S.E.P. S.E.S Tec.N.

INSTITUTO TECNOLÓGICO DE TOLUCA

INVESTIGACION DE OPERACIONES I
(INVESTIGACION Y SERIE DE
EJERCIOS)

Carrera
ingeniería Industrial

Docente
Norma Rubí Baca

Alumno

NO. CONTROL:

00999999
TITULO
 Carrera

P R E S E N T A:
INTRODUCCIÓN
Alumno
El Método Simplex, como parte de la programación lineal, es un método analítico
capaz de resolver aquellos modelos que se vuelven complejos en el uso del
método gráfico por el número de variables empleadas, por ejemplo: Si usted se
NO. CONTROL:
traslada a su Universidad ¿cuántas opciones tiene para llegar? ¿se va caminando
o en carro? Si decide irse en transporte ¿automóvil particular, transporte público,
00999999
bicicleta, patines, de aventón? ¿Qué implica que usted opte por viajar en alguno
de estos? ¿Cuántos recursos será necesario invertir? ¿Cuál es la ruta más corta?
¿Se da cuenta?... Son varios los factores a considerar, muchas las variables que
contemplar y los resultados diferentes.

Método Simplex

El método Simplex es un procedimiento iterativo que permite mejorar la solución

de la función objetivo en cada paso. El proceso concluye cuando no es posible
continuar mejorando dicho valor, es decir, se ha alcanzado la solución óptima (el
mayor o menor valor posible, según el caso, para el que se satisfacen todas las
restricciones).

Partiendo del valor de la función objetivo en un punto cualquiera, el procedimiento

consiste en buscar otro punto que mejore el valor anterior. Como se verá en
el método Gráfico, dichos puntos son los vértices del polígono (o poliedro o
polícoro, si el número de variables es mayor de 2) que constituye la región
determinada por las restricciones a las que se encuentra sujeto el problema
(llamada región factible). La búsqueda se realiza mediante desplazamientos por
las aristas del polígono, desde el vértice actual hasta uno adyacente que mejore el
valor de la función objetivo. Siempre que exista región factible, como su número
de vértices y de aristas es finito, será posible encontrar la solución.

El método Simplex se basa en la siguiente propiedad: si la función objetivo Z no

toma su valor máximo en el vértice A, entonces existe una arista que parte de A y
a lo largo de la cual el valor de Z aumenta.

Variables de Holgura (Método Simplex)

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.

Aplicaciones del método simplex.

  Este método o procedimiento cuenta con un sinnúmero de aplicaciones en
programación lineal, pero también uso en matemática y geometría. De entre
las aplicaciones más comunes del método simplex destacan:

 Es una técnica utilizada para dar soluciones numéricas a problemas de

programación lineal.

 Es comúnmente aplicado para encontrar una solución óptima en problemas

de maximización y minimización.

 Es útil para resolver problemas de gran tamaño y complejos.

 A partir del método simplex se han desarrollado variantes comúnmente

utilizadas en programación lineal.

 Este método ha sido de suma utilidad para el desarrollo de software que

facilitan el proceso de cálculos un ejemplo de ello es el WINQSB

 Este modelo sirve para la correcta interpretación de modelos de decisión

basados en descripciones matemáticas con la finalidad de ayudar en la
toma de decisiones en situaciones de incertidumbre.

Pasos del Método Simplex

Los pasos para seguir en el método simplex son:

1. Definir el problema en la forma estándar y generar nuestra matriz.
2. Determinar la solución básica inicial.
3. Seleccionar la variable de entrada utilizando la condición de
optimalidad. Si no se puede seleccionar una variable de entrada,
quiere decir que estamos en la condición óptima y finalizan las
iteraciones. De otro modo se continúa con el siguiente paso.
4. Seleccionar la variable de salida utilizando la condición de
factibilidad.
5. Actualizar nuestra matriz realizando las operaciones de Gauss-
Jordán. Volver al paso número 3.

1. Definir el problema en la forma estándar y generar matriz

Un problema de programación lineal tiene la siguiente forma:

Donde x1, x2 … en son las variables del problema.

Antes de llevar nuestro modelo a la forma estándar debemos verificar que todas
las restricciones tienen el lado derecho no negativo. Es decir:

b1, b2 … bm ≥ 0

¿Qué hago si el lado derecho de la restricción es negativo?

Cuando el término independiente de la restricción es negativo, se debe multiplicar

por -1 a toda la restricción para convertir el valor del lado derecho en positivo. Esta
multiplicación también afectará al signo de la restricción de la siguiente forma:

 Si la restricción es del tipo mayor igual (≥), se deberá cambiar a

menor igual (≤).
 En caso la restricción sea del tipo menor igual (≤), se deberá cambiar
a mayor igual (≥).
 Si la restricción es una igualdad, el signo se mantiene.

Un caso especial es cuando el término independiente de la restricción es 0 y el

signo es mayor igual (≥); en dicha situación, podemos multiplicar la restricción por
(-1) para convertirla en menor igual (≤). Esto nos servirá para no utilizar variables
artificiales como veremos posteriormente.

Convertir restricciones en igualdades

Para convertir las restricciones en igualdades va a depender de su signo:

 Si la restricción es menor igual (≤): Para este tipo de restricciones

debemos introducir una variable no negativa llamada de holgura y que
son auxiliares para el problema. Por ejemplo:
  Cuando la restricción es mayor igual (≥): En este tipo de
restricciones se debe restar una variable de exceso y así mismo agregar
una variable artificial. Por ejemplo:

 Si la restricción es igual (=): En este tipo de restricciones debemos

agregar una variable artificial de la siguiente forma:

El método Simplex “tradicional” o “básico” que abordaremos en esta entrada, se

utiliza para los problemas de programación lineal donde todas las restricciones
son del tipo menor e igual (≤). Para las restricciones que utilizan variables
artificiales debemos utilizar el método de 2 fases o el método de la M Grande.
Artículos Relacionados Cómo elaborar un diagrama PERT CPM paso a paso +
Ejemplos.
Generar la matriz

Aplicando lo indicado en los puntos anteriores tendríamos lo siguiente:

Una vez convertidas nuestras restricciones en ecuaciones procederemos a

generar nuestra matriz:

En nuestra matriz podemos identificar lo siguiente:

 Vector de Costes: Es el vector que contiene los coeficientes de

todas las variables de la función objetivo. En la parte inferior del vector
se indican las variables en orden.
 Vector Solución: En esta columna se coloca la solución básica
inicial y se va actualizando conforme se realizan las iteraciones. En la
columna Cb se indica el coeficiente que corresponde a cada variable en
el vector de costes. Así mismo siempre se iniciará con las variables de
holgura en la base cuando el problema no tenga variables artificiales.
 Coeficientes Restricciones: Se colocan los coeficientes de las
restricciones en el mismo orden en que fueron formuladas. La columna
R contiene a los términos independientes también conocido como vector
de recursos.
 Vector de costes reducidos: También conocido como precios
sombra. Este vector se calcula multiplicando el vector solución por los
coeficientes de las restricciones y se resta el vector de costes. Este
 procedimiento lo explicaremos al detalle en nuestra entrada del método
de las dos fases y de la M Grande, donde se presentan variables
artificiales. En los ejercicios que veremos en esta entrada, al no existir
variables artificiales, el vector de costes será igual al vector de costes
multiplicado por “-1”.

2. Determinar la solución básica inicial:

Como habíamos mencionado, el método simplex parte de un vértice de la región

factible, es decir, un punto extremo. Con cada iteración avanzaremos de vértice en
vértice hasta llegar a la solución óptima.

En nuestro caso, en la matriz elaborada podemos ver la solución básica inicial que
sería S1=35, S2=18 y S3=26 (cada variable del vector solución se iguala al valor
que se encuentra en la columna R. Estas variables se denominan variables
básicas. El valor de Z inicial también se muestra en la columna R que es.

Las variables que no se encuentran en la base se denominan variables no básicas

y en este caso serían X1 y X2. Ambas tienen un valor de 0. ¿Con esta solución
tenemos el mejor valor de Z? Para saberlo debemos continuar al siguiente paso:

3. Seleccionar la variable de entrada utilizando la condición de optimalidad

Con nuestra matriz finalizada e identificada nuestra solución básica inicial

revisaremos la condición de optimalidad.
Condición de Optimalidad:

La condición de optimalidad consiste en verificar si la solución actual que tenemos

en nuestra matriz es la óptima o si se puede mejorar. Se verifica de la siguiente
manera:

 En un problema de maximización si todos los coeficientes del vector

de costes reducidos son mayores o iguales que cero, quiere decir que
estamos en el punto óptimo y finaliza el problema.
 En un problema de minimización si todos los coeficientes del vector
de costes reducidos son menores o iguales que cero, quiere decir que
estamos en el punto óptimo y finaliza el problema.

Siguiendo con el ejemplo, siendo el problema de maximización, podemos ver que

en el vector de costes reducidos existen valores negativos, lo que significa que no
estamos en el óptimo. Eso quiere decir que debemos iniciar las iteraciones
seleccionando la variable de entrada.

Variable de Entrada

La variable de entrada hace referencia a una de las variables no básicas que

ingresará a la base y formará parte de la solución del problema.

Los criterios para seleccionar la variable de entrada dependen si el problema es

de maximización o minimización:

 Para problemas de maximización, la variable de entrada será la

variable no básica con el coeficiente más negativo en el vector de
costes reducidos.
 Para problemas de minimización, la variable de entrada será la
variable no básica con el coeficiente más positivo en el vector de
costes reducidos.

La columna donde está ubicada la variable se denomina columna pivote.

En el ejemplo nuestra variable de entrada sería X 1 dado que tiene el valor más
negativo en el vector de costes reducidos, es decir “-3”:

Artículos Relacionados Cómo resolver problemas de programación lineal por el

método gráfico
4. Seleccionar la Variable de Salida con la Condición de Factibilidad

A continuación, explicaremos a que se refiere la condición de factibilidad:

Condición de Factibilidad

La condición de factibilidad, para cualquier problema ya sea de maximización o

minimización, se verifica evaluando los valores de los coeficientes de la matriz de
restricciones que se encuentran en la columna que corresponde a la variable de
entrada.

Se debe verificar que al menos uno de sus valores sea mayor que 0 para obtener
nuestra variable de salida. Si no se cumple esa condición significa que el problema
tiene solución ilimitada no acotada.

Variable de Salida

Para determinar la variable que sale de la base se debe dividir el valor

correspondiente a la columna R con su respectivo coeficiente en la columna de la
variable de entrada (siempre y cuando este coeficiente sea estrictamente positivo).

De los resultados obtenidos, el menor valor corresponde a la fila que contiene a la

variable de salida. Esta fila la llamaremos fila pivote

Veremos su aplicación con el ejemplo:

La variable de salida sería S2. El número que se encuentra al cruzar la fila pivote y
la columna pivote es el elemento pivote; en nuestro caso sería 3:

5. Actualizar la Matriz

Una vez determinado nuestro elemento pivote, realizaremos las operaciones de

Gauss-Jordán para formar nuestra matriz identidad. El nuevo valor de cada fila se
calculará de la siguiente manera:
 Para la fila pivote: El nuevo valor se obtendrá dividiendo el valor
actual entre el elemento pivote.

Nuevo Valor Fila Pivote = Valor Actual Fila Pivote / Elemento Pivote

 Para las otras filas: El nuevo valor se calcula restando del valor
actual, la multiplicación del elemento de la fila que se encuentra en la
columna pivote por el nuevo valor calculado en la fila pivote.

Nuevo Valor = Valor Actual – (Elemento Fila Columna Pivote*Nuevo Valor Fila
Pivote).

Para entenderlo mejor, continuaremos resolviendo el ejemplo. Iniciaremos con la

fila pivote:
En las otras filas realizaremos los cálculos de forma diferente. Iniciaremos con la
fila de S1:

Para la fila S3 tenemos:

 
Finalmente, en la fila Z tenemos:

La matriz resultante sería:

Cómo puedes ver la posición donde se encontraba nuestro elemento pivote ahora
es 1 y los elementos que lo acompañan en la columna se convierten en 0. Es así
como empezamos a formar nuestra matriz identidad.
Volver al paso número 3

Con este último resultado, volveremos al paso 3 y repetiremos el proceso. Cómo

existen valores negativos en el vector de costes reducidos, podemos seguir
optimizando.

El único valor negativo es -4, por lo que la variable que ingresará es X 2.

Para elegir la variable que va a salir, dividimos cada valor de la columna R por su
contraparte de la columna X2 (este último valor debe ser positivo)
 23/ (19/3) = 69/19 = 3.632
 El valor en la columna X2 es negativo por lo que no se toma en
cuenta.
 14/ (16/3) = 21/8 = 2.625
El menor valor se encuentra en la fila de S3, por lo que es la variable que saldrá de
la base. El elemento pivote es 16/3.

Realizamos nuevamente las iteraciones obteniendo el siguiente resultado:

En esta última matriz vemos que el vector de costes reducidos ya no tiene ningún
valor negativo, lo que quiere decir que nos encontramos en el valor óptimo.
Obtendremos los valores de las variables básicas y de Z de la siguiente forma:

Las variables que no se encuentran en la base tendrán valor de 0.

Solución: X1= 31/4, X2= 21/8, S1= 51/8, S2= 0, S3= 0, Z = 57/2
 Serie de Ejercicios Tema 1. Introducción a la Investigación de Operaciones

1. Quality Air fabrica tres acondicionadores de aire domésticos: un modelo

económico, uno estándar y otro de lujo. Las ganancias por unidad son 63, 95 y
135 dólares, respectivamente. Los requerimientos de producción se muestran
en la tabla siguiente:
Modelo de Número de Número de bobinas de Tiempo de
ventilador ventiladores enfriamiento manufactura (horas)
Económico 1 1 8
Estándar 1 2 12
De lujo 1 4 14
Para el próximo periodo de producción, la compañía tiene 200 motores de
ventilador, 320 bobinas de enfriamiento y 2400 horas de tiempo de manufactura
disponibles. Planteé el modelo matemático que mejor se ajusta a la información
presentada.
X1= modelo económico a fabricar de ventiladores
X2= modelo estándar a fabricar de ventiladores
X3= modelo de lujo a fabricar de ventiladores
Maximizar z=63x1+95x2+135x3+0s1+0s2+0s3
X1+x2+x3≤200 X1+x2+x3+s1=200
X1+2x2+4x3≤320 X1+2x2+4x3+s2=20
8X1+12x2+14x3≤2400 8X1+12x2+14x3+s3=2400
X1, x2, x3≥0
Variables
Z X1 X2 X3 S1 S2 S3 Soluc ión
básicas
Z 1 -63 -95 -135 0 0 0 0
S1 0 1 1 1 1 0 0 200 200
S2 0 1 2 4 0 1 0 320 80
S3 0 8 12 14 0 0 1 2400 171.428571

Variables
Z X1 X2 X3 S1 S2 S3 Soluc ión
básicas
Z 1 -63 -95 -135 0 0 0 0 (135*r3) +r1
S1 0 1 1 1 1 0 0 200 (- 1*r3)+r2
S2 0 0.25 0.5 1 0 0.25 0 80
S3 0 8 12 14 0 0 1 2400 (- 14*r3) +r4

Variables
Z X1 X2 X3 S1 S2 S3 Soluc ión
básicas
135 Z 1 -29.25 -27.5 0 0 33.75 0 10800
-1 S1 0 0.75 0.5 0 1 -0.25 0 120 160
X3 0 0.25 0.5 1 0 0.25 0 80 320
-14 S3 0 4.5 5 0 0 -3.5 1 1280 284.444444

Variables
básicas Z X1 X2 X3 S1 S2 S3 Solución
Z 1 -29 .25 -27 .5 0 0 33.75 0 10 800
1 1/3 S1 0 1 2/3 0 1 1/3 - 1 /3 0 160
X3 0 0.25 0.5 1 0 0.2 5 0 80
S3 0 4.5 5 0 0 - 3.5 1 12 80

Variables
básicas Z X1 X2 X3 S1 S2 S3 Solución
Z 1 -29 .25 -27 .5 0 0 33.75 0 10 800 (29.25*r2) +r1
X1 0 1 0.66667 0 1.333 33 -0 .3 333 0 16 0
X3 0 0.25 0.5 1 0 0.2 5 0 80 (- 0.25*r2) +r3
S3 0 4.5 5 0 0 - 3.5 1 12 80 (- 4.5*r2) +r4

Variables
básicas Z X1 X2 X3 S1 S2 S3 Solución
29.25 Z 1 0 -8 0 39 24 0 15 480
X1 0 1 2/3 0 1 1/3 - 1 /3 0 16 0 240
-0.25 X3 0 0 1/3 1 - 1/3 1 /3 0 40 120
-4.5 S3 0 0 2 0 -6 -2 1 56 0 280

Variables
básicas Z X1 X2 X3 S1 S2 S3 Solución
Z 1 0 -8 0 39 24 0 15 480 8*r3+r1
X1 0 1 2/3 0 1 1/3 - 1 /3 0 16 0 =-2/3*R3+R2
3 X2 0 0 1 3 -1 1 0 12 0
S3 0 0 2 0 -6 -2 1 56 0 -2*r 3+r4

Variables
básicas Z X1 X2 X3 S1 S2 S3 Solución
Z 1 0 0 24 31 32 0 16 440
- 2/ 3 X1 0 1 0 -2 2 -1 0 80
X2 0 0 1 3 -1 1 0 12 0
-2 S3 0 0 0 -6 -4 -4 1 32 0

SOLUCI ÓN X1 80
X2 120
X3 0
Z 16440
S1 0
S2 0
S3 320
 Variables
Z X1 X2 X3 S1 S2 S3 Solución
básicas
Z 1 -63 -95 -135 0 0 0 0
S1 0 1 1 1 1 0 0 200 200
S2 0 1 2 4 0 1 0 320 80
S3 0 8 12 14 0 0 1 2400 171.428571

Variables
Z X1 X2 X3 S1 S2 S3 Solución
básicas
Z 1 -63 -95 -135 0 0 0 0 (135*r3)+r1
S1 0 1 1 1 1 0 0 200 (-1*r3)+r2
S2 0 0.25 0.5 1 0 0.25 0 80
S3 0 8 12 14 0 0 1 2400 (-14*r3)+r4

Variables
Z X1 X2 X3 S1 S2 S3 Solución
básicas
135 Z 1 -29.25 -27.5 0 0 33.75 0 10800
-1 S1 0 0.75 0.5 0 1 -0.25 0 120 160
X3 0 0.25 0.5 1 0 0.25 0 80 320
-14 S3 0 4.5 5 0 0 -3.5 1 1280 284.444444

Variables
básicas Z X1 X2 X3 S1 S2 S3 Solución
Z 1 -29.25 -27.5 0 0 33.75 0 10800
1 1/3 S1 0 1 2/3 0 1 1/3 - 1/3 0 160
X3 0 0.25 0.5 1 0 0.25 0 80
S3 0 4.5 5 0 0 -3.5 1 1280

Variables
básicas Z X1 X2 X3 S1 S2 S3 Solución
Z 1 -29.25 -27.5 0 0 33.75 0 10800 (29.25*r2)+r1
X1 0 1 0.66667 0 1.33333 -0.3333 0 160
X3 0 0.25 0.5 1 0 0.25 0 80 (-0.25*r2)+r3
S3 0 4.5 5 0 0 -3.5 1 1280 (-4.5*r2)+r4

Variables
básicas Z X1 X2 X3 S1 S2 S3 Solución
29.25 Z 1 0 -8 0 39 24 0 15480
X1 0 1 2/3 0 1 1/3 - 1/3 0 160 240
-0.25 X3 0 0 1/3 1 - 1/3 1/3 0 40 120
-4.5 S3 0 0 2 0 -6 -2 1 560 280

Variables
básicas Z X1 X2 X3 S1 S2 S3 Solución
Z 1 0 -8 0 39 24 0 15480 8*r3+r1
X1 0 1 2/3 0 1 1/3 - 1/3 0 160 =-2/3*R3+R2
3 X2 0 0 1 3 -1 1 0 120
S3 0 0 2 0 -6 -2 1 560 -2*r 3+r4

Variables
básicas Z X1 X2 X3 S1 S2 S3 Solución
Z 1 0 0 24 31 32 0 16440
- 2/3 X1 0 1 0 -2 2 -1 0 80
X2 0 0 1 3 -1 1 0 120
-2 S3 0 0 0 -6 -4 -4 1 320

SOLUCIÓN X1 80
X2 120
X3 0
Z 16440
S1 0
S2 0
S3 320

Conclusión:
Para poder maximizar las ganancias se tiene que producir 80 acondicionadores de
aire domestico económico, 120 estándar y de flujo no producir.

2. Juan acaba de entrar a la universidad, y se da cuenta que, si sólo estudia y no

juega, su personalidad será gris. Desea repartir su tiempo disponible,
aproximadamente de 10 horas por día, entre juego y estudio. Estima que el
juego es doblemente divertido que el estudio. También desea estudiar cuando
menos un tiempo igual al que pasa jugando. Sin embargo, se da cuenta que, si
debe hacer todas sus tareas escolares, no puede jugar más de 4 horas diarias.
¿Cómo debe repartir Juan su tiempo, para maximizar su placer de estudiar y
jugar? plantee el modelo de programación lineal correspondiente.
X1= tiempo de juego por día
X2=tiempo de estudio
Maximizar z=2x1+x2
X1+x2≤10
X2≤4
X2 ≥x1
X1, x2≥ 0

Conclusión:
Tiene que maximizar su tiempo a 6 horas de juego y 4 de estudio al día
3. En Limpieza, S.A., se usan las materias primas I y II para producir dos
soluciones limpiadoras domésticas, A y B. La disponibilidad diaria de las
materias primas I y II es 150 y 145 unidades, respectivamente. Una unidad de
solución A consume 0.5 unidad de materia prima I y 0.6 unidad de materia
prima II; una unidad de solución B requiere 0.5 unidad de materia prima I y 0.4
unidad de materia prima II. Las utilidades unitarias de las soluciones A y B son
$8 y $10, respectivamente. La demanda diaria de la solución A está entre 30 y
150 unidades, y la de la solución B entre 40 y 200 unidades, respectivamente,
formule el modelo de programación lineal.
X1=unidades de solución A
X2=unidades de solución B
Maximizar z=8x1+10x2
0.5x1+0.5x2 ≤150
0.6x1+0.4x2≤145
30≤x1≤150
40≤x2≤200
X1+x2≥0

Conclusión:
Las utilidades se deben de maximizar al producir 1000 de la primera solución y
2000 de la segunda solución
4. Se contrata a Enlatadora Popeye para que reciba 60,000 lb de tomates
maduros a 7 centavos por libra, con los cuales produce jugo de tomate y pasta
de tomate, ambos enlatados. Se empacan en cajas de 24 latas. En una lata de
jugo se usa 1 lb de tomates frescos, y en una de pasta sólo 1/3 de lb. La
demanda de los productos en el mercado se limita a 2000 cajas de jugo y 6000
cajas de pasta. Los precios al mayoreo por caja de jugo y pasta son $18 y $9,
respectivamente, plantee el modelo de programación lineal correspondiente.
X1=n° cajas de jugo de tomate
X2=n° cajas de pasta de tomate
Maximizar z=18x1+9x2-10.7(24x1+8x2)
=18x1+9x2-(1.68x1+0.56x2)
=16.32x1+8.44x2
24x1+8x2 ≤60000
x1≤2000
x2≤6000
X1*x2≥0

Conclusión:
Para la maximización de las ganancias se tienen que vender 500 latas de jugo
de tomate y 60000 de pasta de tomate.
5. En Granjas Modelo se usa diariamente un mínimo de 800 libras (lb) de un
alimento especial, que es una mezcla de maíz y soya, con las composiciones
siguientes:
 l b por lb de alimento
Alimento
Proteínas Fibras Costo ($/lb)
Maíz 0.09 0.02 0.30
Soya 0.60 0.06 0.90
Las necesidades dietéticas del alimento especial son un mínimo de 30% de
proteínas y un máximo de 5% de fibras. Granjas Modelo desea determinar las
proporciones de alimento que produzcan un costo diario mínimo, para lo cual se
solicita plantear el modelo matemático correspondiente.
X1= lb de maíz utilizadas
X2=lb de soya utilizadas
Minimizar z=0.30x1+0.90x2+0s1+0s2+0s3
X1+x2≥800 X1+x2-s1 =800
0.90x1+0.60x2≥0.30 0.09x1+0.6x2-s2= 0.30
0.02x1+0.06x2≤0.05 0.02x1+0.06x2-s3=0.05
X1, x2≥0

Variables
Z X1 X2 S1 S2 S3 Solución
básicas X1 X2 RESULTADO FORMULA
Z 1 -0.3 -0.9 0 0 0 0 FUNCIÓN OBJETIVO 0.3 0.9 0.45
S1 0 1 1 -1 0 0 800 800 RESTRICCIÓN 1 1 1 <= 800 0.5
S2 0 0.09 0.6 0 -1 0 0.3 0.5 RESTRICCIÓN 2 0.09 0.6 >= 0.3 0.3
S3 0 0.02 0.06 0 0 -1 0.05 0.83333333 RESTRICCIÓN 3 0.02 0.06 <= 0.05 0.03
16 2/3 0.00 0.33 1.00 0.00 0.00 -16.67 0.83

Variables
Z X1 X2 S1 S2 S3 Solución
básicas X1 0
Z 1 -0.3 -0.9 0 0 0 0 X2 0.50
S1 0 1 1 -1 0 0 800 Z= 0.45
S2 0 0.09 0.6 0 -1 0 0.3
X2 0.00 0.33 1.00 0.00 0.00 -16.67 0.83

Variables básicas
Z X1 X2 S1 S2 S3 Solución
0.9 Z 1 0.0 0 0 0 -15 0.75
-1 S1 0 0.67 0 -1 0 16.6666667 799.1666667 47.95
-0.6 S2 0 -0.11 0 0 0 10 -0.2 -0.02 -1
X2 0.00 0.33 1.00 0.00 0.00 -16.67 0.83 -0.05

Variables básicas
Z X1 X2 S1 S2 S3 Solución
Z 1 0.0 0 0 0 -15 0.75
S1 0 0.67 0 -1 0 16.67 799.1666667
-0 S3 0 0.11 0 0 0 -10 0.2
X2 0.00 0.33 1.00 0.00 0.00 -16.67 0.83

Variables básicas
Z X1 X2 S1 S2 S3 Solución
Z 1 0.0 0 0 0 -15 0.75
S1 0 0.67 0 -1 0 16.6666667 799.1666667
s3 0 -0.01 0 0 0 1 -0.02
X2 0.00 0.33 1.00 0.00 0.00 -16.67 0.83

Variables básicas
Z X1 X2 S1 S2 S3 Solución
15 Z 1 -0.165 0 0 0 0 0.45
-16.67 S1 0 6/7 0 -1 0 0.00 799.50 940.55
s3 0 -0.011 0 0 0 1 -0.02 1.82
16.67 X2 0.00 0.15 1.00 0.00 0.00 0.00 0.50 3.33
-91 0 1 0 0 0 -91 -0.33

Variables básicas
Z X1 X2 S1 S2 S3 Solución
Z 1 -0.165 0 0 0 0 0.45
S1 0 0.85 0 -1 0 0.00 799.50
x1 0 1 0 0 0 -91 0.00
X2 0.00 0.15 1.00 0.00 0.00 0.00 0.50

Conclusión:
Para obtener un coste mínimo diario en la elaboración del alimento especial es
necesario que se empleen solamente 0.50 libras de fibras costeando diariamente.

6. Ken & Larry Inc, surte su helado a los expendios de tres sabores: chocolate,
vainilla y plátano. Debido al calor extremo y la alta demanda, la compañía tiene
 un déficit en el abastecimiento de los ingredientes: leche, azúcar, crema.
Entonces, no podrá satisfacer todas las órdenes recibidas en sus pedidos. Por
estas circunstancias, la compañía ha decidido seleccionar la cantidad que debe
producir de cada sabor para maximizar la ganancia toral dalas las restricciones
en las cantidades de ingredientes básicos.
Los sabores de chocolate, vainilla y plátano generan ganancias respectivas de
$100, $90 y $90 por galón vendido. La compañía tiene sólo 200 galones de leche,
170 libras de azúcar y 80 galones de crema en su inventario, para fabricar un
galón de helado de chocolate se requiere 0.45 galones de leche, 0.45 libras de
azúcar y 0.10 galones de crema; para fabricar 1 galón de helado de vainilla se
requieren 0.40 galones de leche, 0.40 libras de azúcar y 0.20 galones de crema;
finalmente, para fabricar un galón de helado de plátano se requieren 0.45 galones
de leche, 0.35 libras de azúcar y 0.20 galones de crema. Plantee el modelo
matemático adecuado.
X1=galones de helado de chocolate
X2= galones de helado de vainilla
X3=galones de helado de plátano
Maximizar z=100x1+90x2+90x3+0s1+0s2+0s3
0.45x1+0.40x2+0.45x3≤200 0.45X1+0.4x2+0.45x3+s1 =200
0.45x1+0.40x2+0.35x3≤170 0.45x1+0.4x2+0.35x3+s2=170
0.10x1+0.20x2+0.20x3≤80 0.1x1+0.2x2+0.2x3+s3=80
X1, x2, x3≥0
Variables
Z X1 X2 S1 S2 S3 Solución
básicas X3
Z 1 -100 -90 -90 0 0 0 0
S1 0 0.45 0.4 0.45 1 0 0 200 444.444444
S2 0 0.45 0.4 0.35 0 1 0 170 377.777778
S3 0 0.1 0.2 0.2 0 0 1 80 800
2 2/9 0.00 1.00 0.89 0.78 0.00 2.22 0.00 377.78

Variables básicas
Z X1 X2 X3 S1 S2 S3 Solución
Z 1 -100 -90 -90 0 0 0 0
S1 0 0.45 0.4 0.45 1 0 0 200
X1 0.0 1.0 0.9 0.8 0.0 2.2 0.0 377.8
S3 0 0.1 0.2 0.2 0 0 1 80

Variables básicas
Z X1 X2 X3 S1 S2 S3 Solución
100 Z 1.00 0.00 -1.11 -12.22 0.00 222.22 0.00 37777.78
-0.45 S1 0.00 0.00 0.40 0.45 1.00 1.00 0.00 577.78 1283.95
X1 0.0 1.0 0.9 0.8 0.0 2.2 0.0 377.8 485.71
-0.1 S3 0.00 0.00 0.11 0.12 0.00 -0.22 1.00 42.22 345.45
8.18181818 0.00 0.00 0.91 1.00 0.00 -1.82 8.18 345.45

Variables básicas
Z X1 X2 X3 S1 S2 S3 Solución
Z 1.00 0.00 -1.11 -12.22 0.00 222.22 0.00 37777.78
S1 0.00 0.00 0.40 0.45 1.00 1.00 0.00 577.78
X1 0.0 1.0 0.9 0.8 0.0 2.2 0.0 377.8
x3 0.00 0.00 0.91 1.00 0.00 -1.82 8.18 345.45

Variables básicas
Z X1 X2 X3 S1 S2 S3 Solución
12.22 Z 1.00 0.00 10.00 0.00 0.00 200.00 100.00 42000.00
-0.45 S1 0.00 0.00 -0.01 0.00 1.00 1.82 -3.68 422.32
-0.8 X1 0.0 1.0 0.2 0.0 0.0 3.6 -6.4 109.1
x3 0.00 0.00 0.91 1.00 0.00 -1.82 8.18 345.45
 X1 X2 X3 RESULTADO FORMULA
FUNCIÓN OBJETIVO 100 90 90 45000
RESTRICCIÓN 1 0.45 0.4 0.45 ≤ 200 200
RESTRICCIÓN 2 0.45 0.4 0.35 ≤ 170 200
RESTRICCIÓN 3 0.1 0.2 0.2 ≤ 80 100

X1 0
X2 500
X3 0
Z= 45000

Conclusión:
Para maximizar la ganancia de la venta de helados en necesario que se vendan
solo 500 galones de helado de vainilla.
7. Impacto, El Ingenio Dulce produce azúcar morena, azúcar blanca, azúcar glas y
melaza, a partir de guarapo concentrado. La empresa compra 4000 toneladas
semanales de ese guarapo, y se le contrata para entregar al menos 25 toneladas
semanales de cada clase de azúcar. El proceso de producción comienza
fabricando azúcar morena y melaza, a partir del guarapo. Una tonelada de
guarapo concentrado produce 0.3 tonelada de azúcar morena y 0.1 tonelada de
melaza. A continuación, se produce azúcar blanca procesando azúcar morena. Se
necesita 1 tonelada de azúcar morena para producir 0.8 tonelada de azúcar
blanca. Por último, el azúcar glas se produce a partir de azúcar blanca mediante
un proceso especial de molienda que tiene una eficiencia de producción de 95% (1
tonelada de azúcar blanca produce 0.95 tonelada de azúcar glas). Las utilidades
son $150, $200, $230 y $35 por tonelada de azúcar morena, azúcar blanca,
azúcar glas y melaza, respectivamente. Formule el problema en forma de
programa lineal.
X1=toneladas de azúcar morena
X2=toneladas de azúcar blanca
X3=toneladas de azúcar glas
X4=toneladas de melaza
Maximizar z=150x1+200x2+230x3+35x4+0s1+0s2+0s3+0s4+0s5+0s6+0s7
X1≥25 X1+S1=25
X2≥25 X2+S2=25
X3≥25 X3+S3=25
X4≥25 X4+S4=25
0.3+0.1x4 ≤4000 0.30X1+0.1X4+S5=4000
X1=0.8x2 X1-0.8X2+S6=0
X2=0.95x3 X2-0.95X3+S7=0
X1, x2, x3, x4≥0
 X1 X2 X3 X4 RESULTADO FORMULA
FUNCIÓN OBJETIVO 150 200 230 35 <= 9363440.79
RESTRICCIÓN 1 1 0 0 0 >= 25 13325
RESTRICCIÓN 2 0 1 0 0 >= 25 16656.25
RESTRICCIÓN 3 0 0 1 0 >= 25 17532.8947
RESTRICCIÓN 4 0 0 0 1 >= 25 25
RESTRICCIÓN 5 0.3 0 0 0.1 <= 4000 4000
RESTRICCIÓN 6 1 -0.8 0 0= 0 0
RESTRICCIÓN 7 0 1 -0.95 0= 0 0

X1 13325
X2 16656.25
X3 17532.8947
X4 25
Z 9363440.79

Conclusión:
Para maximizar las utilidades por los diferentes tipos de azúcar y mezcla
producidos en necesario que diariamente se produzcan 13325 toneladas de
azúcar morena, 16656.25 toneladas de azúcar blanca, 17532.89 de azúcar glas y
25 toneladas de melaza para así obtener $9363440.79 de utilidades.

8. NWAC Electronics fabrica cuatro clases de cables sencillos para un contratista

gubernamental. Cada cable debe pasar por cuatro operaciones consecutivas:
corte, estañado, encamisado e inspección. La tabla siguiente muestra los datos
pertinentes del caso.
Minutos por unidad Utilidad por
Cable unidad ($)
Corte Estañado Encamisado Inspección
SC320 10.5 20.4 3.2 5.0 9.40
SC325 9.3 24.6 2.5 5.0 10.80
SC340 11.6 17.7 3.6 5.0 8.75
SC370 8.2 26.5 5.5 5.0 7.80
Capacidad diaria
4, 800 9, 600 4, 700 4, 500
(minutos)
El contratista garantiza una producción mínima de 100 unidades de cada uno
de los cuatro cables. Formule el problema como modelo de programación lineal.
X1=min. Unidad corte
X2=min. Por unidad estaño
X3=min. Por unidad encamisado
X4=min por unidad inspección
 Maximizar
z=9.40x1+10.80x2+8.75x3+7.80x4+0s1+0s2+0s3+0s4+0s5+0s6+0s7+0s8
10.5x1+9.3x2+11.6x3+8.2x4≤4800
20.4x1+24.6x2+17.7x3+26.5x4≤9600
3.2x1+2.5x2+3.6x3+5.5x4≤4700
5x1+5x2+5x3+5x4≤4500
X1≥100
X2≥100
X3≥100
X4≥100
X1, x2, x3, x4≥0
10.5x1+9.3x2+11.6x3+8.2x4+s1=4800
20.4x1+24.6x2+17.7x3+26.5x4+s2=9600
3.2x1+2.5x2+3.6x3+5.5x4+s3=4700
5x1+5x2+5x3+5x4+s4=4500
X1+s5=100
X2+s6=100
X3+s7=100
X4+s8=100
X1 X2 X3 X4 RESULTADO FORMULA
FUNCIÓN OBJETIVO 9.4 10.8 8.75 7.8 4011.15819
RESTRICCIÓN 1 10.5 9.3 11.6 8.4 <= 4800 4425.64972
RESTRICCIÓN 2 20.4 24.6 17.7 26.5 <= 9600 9600
RESTRICCIÓN 3 3.2 2.5 3.6 5.5 <= 4700 1618.30508
RESTRICCIÓN 4 5 5 5 5 <= 4500 2192.0904
RESTRICCIÓN 5 1 0 0 >= 100 100
RESTRICCIÓN 6 0 1 0 0 >= 100 100
RESTRICCIÓN 7 0 0 1 0 >= 100 138.418079
RESTRICCIÓN 8 0 0 0 1 >= 100 100

X1 100
X2 100
X3 138.418079
X4 100
Z 4011.15819

Conclusión:
Para maximizar la cantidad de utilidades de las 4 clases de cables fabricados
por NWAC Electronics es necesario que se produzca diariamente del cable
SC320, SC325 y SC370 100 unidades diarias, mientas del cable se produzcan
138 unidades, pudiendo de esta manera obtener aproximadamente $4011.158 de
utilidades diarias.
9. Ahorros S.A. desea invertir una suma que genere un rendimiento anual mínimo
de $10,000. Dispone de dos grupos accionarios: acciones selectas y alta
tecnología, con un rendimiento anual promedio de 10 y 25%, respectivamente.
Aunque las acciones de alta tecnología dan más rendimiento, son más
arriesgadas, y Ahorros desea limitar la cantidad invertida en ellas a un máximo
de 60% del total. ¿Cuál es la cantidad mínima que debe invertir Ahorros en
cada grupo de acciones para alcanzar la meta de inversión? Formule el modelo
de programación lineal correspondiente.
X1=número de acciones selectas
X2=numero
Minimizar z=x1+x2
0.10x1+0.25x2≥10000
X2≤0.60(x1+x2)
X2≤0.60x1+0.60x2
X2-0.60x1-0.60x2≤0
-0.60x1+0.40x2≤0
X1, x2≥0

Punto (21052.63, 31578.95):

0.10X1 + 0.25X2 ≥ 10000 → 0.10(21052.63) + 0.25(31578.95) ≥ 10000 → 10000 ≥
10000
-0.60X1 + 0.40X2 ≤ 0 → -0.60(21052.63) + 0.40(31578.95) ≤ 0 → 0.002 ≤ 0
Minimizar Z = 21052.63 + 31578.95 = 52631.58
Punto (100000, 0):
 0.10X1 + 0.25X2 ≥ 10000 → 0.10(100000) + 0.25(0) ≥ 10000 → 10000 ≥ 10000
-0.60X1 + 0.40X2 ≤ 0 → -0.60(100000) + 0.40(0) ≤ 0→ -60000 ≤ 0 Minimizar Z
= 100000 + 0 = 100000

Punto (40000, 50000):

0.10X1 + 0.25X2 ≥ 10000 → 0.10(40000) + 0.25(50000) ≥ 10000 → 16500 ≥ 10000
-0.60X1 + 0.40X2 ≤ 0 → -0.60(40000) + 0.40(50000) ≤ 0 → -4000 ≤ 0 Minimizar Z =
40000 + 50000 = 90000
Conclusión:

Por lo tanto, la cantidad mínima a invertir será de $21052.63 en acciones selectas

y $31578.95 en acciones de alta tecnología, invirtiendo una cantidad mínima de
$52631.58.

10. La tienda B&K vende dos clases de gaseosas: la Cola A1 y la cola B&K,
menos costosa. El margen de utilidad aproximado de A1 es 5 centavos por lata,
y la de B&K es 7 centavos por lata. En promedio, la tienda no vende más de
500 latas diarias. Aunque A1 es una marca reconocida, los clientes tienden a
comprar más B&K, porque es bastante menos costosa. Se estima que se
venden cuando menos 100 latas de A1 diarias, y que B&K se vende más que
A1 por un margen mínimo de 2:1. ¿Cuántas latas diarias de cada marca debe
tener en existencia la tienda para maximizar la utilidad? Formule el problema
como un programa lineal.
X1=número de latas de cada A1
X2=número de latas de cada B&k
Maximizar z=0.05x1+0.07x2+0s1+0s2+0s3
X1+x2≤500 X1+x2+s1=500
X1≥100 X1+s2=100
X1≤2x2 X1+s3-2x2=0
Conclusión:
Para maximizar las utilidades es necesario que diariamente se vendad 100 latas
de refresco A1 y de la B&K se vendan un total de 400 para así obtener $33 de
utilidades diarias
11. Impacto, S.A., puede anunciar sus productos en estaciones locales de radio
o TV. El presupuesto para publicidad se limita a $10,000 mensuales. Cada
minuto de un anuncio en la radio cuesta $15, y cada minuto de comercial en TV
cuesta $300. A impacto le gusta usar al menos el doble de publicidad por la
radio que por TV. Al mismo tiempo, no es práctico usar más de 400 minutos de
anuncios radiofónicos cada mes. La experiencia indica que se estima que la
publicidad por TV es 25 veces más efectiva que por la radio. Plantee el modelo
matemático la asignación óptima del presupuesto para publicidades por radio y
por TV.
X1=minutos de publicidad por radio
X2=minutos de publicidad por TV

Maximizar z=x1+25x2+0s1+0s2+0s3
15x1+300x2≤10000 15X1+300x2+s1=10000
2x1≥x2 2X1-x2+s2=0
X1≤400 X1+s3= 400
x1, x2≥0
 Variables
Z X1 X2 S1 S2 S3 Solución
básicas
Renglón 1 (R1) Z 1 -1 -25 0 0 0 0 Función objetivo
Renglón 2 (R2) S1 0 15 300 1 0 0 10000 Restricción 1
Renglón 3 (R3) S2 0 -2 1 0 1 0 0 Restricción 2
Renglón 4 (R4) S3 0 1 0 0 0 1 400 Restricción 3

Entra la variable más negativa

Variables
Z X1 X2 S1 S2 S3 Solución
básicas
Renglón 1 (R1) Z 1 -1 -25 0 0 0 0
Renglón 2 (R2) S1 0 15 300 1 0 0 10000 10000/300 = 33.33
Renglón 3 (R3) S2 0 -2 1 0 1 0 0 0/1 = 0
Renglón 4 (R4) S3 0 1 0 0 0 1 400 400/0 = indeterminado

Variables
Z X1 X2 S1 S2 S3 Solución
básicas
Renglón 1 (R1) Z 1 -51 0 0 25 0 0 (25*R3)+R1 = Nuevo R1
Renglón 2 (R2) S1 0 615 0 1 -300 0 10000 (-300*R3) + R2 = Nuevo R2
Renglón 3 (R3) X2 0 -2 1 0 1 0 0
Renglón 4 (R4) S3 0 1 0 0 0 1 400

Variables
Z X1 X2 S1 S2 S3 Solución
básicas
Renglón 1 (R1) Z 1 -51 0 0 25 0 0
Renglón 2 (R2) S1 0 615 0 1 -300 0 10000 10000/615 = 16.26
Renglón 3 (R3) X2 0 -2 1 0 1 0 0 0/-2 = 0
Renglón 4 (R4) S3 0 1 0 0 0 1 400 400/1 =400

Variables
Z X1 X2 S1 S2 S3 Solución
básicas
Renglón 1 (R1) Z 1 0 0 0.0829 may-41 0 829.26 (51 *R2) + R1 = Nuevo R1
Renglón 2 (R2) X1 0 1 0 1/615 -0.4878 0 16.26 (1/615) * R2 = Nuevo R2
Renglón 3 (R3) X2 0 0 1 2/615 1 0 32.52 (2 * R2) + R3 = Nuevo R3
Renglón 4 (R4) S3 0 0 0 -0.00163 0 1 383.74 (-1 * R2) + R4 = Nuevo R4

Z =
S1 = 700
829.26
X1 =
S2 = 0
16.26
X2 =
S3 = 0
32.52

Variables
X1 X2 Solución
básicas
Z 1 25 829.27
Restricció
15 300 ≤ 10000 10000
n1
Restricció
-2 1 ≤ 0 0
n2
Restricció
1 0 ≤ 400 16.26016
n8

X1 16.26016
X2 32.52033

Conclusión:
Para maximizar la calidad de respuesta en la radio se inviertan 16.26 minutos al
aire mientras que por TV se invierta en 32.52 minutos de publicidad.

12. OilCo construye una refinería para elaborar cuatro productos: diesel,
gasolina, lubricantes y combustible para aviones. Las demandas (en
barriles/día) de esos productos son 14,000,
30,000, 10,000 y 8000, respectivamente. Irán y Dubai tienen contrato para
enviar crudo a OilCo. Debido a las cuotas de producción que especifica la
OPEP (Organización de Países
Exportadores de Petróleo) la nueva refinería puede recibir al menos el 40% de
su crudo de Irán, y el resto de Dubai. OilCo pronostica que estas cuotas de
demanda y de crudo permanecerán estables durante los 10 años siguientes.
Las distintas especificaciones de los dos crudos determinan dos proporciones
distintas de productos: un barril de crudo de Irán rinde 0.2 barril de diesel, 0.25
 barril de gasolina, 0.1 barril de lubricante y 0.15 barril de combustible para
avión. Los rendimientos correspondientes del crudo de Dubai son: 0.1, 0.6, 0.15
y 0.1, respectivamente. OilCo necesita determinar la capacidad mínima de la
refinería, en barriles de crudo por día; para lo cual se solicita formule el modelo
de programación lineal correspondiente.
X1=número de barriles procedentes de Irán
X2=número de barriles procedentes de Dubai

Minimizar z=x1+x2+0s1+0s2+0s3+0s4+0s5

0.20x1+0.10x2≥14000 0.2X1+0.1X2+S1=14000
0.25x1+0.60x2≥30000 0.25x1+0.6x2+S2=30000
0.10x1+0.15x2≥10000 0.1x1+0.15x2+S3=10000
0.15x1+0.10x2≥8000 0.15x1+0.1x2+S4=8000
X1≥0.40(x1+x2)
X1≥0.40x1+0.40x2
X1-0.40x1-0.40x2≥0 X1-0.4X1-0.4X2+S5=0
0.60x1-0.40≥0 0.6X1-0.4X2+S5=0

X1 X2 RESULTADO FORMULA
FUNCIÓN OBJETIVO 1 1≥ 100000
RESTRICCIÓN 1 0.2 0.1 ≥ 14000 14000
RESTRICCIÓN 2 0.25 0.6 ≥ 30000 46000
RESTRICCIÓN 3 0.1 0.15 ≥ 10000 13000
RESTRICCIÓN 4 0.15 0.1 ≥ 8000 12000
RESTRICCIÓN 5 0.6 -0.4 ≥ 0 0

X1 40000
X2 60000
Z 100000

Conclusión:
La capacidad máxima de barriles en crudo por día que se reciben de Irak son un
total de 40000 y los que se reciben de Dubai son 600000