INVESTIGACIÓN DE 

OPERACIONES
Ing. Carlos Alfredo Gil Narvaez
RESEÑA HISTÓRICA
 Las  primeras  actividades  formales  de  la 
Investigación  de  Operaciones  se  dieron  en 
Inglaterra  durante  la  Segunda  Guerra  Mundial, 
cuando  se  encomendó  a  un  equipo  de  científicos 
ingleses la toma de decisiones acerca de la mejor 
utilización de materiales bélicos. Al termino de la 
guerra,  estas  ideas  fueron  adaptadas  para 
mejorar  la  eficiencia  y  la  productividad  en  el 
sector civil.
 Un  elemento  principal  de  la  investigación  de 
operaciones es el modelado matemático
CONCEPTO
 La  Investigación  de  Operaciones  o  Investigación 
Operativa,  es  una  rama  de  las  Matemáticas 
consistente  en  el  uso  de  modelos  matemáticos  y 
algoritmos con objeto de realizar un proceso de toma 
de  decisiones.  Frecuentemente,  trata  del  estudio  de 
complejos  sistemas  reales,  con  la  finalidad  de 
mejorar (u optimizar) su funcionamiento.
 La  investigación  de  operaciones  permite  el  análisis 
de  la  toma  de  decisiones  teniendo  en  cuenta  la 
escasez de recursos, para determinar cómo se puede 
optimizar un objetivo definido, como la maximización 
de los beneficios o la minimización de costos.
MODELOS MATEMÁTICOS
 Imaginemos  que  tenemos  un  compromiso  por 
cinco  semanas  entre  Lima  y  Tacna.  Vuela  hacia 
Tacna el Lunes y retorna el Miércoles. Un pasaje 
ida y vuelta cuesta 180 Dólares, pero se ofrece un 
descuento del 20% si las fechas del viaje abarcan 
un fin de semana. Un boleto de viaje en cualquier 
dirección  cuesta  el  75%  del  precio  regular  (solo 
ida).  ¿Cómo  debe  de  comprar  los  boletos  para 
reducir  el  costo  de  traslado  durante  las  5 
semanas?
Se puede considerar que el caso es un problema de 
toma  de  decisiones,  cuya  solución  requiere 
identificar tres componentes:
 ¿Cuáles son las alternativas de solución?

 ¿Bajo que restricciones se toma la decisión?

  ¿Cuál  es  el  criterio  objetivo  adecuado  para 

evaluar las alternativas?
Aunque  el  ejemplo  anterior  ilustra  los  tres 
componentes  principales  de  un  modelo  de  IO,  los 
cuales  son:  alternativas,  criterio  objetivo  y 
restricciones,  las  situaciones  difieren  por  los 
detalles de la construcción de cada componente y la 
solución  del  modelo  resultante.  Para  ilustrar  este 
punto,  considere  la  formación  de  un  rectángulo  de 
área  máxima  con  un  trozo  de  alambre  de    L 
centímetros de longitud. ¿Cuál será el mejor ancho 
y altura del rectángulo? 
En  contraste  con  el  ejemplo  de  los  boletos,  el 
número de alternativas en este ejemplo no es finito; 
es decir, el ancho y la altura del rectángulo pueden 
asumir una cantidad infinita de valores porque son 
variables  continuas.  Para  formalizar  esta 
observación,  las  alternativas  del  problema  se 
identifican  definiendo  el  ancho  y  la  altura  como 
variables algebraicas:

w = ancho del rectángulo en pulgadas,
h = altura del rectángulo en pulgadas.
Con base en estas definiciones, las restricciones de 
la situación pueden expresarse verbalmente como

1. Ancho del rectángulo + altura del rectángulo = 
la mitad de la longitud del alambre.

2. El ancho y la altura no pueden ser negativos.
Estas restricciones se traducen de manera algebraica 
como sigue
1. 2 ( w +  h )= L

2. w ≥ 0; h ≥ 0

Ahora el único componente restante es el objetivo del 
problema; es decir, maximizar el área del rectángulo. Si Z 
se define como el área del rectángulo, el modelo completo 
es

Maximizar Z= wh
sujeto a
2 ( w +  h )= L
w, h ≥ 0
Utilizando  cálculo  diferencial,  la  mejor  solución  de 
este  modelo  es  w  =  h  =  L  /  4  la  cual  requiere  la 
construcción de una forma cuadrada.

Con  los  datos  de  los  dos  ejemplos  anteriores,  el 

modelo  general  de  IO  se  organiza  en  el  siguiente 
formato general:
MODELO PRESCRIPTIVO O DE 
OPTIMIZACIÓN
 Un modelo de este tipo “dicta” el comportamiento 
para  una  organización  que  le  permitirá  a  esta 
alcanzar mejor sus metas. Entre los elementos de 
un modelo prescriptivo tenemos:

 Función objetivo
 Variables de decisión
 Restricciones
Una  solución  del  modelo  es  factible  si  satisface 
todas  las  restricciones;  es  óptima  si,  además  de  ser 
factible,  produce  el  mejor  valor  (máximo  o  mínimo) 
de  la  función  objetivo.  En  el  ejemplo  de los boletos, 
el  problema  considera  tres  alternativas  factibles,  y 
la  tercera  es  la  que  produce  la  solución  óptima.  En 
el problema del rectángulo, una alternativa factible 
debe satisfacer la condición w + h = L / 2 donde w y 
h  son  variables  no  negativas.  Esta  definición 
conduce a una infinidad de soluciones factibles y, a 
diferencia del problema de los boletos, el cual utiliza 
una  sencilla  comparación  de  precios,  la  solución 
óptima se determina aplicando cálculo diferencial.
 PROBLEMAS
1.En el ejemplo de los boletos, identifique una cuarta alternativa factible.
2.En  el  problema  del  rectángulo,  identifique  dos  soluciones  factibles,  e 
indique cuál es la mejor.
3. Amy, Jim, John y Kelly están en la ribera de un río y desean cruzar a la 
ribera  opuesta  en  una  canoa,  la  cual  sólo  puede  llevar  dos  personas  a  la 
vez.  Como  Amy  es  la  más  atlética,  puede  cruzar  el  río  remando  en  1 
minuto. Jim, John y Kelly lo harían en 2, 5 y 10 minutos, respectivamente. 
Si  dos  personas  están  en  la  canoa,  la  persona  más  lenta  determina  el 
tiempo  de  cruce.  El  objetivo  es  que  las  cuatro personas  estén en  la  ribera 
opuesta en el menor tiempo posible.
(a)Identifique  por  los  menos  dos  planes  factibles  para  cruzar  el  río 
(recuerde  que  la  canoa  es  el  único  medio  de  transporte  y  que  no  puede 
viajar vacía).
(b)Defina el criterio para evaluar las alternativas.
(c)¿Cuál es el menor tiempo para llevar a las cuatro personas al otro lado 
del río?
SOLUCIÓN DEL MODELO DE IO
En la investigación de operaciones no se cuenta con 
una  técnica  general  única  para  resolver  todos  los 
modelos  que  puedan  surgir  en  la  práctica.  En  su 
lugar, el tipo y complejidad del modelo matemático 
determina  la  naturaleza  del  método  de  solución. 
Por ejemplo, la solución del problema de los boletos 
requiere  una  clasificación  simple  de  las 
alternativas, basada en el precio de la compra total, 
mientras  que  la  solución  del  problema  del 
rectángulo  utiliza  cálculo  diferencial  para 
determinar el área máxima.
La  técnica  de  IO  más  importante  es  la 
programación lineal. Está diseñada para modelos 
con funciones objetivo y restricciones lineales. Otras 
técnicas  incluyen  la  programación  entera  (en  la 
cual  las  variables  asumen  valores  enteros),  la 
programación  dinámica  (en  la  cual  el  modelo 
original puede descomponerse en subproblemas más 
pequeños  y  manejables),  la  programación  de  red 
(en  la  cual  el  problema  puede  modelarse  como  una 
red),  y  la  programación  no  lineal  (en  la  cual  las 
funciones del modelo son no lineales). Éstas son sólo 
algunas de las muchas herramientas de IO con que 
se cuenta.
Una  peculiaridad  de  la  mayoría  de  las  técnicas  de 
IO  es  que  por  lo  general  las  soluciones  no  se 
obtienen  en  formas  cerradas  (como  si  fueran 
fórmulas),  sino  que  más  bien  se  determinan 
mediante  algoritmos.  Un  algoritmo  proporciona 
reglas  fijas  de  cálculo  que  se  aplican  en  forma 
repetitiva  al  problema,  y  cada  repetición  (llamada 
iteración) acerca la solución a lo óptimo. Como los 
cálculos  asociados  con  cada  iteración  suelen  ser 
tediosos  y  voluminosos,  es  recomendable  que  estos 
algoritmos se ejecuten
con la computadora.
FASES DE UN ESTUDIO DE IO
Es  una  ciencia  por  las  técnicas  matemáticas  que 
incorpora,  y  un  arte  porque  el  éxito  de  las  fases  que 
conducen  a  la  solución del  modelo  matemático  depende 
en  gran  medida  de  la  creatividad  y  experiencia  del 
equipo  de  IO.Willemain  (1994)  manifiesta  que  “una 
práctica  [de  IO]  eficaz  requiere  más  que  competencia 
analítica. También requiere, entre otros atributos, juicio 
técnico  (es  decir,  cuándo  y  cómo  utilizar  una  técnica 
dada),  así  como  habilidades  de  comunicación  y 
supervivencia organizacional”.
Es  difícil  prescribir  cursos  de  acción  específicos 
(semejantes  a  los  que  indica  la  teoría  precisa  de  la 
mayoría  de  los  modelos  matemáticos)  para  estos 
factores intangibles.
Sin  embargo,  podemos  ofrecer  lineamientos 
generales  para  la  implementación  de  la  IO  en  la 
práctica.
Para  implementar  la  IO  en  la  práctica,  las  fases 
principales son:

1. Definición del problema.
2. Construcción del modelo.
3. Solución del modelo.
4. Validación del modelo.
5. Implementación de la solución.
La definición del problema implica definir el alcance del problema 
investigado. Esta función debe ser realizada por todo el equipo de IO. 
El objetivo es identificar tres elementos principales del problema de 
decisión:  (1)  descripción  de  las  alternativas  de  decisión;  (2) 
determinación  del  objetivo  del  estudio,  y  (3)  especificación  de  las 
limitaciones bajo las cuales funciona el sistema modelado.
La construcción del modelo implica un intento de transformar la 
definición  del  problema  en  relaciones  matemáticas.  Si  el  modelo 
resultante  se  ajusta  a  uno  de  los  modelos  matemáticos  estándar, 
como la programación lineal, se suele obtener una solución utilizando 
los  algoritmos  disponibles.  Por  otra  parte,  si  las  relaciones 
matemáticas  son  demasiado  complejas  como  para  permitir  la 
determinación de una solución analítica, el equipo de IO puede optar 
por  simplificar  el  modelo  y  utilizar  un  método  heurístico,  o  bien 
considerar  la  simulación,  si  es  lo  apropiado.  En  algunos  casos,  una 
simulación  matemática  puede  combinarse  con  modelos  heurísticos 
para resolver el problema de decisión.
La  solución  del  modelo  es  por  mucho  la  más 
sencilla  de  todas  las  fases  de  IO  porque  implica  el 
uso de algoritmos de optimización bien definidos. Un 
aspecto importante de la fase de solución del modelo 
es  el  análisis  de  sensibilidad.  Tiene  que  ver  con  la 
obtención  de  información  adicional  sobre  el 
comportamiento  de  la  solución  óptima  cuando  el 
modelo experimenta algunos cambios de parámetros. 
El  análisis  de  sensibilidad  es  particularmente 
necesario cuando no se pueden estimar con precisión 
los  parámetros  del  modelo.  En  estos  casos  es 
importante estudiar el comportamiento de la solución 
óptima en el entorno de los parámetros estimados.
La validez del modelo comprueba si el modelo propuesto hace en 
realidad  lo  que  dice  que  hace,  es  decir,  ¿predice  adecuadamente  el 
comportamiento del sistema que se estudia? Al principio, el equipo 
de  IO  debe  estar  convencido  de  que  el  resultado  del  modelo  no 
contenga “sorpresas”. En otras palabras, ¿tiene sentido la solución? 
¿Los resultados son intuitivamente aceptables? Del lado formal, un 
método  común  de  comprobar  la  validez  de  un  modelo  es  comparar 
su  resultado  con  resultados  históricos.  El  modelo  es  válido  si,  en 
condiciones  de  datos  de  entrada  iguales,  reproduce  de  forma 
razonable  el  desempeño  pasado.  Sin  embargo,  no  suele  haber 
seguridad  de  que  el  desempeño  futuro  continuará  copiando  el 
comportamiento  pasado.  Además,  como  el  modelo  se  basa  en  el 
examen cuidadoso de datos pasados, la comparación propuesta casi 
siempre  es  favorable.  Si  el  modelo  propuesto  representara  un 
sistema  nuevo  (inexistente),  no  habría datos históricos disponibles. 
En esos casos podemos utilizar la simulación como una herramienta 
independiente para comprobar el resultado del modelo matemático.
La  implementación  de  la  solución  de  un  modelo 
validado  implica  la  transformación  de  los 
resultados  en  instrucciones  de  operación 
comprensibles  que  se  emitirán  a  las  personas  que 
administrarán  el  sistema  recomendado.  La 
responsabilidad de esta tarea recae principalmente 
en el equipo de IO.
PROGRAMACIÓN LINEAL
 La  programación  lineal  se  aplica  a  modelos  de 
optimización  en  la  que  la  función  objetivo  y 
restricciones  son  estrictamente  lineales.  La  técnica 
se  aplica  en  una  amplia  variedad  de  casos,  en  los 
campos  de  agricultura,  industria,  transporte, 
economía, salud, ciencias sociales y militar. 
 También  produce  algoritmos  eficientes  de  computo 
para  problemas  de  miles  de  restricciones  y 
variables.  En  realidad,  debido  a  su  tremenda 
eficiencia  de  cálculo,  la  programación  lineal  forma 
la  columna  vertebral  de  los  algoritmos  de  solución 
para otros modelos de investigación de operaciones.
Sin embargo, podemos ofrecer lineamientos 
generales para la implementación dela IO en la 
práctica. Para implementar la IO en la práctica, las 
fases principales son:
 MODELO DE PROGRAMACIÓN 
LINEAL CON DOS VARIABLES
 La  compañía  Vencedor  produce  pinturas  para 
interiores y exteriores: Supermate y Latex Rocky.
Tonelada de Materia Prima
Supermate Latex Rocky Disponibilidad 
diaria máxima (Tn)

Materia Prima (M1) 6 4 24

Materia Prima (M2) 1 2 6

Utilidad por Tn  5 4
(miles de soles S/.)
Según un estudio de mercado la demanda diaria de 
pintura  “Latex  Rocky”  no  puede  ser  mayor  que  1 
tonelada  mas  que  la  de  pintura  “Supermate”. 
También,  que  la  demanda  máxima  diaria  de 
pintura “Latex Rocky” es de 2 toneladas.
Vencedor  desea  determinar  la  mescla  optima  que 
maximice la utilidad diaria total.
 Para el problema de Vencedor se necesita 
determinar las cantidades a producir de ambos 
tipos de pintura.

 x1, Toneladas a producir diariamente de pintura 
“Supermate”

 x2, Toneladas a producir diariamente de pintura 
“Latex Rocky”
 Para formar la función objetivo, la empresa desea 
aumentar sus utilidades todo lo posible. Si z 
representa la utilidad diaria, el objetivo de la 
empresa se expresa asi:

Maximizar  z = 5 x1 + 4 x2
 Ahora  definiremos  las  restricciones  que  limitan  el  uso  de  las  materias 
primas y la demanda.
 Según los datos del problema:
 Uso de la materia prima M1 = 6x1 + 4x2
 Uso de la materia prima M2 = 1x1 + 2x2
 Ya que la disponibilidad de las materias primas M1 y M2 se limitan a 24 y 
6 toneladas, respectivamente, las restricciones se expresan de la siguiente 
manera:
 6x1 + 4x2 <= 24
 x1 + 2x2 <= 6
 La  primera  restricción  de  la  demanda  indica  que  la  diferencia  entre  la 
producción diaria de pinturas “Latex Rocky” y “Supermate”, x2  ­ x1, no debe 
ser mayor que una tonelada y eso se traduce en x2 – x1 <= 1
 La  segunda  indica  que  la  demanda  diaria  máxima  de  pintura  “Latex 
Rocky” no puede superar las 2 toneladas. x2 <= 2
 Una de las restricciones que se sobreentiende es la de no negatividad
 x1, x2 >= 0
 El modelo de Vencedor completo es:
Maximizar  z = 5 x1 + 4 x2

Sujeto a 

6x1 + 4x2 <= 24
  x1 + 2x2 <= 6
 ­x1 + x2    <= 1
          x2 <= 2

x1  , x2 >= 0
SOLUCIÓN GRÁFICA
 El procedimiento de solución gráfica comprende 
dos pasos:

 Determinación del espacio de soluciones que define 
todas las soluciones factibles del modelo

 Determinación de la solución óptima, entre todos los 
puntos factibles del espacio de solución
PASO 1. DETERMINACIÓN DEL ESPACIO 
DE SOLUCIONES FACTIBLES
X2

6  1
 2 =
X
+ 
1 
­X

6X
5

1 
+ 
4X
2
 =
24  
4

X2 = 2
2

X +
1   
1 2X
2  = 
6

1 2 3 4 5 6 X1
DETERMINACIÓN DE LA SOLUCIÓN 
OPTIMA
PRACTICA CALIFICADA
 Unos  grandes  almacenes  encargan  a  un  fabricante  pantalones  y  chaquetas 
deportivas. El fabricante dispone para la confección de 750 m de tejido de algodón y 
1000  m  de  tejido  de  poliéster.  Cada  pantalón  precisa  1  m  de  algodón  y  2  m  de 
poliéster.  Para  cada  chaqueta  se  necesitan  1.5  m  de  algodón  y  1  m  de  poliéster.  El 
precio  del  pantalón  se  fija  en  S/.  50  y  el  de  la  chaqueta  en  S/.  40  ¿Qué  número  de 
pantalones  y  chaquetas  debe  suministrar  el  fabricante  a  los  almacenes  para  que 
éstos consigan una venta máxima?

 Una compañía fabrica y venden dos modelos de lámpara L1 y L2. Para su fabricación 
se necesita un trabajo manual de 20 minutos para el modelo L1 y de 30 minutos para 
el L2; y un trabajo de máquina de 20 minutos para L1 y de 10 minutos para L2. Se 
dispone para el trabajo manual de 100 horas al mes y para la máquina 80 horas al 
mes.  Sabiendo  que  el  beneficio  por  unidad  es  de  S/.15  y  S/.10  para  L1  y  L2, 
respectivamente, planificar la producción para obtener el máximo beneficio.

 En un Almacén de frutas hay 800 Kg de naranjas, 800 Kg de manzanas y 500 Kg. de 
Plátanos.  Para  su  venta  se  hacen  dos  lotes  (A  y  B).  El  lote  A  contiene  1  Kg  de 
naranjas,  2  Kg  de  manzanas  y  1  kg  de  plátanos;  el  lote  B  se  compone  de  2  Kg  de 
naranjas,  1  kg  de  manzanas  y  1  Kg  de  plátanos.  La  utilidad  por  kilogramo  que  se 
obtiene  del  lote  A  es  S/.  12.00  y  con  el  lote  B  S/14.00.  Determinar  el  número  de 
kilogramos de cada tipo para conseguir beneficios máximos.
 Unos grandes almacenes encargan a un fabricante pantalones 
y  chaquetas  deportivas.  El  fabricante  dispone  para  la 
confección de 750 m de tejido de algodón y 1000 m de tejido de 
poliéster.  Cada  pantalón  precisa  1  m  de  algodón  y  2  m  de 
poliéster. Para cada chaqueta se necesitan 1.5 m de algodón y 
1 m de poliéster. El precio del pantalón se fija en S/. 50 y el de 
la chaqueta en S/. 40 ¿Qué número de pantalones y chaquetas 
debe suministrar el fabricante a los almacenes para que éstos 
consigan una venta máxima?

 x1 = Cantidad de pantalones
 x2 = Cantidad de chaquetas

 Maximizar z - 50x1 - 40x2

 Sujeto a

 x1 + 1.5x2 + x3 = 750
 2x1 + x2 + + x4 = 1000

 x1, x2 >= 0
 Una compañía fabrica y venden dos modelos de lámpara L1 y 
L2.  Para  su  fabricación  se  necesita  un  trabajo  manual  de  20 
minutos  para el modelo L1 y de 30 minutos para el L2; y un 
trabajo  de  máquina  de  20  minutos  para  L1  y  de  10  minutos 
para  L2.  Se  dispone  para  el  trabajo  manual  de  100  horas  al 
mes  y  para  la  máquina  80  horas  al  mes.  Sabiendo  que  el 
beneficio  por  unidad  es  de  S/.15  y  S/.10  para  L1  y  L2, 
respectivamente,  planificar  la  producción  para  obtener  el 
máximo beneficio.

 x1 = Cantidad de Lámparas L1
 x2 = Cantidad de Lámparas L2

 Maximizar z – 15x1 - 10x2

 Sujeto a

20x1 + 30x2 + x3 = 6000

20x1 + 10x2 + x4 = 4800

 x1, x2 >= 0
 En  un  Almacén  de  frutas hay  800  Kg de naranjas, 800  Kg de 
manzanas  y  500  Kg.  de Plátanos. Para su venta  se hacen dos 
lotes  (A  y  B).  El  lote  A  contiene  1  Kg  de  naranjas,  2  Kg  de 
manzanas y 1 kg de plátanos; el lote B se compone de 2 Kg de 
naranjas,  1  kg  de  manzanas  y  1  Kg  de  plátanos.  La  utilidad 
por kilogramo que se obtiene del lote A es S/. 12.00 y con el lote 
B  S/14.00.  Determinar  el  número  de  kilogramos  de  cada  tipo 
para conseguir beneficios máximos.

 x1 = Cantidad de Lote A
 x2 = Cantidad de Lote B

 Maximizar z – 12x1 - 14x2

 Sujeto a

x1 + 2x2 + x3 = 800
2x1 + x2 + x4 = 800
x1 + x2 + x5 = 500

 x1, x2 >= 0
EL MÉTODO SIMPLEX
 Es  un  algoritmo  iterativo  para  resolver  de  una  forma 
eficiente  los  problemas  de  Programación  Lineal  de  gran 
tamaño.  Fue  desarrollado  primeramente  en  1947  por  C.B. 
Dantizg  y  sus  colaboradores  en  el  Departamento  de  las 
Fuerza Aéreas de los Estados Unidos. Posteriormente, se han 
realizado  algunas  modificaciones  para  incrementar  su 
eficiencia de cálculo pero el método es básicamente el mismo.
 Una propiedad general del método simplex es que resuelve la 
programación  lineal  en    iteraciones.  Cada  iteración 
desplaza  la  solución  a  un  nuevo  punto  esquina  que  tiene 
potencial  de  mejorar  el  valor  de  la  función  objetivo.  El 
proceso termina cuando ya no se pueden obtener mejoras.
 El  método  Simplex  implica  cálculos  tediosos  y  voluminosos, 
lo  que  hace  que  la  computadora  sea  una  herramienta 
esencial para resolver los problemas de programación lineal.
EXPLICACIÓN GRÁFICA DEL 
PROCESO SIMPLEX
 Ya  se  ha  apuntado  en  el  procedimiento  de  solución 
gráfica  que  la  búsqueda  de  una  solución  óptima  debe 
hacerse únicamente en los vértices del espacio factible de 
solución. Esto es fácil de comprender en un problema con 
sólo dos variables y tres restricciones, pero en problemas 
mayores se necesita un procedimiento para identificas y 
evaluar todos los vértices.
 En  el  método  Simplex,  la  búsqueda  comienza, 
normalmente,  en  el  origen  y  se  desplaza  al  vértice 
adyacente que incremente el valor de la función objetivo. 
Cuando  se  alcanza  el  nuevo  vértice,  la  búsqueda  se 
desplaza  hacia  otro  nuevo  adyacente  que  sea  mejor  que 
el  último.  El  proceso  continúa  hasta  que  no  se  pueda 
lograr ninguna mejora.
CONVERSIÓN DE DESIGUALDADES 
A ECUACIONES
 En las restricciones ( ≤ ), el lado derecho representa el límite de 

disponibilidad de un recurso, y en ese caso el lado izquierdo 
representaría el uso de ese recurso limitado por parte de las 
actividades (variables) del modelo. La diferencia entre el lado 
derecho y el lado izquierdo de la restricción representa, la 
cantidad no usada u holgura del recurso.

 Para convertir una desigualdad ( ≤ ) en una ecuación, se agrega 

una variable de holgura al lado izquierdo de la restricción. Por 
ejemplo, en el ejemplo de Vencedor la restricción asociada con el 
uso de la materia prima M1 esta dada como
6X1 + 4X2 ≤ 24

Si se define h1 como la holgura, o cantidad no usada, de M1, la restricción se puede 
convertir en la siguiente ecuación
6X1 + 4X2 + S1 = 24, h1 ≥ 0
 Una  restricción  (≥)  establece,  normalmente,  un  límite 
inferior  para  las  actividades  del  modelo  de  programación 
lineal, como tal, la cantidad por la que el lado izquierdo es 
mayor  que  límite  mínimo  (lado  derecho)  representa  un 
excedente.

 La conversión de (≥) a (=) se logra restando una variable de 
excedencia, del lado izquierdo de la desigualdad. Ejemplo
X1 + X2 ≥ 800

Si se define S1 como una variable de excedencia, se puede 
convertir en la siguiente ecuación:
X1 + X2 ­ S1 = 800, S1 ≥ 0
NATURALEZA ITERATIVA DEL 
MÉTODO SIMPLEX
 La  figura  muestra  el  espacio  de  soluciones  de  la 
programación  lineal  del  ejemplo  “Vencedor”. 
Normalmente,  el  método  simplex  comienza  en  el  origen 
(punto  A),  donde  x1  =  x2  =  0.  En  este  punto  de  inicio,  el 
valor de la función objetivo z es cero.
ALGORITMO SIMPLEX
 Para  explicar  los  detalles  de  cálculo  de  una  iteración 
simplex,  que  incluyen  las  reglas  para  determinar  las 
variables  de  entrada  y  salida,  así  como  para  detener  los 
cálculos  cuando  se  ha  llegado  a  la  solución  óptima.  Como 
medio de explicación usaremos un ejemplo.

Maximizar  z = 5 x1 + 4 x2

Sujeto a 

6x1 + 4x2 <= 24
  x1 + 2x2 <= 6
 ­x1 + x2    <= 1
          x2 <= 2
 Maximizar z - 5x1 - 4x2 = 0

6x1 + 4x2 + h1 = 24
x1 + 2x2 + h2 = 6
-x1 + x2 + h3 = 1
x2 + h4 = 2

x1, x2, h1, h2, h3, h4 ≥ 0

Básic z x1 x2 h1 h2 h3 h4 Solució
a n
z 1 ­5  ­4 0 0 0 0 0

h1 0 6 4 1 0 0 0 24

h2 0 1 2 0 1 0 0 6

h3 0 ­1 1 0 0 1 0 1

h4 0 0 1 0 0 0 1 2
 En  el  diseño de  la tabla se especifica el conjunto 
de  variables  básicas  y  no  básicas,  y  también  se 
muestra  la  solución  asociada  con  la  iteración  de 
inicio.  Como  se  explicó  anteriormente  las 
iteraciones  simplex  comienzan  en  el  origen 
(x1,x2)=(0,0).  Así,  el  conjunto  asociado  de 
variables  no  básicas  y  básicas  se  define  como 
sigue:

 Variables no básicas (cero): (x1,x2)
 Variables básicas: (h1, h2, h3,h4)
 Se debe seleccionar para Entrar en la solución 
básica a la variable no básica con el mayor 
coeficiente negativo, en nuestro caso x1 = ­5
 Si fuera el caso que todos los coeficientes de la 
función objetivo mayores a cero, no sería posible 
mejorar z y eso querría decir que se habría 
llegado al óptimo.
 Para determinar la variable de salida, en forma 
directa con la tabla, se calculan las 
intersecciones, o coordenadas (x1) 
Básica z x1 x2 h1 h2 h3 h4 Solució
n

z 1 ­5  ­4 0 0 0 0 0

h1 0 6 4 1 0 0 0 24 X1=24/6=4

h2 0 1 2 0 1 0 0 6 X1=6/1=6

h3 0 ­1 1 0 0 1 0 1 X1=1/­1=­1 
(ignorar)

h4 0 0 1 0 0 0 1 2 X1=2/0 = ∞ 
(ignorar)
  Los cálculos necesarios para obtener la nueva solución básica son de dos 
tipos:
 Fila Pivote

Nueva fila pivote = Fila Pivote / Elemento Pivote

 Las demás filas

Nueva fila = fila actual – (su coeficiente en la columna pivote)  * nuevo fila pivote

Básica z x1 x2 h1 h2 h3 h4 Solució
n
z

h1 0 6 4 1 0 0 0 24

h2

h3

h4