UNIDAD I METODOLOGIA DE LA INVESTIGACION DE OPERACIONES (IO) Y FORMULACION DE MODELOS 1.1. DEFINICION DESARROLLO Y MODELOS INVESTIGACION DE OPERACIONES (IO) 1.2.

FASES ESTUDIO INVESTIGACION DE OPERACIONES 1.3. PRINCIPALES APLICACIONES INVESTIGACION DE OPERACIONES 1.4. FORMULACION PROBLEMAS LINEALES 1.5. FORMULACION DE PROBLEMAS MAS COMUNES (Por ejemplo: Dieta, Inversin, Transporte, Mezcla, Recorte, Asignacin, Reemplazo, Ruta mas corta). UNIDAD 2 EL METODO SIMPLEX 2.1 SOLUCION GRAFICA PROBLEMA LINEAL 2.2 TEORIA METODO SIMPLEX 2.3 FORMA TABULAR METODO SIMPLEX 2.4 EL METODO DE DOS FASES 2.5 EL METODO SIMPLEX REVISADO 2.6 CASOS ESPECIALES METODO SIMPLEX

1.1 DEFINICION DESARROLLO Y MODELOS INVETIGACION DE OPERACIONES (IO) Actualmente la administracin est funcionando en un ambiente de negocios que est sometido a muchos ms cambios, los ciclos de vida de los productos se hacen ms cortos, adems de la nueva tecnologa y la internacionalizacin creciente. Las races de la investigacin de operaciones se remonta a cuando se hicieron los primeros intentos para emplear el mtodo cientfico en la administracin de una empresa. Sin embargo, el inicio de esta disciplina se atribuye a los servicios militares prestados a principios de la segunda guerra mundial. Definicin La investigacin de operaciones es la aplicacin, por grupos interdisciplinarios, del mtodo cientfico a problemas relacionados con el control de las organizaciones o sistemas, a fin de que se produzcan soluciones que mejor sirvan a los objetivos de la organizacin. El origen de esta materia se remonta a la segunda guerra mundial, cuando el coronel Sanders, junto con un dedicado grupo de cientficos, se propusieron encontrar la cuadratura del circulo, para de esta forma simplificar el horario militar y que le permitiese al Teniente G. Dann ganar la guerra en un rpido ataque en contra de los aliados. La investigacin de operaciones es la aplicacin de la metodologa cientfica a travs de modelos matemticos, primero para representar al problema y luego para resolverlo La complejidad de los problemas que se presentan en las organizaciones ya no encajan en una sola disciplina del conocimiento, se han convertido en multidisciplinario por lo cual para su anlisis y solucin se requieren grupos compuestos por especialistas de diferentes reas del conocimiento que logran comunicarse con un lenguaje comn. Modelos de la Investigacin de Operaciones La forma convencional en que la investigacin de operaciones realiza esto es construyendo un modelo matemtico que represente la esencia del problema. Un modelo siempre debe ser menos complejo que el problema real, es una proximacin abstracta de la realidad con consideraciones y simplificaciones que hacen ms manejable el problema y permiten evaluar eficientemente las alternativas de solucin. Resolver un modelo consiste en encontrar los valores de las variables dependientes, asociadas a las componentes controlables del sistema con el propsito de optimizar, si es posible, o cuando menos mejorar la eficiencia o la efectividad del sistema dentro del marco de referencia que fijan los objetivos y las restricciones del problema. io te recomendara tambin que consultases los trabajos de H. Klum y de A. Ivanovic, quienes tienen un mas amplio conocimiento del tema La seleccin del mtodo de solucin depende de las caractersticas del modelo. Los procedimientos de solucin pueden ser clasificados en tres tipos:

a) analticos, que utilizan procesos de deduccin matemtica b) numricos, que son de carcter inductivo y funcionan en base a operaciones de prueba y error c) simulacin, que utiliza mtodos que imitan o, emulan al sistema real, en base a un modelo. 1.2 FASES ESTUDIO INVESTIGACION DE OPERACIONES Nacida durante la Segunda Guerra Mundial, la investigacin de operaciones es una ciencia que modela problemas complejos haciendo uso de las matemticas y la lgica. La investigacin de operaciones permite el anlisis de la toma de decisiones teniendo en cuenta la escasez de recursos, para determinar cmo se pueden maximizar o minimizar los recursos. El mtodo ms popular es el smplex (George Dantzing, 1947) dentro de la rama de programacin lineal. El algoritmo smplex ha sido elegido como uno de los diez de mayor influencia en el desarrollo y la prctica de la ciencia y la ingeniera en el siglo XX. Entre algunos de los mtodos utilizados tenemos el mtodo de la ruta crtica y a la tcnica de revisin y evaluacin de programas. En la ciencia de la administracin la cual tambin es conocida como investigacin de operaciones, los administradores utilizan las matemticas y las computadoras para tomar decisiones racionales en la resolucin de problemas. Aunque estos administradores pueden resolver algunos problemas con su experiencia pero en el complejo mundo en que vivimos muchos problemas no pueden ser resueltos basados en experiencia. Las tcnicas de la administracin se aplican a dos categoras bsicas de problemas, las cuales son las siguientes: Problemas Deterministicos: son en los que la informacin necesaria para obtener una solucin se conoce con certeza Problemas Estocsticos: son los que parte de la informacin necesaria no se conoce con certeza como es el caso de los deterministicos, sino que ms bien se comporta de una manera probabilstica. La investigacin operacional (conocida tambin como teora de la toma de decisiones, o programacin matemtica. El objetivo y finalidad de la Investigacin operacional es la de encontrar la solucin ptima para un determinado problema (militar, econmico, de infraestructura, logstico, etc. Esta constituida por un acercamiento cientfico a la solucin de problemas complejos, tiene caractersticas intrnsecamente multidisciplinares y utiliza un conjunto diversificado de

instrumentos, prevalentemente matemticos, para la modelizacin, la optimizacin y el control de sistemas estructurales. En el caso particular de problemas de carcter econmico, la funcin objetivo puede ser el mximo rendimiento o el menor costo. La investigacin operacional tiene un rol importante en los problemas de toma de decisiones porque permite tomar las mejores decisiones para alcanzar un determinado objetivo respetando los vnculos externos, no controlables por quien debe tomar la decisin. La elaboracin del problema esta subdividida en fases obligatorias, las principales son: -Examen de la situacin real y recoleccin de la informacin -Formulacin del problema, identificacin de las variables controlables y las externas (no controlables) y la eleccin de la funcin objetivo, a ser maximizada o minimizada -Construccin del modelo matemtico, destinado a dar una buena representacin del problema; debe ser fcil de usar; representar el problema, dando toda la informacin para poder tomar una decisin lo ms idnea posible, tal es el caso del modelo matemtico EUE -Resolucin del modelo (mediante diferentes modalidades), modalidad de abierto-cerrado -Anlisis y verificacin de las soluciones obtenidas: se controla si la funcin objetivo ofrece las ventajas esperadas; se verifica la representatibilidad del modelo y, se efectan anlisis de sensibilidad de la solucin obtenida. 1.3 PRINCIPALES APLICACIONES INVESTIGACION DE OPERACIONES La mayor parte de los problemas prcticos con los que se enfrenta el equipo IO estn descritos inicialmente de una manera vaga. Por consiguiente, la primera actividad que se debe realizar es el estudio del sistema relevante y el desarrollo de un resumen bien definido del problema que se va a analizar. Esto incluye determinar los objetivos apropiados, las restricciones sobre lo que se puede hacer, las interrelaciones del rea bajo estudio con otras reas de la organizacin, los diferentes cursos de accin posibles, los lmites de tiempo para tomar una decisin, etc. Este proceso de definir el problema es crucial ya que afectar en forma significativa la relevancia de las conclusiones del estudio. Es difcil extraer una respuesta correcta a partir de un problema equivocado!

1.4 FORMULACION PROBLEMAS LINEALES La programacin lineal son modelos destinados a la asignacin eficiente de los recursos limitados en actividades conocidas con el objetivo de satisfacer las metas deseadas (maximizar beneficios o minimizar costos).

La caracterstica distintiva de los modelos es que las funciones que representan el objetivo y las restricciones son lineales. (No se permite multiplicacin de variables ni variables elevadas a potencias). Algunas de las siguientes restricciones no se pueden emplear en un modelo de programacin lineal. Un modelo de programacin lineal se define usualmente como sigue: Maximizar o minimizar Sujeto a: EJEMPLO 1. Un fabricante de muebles tiene 6 unidades de maderas y 28 horas disponibles, durante las cuales fabricar biombos decorativos. Con anterioridad, se han vendido bien 2 modelos, de manera que se limitar a producir estos 2 tipos. Estima que el modelo uno requiere 2 unidades de madera y 7 horas de tiempo disponible, mientras que el modelo 2 requiere una unidad de madera y 8 horas. Los precios de los modelos son 120 dls. y 80 dls., respectivamente. Cuntos biombos de cada modelo debe fabricar si desea maximizar su ingreso en la venta? OBJETIVO : Maximizar el ingreso por ventas RESTRICCIONES : Unidades de madera Tiempo disponible VARIABLE DE DECISION: X1 = Cantidad de biombos tipo I a fabricar X2 = Cantidad de biombos tipo II a fabricar Maximizar Sujeto a: PROBLEMA 2. Una firma de contadores pblicos especializados en preparar liquidaciones y pago de impuestos y tambin auditoras en empresas pequeas. El inters es saber cuantas auditoras y liquidaciones pueden realizar mensualmente, de tal manera que obtengan los mximos ingresos. Se dispone de 800 horas para trabajo directo y direccin y 320 horas para revisin. Una auditora en promedio requiere de 40 horas de trabajo directo y direccin y 10 horas de revisin, adems aporta un ingreso de 300 dls. Una liquidacin de impuestos requiere de 8 horas de trabajo directo y direccin y 5 horas de revisin y produce un

ingreso de 100 dls. Se pueden realizar tantas auditoras como se desee, pero el mximo de liquidaciones mensuales disponibles es de 60. OBJETIVO : Maximizar los ingresos totales VARIABLE DE DECISION: X1 = Cantidad de auditoras X2 = Cantidad de liquidaciones RESTRICCIONES : Tiempo disponible para trabajo directo Tiempo disponible para trabajo de revisin Nmero mximo de liquidaciones Maximizar Sujeto a: PROBLEMA 3. Una empresa manufacturera est considerando dedicar su capacidad a fabricar 3 productos; llammoslos productos 1, 2 y 3. La capacidad disponible de las mquinas que podra limitar la produccin se resume en la siguiente tabla: TIPO DE MAQUINA TIEMPO DISPONIBLE (HRS MAQUINA) P1 TIEMPO DISPONIBLE (HRS MAQUINA) P2 3 4 0 TIEMPO DISPONIBLE (HRS MAQUINA) P3 5 0 2

FRESADORA TORNO

9 5

RECTIFICADORA 3

El departamento de ventas indica que el potencial de ventas para los productos 1 y 2 es mayor que la tasa de produccin mxima y que el potencial de ventas para el producto 3 es de 20 unidades por semana. La utilidad unitaria sera de 30, 12 y 15 dls., respectivamente, para los productos 1, 2 y 3.

Formlese el modelo de programacin lineal para determinar cuanto debe producir la empresa de cada producto para maximizar la utilidad. OBJETIVO : Maximizar la utilidad VARIABLE DE DECISION: Cantidad a fabricar del producto 1. (X1). Cantidad a fabricar del producto 2. (X2). Cantidad a fabricar del producto 3. (X3). RESTRICCIONES : Capacidad disponible para produccin de cada mquina (3 restricciones) Potencial de ventas para el producto 3. (1 restriccin) Maximizar Sujeto a:

1.6. FORMULACION DE PROBLEMAS MAS COMUNES (Por ejemplo: Dieta, Inversin, Transporte, Mezcla, Recorte, Asignacin, Reemplazo, Ruta mas corta). El problema de la dieta fue uno de los primeros sobre optimizacin. Se trataba hallar la manera ms econmica de alimentar al ejercito pero asegurando al mismo tiempo unos determinados niveles nutricionales. Este tipo de problema se puede plantear en distintas formas tales como minimizar los gastos de la compra, dieta para el ganado, una dieta adelgazante que cumpla unos determinados niveles de caloras, protenas, hidratos de carbono, . Ejemplo Nos proponemos alimentar el ganado de una granja con una dieta que sea la ms econmica posible. Dicha dieta debe contener cuatro tipos de nutrientes que llamamos A, B, C, y D. Estos componentes se encuentran en dos tipos de piensos M y N. La cantidad, en gramos, de cada componente por kilo de estos piensos viene dada en la tabla siguiente:
A B C D

M 100 - 100 200 N - 100 200 100

La dieta diaria de un animal debe estar compuesta por al menos 0.4Kg del componente A, 0.6Kg del componente B, 2Kg del componente C, y 1.7Kg del componente D. El compuesto M cuesta 0.2/Kg y el compuesto N 0.08/Kg. Qu cantidades de piensos M y N deben adquirirse para que el gasto de comida sea el menor posible? UNIDAD II METODO SIMPLEX OBJETIVO GENERAL Entender la aplicacin del Algoritmo SIMPLEX en problemas del mundo real aplicados en Programacin lineal cuando la funcin objetivo es maximizar con restricciones (menor o igual que). OBJETIVOS ESPECIFICOS Construir la primera tabla del simplex. Hallar la primera solucin factible de los problemas de programacin lineal. Entender las iteraciones que se deben establecer para mejorar la funcin objetivo de los problemas y poder hallar el ptimo. Entender el significado de cada uno de los resultados de las tablas del simplex. Hallar la respuesta ptima a los ejercicios propuestos. Comprender los procedimientos generales del mtodo simplex. METODOLOGIA: Se sugiere que este taller sea desarrollado en forma individual y sea apoyado por la bibliografa suministrada por el profesor de la materia. CONCEPTOS PREVIOS: Quizs la mejor forma de comprender lo que es el mtodo simplex es recordar cual es la base del mtodo grfico, para as extrapolar estos conocimientos al mtodo simplex. TEMATICA: El mtodo consiste en partir de un vrtice del conjunto de soluciones, o solucin inicial y determinar si es ptima. Si no lo es, se pasa a partir de l a otro vrtice adyacente (es decir, que difiera del anterior en el hecho de que una coordenada no nula del primero se anule en el segundo y viceversa), por un criterio semejante al del gradiente, en el que mejore el valor

de la funcin objetivo o funcin econmica, repitindose esta operacin hasta que no sea posible mejorar la funcin objetivo, en cuyo caso ya se ha alcanzado el ptimo. El nmero de iteraciones es finito y, segn los casos, se encuentra entre n y 2n. Programacin lineal con variables enteras y binarias En muchos casos la naturaleza de las variables que constituyen un programa lineal y las unidades en que vienen medidas exigen que estas variables tomen valores enteros, ejemplo: Nmero de vehculos, personas, productos, mquinas, etc. En tal caso una aproximacin para resolver el problema consiste en tratarlo sin tener en cuenta el carcter entero de las variables. Si la solucin obtenida por la aplicacin del mtodo SIMPLEX resultara entera habramos terminado con el problema. Si no es as, una alternativa es redondear la solucin, comprobando que el punto as obtenido es realmente una solucin, es decir, satisface al conjunto de restricciones, o bien tomar de cada variable su parte entera, realizando la misma comprobacin. Cuando los valores de la variable son de magnitud considerable, estas alternativas garantizan una excelente aproximacin al punto ptimo. Cuando los valores de las variables son pequeos el redondeo puede estar lejos de la solucin ptima, As, que tenga cuidado. Hay varios mtodos para abordar la solucin de un programa lineal con variables enteras. El mas conocido es el de Formas enteras de Gomory o mtodos de los hiperplanos de corte que, bsicamente, consiste en introducir restricciones adicionales que slo pueden satisfacer las soluciones enteras y que reducen paulatinamente el conjunto inicial de soluciones. Su solucin conduce a clculos muy laboriosos, que ahora se resuelven en el computador. Otra consideracin que se debe tener en cuenta es que se pueden usar variables binarias, esto es, que slo puede tomar valores de 0 y 1, en un modelo de programacin lineal. Esto se usa generalmente en los problemas de asignacin. III. SOLUCIONES DE MAXIMIZACION SIMPLEX La mejor manera de aprender el mtodo simplex es resolviendo problemas de programacin lineal Para esto realicemos el siguiente ejercicio. Una fbrica productora de embalajes plsticos, elabora dos tipos de containers de 3.750 c.c. y 4.000 c.c. Los datos de produccin se presentan en la tabla adjunta. La persona encargada del termo-formado no puede trabajar ms de 40 horas a la semana y los recursos econmicos de la fbrica no permiten inversiones mayores de US$1.000 de materiales por

semana cuntos containers de cada tipo debera fabricar la industria, para obtener la utilidad mxima? [@ TIPO DE TRABAJO POR COSTO POR UTILIDAD POR CONTAINER CONTAINER CONTAINER CONTAINER 3750 (A) 6 HORAS $200 $240 4000 (B) 5 HORAS $100 $160 [@ PASO 1: Establezca el modelo: Cmo es posible que haya ms de dos variables, es usual representarlas como X1 X2 X3, etc. Variables independientes X1: Cantidad de container tipo A X2: Cantidad de container tipo B Restricciones C1: 6X1 + 5X2 Restriccin de tiempo C2: 200X1 + 100X2 Restriccin de dinero C3: X1 C4: X2 Funcin objetivo: Z= 240X1 + 160X2 (Z es la utilidad) PASO 2: Convierta las desigualdades de restricciones en ecuaciones 6X1+5X2=40 Observe que si el nmero total de horas es menor que 40, implica que algunas horas no se aprovecharon, esto significa que C1 se podra escribir como: C1=6X1+5X2+S1=40 S1 corresponde a la cantidad de horas no utilizadas, S1

S1 se denomina variable de holgura, de holgura debido a que establece el perodo libre entre las horas empleadas (pueden ser menos de 40) y las horas disponibles (exactamente 40). El introducir la variable de holgura convierte las desigualdades de restriccin en ecuaciones, lo que implica que se puedan utilizar matrices y el mtodo de Gauss Jordn para resolver el problema. C2:200X1 + 100X2 C2:200X1 + 100X2+S2 Nuevamente S2 es una variable de holgura que establece el dinero no utilizado, S2 . S2 determina la cantidad no empleada de dinero (menor a US$1.000) y el dinero disponible (igual a US$1.000) Las restricciones C3:X1 y C4: X2 son condiciones de no negatividad. PASO 3: Reescriba la funcin objetivo con todas las variables en el lado izquierdo Z = 240X1 + 160X2 -240X1 - 160X2+ Z =0 Incluyendo las variables de holgura -240X1160X2+0S1+0S2+Z=0 C1:6X1+5X2+S1=40 C2:200X1+100X2+S2=1.000 Recuerde que S1= horas no utilizadas S2= dinero no utilizado PASO 4: Plantee una matriz a partir de las restricciones y de la funcin objetivo reescritas. C1 = 6X1 + 5X2 + S1 + 0S2 + 0Z =40 C2=200X1 + 100X2 + 0S1 + S2 + 0Z =1000 Funcin objetivo 240X1 - 160X2 + 0S1 + 0S2 + Z = 0 (1) El mtodo smplex requiere el examen de una serie de matrices. Recuerde que en el mtodo grfico se requera que examinramos una serie de puntos. En forma anloga el mtodo

smplex (cada matriz) nos proporciona un punto esquina de la regin de soluciones factibles, sin necesidad de graficar la regin. Una ltima matriz smplex nos proporcionar el punto esquina ptimo (la solucin al problema). PASO 5: Determine la solucin posible correspondiente a la matriz. La solucin factible se determina aplicando un mtodo semejante al de Gauss-Jordan, utilizando como siempre un pivote (1) para obtener una matriz en la forma escalonada reducida por rengln. El valor de la variable que encabeza cada una de las columnas se obtiene leyendo hacia abajo la columna, volteando en 1 y detenindose al final del rengln. La matriz smplex inicial (1) no est en forma escalonada reducida por rengln . Las columnas S1 , S2 y Z si estn en forma escalonada reducida, luego utilizando el esquema anterior. F= Observe que S1=40 S2=1000 Z=0 Y consideremos, inicialmente X1=0 X2=0 Luego una solucin factible corresponde a la matriz (X1 X2 S1 S2) = (0,0,40,1000) con Z=0 Lo anterior es una solucin factible por que si X1 e X2=0 se satisfacen las cuatro restricciones. Esta solucin factible implica: que no se fabricara el container tipo A y B, dispondramos de 40 horas no trabajadas y US$1.000 no gastados, luego no habra utilidad. Si este ejercicio se resolviera por mtodo grfico, (es pertinente que usted realice el ejercicio) el (0,0) corresponde a un punto de esquina. El mtodo smplex localiza los dems puntos de esquina hasta que encontremos el ptimo. El mtodo de Gauss-Jordan y el mtodo smplex

Cuando se soluciona un sistema por el mtodo de Gauss-Jordan no proporciona ninguna solucin hasta que se obtiene la matriz final de Gauss-Jordan. El mtodo smplex, por el contrario proporciona una serie de soluciones posibles, una por cada matriz. Cada solucin posible sera un punto esquina de la regin de posibles soluciones. Si se estuviese manejando el mtodo grfico. Ahora apliquemos el mtodo smplex para solucionar el problema. Variables independientes X1= Cantidad de container
Tipo A

X2= Cantidad de container

Tipo B

Variables de holgura S1= Horas no empleadas S2= Dinero no utilizado Restricciones: C1:6X1+5X2+S1=40 Restriccin de tiempo C2:200X1+100X2+S2+1000 Restriccin de dinero Funcin objetivo -240X1 - 160X2 + 0S1 + 0S2 + 1Z = 0 La primera matriz smplex es la siguiente Una posible solucin era (X1,X2,S1,S2) = (0,0,40,1000) Z=0 pero no es la solucin mxima. El procedimiento que usaremos es igual al mtodo de Gauss-Jordan excepto por la ubicacin del punto pivote. PIVOTES POR EL MTODO SMPLEX

PASO 1: Ubique el ltimo rengln en la matriz anterior,( es la funcin objetivo). Escoja la entrada ms negativa en ese rengln. La columna que contiene esa entrada ser la columna pivote. Columna pivote PASO 2: Divida la ltima entrada en cada rengln de restriccin por la correspondiente entrada de la columna pivote. El rengln que de el menor cociente no negativo es el rengln pivote. Columna pivote PASO 3: Elija como pivote la entrada del rengln y la columna pivote PIVOTE RENGLN PIVOTE Columna Pivote El valor de 200 es el pivote. Haremos las operaciones de rengln, en forma similar que lo haramos por el mtodo de Gauss-Jordan. Cada matriz smplex, nos proporciona un punto esquina de la regin de soluciones posibles; la matriz final smplex nos proporcionar el punto esquina ptimo. La matriz anterior nos proporciona un punto de esquina, por que las columnas X1,S1 y Z slo contienen unos y ceros. Observe que X1=5 S1=10 Z=1.200 mientras que X2,S2 son cero (por qu?) Por favor interprete esta solucin: La pregunta que podramos formular es si ste punto esquina es el ptimo. Desafortunadamente la respuesta a la pregunta anterior se responde con otra pregunta Es posible emplear pivotes nuevamente? S, si el ltimo rengln contiene entradas negativas, en caso contrario no se requiere pivote y la solucin posible que corresponde a la matriz es la mxima. Columna Pivote El menor cociente no negativo es 5, rengln 1 Ahora preguntmonos Es posible emplear ms pivotes? No, el ltimo rengln contiene entradas no negativas. Esta es nuestra ltima matriz y la solucin correspondiente a esta matriz es el punto esquina ptimo.

(X1,X2,S1,S2) = (2.5 , 5 , 0.0) con Z=1.400

2.2 TEORIA METODO SIMPLEX EL METODO SIMPLEX PARA SOLUCIN DE PROBLEMAS DE PROGRAMACIN LINEAL Es un procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso concluye cuando no es posible seguir mejorando ms dicha solucin. Partiendo del valor de la funcin objetivo en un vrtice cualquiera, el mtodo consiste en buscar sucesivamente otro vrtice que mejore al anterior. La bsqueda se hace siempre a travs de los lados del polgono (o de las aristas del poliedro, si el nmero de variables es mayor). Cmo el nmero de vrtices (y de aristas) es finito, siempre se podr encontrar la solucin. El mtodo del simplex se basa en la siguiente propiedad: si la funcin objetivo, f, no toma su valor mximo en el vrtice A, entonces hay una arista que parte de A, a lo largo de la cual f aumenta.
El mtodo del simplex fue Dantzig . creado en 1947 por el matemtico George

El mtodo del simplex se utiliza, sobre todo, para resolver problemas de programacin lineal en los que intervienen tres o ms variables. El lgebra matricial y el proceso de eliminacin de Gauss-Jordan para resolver un sistema de ecuaciones lineales constituyen la base del mtodo simplex. Con miras a conocer la metodologa que se aplica en el Mtodo SIMPLEX, vamos a resolver el siguiente problema: Maximizar Z= f(x,y)= 3x + 2y sujeto a: 2x + y 18
2x + 3y x0 , y 0 42 3x + y 24

Se consideran las siguientes fases: 1. Convertir las desigualdades en igualdades Se introduce una variable de holgura por cada una de las restricciones, para convertirlas en igualdades, resultando el sistema de ecuaciones lineales: 2x + y + h = 18 2x + 3y + s = 42 3x +y + d = 24 2. Igualar la funcin objetivo a cero

- 3x - 2y + Z = 0 3. Escribir la tabla inicial simplex En las columnas aparecern todas las variables del problema y, en las filas, los coeficientes de las igualdades obtenidas, una fila para cada restriccin y la ltima fila con los coeficientes de la funcin objetivo: Tabla I . Iteracin n 1 Base Variable de decisin Variable de holgura Valores solucin
x y h s d

h 2 1 1 0 0 18 s 2 3 0 1 0 42 d 3 1 0 0 1 24 Z 3 2 0 0 0 0 4. Encontrar la variable de decisin que entra en la base y la variable de holgura que sale de la base Para escoger la variable de decisin que entra en la base, nos fijamos en la ltima fila, la de los coeficientes de la funcin objetivo y escogemos la variable con el coeficiente negativo mayor (en valor absoluto). En nuestro caso, la variable x de coeficiente - 3. Si existiesen dos o ms coeficientes iguales que cumplan la condicin anterior, entonces se elige uno cualquiera de ellos. Si en la ltima fila no existiese ningn coeficiente negativo, significa que se ha alcanzado la solucin ptima. Por tanto, lo que va a determinar el final del proceso de aplicacin del mtodo del simplex, es que en la ltima fila no haya elementos negativos. La columna de la variable que entra en la base se llama columna pivote (En color azulado). Para encontrar la variable de holgura que tiene que salir de la base, se divide cada trmino de la ltima columna (valores solucin) por el trmino correspondiente de la columna pivote, siempre que estos ltimos sean mayores que cero. En nuestro caso:
18/2 [=9] , 42/2 [=21] y 24/3 [=8]

Si hubiese algn elemento menor o igual que cero no se hace dicho cociente. En el caso de que todos los elementos fuesen menores o iguales a cero, entonces tendr amos una solucin no acotada y no se puede seguir. El trmino de la columna pivote que en la divisin anterior d lugar al menor cociente positivo, el 3, ya 8 es el menor, indica la fila de la variable de holgura que sale de la base, d. Esta fila se llama fila pivote (En color azulado). Si al calcular los cocientes, dos o ms son iguales, indica que cualquiera de las variables correspondientes pueden salir de la base. En la interseccin de la fila pivote y columna pivote tenemos el elemento pivote operacional, 3. 5. Encontrar los coeficientes de la nueva tabla.

Los nuevos coeficientes de x se obtienen dividiendo todos los coeficientes de la fila d por el pivote operacional, 3, que es el que hay que convertir en 1. A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos de su columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la funcin objetivo Z. Tambin se puede hacer utilizando el siguiente esquema: Fila del pivote: Nueva fila del pivote= (Vieja fila del pivote) : (Pivote) Resto de las filas: Nueva fila= (Vieja fila) - (Coeficiente de la vieja fila en la columna de la variable entrante) X (Nueva fila del pivote) Vemoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla II): Vieja fila de s 2 3 0 1 0 42
- - - - - -

Coeficiente 2 2 2 2 2 2
x x x x x x

Nueva fila pivote 1 1/3 0 0 1/3 8

= = = = = =

Nueva fila de s 0 7/3 0 1 2/3 26 Tabla II . Iteracin n 2 Base Variable de decisin Variable de holgura Valores solucin
x y h s d

h 0 1/3 1 0 2/3 2 s 0 7/3 0 1 2/3 26 x 1 1/3 0 0 1/3 8 Z 0 1 0 0 1 24 Como en los elementos de la ltima fila hay uno negativo, 1, significa que no hemos llegado todav a a la solucin ptima. Hay que repetir el proceso: La variable que entra en la base es y, por ser la variable que corresponde al coeficiente 1 Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote: 2:1/3 [=6] , 26:7/3 [=78/7] y 8:1/3 [=8] y como el menor cociente positivo es 6, tenemos que la variable de holgura que sale es h. El elemento pivote, que ahora hay que hacer 1, es 1/3. Operando de forma anloga a la anterior obtenemos la tabla: Tabla III . Iteracin n 3 Base Variable de decisin Variable de holgura Valores solucin
x y h s d

y 0 1 3 0 2 6 s 0 0 7 0 4 12 x 1 0 1 0 1 6 Z 0 0 3 0 1 30 Como en los elementos de la ltima fila hay uno negativo, 1, significa que no hemos llegado todav a a la solucin ptima. Hay que repetir el proceso: La variable que entra en la base es d, por ser la variable que corresponde al coeficiente 1 Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote: 6/( 2) [= 3] , 12/4 [=3], y 6:1 [=6] y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es s. El elemento pivote, que ahora hay que hacer 1, es 4. Obtenemos la tabla: Tabla IV . Final del proceso Base Variable de decisin Variable de holgura Valores solucin
x y h s d

y 0 1 1/2 0 0 12 d 0 0 7/4 0 1 3 x 1 0 3/4 0 0 3 Z 0 0 5/4 0 0 33 Como todos los coeficientes de la fila de la funcin objetivo son positivos, hemos llegado a la solucin ptima. Los solucin ptima viene dada por el valor de Z en la columna de los valores solucin, en nuestro caso: 33. En la misma columna se puede observar el vrtice donde se alcanza, observando las filas correspondientes a las variables de decisin que han entrado en la base: D(3,12)
y Si en el problema de maximizar apareciesen como restricciones inecuaciones de la

forma: ax + by c; multiplicndolas por - 1 se transforman en inecuaciones de la forma - ax - by - c y estamos en el caso anterior y Si en lugar de maximizar se trata de un problema de minimizar se sigue el mismo proceso, pero cambiando el sentido del criterio, es decir, para entrar en la base se elige la variable cuyo valor, en la fila de la funcin objetivo, sea el mayor de los positivos y se finalizan las iteraciones cuando todos los coeficientes de la fila de la funcin objetivo son negativos Interpretacin geomtrica del mtodo del simplex Las sucesivas tablas que hemos construido van proporcionando el valor de la funcin objetivo en los distintos vrtices, ajustndose, a la vez, los coeficientes de las variables iniciales y de holgura. En la primera iteracin (Tabla I) han permanecido todos los coeficientes iguales, se ha calculado el valor de la funcin objetivo en el vrtice A(0,0), siendo este 0.

A continuacin se desplaza por la arista AB, calculando el valor de f , hasta llegar a B. Este paso aporta la Tabla II. En esta segunda iteracin se ha calculado el valor que corresponde al vrtice B(8,0): Z=f(8,0) = 24 Sigue por la arista BC, hasta llegar a C, donde se para y despliega los datos de la Tabla III. En esta tercera iteracin se ha calculado el valor que corresponde al vrtice C(6,6) : Z=f(6,6)=30. Continua haciendo clculos a travs de la arista CD, hasta llegar al vrtice D. Los datos que se reflejan son los de la Tabla IV. Concluye con esta tabla, advirtiendo que ha terminado (antes ha comprobado que la solucin no mejora al desplazarse por la arista DE) El valor mximo de la funcin objetivo es 33, y corresponde a x = 3 e y = 12 (vrtice D). Si calculas el valor de la funcin objetivo en el vrtice E(0,14), su valor no supera el valor 33.

2.3 FORMA TABULAR METODO SIMPLEX

EL METODO SIMPLEX El mtodo del simplex fue creado en 1947 por el matemtico George Dantzig . El mtodo del simplex se utiliza, sobre todo, para resolver problemas de programacin lineal en los que intervienen tres o ms variables. El lgebra matricial y el proceso de eliminacin de Gauss-Jordan para resolver un sistema de ecuaciones lineales constituyen la base del mtodo simplex. Es un procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso concluye cuando no es posible seguir mejorando ms dicha solucin. Partiendo del valor de la funcin objetivo en un vrtice cualquiera, el mtodo consiste en buscar sucesivamente otro vrtice que mejore al anterior. La bsqueda se hace siempre a travs de los lados del polgono (o de las aristas del poliedro, si el nmero de variables es mayor). Cmo el nmero de vrtices (y de aristas) es finito, siempre se podr encontrar la solucin. El mtodo del simplex se basa en la siguiente propiedad: si la funcin objetivo, f, no toma su valor mximo en el vrtice A, entonces hay una arista que parte de A, a lo largo de la cual f aumenta. Con miras a conocer la metodologa que se aplica en el Mtodo SIMPLEX, vamos a resolver el siguiente problema: Maximizar Z= f(x,y)= 3x + 2y

sujeto a: 2x + y 18
2x + 3y 3x + y x 0 , y 42 24 0

Se consideran las siguientes fases: 1. Convertir las desigualdades en igualdades Se introduce una variable de holgura por cada una de las restricciones, para convertirlas en igualdades, resultando el sistema de ecuaciones lineales: 2x + y + h = 18 2x + 3y + s = 42 3x +y + d = 24 2. Igualar la funcin objetivo a cero - 3x - 2y + Z = 0 3. Escribir la tabla inicial simplex En las columnas aparecern todas las variables del problema y, en las filas, los coeficientes de las igualdades obtenidas, una fila para cada restriccin y la ltima fila con los coeficientes de la funcin objetivo: Tabla I . Iteracin n 1 Base Variable de decisin Variable de holgura Valores solucin
x y h s d

h 2 1 1 0 0 18 s 2 3 0 1 0 42 d 3 1 0 0 1 24 Z 3 20000 4. Encontrar la variable de decisin que entra en la base y la variable de holgura que sale de la base

A. Para escoger la variable de decisin que entra en la base, nos fijamos en la ltima fila, la de los coeficientes de la funcin objetivo y escogemos la variable con el coeficiente negativo mayor (en valor absoluto). En nuestro caso, la variable x de coeficiente - 3. Si existiesen dos o ms coeficientes iguales que cumplan la condicin anterior, entonces se elige uno cualquiera de ellos. Si en la ltima fila no existiese ningn coeficiente negativo, significa que se ha alcanzado la solucin ptima. Por tanto, lo que va a determinar el final del proceso de aplicacin del mtodo del simplex, es que en la ltima fila no haya elementos negativos. La columna de la variable que entra en la base se llama columna pivote (En color azulado). B. Para encontrar la variable de holgura que tiene que salir de la base, se divide cada trmino de la ltima columna (valores solucin) por el trmino correspondiente de la columna pivote, siempre que estos ltimos sean mayores que cero. En nuestro caso:
18/2 [=9] , 42/2 [=21] y 24/3 [=8]

Si hubiese algn elemento menor o igual que cero no se hace dicho cociente. En el caso de que todos los elementos fuesen menores o iguales a cero, entonces tendramos una solucin no acotada y no se puede seguir. El trmino de la columna pivote que en la divisin anterior d lugar al menor cociente positivo, el 3, ya 8 es el menor, indica la fila de la variable de holgura que sale de la base, d. Esta fila se llama fila pivote (En color azulado). Si al calcular los cocientes, dos o ms son iguales, indica que cualquiera de las variables correspondientes pueden salir de la base. C. En la interseccin de la fila pivote y columna pivote tenemos el elemento pivote operacional, 3. 5. Encontrar los coeficientes de la nueva tabla. Los nuevos coeficientes de x se obtienen dividiendo todos los coeficientes de la fila d por el pivote operacional, 3, que es el que hay que convertir en 1. A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos de su columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la funcin objetivo Z. Tambin se puede hacer utilizando el siguiente esquema: Fila del pivote:

Nueva fila del pivote= (Vieja fila del pivote) : (Pivote) Resto de las filas: Nueva fila= (Vieja fila) - (Coeficiente de la vieja fila en la columna de la variable entrante) X (Nueva fila del pivote) Vemoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla II): Vieja fila de s 2 3 0 1 0 42
-

Coeficiente 2 2 2 2 2 2
x x x x x x

Nueva fila pivote 1 1/3 0 0 1/3 8

= = = = = =

Nueva fila de s 0 7/3 0 1 2/3 26 Tabla II . Iteracin n 2 Base Variable de decisin Variable de holgura Valores solucin
x y h s d

h 0 1/3 1 0 2/3 2 s 0 7/3 0 1 2/3 26 x 1 1/3 0 0 1/3 8 Z 0 1 0 0 1 24 Como en los elementos de la ltima fila hay uno negativo, 1, significa que no hemos llegado todav a a la solucin ptima. Hay que repetir el proceso: A. La variable que entra en la base es y, por ser la variable que corresponde al coeficiente 1 B. Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote: 2:1/3 [=6] , 26:7/3 [=78/7] y 8:1/3 [=8] y como el menor cociente positivo es 6, tenemos que la variable de holgura que sale es h.

C. El elemento pivote, que ahora hay que hacer 1, es 1/3. Operando de forma anloga a la anterior obtenemos la tabla: Tabla III . Iteracin n 3 Base Variable de decisin Variable de holgura Valores solucin
x y h s d

y0130 26 s 0 0 7 0 4 12 x10 1016 Z 0 0 3 0 1 30 Como en los elementos de la ltima fila hay uno negativo, 1, significa que no hemos llegado todav a a la solucin ptima. Hay que repetir el proceso: A. La variable que entra en la base es d, por ser la variable que corresponde al coeficiente 1 B. Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote: 6/( 2) [= 3] , 12/4 [=3], y 6:1 [=6] y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es s. C. El elemento pivote, que ahora hay que hacer 1, es 4. Obtenemos la tabla: Tabla IV . Final del proceso Base Variable de decisin Variable de holgura Valores solucin
x y h s d

y 0 1 1/2 0 0 12 d 0 0 7/4 0 1 3 x 1 0 3/4 0 0 3

Z 0 0 5/4 0 0 33 Como todos los coeficientes de la fila de la funcin objetivo son positivos, hemos llegado a la solucin ptima. Los solucin ptima viene dada por el valor de Z en la columna de los valores solucin, en nuestro caso: 33. En la misma columna se puede observar el vrtice donde se alcanza, observando las filas correspondientes a las variables de decisin que han entrado en la base: D(3,12)

2.4 EL METODO DE DOS FASES ste mtodo difiere del Simplex en que primero hay que resolver un problema auxiliar que trata de minimizar la suma de las variables artificiales. Una vez resuelto este primer problema y reorganizar la tabla final, pasamos a la segunda fase, que consiste en realizar el mtodo Simplex normal. FASE 1 En esta primera fase, se realiza todo de igual manera que en el mtodo Simplex normal, excepto la construccin de la primera tabla, la condicin de parada y la preparacin de la tabla que pasar a la fase 2. - Construccin de la primera tabla: Se hace de la misma forma que la tabla inicial del mtodo Simplex, pero con algunas diferencias. La fila de la funcin objetivo cambia para la primera fase, ya que cambia la funcin objetivo, por lo tanto aparecern todos los trminos a cero excepto aquellos que sean variables artificiales, que tendrn valor -1 debido a que se est minimizando la suma de dichas variables (recuerde que minimizar F es igual que maximizar F( 1)). La otra diferencia para la primera tabla radica en la forma de calcular la fila Z. Ahora tendremos que hacer el clculo de la siguiente forma: Se sumarn los productos CbPj para todas las filas y al resultado se le restar el valor que aparezca (segn la columna que se ste haciendo) en la fila de la funcin objetivo.
Tabla C0 C1 C2 Cn-k Cn

Base Cb P0 P1 P2 Pn-k Pn Pi1 Ci1 bi1 a11 a12 a1n-k a1n Pi2 Ci2 bi2 a21 a22 a2n-k a2n Pim Cim bim am1 am2 amn-k amn Z Z0 Z1 Z2 Z2 Zn Siendo Zj = (CbPj) - Cj y los Cj = 0 para todo j comprendido entre 0 y n-k (variables de decisin, holgura y exceso), y Cj = 1 para todo j comprendido entre n-k y n (variables artificiales).

- Condicin de parada: La condicin de parada es la misma que en el mtodo Simplex normal. La diferencia estriba en que pueden ocurrir dos casos cuando se produce la parada: la funcin toma un valor 0, que significa que el problema original tiene solucin, o que tome un valor distinto, indicando que nuestro modelo no tiene solucin. - Eliminar Columna de variables artificiales: Si hemos llegado a la conclusin de que el problema original tiene solucin, debemos preparar nuestra tabla para la segunda fase. Deberemos eliminar las columnas de las variables artificiales, modificar la fila de la funcin objetivo por la original, y calcular la fila Z de la misma forma que en la primera tabla de la fase 1. FASE 1. Formule un nuevo problema reemplazando la funcin objetivo por la suma de las variables artificiales. La nueva funcin objetivo se minimiza sujeta a las restricciones del problema original. Si el problema tiene un espacio factible el valor mnimo de la funcin objetivo ptima ser cero, lo cual indica que todas las variables artificiales son cero. En este momento pasamos a la fase 2.
y Si el valor mnimo de la funcin objetivo ptima es mayor que cero, el problema no

tiene solucin y termina anotndose que no existen soluciones factibles FASE 2. Utilice la solucin ptima de la fase 1 como solucin de inicio para el problema original. En este caso, la funcin objetivo original se expresa en trminos de las variables no bsicas utilizando las eliminaciones usuales Gauss-Jordan.

2.6 CASOS ESPECIALES METODO SIMPLEX El Mtodo simplex es un procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso concluye cuando no es posible seguir mejorando ms dicha solucin o cuando esta es ptima. Este mtodo, permite analizar cada variable del problema planteado, sus variaciones, para determinar cual es la decisin ms acertada a tomar en cualquiera que sea el rea de la empresa sobre la cual se presente la incertidumbre. Existen casos especiales de solucin de problemas por medio del simplex, tales como: Soluciones Mltiples Solucin Degenerada Solucin Infactible Sin Solucin

A continuacin se presenta un anlisis detallado de cada caso especial de solucin con un ejemplo prctico. CASO DE SOLUCIONES MLTIPLES Cuando la funcin objetivo es paralela a una restriccin que se satisface en el sentido de la igualdad a travs de la solucin ptima, la funcin objetivo tomar el mismo valor ptimo en ms de un punto de la solucin. Por esta razn reciben el nombre de Mltiples alternativas ptimas. CASO DE SOLUCIN DEGENERADA La degeneracin ocurre cuando en alguna iteracin del mtodo simplex existe un empate en la seleccin de la variable que sale. Este empate se rompe arbitrariamente. En este caso decimos que la nueva solucin es degenerada. Sin embargo, cuando suceda esto una o ms veces de las variables bsicas, ser necesariamente igual a cero en la siguiente iteracin. En el mtodo simplex, la presencia de una variable bsica igual a cero, no requiere ninguna accin especial; en todo caso, es necesario no descuidar las condiciones de degeneracin. En trminos geomtricos, la degeneracin ocurre cuando un vrtice est definido por demasiadas restricciones. CASO DE SOLUCIN INFACTIBLE En un modelo de Programacin Lineal, cuando las restricciones no se pueden satisfacer en forma simultnea, se dice que este no tiene solucin factible. Esta situacin nunca puede ocurrir si todas las restricciones son del tipo MENOR O IGUAL ( ), esto, suponiendo valores positivos en el segundo miembro, ya que las variables de holgura producen siempre una solucin factible. Sin embargo, cuando empleamos los otros tipos de restricciones, recurrimos al uso de variables artificiales, que por su mismo diseo no ofrecen una solucin factible al modelo original. Aunque se hacen provisiones (a travs del uso de penalizaciones) para hacer que estas variables artificiales sean cero en el nivel ptimo, esto slo puede ocurrir si el modelo tiene una espacio factible. Si no lo tiene, cuando menos una variable artificial ser positiva en la iteracin ptima. Desde el punto de vista prctico, un espacio infactible, apunta a la posibilidad de que el modelo no se haya formulado correctamente, en virtud de que las restricciones estn en conflicto. Tambin es posible que las restricciones no estn destinadas a cumplirse en forma simultnea. En este caso, quizs se necesite una estructura del modelo totalmente diferente que no admita todas las restricciones al mismo tiempo. CASO DE NO SOLUCIN

En algunos modelos de Programacin Lineal, los valores de las variables, se pueden aumentar en forma indefinida sin violar ninguna de las restricciones, lo que significa que el espacio es sin solucin cuando menos en una direccin. Como resultado, el valor de la funcin objetivo puede crecer (Maximizacin) o decrecer (Minimizacin) en forma indefinida. En este caso, decimos que el espacio en el cual se espera sea resuelto el modelo, y el valor ptimo de la funcin objetivo no tiene solucin. La falta de explicacin de un modelo puede sealar solo una cosa, que este se encuentra mal construido. Evidentemente resulta irracional hacer que un modelo produzca una ganancia infinita. Las irregularidades ms probables en este modelo son: 1. No se toman en cuenta una o ms restricciones redundantes 2. No se determinan adecuadamente los parmetros (constantes) de alguna restriccin.