Documentos de Académico
Documentos de Profesional
Documentos de Cultura
“FRANCISCO DE MIRANDA”
ÁREA DE TECNOLOGÍA
DEPARTAMENTO DE GERENCIA
UNIDAD CURRICULAR: INVESTIGACIÓN DE OPERACIONES
PROFESOR: JUAN LUGO MARÍN
El Método Gráfico
El método gráfico de solución para problemas lineales representa una manera
útil de resolver problemas lineales con dos variables de decisión; para modelos con
tres o más variables de decisión el método gráfico es impráctico o imposible. No
obstante podemos deducir conclusiones generales del método gráfico que servirán
como base para el método simplex que veremos más adelante.
Para la solución gráfica de programas lineales con dos variables, lo que se
tiene que hacer es trazar un eje de coordenadas cartesianas, para graficar las
desigualdades dadas por el problema, después encontrar el Área de Soluciones
Factibles y proceder a graficar la función objetivo para conocer el valor óptimo
(maximizar o minimizar) que será la solución del problema.
¿Cuáles son las restricciones o limitaciones del problema? Existen tres restricciones.
Primero, el material está limitado a 96 unidades. Cada mesa se lleva 12 unidades de
material y cada silla usa 8 unidades. La primera restricción es, entonces:
Existe una limitación más. El fabricante prometió producir por lo menos dos mesas.
Esto puede expresarse como:
x1 >= 2
x1 >= 0, x2 >= 0
La limitación sobre las horas de mano de obra es la siguiente restricción. Como antes,
primero se convierte en una ecuación: 6x1 + 12x2 = 72. Puede graficarse esta línea si
se encuentran dos puntos sobre ella. El par de puntos más sencillos de localizar son
las intersecciones con los ejes X1 y X2. Para encontrar la intersección con el eje X2 se
hace x1 = 0. La ecuación se reduce, entonces, a:
12x2 = 72
x2 = 6
6x1 = 72
x1 = 12
Estos dos puntos y la línea que los une se muestran en la siguiente figura:
Cualquier punto que está sobre o abajo de esta línea cumplirá con la restricción.
Cualquier punto arriba de esta línea requerirá más de 72 horas de mano de obra y no
es aceptable. En la siguiente figura se combina esta restricción con la anterior. En la
región factible, ambas restricciones se cumplen.
Las líneas de este tipo se llaman líneas de indiferencia, porque cualquier punto sobre
una línea dada da la misma ganancia total. Nótese que la distancia perpendicular del
origen a la línea aumenta al aumentar el valor de Z. También, todas las líneas de
indiferencia son paralelas entre sí. Estas propiedades gráficas pueden usarse para
resolver el problema.
En la siguiente figura, se ilustran todas las restricciones y las dos líneas de indiferencia
supuestas. En la gráfica puede observarse que la línea de indiferencia para Z = 50
está completamente fuera de la región factible. Para Z = 25, parte de la línea cae
dentro de la región factible. Por tanto, existe alguna combinación de x1 y x2 que
satisface todas las restricciones y da una ganancia total de $25. Por inspección, puede
observarse que hay ganancias más altas que son factibles.
Con el punto óptimo localizado gráficamente, la única tarea que queda es encontrar
las coordenadas del punto. Nótese que el punto óptimo está en la intersección de las
líneas de restricción para materiales y horas de mano de obra. Las coordenadas de
este punto se pueden encontrar resolviendo el sistema de ecuaciones que forman
estas dos restricciones utilizando cualquiera de los métodos de solución (suma y resta,
sustitución o igualación). Las coordenadas de este punto resultan ser (6, 3). La
sustitución de este punto en la función objetivo da la ganancia máxima:
Minimizar Z = 5A + 8B
Las restricciones son los requerimientos mínimos de las tres vitaminas. Éstas se
muestran enseguida:
(1) 4A + 10B = 40
(2) 7A + 7B = 49
Con solución
Si existe más de una solución óptima.
múltiple:
Con
solución
Cuando no existe límite para la función objetivo
no
acotada
Ecuación Pivote:
Nueva Ecuación Pivote = (Vieja Ecuación Pivote / Elemento Pivote.
Resto de ecuaciones incluyendo Z:
Nueva Ecuación = Ecuación Anterior – (Coeficiente columna entrante)*(Nueva
ecuación Pivote.
Tabla 1
Tipo de Restricción Problema de Maximizar Problema de Minimizar
Restricción Menor o igual Variable de holgura toma Variable de holgura toma
(<=): Requiere una coeficiente cero en la coeficiente cero en la
variable de holgura ecuación objetivo. ecuación objetivo.
positiva.
Restricción Mayor o Igual Variable de holgura toma Variable de holgura toma
(>=): Requiere una coeficiente cero en la coeficiente cero en la
variable de holgura ecuación objetivo. ecuación objetivo.
negativa y la suma de una La Variable artificial tomo La Variable artificial tomo
variable artificial. coeficiente +M en la coeficiente -M en la
ecuación objetivo. ecuación objetivo.
Restricción de igualdad: La Variable artificial tomo La Variable artificial tomo
Requiere que se le sume coeficiente +M en la coeficiente - M en la
una variable artifical. ecuación objetivo. ecuación objetivo.
sujeto a: 2x + y 18
2x + 3y 42
3x + y 24
X 0,y 0
Se consideran los siguientes pasos:
0. Formule el Modelo de PL
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
3. Escribir la tabla inicial simplex
En las columnas aparecerán todas las variables del problema y, en las filas, los
coeficientes de las igualdades obtenidas, una fila para cada restricción y la última fila
con los coeficientes de la función objetivo:
Tabla I . Iteración nº 1
x Y H s d
Z -3 -2 0 0 0 0
h 2 1 1 0 0 18
s 2 3 0 1 0 42
d 3 1 0 0 1 24
4. Encontrar la variable de decisión que entra en la base y la variable que sale de
la solución base
A. Para escoger la variable de decisión que entra en la base, nos fijamos en la
última fila, la de los coeficientes de la función objetivo y escogemos la variable
con el coeficiente negativo mayor (en valor absoluto).
En nuestro caso, la variable x de coeficiente - 3.
Si existiesen dos o más coeficientes iguales que cumplan la condición
anterior, entonces se elige uno cualquiera de ellos.
Si en la última fila no existiese ningún coeficiente negativo, significa que se ha
alcanzado la solución óptima. Por tanto, lo que va a determinar el final del
proceso de aplicación del método del simplex, es que en la última fila no haya
elementos negativos.
La columna de la variable que entra en la base se llama columna pivote (En
sombreado).
B. Para encontrar la variable de holgura que tiene que salir de la base, se divide
cada término de la última columna (valores solución) por el término
correspondiente de la columna pivote, siempre que estos últimos sean mayores
que cero. En nuestro caso:
18/2 [=9] , 42/2 [=21] y 24/3 [=8]
Si hubiese algún elemento menor o igual que cero no se hace dicho cociente.
En el caso de que todos los elementos fuesen menores o iguales a cero,
entonces tendríamos una solución no acotada y no se puede seguir.
El término de la columna pivote que en la división anterior dé lugar al menor
cociente positivo, el 3, ya 8 es el menor, indica la fila de la variable de holgura
que sale de la base, d. Esta fila se llama fila pivote (En sombreado).
Si al calcular los cocientes, dos o más son iguales, indica que cualquiera de
las variables correspondientes pueden salir de la base.
Vieja fila de s 2 3 0 1 0 42
- - - - - -
Coeficiente 2 2 2 2 2 2
x x x x X x
= = = = = =
Tabla II . Iteración nº 2
x Y h s d
Z 0 -1 0 0 1 24
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
Como en los elementos de la última fila hay uno negativo, -1, significa que no hemos
llegado todavía a la solución óptima. Hay que repetir el proceso:
A. La variable que entra en la base es y, por ser la variable que corresponde al
coeficiente -1
B. Para calcular la variable que sale, dividimos los términos de la última columna
entre los términos 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.
C. El elemento pivote, que ahora hay que hacer 1, es 1/3.
Operando de forma análoga a la anterior obtenemos la tabla:
Tabla III . Iteración nº 3
X y h s d
Z 0 0 3 0 -1 30
y 0 1 3 0 -2 6
s 0 0 -7 0 4 12
x 1 0 -1 0 1 6
Como en los elementos de la última fila hay uno negativo, -1, significa que no hemos
llegado todavía a la solución óptima. Hay que repetir el proceso:
A. La variable que entra en la base es d, por ser la variable que corresponde al
coeficiente -1
B. Para calcular la variable que sale, dividimos los términos de la última columna
entre los términos 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.
C. El elemento pivote, que ahora hay que hacer 1, es 4.
Obtenemos la tabla:
Tabla IV . Final del proceso
X y h s d
Z 0 0 5/4 0 0 33
y 0 1 -1/2 0 0 12
d 0 0 -7/4 0 1 3
x 1 0 -3/4 0 0 3
Como todos los coeficientes de la fila de la función objetivo son positivos, hemos
llegado a la solución óptima.
Los solución óptima viene dada por el valor de Z en la columna de los valores
solución, en nuestro caso: 33. En la misma columna se puede observar el vértice
donde se alcanza, observando las filas correspondientes a las variables de decisión
que han entrado en la base: D(3,12)
Interpretación geométrica del método del simplex
Las sucesivas tablas que hemos construido van proporcionando el valor de la función
objetivo en los distintos vértices, ajustándose, a la vez, los coeficientes de las variables
iniciales y de holgura.
En la primera iteración (Tabla I) han permanecido todos los coeficientes iguales, se ha
calculado el valor de la función objetivo en el vértice A(0,0), siendo este 0.
A continuación se desplaza por la arista AB, calculando el valor de f , hasta llegar a B.
Este paso aporta la Tabla II.
En esta segunda iteración se ha calculado el valor que corresponde al vértice B(8,0):
Z=f(8,0) = 24
Sigue por la arista BC, hasta llegar a C, donde se para y
despliega los datos de la Tabla III.
En esta tercera iteración se ha calculado el valor que
corresponde al vértice C(6,6) : Z=f(6,6)=30.
Continua haciendo cálculos a través de la arista CD, hasta
llegar al vértice D. Los datos que se reflejan son los de la Tabla
IV.
Concluye con esta tabla, advirtiendo que ha terminado (antes ha comprobado que la
solución no mejora al desplazarse por la arista DE)
El valor máximo de la función objetivo es 33, y corresponde a x = 3 e y = 12 (vértice
D).
Si calculas el valor de la función objetivo en el vértice E(0,14), su valor no supera el
valor 33.
Ejemplo:
Consideremos el siguiente problema:
Maximizar Z = 3x1 + 5x2
sujeta a x1 <= 4
2x2 <= 12
3x1 + 2x2 = 18
x1 >= x2 >=
0, 0
1. Se aplica la técnica de las variables artificiales introduciendo una variable
artificial no negativa (denotada por R1) en la última ecuación, como si fuera una
variable de holgura:
3x1 + 2x2 + R1 =18
2. Se asigna una penalización enorme al hecho de tener R1 >= 0, cambiando la
función objetivo
Z = 3x1 + 5x2 a:
Z = 3x1 + 5x2 - MR1,
donde M simbólicamente representa un número positivo muy grande. Este método
que fuerza a R1 hasta el nivel de R1 = 0 en la solución óptima se llama método de
la M.
Nota: Para el caso de minimización, penalizamos a la variable artificial, haciéndola
aparecer en la función objetivo con un coeficiente de +M (en el lado derecho
el coeficiente es positivo).
Ahora se encuentra la solución óptima para el problema real aplicando el
método símplex al problema artificial.
Como R1 juega el papel de la variable de holgura en la tercera restricción del
problema artificial, esta restricción es equivalente a 3x1 + 2x2 = 18.
En particular, el sistema de ecuaciones después de aumentar el problema
artificial (en otras palabras, pasarlo a su forma de igualdades) es:
Maximizar Z,
sujeta a
Z - 3x1 - 5x2 + MR1 = 0
x1 + x3 = 4
2x2 + x4 = 12
3x1 + 2x2 + R1 = 18
xj >= 0 Para j = 1, 2, …, 5
En este momento estamos preparados para pasar los coeficientes a la tabla
símplex:
Variable Lado
Básica Z x1 x2 x3 x4 R5 derecho Cociente ¿Es óptima?
Z 1 –3 –5 0 0 M 0
x3 0 1 0 1 0 0 4
x4 0 0 2 0 1 0 12
R5 0 3 2 0 0 1 18
Esta tabla todavía no está en la forma apropiada porque el coeficiente de x5 es
diferente de cero en la ecuación de Z (es M). Por lo tanto, antes de que el método
símplex pueda aplicar la prueba de optimalidad y encontrar la variable básica entrante,
debe pasarse esta tabla a la forma apropiada para que cumpla la condición símplex.
Esta condición que debe cumplir toda tabla del método símplex para que pueda
reportarnos la siguiente solución básica factible dice que: “Toda variable básica debe
tener un 1 en la intersección de su renglón y columna correspondiente y cero en los
demás renglones incluido el renglón de Z”, en otras palabras, que toda variable que
sea básica solamente debe aparecer en el renglón de la restricción que representa.
Para hacer cero el coeficiente M, utilizamos el renglón de x5 como renglón pivote
multiplicándolo por M y sumando el resultado al renglón de Z. Realizando el
procedimiento anterior, la tabla símplex queda de la siguiente manera:
Variable Lado
Básica Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
Z 1 -3M-3 -2M-5 0 0 0 18M Mx5 + Z
x3 0 1 0 1 0 0 4 (0, 0, 4, 12, 18)
x4 0 0 2 0 1 0 12 Z= 18M
x5 0 3 2 0 0 1 18
Variable Lado
Básica Z x1 x2 x3 x4 x5 derecho Cociente ¿Es óptima?
x4 0 0 2 0 1 0 12 Z= 18M
x5 0 3 2 0 0 1 18 18/3 = 6
x1 0 1 0 1 0 0 4 (4, 0, 0, 12, 6)
x4 0 0 2 0 1 0 12 12/2 = 6 Z= 6M+12
x5 0 0 2 3 0 1 6 6/2 = 3
Z 1 0 0 9/2 0 M+5/2 27
x1 0 1 0 1 0 0 4 4/1 = 4 (4, 3, 0, 6, 0)
x4 0 0 0 3 1 1 6 6/3 = 2 Z = 27
x2 0 0 1 3/2 0 1/2 3
Z 1 0 0 0 3/2 M+1 36
x1 0 1 0 0 1/3 1/3 2 (2, 6, 2, 0, 0)
x3 0 0 0 1 1/3 1/3 2 Z = 36
x2 0 0 1 0 1/2 0 6 Óptima
CASO 1: DEGENERACIÓN
En el apartado del método simplex indicamos que en la aplicación de la condición de
factibilidad una coincidencia de la razón mínima se debe descomponer en forma
arbitraria para los fines de determinar la variable que sale. Sin embargo, cuando
sucede esto con una o más veces las variables básicas, será necesariamente igual a
cero en la siguiente iteración. En este caso decimos que la nueva solución es
degenerada. No hay nada alarmante con respecto al manejo de la solución
degenerada, con la excepción de una ligere desventaja teórica, que analizaremos
brevemente. Desde el punto de vista práctico, la condición revela que el modelo tiene
cuando menos una restricción redundante.
Ejemplo:
Maximizar: Z= 3X1 9X2
Sujeto a: X1 + 4X2 <= 8
X1 + 2X2 <= 4
X1, X2 >= 0
Iteración VB Z X1 X2 X3 X4 LD
0 (entre X2 Z 1 -3 -9 0 0 0
sale X3) X3 0 1 1 1 0 8
X4 0 1 1 0 1 4
1 (entre X1 Z 1 -3/4 0 9/4 0 18
sale X4) X2 0 ¼ 1 ¼ 0 2
X4 0 1/2 0 -1/2 1 0
2 0 (óptima) Z 1 0 0 3/2 3/2 18
X2 0 0 1 ½ -1/2 2
X1 0 1 0 -1 2 0
Ejemplo
Maximizar: Z= 2X1 + 4X2
Sujeto a: X1 + 2X2 <= 5
X1 + X2 <= 4
X1, X2 >= 0
Iteración VB Z X1 X2 X3 X4 LD
0 (X2 entre Z 1 -2 -4 0 0 0
X3 sale) X3 0 1 1 1 0 5
X4 0 1 1 0 1 4
1 (X1 entra Z 1 0 0 2 0 10
X4 sale) X2 0 ½ 1 ½ 0 5/2
X4 0 ½ 0 -1/2 1 3/2
2 Z 1 0 0 2 0 10
(alternativa X2 0 0 1 1 -1 1
óptima) X1 0 1 0 -1 2 3
Ejemplo:
Maximizar: Z = 2X1 + X2
Sujeto a:
X1 - X2 <= 10
2X1 <= 40
X1, X2>= 0
Iteración inicial:
VB Z X1 X2 S1 S2 LD
Z 1 -2 -1 0 0 0
S1 0 1 -1 1 0 10
S2 0 2 0 0 1 40
CASO 4: SOLUCIÓN INFACTIBLE
Si las restricciones no se pueden satisfacer de manera simultánea se dice que el
modelo no tiene solución factible. Esta situación no puede ocurrir si todas las
restricciones son del tipo <= (suponiendo constantes no negativas en el segundo
miembro) ya que la holgura produce siempre una solución factible. Sin embrago
cuando empleamos los otros tipos de restricciones, recurrimos al uso de variables
artificiales, que por su diseño no ofrecen una solución factible al modelo original.
Aunque se toman medidas (a través del uso de la penalización) para hacer que las
variables artificiales sean cero en el nivel óptimo, esto solo puede ocurrir si el modelo
tiene un espacio de solución factible. Si no lo tiene, cuando menos una variable
artificial será positiva (básica) en la iteración “óptima”.
Ejemplo
Maximizar: Z= 3X1 + 2X2
Ejemplo 1:
Minimizar: Z = 3X1 + 2X2
Sujeto a: X1 + 2X2 <= 6
2X1 + X2 <= 8
-X1 + X2 <= 1
X2 <= 2
X1, X2 >= 0
VB Z X1 X2 S1 S2 S3 S4 LD
Z 1 -3 -2 0 0 0 0 0
S1 0 1 2 1 0 0 0 6
S2 0 2 1 0 1 0 0 8
S3 0 -1 1 0 0 1 0 1
S4 0 0 1 0 0 0 1 2
Z 1 0 -1/2 0 3/2 0 0 12
S1 0 0 3/2 1 -1/2 0 0 2
X1 0 1 ½ 0 ½ 0 0 4
S3 0 0 3/2 0 ½ 1 0 5
S4 0 0 1 0 0 0 1 2
Z 1 0 0 1/3 4/3 0 0 38/3
X2 0 0 1 2/3 -1/3 0 0 4/3
X1 0 1 0 -1/3 2/3 0 0 10/3
S3 0 0 0 -1 1 1 0 3
S4 0 0 0 -2/3 1/3 0 1 2/3
Ejemplo No. 2:
Minimizar: Z = 4X1 + X2
Sujeto a: 3X1 + X2 = 3
4X1 + 3X2 >= 6
X1 + 2X2 <= 4
X1, X2 >= 0
VB Z X1 X2 S1 R1 R2 S2 LD
Z 1 -4+7M -1+4M -M 0 0 0 9M
R1 0 3 1 0 1 0 0 3
R2 0 4 3 -1 0 1 0 6
S2 0 1 2 0 0 0 1 4
Z 1 0 (1+5M)/3 -M (4-7M)/3 0 0 4+2M
X1 0 1 1/3 0 1/3 0 0 1
R2 0 0 5/3 -1 -4/3 1 0 2
S2 0 0 5/3 0 -1/3 0 1 3
Z 1 0 0 1/5 8/5 – M -1/5 –M 0 18/5
X1 0 1 0 1/5 3/5 -1/5 0 3/5
X2 0 0 1 -3/5 -4/5 3/5 0 6/5
S2 0 0 0 1 1 -1 1 1
Z 1 0 0 0 7/5 – M -M -1/5 17/5
X1 0 1 0 0 2/5 0 -1/5 2/5
X2 0 0 1 0 -1/5 0 3/5 9/5
S1 0 0 0 1 1 -1 1 1
Bibliografía
Anderson, D.; Sweeney, D.; Williams, T. (2004). Métodos cuantitativos para los
negocios. México. Editorial Thomson.
Eppen, G.; Gould, F. J.; Moore, J.; Schmidt. C.; Weatherford, L. (1998). Investigación
de Operaciones en la Ciencia Administrativa. México. Editorial Prentice Hall