INVESTIGACION DE OPERACIONES I PARTE I

UNIVERSIDAD NACIONAL DE INGENIERIA Facultad de Ingeniera Industrial y de Sistemas Area de Sistemas y Telemtica

Profesora: Ing. IRMA INGA SERRANO

2012

DATOS DEL CURSO

CODIGO DEL CURSO: ST-113 CREDITOS: 03 SISTEMA DE EVALUACION: F
Examen Parcial: Peso 1 Examen Final : Peso 2 Promedio de Prcticas: Peso 1

(4 prcticas calificadas, se elimina la mas baja)

CONTENIDO DELCURSO 1.- IntroduccinConceptos de Inv. de Operaciones.

2.- Programacin Lineal Formulacin de Problemas de Prog. Lineal Solucin de problemas PL. Mtodo simplex Casos especiales de PL Mtodo simplex matricial EXAMEN PARCIAL Dualidad- Mtodo simplex-dual Anlisis de Sensibilidad 3.- Programacin Entera Formulacin de PE Solucin de problemas PE 4.- Programacin por metas

INTRODUCCION
QUE ES LA INVESTIGACION DE OPERACIONES? La Investigacin de operaciones es tambin llamada Ciencia de la Administracin Ciencia de las Decisiones de los Mtodos Cuantitativos. Aqu se muestra la definicin que le dan algunos autores: Es el conjunto de conocimientos que involucran procedimientos racionales cuantitativos para la toma de decisiones con base en mtodos cientficos. Es una disciplina que ayuda en la toma de decisiones mediante la aplicacin de un enfoque cientfico a problemas de decisin que involucran factores cuantitativos Resumen: Es la aplicacin del mtodo cientfico a problemas de decisin

Proceso de toma de decisiones en la solucin de un problema

Anlisis cualitativo Definir el problema Determinar los criterios de evaluacin Anlisis cuantitativo Resumen y Evaluacin Toma de decisin

RESUMEN HISTORICO

La Investigacin de Operaciones tiene sus orgenes durante la Segunda Guerra Mundial cuando exista la necesidad urgente de asignar en forma efectiva los escasos recursos a las diferentes operaciones y actividades militares. Los americanos y britnicos encargaron a un grupo de cientficos para que aplicando el mtodo cientfico resuelvan problemas como despliegue de radares, colocacin de minas, manejo de operaciones de bombardeo y otros problemas estratgicos y tcticos. Los esfuerzos de este primer grupo cientfico dieron resultados excelentes. Al terminar la guerra el xito de la IO gener gran inters en sus aplicaciones fuera del campo militar como la industria, los negocios, gobierno, etc.

 En 1947 George Dantzing crea el Mtodo Simplex para la resolucin de problemas de programacin lineal. Asimismo, otras herramientas de la IO como la Programacin Dinmica, Lneas de Espera, Teora de Inventarios, etc.se desarrollaron antes de 1950 . La revolucin de las computadoras contribuy al desarrollo de la IO y con ella surgi una nueva herramienta de la IO: la Simulacin. Actualmente existen sociedades de profesionales de IO como:
INFORMS (Instituto de Investigacin de Operaciones y Ciencias de la Administracin) con sede en EE.UU; IFORS (Federacin Internacional de Sociedades de Investigacin de Operaciones) que agrupa a mas de 45 pases miembros. Objetivo: desarrollo de la IO como ciencia unificada y avance en todas las naciones del mundo.

ARTE DE LA REPRESENTACION POR MEDIO DE MODELOS SISTEMA: Conjunto de partes que interactan entre si para lograr un conjunto de metas.
MODELOS: representacin de objetos o de situaciones reales. Tipos de Modelos A) Por su forma de expresin 1.- Modelos Fsicos: representacin fsica de la realidad. Ejm. maqueta de un edificio. 2.- Modelos Abstractos: 2.1. Modelo descriptivo: Forma de expresin: lenguaje natural. Metodologa para solucionar el problema: sentido comn

2.1. Modelo Matemtico Forma de expresin: en forma cuantitativa mediante smbolos y expresiones matemticos. Metodologa para solucionar el problema: mtodo matemtico
Caractersticas Describe el problema en forma concisa Facilita el manejo del problema y de sus interrelaciones Facilita el uso de las tcnicas matemticas en computadoras Entrega soluciones hallados con tcnicas matemticas que pueden ser las ptimas.

Modelos de Simulacin Simula el sistema real. En IO, un modelo de simulacin es un conjunto de pasos enlazados lgicamente que simulan el comportamiento del sistema real y en el que se experimentarn las posibles soluciones. Caractersticas: Se utilizan en problemas cuya representacin matemtica es muy compleja Puede llevarse a cabo usando muchos lenguajes de programacin de computadoras y paquetes ya construidos Mide la calidad de la solucin sugerida. Se puede determinar una buena solucin, no necesariamente la ptima

B).- Modelos Matemticos segn su estructura

Modelo determinstico Los datos o parmetros del sistema son conocidos con certeza. Modelo probabilstico Algunos parmetros son de tipo probable Modelo lineal Las relaciones funcionales son de tipo lineal Modelo no lineal Algunas relaciones funcionales son no lineales Modelo Continuo Las variables de decisin pueden tomar valores fraccionarios Modelo Discreto Una o mas variables de decisin toman valores enteros Modelo esttico Las propiedades y relaciones funcionales no sufren cambios en el tiempo. Modelo dinmico: El tiempo juega en l un rol muy importante.

Tcnicas de la IO
Los modelos utilizados en la IO son : Modelos matemticos Modelos de simulacin En los modelos matemticos Los problemas de optimizacin planteados dieron origen a una variedad de tcnicas: La programacin lineal La Programacin lineal entera La Programacin no lineal La programacin dinmica La programacin de metas La programacin de redes, etc.

Metodologa de la Investigacin de Operaciones

1.- DEFINICION DEL PROBLEMA Comprende: Determinar claramente el o los objetivos del estudio Identificar las partes de la organizacin involucrados en el estudio . Recoleccin de datos relevantes 2.- FORMULACION DEL MODELO Dependiendo de la definicin del problema, el analista decide el tipo de modelo mas adecuado para representar el problema. El modelo debe expresar en forma cuantitativa el objetivo del estudio y las limitaciones o restricciones del problema

3.- SOLUCION DEL MODELO En Modelos de simulacin: El concepto de optimidad no est tan bien definido y la solucin son buenas y factibles pero no necesariamente la ptima. Para obtener la solucin se utiliza la computadora en el cual se programa los pasos indicados en el modelo o bien se utilizan los paquetes ya diseados para este fin. (GPSS, Estela, Promodel, etc) En Modelos Matemticos: Se utilizan tcnicas de optimizacin bien definidos llamados algoritmos los cuales en forma iterativa halla la solucin ptima. Sin embargo, existen problemas con ciertas caractersticas que:
- necesita de muchas iteraciones para solucionarlos, - a veces es imposible hallar una algoritmo de solucin.

Entonces, existen otros mtodos prcticos (heursticos) basadas en reglas prcticas con el cual se obtiene una buena solucin en forma rpida y simple. Ejm. Problemas de redes.

4.- VALIDACION DEL MODELO El modelo debe ser verificado y probado completamente para asegurar que ofrece una representacin suficientemente precisa del problema real. El ensayo y validacin del modelo se llevan a cabo frecuentemente con problemas de prctica relativamente pequeos cuyas soluciones son conocidos o esperados. 5.- GENERACION DE INFORMES E IMPLEMENTACION Presentar un informe con los resultados del modelo que sea de fcil comprensin para quien toma las decisiones. El informe tambin debe incluir la decisin recomendada y cualquier otra informacin respecto a los resultados que sean de utilidad para el tomador de decisiones.

TECNICA DE PROGRAMACION LINEAL Es una de las tcnicas mas potentes de la IO, debido a su
flexibilidad para describir situaciones reales. Ha sido desarrollado para representar y solucionar problemas de decisin que implican la optimizacin (maximizacin o minimizacin) de una funcin lineal sujeta a restricciones lineales. Se aplica en diferentes campos: industrial, militar, financiero, salud, informtica, etc. Es una herramienta determinstica. Para compensar esta situacin, una vez hallada la solucin ptima la IO proporciona el Anlisis de sensibilidad.

Estructura de un modelo de programacin lineal Un Problema de programacin lineal tiene:

Variables de decisin: son aquellas definidas por el analista cuyos valores van a solucionar el problema. Ejemplo: Sea X1 toneladas de pintura tipo A a producir por mes Funcin Objetivo (FO): Es aquella funcin lineal que se desea optimizar (Maximizar o Minimizar) Ejemplos: Maximizar los ingresos de la empresa Minimizar los desperdicios de produccin Restricciones: representan las condiciones o limitaciones que tiene el problema. Son ecuaciones o inecuaciones lineales de tipo >=, <= o = que un valor b. Ejms. limitacin de materia prima A, produccin mnima, etc

Estructura de un modelo de programacin lineal Signo de las variables

Las variables de decisin pueden ser de tipo: Xi 0 ; Xi 0; Xi srs (sin restriccin de signo) (*) Ejms. X1 0 (X1: produccin de pintura ) X2 0 (X2: disminucin de la demanda anual de pintura B) X3 srs (X3: variacin de produccin ) (*) La variable srs se puede reemplazar por la diferencia de dos variables 0 Ejm. X3 = X3p X3n Donde: X3p representa el incremento X3n representa el decremento.

Forma general de un modelo de programacin lineal Sea Xi las variables de decisin del problema, (i= 1,2,..n)
FO: Max ( Min) Z = c1x1 + c2X2 + .. + cnXn Sujeto a (s.a.): a11X1 + a12X2 + a13X3 + + a1nXn b1 a21X1 + a22X2 + a23X3 + + a2nXn b2 . .. . .. . = .. am1X1 + am2X2 + am3X3 + + amnXn bm
Xi (>=0, <=0, srs)

PLs Ideales:

a).- PL MAX IDEAL

PL que tiene: * Todas sus restricciones de tipo * Xi 0 Max Z = c1x1 + c2X2 + .. + cnXn s.a: a11X1 + a12X2 + + a1nXn b1 a21X1 + a22X2 + + a2nXn b2 . .. . .. . ... am1X1 + am2X2 + + amnXn bm Xi 0

b).- PL MIN IDEAL

PL que tiene: * Todas sus restricciones de tipo * Xi 0 Min Z = c1x1 + c2X2 + .. + cnXn s.a: a11X1 + a12X2 + + a1nXn b1 a21X1 + a22X2 + + a2nXn b2 . .. . .. . .. am1X1 + am2X2 + + amnXn bm Xi 0

Ejemplos
1.- DFC es una empresa que fabrica escritorios, mesas y sillas. Para la manufactura de cada tipo de mueble de requiere de madera y dos tipos de mano de obra calificada: acabado y carpintera. La cantidad de recursos necesarios para elaborar cada tipo de mueble se da en la siguiente tabla: Madera Acabado Carpintera MUEBLE (pie-tabln) (Hr) (Hr) Escritorio 8 4 2 Mesa 6 2 1.5 Silla 1 1.5 0.5 Semanalmente se cuenta con 480 pie-tabln de madera, 200 horas de acabado y 80 horas de carpintera. Un escritorio se vende en $60 , una mesa en $30 y una silla en $20. La empresa opina que la demanda de escritorios y sillas es ilimitada pero que se puede vender a lo mas 50 mesas semanales. Formule el problema como un PL para maximizar los ingresos semanales de la empresa, suponiendo se vende todo lo que se produce.

FORMULACION DEL PL Sea X1: nmero de escritorios a producir y vender por semana X2: nmero de mesas a producir y vender por semana X3: nmero de sillas a producir y vender por semana FO: Max Z = 60X1 + 30X2 + 20X3 s.a. 8X1 + 6X2+ X3 480 pie-tabln de madera 4X1 + 2X2 + 1.5X3 200 hr de acabado 2X1+1.5X2 + 0.5X3 80 hr de carpintera X2 50 (4) X1, X2, X3 0

2.- Una fbrica produce pinturas para exteriores y para interiores de casas, para
distribuirlos al por mayor. Para producir las pinturas se utilizan dos materiales bsicos A y B. La disponibilidad mxima de A es de 60Tn y la de B es de 80Tn por da. La necesidad diaria de materia prima por cada Tn de pintura es el siguiente: Pintura para exteriores: 1Tn de materia prima A y 2 Tn de materia prima B Pintura para interiores: 2 Tn de materia prima A y 1 Tn de materia prima B Un estudio de mercado ha establecido que la demanda diaria de pintura para interiores no puede ser mayor que la de pintura para exteriores en mas de 10 Tn. Asimismo, el estudio seala que la demanda mxima de pintura para interiores est limitada a 20 Tn diarias. El precio al por mayor por Tn es de $3000 para la pintura de exteriores y de $2000 para la pintura para interiores. Cunta pintura para exteriores e interiores debe producir la compaa todos lo das para maximizar el ingreso total? Nota: Suponga que todo lo que se produce se vende.

FORMULACION DEL PL Sea X1: tn de pintura para exteriores a producir y vender por da X2: tn de pintura para exteriores a producir y vender por da

FO: Max Z = 3000X1 + 2000X2 s.a. X1 + 2X2 60 (1) 2X1 + X2 80 (2) X2 X1 10 (3) X2 20 (4) X1, X2 0

Suposiciones de la Programacin lineal

Un problema de programacin lineal satisface:

1.-Suposicin de certidumbre Los parmetros del sistema se conocen con certeza 2.- Suposicin de divisibilidad Las variables pueden tomar valores fraccionarios (valores reales) 3.- Suposicin de proporcionalidad La contribucin de cada variable a la funcin objetivo y al lado izquierdo de cada restriccin es proporcional al valor de la variable 4.- Suposicin de Aditividad La contribucin de cada variable a la funcin objetivo y al lado izquierdo de cada restriccin es independiente de los valores de las otras variables.

Formulacin de Problemas de Programacin Lineal

Consideraciones para la formulacin de PL
Para la formulacin del problema como un modelo de programacin lineal (PL), se debe tener en cuenta lo siguiente: El modelo es la representacin del problema. Por lo tanto no se debe agregar ni quitar restricciones que no estn en el problema. No debe tratar de solucionarlo mientras formula. En cada restriccin tome en cuenta que las unidades debe ser la misma tanto en el lado izquierdo como en el lado derecho. Si una restriccin lo multiplica o divide entre un nmero, debe tomarlo en cuenta para la solucin del problema.

Solucin de Problemas de Programacin Lineal METODOS PARA LA SOLUCION DE un PL

1.- Mtodo grfico Graficar las regiones que cumplan con cada una de las restricciones. La interseccin de dichas regiones forma el espacio de soluciones factibles del PL (regin factible). La recta de la FO se fija en un punto de la regin factible, luego se desplaza sobre ella en la direccin en el cual mejora Z. El ltimo punto (o puntos) que toca la recta de la FO antes de abandonar la regin factible, es la solucin ptima.

 EJEMPLO 1.- Sea el siguiente PL Max Z = 2X1 + 3X2 s.a. 2X1 + X2 230 (1) X1 + 2X2 250 (2) X2 120 (3) Xi 0

X2
Solucin ptima: X1= 70 , X2= 90 Zop = 410

(1) Z

B A
Z Regin Factible

(3)

C
(2)

D O

X1

Solucin bsica factible (A, B, C, D, O): solucin que se encuentra en la interseccin de las rectas (o planos o hiperplanos) de las restricciones.

2.- Sea el siguiente PL Min Z = 2X1 + 3X2 s.a. 2X1 + X2 230 (1) X1 + 2X2 250 (2)

X2

A
Z Regin factible

Xi 0

Solucin ptima: X1= 70 , X2= 90 (punto B) Zop = 410

C
X1

X2

3.-Sea el siguiente PL:

(1) (3)

MinZ = 2X1+ 3X2 s.a. 2X1+ X2 80 X1 + 3X2 80 X1 + X2 = 40 Xi 0

A
B

Regin factible

(2) X1

Solucin ptima (Punto B) X1=20, X2=20 Zop= 100

2.- Mtodo Algebraico- Mtodo Simplex METODO SIMPLEX:

Mtodo iterativo que inicia con una solucin factible. En cada iteracin obtiene una nueva solucin que mejora Z hasta encontrar la solucin ptima, si existe. Caractersticas del Mtodo Simplex: Soluciona modelos que tienen la forma estndar. Para la solucin del sistema de ecuaciones:
Divide las variables del PL en dos grupos: VB y VNB Utiliza el Mtodo de Gauss-Jordan . En cada iteracin halla una solucin bsica factible (sbf)

Forma Estndar de un PL

Caractersticas del PL estndar F.O. : Max Min Los lados derechos de las restricciones son 0 Las restricciones son igualdades Las variables son 0

Relacin de la forma estndar con el PL original La forma estndar de un PL es equivalente al original. La solucin ptima de la forma estndar es la solucin ptima del PL original. Si la forma estndar es un PL no factible entonces el PL original tambin lo es.

Conversin de un PL en la forma Estndar 1.- Restricciones: Convertir restriccin en = adicionndole una variable de holgura Si (Si 0), que representa la cantidad de recursos no utilizados, demanda insatisfecha, etc.
Ejm. 3X1+ 4X2 + 2X3 500 .. (1) 3X1+ 4X2 + 2X3 +S1 = 500 (1)

Restriccin en = adicionndole una variable de exceso ei (ei 0), que representa la cantidad excedente al requerimiento mnimo.
Ejm. 4X1+2X2+X3 100 . (2) 4X1+2X2+X3 + e2 = 100 (2)

Nota: Los coeficientes de Si y ei en la funcin objetivo son cero. 2.- Conversin de Variables a 0 Variable Xi 0: Se reemplaza por otra variable no negativa Xi = - Xi, tal que Xi0 Variable Xi srs: Esta variable se reemplaza por la diferencia de dos variables no negativas Xi = Xip Xin , tal que Xip y Xin 0

VARIABLES BASICAS y VARIABLES NO BASICAS

Un PL preparado para el Mtodo Simplex (forma estndar preparado) tiene: n variables y m restricciones tal que n >m Para resolver el sistema de ecuaciones, es necesario agrupar las variables en dos grupos: VB: m variables para resolver el sistema de m ecuaciones VNB: n-m variables que toman el valor arbitrario cero SOLUCION BASICA FACTIBLE (SBF) DEL PL Est formado por los valores de todas las variables del PL (VB y VNB). Los valores de estas variables cumplen con todas las restricciones del PL

EJEMPLO:

PL original
Max Z = 2X1 + 3X2 s.a. 2X1 + X2 230 (1) X1 + 2X2 250 (2) X2 120 (3) Xi 0

PL estndar
Max Z= 2X1+3X2 s.a. 2X1+X2 + S1 = 230 ... (1) X1+2X2+ S2 = 250 (2) X2+ S3 = 120 (3) Xi, Si 0

Nmero de Variables = n=5 Nmero de VB = nmero de restricciones = m =3 Nmero de VNB = n-m = 5-3 = 2

PASOS 1.- Determinar la solucin inicial Usando la forma estndar del PL original, determinar la sbf inicial el cual est formado por: VB: las variables de holgura de cada restriccin VNB: las dems variables del PL 2.- Seleccionar la VNB entrante, utilizando la condicin de optimidad. Condicin de optimidad: la VNB que entra debe ser aquella que tenga el mejor coeficiente para mejorar Z. Un empate se rompe arbitrariamente El ptimo se alcanza cuando todas las VNB tienen coeficientes desfavorables para Z

Algoritmo del Mtodo Simplex

3.- Seleccionar la VB saliente, utilizando la condicin de factibilidad. Condicin de factibilidad: el valor que tome la variable entrante debe ser de tal manera que las otras variables bsicas sigan siendo factibles. Esta condicin es la que determina la variable que sale. Un empate se rompe arbitrariamente. 4.- Determinar la nueva solucin Realizar las operaciones matemticas para determinar el valor de las nuevas VB y el valor de Z, de manera que: Cada restriccin debe tener una sola VB con coeficiente 1 La FO debe estar escrita en funcin solo de las VNB 5.- Volver al paso 2 Ejemplo: realizar el simplex algebraico para el problema anterior

Ejemplo: Max Z = 2X1 + 3X2 s.a. 2X1 + X2 +S1 = 230 X1 + 2X2 + S2 = 250 X2 + S3 = 120 Xi, Si 0 1.- Solucin Inicial

(1) (2) (3)

VB: S1 = 230, S2= 250, S3 = 120 VNB: X1=0, X2=0 Z=0

2.- Primera iteracin: Var que entra: X2 Var que sale:

a) S1 X2 =230, S2= -210 X b) S2 X2 =125, S1=105, S3= -5 X c) S3 X2=120, S1=110, S2=10 V

Entra X2 y sale S3

Clculos para obtener la nueva solucin De (3): X2 = 120 S3 En la FO y restricciones Z = 360 + 2X1-3S3 s.a. 2X1-S3+S1 = 110 (1) X1-2S3 + S2 = 10 (2) X2 + S3 = 120 (3) Xi, Si 0 Nueva Solucin: VB: S1 = 110, S2 = 10, X2 = 120 VNB: X1=0, S3=0 Z= 360 Continuar como en la primera iteracin. Termina cuando ya no haya Var que entra.

Mtodo Simplex Tabular

El mtodo simplex realiza todas sus operaciones matemticas en el Tablero Simplex, el cual tiene la siguiente estructura: En una iteracin i:
Todas las variables Z Coeficientes (C) de las variables Solucin Valor de Z r

VB

Coeficientes de las variables en las restricciones de la iteracin i

Valores de las VB

valores de r

Caractersticas de un Tablero Simplex en cualquier iteracin 1.- Los coeficientes de las VB en la fila Z, tienen valor cero. 2.- Los coeficientes de la VB en las restricciones forman la matriz identidad

PASOS (mtodo simplex tabular)

1.- Tablero simplex inicial VB: Las variables de holgura de cada restriccin VNB: Las dems variables Fila Z: los Ci de las variables se pueden determinar de 2 maneras:
Primera forma: Acondicionando la F.O. Escribir la FO solo con las VNB. Ejm: Max Z = 2X1+ 3X2 y luego escribirlo como una restriccin: Ejm: Max Z 2X1 - 3X2 = 0 Segunda forma: Utilizando la frmula (MSM): Para Xi: Ci = (nCVB x coef Xi ) - Ci

2.- Seleccionar la VNB entrante PL Max: Seleccionar la VNB con C< 0. Si hay varias, se escoge la que tiene el coeficiente mas negativo. Si todas las variables tienen C 0, se ha llegado al tablero final

PL Min Seleccionar la VNB con C> 0. Si hay varias, se escoge la que tiene el coeficiente mas positivo. Si todas las variables tienen C 0, se ha llegado al tablero final. En cualquier caso, un empate se rompe arbitrariamente. 3.- Seleccionar la VNB saliente: La VB que sale es aquella que tiene la menor razn r. r = valor de la columna solucin coef. positivo de la VNB entrante Un empate se rompe arbitrariamente. 4.- Nueva solucin: Realizar las operaciones necesarias (Gauss-Jordan) para obtener el nuevo Tablero Simplex 5.- Volver al paso 2.

 EJERCICIOS Hallar la solucin ptima de los siguientes PL Max ideales 1) Max Z = 60X1 + 30X2 + 20X3 s.a. 8X1 + 6X2 + X3 480 (1) 4X1 + 2X2 + 1.5X3 200 (2) 2X1 + 1.5X2 + 0.5X3 80 (3) Xi 0 2) Max Z = 63X1 + 95X2+ 135X3 s.a. X1 + X2 + X3 200 (1) X1 + 2X2 + 4X3 320 (2) 8X1+12X2+14X3 2400 (3) X2+X3 150 (4) Xi 0

Solucin artificial para el Mtodo Un PL queSimplex tiene restricciones de tipo = , en su forma

estndar genera ecuaciones que no tienen variables de holgura, entonces existe un problema para formar la solucin inicial del mtodo simplex. Qu hacer ? A cada una de estas ecuaciones se les agrega una variable artificial ai (ai 0 ) que sern utilizadas como variables de holgura para formar la solucin inicial del simplex. Ejm 3X1+4X2 100 .. (1) ; 2X1+3X2 = 60 (2) 3X1+4X2e1+a1 = 100 (1) 2X1+3X2+ a2 = 60 ..(2) Las variables artificiales no tienen significado para el PL, por lo tanto se deben tomar medidas para llevarlas a nivel cero. Para este propsito existen mtodos como: Tcnica M mtodo de la penalizacin La tcnica de las dos fases.

Tcnica M ( Mtodo de la Penalizacin) Pasos 1.- Agregar las variables artificiales a las ecuaciones que no tienen variables de holgura. 2.- Penalizar a las variables artificiales dndoles en la F.O. un coeficiente grande M (M>>0)desfavorable. Para un PL Max: Max Z= C1X1+ +CnXn Ma1 Ma2 - . Para un PL Min: Min Z= C1X1+.. + CnXn + Ma1 + Ma2 + 3.- Tablero simplex inicial : Las VB son las variables de holgura y artificiales. Para la fila Z: calcular los Ccon la frmula del MSM 4.- Realizar las operaciones comunes del mtodo simplex para buscar la solucin ptima, si existe.

 Ejemplo:
Min Z = 3X1+4X2 + 4X3 s.a. 2X1+ 4X2 +2X3 400 3X1 + 4X2 +X3 500 X1 + X2 +X3 = 150 X3 80 Xi 0 Tcnica M Min Z= 3X1 + 4X2 +4X3 + Ma3 + Ma4 s.a. 2X1 + 4X2 +2X3 + S1 = 400 ... (1) 3X1 + 4X2 + X3 + S2 = 500 .. (2) X1 + X2 +X3 + a3 = 150 . (3) X3 e4 + a4 = 80 . (4) X1, X2, S1, S2, a3, e4, a4 0

 EJEMPLO 2 Max Z = 3X1+4X2 + X3 s.a. 12X1+16X2+4X3 4500 X1+2X2+X3 400 X1+X2+X3 300 X3 50 Xi 0 Tcnica M Max Z = 3X1+4X2 + X3 Ma3 Ma4 s.a. 12X1+16X2+4X3 + S1= 4500 X1+2X2+X3 +S2 = 400 X1+X2+X3 e3 + a3 = 300 X3 e4+ a4 = 50 Xi 0

Casos Especiales
PL CON SOLUCIONES OPTIMAS ALTERNATIVAS

Es aquel PL que tiene mas de una solucin ptima para el mismo valor de Zop.
Grficamente: La recta Z es paralela a una restriccin lmite antes de salir En el Simplex: Se tiene el tablero ptimo con la solucin es ptima En la fila Z se tiene una (o mas) VNB que tiene coeficiente 0 y que al entrar a la base (existe r) se halla otra solucin ptima con el mismo Zop

 EJEMPLO: Max Z = 2X1 + 4X2 s.a. 2X1 + X2 230 (1) X1 + 2X2 250 (2) X2 120 (3) Xi 0

X2

(1) Z

(3)

A
Tablero ptimo del PL (tiene solucin ptima alternativa)
X1 Z S1 X1 X2 0 0 1 0 X2 0 0 0 1 S1 0 1 0 0 S2 2 -2 1 0 S3 0 3 -2 1 sol 500 90 10 30 r Regin Factible

C
(2)

D O

X1

120 120

Soluciones ptimas: segmento BC Soluciones bsicas ptimas: Punto B: X1=10, X2=120 Punto C: X1= 70 , X2= 90 Zop = 500

 PL NO ACOTADO Es aquel PL que tiene soluciones factibles pero no tiene solucin ptima. Grficamente: El PL no acotado tiene regin factible abierto. En el PL no acotado la recta Z nunca sale de la regin factible En el Simplex: El tablero no es ptimo Existe VNB que entra pero no existe VB que sale (no existe r)

 EJEMPLO: Max Z = 2X1 + 4X2 s.a. 2X1 + X2 230 (1) X1 + 2X2 250 (2) X2 120 (3) Xi 0

X2

(1)

(3) Z Regin Factible (2)

B A C

Tablero final del PL

X1 Z X1 X2
0 1 0

X2
0 0 1

e1
-1 1/2 0

e2
0 0 0

a1
2+ M 1/2 0

a2
M 0 0

S3
3 1/2 1

sol
680 40 150

D O

X1

PL NO ACOTADO

S3

1/2

1/2

-1

3/2

90

 PL NO FACTIBLE

Es aquel PL que no tiene soluciones factibles.

Grficamente: No existe regin factible. En el Simplex: El ltimo Tablero Simplex tiene como VB a variable(s) artificial(es) con valor >0 Nota: Si el tablero final de un PL contiene VB artificial con valor igual a 0 el PL tiene solucin ptima

 EJEMPLO: Max Z = 2X1 + 4X2 s.a. 2X1 + X2 230 (1) X1 + 2X2 250 (2) X2 130 (3) Xi 0

X2

(1)

No existe regin factible

B A

(3)

C
(2)

Tablero final del PL

X1 Z
M/2

Z S2
2+ M/ 2 -1/2 1/2 -1/2

X2
0

e3
M

S1
0

a3
0

sol
500 -5M 105 125 5

D O

X1

S1 X2 a3

3/2 1/2 -1/2

0 1 0

0 0 -1

1 0 0

0 0 1

PL NO FACTIBLE

Mtodo Simplex Matricial

Sea el siguiente PL estndar de n variables (incluye variables de holgura, exceso y artificiales) y m restricciones: Max (Min) Z = c1X1+c2X2 + . + cnXn s.a. a11X1+a12X2 + .. + a1nXn = b1 a12X1+a22X2+ + a2nXn = b2 .. am1X1+ am2X2+ . + amnXn = bm Xi 0

Si las variables y parmetros del modelo se agrupan en: C = (c1, c2, ., cn)

X=

X1 X2 Xn

(A, I) =

a11 a12 . a1n a21 a22 . a2n am1 am2 . amn

b= bm

b1 b2 ..

Entonces el PL se puede escribir as: Max (Min) Z = C X s.a. (A, I) X = b X 0

Tablero simplex matricial Si el vector de variables se subdivide en dos grupos: XII = variables bsicas iniciales (holgura y artificiales) XI = las otras variables (var de decisin y var de exceso) De igual manera el vector de coeficientes de la F.O.: CII = los coeficientes asociados a XII CI = coeficientes asociados al vector XI a). Tablero simplex inicial
CI XI
Z CII

CII XII 0 I

Solucin
CII b

CIIA - CI A

XII

b). Tablero simplex en cualquier iteracin Sea: XB = variables bsicas en la iteracin CB = coeficientes asociados a las variables bsicas B = matriz de coeficientes de las variables bsicas (en el orden en que se han colocado XB B-1= matriz inversa de B El tablero simplex en esta iteracin es:
CI XI
Z CB

CII XII CBB-1 - CII B-1

Solucin
CB B-1 b

CBB-1A - CI B-1A

XB

B-1 b

 Ejemplo 1 Dado el siguiente PL Max Z= 45X1+40X2+35X3 S.a. 2X1+3X2+3X3 1800 10X1+8X2+9X3 6100 X1+X2+X3 = 600 X3 150 Xi 0 Si en el ptimo las VB son : S1, S2, X1, X3. Muestre el tablero ptimo

 Ejemplo 2 Dado el tablero ptimo de un PL, muestre su formulacin original

X1 Z
0

X2
0

X3
-170

S1
0

S2
0

a3
15-M

e4
-10

sol
4200

S1
S2 X1 X2

0
0 1 0

0
0 0 1

-5
5 1 -1/2

1
0 0 0

0
1 0 0

-15/2
-5/2 1/2 -1/4

-5
0 1/2 -1/2

300
100 40 10

ANEXO
Clculo de la matriz inversa con Excel Pasos 1.- Escribir la matriz A de nxn 2.- En otro lado, seleccionar espacio de nxn para la matriz inversa de A (la primera celda se selecciona automticamente) 3.- Escribir (en la 1ra celda seleccionada ) lo siguiente:
=MINVERSA(rango de la matriz A) ctrl + shift () + enter Se obtiene la matriz inversa de A. 4.- Si se desea, se puede dar formato a las celdas para mostrar los nmeros como fracciones (formato celdas fraccin).

Ejemplo: Sea la siguiente matriz A de 3x3 Matriz inversa de A