Está en la página 1de 23

Pr gr m cin M t mtica & Inv$tigacin de peracin$

Inv$tigacin de Operacin$
Orgenes.
Enfoque Sistmico: A raz de la revolucin industrial las pequeas empresas que
evolucionaron crecieron en tamao y complejidad, conllevando a una divisin del trabajo y
la separacin de las responsabilidades administrativas en las llamadas ahora
organizaciones; esto genero grandes beneficios pero tambin problemas como lo la
tendencia de muchos de sus componentes en convertirse en autnomos con sus propias
metas inclusive valores, perdiendo la visin de que deben de estar al servicio de la propia
organizacin. As lo que es mejor para un componente puede ir en deterioro de otro y as
afectar el objetivo comn dentro de la organizacin..
Un problema adicional es que conforme crece la complejidad y la especializacin, es ms
difcil asignar los recursos de manera eficiente dentro de los componentes de la
organizacin sin perder de vista a esta como un todo.
Inicios: Sus inicios se atribuyen a los servicios militares en la segunda guerra mundial Gran
Bretaa, donde era imperioso asignar recursos escasos a las diferentes operaciones
militares y a las actividades dentro de cada operacin en forma efectiva. Este tipo de
problemas, y la necesidad de encontrar la mejor manera de resolverlos, proporcionaron el
ambiente adecuado para el surgimiento de la IO, caracterizndose por el uso del
conocimiento cientfico travs del esfuerzo de equipos interdisciplinarios.
El origen de su nombre investigacin de operaciones fue dado aparentemente porque el
servicio Britnico de inteligencia contrato unos grupos de cientficos para investigar
operaciones militares.
En particular, el proceso comienza por la observacin cuidadosa y la formulacin del
problema incluyendo la recoleccin de datos. El siguiente paso es la construccin de un
modelo cientfico (generalmente matemtico) que intenta abstraer las partes ms relevantes
o esenciales del problema (real) en estudio. Aqu e supone (hiptesis) que el modelo copia
el problema lo suficiente como para que las conclusiones (soluciones) que se obtengan sean
tambin vlidas para el problema real. Despus es necesario llevar a cabo experimentos
probar la hiptesis, modificarla y eventualmente verificarla
Modelado.
Bsicamente el estudio investigacin de operaciones se basa en construir un modelo
de la situacin fsica, siendo un modelo de investigacin de operaciones una representacin
idealizada (simplificada) de un sistema de la vida real (existente o no). La complejidad de
un sistema real resulta de un gran nmero de elementos (variables) que controlan el
Sistema Real
Sistema real
propuesto

Fig. 1
D. Gil C.

Modelo

Pr gr m cin M t mtica & Inv$tigacin de peracin$


comportamiento del sistema.
Sin embargo solo una parte de las variables
(afortunadamente) dictan o dominan el comportamiento del sistema. Entonces el modelar
es concentrarse en identificar las variables y relaciones dominantes que lo gobiernan.

Ejemplo:
Un producto manufacturado tpicamente lleva un nmero de operaciones desde que
se concibe por el diseador hasta que llega al consumidor.
Diseo

Orden

Mercadeo y
Ventas

produccin

Consumidor

Requerimi
entos
materiales
Requeri
mientos
Almacn

Compras
orden

Objetivo: Nivel de Produccin en la planta.


Variables:
1. Departamento de produccin: horas-mquina, horas-hombre, sucesin especfica
de operaciones en cada mquina, nmero de artculos defectuosos producidos, tasa de
inspeccin.
2. Departamento de Materiales: Cantidad disponible de material, limitantes en el
almacenamiento, tasa de entrega del material comprado.
3. Departamento de Mercadeo: Pronstico de ventas, intensidad de la campaa
publicitaria, capacidad de distribucin, deteccin de productos competitivos en el mercado.
El primer nivel de abstraccin pide definir el primer sistema real supuesto, para lo cual
deberemos identificar las variables dominantes y representar esa primera aproximacin en
funcin de estas. Las variables dominantes serian entonces:
a. Tasa de produccin del artculo
b. Tasa de consumo
La simplificacin del sistema real al sistema real supuesto se hace agrupando variable del
sistema real en variables del sistema real supuesto as, las variables de los departamentos de
produccin y materiales se debern considerar para establecer una tasa de produccin tan
real como sea posible, de igual manera con la tasa de consumo se emplearn las variables
del departamento de mercadeo.
De las tasas de produccin y consumo se pueden establecer entonces medidas de escasez o
exceso en el inventario para un nivel de produccin dado, pudindose crear un modelo
D. Gil C.

Pr gr m cin M t mtica & Inv$tigacin de peracin$


abstrado para balancear los costos de escasez y del exceso de inventarios, no siendo este
el nico, se puede por ejemplo desear construir un modelo que con determinado nivel de
produccin tal que el inventario en exceso permanezca bajo cierto nivel mximo.
Tipos de Modelos de IO
Simblico o matemtico. Todas las variables son cuantificables, entonces las variables, sus
relaciones y sus soluciones son representadas empleando smbolos, funciones y
manipulacin matemtica respectivamente.
Solucin a modelos: Matemticos, Heursticos y de Simulacin
Simulacin: Estos imitan el comportamiento de un sistema o modelo en un perodo de
tiempo.
Etapas usuales en un estudio de I.O.
1. Definicin del problema y recoleccin de datos.
2. Formulacin del modelo matemtico que represente el problema.
3. Desarrollo de un procedimiento basado en computadora para derivar una solucin al
problema a partir del modelo.
4. Prueba y mejoramiento del modelo.
5. Aplicacin del modelo y su solucin.
6. Puesta en marcha.

D. Gil C.

Pr gr m cin M t mtica & Inv$tigacin de peracin$


Satisfazar (optimizar y satisfacer).
Optimizar Teora - Ciencia de lo absoluto
Satisfazar Realidad - arte de lo factible
Programacin Lineal
Es repartir recursos limitados entre actividades competitivas de la mejor manera posible.
El modelo matemtico incluye tres elementos:
Variables de decisin y parmetros: Que no son otra cosa que las variables controlables
del sistema.
Restricciones: Con elles se toma en cuenta las limitaciones fsicas del sistema, es decir
limita las variables a sus valores factibles.
Funcin Objetivo: Es la manera de medir la efectividad del sistema, en trminos de una
funcin matemtica de las variables de decisin.
Entonces de manera general se pueden ver como: Determinar los valores de las variables
xj, con j=1,2,...,n,
los cuales Optimizarn (Satisfazarn)
x0=f(x1,...,x2)
sujetos a

g1(x1,...,xn) bi, i=1,2,...,m ( o )


xi0 j=1,2,...,N

Ej.1 Una empresa produce artculos de vidrio de alta calidad, incluyendo ventanas y
puertas, posee tres plantas. Los marcos y molduras de aluminio se hacen en la planta 1, los
marcos de madera se fabrican en la planta 2 y en la 3 se produce el vidrio y se ensambla los
productos. Suponga que la administracin ha decidido discontinuar algunos productos
poco rentable y la capacidad de produccin liberada se emplear en producir dos nuevos
productos, donde: El producto 1 requiere parte de la capacidad de produccin en las plantas
1 y 3 pero nada en la planta 2. El producto 2 solo necesita trabajo en las plantas 2 y 3. La
compaa esta en capacidad de vender todos los productos que se puedan fabricar.
Definicin del problema:
Determinar las tasas de produccin deben tener los productos tal que maximicen las
unidades totales, teniendo en cuenta las restricciones de produccin (cada producto se
fabricar en lotes de 20, de manera que la tasa de produccin est definida como el
nmero de lotes que se producen a la semana). Qu se necesita para esto?
a.
El nmero de horas de produccin disponibles por semana en cada planta
para estos productos.
b.
Nmeros de horas de produccin que cada lote producido de cada
producto nuevo emplea en cada una de las plantas.
c.
La ganancia.
Este problema se conoce como mezcla de productos, los datos necesarios recolectados se
listan a continuacin:
D. Gil C.

Pr gr m cin M t mtica & Inv$tigacin de peracin$


Planta

1
2
3
Ganancia

Tiempo de produccin por


lote, hora
Producto
1
2
1
0
0
2
3
2
3
5

Tiempo de produccin
disponible a la semana en
horas
4
12
18

El modelo matemtico:
Max Z=3x1+5x2
Sujeto a:

4
2x2 12
3x1+2x218

x1

x10 , x20.

Este es el tipo ms usual de aplicacin de la programacin lineal que involucra las


asignaciones de recursos a ciertas actividades, donde la determinacin de esta asignacin
implica elegir los niveles de las actividades que lograrn el mayor valor posible de la
medida global de efectividad.
CONVENCIN DE TRMINOS.
Ciertos smbolos se emplean para denotar las distintas componentes del modelo de
programacin lineal:
Z = Valor de la medida global de efectividad funcin Objetivo
xj = Nivel de la actividad j (j=1,2,3,...,n) variables de decisin
cj = Incremento en Z que resulta al aumentar una unidad el nivel de la actividad j
bi = Cantidad de recurso i disponible para asignar a las actividades (i=1,2,...,m)
aij = Cantidad de recurso i consumido por cada unidad de actividad j
Las constantes xj, cj, bi y aij son conocidas como parmetros o coeficientes tecnolgicos.
Al formular matemticamente el problema de asignacin de recursos a actividades, consiste
en elegir valores de
x1, x2, ... ,xn para
maximizar Z= c1x1+ c2x2+ ... ,cnxn
Sujeta a las restricciones
a11x1 + a12x2 ...
a1nxn b1
a21x1 + a22x2 ...
a2nxn b2
...
...
...
...
am1x1 + am2x2 ...
amnxn bm
y x10, x20, ... ,xn0
D. Gil C.

Pr gr m cin M t mtica & Inv$tigacin de peracin$


La forma como esta informacin ser expresada por comodidad y para preparar su solucin
a travs del algoritmo SIMPLEX es:

Recurso

Consumo de recursos por unidad de actividad


Actividad
1
2
...
n
a11
a12
...
a1n
a21
a22
...
a2n
...
...
...
...
am1
am2
...
amn

Cantidad de recursos
disponibles
b1
b2
...
bm

Existen variaciones al modelo antes descrito como son:


1.
La funcin objetivo es minimizar.
2.
Restricciones del tipo mayor o igual ()
3.
Restricciones del tipo ecuacin (=)
4.
Las variables de decisin son irrestrictas en signo para
algn j.
SUPOSICIONES DEL MODELO DE PROGRAMACIN LINEAL
Proporcionalidad: La contribucin de cada actividad al valor de la funcin objetivo Z es
proporcional al nivel de la actividad xj, como se representa a travs del trmino cjxj en la
funcin objetivo. De igual forma, la contribucin de cada actividad al lado izquierdo de
cada restriccin es proporcional al nivel de la actividad xj, en la forma que lo representa el
trmino aijxj en la restriccin. Ej.
x1
Zej.
Zcaso1(3x1-1)
Zcaso2
Zcaso3
(ganancia
(ganancia
creciente)
decreciente)
0
0
0
0
0
1
3
2
3
3
2
6
5
7
5
3
9
8
12
6
4
12
11
18
6

D. Gil C.

Pr gr m cin M t mtica & Inv$tigacin de peracin$

20
18
16
14

Serie1

12

Serie2

10

Serie3

Serie4

6
4
2
0
0

Aditividad: Cada funcin en un modelo de programacin lineal (ya sea la funcin Objetivo
o el lado izquierdo de las restricciones funcionales) es la suma de las contribuciones
individuales de las actividades respectivas (elimina los productos cruzados).
(x1,x2)
Zej.
Zcaso1+x1x2 Zcaso2 +x1x2
(1,0)
3
3
3
(0,1)
5
5
5
(1,1)
8
9
7
Divisibilidad: Las variables de decisin en un modelo de programacin lineal pueden
tomar cualquier valor, incluyendo valores no enteros, que satisfagan las restricciones
funcionales y las de no negatividad.
EJEMPLOS DE APLICACIN DE P.L.
Son tan amplios y dismiles entre si como los que se listan a continuacin
a. Planeacin de la produccin
b. Mezcla de alimentos
c. Corte y ajuste de material
d. Control de Calidad del agua
e. Perforacin de pozos y produccin de petrleo
f. Balanceo en ensamble
g. Inventario
h. Terapias mdicas.
Ej. 2 Mezcla de alimentos
Se supone la disponibilidad de ciertos ingredientes con los cuales se mezcla el alimento
adems se conoce el contenido nutritivo de cada ingrediente. La descripcin del modelo
incluye:
- Requerimientos nutritivos diarios del animal
- Limitaciones fsicas o no nutritivas tales como abastecimiento, textura o
consistencia y posibilidad de aglomeracin.
D. Gil C.

Pr gr m cin M t mtica & Inv$tigacin de peracin$


El objetivo es minimizar el costo total de un tamao de lote dado de la mezcla, de tal
manera que se satisfagan las restricciones fsicas y nutritivas.
Suponga ahora que se requieren un lote diario de 100 Libras, la dieta para pollos debe
contener
1. Al menos 0.% pero no ms de 1.2% de calcio.
2. Al menos 22% de protenas.
3. A lo ms 5% de fibras crudas.
Suponga adems, que los principales ingredientes utilizados incluyen maz, soya y caliza
(carbonato de calcio). El contenido nutritivo de estos ingredientes se resumen a
continuacin [2]
Ingrediente
Piedra Caliza
Maz
Alimento de soya

Libras por libra de ingrediente


Calcio
Protena
Fibra
0.380
0.00
0.00
0.001
0.09
0.02
0.002
0.50
0.08

Costo por libra


0.0164
0.0463
0.1250

Ej. 3 Problema de la prdida por ajustes


Cierta fbrica de papel recibi tres pedidos de rollos de papel con los ancho y longitudes
indicadas a continuacin:
Pedido Anchura Longitud
1
5
10000
2
7
30000
3
9
20000
Los rollos se producen con dos anchos estndar, 10 y 20 pies los cuales hay que cortar a los
tamaos especificados por los pedidos. No existe lmite para la longitud de los rollos
estndar. El objetivo es determinar el esquema de produccin (cortes) que minimice la
prdida por ajuste y satisfaga la demanda. [2]
Sea xij la longitud del i-esimo rollo cortado segn el modelo j.
Ancho
x11
x12
x13
X21
x22
x23
x24
5
2
0
0
4
2
2
1
7
0
1
0
0
1
0
2
9
0
0
1
0
0
1
0
Prdida
0
3
1
0
3
1
1

x25
0
1
1
4

x26
0
0
2
2

Requisitos
10000
30000
20000

Sean S1, S2, S3, las longitudes en exceso producidas de 5, 7 y 9 respectivamente[2]


Ej. 4 Balanceo en el ensamble
Una unidad completa de un cierto producto consiste de 4 unidades del componente A y 3
unidades del componente B. Los dos componentes (A y B) se fabrican con dos materias
primes diferentes de las cuales se tienen disponibles respectivamente 100 y 200 unidades.
Tres departamentos estn en el proceso de produccin y cada departamento utiliza un
mtodo diferente para fabricar los componentes. La tabla que sigue muestra los requisitos
D. Gil C.

Pr gr m cin M t mtica & Inv$tigacin de peracin$


de materia prima por corrida de produccin y las unidades resultantes de cada componente.
El Objetivo es determinar el nmero de corridas de produccin para cada departamento que
max, el # total de unidades completas del producto final. [2]
Necesidad
por
corrida Salida por corrida (unidades)
(unidades)
Mat Prim 1
Mat Prim 2
Compo. 1
Compo. 2

Departamento
1
2
3

8
5
3

6
9
8

7
6
8

5
9
4

Ej. 5 Una compaa produce dos tipos de sombreros vaqueros. Cada sombreo del primer
tipo requiere el doble de tiempo en mano de obra que el segundo. Si todos los sombreros
son solamente del segundo tipo, la compaa puede producir 500 sombreros al da. El
mercado limita las ventas diarias del primero y segundo a 150 y 200. Suponga que los
beneficios son 8 para el 1 y 5 para el 2. Determine el nmero de sombreros que se deben
producir de cada tipo a fin de maximizar el beneficio. [2]
Ej. 6 Para un cafetn que trabaja 24 hrs. Se requieren las siguientes meseras:
Horas
# Mnimo de Meseras
2-6
4
6-10
8
10-14
10
14-18
7
18-22
12
22-2
4
Cada mesera trabaja 8 hrs. Consecutivas por da. El Objetivo es contratar el nmero ms
pequeo de requerido para cumplir los requisitos anteriores. [2]

D. Gil C.

Pr gr m cin M t mtica & Inv$tigacin de peracin$


Ej. 7 Suponga que el nmero mnimo de autobuses requerido en la i-sima hora del da es
bi, i=1,2,3,...,24. Cada autobs trabaja 6 horas consecutivas. Si el nmero de autobuses en
el perodo i excede el mnimo requerido bi, se incurre en un costo por exceso, ci, por
autobs-hora. Formule el problema como un problema de P.L. de tal manera que se
minimice el exceso del costo total originado. [2]
Sol. Si se definen las variables de decisin como: xi= Nmero de autobuses que comienza
en la hora i, luego la funcin objetivo se podr plantear como:
24

Min Z Ci (bi xi )

24

i 1

Min Z Ci Si
i 1

y plantear las restricciones funcionales y de no negatividad como:


X 1 X 20 X 21 X 22 X 23 X 24 S1 b1
X 1 X 2 X 21 X 22 X 23 X 24 S 2 b2
X 1 X 2 X 3 X 22 X 23 X 24 S3 b3

X 19 X 20 X 21 X 22 X 23 X 24 S19 b19
X1 , X 2 , X 3 ,..., X 24 , S1 ,..., S19 0

Solucin a problemas de Programacin Lineal P.L.


Un procedimiento general algebraico para resolver problemas de P.L. es el conocido con el
nombre de mtodo Simples desarrollado por George Dantzig en 1947.
Mtodo grfico o geomtrico (2 variables): Tmese como ejemplo inicial el Ej. 1 [1]
(0,9)

10
9
8 (0,6)
7
6
5
4
3
2
1
0
0

(2,6)

(4,6)

(4,3)

Max Z=3x1+5x2
Sujeto a:
x1
4
2x2 12
3x1+2x2 18
y
x1 0, x2 0.

Una
frontera
de
restriccin es el lmite
permitido
por
una
2
4
6
8
restriccin, en el caso de
dos variables es una recta,
en tres un plano, etc. Una solucin en vrtice es la intercepcin de dos fronteras de
restriccin, una solucin en un vrtice que pertenece al espacio de soluciones se llama
solucin factible en vrtice (FVE), para un problema de P.L. con n variables de decisin,
cada una de sus soluciones en los vrtices se encuentra en la intercepcin de por lo menos n
fronteras de restriccin. FEV adyacentes son aquellas que comparten n-1 fronteras de
D. Gil C.

(6,0)

Pr gr m cin M t mtica & Inv$tigacin de peracin$


restriccin. Dos soluciones FEV estn conectadas por un segmento de recta (pertenecientes
a las fronteras de restriccin) llamado orilla o arista de la regin factible. Del ejemplo
tenemos las siguientes soluciones FEV y sus correspondientes soluciones FEV adyacentes:
Soluciones FEV Soluciones FEV adyacentes
(0,0)
(0,6) y (4,0)
(0,6)
(2,6) y (0,0)
(2,6)
(4,3) y (0,6)
(4,3)
(4,0) y (2,6)
(4,0)
(0,0) y (4,3)
Tabla 10, Soluciones FEV Ej. 1
Prueba de optimalidad: Si una solucin FEV no tiene soluciones FEV adyacentes que
sean mejores bajo la perspectiva de Z, entonces sa debe ser una solucin Optima.
Solucin geomtrica.
Inicializacin: Elija (0,0) como SFEV inicial
Prueba de optimalidad: pruebe la existencia de soluciones adyacentes que mejoren
el valor de Z.
En caso de existir una mejor solucin itere
1. Muvase sobre la arista que ms aumenta (disminuye) el valor de Z.
2. Detngase en la frontera de restriccin.
3. Tome ese nuevo punto como solucin de inicio.
En caso contrario la Solucin FEV es la solucin optima.
Solucin en el Mtodo simplex: siempre es una solucin FEV, entonces el mtodo simple
slo toma en cuenta las soluciones FEV y consiste en encontrar la mejor.
Solucin FEV de inicio: Generalmente es el origen, es decir, todas las variables de
decisin igual a cero. Es posible en la mayora de los casos ya que las restricciones de no
negatividad sobre las variables de decisin generan como fronteras de restriccin a los
vrtices dejando el origen como una solucin FEV, salvo en el caso que viole una
restriccin funcional.
Ej. 8 resuelva de forma grfica y geomtrica el siguiente problema de P.L.
Max Z 4 X 1 3 X 2
S . A.
2 X1 3X 2 6
3 X1 2 X 2 3
2X 2 5
2X1 X 2 90
X1 , X 2 0

Obviando las restricciones de no negatividad y agregando variables tales que cada


desigualdad se transforme en igualdad, el problema es un sistema de 4 ecuaciones con 6
incgnitas, y de la solucin geomtrica observamos que cada solucin FEV es la solucin
D. Gil C.

Pr gr m cin M t mtica & Inv$tigacin de peracin$


del sistema descrito haciendo 2 de esas variables iguales a cero. En general para m
ecuaciones y n incgnitas con n>m, al hacer n-m variables iguales a cero obtendremos lo
que se denomina solucin bsica, denominndose a las variables iguales a cero variables
no-bsicas las restantes se denominan bsicas y si adems estas ultimas son todas no
negativas a la solucin se llama solucin bsica factible.
La solucin optima para un sistema de m ecuaciones y n incgnitas se podr entonces
hallar resolviendo

n
m

n!
( m!( n m)!)

Conjunto de ecuaciones simultaneas siendo totalmente ineficiente por cuanto:


- El # de soluciones bsicas es muy grande
- Muchas soluciones son in factibles
- La funcin Objetivo sera pasiva en el clculo.
Consideraciones para la Solucin Algebraica: Este se basa en la solucin de sistemas de
ecuaciones por consiguiente, el primer paso es convertir las inecuaciones en ecuaciones
(restricciones funcionales de desigualdad en restricciones de igualdad), introduciendo las
llamadas variables de holgura, que no es otra cosa que restar del lado derecho la holgura
de recurso que convierta en una igualdad la restriccin funcional respectiva, una
observacin obvia entonces es que por cada restriccin funcional del tipo se tendr una
nueva variable, lo que convierte el problema de PL en un sistema de ecuaciones de m
ecuaciones con m+n variables. Del Ej. 1 tendr entonces la siguiente forma aumentada del
problema de P.L.
Max Z 3 X 1 5 X 2 0 X 3 0 X 4 0 X 5
S . A.
X1

X3
2X 2

3 X 1 2X 2

4
X4

12
X 5 18

X1 , X 2 , X 3 , X 4 , X 5 0

Un valor de cero (0) en una variable de holgura significa que se encuentra en las fronteras
de decisin, mientras que uno positivo significa que esta en el lado factible de la regin
factible y un valor negativo estar en el lado no factible, de esta forma una solucin FEV
tendr ahora cinco valores es decir, tomemos la solucin FEV (3,2) tendr la siguiente
solucin aumentada (3,2,8,1,5), lo que no es otra cosa que una solucin bsica factible
descrita en la seccin anterior. Considere la solucin (4,6), qu conclusiones obtiene al
aumentarla?. Ejercicio hallar todas las soluciones factibles o no, aumentadas para el Ej. 1.
Propiedades de la solucin bsica
1. Cada variable de la forma aumentada ser designada como bsica o no bsica.
2. El nmero de variables bsicas es igual al nmero de restricciones funcionales
(ecuaciones) y el nmero de no-bsicas ser la diferencia entre el nmero total de
variables y el nmero de restricciones funcionales (variables bsicas), as del ejemplo
seran 3 y 2 respectivamente las variables bsicas y las no-bsicas.
3. Las variables no bsicas se hacen igual a cero.
D. Gil C.

Pr gr m cin M t mtica & Inv$tigacin de peracin$


4. Los valores de las variables bsicas se obtienen de la solucin simultnea del sistema
de ecuaciones aumentado resultante de hacer cero las variables no-bsicas.
5. Si las variables satisfacen las restricciones de no negatividad, la solucin bsica es una
solucin bsica factible.
Considere la solucin (0,6), Cul ser la solucin aumentada?. Cules las variables
bsicas y no-bsicas?. Es una SBF?
Soluciones BF adyacentes: si todas menos una de sus variables no-bsicas son las mismas,
esto tambin implica que todas menos una de sus variables bsicas sern las mismas pero
no necesariamente con el mismo valor. En consecuencia trasladarse de una solucin BF
adyacente a otra implica hacer una variable no-bsica, bsica y viceversa, ajustando luego
los valores de las dems variables bsicas de tal manera que sigan satisfaciendo las
restricciones.
Antes de emplear SMPLEX
Conviene expresar el problema de la siguiente manera:
Z 3X 1 5 X 2 0 X 3 0 X 4 0 X 5 0

(0)
(1)

X3

X1

4
X4

(2)

2X 2

(3)

3 X 1 2X 2

12
X 5 18

Observe la manera que se ha incorporado la funcin objetivo al problema, dejando de ser


pasiva en el clculo, tambin es de hacer notar que se han numerado las ecuaciones por
comodidad.
La solucin bsica inicial se obtiene de hacer cero las variables de decisin (0,0,4,12,18), la
cual arroja como valor Z=0, luego si observamos los valores de los coeficientes de las
variables no-bsicas observamos que pueden mejorar el valor de Z, con lo cual se puede
concluir que la solucin actual no es optima. Cul variable cambiar de no-bsica a bsica?.
En que valor debe aumentar la variable que ser bsica?.
si X 1 0

(1)

X3

X1

(2)

2X 2

(3)

3 X 1 2X 2

X4

X3 4

12

X 4 12 2 X 2

X 5 18 X 5 18 2 X 2

La idea es aumentar la variable que mejore a una tasa ms grande el valor de Z sin dejar de
la regin factible y que todas las variables permanezcan no negativas.
Variable bsica entrante: Variable no-bsica que aumentar su valor de cero (mejorar el
valor de Z) y ser parte de la solucin bsica actual.
Variable bsica que sale: variable bsica que llega primero a cero, cuando se aumenta la
variable que entra.
D. Gil C.

Pr gr m cin M t mtica & Inv$tigacin de peracin$


Note que el sistema las variables bsicas poseen un coeficiente igual a uno, una forma muy
adecuada cuando se emplea eliminacin gaussiana para resolver sistemas de ecuaciones,
siendo este el mtodo en el cual se basa el SMPLEX, se deber ahora operar sobre el
sistema de ecuaciones de tal manera que:
La funcin objetivo este expresada solo en trminos de variables no-bsicas.
Las variables bsicas tengan coeficiente la unidad en la ecuacin donde se
encontraba la antigua variable bsica y cero en las dems.
As podemos ver que en la ecuacin (2) al dividir entre 2 toda la ecuacin cumpliremos con
la segunda exigencia, para la segunda se debe entonces operar algebraicamente sobre ellas,
sumando o restando mltiplos de una ecuacin a otra.
Smplex en forma tabular.
Para el Ej. 1 si solo tomamos en cuenta sus coeficientes y adems consideramos el arreglo
anterior donde la funcin objetivo ser nuestra ecuacin cero (0) y lo colocamos
convenientemente en una tabla (tabla 11):
Ec. #
(0)
(1)
(2)
(3)

X1
-3
1
0
3

X2
X3
X4
-5
0
0
0
1
0
2
0
1
2
0
0
Tabla 11. Forma tabular Ej. 1

X5
0
0
0
1

Lado Der.
0
4
12
18

Algoritmo smplex
Solucin Inicial: X3=4, X4=12, X5=18 para Z=0
Consideraciones en torno a las posibles soluciones
Empate en la variable que entra, esto es dos o ms variables tienen el mismo valor
(Coef. Negativo) ms grande, en este caso se rompe el empate de manera arbitraria. Ej.:
Max Z=3x1+5x2
Sujeto a:
x1
4
2x2 12
3x1+2x2 18
y
x1 0, x2 0.
Empate en la variable bsica que sale, en este caso si es importante que variable se toma
ya que pueden ocurrir una serie de consecuencias: a) Al iterar las dems variables
empatadas se harn cero (0), llamando a esta situacin degeneracin (variable
degenerada y solucin bsica degenerada.
b) Si cualquiera de las variables a nivel cero se elige como variable que sale, la variable
que entra tambin deber hacerlo a nivel cero pues no puede crecer sin la que sale
disminuya, lo que implica que no hay mejora para Z existiendo la posibilidad de
c) entrar en un ciclo infinito.

D. Gil C.

Pr gr m cin M t mtica & Inv$tigacin de peracin$


No existe variable bsica que sale, (Z es no acotada) esto se puede observar en la tabla
cuando todos los valores bajo la variable que entra (valores de la columna pivote) son
todos negativos o cero.
Soluciones ptimas mltiples Ej.: Max Z=3x1+2x2, esto se ve cuando al menos una
variable tiene coeficiente cero (0) en la ecuacin final, de forma que si se aumenta su
valor Z no tiene incremento.
Otras Formas Del Modelo de P.L.
Forma estndar: Maximizar, restricciones de la forma menor o igual (), restricciones de no
negatividad y bi0 para toda i=1,2,...,m. Para otras formas del modelo la dificultad
adicional radica en poder identificar la solucin bsica factible inicial.
Tcnica de las variables artificiales. Que de forma muy general construye un problema
artificial a partir del original agregando convenientemente una variable ficticia llamada
artificial con la intencin de que sea parte de la solucin bsica inicial, debiendo modificar
la F.O. para penalizar el hecho de que la variable nueva no es real.
Restricciones en forma de igualdad: Supongamos ahora el siguiente problema:
Max Z=3x1+5x2
Sujeto a:

4
2x2 12
3x1+2x2 =18

x1

x1 0, x2 0.

FUNDAMENTOS MTODO SMPLEX

Ecuacin Frontera de Restriccin, se obtiene al sustituir el signo , , ,


en cualquier restriccin funcional por la igualdad (=). En consecuencia las fronteras de
restriccin ai1 x1 ai 2 x 2 ain x n bi para las restricciones funcionales y x j 0 para las
restricciones de no negatividad definen una figura geomtrica plana llamada hiperplano en
un espacio n-dimensional.
Frontera de la regin factible consiste en aquellas soluciones factibles que satisfacen
una o ms de las ecuaciones de frontera de las restricciones.
Una solucin factible en vrtice (FEV) es aquella que no est sobre
ningn segmento de recta que conecta a otras dos soluciones factibles.
Para un problema de P.L. con n variables de decisin, cada solucin FEV se encuentra en la
interseccin de n fronteras de restriccin; es decir se trata de la solucin simultnea de un
sistema de n ecuaciones de frontera; en este caso y dado que existen (n+m) ecuaciones de
frontera no todo sistema de n ecuaciones conduce a una SFEV, pudiendo ocurrir que:
Violen una o ms de las restantes m ecuaciones de restricciones, generando una
solucin no factible.
No tener solucin si se eligen ecuaciones que definan
Max Z 3 x1 5 x2 hiperplanos paralelos.
s.a. x1
4
Mltiples soluciones debido a ecuaciones redundantes.
Para
el ejemplo tipo empleado hasta ahora [1]:
2 x2 12
2 x1 3 x2 18
D. Gil C.
y

x1 0, x2 0

Pr gr m cin M t mtica & Inv$tigacin de peracin$


5

tenemos cinco restricciones y dos variables de decisin por lo que existen 10 pares
2
de ecuaciones de frontera, de los cuales cinco (5) se convierten en ecuaciones de definicin
para las soluciones FEV (tabla 12), tres(3) son ecuaciones de definicin para soluciones no
factibles (tabla 12) y los dos restantes no tienen solucin.
Soluciones FEV Ec. de definicin Soluciones no-FEV Ec. de definicin Sin Solucin Ec. de definicin

(0,0)
(0,6)
(2,6)
(4,3)
(4,0)

(0,9)
x1 0
x2 0
x1 0
2 x2 12
(4,6)
2 x2 12
3 x1 2 x2 18
3 x1 2 x2 18
x1 4
(6,0)
x1 4
x2 0

x1 0
3 x1 2 x2 18

---------

x1 0
x1 4
x2 0
2 x2 12

2 x2 12
x1 4

3 x1 2 x2 18
x2 0

Tabla 12. Soluciones y ecuaciones de definicin

SOLUCIONES FEV ADYACENTES


Para un problema de PL con n variables de decisin y una regin factible acotada, una
solucin FEV se encuentra en la interseccin de n fronteras de restriccin que satisface las
restantes restricciones. Una arista de la regin factible es un segmento de recta factible
que se encuentra en la interseccin de (n-1) fronteras de restriccin. Dos soluciones FEV
son adyacentes si el segmento de recta que las conecta es una arista de la regin factible.
De cada solucin FEV parten n aristas, llevando cada una a las n soluciones factibles
adyacentes.

PROPIEDADES DE LAS SOLUCIONES FEV


Propiedad 1: a) Si el problema tiene exactamente una solucin optima, entonces esta
debe ser una solucin FEV
b) Si el problema tiene soluciones factibles optimas mltiples (y una regin factible no
acotada), entonces al menos 2 deben ser soluciones FEV adyacentes.
Propiedad 2: Solo existe un nmero finito de soluciones FEV, dado que una
solucin FEV es la solucin simultanea de un sistema de n ecuaciones elegidas entre (n+m)
m n
m n !

dado que es un nmero
m!n!
n

ecuaciones de frontera de restriccin esto es:

finito esta combinacin no es mas que una cota superior para el nmero de soluciones FEV.
Propiedad 3: Si una solucin FEV no tiene soluciones FEV adyacentes que mejoren
la solucin (Z), entonces es una solucin optima.

FORMA AUMENTADA DEL PROBLEMA DE PL


D. Gil C.

Pr gr m cin M t mtica & Inv$tigacin de peracin$


Donde xn+1, xn+2,..., xn+m, son variables de holgura o artificiales faltando quiz algunas
variables de supervit. Es bueno recordar que cada solucin en un vrtice es la solucin
simultnea de un sistema de n ecuaciones de frontera, a las que se llam ECUACIONES DE
DEFINICIN entonces cules de todas las ecuaciones de frontera son ecuaciones de
definicin?.
Cada restriccin tiene una variable indicativa,
Max Z c1 x1 c2 x2 cn xn
que seala cuando la solucin actual satisface
s.a. a11 x1 a12 x 2 a1n x n xn 1 b1 la ecuacin de frontera de esa restriccin (tabla
a 21 x1 a 22 x2 a 2 n x n xn 2 b 2 13).
Siempre que la ecuacin de frontera de

restriccin sea una de las ecuaciones de


a m1 x1 a m 2 x 2 a mn xn x n m b m definicin para una solucin FEV, su variable
indicativa tiene valor de cero en la forma
aumentada del problema, denominndose VARIABLE NO BSICA.
Tipo de restriccin
No negatividad

Rest. Aumentada
xj 0
n

aij x j xni bi
j 1

aij x j xni bi
j 1

a
j 1

ij

x j x n i x si bi

Ec. de Frontera
xj = 0
n

a
j 1

ij

x j bi

ij

x j bi

ij

x j bi

a
j 1
n

a
j 1

Variable indicativa
xj

Tabla 13 Variables indicativas para las ecuaciones de frontera de restriccin

D. Gil C.

x ni

xni
x n i x si

Pr gr m cin M t mtica & Inv$tigacin de peracin$

El problema DUAL y el anlisis de SENSIBILIDAD


A cada problema de programacin lineal (Primal), existe otro
problema tambin lineal llamado Dual. Entre estos dos problemas
existen relaciones muy tiles en el llamado anlisis de sensibilidad,
dado que todos los parmetros de ambos modelos son meras
estimaciones o representar decisiones gerenciales de sus verdaderos
valores.

El Problema Dual
Para el problema Primal:
Maximizar

c
j 1

xj,

Sujeto a :
n

a
j1

ij

x j b , para i 1,2,..., m

y
x j 0,

para j 1,2,..., n

posee un problema Dual asociado con los mismos para metros del
original salvo que dispuestos de manera diferente ( en cierta forma
traspuestos):
m

Maximizar

y 0 bi yi ,
i 1

Sujeto a :
m

a
i 1

ij

yi c j , para j 1,2,..., n

y
yi 0,

para i 1,2,..., m

de forma matricial sera:

Primal

D. Gil C.

Dual

Pr gr m cin M t mtica & Inv$tigacin de peracin$

Maximizar Z c x
sujeto a

Ax b
y

x0

Maximizar y 0 yb
sujeto a

yA c
y

y0

se deben tener muy en cuenta las dimensiones de los vectores de


parmetros y variables; para el problema tipo la correspondencia
primal-dual ser:
Primal
Max Z=3x1+5x2
Sujeto a:
x1
4
2x2 12
3x1 + 2x218
y
x10 , x20.
El Dual
Min y0 = 4y1 + 12y2+ 18y3
Sujeto a:
y1
y

+ 3y3 3
2y2 +2y3 5

y10 , y20, y30.


Tomado de forma matricial tendramos los siguientes parmetros:

D. Gil C.

Pr gr m cin M t mtica & Inv$tigacin de peracin$


x
Z 3, 5 1
x2
1 0
4
x1


sujeto a 0 2
12
x
3 2 2
18
Max

x
0
y 1
0
x2
Max

y 0 y1

sujeto a y1
y y1

y2

y2

4
y 3 12
18

y2
1
y 3 0
3

y3 0

2 3,
2

Origen problema Dual


Para la demostracin del problema dual (probar que sigue siendo el
problema primal escrito de otra forma) se deber recordar el
resumen matemtico del mtodo simples; as para cada iteracin del
simples el problema se puede escribir como ( el * solo para la
iteracin final):

t z c

Fila 0:
Otras filas:

T A

Combinados

y
S


z c

Z

b

Cambiando nuevamente de notacin llamando ahora a Z* como y0* y


sin asteriscos para los pasos intermedios fcilmente se puede llegar a
las relaciones entre los parmetros y los valores originales del
problema de programacin lineal.

Recordando que al dar solucin al problema tendremos que y c B B 1


luego las relaciones

D. Gil C.

Pr gr m cin M t mtica & Inv$tigacin de peracin$


m
y 0 yb bi y i ,
i 1


z yA

por lo que z j aij y i para j 1,2,..., n


i 1

que ya son muy prximas a el planteamiento del problema que


hemos designado como dual, ahora enfocndonos en la prueba de
optimalidad, todos los coeficientes de la fila 0, funcin objetivo
deben ser no negativos, esto en trminos de las ecuaciones de la
tabla anterior:
zj cj 0

para j 1,2,..., n

yi 0

para i 1,2,..., m

lo cual resume el mtodo Smplex como la bsqueda de los


y , y , , y tales que:
1

y 0 bi yi ,
i 1

Sujeto a :
m

a
i 1

ij

yi c j , para j 1,2,..., n

yi 0,

para i 1,2,..., m

que a excepcin del objetivo (maximizar o minimizar) es el


problema que hemos llamado Dual, como yo es el valor de Z es
apenas lgico pensar que debera maximizarse tambin pero, las
nicas soluciones factibles para este modelo son aquellas que
satisfacen la condicin de optimalidad por lo que la solucin
optima del primal es la nica que hace factible al dual, es decir que
el valor optimo de Z es el mnimo factible de yo en el nuevo
problema luego agregando este objetivo de minimizar se obtiene la
formulacin completa del problema dual.
Propiedades Primal-Dual
Propiedad dbil:
Si x es una solucin Factible
es una solucin factible para
Propiedad Fuerte:

D. Gil C.

cx yb

para el problema primal y y


el problema dual, entonces

Pr gr m cin M t mtica & Inv$tigacin de peracin$

Si x* es la solucin optima
es la solucin optima para

cx y b

para el problema primal y y*


el problema dual, entonces

Propiedad de soluciones complementarias:


En cada iteracin el mtodo simples identifica una SFEV x, para el
problema primal y una solucin complementaria para el problema
Dual y que en la tabla simples estar en los coeficientes de la
variables de holgura (precios sombra).

D. Gil C.

Pr gr m cin M t mtica & Inv$tigacin de peracin$


Referencias Bibliogrficas
[1]
Hillier Frederick S., Lieberman Gerald J. Introduccin a la Investigacin de
Operaciones. McGraw-Hill 1999.
[2]
Taha Hamdy A., Investigacin de Operaciones. Representaciones y servicios de
ingeniera, S.A.- Mxico.1981

D. Gil C.