PLA Prof - Matus 1

Programación Lineal Aplicada IPN – UPIICSA – SEPI 2020
Agenda
• Modelación de Sistemas
• Investigación de Operaciones y Programación Lineal
• Modelación en Programación Lineal
• Método Gráfico de Programación Lineal
• Método SIMPLEX de Programación Lineal
Programación Lineal Aplicada M en C Juan Carlos • Forma Tabular del Método SIMPLEX
Gutiérrez Matus
Otoño 2020 Juan Carlo Gutiérrez Matus, MSc 2
Crítica - Análisis
Sistema Problema Modelo
Modelación de Sistemas Programación Lineal Aplicada
Otoño 2020 Juan Carlo Gutiérrez Matus, MSc 3 Otoño 2020

Crítico
Juan Carlo Gutiérrez Matus, MSc
Analítico Creativo 4
Sistema Equifina- Enfoques de sistemas

lidad
A systems approach begins when first you see the world

Sinergia through the eyes of another.
(C.W. Churchman 1968, p. 231)
We do not need the systems concept at all if we are not

interested in handling systems boundaries critically.
Conglo- (W. Ulrich 1996, p. 17)
merado
Otoño 2020 Juan Carlo Gutiérrez Matus, MSc 5 Otoño 2020 Juan Carlo Gutiérrez Matus, MSc 6
Juan Carlos Gutiérrez Matus, MSc. 1

Métodos y enfoques de sistemas Crítica - Análisis
Las
Dinámica de Modelo de
organizaciones
sistemas sistemas viables
como sistemas

Desarrollo y
análisis de Metodología de Heurística de
opciones sistemas suaves sistemas críticos
estratégicas
Definición del Problema Definición del problema
“The mere formulation of a problem is far En un solo enunciado se deberá dar respuesta a 4 preguntas.
more essential than its solution, which may • ¿Qué es lo que esta mal?
be merely a matter of mathematical or
experimental skill…” • ¿Dónde aparece el problema?
“If I had an hour to solve a problem, I'd • ¿De qué magnitud es?
spend 55 minutes thinking about the problem • ¿Por qué es importante para el sistema?
and five minutes thinking about solutions.”
Crítica - Análisis Modelo
Un modelo es una abstracción simplificada de la

realidad.

Sólo incluye algunas de las posibles interacciones
y representa en forma aproximada las relaciones
entre ellas.

Modelo El uso de modelos te impulsa a…
Un modelo de un sistema es cualquier cosa a la definir explícitamente los objetivos deseados.

que se puede aplicar un “experimento”, con el fin de
responder a preguntas respecto del sistema.
identificar los factores que influyen.
Un modelo es valioso en la medida que te permita
tomar mejores decisiones en el análisis y mejora de
la realidad. Juan C. Gutiérrez Matus
identificar las interacciones entre dichos factores y
sus respectivas ventajas y desventajas.
El uso de modelos te impulsa a… Modelos - expresión
considerar los datos pertinentes para cuantificar los Mental

factores.
Verbal
reconocer las restricciones pertinentes de esos factores. Modelos
Físico
comunicar y registrar ideas y conocimientos, lo
cual facilita el trabajo de equipo. Matemático
Estocástico vs Determinístico Estático vs Dinámico
Modelo Estocástico Modelo Determinístico

Modelo estático Modelo dinámico
• Considera la descripción • Utiliza estimadores
de la variación y la puntuales de las variables
incertidumbre en las involucradas y los • Es aquel que no es • Es una representación que
variables involucradas. considera como valores influenciado por el esta influenciada por el
conocidos. tiempo. tiempo.

Discreto vs continuo Open Loop vs Closed Loop
Modelo discreto Modelo dinámico Open loop Closed loop
• Es aquel que solo es • Es aquel que es capaz • Un modelo en el cual el • Si los resultados del
capaz de describir el de describir el estado sistema no proporciona sistema son retornados
estado del sistema e del sistema en cualquier retroalimentación al para modificaciones de
sistema es llamado Open subsecuentes operaciones
puntos específicos en el punto en el tiempo. Loop Model. del modelo es un Closed
tiempo. Loop Model.
Modelación empresarial (conceptual)
Enfoque de
Análisis Análisis de
negocio vs Competencia
empresarial decisiones
cliente
Modelos
Simulación Optimización internos vs
externos
Investigación de Operaciones Programación Lineal Aplicada
Juan C. Gutiérrez Matus,MSc
Investigación de operaciones IO – Características esenciales
Con el aumento exponencial de la complejidad de los sistemas

productivos durante el siglo XX, surgen otro nivel de problemas y Enfoque
con ellos la necesidad de resolverlos, dando origen al de
sistemas
surgimiento y desarrollo de la investigación de operaciones.
IO Equipo
Método
interdisci-
científico
plinario

Investigación de operaciones (IO) Optimización matemática
Amplia gama de técnicas y métodos para la solución de Es precisamente en los sistemas

problemas a través de una mejor toma de decisiones productivos donde muchas decisiones
Simulación, optimización matemática, teoría buscan evolucionar los procesos y los
de colas, cadenas de Markov, métodos productos para que aprovechen de
econométricos, análisis envolvente de datos, forma más eficaz y eficiente de los
redes neuronales, sistemas expertos, análisis recursos necesarios.
de decisiones, proceso analítico jerárquico;
entre otros.
Optimización Matemática Programación Lineal
Programación Lineal La programación lineal es una de las técnicas más extensamente

utilizadas dentro de los métodos cuantitativos de optimización.
Programación Entera
Optimización Programación Dinámica
Programación de Redes
Programación no Lineal
Leonid Kantorovich George Bernard

Dantzig
1937, “A new method of 1947, publica el método

solving some classes of Simplex para resolver la
extremal problems.” mayoría de los problemas
Desarrolla la programación de programación lineal de
lineal como una técnica para forma eficiente.
la optimización de costos
para el ejército.

John von Neumann Alisa Land y Alison Doig
1960, Ambas desarrollaron el

1947, desarrolla la teoría algoritmo ramificación y acotación
de dualidad en el contexto (branch and bound), para la
de la teoría de juegos. solución de problemas de
Un problema de optimi- optimización entera y combinatoria.
zación puede verse desde
dos perspectivas.
Recursos Escasos
La programación lineal proporciona un ejemplo de lo que se

conoce de manera más general como modelo de toma de
decisiones con restricciones, también llamado modelo de
optimización con restricciones.
Un modelo de optimización restringido representa el problema
de la asignación de recursos escasos de tal modo que se
optimice, maximice o minimice, un objetivo de interés.
Modelación en PL Programación Lineal Aplicada
Juan C. Gutiérrez Matus
Problema PL – Características Problema PL – Características
1. Una variable objetivo, contenida en la declaración del proble, 3. Una función objetivo que relaciona la variable respuesta de
que representa la salida o desempeño del sistema y cuyo nuestro problema con las variables controlable; y la cual
nivel es insatisfactorio. necesitamos optimizar, ya sea maximizar o minimizar.
2. Un conjunto de variables de decisión o controlables; cuyas 4. Una o más restricciones que limitan o acotan las posibles
combinaciones de valores o niveles representan diferentes soluciones a nuestro problema y con ello el grado en que se
cursos de acción. puede alcanzar el objetivo.

Problema PL – Características Problema PL – Características
5. Relaciones matemáticas lineales, es decir la función objetivos 7. Se supone la divisibilidad en las soluciones, es decir, las
y las restricciones se deben expresar en términos de variables de decisión deben ser continuas y no limitarse a
ecuaciones o desigualdades lineales, lo cual implica tanto números enteros.
proporcionalidad como adición. 8. Se supone que todas las respuestas o las variables
6. Se suponen condiciones de certeza, es decir, se conocen los involucradas son no negativas.
coeficientes de proporcionalidad en la función objetivo y en
las restricciones y se supone que no cambian durante el
periodo de estudio.
Notación Notación
𝑍 : Variable respuesta o medida global de desempeño del 𝑚 : Diferentes tipos o cantidad de recursos disponibles.
sistema. 𝑏 : Límite del recurso 𝑖 que puede distribuirse en las variables
𝑛 : Cantidad de variables de decisión o controlables. de decisión, donde 𝑖 = 1, ⋯ , 𝑚.
𝑥 : Nivel o valor de cada variable de decisión 𝑗, 𝑎 : Cantidad del recurso 𝑖 consumido por cada variable de
para 𝑗 = 1, ⋯ , 𝑛. decisión 𝑗.
𝑐 : Coeficiente de incremento en 𝑍 que se obtiene al
aumentar una unidad en el nivel de 𝑥 .
Representación matemática Representación matemática (sumatorias)
max 𝑍 = 𝑐 𝑥 + 𝑐 𝑥 + ⋯ + 𝑐 𝑥
max 𝑍 = 𝑐𝑥
𝑠. 𝑡.
𝑎 𝑥 + 𝑎 𝑥 + ⋯+ 𝑎 𝑥 ≤𝑏
𝑎 𝑥 + 𝑎 𝑥 + ⋯+ 𝑎 𝑥 ≤𝑏
⋮ ⋮ ⋮ ⋮ 𝑠. 𝑎; 𝑎 𝑥 ≤ 𝑏 ; 𝑖 = 1, … , 𝑚
𝑎 𝑥 +𝑎 𝑥 + ⋯+ 𝑎 𝑥 ≤𝑏
𝑥 ≥ 0; 𝑗 = 1, … , 𝑛
𝑥 ,𝑥 ,⋯,𝑥 ≥ 0

Problema de mezcla – Ejemplo (1/3) Problema de mezcla – Ejemplo (2/3)
Su empresa produce artículos de vidrio de alta calidad, entre Se discontinuarán varios productos no rentables y se dejará libre
ellos ventanas y puertas de vidrio. Tiene tres plantas. Los marcos una parte de la capacidad de producción para emprender la
y molduras de aluminio se hacen en la planta 1, los de madera fabricación de dos productos nuevos cuyas ventas potenciales
en la planta 2; la 3 produce el vidrio y ensambla los productos. son muy prometedoras:
Debido a una reducción de las ganancias, la alta administración Producto 1: una puerta de vidrio de 8 pies con marco de
ha decidido reorganizar la línea de producción de la compañía. aluminio
Producto 2: una ventana corrediza con marco de madera de 4
por 6 pies
Problema de mezcla – Ejemplo (3/3) Participación – octubre 16
El producto 1 requiere parte de la capacidad de producción en las A partir del caso anterior:
plantas 1 y 3 y nada en la planta 2.
• elabora la declaración del problema correspondiente (cuatro
El producto 2 sólo necesita trabajo en las plantas 2 y 3. La división preguntas) y
de comercialización ha concluido que la compañía puede vender
todos los productos que se puedan fabricar en las plantas. • elabora una lista de las variables controlables por la empresa
y que influyen en la problemática.
Sin embargo, como ambos productos competirían por la misma
capacidad de producción en la planta 3, no está claro cuál mezcla
de productos sería la más rentable.
Problema Decisión sobre variables controlables
1. Las utilidades* 1. Nivel de producción de ventanas.

2. obtenidas con la producción de los puetas y ventas 2. Nivel de producción de puertas.
3. deben de maximizarse
4. para evitar una crisis financiera. ¿Podemos decidir producir cualquier cantidad?
¿De qué depende?
* Representa la variable respuesta. ¿Qué nos limita?

Resumen del problema Representación Matemática – 2 variables
Objetivo, maximizar las ganancias, a través de decidir sobre max 𝑍 = 𝑐 𝑥 + 𝑐 𝑥

niveles de producción de puertas y ventanas, que generan 𝑠. 𝑡.
ganancias $4000/lote y $6500/lote respectivamente. 𝑎 𝑥 +𝑎 𝑥 ≤𝑏
Un lote de puertas consume dos horas de la planta 1 y cinco 𝑎 𝑥 +𝑎 𝑥 ≤𝑏
horas de la planta 3. Un lote de ventanas consume cuatro horas 𝑎 𝑥 +𝑎 𝑥 ≤𝑏
de la planta 2 y cuatro horas de la planta 3.
La disponibilidad de las tres plantas es de 9, 25 y 37 horas 𝑥 ,𝑥 ≥ 0
respectivamente.
Representación Matemática del Ejemplo Problema de Mezcla – Otro Ejemplo (1/2)
max 𝑍 = 4000𝑥 + 6500𝑥 Una productora de productos de pavo esta considerando

𝑠. 𝑎. comprar dos marcas diferentes de alimento y mezclarlos para
2𝑥 + 0𝑥 ≤ 9 ofrecer una buena dieta de bajo costo para sus aves.
0𝑥 + 4𝑥 ≤ 25 Cada alimento contiene, en proporciones variables, algunos o los
5𝑥 + 4𝑥 ≤ 37 tres ingredientes nutricionales (A, B y C) esenciales para pavos
𝑥 ,𝑥 ≥ 0 de engorda.
Problema de Mezcla – Ejemplo 2 (2/2)

𝑍 : Costo total de alimentación (MIN)
Cada kilo de la marca 1 contiene 250 gr de A, 200 gr de B y 𝑥 : Cantidad a comprar de alimento marca 1
50 gr de C. Cada kilo de la marca 2 contiene 500 gr de A, 𝑥 : Cantidad a comprar de alimento marca 2
150 gr de B y nada de C. La marca 1 cuesta al rancho $60/kg, 𝑛 = 2; 𝑚 = 3; 𝑐 = 60; 𝑐 = 85
marca 2 $85/kg. 𝑏 = 4500; 𝑏 = 2400; 𝑏 = 800;
Los requerimientos mínimos de ingesta mensual son 4.5kg, 𝑎 = 250; 𝑎 = 500;
2.4kg y 0.8kg respectivamente para los nutrientes A, B y C. 𝑎 = 200; 𝑎 = 150;
𝑎 = 50; 𝑎 = 0;

Ejemplo – Mezcla Ejemplo – Mezcla
Se planea una campaña de publicidad por radio y TV. Se estima que el primer comercial de radio llegará a 5000
Un comercial de radio cuesta $9,000 y uno de TV $60,000. personas, y que cada adicional sólo a 2000 personas nuevas.
Se asigna un presupuesto total de $300,000 a la campaña. En el caso de la televisión, el primer anuncio llegará a 4500
personas y cada adicional a 3000.
Lo máximo que puede asignarse a cualquier medio es el 80%
del presupuesto, lo que asegura al menos un comercial de cada ¿Cómo debe distribuirse el presupuesto entre la radio y la TV?
tipo.
𝑍 : Audiencia alcanzada a través de anuncios de radio y TV Representación matemática

(MAX)
𝑛 = 2; 𝑚 = 3;
max 𝑍 = 2000𝑥 + 3000𝑥 + 4500
𝑥 : Número de comerciales de radio adquiridos.
𝑠. 𝑡.
𝑥 : Número de comerciales de TV adquiridos. 9000𝑥 + 60000𝑥 ≤ 300,000 (𝑝𝑟𝑒𝑝. 𝑡𝑜𝑡𝑎𝑙)
𝑐 = 2000; 𝑐 = 3000; 𝑑 = 4500; 9000𝑥 + 0𝑥 ≤ 240,000 (𝑝𝑟𝑒𝑝. 𝑟𝑑𝑖𝑜)
𝑏 = 300,000; 𝑅 + 𝑇 𝑏 = 240,000; 𝑅 𝑏 = 240,000(𝑇) 0𝑥 + 60,000𝑥 ≤ 240,000 (𝑝𝑟𝑒𝑝. 𝑡𝑣)
𝑎 = 9,000; 𝑎 = 60,000;
𝑎 = 9,000; 𝑎 = 0;
𝑎 = 0; 𝑎 = 60,000; 𝑥 ,𝑥 ≥ 0
Un fabricante de equipo para campamento, está desarrollando un

programa de producción que minimice los costos para un tipo de tienda de
campaña.
Se han recibido 180 pedidos que se entregarán a finales de este mes,
220 se entregarán a finales del próximo mes, y 240 que se entregarán al
final del tercer mes.
Esta tienda de campaña se pueden fabricar a un costo de $1200, y el
número máximo de tiendas de campaña que se pueden fabricar en un mes
es de 230.
La compañía puede fabricar algunas tiendas de campaña extra en un mes
y mantenerlas en el almacén hasta el mes siguiente. El costo por
mantener estas en el inventario durante 1 mes se estima en $60 por Solución Gráfica PL Programación Lineal Aplicada
Juan C. Gutiérrez Matus
tienda, por cada unidad dejada hasta final del mes.

Introducción Graficar Variables de Decisión

𝑋
La geometría en dos dimensiones puede usarse como un sistema
gráfico para ilustrar muchos elementos importantes de los
modelos de PL. 𝑥 ,𝑥
Decisión
Es fácil trabajar con ella y puede expresar muchos conceptos
generales que se aplican a modelos de mayor número de
dimensiones.
𝑋
Es útil como base para el método de solución gráfica para
modelos de PL que tengan sólo dos variables de decisión.
Graficar Restricciones – No Negatividad Graficar Restricciones

𝑋
1. Gráfico de la igualdad.
2. Escoja un punto de prueba.
𝑥 ≥0 3. Resuelva la expresión del lado izquierdo
4. Determine si el punto de prueba satisface la desigualdad
𝑋
𝑥 ≥0
Factible Resumen del problema
Región Factible: El conjunto de todos los valores no negativos Objetivo, maximizar las ganancias, a través de decidir sobre
de las variables de decisión que satisfacen todas las niveles de producción de puertas y ventanas, que generan
restricciones en forma simultánea se conoce como el conjunto ganancias $4000/lote y $6500/lote respectivamente.
restringido o la región factible. Un lote de puertas consume dos horas de la planta 1 y cinco
Solución Factible: cualquier combinación de valores que horas de la planta 3. Un lote de ventanas consume cuatro horas
satisfaga todas las restricciones, incluidas las condiciones de no de la planta 2 y cuatro horas de la planta 3.
negatividad, se conoce como una solución factible o decisión La disponibilidad de las tres plantas es de 9, 25 y 37 horas
factible. respectivamente.

𝑋
1 2𝑥 + 0𝑥 = 9
Representación Matemática del Ejemplo 12
2 0𝑥 + 4𝑥 = 25 11
10
3 5𝑥 + 4𝑥 = 37 9
max 𝑍 = 4000𝑥 + 6500𝑥 8
𝑠. 𝑎. 1. (4.5,0); (0,indeter) 6
2𝑥 + 0𝑥 ≤ 9
2. (0,6.25); (indeter,0)
5
0𝑥 + 4𝑥 ≤ 25 4
5𝑥 + 4𝑥 ≤ 37 3. (0,9.25); (7.4,0) 3
𝑥 ,𝑥 ≥ 0
2
Puntos esquina: 1
(0,0); (4.5,0); (0, 6.25); -1

-1
1 2 3 4 5 6 7 8 9
𝑋
(2.4, 6.25); (4.5, 3.625)

max 𝑍 = 4000𝑥 + 6500𝑥 Solución Gráfica PL – Ejercicios
𝑍 0,0 = 0
𝑍 4.5,0 = $18,000
𝑍 0, 6.25 = $40,625
𝑍 2.4, 6.25 = $50,225 Solución óptima
𝑍 4.5, 3.625 = $41,562
Análisis de Sensibilidad
¿Cuál es la realidad de los costos y los recursos en la vida real?

¿Permanecen constantes y conocidos?
¿Qué con nuestro análisis de PL con la variación e incertidumbre
del mundo real?
¿Qué pasa con nuestra decisión (solución) óptima si varían los
costos o las utilidades?
¿Qué pasa con nuestra decisión (solución) óptima si varían los
Análisis de Sensibilidad GPL recursos disponibles?

Análisis de Sensibilidad en PL 𝑓 𝑥 = 𝑚𝑥 + 𝑏
Permite analizar el impacto en los resultados del modelo, 𝑧 = 𝒄𝟏 𝑥 + 4𝑥 𝑚 ≤𝑚≤𝑚

solución óptima y valor óptimo, en aquellos casos donde uno o 𝑐 𝑐
𝑚=− −2 ≤ − ≤ −0.5
varios parámetros sufren modificaciones en relación a sus 4
6𝑥 + 3𝑥 = 22.5 𝑐4
valores originales, sin la necesidad de resolver nuevamente el 2 ≥ ≥ 0.5
problema, sin reoptimizar. 𝑚 = −2 4
𝑥 + 2𝑥 = 6
𝑚 = −0.5 2<𝑐 <8
𝑥 = 𝑚𝑥 + 𝑏 𝑥 = 𝑚𝑥 + 𝑏
𝑧 = 5𝑥 + 𝒄𝟐 𝑥 𝑚 ≤𝑚≤𝑚 min 𝑧 = 𝒄 𝑥 + 8𝑥 ¿𝑚 ≤ 𝑚 ≤ 𝑚 ?
5 5 𝑐 𝑐
𝑚=− −2 ≤ − ≤ −0.5 − 𝑐 𝑚=− 0≤− ≤3
𝑐 𝑐 8 8
0≥𝑐
2𝑐 ≥ 5 ≥ 0.5𝑐
3𝑥 − 𝑥 = 0 𝑐 ≥ −24
6𝑥 + 3𝑥 = 22.5 2𝑐 ≥ 5
𝑚 = −2 𝑐 ≥ 2.5 𝑚 =3
𝑥 + 2𝑥 = 6 0.5𝑐 ≤ 5 𝑥 = 0𝑥 + 9
𝑚 = −0.5 𝑐 ≤ 10 𝑚 =0
𝑥 = 𝑚𝑥 + 𝑏 Ejercicio – No Acotada
min 𝑧 = 3𝑥 + 8𝑥 ¿𝑚 ≤ 𝑚 ≤ 𝑚 ? Determine la solución óptima max 𝑧 = 31𝑥 + 43𝑥

𝑚 =? del siguiente problema de 𝑠. 𝑎. 𝑥 + 𝑥 ≥ 5
maximización a través del 𝑥 − 3𝑥 ≤ 0
método gráfico y ejecute el 4𝑥 + 𝑥 ≥ 10
3𝑥 − 𝑥 = 0
análisis de sensibilidad para los −2𝑥 + 4𝑥 ≤ 32
𝑚 = coeficientes de la función
𝑥 =9 𝑥 ,𝑥 ≥ 0
objetivo.
𝑚 =?

Ejercicio
Determine la solución óptima max 𝑧 = 200𝑥 + 300𝑥

del siguiente problema de 𝑠. 𝑎. 5𝑥 + 4𝑥 ≤ 20
maximización a través del 𝑥 + 2𝑥 ≤ 6
método gráfico y ejecute el 2𝑥 + 𝑥 ≤ 8
análisis de sensibilidad para los 𝑥 +𝑥 ≥6
coeficientes de la función 𝑥 ,𝑥 ≥ 0
objetivo.
Método SIMPLEX PL Aplicada
J. Calos Gutiérrez Matus
Antecedentes Históricos Antecedentes Históricos
La resolución de un sistema lineal Las bases matemáticas de la

de inecuaciones (desigualdades) se Programación Lineal tienen su origen en
remonta a los trabajos del los trabajos del matemático húngaro
matemático Fourier, cuyos avances Janos Von Neuman (1903-1957),
y estudios dieron pauta al método quien en el año de 1928 publicó una
de eliminación conocido como famosa investigación sobre una nueva
Fourier-Motzkin. disciplina: la Teoría de Juegos.
Antecedentes Históricos Antecedentes Históricos
La PL se desarrolla durante la Segunda Guerra Mundial y su El óptimo de un problema de PL se

objetivo primordial era planificar los gastos y ganancias. puede encontrar a través de diferentes
Se convirtió, paulatinamente, en una herramienta fundamental métodos.
de las matemáticas, tanto teóricas como aplicadas. El más general de ellos es el propuesto
Al utilizar el álgebra y el álgebra de matrices se hizo muy en 1947 por George Bernard Dantzig,
popular en la Estadística pero, sobre todo, en la ya popular al cual se le conoce desde entonces
Teoría de Juegos. como el Método Simplex.

Método SIMPLEX Método SIMPLEX – Ejemplo Histórico
El Método Simplex es un algoritmo analítico que bien puede Original de George B. Dantzig se refería a encontrar la mejor
solucionar problemas de Programación Lineal. asignación de 70 personas a 70 puestos de trabajo, fue el
Además, este método es capaz de abordar planteamientos más punto de partida para mostrar la utilidad de la PL.
complejos que aquellos resueltos mediante el Método Gráfico,
ya que no toma en cuenta restricción alguna para el número de
variables.
Método SIMPLEX – Ejemplo Histórico Consideramos los átomos del universo
70 personas en 70 puestos… El universo observable consiste en aproximadamente 1 × 10

¿De cuantas maneras podemos hacer el arreglo? de galaxias.
Número de permutaciones 70 de 70. Cada galaxia contiene en promedio 1 × 10 estrellas.
Una estrella promedio tiene aproximadamente 1 × 10 átomos.
𝑃 = 70 × 69 × ⋯ × 2 × 1 = 70! Si multiplicas el número de átomos por estrella por el número
estimado de estrellas en el universo, obtienes un valor de
¿Qué tan grande es éste número?
1 × 10 de átomos en el universo conocido.
Método SIMPLEX – Ejemplo Histórico Método SIMPLEX – Ejemplo Histórico
La potencia de computación necesaria para examinar todas las Sin embargo, tan solo toma un momento encontrar la solución
permutaciones, a fin de seleccionar la mejor asignación, es óptima mediante el planteamiento del problema a través de la
inmensa. Programación Lineal y con la aplicación del Método Simplex.
Tan es así, que al calcularse el número de posibles
configuraciones se encontró que éste excedía al número de
partículas en el universo.

Método SIMPLEX – Ventajas Método SIMPLEX – Limitaciones
• La gran virtud del Método Simplex es su sencillez, es un • Tal vez la mayor limitante de este método es que converge
método muy práctico, ya que tan solo trabaja con los (se acerca) más lentamente hacia el óptimo que otros
coeficientes de la función objetivo (𝑍) y de las restricciones. métodos.
• Es fácil de implementar y tiene una alta eficacia. • Esto se debe a que requiere un mayor número de iteraciones,
tantas como vértices o puntos esquina tenga el poliedro que
forma la región factible.
Algoritmo del Método Simplex Algoritmo del Método Simplex
Es un algoritmo matemático iterativo constituido por conceptos Este método inicia con la determinación de un vértice inicial
de álgebra matricial y de geometría analítica. (que no necesariamente debe empezar en el origen).
El método simplex y sus métodos derivados (el método de la M Posteriormente, examina los vértices adyacentes más próximos
y el de las dos fases) es un algoritmo iterativo que examina los con respecto a la primera solución.
puntos esquinas o vértices de un conjunto o región factible de Revisa la optimalidad y factibilidad del vértice y escoge las
ecuaciones lineales en busca de una solución óptima. coordenadas del vértice que maximice o minimice la función
objetivo.
Algoritmo del Método Simplex Algoritmo del Método Simplex
El movimiento ascendente en un La iteración termina al ya no encontrar otro vértice cuyas

modelo de maximización (o coordenadas nos permitan una mejor solución óptima
descendente en un modelo de Si el problema no está acotado, el algoritmo
minimización) de una esquina a la lo descubrirá durante su ejecución.
adyacente equivale a la operación de
pivoteo en la tabla de datos del El número de vértices que tiene un poliedro
modelo. es finito entonces siempre se hallará una
solución con el Método Simplex.

SIMPLEX / Geométrico Método SIMPLEX – Conceptos
max 𝑍 = 3𝑥 + 5𝑥 Frontera de restricción: Es una recta que marca el límite de lo

que permite la restricción correspondiente. Es representada por
𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 la ecuación de la inecuación que representa la restricción, es
𝑥 ≤4 decir la inecuación pero con igualdad.
2𝑥 ≤ 12 Soluciones Factibles en Vértices (FEV): Son los puntos esquina
3𝑥 + 2𝑥 ≤ 18 de la región de factibilidad y son candidatas a ser la solución
𝑥 ,𝑥 ≥ 0 óptima.
Método SIMPLEX – Conceptos Solución FEV y

Adyacentes
Soluciones FEV Adyacentes: En cualquier problema de Sol. FEV Sol. FEV Adyacentes
programación lineal con 𝑛 variables de decisión, dos soluciones
FEV son adyacentes entre sí cuando comparten 𝑛 − 1 fronteras (0, 0) (0, 6) y (4, 0)
de restricción.
(0, 6) (2, 6) y (0, 0)
Arista de región factible: Segmento de recta que uno dos
(2, 6) (4, 3) y (0, 6)
soluciones FEV adyacentes
(4, 3) (4, 0) y (2, 6)
(4, 0) (0, 0) y (4, 3)
Prueba de Optimalidad Método SIMPLEX
Considere cualquier problema de programación lineal que posea Inicie con el punto (0,0) como
pivote
al menos una solución óptima.
Si una solución FEV no tiene soluciones FEV adyacentes que
sean mejores (según el valor de 𝑍), entonces ésa debe ser una
solución óptima.
¿Valores de Z para pivote y sus
adyacentes?

Prueba de Solución SIMPLEX

Optimalidad
max 𝑍 = 3𝑥 + 5𝑥
Así, (2, 6) debe ser óptima
sólo porque su valor
correspondiente de 𝑍 = 36 es
más grande que 𝑍 = 30 para
(0, 6) y 𝑍 = 27 para (4, 3).
Inicio
Solución SIMPLEX Solución SIMPLEX
El método SIMPLEX es un Seleccionar solución

El método SIMPLEX analiza sólo las soluciones FEV (puntos factible en vértice
esquina). procedimiento de solución
Si existe al menos una solución óptima, su ubicación sólo sistemático que repite una
requiere encontrar una mejor solución FEV. serie fija de pasos, llamada
Prueba No
El número de soluciones factibles es infinito, la reducción del iteración, hasta que se optimali-
número de soluciones que deben examinarse a un pequeño obtiene el resultado deseado, dad
número fi nito es una simplificación enorme. con la siguiente estructura. Si
Fin
Dada una solución FEV, es más rápido reunir información sobre Dada la solución FEV actual, SIMPLEX examina cada una de las
sus soluciones FEV adyacentes que sobre otras soluciones FEV. aristas de la región factible que salen de esta solución.
Cada vez que el método SIMPLEX realiza una iteración para Estas aristas conducen a una solución FEV adyacente en el otro
moverse de la solución FEV actual a una mejor, siempre escoge punto extremo, pero el método SIMPLEX ni siquiera se toma la
una solución FEV adyacente a la actual. molestia de obtener la solución FEV adyacente.
Toda la trayectoria que sigue hasta alcanzar una solución óptima SIMPLEX sólo identifica la tasa de mejoramiento de 𝑍 que se
es a lo largo de las aristas de la región factible. obtendría al moverse por esa arista.

max 𝑍 = 𝑓(𝑥 , 𝑥 ) = 3𝑥 + 5𝑥
SIMPLEX selecciona moverse por aquella arista con la tasa más Desde (0, 0) por la arista en
grande de mejoramiento de 𝑍. el eje 𝑥 se obtendría una
La iteración termina cuando se obtiene primero la solución FEV tasa de mejoramiento de 𝑍 de
al final de esta arista y después se reetiqueta esta solución FEV 3.
adyacente como la solución FEV actual para pasar a la prueba Al moverse por la arista en el
de optimalidad y (si es necesario) a la siguiente iteración.
eje 𝑥 se tendría una tasa de
mejoramiento de 𝑍 de 5.
En la segunda iteración, la A través de este examen de una arista es sencillo identificar la

única arista que sale de tasa de mejoramiento de 𝑍 que se obtendría al moverse por ella
(0, 6) que daría una tasa de hasta la solución FEV adyacente en el otro extremo.
mejoramiento de 𝑍 positiva es Por lo tanto, la prueba de optimalidad consiste sólo en verificar
la que conduce a (2, 6), por si alguna de las aristas conduce a una tasa positiva de
lo que se toma la decisión de mejoramiento de Z.
moverse a lo largo de ella. Si ninguna lo hace, la solución FEV actual es óptima.
Dada la restricción
Preparación SIMPLEX Cambio a igualdades 𝑥 ≤4
Ingresamos la variable de
max 𝑍 = 3𝑥 + 5𝑥 holgura 𝑠 que complemente
Para aplicar el método SIMPLEX es necesario transformar el 𝑥 para que siempre de 4.
procedimiento geométrico conceptual a un procedimiento 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 𝑠 = 4−𝑥
algebraico se basa en la solución de sistemas de ecuaciones.
𝑥 ≤4 Y nos queda
PASO 1: Convertir las restricciones funcionales de desigualdad 2𝑥 ≤ 12 𝑥 +𝑠 =4
en restricciones de igualdad equivalentes, mediante la 3𝑥 + 2𝑥 ≤ 18
introducción de variables de holgura.. Siempre y cuando 𝑠 ≥ 0, las
𝑥 ,𝑥 ≥ 0 dos restricciones son por
Excepto por las restricciones de no negatividad.
completo equivalentes.

Desigualdades a igualdades Forma Original vs Aumentada del Modelo
max 𝑍 = 3𝑥 + 5𝑥 Con la segunda restricción max 𝑍 = 3𝑥 + 5𝑥 max 𝑍 − 3𝑥 − 5𝑥 = 0

𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 2𝑥 ≤ 12 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎
𝑥 ≤4 Ingresamos la variable de 𝑥 ≤4 𝑥 +𝑠 = 4
2𝑥 ≤ 12 holgura 𝑠 . 2𝑥 ≤ 12 2𝑥 + 𝑠 = 12
3𝑥 + 2𝑥 ≤ 18 𝑠 = 12 − 2𝑥 3𝑥 + 2𝑥 ≤ 18 3𝑥 + 2𝑥 + 𝑠 = 18
𝑥 ,𝑥 ≥ 0 𝑥 ,𝑥 ≥ 0
Y nos queda
2𝑥 + 𝑠 = 12 𝑥 ,𝑥 ,𝑠 ,𝑠 ,𝑠 ≥ 0
Variables de holgura Solución Aumentada

𝑥 ≤4
𝑥 +𝑠 =4
Una solución aumentada es una solución de
¿Qué representa si la variable las variables originales (las variables de
de holgura 𝑠 tiene un valor decisión) que se aumentó con los valores
de cero en la solución actual? correspondientes de las variables de holgura.
¿Qué representa si 𝑠 tiene
un valor mayor a cero?
Por ejemplo, si se aumenta la solución (3, 2) en el ejemplo.
¿Qué representa si 𝑠 tiene ¿Cuál sería la solución aumentada?
un valor mayor a cero?
Solución Aumentada Solución Básica
Una solución básica es una solución en un vértice
𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 𝑥 ,𝑥 ,𝑠 ,𝑠 ,𝑠 aumentada.
(3,5,1,2, −1)
𝑥 +𝑠 = 4
2𝑥 + 𝑠 = 12 Para ilustrar lo que decimos, considere la solución no
3𝑥 + 2𝑥 + 𝑠 = 18 factible del vértice (4, 6).
El hecho de que las soluciones en los vértices (y por

𝑥 ,𝑥 ,𝑠 ,𝑠 ,𝑠 ≥ 0 ende las soluciones básicas) puedan ser o no factibles.
𝑥 ,𝑥 ,𝑠 ,𝑠 ,𝑠
Otoño 2020 Juan Carlo Gutiérrez Matus, MSc
(3,2,1,8,5) 119 Otoño 2020 Juan Carlo Gutiérrez Matus, MSc 120

𝑆𝑜𝑙𝑢𝑐𝑖ó𝑛 𝐵á𝑠𝑖𝑐𝑎
(0,9,4, −6,0)
Solución Básica Solución Básica Factible (BF)
𝑆𝑜𝑙𝑢𝑐𝑖ó𝑛 𝐵á𝑠𝑖𝑐𝑎
(4,6,0,0, −6)
𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 Una solución básica factible (BF) es una solución
factible en vértice (o en un punto esquina) que
𝑥 +𝑠 = 4 está aumentada.
2𝑥 + 𝑠 = 12
3𝑥 + 2𝑥 + 𝑠 = 18 𝑆𝑜𝑙𝑢𝑐𝑖ó𝑛 𝐵á𝑠𝑖𝑐𝑎
(6,0, −2,12,0) Para la solución FEV (0, 6) del ejemplo, ¿cuál es su
equivalente a la solución BF?
𝑥 ,𝑥 ,𝑠 ,𝑠 ,𝑠 ≥ 0
Sol. Básica Factible Solución Gráfica PL – Ejercicios

𝑆𝑜𝑙. 𝐵á𝑠𝑖𝑐𝑎 𝐹𝑎𝑐𝑡𝑖𝑏𝑙𝑒 𝑆𝑜𝑙. 𝐵á𝑠𝑖𝑐𝑎 𝐹𝑎𝑐𝑡𝑖𝑏𝑙𝑒
(0,6, , , ) (2,6,2,0,0)
max 𝑍 − 3𝑥 − 5𝑥 = 0
𝑠𝑢𝑗𝑒𝑡𝑜 𝑎
𝑥 +𝑠 = 4
2𝑥 + 𝑠 = 12 𝑆𝑜𝑙. 𝐵á𝑠𝑖𝑐𝑎 𝐹𝑎𝑐𝑡𝑖𝑏𝑙𝑒
3𝑥 + 2𝑥 + 𝑠 = 18 (4,3,0,6,0)
𝑥 ,𝑥 ,𝑠 ,𝑠 ,𝑠 ≥ 0 𝑆𝑜𝑙. 𝐵á𝑠𝑖𝑐𝑎 𝐹𝑎𝑐𝑡𝑖𝑏𝑙𝑒 𝑆𝑜𝑙. 𝐵á𝑠𝑖𝑐𝑎 𝐹𝑎𝑐𝑡𝑖𝑏𝑙𝑒

(0,0,4,12,18) (4,0,0,12,6)
Ejercicio Soluciones Aumentadas Grados de Libertad

No. de Variables – No. de Ecuaciones = Grados de Libertad
Para cada uno de los dos modelos aumentados, determinar:
Un ejemplo de solución aumentada factible. En el ejemplo: max 𝑍 − 3𝑥 − 5𝑥 = 0
5−3 =2 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎
Un ejemplo de solución aumentada infactible.
A la hora de resolver el sistema 𝑥 +𝑠 = 4
Todas las soluciones básicas. de ecuaciones, estos dos grados 2𝑥 + 𝑠 = 12
Todas las soluciones básicas factibles. de libertad, nos permite elegir 3𝑥 + 2𝑥 + 𝑠 = 18
dos variables e igualarlas a un
valor arbitrario 𝑥 ,𝑥 ,𝑠 ,𝑠 ,𝑠 ≥ 0

Variables Básicas y No Básicas Solución Básica
Estas dos de las variables, que llamaremos variables no básicas, El número de variables básicas es igual al número de
se igualan a cero. restricciones.
Las otras tres variables las llamaremos variables básicas.
Entonces, al dar solución simultánea de las tres ecuaciones con El número de variables no básicas es igual al número
base en las otras tres variables básicas encontraremos una total de variables menos el número de restricciones.
solución básica.
Las variables no básicas se igualan a cero.
0+𝑠 = 4
Solución Básica y Solución Básica Factible Solución Básica Factible 2𝑥 + 0 = 12
0 + 2𝑥 + 𝑠 = 18
Los valores de las variables básicas se obtienen como Otra forma de obtenerla es
la solución simultánea del sistema de ecuaciones. elegir 𝑥 y 𝑠 como variables 𝑥 +𝑠 = 4
no básicas; se igualan a cero. 2𝑥 + 𝑠 = 12
Al conjunto de variables básicas le llamaremos la Al solucionar las tres 3𝑥 + 2𝑥 + 𝑠 = 18
base. ecuaciones respectivas:
𝑠 = 4, 𝑥 = 6, 𝑠 = 6
Si las variables básicas satisfacen las restricciones de
no negatividad, la solución básica es una solución como solución básica.
𝑆𝑜𝑙. 𝐵á𝑠𝑖𝑐𝑎 𝐹𝑎𝑐𝑡𝑖𝑏𝑙𝑒
básica factible. ¿Cumple no negatividad? (0,6,4,0,6)
Determine algebraicamente Sol. Básicas Determine algebraicamente Sol. Básicas

Variables No Variables No
Básicas
La Base (𝒙𝟏 , 𝒙𝟐 , 𝒔𝟏 , 𝒔𝟐 , 𝒔𝟑 ) Fact. Básicas
La Base (𝒙𝟏 , 𝒙𝟐 , 𝒔𝟏 , 𝒔𝟐 , 𝒔𝟑 ) Fact.
𝑥 ,𝑠 𝑥 ,𝑠 ,𝑠 0 6 4 0 6  𝑥 ,𝑠 𝑥 ,𝑠 ,𝑠 0 6 4 0 6 
𝑥 ,𝑥 𝑠 ,𝑠 ,𝑠 0 0 𝑥 ,𝑥 𝑠 ,𝑠 ,𝑠 0 0 4 12 18 
𝑥 ,𝑠 -- -- -- -- -- -- 𝑥 ,𝑠 𝑥 ,𝑠 ,𝑠 -- -- -- -- -- --
𝑥 ,𝑠 𝑥 ,𝑠 𝑠 ,𝑠 ,𝑥 0 9 4 -6 0 X
𝑥 ,𝑠 𝑥 ,𝑠 𝑥 ,𝑠 ,𝑠 4 0 0 12 6 
𝑥 ,𝑠 -- -- max
-- 𝑍 --
− 3𝑥 −
-- 5𝑥 --
=0 𝑥 ,𝑠 𝑥 ,𝑠 ,𝑠 -- -- -- -- -- --
𝑥 ,𝑠 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 𝑥 ,𝑠 𝑥 ,𝑠 ,𝑠 6 0 -2 12 0 X
𝑠 ,𝑠 𝑥 +𝑠 = 4 𝑠 ,𝑠 𝑥 ,𝑥 ,𝑠 4 6 0 0 -6 X
𝑠 ,𝑠 2𝑥 + 𝑠 = 12 𝑠 ,𝑠 𝑥 ,𝑥 ,𝑠 4 3 0 6 0 
𝑠 ,𝑠 3𝑥 + 2𝑥 + 𝑠 = 18 𝑠 ,𝑠 𝑥 ,𝑥 ,𝑠 2 6 2 0 0 

SIMPLEX Tabular
La forma tabular facilita los max 𝑍 = 5𝑥 + 6𝑥

cálculos algebraicos 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎
relacionados al método
2𝑥 + 𝑥 ≤ 4
Simplex para resolver un
𝑥 + 2𝑥 ≤ 3
problema de programación
Lineal. 𝑥 ,𝑥 ≥ 0
Programación Lineal Aplicada Consideremos el siguiente

SIMPLEX Tabular problema:
Juan Carlos Gutiérrez Matus
SIMPLEX Tabular Tabla Inicial de SIMPLEX
A partir de la forma max 𝑍 − 5𝑥 − 6𝑥 = 0 La tabla inicial del Simplex concentra toda la información de las
aumentada del modelo se 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 igualdades así como también el punto de partida para la función
iguala la función objetivo a objetivo 𝑍.
2𝑥 + 𝑥 + 𝑠 = 4
cero. Sin tener que repetir los nombres de las variables, permite
𝑥 + 2𝑥 + 𝑠 = 3
𝑥 ,𝑥 ≥ 0 enfocarse en los números que se usan en los cálculos
aritméticos y registrarlos en forma muy compacta.
SIMPLEX Tabular Tabla Inicial de SIMPLEX
La forma tabular del método SIMPLEX registra sólo la Forma Algebraica Forma Tabular
información esencial, a saber: VB 𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 LD
1) los coeficientes de las variables, 𝑍 − 5𝑥 − 6𝑥 + 𝑠 + 𝑠 = 0 𝑍 1 -5 -6 0 0 0
2) las constantes del lado derecho de las ecuaciones y 2𝑥 + 2𝑥 + 𝑠 + 𝑠 = 4 𝑠 0 2 1 1 0 4
3) la variable básica que aparece en cada ecuación. 𝑥 + 2𝑥 + 𝑠 + 𝑠 = 3 𝑠 0 1 2 0 1 3

Tabla Inicial SIMPLEX – Coeficientes Tabla SIMPLEX – Matrices
En las tablas SIMPLEX, las VB 𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 LD En ellas se aprecian dos VB 𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 LD

columnas centrales muestran matrices, la formada por los
los coeficientes de las 𝑍 1 -5 -6 0 0 0 coeficientes de las variables de 𝑍 1 -5 -6 0 0 0
variables que corresponden a 𝑠 0 2 1 1 0 4 decisión y la formada por los 𝑠 0 2 1 1 0 4
los nombres del encabezado y 𝑠 coeficientes de las variables de 𝑠
0 1 2 0 1 3 0 1 2 0 1 3
a las ecuaciones de la función holguras.
objetivo y las restricciones.
Tabla SIMPLEX – Matrices Tabla Inicial SIMPLEX – Var. Básicas
La idea, a grosso modo, es VB 𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 LD En la primera columna VB se VB 𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 LD

“llevar” a la primera matriz a una enlistan las variables básicas.
matriz identidad, como 𝑍 1 -5 -6 0 0 0 𝑍 1 -5 -6 0 0 0
inicialmente es la segunda Inicialmente se seleccionan las
matriz. 𝑠 0 2 1 1 0 4 variables de holgura como 𝑠 0 2 1 1 0 4
Lo anterior al ir seleccionando 𝑠 0 1 2 0 1 3 variables básicas. 𝑠 0 1 2 0 1 3
una variable de decisión que
entre en la base y una variable
de holgura que salga de la base.
Tabla Inicial SIMPLEX – Lado Derecho Tabla Inicial SIMPLEX – Solución Básica
En la última columna LD se VB 𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 LD Entonces, relacionando la VB 𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 LD

refiere al lado derecho y columna VB y la LD, nuestra
proporciona la solución de las 𝑍 1 -5 -6 0 0 0 solución básica inicial es: 𝑍 1 -5 -6 0 0 0
variables básicas. 𝑠 0 2 1 1 0 4 𝑥 , 𝑥 , 𝑠 , 𝑠 = (0,0,4,3) 𝑠 0 2 1 1 0 4
𝑠 0 1 2 0 1 3 Con un valor objetivo de: 𝑠 0 1 2 0 1 3
𝑍=0
¿Por qué 𝑥 y 𝑥 son igual a cero?

Tabla SIMPLEX – Prueba de Optimalidad Tabla SIMPLEX – Prueba de Optimalidad
La solución BF es óptima si y VB 𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 LD En este ejemplo, con base en VB 𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 LD

sólo si todos los coeficientes la prueba de optimalidad,
del renglón 𝒁 son no 𝑍 1 -5 -6 0 0 0 podemos afirmar que la 𝑍 1 -5 -6 0 0 0
negativos. 𝑠 solución básica inicial: 𝑠
0 2 1 1 0 4 0 2 1 1 0 4
De lo contrario, en la siguiente 𝑥 , 𝑥 , 𝑠 , 𝑠 = (0,0,4,3)
iteración se cambia una 𝑠 0 1 2 0 1 3 𝑠 0 1 2 0 1 3
variable no básica a básica y No es óptima y será necesario
viceversa, para despejar la efectuar una al menos una
nueva solución BF. iteración.
SIMPLEX – Iteración SIMPLEX – Columna Pivote
Para llevar a cabo una iteración es necesario lo siguiente: Se selecciona el coeficiente VB 𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 LD

1. Identificar la columna pivote. negativo con el mayor valor
absoluto del renglón 𝑍. 𝑍 1 -5 -6 0 0 0
2. Identificar la fila pivote. 𝑠 0 2 1 1 0 4
En este ejemplo, el coeficiente
3. Hacer unitario el pivote, que es el coeficiente donde cruza la más negativo es −6. 𝑠 0 1 2 0 1 3
columna y la fila pivote.
SIMPLEX – Columna Pivote SIMPLEX – Iteración
Ese coeficiente corresponde a VB 𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 LD Para llevar a cabo una iteración es necesario lo siguiente:
la columna pivote y señala la 1. Identificar la columna pivote.
variable que entrará a la base. 𝑍 1 -5 -6 0 0 0
𝑠 0 2 1 1 0 4 2. Identificar la fila pivote.
Por lo cual 𝑥 , deberá entrar a
la base; es decir, deberá 𝑠 0 1 2 0 1 3 3. Despejar la nueva solución BF, determinando los coeficientes
convertirse en una variable para la nueva tabla de SIMPLEX.
básica.

SIMPLEX – Fila Pivote SIMPLEX – Fila Pivote
Para identificar la fila pivote: VB 𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 LD Divida el elemento del lado VB 𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 LD

Elija los coeficientes derecho del mismo renglón
𝑍 1 -5 -6 0 0 0 entre dicho coeficiente. 𝑍 1 -5 -6 0 0 0
estrictamente positivos de la
columna pivote, sin considerar 𝑠 0 2 1 1 0 4 4 ⁄1 = 4 𝑠 0 2 1 1 0 4
el renglón 𝑍. 𝑠 3⁄2 = 1.5 𝑠
0 1 2 0 1 3 0 1 2 0 1 3
No se consideran cocientes
negativos.
SIMPLEX – Fila Pivote SIMPLEX – Cambio de Base
Identifique la fila con el menor VB 𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 LD En este ejemplo podemos VB 𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 LD

de estos cocientes. afirmar que,
(3⁄2 = 1.5) < (4⁄1 = 4) 𝑍 1 -5 -6 0 0 0 𝑍 1 -5 -6 0 0 0
• la variable 𝑥 pasará de ser
Dicha fila será la fila pivote y 𝑠 0 2 1 1 0 4 no básica a ser básica, y 𝑠 0 2 1 1 0 4
señala la variable que saldrá 𝑠 0 1 2 0 1 3 • la variable 𝑠 que pasará de 𝑠 0 1 2 0 1 3
de la base y se convertirá en
ser básica a no básica.
no básica.
SIMPLEX – Número Pivote Ejercicio – Tabla Inicial Simplex
A la intersección de la VB 𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 LD Construir la tabla inicial max 𝑍 − 3𝑥 − 5𝑥 = 0

columna pivote y la fila pivote SIMPLEX. 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎
se le conoce como número 𝑍 1 -5 -6 0 0 0
Identificar: 𝑥 +𝑠 = 4
pivote. 𝑠 0 2 1 1 0 4 2𝑥 + 𝑠 = 12
• columna pivote,
En este ejemplo, el valor del 𝑠 0 1 2 0 1 3 3𝑥 + 2𝑥 + 𝑠 = 18
número pivote es igual a 2. • fila pivote y
• número pivote 𝑥 ,𝑥 ,𝑠 ,𝑠 ,𝑠 ≥ 0

SIMPLEX – Cada Iteración SIMPLEX – Operaciones Elementales
Para llevar a cabo una iteración es necesario lo siguiente: Ahora hay que despejar una VB 𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 LD
1. Identificar la columna pivote. nueva solución BF mediante
operaciones elementales con 𝑍 1 -5 -6 0 0 0
2. Identificar la fila pivote. renglones. 𝑠 0 2 1 1 0 4
3. Despejar la nueva solución BF, determinando los coeficientes Con la nueva solución BF se 𝑠 0 1 2 0 1 3
para la nueva tabla de SIMPLEX. efectúa nuevamente la prueba
de optimalidad.
SIMPLEX – Nueva Tabla SIMPLEX – 1ª Operación, Pivote=1
A través de las VB 𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 LD Primero llevamos el número VB 𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 LD

operaciones pivote al valor unitario, a
elementales Tabla 𝑍 1 -5 -6 0 0 0 través de la operación 𝑍 1 -5 -6 0 0 0
determinaremos los Inicial 𝑠 0 2 1 1 0 4 elemental de dividir el renglón 𝑠 0 2 1 1 0 4
coeficientes de una 𝑠 pivote entre el número pivote. 𝑠
0 1 2 0 1 3 0 1 2 0 1 3
nueva tabla SIMPLEX.
𝑍 𝑍
La podemos colocar Tabla 1ª
bajo la tabla inicial. Iteración 𝑠 𝑠
𝑥 𝑥
SIMPLEX – 1ª Operación, Pivote=1 SIMPLEX – 2ª Operación
Primero llevamos el número VB 𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 LD En los renglones que tienen un VB 𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 LD

pivote al valor unitario, a coeficiente negativo en la
través de la operación 𝑍 1 -5 -6 0 0 0 columna pivote, se suma a 𝑍 1 -5 -6 0 0 0
elemental de dividir el renglón 𝑠 0 2 1 1 0 4 este renglón el producto del 𝑠 0 2 1 1 0 4
pivote entre el número pivote. 𝑠 valor absoluto de este 𝑠
0 1 2 0 1 3 0 1 2 0 1 3
En el ejemplo obtenemos el coeficiente por el nuevo
nuevo renglón pivote
𝑍 renglón pivote. 𝑍
dividiendo entre 2 el original. 𝑠 𝑠
𝑥 0 0.5 1 0 0.5 1.5 𝑥 0 0.5 1 0 0.5 1.5

SIMPLEX – 2ª Operación SIMPLEX – 3ª Operación
En la columna pivote el único VB 𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 LD En el caso de los renglones VB 𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 LD

coeficiente negativo es −6, que tienen un coeficiente
cuyo valor absoluto se 𝑍 1 -5 -6 0 0 0 positivo en la columna pivote, 𝑍 1 -2 0 0 3 9
multiplica por el nuevo reglón 𝑠 0 2 1 1 0 4 se les resta el producto de 𝑠 0 2 1 1 0 4
pivote: 𝑠 este coeficiente por el nuevo 𝑠
0 1 2 0 1 3 0 1 2 0 1 3
(0,3,6,0,3,9) renglón pivote.
𝑍 1 -2 0 0 3 9 𝑍 1 -2 0 0 3 9
Y este se suma al renglón
correspondiente para 𝑠 𝑠
actualizarlo en la nueva tabla. 𝑥 0 0.5 1 0 0.5 1.5 𝑥 0 0.5 1 0 0.5 1.5
SIMPLEX – 3ª Operación SIMPLEX – Nueva Solución Básica
En este ejemplo, el único VB 𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 LD Tras la 1ª iteración, ¿cuál es VB 𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 LD

coeficiente positivo en la la nueva Solución Básica
columna pivote es 1. Al 𝑍 1 -2 0 0 3 9 Factible que muestra la tabla 𝑍 1 -2 0 0 3 9
multiplicarlo por la nueva fila 𝑠 0 2 1 1 0 4 SIMPLEX tras ésta iteración? 𝑠 0 1.5 0 1 -.5 2.5
pivote, 𝑠 𝑥 , 𝑥 , 𝑠 , 𝑠 = (0,1.5,2.5,0) 𝑥
0 1 2 0 1 3 0 0.5 1 0 0.5 1.5
(0, 0.5, 1, 0, 0.5, 1.5) ¿Se trata de una Solución
𝑍 1 -2 0 0 3 9
y lo restamos al renglón Básica Factible Óptima?
correspondiente para 𝑠 0 1.5 0 1 -.5 2.5
actualizarlo. 𝑥 0 0.5 1 0 0.5 1.5
SIMPLEX – Tabla 2ª Iteración SIMPLEX – Tabla 2ª Iteración

Variables Lado Variables Lado
Básicas
𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 Derecho Básicas
𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 Derecho
5/2
= 5/3 𝑍 1 -2 0 0 3 9 𝑍 1 -2 0 0 3 9
3/2
𝑠 0 3/2 0 1 -1/2 5/2 𝑠 0 3/2 0 1 -1/2 5/2
3/2 𝑥 0 1/2 1 0 1/2 3/2 𝑥 0 1/2 1 0 1/2 3/2
=3
1/2 𝑍 𝑍
2
𝑅 →𝑅 𝑥
3
𝑥


Básicas
𝑍 1 -2 0 0 3 9 𝑍 1 -2 0 0 3 9
𝑠 0 3/2 0 1 -1/2 5/2 𝑠 0 3/2 0 1 -1/2 5/2
𝑥 0 1/2 1 0 1/2 3/2 𝑥 0 1/2 1 0 1/2 3/2
𝑍 𝑅 + 2𝑅 → 𝑅 𝑍
2
𝑅 →𝑅 𝑥 0 1 0 2/3 -1/3 5/3 𝑥 0 1 0 2/3 -1/3 5/3
3
𝑥 𝑥

Básicas
𝑍 1 -2 0 0 3 9 𝑍 1 -2 0 0 3 9
𝑠 0 3/2 0 1 -1/2 5/2 𝑠 0 3/2 0 1 -1/2 5/2
𝑥 0 1/2 1 0 1/2 3/2 𝑥 0 1/2 1 0 1/2 3/2
𝑅 + 2𝑅 → 𝑅 𝑍 1 0 0 4/3 7/3 37/3 𝑍 1 0 0 4/3 7/3 37/3
𝑥 0 1 0 2/3 -1/3 5/3 1 𝑥 0 1 0 2/3 -1/3 5/3
𝑅 − 𝑅 →𝑅
𝑥 2 𝑥

Variables Lado
Básicas
𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 Derecho Var. Lado ¿Cuál es la Solución
𝑍 𝑍 𝒙𝟏 𝒙𝟐 𝒔𝟏 𝒔𝟐 Básica Factible que
1 -2 0 0 3 9 Básicas Derecho
𝑍 1 0 0 4/3 7/3 37/3 muestra esta tabla?
𝑠 0 3/2 0 1 -1/2 5/2
𝑥 ,𝑥 ,𝑠 ,𝑠 =
𝑥 0 1/2 1 0 1/2 3/2 𝑥 0 1 0 2/3 -1/3 5/3 5 2
, , 0,0
𝑍 1 0 0 4/3 7/3 37/3 𝑥 0 0 1 -1/3 2/3 2/3 3 3
1 𝑥 0 1 0 2/3 -1/3 5/3

𝑅 − 𝑅 →𝑅 ¿Es óptima?
2 𝑥 0 0 1 -1/3 2/3 2/3

Ejercicio –Simplex Tabular 1
Obtener la solución básica max 𝑍 − 3𝑥 − 5𝑥 = 0

factible óptima a través del 𝑠𝑢𝑗𝑒𝑡𝑜 𝑎
método SIMPLEX tabular. 𝑥 +𝑠 = 4
2𝑥 + 𝑠 = 12
3𝑥 + 2𝑥 + 𝑠 = 18
𝑥 ,𝑥 ,𝑠 ,𝑠 ,𝑠 ≥ 0
Otoño 2020 Juan Carlo Gutiérrez Matus, MSc 175

PLA Prof - Matus 1

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

PLA Prof - Matus 1

Cargado por

Copyright:

Formatos disponibles

Programación Lineal Aplicada IPN – UPIICSA – SEPI 2020

Otoño 2020 Juan Carlo Gutiérrez Matus, MSc 2

Sistema Problema Modelo

Modelación de Sistemas Programación Lineal Aplicada

Otoño 2020 Juan Carlo Gutiérrez Matus, MSc 3 Otoño 2020

Sistema Equifina- Enfoques de sistemas

A systems approach begins when first you see the world

We do not need the systems concept at all if we are not

Juan Carlos Gutiérrez Matus, MSc. 1

Métodos y enfoques de sistemas Crítica - Análisis

Sistema Problema Modelo

Definición del Problema Definición del problema

Crítica - Análisis Modelo

Un modelo es una abstracción simplificada de la

Sistema Problema Modelo

Juan Carlos Gutiérrez Matus, MSc. 2

Modelo El uso de modelos te impulsa a…

Un modelo de un sistema es cualquier cosa a la definir explícitamente los objetivos deseados.

El uso de modelos te impulsa a… Modelos - expresión

considerar los datos pertinentes para cuantificar los Mental

Estocástico vs Determinístico Estático vs Dinámico

Modelo Estocástico Modelo Determinístico

Juan Carlos Gutiérrez Matus, MSc. 3

Discreto vs continuo Open Loop vs Closed Loop

Modelo discreto Modelo dinámico Open loop Closed loop

Modelación empresarial (conceptual)

Investigación de operaciones IO – Características esenciales

Con el aumento exponencial de la complejidad de los sistemas

Juan Carlos Gutiérrez Matus, MSc. 4

Investigación de operaciones (IO) Optimización matemática

Amplia gama de técnicas y métodos para la solución de Es precisamente en los sistemas

Optimización Matemática Programación Lineal

Programación Lineal La programación lineal es una de las técnicas más extensamente

Leonid Kantorovich George Bernard

1937, “A new method of 1947, publica el método

Juan Carlos Gutiérrez Matus, MSc. 5

John von Neumann Alisa Land y Alison Doig

1960, Ambas desarrollaron el

La programación lineal proporciona un ejemplo de lo que se

Problema PL – Características Problema PL – Características

Juan Carlos Gutiérrez Matus, MSc. 6

Problema PL – Características Problema PL – Características

Representación matemática Representación matemática (sumatorias)

Juan Carlos Gutiérrez Matus, MSc. 7

Problema de mezcla – Ejemplo (1/3) Problema de mezcla – Ejemplo (2/3)

Problema de mezcla – Ejemplo (3/3) Participación – octubre 16

Problema Decisión sobre variables controlables

1. Las utilidades* 1. Nivel de producción de ventanas.

Juan Carlos Gutiérrez Matus, MSc. 8

Resumen del problema Representación Matemática – 2 variables

Objetivo, maximizar las ganancias, a través de decidir sobre max 𝑍 = 𝑐 𝑥 + 𝑐 𝑥

Representación Matemática del Ejemplo Problema de Mezcla – Otro Ejemplo (1/2)

max 𝑍 = 4000𝑥 + 6500𝑥 Una productora de productos de pavo esta considerando

Problema de Mezcla – Ejemplo 2 (2/2)

Juan Carlos Gutiérrez Matus, MSc. 9

Ejemplo – Mezcla Ejemplo – Mezcla

𝑍 : Audiencia alcanzada a través de anuncios de radio y TV Representación matemática

Un fabricante de equipo para campamento, está desarrollando un

Juan Carlos Gutiérrez Matus, MSc. 10

Introducción Graficar Variables de Decisión

Graficar Restricciones – No Negatividad Graficar Restricciones

Factible Resumen del problema