INSTITUTO TECNOLOGICO SUPERIOR DE SAN ANDRES TUXTLA

NOMBRE DEL ALUMNO(A) OMAR SANCHEZ GUEVARA

CARRERA: INGENIERIA INDUSTRIAL
ASIGNATURA: INVESTIGACION DE OPERACIONES I
DOCENTE: MARTA GABRIELA LIMON OROZCO
GRUPO: 413 B
FECHA: 29/07/21

ACTIVIDAD 1 DE LA UNIDAD 1
INVESTIGACION DOCUMENTAL .valor
20%
REALIZAR UNA INVESTIGACION DOCUMENTAL SOBRE:
1. POSIBLES SOLUCIONES QUE SE PUEDE DAR EN UN PROBLEMA DE PROGRAMACION LINEAL
2. COMO SE LLAMAN LAS VARIABLES QUE SE ENCUENTRAN EN EL METODO SIMPLEX.
3. LA ESTRUCTURA GENERAL DE LOS MODELOS DE PROGRAMACION LINEAL DE LINEAL
(DE MAXIMIZAR Y DE MINIMIZAR)
4. LA FORMA CANONICA DE PROGRAMACION LINEAL (DE MAXIMIZAR Y DE MINIMIZAR)
5. LA FORMA ESTANDAR DE PROGRAMACION LINEAL (DE MAXIMIZAR Y DE MINIMIZAR)
6. DEFINICION DE CRITERIO DE OPTIMALIDAD Y CRITERIO DE FATIBILIDAD

 EN ARIAL 12, 1.5 INTERLINEADO Y JUSTIFICADO.

 Elaborar en cualquier aplicación de su preferencia
 Indicar la Competencia específica y genérica de la unidad

 Especifica(s):
 Conoce y aplica el concepto del método 
simplex en casos reales.
 Conoce y aplica el concepto del método  de
la M Grande y/o doble fase y su aplicación 
en modelos con variables artificiales. 
Conoce y aplica las diferentes formas  de
relación primal-dual.
 Conoce y aplica el método dual simplex 
Interpreta el análisis de sensibilidad en la 
toma de decisiones.
  Genéricas:
 Instrumentales
 Habilidades básicas de manejo de la 
computadora y paquetería.
 Habilidades de la lógica de programación.
 Solución de problemas.
 Toma de decisiones.
 Interpersonales
 Capacidad crítica y autocrítica.
 Trabajo en equipo.
 Flexibilidad para trabajar en diferentes 
ambientes de trabajo.  Tener compromiso
con los valores y  principios éticos.
 Sistémicas
 Capacidad de aplicar los conocimientos en la
 práctica.
 Habilidades de investigación.
 Capacidad de aprender.
 Poseer iniciativa al elaborar y resolver los 
problemas propios de los proyectos. 
Búsqueda del logro.
 POSIBLES SOLUCIONES QUE SE PUEDE DAR EN UN PROBLEMA DE
PROGRAMACION LINEAL

El procedimiento gráfico comienza elaborando una gráfica que muestre las soluciones posibles
(valores X1 y X2). La gráfica tendrá valores los valores X1 en el eje horizontal y los valores X2 en el
eje vertical. El procedimiento para hallar la solución gráfica consiste en lo siguiente:
Para cada inecuación del sistema de restricciones (medio espacio cerrado) se toma la recta
correspondiente y se determinan los intercepto con la gráfica. Si la recta pasa por el origen del eje
de coordenadas, el término independiente es cero, entonces se traza la recta tomando el origen y
otro punto determinado dando un valor arbitrario a una de las variables.
Para determinar los puntos que satisfacen cada inecuación se sustituye un punto cualquiera del
espacio (se recomienda el origen cuyas coordenadas son (0,0)), y de esta forma se determina si los
puntos que satisfacen la misma están hacia el lado que está el origen o hacia el lado contrario,
señalando con una flecha ese lado. Cuando la recta pasa por el origen entonces se toma otro punto
cualquiera pero que sean sencillos los valores de sus coordenadas, por ejemplo, ( 0,1) , (1,0 ), (1,1),
etc.
Luego se determina la región solución que es la región del plano que satisface todas las
restricciones al mismo tiempo y que debe estar en el primer cuadrante. La figura formada es un
poliedro convexo que tiene un conjunto de puntos extremos.
Se busca el punto óptimo entre el conjunto de puntos extremos. Para eso se sustituye cada par de
puntos (X1, X2) de los puntos extremos en la función objetivo y se calcula el valor de Z. Si se está
maximizando el valor de la misma, el punto óptimo será aquel que proporcione el valor mayor para
Z y si el criterio de optimización es de minimizar, entonces el punto óptimo será aquel que
proporcione el valor mínimo de Z.
Método Simplex
Constituye un procedimiento iterativo algebraico que resuelve cualquier problema en un número
finito de pasos. Fue elaborado por George Dantzing en [Link] concepción de este método ha
facilitados que otros especialistas del tema desarrollen otros métodos de solución con la misma
filosofía, pero más adecuados para la programación por computadoras
Para llegar a la solución de un problema de Programación Lineal se utilizan diferentes métodos de solución.
Los más difundidos son: el método gráfico y el Método Simplex. La solución de un problema de
Programación Lineal utilizando un procedimiento gráfico es posible si se tienen no más de dos variables. El
Método Simplex fue el primer método surgido para solucionar problemas de Programación Lineal, por lo
que se le considera el método de solución clásico por excelencia. Teniendo en cuenta la filosofía de este
método han surgido otros métodos cuyas ventajas fundamentales se concentran en las posibilidades de los
mismos para ser programados por computadoras

 En los problemas de programación lineal con dos variables pueden darse varios
tipos de soluciones óptimas:

 Solución única.
 Solución múltiple (infinitas soluciones).
 Solución no acotada (ausencia de solución), cuando la función objetivo no tiene valores
extremos, pues la región factible es no acotada.
 Solución no factible, cuando no existe región factible por falta de puntos comunes en el
sistema de inecuaciones.
 Solución degenerada, si en un solo punto (que se dice degenerado) coinciden tres o más de las
rectas que limitan la región factible.
 COMO SE LLAMAN LAS VARIABLES QUE SE ENCUENTRAN EN EL METODO
SIMPLEX

El Método Simplex trabaja basándose en ecuaciones y las restricciones iniciales que se modelan mediante
programación lineal no lo son, para ello hay que convertir estas inecuaciones en ecuaciones utilizando unas
variables denominadas de holgura y exceso relacionadas con el recurso al cual hace referencia la restricción
y que en el tabulado final representa el « Slack or surplus » al que hacen referencia los famosos programas
de resolución de investigación de operaciones, estas variables adquieren un gran valor en el análisis de
sensibilidad y juegan un rol fundamental en la creación de la matriz identidad base del Simplex.

Estas variables suelen estar representadas por la letra «S», se suman si la restricción es de signo

«<= » y se restan si la restricción es de signo «>=». Por

ejemplo:
 Las variables de holgura permiten determinar los excedentes de las restricciones que podrían ser empleados
en otros fines sin que la solución óptima se altere.

Las variables de holgura permiten convertir las desigualdades de las restricciones en igualdades, lo cual llega a
representar el sobrante de las disponibilidades de cada recurso; en el caso que se desarrolla como ejemplo, es la
capacidad de horas máquina en cada proceso o departamento.

En el ejemplo desarrollamos.

Las restricciones lineales de forma:

Variables de Holgura
Las variables de holgura permiten determinar los excedentes de las restricciones que podrían ser
empleados en otros fines sin que la solución óptima se altere.
Las variables de holgura permiten convertir las desigualdades de las restricciones en igualdades, lo
cual llega a representar el sobrante de las disponibilidades de cada recurso; en el caso que se
desarrolla como ejemplo, es la capacidad de horas máquina en cada proceso o departamento.
En el ejemplo desarrollamos.
Las restricciones lineales de forma:

Agregando una nueva variable no negativa al lado izquierdo de la desigualdad se pueden convertir
en ecuaciones, ésta variable es numéricamente igual a la diferencia entre el lado izquierdo y
derecho de la desigualdad.  Por lo cual las desigualdades quedan con vértices en las siguientes
ecuaciones:

Las variables de holgura S1 y S2 muestran los excedentes de tiempo en la capacidad no utilizada
en los procesos I y II respectivamente.
En la solución óptima determinada por método gráfico algebraico cuando:
x1 = 600
x2 = 2.100
Las variables de holgura son:
Por tanto, las variables de holgura:
S1 = 0
S2 = 0
Significa que no se tienen tiempo ocioso en los procesos I ni II.
Variable de Decisión
Una variable de decisión es un elemento desconocido de un problema de optimización. Tiene un
dominio, que es una representación compacta del conjunto de todos los valores posibles de la
variable. Los tipos de variables de decisión son referencias a objetos cuya naturaleza exacta
depende del optimizador subyacente de un modelo. Se puede crear una instancia de una variable
de decisión sólo en el contexto de una instancia de modelo determinada.
Variable artificial / Método de la «M»
Una variable artificial es un truco matemático para convertir inecuaciones «>=» en ecuaciones, o
cuando aparecen igualdades en el problema original, la característica principal de estas variables es
que no deben formar parte de la solución, dado que no representan recursos. El objetivo
fundamental de estas variables es la formación de la matriz identidad.

Variable Solución Básica factible

En Programación Lineal una Solución Básica Factible (SBF) es aquella que además de pertenecer a

la región o área factible del problema se puede representar a través de una solución factible en la
aplicación del Método Simplex satisfaciendo las condiciones de no negatividad.
En este contexto una solución básica factible corresponderá a uno de los vértices del dominio de
factibilidad cuya coordenada o solución se puede representar a través de un conjunto de
restricciones activas para el modelo
Para desarrollar el concepto 
Variables de Entrada y Salida
Variable de entrada
Estas suelen encontrarse en un criterio que se conoce como “Condición de optimalidad”, en un
modelo, ya sea de maximización o minimización, y se refiere a la variable no básica en el renglón
“z” con el coeficiente más negativo, si se trata de una maximización, o el coeficiente más positivo, si
se trata de una minimización, la cual, en la tabla de solución anterior, a excepción de la primera
tabla, esta variable era una variable básica.
Variables de salida
Esta variable es un punto extremo que se encuentra en un criterio conocido como “condición de
factibilidad”, en un modelo, ya sea de optimización o minimización, y se refiere a la variable básica
asociada con la mínima razón no negativa con el coeficiente más negativo, si se trata de una
maximización, o el coeficiente más positivo, si se trata de una minimización, la cual, en la tabla de
solución siguiente, pasará a ser variable no básica
 LA ESTRUCTURA GENERAL DE LOS MODELOS DE PROGRAMACION LINEAL DE LINEAL

(DE MAXIMIZAR Y DE MINIMIZAR)

Estructuras de Maximizar y Minimizar

Maximizar:
A continuación se presenta un nuevo problema de maximización:
Función Objetivo
Maximizar: Z = 2X1 + 5X2⁸
Sujeto a:
X1 + 6X2 ≤ 20
X1 + X2 ≤ 60
X1  ≤ 40
X1, X2 ≥ 0
Solución
El problema se adecuará al modelo estándar de programación lineal, agregando las variables de
holgura, exceso y/o artificiales en cada una de las restricciones:
Restricción 1:Tiene signo “≤” (menor igual) por lo que se agrega la variable de holgura S1.
Restricción 2 Tiene signo “≤” (menor igual) por lo que se agrega la variable de holgura S2.
Restricción 3 Tiene signo “≤” (menor igual) por lo que se agrega la variable de holgura S3.
Un problema de PL consta de una función objetivo (lineal) por maximizar o minimizar, sujeta a ciertas
restricciones en la forma de igualdades o desigualdades.

Conceptos clave:

Función objetivo: La función por optimizar (maximizar o minimizar)

Restricciones: Representan condiciones que es preciso satisfacer. Sistema de igualdades y

desigualdades (≤ Ó ≥)
 MAXIMIZACION

Maximizar:
A continuación se presenta un nuevo problema de maximización:
Función Objetivo
Maximizar: Z = 2X1 + 5X2⁸
Sujeto a:
X1 + 6X2 ≤ 20
X1 + X2 ≤ 60
X1  ≤ 40
X1, X2 ≥ 0
Solución
El problema se adecuará al modelo estándar de programación lineal, agregando las variables de
holgura, exceso y/o artificiales en cada una de las restricciones:
Restricción 1:Tiene signo “≤” (menor igual) por lo que se agrega la variable de holgura S1.
Restricción 2 Tiene signo “≤” (menor igual) por lo que se agrega la variable de holgura S2.
Restricción 3 Tiene signo “≤” (menor igual) por lo que se agrega la variable de holgura S3.
 Para restricción de £ : cambio en la misma dirección. Vale decir que un aumento en el valor RHS no
produce una disminución en el valor óptimo sino que éste aumenta o permanece igual según la restricción
sea obligatoria o no obligatoria.

Para restricción de <= cambio en la dirección opuesta. Vale decir que un aumento en el valor RHS no
produce un aumento en el valor óptimo sino que éste disminuye o permanece igual según la restricción sea
obligatoria o no obligatoria.

Para restricción de >= el cambio puede ser en cualquier dirección

MINIMIZACION

Para Minimizar
Se tiene el siguiente problema:
Función Objetivo
Minimizar: Z = 3X1 – 2X2
Sujeto a:
2X1 + X2 ≤ 18
2X1 + 3X2 ≤ 42
3X1 – 2X2 ≤ 5
X1, X2 ≥ 0
Solución
El problema se adecuará al modelo estándar de programación lineal, agregando las variables de
holgura, exceso y/o artificiales en cada una de las restricciones:
Restricción 1: tiene signo “≤” (menor igual) por lo que se agrega la variable de holgura S1.
Restricción 2: Tiene signo “≤” (menor igual) por lo que se agrega la variable de holgura S2.
Restricción 3: Tiene signo “≤” (menor igual) por lo que se agrega la variable de holgura S3.
A continuación se muestra el problema en la forma estándar. Se colocará el coeficiente 0 (cero)
donde corresponda para crear
de minimización. El resultado sería:
Z = -28
X1= 0, X2= 14, S1= 4, S2= 0, S3= 33Para restricción de <=cambio en la dirección opuesta. Vale decir
que un aumento en el valor RHS no produce un aumento del valor óptimo sino que éste disminuye o
permanece igual según la restricción sea obligatoria o no obligatoria).
Para restricción de >=cambio en la misma dirección. Vale decir que un aumento en el valor RHS no produce
una disminución del valor óptimo sino que éste aumenta o permanece igual según la restricción sea
obligatoria o no obligatoria.
Para restricción de =: el cambio puede ser en cualquier dirección
 LA FORMA CANONICA Y ESTANDAR DE PROGRAMACION LINEAL (DE
MAXIMIZAR Y DE MINIMIZAR

Diremos que un problema de programación lineal de minimización está escrito en “forma canónica” 
si todas las variables son no negativas y todas lasrestricciones son del tipo ≥.Diremos que un proble
ma de programación lineal de maximización está escritoen “forma canónica” si todas las variables s
on no negativas y todas lasrestricciones son del tipo .!bservación" #l m$todo simplex% que es un 
m$todo para resolver problemas deprogramación lineal% está dise&ado para aplicarse sólo despu$
s de que elproblema se 'aya escrito en forma estándar
 DEFINICION DE CRITERIO DE OPTIMALIDAD Y CRITERIO DE
FATIBILIDAD

Criterios de optimalidad.

El interés en la forma estándar de PL, se basa en las soluciones básicas de las ecuaciones lineales
simultáneas. Esta solución básica (algebraica) define completamente todos los puntos extremos
(geométricos) del espacio de la solución. El algoritmo simplex está diseñado para localizar de
manera eficiente la óptima entre estas soluciones básicas.
Es la técnica para solucionar problemas de programación lineal.
Se fundamenta en 2 criterios:
a) Criterio de optimalidad: Este principio garantiza que nunca encontraremos soluciones inferiores a
la del punto ya considerado.
b) Criterio de factibilidad: Este criterio nos asegura que si comenzamos con una solución básica
factible inicial, siempre encontraremos soluciones básicas factibles.
La variable de entrada en un problema de maximización es la variable no basica que tiene el coeficiente más
negativo en la fila Z o función objetivo. En el caso de minimización, la variable de entrada se define como la
variable no básica que tiene que tiene el coeficiente más positivo en la fila Z.
Criterios de factibilidad.

es aquella que dispone de los recursos que se utilizarán para poder realizar los objetivos y metas de
un proyecto planteado.
Además permite la orientación de decisiones que vayan en pro del proyecto, incrementando las
posibilidades de que todo sea un total éxito y sigue los siguientes pasos
Diseña el control administrativo para cada etapa del proyecto.
Calcula el costo de los ingresos y la cantidad de inversión necesaria para el proyecto.
Aplica los criterios de evaluación en financiero social, ambiental, y económico; permitiendo la toma
de decisiones para el proyecto.
Gracias al conocimiento de factibilidad en un proyecto se puede determinar si se espera:
la continuidad del proyecto.
el abandono total del proyecto.
la continuidad de este; el estudio permite encontrar lo oportuno que puede llegar hacer el objetivo.

Se debe a que entre sus objetivos; la factibilidad verifica el potencial del mercado, a su vez si
existe alguna necesidad que aún no esté satisfecha; también si hay alguna ventaja de la cual se
pueda sacar provecho desde el punto económico, ambiental, financiero y social para la
producción de un producto

Tanto para los problemas de maximización como de minimización, la variable de salida es la variable básica
asociada con la razón no negativa más pequeña. En caso de empates se rompen arbitrariamente y se
descartan las razones negativas o indefinidas. Cuando se refiere a razón se entiende por la división de los
límites del lado derecho entre los coeficientes de la columna de la variable de entrada.
La solución de un problema de PL a través del algoritmo Simplex, en su forma tabular, consiste en cálculos
para encontrar una nueva solución básica fundamentados en operaciones algebraicas de la metodología
Gauss-Jordán para la solución de sistemas de ecuaciones simultaneas por matrices. Donde se tiene una
columna pivote (columna de la variable de entrada) y un reglón o fila pivote (variable de salida). La
intersección de estos dos constituyen el elemento pivote, que en la tabla se lleva a la unidad (valor 1).
 BIBLIOGRAFIA
Referencias Bibliográficas
[Link]
un-proyecto/
[Link]
sa=t&source=web&rct=j&url=[Link]
-[Link]%3Fm%3D1&ved=2ahUKEwjX1Iui6IXyAhXnmmoFHX-
dDVEQFjAVegQIDxAC&usg=AOvVaw3lO2rHoFcHrGU9tV-sIEEC&cshid=1627477268369
[Link]
sa=t&source=web&rct=j&url=[Link]
[Link]&ved=2ahUKEwjBhs_O6YXyAhU3mWoFHf6OBmIQFjADegQIGRAF&usg=AOvVaw
1WQK8gR5Hy81fO_Ldgr_08
[Link]
estudio-de-factibilidad-en-un-
proyecto/&ved=2ahUKEwjBhs_O6YXyAhU3mWoFHf6OBmIQFjAUegQIDhAC&usg=AOvVaw3jB-i-
_Uuo2ANeY0bQ3sWW