Está en la página 1de 27

CAPITULO II: MARCO TEORICO Y CONCEPTUAL.

2. PROGRAMACIN LINEAL: MTODO GRFICO

La Programacin Lineal, es un procedimiento o algoritmo matemtico mediante el cual se resuelve


un problema, formulado a travs de ecuaciones lineales, optimizando la funcin objetivo, tambin
lineal. Consiste en optimizar (minimizar o maximizar) una funcin lineal, que se denomina funcin
objetivo, de tal forma que las variables de dicha funcin estn sujetas a una serie de restricciones
que expresamos mediante un sistema de inecuaciones lineales de la forma:

a1x1 + a2x2 + + aixi , = b i= 1,2,,m

Se considera el desarrollo de la Programacin Lineal (PL) entre los avances cientficos ms


importantes de mediados del siglo XX. En la actualidad es una herramienta comn que ha
ahorrado miles o millones de dlares a muchas compaas y negocios, incluyendo industrias
medianas en distintos pases del mundo.

El tipo ms comn de aplicacin abarca el problema general de asignar recursos limitados entre
actividades competitivas de la mejor manera posible (es decir, en forma ptima).Este problema de
asignacin puede surgir cuando deba elegirse el nivel de ciertas actividades que compiten por
recursos escasos para realizarlas.

La variedad de situaciones a las que se puede aplicar esta descripcin es sin duda muy grande, y va
desde la asignacin de instalaciones productivas a los productos, hasta la asignacin de los
recursos nacionales a las necesidades de un pas; desde la planeacin agrcola, hasta el diseo de
una terapia de radiacin; etc. No obstante, el ingrediente comn de todas estas situaciones es la
necesidad de asignar recursos a las actividades

La PL es una tcnica determinista, no incluye probabilidades y utiliza un modelo matemtico para


describir el problema. El adjetivo lineal significa que todas las funciones matemticas del modelo
deben ser funciones lineales. As, la PL trata la planeacin de las actividades para obtener un
resultado ptimo, esto es, el resultado que mejor alcance la meta especificada (segn el modelo)
entre todas las opciones de solucin. Aunque la asignacin de recursos a las actividades es la
aplicacin ms frecuente, la PL tiene muchas otras posibilidades.

VARIABLES
Las variables son reales mayores o iguales a cero. Xi 0. En caso que se requiera que el valor
resultante de las variables sea un entero, el procedimiento se denomina Programacin entera.

RESTRICCIONES
Las restricciones pueden ser de la forma:
Tipo 1:

= .
=

TIPO 2

= .
=

TIPO 3

.
=

Donde:
A = valor conocido a ser respetado estrictamente;
B = valor conocido que debe ser respetado o puede ser superado;
C = valor conocido que no debe ser superado;
a; b; y, c = coeficientes tcnicos conocidos;
X = Incgnita i = nmero de la restricciones, variable de 1 a N.
j = nmero de incgnitas, variable de 1 a M

En general no hay restricciones en cuanto a los valores de N y M. Puede ser N = M; N > M; , N <
M. Los tres tipos de restricciones pueden darse simultneamente en el mismo problema.
FUNCIN OBJETIVO
La funcin objetivo puede ser:

= .
=

= .
=

Donde:
fi = coeficientes son relativamente mayores o iguales a cero
M = numero de incgnitas.

Finalmente el Modelo de Programacin Lineal queda como se muestra en el ejemplo de


maximizacin:

= .
=

s.a

.
=

J= 1, 2,3,M

2.1 MTODO GRFICO

El mtodo grfico se utiliza para la solucin de problemas de PL, representando geomtricamente


a las restricciones y el objetivo. El modelo se puede resolver en forma grfica si tiene dos o tres
variables. Para modelos con ms variables, el mtodo grfico es imprctico o imposible.

Considere el problema siguiente:


Min Z =Cx
Sujeto a:
Ax > b X < O

Ntese que la regin factible consistir de todos los vectores x que satisfagan Ax > b ( Zona de
soluciones factibles, es decir todos los valores de xl y x2 que satisfagan a las restricciones Ax > b) y
x > O. Entre tales puntos deseamos encontrar un punto con mnimo valor Cx.

Z = Cx = , ; c x = 1, 2 ,. . . ,n (n = No. de variables)

Si Z va a ser minimizada, entonces una vez establecida la regin factible, la correspondiente recta
de
Z = Cx es deslizada paralelamente a si misma en la direccin que optimice (minimice) ms el valor
del objetivo.

6
Z Optima
X1 + X2 5

Punto ptimo
Z1
Regin factible
-X1 + 2X2 6

Figura 2.1: Modelo mtodo grafico

La regin factible es la encerrada en el recuadro formado por las rectas

x>_O, y > O, xl + xl <_5 y xl +2x2 <_6

La lnea de la funcin objetivo Z, se mueve paralelamente desde la esquina inferior derecha hacia
la e8squina superior izquierda, alcanzndose el ptimo en el punto ltimo que toque la recta Z
de la funcin objetivo de la zona de soluciones factibles.

Es importante hacer notar que el Punto Optimo es una de las 5 esquinas que son denominadas
puntos extremos

Nota:
Si Z va a ser maximizada, entonces Z = Cx ser deslizada paralelamente a s misma en la
direccin que optimice (maximice) el valor del objetivo.

2.1.1 EXISTEN CUATRO TIPOS DE SOLUCIN

1. SOLUCION UNICA:
Regin limitada
Regin ilimitada
2. SOLUCION MULTIPLE:
Regin limitada
Regin ilimitada
3. SOLUCION FACTIBLE VACIA (NO SOLUCIN)
4. SOLUCION NO FACTIBLE

2.1.2 PASOS A SEGUIR PARA DAR SOLUCION POR ME TODO GRAFICO

1. Identificar el tipo de problema, ya sea maximizacin o Minimizacin.


2. Tabular cada una de las ecuaciones para graficarlas ( obtenga para cada ecuacin dos
puntos dando un valor cero a una de las variables, para luego obtener el valor de la otra
variable, despus a la otra variable asgnele un valor de cero para obtener el valor de la
otra variable). Entonces grafique estos puntos. -
3. Asigne un valor inicial a Z, que sea un mltiplo de los coeficientes de las variables en la
funcin objetivo y obtenga dos punto Como en el paso 2 para graficar esta funcin, ahora
asigne otro valor de z tal que la funcin objetivo mejore y obtenga dos puntos para que
esta sea graficada.
4. Determinar la zona de soluciones factibles, observe en que direccin se encuentran los
puntos que satisfacen a cada ecuacin , esto es; evaluar el origen (punto (0,0)) en cada
ecuacin, si este satisface a la ecuacin, entonces todos los puntos hacia donde se
encuentre el origen satisfacen a la ecuacin. Caso contrario su sentido ser opuesto a
donde se encuentre el origen.
5. Obtener la solucin ptima moviendo la lnea de Z paralelamente en la direccin en que
optimice a la funcin objetivo y dentro de la zona de soluciones factibles. El ltimo punto
que esta lnea toque en esta zona ser el punto ptimo.

A continuacin se presentan los diferentes casos posibles que se pueden presentar en la


solucin de un problema de Programacin Lineal.

2.1.3 EJERCICIO DE MAXIMIZACION

A continuacin estudiaremos un problema para maximizacin con la asignacin de recursos.


El objetivo es poder obtener ganancias mximas con unos recursos limitados. En esta
ocasin uno de los dos recursos sern, horas mquinas, donde podemos conocer cuantas
horas mquinas se necesitan para producir, sillas, mesas o la combinacin de sillas y mesas
con un mximo de ganancias, y nuestro segundo recurso son las horas hombre, donde
tambin conoceremos cuantas horas hombre se necesitan para producir, sillas, mesas o la
combinacin ambas con un mximo de ganancias. En ambos casos conoceremos por medio
de una grfica donde se cortan las dos restas de horas mquinas y horas hombres, para
obtener nuestro punto de mayor ganancia de la empresa. En adicin podremos ver que es
ms factible a la empresa producir, si sillas solamente, mesas solamente o si la combinacin
de sillas y mesas.

Una empresa donde produce sillas y mesas, tiene una ganancia por mesa de tres (3) dlares,
para construir una necesita invertir dos (2) horas mquina y una (1) hora hombre. Para la
empresa producir una silla necesita invertir seis (6) horas mquina y cuatro (4) horas
hombre donde tiene una ganancia de cinco (5) dlares por silla.
Nuestro mximo disponible por horas mquinas ser de dos (2) y el mximo disponible
para horas hombre ser de seis (6)
Artculo Ganancias Horas Mquina Horas Hombre

MESAS $3.00 2 1

SILLAS $5.00 6 4

Para obtener nuestra ecuacin llamaremos a las mesas con X y las sillas con Y.

Ecuacin Funcin Objetiva


2X + 6Y 12 F = 3X +
5Y X X+ 4Y 7

A continuacin veremos el resultado de Y cuando igualamos X a cero (0) y el resultado de X


cuando igualamos Y a cero (0) en ambas ecuaciones.

Primera ecuacin para Horas Mquina:

2X + 6Y 12 2X + 6Y 12

2(0) + 6Y 12 2X + 6(0) 12

6Y 12 2X 12

Y 2 X 6

Segunda ecuacin para Horas Hombre:

X + 4Y 7 X + 4Y 7

(0) + 4Y 7 X + 4(0) 7

4Y 7 X 7

Y 1.75

Descripcin X Y X Y
Horas 0 2 0 1.75
Mquina
Horas Hombre 6 0 7 0
3

SILLAS
2
A to B
C to D
1

1 2 3 4 5 6 7 8
MESAS

Figura 2.1.1 Grafico maximizacin

Puntos para Horas Mquina, A = (0, 2) y B = (6, 0)

Puntos para Horas Hombre , C = (0, 1.75) y D = (7, 0)


El punto donde se cortan las lneas lo llamaremos punto, E = (3, 1).

De esta forma podemos tener nuestros puntos factibles necesarios para as determinar la funcin
objetiva. Nuestros puntos factibles son CEB, donde

C= (0, 1.75), E = (3, 1) y B = (6, 0).

Solucin: F = 3X + 5Y

Funcin objetiva para el punto C, donde se producen sillas;

C = 3(0) + 5(1.75) = 8.75


Funcin objetiva para el punto E, donde se producen sillas y mesas;
E = 3(3) + 5(1) = 14
Funcin objetiva para el punto B, donde se producen mesas;
B = 3(6) + 5(0) = 18

Luego de realizar estos clculos podemos ver que para que la empresa reciba un mayor
beneficio debe producir solamente mesas.
2.1.4 EJERCICIO DE MINIMIZACION

Una compaa de qumica programa la produccin de ciertos tipos de mezclas, donde el


material M es igual a 8 dlares por paquete y con un peso de 4 kilos, el material N es igual a
5 dlares por paquete con un peso de 2 kilos. Se requiere 100 kilos de la mezcla y se
necesita emplear no menos de 20 paquetes de N para hacer la mezcla. Cuntos paquetes
se debe usar para minimizar los costos?

Tenemos para M = X y para N = Y, donde M = $8.00 por paquete con un peso de 4kilos y
donde N = $5.00 por paquete con un peso de 2kilos. Tambin tenemos 100kilos por lo
menos 20 paquetes de N.
Ecuaciones;

4X = 2Y 100 Y 20 X 0

Funcin Objetiva;

F = 8X + 5Y

Solucin:

4X + 2Y 100 4X + 2Y 100

4(0) + 2Y 100 4X + 2(0) 100

2Y 100 4X 100

Y 50 X 25

60
MEZCLA "N"

50
40
A to B
30
20
C to Infinite
10
0
0 5 10 15 20 25 30

MEZCLA "M"

Figura 2.1.2 Grafico minimizacin


Luego de conocer nuestros puntos factibles, procedemos a determinar la funcin objetiva.
Los puntos factibles son A y D, donde A = (0, 50) y D = (15, 20).

Solucin: F = 8X + 5Y
A = 8(0) + 5(50) =
250
D = 8(15) + 5(20) = 220

Luego de obtener estos clculos podemos determinar que el punto donde mejor
minimizamos los costos es en el punto D.

2.2 MTODO SIMPLEX

El mtodo simplex es en un algoritmo iterativo que secuencialmente a travs de iteraciones se va


aproximando al ptimo del problema de Programacin Lineal, comienza con una solucin factible
y prueba si es o no ptima. Si no lo es, el mtodo sigue a una mejor solucin, hasta que encuentre
una solucin ptima, si es que existe. Si el Problema de Programacin Lineal tiene solucin, esta se
encuentre en la regin factible que es un conjunto convexo.

El mtodo del simplex se basa en la siguiente propiedad: si la funcin objetivo, f, no toma su valor
mximo en el vrtice A de la regin factible, entonces hay una arista que parte de A, a lo largo de
la cual f aumenta; es decir, 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) que conforman la regin factible. Cmo el nmero de vrtices (y de aristas) es
finito, siempre se podr encontrar la solucin.

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. Cabe destacar que para aplicar el Mtodo Simplex a
un modelo lineal, este debe estar en un formato especial conocido como formato estndar.
2.2.1 FORMA ESTNDAR DE UN MODELO DE PROGRAMACIN LINEAL

Min Z = c1x1 + c2x2 + ... + cnxn


sa
a11x1 + a12x2 + ... + a1nxn = b1
a21x1 + a22x2 + ... + a2nxn = b2
.........
am1x1 + am2x2 + ... + amnxn = bm
xi >= 0, i = 1, 2, ..., n y m <= n
y en su forma matricial
Min Z = cTx
s.a
Ax = b x >= 0

Considerando que:

Siempre es posible llevar un problema de maximizacin a uno de minimizacin. Si f(x) es


la funcin objetivo a maximizar y x* es la solucin ptima f(x*) >= f(x), para todo x
factible. -f(x*) <= - f(x), para todo x factible. En consecuencia: x* es tambin mnimo de -
f(x)
Cada restriccin del tipo <= puede ser llevada a una ecuacin de igualdad usando una
(nueva) variable de holgura no negativa, con coeficiente nulo en la funcin objetivo
Cada restriccin del tipo >= puede ser llevada a una ecuacin de igualdad usando una
(nueva) variable de exceso no negativa, con coeficiente nulo en la funcin objetivo.
Siempre es posible escribir una variable libre de signo como la diferencia de dos variables
no negativas.

2.2.2 CONSTRUCCIN DE LA TABLA SIMPLEX

En la primera columna de la tabla aparecer lo que llamaremos base, a partir de la segunda


columna aparecern cada una de las variables de la funcin objetivo (Pi) y en la ltima el trmino
independiente de cada restriccin (P0). Para tener una visin ms clara de la tabla, incluiremos
una fila en la que pondremos cada uno de los nombres de las columnas. Sobre sta tabla que
tenemos incluiremos dos nuevas filas: una que ser la que liderar la tabla donde aparecern las
constantes de los coeficientes de la funcin objetivo, y otra que ser la ltima fila, donde tomar
valor la funcin objetivo. Nuestra tabla final tendr tantas filas como restricciones.

Tabla

Base

P1 P2 ... Pn-1 Pn P0

Pi1 a11 a12 ... a1n-1 a1n bi1

Pi2 a21 a22 ... a2n-1 a2n bi2


... ... ... ... ... ... ...
Pim am1 am2 ... amn-1 amn bim

Z Z1-C1 Z2-C2 ... Zn-1-Cn-1 Zn-Cn Z0

Figura 2.2 Tabla

Los valores de la fila Z se obtienen de remplazar los valores Cim de la funcin objetivo y cero si no
aparece en la base. El resto de columnas se obtiene remplazando los coeficientes de las
restricciones segn se muestra en la tabla.

Se observar al realizar el mtodo Simplex, que en esta primera tabla, en la base estarn las
variables de holgura.

Condicin de parada: Cuando en la fila Z no existe ningn valor negativo (para problemas
de Maximizacin) o ningn valor positivo (para problemas de Minimizacin), se ha
alcanzado la solucin ptima del problema. En tal caso, se ha llegado al final del algoritmo.
De no ser as, se contina con las iteraciones.

Eleccin de la variable que entra: Si no se ha dado la condicin de parada, debemos


seleccionar una variable para que entre en la base en la siguiente tabla. Para ello nos
fijamos en los valores estrictamente negativos de la fila Z, y el menor de ellos ser el que
nos de la variable entrante (para problemas de Maximizacin) y nos fijaremos en los
valores estrictamente positivos de la fila Z, y el mayor de ellos ser el que nos de la
variable entrante (para problemas de Minimizacin).
Eleccin de la variable que sale: Una vez obtenida la variable entrante, obtendremos la
variable que sale, sin ms que seleccionar aquella fila cuyo cociente P0/Pj sea el menor de
los estrictamente positivos (teniendo en cuenta que slo se har cuando Pj sea mayor de
0). La interseccin entre la columna entrante y la fila saliente nos determinar el elemento
pivote.
Actualizacin de la tabla: Las filas correspondientes a la funcin objetivo y a los ttulos
permanecern inalterados en la nueva tabla. El resto deber calcularse de dos formas
diferentes:
La fila en la cual se encuentra el elemento pivote, se le denomina fila pivote, y la columna,
columna pivote

1. Si es la fila pivote cada nuevo elemento se calcular:


Nuevo Elemento Fila Pivote = Elemento Fila Pivote actual / Pivote.
2. Para el resto de elementos de filas se calcular:
Nuevo Elemento Fila = Elemento Fila Pivote actual - (Elemento Columna Pivote en la
fila actual * Nuevo Elemento Fila). Esto se realiza con el fin de llegar a construir la
matriz unitaria o base.

Para conocer la metodologa que se aplica en el Mtodo SIMPLEX, se va a resolver el


siguiente problema:
Maximizar Z = f(x,y)= 3x +2y
sujeto a
2x + y 18
2x + 3y 42
3x + y 24
x 0 , y 0
Se consideran los siguientes pasos:
1. Convertir las desigualdades en igualdades
Se introduce una variable de holgura o exceso por cada una de las restricciones, para
convertirlas en igualdades, resultando el sistema de ecuaciones lineales:

2x+y+h = 18
2x+3y+s = 42
3x+y+d = 24

2. Igualar la funcin objetivo a cero


Z = 3x + 2y
0 = 3x +2y Z
0 =- 3x-2y+Z
3. Escribir la tabla inicial simplex

En las columnas aparecern todas las variables del problema y, en las filas, los coeficientes
de las igualdades obtenidas, una fila para cada restriccin y la ltima fila con los
coeficientes de la funcin objetivo:

Base Variable de decision Variable de holgura Valores solucin

x Y h s d

H 2 1 1 0 0 18

S 2 3 0 1 0 42

D 3 1 0 0 1 24

Z -3 -2 0 0 0 0

Figura 2.2.1 Tabla inicial simplex

4. Encontrar la variable de decisin que entra en la base y la variable de holgura que sale
de la base
Para escoger la variable de decisin que entra en la base, utilizamos el criterio de
optimalidad para lo cual nos fijamos en la ltima fila, la de los coeficientes de la funcin
objetivo y escogemos la variable con el coeficiente negativo mayor

En nuestro caso, la variable x de coeficiente -3.


Si existiesen dos o ms coeficientes iguales que cumplan la condicin anterior, entonces se
elige uno cualquiera de ellos.

Si en la ltima fila no existiese ningn coeficiente negativo, significa que se ha alcanzado la


solucin ptima. Por tanto, lo que va a determinar el final del proceso de aplicacin del
mtodo del simplex, es que en la ltima fila no haya elementos negativos.

La columna de la variable que entra en la base se llama columna pivote.

Para encontrar la variable de holgura que tiene que salir de la base, se divide cada
trmino de la ltima columna (valores solucin) por el trmino correspondiente de la
columna pivote, siempre que estos ltimos sean mayores que cero. En nuestro caso:

18/2 [=9], 42/2 [=21] y 24/3 [=8]

Si hubiese algn elemento menor o igual que cero no se realiza dicha operacin. En el
caso de que todos los elementos fuesen menores o iguales a cero, entonces tendramos
una solucin no acotada y no se puede seguir ya que se hace imposible la aplicacin del
criterio de factibilidad para las variables salientes de la base.

El trmino de la columna pivote que en la divisin anterior d lugar al menor cociente


positivo, el 3, ya que 8 es el menor cociente, indica la fila de la variable de holgura que sale
de la base, d. Esta fila se llama fila pivote.

Si al calcular los cocientes, dos o ms son iguales, segn PRAWDA [8] se debe aplicar las
llamadas reglas lexicogrficas para romper el empate. Una decisin arbitraria puede
causar que el proceso cicle continuamente sin alcanzar la solucin ptima.
En la interseccin de la fila pivote y columna pivote tenemos el elemento pivote
operacional, 3.

5. Encontrar los coeficientes de la nueva tabla.


Los nuevos coeficientes de x se obtienen dividiendo todos los coeficientes de la fila d por
el pivote operacional 3, que es el que hay que convertir en 1.

A continuacin mediante la reduccin gaussiana se hace ceros los restantes trminos de


su columna, con el fin de poder construir la matriz base, con lo que se obtiene los nuevos
coeficientes de las otras filas incluyendo los de la funcin objetivo Z

Base Variable de decision Variable de holgura Valores solucin

X Y h S d

H 0 1/3 1 0 -2/3 2

S 0 7/3 0 1 -2/3 26

X 1 1/3 0 0 1/3 8

Z 0 -1 0 0 1 24

Figura 2.2.2 Tabla II iteracin n 2

Como en los elementos de la ltima fila hay uno negativo, -1, significa que no hemos llegado
todava a la solucin ptima. Hay que repetir el proceso:

La variable que entra en la base es y, por ser la variable que corresponde al coeficiente -1
Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los
trminos correspondientes de la nueva columna pivote:

2/(1/3) =6, 26/(7/3) =(78/7) y 8/(1/3) =8


y como el menor cociente positivo es 6, tenemos que la variable de holgura que sale es h.
El elemento pivote, que ahora hay que hacer 1, es 1/3.
Operando de forma anloga a la anterior obtenemos la tabla:

Base Variable de decision Variable de holgura Valores solucin

X Y H s d

y 0 1 3 0 -2 6

s 0 0 -7 0 4 12

x 1 0 -1 0 1 6

Z 0 0 3 0 -1 30

Figura 2.2.3 Tabla III iteracin n 3

Como en los elementos de la ltima fila hay uno negativo, -1, significa que no hemos llegado
todava a la solucin ptima. Hay que repetir el proceso:

La variable que entra en la base es d, por ser la variable que corresponde al coeficiente -1
Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los
trminos correspondientes de la nueva columna pivote:
6/(-2) =-3, 12/4 =3, y 6/1 =6
y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es S
El elemento pivote, que ahora hay que hacer 1, es 4. Obtenemos la tabla:

Base Variable de decision Variable de holgura Valores solucin

X Y h s d

y 0 1 -1/2 0 0 12

d 0 0 -7/4 0 1 3

x 1 0 -3/4 0 0 3

Z 0 0 5/4 0 0 33

Figura 2.2.4 Tabla IV. Final del proceso


Como todos los coeficientes de la fila de la funcin objetivo son positivos, hemos llegado a la
solucin ptima.

La solucin ptima viene dada por el valor de Z en la columna de los valores solucin, en este
caso: 33. En la misma columna se puede observar el vrtice donde se alcanza, observando las filas
correspondientes a las variables de decisin que han entrado en la base x= 3; y= 12 donde la
solucin ptima al PL se da en el vrtice D(3,12), con un valor optimo z= 33.

2.2.3 MTODO DE DOS FASES (SIMPLEX)

Mtodo de las Dos Fases segn TAHA [10], es una variante del Algoritmo Simplex, que se aplica
cuando luego de llevar un modelo de programacin lineal a su forma estndar no se dispone de
una solucin bsica factible inicial.

Segn MACHUCA [5] y GREEN [4] ste mtodo difiere del Simplex en que primero hay que resolver
un problema auxiliar que trata de minimizar la suma de las variables auxiliares o artificiales. Una
vez resuelto este primer problema y reorganizada la tabla final, se pasa a la segunda fase, que
consiste en realizar el mtodo Simplex normal, el cual segn PRAWDA [8] se calcula como sigue:

FASE UNO:

En esta primera fase, se realiza todo de igual manera que en el mtodo Simplex normal, excepto la
construccin de la primera tabla, la condicin de parada y la preparacin de la tabla que pasar a
la fase 2.

Se considera un problema auxiliar que resulta de agregar tantas variables auxiliares a las
restricciones del problema, de modo de obtener una solucin bsica factible. Luego se resuelve,
utilizando el mtodo Simplex, un nuevo problema que considera como funcin objetivo minimizar
la suma de las variables auxiliares sujeta a las restricciones del problema original. Si el problema
tiene un espacio factible el valor de la funcin objetivo es cero, lo cual indica que todas las
variables artificiales son cero. En ese momento se pasa a la Fase Dos; caso contrario el problema
no tiene solucin ptima.
FASE DOS:

Consiste en resolver a travs del Mtodo Simplex el problema original a partir de la solucin
bsica factible inicial hallada en la Fase Uno, es decir, tomando como base los resultados ptimos
obtenidos en la ltima tabla de la Fase Uno, se eliminan las columnas de las variables artificiales,
se remplaza la funcin objetivo original del problema, en lugar de la provisional que se haba
colocado para iniciar la Fase Uno. Luego se procede a resolver a partir de ah, con el mtodo
Simplex tradicional.

Construccin de la primera tabla:

Siguiendo las pautas de , se hace de la misma forma que la tabla inicial del mtodo Simplex, la
diferencia es que la fila de la funcin objetivo cambia para la primera fase, ya que cambia la
funcin objetivo y los coeficientes de esta si en el mtodo simplex normal se consideraba a los Zi-
Ci, ahora se consideran a los Zi, adems que en la segunda columna de la tabla aparecern los
coeficientes del valor de la funcin objetivo en las restricciones a lo se llamara Cb, y se incluirn las
columnas para las variables artificiales.

Variable Valores
Base Variable de decisin
artificial solucin

Cb P1 P2 ... Pn-k ... Pn P0

Pi1 Ci1 a11 a12 ... a1n-k ... a1n bi1

Pi2 Ci2 a21 a22 ... a2n-k ... a2n bi2


... ... ... ... ... ... ... ... ...

Pim Cim am1 am2 ... amn-k ... amn bim

Z Z1 Z2 ... Zn-k ... Zn Z0

Figura 2.2.5 Tabla 2 fases


Condicin de parada:

La condicin de parada es la misma que en el mtodo Simplex normal. La diferencia est en que
pueden ocurrir dos casos cuando se produce la parada: la funcin toma un valor 0, que significa
que el problema original tiene solucin, o que tome un valor distinto, indicando que el modelo no
tiene solucin.

Eliminar Columna de variables artificiales:

Si se ha llegado a la conclusin de que el problema original tiene solucin, se debe preparar la


tabla para la segunda fase. Debiendo eliminar las columnas de las variables artificiales, modificar la
fila de la funcin objetivo por la original, y calcular la fila Z de la misma forma que en la primera
tabla de la fase 1.
Con el fin de conocer mejor el Mtodo de dos Fases, se va a resolver el siguiente problema.

Minimizar Z = f(x,y)= 4X1+2X2+3X3+5X4


Sujeto a
2X1+3X2+4X3+2X4=300
8X1+X2+X3+5X4=300
X1 0
X2 0
X3 0
X4 0

Al igual que con el Mtodo Simplex se consideran los siguientes pasos:

1. Convertir las desigualdades en igualdades En este caso el problema ya se encuentra en su


forma estndar, por ello solo se introduce una variable artificial por cada una de las
restricciones, resultando el sistema de ecuaciones lineales:

2X1+3X2+4X3+2X4+Y1=300
8X1+ X2+ X3+5X4+Y2=300
2. Construir la nueva funcin objetivo

La nueva funcin objetivo es la de minimizar las sumas de las variables de holgura o


artificiales que se tengan, es as que se tiene

Min W=Y1+Y2
Ahora para resolver el modelo por el mtodo simplex como un problema de maximizacin
debemos de recordar que:
Min W = Max (-W), entonces tenemos:

El nuevo modelo queda como se muestra:

Max W=-Y1-Y2
s.a
2X1+3X2+4X3+2X4+ Y1+0Y2=300
8X1+ X2+ X3+5X4+0Y1+ Y2=300
X1, X2, X3, X4, Y1, Y2 0

FASE I
Se resuelve el modelo en la tabla simplex como se muestra:

Valores
Base Variable de decisin
solucin
W X1 X2 X3 X4 Y1 Y2

Y1 0 2 3 4 2 1 0 300

Y2 0 8 1 1 5 0 1 300

W -1 0 0 0 0 1 1 0

Figura 2.2.6 Tabla Fase I


Como se observa los costos reducidos de las variables bsicas Y1, Y2 no son nulos por ello se
deben de reducir a 0, ya que se debe de respetar que los costos reducidos de las variables bsicas
sean 0. Entonces para reducir estos coeficientes se hace (fila Y1 * -1 y se suma a fila W), luego (fila
Y2 * -1 y se suma a la fila W) obtenindose las siguientes tablas.

Variable Valores
Base Variable de decisin
artificial solucin
W X1 X2 X3 X4 Y1 Y2

Y1 0 2 3 4 2 1 0 300

Y2 0 8 1 1 5 0 1 300

W -1 -2 -3 -4 -2 0 1 -300

Figura 2.2.7 Tabla II Fase I

Variable Valores
Base Variable de decisin
artificial solucin
W X1 X2 X3 X4 Y1 Y2

Y1 0 2 3 4 2 1 0 300

Y2 0 8 1 1 5 0 1 300

W -1 -10 -4 -5 -7 0 0 -600

Figura 2.2.8 Tabla III Fase I

Ahora se observa que los coeficientes de las variables bsicas artificiales son 0, por lo que la tabla
simplex es correcta; por ello se procede a resolver mediante el mtodo simplex normal,
obtenindose las tablas siguientes:
Variable Valores
Base Variable de decisin
artificial solucin
W X1 X2 X3 X4 Y1 Y2

Y1 0 2 3 4 2 1 0 300

Y2 0 8 1 1 5 0 1 300

W -1 -10 -4 -5 -7 0 0 -600

Figura 2.2.9 Tabla IV Primera Iteracin.

La variable que entra en la base es X1, por ser la variable que corresponde al coeficiente -
10 (menor negativo)
Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los
trminos correspondientes de la nueva columna pivote:

300/2 =150, 300/8 =75/2


y como el menor cociente positivo es 75/2, tenemos que la variable que sale es Y2.
El elemento pivote, que ahora hay que hacer 1, es 8.
Una vez reducido el pvot a 1 mediante la reduccin gaussiana se hacen 0 los coeficientes
restantes de la columna, se tiene:

Variable Valores
Base Variable de decisin
artificial Solucin
W X1 X2 X3 X4 Y1 Y2

Y1 0 0 11/4 15/4 3/4 1 -1/4 225

X1 0 1 1/8 1/8 5/8 0 1/8 75/2

W -1 0 -11/4 -15/4 -3/2 0 5/4 -225

Figura 2.2.10 Tabla V


La variable que entra en la base es X3, por ser la variable que corresponde al coeficiente -
15/4 (menor negativo)
Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los
trminos correspondientes de la nueva columna pivote:

225/(15/4) =60, (75/2)/(1/8) =300

y como el menor cociente positivo es 60, tenemos que la variable que sale es Y1.

El elemento pivote, que ahora hay que hacer 1, es 15/4.

Operando anlogamente como en el caso anterior se tiene:

Variable Valores
Base Variable de decisin
artificial Solucin
W X1 X2 X3 X4 Y1 Y2

X3 0 0 11/15 1 1/5 4/15 -1/15 60

X1 0 1 1/30 0 3/5 -1/30 2/15 30

W -1 0 0 0 0 1 1 0

Figura 2.2.11 Tabla VI

Como se observa los coeficientes de las variables de decisin son todos mayores o iguales a cero, y
el valor de las variables artificiales son ceros en consecuencia la funcin tiene valor 0, por lo que se
da por concluido con la FASE I y se tiene una solucin bsica factible X1=30, X2=0, X3=60, X4=0

FASE II
Min Z = 4X1+2X2+3X3+5X4
Se toma la solucin bsica factible de la FASE I como la solucin inicial y se eliminan las columnas
de las variables artificiales. Teniendo as la siguiente tabla simplex:
Valores
Base Variable de decision
solucin
W X1 X2 X3 X4

X3 0 0 11/15 1 1/5 60

X1 0 1 1/30 0 3/5 30

Z 1 0 -28/15 -3 -13/15 120

Figura 2.2.12 Tabla VII

Como se observa en el cuadro simplex los costos reducidos de las variables bsicas X3 y X1 no son
nulos por ello debemos de hacer cero (0) estos coeficientes para que la tabla sea correcta.

Entonces realizando los clculos se tiene:

Valores
Base Variable de decision
solucin
W X1 X2 X3 X4

X3 0 0 11/15 1 1/5 60

X1 0 1 1/30 0 3/5 30

Z 1 0 1/3 0 -2 300

Figura 2.2.13 Tabla VIII

Como se observa, uno de los coeficientes de las variables de decisin es menos a cero, por tanto
se contina con las iteraciones
La variable que entra en la base es X4, por ser la variable que corresponde al coeficiente -2
(menor negativo)
Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los
trminos correspondientes de la nueva columna pivote
60/(1/5) =300, 30/(3/5) =50
y como el menor cociente positivo es 50, tenemos que la variable que sale es X1

El elemento pivote, que ahora hay que hacer 1, es 3/5. Una vez reducido el pvot a 1
mediante la reduccin gaussiana se hacen 0 los coeficientes restantes de la columna, se
tiene:

Valores
Base Variable de decisin
solucin
W X1 X2 X3 X4

X3 0 -1/3 13/18 1 0 50

X4 0 5/3 1/18 0 1 50

Z 1 10/3 4/9 0 0 400

Figura 2.2.14 Tabla IX

Entonces se tiene que los coeficientes de las variables de decisin son mayores o iguales a cero,
por tanto se da por concluida las iteraciones obtenindose la Solucin Bsica Factible:

X1= 30, X2= 0, X3= 50, X4=50

El valor optimo de la funcin es de Z=400.


BIBLIOGRAFIA.
PAGINA WEB
Programacin lineal . http://hemaruce.angelfire.com
Ingeniera industrial online .com https://www.ingenieriaindustrialonline.com
LIBROS
Lizar Landeta, Juan (1996), Investigacin de Operaciones, (3ed.) Bolivia, Edicin potos
Taha, A Handy (2012), Investigacin de Operaciones,(9ed,) Mxico ,Edicin Pesaron
TESIS
Rivero Vsquez, Daniel Alberto,(2015),Aplicacin de la investigacin de operaciones al
problema de la distribucin a una empresa de logstica (Tesis pregrado),Universidad
Mayor de San Marcos, Lima ,Per