UNIVERSIDAD NACIONAL ABIERTA

DIRECCIÓN DE INVESTIGACIONES Y POSTGRADO

MAESTRIA EN ADMINISTRACION DE NEGOCIOS
MÉTODOS CUANTITATIVOS

ALTERNATIVAS DE DECISIÓN CON PROGRAMACIÓN

LINEAL

Autor: García, Rosangel

C.I. 16.809.725
Pibernatt [Link]
C.I. 16.176.689
Velasquéz L. José.
C.I 14.012.415
Facilitadora: María Borges

Maturín, noviembre de 2022

 INTRODUCCIÓN

La programación lineal, encuentra su desarrollo en el mundo empresarial

desde la época de la Revolución Industrial, en la que la aparición de nuevos
recursos de producción como las máquinas, hicieron crecer las fábricas en
grandes proporciones, hasta la Segunda Guerra Mundial, en donde la necesidad
de asignar recursos escasos a las distintas operaciones militares, obligaban a
encontrar un mecanismo que ayudara a solucionar los problemas derivados de
estos hechos. Las personas que participaron en este avance pertenecían a
diferentes campos del saber, destacándose los matemáticos, economistas y
científicos. Uno de estos últimos, George Dantzing, sobresalió en este proceso y
fue quien en 1947 desarrolló el método simplex para resolver problemas de
programación lineal, el cual fundamentó en el álgebra matricial y el método de
Gauss Jordan, complementado con un objetivo principal: maximizar utilidades o
minimizar costos.
De lo antes expuesto surgen elementos transcendentales: una parte
matemática que no puede ser desconocida y es la mezcla del sistema de
ecuaciones lineales en el mundo empresarial y otra, el engranaje que hace con el
contenido financiero cuando se mezclan elementos de las áreas de una
organización y las herramientas informáticas (el computador). En sus inicios,
programación lineal nace con dos métodos para solucionar los diferentes
problemas planteados bajo el concepto de optimización de recursos escasos,
minimizando costos o maximizando utilidades, con varias restricciones de
recursos. Estos son el método gráfico y el método simplex. Con el transcurrir del
tiempo, aparece la herramienta computacional y a través de sus bondades se
convirtió en un complemento ideal para el apoyo en la toma de decisiones.
Sin embargo, la misma antes mencionada en los últimos tiempos ha tenido
un desarrollo científico significativo a nivel mundial, pues es aplicable a cualquier
tipo de empresa para solucionar problemas de optimización de recursos, a través
de la acertada toma de decisiones. La creciente aceptación de la programación

2
lineal en la industria se debe a la disponibilidad de información precisa de las
operaciones y el interés fundamental de optimizar tanto costos como ingresos, por
lo cual a la programación lineal se le ha denominado opción de planeación
avanzada, planeación sincronizada u optimización de procesos.
En la actualidad las empresas enfrentan todo tipo de problemas, los cuales
ponen en riesgo su estabilidad económica y continuidad en el mercado, por lo que
los empresarios siempre están en búsqueda de soluciones factibles eficientes y
rápidas, cuyos procesos son manejados a través de programación lineal, la cual
planea actividades para conseguir mejores resultados entre las alternativas de
solución. (Marín y Maya 2016). Por todo lo expuesto anteriormente se va a realizar
un informe donde se expondrá un problema y a partir de allí se le aplicaran tanto la
programación lineal como sistemas de balanceo de costo: alternativas, métodos y
sistemas que orientan la toma de decisiones en la empresa.

3
 PROGRAMACIÓN LINEAL Y SISTEMAS DE BALANCEO DE COSTO

Programación Lineal

La programación lineal hace referencia a varias técnicas matemáticas

usadas para la asignación óptima de recursos limitados a distintas demandas que
compiten por ellos (Chase, Jacobs y Aquilano. 2009), es una técnica de
optimización que busca maximizar o minimizar una función lineal, llamada función
objetiva, sujeta a restricciones también lineales (Álvarez. 2005). En síntesis, se
define como programación lineal al enfoque para la solución de problemas con
miras a tomar decisiones acertadas, cuyo modelo matemático es la función lineal,
sujeta a restricciones lineales no negativas; se la considera también como una
herramienta aplicable a diferentes campos como, por ejemplo: empresarial, textil,
transporte, producción y telecomunicaciones entre otros.
El modelo de programación lineal, como en cualquier modelo de
investigación de operaciones, tiene tres componentes básicos.
1. Las variables de decisión que se trata de determinar.
2. El objetivo (la meta) que se trata de optimizar.
3. Las restricciones que se deben satisfacer.

Propiedades

La linealidad implica que la programación lineal debe satisfacer dos

propiedades: proporcionalidad y aditividad:
La proporcionalidad requiere que la contribución de cada variable de decisión en la
función objetivo, y sus requerimientos en las restricciones, sea directamente
proporcional al valor de la variable.
La aditividad estipula que la contribución total de todas las variables en la función
objetivo y sus requerimientos en las restricciones, sean la suma directa de las
contribuciones o requerimientos individuales de cada variable.

4
Características

La programación lineal tiene un alto impacto a nivel general, es aplicable a

una gran variedad de problemas organizacionales y se fundamenta en las
siguientes características (Rodríguez y Félix. 2012).
Se debe establecer algún criterio de decisión.
Las relaciones de las variables deben ser de tipo lineal.

Objetivos

Encontrar soluciones (a través de métodos matemáticos con el uso de sistemas

lineales) a problemas de carácter económico-técnico, representados por la
limitación de recursos.
Resolver casos de combinación óptima de mezclas de producción, disposición
interna de procesos, maximización de beneficios, localización, asignación de
recursos, minimización de costos, transporte, entre otros.

Condiciones Básicas

En el planteamiento de un problema de programación lineal se debe cumplir cinco

condiciones básicas:
Recursos Limitados: cantidad limitada, sea de horas de trabajo, equipos, dinero,
materiales, suministros.
Objetivos explícitos: hace referencia a la optimización, sea de beneficios o de
costos.
Linealidad: todo proceso, actividad o relación lineal utilizada se identifica con la
cantidad de cada factor con relación a los demás y a las cantidades de cada uno
de los productos.
Homogeneidad: los productos elaborados en una máquina son idénticos.
Divisibilidad: productos como recursos pueden subdividirse en fracciones.

5
Cabe indicar cuando el único objetivo es maximización o minimización se utilizará
la programación lineal, en el caso de existir varios objetivos se aplicará la
programación por metas.

Solución Gráfica de la Programación Lineal

El procedimiento de solución gráfica comprende dos pasos:

1. Determinación del espacio de soluciones que define todas las soluciones
factibles del
modelo.
2. Determinación de la solución óptima, entre todos los puntos factibles del
espacio de soluciones.

Análisis Gráfico de Sensibilidad

Un modelo de programación lineal es una foto instantánea de una situación

real en la que los parámetros del modelo (coeficientes de la función objetivo y de
las restricciones) asumen valores estáticos. Para aumentar la aplicación de la
programación lineal en la práctica, se necesita agregar una dimensión dinámica
que investigue el impacto que tiene hacer cambios en los parámetros del modelo
(coeficientes de la función objetivo y de las restricciones) sobre la solución óptima.
A este proceso se le llama análisis de sensibilidad, porque estudia la sensibilidad
de la solución óptima respecto a los cambios que se hagan en el modelo.

Cambios en los coeficientes de la función objetivo

La función objetivo en general en un problema de programación lineal con
dos variables se puede escribir como sigue: Maximizar o minimizar z c1x1+c2x2
Los cambios de los coeficientes c1 y c2 harán cambiar la pendiente de z y en
consecuencia, posiblemente, el punto de esquina óptimo). Sin embargo, hay un
intervalo de variación, tanto para c1 como para c2, dentro del cual el óptimo del
momento permanece sin cambio. En forma específica nos interesa determinar el

6
intervalo de optimalidad de la relación donde se mantenga sin cambio la solución
óptima del momento.

Cambio en Disponibilidad de Recursos

En los modelos de programación lineal, las restricciones representan el uso

de recursos limitados, ya sea en forma directa o indirecta. En este caso, se puede
imaginar que el lado derecho representa límites de disponibilidad de los recursos.

Toma de Decisiones

La toma de decisiones en un negocio constituye un proceso sistemático que

busca identificar y resolver problemas; las decisiones la mayoría de veces están
bajo condiciones de incertidumbre. (Wheatley. 2014). En la actualidad la toma de
decisiones es una realidad en la vida diaria y en todo ámbito, enfrentando
situaciones que están fuera de control de las personas, no existe un método único
para tomar una decisión en la empresa, pues quien sea el encargado de tomar
una decisión deberá evaluar con precisión el problema y las posibles alternativas
de solución con el fin de llegar a la toma de una decisión beneficiosa. Toda
decisión enfrenta tres aspectos importantes: certidumbre, riesgo e incertidumbre
(Franklin. 2010)
Certidumbre: representa la condición en la cual se conocen las soluciones
alternativas y sus resultados a obtener.
Riesgo: es una consecuencia incierta que puede derivarse de una decisión al
aplicar un procedimiento.
Incertidumbre: condición cuando no se cuenta con la información necesaria para
determinar probabilidades a los resultados de las soluciones alternativas.

Proceso de la Toma de Decisiones

El proceso de la toma de decisiones es un conjunto de fases que las

empresas utilizan como guía para acrecentar la probabilidad de que sus

7
decisiones sean lógicas y óptimas. Dicho proceso inicia con la definición del
problema, a continuación, se establecen las metas que son los resultados a ser
alcanzados, generalmente en términos cuantitativos. Una vez analizadas las
posibles consecuencias de las alternativas de solución se toma una decisión
considerando conceptos de maximización, satisfacción y optimización. La
implementación de la alternativa de solución seleccionada no brindará la meta
deseada de forma automática, es así que debe ejecutarse un control de las
actividades de implementación, realizando un seguimiento evaluativo de los
resultados de ésta, para que, en el caso de ser necesario, se tomen las medidas
correctivas pertinentes. (Franklin 2011).

Método Simplex

Es un método analítico de solución de problemas de programación lineal,

capaz de resolver modelos más complejos que los resueltos mediante el método
gráfico, sin restricción en el número de variables y con una mayor capacidad de
análisis de sensibilidad. La transición de la solución del punto esquina geométrico
hasta el método simplex implica un procedimiento de cómputo que determina en
forma algebraica los puntos esquina. Esto se logra convirtiendo primero a todas
las restricciones de desigualdad en ecuaciones, para después manipular esas
ecuaciones en una forma sistemática. 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.
Dentro de este método la teoría de matrices es fundamental, dado que el
algoritmo se basa en dicha teoría para la resolución de sus problemas. Por lo
tanto, una matriz puede definirse como una ordenación rectangular de elementos,
(o listado finito de elementos), los cuales pueden ser números reales o complejos,
dispuestos en forma de filas y de columnas. Así como también se establece que la
matriz idéntica o identidad es una matriz cuadrada (que posee el mismo número
tanto de columnas como de filas) de orden n que tiene todos los elementos

8
diagonales iguales a uno (1) y todos los demás componentes iguales a cero (0), se
denomina matriz idéntica o identidad de orden n, y se denota por: matriz
identidad_ Simplex

Espacio de Soluciones en Forma de Ecuación

Para estandarizar, la representación algebraica del espacio de soluciones
de programación lineal se forma bajo dos condiciones:
1. Todas las restricciones (excepto las de no negatividad) son ecuaciones con lado
derecho no negativo.
2. Todas las variables son no negativas.

Consideraciones Importantes al Utilizar el Método Simplex

Variables de holgura y exceso

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.

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. Estas variables se representan
por la letra «A», siempre se suman a las restricciones, su coeficiente es M (por

9
esto se le denomina Método de la M grande, donde M significa un número
demasiado grande muy poco atractivo para la función objetivo), y el signo en la
función objetivo va en contra del sentido de la misma, es decir, en problemas de
Maximización su signo es menos (-) y en problemas de Minimización su signo es
(+), repetimos con el objetivo de que su valor en la solución sea cero (0).

Variables no negativas

Todas las variables del método Simplex deben cumplir con la condición de
no negatividad. Cuando existe alguna variable del modelo que no tiene restricción
de no-negatividad, se debe reemplazar por la diferencia de dos variables positivas.
Por lo tanto, en el modelo donde aparezca esta variable, se debe cambiar por:
Sea Xi una variable sin restricción de no-negatividad (puede ser mayor, igual o
menor que cero), se debe cambiar por:
(Xi (+)–Xi (-)) donde Xi (+)>= 0 y Xi (-)>= 0
Este tipo de variables son poco comunes, y se utilizan mucho en la programación
por metas.

Pasos del Método Simplex

Los pasos a 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-Jordan. Volver
al paso número 3.

10
 Debido a que la empresa para la que trabaja se enfrenta a un entorno
sobre el cual existe plena certeza para decidir, con base en el modelo de
programación lineal se presenta el enunciado siguiente:

Giapetto’s Woodcarving, Inc., manufactura dos tipos de juguetes de

madera: soldados y trenes. Un soldado se vende en 27 dólares y requiere 10
dólares de materia prima. Cada soldado que se fabrica incrementa la mano de
obra variable y los costos globales de Giapetto’s en 14 dólares. Un tren se vende
en 21 dólares y utiliza 9 dólares de su valor en materia prima. Todos los trenes
fabricados aumentan la mano de obra variable y los costos globales de Giapetto’s
en 10 dólares. La fabricación de soldados y trenes de madera requiere dos tipos
de mano de obra especializada: carpintería y acabados. Un soldado necesita dos
horas de trabajo de acabado u una hora de carpintería. Todas las semanas
Giapetto’s consigue todo el material necesario, pero solo 100 horas de trabajo de
acabado y 80 de carpintería. La demanda de trenes es ilimitada, pero se venden
cuando mucho 40 soldados por semana. Giapetto’s desea maximizar las utilidades
semanales (ingresos – costos).

a. Diseñe el modelo que corresponde, es decir, defina las variables

estudiadas, plantee su función objetivo, restricciones y condición de no
negatividad.

El modelo de Giapetto’s muestra características evidenciadas en todos los

problemas de programación lineal. Este tipo de programación permite resolver
problemas de optimización en industrias diversas.
Entre las variables estudiadas se encuentran las variables de decisión,
estas deben de describir por completo las decisiones que tiene que tomar
Giapetto’s, este debe decidir cuantos soldados y trenes se deben fabricar cada
semana. Por lo tanto se pueden expresar las variables de decisión como:
X 1 = cantidad de soldados fabricados por semana

11
X 2 = cantidad de trenes fabricados a la semana
La Función objetivo en cualquier problema de programación lineal para la toma
de decisiones, permite maximizar o reducir al mínimo algunas funciones de las
variables de decisión. En el problema planteado de Giapetto se observa como los
costos fijos no dependen de los valores de X 1 y X 2. Por lo tanto Giapetto se puede
concentrar en maximizar los ingresos semanales, costos de compras en materia
prima y otros costos variables.
Los ingresos y los costos por semana de Giapetto, se pueden expresar en
términos de variables de decisión X 1 y X 2 suponiendo que todos los juguetes
producidos se venderán, entonces:

Ingresos por semana = ingresos por semana generados por los soldados +
ingresos por semana generados por los trenes.=

( soldados )( semana )+( dolares

dolares soldados
tren )( semana )
trenes
=27 X +21 X
1 2

Asimismo,
Costos de la materia prima a la semana = 10 X 1 +9 X 2
Otros costos variables a la semana = 14 X 1+10 X 2
Entonces Giapetto quiere maximizar =
( 27 X 1+21 X 2 ) −( 10 X 1 +9 X 2 ) −14 X 1 +10 X 2=3 X 1+ 2 X 2.
Por consiguiente, el objetivo de Giapetto es escoger X 1 y X 2 para maximizar
3 X 1 +2 X 2 .
En la programación lineal la variable z denota el valor de la función objetivo
siendo, Maximizar z=3 X 1 +2 X 2
Se tiene que el coeficiente de la función objetivo para X 1 es 3 y el coeficiente para
la función objetivo para X 2 es 2. El coeficiente de la función objetivo para cada
variable es simplemente la contribución de la variable a la utilidad de la compañía.
Restricciones; a medida que X 1 y X 2 se incrementa, la función objetivo de
Giapetto se hace más grande. Esto quiere decir que si Giapetto fuera libre para

12
escoger cualquier valor para X 1 y X 2 están controlados por las siguientes tres
restricciones:
Restriccion1: se puede usar cada semana no más de 100 horas de tiempo de
acabado.
Restricción 2: cada semana se puede usar no más de 80 horas de tiempo de
carpintería.
Restricción 3: debido a la demanda limitada, cuando mucho se deben producir
cada semana 40 soldados.
Se supone que la cantidad de materia prima en existencia es ilimitada, asi que no
hay restricción alguna relacionada con esto.
A continuación es expresan las restricciones en variables de decisión X 1 y X 2 ,
para la restricción 1 de acuerdo con X 1 y X 2 , se tiene:

semana
= (
total de horas de acabado horas de acabado
soldado )( soldadossemana
fabr icados
)+¿
( horas detrenacabado )( trenessemana
fabricados
)=2( X )+1( X )=2 X + X
1 2 1 2

La restricción 1 se expresa como: 2 X 1 + X 2 ≤100

Para expresar la restricción 2 en términos de X 1 y X 2 se tiene;

semana
= (
total de horas de carpinteria horas de carpinteria
soldado )( semana
trenes
)+¿
( horas detren )( semana )=1 ( X )+1 ( X )=X + X
carpinteria trenes fabricados
1 2 1 2

La restricción 1 se expresa como: X 1 + X 2 ≤ 80

Por último, el hecho de que cuando mucho se venden a la semana 40 soldados,
se expresa limitando la producción semanal de soldados a máximo 40 de ellos. Asi
se tiene la siguiente restricción: X 1 ≤ 40
Las ecuaciones en las restricciones 1 a 3 en términos de variables de decisión; se
designan con el nombre de restricciones para el problema de programación lineal
de Giapetto. Los coeficientes de las variables de decisión en las restricciones se
conocen como coeficientes tecnológicos.

13
Condición de no negatividad; si una variable de decisión X i solo puede asumir
valores no negativos, entonces se añade la restricción de signo X i ≥ 0. si una
variable X i puede asumir tanto valores positivos como negativos (o cero),
entonces se dice que X i no tiene restricciones de signo. Por lo que se refiere al
problema de Giapetto, es evidente que X 1 ≥ 0 y X 2 ≥ 0.
Modelo Optimizado
Max z=3 X 1 +2 X 2 (Función objetivo)
Limitado a;
2 X 1 + X 2 ≤100 (Restricción de acabado)
X 1 + X 2 ≤ 80 (Restricción de carpintería)
X 1 ≤ 40 (Restricción de fabricación por semana)
No negatividad
X 1 ≥ 0 y X 2 ≥ 0 (Restricciones de signos)

b. Determine la región factible a través del método gráfico.

La región factible para una programación lineal, es el conjunto de todos los

puntos que satisfacen las limitaciones y las restricciones de signo de la
programación lineal.
La región factible para el problema de Giapetto es el conjunto de todos los puntos
(X ¿ ¿1+ X 2) ¿ que satisfacen:
2 X 1 + X 2 ≤100 (Limitaciones)
X 1 + X 2 ≤ 80
X 1 ≤ 40
X1 ≥ 0
X2 ≥ 0

Para que los puntos (X ¿ ¿1+ X 2) ¿ estén en la región factible, ( X ¿ ¿1+ X 2) ¿

debe satisfacer todas las desigualdades de las limitaciones. El eje horizontal está
representado por X 2 y el eje vertical se representa por X 1 . Por lo tanto, cualquier

14
punto que este fuera del primer cuadrante no puede estar en la región factible.
Esto significa que la región factible es el conjunto de puntos que se encuentra en
el primer cuadrante y que cumple con 2 X 1 + X 2 ≤100 y X 1 ≤ 40.
Para realizar la gráfica se igualan las ecuaciones de las limitaciones:

Para obtener los puntos de coordenadas se le dan valores de cero a X 1 y X 2

respectivamente:
Para 2 X 1 + X 2=100 , si X 1 =0entonces X 2 =100 y si X 2 =0 entonces X 1 =50
Los puntos para 2 X 1 + X 2=100 ¸ son rest1: (50, 100)
Los puntos para X 1 + X 2=80 son rest2: (80, 80)
Los puntos para X 1 =40 son rest3: (40, 0)
Y para X 1 =0 y X 2=0 son rest4 (0, 0) y rest5 (0, 0)
Graficado los puntos se obtienen;

Figura 1. Región Factible Problema Giapetto.

Se muestra en la gráfica que los putos A y B son la recta 2 X 1 + X 2=100 y

satisface la ecuación lineal, quedando todos los puntos por debajo de la recta AB.
De igual forma todos los puntos debajo de recta CD o sobre ella cumplen con la
desigualdad X 1 + X 2=80.

15
c. Solución óptima a través del método simplex

El método simplex es un procedimiento iterativo para resolver problemas de

programación lineal, donde se busca obtener la solución óptima de la función
objetivo que logre cumplir el conjunto de restricciones.
Pasos del Método Simplex
Los pasos a seguir en el método simplex son:
 Definir el problema en la forma estándar y generar nuestra matriz.
 Determinar la solución básica inicial.
 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.
 Seleccionar la variable de salida utilizando la condición de factibilidad.
 Actualizar nuestra matriz realizando las operaciones de Gauss-Jordan. Volver
al paso número 3.

Resolución de Problema Giapetto con el Método Simplex

En la tabla 1 y 2 se muestra de manera detallada las diferentes variables y
restricciones de las operaciones presentes en la fabricación de los soldados y
trenes.

Tabla de variables Soldados ( X1 ) Trenes ( X2 )

Ventas 27 usd 21 usd
Materia Prima 10 usd 9 usd
M.O variable 14 usd 10 usd
Utilidad 27-(10+14)= 3 usd 21-(10+9)= 2 usd

Tabla 1. Variables.

16
 Tabla de soldados Trenes Horas
restricciones (X1) ( X2 ) M.O/Sem
horas de acabado 1 1 80
horas de carpinteria 2 1 100

demanda por semana 40 ilimitado

Tabla 2. Restricciones

Max z=3 X 1 +2 X 2 (Función objetivo) = reglón cero

X 1 + X 2 ≤ 80 (Restricción de carpintería) = R1
2 X 1 + X 2 ≤100 (Restricción de acabado) = R2
X 1 ≤ 40 (Restricción de demanda) = R3
X 1 ≥ 0 y X 2 ≥ 0 (Restricciones de No negatividad) = R4
Aumento de Variables ( S1 , S 2 , S 3)
X 1 + X 2+ S 2 ≤ 80 = R1
2 X 1 + X 2 S 1 ≤ 100 = R2
X 1 S 3 ≤ 40 = R3
X 1 , X 2 , S 1 , S 2 , S3 ≥ 0 = R4

Formato Estándar

VB X1 X2 S1 S2 S3 b b/X1 1 sbf = X 1 =X 2=0

Z -3 -2 0 0 0 0 0 S1=100
S1 2 1 1 0 0 100 50
S2 1 1 0 1 0 80 80 S2=80
S3 1 0 0 0 1 40 40 Tabla 3. Iteración 1.

VB S3 X2 S1 S2 S3 b b/X2 S1=20
Z 0 -2 0 0 3 120 -60 S2=40
S1 0 1 1 0 -2 20 20
S2 0 1 0 1 -1 40 40 Variable Entrante = X 2
X1 1 0 0 0 1 40 0
Tabla 4. Iteración 2.

17
 VB S3 S1 S1 S2 S3 b b/S3 X 2 =20

Z 0 0 2 0 -1 160 -160 S2=20

X2 0 1 1 0 -2 20 -10
Variable Entrante = S3
S2 0 0 -1 1 1 20 20
X1 1 0 0 0 1 40 40 X 1 =40

Tabla 5. Iteración 3.
VB S3 S1 S1 S2 S2 b X 2 =60
Z 0 0 1 1 0 180 X 1 =20
X2 0 1 -1 2 0 60 S3=20
S3 0 0 -1 1 1 20 Z=40
X1 1 0 1 -1 0 20
Tabla 6. Resultados

Óptimos.

Solución Óptima:
Para obtener máximas utilidades Z = 180 deben fabricarse X 1 =20soldados y
X 2 =60 trenes.

d. A partir del modelo primal definido, construya el modelo dual

correspondiente.

Dualidad en Programación Lineal

Relaciones primal-dual

Asociado a cada problema lineal existe otro problema de programación

lineal denominado problema dual (PD), que posee importantes propiedades y
relaciones notables con respecto al problema lineal original, problema que para
diferencia del dual se denomina entonces como problema primal (PP).
Las relaciones las podemos enumerar como siguen:

18
a) El problema dual tiene tantas variables como restricciones tiene el programa
primal.
b) El problema dual tiene tantas restricciones como variables tiene el programa
primal
c) Los coeficientes de la función objetivo del problema dual son los términos
independientes de las restricciones o RHS del programa primal.
d) Los términos independientes de las restricciones o RHS del dual son los
coeficientes de la función objetivo del problema primal.
e) La matriz de coeficientes técnicos del problema dual es la traspuesta de la
matriz técnica del problema primal.
f) El sentido de las desigualdades de las restricciones del problema dual y el signo
de las variables del mismo problema, dependen de la forma de que tenga el signo
de las variables del
Problema primal y del sentido de las restricciones del mismo problema. (Ver tabla
de TUCKER)
g) Si el programa primal es un problema de maximización, el programa dual es un
problema de minimización.
h) El problema dual de un problema dual es el programa primal original.

En función al ejercicio de Giapetto’s se procede a transformar el modelo

primal definido, al modelo dual correspondiente.
PRIMAL DUAL
Maximizar z=3 X 1 +2 X 2 Minimizar z=100 Y 1+ 80 Y 2+ 40 Y 3
Sujeto a: Sujeto a:
2 X 1 + X 2 ≤ 100 2 Y 1+ Y 2+Y 3 ≥ 3
X 1 + X 2 ≤ 80 2Y 1 +Y 2 +Y 3 ≥ 2
X 1 ≤ 40 Y 1 ,Y 2 , Y 3 ≥ 0
X 1 , X 2 ≥0
Tabla 7. Modelo primal y modelo dual.

e. ¿Cuáles son las variables básicas del modelo con su respectivo valor?

19
 Las variables básicas obtenidas en el modelo utilizando el método simplex
se tiene; X 1 =20(soldados fabricados), X 2 =60 ( trenes fabricados ) , S 3=20y
(holgura) Z=180 ( utiidadesmaximizadas ) .

f. Señale y explique cuáles son los costos de oportunidad en el modelo.

El coste de oportunidad es el coste que se origina al tomar una decisión que

implica la renuncia de otro tipo de alternativa que pudiera ser considerada al llevar
a cabo la decisión. Esto se debe a que cuando se toma una decisión de una
determinada alternativa, se dejan de obtener los beneficios de otras opciones. En
este caso el coste de oportunidad son los beneficios que no se obtienen al
descartar la siguiente mejor alternativa.

El modelo de costes de oportunidad se basa en incorporar los costes de

oportunidad a los modelos de costes vistos anteriormente. Dos son los costes de
oportunidad fundamentales: Salario del empresario y Recursos invertidos, tanto
corrientes como no corrientes.

Si incorporamos los costes de oportunidad se generan unos suplementos

de coste a incorporar al coste de producción, coste comercial y coste de
administración. Así, el resultado del período debería ser nulo. Cualquier beneficio
se puede considerar como un beneficio extraordinario. Este modelo de costes es
muy útil para fijar precios, o para determinar el lanzamiento de un determinado
producto.

La fórmula del costo de oportunidad

Por lo general, necesitamos examinar los costos de oportunidad en
palabras de inversión, ya sea una persona o una empresa que construye esa
inversión. Podemos expresar el costo de oportunidad en términos de rendimiento
(o beneficio) de la inversión mediante el uso de la siguiente fórmula matemática:
Costo de oportunidad = retorno de la opción de inversión más rentable – retorno
de la inversión elegida para perseguir.

20
 En el caso del problema planteado de Giapetto, para estimar el costo de
oportunidad se calculara la utilidad total en dólares de los soldados y trenes
fabricados por semana, se tiene según muestra la tabla 1 de variables en la
página 16 que un soldado fabricado equivale a 3$ y un tren 2$. La tabla 6 de
resultados óptimos en la página 18 muestra que se deben fabricar 20 soldados y
60 trenes semanales, por lo tanto:

X 1 =3 $ ( costo de soldados por dia ) x 20 ( soldados fabricados por semana )=60 $

X 2 =2 $ ( costo de trenes por dia ) x 60 ( soldados tr enes por semana )=120 $

Se tiene;

Costo de oportunidad $= retorno de la opción de inversión en $ de trenes–

retorno de la inversión $ de soldados

Costo de oportunidad $= X 2 −¿ X 1
Costo de oportunidad $= 120 $ ¿)
Costo de oportunidad $= 60 $

g. Emita una opinión razonada sobre el aprendizaje alcanzado en esta

unidad en cuanto a la aplicación de los modelos matemáticos a la toma
de decisiones administrativas.

El tomar decisiones es una tarea a la que nos enfrentamos continuamente

en virtud de que prácticamente todas nuestras acciones son precedidas por una
decisión. Sin embargo, la mayor parte de estas decisiones se toman basándose
en la intuición. No obstante, antes de decidir sobre algún asunto importante es
indispensable realizar un análisis de las posibles alternativas. Este análisis debe
ser más cuidadoso cuanto más importante sea la consecuencia de la decisión.
En ocasiones, el resultado de una decisión equivocada es tan drástico que
puede causar angustia el tener que decidir, y es deseable poder auxiliarse de
algún instrumento que facilite la elección de la mejor alternativa.

21
 La matemática proporciona numerosos instrumentos que apoyan esta
tarea. Entre ellos se puede mencionar el uso de los modelos que permiten un
mejor análisis de la situación. Si bien los modelos utilizan el lenguaje matemático
para lograr esta representación, también suministran un consejo sobre la mejor
decisión indicando cuál será el resultado obtenido en caso de seguir la indicación.
Al representar en forma matemática los elementos y relaciones que
intervienen en un problema, se tienen algunas ventajas: permite la utilización de
los instrumentos matemáticos ya desarrollados en la consecución de una solución
y proporciona una manera sistemática, explícita y eficiente de encontrarla. Así
mismo permite evaluar distintas soluciones factibles y tomar la mejor decisión.
También es útil para predecir y comparar el comportamiento de la situación
representada frente a diferentes alternativas o en diferentes momentos.

22
 CONCLUSIÓN

La programación lineal es de suma importancia, ya que representa una

herramienta para la ayuda en la toma de decisiones, permitiendo plantear un tipo
particular de modelo matemático, donde se representa en forma simplificada el
problema de decisión, las variables de decisión, el objetivo y las restricciones
mediante símbolos matemáticos y ecuaciones. Así como también simboliza un
modelo matemático particular, en el cual las relaciones que involucran las
variables son lineales y hay una medida de desempeño o un único objetivo. Una
de las grandes ventajas de utilizar este tipo de modelos es que mediante un
algoritmo de resolución se puede obtener la decisión más óptima o incluso la
mejor, aunque haya miles de variables y relaciones entre ellas.
Por otra parte, la programación lineal no es solo una parte integral de las
matemáticas, su importancia está en que es una herramienta financiera que puede
brindar ayuda en la toma de decisiones, y para aquellos interesados, tiene gran
utilidad en las Pymes porque permite asignar eficientemente los recursos
limitados. Adicionalmente se determina que, a través de la misma, las empresas
(inclusivo pequeñas) pueden decidir la forma de combinación de su producción, ya
sea para maximizar sus utilidades, o minimizar sus costos. Es de hacer notar que
el proceso de toma de decisiones debe focalizarse en las soluciones de manera
flexible y alentar las contribuciones para fortalecer el proceso empresarial,
impulsando la búsqueda de soluciones a través del pensamiento creativo,
utilizando herramientas fundamentales como la programación lineal. La ya
mencionada indica que un problema o situación es valorado y considerado
profundamente para elegir el mejor camino a seguir según las diferentes
alternativas y operaciones.

23
 BIBLIOGRAFÍA

|
ÁLVAREZ, J (2005). Investigación de Operaciones. 2da edición. Lima: Librería
Distribuidora Beta.
CHASE, R; Jacobs, R y Aquilano, N. (2009). Administración de Operaciones
Producción y Cadena de Suministros. 12va edición. China: Mc Graw – Hill.
FRANKLIN, B (2010). Toma de decisiones empresariales. Espacio y Desarrollo,
(22).
[Link]
simplex/
MARÍN, A y Maya, P (2016). Modelo lineal para la programación de clases en una
institución educativa. Ingeniería y Ciencia, 12(23).
RODRÍGUEZ, R y Aldana, F (2012). Selección de una plataforma inteligente de
negocios: un análisis multicriterio innovador. Revista Ciencias Estratégicas,
20(28), 237 – 253.
TAHA, H. A. (2004). Análisis de Decisiones y Juegos. En Universidad Nacional
Abierta (Comp.), Investigación de Operaciones (p.p. 503-545). 7ma. ed. Perentice
Hall.
WHEATLEY, G. (2014). Toma de decisiones.

24