimientos. Dado que no hay coeficientes negativos en la fila 𝐹𝐹! ,
se llega a la conclusión que la última solución es óptima. La solución corresponde a
(2, 6, 2, 0, 0) la cual da como valor objetivo 𝑍𝑍 = 72.
𝐹𝐹! 𝑍𝑍 1 0 0 0 3 𝑀𝑀 + 2 72
𝐹𝐹! 𝑥𝑥! 0 1 0 0 1 1 2
−
3 3
𝐹𝐹! 𝑥𝑥! 0 0 0 1 1 1 2
−
3 3
𝐹𝐹! 𝑥𝑥! 0 0 1 0 1 0 6
2
Tabla 6
Fuente: Propia.
El ejemplo anteriormente desarrollado, en el que interviene una restricción dada en forma de

igualdad, el lado derecho es un número positivo. Frente a restricciones en forma de igualdad
con un número negativo, primero se multiplica la ecuación por menos uno (-1) y luego se
aplica el mismo procedimiento anterior. El estudiante debe revisar las lecturas
complementarias y video capsulas de esta semana, donde se ilustra la solución de ejemplos
que tratan este tipo de situaciones.
En situaciones de desigualdad con valor negativo en el lado derecho también se multiplica

por menos uno cada lado de la inecuación, con lo cual se invierte el sentido de la desigualdad.
Manejo de modelos de la forma ≥

El tratamiento dado a modelos en los que aparecen restricciones estructurales en forma de
inecuaciones con el sentido de la forma ≥ se aborda en esta sección mediante la solución del
siguiente ejemplo, el que también incluye una restricción de igualdad y una inecuación con el
sentido ≤:

10
Ejemplo 3.3. Resolver el siguiente problema de programación lineal:
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀: 𝑍𝑍 = 8𝑥𝑥! + 10𝑥𝑥!

6𝑥𝑥! + 2𝑥𝑥! ≤ 27
𝑥𝑥! + 𝑥𝑥! = 12
3𝑥𝑥! + 2𝑥𝑥! ≥ 30
𝑥𝑥! ≥ 0; 𝑥𝑥! ≥ 0
La solución la abordamos inicialmente agregando una variable de holgura 𝑥𝑥! a la primera

restricción (por estar dada originalmente en la forma de ecuación en el sentido ≤), a la
segunda restricción se agrega una variable artificial 𝑥𝑥!! (por estar dada originalmente en
forma de ecuación). El tratamiento que damos a la tercera restricción (3𝑥𝑥! + 2𝑥𝑥! ≥ 30)
inicialmente consiste en restar una cantidad de exceso o variable de exceso 𝑥𝑥! , y luego
sumarle una variable artificial 𝑥𝑥!! . Sumando en este caso las respectivas penalizaciones a la
función objetivo por efecto de la incorporación de las variables artificiales y tratarse de un
problema de minimización. El nuevo modelo o problema artificial queda como se muestra a
continuación.
En lo que respecta a la función objetivo, dado que se pide su minimización, se puede convertir
en un problema de maximización al considerar el opuesto de la función original, es decir, si el
problema es minimizar 𝑍𝑍, nos enfocamos en resolver el problema maximizar −𝑍𝑍. Con esta
última consideración el problema queda en la siguiente forma:

11
Para efectos de preparación de tal forma que usemos la forma tabular del Método Simplex,
reescribimos el problema para obtener el sistema mostrado a continuación.
Atendiendo al hecho que hay en total seis variables y tres ecuaciones de restricciones
podemos seleccionar tres variables no básicas y tres básicas. Se toma el trio 𝑥𝑥! , 𝑥𝑥!! , 𝑥𝑥!! como
variables básicas. En esta fase de preparación podemos ver que el sistema no se encuentra
aún en la forma requerida para aplicar la forma tabular del Método Simplex, esto en razón a la
presencia de las variables básicas 𝑥𝑥!! , 𝑥𝑥!! en la fila 𝐹𝐹! que contiene la función objetivo 𝑍𝑍, para
eliminarlas 𝐹𝐹! multiplicamos por −𝑀𝑀 las filas 𝐹𝐹! y 𝐹𝐹! y sumamos los resultados a 𝐹𝐹! , como se
ilustra a continuación:
Con esta transformación la tabla inicial es la siguiente:
Fila V. Básicas 𝑍𝑍 𝑥𝑥! 𝑥𝑥! 𝑥𝑥! 𝑥𝑥!! 𝑥𝑥! 𝑥𝑥!! 𝑏𝑏!
𝐹𝐹! 𝑍𝑍 −1 −4𝑀𝑀 + 8 −3𝑀𝑀 + 10 0 0 𝑀𝑀 0 −42𝑀𝑀
𝐹𝐹! 𝑥𝑥! 0 6 2 1 0 0 0 54
𝐹𝐹! 𝑥𝑥!! 0 1 1 0 1 0 0 12
𝐹𝐹! 𝑥𝑥!! 0 3 2 0 0 −1 1 30
Tabla 7
Fuente: Propia.
Teniendo en cuenta que M es un valor muy grande, la solución básica inicial que se obtenga
de la tabla anterior no puede ser óptima porque hay valores negativos en la fila 𝐹𝐹! . Para una
nueva iteración vemos que el coeficiente más negativo en 𝐹𝐹! es el de la variable 𝑥𝑥! , por tanto
esta es la variable básica entrante, al aplicar la prueba de cociente mínimo se tiene que la
variable básica saliente es 𝑥𝑥! . La figura muestra la tabla resaltando la fila y la columna pivote.

12
Tabla 8
Fuente: Propia.
Las operaciones para obtener una mejor solución básica factible son: incluir 𝑥𝑥! como variable
básica en lugar de 𝑥𝑥! , dividir por 6 la fila 𝐹𝐹! , restar a 𝐹𝐹! la nueva fila 𝐹𝐹! multiplicada por
(−4𝑀𝑀 + 8), restar a 𝐹𝐹! la nueva fila 𝐹𝐹! , restar a 𝐹𝐹! la nueva fila 𝐹𝐹! multiplicada por 3, lo que da
como resultado la siguiente tabla 9.
𝐹𝐹! 𝑍𝑍 −1 0 −5𝑀𝑀 + 22 2𝑀𝑀 − 4 0 𝑀𝑀 0 −6𝑀𝑀 − 72

3 3
𝐹𝐹! 𝑥𝑥! 0 1 1 1 0 0 0 9
3 6
𝐹𝐹! 𝑥𝑥!! 0 0 2 1 1 0 0 3
−
3 6
𝐹𝐹! 𝑥𝑥!! 0 0 1 1 0 −1 1 3
−
2
Tabla 9
Fuente: Propia.
La solución que puede derivarse de la última tabla no es óptima porque aún hay coeficientes
negativos en la fila 𝐹𝐹! , por tanto se requiere una nueva iteración, en la cual la nueva variable
básica entrante es 𝑥𝑥! y la saliente es 𝑥𝑥!! ¿Por qué? La tabla 10 es la nueva tabla simplex. La
respuesta a la pregunta y la deducción de la tabla se deja al estudiante como ejercicio de
repaso.

13
𝐹𝐹! 𝑍𝑍 −1 0 0 −𝑀𝑀 + 14 0 −2𝑀𝑀 + 22 5𝑀𝑀 − 22 −𝑀𝑀 − 94

6 3 3
𝐹𝐹! 𝑥𝑥! 0 1 0 1 0 1 1 8
−
3 3 3
𝐹𝐹! 𝑥𝑥!! 0 0 0 1 1 2 2 1
−
6 3 3
𝐹𝐹! 𝑥𝑥! 0 0 1 1 0 −1 1 3
−
2
Tabla 1
Fuente: Propia.
La presencia de coeficientes negativos en 𝐹𝐹! obliga a una nueva iteración con 𝑥𝑥! como
variable básica entrante y 𝑥𝑥!! como saliente. Las usuales operaciones conducen a la tabla 11
como nueva tabla simplex, la deducción de la tabla 11 a partir de la tabla 10 se deja al
estudiante como ejercicio de repaso.
𝐹𝐹! 𝑍𝑍 −1 0 0 1 𝑀𝑀 − 11 0 𝑀𝑀 −105
2
𝐹𝐹! 𝑥𝑥! 0 1 0 1 1 0 0 15
−
4 2 2
𝐹𝐹! 𝑥𝑥! 0 0 0 1 3 1 −1 3
4 2 2
𝐹𝐹! 𝑥𝑥! 0 0 1 1 3 0 0 9
−
4 2 2
Tabla 11
Fuente: Propia.

14
Con grandes valores de 𝑀𝑀 los coeficientes en 𝐹𝐹! son no negativos, por tanto la solución que
sale de la tabla 11 es la solución óptima, en la cual las variables no básicas 𝑥𝑥! , 𝑥𝑥!! y 𝑥𝑥!! toman
valor cero, y por tanto las variables básicas toman los valores:
15 9 3
𝑥𝑥! = = 7,5 ; 𝑥𝑥! = = 4,5 ; 𝑥𝑥! = = 1,5
2 2 2
De donde se tiene que −𝑍𝑍 = −105 𝑜𝑜 𝑍𝑍 = 105. Con esta parte terminamos el tratamiento del
problema mediante el uso del método de la gran M. a continuación veremos un método
alternativo conocido como el método de las dos fases.
Método de las dos fases

Aplicando el procedimiento basado en grandes valores de M, las soluciones factibles se dan
cuando se logra que las variables artificiales sean cero, sin que necesariamente se haya
llegado a una solución óptima. En el ejemplo 3.3 se dio el caso que la primera solución factible
(en que las variables artificiales son cero) también era la solución óptima (porque no había
coeficientes negativos en la fila 𝐹𝐹! ), sin embargo existen casos en que luego de hacer cero las
variables artificiales se requiere más iteraciones que lleven a una óptima solución a partir de la
primera solución factible.
De estas afirmaciones podemos deducir que, en los casos generales, este procedimiento
consta de dos fases: una en la que inicialmente se hacen cero las variables artificiales y otra en
la que con los pasos básicos del Método Simplex se obtiene la solución óptima. Esto da lugar
al método de las dos fases, que de forma directa haya la solución sin necesidad de considerar
explícitamente grandes valores de M. El método de las dos fases se ilustra mediante el
ejemplo 3.4 a partir del mismo problema del ejemplo 3.3.
Ejemplo 3.4. Usar el método de las dos fases para resolver el siguiente problema de
programación lineal
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀: 𝑍𝑍 = 8𝑥𝑥! + 10𝑥𝑥!
6𝑥𝑥! + 2𝑥𝑥! ≤ 54
𝑥𝑥! + 𝑥𝑥! = 12
3𝑥𝑥! + 2𝑥𝑥! ≥ 30
𝑥𝑥! ≥ 0; 𝑥𝑥! ≥ 0
Tal como en el ejemplo 3.3 agregamos una variable de holgura 𝑥𝑥! a la primera restricción, a la
segunda se agrega la variable artificial 𝑥𝑥!! , a la tercera restricción restamos la variable de
exceso 𝑥𝑥! y sumamos la variable artificial 𝑥𝑥!! . En la primera fase se debe resolver el problema

15
de minimizar la función objetivo artificial dada por: 𝑍𝑍! = 𝑥𝑥!! + 𝑥𝑥!! sujeta al conjunto de
restricciones modificadas, con lo cual el problema en la fase uno es:
El problema de maximización equivalente es:
El sistema de ecuaciones que resulta, sobre el cual se aplica el Método Simplex es:
Al igual que en el ejemplo 3.3, se toma el trio 𝑥𝑥! , 𝑥𝑥!! , 𝑥𝑥!! como variables básicas. El sistema no
está en la forma requerida para aplicarle la forma tabular del Método Simplex, debido a que

16
aparecen las variables básicas 𝑥𝑥!! , 𝑥𝑥!! en 𝐹𝐹! , para eliminarlas sustituimos 𝐹𝐹! por el resultado
obtenido de 𝐹𝐹! − 𝐹𝐹! − 𝐹𝐹! como se ilustra a continuación:
Con esta transformación la tabla inicial es la siguiente:
𝐹𝐹! 𝑍𝑍 −1 −4 −3 0 0 1 0 −42
𝐹𝐹! 𝑥𝑥! 0 6 2 1 0 0 0 54
𝐹𝐹! 𝑥𝑥!! 0 1 1 0 1 0 0 12
𝐹𝐹! 𝑥𝑥!! 0 3 2 0 0 −1 1 30
Tabla 12
Fuente: Propia.
La solución para el mejor valor de la Z artificial dada por la tabla no es óptima, siguiendo los
procedimientos asociados con el Método Simplex tabular, se requiere una iteración para hallar
una mejor. El coeficiente más negativo en 𝐹𝐹! es el de la variable 𝑥𝑥! , que será la variable básica
entrante, mientras que la variable básica saliente es 𝑥𝑥! . La tabla 13 es la nueva tabla simplex
obtenida a partir de la tabla 12, se deja al estudiante como ejercicio de repaso la deducción de
esta tabla.

17
𝐹𝐹! 𝑍𝑍 −1 0 5 2 0 1 0 −6
−
3 3
𝐹𝐹! 𝑥𝑥! 0 1 1 1 0 0 0 9
3 6
𝐹𝐹! 𝑥𝑥!! 0 0 2 1 1 0 0 3
−
3 6
𝐹𝐹! 𝑥𝑥!! 0 0 1 1 0 −1 1 3
−
2
Tabla 13
Fuente: Propia.
La solución que resulta de la tabla 13 no es óptima. En la siguiente iteración la nueva variable

básica entrante es 𝑥𝑥! y la saliente es 𝑥𝑥!! . El resultado de la operaciones da la nueva tabla
simplex (tabla 14)

𝐹𝐹! 𝑍𝑍 −1 0 0 1 0 2 5 −1
− −
6 3 3
𝐹𝐹! 𝑥𝑥! 0 1 0 1 0 1 1 8
−
3 3 3
𝐹𝐹! 𝑥𝑥!! 0 0 0 1 1 2 2 1
−
6 3 3
𝐹𝐹! 𝑥𝑥! 0 0 1 1 0 −1 1 3
−
2
Tabla 14
Fuente: Propia.

18
Se requiere una nueva iteración en la que la variable básica entrante es 𝑥𝑥! y la saliente es 𝑥𝑥!! .
𝐹𝐹! 𝑍𝑍 −1 0 0 0 1 0 1 0
𝐹𝐹! 𝑥𝑥! 0 1 0 1 1 0 0 15
−
4 2 2
𝐹𝐹! 𝑥𝑥! 0 0 0 1 3 1 −1 3
4 2 2
𝐹𝐹! 𝑥𝑥! 0 0 1 1 3 0 0 9
−
4 2 2
Tabla 15
Fuente: Propia.
Aquí se llega a la solución óptima para la función objetivo artificial 𝑍𝑍 = 𝑥𝑥!! + 𝑥𝑥!! = 0 para la
!" ! !
cual se tiene que 𝑥𝑥! = = 7,5 ; 𝑥𝑥! = = 4,5 ; 𝑥𝑥! = = 1,5, que constituyen una solución
! ! !
factible del problema original.
Continuamos ahora con la fase 2. Esta fase se prepara a partir de la tabla final de la fase 1
(tabla 14) eliminando las columnas de las variables artificiales 𝑥𝑥!! y 𝑥𝑥!! , con lo que se obtiene
la tabla 3.16:
Fila V. Básicas 𝑍𝑍 𝑥𝑥! 𝑥𝑥! 𝑥𝑥! 𝑥𝑥! 𝑏𝑏!
𝐹𝐹! 𝑍𝑍 −1 8 10 0 0 0
𝐹𝐹! 𝑥𝑥! 0 1 0 1 0 15
4 2
𝐹𝐹! 𝑥𝑥! 0 0 0 1 1 3
4 2
𝐹𝐹! 𝑥𝑥! 0 0 1 1 0 9
−
4 2
Tabla 16. Resulta eliminando las columnas de variables artificiales de la tabla final de fase y sustituyendo la
función objetivo por la original
Fuente: Propia.

19
Para finalizar la fase 2 se requiere primero reajustar el sistema de tal manera que los
coeficientes de las actuales variables básicas sean cero en la fila 𝐹𝐹! , para ello obtenemos una
nueva tabla a partir de la tabla 15 restando 8 veces la fila 𝐹𝐹! y 10 veces la fila 𝐹𝐹! a la fila 𝐹𝐹! , el
resultado es la tabla 17.
Fila V. Básicas 𝑍𝑍 𝑥𝑥! 𝑥𝑥! 𝑥𝑥! 𝑥𝑥! 𝑏𝑏!
𝐹𝐹! 𝑍𝑍 −1 0 0 1 0 −105
−
4
𝐹𝐹! 𝑥𝑥! 0 1 0 1 0 15
4 2
𝐹𝐹! 𝑥𝑥! 0 0 0 1 1 3
4 2
𝐹𝐹! 𝑥𝑥! 0 0 1 1 0 9
−
4 2
Tabla 17. reajuste del sistema para finalizar la fase

Fuente: Propia.
Dado que en esta última tabla no hay coeficientes negativos, la solución que se deriva de aquí
es la solución óptima y coincide con la hallada mediante el método de la gran M. es posible
que en otros problemas se deba realizar iteraciones adicionales para llegar a la solución
óptima.
20
i
Índice
Introducción
Metodología
Desarrollo temático
Forma matricial del método simplex.
Hallar una solución básica factible en la representación matricial.
Ejemplo de uso de la representación matricial del método simplex.
Forma matricial de cualquier iteración
Síntesis del método simplex en forma matricial
Principio fundamental del método simplex
Método simplex revisado

Si nos correspondiera resumir lo trabajado hasta este
momento, en el curso de Investigación de operaciones I,
podríamos indicar que lo más práctico ante la necesidad de
resolver un problema de programación lineal dado en
forma estándar es abordarlo mediante la forma tabular del
Método Simplex, mientras que para el caso de problemas
en forma no estándar se hace necesario la variante
consistente en el método de la gran M o en el método de
las dos fases.
En esta cartilla, correspondiente a la semana 4 del curso,

presentaremos la forma matricial del Método Simplex,
frente a lo cual se hace necesario el manejo de operaciones
básicas de algebra lineal relacionadas con operaciones con
vectores y matrices, particularmente aquella que tiene que
ver con el cálculo de la inversa de una matriz. Veremos que
a partir de la representación tabular inicial podemos indicar
la correspondiente representación matricial, y como hallar
la representación matricial de iteraciones posteriores hasta
llegar a la que arroje la solución óptima del problema.
Abordaremos el caso de problemas dados en forma
estándar, asumiendo que se tiene las bases y habilidades
requeridas para resolver algunos de aquellos que estén
dados en otra forma. En el uso del Método Simplex en
forma matricial se pondrá de manifiesto la necesidad de
calcular la inversa de una matriz, a la que se llama matriz
base, frente a lo cual, si bien es cierto esto no es un gran
obstáculo, siempre quisiéramos evitar.
El Método Simplex revisado se basa en la forma matricial,

pero presenta la ventaja que evita la necesidad de hallar
explícitamente la inversa de una matriz. Esta cartilla finaliza
con el tratamiento de este método y se muestra su
aplicabilidad mediante la solución de un problema básico.

A estas alturas del desarrollo debería sobrar la recomendación de cuidadosa lectura de la
cartilla, sin embargo se hace ver nuevamente que esta es el punto de partida y referencia
permanente en el desarrollo del curso en la semana. La descripción de principios aquí
abordados usa el enfoque basado en la solución de ejercicios en los que se aplique los
procedimientos asociados a ellos, pero se ha de tener en cuenta que el mejor acercamiento a
la comprensión de los temas hace necesario el apoyo de recursos adicionales aquí planteados.
Puesto que buena parte de la temática a trabajar alrededor de la forma matricial del Método
Simplex se basan, lógicamente en operaciones con vectores y matrices, requiere que el
estudiante afiance las habilidades propias del manejo de este tipo de operaciones, en este
punto es importante remitirse a las lecturas complementarias donde se encuentra ejercicios
resueltos. Se llama nuevamente la atención sobre la necesidad de aprovechamiento de los
videos propuestos, donde se trata, mediante la solución y explicación de ejercicios, la
aplicabilidad de los temas que estudiamos.
El desarrollo de los ejercicios de repaso resulta de vital importancia en el proceso de

preparación para afrontar, en mejores condiciones, el desarrollo del parcial que ha de
desarrollarse esta semana.

Forma matricial del Método Simplex y Método Simplex revisado
Forma matricial del Método Simplex

Dado que ya hemos trabajado el Método Simplex en forma tabular puede resultar fácil pasar a
la forma matricial, en este punto es conveniente que el estudiante tenga presente la
necesidad de repasar los elementos de algebra lineal relacionados con vectores y matrices.
Consideremos el modelo general de un problema de programación lineal en forma estándar

presentado en la cartilla dela semana 1.
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀: 𝑍𝑍 = 𝑐𝑐! 𝑥𝑥! + 𝑐𝑐! 𝑥𝑥! + ⋯ + 𝑐𝑐! 𝑥𝑥!
𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑎𝑎: 𝑎𝑎!! 𝑥𝑥! + 𝑎𝑎!" 𝑥𝑥! + ⋯ +𝑎𝑎!! 𝑥𝑥! ≤ 𝑏𝑏!

𝑎𝑎!" 𝑥𝑥! + 𝑎𝑎!! 𝑥𝑥! + ⋯ +𝑎𝑎!! 𝑥𝑥! ≤ 𝑏𝑏!
⋮ ⋮ ⋮ ⋮
𝑎𝑎!! 𝑥𝑥! + 𝑎𝑎!! 𝑥𝑥! + ⋯ +𝑎𝑎!" 𝑥𝑥! ≤ 𝑏𝑏!
𝑥𝑥! ≥ 0, 𝑥𝑥! ≥ 0, … , 𝑥𝑥! ≥ 0
Para llegar a la representación matricial del modelo sea un vector fila 𝒄𝒄 compuesto por los 𝑛𝑛
coeficientes 𝑐𝑐! , 𝑐𝑐! , … , 𝑐𝑐! presentes en la función objetivo, 𝒙𝒙 un vector columna compuesto
por las 𝑛𝑛 variables de decisión 𝑥𝑥! , 𝑥𝑥! , … , 𝑥𝑥! , 𝑨𝑨 la matriz de coeficientes de las restricciones
estructurales, 𝒃𝒃 el vector columna de los 𝑚𝑚 valores de lado dercho 𝑏𝑏! , 𝑏𝑏! , … , 𝑏𝑏! y 0 (cero en
negrilla) un vector de 𝑛𝑛 componentes todas igual acero, es decir:

𝑥𝑥! 𝑎𝑎!! 𝑎𝑎!" … 𝑎𝑎!! 𝑏𝑏! 0
𝑥𝑥! 𝑎𝑎!" 𝑎𝑎!! … 𝑎𝑎!! 𝑏𝑏! 0
𝒄𝒄 = [𝑐𝑐! , 𝑐𝑐! , … , 𝑐𝑐! ]; 𝒙𝒙 = ⋮ ; 𝑨𝑨 = ⋮ ⋮ ⋱ ⋮ ; 𝒃𝒃 = ⋮ ; 𝒃𝒃 = ⋮
𝑥𝑥! 𝑎𝑎!! 𝑎𝑎!! … 𝑎𝑎!! 𝑏𝑏! 0
Con lo anterior, basados en el producto de vectores y matrices, encontramos que la función

objetivo puede representarse mediante 𝒁𝒁 = 𝒄𝒄𝒄𝒄, el conjunto de restricciones estructurales se
representa como 𝑨𝑨𝑨𝑨 ≤ 𝒃𝒃 y las restricciones de no negatividad como 𝒙𝒙 ≥ 𝟎𝟎, con lo cual la
forma matricial del problema es:
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀: 𝒁𝒁 = 𝒄𝒄𝒄𝒄
𝑨𝑨𝑨𝑨 ≤ 𝒃𝒃
𝒙𝒙 ≥ 𝟎𝟎
Ante la necesidad de convertir las inecuaciones en ecuaciones se introduce variables de

holgura, una por cada restricción estructural, requiriéndose el vector columna 𝒙𝒙𝒉𝒉 compuesto
por las 𝑚𝑚 variables de holgura 𝑥𝑥!!! , 𝑥𝑥!!! , … , 𝑥𝑥!!! y transformando la representación
algebraica del modelo según se muestra seguidamente.
En esta representación se destaca la disposición de las variables de holgura, y se puede ver

que estos elementos, en el recuadro verde, corresponden al producto de la matriz identidad
de orden 𝑚𝑚 y el vector de variables de holgura 𝒙𝒙𝒉𝒉 , de esta manera la matriz 𝑨𝑨 se amplía en la
matriz identidad y el sistema ampliado de restricciones se expresa mediante:
𝒙𝒙 𝒙𝒙
𝑨𝑨, 𝑰𝑰 𝒙𝒙 = 𝒃𝒃 𝑦𝑦 𝒙𝒙 ≥ 0
𝒉𝒉 𝒉𝒉

6
Hallar una solución básica factible en la representación matricial
El proceso para hallar una solución básica factible, habiendo identificado las variables básicas
y no básicas, corresponde a la solución del sistema de ecuaciones anterior, con la condición
que las variables no básicas sean iguales a cero, en el proceso para llegar a ello, y de acuerdo
con los procedimientos estudiados previamente e ilustrados en los ejemplos trabajados hasta
aquí, se podría eliminar del sistema de ecuaciones de restricciones 𝑨𝑨, 𝑰𝑰 , las columnas de
coeficientes de variables no básicas, obteniéndose una matriz 𝑩𝑩 de coeficientes de las
actuales variables básicas, si además 𝒙𝒙𝑩𝑩 es el actual vector variables, la solución básica factible
es la solución de del sistema:
𝑩𝑩𝒙𝒙𝑩𝑩 = 𝒃𝒃
A la luz de los principios de álgebra lineal, siendo 𝑩𝑩 una matriz invertible, la solución básica
actual 𝒙𝒙𝑩𝑩 corresponde a:
𝒙𝒙𝑩𝑩 = 𝑩𝑩!𝟏𝟏 𝑩𝑩𝒙𝒙𝑩𝑩 = 𝑩𝑩!𝟏𝟏 𝒃𝒃
Si además de lo anterior, denotando con 𝒄𝒄𝑩𝑩 el vector de coeficientes de las variables básicas
en la función objetivo (incluyendo los ceros de las variables de holgura). El valor de la función
objetivo correspondiente a esta solución básica está dado por:
𝑍𝑍 = 𝒄𝒄𝑩𝑩 𝒙𝒙𝑩𝑩 = 𝒄𝒄𝑩𝑩 𝑩𝑩!𝟏𝟏 𝒃𝒃
Ejemplo de uso de la representación matricial del Método Simplex
Para mostrar la valides de la forma matricial del Método Simplex consideremos a continuación
el problema de la empresa la Arenosa. El problema consiste en:
𝑥𝑥! ≤ 4
2𝑥𝑥! ≤ 12
3𝑥𝑥! + 2𝑥𝑥! ≤ 18
𝑥𝑥! ≥ 0; 𝑥𝑥! ≥ 0

7
Al incorporar las variables de holgura 𝑥𝑥! , 𝑥𝑥! , 𝑥𝑥! , el problema se transforma en:
Según las definiciones asociadas con la forma matricial tememos:
𝑥𝑥! 1 0 1 0 0 4
𝑥𝑥!
𝑐𝑐 = 6, 10 ; 𝒙𝒙 = 𝑥𝑥 ; 𝒙𝒙𝒉𝒉 = 𝑥𝑥! ; 𝑨𝑨, 𝑰𝑰 = 0 2 0 1 0 ; 𝒃𝒃 = 12
! 𝑥𝑥! 3 2 0 0 1 18
Con base en los procedimientos de solución y resultados presentados en el ejemplo 2.3 y las
expresiones planteadas anteriormente en relación con la forma matricial, la secuencia de
soluciones básicas factibles son las siguientes:
En el paso inicial:
𝑥𝑥! 1 0 1 0 0 4
𝑥𝑥!
𝑐𝑐 = 6, 10 ; 𝒙𝒙 = 𝑥𝑥 ; 𝒙𝒙𝒉𝒉 = 𝑥𝑥! ; 𝑨𝑨, 𝑰𝑰 = 0 2 0 1 0 ; 𝒃𝒃 = 12
! 𝑥𝑥! 3 2 0 0 1 18
𝑥𝑥! 1 0 0
𝑥𝑥 !𝟏𝟏
𝒙𝒙𝑩𝑩 = ! ; 𝑩𝑩 = 𝑩𝑩 = 0 1 0
𝑥𝑥! 0 0 1
Entonces:
𝑥𝑥! 1 0 0 4 4
𝑥𝑥! = 𝑩𝑩!𝟏𝟏 𝒃𝒃 = 0 1 0 12 = 12 ; 𝒄𝒄𝑩𝑩 = 0, 0, 0
𝑥𝑥! 0 0 1 18 18
Por tanto:
4
𝑍𝑍 = 0, 0, 0 12 = 0
18
En la primera iteración:
𝑥𝑥! 1 0 0 1 0 0
!𝟏𝟏 !
𝒙𝒙𝑩𝑩 = 𝑥𝑥! ; 𝑩𝑩 = 0 2 0 ; 𝑩𝑩 = 0 ! 0
𝑥𝑥! 0 2 1 0 −1 1
8
Entonces:
𝑥𝑥! 1 0 0
1 4 4
𝑥𝑥! = 𝑩𝑩!𝟏𝟏 𝒃𝒃 = 0 0 12 = 6 ; 𝒄𝒄𝑩𝑩 = 0, 10, 0
𝑥𝑥! 2 18 6
0 −1 1
Por tanto:
4
𝑍𝑍 = 0,10, 0 6 = 60
6
En la segunda iteración:
1
1 0
𝑥𝑥! 3
1 0 0 1
𝒙𝒙𝑩𝑩 = ! ; 𝑩𝑩 = 0 2 0 ; 𝑩𝑩!𝟏𝟏
𝑥𝑥 = 0 0
𝑥𝑥! 0 2 1 2
1
0 1
3
Entonces:
1 1
1 −
𝑥𝑥! 3 3
1 4 2
𝑥𝑥! = 𝑩𝑩!𝟏𝟏 𝒃𝒃 = 0 0 12 = 6 ; 𝒄𝒄𝑩𝑩 = 0, 10, 6
𝑥𝑥! 2 18 2
1 1
0 −
3 3
Por tanto:
2
𝑍𝑍 = 0,10, 6 6 = 72
2
Lo anteriormente presentado, verificación de los resultados del ejemplo resuelto, evidencia la

consistencia de la forma matricial del Método Simplex como forma alternativa de
representación y solución de problemas de programación dados en forma estándar.
Forma matricial de cualquier iteración

Para analizar lo concerniente a la representación matricial del sistema de ecuaciones en
cualquiera de las iteraciones consideremos la tabla inicial de la forma tabular del método
simple en el caso del ejemplo de la empresa la Arenosa, a continuación resaltamos en la tabla
1 un conjunto de bloques que resultan de interés para la discusión.
9
Tabla 1
Fuente: Propia.
Se puede observar, a partir de la tabla 1, que esta se puede representar mediante la siguiente
ecuación matricial.
𝑍𝑍 0
1 −𝒄𝒄 0 𝐱𝐱
= 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒ó𝑛𝑛 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 (𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖)
𝟎𝟎 𝑨𝑨 𝑰𝑰 𝐱𝐱
𝒉𝒉 𝒃𝒃
A partir de esta representación matricial inicial se puede hallar la representación respectiva de

cualquier iteración, el resultado de proceso correspondiente a las habituales operaciones
algebraicas sobre filas se logran mediante la multiplicación por la izquierda de ambos lados de
la ecuación matricial por una matriz apropiada. Para saber cuál es tal matriz tengamos en
cuenta las expresiones 𝐱𝐱 𝒃𝒃 = 𝑩𝑩!𝟏𝟏 𝒃𝒃 y 𝑍𝑍 = 𝒄𝒄𝒃𝒃 𝑩𝑩!𝟏𝟏 𝒃𝒃, tratadas en la sección 4.x, a partir de las
cuales expresamos un nuevo vector compuesto por estos dos elementos, a continuación se
muestra este vector y la equivalencia como el producto de una matriz y un vector.
𝑍𝑍 𝒄𝒄 𝑩𝑩!𝟏𝟏 𝒃𝒃 1 𝒄𝒄𝒃𝒃 𝑩𝑩!𝟏𝟏 0

= 𝒃𝒃 !𝟏𝟏 =
𝐱𝐱 𝒃𝒃 𝑩𝑩 𝒃𝒃 0 𝑩𝑩!𝟏𝟏 𝒃𝒃
Ahora multiplicamos por la izquierda cada lado de la ecuación matricial inicial por la matriz.
1 𝒄𝒄𝒃𝒃 𝑩𝑩!𝟏𝟏
0 𝑩𝑩!𝟏𝟏
Se tiene:
𝑍𝑍 0
1 𝒄𝒄𝒃𝒃 𝑩𝑩!𝟏𝟏 1 −𝒄𝒄 0 𝐱𝐱 1 𝒄𝒄𝒃𝒃 𝑩𝑩!𝟏𝟏
=
0 𝑩𝑩!𝟏𝟏 𝟎𝟎 𝑨𝑨 𝑰𝑰 𝐱𝐱 0 𝑩𝑩!𝟏𝟏 𝒃𝒃
𝒉𝒉
𝑍𝑍
1 𝒄𝒄𝒃𝒃 𝑩𝑩!𝟏𝟏 𝑨𝑨 − 𝒄𝒄 𝒄𝒄𝒃𝒃 𝑩𝑩!𝟏𝟏 𝐱𝐱 𝒄𝒄𝒃𝒃 𝑩𝑩!𝟏𝟏 𝒃𝒃
=
𝟎𝟎 𝑩𝑩!𝟏𝟏 𝑨𝑨 𝑩𝑩!𝟏𝟏 𝐱𝐱 𝒉𝒉 𝑩𝑩!𝟏𝟏 𝒃𝒃

Síntesis del Método Simplex en forma matricial
A manera de resumen del uso del Método Simplex en forma tabular presentamos la siguiente
secuencia de pasos:
v Procedimiento de inicio: a partir del problema dado en forma estándar se introduce

las variables de holgura, con ello se define el vector 𝐱𝐱𝑩𝑩 compuesto por el conjunto de
variables básicas de esta parte inicial, el vector 𝒄𝒄𝑩𝑩 compuesto por los coeficientes de
las variables básicas iniciales y las matrices 𝑩𝑩, 𝑩𝑩!𝟏𝟏 (en el inicio 𝑩𝑩 = 𝑩𝑩!𝟏𝟏 = 𝑰𝑰). En este
mismo paso se verifica si se cumple la prueba de optimalidad, en la que todos los
coeficientes de las variables no básicas deben ser no negativos.
v Procedimientos iterativos:
• Paso 1 de iteración: identificar la variable básica entrante atendiendo al coeficiente
más negativo de las variables no básicas en la anterior iteración.
• Paso 2 de iteración: identificar la variable básica saliente atendiendo al criterio de
coeficiente mínimo en la anterior iteración. En este caso se debe tener en cuenta
que el producto 𝑩𝑩!𝟏𝟏 𝑨𝑨 (para el caso de las variables de decisión originales y 𝑩𝑩!𝟏𝟏
(para las variables de holgura) permiten hallar los coeficientes de la variable básica
entrante. Por otro lado, el resultado de 𝒙𝒙𝑩𝑩 = 𝑩𝑩!𝟏𝟏 𝒃𝒃 permite establecer los valores
del lado derecho del sistema de ecuaciones.
• Paso 3 de iteración: identificación de la actual solución básica factible. La matriz 𝑩𝑩
se actualiza sustituyendo la columna de coeficientes de la variable básica saliente
por la respectiva columna en la matriz ampliada 𝑨𝑨, 𝑰𝑰 de la variable básica que
entra.
v Prueba de optimalidad: se debe determinar los coeficientes de las variables no
básicas en la fila de la función objetivo, para ello se debe ubicar los de las variables
originales en 𝒄𝒄𝑩𝑩 𝑩𝑩!𝟏𝟏 − 𝒄𝒄 y los de las variables de holgura en 𝒄𝒄𝑩𝑩 𝑩𝑩!𝟏𝟏 . Se sabe que si los
coeficientes de las variables no básicas son no negativos, la solución básica factible
actual es la solución óptima, de lo contrario se debe realizar una nueva iteración.
11
Aplicaremos a continuación la forma matricial del Método Simplex para resolver el problema
de asignación de recursos de la empresa La Arenosa.
Ejemplo 4.2: resolver el problema de la empresa La Arenosa mediante la forma matricial del
Método Simplex.
Solución:
El enunciado del problema original es:

𝑥𝑥! ≤ 4
2𝑥𝑥! ≤ 12
3𝑥𝑥! + 2𝑥𝑥! ≤ 18
𝑥𝑥! ≥ 0; 𝑥𝑥! ≥ 0
Al incorporar las variables de holgura 𝑥𝑥! , 𝑥𝑥! , 𝑥𝑥! , el problema se transforma en:
Del nuevo sistema se deduce que:
1 0 1 0 0 4
𝑐𝑐 = 6, 10 ; 𝑨𝑨, 𝑰𝑰 = 0 2 0 1 0 ; 𝒃𝒃 = 12
3 2 0 0 1 18

12
Procedimiento de inicio: se selecciona las variables de holgura como variables básicas
iniciales, entonces:
𝑥𝑥! 4 1 0 0
𝒙𝒙𝑩𝑩 = 𝑥𝑥! = 12 ; 𝒄𝒄𝑩𝑩 = 0, 0, 0 ; 𝑩𝑩 = 𝑩𝑩!𝟏𝟏 = 0 1 0
𝑥𝑥! 18 0 0 1
Para verificar que la solución que sale de aquí no es óptima se observa que:
1 0 0
𝒄𝒄𝒃𝒃 𝑩𝑩!𝟏𝟏 𝑨𝑨 − 𝒄𝒄 = 0, 0, 0 0 1 0 − 6, 10 = −6, −10
0 0 1
Como entre los coeficientes que resultan hay valores negativos, la solución no es óptima.
Primera iteración:
v Paso 1 de la primera iteración: el cálculo 𝒄𝒄𝑩𝑩 𝑩𝑩!𝟏𝟏 𝑨𝑨 − 𝒄𝒄 = −6, −10 en la prueba de

optimalidad del procedimiento de inicio indica que el coeficiente de la variable no
básica 𝑥𝑥! es el más negativo (−10), por lo tanto 𝑥𝑥! es la variable básica entrante.
v Paso 2 de la primera iteración: Los coeficientes de 𝑥𝑥! en las restricciones
corresponden a la segunda columna del producto 𝑩𝑩!𝟏𝟏 𝑨𝑨, este producto es:
1 0 0 1 0 1 0
!𝟏𝟏
𝑩𝑩 𝑨𝑨 = 0 1 0 0 2 = 0 2
0 0 1 3 2 3 2
Por otro lado, los valores del lado derecho están dados por el vector 𝐱𝐱 ! inicial, cuyos
componentes son 4, 12 𝑦𝑦 18, al dividir estos valores por los respectivos coeficientes
positivos de 𝑥𝑥! y aplicar la prueba de cociente mínimo se llega a que la variable
!" !"
saliente es 𝑥𝑥! ( = 6; = 9).
! !
v Paso 3 de la primera iteración: se actualiza la matriz 𝑩𝑩 sustituyendo la columna de

coeficientes de 𝑥𝑥! por la columna de coeficientes de 𝑥𝑥! , teniéndose entonces que
𝑩𝑩, 𝑩𝑩!𝟏𝟏 , 𝐱𝐱 𝑩𝑩 , 𝒄𝒄𝑩𝑩 , son:
1 0 0
1 0 0 1
𝑩𝑩 = 0 2 0 ; 𝑩𝑩!𝟏𝟏 = 0 0
0 2 1 2
0 −1 1

𝑥𝑥! 1 0 0
1 4 4
𝑥𝑥 !𝟏𝟏
𝐱𝐱 𝑩𝑩 = ! = 𝑩𝑩 𝒃𝒃 = 0 0 12 = 6 ; 𝒄𝒄𝑩𝑩 = 0,10, 0
𝑥𝑥! 2 18 6
0 −1 1
Prueba de optimalidad: el conjunto de variables no básicas está formado ahora por 𝑥𝑥! y 𝑥𝑥! ,
por ser 𝑥𝑥! una variable original, de 𝒄𝒄𝑩𝑩 𝑩𝑩!𝟏𝟏 𝑨𝑨 − 𝒄𝒄 obtenemos su coeficiente en la función
objetivo, el producto es:
1 0 0
1 1 0
!𝟏𝟏
𝒄𝒄𝒃𝒃 𝑩𝑩 𝑨𝑨 − 𝒄𝒄 = 0,10, 0 0 0 0 2 − 6, 10 = −6, −5
2 3 2
0 −1 1
Por tanto el coeficiente de 𝑥𝑥! es −6, mientras que, por ser 𝑥𝑥! una variable de holgura, del
producto 𝒄𝒄𝑩𝑩 𝑩𝑩!𝟏𝟏 𝑨𝑨 obtenemos su coeficiente en la función objetivo, el producto es:
1 0 0
1
𝒄𝒄𝑩𝑩 𝑩𝑩!𝟏𝟏 = 0,10, 0 0 0 = 0, 5, 0
2
0 −1 1
Por tanto el coeficiente de 𝑥𝑥! es 5. Como el coeficiente de 𝑥𝑥! es negativo la actual solución
que de aquí surja no es óptima.
Segunda iteración
v Primer paso de la segunda iteración: de la iteración anterior se deduce que la variable

básica entrante es 𝑥𝑥! .
v Segundo paso de la segunda iteración: los coeficientes de 𝑥𝑥! en las restricciones se hallan
de la primera columna del producto 𝑩𝑩!𝟏𝟏 𝑨𝑨, el producto es:
1
0 0
1 1 0 1 0
!𝟏𝟏
𝑩𝑩 𝑨𝑨 = 0 0 0 2 = 0 1
2 3 2 3 1
0 −1 1
Los valores de 𝐱𝐱 ! en la anterior iteración son 4, 6 𝑦𝑦 6, lo que junto a la prueba de cociente

mínimo indica que la variable saliente es 𝑥𝑥! .
v Paso 3 de la segunda iteración: la actualización de 𝑩𝑩 sustituyendo la columna de

coeficientes de 𝑥𝑥! por la de coeficientes de 𝑥𝑥! , permite hallar los siguientes elementos.

1 1
1 −
3 3
1 0 1 1
𝑩𝑩 = 0 2 0 ; 𝑩𝑩!𝟏𝟏 = 0 0
0 2 3 2
1 1
0 −
3 3
1 1
1 −
𝑥𝑥! 3 3 4 2
1
𝐱𝐱 𝑩𝑩 = 𝑥𝑥! = 𝑩𝑩!𝟏𝟏 𝒃𝒃 = 0 0 12 = 6 ; 𝒄𝒄𝑩𝑩 = 0,10, 6
𝑥𝑥! 2
1 1 18 2
0 −
3 3
Prueba de optimalidad de la segunda iteración: las variables no básicas ahora son 𝑥𝑥! y 𝑥𝑥! ,
por ser variables de holgura, sus coeficientes en la función objetivo se obtienen del producto
𝒄𝒄𝑩𝑩 𝑩𝑩!𝟏𝟏 :
1 1
1 −
3 3
1
𝒄𝒄𝑩𝑩 𝑩𝑩!𝟏𝟏 = 0,10, 6 0 0 = 0, 3, 2
2
1 1
0 −
3 3
Entonces el coeficiente de 𝑥𝑥! es 3 y el de 𝑥𝑥! es 2, ninguno de los dos es negativo, por lo tanto
la solución que de aquí se obtenga es la solución óptima, los valores de las variables son
entonces: 𝑥𝑥! = 2; 𝑥𝑥! = 6; 𝑥𝑥! = 2; 𝑥𝑥! = 0; 𝑥𝑥! = 0.
Lo anterior evidencia la consistencia de la forma matricial del Método Simplex como

alternativa de solución de problemas de programación dados en forma estándar. Para cerrar
el análisis vale la pena hacer notar que los procesos de cálculo se basan en operaciones entre
vectores y matrices a partir de elementos iniciales, pero en cada iteración, luego de la
actualización de la matriz 𝑩𝑩 siempre se requiere hallar la nueva matriz inversa 𝑩𝑩!𝟏𝟏 , lo que en
algunos casos puede representar un tedioso trabajo si no se cuenta con herramientas que
agilicen su cálculo. Sin embargo posteriormente en esta misma cartilla estudiaremos un
nuevo procedimiento, conocido como Método Simplex revisado, que facilita la actualización
de la matriz inversa como parte del proceso de solución de problemas de programación lineal,
dados en forma estándar, mediante la forma matricial del Método Simplex.

Principio fundamental del Método Simplex
El trabajo de la sección anterior de solución de problemas de programación lineal dados en

forma estándar, con base en la representación matricial, permite resaltar un principio
fundamental que será de gran utilidad en la siguiente sección correspondiente al estudio del
Método Simplex revisado y en la próxima cartilla, al abordar los fundamentos de la dualidad y
el análisis de sensibilidad. Una primera idea de estos principios tiene que ver con el hecho que
la fila 𝐹𝐹! de la representación tabular inicial corresponde a la fila −𝒄𝒄, 𝟎𝟎, 0 , mientras que las
filas restantes corresponden a 𝑨𝑨, 𝑰𝑰, 𝒃𝒃 . Luego de cada iteración, los nuevos coeficientes de las
variables de holgura en la fila 𝐹𝐹! se hallan mediante 𝒄𝒄𝑩𝑩 𝑩𝑩!𝟏𝟏 mientras que en las filas restantes
se hallan mediante 𝑩𝑩!𝟏𝟏 , donde 𝑩𝑩 la matriz de coeficientes de las actuales variables básicas en
las restricciones y 𝒄𝒄𝑩𝑩 los coeficientes de las variables básicas en la fila 𝐹𝐹! . En resumen, a partir
de la tabla inicial, en cualquier iteración los coeficientes se obtienen mediante:
𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹 𝐹𝐹! = −𝒄𝒄, 𝟎𝟎, 0 + 𝒄𝒄𝑩𝑩 𝑩𝑩!𝟏𝟏 𝑨𝑨, 𝑰𝑰, 𝒃𝒃
𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹 𝐹𝐹! 𝑎𝑎 𝐹𝐹! = −𝒄𝒄, 𝟎𝟎, 0 + 𝒄𝒄𝑩𝑩 𝑩𝑩!𝟏𝟏 𝑨𝑨, 𝑰𝑰, 𝒃𝒃
Dada la importancia de los valores en la tabla o iteración final, lo que da la solución óptima,
usaremos la siguiente notación para referirnos en adelante a elementos de la solución óptima.
Sea 𝑩𝑩 la matriz de coeficientes de las variables básicas luego de la última iteración, denotamos
entonces:
𝑺𝑺𝒐𝒐 = 𝑩𝑩!𝟏𝟏 = 𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙𝑙𝑙 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑙𝑙𝑙𝑙𝑙𝑙 𝑑𝑑𝑑𝑑 ℎ𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑒𝑒𝑒𝑒 𝐹𝐹! 𝑎𝑎 𝐹𝐹!.
𝑨𝑨𝒐𝒐 = 𝑩𝑩!𝟏𝟏 𝑨𝑨 = 𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙𝑙𝑙 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑒𝑒𝑒𝑒 𝐹𝐹! 𝑎𝑎 𝐹𝐹! .
𝒚𝒚𝒐𝒐 = 𝒄𝒄𝑩𝑩 𝑩𝑩!𝟏𝟏 = 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙𝑙𝑙 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑑𝑑𝑑𝑑 ℎ𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑒𝑒𝑒𝑒 𝐹𝐹! .
𝒛𝒛𝒐𝒐 = 𝒄𝒄𝑩𝑩 𝑩𝑩!𝟏𝟏 𝑨𝑨 = 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑝𝑝𝑝𝑝𝑝𝑝 𝑒𝑒𝑒𝑒 𝑚𝑚é𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑎𝑎𝑎𝑎 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 − 𝒄𝒄 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖.
(𝑠𝑠𝑠𝑠 𝑑𝑑𝑑𝑑 𝑞𝑞𝑞𝑞𝑞𝑞 𝒛𝒛𝒐𝒐 − 𝑐𝑐 𝑠𝑠𝑠𝑠𝑠𝑠 𝑙𝑙𝑙𝑙𝑙𝑙 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙𝑙𝑙 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑒𝑒𝑒𝑒 𝐹𝐹! )
𝑍𝑍 ! = 𝒄𝒄𝑩𝑩 𝑩𝑩!𝟏𝟏 𝒃𝒃 = Ó𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓ó𝑛𝑛 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜.
𝒃𝒃! = 𝑩𝑩!𝟏𝟏 𝒃𝒃 = 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 𝑑𝑑𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑ℎ𝑜𝑜 𝑑𝑑𝑑𝑑𝑑𝑑 𝑐𝑐𝑎𝑎𝑎𝑎𝑎𝑎 ó𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑒𝑒𝑒𝑒 𝐹𝐹! 𝑎𝑎 𝐹𝐹!. .
Consideremos ahora la situación en la que conocemos la tabla inicial, definida mediante:
𝒕𝒕 𝒕𝒕 = −𝒄𝒄 𝟎𝟎 0 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹 𝐹𝐹!

𝑻𝑻𝒊𝒊 = ; 𝑐𝑐𝑐𝑐𝑐𝑐
𝑻𝑻 𝑻𝑻 = 𝑨𝑨 𝑰𝑰 𝒃𝒃 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹 𝐹𝐹! 𝑎𝑎 𝐹𝐹!

16
Si también conocemos el vector 𝒐𝒐 de coeficientes de las variables de holgura en 𝐹𝐹! en la tabla
final y la matriz 𝑺𝑺𝒐𝒐 de coeficientes de las variables de holgura en las filas 𝐹𝐹! 𝑎𝑎 𝐹𝐹!. En la tabla
final, entonces podemos hallar el resto de la tabla final mediante lo que, al menos en este
curso, se denomina principio fundamental del Método Simplex, cuyas fórmulas se presentan a
continuación:
𝒕𝒕𝒐𝒐 = 𝒕𝒕 + 𝒚𝒚𝒐𝒐 𝑻𝑻 == 𝒚𝒚𝒐𝒐 𝑨𝑨 − 𝒄𝒄 𝒚𝒚𝒐𝒐 𝒚𝒚𝒐𝒐 𝒃𝒃
𝑻𝑻𝒐𝒐 = 𝑺𝑺𝒐𝒐 𝑻𝑻 = 𝑺𝑺𝒐𝒐 𝑨𝑨 𝑰𝑰 𝒃𝒃 = 𝑺𝑺𝒐𝒐 𝑨𝑨 𝑺𝑺𝒐𝒐 𝑺𝑺𝒐𝒐 𝒃𝒃
Para verificar el cumplimiento y uso de este principio fundamental del Método Simplex
tomemos nuevamente el problema de la empresa La Arenosa. En este caso la tabla inicial y la
respectiva representaciónmatricial son las siguientes:
Tabla 2
Fuente: Propia.
En la tabla final, que da la solución óptima al modelo planteado, se resalta el vector 𝒚𝒚𝒐𝒐 y la
matriz 𝑺𝑺𝒐𝒐 , estos componentes separados y la tabla final se muestran a continuación.
Tabla 3
Fuente: Propia.
17
Si bien es cierto que ya se conoce los demás elementos de la tabal final, realizaremos ahora los
cálculos que permitan verificar el cumplimiento de las fórmulas asocoadas con el principio
fundamental del Método Simplex, según las cuales a partir de la tabla inicial, el vector 𝒚𝒚𝒐𝒐 y la
matriz 𝑺𝑺𝒐𝒐 se puede completar la tabla final. Los cálculos son los siguientes.
𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷 𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑: 𝒕𝒕𝒐𝒐 = 𝒚𝒚𝒐𝒐 𝑨𝑨 − 𝒄𝒄 𝒚𝒚𝒐𝒐 𝒚𝒚𝒐𝒐 𝒃𝒃
1 0
𝒐𝒐
𝒚𝒚 𝑨𝑨 − 𝒄𝒄 = 0, 3, 2 0 2 − 6, 10 = 6, 10 − 6, 10 = 0, 0
3 2
4
𝒚𝒚𝒐𝒐 𝒃𝒃 = 0, 3, 2 12 = 72
18
Entonces:
𝒕𝒕𝒐𝒐 = 𝟎𝟎, 𝟎𝟎 0, 3, 2 72
𝑺𝑺𝑺𝑺𝑺𝑺𝑺𝑺𝑺𝑺𝑺𝑺𝑺𝑺 𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑: 𝑻𝑻𝒐𝒐 = 𝑺𝑺𝒐𝒐 𝑨𝑨 𝑺𝑺𝒐𝒐 𝑺𝑺𝒐𝒐
1 1
1−
3 3 1 0 0 0
1
𝑺𝑺𝒐𝒐 𝑨𝑨 = 0 0 0 2 = 0 1
2
1 1 3 2 1 0
0 −
3 3
1 1
−1
3 3 4 2
1
𝑺𝑺𝒐𝒐 𝒃𝒃 = 0 0 12 = 6
2
1 1 18 2
0 −
3 3
1 1
0 0 1 − 2
3 3
1
𝑻𝑻𝒐𝒐 = 0 1 0 0 6
2
1 0 1 1 2
0 −
3 3

Tal como era de esperarse, los cálculos muestran la coincidencia con los otros elementos de la
tabla final.
Método Simplex revisado

Este método se fundamenta en la forma matricial del Método Simplex, por lo que hay que
usar las ideas asociadas con variables básicas entrante y saliente, entre otros, pero presenta la
ventaja de facilitar la actualización de la inversa de la matriz 𝑩𝑩.
Para formalizar el estudio del Método Simplex revisado consideremos las siguientes ideas:
𝑥𝑥! = 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 𝑏𝑏á𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑞𝑞𝑞𝑞𝑞𝑞 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒

!
𝑎𝑎!" = 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑥𝑥! 𝑒𝑒𝑒𝑒 𝑙𝑙𝑙𝑙 𝑖𝑖 − 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟ó𝑛𝑛 (𝑖𝑖 = 1, 2, … , 𝑚𝑚)
𝑟𝑟 = 𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒ó𝑛𝑛 𝑞𝑞𝑞𝑞𝑞𝑞 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑙𝑙𝑙𝑙 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑏𝑏á𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑞𝑞𝑞𝑞𝑞𝑞 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠.
En lo que sigue de este tema denotaremos como 𝑩𝑩!𝟏𝟏 𝒂𝒂 la inversa de la antigua matriz 𝑩𝑩 y como
!𝟏𝟏
𝑩𝑩𝒏𝒏 la inversa de la nueva matriz 𝑩𝑩. Con base en en esto y las definiciones anteriores y
fundamentados en procedimientos relacionados con operaciones entre filas, se puede llegar a
expresiones que permitan calcular el elemento en la posición (𝑖𝑖, 𝑗𝑗) de la matriz 𝑩𝑩!𝟏𝟏 𝒏𝒏
!𝟏𝟏 !𝟏𝟏
(simbolizado como (𝑩𝑩𝒏𝒏 ) 𝒊𝒊𝒊𝒊 ) a partir del elemento en la posición (𝑖𝑖, 𝑗𝑗) de la matriz 𝑩𝑩𝒏𝒏 ,
(simbolizado como (𝑩𝑩!𝟏𝟏
𝒂𝒂 ) 𝒊𝒊𝒊𝒊 ). La expresión de cálculo es la siguiente:
!
!!"
(𝑩𝑩!𝟏𝟏
𝒂𝒂 ) 𝒊𝒊𝒊𝒊 − ! 𝑩𝑩!𝟏𝟏
𝒂𝒂 𝒓𝒓𝒓𝒓 𝑠𝑠𝑠𝑠 𝑙𝑙𝑙𝑙 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑖𝑖 𝑛𝑛𝑛𝑛 𝑒𝑒𝑒𝑒 𝑙𝑙𝑙𝑙 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑟𝑟.
!!"
(𝑩𝑩!𝟏𝟏
𝒏𝒏 ) 𝒊𝒊𝒊𝒊 =
!
! 𝑩𝑩!𝟏𝟏
𝒂𝒂 𝒓𝒓𝒓𝒓 𝑠𝑠𝑠𝑠 𝑙𝑙𝑙𝑙 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑖𝑖 𝑒𝑒𝑒𝑒 𝑙𝑙𝑙𝑙 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑟𝑟
!!"
En forma matricial lo anterior se puede escribir como:
𝑩𝑩!𝟏𝟏 !𝟏𝟏
𝒏𝒏 = 𝑬𝑬𝑩𝑩𝒂𝒂
Siendo 𝑬𝑬 una matriz obtenida a partir de la matriz identidad 𝑰𝑰 remplazando la 𝑟𝑟 − 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒

columna de 𝑰𝑰 por el vector 𝝆𝝆 definido mediante:
!
𝑎𝑎!"
𝜌𝜌! − ! 𝑠𝑠𝑠𝑠 𝑙𝑙𝑙𝑙 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑖𝑖 𝑛𝑛𝑛𝑛 𝑒𝑒𝑒𝑒 𝑙𝑙𝑙𝑙 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑟𝑟
𝑎𝑎!"
𝜌𝜌!
𝝆𝝆 = ⋮ , 𝑐𝑐𝑐𝑐𝑐𝑐 𝜌𝜌! =
𝜌𝜌! 1
! 𝑠𝑠𝑠𝑠 𝑙𝑙𝑙𝑙 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑖𝑖 𝑒𝑒𝑒𝑒 𝑙𝑙𝑙𝑙 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑟𝑟
𝑎𝑎!"
19
Se muestra ahora el uso del Método Simplex revisado mediante la solución del problema de la
empresa la Arenosa.
Ejemplo 4.3:
Aplicar el Método Simplex revisado para resolver el problema del ejemplo 4.1 y 4.2.
Solución: luego de incorporar las variables de holgura, representar el respectivo modelo en

forma matricial y seleccionar las variables de holgura como variables básicas iniciales
tenemos:
𝑥𝑥! 4 1 0 0 1 0
𝒙𝒙𝑩𝑩 = 𝑥𝑥! = 12 ; 𝒄𝒄𝑩𝑩 = 0, 0, 0 ; 𝑩𝑩 = 𝑩𝑩!𝟏𝟏 = 0 1 0 ; 𝑨𝑨 = 0 2
𝑥𝑥! 18 0 0 1 3 2
!𝟏𝟏
Se calcula ahora el resultado de 𝒄𝒄𝒃𝒃 𝑩𝑩 𝑨𝑨 − 𝒄𝒄 para hallar los coeficientes de las variables no
básicas 𝑥𝑥! , 𝑥𝑥! .
1 0 0
𝒄𝒄𝒃𝒃 𝑩𝑩!𝟏𝟏 𝑨𝑨 − 𝒄𝒄 = 0, 0, 0 0 1 0 − 6, 10 = −6, −10
0 0 1
Prueba de optimalidad: La existencia en el resultado de valores negativos indica que la
actual solución no es óptima.
Iteración 1: como tiene el coeficiente más negativo en la fila de la función objetivo, 𝑥𝑥! es la
variable básica entrante, con lo cual, a la luz del Método Simplex revisado, 𝑘𝑘 = 2.
De la matriz 𝑩𝑩!𝟏𝟏 𝑨𝑨 los coeficientes de 𝑥𝑥! en las ecuaciones 1, 2 y 3 son los valores de la
segunda columna, como se tiene que
1 0 0 1 0 1 0
𝑩𝑩!𝟏𝟏 𝑨𝑨 = 0 1 0 0 2 = 0 2
0 0 1 3 2 3 2
Entonces los coeficientes buscados son:
𝑎𝑎!" = 0; 𝑎𝑎!! = 2; 𝑎𝑎!" = 2
Dividiendo los valores del lado derecho de las ecuaciones (4, 12 y 18) por los respectivos
coeficientes positivos de 𝑥𝑥! , y según el criterio de mínimo cociente, se encuentra que la
variable básica saliente es 𝑥𝑥! . Al ser 𝑥𝑥! el segundo componente del vector 𝐱𝐱 ! , se tiene que
𝑟𝑟 = 2.
Se requiere ahora actualizar la inversa de la matriz 𝑩𝑩, para lo cual calculamos primero el vector
𝝆𝝆 y luego la matriz 𝑬𝑬 (cambiando la segunda columna de la matriz identidad por el vector 𝝆𝝆).

!
𝑎𝑎!"
− !
𝑎𝑎!! 0
10 0
1 1
𝝆𝝆 = ! = 1 ; 𝑬𝑬 = 0 0
𝑎𝑎!! 2 2
! 0 −1 1
𝑎𝑎!" −1
− !
𝑎𝑎!!
Entonces, la nueva matriz 𝑩𝑩!𝟏𝟏 es:
0 0 1 1 0 0
1 1 0 0 1
𝑩𝑩!𝟏𝟏 !𝟏𝟏
𝒏𝒏 = 𝑬𝑬𝑩𝑩𝒂𝒂 = 𝑬𝑬𝑬𝑬 = 0 0 0 1 0 = 0 0
2 0 0 1 2
0 −1 1 0 −1 1
La actualización de 𝐱𝐱 𝑩𝑩 y 𝒄𝒄𝑩𝑩 resulta en:
𝑥𝑥! 1 0 0
1 4 4
𝐱𝐱 𝑩𝑩 = 𝑥𝑥! = 𝑩𝑩!𝟏𝟏 𝒃𝒃 = 0 0 12 = 6 ; 𝒄𝒄𝑩𝑩 = 0,10, 0
𝑥𝑥! 2 18 6
0 −1 1
Prueba de optimalidad: las variables no básicas son ahora por 𝑥𝑥! (variable original) y 𝑥𝑥!
(variable de holgura). Hallamos el coeficiente de 𝑥𝑥! en la función objetivo mediante el cálculo
de 𝒄𝒄𝑩𝑩 𝑩𝑩!𝟏𝟏 𝑨𝑨 − 𝒄𝒄 y tenemos:
1 0 0
1 1 0
𝒄𝒄𝒃𝒃 𝑩𝑩!𝟏𝟏 𝑨𝑨 − 𝒄𝒄 = 0,10, 0 0 0 0 2 − 6, 10 = −6, −5
2 3 2
0 −1 1
Se verifica entonces que el coeficiente buscado es −6, mientras que del producto 𝒄𝒄𝑩𝑩 𝑩𝑩!𝟏𝟏 𝑨𝑨
hallamos el respectivo coeficiente de 𝑥𝑥! , el producto es:
0 0 1
1
𝒄𝒄𝑩𝑩 𝑩𝑩!𝟏𝟏 = 0,10, 0 0 0 = 0, 5, 0
2
0 −1 1
Con lo cual el coeficiente de 𝑥𝑥! es 5. Como el coeficiente de 𝑥𝑥! es negativo la actual solución
que de aquí surja no es óptima.
Iteración 2: de la iteración anterior se sabe que el coeficiente más negativo en la fila de la

función objetivo es el de 𝑥𝑥! , por tanto esta es la variable básica entrante y 𝑘𝑘 = 1.

21
Los valores de la primera columna de 𝑩𝑩!𝟏𝟏 𝑨𝑨 son los coeficientes de 𝑥𝑥! en las ecuaciones 1, 2 y
3, como se tiene que
0 0 1
1 1 0 1 0
𝑩𝑩!𝟏𝟏 𝑨𝑨 = 0 0 0 2 = 0 1
2 3 2 3 0
0 −1 1
Entonces los coeficientes buscados son:
𝑎𝑎!! = 1; 𝑎𝑎!" = 0; 𝑎𝑎!" = 3
Los valores de 𝐱𝐱 ! en la anterior iteración son 4, 6 𝑦𝑦 6, (nuevos valores del lado derecho de las
ecuaciones), al dividir respectivamente estos valores por los coeficientes positivos de 𝑥𝑥! el
criterio de cociente mínimo indica que la variable saliente es 𝑥𝑥! y por tanto 𝑟𝑟 = 3
Ahora el vector 𝝆𝝆 y la matriz 𝑬𝑬 son:

!
𝑎𝑎!!
− ! 1
𝑎𝑎!" − 1
3 1 0 −
!
𝑎𝑎!" 3
𝝆𝝆 = − = 0 ; 𝑬𝑬 = 0 1 0
!
𝑎𝑎!" 1
1 1 0 0
3
!
𝑎𝑎!" 3
Entonces, la nueva matriz 𝑩𝑩!𝟏𝟏 es:
1 1
1 1 −
1 0 − 1 0 0 3 3
3 1 1
𝑩𝑩!𝟏𝟏 !𝟏𝟏
𝒏𝒏 = 𝑬𝑬𝑩𝑩𝒂𝒂 = 0 1 0 0 0 = 0 0
1 2 2
0 0 0 −1 1 1 1
3 0 −
3 3
Los nuevos 𝐱𝐱 𝑩𝑩 y 𝒄𝒄𝑩𝑩 son:
! !
1 −
𝑥𝑥! ! ! 4 2
!𝟏𝟏 !
𝐱𝐱 𝑩𝑩 = 𝑥𝑥! = 𝑩𝑩 𝒃𝒃 = 0 ! 0 12 = 6 ; 𝒄𝒄𝑩𝑩 = 6,10, 0
𝑥𝑥! ! ! 18 2
0 −! !
22
Prueba de optimalidad de la segunda iteración: las variables no básicas en esta iteración
son 𝑥𝑥! y 𝑥𝑥! , (ambas variables de holgura) sus coeficientes en la función objetivo resultan de
𝒄𝒄𝑩𝑩 𝑩𝑩!𝟏𝟏 𝑨𝑨.
1 1
1 −
3 3
!𝟏𝟏 1
𝒄𝒄𝑩𝑩 𝑩𝑩 = 0,10, 6 0 0 = 0, 3, 2
2
1 1
0 −
3 3
Como tales coeficientes son positivos la solución correspondiente a esta iteración es óptima.
Se destaca en este procedimiento la facilidad que ofrece el Método Simplex revisado en el

sentido de evitar el cálculo explícito de la inversa de la matriz B, en razón a que ofrece un
procedimiento directo de actualización.

Introducción

Las primeras cuatro cartillas de este curso de Investigación de operaciones I las hemos
dedicado fundamentalmente a aspectos relacionados con la búsqueda de una solución a
un problema a partir de un modelo inicial formulado a partir de un contexto propio de
programación lineal, sin embargo, en investigación de operaciones en general y en
programación lineal en particular, no siempre se llega al trabajo final mediante la solución
de un modelo inicial. Se debe considerar la posibilidad de revisar el modelo planteado y
que a partir de ello se pueda encontrar una mejor solución. Aunque es válido pensar que
ello demande la necesidad de resolver otro problema desde cero, en programación lineal
existe un conjunto de principios que podrían aplicarse a partir de la solución de un modelo
inicial, tales principios hacen parte de lo que se conoce como análisis de sensibilidad, en lo
cual resulta de vital importancia un tema previo de gran importancia, este corresponde a
la teoría de la dualidad.
En esta cartilla 5, en la que el curso ya ha pasado su meridiano, abordamos los temas

relacionados con teoría de la dualidad y análisis de sensibilidad, los que para nuestro
ámbito hacen parte de los primeros temas avanzados en el área de programación lineal.
El desarrollo de la cartilla inicia con una introducción al análisis post óptimo, destacando
en ello los precios sombra, que muy cercanamente están relacionado con la teoría de la
dualidad. Seguidamente abordamos en sí los principios de la teoría de la dualidad para
finalizar el desarrollo con un breve tratamiento del análisis de sensibilidad.

1

Recomendaciones metodológicas
Como recomendación básica, al igual que las semanas anteriores, se plantea la juiciosa y
cuidadosa lectura de los temas tratados en esta cartilla, de manera simultánea o bien al
final de la misma es importante la revisión de los recursos adicionales ofrecidos en el
módulo.
En la sección lecturas complementarias el estudiante encontrará ejercicios resueltos que

refuerzan las exposiciones hechas en la cartilla, aprovechar este recurso es una buena
estrategia de cercamiento al alcance de los objetivos propuestos, también se recomienda
la visualización de los ejercicios y contenidos ilustrados en los videos cuyos enlaces son
ofrecidos a través de la sección de video capsulas, estos videos proporcionan
explicaciones vivas del tema y solución de problemas.
Tratándose de contenidos en los que se debe realizar cálculos matriciales en los que se
aplica los principios tratados en el módulo, entre los recursos del módulo se presenta un
resumen de principios que se aplican en el desarrollo de ejercicios y solución de
problemas relacionados con teoría de la dualidad y el análisis de sensibilidad.
Como todo proceso de aprendizaje demanda enfrentamiento del estudiante a desafíos a

través de los cuales pueda verificar, para sí mismo la apropiación de los contenidos, se
presenta la sección de ejercicios de repaso, en la cual se encuentra ejercicios propuestos
sobre la temática de esta cartilla. Se recomienda al estudiante tener presente el material
del video resumen de esta semana.
Adelante con el aprovechamiento de los recursos.

2

Fundamentos de dualidad y análisis de sensibilidad
Introducción al análisis post óptimo
La solución de un problema de Investigación de operaciones no siempre va hasta la
aplicación de un procedimiento o algoritmo que entregue la solución óptima del problema
a partir del modelo planteado, siempre se debe hacer un análisis posterior conocido como
análisis post óptimo, esto es particularmente aplicable a los problemas de programación
lineal. Por ejemplo, en problemas que involucran muchísimas restricciones estructurales y
variables de decisión, es importante realizar variaciones al modelo tomando en cuenta
posibles situaciones no consideradas antes, lo que lleva a que luego de hallar una solución
óptima, se procede a resolver diferentes versiones del problema con las variaciones que
se considere. Podría resultar muy tedioso las múltiples aplicaciones del algoritmo de
solución, sin embargo, utilizando una técnica conocida como reoptimización, se puede
inferir los cambios a realizarse a partir de la tabla que da la solución a reoptimizar, con la
ventaja que una mejor solución, correspondiente al modelo modificado, generalmente se
encuentra con mucho menos trabajo.
Concepto de precios sombra
En restricciones estructurales de la forma ≤ 𝑏𝑏! los valores de los 𝑏𝑏! representan límites de
recursos, que generalmente están asociados con decisiones del administrador, pero en el
análisis post optimo podrían aumentarse a cambio de que se justifique mediante un
significativo beneficio adicional en la función objetivo. Frente a lo anterior resulta
importante conocer en qué medida mejora la función objetivo con el aumento de los
valores de 𝑏𝑏! . En el contexto de aplicación del Método Simplex se habla de precio sombra.
El precio sombra del 𝑖𝑖 − 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 recurso, simbolizado mediante 𝑦𝑦!! mide la razón a la que
mejora la función objetivo Z como consecuencia de un aumento en 𝑏𝑏! . En la aplicación del
Método Simplex, aunque no se ha hablado de ello, el precio sobra de 𝑙𝑙𝑙𝑙 𝑖𝑖 − 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒
restricción corresponde al coeficiente con que aparece la 𝑖𝑖 − 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 variable de holgura
en la fila 𝐹𝐹! de la tabla simplex final.
Según lo indicado en el párrafo anterior los precios sombra en el problema de la empresa

!
La Arenosa son 𝑦𝑦!! = 0; 𝑦𝑦!! = ! ; 𝑦𝑦!! = 1, lo que significa que, por ejemplo, un incremento
!
de una unidad en el valor 𝑏𝑏! (de 12 a 13) da lugar a un aumento de en la función
!

3

objetivo. Con esta información el administrador cuenta con mayores elementos pare
decidir si se altera el modelo.
En relación con lo antes esbozado, encontramos en el área de la programación lineal el

concepto de dualidad, según el cual con cada problema de programación lineal, al que se
le llama problema primal, se asocia otro problema conocido como problema dual. A partir
de los fundamentos de la dualidad en la programación lineal se estudia las diferentes
relaciones entre los dos problemas. Un hecho de particular importancia es que al hallar la
solución óptima del problema dual se tiene valiosa información para hallar los precios
sombra, también encontramos la importancia que reviste se relaciona con el análisis de
sensibilidad post óptimo.
Principios de dualidad en programación lineal

Para ilustrar el concepto de dualidad en programación lineal, se presenta a continuación la
forma algebraica del modelo genérico del problema original, o problema primal, en forma
estándar y el respectivo problema dual.
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀: 𝑍𝑍 = 𝑐𝑐! 𝑥𝑥! + 𝑐𝑐! 𝑥𝑥! + ⋯ + 𝑐𝑐! 𝑥𝑥! 𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀: 𝑊𝑊

= 𝑏𝑏! 𝑥𝑥! + 𝑏𝑏! 𝑥𝑥! + ⋯ + 𝑏𝑏! 𝑥𝑥!
𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑎𝑎:
𝑎𝑎!! 𝑥𝑥! + 𝑎𝑎!" 𝑥𝑥! + ⋯ +𝑎𝑎!! 𝑥𝑥! ≤ 𝑏𝑏! 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑎𝑎:
𝑎𝑎!" 𝑥𝑥! + 𝑎𝑎!! 𝑥𝑥! + ⋯ +𝑎𝑎!! 𝑥𝑥! ≤ 𝑏𝑏! 𝑎𝑎!! 𝑦𝑦! + 𝑎𝑎!" 𝑦𝑦! + ⋯ +𝑎𝑎!! 𝑦𝑦! ≤ 𝑐𝑐!
⋮⋮⋮⋮ 𝑎𝑎!" 𝑦𝑦! + 𝑎𝑎!! 𝑦𝑦! + ⋯ +𝑎𝑎!! 𝑦𝑦! ≤ 𝑐𝑐!
𝑎𝑎!! 𝑥𝑥! + 𝑎𝑎!! 𝑥𝑥! + ⋯ +𝑎𝑎!" 𝑥𝑥! ≤ 𝑏𝑏! ⋮⋮⋮⋮
𝑎𝑎!! 𝑦𝑦! + 𝑎𝑎!! 𝑦𝑦! + ⋯ +𝑎𝑎!" 𝑦𝑦! ≤ 𝑐𝑐!
𝑥𝑥! ≥ 0, 𝑥𝑥! ≥ 0, … , 𝑥𝑥! ≥ 0
𝑥𝑥! ≥ 0, 𝑥𝑥! ≥ 0, … , 𝑥𝑥! ≥ 0

Forma algebraica del problema primal Forma algebraica del problema dual

Tabla 1
Fuente: Propia.
Formulación de problema dual en forma algebraica
De la representación algebraica del problema dual a partir de la del primal, presentada en

la sección anterior, se puede decir que el modelo del problema dual se puede hallar del
primal mediante las siguientes transformaciones:

4

• El problema dual es un problema de minimización si el primal es de maximización.
• Variables de decisión del problema dual: es un nuevo conjunto de 𝑚𝑚 variables

𝑦𝑦! , 𝑦𝑦! , … , 𝑦𝑦! , donde m es el número de restricciones estructurales del problema primal.
• Coeficientes de función objetivo: los coeficientes de las variables de decisión en la función

objetivo del problema dual son los 𝑚𝑚 valores 𝑏𝑏! del lado derecho de las restricciones del
problema primal.
• Valores del lado derecho: los valores del lado derecho de las restricciones estructurales
del problema dual son los 𝑛𝑛 coeficientes 𝑐𝑐! , 𝑐𝑐! , … , 𝑐𝑐! de las variables de decisión en la
función objetivo del problema primal.
• Coeficientes en las restricciones: los coeficientes de las variables de decisión en la

𝑘𝑘 − 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 restricción estructural del problema dual son los coeficientes de la 𝑘𝑘 − 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒
variable en el problema primal (los coeficientes de la primera variable en las restricciones
del primal son los coeficientes de la primera restricción en el problema dual y así
sucesivamente).
• Sentido de la desigualdad de cada restricción: el sentido de la desigualdad cambia del

problema primal al dual
Un ejemplo básico de formulación del problema dual

Ejemplo 5.1: a continuación se presenta la formulación algebraica del problema primal y

del dual correspondiente al modelo de la empresa La Arenosa.

5

Forma algebraica del problema de la empresa La Arenosa
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 6𝑥𝑥! + 10𝑥𝑥! 𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝑊𝑊 = 4𝑦𝑦! + 12𝑦𝑦!
𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 𝑎𝑎: + 18𝑦𝑦!
3𝑥𝑥1 ≤ 4
2𝑥𝑥! ≤ 12 𝑦𝑦! + 3𝑦𝑦! ≥ 6
3𝑥𝑥! + 2𝑥𝑥! ≤ 18 2𝑦𝑦! + 2𝑦𝑦! ≥ 10
𝑥𝑥! ≥ 0; 𝑥𝑥! ≥ 0 𝑦𝑦! ≥ 0; 𝑦𝑦! ≥ 0; 𝑦𝑦! ≥ 0

Problema primal Problema dual

Tabla 2
Fuente: Propia.
Formulación de problema dual en forma matricial
A partir de lo anterior, y teniendo en cuenta cómo se obtiene la representación matricial a

partir de la representación algebraica, para el problema dual se tiene el vector fila 𝒃𝒃
compuesto por 𝑏𝑏! , 𝑏𝑏! , … , 𝑏𝑏! , el vector columna 𝒚𝒚 compuesto 𝑦𝑦! , 𝑦𝑦! , … , 𝑦𝑦! , además
se puede ver que 𝑨𝑨𝑻𝑻 es la matriz de coeficientes de las restricciones estructurales, 𝒄𝒄 el
vector columna compuesto por 𝑐𝑐! , 𝑐𝑐! , … , 𝑐𝑐! , entonces la relación entre las
representaciones matriciales de los problemas primal y dual es:
Atendiendo a las propiedades de producto de matrices, 𝑨𝑨𝑻𝑻 𝒚𝒚 se puede expresar como

𝒚𝒚𝑻𝑻 𝑨𝑨 (o 𝒚𝒚𝒚𝒚 si se considera desde el inicio al vector 𝒚𝒚 como un vector fila).
Ejemplo 5.2: representación matricial de los problemas primal y dual del modelo de la
empresa La Arenosa.

6

Forma matricial del problema de la empresa La Arenosa
𝑥𝑥! 𝑦𝑦!
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀: 𝑍𝑍 = 6, 10 𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀: 𝑾𝑾 = 4, 12, 18 𝑦𝑦!
𝑥𝑥! 𝑦𝑦!
𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 𝑎𝑎: 𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 𝑎𝑎:
1 0 𝑥𝑥! 4 𝑦𝑦! 𝟔𝟔
1 0 3 𝑦𝑦
0 2 ≤ 12 ! ≥
0 2 2 𝑦𝑦!
3 2 𝑥𝑥! 18 𝟏𝟏𝟏𝟏
𝑥𝑥! 𝑦𝑦!
≥ 𝟎𝟎 𝒚𝒚 ≥ 𝑦𝑦!
𝑥𝑥! 𝑦𝑦!
Problema primal Problema dual

Tabla 3
Fuente: Propia.
Dado que 𝒛𝒛 = (𝑧𝑧! , 𝑧𝑧! , … 𝑧𝑧! ) = 𝒄𝒄𝑩𝑩 𝑩𝑩!𝟏𝟏 𝑨𝑨 es el vector agregado por el Método Simplex en
cada iteración al vector – 𝒄𝒄 = (−𝑐𝑐! , −𝑐𝑐! , … −𝑐𝑐! ) de coeficientes iniciales, entonces, en
cada iteración sobre el problema primal, los coeficientes de las variables originales
𝑥𝑥! , 𝑥𝑥! , … 𝑥𝑥! , 𝑥𝑥!!! en la fila 𝐹𝐹! son respectivamente los componentes de 𝒛𝒛 − 𝒄𝒄 = ( 𝑧𝑧! −
𝑐𝑐! , 𝑧𝑧! − 𝑐𝑐! , … 𝑧𝑧! − 𝑐𝑐! ), mientras que, los coeficientes de las variables de holgura
(𝑥𝑥!!! , … , 𝑥𝑥!!! ) en la misma fila son los componentes de 𝒚𝒚 = (𝑦𝑦! , 𝑦𝑦! , … , 𝑦𝑦! ). Entonces,
según la formulación del problema dual a partir del primal, se puede afirmar que el
problema dual es una forma alternativa de plantear la meta a lograr, a través del Método
Simplex, la solución óptima del primal que satisfaga la condición de optimalidad,
establecida en términos de los coeficientes de las variables en la fila 𝐹𝐹! como 𝑥𝑥! ≥ 0, 𝑥𝑥! ≥
0, … 𝑥𝑥! ≥ 0, y 𝑦𝑦! ≥, 𝑦𝑦! ≥ 0, … , 𝑦𝑦! ≥ 0.
Cuando se alcanza la condición de optimalidad es claro que el vector 𝒚𝒚 = (𝑦𝑦! , 𝑦𝑦! , … , 𝑦𝑦! )
es una óptima solución del problema dual, en cuyo caso se simboliza mediante
𝒚𝒚𝒐𝒐 (𝒚𝒚 óptimo) de componentes 𝑦𝑦!! , 𝑦𝑦!! , … , 𝑦𝑦!
!
y el valor óptimo de la función objetivo 𝑊𝑊
del problema dual coincide con el óptimo 𝑍𝑍 del primal. Los valores óptimos 𝑦𝑦!! , 𝑦𝑦!! , … , 𝑦𝑦! !

del problema dual corresponden a los precios sombra del problema primal.

7

Propiedades de la dualidad y relación dual-primal
A continuación se muestra las propiedades de la dualidad que permiten resumir las

relaciones entre los problemas primal y dual, se presenta estas propiedades en términos
asociados con la representación matricial del modelo del problema.
• Propiedad de dualidad débil: sea el vector 𝒙𝒙 una solución factible del problema primal y
sea 𝒚𝒚 una solución factible del problema dual, entonces:
𝒄𝒄𝒙𝒙𝒐𝒐 = 𝒃𝒃𝒚𝒚𝒐𝒐
• Propiedad de dualidad fuerte: sea el vector 𝒙𝒙𝒐𝒐 una solución óptima del problema primal y
sea 𝒚𝒚𝒐𝒐 una solución óptima del problema dual, entonces:
𝒄𝒄𝒄𝒄 ≤ 𝒃𝒃𝒃𝒃
• Propiedad de soluciones complementarias: mediante el Método Simplex, en cada una de

las iteraciones, se puede hallar una solución factible 𝒙𝒙 del problema primal y una solución
complementaria 𝒚𝒚 del dual (que corresponde a los coeficientes de las variables de holgura
en la fila 𝐹𝐹! ) tales que:
𝒄𝒄𝒄𝒄 = 𝒃𝒃𝒃𝒃
La propiedad de holgura complementaria establece que si 𝒙𝒙 no es una solución

óptima del problema primal, entonces 𝒚𝒚 no es una solución factible del problema
dual.
• Propiedad de soluciones complementarias óptimas: al final, mediante el Método Simplex

se puede hallar una solución óptima 𝒙𝒙𝒐𝒐 del problema primal y una solución
complementaria 𝒚𝒚𝒐𝒐 del dual (correspondiente a los coeficientes de las variables de holgura
en la fila 𝐹𝐹! ) tales que:
𝒄𝒄𝒙𝒙𝒐𝒐 = 𝒃𝒃𝒚𝒚𝒐𝒐
La propiedad de soluciones complementarias óptimas establece que los

componentes 𝒚𝒚𝒐𝒐𝒊𝒊 de la solución 𝒚𝒚𝒐𝒐 del problema dual, son los respectivos valores
de precios sombra del problema primal.

8

• Propiedad de simetría: dado un problema considerado como primal, el problema dual del
dual es el problema primal, esto significa que cualquiera de los dos problemas puede ser
considerado el dual o el primal.
Soluciones básicas complementarias
Hemos tratado como a partir de la formulación del problema original o primal llegamos a
la formulación del dual, una relación fundamental entre los dos problemas es la lógica
correspondencia entre sus soluciones básicas. Los desarrollos alrededor de estos
principios y los relacionados con el Método Simplex permitirían llegar a otros resultados
que completan los presentados en la sección propiedades de la dualidad, estos se
resumen a continuación.
Propiedad de soluciones básicas complementarias: esta propiedad establece que para

cada solución básica del problema primal existe una solución básica complementaria de la
contraparte dual. A partir de la fila 𝑭𝑭𝒐𝒐 de la tabla correspondiente a una solución básica
del problema primal, se puede hallar la solución básica complementaria (𝒚𝒚, 𝒛𝒛 − 𝒄𝒄) del
problema dual.
Propiedad de holgura complementaria: esta propiedad establece que las variables de la

solución básica del problema primal y de su contraparte dual se relacionan de tal manera
que si una variable en el problema primal es básica, la asociada variable en el problema
dual es no básica y viceversa.
Soluciones básicas óptimas complementarias: toda solución básica óptima del problema
dual tiene una solución básica óptima complementaria en el problema dual. A partir de la
fila 𝐹𝐹! de la tabla correspondiente a una solución óptima del problema primal, se puede
hallar la solución óptima complementaria (𝒚𝒚𝒐𝒐 , 𝒛𝒛𝒐𝒐 − 𝒄𝒄) del problema dual.
Tomando en consideración los dos problemas, el primal y el dual, las soluciones básicas se
clasifican de acuerdo con el cumplimiento o no de las condiciones de factibilidad y de
optimalidad. La condición de factibilidad es aquella en la cual las variables originales y de
holgura satisfacen la no negatividad, y la condición de optimalidad obliga a que todos los
coeficientes en la fila 𝐹𝐹! son no negativos. En este contexto se emplea otros términos
como subóptima y suróptima para referirse

9

En resumen las soluciones básicas:
• Solución óptima: satisface las condiciones de factibilidad y de optimalidad.
• Solución subóptima: satisface las condiciones de factibilidad, pero no las de optimalidad.
• Solución superóptima: no satisface las condiciones de factibilidad pero si satisface las de

optimalidad.
• Soluciones factibles primalas: son soluciones básicas complementarias en las que la

solución básica primal es factible.
• Soluciones factibles duales: son soluciones básicas complementarias en las que la solución
básica dual complementaria es solución factible del problema primal.
Considerando lo anterior se tiene la siguiente tabla que resume la relación entre las
diferentes soluciones básicas complementarias.
Solución básica del primal Solución básica Factible Factible

complementaria del dual primal dual
Subóptima Superóptima Sí No
Óptima Óptima Sí Sí
Superóptima Subóptima No Sí
Ni factible ni superóptima Ni factible ni superóptima No No

Tabla 4. Relaciones entre soluciones básicas complementarias
Fuente: Propia.

10

Según las definiciones y relaciones entre soluciones básicas, y atendiendo a los
procedimientos de desarrollo y criterio de terminación del Método Simplex, se ve que el
Método Simplex va encontrando soluciones subóptimas hasta encontrar una solución
óptima del problema primal y al mismo tiempo va encontrando las soluciones
superóptimas complementarias del dual hasta alcanzar la satisfacción de las condiciones
de factibilidad.
Utilidad o aplicaciones de la dualidad
Tal como se habrá podido notar en discusiones anteriores, la existencia de un mayor

número de restricciones estructurales demanda mayor esfuerzo o cálculos matemáticos
que un mayor número de variables, es decir, que resulta preferible resolver problemas
con pocas restricciones y muchas variables de decisión, que aquellos que tengan pocas
variables y muchas restricciones, en este sentido es importante considerar que, a partir de
la formulación de un problema primal, podría resultar más fácil, por ejemplo mediante el
uso del Método Simplex, hallar primero la solución del problema dual y luego aplicar las
propiedades de la dualidad, resumidas en la sección anterior, para lograr la solución del
problema primal, pero quizá la aplicación más importante dada a los principios de
dualidad de problemas de programación lineal se refieren al análisis de sensibilidad que
estudiaremos en la sección siguiente.
Análisis de sensibilidad
La expresión análisis de sensibilidad en el contexto de la programación lineal se refiere al
estudio de las consecuencias, sobre una solución óptima obtenida, si se consideran
cambios en los valores de los parámetros que definen el modelo, por ejemplo algunos
coeficientes en la función objetivo, o en los coeficientes y valores del lado derecho de las
restricciones estructurales. Según lo estudiado, en relación con los principios de la
dualidad, es claro que los cambios en los parámetros del modelo del problema primal
generan cambios en los respectivos parámetros del problema dual. Un cambio que podría
considerarse sobre un modelo inicialmente planteado es sobre los coeficientes de una
variable no básica en la solución obtenida a partir del modelo inicial, frente a lo cual se
tiene que, por ser no básica, su valor es cero y por tanto no afecta la factibilidad de la
función, pero puede haber efectos sobre la solución complementaria, que se encuentra
asociada con el problema dual.
En la solución de una situación, que se pueda modelar como un problema de

programación lineal, habitualmente encontraremos parámetros cuya modificación no
afectan notablemente la factibilidad u optimalidad de una solución, pero también están
aquellos que sí lo hacen, por lo que, en el marco del análisis de sensibilidad, es necesario
tener claridad sobre cuáles son los que generan mayor impacto sobre la optimalidad de

11

una solución, a estos se les suele llamar parámetros sensibles. También resulta necesario
identificar el rango de valores de los parámetros no sensibles, a este rango se le suele
llamar intervalo de permisible de valores.
Es razonable pensar que luego de estudiar posibles cambios en los parámetros, que
conduzcan a una mejor solución, se debe resolver desde el comienzo el problema para el
modelo modificado, lo que no representaría mayores dificultades en el caso de problemas
con un pequeño número de variables y restricciones, pero en problemas bastante grande
esto demandaría una gran cantidad de trabajo que sería preferible evitar.
Afortunadamente el principio fundamental del Método Simplex, estudiado en la cartilla de
la semana 4, disminuye notablemente la necesidad de cálculos al mostrar de forma casi
inmediata en qué medida, los cambios al modelo impactan la solución final antes
obtenida. Según lo que indique este análisis se puede establecer si la solución óptima
hallada para el modelo original es o no la más conveniente y proceder en consecuencia.
Con el fin de presentar el proceso mediante el cual Para describir este procedimiento
asumamos que mediante el uso del Método Simplex se ha hallado a una solución óptima
de un modelo inicial de parámetros 𝑐𝑐! , 𝑎𝑎!" , 𝑏𝑏! , o las respectivas formas matriciales
𝒄𝒄𝒄𝒄 y 𝑨𝑨𝑨𝑨 = 𝒃𝒃. Si se cambia alguno de los parámetros las nuevas expresiones matriciales
serán 𝒄𝒄𝒙𝒙 y 𝑨𝑨𝒙𝒙 = 𝒃𝒃 o parámetros 𝑐𝑐! , 𝑎𝑎!" , 𝑏𝑏! .
Para actualización de la tabla simplex que da la solución óptima del modelo inicial, de tal
manera que se halle la tabla final que se obtendría si se procediera sobre el modelo
modificado, retomamos el principio fundamental del Método Simplex, estudiado en la
sección 4.x, según el cual:
𝒕𝒕 𝒕𝒕 = −𝒄𝒄 𝟎𝟎 0 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹 𝐹𝐹!

𝑻𝑻𝒊𝒊 = ; 𝑐𝑐𝑐𝑐𝑐𝑐
𝑻𝑻 𝑻𝑻 = 𝑨𝑨 𝑰𝑰 𝒃𝒃 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹 𝐹𝐹! 𝑎𝑎 𝐹𝐹!

𝒕𝒕𝒐𝒐 = 𝒕𝒕 + 𝒚𝒚𝒐𝒐 𝑻𝑻 y 𝑻𝑻𝒐𝒐 = 𝑺𝑺𝒐𝒐 𝑻𝑻

12

Es decir, la tabla simplex final del modelo modificado se puede hallar a partir de la tabla
inicial del nuevo modelo y los valores de 𝒚𝒚𝒐𝒐 (coeficientes de las variables de holgura en 𝐹𝐹! )
y 𝑺𝑺𝒐𝒐 (coeficientes de las variables de holgura en las filas 𝐹𝐹! 𝑎𝑎 𝐹𝐹!. ). Además, 𝒚𝒚𝒐𝒐 es el vector
de variables del problema dual (tal como se vio en la sección 5.x). Según lo anterior,
teniendo en cuenta los cambios antes señalados se tiene:
𝑍𝑍 Variables originales Variables de Lado derecho

holgura
𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹 𝐹𝐹! 𝟏𝟏 −𝒄𝒄 𝟎𝟎 𝟎𝟎
𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹 𝐹𝐹! 𝑎𝑎 𝐹𝐹! 𝟎𝟎 𝑨𝑨 𝑰𝑰 𝒃𝒃
Tabla inicial del modelo modificado
Procedimientos de modificación
𝑍𝑍 Variables originales Variables de Lado derecho
holgura
𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹 𝐹𝐹! 𝟏𝟏 𝒛𝒛𝒐𝒐 − 𝒄𝒄 = 𝒚𝒚𝒐𝒐 𝑨𝑨 − 𝒄𝒄 𝒚𝒚𝒐𝒐 𝑍𝑍 = 𝒚𝒚𝒐𝒐 𝒃𝒃
𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹 𝐹𝐹! 𝑎𝑎 𝐹𝐹! 𝟎𝟎 𝑨𝑨𝒐𝒐 = 𝑺𝑺𝒐𝒐 𝑨𝑨 𝑺𝑺𝒐𝒐 𝒃𝒃𝒐𝒐 = 𝑺𝑺𝒐𝒐 𝒃𝒃
Tabla final del modelo modificado

Tabla 5. Obtención de la tabla final del modelo modificado a partir de su tabla inicial
Fuente: Propia.
Se recalca aquí que lo fundamental de este planteamiento radica en el hecho que, con
base en la solución óptima obtenida a partir de un modelo inicial y de la tabla inicial del
modelo modificado, se puede hallar la tabla final del modificado sin necesidad de realizar
todas las operaciones asociados con la aplicación del Método Simplex aplicado sobre el
modelo inicial.
Realizada la transformación que conduce a la tabla final del modelo modificado,

posiblemente se requiera llevar la tabla a la forma apropiada de eliminación de gaussiana,
en la que cada variable básica en la 𝑖𝑖 − 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 fila debe tener coeficiente 1 en esa fila, y 0
en las demás, lo cual facilita la identificación de la solución básica asociada con esa tabla y
se logra mediante operaciones sobre filas.

13

Ejemplo 5.3: modificación del modelo inicial del problema de la empresa La Arenosa.
A continuación se muestra la representación matricial iniciales del modelo original y la respectiva

representación de un modelo obtenido mediante algunas modificaciones.
Forma matricial del problema de la empresa La Arenosa

𝑥𝑥! 𝑥𝑥!
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀: 𝑍𝑍 = 6, 10 𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀: 𝑍𝑍 = 8, 10
𝑥𝑥! 𝑥𝑥!
1 0 𝑥𝑥! 4 1 0 𝑥𝑥! 4
0 2 ≤ 12 0 2 ≤ 24
3 2 ! 𝑥𝑥 18 2 2 ! 𝑥𝑥 18
𝑥𝑥! 𝑥𝑥!
≥ 𝟎𝟎 ≥ 𝟎𝟎
𝑥𝑥! 𝑥𝑥!
Modelo original Modelo modificado

Tabla 6
Fuente: Propia.
Los parámetros correspondientes al nuevo modelo son:
1 0 4
𝒄𝒄 = 8, 10 ; 𝑨𝑨 = 0 2 ; 𝒃𝒃 = 24
2 2 18
De la tabla simplex final del modelo origina, se tiene el vector 𝒚𝒚𝟎𝟎 y la matriz 𝑺𝑺𝟎𝟎 .

Tabla 7
Fuente: Propia.

14

Con base en el nuevo modelo, la respectiva tabla inicial es la tabla 8.
𝑭𝑭𝟎𝟎 𝒁𝒁 𝟏𝟏 −𝟖𝟖 −𝟏𝟏𝟏𝟏 𝟎𝟎 𝟎𝟎 𝟎𝟎 𝟎𝟎
𝐹𝐹! 𝑥𝑥! 0 1 0 1 0 0 4
𝐹𝐹! 𝑥𝑥! 0 0 2 0 1 1 24
𝐹𝐹! 𝑥𝑥! 0 2 2 0 0 0 18

Tabla 8
Fuente: Propia.
A diferencia del desarrollo dada en la sección 4.x, donde reaalmente conociamos el resto
de la tabla final, aquí se pone de manifiesto la real utilidad del los principios de cálculo
debido a que no conocemos la totalidad de elementos de la tabla final del modelo
modificado. Los cálculos son los siguientes.
𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷𝑷 𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑: 𝒕𝒕𝒐𝒐 = 𝒚𝒚𝒐𝒐 𝑨𝑨 − 𝒄𝒄 𝒚𝒚𝒐𝒐 𝒚𝒚𝒐𝒐 𝒃𝒃

1 0
𝒚𝒚𝒐𝒐 𝑨𝑨 − 𝒄𝒄 = 0, 3, 2 0 2 − 8, 10 = 4, 10 − 8, 10 = −4, 0
2 2

4
𝒐𝒐
𝒚𝒚 𝒃𝒃 = 0, 3, 2 24 = 108
18
Entonces:
𝒕𝒕𝒐𝒐 = −4, 0 0, 3, 2 108


15

𝑺𝑺𝑺𝑺𝑺𝑺𝑺𝑺𝑺𝑺𝑺𝑺𝑺𝑺 𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑: 𝑻𝑻𝒐𝒐 = 𝑺𝑺𝒐𝒐 𝑨𝑨 𝑺𝑺𝒐𝒐 𝑺𝑺𝒐𝒐 𝒃𝒃

1 1
1 − 1
3 3 1 0 0
1 3
𝑺𝑺𝒐𝒐 𝑨𝑨 = 0 0 0 2 = 0 1
2 2
1 1 2 2 0
0 − 3
3 3
1 1
1 −
3 3 4 6
1
𝑺𝑺𝒐𝒐 𝒃𝒃 = 0 0 24 = 12
2
1 1 18 −2
0 −
3 3

1 1
1 1 −
0 3 3 6
3 1
𝑻𝑻𝒐𝒐 = 0 1 0 0 12
2 2
0 1 1 −2
3 0 −
3 3
Llevando estos resultados a la representación obtenemos la tabla final del modelo
modificado, mostrada en la tabla 9.
𝑭𝑭𝟎𝟎 𝒁𝒁 𝟏𝟏 −𝟒𝟒 𝟎𝟎 𝟎𝟎 𝟑𝟑 𝟐𝟐 𝟏𝟏𝟏𝟏𝟏𝟏
𝐹𝐹! 𝑥𝑥! 0 1 0 1 1 1 6
−
3 3 3
𝐹𝐹! 𝑥𝑥! 0 0 1 0 1 0 12

2
𝐹𝐹! 𝑥𝑥! 0 2 0 0 1 1 −2
−
3 3 3
Tabla 9
Fuente: Propia.

16

La tabla anterior no está en la forma apropiada de eliminación gaussiana, en razón a la

composición de la columna de coeficientes de la variable básica 𝑥𝑥! , para transformarla, de
!
tal manera que tenga la forma requerida, multiplicamos la fila 𝐹𝐹! por , sumamos a la fila
!
𝐹𝐹! 4 veces la nueva fila 𝐹𝐹! y restamos a la fila 𝐹𝐹! un tercio de la nueva fila 𝐹𝐹! es la tabla.
𝐹𝐹! 𝑍𝑍 1 0 0 0 1 4 96
𝐹𝐹! 𝑥𝑥! 0 0 0 1 1 1 7
−
2 2
𝐹𝐹! 𝑥𝑥! 0 0 1 0 1 0 12

2
𝐹𝐹! 𝑥𝑥! 0 1 0 0 1 1 −3
−
2 2

Tabla 10
Fuente: Propia.
Ahora se tiene la solución básica 𝑥𝑥! = −3; 𝑥𝑥! = 12; 𝑥𝑥! = 7; 𝑥𝑥! = 0; 𝑥𝑥! = 0, que no es
factible por no satisfacer las condiciones de no negatividad (𝑥𝑥! = −3). Pero según los
criterios de la tabla 6.x sí es superóptima, lo que implica que es factible dual. Frente a una
situación de este tipo resulta de gran utilidad un nuevo procedimiento conocido como
Método Simplex dual, el cual se tratará brevemente en la siguiente sección.

Introducción al Método Simplex dual

Una variante interesante del Método Simplex es el simplex dual, el cual trata con
soluciones básicas del problema dual que son factibles duales pero no son factibles
primales y luego procede a la búsqueda de una solución óptima de tal manera que se
alcance la factibilidad en el problema primal. El procedimiento es tal que opera como con
un problema como si se usara al mismo tiempo el Método Simplex al problema dual.

17

La utilidad del Método Simplex dual se pone de manifiesto en situaciones en las que, por
ejemplo, el uso de Método Simplex implique la incorporación de un gran número de
variables artificiales que proporcionen una solución factible básica inicial, por lo que
resulta preferible iniciar con una solución con una solución que sea básica factible dual en
el marco de aplicación del Método Símplex dual. Otra utilidad se relaciona con el análisis
de sensibilidad, en el que a partir de una solución óptima hallada mediante el uso del
Método Simplex, se introduce variantes al modelo y se busca una nueva solución con base
en el modelo modificado. Si la solución básica óptima con que se contaba resulta no ser
factible primal pero aún cumple la prueba de optimalidad, es pertinente usar el Método
Símplex dual a partir de la solución básica factible dual. Presentamos a continuación un
resumen de los detalles o pasos asociados con el Método Símplex dual.
Resumen del Método Símplex dual
Fase 1: iniciación y prueba de factibilidad inicial.
• Transformar las restricciones estructurales de la forma ≥ a la forma ≤ al multiplicar la

inecuación por -1.
• Incorporar las variables de holgura que se requiera para convertir las inecuaciones en
ecuaciones.
• Hallar una solución básica en la que los coeficientes de la fila 𝐹𝐹! sean ceros para las
variables básicas y no negativos para las no básicas, de esta forma la solución será óptima
si es factible.

• Prueba de factibilidad de la situación inicial: En caso que todas las variables básicas sean
no negativas, se concluye que la solución es factible y en consecuencia también es óptima,
con lo cual se llega al final del proceso, en caso contrario se requiere ingresar al proceso
iterativo.

18

Fase 2: procedimiento iterativo.
• Paso 1 de la iteración: identificar cual debe ser la variable básica saliente, esta será la que
tenga el valor más negativo entre el actual conjunto de variables básicas.
• Paso 2 de la iteración: identificar cual variable básica debe ser la entrante, esto se
determina examinando las variables no básicas con coeficientes negativos en la fila de la
variable básica saliente, la variable entrante será la que arroje cociente de menor valor
absoluto al dividir su coeficiente en 𝐹𝐹! por su coeficiente negativo en la final de la básica
saliente.
• Paso 3 de iteración: determinación de la nueva solución básica a partir de las ecuaciones

actuales, despejando las variables básicas en función de las no básicas y haciendo uso de
eliminación de Gauss. Con las variables no básicas igualadas a cero, el valor de las básicas
(y Z) corresponde al nuevo valor del lado derecho de la ecuación en la que su coeficiente
es 1. Luego de estos pasos se lleva a cabo la prueba de factibilidad, si se satisface se da por
terminado el problema con la solución hallada, de lo contrario se realiza una nueva
iteración.
Ejemplo 5.4
Usamos en este ejemplo el Método Simplex dual para resolver el dual correspondiente al
problema de la empresa la Arenosa. A continuación se escribe el problema dual ajustado
de tal manera que ahora es un problema de maximización (multiplicando por -1 la
ecuación de la función objetivo)
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = −4𝑦𝑦! − 12𝑦𝑦! − 18𝑦𝑦!

𝑦𝑦! + 3𝑦𝑦! ≥ 6
2𝑦𝑦! + 2𝑦𝑦! ≥ 10
𝑦𝑦! ≥ 0; 𝑦𝑦! ≥ 0; 𝑦𝑦! ≥ 0

19

Solución:
Fase 1: inicialización y prueba de factibilidad inicial:
Transformación de restricciones a la forma ≤ e inclusión de variables de holgura: A

partir de la anterior formulación se procede a multiplicar por -1 las inecuaciones de las
restricciones estructurales, y luego se incluyen las variables de holgura 𝑦𝑦! y 𝑦𝑦! , con lo cual
el modelo es el siguiente:
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = −4𝑦𝑦! − 12𝑦𝑦! − 18𝑦𝑦!

−𝑦𝑦! − 3𝑦𝑦! + 𝑦𝑦! + = − 6
−2𝑦𝑦! − 2𝑦𝑦! + 𝑦𝑦! = −10
𝑦𝑦! ≥ 0; 𝑦𝑦! ≥ 0; 𝑦𝑦! ≥ 0
Podemos expresar la ecuación de la función 𝑍𝑍+4𝑦𝑦! + 12𝑦𝑦! + 18𝑦𝑦! = 0, con lo cual

podemos iniciar el trabajo a partir de la forma tabular en la que las variables básicas
iniciales son las variables de holgura, la tabla inicial es la siguiente:
Fila V. Básicas 𝑍𝑍 𝑦𝑦! 𝑦𝑦! 𝑦𝑦! 𝑦𝑦! 𝑦𝑦! 𝑏𝑏!

𝑭𝑭𝟎𝟎 𝒁𝒁 𝟏𝟏 𝟒𝟒 𝟏𝟏𝟏𝟏 𝟏𝟏𝟏𝟏 𝟎𝟎 𝟎𝟎 𝟎𝟎
𝐹𝐹! 𝑦𝑦! 0 −1 0 −3 1 0 −6
𝐹𝐹! 𝑦𝑦! 0 0 −2 −2 0 1 −10

Tabla 11
Fuente: Propia.

20

En la tabla 11 los coeficientes de la fila 𝐹𝐹! son ceros para las variables básicas y no
negativos para las no básicas. Se ve entonces que la solución básica inicial es:
𝑦𝑦! = 0; 𝑦𝑦! = 0; 𝑦𝑦! = 0; 𝑦𝑦! = −6; 𝑦𝑦! = −10

Esta solución no es factible por tener valores negativos, se requiere entonces el desarrollo
del proceso iterativo.
Fase 2: procedimiento iterativo.
Primera iteración
Paso 1 de la primera iteración: se identifica a 𝑦𝑦! como la variable básica saliente, debido
a que tiene el valor más negativo entre las actuales variables básicas.
Paso 2 de la primera iteración: se identifica a 𝑦𝑦! como la variable básica entrante, esto en
razón a que el cociente de su coeficiente en la fila 𝐹𝐹! por su coeficiente en la fila de la
variable saliente arroja el numero con menor valor absoluto.
Paso 3 de primera iteración: determinación de la nueva solución básica. Las nuevas

variables básicas son entonces 𝑦𝑦! y 𝑦𝑦! , por tanto se lleva la tabla 6.x a la forma apropiada
mediante procedimientos de eliminación gaussiana, con lo que se obtiene la tabla 12.

𝑭𝑭𝟎𝟎 𝒁𝒁 𝟏𝟏 𝟒𝟒 𝟎𝟎 𝟔𝟔 𝟎𝟎 𝟔𝟔 −𝟔𝟔𝟔𝟔
𝐹𝐹! 𝑦𝑦! 0 −1 0 −3 1 0 −6
𝐹𝐹! 𝑦𝑦! 0 0 1 1 0 1
− 5
2
Tabla 12. Tabla de la primera iteración
Fuente: Propia.

21

De la tabla 5.12 se ve que la solución básica es entonces:
𝑦𝑦! = 0; 𝑦𝑦! = 5; 𝑦𝑦! = 0; 𝑦𝑦! = −6; 𝑦𝑦! = 0

Esta solución no es factible porque contiene valores negativos entre sus variables básicas,
se requiere una nueva iteración.
Segunda iteración
Paso 1 de la segunda iteración: ahora la variable básica saliente es e identifica a 𝑦𝑦! (es la
única variable básica que tiene valor negativo en la tabla 12).
Paso 2 de la segunda iteración: siguiendo el debido criterio de cociente de menor valor

absoluto se identifica a 𝑦𝑦! como variable básica entrante.
Paso 3 de segunda iteración: determinación de la nueva solución básica. Las nuevas

variables básicas son entonces 𝑦𝑦! y 𝑦𝑦! . Llevando la tabla 5.12 a la forma apropiada se
obtiene la tabla 13.

𝑭𝑭𝟎𝟎 𝒁𝒁 𝟏𝟏 𝟐𝟐 𝟎𝟎 𝟎𝟎 𝟐𝟐 𝟔𝟔 −𝟕𝟕𝟕𝟕
𝐹𝐹! 𝑦𝑦! 0 1
0 1 1
− 0 2
3 3
𝐹𝐹! 𝑦𝑦! 0 1
− 1 0 1

1
− 3
3 3 2
Tabla 13
Fuente: Propia.

22

De la tabla 13 se ve que la solución básica es entonces:
𝑦𝑦! = 0; 𝑦𝑦! = 3; 𝑦𝑦! = 2; 𝑦𝑦! = 0; 𝑦𝑦! = 0

Esta solución es factible y óptima.

23

Introducción

Hasta la semana cinco hemos tenido la oportunidad de trabajar alrededor de una de las
áreas más utilizadas en Investigación de operaciones, la programación lineal, habiendo
visto que el mayor fundamento está en el uso del Método Simplex. Destacamos en ello
que los problemas están asociados con restricciones que pueden expresarse como
relaciones lineales entre las variables de decisión y que esas mismas variables
generalmente se encuentran sometidas a restricciones de no negatividad. Sin embargo,
vale anotar que, en el ámbito de los problemas propios de la investigación de operaciones,
y de la programación lineal particularmente, se encuentran problemas en los cuales las
variables de decisión se encuentran sometidas, además de las restricciones estructurales y
de no negatividad, a tomar valores enteros, lo que da lugar al uso de técnicas específicas
de programación lineal, conocidas como programación lineal entera.
En esta cartilla 6, dedicaremos nuestros esfuerzos al trabajo alrededor de principios

propios de la programación lineal entera. Quizá el estudiante se pregunte por qué abordar
técnicas nuevas, si al fin y al cabo se trata de un problema de programación lineal, el cual
se podría resolver mediante el Método Simplex. Sin embargo aunque parezca simple, la
complejidad que introduce las restricciones que obligan a la toma de valores enteros, es
bastante considerable, por lo que se hace necesario el uso de la programación lineal
entera o PLE.
En el desarrollo de la cartilla se presenta inicialmente el contexto general de la PLE, se

plantea ejemplos de formulación y modelado, algunas áreas de aplicación y un método de
solución de amplia acogida. Se resalta que en la práctica los problemas de programación
lineal entera generalmente involucran un gran número de variables y se resuelven
mediante el uso de aplicaciones computacionales elaboradas con base en estos principios,
por lo cual los detalles expuestos aquí se dan con fines de ilustración sobre el
funcionamiento de las herramientas tecnológicas y la importancia de la investigación de
operaciones en la solución de problemas.

1

Las recomendaciones básicas, al igual que en semanas anteriores, se refieren a la
cuidadosa lectura de los contenidos de esta cartilla, al mismo tiempo o al final de la misma
se deben revisar los recursos adicionales ofrecidos en el módulo para esta semana.
Las lecturas complementarias dan al estudiante la oportunidad de revisar la solución de

ejercicios resueltos que refuerzan las exposiciones hechas en la cartilla, aprovechar este
recurso es una buena estrategia de cercamiento al alcance de los objetivos propuestos
También se recomienda la visualización de los ejercicios y contenidos ilustrados en los
videos cuyos enlaces son ofrecidos a través de la sección de video capsulas, estos videos
proporcionan explicaciones vivas del tema y solución de problemas.
Frente a la necesidad y pertinencia, dentro de todo proceso de aprendizaje, de

enfrentarse a desafíos a través de los cuales pueda verificar para sí mismo la apropiación
de los contenidos, se presenta la sección ejercicios de repaso, en la cual se encuentra
ejercicios propuestos sobre la temática de esta cartilla. Se recomienda al estudiante tener
presente el material del video resumen de esta semana.

2

Fundamentos de Programación Lineal entera
Problemas de Programación Lineal entera
El paso conceptual del modelado de un problema de programación lineal, estudiada hasta
la semana anterior, a la programación lineal entera es bastante sencillo desde el punto de
vista de la formulación, sin embargo la solución resulta significativamente diferente e
incluso más intensiva desde el punto de vista computacional. En general un problema de
programación lineal entera o PLE, es un problema de programación lineal en el que
algunas de las variables de decisión involucradas están limitadas a tomar solo valores
enteros. Si el problema involucra variables enteras y no enteras se dice que es un
problema de programación lineal mixto, ejemplo de ello es el ilustrado en el siguiente
ejemplo:
Ejemplo 6.1: modelo de un problema de programación lineal entera mixto.

𝑥𝑥! + 2𝑥𝑥! ≤ 9
𝑥𝑥! ≥ 0
𝑥𝑥! ∈ ℤ!

En los casos en que todas las variables de decisión solo pueden tomar valores enteros, se
dice que el problema es de programación lineal entera puro. Un ejemplo de modelo de
este tipo de modelo se ilustra en el siguiente ejemplo.

3

Ejemplo 6.2: modelo de un problema de programación lineal entera puro.

𝑥𝑥! + 2𝑥𝑥! ≤ 9
𝑥𝑥! , 𝑥𝑥! ∈ ℤ!

En algunos casos los valores de las variables están limitados aún más, y solo pueden tomar
valores 0 o 1, o lo que comúnmente se conoce como decisiones del tipo Sí o No, en cuya
situación el problema correspondiente se clasifica como problema de programación lineal
entera binario (PLEB). A continuación se presenta un ejemplo de modelo de programación
lineal entera binario (PLEB).
Ejemplo 6.3: modelo de un problema de programación lineal entera binario.
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 2𝑥𝑥! − 𝑥𝑥!

𝑥𝑥! + 2𝑥𝑥! ≤ 3
3𝑥𝑥! − 2𝑥𝑥! ≤ 1
𝑥𝑥! , 𝑥𝑥! ∈ {0, 1}
Formulación y modelado de problemas de PLEB
En esta subsección se formula y analiza un problema que puede modelarse y resolverse
como un problema de programación lineal entera y binara. En la realidad el tipo de
problemas que se presenta contempla muchas más variables y restricciones pero, aunque
este es un problema muy sencillo, se presenta con fines de ilustrar el contexto propio del
área de PLEB. El problema es el siguiente:

4

Ejemplo 6.4:
La Fundación Universitaria del Área Andina ha venido adelantando un ambicioso

programa de expansión para hacer llegar sus servicios a otras regiones del país en que
quiere hacer mayor presencia actualmente está considerando la posibilidad de abrir
nuevas sedes bien sea en la ciudad de Cartagena (departamento de Bolívar) o en Florencia
(Caquetá). Adicionalmente, y con el fin de hacer mayor divulgación y promoción de sus
programas de formación en la modalidad virtual, piensa abrir no más de un Centro de
Servicios al Usuario (CSU), en un municipio del departamento relativamente alejado de
alguna ciudad donde abra sede. Los estudios realizados indican que el monto requerido
para la construcción y apertura de la sede en Cartagena tiene un valor de 18 mil millones
de pesos, mientras que en Florencia sería de 9 mil millones de pesos, por otro lado, si se
crea el CSU en otro municipio del departamento de Bolívar, este tendría un costo de 15
mil millones de pesos, en cambio en otro municipio del departamento de Caquetá el costo
sería de 6 mil millones. Además de lo anterior los mismos estudios indican que las
inversiones que se realicen darían a la FUAA un beneficio representado en la valorización
de tal manera que los valores presentes netos de los resultados de las inversiones serían
de 27 mil millones la construcción y apertura de la sede de Cartagena, 15 mil millones la
sede de Florencia, 18 mil millones el CSU en otro municipio de Bolívar y 12 mil millones en
otro municipio de Caquetá. La junta directiva ha establecido en 30 mil millones de pesos el
monto límite de inversión total, pero se quiere invertir de tal forma que se obtenga el
máximo posible de valor presente neto de sus inversiones, para lo cual se requiere
analizar cuál es la mejor forma de realizar la inversión.
Modelado como un problema de PLEB
Se inicia seleccionando un conjunto de variables asociadas, referidas a la creación de una

sede en alguna de las ciudades y una CSU en otro municipio, estas variables son:
𝑥𝑥! = 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶ó𝑛𝑛 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶.
𝑥𝑥! = 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶ó𝑛𝑛 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹.
𝑥𝑥! = 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶ó𝑛𝑛 𝑑𝑑𝑑𝑑𝑑𝑑 𝐶𝐶𝐶𝐶𝐶𝐶 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑑𝑑𝑑𝑑 𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵.
𝑥𝑥! = 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶ó𝑛𝑛 𝑑𝑑𝑑𝑑𝑑𝑑 𝐶𝐶𝐶𝐶𝐶𝐶 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑑𝑑𝑑𝑑 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶á.
Cada variable tomará un valor de 0 o 1, respectivamente, según la decisión sea Sí o No

crear la correspondiente sede o CSU, es decir:

5

1 𝑠𝑠𝑠𝑠 𝑙𝑙𝑙𝑙 𝑗𝑗 − 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑ó𝑛𝑛 𝑒𝑒𝑒𝑒 𝑆𝑆í
𝑥𝑥! =
0 𝑖𝑖 𝑙𝑙𝑙𝑙 𝑗𝑗 − 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑ó𝑛𝑛 𝑒𝑒𝑒𝑒 𝑁𝑁𝑁𝑁
La tabla 1 resume los datos del problema, las cantidades de dinero se expresan en
millones.
Índice 𝒋𝒋 Posible decisión Variable Presente Monto a

𝒙𝒙𝒋𝒋 neto invertir
1 Crear sede en Cartagena 𝑥𝑥! 27000 18.000
2 Crear sede en Florencia 𝑥𝑥! 15.000 9.000
3 Crear CSU en Bolívar 𝑥𝑥! 18.000 15.000
4 Crear CSU en Caquetá 𝑥𝑥! 12.000 6.000
Tabla 1
Fuente: Propia.
El objetivo es tener el máximo del valor presente neto total, es decir, se quiere maximizar
la función:
𝑍𝑍 = 27.000𝑥𝑥! + 15.000𝑥𝑥! + 18.000𝑥𝑥! + 12.000𝑥𝑥!
El costo de optar o no por cada alternativa es igual al costo de la misma por el valor de la
respectiva variable de decisión 𝑥𝑥! , dependiendo si el valor de 𝑥𝑥! es 1 o 0. Si además se
tiene en cuenta que la FUAA cuenta con un límite de inversión de 30 mil millones de
pesos, una de las restricciones es:
18.000𝑥𝑥! + 9.000𝑥𝑥! + 15.000𝑥𝑥! + 6.000𝑥𝑥! ≤ 30.000

6

Dado que a lo sumo se creará un CSU, se tiene entonces que la suma de las variables 𝑥𝑥! y
𝑥𝑥! máximo 1, lo que da la segunda restricción:
𝑥𝑥! + 𝑥𝑥! ≤ 1

Además de lo anterior debemos tener en cuenta que la posibilidad de crear el CSU en

Bolívar (𝑥𝑥! = 1) depende de la creación de la sede en Cartagena (𝑥𝑥! = 0), aunque esto
no lo implica, por tanto el valor de 𝑥𝑥! no puede superar al de 𝑥𝑥! . Situación similar se aplica
a la posibilidad de crear el CSU en el Caquetá, dependiendo si se crea o no la sede en
Florencia. Con este razonamiento tenemos dos restricciones más, estas son:
𝑥𝑥! ≤ 𝑥𝑥! 𝑜𝑜 − 𝑥𝑥! + 𝑥𝑥! ≤ 0 y 𝑥𝑥! ≤ 𝑥𝑥! 𝑜𝑜 − 𝑥𝑥! + 𝑥𝑥! ≤ 0

En resumen, el modelo del problema es:
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 27.000𝑥𝑥! + 15.000𝑥𝑥! + 18.000𝑥𝑥! + 12.000𝑥𝑥!

18.000𝑥𝑥! + 9.000𝑥𝑥! + 15.000𝑥𝑥! + 6.000𝑥𝑥! ≤ 30.000
𝑥𝑥! + 𝑥𝑥! ≤ 1
−𝑥𝑥! + 𝑥𝑥! ≤ 0
− 𝑥𝑥! + 𝑥𝑥! ≤ 0
0 ≤ 𝑥𝑥! ≤ 1 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑗𝑗 = 1, 2, 3 ,4 𝑦𝑦 𝑥𝑥! 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒

De lo planteado hasta ahora con base en el enunciado y formulación del modelo podemos
extraer algunos de los elementos generales de la programación lineal entera binaria, por
ejemplo, son situaciones en las cuales se toman decisiones del tipo Sí o No. Además,
algunos grupos de decisiones son alternativas mutuamente excluyentes, de tal manera
que una decisión positiva dentro de las variables del grupo obliga a que las demás sean

7

negativas. En el caso del ejemplo 6.1 esto se da con las variables 𝑥𝑥! y 𝑥𝑥! . En el caso
general de estos grupos de decisiones, si a lo sumo una sola de las decisiones puede ser Sí,
se tiene una restricción específica en que la suma de las variables correspondientes debe
ser menor o igual a 1. Si obligatoriamente una de ellas es positiva y las demás negativas, la
suma debe ser exactamente 1. Por otro parte en el contexto de la PLEB encontramos
decisiones contingentes o que dependen de decisiones anteriores. En nuestro ejemplo
este tipo de decisiones se evidencia en el hecho que las variables 𝑥𝑥! y 𝑥𝑥! ,
respectivamente, pueden ser 1 si y solo si las variables 𝑥𝑥! y 𝑥𝑥! también valen 1.
Áreas de aplicación de Programación Lineal Entera Binaria

En esta sección de la presente cartilla se describe brevemente algunas de situaciones de
aplicación de programación entera binaria en los que se asigna variables de decisión 𝑥𝑥!
definidas mediante:

1 𝑠𝑠𝑠𝑠 𝑠𝑠𝑠𝑠 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑒𝑒𝑒𝑒 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑗𝑗.
𝑥𝑥! =
0 𝑠𝑠𝑠𝑠 𝑛𝑛𝑛𝑛 𝑠𝑠𝑠𝑠 𝑠𝑠𝑠𝑠 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑒𝑒𝑒𝑒 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑗𝑗.
Aplicación en análisis de inversión
El problema correspondiente al ejemplo 6.4 es un caso de aplicación de la PLEB en análisis

de inversión, en casos como este las decisiones a tomar no se referían al monto de dinero
a invertir, sino a la conveniencia de invertir en una u otra alternativa. Afirmamos,
amparados en el ejemplo, que no se decide el monto a invertir debido a que las
cantidades a invertir en un proyecto, o una nueva sede, o la compra de determinados
equipos ya están fijadas o definidas, con lo cual el problema es realmente decidir si se
invierte o no una cantidad fija. Se tiene entonces en general que la administración se
enfrenta a la necesidad de toma de decisiones del tipo Sí o No.
Ejemplo 6.5
Una compañía colocadora de inversiones analiza cuatro posibles modalidades de invertir

capital captado de los ahorros de sus clientes. La primera posibilidad está asociada con un
valor presente neto de $48.000.000, la segunda con $66.000.000, la tercera posibilidad

8

de inversión puede dar un valor presente neto de $36.000.000 y la cuarta de $24.000.000.
El capital inicial a invertir en cada una de las posibilidades es de $15.000.000,
$21.000.000, $12.000.000 y S9.000.000, respectivamente. Además de lo anterior, los
analistas económicos consideran que si se invierte en la segunda opción también debe
hacerlo en la primera, y que no se puede invertir en más de tres opciones. Se sabe que el
fondo máximo a invertir es de $42.000.000. La empresa solicita a su equipo de
investigación de operaciones que formule un modelo que refleje el interés de la empresa
de obtener el mayor beneficio posible.
El equipo de investigación de operaciones observa que este es un problema en el cual se

debe decidir sí invertir o no en una u otra posibilidad, por lo cual establece cuatro
variables de decisión definidas mediante:

1 𝑠𝑠𝑠𝑠 𝑠𝑠𝑠𝑠 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 𝑙𝑙𝑙𝑙 𝑖𝑖𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛ó𝑛𝑛 𝑗𝑗
𝑥𝑥! = 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑗𝑗 = 1, 2, 3, 4
0 𝑠𝑠𝑠𝑠 𝑛𝑛𝑛𝑛 𝑠𝑠𝑠𝑠 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 𝑙𝑙𝑙𝑙 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖ó𝑛𝑛 𝑗𝑗
La finalidad es obtener el mayor rendimiento posible, el cual está dado en términos del
valor presente neto que llegue a producir cada una de las opciones que se haga, por tanto
el objetivo es maximizar la función
𝑍𝑍 = 48.000.000𝑥𝑥! + 66.000.000𝑥𝑥! + 36.000.000𝑥𝑥! + 24.000.000𝑥𝑥!
Como el capital total a invertir está limitado a $42.000.000 se tiene la restricción

estructural:
15.000.000𝑥𝑥! + 21.000.000𝑥𝑥! + 12.000.000𝑥𝑥! + 9.000.000𝑥𝑥! ≤ 42.000.000.
Como la compañía está limitada a realizar inversiones máximo en tres posibilidades y si se

invierte en la segunda posibilidad obligaría a invertir también en la primera, se configura
las siguientes restricciones adicionales:

9

𝑥𝑥! + 𝑥𝑥! + 𝑥𝑥! + 𝑥𝑥! ≤ 3
𝑥𝑥! ≥ 𝑥𝑥!

Finalmente las variables 𝑥𝑥! solo pueden tomar los valores 0 o 1, el modelo resultante es:
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 48.000.000𝑥𝑥! + 66.000.000𝑥𝑥! + 36.000.000𝑥𝑥! + 24.000.000𝑥𝑥!
15.000.000𝑥𝑥! + 21.000.000𝑥𝑥! + 12.000.000𝑥𝑥! + 9.000.000𝑥𝑥! ≤ 42.000.000.
𝑥𝑥! + 𝑥𝑥! + 𝑥𝑥! + 𝑥𝑥! ≤ 3
𝑥𝑥! ≥ 𝑥𝑥!
𝑥𝑥! ≥ 0; 𝑥𝑥! ≥ 0; 𝑥𝑥! ≥ 0; 𝑥𝑥! ≥ 0;
Ejemplo 6.6
Una empresa productora de prendas de vestir: faldas, pantalonetas y pantalones. La

elaboración de cada unidad de cada tipo de prenda necesita la aplicación de procesos en
máquinas especializadas que se toman en arriendo, los costos de arriendo mensual son de
600 mil pesos para la usada en la elaboración de falda, 450 mil pesos para la de
pantalonetas y 300 mil pesos para la de pantalones. En cuanto a las cantidades de tela se
tiene que las cantidades de tela por unidad y las horas de mano de obra son las que se
presentan en el cuadro. El mismo cuadro muestra los precios unitarios de venta y costo de
producción de cada prenda.

Horas de 𝑴𝑴𝑴𝑴𝑴𝑴𝟐𝟐 Costo unitario Precio unitario

mano de obra de tela de producción de venta
Faldas 3 4 $ 18.000.00 $ 36.000.00
pantalonetas 2 3 $ 12.000.00 $ 24.000.00
pantalones 6 4 $ 24.000.00 $ 45.000.00


10

Además se sabe que se dispone de 150 horas de mano de obra al mes y 160 metros
cuadrados de tela. Para plantear un modelo cuya solución lleve a obtener la mayor
ganancia posible se realiza las siguientes consideraciones.

𝑥𝑥! = número de faldas a producir en el mes.
𝑥𝑥! = número de pantalonetas a producir en el mes.
𝑥𝑥! = número de pantalones a producir en el mes.
Teniendo en cuenta que el arriendo de las máquinas depende de la prenda específica, se

requiere el uso de variables binarias que indiquen la decisión de arrendar o no la
respectiva máquina, estas variables se definen mediante:

1 𝑠𝑠𝑠𝑠 𝑠𝑠𝑠𝑠 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑒𝑒𝑒𝑒 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑙𝑙𝑙𝑙 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑗𝑗
𝑦𝑦! = 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑗𝑗 = 1, 2, 3.
0 𝑒𝑒𝑒𝑒 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑑𝑑𝑑𝑑 𝑛𝑛𝑛𝑛 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑙𝑙𝑙𝑙 𝑚𝑚á𝑞𝑞𝑞𝑞𝑞𝑞𝑞𝑞𝑞𝑞 𝑒𝑒𝑒𝑒 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎
Es claro que si se arrienda la maquina 𝑦𝑦! es porque ha de usarse en la producción de

prendas del tipo 𝑗𝑗, por tanto 𝑥𝑥! > 0. Si la máquina 𝑦𝑦! no se arrienda, entonces 𝑥𝑥! = 0. Con
base en esto se tiene las restricciones:

𝑥𝑥! ≤ 𝑘𝑘! 𝑦𝑦!
Donde los valores de 𝑘𝑘! , 𝑘𝑘! , 𝑘𝑘! son números lo suficientemente grande para limitar los
valores de 𝑥𝑥! , 𝑥𝑥! , 𝑥𝑥! . La función objetivo es la diferencia éntrelos ingresos recibidos y los
gastos en que se incurre, se tienen entonces que:
𝑍𝑍 = 36.000𝑥𝑥! + 24.000 𝑥𝑥! + 45.000𝑥𝑥! − (18.000𝑥𝑥! + 12.000 𝑥𝑥! + 24.000𝑥𝑥! ) − (600.000𝑦𝑦! + 450.000
𝑦𝑦! + 300𝑦𝑦! )

𝑍𝑍 = 18.000𝑥𝑥! + 12.000 𝑥𝑥! + 21.000𝑥𝑥! − 600.000𝑦𝑦! + 450.000 𝑦𝑦! + 300.000𝑦𝑦!

11

Las restricciones relacionadas con la disponibilidad de mano de obra y de tela son

respectivamente:
𝟑𝟑𝒙𝒙𝟏𝟏 + 𝟐𝟐 𝒙𝒙𝟐𝟐 + 𝟔𝟔𝒙𝒙𝟑𝟑 < 𝟏𝟏𝟏𝟏𝟏𝟏
𝟒𝟒𝒙𝒙𝟏𝟏 + 𝟑𝟑 𝒙𝒙𝟐𝟐 + 𝟒𝟒𝒙𝒙𝟑𝟑 < 𝟏𝟏𝟏𝟏𝟏𝟏
En este caso, atendiendo a las condiciones del problema, el valor de 100 para 𝑘𝑘! , 𝑘𝑘! 𝑦𝑦 𝑘𝑘!
es suficiente para acotar los posibles valores de 𝑥𝑥! , 𝑥𝑥! 𝑦𝑦 𝑥𝑥! . Por tanto el modelo del
problema se resume en:

𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 18.000𝑥𝑥! + 12.000 𝑥𝑥! + 21.000𝑥𝑥! − 600.000𝑦𝑦! +

450.000 𝑦𝑦! + 300.000𝑦𝑦!

3𝑥𝑥! + 2 𝑥𝑥! + 6𝑥𝑥! < 150
4𝑥𝑥! + 3 𝑥𝑥! + 4𝑥𝑥! < 160
𝑥𝑥! ≤ 100𝑦𝑦!
𝑥𝑥! ≤ 100𝑦𝑦!

𝑥𝑥! ≤ 100𝑦𝑦!
𝑥𝑥! , 𝑥𝑥! , 𝑥𝑥! ∈ ℤ!
𝑦𝑦! , 𝑦𝑦! , 𝑦𝑦! ∈ {0, 1}


12

Selección de sitios en los cuales invertir
Tal como sucede con el contexto del problema del ejemplo 6.4, muchas empresas que
buscan su expansión, consideran posibilidades de creación de plantas o apertura de sedes
en diferentes sitios geográficos considerando las ventajas que pueda dar un sitio u otro. La
selección del sitio demanda un detallado análisis que permita soportar la decisión del tipo

1 𝑠𝑠𝑠𝑠 𝑠𝑠𝑠𝑠 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑗𝑗
𝑥𝑥! =
0 𝑠𝑠𝑠𝑠 𝑛𝑛𝑛𝑛 𝑠𝑠𝑠𝑠 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑗𝑗

Relajación de un problema de programación lineal entera

Ya hemos comentado acerca de la similitud entre las formulaciones entre los problemas
de programación lineal y los de programación lineal entera, pero los problemas de PLE
están más restringidos ya que las variables de decisión solo pueden tomar valores enteros.
Dado que el conjunto de soluciones de un problema de PLE está limitado al conjunto de
enteros positivos, podría pensarse en una técnica de enumeración de todas las posibles
soluciones y analizar cuáles de estas resultan óptimas, sin embargo esto no es
conveniente en problemas con un significativo número de variables de decisión, ya que el
número de soluciones factibles llega a ser inmanejable, por tanto se hace necesario
adoptar técnicas que apunten hacia la consecución de las mejores soluciones de manera
eficiente.
Frente a la eficiencia del Método Simplex, una importante tendencia en el campo de

soluciones de problemas de PLE es la técnica de relajamiento, según la cual a partir de un
problema de PLE se formula un problema de programación lineal eliminando las
restricciones asociadas con el carácter entero de la variables de decisión, a este problema
de programación lineal (PL) derivado del problema de programación lineal entera (PLE) se
le conoce como la relajación del PLB, el término relajación se refiere a la mayor flexibilidad
en cuanto al conjunto de valores que puede tomar las variables. A manera de ejemplo se
presenta…
La formulación y solución de problema relajado de un PLE resulta de gran utilidad como

parte del método de solución conocido como Ramificación y Acotamiento, que es uno de
los más importantes procedimientos de solución de problemas de programación lineal
entera. El método de ramificación y acotamiento se estudia en la siguiente sección.

13

Método de ramificación y acortamiento para resolver problemas de PLE
El método de ramificación y acotamiento se fundamenta en el principio de dividir un
problema original de gran tamaño, y difícil de resolver como un todo, en un mayor
número de problemas pequeños más fáciles de resolver. Esta idea se puede trabajar en
varios niveles, es decir, se divide el gran problema en problemas más pequeños y cada
uno de estos a su vez se puede dividir en otros más simples. La ramificación consiste en
establecer una partición del conjunto de soluciones factibles del problema original,
mientras que el acotamiento de la solución facilita el descarte de subconjuntos que violen
el límite.
El método de ramificación y acotamiento hace uso de la técnica de relajación descrita en

la sección anterior, la valides de uso de la técnica de relajación radica en que, una vez
resuelta la relajación, su solución constituye una cota para el problema de PLE debido a
que la solución óptima del problema de PLE no puede ser mejor que el de la relajación.
Existen procedimientos particulares del método para resolver problemas de programación

lineal entera binaria y mixta, pero en el mundo real se acude generalmente a paquetes de
software que arrojan la solución a partir de la formulación de un modelo. En esta sección,
con fines de ilustración de la lógica que hay detrás del método, abordamos el caso de PLE
a partir de un pequeño conjunto de sencillos ejemplos.
Ejemplo 6.5:
2𝑥𝑥! + 𝑥𝑥! ≤ 6
+
𝑥𝑥! , 𝑥𝑥! ∈ ℤ
Al resolver la relajación de este modelo mediante el método de programación lineal se

obtiene como solución 𝑥𝑥! = 0, 𝑥𝑥! = 6, 𝑍𝑍 = 12. (El problema relajado fue propuesto como
un ejercicio de repaso en la semana 2). En este caso la solución del PLB coincide con la de
su relajación debido a los valores de las variables son enteros.

14

Ejemplo 6.6:
Una empresa fabricante de muebles produce mesas y sillas, en cuanto a tiempo de

trabajo, cada mesa y cada silla demandan una hora, mientras que en lo que se refiere a
materia prima, las mesas y sillas requieren de 9 y 5 pies cuadrados de madera por unidad
respectivamente. Se sabe que se dispone de 6 horas de mano de obra y 45 pies cuadrados
de madera, también se tiene que la utilidad dada por una mesa es de 8 dólares, y la de
una silla es de 5 dólares. Se pide formular y resolver el modelo que otorgue la mayor
utilidad posible a la mueblería.
Solución:
Sea:
𝑥𝑥! = 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑎𝑎 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓

𝑥𝑥! = 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑎𝑎 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓
La utilidad que se pueda obtener está dada por la función objetivo 𝑍𝑍 = 8𝑥𝑥! + 5𝑥𝑥! , la
limitante en tiempo de horas de trabajo corresponde a 𝑥𝑥! + 𝑥𝑥! ≤ 6, mientras que los
recursos de madera están limitados por 9𝑥𝑥! + 5𝑥𝑥! ≤ 45 y, teniendo en cuenta que los
valores 𝑥𝑥! , 𝑥𝑥! deben ser enteros, el correspondiente modelo de programación lineal
entera es y su relajado, al que llamamos subproblema 1, son los siguientes:
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 8𝑥𝑥! + 5𝑥𝑥! 𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑎𝑎𝑎𝑎 𝑍𝑍 = 8𝑥𝑥! + 5𝑥𝑥!

𝑥𝑥! + 𝑥𝑥! ≤ 6 𝑥𝑥! + 𝑥𝑥! ≤ 6
9𝑥𝑥! + 5𝑥𝑥! ≤ 45 9𝑥𝑥! + 5𝑥𝑥! ≤ 45
+ 𝑥𝑥! ≥ 0 𝑥𝑥! ≥ 0
𝑥𝑥! , 𝑥𝑥! ∈ ℤ
Modelo original del problema de Subproblema 1: Modelo relajado del
programación lineal entera problema original

Tabla 2
Fuente: Propia.

15

El modelo relajado corresponde a un ejercicio de repaso propuesto en la semana 2, si no
lo ha resuelto es recomendable que lo haga con fines de verificación, su solución es:
15 9 165
𝑥𝑥! = ; 𝑥𝑥! = ; 𝑍𝑍 = = 41,25
4 4 4

Lo que indica que el máximo valor que podría alcanzar la función objetivo del problema
original, restringido a valores enteros es valor hallado para la función objetivo del
problema relajado es 𝑍𝑍 = 41.
Ahora lo que sigue es establecer una partición del conjunto de soluciones factibles del
modelo relajado. La partición se puede establecer de forma arbitraria, pero teniendo en
cuenta que para el caso de la variable 𝑥𝑥! su valor en la solución óptima es mayor que 3,
podemos usar una partición que involucre este valor, con lo que tenemos las restricciones
𝑥𝑥! ≤ 3 y 𝑥𝑥! ≥ 4, (se toma 𝑥𝑥! ≥ 4 porque para el problema entero no tiene sentido tomar
valores en (3, 4)). Con lo anterior el subproblema 1 se divide en los subproblemas 2 y 3
ilustrados a continuación.
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 8𝑥𝑥! + 5𝑥𝑥! 𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 8𝑥𝑥! + 5𝑥𝑥!

𝑥𝑥! + 𝑥𝑥! ≤ 6 𝑥𝑥! + 𝑥𝑥! ≤ 6
9𝑥𝑥! + 5𝑥𝑥! ≤ 45 9𝑥𝑥! + 5𝑥𝑥! ≤ 45
𝑥𝑥! ≤ 3 𝑥𝑥! ≥ 0 𝑥𝑥! ≥ 0
𝑥𝑥! ≥ 0 𝑥𝑥! ≥ 0 𝑥𝑥! ≥ 4
Subproblema 2: derivado del subproblema Subproblema 3: derivado del subproblema
1 adicionando la restricción 𝒙𝒙𝟏𝟏 ≤ 𝟑𝟑 1 adicionando la restricción 𝒙𝒙𝟏𝟏 ≥ 𝟒𝟒

Tabla 3
Fuente: Propia.
El subproblema 2 fue propuesto como un ejercicio de repasos en las semanas 1 y 2, su

solución es 𝑥𝑥! = 3 y 𝑥𝑥! = 3, con lo cual el valor de la función objetivo es 𝑍𝑍 = 39, situación
en la que se cumple el hecho que las variables de decisión tomen valores enteros, lo que
hace de esta una solución candidata, pero cualquier subdivisión de este problema no
puede dar una mejor solución.

16

Como es posible encontrar un mejor valor de 𝑍𝑍 (40 o 41), debemos resolver el

subproblema 2, el cual fue propuesto como ejercicio de repaso en las semanas 1 y 2, su
!
solución es 𝑥𝑥! = 4 y 𝑥𝑥! = , dando a la función objetivo el valor 𝑍𝑍 = 41.
!
Como la solución del subproblema 2 no da en valores enteros, es necesario dividirlo en

!
dos nuevos subproblemas, para ello consideramos ahora que el valor 𝑥𝑥! = nos sugiere
!
tomar las particiones 𝑥𝑥! ≤ 1 y 𝑥𝑥! ≥ 2, teniéndose los subproblemas 4 y 5.

𝑥𝑥! + 𝑥𝑥! ≤ 6 𝑥𝑥! + 𝑥𝑥! ≤ 6
9𝑥𝑥! + 5𝑥𝑥! ≤ 45 9𝑥𝑥! + 5𝑥𝑥! ≤ 45
𝑥𝑥! ≥ 0 𝑥𝑥! ≥ 0, 𝑥𝑥! ≤ 1 𝑥𝑥! ≥ 0 𝑥𝑥! ≥ 0
3 adicionando la restricción 𝒙𝒙𝟐𝟐 ≤ 𝟏𝟏 3 adicionando la restricción 𝒙𝒙𝟐𝟐 ≥ 𝟐𝟐

Tabla 4
Fuente: Propia.

!" !"#
La solución del subproblema 4 es 𝑥𝑥! = y 𝑥𝑥! = 2, dando 𝑥𝑥! = 1 y 𝑍𝑍 = = 40,556 la
! !
cual no es una solución factible para el modelo de PLE. En cuanto al subproblema 5, se
encuentra que no hay valores que satisfagan el subproblema 3 y al mismo tiempo la
restricción 𝑥𝑥! ≥ 2, por tanto es necesario dividir el subproblema 4, en dos nuevos
subproblemas, con el fin de hallar una solución mejor que la del subproblema 2 (Z=39) e
!"#
inferior que 𝑍𝑍 = = 40,556.
!
!"
Del subproblema 4 tenemos 𝑥𝑥! = ≅ 4,44, lo que sugiere considerar las nuevas
!
restricciones 𝑥𝑥! ≤ 4 y 𝑥𝑥! ≥ 5 para definir los nuevos subproblemas.

17


𝑥𝑥! + 𝑥𝑥! ≤ 6 𝑥𝑥! + 𝑥𝑥! ≤ 6
9𝑥𝑥! + 5𝑥𝑥! ≤ 45 9𝑥𝑥! + 5𝑥𝑥! ≤ 45
𝑥𝑥! ≥ 0 𝑥𝑥! ≥ 0, 𝑥𝑥! ≤ 1 𝑥𝑥! ≥ 0 𝑥𝑥! ≥ 0
5 adicionando la restricción 𝒙𝒙𝟏𝟏 ≤ 𝟒𝟒 5 adicionando la restricción 𝒙𝒙𝟏𝟏 ≥ 𝟓𝟓
Tabla 5
Fuente: Propia.
La solución del subproblema 6 es 𝑥𝑥! = 4, 𝑥𝑥! = 1, lo que resulta en 𝑍𝑍 = 37, esta solución,
si bien es factible, se debe descartar porque no es mejor que la solución factible del
subproblema 2, en consecuencia, una mejor alternativa de solución se debe explorar por
la vía del subproblema 7, del cual se tiene como única solución posible 𝑥𝑥! = 5, 𝑥𝑥! = 0,
correspondiendo a un valor 𝑍𝑍 = 40, que es mejor que el valor óptimo hallado hasta el
momento (𝑍𝑍 = 39) y no puede ser mejorado porque estaríamos particionando un
conjunto vacío de soluciones. En conclusión, la solución óptima del problema original de
programación lineal entera es la correspondiente a la solución del subproblema 7.

18

1

Introducción
A lo largo de las cartillas anteriores en este curso hemos tenido la oportunidad de abordar
la programación lineal como una de las ramas fundamentales de la investigación de
operaciones, de la misma forma hemos encontrado situaciones que corresponden a casos
particulares de programación lineal, específicamente los que se enmarcan en el campo de
la programación lineal entera, lo que as u vez da lugar a la consideración de
procedimientos especiales distintos al Método Simplex. En esta cartilla iniciamos el
estudio introductorio de un tipo de problemas que, si bien puede tratarse desde la
perspectiva de la programación lineal entera, dada su estructura se aborda desde una
variante especial del Método Simplex. El problema se conoce como problema del
transporte y el método de solución es el Método Simplex de transporte. Debe aclararse
que la denominación de problema de transporte no lo convierte en un contexto exclusivo
del traslado de elementos físicos, veremos cómo diferentes problemas distintos se
pueden modelar como un problema del transporte.
El estudio de los contenidos inicia presentando las características generales del contexto
del problema del transporte, a partir de lo cual se puede establecer su formulación o
modelado como un problema de programación lineal. Realizadas las consideraciones a
que diere lugar el enunciado o situaciones particulares, se aborda la primera parte del
procedimiento de solución, la cual consiste en la obtención de una solución básica factible
inicial, tal como se requiere en la aplicación del Método Simplex, pero en este caso se
realiza mediante el uso de tres alternativas aquí consideradas. La solución completa de
problemas de transporte se estudiará e ilustrará en la octava cartilla.

3

Se recomienda aquí como en todas las cartillas anteriores la el cuidadosa revisión y
análisis de la está cartilla y siempre tener presente que se puede complementar con los
restantes recursos y actividades planteados desde esta parte del curso.
Las lecturas complementarias contienen situaciones resuelta en relación a la aplicación de

los métodos estudiados para obtener una solución inicial, mientras que los ejercicios de
repaso contemplan actividades que complementan el desarrollo de los temas. Por otro
lado los videos propuestos como video capsulas explican de forma detallada solución de
problemas relacionadas con las temáticas.
Componente importante del desarrollo de esta semana se relaciona con la actividad

evaluativa, la cual consiste en el desarrollo de un taller y la presentación de un quíz, a
través del cual se evalúa el mismo. El desarrollo del taller y su evaluación constituye un
importante elemento de preparación para la presentación de la evaluación final que se
debe presentar al final del curso la próxima semana.

4

Introducción al problema del transporte
El problema del transporte
Hemos visto en los primeros capítulos que la programación lineal es un área fundamental
de la investigación de operaciones, también vimos en la semana 5 que un conjunto
especial de problemas de programación lineal se enmarcan en la programación entera.
Otra de las áreas de la investigación de operaciones corresponde a lo que se conoce como
Problema del transporte, de lo que inicialmente vale la pena decir que en realidad es un
tipo especial de problemas de programación lineal, esto debido a que a partir de la
formulación del problema se puede modelar como un problema de programación lineal, y
que se podría resolver mediante el uso del Método Simplex, sin embargo, por ciertas
particularidades del modelo subyacente, se aplica otros procedimientos específicos en la
búsqueda de la solución. Aunque en el contexto general el estudio que abordamos se
conoce como problema de transporte, no siempre se refiere a situaciones de transporte
en el sentido que lo conocemos, su nombre se debe a que los diferentes problemas de
esta área se pueden modelar como si se tratara de enviar cantidades de productos desde
𝑚𝑚 puntos de origen hasta 𝑛𝑛 puntos de destino. Para efectos de ilustrar parte del contexto
de problemas de transporte se presenta a continuación la formulación de un sencillo
problema de este tipo.
Ejemplo 7.1
Una panadería en la ciudad de Bogotá tiene dos sucursales 𝑆𝑆! 𝑦𝑦 𝑆𝑆! en las que se elabora
los productos para vender en tres puntos de venta 𝑃𝑃! , 𝑃𝑃! y 𝑃𝑃! . La oferta de la sucursal 𝑆𝑆!
es de 2000 unidades de productos, la de la sucursal 𝑆𝑆! es de 2500. La demanda en el
punto de venta 𝑃𝑃! es de 1500 unidades, la del punto 𝑃𝑃! es de 2000 y la del punto 𝑃𝑃! es de
1000 unidades, además de lo anterior, los costos de envío desde la sucursal 𝑆𝑆! hacia los
puntos 𝑃𝑃! , 𝑃𝑃! y 𝑃𝑃! son respectivamente 8, 6 y 10, mientras que desde la sucursal 𝑆𝑆! los
respectivos costos son 10, 4 y 9. El problema a resolver consiste en hallar la política de
envío que tenga el menor costo tratando de satisfacer la demanda. Con este fin definimos
los siguientes términos:
𝑥𝑥!" = 𝑢𝑢𝑢𝑢𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑆𝑆! 𝑖𝑖 = 1, 2 ℎ𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑒𝑒𝑒𝑒 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑃𝑃! (𝑗𝑗
= 1, 2, 3)
5

El costo total de envío estaría dado por:
𝑍𝑍 = 8𝑥𝑥!! + 6𝑥𝑥!" + 10𝑥𝑥!" + 10𝑥𝑥!" + 4𝑥𝑥!! + 9𝑥𝑥!"
Por tanto, atendiendo a la cantidad total de unidades que se ofrece desde cada sucursal
𝑆𝑆! , 𝑆𝑆! y a las necesidades demandadas desde los puntos de venta 𝑃𝑃! , 𝑃𝑃! , 𝑃𝑃! se tiene la
siguiente formulación del problema (en que las restricciones son de igualdad porque la
cantidad de unidades ofrecidas es igual a la demandada):
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 8𝑥𝑥!! + 6𝑥𝑥!" + 10𝑥𝑥!" + 10𝑥𝑥!" + 4𝑥𝑥!! + 9𝑥𝑥!"
𝑥𝑥!! + 𝑥𝑥!" + 𝑥𝑥!" = 2000
𝑥𝑥!" + 𝑥𝑥!! + 𝑥𝑥!" = 2500
𝑥𝑥!! + 𝑥𝑥!" = 1500
𝑥𝑥!" + 𝑥𝑥!! = 2000
𝑥𝑥!" + 𝑥𝑥!! = 1000

𝑥𝑥!" ≥ 0, 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑖𝑖 = 1, 2; 𝑗𝑗 = 1, 2, 3
Siguiendo algunas de las ideas asociadas con el tratamiento del Método Simplex tenemos
la representación matricial de la situación.
La función Z se puede expresar como el producto del vector 𝒄𝒄 compuesto por los
coeficientes de las variables en la función objetivo y el vector columna cuyas componentes
son las variables de decisión, es decir:
6
𝑥𝑥!!
𝑥𝑥!"
𝑥𝑥!"
𝒁𝒁 = 𝒄𝒄𝒄𝒄 = 𝟖𝟖, 𝟔𝟔, 𝟏𝟏𝟏𝟏, 𝟏𝟏𝟏𝟏, 𝟒𝟒, 𝟗𝟗 𝑥𝑥
!"
𝑥𝑥!!
𝑥𝑥!"
𝒄𝒄 = 𝑥𝑥!! , 𝑥𝑥!" , 𝑥𝑥!" , 𝑥𝑥!" , 𝑥𝑥!! 𝑥𝑥!"
Por otro lado el conjunto de restricciones se expresa mediante la siguiente ecuación

matricial, en la que hemos resaltado algunos elementos.
Observamos particularmente que las dos primeras filas de la matriz 𝐴𝐴 corresponden a los
coeficientes de las variables de decisión, en las ecuaciones de restricción, asociadas con
las cantidades enviadas desde cada sucursal, mientras que las otras tres filas
corresponden a los coeficientes de cantidades recibidas por cada punto de venta desde las
sucursales.
A partir de los datos de la formulación y de la notación empleada, se tiene en la tabla 1 un

resumen de costos de envío, cantidades ofrecidas por las sucursales y cantidades
requeridas por los puntos de venta.

7 138
Datos de costos de envío, oferta y demanda
𝑃𝑃!
𝑃𝑃! 𝑃𝑃! 𝑃𝑃! 𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂
𝑆𝑆!
𝑆𝑆! 8 6 10 2000
𝑆𝑆! 10 4 9 2500
𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷 1500 2000 1000

Tabla 1.
Fuente: Propia.
Veremos posteriormente que la tabla resumen dejará ver la estructura genérica del
problema.
Modelo general de problemas de transporte

La notación usada en el ejemplo 7.1 se puede extender para considerar el caso general de
problemas que se pueden modelar como problemas de transporte, es decir como si se
tratara de la necesidad de distribuir algún tipo de mercancía o producto desde varios
puntos de origen hasta diferentes puntos de destino, asumiendo cierto costo por el
transporte de la mercancía entre orígenes y destinos, de tal manera que los costos totales
sean lo menor posible.
En general se considera que hay determinadas cantidades o unidades de producto a

distribuir, que existen 𝑚𝑚 puntos de origen, 𝑛𝑛 puntos de destino, también se tiene que 𝑆𝑆!
es la cantidad de unidades de producto que pueden ser distribuidas desde el origen 𝑂𝑂! , 𝑑𝑑!
es la cantidad de unidades de producto requeridas o demandadas en el destino 𝐷𝐷! y el
costo de distribución de cada unidad desde el origen 𝑂𝑂! hasta el destino 𝐷𝐷! está dada por
𝑐𝑐!" . Se puede ver que los datos o parámetros fundamentales del modelo son los valores de
las demandas de los diferentes destinos, la oferta de los puntos de origen y los costos
unitarios de envío entre origen y destino.
En el modelo que se describe se asume que cada uno de los puntos de origen cuenta con
una cantidad constante de unidades a distribuir totalmente entre los destinos y que desde
cada destino se requiere una cantidad constante de unidades que debe satisfacerse por
los puntos de origen, lo que significa que la totalidad de unidades ofrecidas y requeridas
deben ser iguales, a esta particularidad se le conoce como propiedad de existencia de
solución factible. La realidad de problemas en ciertos casos muestra que los valores de 𝑆𝑆!
corresponden a cantidades máximas que se podrían distribuir desde el punto de origen 𝑂𝑂!
8

o los valores de 𝑑𝑑! son cantidades máximas que podrían ser recibidas por el destino 𝐷𝐷! . En
estos casos es necesario realizar ajustes consistentes en la suposición de un origen ficticio
o destino ficticio de las diferencias entre lo real y los valores máximos. (Un breve
tratamiento a problemas con origen y destino ficticio se tratará más adelante en esta
misma cartilla). Otro supuesto razonable en el planteamiento de un modelo se refiere a la
directa proporcionalidad entre el costo de envío y la cantidad de unidades enviadas, es
decir, el costo de envío de 𝑥𝑥!" unidades desde el origen 𝑂𝑂!" hasta el destino 𝐷𝐷! es el
producto 𝑐𝑐!" 𝑥𝑥!" .
Descripción o planteamiento del modelo
La organización de los datos o parámetros del problema del ejemplo 7.1 en tabla 7.1,
correspondientes a la distribución de productos de panadería, permite extender la misma
idea al caso general de situaciones que se pueden modelar como problemas de
transporte, en los que se quiere minimizar el costo total de distribución asumiendo la
igualdad entre oferta y demanda, así como la directa proporcionalidad entre los costos
totales de envío, entre un origen y un destino, y el respectivo costo unitario. La
correspondiente tabla genérica es la tabla 2.
Parámetros fundamentales del problema

(costos unitarios, ofertas y demandas)
𝐷𝐷!
𝑂𝑂!
𝐷𝐷! 𝐷𝐷! … 𝐷𝐷! 𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂
𝑂𝑂! 𝑐𝑐!! 𝑐𝑐!" 𝑐𝑐!! 𝑠𝑠!
…
𝑂𝑂! 𝑐𝑐!" 𝑐𝑐!! 𝑐𝑐!! 𝑠𝑠!
…
⋮ ⋮ ⋮ ⋱ ⋮ ⋮
𝑂𝑂! 𝑐𝑐!! 𝑐𝑐!! 𝑐𝑐!" 𝑠𝑠!
…
𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷 𝑑𝑑! 𝑑𝑑! 𝑑𝑑!
…

Tabla 2
Fuente: Propia.
9
Repasando nuevamente la estructura del modelo matemático del problema de la del
ejemplo 7.1, si se envía 𝑥𝑥!" unidades desde el origen 𝑂𝑂! hasta el destino 𝐷𝐷! y 𝑐𝑐!" es el costo
unitario de envió, el costo total en que se incurre al realizar todos los envíos está dado por
una función objetivo 𝑍𝑍, la finalidad del problema es:
! !
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 𝑐𝑐!" 𝑥𝑥!"

!!! !!
!
𝑥𝑥!" = 𝑠𝑠! 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑖𝑖 = 1, 2, … , 𝑚𝑚

!!!
𝑥𝑥!" = 𝑑𝑑! 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑗𝑗 = 1, 2, … , 𝑛𝑛

!!!
𝑥𝑥!" ≥ 0 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑖𝑖 = 1, 2, … , 𝑚𝑚 𝑦𝑦 𝑗𝑗 = 1, 2, … , 𝑛𝑛
Vemos en la representación algebraica del modelo que el problema de transporte

también es un problema de programación lineal con algunas características especiales,
tales particularidades son las que apoyarán el abordaje de la solución mediante
procedimientos diferentes a los aplicados a habituales problemas de programación lineal.
La revisión de la representación matricial del modelo del problema 3 nos permite

extender la respectiva representación del caso general de situaciones que pueden
modelarse como problemas de transporte A continuación mostramos la matriz de
coeficientes A de coeficientes de las restricciones.
Imagen 1
Fuente: Propia.
10

Problemas con un destino o un origen ficticio
Dado que algunos casos los problemas a resolver no corresponden a problemas del
transporte en que la oferta es igual a la demanda, un caso particular es aquel en que la
oferta supera la demanda, por lo que resulta conveniente definir un destino ficticio, al cual
enviar la diferencia de disponibilidad, o un origen ficticio desde el cual se satisface la
demanda faltante. A continuación presentamos un ejemplo de cada caso.
Aplicación de la idea de destino ficticio

Ejemplo 7.2
Una empresa fabricante de motores para motocicletas tiene el compromiso de fabricación

y entrega de motores para los cuatro meses próximos por lo cual debe realizar la debida
planificación de la distribución. La tabla 3 muestra, para cada mes, la información de la
cantidad de motores requerido, límite de producción, costo de producción de cada motor
y costo unitario de almacenamiento por producir más de lo requerido. Los costos están
dados en millones de pesos.
Mes Unidades Límite de Costo de Costo unitario de

requeridas producción cada motor almacenamiento
1 10 25 1,08 0,015
2 15 35 1,11 0,015
3 25 30 1,10 0,015
4 20 10 1,13

Tabla 3
Fuente: Propia.
Nótese que en el cuarto mes la capacidad de producción es superada por los

requerimientos, y que en cada mes los costos de producción se van incrementando, lo que
en conjunto da lugar a considerar la necesidad de adelantar producción en los primeros,
pero incurriendo en gastos de almacenamiento.
11

La administración desea establecer un programa de producción, para cada uno de los
meses, de forma tal que los costos totales sean mínimos y se cumpla con los compromisos
comerciales adquiridos. Con el fin de lograr el cometido, la administración encarga de la
formulación del problema al equipo de investigación de operaciones.
Aunque la programación pedida no es un problema en el que se deba realizar una

distribución física de motores a destinos específicos, el equipo de investigaciones lo
plantea como un problema que se puede ajustar al modelo genérico del problema del
transporte, en el cual se considera como orígenes la producción de motores y como
destino las entregas a realizar, para ello inicialmente el equipo define los siguientes
términos.
𝑂𝑂! = 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑚𝑚𝑚𝑚𝑚𝑚 𝑖𝑖 (𝑖𝑖 = 1, 2, 3, 4)
𝐷𝐷! = 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑚𝑚𝑚𝑚𝑚𝑚 𝑗𝑗 (𝑗𝑗 = 1, 2, 3, 4)
𝑥𝑥!" = 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑚𝑚𝑚𝑚𝑚𝑚 𝑖𝑖 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑒𝑒𝑒𝑒𝑒𝑒𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑚𝑚𝑚𝑚𝑚𝑚 𝑗𝑗.
𝑥𝑥!" = 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 𝑥𝑥!"

𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝ó𝑛𝑛 + 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑑𝑑𝑑𝑑 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑠𝑠𝑠𝑠 𝑖𝑖 ≤ 𝑗𝑗
=
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 𝑎𝑎ú𝑛𝑛 𝑛𝑛𝑛𝑛 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑠𝑠𝑠𝑠 𝑖𝑖 > 𝑗𝑗
𝑠𝑠! = 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 𝑛𝑛𝑛𝑛 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑
𝐷𝐷! = 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑎𝑎 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑚𝑚𝑚𝑚𝑚𝑚 𝑗𝑗
De las consideraciones anteriores es claro que no puede producirse motores en mes dado
para ser entregados en meses anteriores, lo que significa que no hay valor a asignar a los
𝑥𝑥!" para 𝑖𝑖 > 𝑗𝑗, sin embargo, dado el interés de modelarlo como el problema del
transporte, es necesario definir valores para estos costos no conocidos. En este punto se
usa un gran valor M con el mismo significado que el usado en el método de la gran M en el
contexto del Método Simplex, para que al final resulten valores de 𝑥𝑥!" = 0 para 𝑖𝑖 > 𝑗𝑗.
Por otra parte, a la luz del modelo del problema del transporte, en este caso no están
definidos los valores correspondientes a la oferta, esto debido a que las cantidades a
producir en cada mes no son fijas y es precisamente parte de lo que se quiere saber, pero
el modelo de problema del transporte exige que todos los parámetros sean cantidades
12

fijas. Para tratar esta situación, en aras del ajuste al modelo deseado, debemos considerar
que los límites de producción establecerían las cuatro restricciones siguientes:
𝑥𝑥!! + 𝑥𝑥!" + 𝑥𝑥!" + 𝑥𝑥!" ≤ 25

𝑥𝑥!" + 𝑥𝑥!! + 𝑥𝑥!" + 𝑥𝑥!" ≤ 35
𝑥𝑥!" + 𝑥𝑥!" + 𝑥𝑥!! + 𝑥𝑥!" ≤ 30
𝑥𝑥!" + 𝑥𝑥!" + 𝑥𝑥!" + 𝑥𝑥!! ≤ 10
Dadas las restricciones en forma de inecuaciones, se hace necesario la inclusión de una

variable de holgura en cada ecuación para convertirlas en ecuación, a lo que en este
contexto se le da la interpretación de entrega o envío a un destino ficticio. El costo de
envío a un destino ficticio tiene valor cero. La tabla 4 muestra los parámetros conocidos
procedentes de la tabla 3, asigna el valor de M a los valores desconocidos y considerando
las variables de holgura necesarias, con lo cual se satisface el requerimiento inicial de la
administración de contar con la formulación del modelo del problema.

𝐷𝐷!
𝑂𝑂!
𝐷𝐷! 𝐷𝐷! 𝐷𝐷! 𝐷𝐷! 𝐷𝐷!! 𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂
𝑂𝑂! : 𝑀𝑀𝑀𝑀𝑀𝑀 1 1,08 1,095 1,110 1,125 0 25
𝑂𝑂! : 𝑀𝑀𝑀𝑀𝑀𝑀 2 𝑀𝑀 1,110 1,125 1,140 0 35

𝑂𝑂! : 𝑀𝑀𝑀𝑀𝑀𝑀 3 𝑀𝑀 𝑀𝑀 1,100 1,115 0 30
𝑂𝑂! : 𝑀𝑀𝑀𝑀𝑀𝑀 4 𝑀𝑀 𝑀𝑀 𝑀𝑀 1,130 0 10
𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷 10 15 25 20 30

Tabla 4
Fuente: Propia.
Ejemplo de origen ficticio
Ejemplo 7.3
Una compañía distribuye agua en tanques a sectores que tienen difícil acceso al servicio,
para ello compra el agua en unas fuentes 𝑂𝑂! , 𝑂𝑂! y 𝑂𝑂! y las distribuye a los destinos
𝐷𝐷! , 𝐷𝐷! , 𝐷𝐷! y 𝐷𝐷! . La única imposibilidad existente para hacer envíos de agua se da entre el
13

origen 𝑂𝑂! y el destino 𝐷𝐷! . El costo del envío depende de la separación geográfica entre
origen y destino, pero el precio de venta es igual para todos. La tabla 7.5 muestra los
costos de envíos de los tanques, las cantidades disponibles (en millones de tanques) en las
tres fuentes. La empresa tiene el compromiso de proveer al menos la cantidad de agua
necesaria para satisfacer las necesidades básicas de las personas en los destinos, excepto
el destino 𝐷𝐷! , que cuenta con fuente propia. La tabla 7.5 también muestra las cantidades
mínimas requeridas en cada destino así como las cantidades solicitadas. En cuanto a esta
última información vemos en la tabla que el destino 𝑂𝑂! solicita el mínimo necesario, 𝑂𝑂!
está dispuesta a comprar hasta 20 más que el mínimo necesario, 𝑂𝑂! compraría hasta 30
más de lo que solicita y 𝑂𝑂! recibe toda la que le puedan vender.
Costos unitarios de distribución entre origen y destino

𝐷𝐷!
𝐷𝐷! 𝐷𝐷! 𝐷𝐷! 𝐷𝐷! 𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂
𝑂𝑂!
𝑂𝑂! : 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹 1 16 13 22 17 50
𝑂𝑂! : 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹 2 14 13 19 15 60
𝑂𝑂! : 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹 3 19 20 23 − 𝑠𝑠!
𝑀𝑀í𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 30 70 0 10
𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟
𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 50 70 30 ∞
𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠

Tabla 5
Fuente: Propia.
La administración desea formular el modelo de distribución más económico que al menos

pueda satisfacer las necesidades mínimas. Para lo cual la primera reflexión lleva a que no
están claramente definido cuales son los valores a usar como demandas, lo cual se debe a
que dos de los destinos establecen niveles máximos y mínimo de compra y otro puede
comprar toda la cantidad que se le pueda vender. El límite superior es igual a la cantidad
solicitada a menos que supere la disponibilidad luego de satisfacer las necesidades
mínimas de los demás destinos, situación en la cual esta cantidad es el límite superior. En
el caso del destino 𝐷𝐷! , que está dispuesta a comprar toda la cantidad que se le pueda
vender, el límite máximo es la suma de disponibilidades de las tres fuentes menos la suma
de los mínimos requeridos por los otros destinos, revisando estos valores encontramos
que el resultado es 60.
14

Con el fin de ajustar el problema al modelo del problema del transporte, se requiere que
las demandas sean cantidades constantes, con el fin de poder considerar que estas
demandas corresponden a las cotas superiores, procedemos de forma similar a la
situación del ejemplo 7.2, donde veíamos un exceso de oferta y se introdujo un destino
ficticio que supuestamente recibiera la oferta sobrante. En este caso en el que la demanda
supera la oferta, se introduce un origen ficticio desde el cual se enviaría el déficit de
disponibilidad. Este origen ficticio tendría una disponibilidad, también ficticia, cuyo valor
es el déficit de disponibilidad, que corresponde a la suma de máximas demandas menos la
disponibilidad total real, revisando los valores encontramos que esta capacidad ficticia es
de 50.
Por otro lado, como se debe evitar que las necesidades mínimas sean satisfechas por el
origen ficticio, en la formulación también debemos considerar los límites inferiores o
requerimientos mínimos de cada destino. Vemos que 𝐷𝐷! no indica un mínimo, por lo que
no se requiere consideración alguna. En el caso de 𝐷𝐷! tampoco se hace consideración
adicional porque su demanda de 60 excede en 10 a la disponibilidad del origen ficticio,
esto indica que de la cantidad que reciba al menos 10 debe llegar de orígenes reales. De la
misma forma, para 𝐷𝐷! no se requiere consideración adicional porque su mínimo es igual a
lo solicitado. Finalmente, en el caso del destino 𝐷𝐷! se ve que la supuesta disponibilidad del
origen ficticio podría “abastecer” una parte de los requerimientos mínimos además del
adicional pedido, por tanto es necesario realizar ajustes de tal manera que el origen
ficticio no “cubra” esta necesidad en más de 20 del total de 50. Este propósito se puede
alcanzar si el destino 𝐷𝐷! se considera como dos destinos diferentes, uno de ellos con
demanda de 30 y costo de un valor de M para las cantidades “enviadas” desde el origen
ficticio y otro destino con demanda de 20 y costo de envío de cero para el envío al destino
ficticio.
Con los anteriores razonamientos y renombrando los destinos de tal manera que del
original destino 𝐷𝐷! se obtiene los destinos 𝐷𝐷! y 𝐷𝐷! , el anterior 𝐷𝐷! pasa a ser 𝐷𝐷! , 𝐷𝐷! pasa a
ser 𝐷𝐷! y 𝐷𝐷! pasa a ser 𝐷𝐷! partir del segundo se obtiene finalmente la formulación como un
problema del transporte mostrada en la tabla 6, la tabla también refleja las
consideraciones relativas a que los costos de envío desde el origen ficticio son cero y que
los del origen 𝑂𝑂! al destino 𝐷𝐷! toman un gran valor de 𝑀𝑀 para hacer nada preferente el
envío entre estos extremos.

15

𝐷𝐷!
𝑂𝑂!
𝐷𝐷! 𝐷𝐷! 𝐷𝐷! 𝐷𝐷! 𝐷𝐷! 𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂
𝑂𝑂! : 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹 1 16 16 13 22 17 50
𝑂𝑂! : 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹 2 14 14 13 19 15 60
𝑂𝑂! : 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹 3 19 19 20 23 𝑀𝑀 50
𝑂𝑂!! 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹 4𝑓𝑓 𝑀𝑀 0 𝑀𝑀 0 0 50
𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷 𝟑𝟑𝟑𝟑 𝟐𝟐𝟐𝟐 𝟕𝟕𝟕𝟕 𝟑𝟑𝟑𝟑 𝟔𝟔𝟔𝟔

Tabla 6
Fuente: Propia.
Introducción al Método Simplex de transporte

Siendo el problema del transporte un caso especial de problema de programación lineal,
sería razonable entrar a resolverlo mediante el uso del Método Simplex, sin embargo la
estructura de la matriz de coeficientes de restricciones mostrada en la tabla xx da lugar a
una variante del Método Simplex conocida como Método Simplex de transporte.
Consideraciones frente al Método Simplex
Si se pretendiera abordar la solución del problema de transporte mediante el Método

Simplex, tal como se estudió en semanas anteriores, por ejemplo en forma tabular,
deberíamos inicialmente transformar el enunciado de minimización en maximización,
incorporar luego variables artificiales para entonces aplicar el método de la gran 𝑀𝑀.
Nótese que según el modelo general el problema del transporte tiene 𝑚𝑚 + 𝑛𝑛 ecuaciones
de restricciones estructurales, por lo tanto se debería introducir 𝑚𝑚 + 𝑛𝑛 variables
artificiales.
Luego de introducir las variables artificiales y aplicar los procesos algebraicos que llevan
en la fila 𝐹𝐹! , la que corresponde a la función objetivo, los coeficientes de las variables
básicas iniciales sean cero, se realiza el proceso de inicialización en el que se obtiene la
primera solución básica factible y hacer la prueba de optimalidad que a la larga conduce a
la necesidad de llevar a cabo la primera iteración. En la primera iteración, y en las demás
que sean necesarias, se determina las variables básicas entrante y saliente, se reduce el
sistema a la forma apropiada de eliminación gaussiana y se determina la nueva solución
básica que sea factible. Sin embargo hemos comentado que la estructura especial de la
matriz o tabla de coeficientes de restricciones en el problema de transporte permite
simplificar las operaciones, que de otro modo serían realizadas a través del Método
Simplex, lo que da lugar al Método Simplex del transporte. Los detalles que conducen a las
simplificaciones de operaciones gracias a la estructura especial de la tabla de coeficientes,
16

resultan bastante extensos para ser tratados en esta cartilla, por lo cual aquí se describirá
sin demostraciones el procedimiento correspondiente al método de solución, sin
embargo, en fuentes bibliográficas más rigurosas se ilustran los detalles.
Fases del procedimiento del Método Simplex del transporte

Para la descripción de los procedimientos de solución asociados con el Método Simplex
del transporte retomamos el modelo general correspondiente al problema de 𝑚𝑚 puntos
de origen, 𝑛𝑛 destinos en los que se quiere minimizar el costo total de distribución
asumiendo la igualdad entre oferta y demanda, y proporcionalidad entre los costos de
envío y el respectivo costo unitario. Se describe a continuación las fases que contiene el
procedimiento del Método Simplex de transporte
Iniciación parte 1: obtener una solución básica inicial

En problemas de 𝑚𝑚 restricciones estructurales resueltos mediante el Método Simplex
habitual el número de variables básicas es también 𝑚𝑚. En cambio, en el Método Simplex
del transporte, donde hay 𝑚𝑚 + 𝑛𝑛 restricciones, el número de variables básicas 𝑚𝑚 + 𝑛𝑛 −
1, si el estudiante lo desea, los detalles de esta afirmación los puede consultar en fuentes
más avanzadas. El proceso de determinación de la solución básica inicial hace uso de
pasos sucesivos mediante los cuales se va seleccionando las variables básicas de esa
solución. Antes de describir el proceso para determinar la solución básica inicial, se
describe los criterios según los cuales se va seleccionando las variables que han de
considerarse como básicas. Estos criterios toman en cuenta los valores de las columnas
asociadas con los destinos y las filas asociadas con los orígenes. Los criterios son los
descritos e ilustrados a continuación.
Regla de la esquina noroeste

Si miramos el cuerpo de la tabla simplex de transporte, identificamos 𝑥𝑥!! es la esquina
noroeste y es la que se selecciona como primera variable de la solución básica inicial. A
partir de aquí, si se tiene que la más reciente selección de variable básica es 𝑥𝑥!" , y si queda
disponibilidad del origen 𝑂𝑂!, entonces la siguiente selección corresponde a 𝑥𝑥!"!! (se
obtiene desplazándose por la misma fila hacia la columna de la derecha), en caso
contrario se selecciona 𝑥𝑥!!!! .
Aplicación del método de la esquina noroeste

Ejemplo 7.4.
Con base en la formulación de la tabla 7.6 correspondiente al ejemplo 7.3, usar el método
de la esquina noroeste para hallar la solución básica factible inicial. Según la formulación
se tiene 𝑚𝑚 = 4 puntos de origen y 𝑛𝑛 = 5 destinos la toda solución factible tiene 𝑚𝑚 + 𝑛𝑛 −
1 = 8 variables básicas.
17

Tabla 7.
Fuente: Propia.
La tabla 7 muestra la ruta de selección de las variables básicas. Siguiendo el criterio de la

regla de la esquina noroeste la primera selección es la de la variable 𝑥𝑥!! , a la cual se le
asigna la totalidad de la demanda de esa columna, es decir, se hace 𝑥𝑥!! = 30, quedando
una cantidad disponible de 50 − 30 = 20, del origen 𝑥𝑥!! por tanto, como aún hay
disponibilidad del origen 𝑂𝑂! , la siguiente selección es la de la columna de la derecha en la
misma fila resultando en la asignación 𝑥𝑥!" = 20. Luego de esta asignación no queda más
disponibilidad del origen 𝑂𝑂! , por tanto la siguiente asignación es a la siguiente fila en la
misma columna, es decir 𝑥𝑥!! = 0. Con la última selección, en que hemos pasado a la
segunda fila, sigue habiendo una disponibilidad de 60 en el origen 𝑂𝑂! , entonces la nueva
selección es en la misma fila y en la columna derecha, asignando 𝑥𝑥!" = 60, como esta
disponibilidad no supera la demanda de la columna se pasa a la siguiente fila en la misma
columna 2, asignando a 𝑥𝑥!! la cantidad de 10 que completa la demanda de esa columna,
es decir 𝑥𝑥!! = 10. Del origen 𝑂𝑂! aún queda una disponibilidad de 40, de las cuales se
asigna 30 a la siguiente variable básica, entonces 𝑥𝑥!" = 30, con lo que se completa la
demanda de la tercera columna. Y quedan 10 unidades que se asigna a 𝑥𝑥!" , entonces
𝑥𝑥!" = 10 con lo que se agota la disponibilidad de 𝑂𝑂! . Finalmente, el resto de la demanda
de la quinta columna se satisface con la disponibilidad del origen 𝑂𝑂! , lo que rsulta en
𝑥𝑥!" = 50 y una solución básica factible inicial de 𝑥𝑥!! = 30, 𝑥𝑥!" = 20, 𝑥𝑥!! = 0, 𝑥𝑥!" =
60, 𝑥𝑥!! = 10, 𝑥𝑥!" = 30, 𝑥𝑥!" = 10 y 𝑥𝑥!" = 50. Para esta solución básica inicial el valor de 𝑍𝑍
es:
𝑍𝑍 = 16𝑥𝑥!! + 16𝑥𝑥!" + 14𝑥𝑥!! + 13𝑥𝑥!" + 20𝑥𝑥!! + 23𝑥𝑥!" + 𝑀𝑀𝑥𝑥!" + 0𝑥𝑥!"
𝑍𝑍 = 𝑥𝑥!! + 16𝑥𝑥!" + 14𝑥𝑥!! + 13𝑥𝑥!" + 20𝑥𝑥!! + 23𝑥𝑥!" + 𝑀𝑀𝑥𝑥!" + 0𝑥𝑥!"
𝑍𝑍 = 16 30 + 16 20 + 14 0 + 13 60 + 20 10 + 23 30 + 𝑀𝑀 10 + 0 50 =
𝑍𝑍 = 2470 + 10𝑀𝑀
18

Método de aproximación de Vogel
Para un caso específico en que se esté considerando una fila o una columna se calcula la
diferencia entre el menor costo 𝑐𝑐!" y el costo que le sigue en la misma fila o columna. Para
resultados diferentes de cero, en la fila o columna con mayor diferencia se elige como
variable básica la de menor costo unitario que queda, en caso de empates se elige
arbitrariamente.
Método de aproximación de Russell

En este método, para cada fila de origen 𝑂𝑂! que aún se considere se halla el mayor costo
unitario 𝑐𝑐!" de los que quedan en esa fila, denotado mediante 𝛼𝛼! . Mientras que para la
columna de destino 𝐷𝐷! que se está considerando se halla el mayor costo unitario 𝑐𝑐!" de los
que están en esa columna, denotado por 𝛽𝛽! , y para las variables 𝑥𝑥!" aún no seleccionadas
de estas filas o columnas se calcula ∆!" dado por ∆!" = 𝑐𝑐!" − 𝛼𝛼! − 𝛽𝛽! . La variable cuyo valor
de ∆!" sea más negativo es seleccionada como variable básica.
A continuación se presenta ejemplos que ilustran el uso de los métodos o criterios de

selección de variables básicas que harán parte de la solución básica factible inicial.
Aplicación del método de aproximación de Russel

Ejemplo 7.5
Con base en la formulación de la tabla 7.6 correspondiente al enunciado del ejemplo 7.3,
usar el método de aproximación de Russel para hallar la solución básica factible inicial.
∆!" = 𝑐𝑐!" − 𝛼𝛼! − 𝛽𝛽!
En la primera iteración de este método, para seleccionar la primera variable básica,

encontramos que los correspondientes valores de 𝛼𝛼! y 𝛽𝛽! son:
𝛼𝛼! 𝛼𝛼! 𝛼𝛼! 𝛼𝛼! 𝛽𝛽! 𝛽𝛽! 𝛽𝛽! 𝛽𝛽! 𝛽𝛽!

22 19 M M M 19 M 23 M

Al calcular todos los valores de ∆!" = 𝑐𝑐!" − 𝛼𝛼! − 𝛽𝛽! (usando los respectivos valores 𝑐𝑐!" )
encontramos que ∆!" = 2𝑀𝑀 es el más negativo de los ∆!" por tanto se selecciona 𝑥𝑥!" como
19

variable básica y se asigna 𝑥𝑥!" = 50, con lo cual se agota la disponibilidad del origen 𝑂𝑂! y
en la siguiente selección no se considera la fila de este origen.
En la segunda iteración los correspondientes valores de 𝛼𝛼! y 𝛽𝛽! son:
𝛼𝛼! 𝛼𝛼! 𝛼𝛼! 𝛽𝛽! 𝛽𝛽! 𝛽𝛽! 𝛽𝛽! 𝛽𝛽!

22 19 M 19 19 20 23 M

Al calcular los valores ∆!" encontramos que ∆!" = 5 − 𝑀𝑀 es el más negativo de los ∆!" por
tanto se selecciona 𝑥𝑥!" como variable básica y se asigna 𝑥𝑥!" = 10, para completar la
demanda de la columna 5 y no volver a considerarla y dejando una disponibilidad de 40 en
el origen 𝑂𝑂! .
Para la tercera selección tenemos:
𝛼𝛼! 𝛼𝛼! 𝛼𝛼! 𝛽𝛽! 𝛽𝛽! 𝛽𝛽! 𝛽𝛽!

22 19 23 19 19 20 23

Al calcular los valores ∆!" encontramos que ∆!" = −29 es el más negativo de los ∆!" por
tanto se selecciona 𝑥𝑥!" como variable básica y se asigna 𝑥𝑥!" = 40, lo que aún no completa
la demanda de la columna 3. Se propone al estudiante como ejercicio de repaso la
verificación de estos cálculos y el completar la selección de la solución básica inicial, el
resultado completo debe ser:
𝑥𝑥!" = 50, 𝑥𝑥!" = 10, 𝑥𝑥!" = 40, 𝑥𝑥!" = 30, 𝑥𝑥!" = 30, 𝑥𝑥!" = 0, 𝑥𝑥!" = 20, 𝑥𝑥!" = 30

20
Mientras que el valor de 𝑍𝑍 es:
𝑍𝑍 = 13𝑥𝑥!" + 17𝑥𝑥!" + 14𝑥𝑥!" + 13𝑥𝑥!" + 19𝑥𝑥!" + 19𝑥𝑥!" + 23𝑥𝑥!" + 0𝑥𝑥!"
𝑍𝑍 = 13(40) + 17(10) + 14(30) + 13(30) + 19(0) + 19(20) + 23(30) + 0(50)
𝑍𝑍 = 520 + 170 + 420 + 390 + 380 + 690 = 2570

La solución completa al problema se abordará en la cartilla correspondiente a la semana

8.
21

1

Introducción
Hace aproximadamente 50 días iniciamos el curso de Investigación de operaciones I y en
las 7 semanas que han pasado hemos hecho un intenso recorrido por algunas de las áreas
de la investigación de operaciones fundamentalmente relacionadas con la programación
lineal. Habiendo llegado la semana 8 nos disponemos a dar continuidad a una temática
iniciada en la semana anterior, el problema de transporte, y específicamente los pasos del
procedimiento de solución que siguen a la obtención de la solución básica factible. Estos
pasos corresponden a la prueba de optimalidad de la solución inicial y el procedimiento
iterativo que ha de llevarse a cabo cuando aún no se alcanza la solución óptima. Vale
destacar en este procedimiento completo, denominado Método Simplex de transporte,
que el procedimiento de solución se basa en la misma filosofía del Método Simplex
estándar, pero de manera mucho más ágil. Se ilustra el tratamiento temático con base en
un ejemplo formulado en la semana 7.
Finalizado el tratamiento de los temas relacionados con el problema del transporte se da

una mirada general a un problema más específico o más restringido conocido como
problema de asignación. La solución de este problema se aborda mediante un método
muy ágil conocido como método húngaro.
3

¿Será que hemos repetido mucho las recomendaciones al estudiante?, seguramente sí,
pero dada la importancia de las mismas es preferible pecar por exceso que por defecto, y
se espera que las mismas se hayan tenido en cuenta a lo largo del curso. Veamos de
nuevo: La lectura de la cartilla debe hacerse de manera muy cuidadosa, se debe
aprovechar los ejercicios resueltos que aparecen en las lecturas complementarias, los
videos explicativos en la sección recursos para el aprendizaje brindan vivas explicaciones
sobre ejercicios resueltos y los ejercicios de repaso le permiten profundizar en el
entendimiento del tema en la medida que lo enfrenta a desafíos particulares.
Dado que esta es la última semana, la última actividad que se debe desarrollar es la
evaluación final, la cual vale el 40% de la evaluación del curso, casi la mitad del mismo, por
lo tanto se recomienda realizar una revisión de los temas anteriores, tener a mano
ejercicios y talleres realizados o los resúmenes o apuntes que tenga.
4

Solución del problema del transporte y problema de asignación
Fases del procedimiento del Método Simplex del transporte
En la cartilla de la semana 7, mediante el método de aproximación de Russel llegamos a la
conclusión que para el problema del ejemplo 7.3, la solución básica factible hallada en la
fase de iniciación del procedimiento de solución del Método Simplex de transporte es:
𝑥𝑥!" = 50, 𝑥𝑥!" = 10, 𝑥𝑥!" = 40, 𝑥𝑥!" = 30, 𝑥𝑥!" = 30, 𝑥𝑥!" = 0, 𝑥𝑥!" = 20, 𝑥𝑥!" = 30

Encontramos además que el valor 𝑍𝑍 = 2570. Con base en ello procedemos ahora a
realizar la prueba de optimalidad a esta solución inicial.
Fase de iniciación parte 2: Prueba de optimalidad
Recordemos que la prueba de optimalidad en el Método Simplex se realiza con base en los
coeficientes en la fila 𝐹𝐹! , en la cual la actual solución básica factible es óptima si los
coeficientes de las variables básicas son cero y los de las variables no básicas son no
negativos. En los procedimientos iterativos asociados con la obtención una nueva solución
básica factible se hace necesario el uso de tediosas operaciones entre filas. En el caso del
Método Simplex de transporte podemos hallar estos valores sin necesidad de las tantas
operaciones, solo se requiere el cálculo de unos valores 𝑢𝑢! y 𝑣𝑣! a partir del conocimiento
del actual conjunto de variables básicas resolviendo el sistema de ecuaciones que resulta
de:
𝑐𝑐!" − 𝑢𝑢! − 𝑣𝑣! = 0 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑙𝑙𝑙𝑙𝑙𝑙 𝑖𝑖, 𝑗𝑗 𝑡𝑡𝑡𝑡𝑡𝑡 𝑞𝑞𝑞𝑞𝑞𝑞 𝑥𝑥!" 𝑒𝑒𝑒𝑒 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑏𝑏á𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠.
Entonces, una solución básica factible es óptima si y solo si 𝒄𝒄𝒊𝒊𝒊𝒊 − 𝒖𝒖𝒊𝒊 − 𝒗𝒗𝒋𝒋 ≥ 𝟎𝟎 para (𝑖𝑖, 𝑗𝑗) tal
que 𝑥𝑥!" es no básica. Con lo antes indicado, solo se necesita hallar los valores de 𝑢𝑢! y 𝑣𝑣!
5

para el actual conjunto de variables de la solución básica a partir de 𝒄𝒄𝒊𝒊𝒊𝒊 = 𝒖𝒖𝒊𝒊 + 𝒗𝒗𝒋𝒋 para
cada 𝑥𝑥!" básica. (La interpretación y significado de estos valores y demostraciones de las
fórmulas relacionadas superan el alcance del curso). Dado que hay 𝑚𝑚 + 𝑛𝑛 − 1 variables
básicas, también hay 𝑚𝑚 + 𝑛𝑛 − 1 ecuaciones a resolver, como se requiere un valor 𝑖𝑖 por
cada fila y un valor 𝑗𝑗 por cada columna, se debe hallar en total 𝑚𝑚 + 𝑛𝑛 incógnitas, es decir,
una variable más que el número de ecuaciones, por tanto se asigna arbitrariamente un
valor a una de las incógnitas, una válida opción es darle el valor de cero a la 𝑢𝑢! que tiene
mayor asignación en su fila, es decir la fila que tenga mayores variables básicas.
Aplicación de prueba de optimalidad
Ejemplo 8.1
Aplicar la prueba de optimalidad a la solución básica hallada a través del método de

aproximación de Russel correspondiente al problema del ejemplo 7.3.
Solución
La solución básica factible hallada en la fase de iniciación, en la cartilla de la semana 7,

eses:
𝑥𝑥!" = 50, 𝑥𝑥!" = 10, 𝑥𝑥!" = 40, 𝑥𝑥!" = 30, 𝑥𝑥!" = 30, 𝑥𝑥!" = 0, 𝑥𝑥!" = 20, 𝑥𝑥!" = 30.
Los respectivos valores de 𝑐𝑐!" a utilizar son los respectivos costos:
𝑐𝑐!" = 0, 𝑐𝑐!" = 17, 𝑐𝑐!" = 40, 𝑐𝑐!" = 13, 𝑐𝑐!" = 14, 𝑐𝑐!" = 19, 𝑐𝑐!" = 19, 𝑐𝑐!" = 23.
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑥𝑥!" : 𝑐𝑐!" = 𝑢𝑢! + 𝑣𝑣!
La tercera fila es la de mayor asignación, por tanto tomamos 𝑢𝑢! = 0, entonces:
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑥𝑥!" : 𝑐𝑐!" = 19 = 𝑢𝑢! + 𝑣𝑣! , 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 19 = 0 + 𝑣𝑣! , 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑣𝑣! = 19
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑥𝑥!" : 𝑐𝑐!" = 19 = 𝑢𝑢! + 𝑣𝑣! , 𝑒𝑒𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 19 = 0 + 𝑣𝑣! , 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑣𝑣! = 19
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑥𝑥!" : 𝑐𝑐!" = 23 = 𝑢𝑢! + 𝑣𝑣! , 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 23 = 0 + 𝑣𝑣! , 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑣𝑣! = 23
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑥𝑥!" : 𝑐𝑐!" = 14 = 𝑢𝑢! + 𝑣𝑣! , 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 14 = 𝑢𝑢! + 19, 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑢𝑢! = −5
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑥𝑥!" : 𝑐𝑐!" = 13 = 𝑢𝑢! + 𝑣𝑣! , 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 13 = −5 + 𝑣𝑣! , 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑣𝑣! = 18
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑥𝑥!" : 𝑐𝑐!" = 17 = 𝑢𝑢! + 𝑣𝑣! , 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 17 = −5 + 𝑣𝑣! , 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑣𝑣! = 22

6

Ahora se puede hallar los valores 𝑐𝑐!" − 𝑢𝑢! − 𝑣𝑣! para las variables no básicas:
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑥𝑥!! : 𝑐𝑐!! − 𝑢𝑢! − 𝑣𝑣! = 16 + 5 − 19 = 2 ≥ 0
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑥𝑥!" : 𝑐𝑐!" − 𝑢𝑢! − 𝑣𝑣! = 16 + 5 − 19 = 2 ≥ 0
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑥𝑥!! : 𝑐𝑐!! − 𝑢𝑢! − 𝑣𝑣! = 14 + 5 − 19 = 0 ≥ 0

𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑥𝑥!" : 𝑐𝑐!" − 𝑢𝑢! − 𝑣𝑣! = 15 + 5 − 22 = −2 < 0
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑥𝑥!! : 𝑐𝑐!! − 𝑢𝑢! − 𝑣𝑣! = 20 − 0 − 18 = 2 ≥ 0
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑥𝑥!" : 𝑐𝑐!" − 𝑢𝑢! − 𝑣𝑣! = 𝑀𝑀 − 0 − 22 = 𝑀𝑀 − 22 ≥ 0
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑥𝑥!" : 𝑐𝑐!" − 𝑢𝑢! − 𝑣𝑣! = 𝑀𝑀 + 22 − 19 = 𝑀𝑀 + 3 ≥ 0
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑥𝑥!" : 𝑐𝑐!" − 𝑢𝑢! − 𝑣𝑣! = 𝑀𝑀 − 0 − 18 = 𝑀𝑀 − 18 ≥ 0
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑥𝑥!! : 𝑐𝑐!! − 𝑢𝑢! − 𝑣𝑣! = 0 + 22 − 23 = −1 < 0

𝐷𝐷! 𝑢𝑢!
𝑂𝑂!
𝑂𝑂! 16 16 13 22 17 50 −5
+2 +2 40 +4 10
𝑂𝑂! 14 14 13 19 15 60 −5
30 0 30 +1 −2
𝑂𝑂! 19 19 20 23 𝑀𝑀 50 0
0 20 +2 30 𝑀𝑀 − 22
𝑂𝑂!! 𝑀𝑀 0 𝑀𝑀 0 0 50 −22!
𝑀𝑀 + 3 +2 𝑀𝑀 + 2 −1 50
𝑍𝑍 = 2550
19 19 18 23 22

7

Tabla 1
Fuente: Propia.
En la tabla 1, además de los costos unitarios, ofertas y demandas, se resalta en verde las
asignaciones de las actuales variables básicas; en amarillo se resalta los valores de los
𝑐𝑐!" − 𝑢𝑢! − 𝑣𝑣! de las variables no básicas. También hay una columna para los valores de los
𝑢𝑢! y una fila para los 𝑣𝑣! . Como hay valores negativos entre estos 𝑐𝑐!" − 𝑢𝑢! − 𝑣𝑣! se concluye
que la actual solución básica no es óptima, lo que obliga a ingresar al procedimiento
iterativo.
Procedimiento iterativo
Al igual que el Método Simplex estándar, el Método Simplex de transporte cuenta con la
definición de las variables básicas entrante y saliente, la determinación de la nueva
solución básica factible y la correspondiente prueba de optimalidad.
Selección de la variable básica entrante
La selección de la variable básica entrante se hace con base en los valores de los 𝑐𝑐!"
correspondientes a las variables no básicas de la iteración anterior, se elige como variable
básica entrante aquella 𝑥𝑥!" para la cual el 𝑐𝑐!" sea el más negativo. Para el caso del ejemplo
tenemos que la variable básica entrante es 𝑥𝑥!! .
Selección de la variable básica saliente
En lo referente a la determinación de la variable básica saliente ha de tenerse en cuenta

que el aumento de la variable entrante da lugar a una serie de cambios en otras variables
básicas de tal manera que se sigan cumpliendo las restricciones de oferta y demanda. Se
selecciona como variable básica saliente la primera que disminuya hasta cero frente a los
cambios que ocurran.
Para realizar la selección, se tiene en cuenta que el aumento de la variable entrante en

una cantidad 𝜃𝜃 obliga la disminución, en esa cantidad, de alguna variable básica en la
misma columna, de tal forma que se conserve fija la demanda de la columna, pero esto
obliga a que aumente en 𝜃𝜃 otra variable básica en la misma fila de la variable básica que
disminuye, con el fin de conservar fija la oferta de esa fila, finalmente este aumento debe
8

ocasionar la misma disminución en otra variable básica en la misma fila de la variable
entrante, y así sucesivamente hasta compensar el aumento inicial..
En general es posible encontrar varias posibilidades, en las que partiendo de la variable

básica entrante, se llega a una variable básica actual de la misma fila o columna, luego a
otra en la misma columna o fila de llegada y así hasta formar un bucle o ciclo cerrado
entre la variable entrante y tres o más variables básicas actuales. La pregunta interesante
es cual bucle recorrer para seleccionar la variable básica saliente. Se tiene como respuesta
que entre los posibles bucles se elige el camino de la variable básica de menor asignación
que está en la misma fila o en la misma columna de la variable entrante. En ocasiones
incluso el aumento puede ser cero, dándose solo el intercambio de variables, tal como se
ilustra más adelante.
Tabla 2
Fuente: Propia.
En el caso del ejemplo, en la tabla 2 se ha resumido la tabla 1 para mostrar solo los valores
en las celdas asociadas con las actuales variables básicas y se ha señalado con la etiqueta
V.E la celda de la variable básica entrante. Vemos dos posibles recorridos, si se toma el
que va de V.E a 𝑥𝑥!" , se debería dar un aumento de 30 en 𝑥𝑥!" , una disminución de 30 en
𝑥𝑥!" , un aumento de 30 en 𝑥𝑥!" y finalmente una disminución de 30 en 𝑥𝑥!" , pero esto
último no es posible debido a que la asignación de 𝑥𝑥!" es de 10 y no puede disminuir en
30. En cambio, si se toma la otra posibilidad, 𝑥𝑥!" aumenta en 10, 𝑥𝑥!" disminuye en 10, 𝑥𝑥!"
aumenta en 10 y 𝑥𝑥!" disminuye en 10, lo cual sí tiene sentido. En conclusión la variable
básica saliente es 𝑥𝑥!" porque fue la que llegó a cero en el recorrido.
Determinación de la nueva solución básica factible
9

Con la definición de las variables entrante y saliente la nueva solución básica factible es se
obtiene actualizando las nuevas asignaciones, en el caso del ejemplo la nueva solución
básica factible es:
𝑥𝑥!" = 50, 𝑥𝑥!" = 10, 𝑥𝑥!" = 50, 𝑥𝑥!" = 20, 𝑥𝑥!" = 30, 𝑥𝑥!" = 0, 𝑥𝑥!" = 20, 𝑥𝑥!" = 30.
Y el nuevo valor de Z es:
𝑍𝑍 = 13𝑥𝑥!" + 14𝑥𝑥!" + 13𝑥𝑥!" + 15𝑥𝑥!" + 19𝑥𝑥!" + 19𝑥𝑥!" + 23𝑥𝑥!" + 0𝑥𝑥!"

𝑍𝑍 = 13 50 + 14 30 + 13 20 + 15 10 + 19(0) + 19(20) + 23(30) + 0(50)
𝑍𝑍 = 650 + 420 + 260 + 150 + 380 + 690 = 2550

Prueba de optimalidad
Aplicando los mismos procedimientos de la prueba de optimalidad inicial, con base en la

actual solución básica factible se llega a que los valores de los 𝑢𝑢! y 𝑣𝑣! son:
𝑢𝑢! = −5; 𝑢𝑢! = −5; 𝑢𝑢! = 0; 𝑢𝑢! = −20
𝑣𝑣! = 19; 𝑣𝑣! = 19; 𝑣𝑣! = 18; 𝑣𝑣! = 23 ; 𝑣𝑣! = 20

La tabla 8.3 muestra los últimos resultados, además de los valores actualizados de
asignaciones de variables básicas y los valores de los 𝑐𝑐!" − 𝑢𝑢! − 𝑣𝑣! de variables no básicas.
Como hay valores negativos de 𝑐𝑐!" − 𝑢𝑢! − 𝑣𝑣! , la actual solución no es óptima y se requiere
realizar una nueva iteración. La actualización de esta tabla se deja al estudiante como
ejercicio de repaso.
10

Tabla 3
Fuente: Propia.
Segunda iteración
De la tabla final de la primera iteración (tabla 3) se observa que el valor más negativo de
los 𝑐𝑐!" − 𝑢𝑢! − 𝑣𝑣! de variable no básicas es el correspondiente a 𝑥𝑥!! , por tanto esta es la
variable entrante. El ciclo señalado en la tabla indica que ahora la variable básica saliente
es 𝑥𝑥!" con lo cual, al hacerse cero, el conjunto de nuevas asignaciones, que define la
nueva solución básica factible es:
𝑥𝑥!! = 30, 𝑥𝑥!" = 20, 𝑥𝑥!" = 40, 𝑥𝑥!" = 50, 𝑥𝑥!" = 20, 𝑥𝑥!" = 0, 𝑥𝑥!" = 30, 𝑥𝑥!" = 20,
Y el nuevo valor de Z es:
𝑍𝑍 = 13𝑥𝑥!" + 13𝑥𝑥!" + 15𝑥𝑥!" + 19𝑥𝑥!" + 19𝑥𝑥!" + 23𝑥𝑥!" + 0𝑥𝑥!! + 20𝑥𝑥!"
𝑍𝑍 = 13 50 + 13 20 + 15 40 + 19 30 + 19 20 + 23 0 + 0 30 + 0(20)
𝑍𝑍 = 650 + 260 + 600 + 570 + 380 = 2460
11

Con el nuevo conjunto de variables básicas, para la prueba de optimalidad se calcula como
antes los valores de 𝑢𝑢!, 𝑣𝑣! y los 𝑐𝑐!" − 𝑢𝑢! − 𝑣𝑣! del nuevo conjunto de variables no básicas.
En la tabla 4 se muestra estos valores y la actualización de asignaciones a las variables
básicas. De la tabla se deduce que 𝑐𝑐!! − 𝑢𝑢! − 𝑣𝑣! es negativo, por tanto la actual solución
básica no es óptima.

Tabla 4
Fuente: Propia.
Tercera iteración
De la tabla final de la segunda iteración se ve que en esta iteración en la que 𝑥𝑥!! es la

variable básica entrante. La tabla también muestra el ciclo de las modificaciones en las
asignaciones de las variables básicas, comenzando con el “aumento” en la variable
entrante. Escribimos aumento entre comillas debido a que no es posible un aumento real
en 𝑥𝑥!! puesto que 𝑥𝑥!" no puede disminuir a partir de su actual valor cero, en este caso se
considera que el aumento es cero, pero de todas formas 𝑥𝑥!! se convierte en variable
básica y 𝑥𝑥!" en no básica. El nuevo conjunto de variables básicas es ahora:
𝑥𝑥!! = 30, 𝑥𝑥!" = 20, 𝑥𝑥!" = 40, 𝑥𝑥!" = 50, 𝑥𝑥!" = 20, 𝑥𝑥!! = 0, 𝑥𝑥!" = 30, 𝑥𝑥!" = 20,

12

El valor de Z es:
𝑍𝑍 = 13𝑥𝑥!" + 13𝑥𝑥!" + 15𝑥𝑥!" + 19𝑥𝑥!" + 19𝑥𝑥!" + 20𝑥𝑥!! + 0𝑥𝑥!! + 20𝑥𝑥!"
𝑍𝑍 = 13 50 + 13 20 + 15 40 + 19 30 + 19 20 + 20 0 + 0 30 + 0(20)
𝑍𝑍 = 650 + 260 + 600 + 570 + 380 = 2460
Tabla final de la segunda iteración

𝐷𝐷! 𝑢𝑢!
𝑂𝑂!
𝑂𝑂! 16 16 13 22 17 50 −7
+4 +4 50 +7 +2
𝑂𝑂! 14 14 13 19 15 60 −7
+2 +2 20 +4 40
𝑂𝑂! 19 19 20 23 𝑀𝑀 50 0
30 20 0 +1 𝑀𝑀 − 22
𝑂𝑂!! 𝑀𝑀 0 𝑀𝑀 0 0 50 −22!
𝑀𝑀 + 3 +3 𝑀𝑀 + 2 30 20
𝑍𝑍 = 2460
19 19 20 22 22

Tabla 5
Fuente: Propia.
Con la nueva solución básica, se calcula los nuevos valores de 𝑢𝑢!, 𝑣𝑣! y 𝑐𝑐!" − 𝑢𝑢! − 𝑣𝑣! de las
variables no básicas. La tabla 8.5 es la tabla final actualizada a la tercera iteración, de
donde se deduce que la actual solución es óptima debido a que todos los valores de
𝑐𝑐!" − 𝑢𝑢! − 𝑣𝑣! asociados con variables no básicas son no negativos.
Se tiene entonces que la mejor solución es:
Enviar 50 tanques del origen 𝑂𝑂! al destino 𝐷𝐷! , con lo cual se agota la oferta del origen 𝑂𝑂! .
Enviar desde 𝑂𝑂! 20 tanques a 𝐷𝐷! y 40 a 𝐷𝐷! con lo cual se agota la oferta del origen 𝑂𝑂! .
Enviar desde 𝑂𝑂! 30 tanques a 𝐷𝐷! y 20 a 𝐷𝐷! con lo cual se agota la oferta del origen 𝑂𝑂! .
13

El problema de asignación
Así como el problema del transporte es un caso especial de problema de programación,
en el que la estructura del modelo subyacente da lugar a la aplicación de una variante del
método simplex, se tiene en el área de la investigación de operaciones otro tipo de
problema de programación lineal con características particulares, este es el problema de
asignación, más aún el problema de asignación es un caso especial de problema del
transporte.
En el contexto del problema de asignación existen los términos específicos de asignados y

tareas asociados precisamente con los recursos que se dedican o asignan a actividades.
Como ejemplo de recursos asignados encontramos, máquinas, personas, capacidad de
trabajo, plantas de procesamiento, entre otras, mientras que entre las tareas se cuenta el
aprovechamiento mismo de una máquina o capacidad de trabajo. Visto el problema de
asignación como un problema de transporte, los asignados son los orígenes y las tareas
son los destinos habiendo igual cantidad de origen y destinos y un solo origen para un solo
destino.
Un problema de asignación, o cualquiera que pueda modelarse como tal, cumple con las
siguientes características.
• El número de asignados y el de tareas son iguales a un mismo número 𝑛𝑛.

• Se asigna una sola a cada uno de los asignados.
• Cada tarea es atendida por uno solo de los asignados.
• Se incurre en un costo 𝑐𝑐!" al utilizar el asignado 𝑎𝑎! (𝑖𝑖 = 1, 2, … , 𝑛𝑛) para realizar la tarea la
tarea 𝑡𝑡! (𝑗𝑗 = 1, 2, … , 𝑛𝑛).
• El interés u objetivo de problema es definir de qué forma realizar las asignaciones a las
tareas de tal manera que los costos totales sean los mínimos.
En el estudio del problema del transporte vimos que existen situaciones reales en los que
la oferta no coincide con la demanda, en cuyo caso es necesario la incorporación de
orígenes o destinos ficticios, de tal forma que la nueva situación se pueda ajustar al
modelo correspondiente. En el caso de problemas de asignación sucede algo parecido,
siendo necesario la incorporación de asignados o tareas ficticias para que el problema se
enmarque en el modelo y aplicar los respectivos procedimientos de solución.
14

Modelo general de un problema de asignación
El tratamiento matemático dado a un problema de asignación se basa en variables de
decisión 𝑥𝑥!" que sólo pueden tomar los valores 0 o 1, según esto se tiene

1 𝑠𝑠𝑠𝑠 𝑠𝑠𝑠𝑠 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑒𝑒𝑒𝑒 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 𝑎𝑎! 𝑎𝑎 𝑙𝑙𝑙𝑙 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑡𝑡!
𝑥𝑥!" = 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑖𝑖, 𝑗𝑗 = 1, 2, … , 𝑛𝑛
0 𝑒𝑒𝑒𝑒 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐

Si 𝑍𝑍 es el costo total de asignar los recursos 𝑎𝑎! a las tareas 𝑡𝑡! , entonces la finalidad del
problema es:

! !

!!! !!!
𝑥𝑥!" = 1 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑖𝑖 = 1,2, … , 𝑛𝑛

!!!
𝑥𝑥!" = 1 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑖𝑖 = 1,2, … , 𝑛𝑛

!!!
𝑥𝑥!" ∈ 0, 1 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑖𝑖, 𝑗𝑗 = 1, 2, … , 𝑛𝑛
Antes ya hemos señalado que cada asignado se puede dedicar a una sola tarea, lo que en
el conjunto de restricciones esto se refleja en el hecho que la primera sumatoria, sobre el
conjunto de tareas es igual a 1. También hemos señalado cada tarea puede ser realizada
por un solo asignado, lo que corresponde a la segunda sumatoria.

15
Tablas de costos equivalentes
De la formulación del problema, en la que cada recurso o asignado 𝑎𝑎! se dedica a una
tarea 𝑡𝑡! (𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑖𝑖, 𝑗𝑗 = 1, … , 𝑛𝑛), se genera la tabla de costos del problema, la tabla genérica
es la tabla 8.6.
𝒕𝒕𝒋𝒋
𝒕𝒕𝟏𝟏 𝒕𝒕𝟐𝟐 … 𝒕𝒕𝒏𝒏
𝒂𝒂𝒊𝒊
𝒂𝒂𝟏𝟏 𝑐𝑐!! 𝑐𝑐!" … 𝑐𝑐!!
𝒂𝒂𝟐𝟐 𝑐𝑐!" 𝑐𝑐!! … 𝑐𝑐!!
⋮ ⋮ ⋮ ⋱ ⋮
𝒂𝒂𝒏𝒏 𝑐𝑐!! 𝑐𝑐!! … 𝑐𝑐!!

Tabla 6
Fuente: Propia.
Si bien es cierto que el problema de asignación se ha formulado como un problema

enmarcado en el modelo de programación lineal, más adelante se verá la importancia de
la tabla de costos en un procedimiento de solución específicamente aplicable a este tipo
de problemas.
Formulación y modelado de problemas de asignación
Planteamos esta parte temática con base en los siguientes ejemplos.
jemplo 8.1
Una empresa cuya actividad económica es la compra y venta de productos de muebles de

oficina tiene por estrategia el aprovechamiento de promociones de sus proveedores para
comprar mercancía a bajo costo y lograr luego un importante beneficio, sin embargo los
volúmenes de compra demandan la necesidad de pago de bodegas. En el último período
ha adquirido seis lotes que debe almacenar en bodegas de terceros. Indaga sobre los
costos de alquiler de bodegas y registra los valores siguientes datos, donde también se
muestra la disponibilidad o capacidad de cada bodega (oferta) y la necesidad de
almacenar cada lote en una sola bodega.

16

𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 Oferta
𝑙𝑙! 𝑙𝑙! 𝑙𝑙! 𝑙𝑙! 𝑙𝑙! 𝑙𝑙!
𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵
𝑏𝑏! 5 2 15 10 15 10 1
𝑏𝑏! 5 2 15 10 15 10 1
𝑏𝑏! 5 2 15 10 15 10 1
𝑏𝑏! 15 12 25 20 25 20 1
𝑏𝑏! 20 17 30 25 30 25 1
𝑏𝑏! 10 7 20 15 20 15
Demanda 1 1 1 1 1 1

Tabla 7
Fuente: Propia.
Con base en la tabla 7, el problema podría ser resuelto como un problema de transporte en el cual
se quiere minimizar los costos totales de almacenamiento, lo cual está dado por:

! !

!!! !!!
𝑥𝑥!" = 1 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑖𝑖 = 1,2, … ,6

!!!
𝑥𝑥!" = 1 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑖𝑖 = 1,2, … ,6

!!!
𝑥𝑥!" ∈ 0, 1 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑖𝑖, 𝑗𝑗 = 1, 2, … , 6
17
Ejemplo 8.2
Una empresa transportadora dispone de cuatro tipos de vehículos para carga pesada y
asigna a los conductores según la experiencia y habilidad de manejo de los mismos, según
la asignación se puede afectar el consumo de gasolina de los vehículos. La empresa tiene
entre sus empleados con tres conductores para estos vehículos. Los costos adicionales de
asignar el conductor 𝐶𝐶! al vehículo 𝑉𝑉! en el consumo de combustible se dan en la tabla 8.
𝑉𝑉𝑉𝑉ℎí𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
𝑉𝑉! 𝑉𝑉! 𝑉𝑉! 𝑉𝑉!
𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶
𝐶𝐶! 180 150 200 2000
𝐶𝐶! 250 305 450 500
𝐶𝐶! 200 208 320 100

Tabla 8
Fuente: Propia.
En este caso el problema no se enmarca directamente el contexto de problemas de

asignación, en razón a que no hay igual número de vehículos y conductores, sin embargo
Se puede incorporar un conductor ficticio 𝐶𝐶!! a la formulación. El costo para este

conductor es cero, de tal manera que no incida sobre la función objetivo, por tanto se
genera la tabla 9.
𝐶𝐶! 180 150 200 2000
𝐶𝐶! 250 305 450 500
𝐶𝐶! 200 208 320 100
𝐶𝐶!! 0 0 0 0

Tabla 9.
Fuente: Propia.
Solución del problema de asignación. El algoritmo húngaro

Dado que el problema de asignación es un caso especial de problema de programación
lineal, más específicamente un problema de transporte, podría resolverse como tal, pero
dada las características particulares, también existe un algoritmo especial denominado
18

algoritmo húngaro. En esta sección nos dedicamos a la descripción y uso de este algoritmo
y los elementos de los que se vale para dar solución a problemas de asignación.
El algoritmo húngaro trabaja a partir de los datos de esta tabla de costos para obtener un
conjunto de sucesivas tablas equivalentes que solo pueden estar compuestas de números
positivos y cero, y que en últimas llevan a la consecución de la solución óptima. ¿Cómo se
halla estas tablas equivalentes? El fundamento inicial radica en que se puede sumar o
restar cualquier valor de cualquier elemento o un mismo valor de cualquier fila o columna
sin que cambie la esencia del problema. Esto lo que significa es que la solución óptima de
una nueva tabla es la misma solución óptima de su tabla precedente, de ahí el nombre de
tablas equivalentes.
La operación concreta con que inicia el algoritmo, para obtener tablas equivalentes de
costos, consiste en restar a cada fila el menor número contenido en ellas, lo que dará
lugar a una tabla equivalente que contiene al menos un cero en todas las filas, pero podría
haber alguna columna que no tenga cero, en cuyo caso se procede a restar a todos los
elementos de cada columna el valor más pequeño contenido en ella. Estas dos
operaciones garantizan que en todas las filas y en todas las columnas haya elementos
cero. Si los ceros obtenidos brindan un completo conjunto de asignaciones, estas últimas
conforman una solución óptima del problema y se llega al final del algoritmo. Los detalles
o pasos del algoritmo son los siguientes:
Paso 1. Hallar tabla de costos equivalentes: restar el menor valor de cada columna a los
elementos de esa columna y, en la tabla que resulta de ello, restar el menor valor de cada
fila a cada elemento de la fila. Esto dará como resultado una tabla en la que hay al menos
un cero en cada fila y en cada columna.
Paso 2. Verificar si se ha alcanzado la optimalidad: para ello se inicia un cero a cada fila
iniciando por la fila que contenga menor cantidad de ceros, luego se cancela o se tacha los
otros ceros que se encuentren en esa fila y sobre la columna que esta el asignado. Esta
operación se debe repetir con las demás filas hasta realizar todas las asignaciones (de
ceros) posible y no haya ceros que cancelar. La solución óptima existe si con el
reordenamiento de las columnas se puede obtener una diagonal de ceros. Si no se ha
alcanzado la solución se debe realizar el siguiente paso.
19

Paso 3. A partir de la tabla equivalente actual se realiza las siguientes acciones:
a) Marcar o señalar las filas en las que no se haya hecho asignaciones de ceros.
b) Marcar las columnas en las que haya algún cero cancelado en alguna fila marcada.
c) Marcar las filas con ceros asignados en alguna columna marcada.
d) Realizar las operaciones b y c hasta que no se pueda marcar más filas o columnas.
e) Trazar una línea sobre las filas no marcadas y sobre las columnas marcadas, luego de esto
se toma el menor número que no ha sido atravesado por línea alguna y se resta de los
elementos no atravesados y se suma a los elementos de columnas atravesadas.
Realizado lo anterior se vuelve al paso 2.
Ejemplo 8.4. Considerando el enunciado del ejemplo 8.3 se tiene:
𝑽𝑽𝑽𝑽𝑽𝑽í𝒄𝒄𝒄𝒄𝒄𝒄𝒄𝒄
𝑪𝑪𝑪𝑪𝑪𝑪𝑪𝑪𝑪𝑪𝑪𝑪𝑪𝑪𝑪𝑪𝑪𝑪
𝐶𝐶! 180 150 200 200
𝐶𝐶! 250 305 450 500
𝐶𝐶! 200 208 320 100
𝐶𝐶!! 0 0 0 0

Tabla 10
Fuente: Propia.
Los valores mínimos en las filas 1, 2, 3 y 4 son respectivamente 150, 250, 100 y 0, al restar
estos valores a cada elemento de su respectiva fila se obtiene la tabla 11.
𝐶𝐶! 30 0 50 50
𝐶𝐶! 0 55 200 250
𝐶𝐶! 100 108 220 0
𝐶𝐶!! 0 0 0 0

Tabla 11
Fuente: Propia.
20

Debido o a la incorporación del conductor ficticio, que dio lugar a la inclusión de una fila
de ceros en la tabla, ya se tiene garantizado la existencia de al menos un cero en cada
columna, por tanto no hay operación que hacer en este paso.
Con el fin de obtener ceros en la diagonal principal se reorganiza las filas de la tabla así:
𝐶𝐶! 𝟎𝟎 55 200 250
𝐶𝐶! 30 𝟎𝟎 50 50
𝐶𝐶!! 0 0 𝟎𝟎 0
𝐶𝐶! 100 108 220 𝟎𝟎

Tabla 11
Fuente: Propia.
Habiendo llegado a este punto se tiene que la mejor decisión es asignar el conductor
𝐶𝐶! al vehículo 𝑉𝑉! , el conductor 𝐶𝐶! al vehículo 𝑉𝑉! , y el conductor 𝐶𝐶! al vehículo 𝑉𝑉! . El
vehículo que queda libre es el 𝑉𝑉! , según la solución le correspondería el conductor 𝐶𝐶!! ,
pero este conductor no existe.
Ejemplo 8.5. Una empresa requiere realizar mantenimiento a 3 máquinas 𝑀𝑀! , 𝑀𝑀! , 𝑀𝑀!
usadas en su proceso de producción. El mantenimiento realizado a cada máquina demora
un día, pero todo el mantenimiento no puede durar más de un día, por lo cual se contrata
a tres técnicos diferentes 𝑇𝑇! , 𝑇𝑇! , 𝑇𝑇! para que cada uno se dedique a una máquina. Los
costos de cada técnico son varían para cada máquina. Se necesita establecer un plan de
mantenimiento de tal manera que sea lo más económico posible. Los costos respectivos
se presentan en la tabla siguiente:
𝑀𝑀! 𝑀𝑀! 𝑀𝑀!

𝑇𝑇! 40.000 36.000 20.000
𝑇𝑇! 36.000 32.000 12.000
𝑇𝑇! 24.000 16.000 28.000

Tabla 12
Fuente: Propia.
21

Aplicando el método húngaro, se encuentra que la primera tabla equivalente de costos es:

𝑇𝑇! 8.000 12.000 0
𝑇𝑇! 12.000 16.000 0
𝑇𝑇! 0 0 16.000

Tabla 13
Fuente: Propia.
Comenzamos una asignación por la primera fila (texto en rojo) y tachando (texto amarillo)
los otros ceros de la columna. Luego asignamos y tachamos en la tercera, llegando solo a
dos asignaciones de valores cero.

𝑇𝑇! 8.000 12.000 𝟎𝟎
𝑇𝑇! 12.000 16.000 𝟎𝟎
𝑇𝑇! 𝟎𝟎 𝟎𝟎 16.000

Tabla 14
Fuente: Propia.
Se requiere tres asignaciones, por tanto marcamos (Fondo gris) las filas sin ceros
asignados (la segunda), las columnas con algún cero cancelado en alguna fila marcada (la
tercera), fila con ceros asignados en alguna columna marcada con un cero asignado (la
primera). Luego se traza una línea sobre las filas no marcadas y las columnas marcadas, el
resultado es el siguiente.
22

Tabla 15
Fuente: Propia.
A partir de lo anterior se toma el menor de todos los números no atravesado por ninguna
línea, restarlo a los elementos de las filas no atravesadas y sumarlo a los elementos de las
columnas atravesadas. La nueva tabla es la siguiente.

𝑇𝑇! 0 4.000 𝟎𝟎
𝑇𝑇! 4.000 8.000 𝟎𝟎
𝑇𝑇! 𝟎𝟎 𝟎𝟎 24.000

Tabla 16
Fuente: Propia.
A partir de aquí se realiza una nueva asignación comenzando por las filas que tengan
menos ceros.

𝑇𝑇! 𝟎𝟎 4.000 𝟎𝟎
𝑇𝑇! 4.000 8.000 𝟎𝟎
𝑇𝑇! 𝟎𝟎 𝟎𝟎 24.000

Tabla 17
Fuente: Propia.
23

De donde se tiene que la mejor política es asignar el técnico 1 a la máquina 1, el técnico 2

a la máquina 3 y el técnico 3 a la máquina 2.
24

Bibliografia
■■Bronson, R. (s.f.). Operation research. Editorial Mc Graw Hill. 2ª. Edición.
■■Davis & Mckeown. (s.f.). Métodos cuantitativos para administración. Editorial Mc Graw Hill.
■■Eppen, G. & Gould, F. (s.f.). Investigación de operaciones. Prentice Hall.
■■Gallagher & Watson. (s.f.). Métodos cuantitativos para la toma de decisiones en adminis-
tración. Editorial Mc Graw Hill.
■■Hiller, F. & Lieberman, G. (2009). Introduction to operations research. McGraw-Hill.
■■Mathur, K. & Solow, D. (s.f.). Investigación de operaciones. Prentice Hall.
■■Moskowitz, H. & Wright, G. (s.f.). Investigación de operaciones. Editorial Prentice Hall.
■■Prawda, J. (s.f.). Métodos y modelos de la investigación de operaciones (Tomo I y II), Edi-
torial Limusa.
■■Ríos, S. & Ríos, D. (s.f.). Problemas de investigación operativa. Editorial Ra-Ma, última edi-
ción.
■■Shamblin, J. (s.f.). Investigación de operaciones. Editorial Mc Graw Hill.
■■Taha, A. (s.f.). Investigación de operaciones. Editorial. Pearson, última Edición.
■■Thierauf, R. (s.f.). Investigación de operaciones. Editorial Limusa.
■■Winston, W. (s.f.). Investigación de operaciones. Editorial Iberoamericana.

Esta obra se terminó de editar en el mes de noviembre
Tipografá Myriad Pro 12 puntos
Bogotá D.C,-Colombia.

Investigación de Operaciones 1: Autor: Danilo de Jesús Ariza Agámez

Cargado por

Investigación de Operaciones 1: Autor: Danilo de Jesús Ariza Agámez

Cargado por

Investigación De

Autor: Danilo De Jesús Ariza Agámez

Catalogación en la fuente Fundación Universitaria del Área Andina (Bogotá).

© 2017. FUNDACIÓN UNIVERSITARIA DEL ÁREA ANDINA

Primera edición: noviembre de 2017

Corrección de estilo, diagramación y edición: Dirección Nacional de Operaciones virtuales

Autor: Danilo De Jesús Ariza Agámez

Desarrollo temático 117

Desarrollo temático 136

Desarrollo temático 156

Fundación Universitaria del Área Andina 7 3

Investigación de operaciones ¿Qué es?

Puede afirmarse más específicamente que la investigación de operaciones corresponde a la

En el resto de este curso y en el correspondiente a Investigación de operaciones 2

Etapas de un estudio de investigación de operaciones

Definición del problema y recolección de datos

Fundación Universitaria del Área Andina 10 6

Planteamiento de un modelo matemático hacia la solución

Un modelo matemático, además de tener notable ventaja sobre representaciones verbales, en

Fundación Universitaria del Área Andina 11 7

Validación del modelo y preparación para su implementación

Fundación Universitaria del Área Andina 12 8

Luego de adoptar un modelo y su solución se debe crear un sistema que permita su

Herramientas de software en Investigación de operaciones

Fundación Universitaria del Área Andina 13

Ejemplo 1.1: un problema de Programación Lineal

Identificación y definición del problema

Fundación Universitaria del Área Andina 14

Luego de haber definido el problema, el equipo de investigación de operaciones indaga sobre

Horas requeridos por lote Horas semanales disponibles

Tabla 1. Datos del problema de la empresa La Arenosa

Modelamiento como un problema de Programación Lineal

Fundación Universitaria del Área Andina 15

𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 6𝑥𝑥! + 10𝑥𝑥!

Lo hecho hasta aquí corresponde a la formulación del modelo, debemos pensar en

Fundación Universitaria del Área Andina 16

Definición del problema

La definición y análisis del problema, el equipo de investigación de operaciones resume la

Horas requeridas Horas disponibles

Tabla 1.2. Datos del problema del ejemplo 1.2.

Fundación Universitaria del Área Andina 1713

En este caso la función corresponde a: 𝑍𝑍 = 60𝑥𝑥1 + 50𝑥𝑥2 + 40𝑥𝑥3

𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝑍𝑍 = 𝑍𝑍 = 60𝑥𝑥! + 50𝑥𝑥! + 40𝑥𝑥!

𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 𝑎𝑎: 2𝑥𝑥1 + 𝑥𝑥2 + 3𝑥𝑥3 ≤ 180

𝑥𝑥! + 3𝑥𝑥! + 2𝑥𝑥! ≤ 300

2𝑥𝑥! + 𝑥𝑥! + 2𝑥𝑥! ≤ 240

𝑥𝑥! ≥ 0, 𝑥𝑥! ≥ 0, 𝑥𝑥! ≥ 0

Procedimiento gráfico de solución de problemas de Programación Lineal

Fundación Universitaria del Área Andina 18

Fundación Universitaria del Área Andina

Fundación Universitaria del Área Andina 20

El ejemplo presentado anteriormente, en el que existen dos variables de decisión, es apenas

Terminología en un problema de Programación Lineal

La formulación o modelado de un problema de PL requiere el adecuado uso de símbolos y su

𝑥𝑥! 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑗𝑗 (𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑗𝑗 = 1, 2, . . . , 𝑛𝑛).

Generalmente, a partir de la formulación del problema se puede plantear un esquema en un

Fundación Universitaria del Área Andina 21

Tabla 3. Parámetros del modelo general de problema de Programación Lineal

Forma estándar del modelo de un problema de Programación Lineal

𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀: 𝑍𝑍 = 𝑐𝑐! 𝑥𝑥! + 𝑐𝑐! 𝑥𝑥! + ⋯ + 𝑐𝑐! 𝑥𝑥!

𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑎𝑎: 𝑎𝑎!! 𝑥𝑥! + 𝑎𝑎!" 𝑥𝑥! + ⋯ +𝑎𝑎!! 𝑥𝑥! ≤ 𝑏𝑏!

𝑥𝑥! ≥ 0, 𝑥𝑥! ≥ 0, … , 𝑥𝑥! ≥ 0

Fundación Universitaria del Área Andina 2218

No todos los problemas de programación lineal encajan en el modelo antes planteado,

Necesidades de minimizar la función objetivo.

𝑀𝑀𝑀𝑀𝑀𝑀𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖: 𝑍𝑍 = 𝑐𝑐! 𝑥𝑥! + 𝑐𝑐! 𝑥𝑥! + ⋯ + 𝑐𝑐! 𝑥𝑥!

𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑎𝑎: 𝑎𝑎!! 𝑥𝑥! + 𝑎𝑎!" 𝑥𝑥! + ⋯ +𝑎𝑎!! 𝑥𝑥! ≤ 𝒐𝒐 ≥ 𝑏𝑏!

𝑎𝑎!" 𝑥𝑥! + 𝑎𝑎!! 𝑥𝑥! + ⋯ +𝑎𝑎!! 𝑥𝑥! ≤ 𝑜𝑜 ≥ 𝑏𝑏!

𝑥𝑥! ∈ ℝ 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑑𝑑𝑑𝑑 𝑖𝑖

Soluciones de un problema de Programación Lineal

Fundación Universitaria del Área Andina 23 19

Fundación Universitaria del Área Andina 24

El desarrollo del Método Simplex se dio en el año 1947 y se

En esta semana y en las dos siguientes se aborda

Fundación Universitaria del Área Andina 26

Dado que siempre es importante escuchar y observar las explicaciones de expertos, se