Utp Io PDF

UNIVERSIDAD TECNOLGICA DEL PER
Vicerrectorado de Investigacin
OPTIMIZACIN DE SISTEMAS I
TINS Bsicos
INGENIERA INDUSTRIAL, INGENIERA DE SISTEMAS
TEXTOS DE INSTRUCCIN BSICOS (TINS) / UTP
Lima - Per
Desarrollo y Edicin: Vicerrectorado de Investigacin
Elaboracin del TINS: Ing. Csar Canelo Sotelo

Ing. Luis Medina Aquino
Diseo y Diagramacin: Julia Saldaa Balandra
Soporte acadmico: Instituto de Investigacin
Produccin: Imprenta Grupo IDAT
Queda prohibida cualquier forma de reproduccin, venta, comunicacin pblica y

transformacin de esta obra.
2
El presente material contiene una compilacin de obras de Optimizacin

de Sistemas publicadas lcitamente, resmenes de los temas a cargo del
profesor; constituye un material auxiliar de enseanza para ser empleado
en el desarrollo de las clases en nuestra institucin.
ste material es de uso exclusivo de los alumnos y docentes de la

Universidad Tecnolgica del Per, preparado para fines didcticos en
aplicacin del Artculo 41 inc. C y el Art. 43 inc. A., del Decreto
Legislativo 822, Ley sobre Derechos de Autor.
3
4
PRESENTACIN
El asunto del presente texto est engastado en el espacio ilimitado de la

matemtica aplicada, surgida en la segunda mitad del siglo XX, como
producto de la ciencia y la tecnologa desarrollada en el fragor de la
segunda guerra mundial.
Producto que tom el nombre de Investigacin de Operaciones, compuesto

por los temas de Programacin Lineal, Programacin Dinmica,
Programacin Geomtrica, entre otros. Tcnicas que han venido
aplicndose intensamente como soporte de la maximizacin de indicadores
concurrentes a la excelencia de calidad con altos niveles de productividad y
bajos costos de produccin.
En este contexto, la educacin superior universitaria ha integrado en los

currcula de diferentes Carreras de Ingeniera algunas Asignaturas de
Investigacin Operativa, con enfoque metodolgico generado en el espacio
de la Teora General de Sistemas.
Con tal mtodo, mediante un acucioso trabajo acadmico de recopilacin y

seleccin, ha venido en prepararse para estudios de la Carrera de
Ingeniera de Sistemas el Curso de Optimizacin de Sistemas I, aplicado en
el VI ciclo de estudios, con temas de Programacin Lineal.
El acopio y seleccin de materias pertinentes a la Asignatura, arriba

mencionada, ha sido realizada por el profesor Ing. Luis Medina Aquino , en
unin con el profesor Ing. Csar Canelo Sotelo, en congruencia al sillabus
correspondiente, en el nivel de calidad acadmica requerido; comprende los
siguientes temas:
El captulo 1 trata sobre la descripcin del modelo de programacin lineal,

que consta de variables de decisin, funcin objetivo, restricciones y
condicin de no negatividad. El objetivo del modelo es maximizar
(utilidades) o minimizar (costos) de una funcin lineal Z. A travs de un
problema que tiene dos variables de decisin se explica la formulacin del
programa lineal y cmo hallar una solucin grfica.
El captulo 2 complementa el captulo uno con la construccin de modelos

de programacin lineal formulados en base a diferentes problemas que se
presentan en la industria. Existen diferentes problemas tipo con su
respectiva formulacin, con ms de dos variables.
5
El captulo 3 explica el mtodo general para hallar una o varias soluciones

de un modelo de programacin lineal. Para ello es necesario colocar las
restricciones del modo estndar, convirtiendo las desigualdades en
igualdades, aadiendo variables de holgura, de exceso y/o artificiales.
Luego se coloca todos los valores en una tabla y se empieza a realizar
iteraciones hasta hallar el valor ptimo de la funcin objetivo.
En el captulo 4 se explica la dualidad de un programa lineal. Si la funcin

objetivo original (primal) es de maximizacin entonces la funcin objetivo del
programa dual ser de minimizacin y viceversa. La cantidad de variables
de decisin en el programa primal ser la misma cantidad de restricciones
del dual. El nmero de restricciones del primal ser la misma del nmero
total de variables duales. Los valores del lado derecho del programa primal
sern los coeficientes de la funcin objetivo del dual. Y los coeficientes de
las variables primales sern los mismos valores del lado derecho de las
restricciones del programa dual.
El captulo 5 trata acerca del anlisis de sensibilidad que se puede hacer al

modelo de programacin lineal. El anlisis de sensibilidad responde a la
pregunta: Qu pasa con el valor de la funcin objetivo si existen cambios
en los coeficientes de la funcin objetivo o el lado derecho de las
restricciones? Se mantiene o no la solucin ptima si existen cambios en
los coeficientes de las variables de la funcin objetivo? Si se agrega una
nueva variable a la funcin objetivo y a las restricciones, formar parte de la
nueva solucin? Si se agrega una nueva restriccin, se modificar la
solucin ptima?
En el captulo 6 se aborda el modelo de programacin lineal entera. La

programacin lineal resuelta por el mtodo simplex nos da un resultado con
valores continuos, pero existen problemas de programacin lineal que
exigen una solucin con valores enteros. En realidad, para este tipo de
problemas se aaden restricciones de variable entera a travs de un
algoritmo de ramificacin que va restringiendo las variables a soluciones
enteras. En este campo se incluye problemas de programacin lineal cuyas
variables de decisin son valores binarios {0, 1}.
El contenido del texto representa el esfuerzo acadmico de los profesores

Ing. Luis Medina Aquino e Ing. Csar Canelo Sotelo, a quienes la Institucin
agradece de manera especial en el camino de contribucin, tendiente a la
mejora continua de la calidad acadmica.
LUCIO HERACLIO HUAMN URETA

VICERRECTOR DE INVESTIGACIN
6
NDICE GENERAL
CAPTULO 1
PROGRAMACION LINEAL: EL METODO GRAFICO...................... 11
CAPTULO 2
PROGRAMACION LINEAL: FORMULACIN DE PROBLEMAS..... 43
CAPTULO 3
EL MTODO SIMPLEX.................................................................... 67
CAPTULO 4
EL PROBLEMA DUAL ..................................................................... 83
CAPTULO 5
ANALISIS DE SENSIBILIDAD ......................................................... 97
CAPTULO 6
PROGRAMACION LINEAL ENTERA............................................... 109
BIBLIOGRAFA ............................................................................... 135
7
8
DISTRIBUCIN TEMTICA
Clase
Tema Semana Horas
N
Introduccin a la Investigacin de
Operaciones: Origen, Definicin, Modelo,
1 1 04
Tipos de modelo. Metodologa de la
Investigacin de Operaciones.
Programacin Lineal: Definicin, Presentacin
del modelo de P.L., Suposiciones del modelo
de P.L., Interpretacin econmica del modelo
2 de PL., Propiedades del modelo de PL., 2 04
Formas de mostrar el modelo de PL., Variable
de holgura, Transformaciones en el modelo de
PL.
3 Formulacin de problemas con P.L. 3 04
Solucin del modelo P.L.: Regin Factible y

Soluciones, Conjuntos convexos. Mtodos de
4 4 04
solucin de modelos lineales: Grfico y
Simplex.
Casos especiales de soluciones de PL usando
5 5 04
el mtodo grfico.
Mtodo simplex: Teoremas. Algoritmo simplex
6 6 04
primal.
Casos especiales usando el algoritmo simplex:
Solucin nica, Solucin con regin factible no
7 acotada, Problema no factible, Soluciones 7 04
Mltiples. Solucin degenerada. Prevencin
del ciclado
Tcnica de las variables artificiales. Mtodo
8 8 04
de penalizacin. Mtodo de las dos fases.
9 Revisin Nivelacin 9 04
10 EXAMEN PARCIAL 10 02
9
Clase
Tema Semana Horas
N
Simplex revisado: Inversin explcita de la

11 11 04
base, Mtodo de las dos fases.
Problema dual: El programa Dual, Relaciones
12 Primal Dual. Teoremas. Propiedades Primal- 12 04
dual.
Algoritmo Simplex Dual. Interpretacin
13 13 04
Econmica del problema Dual.
Anlisis de sensibilidad. Rangos de
sensibilidad: Cambios en el vector de costos y
14 14 04
recursos. Cambios en la matriz de coeficientes
tecnolgicos.
Anlisis de sensibilidad: Adicin de una nueva
15 15 04
variable. Adicin de una nueva restriccin.
Uso de software computacional para PL;
16 16 04
Linear Interactive Discrete Optimizer (LINDO).
17 Programacin entera: Formulacin. 17 04
Mtodos de solucin de problemas de

18 Programacin Lineal Entera: Mtodo grfico, 18 04
Mtodo de ramificar y acotar.
19 EXAMEN FINAL 19 02
10
CAPTULO 1
PROGRAMACION LINEAL: EL METODO GRAFICO
1.1. INTRODUCCIN
Existen problemas de decisin administrativos que pueden ser resueltos
a travs de un modelo matemtico llamado programacin lineal. Por
ejemplo el fabricante desea elaborar un programa de produccin de
costo mnimo; exigido por la demanda a atender y limitado por su
capacidad de produccin.
Un modelo de programacin lineal busca el objetivo de maximizar

(minimizar) una funcin lineal, sujeta a un conjunto de restricciones
lineales.1
Un modelo de programacin lineal esta compuesto de lo siguiente:

1. Un conjunto de variables de decisin
2. Una funcin objetivo
3. Un conjunto de restricciones
Para formular un modelo de programacin lineal primero se debe

entender el problema y responder a las siguientes preguntas: Cul es
nuestro objetivo econmico? Maximizar utilidades o minimizar costos?
Qu limitaciones de recursos existen? Qu requerimientos mnimos se
necesitan?
Con esto podemos:

(i) Identificar las variables de decisin del modelo, a las que
llamaremos X1, X2, X3,...., Xn.
(ii) Expresar la funcin objetivo como:
Maximizar (o Minimizar) Z = C1 X1 + C2 X2 + C3 X3 +....+ Cn Xn
(iii) Determinar las restricciones del modelo que son funciones lineales
de las variables de decisin. Estas restricciones pueden ser
igualdades (=) o desigualdades de la forma (>, <).
1
Funcin lineal de varias variables es una funcin de la forma Z = C1 X1 + C2 X2 + C3 X3 +....+
Cn Xn, donde las variables aparecen con exponente 1 y no se permiten productos cruzados: C1
X1 x C2 X2; o de orden superior: C1 X12.
Restricciones lineales: son funciones lineales de tipo:
ai1 X1 + ai2 X2 + ai3 X3 +....+ ain Xn < bi
ai1 X1 + ai2 X2 + ai3 X3 +....+ ain Xn > bi
ai1 X1 + ai2 X2 + ai3 X3 +....+ ain Xn = bi
11
Tambin incluye restricciones de no negatividad de las variables: X1, X2,

X3,...., Xn > 0.
1.2. FORMULACIN Y SOLUCIN GRFICA DE UN EJERCICIO DE

PROGRAMACION LINEAL
La solucin grfica se emplea para resolver modelos de programacin
lineal con dos variables, ya que resulta bastante difcil dibujar planos de
tres variables, e imposible hacerlo para cuatro o ms variables.
Ejercicio
Juan es un prospero negociante que se dedica a la compra y venta de
naranja y papaya. l tiene su cartera de clientes que son aquellos
comerciantes que tienen su puesto de frutas en los diferentes mercados
del distrito de Jess Mara. Todos los das temprano en la maana visita
a su proveedor de frutas en el mercado mayorista y hace las compras del
da. El da anterior recibe los pedidos de sus clientes y esta suma 600
kilos de papaya y 1200 kilos de naranja. Juan lleva su camin para el
transporte cuya capacidad de carga es de 1600 kilos. Entonces
Cuntos kilos de cada fruta debe comprar Juan para maximizar los
beneficios?
Para resolver esta pregunta se tienen los siguientes precios y costos por
kilo de fruta:
Precio de compra Precio de venta

al por mayor al minorista
Papaya S/. 1.30 S/. 1.60
Naranja S/. 1.00 S/. 1.20
Procedimiento de Solucin (Mtodo Grfico)

1) Establecer la formulacin del problema
2) Graficar en el plano cartesiano las restricciones del tipo >, < =,
como si fueran rectas.
3) Ubicar el espacio de la solucin factible (regin factible), el cual
est dado por el rea comn a todas las restricciones.
4) Obtener la solucin ptima.
12
Formulacin del Ejercicio

Definicin de las Variables de Decisin
X1 = Cantidad, en kilos, de papaya que se debe comprar.
X2 = Cantidad, en kilos, de naranja que se debe comprar.
Funcin Objetivo
Maximizar la utilidad total de los dos productos
Restricciones
Cantidad mxima de Papaya < 600 kilos.
Cantidad mxima de Naranja < 1200 kilos.
Carga mxima del camin < 1600 kilos.
Condicin de No Negatividad
X1, X2 > 0
El Modelo
Maximizar Z = 0.30 X1 + 0.20 X2 (Beneficio Total)
Sujeto a:
R1 X1 < 600 (Cantidad mxima de Papaya)
R2 X2 < 1200 (Cantidad mxima de Naranja)
R3 X1 + X2 < 1600 (Carga mxima del camin)
X1, X2 > 0 (Condicin de no negatividad)
Grfica en el Plano Cartesiano

Primero graficar la igualdad de la restriccin, luego escoger un punto de
ensayo (por ejemplo el punto 0,0) y se sustituye este punto en la
desigualdad para comprobar si cumple esta restriccin. Si lo cumple
entonces sombrear el rea que cubre este punto de ensayo y si no lo
cumple sombrear el rea que no lo cubre.
X2 X2
(0,1200) R2 X2 < 1200

R1
X1 < 600
(0,0) (600,0) X1
(0,0) (600,0) X1
Grfica 1
13
En el plano cartesiano de la izquierda de la grfica 1, primero se dibuja la

recta X1 = 600 y luego se escoge un punto de ensayo, para nuestro caso
(0,0), y se verifica que cumpla con la desigualdad, por tanto se sombrea
los puntos que cumplen con todos los puntos de X1 que sean menores o
iguales a 600 Kg. (restriccin R1).
Con el mismo procedimiento se dibuja la recta X2=1200, que se muestra

en el plano cartesiano de la derecha de la grfica 1, y se acota ms el
rea de los puntos factibles con los puntos de X2 que sean menores o
iguales a 1200 Kg. (restriccin R2).
Por ltimo graficamos la tercera restriccin el cual restringe an ms el

rea de puntos factibles, como se muestra la grfica 2.
Regin factible es el conjunto de puntos que satisface todas las

restricciones simultneamente. Existen infinitos puntos factibles
(soluciones).
Se llaman puntos extremos a los vrtices de la regin de factibilidad.
14
X2
Los valores que optimizan la
funcin objetivo siempre se
encuentran en uno de los
R1
(0,1600) puntos extremos, en este
caso A, B, C, D E.
(0,1200) (400,1200) R2
B C
(600,1000)
D
R3
A E (1600,0)
(0,0) (600,0) X1
Grfica 2
Maximizar Z = 0.30 X1 + 0.20 X2 en la regin factible
Se debe dibujar el contorno de la funcin objetivo (lnea iso-beneficio)

mediante rectas paralelas, en cada vrtice, segn la relacin: X2 = 1.5
X1 + K, ver grfica 3.
15
X2 Grfica 3 0.30 Pendiente de la

funcin objetivo
0.20
Z1 = 0.30 (0) + 0.20 (0) = 0

Z3 Z2 = 0.30 (600) + 0.20 (0) = 180
(0,1200) (400,1200) Z3 = 0.30 (0) + 0.20 (1200) = 240
Z2 B C
Z4 = 0.30 (400) + 0.20 (1200) = 360
(600,1000)
D Z5 = 0.30 (600) + 0.20 (1000) = 380
(ptimo)
Z5
Se debe adquirir 600 Kg. de papaya
y 1000 Kg. de naranja para obtener
Z1 Z4
S/. 380 de utilidad
A E
(0,0) (600,0) X1
1.3. PROBLEMAS RESUELTOS: FORMULADOS Y CON SOLUCION

GRAFICA DE PROGRAMACION LINEAL, UTILIZANDO
WINQSB2.
1.3.1 CREDIFONDO, una empresa que administra fondos mutuos, tiene

$50,000 de un fondo de pensiones, y desea invertir en bonos tipo
A y bonos tipo B que producen una rentabilidad de 6% y 10%
anual respectivamente. Por motivos de liquidez no puede invertir
ms del 25% en bonos tipo A, y lo mnimo a depositar en bonos
tipo B es $10,000. Determinar un plan ptimo de inversiones
VARIABLES DE DECISIN:
X1 = Cantidad, en dlares, que se debe invertir en bonos tipo A.
X2 = Cantidad, en dlares, que se debe invertir en bonos tipo B.
2
WINQSB es un software creado por el Dr. Yih-Long Chang que se puede bajar de internet.
Buscando en google hallamos varias direcciones, una de ellas es http://www.investigacion-
operaciones.com/Metodos_computacionales.htm
16
FUNCION OBJETIVO:
Se debe maximizar la rentabilidad total de la inversin en los dos tipos de
bonos.
Maximizar Z = 0.06 X1 + 0.10 X2
RESTRICCIONES:
R1 = Fondo mximo a depositar: X1 + X2 50,000
R2 = Mximo a invertir en bonos tipo A: X1 0.25 (X1 + X2)
0.75 X1 0.25 X2 0
R3 = Mnimo a invertir en bonos tipo B: X2 10,000
CONDICION DE NO NEGATIVIDAD:
X1 0, X2 0
SOLUCION CON WINQSB:
1.3.2. INTERBANK tiene un total de $20 millones asignados a

prstamos para adquisicin de casas y automviles. En promedio,
los prstamos hipotecarios tienen una tasa anual de recuperacin
del 10%, y los prstamos para autos una tasa anual de
recuperacin del 12%. La gerencia ha estipulado que la cantidad
total de prstamos hipotecarios debe ser mayor o igual cuatro
veces la cantidad total de prstamos para autos. Determine la
17
cantidad total de los prstamos de cada tipo que debe realizar

INTERBANK para maximizar el monto de recuperacin.
X1= Cantidad, en dlares, que se debe asignar para crditos
hipotecarios
X2 = Cantidad, en dlares, que se debe asignar para crditos de autos.
FUNCION OBJETIVO:
Se debe maximizar la recuperacin total de los prstamos
Maximizar Z = 0.10 X1 + 0.12 X2
RESTRICCIONES:
R1 = Fondo mximo para asignar crditos: X1 + X2 20,000,000
R2 = Relacin de prstamos X1 4 X2 X1 4 X2 0
X1 0, X2 0
18
1.3.3. MAQUINASA es una pequea fbrica situada en los alrededores

de una gran ciudad. Su produccin se limita a dos productos
industriales: Alfa y Beta. El departamento de contabilidad de la
empresa ha calculado las contribuciones de cada producto: 10
dlares para el producto Alfa y 12 dlares para el Beta. Cada
producto pasa por tres departamentos de la fbrica. Los
requerimientos de tiempo para cada producto y el total del tiempo
disponible en cada departamento son los siguientes:
Horas Requeridas Horas

Producto Producto Disponibles
Departamento ALFA BETA este mes Determine la cantidad
1 2.0 3.0 1,500 de productos Alfa y Beta
2 3.0 2.0 1,500 de tal forma que maximice
3 1.0 1.0 600 la contribucin total.
X1 = Cantidad, en unidades, del producto Alfa que se debe producir por
mes.
X2 = Cantidad, en unidades, del producto Beta que se debe producir
por mes.
FUNCION OBJETIVO:
Se debe maximizar la utilidad total de los dos productos
Maximizar Z = 10 X1 + 12 X2
RESTRICCIONES:
R1 = Horas disponibles del Departamento 1: 2X1 + 3X2 1500
X1 0, X2 0
19
1.3.4. Una dietista del hospital Rebagliati es responsable de la

planeacin y administracin de los requerimientos alimenticios de
los pacientes. La especialista examina en estos momentos el caso
de un paciente que se le ha restringido a una dieta especial que
consta de dos fuentes alimenticias. Al paciente no se le ha
restringido la cantidad de los dos elementos que se puede
consumir; sin embargo, se deben satisfacer los siguientes
requerimientos nutritivos mnimos por da:
- 1000 unidades del nutriente A.

- 2000 unidades del nutriente B; y
- 1500 unidades del nutriente C.
Cada onza de la fuente alimenticia #1, contiene 100 unidades del

nutriente A, 400 unidades del nutriente B y 200 unidades del
nutriente C.
20
Cada onza de la fuente alimenticia #2, contiene 200 unidades del

nutriente A, 250 unidades del nutriente B y 200 unidades del
nutriente C.
Ambas fuentes alimenticias son algo costosas: La fuente

alimenticia #1 cuesta $6 por libra y la fuente #2 $8 por libra.
La dietista desea determinar la combinacin de fuentes

alimenticias que arroje el menor costo y que satisfaga todos los
requerimientos nutritivos.
Nota: 1 libra = 16 onzas
X1 = Cantidad, en onzas, de la fuente alimenticia #1 que se debe
asignar a la dieta por da.
X2 = Cantidad, en onzas, de la fuente alimenticia #2 que se debe
asignar a la dieta por da.
FUNCION OBJETIVO:
Se debe minimizar el costo total de la dieta.
Minimizar Z = 6/16 X1 + 8/16 X2 = 0.375 X1 + 0.5 X2
RESTRICCIONES:
R1 = Cantidad mnima de nutriente A: 100X1 + 200X2 1000
R2 = Cantidad mnima de nutriente B: 400X1 + 250X2 2000
R3 = Cantidad mnima de nutriente C: 200X1 + 200X2 1500
X1 0, X2 0
21
1.3.5. La fbrica ABC vende dos tipos de bombas hidrulicas: (1) normal
y (2) extra grande. El proceso de manufactura asociado con la
fabricacin de las bombas implica tres procesos: ensamblado,
pintura y pruebas de control de calidad. Los requerimientos de
recursos para ensamble, pintura y prueba de las bombas se
muestran en la siguiente tabla:
Tabla de Requerimientos de Manufactura

Tiempo de Tiempo de Tiempo de
Tipo Ensamble Pintado Prueba
Normal 3.6 1.6 0.6
Extra Grande 4.8 1.8 0.6
La contribucin a las utilidades por la venta de una bomba normal

es $50, en tanto que la utilidad por una bomba extra grande es
$75. Existen disponibles por semana 4,800 horas en tiempo de
ensamble, 1,980 horas en tiempo de pintura y 900 horas en
tiempo de prueba. Las experiencias anteriores de renta sealan
que la compaa puede esperar vender cuando menos 300
bombas normales y 180 de los extra grandes por semana. A la
fbrica ABC le gustara determinar la cantidad de cada tipo de
bomba que debe fabricar semanalmente con el objeto de
maximizar sus utilidades.
22
X1 = Cantidad, en unidades, de bombas hidrulicas normales que se
debe producir por semana
X2 = Cantidad, en unidades, de bombas hidrulicas extragrandes que
se debe producir por semana.
FUNCION OBJETIVO:
RESTRICCIONES:
R1 = Horas disponibles de ensamble: 3.6 X1 + 4.8 X2 4800
R2 = Horas disponibles de pintado: 1.6 X1 + 1.8 X2 1980
R3 = Horas disponibles de prueba: 0.6 X1 + 0.6 X2 900
R4 = Demanda mnima de X1: X1 300
X1 0, X2 0
23
1.3.6. PARAMONGA tiene dos tipos de papel, para libros y para

revistas. Cada tonelada de papel para libros requiere 2 toneladas
de abeto y 3 ton. de pino. Cada tonelada de papel para revistas
requiere 2 toneladas de abeto y 2 toneladas de pino. La empresa
debe proveer al menos 25000 tons de papel para libros y 10000
tons de papel para revistas por ao.
La disponibilidad anual de materiales es de 300000 tons de abeto

y 450000 de pino. Por razn de mercado la cantidad de papel
fabricado para revistas debe ser al menos 1.5 veces a la cantidad
de papel fabricado para libros. Cada tonelada de papel para libros
da una utilidad de $215 y de revistas de $270. Determine un plan
ptimo de produccin
X1 = Cantidad, en toneladas, de papel para libros que se debe producir
por ao.
X2 = Cantidad, en toneladas, de papel para revistas que se debe
producir por ao.
FUNCION OBJETIVO:
RESTRICCIONES:
R1 = Disponibilidad de abeto: 2 X1 + 2 X2 300000
R2 = Disponibilidad de pino: 3 X1 + 2 X2 450000
R3 = Razn de mercado: X2 1.5 X1 1.5 X1 X2 0
X1 0, X2 0
24
1.3.7. CATS es un nuevo producto alimenticio para mascotas. Cada lata

de 16 onzas de Cats es una mezcla, o combinacin, de dos
ingredientes alimenticios para mascotas. Sean
X1 = nmero de onzas del ingrediente A en lata de 16 onzas.

X2 = nmero de onzas del ingrediente B en lata de 16 onzas.
Cada onza del ingrediente A contiene 1/2 onzas de protenas y 1/8

de onza de grasas. Cada onza del ingrediente B contiene 1/10 de
onza de protenas y 1/3 de onza de grasas. Las restricciones
implican que una lata de 16 onzas de Cats debe contener cuando
menos 4 onzas de protenas y no ms de 2.5 onzas de grasas. Si
el ingrediente A cuesta $0.04 por onza y el ingrediente B cuesta
$0.03 la onza.
a) Formule el problema de programacin lineal.

b) cul es la mezcla de costo mnimo de los ingredientes A y B
para cada lata de 16 onzas?
c) Identifique e interprete los valores de las variables de
excedente para este problema.
25
X1 = Cantidad, en onzas, del ingrediente A en la lata de 16 onzas.
X2 = Cantidad, en onzas, del ingrediente B en la lata de 16 onzas.
FUNCION OBJETIVO:
Se debe minimizar el costo total de los ingredientes en la lata de 16
onzas.
Minimizar Z = 0.04 X1 + 0.03 X2
RESTRICCIONES:
R1 = Cantidad de los ingredientes A y B en la lata de 16 oz.: X1+X2=16
R2 = Cantidad mnima de protenas: 0.5 X1 + 0.10 X2 4
R3 = Cantidad mxima de grasas C: 0.125 X1 + 0.333 X2 2.5
0.375 X1 + X2 7.5
X1 0, X2 0
26
1.3.8. Un expendio de carnes de la ciudad acostumbra preparar la carne

para albondign con una combinacin de carne molida de res y
carne molida de cerdo. La carne de res contiene 80% de carne y
20% de grasa, y le cuesta a la tienda 80 ctvs por libra; la carne de
cerdo contiene 68% de carne y 32% de grasa, y cuesta 60 ctvs
por libra. Qu cantidad de cada tipo de carne debe emplear la
tienda en cada libra de albondign, si se desea minimizar el costo
y mantener el contenido de grasa no mayor de 25%?
X1 = Cantidad, en libras, de carne molida de res contenida en una libra
de albondign.
X2 = Cantidad, en libras, de carne molida de cerdo contenida en una
libra de albondign.
FUNCION OBJETIVO:
Se debe minimizar el costo total de los ingredientes en una libra de
albodign.
Minimizar Z = 0.80 X1 + 0.60 X2
RESTRICCIONES:
R1 = Cantidad de ingredientes en una libra de albondign: X1 + X2 = 1
R2 = Cantidad mxima de grasa 0.25 libras: 0.20 X1 + 0.32 X2 0.25
27
X1 0, X2 0
1.3.9. Una fbrica de automviles y camiones consta de los

departamentos que a continuacin se enumeran:
1. Estampado de planchas metlicas

2. Armado de motores
3. Montaje de automviles
4. Montaje de camiones
El Departamento 1 puede estampar, por mes, las planchas

necesarias para 25,000 automviles 35,000 camiones, o las
correspondientes combinaciones de automviles y camiones. El
Departamento 2 puede armar, por mes, 33,333 motores de
automviles o 16,667 motores de camin, o las correspondientes
combinaciones de motores de automvil y camin. El
Departamento 3 puede montar y terminar 22,500 automviles, y
el Departamento 4 puede montar 15,000 camiones. Si cada
automvil deja una utilidad de 300 dlares y cada camin de 250,
qu cantidades de automviles y camiones deben producirse, de
28
manera que las utilidades que se obtengan sean las mximas

posibles?
X1 = Cantidad, en unidades, de automviles que se debe producir por
mes.
X2 = Cantidad, en unidades, de camiones que se debe producir por
mes.
FUNCION OBJETIVO:
RESTRICCIONES:
R1 = El departamento 1 puede estampar, por mes, planchas metlicas
para 25000 automviles o 35000 camiones. Supongamos que los
primeros 15 das (1/2 mes) se producen 12500 automviles,
entonces los ltimos 15 das se deben producir 17500 camiones.
El anlisis parte del tiempo de produccin para cada producto, cuyo

lmite mximo es un mes.
De esta forma el tiempo para producir automviles es X1/25000 (fraccin

de mes) y el tiempo para producir camiones es X2/35000, de tal forma
que la suma de tiempos sea menor o igual a un mes:
X1/25000 + X2/35000 1 7 X1 + 5 X2 175000
R2 = Similar anlisis para el Departamento 2: X1 + 2X2 33333

R3 = Cantidad mxima en el departamento de montaje para
automviles: X1 22500
R4 = Cantidad mxima en el departamento de montaje para camiones:
X2 15000
X1 0, X2 0
29
1.3.10. Un fabricante de gasolina para aviacin vende dos clases de

combustible, A y B. El combustible de clase A tiene 25 % de
gasolina grado 1, 25% de gasolina grado 2, y 50 % de gasolina
grado 3. El combustible de clase B tiene 50% de gasolina grado 2
y 50% de gasolina grado 3. Disponibles para produccin hay 75
galones/hora de grado 1, 150 galones/hora de grado 2, y 200
galones/hora de grado 3. Los costos son 30 centavos por galn
de grado 1, 60 centavos por galn de grado 2, y 50 centavos por
galn de grado 3. Las clases A y B, pueden venderse a 75 y 90
centavos por galn, respectivamente. Qu cantidad por hora
debe fabricarse de cada combustible?
X1 = Cantidad, en galones, del combustible A que se debe producir por
hora.
X2 = Cantidad, en galones, del combustible B que se debe producir por
hora.
FUNCION OBJETIVO:
Se debe maximizar la utilidad total (ingreso menos costo) de los dos
productos
30
Ingreso en centavos = 75 X1 + 90 X2
Costo en centavos =
30 (0.25 X1) + 60 (0.25 X1 + 0.50 X2) + 50 (0.50 X1 + 0.50 X2)
Maximizar Z = Ingreso Costo = 27.5 X1 + 35 X2
RESTRICCIONES:
R1 = Gasolina grado 1 disponible: 0.25 X1 75
R2 = Gasolina grado 2 disponible: 0.25 X1 + 0.50 X2 150
R3 = Gasolina grado 3 disponible: 0.50 X1 + 0.50 X2 200
X1 0, X2 0
1.4. PROBLEMAS FORMULADOS PERO SIN SOLUCION GRAFICA
1.4.1. Una compaa petrolera que tiene dos refineras, necesita al

menos 800, 1400 y 500 barriles de petrleo de grados bajo, medio
y alto, respectivamente. Cada da, la refinera I produce 200
barriles de grado bajo, 300 de medio y 100 de alto grado, mientras
que la refinera II produce 100 barriles de grado alto, 100 de bajo y
31
200 de grado medio. Si los costos diarios son de $2,500 para

operar la refinera I y de $2,000 para la refinera II, cuntos das
debe ser operada cada refinera para satisfacer los requerimientos
de produccin a un costo mnimo?cul es el costo mnimo?
X1 = Cantidad de das que debe ser operada la refinera I para cumplir
con los requerimientos de produccin.
X2 = Cantidad de das que debe ser operada la refinera II para cumplir
con los requerimientos de produccin.
FUNCION OBJETIVO:
Se debe minimizar el costo total de operacin de las dos refineras.
Minimizar Z = 2500 X1 + 2000 X2
RESTRICCIONES:
R1 = Cantidad mnima de barriles de petrleo de grado bajo requerido:
200X1 + 100X2 800
R2 = Cantidad mnima de barriles de petrleo de grado medio
requerido: 300X1 +200X2 1400
R3 = Cantidad mnima de barriles de petrleo de grado alto requerido:
100X1 + 100X2 500
X1 0, X2 0
1.4.2. A causa de reglamentaciones gubernamentales nuevas sobre la

contaminacin, una compaa qumica ha introducido en sus
plantas un nuevo y ms caro proceso para complementar o
reemplazar un proceso anterior en la produccin de un qumico en
particular. El proceso anterior descarga 15 gramos de dixido de
azufre y 40 gramos de partculas a la atmsfera por cada litro de
qumico producido. El nuevo proceso descarga 5 gramos de
dixido de azufre y 40 gramos de partculas a la atmsfera por
cada litro de qumico producido. La compaa obtiene una utilidad
de 30 y 20 centavos por litro en los procesos anterior y nuevo,
respectivamente. Si el gobierno permite a la planta descargar no
ms de 10,500 gramos de dixido de azufre y no ms de 30,000
gramos de partculas a la atmsfera cada da, cuntos litros de
qumico deben ser producidos diariamente, por cada uno de los
procesos, para maximizar la utilidad diaria? Cul es la utilidad
diaria?
32
X1 = Cantidad, en litros, del producto qumico que se debe producir con
el proceso anterior.
X2 = Cantidad, en litros, del producto qumico que se debe producir con
el proceso nuevo.
FUNCION OBJETIVO:
Se debe maximizar la utilidad total del producto qumico en los dos
procesos
RESTRICCIONES:
R1 = Descarga mxima de dixido de azufre: 15 X1 + 5 X2 10500
R1 = Descarga mxima de partculas: 40 X1 + 40 X2 30000
X1 0, X2 0
1.4.3. INDUMIL, un fabricante progresista de mecanismos civiles y

militares, fabrica actualmente una lnea de armas para civiles, con
una produccin actual diaria de 30 unidades del modelo Z-1200 y
de 120 unidades del modelo Z-1500. El gerente de manufactura
quiere saber si podran aumentarse las ganancias cambiando la
mezcla de productos entre los dos modelos. Se compil la
siguiente informacin sobre las horas requeridas para la
fabricacin de cada modelo y las capacidades de los
departamentos de la fbrica.
Horas-Hombre Requeridas Horas

Modelo Modelo Disponibles
Departamento Z-1200 Z-1500 por da
1 2.0 0.0 300
2 0.0 3.0 540
3 2.0 2.0 440
4 1.2 1.5 300
Contribucin
por unidad $50 $40
a) Determnese la mezcla ptima de productos suponiendo que

pueden venderse las cantidades. Use el mtodo grfico.
b) Cunto aumentara la mezcla ptima la contribucin a los costos
fijos y a las ganancias?
33
c) Suponga que el precio del modelo Z-1200 se reduzca a $10 Cul

ser la mezcla ptima de productos? Use el mtodo grfico
X1 = Cantidad, en unidades, del producto Z-1200 que se debe producir
por da.
X2 = Cantidad, en unidades, del producto Z-1500 que se debe producir
por da.
FUNCION OBJETIVO:
RESTRICCIONES:
R1 = Horas disponibles del Departamento 1: 2 X1 300
R2 = Horas disponibles del Departamento 2: 3 X2 540
R3 = Horas disponibles del Departamento 3: 2 X1 + 2 X2 440
R4 = Horas disponibles del Departamento 4: 1.2 X1 + 1.5 X2 300
X1 0, X2 0
1.4.4. JUGUETES SAC fabrica dos tipos de juguetes de madera:

soldados y trenes. Se vende un soldado a $27 y se usan $10 de
materia prima. Cada soldado que se produce aumenta los costos
variables de mano de obra y los costos generales en $14. Se
vende un tren a $21 y se usan $9 de materia prima. Cada tren
producido aumenta los costos variables de mano de obra y los
costos generales en $10. La produccin de soldados y trenes de
madera necesita dos tipos de trabajo especializado: carpintera y
acabado. Un soldado requiere 2 horas de acabado y una hora de
carpintera. Un tren requiere 1 hora de acabado y 1 hora de
carpintera. Cada semana, la empresa puede conseguir toda la
materia prima que necesita, pero solamente dispone de 100 horas
de acabado y 80 horas de carpintera. La demanda de los trenes
no tiene lmite, pero se venden a lo ms 40 soldados
semanalmente. La firma quiere maximizar su ganancia semanal
(ingresos - costos).
a) Formule un modelo matemtico para la situacin de
JUGUETES SAC que se pueda utilizar para maximizar su
ganancia semanal.
b) Determine grficamente la regin factible del problema y el
punto donde se hace mxima la ganancia de la compaa.
34
X1 = Cantidad de soldados de madera que se debe producir por
semana.
X2 = Cantidad de trenes de madera que se debe producir por semana.
FUNCION OBJETIVO:
Se debe maximizar la utilidad total (ingreso menos costo) de los dos
productos:
Ingreso por ventas = 27 X1 + 21 X2

Costo de materia prima = 10 X1 + 9 X2
Costo de mano de obra y costos generales = 14 X1 + 10 X2
Maximizar Z = Ingresos Costos = 3 X1 + 2 X2
RESTRICCIONES:
R1 = Horas disponibles de carpintera: 1 X1 + 1 X2 80
R2 = Horas disponibles de acabado: 2 X1 + 1 X2 100
R3 = Demanda mxima de soldados: X1 40
X1 0, X2 0
1.4.5. Financiera Solucin administra fondos de empresas y clientes

pudientes. La estrategia de inversin se adecua a las necesidades
de cada cliente. Para un cliente nuevo, a Financiera Solucin (FS)
se le ha autorizado invertir 1.2 millones de dlares en dos fondos
de inversin: un fondo de acciones y un fondo de bonos. Cada
unidad del fondo de acciones cuesta 50 dlares, con una tasa de
rendimiento anual de 10%; cada unidad del fondo de bonos
cuesta 100 dlares, con una tasa de rendimiento anual de 4%.
El cliente desea minimizar el riesgo, pero quiere tener un ingreso

anual sobre la inversin de por lo menos 60,000 dlares. De
acuerdo con el sistema de medicin de riesgo de FS, cada unidad
adquirida en el fondo de acciones tiene un ndice de riesgo de 8, y
cada unidad adquirida en el fondo de bonos tiene un ndice de
riesgo de 3. El ndice de riesgo ms elevado asociado con el
fondo de acciones indica, simplemente, que se trata de la
inversin ms riesgosa.
El cliente de la financiera tambin ha especificado que se inviertan

por lo menos 300,000 dlares en el fondo de bonos.
35
Cuntas unidades de cada uno de los fondos deber adquirir la

financiera para el cliente, si el objetivo es minimizar el ndice de
riesgo total para esta cartera? Cul es el valor del riesgo total?
X1 = Cantidad, en unidades, que se debe adquirir del fondo de acciones
X2 = Cantidad, en unidades, que se debe adquirir del fondo de bonos
FUNCION OBJETIVO:
Se debe minimizar el riesgo total de la inversin.
Minimizar Z = 8 X1 + 3 X2
RESTRICCIONES:
R1 = Cantidad mxima a invertir de dlares: X1 + X2 1200000
R2 = Rendimiento anual mnimo requerido: 5 X1 + 4 X2 60000
R3 = Inversin mnima en bonos: 100 X2 300000
X1 0, X2 0
1.5. PROBLEMAS PROPUESTOS
1.5.1. Un frutero necesita 16 cajas de naranjas, 5 de pltanos y 20 de

manzanas. Dos mayoristas pueden suministrarle para satisfacer
sus necesidades, pero slo venden la fruta en contenedores
completos. El mayorista A enva en cada contenedor 8 cajas de
naranjas, 1 de pltanos y 2 de manzanas. El mayorista B enva en
cada contenedor 2 cajas de naranjas, una de pltanos y 7 de
manzanas. Sabiendo que el mayorista A se encuentra a 150 km
de distancia y el mayorista B a 300 km, calcular cuntos
contenedores habr de comprar a cada mayorista, con objeto de
ahorrar tiempo y dinero, reduciendo al mnimo la distancia de lo
solicitado.
1.5.2. Una compaa tiene dos minas: la mina A produce diariamente 1

tonelada de carbn de antracita de alta calidad, 2 toneladas de
carbn de calidad media y 4 toneladas de carbn de baja calidad;
la mina B produce 2 toneladas de cada una de las tres clases. La
compaa necesita 70 toneladas de carbn de alta calidad, 130 de
calidad media y 150 de baja calidad. Los gastos diarios de la mina
A ascienden a 150 dlares y los de la mina B a 200 dlares.
36
Cuntos das debern trabajar en cada mina para que la funcin

de coste sea mnima?
1.5.3. Imaginemos que las necesidades semanales mnimas de una

persona en protenas, hidratos de carbono y grasas son,
respectivamente, 8, 12 y 9 unidades. Supongamos que debemos
obtener un preparado con esa composicin mnima mezclando
dos productos A y B, cuyos contenidos por Kg son los que se
indican en la siguiente tabla:
Costo
Protenas Hidratos Grasas
(pts/kg)
A 2 6 1 600
B 1 1 3 400
a) Cuntos Kg de cada producto debern comprarse

semanalmente para que el costo de preparar la dieta sea
mnimo?
b) Cuntos Kg de cada producto deberamos comprar si el
precio de A subiera a 1000 pts/Kg ?
1.5.4. En la elaboracin de un producto A se necesita una sustancia B.

La cantidad de A obtenida es menor o igual que el doble de B
utilizada, y la diferencia entre las cantidades del producto B y A no
supera los 2g mientras que la suma no debe sobrepasar los 5g.
Adems se utiliza por lo menos 1g de B y se requiere 1 g de A. La

sustancia A se vende a 5 millones y la B cuesta 4 millones el
gramo. Calcular la cantidad de sustancia B necesaria para que el
beneficio sea mximo.
1.5.5. En una encuesta realizada por una televisin local se ha

detectado que un programa con 20 minutos de variedades y un
minuto de publicidad capta 30.000 espectadores, mientras que
otro programa con 10 minutos de variedades y 1 minuto de
publicidad capta 10.000 espectadores.
Para un determinado perodo, la direccin de la red decide dedicar

80 minutos de variedades y los anunciantes 6 minutos de
publicidad. Cuntas veces deber aparecer cada programa con
objeto de captar el mximo nmero de espectadores?
37
1.5.6. Una empresa tiene dos factoras A y B. En ellas fabrica un

determinado producto, a razn de 500 y 400 unidades por da
respectivamente. El producto ha de ser distribuido posteriormente
a tres centros I, II y III, que requieren, respectivamente, 200, 300 y
400 unidades. Los costos de transportar cada unidad del producto
desde cada factora a cada centro distribuidor son los indicados
en la tabla siguiente:
I II III FABRICACIN
A 50 60 10 500 u.
B 25 40 20 400 u.
DEMANDA 200 300 400
De qu manera deben organizar el transporte a fin de que los
gastos sean mnimos?
1.5.7. Una empresa fabrica dos tipos de tarjetas grficas, de 16Mb y

32Mb de memoria, respectivamente. Se utilizan dos mquinas que
emplean 2 min. en fabricar las de 16Mb y 3 min. en fabricar las de
32Mb. La cadena de montaje slo puede funcionar, como mximo,
300 minutos diarios.
Adems cada mquina tiene una capacidad mxima de

fabricacin diaria de 125 unidades, entre las cuales no puede
haber ms de 90 tarjetas de 16Mb ni ms de 80 tarjetas de 32Mb,
siendo el beneficio neto de las primeras de 45$ y el de las
segundas de 60$.
Cuntas tarjetas de 16Mb y 32Mb debe fabricar diariamente

cada mquina para que el beneficio sea mximo?.
1.5.8. Una multinacional farmacutica desea fabricar un compuesto

nutritivo a base de dos productos A y B. El producto A contiene
30% de protenas, un 1% de grasas y un 10% de azcares. El
producto B contiene un 5% de protenas, un 7% de grasas y un
10% de azcares. El compuesto tiene que tener, al menos, 25g.
de protenas, 6g. de grasas y 30g. de azcares.
El coste del producto A es de 0.6 pts/g. y el de B es de 0.2 pts/g.
Cuntos gramos de cada producto debe tener el compuesto para

que el coste total sea mnimo?
38
1.5.9. Una compaa minera tiene abiertas dos minas M1 y M2, desde
las cuales transporta carbn a dos grupos G1 y G2 de una central
trmica. De la mina M1 salen diariamente para la central 800T de
antracita y de la mina M2 300T.
De las 1100T, 500 tienen que ir hasta el grupo G1 y 600T hasta el

grupo G2. El coste de cada tonelada transportada de M1 a G1 es
de 60$, el de A1 a G2 de 80$, el de M2 a G1 de 40$ y el de M2 a
G2 de 50$.
Cuntas toneladas hay que transportar desde cada mina hasta

cada grupo para que el coste total sea mnimo?.
1.5.10. Una asociacin agrcola tiene de dos parcelas: la parcela P1

tiene 400Ha de tierra utilizable y dispone de 500m3 de agua,
mientras la parcela P2 tiene 900Ha de tierra utilizable y dispone
de 1200m3 de agua. Los cultivos aconsejados son: remolacha y
algodn. La remolacha consume 3m3 de agua por Ha y tiene un
beneficio de 700$ por Ha y el algodn consume 2m3 de agua por
Ha y tiene un beneficio de 500$ por Ha. Se ha establecido una
cuota mxima por Ha para cada cultivo: 800 para la remolacha y
600 para el algodn, siendo el porcentaje total de terreno cultivado
el mismo en cada parcela.
Plantear el problema de programacin lineal.
1.5.11. Una empresa constructora dispone de dos tipos de camiones C1

y C2 y quiere transportar 100T de arena a una obra. Sabiendo que
dispone de 6 camiones tipo C1 con capacidad para 15T y con un
coste de 4000pts por viaje y de 10 camiones tipo C2 con una
capacidad de 5T y con un coste de 3000pts por viaje.
a) Cul es el nmero posible de camiones que puede usar

(grficamente)?
b) Cul es el nmero posible de camiones que debe usar para
que el coste sea mnimo?
c) Cul es el valor de dicho coste?.
1.5.12. Un quiosco de prensa vende bolgrafos a 20pts y cuadernos a

30pts. Llevamos 240pts y pretendemos comprar los mismos
cuadernos que bolgrafos por lo menos. Cul ser el nmero
mximo de piezas que podemos comprar?
39
1.5.13. Una compaa area dispone de dos tipos de aviones A1 y A2

para cubrir un determinado trayecto. El avin A1 debe hacer ms
veces el trayecto que el avin A2 pero no puede sobrepasar 120
viajes. Entre los dos aviones deben hacer ms de 60 vuelos, pero
menos de 200. En cada vuelo, A1 consume 900 litros de
combustible y A2 700 litros. En cada viaje del avin A1 la empresa
gana 30.000$ y 20.000$ por cada viaje del avin A2.
a) Cuntos viajes debe hacer cada avin para obtener el

mximo de ganancias?.
b) Cuntos vuelos debe hacer cada avin para que el
consumo de combustible sea mnimo?
1.5.14. Un joyero fabrica dos tipos de anillos: los anillos A1 precisan 1g.
de oro y 5g. de plata vendindolos a $40 cada uno. Para los
anillos tipo A2 emplea 1,5g. de oro y 1g. de plata y los vende a
$50. El joyero dispone en su taller de 750g. de cada metal.
Calcular cuntos anillos debe fabricar de cada clase para

obtener el mximo beneficio?
1.5.15. Electrn S.A. produce 2 tipos de monitores para PC; de 17 y 15

(conocidos como M17 y M15). Los pronsticos de mercado
indican que ser posible vender todos los monitores que se
puedan producir para el siguiente mes.
Cada monitor pasa por un proceso en el departamento electrnico

(DE) y otro en el departamento mecnico (DM) y adems es
sometido a verificacin de calidad en el dpto. CC.
En el DE se disponen de 150 hrs. de operacin, en el DM de 160

hrs.
Por acuerdo con los trabajadores deben utilizarse al menos el

90% del total de una meta de 150 hrs. en el departamento de
verificacin de calidad CC.
El monitor M17 tiene un costo de produccin de $ 1,200 y se

vender a $ 1,700 y requiere de 10 hrs. de operacin en el DE,
20 hrs en el DM y 30 hrs de control de calidad.
40
El monitor M15 tiene un costo de produccin de $ 1,000 y se

vender a $ 1,400 y requiere de 15 hrs. de operacin en el DE,
10 hrs en el DM y 10 hrs de control de calidad.
La gerencia de ventas por estrategia de ventas exige que se

produzca al menos un monitor M15 por cada 2 monitores M17. E
informa que se debe de cumplir con el pedido ya recibido de un
cliente de por lo menos 4 monitores (en cualquier combinacin
M17 y M15).
1.5.16. La Smith Motors, Inc., vende automviles normales y vagonetas.

La compaa obtiene $300 de utilidad sobre cada automvil que
vende y $400 por cada vagoneta. El fabricante no puede proveer
ms de 300 automviles ni ms de 200 vagonetas por mes. El
tiempo de preparacin para los distribuidores es de 2 horas para
cada automvil y 3 horas para cada vagoneta. La compaa
cuenta con 900 horas de tiempo de taller disponible cada mes
para la preparacin de automviles nuevos. Plantee un problema
de PL para determinar cuntos automviles y cuntas vagonetas
deben ordenarse para maximizar las utilidades.
1.5.17. La empresa La Preferida, del Valle de Ica, cultiva brcoli y coliflor

en 500 acres de terreno en el valle. Un acre de brcoli produce
$500 de contribucin a las utilidades y la contribucin de un acre
de coliflor es de $1000. Debido a reglamentos gubernamentales,
no pueden cultivarse ms de 200 acres de brcoli. Durante la
temporada de plantacin, habr disponibles 1200 horas-hombre
de tiempo de plantadores. Cada acre de brcoli requiere 2.5
horas-hombre y cada acre de coliflor requiere 5.5 horas-hombre.
Plantee un problema de PL para determinar cuntos acres de
brcoli y cuntos de coliflor deben plantarse para maximizar la
contribucin a las utilidades.
1.5.18. Los supervisores de la produccin de una refinera deben

programar dos procesos de mezclado. Cuando se realiza el
proceso 1 durante una hora se consumen 100 barriles de petrleo
nacional y 300 barriles de petrleo importado. De manera similar,
cuando se efecta el proceso 2 durante una hora, se consumen
100 barriles de petrleo nacional y 200 barriles de petrleo
importado, Con respecto a la produccin, el proceso 1 genera
4,000 galones de gasolina y 1,750 galones de petrleo para uso
domstico por hora de operacin. El proceso 2 genera 3,500
galones de gasolina y 2,250 galones de petrleo para uso
41
domstico, por hora. Para la siguiente corrida de produccin,

existen disponibles 1,200 barriles de petrleo nacional y 1 ,800
barriles de petrleo importado. Los contratos de ventas exigen
que se fabriquen 28,000 galones de gasolina y 12,000 galones de
petrleo para consumo domstico. Las contribuciones a las
utilidades por hora de operacin son $1,000 y $1,100 para los
procesos 1 y 2, respectivamente.
a. Plantee un modelo de programacin lineal para determinar el

programa de produccin que maximice la contribucin total.
Asegrese de indicar las unidades de medicin para sus
variables de decisin y las unidades en las que se mide cada
restriccin.
b. El Ministerio de Energa y Minas puede emitir un dictamen
que limite la produccin total de gasolina a no ms de la
mitad del petrleo que se fabrique para uso domstico. Qu
restriccin debe aadirse al modelo para plantear esta
condicin?
42
CAPTULO 2
PROGRAMACION LINEAL: FORMULACIN DE PROBLEMAS
2.1. EJERCICIOS FORMULADOS DE PROGRAMACION LINEAL
Ejercicio 2.1.1: Problema de transporte

Un fabricante de jabn y detergentes tiene tres plantas, localizadas en
Cincinnati, Denver y Atlanta. Los almacenes principales se encuentran
en Nueva York, Boston, Chicago, Los Angeles y Dallas. En las tablas
siguientes se proporcionan los requerimientos de ventas del prximo ao
para cada almacn y los costos de envo desde cada planta a cada
almacn.
Requerimientos de los almacenes
Ubicacin del almacn Ventas anuales (miles de cajas)

Nueva York 50
Boston 10
Chicago 60
Los Angeles 30
Dallas 20
----
Total 170
Costos de envo de 1000 cajas de jabn
Nueva Los
De / A Boston Chicago Dallas
York Angeles
Cincinnati $ 120 $ 150 $ 80 $ 250 $ 180
Denver 210 220 150 100 110
Atlanta 150 170 150 240 200
La capacidad de produccin para las plantas de Cincinnatti, Denver y

Atlanta son 100 mil, 60 mil y 50 mil cajas, respectivamente.
La compaa quiere determinar un programa de entregas que minimice

los costos totales de transporte de la compaa.
43
FORMULACIN:
Variables de Decisin:
Sea:
X11 = Nmero de cajas enviadas de la primera fbrica (Cincinnati) al
primer almacn (Nueva York), en miles de cajas.
Anlogamente:
X12, X13, X14, X15 = Nmero de cajas enviadas de la primera
fbrica (Cincinnati) al segundo, tercer, etc.,
almacn (Boston, Chicago, etctera)
X21, X22, X23, X24, X25 = Nmero de cajas enviadas de la segunda

fbrica (Denver) al primer, segundo, etc.,
almacn.
X31, X32, X33, X34, X35 = Nmero de cajas enviadas de la tercera

fbrica (Atlanta) al primer, segundo, etc.,
almacn.
Funcin Objetivo:
El objetivo es minimizar costos de transporte.
Minimizar: Z = 120X11 + 150X12 + 80X13 + 250X14 + 180X15 +

210X21 + 220X22 + 150X23 + 100X24 + 110X25 +
150X31 + 170X32 + 150X33 + 240X34 + 200X35
El costo total es la suma de los productos, de cada fbrica a cada

almacn, del costo de envo de la tabla multiplicado por el nmero de
millares de cajas que se envan.
Restricciones:
Hay dos conjuntos de restricciones para este problema. El primero
garantiza que se cumplirn las necesidades del almacn, entonces, para
Nueva York:
X11 + X21 + X31 = 50
Lo anterior estipula que la suma de las cajas que se envan a Nueva

York de la primera fbrica (Cincinnati), la segunda (Denver) y la tercera
(Atlanta) debe ser 50 mil cajas, el requerimiento de ventas de Nueva
York. Para los otros almacenes se tiene:
Boston: X12 + X22 + X32 = 10

Chicago: X13 + X23 + X33 = 60
44
Los Angeles: X14 + X24 + X34 = 30

Dallas: X15 + X25 + X35 = 20
El segundo conjunto de restricciones garantiza que las fbricas no

excedan sus capacidades de produccin. De esta manera, para la
fbrica de Cincinnati:
X11 + X12 + X13 + X14 + X15 < 100
Esta expresin indica que la cantidad que se enva de la primera fbrica

al primer almacn, al segundo, al tercero, etc., no debe exceder la
capacidad de 100,000 cajas de la fbrica.
En forma similar:
Denver: X21+ X22 + X23 + X24 + X25 < 60
Atlanta: X31 + X32+ X33 + X34 + X35 < 50
Por ltimo, todas las X deben ser mayores o iguales que cero.
La solucin de este problema de programacin lineal ofrecer el

programa ptimo de envos (es decir, el de menor costo) para la
compaa. Es un ejemplo de un tipo especial de problema, conocido, de
manera bastante natural, como el problema de transporte.
En resumen, la formulacin completa de este problema es:
Minimizar Z = 120X11 + 150X12 + 80X13 + 250X14 + 180X15 +

210X21 + 220X22 + 150X23 + 100X24 + 110X25 +
150X31 + 170X32 + 150X33 + 240X34 + 200X35
Sujeto a: X11 + X21 + X31 = 50

X12 + X22 + X32 = 10 Restricciones de
X13 + X23 + X33 = 60 requerimientos de
X14 + X24 + X34 = 30 almacenes
X15 + X25 + X35 = 20
X11 + X12 + X13 + X14 + X15 < 100 Capacidad
X21 + X22 + X23 + X24 + X25 < 60 disponible de
X31 + X32 + X33 + X34 + X35 < 50 fbricas
Condicin de no negatividad
X11, X12, ., , X35 > 0
45
Ejercicio 2.1.2: Problema de mezcla

Se obtienen distintos tipos de gasolina mezclando ciertas gasolinas que
se obtienen directamente de las operaciones de refinera. En un proceso
de refinamiento real hay varias gasolinas para mezcla, varias gasolinas
que son productos finales (por ejemplo, distintos grados de gasolina para
aviacin y para motores) y varias caractersticas de importancia para la
composicin qumica de los diversos grados de gasolina (por ejemplo,
octanaje, presin de vapor, contenido de azufre, contenido de goma). En
este ejemplo simplificando se supondr que la refinera slo tiene dos
tipos de gasolina para mezcla, con las caractersticas que se presentan
en la siguiente tabla:
Tabla 2.1. Caractersticas de las gasolinas para mezcla
Mezclas Cantidad
Octanaje Presin de vapor
disponibles disponible
Gasolina para
mezcla, tipo 1 104 5 30 000 barriles
Gasolina para
mezcla, tipo 2 94 9 70 000 barriles
Estas gasolinas para mezcla pueden combinarse para obtener dos

productos finales: gasolina para aviacin y gasolina para motores. En la
siguiente tabla se presentan las caractersticas que requieren estos
productos finales.
Tabla 2.2. Caractersticas de las gasolinas finales
Productos Octanaje Presin de Ventas Precio de venta

finales mnimo vapor mxima mximas (por barril)
Gasolina para 20 000
aviacin 102 6 barriles $45.10
Gasolina para Cualquier
motores 96 8 cantidad $32.40
FORMULACIN:
Sea:
X1 = Nmero de barriles de gasolina para la mezcla 1 utilizados en
gasolina para aviacin
gasolina para aviacin
46

gasolina para motores
gasolina para motores
Funcin Objetivo:
La funcin objetivo es maximizar Z = Ingresos totales:
Maximizar: Z = 45.10 (X1 + X2) + 32.40 (X3 + X4)
= 45.10 X1 + 45.10 X2 + 32.40 X3 + 32.40 X4
Observe que X1 + X2 es la cantidad total de gasolina para aviacin

mezclada (en barriles); como se vende a 45.10 dlares por barril, los
ingresos por este producto son 45.10 (X1 + X2). De manera anloga, los
ingresos por la gasolina para motor son de 32.40 (X3 + X4) y la suma de
estos trminos representa los ingresos totales.
Restricciones:
Hay varios tipos de restricciones que afectan la forma en que la refinera
mezclar su gasolina. La primera es el nivel de ventas o tamao de la
demanda, el hecho de que no pueden venderse ms de 20 000 barriles
de gasolina para aviacin. Lo anterior puede expresarse as:
X1 + X2 < 20 000
Otro conjunto de restricciones se refiere a las cantidades disponibles de

las gasolinas para mezcla. Entonces:
X1 + X3 < 30 000
Observe que X1 + X3 representa la cantidad total de gasolina para

mezcla 1 (la suma de la cantidad utilizada en gasolina para aviacin, X1,
y la cantidad usada en gasolina para motores, X3). La ecuacin anterior
establece que la cantidad de gasolina para mezcla 1 no debe exceder la
cantidad disponible, 30 000 barriles. Hay una restriccin similar para la
gasolina para la mezcla 2:
X2 + X4 < 70 000
Otro conjunto de restricciones tiene que ver con el octanaje de las

gasolinas finales. Recuerde que la cantidad total de la gasolina para
aviacin es X1 + X2 y su octanaje estar definido por las cantidades
relativas de X1 + X2, de acuerdo con la siguiente frmula:
47
Octanaje 104 * X1 + 94 * X2
de la --------------------------
gasolina para aviacin X1 + X2
Las cifras 104 y 94 provienen de la tabla 2.1 y son los octanajes de las
gasolinas para mezcla 1 y 2, respectivamente. En la tabla 2.2 se observa
que el octanaje de la gasolina para aviacin debe ser por lo menos 102,
por lo cual se tiene la siguiente restriccin:
104 X1 + 94 X2
------------------- > 102
X1 + X2
Al acomodar la expresin para convertirla en restriccin lineal, se tiene:

104 X1 + 94 X2 > 102 X1 + 102 X2 o
(104 X1 102 X1) + (94 X2 102 X2) > 0,
2 X1 8 X2 > 0
Anlogamente, para la gasolina para motores, se tiene:

104 X3 + 94 X4 > 96(X3 + X4)
8 X3 2 X4 > 0
El ltimo conjunto de restricciones tiene que ver con los requisitos de

presin de vapor de las gasolinas finales. En el caso de la gasolina para
aviacin, la restriccin es:
5 X1 + 9 X2 < 6(X1 + X2)
X1 + 3X2 < 0
y el requisito de presin de vapor de la gasolina para motores es:

5 X3 + 9 X4 < 8(X3 + X4)
3X3 + X4 < 0
En resumen, la formulacin total del modelo de programacin lineal es:

Maximizar Z = 45.10X1 + 45.10X2 + 32.40X3 + 32.40X4
Sujeto a: X1 + X2 < 20 000 Restriccin de la demanda
X1 + X3 < 30 000 Restricciones de disponibilidad

X2 + X4 < 70 000 de gasolina para mezclas
2 X1 8 X2 > 0 Restricciones de
8 X3 2 X4 > 0 octanaje
48
X1 + 3X2 < 0 Restricciones de

3X3 + X4 < 0 presin de vapor
X1, X2, X3, X4 > 0
Ejercicio 2.1.3: Problema de programacin de actividades

Una empresa tiene un programa estricto de compromisos de entrega de
un producto para los prximos seis meses. El costo de produccin vara
por mes, por los cambios anticipados en costos de materiales. La
capacidad de produccin de la compaa es de 100 unidades por mes
con tiempo normal y hasta 15 unidades adicionales por mes con tiempo
extra.
La siguiente tabla muestra los requerimientos de entrega y los costos de

produccin por mes.
Requerimientos y costos
Mes
1 2 3 4 5 6
Compromisos de entrega
(unidades) 95 85 110 115 90 105
Costo por unidad en
tiempo normal $30 30 32 32 31 32
Costo por unidad en
tiempo extra $35 35 37 37 36 37
El costo de almacenar en inventario una unidad que no se vende es de

dos dlares por mes. El problema de la compaa es determinar el
nmero de unidades que debe producir cada mes en tiempo normal y
tiempo extra para cubrir los requerimientos con el menor costo. La
empresa no tiene unidades disponibles al iniciar el mes 1 y no quiere que
sobren unidades al terminar el mes 6.
FORMULACIN:
Sea:
X1, X2, X3, X4, X5, X6 = Nmero de unidades producidas en tiempo
normal cada mes
Y1, Y2, Y3, Y4 , Y5 , Y6 = Nmero de unidades producidas en tiempo
extra cada mes
49
I1, I2, I3, I4, I5 , I6 = Nmero de unidades en almacn (no

vendidas) al final de cada mes
Funcin Objetivo:
El objetivo es minimizar costos:
Minimizar: Z = 30X1 + 30X2 + 32X3 + 32X4 + 31X5 + 32X6 +

35Y1 + 35Y2 + 37Y3 + 36Y4 + 37Y5 + 37Y6 +
2I1 + 2I2 + 2I3 + 2I4 + 2I5 + 2I6
La primera parte de esta expresin es el costo de la produccin en

tiempo normal multiplicado por las cantidades producidas en tiempo
normal cada mes. La segunda parte representa el costo de produccin
en tiempo extra multiplicado por las cantidades que se producen en
tiempo extra cada mes. La tercera parte es el costo de almacenamiento
de las unidades que no se vendan, multiplicados por el nmero de
unidades no vendidas cada mes.
Restricciones:
Las restricciones de la produccin en tiempo normal son:
Por ltimo, se requiere un grupo de restricciones de enlace o de

equilibrio para unir los perodos y asegurar que se cumplan los
compromisos de entrega. Estas restricciones tienen la siguiente forma:
(Fuentes de las unidades) = (Usos de las unidades)
Inventario Pr oduccin en Pr oduccin en Compromisos Inventario

Inicial + tiempo normal + tiempo extra = de entrega + final

Para el mes 1, esto es:

0 + X1 + Y1 = 95 + I1
puesto que no hay inventario inicial. Al acomodar la ecuacin:

X1 + Y1 I1 = 95
Para el mes 2:
I1 + X2 + Y2 = 85 + I2,
I1 + X2 + Y2 - I2 = 85
Para los otros meses:

Mes 3: I2 + X3 + Y3 - I3 = 110
Mes 4: I3 + X4 + Y4 - I4 = 115
50
Mes 5: I4 + X5 + Y5 - I5 = 90
Mes 6: I5 + X6 + Y6 - I6 = 105
Puesto que el inventario final debe ser cero, la ltima restriccin es:
I6 = 0
En resumen, la formulacin es:
Minimizar: Z = 30 X1 + 30 X2 + 32 X3 + 32 X4 + 31 X5 + 32 X6 +
35 Y1 + 35 Y2 + 37 Y3 + 36 Y4 + 37 Y5 + 37 Y6 +
2 I 1 + 2 I 2 + 2 I 3 + 2 I 4 + 2 I 5 + 2 I6
Sujeto a: X1 + Y1 - I1 = 95
I1 + X2 + Y2 - I2 = 85 Restricciones
I2 + X3 + Y3 - I3 = 110 de balance de
I3 + X4 + Y4 - I4 = 115 inventario
I4 + X5 + Y5 - I5 = 90
I5 + X6 + Y6 - I6 = 105
X1 < 100
X2 < 100 Restricciones
X3 < 100 de produccin
X4 < 100 en tiempo normal
X5 < 100
X6 < 100
Y1 < 15
Y2 < 15 Restricciones
Y3 < 15 de produccin
Y4 < 15 en tiempo extra
Y5 < 15
Y6 < 15
I6 = 0 Restriccin de inventario final
X1, X2, X3, X4, X5, X6 > 0
Y1, Y2, Y3, Y4, Y5, Y6 > 0
I1, I2, I3, I4, I5, I6 > 0
Ejercicio 2.1.4: Problema de produccin

Una empresa fabricante de tostadoras elctricas, debe tomar una
decisin sobre la produccin de un nuevo modelo. La empresa tiene la
posibilidad de emplear 3 tcnicas alternativas de produccin: manual,
semi-automtica y mediante el empleo de robots.
51
Los requerimientos de cada tcnica se resumen en el siguiente cuadro:
TECNICA DE ENSAMBLADO
Manual Semi-automtica Robotizada
Mano de Obra Especializada 1 min 4 min 8 min
Mano de Obra no-especializada 40 min 30 min 20 min
Tiempo de Taller de Ensamblado 3 min 2 min 4 min
La disponibilidad de recursos para este producto son los siguientes: 4500

minutos de mano de obra especializada, 36000 minutos de mano de
obra no-especializada y 2700 minutos de tiempo disponible de taller de
ensamblado.
El costo total de produccin manual es de $7 por tostadora, de $8 por

tostadora para la produccin semi-automtica, y de $8.5 por tostadora
para la produccin robotizada. Se necesita producir 1000 tostadoras.
Calcular la cantidad de tostadoras que se debe producir con cada tcnica
de ensamblado.
FORMULACIN:
Xi: Cantidad de tostadoras ensambladas con la tcnica i: (= M, S, R)
Funcin Objetivo:
Se debe minimizar Costos
Minimizar Z = 7 XM + 8XS + 8.5XR
Restricciones:
Disponibilidad de Recursos:
Ensamblado Manual:
1 XM + 4 XS + 8 XR < 4,500
Ensamblado Semiautomtico:
40 XM + 30 XS + 20 XR < 36,000
Ensamblado Robotizado
3XM + 2XS + 4XR < 2,700
Condicin de Produccin:
XM + XS + XR = 1000
Condicin de No Negatividad:
XM > 0 , XS > 0 , XR > 0
52
Ejercicio 2.1.5: Problema de asignacin de personal

El gerente de personal de La Tortuga Veloz, S.A., est analizando la
necesidad de mano de obra semi calificada durante los prximos seis
meses. Se lleva 1 mes adiestrar a una persona nueva. Durante este
perodo de entrenamiento un trabajador regular, junto con uno en
adiestramiento (aprendiz), producen el equivalente a lo que producen 1.2
trabajadores regulares. Se paga $500 mensuales a quien est en
entrenamiento, mientras que los trabajadores regulares ganan $800
mensuales. La rotacin de personal entre los trabajadores regulares es
bastante alta, del 10% mensual. El gerente de personal debe decidir
cuntas personas necesita contratar cada mes para adiestramiento. En
seguida se da el nmero de meses-hombre necesarios. Tambin se
desea tener una fuerza de trabajo regular de 110 al principio de julio. En
cuanto al 1 de enero, hay 58 empleados regulares.
Meses-hombre Meses-hombre
Mes Mes
requeridos requeridos
Enero 60 Abril 80
Febrero 50 Mayo 70
Marzo 60 Junio 100
FORMULACIN:
Este problema tiene un aspecto dinmico, ya que la fuerza de trabajo en
cualquier mes depende de la fuerza de trabajo regular y en
adiestramiento del mes anterior. Para cualquier mes, el nmero total de
meses-hombre disponibles se puede expresar como sigue:
Variables de Decisin
Meses-hombre disponibles: Ri + 0.2Ai
en donde:
Ri = nmero de trabajadores regulares al principio del mes

Ai = nmero de aprendices contratados en el mes.
Funcin Objetivo
El objetivo global del gerente de personal es minimizar el costo de
personal
Minimizar Z =
800 (R1 + R2 + R3 + R4 + R5 + R6) + 500 (A1 + A2 + A3 + A4 + A5 + A6)
53
Restricciones
Entonces los requerimientos de cada mes pueden expresarse por las
restricciones:
enero R1 + 0.2A1 60
febrero R2 + 0.2A2 50
marzo R3 + 0.2A3 60
abril R4 + 0.2A4 80
mayo R5 + 0.2A5 70
junio R6 + 0.2A6 100
julio (principio) R7 110
Debido a la rotacin, el 10% de los trabajadores regulares se van cada

mes. As, el nmero de trabajadores regulares disponibles, por ejemplo,
al principio de febrero sera:
R2 = 0.9R1 + A1
En la misma forma, pueden escribirse las ecuaciones para el nmero de

trabajadores disponibles al principio de cada mes:
Enero R1 = 58 (dado)
febrero R2 = 0.9 R1 + A1
marzo R3 = 0.9 R2 + A2
abril R4 = 0.9 R3 + A3
mayo R5 = 0.9 R4 + A4
junio R6 = 0.9 R5 + A5
julio R7 = 0.9 R6 + A6
R1, R2, R3, R4, R5, R6, R7, A1, A2, A3, A4, A5, A6 > 0
Ejercicio 2.1.6: Problema de presupuesto militar

Un gobierno ha dispuesto 7500 millones de dlares de su presupuesto
general para fines militares. El 60% del presupuesto militar se usara para
comprar tanques, aviones y misiles. stos pueden adquirirse a un costo
por unidad de 3, 10 y 4 millones de dlares, respectivamente. Se ha
54
decidido que se deben adquirir al menos 200 tanques y 200 aviones.

Debido a la escasez de pilotos experimentados, tambin se ha decidido
no comprar ms de 300 aviones. Por razones estratgicas, la proporcin
de misiles respecto a aviones debe estar en el rango de a .El
objetivo es maximizar la utilidad total de esta armas, siendo las utilidades
individuales 1, 3 y 2. Encuentre la solucin ptima (ignore el hecho de
que la respuesta deba darse en unidades enteras).
FORMULACIN:
X1 = Cantidad de unidades de adquisicin de tanques.
X2 = Cantidad de unidades de adquisicin de aviones.
X3 = Cantidad de unidades de adquisicin de misiles.
Funcin Objetivo:
Se debe maximizar la utilidad total de las armas:
Maximizar: Z = 1 X1 + 3 X2 + 2 X3
Restricciones:
Esta primera restriccin nos indica la cantidad mnima que se deber
comprar de tanques es 200:
X1 > 200
En esta segunda restriccin nos indica la cantidad mnima que se deber

comprar de aviones es 200:
X2 > 200
Segn los datos mencionados no se pueden comprar ms de 300

aviones debido a que no hay pilotos experimentados por tanto la
siguiente restriccin ser:
X2 < 300
Tambin nos indica que por medidas estratgicas la proporcin de

misiles con respecto a aviones esta en el rango de a .
1 < X3 < 1
4 X2 2
X3 > 1 ...4X3 X2 > 0 X3 < 1 ..2X3 X2 < 0

X2 4 X2 2
55
La ultima restriccin ser: 3 X1 + 10X2 + 4X3 < 4500
Ya que el 60% del presupuesto general (7500) es destinado para fines

militares y esta a su vez ser igual a la suma de la cantidad de armas
multiplicada por sus respectivos costos.
En resumen la formulacin completa de este problema es:
Maximizar: Z = 1X1 + 3X2 + 2X3
Sujeto a:
Cantidad mnima de tanques: X1 > 200
Cantidad mnima de aviones: X2 > 200
Cantidad mxima de aviones: X2 < 300
Relacin de misiles con aviones: 4X3 X2 > 0
2X3 X2 < 0
Presupuesto militar: 3 X1 + 10X2 + 4X3 = 4500
X1, X2, X3 > 0.
Ejercicio 2.1.7: Problema de Mezclas.

Un comerciante compra azcar a granel y vende al detalle. Para
venderla tiene dos alternativas: envases de 1 kg y envases de 5 kg. El
precio de venta es $300 y $250 por kg respectivamente, y en el mercado
del azcar al detalle se pueden vender 20.000 kg en envases de 1 kg y
17.000 en envases de 5 kg.
Debido a un contrato anterior se deben entregar 5.000 kg en envases de

5 kg a un determinado cliente.
El comerciante se puede abastecer de azcar desde dos proveedores. El

primero le puede vender hasta 15.000 kg a un precio de $90 por kg, y el
segundo le ofrece la cantidad de azcar que el comerciante desee, pero
a un precio de $110 por Kg. y debido a requerimientos de sus
distribuidores el comerciante debe vender menos del tercio del azcar en
envases de 1 kg.
Adems, suponga que el precio de los envases y el proceso de

envasado son nulos, y que el comerciante no tiene azcar almacenada y
vende todo el azcar que compra.
56
Formule un problema de programacin lineal que permita al comerciante

decidir cual es el plan de abastecimiento y ventas de modo de obtener el
mayor beneficio en su negocio.
FORMULACIN:
X i j : Cantidad , en kilogramos, de azcar que van en envases de i (=A,
B) suministrada por los proveedores j(= 1,2)
Donde
A: envases de 1 Kg. y B: envases de 5 Kg.
1: Proveedor uno y 2: Proveedor 2
Funcin Objetivo
Maximizar Z =
$300(XA1 + XA2) + $250(XB1 + XB2) - $90(XA1 + XB1) - $110(XA2 + XB2)
Maximizar Z = 210XA1 + 190 XA2 + 160 XB1 + 140XB2
Esta ecuacin establece que el mayor beneficio en el negocio del

comerciante se forma con el ingreso obtenido de las ventas del azcar
en envases de 1Kg y envases de 5Kg (Trescientos dlares multiplicados
por la sumatoria de los kilogramos del azcar de 1 kg. del proveedor 1 2)
menos el costo por la adquisicin del azcar del proveedor 1 (Noventa
dlares multiplicados por la sumatoria del azcar del proveedor 1 en
envases de 1 Kg. Y 5 Kg.) menos el costo por la adquisicin del azcar
del proveedor 2 (Ciento diez dlares multiplicados por la sumatoria del
azcar del proveedor 2 en envases de 1 Kg. Y 5 Kg.).
Restricciones
Ventas en el mercado de R1 (XA1 + XA2) 20,000 Kg.

azcar R2 (XB1 + XB2) 17,000 Kg.
Contrato anterior R3 (XB1 + XB2) 5,000 Kg
Abastecimiento del
R4 (XA1 + XB1) 15,000 Kg.
azcar
R5 (XA2 + XB2) 0.
Requerimiento de (XA1 + XA2) (XA1 + XA2 + XB1 + XB2)
R6
distribuidores XA1 + XA2 - XB1 + XB2 0
57
Xij 0 i = A, B
j = 1. 2
Ejercicio 2.1.8: Planificacin de Personal

Las enfermeras de un hospital llegan cada 4 horas y trabajan en turnos
de 8 horas continuas. La administracin ha decidido la idea de definir 6
cambios de turno al da para minimizar las distracciones y los problemas
de comunicacin que ocurren en los cambios de turno.
El hospital ha realizado un anlisis del trabajo requerido durante cada

uno de los seis perodos del da.
Las caractersticas de cada perodo son las siguientes:
Nmero
HORA DEL
Perodo Mnimo
DIA
Enfermeras
2 AM - 6 AM 1 25
6 AM - 10 AM 2 60
10 AM - 2 PM 3 50
2 PM - 6 PM 4 35
6 PM - 10 PM 5 55
10 PM - 2 AM 6 40
Las enfermeras que empiezan a trabajar en los perodos 2, 3 y 4 ganan

US$40 al da, y aquellas que comienzan en los perodos 1, 5 y 6 ganan
US$50 al da. Cuntas enfermeras deben empezar a trabajar en cada
turno para minimizar los costos por salarios?
FORMULACIN:
En este caso podemos identificar como variable de decisin el nmero
de enfermeras Ni que comienza a trabajar en el turno "i" (i = 1 : : : 6).
Funcin Objetivo
El objetivo ser disminuir costos
Minimizar Z = 50 N1 + 40 N2 + 40 N3 + 40 N4 + 50 N5 + 50 N6
58
Restricciones
Para construir las restricciones es conveniente recurrir a una
representacin grfica de los turnos:
De la grfica anterior se observa que en cada turno trabajan las

enfermeras que comenzaron en dicho turno, pero tambin las que
empezaron en el turno anterior. Por lo tanto, las restricciones de personal
mnimo por turno quedan:
N1 + N2 60
N2 + N3 50
N3 + N4 35
N4 + N5 55
N5 + N6 40
N6 + N1 25
Ni 0 i = 1, 2, ., 6
Ejercicio 2.1.9: Programacin de la produccin

Aceros Arequipa produce un acero especial usado en la industria de la
construccin. El departamento de ventas de Aceros Arequipa ha recibido
pedidos de 2400, 2200, 2700 y 2500 toneladas de acero para cada uno
de los siguientes cuatro meses. La empresa puede satisfacer estas
demandas produciendo el acero, extrayndolo de su inventario, o usando
cualquier combinacin de las dos alternativas. Se proyecta que los
costos de produccin por tonelada de acero durante cada uno de los
siguientes cuatro meses sean de $7400, $7500, $7600 y $7650. Como
los costos suben cada mes, debido a las presiones inflacionarias, tal vez
sea mejor que Aceros Arequipa produzca ms acero del que necesita en
un mes determinado y que almacene el exceso. La capacidad de
59
produccin, sin embargo, no puede exceder las 4000 toneladas en

ningn mes. La produccin mensual se termina al final del mes, cuando
la demanda se satisface. Cualquier acero remanente se almacena en
inventario a un costo de $120 por tonelada por cada mes que permanece
all. Estos datos se resumen en la siguiente tabla:
Mes 1 Mes 2 Mes 3 Mes 4

Demanda (tons) 2400 2200 2700 2500
Costo de produccin ($/ton) 7400 7500 7600 7650
Costo de inventario ($/ton/mes) 120 120 120 120
Si el nivel de produccin se incrementa de un mes al siguiente, entonces

la compaa incurre en un costo de $50 por tonelada de produccin
incrementada para cubrir la mano de obra adicional y/o el tiempo extra.
Cada tonelada de produccin disminuida incurre en un costo de $30 para
cubrir los beneficios de empleados no utilizados.
El nivel de produccin durante el mes anterior fue de 1800 toneladas, y

el inventario que comienza es de 1000 toneladas. El inventario al final del
cuarto mes debe ser de al menos 1500 toneladas para cubrir la demanda
anticipada. Formule un plan de produccin para Aceros Arequipa que
minimice los costos totales en los siguientes cuatro meses.
FORMULACIN:
Pi = Cantidad, en toneladas, de acero que se produce en el mes
i(=1,2,3,4).
Ii = Cantidad, en toneladas, de acero que se quedan en el inventario
al final del mes i(=1,2,3,4).
Ai = Aumento, en toneladas, de la produccin de acero en el mes
i(=1,2,3,4)
Di = Disminucin, en toneladas, de la produccin de acero en el mes
i(=1,2,3,4)
Funcin Objetivo
Minimizar Z: costo de Produccin + costo de Inventario + costo por
Aumento de produccin. + costo por Disminucin de produccin
7400*P1 + 7500*P2 + 7600*P3 + 7650* P4 +120*( I1 + I2 + I3 + I4) + 50*

(A1 + A2 + A3 + A4) + 30*(D1 + D2 + D3 + D4)
60
Restricciones:
P0 = 1800 Produccin del mes anterior al mes 1.
P1 < 4000 Cantidad mxima de produccin en el mes 1
I0 = 1000 Inventario inicial del mes 1 es 1000 toneladas
I4>= 1500 Inventario para el mes 4 es al menos 1500 toneladas
Relacin Contable
Mes Inventario Inicial + Produccin Inventario Final = Demanda
1 I0 + P1 - I1 = 2400
2 I1 + P2 - I2 = 2200
3 I2 + P3 - I3 = 2700
4 I3 + P4 - I4 = 2500
Relacin de Aumento y Disminucin de Produccin

Mes 1 P1 P0 A1 + D1 = 0
Mes 2 P2 P1 A2 + D2 = 0
Mes 3 P3 P2 A3 + D3 = 0
Mes 4 P4 P3 A4 + D4 = 0
El artificio para esta restriccin es darle un valor positivo a Ai si la

diferencia de produccin de un mes a otro es positivo o darle un valor
positivo a Di si la diferencia es negativa. Los dos valores (Ai y Di) no
pueden ser positivas, uno de ellos es positivo y el otro cero, dado que la
funcin objetivo determinar la ms conveniente para minimizarlo.
Ii > 0; para todo i(=1,2,3,4)
Pi > 0; para todo i(=1,2,3,4)
Ai > 0; para todo i(=1,2,3,4)
Di > 0; para todo i(=1,2,3,4)
61
2.2. PROBLEMAS PROPUESTOS PARA FORMULAR DE

PROGRAMACION LINEAL
2.2.1. PescaPer S.A. desea determinar la mejor forma de cargar las

bodegas de su bolichera Sol que le proporcione la mejor utilidad
posible. Sol tiene una capacidad de carga total de 300 tn,
divididas en 3 bodegas. La bodega-1 est designada para carga
de camarones, la bodega-2 para mariscos y la bodega-3 para
pescado. Por disposiciones de mercado a lo ms deben de
cargarse 130 tn de pescado y la carga de mariscos mas la de
camarones no debe superar las 170 tn.
Por medidas de seguridad, la carga en la bodega-2, no debe

exceder a la tercera parte de la carga realizada en la bodega-3.
La carga en la bodega-1, a lo ms debe ser las dos quintas partes
de lo cargado en la bodega-3.
Las utilidades por ton. de camarones es de $1000, por ton de

mariscos $700 y por pescado $ 600.
2.2.2. Bata para su campaa escolar, va a fabricar 3 modelos de

calzado E1, E2 y E3. El proceso de manufactura del calzado hace
que se requieran 2 operaciones de produccin. Cada par de
calzado de cualquier modelo requiere una hora de tiempo en la
operacin-1. En la operacin-2 el modelo E1 requiere de 1 hora, el
modelo E2 de 2 horas y el E3 de 2.5 horas.
Bata cuenta con mano de obra suficiente para operar hasta 300
hrs. de tiempo semanal en la operacin-1 y hasta 360 hrs. para la
operacin-2. Se ha calculado una utilidad de S/.14, S/16 y S/17
por cada par de calzado E1, E2 y E3 respectivamente.
Se tiene un pronstico de que la demanda del modelo E1 no ser

de mas de 500 pares por semana, y que l demanda combinada de
los modelos E2 y E3 ser como mnimo 300 pero no mas de 600.
Cuntos pares de calzado de cada modelo deben fabricarse
para obtener la mayor utilidad?.
2.2.3. Dos aleaciones A y B se hacen de cuatro metales diferentes I, II,

III, IV de acuerdo con las especificaciones siguientes.
62
Aleacin Especificaciones Los cuatro metales se extraen de

diferentes minerales cuyos
A lo ms 80% de I
constituyentes en porcentaje de
A A lo ms 30% de II
estos metales, cantidad mxima
Al menos 50% de IV
disponible y costo por tonelada
Entre 40% y 60% de II
se tabulan como sigue.
B Al menos 30% de III
A lo ms 70% IV
Cantidad Constituyentes (%)

Precio
Mineral max.
I II III IV OTROS ($ / ton)
(tons)
1 1000 20 10 30 30 10 30
2 2000 10 20 30 30 10 40
3 3000 5 5 70 20 0 50
Los precios de venta de las aleaciones A y B son 200 y 300

$/tonelada.
Formule el problema como un modelo de programacin lineal

eligiendo la funcin objetivo apropiada que har el mejor uso de la
informacin dada [Sugerencia: sea xijk la cantidad (en toneladas)
del metal i(i = I, II, III, IV) obtenida del mineral j(j = 1,2,3) y
asignada en la aleacin k-sima (k = A, B).]
2.2.4. Una fbrica de zapatos ha pronosticado la demanda para los

siguientes seis meses: 5.000, 6.000, 5.000, 9.000, 6.000 y 5.000
pares de zapatos respectivamente. A principios del mes 1, la
empresa tiene 13 empleados. Cada empleado de la fbrica utiliza
15 minutos para producir un par de zapatos y trabaja al mes 150
horas y hasta 40 horas de tiempo extra. Asimismo, cada
empleado recibe un salario de 2.000 dlares al mes ms 50
dlares por cada hora de tiempo extra que trabaje. A principios de
cada mes la empresa puede contratar o despedir empleados. A la
empresa le cuesta 1.500 dlares contratar un trabajador y 1.900
dlares despedir un empleado. El costo mensual de
almacenamiento de cada par de zapatos es igual al 3% del costo
de producir un par de zapatos en tiempo normal. La materia prima
necesaria para producir un par de zapatos cuesta 10 dlares.
63
Formule un modelo de programacin lineal, y resulvalo utilizando

el software SOLVER, de modo tal que minimice el costo de
satisfacer la demanda de los siguientes seis meses.
2.2.5. La Corporacin Financiera de Desarrollo (COFIDE) est

estudiando un plan inversiones para los prximos dos aos.
Actualmente, COFIDE tiene tres millones de dlares para invertir.
COFIDE espera recibir en 6, 12 y 18 meses un flujo de ingresos
de las inversiones previas. En la siguiente tabla se presentan los
datos:
Ingresos de inversiones previas

6 MESES 12 MESES 18 MESES
Ingreso $300,000 $400,000 $180,000
Hay tres proyectos de desarrollo (a los que llamaremos proyecto

1, proyecto 2 y proyecto 3 en los que COFIDE est planeando
participar.
En la siguiente tabla se muestra el flujo de caja que se tendra si

COFIDE participara a un nivel del 100% en el proyecto 1 (los
nmeros negativos son inversiones y los positivos son ingresos).
As, para participar en el proyecto 1 a un nivel de 100% COFIDE
tendra que desembolsar de inmediato $1,000,000. A los seis
meses erogara otros $700,000, etc.
TABLA 1: Flujo de Caja del Proyecto 1

INICIAL 6 MESES 12 MESES 18 MESES 24 MESES
Ingreso -$1,000,000 -$700,000 $1,800,000 $400,000 $600,000
En las siguientes tablas se muestran los flujos de caja de los

proyectos 2 y 3:
Ingreso -$800,000 $500,000 -$200,000 -$700,000 $2,000,000

Ingreso -$500,000 $100,000 -$200,000 $300,000 $1,000,000
64
Debido a la poltica de COFIDE la inversin mnima en cada uno

de los tres proyectos tiene que ser de $100,000.
A COFIDE no se le permite pedir prestado dinero. Sin embargo, al

comienzo de cada perodo de 6 meses todos los fondos
excedentes (esto es, los que no sean colocados en los proyectos
1, 2 y 3) se invierten con un inters del 7% para este perodo de 6
meses. COFIDE puede participar en cualquiera de los proyectos a
un nivel menor que el 100%, en cuyo caso todos los flujos de
efectivo de ese proyecto se reducirn en forma proporcional. Por
ejemplo, si COFIDE opta por participar en el proyecto 1, a un
nivel de 30%, el flujo de caja asociado con esta decisin sera 0.3
veces los datos de la Tabla 1. El problema que actualmente
encara COFIDE es decir qu parte de los tres millones en efectivo
debe invertirse en cada proyecto y cunto debe colocarse
simplemente por la renta del 7% semestral. La meta del
administrador consiste en maximizar el efectivo que habr al final
de los 24 meses. Formule este problema como modelo de
programacin lineal.
2.2.6. Gracias a una adecuada estrategia de marketing y a la calidad del

producto, cierta pequea fbrica de canastos de mimbre ha
recibido pedidos que superan su actual capacidad de produccin.
Durante las prximas cuatro semanas debe entregar 52, 65, 70 y
85 canastos, respectivamente. Actualmente cuenta con seis
artesanos.
La gerencia general de la fbrica ha decidido contratar personal

nuevo para poder cumplir sus compromisos comerciales. Dada la
escasez de artesanos, se deber contratar personal sin
experiencia. Un novato puede ser entrenado para llegar a ser
aprendiz durante una semana. La segunda semana trabaja como
aprendiz para ganar experiencia. Comenzando la tercera semana
(despus de dos semanas de trabajo) se transforma en artesano.
La produccin estimada y sueldos de los empleados es la

siguiente:
65
PRODUCCIN SALARIOS
Canastos/sem
$/semana
ana
Artesano dedicado slo a la produccin 10 30.000
Artesano dedicado a prod. y entrenamiento 5 40.000
Aprendiz 5 15.000
Novato 1 5.000
Cada artesano puede entrenar hasta dos novatos por semana (el
entrenamiento de un novato slo dura una semana). Todo
excedente de produccin semanal puede ser guardado para
cumplir los siguientes compromisos comerciales.
Los analistas de la empresa estiman que la demanda semanal de

canastos difcilmente superar los noventa canastos, por lo que
han decidido terminar el perodo sin novatos y aprendices, pero
con al menos nueve artesanos. Los reglamentos sindicales de la
empresa prohben los despidos por reduccin de personal.
Formule un modelo de programacin lineal que permita definir las

contrataciones a realizar, de modo de cumplir los compromisos
comerciales a costo mnimo.
66
CAPTULO 3
EL MTODO SIMPLEX
El algoritmo del simplex provee una metodologa rpida y efectiva para

resolver problemas de programacin lineal.
El mtodo simplex es un mtodo que llega a la solucin ptima a travs

de iteraciones sucesivas. Este mtodo utiliza los conceptos bsicos de
lgebra matricial para determinar la solucin de un problema lineal.
Comienza una solucin bsica factible inicial y sucesivamente obtiene
soluciones en las intersecciones que ofrecen mejores valores para la
funcin objetivo. En cada iteracin el mtodo proporciona un indicador
que evala la optimalidad de la solucin encontrada, este indicador es
el que nos permite identificar la solucin ptima.
DEFINICIONES
Todo modelo de programacin lineal, luego de habrsele agregado las
variables de holgura y/o exceso, se convierte en un sistema de
ecuaciones con n variables y m ecuaciones, siendo n>m, en donde las m
restricciones del modelo dan origen a las m ecuaciones del sistema. Una
solucin de tal sistema es un vector n-dimensional que satisface la
relacin Ax = b.
Solucin bsica.- Es aquella solucin en la que (n m) variables se han

igualado a cero y los valores de las m variables restantes se han
determinado resolviendo las m ecuaciones con m variables. Una solucin
de este tipo puede tener como mximo m componentes no nulos.
Solucin bsica no degenerada.- Es una solucin bsica que tiene

exactamente m componentes no nulos.
Solucin bsica degenerada.- Es una solucin bsica que tiene menos

de m componentes distintos de cero.
PROPIEDADES DE LAS SOLUCIONES

El problema de programacin lineal consiste en hallar el vector columna
X que es solucin de:
a11x1 + a12x2 + . . . + a1nxn = b1
a21x1 + a22x2 + . . . + a2nxn = b2 (1)
... ... ... ... ..
am1x1 + am2x2 + . . . + amnxn = bm
67
que haga mximo a:

z = c1x1 + c2x2 + . . . + cnxn (2)
y de tal manera que las variables Xj estn sujetas a las condiciones:

xj >= 0 ; j= 1, 2, ..., n (3)
En las ecuaciones (1), se supone que:

1. Algunas de las restricciones pueden haber sido desigualdades antes
de que les fueran sumadas o restadas nuevas variables para
convertirlas en ecuaciones.
2. Todas las bi >= 0, lo cual puede requerir que algunas de las
ecuaciones deba multiplicarse por 1.
3. n > m, y A es de orden m x n.
La funcin (2) es la funcin objetivo, se observar que se ha definido el

problema general de programacin lineal como un problema de
maximizacin, que es el problema que se presenta ms frecuentemente
en la prctica.
TEOREMA 1. - Dado un problema de programacin lineal, en el cual no

puedan existir soluciones bsicas factibles degeneradas y en el que se
ha formado una solucin bsica factible en funcin de las m primeras
variables, puede formarse una nueva solucin bsica factible
introduciendo la variable xk, tal que k > m, si al menos un elemento de la
k-sima columna de la matriz reducida es positivo.
LA SOLUCIN PTIMA
Cada solucin tiene un valor y la funcin objetivo controla cul de las
muchas soluciones es la ptima. Si aplicamos el teorema 1 podemos,
efectivamente, encontrar dicha solucin ptima.
TEOREMA 2.- Dado un problema de programacin lineal en el cual son

imposibles las soluciones bsicas factibles degeneradas, en el que la
solucin ptima es nica y donde pueden formarse soluciones bsicas
factibles adicionales, la solucin mxima debe ser una solucin factible.
ELECCIN DE LA VARIABLE DE ENTRADA

Si se sabe de qu tipo es la solucin ptima y cmo generar una
solucin de tal ndole a partir de otra, se necesita una regla que permita
decidir qu variable se debe introducir en la nueva solucin.
68
TEOREMA 3.- Supongamos que tenemos un problema de programacin

lineal y una solucin bsica factible del mismo. Si existe una variable Xk
para la cual se puede realizar el clculo de mediante su propia regla,
se puede generar otra solucin que aumente el valor de la funcin
objetivo en un valor determinado de antemano.
Por el teorema 1, tenemos que:

= min bi / aik , para todo aik >0
Y por el teorema 2 tenemos que:

z = z + (ck zk)
Puesto que estamos tratando de encontrar la solucin mxima, es lgico

exigir que z > z. Ya que z depende de la variable xk que elegimos, es
lgico tambin requerir que k se elija de forma que el cambio del valor
de la solucin, z z, resulte tan grande como sea posible, como quiera
que esto no sucede normalmente, es necesario el clculo de todas las
posibles. En vez de hacer esto, el mtodo usual consiste en determinar
como variable que formar parte de la nueva solucin, la que satisface
ck zk = max ( cj zj)
Esta es la regla llamada del ascenso ms rpido.
EL ALGORITMO DEL SIMPLEX

El algoritmo del Simplex presupone que ya se ha hallado una solucin
bsica factible en el momento de iniciar las iteraciones. El procedimiento
detallado para hallar la solucin mxima del problema general de
programacin lineal es el siguiente:
1. Calculamos cj zj para cada variable que no est en la presente

solucin.
a) Si para al menos un j, cj zj es positivo y si al menos un aij para
este j es positivo, entonces existe una mejor solucin factible.
b) Si para un j, cj zj es positivo, pero los aij para este j son no
positivos, entonces la funcin objetivo no est acotada.
c) Si cj zj es no positivo para todo j, entonces la solucin ptima se
ha encontrado.
2. Si estamos en el caso 1(a), identificamos la variable que da el

mayor cj zj como xk ( es la columna pivote). Llamamos xr a la
variable que se reducira a cero al aplicar la regla del (es la fila
pivote). El elemento ark se llama elemento pivote.
69
3. Dividimos la r-sima fila por ark (elemento pivote), para reducir a

1 el correspondiente elemento de ark en la tabla siguiente.
Efectuamos luego las operaciones de fila que reducirn a cero
todos los otros aik .
4. Repetimos los pasos 1, 2 y 3 hasta que en alguna tabla se
cumpla la condicin 1(c). Entonces se ha obtenido la solucin
ptima.
La teora del mtodo simplex asegura que la solucin hallada en cada

paso tiene un valor mayor, o al menos igual, que el de la solucin
anterior. Puesto que el nmero de soluciones bsicas del sistema de
ecuaciones es finito, el algoritmo debe converger hacia la solucin
ptima en un nmero finito de iteraciones. La experiencia ha demostrado
que el nmero de iteraciones que deben efectuarse en la mayora de los
problemas que se encuentran en la prctica, oscila entre m y 2m .
UN PROBLEMA DE MAXIMIZACIN
El tipo ms sencillo de problema con el que se trabaja en programacin
lineal es el de maximizacin, en el que todas las restricciones son de tipo
menor o igual que.
Problema.- Una empresa cuenta con 1000 toneladas del mineral b1,
2000 toneladas del mineral b2 y 500 toneladas del b3. A partir de dichos
minerales pueden extraerse y fundirse los productos metlicos 1, 2 y 3.
Los requerimientos de fabricacin sobre los productos son los siguientes:

Una tonelada del producto 1 requiere 5 toneladas de b1, 10 de b2 y 10
de b3.
Una tonelada del producto 2 requiere 5 toneladas de b1, 8 de b2 y 5 de

b3.
Una tonelada del producto 3 requiere 10 toneladas de b1, 5 de b2 y nada

de b3.
El fabricante obtendr $100 de utilidades por tonelada del producto 1,

$200 por tonelada del producto 2 y $50 por tonelada del producto 3.
La empresa desea determinar cuntas toneladas de cada producto que

debe fabricar, a partir de los minerales aprovechables, para obtener las
mximas utilidades de la operacin.
70
En este problema de programacin lineal, las variables funcionales o de

decisin son X1, X2 y X3, que representan las unidades a fabricar de los
productos o niveles de actividad.
El problema es encontrar el vector X que hace mxima a la funcin

objetivo:
Z = 100x1 + 200x2 + 50x3
y que satisface las restricciones:

5x1 + 5x2 + 10x3 <= 1000 Cantidad disponible de mineral b1.
10x1 + 8x2 + 5x3 <= 2000 Cantidad b2.
10x1 + 5x2 <= 500 Cantidad b3.
y la condicin de no negatividad:
x1 >= 0; x2 >= 0; x3>= 0
Puesto que cada una de las restricciones es del tipo menor o igual,
debemos sumar nuevas variables no negativa, variables de holgura, para
obtener:
5x1 + 5x2 + 10x3 + s1 = 1000

10x1 + 8x2 + 5x3 + s2 = 2000
10x1 + 5x2 + s3 = 500
Vemos inmediatamente que este problema tiene una solucin bsica

inicial:
s1 = 1000; s2 = 2000; s3= 500
Que no slo es una solucin bsica inicial sino que tambin es factible.
El significado fsico de las nuevas variables puede ilustrarse razonando
sobre s1. Esta representa, tanto en la primera solucin como en todas
las posteriores, la cantidad del mineral b1 sobrante en el programa. Si
s1 resulta igual a cero en la ltima iteracin, ser debido a que el
programa emplea todo el material b1 para fabricar todos los productos
del mismo. Puesto que x1=x2=x3=0 en la primera solucin, s1 es igual a
la cantidad total del mineral til b1. Puesto que de no usar el mineral, no
resulta de ningn provecho para la empresa, el coeficiente de s1 en la
funcin objetivo es cero.
Cuando se ha hallado una solucin bsica factible inicial, se est en

condiciones de iniciar las iteraciones, para lo cual disponemos toda la
informacin en la tabla simplex inicial:
71
cj 100 200 50 0 0 0
ck xk b x1 x2 x3 s1 s2 s3
0 s1 1000 5 5 10 1 0 0 200
0 s2 2000 10 8 5 0 1 0 250
0 s3 500 10 5 0 0 0 1 100t
s3: variable
zj 0 0 0 0 0 0 0 saliente
cj zj 100 200 50 0 0 0
u
x2: variable entrante
En la tabla simplex, la primera fila cj, son los coeficientes de las variables
en la funcin objetivo. La primera columna ck, es la de los coeficientes
de las variables bsicas en la primera solucin, la columna xk es la
solucin y contiene a las variables bsicas de la presente solucin, la
siguiente columna b contiene el vector solucin, es decir los valores que
toman las variables bsicas en la solucin actual. La sub-matriz bajo las
columnas x1, x2 y x3 son los vectores estructurales, es decir los
coeficientes de las variables en las restricciones. La sub-matriz bajo las
columnas s1, s2 y s3, es la matriz de vectores unitarios. Ntese que
cada variable bsica est colocada en la fila en la que aparece el 1 de
su vector unitario. En la ltima columna se encuentra el cociente .
En la penltima fila de la tabla se encuentra zj que se calcula a partir de

la expresin:
Zj = ci aij
Y la ltima fila de la tabla, cj zj, se obtiene restando de cada elemento

de la primera fila cj el correspondiente elemento zj.
En la solucin bsica factible inicial, las variables bsicas son: s1=1000;

s2 = 2000; s3 = 500.
Para hacer la prueba de optimalidad a esta solucin, evaluamos la

ltima fila de la tabla,
cjzj, vemos que existen varios valores positivos, por lo tanto la solucin
puede ser mejorada. Por la regla del ascenso ms rpido, escogemos
como variable entrante en la siguiente solucin a la variable x2 por tener
el cjzj ms positivo. Para determinar la variable saliente, calculamos el
cociente = min bi / aik para todo los aik >0, la variable saliente
72
resulta ser aquella variable que tiene el mnimo. La variable saliente

es s3.
En la siguiente tabla se ingresa la variable x2 en lugar de s3, el elemento

pivote 5 se reduce a la unidad dividiendo toda la tercera fila entre 5, y se
realizan operaciones elementales de fila para reducir a cero los
elementos sobre y bajo el elemento pivote y conseguir formar el vector
unitario bajo la columna correspondiente a la variable x2, variable que en
esta nueva solucin, es variable bsica. Se continan con el algoritmo
del Simplex.
Son necesarias dos iteraciones para encontrar la solucin ptima. A

continuacin se presentan las dos tablas sucesivas.
cj 100 200 50 0 0 0
0 s1 500 -5 0 10 1 0 -1 50t
0 s2 1200 -6 0 5 0 1 -1.6 240 sal
200 x2 100 2 1 0 0 0 0.2 --
zj 20000 400 200 0 0 0 40
cj zj -300 0 50 0 0 -40
u
x2: variable entrante
Tabla de 1ra Iteracin
Tabla ptima:
cj 100 200 50 0 0 0
50 x3 50 -0.5 0 1 0.1 0 -0.1
0 s2 950 -3.5 0 0 -0.5 1 -1.1
200 x2 100 2 1 0 0 0 0.2
Tabla de la
zj 20500 375 200 50 5 0 35 2da Iterac.
cj zj -275 0 0 -5 0 -35
La solucin ptima encontrada en la segunda iteracin, se interpreta

como sigue:
x1 = 0 No se fabrica el producto 1.
x2 = 100 Fabricar 100 tons. del producto 2.
x3 = 50 Fabricar 50 tons. del producto 3.
s1 = 0 Se consume todo el mineral b1.
73
s2 = 950 Hay un sobrante de 950 tons. del mineral b2.

s3 = 0 Se consume todo el mineral b3.
Z = $22,500 Mximo beneficio.
VARIABLES ARTIFICIALES
MAXIMIZACIN CON RESTRICCIONES DADAS POR IGUALDADES
Consideremos el mismo ejemplo de maximizacin, una de cuyas
restricciones sea una igualdad. Podemos cambiar una restriccin del
problema, exigiendo que todo el mineral b2 sea utilizado en la
produccin. Esto se hace incluyendo una igualdad en la segunda
restriccin. Considerando las variables de holgura en la primera y tercera
restriccin, tenemos:
5x1 + 5x2 + 10x3 + s1 = 1000

10x1 + 8x2 + 5x3 = 2000
10x1 + 5x2 + s2 = 500
Este sistema no tiene una solucin bsica inicial, y por lo tanto no se

cumplen las condiciones para empezar el algoritmo del simplex. Para
corregir esta situacin, se introduce una variable artificial en la
segunda restriccin, para obtener:
5x1 + 5x2 + 10x3 + s1 = 1000

10x1 + 8x2 + 5x3 + a1 = 2000
10x1 + 5x2 + s2 = 500
Ahora se tiene la solucin bsica inicial s1=1000; a1=2000; s2=500.
Entonces, una variable artificial en una restriccin cumple el papel de

variable bsica en su restriccin. A pesar de que se ha corregido el
problema para que tenga la forma correcta para empezar el algoritmo,
esta no es una solucin factible. Las variables artificiales representan
productos imaginarios, por lo que cualquier valor que tome a1 no
satisface la segunda restriccin.
Dejamos a1 en el sistema de forma que se pueda empezar el algoritmo,

pero intentaremos sacarla de ste asignndole un coeficiente en la
funcin objetivo igual a M. La funcin objetivo se convierte entonces en:
Z = 100x1 + 200x2 + 50x3 M a1
Si Z se debe maximizar, a1 debe dejar la solucin y por lo tanto debe

hacerse igual a cero, puesto que M se considera un nmero muy
74
grande, tan grande que puede dominar a los dems nmeros que
aparecen en el problema. El hecho de penalizar a la variable artificial en
la funcin objetivo con un coeficiente M, se conoce como el mtodo de
la penalizacin.
Cuando se realiza el algoritmo simplex en un problema que contiene

variables artificiales, existen tres casos posibles:
1) Antes de obtener la tabla en la cual todos los cj zj <= 0, la

variable artificial se reemplaza por otra variable. Tenemos
entonces una solucin bsica factible y se contina hasta
determinar la solucin ptima.
2) En la tabla final en la cual todos los cj zj <= 0, la variable artificial
permanece en la solucin pero es igual a cero. La solucin del
problema es entonces ptima y factible.
3) Se obtiene una tabla en la cual todos los cj zj <= 0, pero la
variable artificial permanece en la solucin con un valor positivo.
En este caso, la solucin es no factible, es decir, Z no puede
optimizarse en funcin de los trminos no negativos. Desde el
punto de vista prctico esto significa que se est tratando de
hacer algo imposible con los recursos disponibles.
Aplicando el mtodo simplex a este problema, se concluye que no existe

solucin factible. Se da la condicin (3) , puesto que a1 es igual a 950
en la tabla final.
cj 100 200 50 0 -M 0
ck xk b x1 x2 x3 s1 a2 s2
0 s1 1000 5 5 10 1 0 0
-M a1 2000 10 8 5 0 1 0
0 s2 500 10 5 0 0 0 1t
zj -2000M -10M -8M -5M 0 -M 0
cj-zj 100+10M 200+8M 50+5M 0 0 0
u
0 s1 750 0 25 10 1 0 -0.5t
-M a1 1500 0 3 5 0 1 -1
100 x2 50 1 0.5 0 0 0 1
zj 5000-1500M 100M 50-3M -5M 0 -M 0
cj-zj 0 150+3M 50+5M 0 0 -10-M
u
50 x3 75 0 0.25 1 0.1 0 -0.05

-M a1 1125 0 1.75 0 -0.5 1 -0.75
100 x1 50 1 0.5 0 0 0 0.1t
zj 8750-1125M 100 62.5-1.75M 50 5+0.5M -M 7.5+0.75M
137.5+1.75M
cj-zj 0 0 -5-0.5M 0 -7.5-0.75M
u
75
50 x3 50 -0.5 0 1 0.1 0 -0.1

-M a1 950 -3.05 0 0 -0.5 1 -1.1
200 x2 100 2 1 0 0 0 0.2
zj 22500-950M 375+3.5M 200 50 5+0.5M -M 35+1.1M
cj-zj -275-3.5M 0 0 -5-0.5M 0 -35-1.1M
MAXIMIZACIN CON RESTRICCIONES FORMADAS POR

DESIGUALDADES DEL TIPO MAYOR O IGUAL QUE
Continuaremos con el problema que se viene tratando, pero alterado de
forma tal que se requiere que al menos se usen 1000 tons. del mineral
b2. Este requerimiento convierte la segunda restriccin del problema es
una restriccin tipo mayor o igual que. Haciendo los clculos
apropiados y sumando y restando las nuevas variables que son
necesarias, obtenemos:
5x1 + 5x2 + 10x3 + s1 = 1000

10x1 + 8x2 + 5x3 s2 = 1000
10x1 + 5x2 + s3 = 500
que es el conjunto de ecuaciones que el vector solucin X debe

satisfacer a la vez que hace mximo la funcin objetivo:
Z = 100x1 + 200x2 + 50x3
No se tiene una solucin bsica inicial factible, puesto que si tomamos

x1=x2=x3=0, obtenemos s1=1000, s2= 1000, s3=500. Aqu la variable
de exceso s2, que fue restada en la segunda restriccin para convertir
la desigualdad en igualdad, no cumple con la restriccin de no-
negatividad, lo que da lugar a una solucin inicial bsica no factible.
Para tener una solucin inicial bsica factible, es necesario aadir una
variable artificial a la segunda restriccin. En la funcin objetivo esta
variable artificial estar penalizado con el coeficiente M, as:
Max Z = 100x1 + 200x2 + 50x3 Ma1

s. a.:
5x1 + 5x2 + 10x3 + s1 = 1000
10x1 + 8x2 + 5x3 s2 + a1 = 1000
10x1 + 5x2 + s3 = 500
x1, x2, x3, s1, s2, s3, a1 >= 0
76
Este s es un problema factible, el mtodo simplex da para este problema

la siguiente solucin: x1=0, x2=100, x3=50, s2=50, Z=22,500. Se
cumple la segunda restriccin con demasa o exceso, es decir el
requerimiento de usar por lo menos 1000 tons. del mineral b2 se cumple,
pues se usan 1050 tons., el exceso de 50 sobre el lmite mnimo
impuesto lo absorbe la variable de exceso s2.
MINIMIZACIN
La tabla simplex para un problema de minimizacin se dispone en la
misma forma que para un problema de maximizacin. Las diferencias en
el problema de minimizacin son:
1. El valor de la solucin decrece conforme avanzan las iteraciones.

2. En cada iteracin se selecciona como variable bsica entrante,
aquella cuyo valor cj zj sea el ms negativo. Para la variable
bsica saliente se sigue el mismo criterio de maximizacin.
3. La solucin ptima se alcanza cuando se tienen todos los cjzj>=0.
Un problema de minimizacin puede ser resuelto como un problema de

maximizacin, aplicando la regla: Min Z = Max ( Z).
El siguiente es un ejemplo de minimizacin.

Min Z = 2x1 + 4x2 + x3
s.a. :
x1 + 2x2 x3 <= 5
2x1 x2 + 2x3 = 2
x1 + 2x2 + 2x3 >= 1
x1, x2, x3 >= 0
Sumando s1 y a1 respectivamente a la primera y segunda restricciones,

restando s2 y sumando a2 a la tercera restriccin, se tiene la siguiente
solucin por el mtodo simplex:
cj 2 4 1 0 0 M M
ck xk b x1 x2 x3 s1 s2 a1 a2
0 s1 5 1 2 -1 1 0 0 0
M a1 2 2 -1 2 0 0 1 0
M a2 1 -1 2 2 0 -1 0 1
zj 3M M M 4M 0 -M M M
cj-zj 2-M 4-M 1-4M 0 M 0 0
0 s1 11/2 3 0 1 - 0
M a1 1 3 -3 0 0 1 1 -1
1 x3 - 1 1 0 - 0
zj M+ - +3M 1-3M 1 0 -M M M
cj-zj 5/2 -3M 3+3M 0 0 -M 0 - +2M
77
1
0 s1 16/3 0 7/2 0 -2/3 -1/6 2/3
0
2 x1 1/3 1 -1 0 1/3 1/3 -1/3
0
1 x3 2/3 0 1 -1/3 1/6 1/3
zj 4/3 2 -3/2 1 0 1/3 5/6 -1/3
cj-zj 0 11/2 0 0 -1/3 -5/6+M 1/3+M
0 s1 6 2 3/2 0 1 0 0
0 s2 1 3 -3 0 0 1 1 -1
1 x3 1 1 -1/2 1 0 0 0
zj 1 1 -1/2 1 0 0 0
cj-zj 1 9/2 0 0 0 -+M M
Mtodo Simplex: Problemas resueltos

La empresa Industria Alfa importa componentes electrnicos para
ensamblar dos modelos de computadoras personales. Uno de los
modelos se denomina Deskpro Computer, y al otro, Portable Computer.
Los administradores estn interesados en elaborar el programa semanal
de produccin de ambos productos. El modelo Deskpro genera una
contribucin a las utilidades de $50 por unidad y el Portable genera una
contribucin de $40 por unidad. Se tendrn disponibles un mximo de
150 horas de ensamble para la produccin de la semana siguiente.
Cada unidad de Deskpro requiere de 3 horas de tiempo de ensamblado,
y cada una de Portable requiere de 5 horas. Adems, en estos
momentos la empresa tiene en inventario slo 20 monitores de los que
se emplean en la Portable; por ello, no es posible ensamblar ms de 20
unidades de este tipo. En el almacn slo se dispone de 300 pies3 de
espacio para el almacenamiento de estos nuevos productos. Cada
unidad de Deskpro requiere de 8 pies3 de almacn y cada unidad de
Portable requiere de 5 pies3.
Determine el plan de produccin que maximiza las utilidades.
El modelo de programacin lineal de este problema es el siguiente:

x1 = Unidades del modelo Deskpro que se ensamblan.
x2 = Unidades del modelo Portable que se ensamblan.
Max Z = 50x1 + 40x2
s. a. :
3x1 + 5x2 <= 150 Horas de ensamble disponible.
1x2 <= 20 Monitores disponibles para la Portable.
8x + 5x2 <= 300 Espacio de almacn disponible.
x1, x2 >= 0
Aadiendo una variable de holgura a cada restriccin, el problema en la

forma estndar es el siguiente:
78
Max Z = 50x1 + 40x2 + 0s1 + 0s2 + 0s3
s. a. :
3x1 + 5x2 + s1 <= 150
1x2 + s2 <= 20
8x + 5x2 + s3 <= 300
x1, x2, s1, s2, s3 >= 0
La solucin de este problema por el mtodo simplex es el siguiente:
Cj 50 40 0 0 0
Ck Xk b x1 x2 s1 s2 s3
0 s1 150 3 5 1 0 0
0 s2 20 0 1 0 1 0
0 s3 300 8 5 0 0 1
Zj 0 0 0 0 0 0
Cj - Zj 50 40 0 0 0
0 s1 75/2 0 25/8 1 0 - 3/8

0 s2 20 0 1 0 1 0
50 x1 75/2 1 5/8 0 0 1/8
Zj 1875 50 250/8 0 0 50/8
Cj - Zj 0 70/8 0 0 - 50/8
40 x2 12 0 1 8/25 0 - 3/25
0 s2 8 0 0 - 8/25 1 3/25
50 x1 30 1 0 - 5/25 0 - 5/25
Zj 1980 50 40 14/5 0 26/5
Cj - Zj 0 0 - 14/5 0 - 26/5
El plan de produccin que maximiza las ganancias es el siguiente:
x1 = 30 Ensamblar 30 computadoras modelo Deskpro.

x2 = 12 Ensamblar 12 computadoras modelo Portable.
s3 = 8 No se emplean 8 monitores disponibles para la modelo
Portable.
Z = $1980 Mxima ganancia.
79
PROBLEMA
Una fbrica de productos qumicos produce dos tipos de solventes, 1 y 2.
Los costos de producir estos solventes son de $2 y $3 por galn,
respectivamente. Un estudio de mercado ha determinado que la
demanda mnima del solvente 1 para el prximo mes ser de 125
galones. Por su parte, la gerencia de produccin ha dispuesto que la
produccin mnima total de los solventes para el prximo mes sea de
350 galones. El solvente 1 requiere dos horas de tiempo de proceso, y el
solvente 2 requiere una hora para su proceso. Se disponen de 600 horas
de proceso para la produccin del siguiente mes.
Determine el plan de produccin ptimo.
El modelo de programacin lineal para este problema es el siguiente:

x1 = Galones a fabricar del solvente 1.
x2 = Galones a fabricar del solvente 2.
Min Z = 2x1 + 3x2
s. a.:
1x1 >= 125 Demanda para el producto 1.
1x1 + 1x2 >= 350 Produccin total mnima.
2x1 + 1x2 <= 600 Tiempo de procesamiento.
x1, x2 >= 0
Agregando las variables de holgura, exceso y artificiales al modelo para

su solucin por el mtodo simplex se tiene:
Min Z = 2x1 + 3x2 + 0s1 + Ma1 + 0s2 + Ma2 + 0s3
s. a.:
1x1 - s1 + a1 >= 125
1x1 + 1x2 - s2 + a2 >= 350
2x1 + 1x2 + s3 <= 600
x1, x2, s1, a1, s2, a2, s3 >= 0
80
La solucin de este problema por el mtodo simplex es el siguiente:
Cj 2 3 0 M 0 M 0
Ck Xk b x1 x2 s1 a1 s2 a2 s3
M a1 125 1 0 -1 1 0 0 0
M a2 350 1 1 0 0 -1 1 0
0 s3 600 2 1 0 0 0 0 1
Zj -475M 2M M -M M -M M 0
Cj - Zj 2-M 3-M M 0 M 0 0
Al haber salido de la base la variable artificial a1, se elimina la columna

a1 de la tabla.
2 x1 125 1 0 -1 0 0 0
M a2 225 0 1 1 -1 1 0
0 s3 350 0 1 2 0 0 1
Zj -250-225M 2 M -2+M -M M 0
Cj - Zj 0 3-M 2-M M 0 0
Continuando con las iteraciones adicionales del mtodo simplex, se

obtiene la siguiente tabla simplex final:
Cj 2 3 0 0 0
2 x1 250 1 0 0 1 1
3 x2 100 0 1 0 -2 -1
0 s1 125 0 0 1 1 1
Zj 800 2 3 0 -4 -1
Cj - Zj 0 0 0 4 1
81
El plan de produccin que minimiza los costos es el siguiente:
x1 = 250 Fabricar 250 galones del solvente 1.

x2 = 100 Fabricar 100 galones del solvente 2.
s1 = 125 Se fabrican 125 galones ms del mnimo establecido del
solvente1
Z = $800 Costo mnimo.
82
CAPTULO 4
EL PROBLEMA DUAL
La Dualidad puede caracterizarse a travs de la siguiente afirmacin:

Para todo problema de maximizacin de programacin lineal existe un
problema equivalente de minimizacin; y a la inversa, para todo
problema de minimizacin de programacin lineal existe un problema
equivalente de maximizacin.
Asociado a cualquier problema de programacin lineal en su forma

cannica:
Max Z = c x (1)
s.a. :
A x <= b (2)
x >= 0 (3)
que se denomina el problema primal, se define el siguiente problema:

Min W = bt y (4)
s.a. :
At y >= ct (5)
y >= 0 (6)
que se denomina el problema dual. En estos modelos se tiene que:

c: Es un vector fila de n componentes.
b : Es un vector columna de m componentes.
A : Es una matriz de orden m x n.
At es la transpuesta de A.
x: Es un vector columna de n componentes, cuyos valores deben ser
hallados para maximizar la funcin Z sujeta a las restricciones (2) y
(3).
y: Es un vector columna de m componentes, cuyos valores deben ser
hallados para minimizar la funcin W sujeta a las restricciones (5)
y (6).
El problema dual tiene los mismos parmetros que el problema primal,

pero en diferentes lugares.
RELACIONES PRIMAL DUAL:

a) A todo programa lineal Primal, le corresponde un programa Dual.
b) La funcin objetivo Z del programa Primal est dada por: Z = c x
y las restricciones del Dual estn dadas por:
83
At y >= ct
Como c es un vector fila de n componentes, entonces el Primal
tiene n variables, mientras que el Dual tiene n restricciones. Por
lo tanto cada variable del Primal corresponde a una restriccin en
el Dual.
c) Como b es un vector columna de m componentes, entonces el
primal tiene m restricciones ( A x <= b ), mientras que el Dual
tiene m variables ( W = bt y). Por lo tanto, a cada restriccin del
Primal, corresponde una variable en el Dual.
d) En el primal, el objetivo es maximizar la funcin Z, mientras que en
el Dual, el objetivo es minimizar la funcin W.
e) El rol del vector c en el Primal, corresponde al rol del vector b del
programa Dual, y viceversa.
TEOREMA 1
Si x0 es una solucin factible del programa primal P, y0 es una solucin
factible del programa Dual D, entonces Z0 = c x0 <= bt y0 = W0.
TEOREMA 2
El Dual del programa Dual es el Primal.
TEOREMA 3
El programa lineal P, expresado en forma estandarizada, tiene el Dual
dado por D.
Primal: Dual:
Max Z = c x Min W = bt y
Sujeto a: Sujeto a:
Ax = b At y >= ct
x >= 0 y sin restriccin de signo (SRS).
El problema primal no siempre se presenta en su forma cannica, la

siguiente tabla resume las reglas de transformacin del problema primal
a su correspondiente problema dual, sea cual sea la forma en que se
presente el problema primal:
Problema Primal Problema Dual

Mx Mn
Mn Mx
Restriccin1 i <= bi variable i >= 0
Restriccin1 i = bi variable i SRS
Restriccin1 i >= bi variable i <= 0
Variable1 i >= 0 restriccin i >= ci
84
Variable1 i SRS restriccin i = ci

Variable1 i <= 0 restriccin i <= ci
Reglas de transformacin primal dual

1 Cuando la funcin objetivo Primal es Max Z = cx
PROPIEDADES PRIMAL DUAL

PROPIEDAD DE DUALIDAD DEBIL.- Si x es una solucin factible para
el problema Primal, y y es una solucin factible para el problema Dual,
entonces:
c x <= bt y
Esta desigualdad se cumple para cualquier par de soluciones factibles.
PROPIEDAD DE DUALIDAD FUERTE.- Si x es una solucin ptima

para el problema primal, y y es una solucin ptima para el problema
Dual, entonces:
c x = bt y
As, estas dos propiedades implican que c x < bt y para soluciones

factibles si una o ambas no son ptimas para sus problemas respectivos,
mientras que la igualdad se cumple cuando ambas son ptimas.
PROPIEDAD DE SIMETRA.- Para cualquier problema Primal y su

problema Dual, las relaciones entre ellas deben ser simtricas, debido a
que el Dual de este problema Dual es el problema Primal. As, las
propiedades anteriores se cumplen sin importar cul de los dos
problemas se etiqueta como el problema Primal.
TEOREMA DE DUALIDAD
Las siguientes son las nicas relaciones posibles entre los problemas
Primal y Dual:
1. Si un problema Primal tiene soluciones factibles y una funcin

objetivo acotada ( y por lo tanto tiene solucin ptima), entonces
ocurre lo mismo para el problema Dual, de manera que se aplican
tanto las propiedades de Dualidad Dbil como la propiedad de
Dualidad Fuerte.
2. Si uno de los problema tiene soluciones factibles y una funcin

objetivo no acotada (y por lo tanto no tiene solucin ptima),
entonces el otro problema no tiene soluciones factibles.
85
3. Si un problema no tiene soluciones factibles, entonces el otro

problema no tiene soluciones factibles o bien la funcin objetivo es no
acotada.
CASO PARA EL ESTUDIO DEL PROBLEMA DUAL

La empresa AgroTec fabrica dos tipos de fertilizantes denominados: 5-
5-10 y 5-10-5. En cada caso, el primer valor se refiere al porcentaje que
el producto final tiene de Nitrato qumico, el segundo valor se refiere al
porcentaje de Fosfato y el tercer valor al porcentaje de Potasio. El
fertilizante se estabiliza con un material de relleno que es el barro. Por
ejemplo, el 5-5-10 est elaborado con 5% de Nitrato, 5% de Fosfato,
10% de Potasio y 80% de barro.
Los productos fabricados se venden a un mayorista que compra toda la

cantidad que la empresa puede fabricar, y est dispuesto a pagar
$71.50 por tonelada del 5-5-10 y $69.00 por tonelada del 5-10-5. Este
mes la disponibilidad y costo de las materias primas son 1100 tons. de
Nitrato a $200/ton., 1800 tons. de Fosfato a $80/ton. y 2000 tons. de
Potasio a $160/ton. El barro est disponible en cantidades ilimitadas a
$10/ton. No hay restricciones de mano de obra ni de empleo de
maquinaria, slo se tiene un costo de $15/ton. por concepto de
mezclado de los fertilizantes.
Es posible calcular el costo por cada tonelada del producto 5-5-10, de la

siguiente manera:
Costo del nitrato: 0.05 *($200) = $10.oo

Costo del fosfato: 0.05* ($80) = 4.oo
Costo del potasio: 0.10*($160) = 16.oo
Costo del barro: 0.80* ($10) = 8.oo
Costo total de materias primas: $ 38.oo
Costo de mezclado: 15.oo
Costo total: $ 53.oo
=======
De manera similar se determina el costo por tonelada del fertilizante
5-10-5, que resulta ser de $49.oo
En el planteamiento del problema primal, se definen las variables:

X1 = Toneladas del fertilizante 5-5-10 que deben fabricarse.
X2 = Toneladas del fertilizante 5-10-5 que deben fabricarse.
86
Funcin objetivo:
Mx Z = 18.5x1 + 20x2
s.a. :
0.05x1 + 0.05x2 <= 1100 Disponib. de nitrato
0.05x1 + 0.10x2 <= 1800 Disponib. de fosfato
0.10x1 + 0.05x2 <= 2000 Disponib. de potasio
x1, x2 >= 0
Al plantear el problema dual, el objetivo es minimizar el uso de los
recursos disponibles, de manera que el valor de los recursos que se
usan en la fabricacin de cada uno de los productos respectivos, sea
igual o mayor que la contribucin a las utilidades que reportan dichos
productos.
RELACIN ENTRE LA SOLUCIN PTIMA PRIMAL Y LA SOLUCIN

PTIMA DUAL
Cualquier problema dual puede solucionarse utilizando el algoritmo
simplex, pero no es la ventaja clave de la dualidad. La principal
importancia de la dualidad radica en la relacin que existe entre los
problemas primal y dual. Para explorar esta relacin, continuaremos
examinando el problema de la Agro-Tech. Para resolver el problema dual
de la Agro-Tech usando el mtodo simplex, se requieren restar una
variable de exceso y sumar una variable artificial a cada restriccin.
Despus de aadir estas variables, el problema se expresa como sigue:
Minimizar W = 1,100y1 + 1,800y2 + 2,000y3 + 0s1 + 0s2 + Ma1 + Ma2

Sujeto a: 0.05y1 + 0.05y2 + 0.10y3 1s1 + 1a1 = 18.5
0.05y1 + 0.10y2 + 0.05y3 1s2 + 1a2 = 20
y1, y2, y3, s1, s2, a1, a2 0
La solucin del problema dual da como resultado un valor de W de

428,000 (vase la tabla 1), que es igual al valor ptimo de la funcin
objetivo del problema primal, Z (tabla 2).
87
TABLA 1. Tabla ptima para el planteamiento dual del problema con dos
fertilizantes.
cj -1,100 -1,800 2,000 0 0 -M -M
ck xk b y1 y2 y3 s1 s2 a1 a2
-1,100 y1 340 1 0 3 -40 20 40 -20
-1,800 y2 30 0 1 -1 20 -20 -20 20
-
zj -1,100 -1,800 -1,500 8,000 14,000 -8,000 -14,000
428,000
-M+ -M+
cj -zj 0 0 -500 -8,000 -14,000
8,000 14,000
NOTA: El valor negativo de Zd de 428,000 resulta en este caso porque el problema

dual fue un problema de minimizacin que se resolvi utilizando el mtodo simplex de
maximizacin. Al interpretar el problema no se toma en cuenta el signo negativo.
TABLA 2. Tabla ptima del problema primal con dos fertilizantes.
cj 18.5 20.0 0 0 0
ck xk b x1 x2 s1 s2 s3
18.5 x1 8,000 1 0 40 -20 0
20 x2 14,000 0 1 -20 20 0
0 s3 500 0 0 -3 1 1
zj 428,000 18.5 20.0 340 30 0
cj -zj 0 0 -340 -30 0
Es evidente que en el caso de la solucin dual, los clculos necesarios

para obtener la solucin pueden ser ms laboriosos, puesto que se
requieren variables artificiales en el proceso de solucin. Sin embargo, el
concepto importante que debe observarse es la relacin que existe entre
el primal y el dual en el ptimo. En la solucin ptima, los valores de la
funcin objetivo de ambos problemas son iguales. Para cualquier otra
solucin dual (que no sea ptima) el valor dual de la funcin objetivo (W)
ser siempre mayor que el de cualquier valor primal factible (Z). Esto se
muestra en forma grfica en la figura 1.
88
Valor de la
funcin Problema dual
objetivo
W
Valor ptimo _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _
Problema primal
0 Nmero de iteraciones
Figura 1. Relaciones entre los valores primal y dual.
La relacin entre los valores de la funcin objetivo en el problema primal

y en el dual, tiene una implicacin importante para determinar el efecto
que tienen cambios en los niveles de los recursos. Para el problema de
la Agro-Tech la funcin objetivo en el dual es:
Minimizar W = 1,100y1 + 1,800y2 + 2,000y3
Puesto que el nivel ptimo del valor primal de la funcin objetivo Z es

igual al valor dual W, puede determinarse el efecto de un cambio en un
solo recurso escaso, por ejemplo el nitrato. En estos momentos la
disponibilidad de nitrato es 1100 y la contribucin al valor de la funcin
objetivo en el dual es 1100y1. Si se aumenta la disponibilidad de nitrato
en una unidad, el aumento resultante en W es (1100+1)y1 1100y1+y1.
El aumento en las utilidades en el dual para un aumento de una unidad
en el nitrato es, por ello, numricamente igual al valor de la variable dual
correspondiente, y1. Dado que Z es igual a W en el nivel ptimo, un
aumento de una unidad en el nitrato dar como resultado un aumento en
el valor de la funcin objetivo del primal en una cantidad equivalente a
y1. As, se tiene una forma sencilla de determinar el efecto que tiene un
cambio unitario en un recurso determinado. Si el cambio es un aumento
unitario, la utilidad Z, aumentar en una cantidad equivalente al valor
ptimo de la variable dual correspondiente. Una disminucin unitaria en
el nivel de un recurso dar como resultado una disminucin
correspondiente en el valor de la funcin objetivo en la solucin ptima
del problema primal.
89
Para la Agro-Tech esto significa, como se ver, que un aumento de una

tonelada en la disponibilidad de nitrato da como resultado $340 de
aumento en las utilidades, en tanto que un aumento de una tonelada en
el uso de fosfato da como resultado un aumento de $30 en las utilidades.
Un aumento en la disponibilidad de potasio no tendr impacto sobre las
utilidades. Este ltimo resultado es el que se esperara, puesto que en la
solucin primal existen 500 toneladas de potasio que no se utilizaron (es
un recurso sobrante).
Al resolver el problema dual (es decir, al determinar las variables yi)

puede determinase el efecto que tiene un cambio en un recurso sobre la
funcin objetivo. Para resolver el dual, adems de resolver el primal, se
requiere doble esfuerzo. Por fortuna, los valores de las variables duales
pueden encontrarse en la tabla ptima del primal. Esto se debe a que
existe una variable de holgura para cada restriccin primal y una variable
dual asociada con cada una de las restricciones primales. A partir de
esto, se forma una correspondencia de uno a uno entre las variables
duales y las variables primales de holgura.
Este concepto puede ilustrarse considerando de nuevo las tablas 1 y 2

asociadas con el problema de la Agro-Tech. En la tabla 2, la tabla ptima
del primal, los valores de las variables duales estn dados en el rengln
Zj. Las variables duales son iguales al valor que aparece en el rengln Zj
para las variables de holgura del primal (columnas s1, s2 y s3 de la
tabla). Estos valores dan y1 = 340, y2 = 30 y y3 = 0, ya que s1
corresponde a la primera restriccin del primal, s2 a la segunda y s3 a la
tercera. Debido a la relacin tan estrecha entre los planteamientos
primal y dual, tambin es posible obtener la solucin al problema primal
en la tabla ptima dual. Observando la tabla 1, los valores ptimos para
las variables de decisin primales, es decir, x1, y x2, son iguales a los
valores que aparecen en el rengln Zj para las variables de excedente
s1 y s2. Los valores son x1= 8000 y x2 = 14000 .
Los valores de las variables artificiales en el dual no tienen ningn

significado en el problema primal: Las variables artificiales se utilizan
slo para tener una solucin factible bsica inicial y no tienen
interpretacin fsica en el problema. El valor de las variables artificiales
de la solucin factible ptima siempre ser cero.
90
INTERPRETACIN ECONMICA DEL DUAL

Las variables duales tambin tiene importantes interpretaciones
econmicas. Recuerde que cada una de las variables duales equivale a
la utilidad adicional que puede obtenerse de una unidad adicional del
recurso correspondiente. Es decir, y1=340 implica que cada tonelada
adicional de nitrato produce $340 adicionales de utilidad; y2=30 implica
que cada tonelada adicional de fosfato produce $30 de utilidad; y y3 =0
implica que no se obtienen utilidades adicionales al aadir toneladas
extras de potasio. Cada uno de estos valores presupone que los dems
permanecen iguales. Desde el punto de vista de la toma de decisiones
en la administracin, las variables duales indican la cantidad extra que se
estara en disponibilidad de pagar por una unidad adicional de un recurso
especfico. En otras palabras, estaramos dispuestos a pagar un precio
ms elevado por un recurso escaso, hasta por el valor de la variable
dual. Slo nos interesa el excedente sobre el precio normal, puesto que
el precio original del recurso se incluye en el clculo de las variables. Por
ejemplo, cada tonelada adicional de fosfato vale $30 y por ello
estaramos dispuestos a pagar a nuestro proveedor hasta $110 por
tonelada ($80 del precio actual ms $30 adicionales) por cada tonelada
adicional de fosfato. En este caso, el aumento neto en la utilidad por
tonelada adicional de recurso ser la diferencia entre $30 y el precio ms
elevado que se pague. Si el proveedor cobrara $10 adicionales por todo
el fosfato que exceda 1800 toneladas, se obtendran $20 por cada
tonelada adicional de fosfato. Si el cargo extra fuera $31, no estaramos
dispuestos a comprar el fosfato puesto que el excedente del precio
estara por encima de las utilidades adicionales que se obtendran.
Debido a que los valores de Zj de cada variable de holgura en la tabla

simplex, indican el valor de una unidad adicional del recurso
correspondiente, con frecuencia estos valores se denominan los precios
sombra. El precio sombra es otro trmino para la variable dual. La
relacin entre los precios sombra como recurso y la funcin objetivo
puede expresarse de la siguiente manera: el precio sombra para un
recurso determinado refleja el impacto que tiene sobre la funcin objetivo
un cambio unitario en el recurso, este impacto en el precio se mantiene
mientras el cambio en el recurso se encuentre dentro de los lmites
determinados por el anlisis de sensibilidad.
91
Dualidad: Problemas resueltos

La empresa Industria Alfa importa componentes electrnicos para
ensamblar dos modelos de computadoras personales. Uno de los
modelos se denomina Deskpro Computer, y al otro, Portable Computer.
Los administradores estn interesados en elaborar el programa semanal
de produccin de ambos productos. El modelo Deskpro genera una
contribucin a las utilidades de $50 por unidad y el Portable genera una
contribucin de $40 por unidad. Se tendrn disponibles un mximo de
150 horas de ensamble para la produccin de la semana siguiente.
Cada unidad de Deskpro requiere de 3 horas de tiempo de ensamblado,
y cada una de Portable requiere de 5 horas. Adems, en estos
momentos la empresa tiene en inventario slo 20 monitores de los que
se emplean en la Portable; por ello, no es posible ensamblar ms de 20
unidades de este tipo. En el almacn slo se dispone de 300 pies3 de
espacio para el almacenamiento de estos nuevos productos. Cada
unidad de Deskpro requiere de 8 pies3 de almacn y cada unidad de
Portable requiere de 5 pies3.
Plantee el problema Dual y determine el precio unitario de cada recurso

adicional en la solucin ptima.
El modelo del problema Primal es el siguiente:

x1 = Unidades del modelo Deskpro que se ensamblan.
x2 = Unidades del modelo Portable que se ensamblan.
Max Z = 50x1 + 40x2

s. a. :
3x1 + 5x2 <= 150 Horas de ensamble disponible.
1x2 <= 20 Monitores disponibles para la Portable.
8x + 5x2 <= 300 Espacio de almacn disponible.
x1, x2 >= 0
El problema Dual es el siguiente:

y1 = Valor monetario de la hora de tiempo de ensamble.
y2 = Valor monetario de la unidad de monitor para la Portable.
y3 = Valor monetario del pie3 de espacio en el almacn.
Min Z = 150y1 + 20y2 + 300y3

s. a. :
3y1 + 8y3 >= 50
5y1 + 1y2 + 5y3 >= 40
y1, y2, y3 >= 0
92
El modelo en la forma estndar parar su solucin con el mtodo simplex

es el siguiente:
Min W = 150y1 + 20y2 + 300y3 + 0s1 + Ma2 + 0s2 + Ma2

s. a. :
3y1 + 8y3 - s1 + a1 = 50
5y1 + 1y2 + 5y3 - s2 + a2 = 40
y1, y2, y3, s1, a1, s2, a2 >=0
La solucin por el mtodo simplex es la siguiente:
Cj 150 20 300 0 M 0 M
Ck Xk b y1 y2 y3 s1 a1 s2 a2
M a1 50 3 0 8 -1 1 0 0
M a2 40 5 1 5 0 0 -1 1
Zj -90M 8M M 13M -M M -M M
Cj - Zj 150-8M 20-M 300-13M M 0 M 0
300 y3 50/8 3/8 0 1 -1/8 0 0

M a2 70/8 25/8 1 0 5/8 -1 1
Zj 15000+70M 900+25M M 300 -300+5M -M M
8 8 8
Cj - Zj 300-25M 20-M 0 300-5M M 0
8 8
300 y3 26/5 0 -3/25 1 -5/25 3/25

150 y1 14/5 1 8/25 0 5/25 8/25
Zj 1980 150 12 300 30 12
Cj - Zj 0 -8 0 -30 -12
93
De la solucin al problema Dual, se tiene la siguiente interpretacin:

y1 = 14/5 = $2.80 Valor de la hora adicional de tiempo de ensamble.
y2 = 0 Valor de un monitor adicional para la Portable.
y3 = 26/5 Valor de un pie3 adicional de espacio en el almacn.
W = $1980 Costo mnimo de los recursos adicionales.
PROBLEMA:
En una mezcla de productos x1, x2, x3 y x4 representan las unidades de
los productos 1, 2, 3 y 4 respectivamente. Se tiene el siguiente modelo
de programacin lineal:
Max Z = 4x1 + 6x2 + 3x3 + 1x1

s. a.:
3/2x1 + 2x2 + 4x3 + 3x4 <= 500 Hrs. disponibles de maq. A
4x1 + 1x2 + 2x3 + 1x4 <= 700 Hrs. disponibles de maq. B
2x1 + 3x2 + 1x3 + 2x4 <= 200 Hrs. disponibles de maq. C
x1, x2, x3 >= 0
a) Plantee el dual de este problema

Min W = 500y1 + 700y2 + 200y3
s. a.:
1.5y1 + 4y2 + 2y3 >= 4
2y1 + 1y2 + 3y3 >= 6
4y1 + 2y2 + 1y3 >= 3
3y1 + 1y2 + 2y3 >= 1
y1, y2, y3 >= 0
b) Halle la solucin ptima del primal o del Dual y determine qu

mquina o mquinas trabajan a su mxima capacidad. Si se tratase
de aumentar la produccin Que mquina o mquinas elegira para
contratar ms horas?
El valor de las variables duales en la solucin ptima Dual tambin se

puede determinar hallando la solucin ptima del Primal. Se resolver el
Primal:
94
Cj 4 6 3 1 0 0 0
Ck Xk b x1 x2 x3 x4 s1 s2 s3
0 s1 550 3/2 2 4 3 1 0 0
0 s2 700 4 1 2 1 0 1 0
0 s3 200 2 3 1 2 0 0 1
Zj 0 0 0 0 0 0 0 0
Cj - Zj 4 6 3 1 0 0 0
0 s1 4162/3 1/6 0 10/3 5/3 1 0 -2/3

0 s2 6331/3 10/3 0 5/3 1/3 0 1 -1/3
6 x2 662/3 2/3 1 1/3 2/3 0 0 1/3
Zj 400 4 6 2 4 0 0 2
Cj - Zj 0 0 1 -3 0 0 -2
3 x3 125 3/60 0 1 15/30 3/10 0 -6/30

0 s2 425 195/60 0 0 -15/30 -5/10 1 0
6 x2 25 39/60 1 0 15/30 -1/10 0 12/30
Zj 1980 81/20 6 3 9/2 3/10 0 54/30
Cj - Zj -1/20 0 0 -7/2 -3/10 0 -54/30
De la solucin ptima del problema Primal, se tiene que los valores que
toman las variables duales en la solucin ptima son:
y1 = 3/10 = $0.30 Valor de la hora adicional de la mquina A.

y2 = 0
y3 = 54/30 = $1.80 Valor de la hora adicional de la mquina C.
Las mquinas que trabajan a su mxima capacidad son las mquinas A

y C, sus precios sombra son respectivamente $0.30 y $1.80. Si se
tratase de elegir una de las dos mquinas para contratar horas
adicionales y aumentar la produccin, se elegira la mquina C, por tener
un mayor precio dual.
95
96
CAPTULO 5
ANALISIS DE SENSIBILIDAD
Una vez que se ha resuelto un problema de programacin lineal, puede

darse el caso de que uno o varios parmetros de la formulacin del
problema original, tales como los precios unitarios o la disponibilidad de
ciertos recursos cambien, dando origen a un nuevo problema. Si esto
sucede, Es necesario volver a resolver el problema desde el principio?
La respuesta afortunadamente es no, porque existen mtodos, llamados
de anlisis de sensibilidad, que permiten ahorrar muchas iteraciones, al
resolver el nuevo problema partiendo de la solucin ptima del problema
original. El anlisis de sensibilidad permite determinar el impacto del
cambio en el modelo sin repetir el proceso de solucin completo.
Al estudiar y analizar el impacto que tiene cambiar el parmetro de un

modelo, es deseable calcular los lmites de un cambio, es decir, es
deseable saber por ejemplo cunto puede cambiarse un coeficiente
especfico de la funcin objetivo o un valor dado del segundo trmino de
una restriccin, sin cambiar la solucin ptima que se tiene. Si el cambio
propuesto de algn parmetro cae dentro de los lmites permitidos de
cambio, entonces no ocurre ningn cambio en la solucin ptima y no es
necesario resolver un problema nuevo. Si el cambio que se propone cae
fuera de los lmites, entonces la solucin ptima existente ya no ser
ptima y deber calcularse de nuevo la solucin ptima del problema.
Los procedimientos del anlisis de sensibilidad permiten calcular estos
lmites del cambio. Se estudiaran varios casos de anlisis de
sensibilidad.
Supongamos que tenemos el siguiente problema de programacin lineal

referente a la produccin de tres tipos de fertilizantes:
x1 = Toneladas de fertilizante 5-5-10 que se deben fabricar.

x2 = Toneladas 5-10-5
x3 = Toneladas 5-5-5
Se trata de determinar qu combinacin de produccin de fertilizantes

proporciona la mxima utilidad.
Max Z = 18.5x1 + 20x2 + 14.5x3
97
s.a.:
0. 05x1 + 0.05x2 + 0.05x3 <= 1100 Tons. disponibles de Nitrato
0. 05x1 + 0.10x2 + 0.05x3 <= 1800 Tons. disponibles de Fosfato
0.10x1 + 0.05x2 + 0.05x3 <= 2000 Tons. disponibles de Potasio
x1, x2, x3 >= 0
La solucin ptima para este problema es la que se muestra en la tabla

1.
Cj 18.5 20 14.5 0 0 0
Ck Xk b x1 x2 x3 s1 s2 s3
18.5 x1 8,000 1 0 1 40 -20 0
20.0 x2 14,000 0 1 0 -20 20 0
0 s3 500 0 0 -0.05 -3 1 1
Zj 428,000 18.5 20 18.5 340 30 0
Cj-Zj 0 0 -4.0 -340 -30 0
Tabla 1. Solucin optima para el problema de la produccin de tres fertilizantes.
CAMBIO EN EL COEFICIENTE DE LA FUNCIN OBJETIVO DE UNA

VARIABLE NO BASICA (cj)
En este caso el anlisis considera el impacto de cambiar el valor de las
utilidades (coeficiente de la funcin objetivo) para una de las variables
que de momento es no bsica: x3. En el ejemplo que se est estudiando,
se refiere al fertilizante 5-5-5. Como la solucin ptima no considera la
produccin de este fertilizante posiblemente porque no es rentable
producirlo, se trata de averiguar cunto debe aumentar su precio con el
objeto de hacerlo lo suficientemente rentable para que quede incluido en
la mezcla ptima de produccin.
En este anlisis hay que recordar que una variable no bsica es aquella
cuya contribucin neta a las utilidades (es decir, cj zj ) en la tabla
ptima es no positiva. Es decir, las utilidades que se obtendran al
fabricar cualquier cantidad de una variable no bsica son menores o
iguales que las utilidades a las que sera necesario renunciar.
La sensibilidad de la solucin ptima a cambios de los coeficientes de la

funcin objetivo puede determinarse aadiendo una cantidad j al
coeficiente que se tiene de la funcin objetivo, cj . Por ello, el nuevo
coeficiente de la funcin objetivo es:
cj = j + cj
98
Es posible determinar qu tan grande puede ser j a partir del

requerimiento de optimalidad de que (cj zj) sea cero o negativo para un
problema de maximizacin. Para el coeficiente modificado cj, esto
significa que cj zj <= 0. La sensibilidad se mide a travs del valor de j
puesto que indica el intervalo de costos sobre los cuales la solucin
ptima existente seguir siendo ptima.
Con respecto a x3, es deseable determinar la magnitud del aumento en

el precio que se requerira para fabricar el fertilizante 5-5-5. Puede
responderse esta pregunta determinando los valores de 3 (y c3) para
la variable x3. Se comienza el proceso aadiendo un coeficiente 3 al
coeficiente c3 asociado con x3 en la tabla.
La tabla 2 muestra la tabla modificada. Antes de que x3 se pueda volver

bsica, el valor (cj zj) asociado con x3 debe volverse no negativo. Esto
significa que
3 4.0 >= 0
Despejando 3, se tiene que 3 >= 4.0. Puesto que c3 = c3 + 3,

entonces
c3 = 14.5 + 3
Sustituyendo 3 >= 4.0 se obtiene

c3 >= 18.5
Cj 18.5 20 14.5+3 0 0 0
Ci Xk b x1 x2 x3 s1 s2 s3
18.5 x1 8,000 1 0 1 40 -20 0
20.0 x2 14,000 0 1 0 -20 20 0
0 s3 500 0 0 -0.05 -3 1 1
Zj 428,000 18.5 20 18.5 340 30 0
Cj-Zj 0 0 3-4.0 -340 -30 0
Tabla 2. Tabla modificada para un cambio en c3.
Esto indica que si el precio de x3 se elevara un poco ms de los $4.00,

es decir, si su contribucin a las utilidades fuera mayor que $18.50,
entonces la produccin de x3 se volvera ms rentable que la mezcla
actual de produccin de 8,000 tons. de x1 y 14,000 tons. de x2. Si el
precio se aumentara exactamente $4.00, se llegara a un punto de
decisin en el que podra fabricarse x3, pero no se obtendran utilidades
adicionales. Se obtendran los mismos $428,000 de utilidades para esta
solucin ptima alternativa.
99
En general, para cualquier variable no bsica el cambio necesario para

dicha variable se convierta en bsica ser:
j >= | cj zj |
Si la utilidad de la variable bsica disminuye, no hay cambio en la

solucin ptima; o si la contribucin a las utilidades aumenta en un
cantidad inferior a |cj zj | para la variable, no habr cambio en la
solucin ptima. Slo si la contribucin a las utilidades aumenta en una
cantidad que sea mayor que el valor actual de |cj zj | cambiar la
solucin ptima. Una variable no bsica no se encuentra en la solucin
ptima porque las utilidades que se obtienen al fabricar ese producto son
inferiores a lo que se perdera por hacerlo.
CAMBIO EN EL COEFICIENTE DE LA FUNCIN OBJETIVO DE UNA

VARIABLE BSICA (cj)
Ahora se considerar el cambio en el coeficiente de utilidades de una
variable bsica, digamos x1, que representa el nivel de produccin del
fertilizante 5-5-10. Es deseable saber cul es el valor mximo en el que
puede cambiar este coeficiente bsico de utilidades antes de cambiar las
variables bsicas restantes en la solucin ptima.
Si cambia la contribucin a las utilidades de una variable bsica,

entonces puede producirse uno de dos resultados. Si el coeficiente de la
variable bsica disminuye, entonces es posible que la variable tuviera
que dejar la base puesto que tal vez no fuera suficientemente rentable
para seguir siendo bsica. Por otro lado, si la contribucin a las utilidades
aumenta, podra obtenerse un mayor nivel de produccin para la variable
que se considera. A diferencia de los cambios en los coeficientes de
contribucin para las variables bsicas, en el caso de las variables que s
son bsicas deben considerarse tanto aumentos como disminuciones en
los coeficientes cj. En este caso, los cambios en los coeficientes de
contribucin a las utilidades, tendrn de alguna manera algn impacto
sobre la solucin existente.
Para analizar el efecto que tienen los cambios en la contribucin a las

utilidades para una variable bsica, es posible aadir un coeficiente j
al coeficiente cj que ya se tiene. De nuevo denotaremos la nueva
contribucin a las utilidades como cj = cj + j. En el caso de la variable
no bsica, la adicin de j afect slo una columna de la tabla, sin
embargo el caso de una variable bsica puede resultar afectada ms de
una columna. Por ello, para determinar los lmites de j, debemos
examinar todos los valores (cj zj) que se ven afectados por j.
100
Para x1 la contribucin a las utilidades es 18.5, se ha aadido un

coeficiente 1 para utilizarlo en el anlisis de cambios en las utilidades
para x1. El resultado se muestra en la tabla 3.
Cj 18.5+ 1 20 14.5 0 0 0
Ck Xk B x1 x2 x3 s1 s2 s3
18.5+1 x1 8,000 1 0 1 40 -20 0
20.0 x2 14,000 0 1 0 -20 20 0
0 s3 500 0 0 -0.05 -3 1 1
Zj 428,000+8,000 1 18.5+ 1 20 8.5+ 1 340-40 1 30-20 1 0
Cj-Zj 0 0 -4.0+ 1 -340-40 1 -30+20 1 0
Tabla 3. Tabla modificada para un cambio en c1.
Para que la solucin actual siga siendo ptima, debe asegurarse que
ningn valor (cj zj) de la tabla 3 se vuelva positivo. La pregunta es
Cunto puede cambiar c1 en una direccin positiva o negativa de
manera que mantengan las condiciones de optimalidad? Puede
determinarse la magnitud de estos cambios, j, despejando una
desigualdad para cada uno de los valores no bsico, es decir: cj zj <=
0. Se tienen entonces las siguientes condiciones para un cambio de 1
en el valor de las utilidades de c1:
4 1 <= 0 1 >= 4
340 401 <= 0 1 >= 8.5
30 + 201 <= 0 1 <= 1.5
Luego de elegirse el conjunto ms restrictivo se obtiene que los cambios

permisibles en c1 pueden expresarse como 4 <= 1 <= 1.5. Por ello,
la contribucin a las utilidades de x1 no pueden aumentar en ms de
$1.50 o disminuir en ms de $4. Entonces las utilidades de x1 estn
limitadas a quedar en el intervalo $14.5 <= c1 <= $20.
CAMBIOS EN UN NIVEL DE RECURSOS (bi)

Al igual que en el caso de cambios en los coeficientes de la funcin
objetivo, la sensibilidad de la solucin ptima a cambios en los recursos
se mide a travs de una cota superior y una cota inferior, par el nivel del
recurso que se modifica.
Para calcular el efecto de modificar el nivel de un recurso, se aade un

cantidad j al recurso que se quiere cambiar y despus se vuelve a
aplicar el proceso de solucin. La tabla 4 muestra el nivel modificado del
primer recurso. En este caso, el nuevo nivel de recurso para el nitrato es
101
1100 +N, donde N representa el posible aumento o disminucin en la

disponibilidad de Nitrato.
Cj 18.5 20 14.5 0 0 0
Ck Xk B x1 x2 x3 s1 s2 s3
18.5+1 x1 1,100+ N 0.05 0.05 0.05 1 0 0
20.0 x2 1,800 0.05 0.10 0.05 0 1 0
0 s3 2,000 0.10 0.05 0.05 0 0 1
Zj 0 0 0 0 0 0 0
Cj-Zj 18.5 20 14.5 0 0 0
Tabla 4. Tabla inicial para el nuevo nivel de recursos.
Si se procede con la iteracin simplex normal y acarreamos el valor N

en cada paso, se llega a la tabla ptima para el problema (tabla 5). En
esta tabla ptima se observa que el valor de la funcin objetivo aumenta
en $340 por cada tonelada adicional de nitrato disponible para usarlo al
costo original. As mismo se reducir en $340 por cada tonelada de
nitrato que ya no pueda usarse. Tambin se ve que los nuevos valores
de la solucin son funciones del cambio en el recurso N. Puesto que los
valores de la solucin siempre deben ser no negativos, pueden utilizarse
estas funciones para determinar la cantidad de disponibilidad de nitrato
que puede aumentarse o disminuirse antes de que la mezcla de
produccin que se tiene ya no sea ptima.
Para hacer esto, se estructura una desigualdad para cada funcin, mayor
o igual que cero, y se obtiene de ella el intervalo de N que satisface a
cada una de ellas. Estas desigualdades y las variables bsicas
correspondientes son:
x1: 8,000 + 40N >= 0

x2: 14,000 20N >= 0
s3: 500 3N >= 0
Cada desigualdad produce un posible tamao para el cambio N. Este

cambio neto debe ser no negativo para mantener la factibilidad y, por
ello, la desigualdad. Despejando N se tiene:
N >= 200
N <= 700
N <= 166.67
Se determina que los lmites de N son 200 <= N <= 166.67.
102
Expresado en trminos de la disponibilidad de nitrato, bN, se tiene:

1100 200 <= bN <= 1100 + 166.67 900 <= bN <= 1266.67
As la solucin ptima seguir siendo ptima si existen cuando menos

900 toneladas de nitrato disponibles o si no hay ms de 1266.67
toneladas.
Cj 18.5 20 14.5 0 0 0
Ck Xk b x1 x2 x3 s1 s2 s3
18.5 x1 8,000+40N 1 0 1 40 -20 0
20.0 x2 14,000-20 N 0 1 0 -20 20 0
0 s3 500-3 N 0 0 -0.05 -3 1 1
Zj 428,000 18.5 20 18.5 340 30 0
Cj-Zj 0 0 -4.0 -340 -30 0
Tabla 5. Tabla ptima para el nuevo nivel de recuso 1.
No es necesario volver a resolver el problema original cada vez que hay

un cambio en el nivel de un recurso, porque las funciones de N
pueden calcularse directamente a partir de la tabla ptima que se tiene.
Obsrvese que los coeficientes de N en la tabla ptima son los mismos
que los coeficientes de la columna s1. Esto resulta del hecho de que s1
es la variable de holgura asociada con el nitrato. Siempre ser cierto que
los coeficientes de la variable i en una tabla ptima sern los mismos
que los de la variable de holgura si. Para las variables de exceso, los
signos se invierten. Entonces, esto permite hacer clculos para las cotas
inferior y superior de i en forma directa a partir de la tabla ptima que
se tiene. Otro resultado importante que se puede determinar de la tabla
5, es que el valor de zj para la holgura correspondiente proporciona el
valor de una unidad adicional de ese recurso al mismo costo. En el
ejemplo, el valor de zj para s1 fue 340, por ello una unidad adicional de
nitrato vala $340. Esto tiene relacin con el valor de la variable dual
correspondiente y se denomina precio sombra. La relacin entre los
precios sombra como recurso y la funcin objetivo puede expresarse de
la siguiente manera: el precio sombra para un recurso determinado
refleja el impacto que tiene sobre la funcin objetivo un cambio unitario
en el recurso, este impacto en el precio se mantiene mientras el cambio
en el recurso se encuentre dentro de los lmites determinados por el
anlisis de sensibilidad.
INTRODUCCIN DE UNA NUEVA VARIABLE

Las variables de decisin suelen representar los niveles de las distintas
actividades bajo consideracin. En algunas situaciones estas actividades
se seleccionan de entre otras por ser ms atractivas, por lo que queda la
pregunta si vale la pena incluir algunas actividades no consideradas. Es
103
decir Cambiar la solucin ptima original se agrega cualquiera de

stas actividades?
En este anlisis juega un papel importante la teora de la dualidad.

Agregar una variable equivale a introducir en el modelo una nueva
variable, con los coeficientes apropiados en las restricciones y en la
funcin objetivo. El nico cambio que resulta en el problema dual es la
introduccin de una nueva restriccin. Una vez hechos estos cambios
Ser la solucin ptima original, junto con la nueva variable igual a cero
(no bsica), todava ptima para el problema primal? Una pregunta
equivalente es si todava es factible la solucin bsica complementaria
para el problema dual.
En el siguiente ejemplo, XNUEVA representa el nivel de produccin de un

tercer producto que se ha agregado al modelo, resultando:
Max Z = 3x1 + 5x2 + 4XNUEVA

s.a.:
x1 + 2XNUEVA <= 4
2x2 + 3XNUEVA <= 12
3x1 + 2x2 + XNUEVA <= 18
x1, x2, XNUEVA >= 0
Antes de introducir XNUEVA, la solucin ptima para el problema original

es la que se muestra en la siguiente tabla:
Cj 3 5 0 0 0
0 s1 2 0 0 1 1/3 -1/3
5 x2 6 0 1 0 0
3 x1 2 1 0 0 -1/3 1/3
Zj 36 3 5 0 3/2 1
Cj-Zj 0 0 0 -3/2 -1
La pregunta ahora es Si se incluye XNUEVA la solucin seguir siendo

ptima? Para responder a esta pregunta, se verifica la solucin bsica
complementaria para el problema dual, que en la tabla ptima se
identifica como:
( y1, y2, y3 ) = ( 0, 3/2, 1)
104
Esta solucin es ptima para el problema original, por lo que satisface

las restricciones duales originales. Pero Satisface la nueva restriccin
dual ?
2y1 + 3y2 + y3 >= 4
Al sustituir esta nueva solucin, se ve que:

2(0) + 3(3/2) + 1 >= 4 , se satisface.
Por lo tanto esta solucin dual sigue siendo factible, es decir ptima. En
consecuencia la solucin primal original (2, 6, 2, 0, 0) junto con XNUEVA=0
todava es ptima, y se concluye que no debe incluirse este nuevo
producto en el plan de produccin.
Anlisis de Sensibilidad: Problemas resueltos

1. En un problema de produccin xi representan las unidades que se
producen del artculo i. Se trata de maximizar los ingresos por la
venta de estos artculos. Se tiene el siguiente modelo de
programacin lineal:
Max Z = x1 + 2x2 + 3x3 + 4x4

s. a. :
x1 + 2x2 + x3 + 2x4 <= 12 Unids disponibles del recurso 1
x2 <= 6 Unids disponibles del recurso 2
x4 <= 4 Unids disponibles del recurso 3
x1, x2, x3, x4 >= 0
La solucin ptima para este problema es:
Cj 1 2 3 4 0 0 0
Ck Xk b x1 x2 x3 x4 s1 s2 s3
3 x3 12 1 2 1 2 1 0 0
0 s2 6 0 1 0 0 0 1 0
0 s3 4 0 0 0 1 0 0 1
Zj 36 3 6 3 6 3 0 0
Cj - Zj -2 -4 0 -2 -3 0 0
105
a) Determine el intervalo de sensibilidad para c1.

-2 + 1 >= 0
Despejando, se tiene que:
1 >= 2
El intervalo de sensibilidad para c1 es: [ 2, >
b) En qu intervalo de b2 permaneceran sin cambio el conjunto de

variables bsicas que forman la solucin ptima?
x3: 12 + 02 >= 0
s2: 6 + 12 >= 0
s3: 4 + 02 >= 0
Despejando se obtiene:
2 >= 6
El intervalo de variacin de b2 ser: [ -6, >
c) Cul sera el efecto sobre la solucin ptima si b2 = 8 ?

Si la disponibilidad del recurso 2 se incrementa a 8, no se afecta
la solucin ptima porque b2 puede incrementarse hasta infinito.
d) Sobre qu intervalo puede variar c3 sin que cambie la solucin

ptima?
Afectando el coeficiente c3 en una cantidad 3 en la solucin
ptima, se tiene:
x1: -2 - 3 <= 0
x2: -4 -23 <= 0
x4: -2 -23 <= 0
s1: -3 -13 <= 0
Despejando 3, se tiene que el intervalo de variacin de c3 es:

3 1 <= c3 <
2. Fertil S.A. fabrica tres tipos de fertilizantes qumicos: 5-10-5, 5-8-8

y 8-12-12. Los fertilizantes se fabrican con nitratos, fosfatos,
potasio y un relleno inerte. La mezcla de estos componentes en
los fertilizantes est reflejado por su tipo, es decir, el fertilizante 5-
10-5 contiene 5% de nitrato, 10% de fosfato, 5% de potasio, y la
diferencia es relleno inerte. Las utilidades que se obtienen por la
venta son de $16.00, $22.80 y $12.40 por tonelada de fertilizante
respectivamente. La empresa dispone de 1200 tons de nitrato,
2000 tons de fosfato, 1500 tons de potasio y una cantidad
ilimitada de relleno inerte a su disposicin. Se vende todo lo que
106
se produce, y la empresa ya tiene un pedido comprometido de

8000 tons del 5-8-8.
a. Determine el plan de produccin que maximice las utilidades.
El modelo de programacin lineal de este problema es:
x1 = Tons de fertilizante 5-10-5 que se fabrican durante el mes.

x2 = Tons. 5-8-8 mes.
x3 = Tons. 8-12-12 mes.
Max Z = 16x1 + 22.8x2 + 12.4 x3

s. a.:
0.05x1 + 0.05x2 + 0.08x3 <= 1200
0.10x1 + 0.08x2 + 0.12x3 <= 2000
0.05x1 + 0.08x2 + 0.12x3 <= 1500
x2 >= 8000
x1, x2, x3, >= 0
La solucin ptima de este problema es:
Cj 16 22.8 12.4 0 0 0 0 -M
Ck Xk b x1 x2 x3 s1 s2 s3 s4 a1
0 s1 75 0 0 0 1 -0.37 -0.25 0 0
16 x1 10000 1 0 0 0 20 -20 0 0
0 s4 4500 0 0 1.5 0 -12.5 25 1 -1
22.8 x2 12500 0 1 1.5 0 -12.5 25 0 0
Zj 445000 16 22.8 34.2 0 35 250 0 0
Cj-Zj 0 0 -21.8 0 -35 -250 0 -M
El plan de produccin ptimo es:

x1=10,000 Se producen 10,000 toneladas del fertilizante 5-10-5.
x2=12,500 Se producen 12,500 toneladas del fertilizante 5-8-8.
x3= 0 No se produce el fertilizante 8-12-12.
s1=75 No se usan 75 tons de Nitrato.
s4=4,500 Se producen 4,500 tons adicionales a las 8000 tons
que ya se tienen comprometidos del fertilizante 5-8-
8.
Z=$445,000 Utilidad mxima.
b. Cul es el nuevo valor de la F.O. si el pedido comprometido del

fertilizante 5-8-8 se eleva a 10000 tons.?
107
Si el pedido comprometido de fertilizante 5-8-8 se eleva a 10,000

tons., esto no afecta a la solucin ptima, porque en el plan de
produccin ptimo este fertilizante se produce en una cantidad de
12,500 tons. Adems, el precio dual es igual a cero (y4 = 0), esto
quiere decir que el valor de la funcin objetivo no cambia.
c. Cunto gana o pierde la empresa por fabricar el fertilizante 8-12-

12 ?
Si se fabrica el fertilizante 8-12-12 se pierde $21.80 por cada

tonelada fabricada, esto porque en la solucin ptima c3 z3 = -
21.80
d. Cunto puede variar la utilidad del fertilizante 5-10-5 sin que se

afecte la solucin ptima ?
Afectando el coeficiente c1 en una cantidad 1 en la solucin

ptima, se tiene:
s2: -35 - 201 <= 0

s3: -250 + 201 <= 0
Despejando 1 se tiene:
1.5 <= 1 <= 12.5
Por lo tanto la utilidad del fertilizante 8-12-12 puede variar en el

intervalo:
14.5 <= c1 <= 28.5
108
CAPTULO 6
PROGRAMACION LINEAL ENTERA
6.1. INTRODUCCIN
Hasta ahora hemos visto los problemas de programacin lineal en el
dominio de los reales. Sin embargo, en muchos modelos algunas o todas
las variables de decisin deben ser enteras. Estos modelos son
conocidos como modelos de programacin lineal entera (PLE).
A primera vista podra parecer ms fcil resolver problemas con

restriccin de enteros, ya que transforman un problema continuo en un
problema discreto. Sin embargo, los algoritmos que permiten resolver los
problemas PLE son ms complejos y requieren mucho ms tiempo
computacional.
Los modelos de programacin lineal entera se pueden clasificar en:
Modelo Tipos de Variables de Decisin

Completamente entero
Todas son enteras
(PLE)
Mixto (PLM) Algunas, pero no todas son enteras
Binaria (PLB) Todas son binarias (0 1)
Ejercicio 6.1.1. Cantidad ptima de restaurantes.

Boxcar es una nueva cadena de restaurantes de comida rpida (fase
food) que est planificando expandirse en Washington DC. An cuando
la comida es de alta calidad, la principal atraccin de esta cadena de
restaurantes es su diseo. En el centro de la ciudad el interior del local
se construy de forma parecida al interior de un container, mientras que
en los suburbios los restaurantes se construyeron al interior de
verdaderos containers.
La compaa dispone de US$ 2.7 millones para su expansin. Cada

restaurante en los suburbios requiere US$ 200.000 en inversin, y cada
local en el centro requiere de US$ 600.000. Se proyecta que luego de los
gastos, la ganancia neta semanal en los locales de los suburbios (que
estarn abiertos las 24 horas) ser en promedio US$1200. Los
restaurantes del centro abrirn slo 12 horas al da, pero debido a una
gran cantidad de clientes durante las horas de trabajo las proyecciones
indican que la ganancia neta semanal ser de US$2000. La compaa
desea abrir al menos 2 restaurantes en el centro.
109
Boxcar actualmente tiene 19 administradores. Cada local en los

suburbios requerir tres administradores para su funcionamiento las 24
horas, y se cree que con slo un administrador en el centro por
restaurante sera suficiente.
Boxcar desea saber cuntos restaurantes podra abrir para maximizar su

ganancia neta semanal.
Formulacin.
Resumiendo el problema, se tiene
Boxcar debe decidir cuntos restaurantes debe abrir en los suburbios
y en el centro de Washington DC
Desean maximizar su ganancia total semanal promedio
La inversin total no puede exceder US$ 2.7 millones
Se deben abrir al menos 2 restaurantes en el centro
Slo se cuenta con 19 administradores.
Variables de decisin:
X1 = Nmero de restaurantes que se deben construir en los suburbios.
X2 = Nmero de restaurantes que se deben construir en el centro.
Un Modelo Matemtico sera:
Maximizar Z = 1200 X1 + 2000 X2

s.a.
200 X1 + 600 X2 < 2700
X2 > 2
3 X1 + X2 < 19
X1, X2 > 0, enteros
Si solucionamos el ejercicio sin considerar que X1 y X2 son enteras,

tendremos el siguiente resultado, con WINQSB:
110
La solucin a este problema, sin considerar las variables como enteras,

sera 5.44 restaurantes en los suburbios y 2.69 restaurantes en el centro.
Como vemos la solucin no es entera, y entraramos en la posibilidad de
redondearlos, por lo que obtendramos los siguientes resultados:
Es una SOLUCIN
X1 X2 Cunto vale Z?
FACTIBLE?
5.44 2.69 SI 11900

5 2 SI 10000
5 3 NO cumple R1 No cumple
6 2 NO cumple R3 No cumple
6 3 NO cumple R1 y R3 No cumple
Como vemos en la tabla, haciendo todos los redondeos posibles vemos

que la solucin sera X1 = 5 y X2 = 2, donde Z = 10,000, pero si somos
ms detallistas otra solucin posible, sin considerar redondeos, sera
X1= 4 y X2= 3, donde Z = 10,800. Y entonces habremos encontrado una
solucin mejor que si redondeamos.
111
En conclusin:
Posibles resultados del redondeo

Los puntos pueden ser no-factibles
Los puntos pueden ser factibles pero no-
ptimos
Los puntos pueden ser factibles y ptimos
Nota: Imponer restriccin de enteros agrega dos restricciones al

problema: X1 entero y X2 entero. As es que tal como vimos antes el
valor de la funcin objetivo NO puede mejorar. En un problema de
maximizacin esto significa que el valor de la funcin objetivo disminuir
o en el mejor de los casos ser el mismo que el valor ptimo del
problema de programacin lineal en el dominio de los reales.
La solucin entera del problema es: X1 = 4, X2 = 3, Z = US$ 10.800

Si fueran ms variables, el anlisis sera ms tedioso.
6.2. SOLUCIN DE PROBLEMAS LIENALES ENTEROS MEDIANTE

EL PROCEDIMIENTO BRANCH & BOUND
Cuando se requiere que un problema tenga una solucin con enteros,
significa que hay un nmero finito de puntos de solucin posibles. A
pesar que tericamente se puede numerar en su totalidad todas las
soluciones posibles, en general, no es factible en trminos de
computacin. Sin embargo, si pueden encontrarse formas de evitar
grandes extensiones de soluciones. La tcnica de ramificar y restringir
(Branch & Bound) es un mtodo para lograrlo.
Consiste en hacer un rbol en la que se ramifica y restringe las variables

de decisin que no son enteras. Se inicia con una solucin inicial, donde
las variables pueden contener valores enteros y/o reales (nodo original).
Y de ah se van originando dos ramas, una rama con una restriccin de
igualdad de alguna variable no entera, cuyo valor es el menor entero de
la misma, y luego se obtiene una nueva solucin colocndola en el nodo
inferior que conecta a la rama principal. La otra rama se coloca esa
misma variable como restriccin mayor igual al entero mas uno de la otra
rama. Este proceso se va repitiendo nodo por nodo. El ejercicio 6.1 se
puede solucionar as:
112
Problema Original
Solucin PL
X1 = 5.44 X2 = 2.69
Z = 11900
X2 = 2 X2 > 3
Solucin PL Solucin PL
X1 = 5 X2 = 2 X1 = 4 X2 = 3
Z = 10000 Z = 10800
Mejor solucin con Nueva solucin, es
enteros en la rama ptima, No hay ms
ramas por investigar
Como vemos, primero tomamos en cuenta la rama X2 = 2, hasta no

hallar una solucin entera con X1 se seguira ramificando. Como se
consigui una solucin entera entonces se sigue con la otra rama X2 >
3, si no se consegua valor entero entonces se seguira ramificando
hasta conseguirla. Pero como se consigui solucin entera se compara
con la otra solucin y se elige aquel que tenga el mayor Z, que en este
caso fue X1 = 4 X2 = 3 y
Z = 10,800
Ejercicio 6.2.1. Decisin de Inversin

Despus de muchos aos con bajos intereses en los bancos, la seorita
Rosas ha decidido incursionar el la bolsa. Sin embargo, ella desea hacer
una inversin cautelosa. Ella escuch que las acciones de una compaa
de telecomunicaciones se estn vendiendo en US$55 c/u (incluyendo
comisiones) y se proyecta su venta en US$68. Tambin est
considerando invertir en un fondo mutuo, el cul segn un diario
especializado, dara un retorno de la inversin de un 9% el prximo ao.
Para esta primera incursin en el mercado la Srta. Rosas ha sido

extremadamente "modesta" en sus objetivos. Ella desea invertir slo lo
suficiente para obtener un retorno de US$250.
Adems ella confa ms en el fondo mutuo que en la bolsa, por lo tanto

se impuso la restriccin que la mxima cantidad a invertir en la bolsa no
113
exceder el 40% de su inversin total, y su inversin en acciones no ser

ms de US$750.
Ella desea saber cmo debera invertir.
Formulacin.
X1 = Cantidad de acciones de Telecomunicaciones que debe adquirir.
X2 = Cantidad en dlares que debe invertir en el fondo mutuo.
Funcin Objetivo
Minimizar la inversin de dlares en la compra de acciones y en la
inversin en los fondos mutuos.
Mnimizar Z = 55 X1 + X2
Restricciones
Obtener un retorno de al menos US$250 al ao
(68 -55) X1 + 0.09 X2 > 250
Invertir no ms de US$ 750 en acciones.

55 X1 < 750
Invertir en la bolsa no ms del 40% de su inversin total

55 X1 < 0.40 ( 55 X1 + X2) 33 X1 - 0.40 X2 < 0
El modelo matemtico mixto sera:
Mnimizar Z = 55 X1 + X2
s.a.
13 X1 + 0.09 X2 > 25
55 X1 < 750
33 X1 -0.40 X2 < 0
X1, X2 >= 0, X1 entero
Segn el procedimiento Branch & Bound, el ptimo se encuentra en X1 =

12 y X2 = 1044.44
6.3. VARIABLES BINARIAS

Se denominan variables binarias aquellas que estn restringidas a dos
valores nicamente, por lo general estos valores son cero y uno.
114
Si Y < 1
Y>0
Y es entera
Entonces Y es una variable binaria (0,1)
6.3.1. Aplicaciones de Variables Binarias en Programacin Lineal

Entera
Las variables binarias pueden ser de gran ayuda en el planteamiento de
ciertos problemas de decisin, algunas aplicaciones "tpicas" se
describen a continuacin.
Decisiones Dicotmicas
Cuando se tienen solo 2 elecciones, la decisin se puede representar por
variables de decisin restringidas exclusivamente a 2 valores.
Yi = 1, si la decisin i es s
0, si la decisin i es no
o sea:
Yi 1
Yi 0
y Yi es un entero
Ejemplos: Debe emprenderse este proyecto?

Debe hacerse esta inversin en particular?
Debe realizarse esta instalacin en este sitio en particular?
Alternativas Mutuamente Excluyentes.

Si se tiene un conjunto de alternativas de decisin, pero slo una
decisin en el grupo puede ser si, se requiere de este tipo de
restricciones.
Yi = 1 Exactamente una decisin en el grupo debe ser si.

Yi 1 Cuando mucho una decisin en el grupo puede ser si.
En donde la suma se toma nicamente sobre las variables del grupo.
Decisiones Contingentes
Se dice que una decisin es contingente cuando depende de decisiones
anteriores, en otras palabras:
115
La decisin K es contingente con la decisin J si se permite que K

sea Si nicamente cuando J es Si.
Esto sucede cuando la decisin K comprende una accin consecuente
que se volvera irrelevante o imposible si la decisin J es no.
En forma de restriccin, escribiramos:

Yk Yj
Si Yj = 1 Permite elegir libremente a Yk, o sea que puede tomar el valor

de cero o de uno segn convenga a la funcin objetivo. Mientras que Yj
= 0 fuerza a que Yk = 0
Matemticamente se escribira:
Yk - YJ 0
Ejercicio 6.3.1. Decisin de Inversin en Proyectos

El Gerente de una importante empresa multinacional est tratando de
decidir cules proyectos financiar para el prximo ao. Recibi las 8
propuestas que se presentan a continuacin. Despus de un estudio
minucioso, hizo un clculo estimado del valor de cada proyecto en una
escala de 0 a 100. El gerente de investigacin desea encontrar una
combinacin de proyectos que tenga el valor total ms alto. Sin embargo,
existen varias limitaciones. Primero, cuenta con un presupuesto de
US$320,000. Segunda, debe aceptar o descartar un proyecto (es decir
no hay financiacin parcial). Tercera, hay ciertos proyectos relacionados
como es el caso de los proyectos G y H. El gerente no desea que estos
proyectos sean financiados si ambos son elegidos. El proyecto D no
debe recibir financiacin a menos que A tambin lo haga (no obstante, A
puede ser financiado sin D).
Formular el problema del gerente como un problema de programacin

lineal (con enteros).
Propuesta A B C D E F G H
Costo (miles
$80 15 120 65 20 10 60 100
de dlares)
Valor 40 10 80 50 20 5 80 100
Yi = 1, si el proyecto i (= A, B, C, D, E, F, G, H) SI se financia.
0, si el proyecto i (= A, B, C, D, E, F, G, H) NO se financia
116
Funcin Objetivo
Se debe maximizar el valor total
Maximizar Z=40 XA+10 XB+80XC+50XD+20XE+5XF+80XG+100XH
Restricciones
Presupuesto
80XA + 15XB + 120XC + 65XD + 20XE + 10XF + 60XG + 100XH < 320
Los proyectos G y H estn relacionados, no pueden ser financiados

ambos.
XG + XH < 1 Restriccin de proyectos mutuamente excluyentes
El proyecto D no debe recibir financiacin a menos que A tambin lo

haga.
XD < XA XD - XA < 0 . Decisiones contingentes
Todas las variables son binarias

Xi {0, 1} para todo i = A, B, C, D, E, F, G, H
Restricciones Alternativas:
En ocasiones puede elegirse entre dos restricciones, de manera que
debe cumplirse una "o bien" la otra. En un modelo de Programacin
Lineal TODAS las restricciones deben cumplirse para que ste tenga
solucin factible, esto se debe a que la presencia de restricciones del
tipo "o bien" crea un espacio de soluciones no convexo. Lo anterior se
puede evitar incorporando al modelo variables binarias y definiendo a M
como un nmero suficientemente grande el cual, al sumarlo a cualquiera
de las restricciones, automticamente estaramos eliminando esa
restriccin porque sera redundante.
Ejemplo:
Suponga que se debe elegir slo una de las siguientes 2 restricciones
3 X1 + 2 X2 20,
o bien,
X1 + 3 X2 15
Podemos hacer redundante cualquiera de las dos al agregarle M, un

valor muy alto
3 X1 + 2 X2 20 + M
X1 + 3 X2 15
117
o bien
3 X1 + 2 X2 20
X2 + 3 X2 15 + M
Como no sabemos cual de las dos alternativas anteriores sea la mas

conveniente, introducimos la variable binaria Y, y dejamos que el
proceso de solucin asigne el valor mas conveniente para esta variable,
y al hacerlo seleccione automticamente la mejor alternativa.
Si
Y = 0 si se elimina la primera restriccin.
1 si se elimina la segunda restriccin.
3X1 + 2X2 20 + M (1-Y) redundante p / Y = 0, activa p/ Y=1
X1 + 3X2 15 + M (Y) activa p / Y = 0, redundante p/ Y=1
Reordenando los trminos (todas las variables del lado izquierdo

quedaran
3X1 + 2X2 + MY 20 + M
X1 + 3X2 - MY 15
Y1
Y0
Y es entero
Este planteamiento garantiza que una de las restricciones originales

debe cumplirse mientras que la otra queda eliminada.
Deben cumplirse K de N restricciones:

Un caso ms general del problema anterior seria cuando se tiene un
conjunto de N restricciones de las cuales deben cumplirse K (ms de
una), pero las restricciones especficas que se deben cumplir no se
conocen de antemano.
K Nmero de restricciones que deben cumplirse

N Total de restricciones del grupo.
K<N
Suponga que se tiene el siguiente grupo de restricciones:

f1 (x1, x2,.........xn ) d1
f2 (x1, x2,.........xn ) d2
fN (x1, x2,.........xn ) dN
118
Si definimos
Yi = 1, si la i-sima restriccin no se cumple donde i = 1,2,...N
0, si la i-sima restriccin si se cumple
El planteamiento equivalente de Programacin Lineal Entera sera:

f1 ( x1 , x2 , .............xn ) d1 + M ( Y1 )
f2 ( x1 , x2 , .............xn ) d2 + M ( Y2 )
fN ( x1 , x2, .............x n ) dN + M ( YN )
Yi = N - K
Y1 1
Y2 0
Yi es entero para i = 1, 2 ,....N
Ejercicio 6.3.2. Problema de Costo Fijo:

Cuando se inicia una actividad o corrida de produccin, es muy comn
que se presente un costo de preparacin independientemente del nivel
de actividad o la cantidad producida. En estos casos, el costo total de
produccin denominado "Costo de Actividad" es equivalente a la suma
del costo fijo en el que se incurre al inicio y el costo variable que
depende de la cantidad producida.
Costo de actividad.- Es la suma de un costo variable relacionado con el

nivel de actividad ms un costo de preparacin que se requiere para
iniciar dicha actividad.
Sea:
Xj Nivel de actividad j.(Unidades producidas)
Cj Xj Costo variable
Kj Costo fijo para esa actividad j.
Xj Nivel de actividad
Cj Costo por unidad
Kj Costo de preparacin
Si se tienen j actividades diferentes y se desea minimizar los costos

totales de produccin, tendramos:
Minimizar Z = f1 (x1) + f2 (x2) +............fn (xn)
Donde
fj (xj) = Kj + CjXj , si Xj > 0
0, si Xj = 0
Minimizar Z = ( Kj + CjXj )
119
Si Kj fuera cero para todos los j el problema seria de P.L. pero si Kj > 0
hay que replantear el problema introduciendo n decisiones de si no
acerca de emprender las n actividades respectivas.
Yj = 1, si X j > 0
0 , si X j = 0
Minimizar Z = ( Cj Xj + KjYj )
Adems, es necesario garantizar que siempre que la variable Xj tome un

valor positivo, la variable Yj correspondiente tome un valor de uno.
Si introducimos M como un nmero extremadamente grande, las

restricciones
Xj M Yj para j = 1, 2, 3, ........ N
nos garantizan que siempre que Xj > 0 Yj = 1

y cuando
Xj = 0 Yj X
0
Yj puede ser
1
1
Pero como se est minimizando el problema al optimizar siempre va a
descartar el valor Yj = 1.
El problema quedara:
: Minimizar Z = ( Cj Xj + KjYj )
Sujeto a:
Xj - MYj 0
Yj 1
Yj 0
y Yj es entero para j = 1, 2, 3, ....... n
Restricciones de Aportaciones
Suponga que se tienen las siguientes restricciones:
a) Si se compra el producto j, se deben adquirir por lo menos 20

unidades
b) No se pueden adquirir ms de 100 unidades del producto j
120
Sea Xj = unidades que se adquieren del producto j
Un intento por representar las restricciones de a) y b) podra ser:

20 < Xj < 100
Sin embargo, esta restriccin no representa las condiciones ya que

obliga a que la variable Xj tome valores entre 20 y 100, no considera la
condicin Si...
Si definimos una variable binaria Yj para representar la decisin respecto

a comprar o no comprar el artculo j, tendremos:
Yj = 1 Indica que Si se compra el artculo j

Yj = 0 Indica que No se compra el artculo j.
Podramos expresar las condiciones a) y b) de la siguiente manera:

Xj < 100Yj
Xj > 20Yj
Si Yj = 0 obliga a que Xj sea 0, mientras que Yj = 1 permite que la

variable Xj tome valores entre 20 y 100.
Ejercicio 6.3.3:
Cierta compaa industrial ha decidido expandirse construyendo una
nueva fbrica ya sea en Lima o en Arequipa. Est considerando tambin
la construccin de un nuevo almacn en aquella ciudad que se
seleccione para la nueva fbrica. La informacin sobre cada alternativa
se muestra en la siguiente tabla:
Valor presente neto Capital requerido inversin

Fabrica en Lima 7 millones 20 millones
Fabrica en Arequipa 5 millones 15 millones
Almacn en Lima 4 millones 12 millones
Almacn en Arequipa 3 millones 10 millones
El capital disponible para inversin es $ 35, 000, 000. El objetivo es

encontrar la combinacin de alternativas que maximice el valor presente
neto.
121
Planteamiento con variables binarias:
Valor
Numero de Pregunta de Variable de Cap. Req. de
Presente
Decisin S o No Decisin inversin (mills )
Neto
se construye la fbrica
1 Y1 7 20
en Lima ?
Se construye la fbrica
2 Y2 5 15
en Arequipa?
Se construye el almacn
3 Y3 4 12
en Lima?
Se construye el almacn
4 Y4 3 10
en Arequipa ?
Sea:
Yi = 1, si la decisin i es Si donde i = 1,2,3,4
0, si la decisin i es No
Las primeras dos decisiones representan alternativas mutuamente

excluyentes.
Y1 + Y2 = 1
Las decisiones 3 y 4 son contingentes en relacin con las decisiones 1 y

2.
Y3 - Y1 0
Y4 - Y2 0
El modelo completo quedara:
Sujeto A: Maximizar Z = 7Y1 + 5Y2 + 4Y3 + 3Y4

20Y1 + 15Y2 + 12Y3 + 10 Y4 35
Y1 + Y2 = 1
- Y1 + Y3 0
- Y2 + Y4 0
Y1 1
Y1 0
Yi es entero, para i = 1,2,3,4
122
Ejercicio 6.3.4. Problema de ubicacin de almacenes

Una compaa planea expandir sus actividades en el rea mediante la
apertura de dos nuevos almacenes. Tiene bajo consideracin tres
posibles sitios (como se muestra en la figura). Cuatro clientes deben
tener satisfechos sus demandas que son D1 , D2 , D3 y D4. Se asume que
entre dos sitios puede satisfacer todas las demandas, pero el sitio uno
puede suplir a los clientes 1, 2 y 4 solamente: el sitio 3 puede suplir a los
clientes 2, 3 y 4 mientras que el sitio 2 puede suplir a todos los cliente. El
costo por unidad de transportacin del sitio i al cliente j es Cij. Para cada
almacn se tienen los siguientes datos.
Sitio Capacidad Capital inv. inicial $ Costo: oper / unidad
1 A1 K1 P1
2 A2 K2 P2
3 A3 K3 P3
El problema es seleccionar los sitios apropiados para construir 2

almacenes las cuales minimizan los costos totales de inversin,
operacin y transporte.
El costo total apertura y operacin de una almacn es una funcin NO

lineal (caso anterior) por que sus costos de inversin son fijos
independientemente de las unidades almacenadas y los costos de
operacin son proporcionados por unidad.
Definimos Yi 1 Si el sitio i se selecciona

0 Si el sitio i No se selecciona
Xij Cantidades vendidas del almacn i al cliente j.
Restricciones de capacidad:
Almacn 1 X12 + X11 + X14 A1Y1
Almacn 2 X21 + X22 + X23 + X24 A2Y2
Almacn 3 X32 + X33 + X34 A3Y3
Como solo se pueden seleccionar 2 de los 3 almacenes

Y1 + Y2 + Y3 = 2
123
Restricciones de demanda:
X11 + X21 = D1 Cliente 1

X12 + X22 + X32 = D2 Cliente 2
X23 + x33 = D3 Cliente 3
X14 + X24 + X34 = D4 Cliente 4
Costos de almacn en 1
K1Y1 + P1 ( X11 + X12 + X14 ) + C11X11 + C12X12 + C14X14
Similarmente para 2 y 4
K2Y2 + P2 ( X21 + X22 + X23 +X24 ) + C21X21 + C22X22 + C23X23 + C24X24
K3Y3 + P3 ( X32 + X33 + X34 ) + C32X32 + C33X33 + C34X34
Finalmente el problema planteado queda
Min Z = K1Y1 + P1 ( X11 + X12 + X14 ) + C11X11 + C12X12 + C14X14 + K2Y2 +

P2 ( X21 + X22 + X23 + X24 ) + C21X21 + C22X22 + C23X23 + C24X24 + K3Y3 +
P3 ( X32 + X33 + X34 ) + C32X32 + C33X33 + C34X34
S. A.:
X11 + X12 + X14 - A1Y1 0
X21 + X22 + X23 + X24 - A2Y2 0
X32 + X33 + X34 - A3Y3 0
Y1 + Y2 + Y3 = 2
X11 + X21 = D1
X12 + X22 + X32 = D2
X23 + X33 = D3
X14 + X21 + X34 = D4
Yi 1
Yi 0
Yi es entero para i = 1, 2, 3
Xij 0 para toda ( i,j )
Ejercicio 6.3.5. Problema de carga fija

Cierta compaa fabricante de pinturas tiene disponibles tres procesos
diferentes estandarizados para producir pinturas blancas para casas.
Cada proceso tiene unos costos fijos y un costo de proceso por galn. La
capacidad de cada proceso es como sigue:
124
Proceso Costo Costo Capacidad mxima diaria

Nmero fijo (dlares / galn ) (galones)
1 $ 100 5 2000
2 200 4 3000
3 300 3 4000
La compaa espera una demanda diaria de 3500 galones. El problema

es mostrar qu procesos usar y qu capacidades con el fin de satisfacer
su demanda diaria con un costo total mnimo.
Formulacin del modelo

Variables de decisin.
Sea:
Y1 = 1 Si el proceso 1 es usado
0 Si el proceso 1 no es usado
Las variables Y1 , Y2 , Y3 son variables binarias (0,1)
Variables de produccin.
Sea
X1 = nivel de produccin para el proceso 1
Funcin objetivo. El objetivo es escoger los procesos y los niveles de

produccin para satisfacer la demanda diaria minimizando el costo total .
Sea Z una variable que denota el costo total.
125
Entonces:
Z = 5X1 + 4X2 + 3X3 + 100Y1 + 200Y2 + 300Y3

Costo total variable de Costo total fijo
produccin
Restricciones. Tenemos dos tipos de restricciones sobre las variables

de produccin. Para satisfacer la demanda diaria:
X1 + X2 + X3 = 3500
Para no sobrepasar el lmite de capacidad:

Proceso 1: X1 2000
Proceso 2: X2 3000
Proceso 3: X3 4000
Observe que si usamos cualquier proceso a un nivel positivo, tenemos

que garantizar que se ha incurrido tanto en los costos fijos como en los
costos variables de produccin. Esto es, por ejemplo, si X1 > 0 (usamos
el proceso 1) entonces Y1 = 1 (tenemos que seleccionar el proceso 1).
Esto lleva a las siguientes relaciones entre las variables continuas Xj y

las variables entera Yj.
Para proceso 1:
Si X1 = 0, entonces Y1 = 0
Si X1 > 0, entonces Y1 = 1
Si Y1 = 0, entonces X1 = 0.
Para proceso 2:
Si X2 > 0, entonces Y2 = 1
Para proceso 3:
Si X3 > 0, entonces Y3 = 1.
Cada conjunto de tres restricciones dadas antes, simultneamente con la

correspondiente restriccin de capacidad, pueden ser combinadas en
una sola restriccin.
126
Para el primer conjunto de tres restricciones (proceso 1) consideremos la

desigualdad
X1 2.000Y1
Observe que la desigualdad tambin incluye la restriccin de capacidad

para proceso 1. Recuerde que Y1 tiene que ser 0 1. As, si Y1 = 0 en
2000Y1 X1, entonces 2.000Y1 = 0, lo cual implica que X1 = 0. Si X1 = 0,
entonces Y1 = 0, ya que estamos minimizando el costo total Z. Si X1 > 0,
entonces 2000 Y1 > 0 puede ocurrir solamente si Y1 = 1. De manera
similar se expresara la dependencia entre las variables asociadas a los
otros dos procesos.
El modelo completo quedara:
PROBLEMA DE PROGRAMACION ENTERA

Minimizar Z = 5X1 + 4X2 + 3X3 + 100Y1 + 200Y2 + 300Y3
Sujeto a:
X1 + X2 + X3 = 3500
X1 2000 Y1
X2 3000 Y2
X3 4000 Y3
Yi es binaria para i = 1, 2, 3
Xi 0 para i = 1, 2, 3
Ejercicio 6.3.6. Problema de presupuesto de capital

Cierta compaa tiene la oportunidad de invertir el prximo de ao en
cinco proyectos diferentes, P1, P2 , P3 , P4 y P5 , cada uno con un
beneficio neto estimado como se muestra en la tabla .
Proyecto Beneficio neto esperado

nmero ( 000 s )
1 $ 100
2 80
3 70
4 60
5 90
127
Ya que de los diferentes requerimientos de cada proyecto (mano de

obra, equipo, etc.), los costos varan de proyecto a proyecto. Adems las
obligaciones de requerimientos de flujo de caja hacen que la Cia. no
pueda invertir en todos los cinco proyectos.
En la tabla se listan los costos totales o salidas de caja requeridos para

invertir en cada proyecto.
Proyecto Costo esperado

nmero ( miles)
1 $ 60
2 40
3 20
4 40
5 50
La Cia. estima que tendr una disponibilidad de caja en la cantidad de

$150.000 para el prximo ao.
a) En cuales proyectos podrid invertir la Cia. el prximo ao?
Variables de decisin
Yj = 1 si el proyecto j es seleccionado j = 1, 2, 3, 4, 5.
0 si el proyecto j no es seleccionado
Y1, Y2, Y3 , Y4 y Y5 Son variables de decisin binarias.
Funcin objetivo.
La meta de la Cia. es seleccionar los proyectos que maximicen la
utilidad total esperada.
Sea Z = utilidad total esperada, entonces la funcin objetivo es

Maximizar Z = 100 Y1 + 80Y2 + 70Y3 + 60Y4 + 90Y5.
Restricciones sobre las variables de decisin.

Cantidad disponible para inversin:
60Y1 + 40Y2 + 20Y3 + 40Y4 + 50Y5 150
128
RESUMEN DEL MODELO DE PROGRAMACION ENTERA

Maximizar Z = 100Y1 + 80Y2 + 70Y3 + 60 Y4+ 90Y5
Sujeto a
60Y1 + 40Y2 + 20Y3 + 40Y4 + 50Y5 150
Yi es binaria para i = 1, 2, 3, 4, 5.
b) Suponga que la gerencia ha decidido que exactamente un

proyecto puede ser seleccionado del conjunto de proyectos P1, P3
y P5. Pero, los proyectos P2 y P4 pueden ser seleccionados
sujetos a la restriccin de presupuesto. Cul restriccin (o
restricciones) necesita ser agregada al modelo original?
Solucin.- Ya que uno de P1, P3, P5 y solo uno, puede ser

seleccionado, exactamente una de las tres variables Y1, Y3 y Y5
puede tomar el valor de uno.
Y1 + Y2 + Y3 = 1, restriccin a ser agregada
c) Suponga que la Cia. ha decidido que no ms de uno de los dos

proyectos, P2 y P4, puede ser seleccionado. Cul restriccin
adicional necesita ser agregada al modelo original?
Y2 + Y4 1. Restriccin a ser agregada
d) Suponga que la Cia. ha decidido que si P3 es seleccionado,

entonces P4 tiene que ser seleccionada. Cul restriccin
adicional necesita ser agregada al modelo original?
Solucin.-
Y3 Y4 restriccin a ser agregada
RESUMEN DEL MODELO DE PROGRAMACION ENTERA

Maximizar Z = 100Y1 + 80Y2 + 70Y3 + 60 Y4+ 90Y5
Sujeto a
60Y1 + 40Y2 + 20Y3 + 40Y4 + 50Y5 150
Y1 + Y2 + Y3 = 1
Y2 + Y4 1
Y3 - Y4 0
Yi es binaria para i = 1, 2, 3, 4, 5.
129
EJERCICIOS PROPUESTOS
1. Presupuesto de capital
Se esta evaluando el capital de cinco proyectos a lo largo de un
horizonte de planificacin de tres aos. La siguiente tabla
proporciona las utilidades para cada proyecto, y los egresos
anuales asociados
Egresos (millones US$)/ anuales
Utilidades
Proyecto 1 2 3
Mill .US.$
1 5 1 8 20
2 4 7 10 40
3 3 9 2 20
4 7 4 1 15
5 8 6 10 30
Fondos disponibles
25 25 25
Mill.US.$
Determinar los proyectos que se van a ejecutar durante un

horizonte de tres aos
2. Sea p1, p2, y p3 variables cuyos valores son 1, si se va a abrir

una planta en particular y 0 en cualquier otro caso. Escriba una
restriccin lineal separada para cada caso
a- si se abre la planta 1, entonces la planta 2 no debera abrirse

b- si se abre la planta 1, entonces la planta 2 debera abrirse
c- al menos una de las tres plantas debera abrirse
d- no ms de dos de las tres plantas deberan abrirse
e- si ni la planta 2 ni la planta 3 se abre, entonces la planta 1,
no debera abrirse
f- si se abre la planta 1 o la planta 3 no se abre, entonces la
planta 2 debe abrirse
3. Inversiones
La junta de directores estudia el conjunto de inversiones, donde Ri
y Ci representan el rendimiento total y el costo de la inversin i.
Se quiere maximizar no ms de M dlares en total. Determinar un
plan ptimo de inversin.
130
inversin Condiciones
1 Ninguna
2 Slo si 1
3 Slo si 2
4 Se har si 1 y 2
5 No si 1 o 2
6 No si 2 y 3
7 Solo si 2 y no 3
4. La ciudad de Lima piensa reubicar subestaciones de polica para

obtener una mejor vigilancia en reas de alta criminalidad. Las
ubicaciones bajo consideracin junto con las reas que pueden
ser cubiertas a partir de dichas ubicaciones son:
Ubicacin potencia de las

reas cubiertas
subestaciones
A 1.5.7
B 1.2.5.7
C 1.3.5
D 2.4.5
E 3.4.6
F 4.5.6
G 1.5.6.7
Formular un modelo de programacin de enteros que se pudiera

utilizar para encontrar el nmero mnimo de localizaciones
necesarias a fin de proporcionar cobertura para todas las reas.
5. El Congreso est en proceso de formar un comit para que

maneje las quejas de los estudiantes. Las instrucciones recibidas
de la administracin son incluir por lo menos una mujer, un
hombre, un estudiante, un administrador y un miembro del
profesorado. Diez personas ha sido nominadas identificadas para
simplificar, por las letras A a la J. La mezcla de estas personas en
las diferentes categoras se da as:
Categora Personas
Mujeres A,b,c.d,e
Hombres F,g,h,i,j
Estudiantes A,b,c,j
Administradores E,f
Profesorado D,g,hi
El Congreso desea formar el comit mas reducido posible y, al

mismo tiempo, garantizar la representacin de cada una de las
cinco categoras. Formular el modelo.
131
5. MAYORISTA CORP, fabrica 2 productos A y B. Cada unidad de

producto A requiere 1 hora de servicio de ingeniera, 8 horas de
mano de obra directa y 4 libras de material. Una unidad de B
necesita 3 horas de ingeniera, 3 horas de mano de obra directa y
2 libras de material. Se dispone de 800 horas de ingeniera, 880
horas de manos de obra directa y 3000 libras de material cada
mes.
Utilidades
Producto A Utilidad unitaria Producto A Utilidad unitaria

Venta de unidades $ Venta de unidades $
0-40 10
0-50 6
40-100 9
50-100 4
100-150 8
100-ms 3
150-ms 6
Determinar un plan ptimo para maximizar la utilidad mensual
6. Programacin en una aerolnea

Lan Per. Desea programar no ms de un vuelo desde Lima
hasta cada una de las siguientes ciudades: Arequipa, Cusco,
Trujillo y Iquitos, Los horarios de salida disponibles son 8, 10, 12
de la maana. Lan Per arrienda los aviones al costo de $5000
hasta la 10am, y de $3000 despus de las 10 y est en posibilidad
de arrendar cuando mucho 2 por horario de salida. La tabla
muestra las utilidades esperadas por vuelo antes de los costos de
arrendamientos. Determinar un plan ptimo de vuelos
Tabla de utilidades en millares de dlar
8 am 10 am 12 am
Arequipa 10 6 6
Cusco 9 10 9
Trujillo 14 11 10
Iquitos 18 15 10
7. Instalacin
Cada da un electricista debe decidir que generadores conectar.
Tiene 3 generadores. Hay dos perodos en el da. En el primer
perodo se necesitan 2900 MEGAWATTS. En el segundo, 3900
MW. Un generador que se conecte para el primer perodo puede
ser usado en el segundo sin causar un nuevo gasto de conexin.
132
Todos los generadores principales como lo son A, B y C son

apagados al trmino del da. Formular el modelo
Costo fijo de Costo por perodo Capacidad mxima por

Generador
conexin por MW usado perodo MW
A $3.000 $5 2.100
B $2.000 $4 1.800
C $1.000 $7 3.000
8. Natacin. El entrenador de natacin debe asignar competidores

para la prueba de 200 metros combinados por equipos para
mandarlos a las olimpiadas juveniles. En la siguiente tabla se
muestra los cinco mejores nadadores y sus mejores tiempos en
segundos
Tipo nado Carl Cristina David Antonio Jos

Dorso 37.7 32.9 33.8 37.0 35.4
Pecho 43.4 33.1 42.2 34.7 41.8
Mariposa 33.3 28.5 38.9 30.4 33.6
Libre 29.2 26.4 29.6 28.5 31.1
Determinar la mejor asignacin para minimizar la suma de los

mejores tiempos
133
134
BIBLIOGRAFA
G.D.EPEN, F.JGOULD, C.P SCHMIDT, JEFFREY H MOORE, LARRY

R. WEATHERFORD. (2000). Investigacin de Operaciones. En la
ciencia administrativa. Quinta edicin. Prentice Hall, Mxico.
HILLIER FREDERIC, LIEBERMAN GERALD. (2004). Investigacin de

Operaciones. Mc Graw-Hill Interamericana. Editores, S.A. de CV.
RIOS INSUA SIXTO, RIOS INSUA DAVID, CABALLERO ALFONSO,

JIMENEZ JACINTO. (1997). Programacin Lineal y Aplicaciones.
Ejercicios resueltos. Alfaomega Grupo Editor, Espaa.
SWEENEY, ANDERSON, WIILIAMS (1998). Mtodos Cuantitativos

para los negocios. Sptima Edicin. Internacional Thomson Editores,
Mxico
TAHA, HAMDY A. (1998). Investigaciones de Operaciones. Una

introduccin. Sexta Edicin. Prentice Hall. S.A. Mxico
WINSTON WAYNE. (1994). Investigacin de Operaciones. Aplicaciones

y Algoritmos. Grupo Editorial Iberoamericana. Mxico.
135

Utp Io PDF

Cargado por

Copyright:

Formatos disponibles

Utp Io PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Utp Io PDF

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD TECNOLGICA DEL PER

INGENIERA INDUSTRIAL, INGENIERA DE SISTEMAS

TEXTOS DE INSTRUCCIN BSICOS (TINS) / UTP

Elaboracin del TINS: Ing. Csar Canelo Sotelo

Diseo y Diagramacin: Julia Saldaa Balandra

Soporte acadmico: Instituto de Investigacin

Produccin: Imprenta Grupo IDAT

Queda prohibida cualquier forma de reproduccin, venta, comunicacin pblica y

El presente material contiene una compilacin de obras de Optimizacin

ste material es de uso exclusivo de los alumnos y docentes de la

El asunto del presente texto est engastado en el espacio ilimitado de la

Producto que tom el nombre de Investigacin de Operaciones, compuesto

En este contexto, la educacin superior universitaria ha integrado en los

Con tal mtodo, mediante un acucioso trabajo acadmico de recopilacin y

El acopio y seleccin de materias pertinentes a la Asignatura, arriba

El captulo 1 trata sobre la descripcin del modelo de programacin lineal,

El captulo 2 complementa el captulo uno con la construccin de modelos

El captulo 3 explica el mtodo general para hallar una o varias soluciones

En el captulo 4 se explica la dualidad de un programa lineal. Si la funcin

El captulo 5 trata acerca del anlisis de sensibilidad que se puede hacer al

En el captulo 6 se aborda el modelo de programacin lineal entera. La

El contenido del texto representa el esfuerzo acadmico de los profesores

LUCIO HERACLIO HUAMN URETA

BIBLIOGRAFA ............................................................................... 135

3 Formulacin de problemas con P.L. 3 04

Solucin del modelo P.L.: Regin Factible y

Simplex revisado: Inversin explcita de la

17 Programacin entera: Formulacin. 17 04

Mtodos de solucin de problemas de

Un modelo de programacin lineal busca el objetivo de maximizar

Un modelo de programacin lineal esta compuesto de lo siguiente:

Para formular un modelo de programacin lineal primero se debe

Con esto podemos:

Tambin incluye restricciones de no negatividad de las variables: X1, X2,

1.2. FORMULACIN Y SOLUCIN GRFICA DE UN EJERCICIO DE

Precio de compra Precio de venta

Procedimiento de Solucin (Mtodo Grfico)

Formulacin del Ejercicio

Grfica en el Plano Cartesiano

(0,1200) R2 X2 < 1200

En el plano cartesiano de la izquierda de la grfica 1, primero se dibuja la

Con el mismo procedimiento se dibuja la recta X2=1200, que se muestra

Por ltimo graficamos la tercera restriccin el cual restringe an ms el

Regin factible es el conjunto de puntos que satisface todas las

Se llaman puntos extremos a los vrtices de la regin de factibilidad.

Maximizar Z = 0.30 X1 + 0.20 X2 en la regin factible

Se debe dibujar el contorno de la funcin objetivo (lnea iso-beneficio)

X2 Grfica 3 0.30 Pendiente de la

Z1 = 0.30 (0) + 0.20 (0) = 0

1.3. PROBLEMAS RESUELTOS: FORMULADOS Y CON SOLUCION

1.3.1 CREDIFONDO, una empresa que administra fondos mutuos, tiene

SOLUCION CON WINQSB:

1.3.2. INTERBANK tiene un total de $20 millones asignados a

cantidad total de los prstamos de cada tipo que debe realizar

SOLUCION CON WINQSB:

1.3.3. MAQUINASA es una pequea fbrica situada en los alrededores

Horas Requeridas Horas

SOLUCION CON WINQSB:

1.3.4. Una dietista del hospital Rebagliati es responsable de la