INSTITUTO TECNOLGICO DE TIJUANA

Apuntes de:

INVESTIGACIN DE OPERACIONES I

Noviembre del 2003

 INVESTIGACUION DE OPERACIONES I

UNIDAD I : METODOLOGA DE INVESTIGACION DEOPERACIONES

1.1 Definicion, desarrolloy tipos demodelos dela I.O.

1.2 Fases de estudio de la I.O.
1.3 Principales aplicaciones de la I.O. Y su aplicacin practica.

UNIDAD II : FORMULACION DE MODELOS

2.1 Formulacion de problemas lineales.

2.2 Enfoque insumo-producto.
2.3 Formulacion de problemas mas comunes.

EJEMPLOS: Dieta, inversin, transporte, mezcla, recorte, asignacin, reemplazo y ruta mas
corta.

UNIDAD III: EL METODO SIMPLES.

3.1 Solucion grafica de un problema lineal.

3.2 Solucion grafica de un problema lineal
Puntos extremos y optimalidad.
Tipos de soluciones.
3.3 Teoria del metodo de Simples.
3.4 Solucion basica factible, solucion basica factible mejorada.
3.5 Forma tabular del metodo simples.
3.6 Metodo de la M grande.
3.7 Metodo de doble fase.

UNIDAD IV : TEORIA DE LA DUALIDAD

4.1 Formulacion del problema dual.

4.2 Relacion Primal-Dual.
4.3 Interpretacion economica del Dual.
4.4 Dual Simples.

UNIDAD V : ANLISIS DE SENSIBILIDAD

5.1 Cambios en el Vector de Costos C.

Cuando Xj de Cj es basica.
Cuando Xj de Cj no es basica.
5.2 Cambios en las restricciones
5.3 Cambios en los coeficientes de aij de A
 Cuando Xj de a (i,j) es basica.
Cuando Xj de a (i,j) no es basica.
5.4 Adicion de una nueva variable.
5.5 Adicion de una restriccin.

UNIDAD VI : TRANSPORTE Y ASIGNACIN

6.1 Definicion del Modelo de Transporte.

6.2 El Metodo de la Esquina Noroeste.
6.3 El Metodo del Costo Minimo.
6.4 El Metodo de Aproximacin de Vogels.
6.5 Definicion del problema de Asignacin.
6.6 El Metodo Hngaro.

UNIDAD VII : EL METODO KARMARKAR

Antecedentes
Algoritmo del punto interior
El concepto de gradiente
Manejo del algoritmo de Karmarkar.
 Visin Misin

Ser un centro armnico de educacin superior,
postgrado y de investigacin tecnolgica de clase
mundial, que forme profesionales de excelencia,
altamente capacitados para responder al entorno
global y que sean agentes de cambio comprometidos en
fortalecer los valores de la sociedad.
Mantener un espritu permanente de superacin y ser
promotor del cambio social, formar profesionistas
emprendedores con calidad, pertinencia y equidad,
comprometidos e integrados al desarrollo de Mxico;
articular en el servicio educativo tecnolgico, la docencia, la
investigacin y el extensionismo; Fomentar la contribucin
responsable para satisfacer las necesidades de los sectores
productivo y de servicios, mediante la incorporacin de
procesos de alta tecnologa

LEMA:
Por una Juventud Integrada al Desarrollo de Mxico

MEMORIA
INVESTIGACIN DE OPERACIONES
Maestra:
Ing. Alejandra Arana Lugo.
Nombre:
Crdenas Buenrostro Maria de los ngeles

Tijuana B. C. 10 de Diciembre del 2003.

 UNIDAD 1 : METODOLOGIA DE LA INVESTIGACION DE
OPERACIONES

1.1. DEFINICIN, DESARROLLO Y TIPOS DE MODELOS DE LA I.O.

DEFINICIN DE INVESTIGACIN DE OPERACIONES: Se puede definir

como el mtodo cientfico aplicado a la solucin de problemas y a la toma de
decisiones por la gerencia, que abarca todos estos adjetivos.

La investigacin de operaciones utiliza el mtodo cientfico especficamente, el

proceso comienza con la observacin cuidadosa y la formulacin del problema.
El siguiente paso es construir un modelo cientfico 8 tpicamente matemtico o
por simulacion9 que trate de abstraer la esencia del problema real.

La Investigacin de Operaciones intenta encontrar la solucin mejor u optima

del problema en consideracin.

DESARROLLO DE LA I.O : Es posible identificar por lo menos dos factores

que contribuyeron significativamente al rapido crecimientop de la investigacin
de operaciones. Uno fue el proceso sustancial que se logro al desarrollar y
mejorar las tcnicas disponibles de la investigacin de operaciones.

Un ejemplo es el mtodo simplex para resolver problemas de programacin

lineal y que fue desarrollado en 1947 por el matemtico Jorge Dantzing. El
segundo factor en el proceso impresionante de la investigacin de operaciones
fue el desarrollo paralelo del computador digital. Este le proporciono al
tomador de decisiones tremenda capacidad en velocidad de cmputo y
almacenamiento y retiro de informacin. Si no fuera por el computador digital
la investigacin de operaciones no hubiera crecido a nivel de hoy DIA.

Hasta 1960 la mayora de los enfoques formales en la toma de decisiones en la

industria eran aplicados a casos especiales bien delineados a problemas
operacionales repetitivos tales como los de control de produccin y asignacin
de recursos. Desde 1960 se han venido aplicando cada vez mas enfoques
formales o problemas de plantacin menos estructurados parcialmente y como
resultado de esto ha surgido una tecnologa basada en los conceptos de teora
de decisin, llamada anlisis de decisin que consiste en crear una estructura
lgica en el razonamiento en que se basa cualquier decisin.

As, l termino Investigacin de operaciones como es utilizado abarca todos los

problemas administrativos que se pueden tratar tanto por los conceptos y
tcnicas convencionales de investigacin de operaciones como tambin por el
anlisis de decisin.

IMPACTO: La investigacin de operaciones ha tenido un impacto impresionante

en el mejoramiento de la eficiencia de numerosas organizaciones en todo el
mundo.

Definicin de Churchman, Ackoffy Arnoff

La investigacin de operaciones es la aplicacin por grupos interdisciplinarios

del mtodo cientfico a problemas relacionados con el control de las
organizaciones o sistemas (hombre-maquina) a fin de que se produzcan
soluciones que mejor sirvan a los objetivos de toda la organizacin.

DESARROLLO DE LA INVESTIGACIN DE OPERACIONES

Aunque originalmente no se llamo as, la investigacin de operaciones es muy

antigua. Sus principales races han crecido mas recientemente por dos razones
la primera es la necesidad del estudio cientfico de los problemas de
administracin y la segunda se relaciona con la oportunidad de que los hombres
de ciencia atacaran los problemas militares durante la segunda guerra mundial.}

Sus inicios se retomaron a los aos de 1759 cuando el economista Quesnay

empieza a utilizar modelos primitivos de programacin matemtica. Mas tarde
otro economista de nombre Walras, hace uso en 1874 de tcnicas similares.
Los problemas de distribucin se estudian por el ruso Kantorovich en 1939,
nace la teora de juegos y preferencias. Hasta la segunda guerra mundial
cuando la I.O empez a tomar auge.

Actualmente la I.O. no solo se aplica en el sector privado sino tambin en el

sector de servicio publico tanto en los pases desarrollados como en los pases
del tercer mundo.
TIPOS DE MODELOS DE INVESTIGACIN DE OPERACIONES

MODELOS ICONICOS: Es una representacin fsica de algunos

objetos ya sea en forma idealizada o en escala distinta.

MODELOS ANALOGICOS: Puede representar situaciones dinamicas y

se usan mas que los iconicos, porque pueden mostrar las caractersticas
del conocimiento que se estudia.

MODELOS SIMBOLICOS O MATEMTICOS: Nos interesan

principalmente los modelos simbolicos que son verdaderas
representaciones de la realidad y toman la forma de cifras, smbolos y
matemticas. Comienzan como modelos abstractos que formamos en
nuestra mente y luego se registran como modelos simblicos.

TIPOS DE MODELOS MATEMTICOS

Cuantitativos y Cualitatatvos.

Estndar y hechos a la medida.

Probabilistico y Deterministico.

Descriptivos y de Automatizacin.

Estticos y Dinmicos.

Simulacin y no Simulacin.
 En el proceso, la investigacin de operaciones ha hecho contribuciones
significativas al incremento de la productividad dentro de la economa de
varios pases. Hay ahora mas de 30 pases que son miembros de la
International Federation Operational Research Societies ( IFORS) , en la que
cada pas cuenta con una sociedad de Investigacin de Operaciones.

Sin duda el impacto de la investigacin de operaciones continuara

aumentando. Por ejemplo, al inicio de la dcada de los 90 el U.S. Bureau Of
Labor Statics predijo que la I.O. seria el rea profesional clasificada como la
tercera de ms rpido crecimiento para los estudiantes universitarios en E.U.
graduados entre 1990 y el 2005.

Para una mejor idea de la I.O. se describir en sus principales

aplicaciones.

TIPOS DE MODELOS DE INVESTIGACIN DE OPERACIONES

1. MODELO MATEMTICO : se utiliza en la mayoria de las aplicaciones

de la investigacin de operaciones, se supone que la funcion objetivo y
las retricciones del modelo s puden expresar en forma cuantitativa
o matemtica como funciones de la variable de decisin. En este caso
decidimos que tratamos con un modelo matemtico.

Aun cuando los modelos matemticos son la piedra angular de la mayor parte de
los estudios de la I.O. en la solucin de problemas de toma de decisiones hay
algo mas que la construccin y la solucin del modelo matemtico.

De manera especifica los problemas decisin por lo comn incluyen importantes

factores intangibles, que tal vez no son fcilmente cuantificables. El principal
entre estos factores es la presencia del elemento humano en la mayor parte de
los ambientes de toma de decisiones. De hecho, se han reportado situaciones
de decisiones donde el efecto de la conducta humana han influido a tal grado
en el problema de decisiones, que la solucin obtenida del modelo matemtico
se considera impracticable.

Por desgracia pese a los adelantos impresionantes en la representacin por

modelos matemticos un numero apreciable de las situaciones reales siguen
estando fuera del alcance de las tcnicas matemticas de que se dispone en el
presente.

Un enfoque diferente a la representacin por medio de modelos (complejos)

consiste en utilizar la simulacin.

2. MODELO DE SIMULACIN: A diferencia de los modelos

matemticos en los modelos de simulacin las relaciones entre la
entrada y la salida no se indica de forma explicita, en cambio, un
modelo de simulacin divide el sistema representado en mdulos
bsicos o elementales que despus se alcanzan entre s va relaciones
lgicas bien definidas( en la forma de s / entonces) . Por lo tanto,
partiendo del modulo de entrada las operaciones de calculo pasaron
de un modulo a otro hasta que se obtenga un resultado de salida.

Los clculos de simulacin aunque por lo comn son simples son excesivos. Por
consiguiente es impensable ejecutar un modelo de simulacin sin utilizar la
computadora.

Los modelos de simulacin son muchos ms flexibles en la representacin de

sistemas que sus equivalentes matemticos. La razn principal es que la
simulacin considera al sistema a un nivel elemental mientras que los modelos
matemticos tienden a representar al sistema desde un punto de vista ms
global.

DESVENTAJAS DEL MODELO DE SIMULACIN

El desarrollo de un modelo de simulacin por lo regular es costoso, tanto en

trminos de tiempo como de recursos.
Adems, la ejecucin de algunos modelos de simulacin incluso en las
computadoras ms rpidas puede ser lenta.
FASES DE ESTUDIO DE LA INVESTIGACIN DE OPERACIONES

Ackoff considera que las fases de estudio de un proyecto de investigacin de

operaciones son las siguientes:

A. Estudio de la organizacin.

B. Interpretacin de la organizacin como un sistema.

C. Formulacin de los problemas de la organizacin.

D. Construccin del modelo.

E. Prueba del modelo y sus soluciones.

F. Diseo de controles asociados a las soluciones.

G. Implantacin de las soluciones al sistema.

 APLICACIONES DE LA INVESTIGACIN DE OPERACIONES

La Investigacin de Operaciones se aplica tanto a problemas tcticos y

estratgicos ( problemas repetitivos en la naturaleza y que no requieren
entradas subjetivas) de la organizacin.

Los problemas tcticos tienen que ver con las actividades diarias de la
organizacin. Ejemplos: la programacin de produccin y el control de
inventarios, el balanceo de lneas de ensamble, en mantenimiento y reparacin
de las instalaciones, planes de inspeccin para el control e intervencin de
calidad y l numero de estaciones que atienden una cola.

Los problemas estratgicos tienen orientacin y una planeacin ms

global, apoyndose en las operaciones diarias de la organizacin en forma
indirecta. Ejemplos : el desarrollo de un programa a largo plazo para la
expansin de la planta, la seleccin de sitios para una planta, la determinacin
de posturas estratgicas para disuasin, asignacin de recursos para
exploracin del espacio, desarrollo de programas para ayudar al necesitado,
incrementar la educacin de minoras en desventaja y la promocin del
desarrollo urbano.

En realidad la investigacin de operaciones ha sido aplicada

extensamente en una diversidad de reas tales como:

1. Negocios.
2. Hospitales.
3. Industria.
4. Gobierno.
UNIDAD II : FORMULACION DE MODELOS

Maximizar

Optimizar
Minimizar

Max
Modelos
Funcin objetivo Recurso Matemticos
Min
Programacin
lineal.
(F. O.)

Restriccin
=

Variacin de Decisin
Es aquella informacin que nosotros andamos buscando
Ejenplo:
Materia prima madera
30X1---libros---uti1---C1
10X2---silla----uti2---C2
25X3escritorio---uti3C3
15X4---mesas------uti4---C4
150 ft mad.
F.O. Mx Z= UT1X1+UT2X2+UT3X3+UT4X4
Min Z=C1X1+C2X2+C3X3+C4X4

S. a.
30X1+10X2+25X3+15X4 150
Restriccin de No-Negatividad X1, X2, X3, X4 0

1.- La panadera Don Pedro produce dos tipos de pan: pan francs y pan
de masa fermentada. Se puede vender cada barra de pan francs a 36
centavos y cada pan fermentado a 30 centavos. Una barra de pan francs
requiere 1 paquete de levadura y 6 onzas de harina y un pan fermentado
requiere 1 paquete de levadura y 5 onzas de harina. Actualmente, la panadera
cuenta con 5 paquetes de levadura y 10 onzas de levadura. Se pueden comprar
paquetes adicionales de levadura a 3 centavos cada uno, y ms harina a 4
centavos/onza. Formule el problema como un modelo de programacin lineal que
se pueda utilizar para maximizar las ganancias de la panadera Don Pedro.

Pan Francs Pan de Masa Disponibilidad Compras

Fermentada Adicionales
Ventas 0.36 centavos 0.30 centavos
Levadura (pqt) 1 1 5 0.3 centavos
Harina (oz) 6 5 10 0.4 centavos

Utilidad = ingresos costos

X1= Nmero de unidades a hornear de pan francs.

X2= Nmero de unidades a hornear de pan fermentada.
X3= Cantidad de levadura adicional.
X4= Cantidad de harina.

Ingresos = 0.36 X1 + 0.3O X2

Costos = 0.3 X3 + 0.4 X4

Max Z = 0.36X1 + 0.30X2 0.30X3 - 0.4X4

S. a.

X1 +X2 - X3 5
6X1 + 5X2 X4 10
X1, X2, X3, X4 0

2.- La embotelladora Del Valle produce una bebida de sabor a naranja.

Cada onza de refresco de naranja contiene 0.5 onzas de azcar y 1 mg. De
vitamina C. Cada onza de jugo de naranja contiene 0.25 onzas de azcar y 3 mg.
De vitamina C. A la embotelladora le cuesta 2 centavos producir una onza de
refresco de naranja y 3 centavos de onza de jugo de naranja. El departamento
de mercadotecnia de la embotelladora ha decidido que cada botella de 10 onzas
de la bebida. Debe contener por lo menos 20 onzas de vitamina C y a lo ms 4
onzas de azcar. Utilice la programacin lineal para determinar como la
embotelladora Del Valle puede satisfacer los requerimientos del departamento
de mercadotecnia, al menor costo.

Azcar Vitamina C Costo

Refresco de 0.5 oz. 1 mg $0.2
naranja
Jugo de 0.25 oz. 3 mg $0.3
naranja
Cada botella 4 oz 20 mg

X1 = Cantidad (oz.) de refresco de naranja/botella.

X2 = Cantidad (oz.) de jugo de naranja/botella.

Min Z = 0.2 X1 + 0.3 X2

S. a.

X1 + 3X2 20
0.5X1 + 0.25X2 4
X1 +X2 = 10

X1, X2 0

3.- Mi alimentacin requiere que todo lo que coma pertenezca a uno de

los cuatro grupos bsicos de alimentacin (pastel de chocolate, helado,
refrescos y pastel de queso). Actualmente, se dispone de los siguientes
alimentos para el consumo: bizcochos de chocolate y nueces, helado de
chocolate, cola y pastel de queso con pia, cada bizcocho cuesta 50 centavos,
cada bola de helado de chocolate, 20 centavos, cada botella de refresco de
cola, 30 centavos y cada pieza de pastel de queso con pia, 80 centavos, cada
da debo de ingerir por lo menos 500 caloras, 6 onzas de chocolate, 10 onzas
de azcar y 8 onzas de grasa. El contenido nutritivo por unidad de cada
elemento se muestra en la siguiente tabla:

Caloras Chocolate Azcar Grasa Precio Costo

(onzas) (onzas) (onzas)
Bizcochos 400 3 2 2 50 0
Helado de 200 2 2 4 20 60
chocolate
(1 bola)
Refresco de 150 0 4 1 30 30
cola (1
botella)
Pastel de 500 0 4 5 80 0
quesom con
pia
Restricciones 500 6 10 8

Formule un modelo de programacin lineal que se puede utilizar para satisfacer

mis requerimientos diarios a un costo mnimo.
X1: Cantidad (oz) de bizcochos por da.
X2: Cantidad (oz) de helado de chocolate.
X3: Cantidad (oz) de refresco de cola.
X4: Cantidad (oz) de pastel de queso.

Min Z= 50X1+20X2+30X3+80X4
s. a.
400X1+200X2+150X3+5000X4 500
3X1+2X2 6
2X1+2X2+4X3+4X4 10
X1, X2, X3, X4 0

4.- Una compaa automotriz produce automviles y camiones. Cada vehculo

tiene que pasar por un taller de pintura y por un taller de montaje de
carrocera. Si el taller de pintura pintara solamente camiones, se podran
pintar 40 camiones al da. Si el taller de pintura pintara solamente automviles,
se podran pintar 60 automviles diariamente. Si el taller de carrocera
produjera solamente automviles, podra fabricar 50 automviles al da. Si el
taller de carrocera produjera solamente camiones, podra fabricar 50
camiones al da. Cada camin aporta 300 dlares a la utilidad, y cada automvil,
200. Formule un modelo de programacin lineal para determinar la produccin
diaria que maximizar la ganancia de la compaa.

Pintura Carrocera Utilidad

Camiones 40 50 300
Automviles 60 50 200

X1 = Cantidad de automviles de producir.

X2 = Cantidad de camiones de producir.

Max Z = 200X1 +300X2

S. a.

1/60X1 + 1/40X2 1

1/50X1 + 1/50X2 1

X1, X2 0

5.- Hay tres fabricas a lo largo del Ro Tijuana (fabrica 1, 2, 3). Cada fabrica
descarga 2 tipos de contaminantes ( contaminante 1 y 2) en el ro. Se puede
reducir la contaminacin del ro si se procesan los desechos de cada fabrica. El
proceso de una tonelada de desechos de la fabrica 1, cuesta 15 dlares y cada
tonelada de desechos procesados de la fabrica 1 reducir la cantidad de
contaminante 1 en 0.10 toneladas y la cantidad de contaminante 2 en 0.45
tonelada. El proceso de una tonelada de desechos de la fabrica 2, cuesta 10
dlares y el procedimiento de una tonelada de desechos de la fabrica 2
reducir la cantidad de contaminante 1 en 0.20 toneladas y del contaminante 2
0.05 toneladas. El proceso de desechos de una tonelada de la fabrica 3 cuesta
10 dlares y cada tonelada de desechos de la fabrica 3 reducir la cantidad de
contaminante 1 en 0.40 tonelada y la cantidad de contaminante 2 en 0.30
tonelada. El estado quiere reducirla cantidad de contaminante 1 en el ro en por
lo menos 30 toneladas y del contaminante 2 en por lo menos 40 toneladas.
Formule un problema de programacin lineal para minimizar el costo de reducir
la contaminacin en las cantidades deseadas.

Contaminante 1 Contaminante 2 Proceso 1 ton

Fabrica 1 0.10 ton 0.45 ton 15 pesos
Fabrica 2 0.20 ton 0.25 ton 10 pesos
Fabrica 3 0.40 ton 0.30 ton 20 pesos
Reduccin 30 ton 40 ton

Contaminante 1 por lo menos 30 ton

Contaminante 2 por lo menos 40 ton

X1 = Cantidad de toneladas que se desechan de la fabrica 1.

X2 = Cantidad de toneladas que se desechan de la fabrica 2.
X3 = Cantidad de toneladas que se desechan de la fabrica 3.

Min Z = 15X1 + 10X2+ 20X3

S. a.

0.10X1 + 0.20X2 + 0.40X3 30

0.45X1 + 0.25X2 + 0.30X3 40

X1, X2, X3 0
6.- el granjero Juan tiene que determinar cuantos acres de maz y trigo
hay que sembrar este ao. Un acre de trigo produce 25 sacos de trigo y
requiere 10 horas semanales de trabajo. Un acre de maz produce 10 sacos de
maz y requiere 4 horas semanales de trabajo. Se puede vender todo el trigo a
4 dlares el saco y todo el maz a 3 dlares el saco. Se dispone de 7 acres y de
40 horas semanales de trabajo. Disposiciones gubernamentales especifican una
produccin de maz de por lo menos 30 sacos durante el ao en curso. Sea X1 el
nmero de acres con maz y X2 el nmero de acres con trigo. Formule un de
programacin lineal, que maximize el ingreso total por la produccin de maz y
trigo para el granjero Juan.

Acres Horas Venta Produccin

Maz 10 sacos 4 3 dll/saco 30 sacos

hr/semana
Trigo 25 sacos 10 4 dlls/saco
hr/semana

Dispone de 7 acres
40 horas semanales de trabajo
produccin de maz: 30 sacos.

X1 = Nmero de acres con maz

X2 = Nmero de acres de trigo.
Max Z = (10)(3)X1 + (25)(4)X2

S. a.

X1 + X2 7
4X1 + 10X2 40
10X1 30

X1, X2 0

7.- una compaa tiene tres tipos de mquinas procesadoras, cada una de
diferente velocidad y exactitud, la de tipo 1 puede procesar n20 piezas/hora
con una precisin del 99%, la del tipo 2, 15 piezas/hora con una precisin del
95% y la del tipo 3, 10 piezas/hora con una precisin del 100%. El
funcionamiento del tipo 1 cuesta $2/hora de la de tipo 2, $1.75/hora y la de
tipo 3, $1.50/hora. Cada da de 8 horas deben procesarse por lo menos 3500
piezas y hay disponibles 8 mquinas del tipo 1; 10 mquinas del tipo 2 y 20 del
mquinas del tipo 3. Cada error le cuesta a la compaa $1.00. formule el
problema como un modelo de programacin lineal.

Piezas/hora Precisin Costos Disponibilidad

Maquina 1 20 99% $2 dlls 8
9 Maquina 2
5
%
$
1
.
7
5

d
l
l
s
1
0
1 Maquina 3
0
0
%
$
1
.
5
0
2
0
1
5
10

Pieza defectuosa $1.00

Cada da de 8 hrs. 3500 piezas.

X1 = Nmero de maquinas 1 a utilizar.

X2 = Nmero de maquinas 2 a utilizar.
X3 = Nmero de maquinas 3 a utilizar.

Costo por hora por tipo de maquina.

Maquina 1 = 2 + 20*0.01*1 = 2.2
Maquina 2 = 1.75 + 15*0.05*1 = 2.5
Maquina 3 = 1.50 + 10*0 = 1.50

Capacidad de produccin
Maquina 1 = 20*99 =19.8 pzas/hr.
Maquina 2 = 15*95 = 14.25 pzas/hr.
Maquina 3 = 10*1 = 10 pzas/hr.
Min Z = 2.2X1 + 2.5X2 + 1.50X3

S.a.

X1 8
X2 10
X3 20
19.8X1 + 14.25X2 + 10X3 3500/8

X1, X2, X3 0
 8.- en dos mquinas se pueden procesar sucesivamente cuatro productos.
En la siguiente tabla se muestran las horas de manufactura para cada unidad
de producto en ambas mquinas. El costo total de produccin por unidad de
producto, esta basado sobre el tiempo de mquina.

Producto
Maquina 1 2 3 4
Hrs/unid
1 2 3 4 2
2 3 2 1 2

Suponga que el costo por hora para la mquina 1 es de $18 y para la

mquina 2, de $25.

El presupuesto total en horas para todos los productos en la mquina 1

es de 300 y para la mquina 2 es de 680 horas. El precio de venta por unidad
para los productos 1, 2, 3 y 4 son $30, $40, $75 y $25, respectivamente.
Formule el problema como un modelo de programacin lineal indicando el
significado de las variables de decisin.

Xij : Cantidad de producto j a elaborar de maquina i.

i: Numero de maquinas.
j: Numero de productos.

Max Z = [20 (X11+X21) + 40 (X12+X22) + 75(X13+X23) + 25 (X14+X24)]-

[18(X11+X12+X13+X14) + 25(X21+X22+X23+X24)]

S. a.

2X11 + 3X12 + 4X13 + 2X14 300

3X21 + 2X22 + X23 + 2X24 680

Xij 0
i =1, 2
j =1, 2, 3, 4
 9.- Un fabricante de muebles desea determinar cuantas literas, mesas,
camas o cocinas debe hacer para optimizar el uso de sus recursos disponibles.
Dichos productos utilizan dos tipos diferentes de madera: se dispone de 750
mts. De madera del primer tipo y 900 del segundo. Se dispone tambin de 800
Horas- Hombre, en total para hacer todo el trabajo.

Por sus pronsticos de venta y sus ordenes atrasados se sabe que

forzosamente debe fabricarse al menos 60 literas, 95 mesas, 55 camas y no
ms de 60 cocinas. La cantidad de cada uno de los productos, as como las
utilidades respectivas se dan en la siguiente tabla:

M
e
s
a
s
C
a
m
a
s
C
o
c
i
n
a
s
Madera tipo 1 1.5 0.3 2.7 3.6
(mts)Literas
Madera tipo 2 (mts) 0.6 0.9 1.2 0.3
Horas-Hombre 3.0 2.0 5.0 10.0
5Utilidad
0
1
5
0
5
5
0
120

Se desea obtener las mximas utilidades posibles. Planear

matemticamente el problema como un modelo de programacin lineal.

Literas 60
Mesas 95
Camas 55
Cocinas 60

X1 = Numero de literas a producir.

X2 = Numero de mesas a producir.
X3= Numero de camas a producir.
X4 = Numero de cocinas a producir.

Max Z = 120X1 + 50X2 + 150X3 + 550X4

S. a.

15X1 + 0.3X2 + 2.7X3 + 3.6X4 750

0.6X1 + 0.9X2 + 1.2X3 + 0.3X4 900
3.0X1 + 20X2 +5.0X3 + 10.0X4 800
X1 60
X2 95
X3 55
X4 60
X1, X2, X3, X4 0
 10.-La compaa chocolatera la abuelita encarga a su departamento de
produccin que minimice el desperdicio del sobrante en las tiras de chocolate
que resulta en la fabricacin de tablillas. Los tamaos de las tablillas para los
diferentes precios son:

Cantidades necesarias
Tipo 1: 2cm x 7 cm 20,000
Tipo 2: 2cm x 6 cm 16,000
Tipo 3: 2 cm x 5 cm 8,000

Dado que la maquinaria disponible fabrica tiras de un solo tamao: 2cm x

18 cm. Plantear el problema con un modelo de programacin lineal.

Xi = alternativas de corte Xi = 1,...7

X1 = T1+T2+T3 =0
X2=T2+T2+T2=0
X3=T1+T1=4
X4=T2+T2+T3=1
 X5=T3+T3+T3=3
X6=T3+T3+T1=1
X7=6T2+T2+T3=2

Min Z= 4X1+X4+3X4+X6+2X7

S. a.

X1+2X3+X620,000
X1+3X2+2X4+X716,000
X1+X4+3X5+2X4+2X78,000

Xi=0 i=1,...7

11.-La cervecera Cuahutemoc S. A. Desea conocer como distribuir su

producto a un costo mnimo de Monterrey, Tecate y Veracruz, a sus centros de
consumo en Culiacn, Torren, Puebla y Merida.

La siguiente tabla nos proporciona los datos de transporte, demanda y

disponibilidad.

De \ A Culiacn Torren Puebla Merida Capacidad

Monterrey 10 4 6 4 550
Tecate 8 5 3 3 310
Veracruz 4 3 4 3 250
Demanda 250 300 200 360

Formule un modelo de programacin lineal.

Xij = cantidad de unidades a enviar de la fuente i al destino j

i= 1, 2, 3
j= 1, 2, 3, 4
 Min Z= 10X11+4X12+6X13+4X14
8X21+5X22+3X23+3X24
4X31+3X32+4X33+3X24

S. a.

Capacidad
X11+X12+X13+X14550
X21+X22+X23+X24310
X31+X32+X33+X34250

Demanda
X11+X21+X31250
X12+X22+X32300
X13+X23+X33200
X14+X24+X34360

Xij0; i=1, 2, 3 y
j= 1, 2, 3, 4
12.- Una planta fabrica 2 tipos de partes de automvil, compra piezas
fundidas que maquilan taladran y pulen. Las capacidades se muestran en la
tabla siguiente:

Parte Capacidad de Maquilado Taladrado Pulido Costo Venta

A 25 pzas/hr. 28 pzas/hr. 35 pzas/hr. 2 dlls c/u. 5dlls
B 40 pzas/hr. 35 pzas/hr. 25 pzas/hr. 3 dlls c/u. 6 dlls
1Costos
4

d
l
l
s
/
h
r
1
7
.
5
0

d
l
l
s
/
h
r
20 dlls/hr

Las piezas fundidas para la parte A $2 dlls c/u para la parte B $3 dlls y
se vende a 5 y 6 dlls respectivamente los costos de operacin de los tres
departamentos son 20 dlls, 14 dlls 17.50 dlls por hora. Suponiendo que se
puede vender cualquier cantidad A, B cual es la mezcla de productos y
maximiza.

X1=Piezas a producir de la parte A.

X2=Piezas a producir de la parte B.

Parte A

Costo =20/25=0.8 Costo de operacin=1.8

14/28=0.5 dlls/pza
17.50/35=0.5

parte B
costo=20/40=0.5 Costo de operacin=1.6
14/35=0.4 dlls/pza
17.50/50=0.7

1.8 dlls/pza+costo de materia prima (2)=3.8 dlls/pza

1.6 dlls/pza+costo de materia prima=4.6 dlls/pza

UTILIDAD =ingreso-costo
A=5-3.8=1.2
B=6-4.6=1.4

max Z=1.2X1+1.4X2
S. a.

1/25X1=hrs+1/40X21
1/28X2=hrs+1/35X21
1/35X1+1/25X21

X1, X2 0
 13.-Mezclando dos liquidos A1 y A2, se desea fabricar un incecticida que
contenga por lo menos 50 unidades de S1, 25 S2, 20 de S3 por cada 100 litros,
donde S1, S2, S3 son sustancias necesarias para la efectividad del producto.
Cada unidad de A1 contiene una unidad de S1, 0.4 de S2 y 0.8 de S3, mientras
que cada unidad de A2 contiene 0.5 unidades de S1, 0.4 de S2 y 0 de S3. Si A1
cuesta 18 dlares por litro y A2 10 dlls/litro formular el problema como
programacin lineal que nos ayude a determinar las cantidades de A1 y A2 que
proporcione el insecticida a costo mnimo.

S1 S2 S3 Costo
0 A1
.
4
0
.
8
1
8

d
l
l
s
/
l
i
t
r
o
0 A2
.
4
0
1
0

d
l
l
s
/
l
i
t
r
o
1

u
n
i
d
.
Contenido
2
5
/
1
0
0
l
i
t
r
o
s

2
0
/
1
0
0
l
i
t
r
o
s
0
.
5

u
n
i
d
.
50/100litros

X1 =Cantidad de litros de A1 a utilizar.

X2 =Cantidad de litros de A2 a utilizar.

Min Z= 18X1+10X2

S. a.

X1+0.5X250/100
0.4X1+0.4X225/100
0.8X120/100

X1,X2 0
 14.-En una determinada empresa uno de los productos finales que se
fabrican tienen una especificacin de peso igual 150 gr. las dos materias primas
que se utilizan A tiene costo de 20 pesos/unidad y B 80 pesos/unidad se debe
usar por lo menos 14 unidades de B y no ms de 20 unidades de A cada unidad
de A pesa 5 gr. y cada unidad de B 10 gr. Cuanto se debe usar por cada tipo de
material por unidad si se desea minimizar el costo.

X1 =Unidades de producto A a utilizar.

X2= Unidades de producto B a utiliar.

Min Z= 20X1+80X2

S. a.

X120
X2 14
5X1+10X2=150

X1, X2 0
 15.- Un industrial desea determinar el programa optimo para 3 mezclas
distintas que se hacen con diferentes proporciones de cemento, arena y grava.
Las especificaciones de c/u de ellas son: la mezcla uno debe tener 50 % de
cemento como mnimo y 25 % de arena cuando ms; el kilogramo de esta mezcla
se vende a 5 dlls y de grava, el segundo tipo debe contener el 25 % de cemento
por lo menos y un 50 % de arena por lo ms, y por lo ms 25 % de grava y se
vende a 2.50 el kilogramo. Sin embargo estn restringidas las cantidades de
materia prima que puede conseguir el industrial las mximas cantidades por
pedidos son: 100,000 kg. De cemento, 100,000 kg. De arena 60,000 kg. De
grava cada kilogramo de cemento le cuesta 1.65, un kilogramo arena 1.25 y 1.35
kg. De grava. Determine cuantos kilogramos de cada mezcla se deben preparar
de manera que se obtengan las utilidades mximas.

MEZCLA CEMENTO ARENA GRAVA VENTA DE LA

MEZCLA
1 50% 25 5 dlls

2 25% 50 3.50dlls
3
1 Disponibilidad
0
0
,
0
0
0
6
0
,
0
0
0
1 Costo/kg

2
5
1
.
3
5
1
0
0
,
0
0
0

k
g
1.65

Xij= Cantidad a utilizar de componente i en la mezcla j

Xij=1,2,3

Max Z = 5[1.65(X11)+1.25(X21)+1.35(X31)]+3.50[-
1.65(X12)+1.25(X22)+1.35(X32)]+2.50-[1.65(X13)+1.25(X23)+1.35(X33)]

S. a.

X1150
X2125
X11+X21+X31=1
X1225
X220.50
X12+X22+X32=1
X13+X23+X33=1
X11+X12+X13100,000
X21+X22+X23100,000
X31+X32+X3360,000

Xij0; i=1,2,3 j=1,2,3

UNIDAD 3 : El METODO SIMPLEX

METODO GRAFICO
Ejemplo:

Esp. Convexo No convexo

Mx. Z = 10X1 + 12X2

S.a
2X1 + 3X2 1500
3X1 + 2X2 1500
X1 + X2 600
X1, X2 O
GRAFICA
X2

750

500

250
0 X1
-1 250 500 750
De 1
X1 = 0; X2 = 500 (0,500) 2*1 + 3*1 1500
X2 = 0; X1 = 750 (750,0) 5 1500

De 2
X1 = 0; X2 = 750 (0,750) 3*1 + 2*1 1500
X2 = 0; X1 = 500 (500,0) 5 1500

De 3
X1 = 0; X2 = 600 (0,600) 1*1 + 1*1 600
X2 = 0; X1 = 600 (600,0) 2 600

De 2 y 3 X1 + X2 = 600
2X1 + 3X2 1500 X1 + 300 = 600
(-3) X1 + X2 600 X1 = 600 - 300
X1 = 300
2X1 + 3X2 1500
-3X1 - 3X2 600
-X2 = -300
X2 = 300

Mx. Z = 10X1 + 12X2

1) 10 (0) + 12 (0) = 0
2) 10 (500) + 12 (0) = 5000
3) 10 (0) + 12 (500) = 6000
4) 10 (300) + 12 (300) = 6600

A (0,0) Z=0 Z Max = 6600 SOL. UNICA,

B (500,0) Z = 5000 X1 = 300 OPTIMA Y
C (0,500) Z = 6000 X2 = 300 FACTIBLE
D (300,300) Z = 6600
min. Z = 3X1 + 2X2
S.a
X1 + X 2 4
4X1 + 3X2 12
X1 + X 2 1
X1 + X 2 6
X1 , X 2 O
GRAFICA

X2

3
B
C 2
A 1
0 X1
-1 1 2 3 4 5 6
Restriccin redundante
De 1
X1 = 0; X2 = 4 (0,4) 1*1 + 1*1 4
X2 = 0; X1 = 4 (4,0) 24

De 2
X1 = 0; X2 = 4 (0,4) 4*1 + 3*1 12
X2 = 0; X1 = 3 (3,0) 7 12

De 3
X1 = 0; X2 = 1 (0,1) 1*1 + 1*1 1
X2 = 0; X1 = -1 (-1,0) 21

De 4
X1 = 0 ; X2 = 6 (0,6) 1*1 + 1*1 6
X2 = 0 ; X1 = 6 (6,0) 26
Max Z = 4X1 + 4X2
S.a
-2X1 + 2X2 2
-X1 + 2X2 4
X1, X2 O
GRAFICA

X2

X1
-4 -3 -2 -1 1 2

LA SOLUCION DEL SISTEMA NO ES ACOTADA

De 1
X1 = 0; X2 = 1 (0,1)
X2 = 0; X1 = -1 (-1,0)

De 2
X1 = 0; X2 = 2 (0,2)
X2 = 0; X1 = -4 (-4,0)
Mx. Z = 2X1 + 2X2
S.a

X1 + X 2 2
X1 + X 2 4
X1 , X 2 O

De 1
X1 = 0; X2 = 2 (0,2)
X2 = 0; X1 = 2 (2,0)

De 2
X1 = 0; X2 = 4 (0,4)
X2 = 0; X1 = 4 (4,0)

NO EXISTE ESPACIO SOLUCION

GRAFICA

X2

X1
2 4
Mx. Z = -3X1 + 6X2 GRAFICA

S.a 7
5X1 + 7X2 35
6
-X1 + 2X2 2
X1 , X 2 O 5

De 1 4

X1 = 0; X2 = 5 (0,5) 3
X2 = 0; X1 = 7 (7,0)
2
De 2
1
X1 = 0; X2 = 1 (0,1)
X2 = 0; X1 = -2 (-2,0)

-2 -1 1 2 3 4 5 6 7

Solucin

Z mx. = 6 o Z mx. = 6 A (0,0) Z = 0

X1 = 0 X1 = 56/17 B (0,1) Z = 6
X2 = 1 X2 = 45/17 C (7,0) Z = -21
D (56/17,47/17) Z = 6
SOLUCION MULTIPLE

5X1 + 7X2 35 5X1 + 7X2 = 35

(5) -X1 + 2X2 2 -5X1 + 10X2 = 10
17X2 = 45
X2 = 2.6
-X1 + 2(45/17) = 2
X1 = 56/17

Z mx. = 6
X1 = 0
X2 = 1
SOLUCION DEGENERADA
METODO SIMPLEX

Para aplicar el mtodo simplex el P.L. debe de estar en forma cannica.

Max. = nCj Xj
j=i
s.a
n
aij xi bi ; i = 1,2,m
j=i

xj 0 ; j = 1,2,m

Caractersticas

todas las variables de decisin deben de ser no negativas

todas las restricciones deben de ser de tipo menor
F.O debe de ser de tipo maximizar

Reglas para transformar a forma cannica

La minimizacin de una funcin fx es matemticamente equivalente a la

maximizacin negativa de esa funcin.

Min. f(x)= max. f(x)

Min z = C1 X1 + C2 X2 + +Cn xn
Max g0 - z - C1 X1 - C2 X2 - - Cn xn

Una desigualdad en una dileccin o puede ser combinado en una

desigualdad en la direccin opuesta o multiplicando ambos lados de la
desigualdad por -1

o o
(-1) a1 X1 + a2 X2 b (-1)
- a1 X1 - a2 X2 - b
 Una ecuacin puede ser remplazada por dos desigualdades en sentido
opuesto

a1 X1 + a2 X2 = b
a1 X1 - a2 X2 b
a1 X1 + a2 X2 b

Una restriccin o desigualdad con su lado derecho en forma absoluta puede

ser cambiado en dos desigualdades regulares

la1 X1 - a2 X2l b
a1 X1 - a2 X2 - b
a1 X1 + a2 X2 b

Una variable la cual no esta restringida en signo (+,-,0) es equivalente a la

diferencia entre dos variables no negativas. Esto es si X es no restringida en
signo, puede ser reemplazada por (X+ - X-)

3X1 + 4X2 6 X1 = no restringida en signo

3 (X1+ - X1-)+ 4X2 6 X2 0
X1, X2 0

FORMA ESTANDAR

Caractersticas de una forma estndar

Todas las restricciones son ecuaciones, excepto las variables de no

negatividad las cuales permanecen como desigualdades.

Todos los elementos del lado derecho de cada una de los recursos
restringidos son negativos.

Todas las variables de decisin son negativas.

 La F.O es de una funcin maximizar o minimizar.

NOTA:

Para cumplir con esta caracterstica, las restricciones de desigualdad pueden

ser cambiadas a ecuaciones aumentando o restando de lado izquierdo de cada
una de las restricciones de una variable de no negatividad. Estas nuevas
variables se llaman variables de holgura y son agregadas si la restriccin de
tipo menor o restada si la restriccin es del tipo mayor.

Por lo tanto el lado derecho puede ser transferible a ser mas por Mult., en
ambos lados de la ecuacin resultante por -1 si es necesario. Las restantes
caractersticas pueden ser realizadas por el uso de trans., elementales
introducida con la forma cannica.

Ejemplo:

Min. Z = 3X1 -3X2 +7 X3

S.a
X1 + X 2 + X 3 4
X1 -9X2 - 7 X3 5
5X1 + 3X2 = 2
l 5X2 + X3 l 10
X1 , X 2 O
X3 no restringida en signo

Forma canonica
Min. Z = 3X1 -3X2 +7 X3
Max.(-Z) =- 3X1 +3X2 -7 (X3+ - X3-)

s.a

X1 + X2 + X3 4
X1 + X2 + (X3+ - X3- ) 4

(-1) X1 -9X2 - 7 X3 5 (-1)

-X1 -9X2 - 7 (X3+ - X3-) -5

5X1 + 3X2 = 2
5X1 + 3X2 2
(-1) 5X1 + 3X2 2 (-1) = -5X1 - 3X2 -2

l 5X2 + X3 l 10
5X2 + (X3+ - X3-) 10
(-1) 5X1 + 3X2 -10 (-1) = -5X2 -(X3+ - X3-) 10

X3 no restringida en signo (X3+ - X3-)

X1, X2, X3+, X3- O

Forma estndar

X1 + X2 + (X3+ - X3- ) 4
X1 + X2 + (X3+ - X3- ) +s1 = 4

-X1 -9X2 - 7 (X3+ - X3-) -5

X1 +9X2 + 7 (X3+ - X3-) -s2 = 5

5X1 + 3X2 2
5X1 + 3X2 + s3 = 2

-5X1 - 3X2 -2
-5X1 - 3X2 - s4 = -2

5X2 + (X3+ - X3-) 10

5X2 + (X3+ - X3-) + s5 =10

-5X2 -(X3+ - X3-) 10

-5X2 -(X3+ - X3-) + s6 = 10

X1, X2, X3+, X3- ,s1, s2, s3, s4, s5, s6 O

Reglas del metodo simplex

Dado cualquier problema de programacin lineal transformarse por

medio de las reglas de equivalencia el programa lineal cannico

Paso 1
Max z = cX Z = funcin objetivo
s.a C = vector de costos
Ax b x = vec. Variable de decisin
X0 b = vector de recursos
A = matriz de chef. Tcnico
Paso 2
Reciba la funcin objetivo de la siguiente manera
Max z cX = 0

Paso 3
Aplicaciones de las leyes de equivalencia convierta todas las desigualdades en
igualdades, este recurso requerir recursos de variables de holgura

Max z cX = 0
Ax + s = b
X, s 0

Paso 4
Constryase una tabla con los coeficientes de programacin lineal

X1 X2XnS1 S2Sn+mSOLUCION
- C00BASEZ
S11
AIBS2
.0
.
.
Sn
X
1

X
2

X
n
S
1

S
2

S
n
+
m
S
O
L
U
C
I
O
N
BASE
C
B
-

-
C

C
B

B
-

C
B

X
B

Z
 Paso 5

Seleccione como vector de entrada aquel cuya Zj Cj sea la mas negativa si no

hay ningn candidato de entrada, es decir Zj Cj para toda j en A, la solucin
XB mostrada en esa tabla en caso de que exista un empate arbitrariamente, es
decir seleccione a cualquiera de los candidatos

Zj Cj 0 llego a la solucin ptima

Zj Cj < 0 se rompe el empate
Paso 6

Seleccionada la columna Aj que entra a la base seleccione el vector de salida

ar vector de salida

Regla: XBr / Yrj = min/ k XBr / Yrj l Ykj

Paso 7

La interseccin en la tabla de la columna que entra y la que sale de la base

determina el elemento pivote.
Aplique operaciones matriciales elementales en el pivote Y rj con el objeto de
convertir a la columna Aj en el vector unitario ceros en toda la columna y en 1
la eveava componente, que resulta ser la Yrj.

Max. Z = X1 +2X2
S.a
X1 + 3X2 8
X1 + X 2 4
X1 , X 2 O

Forma estndar
Max. Z = X1 +2X2
S.a
X1 + 3X2 +S1= 8
 X1 + X2 + S2 = 4
X1, X2, S1, S2 O

Metodo simplex

Max. Z - X1 -2X2=0

Z X1 X2 S1 S2 SOL.
-1-2000BASE
13108SALES11
11314S20
-0.300.6605.33BASE0
0.310.302.66X21
0.660-0.301.33SALES20
000.50.56BASE0
010.5-0.52X21
10-0.51.52X1-0.3
0
Zmax = 6

X1 = 2
X2 = 2

Max. Z = -3X1 +6X2 Max. Z + 3X1 -6X2 = 0

S.a S.a

5X1+ 7X2 35 5X1+ 7X2 + S1= 35

-X1 + 2X2 2 -X1 + 2X2 + S2 = 2
X1 , X 2 O X1, X2, S1, S2 O

X1X2S1S2Sol.
3-6000BASEZ
S11 0 5 7 1 0 35
-12012saleS2
 00036BASE0
S11 0 8.5 0 1 3.5 28 sale
-0.5100.51X2
00036BASE0
100.11-0.43.29X11
 010.060.292.64X20
0Z mx. = 6

X1= 0, S1=28 X1= 56/17

X2= 1, S2=0 X2 = 45/17

El sistema tiene soluciones multiples y factibles.

Max. Z = 2X2 Max. Z - 2X2 = 0

S.a S.a

X1 - X 2 4 X1 - X2 + S1 = 4
-X1+ X2 1 -X1+ X2 + S2 = 1
X1 , X 2 O X1, X2, S1, S2 O

Z X1 X2 S1 S2 Sol.
0-2000BASE
S11 0 1 -1 1 0 4
S2 0 -1 1 0 1 1 sale
-20022BASE
S11 0 0 0 1 0 5
X2 0 -1 1 0 1 1

El sistema tiene una solucin no acotada

Parte de un sistema factible ayuda a restituir optimalidad

Min. Z = -2X1 - 3X2 Max. go + 2X1 + 3X2 = 0

S.a S.a

X1 - X 2 1 X1 - X2 + S1= 1
X1 - 2X2 2 X1 - 2X2 + S2 = 2
X1 , X 2 O X1, X2, S1, S2 O
 goX1X2S1S2Sol.BASE123000S101-1101S201-2012

Z min = 0 la decisin es no hacer nada

X1= X2 = O
S1 = 1
S2 = 0

Max.Z = 2X1 + 2X2 Max.Z = 2X1 + 2X2 Max.Z - 2X1 - 2X2

S.a S.a S.a

X1 + X 2 2 X1 + X 2 2 X1 + X2 + S1= 2
X1 + X 2 4 X1 + X 2 4 -X1 - X2 + S2 = 4
X1 , X 2 O X1, X2 O X1, X2, S1, S2 O

El sistema no es factible concluimos que no tiene solucin

Max.Z = 2X1 + 2X2 Max.Z - 2X1 - 2X2

S.a S.a

X1 + X 2 6 X1 + X2 + S1= 6
X1 - X 2 0 X1 - X2 + S2 = 0
X1 , X 2 O X1, X2, S1, S2 O

Z X1 X2 S1 S2 Sol.
BASE 1 -5 -2 0 0 0
S1 0 1 1 1 0 6
S2 0 1 -1 0 1 0 SALE
BASE 1 0 -7 0 5 0
S1 0 1 -1 0 1 0
X2 0 0 2 1 -1 6 SALE
BASE 1 0 0 3.5 1.5 21
X1 0 0 1 0.5 -0.5 3
Z min = 21
X1= 3
X2 = 3
S1 = S2 = 0

Min.Z = -3X1 + 5X2 Max.Z +3X1 + 5X2

S.a S.a

X1 4 X1 + S1= 4
X2 6 X2 + S2 = 6
X1 , X 2 O X1, X2, S1, S2 O

Introducir el mas positivo

ZX1X2S1S2S3Sol.BASE13-
50000S10101004SALES20010106S303200118BASE10-5-300-
12X10101004S20010106S3002-3016
Z= -12
X1= 4 X2 = 0
S1 = 0 S2 = 6
S3 = 6

METODO DE LA M GRANDE O PENALIZACION

Consiste en penalizar a la funcion objetivo por cada restriccin que no cumpla

con la forma canonica del metodo simples. Si se trata de una funcion objetivo
del tipo maximizar se restara la penalizacion y si es del tipo minimizar se va ha
sumar y ha multiplicar por una variable artificial y se va agregar a cada
restriccin que no cumpla con la forma canonica.

Min.Z = CX
S.a
Ax b no es factible
X O

Max.Z = 2X1 + X2
S.a
X1 - 2X2 4 X1 - 2X2 + S1 + W1= 4
X1 + X 2 = 6 X1 + X2 + S2 + W2 = 6
3X1 + X2 3 3X1 + X2 + S3 + W3 = 3
X1 X2 O

Min.Z = 2X1 + X2 + MW1 + MW2 + MW3

Min.Z = 2X1 + 3X2

Max.Z = -2X1 - 3X2 + MW1
S.a
2X1 + X2 4 2X1 + X2 - S1 + W1= 4 (-1) X1 -
X2 -1 -X1 + X2 1 -X1 + X2 + S2 = 1
X1 X 2 O

Max.go + 2X1 + 3X2+ MW1 = 0

Z X1 X2 S1 S2 W1 Sol.
BASE 1 2 3 0 0 M 0
w 0 2 1 -1 0 1 4 SALE
S2 0 -1 1 0 1 0 1
2-
BASE 1 2M 3-M M 0 0 -4M
W1 0 2 1 -1 0 1 4 SALE
S2 0 -1 1 0 1 0 1
BASE 1 0 2 1 0 -1+M -4
X1 0 1 0.5 -0.5 0 0.5 2
S2 0 0 1.5 -0.5 1 0.5 3

Como W1= 0
Max z = min Z Max 4 = min 4
Sol.
Z min = 4
X1 = 2 X2 = S1 = 0
S2 =3

METODO DOBLE FASE

Min.Z = CX Min.Z = CX
S.a S.a
Ax b Ax S + W = b
X O X, S, W O

Primera face
P
Min. Wi Si W = 0 el sistema tiene solucin y pasamos
i=1
a la segunda fase
S.a Si W > 0 el sistema no tiene solucin
AxS+W=b
X,S,W 0

Segundo face

Min CX La solucin ptima a este sistema es tambin

S.a solucin optima del sistema original
B AX B S = B b
1 1 1

1. FASE

Min.Z = 2X1- 3X2

 Max.go = W1 + W2
S.a
2X1 + 3X2 3 2X1 + 3X2 - S1 + W1= 3 X1 +
2X2 10 X1 + X2 + S2 + W2= 10
X1 X 2 O X, S, W O

0
Como W = 0
Por lo tanto se concluye que el sistema tiene solucin y pasamos a la segunda
fase

2. fase
Min.Z = 2X1- 3X2
Max. go+2X1- 3X2 = 0
 go X1 X2 S1 S2 Sol.
BASE 1 2 -3 0 0 0
X2 0 0.5 1 0 -0.5 5
S1 0 -0.5 0 1 -1.5 12
BASE 1 3.5 0 0 -1.5 15
X2 0 0.5 1 0 -0.5 5
S1 0 -0.5 0 1 -1.5 12

Por lo tanto el sistema tiene una solucin no acotada

UNIDAD IV
TEORIA DE LA DUALIDAD

Cada problema de programacin lineal tiene un segundo problema asociado con

el. Uno se denomina primal y el otro dual. Los 2 poseen propiedades muy
relacionadas, de tal manera que la solucin ptima a un problema proporciona
informacin completa sobre la solucin ptima para el otro.

Las relaciones entre el primal y el dual se utilizan para reducir el esfuerzo de

computo en ciertos problemas y para obtener informacin adicional sobre las
variaciones en la solucin ptima debidas a ciertos cambios en los coeficientes
y en la formulacin del problema. Esto se conoce como anlisis de sensibilidad o
post-optimidad.

DEFINICION DEL PROBLEMA DUAL

Para poder elaborar el problema dual a partir del primal, este se debe
presentar en su forma cannica.

El problema dual se puede obtener a partir del problema primal y viceversa de

la siguiente manera:

1. Cada restriccin de un problema corresponde a una variable en el otro.

2. Los elementos del lado derecho de las restricciones en un problema son

iguales a los coeficientes respectivos de la funcin objetivo en el otro.

3. Un problema busca maximizar y el otro minimizar.

4. El problema de maximizacin tiene restricciones que y el problema de
minimizacin tiene restricciones que.

5. Las variables en ambos casos son no negativas.

6.Cuando el problema primal no est en forma cannica, es necesario hacer

ajustes para poder presentarlo as. Los cambios ms frecuentes son:

6.1. Si la funcin objetivo es minimizar, se puede transformar a una funcin

objetivo de maximizar
6.2. Una restriccin mayor o igual que se transforma en una restriccin menor
o igual que.

6.3. Una restriccin de igualdad se transforma en 2 inecuaciones

MTODO DUAL SIMPLEX.

Este mtodo se aplica a problemas ptimos pero infactibles. En este caso, las
restricciones se expresan en forma cannica (restricciones ).
La funcin objetivo puede estar en la forma de maximizacin o de minimizacin.
Despus de agregar las variables de holgura y de poner el problema en la tabla,
si algn elemento de la parte derecha es negativo y si la condicin de optimidad
est satisfecha, el problema puede resolverse por el mtodo dual simplex.
Note que un elemento negativo en el lado derecho significa que el problema
comienza ptimo pero infactible como se requiere en el mtodo dual simplex.
En la iteracin donde la solucin bsica llega a ser factible esta ser la solucin
ptima del problema.

CONDICION DE FACTIBILIDAD.

La variable que sale es la variable bsica que tiene el valor ms negativo (los
empates se rompen arbitrariamente si todas las variables bsicas son
negativas, el proceso termina y esta ltima tabla es la solucin ptima
factible).

CONDICION DE OPTIMIDAD.
La variable que entra se elige entre las variables no bsicas como sigue. Tome
los cocientes de los coeficientes de la funcin objetivo entre los coeficientes
correspondientes a la ecuacin asociada a la variable que sale.
Ignore los cocientes asociados a denominadores positivos o cero.
La variable que entra es aquella con el cociente ms pequeo si el problema es
de minimizar o el valor absoluto ms pequeo si el problema es de maximizacin
(rompa los empates arbitrariamente). Si los denominadores son ceros o
positivos el problema no tiene ninguna solucin factible.

Modelo Primal Modelo Dual

Max Z = CjXi Min y = bi yi

s.a s.a

1 Primal Dual
F.O.= max min
Rest.

2 Relaciones entre los modelos

R-1.- Las constantes de lado derecho en el modelo primal son los
coeficientes de la funcin objetivo en el modelo dual

Primal Dual
< b1 y = b1 y1 + b2 y2
< b2

R-2.- Las constantes de lado derecho en el modelo dual son los coeficientes
de las variables de la funcin objetivo del modelo primal.
Max Z = C1 X1 + C2 X2 C1
C2
R-3.- Cada columna de los coeficientes de las restricciones en el modelo primal
se convierten en los coeficientes de una fila en el model dual.

Primal Dual

y1 a11 x1 + a12 x2 <b1 Fila 1: a11 y1 + a21 y2 > c1

y2 a21 x1 + a22 x2 <b2 Fila 2: a12 y1 + a22 y2 > c2

Ejemplo 1 : Construya el modelo dual del siguiente modelo primal.

Min Y = 4y1 + 6y2
Mx Z = 2X1 + 3X2 + 2X3 s.a
s.a y1 + 2y2 2
X1 + 2X2 + 3X3 4 2y1 + y2 3
3y1 + y2 2
2X1 + X2 + X3 6 y1,y2 0
X1,X2,X3 0

Solucin del Dual

yy1y2y3 Z X1 X2 X3 S1 S2
S1S2S3
Sol.Ba
se100
0500B
ase10
00032
83700
S1032
5X105
00X20
150
M
xZ
=
5X1
+
8X2
s.a

X
+
X
2

90
0

X1
+
1/3
X2

30
0
1
/
8
X
1

X
2

1
0
0
Para
X1, X2
0
Dual:
Min
Y=
90
0y1
+
30
0y2
+
100
y3
s.a

y1 +
y2
+
1/8
y3
5

y1
+
1/3
y2
+
y3
8

y1,
y2,
y3
0
Soluci
n del
Dual
- S2
Sale
2
-
2
0
1
-
3
y
y
1

y
2

S
1

S
2

S
o
l
.
B
a
s
e
1
8
1
2
0
0
0
S
1

0
-
1
- Dual
Forma Estndar
Max (y) + 8y1 + 12y2
3 Min Y = 8y1 + 12y2
s.a
s.a
-y1 - 3y2 + S1 2
y1 + 3y2 2
-2y1 - 2y2 + S2 3
2y1 + 2y2 3
y1,y2, S1, S2 0
y1,y2 0
00- 1 0 4 0 4 -12
21- Sale
Base
0
1Y1
1
0
-

3
/
2
S
1
 001-- 1 0 0 2 3 -13
Base
0
y y1 0 1 0 - 5/4
2

El sistema es ptimo y factible

Y min = 13

y1=5/4 y2=1/4 S1=S2=0

Primal Dual H-C

X1=3 S1=0 0
X2=7/2 S2=0 0
S1=2 Y1=0 0
S2=0 Y2=10/3 0
0 S3=0
Y3=35

VARIABLES DE HOLGURA

REGLAS:

Afirmaciones que sealan las condiciones de existencia de las holguras

complementarias:

1. Si una restriccin de modelo primal es sobre satisfecha (la correspondiente

variable de holgura es >0, entonces la correspondiente variable dual es 0.

2. Si una variable dual es positiva la restriccin correspondiente en el primal

es exactamente satisfecha.

3. Si una de las restricciones del dual es sobre satisfecha su correspondiente

variable de holgura es >0, entonces las variables correspondientes en el
primal son 0.
Si una variable del primal es positiva la restriccin correspondiente en el dual
es exactamente satisfecha.

UNIDAD V : ANLISIS DE SENSIBILIDAD

Max Z= CX = Z= C1X1 + C2X2+ C3X3

AX b
X0
a) Cambios en el vector de los costos (c)
b) Cambios en el vector de los recursos (b)
c) Cambios en un coeficiente tecnolgico aij, j no es basico
d) Adiccion de nuevas actividades Xj
e) Adiccion de nuevas restricciones

CAMBIO DE RECURSOS

Max Z= cx
S.a
FC Ax b
X0

SOLUCION INICIAL

Z VAR. DESICION VAR. HOLGURA SOLUCION

1 -C 0 0
0 A I b
TABLA OPTIMA

1 CB BA-C CB B CB Bb
0 BA B Bb

A) CAMBIO DE V b b= b+ b

100-20= 80

100+10= 110

Max Z= Cx
s.a
Ax b+ b
X0

Xb = Bb Z = CB XB

XB = B (b+ b ) 0 El sistema sugue siendo optimo y factible

Z = CB (Bb + b) El sisitema deja de ser factible y restituye

factibilidad aplicando dual simples.

Z= CB B (b + b)
Max Z = 60X1 + 90X2
s.a.
-2x1 + 2x2 3
- 3x1 +6x2 12
2 x1 + 2x2 13
x1, x2 0

Z X1 X2 S1 S2 S3 SOL
BASE 1 0 0 0 11/3 35 495
X2 0 0 1 0 1/9 1/6 7/2
1X1
0
0
-
1
/
9
1
/
3
3
S10 0 0 0 1 -4/9 1/3 2

A) suponga que el vector de recursos cambio a uno nuevo

b = b + b = 5 la sol. Optima y factible.

7
4
XB= 0 1/9 1/6 5 0 + 7/9 + 4/6 =13/9
0 1/9 1/3 = 7 = 0 - 7/3 + 4/3 = 5/9
1 4/9 1/3 4 5 28/9 +12/9 = 29/9

0 13/9
5/9
29/9

X2= 13/9, X1= 5/9, S1= 29/9

Z = CB XB
(90, 60, 0) 13/9
5/9 = 13/9 (90) + 5/9 (60) + 29/9 (0) = 490/3
29/9

Zmax = 490/3
X1 = 5/9 S1 = 29/9
X2 = 13/9 S2, S3 = 0

B)

B = b + b 4
15
2

XB = 0 1/9 1/6 4 0 + 15/9 + 2/6 = 2

0 1/9 1/3 15 = 0 - 15/9 + 2/3 = -1
1 -4/9 1/3 2 4 - 60/9 + 2/3 = -2

XB = 2
-1
-2
Como la solucion indica que existen numeros negativos, entonces, aplico el
metodo dual simples para restrituir factibilidad.

Z X1 X2 S1 S2 S3 SOL
BASE 1 0 0 0 11/3 35
X2 0 0 1 0 1/9 1/6 2
X1 0 1 0 0 -1/9 1/3 -1
S1 0 0 0 1 -4/9 1/3 -2
BASE 1 0 0 33/4 0 151/4
X2 0 0 1 0 3/2
X1 0 1 0 -1/4 0 -1/2
S2 0 0 0 -1/4 1 -3/4 9/2
BASE 1 35 0 0 0 93/2
X2 0 1 1 0 0 1
S1 0 -4 0 1 0 -1 2
-S2
9
/
4
0
0
1
-
3
9
0

ZB = (90, 0, 0) 1
2
9

Zmax = 90
X1= 0 x2= 1
S3= 0 S1= 2 S2= 9
 B) Cambios en el vector de costos C

Max Z = CX
s.a
AX b
X 0

= ( C + C) X
s. a
AX b
X 0

1CB BA-CCB BCB Bb0BABBb

Zj Cj = CB Baj (Cj+C) 0

El sistema sigue siendo optimo y factible.

Zj Cj 0

El sistema deja de ser optimo y aplicamos mtodo simplex.

Max z = 60x1 + 90x2

s.a
-2x1 + 2x2 3
- 3x1 +6x2 12
2 x1 + 2x2 12
x1, x2 0

Z X1 X2 S1 S2 S3 SOL
BASE 1 0 0 0 11/3 35 495
X2 0 0 1 0 1/9 1/6 7/2
1X1
0
0
-
1
/
9
1
/
3
3
0S1
0
1
-
4
/
9
1
/
3
2
0
0
C) Un cambio en el vector C1 =(C1 + C1) = 40

Z1 1 = (0 11/3 35 ) (-2 -3 2 ) - 40
= (0 -11 + 70) 40 = 19
0 sigue siendo optimo y factible

D) 1 =(C1 + C1) = 70
= (0 -11 + 70) 70 = -11

Z X1 X2 S1 S2 S3 SOL
BASE 1 -11 0 0 11/3 35 495
X2 0 0 1 0 1/9 1/6 7/2
X1 0 1 0 0 -1/9 1/3 3
S1 0 0 0 1 -4/9 1/3 2
BASE 1 0 0 0 22/9 116/3 528
 X2 0 0 1 0 1/9 1/6 7/2
100-1/91/33X1
0 S1 0 0 0 1 -4/9 1/3 2

Zmax = 528
X1 = 3 S1= 2
X2 = 7/2 S2,S3 = 0

(90 40 0) 7/2 = (3 15 +120) = 425

Z = 425
Max Z = 4X1 + 3X2 + 7X3
s.a.
X1 -X3 6
X2 +3X3 4
X1 + X2 + X3 3
X1, X2, X3 0

ZX1X2X3S1S2S3SOLBASE102001416S100-1/3012/3-
117/3X3001/3101/304/3X1012/300-1/315/3

A) 2=(C2 + C2)= 15

Z2 2 = ( 0, 1,4,) 0 = 15
1
1

(0 + 1 + 4 - 15) = -10

X
1
X
2
X
3
S
1
S
2
S
3
S
O
L
0BASE
-
1
0
0
0
1
4
1
6
Z
0S1
-
1
/
3
0
1
2
/
3
-
1
1
7
/
3
1
0X3
1
/
3
1
0
1
/
3
0
4
/
3
0
X10 0 1 2/3 0 0 -1/3 1 5/3

D) Agregar nuevas restricciones

2X1 + 3X2 + X3 6
2(5/3) + 3(0) +(4/3) 6

Como la restriccin se satisface el sistema sigue siendo optimo y factible.

Ahora sucede lo contrario

2X1 + 3X2 + X3 3
2(5/3) + 3(0) +(4/3) 3

Z X1 X2 X3 S1 S2 S3 S4 SOL
020014016Base
0-1/3012/31017/3S11
01/3101/3004/3X30
12/300-1/3105/3X10
23100003X40
0
CAMBIOS EN UN COEFICIENTE TECNOLGICO NO-BASICO

Cuando aij; corresponde a una variable que es bsica, no podemos aplicar

anlisis de sensibilidad y el problema deber ser resuelto desde su inicio.

1CB BA-CCB BCB Bb0BABBb

Zj Cj = CB Baj Cj 0 el sistema sigue siendo optimo y factible

Zj Cj 0 El sistema deja de ser optimo y tenemos que aplicar el metodo

simples.

Max Z = 4x1 + 3X2 + 7X3

s.a.
X1 - 3X2 - X3 6
X2 + 3X3 4
X1 + X2 + X3 3
X1, X2, X3 0

ZX1X2X3S1S2S3SOLBASE10200146S100-1/3012/3-
117/3X3001/3101/304/3X1012/300-1/315/3
 a) Vector a2 cambia a una nueva

2 = -3
1 Z2- 2 = CB Ba2-C2
3

= (0 1 4) - 3 = (0 + 1 + 12 ) = 10
1
3

B) Vector a2 cambia a uno nuevo

2 = 1 (0 1 4 ) 1
4 4 = -7
-2 -2

X
1
X
2
X
3
S
1
S
2
S
3
S
O
L
0BASE
-
7
0
0
1
4
6
Z
0S1
-
1
/
3
0
1
2
/
3
-
1
1
7
/
3
1
0X3
1
/
3
1
0
1
/
3
0
4
/
3
0
X10 0 1 2/3 0 0 -1/3 1 5/3
 1 2/3 -1 1 17/3
0 1/3 0 4 = 4/3
0 -1/3 1 -2 -10/3

ADICION DE NUEVAS ACTIVIDADES

Max Z = CX
s.a
AX b
X0

1 CB BA-C CB B CB Bb
B 0

b
BA

Xi:

Zj - Cj < 0 el sistema no es optimo

Zj - Cj > 0 el sistema sigue siendo optimo y factible

Max Z = 4X1 + 3X2 + 7X3

s.a. X4= $ 5
X1 - 3X2 - X3 6 a4= 7
X2 + 3X3 4 -3
X1 + X2 + X3 3 2
X1, X2, X3 0
X1X2X3S1S2S3SOL
0200146BASEZ
0-1/3012/3-117/3S11
01/3101/304/3X30

0 X1 0 1 2/3 0

-1/3
1 5/3

Zj - Cj = CB B aj Cj

Z4 C4 = (0, 1, 4 ) 7 -5 = ( 0 -3 + 8) = 0
-3
2

b) X4 = $ 8

a4 = 3
-2
0

123456Ofer Z X1 X2 X3 X4 S1 S2
taBASE1
020-
1001416
S100-
1/305/31
1/3-
117/3X3
001/31-
2/301/30
4/3X101
2/302/30-
1/315/3
 Yj =
0
2/3
-1
3
5/3

0
1/3
0
-2
=
-2/3

0
-1/3
1
0
2/3

UNIDAD

METOD
O DE
TRA
NSP
ORT
E

Es una
clase
especial
de
problema
de
program
acin
lineal,
trata la
situacin
en la
cual se
enva un
bien de
los
puntos
de origen
a los
puntos
de
destinos.
El
objetivo
es
determin
ar las
cantidad
es
enviadas
desde
cada
punto de
origen
hasta
cada
punto de
destino
que
minimice
n el
costo
total del
envi, al
mismo
tiempo
que
satisfaga
n tanto
los
limites de
oferta
como los
requerimi
entos de
la
demanda
.

Los
pasos
del
algoritmo
del
transport
e son
exactam
ente
paralelos
a los del
algoritmo
simples:

1. D
e
t
e
r
m
i
n
e
u
n
a
s
o
l
u
c
i

n
f
a
c
ti
b
l
 e
b

s
i
c
a
i
n
i
c
i
a
l
p
o
r
c
u
a
l
q
u
i
e
r
a
d
e
l
o
s
tr
e
s
m

t
o
d
o
s
.
2. U
ti
li
c
e
l
a
c
o
n
d
i
c
i

n
o
p
ti
m
a
d
e
l
m

t
o
d
o
s
i
m
p
l
e
s
p
a
r
a
d
e
t
e
r
m
i
n
a
r
l
a
v
a
ri
a
b
l
e
d
e
e
n
tr
a
d
a
e
n
tr
e
t
o
d
a
s
l
a
s
v
a
ri
a
b
l
e
s
n
o
b

s
i
c
a
s
.
3. U
ti
li
c
e
l
a
c
o
n
d
i
c
i

n
d
e
f
a
c
ti
b
ili
d
a
d
d
e
l
m

t
o
d
o
S
i
m
p
l
e
s
p
a
r
a
d
e
t
e
r
m
i
n
a
r
l
a
v
a
ri
a
b
l
e
d
e
s
a
li
d
a
d
e
e
n
tr
e
t
o
d
a
s
l
a
s
v
a
ri
a
b
l
e
s
b

s
i
c
a
s
a
c
t
u
a
l
e
s
y
e
n
c
u
e
n
tr
e
l
a
n
u
e
v
a
s
o
l
u
c
i

n
b

s
i
c
a
.
4.
5. D
E
T
E
R
M
I
N
A
C
I

N

D
E
L
A
S
O
L
U
C
I
O
N
I
N
I
C
I
A
L
6. U
n
m
o
d
e
l
o
d
e
tr
a
n
s
p
o
rt
e
g
e
n
e
r
a
l
c
o
n
m

p
u
n
t
o
s
d
e
o
ri
g
e
n
y
n
p
u
n
t
o
s
d
e
d
e
s
ti
n
o
ti
e
n
e
m
+
n
e
c
u
a
c
i
o
n
e
s
d
e
r
e
s
tr
i
c
c
i

n
,
u
n
a
p
a
r
a
c
a
d
a
p
u
n
t
o
d
e
o
ri
g
e
n
y
d
e
d
e
s
ti
n
o
.
S
i
n
e
m
b
a
r
g
o
,
d
e
b
i
d
o
a
q
u
e
e
l
m
o
d
e
l
o
d
e
tr
a
n
s
p
o
rt
e
s
i
e
m
p
r
e
d
e
b
e
e
s
t
a
r
e
q
u
ili
b
r
a
d
o
,
u
n
a
d
e
e
s
t
a
s
r
e
s
tr
i
c
c
i
o
n
e
s
d
e
b
e
s
e
r
r
e
d
u
n
d
a
n
t
e
.
A
s
,
e
l
m
o
d
e
l
o
ti
e
n
e
m
+
n
-
1
e
c
u
a
c
i
o
n
e
s
d
e
r
e
s
tr
i
c
c
i

n
i
n
d
e
p
e
n
d
i
e
n
t
e
s
,
l
o
q
u
e
s
i
g
n
if
i
c
a
q
u
e
l
a
s
o
l
u
c
i

n
b

s
i
c
a
i
n
i
c
i
a
l
s
e
c
o
m
p
o
n
e
d
e
m
+
n
-
1
v
a
ri
 a
b
l
e
s
b

s
i
c
a
s
.
7.
8. L
a
e
s
tr
u
c
t
u
r
a
e
s
p
e
c
i
a
l
d
e
l
m
o
d
e
l
o
d
e
tr
a
n
s
p
o
rt
e
p
e
r
m
it
e
o
b
t
e
n
e
r
u
n
a
s
o
l
u
c
i

n
b

s
i
c
a
i
n
i
c
i
a
l
n
o
a
rt
if
 i
c
i
a
l,
u
ti
li
z
a
n
d
o
u
n
o
d
e
l
o
s
tr
e
s
m

t
o
d
o
s
.
9.
1. M
t
od
o
de
la
es
qu
in
a
no
ro
es
te.
2. M
t
od
o
de
l
co
st
o
m
en
or.
3. M
t
od
o
de
la
ap
ro
xi
m
ac
i
n
de
Vo
ge
l.
4.
5.
6.
M
E
T
O
D
O
D
E
LA
E
S
Q
UI
N
A
 N
O
R
O
E
S
T
E
7.
8.
9. El
m
t
od
o
e
m
pi
ez
a
en
el
cu
ad
ro
de
la
es
qu
in
a
no
ro
es
te
de
la
ta
bl
a
si
m
pl
es
.
Se
de
be
as
ig
na
r
ta
nt
o
co
m
o
se
a
po
si
bl
e
al
cu
ad
ro
se
le
cci
on
ad
o
y
aj
us
tar
la
s
ca
nti
da
de
s
de
la
of
ert
a
y
la
de
m
an
da
,
re
st
an
do
la
ca
nti
da
d
as
ig
na
da
,
se
de
be
de
ta
ch
ar
el
re
ng
l
n
o
co
lu
m
na
co
n
ce
ro
of
ert
a
o
de
m
an
da
pa
ra
in
di
ca
r
qu
e
no
se
pu
ed
en
ha
ce
r
as
ig
na
ci
on
es
ad
ici
on
al
es
en
es
e
re
ng
l
n
o
en
es
a
co
lu
m
na
.
Si
ta
nt
o
el
re
ng
l
n
co
m
o
la
co
lu
m
na
da
n
ce
ro
si
m
ult
n
ea
m
en
te,
se
ta
ch
a
so
lo
un
o
de
ell
os
ag
re
ga
nd
o
un
ce
ro
a
la
co
lu
 m
na
o
re
ng
l
n
si
n
ta
ch
ar.
10.
11. R
es
u
lv
as
e
po
r
el
m
t
od
o
de
la
es
qu
in
a
no
ro
es
te
12.
13. EJ
E
M
PL
O:
Su
po
ng
a
qu
e
un
a
e
m
pr
es
a
de
se
a
mi
ni
mi
za
r
su
s
co
st
os
de
tra
ns
po
rte
al
en
vi
ar
su
s
pr
od
uc
to
s
de
sd
e
su
s
cu
atr
o
pl
an
ta
s
ha
ci
a
su
s
ci
nc
o
al
m
ac
en
es
de
di
str
ib
uc
i
n.
Si
lo
s
co
st
os
po
r
un
id
ad
tra
ns
po
rta
da
de
sd
e
ca
da
fu
en
te
a
ca
da
de
sti
no
,
la
s
of
ert
as
de
ca
da
de
fu
en
te
y
la
s
de
m
an
da
s
de
ca
da
de
sti
no
se
m
ue
str
an
en
la
si
gu
ie
nt
e
ta
bl
a.
 14.
15.
16. De
8
0100210
0 1100
750 5 6
3 02503
5 6250
250 10 4
03004
7 2 1
3300
1150
0450De
manda20
0100300
503001S
3SOL 100 3 4 7
2 1501100

Costo = 100(3) + 100(1)+ 100(7)+ 50(5)+250(2)+50(1)+0(4)+300(1)+50(0)

Costo = $ 2,200.

METODO DEL COSTO MINIMO:

Este mtodo encuentra una solucin inicial mejor, al concentrarse en las rutas
ms econmicas, empezamos por asignarle tanto como sea posible al cuadro con
el costo mas bajo por unidad, despus tachamos el rengln o la columna
satisfecho y ajustamos la cantidad de la oferta y de la demanda conforme a
ello. Enseguida buscamos siempre el cuadro no tachado con el costo mas bajo
por unidad y se repite el proceso hasta que al final nos quedamos exactamente
con un rengln o una columna no tachados.
Resulvase el problema anterior por el mtodo del costo mnimo.

23456Oferta
8
01002200
10 7 50
5 6 3
02503 5
6250 250
1 4
03004 7
20 1
3300
1 150
0450Dem
anda2001
00300503
0011 3 100 4 7
2 1501100

Costo = $ 1700

METODO DE APROXIMACIN VOGELS:

Es una versin mejorada del mtodo del costo menor, que por lo general
produce mejores soluciones iniciales.

1. para cada rengln o columna con una oferta o demanda estrictamente

positiva determine una medida de penabilidad restando el elemento del
costo por unidad mas bajo en el rengln o columna del siguiente elemento
del costo mas bajo por unidad en el mismo rengln o columna.
2. identifique el rengln o columna con la penabilidad ms grande. Asignar
tanto como sea posible a la variable con el costo mas bajo por unidad.
3. Repetir la operacin tantas veces como sea necesario hasta llegar a la
solucin.
4. Resolver el problema anterior por el Mtodo de Aproximacin Vogels
 23456Oferta
8100
0100
2200 1 7
5 6 350
02503 5
6250 250
1 4
03004
7100 2 1
3300 10
0450Dem
anda2001
00300503
0011 3 4 7
2 1501100 2 2 1 1 2 0
4 4 1 2 2 0
1 2 3
1 0
Costo = $ 1300
TAREA : METODO DE LA ESQUINA NOROESTE

23456Oferta
2 0350 2
6 150 8
50 7 2 1
02003 2
4150
6250 650
1 04504
1 31
2250
4150
0400Dem
anda1004
00200250
30011 100 5 250 2 1
3 1501400
Costo = 100(5)+250(2)+150(8)+50(7)+150(6)+250(6)+50(1)+250(4)+150(0)
Costo= $ 6000

TAREA: METODO DEL COSTO MINIMO

23456Oferta
 2 0350 2
6 8
7200 2 1
020030 2
4 6 6300
1150
04504100
150 3200
150 2 4
0400Dem
anda1004
00200250
30011 5 350 2 1
3 1501400
Costo = 350(2)+200(2)+2(0)+300(1)+150(0)+100(1)+50(3)+200(1)+50(2)

Costo = $ 1950

TAREA: METODO DE APROXIMACIN VOGELS

23456Oferta
2 0350 2
6 8
7200 2 1
020030 2
4 6 6300
1150
04504100
1250 3
150 2 4
0400Dem
anda1004
00200250
30011 5 150 2 200 1
3 1501400
Costo = 300+200+400+300+100+750+100
Costo = $2,150.

Despus de determinar la solucin inicial con cualquiera de los tres mtodos, se

utilizan los siguientes mtodos para determinar la solucin optima:
 1. Multiplicadores o variables.
2. Rizos o brincos de piedra..
3. De Asignacin.

METODO DE RIZOS: Este metodo tiene la caracterstica que donde se inicia

el rizo debe ser una variable no basica y el resto de las esquinas deben ser no
basicas, el rizo se puede llevar a cabo en rectas verticales u horizontales.

Se intentara mover una unidad y ver cuanto me cuesta, si se encuentra un

costo positivo no conviene, de lo contrario si se encuentra un costo negativo
entonces si conviene ya que esta reducir el costo y esto nos indica que el
sistema esta siendo optimo.

l numero de rizos es l numero de variables bsicas, la cantidad mnima de

aquellas casillas que tengan signo negativo en su rizo correspondiente.

EJEMPLO: Resolver el siguiente sistema por el mtodo de rizos, al cual se le

calculo la solucin inicial a travs del mtodo de la esquina noroeste.

23456Oferta
2 0350 2
6 8
7200 2 1
020030 2
4 6 6300
1150
04504100
1250 3
150 2 4
0400Dem
anda1004
00200250
30011 5 150 2 200 1
3 1501400

1 2 3 4 5 6 Oferta
 3 3 22
0350 25
6 +5 8 5
7200 2 1
11
020030
+ 2 +2
43 67
6300
1150
0450410
0 - 150
3-1 1501 5 5 350 2 200 1
2 24 41 0400Demanda1004002002503001501400
Costo = 2150 200 = $ 1950.

METODO DE MULTIPLICADORES O VARIABLES DUALES

En el mtodo de multiplicadores asociamos los multiplicadores Ui y Vj con el

rengln i y la columna j de la tabla simples de transporte. La mayora de las
veces se inicia el procedimiento en la primera casilla dndole un valor de
cero( u=0) y despus se resuelven las variables restantes. Despus se utilizan
los valores calculados para evaluar las variables no bsicas, una vez que se ha
terminado observamos si existe algn costo negativo, si lo hay esta ser
nuestra variable de entrada y su valor es el mnimo valor con ciclo negativo,
de esta manera se les suma o se le resta al ciclo la cantidad asignada a la
casilla de entrada. Enseguida se selecciona la variable de salida y se vuelven a
calcular todas las variables (u , v) cuantas veces sea necesario se repite el
proceso hasta llegar a una solucin optima y factible que se encuentra cuando
en el sistema los valores dados deben ser ceros o positivos.

EJEMPLO:

23Oferta

11 100 5 2 3 100

2 200 8 100 4 3 300

 3 9 100 7 200 5 300
200200700Demanda
300
V1= 5 V2=1 V3= -1 Oferta

U1= 0 100 5 1 2 4 3 100

U2= 3 100 8 200 4 1 3 300

U3= 6 -2 100 9 0 7 200 5 300

200200700Demanda
300

V2=1V3= 1Oferta
U1=
0V1= 5 100 5 1 22 3 100
-
U2= 3 0 8 200 4 1 100 3 300

U3= 4 200 9 2 7 100 5 300

200200700Demanda
300
Solucin optima y factible

V2=1V3= 1Oferta
U1=
0V1= 5 100 5 0 22 3 100

U2= 2 1 8 200 4 100 3 300

U3= 4 200 9 1 7 100 5 300

Demand
a 300 200 200 700

Enviar 100 unidades de la fuente 1 al destino 1

200 2 2
100 2 3
200 3 1
100 3 3
METODO DE ASIGNACIN: El modelo de asignacin en realidad es un caso
especial del modelo de transporte, en el cual los trabajadores representan los
puntos de origen y los empleos representan los puntos de destino. La cantidad
de oferta en cada punto de origen y la cantidad de la demanda en cada punto
de origen y la cantidad de la demanda en cada punto de destino son
exactamente iguales a 1.
Se utiliza el mtodo hngaro el cual consiste de los siguientes pasos:

1. Para la matriz del costo original, identifique el mnimo de cada rengln y

rstelo de todas las entradas en el rengln.
2. Para la matriz resultante, identifique el mnimo de cada columna y
rstelo de todas las entradas de la columna.
3. Identifique la asignacin optima como la asociada con los ceros
elementos de la matriz obtenida.
4. Si no es posible obtener una asignacin factible, trace l numero de
lneas horizontales y verticales en la ultima matriz reducida que cubrir
todas las entradas cero.
5. Seleccionar el elemento no cubierto ms pequeo y rstelo de todos los
elementos no cubiertos, despus smelo a todos los elementos en la
interseccin de dos lneas.

23 j.p
1 1 10 16 32 P1= 10
2 14 22 20 P2= 14
3 22 24 34 P3= 22

1 2 3 1 2 3
1 0 6 22 1 0 4 16
2 0 8 6 2 0 6 0
3 0 2 12 3 0 0 6
Q1= 0 Q2= 2 Q3= 6

Solucin optima y factible:

Asignar jefe de proyecto 1 al cliente 1
Asignar jefe de proyecto 2 al cliente 2
Asignar jefe de proyecto 3 al cliente 3
Duracin min= 54
Resolver por el mtodo de asignacin.

1 2 3 4
1 32 18 32 26 P1= 18

2 22 24 12 16 P2= 12

3 38 26 24 36 P3= 24

4 26 30 28 20 P4= 20

32 18 32 26 8 0 14 8
22 24 12 16 4 12 0 4
38 26 24 36 8 2 0 12
26 30 28 20 0 10 8 0
Q1= 6

8 0 16 8 6 0 16 6
2 10 0 2 0 10 0 0
6 0 0 10 4 0 0 8
0 10 10 0 0 12 12 0

Solucin optima y factible

Asignar trabajo 1 a maquina 2

Asignar trabajo 2 a maquina 4
Asignar trabajo 3 a maquina 3
Asignar trabajo 4 a maquina 1

18+16+24+26= 84

Unidad VII: Mtodo Karmarkar

Es bien sabido que analistas de algoritmos, usando el criterio del

peor caso, han clasificado el mtodo smplex (algoritmo ampliamente
usado para resolver problemas de programacin lineal) como un algoritmo
de complejidad tipo exponencial, es decir, que el tiempo de terminacin
del mtodo smplex puede llegar a crecer exponencialmente en trminos
del tamao del problema que este resolviendo. Klee y Minty (1972)
dieron un ejemplo para el cual el mtodo smplex necesita 2n-1
iteraciones para encontrar la respuesta, siendo n el nmero de variables
y de restricciones.
Debido a esta deficiencia terica del mtodo smplex, muchos
investigadores han tratado de construir un algoritmo satisfactorio
(desde el punto de vista de la complejidad) para resolver problemas de
programacin lineal. En 1979, con mucho bombo publicitario, el ruso I. G.
Khachian present el mtodo del elipsoide, un algoritmo simple y
elegante, de complejidad tipo polinmico, es decir, que en el peor de los
casos, el nmero de iteraciones para resolver un problema de PL es
proporcional a una potencia del tamao del problema.
Desafortunadamente, usando simulacin, se comprob que el
tiempo estimado de terminacin del mtodo del elipsoide era obtenido,
no solo en el peor de los casos, sino en casi todos. Esta es una
deficiencia practica muy importante del mtodo del elipsoide que paso a
ser una gema preciosa mas de la matemtica pura. (Aunque ltimamente,
se le han encontrado algunas aplicaciones en problemas muy
especializados). Desde entonces, han aparecido muchos algoritmos del
tipo polinmico con caractersticas similares al dado por Khachian.
En 1984, el hind Narenda Karmarkar, anunci el desarrollo de un
nuevo algoritmo de tiempo polinomial (que corta a travs del interior del
espacio de la solucin) para resolver problemas grandes de programacin
lineal. Aunque el algoritmo experiment slo una mezcla de aceptacin y
rechazo al competir con el mtodo smplex, el concepto clave de la
solucin pareca tener un gran potencial para resolver problemas de PL
enormes ms all del alcance del mtodo smplex, especialmente en
problemas con miles de variables y/o restricciones.
En su versin original, karmarkar no da mucha o ninguna motivacin
para algunos de los pasos que componen su algoritmo. Esto dificult, en
un principio, su eficiente implementacin algoritmica, y por ende, muchos
investigadores en el rea trataron de fundamentar el algoritmo o de
invalidar los resultados desde el punto de vista terico. Los fundamentos
no se hicieron esperar, y con ellas, vino la comprobacin numrica de los
resultados proclamados por Karmarkar.
 Es as como hoy en da, se tienen muchas versiones posibles del
origen, derivacin o fundamentos del mtodo de Karmarkar para resolver
problemas de programacin lineal.

Idea bsica del algoritmo de punto interior

Considere el siguiente ejemplo:

Minimizar Z=X 1
s.a.
0X 1 2
Utilizando X 2 como una variable de holgura, el problema se puede volver
a escribir como:

Minimizar Z=X 1
s.a.
X1 + X2 = 2
X1, X2 0

En la siguiente figura se representa el problema. El espacio de la

solucin lo da el segmento de la lnea AB, la direccin del incremento en
Z s en la direccin positiva de X 1 .

X2
Max. Z=X1
Gradiente de Z
2

1 C
D
E

Comencemos con cualquier punto C arbitrario

B interior (no extremo)
0
en el espacio factible (lnea1 AB). El gradiente
2 de la X
funcin
1 objetivo
(Max Z=X1) en C es la direccin del incremento en Z. Si localizamos un
punto arbitrario a lo largo del gradiente y despus lo proyectamos
perpendicularmente sobre el espacio de la solucin factible (lnea AB),
obtenemos el nuevo punto D con un mejor valor objetivo Z. Este
mejoramiento se obtiene movindose en la direccin del gradiente
proyectado CD. Si repetimos el procedimiento en D, determinaremos un
nuevo punto E que esta mas cerca de la optima en B. Es concebible que si
nos movemos en la direccin del gradiente proyectado, nos tropezamos
con el punto optimo B. Si estamos minimizando Z (en vez de
maximizando), el procedimiento del gradiente proyectado nos alejara en
la forma correcta del punto B hacia la mnima en el punto A (X1=0).

Los pasos dados difcilmente definen un algoritmo en el sentido

normal. Necesitamos algunas modificaciones que garanticen que:
Los pasos generados a lo largo del gradiente proyectado no
brinque el punto ptimo en B.
En el caso dimensional n general, la direccin creada por el
gradiente proyectado no cause una entrampada del algoritmo
en un punto no ptimo. Bsicamente, esto es lo que logra el
algoritmo del punto interior de Karmarkar.

Algoritmo de punto interior

Hay varias variantes del algoritmo de karmarkar en circulacin.

Nuestra presentacin sigue el algoritmo original. Karmarkar supone que
la PL se da como:
Min Z=CX
s.a.
AX=0
1X=1
X 0

Todas las restricciones son ecuaciones homogneas, excepto por la

restriccin 1X= n J n XJ=1 que define una simplex n dimensional. La
validez del algoritmo del Karmarkar se basa en satisfacer dos
condiciones:

1) X=(1/n,1/n,...1/n) satisface AX=0

2) Min Z=0
 Karmarkar proporciona transformaciones algebraicas para convertir
en problema general de PL a esta forma. El siguiente ejemplo ilustra
como una PL general se puede poner en la forma homognea AX=0 con
1X=0. Tambin muestra como la transformacin resulta en X=(1/n,
1/n,...,1/n) siendo una solucin factible de AX=0 (condicin 1) la
transformacin necesaria para producir Min Z=0 (condicin 2) no se
presentara aqu por que es tediosa.
Ejemplo:

Considere el problema

Minimizar Z=y 1 + y 2
s.a
y 1 + 2y 2 2
y 1 , y 2 0

La restriccin y 1 + 2y 2 se convierte en una ecuacin aumentando una

variable de holgura y 3 0 para dar:
y 1 + 2y 2 + y 3 =2
ahora defina:
y 1 + y 2 + y 3 U
En donde U es lo suficientemente grande para no eliminar cualquier
punto factible en el espacio de la solucin original. En nuestro ejemplo,
como se puede determinar la ecuacin y 1 + 2y 2 + y 3 =2, U=5 ser adecuado.
Al aumentar una variable de holgura y 4 <0, obtendremos:
y 1 + y 2 + y 3 + y 4 =5

Podemos homogeneizar la restriccin y 1 + 2y 2 + y 3 =2 multiplicando

el lado derecho por (y 1 + y 2 + y 3 + y 4 /5) debido a que la ultima fraccin es
igual a 1, esto nos da despus de la simplificacin:
3y 1 + 8y 2 + 3y 3 - 2y 4 =0
Para convertir y 1 + y 2 + y 3 + y 4 =5 a la forma simplex, definimos la
nueva variable x j =y i /5, i=1,2,3,4 para obtener:

Max Z=5x 1 + 5x 2
s.a.
3x 1 + 8x 2 + 3x 3 2x 4 =0
x 1 + x 2 + x 3 + x 4 =1
 x j 0 , j=1,2,3,4

Por ltimo, podemos asegurar que el centro X=(1/n, 1/n,...,1/n) de

la simplex es un punto factible para las ecuaciones homogneas,
restando del lado izquierdo de cada ecuacin una variable artificial cuyo
coeficiente es igual a la suma algebraica de todos los coeficientes de
restriccin en el lado izquierdo, es decir, 3+8+3-2=12. Despus se
aaden las variables artificiales a la ecuacin simplex y se penalizan en
la forma apropiada en la funcin objetivo. En nuestro ejemplo, la
artificial X 5 se aumenta como sigue:

Z=5x 1 + 5x 2 Mx 5
s.a.
3x 1 + 8x 2 + 3x 3 2x 4 12x 5 = 0
x1 + x2 + x3 + x4 + x5 = 1
x j 0 , j=1,2,3,4,5
Para este sistema de ecuaciones, el nuevo centro simplex (1/5,
1/5,...1/5) es factible para la ecuacin homognea. El valor M en la
funcin n objetivo se elige suficientemente grande para impulsar X 5 a
cero.

Ahora presentamos los pasos principales del algoritmo. La figura 1

proporciona una tpica ilustracin de que el espacio de la solucin es de
tres dimensiones con el conjunto homogneo AX=0 que consta solo de
una ecuacin. por definicin, el espacio de la solucin que consiste en el
segmento de la lnea AB se encuentra totalmente en la simplex 1X=1 y
pasa a travs del punto interior factible (1/3,1/3,1/3). De manera
similar, la figura 2 proporciona una ilustracin del espacio de la solucin
ABC en cuatro dimensiones, con el conjunto homogneo que de nuevo
consiste solo en una restriccin. En este caso, el centro de la smplex lo
da (1/4,1/4,1/4,1/4).

La idea principal de Karmarkar es empezar desde un punto interior

representado por el centro de la smplex y despus avanzar en direccin
del gradiente proyectado para determinar un nuevo punto de la solucin.
El nuevo punto debe ser estrictamente un punto interior, significando
que todas las coordenadas deben ser positivas. La validez del algoritmo
se basa en esta condicin.
 Para que el nuevo punto de la solucin sea estrictamente interior,
no debe estar en los limites de la smplex. (En trminos de la figura 1,
los puntos A y B en las tres dimensiones y las lneas AB, BC y AC en las
tres dimensiones se deben excluir). Para garantizar este resultado, una
esfera con su centro coincidiendo con el de la smplex se inscribe en
forma ajustada en el interior de la smplex. En el caso n dimensional, el
radio r de esta esfera es igual a 1/ n(n-1). Ahora una esfera ms
pequea con radio r(0< <1) ser un subconjunto de la esfera y cualquier
punto en la interseccin de la esfera ms pequea con el sistema
homogneo AX=0 ser un punto interior, con todas sus coordenadas
estrictamente positivas. Por consiguiente, podemos avanzar tan lejos
como sea posible en este espacio tan restringido (la interseccin de
AX=0 y la esfera r) a lo largo del gradiente proyectado, para determinar
el nuevo punto de la solucin (necesariamente mejorado).
El nuevo punto de la solucin ya no estar en el centro smplex.
Para que el procedimiento sea iterativo, necesitamos encontrar una
forma de llevar el nuevo punto de la solucin hacia el centro de una
smplex. Karmarkar satisface este requerimiento proponiendo la
siguiente idea intrigante, llamada transformacin proyectiva:
Y 1 = (x i /x ki ) / n j=1 (x i /x ki ), i=1,2,...,n

Donde xki es el elemento i del punto de la solucin actual X k. La

transformacin es valida debido a que todas las X ki >0 por diseo. Tambin
observara que n i=1 y i =1 o 1y=1 , por definicin. Esta transformacin es
equivalente a: Y=D k -1 X / 1D k -1 X
Donde D k es una matriz diagonal cuyos elementos diagonales i son
iguales a xki. La transformacin traza el espacio X sobre el espacio Y
nicamente, porque podemos mostrar directamente que la ltima ecuacin nos
da: X=D k Y/1D k Y
Por definicin, min CX=0 de ello se deduce que 1D k Y debe ser
positiva, en cuyo caso nuestro programa lineal original se puede escribir
como:

Min Z=CD k Y
s.a.
AD k Y=0
1Y=1
 Y0

El problema transformado tiene el mismo formato del problema

original. Por consiguiente, podemos empezar con el centro simplex
Y=(1/n,1/n,...,1/n) y repetir el paso iterativo. Despus de cada iteracin,
podemos calcular los valores de las variables X originales a partir de la
solucin Y.
Ahora mostraremos como se puede determinar el nuevo punto de la
solucin para el problema transformado. Nuestro problema en cualquier
iteracin k se da por:
Max Z=CD k Y
s.a.
AD k Y=0
Y se encuentra en la esfera r

Debido a que la esfera r es un conjunto del espacio de la

restriccin 1X=0 y X0, es posible prescindir de estas dos
restricciones. Se puede mostrar que la solucin ptima del problema
anterior es:
Y nueva = Y actual + r (c p / ||c p ||)
Donde Y actual = (1/n,1/n,...,1/n)t y cp es el gradiente proyectado, que se puede
mostrar que se calculo como:
Cp= [I-PT (PPT)1P] (CDk)T
con P=(ADk)
1

La seccin especifica es crucial para producir un algoritmo potente.

Normalmente seleccionaramos una tan grande como fuera posible para adquirir
grandes saltos en la solucin. Sin embargo, al elegir una demasiado grande,
podemos llegar demasiado cerca de los lmites prohibidos de la smplex. No se
conoce una respuesta general para este problema. Karmarkar sugiere el empleo
de =(n-1)/3n.
Los pasos del algoritmo de karmarkar son:

Paso 0. Empiece con el punto de la solucin X 0=(1/n,1/n,...,1/n) y calcule

r=1/n(n-1) y =(n-1)/3n.
Paso general K
Dk= diag {xk1,...,xkn}
 P=(ADk)
1

y calcule:
Ynueva=(1/n...1/n)T + r (cp / |cp|)

Xk+1=DkYnueva/1DkYnueva

donde Cp= [I-PT (PPT)1P] (CDk)T

FIGURA 1
(TRES DIMENSIONES)
X3
(0, 0, 1)
smplex 1X=1

Centro de la
smplex Interseccin de
AX=0 y 1X=1

(1/3,1/3,1/3)
(1,0,0) X1

(0,1,0)
X2