Universidad TecMilenio

Modelación para la toma de decisiones

Módulo 1: Programación lineal, método simplex y modelo de transporte

Tema 2: Modelos programación lineal

Profesor:
M.C. Daniel Alejandro Valdivieso Vera

San Nicolás de Los Garza, Nuevo León. 2025 01

Introducción

Los modelos de programación lineal pueden ser

resueltos haciendo uso de dos métodos: el gráfico o el
simplex, dependiendo del tipo de variables que se
puedan tener.
En este tema aprenderás a identificar los tipos de
variables y reconocer el tipo de problemas para
seleccionar el modelo más adecuado para su solución.

02
Solución de modelos de programación lineal mediante método gráfico

Uno de los métodos de solución para los modelos

de programación lineal es el método gráfico, el
cual consiste en la representación gráfica de las
restricciones y función objetivo definidos en el
tema anterior.

Para poder hacer uso del método gráfico, es

necesario que el modelo de programación lineal
sea únicamente de dos variables, cuya función
objetivo sea de minimizar o maximizar.
03
Solución de modelos de programación lineal mediante método gráfico

De acuerdo con Taha (2012), el método gráfico

consta de dos pasos:

*Determinar el espacio de soluciones factibles.

*Determinar la solución óptima de entre todos los

puntos localizados en el espacio de soluciones.

04
Problema anterior…
Bersol, compañía productora de pinturas para interior y exterior, utiliza
principalmente dos materias primas MP1 y MP2, los consumos y
disponibilidades; se muestran en la siguiente tabla:

Una investigación de mercado reveló que la demanda diaria de pintura para interior no puede exceder la
demanda para pintura de exterior en más de una tonelada; además que la demanda diaria máxima de pintura
para interior es de dos toneladas.
Bersol busca definir la combinación óptima de pintura para interior y exterior que maximice su utilidad diaria
total de producción.
05
Determinación del espacio de soluciones factibles
La disponibilidad máxima en tonaladas
(1) Consumo de MP1 6x + 4y ≤ 24
RESTRICCIONES: (2) Consumo de MP2 x + 2y ≤ 6
(3) Otra restricción de acuerdo a la
investigación de mercado indica que la
6x + y ≤ 24 (1) demanda diaria de pintura para interior no
puede exceder la demanda para pintura de
x + 2y ≤ 6 (2) exterior en más de una tonelada.
y–x≤1
–x + y ≤ 1 (3) (4) La demanda diaria máxima de pintura
y ≤ 2 (4) para interior es de dos toneladas.
y≤2
x ≥ 0 (5) Implícitamente el problema nos indica que
y ≥ 0 (6) las variables x y y deberán tener sólo
valores positivos o 0, por lo que estas
restricciones quedan expresadas de la
siguiente manera:
(5) x ≥ 0
(6) y ≥ 0
05
Determinación del espacio de soluciones factibles

Primero trazamos las restricciones de no negatividad (x ≥ 0, y ≥ 0) en la gráfica,

considerando el eje horizontal para x (pinturas para exterior) y el eje vertical
para y (pinturas para interior). y

¿En qué cuadrante/s del

plano cartesiano estarán los
valores posibles de acuerdo
con esta restricción?
x

06
Determinación del espacio de soluciones factibles

Primero trazamos las restricciones de no negatividad (x ≥ 0, y ≥ 0) en la gráfica,

considerando el eje horizontal para x (pinturas para exterior) y el eje vertical
para y (pinturas para interior). y

En el primer cuadrante
(Valores mayores o iguales a 0)

Implícitamente el problema nos indica que

las variables x y y deberán tener sólo
valores positivos o 0, por lo que estas
restricciones quedan expresadas de la
siguiente manera:
(5) x ≥ 0 x
(6) y ≥ 0

07
Determinación del espacio de soluciones factibles

Ahora procedemos a determinar los valores para x y y para el resto de las

restricciones, y lo hacemos convirtiendo cada desigualdad en una ecuación,
para después asignar valores y
y obtener las coordenadas de cada
restricción.

08
Determinación del espacio de soluciones factibles
Convertir cada desigualdad en una ecuación, para La disponibilidad máxima en tonaladas
después asignar valores y obtener las coordenadas de (1) Consumo de MP1 6x + 4y ≤ 24
(2) Consumo de MP2 x + 2y ≤ 6
cada restricción.
(1)
6x + 4y = 24

Cuando x=0
coordenadas (0,6) y (4,0)
6 (0) + 4y = 24
y = 24/4
y=6

Cuando y=0
6x + 4 (0) = 24
x = 24/6
x=4

09
Determinación del espacio de soluciones factibles
Convertir cada desigualdad en una ecuación, para La disponibilidad máxima en tonaladas
después asignar valores y obtener las coordenadas de (1) Consumo de MP1 6x + 4y ≤ 24
(2) Consumo de MP2 x + 2y ≤ 6
cada restricción.
(2)
x+y=6

Cuando x=0
coordenadas (0,3) y (6,0)
x + 2y = 6
0 + 2y = 6
y = 6/2
y=3

Cuando y=0
x + 2x = 6
x + 2(0) = 6
x=6

10
Determinación del espacio de soluciones factibles
Convertir cada desigualdad en una ecuación, para (3) Otra restricción de acuerdo a la
después asignar valores y obtener las coordenadas de investigación de mercado indica que la
demanda diaria de pintura para interior no
cada restricción. puede exceder la demanda para pintura de
(3) exterior en más de una tonelada.
y–x=1 y–x≤1

Cuando x=0
y–x=1
y– 0 = 1
y=1

Cuando y=0
y–x=1
0 – x= 1
x = -1

11
Determinación del espacio de soluciones factibles
Convertir cada desigualdad en una ecuación, para (3) Otra restricción de acuerdo a la
después asignar valores y obtener las coordenadas de investigación de mercado indica que la
demanda diaria de pintura para interior no
cada restricción. puede exceder la demanda para pintura de
(3) exterior en más de una tonelada.
y–x=1 y–x≤1

(3) –> Vamos a darle otro valor a y:

Cuando x=0
y–x≤1
y–x=1
y– 0 = 1
Cuando y=2
y=1 y–x=1
2 – x= 1
Cuando y=0
– x= 1 – 2
y–x=1
– x = -1
0 – x= 1
x=1
x = -1

coordenadas (0,1) y (1,2)

12
Determinación del espacio de soluciones factibles
Convertir cada desigualdad en una ecuación, para (4) La demanda diaria máxima de pintura
después asignar valores y obtener las coordenadas de para interior es de dos toneladas.
cada restricción. y≤2

(4)
y≤2

y =2 coordenadas (0,2)
x=0

13
Determinación del espacio de soluciones factibles
Trazamos cada una de las coordenadas y obtenemos la recta para cada restricción:
La disponibilidad máxima en tonaladas
(1) Consumo de MP1 6x + 4y ≤ 24
(2) Consumo de MP2 x + 2y ≤ 6 y
coordenadas (0,6) y (4,0)
coordenadas (0,3) y (6,0)
(3) Otra restricción de acuerdo a la
investigación de mercado indica que la
demanda diaria de pintura para interior no
puede exceder la demanda para pintura de
exterior en más de una tonelada.
y–x≤1
coordenadas (0,1) y (1,2)
(4) La demanda diaria máxima de pintura
para interior es de dos toneladas.
x
y≤2
coordenadas (0,2)
14
Determinación del espacio de soluciones factibles
Trazamos cada una de las coordenadas y obtenemos la recta para cada restricción:
La disponibilidad máxima en tonaladas
(1) Consumo de MP1 6x + 4y ≤ 24
y
(2) Consumo de MP2 x + 2y ≤ 6
coordenadas (0,6) y (4,0)
coordenadas (0,3) y (6,0)
(3) Otra restricción de acuerdo a la
investigación de mercado indica que la
demanda diaria de pintura para interior no
puede exceder la demanda para pintura de
exterior en más de una tonelada.
y–x≤1
coordenadas (0,1) y (1,2)
(4) La demanda diaria máxima de pintura
para interior es de dos toneladas. x
y≤2
coordenadas (0,2)
15
Determinación del espacio de soluciones factibles
la zona sombreada en color amarillo es la zona
factible de solución, se considerará la solución
óptima el cruce de las regiones factibles de
todas las restricciones siendo el punto óptimo el y
C, que corresponde al cruce de la primera
con la segunda restricción.

15
Problema 1

16
Problema 1
3. Restricciones

1. Alternativas o variables: 2. Función objetivo

17
Problema 1
Ecuaciones:

18
Problema 1
Ecuaciones:

19
Problema 1
Hallar vértices:
Z = 60 x + 55 y

Z (0, 90) =

Z (0, 100) =

Z (90, 0) =

Z (120, 0) =

Z (105, 30) =

20
Solución de modelos de programación lineal mediante método Simplex

El método simplex está basado en las siguientes consideraciones:

Toma en cuenta sólo las soluciones factibles delimitadas por los vértices del área de soluciones
o región factible.
En caso de que la primera solución factible no sea la óptima, inicia el proceso de iteración
(repetición de pasos en búsqueda de la solución óptima).
Cuando sea posible, debemos considerar el origen (0,0) como la primera solución factible o la
inicial.
Si existe la necesidad de iniciar el proceso de iteración, la siguiente solución factible a ser
evaluada debe de ser la adyacente al vértice de solución que está siendo evaluada.
Analiza la tasa de crecimiento que habría al moverse de un vértice de solución factible a otro.
Un valor positivo significa que la solución adyacente es mejor que la actual. Un valor negativo
significa que la solución adyacente es peor a la actual.

23
Solución de modelos de programación lineal mediante método Simplex

El método simplex está basado en las siguientes consideraciones:

24
Condición de oportunidad, condición de factibilidad

Según Taha (2012), existen dos tipos de condiciones dentro del método simplex:

Condición de optimalidad. La variable de entrada en un problema de maximización

(minimización) es la variable no básica con el coeficiente más negativo (positivo) en la fila z.
Los vínculos se rompen arbitrariamente. El óptimo se alcanza en la iteración en la cual los
coeficientes en la fila z son no negativos (no positivos).

Condición de factibilidad. Tanto en problemas de maximización como de minimización, la

variable de salida es la variable básica asociada con la relación mínima no negativa con el
denominador estrictamente positivo. Los vínculos se rompen arbitrariamente.

25
Problema 3

Para cada uno de los siguientes problemas, identifica los tres elementos de la programación
lineal, construye el modelo, utiliza el método gráfico para encontrar la solución óptima y
redacta una conclusión de los resultados obtenidos:

En una repostería se hacen pasteles y panqués de manzana. Los pasteles están elaborados
con seis manzanas y 30 gramos de nuez, mientras que los panqués llevan tres manzanas y 40
gramos de nuez. Los pasteles se venden en $200 pesos y los panqués en $150 pesos. Si se
tienen 60 manzanas y 480 gramos de nuez, determina la mezcla óptima para aumentar los
beneficios del negocio.

PUNTOS EXTRAS ENTREGA EL 29 DE ENERO A MANO. (7 puntos extras)

26
Problema 4

Para cada uno de los siguientes problemas, identifica los tres elementos de la programación
lineal, construye el modelo, utiliza el método gráfico para encontrar la solución óptima y
redacta una conclusión de los resultados obtenidos:

En una escuela de dibujo se venden dos paquetes de materiales para los alumnos. El primer
paquete se compone de dos cuadernos de dibujo y 10 plumones. El segundo paquete tiene
cuatro cuadernos de dibujo y tres plumones. Los precios de venta son $140 pesos y $110
pesos respectivamente. La escuela desea saber cómo aumentar utilidades con la venta de
materiales.

PUNTOS EXTRAS ENTREGA EL 29 DE ENERO A MANO. (7 puntos extras)

27
Problema 5: Aplicación del Método simplex

La pastelería donde eres administrador/a produce 3 tipos de barras de chocolate. Cada barra
está hecha totalmente de azúcar y de chocolate. En la siguiente tabla se muestran las
composiciones de cada barra y la utilidad obtenida con cada barra.

Cantidad de Cantidad de
azúcar (gr) chocolate (g) Ganancia ($)

Barra 1 2 3 5
Barra 2 2 6 2
Barra 3 2 3 8

Se dispone de 65 gramos de azúcar y 110 gramos de chocolate. Se requiere tener la mejor

ganancia por la producción.

28
Problema 5: Método simplex

PASO 1: IDENTIFICAR LAS VARIABLES DE DECISIÓN

X1 : número de unidades de la barra 1
X2 : número de unidades de la barra 2
X3 : número de unidades de la barra 3

29
Problema 5: Método simplex

PASO 1: IDENTIFICAR LAS VARIABLES DE DECISIÓN

X1 : número de unidades de la barra 1
X2 : número de unidades de la barra 2
X3 : número de unidades de la barra 3

PASO 2: IDENTIFICAR FUNCIÓN OBJETIVO

Maximizar  Z = 5X1 + 2X2 + 8X3

30
Problema 5: Aplicación del Método simplex
PASO 3: IDENTIFICAR RESTRICCIONES
Cantidad de Cantidad de
azúcar (gr) chocolate (g) Ganancia ($)
Barra 1 2 3 5
Barra 2 2 6 2
Barra 3 2 3 8

Se dispone de 65 gramos de azúcar y 110 gramos de chocolate.

Para la cantidad de azúcar: Para la cantidad de chocolate:

2X1 + 2X2 + 2X3 ≤ 65 3X1 + 6X2 + 3X3 ≤ 110
Restricciones de NO negatividad:
X1 , X 2 , X 3 ≥ 0

31
Problema 5: Aplicación del Método simplex
MODELO DE PROGRAMACIÓN LINEAL
Maximizar  Z = 5X1 + 2X2 + 8X3
Sujeto a: 2X1 + 2X2 + 2X3 ≤ 65
3X1 + 6X2 + 3X3 ≤ 110
X1 , X 2 , X 3 ≥ 0

32
Problema 5: Aplicación del Método simplex

APLICACIÓN DEL MÉTODO SIMPLEX

Maximizar  Z = 5X1 + 2X2 + 8X3
Sujeto a: 2X1 + 2X2 + 2X3 ≤ 65
3X1 + 6X2 + 3X3 ≤ 110
X1 , X 2 , X 3 ≥ 0
PASO 1: Llevar el modelo de programación lineal a la forma estándar
(igualar a cero las desigualdades y agregar las variables de holgura)

Maximizar  Z - 5X1 - 2X2 - 8X3 =0

Sujeto a: 2X1 + 2X2 + 2X3 + X4 =
651 + 6X2 + 3X3
3X + X5 =
110 X , X , X X X ≥ 0
1 2 3, 4, 5

33
Problema 5: Aplicación del Método simplex

PASO 2: Llevar la forma a la forma Simplex (tabla)

Maximizar  Z - 5X1 - 2X2 - 8X3 =0 Ecuación 0
Sujeto a: 2X1 + 2X2 + 2X3 + X4 = Ecuación 1
651 + 6X2 + 3X3
3X + X5 = Ecuación 2
110 X , X , X X X ≥ 0
1 2 3, 4, 5

Variable Z
básica E.C. X1 X2 X3 X4 X5 Solución
(coeficientes)
(V.B.)
Z 0 1 -5 -2 -8 0 0 0
X4 1 0 2 2 2 1 0 65
X5 2 0 3 6 3 0 1 110

34
Problema 5: Aplicación del Método simplex

PRUEBA DE OPTIMALIDAD
Cuando estamos MAXIMIZANDO: SI todos los coeficientes de las variables de decisión en la
ecuación 0 (función objetivo) son positivas, entonces llegamos a la solución optima, sino
realizaremos otra iteración.
Cuando estamos MINIMIZANDO: SI todos los coeficientes de las variables de decisión en la
ecuación 0 (función objetivo) son negativas, entonces llegamos a la solución optima, sino
realizaremos otra iteración.

Variable Z
básica E.C. X1 X2 X3 X4 X5 Solución
(coeficientes)
(V.B.)
Z 0 1 -5 -2 -8 0 0 0
X4 1 0 2 2 2 1 0 65
X5 2 0 3 6 3 0 1 110
35
Problema 5: Aplicación del Método simplex

Iteración 1
PASO 1: Como estamos maximizando, ubicar el coeficiente más negativo de la función objetivo.
Variable
básica E.C. Z (coeficientes) X1 X2 X3 X4 X5 Solución
(V.B.)
Z 0 1 -5 -2 -8 0 0 0
X4 1 0 2 2 2 1 0 65
X5 2 0 3 6 3 0 1 110

Como el coeficiente más negativo de la función objetivo es -8 y se encuentra en la

columna de la variable de decisión X3, esta variable será nuestra variable entrante

36
Problema 5: Aplicación del Método simplex

Iteración 1
PASO 1: Como estamos maximizando, ubicar el coeficiente más negativo de la función objetivo.
Variable
básica E.C. Z (coeficientes) X1 X2 X3 X4 X5 Solución
(V.B.)
Z 0 1 -5 -2 -8 0 0 0
X4 1 0 2 2 2 1 0 65 /2 = 32.5
X5 2 0 3 6 3 0 1 110 /3 = 36.7

Para encontrar la variable saliente, hacemos la prueba del cociente mínimo: que es
dividir la solución para cada variable básica entre el coeficiente en la columna de la
variable de entrada

37
Problema 5: Aplicación del Método simplex

Iteración 1
PASO 1: Como estamos maximizando, ubicar el coeficiente más negativo de la función objetivo.
Variable
básica E.C. Z (coeficientes) X1 X2 X3 X4 X5 Solución
(V.B.)
Z 0 1 -5 -2 -8 0 0 0
X4 1 0 2 2 2 1 0 65 /2 = 32.5
X5 2 0 3 6 3 0 1 110 /3 = 36.7

La fila donde se encuentre el valor mínimo (positivo) es nuestra fila donde está la
variable de salida (X4) y ahora, cambiaremos la variable de holgura X4 por la variable
de decisión X3

38
Problema 5: Aplicación del Método simplex

Iteración 1
PASO 2: Convertir nuestro elemento pivote en 1.
Variable
básica E.C. Z (coeficientes) X1 X2 X3 X4 X5 Solución
(V.B.)
Z 0 1 -5 -2 -8 0 0 0
X3 1 0 2 2 2 1 0 65 * 1/2
X5 2 0 3 6 3 0 1 110

Para convertir el elemento pivote (2) en 1 tenemos que multiplicarlo por su recíproco
(1/2) – Tenemos que multiplicar todos los elementos de la fila por este número.

39
Problema 5: Aplicación del Método simplex

Iteración 1
PASO 2: Convertir nuestro elemento pivote en 1.
Variable
básica E.C. Z (coeficientes) X1 X2 X3 X4 X5 Solución
(V.B.)
Z 0 1 -5 -2 -8 0 0 0
X3 1 0 1 1 1 1/2 0 65/2
X5 2 0 3 6 3 0 1 110
PASO 3: Convertir los demás números de la fila pivote en 0
Variable
básica E.C. Z (coeficientes) X1 X2 X3 X4 X5 Solución
(V.B.)
Z 0 1 -5 -2 -8 0 0 0
X3 1 0 1 1 1 1/2 0 65/2
X5 2 0 3 6 3 0 1 110
40
Problema 5: Aplicación del Método simplex
Buscar un número que multiplicado por
Iteración 1 el elemento pivote y sumado por el
PASO 3: Convertir los demás números de la fila pivote en 0 elemento de la otra columna nos de 0
Variable
básica E.C. Z (coeficientes) X1 X2 X3 X4 X5 Solución
(V.B.)
Z 0 1 -5 -2 -8 0 0 0
X3 1 0 1 1 1 1/2 0 65/2 *8
X5 2 0 3 6 3 0 1 110
Esto afectará a todos los elementos en la fila de interés (Z) Ejemplo: 8 (F2) + F1
Variable
básica E.C. Z (coeficientes) X1 X2 X3 X4 X5 Solución
(V.B.)
Z 0 1 -5 -2 -8 0 0 0
X3 1 0 1 1 1 1/2 0 65/2
X5 2 0 3 6 3 0 1 110
41
Problema 5: Aplicación del Método simplex
Buscar un número que multiplicado por
Iteración 1 el elemento pivote y sumado por el
PASO 3: Convertir los demás números de la fila pivote en 0 elemento de la otra columna nos de 0
Variable
básica E.C. Z (coeficientes) X1 X2 X3 X4 X5 Solución
(V.B.)
Z 0 1 -5 -2 -8 0 0 0
X3 1 0 1 1 1 1/2 0 65/2 *8
X5 2 0 3 6 3 0 1 110
Esto afectará a todos los elementos en la fila de interés (Z) Ejemplo: 8 (F2) + F1
Variable
básica E.C. Z (coeficientes) X1 X2 X3 X4 X5 Solución
(V.B.)
Z 0 1 3 -2 -8 0 0 0
X3 1 0 1 1 1 1/2 0 65/2
X5 2 0 3 6 3 0 1 110
42
Problema 5: Aplicación del Método simplex
Buscar un número que multiplicado por
Iteración 1 el elemento pivote y sumado por el
PASO 3: Convertir los demás números de la fila pivote en 0 elemento de la otra columna nos de 0
Variable
básica E.C. Z (coeficientes) X1 X2 X3 X4 X5 Solución
(V.B.)
Z 0 1 -5 -2 -8 0 0 0
X3 1 0 1 1 1 1/2 0 65/2 *8
X5 2 0 3 6 3 0 1 110
Esto afectará a todos los elementos en la fila de interés (Z) 8 (F2) + F1
Variable
básica E.C. Z (coeficientes) X1 X2 X3 X4 X5 Solución
(V.B.)
Z 0 1 3 6 -8 0 0 0
X3 1 0 1 1 1 1/2 0 65/2
X5 2 0 3 6 3 0 1 110
43
Problema 5: Aplicación del Método simplex
Buscar un número que multiplicado por
Iteración 1 el elemento pivote y sumado por el
PASO 3: Convertir los demás números de la fila pivote en 0 elemento de la otra columna nos de 0
Variable
básica E.C. Z (coeficientes) X1 X2 X3 X4 X5 Solución
(V.B.)
Z 0 1 -5 -2 -8 0 0 0
X3 1 0 1 1 1 1/2 0 65/2 *8
X5 2 0 3 6 3 0 1 110
Esto afectará a todos los elementos en la fila de interés (Z) 8 (F2) + F1
Variable
básica E.C. Z (coeficientes) X1 X2 X3 X4 X5 Solución
(V.B.)
Z 0 1 3 6 0 0 0 0
X3 1 0 1 1 1 1/2 0 65/2
X5 2 0 3 6 3 0 1 110
44
Problema 5: Aplicación del Método simplex
Buscar un número que multiplicado por
Iteración 1 el elemento pivote y sumado por el
PASO 3: Convertir los demás números de la fila pivote en 0 elemento de la otra columna nos de 0
Variable
básica E.C. Z (coeficientes) X1 X2 X3 X4 X5 Solución
(V.B.)
Z 0 1 -5 -2 -8 0 0 0
X3 1 0 1 1 1 1/2 0 65/2 *8
X5 2 0 3 6 3 0 1 110
Esto afectará a todos los elementos en la fila de interés (Z) 8 (F2) + F1

Variable
básica E.C. Z (coeficientes) X1 X2 X3 X4 X5 Solución
(V.B.)
Z 0 1 3 6 0 4 0 0
X3 1 0 1 1 1 1/2 0 65/2
X5 2 0 3 6 3 0 1 110
45
Problema 5: Aplicación del Método simplex
Buscar un número que multiplicado por
Iteración 1 el elemento pivote y sumado por el
PASO 3: Convertir los demás números de la fila pivote en 0 elemento de la otra columna nos de 0
Variable
básica E.C. Z (coeficientes) X1 X2 X3 X4 X5 Solución
(V.B.)
Z 0 1 -5 -2 -8 0 0 0
X3 1 0 1 1 1 1/2 0 65/2 *8
X5 2 0 3 6 3 0 1 110
Esto afectará a todos los elementos en la fila de interés (Z) 8 (F2) + F1

Variable
básica E.C. Z (coeficientes) X1 X2 X3 X4 X5 Solución
(V.B.)
Z 0 1 3 6 0 4 0 0
X3 1 0 1 1 1 1/2 0 65/2
X5 2 0 3 6 3 0 1 110
46
Problema 5: Aplicación del Método simplex
Buscar un número que multiplicado por
Iteración 1 el elemento pivote y sumado por el
PASO 3: Convertir los demás números de la fila pivote en 0 elemento de la otra columna nos de 0
Variable
básica E.C. Z (coeficientes) X1 X2 X3 X4 X5 Solución
(V.B.)
Z 0 1 -5 -2 -8 0 0 0
X3 1 0 1 1 1 1/2 0 65/2 *8
X5 2 0 3 6 3 0 1 110
Esto afectará a todos los elementos en la fila de interés (Z) 8 (F2) + F1
Variable
básica E.C. Z (coeficientes) X1 X2 X3 X4 X5 Solución
(V.B.)
Z 0 1 3 6 0 4 0 260
X3 1 0 1 1 1 1/2 0 65/2
X5 2 0 3 6 3 0 1 110
47
Problema 5: Aplicación del Método simplex
Buscar un número que multiplicado por
Iteración 1 el elemento pivote y sumado por el
PASO 3: Convertir los demás números de la fila pivote en 0 elemento de la otra columna nos de 0
Variable
básica E.C. Z (coeficientes) X1 X2 X3 X4 X5 Solución
(V.B.)
Z 0 1 3 6 0 4 0 260
X3 1 0 1 1 1 1/2 0 65/2 * -3
X5 2 0 3 6 3 0 1 110
Esto afectará a todos los elementos en la fila de interés (Z) -3 (F2) + F3

Variable
básica E.C. Z (coeficientes) X1 X2 X3 X4 X5 Solución
(V.B.)
Z 0 1 3 6 0 4 0 260
X3 1 0 1 1 1 1/2 0 65/2
X5 2 0 3 6 3 0 1 110
48
Problema 5: Aplicación del Método simplex
Buscar un número que multiplicado por
Iteración 1 el elemento pivote y sumado por el
PASO 3: Convertir los demás números de la fila pivote en 0 elemento de la otra columna nos de 0
Variable
básica E.C. Z (coeficientes) X1 X2 X3 X4 X5 Solución
(V.B.)
Z 0 1 3 6 0 4 0 260
X3 1 0 1 1 1 1/2 0 65/2 * -3
X5 2 0 3 6 3 0 1 110
Esto afectará a todos los elementos en la fila de interés (Z) -3 (F2) + F3

Variable
básica E.C. Z (coeficientes) X1 X2 X3 X4 X5 Solución
(V.B.)
Z 0 1 3 6 0 4 0 260
X3 1 0 1 1 1 1/2 0 65/2
X5 2 0 0 3 0 -3/2 1 25/2
49
Problema 5: Aplicación del Método simplex

Iteración 1
Variable
básica E.C. Z (coeficientes) X1 X2 X3 X4 X5 Solución
(V.B.)
Z 0 1 3 6 0 4 0 260
X3 1 0 1 1 1 1/2 0 65/2
X5 2 0 0 3 0 -3/2 1 25/2

Solución básica factible 1:

SBF1 {260, 0, 0, 65/2)

SBF1 {Z, X1, X2, X3)

50
Problema 5: Aplicación del Método simplex

Iteración 1
Variable
básica E.C. Z (coeficientes) X1 X2 X3 X4 X5 Solución
(V.B.)
Z 0 1 3 6 0 4 0 260
X3 1 0 1 1 1 1/2 0 65/2
X5 2 0 0 3 0 -3/2 1 25/2

Solución básica factible 1: PRUEBA DE OPTIMALIDAD

Cuando estamos MAXIMIZANDO: SI todos los
SBF1 {260, 0, 0, 65/2) coeficientes de las variables de decisión en la ecuación
0 (función objetivo) son positivas, entonces llegamos a
SBF1 {Z, X1, X2, X3) la solución optima, sino realizaremos otra iteración.

51
Problema 5: Aplicación del Método simplex

Iteración 1
Variable
básica E.C. Z (coeficientes) X1 X2 X3 X4 X5 Solución
(V.B.)
Z 0 1 3 6 0 4 0 260
X3 1 0 1 1 1 1/2 0 65/2
X5 2 0 0 3 0 -3/2 1 25/2

Solución básica factible 1: PRUEBA DE OPTIMALIDAD

Cuando estamos MAXIMIZANDO: SI todos los
SBF1 {260, 0, 0, 65/2) coeficientes de las variables de decisión en la ecuación
0 (función objetivo) son positivas, entonces llegamos a
SBF1 {Z, X1, X2, X3) la solución optima, sino realizaremos otra iteración.

NUESTRA SOLUCIÓN SÍ ES ÓPTIMA

52