Sem 3 Met Gráfico y Simplex Mod 2 2018-1

¡La universidad para todos!
¡La Universidad para todos!
Tema: MÉTODO GRAFICO Y METODO SIMPLEX

Docente: MG. MÁXIMO TEJERO ALEGRE
Escuela Profesional Periodo académico: 2018-1

CIENCIAS CONTABLES Y FINANCIERAS Semestre:1
Unidad:II
III Unidad
Método Gráfico – Método Simplex
2
Objetivos de la Unidad
 Plantear un problema de P.L partiendo de su
enunciado.
 Dar a conocer a los decisorios que existe una manera
simple de observar la solución óptima.
 Saber representar regiones factibles y determinar
gráficamente los puntos donde puede darse la
solución.
 Saber encontrar esa solución óptima.
 Usar el algoritmo del método simplex para resolver
problemas de P.L.
 Aprender a solucionar problemas de real importancia
industrial, mediante los métodos formales: gráfico y
analítico (método simplex)
ORIENTACIONES
• Cuando Usted estudie; contraste y relacione
la información recién adquirida con su
conocimiento y experiencia anterior. Para
ello es útil que revise los resúmenes,
esquemas, cuadros comparativos o mapas
conceptuales elaborados previamente en su
texto.
• Recuerde que la Investigación Operativa se
aprende practicando, utilice un block para
repetir los ejercicios.
4
Ejercicio: El problema de la industria de

juguetes “Galaxia”
 Galaxia produce dos tipos de juguetes: * Space Ray * Zapper
Los recursos están limitados a:
* 1200 libras de plástico especial.
* 40 horas de producción semanalmente. RESTRICCIONES
Requerimientos de Marketing.
* La producción total no puede exceder de 800 docenas.
* El número de docenas de Space Rays no puede exceder al número de
docenas de Zappers por más de 450.
 Requerimientos Tecnológicos.
* Space Rays requiere 2 libras de plástico y 3 minutos de producción por docena.
* Zappers requiere 1 libra de plástico y 4 minutos de producción por docena.
 Plan común de producción para:
Fabricar la mayor cantidad del producto que deje mejores ganancias, el cual
corresponde a Space Ray ($8 de utilidad por docena).
Usar la menor cantidad de recursos para producir Zappers, porque estos dejan una
menor utilidad ($5 de utilidad por docena).
Planteamiento de Modelo Matemático de PL

1. Matriz
Requerimiento Space Ray Zapper DISPONIBILIDAD
Plástico especial 2 1 1200 libras
Horas producció 3 min 4 min 40 hrs Sem 2400 min
Producc. total = < 1 1 800 doc.
Exceso Prod = < 1 1 450 doc. Diferencia
UTILIDAD $8 $5 OPTIMIZACIÓN
corresponde a Space Ray ($8 de utilidad por docena). Usar la menor cantidad de
recursos para producir Zappers, porque estos dejan una menor utilidad ($5 de
utilidad por docena).
Función objetivo:
Variables Max 8X1 + 5X2 (ganancia semanal)
X1 Cantidad de Sujeto a RESTRICCIONES:
Space a fabricar
2X1 + 1X2 <= 1200 (Cantidad de plástico)
X2 Cantidad de 3X1 + 4X2 <= 2400 (Tiempo de producción min.)
Zapper a fabricar X1 + X2 <= 800 (Limite producción total doc.)
X1 - X2 <= 450 (Producción en exceso)
X1 >= 0 , X2 >= 0 (Condición de no negatividad)
Región Factible acotada
X2 Max 8X1 + 5X2 (ganancia semanal)
Sujeto a RESTRICCIONES:
1200 3X1 + 4X2 <= 2400 (Tiempo de producción)
Cantidad de plástico: X1 + X2 <= 800 (Limite producción total)
2X1+X2<=1200 X1 - X2 <= 450 (Producción en exceso)
Xj >= 0 , j= 1, 2. (Resultados positivos)
Limite de producción:
X1+X2<=800
600 No Factible
Tiempo de Producción en exceso:

Producción X1-X2<=450
3X1+4X2<=2400 Factible
X1
600 800
Punto Inferior
Tipos de puntos de
Punto Extremo Punto Medio factibilidad
Determinación de la Región Factible
X2
1. Se resuelve cada
1200 inecuación por separado
Cantidad de plástico:
2. La RF está formada
2X1+X2<=1200
por la intersección o
Limite de producción: región común de todas
X1+X2<=800 las soluciones de todas
800 las inecuaciones
600
Producción en exceso:
X1 – X2<=450
Tiempo de (0) – X2 <= 450 entonces X2 = – 450
Producción
3X1+4X2<=2400
Factible X1 – (0) <= 450 entonces X1 = 450
3(0)+4X2<=2400 entonces X2 = 600 X1

3X1+4(0)<=2400 entonces X1 = 800450 600 800
2 (0) + X2 <= 1200 entonces X2 = 1200 (0) + X2 <= 800 entonces X2 = 800
2 X1 + (0) <= 1200 entonces X1 = 600 X1 + (0) <= 800 entonces X1 = 800
Las variables y WINQSB datos de entrada

los nombres de
las restricciones
para el problema de las
pueden ser industrias galaxia
cambiados aquí.
Click para
resolver
Las variables son
restringidas a >=0 Ningún límite
superior
 Resumen de la solución óptima

Space Rays = 480 docenas
Zappers = 240 docenas
Ganancia = $5040
* Esta solución utiliza todas las materias primas (plástico) y
todas las horas de producción.
* La producción total son 720 docenas (no 800).
* La producción de Space Rays excede a la de Zappers por
solo 240 docenas y no por 450.
 Soluciones óptimas y puntos extremos.

* Si un problema de programación lineal tiene una solución óptima,
entonces esta corresponde a un punto extremo.
 Múltiples soluciones óptimas.
* Cuando existen múltiples soluciones óptimas implica que la función
objetivo es una recta paralela a uno de los lados de la región factible.
* Cualquier promedio ponderado de la solución óptima es también una
solución óptima.
a. Formulación de dieta Una dieta debe contener al menos 16 unidades

de carbohidratos y 20 de proteínas. El alimento A contiene 2 unidades de
carbohidratos y 4 de proteínas; el alimento B contiene 2 unidades de
carbohidratos y 1 de proteínas. Si el alimento A cuesta $1.20 por unidad y
el B $0.80 por unidad, ¿Cuántas unidades de cada alimento deben
comprarse para minimizar el costo?¿cuál es el costo mínimo?
SOLUCIÓN MODELO MATEMÁTICO
Carbohidratos Proteínas Costos

Alimento A 2 4 1.2
Alimento B 2 1 0.80
Rendimiento 16 20
Variables de decisión
Sea X1 en Nº de unidades de alimentos A comprar
Sea X2 en Nº de unidades de alimentos B comprar
F.O costo min Z = 1.2 X1+0.8 X2
Restricciones
2X1+2X2 >= 16 requerimento mínimo de carbohidratos
4X1+1X2 >=20 requerimento mínimo de proteínas
X1, X2 >=0 condición de no negatividad
MÉTODO GRAFICO
Tabulando para cada una de las rectas, pues usted sabe que por dos puntos pasa una recta
L1: 2X1+2X2 = 16 L2: 4X1+1X2 =20
X1 X2 X1 X2
0 8 (0,8) 0 20 (0,20)
8 0 (8,0) 5 0 (5,0)
X2
20
L2: 4X1+1X2 >=20
La solución se Región Factible no acotada

encuentra en la
región factible
8
El punto extremo
es la solución
óptima
L1: 2X1+2X2 = 16
X1
5 8
b. Resolver gráficamente
max z  x1  x2 SOLUCIÓN MÚLTIPLE:
l1 : x1  x2  4 Despejando
Restricciones
x1  x2  4 x1  0  x2  4 tenemos (0,4)
x1  1 x2  0  x1  4 tenemos (4,0)
x2  2
Condición de l1 : x1  1 l2 : x2  2
no
negatividad
x , x2  0
1
X2
4 Payoff: 1 x1 + 1 x2 = 4
Tiene región
factible x2
2 : 0 x1 + 1 x2 = 2
Hay múltiples
solución óptima 1
: 1 x1 + 1 x2 = 4
: 1 x1 + 0 x2 = 1
0
0 1 2 3 4 x1 X1
Optimal Decisions(x1,x2): ( 2, 2) ( 4, 0)
: 1x1 + 1x2 <= 4
: 1x1 + 0x2 >= 1
: 0x1 + 1x2 <= 2
18
C. REGIÓN FACTIBLE VACÍA
El ejemplo siguiente ilustra una situación en la que no que existe solución óptima
max z  x1  x2 X2
Restricciones
x1  x2  4
12
x1  2 x2  2
x ,x 0
Condición de Payoff: 1 x1 + 1 x2 = 0
no
1
negatividad
2 6
4
: 1 x1 + 1 x2 = 4
No hay región : 1 x1 + 2 x2 = 2
factible 0 4 X1
0 10 20
No hay solución
óptima
: 1x1 + 1x2 >= 4
: 1x1 + 2x2 <= 2
D. SOLUCIÓN ÓPTIMA ÚNICA

max z  x1  x2 SOLUCIÓN: por dos puntos pasa una recta
l1 : 3x1  2 x2  6 tabulando si:
Restricciones
X2 x1  0  x2  3 tenemos (0,3)
3x1  2 x2  6 6 x2  0  x1  2 tenemos (2,0)
2 x1  4 x2  8 l2 : 2 x1  4 x2  8 tabulando si:
x1  0  x2  2 tenemos (0,2)
x ,x 0
Condición de
x2  0  x1  4 tenemos (4,0)
no
1
negatividad
2
3 : 3.0 x1 + 2.0 x2 = 6.0

La solución se
encuentra en la 2
Payoff: 1.0 x1 + 1.0 x2 = 2.5
región factible
El punto extremo : 2.0 x1 + 4.0 x2 = 8.0

es la solución X1
óptima 0 2 4
0 10
Optimal Decisions(x1,x2): ( 1.0, 1.5)

: 3.0x1 + 2.0x2 <= 6.0
: 2.0x1 + 4.0x2 <= 8.0
E.-Un fabricante de juguetes prepara un programa de producción para

dos nuevos juguetes, cosas y cositas, utilizando la información
concerniente a sus tiempos de producción dados en la tabla que sigue.
Por ejemplo, cada cosa requiere de 2 horas en la máquina A. Las
horas disponibles empleadas por semana son: Para operación de la
máquina A, 70 horas; para B, 40 horas; para terminado, 90 horas. Si
las utilidades en cada cosa y cada cosita son de $4 y $6,
respectivamente, ¿Cuántos de cada juguete debe producir por semana
con el fin de maximizar la utilidad? ¿Cuál sería la utilidad máxima?
Máquina A Máquina B Terminado
Cosa 2 horas 1 hora 1 hora
Cosita 1 hora 1 hora 3 horas
Variables de decisión:
X1 el numero de juguetes a producir del juguete cosa
X2 el número de juguetes a producir del juguete cosita
Función Objetivo Maximizar Z = 4 X1 + 6 x2
Restricciones:
2 X1 + 1 x2 <= 70
1 X1 + 1 x2 <= 40
1 X1 + 3 x2 <= 90 X1, X2 >=0 condición de no negatividad
Matriz
Máquina A Máquina B Terminado UTILIDADES.

Cosa 2 horas 1 hora 1 hora $4
Cosita 1 hora 1 hora 3 horas $6
Hrs disponibles sem. Hrs 70 Hrs 40 Hrs 90
Variables de decisión:
X1 el numero de juguetes a producir del juguete cosa
X2 el número de juguetes a producir del juguete cosita

Restricciones:
2 X1 + 1 x2 <= 70
1 X1 + 1 x2 <= 40
1 X1 + 3 x2 <= 90
X1, X2 >=0 condición de no negatividad

cosita
60
X2
54
2 X1 + 1 x2 <= 70
48
1 X1 + 1 x2 <= 40
1 X1 + 3 x2 <= 90
42
36 Respuesta:
Payoff: 4 x1 + 6 x2 = 210
Plan de producción x1=15 juguetes
30 cositas y X2 =25 juguetes cosas
25
Utilidad máxima= $210
24
18
12
: 1 x1 + 3 x2 = 90
6
: 1 x1 + 1 x2 = 40
0 : 2 x1 + 1 x2 = 70
X1
35
0 10 15 20 30 40 50 60 70 80
cosa
Optimal Decisions(x1,x2): ( 15, 25)
: 2x1 + 1x2 <= 70
: 1x1 + 1x2 <= 40
: 1x1 + 3x2 <= 90
F.O. Maximizar Z = 4 (15) + 6 (25) = 210
F.- En un almacén se guarda aceite girasol y de oliva. Para atender a

los clientes se han de tener almacenados un mínimo de 20 bidones de
aceite de girasol y 40 de aceite de oliva y, además, el número de
bidones de aceite de oliva no debe ser inferior a la mitad del número
de bidones de aceite girasol. La capacidad total de almacén es de 150
bidones. Sabiendo que el gasto de almacenaje es el mismo para los
dos tipos de aceite ( S/. 1) ¿Cuántos bidones de cada tipo habrá que
almacenar para que el gasto sea máximo?
Obs. Puede parecer algo absurdo maximizar los gastos, pero se ha
enunciado de esa forma que el ejemplo sea lo más completo posible.
Obj. Hallar cuántos bidones de cada tipo hay que almacenar para
maximizar los gastos.
A. Girasol A. Oliva Disponibilidad
Atención Cliente 1 20
Diferencia 1 1 >= 1/2
Capacidad Almacén 1 1 150
Maximizar Gasto S/.1 S/.1 Optimizar
A. Girasol A. Oliva Disponibilidad

Diferencia 1 1 >= 1/2
Capacidad Almacén 1 1 150
Maximizar Gasto S/.1 S/.1 Optimizar
Variables x La cantidad bidones de Girasol a almacenar
y La cantidad bidones de Oliva a almacenar
Función objetivo Max Z = f(x,y) = x + y
Restricciones
x >= 20 Un mínimo de 20 bid. de aceite girasol
y >= 40 Un mínimo de 40 bid. de aceite oliva
y >= x/2 El nro. de oliva no debe ser inferior a la mitad del nro. de girasol
x + y <= 150 capacidad del almacén
x, y >=0 condición de no negatividad

Oliva y
150
En la resolución de todo problema es
necesario criticar la solución y cerciorarse
de que la solución hallada es lógica y
Max Z = x + y correcta.
x >= 20 En este ejemplo, no todos los puntos que

y >= 40 se encuentran entre los PUNTOS
OPTIMOS MULTIPLES son soluciones
y >= x/2 válidas, ya que no podemos admitir
x + y <= 150 valores de x e y NO ENTEROS, lo que
Condición de 75 ocurriría en el punto ( 90.5, 59.5 )
no x, y >=0
negatividad
40
20
20 40 150x
Girasol
Graficador Programación Lineal

http://www.zweigmedia.com/MundoReal/LPGrapher/lpg.html
Programa para Resolver problemas de Programación Lineal

Usando el Algoritmo Simplex
http://soft.arquimedex.com/programacion_lineal.php
Método Gráfico
Es un algoritmo matemático que, gráficamente, resuelve
problemas de Programación Lineal de 2 variables únicamente.
Este procedimiento consta de cuatro pasos:
1. Graficar las restricciones.
2. Hallar la región factible (RF)
3. Graficar la Función Objetivo (FO)
4. Hallar la solución óptima en esa región.
Además cabe resaltar que la solución óptima siempre está
asociada a un punto de esquina de la región factible.
REGION FACTIBLE.- Es el conjunto de puntos que cumplen
todas las restricciones incluyendo la restricción de no
negatividad.
SOLUCION OPTIMA.-Es el punto o puntos que optimizan a la
Función Objetivo, es decir donde se halla el máximo o el
mínimo.
Región Factible
1. Graficar las restricciones
4. Hallar la solución óptima

3. Graficar la Función Objetivo
en esa región.
(FO)
2. Hallar la región factible (RF)

Ejercicio: El problema de la industria de

juguetes “Galaxia”
 Galaxia produce dos tipos de juguetes: * Space Ray * Zapper
Los recursos están limitados a:
* 1200 libras de plástico especial.
* 40 horas de producción semanalmente. RESTRICCIONES
Requerimientos de Marketing.
* La producción total no puede exceder de 800 docenas.
* El número de docenas de Space Rays no puede exceder al número de
docenas de Zappers por más de 450.
 Requerimientos Tecnológicos.
* Space Rays requiere 2 libras de plástico y 3 minutos de producción por docena.
* Zappers requiere 1 libra de plástico y 4 minutos de producción por docena.
 Plan común de producción para:
corresponde a Space Ray ($8 de utilidad por docena).
Usar la menor cantidad de recursos para producir Zappers, porque estos dejan una
menor utilidad ($5 de utilidad por docena).
El plan común de “Galaxia” para producción es:

Utilidad = $4900 por semana
El gerente siempre buscará un esquema
de producción que incrementre las
ganancias de su compañía.
EL MODELO DE PROGRAMACIÓN LINEAL PROVEE UNA
SOLUCIÓN INTELIGENTE PARA ESTE PROBLEMA
Solución
Variables de decisión
X1 = Cantidad producida de Space Rays (en docenas por semana).
X2 = Cantidad producida de Zappers (en docenas por semana).
Función objetivo
Maximizar la ganancia semanal.
Modelo de Programación Lineal
Método Grafico
Función objetivo:
Max 8X1 + 5X2 (ganancia semanal)
3X1 + 4X2 <= 2400 (Tiempo de producción min.)
X1 + X2 <= 800 (Limite producción total doc.)
X1 - X2 <= 450 (Producción en exceso)
Región Factible acotada
X2 Max 8X1 + 5X2 (ganancia semanal)
1200 3X1 + 4X2 <= 2400 (Tiempo de producción)
Cantidad de plástico: X1 + X2 <= 800 (Limite producción total)
2X1+X2<=1200 X1 - X2 <= 450 (Producción en exceso)
Limite de producción:
X1+X2<=800
600 No Factible
Tiempo de Producción en exceso:

Producción X1-X2<=450
3X1+4X2<=2400 Factible
X1
600 800
Punto Inferior
Tipos de puntos de
Punto Extremo Punto Medio factibilidad
Solución Básica
X2
1200
Solución básica degenerada
Solución básica factible
800 Solución Básica
600
Solución básica degenerada
Factible
X1
450 600 800

Propiedades de una Solución al Prob. P.L.

X2
1200
1ero. Hallar la región factible
2do. Hallar los puntos óptimos sobre la RF
Teorema 1. El conjunto de todas las

soluciones factibles al problema de P.L. es
800 un conjunto convexo
600 Teorema 2. La función objetivo alcanza su

máximo o mínimo en un punto extremo del
conjunto convexo.
Factible
X1
450 600 800

Determinación de la Región Factible
X2
1. Se resuelve cada
1200 inecuación por separado
Cantidad de plástico:
2. La RF está formada
2X1+X2<=1200
por la intersección o
Limite de producción: región común de todas
X1+X2<=800 las soluciones de todas
800 las inecuaciones
600
Producción en exceso:
X1 – X2<=450
Tiempo de (0) – X2 <= 450 entonces X2 = – 450
Producción
3X1+4X2<=2400
Factible X1 – (0) <= 450 entonces X1 = 450
3(0)+4X2<=2400 entonces X2 = 600 X1

3X1+4(0)<=2400 entonces X1 = 800450 600 800
2 (0) + X2 <= 1200 entonces X2 = 1200 (0) + X2 <= 800 entonces X2 = 800
2 X1 + (0) <= 1200 entonces X1 = 600 X1 + (0) <= 800 entonces X1 = 800
comenzar con una ganancia dada de = $2,000...

Entonces aumente la ganancia...
X2
1200
...y continúe hasta que salga de la región factible
Ganancia
Utilid. = $ 3,
4,=$5040
2,000
800
600
Factible
X1
450 600 800

X2
Método gráfico: Esquema práctico de
solución
1200
Se toma un valor cercano al
punto óptimo
800 Región No
Factible
600
Región
Feasible
region
Factible
X1
450 600 800
 Los efectos del cambios en un coeficiente de la

función objetivo, sobre la solución óptima
X2
1200 Max 8X1 + 5X2 (ganancia semanal)
Región No
800 Factible
600
Región
Factible
X1
450 600 800

 Los efectos del cambio de un coeficiente de la

función objetivo, sobre la solución óptima
X2
1200 Rango de optimalidad
800
600
Región
Factible
450 600 800 X1

 Conceptos de análisis de sensibilidad:

* Reducción de costos.
* Rango de optimalidad.
* Precios sombra.
* Rango de factibilidad.
* Holgura complementaria.
* Agregar restricciones/variables.
 Obtención de una solución por métodos compu-

tacionales:
* WINQSB
* EXCEL
* LINDO
 Resumen de la solución óptima

Ganancia = $5040
* Esta solución utiliza todas las materias primas (plástico) y
todas las horas de producción.
* La producción total son 720 docenas (no 800).
* La producción de Space Rays excede a la de Zappers por
solo 240 docenas y no por 450.
 Soluciones óptimas y puntos extremos.
* Si un problema de programación lineal tiene una solución óptima,
entonces esta corresponde a un punto extremo.
 Múltiples soluciones óptimas.
* Cuando existen múltiples soluciones óptimas implica que la función
objetivo es una recta paralela a uno de los lados de la región factible.
* Cualquier promedio ponderado de la solución óptima es también una
solución óptima.
Análisis de sensibilidad para la solución

óptima.
 ¿Es sensible la solución óptima a cambios en los
parámetros de entrada?
 Posibles razones para responder la pregunta

anterior:
*Los valores de los parámetros usados fueron los mejores
estimados.
*Medio ambiente por ser dinámico puede producir cambios.
*El análisis del “qué pasa si” puede proveer información
económica y operacional.
Análisis de sensibilidad de los

coeficientes de la función objetivo
Rango de optimalidad
La solución óptima permanecerá inalterable mientras:
•Un coeficiente de la función objetivo se encuentre dentro del rango
de optimalidad.
•No hay cambios en ningún otro parámetro.
El valor de la función objetivo cambiará si el coeficiente

multiplica una variable cuyo valor es distinto de cero.
 Cambios Múltìples
• El rango de optimalidad es válido cuando un único
coeficiente de la función objetivo cambia.
• Cuando cambia más de una variable se utiliza la regla del
100%.
 Regla del 100%

• Para cada aumento (disminución) en un coeficiente de la función
objetivo calcular (y expresar como un porcentaje) la relación de
cambio del coeficiente al máximo aumento posible (disminución)
determinada por los límites del rango de optimalidad.
• Sumar todos los cambios de porcentaje. Si el total es menor que

100%, la solución óptima no cambiará. Si este total es mayor
que 100%, la solución óptima puede cambiar.
 Reducción de costos
La reducción de costos de una variable a su cota inferior (comúnmente
cero) implica que:
– Los coeficientes de la función objetivo deben cambiar antes que la
variable pueda tomar un valor sobre la cota inferior.
– Con lo anterior la cantidad de ganancia óptima cambiará según las
variables aumentadas desde la cota inferior.
 Holgura complementaria
Existe holgura en la solución óptima, cuando cada variable está en su cota
inferior o el costo reducido es 0.
Método Simplex
Es un método algebraico general, que puede utilizarse para resolver
problemas de P.L. con un número muy grande de restricciones y variables.
Intervienen 3 o más variables de mayor complejidad.
Al igual que el método grafico , llega a la solución optima por medio de
iteraciones a pasos sucesivos. Este método es un algoritmo o conjunto de
instrucciones, con el cual se examinan los puntos en las esquinas de una
manera metódica hasta conseguir la mejor solución: la mayor utilidad o el
menor costo.
¿Cuál es la idea?
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 las aristas del poliedro. La búsqueda continúa hasta que la función
objetivo ya no admita mejoramiento.
Se basa en la propiedad: si la función objetivo, f, no toma su vañor
máximo en el vértice A, entonces hay una arista que parte de A, a los
largo de la cual f aumenta
Continuará ………
Título del tema
Inserte aquí el título o

gráfico que represente
al tema.
Orientaciones
Escriba aquí las

orientaciones que
sugiere al alumno.
Contenidos temáticos
Escriba aquí en forma

ordenada los Contenidos
Temáticos de la semana
de estudio.
Subtítulos del tema
Escriba aquí los subtítulos

del tema y que servirán
para darle ESTRUCTURA
al contenido de la
presentación.
Conclusiones y/o actividades de investigación

sugeridas
Escriba aquí las

conclusiones y/o
actividades de investigación
sugeridas.
¡Gracias!

Sem 3 Met Gráfico y Simplex Mod 2 2018-1

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Sem 3 Met Gráfico y Simplex Mod 2 2018-1

Caricato da

Copyright:

Formati disponibili

¡La universidad para todos!

¡La Universidad para todos!

Tema: MÉTODO GRAFICO Y METODO SIMPLEX

Escuela Profesional Periodo académico: 2018-1

Ejercicio: El problema de la industria de

Planteamiento de Modelo Matemático de PL

Tiempo de Producción en exceso:

3(0)+4X2<=2400 entonces X2 = 600 X1

Las variables y WINQSB datos de entrada

 Resumen de la solución óptima

 Soluciones óptimas y puntos extremos.

a. Formulación de dieta Una dieta debe contener al menos 16 unidades

Carbohidratos Proteínas Costos

F.O costo min Z = 1.2 X1+0.8 X2

L2: 4X1+1X2 >=20

La solución se Región Factible no acotada

D. SOLUCIÓN ÓPTIMA ÚNICA

3 : 3.0 x1 + 2.0 x2 = 6.0

El punto extremo : 2.0 x1 + 4.0 x2 = 8.0

Optimal Decisions(x1,x2): ( 1.0, 1.5)

E.-Un fabricante de juguetes prepara un programa de producción para

Máquina A Máquina B Terminado UTILIDADES.

Función Objetivo Maximizar Z = 4 X1 + 6 x2

X1, X2 >=0 condición de no negatividad

F.- En un almacén se guarda aceite girasol y de oliva. Para atender a

A. Girasol A. Oliva Disponibilidad

x, y >=0 condición de no negatividad

x >= 20 En este ejemplo, no todos los puntos que

Graficador Programación Lineal

Programa para Resolver problemas de Programación Lineal

1. Graficar las restricciones

4. Hallar la solución óptima

2. Hallar la región factible (RF)

Ejercicio: El problema de la industria de

El plan común de “Galaxia” para producción es:

Tiempo de Producción en exceso:

Solución básica factible

800 Solución Básica

Solución básica degenerada

450 600 800

Propiedades de una Solución al Prob. P.L.

Teorema 1. El conjunto de todas las

600 Teorema 2. La función objetivo alcanza su

450 600 800

3(0)+4X2<=2400 entonces X2 = 600 X1

comenzar con una ganancia dada de = $2,000...

450 600 800

 Los efectos del cambios en un coeficiente de la

450 600 800

 Los efectos del cambio de un coeficiente de la

450 600 800 X1

 Conceptos de análisis de sensibilidad:

 Obtención de una solución por métodos compu-

 Resumen de la solución óptima

Análisis de sensibilidad para la solución

 Posibles razones para responder la pregunta

Análisis de sensibilidad de los

El valor de la función objetivo cambiará si el coeficiente

 Regla del 100%

• Sumar todos los cambios de porcentaje. Si el total es menor que

Título del tema

Inserte aquí el título o

Escriba aquí las