1394506162-Proyecto de Solucion de Problemas Con Program. (Tarea)

PROYECTO DE SOLUCIN DE
PROBLEMAS CON PROGRAMACIN

INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES
Tabla de contenido
1. Antecedentes histricos de la IO.
2. Metodologa de la Investigacin de Operaciones
3. Aplicaciones de la Investigacin de Operaciones
4. Referencias Bibliogrficas

George Dantzig

Rusell L. Ackoff

George Dantzig y Rusell Ackoff , investigadores de origen
norteamericano, se consideran pioneros en el nacimiento y
desarrollo de metodologas cientficas, en el campo de la
Programacin Lineal e Investigacin de Operaciones ,
respectivamente, desde el pasado siglo XX
Tambin se conoce como Ciencia de la Administracin, debido a que su aplicacin se restringe a sistemas
creados por el hombre como son organizaciones de todo tipo, institutos y empresas, en general es utilizada para
tomar decisiones en problemas con caractersticas de complejidad para resolverlos, por lo que es necesaria la
intervencin de personal interdisciplinario actuando en equipo, para aplicar el mtodo cientfico, con el objetivo
comn de buscar una solucin integral y ptima.
Actualmente, una persona con cualquier formacin profesional, desempeando la funcin de administrador en
cierta rea de la organizacin, sea del sector pblico o privado, requiere de la utilizacin de las matemticas y
las computadoras para tomar decisiones racionales al enfrentar los problemas. El mundo complicado de
mercado en que se vive ahora, exige la aplicacin de estrategias refinadas y an sofisticadas que aseguren la
buena conduccin de la empresa; para una buena parte de las organizaciones ya no es suficiente confiar a la
experiencia personal las decisiones adecuadas, pues depende por lo general de la evaluacin de alternativas de
accin que pueden consumir mucho tiempo valioso, adems, que pueden ser demasiadas para esperar el buen
juicio de una sola persona. De esta manera se impone el uso del procesador electrnico, capacitado para
manejar cantidades masivas de informacin, pero requiere de software que se elabora a partir de la
interpretacin abstracta o modelo matemtico construido por los tcnicos responsables.

En resumen, personas con formacin interdisciplinaria actuando en equipo, emplean la Investigacin de
Operaciones (IO), aplicando procedimientos, tcnicas y herramientas cientficas a problemas operativos
de las organizaciones con el propsito de desarrollar y ayudar a evaluar alternativas de solucin.
DEFINICIONES DE DIFERENTES AUTORES.
En el libro de Shamblin y Stevens llamado Investigacin de Operaciones.
Un Enfoque Fundamental de la editorial Mc Graw Hill impreso en Mxico, 1991.
La Investigacin Operacional es un enfoque cientfico de la toma de decisiones
En el libro de Ackoff y Sasieni llamado Fundamentos de Investigacin de Operaciones de la editorial Limusa
impreso en Mxico en 1994.
La Investigacin de Operaciones es: La aplicacin del mtodo cientfico, por equipos interdisciplinarios, a
problemas que comprenden el control de sistemas organizados hombre-mquina, para dar soluciones que
sirvan mejor a los propsitos de la organizacin como un todo.
En el libro de Thierauf y Grosse llamado Toma de decisiones por medio de Investigacin de Operaciones de la
editorial Limusa impreso en Mxico en 1977.
La investigacin de Operaciones utiliza el enfoque planeado (mtodo cientfico) y un grupo interdisciplinario, a
fin de representar las complicadas relaciones funcionales en modelos matemticos para suministrar una base
cuantitativa para la toma de decisiones, y descubrir nuevos problemas para su anlisis cuantitativo.
Libro de Moskowitz y Wright. Investigacin de Operaciones. Prentice Hall 1979.
Mtodo cientfico aplicado a problemas y la toma de decisiones por la gerencia.
En el libro de Winston llamado Investigacin de Operaciones. Aplicaciones y Algoritmos 2 edicin. Grupo
Editorial Iberoamrica impreso en Mxico en 1994.
Planteamiento cientfico a la toma de decisiones, que busca determinar cmo disear y operar mejor un
sistema, normalmente bajo condiciones que requieren la asignacin de recursos escasos.
1. Antecedentes histricos de la IO.
La bsqueda de la mejor solucin (mxima, mnima, o tambin la ptima) para una variedad de problemas ha
divertido e intrigado al hombre a travs de las pocas. Euclides en su libro III, describi formas de encontrar las
lneas rectas de mayor y menor longitud, desde un punto hasta la circunferencia de un crculo; y en el libro IV,
el paralelogramo de mayor rea para un permetro dado. Los grandes matemticos de los siglos XVI a XVIII

desarrollaron la teora y proceso de optimizacin que resuelven difciles problemas geomtricos, dinmicos y
fsicos, tales como las curvas de revolucin mnima o la curva de descenso ms rpido.
En general, la historia no se escribe con exactitud, pero si se pueden recopilar hechos que describan de alguna
manera la evolucin conocida de acuerdo con escritos, estudios e investigaciones encontradas. Las tcnicas
utilizadas en la aplicacin de la IO conducen al pasado siglo XX, pero tambin al pasado remoto de siglos como
antecedentes. Para ello es conveniente fijarse en la idea fundamental de la IO que es el mtodo cientfico cuyo
origen exacto se desconoce. En escritos hechos hace milenios como es el Antiguo Testamento se menciona a
Jetro, suegro de Moiss, como autor de un tratado de principios de organizacin y ms recientemente, en el
antepasado siglo XIX, Charles Babbage es autor del trabajo On the Economy of Machinery and Manufactures.
Al ingeniero Frederick Winslow Taylor, norteamericano de origen, se le reconoce la paternidad de la
Administracin Cientfica debido a sus investigaciones sobre las obligaciones y tareas de los jefes de taller, as
como tambin de la produccin diaria individual segn la capacidad del obrero para tareas especficas,
definiendo as la divisin del trabajo mediante capacitacin, seleccin y adiestramiento de los trabajadores.
Adems, Taylor aplic el anlisis cientfico a los problemas de manufactura, estableciendo normas de trabajo y
la especializacin. Por su parte Henry L. Gant, plane las tareas de las mquinas para evitar demoras de
produccin. As es posible fijar fechas de entrega con ms seguridad. Tambin contribuy al enfoque cientfico
incluyendo el aspecto humano como integrante.
Con el inicio del siglo XX, los investigadores tambin utilizaron procedimientos cientficos para analizar
problemas localizados fuera de las ciencias puras como son la Fsica, la Qumica, la Biologa, entre otras ms,
pero en la dcada que se inicia en 1910, Taylor se dedic a buscar la eficiencia para las tareas haciendo valer los
estudios de tiempos y movimientos de Frank y Lillian Gilbreth eliminando movimientos innecesarios y
desperdicios en cada tarea. En la misma dcada durante la 1. Guerra Mundial, se le confi a Thomas A. Edison
el averiguar las maniobras ms eficaces de los barcos mercantes para disminuir los embarques perdidos por
ataques de los submarinos enemigos. Edison emple un "tablero tctico" como modelo para simular las
operaciones reales.
Un ingeniero dans A. K. Erlang hizo experimentos relacionados con las fluctuaciones de la demanda telefnica
en equipo automtico quedando estos trabajos como fundamento de muchos modelos matemticos que se usan
actualmente en los estudios de Teora de Colas o Lneas de Espera. En 1937, a punto de empezar la Segunda
Guerra Mundial, se junt en el Reino Unido a un equipo de matemticos, ingenieros y cientficos en reas
bsicas, para estudiar los problemas estratgicos y tcticos asociados con la defensa del pas. Se form un
equipo cuyo objetivo era determinar la utilizacin ms efectiva de los limitados recursos militares. En
consecuencia, a las actividades de este grupo se le llam Investigacin Operacional, que es terminologa comn
en el medio militar. Primero se les pidi ayuda para los militares en la utilizacin eficiente del radar para
localizar aviones enemigos; despus en 1940 se reuni otro grupo, el circo de Blackett encabezado por el
distinguido fsico ingls P. Blackett para estudiar la actuacin del equipo de control de caones en el campo;
haba tres fisilogos, cuatro matemticos, un fsico, un astrofsico, un oficial militar y un agrimensor.
En los Estados Unidos de Norteamrica se motivaron por los xitos alcanzados por los grupos britnicos, en
Abril de 1942 se decidi introducir la IO a nivel superior, emprendiendo tambin estudios tales como:
problemas logsticos complejos, el desarrollo de patrones de vuelo para aviones y la planeacin de maniobras
navales. En la Fuerza Area se le dio el nombre de Anlisis de Operaciones y en el Ejrcito y la Marina los de
Investigacin de Operaciones y Evaluacin de Operaciones, respectivamente. Cuando termin la guerra, la

necesidad de reconstruir en la Gran Bretaa, dio lugar al surgimiento de otros problemas de administracin en
sectores de gobierno e industria los cuales demandaron la actuacin de los mismos cientficos especializados en
la IO.
Tambin en los Estados Unidos de Norteamrica, en la dcada de 1950 con el desarrollo y comercializacin de
las computadoras, los investigadores de operaciones y la gente asociada con las operaciones de la ltima guerra,
se percataron que los estudios realizados en la misma eran de gran utilidad, aplicados a los problemas
industriales. La computadora y el desarrollo de la IO motivaron a los ejecutivos industriales y a los especialistas
de esta disciplina para reunirse y provocar su rpido crecimiento.
La Programacin Lineal (PL) tuvo un gran impulso para la investigacin industrial dando entrada las empresas
a muchos especialistas; las tcnicas Pert, control de inventarios, y la simulacin, empezaron a emplearse con
xito; en vez de los simples promedios, se incluyeron la probabilidad y la estadstica tan tiles en cualquier
estudio moderno.
Actualmente el uso de la IO es extenso en reas de: contabilidad, compras, planeacin financiera,
mercadotecnia, planeacin de produccin, transporte y muchas otras ms, convirtindose en importante
instrumento de competencia para los presupuestos y contratos.
La siguiente tabla esboza parte de los estudios y tcnicas en que se apoyaron los grupos de IO en el desarrollo
de esta disciplina.
Antecedente histrico de Investigacin de Operaciones.- Desde el siglo XVI:

Figura 1. Tcnicas utilizadas en IO
Se puede observar que la IO fue desarrollada en el siglo XX con el apoyo, siglos atrs, de importantes
aportaciones de cientficos que con su talento y dedicacin, dejaron slidos cimientos para los estudios de
solucin en los sistemas actuales.

Anterior Inicio Siguiente
FUNDAMENTACIN

Investigacion de Operaciones
Anterior INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES Siguiente

2. Metodologa de la Investigacin de Operaciones
El enfoque de sistemas a un problema, es caracterstico en la IO, consiste en examinar toda el rea que es
responsabilidad del administrador y no una en particular; esto permite que el grupo de IO observe los efectos de
acciones fuera del rea de localizacin del problema, lo que puede permitir resolver el problema verdadero y no
slo sus sntomas. Adems, debe incluirse una base cuantitativa o modelo para la toma de decisin en la
solucin del problema, pero en algunos casos, las respuestas dadas por la computadora conducirn a la
necesidad de ciertas modificaciones que reflejen la futura condicin del negocio o bien ser una gua a seguir
por el administrador sin necesidad de hacer cambios.
La investigacin de operaciones proporciona la oportunidad de que sus resultados se utilicen en la toma de
decisiones a niveles administrativos superiores, medianos y bajos. La experiencia del administrador, las futuras
condiciones del negocio y los resultados de un modelo matemtico forman la mejor combinacin para la
planeacin, organizacin, direccin y control de las actividades de la empresa. El procedimiento de siete pasos
mostrado en el siguiente diagrama, puede constituir una metodologa de accin al aplicar la IO.

Figura 2. Diagrama con metodologa de la investigacin de operaciones
Paso 1.- Identificar el problema.
Comienza con la observacin de los fenmenos que rodean el problema; hechos opiniones y sntomas
relativos al mismo. Esto incluye la especificacin de los objetivos de la organizacin y de las partes a
analizar de la misma. En algunas ocasiones puede que el problema no est bien definido porque entran

en conflicto los objetivos, como es maximizar la utilidad, pero tambin es deseable minimizar los costos
totales, lo cual es improbable lograr simultneamente; por tal motivo se requiere dilogo y acuerdos
entre los miembros del equipo de IO y la parte corporativa para decidir un objetivo global. Tambin las
primeras observaciones pueden resultar con objetivos en conflicto como es un departamento de
produccin que desea programar grandes y prolongadas campaas de un slo artculo para disminuir los
costos de preparacin y montaje de sus mquinas. Pero en contraste, si se cumple lo anterior, creceran
los inventarios de materia prima y de producto, tanto en proceso como terminado, causando serios
problemas en departamentos de: ventas, contabilidad y finanzas. De este modo, ventas desea un gran
inventario pero muy variado, con una produccin muy flexible; por su parte finanzas desea mantener el
inventario bajo y mejorar las inversiones de capital. Cuando muchos factores de esta clase concurren en
el problema es indispensable la aportacin de la interdisciplina del equipo de IO, pues es razonable que
las fases individuales de un problema se comprendan y analicen mejor por los que tienen el
adiestramiento especial, necesario en los campos apropiados. Por ejemplo, un banco desea reducir los
gastos relacionados con los salarios de los cajeros, pero manteniendo un nivel adecuado de servicio a los
clientes (tiempo de espera razonable para el cliente y de ocio para los cajeros). Los aspectos funcionales
del banco que influyen para conseguir los objetivos pueden ser los que siguen:
Llegadas promedio al banco de clientes por hora, pues conforme aumenta se deben instalar
cajeros adicionales para tener el nivel deseado de servicio.
Promedio de clientes servidos por hora de uno o ms cajeros.
Efecto sobre los objetivos del banco, de mantener filas (colas) para cada caja o formar una sola
que distribuye clientes conforme se desocupan las cajas.
Intercambio entre filas de clientes, con desorden, en sistema de cola por caja.
Paso 2.- Observar el sistema
Se determinan aquellos factores que afectan, como son: variables, limitaciones y suposiciones. Los
factores variables que requieren decisiones como es el nivel de inventario y la necesidad de publicidad;
las limitaciones restringen el uso de recursos como: dinero, tiempo, personal, capacidad productiva,
existencias de materia prima; las suposiciones pueden ser para: precios de producto y competencia del
mercado. Hay que reunir datos para estimar valores de los parmetros que afectan el problema de la
organizacin. En el ejemplo del banco, algunos parmetros pueden ser:
Llegadas promedio de clientes por hora (tasa), durante la jornada bancaria.
Promedio de clientes servidos por hora en caja con diferente tamao de fila.
Paso 3.- Formular un modelo matemtico del problema
Consiste en el desarrollo de cursos alternativos de accin o hiptesis, en la forma de modelo matemtico
que generalmente se disea para usarse en computadora con el software correspondiente para obtener la
solucin ptima o una aproximacin a ella. Frecuentemente en este paso, hay necesidad de desarrollar
varios modelos que a primera vista parecen prometedores, posteriormente se van desechando conforme
muestran sus deficiencias para seleccionar el que se ajusta ms a los objetivos planteados, los que no
deben descuidarse especificando una ecuacin como medida de efectividad con el objetivo preciso. Se

puede construir (formular) un modelo que represente la estructura del sistema real en trminos
cuantitativos para manipularse y experimentar cambiando ciertas variables y manteniendo como
constantes a otras para conocer los efectos sobre el sistema que se estudia. De esta manera, se puede
experimentar con el mundo real en trminos abstractos. La construccin de los modelos matemticos
puede ser muy difcil incluyendo expresiones complejas con variables controlables como son: precios de
venta, nmero de unidades producidas, algunos costos, nmero de vendedores, restricciones
presupuestadas; por otra parte, las variables no controlables por la administracin pueden ser: precios de
los competidores, costo de las materias primas, costos de mano de obra, demanda de los clientes y su
localizacin. Las variables controlables y las no controlables se relacionan con matemticas en forma
precisa, el conjunto de expresiones forman lo que se llama modelo matemtico cuya solucin es funcin
de los valores que tomen dichas variables. La construccin del modelo debe incluir una ecuacin
objetivo, con la previa definicin del significado cuantitativo de las variables involucradas y puede
necesitar el complemento de un grupo de expresiones restrictivas para los valores posibles de las
variables controlables. Por ejemplo, unidades que se producen, dinero gastado, demanda de clientes,
asignacin de recursos, disponibles o requeridos, como son las desigualdades (<= >=) para no exceder
lo especificado o para cumplir el mnimo requerido. Hay dos procedimientos para obtener la mejor
solucin a un problema partiendo de un modelo: el analtico y el numrico. El analtico emplea la
deduccin matemtica con base en el lgebra y/o clculo para lograr la solucin ptima de acuerdo a las
consideraciones de diseo; por otro lado, el numrico prueba diversos valores de las variables de control
del modelo, compara los resultados obtenidos y selecciona la serie de valores que optimizan. Estos
procedimientos varan, desde los de tanteo hasta los iterativos. Para ciertas situaciones complejas no hay
modelo analtico que las represente en forma vlida, en estos casos se puede recurrir a un modelo de
simulacin que permite, con la ayuda de la computadora, aproximar el comportamiento del sistema y
buscar la mejor solucin. En este paso es comn el regreso al paso 2 para ajustes de observacin.
Paso 4.- Verificar el modelo y usarlo en predicciones
Se trata ahora de verificar si el modelo matemtico diseado en el paso 3 anterior, es una buena
representacin de la realidad que se estudia, calificando su validez para situaciones actuales. Cuando sea
posible, se debe obtener informacin respecto al comportamiento del modelo al cambiar valores en sus
variables y parmetros, especialmente si estos ltimos no se pueden determinar con exactitud, esto se
conoce como anlisis de sensibilidad o experimentacin sobre el modelo y con ayuda de la
computadora, cambiando los valores a variables y parmetros, que representen las situaciones reales,
incluyendo las desventajosas. Frecuentemente, si la experimentacin es muy limitada, se pueden tener
resultados engaosos que posteriormente en aplicacin a poblacin mayor, se debe regresar a corregir
los criterios equivocados en los pasos precedentes 2 y 3. Con el anlisis de sensibilidad se puede ajustar:
La medida de efectividad u objetivo como es el dinero como utilidad o costo.
Revisin de las variables bajo control o de decisin.
Revisin de las variables no controlables y ambientales como demanda y ubicacin de clientes,
precios de la competencia, o nivel de actividad econmica.
Relacin de los factores ya mencionados con las restricciones propuestas.

En particular para el ejemplo del banco, si los valores de prediccin para el tiempo de espera en cola y el
nivel de servicio no estn cerca de los valores reales obtenidos en la observacin del paso 2,
seguramente se necesitar otro modelo o al menos revisar los parmetros considerados al mismo. Este
caso es para analizar, si el modelo es vlido para las situaciones de poca demanda de clientes y para los
das de pago acostumbrados.
Paso 5.- Seleccionar una alternativa
Si existe una alternativa que se adapte mejor a los objetivos de la organizacin con el modelo
matemtico propuesto, entonces debe seleccionarse para su presentacin a los responsables de decidir,
pero frecuentemente la situacin no es clara para hacerlo as, porque el conjunto de opciones resultantes
est sujeta a restricciones difciles de cumplir o imposibles.
Paso 6.- Presentar resultados a la organizacin
Al terminar la etapa de pruebas y desarrollo de un modelo con solucin aceptable, se puede presentar
una recomendacin o bien varias alternativas para que la organizacin seleccione la que mejor se ajusta
a sus necesidades. Generalmente hay necesidad de mostrar varias corridas de computadora, en cuyo caso
es conveniente instalar un sistema bien documentado para aplicar el modelo segn lo establecido por la
administracin. Este sistema debe incluir, tanto el modelo como el procedimiento de solucin, anlisis
de sensibilidad y los procedimientos operativos para su probable implantacin. Pero dado el caso muy
frecuente de rechazo a la solucin propuesta, ya sea por definicin incorrecta o debido a la poca
participacin del tomador de decisin, entonces ser necesario regresar al paso 1,2 3.
Paso 7.- Implantar y evaluar las recomendaciones
Si la organizacin acepta el estudio con la propuesta de solucin, se procede a la implantacin que
incluye el sistema de computo y la vigilancia constante para las actualizaciones por cambios en el
sistema. Con frecuencia se requiere un nmero considerable de programas integrados. Las bases de
datos y los sistemas de informacin administrativos puede proporcionar informacin actualizada cada
vez que el modelo se utilice, en cuyo caso se necesitan programas de interfaz (interaccin con el
usuario) para hacer amigable la operacin del sistema propuesto. Tambin se pueden instalar programas
adicionales que manejen los resultados del implante de manera automtica o bien un sistema interactivo
de computadora denominado sistema de soporte de decisiones, para ayudar a la direccin con
informacin relevante en sus decisiones. Se puede generar informes con la terminologa usual en el
medio, que relacionen los resultados entregados por el sistema implantado y las implicaciones.
Dependiendo del tamao del estudio se pueden requerir meses o aos para implantar (desarrollar, probar
e instalar) el sistema computarizado y posteriormente su mantenimiento en las indispensables
actualizaciones de programas, modelo y an de equipo (hardware). Cualquier falla o rechazo en la
implantacin puede hacer necesario la revisin y ajuste en los pasos 1, 2, 3 y 4.
UBICACIN DE LA IO EN LAS ORGANIZACIONES.- La investigacin de operaciones ha tenido un
impacto impresionante en el mundo, al mejorar la eficiencia de muchas organizaciones. Ha hecho
contribuciones significativas al incremento de la productividad dentro de la economa de muchos pases, de

ellos ms de 30 que son miembros de la International Federation of Operational Research Societies (IFORS). Al
inicio de la dcada de los 90, el U.S. Bureau of Labor Statistics predijo que la IO sera la 3 rea profesional, de
ms rpido crecimiento para los egresados graduados entre 1990 y 2005 en Estados Unidos, con 100,000
personas laborando como analistas de IO en el 2005.
El problema de la localizacin de un grupo de IO dentro de la empresa ha merecido una gran atencin, sin
embargo, no hay una posicin preferida para las organizaciones; pero se puede decir que los que han tenido
xito dependen de los niveles jerrquicos superiores de la institucin, lo cual da una base firme para su
funcionamiento con obligaciones de enfrentar los problemas de tomar decisiones y de utilidad inmediata para la
administracin. Teniendo el respaldo de la autoridad superior con prestigio dentro de la empresa, se podrn
cruzar los linderos departamentales y obtener la informacin necesaria para dar soluciones.
Generalmente el grupo de IO se asocia con el de sistemas de procesamiento de datos, pues el acceso a las
computadoras es el apoyo indispensable para sus actividades, por lo que no es raro que estn integrados dada la
posibilidad de tener el mejor manejo de la informacin deseada y ordenada como convenga. De este modo
ambos grupos, el de IO y el de sistemas de procesamiento de datos, se complementan en trminos de los
objetivos de la institucin.
Para la mayora de los estudios de IO, se recomienda un equipo compuesto de analistas y de personal
involucrado en el problema que se enfrenta, este grupo informa a un Comit Directivo de la Administracin
integrado por los directivos departamentales que estn afectados en el problema estudiado de IO, los cuales a su
vez se renen con la administracin superior para reportar los progresos. Los comits allanan el camino del
personal de IO para obtener la cooperacin del personal de operacin y su aceptacin.

INTRODUCCIN A LA INVESTIGACIN
DE OPERACIONES
Subir

3. Aplicaciones de la Investigacin de Operaciones
reas funcionales
Una muestra de los problemas que la IO ha estudiado y resuelto con xito en negocios e industria se
tiene a continuacin:
Personal
La automatizacin y la disminucin de costos, reclutamiento de personal, clasificacin y asignacin a
tareas de mejor actuacin e incentivos a la produccin.
Mercado y distribucin
El desarrollo e introduccin de producto, envasado, prediccin de la demanda y actividad competidora,
localizacin de bodegas y centros distribuidores.
Compras y materiales
Las cantidades y fuentes de suministro, costos fijos y variables, sustitucin de materiales, reemplazo de
equipo, comprar o rentar.
Manufactura
La planeacin y control de la produccin, mezclas ptimas de manufactura, ubicacin y tamao de
planta, el trfico de materiales y el control de calidad.
Finanzas y contabilidad
Los anlisis de flujo de efectivo, capital requerido de largo plazo, inversiones alternas, muestreo para la
seguridad en auditoras y reclamaciones.
Planeacin
Con los mtodos Pert para el control de avance de cualquier proyecto con mltiples actividades, tanto
simultneas como las que deben esperar para ejecutarse.
La lista de reas funcionales de la organizacin que son de posible aplicacin de la IO, es ilustrativa del
potencial que tiene para resolver el problema de la empresa.
Problemas ejemplo de aplicacin con xito de la IO.- En los siguientes problemas el gobierno o empresa,
ahorraron millones de dlares en la aplicacin de la IO:

1. Programacin del horario de las rondas de policas de San Francisco.-En 1989 Taylor y Huxley
disearon un mtodo para programar el horario de las rondas de oficiales de la Polica de San Francisco,
usando un modelo de programacin lineal, la programacin de metas y la programacin entera. El
ahorro sum 11 millones de dlares anuales.
2. Reduccin de gastos de combustible en la industria de la energa elctrica.- En 1989 Chao y Cols
ahorraron a 79 empresas de servicio de energa elctrica ms de 125 millones de dlares en costos de
compras y de dficit, usando programacin dinmica y simulacin.
3. Diseo de una instalacin para desmontar lingoteras en Bethlehem Steel.- En 1989 Vasko y Cols
ayudaron a esta empresa siderrgica con el diseo del sistema de quitar lingoteras a los lingotes de acero
con un modelo de programacin entera ahorrando 8 millones de dlares anuales.
4. Mezcla de gasolinas en Texaco.- Con programacin lineal y no lineal Dewit y Cols disearon un modelo
de mezcla para cuatro tipos de gasolina ahorrando 30 millones de dlares al ao; aplicando anlisis de
sensibilidad calcularon el efecto de cambios al modelo.
5. Programacin del horario de los camiones para North America Van Lines.-En 1989 Powell y Cols, con
modelos de redes y programacin dinmica, formularon la asignacin de carga a chferes, reduciendo
costos en 2.5 millones de dlares, con mejor servicio.
6. Administracin del inventario a Blue Bell.-En 1985 Edwars, Wagner y Wood con programacin lineal y
modelos probabilsticos de inventario redujeron el nivel medio de inventario de ropa deportiva y de
oficina en un 31%.
7. Determinacin de carteras de bonos.- Varias personas (Chandy y Kharabe, 1986) utilizaron la
programacin lineal para mxima ganancia con restricciones de riesgo y de la diversificacin de la
cartera.
8. Planeacin de produccin en lechera.-En 1985 Sullivan y Secrest, usaron programacin lineal con
utilidad de 48000 dlares, al determinar el proceso: del suero, la leche cruda, el suero dulce y la crema,
para obtener: queso crema, requesn, crema agria y crema de suero.
9. Reemplazo de equipo en Phillips Petroleum.- Para el reemplazo de equipo usaron modelos (Waddell,
1983), que se estima ahorraron 90000 dlares por ao.

Metodologa de la Investigacin de
Operaciones
Subir Referencias Bibliogrficas
4. Referencias Bibliogrficas
ACK68.- Ackoff Rusell L. & Sasieni Maurice W.
Fundamentals of Operations Research. Wiley. New York. 1968.
DAN63.- Dantzig George B.
Linear Programming and Extensions. Princenton University Press. Princenton N.J. 1963.

GAS74.- Gass Saul I.
Linear Programming. Methods and Applications. McGraw Hill, New York.1974
HIL95.- Hillier-Lieberman.
Introduccin a la Investigacin de Operaciones.-McGraw-Hill.- 6a.edicin.- 1995.
SHA78.- Shamblin - Stevens.
Investigacin de Operaciones. Un enfoque Fundamental.- Mc Graw Hill. Primera edicin. 1978.
THI77.- Thierauf-Grosse.
Toma de decisiones por medio de la Investigacin de Operaciones.-Limusa.- 1 edicin, 4
Reimpresin.- 1977.
WAG75.- Wagner H.
Principles of Operation Research. 2d. edition. Englewood Cliffs. N. J. Prentice Hall. 1975.
WIN94.- Winston Wayne.
Investigacin de Operaciones. Aplicaciones y Algoritmos.- Grupo Editorial Iberoamrica.- 2 Edicin.-
1994.

Aplicaciones de la Investigacin de
Operaciones
Subir

Captulo 1. PROGRAMACION LINEAL (PL).
Tabla de contenido
1.1. Objetivo.
1.2. Antecedentes histricos y definicin.
1.3. Modelo de programacin lineal general.
1.4. Formulacin de problemas con programacin lineal.
1.5. Solucin para el modelo de programacin lineal.
1.6. Ejercicios, actividades de aprendizaje y autoevaluaciones
correspondientes al captulo
[MAT96]

1.7. Referencias bibliogrficas

1.1. Objetivo.
Iniciarse en la tcnica de programacin lineal con el aspecto ms importante del mtodo cientfico: la
representacin o modelo en formulacin matemtica lineal de algunos problemas elegidos, los agrupados en
"clsicos"; tambin debe aprender los conceptos tericos fundamentales utilizando la metodologa grfica en
slo dos variables.

Referencias Bibliogrficas Antecedentes histricos y definicin.

1.2. Antecedentes histricos y definicin.
El desarrollo de la programacin lineal se considera entre los avances cientficos ms importantes del siglo XX,
pues su impacto ha sido extraordinario. Actualmente es una herramienta de uso comn que ha beneficiado a
muchas organizaciones en distintos pases con ahorros de cualquier ndole, por lo que su uso se est ampliando
rpidamente a todos los sectores de la sociedad. Una gran mayora de los clculos cientficos en computadoras
usan la programacin lineal proliferando las publicaciones y libros sobre esta materia de gran aplicacin.
Uno de sus antecedentes se registra con el mtodo de anlisis de insumo-producto que desarroll el economista
W. Leontief; tambin se debe reconocer al economista y matemtico sovitico L.V. Kantorovich, quien ya en
1939 formul y resolvi un problema de programacin lineal para la organizacin y planeacin de la
produccin; otro antecedente es, la interpretacin de Hitchcock a "un problema de tipo de transportacin" en
1941. El problema de la dieta, fue analizado por Stigler en 1945. El gran impulso de la programacin lineal para
la industria y los negocios se identifica con el doctor George Dantzig, matemtico norteamericano de origen,
que desarroll el algoritmo Simplex, un mtodo sistemtico de resolucin para problemas modelados con
programacin lineal. Esto ocurri en 1947 cuando se ocup, con Marshal Wood y asociados, de un proyecto
para la Fuerza Area de los Estados Unidos. Se organiz un grupo de investigacin con el ttulo de Proyecto
SCOOP (Scientific Computation of Optimum Programs). Actualmente las principales aplicaciones de la PL son
del rea industrial; tambin, aunque en menor parte, en el campo urbano y social.
A partir de 1950, un nmero cada vez mayor de investigadores (matemticos y economistas) aislados o
constituyendo grupos contribuyen al desarrollo de las diferentes ramificaciones de la programacin lineal; en
particular, la "Rand Corporation" con G. B. Dantzig y W. Orchard-Hays, despus L. R. Ford, D. R. Fulkerson, y
D. Gale; el departamento de matemticas de la Universidad de Princenton con A. W. Tucker y H. W. Kun; la
"Graduate School of Industrial Administration" del "Carnegie Institute of Technology" con A. Charnes y W.
Cooper. Los dos primeros grupos trabajan en la teora matemtica de los programas y su instalacin en
computadoras; los resultados se publicaron en la "Rand Corporation" en la serie de "Rand notes on linear
programming and extensions" (desde 1953 a 1961); se deben mencionar las de Dantzig sobre los desarrollos
tericos, las de W. Orchard_Hays sobre la instalacin de los programas de clculo en mquinas, las de L. R
Ford y D. R. Fulkerson sobre las redes de transporte; es necesario citar especialmente en el activo del grupo de
Princenton, el mtodo "hngaro" de H. W. Kun, para los problemas de asignacin, la publicacin de la notable
coleccin de notas "Linear Inequalities and Related Systems" en 1956 y el mtodo de Gomory para el clculo
de los problemas lineales en nmeros enteros a finales del ao 1958. El equipo del "Carnegie Tech" desarroll
la PL en aplicaciones industriales, se interes en aspectos tericos particulares como: degeneracin, errores de
redondeo, el Simplex revisado, variables acotadas.
En los ltimos aos, lo notable y ms prometedor parece ser: La programacin lineal en nmeros enteros por R.
Gomory, el principio de descomposicin de Dantzig y Wolfe, los programas lineales estocsticos, el algoritmo
de punto interior de Narendra Karmarkar, con aportaciones importantes de un matemtico ruso I. Dikin en
1967, redescubierto, despus de la publicacin de Karmarkar por varios investigadores: E.R.Barnes, T.
M.Cavalier y A.L.Soyster. Adems R.J.Vanderbei, M.S.Meketon y B.A.Freedman publicaron en 1986, "A
modification of Karmarkar's Linear Programming Algorithm". Al inicio la programacin lineal se llam
"programacin en estructura lineal". En 1948, Tjalling Koopmans sugiri a George Dantzing simplificar el
nombre.

DEFINICIN DE LA PROGRAMACIN LINEAL
Es una de las tcnicas agrupadas como programacin matemtica, aplicable a problemas de asignacin de
recursos limitados, con actividades competitivas hacia un objetivo comn, que puede ser de maximizar
beneficios (por ejemplo utilidades o bien rendimientos); tambin se puede desear minimizar el esfuerzo (por
ejemplo los costos, el personal asignado a tareas, o el desperdicio en procesos). Se usa un modelo matemtico
con representacin vlida de la problemtica en estudio; sus relaciones deben ser lineales o de "lnea recta", que
significa utilizar, slo una variable de primer grado en cada trmino.

PROGRAMACION LINEAL (PL). Subir Modelo de programacin lineal
general.

1.3. Modelo de programacin lineal general.
El modelo de PL es una representacin simblica (abstraccin) de la realidad que se estudia, se forma con
expresiones lgicas matemticas conteniendo trminos que significan contribuciones: a la utilidad (con
mximo), al costo (con mnimo), al consumo de recurso (disponible con desigualdad <=), al recurso requerido
(con desigualdad >=), recurso especificado (con igual = ). Contiene las siguientes cuatro partes:
1a parte
Definicin con el significado cuantitativo de las variables de decisin (controlables).

2a parte
Funcin econmica u objetivo a optimizar (mximo o bien mnimo):

3a parte
Sujeta a restricciones:

4a parte
Condicin de no negativo a variables:

PROPIEDADES DEL MODELO DE PROGRAMACIN LINEAL
Para que un modelo de PL sea vlido, debe cumplir las propiedades siguientes:

I. Proporcionalidad.-Significa que la contribucin al valor de la funcin objetivo y el consumo o
requerimiento de los recursos utilizados, son proporcionales al valor de cada variable de decisin. As el
trmino 4X
1
es proporcional, porque contribuye al valor de la funcin Z con 4, 8, 12, etc. para los
valores 1, 2, 3, etc., respectivamente, de X
1
. Se puede observar el aumento constante y proporcional de 4
conforme crece el valor de X
1
. En contraste, el trmino no lineal 4X
1
2
, contribuye con 4, 16, 36, etc.,
para los mismos valores 1, 2, 3, etc., respectivamente, de la variable X
1
; Aqu se observa que el aumento
en la contribucin no es constante y por lo tanto no hay proporcionalidad.
II. Aditividad.- Significa que se puede valorar la funcin objetivo Z, as como tambin los recursos
utilizados, sumando las contribuciones de cada uno de los trminos que intervienen en la funcin Z y en
las restricciones.
III. Divisibilidad.- Significa que las variables de decisin son continuas y por lo tanto son aceptados valores
no enteros para ellas. La hiptesis de divisibilidad ms la restriccin de no negatividad, significa que las
variables de decisin pueden tener cualquier valor que sea positivo o por lo menos igual a cero.
IV. Certidumbre.- Significa que los parmetros o constantes son estimados con certeza, o sea, no interviene
una funcin de probabilidad para obtenerlos
El modelo de programacin lineal es un caso especial de la programacin matemtica, pues debe cumplir que,
tanto la funcin objetivo como todas las funciones de restriccin, sean lineales.
APLICACIONES TPICAS DE LA PROGRAMACIN LINEAL
Aparentemente, las estructuras de organizacin complejas propias de la sociedad moderna han reconocido
interesantes problemas de optimizacin tales como la manera ms eficiente de manejar la economa de un pas o
tambin la mezcla de ingredientes de un fertilizante para satisfacer las especificaciones agrcolas a costo
mnimo. Ambos problemas utilizan el modelo de programacin lineal (PL), para optimizar una funcin lineal
condicionada a restricciones lineales, que es sencillo en su estructura matemtica, pero poderoso por su gran
adaptacin a una amplia variedad de problemas.
La programacin lineal es una tcnica matemtica de resolucin de problemas, su desarrollo representa una
ayuda a los administradores para tomar decisiones en la asignacin de recursos. A continuacin aparecen
algunas aplicaciones tpicas de la PL:
1. Un fabricante desea desarrollar un programa de asignacin en produccin y una poltica de inventario
que satisfagan la demanda de ventas de periodos futuros. As se podra cumplir la demanda con mnimo
costo total de produccin y de inventario.
2. Un analista financiero debe seleccionar una cartera de inversiones a partir de una diversidad de
alternativas en acciones y bonos. Se debe establecer la cartera que maximice el rendimiento sobre la
inversin asignada.
3. Un administrador de mercadotecnia desea determinar la mejor manera de asignar un presupuesto de
publicidad como radio, televisin, peridicos y revistas. Al gerente le gustara determinar la
combinacin de medios que maximice la efectividad de la publicidad.
4. Una empresa tiene almacenes en varias. ubicaciones en todo el pas. Para un conjunto de demandas de
sus productos por parte de sus clientes, la empresa deseara determinar cunto debe asignar en
embarques a cada uno de los almacenes y a cada cliente, de manera que los costos totales de transporte
resulten mnimos.

Estas aplicaciones representan unas cuantas situaciones en las que se ha utilizado con xito la programacin
lineal, pero ilustran su potencial en la solucin de problemas. Un estudio detallado revela las caractersticas
comunes de ellas. En el ejemplo 1, el fabricante desea minimizar costos; en el 2, el analista financiero desea
maximizar el rendimiento sobre la inversin; en el 3, el gerente de mercadotecnia desea maximizar la
efectividad de la publicidad, y en el ejemplo 4, la empresa desea minimizar los costos totales de transporte. En
todos los problemas de programacin lineal, el objetivo es el mximo o bien el mnimo de alguna cantidad
en la accin de asignar recursos.
Los problemas de programacin lineal se caracterizan, adems, por las condiciones impuestas o restricciones
de recursos, que limitan el grado en que se puede cumplir algn objetivo. En el ejemplo 1, el fabricante est
limitado por restricciones que requieren que la demanda de producto quede satisfecha y por restricciones
respecto a la capacidad de produccin. El problema de la cartera del analista financiero est limitado por la
cantidad total de fondos de inversin disponibles y las cantidades mximas que se pueden invertir en cada
accin o bono. La decisin en la seleccin de medios del gerente de mercadotecnia, est restringida por un
presupuesto de publicidad fijo y por la disponibilidad de los varios medios. En el problema de transportacin, el
programa de embarques de costo mnimo est restringido al suministro de productos disponibles en cada
almacn. La diversidad de condiciones mencionadas, es parte de lo que puede esperar aquel que decida
enfrentar un problema, pues las restricciones son otra caracterstica general en todo problema de programacin
lineal.

Antecedentes histricos y definicin. Subir Formulacin de problemas con

1.4. Formulacin de problemas con programacin lineal.
La formulacin de un problema de cualquier tamao con programacin lineal debe sujetarse al formato del
modelo de PL general ya presentado antes.
Se empieza como parte 1, con la observacin y anlisis necesario para definir el significado cuantitativo de las
variables de decisin o controlables que se pueden representar, en smbolos como X
1
, X
2
, X
3
,... ,o bien,
identificar con nombre especfico de producto o bienes de manufactura, almacn o venta, disponibilidad y/o
requerimiento de recurso o materia prima.
Se contina con la parte 2, para construir la funcin objetivo o medida de efectividad, representada por una
variable (denotada con Z, G, U, etc.) cuyo valor se desea maximizar(utilidad, rendimiento, ingreso,
produccin) o bien minimizar (costo, tiempo, mano de obra, inventario). Puede ocurrir en algn caso, que la
formulacin resulte no lineal, pero con las transformaciones adecuadas se puede hacer la conversin a lineal.

Como parte 3 debe considerarse la construccin de las restricciones que limitan el valor ptimo que puede
tomar la funcin objetivo, o sea, definen las soluciones admisibles o regin factible del problema. Las
restricciones pueden ser de una o todas las clases siguientes: Si no se debe exceder el recurso disponible, de la
forma <=; para no menos de lo requerido, de la forma >=; o tambin para igualar el recurso especificado, de la
forma =.
Se termina con la parte 4, para condicionar las variables a valores no negativos, debido a que en la gran
mayora de los problemas los valores negativos no tienen significado fsico. Los casos de excepcin merecen
tratamiento especial.

Modelo de programacin lineal
general.
Subir Ejemplos de formulacin de modelos
de PL.
1.5. Solucin para el modelo de programacin lineal.
Existen mtodos de solucin del modelo de programacin lineal, tanto grfico como analtico. Para la gran
mayora de los problemas es indispensable aplicar la metodologa analtica, con los algoritmos muy eficientes
que desarrollaron los cientficos ya citados en los antecedentes de PL. Pero en beneficio de la claridad, conviene
iniciar la exposicin de cmo resolver el problema ya formulado con programacin lineal, con el mtodo
grfico, que por su sencillez, es posible que el alumno se motive ms para el estudio. Para ello primero se debe
revisar la forma en que puede presentarse un modelo o planteamiento del problema que se estudia.

Ejemplos de formulacin de modelos
de PL.
Subir Formas equivalentes del modelo de
programacin lineal.

Anterior Captulo 1. PROGRAMACION LINEAL (PL). Siguiente

1.6. Ejercicios, actividades de aprendizaje y autoevaluaciones correspondientes al
captulo [MAT96]
En las siguientes subsecciones encontrar una serie de ejercicios que ayudarn a la total comprensin de los
temas tratados en el presente captulo. Asimismo, los ejercicios marcados con *AUTOEVAL* son de auto
evaluacin, el peso de los incisos correspondientes a cada uno de ellos podrn ser consultados en la seccin de
respuestas. Se sugiere resolverlos, y una vez terminados, revisar su solucin y calcular la calificacin
correspondiente y as evaluar el entendimiento del mismo.
Se recomienda aplicar los ejercicios aqu planteados a casos prcticos de la vida diaria como parte de las
actividades de aprendizaje del presente material.

Mtodo grfico para resolver modelos
de programacin lineal con solo dos
variables.

AND93.- Anderson D.- Sweeney D.- Williams T
Introduccin a los Modelos Cuantitativos para Administracin.,- Grupo Editorial Iberoamrica.- 1993.
Programacin lineal.- Limusa 1 Edicin 1981

MAT96.- Mathur Kamlesh and Solow Daniel.
Investigacin de Operaciones. El Arte de la Toma de Decisiones. Prentice Hall Hispanoamricana. 1996
SAT95.- Saaty Thomas.
Mathematical Methods of Operations Research, Mc Graw Hill Book Company, New York, 1959
WAG75.- Wagner H.
1994.

Solucin grfica 3 con aciertos de
opcin mltiple *AUTOEVAL*.
Subir SOLUCIN ANALTICA DEL MODELO DE
PROGRAMACIN LINEAL.
Captulo 2. SOLUCIN ANALTICA DEL MODELO DE PROGRAMACIN LINEAL.
Tabla de contenido
2.1. Objetivo.
2.2. Conceptos relacionados.
2.3. Teoremas de la programacin lineal.
2.4. Mtodo Simplex.
2.5. Matriz unitaria "I" de base con variables artificiales.
2.6. Casos especiales en la tabla Simplex.
2.7. Teora de la dualidad.
2.8. Ejercicios, actividades de aprendizaje y autoevaluaciones correspondientes al captulo

2.1. Objetivo.
El alumno debe aprender la utilizacin del poderoso y verstil mtodo simplex de solucin en programacin
lineal, aplicado en problemas ejemplo pequeos que muestran las diversas circunstancias de su preparacin
antes de aplicar el algoritmo y los casos especiales identificables en la tabla solucin. Tambin con fines de
interpretacin econmica, debe aprender las relaciones que vinculan a un problema con su dual asociado y los
teoremas derivados.

Referencias bibliogrficas

2.2. Conceptos relacionados.
Para la gran mayora de los problemas modelados con programacin lineal, el mtodo grfico es claramente
intil para resolverlo, pero afortunadamente y gracias a la dedicacin de varios cientficos, desde mediados del
siglo XX se cuenta con el eficiente mtodo SIMPLEX, poderoso por su aplicacin verstil en cualquier rea de
la actividad humana. Pero como antecedente a la exposicin del simplex, conviene aclarar con definiciones
algunos conceptos relacionados.
En programacin lineal es necesario calificar la palabra solucin para precisar el concepto al que se hace
referencia, como se expresa enseguida:
SOLUCIN.- Es un conjunto de n + m variables "X
j
", definidas ordenadamente como un vector X = ( X
1
, X
2
,
... X
j
, ... X
n
, X
n+1
, ... , X
n+m
) que satisface el conjunto de ecuaciones que constituyen el sistema en el problema.

En donde: m =nmero de restricciones; n =nmero de variables de decisin.
SOLUCIN FACTIBLE.- Es un conjunto de n + m variables "X
j
", definidas ordenadamente como un vector
X = ( X
1
, X
2
, ... X
j
, ... X
n
, X
n+1
, ..., X
n+m
) que satisface el conjunto de ecuaciones que constituyen el sistema en
el problema.

y adems la condicin, toda X
j
>= 0.
SOLUCIN BSICA.- Se obtiene, cuando en el sistema de ecuaciones se hacen n variables iguales a cero del
total de (n+m) variables y resolviendo las ecuaciones para las restantes "m" variables, siempre que el
determinante de los coeficientes de estas "m" variables llamadas bsicas, no sea cero. Consulte el apndice A.
SOLUCIN BSICA FACTIBLE.- Es una solucin bsica que cumple X
j
>= 0, para toda j (j = 1, 2, ..., n +
m); es decir, todas las variables bsicas son no negativas. En una analoga geomtrica con slo dos variables, se
puede comparar con los vrtices en el rea sombreada.
SOLUCIN NO DEGENERADA.- Es una solucin bsica factible, con exactamente "m" variables bsicas
X
i
, estrictamente positivas.
SOLUCIN DEGENERADA.- Es una solucin bsica factible, con menos de "m" variables bsicas X
i

positivas, pues al menos, una de ellas es de valor cero.
SOLUCIN PTIMA.- Es una solucin bsica factible que optimiza la funcin

SOLUCIN ANALTICA DEL MODELO DE
PROGRAMACIN LINEAL.

2.3. Teoremas de la programacin lineal.
La PL se fundamenta en varios teoremas de los cuales se definen tres de los ms importantes:
1. El conjunto de soluciones factibles de la programacin lineal es convexo.
Definicin.- Un conjunto es convexo, si dados dos puntos cualesquiera A y B del mismo, el segmento de
recta que los une, se incluye totalmente en dicho conjunto (Figura 1-37); expresado matemticamente,

un conjunto C es convexo si y slo si, todos los puntos "P" determinados por combinacin convexa entre
dos puntos cualesquiera A y B del mismo, estn en el conjunto C:

Ejemplo que verifica convexidad: Determine un punto P por combinacin convexa de puntos vrtice en
Figura 1-33: A(0,6) y F(4,3),

Si tanto A como F son vrtices factibles, entonces P est en el conjunto factible.
2. La funcin objetivo de un programa lineal tiene su valor ptimo (mximo o mnimo), en un punto
extremo (vrtice) del conjunto convexo de soluciones factibles.
Si alcanza este ptimo en ms de un punto extremo, entonces toma el mismo valor para toda
combinacin convexa entre estos puntos del problema, (soluciones ptimas mltiples).
3. Una condicin necesaria y suficiente para que un punto X >= 0 en el conjunto de soluciones
factibles sea punto extremo, es que X sea una solucin bsica factible que satisfaga el sistema:
AX=b; o bien expresado as

Este teorema indica que cada punto extremo corresponde, al menos, a una solucin bsica y viceversa,
cada solucin bsica significa un punto extremo. As se concluye que el nmero de puntos extremos del
conjunto de soluciones factibles, es finito y no puede exceder el de sus soluciones bsicas. Entonces, el
nmero mximo de tales soluciones supuestas nicas se calcula con el binomio:

Es de anotar, que un punto extremo puede estar definido con ms de dos restricciones en cuyo caso
se dice no nico y tener ms de una solucin bsica; adems, si es extremo factible, se tiene
degeneracin en tal vrtice. El punto extremo factible nico se dice es solucin bsica no degenerada.
Un punto extremo (vrtice) del conjunto factible se identifica porque no se puede expresar como
combinacin convexa de cualquier par de puntos del mismo conjunto.

Conceptos relacionados.

Anterior Captulo 2. SOLUCIN ANALTICA DEL MODELO DE PROGRAMACIN LINEAL. Siguiente

2.4. Mtodo Simplex.
En el ao 1947 el doctor George Dantzig present el algoritmo que desarroll y que denomin SIMPLEX. A
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. El desarrollo paralelo de la computacin digital, hizo
posible su rpido desarrollo y aplicacin empresarial a todo tipo de problemas.
El mtodo simplex disminuye sistemticamente un nmero infinito de soluciones hasta un nmero finito de
soluciones bsicas factibles. El algoritmo simplex utiliza el conocido procedimiento de eliminacin en la
solucin de ecuaciones lineales de Gauss- Jordan y, adems aplica los llamados criterios del simplex con los
cuales se asegura mantener la bsqueda dentro de un conjunto de soluciones factibles al problema; as valora
una funcin econmica Z, exclusivamente en vrtices FACTIBLES (posibles). Tambin se consigue con
eficiencia, debido a que se dirige la bsqueda haciendo cambios a una solucin bsica factible adyacente, que se
distingue al tener m-1 variables bsicas iguales; es decir, dos vrtices adyacentes slo difieren en una variable
bsica; seleccionando la ruta de mayor pendiente, para mejorar el valor de Z, o por lo menos conservarlo.
Primero se presenta el mtodo simplex, especfico para un modelo de PL en forma cannica de mximo,
aplicado con la conocida tabla matricial, (tambin identificada como tableau), lo cual se resume mediante el
diagrama funcional de la Figura 2-1, que muestra los fundamentos del algoritmo contenidos en niveles o
bloques numerados para la referencia en la descripcin del mismo.
Nivel 1.- Forma estndar.-El modelo de PL en forma cannica de mximo que se desea resolver, tiene m
ecuaciones obtenidas al convertir las restricciones de desigualdad a igualdad, agregando m variables de holgura,
que sumadas a las n variables de decisin, hacen un total de (m + n) incgnitas.
Las m restricciones con las (m + n) variables, producen un nmero infinito de soluciones, entre ellas, un
conjunto de factibles y tambin las no factibles.
Nivel 2.- Calcule una primera solucin bsica factible.- Del total, (m + n) variables, slo n se igualan con
cero ( n = 0 ), lo cual produce (s existen), un nmero finito de soluciones bsicas con un lmite mximo de (m +
n)! / m! n!. Estas pueden ser, factibles y no factibles; se consideran slo las primeras.

Nivel 3.- Se toman en cuenta slo las soluciones bsicas factibles, esto es, las que tienen todas las variables
bsicas >= cero; es decir, con un nmero de iteraciones menor a (m + n)! / m! n!, se obtienen soluciones bsicas
factibles: no degeneradas, si todas las incgnitas bsicas son positivas y soluciones degeneradas, si al menos
una variable bsica es igual a cero. Se aplican los criterios del algoritmo en forma iterativa para evaluar la
funcin objetivo en puntos extremos adyacentes que potencialmente puedan mejorar el valor Z.
Nivel 4.- Se generan nuevas soluciones bsicas factibles, tales que el valor de la funcin objetivo Z mejore; se
repite el procedimiento (iteraciones) entre los niveles 3 y 4, hasta que ninguna solucin bsica factible
adyacente resulte mejor; es decir, hasta que no haya incremento de valor, si el problema es de mximo, (hasta
que no haya decremento, para el problema, no tratado ahora, de mnimo).

Figura 2-1. Diagrama funcional del algoritmo simplex.

Nivel 5.- Se interpretan los resultados de la ltima (iteracin) tabla calculada, porque se identifican las
caractersticas de una solucin ptima.
Criterios del Algoritmo Simplex.
El algoritmo simplex emplea los siguientes criterios para asegurar que la bsqueda de la solucin ptima del
problema en estudio sea rpida, limitando el clculo a soluciones bsicas (puntos extremos) que sean factibles.
Criterio de optimalidad. Se aplica en el simplex para determinar entre las variables no bsicas, una que entre
(VE) a la base, eligiendo en la columna que tenga el coeficiente ms negativo en el rengln "Z" de la tabla, si
el problema es maximizar. Por lo contrario, si el problema es minimizar se elige para variable entrante (VE)
a la base la que cumpla con el coeficiente ms positivo en dicho rengln "Z".
Criterio de factibilidad.- Se aplica en el simplex para determinar entre las variables bsicas, una que salga de
la base (VS), eligindola que cumpla

en donde Xi es el valor de la variable bsica en el rengln i; a ik es un coeficiente en el mismo rengln i
ubicado en la columna k correspondiente a la variable entrante elegida. Esto es vlido tanto para problemas de
mximo como de mnimo.
Elemento pivote: En el cruce correspondiente a columna y rengln elegidos con los dos criterios anteriores,
se ubica un coeficiente denominado pivote (P) que se utiliza durante las iteraciones o etapas de clculo del
simplex.
Ejemplo 2-1. Aplica mtodo Simplex; PL forma cannica mximo (MAXCAN1).
Este modelo de PL forma cannica de mximo con slo dos variables de decisin, ya se mostr como el
Ejemplo 1-13 de mtodo grfico con la Figura 1-33.

Nivel 1.-
Se inicia el mtodo simplex para el problema expresado en forma cannica, sumando una variable de
holgura a cada una de las restricciones de desigualdad <= que contiene el modelo, convirtindose todas

ellas en igualdades. Las holguras se denotan con X
n+1
, X
n+2
,..., X
n+m
. Otra conveniente notacin es: H
1
,
H
2
,..., H
m
; en donde 1,2,...,m, son restricciones tipo <=. As se pasa a:

Ahora se tienen tres ecuaciones con (n+m)=(2+3)=5 incgnitas, ampliando el sistema a 5 dimensiones
con dos grados de libertad para la solucin del mismo, lo cual implica un nmero infinito de
soluciones. Se puede recurrir en lo que sigue, a la analoga geomtrica del Ejemplo 1-13 con el
propsito de mostrar parte de la naturaleza geomtrica del algoritmo simplex con la Figura 1-33:
No se puede mostrar una analoga geomtrica para el espacio ampliado de forma estndar en cinco
dimensiones con (X
1
, X
2
, H
1
, H
2
, H
3
), pero s se puede observar el espacio factible OACFE que se
genera con slo dos dimensiones X
1
y X
2
en la Figura 1-33; en ambos espacios existe un nmero infinito
de puntos tanto interiores como en la frontera de la regin factible, aunque slo existe un nmero finito
de puntos extremos (vrtices).
En teora, de acuerdo al segundo teorema ya mencionado, la solucin ptima se debe buscar en uno de
esos puntos extremos, pero para la mayora de los problemas con suficiente tamao significara una
labor de clculo excesiva y costosa e incluso imposible. Para tener una idea de lo que significa esto,
supngase por ejemplo un problema cuyo modelo de programacin lineal contiene m = 5 restricciones y
n = 4 incgnitas, aplicando el conocido binomio ya mencionado se tendra: (m + n) ! / m! n! = (5 + 4)! /
5! 4! = 126 vrtices; otro ejemplo ms, con m = 5 restricciones y n = 10 variables: (5 + 10)! / 5! 10! =
3003 puntos extremos. Los ejemplos aqu anotados ciertamente son pequeos, pues lo comn en el
mbito de empresa o gobierno, es manejar magnitudes en decenas o cientos, tanto en restricciones como
en variables. Pero el simplex salva esta circunstancia con eficiencia, tal como se expresa enseguida.
Nivel 2.-
Una solucin bsica se obtiene estableciendo que de las (m+n) incgnitas en el sistema de ecuaciones en
forma estndar, n variables tengan el valor cero llamndolas no bsicas y resolviendo (si hay
solucin) para las restantes m variables que son bsicas, componen la base o solucin bsica.
El sistema de restricciones en este Ejemplo 2-1 tiene tres ecuaciones con cinco variables, se pueden
expresar tres cualesquiera de estas en funcin de las otras dos que por ello se consideran independientes.
Como cada variable de holgura H
1
, H
2
, H
3
, se presenta slo en una, de las tres restricciones, conviene
hacerlas bsicas y las variables de decisin X
1
y X
2
se inicien con valor cero como no bsicas. De este
modo, para la aplicacin del algoritmo simplex, se tiene la primera solucin bsica factible siguiente:

La funcin objetivo Z slo contiene a las variables de decisin X
1
y X
2
, con valor actual cero, por lo
tanto Z=3(0)+5(0)=0, no satisface el objetivo de mximo. La comparacin geomtrica es valorar la lnea
recta Z en el origen O, como Z
o
=0. Esta evaluacin en O, no puede ser el mximo valor porque an no
se emplean los recursos de las tres restricciones los cuales son asignados a las tres holguras:

Igualando a cero n variables, se reduce la bsqueda desde una infinidad hasta un nmero finito de
vrtices; pero tal nmero, an puede ser grande.
Nivel 3.-
El problema Ejemplo 1-13 (Figura 1-33) condiciona las variables de decisin X
1
, X
2
>=0, pero en las
soluciones bsicas que pueden determinarse en nivel 2, no se cumple esta condicin para todas las
variables, como se puede comprobar en la tabla para el sistema ampliado del mismo, que muestra
valores negativos en las holguras para las soluciones bsicas B, D y J.
En tal circunstancia, an se pueden disminuir las soluciones bsicas eliminando las no factibles porque
tienen variables con valor negativo.
Con la tabla Figura 2-2 se inicia el algoritmo simplex, muestra el arreglo matricial de los coeficientes
de acuerdo a la forma estndar de este ejemplo, con excepcin de la funcin objetivo que se arregla a
su forma equivalente: Mximo Z-3X
1
- 5X
2
= 0, con el formato del sistema de ecuaciones lineales.
Anote el coeficiente cero para las ausentes holguras en el rengln Z, pero en cambio, el coeficiente 1 de
cada una de las variables de holgura en cada restriccin, forman la diagonal en la matriz unitaria I de
base, como conjunto de vectores linealmente independientes que generan la primera solucin en el
punto extremo ( X
1
, X
2
, H
1
, H
2
, H
3
) = ( 0, 0, 4, 12, 18 ), vrtice O de la analoga grfica, Figura 1-33.

Figura 2-2. Tabla simplex, con 1 solucin bsica factible, ejemplo MAXCAN1
Nivel 4.-

A partir de la solucin inicial del algoritmo simplex, se puede generar una nueva solucin bsica
factible; se aplica primero el criterio de optimalidad a la solucin bsica factible actual, seleccionando
entre las variables no bsicas, una variable que entre a la base y por lo tanto cambie a bsica. La
seleccin de VE se hace con el criterio de conseguir la mayor ganancia unitaria de la funcin objetivo en
un vrtice. Se observa que un incremento unitario en X
2
, aumenta en 5 el valor de Z, mientras que un
incremento unitario en X
1
, aumenta en 3 el valor de Z; si se desea el mximo conviene aumentar a X
2
,
dejando a X
1
en cero, lo que corresponde en la analoga geomtrica a decidir pasar a valorar el vrtice
adyacente A(0,6) a lo largo del segmento frontera OA, incrementando a X
2
, desde un valor de cero hasta
un valor de 6, conservando X
1
su valor cero (Figura 1-33).
En el simplex, para este ejemplo con el objetivo de maximizar (Figura 2-3), se aplica la optimalidad
seleccionando la variable no bsica con el coeficiente ms negativo en el rengln Z de la tabla,
sealando la columna elegida con .
La solucin bsica del simplex, siempre debe tener m (m=3 en el ejemplo) variables bsicas, entonces
la VE del criterio de optimalidad debe reemplazar a una de las variables bsicas que al salir de la base se
convierte en no bsica. As en segundo lugar, se aplica el criterio de factibilidad, para determinar entre
las variables bsicas, una que salga de la base . En la columna izquierda estn las variables en la
base y en la columna derecha, se tienen sus valores, los cuales se dividen entre el coeficiente que sea
positivo, en el mismo rengln i de la columna k de la VE, esto es: Mnimo (12 / 2 = 6; 18 / 2 = 9) = 6, lo
cual se cumple para la variable bsica H2, que debe sealarse como .

Figura 2-3. Criterios de optimalidad y factibilidad, en 1 tabla simplex, ejemplo MAXCAN1.
Observe, que las variables no bsicas X
1
y X
2
no ocupan lugar en la base, por eso valen cero. Para aclarar el
criterio de factibilidad, considere que se decide el incremento de valor a X
2
para variable entrante VE, lo que
significa cambiar al vrtice adyacente A, trasladndose a lo largo de la frontera OA, con un valor para la
variable X
1
= 0 que sustituido en el sistema de ecuaciones en forma estndar, se tiene:

Aqu se puede ver la esencia del criterio de factibilidad, al no permitir un valor mayor a 6 para la variable X
2
,
pues para que H
2
H
3
salgan de la base, deben anularse: as H
2
=0 y H
3
=6, con X
2
=6; H
3
=0 y H
2
= -6, si X
2
= 9;
pero al asignar X
2
= mn (6, 9) =6 se impide que la variable H
2
sea negativa ya que viola las condiciones

impuestas; en la analoga geomtrica significara evaluar la recta de la funcin objetivo en el vrtice A
adyacente al O y pasar a evaluar el vrtice B no adyacente al O, que adems es no factible porque H
2
= -6,
(Figura 1-33).
En el cruce de la columna que corresponde a y el rengln de la , se localiza un coeficiente
identificado como pivote (P) que se utiliza para iniciar el procedimiento de solucin de ecuaciones lineales
conocido como de Gauss-Jordan. Para este ejemplo el pivote es 2, en el rengln saliente y columna
entrante , procediendo al clculo en Figura 2-4 de la siguiente tabla simplex que es la nueva solucin
bsica factible correspondiente al punto extremo adyacente A(0, 6) de la analoga geomtrica.
La segunda solucin bsica factible se inicia con la nueva base formada con m = 3 variables bsicas; H
1
y H
3

que se conservan, pero sale H
2
y se reemplaza con la variable X
2
como bsica en el nuevo punto extremo a
evaluar. La tabla simplex se empieza con el rengln entrante correspondiente a la variable X
2
; se calcula
dividiendo los coeficientes del rengln saliente entre el coeficiente pivote P de la tabla solucin anterior.
En el lado izquierdo de la tabla se anota la frmula utilizada RE = RS / P, para lo resultados mostrados en la
fila de X
2
. Al convertir en bsica a la variable X
2
, se deben hacer las operaciones fila necesarias para conseguir
en su columna, el vector unitario, caracterstico de una variable bsica que forma parte de la matriz I. Por lo
tanto se escriben, el coeficiente 1 en la posicin del pivote y coeficientes cero en el resto de la columna.
Adems, en el rengln Z de la tabla, el coeficiente correspondiente tambin debe resultar cero. Esto debido a
que los coeficientes del rengln Z son indicadores del posible incremento en el valor de la funcin objetivo.
En cuanto una variable no bsica se incrementa de valor hacindola bsica, el coeficiente en tal rengln resulta
de valor cero, indicando as, que X
2
ya no puede aportar a la ganancia representada con la variable Z. En las
frmulas a la izquierda, se usa la fila RE de la nueva tabla y las filas necesarias de la tabla anterior; la fila H
1
se
copia igual porque ya existe el cero en la columna X
2
.

Figura 2-4. Tabla simplex con 2a solucin bsica factible, ejemplo MAXCAN1.
Un clculo con la restriccin (2) en la forma estndar: 2X
2
+ H
2
= 12, sustituyendo los valores X
2
=6 y H
2
=0
dados en la segunda tabla simplex: 2(6) + 1(0) = 12, muestra que debe utilizarse todo el recurso (2),
produciendo hasta ahora una ganancia Z = 3X
1
+ 5X
2
= 3(0) + 5(6) = 30, que resulta mejor a Z = 0 anterior.
Observe el nico cambio de la base, sigue con tres variables, pero X
2
sustituye a H
2
como variable bsica y
conserva a H
1
y H
3
, de la solucin bsica factible de tabla anterior ya que ambas son, de puntos extremos
adyacentes.
La nueva solucin bsica factible valorada con el simplex es, por analoga, el punto extremo vrtice A(0,6) en
Figura 1-33: ( X
1
, X
2
, H
1
, H
2
, H
3
) = ( 0, 6, 4, 0, 6 )

Ahora las variables bsicas H
1
, X
2
, H
3
con vector columna unitario hacen la base I. La Figura 2-5 repite la
segunda tabla con los criterios del simplex aplicados.

Figura 2-5. Criterios de optimalidad y factibilidad, 2 tabla simplex, ejem MAXCAN1.
El tratamiento algebraico siguiente, fuera del procedimiento simplex en forma tabular que se est exponiendo,
puede satisfacer al estudiante, para comprender los resultados del rengln Z de la tabla con la segunda solucin
bsica factible:
La ecuacin (2) en la forma estndar es 2X
2
+ H
2
=12 bien X
2
+ 1/2 H
2
= 6; despejando: X
2
=6 - 1/2H
2
;
sustituyendo en la funcin: Z - 3X
1
- 5X
2
= 0, se tiene:

En este proceso algebraico se observa la importancia de los coeficientes en Z: (-3) para X
1
y (+5/2) para la
holgura H
2
, se comprende que se utilicen como indicadores para la optimalidad en el simplex. Significa que
la variable X
1
no bsica y por lo tanto con valor cero, conviene hacerla bsica aumentando su valor, pues su
coeficiente en la ecuacin indica que por cada unidad asignada a X
1
, al valor de Z=30 se le suma 3. As en la
tabla simplex en Figura 2-5 se decide que X
1
, variable no bsica entre a la base , para incrementar Z. En
cambio Z disminuye, si regresa H
2
a la base.
Por otro lado, en la aplicacin del criterio de factibilidad se dividen los valores actuales de las variables bsicas,
situados en la columna derecha de la tabla, entre los respectivos coeficientes positivos en la columna X
1
, que se
tiene como VE, con el resultado: Mnimo ( 4/1 = 4, 6/3 = 2 ) = 2, entonces la variable H
3
es saliente , y se
debe reemplazar por la nueva variable bsica X
1
= 2.
Esto representa el cambio de base del vrtice A(0,6) al vrtice C(2,6), ambos puntos extremos adyacentes de la
analoga grfica en la Figura 1-33, lo cual se identifica en el simplex porque la base H
1
, X
2
, H
3
anterior, cambia
a H
1
, X
2
, X
1
en la siguiente solucin bsica; es decir, slo difieren en que X
1
sustituye a H
3
.
En el cruce de la columna y el rengln seleccionados para variable entrante a la base y variable saliente de
la base , se ubica el coeficiente pivote P = 3 en Figura 2-5 que se utiliza para el clculo de la siguiente
iteracin.

A continuacin se presenta la tercera tabla simplex en la Figura 2-6 que se inicia colocando las variables bsicas
H
1
, X
2
, X
1
, as ordenadas en los renglones, calculando los coeficientes del rengln entrante que se obtienen al
dividir el rengln correspondiente a la variable saliente entre el nmero pivote 3; RE = RS / 3.
En el cruce de la columna de X
1
con el rengln RE ya determinado debe haber un nmero 1, el cual es pivote.
La columna X
1
debe completarse con coeficientes cero para que sea vector unitario de esta variable, que con H
1

y X
2
forman la matriz de base I.
Con el nuevo rengln RE de esta tabla y los renglones sealados en las frmulas anotadas en el lado izquierdo
de la misma, se procede al clculo de los coeficientes faltantes mediante el procedimiento de eliminacin para la
solucin de ecuaciones lineales de Gauss-Jordan; anote que en la fila correspondiente a la variable bsica X
2
, no
hay necesidad de calcular sus coeficientes porque el cero requerido para vector unitario en la columna de X
1
ya
existe desde la tabla anterior, por lo que solamente se copia de la misma; resultando la tercera tabla simplex
siguiente en la Figura 2-6

Figura 2-6. Tabla simplex ptima, en 3 sol. bsica factible, ejemplo MAXCAN1.
Los resultados de esta tabla simplex, muestran los coeficientes indicadores en el rengln Z, correspondientes a
las cinco variables con valor no negativo; segn el criterio de optimalidad significa que ya no hay variables
candidatas para entrar a la base y as se tiene una solucin ptima en el rengln Z con un valor:

que debe completarse con la lectura del programa ptimo en las filas de las variables en la base y columna
solucin:
Variables de decisin X
1
= 2, X
2
= 6, variable de holgura H
1
= 2. Las variables no presentes en la base, deben
valer cero: holguras H
2
= 0, H
3
= 0.
Sustituyendo el programa obtenido en el problema con forma estndar se tiene.

Las restricciones (2) y (3), se cumplen con valor cero para las holguras H
2
y H
3
, significa que en esos recursos
no existe sobrante. En cambio, el recurso (1) que vale 4, tiene sobrante que representa la variable bsica de
holgura H
1
= 2.
Entonces la solucin ptima se tiene en el vrtice C(2,6) de la analoga grfica, tal como se anota en la Figura 1-
33 y en el espacio ampliado de cinco dimensiones mostrado en la Figura 1-36 que se manej en la misma. Con
el mtodo simplex se optimiza en el punto extremo caracterizado con el vector de la siguiente solucin bsica
factible:

En la Figura 2-7
[HIL67]
se muestra el total de tablas simplex aplicado al ejemplo MAXCAN1, en forma cannica
de mximo con slo dos variables de decisin y tres restricciones <=.

Figura 2-7. Tablas simplex del ejemplo MAXCAN1 con 3 restricciones tipo <=.
EMPATES EN LOS CRITERIOS DEL SIMPLEX.- Quiz el lector ya pens en la posibilidad de empates al
aplicar los criterios del simplex para el cambio de base. Con el criterio de optimalidad, al elegir entre
coeficientes indicadores empatados en el mismo valor, se tiene prioridad con las variables de decisin y
entre estas, se selecciona la variable entrante a la base en forma arbitraria, pues con diferencia de ms o menos

iteraciones (no es predecible), se llega a los mismos resultados. En el caso de empate al aplicar el criterio de
factibilidad, se presenta la situacin de degeneracin (solucin bsica no nica), que resulta en el mismo valor
para la funcin objetivo en dos o ms iteraciones, pudiendo llegar al caso extremo de ciclar, vea ejemplo CaVa
27, lo cual sucede en tan pocas ocasiones, que la teora y reglas para evitarlo, ya no se tratan. La variable
artificial que se expone en los prrafos siguientes, siempre se debe intentar eliminar de la base (al menos que en
degeneracin se anule como bsica); en cuanto al empate entre otras variables se decide arbitrariamente la
variable que debe dejar la base.
Mtodo simplex aplicado en problemas con modelo no cannico.
Si el dedicado lector ya lo pens as, tiene razn, pues la mayora de las programaciones lineales de los
problemas no se sujetan a la forma cannica, pero la exposicin del simplex con mximo, es ms fcil y
tambin ms accesible para el conocimiento del que se inicia. Cuando el modelo de programacin lineal que se
desea resolver, ya sea de mnimo o bien de mximo, tiene cualquier tipo de restricciones, que incluyan las de
tipo ( >= ) y / o las de ( = ), en tal caso se requiere la preparacin del modelo utilizando una base artificial. En
esta situacin, se requiere aplicar alguna de las siguientes variantes del mtodo simplex, pues el que ya se
explic en pginas anteriores, no es suficiente.

Teoremas de la programacin lineal. Subir Matriz unitaria "I

2.5. Matriz unitaria "I" de base con variables artificiales.
Cuando el problema de programacin lineal se expresa en la forma cannica de maximizar, las variables de
holgura que se suman en cada restriccin de tipo <= para conseguir la igualdad de la forma estndar,
proporcionan un coeficiente (+1) que es til para formar la matriz unitaria " I "; se cumple as con la necesidad
de la primera solucin bsica factible que requiere el algoritmo simplex para su inicio.
Pero muchas veces, el modelo de programacin lineal no tiene forma cannica y presenta restricciones de tipo
>= e =, con las cuales no se usan variables de holgura para el propsito de conseguir la forma estndar. Al restar
la supervit -1S se convierte a ecuacin la restriccin tipo >=; y la restriccin = ya se cumple; pero en ambos
casos no se tiene la aportacin del coeficiente + 1.
Los problemas de programacin lineal expresados con restricciones distintas al tipo <= necesitan un artificio
matemtico para conseguir una matriz de base artificial, lo cual es posible sumando una variable artificial W
i

de valor no negativo, i=1,2,...,m en cada restriccin i de tipo >= e =, as se proporciona el coeficiente +1
indispensable para la formacin de la matriz unitaria I que requiere el algoritmo simplex para ponerlo en
marcha.

Una variable artificial no tiene significado fsico y slo se utiliza para completar la primera solucin bsica
que requiere el simplex para iniciarse; pero en contraste, a travs de las etapas de clculo, debe procurarse
que las artificiales salgan pronto de la base, convirtindolas en no bsicas, o bien que, como variables bsicas
valgan cero para poder lograr la solucin ptima.
A continuacin se exponen las variantes del algoritmo simplex que se utilizan en el caso de la presencia de
variables artificiales en el modelo a resolver.

Mtodo Simplex. Subir

2.6. Casos especiales en la tabla Simplex.
Se pueden identificar los siguientes casos especiales en la tabla simplex.

Mtodo Simplex de dos fases. Subir

2.7. Teora de la dualidad.
El desarrollo de esta teora de la dualidad es debido al inters que existe en la interpretacin econmica del
problema que se estudia. Se inicia bajo la consideracin de que todo problema de programacin lineal tiene un
problema asociado; llamndose problema primal al conocido y problema dual al asociado. Ambos problemas
estn muy relacionados, de tal manera que la solucin ptima de cualquiera de ellos proporciona la solucin
ptima del otro.
El problema dual de cualquier problema primal se puede obtener con manejo algebraico, convirtiendo primero a
las formas cannicas ya conocidas y despus a la correspondiente al dual, o bien en forma directa, a partir de
reglas de conversin al dual.

Problema sin solucin factible. Subir

captulo

Propiedades primal-dual. Subir Formas cannicas y estndar
*AUTOEVAL*.
EPE92.- Eppen G. - Gould F. - Schmidt Ch.
Mtodos Cuantitativos para Administracin. Prentice Hall. 1992
LUE84.- Luenberger D.

Introduction to Linear and No Linear Programming. 2d. edition.1984
WAG75.- Wagner H.
1994.

Conceptos de PL con opciones de
aciertos *AUTOEVAL*.
Subir ANLISIS DE SENSIBILIDAD DEL
MODELO DE
Captulo 3. ANLISIS DE SENSIBILIDAD DEL MODELO DE PROGRAMACIN LINEAL.
Tabla de contenido
3.1. Objetivo.
3.2. Mtodo Dual - Simplex.
3.3. Anlisis de sensibilidad.
3.4. Ejercicios, actividades de aprendizaje y autoevaluaciones correspondientes al captulo
3.1. Objetivo.
El estudiante debe ser consciente que la solucin a un problema, depende de la validez de la informacin de
entrada, por lo que debe aprender a someter a un anlisis de sensibilidad la solucin ptima entregada por la
computadora, mediante cambios a los parmetros del modelo de programacin lineal; es decir reformulando los
datos de entrada y apreciando las consecuencias.

Referencias bibliogrficas Mtodo

3.2. Mtodo Dual - Simplex.
Aprovechando las propiedades de los problemas asociados primal y dual, se desarroll el mtodo dual-simplex
que se aplica: en algunos casos de anlisis de sensibilidad, como ocurre en cambios de los recursos del
problema; tambin para resolver problemas de objetivo mnimo y al menos una restriccin de tipo >=, o para
ahorro en clculos evitando los mtodos simplex penal y dos fases. Se aplica cuando el problema cambia a no
factible, pero el rengln Z se presenta ptimo. Ahora observe y compare la aplicacin ( ) de criterios del
simplex en coeficientes del modelo de PL resumido, a los problemas primal y dual.

Figura 3-1. Criterios del simplex en coeficientes del modelo de PL resumido, a los problemas primal y
dual.
Enseguida se presenta una comparacin funcional del simplex y el dual simplex.

Figura 3-2. Comparacin funcional del simplex y el dual simplex.
Criterios del mtodo dual-simplex para el cambio de base.
En el algoritmo dual-simplex aplican los siguientes criterios para cambio de base:

Criterio de factibilidad.- Se aplica en el dual-simplex para determinar, entre las variables bsicas, una VS que
salga de la base, eligiendo para salir la que corresponda al valor ms negativo en la columna de solucin. Esto
es vlido tanto para el objetivo mnimo como para el mximo.
Criterio de optimalidad.- Se aplica en el dual-simplex para determinar, entre las variables no bsicas, una VE
que entre a la base con el siguiente procedimiento:

Figura 3-3. Criterio de Optimalidad en el mtodo dual-simplex.
Elemento Pivote.- Se ubica como pivote al coeficiente que corresponde al cruce del rengln y columna
elegidos con los criterios del cambio de base.
Ejemplo 3-1. Aplica dual simplex a un PL con 4 restricciones >= (DUX1).

PASOS:
1) Consiga infactibilidad en restricciones tipo >=, (multiplique por -1):

2) Arregle la funcin Z; consiga la matriz I de base, sume holguras H
i
, como sigue:

3) Tabule coeficientes y aplique el dual-simplex; elija variables VS, VE y pivote as:

Figura 3-4. Tablas del Dual-simplex aplicado al ejemplo DUX1.
Ejemplo 3-2. Aplica dual-simplex a un PL con 2 restricciones >= y 1 restriccin <= (DUX2).

PASOS:
1) Consiga infactibilidad, multiplique por (-1) en restriccin tipo >= como sigue:

2) Arregle el objetivo Z; consiga la solucin bsica (sume holguras H
i
), como sigue:

3) Construya la tabla y aplique el algoritmo dual simplex:

Figura 3-5. Tablas del Dual-simplex aplicado en ejemplo DUX2.

ANLISIS DE SENSIBILIDAD DEL
MODELO DE PROGRAMACIN LINEAL.

3.3. Anlisis de sensibilidad.
El modelo de programacin lineal es esttico y por tal motivo puede resultar inoperante con el transcurso del
tiempo. Es decir, los cambios que ocurren en cualquier economa dan lugar a que precios, costos, recursos
disponibles o requeridos ya no se puedan considerar para otro tiempo. Estos parmetros por lo general, son
valores estimados obtenidos sin la deseable precisin debido a las dificultades normales para conseguir registros
confiables.
Una solucin es ptima slo en lo que se refiere al modelo especfico que se usa para representar el problema
real estudiado, pero no puede ser confiable hasta verificar un buen comportamiento al hacer cambios en sus
parmetros. El anlisis de sensibilidad tiene el propsito de investigar el efecto sobre la solucin ptima
entregada por el mtodo simplex, con los cambios a los valores originales.
En tal caso, la PL tiene el recurso de revisar la "solucin ptima" de un problema para ajustarla a lo que se juzga
vlido por los responsables de la decisin, o bien en respuesta a cambios (slo discretos, pues los cambios
continuos forman parte de la programacin paramtrica, no incluida aqu) del entorno econmico; por tal
motivo a este anlisis tambin se le llama de posoptimalidad.
En general se pueden presentar cambios que no afecten la optimalidad de la solucin ya obtenida, pero tambin
puede ocurrir que se pierda esa condicin. Por tal motivo es importante identificar los parmetros sensibles, que
al cambiar de valor, se pierde el ptimo. En este caso, es posible calcular el intervalo de valores permitido en
que no se pierde el ptimo. Tambin se puede determinar el intervalo de valores para conservar factibilidad
(valores no negativos de variables).

Mtodo Dual - Simplex.

captulo

Cambios en la matriz A de coeficientes
tecnolgicos de restricciones en
variables no bsicas.

EPE92.- Eppen G. - Gould F. - Schmidt Ch.
Mtodos Cuantitativos para Administracin. Prentice Hall. 1992
GASS81.- Gass Saul I.
LUE84.- Luenberger D.
Introduction to Linear and No Linear Programming. 2d. edition.1984
WAG75.- Wagner H.
WIN94.-Winston Wayne.

1994.

Conceptos de PL con opciones de
acierto *AUTOEVAL*.
Subir APLICACIONES DE LA PROGRAMACIN
LINEAL

1394506162-Proyecto de Solucion de Problemas Con Program. (Tarea)

Transféré par

Informations du document

Description originale:

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

1394506162-Proyecto de Solucion de Problemas Con Program. (Tarea)

Transféré par

Droits d'auteur :

Formats disponibles

PROYECTO DE SOLUCIN DE

PROBLEMAS CON PROGRAMACIN

Vous aimerez peut-être aussi