Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Indicaciones Tarea 1 2 PDF
Indicaciones Tarea 1 2 PDF
Aunque todos los aspectos que inciden en un problema de decisión no se pueden llevar a un
modelo matemático, en general es algo que se aplica ampliamente en los sectores antes
mencionados y en otros campos.
Elementos básicos:
• Variables de decisión
• Restricciones
• Función objetivo
Para el primer punto es necesario contar con toda la información del entorno organizacional
para lograr extraer los datos que permitan estructurar de manera lógica un planteamiento del
problema.
Una forma que facilita identificar los anteriores aspectos consiste en realizar un resumen de la
información contenida en el problema, ejemplo:
Teniendo el siguiente problema identificar los aspectos necesarios para la construcción del
modelo matemático:
La panadería El Horno Caliente maneja tres productos: Pan aliñado con una utilidad de 60
pesos utilizando 5 gramos de harina, 3 gramos de azúcar y 2 gramos de mantequilla; pan liso
con una utilidad de 60 pesos utilizando 6 gramos de harina, 2 gramos de azúcar y 2 gramos de
mantequilla, pan de arroz con una utilidad de 60 pesos utilizando 5 gramos de harina, 3
gramos de azúcar y 3 gramos de mantequilla. Semanalmente el panadero cuenta con Harina
35 kilos, azúcar 12 kilos, mantequilla 10 kilos. (Estos valores lo convertimos a gramos porque
no podemos mezclar kilos con gramos) ¿Cuántos panes de cada tipo debe producir
semanalmente para generar mayor utilidad posible con los recursos disponibles? ¿Este
ejercicio es maximización o de minimización?
Variables de decisión: como deseamos conocer la cantidad de panes de cada tipo que se
deben producir semanalmente para generar la mayor utilidad, las variables del modelo se
pueden determinar de la siguiente manera:
“Pan aliñado con una utilidad de 60 pesos utilizando 5 gramos de harina, 3 gramos de azúcar y
2 gramos de mantequilla”
Como se observa en la anterior tabla, es muy sencillo encontrar los dos elementos que hacen
falta para obtener el modelo: las restricciones y la función objetivo.
X, Y, Z ≥ 0
La función objetivo está ligada a lo que se requiere lograr con la resolución del problema, por
lo tanto, en el caso particular del ejemplo anterior lo que se solicita es:
¿Cuántos panes de cada tipo debe producir semanalmente para generar mayor utilidad posible
con los recursos disponibles? ¿Este ejercicio es maximización o de minimización?
Sujeto a:
X, Y, Z ≥ 0
Para iniciar con este método, lo primer que se debe hacer es llevar el modelo matemático a su
forma estándar, de forma tal que todas las restricciones se expresen como ecuaciones, para
ello se adicionan variables de holgura (cuando son restricciones del tipo ≤) o exceso (cuando
son restricciones del tipo ≥)
El método simplex permite identificar una solución inicial y luego moverse sistemáticamente a
otras soluciones básicas que tengan la posibilidad de mejorar el valor de la función objetivo,
hasta alcanzar la solución óptima.
Una restricción del tipo ≤ o ≥ pueden convertirse en ecuación si se suma una variable de
holgura o restando una variable de exceso respectivamente al primer miembro de la
restricción.
Por ejemplo:
Restricción del tipo ≤; si tenemos, x1 + 2x2 ≤ 10 entonces se suma una variable de holgura S1,
así: x1 + 2x2 + S1 = 10 donde S1 ≥ 0
Ahora, para una restricción del tipo ≥; si tenemos, 2x1 + 3x2 ≥ 5 entonces se resta una
variable de exceso S2, así: 2x1 + 3x2 – S2 = 5 donde S2 ≥ 0
Para la función objetivo, se iguala la función a 0 y se suman las variables de holgura o exceso
con coeficiente cero, por lo tanto, respecto a la función objetivo del ejemplo, tenemos que:
Z = 60X1 + 60X2 + 60X2, por lo tanto: Z - 60X1 - 60X2 - 60X2 + 0S1 + 0S2 + 0S3 = 0
Sujeto a:
X, Y, Z, S1, S2, S3 ≥ 0
Este método parte de una solución básica factible o punto extremo y se continúa iterando
(procedimiento repetitivo) a través de soluciones básicas factibles hasta alcanzar la solución
óptima.
El procedimiento consiste en identificar los puntos extremos algebraicamente sin utilizar una
gráfica del espacio de soluciones, para ello se realizar el siguiente procedimiento:
Este modelo cuenta con 3 ecuaciones (3 restricciones) y 6 variables (X1, X2, X3, S1, S2, S3), así
que el número de variables no básicas (nulas) es igual a 6 – 3 = 3, si se da un valor de cero a
cada una de las variables no básicas (X1, X2 y X3) se obtiene una solución básica factible, así:
Esta solución representa la solución inicial del método simplex, por lo tanto, la función objetivo
será igual a 0.
El siguiente paso es desplazarse a una nueva solución básica mediante iteraciones siguiendo el
procedimiento que se describe a continuación:
En primera instancia se lleva los coeficientes de la función objetivo y las restricciones a una
tabla simplex de la siguiente forma:
Variable X1 X2 X3 S1 S2 S3 RESULTADO
Z -60 -60 -60 0 0 0 0
S1 5 6 5 1 0 0 35.000
S2 3 2 3 0 1 0 12.000
S3 2 2 3 0 0 1 10.000
Coeficiente más negativo: -60 -60 -60 (arbitrariamente seleccionamos el primero de ellos
que corresponde X1), por lo tanto, la variable que entra es X1
Variable que sale:
Ahora, lo que se debe hacer es aplicar el método de eliminación de Gauss Jordan que se trató
anteriormente en los cursos del plan de estudios, que consiste en lograr valores de 1 en la
intersección entre la columna de la variable que entra o columna pivote y la fila de la variable
que sale o fila pivote, elemento que se denominará elemento pivote y 0 en los elementos
sobre y debajo de este:
Variable X1 X2 X3 S1 S2 S3 RESULTADO
Z -60 -60 -60 0 0 0 0
S1 5 6 5 1 0 0 35.000
S2 3 2 3 0 1 0 12.000
S3 2 2 3 0 0 1 10.000
La fila 3 (S2) se multiplica por 1/3; 1/3 x 3 = 1; 1/3 x 2 = 2/3; 1/3 x 3 = 1; 1/3 x 0 = 0; 1/3
x 1 = 1/3; 1/3 x 0 = 0 y 1/3 x 12.000 = 4.000
Variable X1 X2 X3 S1 S2 S3 RESULTADO
Z -60 -60 -60 0 0 0 0
S1 5 6 5 1 0 0 35.000
S2 1 2/3 1 0 1/3 0 4.000
S3 2 2 3 0 0 1 10.000
Para la fila 1 (Z) a cada número de esta fila se le resta valor que corresponda en la columna
pivote multiplicado por el número que corresponda de la fila pivote, así:
Nueva fila = fila anterior – (coeficiente de la columna pivote) x (nueva fila pivote)
-60 – (-60) x 1 = 0; -60 – (-60)x2/3 = -20; -60 – (-60) x 1 = 0; 0 – (-60)x0 = 0; 0 – (-60)x1/3 = 20;
0 – (-60)x0 = 0; 0 – (-60)x4.000 = 240.000
La nueva fila 1 o fila Z, será:
Variable X1 X2 X3 S1 S2 S3 RESULTADO
Z 0 -20 0 0 20 0 240.000
S1 5 6 5 1 0 0 35.000
S2 1 2/3 1 0 1/3 0 4.000
S3 2 2 3 0 0 1 10.000
El mismo procedimiento se realiza con las demás filas (excepto la fila pivote) y se obtiene el
resultado de la primera iteración:
Variable X1 X2 X2 S1 S2 S3 RESULTADO
Z 0 -20 0 0 20 0 240000
S1 0 8/3 0 1 -5/3 0 15000
X1 1 2/3 1 0 1/3 0 4000
S3 0 2/3 1 0 -2/3 1 2000
Una vez terminada cada iteración es necesario que se evalúe la condición de parada, que para
el caso del método simplex primal, consiste en lo siguiente:
Para el caso de maximización se deja de continuar las iteraciones hasta que todos los valores
de las variables no básicas (en la fila z) sean positivos.
Para el caso de minimización se deja de continuar las iteraciones hasta que todos los valores
de las variables no básicas (en la fila z) sean negativos.
Como se puede observar en la tabla anterior, claramente en la columna de X2 aún cuenta con
un valor negativo en los coeficientes de la función objetivo fila 1 o fila z, así que se debe seguir
iterando, hasta alcanzar el siguiente resultado con la segunda iteración:
Variable X1 X2 X2 S1 S2 S3 RESULTADO
Z 0 0 30 0 0 30 300000
S1 0 0 -4 1 1 -4 7000
X1 1 0 0 0 1 -1 2000
X2 0 1 3/2 0 -1 3/2 3000
X1 = 2.000
X2 = 3.000
Como se pude observar en la parte anterior con la aplicación del método simplex primal, todas
las restricciones son del tipo ≤ y el termino independiente de las ecuaciones es positivo lo que
proporciona de entrada una solución básica inicial factible, sin embargo, no todos los modelos
van a ser iguales y se podrán trabajar con el método simplex primal, así que se ha diseñado un
método diferente para los casos en que lo anterior no aplique (restricciones tipo ≥ por
ejemplo). Para ello es necesario agregar variables artificiales donde sea necesario para usarlas
como variables de holgura, estas variables artificiales se usan solo para obtener una solución
inicial factible y posteriormente se deben eliminar cuando ya hayan cumplido su propósito.
El método de las dos fases se realiza en dos etapas y de ahí se deriva su nombre, estas etapas
son:
Fase 1: Adicionar las variables necesarias para garantizar una solución básica inicial factible. Es
necesario crear una nueva función objetivo donde se minimice la suma de las variables
artificiales que se haya adicionado a las restricciones. Sí el valor mínimo de la función objetivo
es 0 es posible continuar con la segunda fase, pero sí el valor mínimo es positivo el problema
no tiene solución factible.
La frutería Pammy vende tres tipos de ensaladas de fruta: La ensalada junior está compuesta
de 150 gramos de fruta, 12 gramos de crema de leche, y se elabora en 10 minutos; la ensalada
súper está compuesta de 250 gramos de fruta, 30 gramos de crema de leche, y se elabora en
15 minutos; la ensalada tropical está compuesta de 200 gramos de fruta, 0 gramos de crema
de leche, y se elabora en 12 minutos. Se debe gastar como mínimo 20000 gramos de fruta
debido a que se tiene un contrato fijo con las fincas que proveen la fruta y no hay espacio de
almacenamiento; se debe gastar máximo 12000 gramos de crema de leche y máximo 240
horas para elaborar los pedidos. Cada ensalada genera una utilidad de $500, $700 y $600
pesos, respectivamente. ¿Cuántas ensaladas de cada tipo se deben vender diariamente con los
recursos disponibles a fin de generar la mayor utilidad posible?
Variables de decisión:
Función Objetivo:
Restricciones:
X1, X2, X3 ≥ 0
Restricciones:
Sin embargo, este método establece que se debe agregar variables artificiales a las
restricciones para poder obtener una solución inicial factible y luego establecer una nueva
función objetivo de minimización de la suma de las variables artificiales, por lo tanto, el
modelo quedaría de la siguiente forma:
Restricciones:
Como tenemos una función objetivo: Minimizar Z = A1 (suma de las variables artificiales), por
cuanto solo se cuenta con una restricción que posee una variable artificial.
Ahora, se multiplicar por -1 toda la fila que tiene la variable artificial y se suma a la fila Z, así:
0 0 0 0 0 0 1 0
Base X1 X2 X3 S1 S2 S3 A1 SOLUCION
Z -150 -250 -200 0 0 0 0 -20.000
S1 150 250 200 -1 0 0 1 20.000
S2 12 30 0 0 1 0 0 12.000
S3 10 15 12 0 0 1 0 14.400
En primer lugar, se selecciona la columna pivote con el número más negativo de la fila Z (-250)
y luego la fila pivote que corresponde al menor valor positivo resultado de dividir los
elementos de la columna solución entre la columna pivote (S1)
Base X1 X2 X3 S1 S2 S3 A1 SOLUCION
Z -150 -250 -200 0 0 0 0 -20.000
S1 150 250 200 -1 0 0 1 20.000
S2 12 30 0 0 1 0 0 12.000
S3 10 15 12 0 0 1 0 14.400
Base X1 X2 X3 S1 S2 S3 A1 SOLUCION
Z 0 0 0 0 0 0 1 0
X2 0,6 1 0,8 -0,004 0 0 0,004 80
S2 -6 0 -24 0,12 1 0 -0,12 9.600
S3 1 0 0 0,06 0 1 -0,06 13.200
Una vez se obtenga la solución, se verifica sí el valor mínimo de la función objetivo es 0 así que
es posible continuar con la segunda fase.
Lo primero que se debe hacer es eliminar las columnas de las variables artificiales, en nuestro
caso la columna de A1:
Base X1 X2 X3 S1 S2 S3 SOLUCION
Z 0 0 0 0 0 0 0
X2 0,6 1 0,8 -0,004 0 0 80
S2 -6 0 -24 0,12 1 0 9.600
S3 1 0 0 0,06 0 1 13.200
Base X1 X2 X3 S1 S2 S3 SOLUCION
Z -500 -700 -600 0 0 0 0
X2 0,6 1 0,8 -0,004 0 0 80
S2 -6 0 -24 0,12 1 0 9.600
S3 1 0 0 0,06 0 1 13.200
Se requiere reducir el valor más negativo de la fila Z (-700), para ellos se multiplica la Fila 2 por
700, las demás filas se multiplican por 0, se suman los resultados y se suman los valores
anteriores de Z.
Base X1 X2 X3 S1 S2 S3 SOLUCION
Z -500 -700 -600 0 0 0 0
700 x X2 0,6 1 0,8 -0,004 0 0 80
0x S2 -6 0 -24 0,12 1 0 9.600
0x S3 1 0 0 0,06 0 1 13.200
Columna1 X1 X2 X3 S1 S2 S3 SOLUCION
Z -80 0 -40 -2,8 0 0 56000
X2 0,6 1 0,8 -0,004 0 0 80
S2 -6 0 -24 0,12 1 0 9600
S3 1 0 0 0,06 0 1 13200
Base X1 X2 X3 S1 S2 S3 SOLUCION
Z 0 50 0 0 0 50 720000
X1 1 2,5 0 0 0,08333333 0 1000
S1 0 -41,6666667 0 1 -1,38888889 16,6666667 203333,333
X3 0 -0,83333333 1 0 -0,06944444 0,08333333 366,666667
Z = 720.000
X1 = 1000
X2 = 0
X3 = 366,67
Se pueden presentar problemas que no tienen una solución básica inicial factible con solo
adicionar holguras, pero que se pueden resolver sin necesidad de agregar variables artificiales,
lo que se denomina método simplex dual, este inicia siendo infactible y óptimo.
Sujeto a:
X1, X2, X3 ≥ 0
Al pasar a su forma estándar, se obtiene que las restricciones quedan de la siguiente forma:
Ahora, es necesario que la variable de exceso agregadas tenga el signo positivo, por lo que es
necesario simplemente multiplicar cada ecuación por -1:
Esta sería la forma estándar del método simplex dual. Se puede observar que se obtiene una
solución básica inicial S1 = -5.000, S2 = -4.000, S3 = -3000, solución que es infactible, pero que
es óptima debido a que X1 = X2 = X3 = 0, lo anterior son las condiciones necesarias para la
aplicación de este método.
Base X1 X2 X3 S1 S2 S3 SOLUCION
Z -2500 -1500 -900 0 0 0 0
S1 -80 -60 -40 1 0 0 -5.000
S2 -70 -50 -30 0 1 0 -4.000
S2 -65 -40 -20 0 0 1 -3.000
Ahora, el procedimiento varía con respecto al método simplex primal, puesto que lo primero
es seleccionar la variable que sale que corresponde a la fila pivote y posteriormente, se
identifica la variable que entra que corresponde a la columna pivote, así:
Se selecciona de la columna “SOLUCIÓN” el valor más negativo que en este caso corresponde a
-5.000 y se encuentra en la fila 2 correspondiente a la variable S1, que sería la variable que
sale. Luego, la variable que entra que corresponderá a la columna pivote se identifica
dividiendo cada valor de la fila 1 o fila Z entre cada elemento de la fila pivote.
Variable que sale corresponde a -5.000 que corresponde a la variable S1 y define la fila pivote.
Mientras que la variable que entre se calcula de la siguiente manera:
-2500/-80 = 31,25
-1500/-60 = 25
Por lo tanto, la variable que entra corresponde a la que cuenta con el menor valor positivo que
en este caso corresponde a X3:
Variables X1 X2 X3 S1 S2 S3 SOLUCIÓN
Z -2500 -1500 -900 0 0 0 0
S1 -80 -60 -40 1 0 0 -5000
S2 -70 -50 -30 0 1 0 -4000
S3 -65 -40 -20 0 0 1 -3000
Nueva fila = fila anterior – (coeficiente de la columna pivote) x (nueva ecuación pivote)
Variables X1 X2 X3 S1 S2 S3 SOLUCIÓN
Z -325 0 0 -15 0 -15 120000
X3 -1,75 0 1 -0,1 0 0,15 50
S2 2,5 0 0 -0,5 1 -0,5 0
X2 2,5 1 0 0,05 0 -0,1 50
Z = 120.000
X1 = 0
X2 = 50
X3 = 50