2.2 PROGRAMACION LINEAL: METODOS DE SOLUCION

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamaño: px
Comenzar la demostración a partir de la página:

Download "2.2 PROGRAMACION LINEAL: METODOS DE SOLUCION"

Transcripción

1 2.2 PROGRAMACION LINEAL: METODOS DE SOLUCION 1. METODO GRAFICO 2. METODO SIMPLEX - ALGEBRAICO 3. METODO SIMPLEX - TABULAR 4. METODO SIMPLEX - MATRICIAL 1

2 2.2.1 METODO GRAFICO (modelos con 2 variables) 1. TRAZAR EN UN PLANO LAS RESTRICCIONES 2. IDENTIFICAR LA REGION FACTIBLE 3. TRAZAR LA DIRECCIóN DE MAX ASCENSO 4. IDENTIFICAR EL PUNTO OPTIMO NOTAS: - En modelos con 2 variables: - Una restricción de exacta igualdad se representa por una recta - Una restricción mayor igual ó menor igual divide el espacio de soluciones en dos semiplanos - La Región factible es el conjunto de puntos que satisfacen todas las restricciones - Los Vértices ocurren en la intersección de 2 ó mas restricciones - Los Vértices siempre estan localizados en la frontera de la region factible - Toda función lineal f(x 1,x 2,...) se puede expresar como el producto escalar del vector de coeficientes c = (c 1, c 2, ) y el vector de variables de decisión x = (x 1, x 2, ). Es decir f(x 1,x 2 ) = c 1 x 1 + c 2 x 2 = c x - La dirección de max ascenso sobre la función objetivo f es la dirección del vector c - El punto óptimo es aquel en la región factible asociado con el vector que tiene la mayor proyección sobre el vector c. - De existir, una solucion óptima de un modelo de PL siempre ocurre en un vértice de la región factible. 2

3 METODO GRAFICO Ejemplo: Máx X 1 + 2X 2 sa. 4X 1 + 2X X 1 + 3X 2 18 X 2 3 X 1, X 2 0 a) Determinar la solución óptima b) Deteminar las restricciones activas y las inactivas c) En el punto óptimo, determinar los valores de holgura y excedente para cada restricción d) Determinar las restricciones redundantes e) Determinar la solución óptima si la F.O. fuese Min f) Determinar la solución óptima si además la 2da restricción cambia a 3X 1 + 6X 2 18 g) Determinar la solución óptima si además la 1ra restricción cambia a X 1 + X 2 2 3

4 Modelo en forma estándar Máx X 1 + 2X 2 sa. 4X 1 + 2X 2 + S 1 = 16 3X 1 + 3X 2 - S 2 = 18 X 2 - S 3 = 3 X 1, X 2, S 1, S 2,S 3 0 La solución básica de un sistema de ecuaciones lineales de n por m, si existe, es una solución en la que se forza a que (n-m) variables tomen valor igual a cero. A las (n-m) variables forzadas a tomar valor igual a cero se les llama variables no básicas. El valor de las variables restantes resulta de resolver el sistema de ecuaciones lineales. A estas variables se les llama variables básicas. El máximo número de soluciones BASICAS es igual al número de parejas que se pueden formar con 5 variables: 5 5! = 10 2 = 2!(5 2)! Solución Variables Función objetivo Z Básica No. X 1 X 2 S 1 S 2 S No factible No factible No factible No factible No factible No factible No factible 4

5 2.2.2 ANÁLISIS POSTERIOR A LA RESOLUCIÓN Una vez resuelto un modelo de PL se debe distinguir entre: RESTRICCIONES ACTIVAS Son aquellas que se cumplen con exacta igualdad en la solución óptima RESTRICCIONES INACTIVAS Son aquellas que tiene holgura o excedente Las restricciones activas son las que impiden el obtener una solución mejor que la solución óptima ya encontrada RESTRICCIONES REDUNDANTES Son aquellas que de no estar presentes en el modelo, no modificarían la región factible ni la solución óptima. 5

6 MÉTODO GRÁFICO con 3 variables X X 1 4 X 2 6

7 2.2.3 CASOS ESPECIALES 1. MULTIPLES OPTIMOS (óptimos alternos) Una restricción es paralela a la función objetivo Máx -3X 1 + 6X 2 sa. 5X 1 + 7X X 1 + 2X 2 2 X 1, X SOLUCION OPTIMA ILIMITADA (no acotada) La región factible se extiende sin límites en alguna dirección Máx 2X 1 + X 2 sa. X 1 - X X 1 - X 2 40 X 1, X 2 0 (y si la función objetivo fuese Máx 2X X 2? ) 3. NO EXISTE SOLUCION (inconsistencia) No existe región factible Máx 3X 1 + 2X 2 sa. 2X 1 + X 2 2 3X 1 + 4X 2 12 X 1, X 2 0 7

8 2.2.4 ANÁLISIS GRÁFICO Sea la restricción : a 1 x 1 + a 2 x 2 b que se puede escribir como: x 2 b a 2 - a a1 2 x 1 y graficar como: X 2 b a 2 b a 1 X 1 Del gráfico se puede concluir que: 1. Si únicamente cambia el valor de b la recta se mueve paralelamente 2. Si sólo cambia el valor a 2 la recta rota girando alrededor de b a 1 3. Si sólo cambia el valor a 1 la recta rota girando alrededor de b a 2 8

9 EJERCICIO Considere el siguiente modelo de PL: Máx Z = 600 X X 2 s.a. 100 X X 2 21, X X 2 680,000 X 1 + X X X 2 6,000 X 1, X 2 0 a) Determine la solución óptima b) Determine las restricciones activas, inactivas y redundantes. c) Cuál es el cambio mínimo del lado derecho de cada restricción redundante que la convierte en restricción activa? d) El coeficiente de X 1 en la tercera restricción es igual a uno. Cual es el cambio mínimo de este coeficiente que la convertiría en activa? e) Suponga que el coeficiente de X 1 en la función objetivo cambiase mientras que el coeficiente de X 2 permanece inalterable. Cual es el cambio mínimo del coeficiente de X 1 que ocasiona que existan multiples optimos en la solución? 9

10 2.2.5 FORMA ESTANDARD (Se usa para resolver un modelo por medio del algoritmo Simplex) - Todas las variables son NO negativas - Los elementos del lado derecho de cada restricción son No negativos Si el lado derecho es negativo debe multiplicarse toda la restricción por (-1) invirtiendo el sentido de la desigualdad - Todas las restricciones se convierten a ecuaciones, agregando variables de holgura ó de excedente (excepto las restricciones de No negatividad) Si la restricción es del tipo se debe sumar una variable de holgura al lado izquierdo de la restricción Si la restricción es del tipo se debe restar una variable de excedente al lado izquierdo de la restricción EJEMPLO Modelo Original Modelo en Forma Estándar Min Z = 5x 1 + 2x 2 - x 3 Min Z = 5x 1-2x 2 - x 3 + 0s s 2 + 0s 3 sujeto a sujeto a -x 1 + x 2 - x x 1 - x 2 - x 3 + s 1 = 16 2x 1-2x x 1-2x 3 -s 2 = 30 x 1 + 2x 2-8 -x 1 + 2x 2 +s 3 = 8 x 1, x 3 0 x 2 0 x 1, x 2, x 3, s 1, s 2, s 3 0 El convertir el modelo a forma estándar aumenta el número de variables, manteniendo el número de restricciones. 10

11 EJEMPLO sujeto a Máx Z = 18.5x x x x x x x x x 1, x 2 0 este modelo tiene n = 2 variables de decisión y m = 3 restricciones (sin considerar las de no negatividad) Este modelo convertido a forma estándar es: sujeto a Máx Z = 18.5x x 2 + 0s 1 + 0s 2 + 0s x x 2 + s 1 = x x 2 +s 2 = x x 2 +s 3 = 2000 x 1, x 2, s 1, s 2, s 3 0 ahora el modelo tiene n = 5 variables y m = 3 restricciones Forma matricial de las restricciones del modelo en forma estándar: X X 2 = S x5 S 2 3x1 S 3 5x1 11

12 Al expresar un modelo en forma estándar se convierte el conjunto de restricciones de un modelo de programación lineal a un sistema de ecuaciones lineales simultáneas. Si denotamos por n el número de variables en el modelo en forma estándar y por m el número de restricciones, decimos que el modelo en forma estándar es de dimensiones n por m. Esto porque el modelo incluye m ecuaciones lineales simultaneas en n variables. Un sistema de ecuaciones lineales simultaneas de m por n puede tener solución o no. En general puede ocurrir uno de tres situaciones. Que el sistema 1. Tenga una solución única 2. Tenga infinitas soluciones 3. No tenga solución Si el sistema no tiene solución se dice que es un sistema inconsistente. En un modelo de programacion lineal en forma estándar siempre se cumple que m < n. Y salvo casos excepcionales, supondremos que el sistema de ecuaciones del modelo tendrá infinitas soluciones. Cada una de éstas corresponde a un punto de la región factible. DEFINICION Se denomina punto extremo de la región factible a aquel punto que no puede expresarse como una combinación lineal convexa de otros puntos en esta región. En términos sencillos un punto extremo se representa como un vértice de la región factible PROPOSICION La solución óptima de un modelo de programación lineal, si existe y no es ilimitada, siempre corresponde a un punto extremo de la región factible. Esta proposición es muy importante. Con base en ella, basta solo con tener un método que evalúe la función objetivo de un modelo de programacion lineal en los puntos extremos de la región factible. DEFINICION La solución básica de un sistema de ecuaciones lineales de n por m, si existe, es una solución en la que se forza a que (n-m) variables tomen valor igual a cero. A las (n-m) variables forzadas a tomar valor igual a cero se les llama variables no básicas. El valor de las variables restantes resulta de resolver el sistema de ecuaciones lineales. A estas variables se les llama variables básicas. 12

13 DEFINICION La solución básica de un sistema de ecuaciones lineales de n por m existe si al eliminar (n-m) variables el sistema resultante de m por m es consistente. Esta definición indica que al forzar a que (n-m) variables tomen valor igual a cero puede ocurrir que las m ecuaciones lineales resulten en un sistema sin solución (inconsistente). Por ejemplo en el siguiente sistema 2x x 2 + 3x 3 = 8 3x x 2 + 3x 3 = 17 si se consideran variable no basica a la variable x 3 entonces el sistema resultante mostrado no tiene solución. 2x x 2 = 8 3x x 2 = 17 DEFINICION La solución básica de un sistema de ecuaciones lineales de n por m se dice factible (y se denota por SBF) si todas las variables toman valor no negativo. En nuestro ejemplo: n-m = 5-3 = 2 variables S 2 = 0 X 1 = 14, S 3 = 0 X 2 = 10, Esta es una Solucion BASICA No Factible S 1 = Si: X 2 = 0 X 1 = 20,000 S 3 = 0 S 2 = 800 Esta es una Solución BASICA Factible S 1 = 100 Se llama BASE al conjunto de VARIABLES BASICAS. PROPOSICION Cada SBF de un modelo de programación lineal corresponde a un punto extremo de su región factible. Por tanto la solución optima de un modelo de programación lineal, si existe y no es ilimitada, correponde a una solución básica factible. En otras palabras, cada SOLUCION BASICA FACTIBLE representa un vértice de la región factible. 13

14 En el ejemplo, el máximo número de soluciones BASICAS es igual al número de parejas que se pueden formar con 5 variables: 5 5! = = !(5 2)! En general, el máximo número de soluciones BASICAS es igual al número de conjuntos de m elementos, que se pueden formar con n variables, es decir n m = n! m!( n m)! 14

15 SOLUCIONES BÁSICAS Solución Variables Función objetivo No. X 1 X 2 S 1 S 2 S 3 Z ,100 1,800 2,000 $ , No factible , ,100 $360, , ,200 0 No factible 5 36, ,600 No factible 6 20, $370, , No factible 8 8,000 14, $428, ,000 4, $413, , , No factible X 2 4 Máx Z = 18.5x x 2 40 sa. 0.05x x x x x x x 1, x Región 8 10 Factible X 1 15

16 EJEMPLO Considere el siguiente modelo de PL Máx Z= 5x 1-6x 2 +3x 3-5x 4 +12x 5 sujeto a x 1 + 3x 2 + 5x 3 +6x 4 +3x 5 90 x 1, x 2, x 3, x 4, x 5 0 a) Cuántas varibales básicas tiene? b) Cuántas soluciones básicas existen? c) Cuáles son las soluciones básicas? d) Cuál es la solución óptima? 16

17 Modelo en Forma Estándar Máx Z= 5x 1-6x 2 +3x 3-5x 4 +12x s sujeto a x 1 + 3x 2 + 5x 3 +6x 4 +3x 5 + s = 90 x 1, x 2, x 3, x 4, x 5, s 0 a) Cuántas variables básicas tiene? m = 1 variable básica b) Cuántas soluciones básicas existen? C m n = C 1 6 = 6 soluciones básicas c) Cuáles son las soluciones básicas? Sol.Bas X 1 X 2 X 3 X 4 X 5 S Z

18 2.2.6 METODO SIMPLEX (George Dantzig, 1947) Existen varias formas de resolver un modelo de programación lineal. El metodo mas comunmente usado es el metodo simplex. Este metodo encuentra la solución óptima de un modelo de PL, evaluando la función objetivo, en cada vértice de la región factible. METODOLOGIA Nótese que en modelos de dos variables en cualquier intersección de dos restricciones, hay dos variables que toman valor igual a cero. Por tanto para conocer el valor de las otras variables se debe resolver el sistema de m restricciones con m variables. Una manera sencilla de encontrar una SOLUCION BASICA FACTIBLE es identificar una matriz identidad en las restricciones del modelo escrito en forma estándar. Las variables asociadas con esta matriz identidad son las VARIABLES BASICAS X 1 X 2 S 1 S 2 S X X 2 = S x5 S 2 3x1 S 3 5x1 En cada paso del algoritmo se resuelven simultáneamente las m ecuaciones que conforman un vértice para identificarlo. Se verifica si el vértice es el óptimo, si no lo es, se pasa a otro vértice adyacente. El algoritmo asegura que en el siguiente vértice, la funcion objetivo no tendrá un valor peor que en el vértice anterior 18

19 METODO SIMPLEX -ALGEBRAICO PROCEDIMIENTO 1. Encontrar una Solucion Basica Factible inicial Expresando el modelo en forma estándar identificando las columnas de una matriz identidad de m x m. 2. Expresar las variables basicas y la funcion objetivo en funcion de las variables No basicas 3. Verificar Optimalidad La solución es óptima si: La función objetivo no puede mejorar de valor al incrementar el valor de cualquiera de las Variables No Basicas 4. Identificar Nuevas variables básica y No básica Nueva VB : la VNB que mejora más la función objetivo. Nueva VNB: la VB que se hace igual a 0 al tomar la nueva VB el máximo valor posible. 5. Regresar al paso 2. 19

20 EJEMPLO En forma original: En Forma estándar: Máx Z = 10x x 2 Máx Z = 10x x 2 + 0s 1 + 0s 2 sujeto a: sujeto a: 4x 1 + 6x x 1 + 6x 2 + 1s 1 + 0s 2 = 24 2x 1 + 6x x 1 + 6x 2 + 0s 1 + 1s 2 = 20 x 1, x 2 0 x 1, x 2, s 1, s 2 0 Inicio: Base (VB s) VNB s s 1 = 24 x 1 = 0 Z = 0 s 2 = 20 x 2 = 0 Expresar VB s y Z en función de VNB (del modelo en forma estándar ) S 1 = 24-4x 1-6x 2 S 2 = 20-2x 1-6x 2 (1) Z = x x 2 No estamos sobre el vértice óptimo! Variable que entra a la base es x 2 Variable que sale de la base es: S 1 = 24-6x 2 0 x 2 4 S 2 = 20-6x 2 0 x x 2 entra a la base con valor x 2 = ( s 2 = 0 es la variable que sale ) 20

21 1ra iteración: Base (VB s) VNB s s 1 = 4 x 1 = 0 Z = x 2 = 3.33 s 2 = 0 Expresar VB s y Z en función de VNB (comenzar de (1) ) X 2 = (20-2x 1 - s 2 ) / 6 = x s 2 S 1 = 24-4x 1-6 ( 1 / 6 (20-2x 1 - s 2 )) = 4-2x 1 + s 2 Z = x ( 1 / 6 (20-2x 1 - s 2 )) = x s 2 Variable que sale de la base es: No estamos sobre el vértice óptimo! Variable que entra a la base es x 1 X 2 = x 1 0 X 1 10 S 1 = 4-2x 1 0 X 1 2 x 1 entra a la base con valor x 1 = 2 ( s 1 = 0 es la variable que sale ) 21

22 2da iteración: Base (VB s) VNB s x 1 = 2 s 1 = 0 Z = x 2 = 2.66 s 2 = 0 Expresar VB s y Z en función de VNB X 1 = (4 + s 2 - s 1 ) / 2 = s 2-0.5s 1 X 2 = ( s 2-0.5s 1 )-0.16s 2 = s s 1 Z = ( s 2-0.5s 1 ) -2.33s 2 = s s 1 Variable que sale de la base: No estamos sobre el vértice óptimo! Variable que entra a la base es s 2 X 1 = s 2 0 s 2-4 X 2 = s 2 0 s 2 8 s 2 entra a la base con valor s 2 = 8 ( X 2 = 0 es la variable que sale ) 3ra iteración: Base (VB s) VNB s x 1 = 6 s 1 = 0 Z = 60 s 2 = 8 x 2 = 0 Expresar VB s y Z en función de VNB S 2 = ( x s 1 ) / 0.33 = 8-3x s 1 X 1 = (8-3x s 1 ) - 0.5s 1 = 6-1.5x s 1 Z = (8-3x s 1 ) s 1 = 60 - x s 1 estamos sobre el vértice óptimo! 22

23 METODO SIMPLEX - MATRICIAL El método simplex matricial se puede aplicar siguiendo los siguientes pasos 1. Encontrar una Solucion Basica Factible inicial Expresando el modelo en forma estándar identificando las columnas de una matriz identidad de m x m. (esto define a X B, C B y B) 2. Calcular B -1, B -1 b y B -1 N 3. Expresar X B y Z en función de las variables no básicas. X B = B -1 b - B -1 N X N Z = C B T B -1 b + [C N T - C B T B -1 N ] X N 4. Verificar la condición de optimalidad ([C N T - C B T B -1 N ] 0 para max Z) 5. Si la condición de optimalidad no se cumple se debe seleccionar la nueva variable básica NVB (aquella con el mejor valor en [C T N - C T B B -1 N] la nueva variable no básica (la que toma valor cero cuando la NVB toma el max valor posible) 23

24 METODO SIMPLEX -TABULAR PROCEDIMIENTO 1. Encontrar una Solucion Basica Factible inicial Convirtiendo las m restricciones en igualdades e identificando las columnas de una matriz identidad de m x m. 2. Construir la Tabla Inicial y verificar Optimalidad (ver paso 5) 3. Identificar Nuevas Variable Básica (NVB) y Nueva variable No Básica NVB : máx valor positivo de Cj - Zj (maximizacion) NVNB: dividir bj entre los coeficientes positivos de la columna de NVB. La NVNB se encuentra en el renglón que tiene el menor cociente. 4. Actualizar la Tabla - Identificar elemento Pivote - Nuevos valores en el renglón de NVB se obtienen al dividir el renglón que sale entre el pivote - Otros renglones se obtienen por: Nuevo renglon = Renglon anterior - [elemento en columna del pivote] x renglon de NVB - Calcular Zj como la suma de productos de C B por las tasas de sustitucion 5. Verificar Optimalidad (maximización) La base es óptima si todos los valores de Cj - Zj son cero o negativos. 6. Volver al paso 3 24

25 TABLA INICIAL En Forma estándar: Máx Z = 10x x 2 Máx Z = 10x x 2 + 0s 1 + 0s 2 sujeto a: sujeto a: 4x 1 + 6x x 1 + 6x 2 + 1s 1 + 0s 2 = 24 2x 1 + 6x x 1 + 6x 2 + 0s 1 + 1s 2 = 20 x 1, x 2 0 x 1, x 2, s 1, s 2 0 C j C B base b j X 1 X 2 S 1 S 2 0 S S Z j C j - Z j C j C B base b j X 1 X 2 S 1 S 2 0 S S Z j C j - Z j C j C B base b j X 1 X 2 S 1 S 2 0 S S Z j C j - Z j pivote cocientes la tabla no es óptima! x 2 entra a la base con valor x 2 = ( s 2 = 0 es la variable que sale ) 25

26 1ra iteración: C j C B base b j X 1 X 2 S 1 S 2 0 S 1 14 X Z j C j - Z j se divide el renglón del pivote entre él C j C B base b j X 1 X 2 S 1 S 2 0 S X Z j C j - Z j renglon anterior valor asociado -6 ( ) al pivote por el renglón actualizado del pivote C j C B base b j X 1 X 2 S 1 S 2 0 S X Z j C j - Z j pivote cocientes x 1 entra a la base con valor x 2 = 2 ( s 1 = 0 es la variable que sale ) 26

27 2da iteración: C j C B base b j X 1 X 2 S 1 S 2 10 X X 2 Z j C j - Z j se divide el renglon del pivote entre él C j C B base b j X 1 X 2 S 1 S 2 10 X X Z j C j - Z j renglon anterior valor asociado -.33( ) al pivote x renglón actualizado del pivote C j C B base b j X 1 X 2 S 1 S 2 10 X X Z j C j - Z j pivote S 2 entra a la base con valor S 2 = 8 (X 2 = 0 es la variable que sale ) 27

28 3ra iteración: C j C B base b j X 1 X 2 S 1 S 2 10 X 1 0 S Z j C j - Z j se divide el renglon del pivote entre él C j C B base b j X 1 X 2 S 1 S 2 10 X S Z j C j - Z j renglon anterior valor asociado +.5( ) al pivote x renglón actualizado del pivote C j C B base b j X 1 X 2 S 1 S 2 10 X S Z j C j - Z j Esta tabla es la óptima! 28

29 METODO SIMPLEX -TABULAR SIMPLIFICADO Para simplificar el procedimiento anterior se va a trabajar con una tabla más sencilla en la que en cada renglón se representa a las variables básicas y en cada columna se representa a las variables no básicas. En esta tabla las celdas sombreadas no se utilizan durante el procedimiento. C N BASE b j X N Valor de las C B X variables B básicas tasas de sustitución Z J C J - Z J Donde: X B = conjunto de nombres de las variables básicas X N = conjunto de nombres de las variables no básicas C B = vector de coeficientes de las variables básicas en la función objetivo C N = vector de coeficientes de las variables no básicas en la función objetivo b j = valor de las variables básicas El renglón marcado como Z j resulta de multiplicar cada valor en la columna C B por cada valor de la columna b j y por cada valor de la columna X N. El renglón marcado como Cj Zj resulta de restar cada valor en el renglon Zj de cada valor en el renglón C N. En cada iteración del procedimiento, una variable que reemplaza a otra ocupa el lugar que ésta tenía. 29

30 30

31 PROCEDIMIENTO 1. Encontrar una Solucion Basica Factible inicial Convirtiendo las m restricciones en igualdades e identificando las columnas de una matriz identidad de m x m. 2. Construir la Tabla Inicial y verificar Optimalidad (ver paso 5) 3. Identificar Nueva Variable Básica (NVB) y Nueva Variable No Básica (NVNB) NVB : aquella con el mayor valor positivo de Cj - Zj (maximizacion) ó aquella con el mayor valor negativo de Cj - Zj (minimizacion) NVNB: obtener cocientes al dividir bj entre los coeficientes positivos de la columna de NVB. La NVNB es aquella ubicada en el renglón con el menor cociente. 4. Actualizar la Tabla - Reemplazar el nombre de la columna de la NVB por el nombre de la NVNB - Identificar elemento Pivote - Invertir el valor númerico del Pivote - El renglón actualizado de NVB se obtiene al dividirlo entre el pivote - La columna actualizada de NVNB se obtiene al dividirla entre (-pivote) - Otros renglones se obtienen por: Nuevo renglon = Renglon anterior - [elemento en columna del pivote] x renglon de NVB - Calcular Zj como la suma de productos de C B por cada una de las columnas de la tabla. 5. Verificar Optimalidad Si el modelo es de maximización: La base es óptima si todos los valores de Cj - Zj son cero o negativos. Si el modelo es de minimización: La base es óptima si todos los valores de Cj - Zj son cero o positivos. 31

32 6. Volver al paso 3 32

33 EJEMPLO En Forma estándar: Máx Z = 10x x 2 Máx Z = 10x x 2 + 0s 1 + 0s 2 sujeto a: sujeto a: 4x 1 + 6x x 1 + 6x 2 + 1s 1 + 0s 2 = 24 2x 1 + 6x x 1 + 6x 2 + 0s 1 + 1s 2 = 20 x 1, x 2 0 x 1, x 2, s 1, s 2 0 C j C B base b j X 1 X 2 0 S S Z j C j - Z j C j C B base b j X 1 X 2 0 S S Z j C j - Z j C j C B base b j X 1 X 2 0 S S Z j C j - Z j pivote cocientes la tabla no es óptima! x 2 entra a la base con valor x 2 = ( s 2 = 0 es la variable que sale ) 33

34 1ra iteración: Primero se divide el renglon del pivote entre él C j 10 0 C B base b j X 1 S 2 0 S 1 14 X Z j C j - Z j C j 10 0 C B base b j X 1 S 2 0 S X Z j C j - Z j renglon anterior valor asociado -6 ( ) al pivote por el renglón actualizado del pivote C j 10 0 C B base b j X 1 S 2 0 S X Z j C j - Z j pivote cocientes x 1 entra a la base con valor x 2 = 2 ( s 1 = 0 es la variable que sale ) 34

35 2da iteración: Primero se divide el renglon del pivote entre él C j 0 0 C B base b j S 1 S 2 10 X X 2 Z j C j - Z j C j 0 0 C B base b j S 1 S 2 10 X X Z j C j - Z j renglon anterior valor asociado -.33( ) al pivote x renglón actualizado del pivote C j 0 0 C B base b j S 1 S 2 10 X X Z j C j - Z j pivote S 2 entra a la base con valor S 2 = 8 (X 2 = 0 es la variable que sale ) 35

36 3ra iteración: Primero se divide el renglon del pivote entre él C j 0 14 C B base b j S 1 X 2 10 X 1 0 S Z j C j - Z j C j 0 14 C B base b j S 1 X 2 10 X S Z j C j - Z j renglon anterior valor asociado +.5 (8-0.5 ) al pivote x renglón actualizado del pivote C j 0 14 C B base b j S 1 X 2 10 X S Z j C j - Z j Esta tabla es la óptima! 36

37 Ahora comparemos esta tabla óptima ya encontrada, con la solución del método SIMPLEX con matrices. Sean las variables básicas X 1 y S 2 entonces X B = [X 1 S 2 ] X N = [S 1 X 2 ] C B T = [10 0] C N T = [0 14] B = [4 0] N = [1 6] [2 1] [0 6] Determinamos B -1, B -1 N y B -1 b, B = 4(1) 0 (2) = 4 B -1 = [¼ 0] [-½ 1] B -1 N = [¼ 0] [1 6] = [ ¼ 3 / 2 ] [-½ 1] [0 6] [ -½ 3 ] B -1 b = [¼ 0] [24] = [6] [-½ 1] [20] [8] Y expresamos X B y Z en función de X N X B = [X 1 ] = [6] - [ ¼ 3 / 2 ] [S 1 ] = [ 6 - ¼S 1-3 / 2 X 2 ] [S 2 ] [8] [-½ 3 ] [X 2 ] [ 8 + ½S 1 3X 2 ] 37

38 Por tanto si comparamos ambas soluciones óptimas encontramos lo siguiente T C N BASE b j T X N C B X B B -1 b B -1 N Z J C B T B - C J - Z J 1 b C B T B -1 N C N T - C B T B -1 N Y ya sea de la tabla o de las operaciones matriciales podemos obtener X B = B -1 b B -1 N es decir Z = C N T - C B T B -1 N X 1 = 6 - ¼ S 1 3 / 2 X 2 S 2 = 8 + ½ S 1 3 X 2 Z = 60 5 / 2 S 1 X 2 Estas son expresiones de las variables básicas y de la variable de resultado en función de las variables no básicas. Los coeficientes de las variables no básicas en estas expresiones corresponden a los coeficientes de la matriz B -1 N y se les llama tasas de sustitución porque representan las tasas a las que una variable aumenta o disminuye cuando una variable no básica la reemplaza. Por ejemplo si X 2 toma valor unitario la variable X 1 debe reducir su valor en 1.5 unidades. 38

39 La condición de optimalidad para un modelo de PL del tipo maximizar, establece que si los coeficientes de [C N T - C B T B -1 N ] son todos negativos, como por ejemplo en Z = 60 5 / 2 S 1 X 2 entonces el aumentar de valor a una variable básica no mejorará el valor de la variable de resultado Z y por tanto la última solución básica encontrada es la óptima. Qué establecen las ecuaciones? Supongamos que la variable no básica X 2 incrementase su valor de 0 a 1. Entonces ocurrirían simultáneamente los siguiente La var. de respuesta Z aumentaría en 4 unidades (ya que Z = 10X X 2 ) La var. X 1 disminuiría en 1.5 unidades La var. S 2 disminuiría en 3 unidades La var. de respuesta Z disminuiría en 1.5(10) = 15 unidades El efecto neto en Z resultaría = -1. El método simplex matricial se puede aplicar siguiendo los siguientes pasos 6. Seleccionar un conjunto de variables básicas (la base). Esto define a X B. 7. Especificar las matrices C B T, C N T, B y N 8. Calcular B -1, B -1 b y B -1 N 9. Expresar X B y Z en función de las variables no básicas. 10. Verificar la condición de optimalidad ( [C N T - C B T B -1 N ] = 0 para max Z) 11. Si la condición de optimalidad no se cumple se debe seleccionar la nueva variable básica NVB (aquella con el mejor valor en C N T - C B T B -1 N) la nueva variable no básica (aquella que toma el valor cero cuando la NVB toma el max valor posible) 39

40 METODO SIMPLEX -CASOS ESPECIALES MULTIPLES OPTIMOS Ocurre si para una(s) variable(s) No Básica(s) 1. Cj - Zj =0 ; y 2. Existe alguna tasa de sustitución positiva en la tabla óptima MINIMIZACION 1. La regla para la variable que entra a la Base cambia: elegir la que tiene el valor Cj - Zj más negativo 2. La tabla óptima se identifica cuando todos los valores de Cj - Zj son cero o pósitivos. Alternativamente se puede multiplicar Z por (-1) 40

41 MODELOS CON RESTRICCIONES y = En los modelos con restricciones y =, al añadir variables de holgura o de excedente no obtenemos una solución básica factible inicial Para encontrar una, agregamos al modelo en forma estándar, VARIABLES ARTIFICIALES a cada restriccion de y =. Estas variables formarán parte de la base inicial Existen dos métodos para resolver modelos de PL con variables Artificiales: Método de las M Se asignan números negativos grandes "M" a los coeficientes de las variables artificiales en la función objetivo. (Maximizar) Si en la solución básica óptima existen variables artificiales con valor diferente de cero entonces el modelo de PL no tiene solución 41

42 EJEMPLO MÉTODO DE LAS Ms - Minimización - Todo tipo de restricción - Optimo en vértice degenerado Modelo Original: Min 4X 1 + X 2 sa. 3X 1 + X 2 = 3 4X 1 + 3X 2 6 X 1 + 2X 2 3 X 1, X 2 0 Modelo en forma estándar: Min 4X 1 + X 2 + 0S 1 + 0S 2 + MA 1 + MA 2 sa. 3X 1 + X 2 + A 1 = 3 4X 1 + 3X 2 - S 1 + A 2 = 6 X 1 + 2X 2 + S 2 = 3 X 1, X 2, S 1, S 2, A 1, A

43 Método de las 2 Fases Se divide la solución en dos etapas. En la primera etapa se resuelve el modelo de PL con f.objetivo (MIN ) igual a la suma de todas las variables artificiales. Como resultado de esta etapa, se encuentra una solución básica factible (SBF). En la segunda etapa se eliminan del modelo las variables artificiales, se restaura la f.o. original y se aplica el método simplex con la solución básica factible (SBF) encontrada en la primera etapa. NOTAS Si en la solución básica óptima de la primera etapa existen variables artificiales con valor diferente de cero entonces el modelo original de PL no tiene solución. Si en la solución básica óptima de la primera etapa existen variables artificiales con valor igual a cero entonces se deben intercambiar por variables no basicas que no sean artificiales (aun si el pivote resultase negativo). Esto con la intención que en la base no hayan variables artificiales. Si aun así, permanecen variables artificiales, entonces representan restricciones redundantes y a estas restricciones se las elimina del modelo. 43

44 EJEMPLO MÉTODO DE LAS DOS FASES - Minimización - Todo tipo de restricción - Optimo en vértice degenerado Modelo Original: Min 4X 1 + X 2 sa. 3X 1 + X 2 = 3 4X 1 + 3X 2 6 X 1 + 2X 2 3 X 1, X 2 0 Modelo en forma estándar para la primera fase Min A 1 + A 2 sa. 3X 1 + X 2 + A 1 = 3 4X 1 + 3X 2 - S 1 + A 2 = 6 X 1 + 2X 2 + S 2 = 3 X 1, X 2, S 1, S 2, A 1, A 2 0 Modelo en forma estándar para la segunda fase Min 4X 1 + X 2 + 0S 1 + 0S 2 sa. 3X 1 + X 2 = 3 4X 1 + 3X 2 - S 1 = 6 X 1 + 2X 2 + S 2 = 3 X 1, X 2, S 1, S 2, 0 44

45 EJEMPLO 2 MÉTODO DE LAS DOS FASES Modelo Original: Min 2X 1 + X 2 sa. X 1 + 2X 2 2 X 2 2 3X 1 + X 2 = 6 X 1, X 2 0 Modelo en forma estándar para la primera fase Min 0X 1 + 0X 2 + 0S 3 + 0S 4 + 0S 5 + A 6 sa. X 1 + 2X 2 + S 3 = 2 X 2 + S 4 = 2 3X 1 + X 2 - S 5 + A 6 = 6 X 1, X 2, S 3, S 4, S 5, A 6 0 Modelo en forma estándar para la segunda fase Min 2X 1 + X 2 + 0S 3 + 0S 4 + 0S 5 sa. X 1 + 2X 2 + S 3 = 2 X 2 + S 4 = 2 3X 1 + X 2 - S 5 = 6 X 1, X 2, S 3, S 4, S

46 Primera Fase: C j C B base b j X 1 X 2 S 5 0 S S A Z j C j - Z j C j C B base b j A 6 X 2 S 5 0 S / 3 5 / 3 1 / 3 0 S X / 3 1 / 3-1 / 3 Z j C j - Z j tabla optima! Segunda Fase: C j 1 0 C B base b j X 2 S 5 0 S / 3 1 / 3 0 S X / 3-1 / 3 Z j 4 2 / 3-2 / 3 C j - Z j 1 / 3 2 / 3 tabla optima! 46

47 METODO SIMPLEX - PROBLEMAS SIN SOLUCION 1. PROBLEMAS NO ACOTADOS - La región factible carece de frontera; y - La funcion objetivo puede ser mejorada sin límites En la tabla simplex se detecta cuando las tasas de sustitucion de la columna de la variable que debe entrar a la base tienen valor cero ó negativo. Por tanto no podria calcularse la siguiente base. 2. INCONSISTENCIA Cuando las restricciones identifican areas mutuamente exclusivas. No existe entonces un conjunto de valores para las variables de decisión que satisfaga simultaneamente todas las restricciones. En la tabla simplex se detecta cuando existen variables artificiales con valor diferente de cero en el óptimo PROBLEMAS DEGENERADOS Ocurre cuando un vertice está definido por "demasiadas" restricciones. En un caso No-degenerado: cada solucion Basica Factible tendría m variables basicas positivas diferentes de cero. En un caso Degenerado existen una ó mas variables en la base con valor cero. La degeneración puede ocurrir en cualquier vertice, no necesariamente en el vertice de la solución optima. La degeneracion no impide que exista solucion óptima. Optima 47

UNIVERSIDAD NACIONAL DE INGENIERÍA UNI RUACS ESTELI

UNIVERSIDAD NACIONAL DE INGENIERÍA UNI RUACS ESTELI Estelí, 13 de Agosto del 2012 EL METODO SIMPLEX El método simplex es el más generalizado para resolver problemas de programación lineal. Se puede utilizar para cualquier número razonable de productos y

Más detalles

EL MÉTODO SIMPLEX ALGEBRAICO: MINIMIZACION. M. En C. Eduardo Bustos Farías

EL MÉTODO SIMPLEX ALGEBRAICO: MINIMIZACION. M. En C. Eduardo Bustos Farías EL MÉTODO SIMPLEX ALGEBRAICO: MINIMIZACION M. En C. Eduardo Bustos Farías 1 Minimización El método simplex puede aplicarse a un problema de minimización si se modifican los pasos del algoritmo: 1. Se cambia

Más detalles

PASO 1: Poner el problema en forma estandar.

PASO 1: Poner el problema en forma estandar. MÉTODO DEL SIMPLEX PASO Poner el problema en forma estandar: La función objetivo se minimiza y las restricciones son de igualdad PASO 2 Encontrar una solución básica factible SBF PASO 3 Testar la optimalidad

Más detalles

Definición de problemas de programación lineal. Método gráfico. Método del SIMPLEX. Método de las dos fases. Análisis de sensibilidad y problema dual

Definición de problemas de programación lineal. Método gráfico. Método del SIMPLEX. Método de las dos fases. Análisis de sensibilidad y problema dual 7. Programación lineal y SIMPLEX Definición de problemas de programación lineal. Método gráfico. Método del SIMPLEX. Método de las dos fases. Análisis de sensibilidad y problema dual Programación Lineal

Más detalles

Contenido: Solución algebraica a los problemas de programación lineal con el método simplex.

Contenido: Solución algebraica a los problemas de programación lineal con el método simplex. Tema II: Programación Lineal Contenido: Solución algebraica a los problemas de programación lineal con el método simplex. Introducción El método simplex resuelve cualquier problema de PL con un conjunto

Más detalles

EL MÉTODO SIMPLEX ALGEBRAICO. M. En C. Eduardo Bustos Farías

EL MÉTODO SIMPLEX ALGEBRAICO. M. En C. Eduardo Bustos Farías EL MÉTODO SIMPLEX ALGEBRAICO M. En C. Eduardo Bustos Farías 1 EL METODO SIMPLEX Es un procedimiento general para resolver problemas de programación lineal. Fue desarrollado en el año de 1947 por George

Más detalles

Pasos en el Método Simplex

Pasos en el Método Simplex Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 20 El Método Simplex ICS 1102 Optimización Profesor : Claudio Seebach 16 de octubre de 2006

Más detalles

Ejemplo : PROGRAMACIÓN LINEAL

Ejemplo : PROGRAMACIÓN LINEAL PROGRAMACIÓN LINEAL Los problemas de Programación Lineal son aquellos donde se trata de encontrar el óptimo de una función, por ejemplo máximo de beneficios, o mínimo de costos, siendo esta función lineal.

Más detalles

4. Método Simplex de Programación Lineal

4. Método Simplex de Programación Lineal Temario Modelos y Optimización I 4. Método Simplex de Programación Lineal A- Resolución de problemas, no particulares, con representación gráfica. - Planteo ordenado de las inecuaciones. - Introducción

Más detalles

El Método Simplex. H. R. Alvarez A., Ph. D. 1

El Método Simplex. H. R. Alvarez A., Ph. D. 1 El Método Simplex H. R. Alvarez A., Ph. D. 1 El Método Simplex Desarrollado en 1947 por George Dantzig como parte de un proyecto para el Departamento de Defensa Se basa en la propiedad de la solución esquina

Más detalles

Universidad Tec Milenio: Profesional IO04001 Investigación de Operaciones I. Tema # 6. revisado

Universidad Tec Milenio: Profesional IO04001 Investigación de Operaciones I. Tema # 6. revisado IO04001 Investigación de Operaciones I Tema # 6 Introducción al método simplex matricial o revisado Objetivos de aprendizaje Al finalizar el tema serás capaz de: Emplear el Método simplex Matricial para

Más detalles

CLAVE: MIS 206 PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO

CLAVE: MIS 206 PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO MATEMÁTICAS AVANZADAS PARA LA INGENIERÍA EN SISTEMAS CLAVE: MIS 206 PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO 1 1. SISTEMAS LINEALES DISCRETOS Y CONTINUOS 1.1. Modelos matemáticos 1.2. Sistemas 1.3. Entrada

Más detalles

Tema II: Programación Lineal

Tema II: Programación Lineal Tema II: Programación Lineal Contenido: Solución a problemas de P.L. por el método gráfico. Objetivo: Al finalizar la clase los alumnos deben estar en capacidad de: Representar gráficamente la solución

Más detalles

Desarrollo de las condiciones de optimalidad y factibilidad. El problema lineal general se puede plantear como sigue:

Desarrollo de las condiciones de optimalidad y factibilidad. El problema lineal general se puede plantear como sigue: Método simplex modificado Los pasos iterativos del método simplex modificado o revisado son exactamente a los que seguimos con la tabla. La principal diferencia esá en que en este método se usa el algebra

Más detalles

EL MÉTODO SIMPLEX. los redondos. Por último, a los manteles rectangulares se les deben colocar cuatro esquineros de refuerzo.

EL MÉTODO SIMPLEX. los redondos. Por último, a los manteles rectangulares se les deben colocar cuatro esquineros de refuerzo. EL MÉTODO SIMPLEX Hasta ahora, la única forma que conocemos de resolver un problema de programación lineal, es el método gráfico. Este método es bastante engorroso cuando aumenta el número de restricciones

Más detalles

Programación Lineal. Unidad 1 Parte 2

Programación Lineal. Unidad 1 Parte 2 Programación Lineal Unidad 1 Parte 2 Para la mayoría de los problemas modelados con programación lineal, el método gráfico es claramente inútil para resolverlos, pero afortunadamente y gracias a la dedicación

Más detalles

METODO SIMPLEX ANALISIS DE SENSIBILIDAD Y DUALIDAD

METODO SIMPLEX ANALISIS DE SENSIBILIDAD Y DUALIDAD METODO SIMPLEX ANALISIS DE SENSIBILIDAD Y DUALIDAD Análisis de sensibilidad con la tabla simplex El análisis de sensibilidad para programas lineales implica el cálculo de intervalos para los coeficientes

Más detalles

(2.c) RESOLUCIÓN DE MODELOS LINEALES. ALGORITMO DEL SIMPLEX

(2.c) RESOLUCIÓN DE MODELOS LINEALES. ALGORITMO DEL SIMPLEX (2.c) RESOLUCIÓN DE MODELOS LINEALES. ALGORITMO DEL SIMPLEX FORMA CANÓNICA DE UN SISTEMA Ax = b Forma Standard y Base factible (repaso). Expresión de las v. básicas en función de las no básicas. Forma

Más detalles

UNIDAD UNO PROGRAMACIÓN LÍNEAL Parte 3

UNIDAD UNO PROGRAMACIÓN LÍNEAL Parte 3 UNIDAD UNO PROGRAMACIÓN LÍNEAL Parte 3 Matriz unitaria "I" de base con variables artificiales. Cuando el problema de programación lineal se expresa en la forma canónica de maximizar, las variables de holgura

Más detalles

Problemas de Programación Lineal: Método Simplex

Problemas de Programación Lineal: Método Simplex Problemas de Programación Lineal: Método Simplex Ej. (3.1) (C) Los siguientes Tableaux fueron obtenidos en el transcurso de la resolución de PL en los cuales había que maximizar una Función Objetivo con

Más detalles

315 M/R Versión 1 Integral 1/13 2009/1 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA

315 M/R Versión 1 Integral 1/13 2009/1 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA 35 M/R Versión Integral /3 29/ UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA MODELO DE RESPUESTA (VERSION.2) ASIGNATURA: Investigación de Operaciones I CÓDIGO: 35 MOMENTO: Prueba

Más detalles

SISTEMAS DE ECUACIONES LINEALES

SISTEMAS DE ECUACIONES LINEALES 1 SISTEMAS DE ECUACIONES LINEALES Una ecuación es un enunciado o proposición que plantea la igualdad de dos expresiones, donde al menos una de ellas contiene cantidades desconocidas llamadas variables

Más detalles

Programación Lineal. El método simplex

Programación Lineal. El método simplex Programación Lineal El método simplex El método simplex es una herramienta algebraica que permite localizar de manera eficiente el óptimo entre los puntos extremos de una solución a un problema de programación

Más detalles

PROGRAMACION ENTERA. M. en C. Héctor Martínez Rubin Celis 1

PROGRAMACION ENTERA. M. en C. Héctor Martínez Rubin Celis 1 M. en C. Héctor Martínez Rubin Celis PROGRAMACION ENTERA En muchos problemas prácticos, las variables de decisión son realistas únicamente si estas son enteras. Hombres, máquinas y vehículos deben ser

Más detalles

EJEMPLO DE SIMPLEX PARA PROBLEMA DE PROGRAMACIÓN LINEAL CASO DE MAXIMIZAR Prof.: MSc. Julio Rito Vargas Avilés

EJEMPLO DE SIMPLEX PARA PROBLEMA DE PROGRAMACIÓN LINEAL CASO DE MAXIMIZAR Prof.: MSc. Julio Rito Vargas Avilés EJEMPLO DE SIMPLEX PARA PROBLEMA DE PROGRAMACIÓN LINEAL CASO DE MAXIMIZAR Prof.: MSc. Julio Rito Vargas Avilés CONSTRUCCION DE LA TABLA INICIAL DEL MÉTODO SIMPLEX Una vez que el alumno ha adquirido la

Más detalles

La programación lineal hace referencia al uso eficiente o distribución de recursos limitados, para alcanzar unos objetivos determinados.

La programación lineal hace referencia al uso eficiente o distribución de recursos limitados, para alcanzar unos objetivos determinados. Programación lineal La programación lineal hace referencia al uso eficiente o distribución de recursos limitados, para alcanzar unos objetivos determinados. El nombre de programación no se refiere a la

Más detalles

MÉTODO SIMPLEX. PROFESORA: LILIANA DELGADO HIDALGO Estandarización Tradicional

MÉTODO SIMPLEX. PROFESORA: LILIANA DELGADO HIDALGO Estandarización Tradicional MÉTODO SIMPLE POFESOA: LILIANA DELGADO HIDALGO Lilianadelgado@correounivalleeduco Minimizar 4x + x Sueto a: x + x 4x + x 6 x + x 4 x, x Estandarización Tradicional Minimizar 4x + x Sueto a: x + x 4x +

Más detalles

3. Métodos clásicos de optimización lineal

3. Métodos clásicos de optimización lineal 3. Métodos clásicos de optimización lineal Uso del método Simplex El problema que pretende resolverse es un problema de optimización lineal sujeto a restricciones. Para el modelo construido para el problema

Más detalles

Lo que se hace entonces es introducir variables artificiales ADAPTACIÓN A OTRAS FORMAS DEL MODELO.

Lo que se hace entonces es introducir variables artificiales ADAPTACIÓN A OTRAS FORMAS DEL MODELO. Clase # 8 Hasta el momento sólo se han estudiado problemas en la forma estándar ADAPTACIÓN A OTRAS FORMAS DEL MODELO. Maximizar Z. Restricciones de la forma. Todas las variables no negativas. b i 0 para

Más detalles

Método Simplex: Encontrado una SBF

Método Simplex: Encontrado una SBF Método Simplex: Encontrado una SBF CCIR / Matemáticas euresti@itesm.mx CCIR / Matemáticas () Método Simplex: Encontrado una SBF euresti@itesm.mx 1 / 31 Determinación de SBF Determinación de SBF El método

Más detalles

MÉTODO SIMPLEX MÉTODO DE SOLUCIÓN GRÁFICO

MÉTODO SIMPLEX MÉTODO DE SOLUCIÓN GRÁFICO MÉTODO SIMPLEX MÉTODO DE SOLUCIÓN GRÁFICO Investigación de Operaciones 1 Introducción a la Programación Lineal Un modelo de programación lineal busca maximizar o minimizar una función lineal, sujeta a

Más detalles

Tema 3: El Método Simplex. Algoritmo de las Dos Fases.

Tema 3: El Método Simplex. Algoritmo de las Dos Fases. Tema 3: El Método Simplex Algoritmo de las Dos Fases 31 Motivación Gráfica del método Simplex 32 El método Simplex 33 El método Simplex en Formato Tabla 34 Casos especiales en la aplicación del algoritmo

Más detalles

En el siguiente capítulo se hará un repaso de algunas propiedades básicas de conjuntos convexos, para después explicar el método simplex.

En el siguiente capítulo se hará un repaso de algunas propiedades básicas de conjuntos convexos, para después explicar el método simplex. Capitulo 2 Método Simplex Para explicar el método de generación de columnas se explicaran a continuación conceptos básicos de la programación lineal y el método simplex. En especial, el concepto de costo

Más detalles

Si el objetivo es maximizar, entonces se tiene la forma estándar de maximización y, si el objetivo es minimizar, la forma estándar de minimización.

Si el objetivo es maximizar, entonces se tiene la forma estándar de maximización y, si el objetivo es minimizar, la forma estándar de minimización. Tema El método simplex Los modelos lineales con dos o tres variables se pueden resolver gráficamente. En el Tema hemos visto la solución gráfica de modelos lineales de dos variables. Sin embargo, este

Más detalles

Universidad Tec Milenio: Profesional HG04002 Análisis de Decisiones I

Universidad Tec Milenio: Profesional HG04002 Análisis de Decisiones I Tema # 10 El método de las M s como solución de problemas de programación lineal 1 Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Resolver modelos de programación lineal mediante

Más detalles

DUALIDAD EN PROGRAMACION LINEAL

DUALIDAD EN PROGRAMACION LINEAL DUALIDAD EN PROGRAMACION LINEAL Relaciones primal-dual Asociado a cada problema lineal existe otro problema de programación lineal denominado problema dual (PD), que posee importantes propiedades y relaciones

Más detalles

PROBLEMAS de Programación Lineal : Resolución Gráfica

PROBLEMAS de Programación Lineal : Resolución Gráfica PROBLEMAS de Programación Lineal : Resolución Gráfica Ej. (1.1) Mostrar gráficamente porque los 2 PL siguientes no tienen una Solución Optima y explicar la diferencia entre los dos. (C) (A) Max z = 2x

Más detalles

METODO SIMPLEX NOTAS DE CLASE: INVESTIGACIÓN DE OPERACIONES I UNIVERSIDAD CENTRAL PROFESOR CARLOS DÍAZ. Max Z= 12X 1 + 15X 2

METODO SIMPLEX NOTAS DE CLASE: INVESTIGACIÓN DE OPERACIONES I UNIVERSIDAD CENTRAL PROFESOR CARLOS DÍAZ. Max Z= 12X 1 + 15X 2 METODO SIMPLEX NOTAS DE CLASE: INVESTIGACIÓN DE OPERACIONES I UNIVERSIDAD CENTRAL PROFESOR CARLOS DÍAZ Max Z= 12X 1 + 15X 2 Sujeto a: 2X 1 + X 2

Más detalles

6.2 OBSERVACIONES IMPORTANTES AL UTILIZAR MÉTODO SIMPLEX

6.2 OBSERVACIONES IMPORTANTES AL UTILIZAR MÉTODO SIMPLEX 6. MÉTODO SIMPLEX El Método Simplex es un método analítico de solución de problemas de programación lineal capaz de resolver modelos más complejos que los resueltos mediante el método gráfico sin restricción

Más detalles

Módulo Programación lineal. 3 Medio Diferenciado

Módulo Programación lineal. 3 Medio Diferenciado Módulo Programación lineal 3 Medio Diferenciado Profesor: Galo Páez Nombre: Curso :. Sabemos que una ecuación lineal de dos variables tiene la forma con ó y representa siempre una recta en el plano. Ahora

Más detalles

INDICE Parte I Inducción a la programación lineal Capitulo 1 Origen y definición de la programación lineal Capitulo 2 Modelación y formulación

INDICE Parte I Inducción a la programación lineal Capitulo 1 Origen y definición de la programación lineal Capitulo 2 Modelación y formulación INDICE Parte I Inducción a la programación lineal Capitulo 1 Origen y definición de la programación lineal 3 Introducción 1 1.1 Concepto de solución óptima 4 1.2 Investigación de operaciones 6 1.2.1 Evolución

Más detalles

PROGRAMACIÓN LINEAL. 1. Introducción

PROGRAMACIÓN LINEAL. 1. Introducción PROGRAMACIÓN LINEAL 1. Introducción La programación lineal es una técnica matemática relativamente reciente (siglo XX), que consiste en una serie de métodos y procedimientos que permiten resolver problemas

Más detalles

Dirección de Operaciones. SESIÓN # 5: El método simplex. Segunda parte.

Dirección de Operaciones. SESIÓN # 5: El método simplex. Segunda parte. Dirección de Operaciones SESIÓN # 5: El método simplex. Segunda parte. Contextualización Qué más hay que conocer del método simplex? En la sesión anterior dimos inicio a la explicación del método simplex.

Más detalles

Por Sustitución: y= 2x+6 x + 3 (2x+6) = 4 x + 6x + 18 = 4 7x = -14 x= -2 y=2 (-2)+6 y=2. Por Igualación: 6x+18=4-x 7x=-14 x= -2 y=2 (-2)+6 y=2

Por Sustitución: y= 2x+6 x + 3 (2x+6) = 4 x + 6x + 18 = 4 7x = -14 x= -2 y=2 (-2)+6 y=2. Por Igualación: 6x+18=4-x 7x=-14 x= -2 y=2 (-2)+6 y=2 Tema 5: Sistemas de Ecuaciones y de Inecuaciones. Programación lineal. 5.1 Sistemas de dos ecuaciones con dos incógnitas. Un sistema de dos ecuaciones con dos incógnitas es de la forma: Un par de valores

Más detalles

Instituto tecnológico de Minatitlán. Investigación de operaciones Ing. Erika Lissette Minaya mortera Unidad 3: programación no lineal

Instituto tecnológico de Minatitlán. Investigación de operaciones Ing. Erika Lissette Minaya mortera Unidad 3: programación no lineal Instituto tecnológico de Minatitlán Investigación de operaciones Ing. Erika Lissette Minaya mortera Unidad 3: programación no lineal Alejandra de la cruz francisco Ingeniería en sistemas computacionales

Más detalles

PROBLEMAS PROGRAMACIÓN LINEAL CONTINUA

PROBLEMAS PROGRAMACIÓN LINEAL CONTINUA PROBLEMAS PROGRAMACIÓN LINEAL CONTINUA 1. Sea el problema: Max. 3 x 1 + 4 x 2 + 2 x 3 + x 4 s.a. 4 x 1 + 3 x 2 + 4 x 3 + x 4 5 2 x 1 + x 2 + 5 x 3 + 2 x 4 6 x 1 6, 0 x 2 3, x 3 libre, x 4 0 a) Ponerlo

Más detalles

Con miras a conocer la metodología que se aplica en el Método SIMPLEX, tenemos a continiacion un ejemplo:

Con miras a conocer la metodología que se aplica en el Método SIMPLEX, tenemos a continiacion un ejemplo: Método Simplex. Este método fue creado en el año 1947 por el estadounidense George Bernard Dantzig y el ruso Leonid Vitalievich Kantorovich, con el objetivo de crear un algoritmo capaz de crear soluciones

Más detalles

Polinomios. 1.- Funciones cuadráticas

Polinomios. 1.- Funciones cuadráticas Polinomios 1.- Funciones cuadráticas Definición 1 (Función polinomial) Sea n un entero no negativo y sean a n, a n 1,..., a, a 1, a 0 número s reales con a n 0. La función se denomina función polinomial

Más detalles

MÉTODO SIMPLEX MÉTODO DE SOLUCIÓN GRÁFICO. M. En C. Eduardo Bustos Farías

MÉTODO SIMPLEX MÉTODO DE SOLUCIÓN GRÁFICO. M. En C. Eduardo Bustos Farías MÉTODO SIMPLEX MÉTODO DE SOLUCIÓN GRÁFICO M. En C. Eduardo Bustos Farías 1 Introducción a la Programación Lineal Un modelo de programación lineal busca maximizar o minimizar una función lineal, sujeta

Más detalles

Resolución. Resolución gráfica de problemas de optimización

Resolución. Resolución gráfica de problemas de optimización Resolución de problemas de optimización Para resolver mente un problema de optimización como éste empezamos representando sus restricciones con igualdad. (0, 4) (0, 4) (4, 0) Para resolver mente un problema

Más detalles

4. Métodos de Solución PPL : Solución Algebraica: METODO SIMPLEX Primera Parte

4. Métodos de Solución PPL : Solución Algebraica: METODO SIMPLEX Primera Parte 4. Métodos de Solución PPL : Solución Algebraica: METODO SIMPLEX Primera Parte Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co En PL un sistema de producción se representa

Más detalles

Tema 3. El metodo del Simplex.

Tema 3. El metodo del Simplex. Tema 3. El metodo del Simplex. M a Luisa Carpente Rodrguez Departamento de Matematicas.L. Carpente (Departamento de Matematicas) El metodo del Simplex 2008 1 / 28 Objetivos 1 Conocer el funcionamiento

Más detalles

PREPARANDO EL MODELO PARA ADAPTARLO AL MÉTODO SIMPLEX. a21 x1 + a22 x2 +... + a2n xn = b2... am1 x1 + am2 x2 +... + amn xn = bm x1,...

PREPARANDO EL MODELO PARA ADAPTARLO AL MÉTODO SIMPLEX. a21 x1 + a22 x2 +... + a2n xn = b2... am1 x1 + am2 x2 +... + amn xn = bm x1,... El método Simplex 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

Más detalles

Ejercicio 1: Realiza las siguientes divisiones por el método tradicional y por Ruffini: a)

Ejercicio 1: Realiza las siguientes divisiones por el método tradicional y por Ruffini: a) Tema 2: Ecuaciones, Sistemas e Inecuaciones. 2.1 División de polinomios. Regla de Ruffini. Polinomio: Expresión algebraica formada por la suma y/o resta de varios monomios. Terminología: o Grado del polinomio:

Más detalles

Introducción a la programación lineal

Introducción a la programación lineal Introducción a la programación lineal La programación lineal se aplica a modelos de optimización en los que las funciones objetivo y restricción son estrictamente lineales. La técnica se aplica en una

Más detalles

TEMA III MÉTODO SIMPLEX. CONCEPTOS BÁSICOS

TEMA III MÉTODO SIMPLEX. CONCEPTOS BÁSICOS TEMA III MÉTODO SIMPLE. CONCEPTOS BÁSICOS MÉTODOS CUANTITATIVOS I TEMA III. MÉTODO SIMPLE. CONCEPTOS BÁSICOS INDICE.- FACTORES PRODUCTIVOS (A i )....- VECTOR EISTENCIAS (P o )....- TÉCNICA... 4.- PROCESO

Más detalles

El método simplex 1. 1 Forma estándar y cambios en el modelo. 2 Definiciones. 3 Puntos extremos y soluciones factibles básicas. 4 El método simplex.

El método simplex 1. 1 Forma estándar y cambios en el modelo. 2 Definiciones. 3 Puntos extremos y soluciones factibles básicas. 4 El método simplex. El método simplex Forma estándar y cambios en el modelo. Definiciones. Puntos extremos y soluciones factibles básicas. 4 El método simplex. Definiciones y notación. Teoremas. Solución factible básica inicial.

Más detalles

IN Guía de Problemas Resueltos de Geometría de Programación Lineal v1.0

IN Guía de Problemas Resueltos de Geometría de Programación Lineal v1.0 IN3701 - Guía de Problemas Resueltos de Geometría de Programación Lineal v1.0 Acá va una pequeña guía con problemas resueltos de Geometría en Programación Lineal con problemas básicamente extraídos del

Más detalles

TEMA N 2 RECTAS EN EL PLANO

TEMA N 2 RECTAS EN EL PLANO 2.1 Distancia entre dos puntos1 TEMA N 2 RECTAS EN EL PLANO Sean P 1 (x 1, y 1 ) y P 2 (x 2, y 2 ) dos puntos en el plano. La distancia entre los puntos P 1 y P 2 denotada por d = esta dada por: (1) Demostración

Más detalles

PROGRAMACIÓN LINEAL ENTERA

PROGRAMACIÓN LINEAL ENTERA PROGRAMACIÓN LINEAL ENTERA Programación lineal: hipótesis de perfecta divisibilidad Así pues decimos que un problema es de programación lineal entera, cuando prescindiendo de las condiciones de integridad,

Más detalles

TEMA 3: EL MÉTODO SIMPLEX

TEMA 3: EL MÉTODO SIMPLEX TEMA 3: EL MÉTODO SIMPLEX El uso de este procedimiento gráfico para resolver problemas de PL queda limitado a problemas con dos variables de decisión, de manera que el problema pueda representarse en un

Más detalles

3.1 ESPACIO DE SOLUCIONES EN FORMA DE ECUACIÓN

3.1 ESPACIO DE SOLUCIONES EN FORMA DE ECUACIÓN El método símplex El método gráfico del capítulo 2 indica que la solución óptima de un programa lineal siempre está asociada con un punto esquina del espacio de soluciones. Este resultado es la clave del

Más detalles

Sistemas de Ecuaciones Lineales

Sistemas de Ecuaciones Lineales Sistemas de Ecuaciones Lineales 1 Sistemas de ecuaciones y matrices Definición 1 Una ecuación lineal en las variables x 1, x 2,..., x n es una ecuación de la forma con a 1, a 2... y b números reales. a

Más detalles

UNIDAD 4.- INECUACIONES Y SISTEMAS (tema 4 del libro)

UNIDAD 4.- INECUACIONES Y SISTEMAS (tema 4 del libro) UNIDAD 4. INECUACIONES Y SISTEMAS (tema 4 del libro) 1. INECUACIONES DE PRIMER GRADO CON UNA INCÓGNITA Definición: Se llama desigualdad a toda relación entre epresiones numéricas o algebraicas unidas por

Más detalles

CAPÍTULO 3: DETERMINANTES Y SISTEMAS DE ECUACIONES

CAPÍTULO 3: DETERMINANTES Y SISTEMAS DE ECUACIONES CAPÍTULO 3: DETERMINANTES Y SISTEMAS DE ECUACIONES Parte A: determinantes. A.1- Definición. Por simplificar, consideraremos que a cada matriz cuadrada se le asocia un número llamado determinante que se

Más detalles

2.- Sistemas de ecuaciones Lineales

2.- Sistemas de ecuaciones Lineales .- Sistemas de ecuaciones Lineales..- Definición, Clasificación de los sistemas lineales y tipos de solución. Definición Una ecuación lineal con las variables escribirse en la forma,..., n es una ecuación

Más detalles

Programación Lineal y Optimización Primer Examen Parcial :Solución Profr. Eduardo Uresti, Enero-Mayo 2011

Programación Lineal y Optimización Primer Examen Parcial :Solución Profr. Eduardo Uresti, Enero-Mayo 2011 Programación Lineal y Optimización Primer Examen Parcial : Profr. Eduardo Uresti, Enero-Mayo 2011 Matrícula: Nombre: 1. Una pequeña empresa fabrica sustancias de dos tipos a partir de tres materias primas,

Más detalles

euresti@itesm.mx Matemáticas

euresti@itesm.mx Matemáticas al Método al Método Matemáticas al Método En esta lectura daremos una introducción al método desarrollado por George Bernard Dantzig (8 de noviembre de 1914-13 de mayo de 2005) en 1947. Este método se

Más detalles

CONVEXIDAD: CONCEPTOS BÁSICOS

CONVEXIDAD: CONCEPTOS BÁSICOS CONVEXIDAD: CONCEPTOS BÁSICOS El estudio de la convexidad de conjuntos y funciones, tiene especial relevancia a la hora de la búsqueda de los óptimos de las funciones, así como en el desarrollo de los

Más detalles

3.2 DIVIDIR UN POLINOMIO POR x a. REGLA DE RUFFINI

3.2 DIVIDIR UN POLINOMIO POR x a. REGLA DE RUFFINI TEMA 3 ÁLGEBRA MATEMÁTICAS CCSSI 1º BACH 1 TEMA 3 ÁLGEBRA 3.1 DIVISIÓN DE POLINOMIOS COCIENTE DE MONOMIOS El cociente de un monomio por otro monomio de grado inferior es un nuevo monomio cuyo grado es

Más detalles

Universidad Nacional de Ingeniería Sede: UNI-Norte Investigación de Operaciones I

Universidad Nacional de Ingeniería Sede: UNI-Norte Investigación de Operaciones I Universidad acional de Ingeniería Sede: UI-orte Investigación de Operaciones I Método Simple Revisado Ejemplo. Resolver el siguiente problema de P.L. s. a: Ma, z 6 Para resolver por el método simple revisado,

Más detalles

PLs no acotados El método símplex en dos fases PLs no factibles. Investigación Operativa, Grado en Estadística y Empresa, 2011/12

PLs no acotados El método símplex en dos fases PLs no factibles. Investigación Operativa, Grado en Estadística y Empresa, 2011/12 PLs no acotados El método símplex en dos fases PLs no factibles Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema PLs no acotados Necesidad de obtener un vértice

Más detalles

Lección 1. Algoritmos y conceptos básicos.

Lección 1. Algoritmos y conceptos básicos. Página 1 de 8 Lección 1. Algoritmos y conceptos básicos. Objetivos. La primera lección del curs está dedicada a repasar los conceptos y algoritmos del álgebra lineal, básicos para el estudio de la geometría

Más detalles

Optimización lineal con R José R. Berrendero

Optimización lineal con R José R. Berrendero Optimización lineal con R José R. Berrendero Introducción Veamos cómo se pueden resolver problemas de optimización lineal con R a través de algunos ejemplos sencillos. La mayor parte de las funciones necesarias

Más detalles

Tema # 7. método simplex matricial o revisado

Tema # 7. método simplex matricial o revisado IO04001 Investigación de Operaciones I Tema # 7 Solución de problemas mediante el método simplex matricial o revisado Objetivos de aprendizaje Al finalizar el tema serás capaz de: Emplear el Método simplex

Más detalles

Vectores y Matrices. Tema 3: Repaso de Álgebra Lineal Parte I. Contenidos

Vectores y Matrices. Tema 3: Repaso de Álgebra Lineal Parte I. Contenidos Tema 3: Repaso de Álgebra Lineal Parte I Virginia Mazzone Contenidos Vectores y Matrices Bases y Ortonormailizaciòn Norma de Vectores Ecuaciones Lineales Algenraicas Ejercicios Vectores y Matrices Los

Más detalles

Matrices escalonadas y escalonadas reducidas

Matrices escalonadas y escalonadas reducidas Matrices escalonadas y escalonadas reducidas Objetivos. Estudiar las definiciones formales de matrices escalonadas y escalonadas reducidas. Comprender qué importancia tienen estas matrices para resolver

Más detalles

Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Investigación de Operaciones

Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Investigación de Operaciones Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Investigación de Operaciones Profesor: MSc. Julio Rito Vargas Avilés. Estudiantes: FAREM-Carazo Unidad III Metodologías para la Solución

Más detalles

Sistemas de ecuaciones lineales

Sistemas de ecuaciones lineales Sistemas de ecuaciones lineales Este tema resulta fundamental en la mayoría de las disciplinas, ya que son muchos los problemas científicos y de la vida cotidiana que requieren resolver simultáneamente

Más detalles

Sistemas de Ecuaciones Lineales

Sistemas de Ecuaciones Lineales Sistemas de Ecuaciones Lineales El sistema de ecuaciones lineales como modelo matemático de problemas Los sistemas de ecuaciones lineales permiten el planteamiento de problemas y soluciones que toman en

Más detalles

El Método de Gauss. Hallar el conjunto solución del siguiente sistema de ecuaciones. (1.1)

El Método de Gauss. Hallar el conjunto solución del siguiente sistema de ecuaciones. (1.1) El Método de Gauss. Hallar el conjunto solución del siguiente sistema de ecuaciones. x + 5y + z = x y + z = 8 x + y = 10 (1.1) Una manera de resolver este problema consiste en aplicar el método de reducción

Más detalles

Algebra lineal y conjuntos convexos

Algebra lineal y conjuntos convexos Apéndice A Algebra lineal y conjuntos convexos El método simplex que se describirá en el Tema 2 es de naturaleza algebraica y consiste en calcular soluciones de sistemas de ecuaciones lineales y determinar

Más detalles

TRANSFORMACIONES DE f (x) = x 2 9.1.1 9.1.2. Ejemplo 1

TRANSFORMACIONES DE f (x) = x 2 9.1.1 9.1.2. Ejemplo 1 Capítulo 9 TRANSFORMACIONES DE f () = 2 9.1.1 9.1.2 A fin de lograr un buen dominio de la modelación de datos relaciones en situaciones cotidianas, los alumnos deben ser capaces de reconocer transformar

Más detalles

Capítulo 10. Ecuaciones y desigualdades

Capítulo 10. Ecuaciones y desigualdades Capítulo 10 Ecuaciones y desigualdades Desigualdades lineales simultáneas con dos variables Un conjunto de dos o más desigualdades de las formas ax+by+c> 0 o ax+by+c

Más detalles

Un sistema de inecuaciones lineales con una incógnita es el conjunto formado por dos o más inecuaciones lineales de la forma:

Un sistema de inecuaciones lineales con una incógnita es el conjunto formado por dos o más inecuaciones lineales de la forma: MATEMÁTICAS BÁSICAS SISTEMAS DE DESIGUALDADES SISTEMAS DE DOS INECUACIONES Y DOS INCÓGNITAS Un sistema de inecuaciones lineales con una incógnita es el conjunto formado por dos o más inecuaciones lineales

Más detalles

Álgebra lineal y. programación lineal Con aplicaciones a ciencias. Administrativas, contables y financieras

Álgebra lineal y. programación lineal Con aplicaciones a ciencias. Administrativas, contables y financieras Tercera edición Álgebra lineal y programación lineal Con aplicaciones a ciencias Administrativas, contables y financieras Francisco Soler Fajardo Fabio Molina Focazzio Lucio Rojas Cortés Contenido Introducción...XIX

Más detalles

Combinación Lineal. Departamento de Matemáticas, CCIR/ITESM. 10 de enero de 2011

Combinación Lineal. Departamento de Matemáticas, CCIR/ITESM. 10 de enero de 2011 Combinación Lineal Departamento de Matemáticas, CCIR/ITESM 10 de enero de 011 Índice.1. Introducción............................................... 1.. Combinación lineal entre vectores...................................

Más detalles

Z Optima X 1 + X 2 5 Z 1 -X 1 + 2X Región factible. Figura 1

Z Optima X 1 + X 2 5 Z 1 -X 1 + 2X Región factible. Figura 1 Método Gráfico El procedimiento geométrico, es únicamente adecuado para resolver problemas muy pequeños (con no más de dos variables debido al problema de dimensionalidad). Este método provee una gran

Más detalles

Ejemplo 1. Ejemplo introductorio

Ejemplo 1. Ejemplo introductorio . -Jordan. Ejemplo 1. Ejemplo introductorio. -Jordan Dos especies de insectos se crían juntas en un recipiente de laboratorio. Todos los días se les proporcionan dos tipos de alimento A y B. 1 individuo

Más detalles

Programación Lineal con Matlab

Programación Lineal con Matlab Arturo Vega González a.vega@ugto.mx Division de Ciencias e Ingenierías Universidad de Guanajuato Campus León Universidad de Guanajuato, DCI, Campus León 1 / 22 Contenido 1 Programación Lineal Método gráfico

Más detalles

MENORES, COFACTORES Y DETERMINANTES

MENORES, COFACTORES Y DETERMINANTES MENORES, COFACTORES Y DETERMINANTES 1. Introducción. 2. Determinante de una matriz de 3 x 3. 3. Menores y cofactores. 4. Determinante de una matriz de n x n. 5. Matriz triangular. 6. Determinante de una

Más detalles

1. El sistema de los números reales

1. El sistema de los números reales 1. El sistema de los números reales Se iniciará definiendo el conjunto de números que conforman a los números reales, en la siguiente figura se muestra la forma en la que están contenidos estos conjuntos

Más detalles

P. A. U. LAS PALMAS 2005

P. A. U. LAS PALMAS 2005 P. A. U. LAS PALMAS 2005 OPCIÓN A: J U N I O 2005 1. Hallar el área encerrada por la gráfica de la función f(x) = x 3 4x 2 + 5x 2 y la rectas y = 0, x = 1 y x = 3. x 3 4x 2 + 5x 2 es una función polinómica

Más detalles

Universidad Tec Milenio: Profesional IO04001 Investigación de Operaciones I. Tema # 9

Universidad Tec Milenio: Profesional IO04001 Investigación de Operaciones I. Tema # 9 IO04001 Investigación de Operaciones I Tema # 9 Otras aplicaciones del método simplex Objetivos de aprendizaje Al finalizar el tema serás capaz de: Distinguir y aplicar la técnica de la variable artificial.

Más detalles

Problemas de transporte, asignación y trasbordo

Problemas de transporte, asignación y trasbordo Problemas de transporte, asignación y trasbordo 1. Plantear un problema de transporte Tiene como objetivo encontrar el mejor plan de distribución, generalmente minimizando el coste. Un problema está equilibrado

Más detalles

1. DIFERENCIABILIDAD EN VARIAS VARIABLES

1. DIFERENCIABILIDAD EN VARIAS VARIABLES 1 1. DIFERENCIABILIDAD EN VARIAS VARIABLES 1.1. DERIVADAS DIRECCIONALES Y PARCIALES Definición 1.1. Sea f : R n R, ā R n y v R n. Se define la derivada direccional de f en ā y en la dirección de v como:

Más detalles

Ecuaciones. 3º de ESO

Ecuaciones. 3º de ESO Ecuaciones 3º de ESO El signo igual El signo igual se utiliza en: Igualdades numéricas: 2 + 3 = 5 Identidades algebraicas: (x + 4) x = x 2 + 4 4x Fórmulas: El área, A,, de un círculo de radio r es: A =

Más detalles

Unidad I: Programación Lineal

Unidad I: Programación Lineal Unidad I: Programación Lineal 1.1 Definición, desarrollo y tipos de modelos de investigación de operaciones Actualmente la administración está funcionando en un ambiente de negocios que está sometido a

Más detalles

Capítulo 3 Método Gráfico

Capítulo 3 Método Gráfico Capítulo 3 Método Gráfico Introducción En el presente capítulo se muestra la solución a varios tipos de problemas de programación lineal que solamente tienen en su formulación dos variables empleando el

Más detalles

Definición de vectores

Definición de vectores Definición de vectores Un vector es todo segmento de recta dirigido en el espacio. Cada vector posee unas características que son: Origen O también denominado Punto de aplicación. Es el punto exacto sobre

Más detalles