Documentos de Académico
Documentos de Profesional
Documentos de Cultura
UNIDAD I
Contenido
Introducción • Investigación de operaciones
• Modelos matemáticos
• Programación Lineal
OBJETIVOS
• Aplicar modelos cuantitativos en la resolución de problemas
lineales.
• Optimizar soluciones usando la Investigación de Operaciones.
METODOLOGÍA
• Clases expositivas para conceptos teóricos con discusiones sobre
cada tema y participación activa del alumno en forma virtual.
• Practicas donde se conocerán el uso del software de apoyo a
resolver problemas de Programación Lineal.
BIBLIOGRAFIA
• TAHA HAMDY A. Investigación de operaciones. PEARSON. 9 Ed.
2012
• HILLIER, FREDERICK Y LIEBERMAN, GERALD: “Introducción a la
Investigación de Operaciones”, McGraw – Hill Interamericana
• WINSTON WAYNE L.: “Investigación de Operaciones: Aplicaciones y
Algoritmos”. Grupo Editorial Iberoamericana.
• DAVIS K ROSCOE y MC KEOWN Patrick. Modelos Cuantitativos para
Administración. Grupo editorial Iberoamerica. 2 Ed. 1986.
• PRAWDA, Juan. Métodos y modelos de Investigación de
operaciones. Limusa.
• JORGE ALVAREZ ALVAREZ, Investigación de Operaciones,
Universidad Nacional de Ingeniería, Edición 2001.
• EPPEN G. D., GOULD F. J., SCHMIDT C. P., MOORE, Jeffrey,
WEATHERFORD, Larry.- 2000, Investigación de Operaciones, en la
Ciencia Administrativa, PEARSON, México.
• MATHUR, Kamlesh SOLOW, Daniel MATHUR.- 1996, Investigación de
Operaciones, PRENTICE HALL, México.
INVESTIGACION DE OPERACIONES
Definición:
Conjunto de técnicas matemáticas y estadísticas aplicable a diversos
sistemas con el fin de mejorarlos, buscando las mejores alternativas de
acción; esto mediante el modelamiento matemático de los problemas en
estudio.
¿Qué es la investigación de
operaciones?
Métodos Cualitativos
Métodos Cuantitativos
Optimización Optimización
Programación Cadenas
Lineal no Lineal
Dinámica de Markov
Programación Métodos
Teoría de Teoría de
Lineal Clásicos
Inventarios Colas
Transporte y Métodos
Asignación de búsqueda Simulación Procesos
Estocásticos
Prog.
Maquinaria y Programación Pert / CPM
Equipo no lineal Teoría de
Decisiones
Heurísticas y Juegos
Redes
MÉTODOS EN INVESTIGACIÓN OPERATIVA
Manufactura.
Transporte.
Telecomunicaciones.
Salud.
Planeación.
Servicios.
Finanzas.
Otros.
ORIGEN DE LA INVESTIGACIÓN DE
OPERACIONES
Sistema
Entidades Entidades
que Entran Actividades
que Salen
Recursos
MODELO
• Es una ciencia
análisis de relaciones
aplicación de algoritmos de solución
• Y a la vez un arte
visión de la realidad
estilo, elegancia, simplicidad
uso creativo de las herramientas
experiencia
¿PARA QUÉ SIRVE UN MODELO?
• Aprender / Entender
La experiencia demuestra que el principal beneficio en la generación de un
modelo es el entendimiento que el modelador adquiere del
comportamiento de la realidad.
• Implementar en un computador
La aparición de los computadores es la que le ha dado a la investigación de
operaciones el impulso necesario. La implementación y automatización de
procesos exige el modelado previo del problema planteado. Si se desea
gestionar la información que genera una empresa, o implementar un sistema
de gestión de recursos humanos es necesario realizar un modelo de dicha
empresa que comprenda de la manera más eficiente posible toda la
información vinculada.
• Tomar decisiones
Los modelos construidos permiten mediante su resolución ayudar a la toma
de decisiones generando soluciones óptimas, o suficientemente cercanas al
óptimo, dado un objetivo establecido. Asimismo pueden ser utilizados para
evaluar el impacto de tomar decisiones, antes de tomarlas, y de este modo
elegir la que más se ajuste a la solución.
METODOLOGÍA DE LA
INVESTIGACION DE OPERACIONES
Problema
Métodos:
Gráfico. Fácilmente comprensible y permite visualizar
algunas propiedades.
Analítico. El método simplex ha demostrado ser
eficiente por el uso del computador.
Algeibraíco
Ejemplo 1
Xi = Número de unidades del producto i
0, 60
1 X1 + 2 X2 ≤ 120
40, 40
2 X1 + 2 X2 ≤ 160
60, 20
70, 0
6X1 + 4X2 = 0
PROBLEMA DE MAXIMIZACIÓN
2X1 + X2 ≤ 100 :
Dibujamos la recta 2X1 + X2 = 100 40
20 40 60 80 X1
DIBUJAR LA REGIÓN FACTIBLE
2 X1 + X2 ≤ 100
X1 + X2 ≤ 80 Restricciones
X1 ≤ 40
X1, X2 ≥ 0 No negatividad
2X1 + X2 = 100
100
Restricciones
2 X1 + X2 ≤ 100
80
X1 + X2 ≤ 80
X1 ≤ 40 60
X1 , X 2 ≥ 0
40
Teniendo en cuenta
las restricciones de 20
100
Restricciones 80
2 X1 + X2 ≤ 100
X1 + X2 ≤ 80 60
X1 + X2 = 80
X1 ≤ 40
X1, X 2 ≥ 0 40
20
20 40 60 80 X1
X2
100
Restricciones 80
X1 = 40
2 X1 + X2 ≤ 100
X1 + X2 ≤ 80 60
X1 ≤ 40
X1, X 2 ≥ 0 40
20
20 40 60 80 X1
X2
X1 + X2 = 80
40
Región
20 Factible
20 40 60 80 X1
VÉRTICES DE LA REGIÓN FACTIBLE
X2 Restricciones
2 X1 + X2 ≤ 100
X1 + X2 ≤ 80
La región factible (al 100
2X1 + X2 = 100
estar limitada por rectas) X1 ≤ 40
es un polígono. X 1, X 2 ≥ 0
80 E
En esta caso, el X1 = 40
polígono ABCDE.
D
60
Como la solución X1 + X2 = 80
óptima está en alguno 40
Sujeto a:
6X1 + 3X2 ≥ 30
Restricciones
2X1 + 8X2 ≥ 24
X1, X2 ≥ 0 No negatividad
DIBUJAMOS LA REGIÓN FACTIBLE
X2
14
6X1 + 3X2 ≥ 30
8
2X1 + 8X2 ≥ 24
6
X1, X2 ≥ 0
4
2X1 + 8X2 = 24
2
X1
2 4 6 8 10 12 14
CALCULAMOS LOS VÉRTICES DE LA REGIÓN FACTIBLE:
X2 La región factible
El vértice A es solución del
no está acotada
sistema 14
6X1 + 3X2 = 30
X1 = 0 12
Por tanto, A(0, 10)
10 A
Región
El vértice B es solución de
6X1 + 3X2 = 30
8
Factible
2X1 + 8X2 = 24 6
Por tanto, B(4, 2)
4
El vértice C es solución de 2
B
2X1 + 8X2 = 24
X2 = 0 C
X1
Por tanto, C(12, 0) 2 4 6 8 10 12 14
Restricción de mayor o igual que cero, límite mínimo
Ejemplo 2
Min (Z) = 2 X1 + 6 X2
Sujeto a:
12 X1 + 6 X2 ≥ 16
4 X1 + 12 X2 ≥ 12
X1 , X2 ≥ 0
Ejemplo 3
Min (Z) = 2 X1 + 3 X2
Sujeto a:
X1 + X2 ≤ 4
6 X1 + 2 X2 = 8
X1 + 5 X2 ≥ 4 B
X1 ≤3
X2 ≤ 3
A
X1 , X2 ≥ 0
2 X1 + 2 X2 ≤ 6 B
(2,1)
X1 , X2 ≥ 0
C
Ejemplo 7
Max (Z) = X1 + X2
Sujeto a:
3 X1 - X2 ≥ - 3
X1 + X2 ≤ 4
X1 , X2 ≥ 0
No se puede garantizar que todo problema tenga solución
factible.
MÉTODO GRÁFICO
8
Región
Min(Z) = 50·12 + 100·0 =
C(12, 0) Factible
= 600 + 0 = 600
6
Solución: B(4, 2)
X1 = 4 2
C(12, 0)
X2 = 2
Costo Min (Z) = 400 X1
2 4 6 8 10 12 14
RESOLVEMOS POR EL MÉTODO GRÁFICO
2X1 + 8X2 ≥ 24
12
X1, X2 ≥ 0
10 A(0, 10)
El costo mínimo se
obtiene en el punto B. 8 Región
Min(Z) = 600
Factible
6
Min(Z) = 400
Solución:
4
X1 = 4
X2 = 2 2
B(4, 2)
Costo Min(Z) = 400
C(12, 0)
X1
2 4 6 8 10 12 14
MÉTODO SIMPLEX
Max(Z) = C1 X 1 + C 2 X 2 +...... + Cn Xn
Coeficientes recurso
Sujeto a: Coeficientes tecnológicos
a X +a X + ..... + a X ( ≤ , = , ≥ ) b
1
11 1 12 2 1n n
a X +a X + ..... + a X n ( ≤ , = , ≥ ) b2
21 1 22 2 2n
. . . . .
. . . . .
. . . . .
a X +a X + ..... + a X (≤ , = , ≥ )b
m1 1 m2 2 mn n m
No negatividad
• Donde el vector c también conocido como el vector costos,
viene dado por:
Max (Z) = C X
Sujeto a:
A X = bi
A X ≤ bi
A X ≥ bi
X≥0
EL MODELO DE P.L.
Z: función objetivo
C (c1,...,cn): vector de coeficientes de la f. o.
X (x1,...,xn): vector de variables de decisión
A (...,aij,...): matriz de coeficientes técnicos
b (b1,...,bm): vector de demandas
Matricialmente,
9. Tipo de soluciones.
Xi: Numero de unidades del producto tipo i que se deben producir
mensualmente. Donde i = 1, 2
Max (Z) = 30 X1 + 50 X2
Sujeto a:
X1 + 2 X2 ≤ 200 Estación de trabajo 1
X1 + X2 ≤ 140 Estación de trabajo 2
X1 , X2 ≥ 0
(80,60)
(0, 0) (140,0)
Xi: Numero de unidades del producto tipo i que se deben producir
mensualmente.
Max (Z) = 30 X1 + 50 X2 + 0 S1 + 0 S2
Sujeto a:
X1 + 2 X2 + 1 S1 + 0 S2 = 200 1 0
X1 + X2 + 0 S1 + 1 S2 = 140 0 1
X1 , X2 , S1 , S2 ≥ 0
Solución
C1 C2 C3 C4
Max (Z) = 30 X1 + 50 X2 + 0 S1 + 0 S2
Sujeto a:
X1 + 2 X2 + 1 S1 + 0 S2 = 200
X1 + X2 + 0 S1 + 1 S2 = 140
X1 , X2, S 1, S2 ≥ 0
a) Forma algebraica b) Forma tabular
Variable
Coeficientes de la función objetivo: Lado
básica Ec. 30 50 0 0 derecho
XB X1 X2 S1 S2 bi
(1) X1 + 2 X2 + 1 S1 + 0 S2 = 200 S1 1 1 2 1 0 200
(2) X1 + X2 + 0 S1 + 1 S2 = 140 S2 2 1 1 0 1 140
Solución
Pivot
Iteración N° 1
=100
Cj 30 50 0 0
Ci XB X1 X2 S1 S2 bi θi
mínimo
0 S1 1 2 1 0 200 100
0 S2 1 1 0 1 140 140
=140
Cj -Zj 30 50 0 0 0
Semi Pivot
C1 – Z1 = 30 – 0x1 + 0x1 = 30
C2 – Z2 = 50 – 0x1 + 0x1 = 50
Cj -Zj
Cj 30 50 0 0
Ci XB X1 X2 S1 S2 bi θi
50 X2 1/2 1 1/2 0 100
0 S2
Cj -Zj
1 1 0 1 140
-1 1/2 1 1/2 0 100
-1/2 -1 -1/2 0 -100
1/2 0 -1/2 1 40
Semi pivot
Semi Pivot
Cj 30 50 0 0
Ci XB X1 X2 S1 S2 bi θi
50 X2 1/2 1 1/2 0 100 200
0 S2 1/2 0 -1/2 1 40 80
Cj - Zj 5 0 -25 0 5000
Pivot
1/2 1 1/2 0 100
-1/2 1 0 -1 2 80
0 1 1 -1 60
Solución
Iteración N° 3
Cj 30 50 0 0
Ci XB X1 X2 S1 S2 bi θi
50 X2 0 1 1 -1 60
30 X1 1 0 -1 2 80
Cj -Zj 0 0 -20 -10 5400
Solución
(80,60)
(0, 0) (140,0)
ARTEFACTO A ARTEFACTO B DISPONIBILIDAD
(min/unid) (min/unid)
Maquinado 4 8 480
Armado 5 6 600
Montaje 12 6 540
Beneficio 100 120
FUNCIÓN OBJETIVO
• Max (Z) = 100 X1 + 120 X2
• Sujeto a:
4 X1 + 8 X2 480 → Area de Maquinado
5 X1 + 6 X2 600 → Area de Armado
12 X1 + 8 X2 540 → Area de Montaje
X1, X2 0
(15/2, 225/4)
(45, 0)
Solución
Iteración N° 1
Cj 100 120 0 0 0
Ci XB X1 X2 S1 S2 S3 bi θi
0 S1 4 8 1 0 0 480 60
0 S2 5 6 0 1 0 600 100
0 S3 12 8 0 0 1 540 135/2
Cj -Zj 100 120 0 0 0 0
Iteración N° 2
Cj 100 120 0 0 0
Ci XB X1 X2 S1 S2 S3 bi θi
120 X2 1/2 1 1/8 0 0 60 120
0 S2 2 0 -3/4 1 0 240 120
0 S3 8 0 -1 0 1 60 15/2
Cj -Zj 40 0 -15 0 0 7200
Iteración N° 3
Cj 100 120 0 0 0
Ci XB X1 X2 S1 S2 S3 bi θi
120 X2 0 1 3/16 0 -1/16 225/4
0 S2 0 0 -1/2 1 -1/4 225
100 X1 1 0 -1/8 0 1/8 15/2
Cj -Zj 0 0 -10 0 -5 7500
Xi: Variable de decisión
FUNCIÓN OBJETIVO
• Max (Z) = 4 X1 + 3 X2
Sujeto a:
4 X1 + 2 X2 12
X1 + 3 X2 9
7 X1 + 2 X2 28
X1, X2 0
Tipos de Solución
Iteraciones
Cj 4 3 0 0 0
Ci XB X1 X2 S1 S2 S3 bi θi
0 S1 4 2 1 0 0 12 3
0 S2 1 3 0 1 0 9 9
0 S3 7 2 0 0 1 28 4
Cj -Zj 4 3 0 0 0 0
4 X1 1 1/2 1/4 0 0 3 6
0 S2 0 5/2 -1/4 1 0 6 12/5
0 S3 0 -3/2 -7/4 0 1 7 -
Cj -Zj 0 1 -1 0 0 12
4 X1 1 0 3/10 -1/5 0 9/5
3 X2 0 1 -1/10 2/5 0 12/5
0 S3 0 0 -19/10 3/5 1 53/5
Cj -Zj 0 0 -9/10 -2/5 0 72/5
FUNCIÓN OBJETIVO
• Max (Z) = 3 X1 + 5 X2
Sujeto a:
X1 4
2 X2 12
3 X1 + 2 X2 18
X1, X2 0
Tipos de Solución
Iteraciones
Cj 3 5 0 0 0
Ci XB X1 X2 S1 S2 S3 bi θi
0 S1 1 0 1 0 0 4 -
0 S2 0 2 0 1 0 12 6
0 S3 3 2 0 0 1 18 9
Cj - Zj 3 5 0 0 0 0
0 S1 1 0 1 0 0 4 4
5 X2 0 1 0 1/2 0 6 -
0 S3 3 0 0 -1 1 6 2
Cj - Zj 3 0 0 -5/2 0 30
0 S1 0 0 1 1/3 -1/3 2
5 X2 0 1 0 1/2 0 6
3 X1 1 0 0 -1/3 1/3 2
Cj - Zj 0 0 0 -3/2 -1 36
FUNCIÓN OBJETIVO
• Min (Z) = - X1 - 3 X2
Sujeto a:
X1 + X2 6
- X1 + 2 X2 8
X1, X2 0
Solución
Iteración N° 1
Cj -1 -3 0 0
Ci XB X1 X2 S1 S2 bi θi
0 S1 1 1 1 0 6 6
0 S2 -1 2 0 1 8 4
Cj -Zj -1 -3 0 0 0
Iteración N° 2
Cj -1 -3 0 0
Ci XB X1 X2 S1 S2 bi θi
0 S1 3/2 0 1 -1/2 2 4/3
-3 X2 -1/2 1 0 1/2 4
Cj -Zj -5/2 0 0 3/2 -12
Solución
Iteración N° 3
Cj -1 -3 0 0
Ci XB X1 X2 S1 S2 bi θi
-1 X1 1 0 2/3 -1/3 4/3
-3 X2 0 1 1/3 1/3 14/3
Cj -Zj 0 0 5/3 2/3 -46/3
FUNCIÓN OBJETIVO
• Max (Z) = 3 X1 + 2 X2
Sujeto a:
X1 4
2 X2 12
3 X1 + 2 X2 18
X1, X2 0
(2,6)
(4,3)
(4,0)
(0,0)
Tipos de Solución
Iteraciones
Cj 3 2 0 0 0
Ci XB X1 X2 S1 S2 S3 bi θi
0 S1 1 0 1 0 0 4 4
0 S2 0 2 0 1 0 12 -
0 S3 3 2 0 0 1 18 6
Cj - Zj 3 2 0 0 0 0
3 X1 1 0 1 0 0 4 -
0 S2 0 2 0 1 0 12 6
0 S3 0 2 -3 0 1 6 3
Cj - Zj 0 2 -3 0 0 12
3 X1 1 0 1 0 0 4
0 S2 0 0 3 1 -1 6
2 X2 0 1 -3/2 0 1/2 3
Cj - Zj 0 0 0 0 -1 18
X1 X2 S1 S2 S3
3 X1 1 0 0 -1/3 1/3 2
0 S1 0 0 1 1/3 -1/3 2
2 X2 0 1 0 1/2 0 6
Cj - Zj 0 0 0 0 -1 18
FUNCIÓN OBJETIVO
• Max (Z) = 10 X1 + 5 X2
Sujeto a:
-3 X1 + 4 X2 12
X1 - 2 X2 2
X1 + 2 X2 8
X1, X2 0
Tipos de Solución
Iteraciones
Cj 10 5 0 0 0 -M
Ci XB X1 X2 S1 S2 S3 A3 bi θi
0 S1 -3 4 1 0 0 0 12 3
0 S2 1 -2 0 1 0 0 2 -
-M A3 1 2 0 0 -1 1 8 4
Cj - Zj 10+M 5 + 2M 0 0 -M 0 0
5 X2 -3/4 1 1/4 0 0 0 3 -
0 S2 -1/2 0 1/2 1 0 0 8 -
-M A3 5/2 0 -1/2 0 -1 1 2 4/5
Cj - Zj 55/4+5M/2 0 -5/4-M/2 0 -M 0 15
Solución No Acotada
En el siguiente problema de programación lineal:
Max (Z) = -2 X1 + 6 X 2- 4 X3 (Utilidades)
Sujeto a:
3X1 - 1X2 + 2X3 ≤ 7 (Recurso N°1)
-2X1 + 4X2 ≤ 12 (Recurso N°2)
-4X1 + 3X2 + 8X3 ≤ 10 (Recurso N°3)
X1, X 2, X3 ≥0
X1
X3
En el siguiente problema de programación lineal:
Max (Z) = -2 X1 + 6 X 2- 4 X3 (Utilidades)
Sujeto a:
3X1 - 1X2 + 2X3 ≤ 7 (Recurso N°1)
-2X1 + 4X2 ≤ 12 (Recurso N°2)
-4X1 + 3X2 + 8X3 ≤ 10 (Recurso N°3)
X1, X 2, X3 ≥0
Sujeto a:
FUNCIÓN OBJETIVO
• Min (Z) = X1 + X2
Sujeto a:
9 X1 + 3 X 2 9
3 X1 + 3 X2 15
3 X1 + 4 X2 = 12
X1, X2 0
Tipos de Solución
Iteraciones
Cj 1 1 0 0 M M
Ci XB X1 X2 S1 S2 A1 A3 bi θi
M A1 9 3 -1 0 1 0 9 1
0 S2 3 3 0 1 0 0 15 5
M A3 3 4 0 0 0 1 12 4
Cj – Zj 1-12M 1-7M M 0 0 0
1 X1 1 1/3 -1/9 0 1/9 0 1 3
0 S2 0 2 1/3 1 -1/3 0 12 6
M A3 0 3 1/3 0 -1/3 1 9 3
Cj - Zj 0 2/3-3M 1/9-M/3 0 -1/9+4M/3 0
Solución Degenerada
Xi: Variable de decisión
FUNCIÓN OBJETIVO
• Min (Z) = X1 + X2
Sujeto a:
9 X1 + 3 X 2 9
X1 - 2 X2 15
X1 + 2 X2 = 12
X1, X2 0
Tipos de Solución
Iteraciones
Cj 1 1 0 0 M M
Ci XB X1 X2 S1 S2 A1 A3 bi θi
M A1 9 3 -1 0 1 0 9 1
0 S2 1 -2 0 1 0 0 15 15
M A3 1 2 0 0 0 1 12 12
Cj – Zj 1-10M 1-5M M 0 0 0
1 X1 1 1/3 -1/9 0 1/9 0 1 3
0 S2 0 -7/3 1/9 1 -1/9 0 14 -
M A3 0 5/3 1/9 0 -1/9 1 11 33/5
Cj - Zj 0 2/3-5M/3 1/9-M/9 0 -1/9+M/9 0
1 X2 3 1 -1/3 0 1/3 0 3 -
0 S2 7 0 -2/3 1 2/3 0 21 -
M A3 -5 0 2/3 0 -2/3 1 6 9
Cj - Zj -2+5M 0 1/3-2M/3 0 5M/3-1/3 0 3
Cj XB X1 X2 S1 S2 A1 A3 bi
1 X2 1/2 1 0 0 0 1/2 6
0 S2 2 0 0 1 0 1 27
0 S1 -15/2 0 1 0 -1 3/2 9
Cj - Zj 1/2 0 0 0 M M-1/2 6
Xi: Variable de decisión
FUNCIÓN OBJETIVO
• Max (Z) = 3X1 + 5X2
Sujeto a:
X1 8
2 X2 12
3 X1 + 2 X2 = 18
X1, X2 0
GRAFICA
Tipos de Solución
Iteraciones
Cj 3 5 0 0 0 -M
Ci XB X1 X2 S1 S2 S3 A1 Bi θi
-M A1 1 0 -1 0 0 1 8 8
0 S2 0 2 0 1 0 0 12 -
-M A3 3 2 0 0 1 0 18 6
Cj – Zj 3+M 5 + 2M -M 0 0 0
-M A1 0 -2/3 -1 0 -1/3 0 2
0 S2 0 2 0 1 0 0 12
3 X1 1 2/3 0 0 1/3 1 6
Cj - Zj 0 5-2M/3 -M 0 -M/3-1 0
Solución No Factible
Xi: Variable de decisión
FUNCIÓN OBJETIVO
• Max (Z) = 460X1 + 200X2
Sujeto a:
18 X1 + 3 X2 ≤ 800
9 X1 + 4 X2 600
X1 ≥ 80
X1, X2 0
Tipos de Solución
Iteraciones
Cj 460 200 0 0 0 -M
Ci XB X1 X2 S1 S2 S3 A3 bi θi
0 S1 18 3 1 0 0 0 800 400/9
0 S2 9 4 0 1 0 0 600 200/3
-M A3 1 0 0 0 -1 1 80 80
Cj – Zj 460+M 200 0 0 -M 0
460 X1 1 1/6 1/18 0 0 0 400/9
0 S2 0 5/2 -1/2 1 0 0 200
-M A3 0 -1/6 -1/18 0 -1 1 320/9
Cj – Zj 0 370/3-M/6 230/9-M/18 0 -M 0
Solución No Factible
Xi: Variable de decisión
FUNCIÓN OBJETIVO
• Max (Z) = X1 + X2
Sujeto a:
2 X1 + 2 X 2 ≤ 8
6 X1 + 2 X2 18
2 X1 + 4 X2 ≤ 16
X1, X2 0
Tipos de Solución
Iteraciones
Cj 1 1 0 0 0
Ci XB X1 X2 S1 S2 S3 bi θi
0 S1 2 2 1 0 0 8 4
0 S2 6 2 0 1 0 18 3
0 S3 2 4 0 0 1 16 8
Cj - Zj 1 1 0 0 0 0
0 S1 0 4/3 1 -1/3 0 2 3/2
1 X1 1 1/3 0 1/6 0 3 6
0 S3 0 10/3 0 -1/3 1 10 3
Cj - Zj 0 2/3 0 -1/6 0 3
1 X2 0 0 3/4 -1/4 0 3/2
1 X1 1 0 -1/4 1/4 0 5/2
0 S3 0 1 -5/2 -1/2 1 5
Cj - Zj 0 0 -1/2 0 0 4
1 X2 1 1 1/2 0 0 4
0 S2 4 0 -1 1 0 10
0 S3 2 0 -3 0 1 10
Cj - Zj 0 0 -1/2 0 0 4
Sujeto a:
6 X1 + 8 X2 ≤ 24
20 X1 = 10X2
8 X1 - 4 X2 ≤ 16
X 1, X2 0
Tipos de Solución
Iteraciones
Cj 4 8 0 -M 0
Ci XB X1 X2 S1 A2 S3 bi θi
0 S1 6 8 1 0 0 24 4
-M A2 20 -10 0 1 0 0 0
0 S3 8 -4 0 0 1 16 2
Cj - Zj 4+20M 8 -10M 0 0 0
0 S1 0 11 1 -3/10 0 24 24/11
1 X1 1 -1/2 0 1/20 0 0 -
0 S3 0 0 0 -2/5 1 16 -
Cj - Zj 0 10 0 -1/6 0
1 X2 0 1 1/11 -3/110 0 24/11
1 X1 1 0 1/22 2/55 0 12/11
0 S3 0 0 0 -2/5 1 16
Cj - Zj 0 0 -10/11 -M-4/55 0 240/11
Solución
Pivot
Iteración N° 1
=100
Cj 30 50 0 0
Ci XB X1 X2 S1 S2 bi θi
mínimo
0 S1 1 2 1 0 200 100
0 S2 1 1 0 1 140 140
=140
Cj -Zj 30 50 0 0 0
Semi Pivot
C1 – Z1 = 30 – 0x1 + 0x1
C2 – Z2 = 50 – 0x1 + 0x1
Semi Pivot
Iteración N° 2 Semi Pivot
Cj 30 50 0 0
Ci XB X1 X2 S1 S2 bi θi
50 X2 1/2 1 1/2 0 100 200
0 S2 1/2 0 -1/2 1 40 80
Cj -Zj 5 0 -25 0 5000
Pivot
PRÁCTICA DIRIGIDA
Max(z) = 3X1+5X2+4X3+S1+S2-MA3
Sujeto a:
3X1 + 7X2 - 3X3 + S1 = 120
4X1 – 5X2 + 2X3 + S2 = 80
2X1 + 3X2 + 5X3 + A3 = 20
X1 , X2, X3, S1, S2, A3 ≥ 0
Interacción 1
Cj 3 5 4 0 0 -M
Ci XB X1 X2 X3 S1 S2 A3 bi θi
0 S1 3 7 -3 1 0 0 120 -
0 S2 4 -5 2 0 1 0 80 40
-M A3 2 3 5 0 0 1 20 5
Cj - Zj 3+2M 5+3M 4+5M 0 0 0
Interacción 2
Cj 3 5 4 0 0 -M
Ci XB X1 X2 X3 S1 S2 A3 bi θi
0 S1 21/5 44/5 1 1 0 3/5 132 15
0 S2 16/5 -31/5 0 0 1 -2/5 72 -
4 X3 2/5 3/5 1 0 0 1/5 4 20/3
Cj - Zj 7/5 13/5 0 0 0 -4/5-M 16
Interacción 3
Cj 3 5 4 0 0 -M
Ci XB X1 X2 X3 S1 S2 A3 bi θi
0 S1 -5/3 0 -44/3 1 0 -7/3 220/3
0 S2 22/3 0 31/3 0 1 5/3 340/3
5 X2 2/3 1 5/3 0 0 1/3 20/3
Cj - Zj -1/3 0 -13/3 0 0 -M-5/3 100/3
Solución: Primera Evaluación
1. En el siguiente problema de programación lineal tiene múltiples soluciones
óptimas, unos de los puntos son: (X1 = 56/17, X2 = 45/17), (X1 = 0, X2 = 1)
encuentre otros dos puntos óptimos. (5 puntos)
Max (Z) = -12X1 + 24X2
Sujeto a:
5X1 + 7X2 35
- X1 + 2X2 < 2
X1, X2 > 0
Interacción 2
Cj 20 15 0 0 0 -M -M
Ci XB X1 X2 S1 S2 S3 A1 A3 bi θi
20 X1 1 1/2 -1/2 0 0 1/2 0 5/2 -
0 S2 0 7/2 -3/2 1 0 3/2 0 21/2 -
-M A3 0 1/2 1/2 0 -1 -1/2 1 1/2 1
Cj - Zj 1 5+1/2M 10+1/2M 0 -M -10-3/2M 0 50
Interacción 3
Cj 20 15 0 0 0 -M -M
Ci XB X1 X2 S1 S2 S3 A1 A3 bi θi
20 X1 1 1 0 0 -1 0 1 3
0 S2 0 5 0 1 -3 0 3 12
0 S1 0 1 1 0 -2 -1 2 1
Cj - Zj 0 -5 0 0 20 -M -20-M 60
6. Dada la tabla simplex inicial para un problema de programación lineal de
minimización que se muestra en la tabla, reconstruya la formulación del
problema original de programación lineal. (3 puntos)
Cj 20 10 0 0 5000000 5000000
Ci XB X1 X2 S1 S2 A2 A3 bi
0 S1 1 2 1 0 0 0 40
5000000 A2 3 1 0 0 1 0 30
5000000 A3 4 3 0 -1 0 1 60
Cj - Zj -34999980 -19999990 0 5000000 0 0
Solución
C1 C2 C3 C4
Max (Z) = 30 X1 + 50 X2 + 0 S1 + 0 S2
Sujeto a:
X1 + 2 X2 + 1 S1 + 0 S2 = 200
X1 + X2 + 0 S1 + 1 S2 = 140
X1 , X2, S 1, S2 ≥ 0
a) Forma algebraica b) Forma tabular
Variable
Coeficientes de la función objetivo: Lado
básica Ec. 30 50 0 0 derecho
XB X1 X2 S1 S2 bi
(1) X1 + 2 X2 + 1 S1 + 0 S2 = 200 S1 1 1 2 1 0 200
(2) X1 + X2 + 0 S1 + 1 S2 = 140 S2 2 1 1 0 1 140