Investigaciónd de Operaciones 1

Método Simplex: Post-Optimalidad y Sensibilidad

Semana 7, Clase 1
 Análisis de Post-Optimalidad
EL análisis de post-optimalidad es una parte importante de la mayoría de
estudios de Investigación de Operaciones y especialmente para aplicaciones
de Programación Lineal. Este es el que nos permite dar respuestas mas
completas que una simple solución óptima, con este podemos ir mas allá y
tomar verdaderas decisiones estratégicas.

Dentro de as técnicas que se aplican a esta metodología tenemos:

• Re-optimización
• Precios Sombra
• Análisis de Sensibilidad
• Programación lineal paramétrica

En general, el análisis de Post-Optimalidad busca evaluar nuestros

parámetros (constantes y coeficientes) para revelarnos la robustez y posibles
puntos de mejora de nuestro sistema.
 Re-optimización
En muchos casos prácticos, los modelos desarrollados son sumamente
grande. Para poder evaluar todo esto, a veces se desea crear variantes del
modelo básico para considerar los diferentes escenarios. Es por esto que al
obtener una solución óptima para una versión del modelo, frecuentemente es
necesario resolver el problema varias veces mas.

Un método para aplicar esto es resolver desde 0 cada nueva versión del
modelo, pero esto requeriría cientos o miles de iteraciones en muchos casos.
Una forma mas eficiente de lograrlo es re-optimizar . La re-optimización
envuelve deducir como los cambios en el modelo se transfieren a la tabla
final y posteriormente utilizar esta tabla como solución básica inicial para
resolver el nuevo modelo. Si esta solución es factible para el nuevo modelo,
aplicamos el método Simplex como siempre lo hemos hecho, en caso
contrario, podemos aplicar el método Simplex Dual.

La ventaja de aplicar la Re-optimización es que frecuentemente la solución

básica inicial del nuevo modelo solo requiere pocas iteraciones para
encontrar la nueva la solución óptima.
 Precios Sombra
Recuerden que los problemas de Programación Lineal se pueden interpretar como
asignación de recursos a actividades. En particular, cuanto las restricciones funcionales
están en la forma ≤, interpretamos las bi (lados derechos) como la cantidad de
recursos que se hacen disponibles para una actividad en consideración. En muchos
casos, los valores iniciales de estas bi representan cuanto la administración estaba
dispuesta a invertir para alguna actividad, por lo que estos valores pudieran
aumentarse o disminuirse si dicha decisión puede defenderse de manera fuerte.

Para la toma de esta decisión, es importante conocer la contribución económica que

estos recursos están teniendo en nuestro rendimiento (Z); cuanto mas puedo
ganar/ahorrar por variar la disponibilidad de este recurso y que tanto puedo variarlo
sin cambiar mi solución Básica (vértice). El método simplex provee esta información en
la forma de precios sombra.

Los precios sombra (denotados como yi) miden el valor marginal de un recurso; el
ritmo al que pudiera aumentarse Z si aumentamos la disponibilidad del recurso bi. El
método simplex identifica el precio sombra como el coeficiente de la variable de
holgura en la fila 0 de la tabla simplex final.

Gráficamente, sería el equivalente a evaluar el cambio en la función objetivo por

trasladar las restricciones activas en las direcciones posibles hasta encontrarse con un
vértice distinto.
 Precios Sombra
Recordando el ejemplo de Wyndor Glass, los recursos disponibles eran el tiempo y las
plantas de producción (1, 2 y 3). La administración determinó inicialmente que las
capacidades disponibles eran 4, 12 y 18 horas semanales respectivamente.
Actualmente la administración desea evaluar el efecto de cambiar alguno de estos
valores.

Los precios sombra de cada una de las tres plantas serían 0, 3/2 y 1 respectivamente.
Por lo tanto, cada aumento unitario de las bi produce un aumento de yi en Z.
Intenta cambiar ligeramente las bi y luego resolver el nuevo modelo para verificar los
cambios.
Precios Sombra
 Puntos importantes a notar
• Solo las restricciones atántes tienen precios
sombra, ya que estas están cumplidas con
igualdad a su lado derecho.
• Los cambios en las bi a proponer deben ser
ligeros, debido a que cambios mayores
pudieran también cambiar las restricciones
atántes.
 Análisis de Sensibilidad
En la mayoría de las aplicaciones, al inicio de un estudio, los coeficientes (parámetros)
no son tan exactos como quisiéramos que lo fueran. Recordemos que nuestros
modelos son simplificaciones de la realidad y que muchas veces atienden a
situaciones que no se han probado o implementado anteriormente. En estos casos,
nuestros parámetros pueden ser susceptibles a cambios durante la implementación y
se vuelve necesario saber que tan sensible es nuestra solución óptima a estos
cambios.

El análisis de sensibilidad nos permite determinar cuales son aquellos parámetros

(específicamente los Costos Reducidos) para los que nuestra solución es sensibles a
cambios y que por lo tanto requieren exactitud al momento de calcularlos y monitoreo
constante durante la implementación de la solución. Cambios drásticos en estos
parámetros, significan cambios en nuestra solución (cambios en la Base; movernos de
vértice).

Matemáticamente, el análisis de sensibilidad evalúa las posibles variaciones en la

pendiente de la función objetivo, para determinar que tanto puede cambiar la misma
antes de causar un cambio en la base.
Gráficamente, el análisis de sensibilidad sería lo equivalente a girar nuestra función
objetivo graficada en el vértice óptimo (en todas las posibles dimensiones) hasta tocar
la próxima restricción.
Análisis de Sensibilidad (función
objetivo)
 Programación lineal paramétrica
En muchos casos existe la posibilidad de cambiar nuestros parámetros
tecnológicos intencionalmente a través de negociaciones, entonces
surge la pregunta ¿Que cambios vale la pena implementar e nuestros
parámetros?

Para responder esto utilizamos la programación lineal paramétrica.

Esto nos es mas que simplemente convertir nuestra solución óptima
en parámetros constantes y nuestros parámetros en variables
restringidas, de manera que podemos ver cual sería el mejor escenario
para nuestra solución óptima según los cambios que podemos hacer a
nuestros parámetros.

Este tipo de implementaciones puede incluso responder a la pregunta

de si es necesario dejar de producir o vender algún producto o servicio
y dedicar esos esfuerzos a otro que puede hacerse de manera incluso
mas económica y que rinde mas beneficios.
 Para mas información
En la próxima clase estaremos viendo como
utilizar algunas de estas técnicas con Excel. Si
necesitan mas detalles sobre la implementación
de las mismas para su proyecto pueden buscarla
en:
• Capítulos 6 y 7 de Hillier y Lieberman
• Capítulos 3 y 4 de Taha
• Capítulos 5 y 6 de Winston
 Investigaciónd de Operaciones 1

Método Simplex: Post-Optimalidad y Sensibilidad

Semana 7, Clase 2
 Post Optimización y Sensibilidad
Tarea
Probar variaciones del
modelo
Validación del Modelo
Decisiones administrativas
finales de asignación de
recursos
Evaluar los estimados de los
parámetros del modelo
Evaluar las compensaciones
de negociar los parámetros
Propósito Técnica
Afinar el modelo y la solución Reoptimización
óptima con versiones mas
completas del problema
Demostrar la validez de un Ver recomendaciones de
modelo final Cap. 2.4 Lieberman
Realizar una apropiada división Precios Sombra
de los recursos
organizacionales estudiados y
otras actividades importantes
Determinar estimados Análisis de Sensibilidad
cruciales que puedan afectar la
solución óptima para estudios
futuros
Determinar las mejores Programación lineal
negociaciones a realizar paramétrica
 Reportes de Excel (Respuesta)
Celda objetivo (Máx.)
Celda Nombre Valor original Valor final
$E$6 Z 0 36

Celdas de variables
Celda Nombre Valor original Valor final Entero
$B$6 X1 0 2 Continuar
Variables $C$6 X2 0 6 Continuar
de Holgura
holgura restante
Restricciones
Celda Nombre Valor de la celda Fórmula Estado Demora
$D$10 = 12 $D$10<=$F$10 Vinculante 0
$D$11 = 18 $D$11<=$F$11 Vinculante 0
$D$9 = 2 $D$9<=$F$9 No vinculante 2
Reportes de Excel (Confidencialidad)
Costo de
entrar a Variaciones
la base Permitidas
Celdas de variables
Final Reducido Objetivo Permisible Permisible
Celda Nombre Valor Coste Coeficiente Aumentar Reducir
$B$6 X1 2 0 3 4.5 3
$C$6 X2 6 0 5 1E+30 3

Restricciones
Final Sombra Restricción Permisible Permisible
Celda Nombre Valor Precio Lado derecho Aumentar Reducir
$D$10 = 12 1.5 12 6 6
$D$11 = 18 1 18 6 6
$D$9 = 2 0 4 1E+30 2

Precios Variaciones
Sombra Permitidas
Reportes de Excel (Límites)
Límites
de
variables
Objetivo
Celda Nombre Valor
$E$6 Z 36

Variable Inferior Objetivo Superior Objetivo

Celda Nombre Valor Límite Resultado Límite Resultado
$B$6 X1 2 0 30 2 36
$C$6 X2 6 0 6 6 36

Resultado
en límites
 Puntos importantes para mejorar el
modelo
• Aunque el método Simplex puede aplicarse a casi todo tipo de
modelos de PL, también existen modificaciones a este
especializadas en modelos de Transporte, Asignación, Flujo Mínimo,
etc. Estas últimas tienden a ser aún mas rápidas que el Simplex
normal.
• Factores que afectan el tiempo para resolver el modelo:
– # de restricciones: El tiempo de computación es proporcional al cubo
de la cantidad de restricciones.
– Cantidad de variables: Su efecto es menor, normalmente doblar el
número de variables ni siquiera dobla la cantidad de computaciones.
– Densidad de la tabla de coeficientes de las restricciones (cuantos
coeficientes son diferentes de 0): Aumenta la cantidad de
computaciones por iteración.
– En general, la cantidad de iteraciones necesarias tiende a ser igual al
doble del número de restricciones funcionales.
Investigación de Operaciones 1

Dualidad
Semana 8, Clase 1
 Dualidad
Uno de los descubrimientos mas importantes en el desarrollo temprano de
la Programación Lineal es la Dualidad. Este descubrimiento reveló que
TODO problema de PL (Primal) tiene asociado otro problema de PL (Dual)
cuya relación provee información muy útil. Dentro de estos beneficios
encontramos:
• Los precios sombra están dados en realidad por la solución óptima del
Dual.
• La implementación e interpretación del análisis de sensibilidad está
fundamentada en la dualidad.
• Computacionalmente, normalmente, es mas fácil resolver el problema
Dual que el Primal.
• Con cada iteración del Simplex Dual obtenemos un límite superior del
valor de Z* mientras que con cada iteración del Simplex Primal
obtenemos un límite inferior del valor de Z*.
• Si ya tenemos una solución propuesta y factible x para el Primal, y a
través de simple inspección (u otro método) logramos obtener una
solución factible y para el Dual. De entrada (sin Aplicar Simplex)
podemos saber si x o y son óptimas o que tan buenas son.
 Dualidad
• Cuando hablamos sobre dualidad, se le
llamará Primal al problema original y Dual al
problema nuevo.
• Si el problema Primal es de Maximización, el
problema Dual será de Minimización, y
viceversa.
• Por conveniencia, las variables del Primal se
escribirán como Z, x1,x2 … , xn y las variables
del Dual como W, y1, y2, … , ym
 Dualidad
Dada la forma estándar de un problema, así se vería su problema dual.

Problema Primal Problema Dual

Utilizamos los mismos parámetros en posiciones distintas y reformulamos nuestras variables:

• Los coeficientes de la función objetivo del Primal son los lados derechos de las restricciones del Dual.
• Los lados derechos de las restricciones del Primal son los coeficientes de la función objetivo del Dual.
• Los coeficientes de las variables en las restricciones del Primal son los coeficientes en las restricciones
del Dual.
 Propiedades de la Dualidad
En resumen:
• Cada restricción se convierte en una variable
• Cada lado derecho se convierte en un coeficiente de las nuevas
variables en la función objetivo.

Finalmente nos damos cuenta de que:

• Si x es factible para el problema Primal y y es factible para el
problema Dual, entonces cx ≤ yb (Propiedad de dualidad débil); Z ≤
W
• Si x* es óptimo para el problema Primal y y* es óptimo para el
problema Dual, entonces cx* = y*b (Propiedad de dualidad fuerte);
Z* = W*
• Si cx = yb y x no es óptima para el problema Primal, entonces y no
es factible para el problema Dual (Propiedad de solución
complementaria)
• Existen otras propiedades que pueden leer en el capítulo 6 de
Lieberman, 4 de Taha o 6 de Winston.
 Dualidad
Problema Primal Problema Dual

Para un Primal de Maximización:

• Si una variable es no negativa en el Primal, entonces la restricción
asociada a esta en el Dual será del tipo ≥ (y viceversa)
• Si una variable no esta restringida en el Primal, entonces la restricción
asociada a esta en el Dual será del tipo =
 Propiedades de la Dualidad
Problema Primal Problema Dual

Por simple inspección podemos obtener algunas soluciones para cada problema:

Primal Sol1 Sol2 Sol3 Sol4 Dual Sol1 Sol2 Sol3 Sol4
X1 0 2 3 4 Y1 0 0 0 0
X2 0 6 3 6 Y2 0 1.5 2 2
Z 0 36 24 42 Y3 0 1 0 1
Z 0 36 24 42
Como vemos solo las soluciones que tienen son factibles para ambos problemas son también óptimas.
Además, las soluciones factibles de un problema, representan un límite para solución óptima del otro.
 Dualidad
Para resolver nuestro problema Dual, seguimos los
mismos pasos del método Simplex

Problema Primal Problema Dual

Z X1 X2 H1 H2 H3 B W y1 y2 y3 e1 e2 a1 a2 C
1.00 - 3.00 - 5.00 - - - - (1.00) 4.00 12.00 18.00 - - -M -M -
- 1.00 - 1.00 - - 4.00 - 1.00 - 3.00 (1.00) - 1.00 - 3.00
- - 2.00 - 1.00 - 12.00 - - 2.00 2.00 - (1.00) - 1.00 5.00
- 3.00 2.00 - - 1.00 18.00
W y1 y2 y3 e1 e2 a1 a2 C
1.00 - 3.00 - - 2.50 - 30.00 (1.00) (2.00) 12.00 - 6.00 - -M+(-6) -M+(0) (18.00)
- 1.00 - 1.00 - - 4.00 - 0.33 - 1.00 (0.33) - 0.33 - 1.00
- - 1.00 - 0.50 - 6.00 - (0.67) 2.00 - 0.67 (1.00) (0.67) 1.00 3.00
- 3.00 - - - 1.00 1.00 6.00
W y1 y2 y3 e1 e2 a1 a2 C
1.00 - - - 1.50 1.00 36.00 (1.00) 2.00 - - 2.00 6.00 -M+(-6) -M+(-6) (36.00)
- - - 1.00 0.33 - 0.33 2.00 - 0.33 - 1.00 (0.33) - 0.33 - 1.00
- - 1.00 - 0.50 - 6.00 - (0.33) 1.00 - 0.33 (0.50) (0.33) 0.50 1.50
- 1.00 - - - 0.33 0.33 2.00
 Ejemplo 1: Dakota
La Dakota Furniture Company produce mesas, escritorios y sillas. La
manufactura de cada tipo de mueble requiere madera y dos tipos de mano de
obra especializada: carpintería y terminación. La cantidad necesaria de cada
recurso se muestra en la tabla mas abajo.

Actualmente tenemos disponible 48 tablas de madera, 20 horas para trabajos

de terminación y 8 para carpintería. Cada mesa se vende por $60, cada
escritorio por $30 y cada silla por $20. Dakota entiende que la demanda para
mesas y sillas es ilimitada, pero que pueden vender un máximo de 5
escritorios. Dakota te ha contratado para determinar como optimizar sus
beneficios con los recursos que tiene disponible.

Recurso Mesa Escritorio Silla

Tablas de madera 8 6 1
Horas de Terminación 4 2 1.5
Horas de Carpintería 2 1.5 0.5
 Ejemplo 1: Dakota
El primal de este problema podemos
formularlo fácilmente:

Así mismo, como el problema esta en

forma de maximización estándar, el dual
se obtiene inmediatamente:

Otra forma de obtener el Dual, es leerlo

transversalmente de nuestra tabla:
 Ejemplo 2: No estandar
Un problema en forma no estándar
se puede ver de la siguiente
manera:
La primera opción que nos llega a la
mente si queremos obtener el dual
de este problema, es llevarlo a
forma estándar, así:
Pero esto hará que nuestro Dual
tenga aún mas restricciones y
variables incluso antes de agregar
variables de holgura, además de ser
un proceso tedioso. Demos gracias
de que esta no es la única opción…
 Ejemplo 2: No estandar
Siguiendo estas reglas podemos encontrar el Dual de
un problema no estándar:
• Si una restricción tiene un signo acorde a la forma
estándar en el Primal, la variable relacionada a
esta en el Dual será no negativa (y viceversa). En
caso de ser un signo de =, la variable relacionada a
esta en el Dual será URS.
• Si una variable es no negativa en el Primal, la
restricción relacionada a esta en el Dual será de
forma estándar según el tipo de optimización (y
viceversa). En caso de ser URS, la restricción
relacionada a esta en el Dual será una igualdad.
Investigación de Operaciones 1

Dualidad: Método Simplex Dual

Semana 8, Clase 2
 Simplex Dual
• Si nuestro Primal tiene la forma estándar de maximización, estaremos
iniciando en una solución factible (todos los lados derechos positivos) y al
menos uno de los coeficientes de la función objetivo será negativo en la
forma de Reducción Gausiana (a menos que la tabla inicial sea óptima).
Esto significa que el Dual de este problema será no factible. Cada iteración
mantendrá un Primal factible hasta obtener un valor óptimo que también
sea factible para el Dual.
• En muchas ocasiones será mas fácil resolver un problema en el que
iniciamos con todos los coeficientes nonegativos en la función objetivo
(Dual Factible) y al menos una restricción con lado derecho negativo
(Primal no factible). El simplex dual mantiene una fila 0 no negativa (Dual
Factible) y eventualmente obtiene una tabla en la que cada lado derecho
es no negativo (Primal Factible). En ese momento, alcanzamos una
solución factible. Debido a que este método mantiene la factibilidad dual,
se llama Método Simplex Dual.
 Simplex Dual
1. ¿Son los lados derechos de cada restricción no negativos? Entonces, se
ha encontrado una solución óptima; de lo contrario, al menos una
restricción tiene un lado derecho negativo y pasamos al paso 2.

2. Seleccione la variable básica mas negativa para salir de la base

(restricción con el lado derecho mas negativo). La fila en que la variable
es básica será la fila pivote. Para seleccionar la variable entrante, se le
aplica la prueba del ratio a cada variable que tiene un coeficiente
negativo en la fila pivote versus sus coeficientes en la fila 0. Escogemos
la variable con el menor valor (absoluto) en la prueba del ratio como la
variable entrante. Esta forma de la prueba del ratio mantiene la
factibilidad dual.

3. Aplicamos operaciones elementales entre filas para crear la próxima

tabla. Si existen restricciones con lados derechos negativos y cada
variable tiene un coeficiente no negativo en la fila 0, el problema no
tiene solución factible. Si no existen restricciones con lados derechos
positivos, regresamos al paso 1.
Resolver un problema de Minimización por Simplex
Dual
#1 W Y1 Y2 Y3 h1 h2 h3 h4 h5 b
Z -1.0 2.0 4.0 6.0 0.0 0.0 0.0 0.0 0.0 0.0
X1 0.0 -1.0 -2.0 -1.0 1.0 0.0 0.0 0.0 0.0 -2.0
X2 0.0 -1.0 0.0 1.0 0.0 1.0 0.0 0.0 0.0 -1.0
X3´ 0.0 0.0 1.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0
X3´´ 0.0 0.0 -1.0 -1.0 0.0 0.0 0.0 1.0 0.0 -1.0
X4 0.0 2.0 1.0 0.0 0.0 0.0 0.0 0.0 1.0 3.0
#2 W Y1 Y2 Y3 h1 h2 h3 h4 h5 b
Z -1.0 0.0 0.0 4.0 2.0 0.0 0.0 0.0 0.0 -4.0
X1 0.0 1.0 2.0 1.0 -1.0 0.0 0.0 0.0 0.0 2.0
X2 0.0 0.0 2.0 2.0 -1.0 1.0 0.0 0.0 0.0 1.0
X3´ 0.0 0.0 1.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0
X3´´ 0.0 0.0 -1.0 -1.0 0.0 0.0 0.0 1.0 0.0 -1.0
X4 0.0 0.0 -3.0 -2.0 2.0 0.0 0.0 0.0 1.0 -1.0
#3 W Y1 Y2 Y3 h1 h2 h3 h4 h5 b
Z -1.0 0.0 0.0 4.0 2.0 0.0 0.0 0.0 0.0 -4.0
X1 0.0 1.0 0.0 -1.0 -1.0 0.0 0.0 2.0 0.0 0.0
X2 0.0 0.0 0.0 0.0 -1.0 1.0 0.0 2.0 0.0 -1.0
X3´ 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0
X3´´ 0.0 0.0 1.0 1.0 0.0 0.0 0.0 -1.0 0.0 1.0
X4 0.0 0.0 0.0 1.0 2.0 0.0 0.0 -3.0 1.0 2.0
#4 W Y1 Y2 Y3 h1 h2 h3 h4 h5 b
Z -1.0 0.0 0.0 4.0 0.0 2.0 0.0 4.0 0.0 -6.0
X1 0.0 1.0 0.0 -1.0 0.0 -1.0 0.0 0.0 0.0 1.0
X2 0.0 0.0 0.0 0.0 1.0 -1.0 0.0 -2.0 0.0 1.0
X3´ 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0
X3´´ 0.0 0.0 1.0 1.0 0.0 0.0 0.0 -1.0 0.0 1.0
X4 0.0 0.0 0.0 1.0 0.0 2.0 0.0 1.0 1.0 0.0
 Encontrar una solución óptima al
agregar una restricción
Si agregamos una nueva restricción al problema,
pueden suceder 3 cosas:
1. La solución óptima actual satisface la nueva
restricción y por lo tanto sigue siendo óptima.
Esto es cierto porque el agregar restricciones no
agrega mas espacio al área de factibilidad.
2. La solución óptima actual no satisface la nueva
restricción, pero el problema aún tiene área de
factibilidad
3. La restricción adicional cause que el problema
no tenga soluciones factibles.
Encontrar una solución óptima al agregar una restricción
Si a nuestro problema
anterior agregamos una
nueva restricción, solo
tenemos que aplicar a
operaciones necesarias #4´
para mantener las Z -1.0 0.0 0.0 4.0 0.0 2.0 0.0 4.0 0.0 0.0
variables básicas que ya X1
teníamos en nuestra X2
X3´
solución óptima anterior. X3´´
En este caso nos daremos X4
cuenta que la tabla X5
#4 W Y1 Y2 Y3 h1 h2 h3 h4 h5 b
Z -1.0 0.0 0.0 4.0 0.0 2.0 0.0 4.0 0.0 -6.0
X1 0.0 1.0 0.0 -1.0 0.0 -1.0 0.0 0.0 0.0 1.0
X2 0.0 0.0 0.0 0.0 1.0 -1.0 0.0 -2.0 0.0 1.0
X3´ 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0
X3´´ 0.0 0.0 1.0 1.0 0.0 0.0 0.0 -1.0 0.0 1.0
X4 0.0 0.0 0.0 1.0 0.0 2.0 0.0 1.0 1.0 0.0
W Y1 Y2 Y3 h1 h2 h3 h4 h5 h6 b
-6.0
0.0 1.0 0.0 -1.0 0.0 -1.0 0.0 0.0 0.0 0.0 1.0
0.0 0.0 0.0 0.0 1.0 -1.0 0.0 -2.0 0.0 0.0
0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0
1.0
0.0
0.0 0.0 1.0 1.0 0.0 0.0 0.0 -1.0 0.0 0.0 1.0
0.0 0.0 0.0 1.0 0.0 2.0 0.0 1.0 1.0 0.0 0.0
0.0 -1.0 -1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 -2.0

producida continúa #4´´ W Y1 Y2 Y3 h1 h2 h3 h4 h5 h6 b

Z -1.0 0.0 0.0 4.0 0.0 2.0 0.0 4.0 0.0 0.0 -6.0
siendo factible y por lo X1 0.0 1.0 0.0 -1.0 0.0 -1.0 0.0 0.0 0.0 0.0 1.0
tanto óptima: X2 0.0 0.0 0.0 0.0 1.0 -1.0 0.0 -2.0 0.0 0.0 1.0
X3´ 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0 0.0
X3´´ 0.0 0.0 1.0 1.0 0.0 0.0 0.0 -1.0 0.0 0.0 1.0
X4 0.0 0.0 0.0 1.0 0.0 2.0 0.0 1.0 1.0 0.0 0.0
X5 0.0 0.0 0.0 0.0 0.0 -1.0 0.0 -1.0 0.0 1.0 0.0
 Encontrar una solución óptima al agregar una restricción
#4´ W Y1 Y2 Y3 h1 h2 h3 h4 h5 h6 b
Z -1.0 0.0 0.0 4.0 0.0 2.0 0.0 4.0 0.0 0.0 -6.0
X1 0.0 1.0 0.0 -1.0 0.0 -1.0 0.0 0.0 0.0 0.0 1.0
X2 0.0 0.0 0.0 0.0 1.0 -1.0 0.0 -2.0 0.0 0.0 1.0
X3´ 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0 0.0
X3´´ 0.0 0.0 1.0 1.0 0.0 0.0 0.0 -1.0 0.0 0.0 1.0
X4 0.0 0.0 0.0 1.0 0.0 2.0 0.0 1.0 1.0 0.0 0.0
X5 0.0 -1.0 -1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 -3.0
En este caso, al agregar una
restricción y aplicar las
operaciones elementales, nos
damos cuenta que la tabla no es
óptima, por lo que iteramos
buscando un nuevo óptimo. Por
desgracia, llegamos a un punto
en el que no podemos escoger
una columna pivote, por lo al
agregar esta restricción, hemos
causado que el problema ya no
sea factible.
#4´´ W Y1 Y2 Y3 h1 h2 h3 h4 h5 h6 b
Z -1.0 0.0 0.0 4.0 0.0 2.0 0.0 4.0 0.0 0.0 -6.0
X1 0.0 1.0 0.0 -1.0 0.0 -1.0 0.0 0.0 0.0 0.0 1.0
X2 0.0 0.0 0.0 0.0 1.0 -1.0 0.0 -2.0 0.0 0.0 1.0
X3´ 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0 0.0
X3´´ 0.0 0.0 1.0 1.0 0.0 0.0 0.0 -1.0 0.0 0.0 1.0
X4 0.0 0.0 0.0 1.0 0.0 2.0 0.0 1.0 1.0 0.0 0.0
X5 0.0 0.0 0.0 0.0 0.0 -1.0 0.0 -1.0 0.0 1.0 -1.0
#4´´´ W Y1 Y2 Y3 h1 h2 h3 h4 h5 h6 b
Z -1.0 0.0 0.0 4.0 0.0 0.0 0.0 2.0 0.0 2.0 -8.0
X1 0.0 1.0 0.0 -1.0 0.0 0.0 0.0 1.0 0.0 -1.0 2.0
X2 0.0 0.0 0.0 0.0 1.0 0.0 0.0 -1.0 0.0 -1.0 2.0
X3´ 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0 0.0
X3´´ 0.0 0.0 1.0 1.0 0.0 0.0 0.0 -1.0 0.0 0.0 1.0
X4 0.0 0.0 0.0 1.0 0.0 0.0 0.0 -1.0 1.0 2.0 -2.0
X5 0.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 0.0 -1.0 1.0
#4´´´´ W Y1 Y2 Y3 h1 h2 h3 h4 h5 h6 b
Z -1.0 0.0 0.0 6.0 0.0 0.0 0.0 0.0 2.0 6.0 -12.0
X1 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0
X2 0.0 0.0 0.0 -1.0 1.0 0.0 0.0 0.0 -1.0 -3.0 4.0
X3´ 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 2.0 -2.0
X3´´ 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 -1.0 -2.0 3.0
X4 0.0 0.0 0.0 -1.0 0.0 0.0 0.0 1.0 -1.0 -2.0 2.0
X5 0.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 1.0 -1.0
Encontrar una SO al cambiar el lado derecho de una
restricción
#4 W Y1 Y2 Y3 h1 h2 h3 h4 h5 b
Z -1.0 0.0 0.0 4.0 0.0 2.0 0.0 4.0 0.0 -6.0
X1 0.0 1.0 0.0 -1.0 0.0 -1.0 0.0 0.0 0.0 -1.0
Al cambiar el lado derecho X2 0.0 0.0 0.0 0.0 1.0 -1.0 0.0 -2.0 0.0 1.0
de una restricción, solo es X3´ 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0
necesario añadir la X3´´ 0.0 0.0 1.0 1.0 0.0 0.0 0.0 -1.0 0.0 1.0
diferencia de ese cambio al X4 0.0 0.0 0.0 1.0 0.0 2.0 0.0 1.0 1.0 0.0
lado derecho de dicha #4´ W Y1 Y2 Y3 h1 h2 h3 h4 h5 b
restricción en la tabla Z -1.0 -2.0 0.0 6.0 0.0 4.0 0.0 4.0 0.0 -4.0
óptima original. Si el X1 0.0 -1.0 0.0 1.0 0.0 1.0 0.0 0.0 0.0 1.0
resultado es positivo, la X2 0.0 -1.0 0.0 1.0 1.0 0.0 0.0 -2.0 0.0 2.0
nueva tabla es factible y X3´ 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0
X3´´ 0.0 0.0 1.0 1.0 0.0 0.0 0.0 -1.0 0.0 1.0
óptima. Si el resultado es X4 0.0 2.0 0.0 -1.0 0.0 0.0 0.0 1.0 1.0 -2.0
negativo, seguimos
aplicando el Simplex Dual #4´´ W Y1 Y2 Y3 h1 h2 h3 h4 h5 b
hasta obtener una nueva Z -1.0 10.0 0.0 0.0 0.0 4.0 0.0 10.0 6.0 -16.0
X1 0.0 1.0 0.0 0.0 0.0 1.0 0.0 1.0 1.0 -1.0
tabla óptima o determinar la X2 0.0 1.0 0.0 0.0 1.0 0.0 0.0 -1.0 1.0 0.0
no factibilidad del problema. X3´ 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0
X3´´ 0.0 2.0 1.0 0.0 0.0 0.0 0.0 0.0 1.0 -1.0
X4 0.0 -2.0 0.0 1.0 0.0 0.0 0.0 -1.0 -1.0 2.0