Unidad I

Investigacin Operativa
(CC881)
Profesor: Giovanni Marr Lorca
e-mail: g.marre@gmail.com
2S - 2015
Ingeniera Civil Industrial UCN
Introduccin
Origen de la Investigacin de Operaciones
Polticas de despliegue de radares.

Control de fuego antiareo.
Determinacin de tamaos de convoy.
Deteccin de submarinos enemigos.
2S - 2015
Problemas Comunes
Aplicaciones en organizaciones de gran tamao.
Polticas de inventario.
Asignacin de recursos
Reemplazo.
Programacin de actividades.
Abastecimiento
Mantencin
2S - 2015
Campos de Aplicacin:
Energa
Viajes y turismo
Aplicaciones en los deportes
Modelamiento del sistema de justicia
Planificacin de la salud
Estudios de trnsito, Etc
Investigacin de operaciones
Enfoque de Sistemas
2S - 2015
Sociedad de Investigacin de
Operaciones de Gran Bretaa
Es la aplicacin de los mtodos de las Ciencias a problemas
complejos que surgen en la direccin y administracin de
Sistemas Grandes de hombres, mquinas, materiales y
dinero en la industria, negocios, gobierno y defensa. El
enfoque distintivo es desarrollar un modelo cientfico del
Sistema, incorporando medidas como oportunidades y riesgo
que predice y compara resultados de decisiones alternativas,
estrategias o control. El propsito es ayudar a la
administracin
a
determinar
polticas
y
acciones
cientficamente.
2S - 2015
MODELOS EN INVESTIGACIN DE
OPERACIONES
Sistema Real
Formulacin
Modelo
Deducciones
Conclusiones
Reales
2S - 2015
Interpretacin
Conclusiones
del Modelo
6
Principios de Modelacin:
Complicados v/s Simples.
Respete la tcnica.
La fase de deduccin debe ser rigurosa.
Inconsistencias?
Validar, luego implementar.
Un modelo no debe ser tomado tan
literalmente.
Un mtodo para validar modelos predictivos es el testeo
retrospectivo. Si un modelo no puede ser validado
previamente a la implementacin una estrategia es la
implementacin por fases.
2S - 2015
Principios de Modelacin (Cont.):

No forzar al modelo para que haga algo, o
criticarlo por no hacer algo para lo que no fue
construido.
No "sobrevenda" modelos.
Beneficio primario asociado con el proceso.
(Involucran al usuario)
Un modelo depende de la informacin que
analiza.
Los modelos no pueden reemplazar a los
2S - 2015
Civil Industrial UCN
8
tomadores de Ingeniera
decisiones.
Programacin Lineal:
Un problema de programacin lineal (PL) es un problema de
optimizacin para el cual se efecta lo siguiente:
1. Se intenta maximizar (minimizar) una funcin lineal de
variables de decisin llamada funcin objetivo.
2. Los valores de las variables de decisin deben satisfacer
un conjunto de restricciones. Cada restriccin debe ser
una ecuacin lineal o una desigualdad lineal.
3. Se relaciona una restriccin de signo con cada variable.
Para cualquier variable xi, la restriccin de signo
especifica que xi no debe ser negativa (xi>=0) o no tener
restriccin de signo (nrs).
2S - 2015
Ejercicios de Modelacin
A.- Problema de Mezcla de Producto (Handy-Dandy)
La compaa de Handy-Dandy desea programar la produccin de 3 productos
que requieren dos recursos: - mano de obra y materiales
La compaa considera gracias al Departamento de Ingeniera de Produccin,
los siguientes datos:
Productos
A
B
C
Mano de obra (horas/unidad)
7
3
6
Materiales (libras/unidad)
4
4
5
Beneficios ($ por unidad)
4
2
3
El suministro de materiales esta restringido a 200 libras/das. Disponibilidad
diaria de mano de obra es 150 horas.
Formular un modelo de Programacin Lineal que determine la produccin de los
diferentes modelos para maximizar el beneficio total.
2S - 2015
10
A.- Problema de Mezcla de Producto (Handy-Dandy)
Xi: Cantidad de producto i a producir en un da.

i=A, B, C
Max Z = 4xA + 2xB + 3xC
SA
4xA + 4xB + 5xC 200
7xA + 3xB + 6xC 150
xA, xB, xC 0
2S - 2015
11
B.- Mquinas - Herramientas

Una compaa de mquinas-herramientas conduce un programa de entrenamiento
para maquinista. Maquinistas entrenados son utilizados como profesores en el
programa a razn de 1 por cada 10 maquinistas no entrenados. El programa dura un
mes. La experiencia muestra que slo 7 de 10 maquinistas no entrenados completa
el programa.
Los maquinistas entrenados necesarios para la compaa en los prximos tres
meses son :
Enero
100 , Febrero
150, Marzo
200
La compaa requiere 250 maquinistas en Abril. Hay 130 maquinistas disponibles a
comienzo de ao. Los salarios son :
Trabajador
Salario
Maquinista no entrenado $ 400.
Maquinista entrenado
$ 700.
Maquinista Ocioso
$ 500.
El sindicato prohbe la cancelacin de maquinistas entrenados.
2S - 2015
12
B.- Mquinas - Herramientas

Xi: Cantidad de maquinistas ociosos en el mes i.
Yi: Cantidad de maquinistas enseando en el mes i.
i=1, 2, 3, 4
Min Z = 500(x1 + x2 + x3) + 700(y1 + y2 + y3) + 4000(y1 + y2 + y3)
SA
130 100 + y1 + x1
130 + 7y1 150 + y2 + x2
130 + 7y1 + 7y2 200 + y3 + x3
130 + 7y1 + 7y2 + 7y3 250
xi, yi, 0
2S - 2015
13
C.- Produccin
Hay que programar la produccin de un tem para las prximas 5 semanas. El costo de
produccin es $10 para las 2 primeras semanas y $15 para las 3 ltimas. Las demandas
semanales son 300, 700, 900, 800, 200 y deben ser satisfechas. La planta puede producir
650 unidades por semana.
La compaa puede trabajar con sobretiempo durante la 1a y 2a semana, as la produccin
puede aumentar hasta en 250 unidades, pero el costo aumenta en $5 por tem. La
produccin en exceso se almacena a $3 por tem. Formule un modelo de programacin
lineal que permita determinar cmo se debe programar la produccin.
2S - 2015
14
C.- Produccin
Xi: Produccin normal en la semana i.
Yi: Produccin en sobretiempo en la semana i.
Wi: Cantidad almacenada en la semana i.
i=1, 2, 3, 4, 5
Min Z = 10(x1 + x2)+ 15(x3 + x4 + x5 + y1 + y2)+ 3(w1 + w2 + w3+ w4)
SA
x1 + y1 + w1 300
x2 + y2 + w2 700 w1
x3 + w3 900 w2
x4 + w4 800 w3
x5 200 w4
x1 ,x2, x3 ,x4, x5 650
y1 , y2 250
2S -x2015
Ingeniera Civil Industrial
i, yi, wi 0
UCN
15
D.- Un problema de inspeccin.

Una compaa tiene dos niveles de inspectores 1 y 2 que estn asignados para
inspecciones de control de calidad. Se requiere al menos 1800 piezas en ocho
horas por da. Inspectores de nivel 1 chequean piezas a una razn de 25 por
hora con seguridad del 98%. Inspectores de nivel 2 chequean a la razn de 15
por hora con seguridad del 95%.
El salario de inspectores del primer nivel es $4 por hora, mientras que el de nivel
2 es $3 por hora. Cada vez que se comete un error el costo de la compaa es
$2. La compaa posee 8 inspectores de nivel 1 y 10 de nivel 2. Determinar la
asignacin ptima de inspectores.
2S - 2015
16
D.- Un problema de inspeccin.

Xi: Cantidad de inspectores tipo i a asignar en un da de trabajo.
i=1, 2
Min Z = 8(4x1 + 3x2 + 2*0,02*25x1 + 2*0,05*15x2)
S.A.
0,98*25x1 + 0,95*15x2 1800/8
X1 8
X2 10
xi 0
2S - 2015
17
E.- Un problema de dieta.

Mi dieta requiere que todos los alimentos que ingiera pertenezcan a uno de los
cuatro grupos bsicos de alimentos (pastel de chocolate, helado de crema,
bebidas carbonatadas y pastel de queso) . Por ahora hay los siguientes cuatro
alimentos: barras de chocolate, helado de crema de chocolate, bebida cola y
pastel de queso con pia. Cada barra de chocolate cuesta $50, cada bola de
helado de crema de chocolate cuesta $20, cada botella de bebida cola cuesta
$30 y cada rebanada de pastel de queso con pina cuesta $80. Todos los das
debo ingerir por lo menos 500 caloras, 6 onzas de chocolate, 10 onzas de
azcar y 8 onzas de grasa. El contenido nutricional por unidad de cada alimento
se proporciona en la tabla. Plantee un modelo de programacin lineal que se
pueda utilizar para cumplir con mis necesidades nutricionales al mnimo costo.
Tipo Alimento
Caloras
Barra de chocolate
Helado de crema de chocolate ( 1 bola)
Bebida cola ( 1 botella)
Pastel de queso con pina (1 rebanada)
2S - 2015
Chocolate Azcar Grasa

(onzas)
(onzas) (onzas)
400
200
150
500
3
2
0
0
2
2
4
4
18
2
4
1
5
E.- Un problema de dieta.

Xi: Cantidad de alimento tipo i a consumir.
i=1, 2, 3, 4
Min Z = 50x1 + 20x2+ 30x3 + 80x4
SA
400x1 + 200x2 + 150x3 + 500x4 500
3x1 +
2x2
6
2x1 +
2x2 + 4x3 + 4x4 10
2x1 +
4x2 +
x3 + 5x4 8
xi 0
2S - 2015
19
F.- Programacin de horarios

Una oficina de correos requiere distintas cantidades de empleados de tiempo
completo en diferentes das de la semana. La cantidad de empleados de tiempo
completo que se requiere cada da se da en la tabla. Las reglas del sindicato
establecen que cada empleado de tiempo completo debe trabajar 5 das
consecutivos y descansar dos das. Por ejemplo, un empleado que trabaja de
lunes a viernes, debe descansar sbado y domingo. La oficina de correos quiere
cumplir con sus exigencias diarias slo por medio de empleados de tiempo
completo. Plantee un PL que la oficina de correos pueda utilizar para minimizar la
cantidad de empleados que tengan que ser contratados.
Da
Cant. Trabajadores
1: Lunes
17
2: Martes
13
3: Mircoles
15
4: Jueves
19
5: Viernes
14
6: Sbado
16
7: Domingo
11
2S - 2015
20
F.- Programacin de horarios

Xi: Cantidad de empleados que empiezan a trabajar el da i
i=1, 2, 3, 4, 5, 6, 7
Min Z = x1 + x2+ x3 + x4 + x5+ x6 + x7
SA
x1
+ x4 + x5+ x6 + x7 17 (lunes)
x1 + x2+
x5+ x6 + x7 13 (martes)
x1 + x2+ x3 +
x6 + x7 15 (mircoles)
x1 + x2+ x3 + x4 +
x7 19 (jueves)
x1 + x2+ x3 + x4 + x5
14 (viernes)
x2+ x3 + x4 + x5+ x6
16 (sbado)
x3 + x4 + x5+ x6 + x7 11 (domingo)
xi 0
2S - 2015
21
G.- Problema de Mezclas
2S - 2015
22
G.- Problema de Mezclas

Variables de decisin
X ij : Cantidad de toneladas de min eral " i " presente en la aleacin j
W j : Cantidad de toneladas de aleacin " j " producidas
Funcin Objetivo
Max Z 200WA 300WB 30( X 1 A X 1B ) 40( X 2 A X 2 B ) 50( X 3 A X 3 B )
s.a.
0, 2 X 1 A 0,1X 2 A 0, 05 X 3 A 0, 8WA
0,1X 1 A 0, 2 X 2 A 0, 05 X 3 A 0, 3WA
0, 3 X 1 A 0, 3 X 2 A 0, 2 X 3 A 0, 5WA
0,1X 1B 0, 2 X 2 B 0, 05 X 3 B 0, 4WB
0,1X 1B 0, 2 X 2 B 0, 05 X 3 B 0, 6WB
0, 3 X 1B 0, 3 X 2 B 0, 7 X 3 B 0, 3WB
0, 3 X 1B 0, 3 X 2 B 0, 2 X 3 B 0, 7WB
X 1 A X 1B 1000
X 2 A X 2 B 2000
X 3 A X 3 B 3000
X ij , W j 0
2S - 2015
23
Solucin Grfica
Solucin Factible
Regin Factible
Solucin ptima
Valor ptimo
Construccin de grficos:
Graficar c/restriccin, Regin Factible
Fijar Z, Graficar F.O, Desplazar y encontrar
2S - 2015
24
Solucin Grfica
Max Z 40 x1 36 x2
S .a.
x1 8
x2 10
5 x1 3 x2 45
x1 0; x2 0
2S - 2015
25
Solucin Grfica
5 x1 3x2 45
14
x2 10
12
Optimo
10
8
6
ax
im
a
iz
x1 8
1 2 3 4
2S - 2015
10
12
14
16
Z =360
18
20
26
Modelamiento y Sol. Grfica

Shader Electronics Company produce dos productos: (1) el Shader Walkman, un reproductor porttil de
CD/DVD, y (2) el Shader Watch-TV, un televisor en color conectado a Internet del tamao de un reloj de
pulsera. El proceso de produccin de cada producto es anlogo, ya que ambos requieren cierto nmero
de horas de trabajo en la seccin de electrnica y unas determinadas horas de mano de obra en el
departamento de montaje. Cada Walkman necesita 4 horas de trabajo en electrnica y 2 horas en el taller
de montaje. Cada Watch-TV requiere 3 horas de trabajo en electrnica y 1 hora en el taller de montaje.
Durante el actual periodo de produccin se dispone de 240 horas de tiempo en electrnica y 100 horas en
el departamento de montaje. Cada Walkman que se vende a un precio de $25 por unidad, mientras que
por cada Watch-TV se vende a $35 por unidad.
a) Determinar la mejor combinacin posible a producir de Walkman y Watch-TV para alcanzar el mximo
beneficio.
b) Debido a que el gerente tiene miedo sobre el aparato Watch-TV, ya que no conoce cmo va a
reaccionar el pblico, decide restringir la produccin a un mximo de 30 unidades. Cul es la mejor
combinacin con este nuevo panorama?
c) El gerente ahora desea conocer cunto sern las utilidades, sabiendo que el costo fijo de producir una
unidad es de $15 y $30 para Walkman y Wath-TV respectivamente. Cunto es la utilidad de la empresa?
(Se debe considerar los cambios agregados en la letra b).
Tabla resumen
2S - 2015
Horas necesarias para producir una unidad
Departamento
Walkman
Watch-TV
Horas disponibles
Electrnica
Montaje
Precio Venta
4
2
25
3
1
35
240
100
-
27

a)
X 1 : Cantidad de aparatosWalkman a producir

X 2 : Cantidad de aparatosWatch TV a producir
Funcin Objetivo
Max Z 25 X 1 35 X 2
s.a.
4 X 1 3 X 2 240
2 X 1 X 2 100
X1, X 2 0
2S - 2015
28

b)

X 2 :Cantidad de aparatosWatch TV a producir
Funcin Objetivo
Max Z 25 X 1 35 X 2
s.a.
4 X 1 3 X 2 240
2 X 1 X 2 100
X 2 30
X1, X 2 0
2S - 2015
29

a)

X 2 : Cantidad de aparatosWatch TV a producir
Funcin Objetivo
Max Z (25 15) X 1 (35 30) X 2
s.a.
4 X 1 3 X 2 240
2 X 1 X 2 100
X 2 30
X1, X 2 0
2S - 2015
30
Solucin Grfica; Casos

Especiales
Soluciones
Alternativas
Solucin no acotada
Sin solucin
2S - 2015
Si existe Sol. ptima,

ella se encuentra en
un punto esquina
31
Representacin Estndar de un PPL

(segn Mtodo de Solucin a Conocer)
F.O. es Max o Min

Restricciones como ecuaciones
Variables no negativas
Lado derecho, constantes no negativas
2S - 2015
32
Modelo Estndar de un PPL

Desagregado (1)
Max( Min) z c1 x1 c2 x2 ... cn xn

s.a : a x a x ... a x b
11 1
12 2
1 n
1
a21 x1 a22 x2 ... a2 xn b2
am1 x1 am 2 x2 ... amn xn bm
x1 0, x2 0,..., xn 0
b1 0, b2 0,..., bm 0,
2S - 2015
33

Desagregado (2)
n
Max( Min) z c j x j
j 1
s.a :
a
j 1
ij
x j bi
x j 0; bi 0
i 1,...m; j 1,...n
2S - 2015
34

MATRICIAL
Matrices:
Estndar
Max( Min) z cx
s.a :
Ax b
x0
b0
a11
A .
am1
c c1
...
.
a1n
.
... amn
.... cn
x1
x .
xn
A: Matriz de coeficientes Tecnolgicos

B: Vector de restricciones, vector lado derecho
c: Vector fila beneficios, costos o rendimientos
X: Vector de decisiones
SISTEMA DE ECUACIONES
2S - 2015
b1
b .
bm
35
Transformar a Forma Estndar
Lado derecho no negativo

Reducir Desigualdades
Variables negativas
Variables no restringidas en signo
2S - 2015
36
Transformar a Forma Estndar

Ejemplo:
Maximizar Z = X1 - 2X2 + 3X3
S.A.
X1 + X2 + X3 <= 7
X1 - X2 + X3 >= 2
3X1 - X2 - 2X3 = -5
X1, X2 >= 0
X3 sin restriccin de signo
PASOS A SEGUIR
Reemplazar X3 por X4 - X5 con X4,X5
>=0
Multiplicar ambos lados de la ltima
restriccin por -1.
Introducir variables de holgura X6 y X7 en
1 y 2 restriccin.
Asignar coeficiente 0 a X6 y X7 para no
alterar la FO.
Luego el PPL en forma estndar queda se reduce a:

Maximizar Z= X1 - 2X2 + 3X4 - 3X5
X1, X2, X4, X5, X6, X7 >= 0
S.A.
X1 + X2 + X4 - X5 + X6
=7
X1 - X2 + X4 - X5
- X7 = 2
-3X1 + X2 + 2X4 - 2X5
=5
2S - 2015
37
Variables Bsicas
Solucin Bsica:
Una variable xi se
Solucin obtenida de
dice bsica si le
un sistema cannico,
acompaa un factor
haciendo las variables
+1 en una ecuacin y
NO bsicas cero.
un cero en las dems.
En cada punto
Solucin Bsica y
esquina encontramos
Factible: SB y factible
una SB
(XB0)
n
n!
2S - 2015
(n m)!m!
38
SIMPLEX
Principios del Mtodo Simplex
1. Comenzar con una solucin bsica inicial cannica
y factible. se podr mejorar?
2. Es factible, Mejorarla?
3. Determinar la siguiente
Cuando no es factible encontrar soluciones
mejores, la bsqueda termina
2S - 2015
39
Ejemplo. Es factible mejorarla?

Max Z = 5X1 + 2X2 + 3X3 - X4 + X5
Sujeto a:
X1 + 2X2 + 2X3 + X4
3X1 + 4X2 + X3
=8
+ X5
( 2.7 )
=7
( 2.8 )
Solucin bsica X1 = X2 = X3 = 0, X4 = 8, X5 = 7.
2S - 2015
Z = 5*(0) + Ingeniera
2*(0) +Civil3*(0)
- 1*(8) + 1*(7)
= -1
Industrial UCN
40
Es factible mejorarla?
Debemos pensar en una nueva Variable Bsica
Calculemos un
Indicador para esto
Ganancia/Beneficio Relativo
cj
2S - 2015
Ganancia Relativa de la Variable xj
41
Mejorando la Solucin
a) Primero se examina si la presente es ptima.
b) Si no la es. El Simplex examina una: Solucin
bsica factible Adyacente con un mejor valor de Z.
Definicin.
Una Solucin bsica factible Adyacente difiere de la
solucin bsica factible actual, en solo una variable
bsica.
2S - 2015
42
Solucin bsica factible adyacente

1. Definir una variable bsica como no bsica.
2. Definir una no bsica de reemplazo de la bsica
saliente.
Siempre y cuando mejore el valor de Z.
Observe que:
1. Variables bsicas asumen valores positivos y las no
bsicas cero.
2. Una no bsica se convierte en bsica aumentando
su valor de cero a una cantidad positiva.
2S - 2015
43
Conceptos bsicos del mtodo simplex

Una solucin
propiedades:
bsica
tiene
las
siguientes
1. Cada variable se designa ya sea como variable

bsica o como variable no bsica.
2. El nmero de variables bsicas es igual al nmero
de restricciones (ecuaciones).
3. Las variables no bsicas se hacen iguales a cero.
4. Los valores de las variables bsicas se obtienen
con la solucin simultnea del sistema de
ecuaciones.
5. Si las variables bsicas satisfacen las
restricciones de no negatividad, la solucin bsica
es una solucin bsica factible.
2S - 2015
44
Chequeo de optimalidad
Para la base actual, la optimalidad es chequeada

calculando los beneficios relativos de todas las
variables no bsica y en caso de no cumplirse; la nueva
base se empieza a formar eligiendo aquella de mejor
aporte.
Beneficio Relativo: (Referido a una variable no bsica j).
z
cj
x j
2S - 2015
45
Resumen de pasos. (Max z, Min z)

1. Expresar el problema en forma estndar.
2. Comenzar con una solucin factible bsica inicial en forma cannica y
plantear la Tabla inicial.
3. Usar producto interno para encontrar los beneficios relativos
cj
4. Si todos los
j no aportan al objetivo la solucin actual es ptima. De otro
modo seleccionar la no bsica para que entre a la base.
5. Aplicar razn mnima para determinar la variable que deja la base.
6. Ejecutar operacin pivote para obtener la nueva tabla.
7. Calcular beneficios relativos. Retorne al paso 4.
2S - 2015
46
Principios del mtodo simplex

Ejemplo: Maximizar Z = 5X1 + 2X2 + 3X3 - X4 + X5
S.A.
X1 + 2X2 + 2X3 + X4 +
=8
3X1 + 4X2 + X3
+ X5 = 7
X1,X2,X3,X4,X5 >=0
(7)
(8)
X4 y X5 variables bsicas.
Solucin bsica: X1=X2=X3=0, X4=8, X5=7 que tambin es solucin bsica
factible.
Luego Z = 5(0) + 2(0) + 3(0) - (8) + 1(7) = - 1
Este valor de FO, es el que debe ser mejorado a travs del mtodo simplex,
chequeando si la solucin presente es ptima. Si no lo es, el mtodo obtiene una
SOLUCIN BSICA FACTIBLE ADYACENTE, que difiere de la solucin bsica
factible actual en SLO UNA VARIABLE BSICA.
2S - 2015
47

Para obtener una SBFA, una variable bsica debe pasar a ser no bsica, y en su
lugar entra una no bsica, incrementando su valor de cero a alguna cantidad
positiva. La eleccin se hace en base a cul variable no bsica puede mejorar en
mayor cuanta el valor de la FO.
Incrementando el valor la variable no bsica X1 de 0 a 1 se tiene:
X1 + X4
=8
Si X1 aumenta en 1, X4 disminuye a 7
3X1 + + X5 = 7
y X5 a 4.
Luego Z = 5(1) + 2(0) + 3(0) - 1(7) + (4) = 2
Luego el incremento en Z por unidad de incremento de X1 es 3.
Este valor se define como GANANCIA RELATIVA.
Pero el aumento de X1 est limitado por las restricciones.
EL MXIMO VALOR DE X1 = MIN ( 8 ; 7/3 ) = 7/3
2S - 2015
48

Para X1 = 7/3, X2=0 , X3=0, X4 = 17/3 , X5 = 0
Z=6
Finalmente, para obtener el nuevo sistema cannico que incluye a X1 como
variable bsica y elimina a X5 se obtiene
1. Dividiendo (8) por 3 para reducir el coeficiente de X1.
2. Multiplicando (8) por -1 y sumndola a (7) para eliminar X1.
El proceso se repite hasta que las ganancias relativas de todas las variables no
bsicas son <=0 (maximizacin).
2S - 2015
49
Mtodo simplex en Tableau

Para el ejemplo: Maximizar Z = 5X1 + 2X2 + 3X3 - X4 + X5
S.A.
X1 + 2X2 + 2X3 + X4 +
=8
3X1 + 4X2 + X3
+ X5 = 7
X1,X2,X3,X4,X5 >=0
se tiene
Cj
CB
-1
1
XB
X4
X5
Cj
2S - 2015
5
X1
1
3
3
2
X2
2
4
0
3
X3
2
1
4
(7)
(8)
-1
X4
1
0
0
1
X5
0
1
0
50
8
7
Z = -1

Cj
CB
3
1
XB
X3
X5
5
X1
1/2
5/2
1
2
X2
1
3
-4
3
X3
1
0
0
-1
X4
1/2
-1/2
-2
1
X5
0
1
0
4
3
Z = 15
XB
X3
X1
5
X1
0
1
0
2
X2
2/5
6/5
-26/5
3
X3
1
0
0
-1
X4
3/5
-1/5
-9/5
1
X5
-1/5
2/5
-2/5
17/5
6/5
Z = 81/5
Cj
Cj
CB
3
5
Cj
Solucin ptima: X1=6/5, X2=0, X3=17/5, X4=0, X5=0

2S - 2015
51
Max Z = 3X1 + 5X2

X1 <= 4
2X2 <= 12
3X1 + 2X2 <= 18
X1, X2 >=0
2S - 2015
Forma estndar:
Max Z = 3X1 + 5X2
X1 + X3 = 4
2X2 +X4 = 12
3X1 + 2X2 +X5 = 18
X1, X2 >=0
52
2S - 2015
53

x2
X1=0, X2=0
Z=0
2S - 2015
54
x1
2S - 2015
55

x2
X1=0, X2=6
Z=30
X1=0, X2=0
Z=0
2S - 2015
56
x1
2S - 2015
57

x2
Gradiente de
Z = 3X1 + 5X2
f(x1,x2)=
Z=
X1=2, X2=6
Z=36
X1=0, X2=6
Z=30
(3x1) (5 x 2)
,
x 2
x1
Z= (3,5)
=> c = (3,5)
X1=0, X2=0
Z=0
2S - 2015
58
x1

Ejemplo:
Max Z = 3X1 + 2X2
-X1 + 2X2 <= 4
3X1 + 2X2 <= 14
X1 - X2 <= 3
X1, X2 >=0
Cj
CB
0
0
0
XB
X3
X4
X5
Cj
2S - 2015
3
X1
-1
3
1
3
Forma estndar:
Max Z = 3X1 + 2X2
-X1 + 2X2 + X3
=4
3X1 + 2X2 +
+ X4
= 14
X1 - X2
+ X5 = 3
X1, X2, X3, X4, X5 >= 0
2
X2
2
2
-1
2
0
X3
1
0
0
0
0
X4
0
1
0
0
0
X5
0
0
1
0
59
4
14
3
Z= 0

Cj
CB
0
0
3
XB
X3
X4
X1
3
X1
0
0
1
0
2
X2
1
5
-1
5
0
X3
1
0
0
0
0
X4
0
1
0
0
0
X5
1
-3
1
-3
7
5
3
Z= 9
XB
X3
X2
X1
3
X1
0
0
1
0
2
X2
0
1
0
0
0
X3
1
0
0
0
0
X4
-1/5
1/5
1/5
-1
0
X5
8/5
-3/5
2/5
0
6
1
4
Z = 14
Cj
Cj
CB
0
2
3
Cj
2S - Solucin
2015
ptima: X1=4,Ingeniera
X2=1, X3=6,
X4=0, UCN
X5=0
Civil Industrial
60

Max Z = 3X1 + 2X2
-X1 + 2X2 <= 4
3X1 + 2X2 <= 14
X1 - X2 <= 3
X1, X2 >=0
x2
Solucin Inicial:
X1=0, X2=0
Iteracin 1:
X1=3, X2=0
Iteracin 2:
X1=4, X2=1
2S - 2015
61
x1

Problemas de Minimizacin:
Minimizar
Z = 40X1 + 36X2
S.A.
X1
<= 8
X2 <= 10
5X1 + 3X2 >= 45
X1, X2 >= 0
Sistema equivalente a
Maximizar
S.A.
2S - 2015
Z = -40X1 - 36X2
X1 <= 8
X2 <= 10
5X1 + 3X2 >= 45
X1, X2 >= 0
62

Problemas de Clculo:
Soluciones no acotadas:
Cj
CB
0
3
XB
X3
X2
Cj
2
X1
-2
-3
11
3
X2
0
1
0
0
X3
1
0
0
0
X4
1
1
-3
2
4
Z = 12
La variable no bsica X1 puede entrar a la base pero la regla de la

razn mnima entrega razones infinitas.
En esta situacin la solucin es no acotada.
2S - 2015
63

Problemas de Clculo:
Empate en la Razn Mnima
Cj
CB
0
0
0
XB
X1
X2
X3
Cj
0
X1
1
0
0
0
0
X2
0
1
0
0
0
X3
0
0
1
0
2
X4
1
2
1
2
0
X5
-1
0
1
0
3/2
X6
0
1
1
3/2
2
4
3
Z= 0
Al ingresar X4 a la base (incrementando su valor en 2), las variables X1 y X2

se reducen a cero pero slo una puede salir de la solucin bsica.
Arbitrariamente se decide por X1.
2S - 2015
64

Cj
CB
2
0
0
XB
X4
X2
X3
Cj
0
X1
1
-2
-1
-2
0
X2
0
1
0
0
0
X3
0
0
1
0
2
X4
1
0
0
0
0
X5
-1
2
2
2
3/2
X6
0
1
1
3/2
2
0
1
Z= 4
OBSERVACIN:
La variable X2 ha asumido un valor de cero (como una variable no bsica). Este
tipo de solucin bsica factible en que una o ms variables bsicas valen cero,
son llamadas DEGENERADAS.
La variable que entra a la base es X5 y la regla de la razn mnima indica la
salida de la variable X2. Pero la razn mnima es cero, luego X5 no puede ser
incrementada y Z no aumentar en su valor.
2S - 2015
65

Cj
CB
2
0
0
XB
X4
X5
X3
Cj
0
X1
0
-1
1
0
0
X2
1/2
1/2
-1
-1
0
X3
0
0
1
0
2
X4
1
0
0
0
0
X5
0
1
0
0
3/2
X6
1/2
1/2
0
1/2
2
0
1
Z= 4
Cuando se obtienen soluciones bsicas degeneradas, se pueden obtener nuevos

tableaus sin lograr mejoras en la funcin objetivo. En algunas oportunidades esto
puede ocurrir en forma cclica.
2S - 2015
66

Anticiclo: Cuando las variables se degeneran, stas pueden producir que el
mtodo simplex sea cclico y vuelva a la misma solucin con que se inici, sin
encontrar el ptimo. Para evitar esto, se usa la regla de Bland.
Regla de Bland (o regla del menor subndice):
1- Al elegir la variable (x1, x2..xjxn) que entrar de entre las posibles, elija
aquella que posea el menor subndice (j)
2- Al elegir la variable que saldr de entre las posibles que estn empatadas
en la r.m., elija aquella de menor subndice (j)
NO OPTIMICE
(al elegir variables en orden natural, esta regla garantiza que el mtodo
simplex FINALIZAR despus de un nmero finito de iteraciones)
2S - 2015
67

Ejercicio: aplique el mtodo simplex tradicional al siguiente
tableau INICIAL (usted entender cundo detenerse).
Posteriormente, aplique la regla de Bland para encontrar el
ptimo.
Min
2S - 2015
68

Max z 4 x1 3x2 6 x3
s.a
3x1 x2 3 x3 30
2 x1 2 x2 3x3 40
x1 ; x2 ; x3 0
2S - 2015
69
Max z x1 2 x2 4 x3
s.a
3x1 x2 5 x3 10
x1 4 x2 x3 8
2 x1
2 x3 7
x1 ; x2 ; x3 0
2S - 2015
70
Max z 2 x1 3 x2
s.a.
x1 x2 2
3 x1 x2 4; x j 0
2S - 2015
71
Uso de Variables Artificiales en el SIMPLEX

Max Z = -3X1 + X2 + X3
X1 - 2X2 + X3 <= 11
-4X1 + X2 + 2X3 >= 3
2X1
- X3
= -1
Convertir a forma estndar.
Mo
de
lo
Or
ig i
na
l
Max Z = -3X1 + X2 + X3
Sujeto a:
X1 - 2X2 + X3 + X4
-4X1 + X2 + 2X3
-2X1
+ X3
Xi >= 0 , i=1,5
2S - 2015
= 11
- X5 = 3
= 1
Cul es la Base XB?
72
Que Hacemos, No tenemos una Solucin Bsica Inmediata?

Agregamos Dos V. Artificiales, Variables que no son parte del
Problema, esto no es una cambio en la forma si no un cambio en el
fondo. El modelo que resulta representa una realidad que no es nuestro
problema
Este es un Modelo Artificial
X1 - 2X2 + X3 + X4
- 4X1 + X2 + 2X3
-2X1
+ X3
XB = (X4 , X6 , X7 X
)
= 11
- X 5 + X6
+
X7
>= 0 , i=1,7
= 3
= 1
X6 y X7 son V. Artificiales
Cual es la Funcin Objetivo que se usar?

2S - 2015
73
Mtodo de la M-Grande
Se asigna un valor muy grande (M -M) al coeficiente de las variables artificiales
en la FO.
Ejemplo: Minimizar Z = -3X1 + X2 + X3 + MX6 + MX7
donde M es un valor positivo muy grande.
Cj
CB
0
M
M
XB
X4
X6
X7
Cj
2S - 2015
-3
X1
1
-4
-2
-3+6M
1
X2
-2
1
0
1-M
1
X3
1
2
1
1-3M
0
X4
1
0
0
0
0
X5
0
-1
0
M
M
X6
0
1
0
0
74
M
X7
0
0
1
0
11
3
1
Z = 4M
Mtodo de la M-Grande
Cj
CB
0
1
1
XB
X4
X2
X3
-3
X1
3
0
-2
-1
1
X2
0
1
0
0
1
X3
0
0
1
0
0
X4
1
0
0
0
0
X5
-2
-1
0
1
M
X6
2
1
0
M-1
M
X7
-5
-2
1
M+1
12
1
1
Z=2
XB
X1
X2
X3
-3
X1
1
0
0
0
1
X2
0
1
0
0
1
X3
0
0
1
0
0
X4
1/3
0
2/3
1/3
0
X5
-2/3
-1
-4/3
1/3
M
X6
2/3
1
4/3
M-1/3
M
X7
-5/3
-2
-7/3
M-2/3
4
1
9
Z = -2
Cj
Cj
CB
-3
1
1
Cj
Solucin ptima.
2S - 2015
75
Mtodo de las 2 Fases

Fase 1: Remover las variables artificiales a travs de una
nueva FO formada por la suma de todas estas variables.
Este objetivo artificial debe minimizarse hasta llegar a cero.
Si el mnimo valor obtenido es positivo, el problema original
sin variables artificiales no es factible.
Fase 2: La solucin bsica factible encontrada en la fase
anterior es optimizada con respecto a la FO original. El
ltimo tableau de la fase uno se convierte en el primero de la
fase dos.
2S - 2015
76

Ejemplo: Fase 1 del ejemplo anterior
Minimizar
W = X6 + X7
S.A.
X1 - 2X2 + X3 + X4
=11
-4X1 + X2 + 2X3
- X5 + X6
=3
-2X1
+ X3
+ X7 = 1
X1, X2, X3, X4, X5, X6, X7 >= 0
La FO original se ignora durante la Fase 1 del problema.
Cj
CB
0
1
1
XB
X4
X6
X7
Cj
2S - 2015
0
X1
1
-4
-2
6
0
X2
-2
1
0
-1
0
X3
1
2
1
-3
0
X4
1
0
0
0
0
X5
0
-1
0
1
1
X6
0
1
0
0
77
1
X7
0
0
1
0
11
3
1
W=4

Cj
CB
0
1
0
XB
X4
X6
X3
0
X1
3
0
-2
0
0
X2
-2
1
0
-1
0
X3
0
0
1
0
0
X4
1
0
0
0
0
X5
0
-1
0
1
1
X6
0
1
0
0
1
X7
-1
-2
1
3
10
1
1
W=1
XB
X4
X2
X3
0
X1
3
0
-2
0
0
X2
0
1
0
0
0
X3
0
0
1
0
0
X4
1
0
0
0
0
X5
-2
-1
0
0
1
X6
2
1
0
1
1
X7
-5
-2
1
1
12
1
1
W=0
Cj
Cj
CB
0
0
0
Cj
Solucin ptima para la Fase 1 del problema.

2S - 2015
78

Fase 2:
Cj
CB
0
1
1
XB
X4
X2
X3
-3
X1
3
0
-2
-1
1
X2
0
1
0
0
1
X3
0
0
1
0
0
X4
1
0
0
0
0
X5
-2
-1
0
1
12
1
1
Z=2
XB
X1
X2
X3
-3
X1
1
0
0
0
1
X2
0
1
0
0
1
X3
0
0
1
0
0
X4
1/3
0
2/3
1/3
0
X5
-2/3
-1
-4/3
1/3
4
1
9
Z = -2
Cj
Cj
CB
-3
1
1
Cj
Luego la solucin ptima es:

X1 = 4, X2 = 1, X3 = 9, X4 = X5 = 0
2S - 2015
79
Relaciones en Simplex Revisado

Ejemplo:
Maximizar Z = 5X1 + 2X2 + 3X3 - X4 + X5

S.A.
X1 + 2X2 + 2X3 + X4
3X1 + 4X2 + X3
=8
+ X5 = 7
X1, X2, X3, X4, X5 >= 0

Cj
Tableau
1
CB
Bases
5
X1
-1
X4
X5
Z = -1
C
2
-1
X4
1
X5
Constantes
X3
1/2
1/2
X5
5/2
-1/2
-4
-2
Z = 15
X3
2/5
3/5
-1/5
17/5
X1
6/5
-1/5
2/5
6/5
-26/5
-9/5
-2/5
Z = 81/5
C
2S - 2015
3
X3
3
C
3
2
X2
80
Matriz Original (Base xBo)
; A1 A2 A3 A4 A5 xNBo , xBo b
Ax b
Cualquiera sea la base que est considerando (una tabla cualquiera

intermedia, obtenida por ej. Aplicando Simplex) tambin se cumple que:
A A A A A x b
A A A A A x x b
A A A x A A x b
A A A x I x b
1
NB1
NB 2
NB 3
B1
B2
NB B
NB1
NB 2
NB 3
NB
B1
NB1
NB 2
NB 3
NB
x NB 0 xB b
2S - 2015
B2
Las variables relevantes son las de la base nueva

La base original y la nueva no son iguales
81
Matriz Original (Base xBo)
Ax b
; A1 A2 A3 A4 A5 xNBo xBo b
x NB 0 xB b
Si en el ejemplo la nueva base fuese xB ( x3 , x1 )
x NB 0 A3 A1 xB b
Tambin en el sistema
original es vlido aplicar
A3 A1 xB b /
xB A3 A1 b
b A3 A1 b
; A1 A2 A3 A4 A5 x b / A3 A1 * Multiplicando por la izquierda

1
; A3 A1 A1 , A3 A1 A2 , A3 A1 A3 , A3 A1 A4 , A3 A1 A5 x A3 A1 b b
1
Comparando con
2S - 2015
A , A , A , A , A x b
1
82
Resumen: Simplex Revisado

A j A3 A1 A j
1
xB x3
x1 B A3 A1 B A3 A1
1
A j B 1 A j
c j c j cB A j
b B b
xB B b
cB B
z cB xB ;
z cB B 1b;
2S - 2015
c j c j cB B 1 A j
z cx;
b A3 A1 b
1
z b
83
Simplex Revisado
El mtodo simplex requiere:
1. Columna C para determinar cul variable no bsica entra a la base.
2. La columna pivote y las constantes del lado derecho para realizar la
regla de la razn mnima.
Cada tableau puede ser generado a travs de operaciones vector-matriz.
As, se pueden representar las columnas correspondientes al tableau
como:
1
A1 , A2
3
2S - 2015
1
8
2 2
0
, A3 , A4 , A5 , b
0
7
4 1
1
84
Simplex Revisado
Por ejemplo, el tableau 2 puede ser generado directamente por teora de
matrices
Matriz Base
2
B ( A3, A5 )
1
0
1
,
B
1
1/ 2 0
1/
2
Como se observa a continuacin, cualquier columna del segundo tableau

puede ser obtenida multiplicando la columna original con la matriz base
inversa. Por ejemplo
1/ 2 0 1
1/ 2
A1 B A1
1/ 2 1 3
5/ 2
1
1/ 2 0 2 1
A2 B A2
1/ 2 1 4 3
1
1 / 2 0 8 4 Este vector entrega el valor

bB b
de las variables bsicas X3 y
1 / 2 1 7 3 X5
2S - 2015
85
1
Simplex Revisado
Ahora, es necesario conocer las ganancias relativas. Los valores de C
se calculan de la siguiente forma en el mtodo simplex original.
1/ 2
C1 C1 CB A1 5 (3,1)
1
5 / 2
1
C2 C2 CB A2 2 (3,1) 4
3
1/ 2
C4 C4 CB A4 1 (3,1)
2
1/ 2
O en general
Sea
C j C j CB Aj
CB B 1
2S - 2015
con
Aj B 1 Aj
Cuyos elementos son llamados multiplicadores

simplex
86
Simplex Revisado
Entonces
C j C j A j
Por ejemplo
1 / 2 0
1 , 2 C B B (3,1)
(1,1)
1 / 2 1
1
Luego
1
C1 C1 A1 5 (1,1) 1
3
2
C2 C2 A2 2 (1,1) 4
4
2S - 2015
1
C4 C4 A4 1 (1,1) 2
0
X1 es la nueva variable
bsica
87
Simplex Revisado
Ahora se debe encontrar la variable que deja la base. Para aplicar la
regla de la razn mnima es necesario encontrar las constantes del lado
derecho y la columna pivote.
1/ 2 0 1
1/ 2
A1 B A1
1/ 2 1 3
5/ 2
1/ 2 0 8 4
1
bB b
1/ 2 1 7 3
1
Aplicando la razn mnima,

se obtiene que la variable
que sale es X5.
Las
nuevas
variables
bsicas son X3 y X1.
Luego la nueva matriz base y su inversa quedan respectivamente:
3/ 5 1/
2 1
5
1
B ( A3 , A1 )
,B
1/ 5 2 / 5
1
3
2S - 2015
88
(Correspondientes a las ecuaciones originales)
Simplex Revisado
Las nuevas constantes del lado derecho se obtienen por:
3 / 5 1 / 5
B b
1/ 5 2 / 5
1
8 17 / 5
7 6 / 5

As la nueva solucin bsica es X3= 17/5, X1 = 6/5, X2 = X4 = X5 = 0. Para

saber si la solucin es ptima se calculan las nuevas ganancias relativas.
Recordar que
Entonces
2S - 2015
C j C j A j
Cb B 1
3 / 5 1 / 5
Cb B (3,5)
4 / 5,7 / 5
1/ 5 2 / 5
1
89
Simplex Revisado
As, las ganancias relativas son:
4 7
C2 C2 A2 2 ,
5 5
2
26
4 5

4 7
C4 C4 A4 1 ,
5 5
1
9
0 5

4 7
C5 C5 A5 1 ,
5 5
0
2
1 5

Como los coeficientes de ganancia relativa son negativos, la solucin es

ptima.
2S - 2015
90
Simplex Revisado
Resumen:
b B 1b
C B B 1
C j C j Aj
Aj B 1 Aj
Z CB b
2S - 2015
91
Simplex Revisado
Ejemplo:
Minimizar
Z = -3X1 + X2 + X3
S.A.
X1 - 2X2 + X3 <= 11
-4X1 + X2 + 2X3 >=3
2X1
- X3 = -1
X1, X2, X3 >= 0
En forma estndar queda:

Minimizar:
S.A.
Z = -3X1 + X2 + X3
X1 - 2X2 + X3 + X4
-4X1 + X2 + 2X3
-2X1
2S - 2015
= 11
- X5 = 3
+ X3
=1
X1, X2, X3, X4, X5 >= 0
92
Simplex Revisado
Se agregan las variables artificiales X6 y X7.
X1 - 2X2 + X3 + X4
-4X1 + X2 + 2X3
-2X1
= 11
- X5 + X6
+ X3
= 3
+ X7 = 1
X1, X2, X3, X4, X5 >= 0

Utilizando el mtodo de la M grande:
Minimizar:
Se tiene:
2S - 2015
Z = -3X1 + X2 + X3 + MX6 + MX7
1
2 1
1 , A 2 , A 0
3
4
0
0
1
0 11
0 , b 3
, A7

1 1
1
A1 4 , A2

2
0
A6 1

0
0
, A5 1
93
Simplex Revisado
1 0 0
Luego,
B A4 , A6 , A7 0 1 0 I
0 0 1
1
b B 1b b
Por lo tanto: B I
y
El tableau inicial es:
B-1
Base
Ctes.
X4
11
X6
X7
Variable
que entra
1
X3
2
1
Se obtendrn a continuacin.
2S - 2015
Columna
Pivote
94
Simplex Revisado
1 0 0
1 , 2 , 3 Cb B 1 (0, M , M ) 0 1 0 0, M , M
0 0 1
Como C j C j A j
Los multiplicadores simplex son:
1
C1 3 0, M , M 4 6 M 3
2
2
C2 1 0, M , M 1 1 M
0
2S - 2015
1
C3 1 0, M , M 2 1 3M
1
Entra a la base
0
C5 0 0, M , M 1 M
0
95
Simplex Revisado
1 0 0 1 1
La columna pivote se obtiene por:
A3 B 1 A3 0 1 0 2 2

0 0 1 1 1
Por razn mnima, X3 reemplaza a X7
Luego en el tableau 1 se realiza la operacin pivote, resultando:
Tableau 2
B-1
Base
Ctes.
X4
-1
10
X6
-2
X3
Variable
que entra
-2
X2
1
0
2S - 2015
Columna
Pivote
96
Simplex Revisado
Los multiplicadores
simplex son:
Adems:
1 0 1
(0, M ,1) 0 1 2 0, M ,2 M 1
0 0 1
C1 1, C2 1 M , C5 M
Por lo tanto X2 entra a la base.
1 0 1
A2 B 1 A2 0 1 2
0 0 1
Por
razn
2S
- 2015
mnima, X2 reemplaza
X6
Ingeniera Civil a
Industrial
2 2
1 1

0 0
UCN
97
Simplex Revisado
Luego en el tableau 2 se realiza la operacin pivote, resultando:
Tableau 2
B-1
Base
Ctes.
X4
-5
12
X2
-2
X3
Variable
que entra
Columna
Pivote
3
X1
0
-2
Los multiplicadores
simplex son:
Adems:
2S
- 2015
1 2 5
(0,1,1) 0 1 2 0,1,1
0 0 1
C1 1,Ingeniera
C5 1 Civil Industrial Por
UCNlo tanto X1
98 entra a la base.
Simplex Revisado
1 2 5
A1 B 1 A1 0 1 2
0 0 1
1 3
4 0

2 2
Por razn mnima, X1 reemplaza a X4 y el nuevo tableau est dado por

Tableau 3
B-1
Base
2S - 2015
Ctes.
X1
1/3
2/3
-5/3
X2
-2
X3
2/3
4/3
-7/3
99
Simplex Revisado
Los multiplicadores
simplex son:
Adems:
1 / 3 2 / 3 5 / 3
1 1 2
(3,1,1) 0
1
2 , ,
3 3 3
2 / 3 4 / 3 7 / 3
1
1
C 4 , C5
3
3
Por lo tanto el Tableau 3 es ptimo. La solucin ptima est dada por:

X1 = 4
X2 = 1
X3 = 9
El valor ptimo de la FO es
2S - 2015
X4 = 0
X5 = 0
4

Z C B b (3,1,1) 1 2
9100

Simplex Revisado
Ejemplo:
Maximizar
S.A.
Z = 3X1 + 2X2 + 5X3

X1 + 2X2 +
3X1
X3 + X4
+ 2X3
X1 + 4X2
= 30
+ X5
= 60
+X6 = 20
X1, X2, X3, X4, X5, X6 >= 0

Para la siguiente base intermedia: (X4, X3, X6),
1. Determine las restricciones asociadas a la iteraci{on
correspondiente
2. Demuestre e indique si la base es factible
3. Demuestre e indique, en forma independiente si la solucin
cumple optimalidad
4. Encuentre la variable ms adecuada para entrar a la base
(justifique)
5. Determine la variable que debiera salir de la base (justifique)
2S - 2015
101
Costo Reducido (CR) Variable (Actividad)

Una variable representa una actividad econmica que
consume (entrada) recursos para el propsito de
producir (salida).
Definicin:
Costo por unidad
de actividad
Costo de los recursos

consumidos por
unidad de actividad
Utilidad por unidad

de actividad
CR: En el ptimo, cantidad en que debe variar el coeficiente

de la VNB para que ella pueda ingresar a la base.
CR 0, La relacin Costo Utilidad implica actividad no conveniente,
actualmente, tendr valor cero.
la variable
CR =0, Actividad atractiva, se ha llegado a un equilibrio en el cual la salida es igual a la

entrada, la variable tendr valor > 0.
2S - 2015
102
Precio Dual; Sombra; Multiplicador

del Simplex
Precio Dual
Restriccin
Representa el valor unitario de un recurso. Cual es la

contribucin econmica de los recursos a la medida
de desempeo Z. Mide el valor marginal, es decir, la
tasa a la que Z puede mejorar si se incrementa (un
poco) la cantidad que se proporciona de ese recurso.
Un poco se refiere a que debe mantenerse la base como
ptima.
2S - 2015
103
Precio Dual; Sombra; Multiplicador

del Simplex
De alguna forma se relaciona a la ganancia relativa de
las V. de Holgura de las restricciones. Cmo?
Hasta cunto estamos dispuestos a pagar extra por
unidad adicional de ese recurso.
Estaremos dispuestos a pagar en la medida que el
valor de Z mejore.
2S - 2015
104
Reddy Mikks
Reddy Mikks produce pinturas tanto para interiores como para

exteriores a partir de dos materias primas.
Datos:
Toneladas de MP por tonelada de
Pintura para
Exteriores
Pintura para
Interiores
Disponibilidad
mxima diaria
(toneladas)
Materia Prima M1
24
Materia Prima, M2
Utilidad por Tonelada

(1000 US$)
Una encuesta de mercado restringe la demanda mxima diaria de pintura para

interiores a 2 toneladas. Adems la demanda diaria de pintura para interiores no
puede exceder a la de pintura para exteriores por mas de una tonelada. Reddy
Mikks quiere determinar la mezcla de producto que maximice la utilidad total diaria
2S - 2015
105
Max Z 5 x1 4 x2
s.a.
Reddy Mikks
6 x1 4 x2 24; M 1
x1 2 x2 6;
M2
Solucin ptima:
x1 x2 1
X1=3; X2=1,5; Z=21, H1=0; H2=0; H3=5/2; H4=1/2
x2 2
D1=0,75; D2=0,5; D3=D4=0
x1 , x2 0
5
x1
x2
H1
H2
H3
H4
x1
-1/2
x2
-1/8
3/2
H3
3/8
-5/4
5/2
H4
1/8
-3/4
-3/4
-1/2
21
2S - 2015
Donde estan
los precios
duales? y
106
Reddy Mikks,
Original
LP OPTIMUM FOUND AT STEP
OBJECTIVE FUNCTION VALUE

1)
max 5x1+4x2
subject to
6x1+4x2<=24
x1+2x2<=6
-x1+x2<=1
x2<=2
end
21.00000
VARIABLE
VALUE
X1
3.000000
X2
1.500000
ROW
2)
3)
4)
5)
SLACK OR SURPLUS DUAL PRICES

0.000000
0.750000
0.000000
0.500000
2.500000
0.000000
0.500000
0.000000
NO. ITERATIONS=
2S - 2015
REDUCED COST
0.000000
0.000000
107
Reddy Mikks, CR
de H1

1)
21.00000
VARIABLE
VALUE
X1
3.000000
X2
1.500000
H1
0.000000
REDUCED COST
0.000000
0.000000
0.000000
ROW SLACK OR SURPLUS DUAL PRICES

2)
0.000000
0.750000
3)
0.000000
0.500000
4)
2.500000
0.000000
5)
0.500000
0.000000
NO. ITERATIONS=

1)
21.04000
VARIABLE
VALUE
X1
2.000000
X2
2.000000
H1
4.000000
REDUCED COST
0.000000
0.000000
0.000000

2)
0.000000
0.760000
3)
0.000000
0.440000
4)
1.000000
0.000000
5)
0.000000
0.080000
ITERATIONS=
2S NO.
- 2015
max 5x1+4x2+0.75H1
subject to
6x1+4x2+H1=24
x1+2x2<=6
-x1+x2<=1
x2<=2
end
max 5x1+4x2+0.76H1
subject to
6x1+4x2+H1=24
x1+2x2<=6
-x1+x2<=1
x2<=2
end
108
max 5x1+4x2+0.5H2
subject to
6x1+4x2<=24
x1+2x2+H2=6
-x1+x2<=1
x2<=2
end
1)
21.00000
VARIABLE
VALUE
X1
3.000000
X2
1.500000
H2
0.000000
Reddy Mikks, CR de
H2
REDUCED COST
0.000000
0.000000
0.000000

2)
0.000000
0.750000
3)
0.000000
0.500000
4)
2.500000
0.000000
5)
0.500000
0.000000
NO. ITERATIONS=
1

1)
max 5x1+4x2+0.51H2
subject to
6x1+4x2<=24
x1+2x2+H2=6
-x1+x2<=1
x2<=2
end
2S - 2015
21.02000
VARIABLE
VALUE
X1
4.000000
X2
0.000000
H2
2.000000
REDUCED COST
0.000000
0.013333
0.000000

2)
0.000000
0.748333
3)
0.000000
0.510000
4)
5.000000
0.000000
5)
2.000000
0.000000
NO. ITERATIONS=
1
109
Reddy Mikks, VD,

M1
max 5x1+4x2
subject to
6x1+4x2<=24
x1+2x2<=6
-x1+x2<=1
x2<=2
end

1)
21.00000
VARIABLE
VALUE
X1
3.000000
X2
1.500000
REDUCED COST
0.000000
0.000000

2)
0.000000
0.750000
3)
0.000000
0.500000
4)
2.500000
0.000000
5)
0.500000
0.000000
NO. ITERATIONS=
max 5x1+4x2
subject to
6x1+4x2<=25
x1+2x2<=6
-x1+x2<=1
x2<=2
end
2S - 2015

1)
21.75000
VARIABLE
VALUE
X1
3.250000
X2
1.375000
REDUCED COST
0.000000
0.000000

2)
0.000000
0.750000
3)
0.000000
0.500000
4)
2.875000
0.000000
5)
0.625000
0.000000
NO. ITERATIONS=
110
Reddy Mikks,
VD,M2

1)
max 5x1+4x2
subject to
6x1+4x2<=24
x1+2x2<=6
-x1+x2<=1
x2<=2
end
21.00000
VARIABLE
X1
X2
VALUE
3.000000
1.500000
REDUCED COST
0.000000
0.000000

2)
0.000000
0.750000
3)
0.000000
0.500000
4)
2.500000
0.000000
5)
0.500000
0.000000
NO. ITERATIONS=
1
max 5x1+4x2
subject to
6x1+4x2<=24
x1+2x2<=7
-x1+x2<=1
x2<=2
end
2S - 2015
En este caso el
cambio en el lado
derecho, cambi
la base por tanto
lo esperable no
ocurre.
1)
21.33333
VARIABLE
VALUE
X1
2.666667
X2
2.000000
REDUCED COST
0.000000
0.000000

2)
0.000000
0.833333
3)
0.333333
0.000000
4)
1.666667
0.000000
5)
0.000000
0.666667
NO. ITERATIONS=
1
111
Reddy Mikks, VD, 3

Restriccin
max 5x1+4x2
subject to
max 5x1+4x2
subject to
6x1+4x2<=24
x1+2x2<=6
-x1+x2<=3
x2<=2
end
6x1+4x2<=24
x1+2x2<=6
-x1+x2<=1
x2<=2
end
1)
21.00000
VARIABLE
VALUE
X1
3.000000
X2
1.500000
REDUCED COST
0.000000
0.000000

2)
0.000000
0.750000
3)
0.000000
0.500000
4)
4.500000
0.000000
5)
0.500000
0.000000
NO. ITERATIONS=
2S - 2015

1)
21.00000
VARIABLE
VALUE
X1
3.000000
X2
1.500000
REDUCED COST
0.000000
0.000000

2)
0.000000
0.750000
3)
0.000000
0.500000
4)
2.500000
0.000000
5)
0.500000
0.000000
NO. ITERATIONS=
1
max 5x1+4x2
subject to
6x1+4x2<=24
x1+2x2<=6
-x1+x2<=2
x2<=2
end
1)
21.00000
VARIABLE
VALUE
X1
3.000000
X2
1.500000
REDUCED COST
0.000000
0.000000

2)
0.000000
0.750000
3)
0.000000
0.500000
4)
3.500000
0.000000
5)
0.500000
0.000000
NO. ITERATIONS=
0
112

Unidad I

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Unidad I

Enviado por

Direitos autorais:

Formatos disponíveis

Investigacin Operativa

Ingeniera Civil Industrial UCN

Polticas de despliegue de radares.

Ingeniera Civil Industrial UCN

Ingeniera Civil Industrial UCN

Ingeniera Civil Industrial UCN

Ingeniera Civil Industrial UCN

Ingeniera Civil Industrial UCN

Ingeniera Civil Industrial UCN

Principios de Modelacin (Cont.):

Ingeniera Civil Industrial UCN

Ingeniera Civil Industrial UCN

A.- Problema de Mezcla de Producto (Handy-Dandy)

Xi: Cantidad de producto i a producir en un da.

Ingeniera Civil Industrial UCN

B.- Mquinas - Herramientas

Ingeniera Civil Industrial UCN

B.- Mquinas - Herramientas

Ingeniera Civil Industrial UCN

Ingeniera Civil Industrial UCN

D.- Un problema de inspeccin.

Ingeniera Civil Industrial UCN

D.- Un problema de inspeccin.

Ingeniera Civil Industrial UCN

E.- Un problema de dieta.

Chocolate Azcar Grasa

Ingeniera Civil Industrial UCN

E.- Un problema de dieta.

Ingeniera Civil Industrial UCN

F.- Programacin de horarios

Ingeniera Civil Industrial UCN

F.- Programacin de horarios

Ingeniera Civil Industrial UCN

G.- Problema de Mezclas

Ingeniera Civil Industrial UCN

G.- Problema de Mezclas

Ingeniera Civil Industrial UCN

Ingeniera Civil Industrial UCN

Ingeniera Civil Industrial UCN

Ingeniera Civil Industrial UCN

Modelamiento y Sol. Grfica

Horas necesarias para producir una unidad

Ingeniera Civil Industrial UCN

Modelamiento y Sol. Grfica

X 1 : Cantidad de aparatosWalkman a producir

Ingeniera Civil Industrial UCN

Modelamiento y Sol. Grfica

X 1 : Cantidad de aparatosWalkman a producir

Ingeniera Civil Industrial UCN

Modelamiento y Sol. Grfica

X 1 : Cantidad de aparatosWalkman a producir

Ingeniera Civil Industrial UCN

Solucin Grfica; Casos

Si existe Sol. ptima,

Ingeniera Civil Industrial UCN

Representacin Estndar de un PPL

F.O. es Max o Min

Ingeniera Civil Industrial UCN

Modelo Estndar de un PPL

Max( Min) z c1 x1 c2 x2 ... cn xn

Ingeniera Civil Industrial UCN

Modelo Estndar de un PPL

Ingeniera Civil Industrial UCN