Ejemplo (parte 1): mtodo Simplex

Resolver mediante el mtodo simplex el siguiente problema:

Maximizar Z = f(x,y) = 3x + 2y
sujeto a: 2x + y 18
2x + 3y 42
3x + y 24
x0,y0

Se consideran las siguientes fases:

1. Realizar un cambio de variables y normalizar el signo de los trminos

independientes.

Se realiza un cambio en la nomenclatura de las variables. Establecindose la

correspondencia siguiente:

o x pasa a ser X1

o y pasa a ser X2

Como los trminos independientes de todas las restricciones son positivos

no es necesario hacer nada. En caso contrario habra que multiplicar por "-1"
en ambos lados de la inecuacin (teniendo en cuenta que esta operacin
tambin afecta al tipo de restriccin).

Normalizar las restricciones.

Se convierten las inecuaciones en ecuaciones agregando variables de

holgura, exceso y artificiales segn la tabla siguiente:

Tipo de desigualdad Tipo de variable que aparece

- exceso + artificial
= + artificial
+ holgura

En este caso se introduce una variable de holgura (X 3, X4 y X5) en cada

una de las restricciones del tipo , para convertirlas en igualdades, resultando
el sistema de ecuaciones lineales:

2X1 + X2 + X3 = 18
2X1 + 3X2 + X4 = 42
3X1 + X2 + X5 = 24
 Igualar la funcin objetivo a cero.

Z - 3X1 - X2 - 0X3 - 0X4 - 0X5 = 0

Escribir la tabla inicial del mtodo Simplex.

La tabla inicial del mtodo Simplex est compuesta por todos los coeficientes
de las variables de decisin del problema original y las de holgura, exceso y
artificiales agregadas en el paso 2 (en las columnas, siendo P 0 el trmino
independiente y el resto de variables P i coinciden con Xi), y las restricciones
(en las filas). La columna Cb contiene los coeficientes de las variables que se
encuentran en la base.

La primera fila est formada por los coeficientes de la funcin objetivo,

mientras que la ltima fila contiene el valor la funcin objetivo y los costes
reducidos Zj - Cj.

La ltima fila se calcula como sigue: Z j = (CbiPj) para i = 1..m, donde si j

= 0, P0 = bi y C0 = 0, y en caso contrario P j = aij. Aunque al tratarse de la
primera tabla del mtodo Simplex y ser todos los C b nulos se puede simplificar
el clculo, y por esta vez disponer Z j = -Cj.

Tabla I . Iteracin n 1
3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P3 0 18 2 1 1 0 0
P4 0 42 2 3 0 1 0
P5 0 24 3 1 0 0 1
Z 0 -3 -2 0 0 0

Condicin de parada.

Si el objetivo es la maximizacin, cuando en la ltima fila (fila indicadora) no

existe ningn valor negativo entre los costes reducidos (columnas P 1 en
adelante) se alcanza la condicin de parada.

En tal caso se llega al final del algoritmo ya que no existe posibilidad de

mejora. El valor de Z (columna P0) es la solucin ptima del problema.

Otro caso posible es que en la columna de la variable entrante a la base

todos los valores son negativos o nulos. Esto indica que el problema no se
encuentra acotado y su solucin siempre resultar mejorable. Ante esta
situacin no es necesario continuar iterando indefinidamente y tambin se
puede dar por finalizado el algoritmo.
 De no ser as, se ejecutan los siguientes pasos de forma iterativa.

Eleccin de la variable entrante y saliente de la base.

Se determina en primer lugar la variable que entra en la base. Para ello se

escoge la columna cuyo valor en la fila Z sea el menor de entre todos los
negativos. En este caso sera la variable X1 (P1) de coeficiente -3.

Si existiesen dos o ms coeficientes iguales que cumplan la condicin

anterior (caso de empate), entonces se optar por aquella variable que sea
bsica.

La columna de la variable que entra en la base se llama columna

pivote (en color verde).

Una vez obtenida la variable que entra en la base, se procede a determina

cual ser la variable que sale de la misma. La decisin se toma en base a un
sencillo clculo: dividir cada trmino independiente (columna P 0) entre el
elemento correspondiente de la columna pivote, siempre que ambos elementos
sean estrictamente positivos (mayores que cero). Se escoge la fila cuyo
resultado haya resultado mnimo.

Si hubiera algn elemento menor o igual a cero no se realiza dicho

cociente. En caso de que todos los elementos de la columna pivote fueran de
sta condicin se habra cumplido la condicin de parada y el problema tendra
una solucin no acotada (ver teora del mtodo Simplex).

En este ejemplo: 18/2 [=9] , 42/2 [=21] y 24/3 [=8]

El trmino de la columna pivote que en la divisin anterior dio lugar al

menor cociente positivo indica la fila de la variable de holgura que sale de la
base. En este caso resulta ser X 5 (P5), de coeficiente 3. Esta fila se llama fila
pivote (en color verde).

Si al calcular los cocientes, dos o ms resultados cumplen la condicin

para elegir el elemento saliente de la base (caso de empate), se escoge
aquella que no sea variable bsica (siempre que sea es posible).

La interseccin de la fila pivote y columna pivote marca el elemento pivote,

en este caso el 3.

Actualizar la tabla.

Los nuevos coeficientes de la tabla se calculan de la siguiente manera:

o En la fila del elemento pivote cada nuevo elemento se calcula como:

Nuevo Elemento Fila Pivote = Anterior Elemento Fila Pivote / Pivote

o En el resto de las filas cada elemento se calcula:

 Nuevo Elemento Fila = Anterior Elemento Fila - (Anterior Elemento Fila
en Columna Pivote * Nuevo Elemento Fila Pivote)

Con esto se normaliza el elemento pivote y su valor pasa a ser 1, mientras

que el resto de elementos de la columna pivote se anulan (anlogo al mtodo
de Gauss-Jordan).

Se muestran a continuacin los clculos para la fila P 4:

Anterior fila P4 42 2 3 0 1 0
- - - - - -
Anterior Elemento Fila en Columna Pivote 2 2 2 2 2 2
x x x x x x
Nueva fila pivote 8 1 1/3 0 0 1/3
= = = = = =
Nueva fila P4 26 0 7/3 0 1 -2/3

La tabla correspondiente a esta segunda iteracin es:

Tabla II . Iteracin n 2
3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P3 0 2 0 1/3 1 0 -2/3
P4 0 26 0 7/3 0 1 -2/3
P1 3 8 1 1/3 0 0 1/3
Z 24 0 -1 0 0 1

Al comprobar la condicin de parada se observa que no se cumple ya

que entre los elementos de la ltima fila hay uno negativo, -1. Se contina iterando
nuevamente los pasos 6 y 7.

o 6.1. La variable que entra en la base es X 2 (P2), por ser la variable que
corresponde a la columna donde se encuentra el coeficiente -1.

o 6.2. Para calcular la variable que sale, se dividen los trminos de la

columna P0 entre los trminos correspondientes de la nueva columna pivote: 2 / 1/3
[=6] , 26 / 7/3 [=78/7] y 8 / 1/3 [=24]. Como el menor cociente positivo es 6, la variable
que sale de la base es X3 (P3).

o 6.3. El elemento pivote es 1/3.

o 7. Actualizando nuevamente los valores de la tabla se obtiene:

 Tabla III . Iteracin n 3
3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P2 2 6 0 1 3 0 -2
P4 0 12 0 0 -7 1 4
P1 3 6 1 0 -1 0 1
Z 30 0 0 3 0 -1

Una nueva comprobacin de la condicin de parada revela que entre

los elementos de la fila indicadora vuelve a haber uno negativo, -1. Significa que aun
no se ha llegado a la solucin ptima y hay que seguir iterando (pasos 6 y 7):

o 6.1. La variable que entra en la base es X 5 (P5), por ser la variable que
corresponde al coeficiente -1.

o 6.2. Se escoge la variable que sale calculando el cociente entre los

trminos de la columna de trminos independientes y los trminos correspondientes
de la nueva columna pivote: 6/(-2) [=-3] , 12/4 [=3], y 6/1 [=6]. En esta ocasin es
X4 (P4).

o 6.3. El elemento pivote es 4.

o 7. Despus de actualizar todas las filas, se obtiene la tabla siguiente:

Tabla IV . Iteracin n 4
3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P2 2 12 0 1 -1/2 1/2 0
P5 0 3 0 0 -7/4 1/4 1
P1 3 3 1 0 3/4 -1/4 0
Z 33 0 0 5/4 1/4 0

Fin del algoritmo.

Se observa que en la ltima fila todos los coeficientes son positivos

cumplindose, por tanto la condicin de parada.

La solucin ptima viene dada por el valor de Z en la columna de los

trminos independientes (P0), en este ejemplo: 33. En la misma columna se
puede ver el punto donde se alcanza, observando las filas correspondientes a
las variables de decisin que han entrado en la base: X 1 = 3 y X2 = 12.
 Deshaciendo el cambio de variables se obtiene x = 3 e y = 12.

Resolver el siguiente modelo de programacin lineal por el mtodo

Simplex.

Min Z= X1 - 3X2 2X3

s.a

3X1 - X2 + 2X3 <=7

-2X1 + 4X2 <=12

-4X1 + 3X2 + 8X3 <=10

X1, X2, X3 > 0

Forma Estndar.

Min Z= -X1 + 3X2 + 2X3 =0

3X1 - X2 + 2X3 + S1 =7

-2X1 + 4X2 +S2 =12

-4X1 + 3X2 +8X3 + S3=10

n=6, m=3, n-m=6-3=3 variables no bsicas.

Ejercicio.

Resuelva el siguiente modelo de programacin lineal aplicando la

Tcnica de la Gran M.

Max. Z= 2X1 + X2

s.a.

X1 + X 2 = 4

-X1 + 2 X2 = 2

X1 , X 2 0

Penalizacin.

Max. Z= 2X1 + X2 MW1 MW2

s.a.

X1 + X2 + W1 = 4

-X1 + 2 X2 + W2 = 2
 X1, X2, W1, W2 0

Igualamos a 0 la funcin objetivo.

Z = 2X1 + X2 MW1 MW2

Z -2X1 - X2 +MW1 + MW2 = 0

Ejercicio.

Resuelva el siguiente modelo de programacin lineal por medio de la

tcnica de la doble fase

Max Z= 2X1 + X2

s.a.

X1 + X2=3

X2=2
 X1, X2 > 0

Agregamos variables artificiales

Min L=W1 + W2

s.a.

X1 + X2 + W1 =3

X2 +W2 =2

X1, X2 > 0

L-W1-W2=0

Primera Fase.

Segunda Fase
Ejercicio.

Resuelve el siguiente problema de programacin lineal e identifique

algn caso especial en la tabla Simplex.

Max Z = 20X1 10X2 + X3

s.a.

3X1 3X2 + 5X3 50

X1 X3 10

X1 X2 + 4X3 20

X1, X2, X3 0

Z = 20X1 10X2 + X3

Z 20X1 + 10X2 X3 = 0

Z 20X1 + 10X2 X3 = 0

3X1 3X2 + 5X3 + S1 = 50

X1 X3 + S2 = 10
 X1 X2 + 4X3 + S3 = 20

X1, X2, X3, S1, S2, S3 0

En el rea de solucin factible es no acotada en la direccin de X2.

Por lo tanto la solucin factible es No Acotada

Mtodo de la M Grande (o Gran M) en Programacin

Lineal
por GEO Tutoriales el 06/02/2015 en Programacin Lineal 0

En el contexto de la aplicacin del Mtodo Simplex no siempre es inmediata la

obtencin de una solucin bsica factible inicial, en las variables originales del
modelo. Para conseguir esto existen varios procedimientos como son el Mtodo
Simplex de 2 Fases y el Mtodo de la M Grande (o Gran M) el cual
abordaremos en este artculo. Para ello consideremos el siguiente modelo de
Programacin Lineal en 2 variables:

A continuacin agregamos las variables no negativas (holgura restriccin 1),

(auxiliar restriccin 2), (exceso restriccin 3) y (auxiliar restriccin 3). El
modelo ahora es:
Donde el parmetro M es una constante positiva suficientemente grande para
representar una penalizacin adecuada en la funcin objetivo. La tabla inicial del
mtodo esta dada por:

Antes de continuar con las iteraciones se debe procurar que el costo reducido de
las variables y sean ceros. Para ello multiplicamos por -M la fila 2 y la fila 3 y
luego sumamos a la fila 4, obteniendo lo siguiente:

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

costo reducido corresponde a la variable en consecuencia dicha variable ingresa
a la base. Luego calculamos el mnimo cuociente en dicha

columna: , el cual se alcanza en la fila 1, por tanto la

variable deja la base. Se actualiza la tabla:

Siguiendo con las iteraciones ahora la variable entra a la base. El criterio de

factibilidad indica que: la variable abandona la base (el

pivote se encuentra en la fila 3). Actualizamos la tabla:
Una nueva iteracin indica que ingresa a la base. El mnimo cuociente en la

respectiva columna es: (recordar que se omiten

denominadores menores a cero). Ahora el pivote se encuentra en la fila 2 y en
consecuencia deja la base. Se actualiza la tabla:

Se ha alcanzado la solucin ptima con y . Notar que las

variables auxiliares (r1 y r2) son no bsicas en el ptimo. El valor ptimo
es 21/4 (notar que el signo esta cambiado).

Para una mejor comprensin de los resultados alcanzados a continuacin se

presenta la resolucin grfica del problema haciendo uso del software Geogebra.
El dominio de soluciones factibles corresponde a la recta que une los vrtices A y
B. Adicionalmente se muestra la curva de nivel que pasa por la solucin ptima
(vrtice B).
Tericamente se espera que en la aplicacin del Mtodo de la M Grande las
variables auxiliares sean no bsicas en el ptimo. Si el modelo de Programacin
Lineal es infactible (es decir, si las restricciones no son consistentes), la iteracin
del Mtodo Simplex final incluir al menos una variable artificial como bsica.

Adicionalmente la aplicacin de la tcnica de la M Grande implica tericamente que

M tiende a infinito. Sin embargo al usar la computadora M debe ser finito,
pero suficientemente grande. En especfico M debe ser lo bastante grande como
para funcionar como penalizacin, al mismo tiempo no debe ser tan grande como
para perjudicar la exactitud de los clculos del Mtodo Simplex, al manipular una
mezcla de nmeros muy grandes y muy pequeos.
DUALIDAD EN PROGRAMACIN
LINEAL

Cada uno de los problemas abordados hasta entonces en los mdulos anteriores
se consideran problemas primales dado que tienen una relacin directa con la
necesidad del planteamiento, y sus resultados responden a la formulacin del
problema original; sin embargo cada vez que se plantea y resuelve un problema
lineal, existe otro problema nsitamente planteado y que puede ser resuelto, es el
considerado problema dual, el cual tiene unas importantes relaciones y
propiedades respecto al problema primal que pueden ser de gran beneficio para la
toma de decisiones.

Los problemas primales y duales se encuentran ligados por una serie de

relaciones, saber la existencia de estas puede ser considerado de gran utilidad
para la resolucin de problemas que parecen no factibles, o que no pueden ser
resueltos mediante un mtodo en particular.

Relaciones entre problemasprimales y duales:

El nmero de variables que presenta el problema dual se ve determinado por el

nmero de restricciones que presenta el problema primal.

El nmero de restricciones que presenta el problema dual se ve determinado por

el nmero de variables que presenta el problema primal.
 Los coeficientes de la funcin objetivo en el problema dual corresponden a los
trminos independientes de las restricciones (RHS), que se ubican del otro lado de
las variables.

Los trminos independientes de las restricciones (RHS) en el problema dual

corresponden a los coeficientes de la funcin objetivo en el problema primal.

La matriz que determina los coeficientes tcnicos de cada variable en cada

restriccin corresponde a la transpuesta de la matriz de coeficientes tcnicos del
problema primal.

El sentido de las igualdades y desigualdades se comporta segn la tabla de

TUCKER, presentada a continuacin.

Tabla de TUCKER

IMPORTANCIA DE LA DUALIDAD EN
PROGRAMACIN LINEAL

La resolucin de los problemas duales respecto a los primales se justifica dada la

facilidad que se presenta dados problemas donde el nmero de restricciones
supere al nmero de variables. Adems de tener gran aplicacin en el anlisis
econmico del problema.

Otra de las ventajas que presenta es que dado a que el nmero de restricciones y
variables entre problema dual y primal es inverso, se pueden resolver
grficamente problemas que presenten dos restricciones sin importar el nmero de
variables.
RESOLUCIN DEL PROBLEMA DUAL,
PASO A PASO

El siguiente problema a resolver es hasta el momento el modelo ms completo de

los resueltos en los mdulos anteriores, dado que trataremos de resolver un
problema primal y su dual mediante Mtodo Simplex utilizando variables de
holgura, exceso y artificiales; adems resolveremos el primal utilizando Simplex
maximizando y el dual minimizando.

Dado el siguiente modelo primal,

ZMAX = 40X1 + 18X2

16X1 + 2X2 700

6X1 + 3X2 612

X1 80

X2 120
 ww
w.ingenieriaindustrialonline.com

Cuya respuesta es

X1 = 28,75

X2 = 120

S1 = 79.5

S3 = 51.25
Funcin objetivo = 3310

Procedemos a resolver el problema dual

PASO 1: Definimos el problema dual

www.ingenieriaindustrialonline.com

Este paso se lleva a cabo teniendo en cuenta las relaciones que se expusieron en
la definicin de la dualidad. Ahora las variables en el dual las representaremos por
"" y corresponden a cada restriccin.

El modelo queda de la siguiente forma:

ZMIN = 7001 + 6122 + 803 + 1204

161 + 62 + 3 40
21 + 32 + 4 18

1;4 0

Ahora preparamos el modelo para ser resuelto mediante Mtodo Simplex,

utilizaremos el procedimiento en el cual la funcin objetivo es multiplicada por (-1)
y resolveremos el modelo mediante maximizacin.

ZMIN = 7001 + 6122 + 803 + 1204

Lo que es igual

(-Z)MAX = -7001 - 6122 - 803 - 1204

Ahora dado que los signos de las inecuaciones son mayor o igual procedemos a
volverlas ecuaciones agregando variables de exceso, recordemos que en este
caso las variables de exceso se restan del lado izquierdo de la igualdad, por ende.

161 + 62 + 3 + 04 - 1S1 + 0S2 = 40

211 + 32 + 03 + 4 + 0S1 - 1S2 = 18

1;4 0
Recordemos que el Mtodo Simplex solo es posible por la formacin de la matriz
identidad, sin embargo en una matriz identidad no pueden ir coeficientes
negativos, el cual es el caso, por ende recurriremos al artificio denominado
"Mtodo de la M grande" utilizando variables artificiales, las cuales siempre se
suman.

161 + 62 + 3 + 04 - 1S1 + 0S2 + 1A1 + 0A2 40

211 + 32 + 03 + 4 + 0S1 - 1S2 + 0A1 + 1A2 18

1;4 0

Ahora si observamos la matriz identidad formada por las variables artificiales,

nuestra funcin objetivo es la siguiente (vara dada la incorporacin de las nuevas
variables).

(-Z)MAX = -7001 - 6122 - 803 - 1204 + 0S1 + 0S2 - MA1 - MA2

Recordemos que el coeficiente de las variables de holgura y exceso es 0, adems

que los coeficientes de las variables artificiales es M, donde M corresponde a un
nmero grande poco atractivo cuyo signo en la funcin objetivo depende del
criterio de la misma, dado que la funcin es maximizar el signo es negativo. Dado
que utilizaremos el Mtodo Simplex y no un software para la resolucin del modelo
es necesario que M adquiera valor, en este caso ser "-10000" un nmero
bastante grande en el problema.

Las iteraciones que utiliza el Mtodo Simplex son las siguientes:

www.ingenieriaindustrialonline.com

Podemos observar que todos los Cj - Zj son menores o iguales a 0, por ende
hemos llegado a la solucin ptima del problema, sin embargo recordemos que la
funcin objetivo fue alterada en su signo al principio, por ende se hace necesario
regresarle su signo original a Zj y a la fila Cj - Zj.

(-Z)max = -3310 * (-1)

Zmax = 3310
Podemos cotejar con la funcin objetivo del modelo primal y encontraremos que
hallamos el mismo resultado.

Ahora se hace necesario interpretar los resultados de la tabla dual respecto al

modelo primal, y esta interpretacin se realiza siguiendo los siguientes principios.

w
ww.ingenieriaindustrialonline.com

La interpretacin del tabulado final del modelo dual es la siguiente:

www.ingenieriaindustrialonline.com

TEOREMAS DE LA DUALIDAD EN
PROGRAMACIN LINEAL
 1. Si el modelo primal o dual tiene solucin ptima finita entonces su respectivo dual
o primal tendrn solucin ptima finita.

2. Si el modelo primal o dual tiene solucin ptima no acotada, entonces su

respectivo dual o primal no tendrn solucin, ser un modelo infactible.

3. Si el modelo primal o dual no tiene solucin entonces su respectivo dual o

primal no tendrn solucin.

4. Sea "A" un modelo primal cuyo modelo dual es "B", el modelo dual de "B" es
igual a "A", es decir "El modelo dual de un dual es un modelo primal".

Programacin Lineal (Mtodo Grfico)

por GEO Tutoriales el 04/09/2015 en Programacin Lineal 3

El mtodo grfico (resolucin grfica) constituye una excelente alternativa de

representacin y resolucin de modelos de Programacin Lineal que tienen 2
variables de decisin. Para estos efectos existen herramientas computacionales
que facilitan la aplicacin del mtodo grfico como los
softwares TORA, IORTutorial y Geogebra, los cuales se pueden consultar en
detalle en Cmo Resolver Grficamente un Modelo de Programacin Lineal
con TORA, Cmo Resolver Grficamente un Modelo de Programacin
Lineal con IORTutorial y Cmo Resolver Grficamente un modelo de
Programacin Lineal con Geogebra, respectivamente. En este contexto a
continuacin presentamos un compendio de ejercicios de Programacin Lineal
resueltos a travs del mtodo grfico.

Ejercicios Resueltos del Mtodo Grfico en Programacin

Lineal

Ejercicio N1: Una empresa vitivincola ha adquirido recientemente un terreno de

110 hectreas. Debido a la calidad del sol y el excelente clima de la regin, se
puede vender toda la produccin de uvas Sauvignon Blanc y Chardonay. Se desea
conocer cunto plantar de cada variedad en las 110 hectreas, dado los costos,
 beneficios netos y requerimientos de mano de obra segn los datos que se
muestran a continuacin:

Suponga que se posee un presupuesto de US$10.000 y una disponibilidad de

1.200 das hombre durante el horizonte de planificacin. Formule y resuelva
grficamente un modelo de Programacin Lineal para este problema. Detalle
claramente el dominio de soluciones factibles y el procedimiento utilizado para
encontrar la solucin ptima y valor ptimo.

Variables de Decisin:

: Hectreas destinadas al cultivo de de Sauvignon Blanc

: Hectreas destinadas al cultivo de Chardonay

Funcin Objetivo:

Maximizar

Restricciones:

Donde las restricciones estn asociadas a la disponibilidad mxima de hectreas

para la plantacin, presupuesto disponible, horas hombre en el perodo de
planificacin y no negatividad, respectivamente.

El siguiente grfico muestra la representacin del problema de la empresa

vitivincola. El rea achurada corresponde al dominio de soluciones factibles, donde
la solucin bsica factible ptima se alcanza en el vrtice C, donde se
encuentran activas las restricciones de presupuestos y das hombre. De esta forma
resolviendo dicho sistema de ecuaciones se encuentra la coordenada de la solucin
 ptima donde y (hectreas). El valor ptimo
es (dlares).

Ejercicio N2: Un taller tiene tres (3) tipos de mquinas A, B y C; puede fabricar
dos (2) productos 1 y 2, todos los productos tienen que ir a cada mquina y cada
uno va en el mismo orden: Primero a la mquina A, luego a la B y luego a la C. La
siguiente tabla muestra:

Las horas requeridas en cada mquina, por unidad de producto

Las horas totales disponibles para cada mquina, por semana
La ganancia por unidad vendida de cada producto

Formule y resuelva a travs del mtodo grfico un modelo de Programacin Lineal

para la situacin anterior que permite obtener la mxima ganancia para el taller.

Variables de Decisin:
 : Unidades a producir del Producto 1 semanalmente
: Unidades a producir del Producto 2 semanalmente

Funcin Objetivo:

Maximizar

Restricciones:

Las restricciones representan la disponibilidad de horas semanales para las

mquinas A, B y C, respectivamente, adems de incorporar las condiciones de no
negatividad.

Para la resolucin grfica de este modelo utilizaremos el software GLP cual

abordamos en el artculo Problema de Planificacin Forestal resuelto con
Graphic Linear Optimizer (GLP). El rea de color verde corresponde al conjunto
de soluciones factibles y la curva de nivel de la funcin objetivo que pasa por el
vrtice ptimo se muestra con una lnea punteada de color rojo.

La solucin ptima es y con valor

ptimo que representa la ganancia para el taller.
 Ejercicio N3: Una compaa elabora dos productos diferentes. Uno de ellos
requiere por unidad 1/4 de hora en labores de armado, 1/8 de hora en labores de
control de calidad y US$1,2 en materias primas. El otro producto requiere por
unidad 1/3 de hora en labores de armado, 1/3 de hora en labores de control de
calidad y US$0,9 en materias primas. Dada las actuales disponibilidades de
personal en la compaa, existe a lo ms un total de 90 horas para armado y 80
horas para control de calidad, cada da. El primer producto descrito tiene un valor
de mercado (precio de venta) de US$9,0 por unidad y para el segundo este valor
corresponde a US$8,0 por unidad. Adicionalmente se ha estimado que el lmite
mximo de ventas diarias para el primer producto descrito es de 200 unidades, no
existiendo un lmite mximo de ventas diarias para el segundo producto.

Formule y resuelva grficamente un modelo de Programacin Lineal que permita

maximizar las utilidades de la compaa.

Variables de Decisin:

: Unidades a producir diariamente del Producto 1

: Unidades a producir diariamente del Producto 2

Funcin Objetivo:

Maximizar

Restricciones:

La primera restriccin representa las limitantes de horas de armado diariamente.

La segunda restriccin la disponibilidad de horas para labores de control de calidad
(tambin diariamente). La tercera restriccin establece una cota superior para la
produccin y ventas diarias del Producto 1. Adicionalmente se incluyen las
condiciones de no negatividad para las variables de decisin.
El dominio de soluciones factibles tiene 5 vrtices que corresponden a los
candidatos a ptimos del problema. En particular el vrtice ptimo es D de modo
que la solucin ptima es y con valor
ptimo que corresponde a la utilidad mxima
para la empresa.