Repblica Bolivariana de Venezuela

Ministerio del Poder Popular para la Educacin Superior

Universidad Politcnica Territorial Jos Antonio Anzotegui
El Tigre, Estado Anzotegui.

Mtodos de decisin simples

Profesor:

Integrantes:

Ali Guerra

Abad Greilis Ci:22.860.142

Padilla Ana Ci: 25.427.389
Delgado Diolibeth Ci: 25.268.951
Trayecto IV, Trimestre X
Seccin: MM-02

El Tigre, Julio de 2015

El Mtodo Simplex
El Mtodo Simplex es un mtodo analtico de solucin de problemas
de programacin lineal capaz de resolver modelos ms complejos que los resueltos
mediante el mtodo grfico sin restriccin en el nmero de variables.
El Mtodo Simplex es un mtodo iterativo que permite ir mejorando la solucin
en cada paso. La razn matemtica de esta mejora radica en que el mtodo consiste
en caminar del vrtice de un poliedro a un vrtice vecino de manera que aumente o
disminuya (segn el contexto de la funcin objetivo, sea maximizar o minimizar),
dado que el nmero de vrtices que presenta un poliedro solucin es finito siempre
se hallar solucin.
Este famossimo mtodo fue creado en el ao de 1947 por el estadounidense
George Bernard Dantzig y el ruso Leonid Vitalievich Kantorovich, con el nimo de
crear un algoritmo capaz de solucionar problemas de m restricciones y n variables.
La toma de decisiones y la investigacin de operaciones
La teora de la toma de decisiones abarca un sinnmero de asignaturas y se
manifiesta en todas las ramas de la ciencia. Por las diferentes formas y
caractersticas que se presentan cuando se requiere la necesidad de decidir, las
decisiones se pueden clasificar de muchas maneras, entre ellas resultan de inters
para la investigacin de operaciones: las decisiones trascendentales en contra de las
triviales y las decisiones que aportan resultados ptimos o cercanos al ptimo.
Las tcnicas de investigacin de operaciones son herramientas tiles para la
toma de decisiones. En su mayora son tcnicas de optimizacin y entre ellas se
encuentra la simulacin de sistemas. Diversos investigadores coinciden en que la
simulacin, como tambin suele ser referida, est en el grupo de las tcnicas
cuantitativas ms usadas en el mundo real, junto con la programacin matemtica y
la estadstica. El inters de la aplicacin de estas herramientas por parte de los
tomadores de decisiones consiste en incrementar la productividad, la competitividad
y la calidad de los bienes y servicios que se producen en las organizaciones al
optimizar los recursos. Incluir los aspectos de calidad en los mtodos cuantitativos
es de una gran importancia debido a que la filosofa de calidad aporta los aspectos
cualitativos que tambin son indispensables en la toma de decisiones.
Tipo de optimizacin.
Objetivo de maximizacin

Condicin de parada: cuando en la fila Z no aparece ningn valor negativo.

Condicin de entrada a la base: el menor valor negativo en la fila Z (o el de mayor
valor absoluto entre los negativos) indica la variable Pj que entra a la base.
Condicin de salida de la base: una vez obtenida la variable entrante, la variable que
sale se determina mediante el menor cociente P0/Pj de los estrictamente positivos.
Objetivo de minimizacin
Condicin de parada: cuando en la fila Z no aparece ningn valor positivo.
Condicin de entrada a la base: el mayor valor positivo en la fila Z indica la variable
Pj que entra a la base.
Condicin de salida de la base: una vez obtenida la variable entrante, la variable que
sale se determina mediante el menor cociente P0/Pj de los estrictamente negativos.
Normalizacin de las restricciones
Restriccin de tipo ""
Para normalizar una restriccin con una desigualdad del tipo "", hay que aadir una
nueva variable, llamada variable de holgura xs (con la condicin de no negatividad:
xs 0). Esta nueva variable aparece con coeficiente cero en la funcin objetivo, y
sumando en la ecuacin correspondiente (que ahora s ser una identidad
matemtica o ecuacin de igualdad).
Restriccin de tipo ""
En caso de una desigualdad del tipo "", tambin hay que aadir una nueva
variable llamada variable de exceso xs (con la condicin de no negatividad: xs 0).
Esta nueva variable aparece con coeficiente cero en la funcin objetivo, y restando
en la ecuacin correspondiente
Restriccin de tipo "="
Al contrario de lo que cabra pensar, para las restricciones de tipo "=" (aunque
ya son identidades) tambin es necesario agregar variables artificiales xr. Como en
el caso anterior, su coeficiente ser cero en la funcin objetivo y aparecer sumando
en la restriccin correspondiente.
Variables de entrada

Estas suelen encontrarse en un criterio que se conoce como Condicin de

optimalidad, en un modelo, ya sea de maximizacin o minimizacin, y se refiere a
la variable no bsica en el rengln z con el coeficiente ms negativo, si se trata de
una maximizacin, o el coeficiente ms positivo, si se trata de una minimizacin, la
cual, en el la tabla de solucin anterior, a excepcin de la primer tabla, esta variable
era una variable bsica.

Variables de salida
Esta variable es un punto extremo que se encuentra en un criterio conocido como
Condicin de factibilidad, en un modelo, ya sea de optimizacin o minimizacin,
y se refiere a la variable bsica asociada con la mnima razn no negativa con el
coeficiente ms negativo, si se trata de una maximizacin, o el coeficiente ms
positivo, si se trata de una minimizacin, la cual, en el la tabla de solucin siguiente,
pasar a ser variable no bsica.

Variable degenerada
Una variable degenerada es una variable bsica que vale 0. Grficamente esto puede
ocurrir cuando ms de dos rectas se intersequen en el mismo punto.

Base
Una base es el conjunto de variables bsicas.
Variable artificial
Se usa una variable artificial cuando las restricciones son = y y sucede cuando el
origen no se encuentra dentro de la regin factible, tratando de llevar el modelo a
otra dimensin en la cual el origen si exista en la regin.
Es aquella que puede tomar toda clase de valores positivos, cero y negativos puede
escribirse como la diferencia de dos variables no-negativas.
Funcin objetivo

La funcin objetivo es la ecuacin que ser optimizada dadas las limitaciones o

restricciones determinadas y con variables que necesitan ser minimizadas o
maximizadas usando tcnicas de programacin lineal o no lineal. Una funcin
objetivo puede ser el resultado de un intento de expresar un objetivo de negocio en
trminos matemticos para su uso en el anlisis de toma de decisiones, operaciones,
estudios de investigacin o de optimizacin.

Variables de holgura y exceso

El Mtodo Simplex trabaja basndose en ecuaciones y las restricciones iniciales que
se modelan mediante programacin lineal no lo son, para ello hay que convertir
estas inecuaciones en ecuaciones utilizando unas variables denominadas de holgura
y exceso relacionadas con el recurso al cual hace referencia la restriccin y que en el
tabulado final representa el "Slack or surplus" al que hacen referencia los famosos
programas de resolucin de investigacin de operaciones, estas variables adquieren
un gran valor en el anlisis de sensibilidad y juegan un rol fundamental en la
creacin de la matriz identidad base del Simplex.
Estas variables suelen estar representadas por la letra "S", se suman si la restriccin
es de signo "<= " y se restan si la restriccin es de signo ">=".
Variable artificial / mtodo de la "m"
Una variable artificial es un truco matemtico para convertir inecuaciones ">=" en
ecuaciones, o cuando aparecen igualdades en el problema original, la caracterstica
principal de estas variables es que no deben formar parte de la solucin, dado que no
representan recursos. El objetivo fundamental de estas variables es la formacin de
la matriz identidad.
Estas variables se representa por la letra "A", siempre se suman a las restricciones,
su coeficiente es M (por esto se le denomina Mtodo de la M grande, donde M
significa un nmero demasiado grande muy poco atractivo para la funcin objetivo),
y el signo en la funcin objetivo va en contra del sentido de la misma, es decir, en
problemas de Maximizacin su signo es menos (-) y en problemas de Minimizacin
su signo es (+), repetimos con el objetivo de que su valor en la solucin sea cero (0).

Solucin optima
Siempre est asociada a un punto extremo de la regin factible y satisface todas las
restricciones si se evala en ellas as como es el punto que en el caso de

maximizacin hace que el valor de z sea el mximo (ms grande) y el caso de

minimizacin sea el mnimo (ms pequeo).
Solucin ptima mltiple
Existen problemas lineales que no tienen una solucin ptima nica, sino que al
contrario, tienen un nmero infinito de soluciones. Para detectar una solucin
mltiple en la tabla ptima, se deber tener al menos una variable con su Zj-Cj=0 no
bsica.

Elemento pivote
En el cruce correspondiente a columna y rengln elegidos con los dos criterios
anteriores, se ubica un coeficiente denominado pivote (P) que se utiliza durante las
iteraciones o etapas de clculo del simplex.
Ejercicio # 1 (Maximizar)
La empresa GELATI se dedica a la produccin de productos lcteos. Tiene una
pequea gama de helados, compuesta por tres tipos: helado de chocolate, de fresa y
de vainilla. Cada kg de helado de fresa genera un beneficio de 60 u.m., el de vainilla
40 u.m. y el de chocolate 15 u.m. Estos productos se elaboran a partir de tres
materias primas (leche, frutas, azcar, horas de mquinas, etc.). En concreto y
centrndonos en las materias primas comunes a los tres las cantidades empleadas
para fabricar el helado de fresa son 2 kg del factor A, 3 kg del B y 1 unidad del C; el
de vainilla necesita 4 kg del factor A, 1 kg del B y 4 unidades del C; y el de
chocolate se elabora a partir de 1 kg de la materia prima A, 5 kg del B y 2 unidades
del C. Determinar el programa ptimo de produccin diario que maximizara el
beneficio sabiendo que para la produccin diaria de helados la empresa solamente
cuenta con de 100 kg de la materia prima A, 250 kg de la materia B y 75 unidades
del factor C.
Solucin
Zmax = 60 X1 + 40 X2 + 15 X3
2 X1 + 4 X2 + X3 100

3 X1 + X2 + 5 X3 250
X1 + 4 X2 + 2 X3 = 75

Entra X1 y sale H1

Dado que los rendimientos marginales son todos iguales o menores que cero, se ha
llegado al programa ptimo de produccin, con el que se podra obtener un
beneficio:
B = 60 * 60 + 40 * 0 + 15 * 0 = 3.600 u.m.
Ejercicio #2 (Minimizar)
Una determinada empresa debe determinar para el prximo ao un programa que
conlleve el mnimo coste posible. Los dos productos que puede fabricar le hacen
incurrir en un coste de 8 u.m. /u.f. si se trata del producto Z y 10 u.m. /u.f. si es el
producto W. en cuanto al consumo de materias primas slo existe restriccin en cuanto
al componente AB, del cual el producto Z consume 2 u.f. por unidad de producto y el
W 1u.f. por unidad de producto, disponindose de 600 u.f. de dicho componente al
mes.

Diferentes imposiciones legales establecen la obligacin de producir al menos 100 u.f.

de producto Z al mes y un mnimo de 350 u.f. entre los dos productos. Cul ser, en
base a esta informacin el programa de produccin para el prximo mes que lleva al
mnimo coste?

SOLUCIN:
ZMIN = 8X1 + 10X2
2X1 + X2 600
X1 100
X1 + X2 350
Xi 0

Introducimos las variables de holgura y las variables artificiales:

ZMIN= 8X1+ 10X2 + 0h1 + 0h2 + 0h3 + A1M + A2M
2X1 + X2+ h1 = 600
X1 h2 + M = 0
X1 + X2 h3 + M = 350
Xi 0; M 0

Entra X1 y sale A1:

Entra h2 y sale h2:

Entra X2 y sale A2:

Y una vez llegado hasta aqu, observamos que los rendimientos son mayores o iguales
a 0 y estamos minimizando, lo cual hemos alcanzado el ptimo, donde se fabricarn:
X1 = 8 unidades del producto Z
X= 10 unidades del producto W.
Coste = 3.00 u.m

Anlisis #1 Greilys Abad

El enfoque de este tema es, conocer los fundamentos del Mtodo Simplex como
un apoyo para interpretar la solucin ptima, que es la solucin matemtica que da
la computadora. Para lograr esto, se presenta la metodologa que sigue el Mtodo
Simplex en la solucin manual de problemas de Programacin Lineal ya sean de
maximizacin o de minimizacin.
El Mtodo Smplex se utiliza como una herramienta de programacin lineal fue
desarrollado para la poca de los aos cuarenta por George Dantzing, un joven
matemtico.
Adems de ser eficiente, dicho mtodo tiene otras ventajas. Es completamente
mecnico (se utilizan matrices, operaciones elementales sobre renglones y aritmtica

bsica). Asimismo, no implica el uso de geometra. Esto permite resolver problemas

de programacin lineal que tiene cualquier nmero de restricciones y variables.
Las tcnicas de investigacin de operaciones son herramientas tiles para la toma
de decisiones. En su mayora son tcnicas de optimizacin y entre ellas se encuentra
la simulacin de sistemas. Diversos investigadores coinciden en que la simulacin,
como tambin suele ser referida, est en el grupo de las tcnicas cuantitativas ms
usadas en el mundo real, junto con la programacin matemtica y la estadstica.
Anlisis #2 Ana Padilla
El objetivo de este tema es conocer ms acerca del mtodo simplex ya que este es
un procedimiento iterativo que permite ir mejorando la solucin a cada paso. Es un
procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso
concluye cuando no es posible seguir mejorando ms dicha solucin. Partiendo del
valor de la funcin objetivo en un vrtice cualquiera, el mtodo consiste en buscar
sucesivamente otro vrtice que mejore al anterior. La bsqueda se hace siempre a
travs de los lados del polgono o de las aristas del poliedro, si el nmero de
variables es mayor. Cmo el nmero de vrtices (y de aristas) es finito.
La razn matemtica de esta mejora radica en que el mtodo consiste en caminar
del vrtice de un poliedro a un vrtice vecino de manera que aumente o disminuya
(segn el contexto de la funcin objetivo, sea maximizar o minimizar), dado que el
nmero de vrtices que presenta un poliedro solucin es finito siempre se hallar
solucin.
Anlisis #3 Diolibeth Delgado
Hasta ahora se han resuelto problemas de programacin lineal a travs de un mtodo
geomtrico. Este mtodo no resulta prctico cuando el nmero de variables se
aumenta a tres, y con ms variables resulta imposible de utilizar. Ahora se examinar

una tcnica diferente, el mtodo simplex, cuyo nombre est asociado en anlisis ms
avanzados a un objeto geomtrico al que se denomina simplex.
El mtodo simplex comienza con una solucin factible y prueba si es o no ptima. Si
no lo es, el mtodo sigue a una mejor solucin. Se dice mejor en el sentido de nueva
solucin no es ptima, entonces se repite el procedimiento. En algn momento el
mtodo simplex conduce a una solucin ptima, si es que existe.
Adems de ser eficiente, dicho mtodo tiene otras ventajas. Es completamente
mecnico (se utilizan matrices, operaciones elementales sobre renglones y aritmtica
bsica). Asimismo, no implica el uso de geometra. Esto permite resolver problemas
de programacin lineal que tiene cualquier nmero de restricciones y variables.
El mtodo constituye una forma sistemtica y de bsqueda intensiva a travs de
todas las posibles soluciones para obtener una solucin ptima. Ello resulta de gran
utilidad debido a su eficiencia. Adems es fcil programarlo en una computadora. En
contraste con el anlisis grfico, este mtodo permite el uso de muchas variables.
Tambin permite la aplicacin de cantidades de restricciones lineales con signos;
mayores e igual, menores e igual y de igualdad. En comparacin con el mtodo
grfico, el mtodo simplex tiene como punto de partida el origen siendo este la
solucin inicial al problema. El mtodo prueba todos los puntos extremos grficos
aunque no necesariamente se detiene en todos los vrtices. Por otro lado utiliza el
concepto de lgebra de matrices en una serie de tablones.
Los tipos de optimizacin son: objetivo maximizacin y objetivo de minimizacin
Normalizacin de las restricciones

Restriccin de tipo ""

Restriccin de tipo ""
Restriccin de tipo "="
Variables de holgura y exceso
Variable artificial / mtodo de la "m"