Está en la página 1de 20

UNIVERSIDAD ALAS PERUANAS

ESCUELA ACADEMICA PROFESIONAL DE ADMINISTRACION Y NEGOCIONES


INTERNACIONALES

TITULO DEL TEMA:

METODO SIMPLEX

DOCENTE:

ALUMNOS:

ANGULO SANCHEZ, VICTOR


DELGADO DIAZ, FIORELA
CORDOVA MARTINEZ, MINERVA
LEVANO ACOSTA, CONSUELO
PERALTA FLORES, MARIA
SAAVEDRA RIOS, SANDRO

CICLO:
VI
TURNO:
TARDE

PISCO-ICA-PERU

2016
DEDICATORIA

Este presente trabajo está dedicado


primeramente a dios y luego a todas las
personas que nos han apoyado y han
hecho que el trabajo se realice con mucha
dedicación y esfuerzo
INDICE

INTRODUCCION…………………………………………………………………………..……..4

EL METODO SIMPLEX………………………………………………..………………..……….5

DESARROLLO DEL METODO SIMPLEX………………………………………..………...…6

METODO SIMPLEX………………………………………………………………………..…….7

METODO DE LAS 2 FASES………………………………………..……………..……………8

SOLUCIONES PARTICULARES EN EL METODO SIMPLEX……………………………11

Caso 1

Caso 2

Caso 3

Caso 4

MÉTODO DOS FASES………………………..……………..…………………………...……13

VARIABLE ARTIFICIAL / MÉTODO DE LA "M"…..…………………………...…………..19

¿QUE ES UNA MATRIZ IDENTIDAD?

CONCLUSIONES……………………………………………………………………………….20
INTRODUCCION

El método simplex, es el método algebraico para resolver problemas de programación


lineal que involucran más de dos variables, fue creado en el año de 1947. La primera
aplicación importante de este método ocurrió poco después del verano de 1947, cuando
J. Laderman resolvió, en la National Bureau of Standards, un programa lineal de
planeación de una dieta con nueve restricciones y 27 variables. Usando calculadoras de
escritorio, para resolver este problema se requirieron 120 días-hombre, y cuando con
dificultad las hojas de datos fueron unidas entre sí, semejaban un "mantel". Actualmente,
usando la computadora y un programa del método Simplex (TORA, MICROMANAGER,
LINDO, PROLIN, QSB, otro) es fácil resolver problemas de PL con muchas variables y
muchas restricciones.

4
EL METODO “SIMPLEX”

Es un procedimiento iterativo que permite ir mejorando la solución a cada paso. El proceso


concluye cuando no es posible seguir mejorando más dicha solución. Partiendo del valor
de la función objetivo en un vértice cualquiera, el método consiste en buscar
sucesivamente otro vértice que mejore al anterior. La búsqueda se hace siempre a través
de los lados del polígono(o de las aristas del poliedro, si el número de variables es mayor).
Cómo el número de vértices y de aristas) es finito, siempre se podrá encontrar la solución.
El método del simplex se basa en la siguiente propiedad: si la función objetivo, f, no toma
su valor máximo en el vértice A, entonces hay una arista que parte de A, a lo largo de la
cual f aumenta. El método del simplex se utiliza, sobre todo, para resolver problemas de
programación lineal en los que intervienen tres o más variables. El álgebra matricial y el
proceso de eliminación de Gauss-Jordan para resolver un sistema de ecuaciones lineales
constituyen la base del método simplex

 Fue desarrollado en 1947 por el Doctor George B. Dantzig.


 Mediante su aplicación es posible resolver problemas lineales con n variables y n
restricciones.
 Se aplica a problemas tanto de Maximización como de Minimización.
 El algoritmo Simplex inicia en el origen y se desplaza por los bordes del área de
soluciones factibles evaluando cada esquina de esta, hasta encontrar la solución
óptima.
 Actualmente existe en el mercado múltiple software para la solución de problemas
de programación lineal que aplica este algoritmo, como QSA, QSB, STORM,
LINGO, TORA, AMPL, AB:POM, etc.
 En 1984 Narendra Karmarkar creó un nuevo método alternativo para la solución
de problemas de programación lineal, conocido como el algoritmo de Karmarkar o
del punto central.
 Este algoritmo inicia situándose en el punto central del área de soluciones factibles,
desde donde evalúa cada esquina de esta, hasta encontrar la solución óptima.
 Ya existe software en el mercado que utiliza este algoritmo, ya que es relativamente
más veloz y de mayor capacidad para manejar más variables y restricciones que el
algoritmo Simplex.

Aplicación del algoritmo Simplex:

Problemas solo con restricciones del tipo “≤” Método Simplex convencional

Problemas con restricciones de los tipos “=” y/o “≥” Método de la “Gran M”
Método de las “2 Fases”

5
DESARROLLO DEL METODO SIMPLEX

Para resolver un problema de programación lineal por medio del algoritmo Simplex, se
deben desarrollar los tres pasos descritos a continuación:

1 2 3
Obtener la forma Colocar la forma
“SIMPLEX ESTÁNDAR” “SIMPLEX ESTÁNDAR” Aplicar el METODO
del modelo de del modelo en la TABLA SIMPLEX
programación lineal SIMPLEX

1. Obtención de la forma “SIMPLEX ESTÁNDAR”.

a) Convertir las restricciones a ecuaciones:

 A todas y cada una de las restricciones del tipo “≤” se les suma una variable de
“holgura” ( Si ).
 A todas y cada una de las restricciones del tipo “=” se les suma una variable
“artificial” ( Ri ).
 A todas y cada una de las restricciones del tipo “≥” se les resta una variable de
“exceso” ( Si ) y además se les suma una variable “artificial” ( Ri )

b) Todas las variables de “holgura” y de “exceso” se suman a la Función Objetivo con


coeficiente cero.

c) Todas las variables de “artificiales” ( Ri ) se suman a la Función Objetivo con un


coeficiente diferente de cero (métodos de la gran M y de las 2 fases)

2. La TABLA SIMPLEX.

Renglón C1 Coeficientes de las variables de la función Recursos


objetiva

Variable Coeficiente Variables de la función objetivo


S1 C1 Coeficientes de las variables de las R1
restricciones

Ra
Sa Ca
Renglón Z1 Valor de Z
Renglón C1-Z1

Nota: Este formato de la tabla SIMPLEX, puede variar de un libro a otro y de un software
a otro; ya que cada autor utiliza el formato que más se le facilita.

6
3. METODO SIMPLEX.

a) Calcular el renglón Zj, multiplicando los coeficientes de las variables básicas por los
coeficientes de cada variable de las restricciones y sumando algebraicamente por
columna.

b) Calcular el renglón Cj-Zj, restando cada valor del renglón Cj al valor del renglón Zj de
su columna respectiva.

c) Determinar cuál es la variable que entra a la solución:

Maximización Variable con el coeficiente más positivo en renglón Cj-Zj


Maximizar Z = 2X1 +4X2 - 3X3

Minimización Variable con el coeficiente más negativo en renglón Cj-Zj


Minimizar Z = 2X1 + 4X2 -3X3, o bien:
Maximizar - Z = - 2X1 - 4X2 +3X3

La columna donde se encuentra la variable que entra, se llama “columna pivote”

d) Determinar cuál es la variable que sale de la solución; la cual será la que tenga la “razón
mínima” con denominador estrictamente positivo (condición de factibilidad).

 La “razón mínima” resulta de dividir el segundo miembro de cada ecuación


(recursos), entre el coeficiente correspondiente de la “columna pivote
 El renglón en el cual se encuentra la variable que sale y donde se situará la variable
que entra, se conoce como “renglón pivote
 A la intersección de la “columna pivote” con el “renglón pivote”, se le llama “número
pivote”.

e) Calcular los nuevos valores que tendrá el “renglón pivote” (renglón nuevo), dividiendo
cada número del renglón entre el “número pivote”.

f) Calcular los nuevos valores para los renglones restantes, mediante la siguiente fórmula

Número del Numero del Número del renglón Numero del


Renglón nuevo = renglón antiguo - antiguo ubicado en la X renglón nuevo
columna del N°privote obteniendo en el paso 5

g) Regresar al inciso a.

El método Simplex termina cuando:

Problemas de Maximización: En el renglón Cj - Zj todos los valores son ceros o negativos.


Problemas de Minimización:

7
En el renglón Cj - Zj todos los valores son ceros o positivos.

Con miras a conocer la metodología que se aplica en el Método SIMPLEX, vamos a


resolver el siguiente problema:

Maximizar Z= f(x,y)= 3x + 2y
Sujeto a: 2x + y ≤18 2x + 3y ≤42
3x + y ≤24
x0 , y 0
Se consideran las siguientes fases: 1. Convertir las desigualdades en igualdades.

Se introduce una variable de holgura 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 función objetivo a cero: - 3x - 2y + Z = 0

Métodos alternativos.

Para solucionar modelos lineales que contengan restricciones del tipo “=” o “≥”, se utilizan
los métodos descritos a continuación.

 Método de la gran “M” (método de la penalización).

Obtener la forma simplex estándar del modelo convirtiendo las restricciones en


ecuaciones, de acuerdo a lo siguiente:

1. A todas las restricciones del tipo “≤”, sumar una variable de “holgura” (Si).

2. A todas las restricciones del tipo “≥”, restar una variable de “exceso” (Si).

3. A las ecuaciones que no cuenten con una variable que desempeñe la función de
“holgura”, se les suma una “variable artificial” (Ri).

4. Todas las variables de “holgura” y de “exceso”, se suman a la función objetivo con


coeficiente cero.

5. Todas las “variables artificiales” también se suman a la función objetivo y se


penalizan asignándoles un coeficiente muy grande (M), que se suma en problemas de
minimización y se resta en problemas de maximización.

Una variable artificial (Ri) no tiene ningún significado en términos de programación lineal;
solo permite iniciar el algoritmo simplex, por lo cual los valores que pueda tomar en la
solución final son difíciles de interpretar.

8
MÉTODO DE LAS 2 FASES.

Obtener la forma simplex estándar del modelo convirtiendo las restricciones en


ecuaciones, de acuerdo a los pasos 1, 2 y 3 del método anterior.

Fase 1: Plantear una nueva función objetivo, donde se minimice la suma de las variables
artificiales ( r = R1 + R2 +…..+ Rn ).

Encontrar una solución factible mediante la tabla inicial y el algoritmo simplex, tratando
de sacar a las variables artificiales de la solución inicial.

Fase 2: A partir de la solución factible obtenida en el paso anterior, plantear una nueva
tabla inicial simplex con la función objetivo original y sin considerar las variables artificiales;
mediante el algoritmo simplex obtener la solución óptima del modelo.

Otra Información Relevante Que Podemos Obtener De La Tabla Óptima Simplex.

Además de los valores óptimos para cada variable original y básica incluida en el
problema, así como el valor obtenido por la función objetivo con esos valores (Z), la tabla
final del algoritmo Simplex en la cual se muestran estos valores, también muestra más
información que es útil al analista para la correcta toma de decisiones; esta información
es referente a:

 El estado de los recursos (lados derechos de las restricciones).


 Los precios duales (costo por unidad adicional de recurso).
 El costo de oportunidad para las variables originales (Xi).

El Estado De Los Recursos.

Las variables de “holgura” y de “exceso” (Si) que se agregan a las restricciones para
convertirlas en ecuaciones, están asociadas a los recursos (lados derechos de cada
restricción); cuando en la solución óptima del problema alguna de estas variables tiene
valor positivo, se dice que es un “recurso abundante”; si alguna de estas tiene valor cero,
se dice que es un “recurso escaso”.

Los Precios Duales.

Están representados por los valores negativos (maximización) o positivos (minimización)


en el renglón (Cj-Zj), para las variables de “holgura” y de “exceso” con valor cero en la
solución óptima; representan el costo por cada unidad adicional de ese recursos que se
desee adquirir.

El Costo De Oportunidad.

Para las variables originales (Xi) que tienen valor cero en la solución óptima, también están
representados por sus valores correspondientes en el renglón (Cj-Zj) y significan lo que

9
se debe aumentar (maximización) o disminuir (minimización) su coeficiente en la función
objetivo, para que puedan entrar en la solución. Ejemplo:

Dos productos se elaboran al pasar en forma sucesiva por tres máquinas, el tiempo por
máquina asignado a los dos productos está limitado a 600 horas por mes, el tiempo de
producción y la ganancia por unidad de cada producto son:

Producto Minutos por unidad


Maquina 1 Maquina 2 Maquina 3 Ganancia
1 10 6 8 $2.00
2 5 20 15 $3.00

El planteamiento del modelo de programación lineal es:

Maximizar Z = 2x1 + 3x2

S.a. 10x1 + 5x2< 600


6x1 + 20x2 < 600
8x1 + 15x2 < 600
x1, x2 < 0
La forma simplex estándar es:

Maximizar Z = 2x1 + 3x2 + 0s1 + 0s2 + 0s3

S.a. 10x1 + 5x2 + s1= 600


6x1 + 20x2 + s2 =600
8x1 + 15x2 + s3 = 600
x1, x2, s1, s2, s3 >0
La tabla optima simplex (solución final); es:
cj 2 3 0 0 0 Recursos
Var.bas Coel X1 X2 S1 S2 S3

S2 0 0 0 0.636 1 -1.55 54.55


X2 3 0 1 -0.073 0 0.091 10.91
X1 2 1 0 0.136 0 0.045 54.55
Zj 2 3 0.053 0 0.183 141.82
Cj-Zj 0 0 -0.053 0 -0.183

10
La asociación de las variables de “holgura“, son:

 S1 representa el tiempo en la máquina 1


 S2 representa el tiempo en la máquina 2
 S3 representa el tiempo en la máquina 3

Observando la tabla final simplex, conteste las siguientes preguntas:

¿Cuál es el estado que guardan los recursos?

¿Cuáles son sus precios duales o precios sombra?

¿Cuáles son los costos de oportunidad para los coeficientes de la función objetivo?

SOLUCIONES PARTICULARES EN EL METODO SIMPLEX.

El método Simplex permite en la tabla final del procedimiento (óptima), identificar algunas
de las soluciones particulares a las que se puede llegar; a continuación se muestra esta
tabla y su interpretación para problemas de maximización.

Caso 1 DEGENERACION

 Se produce cuando alguna de las variables básicas toma un valor de cero en la


solución óptima.
 Cuando en la condición de factibilidad para determinar la variable que sale se
produce un empate entre 2 renglones, esto indica que se tendrá una solución
óptima degenerada en la próxima iteración.
 Este tipo de soluciones son características en problemas donde el número de
restricciones es mayor que el de variables.

Solución óptima degenerada (problema de maximización)

Cj 50 40 0 0 0 Recursos
Var. bas coefic.FO X1 X2 S1 S2 S3
X2 40 0 1 8/25 0 -3/25 20
S2 0 0 0 -8/25 1 3/25 0
X1 50 1 0 -5/25 0 5/25 25
Zj 50 40 70/25 0 130/25 2,050
Cj-Zj 0 0 -70/25 0 - 130/25

11
CASO 2 SOLUCIONES MULTIPLES

 Ocurre cuando en la solución final óptima el valor para una o más variables no
básicas es igual a cero en el último renglón de la tabla ( Cj - Zj )

Solucion optima multiples ( problema de maximizacion)

Cj 30 50 0 0 0 Recursos
Var.Bas. Coelfic.FO X1 X2 S1 S2 S3

X2 50 0 1 8/25 0 -3/25 12
S2 0 0 0 -8/25 1 3/25 8
X1 30 1 0 -5/25 0 5/25 30

Zj 30 50 10 0 0 1,500
Cj-Zj 0 0 -1 0 0

CASO 3 SOLUCION NO ACOTADA.

 Se produce en alguna iteración del algoritmo sin haber llegado a la solución final
óptima, cuando la condición de factibilidad para determinar la variable que sale no
se cumple.
 Ocurre cuando un valor de la función objetivo puede crecer indefinidamente,
satisfaciendo todas las restricciones.

Solución no acotada (problema de maximización)

12
CASO 4 SOLUCION NO FACTIBLE

 Ocurre cuando en la solución óptima, alguna de las variables artificiales (R i), se


encuentran en la solución con valor positivo (de hecho, alguna de las variables
artificiales del problema nunca sale de la solución durante el procedimiento)
 El valor final de la función objetivo se ve afectado o está en función de la variable
artificial (Ri) que se encuentra en la solución óptima.

Solución no factible (problema de maximización)

Una variable artificial (Ri) no tiene ningún significado en términos de programación lineal,
solo permite iniciar el algoritmo Simplex; por lo cual los valores que pueda tomar en la
solución final son difíciles de interpretar.

MÉTODO DOS FASES

Fase Uno:

Minimizar la suma de las variables artificiales del modelo. Si el valor de la Z óptima es


cero, se puede proseguir a la Fase Dos, de lo contrario el problema no tiene solución.

Fase Dos:

Con base en la tabla óptima de la fase uno, se elimina de las restricciones las variables
artificiales, y se reemplaza la función objetivo, por la función objetivo original y se
resuelve a partir de ahí, con el método Simplex tradicional.

Ejercicio:

Primera Fase:

Se reemplaza la función objetivo del programa lineal a solucionar por la minimización de


la suma de las variables artificiales encontradas en la normalización del modelo y se

13
resuelve. Si en la minimización Z = 0 entonces se puede proceder a la Segunda Fase,
de lo contrario el problema no es factible, por lo tanto, no tiene solución.

Segunda Fase:

Se inicia con base en el tablero final de la Primera Fase, se retoma la función objetivo
del programa, haciendo todas las variables artificiales iguales a cero y eliminándolas de
las restricciones.

Ejemplo:

Min Z = 2X1 + X2 + 3X3

Sujeto a: 3X1 + X2 + 2X3 <10


X1 - 2X2 + 3X3 >6
2X1 + 3X2 - X3<9
X1 + X2 + 2X3.=7

1.-Convertir al Modelo Estándar:

Cada restricción debe ser convertida de inecuación a una igualdad, agregando variables
como se requiera. Con las restricciones de tipo <=, es supremamente fácil.

Simplemente se agrega una en cada restricción con coeficiente 1 en la misma restricción


y con coeficiente cero en la función objetivo. Por ejemplo:

3X1 + X2 + 2X3 ≤ 10 queda:


3X1 + X2 + 2X3 + S1 = 10
X1 - 2X2 + 3X3 - S2 + A1 = 6
2X1 + 3X2 - X3 + S3 = 9
X1 + X2 +2X3 + A2 = 7
Recordemos: las variables de holgura quedan con coeficiente 0 en la función objetivo y
las variables artificiales con coeficiente M. Positiva si es minimizando o negativa si es
maximizando.

En resumen el modelo queda de la siguiente manera:

Min Z = 2X1 + X2 + 3X3 + 0S1 + 0S2 + MA1 + 0S3 + MA2


Sujeto a: 3X1 + X2 + 2X3 + S1 = 10
X1 - 2X2 + 3X3 - S2 + A1 = 6
2X1+ 3X2 - X3 + S3 = 9
X1+ X2 + 2X3 + A2 = 7
C.N.N (Condición de No Negatividad)

Inicio del Método de las Dos Fases:

14
Min Z = A1 + A2
Sujeto a: 3X1 +X2 + 2X3 + S1=10
X1 -2X2+ 3X3 - S2 + A1 =6
2X1+3X2- X3 + S3=9
X1+ X2+ 2X3 + A2=7
C.N.N (Condición de No Negatividad)

FASE 1

En la siguiente figura encontramos la tabla simplex clásica. En la primera fila los


nombres de las variables de decisión, y justo abajo de ellas, los coeficientes de estas
variables en la función objetivo. Cómo en la primera fase minimizamos la suma de las
variables artificiales, por eso sólo encontramos un valor de 1 abajo de A1 (variable
artificial 1) y de A2 (variable artificial 2). En la segunda columna encontramos las
variables que están en la base al inicio. Como es costumbre, para escogerlas preferimos
si sólo hay variables de decisión y de holgura, escogemos la de holgura para estar en la
base (aquí las llamamos S) y si hay de decisión, de holgura y artificiales, preferimos la
artificial. Por eso, las variables que se escogen para la base son: S1, A1, S3, A2. A la
izquierda de esta columna, como es usual, se coloca los coeficientes en la función
objetivo, de las variables que están en la base.

Luego vienen los coeficientes de las restricciones, y debajo del título RHS (Right Hand
Side), o "lado derecho" de la restricción, colocamos las disponibilidades o
requerimientos.

En otros libros de texto a esta columna también la llaman Bi, lo importante es que usted
entienda que todos los diferentes formatos de tablas, realmente son lo mismo, lo único
que cambia es el orden, la forma de llamar a las columnas, etc.

Bueno, sin dar tantas vueltas: En la primera iteración se calcula Z y C - Z, y por lo tanto la
variable que entra, como estamos minimizando, entra la más negativa: X3 y entra la que
más restringe: A1. Eso hace que la celda pivote este en el valor 3, que lo coloqué con
verde en todas las figuras. Y se aplica eliminación gaussiana: Se divide toda esa fila por
tres, y luego con la fila convertida, elimino por encima y por debajo de la celda pivote
multiplicando por el valor opuesto al que quiero eliminar la fila pivote y sumándosela
componente a componente a la fila que deseo eliminar. Bueno, en estos momentos del
partido, creo que usted ya debe saber bien como hacer la eliminación gaussiana (Y si no,
colóquelo en los comentarios abajo, para ampliar la explicación!)

15
Salir

Entra

Salir

Entra

El valor de la función objetivo, en cada iteración la he colocado en azul claro, para que
vaya viendo el progreso: 13 -> 3 -> 0
Al terminar en cero, el semáforo nos da luz verde para seguir con la siguiente fase.

FASE 2 En la FASE 2, fíjese que cambiamos la fila de la función objetivo y dejamos la


del programa original, pero como en la fase 1 nos aseguramos de eliminar las variables
artificiales, en la fase 2, nos podemos dar el lujo y el gusto de eliminarlas. También,
como es lógico, las borramos de las restricciones. Ahora , sin estorbos, sin constantes
M, o variables artificiales que nos retrasen el paso, porque vamos de prisa, realizamos la
iteración,. y para el colmo de nuestra suerte, en sólo una iteración acabamos.

Encontramos el valor de Z. He escogido el mismo programa para resolverlo por la Gran


M que por el método de las dos fases. Compárelo a ver cuál le gusta más... a mí me
gustaba más el método de la Gran M, pero ahora me está gustando más el método de

16
las Dos Fases... aunque la verdad, en la práctica, en la vida real, nunca he resuelto a
mano un programa lineal, si no que siempre he usado un software... mi jefe no me paga
más, por más iteraciones que calculé, sino porque le entregue una respuesta rápida y
exacta de lo que se necesita: Si. Lo sé. A veces, la vida es triste.

 OBSERVACIONES IMPORTANTES AL UTILIZAR MÉTODO SIMPLEX

El Método Simplex trabaja basándose en ecuaciones y las restricciones iniciales que se


modelan mediante programación lineal no lo son, para ello hay que convertir estas
inecuaciones en ecuaciones utilizando unas variables denominadas de holgura y exceso
relacionadas con el recurso al cual hace referencia la restricción y que en el tabulado final
representa el "Slack or surplus" al que hacen referencia los famosos programas de
resolución de investigación de operaciones, estas variables adquieren un gran valor en el
análisis de sensibilidad y juegan un rol fundamental en la creación de la matriz identidad
base del Simplex.

Estas variables suelen estar representadas por la letra "S", se suman si la restricción es
de signo "<= " y se restan si la restricción es de signo ">=".

17
VARIABLE ARTIFICIAL / MÉTODO DE LA "M"

Una variable artificial es un truco matemático para convertir inecuaciones ">=" en


ecuaciones, o cuando aparecen igualdades en el problema original, la característica
principal de estas variables es que no deben formar parte de la solución, dado que no
representan recursos. El objetivo fundamental de estas variables es la formación de la
matriz identidad.

Estas variables se representa por la letra "A", siempre se suman a las restricciones, su
coeficiente es M (por esto se le denomina Método de la M grande, donde M significa un
número demasiado grande muy poco atractivo para la función objetivo), y el signo18en la
función objetivo va en contra del sentido de la misma, es decir, en problemas de
Maximización su signo es menos (-) y en problemas de Minimización su signo es (+),
repetimos con el objetivo de que su valor en la solución sea cero (0).

¿QUE ES UNA MATRIZ IDENTIDAD?

Una matriz puede definirse como una ordenación rectangular de elementos, (o listado
finito de elementos), los cuales pueden ser números reales o complejos, dispuestos en
forma de filas y de columnas.

La matriz idéntica o identidad es una matriz cuadrada (que posee el mismo número tanto
de columnas como de filas) de orden n que tiene todos los elementos diagonales iguales
a uno (1) y todos los demás componentes iguales a cero (0), se denomina matriz idéntica
o identidad de orden n, y se denota por:

Matriz identidad

La importancia de la teoría de matrices en el Método Simplex es fundamental, dado que


el algoritmo se basa en dicha teoría para la resolución de sus problemas.

19
CONCLUSIONES

La investigación de operaciones permite el análisis en la toma de decisiones de una


organización y en la implementación de proyectos a través de un modelo matemático y
lógico, teniendo en cuenta los recursos tales como el medio ambiente de trabajo, la mano
de obra, moneda, métodos y materiales para determinar cómo se pueden maximizar o
minimizar su uso. Este objetivo va ligado a que se aplica a la problemática relacionada
con la conducción y la coordinación de actividades en una organización, en donde su
naturaleza no se tiene en cuenta ya que este modelo es aplicable a todo tipo de actividad
comercial como manufactura, transporte, construcción, telecomunicaciones, planeación,
financiera, entre otras. Es por esto que el modelo que puede ser matemático, de
simulación, administrativo, de simulación, formal o de hoja de cálculo electrónica, se
desarrolla de una manera sistemática a través del método científico que empieza por la
definición del problema, la solución del modelo, la validación del modelo y la implantación
de los resultados finales. La aplicabilidad de la investigación operativa se pude clasificar
según su enfoque, y puede ser hacia las personas teniendo en cuenta el tipo de perfil y
actividad en la organización. Otro enfoque es hacia las maquinas evaluando su
productividad y nivel tecnológico. Enfoqué relativo a los movimientos relacionados con las
comunicaciones y en general a la actividad operativa.

20