Está en la página 1de 28

c c c


c  
 c  
c c c 
 cc c  
Y

V VV
  V 
 V

V V 
V   V VV
  V 

Las raíces de la investigación de operaciones se remontan a muchas décadas,


cuando se hicieron los primeros intentos para emplear el enfoque científico en la
administración de una empresa. Sin embargo, el inicio de la actividad llamada
investigación de operaciones, casi siempre se atribuye a los servicios militares prestados a
principios de la Segunda Guerra Mundial. Debido a los esfuerzos bélicos, existía una
necesidad urgente de asignar recursos escasos a las distintas operaciones militares y a las
actividades dentro de cada operación, en la forma más efectiva. Por todo esto, las
administraciones militares americana e inglesa hicieron un llamado a un gran número de
científicos para que aplicaran el enfoque científico a éste y a otros problemas de
estrategia y táctica.

Como su nombre lo dice, la investigación de operaciones significa "hacer


investigación sobre las operaciones". Entonces, la investigación de operaciones se aplica a
problemas que se refieren a la conducción y coordinación de operaciones (o actividades)
dentro de una organización. La naturaleza de la organización es esencialmente inmaterial
y, de hecho, la investigación de operaciones se ha aplicado de manera extensa en áreas
tan diversas como la manufactura, el transporte, la constitución, las telecomunicaciones,
la planeación financiera, el cuidado de la salud, la milicia y los servicios públicos, por
nombrar sólo unas cuantas. Así, la gama de aplicaciones es extraordinariamente amplia.

La investigación de operaciones es la aplicación del Método Científico a los


problemas de decisión de las empresas y otras organizaciones, incluyendo el gobierno y la
milicia. La investigación de operaciones sirve para la toma de decisiones óptima y del
modelado de sistemas determinísticos y probabilísticos que se origina en la vida real.

En particular, el proceso comienza por la observación cuidadosa y la formulación


del problema incluyendo la recolección de los datos pertinentes. El siguiente paso es la
construcción de un modelo científico (½   
) que intenta abstraer la
esencia del problema real. En este punto se propone la hipótesis de que el modelo es una
representación lo suficientemente precisa de las características esenciales de la situación
como para que las conclusiones (   ) obtenidas sean válidas también para el
problema real. Después, se llevan a cabo los experimentos adecuados para probar esta
hipótesis, modificarla si es necesario y eventualmente verificarla. (      
½          ) Entonces, en cierto modo, la investigación e
operaciones incluyen la investigación científica creativa de las propiedades fundamentales
de las operaciones. Sin embargo, existe más que esto. En particular, la IO se ocupa

V   YY VY
 Y VY YY
c c c 
c  
 c  
c c c 
 cc c  
Y

también de la administración práctica de la organización. Así, para tener éxito, deberá


también proporcionar conclusiones claras que pueda usar el tomador de decisiones
cuando las necesite.

Una característica más de la investigación de operaciones es su amplio punto de


vista. Como quedó implícito en la sección anterior, la IO adopta un punto de vista
organizacional. De esta manera, intenta resolver los conflictos de intereses entre las
componentes de la organización de forma que el resultado sea el mejor para la
organización completa. Esto no significa que el estudio de cada problema deba considerar
en forma explícita todos los aspectos de la organización sino que los objetivos que se
buscan deben ser consistentes con los de toda ella.

Una característica adicional es que la investigación de operaciones intenta


encontrar una mejor solución, (   ½ ) para el problema bajo
consideración. (         ½ ½ 
     ½    ) En lugar de contentarse con mejorar el
estado de las cosas, la meta es identificar el mejor curso de acción posible. Aun cuando
debe interpretarse con todo cuidado en términos de las necesidades reales de la
administración, esta "búsqueda de la optimidad" es un aspecto importante dentro de la
investigación de operaciones.

Todas estas características llevan de una manera casi natural a otra. Es evidente
que no puede esperarse que un solo individuo sea un experto en todos los múltiples
aspectos del trabajo de investigación de operaciones o de los problemas que se estudian;
se requiere un grupo de individuos con diversos antecedentes y habilidades. Entonces,
cuando se va a emprender un estudio de investigación de operaciones completo de un
nuevo problema, por lo general es necesario emplear el empleo de equipo. Este debe
incluir individuos con antecedentes firmes en matemáticas, estadística y teoría de
probabilidades, al igual que en economía, administración de empresas, ciencias de la
computación, ingeniería, ciencias físicas, ciencias del comportamiento y, por supuesto, en
las técnicas especiales de investigación de operaciones. El equipo también necesita tener
la experiencia y las habilidades necesarias para permitir la consideración adecuada de
todas las ramificaciones del problema a través de la organización.

      V



V
{.Y  Cuándo inicio la investigación de operaciones?
2.Y   ué es la IO?
3.Y  Para qué sirve la investigación de operaciones?
4.Y  En qué áreas se puede aplicar la investigación de operaciones?

V   YY VY
 Y VY YY
c c c 
c  
 c  
c c c 
 cc c  
Y

 V

VV   
   V V 

Para poder comprender la programación lineal definimos que modelo es una


traducción de la realidad física de un sistema en términos matemáticos, es decir, una
forma de representar cada uno de los tipos entidades que intervienen en un cierto
proceso físico mediante objetos matemáticos.
El modelo matemático es uno de los tipos de modelos científicos, que emplea
algún tipo de formulismo matemático para expresar relaciones, proposiciones sustantivas
de hechos, variables, parámetros, entidades y relaciones entre variables y/o entidades u
operaciones, para estudiar comportamientos de sistemas complejos ante situaciones
difíciles de observar en la realidad.

La programación lineal es la planeación de las actividades para obtener un


resultado óptimo, esto es, el resultado que mejor alcance la meta especificada entre todas
las alternativas de solución.



  V V  los métodos más usados de solución de
problemas de programación lineal:

 . El método gráfico se utiliza para la solución de problemas de PL,


representando geométricamente a las restricciones, condiciones técnicas y el objetivo.

El modelo se puede resolver en forma gráfica si sólo tiene dos variables. Para modelos con
tres o más variables, el método gráfico es impráctico o imposible.

Cuando los ejes son relacionados con las variables del problema, el método es llamado
método gráfico en actividad. Cuando se relacionan las restricciones tecnológicas se
denomina método gráfico en recursos.

Los pasos necesarios para realizar el método son (7):

{. graficar las soluciones factibles, o el espacio de soluciones (factible), que satisfagan


todas las restricciones en forma simultánea.

2. Las restricciones de no negatividad Xi>= 0 confían todos los valores posibles.


3. El espacio encerrado por las restricciones restantes se determinan sustituyendo en
primer término <= por (=) para cada restricción, con lo cual se produce la ecuación de una
línea recta.

V   YY VY
 Y VY YY
c c c 
c  
 c  
c c c 
 cc c  
Y

4. trazar cada línea recta en el plano y la región en cual se encuentra cada restricción
cuando se considera la desigualdad lo indica la dirección de la flecha situada sobre la línea
recta asociada.

5. Cada punto contenido o situado en la frontera del espacio de soluciones satisfacen


todas las restricciones y por consiguiente, representa un punto factible.

6. Aunque hay un número infinito de puntos factibles en el espacio de soluciones, la


solución óptima puede determinarse al observar la dirección en la cual aumenta la función
objetivo.

7. Las líneas paralelas que representan la función objetivo se trazan mediante la


asignación de valores arbitrarios a fin de determinar la pendiente y la dirección en la cual
crece o decrece el valor de la función objetivo.

  !"#$. Careciendo de la ventaja visual asociada con la representación gráfica


del espacio de soluciones, el método simplex emplea un proceso iterativo que principia en
un punto extremo factible, normalmente el origen, y se desplaza sistemáticamente de un
punto extremo factible a otro, hasta que se llega por último al punto óptimo.

Existen reglas que rigen la selección del siguiente punto extremo del método simplex:
{. El siguiente punto extremo debe ser adyacente al actual.

2. La solución no puede regresar nunca a un punto extremo considerado con la


anterioridad.

El algoritmo simplex da inicio en el origen, que suele llamarse solución inicial. Después se
desplaza a un punto extremo adyacente. La elección específica de uno a otro punto
depende de los coeficientes de la función objetivo hasta encontrar el punto óptimo.
Al aplicar la condición de optimidad a la tabla inicial seleccionamos a Xi como la variable
que entra. En este punto la variable que sale debe ser una de las variables artificiales.

Los pasos del algoritmo simplex son (6):

{. Determinar una solución básica factible inicial.

2. Prueba de optimidad: determinar si la solución básica factible inicial es óptima y sólo si


todos los coeficientes de la ecuación son no negativos ( >= 0 ). Si es así, el proceso
termina; de otra manera se lleva a cabo otra interacción para obtener la nueva solución
básica factible inicial.

V   YY VY
 Y VY YY
c c c 
c  
 c  
c c c 
 cc c  
Y

3. Condición de factibilidad.- Para todos los problemas de maximización y minimización,


variable que sale es la variable básica que tiene la razón más pequeña (positiva). Una
coincidencia se anula arbitrariamente.

4. Seleccionar las variables de holgura como las variables básicas de inicio.

5. Selecciona una variable que entra de entre las variables no básicas actuales que,
cuando se incrementan arriba de cero, pueden mejorar el valor de la función objetivo. Si
no existe la solución básica es la óptima, si existe pasar al paso siguiente.

6. Realizar el paso iterativo.

a) Se determina la variable básica entrante mediante la elección de la variable con el


coeficiente negativo que tiene el valor mayor valor absoluto en la ecuación. Se enmarca la
columna correspondiente a este coeficiente y se le da el nombre de columna pivote.

b) Se determina la variable básica que sale; para esta, se toma cada coeficiente positivo
(>0) de la columna enmarcada, se divide el lado derecho de cada renglón entre estos
coeficientes, se identifica la ecuación con el menor cociente y se selecciona la variable
básica para esta ecuación.

c) Se determina la nueva solución básica factible construyendo una nueva tabla en la


forma apropiada de eliminación de Gauss, abajo de la que se tiene. Para cambiar el
coeficiente de la nueva variable básica en el renglón pivote a {, se divide todo el renglón
entre el número pivote, entonces

Renglón pivote nuevo = renglón pivote antiguo número pivote

Para completar la primera iteración es necesario seguir usando la eliminación de Gauss


para obtener coeficientes de 0 para la nueva variable básica Xj en los otros renglones,
para realizar este cambio se utiliza la siguiente fórmula:

Renglón nuevo = renglón antiguo - (coeficiente de la columna pivote X renglón


pivote nuevo)

Cuando el coeficiente es negativo se utiliza la fórmula:

Renglón nuevo = renglón antiguo + (coeficiente de la columna pivote X renglón pivote


nuevo)

V   YY VY
 Y VY YY
c c c 
c  
 c  
c c c 
 cc c  
Y

V 
  V  Los programas lineales con dos variables suelen clasificarse
atendiendo al tipo de solución que presentan. Éstos pueden ser:
%V& Si existe el conjunto de soluciones o valores que satisfacen las restricciones.
Estas a su vez pueden ser: con solución única, con solución múltiple (si existe más de una
solución) y con solución no acotada (cuando no existe límite para la función objetivo).
%V& Cuando no existe el conjunto de soluciones que cumplen las restricciones,
es decir, cuando las restricciones son inconsistentes.



  V V  Los términos clave son recursos y actividades, en
donde m denota el número de distintos tipos de recursos que se pueden usar y n denota
el número de actividades bajo consideración. Algunos ejemplos de recursos son dinero y
tipos especiales de maquinaria, equipo, vehículos y personal. Los ejemplos de actividades
incluyen inversión en proyectos específicos, publicidad en un medio determinado y el
envío de bienes de cierta fuente a cierto destino. En cualquier aplicación de programación
lineal, puede ser que todas las actividades sean de un tipo general (como cualquiera de los
ejemplos), y entonces cada una correspondería en forma individual a las alternativas
específicas dentro de esta categoría general. El tipo más usual de aplicación de
programación lineal involucra la asignación de recursos a ciertas actividades. La cantidad
disponible de cada recurso está limitada, de forma que deben asignarse con todo cuidado.
La determinación de esta asignación incluye elegir los niveles de las actividades que
lograrán el mejor valor posible de la medida global de efectividad. Ciertos símbolos se
usan de manera convencional para denotar las distintas componentes de un modelo de
programación lineal. Estos símbolos se enumeran a continuación, junto con su
interpretación para el problema general de asignación de recursos a actividades.
Z = valor de la medida global de efectividad
xj = nivel de la actividad j (para j = {,2,͙,n)
cj = incremento en Z que resulta al aumentar una unidad en el nivel de la actividad j
bi = cantidad de recurso i disponible para asignar a las actividades (para i = {,2,͙,m)
aij = cantidad del recurso i consumido por cada unidad de la actividad j
El modelo establece el problema en términos de tomar decisiones sobre los niveles de las
actividades, por lo que x{,x2,͙.,xn se llaman variables de decisión. Los valores de cj, bi y
aij (para i = {,2,͙.,m y j = {,2,͙.,n) son las constantes de entrada al modelo. Las cj, bi y aij
también se conocen como parámetros del modelo.

{.-   ué es la programación lineal?


2.-  A que se le llama método grafico?
3.-   ué es una solución factible?
4.-   ué es una región factible no acotada?
5.-   ué es una región factible de solución múltiple?

V   YY VY
 Y VY YY
c c c 
c  
 c  
c c c 
 cc c  
Y

UNIDAD III.- PROBLEMAS DE PROGRAMACIÓN LINEAL

La solución de un problema de programación lineal, en el supuesto de que exista, debe


estar en la región determinada por las distintas desigualdades. Esta recibe el nombre de
región factible, y puede estar o no acotada.

La región factible incluye o no los lados y los vértices, según que las desigualdades sean en
sentido amplio (<= o >=) o en sentido estricto (< o >).
Si la región factible está acotada, su representación gráfica es un polígono convexo con un
número de lados menor o igual que el número de restricciones.
El procedimiento para determinar la región factible es el siguiente:
{.Y Se resuelve cada inecuación por separado, es decir, se encuentra el semiplano de
soluciones de cada una de las inecuaciones.
†Y Se dibuja la recta asociada a la inecuación. Esta recta divide al plano en dos regiones o
semiplanos
†Y Para averiguar cuál es la región válida, el procedimiento práctico consiste en elegir un
punto, por ejemplo, el (0,0) si la recta no pasa por el origen, y comprobar si las
coordenadas satisfacen o no la inecuación. Si lo hacen, la región en la que está ese
punto es aquella cuyos puntos verifican la inecuación; en caso contrario, la región
válida es la otra.
2.Y La región factible está formada por la intersección o región común de las soluciones de
todas las inecuaciones.
Como sucede con los sistemas de ecuaciones lineales, los sistemas de inecuaciones
lineales pueden presentar varias opciones respecto a sus soluciones: puede no existir
solución, en el caso de que exista el conjunto solución puede ser acotado o no.
! # #'# ()"#
- Con solución única
- Con solución múltiple: Si existe más de una solución.
- Con solución no acotada: Cuando no existe límite para la función objetivo.
- No factibles: Cuando no existe el conjunto de soluciones que cumplen las restricciones,
es decir, las restricciones son inconsistentes

A continuación se analizara el ejercicio { para la comprensión de la programación lineal y


su método grafico.

V   YY VY
 Y VY YY
c c c 
c  
 c  
c c c 
 cc c  
Y

Muchos problemas de administración y economía están relacionados con la optimización


(maximización o minimización) de una función sujeta a un sistema de igualdades o
desigualdades. La función por optimizar es la función objetivo. Las funciones de ganancia y
de costo son ejemplos de funciones objetivos. El sistema de igualdades o desigualdades a
las que está sujeta la función objetivo reflejan las restricciones (por ejemplo, las
limitaciones sobre recursos como materiales y mano de obra) impuestas a la solución (o
soluciones) del problema. Los problemas de esta naturaleza se llaman problemas de
programación matemática. En particular, aquellas donde la función objetivo y las
restricciones se expresan como ecuaciones o desigualdades lineales se llaman problemas
de programación lineal.
Como ejemplo de un problema de programación lineal en que la función objetivo debe
maximizarse, considérese el siguiente problema de producción con dos variables.

*# + El granjero López tiene 480 hectáreas en la que se puede sembrar ya sea trigo
o maíz. El calcula que tiene 800 horas de trabajo disponible durante la estación crucial del
verano. Dados márgenes de utilidad y los requerimientos laborales mostrados a la
derecha,  Cuántas hectáreas de cada uno debe plantar para maximizar su utilidad? Cuál
es ésta utilidad máxima?
Maíz:
Utilidad: $40 por hrs.
Trabajo: 2hs por hrs.
Trigo:
Utilidad: $30 por hrs.
Trabajo: {hs por hrs.
Solución:
Como primer paso para la formulación matemática de este problema, se tabula la
información dada. Si llamamos x a las hectáreas de maíz e y a las hectáreas de trigo.
Entonces la ganancia total P, en dólares, está dada por:
,-.$/0.1YY
ue es la función objetivo por maximizar.
Elementos
Maíz Trigo
disponibles
Horas 2 {
Hectáreas { { 800
Utilidad por unidad $40 $30 480
La cantidad total de tiempo par hectáreas para sembrar maíz y trigo está dada por 2x+y
horas que no debe exceder las 800 horas disponibles para el trabajo. Así se tiene la
desigualdad:
2x+y§800

V   YY VY
 Y VY YY
c c c 
c  
 c  
c c c 
 cc c  
Y

En forma análoga, la cantidad de hectáreas disponibles está dada por x+y, y ésta no puede
exceder las hectáreas disponibles para el trabajo, lo que conduce a la desigualdad.
Por último, si no queremos tener pérdidas, x y y no pueden ser negativa, de modo que
xM0
yM0
En resumen, el problema en cuestión consiste en maximizar la función objetivo
P=40x+30y sujeta a las desigualdades
2x+y§800
x+y§480
xM0
yM0

"23' (
Los problemas de programación lineal en dos variables tienen interpretaciones
geométricas relativamente sencillas; por ejemplo, el sistema de restricciones lineales
asociado con un problema de programación lineal bidimensional (si no es inconsistente)
define una región plana cuya frontera está formada por segmentos de recta o semirrectas,
por lo tanto es posible analizar tales problemas en forma gráfica.
Si consideremos el problema del granjero López, es decir, de maximizar P = 40x+ 30y
sujeta a
2x+y<800
x+y<480
x>0, y>0
El sistema de desigualdades anterior define la región plana S que aparece en la figura
siguiente. Cada punto de S es un candidato para resolver este problema y se conoce

Como solución factible. El conjunto S se conoce como conjunto factible. El objetivo es


encontrar entre todos los puntos del conjunto S el punto o los puntos que optimicen la
función objetivo P. Tal solución factible es una solución óptima y constituyen la solución
del problema de programación lineal en cuestión.
Como ya se ha observado, cada punto p  en  es un candidato para la solución óptima
del problema en cuestión, por ejemplo, es fácil ver que el punto (200, {50) está en  y, por

V   YY VY
 Y VY YY
c c c 
c  
 c  
c c c 
 cc c  
Y

lo tanto, entra en la competencia. El valor de la función objetivo p en el punto 


está dado por p  ! . Ahora si se pudiera calcular el valor de p
correspondiente a cada punto de , entonces el punto (o los puntos) en  que proporcione
el valor máximo de pformará el conjunto solución buscado. Por desgracia, en la mayoría
de los problemas, la cantidad de candidatos es demasiado grande o, como en este
problema, es infinita. Así este método no es adecuado.
Es mejor cambiar de punto de vista: en vez de buscar el valor de la función objetivo p en
un punto factible, se asignará un valor a la función p y se buscarán los puntos factibles que
correspondieran a un valor dado de p. Para esto supóngase que se asigna a p el valor
6000. Entonces la función objetivo se convierte en  !" una ecuación lineal
en  e ; por lo tanto, tiene como gráfica una línea recta # en el plano.
Está claro que a cada punto del segmento de recta dado por la intersección de la línea
recta L{ y el conjunto factible S corresponde el valor dado 6000 de P. Al repetir el proceso,
pero ahora asignando a P el valor de {2.000, se obtiene la ecuación 40x+ 30y ={2.000 y la
recta L2 lo cual sugiere que existen puntos factibles que corresponden a un valor mayor
de P. Obsérvese que la recta L2 es paralela a L{, pues ambas tienen una pendiente igual a
ʹ4/3. Esto se comprueba con facilidad escribiendo las ecuaciones en explícita de la recta.
En general, al asignar diversos valores a la función objetivo, se obtiene una familia de
rectas paralelas, cada una con pendiente igual a ʹ4/3. Además, una recta correspondiente
a un valor mayor de P está más alejada del origen que una recta con un valor menor de P.
El significado es claro. Para obtener las soluciones óptimas de este problema, se
encuentra la recta perteneciente a esta familia que se encuentra más lejos del origen y
que interseque al conjunto factible S. La recta requerida es aquella que pasa por el punto
P(320,{60) (Fig. 6), de modo que la solución de este problema está dado por x=320, y={60
( es decir que el granjero López deberá sembrar 320 hectáreas de maíz y {60 hectáreas de
trigo), lo que produce el valor máximo P=40(320)+30({60)={7.600.

*# 4 Ê              
  $  %       $&
         $&  %       ½'    ½ 
(  ½'      ½  %  ) $½' 
 )      $&  $&  "
  ½'  $      $&
  $&  *   
 Cuáles combinaciones de píldoras debe comprar el paciente para cubrir sus
requerimientos de hierro y vitamina al menor costo?
Marca A Marca B Requerimientos mínimos
Hierro 40 mg {0 mg 2400 mg
Vitamina B-{ {0 mg {5 mg 2{00 mg
Vitamina B-2 5 mg {5 mg {500 mg
Costo por píldora (US$) 0,06 0,08

V   YY VY
 Y VY YY
c c c 
c  
 c  
c c c 
 cc c  
Y

"23'
Sea x el número de píldoras de la marca A e y el número de píldoras de la marca B por
comprar. El costo C, medido en centavos, está dado por
C = 6x+ 8y
que representa la función objetivo por minimizar.
La cantidad de hierro contenida en x píldoras de la marca A e y el número de píldoras de la
marca B está dada por 40x+{0y mg, y esto debe ser mayor o igual a 2400 mg. Esto se
traduce en la desigualdad.
40x+{0yM2400
Consideraciones similares con los requisitos mínimos de vitaminas B-{ y B-2 conducen a
las desigualdades:
{0x+{5yM2{00
5x+{5yM{500
respectivamente. Así el problema en este caso consiste en minimizar C=6x+8y sujeta a
40x+{0yM2400
{0x+{5yM2{00
5x+{5yM{500
xM0, yM0
El conjunto factible S definido por el sistema de restricciones aparece en la figura. Los
vértices del conjunto factible S son A(0,240); B(30,{20); C({20; 60) y D(300,0).

V   YY VY
 Y VY YY
c c c 
c  
 c  
c c c 
 cc c  
Y

Los valores de la función objetivo C en estos vértices en la tabla que sigue

Vértice C=6x + 8y
A (0,240) {20
B(30,{20) {{40
C({20,60) {200
D(300,0) {800

La tabla muestra que el mínimo de la función objetivo C=6x+8y ocurre en el vértice


B(30,{20) y tiene un valor de {{40. Así el paciente debe adquirir 30 píldoras de la marca A
y {20 de la marca B, con un costo mínimo de ${{,40.


2("(: La dualidad consiste en dos tipos el primal y dual un problema busca
maximizar y el otro minimizar se utilizan para reducir el esfuerzo en ciertos problemas y
para obtener información adicional sobre las variaciones en la solución óptima debidas a
ciertos cambios en los coeficientes y en la formulación del problema. Esto se conoce como
análisis de sensibilidad o post-optimidad.

V   YY VY
 Y VY YY
c c c 
c  
 c  
c c c 
 cc c  
Y

{. Imaginemos que las necesidades semanales mínimas de una persona en proteínas,


hidratos de carbono y grasas son respectivamente 8, {2, unidades. Supongamos que
debemos obtener un preparado con esa composición mínima mezclando 2 productos A y
B cuyos contenidos por Kg. son: 600 y 400.

A B NECESIDADES
PROTEÍNAS 2 { 8
HIDRATOS 6 { {2
GRASAS { 3 
TOTAL 600 400

V   YY VY
 Y VY YY
c c c 
c  
 c  
c c c 
 cc c  
Y

2. Un frutero necesita {6 cajas de naranjas 5 de plátano y 20 de manzanas dos mayoristas


pueden suministrarse para satisfacer sus necesidades pero solo venden la fruta en
contenedores completos. El mayorista A envía en cada contenedor 8 cajas de naranjas {
de plátanos y 2 de naranjas el mayorista B envía en cada contenedor 2 cajas de naranjas
{ de plátanos y 7 de manzanas sabiendo que el mayorista A se encuentra a {50 km de
distancia y el mayorista B a 300km calcular  cuántos contenedores habrán de comprar a
cada mayorista con objeto de ahorrar tiempo y dinero reducido el mínimo de distancia de
lo solicitado?

V   YY VY
 Y VY YY
c c c 
c  
 c  
c c c 
 cc c  
Y

3. En una pastelería se hacen 2 tipos de tartas: vienesas y real. Cada tarta vienesa necesita
un cuarto de relleno por cada kg. De bizcocho y produce un beneficio de 250 pts.,
mientras que una tarta real necesita medio kg. De relleno por cada kg. De bizcocho y
produce 400 ptas. De beneficio. En la pastelería se pueden hacer diariamente hasta {50 kg
de bizcocho y 50 de kg de relleno, aunque por problemas de maquinaria no pueden hacer
más de {25 tartas de cada tipo.
 Cuántas tartas vienesas y reales deben vender al día para que sea máximo el beneficio?

V   YY VY
 Y VY YY
c c c 
c  
 c  
c c c 
 cc c  
Y

4. Un herrero con 80 kg de acero y {20 kg de aluminio hace bicicletas de paseo y de


montaña que quiere vender, respectivamente a 20000 y {5000 bolívares, cada una para
sacar el máximo beneficio. Para la de paseo emplearía { kg de acero y 3 kg de aluminio y
para de montaña 2 kg de ambos metales,  cuántas bicicletas de paseo y de montaña
venderá?

V   YY VY
 Y VY YY
c c c 
c  
 c  
c c c 
 cc c  
Y

5. Un naranjero acude a cierto mercado a comprar naranjas con 50,000.00 pesos le


ofrecieron 2 tipos de naranja las de tipo ͞A͟ a $50.00 el kg y las de tipo ͞B͟ a $80.00 el
kilogramo, sabiendo que solo dispone de su camioneta 700 kg como máximo y piensa
vender el kg de naranja tipo ͞A͟ a $58.00 y la de tipo ͞B͟ a $0.00 por kg.
 Cuántos kilogramos de cada tipo de naranja deberá comprar para obtener el máximo
beneficio?

V   YY VY
 Y VY YY
c c c 
c  
 c  
c c c 
 cc c  
Y

6. Supóngase que un fabricante tiene dos recursos disponibles, R{ y R2, estos dos recursos
pueden usarse para producir 2 productos diferentes A y B, de acuerdo con la siguiente
regla: para el producto A se usa { unidad de R{ y 4 unidades de R2; para el producto B se
usa { unidad de R{ y 2 unidades de R2. El fabricante tiene 3 unidades de R{ y 8 unidades
de R2, disponibles.
Las ganancias que recibe por los dos productos terminados son de $3.50 por unidad A y
$2.50 por unidad B  Cuántas unidades de A y B deben producir para maximizar sus
ganancias?

V   YY VY
 Y VY YY
c c c 
c  
 c  
c c c 
 cc c  
Y

7. El señor Martínez fue llamado para la consulta a la compañía sigma que con sus dos
maquinas automáticas pueden hacer montajes de motocicletas.
La compañía tiene un contrato para armar como mínimo 60 motocicletas de 4 cilindros,
{20 de 2 cilindros y {50 de un cilindro diariamente. Le cuesta $200,000.00 operar la
primera máquina y se pueden hacer montajes de {, 4 y 6 motocicletas de 4, 2 y { cilindro.
Le cuesta $300,000.00 operar la segunda máquina y esta realiza dos montajes
diariamente de cada motocicleta.
El señor Martínez tiene que encontrar la combinación de motocicletas que se deben de
montar con estas dos maquinas para minimizar el costo de operación.

V   YY VY
 Y VY YY
c c c 
c  
 c  
c c c 
 cc c  
Y

8. Un sastre tiene 80 m2 de tela de algodón y {20 m2 de tela de lana, un traje requiere {


m2 de algodón y 3 m2 de lana, un vestido requiere de 2 m2 de cada una de las telas.
Calcular el número de trajes y vestidos que debe confeccionar el sastre para maximizar los
beneficios, si un traje y un vestido se venden al mismo precio.

V   YY VY
 Y VY YY
c c c 
c  
 c  
c c c 
 cc c  
Y

 V

V 
V 5
Para poder comprender el método simplex debes tener en cuenta los siguientes
conocimientos adquiridos anteriormente como son:


   V 

Regla de los signos para la suma

{. Si los números tienen el mismo signo, se suman los valores absolutos y al resultado se le
coloca el signo común.

3+5=8

(о3) + (о5) = о 8

2. Si números son de distinto signo, se restan los valores absolutos (al mayor le restamos
el menor) y al resultado se le coloca el signo del número con mayor valor absoluto.

о3+5=2

3 + (о5) = о 2

Regla de los signos para la multiplicación y la división

2 · 5 = {0

(о2) · (о5) = {0

2 · (о5) = о {0

(о2) · 5 = о {0

V   YY VY
 Y VY YY
c c c 
c  
 c  
c c c 
 cc c  
Y

{0 / 5 = 2

(о{0) / (о5) = 2

{0 / (о5) = о 2

(о{0) / 5 = о 2

VVV 6 V VV 6  7 


 % V 

La suma de dos o más fracciones con distinto denominador es un poco menos


sencilla. Vamos paso a paso:

{. Se halla el mínimo común múltiplo de los dos denominadores

2 Se calcula el numerador con la fórmula: numerador antiguo x denominador común y


dividido por denominador antiguo

3 Se procede como en el primer caso (dado que las fracciones tienen el mismo
denominador). Ejemplo:

3 4
---- ----
4 2

{ Calculamos el mínimo común múltiplo (m. c. m.) el m.c.m. (4, 2) = 4.

2 Calculamos los numeradores.

Numerador de la primera fracción: 3 x 4 : 4 = 3

Numerador de la segunda fracción: 4 x 4 : 2 = 8

3 Tenemos pues una fracción que es:

3 8
---- ----
4 4

V   YY VY
 Y VY YY
c c c 
c  
 c  
c c c 
 cc c  
Y

Como los denominadores son idénticos podemos sumarla como en el caso {.

4 Suma:

3 8 {{
---- + ---- = ---
4 4 4

La resta de dos o más fracciones con distinto denominador es un poco menos sencilla.
Vamos paso a paso:

{. Se halla el mínimo común múltiplo de los dos denominadores

2 Se calcula el numerador con la fórmula: numerador antiguo x denominador común y


dividido por denominador antiguo

3 Se procede como en el primer caso (dado que las fracciones tienen el mismo
denominador)

Ejemplo:

6 {
---- ----
4 2

{ Calculamos el mínimo común múltiplo (m. c. m.) el m.c.m. (4, 2) = 4.

2 Calculamos los numeradores.

Numerador de la primera fracción: 6 x 4 : 4 = 6

Numerador de la segunda fracción: { x 4 : 2 = 2

3 Tenemos pues una fracción que es:

6 2
---- ----
4 4

V   YY VY
 Y VY YY
c c c 
c  
 c  
c c c 
 cc c  
Y

Como los denominadores son idénticos podemos restarla como en el caso {.

4 Resta:

6 2 4
---- - ---- = ---
4 4 4

Es muy sencillo. Para multiplicar dos o más fracciones, se multiplican "en línea".
Esto es, el numerador por el numerador y el denominador por el denominador.

Ejemplo:

3 7 3x7 2{
---- x ---- = ------- = ---
2 4 2x4 8

Es muy sencillo. Para dividir dos o más fracciones, se multiplican "en cruz". Esto es,
el numerador de la primera fracción por el denominador de la segunda fracción (ya
tenemos el numerador) y el denominador de la primera fracción por el numerador de la
segunda fracción (este es el denominador).

Ejemplo:

4 3 4x 36
---- : ---- = ------- = ---
5  5x3 {5

V   YY VY
 Y VY YY
c c c 
c  
 c  
c c c 
 cc c  
Y


V 5

El método 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 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.

Deberá tenerse en cuenta que este método sólo trabaja para restricciones que tengan un
tipo de desigualdad "ч" y coeficientes independientes mayores o iguales a 0, y habrá que
estandarizar las mismas para el algoritmo. En caso de que después de éste proceso,
aparezcan (o no varíen) restricciones del tipo "ш" o "=" habrá que emplear otros métodos,
siendo el más común el método de las Dos Fases.


  
 
   
    
V 5

Esta es la forma estándar del modelo:

Función objetivo: c{·x{ + c2·x2 + ... + cn·xn


Sujeto a: a{{·x{ + a{2·x2 + ... + a{n·xn = b{
a2{·x{ + a22·x2 + ... + a2n·xn = b2
...
am{·x{ + am2·x2 + ... + amn·xn = bm
x{,..., xn ш 0

Para ello se deben cumplir las siguientes condiciones:

{.Y El objetivo es de la forma de maximización o de minimización.


2.Y Todas las restricciones son de igualdad.

V   YY VY
 Y VY YY
c c c 
c  
 c  
c c c 
 cc c  
Y

3.Y Todas las variables son no negativas.


4.Y Las constantes a la derecha de las restricciones son no negativas.

&V
 V
 VV8V 

Si en nuestro modelo, deseamos minimizar, podemos dejarlo tal y como está, pero
deberemos tener en cuenta nuevos criterios para la condición de parada (deberemos
parar de realizar iteraciones cuando en la fila del valor de la función objetivo sean todos
menores o iguales a 0), así como para la condición de salida de la fila. Con objeto de no
cambiar criterios, se puede convertir el objetivo de minimizar la función F por el de
maximizar F.

Ventajas: No deberemos preocuparnos por los criterios de parada, o condición de salida


de filas, ya que se mantienen.

Inconvenientes: En el caso de que la función tenga todas sus variables básicas positivas, y
además las restricciones sean de desigualdad "ч", al hacer el cambio se quedan negativas
y en la fila del valor de la función objetivo se quedan positivos, por lo que se cumple la
condición de parada, y por defecto el valor óptimo que se obtendría es 0.

Solución: En la realidad no existen este tipo de problemas, ya que para que la solución
quedara por encima de 0, alguna restricción debería tener la condición "ш", y entonces
entraríamos en un modelo para el método de las Dos Fases.

Para tener una idea más clara sobre el método simplex analice el siguiente problema.

Zmax = 6x{ + 8x2


s.a. 5x{ + 2x2 ч 20
x{ + 2x2 ч {0
x{, x2, ш 0

Zmax = 6x{ + 8x2 + 0H{ + 0H2

5X{ + 2X2 + H{ + 0H2 = 20

X{ + 2X2 + 0H{ + H2 = {0

X{, X2, H{, H3 > 0

DUAL

Zmin= 20 y{ + {0 y2

5y{ + y2 > 6

V   YY VY
 Y VY YY
c c c 
c  
 c  
c c c 
 cc c  
Y
2y2 + 2y2 >8

y{, y2 > 0

6 8 0 0
Cj X{ X2 H{ H2 Bj
0 H{ 5 2 { 0 20
0 H2 { 4 0 { {0
Zj 0 0 0 0
Cj-Zj 6 8 0 0

({ 2 0 { {0) / 2

(½ { 0 ½ 5) ( -2)

-{ -2 0 -{ -{0
5 2 { 0 20
---------------------------------------
4 0 { -{ {0

6 8 0 0
Cj X{ X2 H{ H2 Bj
0 H{ - 0 { -{ {0
8 X2 ½ + 0 ½ 5
Zj 4 8 0 4
Cj-Zj 2 0 0 -4

(4 0 { -{ {0) / 4

({ 0 ¼ ¼ 5/2) (-{/2 )

-½ 0 -{/8 {/8 -5/4


½ { 0 ½ 5
---------------------------------------
0 { -{/8 5/8 {5/4

V   YY VY
 Y VY YY
c c c 
c  
 c  
c c c 
 cc c  
Y

6 8 0 0
Cj X{ X2 H{ H2 Bj
6 X{ + 0 {/4 {/4 5/2
8 X2 0 + -{/8 5/8 {5/4
Zj 6 8 {/2 {3/2
Cj-Zj 0 0 -{/2 -{3/2 45

SOLUCIÓN PRIMAL
Zmax = 45
X{= 5/2
X2= {5/4

SOLUCIÓN DUAL
Zmin = 45
Y{= {/2
Y2= {3/2

V   YY VY
 Y VY YY