TRABAJO: CUADRO COMPARATIVO

Carrera: Ingeniería Industrial

Materia: Investigación de Operaciones

Nombre del Trabajo: Cuadro Comparativo

Unidad 2: Método Simplex

Nombre de los Integrantes:

González Hernández Alan De Jesús
Jorge Luis Hernández Hernández
Brenda Martina Marcelino Márquez
Pedraza Isabel Vicente
Sandoval Vargas Angel Carlos

Semestre: 4to Grupo: G7 Turno: Matutino 2

Profesor: Ing. Eduardo Franco Austria
Tamazunchale, SL.P.
A: 22 de marzo del 2018
 ÍNDICE
CUADRO COMPARATIVO...........................................................................................................3
ANEXOS..........................................................................................................................................7
Ejemplos de los Métodos propuestos ........................................................................................... 7
Método Simplex .......................................................................................................................7
Método dual simplex ..............................................................................................................14
Método de las dos fases o Método M.....................................................................................15
5 Casos Especiales .................................................................................................................18
Análisis de Sensibilidad .........................................................................................................25
CONCLUSIÓN .............................................................................................................................. 36
CONCLUSIONES INDIVIDUALES ............................................................................................ 38
BIBLIOGRAFÍA............................................................................................................................ 41
EVIDENCIAS PAGINAS SOLICITADAS ..................................................................................42
 Cuadro comparativo entre los métodos: Simplex, Dos Fases, de la M,
Dual – Simplex, Casos Especiales y Análisis de Sensibilidad.
CUADRO COMPARATIVO
Método Simplex Método de las dos fases Método de la M Dual- Simplex Análisis de
sensibilidad
El método de dos fases El método M se inicia con El método simplex dual se
Es un procedimiento
elimina el uso de la la PL, en forma de inicia con una solución Un análisis de
matricial iterativo para
constante M. como su ecuación. Si la ecuación i mejor que óptima y una sensibilidad se define
manejar variables no
nombre lo indica, el no tiene una holgura (o una solución básica no factible. como los parámetros
negativas, de fácil
método resuelve PL en variable que pueda Las condiciones de de programación lineal
implementación en
dos fases; en la fase I se desempeñar el papel de optimalidad y factibilidad (datos de entrada) del
computadora, la cual nos
Concepto trata de encontrar la una), se agrega una están diseñadas para modelo que pueden
permite solucionar
solución factible básica preservar la optimalidad de cambiar dentro de los
problemas de un número variable R i , para formar
inicial y, si se halla una, se las soluciones básicas a límites sin que cambie
elevado de variables y de una solución inicial
invoca la fase II para medida que la solución se la solución óptima.
restricciones de una manera parecida a la solución
resolver el problema mueve hacia la factibilidad. (TAHA, 2012, pág.
ágil y eficiente (Landeta, básica de total holgura.
original. (TAHA, 2012, pág. 159) 108)
1996, pág. 63) (TAHA, 2012, pág. 89)
(TAHA, 2012, pág. 94)
Se puede hacer uso de este El método de las dos fases
método con dos o más El problema dual se define
sigue los pasos del método
variables. sistemáticamente a partir
de la gran M, pero en la
Se identifica y utiliza el del modelo de PL primal (u
fase 1 utiliza sólo los
renglón pivote mediante el El método de la gran M Y original). Los dos Determina la solución
factores multiplicativos,
mismo análisis que en los el de las dos fases tienen problemas están óptima cuando se
mientras que en la fase 2
Semejanzas otros métodos. casi siempre la misma estrechamente relacionados cambian ciertos datos
elimina las variables
secuencia de soluciones en el sentido de que la de entrada. (TAHA,
artificiales, así como
básicas factibles. solución óptima de uno 2012, pág. 108)
también se asemejan por
proporciona
que se añaden variables no
automáticamente la
negativas a las
solución óptima al otro.
restricciones.

Integrantes de equipo:
González Santos María Micela
Manuel Medina Carlos
Martínez Ángeles Samuel Iram
Pedraza Isabel Vicente
Sandoval Vargas Angel Carlos

3
 Cuadro comparativo entre los métodos: Simplex, Dos Fases, de la M,
Dual – Simplex, Casos Especiales y Análisis de Sensibilidad.
(S. Hillier & Gerald J.,
2010, pág. 256)

Método Simplex Método de las dos fases Método de la M Dual- Simplex Análisis de
sensibilidad
Se utiliza solo restricciones Todas las restricciones del Todas las restricciones del Parte de una solución Identifica los
del tipo y por problema deben ser de problema deben ser de tipo óptima infactible, la parámetros sensibles
consecuente se utiliza la tipo o () a o () .en comparación diferencia con el método esto es, aquellos que
Sj en donde S es la comparación con el con el método simplex. simplex primal está en las no pueden cambiar sin

holgura y j es igual a Método simplex. Se le asigna una condiciones para la variable modificar la solución
El método de las dos fases penalización a la función que entra y la variable que óptima. (Lieberman,
cualquier número 1, 2,
consiste en dos fases objetivo denotado por una sale: Condición de 2010, pág. 122)
3,4…, n.se agrega el Factibilidad: La variable
como su nombre lo indica. variable artificial y la letra
numero siguiente entero que sale es aquella variable
Su única diferencia con el M, en el caso de ser:
conforme se enumeran las
método de la M es en la a) la función objetivo una básica con valor más
ecuaciones no se le agrega
primer fase ya que los maximización la negativo, si todas son no
un coeficiente de la
Diferencias factores multiplicativos de penalización que se le negativas el proceso
variable artificial. termina. Condición de
M se convierten en agrega será negativo,
cantidad únicas al b) la función objetivo una Optimidad: La variable que
En lugar de enumerar todas
multiplicarse por las minimización la entra es aquella no básica
las soluciones básicas
variables M se rompe la penalización que se le con la razón más pequeña
(puntos de esquina) del (minimización), o con valor
semejanza en la tabla con agrega será positivo.
problema de PL, el método
el método de las dos fases. Posteriormente se absoluto más pequeño
simplex investiga solo
sustituyen las variables (maximización). Las
“algunas” de estas
artificiales en la función razones se calculan
soluciones. dividiendo los coeficientes
objetivo, utilizando las
(TAHA, 2012, pág. 76)
restricciones como del primer miembro de la
función objetivo entre los
 ecuaciones de la variable correspondientes
artificial. coeficientes negativos en la
ecuación de la variable que
sale. Si todos los valores
son ceros o positivos el
modelo es infactible (no
hay solución). En ambas
condiciones los empates se
rompen de forma arbitraria.
(Salazar López, 2016)
Aplicaciones El método símplex cuya La aplicación de la Se usa ante la presencia de Una aplicación típica del Investigar el efecto que
gran virtud es su sencillez, técnica de la M Grande variables artificiales en el método simplex dual es en tiene la solución
es un método muy práctico, implica teóricamente que modelo a solucionar. la resolución de problemas óptima proporcionada
ya que solo trabaja con los M tiende a infinito. Sin con una función objetivo de por el método simplex
coeficientes de la función embargo, al usar la minimización, con el hecho de que los
objetivo y de las computadora M debe ser restricciones del tipo mayor parámetros tomaran
restricciones. finito, o igual y donde las otros valores posibles.
(Econlink, 2009) pero suficientemente variables de decisión son Y con base a ello
grande. En específico M mayores o iguales a cero. identificar los
debe ser lo bastante Otra aplicación primordial parámetros sensibles
grande como para del método simplex dual es es decir los parámetros
funcionar su asociación con el cuyos valores no
como penalización, al análisis de sensibilidad. pueden cambiar sin
mismo tiempo no debe ser Suponga que se tiene una que cambie la solución
tan grande como para solución óptima por el óptima.
perjudicar la exactitud de método simplex, pero que
los cálculos del Método es necesario (o de interés
Simplex. para el análisis de
sensibilidad)
introducir cambios menores
en el modelo
 Cuadro comparativo entre los métodos: Simplex, Dos Fases, de la M,
Dual – Simplex, Casos Especiales y Análisis de Sensibilidad.

ANEXOS

Ejemplos de los Métodos propuestos

Método Simplex

La empresa el SAMÁN Ltda. Dedicada a la fabricación de muebles, ha ampliado su producción

en dos líneas más. Por lo tanto, actualmente fabrica mesas, sillas, camas y bibliotecas. Cada mesa
requiere de 2 piezas rectangulares de 8 pines, y 2 piezas cuadradas de 4 pines. Cada silla requiere
de 1 pieza rectangular de 8 pines y 2 piezas cuadradas de 4 pines, cada cama requiere de 1 pieza
rectangular de 8 pines, 1 cuadrada de 4 pines y 2 bases trapezoidales de 2 pines y finalmente cada
biblioteca requiere de 2 piezas rectangulares de 8 pines, 2 bases trapezoidales de 2 pines y 4
piezas rectangulares de 2 pines. Cada mesa cuesta producirla $10000 y se vende en $ 30000,
cada silla cuesta producirla $ 8000 y se vende en $ 28000, cada cama cuesta producirla $ 20000 y
se vende en $ 40000, cada biblioteca cuesta producirla $ 40000 y se vende en $ 60000. El
objetivo de la fábrica es maximizar las utilidades.

Problema planteado por Edwin Bastidas - Ingeniero Industrial

Integrantes de equipo:
González Santos María Micela
Manuel Medina Carlos
Martínez Ángeles Samuel Iram
Pedraza Isabel Vicente
Sandoval Vargas Angel
Carlos

7
Paso 1: Modelación Mediante Programación Lineal
Las variables:

X1 = Cantidad de mesas a producir (unidades)

X2 = Cantidad de sillas a producir (unidades)
X3 = Cantidad de camas a producir (unidades)
X4 = Cantidad de bibliotecas a producir (unidades)

Las restricciones:

2X1 + 1X2 + 1X3 + 2X4 24

2X1 + 2X2 + 1X3 20
2X3 + 2X4 20
4X4 16

La función Objetivo:

ZMAX = 20000X1 + 20000X2 + 20000X3 + 20000X4

Paso 2: Convertir Las Inecuaciones En Ecuaciones

En este paso el objetivo es asignar a cada recurso una variable de Holgura, dado que todas las
restricciones son "<=".

2X1 + 1X2 + 1X3 + 2X4 + 1S1 + 0S2 + 0S3 + 0S4 = 24

2X1 + 2X2 + 1X3 + 0X4 + 0S1 + 1S2 + 0S3 + 0S4 = 20
0X1 + 0X2 + 2X3 + 2X4 + 0S1 + 0S2 + 1S3 + 0S4 = 20
0X1 + 0X2 + 0X3 + 4X4 + 0S1 + 0S2 + 0S3 + 1S4 = 16

De esta manera podemos apreciar una matriz identidad (n = 4), formado por las variables de
holgura las cuales solo tienen coeficiente 1 en su respectivo recurso, por el ejemplo la variable de
holgura "S1" solo tiene coeficiente 1 en la restricción correspondiente a el recurso 1. La función
objetivo no sufre variaciones:

ZMAX = 20000X1 + 20000X2 + 20000X3 + 20000X4

 Cuadro comparativo entre los métodos: Simplex, Dos Fases, de la M,
Dual – Simplex, Casos Especiales y Análisis de Sensibilidad.

Paso 3: Definir La Solución Básica Inicial

El Método Simplex parte de una solución básica inicial para realizar todas sus iteraciones, esta
solución básica inicial se forma con las variables de coeficiente diferente de cero (0) en la matriz
identidad.

1S1 = 24
1S2 = 20
1S3 = 20
1S4 = 16

Paso 4: Definir La Tabla Simplex Inicial

Solución: (segundo término)= En esta fila se consigna el segundo término de la solución, es decir
las variables, lo más adecuado es que estas se consignen de manera ordenada, tal cual como se
escribieron en la definición de restricciones.
Cj = La fila "Cj" hace referencia al coeficiente que tiene cada una de las variables de la fila
"solución" en la función objetivo.
Variable Solución = En esta columna se consigna la solución básica inicial, y a partir de esta en
cada iteración se van incluyendo las variables que formarán parte de la solución final.
Cb = En esta fila se consigna el valor que tiene la variable que se encuentra a su derecha
"Variable
solución" en la función objetivo.
Zj = En esta fila se consigna la contribución total, es decir la suma de los productos entre término
y Cb.
Cj - Zj = En esta fila se realiza la diferencia entre la fila Cj y la fila Zj, su significado es un
"Shadow price", es decir, la utilidad que se deja de recibir por cada unidad de la variable
correspondiente que no forme parte de la solución.
Solución inicial:

Paso 5: Realizar Las Iteraciones Necesarias

Este es el paso definitivo en la resolución por medio del Método Simplex, consiste en realizar
intentos mientras el modelo va de un vértice del poliedro objetivo a otro.
El procedimiento a seguir es el siguiente:

1. Evaluar que variable entrará y cual saldrá de la solución óptima:

Maximizar Minimizar
Variable que
La más positiva de los Cj - Zj La más negativa de los Cj - Zj
entra
Siendo b los valores bajo la celda
Siendo b los valores bajo la celda
solución y a el valor correspondiente a
Variable que solución y a el valor correspondiente
la intersección entre b y la variable
sale a la intersección entre b y la variable
que entra. La menos positiva de
que entra. La más positiva de los b/a.
los b/a.

10
2. El hecho de que una variable distinta forme parte de las variables solución implica una serie de
cambios en el tabulado Simplex, cambios que se explicarán a continuación.

- Lo primero es no olvidar el valor del "a" correspondiente a la variables a entrar, en este caso el
"a = 4".
Lo siguiente es comenzar a rellenar el resto de la tabla, fila x fila.
Se repite este procedimiento con las dos filas restantes, ahora se harán los cálculos
correspondientes en el resto de las celdas.

De esta manera se culmina la primera iteración, este paso se repetirá cuantas veces sea necesario
y solo se dará por terminado el método según los siguientes criterios.

Maximizar Minimizar
Solución Óptima Cuando todos los Cj - Zj sean <= 0 Cuando todos los Cj - Zj sean >= 0

Continuamos con las iteraciones para lo cual tenemos que repetir los pasos anteriores.

En esta última iteración podemos observar que se cumple con la consigna Cj - Zj <= 0, para
ejercicios cuya función objetivo sea "Maximizar", por ende hemos llegado a la respuesta óptima.
X1 = 3
X2 = 4
X3 = 6
X4 = 4
Con una utilidad de: $ 340000

Método dual simplex

Primal Primal en forma de Variables duales

ecuación
Maximizar Maximizar
z 5x1 12x2 4x3 z 5x1 12x 2 4x3 0x 4
Sujeto a Sujeto a
x1 2 x 2 x 3 10 x1 2 x 2 x3 x 4 10
2 x1 x 2 3x3 8 2 x1 x 2 3x3 0 x 4 8 y1
x1 , x 2 , x 3 0 x1 , x 2 , x3 , x 4 0 y2

Problema dual
Minimizar w 10 y1 8 y 2

Sujeto a
y1 2 y 2 5
2 y1 y 2 12
y1 3 y 2 4
y1 0 y 2 0 y1 0, y 2 irrestricta
y1 , y 2 irrestricta
 Método de las dos fases o Método M
Fase I

Minimizar z 4 x1 x 2

Sujeto a
3x1 x2 3
4x1 3x 2 6
x1 2x 2 4
x1 x2 0

La tabla asociada es
Básica x1 x2 x3 R1 R2 x4 Solución
r 0 0 0 -1 -1 0 0
R1 3 1 0 1 0 0 3
R2 4 3 -1 0 1 0 6
x4 1 2 0 0 0 1 4

Como en el método M, R1 y R 2 se sustituyen en la fila r mediante las siguientes operaciones de

filas:

Nueva fila r Anterior fila r 1 fila R1 fila R 2

La nueva fila r se utiliza para resolver la fase I del problema, la cual da por resultado la siguiente
tabla óptima:

Básica x1 x2 x3 R1 R2 x4 Solución
r 0 0 0 -1 -1 0 0
1 3 1 3
x1 0 1 0
5 5 5 5
3 4 3 6
x2 0 1 0
5 5 5 5
x4 0 0 1 1 -1 1 1
 3 6
Como el mínimo r 0 , la fase I produce la solución factible básica x1 ,x2 y x 4 1 . En
5 5
este punto, las variables artificiales ya completaron su misión, y podemos eliminar sus columnas
de la tabla y continuar con la fase II.

Fase II
Después de eliminar las columnas artificiales, escribimos el problema original como:
Minimizar z 4 x1 x 2

Sujeto a
1 3
x1 x3
5 5
3 6
x2 x2
5 5
x3 x 4 1
x1 , x 2 , x 3 x 4 0

En esencia, la fase I ha transformado las ecuaciones de restricciones originales de tal forma

que proporciona una solución factible básica inicial para el problema, si es que existe una. La
tabla
asociada con la fase II del problema es por consiguiente
Básica x1 x2 x3 x4 Solución
z -4 -1 0 0 0
1 3
x1 1 0 0
5 5
3 6
x2 0 1 0
5 5
x4 0 0 1 1 1
Una vez más, como las variables básicas x1 y x 2 tienen coeficientes diferentes a cero en la fila z,
deben ser sustituidas, mediante las siguientes operaciones.

Nueva fila z Anterior fila z 1 fila x11 fila x 2

La tabla inicial de la fase II es por consiguiente

Básica x1 x2 x3 x4 Solución
 1 18
z 0 0 0
5 5
1 3
x1 1 0 0
5 5
x2
3 6
0 1 0
5 5
x4 0 0 1 1 1

Como estamos minimizando, x 3 debe entrar en la solución. La aplicación del método simplex
producirá el óptimo en una iteración.

La eliminación de las variables artificiales y sus columnas al final de la fase I sólo puede ocurrir
cuando todas son no básicas. Si una o más variables son básicas (al nivel cero) al final de la fase
I, entonces su eliminación requiere los siguientes pasos adicionales:
Paso 1. Seleccione una variable artificial cero que salga de la solución básica y designe su fila
como fila pivote. La variable de entrada puede ser cualquier variable no básica (y no artificial)
con un coeficiente diferente de cero (positivo o negativo) en la fila pivote. Realice la iteración
simplex asociada.

Paso 2. Elimine la columna de la variable artificial (que acaba de salir) de la tabla. Si ya se

eliminaron todas las variables artificiales, continúe con la fase II. De lo contrario, regrese al paso
1.

La lógica detrás del paso I es que la factibilidad de las variables básicas restantes no se verá
afectada cuando una variable artificial cero se vuelva no básica independientemente de si el
elemento pivote es positivo o negativo.
 5 Casos Especiales

Esta sección considera cuatro casos especiales que surgen al aplicar el método simplex.
1. Degeneración
2. Óptimos alternativos
3. Soluciones no acotadas
4. Soluciones no existentes (o no factibles)

-Degeneración
Al aplicar la condición de factibilidad del método simplex, se puede presentar un empate por la
relación mínima, el cual puede romperse arbitrariamente. Cuando esto sucede, al menos una
variable básica será cero en la siguiente iteración, y se dice que la nueva solución está
degenerada.

La degeneración puede hacer que las iteraciones simplex ocurran de forma indefinida en ciclos, y
que el algoritmo nunca se termine.

Ejemplo
El siguiente ejemplo explica los impactos prácticos y teóricos de la degeneración.

Maximizar z 3x 1 9x 2
Sujeto a

x 1 4x 2 8 x

1 2x 2 4

x1 , x 2 0

Utilizando las variables de holgura x₂ y x₄, las tablas de solución son:

En la iteración 0, x₃ y x₄ empatan como la variable de salida, lo que provoca degeneración en

la iteración 1 porque la variable x₄ asume un valor cero. El óptimo se alcanza en una iteración
más.
 Iteración Básica x1 x2 x3 x4 Solución
Z -3 -9 0 0 0
0
x3 1 4 1 0 8
x2 entra
x4 1 2 0 1 4
x3 sale

1 z -3/4 0 9/4 0 18
x2 1/4 1 1/4 0 2
x1 entra 0
x4 1/2 -1/2 1 0
x4 sale
z 0 0 3/2 3/2 18
2 0 1 1/2
x2 -1/2 2
(óptimo) 1 0 -1 2
x1 0

.-Óptimos alternativos
Un problema de PL puede tener una cantidad infinita de óptimos alternativos cuando la función
objetivo es paralela a una restricción obligatoria no redundante (es decir, una restricción que se
satisface como una ecuación en la solución óptima).
.-Ejemplo
El siguiente ejemplo demuestra la importancia práctica de tales soluciones.
 Maximizar z 2x 1 4x 2

Sujeto a

x 1 2x 2 5 x 1

x2 4

x1 , x 2 0

La figura 3.9 demuestra cómo pueden surgir óptimos alternativos en el modelo de PL cuando la
función objetivo es paralela a una restricción obligatoria. Cualquier punto sobre el segmento de
línea BC representa un óptimo alternativo con el mismo valor objetivo z = 10.

Las iteraciones del modelo se dan en la siguiente tabla.

Integrantes de equipo:
González Santos María Micela
Manuel Medina Carlos
Martínez Ángeles Samuel Iram
Pedraza Isabel Vicente
Sandoval Vargas Angel
Carlos

20
 5
La iteración 1 proporciona la solución óptima x1 0, x 2 y z 10 (punto B en la figura 3.9).
2
La existencia de un óptimo alternativo puede detectarse en la tabla optima examinando los
coeficientes de las variables no básicas de la ecuación z. El coeficiente cero de x1 y x4 como las
variables básicas sin cambiar el valor z. La iteración 2 hace justo eso, aplicando x1 y x4 como las
variables de entrada y de salida, respectivamente. El numero punto de solución ocurre en
C ( x1 3, x 2 1, z 10).

El método simplex determina sólo puntos de esquina óptimos; es decir, los puntos B y C en el
presente ejemplo. Podemos determinar de manera matemática todos los puntos (x1, x2) sobre el
segmento de línea BC como un promedio ponderado no negativo de los puntos B(x 1=0, x2=5/2) C
(x1=3, x2=1), de lo que se concluye

x 1 a(0) (1 a)(3) 3 3a
x a 1 a1 1 a 0 a 1
5 3
2
2 2
.-Solución no acotada
En algunos modelos de programación lineal, el espacio de soluciones es no acotado en por lo
menos una variable, es decir que las variables pueden incrementarse de forma indefinida sin
violar ninguna de las restricciones. En este caso el valor objetivo asociado B también puede ser
no acotado.
Un espacio de soluciones no acotado casi siempre indica que el modelo está mal construido. La
irregularidad más probable en tales modelos es que no se han tomado en cuenta algunas
restricciones clave. Otra posibilidad es que las estimaciones de los coeficientes de las
restricciones quizá no sean precisas.

Ejemplo (Valor objetivo no acotado)

Maximizar z 2x1 x2
Sujeto a

x1 - x2 10
2x1 40

x1, x2 Ú 0

Iteración de inicio:

En la tabla de inicio, tanto x₁ como x₂ tienen coeficientes negativos en la ecuación z, lo que

significa que al incrementarse sus valores también lo hará el valor objetivo.
El resultado es que z puede incrementarse indefinidamente. La figura 3.10 muestra el espacio de
soluciones no acotado y también que x₂ y z pueden incrementarse indefinidamente.

S olu ción n o f a ctib

le
Los modelos PL con restricciones inconsistentes no tienen una solución factible. Esta situación no
ocurre si todas las restricciones son del tipo ≤ con lados derechos no negativos porque las
holguras proporcionan una solución factible obvia. Para otros tipos de restricciones, se utilizan
variables artificiales penalizadas para iniciar la solución. Si al menos una variable artificial es
positiva en la iteración óptima, entonces la PL no tiene una solución factible. Desde el punto de
vista práctico, un espacio no factible apunta hacia la posibilidad de que el modelo se formuló de
manera incorrecta.

Ejemplo (Espacio de soluciones no factibles)

Considere la siguiente PL:
Maximizar z 3x 1 2x 2

Sujeto a

2x 1 x 2 2

3x 1 4x 2 12

x1 , x 2 0

Aplicando la penalización M = 100 para la variable artificial R, la siguiente tabla proporciona la

iteración simplex del modelo.

La iteración óptima 1 muestra que la variable artificial R es positiva (5 4), es decir que la PL es
no factible. La figura 3.11 ilustra el espacio de soluciones no factibles. Al permitir que la
variable artificial sea positiva, el método simplex de hecho ha invertido la dirección de la
desigualdad de
3x₁ + 4x₂ ≥ 12 a 3x₁ + 4x₂ ≤ 12 (¿puede explicar cómo?). El resultado es lo que podemos
llamar una solución seudo óptima.
 Análisis de Sensibilidad

1. Cambios en el lado derecho.

JOBCO fabrica dos productos en dos máquinas. Una unidad del producto 1 requiere 2 horas en la
máquina 1, y 1 hora en la máquina 2. Una unidad del producto 2 requiere 1 hora en la máquina 1,
y 3 horas en la máquina 2. Los ingresos por unidad de los productos 1 y 2 son de $30 y $20,
respectivamente. El tiempo de procesamiento diario total disponible en cada máquina es de 8
horas.
Si x1 y x2 son las cantidades diarias de unidades de los productos 1 y 2, respectivamente, el
modelo de PL se da como
Maximizar z 30 x1 20 x 2

Sujeto a
2x1 x 2 8 Maquina 1
x1 3x 2 8 (Maquina 2)
x1 , x 0
2

La figura 3.12 ilustra el cambio de la solución óptima cuando se cambia la capacidad de la

máquina 1. Si la capacidad diaria se incrementa de 8 a 9 horas, el nuevo óptimo se moverá al
punto G. La tasa de cambio en la z óptima a consecuencia del cambio de la capacidad de la
máquina 1 de 8 a 9 horas se calcula como:
Tasa de cambio del ingreso
a con sec uencia del incremento zG zC 142 128 $14

de la capacidad de la máquina 1 Cambio de la capacidad 9 8 h

en 1 hora punto C a punto G

La tasa calculada proporciona un vínculo directo entre los datos de entrada al modelo (recursos) y
sus resultados (ingreso total). Se dice que un incremento unitario (reducción) en la capacidad de
la máquina 1 aumentará (reducirá) el ingreso en $14.00.
El nombre valor unitario de un recurso es una descripción apropiada de la tasa de cambio de la
función objetivo por cambio unitario de un recurso. No obstante, los primeros desarrollos de la
PL acuñaron el nombre abstracto de precio dual (o sombra), y ahora este nombre es un estándar
en toda la literatura de PL y en paquetes de “software”. La presentación en este libro se ajusta a
este estándar.
En la figura 3.12 podemos ver que el precio dual de $14/h permanece válido para cambios
(incrementos o reducciones) en la capacidad de la máquina 1 que mueven su restricción paralela a
sí misma a cualquier punto sobre el segmento de línea BF. Calculamos las capacidades de la
máquina 1 en los puntos B y F como sigue:
Capacidad mínima de la máquina 1 [en B 5 (0.267)]= 2 0 1 2.67 2.67 h
Capacidad máxima de la máquina 1 [en F 5 (8,0)]= 2 8 1 0 16 h
La conclusión es que el precio dual de $14/h permanece válido en el intervalo
2.67 h Capacidad de la máquina 1 16 h
Los cambios fuera de este intervalo producen un precio dual diferente (valor por unidad).
Elaborando cálculos similares podemos verificar que el precio dual para la capacidad de la
máquina
2 es de $2.00/h, y que no cambia cuando su capacidad se mantiene dentro del segmento de línea
DE. Ahora,
Capacidad mínima de la máquina 2 [en D 5 (4,0)]=1 4 3 0 4 h
Capacidad máxima de la máquina 2 [en E 5 (8,0)]=1 0 3 8 24 h
Por lo tanto, el precio dual de $200/h para la máquina 2 no cambia dentro del intervalo
4 h Capacidad de la máquina 2 24 h
Los límites calculados para las máquinas 1 y 2 se conocen como intervalos de factibilidad. Todos
los paquetes de “software” proporcionan información sobre los precios duales y sus intervalos de
factibilidad. La sección 3.6.4 muestra cómo generan esta información AMPL, Solver y TORA.

2. Cambios en los coeficientes objetivo.

La figura muestra el espacio de soluciones gráficas del problema de JOBCO presentado en el
ejemplo anterior. El óptimo ocurre en el punto C x1 3.2, x 2 1.6, z 128 . Los cambios en
unidades de ingresos (es decir, los coeficientes de la función objetivo) modificarán la pendiente
de z. Sin embargo, como puede verse en la figura, la solución óptima en el punto C no cambia en
tanto la función objetivo quede entre las líneas BF y DE.
¿Cómo podemos determinar los intervalos para los coeficientes de la función objetivo que
mantendrán inalterable la función óptima en C? Primero, escribimos la función objetivo en el
formato general
Maximizar z c1 x1 c 2 x 2

Imagine ahora que la línea z está pivotada en C y que puede girar en el sentido de las manecillas
del reloj, así como en el sentido contrario. La solución óptima permanecerá en el punto C en tanto
z c1 x1 c 2 x 2 quede entre las dos líneas x1 3x 2 8, y 2 x1 x 2 8 .Esto significa que la
c 1 2
relación 1 puede variar entre y lo que resulta en el siguiente intervalo de optimalidad:
c 3 1
2

1 c1 2 c1
o .333 2
3 c2 1 c2

Esta información proporciona respuestas inmediatas con respecto a la solución óptima como la
siguiente pregunta lo demuestra
Ejemplo de Análisis de sensibilidad algebraica. Cambios en el lado derecho
(Modelo de TOYCO)
TOYCO utiliza tres operaciones para armar tres tipos de juguetes: trenes, camiones y carros. Los
tiempos diarios disponibles para las tres operaciones son 430,460 y 420 minutos,
respectivamente, y los ingresos por unidad de tren, camión y auto de juguete son de $3, $2 y $5,
respectivamente. Los tiempos de ensamble por tren en las tres operaciones son de 1, 3 y 1
minutos, respectivamente.
Los tiempos correspondientes por tren y por auto son (2,0,4) y (1,2,0) minutos (un tiempo cero
indica que la operación no se utiliza).
Sean x1 , x 2 , y x3 las cantidades diarias de unidades ensambladas de trenes, camiones y autos,
respectivamente, el modelo de PL asociado se da como:
Maximizar z 3x1 2x 2 5x3

Sujeto a
x1 2 x 2 x3 430 Operación 1
3x1 2 x3 460 Operación 2
x1 4 x 2 420 Operación 3
x1 , x 2 , x 3 0

Utilizando x 4 , x5 , y x6 como las variables de holgura para las restricciones de las operaciones
1,2 y 3, respectivamente, la tabla óptima es:
 Cuadro Comparativo

Básica x1 x2 x3 x4 x5 x6 Solución
Z 4 0 0 1 2 0 1350
1 1 1
x2 1 0 0 100
4 2 4
3 1
x3 0 1 0 0 230
2 2
x6 2 0 0 -2 1 1 20

La solución recomienda fabricar 100 camiones y 230 autos, pero no trenes. El ingreso asociado es
$1350.

3.-Cambios en los coeficientes de una variable básica

El caso 3 supone que los únicos cambios al modelo actual se hacen en los coeficientes de esta
variable. Este caso difiere del 2a debido al requisito de que la tabla simplex debe estar en la
forma apropiada de eliminación de Gauss. Esta forma permite que los elementos en la columna
de una variable no básica tengan cualquier valor, así que no afecta en el caso 2a. Sin embargo,
para el caso
3 la variable básica x j debe tener coeficiente 1 en un renglón de la tabla simplex y coeficiente 0
en todos los demás renglones (incluso en el renglón 0). Por lo tanto, una vez calculados los
cambios en la columna x j de la tabla simplex final, es probable que sea necesario aplicar la
eliminación de Gauss para restaurar la forma apropiada. Antes de aplicar la eliminación de
Gauss, las fórmulas
para verificar la columna de x j son las mismas que para el caso 2a, y se resumen como sigue.
-Coeficiente de x j en el renglón 0 final: z j
cj y Aj cj

-Coeficiente de x j en los renglones 1 a m finales: Aj S Aj

Ejemplo (variación 5 del modelo de la Wyndor).

Como x2 es una variable básica en la tabla 6.21 para la variación 2 del modelo de la Wyndor
Glass Co., el análisis de sensibilidad de sus coeficientes se ajusta al caso 3. Dada la solución
Integrantes de equipo:
González Santos María Micela
Manuel Medina Carlos
Martínez Ángeles Samuel Iram
Pedraza Isabel Vicente
Sandoval Vargas Angel
Carlos

30
 Cuadro Comparativo

óptima actual (x1=0, x2=9), el producto 2 es el único producto nuevo que debe introducirse, y su
tasa de

Integrantes de equipo:
González Santos María Micela
Manuel Medina Carlos
Martínez Ángeles Samuel Iram
Pedraza Isabel Vicente
Sandoval Vargas Angel
Carlos

31
proporción será relativamente grande. Por ello la pregunta importante es si las estimaciones
iniciales que llevaron a los coeficientes de x2 en el modelo actual (variación 2) pudieron haber
sobrestimado tanto las cualidades del producto 2 que invaliden esta conclusión. Para responder a
esta pregunta se debe verificar el conjunto más pesimista de estimaciones razonables para estos
coeficientes, que resulta ser c 3, a 3, a 4 . En consecuencia, los cambios que han de
2 22 32

investigarse (variación 5 del modelo Wyndor) son

0 0
c2 5 c 2 3, 2 A 2 A 2 3
2 4

El efecto grafico de estos cambios es la modificación en la región factible según la figura 6.3.
respecto a la que se muestra en la figura 6.6. La solución óptima en la figura 6.3, es (x1, x2)=
(0,9), que corresponde a la solución del vértice en donde se cruzan las fronteras de restricción
x 1=0 y
3x1+2x2=18.

9
Al revisar las restricciones, la solución en un vértice corresponde en la figura 6.6 es (0,
). No
2
obstante, esta solución ya no es óptima, puesto que la función objetivo revisada Z= 3x 1+3x2,
3
conduce ahora a la nueva solución óptima (x1,x2)= (4, ).
2
Análisis de la variación 5.
Ahora veamos cómo se puede llegar a estas mismas conclusiones algebraicamente. Dado que los
únicos cambios en el método ocurren en los coeficientes de x 2, las únicas modificaciones que
resultan en la tabla símplex final están la columna de x2. Entonces, se usan las fórmulas anteriores
para volver a calcular nada más esta columna.

0
5
z 2c 2 y A c2 2 0,0, 3 3 7
2
4

1 0 0
0 0
1
A2 S A 2 0 0 3 2
2
4 1
0 1 1

4.-Incorparacion de una nueva variable

Integrantes de equipo:
González Santos María Micela
Manuel Medina Carlos
Martínez Ángeles Samuel Iram
Pedraza Isabel Vicente

Sandoval Vargas Angel

Carlos

32
Una vez obtenida la solución óptima se pude descubrir que la formulación de programación lineal
no tomó en cuenta todas las actividades que pudieran ser atractivas. Considerar una nueva
actividad requiere introducir una nueva variable con los coeficientes apropiados en función
objetivo y en las restricciones del modelo actual-éste es el caso 2b.

La manera más conveniente de manejar este caso es tratarlo como si fuera el caso 2a. Para
realizar esto se presume que la nueva variable x j ya formaba parte del modelo original con
todos sus coeficientes iguales a cero (por lo que todavía son cera en la tabla simplex final) y que
x j es una variable no básica en la solución BF actual. Entonces, si se cambia estos coeficientes de
cero a sus valores reales para la nueva variable, sin duda el procedimiento (que incluye la
reoptimización) se vuelve idéntico al del caso 2a.

En particular, todo lo que se debe hacer para comprobar si la solución actual es todavía óptima es
verificar si la solución básica complementaria y* satisface la nueva restricción dual que
corresponde a la nueva variable en el problema primal.

5.-Incorporacion de una nueva restricción

El último caso es aquel que debe introducirse al modelo una nueva restricción, después de
obtener la solución. Este caso puede ocurrir porque se pasó por alto la restricción en un principio
o porque surgieron nuevas consideraciones después de formular el modelo. Otra posibilidad es
que se haya eliminado, a propósito, la restricción para disminuir el esfuerzo computacional por
parecer menos restrictiva que otras ya planteadas en el modelo, pero ahora es necesario verificar
esta impresión con la solución óptima que se obtuvo.

Para ver si la nueva restricción afecta a la solución óptima actual, todo lo que debe hacerse es
verificar directamente si esa solución óptima satisface la restricción. Si es así, todavía sería la
mejor solución básica factible (es decir, la solución óptima), aun cuando se agregará la
restricción al modelo. La razón es que una nueva restricción sólo puede eliminar algunas de las
soluciones factibles anteriores sin agregar una nueva.
Si la nueva restricción elimina la solución óptima actual, y si se quiere encontrar la nueva
solución, se introducción esta restricción a la tabla símplex final (como un renglón adicional)
justo como si fuera la tabla inicial, en la que se designa la variable usual (de holgura o artificial)
como la variable básica que corresponde a este nuevo renglón. Como éste tal vez tengan
coeficientes distintos de cero para algunas otras variables básicas, se debe aplicar la conversión
a la forma apropiada de
eliminación de Gauss y después el paso de reoptimización en la forma usual.

Integrantes de equipo:
González Santos María Micela
Manuel
Pedraza Medina Carlos
Isabel Vicente
Martínez
Sandoval Ángeles Samuel Iram
Vargas Angel
Carlos

33
Igual que para algunos de los casos anteriores, este procedimiento para el caso 4. Es una versión
simplificada del procedimiento general resumido al final de la sección 6.6. La única pregunta que
hay que hacerse en este caso es si la solución óptima anterior es todavía factible así que debe
eliminarse el paso 5 (prueba de optimalidad). El paso 4 (prueba de factibilidad) se reemplaza por
una prueba de factibilidad mucho más rápida que se realiza justo después del paso 1. Solo cuando
la respuesta a esta prueba es negativa y se quiere reoptimizar, se usan los pasos 2, 3 y 6.

Ejemplo (variación 6 del modelo de la Wyndor).

Para ilustrar este caso, se considera la variación 6 del modelo de la Wyndor Glass Co. Que
introduce la restricción.
2 x1 3x 2 24

En la variación 2 del modelo dado en la tabla 6.21.

El efecto gráfico se muestra en la figura 6.7.- La solución óptima anterior (0,9) viola la nueva
restricción, por lo que la solución óptima cambia a (0,8).

Integrantes de equipo:
González Santos María Micela
Manuel Medina Carlos
Martínez Ángeles Samuel Iram
Pedraza Isabel Vicente
Sandoval Vargas Angel
Carlos

34
Para analizar este ejemplo en forma algebraica, observe que (0,9) lleva a 2x 1 + 3x2= 27 >24,
entonces esta solución óptima anterior ya no es factible. Para conocer la nueva solución óptima,
se
agrega esta restricción en la tabla simplex final actual como se describió, con la variable de holgura
x 6 como su variable básica inicial. Este paso lleva la primera tabla que se muestra en la tabla 6.25.
El paso de conversión a la forma apropiada de eliminación de Gauss requiere restar el renglón 2
multiplicando por 3, del nuevo renglón, con lo que se identifica a la solución básica actual:
x3 4, x 2 9, x 4 6, x 3x 0 , x 0 , como se muestra en la segunda tabla símplex.
6 1 5

Cuando se aplica el método dual símplex se obtiene en una sola iteración la nueva solución
óptima se muestra en la siguiente tabla:

Integrantes de equipo:
González Santos María Micela
Manuel Medina Carlos
Martínez Ángeles Samuel Iram
Pedraza Isabel Vicente
Sandoval Vargas Angel
Carlos

35
Integrantes de equipo:
González Santos María Micela
Manuel Medina Carlos
Martínez Ángeles Samuel Iram
Pedraza Isabel Vicente
Sandoval Vargas Angel
Carlos

36
 CONCLUSIÓN
Finalmente, al realizar el cuadro comparativo de los métodos solicitados como lo son: el método
simplex, dual Simplex, método de las dos fases, método de la M, así mismo los casos especiales
como también los análisis de sensibilidad, ayudan a que el propósito de la Investigación de
Operaciones sea más factible, es decir, que todos buscan llegar al resultado más óptimo para la
toma de decisiones sea el problema que se presente.

Para ello es muy importante conocer que para cada método expuesto presentan características,
semejanzas y diferencias muy denotadas, ya que cada uno está enfocado a cada tipo de problema
y principalmente apegado a las desigualdades e igualdades que se sustentan en las restricciones,
lo cual a partir de esto se encaminan a ciertos pasos por cada uno de los métodos y así mismo
encontrar la solución más óptima.
Por ejemplo, el método simplex según (IZAR 2012) es un método de programación lineal donde
intervienen tres o más variables lo cual tiene como prioridad ir mejorando la solución a cada
paso, más sin embargo el proceso concluye cuando no es posible seguir mejorando dicha
solución. Este tipo de método se caracteriza simplemente por utilizar el tipo de restricción”
menor o igual que”
. Conforme a esto se involucran varios procedimientos como son el convertir las desigualdades
a igualdades, seguidamente se agregan variables de holgura denotada por la letra (S) en la función
objetivo, para posteriormente construir las tablas simplex descartando ceros y números negativos
en nuestra variable de función objetivo, entre otros pasos a realizar. Por lo tanto, como este
método al igual que otros se encaminan a encontrar la solución factible.
Cabe mencionar que dentro de la Investigación de Operaciones se presentan 5 casos especiales en
el método simplex, como es la solución óptima múltiple, la cual se presenta cuando la función
objetivo es paralela a una restricción, de igual forma se contempla el caso de la solución
degenerada, la esta ocurre cuando en alguna iteración del método simple existe un empate en la
selección de la variable que sale, dentro de estos 2 primeros casos como también contemplando la
solución ilimitada y la soluciones no existentes los cuales infieren en los pasos normales del
método simplex, teniendo que realizar ciertas modificaciones para proseguir con el método.
Así mismo en la IO el análisis de sensibilidad según (TAHA, 2012, pág. 108) define como los
parámetros de programación lineal (datos de entrada) del modelo que pueden cambiar dentro de
los límites sin que cambie la solución óptima. Los cuales al realizar este análisis investiga el
efecto
que tiene la solución óptima proporcionada por el método simplex por el hecho de que los
parámetros tomaran otros valores posibles.

Por lo tanto, al efectuar este trabajo se concluye que ña aplicación de estos métodos en un caso
determinado a optimizar arrojara sin duda un procedimiento que llevara a cabo una
administración eficaz dentro de una empresa, fabrica etc. Ya que quiere decir que son los
parámetros más beneficiosos que se deben de considerar en donde se obtiene el mayor uso de
recursos mejorando, innovando y comprobando en si una mejor satisfacción para lo que se
requiera ya sea maximizar o minimizar.

Integrantes de equipo:
González Santos María Micela
Manuel Medina Carlos
Martínez Ángeles Samuel Iram
Pedraza Isabel Vicente
Sandoval Vargas Angel
Carlos

37
 CONCLUSIONES INDIVIDUALES
Los métodos para resolver un problema de programación lineal pueden ser diversos y llevan una
serie de paso para poder obtener una solución óptima del problema. El primer método por el cual
se puede resolver un problema es el método Simplex el cual se define como un proceso
algebraico, y para poder usarlo se necesitan aplicar variables artificiales para poder obtener una
solución factible. También mediante esta investigación se ha observado que cada uno de los
problemas lineales que se presentan tienen una interpretación primal (original) y una dual que se
refiere a reforzar la capacidad de analizar el problema. El siguiente método que se verificó fue el
método simplex dual que como su nombre lo indica deriva de un análisis más óptimo del
problema simplex primal cuyas soluciones que resultan de este procedimiento son factibles en
este primer caso, pero no lo son al evaluar el problema dual y es así como se aplican los mismos
pasos que en el simplex primal, pero se trata de llegar a una solución factible para ambos análisis
del problema. El siguiente método es el de la M y este se realiza agregando variables artificiales a
la ecuación, estas variables no son consideradas parte del problema, este método requiere una
igualación a cero al alcanzar la interpretación optima y se conoce que si la variable M es negativa
es un problema de maximización y si es positiva de minimización. El método de las dos fases se
enfoca en encontrar una solución factible inicial al problema de programación lineal y en caso de
encontrarla se lleva la fase dos para resolverlo. Cada uno de estos métodos conllevan a encontrar
la solución factible que requiera para llegar a una solución óptima. Los casos especiales del
método simplex son cuatro, degeneración que aparece cuando existe un empate, óptimos
alternativos que una ecuación funcione como la solución óptima, solución no acotada esto se
refiere cuando una variable aparece de forma indefinida y no viola ninguna restricción y solución
no factible ocurre cuando si una variable artificial es positiva en la iteración optima no existe
solución factible.

González Santos María Micaela

Al realizar este cuadro comparativo sobre los métodos de programación lineal como los son: el
método simplex, método dual, métodos de las dos fases y método de la M, como también el
analizar los casos especiales del método simplex y el análisis de sensibilidad para este método.
Sin dudad alguna una de las cosas más importantes a resaltar es que cada uno de estos métodos
tienen una diferencia muy específica y es el hecho de cómo aplicarlo para cada tipo de
problema, si bien se
denotan por el tipo de desigualdad con que cuentan las restricciones y que a partir de esto se
encaminan a la serie de pasos independientemente de cada método. Más sin embargo el hecho de
estar muy definidos no quita la posibilidad de su semejanza, la cual todos estos métodos están
entrelazados con el propósito de la Investigación de Operaciones que es buscar la solución más
optima sea cualquier tipo de problema ya sea si se necesita maximizar o minimizar. De acuerdo
con los casos especiales en el método simplex como el de degeneración, soluciones no acotadas,
optimas alternativas y las soluciones no existentes las cuales infieren en el método simplex como
que son aquellas situaciones de los cuales harán que este método retome ciertos cambios en sus
pasos que lo distinguen , así mismo se contempla el análisis de sensibilidad la cual ayudará a
investigar los parámetros de aquellos valores que tomen una cierta indiferencia y que no sean los
valores posibles en la solución óptima.

Para ello se puede concluir que al realzar este cuadro comparativo ayuda a tener una mejor
compresión de cada método y comenzar a conocer cuándo y cómo aplicar cada uno de estos para
llegar al resultado más optimo del problema y así mismo con la ayuda de los ejemplos tener una
idea más clara de cómo resolverlos y los pasos a seguir.
Manuel Medina Carlos

Mediante a estos métodos de programación, se logra comprender mejor lo que se está poniendo
en práctica, se muestra cómo se comporta cada uno de estos y gracias a esto se logra observar de
qué manera se puede mejorar los problemas que se presentan. De esta manera se comporta el
método simplex, es un procedimiento iterativo que permite mejorar la solución de la función
objetivo en cada paso. El proceso concluye cuando no es posible continuar mejorando dicho
valor, es decir, se ha alcanzado la solución óptima (el mayor o menor valor posible, según el
caso, para el que se satisfacen todas las restricciones). Con base a esto se comprueba lo que son
las variables, la función objetivo y las restricciones establecidas, con las graficaciónes se ve de
qué manera se comportan las funciones. Así mismo este método nos ayuda a comprobar que la
planeación del problema este
correcto.
Martínez Ángeles Samuel Iram

Los métodos anteriormente mencionados, pueden ayudar a encontrar la solución al problema,

unos métodos son más complejos que otros, pero tienen similitudes, pudiendo así trabajar en
armonía, el método simplex, es el método utilizado por su gran facilidad de aplicación, en
cambio los métodos que complementarían este serian, el método de las dos fases y el método de
la gran M. Los métodos surgen a partir de solucionar problemáticas en la toma de decisiones
acerca de la
mejor utilización de materiales bélicos. Se presume que el nombre de Investigación de
Operaciones fue dado aparentemente porque el equipo de científicos estaba llevando a cabo la
actividad de Investigar Operaciones (militares). Una vez terminada los conflictos bélicos, fueron
adaptados para mejorar la eficiencia y la productividad del sector civil. Un modelo de
investigación de operaciones requiere de una abstracción de la realidad, además de identificar
los factores dominantes que
determinan el comportamiento del sistema de estudio.
Pedraza Isabel Vicente
Base a los estudios implementaos por diferentes autores con los que se llega a contemplar la
naturaleza administrativa con procesos de solución a una maximización ya sea de ingresos,
productos, logística, actividad productiva etc. O una minimización de costos, materia, horas
consumidas etc. Se cuenta con estos métodos que a su vez trabajan de forma algebraica,
aritmética y programación lineal en donde nos dejan sin margen de error al momento de querer
obtener algo de manera óptima para ellos si se cuenta con solo dos variables es posible ejecutar el
método algebraico lineal ya que su solución se basa en un plano con dos variables pero no
obstante si se cuenta con dos o más variables en el problema lo más viable será el tomar el
método simplex, el método de la M o el de las dos fases.
Aunque hay que recalcar que solamente se tomara el método simplex cuando las restricciones
contengan desigualdades “ ” ya que el procedimiento lo requiere. En tanto que a diferencia:
método de la M y de las dos fases se puede manejar “ ” o “ ” para encontrar la solución en si
son muy similares en su procedimiento aunque se tiene con ciertas diferencias , por ejemplo, el
método de las dos fases utiliza múltiples variables dependiendo al tipo de desigualdad o igualdad
que se tenga en las restricciones la cual puede ser de holgura, excedente más artificial o artificial
en donde se sustituyen todas estas variables en la función objetivo, en cambio al método de la M
se sustituyen los valores de la función objetivo con las variables artificiales y estas se multiplican
con la letra M en donde al momento construir la tabla se diferencian entre si comparándola con el
método de las dos fases.

En si se tiene que contar pleno conocimiento de estos métodos para deducir cual es el más
indicado para resolver un problema de optimización, para así obtener el resultado deseado de
una manera
más efectiva y eficaz de obtener una solución.
Sandoval Vargas Angel Carlos

Integrantes de equipo:
González Santos María Micela
Manuel Medina Carlos
Martínez Ángeles Samuel Iram
Pedraza Isabel Vicente
Sandoval Vargas Angel
Carlos

40
 BIBLIOGRAFÍA

Hillier, Frederick S. y Lieberman Gerald (2010). Introducción a la Investigación de Operaciones.

(9ª Ed.). México, D.F. Mc Graw Hill.

Gould, G. E. (2000). Investigación de Operaciones en la Ciencia Administrativa. México:

PRENTICE-HALL.

Hamdy A. Taha (2012), Investigación de Operaciones, (9ª Ed.), Pearson.

Juan Manuel Izar L. J. M (2012), Investigación de Operaciones, (2ª Ed.). México D.F., Trillas.

Anderson R. D., Sweeney J.D., Willians A. T., Camm D. J., Martin K. (2011). Métodos
cuantitativos para los negocios. (11ª Ed.). México, D.F. Cengage Learning.
EVIDENCIAS PAGINAS SOLICITADAS
Integrantes de equipo:
González Santos María Micela
Manuel Medina Carlos
Martínez Ángeles Samuel Iram
Pedraza Isabel Vicente
Sandoval Vargas Angel
Carlos

43
Evidencias