Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
OPERACIONES
DESCRIPCION
OBJETIVOS
METODOLOGA
Clases expositivas para conceptos tericos con discusiones sobre cada tema.
Practicas en laboratorio , donde se conocern diversos software de apoyo a la I.O.
INVESTIGACION DE OPERACIONES
Definicin:
estudio.
Sistemas v/s Procesos
Sistema
Entidades Entidades
que Entran Actividades
que Salen
Recursos
Modelos
Por ejemplo:
El estudio del movimiento del fluido por una caera (Fluidodinmica)
corresponde a sistemas continuos. Sin embargo si el fluido se lo discretiza
dividindolo en gotas y se construye un modelo discreto por el cual circulan
gotas de agua (una, dos, diez, cien, mil) se est representando un sistema
continuo por un modelo discreto.
INVESTIGACION DE OPERACIONES
Clasificacin de los modelos
La obtencin del rea bajo la curva representada por f(x,y)=0 para el rango 0 <=
x <= 1 con 0 <= y <= 1 en todo el intervalo, es un problema determinstico. Sin
embargo, para un nmero N, suficientemente grande de puntos, de coordenadas
x,y generadas al azar (0 <= x <= 1; 0 <= y <= 1) el rea de la curva, aplicando el
mtodo de Monte Carlo, es igual a:
Modelo de Simulacin
Es un modelo que imita el comportamiento de un sistema sobre un periodo de
tiempo dado, esta basado en observaciones estadsticas. Este tipo de modelo
entrega soluciones aproximadas.
Modelo Heurstico
Es una regla intuitiva que nos permite la determinacin de una solucin mejorada,
dada una solucin actual del modelo, generalmente son procedimientos de
bsqueda. Este tipo de modelo tambin entrega soluciones aproximadas.
INVESTIGACION DE OPERACIONES
Tpicos relacionados
Anlisis Estadstico
Simulacin
Programacin Lineal
Sistema de Redes
Lneas de Espera
Problemas de Inventario
Programacin No - Lineal
Programacin Dinmica
Programacin Entera
Teora de Decisiones
Teora de Juegos
INVESTIGACION DE OPERACIONES
El Arte del Modelado
La I.O debe ser considerada como una ciencia y la vez como un arte.
Una ciencia por el uso de tcnicas matemticas para la resolucin de los
problemas.
Un arte ya que la formulacin del modelo depende en gran parte de la
creatividad y la experiencia delas operaciones del equipo investigador.
INVESTIGACION DE OPERACIONES
Etapas para puesta en prctica
1. Definicin del problema:
Alternativas de decisin (vars. de decisin).
El objetivo de estudio (Funcin Objetivo).
Identificacin de las restricciones del sistema que se modela.
2. Construccin del modelo:
Traducir el problema a relaciones matemticas que incluyan las vars. decisin,
la Funcin Objetivo y las restricciones.
3. Solucin del modelo:
Uso de algoritmos de optimizacin.
Se encuentran los valores de las vars. decisin.
4. Validacin del modelo:
El modelo entrega una prediccin razonable del comportamiento del sistema
estudiado?
5. Puesta en prctica:
Traducir los resultados del modelo en instrucciones de operacin.
PROGRAMACIN LINEAL
PROGRAMACION LINEAL
FORMULACION MATEMATICA
Supuestos de la P.L.
Proporcionalidad
Aditividad
Divisibilidad
Certidumbre
Objetivo nico
No negatividad
PROGRAMACIN LINEAL
Construccin de modelos
Solucin:
Formulacin
Paso 1: Identificar el objetivo (meta) a optimizar
Maximizar las utilidades de la compaa (U).{dlares/da}
Paso 2: Identificar las variables de decisin que deseamos determinar
X.Cantidad de transistores a fabricar por da {unds./da}
Y.Cantidad de bobinas a fabricar por da {unds./da}
Paso 3: Identificar las restricciones del modelo
R1) Tiempo disponible en el depto. de Ensamble por da 300 min.
R2) Tiempo disponible en el depto. de C. Calidad por da de 400 min.
R3) Tiempo disponible en el depto. de Empaque por da de 400 min.
R4) No Negatividad.
PROGRAMACIN LINEAL
Construccin de modelos
F.Objetivo
MAX { U = X + Y }
Sujeto a :
R1) X + 2Y 300
R2) 2X + Y 400
R3) X + 2Y 400
R4) X , Y 0
PROGRAMACIN LINEAL
Construccin de modelos
EJERCICIO PROPUESTO
El departamento de rayos X de un hospital tiene dos mquinas, A y B, que
pueden utilizarse para revelar radiografas. La capacidad de procesamiento diaria
de estas mquinas es A=80 y B=100 radiografas. El departamento debe planear
procesar al menos 150 radiografas por da. Los costos de operacin por
radiografa son $4 para la mquina A y $3 para la mquina B. Cuntas
radiografas por da debe procesar cada mquina para minimizar costos?
Se pide:
Formular como un problema de P.L. identificando claramente la funcin objetivo y
las variables de decisin.
PROGRAMACIN LINEAL
Construccin de modelos
Solucin:
Formulacin
Paso 1: Identificar el objetivo (meta) a optimizar
Minimizar los costos de procesamiento (C).{dlares/da}
Paso 2: Identificar las variables de decisin que deseamos determinar
X.Cantidad de radiografas a procesar en mquina A al da {rad./da}
Y. Cantidad de radiografas a procesar en mquina B al da {rad./da}
Paso 3: Identificar las restricciones del modelo
R1) Capacidad de procesamiento de rad. en la maquina A de 80.
R2) Capacidad de procesamiento de rad. en la maquina B de 100.
R3) Capacidad mnima del departamento de 150 rad. por da.
R4) No Negatividad.
PROGRAMACIN LINEAL
Construccin de modelos
F.Objetivo
M IN { C = 4X + 3Y }
Sujeto a :
R1) X 80
R2) Y 100
R3) X + Y 150
R4) X , Y 0
PROGRAMACIN LINEAL
Construccin de modelos
PROBLEMA DE LA DIETA
La compaa OF utiliza diariamente por lo menos 800 libras de alimento especial.
El alimento especial es una mezcla de maz y semilla de soya, con las siguientes
composiciones.
.?
PROGRAMACIN LINEAL
Construccin de modelos
Solucin:
Formulacin
Paso 1: Identificar el objetivo (meta) a optimizar
Minimizar el costo diario total de la mezcla de alimento(C).{dlares/da}
Paso 2: Identificar las variables de decisin que deseamos determinar
X.libras de maiz en la mezcla diaria {lb./da}
Y. Libras de semilla de soya en la mezcla diaria {lb./da}
Paso 3: Identificar las restricciones del modelo
R1) Requerimientos de alimentos de por lo menos 800 lbs.al da
R2) Requerimiento de protenas de por lo menos un 30%
R3) Requerimientos de fibra de cuando mucho un 5%.
R4) No Negatividad.
PROGRAMACIN LINEAL
Construccin de modelos
F.Objetivo
M IN { C = 0.3X + 0.9Y }
Sujeto a :
R1) X + Y 800
R2) 0.09X + 0.6Y 0.3(X + Y)
R3)0.02 X + 0.06Y 0.05(X + Y)
R4) X , Y 0
PROGRAMACIN LINEAL
Construccin de modelos
F.Objetivo
M IN { C = 0.3X + 0.9Y }
Sujeto a :
R1) X + Y 800
R2) 0.21X - 0.30Y 0
R3)0.03 X - 0.01Y 0
R4) X , Y 0
PROGRAMACIN LINEAL
Construccin de modelos
PROBLEMA DE TRANSPORTE
Considere el problema que enfrenta el departamento de planificacin de la
compaa DALLAS S.A. ,que tiene tres plantas y cuatro almacenes regionales.
Cada mes se requiere de una lista de requerimientos de cada almacn y se
conocen, tambien las capacidacdes de produccin de las plantas. Ademas se
conoce el costo de transporte de cada planta a cada almacn. El problema es
determinar qu plantas deben abastecer a que almacenes de manera que
minimicen los costos totales de transporte. Consideremos que los costos de
transporte entre dos ciudades cualquiera, son proporcionales a las cantidades
embarcadas. Supongase que las capacidades mensuales de cada planta son 70,
90 y 180 respectivamente. Los requerimientos de cada almacn para el mes de
Marzo son: 50, 80, 70 y 140. Los costos unitarios de transporte son los que se
muestran en la tabla siguiente:
PROGRAMACIN LINEAL
Construccin de modelos
Planta Almacn
1 2 3 4
1 19 30 50 10
2 70 30 40 60
3 40 8 70 20
Se pide:
Formular como un PPL.
PROGRAMACIN LINEAL
Construccin de modelos
Paso 4.1: Construccin del modelo matemtico
F.Objetivo
Min{C=19X11+70X21+40X31+30X12+30X22+8X32+50X13+40X23+70X33+10X14+60X24+20X34}
Sujeto a :
R1) X11+X12+X13+X14 70
R2) X21+X22+X23+X24 90
R3) X31+X32+X33+X34 180
R4) X11+X21+X31 50
R5) X12+X22+X32 80
R6) X13+X23+X33 70
R7) X14+X24+X34 140
R8) Xij 0 i,j
Modelo General de PL
Definicin de variables:
Sea xj = #.... ; j = 1, 2, 3....n
Funcin objetivo:
Max. o Min. z = C1X1 + C2X2 + ... + CjXj + ... + CnXn
Sujeto a restricciones: i = 1, 2, 3, ... , m
a11X1 + a12X2 + ... + a1jXj + ... + a1nXn = b1
a21X1 + a22X2 + ... + a2jXj + ... + a2nXn = b2
.
.
ai1X1 + ai2X2 + ... + aijXj + ... + ainXn = bi
.
.
am1X1 + am2X2 + ... + amjXj + ... + amnXn = bm
8
Mtodos de Resolucin
Mtodo Grfico
Empleado principalmente para PPL con dos variables de decisin. Este mtodo
se basa en la idea de obtener regiones de soluciones factibles (RSF), en las
cuales se encontrara la combinacin de variables de decisin que optimizan el
modelo.
8
Mtodos de Resolucin
GRAFICO
8
Mtodo de Resolucin: Paso 1
Grficar las restricciones
X2 3,000
R1Fab
X1 X2
0 1,000
2,000 1,666.7 0
Assy
R2
X1 X2
0 750
1,000 3,000 0
A B
C
0,0 1,000 2,000 3,000 X1 10
PROGRAMACIN LINEAL
Construccin de modelos
Solucin:
Formulacin
Paso 1: Identificar el objetivo (meta) a optimizar
Minimizar el costo total de transporte (C).{u.m/mes}
Paso 2: Identificar las variables de decisin que deseamos determinar
Xij.Cantidad a enviar de la planta i al almacn j mensualmente {uds/mes}
i = 1,2,3 / j = 1,2,3,4
Paso 3: Identificar las restricciones del modelo
R1) Capacidad mensual de produccin planta 1 de 70
R2) Capacidad mensual de produccin planta 2 de 90
R3) Capacidad mensual de produccin planta 3 de 180
R4) Requerimientos del almacn 1 para Marzo de 50
R5) Requerimientos del almacn 2 para Marzo de 80
R6) Requerimientos del almacn 3 para Marzo de 70
R7) Requerimientos del almacn 4 para Marzo de 140
R8) No Negatividad.
Mtodo de Resolucin: Paso 1
Grficar las restricciones
X2 3,000
R1Fab
X1 X2
0 1,000
2,000 1,666.7 0
Assy
R2
X1 X2
0 750
1,000 3,000 0
A B
C
0,0 1,000 2,000 3,000 X1 11
Mtodo de Resolucin: Paso 2
Obtener la RSF
X2 3,000
R1Fab
X1 X2
0 1,000
2,000 1,666.7 0
Assy
R2
X1 X2
0 750
1,000 3,000 0
A B
RSF
C
0,0 1,000 2,000 3,000 X1 11
Mtodo de Resolucin:
X2 3,000
Premisa: el punto
2,000 optimo siempre se
encuentra en uno de
los vrtices de la
RSF.
1,000
A B
RSF
C
0,0 1,000 2,000 3,000 X1 11
Mtodo de Resolucin: Paso3
Encontrar el Punto Optimo: Alternativas
Alternativa 1
Encontrar todas las combinaciones de X1 y X2 que determinan los vrtices de la
RSF, luego se evalan en la funcin objetivo y se elige la combinacin que
maximice (o minimice) dicha funcin.
Alternativa 2
Grficar la F.O. dandose en valor arbitrario de Z (depende de la escala del
grfico), luego la recta se desplaza en forma paralela en el sentido estricto de la
optimizacin. El ultimo punto que tope la F.O al salir de la RSF corresponder a
la solucin optima.
13
Mtodo de Resolucin: Paso3
Encontrar el Punto Optimo(1)
X2 3,000
2,000
1,000
Z=320.000 A B
C
0,0 1,000 2,000 3,000 X1
13
Mtodo de Resolucin: Paso 3
Encontrar el Punto Optimo (2)
X2 3,000
2,000
Optimal Point
1,000
A B
C
0,0 1,000 2,000 3,000 X1
14
Mtodo de Resolucin: Paso 3
Encontrar el Punto Optimo (3)
X2 3,000
7X 2 4,000
X 2 = 571.43, or 571 Multimax
5000 - 5(571)
X1 = 715 Max
3
15
RESULTADOS
Max Z = 400X1 + 800 X 2
X1=715
X2=571
Z =742,800.
16
Mtodos de Resolucin
ALGEBRAICO SIMPLEX
El mtodo smplex fue desarrollado en 1947 por el Dr. George Dantzig y conjuntamente con el
desarrollo de la computadora hizo posible la solucin de problemas grandes planteados con la
tcnica matemtica de programacin lineal.
El algoritmo denominado smplex es la parte medular de este mtodo; el cual se basa en la
solucin de un sistema de ecuaciones lineales con el conocido procedimiento de Gauss-Jordan y
apoyado con criterios para el cambio de la solucin bsica que se resuelve en forma iterativa
hasta que la solucin obtenida converge a lo que se conoce como ptimo..
8
Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Estndar de un PPL
La forma estndar pasa por realizar los siguientes cambios:
8
Mtodos de Resolucin
ALGEBRAICO SIMPLEX
b.- Restriccin mayor o igual ()
Las restricciones de este tipo comnmente determinan requerimientos mnimos de
especificaciones. En este caso se debe incorporar una variable de supervit que representa
el requerimiento mnimo del lado izquierdo, sobre el requerimiento mnimo del derecho (
cuanto falta para cumplir con lo pedido).
Ej.
X1 + X2 800
X1 + X2 - r1 = 800
r1 0
8
Mtodos de Resolucin
ALGEBRAICO SIMPLEX
d.- Restriccin de igualdad (=)
Aqu la estandarizacin pasa slo por incorporar una variable artificial.
Ej.
X1 + X2 = 800
X1 + X2 + t1 = 800
t1 0
Como las variables artificiales no tienen sentido, es importante que el simplex las deje fuera
al comienzo del procedimiento y esto se logra al penalizar la inclusin de las variables
artificiales en la funcin objetivo con un coeficiente M muy grande que para el caso de
maximizar es M y para el caso de minimizar es + M.
8
Mtodos de Resolucin
ALGEBRAICO SIMPLEX
2 Cambios de variables
a.- Variables no restringidas
Algunas veces las variables de decisin pueden tomar cualquier valor real.
Xi s.r.s
Cambio de variable
Xi = Ui Vi
Ui . Parte positiva de Xi
Vi . Parte negativa de Xi
Ej.
X1 + X2 24
X1 0, X2 s.r.s
Luego X2 = U2 V2
F.E.
X1 + U2 V2 + h1 = 24
8
Mtodos de Resolucin
ALGEBRAICO SIMPLEX
b.- Variables negativas
Algunas veces las variables de decisin pueden tomar negativos.
Xi 0
Cambio de variable
Yi = Xi Donde Yi 0
Ej.
X1 + X2 40
X1 0, X2 0
Luego Y2 = X2, o bien X2 = - Y2
F.E.
X1 - Y2 + h1 = 40
8
Mtodos de Resolucin
ALGEBRAICO SIMPLEX
3 Cambio en criterio de optimizacin
Muchas veces el objetivo no es maximizar.
MIN (Z)
Cambio de variable: Z* = -Z
MIN Z = MAX ( Z*)
Ej.
MIN [ Z = X1 + X2 ]
Z* = -Z
F.E
MAX [ Z* = -X1 X2]
8
Mtodos de Resolucin
ALGEBRAICO SIMPLEX
EJEMPLO
MIN (Z = 15X1 + 10X2 20X3)
S/A
R1) X1+2X2+4X3 30
R2) 5X1+5X2+3X3 = 40
R3) X1 + X2 + X3 70
R4) X1 s.r.s; X20; X30
Cambios de variable:
Z* = -Z X1=U1-V1 X2=-Y2
8
Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Estndar
Z* + 15 U1 - 15 V1 - 10 Y2 - 20 X3 + M t1 + M t2 = 0
U1 - V1 - 2 Y2 + 4 X3 - r1 + t1 = 30
5 U1 - 5 V1 - 25 Y2 + 3 X3 + t2 = 40
U1 - V1 - Y2 + X3 + h1 = 70
8
Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Tabular
BASE Z U1 V1 Y2 X3 r1 t1 t2 h1
SOLUCION
t1 0 1 -1 -2 4 -1 1 0 0 30
t2 0 5 -5 -25 3 0 0 1 0 40
h1 0 1 -1 -1 1 0 0 0 1 70
8
Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Tabular Especial
BASE SOLUCION
U1 V1 Y2 X3 r1 t1 t2 h1
M 0 0 0 0 0 1 1 0 0
t1 1 -1 -2 4 -1 1 0 0 30
t2 5 -5 -25 3 0 0 1 0 40
h1 1 -1 -1 1 0 0 0 1 70
8
Mtodos de Resolucin
ALGEBRAICO
Se una vez obtenida la F.E se esta en condiciones de iniciar el Simplex que nos permitir
encontrar la (s) solucin (es) del PPL.
Como el algoritmo se mueve de punto en punto extremo requiere que variables basicas
entren y salgan. Las reglas para seleccionar las variables de entrada y salida se conocen
como condiciones de optimalidad y factibilidad. Resumiendo:
8
Mtodos de Resolucin
ALGEBRAICO
Pasos del Simplex:
Paso 3 : determine las nuevas soluciones bsicas empleando los calculos apropiados de
8
Mtodos de Resolucin
ALGEBRAICO
EJEMPLO
S/A
2x1 + x2 30
3x1 + 2x2 + x3 25
x2 + 2x3 20
x1 , x2 , x3 0
8
Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Tabular Especial
BASE SOLUCION
X1 X2 X3 h1 h2 h3
z -7 -4 -5 0 0 0 0
h1 2 1 0 1 0 0 30
h2 3 2 1 0 1 0 25
h3 0 1 2 0 0 1 20
8
Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Tabular Especial
BASE SOLUCION
X1 X2 X3 h1 h2 h3
z -7 -4 -5 0 0 0 0
h1 2 1 0 1 0 0 30
h2 3 2 1 0 1 0 25
h3 0 1 2 0 0 1 20
8
Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Tabular Especial
BASE SOLUCION
X1 X2 X3 h1 h2 h3
z -7 -4 -5 0 0 0 0 Razn
h1 2 1 0 1 0 0 30 30 / 2
h2 3 2 1 0 1 0 25 25 / 3
h3 0 1 2 0 0 1 20 ___
8
Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Tabular Especial
BASE SOLUCION
X1 X2 X3 h1 h2 h3
z -7 -4 -5 0 0 0 0 Razn
h1 2 1 0 1 0 0 30 30 / 2
h2 3 2 1 0 1 0 25 25 / 3
h3 0 1 2 0 0 1 20 ___
8
Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Tabular Especial
BASE SOLUCION
X1 X2 X3 h1 h2 h3
z -7 -4 -5 0 0 0 0 Razn
h1 2 1 0 1 0 0 30 30 / 2
h2 3 2 1 0 1 0 25 25 / 3
h3 0 1 2 0 0 1 20 ___
8
Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Forma Tabular Especial
BASE SOLUCION
X1 X2 X3 h1 h2 h3
z -7 -4 -5 0 0 0 0 Razn
h1 2 1 0 1 0 0 30 30 / 2
h2 3 2 1 0 1 0 25 25 / 3
h3 0 1 2 0 0 1 20 ___
PIVOTE
8
Mtodos de Resolucin
ALGEBRAICO SIMPLEX
Gauss Jordan
BASE SOLUCION
X1 X2 X3 h1 h2 h3
z 0 2 0 0 7/3 4/3 85
h1 0 0 0 1 -2/3 1/3 20
h3 0 1/2 1 0 0 1/2 10
Optimo!
8
Mtodos de Resolucin
ALGEBRAICO SIMPLEX
SOLUCIN
z 85
X1 5
X2 0
X3 0
h1 20
h2 0
h3 10
8
Mtodos de Resolucin
DUAL SIMPLEX
Se basa en la idea que todo PPL tiene un problema espejo, llamado DUAL. Esto provoca
que se genere un segundo algoritmo de resolucion conocido como Metodo Dual Simplex,
el cual funciona de la siguiente manera:
Condicion de Factibilidad:
La variable que sale es la variable basica que tiene el valor mas negativo, si
todas las variables basicas son no negativas el proceso termina y se alcanza la
solucion factible - optima.
Condicion de Optimalidad:
La variable entrante se escoge de la manera siguiente:
Calcule la razon entre los coeficientes del reglon cero y los coeficientes de la
fila asociada a la variable que sale, ignore coeficientes positivos o ceros. La
variable que entra es la que posee la razon mas pequea si el problema es de
minimizacion. Si todos los denominadores son cero o positivos el problema no
tiene solucion factible.
8
Mtodos de Resolucin
DUAL SIMPLEX
EJEMPLO
MIN (Z = 2X1 + X2)
S/A
R1) 3X1+X2 3
R2) 4X1+3X2 6
R3) X1 + 2X2 3
R4) X1 0 ; X2 0
Forma Estndar:
8
Mtodos de Resolucin
DUAL SIMPLEX
Forma Estndar
Z + -2 X1 - X2 = 0
-3 X1 - X2 + r1 = -3
-4 X1 - 3 X2 + r2 = -6
X1 + 2 X2 + h1 = 3
8
Mtodos de Resolucin
DUAL SIMPLEX
Forma Tabular Especial
BASE SOLUCION
X1 X2 r1 r2 h1
z -2 -1 0 0 0 0
r1 -3 -1 1 0 0 -3
r2 -4 -3 0 1 0 -6
h1 1 2 0 0 1 3
8
Mtodos de Resolucin
DUAL SIMPLEX
BASE SOLUCION
X1 X2 r1 r2 h1
z -2 -1 0 0 0 0
r1 -3 -1 1 0 0 -3
r2 -4 -3 0 1 0 -6
Sale mas
h1 1 2 0 0 1 3 negativa
8
Mtodos de Resolucin
DUAL SIMPLEX
BASE SOLUCION
X1 X2 r1 r2 h1
z -2 -1 0 0 0 0
r1 -3 -1 1 0 0 -3
r2 -4 -3 0 1 0 -6
h1 1 2 0 0 1 3
8
Mtodos de Resolucin
DUAL SIMPLEX
Entra razon mas pequea
BASE SOLUCION
X1 X2 r1 r2 h1
z -2 -1 0 0 0 0
r1 -3 -1 1 0 0 -3
r2 -4 -3 0 1 0 -6
h1 1 2 0 0 1 3
8
Mtodos de Resolucin
DUAL SIMPLEX
Entra razon mas pequea
BASE SOLUCION
X1 X2 r1 r2 h1
z -2 -1 0 0 0 0
r1 -3 -1 1 0 0 -3
r2 -4 -3 0 1 0 -6
h1 1 2 0 0 1 3
8
Mtodos de Resolucin
DUAL SIMPLEX
Gauss Jordan
BASE SOLUCION
X1 X2 r1 r2 h1
z -2/3 0 0 -1/3 0 2
r1 -5/3 0 1 -1/3 0 -1
X2 4/3 1 0 -1/3 0 2
h1 -5/3 0 0 2/3 1 -1
8
Mtodos de Resolucin
DUAL SIMPLEX
BASE SOLUCION
X1 X2 r1 r2 h1
z -2/3 0 0 -1/3 0 2
r1 -5/3 0 1 -1/3 0 -1
X2 4/3 1 0 -1/3 0 2
h1 -5/3 0 0 2/3 1 -1
8
Mtodos de Resolucin
DUAL SIMPLEX
RAZON 2/5 0 0 1 0
BASE SOLUCION
X1 X2 r1 r2 h1
z -2/3 0 0 -1/3 0 2
r1 -5/3 0 1 -1/3 0 -1
X2 4/3 1 0 -1/3 0 2
h1 -5/3 0 0 2/3 1 -1
8
Mtodos de Resolucin
DUAL SIMPLEX
RAZON 2/5 0 0 1 0
BASE SOLUCION
X1 X2 r1 r2 h1
z -2/3 0 0 -1/3 0 2
r1 -5/3 0 1 -1/3 0 -1
X2 4/3 1 0 -1/3 0 2
h1 -5/3 0 0 2/3 1 -1
Pivote
8
Mtodos de Resolucin
DUAL SIMPLEX
Gauss Jordan
BASE SOLUCION
X1 X2 R1 r2 h1
h1 0 0 -1 1 1 0
Optimo Factible!!!
8
Mtodos de Resolucin
DUAL SIMPLEX
Solucin:
BASE SOLUCION
Z 12/5
X1 3/5
X2 6/5
r1 0
r2 0
h1 0
8
Mtodos de Resolucin
DUAL SIMPLEX
Ejercicio Propuesto
MIN (Z = 5X1 + 4X2 + 8X3)
S/A
R1) X1+2X2+X3 15
R2) 2X1+X2+X3 10
R3) X1 + X2 +X3 20
R4) X1 0 ; X2 0; X3 0