Investigacin de Operaciones

Programacin Lineal
1.1. Definicin, desarrollo y tipos de modelos de Investigacin de Operaciones Investigacin de Operaciones o Investigacin Operacional. Se puede definir de la siguiente manera: La Investigacin de Operaciones es la aplicacin por grupos interdisciplinarios del mtodo cientfico a problemas relacionados con el control de las organizaciones o sistemas a fin de que se produzcan soluciones que mejor sirvan a los objetivos de toda la organizacin. Historia de la Investigacin de Operaciones. La primera actividad de Investigacin de Operaciones se dio durante la Segunda Guerra Mundial en Gran Bretaa, donde la Administracin Militar llam a un grupo de cientficos de distintas reas del saber para que estudiaran los problemas tcticos y estratgicos asociados a la defensa del pas. El nombre de Investigacin de Operaciones fue dado aparentemente porque el equipo estaba llevando a cabo la actividad de investigar operaciones (militares). Motivados por los resultados alentadores obtenidos por los equipos britnicos, los administradores militares de Estados Unidos comenzaron a realizar investigaciones similares. Para eso reunieron a un grupo selecto de especialistas, los cuales empezaron a tener buenos resultados y en sus estudios incluyeron problemas logsticos complejos, la planeacin de minas en el mar y la utilizacin efectiva del equipo electrnico. Al trmino de la guerra y atrados por los buenos resultados obtenidos por los estrategas militares, los administradores industriales empezaron a aplicar las herramientas de la Investigacin de Operaciones a la resolucin de sus problemas que empezaron a originarse debido al crecimiento del tamao y la complejidad de las industrias. Aunque se ha acreditado a Gran Bretaa la iniciacin de la Investigacin de Operaciones como una nueva disciplina, los Estados Unidos tomaron pronto el liderazgo en este campo rpidamente creciente. La primera tcnica matemtica ampliamente aceptada en el medio de Investigacin de Operaciones fue el Mtodo Smplex de Programacin Lineal, desarrollado en 1947 por el matemtico norteamericano George B. Dantzig. Desde entonces las nuevas tcnicas se han desarrollado gracias al esfuerzo y cooperacin de las personas interesadas tanto en el rea acadmica como en el rea industrial. Un segundo factor en el progreso impresionante de la Investigacin de Operaciones fue el desarrollo de la computadora digital, que con sus tremendas capacidades de velocidad de cmputo y de almacenamiento y recuperacin de informacin, permitieron al tomador de decisiones rapidez y precisin. Si no hubiera sido por la computadora digital, la Investigacin de Operaciones con sus grandes problemas de computacin no hubiera crecido al nivel de hoy en da. Actualmente la Investigacin de Operaciones se est aplicando en muchas actividades. Estas actividades han ido ms all de las aplicaciones militares e industriales, para incluir hospitales, instituciones financieras, bibliotecas, planeacin urbana, sistemas de transporte y sistemas de comercializacin.

Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
Caractersticas de la Investigacin de Operaciones. Es muy notable el rpido crecimiento del tamao y la complejidad de las organizaciones (empresas) humanas que se ha dado en estos ltimos tiempos. Tal tamao y complejidad nos hace pensar que una sola decisin equivocada puede repercutir grandemente en los intereses y objetivos de la organizacin y en ocasiones pueden pasar aos para rectificar tal error. Tambin el ritmo de la empresa de hoy implica que las DECISIONES se tomen ms rpidamente que nunca, pues el hecho de posponer la accin puede dar una decisiva ventaja al contrario en este mundo de la competencia. La palpable dificultad de tomar decisiones ha hecho que el hombre se aboque en la bsqueda de una herramienta o mtodo que le permita tomar las mejores decisiones de acuerdo a los recursos disponibles y a los objetivos que persigue. Tal herramienta recibi el nombre de Investigacin de Operaciones. De la definicin de Investigacin de Operaciones, como veremos en el siguiente apartado, podemos resaltar los siguientes trminos: organizacin, sistema, grupos interdisciplinarios, objetivo y metodologa cientfica. Una organizacin puede entenderse como un sistema, en el cual existen componentes; canales que comunican tales componentes e informacin que fluye por dichos canales. En todo sistema las componentes interactan unas con otras y tales interacciones pueden ser controlables e incontrolables. En un sistema grande, las componentes se relacionan de muchas maneras, pero no todas son importantes, o mejor dicho, no todas las interacciones tienen efectos importantes en las componentes del sistema. Por lo tanto es necesario que exista un procedimiento sistemtico que identifique a quienes toman decisiones y a las interacciones que tengan importancia para los objetivos de la organizacin o sistema. Uno de esos procedimientos es precisamente la Investigacin de Operaciones. Una estructura por la que no fluye informacin, no es dinmica, es decir, no podemos considerarla como un sistema. Por lo tanto podemos decir que la informacin es lo que da vida a las estructuras u organizaciones humanas. Los objetivos de toda organizacin sern siempre alcanzar el liderato en su rama, controlando la eficiencia y efectividad de todas sus componentes por medio de mtodos que permitan encontrar las relaciones ptimas que mejor operen el sistema, dado un objetivo especfico. Ante el tremendo avance que se ha dado en casi todas las ciencias en las ltimas dcadas, ya no es factible querer saber un poco de todo, sino ms bien especializarse en alguna rama de la ciencia. Los problemas que se presentan en las organizaciones no fcilmente se pueden resolver por un slo especialista. Por el contrario son problemas multidisciplinarios, cuyo anlisis y solucin requieren de la participacin de varios especialistas. Estos grupos interdisciplinarios necesariamente requieren de un lenguaje comn para poder entenderse y comunicarse, donde la Investigacin de Operaciones viene a ser ese puente de comunicacin. El enfoque de la Investigacin de Operaciones es el mismo del mtodo cientfico. En particular, el proceso comienza por la observacin cuidadosa y la formulacin del problema y sigue con la construccin de un modelo cientfico (por lo general matemtico) que intenta abstraer la esencia del problema real. En este punto se propone la hiptesis de que el modelo es una representacin lo suficientemente precisa de las caractersticas esenciales de la situacin como para que las conclusiones (soluciones) obtenidas sean vlidas tambin para el problema real. Esta hiptesis se verifica y modifica mediante las pruebas adecuadas. Entonces, en cierto modo, la Investigacin de Operaciones incluye la investigacin cientfica creativa de las propiedades fundamentales de las operaciones. Sin embargo, existe ms que esto. En particular, la Investigacin de Operaciones se ocupa tambin de la administracin prctica de la organizacin. As, para tener xito, deber tambin proporcionar conclusiones positivas y claras que pueda usar el tomador de decisiones cuando las necesite.
Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
La contribucin del enfoque de Investigacin de Operaciones proviene principalmente de: 1. La estructuracin de una situacin de la vida real como un modelo matemtico, logrando una abstraccin de los elementos esenciales para que pueda buscarse una solucin que concuerde con los objetivos del tomador de decisiones. Esto implica tomar en cuenta el problema dentro del contexto del sistema completo. 2. El anlisis de la estructura de tales soluciones y el desarrollo de procedimientos sistemticos para obtenerlas. 3. El desarrollo de una solucin, incluyendo la teora matemtica si es necesario, que lleva al valor ptimo de la medida de lo que se espera del sistema (o quiz que compare los cursos de accin opcionales evaluando esta medida para cada uno). Metodologa de la Investigacin de Operaciones. El proceso de la Investigacin de Operaciones comprende las siguientes fases: 1. Formulacin y definicin del problema. 2. Construccin del modelo. 3. Solucin del modelo. 4. Validacin del modelo. 5. Implementacin de resultados. Demos una explicacin de cada una de las fases: 1. Formulacin y definicin del problema. En esta fase del proceso se necesita: una descripcin de los objetivos del sistema, es decir, qu se desea optimizar; identificar las variables implicadas, ya sean controlables o no; determinar las restricciones del sistema. Tambin hay que tener en cuenta las alternativas posibles de decisin y las restricciones para producir una solucin adecuada. 2. Construccin del modelo. En esta fase, el investigador de operaciones debe decidir el modelo a utilizar para representar el sistema. Debe ser un modelo tal que relacione a las variables de decisin con los parmetros y restricciones del sistema. Los parmetros (o cantidades conocidas) se pueden obtener ya sea a partir de datos pasados o ser estimados por medio de algn mtodo estadstico. Es recomendable determinar si el modelo es probabilstico o determinstico. El modelo puede ser matemtico, de simulacin o heurstico, dependiendo de la complejidad de los clculos matemticos que se requieran. 3. Solucin del modelo. Una vez que se tiene el modelo, se procede a derivar una solucin matemtica empleando las diversas tcnicas y mtodos matemticos para resolver problemas y ecuaciones. Debemos tener en cuenta que las soluciones que se obtienen en este punto del proceso, son matemticas y debemos interpretarlas en el mundo real. Adems, para la solucin del modelo, se deben realizar anlisis de sensibilidad, es decir, ver cmo se comporta el modelo a cambios en las especificaciones y parmetros del sistema. Esto se hace, debido a que los parmetros no necesariamente son precisos y las restricciones pueden estar equivocadas. 4. Validacin del modelo. La validacin de un modelo requiere que se determine si dicho modelo puede predecir con certeza el comportamiento del sistema. Un mtodo comn para probar la validez del modelo, es someterlo a datos pasados disponibles del sistema actual y observar si reproduce las situaciones pasadas del sistema. Pero como no hay seguridad de que el comportamiento futuro del
Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
sistema contine replicando el comportamiento pasado, entonces siempre debemos estar atentos de cambios posibles del sistema con el tiempo, para poder ajustar adecuadamente el modelo. 5. Implementacin de resultados. Una vez que hayamos obtenido la solucin o soluciones del modelo, el siguiente y ltimo paso del proceso es interpretar esos resultados y dar conclusiones y cursos de accin para la optimizacin del sistema. Si el modelo utilizado puede servir a otro problema, es necesario revisar, documentar y actualizar el modelo para sus nuevas aplicaciones. Tipos de Modelos de la Investigacin de Operaciones 1. Determinsticos 1.1. Programacin matemtica 1.1.1. Programacin lineal 1.1.2. Programacin entera 1.1.3. Programacin dinmica 1.1.4. Programacin no lineal 1.1.5. Programacin multiobjetivo 1.2. Modelos de transporte 1.3. Modelos de redes 2. Probabilsticos 2.1. Programacin estocstica 2.2. Gestin de inventarios 2.3. Fenmenos de espera (colas) 2.4. Teora de juegos 2.5. Simulacin

Concepto de optimizacin. Una caracterstica adicional, que se mencion como de pasada, es que la Investigacin de Operaciones intenta encontrar la mejor solucin, o la solucin ptima, al problema bajo consideracin. En lugar de contentarse con slo mejorar el estado de las cosas, la meta es identificar el mejor curso de accin posible. An cuando debe interpretarse con todo cuidado, esta bsqueda de la optimalidad es un aspecto muy importante dentro de la Investigacin de Operaciones. reas de aplicacin de la Investigacin de Operaciones. Como su nombre lo dice, Investigacin de Operaciones significa hacer investigacin sobre las operaciones. Esto dice algo del enfoque como del rea de aplicacin. Entonces, la Investigacin de Operaciones se aplica a problemas que se refieren a la conduccin y coordinacin de operaciones o actividades dentro de una organizacin. La naturaleza de la organizacin es esencialmente inmaterial y, de hecho, la Investigacin de Operaciones se ha aplicado en los negocios, la industria, la milicia, el gobierno, los hospitales, etc. As, la gama de aplicaciones es extraordinariamente amplia. Casi todas las organizaciones ms grandes del mundo (alrededor de una docena) y una buena proporcin de las industrias ms pequeas cuentan con grupos bien establecidos de Investigacin de Operaciones. Muchas industrias, incluyendo la area y de proyectiles, la automotriz, la de comunicaciones, computacin, energa elctrica, electrnica, alimenticia, metalrgica, minera, del papel, del petrleo y del transporte, han empleado la Investigacin de Operaciones. Las instituciones financieras, gubernamentales y de salud estn incluyendo cada vez ms estas tcnicas.

Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
Para ser ms especficos, se consideran algunos problemas que se han resuelto mediante algunas tcnicas de Investigacin de Operaciones. La programacin lineal se ha usado con xito en la solucin de problemas referentes a la asignacin de personal, la mezcla de materiales, la distribucin y el transporte y las carteras de inversin. La programacin dinmica se ha aplicado con buenos resultados en reas tales como la planeacin de los gastos de comercializacin, la estrategia de ventas y la planeacin de la produccin. La teora de colas ha tenido aplicaciones en la solucin de problemas referentes al congestionamiento del trfico, al servicio de mquinas sujetas a descomposturas, a la determinacin del nivel de la mano de obra, a la programacin del trfico areo, al diseo de presas, a la programacin de la produccin y a la administracin de hospitales. Otras tcnicas de Investigacin de Operaciones, como la teora de inventarios, la teora de juegos y la simulacin, han tenido exitosas aplicaciones en una gran variedad de contextos. 1.2. Formulacin de Modelos Para llevar a cabo la Formulacin de un Modelo es necesario seguir los siguientes puntos: 1. Identificar los elementos de decisin 1. Alternativas (Variables de decisin) 2. Limitaciones del sistema (Restricciones) 3. Objetivos (uno o varios, optimizar o satisfacer) Hay que recoger informacin relevante (los datos pueden ser un grave problema)

2.

Es la etapa fundamental para que las decisiones sean tiles Estructura de los modelos empleados en la Investigacin de Operaciones. El enfoque de la Investigacin de Operaciones es el modelaje. Un modelo es una herramienta que nos sirve para lograr una visin bien estructurada de la realidad. As, el propsito del modelo es proporcionar un medio para analizar el comportamiento de las componentes de un sistema con el fin de optimizar su desempeo. La ventaja que tiene el sacar un modelo que represente una situacin real, es que nos permite analizar tal situacin sin interferir en la operacin que se realiza, ya que el modelo es como si fuera un espejo de lo que ocurre. Para aumentar la abstraccin del mundo real, los modelos se clasifican como 1) icnicos, 2) anlogos, 3) simblicos. Los modelos icnicos son la representacin fsica, a escala reducida o aumentada de un sistema real. Los modelos anlogos esencialmente requieren la sustitucin de una propiedad por otra con el fin de permitir la manipulacin del modelo. Despus de resolver el problema, la solucin se reinterpreta de acuerdo al sistema original. Los modelos ms importantes para la investigacin de operaciones, son los modelos simblicos o matemticos, que emplean un conjunto de smbolos y funciones para representar las variables de decisin y sus relaciones para describir el comportamiento del sistema. El uso de las matemticas para representar el modelo, el cual es una representacin aproximada de la realidad, nos permite aprovechar las computadoras de alta velocidad y tcnicas de solucin con matemticas avanzadas. Un modelo matemtico comprende principalmente tres conjuntos bsicos de elementos que son:

Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
1. Variables y parmetros de decisin. Las variables de decisin son las incgnitas (o decisiones) que deben determinarse resolviendo el modelo. Los parmetros son los valores conocidos que relacionan las variables de decisin con las restricciones y funcin objetivo. Los parmetros del modelo pueden ser determinsticos o probabilsticos. Restricciones. Para tener en cuenta las limitaciones tecnolgicas, econmicas y otras del sistema, el modelo debe incluir restricciones (implcitas o explcitas) que restrinjan las variables de decisin a un rango de valores factibles. Funcin objetivo. La funcin objetivo define la medida de efectividad del sistema como una funcin matemtica de las variables de decisin. Se Maximiza Ganancia y se Minimiza Costos.

2.

3.

La solucin ptima ser aquella que produzca el mejor valor de la funcin objetivo, sujeta a las restricciones. Ejemplos 1. La WYNDOR GLASS CO. Produce artculos de vidrio de Alta calidad, entre ellos ventanas y puertas de vidrio. Tiene tres plantas. Los marcos y molduras de aluminio se hacen en la planta 1, los de madera en la planta 2 y la 3 produce el vidrio y ensambla los productos. Debido a una reduccin de las ganancias, la alta administracin ha decidido reorganizar la lnea de produccin de la compaa. Se descontinuarn varios productos no rentables y se dejar libre una parte de la capacidad de la produccin para emprender la fabricacin de los 2 productos nuevos que tienen ventas potenciales grandes: Producto 1: Una puerta de vidrio de 8 pies con marco de aluminio. Producto 2: Una ventana corrediza con marco de madera de 4 pies por 6. El producto 1 requiere parte de la capacidad de produccin en las plantas 1 y 3 y nada en la planta 2. El producto 2 solo necesita trabajo en las plantas 2 y 3. La divisin de comercializacin ha concluido que la compaa puede vender todos los productos que se puedan fabricar en las plantas. Sin embargo, como ambos productos competirn por la misma capacidad de produccin en la planta 3, no est claro que mezcla de productos sera la ms rentable. Por lo tanto se ha formado un equipo de IO para estudiar este problema. Despus de hacer una investigacin, el depto. De IO determin: El porcentaje de la capacidad de produccin en cada planta que estar disponible para estos productos. El porcentaje de esta capacidad que requiere cada unidad producida por minuto. La ganancia unitaria por cada minuto. Esta informacin se ve reflejada en la siguiente tabla:
Plata 1 2 3 Ganancia por Lote Tiempo de produccin por lote, horas Producto 1 2 1 0 0 2 3 2 $3,000.00 $5,000.00 Tiempo de produccin disponible a la semana en hrs. 4 12 18

Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
Solucin del problema Definicin de variables: X1 = Cantidad a producir del producto 1 X2 = Cantidad a producir del producto 2 Formulacin del modelo: Max Z = 3X1 + 5X2 s.a. X1 <= 4 2X2 <= 12 3X1 + 2X2 <= 18 Xi >= 0 para todo valor de ( 2. )i

La compaa XYZ fabrica zapatos de dos clases: Normales y de Lujo, se desea determinar su produccin de cada clase de zapatos en tal forma que maximice sus utilidades diarias durante el mes siguiente. El tiempo empleado en producir un par de zapatos de lujo, es el doble del necesario para un par estndar. Si todos los zapatos fuesen de clase estndar la compaa tendra la capacidad de producir 1200 pares por da. El suministro de piel es suficiente par 900 pares por da sin importar la clase de zapatos. De los otros materiales necesarios se tiene la capacidad de producir 600 pares de lujo por da y 1300 pares estndar por da. Las utilidades netas son de $60.00 y $30.00 para zapatos de Lujo y estndar respectivamente. Solucin del problema Definicin de variables: X1 = Cantidad de zapatos de lujo a producir X2 = Cantidad de zapatos estndar a producir Formulacin del modelo: Max Z = 60X1 + 30X2 s.a. 2X1 + X2 <= 1200 } Capacidad de produccin X1 + X2 <= 900 } Piel X1 <= 600 Otros Materiales X2 <= 1300 Xi >= 0
i

Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
3. Una fbrica de televisores desea maximizar sus utilidades en la venta de sus dos artculos principales: televisores a color y televisores de plasma. Una televisin a color requiere en promedio 4 horas-hombre en produccin de partes, 2 horashombre para ensamble y 0.5 horas-hombre para inspeccin. Una televisin de plasma requiere en promedio 6 horas-hombre en produccin de partes, 3 horas-hombre para ensamble y 1 horas-hombre para inspeccin. Durante cada periodo de produccin hay disponibles 2500 horas-hombre para produccin de partes, 1100 horas-hombre para ensamble y 600 horas-hombre para inspeccin. La utilidad neta para cada televisor de plasma y color es de $2500.00 y $1000.00 respectivamente. Solucin del problema Definicin de variables: X1 = Cantidad de televisores de plasma X2 = Cantidad de televisores a color Formulacin del modelo: Max Z = 2500X1 + 1000X2 s.a. 6X1 + 4X2 <= 2500 3X1 + 2X2 <= 1100 X1 + .5X2 <= 600 Xi >= 0 4.
i

Un experimento social interesante en la regin del mediterrneo es el sistema kibbutzim, tambin conocido como comunidades agrcolas comunales, en Israel. Es usual que los grupos de kibbutzim se unan para compartir los servicios tcnicos comunes y coordinar su produccin. El primer grupo se refiere a 3 subgrupos de kibbutzim el cual se llamar la Confederacin Sur de kibbutzim. La planeacin global de la Confederacin Sur de kibbutzim se hace en su oficina de coordinacin tcnica. En la actualidad estn planeando la produccin agrcola para el ao prximo. La produccin agrcola est limitada tanto por la extensin de la tierra disponible para la irrigacin como por la cantidad de agua que la comisin de aguas asigna para irrigarlo. El tipo de cosecha apropiada para la regin incluye: remolacha, algodn y sorgo, y son estos los 3 tipos de cosechas los que se estn estudiando para la estacin venidera. Las cosechas difieren primordialmente en su rendimiento por acre esperado y en su consumo de agua, adems el ministerio de cultura ha establecido una cantidad mxima de acres que la Confederacin Sur de kibbutzim puede dedicar a estas cosechas. Los 3 kibbutzim que pertenecen a Confederacin Sur estn de acuerdo en sembrar la misma proporcin de sus tierras irrigables disponibles. Cualquier combinacin de estas cosechas se puede sembrar en cualquiera de los kibbutzim. El trabajo al que se enfrent la oficina de coordinacin tcnica consiste en planear cuantos acres deben asignarse a cada tipo de cosecha para cada kibbutzim.
Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
Los datos de recursos para la Confederacin Sur de kibbutzim son los siguientes:
No. de Kibbutzim 1 2 3 Terreno para uso (Acres) 400 600 300 Asignacin de Agua (pies Acre) 600 800 375

Los datos de cosechas para la Confederacin Sur de kibbutzim son los siguientes:
Cosecha 1 2 3 Cantidad Mxima (Acres) 600 500 325 Consumo de agua (pies-acre/acres) 3 2 1 Rendimiento Neto ($/acre) 400 300 100

Cumpliendo con las restricciones dadas el objetivo es maximizar el rendimiento total para la Confederacin Sur. Solucin del problema Definicin de variables: Xi es la cantidad de cosecha sembrada en cada kibbutzim
X1 = Remolacha en el kibbutzim 1 X2 = Algodn en el kibbutzim 1 X3 = Sorgo en el kibbutzim 1 X4 = Remolacha en el kibbutzim 2 X5 = Algodn en el kibbutzim 2 X6 = Sorgo en el kibbutzim 2 X7 = Remolacha en el kibbutzim 3 X8 = Algodn en el kibbutzim 3 X9 = Sorgo en el kibbutzim 3

Formulacin del modelo: Max Z = 400(X1 + X4 + X7) + 300(X2+ X5+ X8) + 100(X3+ X6+ X9) s.a. Terreno: X1 + X2 + X3 <= 400 X4 + X5 + X6 <= 600 X7 + X8 + X9 <= 300 Agua: 3X1 + 2X2 + X3 <= 600 3X4 + 2X5 + X6 <= 800 3X7 + 2X8 + X9 <= 375 Cosecha: X1 + X4 + X7 <= 600 X2 + X5 + X8 <= 500 X3 + X6 + X9 <= 325 Proporcin: Xi >= 0 i

Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
5. Cierta compaa tiene 3 plantas con un exceso en su capacidad de produccin. Las 3 plantas pueden fabricar un determinado producto y la gerencia ha decidido usar parte de la capacidad adicional para este fin. El producto puede fabricarse en 3 tamaos que son: chico, mediano y grande los cuales darn una ganancia neta de $275.00, $330.00 y $375.0 respectivamente. Las plantas 1, 2 y 3 tienen capacidad de mano de obra y equipo para producir 750, 900 y 450 unidades diarias cada una, sin importar el tamao o la combinacin de tamaos que se pidan. Sin embargo, la cantidad de espacio disponible para almacenar material en el proceso impone una limitacin en las tasas de produccin. Se cuenta con 13000, 12000 y 5000 pies2 de espacio en las plantas, para los materiales en proceso de produccin diaria de este producto. Cada unidad chica, mediana y grande que se produce requiere 12, 15 y 20 pies2 respectivamente. Los pronsticos de mercado indican que se pueden vender 750, 1200 y 900 unidades diarias, correspondientes a los tamaos chico, mediano y grande. Con el fin de mantener una carga de trabajo uniforme entre las plantas y para conservar alguna flexibilidad, la gerencia ha decidido que la produccin adicional que se asigne emplee el mismo porcentaje de la capacidad adicional con que cuenta la fbrica. El gerente quiere saber cuntas unidades de cada tamao debe producir en la planta para maximizar la ganancia. Solucin del problema Definicin de variables: Xi es la cantidad de producto i en cada planta
X1 = Chico en la planta 1 X2 = Mediano en la planta 1 X3 = Grande en la planta 1 X4 = Chico en la planta 2 X5 = Mediano en la planta 2 X6 = Grande en la planta 2 X7 = Chico en la planta 3 X8 = Mediano en la planta 3 X9 = Grande en la planta 3

Formulacin del modelo: Max Z = 275(X1 + X4 + X7) + 330(X2+ X5+ X8) + 375(X3+ X6+ X9) s.a. Capacidad: X1 + X2 + X3 <= 750 X4 + X5 + X6 <= 900 X7 + X8 + X9 <= 450 Cap.esp.dis.:12X1+15X2+20X3 <= 13000 12X4 + 15X5 + 20X6 <= 12000 12X7 + 15X8 + 20X9 <= 5000 Demanda: X1 + X4 + X7 >= 750 X2 + X5 + X8 >= 1200 X3 + X6 + X9 >= 900 Proporcin: Xi >= 0
i

Ing. Felipe Martin Sanchez Cortes

Investigacin de Operaciones
6. Una familia es propietaria de 125 acres y tiene fondos por $40,000.00 para invertir. Sus miembros pueden producir un total de 3500 Hrs-Hombre. De mano de obra durante el invierno y 4000 HrsHombre durante el verano. En caso de que no se necesite una parte de esas Hrs-Hombre, los jvenes de la familia las emplean para trabajar en el campo vecino por $5.00 la hora durante los meses de invierno y por $6.00 la hora en el verano. La familia puede obtener el ingreso en efectivo a partir de 3 tipos de cosecha y dos tipos de animales de granja; Vacas lecheras y gallinas ponedoras. Para la cosecha no se necesita inversin, pero cada vaca requerir un desembolso de $1,200.00 y cada gallina costara $9.00. Cada vaca necesita 1.5 acres, 100 Hrs-Hombre durante el invierno y otras 50 Hrs-Hombre en el verano; cada una producir un ingreso anual neto de $1,000.00 para la familia. Las cifras correspondientes para cada gallina son: nada de terreno, 0.6 Hrs-Hombre en el invierno, 0.3 HrsHombre en el verano y un ingreso anual neto de $5.00. Caben 3000 gallinas por gallinero y el corral limita el ganado a un mximo de 32 vacas. Las estimaciones de las Hrs-Hombre y el ingreso por acres planteado con cada tipo de cosecha son: Soya 20 50 500 Maz 35 75 750 Avena 10 40 350

Hrs-Hombre en Invierno Hrs-Hombre en el Verano Ingreso neto anual ($)

La familia quiere determinar cuntos acres debe sembrar con cada tipo de cosecha y cuantas vacas y gallinas debe mantener para maximizar su ingreso neto. Solucin del problema Definicin de variables: Xi es la cantidad de producto i a sembrar o mantener.
X1 = Cantidad de Soya a sembrar por acre X2 = Cantidad de Maz a sembrar por acre X3 = Cantidad de Avena a sembrar por acre X4 = Cantidad de vacas a mantener por acre X5 = Cantidad de gallinas a mantener por acre X5 = Cantidad ganada en Invierno X6 = Cantidad ganada en Verano

Formulacin del modelo: Max Z = 500X1 + 750X2 + 350X3+ 1000X4+ 5X5+ 5X6+ 6X7 s.a. Terreno: X1 + X2 + X3 + 1.5X4 <= 125 Inversin: 1200X4+9X5 <= 40,000 Hrs.-Hombre Invierno:
20X1 + 35X2 + 10X3 + 100X4 + 0.6X5 <= 3500

Hrs.-Hombre Verano:
50X1 + 75X2 + 40X3 + 50X4 + 0.3X5 <= 4000

Capacidad: X4 <= 32 X5 <= 3,000 Xi >= 0 i

Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
7. Se tienen 4 proyectos con sus respectivos costos durante un periodo de 3 aos, as como la utilidad total en el periodo de los 3 aos. Se desea maximizar la utilidad total si se dispone de $30,000.00, $28,000.00 y $25,000.00 en cada uno de los aos segn la siguiente tabla:
Proyecto
1 2 3 4

Ao 1
7 3 16 12

Costos Ao 2
10 13 12 8

Ao 3
3 7 16 15

Utilidad Total
95 50 130 100

Solucin del problema Definicin de variables: X1 = Proyecto 1 X2 = Proyecto 2 X3 = Proyecto 3 X4 = Proyecto 4 Formulacin del modelo: Max Z = 95X1 + 50X2 + 130X3 + 100X4 s.a. 7X1 + 3X2 + 16X3 + 12X4 <= 30,000 10X1 + 13X2 + 12X3 + 8X4 <= 28,000 3X1 + 7X2 + 16X3 + 15X4 <= 25,000 Xi >= 0 8.
i

Una compaa distribuidora de cerveza desea saber que poltica de distribucin minimizar sus costos de distribucin, si cuenta con depsitos en: Monterrey, Mxico y Guadalajara, y los centros de consumo a los que tiene que surtir son: Tecate, Culiacn, Durango y Mrida. Los costos de distribucin entre centros de consumo y depsitos, as como las capacidades y demandas por periodos son:
Monterrey Mxico Guadalajara Demanda Tecate 8+ 7+ 2+ 250* Culiacn 3+ 6+ 4+ 300* Durango 4+ 5+ 3+ 200* Mrida 5+ 2+ 5+ 160* Capacidad 550 300 250
+ Miles de cartones * Costo/km en cartones

Formule el problema de programacin lineal. Solucin del problema Definicin de variables: Xij Cantidad de miles de cartones que se van a mandar del centro de produccin i al lugar de consumo j. (i=1,2,3 y j=1,2,3,4). Formulacin del modelo:
Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
Min Z = 8X11 + 3X12 + 4X13 + 5X14 + 7X21 + 6X22 + 5X23 + 2X24 + 2X31 + 4X32 + 3X33 + 3X34 s.a. Capacidad: X11 + X12 + X13 + X14 <= 550 X21 + X22 + X23 + X24 <= 300 X31 + X32 + X33 + X34 <= 200 Demanda: X11 + X12 + X22 + X13 + X14 + Xij >= 0 9.
ij

X21 + X31 <= 250 X32 <= 300 X23 + X33 <= 200 X24 + X34 <= 160

Una granja desea encontrar la frmula de una dieta para pollos que suponga una mezcla de 100 lbs. que es el lote diario requerido. La dieta debe contener al menos 0.8% pero no ms de 1.2% de calcio, al menos 22% de protenas, a lo ms 5% de fibra cruda. Suponga que los principales ingredientes utilizados contienen maz, soya y caliza. El contenido nutritivo de estos ingredientes se resume a continuacin:
Producto
Piedra caliza Maz Soya

Calcio
0.380 0.001 0.002

Ingredientes (lbs * lb de ingrediente) Protenas

0.00 0.09 0.50

Fibra
0.00 0.02 0.08

Costo /lb
0.0164 0.0463 0.1250

Solucin del problema Definicin de variables: Xi Cantidad de ingredientes que debe contener la mezcla. X1 = Piedra Caliza X2 = Maz X3 = Soya Formulacin del modelo: Min Z = 0.0164X1 + 0.0463X2 + 0.1250X3 s.a. 0.380X1 + 0.001X2 + 0.002X3 >= 0.008 * 100 (Libras de la mezcla) 0.380X1 + 0.001X2 + 0.002X3 <= 0.012 * 100 0.009X2 + 0.500X3 >= 0.220 * 100 0.020X2 + 0.080X3 <= 0.050 * 100 Xi >= 0
i

Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
10. Una fabrica produce 3 modelos (I, II y III) de un cierto producto y usa 2 tipos de materia prima (A y B) de los cuales se tienen disponibles 2,000 y 3,000 unidades respectivamente. Los requisitos de materia prima por unidad de los 3 modelos son:
Materia Prima
A B

I
2 4

Requisitos por unidad de modelo II

3 2

III
5 7

Disponibilidad
2,000 3,000

El tiempo de mano de obra para cada unidad del modelo I es 2 veces el del modelo II y 3 veces el del modelo III. La fuerza laboral completa de la fbrica puede producir el equivalente de 700 unidades del modelo I. En una encuesta de mercado se indica que la demanda mnima de los 3 modelos es de 200, 250 y 150 unidades respectivamente, sin embargo las relaciones del no. unidades producidas debe ser igual a 3:2:5. Suponga que los beneficios pos unidad de los modelos I, II y III son: 30, 20 y 50 unidades monetarias. Formule el problema por medio de un modelo de programacin lineal. Solucin del problema Definicin de variables: Xi Cantidad de artculos a producirse de cada modelo. X1 = Modelo I X2 = Modelo II X3 = Modelo III Formulacin del modelo: Max Z = 30X1 + 20X2 + 50X3 s.a. Materia Prima: 2X1 + 3X2 + 5X3 <= 2000 4X1 + 2X2 + 7X3 <= 3000 Demanda: X1 >= 200, X2 >= 250, X3 >= 150 X1 + 2X2 + 3X3 <= 700

Cap. Disponible: Xi >= 0 11.

i

Se procesan 4 productos sucesivamente en 2 maquinas. Los tiempos de manufactura en hrs. por unidad de cada producto se tabulan a continuacin para las 2 maquinas:
Maquinaria
A B

Producto 1
2 3

Tiempo por unidades (horas) Producto 2 Producto 3

3 2 4 1

Producto 4
2 2

Disponibilidad
$10.00 $15.00

Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
El costo total de producir una unidad de cada producto est basado directamente en el tiempo de mquina. Suponga que le costo por hora de las maquinas 1 y 2 es de 10 y 15 horas. Las horas totales presupuestadas para todos los productos en las maquinas 1 y 2 son 500 y 380. Si el precio de venta por unidad para los productos 1, 2, 3 y 4 es de 65, 70, 55 y 45 respectivamente, formle el problema como un modelo de programacin lineal para maximizar el beneficio neto total. Solucin del problema Definicin de variables: Xi Cantidad de artculos a producirse de cada producto X1 = Producto 1 X2 = Producto 2 X3 = Producto 3 X4 = Producto 4 Utilidad: Precio de Venta Costo, por lo tanto: Producto 1 = 65 2(10) 3(15) = 0 Producto 2 = 70 3(10) 2(15) = 10 Producto 3 = 55 4(10) 1(15) = 0 Producto 4 = 45 2(10) 2(15) = 5 Formulacin del modelo: Max Z = 0X1 + 10X2 + 0X3 5X4 s.a. 2X1 + 3X2 + 4X3 + 2X4 <= 500 3X1 + 2X2 + X3 + 2X4 <= 380 Xi >= 0 12.
i

Para una cafetera que trabaja 24 horas se requieren las siguientes meseras:
Horarios del da 02 06 06 10 10 14 14 18 18 22 22 02 No. de meseras requeridas 4 8 10 7 12 4

Cada mesera trabaja turnos de 8 horas consecutivas por da. El objetivo es encontrar el nmero ms pequeo de meseras requerido para cumplir los requisitos anteriores. Formule el problema con un modelo de programacin lineal.

Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
Solucin del problema Definicin de variables: Xi no de meseras que inician su turno Formulacin del modelo: Min Z = X1 + X2 + X3 + X4 + X5+ X6 + X0 s.a. X0 + X1 >= 4 (Turno de 02 06) X1 + X2 >= 8 (Turno de 06 10) X2 + X3 >= 10 (Turno de 10 14) X3 + X4 >= 7 (Turno de 14 18) X4 + X5 >= 12 (Turno de 18 22) X5 + X0 >= 4 (Turno de 22 02) Xi >= 0 13.
i

Dos aleaciones A y B se hacen de materiales (I, II, III y IV) de acuerdo con las siguientes especificaciones: Aleacin A: A lo ms 80% de I A lo ms 30% de II Al menos 50% de IV Aleacin B: Entre 40% y un 60% de II Al menos 30% de III A lo menos 70% de IV

Los 4 metales se extraen de diferentes minerales cuyos constituyentes en % de stos metales, cantidad mxima disponible y costo por tonelada se tabulan como sigue:
Material
1 2 3

Cantidad Mxima(tons)
1,000 2,000 3,000

I
20 10 5

Constituyentes (%) II III IV

10 20 5 30 30 70 30 30 20

Otros
10 10 0

Precio ($/Ton)
30 40 50

Suponiendo que los precios de venta de las aleaciones A y B son $200.00 y $300.00 pesos por tonelada. Formule un modelo de programacin lineal para resolver este problema. Solucin del problema Definicin de variables: Xijk Cantidad de minerales necesarios para extraer los metales (Aleacin i=1,2, Mineral j=1,2,3 y Constituyente k=1,2,3,4). Formulacin del modelo: Min Z = 30(X111 + X112 + X113 + X114 + X211 + X212 + X213 + X214) + 40(X121 + X122 + X123 + X124 + X221 + X222 + X223 + X224) + 50(X131 + X132 + X133 + X134 + X231 + X232 + X233 + X234)

Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
s.a. Aleacin 1: 0.20X111 + 0.10X121 + 0.05X131 <= .80 0.10X112 + 0.20X122 + 0.05X132 <= .30 0.30X114 + 0.30X123 + 0.20X134 <= .50 Aleacin 2: 0.10X212 + 0.20X222 + 0.05X232 >= .40 0.10X212 + 0.20X222 + 0.05X232 <= .60 0.30X213 + 0.30X223 + 0.70X233 >= .30 0.30X214 + 0.30X224 + 0.20X234 <= .70 Toneladas por mineral: Xi1k <= 1,000, Xi2k <= 2,000, Xi3k <= 3,000 Xi >= 0
i

1.3. Mtodo Grfico El mtodo grfico se utiliza para la solucin de problemas de PL, representando geomtricamente a las restricciones, condiciones tcnicas y el objetivo. El modelo se puede resolver en forma grfica si slo tiene dos variables. Para modelos con tres o ms variables, el mtodo grfico es imprctico o imposible. Cuando los ejes son relacionados con las variables del problema, el mtodo es llamado mtodo grfico en actividad. Cuando se relacionan las restricciones tecnolgicas se denomina mtodo grfico en recursos. Los pasos necesarios para realizar el mtodo son nueve:
1. Graficar las soluciones factibles, o el espacio de soluciones (factible), que satisfagan todas las restricciones en forma simultnea. Las restricciones de no negatividad Xi>= 0 confan todos los valores posibles. El espacio encerrado por las restricciones restantes se determinan sustituyendo en primer trmino <= por (=) para cada restriccin, con lo cual se produce la ecuacin de una lnea recta. Trazar cada lnea recta en el plano y la regin en cual se encuentra cada restriccin cuando se considera la desigualdad lo indica la direccin de la flecha situada sobre la lnea recta asociada. Cada punto contenido o situado en la frontera del espacio de soluciones satisfacen todas las restricciones y por consiguiente, representa un punto factible. Aunque hay un nmero infinito de puntos factibles en el espacio de soluciones, la solucin ptima puede determinarse al observar la direccin en la cual aumenta la funcin objetivo. Las lneas paralelas que representan la funcin objetivo se trazan mediante la asignacin de valores arbitrarios a fin de determinar la pendiente y la direccin en la cual crece o decrece el valor de la funcin objetivo.

2. 3.

4.

5.

6.

7.

Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
Ejemplo La WYNDOR GLASS CO. Produce () Formulacin del problema Max Z = 3X1 + 5X2 s.a. X1 <= 4 2X2 <= 12 3X1 + 2X2 <= 18

.(1) .(2) .(3) )i

Xi >= 0 para todo valor de (

Solucin del problema

Para (1) Si X1 = 0, X2 = 0 y X2 = 0, X1 = 4 Para (2) Si X1 = 0, X2 = 6 y X2 = 0, X1 = 0

Para (3) Si X1 = 0, X2 = 9 y X2 = 0, X1 = 6 Para (Z) 3X1 + 5X2 = 15 Si X1 = 0, X2 = 3 y X2 = 0, X1 = 5

X2

11 (1) 10 9 (3) 8 (2) 7 6 5 4 Regin 3 Factible 2 1 0 1 2 3 4 5 6 7 8 9

Punto Optimo (2,6)

X1

Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
Resuelve los siguientes problemas por el mtodo Grfico
1. Max Z = 6X1 + 3X2 s.a. 2X1 + X2 <= 12 X1 + X2 <= 9 X1 <= 6 X2 <= 13 Xi >= 0
i

3. Min Z = 4X1 + 3X2 s.a. 2X1 + X2 <= 10 -3X1 + 2X2 <= 6 X1 + X2 >= 6 Xi >= 0
i

5. Max Z = 3X1 + 2X2 s.a. X1 =6 X2 <= 6 X1 + X2 <= 9 Xi >= 0

i

2. Max Z = 25X1 + 10X2 s.a. 6X1 + 4X2 <= 25 3X1 + 2X2 <= 11 X1 + .5X2 <= 6 Xi >= 0
i

4. Min Z = 3X1 + 2X2 s.a. X1 >= 9 X1 + X2 >= 12 Xi >= 0

i

1.4. Formas estndar y cannicas Introduccin a la programacin lineal Muchas personas clasifican el desarrollo de la programacin lineal entre los avances cientficos ms importantes de mediados del siglo XX, su impacto desde 1950 ha sido extraordinario. En la actualidad es una herramienta de uso normal que ha ahorrado miles o millones de pesos a muchas compaas o negocios, incluyendo empresas medianas en los distintos pases industrializados del mundo; su aplicacin a otros sectores de la sociedad se est ampliando con rapidez. Una proporcin muy grande de los clculos cientficos en computadoras est dedicada al uso de la programacin lineal. Cul es la naturaleza de esta notable herramienta y qu tipos de problemas puede manejar. Expresado brevemente, el tipo ms comn de aplicacin abarca el problema general de asignar recursos limitados entre actividades competitivas de la mejor manera posible (es decir, en forma ptima). Con ms precisin, este problema incluye elegir el nivel de ciertas actividades que compiten por recursos escasos necesarios para realizarlas. Despus, los niveles de actividad elegidos dictan la cantidad de cada recurso que consumir cada una de ellas. La variedad de situaciones a las que se puede aplicar esta descripcin es sin duda muy grande, y va desde la asignacin de instalaciones de produccin a los productos, hasta la asignacin de los recursos nacionales a las necesidades de un pas; desde la seleccin de una cartera de inversiones, hasta la seleccin de los patrones de envo; desde la planeacin agrcola, hasta el diseo de una terapia de radiacin, etc. No obstante, el ingrediente comn de todas estas situaciones es la necesidad de asignar recursos a las actividades eligiendo los niveles de las mismas. La programacin lineal utiliza un modelo matemtico para describir el problema. El adjetivo lineal significa que todas las funciones matemticas del modelo deber ser funciones lineales. En este caso, las palabra programacin no se refiere a programacin en computadoras; en esencia es un sinnimo de planeacin. As, la programacin lineal trata la planeacin de las actividades para obtener un resultado ptimo, esto es, el resultado que mejor alcance la meta especificada (segn el modelo matemtico) entre todas las alternativas de solucin.
Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
Aunque la asignacin de recursos a las actividades es la aplicacin ms frecuente, la programacin lineal tiene muchas otras posibilidades. de hecho, cualquier problema cuyo modelo matemtico se ajuste al formato general del modelo de programacin lineal es un problema de programacin lineal. An ms, se dispone de un procedimiento de solucin extraordinariamente eficiente llamado mtodo smplex, para resolver estos problemas, incluso los de gran tamao. Estas son algunas causas del tremendo auge de la programacin lineal en las ltimas dcadas. MODELO DE PROGRAMACIN LINEAL Los trminos clave son recursos y actividades, en donde m denota el nmero de distintos tipos de recursos que se pueden usar y n denota el nmero de actividades bajo consideracin. Algunos ejemplos de recursos son dinero y tipos especiales de maquinaria, equipo, vehculos y personal. Los ejemplos de actividades incluyen inversin en proyectos especficos, publicidad en un medio determinado y el envo de bienes de cierta fuente a cierto destino. En cualquier aplicacin de programacin lineal, puede ser que todas las actividades sean de un tipo general (como cualquiera de los ejemplos), y entonces cada una correspondera en forma individual a las alternativas especficas dentro de esta categora general. El tipo ms usual de aplicacin de programacin lineal involucra la asignacin de recursos a ciertas actividades. La cantidad disponible de cada recurso est limitada, de forma que deben asignarse con todo cuidado. La determinacin de esta asignacin incluye elegir los niveles de las actividades que lograrn el mejor valor posible de la medida global de efectividad. Ciertos smbolos se usan de manera convencional para denotar las distintas componentes de un modelo de programacin lineal. Estos smbolos se enumeran a continuacin, junto con su interpretacin para el problema general de asignacin de recursos a actividades.
Z = xj = cj = bi = aij = valor de la medida global de efectividad nivel de la actividad j (para j = 1,2,...,n) incremento en Z que resulta al aumentar una unidad en el nivel de la actividad j cantidad de recurso i disponible para asignar a las actividades (para i = 1,2,...,m) cantidad del recurso i consumido por cada unidad de la actividad j

El modelo establece el problema en trminos de tomar decisiones sobre los niveles de las actividades, por lo que x1,x2,....,xn se llaman variables de decisin. Los valores de cj, bi y aij (para i = 1,2,....,m y j = 1,2,....,n) son las constantes de entrada al modelo. Las cj, bi y aij tambin se conocen como parmetros del modelo. Forma Cannica La forma cannica de un problema de programacin lineal es:

Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
Todas las variables de decisin son no negativas. Todas las restricciones son del tipo menor o igual. La funcin objetivo es de tipo de maximizacin. Forma estndar del modelo Ahora se puede formular al modelo matemtico para este problema general de asignacin de recursos a actividades. En Datos necesarios para un modelo de programacin lineal que maneja la asignacin de recursos a actividades particular, este modelo consiste en elegir valores de x1,x2,....,xn para: Optimizar (maximizar o minimizar) Z = c1x1 + c2x2 +....+ cnxn, Sujeta a las restricciones: a11x1 + a12x2 +....+ a1nxn < b1 a21x1 + a22x2 +....+ a2nxn < b2 . . . am1x1 + am2x2 +....+ amnxn < bm X1 0, X2 0, ..., Xn 0.

Suposiciones del Modelo de Programacin Lineal Proporcionalidad La contribucin de cada actividad al valor de la funcin objetivo Z es proporcional al nivel de actividad xj, como lo representa el trmino cjxj en la funcin objetivo. De manera similar, la contribucin de cada actividad al lado izquierdo de cada restriccin funcional es proporcional al nivel de la actividad xj, en la forma en que lo representa el trmino aijxj en la restriccin. En consecuencia, esta suposicin elimina cualquier exponente diferente a 1 para las variables en cualquier trmino de las funciones (ya sea la funcin objetivo o la funcin en el lado izquierdo de las restricciones funcionales) en un modelo de programacin lineal. Actividad Establece que la entrada y salida de un recurso en particular al conjunto de actividades, deben ser la misma cantidad; o sea, que las actividades transforman los recursos y no los crean o destruyen. Esta suposicin garantiza que la contribucin total tanto a la funcin objetivo como a las restricciones, es igual a la suma de las contribuciones individuales. Cuando en un problema dado no se tenga la aditividad puede recurrirse al empleo de otras tcnicas de la programacin matemtica, dependiendo de cada caso en particular. Aditividad Cada funcin en un modelo de programacin lineal (ya sea la funcin objetivo o el lado izquierdo de las restricciones funcionales) es la suma de las contribuciones individuales de las actividades respectivas.

Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
Divisibilidad Las variables de decisin en un modelo de programacin lineal pueden tomar cualquier valor, incluyendo valores no enteros, que satisfagan las restricciones funcionales y de no negatividad. As, estas variables no estn restringidas a slo valores enteros. Como cada variable de decisin representa el nivel de alguna actividad, se supondr que las actividades se pueden realizar a niveles fraccinales. Limitaciones del modelo de programacin lineal Modelo Determinstico El modelo de PL involucra nicamente tres tipos de parmetros: Cj, aij y bi; de ah su sencillez y gran aplicacin. Sin embargo, el valor de dichos parmetros debe ser conocido y constante. Cuando el valor de los parmetros tiene un cierto riesgo o incertidumbre, pude utilizarse la programacin paramdica, la programacin estocstica, o realizarse un anlisis de sensibilidad. Modelo Esttico En algunos modelos matemticos se han empleado con xito las ecuaciones diferenciales, para inducir la variable tiempo en ellos. En este sentido, puede decidirse que la PL utiliza un modelo esttico, ya que la variable tiempo no se involucra formalmente. Adquiriendo un poco de experiencia en la formulacin de modelos de PL, puede imbuirse la temporabilidad mencionada, con el uso de subndices en las variables. Modelo que no suboptimiza Debido a la forma que se plantea el modelo de PL, o encuentra la solucin ptima o declara que sta no existe. Cuando no es posible obtener una solucin ptima y se debe obtener alguna, se recurre a otra tcnica ms avanzada que la PL, la cual se denomina programacin lineal por metas. Riesgo al aplicar la Investigacin de Operaciones Al aplicar la I de O al estudio de sistemas y a la resolucin de problemas se corre el riesgo de tratar de manipular los problemas para buscar que se ajusten a las diferentes tcnicas, modelos de algoritmos establecidos en lugar de analizar los problemas y buscar resolverlos obteniendo las soluciones mejores, utilizando los mtodos apropiados, es decir resolver el problema utilizando los mtodos que proporcionan las mejoras soluciones y no buscar ajustar el problema a un mtodo especfico. Para llegar a hacer un uso apropiado de la I de O, es necesario primero comprender la metodologa para resolver los problemas, as como los fundamentos de las tcnicas de solucin para de esta forma saber cundo utilizarlas o no en las diferentes circunstancias. Limitaciones de la Investigacin de Operaciones 1. Frecuentemente es necesario hacer simplificaciones del problema original para poder manipularlo y detener una solucin. 2. La mayora de los modelos slo considera un solo objetivo y frecuentemente en las organizaciones se tienen objetivos mltiples. 3. Existe la tendencia a no considerar la totalidad de las restricciones en un problema prctico, debido a que los mtodos de enseanza y entrenamiento dan la aplicacin de esta ciencia centralmente se basan en problemas pequeos para razones de ndole prctico, por lo que se
Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
desarrolla en los alumnos una opinin muy simplista e ingenua sobre la aplicacin de estas tcnicas a problemas reales. 4. Casi nunca se realizan anlisis costo-beneficio de la implantacin de soluciones definidas por medio de la I de O, en ocasiones los beneficios potenciales se van superados por los costos ocasionados por el desarrollo e implantacin de un modelo. 1.5. Mtodo Smplex En la solucin grfica observamos que la solucin ptima est asociada siempre con un punto extremo del espacio de soluciones. El mtodo smplex est basado fundamentalmente en este concepto. Careciendo de la ventaja visual asociada con la representacin grfica del espacio de soluciones, el mtodo smplex emplea un proceso iterativo que principia en un punto extremo factible, normalmente el origen, y se desplaza sistemticamente de un punto extremo factible a otro, hasta que se llega por ltimo al punto ptimo. En otras palabras Es un procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso concluye cuando no es posible seguir mejorando ms dicha solucin. Existen reglas que rigen la seleccin del siguiente punto extremo del mtodo smplex: 1. El siguiente punto extremo debe ser adyacente al actual. 2. La solucin no puede regresar nunca a un punto extremo considerado con la anterioridad. El algoritmo smplex da inicio en el origen, que suele llamarse solucin inicial. Despus se desplaza a un punto extremo adyacente. La eleccin especfica de uno a otro punto depende de los coeficientes de la funcin objetivo hasta encontrar el punto ptimo. Al aplicar la condicin de optimidad a la tabla inicial seleccionamos a Xi como la variable que entra. En este punto la variable que sale debe ser una de las variables artificiales. Para comprender mejor realicemos el siguiente ejemplo: Max Z = 3X1 + 5X2 s.a. X1 <= 4 2X2 <= 12 3X1 + 2X2 <= 18 Xi >= 0 Se consideran los siguientes pasos: 1. Convertir las desigualdades en igualdades Se introduce una variable de holgura (S) por cada una de las restricciones, para convertirlas en igualdades, tomando en cuenta que si la restriccin es (<=), la variable de holgura se suma y si es (>= o =) la variable de hogula se resta y el lado derecho puede hacerse siempre positico multiplicando ambos lados por -1. El resultado de esto da el siguiente sistema de ecuaciones lineales: X1 + S1 = 4 2X2 + S2 = 12 3X1 + 2X2 + S3 = 18
Ing. Felipe Martn Snchez Corts
i

Investigacin de Operaciones
2. Igualar la funcin objetivo a cero, agregando las variables de Holgura - 3X1 - 5X2 + 0S1 + 0S2 + 0S3 = 0 3. Escribir la tabla inicial smplex En las columnas aparecern todas las variables del problema y, en las filas, los coeficientes de las igualdades obtenidas (restricciones), una fila para cada restriccin y la ltima fila con los coeficientes de la funcin objetivo: X1 -3 1 0 3 X2 -5 0 2 2 S1 0 1 0 0 S2 0 0 1 0 S3 0 0 0 1

Z S1 S2 S3

4 12 18

4. Encontrar la variable de decisin que entra en la base y la variable de holgura que sale de la base 1. Para escoger la variable de decisin que entra en la base, nos fijamos en la fila (Z), la de los coeficientes de la funcin objetivo y escogemos la variable con el coeficiente negativo mayor (en valor absoluto), para el caso de Maximizar. En el caso de la Miminizar la variable de desicin que entra en la base, es la variable con el coeficiente positivo mayor (en valor absoluto), esto es conocido como CONDICIN DE OPTIMALIDAD. En nuestro caso, la variable X2 de coeficiente - 5. Si existiesen dos o ms coeficientes iguales que cumplan la condicin anterior, entonces se elige uno cualquiera de ellos. Si en la ltima fila no existiese ningn coeficiente negativo, significa que se ha alcanzado la solucin ptima. Por tanto, lo que va a determinar el final del proceso de aplicacin del mtodo del smplex, es que en la ltima fila no haya elementos negativos. La columna de la variable que entra en la base se llama columna pivote (Flecha Azul). Para encontrar la variable de holgura que tiene que salir de la base, se divide cada trmino de la ltima columna (vector solucin) por el trmino correspondiente de la columna pivote, siempre que estos ltimos sean mayores que cero. En nuestro caso: 4/0 [=Error] 12/2 [=6] 18/2 [=9] Como hay algn elemento menor o igual que cero no se toma en cuenta cociente. En el caso de que todos los elementos fuesen menores o iguales a cero, entonces tendramos una solucin no acotada y no se puede seguir. El trmino de la columna pivote que en la divisin anterior d lugar al menor cociente positivo, indica la fila de la variable de holgura que sale de la base. Esta fila se llama fila pivote (Flecha rojo) y corresponde al numero 6. Recuerde ceros y negativos no son tomados en cuenta. Esto se conoce como CONDICIN DE FACTIBILIDAD.

2.

3.

Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
Si al calcular los cocientes, dos o ms son iguales, indica que cualquiera de las variables correspondientes pueden salir de la base. En la interseccin de la fila pivote y columna pivote tenemos el elemento pivote operacional, 2.

4.

5. Encontrar los coeficientes de la nueva tabla. Los nuevos coeficientes de X2 se obtienen dividiendo todos los coeficientes de la fila por el pivote operacional, 2, que es el que hay que convertir en 1. A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos de su columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la funcin objetivo Z. Tambin se puede hacer utilizando el siguiente esquema: Fila del pivote: Nueva fila del pivote= (Vieja fila del pivote) : (Pivote) Resto de las filas: Nueva fila= (Vieja fila) - (Coeficiente de la vieja fila en la columna de la variable entrante) X (Nueva fila del pivote) Vemoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla II):

Z S1 S2 S3 Fila2=

X1 -3 1 0 3 (0

X2 -5 0 2 2 1

S1 0 1 0 0 0

S2 0 0 1 0 1/2

S3 0 0 0 1 0

4 12 18 6)

Fila2
Para Z en nueva tabla = ((Fila2)*5) +Z Para S1 en nueva tabla = ya tiene 0 se copia igual Para S3 en nueva tabla =((Fila2)*-2) + S3

Se obtiene una nueva Iteracin en la nueva tabla (tabla II): X1 X2 S1 S2 S3 Z -3 0 0 5/2 0 30 S1 1 0 1 0 0 4 X2 0 1 0 1/2 0 6 S3 0 0 -1 1 6 3 Fila3= 1 0 0 -1/3 1/3 2

Fila3

Como en los elementos de la fila Z hay uno negativo, -3, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso: 1. La variable que entra en la base es X1, por ser la variable que corresponde al coeficiente -3. 2. Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote:

Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
4/1 [=4] 6/0 [=Error] 6/3 [=3] y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es S3. El elemento pivote, que ahora hay que hacer 1, es 3. Tabla II Z S1 X2 S3 Fila3= X1 -3 1 0 3 (1 X2 0 0 1 0 0 S1 0 1 0 0 0 S2 5/2 0 1/2 -1 -1/3 S3 0 0 0 1 1/3 30 4 6 6 2)

Fila3
Para Z en nueva tabla = ((Fila3)*3) +Z Para S1 en nueva tabla = ((Fila3)*-1) + S3

Se obtiene una nueva Iteracin en la nueva tabla (tabla III):Para S3 en nueva tabla =ya tiene 0 se copia igual X1 X2 S1 S2 S3 Z 0 0 0 3/2 1 36 S1 0 0 1 1/3 -1/3 2 X2 0 1 0 1/2 0 6 X1 1 0 0 -1/3 1/3 2

Como todos los coeficientes de la fila de la funcin objetivo son positivos, hemos llegado a la solucin ptima. La solucin ptima viene dada por el valor de Z en la columna de los valores solucin, en nuestro caso el valor de Z es: 36. En la misma columna se puede observar el vrtice donde se alcanza, observando las filas correspondientes a las variables de decisin que han entrado en la base: Sol(2,6). Nota:
* Si en el problema de maximizar apareciesen como restricciones inecuaciones de la forma: ax + by c; multiplicndolas por - 1 se transforman en inecuaciones de la forma - ax - by - c y estamos en el caso anterior. * Si en lugar de maximizar se trata de un problema de minimizar se sigue el mismo proceso, pero cambiando el sentido del criterio, es decir, para entrar en la base se elige la variable cuyo valor, en la fila de la funcin objetivo, sea el mayor de los positivos y se finalizan las iteraciones cuando todos los coeficientes de la fila de la funcin objetivo son negativos.

Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
Para comprender mejor realicemos el siguiente ejemplo2: Min Z = - 3X1 - 5X2 s.a. X1 <= 4 2X2 <= 12 3X1 + 2X2 <= 18 Xi >= 0 Se consideran los siguientes pasos: 1. Convertir las desigualdades en igualdades Se introduce una variable de holgura (S) por cada una de las restricciones, para convertirlas en igualdades, tomando en cuenta que si la restriccin es (<=), la variable de holgura se suma y si es (>= o =) la variable de hogula se resta y el lado derecho puede hacerse siempre positico multiplicando ambos lados por -1. El resultado de esto da el siguiente sistema de ecuaciones lineales: X1 + S1 = 4 2X2 + S2 = 12 3X1 + 2X2 + S3 = 18 2. Igualar la funcin objetivo a cero, agregando las variables de Holgura 3X1 + 5X2 + 0S1 + 0S2 + 0S3 = 0 3. Escribir la tabla inicial smplex En las columnas aparecern todas las variables del problema y, en las filas, los coeficientes de las igualdades obtenidas (restricciones), una fila para cada restriccin y la ltima fila con los coeficientes de la funcin objetivo: X1 3 1 0 3 X2 5 0 2 2 S1 0 1 0 0 S2 0 0 1 0 S3 0 0 0 1
i

Z S1 S2 S3

4 12 18

4. Encontrar la variable de decisin que entra en la base y la variable de holgura que sale de la base 1. Para escoger la variable de decisin que entra en la base, nos fijamos en la fila (Z), la de los coeficientes de la funcin objetivo y escogemos la variable con el coeficiente negativo mayor (en valor absoluto), para el caso de Maximizar. En el caso de la Miminizar la variable de desicin que entra en la base, es la variable con el coeficiente positivo mayor (en valor absoluto), esto es conocido como CONDICIN DE OPTIMALIDAD.
Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
2. En nuestro caso, la variable X2 de coeficiente 5. Si existiesen dos o ms coeficientes iguales que cumplan la condicin anterior, entonces se elige uno cualquiera de ellos. Si en la ltima fila no existiese ningn coeficiente positivo, significa que se ha alcanzado la solucin ptima. Por tanto, lo que va a determinar el final del proceso de aplicacin del mtodo del smplex, es que en la ltima fila no haya elementos negativos. La columna de la variable que entra en la base se llama columna pivote (Flecha Azul). Para encontrar la variable de holgura que tiene que salir de la base, se divide cada trmino de la ltima columna (vector solucin) por el trmino correspondiente de la columna pivote, siempre que estos ltimos sean mayores que cero. En nuestro caso: 4/0 [=Error] 12/2 [=6] 18/2 [=9] Como hay algn elemento menor o igual que cero no se toma en cuenta cociente. En el caso de que todos los elementos fuesen menores o iguales a cero, entonces tendramos una solucin no acotada y no se puede seguir. El trmino de la columna pivote que en la divisin anterior d lugar al menor cociente positivo, indica la fila de la variable de holgura que sale de la base. Esta fila se llama fila pivote (Flecha rojo) y corresponde al numero 6. Recuerde ceros y negativos no son tomados en cuenta. Esto se conoce como CONDICIN DE FACTIBILIDAD. Si al calcular los cocientes, dos o ms son iguales, indica que cualquiera de las variables correspondientes pueden salir de la base. En la interseccin de la fila pivote y columna pivote tenemos el elemento pivote operacional, 2.

3.

4.

5. Encontrar los coeficientes de la nueva tabla. Los nuevos coeficientes de X2 se obtienen dividiendo todos los coeficientes de la fila por el pivote operacional, 2, que es el que hay que convertir en 1. A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos de su columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la funcin objetivo Z. Tambin se puede hacer utilizando el siguiente esquema: Fila del pivote: Nueva fila del pivote= (Vieja fila del pivote) : (Pivote) Resto de las filas: Nueva fila= (Vieja fila) - (Coeficiente de la vieja fila en la columna de la variable entrante) X (Nueva fila del pivote)

Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
Vemoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla II):

Z S1 S2 S3 Fila/2=

X1 3 1 0 3 (0

X2 5 0 2 2 1

S1 0 1 0 0 0

S2 0 0 1 0 1/2

S3 0 0 0 1 0

4 12 18 6)

Fila/2
Para Z en nueva tabla = ((Fila/2)*-5) +Z Para S1 en nueva tabla = ya tiene 0 se copia igual

Se obtiene una nueva Iteracin en la nueva tabla (tabla II): X1 X2 S1 S2 S3 Z 3 0 0 -5/2 0 -30 S1 1 0 1 0 0 4 X2 0 1 0 1/2 0 6 S3 0 0 -1 1 6 3 Fila/3= 1 0 0 -1/3 1/3 2

Para S3 en nueva tabla =((Fila/2)*-2) + S3

Fila/3

Como en los elementos de la fila Z hay uno positivo, 3, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso: 1. 2. La variable que entra en la base es X1, por ser la variable que corresponde al coeficiente 3. Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote: 4/1 [=4] 6/0 [=Error] 6/3 [=3] y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es S3. 3. El elemento pivote, que ahora hay que hacer 1, es 3.

Tabla II Z S1 X2 S3 Fila/3= X1 3 1 0 3 (1 X2 0 0 1 0 0 S1 0 1 0 0 0 S2 -5/2 0 1/2 -1 -1/3 S3 0 0 0 1 1/3 -30 4 6 6 2)

Fila/3
Para Z en nueva tabla = ((Fila/3)*-3) +Z Para S1 en nueva tabla = ((Fila/3)*-1) + S3 Para S3 en nueva tabla =ya tiene 0 se copia igual

Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
Se obtiene una nueva Iteracin en la nueva tabla (tabla III): X1 X2 S1 S2 S3 Z 0 0 0 -3/2 -1 -36 S1 0 0 1 1/3 -1/3 2 X2 0 1 0 1/2 0 6 X1 1 0 0 -1/3 1/3 2

Como todos los coeficientes de la fila de la funcin objetivo son negativos o ceros, hemos llegado a la solucin ptima. La solucin ptima viene dada por el valor de Z en la columna de los valores solucin, en nuestro caso el valor de Z es: -36. En la misma columna se puede observar el vrtice donde se alcanza, observando las filas correspondientes a las variables de decisin que han entrado en la base: Sol(2,6). Ejemplos para el curso: Max Z = 3X1 + 4X2 s.a. 2X1 + 7X2 <= 21 7X1 + 2X2 <= 49 Xi >= 0
i

Min Z = - 5X1 - 3X2 s.a. 2X1 + 4X2 <= 400 6X1 + X2 <= 100 4X1 + 3X2 <= 400 Xi >= 0
i

Max Z = 3X1 + 2X2 + 5X3 s.a. X1 + 2X2 + X3 <= 430 3X1 + 2X3 <= 460 X1 + 4X2 <= 420 Xi >= 0
i

Min Z = 2X1 - 2X2 + 4X3 s.a. - X1 + X2 + X3 <= 20 2X1 - X2 + X3 <= 10 X1 + X2 +3X3 <= 60 Xi >= 0
i

http://www.investigacion-operaciones.com/SMPLEX_analitico.htm

Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
1.6. Tcnicas con variables artificiales Mtodo de la M grande o de Penalizacin Hasta este momento se han presentado los detalles del mtodo smplex con la suposicin de que el problema se encuentra en nuestra forma estndar (maximizar Z sujeta a las restricciones funcionales de la forma <= y restricciones de no negatividad sobre todas las variables) con bi 0 para toda i = 1, 2, ..., m. En esta seccin se establecer cmo hacer los ajustes requeridos a otras formas legtimas de modelos de Programacin Lineal. Se ver que todos estos ajustes se pueden hacer en el paso inicial, de manera que el resto del mtodo smplex se aplica justo como se aprendi. El nico problema serio que introducen las otras formas de restricciones funcionales (= >=) es identificar una solucin inicial bsica factible. Antes, esta solucin inicial se encontraba en forma muy conveniente al hacer que las variables de holgura fueran las variables bsicas iniciales, donde cada una era igual a la constante no negativa del lado derecho de la ecuacin correspondiente. Ahora debe hacerse algo ms. El enfoque estndar que se utiliza es estos casos es la tcnica de variables artificiales. sta construye un problema artificial ms conveniente introduciendo una variable ficticia (llamada variable artificial) en cada restriccin que lo requiera. Esta nueva variable se introduce slo con el fin de que sea la variable bsica inicial para esa ecuacin. Las restricciones usuales de no negatividad tambin se aplican sobre estas variables y la funcin objetivo se modifica para que imponga una penalizacin exorbitante en el caso de que adquieran valores mayores que cero. Las iteraciones del mtodo smplex automticamente fuerzan a las variables artificiales a desaparecer (a volverse cero) una a una, hasta que todas quedan fuera de la solucin; despus de esto se resuelve el problema real. Para ilustrar la tcnica de las variables artificiales, primero se considerar el caso en que la nica forma no estndar en el problema es la presencia de una o ms restricciones en forma de igualdad. Restricciones en forma de igualdad (=). En realidad, cualquier restriccin en forma de igualdad: ai1x1 +ai2x2 + . . . + ainxn = bi es equivalente a dos restricciones de desigualdad: ai1x1 + ai2x2 + . . . + ainxn <= bi, ai1x1 + ai2x2 + . . . + ainxn >= bi Sin embargo, en lugar de hacer esta sustitucin e incrementar con ello el nmero de restricciones, es ms conveniente usar la tcnica de la variable artificial. Suponga que se modifica el problema de ejemplo presentado y resuelto en la seccin anterior. El nico cambio que sufre el modelo de programacin lineal es que la restriccin, 3x1 + 2x2 = 18, se convierte en una restriccin de igualdad: 3x1 + 2x2 = 18 Aplicando la tcnica de las variables artificiales se introduce una variable artificial no negativa (denotada por R) en la ltima ecuacin, como si fuera una variable de holgura: 3x1 + 2x2 + R =18 En resumen si tenemos una restriccin funcional en forma de igualdad y deseamos pasarla a su forma de igualdad, nicamente debemos sumar una variable artificial.

Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
Restricciones funcionales de la forma Una restriccin en forma de Mayor o igual: ai1x1 +ai2x2 + . . . + ainxn bi es equivalente a una restricciones de desigualdad multiplicada por -1: ai1x1 + ai2x2 + . . . + ainxn <= bi, (-1) Sin embargo, en lugar de hacer esta sustitucin e incrementar con ello el nmero de restricciones, es ms conveniente usar la tcnica de la variable artificial. Suponga que se modifica el problema de ejemplo presentado y resuelto en la seccin anterior. El nico cambio que sufre el modelo de programacin lineal es que la restriccin, 3x1 + 2x2 18, se convierte de una restriccin Mayor o Igual: 3x1 + 2x2 18 Aplicando la tcnica de las variables artificiales se introduce una variable artificial no negativa (denotada por S + R) en la ltima ecuacin, como si fuera una variable de holgura: 3x1 + 2x2 S + R =18 En resumen si tenemos una restriccin funcional en forma Mayor o Igual y deseamos pasarla a su forma de igualdad, nicamente debemos sumar una variable artificial. Para entender mejor esto veamos el siguiente ejemplo: Min Z = 3X1 + 5X2 s.a. X1 <= 4 2X2 = 12 3X1 + 2X2 >= 18 Xi >= 0 Se consideran los siguientes pasos: 1. Convertir las desigualdades en igualdades Se introduce una variable de holgura (S) por cada una de las restricciones (<=), para las restricciones de igualdad (=) se agrega la variable de penalizacin R y para las restricciones (>=), se agrega la variable de holgura de forma negada y la penalizacin (- S + R). Nota es importante tener en cuenta que en la Minimizacin el valor de penalizacin despus de igualar Z a cero debe ser Negativo y en la Maximizacin el valor de penalizacin debe ser Positivo. El resultado de esto da el siguiente sistema de ecuaciones lineales: X1 + S1 = 4 2X2 + R2 = 12 3X1 + 2X2 - S3 + R3 = 18 2. Igualar la funcin objetivo a cero, agregando las variables de Holgura - 3X1 - 5X2 + 0S1 - 0S3 MR2 - MR3 = 0
i

Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones
3. Escribir la tabla inicial smplex En las columnas aparecern todas las variables del problema y, en las filas, los coeficientes de las igualdades obtenidas (restricciones), una fila para cada restriccin y la ltima fila con los coeficientes de la funcin objetivo: X1 -3 1 0 3 X2 -5 0 2 2 S1 0 1 0 0 S3 0 0 0 -1 R2 -M 0 1 0 R3 -M 0 0 1

Z S1 R2 R3

4 12 18

4. Encontrar la variable de decisin que entra en la base y la variable de holgura o penalizacin que sale de la base, pero antes los valores de penalizacin deben tener un valor inicial de cero (0). Para ello multiplicamos las filas correspondientes a las variables de penalizacin por su correspondiente valor (M o M) de tal manera que al sumarlo con Z las variables e penalizacin tomen el valor inicial de Cero. X1 -3 1 0 3 X2 -5 0 2 2 S1 0 1 0 0 S3 0 0 0 -1 R2 -M 0 1 0 R3 -M 0 0 1

Z S1 R2 R3 Y obtendremos:

4 12 18

Fila R2 * M Fila R3 * M

0 3M 3M

2M 2M 4M

0 0 0

0 -M -M

M 0 M

0 M M

12M 18M 30M

Este resultado se suma a la fila Z y obtendremos la siguiente tabla:

Z S1 R2 R3

X1 3M-3 1 0 3 (0

X2 4M-5 0 2 2 1

S1 0 1 0 0 0

S3 -M 0 0 -1 0

R2 0 0 1 0 1/2

R3 0 0 0 1 0

30M 4 12 18 6)

Fila/2
Para Z en nueva tabla = ((Fila/2)*-4M+5) +Z Para S1 en nueva tabla =ya tiene 0 se copia igual Para S3 en nueva tabla = ((Fila/2)*-2) + S3

Ya una vez prepara la tabla se sigue resolviendo por el mtodo Smplex.

Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones

Z S1 R2 R3

X1 3M-3 1 0 3 (1

X2 0 0 1 0 0

S1 0 1 0 0 0

S3 -M 0 0 -1 -1/3

R2 -2M+5/2 0 1/2 -1 -1/3

R3 0 0 0 1 1/3

6M+30 4 6 6 2)

Fila/3
Para Z en nueva tabla = ((Fila/2)*-3) +Z Para S1 en nueva tabla = ((Fila/2)*-1) + S3

Tabla Final: X1 0 0 0 1 X2 0 0 1 0 S1 0 1 0 0 S3 -1 1/3 0 -1/3 R2

-M+3/2

Para S3 en nueva tabla =ya tiene 0 se copia igual

Z S1 R2 R3

1/3 -1/3

R3 -M+1 -1/3 0 1/3

36 2 6 2

Ejemplos para el curso: Max Z = 4X1 + 3X2 s.a. 2X1 + X2 >= 25 -3X1 + 2X2 <= 15 X1 + X2 >= 15 Xi >= 0
i

Min Z = 5X1 + 3X2 s.a. 2X1 + 4X2 = 400 6X1 + X2 >= 240 4X1 + 3X2 >= 640 Xi >= 0
i

Max Z = 5X1 - 6X2 - 7X3 s.a. X1 + 5X2 - 3X3 >= 15 5X1 - 6X2 +10X3 <= 20 X1 + X2 + X3 = 5 Xi >= 0
i

Min Z = 4X1 + X2 s.a. 3X1 + X2 = 3 4X1 + 3X2 >= 6 X1 + 2X2 <= 3 Xi >= 0
i

Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones

Ing. Felipe Martn Snchez Corts

Investigacin de Operaciones

Ing. Felipe Martn Snchez Corts