Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Capitulo 7 METODO SIMPLEX PDF
Capitulo 7 METODO SIMPLEX PDF
Solucin FEV adyacente: Para cualquier problema de programacin lineal con n variables
de decisin, dos soluciones FEV son adyacentes entre si, si comparten (n-1) fronteras de
13
Ctedra: Produccin I
Captulo 7. Programacin lineal. Mtodo Simplex
Una razn para analizar las soluciones FEV adyacentes es la siguiente propiedad
general de las soluciones, que proporciona una manera muy til de verificar si una solucin
FEV es una solucin ptima.
Prueba de optimalidad: Considere cualquier problema de programacin lineal que posea
al menos una solucin optima. Si una solucin FEV no tiene soluciones FEV adyacentes
que sean mejores (segn el valor de Z), entonces esa debe ser una solucin ptima.
De esta manera por ejemplo (2,6) debe ser optima simplemente porque su valor
correspondiente de Z = 36 es ms grande que Z = 30 para (0,6) y Z = 27 para (4,3). Esta
prueba de optimalidad se usa en el mtodo Simpex para determinar cuando se ha llegado a
una solucin ptima.
2. Solucin del ejemplo por el mtodo Simplex desde un punto de vista geomtrico.
Veamos como se resuelve el problema de la W Glass utilizando el mtodo Simplex
desde un punto de vista geomtrico. Los pasos son los siguientes:
Paso inicial: Elija (0,0) como solucin FEV inicial para examinarla.
Prueba de optimalidad: concluya que (0,0) no es una solucin ptima, dado que las
soluciones FEV adyacentes son mejores.
Iteracin 1: Muvase a una solucin FEV adyacente mejor, (0,6), realizando los
siguientes pasos:
1) De las dos aristas que salen de (0,0), elija moverse a lo largo de la arista que
aumenta el valor de x2. (Con una funcin objetivo Z = 3x1 + 5x2, al aumentar el
valor de x2, al valor de Z crece mas rpido que si aumenta el valor de x1).
2) Detngase al llegar a la primera frontera de restriccin: 2x2 = 12 (si se mueve mas
lejos en esa direccin, saldr de la regin factible).
3) Obtenga la interseccin del nuevo conjunto de fronteras de restriccin: (0,6).
Prueba de optimalidad: concluya que (0,6) no es una solucin ptima. (existe una
solucin FEV adyacente mejor).
Iteracin 2: Muvase a una mejor solucin FEV, (2,6), realizando los siguientes pasos:
1) De las dos aristas que salen de (0,6) elija moverse a la derecha (moverse a lo largo
de esta arista aumenta el valor de Z).
2) Detngase al encontrar la primera frontera de restriccin en esa direccin:
3x1+2x2=12.
3) Obtenga la interseccin del nuevo conjunto de fronteras de restriccin: (2,6)
14
Ctedra: Produccin I
Captulo 7. Programacin lineal. Mtodo Simplex
Si no lo es: Prueba de
Iteracin para optimalidad: Si lo es:
encontrar una Es ptima la Termina
solucin FEV mejor. solucin FEV
15
Ctedra: Produccin I
Captulo 7. Programacin lineal. Mtodo Simplex
Maximizar Z = 3x1+5x2
Sujeta a: x1 +x3 =4
2x2 +x4 = 12
3x1+2x2 +x5 = 18
xj 0, para j = 1,2,3,4,5
Paso inicial: Se eligen como variables no bsicas a x1 y x2, por lo tanto se igualan a cero.
El sistema de ecuaciones es:
(1) x1 +x3 =4
(2) 2x2 +x4 = 12
(3) 3x1+2x2 +x5 = 18
16
Ctedra: Produccin I
Captulo 7. Programacin lineal. Mtodo Simplex
Iteracin 1: Determinacin de donde detenerse (paso 2): esto nos dice cuanto aumentar
la variable bsica entrante x2 antes de detenerse
(1) x1 +x3 =4
(2) 2x2 +x4 = 12
(3) 3x1+2x2 +x5 = 18
con x1 = 0
x3 = 4
x4 = 12 - 2x2
x5 = 18 - 2x2
lo que buscamos es cuanto puede crecer x2 sin violar restricciones de no negatividad, as:
x5 = 18 - 2x2 0 x2 18/2 = 9
(1) x1 +x3 =4
(2) 2x2 +x4 = 12
(3) 3x1 +2x2 +x5 = 18
Para despejar Z, x2, x3 y x5, de este sistema de ecuaciones es necesario realizar algunas
operaciones algebraicas elementales, para reproducir el patrn de coeficientes de x4
(0,0,1,0) como los nuevos coeficientes de x2, Se pueden realizar cualquiera de los dos tipos
de operaciones algebraicas elementales:
1) Multiplicar (o dividir ) una ecuacin por una constante distinta de cero.
17
Ctedra: Produccin I
Captulo 7. Programacin lineal. Mtodo Simplex
(1) x1 +x3 =4
(2) x2 +1/2 x4 =6
(3) 3x1 - x4 +x5 =6
Como x1 y x4 son iguales a cero, las ecuaciones en esta forma llevan a la nueva solucin BF
(0,6,4,0,6), lo que da Z = 30. Lo que hemos utilizado para resolver las ecuaciones se conoce
como mtodo de eliminacin de Gauss-Jordan.
Por lo tanto la prueba del cociente mnimo indica que x5 es la variable bsica que sale.
El tercer paso es sustituir a x5 por x1 como variable bsica, se realizan operaciones
algebraicas en el sistema de ecuaciones actual para reproducir el patrn de coeficientes de
x5 (0,0,0,1) como los nuevos coeficientes de x1. Esto lleva al siguiente sistema de
ecuaciones:
(0) Z +3/2 x4 + x5 = 36
(1) x3 +1/3 x4 - 1/3x5 =2
(2) x2 +1/2 x4 =6
(3) x1 - 1/3 x4 + 1/3x5 =2
18
Ctedra: Produccin I
Captulo 7. Programacin lineal. Mtodo Simplex
Iteracin 1:
Paso 1: se determina la variable bsica entrante, seleccionando la variable con el
coeficiente negativo que tiene el mayor valor absoluto en la ecuacin (0). Se pone un
recuadro alrededor de la columna debajo de este coeficiente y se le da el nombre de
columna pivote. En la tabla, el coeficiente ms negativo es 5, de manera que x2 debe
convertirse en variable bsica.
Paso 2: Se determina la variable bsica que sale con la prueba del cociente mnimo.
Elegir los coeficientes de la columna pivote que son estrictamente positivos.
Dividir cada coeficiente entre el elemento del lado derecho en el mismo rengln.
Identificar el rengln que tiene el menor de estas razones.
19
Ctedra: Produccin I
Captulo 7. Programacin lineal. Mtodo Simplex
La variable bsica en ese rengln es la variable bsica que sale, entonces se debe
sustituir por la variable bsica entrante en la columna de la variable bsica de la
siguiente tabla.
Tabla 5.2. Aplicacin de la prueba del cociente mnimo para determinar la variable
bsica que sale.
Luego poner un recuadro en este rengln que se llama rengln pivote. El nmero
que se encuentra entre los recuadros se llama nmero pivote.
La variable bsica que sale es x4, y x2 sustituye a x4 en el rengln 2, como se indica
en la tabla 5.3.
20
Ctedra: Produccin I
Captulo 7. Programacin lineal. Mtodo Simplex
Tabla 5.4. Tabla Simplex despus de dividir el primer rengln pivote entre el primer
numero pivote y luego de las operaciones con renglones.
Para el paso 3, se divide el rengln pivote (rengln 3) entre el numero pivote 3. Despus, se
suma al rengln (0) el nuevo rengln 3 multiplicado por 3. Luego, se resta el nuevo rengln
3 del rengln 1. En la tabla 5.5. se tiene ahora la nueva tabla Simplex.
21
Ctedra: Produccin I
Captulo 7. Programacin lineal. Mtodo Simplex
22
Ctedra: Produccin I
Captulo 7. Programacin lineal. Mtodo Simplex
como en la ecuacin (3) no hay variable de holgura para usar como variable bsica inicial y
obtener la BF inicial, habr que construir un problema artificial que tenga la misma
solucin ptima que el problema real.
Se aplica la tcnica de la variable artificial: se introduce una variable artificial en la
ecuacin (3) como si fuera una de holgura:
Donde M representa un nmero positivo muy grande. (Este mtodo que fuerza a X5 a llegar
hasta cero, se conoce como mtodo de la M).
Antes de aplicar el mtodo Simplex, se debe convertir la ecuacin (0) en una forma
apropiada (se debe eliminar X5 de la ecuacin 0). Para hacer esto se resta de la ecuacin (0)
la ecuacin (3) multiplicada por M.
6.2. Minimizacion.
En lugar de cambiar las instrucciones del mtodo Simplex para este caso, se puede
convertir de una manera sencilla cualquier problema de minimizacion, en un problema de
maximizacion de la siguiente manera:
Minimizar Z = cj xj
Es equivalente a.
Maximizar -Z = (-cj) xj
0.6 x1 + 0.4 x2 6
23
Ctedra: Produccin I
Captulo 7. Programacin lineal. Mtodo Simplex
3) Una variable artificial X6, igual que para las restricciones de igualdad.
7. Anlisis Posoptimo.
El anlisis posoptimo es el anlisis que se hace despus de obtener una solucin
ptima para la versin inicial del modelo.
7.1. Precios sombra: Los problemas de programacin lineal se pueden interpretar como la
asignacin de recursos a las actividades, en particular cuando las restricciones funcionales
son de la forma y las bi (los lados derechos) se interpretaron como la cantidad de los
respectivos recursos disponibles para las actividades bajo estudio.
Ahora la gerencia desea evaluar el efecto de cambiar cualquiera de los valores de las
bi. Para realizar esto se definen los precios sombra, que miden la tasa a la que Z puede
aumentar si se incrementa (un poco) la cantidad que se proporciona de este recurso. El
mtodo Simplex, identifica este precio sombra como el coeficiente de la iesima variable de
holgura en el rengln (0) de la tabla Simplex final.
De esta manera los precios sombra para nuestro ejemplo son:
y1* = 0 (precio sobra del recurso 1)
y2* = 3/2 (precio sobra del recurso 2)
y3 * = 1 (precio sobra del recurso 3)
Como estamos trabajando con dos variables de decisin, estos nmeros se pueden
verificar grficamente, si se observa que un incremento individual de 1 en cualquier bi,
aumentara el valor de Z en yi*. Por ejemplo en la figura 7.1 se muestra este incremento
para el recurso 2 al volver a aplicar el mtodo grfico que se presento anteriormente. La
solucin optima (2,6) con Z = 36, cambia a (5/3, 13/2) con Z = 37.5 cuando b2 aumenta en
1 (de 12 a 13); de manera que y2* = 3/2 = Z = 37.5 36.
24
Ctedra: Produccin I
Captulo 7. Programacin lineal. Mtodo Simplex
Como Z se expresa en miles de dlares por semana, y2* = 3/2 indica que si se
agrega una hora mas de tiempo de produccin a la semana en la planta 2 para estos
nuevos productos, la ganancia total aumentara en $1500 a la semana. debe hacerse
esto?. Depende de la ganancia marginal de otros productos que por el momento usan ese
tiempo de produccin. Si existe un producto actual que contribuye con menos de $1500 de
la ganancia semanal por una hora de produccin a la semana en la planta 2, entonces
valdra la pena algn cambio en la asignacin del tiempo de produccin a los nuevos
productos.
Figura 7.1. La grfica muestra que el precio sombra es y2* = 3/2 para el recurso 2
en el ejemplo.
25
Ctedra: Produccin I
Captulo 7. Programacin lineal. Mtodo Simplex
manera, si el valor que se utiliza para los bi es una estimacin de la cantidad de recurso que
se tendr disponible, los valores de bi que se debern controlar con sumo cuidado son
aquellos precios sombra positivos, en especial aquellos que tengan precios sombra grandes.
Cuando el problema tiene dos variables, la sensibilidad de los distintos parmetros
se puede analizar con una grfica. Por ejemplo en la figura 7.2 se puede observar que c1= 3
puede cambiar a cualquier valor dentro del intervalo 0 a 7.5 sin que cambie la solucin
optima (2,6). Esto se debe a que cualquier valor de c1 dentro de ese intervalo mantiene la
pendiente de Z = c1x1 + 5x2, entre las pendientes de las lneas 2x2 = 12, y 3x1 +2x2 = 18.
De la misma manera si c2 = 5, es el nico parmetro que se cambia, puede tomar
cualquier valor mayor que 2 sin que afecte a la solucin optima. Entonces ni c1 ni c2 son
parmetros sensibles.
26