GUIA DE ESTUDIO PARA

PROGRAMACIN LINEAL
APLICADA.

Contenido

UNIDAD I.FORMULACIN DE MODELOS DE

PROGRAMACIN LINEAL.
UNIDAD II.MTODOS DE SOLUCIN.
UNIDAD III. DUALIDAD Y NALISIS DE SENSIBILIDAD.

FORMULACIN DE
MODELOS DE
PROGRAMACIN LINEAL.

Qu es la programacin lineal?.
Es una de las tcnicas agrupadas como
programacin matemtica, aplicable a problemas
de asignacin de recursos limitados, con
actividades competitivas hacia un objetivo comn,
que puede ser de maximizar beneficios (por
ejemplo utilidades o bien rendimientos); tambin
se puede desear minimizar el esfuerzo (por
ejemplo los costos, el personal asignado a tareas,
o el desperdicio en procesos). Se usa un modelo
matemtico con representacin vlida de la
problemtica en estudio; sus relaciones deben ser
lineales o de "lnea recta", que significa utilizar,
slo una variable de primer grado en cada trmino.

Caractersticas

Se busca
una
combinaci
n de
recursos.

Se deben
satisfacer
varios
criterios.

Se identifica
un criterio
como el
objetivo.

Ubicacin de la IO en las
Organizaciones
La investigacin de operaciones ha tenido un impacto impresionante en el
mundo, al mejorar la eficiencia de muchas organizaciones. Ha hecho
contribuciones significativas al incremento de la productividad dentro de la
economa de muchos pases, de ellos ms de 30 que son miembros de la
International Federation of Operational Research Societies (IFORS). Al inicio de
la dcada de los 90, el U.S. Bureau of Labor Statistics predijo que la IO sera la
3 rea profesional, de ms rpido crecimiento para los egresados graduados
entre 1990 y 2005 en Estados Unidos, con 100,000 personas laborando como
analistas de IO en el 2005.

El problema de la localizacin de un grupo de IO dentro de la empresa ha

merecido una gran atencin, sin embargo, no hay una posicin preferida para
las organizaciones; pero se puede decir que los que han tenido xito
dependen de los niveles jerrquicos superiores de la institucin, lo cual da
una base firme para su funcionamiento con obligaciones de enfrentar los
problemas de tomar decisiones y de utilidad inmediata para la administracin.
Teniendo el respaldo de la autoridad superior con prestigio dentro de la
empresa, se podrn cruzar los linderos departamentales y obtener la
informacin necesaria para dar soluciones.

Ubicacin de la IO en las
Organizaciones
Generalmente el grupo de IO se asocia con el de sistemas de procesamiento de
datos, pues el acceso a las computadoras es el apoyo indispensable para sus
actividades, por lo que no es raro que estn integrados dada la posibilidad de tener
el mejor manejo de la informacin deseada y ordenada como convenga. De este
modo ambos grupos, el de IO y el de sistemas de procesamiento de datos, se
complementan en trminos de los objetivos de la institucin.

Para la mayora de los estudios de IO, se recomienda un equipo compuesto de

analistas y de personal involucrado en el problema que se enfrenta, este grupo
informa a un Comit Directivo de la Administracin integrado por los directivos
departamentales que estn afectados en el problema estudiado de IO, los cuales a
su vez se renen con la administracin superior para reportar los progresos. Los
comits allanan el camino del personal de IO para obtener la cooperacin del
personal de operacin y su aceptacin.

Metodologa
1. Identificar el
problema
(Partes y
Objetivos)

4.Verificar el
modelo y usarlo
en prediccin
(Valorar la
solucin)

2. Observar el
problema
(Informacin)

5. Seleccionar
alternativas de
solucin

3. Formular del
modelo
matemtico
(Plantear)

6. Presentar
resultados a la
organizacin

7.Implementar y
evaluar
recomendaciones

INVESTIGACION DE OPERACIONES
Clasificacin de los modelos segn
la I.O.
Modelo Matemtico
Es aquel modelo que describe el comportamiento de un sistema a
travs de relaciones matemticas y supone que todas las variables
relevantes son cuantificables. Por ende tiene una solucin optima.
Modelo de Simulacin
Es un modelo que imita el comportamiento de un sistema sobre un
periodo de tiempo dado, esta basado en observaciones estadsticas.
Este tipo de modelo entrega soluciones aproximadas.

Modelo Heurstico
Es una regla intuitiva que nos permite la determinacin de una solucin
mejorada, dada una solucin actual del modelo, generalmente son
procedimientos de bsqueda. Este tipo de modelo tambin entrega
soluciones aproximadas.

Modelo General de PL
Definicin de variables:
Sea xj = #.... ; j = 1, 2, 3....n
Funcin objetivo:
Max. o Min. z = C1X1 + C2X2 + ... + CjXj + ... + CnXn
Sujeto a restricciones: i = 1, 2, 3, ... , m
a11X1 + a12X2 + ... + a1jXj + ... + a1nXn
= b1
a21X1 + a22X2 + ... + a2jXj + ... + a2nXn
= b2

.
ai1X1 + ai2X2 + ... + aijXj + ... + ainXn
= bi

.
am1X1 + am2X2 + ... + amjXj + ... + amnXn = bm
Condiciones de signo para variables:
toda xj 0
m = # total de restricciones,
n = # de variables de decisin (originales)
Cj, aij y bi son constantes (o parmetros) dados.

MTODOS DE SOLUCIN

Ejemplo
Gepetto S.L., manufactura muecos y trenes de
madera.
Cada mueco:
Produce un beneficio neto de 3 .
Requiere 2 horas de trabajo de acabado.
Requiere 1 hora de trabajo de carpinteria.
Cada tren:
Produce un beneficio neto de 2 .
Requiere 1 hora de trabajo de acabado.
Requiere 1 hora trabajo de carpinteria.
Cada semana Gepetto puede disponer de:
Todo el material que necesite.
Solamente 100 horas de acabado.
Solamente 80 horas de carpinteria.
Tambin:
La demanda de trenes puede ser cualquiera (sin lmite).
La demanda de muecos es como mucho 40.

Gepetto quiere maximizar sus beneficios.

Cuntos muecos y cuntos trenes debe fabricar?

Este problema es un ejemplo tpico de un problema de programacin

lineal (PPL).

Variables de
Decisin
x = n de
muecos
producidos a
la
semana
y = n de trenes
producidos a
la
semana

Funcin Objetivo. En
cualquier PPL, la decisin a
tomar es como maximizar
(normalmente el beneficio) o
minimizar (el coste) de
alguna funcin de las
variables de decisin. Esta
funcin a maximizar o
minimizar se llama funcin
objetivo.

El objetivo de Gepetto es
elegir valores de x e y para
maximizar 3x + 2y.
Usaremos la variable z
para denotar el valor de la
funcin objetivo. La funcin
objetivo de Gepetto es:

Max z = 3x + 2y

Restricciones
Son desigualdades
que limitan los
posibles valores de
las variables de
decisin.
En este problema las
restricciones vienen
dadas por la
disponibilidad de
horas de acabado y
carpintera y por la
demanda de
muecos.
Tambin suele haber
restricciones de signo
o no negatividad:
x0
y0

Restricciones
Cuando x e y crecen, la funcin objetivo de Gepetto tambin
crece. Pero no puede crecer indefinidamente porque, para
Gepetto, los valores de x e y estn limitados por las siguientes
tres restricciones:
Restriccin 1: no ms de 100 horas de tiempo de acabado pueden ser
usadas.
Restriccin 2: no ms de 80 horas de tiempo de carpinteria pueden ser
usadas.
Restriccin 3: limitacin de demanda, no deben fabricarse ms de 40
Estas
tres restricciones pueden expresarse matematicamente
muecos.

por las siguientes desigualdades:

Restriccin 1:

2 x + y 100

Restriccin 2:

x + y 80

Restriccin 3:

x 40

Adems, tenemos las restricciones de signo: x 0 e y 0

Formulacin matemtica del PPL

Variables de Decisin

x = n de muecos producidos a la semana

y = n de trenes producidos a la semana

Mueco

Tren

Beneficio

Acabado

100

2 x + y 100

(acabado)

Carpintera

80

x + y 80

(carpinteria)

Demanda

40

Max z = 3x + 2y (funcin objetivo)

x
signo)
signo)

40 (demanda muecos)

(restriccin de

y 0

(restriccin de

Formulacin matemtica del PPL

Para el problema de Gepetto, combinando las restricciones de
signo x 0 e y 0 con la funcin objetivo y las restricciones,
tenemos el siguiente modelo de optimizacin:
Max z = 3x + 2y

(funcin objetivo)

Sujeto a (s.a:)
2 x + y 100 (restriccin de acabado)
x + y 80

(restriccin de carpinteria)

40

(restriccin de demanda de muecos)

(restriccin de signo)

y 0

(restriccin de signo)

Regin factible
La regin factible de un PPL es el conjunto de todos los puntos
que satisfacen todas las restricciones. Es la regin del plano
delimitada por el sistema de desigualdades que forman las
restricciones.
x = 40 e y = 20 est en la regin
factible porque satisfacen todas
las restricciones de Gepetto.
Sin embargo, x = 15, y = 70 no
est en la regin factible porque
este punto no satisface la
restriccin de carpinteria
[15 + 70 > 80].

Restricciones de Gepetto
2x + y 100 (restriccin
finalizado)
x + y 80
carpintera)

(restriccin

x
40
demanda)

(restriccin

0
y 0

(restriccin signo)
(restriccin signo)

Solucin ptima
Para un problema de maximizacin, una
solucin ptima es un punto en la regin
factible en el cual la funcin objetivo tiene un
valor mximo. Para un problema de
minimizacin, una solucin ptima es un punto
en la regin factible en el cual la funcin objetivo
tiene un valor mnimo.
La mayora de PPL tienen solamente una
solucin ptima. Sin embargo, algunos PPL no
tienen solucin ptima, y otros PPL tienen un
nmero infinito de soluciones.

Se puede demostrar
que la solucin
ptima de un PPL
est siempre en la
frontera de la
regin factible, en
un vrtice (si la
solucin es nica) o
en un segmento
entre dos vrtices
contiguos (si hay
infinitas soluciones)

Ms adelante veremos que la solucin del PPL de

Gepetto es x = 20 e y = 60. Esta solucin da un
valor de la funcin objetivo de:
z = 3x + 2y = 320 + 260 = 180
Cuando decimos que x = 20 e y = 60 es la solucin ptima,
estamos diciendo que, en ningn punto en la regin factible, la
funcin objetivo tiene un valor (beneficio) superior a 180.

Representacin GrficaY de las restricciones

Cualquier PPL con slo dos
variables puede resolverse
grficamente.
Por ejemplo, para representar
grficamente la primera
restriccin, 2x + y 100 :
Dibujamos la recta 2x + y = 100
Elegimos el semiplano que
cumple la desigualdad: el
punto (0, 0) la cumple
(20 + 0 100),
as que tomamos el
semiplano que lo contiene.

100

2x + y = 100

80

60

40

20

20

40

60

80

Dibujar la regin factible

Puesto que el PPL de Gepetto tiene dos variables, se puede resolver
grficamente. La regin factible es el conjunto de todos los puntos
que satisfacen las restricciones:
2 x + y 100 (restriccin de acabado)
x + y 80

(restriccin de carpintera)

40 (restriccin de demanda)

(restriccin de signo)

y 0

(restriccin de signo)

Vamos a dibujar la regin factible que satisface estas restricciones.

Dibujar la regin factible

Y

Restricciones

2x + y = 100

100

2 x + y 100
x + y 80
x

40

80

60

y 0
40

Teniendo en
cuenta las
restricciones de
signo (x 0, y
0), nos queda:

20

20

40

60

80

Dibujar la regin factible

Y

100

Restricciones

80

2 x + y 100
x + y 80
x

40

60

x + y = 80

40

y 0
20

20

40

60

80

Dibujar la regin factible

Y

100

Restricciones

80

x = 40

2 x + y 100
x + y 80
x

40

0
y 0

60

40

20

20

40

60

80

Dibujar la regin factible

La interseccin
de todos estos
semiplanos
(restricciones)
nos da la regin
factible

Y
2x + y = 100

100

80

x = 40

60

x + y = 80
40

20

Regin
Factible

20

40

60

80

Vrtices de la regin factible

La regin factible (al
estar limitada por
rectas) es un polgono.
En esta caso, el
polgono ABCDE.
Como la solucin
ptima est en alguno
de los vrtices (A, B,
C, D o E) de la regin
factible, calculamos
esos vrtices.

Restricciones

2 x + y 100
100

80

60

x + y 80

2x + y = 100

40

x = 40

y 0

D
x + y = 80

40

20

Regin
Factible

C
B

20

40

60

80

Vrtices de la regin factible

Los vrtices de la regin
factible son intersecciones de
dos rectas. El punto D es la
interseccin de las rectas
2x + y = 100
x + y = 80
La solucin del sistema x = 20,
y = 60 nos da el punto D.

100
2x + y = 100
80

E(0, 80)

x = 40

D(20, 60)
60

B es solucin de
x = 40
y=0
C es solucin de
x = 40
2x + y = 100
E es solucin de
x + y = 80
x=0

40

20

Regin
Factible

C(40, 20)
x + y = 80

B(40, 0)
A(0, 0)

20

40

60

80

Resolucin grfica
Max z = 3x +
2y

Para hallar la
solucin ptima,
dibujamos las
rectas en las
cuales los puntos
tienen el mismo
valor de z.
La figura muestra
estas lineas para
z = 0, z = 100, y z
= 180

100

80

(0, 80)
(20, 60)

60

40

20

Regin
Factible

(40, 20)
(40, 0)

(0, 0)

20

z=0

40

z = 100

60

80

z = 180

Resolucin grfica
Max z = 3x +
2y
La ltima recta
de z que
interseca (toca)
la regin factible
indica la solucin
ptima para el
PPL. Para el
problema de
Gepetto, esto
ocurre en el
punto D (x = 20,
y = 60, z = 180).

100

80

(0, 80)
(20, 60)

60

40

20

Regin
Factible

(40, 20)
(40, 0)

(0, 0)

20

z=0

40

z = 100

60

80

z = 180

Resolucin analtica
Max z = 3x +
2y
Tambin
podemos encontrar la
solucin ptima calculando el
valor de z en los vrtices de la
regin factible.
Vrtice
(0, 0)
(40, 0)
(40, 20)
(20, 60)
(0, 80)

z = 3x + 2y
z = 30+20 = 0
z = 340+20 = 120
z = 340+220 = 160
z = 320+260 = 180
z = 30+280 = 160

100

80

(0, 80)
(20, 60)

60

40

20

La solucin ptima es:

x = 20 muecos
y = 60 trenes
z = 180 de beneficio

Regin
Factible

(40, 20)
(40, 0)

(0, 0)

20

40

60

80

Hemos identificado la regin factible

para el problema de Gepetto y
buscado la solucin ptima, la cual
era el punto en la regin factible con
el mayor valor posible de z.

Recuerda que:
La regin factible en cualquier PPL
est limitada por segmentos (es un
polgono, acotado o no).
La regin factible de cualquier PPL
tiene solamente un nmero finito de
vrtices.
Cualquier PPL que tenga solucin
ptima tiene un vrtice que es ptimo.

Un problema de minimizacin

Dorian Auto fabrica y vende coches y

furgonetas.La empresa quiere emprender
una campaa publicitaria en TV y tiene
que decidir comprar los tiempos de
anuncios en dos tipos de programas: del
corazn y ftbol.
Cada anuncio del programa del corazn es visto por 6 millones de
mujeres y 2 millones de hombres.
Cada partido de ftbol es visto por 3 millones de mujeres y 8 millones de
hombres.
Un anuncio en el programa de corazn cuesta 50.000 y un anuncio del
ftbol cuesta 100.000 .
Dorian Auto quisiera que los anuncios sean vistos por por lo menos 30
millones de mujeres y 24 millones de hombres.
Dorian Auto quiere saber cuntos anuncios debe contratar en cada tipo de
programa para que el coste de la campaa publicitaria sea mnimo.

Formulacin del problema:

Cada anuncio del programa del
corazn es visto por 6 millones de
mujeres y 2 millones de hombres.
Cada partido de ftbol es visto
por 3 millones de mujeres y 8
millones de hombres.
Un anuncio en el programa de
corazn cuesta 50.000 y un
anuncio del ftbol cuesta 100.000
.
Dorian Auto quisiera que los
anuncios sean vistos por por lo
menos 30 millones de mujeres y
24 millones de hombres.
Dorian Auto quiere saber cuntos
anuncios debe contratar en cada
tipo de programa para que el
coste de la campaa publicitaria
sea mnimo.

Corazn
(x)

Ftbol
(y)

mujeres

6x + 3y
30

hombres

2x + 8y
24

Coste
1.000

50

100

50x +100y

Formulacin del problema:

Variables de decisin: x = n de anuncios en programa de corazn
y = n de anuncios en ftbol

Min z = 50x + 100y

(funcin objetivo

s.a:

(mujeres)

6x + 3y 30

2x + 8y 24
x, y 0

(hombres)

(no negatividad)

en 1.000

Dibujamos la regin
factible.
Y

14

Min z = 50 x + 100y
s.a. 6x + 3y 30
2x + 8y 24
x, y 0

12

6x + 3y =
30

10
8
6
4

2x + 8y =
24

4
14

10

12

Calculamos los vrtices de la regin

factible:
La regin factible
El vrtice A es solucin del
sistema
6x + 3y = 30
x=0
Por tanto, A(0, 10)

14
12
10

El vrtice B es solucin de
6x + 3y = 30
2x + 8y = 24
Por tanto, B(4, 2)

no est acotada

Regin
Factible

8
6
4

El vrtice C es solucin de
2x + 8y = 24
y=0
Por tanto, C(12, 0)

C
2

4
14

10

12

Resolvemos por el mtodo analtico

Evaluamos la funcin objetivo z en los vrtices.

Vrtice

z = 50x + 100y

A(0, 10)

z = 500 + 10010 =
= 0+10000 = 10 000

B(4, 2)

z = 504 + 1002 =
= 200+200 = 400

z = 5012 + 1000 =
C(12, 0)
= 6000+0 = 6 000
El coste mnimo se obtiene en B.
Solucin:
x = 4 anuncios en pr. corazn
y = 2 anuncios en futbol
Coste z = 400 (mil )

Y
14
12
10

A(0, 10)

Regin
Factible

8
6
4

B(4, 2)

C(12, 0)
2

4
14

10

12

Resolvemos por el mtodo grfico

Y

Min z = 50 x + 100y
s.a. 6x + 3y 30

14

2x + 8y 24
12

x, y 0

10

El coste
mnimo se
obtiene en el
punto B.

Z = 600
Z = 400

A(0, 10)

Regin
Factible

8
6
4

Solucin:
x = 4 anuncios en pr. corazn
y = 2 anuncios en futbol
Coste z = 400 (mil )

B(4, 2)

C(12, 0)
2

4
14

10

12

Nmero de Soluciones de un PPL

Los dos ejemplos anteriores, Gepetto y Dorian Auto,
tienen, cada uno, una nica solucin ptima.
No en todos los PPL ocurre esto. Se pueden dar tambin
las siguientes posibilidades:
Algunos PPL tienen un nmero infinito de soluciones ptimas
(alternativas o mltiples soluciones ptimas).
Algunos PPL no tienen soluciones factibles (no tienen regin
factible).
Algunos PPL son no acotados: Existen puntos en la regin
factible con valores de z arbitrariamente grandes (en un
problema de maximizacin).

Veamos un ejemplo de cada caso.

Nmero infinito de soluciones ptimas

Y

Consideremos el siguiente
problema:

60

50

max z = 3x + 2y
s.a:

3x + 2y 120
x + y 50
x,y0

40

30

Cualquier punto (solucin)

20
situado en el segmento AB
puede ser una solucin ptima
10
de z =120.

Regin
Factible

B
z = 120

z = 60
z = 100

A
10

20

30

40

50

Sin soluciones factibles

Y
Consideremos el siguiente
problema:
max z = 3x1 + 2x2

60

No existe
Regin Factible
50

x 30

s.a:

3x + 2y 120
x + y 50
x
30
y 30
x,y0

40

y 30

x + y 50
30

20

3x + 2y 120

10

No existe regin factible

10

20

30

40

50

PPL no acotado
max z = 2x y
s.a:

xy1

Y
6

Regin Factible

2x + y 6
x, y 0

La regin factible es no
acotada. Se muestran en
el grfico las rectas de
nivel para z = 4 y z = 6.
Pero podemos desplazar
las rectas de nivel hacia
la derecha
indefinidamente sin
abandonar la regin
factible. Por tanto, el
valor de z puede crecer
indefinidamente.

z=4
3

z=6
1

EL MTODO SIMPLEX
Es un mtodo genrico de solucin de problemas
lineales, desarrollado por George Dantzig en 1947.
Como tal, el mtodo simplex es un procedimiento
algebraico, pero puede entenderse ms fcilmente
como un mtodo geomtrico.
Antes de
Simplex,
hacerse a
el Mtodo

explicar los aspectos geomtricos del

veremos el tratamiento que debe
cualquier modelo de PL antes de aplicar
Simplex sobre l para solucionarlo.

Conversin de modelos de PL a la
Forma Estndar
Todo modelo de PL, para efectos de resolverse con el Mtodo
Simplex, debe llevarse a una Forma Estndar con las siguientes
caractersticas:
1. El lado derecho de las ecuaciones debe ser no-negativo
2. Todas las restricciones deben convertirse a Ecuaciones
3. Todas las variables deben ser no-negativas
EJEMPLO: Maximizar Z = 2x1 + 3x2 + x3
Sujeto a:

x1 + x2 + x3 = 10

-2x1 + 3x2 + 2x3 -5

7x1 - 4x2 + 5x3 6
x1 + 4x2 + 3x3 8
x1 no restringida, x2 0, x3 0

Conversin de modelos de PL a la
Forma Estndar
Maximizar Z = 2x1 + 3x2 + x3
Sujeto a: x1 + x2 + x3 = 10

Maximizar Z = 2x1 + 3x2 + x3

Sujeto a: x1 + x2 + x3 = 10

-2x1 + 3x2 + 2x3 -5

2x1 - 3x2 - 2x3 5

7x1 - 4x2 + 5x3 6

7x1 - 4x2 + 5x3 6

x1 + 4x2 + 3x3 8

x1 + 4x2 + 3x3 8

x1 no restringida, x2 0, x3 0

x1 no restringida, x2 0, x3 0

2
Maximizar Z = 2x1 3x2 + x3
Sujeto a: x1 x2 + x3 = 10

Maximizar Z = 2x1 + 3x2 + x3

3a Sujeto a: x1 + x2 + x3 = 10

2x1 + 3x2 - 2x3 S1 = 5

2x1 - 3x2 - 2x3 S1 = 5

7x1 + 4x2 + 5x3 + S2 = 6

7x1 - 4x2 + 5x3 + S2 = 6

x1 - 4x2 + 3x3 S3 = 8
x1 no restringida, x2 0, x3 0, S10,
S20, S30

x2=-x2

x1 + 4x2 + 3x3 S3 = 8
x1 no restringida, x2 0, x3 0, S10,
S20, S30

Conversin de modelos de PL a la
Forma Estndar
Maximizar Z = 2x1 3x2 + x3
Sujeto a: x1 x2 + x3 = 10
2x1 + 3x2 - 2x3 S1 = 5
7x1 + 4x2 + 5x3 + S2 = 6
x1 - 4x2 + 3x3 S3 = 8
x1 no restringida, x2 0, x3 0, S10,
S20, S30

Forma Estndar donde:

S1 y S3 Variables de Exceso
S2 Variable de Holgura

3b
x1= x1 x1
Maximizar Z = 2x1 2x1 - 3x2 + x3
Sujeto a: x1 x1 x2 + x3 = 10
2x1 2x1 + 3x2 - 2x3 S1 = 5
7x1 7x1 + 4x2 + 5x3 + S2 = 6
x1 x1 - 4x2 + 3x3 S3 = 8
x1 0, x1 0, x2 0, x3 0, S10,
S20, S30

Soluciones Bsicas
EJEMPLO: Minimizar Z = -3x1 - 5x2
Sujeto a:

x1 4

Minimizar Z = -3x1 - 5x2

Forma
Estnda
r

2x2 12

Sujeto a: x1 + S1 = 4
2x2 + S2 = 12

3x1 + 2x2 18

3x1 + 2x2 + S3 = 18

x1 , x2 0

x1 , x2 , S1, S2, S3 0

x1

x2

s1

s2

s3

12

18

-9

-6

-2

12

12

El Mtodo Simplex observa

el conjunto de ecuaciones
resultantes en la forma
estndar, y dado que hayan
m ecuaciones y n
incognitas (en este caso m = 3
y n = 5) le corresponde hacer
(n-m) variables iguales a
cero para poder tener
soluciones consistentes. Las
soluciones que logra de esta

Soluciones Bsicas Factibles (SBF)

x1

x2

s1

s2

s3

P1

12

18

Fact

P2

Fact

P3

-9

NO

P4

-6

NO

P5

Fact

P6

Fact

P7

-2

12

NO

P8

12

Fact

Los puntos resaltados con verde representan

Soluciones Bsicas Factibles ya que
cumplen con todas las restricciones. Los
dems puntos violan restricciones de nonegatividad. El Mtodo Simplex
nicamente considera para su
SBF.
Juananlisis
Jos Bravolas
B., M.Sc.

Las SBF son los

vrtices de la Regin
Factible y por tanto
all estar el ptimo.

Bsqueda Geomtrica del Optimo

P5
P2

P6
P8

Punto
Factibles

Puntos
Adyacente
s

Valor Z en
el Punto

Valor Z en los Adyacentes

P1

P2 y P8

Z=0

P2 (Z = -30) y P8 (Z = -12)

P2

P1 y P5

Z = -30

P1 (Z = 0) y P5 (Z = -36)

P5

P2 y P6

Z = -36

P2 (Z = -30) y P6 (Z = -27)

P6

P5 y P8

Z = - 27

P5 (Z = -36) y P8 (Z = -12)

P8

P1 y P6

Z = -12

P1 (Z = 0) y P6 (Z = -27)

P1
El Mtodo Simplex inicia explorando uno de los puntos, usualmente
el origen (en este caso P1), y saltar a un punto adyacente slo si ste
salto mejora el valor de Z.
Si estando en un punto se determina que ninguno de los adyacentes a
l mejora el valor de Z, entonces se ha encontrado el ptimo.
En este caso el ptimo es el punto P5, y se encuentra en 3
iteraciones (P1 P2 P5).Juan Jos Bravo B., M.Sc.

Simplex Tabular
Minimizar Z = -3x1 - 5x2

El Mtodo Simplex inicia en el punto

P1, que corresponde a la Tabla 1.

Sujeto a: x1 + S1 = 4
2x2 + S2 = 12
3x1 + 2x2 + S3 = 18

P1

x1 , x2 , S1, S2, S3 0

x1

x2

s1

s2

s3

12

18

Variables
No
Bsicas

Tabla 1

Variable
s
Bsicas

Variables
Bsicas

Coeficientes en la
Funcin Objetivo
(Cj)

x1

x2

S
1

S2

S3

Solucin
(R.H.S.)

S1

S2

12

S3

18

Zj - Cj

Coeficientes de
las

Valor Objetivo

Simplex Tabular
Ya obtenida la Tabla 1, el
Para ello observamos el
Mtodo Simplex se pregunta:
rengln (Zj Cj), que
La Tabla 1 es ptima? (es
da slo informacion de
decir, el punto P1 es
las Variables No Basicas
ptimo?).
Criterio de
Parada
Si todos los valores
Para Minimizacin
del rengln (Zj Cj)
Si un valor del rengln (Zj Cj) es
0 entonces la
positivo, indica que al darle valores a la
Tabla es ptima
variable no bsica respectiva, mejora la

Debe ingresar a la
solucin la Variable
No Basica que tenga
el mayor valor
positivo en el rengln
(Zj Cj)

funcin objetivo.
Si un valor del rengln (Zj Cj) es
negativo, indica que al darle valores a la
variable no bsica respectiva empeora la
funcin objetivo.
Si un valor del rengln (Zj Cj) es cero,
indica que al darle valores a la variable no
bsica respectiva, no hay cambio en la
Criterio de
funcin objetivo.

Simplex Tabular
Tabla 1

Columna
entrante

Variables
Bsicas

Coeficientes en
la Funcin
Objetivo (Cj)

x1

x2

S1

S2

S3

Solucin
(R.H.S.)

Razn
Mnima
()

S1

S2

12

12/2 = 6

S3

18

18/2 = 9

Zj - Cj

sale
S2
Para darle valores a la
variable X2 (es decir,
volver bsica a X2),
debe salir de la
solucin actual una de
las variables bsicas
(es decir, una de ellas
deber volverse no
basica cero).

Para saber cual

variable bsica
actual sale, el
Criterio de
Salida es con
base en la Razn
Mnima ()

Se calcula dividiendo
el elemento de la
columna R.H.S con el
elemento de la
columna entrante,
siempre que el
elemento de esta
ltima columna sea
positivo.

Simplex Tabular

Tabla 1
Variables
Bsicas

Coeficientes en la
Funcin Objetivo (Cj)

x1

x2

S1

S2

S3

Solucin
(R.H.S.)

S1

S2

12

S3

18

1 0
0 1/ 2
0 0
0 0

0 4
0 6
1 18

0 0

Zj - Cj

1
0

0
2
2
5

1
0
0
0

0
1
0
0

0 4
0 12
1 18

0 0

r2 / 2

1
0

0
1
2
5

r4 -5r2
r3 -2r2

1 0 1
0 1 0

4
6
3 0 0
1 1
6

3 0 0 5 / 2 0 30
0
1/ 2

Tabla 2
Variables
Bsicas

Coeficientes en la
Funcin Objetivo (Cj)

x1

X2

S1

S2

S3

Solucin
(R.H.S.)

S1

x2

-5

1/2

S3

-1

-5/2

-30

Zj - Cj

3 Bravo
0 B., M.Sc.
0
Juan Jos

0
0

Simplex Tabular

Tabla 2
Variable
s
Bsicas

Coeficientes en la
Funcin Objetivo
(Cj)

x1

X2

S1

S2

S3

Solucin
(R.H.S.)

Razn

S1

4/1 =4

x2

-5

1/2

S3

-1

6/3 =2

-5/2

-30

S3

Solucin
(R.H.S.)

x1
P2

Zj - Cj

x2

s1

s2

s3
6

Fact

Tabla 3
Variables
Bsicas

Coeficientes en la
Funcin Objetivo (Cj)

x1

S1

1/3

-1/3

x2

-5

1/2

x1

-3

-1/3

1-3

-3/2

-1

-36

Zj - Cj

P5

x1

x2

s1

s2

X2

S1

S2

s3

Juan
0 Jos Bravo
0 B., M.Sc.
Fact

Tabla
OPTIMA

El Simplex y las Variables Artificiales

Minimizar Z = 4x1 + x2
Sujeto a: 3x1 + x2 = 3

Estandarizacin
Tradicional

Minimizar Z = 4x1 + x2
Sujeto a: 3x1 + x2 = 3

4x1 + 3x2 6

4x1 + 3x2 S2 = 6

x1 + 2x2 4

x1 + 2x2 + S3 = 4

x1 , x2 0

x1 , x2,S2, S3 0

Puede Lograrlo con este

ejemplo?
En general, las restricciones de
= y de generan problemas
al Simplex al momento de
construir la tabla inicial que
arranca el procedimiento. En
cambio cuando las restricciones
son de no existen estos
inconvenientes y el metodo puede

Como n=4 y m=3, el Simplex

hace n-m variables cero
(en este caso una) para crear
un sistema de ecuaciones
consistente que arroje una
Solucion Inicial Inmediata
y Factible .
El Simplex soluciona estos
inconvenientes de arranque
creando Variables Artificiales.

El Simplex y las Variables Artificiales

Min Z = 4x1 + x2

Min Z = 4x1 + x2

Sujeto a: 3x1 + x2 = 3

Sujeto a:

4x1 + 3x2 6

3x1 + x2 = 3

x1 + 2x2 4

4x1 + 3x2 S2 = 6

x1 , x2 0

x1 + 2x2 + S3 = 4
x1 , x2,S2, S3 0

La Tabla Simplex Inicial se construye

teniendo en cuenta que en el rengln (Zj
Cj) las variables bsicas tienen
necesariamente valores de cero.

Tenga en cuenta que en la Tabla 1:

- Variables No Bsicas: x1, x2, s2
- Variables Bsicas: R1, R2, S3

Min Z = 4x1 + x2 + MR1+

MR2
Sujeto a:
3x1 + x2 + R1 = 3
4x1 + 3x2 S2 + R2 = 6
x1 + 2x2 + S3 = 4
x1 , x2, S2, S3, R1, R2 0

Aqu n = 6 y m = 3,
siendo (n-m) = 3. Es
decir, al hacer 3
variables iguales a
cero sale una
Solucion Inicial
Inmediata Factible.
[Puede observar que
estas 3 variables no
bsicas iniciales deben
ser x1, x2, s2].

El Simplex y las Variables Artificiales

De la primera y segunda
restriccin:

Min Z = 4x1 + x2 + MR1+

MR2

R1 = 3 - 3x1 - x2

Sujeto a:

R2 = 6 - 4x1 - 3x2 + S2

3x1 + x2 + R1 = 3

Transformacin necesaria en la
Funcin Objetivo:

4x1 + 3x2 S2 + R2 = 6
x1 + 2x2 + S3 = 4

Min Z = 4x1 + x2 + M(3 - 3x1 - x2) +

M(6 - 4x1 - 3x2 + S2)

x1 , x2, S2, S3, R1, R2 0

Min Z = (4 - 7M) x1 - (4M - 1)x2 + MS2 +

9M

Tabla 1
Variables
Bsicas

Coeficientes en
la Funcin
Objetivo (Cj)

x1

x2

S2

S3

R1

R2

Solucin
(R.H.S.)

R1

R2

-1

S3

- (4-7M)

(4M -1)

-M

9M

Zj - Cj

El Simplex y las Variables Artificiales

Tabla 1
Variables
Bsicas

Coeficientes en
la Funcin
Objetivo (Cj)

x1

x2

S2

S3

R1

R2

Solucin
(R.H.S.)

R1

R2

-1

S3

- (4-7M)

(4M -1)

-M

9M

Zj - Cj

Tabla OPTIMA

Tabla 4
Variables
Bsicas

Coeficientes en
la Funcin
Objetivo (Cj)

X1

x2

S2

S3

R1

R2

Solucin
(R.H.S.)

X1

-1/5

2/5

2/5

X2

3/5

-1/5

9/5

S2

-1

-1/5

7/5-M

-M

17/5

Zj - Cj

NOTA: Las variables artificiales siempre deben ser al final No Bsicas, o

tener valor de cero, ya que solo
fueron creadas para arrancar el
Juan Jos Bravo B., M.Sc.
procedimiento.

El Mtodo Simplex _ CASOS

ESPECIALES Observe que una Tabla
Problema de

Optima de
MAXIMIZACION tiene
todos los valores del
rengln (Zj Cj) 0. Es
decir, el criterio funciona
a la inversa de la
Minimizacion.

mltiples
soluciones
Maximice Z = (5/2)X1 + X2
Sujeto a:
3X1 + 5X2 15
5X1 + 2X2 10
XjTabla
> 0 ; jFinal
= 1, 2
OPTIMA
Variables
Bsicas

Coeficientes en la
Funcin Objetivo (Cj)

x1

X2

S1

S2

Solucin
(R.H.S.)

S1

3.8

-0.6

X1

5/2

0.4

0.2

0.5

Zj - Cj

Entonces aqu la variable que entra es la que variable no-bsica que

tenga el valor (Zj - Cj) ms negativo. Observe la variable No Bsica x2
con un valor de 0. Si esta variable entra, la funcion objetivo
permanece inmodificable.
Mltiples Soluciones
Puede encontrarse otra
solucin con el mismo valor

Problema de solucin infinita ( No

Acotada)
Minimice Z = - X1 + X2
Sujeto a:
- X1 + X2 0
- 0,5X1 + X2 1
Xj > 0 ; j = 1, 2
Tabla Inicial
Variables
Bsicas

Coeficientes en la
Funcin Objetivo (Cj)

x1

X2

S1

S2

Solucin
(R.H.S.)

S1

-1

S2

5/2

-0.5

-1

Zj - Cj

Entra x1 pero:
Cul variable sale?
Problema sin solucin
Cuando en la Tabla Final existe como solucin una Variable
Artificial con valor mayor que cero.

Mtodo de Penalizacin

A continuacin agregamos las variables no negativas x_{3} (holgura

restriccin 1), r_{1} (auxiliar restriccin 2), x_{4} (exceso restriccin
3) y r_{2} (auxiliar restriccin 3). El modelo ahora es:

Donde el parmetro M es una constante positiva suficientemente

grande para representar una penalizacin adecuada en la funcin
objetivo. La tabla inicial del mtodo esta dada por:

Antes de continuar con las iteraciones se debe procurar que el

costo reducido de las variables r_{1} y r_{2} sean ceros. Para
ello multiplicamos por -M la fila 2 y la fila 3 y luego sumamos a
la fila 4, obteniendo lo siguiente:

Ahora debemos seleccionar que variable no bsica ingresa a la base. El

menor costo reducido corresponde a la variable x_{1} en consecuencia
dicha variable ingresa a la base. Luego calculamos el mnimo coeficiente
en dicha columna:

el cual se alcanza en la fila 1, por tanto la variable x_{3} deja la base. Se

actualiza la tabla:

Siguiendo con las iteraciones ahora la variable x_{2} entra a la

base. El criterio de factibilidad indica que:

el cual se alcanza en la fila 1, por tanto la variable x_{3} deja la

base. Se actualiza la tabla:

Una nueva iteracin indica que x_{3} ingresa a la base. El mnimo coeficiente
la respectiva columna es:

(recordar que se omiten denominadores menores a cero). Ahora el

pivote se encuentra en la fila 2 y en consecuencia x_{4} deja la base.
Se actualiza la tabla:

Se ha alcanzado la solucin ptima con x_{1}=15/2 y

x_{2}=9/2. Notar que las variables auxiliares (r1 y r2)
son no bsicas en el ptimo. El valor ptimo es 21/4
(notar que el signo esta cambiado).

 Para una mejor comprensin de los resultados

alcanzados a continuacin se presenta la
resolucin grfica del problema haciendo uso del
software Geogebra.
El dominio de soluciones factibles corresponde a
la recta que une los vrtices A y B.
Adicionalmente se muestra la curva de nivel que
pasa por la solucin ptima (vrtice B).

DUALIDAD Y NALISIS DE
SENSIBILIDAD

Anlisis de Sensibilidad
En todos los modelos de programacin lineal los coeficientes de la
funcin objetivo y las restricciones se dan como datos de entrada o
como parmetros fijos del modelo. En los problemas reales los valores
de estos coeficientes no estn, en general, perfectamente fijados,
debido a que la mayora de ellos dependen de parmetros no
controlables, por ejemplo, futuras demandas, coste de materias
primas, costo de energa, etc. y no pueden ser predichas con
exactitud antes de que el problema sea resuelto. Tambin puede
suceder que aunque conozcamos los parmetros exactamente
estemos interesados en estudiar como varia la solucin optima si
cambiamos algn parmetro intencionadamente, a efectos de
tratamiento, ambas situaciones se resuelven de forma anloga. Cada
variacin en los valores de los datos del problema generara un nuevo
problema de programacion lineal. El anlisis de sensibilidad nos
proporcionaran herramientas para el calculo de las soluciones optimas
de los problemas obtenidos por la modificacin de los parmetros
originales del problema.

Anlisis de Sensibilidad
Los tipos de cambios de Anlisis de Sensibilidad son:

Anlisis de Sensibilidad
1. Los coeficientes de la funcin objetivo o coeficientes objetivo.
2. Los coeficientes tecnolgicos: aquellos coeficientes que afectan a
las variables de las restricciones, situados a la izquierda de la
desigualdad. Se llaman as porque
habitualmente describen
capacidades tecnolgicas en problemas de optimizacin lineal de
costes de produccin
3. Los recursos disponibles o
Right-Hand-Side: los trminos
independientes de cada restriccin, situados a la derecha de la
desigualdad.

Anlisis de Sensibilidad
Dado un problema de programacin lineal tal que:

Cuya tabla simplex final es:

do anlisis de sensibilidad para los coeficientes de la funcin ob

Las variables estructurales son aquellas con las que se planteo
originalmente el problema de programacin lineal, como lo seria: X1,
X2 y X3; pero, dentro de las variables estructurales podemos distinguir
variables bsicas (X1 y X3) (aparecen en la primera columna de la tabla
simplex final (antes descrita) y definen la solucin ptima) y variables
no bsicas ; entonces se concluye que el anlisis de sensibilidad para
los coeficientes de la funcin objetivo depende de si las variables son
bsicas o no

lisis de sensibilidad para los coeficientes de variables no bsica

Este es el anlisis ms sencillo debido a que si la variable es no bsica,
entonces tiene un coeficiente distinto de cero en la ltima fila de la tabla
simplex final (antes descrita), este coeficiente es el mximo valor que el
coeficiente de la funcin objetivo de dicha variable puede aumentar
manteniendo la solucin ptima

Procedimiento para el Anlisis de sensibilidad de los

coeficientes de variables no bsicas
a) Se lee de la tabla simplex final, el trmino que pertenece a la
columna de la variable no bsica en la ltima fila y se le resta una
variable cualquiera
b) Se plantea la condicin de optimalidad; es decir, que este nuevo
trmino debe ser positivo (mayor que cero) para que la solucin siga
siendo ptima
c) Se resuelve la desigualdad
d) Se suma a ambos lados de la desigualdad el coeficiente de la funcin
Anlisis
para
la variable
bsica
objetivo que
acompaa
a la no
variable
y este resultado es el intervalo de
X1:
sensibilidad del coeficiente
a)
b)
c)

d) El valor del coeficiente de la variable X1 en el problema es: 3

por tanto

Se sustituye
Por lo tanto queda:

e) Entonces el intervalo es el siguiente

lisis de sensibilidad para los coeficientes de variables bsicas

ndo las variables son bsicas, el procedimiento para el anlisis de sensibilidad va

, pero conserva su lgica
Procedimiento para el Anlisis de sensibilidad de los
a)coeficientes
Se reemplazade
el variables
cero en la bsicas
ltima fila de la columna de la variable por
el negativo de la Variable
b) Ahora la tabla ya no es ptima, pues existe un elemento negativo en
la ltima fila, por tanto normaliza la columna de la variable, es decir se
debe generar un cero en la posicin donde esta
c) Se plantea la condicin de optimalidad; es decir, que todos los
trminos de la ltima fila de la tabal simplex deben ser positivos (mayor
que cero) para que la solucin siga siendo ptima
d) Se resuelven las desigualdades individualmente y se interceptan los
conjuntos soluciones
e) Se suma a todos los lados de la desigualdad el coeficiente de la
funcin objetivo que acompaa a la variable y este resultado es el
intervalo de sensibilidad del coeficiente

Anlisis para la variable bsica X2:

a)

b) Para optimizar la tabla de nuevo se efectuar la siguiente

operacin:
.Obteniendo el siguiente resultado:

c)

d)

Siempre verdadera
Se interceptan los conjuntos soluciones para dar el siguiente resultado
e) El valor del coeficiente de la variable X2 en el problema es: 4
por tanto
Se sustituye:
Por lo tanto queda:
f) Entonces el intervalo es el siguiente

is de Sensibilidad para trminos independientes de las restriccio

Las restricciones de un problema de programacin lineal representan las
limitantes de recursos que tiene una empresa. La primera pregunta que
se puede hacer antes de averiguar cuntos recursos ms puedo
contratar para seguir con mi ptimo? (anlisis de sensibilidad de los
trminos independientes) es cunto es lo ms que estoy dispuesto a
pagar por una unidad de recurso extra?
La respuesta a esta pregunta es elPrecio Sombra, este es el mximo
incremento en el precio normal de un recurso que estamos dispuestos a
pagar sin que nuestras ganancias disminuyan. Este es un dato que se
puede leer directamente de la tabla simplex final en la ltima fila de la
columna de la variable de holgura asociada a la restriccin o recurso que
se quiere investigar

Ejemplo:

Recordando problema P

El precio sombra para la restriccin uno se lee en la ltima fila de la

columna de la variable de holgura de dicha restriccin (S1) y su valor es:
, lo cual significa que si actualmente pago $3 por cada unidad del
recurso de la restriccin uno, el mayor precio que estoy dispuesto a pagar
(sin que mis ganancias disminuyan) es $3 + =$3.5 por unidad de
recurso.

De igual manera, el precio sombra para la restriccin dos se lee en la

ltima fila de la columna de la variable de holgura de dicha restriccin
(S2) y su valor es: 3/2 lo cual significa que si actualmente pago $3 por
cada unidad del recurso de la restriccin dos, el mayor precio que esta
dispuesto a pagar (sin que mis ganancias disminuyan) es $3 + 3/2
=$4.5 por unidad de recurso.
Ahora que ya sabemos cunto pagar? Concentrmonos en decidir
Procedimiento
de Anlisis de Sensibilidad para trminos
cunto comprar?
independientes de las restricciones:
a) La sensibilidad del trmino independiente de una restriccin se
analiza con la columna de la variable de holgura asociada a dicha
restriccin; entonces, se realiza una operacin entre columnas, de la
siguiente manera:
A la ltima columna de la tabla simplex final se le suma la columna de
la variable de holgura de la restriccin que analizamos multiplicada por
la variable

b) Recordemos que por las restricciones de no negatividad los valores en

la ltima columna
de la tabla simplex deben ser siempre positivos (mayores que cero); por
tanto el resultado anterior debe cumplir las restricciones de no
cada trmino de este resultado debe cumplir esta condicin,la ltima
negatividad.
fila no se toma en cuenta
c) Se plantean las desigualdades de cada trmino y se resuelven
individualmente.
d) Se interceptan los conjuntos solucin de las desigualdades
e) Se le suma a todos los lados de la desigualdad el trmino
independiente de la restriccin que se analiza, dando como resultado el
intervalo de sensibilidad de dicho trmino.

Anlisis parael termino independiente de la restriccin b1:

a) La variable de holgura asociada a la primera restriccin es S1 ;
entonces , efectuamos:

b)

c)

La ltima fila no se toma en cuenta

e interceptan los conjuntos soluciones para dar el siguiente resultado:

l trmino independiente de la primera restriccinb1 en el problema es: 10, por

sustituye:

lo tanto queda

ntonces el intervalo es el siguiente:

de Sensibilidad para los coeficientes tecnolgicos de variables n

Dado el problema de programacin lineal

Con tabla simplex Inicial de:

Lo cual tiene como solucin optima:

Aplicando Anlisis de Sensibilidad

tecnolgicos de variables no bsicas

para

los

coeficientes

Cambiando la segunda columna (tabla simplex inicial) de la matriz de

coeficientes tecnolgicos, y sta pasa a ser (5, 2, 2), con c2 = 43, la
tabla inicial quedara:

sto slo originara un cambio en la columna 2 de la tabla final, que quedara com
gue

Tabla final

y en el coste reducido de esta columna sera:

Por lo tanto la tabla simplex nos queda:

En este caso cambia la base ptima, ya que hay un coste reducido

negativo. Se continua aplicando el mtodo del Simplex, hasta
obtener todos los costes reducidos no negativos.
Si aplicamos el algoritmo del Simplex a la ltima tabla, obtenemos la
solucin ptima del programa modificado, con los cambios en la
columna de la segunda
variable. Dicha solucin ptima es:

dicin de una nueva variable de decisin. Mtodo Simplex

Se Considera el siguiente problema de programacion lineal en el que
se planifica la produccin de tres tipos de cerveza en cantidades x1,
x2 y x3 a partir de 30 unidades de malta y 45 de levadura, el beneficio
de venta de cada unidad de cerveza elaborada as como sus
requerimientos de malta y levadura se muestran en la tabla siguiente:

El planteamiento del problema queda:

y su tabla optima, con un valor de la funcin objetivo de 160, es:

donde x4 y x5, variables de holgura, formaron la primera base

Ahora supongamos que se quiere considerar la elaboracin de un
cuarto tipo de cerveza, una cerveza sin alcohol, que requiere una
unidad de malta y una unidad de levadura por unidad de cerveza, y
cuyo beneficio de venta es de 5 unidades monetarias. Por lo cual se
plantea la pregunta Merecer la pena su elaboracin? en que
cantidad?

se llama x6 a las unidades de este nuevo tipo de cerveza, su columna es

u beneficio c6 = 5. Calculamos la columna actualizada y el costo marginal

Por tanto la tabla original, ahora nos queda de la siguiente manera:

es optima, entra la variable correspondiente al nuevo tipo de cerveza x6 y sale x

enindose.

on un valor de la funcin objetivo de 180 unidades, se elaboran 15 unidades de l

ueva cerveza tipo 4 y 15 de la cerveza de tipo 2.

5) Adicin de una nueva restriccin. Mtodo

Simplex
Cuando se considera la incorporacin de una nueva restriccin el
primer paso es comprobar si la solucin optima del problema original
la verifica, en este caso la solucin tambin ser optima para el
problema modificado. Nos situamos ahora en que la solucin optima
del problema original no verifica la nueva restriccin, veamos el
proceso a seguir.
Ahora se considera que existen problemas para el abastecimiento de
un tercer ingrediente, el lpulo. Se pueden conseguir 30 unidades de
lpulo y se necesitan 3, 1 y 1 unidades de lpulo para la cerveza de
tipo 1, 2 y 3, respectivamente. Se trata pues de incluir la restriccin.
restriccin que no es verificada por la solucin optima del problema
original ya que
requerir 35 unidades.

En primer lugar nos fijamos en las variables que aparecen en la

restriccin y son bsicas en la tabla optima del problema original.
Despus despejamos de la tabla optima dichas
variables y las sustituimos en la restriccin. Sobre nuestro ejemplo, en
la restriccin aparecen x1 y x2, las despejamos de la tabla

tabla optima del problema original

Sustituimos en la nueva restriccin

y operando obtenemos

restriccin anterior ya esta actualizada, basta con incluir una variable de holgur
restriccin esta lista.

la restriccin se deja en la forma con lo que la holgura entra sumando podremo

plicar a la tabla resultante el simplex dual. Si cambiamos el sentido de la restricc
ara que el coeficiente sea positivo entonces la holgura entrara con coeficiente -1
osteriormente necesitaramos una variable artificial para la construccin de la tab
l y como hemos dejado la restriccin se incluye directamente en la tabla, toman
mo variable bsica la variable de holgura x6, obsrvese que los costos marginal
an cambiado como consecuencia de haber entrado en la base una variable de ho

A partir de aqu se aplica el simplex dual, sale x6 entra x4 obtenindose

ue ya contiene una solucin optima del problema con la nueva restriccin.

a otra posibilidad es dejar la restriccin con termino independiente positivo

Con lo que al construir la tabla

No tendramos una variable bsica candidata, deberamos introducir

una variable artificial a1 con coeficiente ca1 = -M y recalcular todos
los costos marginales

A partir de esta tabla que no es optima habr que aplicar el simplex con
las consideraciones
oportunas debidas a la utilizacin de variables artificiales, es decir, si al
finalizar la variable bsica sigue en la base con valor no nulo el problema
con la nueva restriccin no es factible