Maestro: Ing. Efraín Lara Domínguez.

Alumno: Yahaira Gpe. Briceño Ruiz.

Asignatura: investigación de operaciones

Semestre: 4º Único.

Carrera: Ingeniería En Gestión Empresarial.

Tema: portafolio de evidencias.

UNIDAD 2

1
Contenido
Investigación. ...................................................................................................................................... 3
Ejercicios............................................................................................................................................ 36
........................................................................................................................................................... 38
Examen. ............................................................................................................................................. 39

2
Investigación.
2.1 FORMULACIÓN Y APLICACIÓN DE MODELOS DE PROGRAMACIÓN
LINEAL.

Son ampliamente utilizados como herramienta de apoyo a la toma de decisiones

tanto por sus propiedades que facilitan su resolución, como así también su
pertinencia a distintos problemas de naturaleza real. A continuación se presentan
algunos ejemplos resumidos en complejidad con el objetivo de mostrar algunas
aplicaciones típicas.

Problema de Inversión: Considere que usted dispone de un capital de 21.000

dólares para invertir en la bolsa de valores. Un amigo le recomienda 2 acciones
que en el último tiempo han estado al alza: Acción A y Acción B. La Acción A tiene
una rentabilidad del 10% anual y la Acción B del 8% anual. Su amigo le aconseja
tener una cartera equilibrada y diversa y por tanto le recomienda invertir un
máximo de 13.000 dólares en la Acción A y como mínimo 6.000 dólares en la
Acción B. Además la inversión en la Acción A debe ser menor o igual que el doble
de la inversión destinada a la Acción B. Usted quiere formular y resolver un
modelo de Programación Lineal que permita obtener la política de inversión que
permita obtener la máxima rentabilidad (interés) anual.

Variables de Decisión:

x = dólares invertidos en Acción A.

y = dólares invertidos en Acción B.

Función Objetivo: Se busca maximizar la rentabilidad anual que resulta de invertir

en los 2 tipos de acciones.

Maximizar 0.1x + 0.08y

Restricciones: Considera las recomendaciones de su amigo.

x + y ≤ 21.000 Se puede invertir como máximo 21.000 dólares en total

3
x ≤ 13.000 Invertir como máximo 13.000 dólares en Acción A

y ≥ 6.000 Invertir como mínimo 6.000 dólares en Acción B

x - 2y ≤ 0 Inversión en A debe ser menor o igual que el doble de la inversión en B

x≥0, y≥0 No Negatividad

Solución Óptima: X = 13.000 Y = 8.000. Valor Óptimo V(P) = 1.940 dólares. Se

recomienda verificar estos resultados a través de la resolución gráfica y/o
utilizando Solver de Excel.

Ejemplo Resolución Gráfica.

Resuelva el siguiente modelo de programación lineal a través de la resolución

gráfica.

En primera instancia se asigna un eje a cada una de las variables de decisión, por
ejemplo X1 corresponde al eje horizontal y X2 corresponde al eje vertical. Luego
se grafican las restricciones. La primera restricción intercepta el eje X1 en 3
(cuando X2=0) y el eje X2 en 6 (cuando X1=0). Dado que la restricción es del tipo
"<=" ésta determina el área que está bajo la recta que une las coordenadas
(X1,X2)=(3,0) y (X1,X2)=(0,6). En caso de tener dudas sobre el área que
determina cada restricción se recomienda considerar un punto cualquiera fácil de
evaluar en la restricción. Por ejemplo la coordenada (X1,X2)=(0,0) al evaluar en la
restricción 1 la cumple (2*0+0<=6) y por tanto esta coordenada será parte del
dominio de dicha inecuación. De forma similar se gráfica la segunda restricción
que corta X1 en (28/7,0) y corta X2 en (0,7/2).

4
La intersección de los dominios que determinan las restricciones del problema
definirá el dominio de soluciones factibles. Este dominio está en verde en la
imagen a continuación.

Una vez que ha identificado el dominio se debe buscar la solución óptima. Una
propiedad de los problemas de programación lineal es que cuando admiten
solución, ésta se encontrará siempre en un vértice del dominio de soluciones
factibles y en caso muy especiales en la frontera de dicho dominio. Por tanto una
forma de resolver será enumerando todos los vértices del dominio y evaluando
éstos en la función objetivo. En este caso como el problema consiste en maximizar
el valor de la función objetivo, el vértice que tenga un valor mayor corresponderá a
la solución óptima. En el ejemplo se disponen de 4 vértices de fácil identificación,
sin embargo, esta forma de resolución claramente queda limitada a problemas de
tamaño menor.

Otra forma de resolución es a través de las curvas de nivel de la función objetivo

que corresponden en el ejemplo a rectas paralelas que crecen en la dirección del
gradiente de dicha función. Es decir, si desplazamos la función objetivo en la
dirección del vector (X1,X2)=(120,80) el valor de la función objetivo crecerá a su
mayor tasa.

5
En consecuencia para encontrar la solución óptima se desplazan las curvas de
nivel en la dirección del gradiente hasta que se intercepte por última vez el
dominio de puntos factibles. La línea punteada en rojo de la imagen anterior
corresponde a dicha curva de nivel y el último punto donde esta curva intercepta el
dominio corresponde al vértice con coordenadas (X1,X2)=(20/9,14/9) (Solución
Óptima) con Valor Óptimo V(P)=391,1.

Para ejemplificar respecto al uso de Solver utilizaremos el siguiente modelo de

Programación Lineal:

Paso 1: Abrir una planilla de cálculo de Excel y definir las variables de decisión y la
función objetivo. En este ejemplo se han marcado con amarillo y verde las
variables de decisión y función objetivo respectivamente sólo para facilitar la
comprensión. Es importante notar que la función objetivo (celda F4) será siempre

una fórmula que depende de los parámetros de la función objetivo (celdas B5, C5,
D5) y las variables de decisión (B4, C4, D4)

6
Paso 2: Se definen las restricciones del modelo. La columna en amarillo bajo el
título "Laso Izq" es una fórmula de los parámetros y las variables de decisión en
las respectivas restricciones. Por ejemplo, la fórmula incorporada en E9 es
simplemente: 15X + 7,5Y + 5Z. La celda F9 es el lado derecho de dicha restricción
y

corresponde a una constante (315).

Paso 3: Ingresamos a la Opción Solver (Ver Instalación Solver de Excel). Luego

definimos la celda objetivo (función objetivo), el valor que buscamos

7
(maximización o minimización), las celdas que deseamos cambiar (variables de
decisión) y las restricciones. Para nuestro ejemplo está será la pantalla que se
debe obtener:

Paso 4: Accedemos a "Opciones..." y seleccionamos "Adoptar modelo lineal “y

"Adoptar no negativos".
Finalmente
seleccionamos
"Aceptar" y luego "Resolver".

8
Paso 5: Si el proceso se ha desarrollado en forma correcta la planilla de cálculo se
actualizará y se obtendrán los siguientes resultados. Solución Óptima: X=4, Y=10,
Z=36. Valor Óptimo: V(P)=6.620. Se recomienda requerir el informe de
sensibilidad tal como se muestra en la imagen de abajo.

Paso 6: La imagen a continuación ha sido levemente editada y corresponde al

informe de sensibilidad. Por ejemplo, el parámetro que actualmente acompaña a X

9
en la función objetivo es 200, sin embargo, si este valor varía entre [120,240] se
conservará la actual solución óptima. En cuanto a las restricciones podemos decir,
por ejemplo, que si el lado derecho de la segunda restricción (actualmente este
lado derecho es igual a 110) aumenta a 120, es nuevo valor óptimo será
V(P)=6.620 + 10*10 =6.720, es decir, el valor óptimo aumentará en forma
proporcional al precio sombra de dicha restricción. Se recomienda revisar la
sección de Análisis de Sensibilidad para reforzar estos conceptos.

2.2 MÉTODO GRÁFICO.

El método grafico se utiliza para la solución de problemas de PL, representando

geométricamente a las restricciones, condiciones técnicas y el objetivo.

El modelo se puede resolver en forma geométrica si solo se tiene 2 variables. Para

modelos con 3 o más variables el método grafico es impráctico o imposible.

10
Cuando los ejes son relacionados con las variables del problema, el método es
llamado método grafico en actividad. Cuando se relacionan las restricciones
tecnológicas se denomina método grafico en recursos.

*PL.- es una técnica mediante la cual se toman decisiones reduciendo el problema

bajo estudio a un modelo matemático general.

Maximizar y Minimizar.

Podemos maximizar y minimizar por el método grafico nuestros problemas y nos

lleva a un resultado exacto al igual que el simplex solo que este es aún más fácil,
pues como al principio mandas en la ecuación a X cero y después Y así te da el
primer punto a graficar y así con las demás ecuaciones, el punto donde se
intersectan dos o más líneas de las ecuaciones es el punto solución, este se
sustituye debidamente cada número en Su variable en la función objetivo para dar
la comprobación. Así el espacio debajo del punto de intersección es para
maximización y se presenta el resultado por ejemplo Z=10, para la minimización
es lo mismo solo se toma el punto solución como lo más y el resultado de igual
solo que se representaría –Z=10 y la zona factible cabe en la parte mayor de la
gráfica.

Pasos necesarios para realizar el método.

1. Graficar las soluciones factibles, o el espacio de soluciones (factible), que

satisfagan todas las restricciones en forma simultánea.

2. Las restricciones de no negatividad Xi>= 0 confían todos los valores posibles.

3. El espacio encerrado por las restricciones restantes se determinan sustituyendo

en primer término <= por (=) para cada restricción, con lo cual se produce la
ecuación de una línea recta.

4. Trazar cada línea recta en el plano y la región en cual se encuentra cada

restricción cuando se considera la desigualdad lo indica la dirección de la flecha
situada sobre la línea recta asociada.

11
5. Cada punto contenido o situado en la frontera del espacio de soluciones
satisfacen todas las restricciones y por consiguiente, representa un punto factible.
6. Aunque hay un número infinito de puntos factibles en el espacio de soluciones,
la solución óptima puede determinarse al observar la dirección en la cual aumenta
la función objetivo.

7. Las líneas paralelas que representan la función objetivo se trazan mediante la

asignación de valores arbitrarios a fin de determinar la pendiente y la dirección en
la cual crece o decrece el valor de la función objetivo.

Ejemplo: Un departamento de publicidad tiene que planear para el próximo mes

una estrategia de publicidad para el lanzamiento de una línea de T.V. a color tiene
a consideración 2 medios de difusión: La televisión y el periódico.

Los estudios de mercado han mostrado que:

1. La publicidad por T.V. Llega al 2 % de las familias de ingresos altos y al 3 % de

las familias de ingresos medios por comercial.

2. La publicidad en el periódico llega al 3 % de las familias de ingresos altos y al 6

% de las familias de ingresos medios por anuncio.

La publicidad en periódico tiene un costo de 500 dls. Por anuncio y la publicidad

por T.V. tiene un costo de 2000 dls. Por comercial. La meta es obtener al menos
una presentación como mínimo al 36 % de las familias de ingresos altos y al 60 %
de las familias de ingresos medios minimizando los costos de publicidad.

12
Resolver el siguiente ejercicio por el método gráfico:

Z = 3x1 + 4x2

Restricciones: 2x1 + 3x2 <= 60, 4x1+ 2x2 <= 80

Paso 1: Determinar las coordenadas (X1, X2)

2x1 + 3x2 <= 60-------------1

4x1+ 2x2 <= 80-------------2

1: X1=0 2: X1=0
2x1 + 3x2 = 60 4x1 +2x2 = 80
3x2=60 2x2=80
X2=60/3 X2=80/4

13
X2=20 X2=40
(0,20) (0,40)
X2=0 X2=0
2x1 + 3x2 = 60 4x1 + 2x2 = 80
X1=60/2 X1=80/4
X1=30 X1=20
(30,0) (20,0)

Paso 2: Determinar las coordenadas de cada una de las restricciones

(0,20) (30,0)

(0,40) (20,0)

Coordenadas de solución:

(0,20)

(15,10)

(20,0)

Paso 3: sustituir cada coordenada de posible solución en función objetivo.

Z = 3x1 + 4x2

(0,20) (15,10) (20,0)

Z= 3(0) +4(20) Z= 3(15) +4(10) Z= 3(20) +4(0)
Z = 80 Z = 85 Z = 60

14
2.3 METODO SIMPLEX.

El Método Simplex es un procedimiento iterativo el cual permite mejorar la

solución a cada paso. Este proceso concluye cuando no es posible seguir
mejorando la solución.

Éste método se puede considerar como un método algebraico para resolver

problemas de programación lineal el cual involucra dos o más variables.

El Método Simplex fue creado en el año de 1947. Su primera aplicación fue

después del verano de 1947 cuando se resolvió un problema de programación de
9 restricciones y 27. Usando calculadora de escritorio se requirieron 120 días, en
la actualidad y un programa para resolver el Método Simplex será cosa de
minutos.

El Método Simplex como herramienta de programación lineal constituye una de las

mejores formas para obtener la solución más óptima en programación lineal.

En este método utilizaremos las desigualdades <, >, ≥ y ≤.

Conceptos utilizados en el Método Simplex.

1. Variable de decisión. Con estas variables se hace referencia al conjunto de

variables cuya magnitud se desea determinar.

2. Restricciones. Están constituidas por el conjunto de desigualdades que limitan

los valores que puedan tomar las variables de desigualdad.

3. Función objetivo. Es una función matemática que relaciona las variables de

decisión.

4. Linealidad. Se refiere a que la relación entre las variables de la función objetiva

y restricciones deben ser lineales.

15
5. Desigualdades. Las desigualdades utilizadas para representar las restricciones
deben ser cerradas.

6. Condición de no negatividad. En la programación lineal las variables de decisión

solo pueden tomar valores mayores o iguales que cero.

Pasos a seguir en el Método Simplex.

1. Cambiar las desigualdades a ecuaciones.

2. Agregar variables de holgura a las restricciones (S1, S2).

3. Agregar variable de holgura faltante.

4. Construir la tabla simplex.

5. Agregar las columnas Cj y Cj-Zj.

6. Analizar el renglón Cj-Zj. Si existen números positivos se realizará otra tabla

simplex.

7. Determinar que variable X1, X2, X3… Xn sale o que entra.

8. Determinar si sale S1 o S2

16
17
18
2.3.1 MÉTODO ALGEBRAICO.

Es un procedimiento iterativo que permite ir mejorando la solución a cada paso. El

proceso concluye cuando no es posible seguir mejorando más dicha solución.
Partiendo del valor de la función objetivo en un vértice cualquiera, el método
consiste en buscar sucesivamente otro vértice que mejore al anterior. La
búsqueda se hace siempre a través de los lados del polígono(o de las aristas del
poliedro, si el número de variables es mayor). Cómo el número de vértices (y de
aristas) es finito, siempre se podrá encontrar la solución.

El método del simplex se basa en la siguiente propiedad: si la función objetivo, f,

no toma su valor máximo en el vértice A, entonces hay una arista que parte de A,
a lo largo de la cual f aumenta.

El método del simplex fue creado en 1947 por el matemático George Dantzig. El
método del simplex se utiliza, sobre todo, para resolver problemas de
programación lineal en los que intervienen tres o más variables. El álgebra
matricial y el proceso de eliminación de Gauss-Jordan para resolver un sistema de
ecuaciones lineales constituyen la base del método simplex.

Con miras a conocer la metodología que se aplica en el Método SIMPLEX, vamos

a resolver el siguiente problema: Maximizar

Z= f(x,y)= 3x +2y

Sujeto a:

2x + y 18

2x + 3y 42

19
 3x + y 24

x0 , y 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 función objetivo a cero

- 3x - 2y + Z = 0

3. Escribir la tabla inicial simplex.

En las columnas aparecerán todas las variables del problema y, en las filas, los
coeficientes de las igualdades obtenidas, una fila para cada restricción y la última
fila con los coeficientes de la función objetivo:

4. Encontrar la variable de decisión que entra en la base y la variable de holgura

que sale de la base A. Para escoger la variable de decisión que entra en la base,
nos fijamos en la última fila, la de los coeficientes de la función objetivo y
escogemos la variable con el coeficiente negativo mayor (en valor absoluto).En
nuestro caso, la variable x de coeficiente - 3.

20
Si existiesen dos o más coeficientes iguales que cumplan la condición anterior,
entonces se elige uno cualquiera de ellos.

Si en la última fila no existiese ningún coeficiente negativo, significa que se ha

alcanzado la solución óptima. Por tanto, lo que va a determinar el final del proceso
de aplicación del método del simplex, es que en la última 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 término de la última columna (valores solución) por el término
correspondiente de la columna pivote, siempre que estos últimos
sean mayores que cero. En nuestro caso: 18/2 [=9] , 42/2 [=21] y 24/3 [=8]

Si hubiese algún 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
tendríamos una solución no acotada y no se puede seguir.

El término de la columna pivote que en la división anterior dé 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 más son iguales, indica que cualquiera delas
variables correspondientes pueden salir de la base.

C. En la intersección 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.

21
A continuación mediante la reducción gaussiana hacemos ceros los restantes
términos de su columna, con lo que obtenemos los nuevos coeficientes de las
otras filas incluyendo los de la función objetivo Z.

También 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)

Veámoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla.

Como en los elementos de la última fila hay uno negativo, -1, significa que no
hemos llegado todavía a la solución óptima. Hay que repetir el proceso: A. La
variable que entra en la base es y , por ser la variable que corresponde al

22
coeficiente -1B.Para calcular la variable que sale, dividimos los términos de la
última columna entre los términos 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 análoga a la anterior obtenemos la tabla: Tabla III . Iteración

nº 3.

Como en los elementos de la última fila hay uno negativo, -1, significa que no
hemos llegado todavía a la solución óptima. 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 términos de la última columna
entre los términos 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:

23
Como todos los coeficientes de la fila de la función objetivo son positivos, hemos
llegado a la solución óptima.

La solución óptima viene dada por el valor de Z en la columna de los valores

solución, en nuestro caso: 33. En la misma columna se puede observar el vértice
donde se alcanza, observando las filas correspondientes a las variables de
decisión que han entrado en la base: D(3,12)

* Si en el problema de maximizar apareciesen como restricciones inecuaciones de

la forma: ax + by c; multiplicándolas por - 1 se transforman en inecuaciones de la
forma - ax - by - c y estamos en el caso anterior * Si en lugar de maximizar se trata
de un problema de minimizar se sigue el mismo proceso, pero cambiando el
sentido del criterio, es decir, para entrar en la base se elige la variable cuyo valor,
en la fila de la función objetivo, sea el mayor de los positivos y se finalizan las
iteraciones cuando todos los coeficientes de la fila de la función objetivo son
negativos.

2.3.2 LA TABLA SIMPLEX.

La resolución de programas lineales mediante el método Simplex implica la

realización de gran cantidad de cálculos, sobre todo cuando el número de
variables y/o restricciones es relativamente elevado. Sin embargo, estos cálculos
no son complejos y pueden realizarse en modo sistemático utilizando una forma
tabular. Así surgen las conocidas como tablas del Simplex, que no son más que
una forma de organizar los cálculos. Sobre las tablas del Simplex comentar que su
interés es totalmente pedagógico, ya que en los casos reales la magnitud de los
problemas que suelen aparecer hace que nadie las utilice de forma directa para
resolverlos. En tales casos, ha de recurrirse al uso del computador. Para aplicar el
método Simplex en forma de tabla a un problema de la forma:

24
Observar la forma en que se construye esta tabla:

• En la primera fila de la tabla se colocan los coeficientes de las variables en la

función objetivo.

• En las tres primeras columnas aparecen los coeficientes de las variables básicas
en la función objetivo, las variables básicas iniciales y el vector de términos
independientes de las restricciones, respectivamente.

• La parte central de la tabla está formada por la matriz de coeficientes A.

•Los elementos de la penúltima fila son los productos escalares del vector dela
primera columna con los vectores de la tabla que quedan encima de cada uno de
esos elementos.

•Finalmente, en la última fila aparece la diferencia de las filas primera y penúltima.

25
Cada tabla del Simplex está asociada a una solución básica factible. De forma
que, una vez construida la tabla inicial, deben establecerse las reglas que
permitan obtener las tablas asociadas a las siguientes soluciones básicas, así
como saber la solución básica que lleva asociada cada tabla. Además es
necesario saber cuándo una tabla corresponde a la solución óptima, esto último se
consigue analizando los signos de la última fila de la tabla: Si todos los elementos
de la última fila de la tabla son mayores o iguales que cero, el óptimo ha sido
alcanzado. Cuando alguno de los elementos de la última fila es negativo, el valor
óptimo puede mejorarse y por tanto debe construirse una nueva tabla de la
manera siguiente:

•Se selecciona de la última fila el elemento negativo de mayor valor absoluto. La

variable correspondiente al índice del zi seleccionado es la que pasará a ser
básica.

•Para saber a qué variable básica sustituye, se dividen los valores de la tercera
columna entre los valores positivos de la columna de A seleccionada en el paso
anterior (la que corresponde al elemento negativo de mayor valor absoluto). En
caso de no existir valores positivos, puede asegurarse que el problema no tiene
óptimo finito.

•De todos los cocientes calculados se selecciona el mínimo, el elemento de la

matriz A que ha servido para construir ese valor mínimo es el que actuará como
pivot y la variable de la segunda columna de la tabla en la posición dela fila del
pivot es la que deja de ser básica.

•Mediante transformaciones elementales de filas sobre el bloque central de la tabla

(el bloque de fondo amarillo en la tabla) se llega a transformar en 1 el pivot y
anular los restantes elementos de la correspondiente columna. Las únicas
transformaciones que son permitidas son:

O Multiplicar por constantes la fila que contiene el pivot.

O Sumar o restar a una fila un múltiplo de la fila que contiene el pivot.

26
•Intercambiar las variables básicas en la segunda columna al mismo tiempo que
se modifica el correspondiente elemento de la primera columna.

•Calcular los nuevos valores de las dos últimas filas de la tabla de acuerdo a las
instrucciones ya indicadas.

Se repiten todos estos procesos y se van transformando las tablas hasta que el
test de parada sea positivo (todos los elementos de la última fila mayores o iguales
que cero) en cuyo caso se tiene:

•El óptimo se alcanza en el punto cuyas coordenadas son nulas excepto las
correspondientes a las variables básicas, cuyos valores aparecen en la tercera
columna de la tabla óptima.

•El valor de la función en el óptimo es el que aparece en el último elemento de esa

misma columna.

Todas las tablas que se van obteniendo tienen dos características en común: los
elementos de la tercera columna son todos ellos mayores o iguales que cero,
salvo el último (el que indica el valor de la función objetivo) que pudiera ser
negativo. Por otro lado, las columnas de A asociadas a las variables básicas
siempre forman una matriz identidad.

Analizando más en profundizar cada una de las etapas expuestas, se puede

comprobar la correspondencia con el método Simplex enunciado de una forma
más teórica anteriormente. Por supuesto, la mejor manera de comprender la
resolución mediante tablas es con ejemplos particulares;

2.4 METODO DUAL.

Todo problema de programación lineal tiene asociado con él otro problema de

programación lineal llamado DUAL. El problema inicial es llamado PRIMO y el
problema asociado (sombra) es llamado el problema PRIMO. Los dos juntos son
llamados problemas duales ya que ambos están formados por el mismo conjunto

27
de datos. La solución básica factible óptima de estos problemas es tal que una
puede fácilmente ser usada para la solución de la otra. La dimensión del problema
de programación lineal influencia la elección del cálculo del primo o del dual.

Si el primo tiene más ecuaciones que variables, es frecuentemente más fácil

obtener la solución del dual ya que menor número de iteraciones son requeridas.
Además si el primo tiene solución, el dual tendrá solución. Una vez que el
problema dual es formulado, el procedimiento de solución es exactamente el
mismo que para cualquier problema de programación lineal.

Mecánicamente el dual es formulado partiendo del problema primo en la siguiente

forma:

Si el primo es un problema de Maximización, el dual es un problema de

Minimización y viceversa.

1. Los coeficientes de la función objetivo del primo se convierten en las

restricciones constantes de las ecuaciones del dual.

2. Las restricciones de las ecuaciones del primo se convierten en los coeficientes

dela función objetivo del dual.

3. Los coeficientes de las variables del dual en las ecuaciones restrictivas son
obtenidas sacando la transpuesta de la matriz de coeficientes del primo (los
arreglos de los coeficientes en las columnas del primo se convierten en los
coeficientes de las filas en el dual y viceversa).

4. Los signos de la desigualdad son invertidos.

2.5 METODO DUAL SIMPLEX.

Es un algoritmo iterativo que iniciando en una solución básica factible pero no

óptima, genera soluciones básicas factibles cada vez mejores hasta encontrar la
solución óptima (sí esta existe). Nótese que la base de su lógica es mantener la

28
factibilidad, mientras busca la optimalizad. Pero surge la posibilidad de usar otro
esquema igualmente iterativo, que como contraparte del simplex, comienza en una
solución básica óptima, pero no factible y mantiene la inmejorabilidad mientras
busca la factibilidad. Con este procedimiento se llega igualmente a la solución
óptima.

El nuevo algoritmo fue desarrollo en 1954 por C. E. Lemke y se conoce con el

nombre de Método Dual-Simplex . A continuación se presenta su estructura y un
ejemplo para ilustrar su aplicación.

El algoritmo para resolver un modelo de maximización es el siguiente:

Paso 1: Hallar una solución básica inicial infactible e inmejorable

Escribir el tablero inicial tomando a las variables de holgura y de exceso como

variables básicas iniciales.

Paso 2: Prueba de factibilidad.

 Si todas las variables básicas son no negativas, la actual solución es la

óptima.
 Si hay al menos una variable básica negativa, seleccionar como variable de
salida,( llamémosla (XB)s ), a aquella con el valor más negativo. Los
empates se pueden romper arbitrariamente.

Paso 3: Prueba de inmejorabilidada.

 Sí en el renglón de la variable básica de salida (XB)s todos los coeficientes

de reemplazo con las variables no básicas son no negativos, la solución del
modelo es óptima ¡limitada. Se termina el proceso.
 Si en el renglón de la variable básica de salida (XB)s, hay al menos un
coeficiente de intercambio negativo , se efectúan los cocientes entre el
efecto neto de cada variable no básicas y su correspondiente coeficiente de
intercambio negativo.

Es decir, siendo (XB) s la variable de salida se calculan todos los cocientes

29
Se toma como variable de entrada ( llamémosla Xe ) a aquella que corresponda al
mínimo de los cocientes del anterior conjunto Si la variable de entrada es Xe el
elemento pivote será el elemento (Se)s

El empate se puede romper arbitrariamente.

 Aplicar la operación de pivoteo para generar la nueva tabla, en la

cualaparezca Xe como variable básica en lugar de la variable de salida
(XB)sc.
 Repetir el algoritmo a partir del
paso 2.

Ejemplo de aplicación del

Método Dual Simplex Sea el
siguiente modelo

30
31
32
2.6 ANALISIS DE RESULTADOS.

Los resultados se analizaron en términos de la media de los errores agrupados por

tipo de instancias y en forma global, para cada valor utilizado de y . Elerror se
calcula como:

Donde es el óptimo de la instancia para los problemas de la mochila con múltiples

restricciones (MR); y es la cota de Dantzig (mirar por ej. [24]) para la versión
clásica (ST).En la Tabla1se muestra la media del error para cada valor de y cada
,discriminado para las instancias y .

En la Tabla1se muestra la media del error para cada valor de MAERK y OS cada ,
discriminado para las instancias y .

Tabla 1: Medias del Error en función de y para instancias con una restricción (ST)
y con múltiples restricciones (MR).

Se puede observar que tanto en forma global, como para cada tipo de instancia en
particular, las versiones del algoritmo que usan marK>1 obtienen mejores
resultados que los obtenidos con marK_1. Esto ocurre para los dos esquemas de

33
adaptación de marK propuestos. También se verifica que para ambos O's, un
incremento en el valor de marK permite reducir el error global (indicado en la
columna total). Para el caso de decremento, resulta beneficioso comenzar las
mejoras con un operador que cambie 4 bits. Cuando con 4 ya no se obtengan
mejoras, se reduce a 3, luego a 2 y finalmente se realiza un ``ajuste fino'' con k=1
.La adaptación de en sentido contrario también resulta beneficiosa, aunque
paralas instancias solo aparecen mejoras respecto a y no entre los valores
obtenidos cuando se utiliza marK>1.

Es interesante analizar cuanto contribuye cada operador a la obtención del

resultado final. En la Figura4se muestran la cantidad de transiciones a soluciones
aceptables (en promedio) que permitió obtener cada operador para cada valor de
marK. Los 1,100 valores obtenidos se escalaron en el rango para mejorar la
interoperabilidad. Naturalmente cuando marK=1, todas las mejoras se obtuvieron
con k=1. Es a partir marK=2, de donde el análisis se vuelve interesante.

En los resultados correspondientes al OS que decremento K, se observa que

cuando marK-2 , prácticamente un 95% de la mejora se obtuvo con -BitFlip y e
lrestante porcentaje con k=1 . Cuando marK=3 , el 80% del progreso se debe
aluso de 3-BitFlip. Del restante, casi toda la mejora se realiza con 2-
BitFlip.Finalmente cuando marK=4 , el operador -BitFlip es el responsable del 70%
delos pasos de mejora. La utilización de 3 y 2-BitFlip completa prácticamente la
optimización aunque aparecen aproximadamente un 5% de mejoras
correspondientes a –BitFlip Para el caso de incrementos en , se observa que para
un valor de ,hasta un de mejora se puede conseguir con -BitFlip una vez que la
búsquedase estancó con -BitFlip. Para y , los gráficos muestran que hasta unde la
mejora corresponde a -BitFlip, pero luego los operadores subsiguientespueden
mejorar los óptimos locales encontrados.

34
35
Ejercicios.

36
37
38
INSTITUTO TECNOLOGICO DE LA ZONA MAYA

ING. EN GESTION EMPRESARIAL

INVESTIGACION DE OPERACIONES
4° SEMESTRE

EJERCICIOS UNIDAD 3
INVESTIGACION DE OPERACIONES
DOCENTE: ING. EFRAIN LARA DOMINGUEZ
ESQUINA NOROESTE
COSSTO MINIMO
METODO VOGUEL
Examen.

39
40