You are on page 1of 42

J. Ponce, G. Solís y L.

Ulfe Sección A

INVESTIGACION DE OPERACIONES

GUIA DEL CURSO

Lima, Enero 2011

Autores: Lic. Luis Ulfe Vega


Mag. Gustavo Solis Vargas

1
Investigación de Operaciones 1

ORGANIZACION DE LA PRODUCCIÓN DE BIENES O SERVICIOS

RECURSOS
HUMANOS
TODA ORGANIZACIÓN
HA SIDO CREADA PARA
CUMPLIR CIERTOS FINES

RECURSOS
MATERIALES

TODA ORGANIZACIÓN SE
RECURSOS PLANTEA OBJETIVOS A CORTO
ECONOMICOS MEDIANO Y LARGO PLAZO

TODA ORGANIZACIÓN DEBE TODA ORGANIZACIÓN DEBE


ADMINISTRAR DE LA MEJOR LLEVAR A CABO UNA MUY
MANERA SUS RECURSOS BUENA TOMA DE DECISIONES

LA INVESTIGACIÓN DE OPERACIONES PROVEE DE TÉCNICAS PARA LA BUENA


ADMINISTRACIÓN DE RECURSOS, PERMITIENDO SUSTENTAR UNA RACIONAL Y
EFECTIVA TOMA DE DECISIONES

INVESTIGACION DE OPERACIONES

2
J. Ponce, G. Solís y L. Ulfe Sección A

INVESTIGACION DE OPERACIONES

La Investigación de Operaciones es tina disciplina científica que se ocupa del análisis y solución de
problemas relacionados con la administración y control de tas operaciones de las organizaciones,
sean estas de producción o de servicios.

TECNICAS PRINCIPALES DE LA INVESTIGACION DE OPERACIONES


Entre las técnicas más utilizadas de la investigación de Operaciones tenemos: Programación
Lineal, Programación No Lineal, Programación Entera, Programación Multi Objetivo, Teoría de
Redes, Programación Dinámica, Técnicas PERT-CPM, Análisis de Sistemas, Teoría de Colas,
Simulación de Sistemas, Teoría de Decisiones, Procesos Estocásticos y Teoría de Juegos.

CONOCIMIENTOS BASICOS PARA REALIZAR UN ESTUDIO DE INVESTIGACION DE


OPERACIONES

Para poder llevar a cabo un estudio de investigación de operaciones se requieren los


siguientes conocimientos básicos;

• Matemáticas: Porque muchos de los problemas requieren enfoques cuantitativos y derivan en el


manejo de gran cantidad de variables y funciones.

• Estadística: Para enfocar el problema se requiere información esta debe ser procesada y
utilizada adecuadamente.

• Computación: Muchas de las técnicas de la Investigación de Operaciones para poder aplicarlas


eficientemente requieren del uso de un computador ya que la cantidad de datos y variables que
se van a manejar puede ser muy grande, justamente la Investigación de Operaciones alcanza
su desarrollo con la aparición del computador.

• Enfoque Analítico: Se debe tener capacidad de análisis para poder detectar deficiencias ó
problemas en una determinada organización y suficiente capacidad para poder enfocar su
solución la cual puede ser sencilla 6 compleja.

TERMINOS CLASICOS UTILIZADOS POR LA INVESTIGACION DE OPERACIONES


Los siguientes términos son constantemente utilizados por los especialistas de Investigación de
Operaciones:

• Sistemas Se utiliza para identificar una organización o parte de la organización bajo estudio.

• Modelos: Son representaciones abstractas de la realidad, la investigación de operaciones


trabaja con modelos cuantitativos, es decir modelos donde se tienen variables, ecuaciones,
funciones.

• Métodos: Son las técnicas empleadas para llegar a encontrar la solución de un problema que
ha sido formulado mediante un modelo.

• Optimizar: Es el procedimiento que consiste en determinar la mejor alternativa dentro de un


conjunto de alternativas posibles

3
Investigación de Operaciones 1

PROGRAMACION LINEAL

La Programación Lineal es una Técnica Matemática de Optimización que permite la administración


racional de recursos (humanos, materiales, económicos) a diversas actividades de la organización,
de tal manera que a la vez que se cumple con ciertas condiciones se busca alcanzar un
determinado objetivo. Tanto las condiciones como el objetivo se representan por medio de
Funciones Lineales en la que se denomina MODELO DE PROGRAMACION LINEAL (MPL).

PRINCIPIOS BASICOS DE PROGRAMACION LINEAL


Para que una situación real sea linealizable, es decir que pueda ser enfocada mediante la PL se
deben cumplir los siguientes principios básicos:

Proporcionalidad directa
Se refiere a las actividades vistas en forma individual, por ejemplo: “Si, elaborar una unidad de un
producto requiere 2 horas de proceso, entonces elaborar por unidades de dicho producto requerirá
2 por horas de proceso”

Aditividad
Se refiere a las actividades vistas en forma conjunta. “Si, elaborar una unidad de un producto A
requiere 2 kg. de materia prima, una unidad del producto B requiere 4 kg. de materia prima y una
unidad del producto C requiere 5 kg. de materia prima, entonces para producir x unidades de A, y
unidades de B, y z unidades de C se requiere:

2x + 4y + 5z kg. de Materia Prima

El uso total de un recurso es igual a la suma de usos individuales.

Divisibilidad

Este principio establece que las variables del modelo deben asumir valores fraccionarios.
a = Nº de hectáreas a sembrar de maíz.
b = Nº de camiones a utilizar para transportar el maíz cosechado.

Si:
a = 18,25 Cumple la divisibilidad.
b = 6,34 No cumple la divisibilidad.

Certeza
Este principio establece que todos los parámetros y datos del modelo deben ser conocidos.
Es por esto que la PL se dice que es un “Método Determinístico”.

ESTRUCTURA DE UN MODELO DE PROGRAMACION LINEAL

Situación Se puede resolver ¿ Cómo es el modelo


Real utilizando la PL de PL?

Todo PPL tiene los siguientes componentes :

4
J. Ponce, G. Solís y L. Ulfe Sección A

1) Variables de Decisión .- Son aquellas que nos indican la acción que debemos seguir para
conseguir un determinado objetivo.

2) Restricciones.- Son relaciones que se representan por medio de desigualdades o ecuaciones,


resultan debido a limitaciones de recursos o a ciertas disposiciones técnicas.
Por ejemplo:

500 Ha
x Ha de maíz Restricción por
TERRENO y Ha de arroz x+y+z  500 limitación de
z Ha de trigo recursos

a lt “El ingrediente b debe ser al menos el 15% de la


Compuesto b lt mezcla total”
c lt b  0.15 (a+b+c) Restricción por
disposición técnica

3) Función Objetivo.- Es la que representa el objetivo que se desea alcanzar, puede ser de dos
maneras:
Maximizar (Max)
Minimizar (Min)

Ejemplo: Distribución de Recursos Agrícolas

Una cooperativa opera tres granjas de productividad comparable, la producción en cada granja
está limitada por el terreno utilizable y la cantidad de agua de riego.

TERRENO AGUA
GRANJA UTILIZABLE DISPONIBLE
3
1 700 Ha 2 000 m
3
2 800 Ha 2 400 m
3
3 600 Ha 1 500 m

La cooperativa considera sembrar 4 productos: ARROZ, MAIZ, SOYA y TRIGO, que difieren
principalmente en la utilidad y el consumo de agua para riego.

SEMILLA CONSUMO UTILIDAD


PRODUCTO DISPONIBLE DE AGUA ESPERADA
3
1 500 Ha 5 m /Ha S/.2 000.00
3
2 700 Ha 4 m /Ha S/.1 500.00
3
3 400 Ha 3 m /Ha S/.1 000.00
3
4 600 Ha 4 m /Ha S/.1 500.00

5
Investigación de Operaciones 1

Para mantener una carga uniforme de trabajo entre las granjas se ha establecido que en todas las
granjas se debe usar el mismo porcentaje de terreno para la siembra. Plantee un MPL para
determinar un plan óptimo de siembra.

Solución:
Variable de decisión:

Granja 1 2 3 Donde:
Producto M2 = Nº de Ha a sembrar
A A1 A2 A3 de MAIZ en la granja 2
M M1 M2 M3
S S1 S2 S3
T T1 T2 T3

Restricciones:

A1  M 1  S1  T 1  700....................(1) 

A2  M 2  S 2  T 2  800...................(2)  Terreno
A3  M 3  S 3  T 3  600...................(3) 
Disponible

5 A1  4 M 1  3S1  4T 1  2000.............(4) 
Agua

5 A2  4 M 2  3S 2  4T 2  1400............(5)  Disponible
5 A3  4 M 3  3S 3  4T 3  1500............(6)  
A1  A2  A3  A4  500......................(7 ) 
M 1  M 2  M 3  M 4  700...................(8) 

Semilla
 Disponible
S1  S 2  S 3  S 4  400.......................(9) 
T 1  T 2  T 3  T 4  600......................(10) 

Porcentaje de terreno en las granjas:

A1  M 1  S1  T 1 A2  M 2  S 2  T 2 A3  M 3  S 3  T 3
 
700 800 600

8A1 + 8M1 + 8S1 + 8T1 = 7A2 + 7M2 + 7S2 + 7T2 ........ (11)
6A2 + 6M2 + 6S2 + 6T2 = 8A3 + 8M3 + 8S3 + 8T3 ........ (12)

Función Objetivo: Maximizamos Utilidades

MAX 2000 (A1 + A2 + A3) + 1500 (M1 + M2 + M3) + 1000 (S1 + S2 + S3) + 1500 (T1 + T2 +T3)

6
J. Ponce, G. Solís y L. Ulfe Sección A

FORMATO GENERAL DE UN PROBLEMA DE PROGRAMACION LINEAL

En general un problema de Programación Lineal tiene el siguiente formato:

Max c1x1 + c2x2 + . . . + cnxn  Función Objetivo


s.a:
a11 x1  a12 x 2  . . .  a1n x n  b1 

a 21 x1  a 22 x 2  . . .  a 2 n x n  b2 

:  Restricciones
: 

a m 1 x1  a m 2 x 2  . . .  a m n x n  bm 

x1 , x2 ,. . . ,xn  0  Condiciones de no negatividad

El formato anterior puede presentar las siguientes variantes:

1) Puede ser MIN (minimizar) en lugar de MAX en la Función Objetivo.

2) Las restricciones pueden ser de 3 tipos:  , ó=


3) Las variables pueden ser también menores o iguales que 0: x  0 ó no negativo x 
 0 ó x n.r.

Asimismo las componentes del modelo reciben los siguientes nombres:

a) A los coeficientes ci, i=1,2, . . . , n se les denomina “COSTOS”

b) A los coeficientes aij se les denomina “COEFICIENTES TECNOLOGICOS”

c) A los coeficientes bi se les denomina “RECURSOS”

Otras representaciones:

Forma Sumatoria:

n
MAX 
j 1
cj xj

s.a:
n


j 1
aij xj i=1, 2, . . . , n

xj 0

7
Investigación de Operaciones 1

Forma Matricial:
t
MAX c x
s.a:
Ax b
x 0

Donde:
t
c = (c1, c2, . . . , cn)

 a11 a12 ... a1n   b1   x1 


     
 a 21 a 22 ... a 2n   b2   x2 
A : : : :  b :  x : 
 : : : :   :   : 
     
 am1 am2 ... amn   bm   xn 

Forma Vectorial:

MAX c1 x1 + c2x2 + . . . + cn xn
s.a:
x1 P1 + x2 p2 + . . . + xn Pn  P0
x1, x2, . . . , xn 0

8
J. Ponce, G. Solís y L. Ulfe Sección A

ETAPAS EN LA SOLUCION DE UN PROBLEMA POR


MEDIO DE LA INVESTIGACION DE OPERACIONES

ENTENDER EL Falta Información cualitativa


SITUACION PROBLEMA
REAL Información
Cualitativa

Falta Información cuantitativa


Falta Información cuantitativa
RECOLECTAR
INFORMACIÓN
CUANTITATIVA

Revisar el modelo
CONSTRUCCON
DE UN MODELO
ADECUADO

Tomar la
decisión, APLICACIÓN DE UN
Poner en METODO PARA
Practica la RESOLVER EL PROBLEMA
solución

INTERPRETACIO
DE RESULTADOS

SI NO
LA SOLUCIÓN ES
COHERENTE?

9
Investigación de Operaciones 1

CONCEPTOS DE CONVEXIDAD

Definición. Función Lineal

Sea f  x: n   diremos que f es una función lineal si cumple:


i) f(x1 + x2) = f(x1) + f(x2)
ii) f(  x) =  f(x)   

Ejemplos:
i) f  x1 , x 2 , x3   2x1  4x 2  x3 (es lineal)
ii) g x1 , x 2   5x1  2x 2 (es lineal)
iii) h x1 , x 2 , x3   x12  x 22  x32 (no es lineal)
iv) f  x1 , x 2   x1 . x 2 (no es lineal)

Propiedad : Si f  x: n   es una función lineal, entonces:

 n  n
f    i xi  
 i 1 
  f x 
i 1
i i

Definición.- Sea el PPL:


t
MAX c x
s.a:
Ax  b
x>0

Entonces diremos que x* es una solución factible, si cumple: Ax*  b y x*  0

Asimismo, el siguiente conjunto E  x / Ax  b  x  0  se denomina espacio de


Soluciones Factibles (conjunto formado por todas las soluciones factibles).

y
6 MAX x+y (x,y) Es Solución
s.a: Factible?
5 2x+3y  12 (1,2) si
2x+y  6 (3,0) si
4 Espacio de x,y  0 (0,4) si
Soluciones (2,-1) no
3 Factibles (1.5,3) si
(4,1) no
2

1
1 2 3 4 5 6 7 x

10
J. Ponce, G. Solís y L. Ulfe Sección A

Definición. Combinación Convexa

Dados dos puntos x1, x2 definimos su combinación convexa como sigue:

 1 x1   2 x 2 donde 1   2  1
1,  2  0

Ejemplo. Sean x1 =(4,2); x2 =(6,8) su combinación convexa es:

 1 x1 +  2 x2 =  1 (4,2) +  2 (6,8)

donde
1 + 2 =1
 1 , 2 > 0

si  1 =1/2 2=½

1 1
(4,2) + (6,8) = (5,5)
2 2

si  1 =2/3  2 = 1/3

2 1  14 
( 4,2)  ( 6,8)   ,4
3 3 3 

Graficamente:

(6,8) La combinación convexa es


el segmento que une los
puntos dados.

(4,2)

Definición. Conjunto convexo.

Un conjunto A se dice que es convexo si la combinación convexa de cualquier par de puntos del
conjunto está contenida en dicho conjunto.

no es
convexo

no es
si es convexo convexo si es convexo

11
Investigación de Operaciones 1

Teorema 1 :

El espacio de soluciones factibles de un problema de programación lineal es un conjunto convexo.

Demostración:

Sabemos que el espacio de soluciones factibles (ESF) es:

E  {x / Ax  b , x  0}
elegimos x1 , x 2  E entonces: Ax1  b  x1  0
Ax 2  b  x 2  0

Su combinación convexa : Y =  1 x1 +  2 x2 donde: 1 + 2 =1


 1 , 2 > 0

AY = A (  1 x1 +  2 x2 ) =  1 Ax1 +  2 Ax2

  1 b +  2 b = (  1 +  2 )b = b

AY  b

 1 x1  0 
 x   2 x2  0  Y  0
 2 x 2  011 
Y
 
 Y E combinacion convexa esta en E
 E es un conjunto convexo

Definición. Punto Extremo.

Se denomina punto extremo de un conjunto a aquel punto que no puede ser expresado como
combinación convexa de dos puntos distintos del conjunto.


x2 Puntos extremos son:

    
x1 x1 , x 2 , x 3 , x 4 , x5
 los vértices de la figura

x3
x5
 Tiene puntos extremos y
x4 son los que están en todo
el borde

Observación: Generalización de la Combinación Convexa

12
J. Ponce, G. Solís y L. Ulfe Sección A

_
_
x2 Combinación
x2 Convexa
Combinación Convexa de 5 puntos

de dos puntos x2 _ _
x1 x3
_
x1
_ Combinación _
_
x1 Convexa x5
de 3 puntos
x4

_
x3

Cualquier solución factible se puede escribir como Combinación Convexa de los puntos extremos
del espacio de soluciones factibles.

Teorema 2: Teorema Fundamental de la Programación Lineal

1) La función objetivo de un problema de Programación Lineal (PPL) logra su valor máximo en uno
de los puntos extremos de su espacio de soluciones factibles.

2) Si en cambio lo toma en dos puntos extremos entonces, también lo toma en cualquier punto que
sea Combinación Convexa de dichos puntos.

Demostración:

1) Sea: MAX f ( x)  f ( x0 ) ..... (*)


x E
Se sabe que x0 se puede escribir como combinación convexa de los puntos extremos de E.
k _ _
 x0  
i 1
i xi ; xi punto extremo de E.

13
Investigación de Operaciones 1

_ _
2) Supongamos que existen dos puntos x 1 , x 2 tales que:
max f ( x )  f ( x 1 )  f ( x 2 )  M
x E

Entonces :
_ _ _ _
f ( 1 x 1   2 x 2 )   1 f ( x 1 )   2 f ( x 2 )
  1M   2 M
 ( 1  2 ) M  M

Definición:
Sea el PPL: max f ( x ) entonces diremos que x* es una solución óptima si se cumple
x E
que:
max f ( x)  f ( x*) y se denomina valor óptimo a f(x*)
x E

14
J. Ponce, G. Solís y L. Ulfe Sección A

METODO GRAFICO

Solo es aplicable a problemas con 2 ó 3 variables.

Paso 1: Graficar el espacio de soluciones factibles y hallar los puntos extremos.

Paso 2: Evaluar los puntos extremos en la función objetivo la solución óptima será aquel punto
extremo que genera el mejor valor para la función objetivo (f.o.) y el valor óptimo será
aquel que toma la función objetivo.

Ejemplo: Resolver el siguiente PPL por el método gráfico.

a) MAX 30x + 10y


s.a:
2x + y  14
x + y  10
x 6
x, y  0

2x+y=14

E (x,y) 30x+10y
10 . A(0,0) 0
B(6,0) 180
C(6,2) 200 máximo
D D(4,6) 180
6. E(0,10) 100

E
C

x+y=10

A. 6 B 10

Solución Optima x=6 , y=2 ; y el valor óptimo = 200

b) ¿Cuál será la solución óptima si la f.o. es: mín 60x - 30y

(x,y) 60x - 30y


A(0,0) 0 La solución óptima es: x=0
B(6,0) 360 y = 10
C(6,2) 300
D(4,6) 60 El valor óptimo es: -300
E(0,10) -300 mínimo

15
Investigación de Operaciones 1

c) ¿Cuál será la solución óptima se la f.o. es: máx 40x + 20y

(x,y) 40x + 20y Tenemos dos puntos extremos que son


A(0,0) 0 soluciones óptimas C(6,2) y D(4,6).
B(6,0) 240 En realidad existen infinitas soluciones
C(6,2) 280 óptimas, las demás se obtienen mediante la
máximo combinación convexa de C y D
D(4,6) 280
E(0,10) 200

 1C   2 D   1 (6,2)   2 (4,6) ;  1   2  1;  1,  2  0
1 1 1 1
Si  1   2  : (6, 2)  ( 4,6)  (5, 4)es solucionoptima
2 2 2 2

Si  1 
3 1 3
 2  :
1  22 , 12 es solucionoptima
(6, 2)  ( 4,6)   
4 4 4 4  4 4

Caso de Aplicación: Corte de Bobinas de Papel

Proveedores
Rollos Cantidad
Almacenes
50 cm 100 rollos
Fábrica 60 cm 80 rollos
produce 65 cm 90 rollos
bobinas de 70 cm 45 rollos
papel 80 cm 120 rollos
Centros
Comerciales Otros 90 cm 80 rollos
Clientes 200 cm
: :
Desperdicio

70 70 50 10

Una compañía papelera produce rollos de 3 dimensiones estándar:

 A: 100 cm de ancho

BOBINAS  B: 150 cm de ancho
C: 200 cm de ancho

Para la siguiente semana tiene que abastecer los pedidos:

16
J. Ponce, G. Solís y L. Ulfe Sección A

Rollos Cantidad Pedida


50 cm 100 rollos
60 cm 80 rollos
65 cm 90 rollos
70 cm 45 rollos
80 cm 120 rollos
90 cm 80 rollos

Asimismo se tendrán disponibles 115 bobinas de 150 cm de ancho. Por otro lado bobinas de 100
cm y 200 cm, habrá cantidad suficiente. Determine una política óptima de cortes.

Solución: Modalidades de Corte:

A: 100 cm A1 A2 A3 A4 B: 150 cm B1 B2 B3 B4 B5 B6
50 cm - - - 2 50 cm 1 - 1 - 1 3
70 cm - - 1 - 70 cm - 1 - 2 1 -
80 cm - 1 - - 80 cm - 1 1 - - -
90 cm 1 - - - 90 cm 1 - - - - -
Residuo 10 cm 20 cm 30 cm 0 cm Residuo 10 cm 0 cm 20 cm 10 cm 30 cm 0 cm

C: 200 cm C1 C2 C3 C4 C5 C6 C7 C8 C9 C10
50 cm - - - 2 - 1 2 1 2 4
70 cm - - 1 - - 1 - 2 1 -
80 cm - 1 - - 2 1 1 - - -
90 cm 2 1 1 1 - - - - - -
Residuo 20 cm 80 cm 40 cm 10 cm 40 cm 0 cm 20 cm 10 cm 30 cm 0 cm

Construcción del Modelo:

Variables de Decisión:

A1, . . . , A4, B1, . . . , B6, C1, . . . , C10


Donde:
B3 = número de veces que se usa la modalidad de corte B3

Restricciones:

2A4 + B1 + B3 + B5 + 3B6 + 2C4 + C6 + 2C7 + C8 +2C9 +4C10 = 180


A3 + B2 + 2B4 + B5 + C3 + C6 + 2C8 + C9 = 200
A2 + B2 + B3 + C2 + 2C5 + C6 + C7 = 150
A1 + B1 + 2C1 + C2 + C3 + C4 = 80
B1 + B2 + B3 + B4 + B5 + B6  115

Función Objetivo: Minimizamos el desperdicio de papel :

MIN 10A1 + 20A2 + 30A3 + 10B1 + 20B3 + 10B4 + 30B5 + 20C1 + 30C2 + 40C3 + 10C4 + 40C5 +
20C7 + 10C8 + 30C9

17
Investigación de Operaciones 1

Observación: El problema presentado es un problema de cortes en UNA DIMENSION

150

Existen problemas de cortes en DOS DIMENSIONES


1.5 m

Problema de corte de vidrio


2m Problema de corte de Triplay
Problema de corte de Planchas Metálicas

En TRES DIMENSIONES, como por ejemplo cortes de bloques de madera

Ejemplo: Fabricación de Sillas


La fábrica de muebles recientemente notifico que en una de sus plantas se tiene un adicional de
materia prima que puede ser vendida o utilizada para producir sillas tipo A y tipo M. Estas sillas se
pueden vender a $70 y $60 la unidad respectivamente. Tenemos los siguientes datos técno-
económicos.

MATERIA PRIMA SILLA A SILLA M DISPONIBLE COSTO UNITARIO


MADERA 2 1 40 unidades $8
PERNOS 6 12 240 unidades $1
VINILO 3 3 75 unidades $6
MANO DE OBRA 5 horas 4 horas sin límite 2 $/hora

La administración de la fábrica tiene 2 alternativas:

Alternativa 1: Vender la materia prima disponible obteniendo una utilidad de 40% de su costo
Alternativa 2: Producir sillas tipo A y M con la materia prima disponible.

Determine la mejor decisión:

Solución:

Alternativa 1: Vendemos la materia prima

Madera : 40 x 3 x 0,4 = 128


Pernos : 240 x 1 x 0,4 = 96
Vinilo : 75 x 6 x 0,4 = 180
Utilidad : 404 $

18
J. Ponce, G. Solís y L. Ulfe Sección A

Alternativa 2: Producir sillas A y M

Planteamos un MPL.

Decisión:

A = Nº de sillas tipo A a producir.


M = Nº de sillas tipo M a producir.

Restricciones:

2A + M  40 (madera)
A + 12M  240 (pernos)
3A + 3M  75 (vinila)

Función Objetivo:

Maximizamos utilidad, entonces tenemos que:


Utilidad = Precio de Venta - Costo de Producción

Donde:

Precio de Venta = 70A + 60M


Costo de producción :

de una silla tipo A: de una silla tipo M:

Madera : 2 x 8 = 16 Madera : 1 x 8 = 8
Pernos : 6 x 1 = 6 Pernos : 12 x 1 = 12
Vinilo : 3 x 6 = 18 Vinilo : 3 x 6 = 18
Mano de Obra : 5 x 2 = 10 Mano de Obra : 4 x 2 = 8
50 46

Utilidad Total = (70 - 50)A + (60 - 46)M

MAX 20A + 14M

El MPL :
MAX 20A + 14M
s.a:
2A + M  40
6A + 12M  240
3A + 3M  75
A, M  0

19
Investigación de Operaciones 1

Por el método gráfico:


M

40 2A + M = 40

35

30

25
(A,M) 20A + 14M
20 Espacio de A(0,0) 0
Soluciones B(20,0) 400
Factibles
15 C(15,10) 440 MAXIMO
D(10,15) 410
10 E(0,20) 280

5
6A + 12M = 240

A 5 10 15 20 25 30 35 40 A
3A + 3M = 70

Solución Optima:
A = 15 sillas tipo A  Utilidad Máxima = $ 440
M = 10 sillas tipo M

 La mejor alternativa es la de producir sillas tipo A y M (ALTERNATIVA 2)

FORMA ESTÁNDAR DE UN PPL

Un problema de Programación Lineal se dice que está en su forma estándar si cumple las
siguientes condiciones:

E1) Todos los términos del lado derecho de las restricciones deben ser constantes mayores
o iguales que cero.
E2) Todas las restricciones deben estar en forma de igualdades.
E3) Todas las variables deben ser mayores o iguales que cero.

Muchos problemas de P.L. cuando son formulados no siempre aparecen en su forma estándar
desde un inicio por lo que es necesario hacer ciertas transformaciones.

20
J. Ponce, G. Solís y L. Ulfe Sección A

Condición E1:

a  2b  10  3c a  2b  3c  10
4 x  5 y  2 z  6 4  5 y  2 z  6
    
no cumple con E1 se cumple E1

Condición E2: Para transformar las desigualdades en igualdades utilizamos las denominadas
VARIABLES DE HOLGURA Y EXCESO.

Variables de Holgura: se utiliza en restricciones de tipo 


Ejemplo:
x + 2y + 3z  25
x + 2y + 3z + S1 = 25 ; S1 = Variable de Holgura
Se cumple: S1  0

Variables de Exceso: Se utiliza en restricciones de tipo 


Ejemplo:
a + 5b - 3c  12
a + 5b - 3c - E1 = 12 ; S1 = Variable de Exceso
Se cumple: E1  0

Condición E3: En un MPL según el signo las variables pueden ser de 3 tipos:

- mayores ó iguales que 0 : x 0


- menores ó iguales que 0 : x 0

- no restringidas : x  0 , x n,r

En estos casos, hacemos cambios de variable:

Variable x  0:
Cambio de variable : x = -x1  x1 = -x 0
 x1  0


Variable no restringida : x  0

Cambio de variable : x = x1 - x2 donde: x1, x2 0


“En la solución del PPL, las variables x1, x2 no pueden ser diferentes de cero a la vez”

Si:
x=8  x1 = 8  x2 = 0
x = -3  x1 = 0  x2 = 3
x=0  x1 = 0  x2 = 0
Siempre es posible pasar cualquier PPL a su forma estándar.

Ejemplo.- Pasar el siguiente problema a su forma estándar:

21
Investigación de Operaciones 1

MIN 3a - 2b + 4c
s.a:
a + 2c  5 - 3b
4a + 3b - 2c  -13
2a + b + c = 12
a  0 , b  0 , c:n.r.
Solución:

Condición E1: MIN 3a - 2b + 4c


s.a:
a + 3b + 2c  5
-4a - 3b + 2c  13
2a + b + c = 12
a  0 , b  0 , c:n.r.

Condición E2: MIN 3a - 2b + 4c


s.a:
a + 3b + 2c - E1 = 5
-4a - 3b + 2c + S1 = 13
2a + b + c = 12
a  0 , b, E1, S1  0 , c:n.r.

Condición E3: Hacemos cambio de variables


a = -a1 , c= c1 - c2
MIN -3a1 - 2b +4c1 - 4c2
s.a:
-a1 + 3b + 2c1 - 2c2 - E1 =5
4a1 - 3b + 2c1 - 2c2 + S1 = 13
-2a1 + b + c1 - c2 = 12
a1, b1, s1, c2, S1, E1  0

Está en su forma estándar.

Observación: MAX 2x + y
s.a:
x+y  0
x, y  0

Gráficamente:
y S1
MAX 2x + y
s.a: (0,0,10)
(0,10) x + y + S1 = 10
10
x, y ,S1  0

(10,0,0)
x
(10,0)
(0,0) 10 x (0,10,0)
 Solución Optima: x = 10
 Solución Optima : x=10 y y =0
S1 = 0
 Máximo : 20
y=10
 Máximo : 20

22
J. Ponce, G. Solís y L. Ulfe Sección A

Conclusiones

1) Existe una relación biunívoca entre los puntos del espacio de soluciones factibles de un
problema y el de su correspondiente forma estándar.
2) A cada punto extremo le corresponde otro punto extremo de la forma estándar
3) A la solución óptima le corresponde la solución óptima de la forma estándar.
4) El valor óptimo no varía.

CONCEPTOS DE ALGEBRA LINEAL DE LOS METODOS DE SOLUCION

Definición. Vectores Linealmente Independientes

Dado un conjunto de vectores {P1 , P2, ..., Pn} de un espacio vectorial V se dice que son
linealmente independientes:
Si dada la combinación lineal: 1P1 + 2P2 + ... + nPn = 0
Esta se cumple si: 1 = 2 = . . . = 0
En caso contrario se dice que son linealmente independientes.

Caracterización de los puntos extremos


Consideremos el siguiente PPL escrita en su forma estándar y vectorial:
MAX c1x1 + c2x2 + . . . + cnxn
s.a:
x1P1 + x2P2 + ... + xnPn = P0
x1, x2, ...xn  0
n = Nº de variables
m = Nº de restricciones

Los vectores columnas P1, P2, ...,Pm   además se asume que n > m..
m

El número máximo de vectores linealmente independientes será m.

Ejemplo: sea el problema de PPL

MAX 5x1 + 2x2 + x3 + x4


sa:
x1 - 2x2 + x3 + x4  8
3x1 + x2 - x3 + 5x4  10
x1, x2, x3, x4  0

Solución : pasando a su forma estándar:

MAX 5x1 + 2x2 + x3 + x4


s.a.
x1 - 2x2 + x3 + x4 + x5 =8
3x1 + x2 - x3 + 5x4 - x6 = 10
x1, x2, x3, x4, x5, x6  0
m=2 n =6

23
Investigación de Operaciones 1

En forma vectorial: MAX 5x1 + 2x2 + x3 + x4


s.a:

 1   2  1  1  1  0  8
x1   + x2   + x3   + x4   + x5   + x6   =  
 3  1  1  5  0  1  10
      
P1 P2 P3 P4 P5 P6 P0

El número máximo de vectores linealmente independientes en el conjunto {P1, P2, P3, P4, P5, P6 }
es igual a 2.

Teorema
Sean P1, P2, ...,Pk donde k  m vectores linealmente independientes tales que:
x1P1 + x2P2 + ... + xkPk = P0 Pi 0

Entonces: x = (x1, x2, ..., xk, 0, 0,...,0) es un punto extremo de espacios de soluciones factibles (el
vector x es un vector de n componentes donde las (n - k) últimas componentes son iguales a 0).

Comentario del teorema


Este teorema indica que para obtener un punto extremo se debe elegir un conjunto de vectores
linealmente independientes y resolver la combinación lineal igualada a P 0 si dicha combinación
tiene solución, ésta solución será un punto extremo.

Elegimos {P4, P5} linealmente independientes

x4P4 + x5P5 = 0
 1  1  8 x 4 + x 5 = 8  x4 = 2
x4   + x5   =   
 5  0  10 5x 4 = 10 x5 = 6

Punto extremo x = (x1, x2, x3, x4, x5, x6) = (0, 0, 0, 2, 6,0)
Elegimos {P5, P6}
x5 = 8  x5 = 8
 x6 = 10
-x 6 = 10

hemos obtenido: x = (0, 0, 0, 0, 8, -10) no es punto extremo.


Si seguimos este procedimiento debemos resolver: C26 = 15 sistemas de ecuaciones.

Teorema
Sea x = (x1, x2, ..., xn) un punto extremo del espacio de soluciones factibles tales que:
x1P1 + x2P2 + ... + xkPk = P0 con xi > 0
i = 1, 2, ..., k
entonces P1, P2, ..., Pk son linealmente independientes.

Comentario del teorema


Los componentes positivos de un punto extremo tienen en sus vectores asociados un conjunto
linealmente independiente.

24
J. Ponce, G. Solís y L. Ulfe Sección A

Teorema
Sea x1P1 + x2P2 + ... + xnPn = P0 donde (x1, x2, ... , xn) es un punto extremo del ESF  los xj > 0
tienen asociado un conjunto de vectores linealmente independientes.

Demostración
Resultado de los dos teoremas anteriores.

Conclusiones
1) La función objetivo logra su valor óptimo en un punto extremo del ESF.
2) Un punto extremo tiene a lo más n componentes positivas.
3) Las componentes positivas de un punto extremo tienen asociados vectores linealmente
independientes.

Definición
Sea PPL :
t
MAX Cx
s.a:
Ax = b m = Nº de restricciones
x0 n = Nº de variables
_ _ _
a) x es una solución factible si cumple A x = b  x  0.
b) Una solución factible que tiene a lo más m componentes positivas se denomina solución básica
factible.
c) Una solución factible que tiene menos de m componentes positivas se denomina solución
básica factible degenerada.

 PUNTO   SOLUCION BASICA


    
 EXTREMO  FACTIBLE 

Procedimiento para obtener soluciones básicas factibles (SBF)


Si tenemos un PPL en su forma estándar con n variables y m ecuaciones (donde n>m) eliminamos
(n - m) variables y el sistema resultante resuelto generará una solución básica factible siempre y
cuando todos los valores de las variables sean mayores o iguales a 0.

Ejemplo: obtener soluciones básicas factibles.

MAX 2X1 + 4X2 + X3


sa:
x1 + x2 + x3  10
x1 + 2x2 + x3 < 20
x1, x2, x3  0

solución: pasando a la forma estándar

MAX 2x1 + 4x2 + x3


s.a:
x 1 + x2 + x3 + x4 = 10
x1 + 2x2 + x3 + x5 = 20
x1, x2, x3, x4, x5  0

25
Investigación de Operaciones 1

Supongamos x1 = x2 = x3 = 0

Se ha obtenido: (x1, x2, x3, x4, x5) = (0, 0, 0, 10, 20) Es un punto extremo o SBF
 Eliminamos: x1 = x2 = x4 = 0

x 3  10  x 3  10

x 3  x 5  20 x 5  10

Se ha obtenido: (x1, x2, x3, x4, x5) = (0, 0, 10, 0, 10) Es un punto extremo o SBF
 Eliminamos: x1 = x2 = x5 = 0

x 3  20
x 4  10

Se ha obtenido: (x1, x2, x3, x4, x5) = (0, 0, 20, -10, 0) No es un punto extremo o SBF

Variables que se Solución Obtenida Posible SBF Es una SBF? Puntos Extremos 2x1+4x2+x3
anulan
x1, x2,x3 x4=10 ; x5=20 (0,0,0,10,20) Si (0,0,0,10,20) 0
x1, x2,x4 x3=10 ; x5=10 (0,0,10,0,10) Si (0,0,10,0,10) 10
x1, x2,x5 x3=20 ; x4=-10 (0,0,20,-10,0) No (0,10,0,0,0) 40 Máximo
x1, x3,x4 x2=10 ; x5=0 (0,10,0,0,0) Si (10,0,0,0,10) 20
x1, x3,x5 x2=10 ; x4=0 (0,10,0,0,0) Si
x1, x4,x5 x2=10 ; x3=0 (0,10,0,0,0) Si Solución Optima:
x2, x3,x4 x1=10 ; x5=10 (10,0,0,0,10) Si x1=0
x2, x3,x5 x1=20 ; x4=-10 (20,0,0,-10,0) No x2=10
x2, x4,x5 Incompatible -------- -------- x3=0
x3, x4,x5 x1=0 ; x2=10 (0,10,0,0,0) Si
Valor Optimo: 40

(0,10,0,0,0) es una Solución Básica Factible DEGENERADA.

Desventajas del Procedimiento :


1) Se obtienen sistemas incompatibles
2) Se obtienen sistemas con solución pero que no son puntos extremos.
3) Se obtienen sistemas que si generan puntos extremos que sin embargo ya antes se han
obtenido.

Generación de Puntos Extremos Mediante Cambio de Base


Vamos a presentar una forma de generar una solución Básica Factible (punto extremo) a partir de
otra.

Sea el PPL:
MAX c1x1 + c2x2 + . . . + cnxn
s.a:
x1P1 + x2P2 + . . . + xnPn = P0
x1, x2, . . . , xn  0

26
J. Ponce, G. Solís y L. Ulfe Sección A

Donde:
m = Nº de restricciones
n = Nº de variables n>m
Pi  m

Sea:
_ _ _ _
x  ( x 1 , x 2 , ... , x m ,0, ... ,0) un punto extremo
_ _ _
x 1 P1  x 2 P2  ...  x m Pm  P0 ......... (1) Cumple las rstricciones

Además es un conjunto de vectores linealmente independientes y además es una


Base de  . Entonces cualquier vector de  m se puede representar como combinación lineal de
m

dicha base en particular Pj.

Pj = b11P1 + b12P2 + . . . + b1mPm j=1, 2, . . . , n


 Pj =  b11P1 +  b12P2 + . . . +  b1mPm .................(2)

 es una constante.
Restamos (1) - (2):
_ _ _
( x 1  b11 ) P1  ( x 2  b12 ) P2  . . .  ( x m  b1m ) Pm  Pj  P0
El j a elegir debe ser m+1, m+2, . . . , n, entonces hemos obtenido:
_ _ _
( x 1  b11 , x 2  b12 , ... , x m  b1m , ,0, ... ,0) ......... (3) que cumple con las restricciones

Para que este punto sea punto extremo todos sus componentes deben ser mayores o iguales que
cero y los valores de  que cumplen esta condición son:
_ 
 xi 
0    min / b 1i  0
 b 
 1i 
Considerando (3) es una solución factible. Para que sea una solución básica factible en (3) una de
las componentes debe convertirse en 0, para ello elegimos:

_ 
 xi 
  min / b 1i  0
 b 1i 

Ejemplo:

Sea el PPL: MAX x1 + 2x2 + 4x3


s.a:
x1 + x2 - x3  10
-x1 + x2 + x3  12
x1 - x2 + x3  16
x1, x2, x3  0

27
Investigación de Operaciones 1

Forma estándar:
MAX x1 + 2x2 + 4x3
s.a
x1 + x2 - x3 + x4 = 10
-x1 + x2 + x3 + x5 = 12 m=3
x1 - x2 + x3 + x6 = 16 n =6
x1, x2, x3, x4, x5, x6  0

Eliminamos 3 variables: x1 = x2 = x3 = 0

x4 = 10
x5 = 12  (x1, x2, x3, x4, x5, x6) = (0, 0, 0, 10, 12, 16) es un punto extremo
x6 = 16 10P4 + 12P5 + 16P6 = P0 . . . . . (1)

La base asociada a este punto es {P4, P5, P6} Hacemos un cambio de base:
1 
 
Elegimos P1 =  1
 
1 
P1 = P4 - P5 + P6 . . . . . . (2)

Restamos (1) -  (2) :

10P4  12 P5  16P6  P0 
(10  ) P4  (12  ) P5  (16  ) P6  P1  P0
P1  P4  P5  P6 

Tenemos: (x1, x2, x3, x4, x5, x6) = (  , 0, 0, 10-  ,12+  ,16-  )

Elegimos:  =10
(x1, x2, x3, x4, x5, x6) = (10, 0, 0, 0,22,6) es otro punto extremo asociado a la Base {P1, P5, P6}

28
J. Ponce, G. Solís y L. Ulfe Sección A

METODO SIMPLEX

Este método fue elaborado por Dr. George Dantzig en 1,947. Trabaja a través de cuadros
sucesivos, en el cuadro inicial se tiene una solución básica factible y en los cuadros sucesivos se
obtiene nuevas soluciones básicas que van mejorando el valor de la función objetivo, todo esto
hasta llegar a la solución óptima.

Tabla Inicial:

Sea el PPL: MAX c1x1 + c2x2 + . . . + cnxn


s.a:
a11x1 + a12x2 + . . . + a1nxn + s1 = b1
a21x1 + a22x2 + . . . + a2nxn + s2 = b2
: : : : :
am1x1 + am2x2 + . . . + amnxn + sm = bm
x1, x2, . . . ,xn, s1, s2, . . . , sm  0

s1, s2, . . . , sm son variables de holgura. Costos Reducidos

x1 x2 ........ xn s1 s2 ........ sm Solución


BASE Valor de la
-c1 -c2 ........ -cn 0 0 ........ 0 0 Función Objetivo
s1 a11 a12 ........ a1n 1 0 ........ 0 b1
s2 a21 a22 ........ a2n 0 1 ........ 0 b2
: : : : : : : :
: : : : : : : :
sm am1 am2 ........ amn 0 0 ........ 1 bm
Variables Básicas (porque están en la Base)
Las No Básicas son X1, X2, . . . , Xn

Ejemplo: En el siguiente PPL:

- Forme la tabla inicial


- Identifique la solución y la Base asociada a este cuadro
- Identifique las variables básicas y no básicas

MAX 5x1 + 3x2 + x3 + 12


s.a:
4x1 + x2 - 2x3  10
2x1 - x2 + 5x3  25
x1, x2, x3  0

Forma estándar:

MAX 5x1 + 3x2 + x3 + 12


s.a:
4x1 + x2 - 2x3 + x4 =10
2x1 - x2 + 5x3 + x5 = 25
x1, x2, x3 ,x4, x5  0

29
Investigación de Operaciones 1

x1 x2 x3 x4 x5 Solución
BASE -5 -3 -1 0 0 12
x4 4 1 -2 1 0 10
x5 2 -1 5 0 1 25

 Solución Básica Factible asociada a este cuadro: (x1, x2, x3, x4, x5) = (0, 0 , 0, 10, 25) y la Base
{P4, P5}
 Variables Básicas: x4, x5
 Variables No Básicas: x1, x2, x3

Teorema: Mejora de la Solución


Si existe un costo reducido menor o igual que 0 entonces es posible encontrar una mejor solución.

Teorema: Llegada a la Solución Optima


Si todos los cotos reducidos son mayores o iguales que cero es que se ha llegado a la solución
óptima.

Algoritmo Simplex
Supongamos que se está maximizando la función objetivo.

ETAPA INICIAL : Pasar el problema a su forma estándar y formar la tabla inicial.

Paso 1:
A) ¿Se llegó a la Solución Optima?
Si no existen costos reducidos negativos entonces fin del proceso, se ha llegado a la solución
óptima.

B) Selección de la variable que entra a la base:


Entra a la base aquella variable que tenga el menor costo reducido (de los negativos).
La columna de dicha variable se denomina columna PIVOT.

Paso 2:
Selección de la variable que sale de la Base
Se divide cada valor de la columna solución entre su correspondiente valor en la columna pivot
siempre y cuando esté último sea positivo.

Sale de la base aquella variable a la que corresponde la menor división, la fila de dicha variable se
denomina FILA PIVOT y se denomina PIVOT al elemento que se encuentra en la intersección de la
fila con la columna PIVOT.

Paso 3 :
Formación del nuevo cuadro
A) Convertir el PIVOT en 1
B) Los demás elementos de la columna PIVOT convertirlos en ceros.
C) Volver al paso 1.

Ejemplo: Resolver el siguiente Problema de Programación Lineal (PPL) por el Método Simplex.

Max 4a + 6b + 5c
s.a:
a + 2b + c  30
a + b + 2c  20
a, b, c  0

30
J. Ponce, G. Solís y L. Ulfe Sección A

Solución:

Pasando a su forma estándar: Max 4a + 6b + 5c


s.a:
a + 2b + c + S1 = 30
a + b + 2c + S2 = 20
a, b, c, S1, S2  0

a b c S1 S2 Solución
Base -4 -6 -5 0 0 0 Entra: b
S1 1 2 1 1 0 30 Sale: S1
S2 1 1 2 0 1 20
Base -1 0 -2 3 0 90 Entra: c
b 1/2 1 1/2 1/2 0 15 Sale: S2
S2 1/2 0 3/2 -0.5 1 5
Base -1/3 0 0 7/3 4/3 290/3 Entra: a
b 1/3 1 0 2/3 -1/3 40/3 Sale: c
c 1/3 0 1 -1/3 2/3 10/3
Base 0 0 1 2 2 100
b 0 1 -1 1 -1 10
a 1 0 3 -1 2 10

Solución Optima: Valor Optimo:


a = 10 100 (máximo)
b = 10
c=0

Iteración: Es cada vez que ingresa y sale una variable es decir cada vez que hay un PIVOT.
Para el ejemplo anterior se tiene 3 iteraciones.

Observaciones:

1) En cualquier cuadro las variables que se encuentran en la Base (básicas) siempre tienen costo
reducido cero y vector columna canónico.
Por otro lado las variables que no aparecen en la Base (no básicas) son iguales acero.

2) Asociada a cada cuadro existe una solución básica factible (Punto Extremo), cada solución
sucesiva va mejorando el valor de la función objetivo.

(a, b, c, S1, S2) Función


Puntos Extremos Objetivo
(0, 0, 0, 30, 20) 0 Podemos notar que el valor de la
(0, 15, 0, 0, 5) 90 Función Objetivo va mejorando.
(0, 40/3, 10/3, 0, 0) 290/3
(10, 10, 0 , 0, 0) 100

3) Caso de Minimización.-
Solo modificamos en el algoritmo presentado el Paso 1

Llegada a la Solución Optima


Se llega a la solución óptima cuando no hayan costos reducidos positivos.

31
Investigación de Operaciones 1

Selección de la Variable que entra a la base


Entra a la Base aquella variable que tenga el costo reducido más positivo.

Propiedades del Cuadro Simplex

Consideremos el siguiente PPL: Máx 4x1 + 8x2 + 3x3


s.a:
x1 + 4x2 + 2x3  80
x 1 + x2 + x3  50
x1, x2, x3  0

Pasando a la forma estándar: Máx 4x1 + 8x2 + 3x3


s.a:
x1 + 4x2 + 2x3 + x4 = 80
x 1 + x2 + x3 + x5 = 50
x1, x2, x3 , x4, x5  0

x1 x2 x3 x4 x5 Solución
Base -4 -8 -3 0 0 0
x4 1 4 2 1 0 80
x5 1 1 1 0 1 50
Base -2 0 1 2 0 100
x2 1/4 1 1/2 1/4 0 20
x5 3/4 0 1/2 -1/4 1 30
Base 0 0 7/3 4/3 8/3 240
x2 0 1 1/3 1/3 -1/3 10
x1 1 0 2/3 -1/3 4/3 40

Tenemos el MPL: Máx 4x1 + 8x2 + 3x3


s.a:
 1  4  2  1  0  80
x1   + x2   + x3   + x4   + x5  =  
 1 1 1  0  1  50
     
P1 P2 P3 P4 P5 P0

Las propiedades que a continuación vamos a presentar se cumplen para cualquier problema y
cualquier cuadro del Método Simplex.

32
J. Ponce, G. Solís y L. Ulfe Sección A

-1
Propiedad 1: Asociado a cualquier cuadro existe la denominada MATRIZ INVERSA DE LA BASE, B y
es aquella formada por los vectores columna de dicho cuadro correspondiente a
aquellas variables que formaron la base inicial.

x4 x5
1  1 0  1 0
B1     B1   
 0 1  0 1 x2 x5

1  1 / 4 0  4 0
B2     B2   
 1 / 4 1  1 1
x2 x1
1  1 / 3 1 / 3  4 1
B3     B3   
 1 / 3 4 / 3   1 1

Propiedad 2: En cualquier cuadro la columna solución se puede obtener multiplicando la matriz


inversa de la base en dicho cuadro por el vector de términos independientes del
modelo.

xB = B-1 . P0

En el cuadro 3 :

 1 / 3 1 / 3  80  10
xB       
 1 / 3 4 / 3   50  40
En el cuadro 2 :

 1 / 4 0  80  20
xB       
 1 / 4 1  50  30

Propiedad 3: En cualquier cuadro el vector columna asociado a la variable x j se obtiene


multiplicando la matriz inversa de la Base de dicho cuadro por el vector columna de
dicha variable en el modelo.

En el cuadro 2 columna de x1:


 1 / 4 0  1  1 / 4 
P1       
 1 / 4 1  1  3 / 4


m.invrs. P1
En el cuadro 3 columna de x3:
 1/ 3 1/ 3  2  1/ 3
P 3       
 1/ 3 4 / 3   1  2 / 3
 
m.invrs. P1

Propiedad 4: En cualquier cuadro los costos reducidos de la variable x j se pueden obtener de la


siguiente manera:

33
Investigación de Operaciones 1

z j  c j  c tB . P j  c j
 Costo de la variable en la F.O.
cos to Columna de la variable xj en el cuadro
reducido Vector de costos asociados a las variables
de x j básicas de dichos cuadros

Ejemplo: Costo reducido de x3 en el cuadro 3:


z 3  c 3  c tB .P 3  c 3
 1 / 3 8 8 7
 (8,4)  3  3
 2 / 3 3 3 3
Costo reducido de x5 en el cuadro 3:
 1 / 3 8
z 5  c 5  (8,4)  0
 2/3 3
Costo reducido de x1 en el cuadro 2:
 1 / 4
z1  c1  (8,10)   4  2  4  2
 3 / 4

Ejercicio: Formar el cuadro en el cual la base este formada por x2 y x3.

x1 x2 x3 x4 x5 Solución
Base -7/2 0 0 5/2 -2 100
1  1 / 2 1  4 2
x2 -1/2 1 0 1/2 -1 -10 B   B 
x3 3/2 0 1 -1/2 2 60  1 / 2 2   1 1

Columna x1:
P1
1  1 / 2 1  1  1 / 2

B . P1     
 1 / 2 2   1  3 / 2 
Columna x1:
P1
1  1 / 2 1  1  1 / 2
B . P1     
 1 / 2 2   1  3 / 2 
Columna x4:
1  1 / 2 1  1  1/ 2 
B . P4      
 1 / 2 2   0  1 / 2
Columna x5:
1  1 / 2 1  0  1
B . P5       
 1 / 2 2   1  2 
Columna Solución:
1  1 / 2 1  80  10
B . P0       
 1 / 2 2   50  60 
Costo reducido de x1 :
 1   3 7
8    3   4  
 2  2 2

34
J. Ponce, G. Solís y L. Ulfe Sección A

La solución asociada al cuadro obtenido es: (x1, x2, x3, x4, x5) = ( 0,  10, 60, 0, 0)



solucion basica
NO FACTIBLE

METODO SIMPLEX DE LAS 2 FASES

Supongamos que se tiene el siguiente PPL:


MAX 6x + 8y
s.a:
x + 2y  60
x + y  10
2x + y = 60
x, y  0
Pasando a la forma estándar:
MAX 6x + 8y
s.a:
x + 2y + S1 = 60
x+ y -E1 =10
2x + y = 60
x, y, S1, E1  0

Formando el cuadro inicial del Método Simplex:

x y S1 E1 Solución
Base -6 -8 0 0 0
S1 1 2 1 0 60
? 1 1 0 -1 10
2 1 0 0 60

No es posible determinar las otras dos variables que deben estar


en la base pues no existen más vectores columna canónicos

Esta dificultad se presenta cada vez que en el modelo hayan restricciones del tipo  ó =.
Para salvar esta dificultad utilizamos las denominadas VARIABLES ARTIFICIALES, usando estas
variables el modelo queda como sigue:
MAX 6x + 8y
s.a:
x + 2y + S1 = 60
x+ y -E1 + A1 =10
2x + y + A2 = 60
x, y, S1, E1, A1, A2  0

Para resolver un PPL con variables artificiales se utiliza una variante del método simplex, tenemos
los siguientes métodos:

i) Método Simplex de las 2 fases.


Ii) Método M.

35
Investigación de Operaciones 1

Método Simplex de 2 Fases

Como indica su nombre este método trabaja a través de 2 fases o etapas.

Primera Fase: En la primera fase se trabaja con una función objetivo formulada por la suma de
todas las variables artificiales del modelo y siempre se minimiza.

MIN A1 + A2

Segunda Fase: En la segunda fase se utiliza la función objetivo formada y que se tiene
inicialmente en el modelo.

MAX 6x + 8y

Propiedad: Considere los siguientes sistemas de ecuaciones lineales (S.E.L.)

a11 x1 + a12 x2 + . . . + a1n xn = b1 


a21 x1 + a22 x2 + . . . + a2n xn = b2 

: : : = : (S1 )
: : : = : 
am1 x1 + am2 x2 + . . . + amn xn = bm 
Asimismo:
a11 x1 + a12 x2 + . . . + a1n xn + A1 = b1 
a21 x1 + a22 x2 + . . . + a2n xn + A2 = b2 
: : : = : 
: : : = :
( S 2 )
am1 x1 + am2 x2 + . . . + amn xn + Am = bm


A1, A2, . . . , Am 0
Sea:
A  {A  (A 1 ,A 2 ,,A m )  n  0 / S2 es compatible}
Entonces:
Min A1 + A2 + . . . + Am = 0  S1 es compatible
A A

Algoritmo Simplex de las Dos Fases

Etapa Inicial: Pasar el problema a su forma estándar y usar variables artificiales donde
sea necesario.

Fase I: En esta fase minimizamos la F.O. formada por la suma de las variables artificiales.
1.- Chequear que los costos reducidos de las variables básicas en el primer cuadro sean
iguales a 0.
2.- Usar el Método Simplex teniendo en cuenta la siguiente condición:
“Si una variable artificial sale de la Base ya no debe ser seleccionada para que
ingrese a la base en un cuadro posterior”
3.- Si el valor de la F.O. de la fase 1 es 0, entonces pasar a la fase 2, en caso contrario el
problema no tiene solución.

Fase II :
1.- Tomamos el cuadro óptimo de la fase 1 y hacemos lo siguiente:
i) Eliminamos la fila de costos reducidos de la F.O. de la fase 1.
Ii) Eliminamos las columnas de las variables artificiales.

36
J. Ponce, G. Solís y L. Ulfe Sección A

2.- Chequear que los costos reducidos de las variables básicas sean iguales a 0.
3.- Aplicar el método simplex hasta llegar a la solución óptima.

Fase I
x y S1 E1 A1 A2 Solución
Art 0 0 0 0 -1 -1 0
Base -6 -8 0 0 0 0 0 Sumamos:
S1 1 2 1 0 0 0 60 Fila A1
A1 1 1 0 -1 1 0 10 Fila A2
A2 2 1 0 0 0 1 60 Fila ART
Art 3 2 0 -1 0 0 70
Base -6 -8 0 0 0 0 0
S1 1 2 1 0 0 0 60 Entra x
A1 1 1 0 -1 1 0 10 Sale A1
A2 2 1 0 0 0 1 60
Art 0 -1 0 2 -3 0 40
Base 0 -2 0 6 0 0 60
S1 0 1 1 1 -1 0 50
x 1 1 0 -1 1 0 10 Entra A1
A2 0 -1 0 2 -2 1 40 Sale A2
Art 0 0 0 0 -1 -1 0 Como el valor
Base 0 -5 0 0 0 3 180 óptimo es 0
S1 0 3/2 1 0 -1/2 1/2 30 pasamos a la
x 1 1/2 0 0 1/2 1/2 30 Fase II
E1 0 1/2 0 1 -1/2 1/2 20

Fase II
x y S1 E1 Solución
Base 0 -5 0 0 180
S1 0 3/2 1 0 30
x 1 1/2 0 0 30
E1 0 1/2 0 1 20
Base 0 0 10/3 0 280
y 1 1 2/3 0 20
x 0 0 -1/3 0 20
E1 1 0 1/3 1 30

Solución Optima: Valor Optimo


x = 20 Máximo:
y = 20 280

37
Investigación de Operaciones 1

Caso de Estudio: PLANEACION DE LA PRODUCCION EN DIFERENTES PAISES

Se tiene un sistema de producción con cuatro plantas y en el cual se elaboran 9 productos Q1, Q2,
Q3, Q4, Q5, Q6, Q7, Q8, Q9.

PLANTA 1: Aquí se producen Q1, Q2 y Q3, los productos Q1 y Q2 son insumos para 1 plantas 2 y
3. Q3 sale a la venta y también es insumo para la planta 3.

PLANTA 2: Aquí se producen Q4 y Q5, ambos productos son insumos para las plantas 3 y 4,
además Q4 sale a la venta.

PLANTA 3: Aquí se producen Q6 y Q7, ambos productos son insumos para la planta 4, además Q7
sale a la venta.

PLANTA 4: Aquí se producen Q8 y Q09, que son bienes finales y por lo tanto salen a la venta

La siguiente es la tabla INSUMO-PRODUCTO que muestra la cantidad de insumos necesarios


para elaborar un determinado producto.

P R O D U C T O S
COSTOS DE
Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Q9
PRODUCCION
Q1 - - - 2 3 3 4 - - $2
Q2 - - 3 2 2 2 - - $3
I Q3 - - - 2 2 - - $2
N Q4 - - 1 1 3 2 $4
S Q5 - 1 2 2 1 $3
U Q6 - - 2 2 $4
M Q7 - 1 2 $2
O Q8 - - $4
S Q9 - $3

De los productos que salen a la venta se tienen los siguientes datos;

PRODUCTO QUE PRECIO DE DEMANDA DEMANDA


SALE A LA VENTA VENTA MINIMA MAXIMA
Q3 $10 900 1800
Q4 $30 800 1500
Q7 $100 1000 1800
Q8 $300 850 1400
Q9 $350 600 1200

Además en la planta 1 se tiene capacidad para producir como máximo 120,000 unidades de Q1,
100000 unidades de Q2 y 18,000 unidades de Q3.

a) Plantee un modelo de programación lineal adecuado para esta situación.


b) Resuelva el problema usando un software de programación lineal.
c) Elabore un informe indicando la cantidad a fabricar de cada producto.

38
J. Ponce, G. Solís y L. Ulfe Sección A

4
II 4

8
5
1
IV
9
I 2

3
6

III 7

Variables de Decisión:

Qi = Cantidad a fabricar del producto i. i = 1, 2 , 5, 6, 8, 9


Vi = Cantidad a fabricar del producto i para la venta. i = 3, 4, 7
Mi = Cantidad a fabricar del producto i para insumo. i = 3, 4, 7

Restricciones: Demandas mínimas y máximas:

900  V3  1 800 (1) y (2)


800  V4  1 500 (3) y (4)
1 000  V7  1 800 (5) y (6)
650  Q8  1 400 (7) y (8)
600  Q9  1 200 (9) y (10)

Capacidades de Producción en la Planta 1:

Q1  120 000 (11)


Q2  100 000 (12)
V3 + M3  18 000 (13)

Requerimiento Insumo - Producto:

Q1 = 2 (V4 + M4) + 3Q5 + 3Q6 + 4(V7 + M7) (14)


Q2 = 3 (V4 + M4) + 2Q5 + 2Q6 + 2(V7 + M7) (15)
M3 = 2 Q6 + 2(V7 + M7) (16)
M4 = Q6 + (V7 + M7) + 3Q8 + 2Q9 (17)
Q5 = Q6 + 2(V7 + M7) + 2Q8 + Q9 (18)
Q6 = 2Q8 + 2Q9 (20)
M7 = Q8 + 2Q9 (21)

39
Investigación de Operaciones 1

Función Objetivo: Maximizamos la Utilidad

Ingreso por
= 10V3 + 30V4 + 100V7 + 300Q8 + 350Q9
Ventas

Costo Total de
= 2Q + 3Q2 + 2(V3 + M3) + 4(V4 + M4) + 3Q5 + 4Q6 + 2(V7 + M7) + 4Q8 + 3Q9
Pr oduccion

Max 
Ingreso por   Costo Total de
  
 Ventas   Pr oduccion 
  
Utilidad

40
J. Ponce, G. Solís y L. Ulfe Sección A

41
Investigación de Operaciones 1

42