You are on page 1of 73

UNIDAD 2 METODOS DE SOLUCIN

OBJETIVOS PARTICULARES DE LA UNIDAD


OBJETIVOS DEL PROGRAMA VIGENTE

2.1 MTODO GRFICO
2.1.1 INTRODUCCIN
En esta seccin se pretende obtener objetiva y grficamente la solucin de problema de Programacin
Lineal con dos variables de decisin con el fin de que el estudiante maneje los conceptos de la
programacin lineal con mayor sentido y pueda comprender el proceso de solucin de manera ms
fcil, del mtodo analtico que se ver; en el siguiente captulo. Debido a que las relaciones en un
modelo de Programacin Lineal, son dos desigualdades o inecuacin, y como se representa
grficamente en el sistema de ejes coordenados, se hace necesario recordar algunos puntos bsicos
de la geometra analtica.
A) Desigualdades
La representacin geomtrica de una desigualdad (inecuacin) de dos variables en el sistema de ejes
cartesianos es un semiplano, que est limitado por la recta asociada a la desigualdad, esto es:
Si a
1
X + a
2
Y ( ) b, entonces, la recta asociada a la desigualdad es a
1
X + a
2
Y = b
Entendemos como una desigualdad aquella relacin que es una expresin algebraica donde interviene
una relacin de orden del tipo:
i) Menor que a < b 16 < 25
ii) Menor o igual que a b X 10
iii) Mayor que a > b 15 > 8
iv) Mayor o igual que a b X 8
En la programacin lineal slo usaremos tres tipos de relacin de orden, el , = y , ya que no
tiene significado real las desigualdades del tipo > y < en forma estricta. El mtodo de solucin
grfica de la programacin lineal slo puede usarse cuando no hay ms de tres variables, porque no
podemos dibujar ms de tres dimensiones. A fin de relacionar las bases fundamentales de la
programacin lineal emplearemos el modelo del ejemplo 1.

Matemticamente se trata de resolver el siguiente problema, llamado de programacin lineal.
La ltima restriccin ( X1 0; X2 0 ), se llama condicin de no-negatividad, y evita que los resultados
de un absurdo negativo, que en este caso podra significar una produccin negativa (destruccin). Sin
embargo existen problemas reales, cuya naturaleza de las variables, pueden ser no-negativas, no-
positivas, o bien libres. Para poder resolver un problema analticamente es necesario transformar la
naturaleza de las variables de tal manera que ellas sean no-negativas, ahora bien, para no perder la
objetividad, aceptaremos en el mtodo grfico cualquiera de las naturalezas mencionadas.
Para este ejemplo, como X
1
y X
2
deben ser no-negativas, se refiere nicamente al cuadrante derecho
superior del sistema coordenado, tal como se indica en la siguiente Figura 1 (lo que se conoce en
geometra analtica, como primer cuadrante).

A continuacin se representa geomtricamente la interpretacin de las desigualdades:

Consideremos la primera restriccin X
1
+ 3X
2
24, cuya recta asociada es X
1
+ 3X
2
= 24.
Una de las maneras ms sencillas de representar en el plano la recta es a travs de sus intersecciones
con los ejes, esto es: Con el eje horizontal hacemos X
2
= 0, y sustituimos en la ecuacin:
X
1
+3(0) = 24 X
1
= 24; el punto que se genera es A(24,0).
Con el eje vertical, hacemos X
1
= 0, y sustituimos en la ecuacin:
0+3X
2
= 24 X
2
= 24/3 = 8; el punto que se genera es B(0,8). Para construir la representacin de la
ecuacin basta unir el punto A con el punto B mediante un segmento de recta. De igual forma lo
hacemos con las dems restricciones.
Como se estableci; que la representacin de una inecuacin es un semiplano, es necesario
determinar para cada restriccin (o recta asociada) el semiplano correspondiente. La forma de hacerlo
es seleccionar un punto arbitrario bien definido del plano que no pertenezca a la recta y se sustituyen
sus coordenadas en la desigualdad, si sta se satisface, ser; el semiplano que contenga a dicho
punto, en caso contrario ser; el semiplano opuesto.
Por lo tanto para la primera restriccin, podemos seleccionar al origen (hgase siempre lo mismo
cuando la recta no pasa por el origen, ya que as se simplifica el clculo) y sustituimos sus
coordenadas en la restriccin:
(0)+3(0) = 24 0 < 24, por lo que el origen satisface la restriccin, por lo tanto el semiplano es el que
contiene al origen.
Haciendo lo mismo para las otras dos restricciones, se obtienen los siguientes puntos:
a. Para la segunda restriccin:
X
1
+ X
2
= 10 ; las intersecciones son: C(0,10) ; D(10,0)
b. Para la tercera restriccin:
2X
1
+ X
2
= 16 ; las intersecciones son: E(0,16) ; F(8,0)





Graficando los puntos obtenidos se obtienen las rectas mostradas en la figura 2.

Figura 2


Se ha graficado en el primer cuadrante, ya que tanto X
1
como X
2
son 0, esto es, las condiciones de
no-negatividad establecen el cuadrante o cuadrantes donde se ha de construir la grfica. Por ejemplo
si X
1
0 y X
2
0, el cuadrante definido es el segundo, o bien, si X
1
0 y X
2
0, se define el cuarto
cuadrante, etc.
Ahora bien definiendo el rea del semiplano para cada una de las restricciones e interceptndola para
determinar los puntos comunes que satisfacen todas las restricciones a la vez se determina la
interseccin de todos los semiplanos, a sta rea resultante se le llama rea de factibilidad, o conjunto
de soluciones factibles, o conjunto convexo, o bien polgono convexo.
Para nuestro ejemplo el rea resultante es:


Del ejemplo anterior, la solucin ptima se obtiene sustituyendo las coordenadas de los vrtices del
rea de factibilidad (previamente determinadas como la interseccin entre dos rectas) en la ecuacin
de la funcin objetivo, Z = 20X + 30Y, y aquel punto cuyas coordenadas dan el mayor valor de Z, esa
es la solucin ptima.




Determinacin de las coordenadas de los vrtices de rea de factibilidad:
a) Determinacin de las coordenadas del vrtice G:
Resolvemos el sistema de ecuaciones 1 y 2:

Sustituyendo en la segunda ecuacin: X + Y = 10 X + 7 = 10 X = 3
De aqu que las coordenadas son G(3,7).
b) Las coordenadas del vrtice H son:
Resolvemos el sistema de ecuaciones 3 y 2:

Sustituyendo en la segunda ecuacin: X + Y = 10 6 + Y = 10 Y = 4
Por lo tanto las coordenadas son H(6,4).
Geomtricamente como se puede apreciar el rea de factibilidad est formada por los puntos B, G, H,
y O, en donde las coordenadas de los vrtices O, B, F, son; O(0,0), B(0,8), F(8,0). El valor de Z en
cada uno de los vrtices es
ZO = 20(0) + 30(0) = 0
ZB = 20(0) + 30(8) = 240
ZF = 20(8) + 30(0) = 160
ZH = 20(6) + 30(4) = 240
ZG = 20(3) + 30(7) = 270
Por lo que la funcin objetivo Z alcanza su mximo valor en el vrtice G, siendo la solucin del
problema: Z = 270; para X* = 3 & Y* = 7.
El rea de factibilidad o polgono convexo (conjunto de soluciones factibles), est formado por todas
las soluciones factibles al problema de programacin lineal.














Las reas de factibilidad pueden ser de la siguiente manera:

2.1.2 CLASIFICACIN DE SOLUCIONES BSICAS
Ahora geomtricamente definiremos aquellas soluciones que nos interesan para la solucin ptima del
problema, y stas son:
SOLUCIN BSICA.- Es toda solucin que se utiliza en la interseccin de cuando menos dos lneas
del grfico. El nmero mximo de soluciones bsicas est dado por:

De donde:
m = Es el nmero de restricciones.
n = Es el nmero de variables.
Factibles.- Son todas aquellas soluciones que se localizan en los vrtices del polgono convexo.
nica.- Son aquellas que estn determinadas por la interseccin de exactamente dos lneas del
plano.
Existentes.- Son todas aquellas que se pueden describir mediante un punto en el plano.
Restriccin redundante.- Es toda restriccin del modelo de P. L. que no contribuye al rea de
factibilidad, no forma parte del polgono convexo, es decir, que no lo delimita (bien puede ser eliminada
del modelo y no altera al rea de factibilidad, ni a la solucin del problema).
Degenerada.- Es aquella solucin bsica factible por la cual pasa una restriccin redundante.





Complementarias:
- Infactibles.- Son todas aquellas soluciones que se encuentran fuera de los vrtices del
polgono convexo.
- No nica.- Son aquellas que se localizan en el cruce de ms de dos lneas.
- Inexistentes.- Son todas aquellas que no pueden describirse mediante un punto en el plano.
ptima.- Es aquella solucin bsica que optimiza la funcin objetivo (es decir, es aquella que d el
valor mximo o mnimo de Z).

EJEMPLOS
Considerar el siguiente modelo de programacin lineal y determine lo que ha continuacin se pide:
Sea:
. : 2 (1)
2 (2)
2 4 (3)
4 (4)
0; 0
Max Z x y
s a x y
y
x
x y
x y
= +
+ >
s
s
+ s
> >

A) Identifique cada restriccin en el grfico y defina el conjunto de soluciones factibles.
B) Determine y seale el nmero mximo de soluciones bsicas y anote sus coordenadas.
C) Del punto anterior: Cuntas y cules son inexistentes?
D) Cules son: nicas, existentes e in factibles, a la vez?
E) Si hay restricciones redundantes diga cules son.
F) Dnde se maximiza la funcin? y Cunto vale?
Solucin:




- Se muestra en la grfica cada restriccin y el conjunto de soluciones factibles.
- son 15 soluciones bsicas
- Inexistentes (XIII, XIV, XV)
- nicas, existentes e in factibles son: I, V, VI
- Restriccin redundante: la 4
- Se optimiza la funcin en el punto (2,2)
Ejemplo: Se tienen los siguientes datos:

- Seale en la grfica el nmero correspondiente a cada restriccin e indique el rea de
factibilidad.
- Calcule el nmero mximo de soluciones bsicas e identifquelas en su grfica.
- De las obtenidas en (b), Cuntas y cules son: factibles. no nicas, existentes y degeneradas
a la vez?
- Cuntas y cules son inexistentes?
- Dnde se optimiza Z?
Solucin:
b)
( ) ( ) 5 2
7 7 6 5 7 6 42
21
52 52 52 2 2
m n m n
soluciones bsicas
m m n
+ + + | |
= = = = = = =
|
\ .

c) Soluciones factibles bsicas existentes (A, B, C); No nicas y degeneradas (B,C)
d) Inexistentes (XIX, XX, XXI)
e) Puntos Z = X2
A (1,2) = 2 Max; B (2,1) = 1 Min; C (0,1) = 1 Min
Grfica



























EVALUACIN

1. Considere el siguiente modelo de P. L. y correspondiente grfico.

1. El rea de factibilidad es:
a) Un punto b) El vaco c) Un polgono d) Una regin abierta e) Segmento de recta
2. El nmero mximo de soluciones bsicas es:
a) (6+2)!/6!2! b) 42 c) 5! /5!2! d) 21 e) 15
3. El nmero de soluciones bsicas nicas es:
a) 5 b) 6 c) 9 d) 15 e) Ninguna de las anteriores
4. El nmero de soluciones bsicas inexistentes es:
a) 0 b) 1 c) 2 d) 3 e) Ninguna de las anteriores
5. El nmero de restricciones redundantes es:
a) 0 b) 1 c) 2 d) 3 e) Ninguna de las anteriores
6. El rea de factibilidad esta dada por los puntos:
a) L, M, R b) R, L, U c) R, O, B, F, J d) L, R e) Ninguna de las anteriores
7. En el punto U se localiza(n) una(s) solucin(es) del tipo:
a) Factible y nica b) Factible e inexistente c)Degenerada d) Infactible y nica e)Ninguna de la anteriores
8. Las soluciones bsicas que son existentes, no-nicas e infactibles a la vez, se localizan en los puntos:
a) M, O, J b) R, T, B, F c) O d) U, M, J, L e) Ninguna de las anteriores
9. El valor de z ptimo es:
a) - 180/19 b) 44/5 c) -44 d) 8.8 e) Ninguna de las anteriores
10. La funcin objetivo se optimiza en el punto:
a) L b) U c) T d) R e) Ninguna de lasa anteriores
11. Las coordenadas (X1, X2) del punto T son
a) (4, -4) b) (12/19, -28/19) c) (28/19, -12/19) d) (4/5, -4/5) e) Ninguna de lasa anteriores
12. La degeneracin se presenta en:
a) L b) U c) R d) L, U e) Ninguna de lasa anteriores













2.1.3 EJERCICIOS

2.2 MTODO SIMPLEX
El mtodo simplex es un procedimiento algebraico, basado en la solucin de un sistema de ecuaciones
lineales no-homogneo el cual utilizar las herramientas del algebra lineal para resolverlo (mtodo
Gauss-Jordan).
El Dr. George Dantzing dio a conocer el algoritmo simplex o mtodo simplex que es un mtodo
numrico para optimizacin de problemas lineales, perteneciente a la clase ms general de algoritmos
de bsqueda.
Es necesario primeramente mencionar definiciones y postulados que fundamentan el mtodo
simplex
Como se vio en la unidad 2 el modelo de Programacin Lineal (PL), es un conjunto de relaciones
lineales, predominando las relaciones de desigualdad (o inecuaciones), conocidas como formas
equivalentes de un modelo de PL.
El procedimiento del mtodo simplex es un conjunto de pasos algebraicos de forma iterativa para
determinar la solucin del problema de PL, el inconveniente inicial es que el mtodo solo resuelve
problemas con restricciones del tipo , con el lado derecho no-negativo, cuando el modelo tiene
restricciones del tipo de o de ( = ) para poder salvar tal situacin, es necesario utilizar un artificio
llamado tcnica de variables artificiales, dos mtodos, como variantes del mtodo simplex, hacen
uso de este artificio como se mostrar en esta unidad que son: el mtodo doble fase y el mtodo
penal.
Finalmente debemos de considerar los casos especiales que se pueden identificar en los mtodos,
llamados:
- Solucin No-acotada
- Solucin ptima mltiple
- Solucin optima degenerada
- Solucin optima inexistente
Se exponen al trmino de la unidad ejemplos y ejercicios de cada caso, as como para cada mtodo de
los exhibidos.
2.2.1 DEFINICIONES Y POSTULADOS DE PL
SOLUCIN.- Es un conjunto de (n+m) cantidades xj o bien un vector:
que satisface el sistema de ecuaciones:
( 1 )
SOLUCIN FACTIBLE.- Es una solucin, que satisface ( 1 ) y adems satisface la condicin:
( 2 )
SOLUCIN BSICA.- Es una solucin, que satisface ( 1 ), obtenida al hacer variables
iguales a cero y resolver para las m variables restantes, siempre y cuando el determinante de los
coeficientes de las m variables, llamadas bsicas, sea diferente de cero.
SOLUCIN BSICAFACTIBLE.- Es un solucin bsica que tambin satisface ( 2 ), esto es, todas
las variables bsicas son no-negativas.
SOLUCIN BSICAFACTIBLE no-degenerada.- Es una solucin bsica factible con m variables
no-negativas.
SOLUCIN BSICAFACTIBLE degenerada.- Es una solucin bsica factible con menos de m
variables no-negativas.
SOLUCIN PTIMA.- Es una solucin bsica-factible, que optimiza la funcin objetivo, esto es, a:

TEOREMAS DE PL:
1.- El conjunto de todas las soluciones factibles de un problema de PL forma un conjunto convexo,
esto es;
: Conjunto convexo
2.- El valor de la funcin objetivo de un problema de PL alcanza su valor ptimo (mximo o mnimo),
en un punto extremo del conjunto convexo de soluciones factibles, esto es, en un vrtice del rea de
factibilidad. Si se optimiza en ms de un vrtice del rea de factibilidad, entonces se optimiza en todos
los puntos definidos por la combinacin convexa de ellos.
3.- Una condicin necesaria y suficiente para que un punto perteneciente al conjunto de
soluciones factibles sea un punto extremo (vrtice del rea de factibilidad), es que X sea una solucin
bsica factible que satisface el sistema:

Como se menciono en el mtodo grfico el nmero mximo de soluciones bsicas es:


Valores de las variables

diferentes de cero son llamados variables bsicas, y valores de las


variables

iguales a cero son llamadas variables no bsicas en el mtodo simplex.


2.2.1.1 FORMAS EQUIVALENTES DE UN MODELO DE PROGRAMACIN LINEAL.
Despus de la formulacin de un problema de programacin lineal, las siguientes etapas a considerar
en el mtodo para la obtencin de la solucin son, modificar el modelo y adaptarse a la forma cannica
o bien a la forma estndar. La primera es esencialmente til para la teora de la dualidad, y la segunda
es para desarrollar el procedimiento general para solucin de cualquier problema de programacin
lineal.







2.2.1.2 FORMA CANNICA

Caractersticas:
1. La funcin objetivo es para maximizar.
2. Todas las restricciones son del tipo ""
3. Todas las variables de decisin son no-negativas.
4. El modelo se puede expresar matricialmente.
NOTA: Si al menos una no se cumple no es forma cannica.

2.2.1.3 FORMA ESTNDAR

Caractersticas:
1. La funcin objetivo puede ser para maximizar o bien para minimizar.
2. Todas las restricciones son igualdades.
3. El lado derecho de las restricciones son cantidades no negativas.
4. Las variables de decisin son no negativas.
5. El modelo se puede expresar matricialmente.
La forma estndar es especialmente til para la presentacin de la informacin del problema de P.L. y
como preparacin de la tabla para obtener la solucin.

2.2.1.4 REGLAS DE EQUIVALENCIA (ALGEBRAICAS):
I.- Toda funcin objetivo de programacin lineal, cumple:
( ) ( ) Max Z Min Z bien Min Z Max Z = =
Ejemplo: Para probar la validez de la regla, considere:
{ } ( ) { } 8, 0, 3, 11 tan 11, 3, 0, 8 Z por lo to Z = =
( ) ( ) 11 11 11 Entonces el Max Z Min Z = = = =
( ) ( ) 8 8 8 Min Z Max Z = = = =



II.- Toda desigualdad invierte su sentido si se multiplica por (- 1).
Si ax b ax b si ax b ax b s > > s
Ejemplo: 4 < 10 - 4 > -10
III.- Toda ecuacin pude expresarse como un sistema de 2 desigualdades en sentido opuesto; esto es:
, , Si ax b ax b y ax b ax b y ax b o bien ax b y ax b ax b y ax b = > s s s s > s s
Ejemplo: Considere la ecuacin 3 2 7 x = , cuyas solucin es 3 x = ; por lo tanto, si se descompone
en dos desigualdades la solucin del sistema es igual a la solucin de la ecuacin, esto es:


( | | ) { }
3 2 7 3 2 7 3 2 7
3 7 2 3 7 2 3 7 2
3 9 3 9 3 9
3 3 3
, 3 3, 3
x x y x
x x y x
x x y x
x x y x
x x
= s >
= + s + > +
= s >
= s >
e e + =

La solucin del sistema de igual a la de la ecuacion.
IV.- a)Toda restriccin puede expresarse como una igualdad sumando una variable no negativa, al
lado izquierdo de la restriccin llamada variable de holgura.
, , 0 Si ax b ax h b tal que h s + = >
b) Toda restriccin del tipo puede expresarse como una igualdad restando del lado izquierdo
una variable no negativa llamada variable superflua o de supervit, esto es:
, , 0 Si ax b ax s b tal que s > = >

V.- Una variable libre (o no restringida en su valor) se puede expresar como la diferencia de dos
variables no negativas.
( ) , , , 0, 0
0 0 , 0 0 0 0
Si x es libre x x y z tal que y x
Si x y z y z si x y z y z y si x y z y z
e + = > >
< < < = = = > > >














2.2.1.5 EJEMPLOS

EJEMPLO 1: Dado el siguiente modelo, determinar su forma cannica y su forma estndar.

a) Forma cannica:

b) Forma estndar:
(Considerando el mismo cambio de variables que se propuso en la horma cannica)

Explicacin:
I.- Para obtener la forma cannica, las operaciones fueron:
a) Se aplica la 1 regla de Equivalencia para pasar del Min al Max
b) Se aplica la 3 regla de Equivalencia para transformar la segunda restriccin de igualdad a dos
restricciones del tipo , recordando que por ser el tipo de optimizacin del modelo original de Min , se
debe escribir primero la desigualdad de (la que se multiplica por -1 para invertir su sentido) y luego
la restriccin de
c) Se aplica la 2 regla de Equivalencia para invertir el sentido de la tercera restriccin.
d) Finalmente se hace el cambio de variable, para que se cumpla la condicin de que todas las
variables de decisin del modelo sean no-negativas.
II.- Para obtener la forma estndar, las operaciones fueron:
a) La funcin objetivo se deja igual, solo se hace el cambio de variables (as como en todo el modelo).
b) Se aplica la 4 regla de Equivalencia para convertir la desigualdad de la primera restriccin en
igualdad, agregando una variable de holgura (H1)
c) Para convertir en igualdad la tercera restriccin, primero se multiplica por 1, para que el lado
derecho de la restriccin sea no-negativo. Luego se aplica la 4 regla de Equivalencia para convertir la
desigualdad de la tercera restriccin en igualdad, agregando una variable de holgura (H2)
EJEMPLO 2: Obtenga la forma Cannica y la forma estndar, matricialmente del modelo dado.

Recordemos que se aplica la 3 regla de equivalencia para transformar la segunda restriccin en dos
desigualdades de sentido opuesto el orden de las desigualdades es
por el tipo de optimizacin (Max).


Para cumplir con las condiciones de no-negatividad se realiza el siguiente cambio de variables:

a) Forma cannica: Haciendo la sustitucin de variables se obtiene.










Matricialmente:
( )
1
2
3
4
5
6
1
2
3
4
5
6
1
2
3
4
5
6
4, 4, 0, 3, 1, 1
1 1 2 0 1 1 10
0 0 1 1 1 1 2
0 0 1 1 1 1 2
5 5 1 6 0 0 3
1 1 0 0 3 3 8
0
0
0
y
y
y
Max Z
y
y
y
y
y
y
y
y
y
y
y
y
y
y
y
| |
|
|
|
= |
|
|
|
|
\ .
| |
( | |
|
| (
|

| (
|
| ( s |
| (
|

| (
|
|
(
|
\ .
|
\ .
| |
|
|
|
> |
|
|
|
|
\ .
0
0
0
| |
|
|
|
|
|
|
|
|
\ .


b) Forma estndar:

( )
1
2
3
4
5
6
1
2
1
2
3
4
5
6
1
2
1
2
3
4, 4, 0, 3, 1, 1, 0, 0, 0
1 1 2 0 1 1 1 0 0 10
0 0 1 1 1 1 0 0 0 2
5 5 1 6 0 0 0 1 0 3
1 1 0 0 3 3 0 0 1 8
y
y
y
y
Max Z y
y
S
S
H
y
y
y
y
y
y
S
S
H
y
y
y
y
| |
|
|
|
|
|
|
=
|
|
|
|
|
|
\ .
| |
|
|
|
| ( | |
| | (

| | (
=
| | (
| | (

\ . |
|
|
|
\ .
4
5
6
1
2
0
0
0
0
0
0
0
0
0
y
y
S
S
H
| |
| |
|
|
|
|
|
|
|
|
|
|
|
|
>
|
|
|
|
|
|
|
|
|
|
|
|
\ .
\ .














EJERCICIOS
RESUELVA LOS SIGUIENTES PROBLEMAS POR MEDIO DE FORMAS EQUIVALENTES
1.- Dado el siguiente modelo, determine su: a) Forma Cannica; b) Forma estndar


2.- Dado el siguiente modelo determine: a) Forma Cannica; b) Forma estndar

1 2 3
1 2
1 3
2 3
1 2 3
5 2
. : 5
2 3 8
4 3
; 0; 0
Min Z x x x
s a x x
x x
x x
x libre x x
= +
+ >
+ =
s
s >

3. Considere el siguiente modelo y determine su forma cannica y su forma estndar.

4. Considere el siguiente modelo y determine su forma cannica y su forma estndar.
1 3
1 2 3
2 3
2
1 2 3
8
. : 5 5
2 0
4 3
0; ; 0
Max Z x x
s a x x x
x x
x
x x libre x
= +
+ >
+ =
s
s >

4. Considere el siguiente modelo y determine su forma cannica y su forma estndar.
1 3 4 5
1 2 3 5
2 3 4 5
1 2 4
1 2 3 4 5
8 3 4
. : 5 5
2 2 3 0
6 4 3 3
0; ; 0; 0; 0
Max Z x x x x
s a x x x x
x x x x
x x x
x x libre x x x
= + +
+ + >
+ + =
+ + s
s > s >



2.2.2. PROCEDIMIENTO DEL MTODO SIMPLEX
El Mtodo Simplex es el procedimiento analtico que nos permite resolver los problemas de
Programacin Lineal de manera algebraica, sin depender del nmero de variables y restricciones.
Para aplicarlo, el modelo debe estar en forma cannica, y el lado derecho de las restricciones debe de
ser valores no-negativos.
El conjunto de pasos del procedimiento del Mtodo Simplex se muestran abajo:
Paso I: Obtener la forma cannica del modelo dado.
Paso II: Se estandariza la forma cannica anterior.
Paso III: Considerar el sistema de ecuaciones lineales pasando todas las variables al lado izquierdo y
trminos independientes de lado derecho (la funcin objetivo se iguala a cero).
Paso IV: Con los coeficientes del sistema se forma la siguiente tabla (la tabla muestra la solucin del
problema = tabla inicial del mtodo = solucin trivial).
Paso V: Se selecciona como variable entrante a la base, aquella variable no bsica con el coeficiente
ms negativo, en el rengln de la funcin objetivo
Paso VI: Y como variable saliente de la base, es aquella variable, cuyo coeficiente (no-negativo) de la
columna de la variable entrante, genere el menor cociente al dividir el lado derecho de la tabla
(columna del valor de las variables bsicas) entre los elementos no-negativos de la columna de la
variable entrante.
Paso VII: El coeficiente que gener el menor cociente en el paso anterior, se le llama elemento pivote
de la tabla. Para realizar el cambio en la base, se transforma la columna de la variable entrante en una
columna elemental unitaria, haciendo uno al elemento pivote y cero a los dems elementos de la
columna.
Paso VIII: Regrese al paso V, hasta que todos lo elementos del rengln de la funcin objetivo sean no-
negativos, la tabla con tal caracterstica es la tabla ptima y la solucin que muestra es la solucin
ptima del problema dado.

2.2.2.1 EJEMPLOS
EJEMPLO 1: Considere el modelo siguiente, con el mtodo simplex obtener la solucin ptima.

I.- Forma cannica.


II.- Estandarizando la forma cannica.



III.- Considerar el sistema de ecuaciones lineales pasando todas las variables al lado izquierdo
y trminos independientes de lado derecho (la funcin objetivo se iguala a cero).


IV.- Con los coeficientes del sistema se forma la siguiente tabla (la tabla muestra la solucin
del problema = tabla inicial del mtodo = solucin trivial).
Vb Z

Zo
1 - 20 -30 0 0 0 0


0
0
0
1 3
1 1
2 1
1 0 0
0 1 0
0 0 1
24
10
16
1 -10 0 10 0 0 240


0
0
0
1/3 1
2/3 0
5/3 0
1/3 0 0
-1/3 1 0
-1/3 0 1
8
2
8
1 0 0 5 15 0 270


0
0
0
0 1
1 0
0 0
- 0
- 3/2 0
-5/2 1
7
3
3







SOLUCIN OPTIMA: Z = 270

= 3

= 7
- Se van determinando valores para las variables que deben ser no negativas.
- Los valores negativos no se toman en cuenta.
- El elemento pivote determinar la variable que saldr o dejar de ser bsica, entonces esa
columna se transformar de tal manera que todos los elementos sean cero, excepto el
elemento pivote (que siempre ser igual a 1).
- Cuando la tabla muestra en la funcin objetivo todos sus elementos en cero o no-negativos
ser una solucin ptima para Z, tal situacin se define como criterio de optimalidad.
EJEMPLO 2: Dado el siguiente modelo, obtenga su solucin ptima

1) Forma cannica. La segunda restriccin se multiplica por ( -1 )

Aplicando la primera regla de equivalencia a la funcin objetivo:
Min Z = -3W1 + 2W2 - Max (-Z) = 3W1 - 2W2
Se propone el siguiente cambio de variables:
W1 = X1 ; W2 = - X2 y sustituyendo en el modelo los cambios:


Estandarizando la forma cannica:

El modelo tiene restricciones del tipo ( ), por lo tanto se agregaran variables de holgura



Considerando solo el sistema de ecuaciones:


Vb Z

Zo
-1 -3 - 2 0 0 0


0
0
1 1
1 3
1 0
0 1
6
12
-1 0 1 3 0 18


0
0
0 1
0 2
1 0
- 1 1
6
6
La ltima tabla es una tabla ptima que muestra la solucin ptima, esto es, ( - Zo ) = 18, esto es Z = -
18 para x1 = 6; x2 = 0 Pero las variables originales son : w1 = x1 = 6 ; w2 = - x2 = 0

EJEMPLO 3: Dado el siguiente modelo, determine su solucin ptima.

Estandarizando la forma cannica:
Max Z = 4

+ 3

= 8
3

= 20
5

= 16

0 ,

0

Z - 4

= 0
2

+ 3

= 8
3

= 20
5

= 16






Vb Z

Zo
1 -4 -1 1 0 0 0 0


0
0
0
1 0 3
0 3 1
5 1 1
1 0 0
0 1 0
0 0 1
8
20
16
1 0 -1/5 9/5 0 0 4/5 64/5


0
0
0
0 -1/5 14/5
0 3 1
1 1/5 1/5
1 0 -1/5
0 1 0
0 0 1/5
8/5
20
16/5
1 0 0 28/15 0 1/15 4/5 212/15


0
0
0
0 0 43/15
0 1 1/3
1 0 2/15
1 1/15 -1/5
0 1/3 0
0 -1/15 1/5
92/15
20/3
28/15

Z = 212/15 SOLUCIN OPTIMA

= 28/15 ;

= 20/3






















EJERCICIOS
RESUELVA LOS SIGUIENTES PROBLEMAS POR MEDIO DEL MTODO SIMPLEX
1.- Obtenga la solucin ptima del siguiente modelo y conteste:

( ) El nmero de variables que contiene la tabla inicial (sin incluir Z) es:
a) 2 b) 3 c) 4 d) 5 e) 6
( ) Para resolver el problema las variables que se agregan son:
1. Dos holguras ( , )
2. Una holgura, una superflua y una original (H, S, )
3. Una holgura y una superflua (h, s)
4. Dos superfluas ( , )
5. Dos originales ( , )
( ) La base inicial esta formado por las variables:
1. (H, )
2. ( , )
3. ( , )
4. (H, S)
5. ( , );
( ) El valor ptimo de Z es igual:
a) - 32/3 b) - 8 c) 32/3 d) 9 e) 0
( ) El valor ptimo para y es, respectivamente:
a) = 6, = 8
b) = 4/3, = 10/3
c) = 10/3, = -4/3
d) = 3, = 5
e) Ninguna de las anteriores


2.- Se tiene el modelo siguiente, determine su solucin ptima, mediante el mtodo simplex:

3.- Resuelva el siguiente es un modelo de P. L.:

4.- Considere el siguiente modelo de PL y determine su solucin ptima:

5.- Dado el siguiente modelo de P. L, encuentre su solucin ptima.

6.- Dado el siguiente problema lineal, encuentre la tabla ptima:

7.- Dado el siguiente modelo, determine la solucin ptima



8.- Determine la solucin ptima del siguiente modelo de P.L.

Sugerencia: Primero use reglas de equivalencia
9.- Determine la solucin ptima del siguiente problema.


2.3 TCNICAS VARIABLES ARTIFICIALES
Esta tcnica consiste en agregar a las restricciones del tipo o de igualdad, una nueva variable
llamada variable artificial, cuya caracterstica fundamental es que su valor es cero.
Existen dos mtodos que utilizan tal tcnica, que son:
- El mtodo de la Doble Fase.
- El mtodo Penal o de la Gran M.
Cuando un problema no tiene solucin se detecta mediante estos mtodos, apareciendo al menos una
de las variables artificiales usadas diferentes de cero, esto es, que en la tabla ptima aparece al
menos una variable artificial.
Para aplicar alguno de los dos mtodos es necesario preparar el modelo dado, esto consiste en:
- Obtener la forma estndar del modelo a resolver
- Agregar las variables artificiales en las restricciones del tipo () y de igualdad
En este momento se puede elegir cualquiera de los dos mtodos para resolver el problema.

2.3.1 MTODO DOBLE FASE
Este mtodo consiste en dos fases.
PRIMERA FASE:
Consiste en resolver el siguiente problema:

Se pueden presentar las siguientes situaciones:
1. En la tabla ptima de este problema, al menos una de las variables artificiales se qued en la
base, entonces se termina el proceso y se establece que el problema no tiene solucin.
2. La tabla ptima no contiene variables artificiales (o sea todas las Wi son iguales con cero) el
problema tiene solucin y se pasa a la segunda fase.

SEGUNDA FASE:
Se considera la tabla ptima de la primera fase, se eliminan las columnas de las variables artificiales y
se reemplazan los coeficientes de la funcin objetivo original. Se itera de acuerdo al tipo de
optimizacin del problema original, la tabla ptima de esta segunda fase muestra la solucin del
problema original.
EJEMPLOS
Determine la solucin ptima, por el mtodo de la doble fase del siguiente modelo.

1. Primeramente se determina si el problema se puede resolver por el mtodo simplex, mediante
la estandarizacin del modelo, de otra manera se utiliza variables artificiales.
2. En este ejemplo se puede observar que las variables que se resta (la var. superflua) en la
segunda restriccin del modelo no puede generar la base inicial.
3. Por lo tanto, para construir la tabla inicial se agregan las variables artificiales, a la forma
estndar.


= son variables artificiales que mantenemos en la base.



PRIMERA FASE: Se resuelve el problema de la primera fase.


Se pasan las variables del lado izquierdo, igualando a cero la funcin objetivo.
1. Con los coeficientes del sistema de ecuaciones se construye la tabla inicial.
2. Como se puede observar la tabla inicial presenta la anomala de que las columnas de las
variables Artificiales no son elemental unitarias, por lo tanto antes de iterar para optimizar la
tabla, se recuperar lo elemental unitario de las columnas, mediante operaciones elementales
entre renglones.
3. Se optimiza cuando ya no existen valores positivos o cero en el rengln de la funcin objetivo.

TABLA DE LA PRIMERA FASE:
Vb Z

Zo
1 0 0 0 0 -1 -1 0


0
0
1 1 1
2 -5 1
0 1 0
-1 0 1
7
10
1 3 -4 2 -1 0 0 17


0
0
1 1 1
2 -5 1
0 1 0
-1 0 1
7
10
1 0 7/2 1/2 1/2 0 -3/2 2


0
0
0 7/2 1/2
1 -5/2 1/2
1/2 1 -1/2 -
1/2 0 1/2
2
5
1 0 0 0 0 -1 -1 0


0
0
0 1 1/7
1 0 6/7
1/7 2/7 -1/7
-1/7 5/7 1/7
4/7
45/7

S existe solucin. Se debe obtener lo siguiente en la segunda etapa a partir de la tabla ptima de la
fase anterior:
1. Se eliminan las columnas de las variables artificiales.
2. Las columnas de las variables bsicas deben ser elementales unitarias
3. Seleccin del coeficiente ms negativo ya que la funcin objetivo en el problema original es
para maximizar.
4. Se optimiza cuando ya no existan valores positivos en el rengln de zj - cj o bien sean ceros.
5. Se itera hasta alcanzar la tabla ptima, que mostrar la solucin ptima del problema.

TABLA DE LA SEGUNDA FASE:
Vb Z

S Zo
1 -2 -3 1 0 0
X2
X1
0
0
0 1 1/7 1/7
1 0 6/7 -1/7
4/7
45/7
1 0 0 22/7 1/7 102/7
X2
X1
0
0
0 1 1/7 1/7
1 0 6/7 -1/7
4/7
45/7

Z* = 102/7 SOLUCIN OPTIMA;

= 45/7 ;

= 4/7 ;

= 0



EJEMPLO 2:
Determinar la solucin mediante el mtodo de la Doble Fase del siguiente modelo:

Solucin:


PRIMERA FASE:
Vb Z

Zo
1 0 0 0 0 0 -1 -1 0


0
0
1 1 2
3 1 1
-1 0 1 0
0 -1 0 1
20
30
1 4 2 3 -1 -1 0 0 50


0
0
1 1 2
3 1 1
-1 0 1 0
0 -1 0 1
20
30
1 0 2/3 5/3 -1 1/3 0 -4/3 10


0
0
0 2/3 5/3
1 1/3 1/3
-1 1/3 1 -1/3
0 -1/3 0 1/3
10
10
1 0 0 0 0 0 -1 -1 0


0
0
0 2/3 1
1 1/5 0
-3/5 1/4 3/5 -1/5
1/5 -2/5 -1/5 2/5
6
8







SEGUNDA FASE:

Vb Z

Zo
1 -24 -10 -16 0 0 0


0
0
0 2/5 1
1 1/5 0
-3/5 1/5
1/5 -2/5
6
8
1 0 6/5 0 -24/5 -32/5 288



0
0
0 2/5 1
1 1/5 0
-3/5 1/5
1/5 -2/5
6
8
1 0 0 -3 -3 -7 270*


0
0
0 1 5/2
1 0 -1/2
-15/10 -1/2
5/10 -1/2
15
5

Solucin:

= 270;

= 5;

= 15;

= 0
EJERCICIOS
RESUELVA LOS SIGUIENTES PROBLEMAS POR MEDIO DEL MTODO DE LA DOBLE FASE
1.- Mediante el mtodo Doble Fase resuelva el siguiente problema:

2.- Encuentre la solucin ptima del siguiente modelo de programacin lineal. Utilice el
Mtodo Doble Fase






3.- Resuelva por el Mtodo Doble Fase el siguiente problema:


4.- Aplicando el Mtodo Doble Fase, determine la solucin ptima de:

5.- Determine la solucin ptima del siguiente problema. Utilice el Mtodo Doble Fase


6.- Resuelva por el Mtodo Doble Fase el siguiente problema:

7.- Usando el Mtodo Doble Fase, determine la solucin ptima del siguiente Modelo de P.L.





8.- Resuelva el siguiente problema de P.L. Utilice el Mtodo Doble Fase y conteste
correctamente:

( ) El mtodo adecuado para resolver el problema es:
1. El penal
2. Simples
3. El grfico
4. Doble fase
5. El dual-simplex

( ) El nmero de variables en total que se necesitan para resolver el
Problema (incluyendo las originales) son:
a) 5 b) 3 c) 6 d) 7 e) Ninguna de las Anteriores
( ) La tabla inicial muestra una anomala que es:
1. No se encuentran las variables superfluas en la base
2. Las columnas de las variables artificiales no son elementales
3. Contiene la base puras variables artificiales
4. La tabla no contiene variables de holgura
5. El valor de las variables originales son cero
( ) El valor de Z ptimo es:
1. 2/3
2. 88/3
3. 440/3
4. 60
5. 120
( ) Las variables bsicas ptimas son:
1. ,
2. ,
3. , ,
4. ,
5. ,


( ) El valor de las variables bsicas ptimas es:
1. 8/3, 2/3
2. 8, 6
3. 8/3, 0, 2/3
4. 40, -2/3
5. 30, 25, 0
9.- A partir del programa lineal
1. Plantear la forma estndar y la tabla inicial para cada uno de los mtodos: penal, doble fase y
dual simplex.
2. Indique para cada una, la variable entrante y la variable saliente. No los resuelva.
3. Escriba la forma dual del programa lineal original.
4. Identifique el caso especial



11.- Encuentre la solucin ptima del siguiente modelo de P.L. utilizando la tcnica de las
variables artificiales. Use el Mtodo Doble Fase

12.- Resuelva el siguiente problema por las tcnicas de las variables artificiales. Utilice el
Mtodo Doble Fase






( ) La solucin ptima es una solucin:
1. Degenerada
2. Infactible
3. Inexistente
4. No acotada
5. ptimas mltiples

( ) El nmero de variables artificiales necesarias para resolver el problema:
1. Cero
2. Una
3. Dos
4. Tres
5. Cuatro.
( ) El nmero total de variables (de todo tipo, excluyendo la Z), que tiene la tabla simplex es:
1. Tres
2. Cinco
3. Siete
4. Nueve
5. Ninguna de las anteriores.
( ) La caracterstica fundamental que tiene la tabla ptima es:
1. Variables bsicas iguales a cero
2. Variables bsicas artificiales
3. Variables bsicas negativas
4. No tiene variables bsicas
5. Ninguna de las anteriores.
( ) Al utilizar la tcnica de variables artificiales, el mtodo ms adecuado es:
1. Grfico
2. Simples
3. Penal
4. Dual- Simplex
5. Algoritmo de transporte.






13.- En un problema de programacin lineal. Resolviendo por el mtodo de dos fases se lleg a la
siguiente tabla.
Z

Z0
Vb. 1 0 - 1 - 1 0


0
0
0
1/5 3/5 - 1/5
- 3/5 - 4/5 3/5
1 1 - 1
3/5
6/5
0
Si la F.O. fue Min Z = 4x1 + x2 encuentre la sol., ptima si sta existe.
14.- Utilizando variables artificiales resuelva el siguiente problema de P.L. y conteste cada una de las
preguntas. Utilice el Mtodo Doble Fase

( ) En la tabla inicial, el nmero de variables (excluyendo a Z) son:
1. dos
2. tres
3. cuatro
4. cinco
5. seis
( ) Las variables bsicas iniciales, respectivamente son:
1. Superflua (Holgura Negativa) y Artificial
2. Artificial
3. Superflua y Holgura
4. Artificial y Holgura ( Holgura Positiva)
5. Ninguna de las anteriores
( ) La primera variable entrante a la base, en la tabla inicial es:
1.
2.
3. Superflua
4. Holgura
5. Artificial





( ) Las variables bsicas ptimas respectivamente son:
1. Artificial y
2. y
3. y Holgura
4. y Superflua
5. y Superflua
( ) El valor de las variables bsicas optimas son respectivamente:
1. (9, 1)
2. (10, 2)
3. ( 8,10 )
4. ( 2, 9 )
5. Ninguna de las anteriores

15.- Solucione el siguiente modelo de programacin lineal, por la tcnica de las variables artificiales.
Utilice el Mtodo Doble Fase


2.3.2 MTODO PENAL
Este mtodo consiste en penalizar las variables artificiales sobre la funcin objetivo mediante un
coeficiente muy grande M, en donde, M , (+M si el problema es para minimizar y - M si el
problema es para maximizar).
Se complementa la estandarizacin. Se hace con las variables artificiales en las restricciones del tipo
o bien de igualdad. Si el problema es de maximizar: se restan todas las variables artificiales. Se itera
al igual que en el mtodo simplex hasta alcanzar la tabla ptima. Si aparece al menos una variable
artificial en la base en la tabla ptima, entonces se dice que el problema no tiene solucin. En otro
caso, la solucin que muestra la tabla ptima es la solucin ptima del problema dado.
NOTA: Este mtodo sirve para problemas donde necesariamente son indispensables las variables
artificiales.






EJEMPLOS: Resolver el siguiente problema de P. L.

1) Estandarizar el modelo:

2) Agregando las variables artificiales:


3) Haciendo aparecer las variables artificiales en la funcin objetivo multiplicadas por (+M):

4) Considerando solamente el sistema de ecuaciones e igualando a cero la funcin objetivo:



5) Formando la tabla inicial, con los coeficientes de las variables del sistema de ecuaciones
Vb Z

Zo
1 -2 -4 -1 0 -M 0 -M 0


0
0
0
1 2 -1
2 -1 2
-1 2 2
1 0 0 0
0 1 0 0
0 0 -1 1
5
2
1
1 M-2 M-4 4M-1 0 0 -M 0 3M
H


0
0
0
1 2 -1
2 -1 2
-1 2 2
1 0 0 0
0 1 0 0
0 0 -1 1
5
2
1
1 3M-5 -3M-3 0 0 0 -1/2 -2M+1/2 M/2+1/2
H


0
0
0
2 3 0
3 -3 0
-1/2 1 1
1 0 -1/2 1/2
0 1 1 -1
0 0 -1/2 12
5+1/2
1
1/2
1 0 -11/2 0 0 -M+5/6 1/3 -M-1/3 4/3
H


0
0
0
0 7/2 0
1 -1 0
0 1/2 1
1 -1/6 -2/3 2/3
0 1/3 1/3 -1/3
0 1/6 -1/3 1/3
16/3
1/3
2/3
1 -1 -9/2 0 0 -M+1/2 0 -M 1
H
S


0
0
0
2 3/2 0
3 -3 0
1 -1/2 1
1 1/2 0 0
0 1 1 -1
0 1/2 0 0
6
1
1
La ltima tabla (tabla ptima) muestra la solucin ptima del problema:

= 1, para

= 0;

= 1
2.4 CASOS ESPECIALES
En la Programacin Lineal se identifican algunos problemas como casos especiales del mtodo
simplex, por las caractersticas de sus soluciones, dichos problemas pueden ser identificados a partir
de las tablas del Mtodo Simplex.
Los casos especiales a considerar son:
1. Degeneracin.
2. Solucin ptima no acotada.
3. Solucin ptima mltiple.
4. Solucin ptima inexistente.
2.4.1 DEGENERACIN
Se presenta cuando al menos una de las variables bsicas es igual a cero. Esto es fcil de identificar
en la tabla del mtodo simplex.
Se consideran dos tipos de degeneracin, la degeneracin temporal y la degeneracin ptima, la
primera consiste en que la degeneracin (variables bsicas iguales a cero en la tabla) slo aparece en
tablas intermedias y no en la tabla ptima, mientras que la degeneracin ptima aparece en la tabla
ptima.
No necesariamente la degeneracin temporal implica una degeneracin de la solucin ptima.
La degeneracin es ms una caracterstica de la de solucin bsica que una alteracin al mtodo,
identificado el caso no se interrumpe el proceso de solucin.

2.4.2 SOLUCIN PTIMA NO ACOTADA
Este caso est asociado siempre a una regin abierta como rea de factibilidad, lo contrario no es
vlido.
Geomtricamente se identifica cuando entre ms se alejan los puntos del rea de factibilidad del
origen el valor de la funcin objetivo aumenta de manera ilimitada, se dice que Z tiende a (infinito)
Se identifica en el mtodo simplex cuando los elementos de la columna de la variable entrante, todas
son no positivos. Identificando el caso no es necesario seguir iterando, puesto que su solucin se va
al infinito.

2.4.3 SOLUCINES PTIMAS MLTIPLES
Este caso corresponde grficamente a la situacin de paralelismo entre la representacin grfica de la
funcin objetivo y una de las restricciones del modelo no redundante, de tal manera que al optimizarse
la funcin objetivo en ms de un vrtice del rea de factibilidad se optimizar tambin en todos los
puntos del segmento de recta definido por ellos.
Se puede identificar en las tablas del mtodo simplex, cuando al hacer (0) al coeficiente de la variable
entrante de la funcin objetivo se hace (0) en forma simultnea otro coeficiente de una o ms variables
no bsicas de la misma funcin objetivo.
Identificado el caso en las tablas del mtodo analtico, se continua tableado , introduciendo a la base
ptima cada una de las variables no bsicas cuyo coeficiente en la funcin objetivo se hizo cero de
manera simultnea y as obtener todas las soluciones ptimas.
Un problema de solucin ptima mltiple tiene a lo ms tantas soluciones ptimas como ceros
simultneos se hayan obtenido al hacer cero el coeficiente de la variable entrante en el rengln de la
funcin objetivo, a lo ms n, donde n es el nmero de variables del modelo.
Cuando los coeficientes de una de las restricciones son proporcionales a los coeficientes de la funcin
objetivo es un indicio para saber que se trata del caso especial de soluciones ptimas mltiples.

2.4.4 SOLUCIN PTIMA INEXISTENTE
Este caso ocurre geomtricamente cuando el rea de factibilidad es el vaco, esto es la interseccin de
los semiplanos que representan a las restricciones, es el vaco.
En el Mtodo Simplex este caso se identifica cuando al menos una de las variables artificiales es
diferente de cero en la tabla ptima.
Esto slo puede ocurrir en el Mtodo Penal o en la Primera Fase del Mtodo Doble Fase.

GRFICA DE ESTE CASO (Variables artificiales 0).

L EN DONDE K > L
EJERCICIOS
Resuelva el siguiente modelo de P.L. e identifique algn caso especial, justificando con lo observado
en la tabla simplex.

Resuelva el siguiente problema de P.L. por el mtodo penal e identifique algn caso especial en la
tabla simplex.

Considere el siguiente problema:

Muestre que a la solucin A, este problema es no acotada mostrando que el dual es infactible y el
primal factible.
Suponga que el problema primal no se verifica en cuanto a factibilidad, sera posible llegar a esta
conclusin, por qu?.
Usando el mtodo simplex encuentre dos soluciones ptimas del siguiente modelo de P.L.

Considere los siguientes modelos de P.L.

( ) El modelo (1) se puede identificar como el caso especial:
A) Degeneracin parcial
B) Soluciones ptimas mltiples
C) Solucin ptima No- Acotada
D) Solucin ptima inexistente
E) Solucin ptima degenerada.
( ) El modelo (2) se puede identificar como el caso especial:
A) Solucin ptima No- Acotada
B) Degeneracin parcial.
C) Solucin ptima Degenerada
D) Solucin ptima inexistente.
E) Soluciones ptimas mltiples.
( ) La solucin ptima para el problema (1) es:
A) Z = Infinito
B) Z = 10
C) Z = 100/3
D) Z = 250
( ) La solucin ptima para el problema (2) es:
A)

= 100/3
B)

= 10/3
C)

= Infinito
D)

= 20
E)

= 10.
( ) La variable que sale de la base en la primera tabla del problema. (1)
A)


B) Ninguna
C)


D)


E)


( ) Es tambin una base ptima

= 4;

= 2;

= 27/3, del problema


A) Uno
B) Tanto del uno como del dos
C) Dos
D) De ninguno.
( ) El valor de las variables bsicas que optimizan el problema. (2) son:
A) 56/3, 10/3, 35/3
B) 12, 20, 15
C) 25, 31, 40
D) 4, 0, 100/3.


( ) El valor de las variables bsicas que optimizan el problema. (1) son:
A) 0, 25, 40
B) 25, 60, 80
C) 2/3, 16/3, 13/3
D) 1, 5, 0
E) Ninguno de los anteriores.
Considere los dos siguientes modelos de P.L. y conteste las preguntas:


( ) El modelo (1) es un caso espacial del tipo:
A) Degenerado
B) Infactible
C) No- acotado
D) Inexistente
E) ptimas mltiples

( ) El modelo (2) es un caso espacial del tipo:
A) Degenerado
B) Infactible
C) No- acotado
D) Inexistente
E) ptimas mltiples.
( ) El valor ptimo de la funcin objetivo en el modelo (1) es:
A) 120
B) 10
C) Infinito (no-acotada)
D) 96
E) Ninguna de las anteriores.
( ) El valor ptimo de la funcin objetivo en el modelo (2) es:
A) 10
B) Infinito (no acotada)
C) 100
D) 32
E) Ninguna de las anteriores.
( ) La base ptima del modelo (2) es:
A) B) ; C) ; D) ; E) Ninguna de las anteriores.


Obtenga las soluciones ptimas de los dos modelos siguientes y diga cada caso que tipo de solucin
ptima se obtiene.

EVALUACIN
A partir de los siguientes problemas, contesta la EVALUACIN
I.- Considere el siguiente modelo y determine su forma cannica y estndar; contestando las
preguntas correspondientes en la evaluacin:

II.- Obtenga la solucin ptima del siguiente modelo y conteste en la evaluacin:

III.- Considere el siguiente problema de Programacin Lineal y conteste los reactivos correspondientes
en la evaluacin:

IV.- Considere la tabla y conteste los reactivos propios de la evaluacin.
Vb Z

S W Z0
1 M2 4-3M 0 8+1/3M 0 0 -2M+100 2M -100 - 4M+300


0
0
0
0 2 0 1
- 2 4 0 6
0 1 1 - 1
1 0 - 1 1
0 1 - 1 - 1
0 0 1 - 1
8
0
2





2.5 PROBLEMA DE TRANSPORTE
El Problema de Transporte es muy importante en toda empresa que desea distribuir sus productos,
porque su solucin aporta el menor costo total de realizar tal distribucin.
El Problema de Transporte consiste bsicamente en m localidades con una disponibilidad de oferta,
de las cuales se enva un bien (producto) a n ubicaciones interesadas en recibir el bien (producto),
manifestando as un requerimiento o necesidad denominada como demanda del bien, esto implica que
el envo de una unidad desde cualquier localidad llamado origen, a cualquier ubicacin llamado
destino, tenga un costo marginal (costo unitario) asociado.
El objetivo del Problema de Transporte es: determinar el nmero de unidades del bien (producto) que
se deben enviar de cada origen a cada destino, de tal manera que el costo total de envo sea mnimo.
Por sus caractersticas el Problema de Transporte es un problema especial de la Programacin Lineal,
de tal forma que fue necesario crea sus propios algoritmos de solucin, ya que siendo de PL el Mtodo
Simplex y sus variantes resultan poco eficientes para resolverlo, en esta unidad, veremos
primeramente el Modelo General del Problema de Transporte en donde expondremos sus
principales caractersticas, para despus considerar los diferentes (tres) Mtodos de Obtencin de la
SBFI (Solucin Bsica Factible Inicial) y as poder ver los Mtodos de Obtencin de la Solucin
ptima, finalmente consideraremos el Caso Degenerado del Problema de Transporte
En general el Problema de Transporte esta desbalanceado, esto es, el total de unidades que se
ofrecen o se disponen en todos los orgenes es diferente al total de unidades que se demandas por
todos los destinos. Esta situacin impide que se pueda resolver el problema, sin embargo como se
ver ms adelante resulta sencillo corregir dicha situacin y convertirlo en un problema balanceado, lo
que quiere decir que toda unidad que se ofrezca siempre habr un destino que la requiera.
El envo del bien o producto define un flujo de mercanca de los diferentes orgenes a los diferentes
destinos, pudindose representar mediante el grfico de una red. Este flujo es en un solo sentido ya
que suponemos que no existen devoluciones de la mercanca.

2.5.1 MODELO GENERAL DE TRANSPORTE
El problema de transporte consiste en colocar en varios destinos, las unidades situadas en varios
orgenes, en tal forma que la colocacin sea ptima (costo mnimo o ganancia mxima).
Matemticamente, el problema se define de la siguiente manera:
El problema que se quiere resolver es:

s.a.

; i = 1,..., m


; j = 1,..., n



donde ai y bj son nmeros enteros positivos, i = 1, . . ., m ; j = 1, . . ., n.
La explicacin se facilita si se establecen dos matrices, una de costos y otra de flujos, tal como se
muestra a continuacin:




ORIG DESTINOS
1 2 . n
OFTA
1
2
...
...
m

. . .

. . .


. . . . . .
. . . . . .

. .


.
.


DEDA COSTOS

. . .



ORIG DESTINOS
1 2 . . . n
OFE
1
2
.
.
m

. . .

. . .


. . . . . .
. . . . . .
Xm1 Xm2 . . . Xmn


.
.


DEM FLUJOS

. . .



En el caso de que la oferta total sea mayor que la demanda total, es decir:

Entonces se aade un centro de consumo artificial n+1 cuya demanda b n+1 es:

Y cuyos costos unitarios Ck , k=1,. . . ,m son todos ceros. Por otro lado, si la demanda total excede de
la oferta total, es decir:

Entonces se aade un centro de oferta artificial m+1 cuya capacidad de oferta am+1 es:

Y cuyos costos unitarios cm+1 k=1,..., n son todos ceros.








Tubularmente se tiene:
ORGENES DESTINOS
1 2 . . . n
OFERTA
1
2
.
.
m

. . .

. . .


. . . . . .
. . . . . .

. .


.
.


m + 1 0 0 . . . 0 n m


j=1 i=1
DEMANDA COSTOS

. . .




2.5.2 MTODOS DE OBTENCIN DE LA SBFI (Solucin Bsica Factible Inicial)

Cuando un Problema de Transporte (PT) real est desbalanceado, aadiendo ya sea orgenes o
destinos artificiales, se le balancea y as se satisface la condicin necesaria y suficiente para que el
problema tenga solucin.
Una vez que un problema de transporte est balanceado, se requiere una solucin inicial que sea
bsica y factible. Hay varios mtodos para lograr esta solucin:
1. Mtodo de la esquina noroccidental
2. Mtodo del Costo Mnimo
3. Mtodo de Vogel
Posteriormente se explicar el algoritmo de optimizacin del Problema de Transporte.
Es necesario primero definir una SBFI, para ello damos las siguientes definiciones:
Solucin Factible.- Para que una solucin al Problema de Transporte sea factible se debe de cumplir:
1).- El problema debe estar balanceado, esto es, la oferta total es igual a la demanda total:

2).- La suma de las asignaciones o envo de cada origen, debe ser igual a su oferta, esto es:

Y la suma de las asignaciones o envo que recibe cada destino, debe ser igual a su demanda, esto es:

Solucin Bsica.- Es toda solucin del problema de transporte con a lo ms m+n-1 asignaciones
diferentes de cero (variables bsicas)

Solucin Bsica Factible.- Es toda solucin factible que cumple: el nmero de asignaciones
diferentes de cero es igual o menor a m+n-1, en donde m es el nmero de orgenes y n el nmero de
destinos.
SBFI (Solucin Bsica Factible Inicial).- Es toda solucin obtenida por cualquiera de los mtodos
mencionados arriba.
2.5.2.1 MTODO DE LA ESQUINA NOROCCIDENTAL
El punto de partida es una matriz con orgenes, destinos, ofertas y demandas de un problema
balanceado tal como se muestra a continuacin:
ORGENES DESTINOS
1 2 . . . n

OFERTA
1
2
.
m


DEMANDA

...... . . .


Para obtener una solucin bsica factible del problema se empieza a construir una matriz de flujos de
la siguiente manera:

Paso 1:
En la posicin (1,1), que es el extremo noroccidental de la matriz, asgnese el min (a1,b1) = X11.
Rstese X11 de la oferta a1 y de la demanda b1. Obviamente, alguna de estas dos cantidades se
convertir en cero.
Paso 2:
Si a1 se convierte en cero, psese a la posicin (2,1) y hgase X21 = min (b1 - X11 , a2). Si por otro
lado es b1 el que se convierte en cero en el paso anterior, se pasa a la posicin (1,2) y X12 = min (a1
- X11 , b2).
Paso 3:
Continese con la misma lgica hasta llegar a la posicin (m, n). La matriz de flujos que se obtenga
ser factible y bsica para (PT).
EJEMPLOS
Se suponen 4 orgenes y 5 destinos con las ofertas y demandas que se muestran a continuacin:

Ofertas: 40, 60, 90, 50 = 240
Demandas: 30, 40, 70, 40, 60 = 240





Ver la ilustracin grfica del problema:

ORGENES
DESTINOS
1 2 3 4 5

OFERTA
1
2
3
4


40
60
90
50
DEMANDA 30 40 70 40 60 240
Ntese que el problema est balanceado porque la oferta total es igual a la demanda total, igual a 240
unidades. A continuacin se obtiene una solucin bsica factible inicial, utilizando el mtodo del
extremo noroccidental.

Paso 1:

= min (

) = min (40,30) = 30,


= 40 - 30 = 10,
b1 = b1 -

= 30 - 30 = 0,
y se pasa a la posicin (1,2).
Paso 2:

= min (

) = min (10,40) = 10,


= 10 - 10 = 0,

= 40 - 10 = 30,
y se pasa a la posicin (2,2).
Paso 3:

= min (

) = min (60,30) = 30,


= 60 - 30 = 30,

= 30 - 30 = 0,
y se pasa a la posicin (2,3).
Paso 4:

= min (

) = min (40,30) = 30,


= 30 - 30 = 0,

= 70 - 30 = 40,
y se pasa a la posicin (3,3).

Paso 5:

= min (

) = min (90,40) = 40,


= 90 - 40 = 50,

= 40 - 40 = 0,
y se pasa a la posicin (3,4).
Paso 6:

= min (

) = min (50,40) = 40,


= 50 - 40 = 10,

= 40 - 40 = 0,
y se pasa a la posicin (4,5).


Paso 7:

= min (

) = min (10,60) = 10,


= 10 - 10 = 0,

= 60 - 10 = 50,
y se pasa a la posicin (4,5).
Paso 8:

= min (

) = min (50,50) = 50,


(ltimo)

= 50 - 50 = 0,

= 50 - 50 = 0.

A continuacin se ilustra grficamente el mtodo. Los pasos son de acuerdo a la secuencia de las
flechas.
MATRIZ DE FLUJOS

ORGENES
DESTINOS
1 2 3 4 5

OFERTA
1
2
3
4

30 10

30 30

40 40 10

50
40 10 0
60 30 0
90 50 10 0
50 0
DEMANDA 30 40 70 40 60
0 30 40 0 50
0 0 0

La solucin inicial es bsica porque hay m+n-1 (4+5-1 = 8) flujos Xij 0, el resto, es decir, m x n -
(m+n-1), o sea 12, son ceros.
La solucin es factible porque satisface las restricciones de oferta. Por otro lado la solucin inicial es
no-degenerada porque hay exactamente m+n-1 flujos en la base que son positivos.
Este mtodo es muy sencillo, siendo su nica desventaja que el punto extremo de la regin de
factibilidad de (PT) asociado a la solucin inicial bsica factible as obtenida, est bastante alejado de
la solucin ptima, es decir, que de aqu a obtener la solucin ptima se requieren muchas
iteraciones. Esto, en tiempo de computadora puede ser bastante costoso.
2.5.2.2 MTODO DEL COSTO MNIMO

Al igual que los mtodos anteriores de la generacin de soluciones bsicas factibles iniciales,
este mtodo se inicia balanceando el Problema de Transporte, en caso de ser necesario, igualando la
oferta total con la demanda total, mediante un origen o destino ficticio.

El procedimiento es como sigue:

Paso 1: En la matrz de costos del problema, se selecciona la posicin del menor costo, en
caso de empate, se selecciona la posicin en donde se puede hacer una mayor asignacin.

Paso 2: En la matrz de flujos o asignaciones, en la pocin seleccionada del paso anterior se
asigna el menor de la oferta y la demanda que afectan a dicha posicin.

Paso 3: Tanto a la oferta como a la demanda de la posicin se resta la cantidad asignada.

Paso 4: El rengln y/o columna, cuya oferta y/o demanda se anulan, se elimina(n) en la matrz
de cotos, quedando una matrz reducida.

Paso 5: Regrese al paso 1, hasta alanzar las (m+n-1) asignaciones de la SBFI, quedando como
seal del proceso una matrz de costo reducida totalmente, esto es, todas las columnas y renglones de
la matrz quedaron eliminadas.

Paso 6: Finalmente se determina el costo total asociado a la solucin obtenida, como la suma
de los productos de las variables bsicas por sus costos asociados.

2.5.2.3 MTODO DE VOGEL

El mtodo de Vogel proporcionar una solucin bsica factible inicial ms cercana al punto
ptimo de un problema de transporte. Al igual que en el mtodo anterior, este mtodo se inicia
balanceando el Problema de Transporte.

Paso 1:
Construya una matriz de costos y de flujos asociados al problema balanceado y vyase al paso 3.

Paso 2:
Utilice el remanente de la matriz de costos y flujos una vez que estos ltimos se hayan asignado.

Paso 3:
Se entiende por diferencia de fila (de columna) a la diferencia que hay entre los dos nmeros ms
pequeos que existen en la fila. Calclese todas las diferencias de fila y de columna de la matriz de
costos.

Paso 4:
Seleccinese aquella fila o columna con mayor diferencia. Los empates se deciden arbitrariamente.

Paso 5:
Localcese el costo ms pequeo en la matriz de costos en la fila o columna seleccionada en el paso
anterior. Sea esta la posicin C
ij

Paso 6:
En la matriz de flujo hgase X
ij
= min (a
i
,b
j
), donde la posicin (i,j) se identific en el paso anterior.
Hgase la oferta ai igual a a
i
-X
ij
y la demanda b
j
igual a b
j
-X
ij
.

Paso 7:
Si a
i
-X
ij
= 0, llnese la fila i de la matriz de flujos con ceros, a excepcin de la posicin (i,j) y elimnese
esa fila de cualquier consideracin futura. Por otro lado, si b
j
-X
ij
= 0, llnese la columna j de la matriz
de flujos con ceros a excepcin de la posicin (i,j) y elimnese esa columna de cualquier consideracin
futura. Regrese al paso 2.










2.5.3 MTODOS DE OPTIMIZACIN DEL PROBLEMA DE TRANSPORTE
Los mtodos de optimizacin del Problema de Transporte estn formados por dos etapas o fases que
son:
1. Prueba de optimalidad de una solucin dada: En esta etapa del mtodo se inicia
determinando una solucin inicial por cualquiera de los mtodos conocidos para ello, esta
solucin inicial (SBFI) debe de ser no-degenerada ya que es requisito para realizar el proceso
de la prueba de optimalidad. En caso de ser degenerada (nmero de asignaciones menor a m
+ n 1) debe de agregarse tantas asignaciones iguales a cero (convenientemente escogidas)
como sea necesario de tal forma que el nmero de asignaciones de la solucin sea igual m +
n 1. Si al final de esta etapa la solucin probada es ptima se termina el proceso de solucin,
en caso contrario se contina con la siguiente etapa.
2. Generacin de una nueva solucin: Siendo no ptima la solucin dada, en esta etapa se
genera una nueva solucin bsica factible, habindose cumplido con ello una iteracin del
mtodo. Se repite la etapa (I) hasta obtener la solucin ptima. Son varios los mtodos de
optimizacin del Problema de Transporte, algunos de ellos son los que este material presenta:
1. Mtodo de los Multiplicadores (tambin llamado Algoritmo de Transporte)
2. Mtodo del Banquillo
3. Mtodo Galovi (es una variacin del mtodo de los Multiplicadores)
2.5.3.1 MTODO DE LOS MULTIPLICADORES
Paso 1:
Balancese el problema original, a fin de que se consiga la condicin necesaria y suficiente
para obtener una solucin ptima, es decir


a b
i
i
m
j
j
n
= =

=
1 1


Paso 2:
Genrese una solucin inicial que sea bsica y factible, ya sea utilizando el mtodo de Vogel o
del extremo noroccidental.


Paso 3:
Constryase una matriz de costos c
ij
, asociada a la solucin bsica factible que se tenga,
donde:

c
ij
= c
ij
, si X
ij
est en la base.
c
ij
= 0 , si X
ij
no est en la base.

Paso 4:
Con esta matriz de costos, calclese el valor de todas las variables duales u
i
y v
j
;

Donde i = 1, ..., m ; y j = 1, ..., n, utilizando la frmula:
u
i
+ v
j
- c
ij
= 0 ; i = 1, ..., m ; y j = 1, ..., n


Como hay m + n variables, y solamente m + n - 1 ecuaciones u
i
+ v
j
- c
ij
= 0 , existe un
grado de libertad. Esto equivale a darle un valor arbitrario (valor cero) a cualquiera de las variables
duales y as queda por resolver un sistema de m + n - 1 ecuaciones con m + n - 1 variables.

Paso 5:
Los parmetros z
ij
- c
ij
se calcula por medio de la ecuacin:

z
ij
- c
ij
= u
i
+ v
j
- c
ij
.

Como se estn usando reglas de minimizacin, si z
ij
- c
ij
s 0 para toda i y j, la solucin actual
es ptima. En caso contrario, la X
ij
correspondiente a la z
ij
- c
ij
ms positiva entra a la base. Para
guardar consistencia por la programacin lineal se utilizan las reglas de maximizacin.

En este caso: z
ij
- c
ij
= c
ij
- (u
i
+ v
j
)

Si todas las z
ij
- c
ij
> 0 , la solucin actual es ptima. En caso contrario, se introduce a la base la X
ij

correspondiente a la z
ij
- c
ij
ms negativa.



Paso 6:
Si la variable X
ij
entra a la base con un cierto valor positivo q, la oferta a
i
y la demanda b
j
se
desequilibrarn en un valor u, a menos de que exista, un mecanismo de compensacin. Antes de
sealar cul es ste, se ilustra el desequilibrio mencionado.

Considrese que la solucin bsica factible actual es la que se indica a continuacin.

1 . . . . . . j . . . . . . . n Oferta

1

.
i
.
m
X
11
X
ij


u X
in

X
m1
X
mn

a
1

.
a
i

.
a
m

Demanda b
1
. . . . . . b
j
. . . . . .b
n


La solucin es bsica, porque m+n-1 = 5 (una suposicin), y es factible porque:

X
11
+ X
1j
= a
1

X
in
= a
i

X
m1
+ X
mn
= a
m

X
11
+ X
m1
= b
1
. . . (a)

X
ij
= b
j

X
in
+ X
mn
= b
n
S
X
11
> 0 , X
1j
> 0 , X
in
> 0 , X
m1
> 0 , X
mn
> 0 .

Se supone que z
ij
- c
ij
es la ms negativa y por consiguiente, X
ij
entra a la nueva base con un
determinado valor u > 0. Tabularmente se tiene lo siguiente:

Si u > 0 , esta nueva solucin ya no es bsica, porque hay m+n (6 en este caso) elementos
en la base y no m+n-1 , como deberan haber. La solucin tampoco es factible, porque por un lado la
oferta del origen i es mayor que a
i
, de hecho es:

u + X
in
= u + a
i
> a
i
,

Y por el otro la demanda del destino j, es:

u + X
1j
= u + b
j
> b
j
,

Existe un desequilibrio que nicamente puede desaparecer si se resta y suma u unidades en
ciertas partes de la matriz de flujos. Un pequeo anlisis permite construir un circuito, tal como se
muestra a continuacin:

1 . . . . . . . . . j . . . . . . . n Oferta

1

.
i
.
m
X
11
+u X
1j
-u

u X
in
-u

X
m1
-u X
mn
+u
a
1

.
a
i

.
a
m

Dem b
1
. . . . . . . b
j
. . . . . . . .b
n

Flujos

En donde en ciertas partes se ha sumado el valor de u y en otras se ha restado. Lo importante
es que se ha regenerado la factibilidad, ms no lo bsico.

En efecto:

X
11
+ u + X
1j
- u = a
1

u + X
in
- u = a
i

X
m1
- u + X
mn
+ u = a
m

X
11
+ u + X
m1
- u = b
1
X
ij
- u + u = b
j

X
in
- u + X
mn
+ u = b
m


Que son iguales a las condiciones (a).

Para que esta nueva solucin sea bsica, es decir, que solamente existan m+n-1 elementos en
la base, u debe ser lo suficientemente grande como para reducir el valor de uno o varios flujos bsicos
a cero. Si se analiza la matriz anterior, se ve que si u aumenta, los siguientes flujos disminuyen:

X
1j
, X
in
, X
m1


Por lo tanto:

u = Min (X
1j
, X
in
, X
m1
)

El circuito formado anteriormente y el valor de u, corresponde a las ecuaciones
respectivamente. Este circuito es nico.
EJEMPLOS
Resuelva el problema de transporte que tiene tres orgenes con capacidad de 40, 60 y 90 unidades
respectivamente; 5 destinos con demandas de 30, 40, 70, 40 y 60 unidades respectivamente y los
costos unitarios dados en la siguiente tabla:




Origen
Destinos
1 2 3 4 5

Oferta
1
2
3
20 19 14 21 16
15 20 13 19 16
18 15 18 20 M
40
60
90
Dem 30 40 70 40 60
Costos
240

Por razones fsicas el origen 3 no puede surtir al destino 5.
Solucin:
Primero, como el origen 3 no surte al destino 5, se hace

= M>>0 , en que M es un nmero positivo


muy grande.
PRIMERA ITERACIN:
Paso 1:
El problema est balanceado, puesto que la oferta total es menor a la demanda total en 50 unidades.
En efecto:
<
Por lo tanto, para balancear el problema se agrega un origen artificial con una oferta igual a 240-
190=50 unidades, y con costos C4j=0, j=1,..,5. El problema ya balanceado presenta la siguiente
matriz de costos:

Orgenes
Destinos
1 2 3 4 5

Oferta
1
2
3
(Artificial) 4
20 19 14 21 16
15 20 13 19 16
18 15 18 20 M
0 0 0 0 0
40
60
90
50
Demanda 30 40 70 40 60
Costos
240



Paso 2: Utilizando el mtodo de Vogel se obtiene la siguiente solucin inicial factible bsica con costo
total de $3,010.

Orgenes
Destinos
1 2 3 4 5

Oferta
1
2
3
4
40
30 20 10
40 50
40 10
40
60
90
50
Demanda 30 40 70 40 60
Flujos
240
Paso 3: Se construye una matriz de costos

, donde:

= 16

= 15

= 15

= 18

= 13

= 0

= 16

= 0
El resto de las

= 0. Se asocia las duales

con orgenes (i = 1, . . . 4) y las

(j = 1,. . .5) con los


destinos.

Orgenes
Destinos
1 2 3 4 5

Oferta
1
2
3
4
16
15 13 16
15 18
0 0
u1
u2
u3
u4
Demanda


Costos

Paso 4: Dndole a

un valor arbitrario de cero, se pueden calcular los valores de



,

+

= 0 ; o sea

=

= 15 - 0 = 15

= 0 ; o sea

= 13 - 0 = 13

= 0 ; o sea

= 16 - 0 = 16
Conocidos v1, v3 y v5 , se pueden calcular u1, u3 y u4.
-

= 0 ; o sea

- v5 = 16 - 16 = 0
-

= 0 ; o sea

- v5 = 0 - 16 = -16
-

= 0 ; o sea

- v3 = 18 - 13 = 5

De manera similar, se obtienen los valores de las variables duales restantes.
-

= 0 ; o sea

= 0 - (-16) = 15
-

= 0 ; o sea

= 15 - 5 = 10
En resumen:

= 0

= 15

= 0

= 10

= 5

= 13

= -16

= 16

= 16
Paso 5: Utilizando la frmula zij - c ij = c ij - (ui + vj) (reglas de maximizacin) para toda i, j que no
est en la base se obtienen los indicadores en optimalidad.

- (

) = 20 - (0 + 15) = 5

=

- (

) = 19 - (0 + 10) = 9

- (

) = 14 - (0 + 13) = 1

- (

) = 21 - (0 + 16) = 5

- (

) = 20 - (0 + 10) = 10

- (

) = 19 - (0 + 16) = 3

- (

) = 18 - (5 + 15) = -2

- (

) = 20 - (5 + 16) = -1

=

- (

) = M - (5 + 16) = M - 21

- (

) = 0 - (-16 + 15) = 1

=

- (

) = 0 - (-16 + 10) = 6

- (

) = 0 - (-16 + 13) = 3
Como zij - c ij = -2 < 0 ; es la ms negativa, por lo que X31 entra a la base.
Paso 6: El circuito correspondiente de las ecuaciones anteriores queda representado a continuacin
tabularmente.

Org
Destinos
1 2 3 4 5

Oferta
1
2
3
4
40

20+
10
40 50-
40 10
40
60
90
50
Dem 30 40 70 40 60 240
El valor de q proviene del mnimo de aquellos flujos que disminuyen al aumentar q, es decir:
q = Min (30, 50) = 30


Por lo tanto, la nueva solucin es:

Org
Destinos
1 2 3 4 5

Oferta
1
2
3
4
40
50 10
30 40 20
40 10
40
60
90
50
Dem 30 40 70 40 60
Flujos
240
El costo asociado a esta solucin es:
$ 3,010 + X31 (z31 - c31) = $ 3,010 + 30(-2) = $ 2,950.
Se regresa al paso 3.
SEGUNDA ITERACIN:
Pasos 3 y 4: Tabularmente se representa a la nueva matriz con elementos `cij y a los valores duales
ui y vj

Orgenes
Destinos
1 2 3 4 5

1
2
3
4
16
13 16
18 15 18
0 0

= -5

= -5

= 0

= -21
v1=18 v2=15 v3=18 v4=21
Costos








Paso 5: Tabularmente se representa a la matriz con los elementos

- (

).

Orgenes
Destinos
1 2 3 4 5

1
2
3
4
7 9 1 5

2 10 3
-1 M-21
3 6 3

Costos
Como

= -1 < 0 es el ms negativo,

entra a la nueva base.


Paso 6: El circuito correspondiente queda representado tabularmente a continuacin:

Org
Destinos
1 2 3 4 5

Oferta
1
2
3
4
40
50+ 10-
30 40 20-
40- 10+
40
60
90
50
Dem 30 40 70 40 60
Flujos
240
El valor de es por lo tanto: = Min (10, 40, 20) = 10
La nueva solucin es:

Org
Destinos
1 2 3 4 5

Oferta
1
2
3
4
40
60
30 40 10 10
30 20
40
60
90
50
Dem 30 40 70 40 60
Flujos
240
Con costo de:
$ 2,950 + X34 (z34 - c34) = $ 2,950 + 10(-1) = $ 2,940.
Se regresa al paso 3.
TERCERA ITERACIN:
Pasos 3 y 4: Tabularmente se representa a la nueva matriz de elementos

y a los valores

.

Orgenes
Destinos
1 2 3 4 5

1
2
3
4
16
13
18 15 18 20
0 0

= -4

= -5

=0 (arbitrario)

= -20

=18

=15

=18

=21

=20
Costos

Paso 5: Tabularmente se representa a la matriz con los elementos..

, calculados de

=

- (

).

Orgenes
Destinos
1 2 3 4 5

1
2
3
4
6 8 0 5

2 10 4 1
M-20
2 5 2

Costos
Como todas las

para i y j que no estn en la base son positivas, la solucin anterior es


ptima. En resumen, la solucin ptima es:
-

=40 ,

=60 ,

=30 ,

=40 ,

=10 ,

=30 ,

=20 ,

=10.
- Las restantes

= son cero.
- El costo mnimo de transportes es $2,940.
El problema presentaba una oferta total de 190 unidades y una demanda total de 240 unidades. Esto
representa una demanda insatisfecha de 50 unidades. La manera ptima de no satisfacer esta
demanda es precisamente dejando insatisfecho al centro de consumo 4 en 30 unidades (flujo

) y al
centro de consumo 5 en 20 unidades (flujo

).


2.5.3.2 MTODO DEL BANQUILLO DEL PROBLEMA DE TRANSPORTE

Este mtodo es probablemente el ms sencillo para obtener la solucin ptima del Problema de
Transporte.

Al igual que todos los mtodos de optimizacin del Problema de Transporte este mtodo
consiste de dos fases, en la primera se prueba la optimalidad de una solucin dada, en la segunda se
genera otra solucin Bsica Factible a partir de la solucin:

Primea fase (Prueba de Optimalidad):

Paso 1: Determine una Solucin Bsica Factible (SBFI) por cualquier mtodo.

Paso 2: Se determina para cada variable no-bsica de la solucin dada su circuito de
compensacin, este circuito se construye con desplazamientos horizontales y verticales solamente
dentro de la matriz de flujo o asignaciones, haciendo vrtice (esquina) en las variables bsicas de la
solucin, el circuito es nico.

Paso 3: Se determina el incremento del costo para cada variable no-bsica de la solucin,
mediante la suma y resta alternada de los costos asociados a las variables bsicas de los vrtices del
circuito de compensacin, para cada variable no-bsica. Si el incremento

0, para toda variable


no-bsica, entonces la solucin mostrada es ptima y termina el proceso. En caso contrario pase a la
segunda fase.

Segunda fase (Generacin de una nueva solucin)

Paso 4: Seleccione la posicin de la variable no-bsica cuyo incremento

sea el ms
negativo y asigne en dicha posicin un valor > 0.

Paso 5: Reste y sume de manera alternada a las variables bsicas colocadas en los vrtices
del circuito de compensacin de la variable no-bsica de la posicin.

Paso 6: Determine el valor de como: { }

=
ij
x Min u , en donde

ij
x son las asignaciones o
variable bsicas donde se rest .

Paso 7: Sustituya el valor de en la solucin probada y obtenga la nueva solucin Bsica
Factible y determine el costo total asociado.

Paso 8 : Regrese al paso 2.







EJEMPLOS
La siguiente tabla muestra la matriz de costos de un problema de transporte, determine la solucin
ptima por medio del Mtodo del Banquillo.

Or\De 1 2 3 Ofe
1
2
3
40 90 10
80 60 70
20 10 30
200
500
500
Dem 600 200 300
El problema est desbalanceado, agregamos un destino ficticio, para balancear con costos iguales a
cero.

Or\De
1 2 3 4 Ofe
1
2
3
40 90 10 0
80 60 70 0
20 10 30 0
200
500
500
Dem 600 200 300 100


1.- Determinamos una SBFI no-degenerada, por el Mtodo de la Esquina NO., cuyo costo total es:

= 40(200)+80(400)+60(100)+10(100)+30(300)+0(100) = $ 56 000

Or\De
1 2 3 4 Ofe
1
2
3
200
400 100
100 300 100
200
500
500
Dem 600 200 300 100




2.- Determinamos los circuitos de compensacin para cada variable no-bsica:

= {

= {

= {

= {

= {

= {

}
3.- Se determina el incremento del costo para cada variable no-bsica:

= 70;

= - 30;

= - 10;

= - 10;

= - 50;

= - 10, la solucin mostrada no es


ptima y el incremento ms negativo corresponde a la variable

por lo tanto en su posicin


asignamos . En donde = Min {100, 100} = 100
Or\De 1 2 3 4 Ofe
1
2
3
200
400 100-
100+ 300 100-
200
500
500
Dem 600 200 300 100
4.- Sustituyendo = 100, dando una solucin degenerada, es necesario dejar el valor de cero en la
posicin

para convertir la solucin en no-degenerada, cuyo costo total es

= $ 51 000
Or\De 1 2 3 4 Ofe
1
2
3
200 0
400 100
200 300
200
500
500
Dem 600 200 300 100
Regresamos al paso dos. Calculamos los circuitos de manera semejante a la iteracin anterior y
calculamos los incrementos de los costos para las variables no-bsicas.

= 100;

= 40;

= 30;

= 20;

= - 40;

= 20;
La posicin con el incremento ms negativo, corresponde a

, asignamos


Or\De 1 2 3 4 Ofe
1
2
3
200 0
400 100
200 300
200
500
500
Dem 600 200 300 100
Restando y sumando en los vrtices del circuito:
Or\De 1 2 3 4 Ofe
1
2
3
200- 0+
400 100
200 300-
200
500
500
Dem 600 200 300 100
En donde = Min {200, 300} = 200. Sustituyendo = 200,
Or\De 1 2 3 4 Ofe
1
2
3
200

400 100
200 200 100
200
500
500
Dem 600 200 300 100
Dando una solucin no-degenerada, cuyo costo total es

= $ 43 000
Regresamos al paso dos. Calculamos los circuitos de manera semejante a la iteracin anterior y
calculamos los incrementos de los costos para las variables no-bsicas.

= 40;

= 100;

= 80;

= - 10;

= - 20;

= 60;
La posicin con el incremento ms negativo, corresponde a

, asignamos y sumamos y restamos


en los vrtices.




Or\De
1 2 3 4 Ofe
1
2
3
200
400- 100
200+ 200 100-
200
500
500
Dem 600 200 300 100
En donde = Min {400, 100} = 100. Sustituyendo = 100,
Dando una solucin no-degenerada, cuyo costo total es

= $ 41 000
Or\De 1 2 3 4 Ofe
1
2
3
200

300 100 100
300 200
200
500
500
Dem 600 200 300 100
Regresamos al paso dos. Calculamos los circuitos de manera semejante a la iteracin anterior y
calculamos los incrementos de los costos para las variables no-bsicas.

= 20;

= 80;

= 60;

= - 10;

= 20;

= 60;
La posicin con el incremento ms negativo, corresponde a X22 , asignamos y sumamos y restamos
en los vrtices.
Or\De 1 2 3 4 Ofe
1
2
3
200

300- 100 100
300+ 200-
200
500
500
Dem 600 200 300 100





En donde = Min {300, 200} = 200. Sustituyendo = 200,
Or\De 1 2 3 4 Ofe
1
2
3
200

100 200 100 100
500
200
500
500
Dem 600 200 300 100
Dando una solucin no-degenerada, cuyo costo total es

= $ 29 000
Regresamos al paso dos. Calculamos los circuitos de manera semejante a la iteracin anterior y
calculamos los incrementos de los costos para las variables no-bsicas.

= 20;

= 90;

= 60;

= 10;

= 20;

= 60;
Como todos los incrementos son No- Negativos la solucin mostrada es ptima
2.5.3.3 MTODO DE OPTIMIZACIN GALOVI
Este mtodo es una variacin al de los multiplicadores difundido ampliamente, consiste que mediante
una tabla o matriz de los coeficientes de las ecuaciones obtenidas por los generadores y el
de incrementos del costo de las variables no bsicas del problema . Se resuelva el
problema sin tener que interactuar con las ecuaciones directamente, sino con los coeficientes, tal como
se muestra en el siguiente ejemplo.
EJEMPLOS
Dada la siguiente matriz de costos que representa un problema de trasporte, determine la solucin
ptima aplicando la variacin del mtodo de los multiplicadores:
Ori 1 2 3 4 Ofer
1 80 40 90 10 600
2 90 70 30 20 100
3 10 60 40 85 700
Dem 300 500 400 200








El modelo de Transporte es:

Como primer paso es determinar una Solucin Bsica Factible Inicial No-degenerada por cualquiera
de los mtodos conocidos, para este ejemplo usaremos el mtodo de la Esquina Noro-
Occidental:

Ori
1 2 3 4 Ofer
1 300 300 600
2 100 100
3 100 400 200 700
Dem 300 500 400 200
Segundo Paso.- Utilizando el generador y con las posiciones de las variables bsicas de
solucin inicial, se establecen las ecuaciones:

Formando la primera Tabla o Matriz de coeficientes:
Var. Bs i j Val. De

Val. De

Ter. Ind.
1 1 1 40 40 80
2 1 2 40 0 40
3 2 2 70 0 70
4 3 2 60 0 60
5 3 3 60 - 20 40
6 3 4 60 25 85




Inicialmente las columnas de

estn vacas. Tanto en el segundo rengln, como en el tercero y


cuarto, se asigna el valor de cero a la variable

= 0, por ser de las que mas veces se repiten en


el sistema de ecuaciones (tres veces). El valor de

se determina como la resta del trmino


independiente y el valor de

= 0; esto es: u1 = 40 0 = 40, conocido el valor de

= 0 en el tercer
rengln, se determina de igual forma el valor de

= 70 0 = 70, en el cuarto rengln al igual que em


los dos anteriores renglones, se observa que

= 60 0 = 60, en este momento como ya se conoce el


valor de

= 40, en el primer rengln, se puede determinar el valor de

= 80 -

= 80 40 = 40
(diferencia entre el trmino independiente del primer rengln y el valor de

), de manera semejante en
el quinto rengln el valor de

= 40

= 40 60 = -20 y por ltimo en el sexto rengln, el valor de

= 85 -

= 85 60 = 25, as es como quedan determinados valores de las variables duales (

).
El tercer paso es determinar el incremento del costo de cada variable no-bsica y para ello usamos la
tabla complementaria, tal como se muestra abajo:
Var. No-bs i J Val. De

Val. De



1 1 3 40 - 20 90

= 90 (40 - 20) = 70
2 1 4 40 25 10

= 10 65 = - 55
3 2 1 70 40 90

= 90 110 = - 20
4 2 3 70 - 20 30

= 30 60 = - 20
5 2 4 70 25 20

= 20 95 = - 75
6 3 1 60 40 10

= 10 90 = - 90
Debido a existen incrementos negativos la solucin dada no es ptima, como lo establece el mtodo
de los multiplicadores se debe generar una nueva solucin. Como se muestra en la tabla el incremento
ms negativo corresponde a:

= 10 90 = - 90, por lo tanto se hace la asignacin de q > 0; en la


posicin (3, 1) de la solucin bsica factible inicial, quedando la nueva solucin como:
Ori 1 2 3 4 Ofer
1 300 - 300 + 600
2 100 100
3 100 - 400 200 700
Dem 300 500 400 200
El valor de = min {300, 100}= 100, sustituyendo se obtiene la siguiente solucin bsica factible no-
degenerada:
Ori 1 2 3 4 Ofer
1 200 400 600
2 100 100
3 100 400 200 700
Dem 300 500 400 200


Regresamos al primer paso: Utilizando las posiciones de las variables bsicas para la siguiente. Tabla:
Var. Bs i j Val. De

Val. De

Ter. Ind.
1 1 1 20 60 80
2 1 2 20 20 40
3 2 2 50 20 70
4 3 1 0 60 60
5 3 3 0 40 40
6 3 4 0 85 85


Var. No-bs i J Val. De

Val. De



1 1 3 20 40 90 c13 = 90 (20 + 40) = 30
2 1 4 20 85 10 c14 = 10 105 = - 95
3 2 1 50 60 90 c21 = 90 110 = - 20
4 2 3 50 40 30 c23 = 30 90 = - 60
5 2 4 50 85 20 c24 = 20 135 = - 115
6 3 2 0 20 60 c31 = 60 20 = 40
Como se muestra en la tabla el incremento ms negativo corresponde a:

= 20 135 = - 115, por


lo tanto se hace la asignacin de > 0; en la posicin (2, 4) de la solucin bsica factible inicial,
quedando la nueva solucin como:
Ori 1 2 3 4 Ofer
1 200- q 400+q 600
2 100 - q q 100
3 100+q 400 200 - q 700
Dem 300 500 400 200
El valor de = min {200, 100, 200}= 100, sustituyendo se obtiene la siguiente solucin bsica factible
es no degenerada:
Ori 1 2 3 4 Ofer
1 100 500 600
2 100 100
3 200 400 100 700
Dem 300 500 400 200


Regresamos al primer paso: Utilizando las posiciones de las variables bsicas para la sig. Tabla:
Var. Bs i j Val. De

Val. De

Ter. Ind.
1 1 1 70 10 80
2 1 2 70 -30 40
3 2 4 -65 85 20
4 3 1 0 10 10
5 3 3 0 40 40
6 3 4 0 85 85


Var. No-bs i J Val. De

Val. De



1 1 3 70 40 90 c13 = 90 (70 + 40) = -20
2 1 4 70 85 10 c14 = 10 105 = - 145
3 2 1 -65 10 90 c21 = 90 +55 = 145
4 2 2 -65 -30 70 c22 = 70 95 = - 25
5 2 3 -65 40 30 c23 = 30 + 25 = 55
6 3 2 0 -30 60 c32 = 10 20 = 40
Como se muestra en la tabla el incremento ms negativo corresponde a:

= 10 155 = - 145, por


lo tanto se hace la asignacin de > 0; en la posicin (1, 4) de la solucin bsica factible inicial,
quedando la nueva solucin como:
Ori 1 2 3 4 Ofer
1 100- q 500 q 600
2 100 100
3 200+q 400 100 - q 700
Dem 300 500 400 200
El valor de = min {100, 100}= 100, sustituyendo se obtiene la siguiente solucin bsica factible es
degenerada, por lo que debemos seleccionar una variable

no bsica y asignarle el valor de cero


para convertirla en una variable bsica, se recomienda seleccionar a una

no bsica con el menor


costo asociado, como podemos observar es la que corresponde a la posicin (2, 3):
Ori 1 2 3 4 Ofer
1 500 100 600
2 0 100 100
3 300 400 700
Dem 300 500 400 200
Regresamos al primer paso: Utilizando las posiciones de las variables bsicas para la sig. Tabla:
Var. Bs i j Val. De

Val. De

Ter. Ind.
1 1 2 0 40 40
2 1 4 0 10 10
3 2 3 10 20 30
4 2 4 10 10 20
5 3 1 20 -10 10
6 3 3 20 20 40

Var. No-bs i J Val. De

Val. De



1 1 1 0 -10 80 c11 = 80 (0 - 10) = 90
2 1 3 0 20 90 c13 = 90 20 = 70
3 2 1 10 -10 90 c21 = 90 - 0 = 90
4 2 2 10 40 70 c22 = 70 - 50 = 20
5 3 2 20 40 60 c32 = 60 - 60 = 0
6 3 4 20 10 85 c34 = 85 - 30 = 55
Todos los incrementos de las variables no bsicas son no negativos por lo tanto la solucin
probada es ptima.
El valor del costo total ptimo es:

= 500(80)+100(10)+100(20)+300(10)+400(40) = $ 62 000 para:


Ori 1 2 3 4 Ofer
1 500 100 600
2 100 100
3 300 400 700
Dem 300 500 400 200

2.6 DEGENERACIN
Una solucin al problema de transporte se dice que es degenerada cuando el nmero de asignaciones
(o variables bsicas diferentes de cero) es estrictamente menor a (m +n 1), en donde m es el
nmero de orgenes del problema y n el nmero de destinos.
Para resolver el problema es necesario que la solucin propuesta para ser probada por cualquiera de
los mtodos de optimizacin, sea una solucin no-degenerada, esto es, que el nmero de
asignaciones (o variables bsicas diferentes de cero) sea igual a (m +n 1), para ello utilizamos un
artificio que consiste en utilizar un cero, como asignacin (o variable no-bsica, utilizndola como
variable bsica) en la posicin adecuada.
La posicin donde se coloca el cero como artificio debe ser de tal forma que quede en una esquina o
vrtice del circuito de compensacin en donde se sume al momento de general la nueva solucin
por el mtodo y no donde se reste, de otra manera la posicin no es til para generar, la nueva
solucin, lo que invalida el proceso.
Es claro que de no usar este artificio no es posible construir los circuitos de compensacin para la
prueba de optimalidad (primera fase de los mtodos de optimizacin), sin embargo es hasta la
generacin de la nueva solucin (segunda fase de los mtodos de optimizacin), en caso de ser
necesario, cuando se detecta si la posicin seleccionada para asignar el cero fue la correcta.
Se recomienda hacer la asignacin del cero en aquella posicin con menor costo asociado, en el caso
de que la degeneracin ocurre en el proceso de solucin, se recomienda que se deje una de las
asignaciones nulas para completar las (m +n 1) asignaciones o variables bsicas.
EJEMPLOS
La siguiente tabla muestra la informacin de un problema de transporte, determine la solucin ptima.
i/j 1 2 3 Ofer
1 90 60 10 5
2 70 20 M 6
3 20 80 40 4
Dem 5 5 5

SOLUCIN:
El problema est balanceado , la oferta total es igual a la demanda total, utilizando el
mtodo de la Esquina Noroccidental, obtenemos La SBFI:
i/j 1 2 3 Ofer
1 5 5
2 5 1 6
3 4 4
Dem 5 5 5

Cuyo costo total es: CT = 5(90)+5(20)+1(M)+4(40) = M + 710
La solucin obtenida es degenerada, para poder aplicar el algoritmo de optimizacin (Mtodo del
Banquillo) es necesario convertir esta solucin en una solucin no-degenerada, para ello proponemos
asignar un cero en la posicin (1, 2) de la matriz de asignaciones. Ya que en el primer rengln se
obtuvo la degeneracin en el momento de asignar con el Mtodo Esquina Noroccidental.





Despus de 3 iteraciones del Mtodo del Banquillo se obtiene la siguiente solucin:
i/j 1 2 3 Ofer
1 5 5
2 1 5 6
3 4 4
Dem 5 5 5

Cuyo costo total es:

= 5(10)+1(70)+5(20)+4(20) = 300
EVALUACIN

Conteste los reactivos, correspondientes en la evaluacin, de cada uno de los siguientes problemas.
I.- La tabla que se muestra corresponde a un problema de transporte
ORI/DEM 1 2 3 OFERTA
1 9
0
8
0
1
0
30
2 0 7
0
6
0
30
3 M 1
0
9
0
40
DEMANDA 3
0
3
0
3
0

II.- La tabla que se muestra corresponde a un problema de transporte.
ORI / DE 1 2 OFERTA
1 100 500 2500
2 M 100 2500
3 300 700 1000
DEMANDA 2000 3000
III.- La tabla que se muestra corresponde a un problema de transporte.
ORI/DEST. 1 2 3 OFERTA
1 10 5 12 40
2 8 M 15 55
DEMANDA 25 15 60



IV.- La tabla que se muestra corresponde a un problema de transporte
ORI/DEM 1 2 3 OFERTA
1 9 3 1 40
2 6 8 M 50
DEMANDA 2
0
5
0
3
0


BIBLIOGRAFA PARTICULAR DE LA UNIDAD
UNIDAD 6: PROBLEMA DE TRANSPORTE

No. T I T U L O A U T O R PAG
1 INVESTIGACIN DE OPERACIONES Shamblin,Stevens 319-351
2 INVESTIGACION DE OPERACIONES Taha. 165-202
3 INVESTIGACION DE OPERACIONES Hillier, Lieberman 320-373
4 INVESTIGACION DE OPERACIONES Mattur, Makesh 281-324
5 METODOS CUANTITATIVOS EN ADMINISTRACION Davis, McKeown 306-322

BIBLIOGRAFA PARTICULAR DE LA UNIDAD
No. T I T U L O A U T O R PAG
1 INVESTIGACION DE OPERACIONES Hillier, Lieberman 25-102
2 INVESTIGACION DE OPERACIONES Taha. 11-67
3 INVESTIGACION DE OPERACIONES Eppen, Gould 66-167
4 METODOS CUANTITATIVOS EN
ADMINISTRACION
Davis, McKeown 23-115
5 INVESTIGACION DE OPERACIONES Winston 33-96
BIBLIOGRAFA PARTICULAR DE LA UNIDAD
UNIDAD 3: MTODO SIMPLEX

No. T I T U L O A U T O R PAG
1 MTODOS Y MODELOS DE INVESTIGACIN DE OPERACIONES Prawda, Juan
39-61
2 INVESTIGACION DE OPERACIONES Hillier, Lieberman 173-202
3 INVESTIGACION DE OPERACIONES Taha. 71-112
4 INVESTIGACION DE OPERACIONES Winston 132-194
5 INVESTIGACION DE OPERACIONES Eppen, Gould 173-198
6 METODOS CUANTITATIVOS EN ADMINISTRACION Davis, McKeown 129-158