Universidad Nacional Del Altiplano

FACULTAD DE MECANICA ELECTRICA ELECTRONICA Y SISTEMAS

ESCUELA PROFESIONAL DE INGENIERIA DE SISTEMAS

TEMA: INFORME DE MODELO GRAFICO Y

MODELO SIMPLEX
CURSO: OPTIMIZACION DE SISTEMAS

DOCENTE: ING. ROSA VIRGINIA ENCINAS

QUILLE

PRESENTADO POR:

JEAN PIERRE SERRUTO LA TORRE

ERICK FERNANDO FLORES MERMA

SEMESTRE: IX
Puno- Perú
Método Gráfico
El Método Gráfico (resolución gráfica) constituye una excelente alternativa de representación y
resolución de modelos de Programación Lineal que tienen 2 variables de decisión.
Para estos efectos existen herramientas computacionales que facilitan la aplicación del método gráfico como
los softwares TORA, IORTutorial y Geogebra, los cuales se pueden consultar en detalle en Cómo Resolver
Gráficamente un Modelo de Programación Lineal con TORA, Cómo Resolver Gráficamente un Modelo de
Programación Lineal con IORTutorial y Cómo Resolver Gráficamente un modelo de Programación Lineal
con Geogebra, respectivamente. En este contexto a continuación presentamos un compendio de ejercicios de
Programación Lineal resueltos a través del método gráfico.

Pasos Para Su Solución:

a. Convertir las desigualdades en igualdades, reemplazando los signos ≤, ≥ por el signo =; este cambio
genera líneas rectas.
b. Tabular cada restricción de acuerdo con las técnicas de las matemáticas, para hallar los puntos de
corte en el plano cartesiano P(X1, X2).
c. Representar los puntos hallados en el plano P(X1, X2), en el primer cuadrante, donde se generan las
reas positivas de soluciones factibles de acuerdo con la condición de no negatividad.
d. Graficar las restricciones convertidas en ecuaciones de línea recta en el plano P(X1, X2), utilizando
flechas en cada restricción para ver el sentido de estas y determinar la región que debe considerarse,
Como parte del espacio de solución.
e. Determinar el área de soluciones factibles, o polígono de solución factible. Que debe ser igual al área
Común resultante de representar las restricciones en el plano P(X1, X2).
f. Escoger como solución óptima el vértice del espacio de soluciones factible que maximice o
minimice la función objetivo. Determinar los valores de las variables.

EJEMPLO
Un taller tiene tres (3) tipos de máquinas A, B y C; puede fabricar dos (2) productos 1 y 2, todos los productos
tienen que ir a cada máquina y cada uno va en el mismo orden: Primero a la máquina A, luego a la B y luego
a la C. La siguiente tabla muestra:

 Las horas requeridas en cada máquina, por unidad de producto

 Las horas requeridas en cada máquina, por unidad de producto
 Las horas requeridas en cada máquina, por unidad de producto

Formule y resuelva a través del método gráfico un modelo de Programación Lineal para la situación anterior
que permite obtener la máxima ganancia para el taller.
 Variables de Decisión:
 : Unidades a producir del Producto 1 semanalmente
 : Unidades a producir del Producto 2 semanalmente
Función Objetivo:
Maximizar

Restricciones:




Las restricciones representan la disponibilidad de horas semanales para las máquinas A, B y C,
respectivamente, además de incorporar las condiciones de no negatividad.

Para la resolución gráfica de este modelo utilizaremos el software GLP cual abordamos en el
artículo Problema de Planificación Forestal resuelto con Graphic Linear Optimizer (GLP). El área
de color verde corresponde al conjunto de soluciones factibles y la curva de nivel de la función objetivo que
pasa por el vértice óptimo se muestra con una línea punteada de color rojo.

El software Graphic Linear Optimizer (GLP) es una excelente herramienta que permite resolver
gráficamente modelos de Programación Lineal. GLP fue desarrollado bajo la supervisión del profesor Jeffrey
Moore (Ph. D) perteneciente a la Universidad de Stanford en Estados Unidos.
METODO SIMPLEX
¿Qué es el método simplex?
El método simplex es un procedimiento iterativo para resolver problemas de programación lineal, donde se
busca obtener la solución óptima de la función objetivo que logre cumplir el conjunto de restricciones.

Conceptos Básicos
Para comprender de mejor manera el método simplex vamos a revisar algunas definiciones.

El método parte de dos afirmaciones importantes:

El conjunto de posibles soluciones o conjunto factible de cualquier problema de programación lineal puede
representarse mediante un poliedro convexo.
Si un problema de programación lineal tiene una solución óptima y finita, ésta estará en un vértice del
poliedro convexo que representa al problema.
El algoritmo simplex parte de uno de los vértices del poliedro, y verifica si es el óptimo; si no lo es, busca un
nuevo vértice adyacente que va mejorando el valor de la función objetivo. Se continúa iterando hasta llegar al
vértice que representa la solución óptima.

En la siguiente imagen vemos el poliedro que representa la solución factible y cómo realiza el recorrido el
algoritmo simplex
PASOS PARA REALIZAR METODO SIMPLEX
1. Definir el problema en la forma estándar y generar nuestra matriz.
2. Determinar la solución básica inicial.
3. Seleccionar la variable de entrada utilizando la condición de optimalidad. Si no se puede
seleccionar una variable de entrada, quiere decir que estamos en la condición óptima y finalizan
las iteraciones. De otro modo se continúa con el siguiente paso.
4. Seleccionar la variable de salida utilizando la condición de factibilidad.
5. Actualizar nuestra matriz realizando las operaciones de Gauss-Jordan. Volver al paso número 3.

EJEMPLO
Don Francisco quiere mejorar el negocio familiar de explotación de la patata integral aplicando las técnicas de
programación lineal.
Su negocio es la venta de productos derivados de la patata, de los cuales hay cuatro tipos: patatas troceadas para
ensaladilla, puré de patatas, patatas fritas a la inglesa y patatas congeladas para freír.
A su negocio, don Francisco y doña Remedios, su mujer, dedican como máximo entre los dos 100 horas
semanales.
Para fabricar un kilo de cada producto el tiempo a dedicar es el siguiente: patatas troceadas 3 horas, puré de
patatas 5 horas, patatas fritas a la inglesa 10 horas, patatas congeladas 15 horas.
Como su almacén es pequeño no pueden tener almacenados más de 15 kilos de producto terminado y más de
120 kilos en sacos de patata.
No todos los productos tienen igual rendimiento. Por cada kilo de producto terminado necesita una cantidad
mayor de producto bruto. Esta relación es la siguiente:

 Para hacer un kilo de patatas para ensalada necesita 7 kilos de patatas.

 Para hacer un kilo de puré de patatas necesita 5 kilos de patatas.
 Para hacer un kilo de patatas a la inglesa necesita 3 kilos de patatas.
 Para hacer un kilo de patatas congeladas necesita 2 kilos de patatas.
La ganancia también es diferente:
 4 ptas./kg patatas ensalada.
 5 ptas./kg puré patatas.
 9 ptas./kg patatas inglesa.
 11 ptas./kg patatas congeladas.
¿Cuánto debe fabricar de cada una de las especialidades para que su beneficio sea máximo?
FUNCION OBJETIVO: Max 4 X1 + 5 X2 + 9 X3 + 11 X4

RESTRICCIONES:
X1 + X2 + X3 + X4 ≤ 15
3 X1 + 5 X2 + 10 X3 + 15 X4 ≤ 100
7 X1 + 5 X2 + 3 X3 + 2 X4 ≤ 120
X1,X2,X3,X4≥ 0

a) Se tienen que transformar las inecuaciones en ecuaciones, para lo cual introducimos unas variables llamadas
variables de holgura.
Para transformar una desigualdad menor o igual en igual tendremos que sumarle la variable de holgura.

Introducimos las variables de holgura en las restricciones:

X1 + X2 + X3 + X4 + X5 = 15
7 X1 + 5 X2 + 3 X3 + 2 X4 + X6 = 120
3 X1 + 5 X2 + 10 X3 + 15 X4 + X7 = 100

b) Para empezar a aplicar el método simplex necesitamos una base factible inicial (luego iremos optimizando).
Entonces partimos de una solución inicial del sistema formado por las restricciones y luego mediante una serie
de iteraciones del método iremos mejorando esta solución de acuerdo con nuestra función objetivo.
La base factible inicial será:
X1, X2, X3, X4 = 0
X5 = 15
X6 = 120
X7 = 100
F.O. = 0
c) Se construye la siguiente tabla:
X1 X2 X3 X4 X5 X6 X7 Bi

L0 -4 -5 -9 -11 0 0 0 0

L1 1 1 1 1 1 0 0 15

L2 7 5 3 2 0 1 0 120

L3 3 5 10 15 0 0 1 100

Aplicando el criterio1 vemos que entra en la base la variable X4. Vamos a aplicar el criterio2 para ver cuál sale:
Min [15/1, 120/2, 100/15] = 100/15

Criterio de entrada a la base: CRITERIO 1

De todas las variables no básicas, que son aquéllas con coeficiente distinto de cero en L0 (línea cero), se elige
aquélla que tenga el coeficiente más negativo, y éste me indicará la columna correspondiente a la variable que
entra.
En el caso de que no existiese en L0 algún coeficiente negativo, entonces se habrá alcanzado la solución óptima
y las variables que en ese momento formen la base confeccionarán la solución óptima.
Luego lo que va a señalar el final de aplicar el método SIMPLEX es que en L0 no haya elementos negativos.
Para que entre una variable en la base es necesario que salga otra de la base.

Criterio de salida de la base: CRITERIO 2

 Se dividen los elementos de la columna bi por sus correspondientes a(ij) en la columna de la variable que entra,
siempre que estos últimos sean mayores que cero.
Si hubiese algún elemento menor o igual que cero, no haríamos dicho cociente. En el caso de que todos los
elementos fuesen menores o iguales a cero, entonces tendríamos una solución no acotada y no podríamos seguir.
Lo que nos interesa es incrementar la variable que entra en la base lo más posible, hasta que hagamos nula una
de las variables que están ahora en la base.

Con esto pasamos al procedimiento matemático de entrada a la base de la variable seleccionada. Para ello
pivotamos en el coeficiente a(ij) de la variable seleccionada. Entonces dividimos la fila i por a(ij); en el resto
de las filas haremos la eliminación de Gauss.

Luego sale la variable X7.

Nos queda lo siguiente:
X1 X2 X3 X4 X5 X6 X7 Bi

L0 -9/5 -4/3 -5/3 0 0 0 11/5 220/3

L1 4/5 2/3 1/3 0 1 0 -1/15 25/3

L2 3/5 1/3 5/3 0 0 1 -2/15 320/3

L3 1/5 1/3 2/3 1 0 0 1/5 20/3

Aplicando iterativamente el método tenemos que entra X1 y sale X5:

X1 X2 X3 X4 X5 X6 X7 Bi

L0 0 1/6 -11/12 0 9/4 0 7/2 1105/12

L1 1 5/6 5/12 0 5/4 0 -1/12 125/12

L2 0 -7/6 -13/12 0 -33/4 1 5/12 455/12

L3 0 1/6 7/12 1 -1/4 0 1/12 55/12

Entra X3 y sale X4
X1 X2 X3 X4 X5 X6 X7 Bi

L0 0 3/7 0 11/7 13/7 0 5/7 695/7

L1 1 5/7 0 -5/7 10/7 0 -1/7 50/7

 L2 0 -6/7 0 13/7 -61/7 1 4/7 325/7

L3 0 2/7 1 12/7 -3/7 0 1/7 55/7

Ya no podemos aplicar el criterio1, luego ya hemos llegado a una solución óptima. La función objetivo vale
695/7, que será el beneficio máximo. La base óptima será
X1 = 50/7
X3 = 55/7
X6 = 325/7
Luego deberá fabricar cada semana 50/7 kg de patatas para ensaladilla y 55/7 kg de patatas fritas a la inglesa.

El que X6 = 325/7 indica que tiene un exceso de 325/7 kg sobre los 120 teóricos máximos de patatas, es decir,
si en su almacén tuviera 120 – (325/7) kg de patatas, la solución seguiría siendo óptima.

Al ser las otras variables de holgura cero implica que no hay holgura en esa restricción. Por lo tanto, que hay
que cumplirla exactamente, es decir, don Francisco y doña Reme, tendrán siempre ocupado su almacén de
productos terminados y tendrán que trabajar las 100 horas que tenían asignadas.

SITUACIONES A TENER EN CUENTA:

1) Al aplicar el criterio 1 puede suceder que existan dos o más coeficientes que cumplan simultáneamente la
condición de negatividad siendo iguales. En este caso, se elige uno cualquiera o podemos aplicar uno de los
criterios siguientes:
a) Tomar aquella variable de subíndice menor.
b) Elegir la variable que supongamos que debe estar en la base final.
2) Es posible encontrarnos en una situación en la que la L0 exista un coeficiente con valor 0 que corresponda
a una variable no básica. Obviamente, si introdujésemos la variable correspondiente a este coeficiente dentro
de la base, no se produciría un incremento en el valor de nuestra función objetivo, por lo que nos proporcionaría
otra base optimal. Por tanto, si tenemos dos bases optimales, podremos construir infinitas soluciones sin más
que realizar un promedio de ponderación positiva con ambas soluciones, es decir, si tenemos dos bases
optimales Xi´ y Xi´´, podremos crear una nueva solución optimal, Xi, aplicando la siguiente relación:

3) Puede suceder que al aplicar el criterio 2, todos los ‘aij’ de la columna correspondiente sean menores o
iguales que cero. Esto nos indica que estamos en el caso de una solución no acotada.

4) Pudiera ser que al aplicar el criterio 2, al calcular los cocientes ‘bi/aij’, dos omás de estos cocientes salgan
iguales, lo que nos indica que cualquiera de las variables correspondientes pueden salir de la base. A este caso
se le conoce como base degenerada.

Tras esta situación podría suceder que no escogiéramos la variable óptima produciendo que el algoritmo no
pueda converger (puede dar lugar a un bucle). Para solucionar este problema aplicaremos el siguiente criterio:
Sean ‘r’ y ‘s’ las filas en las que se produzca el empate, y sea ‘k’ la columna donde se encuentra la variable de
entrada. Se calcularán los cocientes siguientes:

Si (ari / ark) < (asi / ask) la variable que sale de la base es la correspondiente a la fila ‘r’.
Si (ari / ark) > (asi / ask) la variable que sale de la base es la correspondiente a la fila ‘s’.

Estos cocientes los iremos en orden lexicográfico, es decir, iremos incrementando ‘i’ hasta que aparezca en una
columna ‘i’ una de las circunstancias anteriormente expuestas. En caso de no poder elegir uno de los dos
criterios anteriores, tomar una variable al azar.
 5) Si en lugar de maximizar, se trata de un problema de minimizar, existen dos posibilidades para el tratamiento
del problema:
a) Pasarlo a un problema de maximización de la forma: Min [F(x)] = Max [-F(x)] El
tratamiento se haría como hemos visto hasta ahora. Como estamos maximizando -F(x),
tenemos que tener en cuenta que al resultado obtenido le tenemos que cambiar el signo para
obtener el resultado de F(x).
b) Si en lugar de un problema de maximizar se trata de uno de minimizar, lo que tendríamos
que cambiar es el criterio 1 del Simplex, ya que es el que gobierna la optimalidad. Por tanto
bastará con cambiar el sentido del criterio:

Criterio 1’:
- Para entrar en la base elegiremos a aquella variable cuyo valor, en la L0, sea más positivo.
- Finalizaremos las iteraciones cuando todos los coeficientes de la L0 sean negativos.

6) En el caso en que al aplicar simplex, encontremos algún coeficiente de la columna bi con signo negativo,
estamos en el caso de una solución no factible, por lo que no podremos continuar con este método.
Posteriormente, veremos que cuando aparezca este tipo de problema, lo que aplicaremos será el simplex dual.

Método Determinístico Dual

Uno de los descubrimientos más importantes durante el desarrollo de la programación lineal fue el concepto de
la “dualidad”, y sus ramificaciones. El descubrimiento indicó que cada problema de los modelos lineales tiene
otro relacionado, llamado “dual”. Hay varias relaciones importantísimas entre los dos problemas, las cuales
facilitan el trabajo de análisis entre los siguientes tres campos principales:

Tecnología de la informática.
Análisis económico.
Análisis postóptimo.

Actualmente en la tecnología de la informática, se utiliza el Método Dual, el cual reduce el tamaño de la base
básica que emplea el Método Simplex. La problemática consiste en el tamaño de la base, ya que esto determina
el espacio que ocupa de la memoria de la computadora y lo puede volver más lento. En este caso, el tiempo
para resolver un problema depende más del número de restricciones que del número de variables.

Existe otro problema, el Dual, que se expresa así:

Problema Dual
Min Z=b *y
c.s.r.
A *y ≤ C
Y≥0

Método dual simplex Este método se usa para cuando se desea maximizar la función objetivo. A través de este,
los (Zj – Cj ) tienen que ser positivos, lo cual indica que la solución es óptima. Al aplicar el método del dual
simplex se deben seguir las siguientes reglas: Regla 1 variable que sale de la base:
 MÉTODO GRAN M

Este método es una solución a los casos de las restricciones mayor igual, cuando se va a optimizar la función
objetivo, ya sea maximizando o minimizando.

Este método consiste en penalizar la presencia de variables artificiales, mediante la introducción de una
constante “M”, definida como un Valor MUY GRANDE o MUY PEQUEÑO pero finito

COMO TRABAJA EL GRAN M

Este método es una solución a los casos de las restricciones mayor igual, cuando se va a optimizar la función
objetivo, ya sea maximizando o minimizando.

La primera solución básica del método Símplex debe incluir todas las variables artificiales que fueron necesarias
en el arreglo del modelo de programación lineal. Las variables artificiales se utilizan para tomar la primer
solución básica.

A medida que se cumplen las etapas de cálculo en el simplex, las variables artificiales deberán ir saliendo de la
misma, gracias al tamaño del coeficiente ‘M’. Si se presenta el caso que las variables artificiales no se logren
sacar de la base y por lo tanto se anulen, ello significará que tal problema NO tiene solución factible.

LO QUE SE DEBE SABER

VARIABLES DE HOLGURA:

Son las que se agregan o suman a las desigualdades de < .Pueden tomar valor en la solución óptima del
problema, indicando que existen unidades disponibles de un recurso determinado

VARIABLES ARTIFICIALES :

Son las variables que se suman o agregan a las desigualdades de > y a las igualdades (=).Son un artificio
matemático que sirve para completar la matriz identidad. No pueden tomar valor en la solución óptima y
cuando esto sucede, la solución se llama INCONSISTENTE.

VARIABLES DE EXCEDENTE

Son las variables que se restan a las desigualdades de > , pueden tomar valor en la solución óptima, indicando
la cantidad adicional que se está utilizando de un recurso mínimo determinado. Penalizar las variables
artificiales a manejar en la función objetivo; esto, con el objeto de tratar de asegurar que dichas variables no
aparezcan en la solución final del problema.

• Menor para una variable de holgura.

• Igual para una variable artificial.
• Mayor para una variable excedente más una variable artificial.
• Se agregan variables como se indica y se penalizan las variables artificiales en la F.O., asignando una
“M”.
• Se utiliza Simplex para quitar las M de la columna artificial, así se logra una solución básica inicial

AHORA UN PROBLEMA PARA ILUSTRAR..

La empresa siderúrgica ACESCO fabrica aleación de acero inoxidable tipo dúplex que consta en su etapa inicial
de dos componentes fundamentales: mineral de hierro y cromo, dispone de un horno con capacidad de
producción de hasta 6 toneladas semanales para el cual por requisitos de calidad debe ser cargado con el 50%
de los dos materiales y al total de su capacidad.
Vale la pena aclarar que la mínima cantidad a producir semanalmente deben ser 6 toneladas de acero las cuales
deben contar con el 60% del mineral de hierro y el 40% de cromo según especificaciones técnicas.
Así mismo las directivas han dispuesto de 2,7 millones de dólares para la compra anual de los minerales
directo de minas extranjeras.

Sin embargo de esa compra anual, mínimo el 30% del mineral de hierro y el 10% del mineral de cromo deben
ser de alta pureza para garantizar la calidad óptima del acero inoxidable.
La junta directiva desea minimizar los costos de los minerales, teniendo en cuenta que la planta solo cuenta con
capacidad para almacenar 40% de hierro y 50% de cromo.

DEFINICIÓN DE VARIABLES

• Analizando la situación diremos que las variables serán la cantidad de toneladas necesarias para
fabricar la aleación y serían las siguientes:
• X1 = Toneladas de mineral de hierro a utilizar en la aleación.
• X2 = Toneladas de Cromo a utilizar en la aleación.

FUNCIÓN OBJETIVO

El problema que tiene la siderúrgica consiste en determinar la cantidad en toneladas de mineral de hierro y
cromo que debe comprar para utilizar en la aleación, al menor precio posible y de esta forma minimizar los
costos, así que la función objetivo sería:

MINIMIZAR Z: 0,4XI + O,5X2

RESTRICCIONES

Restricción N° 1 : capacidad del horno; según la cantidad de mineral para el caso 50% hierro y 50% cromo:

0,5X1 + 0,5X2 = 6

Restricción N° 2 : restricción de producción; la mínima cantidad a producir serán 6 toneladas y según

especificaciones técnicas estarán compuestas por 60% de hierro y 40% de cromo:

0,6X1 + 0,4X2 ≥ 6

Restricción N° 3 : restricción financiera; las directivas cuentan con US$ 2,7 para invertir en la importación de
los minerales pero el 30% del hierro y el 10% del cromo tendrán que ser minerales de alta pureza por temas
de calidad:

0,3X1 + 0,1X2 ≤ 2,7

RESOLUCIÓN GRAN “M” PASO A PASO

PASO 1: Convertir las desigualdades de las restricciones en igualdades.

MINIMIZAR Z: 0,4X1+ O,5X2

0,5X1 + 0,5X2 = 6
0,6X1 + 0,4X2 = 6
0,3X1 + 0,1X2 = 2,7

PASO 2: Variables que deben agregarse en las restricciones

MINIMIZAR Z: 0,4X1+ O,5X2

= → +R
≥ → +R, -S
≤ → +S

PASO 3: Variables que deben agregarse en las restricciones

MINIMIZAR Z: 0,4X1+ O,5X2

0,5X1 + 0,5X2 + R1 = 6
0,6X1 + 0,4X2 + R2 - S1 = 6
0,3X1 + 0,1X2 + S2 = 2,7

PASO 5: Definir las variables básicas y no básicas.

Se usan las variables artificiales como solución básica factible para las restricciones de tipo ≥ e =
MIN Z: 0,4X1 + O,5X2 + MR1 + MR2

PASO 6: Expresar la función objetivo en términos de variables básicas con base en las restricciones y
despejar

MIN Z: 0,4X1 + O,5X2 + MR1 + MR2

Despejando R1 y R2 tenemos:

0,5X1 + 0,5X2 + R1 = 6 0, 6X1 + 0,4X2 + R2 - S1 = 6

R1 = 6 – 0,5X1 – 0,5X2 R2 = 6 – 0,6X1 – 0,4X2 + S1

PASO 7: Expresar la función objetivo en términos de variables básicas con base en las restricciones y
despejar

Sustituyendo en la función objetivo:

Z = 0,4X1 + O,5X2 + M(6 – 0,5X1 – 0,5X2) + M(6 – 0,6X1 – 0,4X2 + S1)

Realizando las operaciones algebraicas se obtiene:

Z – (0,4 – 1,1M)X1 – (0,5 – 0,9M)X2 – S1 = 12M

PASO 8: Plantear la tabla básica inicial, en la columna van las variables del ejercicio y en las filas la función
objetivo y las restricciones
PASO 9: Se selecciona la variable de entrada correspondiente a la condición optima, si es MIN se selecciona
la variable No básica más positiva

PASO 10: Seleccionar la variable de salida correspondiente a la condición de factibilidad, columna solución ÷
entre los valores de la columna entrada
PASO 11: Se elige la fila en donde el resultado es el más pequeño de la columna solución

PASO 12: Se calcula la ecuación pivote dividiendo la fila pivote entre el elemento pivote.

ECUACIÓN PIVOTE
Paso 13: Se multiplica por el factor pivote según corresponda en cada variable

Se calcula la ecuación pivote dividiendo la fila pivote entre el elemento pivote

Se confecciona la nueva tabla con los resultados obtenidos en cada variable para realizar una nueva iteración
repitiendo el procedimiento hasta encontrar la solución óptima
PROBANDO CON EL SOFTWARE ATOZMATH
 CONCLUSIONES

Observamos que el resultado por Simplex y método gráfico nos indica que:
Min Z = 5,25 X1 = 7,5 X2 = 4,5

Eso quiere decir que deberían gastarse US$ 5,25 millones para lograr la producción según las restricciones
planteadas, comprando 7,5 toneladas de mineral de hierro y 4,5 toneladas de cromo.
Existe una diferencia bastante significativa entre el método de la gran “M” y el método Simplex, ya que gran
“M” brinda una solución más optima que Simplex que nos da una solución optima pero no la mejor para este
caso.

Gracias a este ejercicio podemos concluir que el método de la gran “M” nos sirve para optimizar de mejor
manera problemas en donde se presentan mezclas de signos < = >, encontrando la solución más optima
con respecto a otros métodos como el gráfico o el Simplex que únicamente nos muestran una de las
soluciones más factible nada más.También es muy útil en los casos en que los problemas cuentan con
muchas restricciones, ya que al ser la dimensionalidad del problema muy amplia o extensa, este método
trabaja con un mejor nivel de precisión que los anteriormente vistos.Tiene la desventaja que no funciona
adecuadamente con problemas con restricciones únicamente de tipo <.

REFERENCIAS:

Link de diapositivas compartidas grupo IV

https://drive.google.com/drive/folders/1oLz-v3jrcfeJTs3fDQ2Z-a_l7Rt1iptw?usp=sharing