Instituto Tecnolgico de Colima

Mtodo Simplex
Investigacin de Operaciones I

Catedrtico: J. Francisco Tejeda Castrejn Alumna: Aniela E. Lozano Torres

VIERNES 28 DE JUNIO DE 2013

INDICE
Introduccin......3 Mtodo Simplex........4 Definicin..4 Variables de Holgura y Exceso......5 Mtodo de la gran M...6 Problemas de minimizacin .14 Conclusin.......15 Bibliografa....16

INTRODUCCION
El enfoque de este tema es, conocer los fundamentos del Mtodo Simplex como un apoyo para interpretar la solucin ptima, ya que partir de este logro se pudieron resolver problemas que por ms de un siglo permanecieron en calidad de estudio e investigacin con modelos formulados pero no resueltos. Los problemas reales de programacin lineal generalmente tienen variables de decisin y muchas restricciones. Tales problemas no pueden ser resueltos grficamente. Se usan algoritmos tales como el simplex. El mtodo simplex es un procedimiento iterativo que progresivamente permite obtener una solucin ptima para los problemas de programacin lineal. Existen numerosos programas tanto para computadoras centrales como para personales; eeste mtodo busca la solucin, en cada paso, de forma mejorada hasta que no pueda seguir mejorando dicha solucin

Mtodo Simplex
Es un mtodo analtico de solucin de problemas de programacin lineal capaz de resolver modelos ms complejos que los resueltos mediante el mtodo grfico sin restriccin en el nmero de variables. El Mtodo Simplex es un mtodo iterativo que permite ir mejorando la solucin en cada paso. La razn matemtica de esta mejora radica en que el mtodo consiste en caminar del vrtice de un poliedro a un vrtice vecino de manera que aumente o disminuya (segn el contexto de la funcin objetivo, sea maximizar o minimizar), dado que el nmero de vrtices que presenta un poliedro solucin es finito siempre se hallar solucin. Este famossimo mtodo fue creado en el ao de 1947 por el estadounidense George Bernard Dantzig y el ruso Leonid Vitalievich Kantorovich, con el nimo de crear un algoritmo capaz de solucionar problemas de m restricciones y n variables. En todos los problemas de Programacin Lineal, el objetivo es la maximacin o minimizacin de alguna cantidad De forma obligatoria se deben cumplir los siguientes requerimientos para construir un modelo de Programacin Lineal. Requerimiento 1. Funcin objetivo. (F.O). Debe haber un objetivo (o meta o blanco) que la optimizacin desea alcanzar. Requerimiento 2. Restricciones y decisiones. Debe haber cursos o alternativas de accin o decisiones, uno de los cules permite alcanzar el objetivo. Requerimiento 3. La F.O y las restricciones son lineales. Deben utilizarse solamente ecuaciones lineales o desigualdades lineales. Modelo standard de Programacin Lineal

Pasos para la construccin del modelo 1) Definir las variables de decisin. 2) Definir el objetivo o meta en trminos de las variables de decisin. 3) Definir las restricciones. 4) Restringir todas las variables para que sean no negativas.

VARIABLES DE HOLGURA Y EXCESO El Mtodo Simplex trabaja basndose en ecuaciones y las restricciones iniciales que se modelan mediante programacin lineal no lo son, para ello hay que convertir estas inecuaciones en ecuaciones utilizando unas variables denominadas de holgura y exceso relacionadas con el recurso al cual hace referencia la restriccin y que en el tabulado final representa el "Slack or surplus" al que hacen referencia los famosos programas de resolucin de investigacin de operaciones, estas variables adquieren un gran valor en el anlisis de sensibilidad y juegan un rol fundamental en la creacin de la matriz identidad base del Simplex. Estas variables suelen estar representadas por la letra "S", se suman si la restriccin es de signo "<= " y se restan si la restriccin es de signo ">=". Por ejemplo:

MTODO DE LA GRAN "M" Una variable artificial es un truco matemtico para convertir inecuaciones ">=" en ecuaciones, o cuando aparecen igualdades en el problema original, la caracterstica principal de estas variables es que no deben formar parte de la solucin, dado que no representan recursos. El objetivo fundamental de estas variables es la formacin de la matriz identidad. Estas variables se representa por la letra "A", siempre se suman a las restricciones, su coeficiente es M (por esto se le denomina Mtodo de la M grande, donde M significa un nmero demasiado grande muy poco atractivo para la funcin objetivo), y el signo en la funcin objetivo va en contra del sentido de la misma, es decir, en problemas de Maximizacin su signo es menos (-) y en problemas de Minimizacin su signo es (+), repetimos con el objetivo de que su valor en la solucin sea cero (0). EJEMPLO: La empresa el SAMN Ltda. Dedicada a la fabricacin de muebles, ha ampliado su produccin en dos lneas ms. Por lo tanto actualmente fabrica mesas, sillas, camas y bibliotecas. Cada mesa requiere de 2 piezas rectangulares de 8 pines, y 2 piezas cuadradas de 4 pines. Cada silla requiere de 1 pieza rectangular de 8 pines y 2 piezas cuadradas de 4 pines, cada cama requiere de 1 pieza rectangular de 8 pines, 1 cuadrada de 4 pines y 2 bases trapezoidales de 2 pines y finalmente cada biblioteca requiere de 2 piezas rectangulares de 8 pines, 2 bases trapezoidales de 2 pines y 4 piezas rectangulares de 2 pines. Cada mesa cuesta producirla $10000 y se vende en $ 30000, cada silla cuesta producirla $ 8000 y se vende en $ 28000, cada cama cuesta producirla $ 20000 y se vende en $ 40000, cada biblioteca cuesta producirla $ 40000 y se vende en $ 60000. El objetivo de la fbrica es maximizar las utilidades.

PASO 1: MODELACIN MEDIANTE PROGRAMACIN LINEAL Las variables: X1 = Cantidad de mesas a producir (unidades)

X2 = Cantidad de sillas a producir (unidades) X3 = Cantidad de camas a producir (unidades) X4 = Cantidad de bibliotecas a producir (unidades) Las restricciones: 2X1 + 1X2 + 1X3 + 2X4 <= 24 2X1 + 2X2 + 1X3 <= 20 2X3 + 2X4 <= 20 4X4 <= 16 La funcin Objetivo: MAX Z = 20000X1 + 20000X2 + 20000X3 + 20000X4 PASO 2: CONVERTIR LAS INECUACIONES EN ECUACIONES En este paso el objetivo es asignar a cada recurso una variable de Holgura, dado que todas las restricciones son "<=". 2X1 + 1X2 + 1X3 + 2X4 + 1S1 + 0S2 + 0S3 + 0S4 = 24 2X1 + 2X2 + 1X3 + 0X4 + 0S1 + 1S2 + 0S3 + 0S4 = 20 0X1 + 0X2 + 2X3 + 2X4 + 0S1 + 0S2 + 1S3 + 0S4 = 20 0X1 + 0X2 + 0X3 + 4X4 + 0S1 + 0S2 + 0S3 + 1S4 = 16 De esta manera podemos apreciar una matriz identidad (n = 4), formado por las variables de holgura las cuales solo tienen coeficiente 1 en su respectivo recurso, por el ejemplo la variable de holgura "S1" solo tiene coeficiente 1 en la restriccin correspondiente a el recurso 1. La funcin objetivo no sufre variaciones: MAX Z = 20000X1 + 20000X2 + 20000X3 + 20000X4 PASO 3: DEFINIR LA SOLUCIN BSICA INICIAL El Mtodo Simplex parte de una solucin bsica inicial para realizar todas sus iteraciones, esta solucin bsica inicial se forma con las variables de coeficiente diferente de cero (0) en la matriz identidad. 1S1 = 24 1S2 = 20 1S3 = 20 1S4 = 16 PASO

4: DEFINIR LA TABLA SIMPLEX INICIAL

Solucin: (segundo trmino)= En esta fila se consigna el segundo trmino de la solucin, es decir las variables, lo ms adecuado es que estas se consignen de manera ordenada, tal cual como se escribieron en la definicin de restricciones. Cj = La fila "Cj" hace referencia al coeficiente que tiene cada una de las variables de la fila "solucin" en la funcin objetivo. Variable Solucin = En esta columna se consigna la solucin bsica inicial, y a partir de esta en cada iteracin se van incluyendo las variables que formarn parte de la solucin final. Cb = En esta fila se consigna el valor que tiene la variable que se encuentra a su derecha "Variable solucin" en la funcin objetivo. Zj = En esta fila se consigna la contribucin total, es decir la suma de los productos entre trmino y Cb. Cj - Zj = En esta fila se realiza la diferencia entre la fila Cj y la fila Zj, su significado es un "Shadow price", es decir, la utilidad que se deja de recibir por cada unidad de la variable correspondiente que no forme parte de la solucin.

Solucin inicial:

PASO 5: REALIZAR LAS ITERACIONES NECESARIAS Este es el paso definitivo en la resolucin por medio del Mtodo Simplex, consiste en realizar intentos mientras el modelo va de un vrtice del poliedro objetivo a otro. El procedimiento a seguir es el siguiente: 1. Evaluar que variable entrar y cual saldr de la solucin ptima: Maximizar Variable entra que La ms positiva de los Cj - Zj Minimizar La ms negativa de los Cj - Zj Siendo b los valores bajo la celda solucin y a el valor correspondiente a la interseccin entre b y la variable que entra. La ms positiva de los b/a.

Siendo b los valores bajo la celda solucin y a el valor correspondiente a la Variable que sale interseccin entre b y la variable que entra. La menos positiva de los b/a.

2. El hecho de que una variable distinta forme parte de las variables solucin implica una serie de cambios en el tabulado Simplex, cambios que se explicarn a continuacin. - Lo primero es no olvidar el valor del "a" correspondiente a la variables a entrar, en este caso el "a = 4".

- Lo siguiente es comenzar a rellenar el resto de la tabla, fila x fila.

- Se repite este procedimiento con las dos filas restantes, ahora se harn los clculos correspondientes en el resto de las celdas.

De esta manera se culmina la primera iteracin, este paso se repetir cuantas veces sea necesario y solo se dar por terminado el mtodo segn los siguientes criterios. Maximizar Minimizar

Solucin ptima Cuando todos los Cj - Zj sean <= 0 Cuando todos los Cj - Zj sean >= 0 - Continuamos con las iteraciones para lo cual tenemos que repetir los pasos anteriores.

En esta ltima iteracin podemos observar que se cumple con la consigna Cj - Zj <= 0, para ejercicios cuya funcin objetivo sea "Maximizar", por ende hemos llegado a la respuesta ptima. X1 = 3 X2 = 4 X3 = 6 X4 = 4 Con una utilidad de: $ 340000 Sin embargo una vez finalizado el Mtodo Simplex se debe observar una matriz identidad en el rectngulo determinado por las variables de decisin, el hecho de que en este caso no se muestre la matriz identidad significa que existe una solucin ptima alterna.

La manera de llegar a la otra solucin consiste en alterar el orden en que cada una de las variables entro a la solucin bsica, recordemos que el proceso fue decidido al azar debido a la igualdad en el Cj - Zj del tabulado inicial. Aqu les presentamos una de las maneras de llegar a la otra solucin.

Podemos observar como existe una solucin ptima alternativa en la cual la combinacin de variables es distinta y existe un menor consumo de recursos, dado que el hecho de que se encuentre la variable "S1" en la solucin ptima con un coeficiente de "3" significa que se presenta una holgura de 3 unidades del recurso (pieza rectangular de 8 pines). X1 = 0 (Cantidad de mesas a producir = 0) X2 = 7 (Cantidad de sillas a producir = 7) X3 = 6 (Cantidad de camas a producir = 6) X4 = 4 (Cantidad de bibliotecas a producir = 4) S1 = 3 (Cantidad de piezas rectangulares de 8 pines sin utilizar =3) Con una utilidad de: $ 340000

PROBLEMAS DE MINIMIZACION CON EL METODO SIMPLEX

Para resolver problemas de minimizacin mediante el algoritmo simplex existen dos procedimientos que se emplean con regularidad. - El primero, que a mi juicio es el ms recomendable se basa en un artificio aplicable al algoritmo fundamentado en la lgica matemtica que dicta que "para cualquier funcin f(x), todo punto que minimice a f(x) maximizar tambin a - f(x)". Por lo tanto el procedimiento a aplicar es multiplicar por el factor negativo (-1) a toda la funcin objetivo.

A continuacin se resuelve el algoritmo como un problema de maximizacin. - El segundo procedimiento, el cual pretende conservar la minimizacin consiste en aplicar los criterios de decisin que hemos esbozado con anterioridad, en los casos de la variable que entra, que sale y el caso en el que la solucin ptima es encontrada. Aqu recordamos los procedimientos segn el criterio dado el caso "minimizar".

Minimizar Variable que entra Variable que sale Solucin ptima La ms negativa de los (Cj - Zj) Siendo "b" los valores bajo la celda solucin y "a" el valor correspondiente a la interseccin entre "b" y la variable que entra. La ms positiva de los "b/a". Cuando todos los (Cj - Zj) sean >= 0.

ASPECTOS FUNDAMENTALES 1. Encuentra una solucin ptima 2. Es un mtodo de cambio de bases 3. Requiere que la funcin objetivo sea expresada de tal forma que cada variable bsica tenga como coeficiente 0 4. Requiere que cada variable bsica aparezca en una y solamente una ecuacin de restriccin.

Dualidad Asociado a cada problema de Programacin Lineal existe un llamado dual, de hecho al de Programacin Lineal se le llama primal. La forma general del problema dual es la siguiente:

Para facilitar la comprensin de lo anterior considrese el diagrama siguiente:

El problema dual tiene las siguientes caractersticas: El objetivo de la optimizacin es contrario al del primal. Las inecuaciones de restriccin son inversas. La solucin del dual es la misma que la del primal. Desde el punto de vista econmico, el significado de las variables duales es de gran inters para los gerentes, ya que representan el valor por unidad de recurso adicional, lo cual permite tomar decisiones sobre dnde invertir para incrementar las utilidades. Anlisis de Sensibilidad El objetivo del anlisis de sensibilidad es determinar la influencia de ciertos valores en la solucin ptima, que nos permite la interpretacin razonable de los resultados obtenidos. En muchos casos la informacin lograda por la aplicacin del anlisis de sensibilidad puede ser ms importante y ms informativa que simple resultado obtenido en la solucin ptima. El anlisis deviene del resultado de los cambios en: Los coeficientes en la funcin objetivo. Los trminos independientes en las restricciones.

CONCLUSION
El mtodo simplex es un mtodo de la programacin lineal para encontrar la mejor forma de maximizar o minimizar las ganancias. Su peculiaridad recae en que necesita variables de holgura, sea, variables imaginarias para darle un soporte a la resolucin del problema. Es un mtodo iterativo ya que se necesitan repetir los procedimientos hasta encontrar el resultado ptimo. Mientras que el mtodo de la gran M adems de derivarse del mtodo simplex consiste en proporcionar al mtodo simplex tradicional de una variable de holgura de gran tamao que puede ser tanto negativa como positiva. De esta forma nos encontramos con que si deseamos hacer una frmula de minimizar tendremos que la M ser negativa y de gran tamao (finito) y para maximizar colocaremos un valor en M de gran tamao positivo (tambin finito).

BIBLIOGRAFIA
http://ingenierosindustriales.jimdo.com/herramientas-para-el-ingenieroindustrial/investigaci%C3%B3n-de-operaciones/m%C3%A9todo-simplex/ http://es.wikipedia.org/wiki/Algoritmo_s%C3%ADmplex http://www.mate.unlp.edu.ar/practicas/66_13_0804200912835.pdf http://www.buenastareas.com/ensayos/Metodo-Simplex/22012.html http://www.slideshare.net/subjikassabji/metodo-simplex-3067367 http://www.phpsimplex.com/teoria_metodo_simplex.htm