Manualprogramacionlinealjulio20 100422211609 Phpapp01

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA
FACULTAD DE CIENCIAS BSICAS E INGENIERA
UNIDAD DE CIENCIAS BSICAS
MDULO
PROGRAMACIN LINEAL
(versin Preliminar)
ESP. GLORIA LUCIA GUZMN ARAGN
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

UNAD
FACULTAD DE CIENCIAS BSICAS E INGENIERA
PROGRAMA INGENIERA DE SISTEMAS
NEIVA (HUILA), 2.005
TABLA DE CONTENIDOS
INTRODUCCIN
JUSTIFICACIN
UNIDAD 1
INTRODUCCIN A LA PROGRAMACIN LINEAL
CAPITULO 1
LA INVESTIGACION DE OPERACIONES
1.1 INTRODUCCION
1.2 ANTECEDENTES Y ORIGEN DE LA I.O.
1.3 QUE ES LA INVESTIGACION DE OPERACIONES?
1.4 METODOLOGA DE LA I.O.
1.5 COMPONENTES DE LA INVESTIGACION DE OPERACIONES 1.5.1
DEFINICION Y FORMULACION DEL PROBLEMA
1.5.2 FORMULACION DE UN MODELO MATEMATICO
1.5.3 OBTENCION DE UNA SOLUCION APARTIR DEL MODELO
1.5.4 PRUEBA DEL MODELO
1.5.5 VALIDACION DEL MODELO
1.5.6 ESTABLECIMIENTO DE CONTROLES DE LA SOLUCION
1.5.7 IMPLEMENTACION DE LA SOLUCION
CAPITULO 2
CONJUNTOS CONCAVOS Y CONVEXOS
2.1 INTRODUCCIN
2.2 CONCEPTO DE CONJUNTO CONVEXO
2.3 PROPIEDADES DE LOS CONJUNTOS CONVEXOS
2.4 EJERCICIOS DE APLICACIN
2.5 FUNCION CONVEXA
CAPITULO 3.
CONCEPTUALIZACION DE LA PROGRAMACION LINEAL
3.1
3.2
INTRODUCCION
CONCEPTO
3.3 FORMULACION DEL PROBLEMA DE PROGRAMACION LINEAL 3.3.1
INTRODUCCION
3.3.2 ESTRUCTURA DE UN MODELO DE P.L.
3.4
MODELO GENERAL DE PROGRAMACION LINEAL
3.5
FORMA ESTNDAR DE LOS MODELOS DE P.L.
3.6
OTRAS FORMAS DE MODELOS DE P.L.
3.7
FORMULACION ALGEBRAICA: FORMA CANONICA
3.8
RESUMEN
UNIDAD 2
METODOS DE SOLUCION
CAPITULO 1
METODO GRAFICO
1.1 INTRODUCCION METODO GRAFICO
1.2 DEFINICION
1.3 CONCEPTO GENERAL DEL METODO GRAFICO
1.4 PASOS PARA LA SOLUCION MEDIANTE EL METODO GRAFICO
CAPITULO 2
METODO ALGEBRAICO
2.1 INTRODUCCION
2.2 PASOS PARA UTILIZAR EN METODO ALGEBRAICO
2.3 EJEMPLOS DESARROLLADOS
2.4 TALLER
CAPITULO 3
METODO SIMPLEX
3.1 INTRODUCION
3.2 CONCEPTO
3.3 PASOS PARA EL DESARROLLO DEL METODO SIMPLEX
3.5 TALLER
CAPITULO 4
ANALISIS DE VARIABILIDAD:
4.1 INTRODUCCION
4.2 DUALIDAD
4.3 PASOS PARA CONVERTIR UN PROBLEMA PRIMAL A UNO DUAL
4.4 EJEMPLOS RESUELTOS
4.5 COMPARACION ENTRE EL METODO SIMPLEX Y DUAL - SIMPLEX
4.6 TALLER
CAPITULO 5
TOPICOS AVANZADOS
5.1 INTRODUCCION
5.2 DEGENERACION EN PROGRAMACION LINEAL
5.3 METODO SIMPLEX GENERALIZADO
5.4 PROBLEMAS DE PROGRAMACION LINEAL CON VARIABLES ACOTADAS
5.5 ALGORITMO DE DESCOMPOSICION
FUENTES DOCUMENTALES
INTRODUCCIN
El curso de Programacin Lineal Componente de Formacin Disciplinar tiene
carcter bsico en los programas de Ingeniera que oferta la UNAD, adems es de
tipo terico. Tiene como objetivo Formular, obtener y analizar soluciones a problemas
de programacin lineal en especial los referidos a optimizacin de recursos.
El curso tiene 2 crditos acadmicos los cuales comprenden el estudio independiente
y el acompaamiento tutorial, con el propsito de:
Comprender los elementos tericos que sustentan la programacin lineal.

Identificar y utilizar los mtodos de programacin lineal para la solucin de
problemas.
Identificar y manejar los algoritmos utilizados en la optimizacin de funciones
no lineales sujetas a restriccin de tipo general.
Identificar diferencias entre la formulacin de modelos y tcnicas de solucin.
Este curso est compuesto por dos Unidades didcticas a saber:

Unidad 1. Introduccin a la Programacin Lineal donde se pretende que el estudiante
valore la importancia que tiene la investigacin de operaciones en proporcionar
herramientas para la construccin de modelos matemticos en particular los de
programacin lineal, adems de la conceptualizacin y las diferentes formas de
presentacin de un problema de programacin lineal.
Unidad 2. Mtodos de Solucin se plantean los diferentes mtodos empleados para
solucionar problemas a nivel grfico, algebraico, simplex, dual, anlisis de optimalidad
y sensibilidad, con los que se pretende que el estudiante posea herramientas para que
busque la solucin ptima a problemas simples y complejos que se le puedan
presentar tanto en la cotidianidad como en el ejercicio de su vida profesional y/o
laboral.
JUSTIFICACIN
No es del todo fcil definir qu es la investigacin de operaciones. Existen diversas
definiciones en textos, pero se podra decir que la investigacin de operaciones es un
enfoque cientfico interdisciplinario para la solucin de problemas, que envuelve la
interaccin compleja, dinmica y sujetiva de hombres, mtodos y sistemas, a los
cuales, en algunos casos no se les puede proporcionar una solucin exacta por medio
de los procedimientos matemticos o por medio de tcnicas de ensayo y error.
Utilizando modelos matemticos como un recurso primario, la metodologa de la
investigacin de operaciones est diseada para cuantificar y acotar estos problemas
dentro de un marco de restricciones especficas, medidas, objetivos y variables, de tal
forma que se busquen controles ptimos de operacin, decisiones, niveles y
soluciones.
La programacin matemtica es quizs el rea ms desarrollada de la investigacin
de operaciones. Cubre tpicos tales como: Programacin lineal, programacin de
redes y programacin entera, adems de otras variantes de mtodos de programacin
tales como programacin de metas, en este curso nos ocuparemos de la
programacin lineal y sus diversos mtodos y tcnicas de solucin para una adecuada
toma de decisin.
Un modelo de programacin lineal proporciona un mtodo eficiente para determinar
una decisin ptima, (o una estrategia ptima o un plan ptimo) escogida de un gran
nmero de decisiones posibles. La decisin ptima es la que satisface un objetivo de
administracin, sujeto a varias restricciones.
PRIMERA UNIDAD
INTRODUCCIN A LA PROGRAMACIN LINEAL
CAPITULO 1
LA INVESTIGACION DE OPERACIONES
1.1 INTRODUCCION
1.2 ANTECEDENTES Y ORIGEN DE LA I.O.
1.3 QUE ES LA INVESTIGACION DE OPERACIONES?
1.4 METODOLOGA DE LA I.O.
1.1 INTRODUCCION
Los cambios revolucionarios originaron gran aumento en la divisin de trabajo y la
separacin de las responsabilidades administrativas en las organizaciones. Sin
embargo esta revolucin creo nuevos problemas que ocurren hasta la fecha en
muchas empresas. Uno de estos problemas es la tendencia de muchos de los
componentes a convertirse en imperios relativamente autnomos, con sus propias
metas y sistemas de valores. Este tipo de problemas, y la necesidad de encontrar la
mejor forma de resolverlos, proporcionaron el surgimiento de la Investigacin de
Operaciones.
La Investigacin de Operaciones aspira determinar la mejor solucin (optima) para un
problema de decisin con la restriccin de recursos limitados.
En la Investigacin de Operaciones utilizaremos herramientas que nos permiten tomar
una decisin a la hora de resolver un problema, tal es el caso de los modelos de
Investigacin de Operaciones que se emplean segn sea la necesidad.
Actualmente la investigacin de operaciones a incursionado en la administracin con
muy buenos resultados en este campo pues el ambiente de negocios al que se est
sometido y los mltiples cambios que ellos generan, los ciclos de vida de los
productos se hacen ms cortos, la abrumadora y acelerada era de la nueva
tecnologa y la internacionalizacin creciente, son razones suficientes para desarrollar

modelos que optimicen los resultados en estos campos del saber
1.2 ANTECEDENTES Y ORIGEN DE LA INVESTIGACION DE OPERACIONES
La investigacin de operaciones se origino en la segunda guerra mundial como una
necesidad de dar solucin a los problemas de carcter militar, los primeros
interesados en estos aspectos fueron los britnicos y los americanos quienes
asignaron esta tarea a un grupos de fsicos, matemticos, bilogos, estadsticos,
psiclogos entre otros para emplear el mtodo cientfico en la solucin de problemas
estratgicos y tcticos.
Despus de la guerra atrajo la atencin de la industria que buscaba soluciones a
problemas de complejidad y especializacin ascendente en las organizaciones. Los
primeros esfuerzos se dedicaron a desarrollar modelos apropiados y procedimientos
correspondientes para solucionar problemas que surgan en reas tales como: la
programacin de refineras de petrleo, la distribucin de productos, la planeacin de
productos, el estudio de mercados y la planeacin de inversiones.
Un factor importante de la implantacin de la Investigacin de Operaciones en este
periodo es el mejoramiento de las tcnicas disponibles en esta rea. Muchos de los
cientficos que participaron en la guerra, se encontraron a buscar resultados
sustanciales en este campo; un ejemplo sobresaliente es el mtodo Simplex para
resolucin de problemas de Programacin Lineal, desarrollado en 1947 por George
Dantzing. Muchas de las herramientas utilizadas en la Investigacin de Operaciones
como la Programacin Lineal, la Programacin Dinmica, Lneas de Espera y Teora
de Inventarios fueron desarrolladas al final de los aos 50.
Un segundo factor importante para el desarrollo de este campo fue el advenimiento de
la revolucin de las computadoras. Para manejar los complejos problemas
relacionados con esta disciplina, generalmente se requiere un gran nmero de
clculos que llevarlos a cabo a mano es casi imposible. Por lo tanto el desarrollo de la
computadora digital, fue una gran ayuda para la Investigacin de Operaciones.
En la dcada de los 80 con la invencin de computadoras personales cada vez ms
rpidas y acompaadas de buenos paquetes de Software para resolver problemas de
Investigacin de Operaciones esto puso la tcnica al alcance de muchas personas.
Hoy en da se usa toda una gama de computadoras, desde las computadoras de
grandes escalas como las computadoras personales para la Investigacin de
Operaciones.
1.3 QUE ES LA INVESTIGACION DE OPERACIONES

La investigacin de operaciones es la aplicacin, por grupos interdisciplinarios, del
mtodo cientfico a problemas relacionados con el control de las organizaciones o
sistemas, a fin de que se produzcan soluciones que mejor sirvan a los objetivos de la
organizacin.
Algunos aspectos relacionados con la definicin:
Una organizacin es un sistema formado por componentes que se

interaccionan, unas de estas interacciones pueden ser controladas y otras no.
La complejidad de los problemas que se presentan en las organizaciones ya no

encajan en una sola disciplina del conocimiento, se han convertido en
multidisciplinario por lo cual para su anlisis y solucin se requieren grupos
compuestos por especialistas de diferentes reas del conocimiento que logran
comunicarse con un lenguaje comn.
La investigacin de operaciones es la aplicacin de la metodologa cientfica a

travs de modelos matemticos, primero para representar al problema y luego
para resolverlo.
La investigacin de operaciones se aplica a problemas que se refieren a la conduccin

y coordinacin de operaciones (o actividades) dentro de una organizacin.
La investigacin de operaciones intenta encontrar una mejor solucin, (llamada
solucin ptima) para el problema bajo consideracin.
Un enfoque de la investigacin de operaciones abarca:
Construir un modelo simblico que por lo general es un modelo matemtico,

pretende extraer los elementos fundamentales de un problema de decisin que
es complejo e incierto de tal manera que pueda optimizar una solucin viable
para la consecucin de los objetivos de acuerdo al analista.
Examinar y analizar las relaciones que determinan las consecuencias de la
decisin realizada y comparar el mtodo relativo de acciones alternas con los
objetivos de quien va a tomar la decisin.
Desarrollar una tcnica de decisin que comprenda teoras matemticas y que
conduzca a la optimizacin de los resultados.
La investigacin de operaciones se aplica tanto a problemas tcticos como

estratgicos de una organizacin. Los primeros tienen que ver con actividades
diarias y los segundos tienen una orientacin y una planeacin organizada

generalmente se apoyan en operaciones de carcter indirecto.
1.4 METODOLOGIA DE LA INVESTIGACION DE OPERACIONES
El uso de mtodos cuantitativos para solucionar problemas, generalmente implica a
mucha gente de toda la organizacin. Los individuos de un equipo de proyectos
proporcionan informacin de sus reas respectivas respecto a diversos aspectos del
problema. El proceso de aplicar mtodos cuantitativos requiere de una sucesin
sistemtica de pasos:
Definicin del
problema
Resolucin del
modelo
matemtico.
Modelo
Modificado
NO
Solucin
Es valida la
solucin?
Implementacin
1.5 COMPONENTES DE LA INVESTIGACION DE OPERACIONES

1.5.1 DEFINICION Y FORMULACION DEL PROBLEMA:
Esto incluye determinar los objetivos apropiados, las restricciones sobre lo que se
puede hacer, las interrelaciones del rea bajo estudio con otras reas de la
organizacin, los diferentes cursos de accin posibles, los lmites de tiempo para
tomar una decisin, etc. Este proceso de definir el problema es crucial ya que afectar
en forma significativa la relevancia de las conclusiones del estudio.
1.5.2 FORMULACION DE UN MODELO MATEMATICO:
La forma convencional en que la investigacin de operaciones realiza esto es
construyendo un modelo matemtico que represente la esencia del problema.
Un modelo siempre debe ser menos complejo que el problema real, es una
aproximacin abstracta de la realidad con consideraciones y simplificaciones que
hacen ms manejable el problema y permiten evaluar eficientemente las alternativas
de solucin.
15.3 OBTENCION DE UNA SOLUCION APARTIR DEL MODELO
Depende de las caractersticas del modelo. Los procedimientos de solucin pueden
ser clasificados en tres tipos: a) analticos, que utilizan procesos de deduccin
matemtica; b) numricos, que son de carcter inductivo y funcionan en base a
operaciones de prueba y error; c) simulacin, que utiliza mtodos que imitan o, emulan
al sistema real, en base a un modelo.
Resolver un modelo consiste en encontrar los valores de las variables dependientes,
asociadas a las componentes controlables del sistema con el propsito de optimizar, si
es posible, o cuando menos mejorar la eficiencia o la efectividad del sistema dentro
del marco de referencia que fijan los objetivos y las restricciones del problema.
La seleccin del mtodo de solucin.
1.5.4 PRUEBA DEL MODELO:
Antes de usar el modelo debe probarse exhaustivamente para intentar identificar y
corregir todas las fallas que se puedan presentar.
1.5.5 VALIDACION DEL MODELO:
Es importante que todas las expresiones matemticas sean consistentes en las
dimensiones de las unidades que emplean. Adems, puede obtenerse un mejor
conocimiento de la validez del modelo variando los valores de los parmetros de

entrada y/o de las variables de decisin, y comprobando que los resultados de modelo
se comporten de una manera factible.
1.5.6 ESTABLECIMIENTO DE CONTROLES DE LA SOLUCION:
Esta fase consiste en determinar los rangos de variacin de los parmetros dentro de
los cuales no cambia la solucin del problema.
Es necesario generar informacin adicional sobre el comportamiento de la solucin
debido a cambios en los parmetros del modelo. Usualmente esto se conoce como
ANLISIS DE SENSIBILIDAD.
Esta fase consiste en determinar los rangos de variacin de los parmetros dentro de
los cuales no cambia la solucin del problema.
Es necesario generar informacin adicional sobre el comportamiento de la solucin
debido a cambios en los parmetros del modelo. Usualmente esto se conoce como
ANLISIS DE SENSIBILIDAD.
1.5.7 IMPLEMENTACION DE LA SOLUCION:
El paso final se inicia con el proceso de "vender" los hallazgos que se hicieron a lo
largo del proceso a los ejecutivos o tomadores de decisiones.
TALLER
Observa con atencin la siguiente presentacin en ppt y realzale ejercicio que
all se plantea, hazlo llegar a tutor de la manera que el te lo indique (e-mail, CDroom, medio fsico, presencial etc).
1. Concepto y delimitacin de la I.O.
Antecedentes:
Surge durante la segunda Guerra Mundial,
luego y con motivo de la revolucin industrial, ha ido teniendo cada vez
INVESTIGACIN OPERATIVA
ms importancia dado el crecimiento y complejidad de las nuevas

organizaciones. Actualmente est cobrando especial importancia con el
desarrollo de la informtica.
Definicin
Aplicacin del mtodo cientfico por un grupo multidisciplinario
personas a la resolucin de un problema.
Objetivo
INTRODUCCIN INVESTIGACIN DE OPERACIONES
Decidir mediante mtodos cientficos el diseo que optimiza el

funcionamiento
del
proceso
analizado,
generalmente
bajo
condiciones que implican la utilizacin de recursos escasos.
Mtodos en Investigacin Operativa

Mtodos determinsticos: Programacin lineal, programacin entera,
probabilidad de transporte, teora de la localizacin o redes,
Etapas de un ejercicio de
I.O.
Bsicamente la I.O. sigue los siguientes pasos:
La observacin del problema
programacin multicriterio, teora de inventarios, etc.
La construccin de un modelo matemtico que

Mtodos probabilsticos: Cadenas de markov, teora de
contenga los elementos esenciales del problema
juegos, lneas de espera, teora de inventarios, etc.
La obtencin en general, con al ayuda de

algortmos implementados informticamente, de
las mejores soluciones posibles.
Mtodos
hbridos:
Conjugan
determinsticos y probabilsticos.
mtodos
La calibracin e interpretacin de la solucin y su

comparacin con otros mtodos de toma de decisiones.
Mtodos heursticos: soluciones basadas en la experiencia.
Fases
de un
estudi
o
FORMULACIN DEL
PROBLEMA
NECESIDAD DE
REORGANIZACIN
MODELO DEL SISTEMA REAL
SISTEMA DE INTERS
OBTENCIN DE DATOS
CONSTRUCCIN DEL
MODELO
TOMA DE DECISIONES
IMPLEMENTACIN Y SOLUCIN DEL
MODELO CONTROL
INTERPRETACIN DE
RESULTADOS E
IMPLICACIONES
Ejercicios de I.O.
Ejemplo 1:
VALIDACIN DEL MODELO

ANLISIS DE SENSIBILIDAD
Una empresa dispone de 70 trabajadores con cualificaciones

diferentes (Economistas, Ingenieros, Auxiliares Administrativos, etc..)
a los que hemos de asignar 70 actividades tambin diferentes. Para
decidir una determinada asignacin de tareas deberamos escoger de
entre un total de 70! (Permutaciones de 70 elementos) aquella que
maximiza el resultado final de la empresa. Como 70! es
100
aproximadamente igual a 10
, an revisando un 1 milln de
asignaciones diferentes al segundo necesitaramos aproximadamente

87
10 aos para revisar todas las asignaciones posibles.
Este tipo de problemas requiere desarrollar modelos de

programacin matemtica, otros mtodos matemticos, para
llegar a algn tipo de conclusiones.
Ejercicios de I.O.
Ejercicios de I.O.
Ejemplo 2: Aplicacin al mbito sanitario
Planificacin y asignacin de recursos en un sistema de salud mental
Fases de construccin del modelo

1.
Definir las categoras de enfermos ( en funcin de sus

necesidades y respuestas a un determinado tratamiento)
2.
Definir un conjunto de servicios (obtener una clasificacin de acuerdo

a las necesidades de los enfermos y con la disponibilidad de recursos,
basada en la experiencia y conocimientos mdicos)
3.

1.

Utilizacin de tcnicas estadsticas, para la recogida de datos y la
determinacin del historial del enfermo. A lo largo del tiempo los
enfermos pueden cambiar de categora (cadenas de Markov)
Planificar y asignar los recursos (asignar los servicios entre las

distintas categoras de enfermos a lo largo del tiempo)
las necesidades de los enfermos y con la disponibilidad de recursos,

Ejercicios de I.O.

1.

2.
Definir un conjunto de servicios (obtener una clasificacin de acuerdo a
Entrevista a expertos (delphi) acumular informacin en

base a la experiencia y conocimientos mdicos
2.
Definir un conjunto de servicios (obtener una clasificacin de acuerdo a

las necesidades de los enfermos y con la disponibilidad de recursos,
Ejercicios de I.O.
3.
Planificar y asignar los recursos (asignar los servicios entre las

distintas categoras de enfermos a lo largo del tiempo)
Utilizacin de tcnicas de programacin lineal para la

1.
asignacin de recursos. Modelo multi-periodo a partir

de la definicin de una funcin objetivo.
Ejercicios de I.O.
Tu ejemplo......................................
Problema/objetivo a resolver/realizar
..............................................................................................................
Fases:
1............
2..................
3.........................
CAPITULO DOS
CONJUNTOS CONVAVOS Y CONVEXOS

2.1 INTRODUCCIN
2.2 CONCEPTO DE CONJUNTO CONVEXO
2.3 PROPIEDADES DE LOS CONJUNTOS CONVEXOS
2.4 EJERCICIOS DE APLICACIN
2.5 FUNCION CONVEXA
.2.1 INTRODUCCIN
En el presente captulo podr valorar la importancia que tiene el anlisis de la
convexidad de conjuntos as como los diferentes tipos de convexidad o concavidad de
funciones toda vez que ellos constituyen los instrumentos fundamentales para el
desarrollo de la Teora de la Optimizacin Matemtica.
En primera instancia abordaremos el concepto de conjuntos convexos, su definicin y
propiedades fundamentales para luego analizar el comportamiento de las
combinaciones lineales convexas.
2.2 CONCEPTO DE CONJUNTO CONVEXO.
Para analizar el concepto de conjunto convexo vamos a plantear el siguiente ejemplo
.EJEMPLO.
Consideremos los siguientes CONJUNTOS:
CONJUNTO P
CONJUNTO Q
CONJUNTO R
CONJUNTO T.
Definimos la idea de conjunto convexo como aquel conjunto que contiene

cualquier segmento que une dos puntos del conjunto.
As por ejemplo segn esta idea GRAFICA, el conjunto P
x
P
Obsrvese que para cualquier par de puntos (x, y) que estn dentro del conjunto P, el
segmento que une dichos puntos siempre queda dentro del conjunto, en consecuencia
P sera un conjunto convexo.
Consideremos el conjunto Q:
Q
x
Obsrvese que para cualquier par de puntos (x,y) que estn dentro del conjunto Q, el
segmento que une dichos puntos no queda dentro del conjunto, en consecuencia Q no
sera un conjunto convexo.
Consideremos el conjunto R:
En este caso para cualquier par de puntos (x,y) de esta recta R, el segmento que los
une queda dentro del conjunto, en consecuencia R es un conjunto convexo.
Por ltimo sea el conjunto T:
x
T
y
Es claro grficamente que para cualquier par de puntos x, y, el segmento que los une
est totalmente contenido en dicho conjunto.
Consideremos un ltimo ejemplo en el plano, sea el conjunto T
(conjunto poligonal delimitado por los puntos (0,0),(5,3),(0,8),(7,4),(6,3),(7,1 )

Se puede ver que existen segmentos, como el indicado en la figura que se sale del
conjunto por lo que este conjunto no sera CONVEXO.
EJERCICIOS
Determinar si los siguientes conjuntos son o no convexos, dibujndoles previamente:
a. Conjunto poligonal determinado por los puntos (0,1),(1,0),(1,3),(0,1)
b. Conjunto poligonal determinado por los puntos (1,1),(2,1),(2,3),(-1,2),

1,0),(1,1)
SOLUCION:
a. es convexo
b. no es convexo
Podemos definir conjuntos en el plano de una manera ms compleja:

As por ejemplo si consideramos el conjunto
Qu hacemos para dibujar este conjunto?
(-
Primero dibujamos la curva que delimita el conjunto.

Para delimitar la regin del plano basta considerar un punto que no est en la curva,
por ejemplo (1,2) si ese punto satisface la ecuacin entonces ese es el recinto a
considerar, en nuestro caso como 2 s es mayor o igual que 1. Entonces el recinto es
Obsrvese que es claramente convexo pues cualquier par de puntos que estn en S3
el segmento que los une est claramente contenido en S3.
Qu sucedera si no podemos representar grficamente el conjunto, como sucede
con conjuntos de dimensin superior a 3?
En esos casos es necesario dar una definicin analtica de conjunto convexo, para lo
cual efectuamos la siguiente definicin:
CONJUNTO CONVEXO:
n
Diremos que un subconjunto S R es convexo si para cualquier par de puntos

y para cualquier [0,1] se cumple que
decir que si llamamos segmento de extremos
est en S, es
por
S es convexo si para cualesquiera
Cul es el significado de z= x+(1- )y?

Vamos a verlo en un ejemplo:
EJEMPLO:
Estudiar analticamente si el conjunto anterior
es un conjunto convexo.
Para ello consideremos dos vectores de S3
(x1,y1), (x2,y2),
Habra que comprobar si b(x1,y1)+(1-b)(x2,y2) es un vector que pertenece a S3 para
cualquier valor de b en [0,1]
Es decir tendremos que comprobar si
.bx1+(1-b)x2 ,
by1+(1-b)y2
Como x1,y1 entonces bx1,by1 (pues b es positivo o cero)

Y como x2,y2 entonces (1-b)x2,(1-b)y2
Sumando ambas expresiones se obtiene la desigualdad por tanto S 3 es un conjunto
convexo.
Y comprobando si el vector
Que una vez simplificado nos da
Y al expandirle
Si es un vector del conjunto S3.

EJERCICIO
Estudiar de forma grfica si los siguientes conjuntos son o no conjuntos convexos.
a.
b.
SOLUCIONES:
a. Lo hacemos grficamente, representando el conjunto. Para ello dibujamos los
2 2
2 2
dos lmites del conjunto x +y =1 y x +y =4 (circunferencias de radio 1 y radio 2)
Definimos las expresiones
Y luego las representamos como aparece.
Cul es el recinto?
Ahora debemos determinar en que lado de las circunferencias se sita el
conjunto.
Tomemos un punto fuera de ambas circunferencias, por ejemplo (0,0),. Y

comprobemos si se verifica la primera desigualdad para ese punto
Efectivamente no se verifica, por tanto el conjunto se sita hacia fuera de la

circunferencia.
Por otro lado
Es cierta por tanto el conjunto es la corona circular situada entre la

circunferencia de radio 1 y la circunferencia radio 2.
Este conjunto es convexo?
Claramente se ve que no, tomemos dos puntos cualesquiera por ejemplo (1,1/2) y (2,0), ambos pertenecen al conjunto, sin embargo el segmento que los
une como se ve no pertenecen al conjunto.
b. Consideremos las expresiones que definen los lmites del conjunto:

Representemos ambas rectas:
Para saber cul es exactamente el recinto, tomemos un punto que no est en dichas
rectas, por ejemplo (0,0).
Comprobemos a qu lado de la recta x+y=1 se encuentra nuestro conjunto x+y=1,
comprobamos para (0,0), y observamos que 0+0= 1 verifica la ecuacin, por tanto el
recinto x+y=1 est al lado del (0,0).
Y por otro lado para determinar el conjunto x-y=1 comprobamos que 0-0= 1 por tanto
tambin es de la recta hacia el (0,0), con lo cual tendremos que el recinto ser:
2.3 PROPIEDADES DE LOS CONJUNTOS CONVEXOS.

Vamos a estudiar qu sucede con la UNIN y la INTERSECCIN de conjuntos
convexos. Comencemos con la INTERSECCIN de conjuntos convexos.
INTERSECCIN DE CONJUNTOS CONVEXOS.
EJEMPLO.
Sean los siguientes conjuntos convexos:
Si los representamos tendremos:
Cul es la interseccin de estos dos conjuntos?

Se puede ver que la interseccin es el conjunto
Se puede ver grficamente que es un conjunto convexo.

Y este ejemplo se puede generalizar con la siguiente propiedad:
LA INTERSECCIN DE CONJUNTOS CONVEXOS ES UN CONJUNTO CONVEXO.
UNIN DE CONJUNTOS CONVEXOS.

A partir de los conjuntos convexos anteriores S y T, veamos cul es el conjunto unin.
Este conjunto no es convexo pues si considero dos puntos del conjunto por ejemplo
(1.04, -1.57) y (2.43,-0.3)
Si representamos el segmento que une dichos puntos editando
Obtenemos
Segmento que no est totalmente contenido en el conjunto. Luego:

LA UNION DE CONJUNTOS CONVEXOS EN GENERAL NO ES UN CONVEXO
2.4 EJERCICIOS DE APLICACION

CONJUNTOS CONCAVOS Y CONVEXOS
2
Representar los siguientes conjuntos de R e indicar cules son convexos:

a.
b.
c.
2
d. R
e.
f.
g.
h.
i.
Probar que todo subespacio vectorial de R
es un conjunto convexo.
2.5 FUNCIONES CONCAVAS Y CONVEXAS

Las funciones cncavas y convexas representan un papel fundamental en la Teora de
la Optimizacin ya que pueden garantizarnos la GLOBALIDAD de los ptimos locales.
Por ello vamos a iniciar este apartado introduciendo el concepto de funcin cncava y
convexa para luego ms tarde introducir condiciones que nos permitan reconocer si
una funcin es cncava o convexa dependiendo de sus propiedades de
diferenciabilidad.
EJEMPLO.
Consideremos la siguiente funcin:
Si dibujamos esta funcin y obtenemos
Observemos la grfica de esta funcin en el intervalo [0,3 ]
Podemos ver que en esta grfica si dibujamos cualquier segmento que una dos
puntos de la misma, ste siempre queda por debajo de la grfica. Por ejemplo,
consideremos los puntos
Si dibujamos el segmento que une dichos puntos en la grfica obtenemos
Qu claramente queda por debajo de la grfica. Consideremos

otros pares de puntos de la grfica por ejemplo: Al dibujar el
segmento que une dichos puntos tenemos:
Consideremos otro par de puntos por ejemplo
Si los dibujamos considerando
Obtenemos
Se puede observar que para cualquier par de puntos de la grfica que toman valores
en el segmento considerado el segmento que une dichos puntos siempre queda por
debajo de la grfica por ello podemos efectuar la siguiente definicin:
FUNCIONES ESTRICTAMENTE CONCAVAS Y CONCAVAS
DEFINICIN:
Diremos que una funcin f es estrictamente cncava en un conjunto M convexo si todo
segmento que une dos puntos de la grfica esta estrictamente por debajo de la
grfica.
Diremos que una funcin es CONCAVA (no estricta) si no todas las cuerdas que unen
puntos de la grfica en dicho intervalo quedan estrictamente por debajo.
Vamos ahora a introducir el concepto de funcin CONVEXA.
Consideremos el siguiente ejemplo:
EJEMPLO.
Consideremos la misma funcin anterior
pero ahora considerada en el intervalo [3 ,2 ], en este caso la grfica sobre la que

debemos enfocarnos es:
Consideremos ahora nuevamente varios puntos de esta grfica en dicho intervalo por
ejemplo
si dibujamos el segmento que los une por medio de la matriz
se obtiene
si ahora dibujamos el segmento que une los puntos
Obtendremos
Obsrvese que los segmentos quedan siempre por encima de la grfica de la funcin.
En estos casos, diremos que la funcin es convexa en el intervalo dado.
Por
ello
podemos
realizar
la
siguiente
definicin:
FUNCIN CONVEXA.
DEFINICION: Sea f una funcin definida en un intervalo de R, diremos que dicha
funcin es convexa en el intervalo si todo segmento que une dos puntos de la grfica
queda por encima de la grfica. Si siempre queda estrictamente por encima decimos
que la funcin es estrictamente convexa.
EJERCICIO
Estudiar el carcter de las siguientes funciones en los recintos que se indican:
(a) En toda la recta real:
(b) En toda la recta real:
( C) En el intervalo (0,1 )
(d) En el intervalo (-1 ,0)
(e) En el recinto (-3 ,0)

(f) En el recinto (0,3 )
SOLUCIONES:
a. ESTRICTAMENTE CONVEXA
b. ESTRICTAMENTE CONVEXA
c. ESTRICTAMENTE CONVEXA
d. ESTRICTAMENTE CONCAVA
e. estrictamente CONCAVA
f. ESTRICTAMENTE CONVEXA
CAPITULO 3
CONCEPTUALIZACION DE LA PROGRAMACION LINEAL

3.1 INTRODUCCION
3.2 CONCEPTO
3.3 FORMULACION DEL PROBLEMA DE PROGRAMACION LINEAL
3.3.1 INTRODUCCION
3.3.2 ESTRUCTURA DE UN MODELO DE P.L.
3.4. MODELO GENERAL DE PROGRAMACION LINEAL
3.5 FORMA ESTNDAR DE LOS MODELOS DE P.L.
3.6 OTRAS FORMAS DE MODELOS DE P.L.
3.7 FORMULACION ALGEBRAICA: FORMA CANONICA
3.8 RESUMEN
3.1 INTRODUCCION
Muchas personas clasifican el desarrollo de la Programacin Lineal (PL) entre los

avances cientficos ms importantes de mediados del siglo XX. En la actualidad es
una herramienta comn que ha ahorrado miles o millones de dlares a muchas
compaas y negocios, incluyendo industrias medianas en distintos pases del mundo.
Cul es la naturaleza de esta notable herramienta y qu tipo de problemas puede
manejar? Expresado brevemente, el tipo ms comn de aplicacin abarca el problema
general de asignar recursos limitados entre actividades competitivas de la mejor
manera posible (es decir, en forma ptima). Este problema de asignacin puede surgir
cuando deba elegirse el nivel de ciertas actividades que compiten por recursos
escasos para realizarlas. La variedad de situaciones a las que se puede aplicar esta
descripcin es sin duda muy grande, y va desde la asignacin de instalaciones
productivas a los productos, hasta la asignacin de los recursos nacionales a las
necesidades de un pas; desde la planeacin agrcola, hasta el diseo de una terapia
de radiacin; etc. No obstante, el ingrediente comn de todas estas situaciones es la
necesidad de asignar recursos a las actividades.
3.2 CONCEPTO:
El adjetivo lineal significa que todas las funciones matemticas del modelo deber ser
funciones lineales. En este caso, las palabra programacin no se refiere a
programacin en computadoras; en esencia es un sinnimo de planeacin. As, la
programacin lineal trata la planeacin de las actividades para obtener un resultado
ptimo.
La programacin lineal es una tcnica de investigacin de operaciones para la
determinacin de la asignacin optima de recursos escasos cuando la funcin objetivo
y las restricciones son lineales. Es una manera eficiente de resolver estos problemas
cuando se debe hacer una eleccin de alternativas muy numerosas que no pueden
evaluarse intuitivamente por los mtodos convencionales.
3.3 FORMULACION DEL PROBLEMA DE PROGRAMACION LINEAL
3.3.1 INTRODUCCION
Los trminos clave son recursos y actividades, en donde m denota el nmero de
distintos tipos de recursos que se pueden usar y n denota el nmero de actividades
bajo consideracin.
Z = valor de la medida global de efectividad.
Xj = nivel de la actividad j (para j = 1,2,...,n).
Cj = incremento en Z que resulta al aumentar una unidad en el nivel de
actividad j.
la
bi = cantidad de recurso i disponible para asignar a las actividades (para

i = 1,2,...,m).
aij = cantidad del recurso i consumido por cada unidad de la actividad j.
3.3.2
ESTRUCTURA DE UN MODELO DE PROGRAMACION LINEAL
1. Funcin objetivo. Consiste en optimizar el objetivo que persigue una situacin

la cual es una funcin lineal de las diferentes actividades del problema, la
funcin objetivo se maximizar o minimiza.
2. Variables de decisin. Son las incgnitas del problema. La definicin de las

variables es el punto clave y bsicamente consiste en los niveles de todas las
actividades que pueden llevarse a cabo en el problema a formular.
3. Restricciones Estructurales. Diferentes requisitos que debe cumplir cualquier
solucin para que pueda llevarse a cabo, dichas restricciones pueden ser de
capacidad, mercado, materia prima, calidad, balance de materiales, etc.
4. Condicin tcnica. Todas las variables deben tomar valores positivos, o en
algunos casos puede ser que algunas variables tomen valores negativos.
3.4 MODELO GENERAL DE PROGRAMACION LINEAL
Formulacin de modelos de Programacin Lineal.

Aunque se ponga en duda, la parte ms difcil de PL es reconocer cundo sta
puede aplicarse y formular el problema matemticamente. Una vez hecha esa parte,
resolver el problema casi siempre es fcil.
Para formular un problema en forma matemtica, deben expresarse
afirmaciones lgicas en trminos matemticos. Esto se realiza cuando se resuelven
problemas hablados al estudiar un curso de lgebra. Algo muy parecido sucede aqu
al formular las restricciones. Por ejemplo, considrese la siguiente afirmacin: A usa 3
horas por unidad y B usa 2 horas por unidad. Si deben usarse todas las 100 horas
disponibles, la restriccin ser:
3A + 2B = 100
Sin embargo, en la mayora de las situaciones de negocios, no es obligatorio

que se usen todos los recursos (en este caso, horas de mano de obra). Ms bien la
limitacin es que se use, cuando mucho, lo que se tiene disponible. Para este caso, la
afirmacin anterior puede escribirse como una desigualdad:
3A + 2B 100
Para que sea aceptable para PL, cada restriccin debe ser una suma de
variables con exponente 1. Los cuadrados, las races cuadradas, etc. no son
aceptables, ni tampoco los productos de variables. Adems, la forma estndar para
una restriccin pone a todas las variables del lado izquierdo y slo una constante
positiva o cero del lado derecho. Esto puede requerir algn reacomodo de los
trminos. Si, por ejemplo, la restriccin es que A debe ser por los menos el doble de
B, esto puede escribirse como:
A 2B
A - 2B 0
Ntese que pueden moverse trminos de un lado a otro de las desigualdades como si
fuera un signo de igualdad. Pero al multiplicar una desigualdad por -1, el sentido de
esta desigualdad se invierte. Puede ser necesario hacer esto para que los coeficientes
del lado derecho sean positivos. Por ejemplo, si se quiere que A sea por lo menos tan
grande como B - 2, entonces:
AB2
A B -2
Por ltimo B A 2
Una nota final sobre desigualdades: es sencillo convertir una desigualdad en una
ecuacin. Todo lo que se tiene que hacer es agregar (o restar) una variable extra. Por
ejemplo:
B -A 2
es lo mismo que
B -A+ S = 2
En donde S representa la diferencia, o la holgura, entre B - A y 2. S se llama variable

de holgura. Por otro lado, se restara una variable de supervit en el caso siguiente:
A - 2B 0 es lo mismo que
A - 2B -S = 0
Algunos mtodos de solucin (como el Mtodo Simplex) y la mayora de los

programas de computadora (como el MathProg, que viene en el ORCourseware, que
acompaa al libro Introduccin a la Investigacin de Operaciones de los autores
Hillier y Lieberman) requieren que todas las desigualdades se conviertan en
igualdades.
La metodologa de PL requiere que todas las variables sean positivas o cero,
es decir, no negativas. Para la mayora de los problemas esto es real, no se querra
una solucin que diga: prodzcanse menos dos cajas o contrtense menos cuatro
personas.
Mientras que no existe un lmite en el nmero de restricciones que puede
tener un problema de PL, slo puede haber un objetivo. La forma matemtica del
objetivo se llama funcin objetivo. Debe llevar consigo el maximizar o minimizar
alguna medida numrica. Podra ser maximizar el rendimiento, la ganancia, la
contribucin marginal o los contactos con los clientes. Podra ser minimizar el costo, el
nmero de empleados o el material de desperdicio. Con frecuencia el objetivo es
evidente al observar el problema.
Como el valor de la funcin objetivo no se conoce hasta que se resuelve el
problema, se usa la letra Z para representarlo. La funcin objetivo tendr, entonces, la
forma:
Maximizar
Z = 4A + 6B
Minimizar
Z = 2x1 + 5x2
Se analiza una aplicacin para ilustrar el formato de los problemas de

Programacin Lineal.
3.5 FORMA ESTNDAR DE LOS MODELOS DE PROGRAMACIN LINEAL.

Supngase que existe cualquier nmero (digamos m) de recursos limitados de
cualquier tipo, que se pueden asignar entre cualquier nmero (digamos n) de
actividades competitivas de cualquier clase. Etiqutense los recursos con nmeros (1,
2, ..., m) al igual que las actividades (1, 2, ..., n). Sea xj (una variable de decisin) el
nivel de la actividad j, para j = 1, 2, ..., n, y sea Z la medida de efectividad global
seleccionada. Sea cj el incremento que resulta en Z por cada incremento unitario en x j
(para j = 1, 2, ..., n). Ahora sea bi la cantidad disponible del recurso i (para i = 1, 2,
..., m). Por ltimo defnase aij como la cantidad de recurso i que consume cada unidad
de la actividad j (para i = 1, 2, ..., m y j = 1, 2, ..., n). Se puede formular el modelo
matemtico para el problema general de asignar recursos a actividades. En particular,
este modelo consiste en elegir valores de x 1, x2, ..., xn para:
Maximizar Z = c1x1 + c2x2 + ... + cnxn,
sujeto a las restricciones:
a11x1 + a12x2 + ... + a1nxn b1
a21x1 + a22x2 + ... + a2nxn b2
am1x1 + am2x2 + ... + amnxn bm
x1 0, x2 0, ..., xn 0
sta se llamar nuestra forma estndar (porque algunos libros de texto adoptan otras
formas) para el problema de PL. Cualquier situacin cuya formulacin matemtica se
ajuste a este modelo es un problema de PL.
En este momento se puede resumir la terminologa que usaremos para los
modelos de PL. La funcin que se desea maximizar, c 1x1 + c2x2 + ... + cnxn, se llama
funcin objetivo. Por lo general, se hace referencia a las limitaciones como

restricciones. Las primeras m restricciones (aquellas con una funcin del tipo a i1x1 +
ai2x2 + ... + ainxn, que representa el consumo total del recurso i) reciben el nombre de
restricciones funcionales. De manera parecida, las restricciones x j 0 se llaman
restricciones de no negatividad. Las variables xj son las variables de decisin. Las
constantes de entrada, aij, bi, cj, reciben el nombre de parmetros del modelo.
3.6 OTRAS FORMAS DE MODELOS DE PROGRAMACIN LINEAL.
Es conveniente agregar que el modelo anterior no se ajusta a la forma natural
de algunos problemas de programacin lineal. Las otras formas legtimas son las
siguientes:
1. Minimizar en lugar de maximizar la funcin objetivo:
Minimizar Z = c1x1 + c2x2 + ... + cnxn,
2. Algunas restricciones funcionales con desigualdad en el sentido mayor o igual:
ai1x1 + ai2x2 + ... + ainxn, bi, para algunos valores de i,
3. Algunas restricciones funcionales en forma de ecuacin:
ai1x1 + ai2x2 + ... + ainxn, = bi, para algunos valores de i,
4. Las variables de decisin sin la restriccin de no negatividad:
xj no restringida en signo para algunos valores de j.
Cualquier problema que incluya una, varias o todas estas formas del modelo anterior
tambin se clasifica como un problema de PL, siempre y cuando stas sean las nicas
formas nuevas introducidas. Puede ser que la interpretacin que se ha dado de
asignacin de recursos limitados entre actividades que compiten no se aplique, pero
independientemente de la interpretacin o el contexto, lo nico que se necesita es que
la formulacin matemtica del problema se ajuste a las formas permitidas. Se
ver que estas otras cuatro formas legales se pueden reescribir en una forma
equivalente para que se ajuste al modelo que se present. Entonces, todo problema
de PL se puede poner en nuestra forma estndar si se desea.
3.7 FORMULACION ALGEBRAICA:

FORMA CANONICA
Todo problema de PL puede representarse como:
Max (z) =c1x1+c2x2+...+cnxn
sujeto a:
a11x1 + a12x2 +...+ a1nxn b1
a21x1 + a22x2 +...+ a2nxn b2
...
am1x1 + am2x2 +...+ amnxn bm
x1, x2, ...,xn 0
siendo:
xj:
cj:
aij:
de variable j
bi:
Nivel de actividad de la variable xj

Contribucin unitaria de xj a funcin objetivo
Coeficiente tcnico, unidades de recurso i que se consumen por unidad
Cantidad disponible de recurso i
Otra representacin:
Max (z) = n cjx j
j=1
sujeto a :
n aijx j bi
donde i =1, 2, ... m
j=1
En forma matricial:
Max (z) = C x
sujeto a:
Ax b
x0
j = 1, 2, ... n
A esta forma se la denomina forma cannica
IMPORTANCIA DE LA FORMA CANONICA
La forma cannica es importante porque todos los desarrollos e

interpretaciones econmicas del problema pueden referirse a la misma.
Es posible transformar un problema de PL a un problema equivalente en
forma cannica.
Un problema de PL puede consistir en:
Buscar un mximo o un mnimo de la funcin objetivo
Restricciones de tipo , e =
Variables positivas, negativas o no restringidas en signo
Conversin de un problema lineal general a su forma cannica:
Cambiar el sentido de la optimizacin
Cambiar el sentido de la desigualdad
Cambiar una desigualdad en
igualdad Variable de holgura o
slack
Variable surplus
Cambiar igualdades en desigualdades
Cambiar variables sin restriccin de signo a otras de signo positivo o
nulo
3.8 RESUMEN
TERMINOLOGIA Y CONCEPTOS BASICOS:
Conjunto factible
Es el conjunto de puntos que satisfacen simultneamente todas las
restricciones (o filas) del problema
Actividades, columnas o variables (xj)
Representan los usos alternativos que deben competir entre s para la
obtencin de los recursos de forma que se optimice la funcin objetivo
Recursos (bi)
Son productos, tiempo, etc. Se cuantifican en el trmino independiente o Right
Hand Side (RHS) del problema
El conjunto factible de un problema de PL, si existe, es representable mediante un
poliedro convexo
LECTURA
ORIGEN DE LA PROGRAMACIN LINEAL
(Tomada de http://thales.cica.es/rd/recursos/rd98/)
En los siglos XVII y XVIII, grandes
matemticos como Newton, Leibnitz,
Bernouilli y, sobre todo, Lagrange, que
tanto haban contribuido al desarrollo del
clculo infinitesimal, se ocuparon de
obtener mximos y mnimos condicionados de determinadas funciones.
Posteriormente el matemtico francs Jean Baptiste-Joseph Fourier (1768-1830) fue
el primero en intuir, aunque de forma imprecisa, los mtodos de lo que actualmente
llamamos programacin lineal y la potencialidad que de ellos se deriva.
Si exceptuamos al matemtico Gaspar Monge (1746-1818), quien en 1776 se
interes por problemas de este gnero, debemos remontarnos al ao 1939 para
encontrar nuevos estudios relacionados con los mtodos de la actual programacin
lineal. En este ao, el matemtico ruso Leonodas Vitalyevich Kantarovitch publica
una extensa monografa titulada Mtodos matemticos de organizacin y planificacin
de la produccin en la que por primera vez se hace corresponder a una extensa gama
de problemas una teora matemtica precisa y bien definida llamada, hoy en da,
programacin lineal .
En 1941-1942 se formula por primera vez el problema de transporte, estudiado
independientemente por Koopmans y Kantarovitch, razn por la cual se suele
conocer con el nombre de problema de Koopmans-Kantarovitch.
Tres aos ms tarde, G. Stigler plantea otro problema particular conocido con el
nombre de rgimen alimenticio optimal.
En estos aos posteriores a la Segunda Guerra Mundial, en Estados Unidos se
asumi que la eficaz coordinacin de todas las energas y recursos de la nacin era
un problema de tal complejidad, que su resolucin y simplificacin pasaba
necesariamente por los modelos de optimizacin que resuelve la programacin lineal.
Paralelamente a los hechos descritos se desarrollan las tcnicas de computacin y los
ordenadores, instrumentos que haran posible la resolucin y simplificacin de los
problemas que se estaban gestando.
En 1947, G.B. Dantzig formula, en trminos matemticos muy precisos, el enunciado

estndar al que cabe reducir todo problema de programacin lineal. Dantzig, junto con
una serie de investigadores del United States Departament of Air Force, formaran el
grupo que dio en denominarse SCOOP (Scientific Computation of Optimum
Programs).
Una de las primeras aplicaciones de los estudios del grupo SCOOP fue el puente
areo de Berln. Se continu con infinidad de aplicaciones de tipo preferentemente
militar.
Hacia 1950 se constituyen, fundamentalmente en Estados Unidos, distintos grupos de
estudio para ir desarrollando las diferentes ramificaciones de la programacin lineal.
Cabe citar, entre otros, Rand Corporation, con Dantzig, Orchard- Hays, Ford,
Fulkerson y Gale, el departamento de Matemticas de la Universidad de Princenton,
con Tucker y Kuhn, as como la Escuela Graduada de Administracin Industrial,
dependiente del Carnegie Institute of Technology , con Charnes y Cooper.
Respecto al mtodo del simplex, que estudiaremos despus, sealaremos que su
estudio comenz en el ao 1951 y fue desarrollado por Dantzig en el United States
Bureau of Standards SEAC COMPUTER, ayudndose de varios modelos de
ordenador de la firma IBM.
Los fundamentos matemticos de la programacin lineal se deben al matemtico
norteamericano de origen hngaro Janos von Neuman (1903-1957), quie en 1928
public su famoso trabajo Teora de Juegos. En 1947 conjetura la equivalencia de los
problemas de programacin lineal y la teora de matrices desarrollada en sus trabajos.
La influencia de este respetado matemtico, discpulo de David Hilbert en Gotinga y,
desde 1930, catedrtico de la Universidad de Princenton de Estados Unidos, hace que
otros investigadores se interesaran paulatinamente por el desarrollo riguroso de esta
disciplina.
En 1858 se aplicaron los mtodos de la programacin lineal a un problema concreto:
el clculo del plan ptimo de transporte de arena de construccin a las obras de
edificacin de la ciudad de Mosc . En este problema haba 10 puntos de partida y
230 de llegada. El plan ptimo de transporte, calculado con el ordenador Strena en 10
das del mes de junio, rebaj un 11% los gastos respecto a los costes previstos.
Se ha estimado, de una manera general, que si un pas subdesarrollado utilizase los
mtodos de la programacin lineal, su producto interior bruto (PIB) aumentara entre
un 10 y un 15% en tan slo un ao.
La programacin lineal hace historia: El puente areo de Berln

En 1946 comienza el largo perodo de la guerra fra entre la antigua Unin Sovitica
(URSS) y las potencias aliadas (principalmente, Inglaterra y Estados Unidos). Uno de
los episodios ms llamativos de esa guerra fra se produjo a mediados de 1948,
cuando la URSS bloque las comunicaciones terrestres desde las zonas alemanas en
poder de los aliados con la ciudad de Berln, iniciando el bloqueo de Berln. A los
aliados se les plantearon dos posibilidades: o romper el bloqueo terrestre por la
fuerza, o llegar a Berln por el aire. Se adopt la decisin de programar una
demostracin tcnica del poder areo norteamericano; a tal efecto, se organiz un
gigantesco puente areo para abastecer la ciudad: en diciembre de 1948 se estaban
transportando 4500 toneladas diarias; en marzo de 1949, se lleg a las 8000
toneladas, tanto como se transportaba por carretera y ferrocarril antes del corte de las
comunicaciones. En la planificacin de los suministros se utiliz la programacin
lineal. (El 12 de mayo de 1949, los soviticos levantaron el bloqueo)
ACTIVIDAD: Realiza una presentacin en ppt resumida de la historia de la PL,
teniendo en cuenta la lectura y amplia tus conocimientos en otras fuentes, luego
sustntala frente al gran grupo en tutora de acuerdo a las indicaciones de tu tutor.
UNIDAD 2
METODOS DE SOLUCION
CAPITULO 1
1.1 INTRODUCCION METODO GRAFICO
1.2 DEFINICION
1.1 INTRODUCCION
Antes de entrarnos por completo en los mtodos analticos de la investigacin de
operaciones es muy conveniente ver un poco acerca de las desigualdades de una
ecuacin lineal.
Por ejemplo tenemos la ecuacin
2X + 3Y = 60 en donde X, Y 0
Es decir que para que se cumpla la igualdad de la ecuacin nos tocara adquirir 15
unidades de X y 10 unidades de Y respectiva mente:
2(15) + 3(10) = 60
Y la solucin se dara por la misma lnea recta.

Pero por otra parte si en la ecuacin no se quiere llegar a la totalidad del resultado se
dar la ecuacin en una forma diferente llamada inecuacin:
2X + 3Y 60 en donde X, Y 0
Dndose como solucin factible un rea sombreada que depende del signo de la
desigualdad. Si el signo es el la solucin ser el rea inferior esa se sombrear o si
por el contrario el sigo es el rea a sombrear ser la de todos los puntos por encima
de la lnea obtenida.
En la anterior grafica la solucin ms factible es la de los puntos ms cerca del eje X

(bajo la recta de la solucin lineal ya que la ecuacin es precedida por el signo .
1.2 DEFINICION:
Por definicin de algunos libros una desigualdad entre dos variables es una
desigualdad que puede escribirse de la forma:
ax + by +c < 0 (o bien 0, 0, >0)
En donde a, b, c son constantes mientras que a y b son diferentes de cero

En trminos geomtricos, la solucin de una desigualdad lineal en x y y consiste en
todos los puntos del plano cuyas coordenadas satisfacen la desigualdad.
Observemos a continuacin las desigualdades y las regiones descritas por ellas:
EJEMPLO 1:
Determinar la regin descrita por la desigualdad y 5
Cuando veamos un problema como este no nos asustemos porque el hecho de que
no aparezca la x en ningn lugar de la ecuacin solo quiere decir que x es cierto en
cualquier punto de x.
SOLUCION
La regin sombreada es la solucin factible para la desigualdad planteada.
EJEMPLO 2:
Describir la regin definida por la desigualdad: x -2
EJEMPLO 3:
Dando valores a x y y determinamos las rectas con las reas correspondientes a las
desigualdades planteadas.
2x + y > 3
xy
y1>0
Este sistema es equivalente
y > -2x + 3
x =0; y =3
Y=0; x= 3/2
yx
x= 0; y= 0
x=1 ; y= 1
y > 1/2
Obsrvese que se ha escrito cada desigualdad de manera que y queda despejada.
Consecuencia las regiones apropiadas con respecto a las rectas correspondientes
restaran evidentes. En primer lugar se trazan las rectas
y = -2x + 3,
y=xYy=
y
Despus se sombra la regin que se encuentra simultneamente por encima de la
recta, sobre o por debajo de la segunda de ellas y por encima de la tercera esta regin
es la solucin.
Entonces la solucin para el anterior ejercicio seria la regin sombreada.

Ahora se considerara la forma en que se pueden resolver problemas de tipo lineal, en
donde la funcin dada se tendr que maximizar o minimizar. Una funcin lineal en x y
y tiene la forma:
Donde a y b son constantes. Tambin se requerir que las restricciones

correspondientes estn representadas mediante un sistema de desigualdades lineales
o ecuaciones en x y en y y que todas las variables sean no negativas.
A un problema en el que intervienen todas estas condiciones se le denomina problema
de programacin lineal.
La programacin lineal fue desarrollada por George B. danzing a fines de la dcada
de 1940 y se utilizo primero en la fuerza area de losa estados unidos como auxiliar
en la toma de decisiones. En la actualidad tiene amplia aplicacin en el anlisis

industrial y econmico.
En un problema de programacin lineal a la funcin que se desea maximizar o
minimizar se le denomina funcin objetivo. Aunque por lo general existe una cantidad
infinitamente grande de soluciones para el sistema de restricciones (a las que se
denomina soluciones factibles o puntos factibles), el objetivo consiste en encontrar
una de esas soluciones que represente una solucin ptima (es decir una solucin
que del valor mximo o mnimo de la fusin objetivo)
En conclusin con lo que acabamos de revisar en la parte anterior sobre las
inecuaciones nos da para definir literalmente el mtodo grafico y el mtodo algebraico
dentro del mbito de la programacin lineal.
Entonces el mtodo grafico en la programacin lineal es simplemente sacar de una
situacin (problema) ecuaciones lineales y convertirlas en desigualdades o
inecuaciones para poder graficarlas y as sacar la regin mas optima dependiendo del
signo de la desigualdad esa rea se sombreara y esa ser la solucin mas optima del
problema.

Para llegar a una solucin ptima en el mtodo grafico se requiere seguir con una
serie de pasos que podemos dar a continuacin:
1. formulacin del problema
El primer paso para la resolucin por mtodo grafico es expresar el problema en
trminos matemticos en el formato general de la programacin lineal
(desigualdades) con un solo fin maximizar la contribucin a la ganancia.
2. graficar las restricciones
El prximo paso de la solucin por mtodo grafico es la graficacin de las
restricciones en el plano cartesiano para establecer todas las posibles soluciones.
3. obtencin de la solucin optima
Para encontrar la solucin ptima, se grafica la funcin objetivo en la misma
grfica de las restricciones. Se graficara siempre la funcin objetivo del problema y
se dar la solucin de acuerdo con el smbolo que este presente en las restriccin
de la funcin objetivo.
EJEMPLO:
Maximizar la funcin objetivo:
Z= 3x + y
Sujeto a las restricciones:

2x + y 8
2x + 3y 12
x, y 0
A continuacin graficamos las desigualdades planteadas en las restricciones as:
2x + y 8
2x + 3y 12
x=0; y=8
y=0; x=4
x=0; y=4
Y=0; x=6
x, y 0
Se observa que la regin factible esta conformada por los puntos A(0,0); D(0,4); B(4,0)
y el punto C que es el resultado de la interseccin de las 2 inecuaciones cuyo valor
aproximadamente en el plano esta dado por las coordenadas (3,2).
Ahora bien el problema solicita la maximizacin de Z = 3x + y que se obtiene
precisamente en el punto C(3,2).
EJEMPLO:
Minimizar la funcin objetivo:
Z= 2x + 3y
Sujeto a las restricciones:
x +2y 10
3x + 2y 18
x, y 0
A continuacin graficamos las desigualdades planteadas en las restricciones as:
x + 2y10
3x + 2y18
x=0; y=5
y=0; x=10
x=0; y=9
Y=0; x=6
x, y 0
Regin Factible
(4,3)
Se observa que la regin factible esta conformada por los puntos (0,9); (4,3); (10,0),
donde el punto (4,3) es el resultado de la interseccin de las dos ecuaciones dadas
como restricciones.
Ahora bien el problema solicita la maximizacin de Z = 3x + y que se obtiene
precisamente en el punto C(3,2).
CAPITULO 2
METODO ALGEBRAICO
2.1 INTRODUCCION
2.4 TALLER
2.1 INTRODUCCION
En ocasiones nos encontramos con problemas de ndole magnitud, a los cuales se
desea maximizar o minimizar una funcin sujeta a ciertas restricciones.
Muchas personas califican al mtodo algebraico, como uno de los mtodos ms
importantes en el campo de la programacin lineal. En la actualidad es una
herramienta comn, que se ha prestado para resolver problemas de gran magnitud;
por su simplicidad, sencillez y estilo de uso cientos de empresas, compaas de todo
el mundo han ahorrado miles y miles de pesos.
En este capitulo se tratara la formulacin de problemas utilizando el mtodo
algebraico para la solucin de problemas de programacin lineal. Se hace un enfoque
a la variedad de aplicaciones del mtodo para que el estudiante interesado pueda
tener una visin y ejercitar sus conocimientos.
El mtodo algebraico contempla en su desarrollo al mtodo grafico y de la misma
manera el mtodo grafico no estara completo sin la rigurosidad del mtodo
algebraico pues la apreciacin visual que da el grafico en la solucin ptima puede
estar sujeta a error por parte del analista.

Dado que tenemos un problema de dos variables, podemos graficar las soluciones
posibles y comprender algunos puntos interesantes respecto a las relaciones lineales.
Veremos la siguiente manera de obtener grficamente las soluciones al problema
planteado y luego veremos como obtenerlas algebraicamente.
1. Exprsense los datos del problema como una funcin objetivo y restricciones.
2. Graficar las restricciones.
3. Definir el conjunto factible.
4. Encontrar la solucin ptima
A continuacin se presentan el anlisis algebraico y grafico de algunos problemas de
programacin lineal:
PROBLEMA 1:
Supngase una compaa fabrica 2 tipos de artefactos, manuales y elctricos. Cada
uno de ellos requiere en su fabricacin el uso de 3 maquinas: A, B y C. un artefacto
manual requiere del empleo de la maquina A durante 2 horas, de una 1 en B y una 1
en C, un artefacto elctrico requiere de 1 hora en A, 2 horas en B y 1 hora en C.
supngase adems que el numero mximo de horas disponible por mes para el uso
de las tres maquinas es 180, 160 y 100, respectivamente. La utilidad que se obtiene
con los artefactos manuales es de 4000 pesos y de 6000 pesos para los elctricos. Si
la compaa vende todos los artefactos que fbrica, Cuntos de ellos de cada tipo se
deben elaborar con el objeto de maximizar la utilidad mensual?
MANUALES(X)
ELECTRICOS(Y)
HORAS
DISPONIBLES
A
2
1
180
B
1
2
160
C
1
1
100
UTILIDAD
4000
6000
SOLUCIN:
1. Paso: Planteamos la funcin objetivo y las restricciones correspondientes:
MAX Z= 4000X + 6000Y

SUJETO A:
2X + Y 180
X + 2Y 160
X + Y 100
2. Paso: Elaboramos el grfico correspondiente a las restricciones con el fin de
precisar la regin factible y determinar los puntos que la conforman:
2X + Y 180
X=0 Y= 180
Y=0 X= 90
X + 2Y 160
X=0
Y=0
Y=80
X=160
X + Y 100
X=0
Y=0
Y=100
X=100
3. Paso: Resolvemos el sistema de ecuaciones para determinar las

coordenadas del punto B y C as:
Para B: X + 2Y 160
Para C: 2X + Y 180
X + Y 100
X+Y
100
Y= 60
= 80
X= 40
= 20
4. Paso:
Con los puntos de la regin factible:
O(0,0) ; B(40,60) ; C(80,20) ; A(0,80); D(90,0) Maximizamos la funcin
objetivo :
MAX Z = 4000x + 6000 y
(0,0)
4000(0) + 6000(0)
= 0
(0,80)
4000(0) + 6000(80) = 480000
(40,60)
4000(40) + 6000(60)= 520000
(90,0)
4000(90) + 6000(0) = 360000
5. Paso: La solucin para el problema est representada por la fabricacin de

40 artefactos manuales y 60 artefactos elctricos generando una mxima
utilidad de $ 520.000.
EJEMPLO 2:
Un granjero va a comprar fertilizante que contiene tres ingredientes nutritivos, A, B Y
C. Las necesidades mnimas son 160 unidades de A, 200 de B y 80 de C. Existen en
el mercado dos marcas populares de fertilizante. El llamado crecimiento rpido que
cuesta $ 4000 el costal y contienen 3 unidades de A, 5 de B y 1 de C, y el de
crecimiento normal que cuesta $3000 y contiene 2 unidades de cada ingrediente. Si el
granjero desea minimizar el costo al tiempo que mantiene el mnimo de los
ingredientes nutritivos que se requieren, cuantos costales de cada marca debe
comprar?.
CRECI/RAPIDO
CRECI/NORMAL
REQUERIMIENTO
A
3
2
160
B
5
2
200
C
1
2
80
COSTO
4000
3000
SOLUCIN:
1. Paso: Determinamos la funcin objetivo y sus restricciones:
MIN Z= 4000X + 3000Y
SUJETO A LAS RESTRICCIONES:
3X + 2Y 160
5X + 2Y 200
X + 2y 80
2. Paso: Elaboramos la grfica y determinamos la regin factible:
3X + 2Y 160
X=0 Y= 80
Y=0 X= 53,33
5X + 2Y 200
X=0
Y=0
X + 2y 80
Y= 100
X= 40
X=0 Y=40
Y=0 X=80
3. PASO: Determinar las coordenadas de los puntos A y B:

Para A: 3X + 2Y 160
Para B: 3X + 2Y 160
5X + 2Y 200
-2X
X
= -40
= 20
Y
= 50
4. Paso: Optimizamos la funcin objetivo:
X + 2y 80
2X
= 80
X= 40
Y = 20
Z= 4000X + 3000Y
(80,0) 4000(80) + 3000(0) = 320000 (40,20)
4000(40) + 3000(20) = 220000 (20,50)
4000(20) + 3000(50) = 230000 (0.100)
4000(0) + 3000(100) = 300000
5. Paso: La solucin del problema para el granjero est en comprar 40 unidades
de crecimiento rpido y 20 de crecimiento normal, con un costo mnimo de $
220.000.
2.4 TALLER
1.
MAXIMIZAR
P= 10x + 12y
Sujeta a:
x + y 60
x - 2y 0
x, y 0
2.
MAXIMIZAR
P= 5x + 6y
Sujeta a
x + y 80
3x + 2y 220
2x + 3y 210
x, y 0
3.
MAXIMIZAR
Z= 4x - 10y
Sujeta a
x 4y 4
2x y 2
x, y 0
4.
MINIMIZAR
Z= 7x + 3y
Sujeta a
3x y -2
x + y 9
x y = -1
x, y 0
5. Un fabricante de juguetes que esta preparando un programa de produccin para 2
nuevos artculos, maravilla y fantstico, debe utilizar la i informacin respecto a
sus tiempos de construccin que se proporcionan en la siguiente tabla. Por
ejemplo, cada juguete maravilla requiere de 2 horas en la maquina A. las horas
de trabajo disponibles de los empleados por semana, son: para la maquina A, 70
horas; para la B, 40 horas; para terminado, 90 horas. Si las utilidades de cada
juguete maravilla y cada juguete fantstico son de $40.000 y $60.000,
respectivamente, Cuntas unidades de cada uno deben fabricarse por semana
con el objeto de maximizar las utilidades? cual seria la utilidad mxima?
MARAVILLA
FANTASTICO
MAQUINA A
2h
1h
MAQUINA B
1h
1h
TERMINADO
1h
3h
CAPITULO 3
METODO SIMPLEX
3.1 INTRODUCION
3.2 CONCEPTO
3.3 PASOS PARA EL DESARROLLO DEL METODO SIMPLEX
3.5 TALLER
3.1 INTRODUCION
En los captulos 1 y 2 de esta unidad vimos como resolver problemas de
programacin lineal a travs del mtodo grafico y el mtodo algebraico, surgen
grandes limitaciones a la hora de trabajar con estos dos mtodos, es decir que no es
posible darle ptima solucin a un problema. Esto se debe a que el mtodo grafico no
resulta prctico cuando el nmero de variables se aumenta a tres, y con ms variables
resulta imposible de utilizar. Por otra parte el mtodo algebraico tarda demasiado
tiempo aun para problemas de pocas variables y restricciones.
El mejor mtodo para resolver un problema de programacin lineal es el mtodo
simplex, ya que es un mtodo de fcil aplicacin, de tipo algortmico y conduce a una
eficiente solucin del problema.
3.2 CONCEPTO
El mtodo simplex fue desarrollado por George dantzig (1947) y es un mtodo
algebraico que se utiliza para resolver problemas de programacin lineal en un
nmero finito de pasos en una computadora. Este mtodo establece una solucin
factible y luego prueba si es ptima o no. Si no lo es busca una mejor solucin y si
esta no es optima entonces repite el proceso hasta hallar una solucin ptima.
3.3PASOS PARA EL DESARROLLO DEL METODO SIMPLEX
1. Elaborar la tabla simplex inicial.
S1
S2
S3
S4
Z
X1
a11
a21
a31
a41
X2
X3
a12 a13
a22 a23
a32 a33
a42 a43
-C1 -C2 -C3
S1
1
0
0
0
0
S2
0
1
0
0
0
Indicadores
S3
0
0
1
0
0
S4
0
0
0
1
0
Z
0
0
0
0
1
b
b1
b2
b3
b4
0
Existen cuatro variables de holgura, S1, S2, S3, y S4; una para cada restriccin.
2. Si todos lo indicadores del ltimo rengln son no negativos, entonces Z tiene un
mximo cuando X1=0, X2=0 y X3=0. El valor mximo es 0. Si existen indicadores
negativos, localizar la columna en la que aparezca el indicador ms negativo. Esta
columna seala la variable entrante.
3. Dividir cada uno de los elementos de la columna de b que se encuentran por
encima de la recta punteada entre el correspondiente elemento de la columna de
la variable entrante. Se debe realizar esta divisin solo en los casos en los que el
elemento de la variable que entra sea positivo.
4. encerrar en un crculo el elemento de la columna de la variable entrante que
corresponde al menor cociente del paso 3. Este es un elemento pivote. La variable
saliente es la que se encuentra al lado izquierdo del rengln del elemento pivote.
5. Utilizar operaciones elementales sobre renglones para transformar la tabla en otra
tabla equivalente que tenga un 1 en donde se encuentra el elemento pivote y 0 en
las dems posiciones de esa columna.
6. la variable entrante debe reemplazar a la variable saliente en el lado izquierdo de
esta nueva tabla.
7. si todos los indicadores de la tabla nueva son no negativos, ya se tiene una
solucin ptima. El valor mximo de Z es el elemento del ltimo rengln y la ltima
columna. Ocurre esto cuando las variables se encuentran del lado izquierdo de la
tabla son iguales a lo elementos correspondiente de la ltima columna. Todas las
dems variables son ceros. Si cuando menos uno de los indicadores es negativo,
se debe repetir el mismo proceso con la nueva tabla, comenzando con el paso 2.

EJEMPLO 1
Maximizar Z= 5X1+4X2
Sujeto a:
X1+X2 20
2X1+X2 35
-3X1+X2 12
X10, X20
Este problema de programacin lineal se ajusta a la forma normal. La tabla simplex

inicial es:
Variable
Saliente
S1
S2
S3
x1
1
2
-3
x2
1
1
1
S1
1
0
0
S2
0
1
0
S3
0
0
1
Z
0
0
0
b
20
35
12
-5
-4
Cocientes
201=20
352=17.5
Indicadores
Variable
Entrante
El indicador mas negativo, -5, aparece en la columna x1. Por ello, x1 es la variable
entrante. El menor cociente es 17.5, de modo que, S2 es la variable saliente. El
elemento pivote es 2. Utilizando operaciones elementales sobre los renglones para
obtener un 1 en la posicin del pivote y 0 en las dems posiciones de esa columna, se
tienen:
x1
1
2
-3
x2
1
1
1
S1
1
0
0
S2
0
1
0
S3
0
0
1
Z
0
0
0
b
20
35
12
-5
-4
1
1
-3
1
1/2
1
1
0
0
0
1/2
0
0
0
1
0
0
0
20
35/2
12
-5
-4
0
1
0
1/2
1/2
5/2
1
0
0
-1/2
1/2
3/2
0
0
1
0
0
0
-3/2
5/2
5/2
(Sumando al rengln uno el rengln 2
35/2
multiplicado por -1; sumando al rengln
129/2 tres el rengln 2 multiplicado por 3;
Sumando al rengln cuatro el rengln dos
175/2
multiplicado por 5)
S1
x1
S3
x1
0
1
0
x2
1/2
1/2
5/2
S1
1
0
0
S2
-1/2
1/2
3/2
S3
0
0
1
Z
0
0
0
b
Cocientes
5/2
5/2 1/2=5
35/2
35/2 1/2=35
129/2 129/25/2=25(4/5)
-3/2
5/2
175/2
(Multiplicando el rengln 2 por 1/2)
La nueva tabla es:

Variable
Saliente
Indicadores
Variable Entrante
Obsrvese que en el lado izquierdo, x1 reemplaz a S2. Ya que -3/2 es el indicador
ms negativo se debe continuar con el proceso. La variable entrante es ahora x2. El
menor cociente es 5. De modo que S1 es la variable saliente y es el elemento
pivote. Utilizando operaciones elementales sobre renglones, se tiene:
x1
x2
S1
S2
S3
0
1
0
1/2
5/2
1
0
0
-1/2
1/2
3/2
0
0
1
0
0
0
5/2
35/2
129/2
-3/2
5/2
175/2
0
1
0
1/2
0
0
1
-1
-5
-1/2
1
4
0
0
1
0
0
0
5/2
15
52
95
(Sumando al rengln dos el rengln uno

multiplicado por -1; sumando al rengln
tres el rengln uno multiplicado por -5;
Sumando al rengln cuatro el rengln
uno multiplicado por 3)
(Multiplicando el rengln uno por 2)
0
1
0
1
0
0
2
-1
-5
-1
1
4
0
0
1
0
0
0
5
15
52
95
La nueva tabla es:

x2
x1
S3
x1
0
1
0
x2
1
0
0
S1
2
-1
-5
S2
-1
1
4
S3
0
0
1
Z
0
0
0
b
5
15
52
95
Indicadores
En donde x2 reemplazo a S1 en el lado izquierdo. Como todos los indicadores son
no negativos, el valor mximo de Z es 95 y aparece cuando x2=5 y x1=15 (y S3=52,
S1=0, S2=0).
EJEMPLO 2
Maximizar Z= 3x1 + 4x2 + 3/2x3
Sujeta a:
-x1-2x2
-10
2x1+2x2+x3 10
x1, x2, x3 0
La restriccin (10) no se ajusta a la forma normal. Sin embargo, multiplicando ambos

lados de (10) por -1 resulta.
TABLA SIMPLEX I
Variable
Saliente
S1
S2
x1
1
2
x2
2
2
x3
0
1
S1
1
0
S2
0
1
Z
0
0
b
10
10
-3
-4
-3/2
Cocientes
102=5
102=5
Indicadores
Variable
Entrante
La variable entrante es x2. Dado que existe un empate en el menor cociente, se
puede elegir cualquiera de los dos, S1 o S2, como la variable saliente. Se escoge
S1. Se encierra en un crculo el pivote. Utilizando operaciones elementales sobre
renglones, se obtiene la tabla 2.
TABLA SIMPLEX II
Variable
Saliente
x2
S2
x1
1/2
1
x2
1
0
x3
0
1
S1
1/2
-1
S2
0
1
Z
0
0
b
5
0
Cocientes
no hay puesto
que 0 No es positivo
-1
-3/2
20
01=0
Indicadores
Variable
Entrante
La tabla II corresponde a una SFB (solucin bsica factible) en la que una variable
bsica S2 es 0. Por ello, la SFB es degenerada. Ya que existen indicadores negativos,
se contina el proceso. La variable entrante es ahora x3, la variable saliente es S2 y el
pivote se encuentra encerrado en un crculo. Utilizando operaciones elementales
sobre renglones, se obtiene la tabla III.
TABLA SIMPLEX II
x2
x3
x1
1/2
1
1/2
x2
1
0
0
x3
0
1
S1
1/2
-1
S2
0
1
Z
0
0
b
5
0
1/2
3/2
20
Indicadores
En virtud de que todos los indicadores son no negativos, Z es mxima cuando x2=5 y
x3=0, y x1=S1=S2=0. El mximo valor es Z=20. Obsrvese que este valor es igual al
valor de Z correspondiente a la tabla II. En problemas con degeneracin es posible
llegar al mismo valor de Z en varias etapas del proceso simplex.
EJEMPLO 3:
Considere el siguiente problema de programacin lineal:
Maximizar
Z=2x1+5x2+8x3
Sujeto a x1+ x2+ x3 12

8x1-4x2+4x3 24 x2+ x3 8
x1, x2, x3 0
PASO 1: INICIALIZACIN:
Maximizar Z
Z-2x1-5x2-8x3
x1+ x2+ x3+ x4
8x1-4x2+4x3
+x5
x2+ x3
+x6
xj0, j=1,2,,6
= 0 (0)
=12 (1)
=24 (2)
=8 (3)
Donde las variables de holgura son x4, x5 y x6.
(II)
La tabla inicial para la aplicacin del algoritmo Simplex es:

V.B
Z
x4
x5
x6
x1
-2
1
8
0
x2
-5
1
-4
1
x3
-8
1
4
1
x4
0
1
0
0
x5
0
0
1
0
x6
0
0
0
1
b
0
12
24
8
La solucin bsica falible de partida se obtiene fcilmente del sistema de ecuaciones

(II). Cada una de las ecuaciones tiene una sola variable bsica. Por ejemplo, la
variable bsica de la ecuacin (2) es x5 ya que tiene coeficientes de +1 en esa
ecuacin y no aparece en ninguna de las otras ecuaciones.
Esto quiere decir que, en esa ecuacin, la dems variables, al ser no bsicas, sus
valores son ceros y, por consiguiente, podemos deducir que el valor de x5 es igual a
24.
De manera similar, de la ecuacin (0) se obtiene que Z = 0, de la (1) se obtiene que x4
= 12 y de la (3) que x6 = 8.
Observe que en la tabla se pueden leer estos valores directamente. Bastar hacer
corresponder a cada variable bsica indicada en la primera columna, (V.B.) los valores
de la ltima columna (b).
Observe adems que la matriz correspondiente a las variables bsicas de las
restricciones, es una matriz unidad.
PASO 2: PROCESO ITERATIVO
Primera Iteracin
La variable bsica entrante es x3, puesto que es la que tiene mayor coeficiente en la
funcin objetivo de (I), o bien es la de coeficientes ms negativos en la tabla inicial (-8
en este ejemplo).
La variable bsica saliente se determina de la siguiente manera: la cota superior de la
variable bsica entrante xent = x3, viene dada por + si a' ie 0 y b'i/a'ie si aie>0.
Entonces, los valores de a'ie y bi son:
Restriccin
1
2
3
a'13 = 1
a'23 = 1
a'33 = 1
b'1 = 12
b'2 = 24
b'3 = 8
Como todos los coeficientes de las ecuaciones i (i = 1, 2,3) son positivos, entonces la
cota superior estar dada por b'i/a'ie. O sea:
B1/a'13 = 12/1 = 12
b'2/a'23 = 24/4 = 6
b'3/a'33 = 8/1 = 8
La menor cota superior es 6, que corresponde a la restriccin numero 2. La variable
bsica que corresponde a esa ecuacin es x5 y es, en consecuencia, la variable
bsica saliente. Es decir, en el conjunto de variables bsicas se cambia a x5 por x3,
por lo que las nuevas variables bsicas son x4, x3 y x6.
Ahora x3 es una variable bsica, luego debe tener un coeficiente +1 en la segunda
ecuacin y no debe aparecer en ninguna otra, es decir, en cualquier otra ecuacin
distinta de la segunda restriccin (que es la ecuacin donde la variable bsica es x3)
el coeficiente de x3 debe ser cero. Esto se logra de la siguiente manera:
1. Divida toda la ecuacin por 4, que es el coeficiente de x3 en la segunda
restriccin.
La ecuacin queda
2x1 - x2 + 1x3 + 1/4x5 = 6
(A)
2. Para lograr ceros en los coeficientes de x3 en las nuevas ecuaciones (0), (1) y
(3) multiplique la ecuacin (A) anterior por 8, -1 y -1 uno a la vez, y sume el
resultado a las ecuaciones anteriores (0), (1) y (3). O sea, multiplicar la
ecuacin (A) por 8 se obtiene:
16x1 - 8x2 + 8x3 + 2x5 = 48
Esta ecuacin sumada con la ecuacin (0) se partida queda:
Z + 14x1 13x2 + 2x5 = 48
Que vendra a ser la ecuacin (0).
De manera similar, para lograr un cero en el coeficiente de x3 de la ecuacin (1),
multipliquemos la ecuacin (A) por -1 y sumemos el resultado a la ecuacin (1).
(1) Ecuacin A:
-2x1 + x2 x3
Ecuacin (1):
x1 + x2 + x3 + x4
Nueva Ecuacin:
- x1 + 2x2
+ x4
-1/4X5 = - 6
= 12
1/4x5 = 6
Finalmente, para lograr un cero en el coeficiente de x3 de la ecuacin (3),

multipliquemos (A) por -1 y sumemos el resultado a (3). La nueva ecuacin (3)
despus de la transformacin es:
-2x1 + 2x2 - 1/4x5 + x6 = 2

La solucin presente despus de la primera iteracin es:
(x1, x2, x3, x4, x5, x6) = (0, 0, 6, 6, 0, 2); Z = 48
Estos resultados se presentan de una manera sencilla en forma tabular. Al igual que
se hizo con la tabla inicial, registramos solamente los coeficientes de las variables y
los colocamos inmediatamente debajo de la tabla inicial. Esta segunda tabla
proporciona una manera fcil de ver los valores actuales de las variables bsicas
despus de que se ha realizado la primera iteracin.
La tabla inicial y la que resulta despus de la primera iteracin son las siguientes:
V.B
Z
x4
x5
x6
x1
-2
1
8
0
x2
-5
1
-4
1
x3
-8
1
4
1
V.B
Z
x4
x5
x1
14
-1
2
x2
-13
2
-1
x3
0
0
1
x6
-2
x4
0
1
0
0
Tabla Inicial
x5
0
0
1
0
x6
0
0
0
1
b
0
12
24
8
x4
0
1
0
x5
2
-1/4
1/4
x6
0
0
0
b
48
6
6
-1/4
Tabl
a
Des
pu
s
De
La Primera Iteracin
Observe que si en la segunda tabla se intercambian las columnas de x5 y x3, de
nuevo se destaca la matriz unitaria.
En este momento, es oportuno preguntarse si la solucin que se ha obtenido despus
de la primera iteracin es la solucin ptima. Para responder la pregunta, veamos si
es posible incrementar una de las variables de tal manera que la funcin objetivo
aumente. La funcin objetivo despus de la primera iteracin es:
Z + 14x1 13x2 + 2x5 = 48, o bien
Z = -14x1 + 13x2 2x5 + 48
Si aumentamos x2 aumentar el valor de Z, puesto que su coeficiente es positivo
(+13). Por consiguiente, todava no hemos obtenido el valor ptimo y necesitamos
realizar otra iteracin. A esta misma conclusin hubisemos llegado si observamos
que en la tabla despus de la primera iteracin, todava existe un coeficiente (el de x2)
que es negativo.
Segunda iteracin
Despus de la primera iteracin, el sistema de ecuaciones queda:
Z = -14x1 + 13x2
-x1 + 2x2
2x1 - x2 + x3
-2x1 +2x2
-2x5
+ x4 - 1/4x5
+ 1/4x5
- 1/4x5 + x6
+ 48
= 6
= 6
= 2
La variable bsica entrante es x2, puesto que es la que tiene mayor coeficiente en la
funcin objetivo, o bien es la del coeficiente ms negativo en la tabla despus de la
primera iteracin.
Para determinar la variable bsica saliente, procedemos de manera similar a lo que
hizo en la primera iteracin.
En este caso xent = x2
Restriccin
1
2
3
a'12 = 2
a'22 = -1
a'32 = 2
,
,
,
b'1 = 6
b'2 = 6
b'3 = 2
Las cotas superiores son:

6/2 = 2
+ ya que a'22 = -1 < 0 2/2 =
1
La menor cota superior es 1 y corresponde a la tercera restriccin. Entonces la
variable bsica saliente es x6, es decir, cambiamos x6 por x2. Las nuevas variables
son x4,x3 y x2.
Como x2 es ahora una variable bsica, debe tener un coeficiente +1 en la ecuacin
(3) y no debe aparecer en ninguna otra ecuacin. Esto se logra de la siguiente
manera:
1. Se divide toda la ecuacin (3) por 2, que es el coeficiente de x2 en esa
ecuacin.
2. Se multiplica la ecuacin resultante en el paso 1. por 13, -2 y +1, unos a las
vez, y se suman los resultados a las ecuaciones (0), (1) y (2).
El resultado es:
Z + x1
x1
x1
x1 + x2
+ x4
+ x3
+3/8x5 + 13/2x6
x6
+ 1/8x5 + 1/2x6
- 1/8x5 + 1/2x6
= 61
= 4
= 7
= 1
(0)
(1)
(2)
(3)
Regla de parada
Como todos los coeficientes de la ecuacin (0) son positivos, la solucin presente es
ptima; o sea: Z = 61, x4 = 4, x3 = 7, x2 =1 y el resto de las variables son ceros.
Al igual que en la primera iteracin, los resultados se pueden presentar en forma
tabular. La tabla inicial y las que resultan despus de la primera y de la segunda
iteracin, son las siguientes:
V.B
Z
x4
x5
x6
x1
-2
1
8
0
x2
-5
1
-4
1
x3
-8
1
4
1
x4
0
1
0
0
Tabla Inicial
x5
0
0
1
0
x6
0
0
0
1
b
0
12
24
8
V.B
Z
x4
x5
x6
x1
14
-1
2
-2
x2
-13
2
-1
2
x3
x4
0
0
0
1
1
0
0
0
Primera Iteracin
x5
2
-1/4
1/4
-1/4
x6
0
0
0
1
b
48
6
6
2
V.B
Z
x4
x5
x6
x1
1
1
1
1
x2
0
0
0
1
x3
x4
x5
0
0
3/8
0
1
0
1
0
1/8
0
0
-1/8
Segunda Iteracin
x6
13/2
-1
1/2
1/2
b
61
4
7
1
La solucin ptima es (x1, x2, x3, x4, x5, x6) = (0, 1, 7, 4, 0, 0); Z = 61
Hemos visto la aplicacin del mtodo Simplex para obtener la solucin ptima de un
problema de Programacin Lineal y su forma tabular asociada. En realidad, el
proceso de hace bastante mas expedito utilizando directamente la tabla, sin tener
que pasar por las ecuaciones correspondientes. La determinacin de las variables
bsica entrantes y salientes en cada iteracin, puede hacerse directamente a partir
de cada una de las tablas.
Ejemplo 4:
Observemos el siguiente ejemplo, recordando los pasos fundamentales en el mtodo
simplex, adems del uso de variables artificiales, no confundir con adicionales.
Maximizar Z = -5x1 + 8x2 + 3x3, sujeto a

2x1 + 5x2 - x3 1
-3x1 - 8x2 + 2x3 4
-2x1 - 12x2 + 3x3 9
1. Expresamos estas condiciones en forma matricial. Se eligen 3 (m) columnas
linealmente independientes dentro de A ___ P 4, P5, P6.
P4 P5 P6
5 -1
-3
-8 2
-2
-12 3
Al introducir estas tres nuevas columnas, estamos utilizando tres variables

adicionales: x4, x5 y x6.
Nuestra funcin objetivo tendr la siguiente expresin:
Z = -5x1 + 8x2 + 3x3+ 0x4 + 0x5 + 0x6
Se resuelve el sistema en las variables correspondientes:
1 - 2x1 - 5x2 + x3 = x4
4 + 3x1 + 8x2 - 2x3 = x5
9 + 2x1 + 12x2 - 3x3 = x6
Haciendo x1= x2= x3= 0 se obtiene el vrtice de salida:

(0,0,0,1,4,9)
Obtenemos, asimismo una "nueva" funcin objetivo:
Z =-5x1 + 8x2 + 3x3+ 0 (1 - 2x1 - 5x2 + x3)+ 0 (4 + 3x1 + 8x2 - 2x3) + 0 (9 + 2x1
+ 12x2 - 3x3)
2. De aqu obtenemos que z0= 0
3. Para ver si es posible mejorar z 0, se examina la funcin z=f(x1, x2, x3) y de
todos los coeficientes que sean positivos, se coge el mayor. Mientras haya
coeficientes positivos se va a poder mejorar.
Se plantea como aumentar el valor de una variable, de forma que las otras
variables que aparecan en la expresin de Z sigan nulas y, al menos, una de
las que eran distintas de cero se anule.
Actuaremos sobre la variable x2, ya que es la de mayor coeficiente, 8.
Nuestro siguiente vrtice debe cumplir las siguientes condiciones:
x2=k>0,
x1= x3= 0
y x4, x5, x6 0 y de estas tres variables, al menos, una nula.

Se resuelve el sistema en las variables sealadas, teniendo en cuenta todas
las anteriores condiciones:
1 - 5k = x4
4 + 8k = x5
9 + 12k = x6
Debemos anular x4, ya que es imposible anular x5 y x6, con valores positivos.
La mejor eleccin ser k=1/5,
Con este valor obtenemos el nuevo vrtice de salida:
(0, 1/5 ,0,0, 28/5 ,57/5)
Ahora debemos rehacer las expresiones, expresadas en funcin de x 1, x3 y x4
.
4. Se cambia la columna de la variable sealada que acaba de anularse por la
de la sealada que aument su valor.
P2
P5 P6
2/5 1 -1/5 1/5
1/5
1/5 0
2/5 8/5
0 28/5
14/5 0
3/5 12/5
1 57/5
Se resuelve el sistema y se encuentra la expresin de la funcin objetivo

correspondiente a esa eleccin de columnas.
Z = 8/5 - 41/5 x1 + 23/5 x3 + 8/5 x4
Obtenemos z1, que saldr de sustituir el valor del vrtice hallado en la nueva
expresin de la funcin objetivo:
z1= 8/5.
5. Se repite cuantas veces haga falta el proceso. (mientras haya coeficientes
positivos).
x3= k x1,
x4= 0
Por tanto,
1/5 + k/5 = x2
28/5 - 2/5 k = x5
57/5 - 3/5 k = x6
Elegimos k= 14 (2 igualdad), obteniendo los siguientes valores:

P2 P3
P6
1/2 1
0 1
1/2
1/2 0
1 4
5/2
14
5/2 0
0 -3/2 0
Se resuelve el sistema y se encuentra la expresin de la funcin objetivo:

Z = 66 - 21/2 x1 - 20 x4 + 23/2 x5
Calculamos el vrtice de salida, haciendo x 1= x4= x5= 0,
(0,3,14,0,0,3) z2= 66
Ya no se puede mejorar este valor (no hay coeficientes positivos). El proceso
ha finalizado.
vrtice solucin: (0,3,14)
Alcanzado para Z= 66
Comentarios
Para arrancar el simplex se precisa de un vrtice inicial. Cuando las columnas

de la matriz identidad estn dentro de A, este primer vrtice siempre se puede
hallar.
Si Im no est dentro de A:
(Im , matriz identidad de mxm, con m= n de condiciones.)
1. Debe elegirse m columnas linealmente independientes de A

cualesquiera. Aun as, puede que el simplex no arranque.
2. Manipular las ecuaciones del sistema para que ste sea equivalente y la
matriz identidad aparezca en el sistema final.
1 1 -1 0 1
1 1 -1 0 1
F1
F2- 2F1
230 1 6
012 1 4
con Z, funcin objetivo del problema.

3. Introduccin de nuevas variables, variables artificiales (no confundir con
adicionales). Sern tantas como sean necesarias y donde sean
necesarias para obtener la matriz identidad.
-1 0
1 2
0 2
0
-1
48
97
-1
11
-1
0 0
0 0
48
2 -1
1 0
97
2 0
0 1
11
-1
5. con Z, funcin objetivo del problema.

Esta introduccin afecta a las condiciones y a la funcin objetivo que
quedar modificada en el sentido de que habr dos variables nuevas
ms (variables artificiales).
Se aaden tantos sumandos nuevos como variables artificiales
introducidas con coeficiente -M, siendo M arbitrariamente grande, que
no hace falta especificar.
Z = 2x1 - x2 + x4 - 3x5 - M(x6 + x7)

Obtenemos un nuevo problema, llamado problema aumentado, de cuya
solucin se saca la solucin del problema estudiado:
I.
Problema inicial (a su forma cannica): AX = B; Z = C X

*
AI. Problema aumentado: A' X = B; Z = C' X

Si el problema aumentado tiene solucin en un vrtice en el que todas las variables
artificiales toman el valor cero, tendremos un vrtice solucin para el problema en la
forma cannica.
Vs* = (v1, v2,..., vn, ..., 0,..., 0 ) solucin de II ___ Vs = (v1, v2,..., vn) solucin de I.
Si el problema aumentado tiene una solucin en un vrtice en el que alguna de sus
componentes artificiales sea no nula, el problema inicial no tiene solucin.
3.5 TALLER
1.
MAXIMIZAR
Z= x1 + 2x2
Sujeta a
2x1 + x2 8
2x1 + 3x2 12
x1, x2 0
2.
MAXIMIZAR
Z= -x1 + 3x2
Sujeta a
x1 + x2 6
-x1 + x2 4
x1, x2 0
3.
MAXIMIZAR
Z= 8x1 + 2x2
Sujeta a
x1 x2 1
x1 + 2x2 8
x1 + x2 5
x1, x2 0
4. Una compaa de carga maneja envos para 2 compaas, A y B, que se
encuentran en la misma ciudad. La empresa A enva cajas que pesan 3 libras
cada una y tiene un volumen de 2 pies; la B enva cajas de 1 pie con peso de
5 libras cada una. Tanto A como B hacen envos a los mismos destinos. El
costo de trasporte para cada caja de A es $7500 y para B es $5000. la
compaa transportadora tiene un camin con espacio de carga para 2400
pies y capacidad mxima de 9200 libras. En un viaje, Cuntas cajas de cada
empresa debe transportar el camin para que la compaa de transportes
obtenga el mximo ingreso? cual es este mximo?
5. una compaa fabrica 3 productos X, Y, Z. cada producto requiere de los
tiempos de maquina y tiempo de terminado como se muestran en la tabla. Los
nmeros de horas de tiempo de maquinas y de tiempo de terminado
disponibles por mes son 900 y 5000 respectivamente. La utilidad por unidad X,
Y y Z es $3000, $4000 y $6000 respectivamente. Cual es la utilidad mxima al
mes que puede obtenerse?
TIEMPO DE
TIEMPO DE
MAQUINA
TERMINADO
X
1
4
Y
2
4
Z
3
8
CAPITULO 4
ANALIS DE VARIABILIDAD
4.1 DUALIDAD
4.4 COMPARACION ENTRE EL METODO SIMPLEX Y DUAL SIMPLEX
4.5 ANALISIS DE SENSIBILIDAD
4.6 TALLER
4.1 DUALIDAD
Para cada problema de programacin lineal hay una asociacin y una relacin muy
importante con otro problema de programacin lineal, llamado precisamente dual. El
dual permite resolver problemas de maximizacin resolviendo un problema
minimizacin relacionado con aquel.
El mtodo simplex adems de resolver un problema de programacin lineal llegando a
una solucin ptima nos ofrece ms y mejores elementos para la toma de decisiones.
La dualidad y el anlisis de sensibilidad son potencialidades de ste mtodo
El dual es un problema de PL que se obtiene matemticamente de un modelo primal
de PL dado. Los problemas dual y primal estn relacionados a tal grado, que la
solucin simplex ptima de cualquiera de los dos problemas conduce en forma
automtica a la solucin ptima del otro.

1. Si el primal es un problema de maximizacin su dual ser un problema de
minimizacin y viceversa.
2. Los coeficientes de la funcin objetivo del problema primal se convierten en los
coeficientes del vector de la disponibilidad en el problema dual.
3. Los coeficientes del vector de disponibilidad del problema original se convierten
en los coeficientes de la funcin objetivo (vector de costo o precio) en el
problema dual.
4. Los coeficientes de las restricciones en el problema primal, ser la matriz de los
coeficientes tecnolgicos en el dual.
5. Los signos de desigualdad del problema dual son contrarios a los del primal.
6. Cada restriccin en un problema corresponde a una variable en el otro
problema. Si el primal tiene m restricciones y n variables, el dual tendr n
restricciones y m variables. As, las variables Xn del primal se convierte en
nuevas variables Ym en el dual.
PROBLEMA PRIMAL EN
FORMA CANONICA:
PROBLEMA DUAL EN
FORMA CANONICA:
MAX Z= CX
MIN Z= BY
Sujeto a:
Sujeto a:
AX b
AY C
X0
Y0
EJEMPLO 1
Encontrar el dual del siguiente problema:
Maximizar
Sujeta a
Z = 3X1 + 4X2 + 2X3

X1 + 2X2 + 0X3 10,
2X1 + 2X2 + X3 10,
X1, X2, X3 0.
El dual es:
Minimizar
Sujeta a
W = 10Y1 + 10 Y2
Y1 + 2Y2
3,
2Y1 + 2Y2 4,
0Y1 + Y2 2,
Y1, Y2 0.
EJEMPLO 2
Encontrar el dual del siguiente problema:
Minimizar
Sujeta a
Z = 4X1+ 3X2
3X1 - X2
3,
(1)
X1 + X 2
1,
(2)
3,
(3)
-4X1 + X2
Y1, Y2 0.
Debido a que es un problema de minimizacin, las restricciones (2) y (3) deben
quedar >. Multiplicando ambos lados de (2) y (3) por -1, tendremos -X 1 - X2 > -1 y
4X1 - X2 > -3. Por lo tanto:
3X1 - X2
2,
X1 - X 2
-1,
4X1 - X2 -3.
El dual es:
Maximizar
Sujeta a
W = 2Y1 Y2 3Y3
3Y1 Y2 + 4Y3
4,
-Y1 - Y2 - Y3
3,
Y1, Y2, Y3 0.
4.4 COMPARACION ENTRE EL METODO SIMPLEX Y DUAL - SIMPLEX
PRIMAL
Necesita para comenzar una base
(primal) factible.
DUAL
Necesita para comenzar una base
(dual) factible.
Partiendo de una base primal factible,

se trata de alcanzar una factibilidad
del dual, manteniendo una factibilidad
del primal a travs de todo el proceso.
El criterio para optimizacin para el
primal es el criterio de factibilidad del
dual.
Partiendo de una base dual factible, el

mtodo trata de alcanzar factibilidad
del
primal,
manteniendo
una
factibilidad del dual a travs del todo
el proceso.
El criterio de optimizacin para el dual
Es el criterio de factibilidad para el
primal.
Los elementos pivote son posibles en

todas las iteraciones, a fin de
mantener la factibilidad del primal.
Los elementos pivotes son negativos

en todas las iteraciones, a fin de
acercarse a la factibilidad del primal.
La columna pivote se selecciona

primero entre aquellas columnas que
corresponden a un coeficiente
negativo, luego se determina la fila
pivote de tal manera que se garantice
que la factibilidad del primal se
mantenga en la prxima base.
La fila pivote se selecciona primero y

entre aquellas filas que tienen un
valor actualizado negativo en el
segundo miembro de las ecuaciones.
Se determina luego la columna pivote
de tal manera que se mantenga la
factibilidad dual en la prxima base.
La no factibilidad del dual se

establece en el simplex primal, si la
columna pivote no tiene componentes
con valores positivos.
La no factibilidad del primal se

establece en el dual simples, si la
fila pivote no tiene componentes con
valores negativos.
4.5 ANALISIS DE SENSIBILIDAD

Una vez que se ha obtenido la solucin ptima de un problema de programacin
lineal, es muchas veces necesario realizar un anlisis de sensibilidad; esto es estudiar
cmo cambia la solucin del problema por cambios discretos que se introduzcan en
los distintos coeficientes de este problema. Los cambios discretos en esos
coeficientes pueden o no afectar la condicin de factibilidad (X B0) y la llamada
condicin de optimalidad (todos los Zj Cj 0 para los problemas del tipo
maximizacin).
Una forma de conocer los cambios que ocurren en la solucin ptima de un problema
de P.L. cuando ocurren cambios (discretos) en uno o ms coeficientes, es resolver
completamente el nuevo problema y comparar su solucin con la obtenida en el
problema original. Esto puede ser, sin embargo, completamente ineficiente. Otra
manera es hacer uso de las propiedades del primal-dual estudiadas anteriormente. En
general, esto ltimo reduce bastante el esfuerzo computacional, comparando con el
que tendramos que realizar si resolvemos el nuevo problema y es precisamente lo
que haremos en esta seccin.
Despus de llegar a la solucin de un problema de programacin lineal. Puede ocurrir
que el administrador necesite hacer ciertos cambios en los recursos disponibles de la
operacin, en el costo de operacin, en el precio de materia producido, etc.
Generalmente estos cambios dan origen a un nuevo problema, y su resolucin
requiere recursos financieros, humanos y tiempo; pero en ocasiones no es factible
gastar y esperar ms por el nuevo problema creado con el cambio ocurrido en las
disponibilidades. Con las propiedades del mtodo simplex no se necesitar resolver el
nuevo problema desde el principio, ya que es posible reducir muchos clculos y
ahorrar recursos y tiempo llegando a nuevas soluciones ptimas, sin resolver el
problema totalmente, pues ese es el objetivo del anlisis de sensibilidad. El anlisis de
sensibilidad permite utilizar la tabla final para realizar operaciones con objeto de
analizar los siguientes cambios en el problema de programacin lineal:
4.5.2
Cambios en el vector de disponibilidad de recursos

Cambios en el vector de costos o precio, o sea, en los coeficientes de la
funcin objetivo
Adicin de nuevas actividades, es decir, las variables de decisin
Aumentar el nmero de restricciones.
CAMBIOS EN EL VECTOR DE DISPONIBILIDAD
Suponga el siguiente problema de programacin lineal:

Max Z= 8X1 + 6X2
Sujeta a:
4X1 + 2X2 60
2X1 + 4X2 48
X1 + X 2 0
El presidente de la fbrica decidi aumentar 2 horas de cada da en la capacidad de
los dos departamentos (la fbrica trabaja 6 das a la semana, pero los sbados
trabajan hasta medio da). Al presidente le interesa saber que efectos tendrn sus
decisiones sobre la solucin ptima actual.
Z=132 X1= 12 X2= 6 H1= 0 H2= 0
Segn la decisin del presidente el nuevo problema ser:

Max Z= 8X1 + 2X2
Sujeto a:
4X1 + 2X2 71
2X1 + 4X2 59
Para resolver ese problema utilizamos la tabla final del problema anterior.
Base
Final
Variables de Variables
Decisiones
Holgura
de Solucin
Z
X1
X1
0
1
X2
0
0
H1
5/3
1/3
H2
2/3
-1/6
132
12
X2
-1/6
1/3
Multiplicamos la matrz de los coeficientes tecnolgicos de las variables que no estn

en la base, al nuevo vector de disponibilidad, por consiguiente los nuevos valores de
las variables bsicas actuales son:
X1
1/3
-1/6
71
=
X2
14
=
-1/6
1/3
59
7.5
Como X1 y X2 no son negativos la nueva solucin es factible y ptima. Para encontrar

el valor Z multiplicamos el vector de costo o precio al vector de la nueva solucin.
14
(8,6)
= 157
7.5
Supngase que por dificultades econmicas no se puede vender el producto con la

misma rapidez que el ao pasado, y por problemas de liquidez no es posible cubrir el
sueldo de todos los trabajadores, pero como se sabe que la situacin es temporal no
se quiere cerrar la planta completamente, as que el presidente decidi reducir la

capacidad en ensamble y terminacin a 56 y 25 horas respectivamente, pero su
inquietud es saber qu efectos tendrn estas nuevas decisiones en el nivel de
produccin y en su ganancia, por consiguiente el nuevo problema ser:
Max z= 8x1 + 6x2
SUJETO A:
4x1 + 2x2 56
2x1 + 4x2 25
Solucin:
X1
1/3
-1/6
56
=
X2
14.5
=
-1/6
1/3
25
-1
Como los nuevos valores de las variables de decisin tienen signo negativo violan la
propiedad del simplex, o sea, cuando el sector [b] [0] la solucin no es factible.
Entonces la nueva solucin de la segunda restriccin X2= -1 no es factible; aqu el
mtodo de dual simplex llega a ser importante para restablecer la factibilidad del
problema.
Base
Z
X1
X1
0
1
X2
0
0
H1
5/3
1/3
H2
2/3
-1/6
Solucin
110
14.5
X2
Z
X1
0
0
1
1
10
2
-1/6
0
0
1/3
4
-1
100
12.5
X3
-6
-2
ptimo
La solucin factible y ptima actual es: X1= 12.5, X2= 0, X3= 6, X4= 0, Z= 100
No se debe olvidar que para encontrar cul recurso hay que aumentar a fin de lograr
el mejor rendimiento marginal, tenemos que ver en la tabla final de dual aquella
variable dual correspondiente a la restriccin primal que tiene el valor positivo ms
alto, y el recurso que rendir ms si aumentamos unas unidades. Para ms
informacin ver la interpretacin de dual.
4.5.2. CAMBIO AL VECTOR DE COSTO O PRECIO

Supongamos que la compaa tiene mucha mercanca almacenada que no puede
vender. El presidente decide bajar el precio de la mesa a 6 pesos y el de la silla a 5
pesos, pero antes de hacer vlida al decisin quiere saber qu efecto tendr en su
operacin y ganancia; el nuevo problema ser:
Max Z= 6X1 + 5X2
Sujeto a:
4X1 + 2X2 60
2X1 + 4X2 48
X1,X2 0
Solucin:
El anlisis de sensibilidad para este tipo de cambio toma como punto de partida la
solucin ptima del problema original multiplicando el nuevo vector de costo o precio
(valores de la funcin objetivo por la matriz de coeficientes tecnolgicos), o sea, la
matriz de los coeficientes de las variables que no estn en la base de la tabla final de
simplex: el resultado de esta multiplicacin le llamaremos Q.
Si Q 0 la solucin es factible, si Q 0 la solucin no es factible. Hay una mejor
explicacin con el procedimiento de simplex. Si la solucin es factible se debe verificar
que la solucin sea ptima tambin, si no es ptima, seguimos con el procedimiento
de simplex.
Para verificar si Q es el resultado de la F.O. por la matriz de coeficientes tecnolgicos
multiplicamos Q por la matriz de los coeficientes del dual, y llamaremos al resultado de
esta multiplicacin L, restamos L, con el nuevo vector de costo o precio, si el resultado
es el cero; la solucin es ptima si no seguimos con el procedimiento simplex.
C
(Vector de costo y precio) x Mariz de
Coeficientes
Tecnolgicos
= Q
matriz de las variables
=L
De cual es dual
L C = 0, la solucin es ptima
1/3
-1/6
(6,5)
= (7/6,2/3)
-1/6
1/3
Como Q, o verificamos la optimalidad

4
(7/6, 2/3)
= (6,5)
2
Los nuevos coeficientes de la F.O. (Z) correspondientes a X1 y X2 de la tabla final de

simplex son:
(8 6) (8 5) = (2 1)
4.6 TALLER
En los siguientes problemas hay que encontrar solo la forma dual del ejercicio
no es necesario que los resuelva, sin embargo si es su deseo hacerlo proceda.
1.
MAXIMIZAR
Z= 2x1 + 3x2
Sujeta a
x1 + x2 6
-x1 + x2 4
x1, x2 0
2.
MAXIMIZAR
Z= x1 + 8x2 + 5x3
Sujeta a
x1 + x2 + x3 8
-x1 + 2x2 + x3 2
x1, x2, x3 0
3. Una empresa esta comparando los costos de publicidad en dos medios de
comunicacin: peridicos y radio. Para cada peso de publicidad la tabla que
aparece en seguida presenta el numero de personas por grupo de ingresos, de
cada uno de esos medios de comunicacin alcanza. La empresa desea llegar a
cuando menos 8000 personas de las que tienen ingresos de menos de $500.000 y
cuando menos 6000 de las que ganan mas de $500.000. utilizar el dual y el
mtodo simplex para hallar las cantidades que debe invertir la empresa en
publicidad en peridicos y en radio, para llegar a ese nmero de personas, con un
costo total mnimo. cual es el costo total mnimo de publicidad?
PERIODICOS
RADIO
MENOS DE
$500.000
40
50
MAS DE $500.000
100
25
CAPITULO 5
TOPICOS AVANZADOS
5.1 INTRODUCCION
5.4 PROBLEMAS DE PROGRAMACION LINEAL CON VARIABLES
ACOTADAS
5.1 INTRODUCCION
Las cuatro unidades anteriores cubren los aspectos fundamentales del modelo de
programacin lineal. Pero este capitulo se presentan algunos tpicos avanzados
relacionados con la degeneracin en programacin lineal, as como algoritmos para
resolver problemas con estructuras especiales. Con el estudio de esta unidad
entonces, es complemento natural de un primer curso de investigacin de operaciones
para un estudiante de ingeniera.
En el desarrollo del mtodo simple, hemos visto que si existe una solucin bsica
factible (pero no optima) al conjunto de restricciones y en ausencia de degeneracin,
es posible ir combinando sucesivamente un vector de la base y alcanzar una solucin
optima (o una indicacin de que la solucin no esta acotada) en un numero finito de
pasos.
Para la solucin de la degeneracin en programacin lineal existen dos mtodos
importantes: mtodo de perturbacin de charnes y mtodo simplex generalizado.
1. METODO DE PERTURBACION DE CHARNES
Se considera solamente la resolucin de un problema particular, considerando un
conjunto de problemas cuyos valores son modificados a un valor en particular. Cuando
los valores no se modifican el conjunto de problemas incluye el problema original a
resolver.
PASOS PARA OBTENER UNA SOLUCION DEGENREADA APARTIR DE LA

SOLUCION BASICA
Numeramos los vectores de tal manera que aquellos que conforman la matriz
identidad estn de primero.
Comenzando con una matriz identidad como base podemos obtener siempre
una solucin bsica inicial para el problema perturbado.
En algunos casos no es importante hallar el valor de E (dado por algunos libros como
el coeficiente que acompaa el resultado de la solucin factible), ya que no es
necesario en la practica porque requiere de mucho trabajo sin embargo es importante
ya que demuestra que cualquier valor entre 0 y Emax puede perturbar el resultado de
la solucin degenerada.
2. USO DE LA TECNICA DE PERTURBACION EN EL METODO SIMPLEX EN
FORMA TABULAR
Para aplicar la tcnica de perturbacin de Charnes con el mtodo tabular del algoritmo
simplex se resuelve de la misma forma que el mtodo simplex para realizar el clculo
de la SBF (solucin bsica factible).
En primer lugar consideramos las menores potencias de E porque los valores mas
pequeos son los que cuentan.
Claro esta que en el uso de la tcnica de perturbacin con el mtodo simplex en forma
tabular, debemos proveer las columnas para los vectores artificiales que se requieran.
Veamos a continuacin un ejemplo ilustrativo del procedimiento para seleccionar el

vector que debe salir de la base y que asegurar que el ciclaje no ocurrir.
V.B
Z
X1
X2
X3
a1
x1
0
1
0
0
a2
x2
0
0
1
0
a3
x3
0
0
0
1
a4
x4
-4
2
3
4
a5
x5
-3
4
1
2
b
0
2
0
0
En la primera iteracin el vector a4 entra a la base. Ahora bien, al dividir Xb/Yi4 se

tiene
Min {2/2;0/3;0/4}=0 (no es nico)
El vector que sale de la base esta unvocamente determinado, puesto que

XB2/Y24=XB3/Y34=0 nos movemos entonces a la primera columna y determinamos:
Y21/Y24 y Y31/Y34.
Y21/Y24=0/3=0
Y31/Y34=0/4=0
En ambos casos el coeficiente es cero. Tomemos entonces la columna de a2
(segunda columna) y calculamos Y22/Y24 y Y32/Y34, o sea:
Y22/Y24=1/3; Y32/Y34=0/4=0
En este caso se obtiene el coeficiente mnimo de cero.
Entonces sacamos de la base al vector a3. En otras palabras, la variable X4 entra y
sale X3. el elemento pivote es entonces Y34=4. la nueva tabla ser:
V.B
Z
X1
X2
X3
a1
x1
0
1
0
0
a2
x2
0
0
1
0
a3
a4
x3
x4
1
0
-1/2
0
-3/4
0
1/4
1
Primera iteracin
a5
x5
-1
3
-1/2
b
0
2
0
0
Con una iteracin adicional obtenemos la solucin ptima. A partir de la informacin

dada en las tablas, vamos a mostrar la solucin correspondiente al problema
perturbado.
Para la primera tabla de acuerdo a la ecuacin
n+s
Xb(E) = Xb +
E ^ (j)Yj
j=1
Tenemos:
XB1 (E) = 2 + E +2E^(4) +4E^(5)
XB2 (E) = 0 + E^(2) +3E^(4) +E^(5)
XB3 (E) = 0 + E^(3) +4E^(4) +2E^(5)
Z(E) = 0
Los nuevos valores XnBi(E) cuando se incorpora el vector a4 se obtiene la segunda
tabla y son los siguientes:
XnB1 (E) = 2 + E^(3) (1/2)E^(3) +3E^(5)
XnB2 (E) = E^(2) (3/4) E^(3) (1/2)E^(5)
XnB4 (E) = 1/4E^(3) + 4E^(4) +2E^(5)
ZN(E) = E^(3) + 4E^(4) + 2E^(5)
Para los valores pequeos de E los XBi(E) son positivos. A dems
ZN(E) > Z(E).

Esta tcnica utiliza el concepto de vectores ordenados lexicogrficamente.
Un vector X es lexicogrficamente positivo (y se denota por X>0) y su primer
componente distinto de 0 es positivo. Dicho de otra manera, si examinamos el vector
X de izquierda a derecha y encontramos que la primera componente distinta de cero
es positiva, entonces el vector es lexicogrficamente positivo.
Seleccin del vector que entra en la base
El vector que entra en la base en cualquier iteracin se determina de la misma manera

que el mtodo simplex comn, de hecho es el mismo vector que entrara si tratramos
con la solucin bsica factible XB del problema original.
Seleccin del vector que sale de la base
Para determinar el vector que sale de la base podemos utilizar una generalizacin de
la formula usual;
XBr/Yrk = min XBi/Yik, Yik > 0

i
EJEMPLO
Utilicemos el mismo ejemplo anterior para mostrar la solucin obtenida utilizando el

mtodo simplex generalizado.
V.B
Z
X1
X2
X3
Z
X1
X2
X3
x1
0
1
0
0
0
1
0
0
x2
0
0
1
0
0
0
1
0
x3
0
0
0
1
1
-1/2
-3/4
1/4
x4
-4
2
3
4
0
0
0
1
x5
-3
4
1
2
-1
3
-1/2
1/2
b
0
2
0
0
0
2
0
0
Para la tabla inicial

XB1=(2,1,0,0) XB2=(0,0,1,0) XB3=(0,0,0,1) Z=(0,0,0,0)
Todos los vectores de las variables son lexicogrficamente positivos.

Para la segunda tabla se tiene
XBN1=(2,1,0,-1/2) XBN2=(0,0,1,-3/4) XBN=(0,0,0,-1/4)
ZN=(0,0,0,1)
Los nuevos vectores de las variables son tambin lexicogrficamente positivos y
adems ZN > Z.
5.4 PROBLEMAS DE PROGRAMACION LINEAL CON VARIABLES ACOTADAS
En un problema de programacin lineal, frecuentemente ocurre que un cierto numero

de restricciones sin de la forma: 0<Xj <uj o bien 0< lj<X. estos tipos de restricciones se
denominan restricciones de variables acotadas; en el primer tipo las variables tienen
cotas superiores y en el segundo tipo tienen cotas inferiores.
En un problema de programacin lineal donde el nmero de restricciones de variables
acotadas es pequeo, se puede aplicar directamente el mtodo simplex
convencional sin tener inconveniente con el crecimiento de la base. Sin embargo, si

este nmero de restricciones es grande, entonces el tamao de la base puede ser tal
que la aplicacin directa del mtodo simplex convencional resulte poco eficiente.

INTRODUCCION
Frecuentemente se presentan problemas de programacin lineal de gran tamao y

con una estructura especial, los cuales son computacionalmente imposibles de
resolver. Un ejemplo tpico ocurre cuando cada una de las actividades tiene el mismo
tiempo recursos propios y recursos compartidos con otras actividades.
A este tipo de problemas se les suele aplicar un procedimiento de descomposicin, el
cual consiste en dividir el problema original en subproblemas de ms fcil manejo y
luego resolver estos ltimos casi independientemente.
PRINCIPIO DE DESCOMPOSICION
Los problemas de programacin lineal con un gran numero de restricciones y una
estructura especial, son a menudo computacionalmente difciles de resolver, puesto
que el tiempo de de solucin se incrementa considerablemente con el numero de
restricciones.
Esto hace que sea conveniente utilizar el llamado principio de descomposicin, o sea,
dividir el problema original en un cierto nmero de subproblemas, resolver estos
ltimos casi independientemente y luego reunir las partes para obtener la solucin
optima.
ALGORITMO DE DESCOMPOSICION
Pasos:
1. reducir el problema original de la forma modificada en funcin de las nuevas
variables.
2. encontrar una SBF al problema modificado. A menudo es necesario utilizar la
tcnica de las variables artificiales.
3. para la iteracin en curso y para cada subproblema determine un valor optimo
utilizando la relacin:
Minimizar Wj = (CB R0 Aj Cj)Xj
Sujeto A: BjXj=bj
Xj0
Luego determine (punto optimo)=min{j} para todo j. si 0, la solucin presente es

optima; en el caso contrario vaya al paso 4.
4. introduzca la variable que sea de la solucin optima correspondiente a y
calcule B exp(-1). Vaya al paso 2.
FUENTES DOCUMENTALES
DOCUMENTOS IMPRESOS:
THA, Hamdy A. Investigacin de operaciones. Editorial Alfaomega, 5 edicin 1.995.
EPPEN, Gould y Schimidt. Investigacin de operaciones en las Ciencias de Ingeniera. Editorial
Prentice may, 3 edicin
GALLAGHER, Watson. Mtodos Cuantitativos para la Toma de decisiones. Editorial McGraw
Hill
SHAMBLIN, James. Investigacin de Operaciones.
KAUFMANN , A. Faure R. Invitacin a la investigacin de operaciones. 7 edicin. C:E:C:S:A
MARTHUR Y SOLOW. Investigacin de Operaciones. Editorial Prentice Hall.
SASIENI, Yaspan. Investigacin de operaciones. Mxico. Limusa.
BARROS,Oscar. Investigacin operativa anlisis de sistemas. Chile, Universitaria.
MORA, Jose Luis. Investigacin de operaciones e informtica. Editorial Trillas.
PRAWDA, Juan. Mtodos y Modelos de investigacin de operaciones. Editorial Limusa, 1.979.
Tomo I
THIERAUF, Robert. Introduccin a la investigacin de operaciones. Editorial Limusa 1.982
HADLEY G. Linear Programming. Editorial Addison-Wesley. 1969
GASS, Saul I. Linear Programming. Methods and Applications. Editorial McGraw Hill. 1969.
Revistas:
ters & Industrial Engineering.

Computers & Operations Research.
IIE Solutions.
Industrial Engineering.
Industrial World en Espaol.
International Journal of Operations & Production Management.
Management Science.
Manufacturing Engineering.
Mathematical Programming.
Mathematics of Operations Research.
Operations Research.
SOFTWARE EDUCATIVOS:
CPLEX
NETPLOW
OPTIMA
PAFO
SOCRATES
MATLAB
SIAM 2000
PIMAD
DIRECCIONES SITIOS WEB:
SUN W.
NASDAQ.
TODAS LAS DIRECCIONES QUE LLEVEN A INVESTIGACIN DE
OPERACIONES.

Manualprogramacionlinealjulio20 100422211609 Phpapp01

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Manualprogramacionlinealjulio20 100422211609 Phpapp01

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

FACULTAD DE CIENCIAS BSICAS E INGENIERA

UNIDAD DE CIENCIAS BSICAS

ESP. GLORIA LUCIA GUZMN ARAGN

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

Comprender los elementos tericos que sustentan la programacin lineal.

Este curso est compuesto por dos Unidades didcticas a saber:

tecnologa y la internacionalizacin creciente, son razones suficientes para desarrollar

1.3 QUE ES LA INVESTIGACION DE OPERACIONES

Una organizacin es un sistema formado por componentes que se

La complejidad de los problemas que se presentan en las organizaciones ya no

La investigacin de operaciones es la aplicacin de la metodologa cientfica a

La investigacin de operaciones se aplica a problemas que se refieren a la conduccin

Construir un modelo simblico que por lo general es un modelo matemtico,

La investigacin de operaciones se aplica tanto a problemas tcticos como

diarias y los segundos tienen una orientacin y una planeacin organizada

1.5 COMPONENTES DE LA INVESTIGACION DE OPERACIONES

conocimiento de la validez del modelo variando los valores de los parmetros de

ms importancia dado el crecimiento y complejidad de las nuevas

INTRODUCCIN INVESTIGACIN DE OPERACIONES

Decidir mediante mtodos cientficos el diseo que optimiza el

condiciones que implican la utilizacin de recursos escasos.

Mtodos en Investigacin Operativa

La observacin del problema

programacin multicriterio, teora de inventarios, etc.

La construccin de un modelo matemtico que

contenga los elementos esenciales del problema

juegos, lneas de espera, teora de inventarios, etc.

La obtencin en general, con al ayuda de

La calibracin e interpretacin de la solucin y su

Mtodos heursticos: soluciones basadas en la experiencia.

MODELO DEL SISTEMA REAL

VALIDACIN DEL MODELO

Una empresa dispone de 70 trabajadores con cualificaciones

asignaciones diferentes al segundo necesitaramos aproximadamente

10 aos para revisar todas las asignaciones posibles.

Este tipo de problemas requiere desarrollar modelos de

Ejemplo 2: Aplicacin al mbito sanitario

Ejemplo 2: Aplicacin al mbito sanitario

Planificacin y asignacin de recursos en un sistema de salud mental

Planificacin y asignacin de recursos en un sistema de salud mental

Fases de construccin del modelo

Definir las categoras de enfermos ( en funcin de sus

Definir un conjunto de servicios (obtener una clasificacin de acuerdo

Fases de construccin del modelo

Definir las categoras de enfermos ( en funcin de sus

Planificar y asignar los recursos (asignar los servicios entre las

las necesidades de los enfermos y con la disponibilidad de recursos,

Fases de construccin del modelo

Definir las categoras de enfermos ( en funcin de sus

Definir un conjunto de servicios (obtener una clasificacin de acuerdo a

Entrevista a expertos (delphi) acumular informacin en

Definir un conjunto de servicios (obtener una clasificacin de acuerdo a

basada en la experiencia y conocimientos mdicos)

Planificar y asignar los recursos (asignar los servicios entre las

Planificacin y asignacin de recursos en un sistema de salud mental

Utilizacin de tcnicas de programacin lineal para la

Fases de construccin del modelo

Definir las categoras de enfermos ( en funcin de sus

asignacin de recursos. Modelo multi-periodo a partir

necesidades y respuestas a un determinado tratamiento)

CONJUNTOS CONVAVOS Y CONVEXOS

Definimos la idea de conjunto convexo como aquel conjunto que contiene