Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Invdeoperaciones 121028145630 Phpapp01
Invdeoperaciones 121028145630 Phpapp01
OPERACIONES
DESCRIPCION
OBJETIVOS
METODOLOGÍA
•Clases expositivas para conceptos teóricos con discusiones sobre cada tema.
•Practicas en laboratorio , donde se conocerán diversos software de apoyo a la I.O.
INVESTIGACION DE OPERACIONES
Programa del Curso
CONTENIDOS •Softwares de Simulación
.Introducción a la Investigación de Operaciones
•Definición de I.O. 5.Teoría de Inventarios
•Historia de la I.O. •Modelos con demanda real conocida:
•Campos de aplicación. •Modelo General.
•Sistema de revisión continua.
2.Formulación matemática •Sistemas de revisión periódica.
•Metodología para la generación de modelos.
•Formulaciones matemáticas típicas presentes en la P.L. •Nota Final = 0.25*P1+25*P2+0.2T+0.30*PG
P1 / P2: Notas pruebas parciales
3.Programación Lineal T: Promedio trabajos practicos.
•Definición de P.L.
PG: Prueba global
•Métodos de Resolución:
•Método gráfico
FECHAS
•Método algebraico (simplex) •Prueba 1: 02 de Octubre del 2003
•Análisis de sensibilidad. •Prueba 2: 27 de Noviembre del 2003
•Problemas especiales de P.L: •P. Global: 04 de Diciembre del 2003
•Problemas de transporte
•Problemas de asignación BIBLIOGRAFIA
Titulo: “Investigación de Operaciones”
4. Introducción a la Simulación Autor: Hamdy Taha
•Definición de la simulación Editorial: Prentice Hall / sexta edición.
•Guìa para proyectos de simulacìón. Año: 1998
•Simulacìón de Monte Carlo Titulo: “Administración de Operaciones”
•Modelos con incrementos de tiempo discretos Autor: Roger Schroeder
•Modelos con incrementos de tiempo variable. Editorial: Mc Graw Hill. / 3ª edición / Año: 1999
INVESTIGACION DE OPERACIONES
Definición:
estudio.
Sistemas v/s Procesos
Sistema
Entidades Entidades
que Entran Actividades
que Salen
Recursos
Modelos
Por ejemplo:
• El estudio del movimiento del fluido por una cañería (Fluidodinámica)
corresponde a sistemas continuos. Sin embargo si el fluido se lo discretiza
dividiéndolo en gotas y se construye un modelo discreto por el cual circulan
gotas de agua (una, dos, diez, cien, mil) se está representando un sistema
continuo por un modelo discreto.
Gotas
INVESTIGACION DE OPERACIONES
Clasificación de los modelos
• La obtención del área bajo la curva representada por f(x,y)=0 para el rango 0 <=
x <= 1 con 0 <= y <= 1 en todo el intervalo, es un problema determinístico. Sin
embargo, para un número N, suficientemente grande de puntos, de coordenadas
x,y generadas al azar (0 <= x <= 1; 0 <= y <= 1) el área de la curva, aplicando el
método de Monte Carlo, es igual a:
Modelo de Simulación
Es un modelo que imita el comportamiento de un sistema sobre un periodo de
tiempo dado, esta basado en observaciones estadísticas. Este tipo de modelo
entrega soluciones aproximadas.
Modelo Heurístico
Es una regla intuitiva que nos permite la determinación de una solución mejorada,
dada una solución actual del modelo, generalmente son procedimientos de
búsqueda. Este tipo de modelo también entrega soluciones aproximadas.
INVESTIGACION DE OPERACIONES
Tópicos relacionados
•Análisis Estadístico
•Simulación
•Programación Lineal
•Sistema de Redes
•Líneas de Espera
•Problemas de Inventario
•Programación No - Lineal
•Programación Dinámica
•Programación Entera
•Teoría de Decisiones
•Teoría de Juegos
INVESTIGACION DE OPERACIONES
El Arte del Modelado
La I.O debe ser considerada como una ciencia y la vez como un arte.
• Una ciencia por el uso de técnicas matemáticas para la resolución de los
problemas.
• Un arte ya que la formulación del modelo depende en gran parte de la
creatividad y la experiencia delas operaciones del equipo investigador.
INVESTIGACION DE OPERACIONES
Etapas para puesta en práctica
1. Definición del problema:
• Alternativas de decisión (vars. de decisión).
• El objetivo de estudio (Función Objetivo).
• Identificación de las restricciones del sistema que se modela.
2. Construcción del modelo:
• Traducir el problema a relaciones matemáticas que incluyan las vars. decisión,
la Función Objetivo y las restricciones.
3. Solución del modelo:
• Uso de algoritmos de optimización.
• Se encuentran los valores de las vars. decisión.
4. Validación del modelo:
• ¿El modelo entrega una predicción razonable del comportamiento del sistema
estudiado?
5. Puesta en práctica:
• Traducir los resultados del modelo en instrucciones de operación.
PROGRAMACIÓN LINEAL
P R O G R A M A C IO N L IN E A L
F O R M U L A C IO N M A T E M A T IC A
PROBLEM A GENERAL P R O B L E M A S E S P E C IA L E S
Supuestos de la P.L.
•Proporcionalidad
•Aditividad
•Divisibilidad
•Certidumbre
•Objetivo único
•No negatividad
PROGRAMACIÓN LINEAL
Construcción de modelos
Solución:
Formulación
Paso 1: Identificar el objetivo (meta) a optimizar
Maximizar las utilidades de la compañía (U).{dólares/día}
Paso 2: Identificar las variables de decisión que deseamos determinar
X….Cantidad de transistores a fabricar por día {unds./día}
Y….Cantidad de bobinas a fabricar por día {unds./día}
Paso 3: Identificar las restricciones del modelo
R1) Tiempo disponible en el depto. de Ensamble por día 300 min.
R2) Tiempo disponible en el depto. de C. Calidad por día de 400 min.
R3) Tiempo disponible en el depto. de Empaque por día de 400 min.
R4) No Negatividad.
PROGRAMACIÓN LINEAL
Construcción de modelos
F.Objetivo
MAX { U = X + Y }
Sujeto a :
R1) X + 2Y ≤ 300
R2) 2X + Y ≤ 400
R3) X + 2Y ≤ 400
R4) X , Y ≥ 0
PROGRAMACIÓN LINEAL
Construcción de modelos
EJERCICIO PROPUESTO
El departamento de rayos X de un hospital tiene dos máquinas, A y B, que
pueden utilizarse para revelar radiografías. La capacidad de procesamiento diaria
de estas máquinas es A=80 y B=100 radiografías. El departamento debe planear
procesar al menos 150 radiografías por día. Los costos de operación por
radiografía son $4 para la máquina A y $3 para la máquina B. ¿Cuántas
radiografías por día debe procesar cada máquina para minimizar costos?
Se pide:
Formular como un problema de P.L. identificando claramente la función objetivo y
las variables de decisión.
PROGRAMACIÓN LINEAL
Construcción de modelos
Solución:
Formulación
Paso 1: Identificar el objetivo (meta) a optimizar
Minimizar los costos de procesamiento (C).{dólares/día}
Paso 2: Identificar las variables de decisión que deseamos determinar
X….Cantidad de radiografías a procesar en máquina A al día {rad./día}
Y…. Cantidad de radiografías a procesar en máquina B al día {rad./día}
Paso 3: Identificar las restricciones del modelo
R1) Capacidad de procesamiento de rad. en la maquina A de 80.
R2) Capacidad de procesamiento de rad. en la maquina B de 100.
R3) Capacidad mínima del departamento de 150 rad. por día.
R4) No Negatividad.
PROGRAMACIÓN LINEAL
Construcción de modelos
F.Objetivo
M IN { C = 4X + 3Y }
Sujeto a :
R1) X ≤ 80
R2) Y ≤ 100
R3) X + Y ≥ 150
R4) X , Y ≥ 0
PROGRAMACIÓN LINEAL
Construcción de modelos
PROBLEMA DE LA DIETA
La compañía OF utiliza diariamente por lo menos 800 libras de alimento especial.
El alimento especial es una mezcla de maíz y semilla de soya, con las siguientes
composiciones.
¿….?
PROGRAMACIÓN LINEAL
Construcción de modelos
Solución:
Formulación
Paso 1: Identificar el objetivo (meta) a optimizar
Minimizar el costo diario total de la mezcla de alimento(C).{dólares/día}
Paso 2: Identificar las variables de decisión que deseamos determinar
X….libras de maiz en la mezcla diaria {lb./día}
Y…. Libras de semilla de soya en la mezcla diaria {lb./día}
Paso 3: Identificar las restricciones del modelo
R1) Requerimientos de alimentos de por lo menos 800 lbs.al día
R2) Requerimiento de proteínas de por lo menos un 30%
R3) Requerimientos de fibra de cuando mucho un 5%.
R4) No Negatividad.
PROGRAMACIÓN LINEAL
Construcción de modelos
F.Objetivo
M IN { C = 0.3X + 0.9Y }
Sujeto a :
R1) X + Y ≥ 800
R2) 0.09X + 0.6Y ≥ 0.3(X + Y)
R3)0.02 X + 0.06Y ≤ 0.05(X + Y)
R4) X , Y ≥ 0
PROGRAMACIÓN LINEAL
Construcción de modelos
F.Objetivo
M IN { C = 0.3X + 0.9Y }
Sujeto a :
R1) X + Y ≥ 800
R2) 0.21X - 0.30Y ≤ 0
R3)0.03 X - 0.01Y ≥ 0
R4) X , Y ≥ 0
PROGRAMACIÓN LINEAL
Construcción de modelos
PROBLEMA DE TRANSPORTE
Considere el problema que enfrenta el departamento de planificación de la
compañía DALLAS S.A. ,que tiene tres plantas y cuatro almacenes regionales.
Cada mes se requiere de una lista de requerimientos de cada almacén y se
conocen, tambien las capacidacdes de producción de las plantas. Ademas se
conoce el costo de transporte de cada planta a cada almacén. El problema es
determinar qué plantas deben abastecer a que almacenes de manera que
minimicen los costos totales de transporte. Consideremos que los costos de
transporte entre dos ciudades cualquiera, son proporcionales a las cantidades
embarcadas. Supongase que las capacidades mensuales de cada planta son 70,
90 y 180 respectivamente. Los requerimientos de cada almacén para el mes de
Marzo son: 50, 80, 70 y 140. Los costos unitarios de transporte son los que se
muestran en la tabla siguiente:
PROGRAMACIÓN LINEAL
Construcción de modelos
Planta Almacén
1 2 3 4
1 19 30 50 10
2 70 30 40 60
3 40 8 70 20
Se pide:
Formular como un PPL.
PROGRAMACIÓN LINEAL
Construcción de modelos
Paso 4.1: Construcción del modelo matemático
F.Objetivo
Min{C=19X11+70X21+40X31+30X12+30X22+8X32+50X13+40X23+70X33+10X14+60X24+20X34}
Sujeto a :
R1) X11+X12+X13+X14 ≤ 70
R2) X21+X22+X23+X24 ≤ 90
R3) X31+X32+X33+X34 ≤ 180
R4) X11+X21+X31 ≥ 50
R5) X12+X22+X32 ≥ 80
R6) X13+X23+X33 ≥ 70
R7) X14+X24+X34 ≥ 140
R8) Xij ≥ 0 ∀ i,j
Modelo General de PL
Definición de variables:
Sea xj = #.... ; j = 1, 2, 3....n
Función objetivo:
Max. o Min. z = C1X1 + C2X2 + ... + CjXj + ... + CnXn
Sujeto a restricciones: i = 1, 2, 3, ... , m
a11X1 + a12X2 + ... + a1jXj + ... + a1nXn ≤ =≥ b1
a21X1 + a22X2 + ... + a2jXj + ... + a2nXn ≤ =≥ b2
· .
· .
ai1X1 + ai2X2 + ... + aijXj + ... + ainXn ≤ =≥ bi
· .
· .
am1X1 + am2X2 + ... + amjXj + ... + amnXn ≤ =≥ bm
8
Métodos de Resolución
Método Gráfico
Empleado principalmente para PPL con dos variables de decisión. Este método
se basa en la idea de obtener regiones de soluciones factibles (RSF), en las
cuales se encontraría la combinación de variables de decisión que optimizan el
modelo.
8
Métodos de Resolución
GRAFICO
Sujeto a:
R1)
R2)
R3)
8
Método de Resolución: Paso 1
Gráficar las restricciones
X2 3,000
R1Fab
X1 X2
0 1,000
2,000 1,666.7 0
Assy
R2
X1 X2
0 750
1,000 3,000 0
A B
C
0,0 1,000 2,000 3,000 X1 10
PROGRAMACIÓN LINEAL
Construcción de modelos
Solución:
Formulación
Paso 1: Identificar el objetivo (meta) a optimizar
Minimizar el costo total de transporte (C).{u.m/mes}
Paso 2: Identificar las variables de decisión que deseamos determinar
Xij….Cantidad a enviar de la planta “i” al almacén “j” mensualmente {uds/mes}
i = 1,2,3 / j = 1,2,3,4
Paso 3: Identificar las restricciones del modelo
R1) Capacidad mensual de producción planta 1 de 70
R2) Capacidad mensual de producción planta 2 de 90
R3) Capacidad mensual de producción planta 3 de 180
R4) Requerimientos del almacén 1 para Marzo de 50
R5) Requerimientos del almacén 2 para Marzo de 80
R6) Requerimientos del almacén 3 para Marzo de 70
R7) Requerimientos del almacén 4 para Marzo de 140
R8) No Negatividad.
Método de Resolución: Paso 1
Gráficar las restricciones
X2 3,000
R1Fab
X1 X2
0 1,000
2,000 1,666.7 0
Assy
R2
X1 X2
0 750
1,000 3,000 0
A B
C
0,0 1,000 2,000 3,000 X1 11
Método de Resolución: Paso 2
Obtener la RSF
X2 3,000
R1Fab
X1 X2
0 1,000
2,000 1,666.7 0
Assy
R2
X1 X2
0 750
1,000 3,000 0
A B
RSF
C
0,0 1,000 2,000 3,000 X1 11
Método de Resolución:
X2 3,000
Premisa: el punto
2,000 optimo siempre se
encuentra en uno de
los vértices de la
RSF.
1,000
A B
RSF
C
0,0 1,000 2,000 3,000 X1 11
Método de Resolución: Paso3
Encontrar el Punto Optimo: Alternativas
Alternativa 1
Encontrar todas las combinaciones de X1 y X2 que determinan los vértices de la
RSF, luego se evalúan en la función objetivo y se elige la combinación que
maximice (o minimice) dicha función.
Alternativa 2
Gráficar la F.O. dandose en valor arbitrario de Z (depende de la escala del
gráfico), luego la recta se desplaza en forma paralela en el sentido estricto de la
optimización. El ultimo punto que “tope” la F.O al salir de la RSF corresponderá a
la solución optima.
13
Método de Resolución: Paso3
Encontrar el Punto Optimo(1)
X2 3,000
2,000
1,000
Z=320.000 A B
C
0,0 1,000 2,000 3,000 X1
13
Método de Resolución: Paso 3
Encontrar el Punto Optimo (2)
X2 3,000
2,000
Optimal
Optimal Point
Point
1,000
A B
C
0,0 1,000 2,000 3,000 X1
14
Método de Resolución: Paso 3
Encontrar el Punto Optimo (3)
X2 3,000
1,000
A B
C
0,0 1,000 2,000 3,000 X1 3X1 + 12X 2 = 9,000 Assy
3X1 + 5X 2 = 5,000 Fab
7X 2 = 4,000
X 2 = 571.43, or 571 Multimax
5000 - 5(571)
X1 = = 715 Max
3
15
RESULTADOS
Max Z = 400X1 + 800 X 2
X1=715
X1=715
X2=571
X2=571
ZZ =742,800.
=742,800.
16
Métodos de Resolución
ALGEBRAICO SIMPLEX
El método símplex fue desarrollado en 1947 por el Dr. George Dantzig y conjuntamente con el
desarrollo de la computadora hizo posible la solución de problemas grandes planteados con la
técnica matemática de programación lineal.
El algoritmo denominado símplex es la parte medular de este método; el cual se basa en la
solución de un sistema de ecuaciones lineales con el conocido procedimiento de Gauss-Jordan y
apoyado con criterios para el cambio de la solución básica que se resuelve en forma iterativa
hasta que la solución obtenida converge a lo que se conoce como óptimo..
8
Métodos de Resolución
ALGEBRAICO SIMPLEX
Forma Estándar de un PPL
La forma estándar pasa por realizar los siguientes cambios:
8
Métodos de Resolución
ALGEBRAICO SIMPLEX
b.- Restricción mayor o igual (≥)
Las restricciones de este tipo comúnmente determinan requerimientos mínimos de
especificaciones. En este caso se debe incorporar una variable de superávit que representa
el requerimiento mínimo del lado izquierdo, sobre el requerimiento mínimo del derecho
( cuanto falta para cumplir con lo pedido).
Ej.
X1 + X2 ≥ 800
X1 + X2 - r1 = 800
r1 ≥ 0
8
Métodos de Resolución
ALGEBRAICO SIMPLEX
d.- Restricción de igualdad (=)
Aquí la estandarización pasa sólo por incorporar una variable artificial.
Ej.
X1 + X2 = 800
X1 + X2 + t1 = 800
t1 ≥ 0
Como las variables artificiales no tienen sentido, es importante que el simplex las deje fuera
al comienzo del procedimiento y esto se logra al penalizar la inclusión de las variables
artificiales en la función objetivo con un coeficiente ‘M’ muy grande que para el caso de
maximizar es ‘ M’ y para el caso de minimizar es ‘+ M’.
8
Métodos de Resolución
ALGEBRAICO SIMPLEX
2º Cambios de variables
a.- Variables no restringidas
Algunas veces las variables de decisión pueden tomar cualquier valor real.
Xi s.r.s
Cambio de variable
Xi = Ui – Vi
Ui …. Parte positiva de Xi
Vi …. Parte negativa de Xi
Ej.
X1 + X2 ≤ 24
X1 ≥ 0, X2 s.r.s
Luego X2 = U2 – V2
F.E.
X1 + U2 – V2 + h1 = 24
8
Métodos de Resolución
ALGEBRAICO SIMPLEX
b.- Variables negativas
Algunas veces las variables de decisión pueden tomar negativos.
Xi ≤ 0
Cambio de variable
Yi = – Xi Donde Yi ≥ 0
Ej.
X1 + X2 ≤ 40
X1 ≥ 0, X2 ≤ 0
Luego Y2 = – X2, o bien X2 = - Y2
F.E.
X1 - Y2 + h1 = 40
8
Métodos de Resolución
ALGEBRAICO SIMPLEX
3º Cambio en criterio de optimización
Muchas veces el objetivo no es maximizar.
MIN (Z)
Cambio de variable: Z* = -Z
MIN Z = MAX ( Z*)
Ej.
MIN [ Z = X1 + X2 ]
Z* = -Z
F.E
MAX [ Z* = -X1 – X2]
8
Métodos de Resolución
ALGEBRAICO SIMPLEX
EJEMPLO
MIN (Z = 15X1 + 10X2 – 20X3)
S/A
R1) X1+2X2+4X3 ≥ 30
R2) 5X1+5X2+3X3 = 40
R3) X1 + X2 + X3 ≤ 70
R4) X1 s.r.s; X2≤0; X3≥0
Cambios de variable:
Z* = -Z X1=U1-V1 X2=-Y2
8
Métodos de Resolución
ALGEBRAICO SIMPLEX
Forma Estándar
Z* + 15 U1 - 15 V1 - 10 Y2 - 20 X3 + M t1 + M t2 = 0
U1 - V1 - 2 Y2 + 4 X3 - r1 + t1 = 30
5 U1 - 5 V1 - 25 Y2 + 3 X3 + t2 = 40
U1 - V1 - Y2 + X3 + h1 = 70
8
Métodos de Resolución
ALGEBRAICO SIMPLEX
Forma Tabular
BASE Z U1 V1 Y2 X3 r1 t1º t2 h1
SOLUCION
t1 0 1 1 2 4 1 1 0 0 30
t2 0 5 5 25 3 0 0 1 0 40
h1 0 1 1 1 1 0 0 0 1 70
8
Métodos de Resolución
ALGEBRAICO SIMPLEX
Forma Tabular Especial
BASE U1 V1 Y2 X3 r1 t1º t2 h1
SOLUCION
M 0 0 0 0 0 1 1 0 0
t1 1 1 2 4 1 1 0 0 30
t2 5 5 25 3 0 0 1 0 40
h1 1 1 1 1 0 0 0 1 70
8
Métodos de Resolución
ALGEBRAICO
Se una vez obtenida la F.E se esta en condiciones de iniciar el Simplex que nos permitirá
encontrar la (s) solución (es) del PPL.
Como el algoritmo se mueve de punto en punto extremo requiere que variables basicas
entren y salgan. Las reglas para seleccionar las variables de entrada y salida se conocen
como condiciones de optimalidad y factibilidad. Resumiendo:
8
Métodos de Resolución
ALGEBRAICO
Pasos del Simplex:
Paso 3 : determine las nuevas soluciones básicas empleando los calculos apropiados de
8
Métodos de Resolución
ALGEBRAICO
EJEMPLO
S/A
2x1 + x2 ≤ 30
3x1 + 2x2 + x3 ≤ 25
x2 + 2x3 ≤ 20
x1 , x2 , x3 ≥ 0
8
Métodos de Resolución
ALGEBRAICO SIMPLEX
Forma Tabular Especial
BASE X1 X2 X3 h1 h2 h3
SOLUCION
z 7 4 5 0 0 0 0
h1 2 1 0 1 0 0 30
h2 3 2 1 0 1 0 25
h3 0 1 2 0 0 1 20
8
Métodos de Resolución
ALGEBRAICO SIMPLEX
Forma Tabular Especial
BASE X1 X2 X3 h1 h2 h3
SOLUCION
z 7 4 5 0 0 0 0
h1 2 1 0 1 0 0 30
h2 3 2 1 0 1 0 25
h3 0 1 2 0 0 1 20
8
Métodos de Resolución
ALGEBRAICO SIMPLEX
Forma Tabular Especial
BASE X1 X2 X3 h1 h2 h3
SOLUCION
z 7 4 5 0 0 0 0 Razón
h1 2 1 0 1 0 0 30 30 / 2
h2 3 2 1 0 1 0 25 25 / 3
h3 0 1 2 0 0 1 20 ___
8
Métodos de Resolución
ALGEBRAICO SIMPLEX
Forma Tabular Especial
BASE X1 X2 X3 h1 h2 h3
SOLUCION
z 7 4 5 0 0 0 0 Razón
h1 2 1 0 1 0 0 30 30 / 2
h2 3 2 1 0 1 0 25 25 / 3
h3 0 1 2 0 0 1 20 ___
8
Métodos de Resolución
ALGEBRAICO SIMPLEX
Forma Tabular Especial
BASE X1 X2 X3 h1 h2 h3
SOLUCION
z 7 4 5 0 0 0 0 Razón
h1 2 1 0 1 0 0 30 30 / 2
h2 3 2 1 0 1 0 25 25 / 3
h3 0 1 2 0 0 1 20 ___
8
Métodos de Resolución
ALGEBRAICO SIMPLEX
Forma Tabular Especial
BASE X1 X2 X3 h1 h2 h3
SOLUCION
z 7 4 5 0 0 0 0 Razón
h1 2 1 0 1 0 0 30 30 / 2
h2 3 2 1 0 1 0 25 25 / 3
h3 0 1 2 0 0 1 20 ___
PIVOTE
8
Métodos de Resolución
ALGEBRAICO SIMPLEX
Gauss Jordan
BASE X1 X2 X3 h1 h2 h3
SOLUCION
z 0 2 0 0 7/3 4/3 85
h1 0 0 0 1 2/3 1/3 20
h3 0 1/2 1 0 0 1/2 10
¡Optimo!
8
Métodos de Resolución
ALGEBRAICO SIMPLEX
SOLUCIÓN
z 85
X1 5
X2 0
X3 0
h1 20
h2 0
h3 10
8
Métodos de Resolución
DUAL SIMPLEX
Se basa en la idea que todo PPL tiene un problema “espejo”, llamado DUAL. Esto provoca
que se genere un segundo algoritmo de resolucion conocido como “Metodo Dual Simplex”,
el cual funciona de la siguiente manera:
Condicion de Factibilidad:
La variable que sale es la variable basica que tiene el valor mas negativo, si
todas las variables basicas son no negativas el proceso termina y se alcanza la solucion
factible - optima.
Condicion de Optimalidad:
La variable entrante se escoge de la manera siguiente:
Calcule la razon entre los coeficientes del reglon “cero” y los coeficientes de la
fila asociada a la variable que sale, ignore coeficientes positivos o ceros. La variable
que entra es la que posee la razon mas pequeña si el problema es de minimizacion. Si
todos los denominadores son cero o positivos el problema no tiene solucion
factible.
8
Métodos de Resolución
DUAL SIMPLEX
EJEMPLO
MIN (Z = 2X1 + X2)
S/A
R1) 3X1+X2 ≥3
R2) 4X1+3X2 ≥6
R3) X1 + 2X2 ≤3
R4) X1 ≥0 ; X2 ≥ 0
Forma Estándar:
8
Métodos de Resolución
DUAL SIMPLEX
Forma Estándar
Z + -2 X1 - X2 = 0
-3 X1 - X2 + r1 = -3
-4 X1 - 3 X2 + r2 = -6
X1 + 2 X2 + h1 = 3
8
Métodos de Resolución
DUAL SIMPLEX
Forma Tabular Especial
BASE X1 X2 r1 r2 h1
SOLUCION
z 2 1 0 0 0 0
r1 3 1 1 0 0 3
r2 4 3 0 1 0 6
h1 1 2 0 0 1 3
8
Métodos de Resolución
DUAL SIMPLEX
BASE X1 X2 r1 r2 h1
SOLUCION
z 2 1 0 0 0 0
r1 3 1 1 0 0 3
r2 4 3 0 1 0 6
Sale mas
h1 1 2 0 0 1 3 negativa
8
Métodos de Resolución
DUAL SIMPLEX
BASE X1 X2 r1 r2 h1
SOLUCION
z 2 1 0 0 0 0
r1 3 1 1 0 0 3
r2 4 3 0 1 0 6
h1 1 2 0 0 1 3
8
Métodos de Resolución
DUAL SIMPLEX
Entra razon mas pequeña
BASE X1 X2 r1 r2 h1
SOLUCION
z 2 1 0 0 0 0
r1 3 1 1 0 0 3
r2 4 3 0 1 0 6
h1 1 2 0 0 1 3
8
Métodos de Resolución
DUAL SIMPLEX
Entra razon mas pequeña
BASE X1 X2 r1 r2 h1
SOLUCION
z 2 1 0 0 0 0
r1 3 1 1 0 0 3
r2 4 3 0 1 0 6
h1 1 2 0 0 1 3
8
Métodos de Resolución
DUAL SIMPLEX
Gauss Jordan
BASE X1 X2 r1 r2 h1
SOLUCION
z 2/3 0 0 1/3 0 2
r1 5/3 0 1 1/3 0 1
X2 4/3 1 0 1/3 0 2
h1 5/3 0 0 2/3 1 1
8
Métodos de Resolución
DUAL SIMPLEX
BASE X1 X2 r1 r2 h1
SOLUCION
z 2/3 0 0 1/3 0 2
r1 5/3 0 1 1/3 0 1
X2 4/3 1 0 1/3 0 2
h1 5/3 0 0 2/3 1 1
8
Métodos de Resolución
DUAL SIMPLEX
RAZON 2/5 0 0 1 0
BASE X1 X2 r1 r2 h1
SOLUCION
z 2/3 0 0 1/3 0 2
r1 5/3 0 1 1/3 0 1
X2 4/3 1 0 1/3 0 2
h1 5/3 0 0 2/3 1 1
8
Métodos de Resolución
DUAL SIMPLEX
RAZON 2/5 0 0 1 0
BASE X1 X2 r1 r2 h1
SOLUCION
z 2/3 0 0 1/3 0 2
r1 5/3 0 1 1/3 0 1
X2 4/3 1 0 1/3 0 2
h1 5/3 0 0 2/3 1 1
Pivote
8
Métodos de Resolución
DUAL SIMPLEX
Gauss Jordan
BASE X1 X2 R1 r2 h1
SOLUCION
h1 0 0 1 1 1 0
Optimo – Factible!!!
8
Métodos de Resolución
DUAL SIMPLEX
Solución:
BASE SOLUCION
Z 12/5
X1 3/5
X2 6/5
r1 0
r2 0
h1 0
8
Métodos de Resolución
DUAL SIMPLEX
Ejercicio Propuesto
MIN (Z = 5X1 + 4X2 + 8X3)
S/A
R1) X1+2X2+X3 ≥ 15
R2) 2X1+X2+X3 ≥ 10
R3) X1 + X2 +X3 ≤ 20
R4) X1 ≥0 ; X2 ≥ 0; X3 ≥ 0