Está en la página 1de 58

INVESTIGACION DE

OPERACIONES
PROGRAMACION LINEAL
SEM 2

INVESTIGACION DE OPERACIONES
El Arte del Modelado

La I.O debe ser considerada como una ciencia y la vez como un arte.
Una ciencia por el uso de tcnicas matemticas para la resolucin de los
problemas.
Un arte ya que la formulacin del modelo depende en gran parte de la
creatividad y la experiencia delas operaciones del equipo investigador.

INVESTIGACION DE OPERACIONES
Etapas para puesta en prctica
1. Definicin del problema:
Alternativas de decisin (vars. de decisin).
El objetivo de estudio (Funcin Objetivo).
Identificacin de las restricciones del sistema que se modela.
2. Construccin del modelo:
Traducir el problema a relaciones matemticas que incluyan las vars. decisin,
la Funcin Objetivo y las restricciones.
3. Solucin del modelo:
Uso de algoritmos de optimizacin.
Se encuentran los valores de las vars. decisin.
4. Validacin del modelo:
El modelo entrega una prediccin razonable del comportamiento del sistema
estudiado?
5. Puesta en prctica:
Traducir los resultados del modelo en instrucciones de operacin.

PROGRAMACIN LINEAL

P R O G R A M A C IO N L IN E A L
F O R M U L A C IO N M A T E M A T IC A
PROBLEM A GENERAL
M E T O D O G R A F IC O

M E T O D O A L G E B R A IC O
( S IM P L E X )

P R O B L E M A S E S P E C IA L E S
PRO BLEM AS DE TRANSPO RTE

P R O B L E M A S D E A S IG N A C I N

PROGRAMACIN LINEAL
Es un mtodo matemtico que se emplea para resolver problemas de
optimizacin. En palabras simples la P.L. busca asignar recursos limitados, entre
actividades que compiten, de la forma mas optima posible.

Supuestos de la P.L.
Proporcionalidad
Aditividad
Divisibilidad
Certidumbre
Objetivo nico
No negatividad

PROGRAMACIN LINEAL
Construccin de modelos
PROBLEMA DE LA MEZCLA DE PRODUCTOS
Una compaa fabrica dos tipos de componentes electrnicos: transistores y
bobinas.
Cada transistor requiere un minuto de tiempo en el departamento de ensamble,
dos minutos de tiempo en el departamento de Control de Calidad y un minuto de
tiempo en empaque.
Cada bobina requiere dos minutos de tiempo en ensamble, un minuto de tiempo
en Control de Calidad y dos minutos en empaque.
Existe un total de 300 minutos en Ensamble, 400 minutos en C. Calidad y 400
minutos en Empaque disponibles cada da.
Tanto los transistores como las bobinas contribuyen en un dlar a la utilidad.
La compaa desea determinar la mezcla de productos optima que maximice la
utilidad total.

PROGRAMACIN LINEAL
Construccin de modelos
Solucin:
Formulacin
Paso 1: Identificar el objetivo (meta) a optimizar
Maximizar las utilidades de la compaa (U).{dlares/da}
Paso 2: Identificar las variables de decisin que deseamos determinar
X.Cantidad de transistores a fabricar por da {unds./da}
Y.Cantidad de bobinas a fabricar por da {unds./da}
Paso 3: Identificar las restricciones del modelo
R1) Tiempo disponible en el depto. de Ensamble por da 300 min.
R2) Tiempo disponible en el depto. de C. Calidad por da de 400 min.
R3) Tiempo disponible en el depto. de Empaque por da de 400 min.
R4) No Negatividad.

PROGRAMACIN LINEAL
Construccin de modelos
Paso 4: Construccin del modelo matemtico

F.Objetivo
MAX { U = X + Y }
Sujeto a :
R1) X + 2Y 300
R2) 2X + Y 400
R3) X + 2Y 400
R4) X , Y 0

PROGRAMACIN LINEAL
Construccin de modelos
EJERCICIO PROPUESTO
El departamento de rayos X de un hospital tiene dos mquinas, A y B, que
pueden utilizarse para revelar radiografas. La capacidad de procesamiento diaria
de estas mquinas es A=80 y B=100 radiografas. El departamento debe planear
procesar al menos 150 radiografas por da. Los costos de operacin por
radiografa son $4 para la mquina A y $3 para la mquina B. Cuntas
radiografas por da debe procesar cada mquina para minimizar costos?
Se pide:
Formular como un problema de P.L. identificando claramente la funcin objetivo y
las variables de decisin.

PROGRAMACIN LINEAL
Construccin de modelos
Solucin:
Formulacin
Paso 1: Identificar el objetivo (meta) a optimizar
Minimizar los costos de procesamiento (C).{dlares/da}
Paso 2: Identificar las variables de decisin que deseamos determinar
X.Cantidad de radiografas a procesar en mquina A al da {rad./da}
Y. Cantidad de radiografas a procesar en mquina B al da {rad./da}
Paso 3: Identificar las restricciones del modelo
R1) Capacidad de procesamiento de rad. en la maquina A de 80.
R2) Capacidad de procesamiento de rad. en la maquina B de 100.
R3) Capacidad mnima del departamento de 150 rad. por da.
R4) No Negatividad.

PROGRAMACIN LINEAL
Construccin de modelos
Paso 4: Construccin del modelo matemtico

F.Objetivo
M IN { C = 4X + 3Y }
Sujeto a :

80

R1) X
Y

100

R3) X + Y

150

R2)

R4) X , Y 0

PROGRAMACIN LINEAL
Construccin de modelos
PROBLEMA DE LA DIETA
La compaa OF utiliza diariamente por lo menos 800 libras de alimento especial.
El alimento especial es una mezcla de maz y semilla de soya, con las siguientes
composiciones.
libra componente por libra de alimento ganado
A. ganado

Proteinas

Fibra

Maz
Similla Soya

0.09
0.60

0.02
0.06

Costo
US$/lb

0.30
0.90

PROGRAMACIN LINEAL
Construccin de modelos

Los requerimientos dietticos diarios de alimento especial estipulan por lo menos


un 30% de protenas y cuando mucho un 5% de fibra. OF desea determinar el
costo mnimo diario de la mezcla de alimento.

.?

PROGRAMACIN LINEAL
Construccin de modelos
Solucin:
Formulacin
Paso 1: Identificar el objetivo (meta) a optimizar
Minimizar el costo diario total de la mezcla de alimento(C).{dlares/da}
Paso 2: Identificar las variables de decisin que deseamos determinar
X.libras de maiz en la mezcla diaria {lb./da}
Y. Libras de semilla de soya en la mezcla diaria {lb./da}
Paso 3: Identificar las restricciones del modelo
R1) Requerimientos de alimentos de por lo menos 800 lbs.al da
R2) Requerimiento de protenas de por lo menos un 30%
R3) Requerimientos de fibra de cuando mucho un 5%.
R4) No Negatividad.

PROGRAMACIN LINEAL
Construccin de modelos
Paso 4: Construccin del modelo matemtico

F.Objetivo
M IN { C = 0.3X + 0.9Y }
Sujeto a :
R1) X + Y

800

R2) 0.09X + 0.6Y

0.3(X + Y)

R3)0.02 X + 0.06Y

0.05(X + Y)

R4) X , Y

PROGRAMACIN LINEAL
Construccin de modelos
Paso 4.1: Construccin del modelo matemtico (ORDENADO)

F.Objetivo
M IN { C = 0.3X + 0.9Y }
Sujeto a :
R1) X + Y

800

R2) 0.21X - 0.30Y

R3)0.03 X - 0.01Y

R4) X , Y

PROGRAMACIN LINEAL
Construccin de modelos
PROBLEMA DE TRANSPORTE
Considere el problema que enfrenta el departamento de planificacin de la
compaa DALLAS S.A. ,que tiene tres plantas y cuatro almacenes regionales.
Cada mes se requiere de una lista de requerimientos de cada almacn y se
conocen, tambien las capacidacdes de produccin de las plantas. Ademas se
conoce el costo de transporte de cada planta a cada almacn. El problema es
determinar qu plantas deben abastecer a que almacenes de manera que
minimicen los costos totales de transporte. Consideremos que los costos de
transporte entre dos ciudades cualquiera, son proporcionales a las cantidades
embarcadas. Supongase que las capacidades mensuales de cada planta son 70,
90 y 180 respectivamente. Los requerimientos de cada almacn para el mes de
Marzo son: 50, 80, 70 y 140. Los costos unitarios de transporte son los que se
muestran en la tabla siguiente:

PROGRAMACIN LINEAL
Construccin de modelos
PROBLEMA DE TRANSPORTE
Considere el problema que enfrenta el departamento de planificacin de la
compaa DALLAS S.A. ,que tiene tres plantas y cuatro almacenes regionales.
Cada mes se requiere de una lista de requerimientos de cada almacn y se
conocen, tambien las capacidacdes de produccin de las plantas. Ademas se
conoce el costo de transporte de cada planta a cada almacn. El problema es
determinar qu plantas deben abastecer a que almacenes de manera que
minimicen los costos totales de transporte. Consideremos que los costos de
transporte entre dos ciudades cualquiera, son proporcionales a las cantidades
embarcadas. Supongase que las capacidades mensuales de cada planta son 70,
90 y 180 respectivamente. Los requerimientos de cada almacn para el mes de
Marzo son: 50, 80, 70 y 140. Los costos unitarios de transporte son los que se
muestran en la tabla siguiente:

PROGRAMACIN LINEAL
Construccin de modelos
Planta
1
2
3

1
19
70
40

Se pide:
Formular como un PPL.

Almacn
2
30
30
8

3
50
40
70

4
10
60
20

PROGRAMACIN LINEAL
Construccin de modelos
Solucin:
Formulacin
Paso 1: Identificar el objetivo (meta) a optimizar
Minimizar el costo total de transporte (C).{u.m/mes}
Paso 2: Identificar las variables de decisin que deseamos determinar
Xij.Cantidad a enviar de la planta i al almacn j mensualmente {uds/mes}
i = 1,2,3 / j = 1,2,3,4
Paso 3: Identificar las restricciones del modelo
R1) Capacidad mensual de produccin planta 1 de 70
R2) Capacidad mensual de produccin planta 2 de 90
R3) Capacidad mensual de produccin planta 3 de 180
R4) Requerimientos del almacn 1 para Marzo de 50
R5) Requerimientos del almacn 2 para Marzo de 80
R6) Requerimientos del almacn 3 para Marzo de 70
R7) Requerimientos del almacn 4 para Marzo de 140
R8) No Negatividad.

PROGRAMACIN LINEAL
Construccin de modelos
Paso 4.1: Construccin del modelo matemtico
F.Objetivo

Min{C=19X11+70X21+40X31+30X12+30X22+8X32+50X13+40X23+70X33+10X14+60X24+20X34}
Sujeto a :
R1) X11+X12+X13+X14

70

R2) X21+X22+X23+X24

90

R3) X31+X32+X33+X34

180

R4) X11+X21+X31

50

R5) X12+X22+X32

80

R6) X13+X23+X33

70

R7) X14+X24+X34

140

R8) Xij

i,j

Modelo General de PL
Definicin de variables:
Sea xj = #.... ; j = 1, 2, 3....n
Funcin objetivo:
Max. o Min. z = C1X1 + C2X2 + ... + CjXj + ... + CnXn
Sujeto a restricciones: i = 1, 2, 3, ... , m
a11X1 + a12X2 + ... + a1jXj + ... + a1nXn
a21X1 + a22X2 + ... + a2jXj + ... + a2nXn

.
ai1X1 + ai2X2 + ... + aijXj + ... + ainXn
=

.
am1X1 + am2X2 + ... + amjXj + ... + amnXn
=

=
=

b1
b2

bi
bm

Condiciones de signo para variables:


toda xj 0
m = # total de restricciones,
n = # de variables de decisin (originales)
Cj, aij y bi son constantes (o parmetros) dados.
8

Mtodos de Resolucin
Mtodo Grfico
Empleado principalmente para PPL con dos variables de decisin. Este mtodo
se basa en la idea de obtener regiones de soluciones factibles (RSF), en las
cuales se encontrara la combinacin de variables de decisin que optimizan el
modelo.
Mtodo Algebraico (SIMPLEX)
Empleado principalmente para PPL con ms de dos variables de decisin. Este
mtodo se desarrollo con base en el mtodo grfico y corresponde a un sistema
heurstico, por lo cual requiere de una solucin inicial factible para empezar a
funcionar.

Mtodo de Resolucin: Paso3


Encontrar el Punto Optimo: Alternativas
Alternativa 1
Encontrar todas las combinaciones de X1 y X2 que determinan los vrtices de la
RSF, luego se evalan en la funcin objetivo y se elige la combinacin que
maximice (o minimice) dicha funcin.

Alternativa 2
Grficar la F.O. dandose en valor arbitrario de Z (depende de la escala del
grfico), luego la recta se desplaza en forma paralela en el sentido estricto de la
optimizacin. El ultimo punto que tope la F.O al salir de la RSF corresponder a
la solucin optima.

13

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
El mtodo smplex fue desarrollado en 1947 por el Dr. George Dantzig y conjuntamente con el
desarrollo de la computadora hizo posible la solucin de problemas grandes planteados con la
tcnica matemtica de programacin lineal.
El algoritmo denominado smplex es la parte medular de este mtodo; el cual se basa en la
solucin de un sistema de ecuaciones lineales con el conocido procedimiento de Gauss-Jordan y
apoyado con criterios para el cambio de la solucin bsica que se resuelve en forma iterativa
hasta que la solucin obtenida converge a lo que se conoce como ptimo..
El conjunto de soluciones factibles para un problema de P.L. es un conjunto convexo.
La solucin ptima del problema de programacin lineal , si existe, es un punto extremo
(vrtice) del conjunto de soluciones factibles.
El nmero mximo de puntos extremos (vrtices) por revisar en la bsqueda de la solucin
ptima del problema es finito.

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Estndar de un PPL
La forma estndar pasa por realizar los siguientes cambios:
1 Conversin de desigualdades en igualdades (ecuaciones)
a.- Restriccin menor o igual ()
Para transformar este tipo de restriccin a una ecuacin de tipo igualdad se debe aumentar
su lado izquierdo con una variable de holgura. Esta representa la cantidad disponible del
recurso que excede al empleo que le dan las actividades.
Ej.
6X1 + 4X2 24
F.e
6X1 + 4X2 + h1 = 24

(h1 cantidad no utilizada de recurso)

h1 0

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
b.- Restriccin mayor o igual ()
Las restricciones de este tipo comnmente determinan requerimientos mnimos de
especificaciones. En este caso se debe incorporar una variable de supervit que representa
el requerimiento mnimo del lado izquierdo, sobre el requerimiento mnimo del derecho
( cuanto falta para cumplir con lo pedido).
Ej.
X1 + X2 800
X1 + X2 - r1 = 800
r1 0
Sin embargo la F.E pasa por hacer un ajuste ms:
F.E
X1 + X2 - r1 + t1 = 800
r1, t1 0
t1 = variable artificial (se necesita para generar la solucin inicial del simplex)

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
d.- Restriccin de igualdad (=)
Aqu la estandarizacin pasa slo por incorporar una variable artificial.
Ej.
X1 + X2 = 800
X1 + X2 + t1 = 800
t1 0
Como las variables artificiales no tienen sentido, es importante que el simplex las deje fuera
al comienzo del procedimiento y esto se logra al penalizar la inclusin de las variables
artificiales en la funcin objetivo con un coeficiente M muy grande que para el caso de
maximizar es - M y para el caso de minimizar es + M.

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
2 Cambios de variables
a.- Variables no restringidas
Algunas veces las variables de decisin pueden tomar cualquier valor real.
Xi s.r.s
Cambio de variable
Xi = Ui Vi
Ui . Parte positiva de Xi
Vi . Parte negativa de Xi
Ej.
X1 + X2 24
X1 0, X2 s.r.s
Luego X2 = U2 V2
F.E.
X1 + U2 V2 + h1 = 24

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
b.- Variables negativas
Algunas veces las variables de decisin pueden tomar negativos.
Xi 0
Cambio de variable
Yi = Xi

Donde Yi 0

Ej.
X1 + X2 40
X1 0, X2 0
Luego Y2 = X2, o bien X2 = - Y2
F.E.
X1 - Y2 + h1 = 40

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
3 Cambio en criterio de optimizacin
Muchas veces el objetivo no es maximizar.
MIN (Z)
Cambio de variable: Z* = -Z
MIN Z = MAX ( Z*)
Ej.
MIN [ Z = X1 + X2 ]
Z* = -Z
F.E
MAX [ Z* = -X1 X2]

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
EJEMPLO
MIN (Z = 15X1 + 10X2 20X3)
S/A
R1) X1+2X2+4X3

30

R2) 5X1+5X2+3X3 = 40
R3) X1 + X2 + X3

70

R4) X1 s.r.s; X20; X30


Cambios de variable:
Z* = -Z

X1=U1-V1

X2=-Y2

PROBLEMA DE
La compaa XYZ manufactura dos tipos de raquetas para tenis: Uno "Bsico"
(Peso Ligero) usados en los juegos de Ligas Menores y el "Profesional"
(Golpeador) que se vende a los equipos de Ligas Mayores. La produccin de una
raqueta requiere una operacin de torno para darle su forma, un proceso de lija
para suavizar la madera y para los "profesionales" tan solo una mano de
laqueado como tratamiento final. Una raqueta para la Liga Menor requiere un
minuto en un torno de alta velocidad en tanto que una raqueta para Liga Mayor,
toma dos minutos de tiempo de torneado, puesto que se le debe dar la forma con
tolerancias muy estrechas. Debido a la rpida dada de forma del bsico, se
requiere tres minutos de mquina lijadora, en tanto que el profesional necesita
slo dos minutos para ser lijado. El laqueado es hecho a mano y como resultado
de esto slo pueden producirse 400 raquetas profesionales durante una semana.
Para una semana promedio de trabajo debe utilizarse 1000 minutos de tiempo de
torno y 1800 minutos de tiempo de lijado.
XYZ realiza una contribucin neta a los gastos generales y utilidad de $3 por
cada raqueta bsica y de $4 por cada profesional producida. Asumir que la
compaa puede vender tantas raquetas de cada tipo como las que pueden
producir.

Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Problema:
Maximizar 3 x1 + 4 x2 sujeto a:
x1 + 2 x2

1000

3 x1 + 2 x 2

1800

x2

400

x 1, x 2 0
X1 = numero de raquetas bsicos producidos por semana
X2 = numero de raquetas profesionales producidos por semana

Mtodos de Resolucin
ALGEBRAICO
Maximizar:
Z = 3 X1 + 4 X 2 + 0 S1 + 0 S2 + 0 S 3
Sujeto a:

X1 + 2X2 +

3X1 + 2X2

X2
Xi>=0, i = 1,2

S1
+

= 1000
S2
+

= 1800
S3 = 400

Si >=0, i = 1,2,3

Mtodos de Resolucin
ALGEBRAICO

Mtodos de Resolucin
ALGEBRAICO
Tabla 1
cB

xB

3
x1

s1

1000

s2

1800

s3

400

cj zj

4
x2

0
s1

0
s2

0
s3

0
bi

Criterio de entrada: max { 3, 4 } = 4, luego entra x2


Criterio de salida: mn { 500, 900 , 400 } = 400, luego sale s 3

Mtodos de Resolucin
ALGEBRAICO
Tabla 2
cB

xB

3
x1

s1

-2

200

s2

-2

1000

x2

400

-4

1600

cj zj

4
x2

0
s1

0
s2

0
s3

0
bi

Criterio de entrada: max { 3, -4 } = 3, luego entra x1


Criterio de salida: mn { 200, 333.3 } = 200, luego sale s 1

Mtodos de Resolucin
ALGEBRAICO
Tabla 3
cB

xB

3
x1

x1

-2

200

s2

-3

400

x2

400

-3

2200

cj zj

4
x2

0
s1

0
s2

0
s3

0
bi

Criterio de entrada: max { -3, 2 } = 2, luego entra s 3


Criterio de salida: mn { 100, 400 } = 100, luego sale s2

Mtodos de Resolucin
ALGEBRAICO
Tabla 4
cB

xB

3
x1

x1

-1/2

1/2

400

s3

-3/4

1/4

100

x2

3/4

-1/4

300

-3/2

-1/2

2400

cj zj

4
x2

0
s1

0
s2

0
s3

0
bi

Criterio de entrada: { las var no bsicas son negativos }


Luego la solucin no puede mejorar por tanto es Optima

Mtodos de Resolucin
ALGEBRAICO
Se una vez obtenida la F.E se esta en condiciones de iniciar el Simplex que nos permitir
encontrar la (s) solucin (es) del PPL.
Como el algoritmo se mueve de punto en punto extremo requiere que variables basicas
entren y salgan. Las reglas para seleccionar las variables de entrada y salida se conocen
como condiciones de optimalidad y factibilidad. Resumiendo:
C. Optimalidad: la variable de entrada en un problema de maximizacin es la variable no
bsica que tiene el coeficiente mas positivo en el regln de la F.O. los empates se rompen
arbitrariamente. Se llega al optimo en la iteracin donde todos coeficientes del reglon de la
F.O. de las variables no bsicas son negativos. En un problema de maximizacin.
C. Factibilidad: tanto para los problemas de maximizacin como minimizacin, la variable
de salida es la variable bsica asociada con la razn no negativa ms pequea entre los
lados derecho y los coeficientes de la columna entrante.

Mtodos de Resolucin
ALGEBRAICO
Pasos del Simplex:

Paso 0

: determinar la solucin factible inicial.

Paso 1

: seleccione la variable de entrada empleando la condicin de optimalidad.


Detngase si no hay variable de entrada.

Paso 2

: seleccione una variable de salida utilizando la condicin de factibilidad.

Paso 3

: determine las nuevas soluciones bsicas empleando los calculos apropiados de


Gauss Jordan, luego vuelva al paso 1.

Mtodos de Resolucin
DUAL SIMPLEX
Se basa en la idea que todo PPL tiene un problema espejo, llamado DUAL. Esto
provoca que se genere un segundo algoritmo de resolucion conocido como
Metodo Dual Simplex, el cual funciona de la siguiente manera:
Condicion de Factibilidad:
La variable que sale es la variable basica que tiene el valor mas
negativo, si

todas las variables basicas son no negativas el proceso termina

y se alcanza la

solucion factible - optima.

Condicion de Optimalidad:
La variable entrante se escoge de la manera siguiente:
Calcule la razon entre los coeficientes del reglon cero y los
coeficientes de la
positivos o ceros. La

fila asociada a la variable que sale, ignore coeficientes


variable que entra es la que posee

pequea si el problema es de
son cero o positivos el problema no

la razon mas

minimizacion. Si todos los denominadores


tiene solucion factible.

Mtodos de Resolucin
DUAL SIMPLEX
EJEMPLO
MIN (Z = 2X1 + X2)
S/A
R1) 3X1+X2

R2) 4X1+3X2

R3) X1 + 2X2

R4) X1 0 ; X2 0
Forma Estndar:

Mtodos de Resolucin
DUAL SIMPLEX
Forma Estndar

-2

X1

X2

-3

X1

X2

-4

X1

X2

X1

X2

=
+

r1

= -3
+

r2

= -6
+

h1

Mtodos de Resolucin
DUAL SIMPLEX
Forma Tabular Especial

BASE

X1

X2

r1

r2

h1

-2

-1

r1

-3

-1

-3

r2

-4

-3

-6

h1

SOLUCION

Mtodos de Resolucin
DUAL SIMPLEX

BASE

X1

X2

r1

r2

h1

-2

-1

r1

-3

-1

-3

r2

-4

-3

-6

h1

SOLUCION

Sale mas
negativa

Mtodos de Resolucin
DUAL SIMPLEX
RAZON

2/4

1/3

BASE

X1

X2

r1

r2

h1

-2

-1

r1

-3

-1

-3

r2

-4

-3

-6

h1

SOLUCION

Mtodos de Resolucin
DUAL
SIMPLEX
Entra razon mas pequea
RAZON

2/4

1/3

BASE

X1

X2

r1

r2

h1

-2

-1

r1

-3

-1

-3

r2

-4

-3

-6

h1

SOLUCION

Mtodos de Resolucin
DUAL
SIMPLEX
Entra razon mas pequea
RAZON

2/4

1/3

BASE

X1

X2

r1

r2

h1

-2

-1

r1

-3

-1

-3

r2

-4

-3

-6

h1

SOLUCION

Mtodos de Resolucin
DUAL SIMPLEX
Gauss Jordan

BASE

X1

X2

r1

r2

h1

-2/3

-1/3

r1

-5/3

-1/3

-1

X2

4/3

-1/3

h1

-5/3

2/3

-1

SOLUCION

Mtodos de Resolucin
DUAL SIMPLEX

BASE

X1

X2

r1

r2

h1

-2/3

-1/3

r1

-5/3

-1/3

-1

X2

4/3

-1/3

h1

-5/3

2/3

-1

SOLUCION

Mtodos de Resolucin
DUAL SIMPLEX
RAZON

2/5

BASE

X1

X2

r1

r2

h1

-2/3

-1/3

r1

-5/3

-1/3

-1

X2

4/3

-1/3

h1

-5/3

2/3

-1

SOLUCION

Mtodos de Resolucin
DUAL SIMPLEX
RAZON

2/5

BASE

X1

X2

r1

r2

h1

-2/3

-1/3

r1

-5/3

-1/3

-1

X2

4/3

-1/3

h1

-5/3

2/3

-1

SOLUCION

Pivote

Mtodos de Resolucin
DUAL SIMPLEX
Gauss Jordan

BASE

X1

X2

R1

r2

h1

-2/5

-1/5

12/5

X1

-3/5

1/5

3/5

X2

4/5

-3/5

6/5

h1

-1

SOLUCION

Optimo Factible!!!

Mtodos de Resolucin
DUAL SIMPLEX
Solucin:
BASE

SOLUCION

12/5

X1

3/5

X2

6/5

r1

r2

h1

Mtodos de Resolucin
DUAL SIMPLEX
Ejercicio Propuesto
MIN (Z = 5X1 + 4X2 + 8X3)
S/A
R1) X1+2X2+X3

15

R2) 2X1+X2+X3

10

R3) X1 + X2 +X3

20

R4) X1 0 ; X2 0; X3 0