INVES

FACULTAD DE INGENIERAS Y ARQUITECTURAS
Escuela Profesional de Ingeniera Industrial
Investigacin de Operaciones I
Lic. Hctor F. Cerna Maguia
Ciclo V
DireccinUniversitariadeEducacinaDistancia

Universidad Alas Peruanas Direccin Universitaria de Educacin a Distancia (DUED) Calle Los Lirios 144, San Isidro. LimaPer Telf. (511) 4221808 http://dued.uap.edu.pe dued@uap.edu.pe Impreso en los talleres grficos de la Universidad Alas Peruanas Av. San Felipe 1109, Jess Mara. LimaPer Telf. (511) 2660195 Derechos reservados. No est permitida la reproduccin total o parcial de la obra por cualquier medio o procedimiento, comprendidos la reprografa, el tratamiento informtico y electrnico sin la autorizacin de la Universidad Alas Peruanas. 2010
Gua didctica
ndice
1. Presentacin de la Gua didctica 2. Presentacin del docente-tutor 3. Introduccin a la asignatura 4. Objetivos 5. Requisitos 6. Medios 7. Contenidos 8. Fuentes de informacin 9. Actividad acadmica 10. Evaluacin 11. Orientaciones para el estudio de la asignatura 12. Orientaciones para las tutoras
1. Presentacin de la Gua didctica
Estimado participante:
Lo saludamos nuevamente al dar inicio a la asignatura de Investigacin de Operaciones I y esperamos que haya cumplido los objetivos del cuarto ciclo de estudios en la modalidad de educacin a distancia.
Propsito El propsito de esta Gua didctica es apoyar el desarrollo de la asignatura y brindarle las orientaciones necesarias para facilitar su aprendizaje. Por ello es importante su permanente lectura y comprensin.
Utilidad Es importante que tenga en consideracin las precisiones detalladas en esta gua, ya que le permitirn:
Obtener respuesta a muchas de las interrogantes que usted probablemente se har en su proceso de aprendizaje. Conocer, con anticipacin, muchos de los tpicos que se tratarn en la asignatura y obtener el mximo provecho de las sesiones con el tutor y/o docente asignado.
Partes 6 Introduccin general al curso Presentacin del docente-tutor Introduccin a la asignatura Objetivos Requisitos Medios didcticos
Gua didctica
Contenidos del curso Fuentes de informacin Actividad acadmica Evaluacin Orientaciones para el estudio de la asignatura Orientaciones para las tutoras
Recomendaciones Lea detenidamente este documento y utilcelo en todo su proceso de estudio, consultndolo cada vez que sea necesario. En el caso de buscar un tpico especfico, no dude en ver el ndice que se encuentra en la parte inicial de esta gua, el mismo que le facilitar la rpida ubicacin del tema o aspecto que requiera consultar. Recuerde que cuenta con el apoyo de sus profesores en general, y docente o tutor en particular, para alcanzar los objetivos planteados para este curso y lograr la aprobacin del mismo.
2. Presentacin del docente
La Universidad Alas Peruanas se complace en presentar al licenciado Hctor Flix Cerna Maguia, quien ha elaborado el presente material didctico y estar a cargo del curso de Investigacin de Operaciones I.
El docente-tutor es la persona con la cual estar en constante comunicacin a fin de facilitarle su proceso de aprendizaje, de acuerdo a las caractersticas de esta modalidad educativa.
Se indica el correo electrnico mediante el cual podr comunicarse con el docente que tendr a su cargo la asignatura de Investigacin de Operaciones I, as como los principales datos de su hoja de vida para que tenga informacin de su experiencia e inquietudes profesionales.
Permtanos presentarle al docente-tutor de la asignatura: Hctor Flix Cerna Maguia es docente de esta universidad en la Facultad de Ingenieras y Arquitectura.
Docente en la Universidad Nacional Federico Villarreal en la Facultad de Ciencias Naturales y Matemtica (1997-2007). Docente permanente en la Universidad Nacional Mayor de San Marcos en la Facultad de Ciencias Contables (1998 a la fecha). Docente en Diplomado de Especializacin en Eficiencia en la Enseanza de comunicacin y Lgico matemtica. Centro de Altos Estudios PedaggicosUniversidad Nacional Federico Villarreal.
Presidente del Captulo de Investigacin Operativa del Colegio de Matemticos del Per (2008-2010). Licenciado en Investigacin Operativa (Universidad Nacional Mayor de San Marcos). Diplomado en Docencia Universitaria (Universidad Alas Peruanas). Experiencia en Elaboracin de Modelos Cuantitativos.
Gua didctica
Estudios concluidos en la Maestra en Docencia Universitaria y Gestin Educativa en la Universidad Alas Peruanas. Sus reas de inters son la investigacin cientfica aplicada a los Modelos Matemticos para resolver problemas del mundo real, como soporte en la toma de decisiones.
El docente siempre estar dispuesto a resolver las interrogantes que usted tenga respecto al curso. No dude en escribirle, pues siempre responder rpidamente sus mensajes.
3. Introduccin a la asignatura
A travs de estas lneas, queremos expresarles nuestras felicitaciones por haber culminado con xito el curso de Inferencia Estadstica. Asimismo le damos la bienvenida a la asignatura de Investigacin de Operaciones I (IO).
Cul es su finalidad? La finalidad de esta asignatura es lograr que usted se familiarice con los modelos cuantitativos y, en particular, centrar su atencin en la programacin lineal que es una tcnica de modelo matemtico, cuya finalidad principal es optimizar el uso de los recursos limitados. Las aplicaciones de IO se iniciaron con mucho xito en el campo militar, la agricultura, la industria, la economa, los sistemas de salud, control de la contaminacin ambiental, distribucin de materia prima e inclusive en los sistemas organizacionales. En estos tiempos, el aumento de las capacidades computacionales y la disponibilidad de programas permite que ms empresas tengan acceso a las ventajas de los modelos de programacin lineal. La idea es lograr que usted entienda lo que es un modelo matemtico, desarrolle habilidades para modelar y resolver el mismo.
Qu caractersticas tiene? Se trata de un curso terico-prctico, con mayor incidencia en la parte prctica, por lo cual se recomienda la constante revisin y desarrollo de los ejercicios, tanto de los realizados con el docente-tutor como de los propuestos.
10
Gua didctica
Datos informativos Asignatura Ciclo acadmico Crditos Naturaleza Requisito Docente-tutor : : : : : : Investigacin de Operaciones I V 4 Obligatoria Inferencia Estadstica Lic. Hctor Flix Cerna Maguia
Cunto tiempo debe dedicar al estudio de este curso? En la modalidad de educacin a distancia se le recomienda que dedique un tiempo mnimo de 10 horas semanales, debido a que la asignatura ser desarrollada en 8 semanas.
Para facilitar la organizacin de su tiempo en el desarrollo de contenidos, se indica, a manera de sugerencia, las semanas en las que debe usted debera estudiar los contenidos y desarrollar los ejercicios propuestos.
Cmo estn organizados los contenidos de este curso? Se han organizado en cuatro unidades didcticas:
Unidad I: Introduccin a la investigacin de operaciones y fundamentos de programacin lineal. Su finalidad es lograr que usted conozca la importancia de la Investigacin Operativa en la toma de decisiones y la formulacin de modelos lineales a gestin de operaciones de produccin, mezcla, distribucin entre otras, La solucin de algunos modelos con dos variables de decisin utilizando el mtodo grfico.
11
Unidad II: Representacin matemtica del modelo lineal y el mtodo simplex. Su finalidad es la representacin matemtica y su solucin para ms de tres variables de decisin utilizando el algoritmo simplex, utilizando este mismo algoritmo resolveremos problemas con la teora de la dualidad y su posterior anlisis de sensibilidad.
Unidad III: Aplicaciones Especiales de la programacin lineal. Su finalidad es resolver problemas de transporte y asignacin utilizando nuevos algoritmos de solucin dado que es mucho ms sencillo su desarrollo con estos algoritmos que por el mtodo simplex.
Unidad IV: Tpicos avanzados en programacin lineal-programacin lineal entera. La idea es mostrar modelos que tienen mltiples objetivos y convertir los objetivos mltiples originales en una sola meta. En la parte de programacin lineal entera es mostrar algunos problemas lineales cuyas variables de decisin estn restringidas a valores enteros y su posterior solucin.
12
Gua didctica
Qu materiales necesita para estudiar? Aparte de la gua y las unidades didcticas que le sern proporcionadas por la universidad, se recomienda (no es obligatorio) tener: La bibliografa bsica indicada en este documento.
Importancia de la asignatura La Investigacin de Operaciones I dentro de la teora de optimizacin es una rama de la matemtica aplicada. Como tcnica de optimizacin se convierte en herramienta fundamental para resolver problemas cuantitativos en diversas reas de las ciencias tales como la biologa, la economa, la medicina, la ingeniera, entre otras. La IO como ciencia de la administracin permitir al ingeniero industrial maximizar o minimizar alguna funcin objetivo, optimizando recursos limitados. Como podemos ver, la IO resulta muy valiosa pues permite al ingeniero asesorar mejor a la gerencia en la toma de decisiones frente a problemas complejos de la administracin.
13
4. Objetivos
A continuacin le mostramos los objetivos generales y especficos del presente curso, al mismo tiempo visualizar la semana en que debemos trabajar el logro de cada objetivo.
Objetivo general Introducir al alumno en los principios, tcnicas y filosofa de la investigacin de operaciones (IO).
Como primer curso se concentra en los modelos lineales y las tcnicas de solucin para ellos. Se enfatizar el modelamiento presentndose adems la teora bsica y los algoritmos que permitirn entender los procedimientos y soluciones con programas computacionales que se propondrn para el uso de los alumnos. Se incidir en la interpretacin aplicada de los resultados obtenidos.
Unidad didctica
Objetivos
Semana de estudio
Aprende la importancia de la definicin y formulacin de un modelo de programacin lineal, esto es, abstraer un problema real en trminos matemticos Comprende la importancia de la representacin matemtica del modelo lineal y el uso del algoritmo simplex en la solucin de problemas de programacin lineal con ms de dos variables de decisin Reconoce y comprende la importancia de nuevos algoritmos para la solucin de casos especiales de la programacin lineal, Comprende la importancia de aplicar nuevos tpicos avanzados en programacin lineal, tales como programacin por objetivos y programacin lineal entera.
1.-2.
II
3.-4.
III
5.-6.
IV
7.-8.
14
Gua didctica
5. Requisitos
En esta seccin se detallan los requisitos mnimos que usted debe cumplir para poder cursar la asignatura de Investigacin de Operaciones I.
Con relacin al plan de estudios Haber aprobado la asignatura de Inferencia Estadstica.
Respecto al aspecto acadmico Conceptos bsicos y operaciones sobre matrices Planteamiento de ecuaciones e inecuaciones Desigualdades lineales con dos variables Solucin de desigualdades Clculo de probabilidades e inferencia estadstica Estructuras discretas-teora de grafos
15
6. Medios didcticos
Pasaremos a especificar aquellos medios que utilizaremos en el desarrollo de la asignatura:
Impresos La Gua didctica Es el documento orientador del curso, su lectura y comprensin es obligatoria porque en ella se sealan todos los criterios a tener en cuenta durante el desarrollo de la presente asignatura. No olvide leerla con detenimiento. Las unidades didcticas Son los contenidos del curso exigidos por el Plan de Estudios. Su lectura comprensiva es obligatoria para lograr los objetivos de la asignatura y como consecuencia de ello el xito acadmico. Las unidades didcticas las encuentra en el presente documento.
Campus virtual Es el espacio disponible en Internet, que se utiliza como medio de transmisin de informacin de la presente asignatura. Su acceso es muy importante durante cada semana de estudio. Usted va a ingresar con un usuario y clave que le sern entregados en el momento de su matrcula, en la Coordinacin de su Unidad Descentralizada.
Ruta Web del Campus Virtual: http://dued.up.edu.pe
16
Gua didctica
En el Campus Virtual encontrar las aulas virtuales (una por cada curso en que se haya matriculado). En cada aula virtual usted visualizar:
Orientaciones generales En esta opcin descargar un archivo con informacin importante que lo ayudar en el desempeo del curso.
Cronograma del curso Aqu tiene el cronograma de evaluaciones (Examen Parcial, Final, Sustitutorio y Trabajo Individual), y el horario del curso.
Foro de debate A travs de esta seccin se realizarn los debates acadmicos definidos para el curso: el docente plantear temas a ser discutidos, con la finalidad de profundizar o aclarar temas de la asignatura. Usted puede participar del foro cuando lo desee, tambin planteando sus dudas o comentando sobre lo aprendido.
Para acceder al foro deber ingresar al curso desde el Campus virtual y lo encontrar como Foro de Debate
17
Sala de conferencias En este apartado docente y alumno interactan en lnea. Es el espacio en el aula virtual en el que usted encontrar al tutor para recibir su asesoramiento, para intercambiar opiniones, preguntas y respuestas acerca del curso. Los horarios de tutora estn especificados en esta seccin. Tenga en cuenta que a esta sala ingresan todos los participantes. Recuerde adems que: 1. Para utilizar adecuadamente esta Sala debe tener conectados audfonos o parlantes. 2. Instalar con anticipacin el programa de la Sala de Conferencia. 3. Ingresar a la sala identificndote con su nombre completo (Nombre y Apellido) Adems se recomienda 1. 2. Utilizar micrfono para poder hablar con el tutor o expositor. Prestar atencin a las instrucciones durante la charla para mantener el orden dentro de la Sala. 3. Leer el manual de uso de la Sala.
Para poder acceder a la sala de conferencias deber ingresar al curso desde el Campus virtual y la encontrar como: Sala de Conferencias. Recuerde que debe tener preparados sus audfonos o parlantes y micrfono.
El procedimiento de acceso y adecuada comunicacin a travs de la Sala de conferencias se encuentra detallado en el apartado 12 de la presente Gua didctica titulado Orientaciones para las tutoras.
18
Gua didctica
Compaeros de curso Este cono muestra la lista de alumnos matriculados en el curso, sus fotos y correos, para que usted pueda relacionarse con ellos y realizar tambin trabajos grupales.
Envo de exmenes Se emplea para enviar las evaluaciones escritas, en los plazos establecidos.
Envo de trabajos finales Permite enviar el Trabajo final al docente del curso.
Visualizar trabajos enviados A travs de esta opcin puede asegurarse de que su trabajo fue correctamente enviado.
Visualizar notas Con este enlace puede ir viendo las calificaciones del curso.
Finalmente en:
Material del curso En esta opcin encontrar la presentacin del docente, ayudas y enlaces interesantes que le enve el docente. Al ingresar usted ver esta imagen en la parte superior:
MATERIAL DEL CURSO CICLO 200X-XX Curso: 0201-02XXX XXXXXXX Docente: XXXXXXXXXXXXXX ESTRUCTURA DEL CURSO
19
Estructura del curso Al elegir esta opcin usted podr acceder a pantalla siguiente:
Curso : XXXXXXXXXXXXX 0201-02XXX XXXXXXXXXXXX Docente: XXXXXXXXXXXXXXXXXXXXX
Slabo del curso Gua del curso Unidades didcticas
Estos documentos (slabo, gua del curso y unidades didcticas) estarn a su disposicin en la pantalla para que pueda revisarlos e informarse y estudiar, desde el momento en que se matricule (pago en el banco y registro en su Unidad Descentralizada). De esta forma, incluso si usted viaja, podr seguir estudiando sin necesidad de trasladarse llevando los libros.
En esta seccin usted contar con:
Presentacin del docente Modelo de examen Trabajo final Ayudas Autoevaluaciones Enlaces Interesantes
20
Gua didctica
Presentacin del docente
Es la presentacin que el docente hace de su asignatura.
Modelo de examen Es el espacio desde donde usted podr descargar un modelo de examen, de tal forma que pueda prepararse adecuadamente para su evaluacin. El modelo de examen, como bien dice su nombre, es una demostracin de la forma en que vendr elaborado el examen original.
Trabajo final Es el espacio en el Aula virtual en el que usted podr descargar el trabajo final que necesita desarrollar y entregar en el plazo que figura en el calendario de evaluacin. No olvide descargarlo para que pueda elaborarlo.
Ayudas En este espacio usted podr descargar o compartir las ayudas que se colocarn cada semana de estudio para reforzar o complementar sus conocimientos; ellos son parte de las evaluaciones del presente curso.
Para acceder a las ayudas deber ingresar al curso desde el campus virtual a Ayudas Material del Curso y luego a
Autoevaluaciones Aqu, el docente colocar preguntas, problemas o ejercicios que usted desarrollar para asegurarse el adecuado nivel de comprensin de los temas desarrollados cada semana.
21
Enlaces interesantes Es el espacio donde el docente colocar rutas o enlaces a pginas web, con temas de la semana.
Para acceder a los enlaces interesantes deber ingresar al curso desde el Campus virtual a Enlaces interesantes Material del curso y luego a
22
Gua didctica
En la parte inferior de cada aula virtual ver:
Tiene un cuadro con los nombres de todas las autoridades de su Facultad.
Para que usted pueda realizar sus pedidos.
Con todos los documentos que usted deber conocer para cumplir con sus obligaciones, ejercer sus derechos, cumplir con las normas de su Facultad, as como efectuar trmites siguiendo las instancias apropiadas, para evitarse inconvenientes, frustraciones o demoras.
Manuales Gua de Atencin al Alumno Gua del Estudiante a Distancia UAP Presentacin y generalidades de la universidad Sobre la Direccin Universitaria de Educacin a Distancia (DUED) Informacin y orientaciones bsicas para el alumno Componentes del sistema de educacin a distancia Campo de accin y perfil profesional Gua de manejo del Campus virtual Gua de manejo del Correo electrnico Gua de Instalacin y Manual de Sala de Conferencias Gua de configuracin de audio y micrfono
23
Procedimientos Actualizacin de Matrcula Reserva de Matrcula Cambio de Unidad Descentralizada (UDED) Constancia de Estudios Certificado de Estudios Traslado de Modalidad de Estudios
Con todos los programas que usted deber trabajar:
Acrobat Reader Abre archivos de extensin PDF. WinZip Comprime archivos reduciendo su tamao y colocndolos en un solo objeto con extensin .zip. Del modo inverso, los descomprime. Microsoft Editor de Ecuaciones Agrega ecuaciones a sus documentos de MS Office. Visual C# 2005 Express Edition Herramienta de desarrollo de software. Versin de prueba de 30 das. Adobe Flash Herramienta para desarrollar contenido dinmico y multimedia para presentaciones e Internet. Versin de prueba de 30 das. Minitab Es un programa diseado para ejecutar funciones estadsticas bsicas y avanzadas.
24
Gua didctica
7. Contenidos
A continuacin le mostramos los contenidos distribuidos por semana de estudio.
I Unidad didctica INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES Y FUNDAMENTOS DE LA PROGRAMACIN LINEAL Objetivo general Al finalizar esta unidad didctica estar en la capacidad de formular modelos de programacin lineal con dos o ms variables y su solucin mediante el mtodo grfico para modelos con dos variables de decisin.
Semana Contenidos
Introduccin y definicin de la IO, los orgenes de la IO, qu es y para qu sirve la IO, la toma de decisiones en nuestros das, las tcnicas de la IO, perfil de un profesional en IO, por qu son necesarias las tcnicas de optimizacin Secuencia operativa de un proyecto de IO. 1.
Unidad didctica
Objetivos especficos
Conoce y comprende la importancia de los orgenes de la investigacin operativa Define y comprende los fundamentos de
de estudios
Definicin de PL, formulacin de un modelo de PL, Ejemplos de aplicacin, mtodo grfico de solucin 2.
la programacin lineal Conoce y comprende la importancia de modelar problemas aplicados a diferentes reas de la ciencia.
Aplicacin de PL en la gestin de operaciones y presentacin de la solucin mediante software (por ejemplo : gestin de operaciones de produccin, compra, distribucin, mezcla, entre otros) 2.
25
II Unidad didctica REPRESENTACIN MATEMTICA DEL MODELO LINEAL Y EL MTODO SIMPLEX Objetivo general
Al finalizar la presente unidad didctica, usted estar en la capacidad de reconocer la importancia de representar problemas reales en trminos matemticos. As como conocer y aplicar el algoritmo Simplex para modelos con ms de dos variables de decisin en la solucin de problemas de optimizacin. Semana Objetivos especficos
Conoce y aplica la representacin matemtica de un modelo lineal
Unidad didctica
Contenidos
Forma algebraica, forma matricial, solucin bsica, interpretacin geomtrica, cantidad mxima de soluciones bsicas, bsqueda de la solucin factible ptima, interpretacin de las variables de holgura, exceso.
de estudios
3.
Comprende la importancia II del algoritmo Simplex en la solucin de problemas de programacin lineal
Representacin matemtica, solucin inicial bsica factible, la condicin de optimalidad, la condicin de factibilidad, el algoritmo Simplex, representacin tabular, ejemplos. Dualidad y anlisis de sensibilidad (cambios sistemticos en los coeficientes de la funcin objetivo y cambios sistemticos en las constantes del lado derecho. 4.
26
Gua didctica
III Unidad didctica APLICACIONES ESPECIALES DE LA PROGRAMACIN LINEAL Objetivo general

Al finalizar esta unidad didctica estar en capacidad de reconocer la importancia de solucionar problemas especiales de la programacin lineal como son transporte y asignacin mediante operaciones elementales.
Unidad didctica
Comprende y explica la definicin del modelo de transporte y la aplicacin del algoritmo.
Contenidos
Semana de estudios
III
Definicin del modelo de transporte, el algoritmo de transporte, aplicacin a problemas reales, solucin del problema de transporte siguiendo los siguientes pasos: 1. la determinacin de la solucin inicial, 2. el mtodo UV. Comprende y explica la Definicin del modelo de definicin del modelo de asignacin, el Algoritmo transporte y la aplicacin de Asignacin, aplicacin del algoritmo. a problemas reales, solucin del problemas de asignacin: Mtodo hngaro
5.
6.
27
IV Unidad didctica TPICOS AVANZADOS EN PROGRAMACIN LINEAL TALES COMO: PROGRAMACIN POR OBJETIVOS Y PROGRAMACIN LINEAL ENTERA Objetivo general
Al finalizar esta unidad didctica estar en capacidad de comprender la importancia de resolver modelos de mltiples objetivos y convertir los objetivos mltiples originales en una sola meta y adems trataremos programas lineales en los cuales algunas o todas las variables de decisin estn restringidas a valores enteros.
Unidad didctica
Comprende y explica los conceptos bsicos de la programacin por objetivos
Contenidos
Definicin y formulacin de programacin por metas, conceptos bsicos y solucin haciendo uso del Lindo
Semana de estudios
IV
Comprende y explica los conceptos bsicos de la programacin lineal entera.
Definicin y formulacin de programacin lineal entera, enfoque grfico, problemas con el redondeo, solucin a travs del mtodo de ramificacin y acotamiento.
28
Gua didctica
8. Fuentes de informacin
Bibliografa bsica Es el presente texto, material de estudio obligatorio. Su lectura y comprensin es imprescindible para lograr los objetivos del curso. Bibliografa complementaria Son textos adicionales de lectura no obligatoria
MATHUR, Kamlesh y Daniel SOLOW. Investigacin de Operaciones, El arte de la toma de decisiones. Editorial Prentice-Hall Hispanoamericana S:A. 977 pginas. Desarrolla conceptos relacionados con la claridad, el orden y la precisin en el rea de construccin de modelos. Constituye un material de apoyo de primer orden, por su forma didctica y enfoque terico-prctico de los temas desarrollados. Enlaces de Internet Son direcciones electrnicas (direcciones de Internet) que contienen informacin relevante que darn soporte a las diferentes unidades didcticas. En el Campus virtual del curso encontrar los enlaces por semana de estudio.
29
9. Actividades
Autoevaluativas Son actividades sugeridas que usted encontrar al final de cada unidad didctica del presente texto. No son de entrega obligatoria: estas actividades sirven para reforzar los conocimientos o competencias que usted debi haber logrado en sus semanas de estudio. Lectura de textos de acuerdo al tpico desarrollado. Ejercicios de ampliacin y complementacin de enunciados y autocomprobacin de lo aprendido. Trabajo acadmico Su cumplimiento en cuanto al desarrollo adecuado y entrega oportuna es de carcter obligatorio, es decir, segn lo programado en el Aula virtual. Usted debe desarrollar el trabajo asignado bajo este rubro teniendo en cuenta la fecha lmite para la presentacin, pudiendo antes del plazo, consultar con el docente.
Visite desde su Aula virtual, accediendo al espacio llamado Materiales del curso, el espacio denominado Trabajo acadmico. En l encontrar las
especificaciones del trabajo a desarrollar y los detalles pertinentes que necesitar conocer para realizarlo. .
30
Gua didctica
10. Evaluacin
Dada la naturaleza del curso, es muy importante su participacin activa en el proceso de aprendizaje. Por ello, se define en este acpite los criterios de evaluacin: Exmenes Examen es la evaluacin escrita del presente curso, se evala con escala vigesimal y se rendirn en las fechas seala en el siguiente cuadro.
Exmenes Examen parcial Examen final Examen sustitutorio
Semana de estudios Cuarta Octava Dieciocho
La nota mnima aprobatoria de todos los exmenes es de once (11).
Es importante resaltar que la calificacin obtenida en el Examen sustitutorio reemplazar a la nota del Examen parcial o del Examen final. Usted podr acceder al examen sustitutorio si no ha sido evaluado en el examen parcial o en el examen final, ha desaprobado alguno de ellos o desea mejorar su promedio. RECUERDE
El examen sustitutorio solo reemplaza uno de los exmenes al parcial o al final. Bajo ninguna circunstancia la nota del examen sustitutorio reemplaza las actividades obligatorias o los dos exmenes antes mencionados o al promedio final.
Trabajo acadmico Son los trabajos que usted entregar obligatoriamente, y constituyen un requisito indispensable para aprobar el curso. El desarrollo de algunos trabajos acadmicos requiere trabajo en grupo, en otros casos el desarrollo ser de forma personal. 31
Los trabajos acadmicos estn colocados en el Campus virtual y las especificaciones de los mismos sern detalladas oportunamente en el foro y en la sala de conversacin, as como tambin el asesoramiento en su desarrollo. Forma de evaluacin Rubros: Examen parcial. Examen final. Actividades Obligatorias (35%) (35%) (30%) : Permanente.
El Trabajo acadmico se evaluarn tambin con escala vigesimal y tambin la nota mnima aprobatoria es 11 (once). Toda copia de trabajos de Internet detectada en las actividades tendr la nota 00 (cero)
32
Gua didctica
11. Orientaciones para el estudio de la asignatura
Estimado participante:
Para que usted pueda lograr los objetivos de cada unidad didctica considere lo siguiente:
Unidad didctica
Objetivo
Tiempo sugerido de estudio 30 horas
II
Construye a travs de los orgenes de la investigacin operativa la importancia de la definicin y formulacin de un modelo de programacin lineal, es decir, abstraer un problema real en trminos matemticos. Comprende la importancia de la representacin matemtica del modelo lineal y al algoritmo Simplex en la solucin de problemas de programacin Lineal con ms de dos variables de decisin Reconoce y comprende la importancia de nuevos algoritmos para la solucin de casos especiales de la Programacin Lineal, Comprende la importancia de abordar tpicos avanzados en programacin lineal, tales como programacin por objetivos y programacin lineal entera.
20 horas
20 horas
III
20 horas
IV
Con relacin a la Gua didctica Le recomendamos que lea detenidamente este documento y lo considere una gua que deber utilizar en todo su proceso de estudio, consultndolo cada vez que sea necesario.
33
Con relacin a las unidades didcticas En este proceso, es indispensable que cuente con un nivel de lectura comprensiva e interpretativa para lo cual se pone en su consideracin las siguientes pautas:
Busque las condiciones ambientales ms propicias para el estudio, lo que le facilitar su concentracin y su aprendizaje. Haga un cronograma de estudio que deber cumplir en forma sistemtica. Recuerde que debe interpretar con sus propias palabras los conceptos presentados por el autor, esto le permitir una mayor comprensin del tema. Resuelva todas las actividades: autoevaluacin, prcticas y ejercicios propuestos. Cuide la adecuada presentacin de sus trabajos, ya sea de fondo (profundidad, exactitud y rigurosidad de sus respuestas) como de forma (ortografa, orden).
34
Gua didctica
12. Orientaciones para las tutoras
Con relacin a las tutoras telemticas La comunicacin con el docente se realizar a travs de la Sala de conferencia, y en caso de dificultades tcnicas, en la Sala de conversacin. Antes de comunicarse con el docente usted deber preparar:
Las preguntas de los temas que usted considere de difcil comprensin. Comentarios que usted necesita realizarle al docente para profundizar algunos conocimientos o para consultar los conocimientos que usted considere conveniente. RECUERDE
La tutora telemtica es Temas sociales (caf) para resolver asuntos estrictamente acadmicos. Si usted necesita que el docente le aclare el puntaje obtenido en alguna de sus calificaciones, utilice el correo electrnico.
Se le recuerda que debe tener presente estas consideraciones cuando acuda a la tutora telemtica:
1. Haga primero el intento de solucionar sus inquietudes estudiando con seriedad, consultando la bibliografa pertinente e intercambiando opiniones con sus compaeros. Si despus de ello persiste su duda, haga preguntas especficas y no del tema en general. De lo contrario, indicara que no est haciendo su mejor esfuerzo para aprender. 2. Formule sus preguntas de forma concreta y precisa. Esto ayudar a que el tutor est en mejores condiciones para atenderlo y evitar confusiones innecesarias. 3. No haga preguntas rebuscadas o que no sean pertinentes al tema. es un recurso valioso para todos. El tiempo
35
4. Las indicaciones sobre las evaluaciones estn dadas en las respectivas unidades didcticas, por lo que se le sugiere que no haga preguntas referentes a si las evaluaciones son fciles o no; qu pasar si usted no aprueba, etctera. Estamos para apoyarlo, pero solicite la ayuda en forma necesaria, clara y oportuna. 5. Respete el horario establecido para la tutora. Si usted estudia a ltimo minuto, lo ms probable es que no podamos atender sus requerimientos de la misma forma. Por eso, se le sugiere elaborar y cumplir un horario de actividades con la finalidad de que esto le ayude a organizarse en su estudio, prcticas y evaluaciones.
Buena suerte!
36
I Unidad didctica Investigacin Operativa I

INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES Y FUNDAMENTOS DE LA PROGRAMACIN LINEAL
Primera unidad didctica
Esquema de contenidos
1.
INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES Y FUNDAMENTOS DE LA PROGRAMACIN LINEAL
1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8
Los orgenes de la Investigacin Operativa Qu es la investigacin Operativa? La toma de decisiones Tcnicas de la investigacin operativa (IO) Perfil profesional en IO Por qu son necesarias las tcnicas de optimizacin y anlisis? Secuencias operativa de un proyecto de IO Introduccin a la Construccin de Modelos REPRESENTACIN MATEMTICA DEL MODELO LINEAL Y EL MTODO SIMPLEX
2.
2.1. Definicin de Programacin Lineal 2.1.1 Conceptos Bsicos 2.2. Conjunto Convexo 2.3. Formulacin de un problema de programacin lineal 2.3.1 Identificacin de las variables de decisin. 2.3.2 Identificacin de los datos del problema 2.3.3 Identificacin de la funcin Objetivo 2.3.4 Identificacin de las restricciones 2.4. Mtodo grfico o mtodo geomtrico de solucin 2.4.1 Graficacin de ecuaciones y desigualdades lineales 3. APLICACIONES DE PL EN LA GESTIN DE OPERACIONES Y PRESENTACIN DE LA SOLUCIN MEDIANTE SOFTWARE
Objetivos
Objetivo general Al finalizar esta unidad didctica estar en la capacidad de formular modelos de programacin lineal y su solucin mediante el mtodo grfico para modelos con dos variables de decisin. Objetivos especficos Conoce y comprende la importancia de los orgenes de la investigacin operativa
Define y comprende los fundamentos de la programacin lineal
Conoce y comprende la importancia de modelar problemas aplicados a diferentes reas de la ciencia.
Prlogo
En este texto gua de Investigacin de Operaciones I a partir de nuestra experiencia en la enseanza de los mtodos cuantitativos aplicados a las diferentes reas como son las ingenieras, la industria, la economa, la administracin, la medicina, la Biologa, en el campo militar, educacin, organizaciones sociales, etctera, buscamos que el alumno aprenda el concepto de modelo matemtico y, lo ms importante, la construccin de modelos pues sin los modelos matemticos no tienen sentido la existencia de paquetes de computacin para resolver los modelos. Desde este punto de vista, nuestra preocupacin se centra en ensear a nuestros estudiantes cmo construir modelos, aunque es verdad que la construccin de modelos es un arte que se logra con la prctica.
En este texto va a encontrar cuatro unidades referente al desarrollo del curso, la primera unidad corresponde a la introduccin a la Investigacin de operaciones y fundamentos de la programacin lineal; en la segunda unidad desarrollaremos la representacin matemtica del modelo lineal y el mtodo Simples; la tercera unidad corresponde a las aplicaciones especiales de la programacin lineal; y por ltimo, la cuarta unidad corresponde a programacin por objetivos y programacin lineal entera.
La idea fundamental es que el estudiante se familiarice con el curso para ello deber dedicarse con mucho esmero a cada unidad, tanto en lo que respecta a su teora como a los ejemplos, y siempre buscar informacin adicional.
Introduccin a la investigacin de operaciones (IO)
Los cambios revolucionarios originaron gran aumento en la divisin de trabajo y la separacin de las responsabilidades administrativas en las organizaciones. Sin embargo esta revolucin cre nuevos problemas que se presentan hasta la fecha en muchas empresas. Uno de estos problemas es la tendencia de muchos de los componentes a convertirse en imperios relativamente autnomos, con sus propias metas y sistemas de valores. Este tipo de problemas, y la necesidad de encontrar la mejor forma de resolverlos, proporcionaron el surgimiento de la Investigacin de Operaciones.
La Investigacin de Operaciones aspira a determinar la mejor solucin (ptima) para un problema de decisin con la restriccin de recursos limitados.
Contenidos
I Unidad didctica INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES Y FUNDAMENTOS DE LA PROGRAMACIN LINEAL EL PROBLEMA
Los recursos son escasos
Los sistemas son cada vez ms complejos
Cada vez es ms difcil asignar los recursos o actividades, de la forma ms eficaz
1.1. LOS ORGENES DE LA INVESTIGACIN OPERATIVA Antecedentes En los siglos XVII y XVIII, Newton, Leibnitz, Bernoulli y Lagrange. Los franceses Jean Baptiste-Joseph Fourier esboz mtodos de la actual programacin lineal. Von Neumann public en 1928 su trabajo Teora de Juegos. Matemticas: modelos lineales (Farkas, Minkowski) (s.XIX). Estadstica: fenmenos de espera (Erlang, Markov) (aos 20). Economa: Quesnay (s.XVIII), Walras (s.XIX), Von Neumann (aos 20).
El origen de la IO moderna se sita en la Segunda Guerra Mundial para resolver problemas de organizacin militar:
Despliegue de radares, manejo de operaciones de bombardeo, colocacin de minas, etctera. Y luego con motivo de la revolucin industrial, ha ido teniendo cada vez ms importancia dado el crecimiento y complejidad de las nuevas organizaciones. Actualmente est cobrando especial importancia con el desarrollo de la informtica.
El xito de la IO se debe a: Progreso terico: RAND (Dantzig), Princeton (Gomory, Kuhn, Tucker), Carnegie Institute of Technology (Charnes, Cooper). Creacin del Mtodo Simplex por George Dantzing, en 1947. El desarrollo del computador. Gran desarrollo de los ordenadores: aumento de la capacidad de almacenamiento de datos, incremento de la velocidad de la resolucin de problemas Sigue habiendo un gran desarrollo, en muchos sectores, con grandes avances sobre todo en el campo de la Inteligencia Artificial
En la actualidad existen organizaciones dedicadas al rea de IO, en sus dos niveles: acadmico y empresarial, estas organizaciones son: ORSA, Operations Research Society of American, 1952. TIMS, The Institute of management Science, 1953. ALIO, Asociacin Latinoamrica de IO. IFORS, International Federation of Operations Research.
10
Sociedad Espaola de Estadstica e Investigaciones Operativas (SEIO) www.cica.es/aliens/seio.
Association of European O.R. Societies (EURO) www.ulb.ac.be/euro/euro_welcome.html.
Institute for O.R. and the Management Sci. (INFORMS) www.informs.org. International Federation of O.R. Societies (IFORS) www.ifors.org
1.2. QU ES LA INVESTIGACIN OPERATIVA? Responderemos esta interrogante con algunas definiciones: Definicin de CHURCHMAN, ACKOFF y ARNOFF La investigacin de operaciones es la aplicacin, por grupos interdisciplinarios, del mtodo cientfico a problemas relacionados con el control de las organizaciones o sistemas (hombre-mquina), a fin de que se produzcan soluciones que mejor sirvan a los objetivos de la organizacin.
11
Definicin NAMAKFORROSH Es la aplicacin del mtodo cientfico a los problemas de decisin de las empresas y otras organizaciones, incluyendo el gobierno y la milicia. Definicin LAWRENCE y PASTERNAK, 1998 Un enfoque cientfico para la toma de decisiones ejecutivas, que consiste en: el arte de modelar situaciones complejas, la ciencia de desarrollar tcnicas de solucin para resolver dichos modelos y la capacidad de comunicar efectivamente los resultados. Objetivo de la Investigacin operativa Estudiar la asignacin ptima de recursos escasos a determinada actividad. Evaluar el rendimiento de un sistema con el objeto de mejorarlo.
En conclusin podemos observar que todos coinciden en que la IO es la aplicacin del mtodo cientfico por un grupo interdisciplinario de personas a la resolucin de un problema con el fin de asignar los recursos o actividades de forma eficaz, en la gestin y organizacin de sistemas complejos y el objetivo es ayudar a la toma de decisiones es decidir mediante estos mtodos cientficos encontrar el diseo que optimiza el proceso analizado, generalmente bajo condiciones que implican la utilizacin de recursos escasos.
1.3. LA TOMA DE DECISIONES a. Prcticamente todas las decisiones se toman en un ambiente de cierta incertidumbre. Sin embargo, el grado vara de una certeza relativa a una gran incertidumbre. En la toma de decisiones existen ciertos riesgos implcitos.
b.
La toma de decisin es la respuesta a un problema de evaluar un conjunto de alternativas. Algunas decisiones tienen una importancia relativa en el desarrollo de nuestra vida, mientras otras son gravitantes en ella.
12
c.
Toda empresa funciona dentro de un mercado con factores competitivos, el gerente debe tener herramientas cuantitativas para tomar mejores decisiones.
d.
Tipos de decisiones
Decisiones bajo condicin de certeza
En una situacin donde existe certeza, las personas estn razonablemente seguras sobre lo que ocurrir cuando tomen una decisin, cuentan con informacin que se considera confiable y se conocen las relaciones de causa y efecto.
Decisiones bajo condicin de incertidumbre
En una situacin de incertidumbre, las personas slo tienen una base de datos muy deficiente. No saben si estos son o no confiables y tienen mucha inseguridad sobre los posibles cambios que pueda sufrir la situacin.
Decisiones bajo condicin de riesgo
En una situacin de riesgo, quiz se cuente con informacin basada en hechos, pero la misma puede resultar incompleta. Para mejorar la toma de decisiones se puede estimar las probabilidades objetivas de un resultado, al utilizar, por ejemplo modelos matemticos. Por otra parte se puede usar la probabilidad subjetiva, basada en el juicio y la experiencia.
Base para la toma de decisiones
Bases cuantitativas: es la habilidad de emplear tcnicas presentadas como mtodos cuantitativos o Investigacin de Operaciones, como puede ser la programacin lineal, teora de lneas de espera y modelos de inventarios.
13
Bases cualitativas: existen ciertas cualidades que hacen que los tomadores de decisin sean buenos o malos. Las cualidades que tienen mayor importancia a la hora de analizar al tomador de las decisiones son: i. Informacin.
ii. Conocimientos. iii. Experiencia. iv. Anlisis. v. Juicio.
e.
Clases de decisiones
Decisiones programadas
Son aquellas que se toman frecuentemente, es decir son repetitivas y se convierte en una rutina tomarlas.
Decisiones no programadas
Son decisiones que se toman en problemas o situaciones que se presentan con poca frecuencia
1.4
TCNICAS DE LA INVESTIGACIN OPERATIVA (I .O)
Las tcnicas utilizadas para resolver problemas y apoyar a la toma de decisiones son variadas, dependiendo, entre otros factores de la naturaleza de los datos. Se utilizan modelos matemticos Para solucionar modelos cuantitativos, podemos hacer uso de las siguientes tcnicas de optimizacin: Determinsticos. Los casos determinsticos se presentan cuando hay certeza sobre los parmetros, que son establecidos y fijados de antemano y en consecuencia nos conducen a resultados ciertos. En estos casos se recurren a modelos matemticos de optimizacin.
14
Probabilistico. Cuando no existe certeza sobre todos los datos, y algunos parmetros o elementos no se conocen. Parten de datos estadsticos y nos conducen a resultados probables. En estos casos se recurren a modelos matemticos para proyectar y extrapolar, predecir.
Dentro de las tcnicas de optimizacin tanto en determinsticos como probabilsticos sealaremos los siguientes: A. Modelos determinsticos B. Programacin matemtica Programacin lineal Programacin entera Programacin dinmica Programacin no lineal Programacin multiobjetivo Modelos de transporte Modelos de redes
Modelos probabilsticos Programacin estocstica Gestin de inventarios Fenmenos de espera (colas) Teora de juegos Simulacin
1.5
PERFIL PROFESIONAL EN IO
Un profesional en IO debe tener una buena formacin en cuatro reas: Conocimientos en las reas de la IO. Conocimientos de las tcnicas cuantitativas y los softwares correspondientes. Conocimiento especializado en un rea diferente de la IO, esto le dar al profesional una competencia especial de aplicar IO. Conocimiento bsico en desarrollar Sistemas de Soporte de Decisiones, para la fase de implementacin de la aplicacin. 15
1.6. POR QU SON N ECESARIAS LAS TCNIC AS DE OPTIMIZACIN Y ANLISIS? El inters por resolver un problema del mundo real nos lleva a la construccin o formulacin de modelos, el proceso de tomar un problema real y abstraerlo en trminos matemticos nos conduce al uso de una de las tcnicas de optimizacin y anlisis mencionados en 1.5., que son muy importantes y necesarias pues ellas nos permiten resolver problemas complejos y diversos aplicados a la ingeniera, economa, minera, transporte, medio ambiente, medicina, en el campo militar, en las organizaciones sociales, entre otros. Las tcnicas de anlisis permiten obtener informacin muy til para interpretacin.
1.7. SECUENCIAS OPERATIVAS DE UN PROYECTO DE IO A lo largo de todo el proceso debe haber una interaccin constante entre el analista y el cliente El proceso de aplicar mtodos cuantitativos requiere una sucesin sistemtica de pasos estos son:
Definicin del problema
Desarrollo de un modelo matemtico y recoleccin de datos
Resolucin del Modelo Matemtico
Solucin
Modelo Modificado
no
Es vlida la solucin
S
Implementacin
16
1.7.1. Definicin del problema El primer paso es identificar, comprender y describir en trminos precisos el problema que la organizacin enfrenta. En algunos casos, el problema est bien definido y es claro.
En otras situaciones, el problema puede no estar bien definido y puede requerir bastantes discusiones y consenso entre los miembros del equipo de proyectos. 1.7.2. Desarrollo de un modelo matemtico y recoleccin de datos Despus de que el problema est claramente definido y comprendido, el siguiente paso es expresar el problema en una forma matemtica, esto es, formular un modelo matemtico. Una vez construido el modelo, existen muchas tcnicas matemticas disponibles para obtener la mejor solucin, a pesar del vasto nmero de alternativas o de la complejidad implicada. Variable de decisin/v ariable/variable controlable: Es una cantidad cuyo valor se puede controlar y es necesario determinar para solucionar un problema de decisin. Funcin objetivo: El objetivo global de un problema de decisin expresado en una forma matemtica en trminos de los datos y de las variables de decisin. Limitacin: Es una restriccin sobre los valores de variables en un modelo matemtico tpicamente impuesto por condicin externa. Datos/ parmetros incontrolables: Informacin conocida en un problema de decisin que no se puede controlar pero que se puede usar para determinar la solucin 1.7.3. Resolucin del modelo matemtico Una vez formulado un modelo matemtico del problema, el siguiente paso es resolver el modelo, es decir, obtener valores numricos para la variable de decisin. Es decir, una vez que identifique el tipo de modelo que tiene, podr elegir una tcnica de administracin apropiada para resolverlo. Estas tcnicas pertenecen a una de dos categoras:
17
a) Mtodos ptimos, que producen los mejores valores para las variables de decisin, es decir, aquellos valores que satisfacen simultneamente todas las limitaciones y proporcionan el mejor valor para la funcin objetivo. b) Mtodos heursticos , que producen valores para las variables que satisfacen todas las limitaciones. Aunque no necesariamente ptimos, estos valores proporcionan un valor aceptable para la funcin objetivo. En contraste con los mtodos ptimos, los mtodos heursticos son
computacionalmente ms eficientes y por tanto se usan cuando la obtencin de soluciones ptimas lleva demasiado tiempo o es imposible porque el modelo es demasiado complejo. 1.7.4. Validacin, instrumentacin y control de la solucin Despus de resolver el modelo matemtico, es extremadamente importante validar la solucin, es decir, revisar la solucin cuidadosamente para ver que los valores tienen sentido y que las decisiones resultantes puedan llevarse a cabo. Algunas de las razones para hacer esto son:
El modelo matemtico puede no haber captado todas las limitaciones del problema real.
Ciertos aspectos del problema pueden haberse pasado por alto, omitido deliberadamente o simplificado.
Los datos pueden haberse estimado o registrado incorrectamente, tal vez al introducirlos a la computadora.
1.7.5. Modificacin del modelo Si durante el paso de validacin se encuentra que la solucin no puede llevarse a cabo, se pueden identificar las limitaciones que fueron omitidas durante la formulacin del problema original o puede uno darse cuenta de que algunas de las limitaciones originales eran incorrectas y necesitan modificarse. En estos casos, debe regresarse a la etapa de formulacin del problema y hacerse cuidadosamente las modificaciones apropiadas para reflejar con ms exactitud el problema real.
18
1.8. INTRODUCCIN A LA CONSTRUCCIN DE MODELOS 1.8.1. El modelado Es una ciencia de anlisis de relaciones, aplicacin de algoritmos de solucin y a la vez un arte: visin de la realidad, estilo, elegancia, simplicidad, uso creativo de las herramientas y experiencia 1.8.2. Modelo Representacin simplificada de la realidad, que facilita su comprensin y el estudio de su comportamiento. Tambin podemos decir que un modelo es una abstraccin selectiva de la realidad que: Debe mantener un equilibrio entre sencillez y capacidad de representacin Modelo matemtico: modelo expresado en trminos matemticos: Hace ms claras la estructura y relaciones. Facilita el uso de tcnicas matemticas y ordenadores. A veces no es aplicable.
Los modelos pueden ser: Modelos fsicos, modelos de aviones a escala, etc. Modelos anlogos, mapa de carreteras, etc. Modelos simblicos, modelos cuantitativos (determinsticos, probabilsticos o estocsticos).
1.8.3. Construccin del modelo Traduccin del problema a trminos matemticos Objetivos: funcin objetivo Alternativas: variables de decisin Limitaciones del sistema: restricciones
Pero a veces las relaciones matemticas son demasiado complejas Heursticos Simulacin
19
1.8.4. Modelado matemtico Paso 1. Identificar las variables de decisin Sobre qu tengo control? Qu es lo que hay que decidir? Cul sera una respuesta vlida en este caso? Paso 2. Identificar la funcin objetivo Qu pretendemos conseguir? Si yo fuese el jefe de la empresa, qu me interesara ms? Paso 3. Identificar las restricciones o factores que limitan la decisin Recursos disponibles (trabajadores, mquinas, material) Fechas lmite Restricciones por la naturaleza de las variables (no negatividad, enteras, binarias) Restricciones por la naturaleza del problema Paso 4. Traduccin de los elementos bsicos a un modelo matemtico. 1.8.5. Resolucin del modelo Paso 1. Elegir la tcnica de resolucin adecuada Tcnicas existentes, modificacin, creacin o heursticos. Paso 2. Generar las soluciones del modelo Programas de ordenador, hojas de clculo. Paso 3. Comprobar/validar los resultados Probar la solucin en el entorno real Paso 4. Si los resultados son inaceptables, revisar el modelo matemtico Estudiar hiptesis, comprobar exactitud de datos, relajar o endurecer aproximaciones, revisar restricciones
20
Paso 5. Realizar anlisis de sensibilidad Analizar adaptaciones en la solucin propuesta frente a posibles cambios 1.8.6. Gua general para la formulacin de modelos Identificacin de los elementos bsicos. Expresar en palabras:
Datos del problema Factores que no son susceptibles de cambio
Variables de decisin Variables sobre las que se tiene control
Restricciones Causas por las que la decisin est limitada
Funcin objetivo Medida del rendimiento que se quiere optimizar Traduccin de los elementos bsicos a expresiones matemticas
Serie de problemas 1.0 1. Ampliar los orgenes de la IO
2. Qu es y para qu sirve la IO? Dar algunas otras definiciones.
3. Investigar sobre la toma de decisiones en nuestros das
4. Breves definiciones sobre las diferentes tcnicas de la IO
21
2.
FUNDAMENTOS DE LA PROGRAMACIN LINEAL (P. L.)
La programacin lineal utiliza un modelo matemtico para representar el problema que se estudia. La palabra lineal en el nombre se refiere a la forma de las expresiones matemticas de este modelo. Programacin no se refiere a la programacin en computadora; ms bien es, en esencia, un sinnimo de planear. As, la programacin lineal significa planeacin de actividades representada por un modelo matemtico lineal.
El til desarrollo actual de la PL para los negocios y la industria, se atribuye al doctor George D. Dantzig, un matemtico que present su mtodo Simplex, como un procedimiento sistemtico para resolver un problema de programacin lineal. Durante el ao de 1947, George Dantzig (con Marshall Wood y sus asociados), se ocup de un proyecto en la Fuerza Area de los Estados Unidos, el cual dio por resultado la bsqueda de una tcnica capaz de resolver los problemas de planeacin militar. La esencia de esas investigaciones consiste en considerar las interrelaciones entre las actividades de una gran organizacin como un modelo de PL, y determinar el programa de optimizacin minimizando (o maximizando) una funcin objetivo lineal. Dantzig indic que ese nuevo enfoque tendra amplias aplicaciones en los problemas de los negocios, como ocurre actualmente. La programacin Lineal se usa en las siguientes reas
-Programacin de refineras de petrleo - Distribucin de productos - Planeamiento de la produccin - Estudio de mercados - Planeamiento de inversiones - Problemas de transporte - Problemas de dietas, etctera
22
2.1. DEFINICIN DE PROGRAMACIN LINEAL La programacin lineal es una tcnica matemtica que nos permite determinar la mejor asignacin de los recursos limitados de la empresa de tal manera que la funcin objetivo debe maximizarse o minimizarse cuando se consideran un conjunto de restricciones. 2.1.1. Conceptos bsicos Para resolver problemas de Investigacin de Operaciones por medio de PL debemos primero explicar las caractersticas comunes de todos los modelos de PL y las suposiciones matemticas que se aplican a ello: Funcin Objetivo. La programacin lineal es un proceso de optimizacin. Con una sola funcin objetivo la cual se expresa matemticamente lo que se intenta maximizar (por ejemplo las ganancias o utilidades) o minimizar (por ejemplo, los costos o el desperdicio) en cada caso. Variable de decisin. Representa aquellas selecciones que estn bajo el control de la persona que toma las decisiones. Resolviendo el problema se obtienen sus valores ptimos. Las variables pueden ser endgenas (aquellas que el modelo trata de explicar y se conocen tambin como variables dependientes) o exgenas (aquellas fuerzas exteriores al modelo y cuyas magnitudes intervienen como datos y tambin se les denomina variables independientes). Estas dos expresiones tienen sentido nicamente dentro del contexto de un modelo especfico, pues una variable endgena en un modelo dado, puede muy bien ser exgena en otro. Por ejemplo, una variable de decisin podra ser el nmero de unidades de un producto que se deben fabricar en el siguiente mes. La programacin lineal se basa en la suposicin de que las variables de decisin son continuas.
23
Restricciones. Son limitaciones que restringen las selecciones permisibles para las variables de decisin. Cada limitacin puede expresarse matemticamente en cualquiera de estas tres formas: Restriccin menor ig ual que ( ) impone un limite superior a cierta funcin de las variables de decisin. Por ejemplo, el nmero mximo de clientes a los cuales es posible atender. Restriccin mayor igual que ( ) impone un limite inferior a cierta funcin de las variables de decisin. Por ejemplo, la produccin de cierto producto debe exceder o igualar a la magnitud de la demanda. Restriccin igual que ( = ) Por ejemplo, que el inventario final siempre debe ser igual al inventario inicial ms la produccin menos las ventas.
Regin factible. Todo problema de PL debe tener una o varias restricciones. Consideradas en conjunto, esas restricciones definen una regin factible, la cual representa todas las combinaciones permisibles de las variables de decisin. En la mayor parte de los casos la regin factible contiene un nmero muy grande de soluciones posibles. La meta de la persona que toma decisiones consiste en encontrar la mejor solucin.
Parmetro. La funcin objetivo y las restricciones son funciones de las variables de decisin y los parmetros. Un parmetro, tambin llamado coeficiente o constante se conocen con certidumbre. Por ejemplo, un programador de computadoras puede saber de antemano que la ejecucin de un programa de software requerir tres horas, ni ms ni menos.
Linealidad. La funcin objetivo y las ecuaciones de restriccin son lineales. La linealidad implica proporcionalidad y aditividad; no puede haber en ella productos ni potencias (por ejemplo, 10 x1 x2 , x 31 ) de las variables de decisin.
No negatividad. Significa que las variables de decisin deben ser positivas o cero. Por ejemplo, una empresa que fabrica autos jams podr producir un nmero negativo de autos.
24
2.2. CONJUNTO CONVEXO
Un conjunto de puntos Xi del espacio n dimensional En forman un conjunto convexo, si dado 2 puntos X1 y X2 del conjunto Xi, entonces todos los puntos contenidos en el segmento de recta ( n dimensional ) que se obtiene al unir X1 y X2 estn en Xi. Tambin puede definirse, un conjunto convexo, como aquel que tiene la propiedad de que, para cualquier par de puntos pertenecientes al mismo, el segmento que los une tambin se encuentra dentro del conjunto. Obviamente, una lnea recta se ajusta a esta definicin y constituye un conjunto convexo. Por convencin se considera que un punto nico, tambin es un conjunto convexo.
l h a c d f k
c)
conjuntosconvexos(a) y(b)
d)
conjuntos no convexos, c y d
El conjunto convexo (c.c.) est dado por la interseccin de los planos que forman todas las desigualdades y ecuaciones que conforman un modelo, siempre y cuando no tengan bordes dentados u orificios.
25
En general, para ser convexo, el conjunto de puntos no debe contener orificios, y su borde no debe ser dentado en ningn lugar.
Teorema 1: el conjunto de todas las soluciones posibles al problema de P.L., es un conjunto convexo.
Teorema 2: la funcin objetivo alcanza su mximo o mnimo en un punto extremo del conjunto convexo, generado por el conjunto de soluciones factibles al problema de PL.
Por lo expuesto tendremos nicamente que investigar los puntos extremos del polgono convexo y buscar aquel punto que proporcione el mayor (menor) valor para la funcin objetivo y obtendremos as la solucin buscada. Graficacin de ecuaciones y desigualdades lineales Cuando se grafica una ecuacin, se genera una recta sobre el eje de coordenadas. Las desigualdades generan un plano al graficarlo sobre el eje de coordenadas. Pasos para la graficacin de una desigualdad: a. Tomar de l a desigualdad, la parte de la ecuacin, para determinar dos puntos que permitan graficar una recta, que sera el lmite del plano. En el caso de que en la ecuacin el trmino constante fuese cero, la recta pasa por la intercepcin de los ejes. Por lo tanto, uno de los puntos sera (0,0). El otro punto se obtendra dando un valor diferente de cero a una de las variables. Si la constante fuese diferente de cero, se procede de la siguiente manera: Para el primer punto, se hace cero una de las variables y se despeja la otra variable. Para el segundo punto, se hace cero la otra variable, y se despeja para la variable que queda pendiente.
26
b.
Determinacin del plano que da la desigualdad. Se escoge un punto de prueba, debajo o sobre la recta y se verifica si satisface la desigualdad. Si satisface la desigualdad, el plano se forma para el lado que se encuentra el punto de prueba escogido. Si no satisface la desigualdad, el plano se forma para el lado contrario a donde se encuentra el punto de prueba con respecto a la recta o lmite del plano.
2.3. FORMULACIN DE UN PROBLEMA DE PROGRAMACIN LINEAL 2.3.1. Identificacin de las variables de decisin El primer paso en la formulacin del problema es identificar las variables de decisin, a menudo simplemente llamadas variables, una vez determinados, proporcionan la solucin al problema.
Caracterstica clave
Pautas generales para identificar variables de decisin Qu elementos afectan los costos y/o ganancias (en genera, el objetivo global) Qu elementos puede elegir y/o controlar libremente? Qu decisiones tiene que tomar? 2.3.2. Identificacin de los datos del problema La finalidad de resolver un problema es proporcionar los valores reales para las variables de decisin que ha identificado. Se requiere conocer cierta informacin para ayudar a determinar esos valores
27
2.3.3. Identificacin de la funcin objetivo Expresar el objetivo organizacional global en forma matemtica usando las variables de decisin y los datos conocidos del problema. La funcin objetivo se crea en tres etapas: Establecer la funcin objetivo en forma verbal. Donde sea adecuado descomponer el objetivo (por ejemplo, suma, diferencia). Expresar las cantidades individuales matemticamente usando las variables de decisin y otros datos conocidos en el problema 2.3.4. Identificacin de las restricciones Las restricciones son condiciones que las variables de decisin deben satisfacer para constituir una solucin aceptable. Las restricciones por lo general surgen de: Limitaciones fsicas (por ejemplo, el nmero limitado de horas de trabajo) Restricciones impuestas por la administracin ( por ejemplo, demanda del producto) Restricciones externas (por ejemplo, la empresa no puede vender ms de cierta cantidad en el mercado) Relaciones implicadas entre variables (por ejemplo, en un problema de inversin la proporcin de dinero a invertir debe sumar 1. Modelo de Programacin Lineal
Max o Min Z = c1 x1 + c2 x2 + c3 x3 + ... + cn xn ........( )

Sujeto a las restricciones estructurales
ai1 x1 + ai 2 x2 + ai 3 x3 + ... + ain xn = bi (i = 1, 2,...m);.........( )

Y las restricciones de no negatividad
x j 0; (j = 1, 2,3,..., n).............( )
28
Observaciones i) aij , bi , y c j son valores que se asume conocidos ii) x j son variables de decisin que se desea hallar, de tal manera que optimicen ( ) iii) la ecuacin ( ) se conoce como funcin objetivo iv) la ecuacin ( ) se conoce como conjunto de restricciones v) la ecuacin ( ) se conoce como variables de decisin
2.4. MTODO GRFICO O MTODO GEOMTRICO DE SOLUCIN Es una tcnica que permite encontrar la solucin de modelos muy sencillos con dos variables de decisin y a pesar de que casi todos los problemas reales tienen ms de dos variables de decisin. Sirve en realidad para proporcionar una base intuitiva que facilita el aprendizaje de soluciones de modelos ms complejos por otros mtodos. Objetivo: establecer la naturaleza de un problema de programacin lineal, introduciendo la terminologa asociada con el y resolverlo geomtricamente.
2.4.1. Graficacin de ecuaciones y desigualdades lineales Cuando se grafica una ecuacin, se genera una recta sobre el eje de coordenadas. Las desigualdades generan un plano, al graficarlo sobre el eje de coordenadas. Pasos para la graficacin de una desigualdad: a. Tomar de l a desigualdad, la parte de la ecuacin, para determinar dos puntos que permitan graficar una recta, que sera el lmite del plano. En el caso de que la ecuacin el trmino constante fuese cero, la recta pasa por la intercepcin de los ejes. Por lo tanto, uno de los puntos sera (0,0). El otro punto se obtendra dando un valor diferente de cero a una de las variables.
29
Si la constante fuese diferente de cero, se procede de la siguiente manera: Para el primer punto se hace cero una de las variables y se despeja la otra variable. Para el segundo punto se hace cero la otra variable, y se despeja para la variable que queda pendiente. b. Determinacin del plano que da la desigualdad Se escoge un punto de prueba, debajo o sobre la recta y se verifica si satisface la desigualdad. Si satisface la desigualdad, el plano se forma para el lado que se encuentra el punto de prueba escogido. Si no satisface la desigualdad, el plano se forma para el lado contrario donde se encuentra el punto de prueba con respecto a la recta o lmite del plano.
Ejemplos A. a. REGION FACTIBLE NO ACOTADA Formulacin de dieta Una dieta debe contener al menos 16 unidades de carbohidratos y 20 de protenas. El alimento A contiene 2 unidades de carbohidratos y 4 de protenas; el alimento B contiene 2 unidades de carbohidratos y 1 de protenas. Si el alimento A cuesta $1.20 por unidad y el B $0.80 por unidad, Cuntas unidades de cada alimento deben comprarse para minimizar el costo?cul es el costo mnimo?
Solucin Carbohidratos Alimento A Alimento B Rendimiento 2 2 16 Protenas 4 1 20 Costos 1.2 0.80
30
Variables de decisin Sea X1 en N. de unidades de alimentos A comprar Sea X2 en N. de unidades de alimentos B comprar F.O costo min Z = 1.2 X1+0.8 X2 Sa. 2X1+2X2 >= 16 4X1+1X2 >=20 X1, X2 >=0 Tabulando para cada una de las rectas, pues usted sabe que por dos puntos pasa una recta requerimento mnimo de carbohidratos requerimento mnimo de protenas
L1: 2X1+2X2 = 16 X1 0 8 X2 8 0 (0,8) (8,0)
L2: 4X1+1X2 =20 X1 0 5 X2 20 0 (0,20) (5,0)
31
20
Regin Factible no acotada L2: 4X1+1X2 >=20
L1: 2X1+2X2 = 16
(0,0)
Punto L1 L2
2X1+2X2 = 16 resolviendo el sistema de ecuaciones se obtiene: X= 4 1 4X1+1X2 =20 Reemplazando en Z = 1.2 X1+0.8 X2 En el punto (0,20) En el punto (4,4) En el punto (8,0) Z= 1.2 (0)+0.8 (20) = 16 1.2 (4)+0.8 (4) =8 1.2 (8)+0.8 (0) = 9.6 X2: 4 unidades del alimento B
X2=4
Respuesta: Z min. ptimo = 8 con un plan de compra: X1: 4 unidades del alimento A
32
Observaciones Asumamos que el modelo matemtico del problema anterior (1) se desea maximizar, es decir: F.O max Z = 1.2 X1+0.8 X2 Sa. 2X1+2X2 >= 16 4X1+1X2 >=20 X1, X2 >=0 requerimento mnimo de carbohidratos requerimento mnimo de protenas
La grfica sigue siendo la misma y los puntos tambin
Decir que el valor mximo de Z = 1.2 X1+0.8 X2 es en el punto (0,20) con z=16 es completamente falso pues otro punto en la regin factible no acotada como por ejemplo en: (8,20) nos da un z=25.6, y en (100,0) nos da un Z=120, es claro que cuando (X1,X2 ) aumentan o toman otros valores dentro de la regin factible no acotada, tambin lo hace Z. Por la tanto, ningn punto factible maximiza Z, de modo que no existe solucin optima. En este caso decimos que la solucin es no acotada
B. b.
SOLUCIN MLTIPLE Resolver grficamente
max z = x1 + x2
s.a
x1 + x2 4 x1 1 x2 2 x1 , x2 0
Solucin:
l1 : x1 + x2 = 4 tabulamos si : x1 = 0 x2 = 4 tenemos (0,4) x2 = 0 x1 = 4 tenemos (4,0) l1 : x1 = 1 l2 : x2 = 2
33
Payoff:
1 x1 +
1 x2 =
x2 2
0 x1 +
1 x2 =
1 : 0 0 1 2 3 4 Optimal Decisions(x1,x2): ( 2, 2) ( 4, 0) : 1x1 + 1x2 < = 4 : 1x1 + 0x2 > = 1 : 0x1 + 1x2 < = 2 1 x1 + 0 x2 = 1 : 1 x1 + 1 x2 = 4
x1
Observamos que tiene soluciones ptimas alternativas en el punto (2,2) = ( x1 , x2 ) y (4,0)= ( x1 , x2 ) para los cuales Z mximo = 4 C. REGIN FACTIBLE VACA El ejemplo siguiente ilustra una situacin en la que no que existe solucin ptima c. max z = x1 + x2 s.a.
x1 + x2 4 x1 + 2 x2 2 x1 , x2 0
34
18
12
Payoff: 6 : : 0 0 : : 1x1 + 1x1 + 1 x2 >= 2 x2 <= 4 2 1 x1 + 1 x1 + 1 x2 = 2 x2 = 2
1 x1 +
1 x2 =
10
20
30
40
Un punto factible ( x1 , x2 ) debe tener x1 0, x2 0 , estar sobre la recta superior o por encima de l1 : x1 + x2 4 y sobre o por debajo de la recta inferior l2 : x1 + 2 x2 2 . Sin embargo, no existen tales puntos. De aqu que la regin factible sea vaca y, por lo tanto, este problema no tenga solucin ptima. Siempre que la regin factible de un problema de P.L. sea vaca, no existe solucin ptima. D. SOLUCIN PTIMA NICA
max z = x1 + x2
s.a
3x1 + 2 x2 6 2 x1 + 4 x2 8 x1 , x2 0
Solucin: por dos puntos pasa una recta entonces:
l1 : 3x1 + 2 x2 = 6 Tabulando si: x1 = 0 x2 = 3 tenemos (0,3) x2 = 0 x1 = 2 Tenemos (4,0)
35
l2 : 2 x1 + 4 x2 = 8 Tabulando si: x1 = 0 x2 = 2 tenemos (0,3) x2 = 0 x1 = 4 Tenemos (4,0)

Resolviendo el sistema de ecuaciones l1 l2 es decir:
l1 : 3x1 + 2 x2 = 6 y l2 : 2 x1 + 4 x2 = 8 se obtiene x1 = 1 y x2 = 1.5
: 3.0 x1 + 2.0 x2 = 6.0
Payoff: 1.0 x1 + 1.0 x2 = 2.5
: 2.0 x1 + 4.0 x2 = 8.0 0 0 Optimal Decisions(x1,x2): ( 1.0, 1.5) : 3.0x1 + 2.0x2 <= 6.0 : 2.0x1 + 4.0x2 <= 8.0 10
Observacin: Payoff = funcin objetivo
E. Un fabricante de juguetes prepara un programa de produccin para dos nuevos juguetes, cosas y cositas, utilizando la informacin concerniente a sus tiempos de produccin dados en la tabla que sigue. Por ejemplo, cada cosa requiere de 2 horas en la mquina A. Las horas disponibles empleadas por semana son: Para operacin de la mquina A, 70 horas; para B, 40 horas; para terminado, 90 horas. Si las utilidades en cada cosa y cada cosita son de $4 y $6, respectivamente, Cuntos de 36
cada juguete debe producir por semana con el fin de maximizar la utilidad? Cul sera la utilidad mxima? Mquina A Cosa Cosita 2 horas 1 hora 1 hora 1 hora 1 hora 3 horas Mquina B Terminado
Variables de decisin:
Sea: X1 el numero de juguetes a producir del juguete cosa X2 el nmero de juguetes a producir del juguete cosita
Maximizar Z =
54 48 42 36 30 24 18 12 : 6 0 : 0 : 1 x1 + 3 x2 = 40 30 40 90
4 X1 + 2 X1 +
6 x2 1 x2 <= 70 1 X1 + 1 X1 + 1 x2 <= 40 3 x2 <= 90
s.a
Payoff:
4 x1 +
6 x2 = 210
Z optimo 210
1 x1 +
1 x2 = 70 20
2 x1 +
1 x2 = 10
50
60
70
80
90
Optimal Decisions(x1,x2): ( 15, 25) : 2x1 + 1x2 <= 70 : 1x1 + 1x2 <= 40 : 1x1 + 3x2 <= 90
Respuesta: plan de produccin x1=15 juguetes cositas y X2 =25 juguetes cosas Utilidad mxima= $210
37
EJEMPLO 12:
Mezcla
I
Nutriente
II 2 2 12 $5
A B C Costo
Variables de Decisin: Sea:
2 6 4 $4
Requerimiento mnimo 80 120 240
X1 El nmeros de bolsas a comprar mezcla I X2 El nmeros de bolsas a comprar mezcla II f.o. Min C= 4X1 + 5X2 s.a. 2X1 6X1 4X1 Solucin: L1: 2X1 + 2X2 = 80 X1 0 40 L2: 6X1 + 2X2 = 120 X1 0 20 L3: 4X1 + 12X2 = 240 X1 0 60 X2 20 0 (0, 20) (60, 0) X2 60 0 (0, 60) (20, 0) X2 40 0 (0, 40) (40, 0) + + + 2X2 2X2 12X2 i = 1,2
80 120 240
Xi 0
38
Grfico:
X2
(0, 60) L2: 6X1 + 2X2 = 120
(0, 40)
L1: 2X1 + 2X2 = 80 (0, 20) L3: 4X1 + 12X2 = 240
(20, 0)
(40, 0)
(60, 0)
X1
Pto B: L2 L1 6X1 2X1 3X1 -X1 + + + 2X2 = 2X2 = X2 = X2 = 2X1 = X1 = X2 = 120 80 60 -40 20 10 30
B (10,30)
39
Pto C: L1 L3 2X1 4X1 -X1 X1 + + + 2X2 12X2 X2 3X2 2X2 X2 X1 = = = = = = = 80 240 40 60 20 10 30
C (30,10)
f.o. Min C= 4X1 + 5X2 En el punto A (0, 60) En el punto B (10, 30) En el punto C (30, 10) En el punto D (60, 0) Rpta: Z= 4(109.09)+5(63.64) = 300 Z= 4(10)+5(30) = 190 Z= 4(30)+5(10) =170 Z= 4(60)+5(0) = 240
X1: 30 bolsas de la mezcla I X2: 10 bolsas de la mezcla II Costo mnimo ptimo =$ 170
40
Serie de problemas 2.0 Resuelva cada uno de los siguientes programas lineales usando el mtodo grfico. Indique si los problemas son: a) ptimos: es decir que tiene una solucin ptima. b) Infactibles: es decir, que no existen valores de las variables que satisfagan todas las restricciones simultneamente. c) Ilimitados: es decir, que existen valores factibles de las variables que hacen la funcin objetivo tan grande o tan pequea como se desee. Todo programa lineal es ptimo, infactible o ilimitado. 1. Maximizar P = 10x +12y Sujeta a x + y 60 x 2y 0 x, y 0 2. Maximizar Z = 4x -6y s.a y 7, 3x y 3 , x +y 5 ,x,y 0 3. Maximizar Z = 4x 10y s.a x 4y 4 2x - y 2 x, y 0
4. Minimizar Z = 7x +3y Sujeta a 3x - y 2 x+y
5. Minimizar C = 2x + y s.a 3x + y 3, 4x +3y 6, x +2y 2 x, y 0 6.c) Maximizar Z = -4x + 6y s.a 6x -2 y 3 -2x +3y 6 x +y 3
6.a) Maximizar Z = 10x + 2y s.a x +2y 4 x - 2y 0 x, y 0
9
0
x y =-1 x, y 6.b) Minimizar Z = 3x +7y Sujeta a x-y
x -2 y 10 -2x y 2
x, y 0
41
7.
Produccin para utilidad mxima.
Un fabricante de juguetes prepara un
programa de produccin para dos nuevos juguetes, cosas y cositas, utilizando la informacin concerniente a sus tiempos de produccin dados en la tabla que sigue. Por ejemplo, cada cosa requiere de 2 horas en la mquina A. Las horas disponibles empleadas por semana son: Para operacin de la mquina A, 70 horas; para B, 40 horas; para terminado, 90 horas. Si las utilidades en cada cosa y cada cosita son de $4 y $6, respectivamente, Cuntos de cada juguete debe producir por semana con el fin de maximizar la utilidad? Cul sera la utilidad mxima?
Mquina A Cosa Cosita 2 horas 1 hora
Mquina B
Terminado
1 hora 1 hora
1 hora 3 horas
8.
Formulacin de dieta . Una dieta debe contener al menos 16 unidades de carbohidratos y 20 de protenas. El alimento A contiene 2 unidades de carbohidratos y 4 de protenas; el alimento B contiene 2 unidades de carbohidratos y 1 de protenas. Si el alimento A cuesta $1.20 por unidad y el B $0.80 por unidad, Cuntas unidades de cada alimento deben comprarse para minimizar el costo? Cul es el costo mnimo? Extraccin de minerales. Una compaa extrae minerales de un yacimiento. El nmero de libras de minerales A y B que puede ser extrado por cada tonelada de los filones I y II est dado en la tabla siguiente junto con los costos por tonelada. Si la compaa debe extraer al menos 3000 libras de A y 2500 de B, Cuntas toneladas de cada filn deben ser procesadas con el fin de minimizar el costo? Cul es el costo mnimo? Filn I Mineral A Mineral B Costo por tonelada 110 lb 200 lb $50 Filn II 200 lb 50 lb $60
9.
42
10.
Costo de construccin. Una compaa qumica est diseando una planta para producir dos tipos de polmeros, P1 y P2. La planta debe ser capaz de producir al menos 100 unidades de P1 y 420 unidades de P2 cada da. Existen dos posibles diseos para las cmaras principales de reaccin que sern incluidas en la planta. Cada cmara de tipo A cuesta $600,000 y es capaz de producir 10 unidades de P1 y 20 unidades de P2 por da; el tipo B es un diseo ms econmico, cuesta $300,000 y es capaz de producir 4 unidades de P1 y 30 unidades de P2 por da. A causa de los costos de operacin, es necesario tener al menos 4 cmaras de cada tipo en la planta. Cuntas cmaras de cada tipo deben ser incluidas para minimizar el costo de construccin y satisfacer el programa de produccin requerido? (Suponga que exista un costo mnimo). Produccin para utilidad mxima. Un fabricante produce dos tipos de parrillas para asar, Old Smokey y Blaze Hawai. Durante la produccin las parrillas requieren del uso de dos mquinas, A y B. El nmero de horas necesarias en ambas est indicado en la tabla siguiente. Si cada mquina puede utilizar 24 horas por da y las utilidades en los modelos son de $4 y $6, respectivamente, cuntas parrillas de cada tipo deben producirse por da para obtener una utilidad mxima? Cul es la utilidad mxima?
11.
Mquina A Old Smokey Blaze Away 2 horas 4 horas
Mquina B 4 horas 2 horas
12.
Nutrientes en fertilizantes. Un agricultor comprar fertilizantes que contienen tres nutrientes: A, B y C. Los requerimientos mnimos semanales son 80 unidades de A, 120 de B y 240 de C. Existen dos mezclas populares de fertilizante en el mercado. La mezcla I cuesta $4 por bolsa, con dos unidades de A, 6 de B y 4 de C. La mezcla II cuesta $5 por bolsa, con 2 unidades de A, 2 de B y 12 de C. Cuntas bolsas de cada mezcla debe comprar el agricultor para minimizar el costo de satisfacer sus requerimientos de nutriente?
43
13.
Programa de produccin. Una compaa petrolera, que tiene dos refineras, necesita al menos 800, 1400 y 500 barriles de petrleo de grados bajo, medio, y alto, respectivamente. Cada da la refinera I produce 200 barriles de grado bajo, 300 de medio y 100 de alto grado, mientras que la refinera II produce 100 barriles de grado alto, 100 de bajo y 200 de grado medio. Si los costos diarios son de $2500 para operar la refinera I y de $ 2000 para la refinera II. Cuntos das debe ser operada cada refinera para satisfacer los requerimientos de
produccin a un costo mnimo? Cul es el costo mnimo? (Suponga que existe un costo mnimo). Control de contamina cin. A causa de reglamentaciones federales nuevas sobre la contaminacin, una compaa qumica ha introducido en sus plantas un nuevo y ms caro proceso para complementar o reemplazar un proceso anterior en la produccin de un qumico en particular. El proceso anterior descarga 15 gramos de dixido de azufre y 40 gramos de partculas a la atmsfera por cada litro de qumico producido. El nuevo proceso descarga 5 gramos de dixido de azufre y 20 gramos de partculas a la atmsfera por cada litro producido. La compaa obtiene una utilidad de 30 y 20 centavos por litro en los procesos anterior y nuevo, respectivamente. Si el gobierno permite a la planta descargar no ms de 10,500 gramos de dixido de azufre y no ms de 30,000 gramos de partculas a la atmsfera cada da, cuntos litros de qumico deben ser
14.
producidos diariamente, por cada uno de los procesos, para maximizar la utilidad diaria? Cul es la utilidad diaria?
15.
World Oil Company puede comprar dos tipos de petrleo crudo: crudo ligero a un costo de $25 por barril, y petrleo pesado a $22 por barril. Cada barril de petrleo crudo, ya refinado, produce tres productos: gasolina, turbosina y Kerosene. La siguiente tabla indica las cantidades en barriles de gasolina, turbosina y queroseno producidos por barril de cada tipo de petrleo crudo:
Gasolina Crudo ligero Crudo pesado 0.45 0.35
Turbosina 0.18 0.36
Kerosene 0.30 0.20
44
La refinera se ha comprometido a entregar 1 260 000 barriles de gasolina, 900000 barriles de turbosina y 300 000 barriles de kerosene. Como gerente de produccin, formule un modelo para determinar la cantidad de cada tipo de petrleo crudo por comprar para minimizar el costo total al tiempo que se satisfaga la demanda apropiada. Defina todas las variables de decisin
16.
Carmac Company fabrica carros compactos y subcompactos. La produccin de cada carro requiere una cierta cantidad de materia prima y mano de obra, como De especifica en la siguiente tabla:
MATERIA PRIMA(libras) Compactos Subcompactos Costo unitario$ Total disponible 200 150 10 80,000
MANO DE OBRA(horas) 18 20 70 9 000
La divisin de comercializacin ha estimado que a lo ms 1500 compactos pueden venderse a $10 000 cada uno y que a lo ms 200 subcompactos pueden venderse a $8000 cada uno. Como vicepresidente de programacin, formule un modelo para determinar la cantidad a fabricar de cada tipo de carro para maximizar la ganancia total. Defina todas las variables de decisin. Destilacin de crudos Una compaa de petrleos produce en sus refineras gasleo (G), gasolina sin plomo (P) y gasolina sper (S) a partir de dos tipos de crudos, C1 y C2. Las refineras estn dotadas de dos tipos de tecnologas. La tecnologa nueva Tn utiliza en cada sesin de destilacin 7 unidades de C1 y 12 de C2, para producir 8 unidades de G, 6 de P y 5 de S. Con la tecnologa antigua Ta, se obtiene en cada destilacin 10 unidades de G, 7 de P y 4 de S, con un gasto de 10 unidades de C1 y 8 de C2. Estudios de demanda permiten estimar que para el prximo mes se deben producir al menos 900 unidades de G, 300 de P y entre 800 y 1700 de S. La
17.
45
disponibilidad de crudo C1 es de 1400 unidades y de C2 de 2000 unidades. Los beneficios por unidad producida son:
Gasolina
P 6
S 7
Beneficio/u 4
La compaa desea conocer cmo utilizar ambos procesos de destilacin, que se pueden realizar total o parcialmente, y los crudos disponibles para que el beneficio sea el mximo.
Sugerencia: intentar modelar de la pregunta 7 a la 17 antes de ver las respuestas. Graficar, resolver el modelo y verificar su grafico y respuesta con el GLP.
Respuesta a los problemas de la Serie 2 7. Variables de decisin: Sea:
x1 = la cantidad de juguetes cosas a producir

x 2 = la cantidad de juguetes cositas a producir
f .o MaxZ = 4 x1 + 6 x 2 S .a 2 x1 + x 2 70
1x1 + x 2 40 1x1 + 3x 2 90
xi 0 i = 1,2
8. Variables de decisin Sea:
x1 = El nmero de unidades del alimento A a comprar x 2 = El nmero de unidades del alimento B a comprar
46
f .o MinZ = 1.20 x1 + 0.80 x 2 S .a 2 x1 + 2 x 2 16
4 x1 + 1x 2 20
xi 0 i = 1,2
9. Variables de decisin sea:
x1 = El nmero de toneladas a extraer del filn I x 2 = El nmero de toneladas a extraer del filn II
f .o
Min Z = 50 x1 + 60 x2
S .a 110 x1 + 200 x2 300
200 x1 + 50 x2 2500
xi 0 i = 1, 2
10. Variable de decisin: Sea:
x1 = El nmero de cmaras del tipo A x 2 = El nmero de cmaras del tipo B
f .o MinZ = 600 000 x1 + 300 000 x 2 S .a 10 x1 + 4 x 2 100
20 x1 + 30 x 2 420 1x1 4 1x 2 4
xi 0 i = 1,2
x1 = El nmero de x 2 = El nmero de
47
f .o MaxZ = 4 x1 + 6 x 2 S .a 2 x1 + 4 x 2 24
4 x1 + 2 x 2 24
xi 0 i = 12
12. Variables de decisin: Sea:
x1 = El nmero de bolsas de la mezcla I x 2 = El nmero de bolsas de la mezcla II
f .o
Min Z = 4 x1 + 5 x2
S .a 2 x1 + 2 x2 80
6 x1 + 2 x2 120 4 x1 + 12 x2 240
xi 0 i = 1, 2
x1 = El nmero de das a operar en la refinera I x 2 = El nmero de das a operar en la refinera II
f .o
Min Z = 2500 x1 + 2000 x2
S .a 200 x1 + 100 x2 80 0
300 x1 + 200 x2 1400 100 x1 + 100 x2 500

xi 0 i = 1, 2
x1 = El nmero de litros producidos en el proceso I x 2 = El nmero de litros producidos en el proceso II
48
f .o
Max Z = 0.30 x1 + 0.20 x2
S .a 15 x1 + 5 x2 10500
40 x1 + 20 x2 30000
xi 0 i = 12
x1 = la cantidad de barriles de crudo ligero a comprar x 2 = La cantidad de barriles de crudo ligero a comprar
f .o
Min Z = 25 x1 + 22 x2
S .a 0.45 x1 + 0.35 x2 12600000 0
0.18 x1 + 0.36 x2 1900000 0.30 x1 + 0.20 x2 5300000

xi 0 i = 1, 2
x1 = la cantidad de carros compactos a fabricar x 2 = La cantidad de carros sub compactos a fabricar
f .o
Min Z = 6740 x1 + 5100 x2
S .a 200 x1 + 150 x2 8000 0 18 x1 + 20 x2 x1 x2 xi 0 i = 1, 2

17. Variables de decisin
9000 1500 200
Sea:
x1 = El numero de destilaciones con Tn x 2 = El nmero de destilaciones con Ta
Observe que la funcin objetivo es maximizar el beneficio Z del producto destilado 49
Z= (beneficio por unidad de G X unidades producidas de G) + (beneficio por unidad de P X unidades producidas de P) + (beneficio por unidad de S X unidades producidas de S)
z = 4(8 x1 + 10 x2 ) + 6(6 x1 + 7 x2 ) + 7(5 x1 + 4 x2 ) = 103 x1 + 110 x2

f .o S .a 7 x1 + 10 x2 1400 limitacion de crudo c1 12 x1 + 8 x2 2000 limitacion de crudo c2 8 x1 + 10 x2 900 demanda de G 6x1 +7x 2 300 demanda de p 5x1 +4x 2 1700 demanda de S 5 x1 + 4 x2 800 demanda de S xi 0 i = 1, 2 MaxZ = 103 x1 + 110 x2
50
3.
APLICACIONES DE PL EN LA GESTIN DE OPERACIONES Y PRESENTACIN DE LA SOLUCIN MEDIANTE SOFTWARE
Aunque existen numerosos paquetes de computacin para resolver un modelo, no existen para construir un modelo. Sin un modelo de nada sirve el mejor software ni la mejor PC. Objetivo El objetivo fundamental es poner nfasis en la construccin de modelos a las diferentes gestiones de operacin como pueden ser: de produccin, compra mezcla, distribucin etc. Ejemplos 1 Se hace un pedido a una papelera de 800 rollos de papel corrugado de 30 pulgadas de ancho, 500 rollos de 45 pulgadas de ancho y 1000 de 56 pulgadas. Si la papelera tiene solamente rollos de 108 pulgadas de ancho, cmo deben cortarse los rollos para surtir el pedido con el mnimo desperdicio de papel? Solucin Modelando 108 pulgadas 1) __________________________________ Tres de 30 con desperdicio 18 2) ___________________________________ Dos cortes de 30 y uno de 45 con desperdicio 3 3) _____________________________________ Uno de 30 y uno de 56 con desperdicio 22 4) ______________________________________ Dos de 45 con desperdicio 18 5) _______________________________________ Uno de 45 y uno de 56 con desperdicio 7
51
Variables de decisin Sea X1 el nmero de cortes a realizar 3 de 30 con desperdicio 18 X2 el nmero de cortes a realizar 2 de 30 y uno de 45 con desperdicio 3 X3 el nmero de cortes a realizar 1 de 30 y uno de56 con desperdicio 22 X4 el nmero de cortes a realizar 2 de 45 con desperdicio 18 X5 el nmero de cortes a realizar 1 de 45 y uno de 56 con desperdicio 7 La funcin Objetivo consiste en minimizar el desperdicio
F.O. Min D= 18x1+ 3x2 +22x3 +18 x4 +7x5 S.a.
3X1+2X2+1X3 = 800 (30 pulgadas) 1X2+2X4+1X5 1X3+1X5 = 500 (45 pulgadas) = 1000 (56 pulgadas)
Xi>=0 i=1,2,3,4,5
Respuesta. X1 =1000 cortes a realizar 3 de 30 X2 =0 cortes a realizar 2 de 30 y uno de 45 X3 =500 cortes a realizar 1 de 30 y uno de56 X4 =0 cortes a realizar 2 de 45 X5=500 cortes a realizar 1 de 45 y uno de 56 Desperdicio mn ptimo= 16300
52
Ejemplo 2 Una empresa se dedica a comprar y vender un producto durante algunos meses. El precio de mercado tanto de compra como de venta, por tonelada, es:
60
90
80
110
ABRIL MAYO JUNIO JULIO
Se sabe que el costo de almacenamiento es de 10 u.m. por mes y tonelada, y el almacn tiene una capacidad de 20 toneladas. Suponiendo que tanto la compra como la venta se realizan al principio de mes, que el 1 de Abril no hay stock y que no debe haber stock al final de julio, determinar la mejor poltica de compra/venta. Solucin Modelando Observe i) ii) En Abril no tenemos stok luego nos dedicamos a comprar En Julio no debe haber stok en julio luego tanto solo vendemos
60
90
80
110
ABRIL MAYO JUNIO JULIO X1 C X2C X4V X3C (compra) X5V X6V(vende)
Variables de decisin Sea: X1 el nmero de toneladas que compra en el mes de abril X2el nmero de toneladas que compra en el mes de mayo X3 el nmero de toneladas que compra en el mes de junio X4el nmero de toneladas que vende en el mes de mayo X5el nmero de toneladas que vende en el mes de junio X6el nmero de toneladas que vende en el mes de julio
Ingresos: 90X4+80X5+110X6
53
Costos: 60X1+90X2+80X3
Costos de almacn: 10X1+10(X1+X2-X4)+10(X1+X2+X3-X4-X5) Stock en abril 0<=X1<=20 Stock en mayo 0<=X1+X2-X4<=20 Stock en junio 0<=X1+X2+X3-X4-X5<=20
f.O MAX U= 90X4+80X5+110X6-60X1-90X2-80X3-10X1-10(X1+X2-X4)-10(X1+X2+X3 - X4 - X5)
Modelo matemtico
F.O MAX U=110X4+90X5+110X6-90X1-110X2-90X3
s.a Restricciones de capacidad X1<=20 X1+X2-X4>=0 X1+X2-X4<=20 X1+X2+X3-X4-X5>=0 X1+X2+X3-X4-X5<=20 Condicion de equilibrio X1+X2+X3-X4-X5-X6=0
Xi>=0 i=1,2,6
54
Ejemplo 3 Gasahol Inc. tiene 14 000 galones de una mezcla de gasolina y alcohol almacenada en su instalacin de Fresno y 16000 galones almacenados en su instalacin de Bakerfield. Desde estas instalaciones, Gasahol debe proveer a Fresh Food Farms (FFF) 10 000 galones y a American Growers (AG) 20 000 galones. El costo de embarcar 1 galn desde cada instalacin de almacenado a cada cliente es:
HACIA DE Fresno (Fr) Bakersfield (B) FFF $0.04 $0.05 AG $0.06 $0.03
Formule un modelo de programacin lineal para determinar el plan de embarque de costo mnimo que satisfaga las restricciones de provisin y demanda. Solucin
Almacenado 14.000 Fr $ 0.06 X2 $ 0.04 X1 X3

FFF
Demanda 1000
$ 0.05
X4
AG
$ 0.03
B Almacenado 16.000
Demanda 2000
55
Sean las variables de decisin: X1 nmero de galones que enva Fr a FFF X2 nmero de galones que enva Fr a AG X3 nmero de galones que enva Ba a FFF X4 nmero de galones que enva Ba a AG
f .o.Minz = 0.04 x + 0.06 x2 + 0.05 x3 + 0.03x4 1

S.a.
x1 + x3 = 10000 demanda x2 + x4 = 2000 demanda

x1 + x 2 14000 oferta en almacen
x3 + x4 16000 oferta en almacen xi 0, i =1,2,3,4
Ejemplo 4 Problema de distribucin. Cosmic Computer Company CCC tiene tres plantas de ensamblaje de microcomputadoras en San Francisco, Los ngeles y Phoenix. La planta de los ngeles tiene una capacidad de produccin mensual de 2000 unidades. Cada una de las plantas de San Franciscop y Phoenix puede producir un mximo de 1700 unidades al mes. Las microcomputadoras de CCC se venden a travs de cuatro tiendas detallistas localizadas en San Diego, Barstow, Tucson y Dallas. Los pedidos mensuales de los vendedores al menudeo son de 1700 unidades en San Diego, 1000 en Barstow, 1500 en Tucson y 1200 en Dallas. La tabla contiene el costo de embarque de una microcomputadora desde cada planta de ensamblaje hasta cada una de las distintas tiendas minoristas. Su trabajo es formular un modelo matemtico para encontrar el programa de embarque de mnimo costo.
PLANTAS San Francisco Los ngeles Phoenix
SAN DIEGO 5 4 6
TIENDAS BARSTOW TUCSON 3 2 7 8 5 3
DALLAS 6 10 8
56
Solucin Plantas de ensamblaje-ofertas Tiendas-demanda
San francisco 1700
San diego 1700
Los ngeles 2000
Barstow 1000
Tucson 1500 Phoenix 1700
Dallas 1200
Sean las variables de decisin: X1 la cantidad de microcomputadoras a enviar de X2 la cantidad de microcomputadoras a enviar de X3 la cantidad de microcomputadoras a enviar de X4 la cantidad de microcomputadoras a enviar de X5 la cantidad de microcomputadoras a enviar de X6 la cantidad de microcomputadoras a enviar de X7 la cantidad de microcomputadoras a enviar de X8 la cantidad de microcomputadoras a enviar de X9 la cantidad de microcomputadoras a enviar de X10 la cantidad de microcomputadoras a enviar de X11 la cantidad de microcomputadoras a enviar de X12 la cantidad de microcomputadoras a enviar de SF --- SD SF --- B SF --- T SF --- D LA --- SD LA --- B LA --- T LA --- D P --- SD P --- B P --- T P --- D
f .o.Min C = 5 x1 + 3x2 + 2 x3 + 6 x4 + 4 x5 + 7 x6 + 8 x7 + 10 x8 + 6 x9 + 5 x10 + 3x11 + 8 x12

s.a
57
Capacidad de produccin
x1 + x2 + x3 + x4 1700 x5 + x6 + x7 + x8 2000 x9 + x10 + x11 + x12 1700

Demanda
x1 + x5 + x9 = 1700 x2 + x6 + x10 = 1000 x3 + x7 + x11 = 1500 x4 + x8 + x12 = 1200 xi 0, i = 1, 2,3,...12
58
Serie de problemas 3.0 Aplicaciones de la programacin lineal Leer cuidadosamente y abstraer el modelo matemtico:
1. Fresh Dairy Faros tiene dos mquinas distintas para procesar leche pura y producir leche descremada, mantequilla o queso. La cantidad de tiempo requerido en cada mquina para producir cada unidad de producto resultante y las ganancias netas se proporciona en la siguiente tabla:
LECHE DESCREMADA Mquina 1 Mquina2 Ganancia neta 0.2 min/gal 0.3min/gal $0.22/gal
MANTEQUILLA 0.5min/lb 0.7min/lb $0.38/lb
QUESO 1.5min/lb 1.2min/lb $0.72/lb
Suponiendo que se dispone de 8 horas en cada mquina diariamente, como gerente del departamento de produccin, formule un modelo para determinar un plan de produccin diaria que maximice las ganancias corporativas netas y produzca un mnimo de 300 galones de leche descremada, 200 libras de mantequilla 100 libras de queso.
2. Cada galn de leche, libra de queso y libras de manzanas proporciona un nmero conocido de miligramos de protenas y vitaminas A, B y C. La siguiente tabla incluye esos datos junto con los requerimientos diarios de los ingredientes nutricionales, segn lo recomendado por el Departamento de agricultura de los EE.UU. La tabla tambin incluye la cantidad mnima da cada alimento que debe incluirse en la comida y su costo.
59
Leche(mg/gal)
Queso(mg/lb)
Manzanas(mg/lb
Requerimientos Mnimos diarios
Protenas Vitamina A Vitamina B Vitamina C Cantidad Mnima Costo unitario
40 5 20 30 0.5gal
30 50 30 50 0.5lb
10 30 40 60 0.5lb
80 60 50 30
$2.15
$2.25
$1.25
Como dietista de una escuela pblica, formule un modelo para determinar la comida de costo mnimo que rena todos los requerimientos nutricionales.
3. Rich Oil Company, cerca de Cleveland, suministra gasolina a sus distribuidores en camiones. La compaa recientemente recibi un contrato para iniciar el suministro de 800,000 galones de gasolina por mes a distribuidores de Cincinatti. La compaa tiene $500 000 disponibles para crear una flota consistente en tres tipos diferentes de camiones. En la siguiente tabla se muestra la capacidad relevante, costos de compra, costo operativo nmero mximo de viajes por cada tipo de camin:
Tipo de camin 1 2 3
Capacidad (galones) 6000 3000 2000
Costo de compra($) 50 000 40 000 25 000
Costo de operacin($/mes) 800 650 500
Mximo de viajes/mes 20 25 30
Sobre la base del mantenimiento y la disponibilidad de conductores, la compaa no desea comprar ms de 10 vehculos para su flota. Asimismo, la compaa deseara asegurarse que se compren al menos tres de los camiones del tipo 3 (se requieren para su uso en las rutas de trayecto corto/ baja demanda). Finalmente, la compaa no
60
desea que ms de la mitad de la flota sea de camiones del tipo 1. Como gerente de operaciones formule un modelo para determinar la composicin de la flota que minimice los costos operativos mensuales al tiempo que satisfaga las demandas, no salindose del presupuesto y satisfaciendo los requerimientos de las otras compaas.
4. Hexxon Oil Company tiene una gran refinera localizada en Newark, New Jersey. La gasolina refinada es enviada de all a tanques de almacenamiento en Filadelfia a travs de una red de oleoductos con estaciones de bombeo en Sayerville, Easton, Trenton, Bridgewater y Allentown. El oleoducto esta construido en segmentos que conectan parejas de estas ciudades. A lo largo de cada segmento existe un nmero mximo conocido de galones por horas que pueden enviarse. Estos segmentos y sus respectivas capacidades en galones por hora son:
DE Newark Sayerville Trenton Newark Sayerville Bridgewater Easton Easton Allentown
A Sayerville Trenton Filadelfia Bridgewater Bridgewater Easton Allentown Trenton Filadelfia
CAPACIDAD 150 000 125 000 130 000 80 000 60 000 100 000 75 000 50,000 90 000
En la regin de Filadelfia se espera un aumento en la conduccin en los prximos meses de verano. Antes de incrementar la tasa de produccin de la refinera, la administracin de Hexxon desea conocer el nmero mximo de galones de gasolina por hora que pueden enviarse a travs de la red de oleoductos a los tanques de almacenamiento de Filadelfia.
61
5. ManuMania Company usa una base y dos productos de goma, todos en cantidades iguales, para producir su Gooey Gum. La compaa puede producir un total combinado de hasta 800 libras de la base y dos productos de goma. De manera alternativa, puede comprar estos ingredientes en el mercado abierto en las siguientes cantidades de dlares por libra:
PRODUCTO Base GP- GP-2 1.75 2.00 2.25
COSTO DE PRODUCCIN
COSTO DE COMPRA 3.00 3.25 3.75
Formule un modelo para determinar el plan de produccin de costo mnimo/compra para satisfacer una demanda de 1200 libras de Gooey Gum.
6. Oklahoma Oil Inc. debe transportar 100 000 barriles de cada uno de sus tres campos petroleros a su tanque de almacenamiento en Oklahoma City. El petrleo puede transportarse en camiones directamente de los campos al tanque de almacenamiento a un costo de $0.03 por barril por milla. Hasta 150 000 barriles de petrleo tambin pueden enviarse desde los campos mediante ductos a un eje central en Tulsa a un costo de $0.02 por barril por milla y luego transportarse en camiones a Oklahoma City por $1 por barril. Formule un modelo para determinar el plan de embarque de costo mnimo, dadas las siguientes distancias en millas: HACIA DESDE Campo petrolero 1 Campo petrolero 2 Campo petrolero 3 OKLAHOMA 150 170 190 TULSA 50 65 80
7. Incredible Indelible Ink Company mezcla tres aditivos, A1, A2 y A3 a una base en diferentes proporciones para obtener distintos colores de tinta. La tinta roja se obtiene mezclando A1, A2 y A3 en la proporcin de 3:1:2, la tinta azul en la proporcin de 2: 3: 4 y la tinta verde en la proporcin de 1:2:3. Despus de mezclar estos aditivos, se aade una cantidad igual de base para cada color. La compaa actualmente tiene 1000
62
galones de A1, 1500 de A2, 2000 de A3, y 4000 de base. Dado que el precio de venta por galn de cada tipo de tinta es el mismo, desarrolle un modelo para determinar cmo deberan usarse estos recursos para obtener los mximos ingresos.
8. La seora Amy Jenkins, directora de comunicaciones de Tele Com, acaba de salir de una junta. La gerencia superior ha decidido que, debido a un importante grupo nuevo de clientes de Los ngeles y Boston, es necesario incrementar la capacidad existente de transmisin de datos entre las oficinas y estas dos ciudades. La actual red de comunicaciones tiene oficinas intermedias con computadoras y capacidad de retransmisin en Salt Lake City, Phoenix, Denver, Albuquerque, Minneapolis, Houston, Chicago, Atlanta, Cheveland, Washington, D.C. y Nueva York. Como primer paso, la seora Jenkis necesita revisar el sistema actual. De sus archivos ha obtenido la siguiente lista de enlaces de comunicacin entre ciertas parejas de estas ciudades y el nmero mximo de bits por da que pueden enviarse a travs de ese enlace:
DE Los ngeles Los ngeles Salt Lake Salt Lake Phoenix Denver Albuquerque Minneapolis Houston Chicago Atlanta Atlanta Cleveland Cleveland Washington Nueva York
A Salt Lake Phoenix Denver Albuquerque Albuquerque Minneapolis Houston Chicago Atlanta Cleveland Cleveland Washington Washington Boston Nueva York Boston
BITS MXIMOS POR DA (BILLONES) 15 12 10 10 12 8 9 15 12 15 12 14 8 12 15 18
63
Determinar el nmero mximo de bits por da que pueden transmitirse desde la oficina de los a ngeles a la de Boston a travs de la red existente. Formular como un PPL.
9. Una empresa se dedica a comprar y vender un producto durante algunos meses. El precio de mercado tanto de compra como de venta, por tonelada, es:
60
90
80
110
ABRIL MAYO JUNIO JULIO
Se sabe que el costo de almacenamiento es de 10 u.m. por mes y tonelada, y el almacn tiene una capacidad de 20 toneladas. Suponiendo que tanto la compra como la venta se realizan al principio de mes, que el 1 de abril no hay stock y que no debe haber stock al final de julio, determinar la mejor poltica de compra/venta.
10. Fresh Food Faros Inc. tiene 50 acres de tierra en la cual planta cualquier cantidad de maz, soya, lechuga, algodn y brcoli. La siguiente tabla muestra la informacin relevante perteneciente a la produccin, el costo de plantacin, el precio de venta esperado y los requerimientos de agua para cada cultivo:
CULTIVO
PRODUCCION KG/ACRE
COSTO $/KG
PRECIODEVENTA ($/KG)
AGUA REQUERIDA (litros/kg)
Maz Frijoles de Soya Lechuga Algodn Brcoli
640 500 400 300 350
1.00 0.50 0.40 0.25 0.60
1.70 1.30 1.00 1.00 1.30
8.75 5.00 2.25 4.25 3.50
Para la prxima temporada, hay 100 000 litros de agua disponible y la compaa ha contratado vender al menos 5120 kilogramos de maz. Formule un programa lineal para determinar una estrategia de plantacin ptima para Fresh Food Faros Inc. Use el nmero de acres de cada cultivo para plantacin como las variables de decisin.
64
11. Un cierto restaurante opera 7 das a la semana. A las camareras se les contrata para trabajar 6 horas diarias. El contrato del sindicato especifica que cada camarera debe trabajar 5 das consecutivos y despus tener 2 das consecutivos de descanso. Cada camarera recibe el mismo sueldo semanal. En el cuadro se presenta las necesidades de contratacin. Supngase que este ciclo de necesidades se repite en forma indefinida y no toma en cuenta el hecho de que el nmero de camareras contratadas tiene que ser un nmero entero. El gerente desea encontrar un programa de empleo que satisfaga estas necesidades a un costo mnimo. Formule este problema como un PPL.
Necesidades de contratacin de camareras
Da Lunes Martes Mircoles Jueves Viernes Sbado Domingo
Nmero mnimo de horas de camarera necesario 150 200 400 300 700 800 300
12. A un gabinete de ingenieros agrnomos le encargan la planificacin del cultivo de tres fincas de labranza de rendimiento similar. La superficie cultivable de cada finca medida en ha y el personal disponible en cada una de ellas se tiene en la tabla.
Finca 1 2 3
Superficie de Cultivo 300 640 445 20 40 30
Nmero de trabajadores
65
Los empleados trabajan un promedio de 7 horas diarias, 22 das al mes. El gabinete se propone dedicar la superficie cultivable a maz, que puede ser de tres variedades diferentes denominadas largo (L), mocho(M) y grande(G). La tabla que sigue proporciona las superficies mximas que pueden cultivarse con cada variedad (por limitaciones en la disponibilidad de semilla), las necesidades de mano de obra por mes y el beneficio esperado en miles de $, por ha en ambos casos.
Tipo de Maz L M G
Superficie mxima 350 510 480
Mano de obra horas/mes/Ha 5 4 6
Beneficio/Ha miles de $ 800 760 735
La siembra tiene asociada unos costos por ha que difieren segn la finca y el tipo de maz utilizado y que indicamos en miles de $. L M G
1 60 48 52 2 56 51 50 3 53 50 61
Para respetar los deseos del propietario, el gabinete debe desarrollar una planificacin en la que la proporcin de tierra dedicada al cultivo sea la misma en las tres fincas, aunque la proporcin de las variedades de maz plantado no tenga que respetar tal condicin. Formular un modelo de programacin lineal para conocer la superficie de cultivo y el tipo de maz utilizado en cada finca para que el beneficio esperado sea mximo.
66
II Unidad didctica Investigacin Operativa I
REPRESENTACIN MATEMTICA DEL MODELO LINEAL Y EL MTODO SIMPLEX
Segunda unidad didctica
REPRESENTACIN MATEMTICA DEL MODELO LINEAL Y EL MTODO SIMPLEX 4. REPRESENTACIN MATEMTICA DEL MODELO LINEAL 4.1. Planteamiento y formulacin de un programa lineal 4.2. Forma matricial 4.3. Diversas formas de presentacin del modelo de programacin lineal 4.3.1. Definicin: forma estandarizada de un problema de programacin lineal (ppl) 4.3.2. Definicin: forma cannica de un problema de programacin lineal (ppl). Caso maximizacin 4.3.3. Definicin: forma cannica de un problema de programacin lineal (ppl). Caso minimizacin 4.3.4. Propiedades de un programa lineal. Soluciones bsicas 4.3.5. Teorema fundamental de la programacin lineal 5. EL MTODO SIMPLEX 5.1 5.2 Ejemplo de maximizacin Soluciones no acotadas y soluciones optimas mltiples
5.3. Mtodo de penalizacin 5.4. Uso del mtodo simplex 5.5. Minimizacin 6. LA TEORA DE LA DUALIDAD 6.1. El problema dual 6.2. Existe una relacin importante entre el primal y su dual 6.3. Ejemplos utilizando el algoritmo simplex dual 7. ANLISIS DE SENSIBILIDAD Y PROGRAMACIN PARAMTRICA 7.1. Anlisis de sensibilidad de los coeficientes de la funcin objetivo 7.2 Anlisis de sensibilidad de los valores del lado derecho (LD) 7.3. Programacin lineal paramtrica
69
Objetivos
II Unidad didctica REPRESENTACIN MATEMTICA DEL MODELO LINEAL Y EL MTODO SIMPLEX Objetivo: Al finalizar la presente unidad didctica estar en la capacidad de reconocer la importancia de representar problemas reales en trminos matemticos. As como conocer y aplicar el algoritmo Simplex en la solucin de problemas de optimizacin.
Conoce y aplica la representacin matemtica de un modelo lineal.
Comprende la importancia del algoritmo Simplex en la solucin de problemas de programacin lineal.
70
Contenidos
II Unidad didctica
REPRESENTACIN MATEMTICA DEL MODELO LINEAL Y EL MTODO SIMPLEX
4.
REPRESENTACIN MATEMTICA DEL MODELO LINEAL
4.1. PLANTEAMIENTO Y FORMULACIN DE UN PROGRAMA LINEAL Un problema de programacin lineal es un programa matemtico en el que tanto la funcin objetivo como las funciones que definen las restricciones son lineales. Las restricciones pueden ser de igualdad o desigualdad no estricta. Por tanto, la formulacin general es:
opt (max o min) c1 x1 + c2 x2 + ... + cn xn s.a. a11 x1 + ... + a1n xn b1 a21 x1 + ... + a2 n xn b2 am1 x1 + ... + amn xn bm d11 x1 + ... + d1n xn s1 d k1 x1 + ... + d kn xn sk e11 x1 + ... + e1n xn = t1 ei1x1 +...+ein x n =t i
x1 0, x2 0,..., xn 0
71
4.2. FORMA MATRICIAL
opt (max o min) c x s.a. Ax b Dx s Ex = t x0

Donde c
n
,b
,s
,t
y A, D, y E son matrices de orden mxn , kxn y
ixn respectivamente.
4.3. DIVERSAS FORMAS DE PRESENTACIN DEL MODELO DE PROGRAMACIN LINEAL Ciertas formas de presentacin han recibido nombres especficos, como se vera enseguida: 4.3.1. Definicin: Forma estandarizada de un problema de programacin lineal (PPL) El modelo de un PPL est en forma estandarizada si el objetivo es maximizar o minimizar una funcin objetivo sujeta a un conjunto de restricciones de la forma igual que exclusivamente y las variables de decisin slo admiten valores no negativos. Luego diremos que un programa lineal est formulado en forma estndar si viene expresado como sigue
min(max) c1 x1 + c2 x2 + ... + cn xn s.a. a11 x1 + a12 x2 + ... + a1n xn = b1 a21 x1 + a22 x2 + ... + a2 n xn = b2 a m1x1 +a m2 x 2 +...+a mn x n =b m xi 0; i = 1, 2,3,..., n
72
4.3.2. Definicin: Forma cannica de un problema de programacin lineal (PPL) caso maximizacin El modelo de un PPL est en forma cannica si el objetivo es maximizar una funcin lineal sujeta a un conjunto de restricciones de la forma menor o igual que y las variables de decisin slo admiten valores no negativos. Luego diremos que un programa lineal est formulado en forma cannica si viene expresado como sigue:
max c1 x1 + c2 x2 + ... + cn xn s.a. a11 x1 + a12 x2 + ... + a1n xn b1 a21 x1 + a22 x2 + ... + a2 n xn b2 a m1x1 +a m2 x 2 +...+a mn x n b m xi 0; i = 1, 2,3,..., n
4.3.3. Definicin: forma cannica de un problema de programacin lineal (PPL caso minimizacin El modelo de un PPL est en forma cannica si el objetivo es minimizar una funcin lineal sujeta a un conjunto de restricciones de la forma mayor o igual que y las variables de decisin slo admiten valores no negativos. Luego diremos que un programa lineal est formulado en forma cannica si viene expresado como sigue )
max c1 x1 + c2 x2 + ... + cn xn s.a. a11 x1 + a12 x2 + ... + a1n xn b1 a21 x1 + a22 x2 + ... + a2 n xn b2 a m1x1 +a m2 x 2 +...+a mn x n b m xi 0; i = 1, 2,3,..., n
73
Teniendo en cuenta lo siguiente: 1.
Max(c1 x1 + c2 x2 + ... + cn xn )=-Min(c1 x1 c2 x2 ... cn xn )

Una restriccin de igualdad
2.
a11 x1 + ... + ain xn = bi Es equivalente a las restricciones de desigualdad:
a x
j =1
n
ij
= ai1 x1 + ai 2 x2 + ... + ain xn bi

= ai1 x1 + ai 2 x2 + ... + ain xn bi
a x
j =1 ij
3.
Una restriccin de la forma:
a x
j =1 ij n j =1
bi se puede transformar en una restriccin + xn +i = 0 con xn +i 0 donde xn +i recibe el
de igualdad de acuerdo con:
a x
ij
nombre de variable de holgura.

n
4.
Una restriccin de la forma:
a x
j =1 ij n j =1
bi se puede transformar en una restriccin xn +i = 0 con xn +i 0 donde xn +i recibe el
de igualdad de acuerdo con:
a x
ij
nombre de variable de exceso.
5.
Sea xk una variable libre, es decir, una variable para la que no existe la restriccin de no negatividad. Si se define xk = uk vk con uk 0 y vk 0 y se sustituye en el programa se consigue que en el programa resultante todas las variables estn sujetas a restricciones de no negatividad. Se concluye que todo programa lineal puede expresarse siempre en forma estndar o cannica.
74
4.3.4. Propiedades de un programa lineal. Soluciones bsicas Proposicin 1 (propiedades de los programas lineales) Dado un programa lineal se verifica que: (i) (ii) (iii) (iv) Es convexo ya sea de maximizacin o minimizacin. La solucin ptima. Si existe, es global. Nunca existen ptimos locales que no sean globales. Puede tener o no solucin: caso de existir solucin, sta se encuentra en un nico punto o bien en infinitos puntos. Proposicin 2 Si un programa lineal tiene solucin ptima, entonces siempre existe un punto extremo del conjunto factible en el que se alcanza la solucin ptima. Proposicin 3 Dado un programa lineal con conjunto factible S, se verifica que x S es un punto extremo de S si y slo si es una solucin bsica factible del programa lineal expresado en forma estndar. 4.3.5. Teorema Fundamental de la Programacin Lineal Dado el programa lineal en forma estndar
*
min cx s.a. Ax = b x0
Donde la matriz A de orden mxn con m < n tiene rango m se verifica que: i) ii) Si existe una solucin factible entonces existe una solucin bsica factible. Si existe una solucin factible ptima entonces existe una solucin bsica factible ptima.
75
5.
EL MTODO SIMPLEX
Hasta ahora hemos resuelto problemas de programacin lineal por un mtodo geomtrico. Este mtodo no es prctico cuando el nmero de variables aumenta a tres y, desde luego, no es posible usarlo si las variables son ms de tres. Ahora veremos una tcnica diferente: el Mtodo Simplex. Este mtodo se debe a Dantzig y fue dado a conocer en 1947. Su base matemtica es bastante amplia, pero, solamente se enunciarn las reglas de clculo. Objetivo: mostrar cmo el mtodo Simplex es utilizado para resolver un problema de programacin lineal estndar. Este mtodo le permitir resolver problemas que no pueden ser resueltos geomtricamente. Problema estndar de programacin lineal Problema:
maximizar Z = c1 x 1 + c 2 x 2 + ... + c n x n
sujeto a :
a11 x1 + a12 x 2 + ... + a1n x n b1 a 21 x1 + a 22 x 2 + ... + a 2 n x n b2
a m1 x1 + a m 2 x 2 + ... + a mn x n bm
Donde x1 , x 2 ,...x n y b1 , b2 ,...bm son no negativos Como se tiene m desigualdades, es necesario agregar m variables de holgura, ahora bien, al introducir m incgnitas ms en las restricciones, deben aumentarse tambin en la funcin objetivo. Sin embargo, para que no alteren dicha funcin, estas incgnitas debern figurar con coeficiente cero.
maximizar Z = c1 x 1 + c 2 x 2 + ... + c n x n + 0 x n +1 + ... + 0 x n + m

sujeto a:
a11 x1 + a12 x 2 + ... + a1n x n + x n +1 a 21 x1 + a 22 x 2 + ... + a 2 n x n +
= b1 + x n +2 = b2
a m1 x1 + a m 2 x 2 + ... + a mn x n +
76
+ x n +m = bm
Las variables de holgura: x n +1 , x n + 2 ,...x n + m Mtodo: leer y entender cada tem cuidadosamente de estos pasos depende el xito de las operaciones que vamos a realizar para encontrar la solucin ptima en los diferentes casos que se nos presente. 1. Configure la tabla Simplex inicial
| x1 x 2 x n x n +1 x n + 2 .........x n + m Z x | a a 0...............0 0 n +1 11 12 a1n 1 x n + 2 | a 21 a 22 a 2n 0 1...............0 0 ............................................................................... x n + m | a m1 a m2 a mn 0 0 1 0 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Z | c1 - c 2 - c n 0 0 0 1 in dica dores

Las variables de holgura son xn +1 , xn + 2,...
|b
| b1 | b2 | bm |0
2.
Si todos los indicadores en el ltimo rengln son no negativos, entonces Z tiene un valor mximo cuando x1 = 0, x 2 = 0.....x n = 0 . El valor mximo es 0. Si existen indicadores negativos, localice la columna en la que aparezca el indicador ms negativo. Esta columna pivote proporciona la variable entrante.
3.
Divida cada entrada positiva por encima de la lnea punteada en la columna de la variable entrante, con el correspondiente valor de b. (tomando el valor de b como dividendo y la entrada positiva como divisor).
4.
Marque la entrada en la columna pivote que corresponda al cociente ms pequeo del paso (3). Esta es la entrada pivote. La variable saliente es aquella que est a la izquierda en el rengln pivote.
5.
Utilice operaciones elementales sobre renglones para transformar la tabla en una nueva tabla equivalente que tenga un 1 donde estaba la entrada pivote y ceros en las otras entradas de esa columna. 77
6.
En el lado izquierdo de esta tabla la variable entrante reemplaza a la variable saliente.
7.
Si los indicadores de la nueva tabla son todos no negativos, tendr usted una solucin ptima. El valor mximo de Z es la entrada en el ltimo rengln y la ltima columna. Ocurre cuando las variables a la izquierda de la tabla son iguales a las correspondientes entradas en la ltima columna. Todas las dems variables son iguales a cero. Si al menos uno de los indicadores es negativo, repita el proceso empezando con el paso 2 aplicado a la nueva tabla.
Como ayuda para entender el mtodo Simplex, podra interpretar ciertas entradas en la tabla. Suponga que obtenemos una tabla cuyo ltimo rengln est indicado a continuacin
|x1 x 2 x n x n +1 x n + 2 ........... x n + m Z | | . . . . . | |. | . . . . . ......................................................................... |. . . . . . | - |--------------------------------------------------------- Z | a b c d e f 1 |h
Podemos interpretar la entrada b, por ejemplo, como sigue. Si x2 es no bsica y se fuera a convertir en bsica, entonces por cada aumento de 1 unidad en x2 ,
Si b<0, Z aumenta en b unidades; Si b>o, Z disminuye en b unidades; Si b =0, no hay cambio en Z.
78
Conceptos bsicos a) Algoritmo Simplex: es el mtodo algebraico para resolver cualquier problema
de programacin lineal en un nmero finito de pasos en una computadora. b) c) Iteracin: una serie de pasos de un algoritmo que se repite. Prueba de optimalidad : mtodo para determinar si la solucin obtenida es la ptima. d) Forma estndar: una forma particular de un problema de programacin lineal en el que la funcin objetivo debe ser maximizada; solamente existen restricciones de igualdad y todos los lados derechos y variables son no negativas. e) Variable de holgura: es una variable no negativa que se aade al lado izquierdo de una restriccin menor o igual que, para obtener una restriccin de igualdad equivalente. f) Variable de supervit : es una variable no negativa que se resta del lado izquierdo de una restriccin mayor o igual que, para obtener una restriccin de igualdad equivalente. g) Variable no bsica : conjunto seleccionado de variables de un programa lineal en forma estndar (en nmero igual al total de variables menos el nmero de restricciones de igualdad) cuyos valores se toman como cero o dicho de otra forma (son las variables de decisin que toman el valor de cero). h) Variable bsica: una de las variables restantes, diferentes a las no bsicas, de un PL en forma estndar (igual en nmero al total de restricciones de igualdad) o dicho de otra forma son las variables de decisin que quedan para resolver el sistema (toman valores por lo menos una diferente de cero).
79
i)
Solucin bsica: son valores de las variables que satisfacen las restricciones de igualdad de un programa lineal en forma estndar, despus de que las variables no bsicas se toman como cero.
j)
Solucin factible bsica (sfb) : valores de las variables que satisfacen las restricciones de igualdad y de no negatividad de un programa lineal en forma estndar, despus de que las variables no bsicas se toman como cero.
5.1. Ejemplo de maximizacin Ejemplo 1. Una empresa que produce banjos, guitarras y mandolinas utiliza madera, mano de obra y metal. Las cantidades de estos inputs precisas para realizar una unidad de cada instrumento musical se muestran en la siguiente tabla.
Banjo Madera Mano de obra Metal 1 1 1
Guitarra 2 2 1
Mandolina 1 2 1
La empresa dispone de 50 unidades de madera, 60 unidades de trabajo y 55 unidades de metal y vende los banjos a 200 u.m., las guitarras a 175 u.m. y las mandolinas a 125.um Encontrar la produccin que maximiza el ingreso. Solucin i) Variables de decisin: Sea
x1 : El numero de banjos a producir x2 : El numero de guitarras a producir x3 : El numero de mandolinas a producir
80
Funcin objetivo f .o. Max
Z = 200 x1 + 175 x2 + 125 x3
s.a.
1x1 + 2 x2 + 1x3 50 1x1 + 2 x2 + 2 x3 60 1x1 + 1x2 + 1x3 55
xi 0, i = 1, 2,3
ii)
Para Estandarizar el modelo introducimos variables de holgura: x4 , x5 , x6 respectivamente. Sin embargo, para que no alteren dicha funcin objetivo, estas incgnitas debern figurar con coeficiente cero es decir: Funcin objetivo f .o. Max s.a.
Z = 200 x1 + 175 x2 + 125 x3 + 0 x4 + 0 x5 + 0 x6
1x1 + 2 x2 + 1x3 + x 4 = 50 1x1 + 2 x2 + 2 x3 + x5 = 60 1x1 + 1x2 + 1x3 + x6 = 55
xi 0, i = 1, 2,3..., 6
iii)
Definimos variables bsicas y no bsicas
Variables no bsicas Variables bsicas
x1 = 0 x2 = 0 x3 = 0
z=0
x4 = 50 x5 = 60 x6 = 55
81
iv)
Vamos a confeccionar el tablero Simplex
Variable que ingresa
Elemento pivote
2 2 1
0 0 1 0
z
0 0 0 1
b
50 60 55 0
50/1=50 60/1=60 55/1=55
Menor cociente positivo
Variable que sale
1 1 1
1 2 1
1 0 0 0
0 1 0 0
-200 -175 -125
Indicador ms negativo
*Debajo del elemento pivote se hace ceros mediante las operaciones filas es decir:
i) Fila Fila
(por -1) +
-1 1
-2 2
-1 2
-1 0
0 1
0 0
0 0
-50 60
-1
10
ii) Fila de Fila de
4 (por -1) +
-1 1 0 +200 -200
-2 1 -1
-1 1 0 +200 -125 75
-1 0 -1
0 0 0 +200 0 200
0 1 1
0 0 0 000 001 001
-50 55 5 +10000 0 10000
iii) Fila
(por +200) +
+400 -175 225
Fila de Z
82
2 2 1
z
6
b
50 60 55 0 50 10 5 10,000
1 1 1
1 2 1
1 0 0
0 1 0 0 0 1 0 0
0 0 1 0 0 0 1 0
0 0 0 1 0 0 0 1
-200 -175 -125 0

1
1 0 0 0
2 0 -1 225
1 1 0 75
1 -1 -1 200
Indicadores positivos fin del proceso
x1 = 50 x2 = 0 Las variables bsicas son: x5 = 10 y las variables no bsicas son: x3 = 0 x = 5 x = 0 4 6

Nuestra respuesta lo damos en funcin a las variables de decisin. Plan de produccin:
x1 = 50 Banjos x2 = 0 Guitarras x3 = 0 Mandolinas

Z Mx. ptimo=10 000
83
Ejemplo 2. Un empresario que fabrica tres artculos A, B, y C, desea encontrar la produccin semanal que le permita maximizar sus beneficios. Los productos A, B y C son procesados en tres mquinas siendo la produccin mnima semanal de 100, 60, y 60 unidades respectivamente. El beneficio por unidad vendida de estos artculos es de 2 u.m. por unidad de A, 2 u.m. por unidad de B y 4 u.m. por C. las horas que se necesitan por unidad de artculo y mquina son: Artculo A Mquina1 Mquina2 Mquina3 0 1 2 B 1 1 1 C 2 1 1
Siendo el nmero de horas semanales disponibles en cada mquina 240, 400 y 360 respectivamente. Determinar la produccin semanal ptima Solucin A >=100 0 1 2 2 B >=60 1 1 1 2 C >=60 2 1 1 4 Tiempo disponible 240 400 360
Maquina1 Maquina2 Maquina3 Beneficio
Variables de decisin Sea x1 El nmero de artculos a producir de A
x2 El nmero de artculos a producir de B x3 El nmero de artculos a producir de C Max z = 2 x1 + 2 x2 + 4 x3 x2 + 2 x3 240

x1 + x2 + x3 x1 100 x2 60 x3 60 xi 0 400 2 x1 + x2 + x3 360
84
Resolveremos el ejemplo haciendo un pequeo cambio de variable Solucin
x1 100 x2 60 x3 60
x1 100 0 x2 60 0 x3 60 0
x1 100 = y1 x1 = y1 + 100 x2 60 = y2 x2 = y2 + 60 x3 60 = y3 x3 = y3 + 60
Reemplazando en el modelo original
Max
s.a
z = 2( y1 + 100) + 2( y2 + 60) + 4( y3 + 60)
y2 + 60 + 2( y3 + 60) 240 ( y1 + 100) + ( y2 + 60) + ( y3 + 60) 400 2( y1 + 100) + ( y2 + 60) + ( y3 + 60) 360 yi 0
Simplificando obtenemos un nuevo modelo a resolver por el tablero simplex
Max
s.a
z = 2 y1 + 2 y2 + 4 y3 + 560
y2 + 2 y3 60 y1 + y2 + y3 180 2 y1 + y2 + y3 40 yi 0
Estandarizando
Max
s.a
z = 2 y1 + 2 y2 + 4 y3 + 0 y4 + 0 y5 + 0 y6 + 560
y2 + 2 y3 + y 4 = 60 y1 + y2 + y3 + y5 = 180 2 y1 + y2 + y3 + y 6 = 40 yi 0
Observacin 1: para los indicadores pasar mentalmente de la siguiente manera: -2y1-2y2-4y3+0y4+0y5+0y6+z=560
85
Observacin 2 Variables no bsicas: y1=0 y2=0 Variables bsicas: y4=60 y3=0 y6=40
y5=180
Z= 2(0)+2(0)+4(0)+0(60)+0(180)+0(40)+560=560 Y4 Y5 Y6 z Y1 0 1 2 -2 Y2 1 1 1 -2 Y3 2 1 1 -4 Y4 1 0 0 0 Y5 0 1 0 0 Y6 0 0 1 0 z 0 0 0 1 b 60 180 40 560
i) La pregunta es que variable ingresa: ver el indicador ms negativo RPT. El indicador ms negativo (-4) se encuentra en la columna del y3; por lo tanto, es la variable que ingresa. ii) para ver la variable que sale hacer la siguiente operacin con la columna Y3: 60/2=30 180/1=180 40/1=40 ver el menor cociente positivo: observamos que se produce en la fila de Y4; por lo tanto, la variable que sale es Y4 Multiplicar a la fila Y4 por Multiplicar a la fila de y3 por (-1) y sumar a la fila de y5 es decir: sale un nuevo y5 i) 0 -1/2 -1 -1/2 0 0 0 -30 + 1 1 1 0 1 0 0 180 1 0 -1/2 1 0 0 150 ii) Multiplicar a la fila de y3 por (-1) y sumar a la fila de y6 es decir: sale un nuevo y6 0 -1/2 -1 -1/2 0 0 0 -30 + 2 1 1 0 0 1 0 40 2 0 -1/2 0 1 0 10 ii) Multiplicar a la fila de y3 por (4) y sumar a la fila de Z es decir: sale un nuevo z 0 2 4 2 0 0 0 120 + -2 -2 -4 0 0 0 1 560 -2 0 0 2 0 0 1 680 Y3 Y5 Y6 z Y1 0 1 2 -2 Y2 1/2 1/2 1/2 0 Y3 1 0 0 0 Y4 1/2 -1/2 -1/2 2 Y5 0 1 0 0 Y6 0 0 1 0 z 0 0 0 1 B 30 150 10 680
i) Ver la variable que ingresa: observamos que el indicador ms negativo lo tiene la columna del y1 (-2); por tanto, y1 es la variable q ingresa. La columna de y1 es columna pivote.
86
ii) la variable que sale ? 30/0 no existe cociente 150/1=150
10/2=5 el menor
cociente positivo se da en la fila de y6 por tanto la variable q sale es y6 iii) Multiplicar la fila de y6 por (1/2) iv) multiplicar a la fila y1 por (-1) y sumar a la fila y5 -1 1 0 -1/4 0 0 0 -1/2 -1/4 0 1 1 -1/2 0 -5 0 0 150 -1/2 0 145
v) multiplicar a la fila y1 por (2) y sumar a la fila del z 2 -2 0 0 0 0 0 Y1 0 0 1 0 y5=145 -1/2 2 3/2 Y2 1/2 1/4 1/4 1/2 y1=5 0 0 0 1 0 1 Y3 1 0 0 0 z=690 y5=145 0 1 1 Y4 1/2 -1/4 -1/4 3/2 y1=5 10 680 690 Y5 0 1 0 0 Y6 0 -1/2 1/2 1 z 0 0 0 1 B 30 145 5 690
Y3 Y5 Y1 z Y3=30
Variables bsicas Y3=30
Variables no bsicas: y2=0 y4=0 y6=0 Observamos q todos los indicadores son positivos por lo tanto fin del proceso Observe:
x1 100 = y1 x1 = y1 + 100 = 5 + 100 = 105 x2 60 = y2 x2 = y2 + 60 = 0 + 60 = 60 x3 60 = y3 x3 = y3 + 60 = 0 + 60 = 60

Luego damos la respuesta en funcin de las variables decisin de nuestro problema original. Es decir: Plan de produccin:
x1 : 105 artculos a producir de A x2 : 60 artculos a producir de B x3 : 90 artculos a producir de C

Con un ingreso Mx Z ptimo= 690
87
Serie de problemas 5.1 Utilice el mtodo simplex para resolver los siguientes problemas: 1. Maximizar Z= x1 + 2 x 2 s.a. 2. Maximizar 3. Maximizar Z= 2 x1 + x 2 x3 s.a.
Z = 8 x1 + 2 x 2
s.a.
2 x1 + x 2
x1 x 2
x1 + x 2
2 x1 + 3 x 2 12
x1 , x 2 0
x1 + 2 x 2 8 x1 + x 2 x1 , x 2
x1 2 x 2 x3 2 x1 , x 2 , x3 0
5 0
4. Maximizar Z= x1 + x 2 s.a.
5. Maximizar
6. Maximizar Z= 60 x1 + 0 x 2 + 90 x3 + 0 x 4 s.a.
W = x1 12 x 2 + 4 x3
s.a.
x1 x 2
4 x1 + 3x 2 - x 3
1 -2 -1
x1 2 x 2 x1 + x 2
2 5
x1 + x 2 4 8 x1 + 5 x 2 40 2 x1 + x 2 6 x1 , x 2 0
7. Maximizar
x1 + x 2 - x 3
x1 + x 2 + x3
x 3 + x4 4
x1 , x 2 , x3 0
x3 2 x 4 7 x1 , x 2 , x3 , x 4 0
8. Maximizar
W = 2 x1 + x 2 2 x3
s. a:
Z = 4 x1 + 10 x 2 6 x3 x 4 s.a
2 x1 + x 2 + x3 2,
x1 x1 x 2
+ x3 x 4 1 ,
+ x 4 2,
x1 x 2 + x3 4, x1 + x 2 + 2 x3 6, x1 , x 2 , x3 0 .
x1 + x 2 x3 + x 4 4, x1 , x 2 , x3 , x 4 0 .
88
9.
Envo de mercancas
Una compaa de fletes maneja envos para dos compaas, A y B, localizadas en la misma ciudad. La compaa A enva cajas que pesan 3 libras cada una y tienen un volumen de 2 pies3; la B enva cajas de 1 pies3 que pesan 5 libras cada una. Tanto A como B envan al mismo destino. El costo de transporte por cada caja de A es de $0.75 y el de B es de $0.50. La compaa de fletes tiene un camin con 2400 pies3 de espacio para carga y una capacidad mxima de 9200 libras. En un trayecto, cuntas cajas de cada compaa debe transportar este camin de modo que la compaa de fletes reciba un ingreso mximo? Cul es el ingreso mximo?
89
5.2. SOLUCIONES NO ACOTADAS Y SOLUCIONES PTIMAS MULTIPLES Soluciones no acotadas : si no existen cocientes en una tabla simplex, entonces el problema de programacin lineal tiene una solucin no acotada. Soluciones ptimas mltiples: en una tabla que da una solucin ptima, un indicador igual a cero para una variable no bsica sugiere la posibilidad de soluciones mltiples. Por ejemplo suponga que:
x1 = a1 , x 2 = a 2 ,...x n = a n y x1 = b1 , x 2 = b2 ,...x n = bn
Estos son dos S:F:B. diferentes para los cuales un problema de programacin lineal es ptimo. Por S.F.B. diferentes queremos decir que ai bi para alguna i, donde
1 i n , entonces:
x1 = (1 t )a1 + tb1 , x2 = (1 t )a2 + tb2 + ... + xn = (1 t )an + tbn , para cualquier t donde 0 t 1
Ejemplo 1.0 Una compaa fabrica tres tipos de muebles para patio: sillas, mecedoras y tumbonas. Cada uno requiere madera, plstico, y aluminio como se indica en la siguiente tabla. La compaa tiene disponibles 400 unidades de madera, 600 unidades de plstico y 1500 unidades de aluminio. Cada silla, mecedora y tumbona se venden en $6, $8 y $12 respectivamente. Suponiendo que todos los muebles pueden ser vendidos, Cul es el ingreso mximo total que puede ser obtenido? Determinar las posibles rdenes de produccin que generarn ese ingreso. Madera Silla Tumbona Solucin i) Variables de decisin: Sea Plstico Aluminio 2 unidades 3 unidades
1 unidad 1 unidad
Mecedora 1 unidad 1 unidad
1 unidad 2 unidades 5 unidades
x1 : El numero de sillas a producir. x2 : El numero de mecedoras a producir. x3 : El numero de tumbonas a producir.
90
Funcin objetivo f .o. MaxZ = 6 x1 + 8 x2 + 12 x3 s.a.
1x1 + 1x2 + 1x3 400 1x1 + 1x2 + 2 x3 600 2 x1 + 3x2 + 5 x3 1500
xi 0, i = 1, 2,3
ii) Para estandarizar el modelo introducimos variables de holgura: x4 , x5 , x6 respectivamente. Sin embargo, para que no alteren dicha funcin objetivo, estas incgnitas debern figurar con coeficiente cero, es decir: Funcin objetivo f .o. MaxZ = 6 x1 + 8 x2 + 12 x3 + 0 x4 + 0 x5 + 0 x6 s.a.
1x1 + 1x2 + 1x3 + x 4 = 400 1x1 + 1x2 + 2 x3 + x5 = 600 2 x1 + 3 x2 + 5 x3 + x6 = 1500
xi 0, i = 1, 2,3..., 6
iii) Definimos variables bsicas y no bsicas Variables no bsicas Variables bsicas
x1 = 0 x2 = 0 x3 = 0
z=0
x4 = 400 x5 = 600 x6 = 1500
91
iv) Confeccionar el tablero Simplex

Segunda variable que ingresa Primera variable que ingresa
x1 x4 x5 x6 z x4 x3 x6 z x4 x3 x2 z x5 x3 x2 z
1 1 2 -6 1/2 1/2 -1/2 0 1 -1 -1 -2 1/2 -1/2 3/2
x2
1 1 3 -8 1/2 1/2 1/2 -2 0 0 1 0 0 0 1
x3
1 2 5 -12 0 1 0 0 0 1 0 0 0 1 0
x4
1 0 0 0 1 0 0 0 1 0 0 0 1/2 -3/2 5/2
x5
0 1 0 0 -1/2 1/2 -5/2 6 2 3 -5 -4 1 0 0
x6
0 0 1 0 0 0 1 0 -1 -1 2 4 -1/2 1/2 -1/2
z
0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 400 600 1500 0 100 300 0 3600 100 300 0 3600 50 150 250
3800
Indicadores positivos fin del proceso. 92
Variables bsicas
Variables no bsicas
5 3 2
=50 =150 =250
=0 =0 =0
1 4 6
Variable de decisin
=0 = a1 =250 = a 2 =150 = a 3
1 2 3
Zptimo = 3800
Para ver si tiene solucin mltiple bastar observar si existe un indicador igual a cero de una variable no bsica, la cual sugiere la posibilidad de solucin mltiple. Por ejemplo, x1 es no bsica y su indicador en la tabla final es igual a cero. *Vamos a generar la otra solucin para esto tomamos el ultimo tablero.
Hacemos ingresar no bsica que tiene indicador igual a1cero.
0 0 1 0 0 0 1 0
z
6
b
50 150 250 3800 100 200 100 3800
1/2 -1/2 3/2 0 1 0 0 0
1/2
1 -1/2 0 0 1/2 0 0 -1/2 0 0 2 1 0 0 0 1
0 -3/2 0 0 0 1 0 0 5/2 2 1 -1 1 2
z
1
1 -1 1/2 3/2 0 0 1 2
3 2
Luego: x1 = 100 = b1 ; x2 = 100 = b2 ; x3 = 200 = b3 que:
= (1 t )0 + t (100) = 100t = (1 t )250 + t (100) = 250 150t = (1 t )150 + t (200) = 150 + 50t
1 2 3
0 t 1
93
Si t = 0
x1 : 0 Sillas a producir x2 : 250 Mecedoras a producir x3 : 150 Tumbonas a producir

Z ptimo =3800 Si t = 1
x1 : 100 Sillas a producir x2 : 100 Mecedoras a producir x3 : 200 Tumbonas a producir

Z ptimo =3800 Como podemos ver generamos soluciones mltiples alternativas.
94
Serie de problemas 5.2 1. Maximizar 2. Maximizar Z = 5 x1 + 6 x 2 + x3 s. a
W = 2 x1 + 7 x 2
s. a:
4 x1 3 x 2 4, 3x1 x 2 6, 5 x1 8, x1 , x 2 0 .
3. Maximizar
9 x1 + 3x 2 2 x3 5 , 4 x1 + 2 x 2 x3 2 ,
x1 4 x 2 + x3 3, x1 , x 2 , x3 0 .
4. Maximizar
Z = 6 x1 + 2 x 2 + x3 s.a. 2 x1 + x 2 + x3 7,
4 x1 x 2 6,
Z = 2 x1 + x 2 4 x3 s.a. 6 x1 + 3x 2 3x3 10, x1 x 2 + x3 1,

2 x1 x 2 + 2 x3 12, xi 0
x1 , x 2 , x3 0
95
5.3. MTODO DE PENALIZACIN Variables artificiales Para iniciar el mtodo simplex, se requiere de una solucin factible bsica. Para un problema de programacin lineal estndar, empezamos con la S.F.B., en la cual todas las variables estructurales son cero. Sin embargo, para un problema de maximizacin que no est en la forma estndar, tal S.F.B. podra no existir. En esta seccin se presentar la forma en que el mtodo simplex es utilizado en tales situaciones. Objetivo Resolver problemas de maximizacin que no estn en forma estndar introduciendo variables artificiales. Ejemplo1 Maximizar Z=X1+4X2 s.a X1+2X2 8 X1+6X2 12 X2 2 X1, X2 0 Solucin: Funcin objetivo artificial: W=Z-MT1-MT2 (Donde Z=X1+4X2+0X3+0X4+0X5) X1+2X2+ X3 = 8 X1+6X2- X4+T1 =12 0X1+X2- X5+T2 = 2
96
Tablero Inicial X1 1 1 0 -1 X2 2 6 1 -4 X3 1 0 0 0 X4 0 -1 0 0 X5 0 0 -1 0 T1 0 1 0 M T2 0 0 1 M W 0 0 0 1 b 8 12 2 0
Debemos eliminar las M de las columnas de T1 y T2, para ello multiplicamos todos los elementos de la fila 3 y 4 por (-M) y le vamos a sumar a la quinta fila. -M 0 -1 -M-1 -6M -M -4 -7M-4 0 0 0 0 M 0 0 M 0 M 0 M -M 0 M 0 0 -M M 0 0 0 1 1 -12M -2M 0 -14M
I Tablero Simplex X1 X3 T1 T2 W 1 1 0 -M-1 X2 2 6 1 -7M-4 X3 1 0 0 0 X4 0 -1 0 M X5 0 0 -1 M T1 0 1 0 0 T2 0 0 1 0 W 0 0 0 1 b 8 12 2 -14M
Variables bsicas: X3=8 ; T1=12 y T2=2 Variables no bsicas: X1=0, X2=0 , X4=0 y X5=0 con W=-14M Variable que entra X2 , variable que sale T2 X1 X3 T1 X2 W 1 1 0 -M-1 X2 0 0 1 0 X3 1 0 0 0 X4 0 -1 0 M X5 2 6 -1 -6M-4 T1 0 1 0 0 T2 -2 -6 1 7M+4 W 0 0 0 1 b 4 0 2 8 97
II Tablero Simplex Variable que entra X5, variable que sale T1 y eliminamos la columna de T2 por tener un indicador positivo bastante grande. Observe que dividimos toda la fila de T1 entre 6 para hacer 1 y luego hacer ceros por encima del uno y por debajo del mismo. X1 X3 X5 X2 W 2/3 1/6 1/6 -1/3 X2 0 0 1 0 X3 1 0 0 0 X4 2/6 -1/6 -1/6 -2/3 X5 0 1 0 0 T1 -2/6 1/6 1/6 M+2/3 W 0 0 0 1 b 4 0 2 8
III Tablero Simplex Variable que entra X4, variable que sale X3 y eliminamos la columna de T1 por ser variable no bsica y adems tener en su indicador un nmero positivo bastante grande. Observe que. W=Z-Mt1-Mt2 , y como t1 =0 y t2 =0, entonces W=Z X1 X3 X5 X2 Z 2/3 1/6 1/6 -1/3 X2 0 0 1 0 X3 1 0 0 0 X4 2/6 -1/6 -1/6 -2/3 X5 0 1 0 0 Z 0 0 0 1 b 4 0 2 8
98
Multiplicando a la fila de la variable saliente por 3 para hacer uno y luego hacer ceros debajo de el. X1 X4 X5 X2 Z 2 1/2 1/2 1 X2 0 0 1 0 X3 3 1/2 1/2 2 X4 1 0 0 0 X5 0 1 0 0 Z 0 0 0 1 b 12 2 4 16
Como todos los indicadores son positivos, el proceso finaliza. Observe que las variables bsicas son: X4=12; X5=2, X2=4, y las variables no bsicas: X1=0, X3=0 Nuestras variables de decisin en el ejemplo son: X1 y X2. Luego nuestra respuesta es: X1= 0 y X2 = 4 con Zptimo=16
Ejemplo2 Max Z = 2X1+X2 s.a X1+X2<=12 X1+2X2<=20 -X1+X2>=2 Xi>=0 F.O artificial W=Z-Mt1 X1+X2+ X3 X1+2X2+ X4 = 12 = 20 Observe que: Z= 2X1+X2+0X3+0X4
- X1+X2- X5+t1 = 2
99
I Tablero Inicial X1 1 1 -1 -2 X2 1 2 1 -1 X3 1 0 0 0 X4 0 1 0 0 X5 0 0 -1 0 T1 0 0 1 M W 0 0 0 1 b 12 20 2 0
Para pasar al primer tablero simplex debemos eliminar M de la columna de T1, para ello basta multiplicar todo la fila cuatro por M y sumar a la fila cinco I Tablero Simplex X1 X3 X4 T1 W 1 1 -1 M-2 X2 1 2 1 -M-1 X3 1 0 0 0 X4 0 1 0 0 X5 0 0 -1 M T1 0 0 1 0 W 0 0 0 1 b 12 20 2 -2M
Variable que sale T1, variable que entra X2 Por suerte observe que el elemento pivote es uno y por tanto no es necesario multiplicar por algn numero para hacer uno en ese casillero X1 X3 X4 X2 W 2 3 -1 -3 X2 0 0 1 0 X3 1 0 0 0 X4 0 1 0 0 X5 1 2 -1 -1 T1 -1 -2 1 M+1 W 0 0 0 1 B 10 16 2 2
Eliminamos la columna de T1 pues (M+1) es un nmero positivo bastante grande es una variable no bsica.
100
Observe que en este tablero las variables bsicas son: X3=10, X4=16 y X2=2 Y las variables no bsicas son: X1=0 , X5=0, T1=0 W= Z-MT1 pero como T1 =0 W=Z II Tablero Simplex Variable que entra X1 variable que sale X3 X1 X3 X4 X2 Z 2 3 -1 -3 X2 0 0 1 0 X3 1 0 0 0 X4 0 1 0 0 X5 1 2 -1 -1 Z 0 0 0 1 B 10 16 2 2
Observe que a toda la fila de la variable es dividida entre dos con la finalidad de hacer luego ceros debajo del uno. Por ejemplo: i) A la fila de X1 multiplique por -3 y sume a la fila de X4 es decir: -3 3 0 0 0 0 -3/2 0 -3/2 0 1 1 -3/2 2 0 0 0 -15+ 16 1
ii) Luego a la fila de X1 multiplique por uno y sume a la fila de X2. iii) A la fila de X1 multiplique por 3 y sume a toda la fila de Z y obtendr la siguiente tabla: X1 X1 X4 X2 Z 1 0 0 0 X2 0 0 1 0 X3 1/2 -3/2 1/2 3/2 X4 0 1 0 0 X5 1/2 1/2 -1/2 1/2 Z 0 0 0 1 b 5 1 7 17
101
Como los indicadores son positivos, finaliza el proceso: Entonces las variables bsicas son: X1=5; X4=1 y X2=7 y las no bsicas son: X3=0 y X5=0 y T1=0 Luego estamos interesados en los valores de nuestras variables de decisin es decir, daremos como respuesta X1=5, X2=7 con ZMax ptimo = 17
Ejemplo 3 Una compaa fabrica dos tipos de estantes: estndar y ejecutivo. Cada tipo requiere tiempos de ensamble y de terminado como se indica en la siguiente tabla. La utilidad sobre cada unidad tambin se indica. El nmero de horas disponibles por semana en el departamento de ensamble es de 400 y en el departamento de acabado es de 510. A causa de un contrato sindical, al departamento de acabado se le garantiza al menos 240 horas de trabajo por semana. Cuntas unidades de cada tipo debe producir la compaa semanalmente para maximizar sus utilidades? Tiempo de ensamblaje 1 horas 2 horas 400 Tiempo de acabado 2 horas 3 horas Utilidad por unidad $ 10 $ 12
Estndar Ejecutivo Tiempo Disponible Variables de decisin
510 pero 240
Sea X1 el N de unidades a producir de estantes estndar Sea X2 el N de unidades a producir de estantes ejecutivos F.O max Z = 10X1+12X2 s.a. X1+2X2
400
2X1+3X2 510 2X1+3X2 240 Xi>=0 102
Solucin: F.O artificial W=Z-Mt1 X1+2X2+ X3 = 400 2X1+3X2+X4 = 510 2X1+3X2-X5+t1= 240 I Tablero Inicial X1 1 2 2 -10 X2 2 3 3 -12 X3 1 0 0 0 X4 0 1 0 0 X5 0 0 -1 0 t1 0 0 1 M W 0 0 0 1 B 400 510 240 0
Recordamos que debemos eliminar las M de la columna de T1 con operaciones fila, es decir, a la fila 4 multiplicar por M y sumar a la fila 5. Luego pasamos al:
I Tablero Simplex
X1 X3 X4 t1 W 1 2 2 -2M-10
X2 2 3 3 -3M-12
X3 1 0 0 0
X4 0 1 0 0
X5 0 0 -1 M
t1 0 0 1 0
W 0 0 0 1
B 400 510 240

-240M
103
Variable que ingresa X2, Variable que sale t1 Observe que el elemento pivote 3 en la fila t1 debe hacerse uno, entonces multiplicamos toda la fila de t1 por 1/3. Luego hacer unos encima y debajo del uno ubicado en la fila de X2
X1 X3 X4 X2 W -1/3 0 2/3 -2
X2 0 0 1 0
X3 1 0 0 0
X4 0 1 0 0
X5 2/3 1 -1/3 -4
t1 -4/3 -2 2/3 2M+8
W 0 0 0 1
B 240 270 80 960
Eliminamos la columna t1 por ser variable no bsica y adems su indicador es un nmero positivo bastante grande. Es decir, t1=0 reemplazando en W=Z-Mt1 podemos afirmar que W=Z Por lo cual reemplazamos en los siguientes tableros. II Tablero Simplex X1 X3 X4 X2 Z -1/3 0 2/3 -2 X2 0 0 1 0 X3 1 0 0 0 X4 0 1 0 0 X5 2/3 1 -1/3 -4 Z 0 0 0 1 B 240 270 80 960
Variable que sale X4 variable que entra X5 haciendo ceros encima y debajo del elemento pivote Que por suerte es uno. Obtenemos el:
104
III Tablero Simplex Variable que sale X2 variable que entra X1
X1 X3 X5 X2 Z -1/3 0 2/3 -2
X2 0 0 1 0
X3 1 0 0 0
X4 -2/3 1 1/3 4
X5 0 1 0 0
Z 0 0 0 1
B 60 270 170 2040
Multiplicando a la fila X2 por 3/2 para hacer uno y luego ceros tenemos el siguiente tablero IV Tablero Simplex
X1 X3 X5 X1 Z 0 0 1 0
X2 0 3/2 3
X3 1 0 0 0
X4 -1/2 1 5
X5 0 1 0 0
Z 0 0 0 1
B 145 270 255 2550
Como los indicadores son positivos fin del proceso podemos observar que Nuestro plan de produccin es: X1=255 estantes estndar y X2=0 estantes ejecutivo Con una utilidad mxima Z ptimo=$2550
105
Serie de problemas 5.3 Utilice el mtodo simplex para resolver los problemas siguientes. 1. Maximizar Z= 2 x1 + x 2 Sujeto a:
x1 + x 2 12 x1 + 2 x 2 20 x1 + x 2 2 x1 , x 2 0
2. Maximizar Z = x1 + 2x 2
x1 + x 2 9 x1 x 2 1 x1 , x 2 0
3. Maximizar Z = 2 x1 + x 2 Sujeto a:
x1 + x 2 6, x1 + x 2 4, x1 , x 2 0 .
4. Maximizar Z = 2 x1 + x 2 x3 Sujeto a:
x1 + 2 x 2 + x3 5,
x1 + x 2 + x3 1,
x1 , x 2 , x3 0
106
5. Maximizar Z = x1 10x 2 Sujeto a:
x1 x 2 1, x1 + 2 x 2 8, x1 + x 2 5, x1 , x 2 0 .
6. Maximizar Z = 3 x1 2 x 2 + x3 Sujeto a:
x1 + x 2 + x3 1, x1 x 2 + x3 2, x1 x 2 x3 6, x1 , x 2 , x3 0 .
7. Maximizar Z = x1 + 4x 2 Sujeto a:
x1 + 2 x 2 8, x1 + 6 x 2 12, x 2 2, x1 , x 2 0 .
8. Maximizar Z = x1 5x 2 Sujeto a:
x1 2 x 2 13, x1 + x 2 3, x1 + x 2 11, x1 , x 2 0 .
107
9. Maximizar Z = 3 x1 + 4 x 2 Sujeto a:
x1 + 2 x 2 8, x1 + 6 x 2 12, x1 , x 2 0 .
10. Maximizar Z = x1 x 2 + 4 x3 Sujeto a:
x1 + x 2 + x3 9 x1 2 x 2 + x3 6, x1 , x 2 , x3 0 .
108
5.4. En general, el mtodo simplex puede ser utilizado para:
maximizar Z = c1 x1 + c 2 x 2 + ... + c n x n sujeto a a11 x1 + a12 x 2 + ... + a1n x n {, , =} b1 , a 12 x 2 + a 22 x 2 + ... + a 2n x n {, , =}b 2 , ........................................................... a m1 x 1 + a m2 x 2 + ... + a mn x n {, , =} b 3
donde x1 , x 2 ,..., x n , y b1 , b2 ,..., bm son no negativos. Los smbolos { , , =} significan que existe una de las relaciones , o = para una restriccin. Si todas las restricciones involucran , el problema est en forma cannica y se aplican las tcnicas simplex. Si alguna restriccin involucra o =, empezamos con un problema artificial, que se obtiene como sigue. Cada restriccin que contenga es escrita como una ecuacin involucrando una variable de holgura S i con coeficiente +1.:
ai1 x1 + ai 2 x 2 + ... + ain x n + S i = bi .

Cada restriccin que tenga es escrita como una ecuacin que involucre una variable de holgura (o llamado tambin variable de supervit) S j con coeficiente -1 y una variable artificial t j :
a j1 x1 + a j 2 x 2 + ... + a jn x n s j + t j = b j
En cada restriccin de igualdad se inserta una variable artificial no negativa t k :
a k1 x1 + a k 2 x 2 + ... + a kn x n + t k = bk .
Por ejemplo, si tuviera tres variables artificiales involucradas t1 , t 2 , t 3 , entonces la funcin objetivo artificial es: W = Z- Mt1 Mt 2 Mt 3 ,
109
Donde
es
un
nmero
positivo
grande.
Una
S.F.B.
ocurre
cuando
x1 = x 2 = ... = x n = 0
y cada variable de holgura que tenga coeficiente -1 es igual a cero. Despus de obtener una tabla simplex inicial, aplicamos el mtodo simplex hasta que lleguemos a una tabla que corresponda a una S.F.B. en la que todas las variables artificiales sean igual a cero. Despus eliminamos las columnas da las variables artificiales, cambiando las W por z, y continuamos utilizando los procedimientos del mtodo simplex. 12. Maximizar
Z = 4 x1 + x 2 + 2 x3
s.a 2x 1 + x 2 + 3x 3 10 x1 - x 2 + x 3 = 4 x1 , x 2 , x 3 , 0
13. Maximizar
Z = 1x1 + 3x 2 2 x3
s.a - x 1 2 x 2 2 x 3 = 6 - x 1 - x 2 + x 3 2 x1 , x 2 , x 3 , 0
14. Maximizar
Z = 3x1 + 2 x 2
s.a x1 x 2 4 - x1 + x 2 = 4 x1 6 x1 , x 2 0
15. Maximizar
Z = x1 + 2 x 2 + 3x3
s.a x 2 2x 3 5 x1 + x 2 + x 3 = 8 x1 , x 2 , x 3 , 0
110
16. Maximizar
Z = x1 + 4 x 2 x3
s.a x1 + x 2 x 3 5 x1 + x 2 + x 3 3 x1 - x 2 + x 3 = 7 x1 , x 2 , x 3 , 0
17. Maximizar
Z = x1 + 2 x 2 + x3
s.a x 1 x 2 x 3 1 6x 1 + 3 x 2 + 2x 3 = 12 x1 , x 2 , x 3 , 0
18. Maximizar
Z = 4x 3 y s.a x+y 3 2x + 3y 12 5x + 8y 40 x, y 0
19. Maximizar
Z = 2 x1 + x 2 s.a - x1 + x 2 2 x1 + x 2 1 x1 , x 2 0
111
5.5
MINIMIZACIN
En general, para minimizar una funcin es suficiente con maximizar su negativo. Por ejemplo considere la funcin f ( x) = x 2 4 . Observe que el valor mnimo de f es -4 y ocurre cuando x=0. Ahora considere la funcin g ( x) = f ( x) = ( x 2 4). Esta grfica es la reflexin con respecto al eje x de la grfica de f . Observe que el valor mximo de g es 4 y ocurre cuando x=0. Por tanto, el valor mnimo de x 2 4 es el negativo del valor mximo de -( x 2 4 ). Esto es, mn f = mx( f )
Ejemplos: En general, para minimizar una funcin es suficiente con maximizar su negativo. Ejercicios de Minimizacin 1. MIN Z = 4X1 + 2X2 + 1X3 s.a X1 - X2 - X3 9 Xi 0 Solucin f.o(funcin objetivo artificial) W = -Z - Mt1 X1 X2 X3 X4 + t1 = 9 Tablero Inicial X1 Por (-M) W 1 4 X2 -1 2 X3 -1 1 X4 -1 0 t1 1 M W 0 1 b 9 0 i=1, 2,3
112
i) Debemos eliminar la M de la columna de t1 para ello multiplicamos por (-M) es decir ii) luego recin pasamos al primer tablero Simplex
-M 4 (4-M)
M 2 (2+M)
M 1 1+M
M 0 M
-M M 0
0 1 1
-9M 0 -9M
I Tablero Simplex
X1 t1 W X1 W 1 (4-M) 1 0
X2 -1 (2+M) -1 6
X3 -1 1+M -1 5
X4 -1 M -1 4
t1 1 0 1 (M-4) 1
W 0 1 0
b 9 -9M 9 -36
Eliminamos la columna t1 por tener indicador positivo Observe que la variable que sale es t1 y la variable que entra es x1, por ello multiplicamos a la fila de de x1 variable ingresante por (M-4) para luego sumarle a la fila de w para hacer cero debajo del elemento pivote.
II Tablero Simplex X1 X1 W 1 0 X2 -1 654 X3 -1 X4 -1 W 0 1 b 9 -36
113
Observe que los indicadores son positivos; por lo tanto, fin del proceso Variables bsicas: X1= 9 Variables no bsicas: X2=0, X3=0, X4=0, t1=0 Si t1 = 0 Rpta: X1 = 9 W = -Z - Mt1 X2 = 0 X3 = 0 Zmin ptimo = 36 -36 = -Z Z = 36 2. MIN Z = X1 + 8X2 + 5X3 s.a X1 + X2 + X3 8 -X1 + 2X2 + X3 2 Xi 0 Solucin f.o W = -Z - Mt1 - Mt2 X1 + X2 + X3 X4 + t1 = 8 -X1 + 2X2 + X3 X5 + t2 = 2 TABLERO INICIAL X1 Por M Por M W 1 -1 1 X2 1 2 8 X3 1 1 50 X4 -1 0 X5 0 -1 0 t1 1 0 M t2 0 1 M W 0 0 1 b 8 2 0 i=1,2,3
114
Antes de pasar al primer tablero Simplex eliminamos las M de la columna t1 y t2 -M M 1 1 -M -2M 8 (8-3M) -M -M 5 (5-2M) M 0 0 M 0 M 0 M -M 0 M 0 0 0 -M 0 M 1 0 1 -8M -2M 0 -10M
I Tablero Simplex Recordar que el elemento pivote (2) fila de t2 debemos hacer uno para ello a toda la fila de t2 dividimos entre dos, luego en la fila de la variable que ingreso x2 mediante operaciones elementales de fila hacemos ceros por encima y por debajo del 1.
X1 t1 t2 W t1 X2 W 1 -1 1 3/2 -1/2
(5 - 3M/2)
X2 1 2 (8-3M) 0 1 0
X3 1 1
(5-2M)
X4 -1 0 M -1 0 M
X5 0 -1 M 1/2 -1/2
(4 M/2)
t1 1 0 0 1 0 0
t2 0 1 0 -1/2 1/2
(-4 + 3M/2)
W 0 0 1 0 0 1
b 8 2 -10M 7 1 -8-7M
1/2 1/2
(1-M/2)
Eliminamos la columna t2 por tener indicador positivo Es decir, es un nmero positivo bastante grande y es imposible que ingrese en alguna iteracin.
115
II Tablero Simplex
X1 t1 X2 W X1 X2 W 3/2 -1/2
(5 - 3M/2)
X2 0 1 0 0 1 0
X3 1/2 1/2 (1M/2) 1/3 2/3 -2/3
X4 -1 0 M -2/3 -1/3 10/3
X5 1/2 -1/2 (4 M/2) 1/3 -1/3 7/3
t1 1 0 0 2/3 1/3
M-10/3
W 0 0 1 0 0 1
b 7 1 -8 - 7M 14/3 10/3 -94/3
1 0 0
Luego eliminamos la columna de t1 por tener el indicador positivo bastante grande
III Tablero Simplex La variable que ingresa es X3 y la variable que sale X2
X1 X1 X2 W X1 X3 W 1 0
0
X2 0 1 0 -1/2 3/2 1
X3 1/3 2/3 -2/3 0 1 0
X4 -2/3 -1/3 10/3 -1/2 -1/2 3
X5 1/3 -1/3 7/3 1/2 -1/2 2
W 0 0 1 0 0 1
b 14/3 10/3 -94/3 3 5 -28
1 0 0
Indicadores positivos fin del proceso
Variables bsicas: X1=3 y X3=5 Variables no bsicas: X2=0; X4=0, X5=0 ,t1=0,t2=0
116
t1 =0 y t2 = 0 Rpta: X1 = 3 W = -Z - Mt1 - Mt2 X2 = 0 X3 = 5 Zmin ptimo = 28 -84/3= -28 = -Z Z = 28
3. MIN Z = 2X1 + 3X2 + X3 s.a X1 + X2 + X3 6 X1 - X3 -4 X2 + X3 5 Xi 0 Solucin f.o W = -Z - Mt1 X1 + X2 + X3 +X4 = 6 -X1 + X3 X5 + t1 = 4 X2 + X3 +X6 = 5 Tablero Inicial X1 1
Por M
-----> por(-1) ------> -X1 + X3 4
i=1,2,3
X2 1 0 1 3
X3 1 1 1 1
X4 1 0 0 0
X5 0 -1 0 0
X6 0 0 1 0
t1 0 1 0 M
W 0 0 0 1
b 6 4 5 0
-1 0
117
M 2 (M+2)
0 3 3
-M 1 (1-M)
0 0 0
M 0 M
0 0 0
-M M 0
0 1 1
-4M 0 -4M
I Tablero Simplex X1 X4 t1 X6 W X4 X3 X6 W 1 -1 0 (2+M) 2 -1 1 3 X2 1 0 1 3 1 0 1 3 X3 1 1 1 (1-M) 0 0 1 0 0 1 0 0 0 X4 1 0 0 X5 0 -1 0 M 1 -1 1 1 X6 0 0 1 0 0 0 1 0 t1 0 1 0 0 -1 1 -1 (M-1) W 0 0 0 1 0 0 0 1 b 6 4 5 -4M 2 4 1 -4
Indicadores positivos fin del proceso t1 = 0 Rpta: X1 = 0 W = -Z - Mt1 X2 = 0 X3 = 4 Zmin ptimo = 4 -4= -Z Z=4
118
Serie de problemas 5.5 1. Minimizar
z = 3x1 + 6 x 2 s.a. x1 + x 2 6 x1 + x 2 10 x1 , x 2 0
2. Minimizar
z = 4 x1 + 2 x 2 + x3 s.a. x1 x 2 x3 9 x1 , x 2 , x3 0
3. Minimizar
z = 2 x1 + 3x 2 + x3 s.a. x1 + x 2 + x3 6 x1 x3 4 x 2 + x3 5 x1 , x 2 , x3 0 4. Min z = x1 x2 3x3 s.a. x1 + 2 x2 + x3 = 4 x2 + x3 = 1 x1 + x2 6 x1 , x2 , x3 0
119
5. Minimizar
z = x1 + 8 x 2 + 5 x3 s.a. x1 + x 2 + x3 8
x1 + 2 x 2 + x3 2
x1 , x 2 , x3 0
6.
Una planta de cemento produce 2,500,000 barriles de cemento por ao. Los
hornos emiten 2 libras de polvo por cada barril producido. Una agencia gubernamental para proteccin del ambiente requiere que la planta reduzca sus emisiones de polvo a no ms de 800,000 libras anuales. Existen dos dispositivos de control de emisiones disponibles, A y B. El dispositivo A reduce las emisiones a
1 2
libra por barril y su
costo es de $0.20 por barril de cemento producido. Para el dispositivo B, las emisiones son reducidas a
1 5
libra por barril y el costo es de $0.25 por barril de cemento
producido. Determine el plan de accin ms econmico que la plante debe tomar de modo que cumpla con el requerimiento de la agencia y tambin mantenga su produccin anual de 2,500,000 barriles de cemento. 7. Una planta de cemento produce 3,300,000 barriles de cemento por ao. Los
hornos emiten 2 libras de polvo por cada barril producido. La planta debe reducir sus emisiones a no ms de 1,000,000 libras anuales. Hay 2 dispositivos de control disponibles, A y B. El dispositivo A reducir las emisiones a libra por barril y el costo es de $0.25 por barril de cemento producido. Para el dispositivo B, las emisiones son reducidas a de libra por barril y el costo es de $0.40 por barril de cemento producido. Determine el plan de accin ms econmico que la planta debe tomar de modo que mantenga su produccin anual de exactamente 3,300,000 barriles de cemento.
120
8.
Un comerciante tienen tiendas en Exton y Whyton, y almacenes A y B en otras
dos ciudades. Cada tienda requiere de exactamente 30 refrigeradores. En el almacn A hay 50 refrigeradores y en el B hay 20. Los costos de transporte para enviar los refrigeradores desde los almacenes a las tiendas estn dados en la siguiente tabla. Cmo debe solicitar los refrigeradores el comerciante de modo que los requerimientos se satisfagan y el costo total de transporte se minimice? Cul es el costo mnimo de transporte? Exton Almacn A Almacn B $15 $11 Whyton $13 $12
121
6.
LA TEORA DE LA DUALIDAD
6.1. El PROBLEMA DUAL Existe un principio fundamental llamado dualidad, que permite resolver un problema de maximizacin resolviendo el problema de minimizacin relacionado con l. En general, con cualquier problema de PL podemos asociar otro problema de PL llamado su dual. El problema dado es llamado primal .Si el primal es un problema de maximizacin, entonces su dual es un problema de minimizacin. Del mismo modo, si el problema primal implica minimizacin, su dual implica maximizacin. Cualquier problema primal de maximizacin puede ser escrito en la forma indicada en la tabla 1. Observe que no existen restricciones sobre las b. El correspondiente problema dual de minimizacin puede ser escrito en la forma de la tabla 2. Similarmente, cualquier problema primal de minimizacin puede ser escrito en la forma de la tabla 2 y su dual es el problema de maximizacin en la tabla 1.
TABLA 1 Primal (Dual)
TABLA 2 Dual (Primal)
maximizar Z = c1 x1 + c 2 x 2 + ... + c n x n
s.a.
minimizar W = b1 y1 + b2 y 2 + ... + bn y n
s.a.
a11 x1 + a12 x 2 + ... + a1n x n b1 a 21 x1 + a 22 x 2 + ... + a 2 n x n b2

.. .
a11 y1 + a 21 y 2 + ... + a m1 y m c1 a12 y1 + a 22 y 2 + ... + a m 2 y m c 2

.. .
a m1 x1 + a m 2 x 2 + ... + a mn x n bm x1 , x 2 ,...x n 0
a1n y1 + a 2 n y 2 + ... + a mn y m c n y1 , y 2 ,... y n 0
122
Observe que si todas las restricciones en el problema primal involucran () . Entonces todas las restricciones en su dual involucran () . Los coeficientes en la F.O. del dual son los trminos constantes en las restricciones del primal. Del mismo modo, los trminos constantes en las restricciones del dual son los coeficientes de la F.O. del primal. La matriz de coeficientes de los lados izquierdos de las restricciones del dual, es la transpuesta de la matriz de coeficientes de los lados izquierdos de las restricciones del primal. Si el primal involucra n variables de decisin (estructurales) y m variables de holgura, entonces el dual involucra m variables de decisin y n variables de holgura. Debe notarse que el dual del dual es el primal.
6.2. Existe una relacin importante entre el primal y su dual: 1. Si el primal tiene una solucin ptima, tambin la tendr el dual, y el valor ptimo de la funcin objetivo del primal, es el mismo que el de su dual. Adems suponga que la F.O. del primal es: Z = c1 x1 + c 2 x 2 + ... + c n x n . Entonces: Si S i es la variable de holgura asociada con la i-sima restriccin en el dual, entonces el indicador en la columna S i de la tabla simples final del dual, es el valor de xi en la solucin ptima del primal.
2.
Por eso podemos resolver, el problema primal con slo resolver su dual. En ocasiones esto es ms conveniente que resolver directamente el primal. Si una restriccin de desigualdad involucra , multiplicando ambos miembros por -1 se obtiene una desigualdad que involucra . Si una restriccin es una igualdad. Puede ser reescrito en trminos de dos desigualdades: una involucrando y otra involucrando .
123
6.3. EJEMPLOS UTILIZANDO EL ALGORITMO SIMPLEX DUAL El proceso de las operaciones son las mismas la diferencia esta en que tenemos que resolver el primal por medio de su dual. Ejercicios de Dualidad 1. MIN C = 4X1 + 4X2 + 6X3 s.a X1 - X2 + X3 1 -X1 + X2 + X3 2 Xi 0 Sol: i=1,2,3 PRIMAL
1 1 1 A= 1 1 1
DUAL MAX Z = 1Y1 + 2Y2 1Y1 - 1Y2 4 -1Y1 + 1Y2 4 1Y1 + 1Y2 6
1 1 A = 1 1 1 1
t
yi 0
Resolviendo el DUAL f.o MAX Z = 1Y1 + 2Y2 1Y1 - 1Y2 +Y3 = 4 -1Y1 + 1Y2 + Y4 = 4 1Y1 +1Y2 + Y5 = 6
yi 0
124
VARIABLES DE HOLGURA
Y1 Y3 Y4 Y5 Z Y3 Y2 Y5 Z Y3 Y2 Y1 Z 1 -1 1 -1 0 -1 2 -3 0 0 1 0
Y2 -1 1 1 -2 0 1 0 0 0 1 0 00
Y3 1 0 0 0 1 0 0 0 1 0 0
Y4 0 1 0 0 1 1 -1 2 1 1/2 -1/2 1/2
Y5 0 0 1 0 0 0 1 0 0 1/2 1/2 3/2
Z 0 0 0 1 0 0 0 1 0 0 0 1
b 4 4 6 0 8 4 2 8 8 5 1 11
X1 Rpta: X1 = 0 X2 = 1/2 X3 = 3/2 C = 11
X2
X3
Observe que las respuestas del primal se encuentran en las columnas de las variables de holgura del dual y el Z = C 2. MIN C = 6X1 + 4X2 s.a -X1 + X2 1 ----> por(-1) ------> X1 + X2 3 Xi 0 i=1,2,3 X1 X2 -1
125
primal : MIN C = 6X1 + 4X2 s.a X1 X2 -1 X1 + X2 3 Xi 0 i=1,2,3
Observe si no realizamos esa sencilla multiplicacin por (-1) no podra pasar a su dual
1 1 1 1 t A= A = 1 1 1 1
DUAL MAX Z = -1Y1 + 3Y2 1Y1 + 1Y2 6 -1Y1 + 1Y2 4 Resolviendo el DUAL f.o MAX Z = -1Y1 + 3Y2+0Y3+0Y4 1Y1 + 1Y2 + Y3 = 6 -1Y1 + 1Y2 + Y4 = 4
yi 0
126
Variables de holgura
Y1 Y3 1 Y4 -1 Z 1 Y3 2 Y2 -1 Z -2 Y1 1 Y2 0 Z 0 Rpta: X1 = 1 X2 = 2 Cmin = 14 3. 1 1 -3 0 1 0 0 1 0
Y2 1 0 0 1 0 0 1/2 1/2 1
Y3 0 1 0 -1 1 3 -1/2 1/2 2
Y4
Z 0 0 1 0 0 1 0 0 1
b 6 4 0 2 4 12 1 5 14
MAX Z = 3X1 + 8X2 (PRIMAL) s.a X1 + 2X2 8 X1 + 6X2 12 Xi 0 Pasando al dual i=1,2
1 2 1 1 t A= A = 1 6 2 6
f.o MIN C = 8Y1 + 12Y2 (DUAL) 1Y1 + 1Y2 3 2Y1 + 6Y2 8 Yi 0 127
Sol: f.o R = -C - Mt1 - Mt2 1Y1 + 1Y2 - Y3 + t1 = 3 -1Y1 + 1Y2 - Y4 + t2 = 8 Tablero Inicial Y1
Por -M Por -M
Y2 1 6 12
Y3 -1 0 0
Y4 0 -1 0
t1 1 0 M
t2 0 1 M
R 0 0 1
b 3 8 0
1 2 R 8
-M -2M 8 (-3M+8)
-M -6M 12 (-7M+12)
M 0 0 M
0 M 0 M
-M 0 M 0
0 -M M 0
0 0 1 1
-3M -8M 0 -11M
I Tablero Simplex Y1 t1 t2 R t1 t2 R 1 2 (-3M+8) 2/3 1/3 (-2M/3 + 4) Y2 1 6 (-7M+12) 0 1 0 Y3 -1 0 M -1 0 M Y4 0 -1 M 1/6 -1/6

(-M/6 + 2)
t1 1 0 0 1 0 0
t2 0 1 0 -1/6 1/6 (7M/6 - 2)
R 0 0 1 0 0 1 3 8
-11M 10/6 8/6 -10M/6 16
Eliminamos la columna t2 por tener indicador positivo 128
II Tablero Simplex Variables de holgura Y1 t1 Y2 R Y1 Y2 R 2/3 1/3 (-2M/3 + 4) 1 0 0 0 1 0 -3/2 3/6 6 Y2 0 1 0 Y3 -1 0 M Y4 1/6 -1/6 (-M/6 + 2) 1/4 -3/12 1 3/2 -1/2 (M-6) 0 0 1 5/2 3/6 -26 t1 1 0 0 R 0 0 1 b 10/6 8/6 -10M/6 - 16
Eliminamos la columna t1 por tener indicador positivo III Tablero Simplex Variables de holgura Y1 t1 Y2 R Y1 Y2 R 2/3 1/3 (-2M/3 + 4) 1 0 0 Y2 0 1 0 0 1 0 Y3 -1 0 M -3/2 3/6 6 Y4 1/6 -1/6 (-M/6 + 2) 1/4 -3/12 1 R 0 0 1 0 0 1 b 10/6 8/6 -10M/6 - 16 5/2 3/6 -26
Indicadores positivos: fin del proceso y recuerde que los valores de X1 y X2 se encuentran en la columna de las variables de holgura R = -C=-26 Rpta: X1 = 6 X2 = 1 C = 26 129
4.
Una compaa paga a trabajadores calificados y semicalificados en su departamento de ensamblado $7 y $4 por hora, respectivamente. En el departamento de embarques, a los empleados se les paga $5 por hora y a los aprendices $2 por hora. La compaa requiere al menos de 90 trabajadores en el departamento de ensamblado y al menos 60 empleados en el departamento de embarques. Debido a acuerdos sindicales, debe ser empleado al menos el doble de trabajadores semicalificados que de calificados. Tambin, deben ser contratados al menos dos veces empleados de embarque que de aprendices. Utilice el dual y el mtodo simples para determinar el nmero de trabajadores de cada tipo que la compaa debe emplear de modo que el total en salarios pagado por hora sea mnimo.Cul es el total en salarios por hora mnimo?
Solucin Variables de decisin: Sea: x1 el nmero de trabajadores calificados x2 el nmero de trabajadores semicalificados x3 el nmero de trabajadores empleados x4 el nmero de trabajadores aprendices PRIMAL F.O Min S = 7x1+4x2+5x3+2x4 S.A x1 + x2 90 x3 + x4 60 x2 - 2x4 0 x3 - 2x4 0 xi 0, i=1, 2, 3, 4 1x1 + 1x2 + 0x3 + 0x4 90 0x1 + 0x2 + 1x3 + 1x4 60 -2x1 + 1x2 + 0x3 + 0x4 0 0x1 + 0x2 + 1x3 - 2x4 0 Construimos la matriz inicial:
130
Su matriz transpuesta (hacer las filas columnas) seria la siguiente:
1 0 A= 2 0
1 0 1 0
0 0 1 1 1 1 T A = 0 0 0 0 1 2
0 2 0 0 1 0 1 0 1 1 0 2
Luego el Dual del Primal es: DUAL Max Z = 90y1 + 60y2 + 0y3 + 0y4 s.a 1y1 + 0y2 - 2y3 + 0y4 7 1y1 + 0y2 + 1y3 + 0y4 4 0y1 + 1y2 + 0y3 + 1y4 5 0y1 + 1y2 + 0y3 - 2y4 2 yi0, i=1, 2, 3, 4 1y1 + 0y2 - 2y3 + 0y4 + 1y5 = 7 1y1 + 0y2 + 1y3 + 0y4 + 1y6 = 4 0y1 + 1y2 + 0y3 + 1y4 + 1y7 = 5 0y1 + 1y2 + 0y3 - 2y4 + 1y8 = 2 F.O Z = 90y1+60y2+0y3+0y4+0y5+0y6+0y7+0y8 Estandarizando
Tablero Simplex y1 y5 y6 y7 y8 Z 1 1 0 0 -90 0 0 1 1 -60 y2 1 0 0 0 y3 -2 0 0 1 -2 0 y4 1 0 0 0 0 y5 0 1 0 0 0 y6 0 0 1 0 0 y7 0 0 0 1 0 y8 0 0 0 0 1 Z 7 4 5 2 0 b
131
Observemos la tabla simplex: El la fila del Z ubicamos al indicador ms negativo, en nuestro ejemplo esta en la columna de y1 que es -90, la cual viene hacer la columna pivote. Luego para saber que variable ingresa y sale procedemos a dividir elemento a elemento de la columna b entre la columna pivote. Tomando en cuenta algunas restricciones como son: No se puede hacer divisiones entre cero Tampoco divisiones entre numero negativos
Bien, ahora ya divido los elementos ubicamos la fila que tenga el menor cociente positivo, siguiendo en nuestro caso la fila que cumple con esas condiciones es la fila de y6. Entonces la variable que ingresa es y1 y la que sale es y6, ahora bien ubicamos el elemento pivote que es la interseccin entre ambas variables, en nuestro caso es 1. Muy importante aclarar este punto si el elemento pivote no es 1 tenemos que hacerlo 1 para la siguiente construccin del tablero simplex, adems para la siguiente iteracin tenemos que hacer cero por encima y por debajo del elemento pivote. Repetir todos los pasos antes mencionados hasta que todos los indicadores de Z sean positivos de ser as se ha llegado a la solucin.
y1 y5 y1 y7 y8 Z 0 1 0 0 0
y2 0 0 1 1 -60
y3 -3 1 0 0 90
y4 0 0 1 -2 0
y5 1 0 0 0 0
y6 -1 1 0 0 90
y7 0 0 1 0 0
y8 0 0 0 1 0
Z 0 0 0 0 1
b 3 4 5 2 360
132
y1 y5 y1 y7 y2 Z y5 y1 y4 y2 Z 0 1 0 0 0 0 1 0 0 0
y2 0 0 0 1 0 0 0 0 1 0
y3 -3 1 0 0 90 -3 1 0 0 90
y4 0 0 3 -2 -120 0 0 1 0 0
y5 1 0 0 0 0 1 0 0 0 0
y6 -1 1 0 0 90 -1 1 0 0 90
y7 0 0 1 0 0 0 0 1/3 2/3 40
y8 0 0 -1 1 60 0 0 -1/3 1/3 20
Z 0 0 0 0 1 0 0 0 0 1
b 3 4 3 2 480 3 4 1 4 600
Bueno como estamos trabajando con el dual del primal recordemos que nuestras respuestas se encuentran en la columna de las variables de holgura (y5, y6, y7, y8) Rpta x1 = 0 Trabajadores calificados x2 = 90 Trabajadores semicalificados x3 = 40 Empleados x5 = 20 Aprendices S mn ptimo = 600
133
Serie de problemas 6 Resuelva utilizando los duales y el mtodo simplex 1. Minimizar
Z = 4 x1 + 4 x 2 + 6 x3
s.a.
x1 x 2 + x3 1
x1 + x 2 + x3 2
x1 , x 2 , x3 0
2. Maximizar
Z = 3x1 + 8 x 2
s.a.
x1 + 2 x 2 8 x1 + 6 x 2 12 x1 , x 2 0
3. Minimizar
Z = 6 x1 + 4 x 2
s.a.
x1 + x 2 1 + x1 + x 2 3
x1 , x 2 0
4. Minimizar
Z = x1 + 2x 2
s.a.
2 x1 + x 2 1 x1 + x 2 2
x1 , x 2 0
134
5.
Suponga que una compaa fabrica dos tipos de artculos, manuales y elctricos y cada una requiere el uso de las mquinas A y B para su produccin. Suponiendo que la compaa puede vender todos los artculos que produce, determine la utilidad mensual mxima. Mquina A Manual Elctrico Horas disponibles 1 hora 2 horas 120 Mquina B 1 hora 4 horas 180 Utilidad/unidad $10 $24
6.
Anuncios. Una compaa est comparando los costos de publicidad en dos medios: peridico y radio. Por cada dlar de publicidad, la tabla siguiente muestra el nmero de personas, por grupo de ingresos, que cada uno de esos medios alcanza. La compaa quiere captar al menos 8000 personas con ingresos menores de $20,000 y al menos 6000 con ingresos de $20,000 o ms. Utilice el dual y el mtodo simples para determinar las cantidades que la compaa debe gastar en publicidad en peridico y en radio, de modo que capte este nmero de personas con un costo de publicidad mnimo. cul es el costo mnimo de publicidad? Menos de $20,000 Peridico Radio 40 50 $20,000 ms 100 25
135
7.
ANLISIS DE SENSIBILIDAD Y PROGRAMACIN PARAMTRICA
En un ambiente real, algunos de los datos de un modelo de PL pueden cambiar con el tiempo debido a la naturaleza dinmica del negocio. Qu sucede con la solucin ptima si los precios del mercado caen? Si suben los costos de la mano de obra o de la materia prima? Si se contratan empleados adicionales en una lnea de produccin? Un gerente en tales situaciones deseara saber qu tan sensible es la solucin ptima a estos valores de datos. Las respuestas a estas preguntas pueden usarse de diversas maneras. Por ejemplo, si la solucin ptima es muy sensible a algunos coeficientes, y si se espera que estos valores flucten con el tiempo, entonces el gerente puede desear usar el modelo slo para planeacin a corto plazo, o tal vez tenga que resolver el modelo peridicamente al cambiar los datos. Despus de formular y resolver un PPL, un gerente debe hacerse un nmero de preguntas importantes de la forma: 1. Qu le sucede a la solucin ptima y al valor de la F.O. correspondiente si un coeficiente particular de la F.O. se modifica? 2. Qu sucede con la solucin ptima y con el valor de la f.O correspondiente si se modifica un valor particular del extremo derecho de las restricciones? Estas preguntas tienen que ver con el tpico del anlisis de sensibilidad. Anlisis de Sensibilidad : es la determinacin de qu tan sensibles son la solucin ptima y el valor de la F.O. con respecto a los cambios en los datos del problema, es decir, los coeficientes en la F.O. y las restricciones.
136
7.1. Anlisis de sensibilidad de los coeficientes de la funcin objetivo Mientras un coeficiente de la funcin objetivo cae dentro de algn intervalo alrededor de su valor original (y los dems coeficientes no cambien), la solucin ptima actual sigue siendo ptima. Sin embargo, el valor ptimo de la funcin objetivo cambia. Si el coeficiente de inters se modifica a un valor fuera de este intervalo, se debe encontrar una nueva solucin ptima y un nuevo valor de F.O.
7.2. Anlisis de sensibilidad de los valores del lado derecho (LD) Usted puede aplicar el anlisis de sensibilidad no slo a los cambios en los coeficientes de la funcin objetivo, sino tambin a los cambios en los valores del lado derecho de las restricciones. Despus de encontrar una solucin ptima a su programa lineal, puede calcular, para cada recurso correspondiente a una restriccin, un precio sombra junto con un intervalo dentro del cual este precio sea vlido. Los precios sombra representan el cambio en el valor ptimo de la funcin objetivo que resulta cuando se dispone de una unidad adicional de este recurso y, por tanto, se usan para determinar si es rentable adquirir recursos adicionales. Observacin 1. Precio sombra, o precio dual: Es la proporcin de cambio en el valor de la funcin objetivo por unidad de incremento en el valor del lado derecho dentro del intervalo de sensibilidad. 2. Mientras un coeficiente de la funcin objetivo caiga dentro de cierto intervalo alrededor de su valor original, la solucin ptima actual sigue siendo ptima, aunque el valor ptimo de la funcin objetivo cambie. Si el coeficiente de inters se cambia por un valor fuera de este intervalo, debe encontrarse una nueva solucin ptima y un valor de funcin objetivo.
137
3. Aun el cambio ms pequeo en el valor del lado derecho de una restriccin puede ocasionar que la solucin ptima cambie. Sin embargo, mientras el valor caiga dentro de algn intervalo alrededor de su valor original, el valor ptimo de la funcin objetivo cambia en forma lineal en proporcin con el cambio en el valor del lado derecho, de acuerdo con el precio sombra. Incluso fuera de este intervalo, para cada valor del lado derecho respecto del cual el programa lineal es factible, existe un precio sombra que puede usarse para obtener el nuevo c valor ptimo de la funcin objetivo.
7.3 Programacin lineal paramtrica La programacin lineal paramtrica es una extensin de los procedimientos del
anlisis de sensibilidad. Investiga los cambios en la solucin ptima de la PL que son el resultado de variaciones continuas predeterminadas en los coeficientes de la funcin objetivo y en el lado derecho de las restricciones.
Serie de problemas 7 1. Blubber Maid. Inc. fabrica tres productos de caucho: Airtex (material esponjoso), Exteendex (material elstico) y Resistex (material rgido). Los tres productos requieren los mismos tres polmeros qumicos y una base. La cantidad de cada ingrediente usada por libra del producto final se muestra en la tabla. Ingrediente (oz/ Producto Airtex Extendex Resistex Polmero A 4 3 6 Lb de producto) Polmero B 2 2 3 Polmero C 4 2 5 Base 6 9 2
Blubber Maid Inc. tiene el compromiso de producir al menos 1000 libras de Airtex, 500 libras de extendex y 400 libras de Resistex para la prxima semana, pero la gerencia de la compaa sabe que puede vender ms de cada uno de los tres productos.
138
Los inventarios actuales de los ingredientes son 500 libras del polmero A, 425 libras del polmero B, 650 libras del pomero C y 1100 libras de la base. Cada libra de Airtex produce a la compaa una ganancia de $7, cada libra de Extendex una ganancia de $7 y cada libra de Resistex una ganancia de $6. Como gerente del departamento de produccin, usted necesita determinar un plan de produccin ptimo para esta semana. 1 libra es igual a 16 onzas. Utilice el resultado procesado en el computador para responder a las preguntas siguientes: a. Cul es el plan de produccin ptimo? b. Con el plan de produccin actual, para cul de los tres productos se puede cumplir con una demanda adicional de 5% Explique? c. Qu coeficiente o coeficientes de ganancia podran duplicarse, mientras se mantienen fijos todos los dems coeficiente, sin que se afecte el plan de produccin ptimo? Explique. d. El compromiso de producir 400 libras de resistex acaba de caer en 10%. Qu le sucede a la ganancia? Explique. e. Si la demanda de Airtex aumenta en 2%, cul es el nuevo plan de produccin ptimo?. Explique. max z= 7 A + 7 E + 6 R s.a Restricciones de recursos
4 A + 3E + 6 R 8000 (Polmero A en onzas) 2 A + 2E + 3R 6800 (Polmero B en onzas) 4 A + 2 E + 5 R 10400(Polmero C en onzas) 6 A + 9 E + 2 R 17600(Base en onzas)
Restricciones de demanda
A 1000 (Airtex en libras) E 500 (Extendex en libras) R 400 (Resistex en libras) A, E , R 0

139
Solucin: usando el LINDO Max 7A+7E+6R subject to 2) 4A+3E+6R<=8000 3) 2A+2E+3R<=6800 4) 4A+2E+5R<=10400 5) 6A+9E+2R<=17600 6)A>=1000 7)E>=500 8)R>=400 End Resultado obtenido con el LINDO LP OPTIMUM FOUND AT STEP 4
OBJECTIVE FUNCTION VALUE 1) 13133.33 VALUE REDUCED COST 0.000000 0.000000 0.000000
VARIABLE A E R
1000.000000 533.333313 400.000000
140
ROW SLACK OR SURPLUS

Restriccin de recursos
DUAL PRICES
2) 3) 4) 5) 6) 7) 8)
0.000000 2533.333252 3333.333252 6000.000000 0.000000 33.333332 0.000000 4
2.333333 0.000000 0.000000 0.000000 -2.333333 0.000000 -8.000000
Demanda
NO. ITERATIONS=
RANGES IN WHICH THE BASIS IS UNCHANGED: OBJ COEFFICIENT RANGES VARIABLE A E R CURRENT COEF 7.000000 7.000000 6.000000 ALLOWABLE INFINITY 1.750000 INFINITY ALLOWABLE INCREASE 2.333333 INFINITY 8.000000 DECREASE
RIGHTHAND SIDE RANGES ROW 2 3 4 5

Demanda
CURRENT RHS 8000.000000 6800.000000
ALLOWABLE 2000.000000 INFINITY INFINITY INFINITY 24.999998 33.333332 16.666666
ALLOWABLE
INCREASE
DECREASE 99.999992 2533.333252 3333.333252 6000.000000 1000.000000 INFINITY 375.000000
10400.000000 17600.000000 1000.000000 500.000000 400.000000
6 7 8
141
a) Cul es el plan de produccin ptimo? Cules de los cuatro recursos son acotantes o limitantes? Respuesta: Valor de la funcin objetivo: 13133.33 El plan de produccin ptima es: A ( Airtex) =1000 B (Extendex) = 533.333313 C (Resistex) = 400 Recursos acotantes o limitantes: ROW SLACK OR SURPLUS 2)
DUAL PRICES 0.000000 0.000000 0.000000
0.000000 2533.333252 3333.333252 6000.000000
2.333333
3) 4) 5)
Observando la restriccin de recursos podemos ver que solo la restriccin para el polmero A es limitante debido a que su variable holgada tiene valor cero, esto indica que tanto la materia prima (polmero a en onzas se consume en su totalidad) b) Con el plan de produccin actual, para cul de los tres productos se puede cumplir con un demanda adicional de 5 %? Explique. Respuesta: Observe las restricciones de la demanda: RIGHTHAND SIDE RANGES ROW CURRENT RHS 6 7 8 1000.000000 500.000000 400.000000 ALLOWABLE ALLOWABLE INCREASE 24.999998 33.333332 16.666666 DECREASE 1000.000000 INFINITY 375.000000
Demanda
142
A 1000 una demanda adicional de 5% significa A 1050 y podemos ver que a se puede incrementar sola hasta 24.999998 ms es decir (1000+24.999998)=1024.999998 lo cual como podemos ver no cumple una demanda adicional del 5% ms. E 500 una demanda adicional de 5% significa E 525 y podemos ver que a se puede incrementar sola hasta 33.333332 ms, es decir, 533.333332 lo cual como podemos ver si cumple una demanda adicional del 5%.ms, puesto que 525 es menor a 533.333332. R 400 una demanda adicional de 5% significa R 420 y podemos ver que a se puede incrementar sola hasta 16.666666 ms es decir 416.666666 lo cual como podemos ver no cumple una demanda adicional del 5% ms. Entonces diremos que Extendex puede cumplir una demanda adicional de 5% con el plan de produccin actual. c) Qu coeficiente o coeficientes de ganancia podran duplicarse, mientras se mantienen fijos todos los dems coeficientes, sin que se afecte el plan de produccin ptimo? explique. Respuesta OBJ COEFFICIENT RANGES VARIABLE A E R CURRENT COEF 7.000000 7.000000 6.000000 ALLOWABLE INFINITY 1.750000 INFINITY ALLOWABLE INCREASE 2.333333 INFINITY 8.000000 DECREASE
Como podemos observar la tabla muestra hasta cuanto se puede incrementar o disminuir los coeficientes sin que se afecte el plan de produccin. El coeficiente de A se puede incrementar hasta 7+2.333333=9.333333 y si duplicamos su coeficiente seria 14 lo cual se pasa. 143
El coeficiente de E se puede incrementar hasta (7+ infinito) es decir crece infinitamente sin problema y si duplicamos su coeficiente seria 14 lo cual estara dentro del rango permitido segn la tabla. El coeficiente de R se puede incrementar hasta 6+8=14 y si duplicamos su coeficiente seria 12 lo cual estara dentro del rango permitido. Entonces diremos que al doblar las ganancias de Extendex, E, o de Resistex, R, no afectara el plan de produccin actual debido que al hacer el doble cualquiera de estos coeficientes produce valores que todava se encuentran dentro del intervalo permitido de sensibilidad para el plana actual. d. El compromiso de producir 400 libras de Resistex acaba de caer en 10%. Qu le sucede a la ganancia? Explique Respuesta: 10%de 400 es 40 R 360 ROW SLACK OR SURPLUS
DUAL PRICES
2) 3) 4) 5) 6) 7) 8)
0.000000 2533.333252 3333.333252 6000.000000 0.000000 33.333332 0.000000
2.333333 0.000000 0.000000 0.000000 -2.333333 0.000000 -8.000000
Demanda
Una disminucin en la demanda de una libra aumentara el valor de la funcin objetivo en $8, puesto que el valor del lado derecho diminuye en 40 unidades, el valor de la funcin aumenta en (40x8=320), lo que produce una ganancia de Z=13133.33+320=13453.33
144
e) Si la demanda de Airtex aumenta en 2%, cul es el nuevo plan de produccin ptimo? Explique. Respuesta No es posible responder a esta pregunta a partir del resultado dado. Al resolver el problema con el aumento del 2% en Airtex ( A 1020 ) se tiene como resultado el nuevo plan de produccin ptimo en el cual: A=1020, E=506.67 y R=400 Ejemplo 2. Steel company produce tres tamaos de tubos: A, B, C, que son vendidos, respectivamente en $10, $12 y $9 por pie. Para fabricar cada pie del tubo A se requieren 0.5 minutos de tiempo de procesamiento sobre un tipo particular de mquina de modelado. Cada pie del tubo B requiere 0.45 minutos y cada pie del tubo C requiere 0.6 minutos. Despus de la produccin, cada pie de tubo, sin importar el tipo, requiere 1 una onza de material de soldar. El costo total se estima en $3 , $4 y $4 por pie de los tubos A, B y C, respectivamente. Para la siguiente semana, MTV Steel ha recibido pedidos excepcionalmente grandes que totalizan 2000 pies del tubo A, 4000 pies del tubo B y 5000 pies del tubo C. Como slo se dispone de 40 horas de tiempo de mquina esta semana y slo se tiene en inventario 5500 onzas de material de soldar, el departamento de produccin no podr satisfacer esta demanda, requiere un total de 97 horas de tiempo de mquina 11000 onzas de material de soldar. No se espera que contine este alto nivel de demanda. En vez de expandir la capacidad de las instalaciones de produccin, la gerencia de MTV est considerando la compra de algunos de estos tubos a pro-veedores de Japn a un costo de entrega de $6 por pie del tubo A,6 $ por pie del tubo B y $7 por pie del tubo C. Los datos se resumen en la tabla siguiente:
Tipo A B C Cantidad disponible Precio de venta($/ft) 10 12 9 2000 4000 5000 Demanda(ft) Tiempo de mquina(min/ft) 0.50 0.45 0.60 40hr Material para soldar(oz/ft) 1 1 1 5500oz Costo de produccin ($/ft) 3 4 4 Costo de compra($/ft) 6 6 7
145
Sea: x1, x2, x3, el nmero de pies de tubo de tipo A, B, C por producir respectivamente y x4, x5,x6, el nmero de pies de tubo de tipo A, B, C por comprar a Japn respectivamente.
Maximizar Z:7x1 + 8x 2 + 5x 3 + 4x 4 + 6x 5 + 2x 6
s.a: Restriccin de demanda
x1 + x4 = 2000(demanda del tipo A) x2 + x5 = 4000 (demanda del tipo B) x3 + x6 = 5000 (demanda del tipo C)
Restricciones de recursos
0.5 x1 + 0.45 x 2 + 0.6 x3 2400 (tiempo de mquina) x1 + x2 + x 3 5500 (material para soldar) x 1 , x 2 , x 3 , x 4 , x 5 , x 6 0 (restricciones Lgicas)
a. Cul es el plan de produccin/adquisicin ptimo para la MTV Steel? b. Cules de las dos restricciones de recursos son acotantes? c. La compaa puede vender su material para soldar con una ganancia de $32 por libra. Cunto deber vender? explique d. Los japoneses acaban de aumentar el precio de sus tubos tipo C de $7 a $8 por pie. De qu manera cambia el plan de produccin/adquisicin actual? explique e. Si pudiera obtener ms material para soldar o ms tiempo de mquina, pero no ambas cosas, cul escogera? Explique f. La compaa desea aumentar sus ganancias a $57,500. Cuntas horas ms de tiempo de mquina se necesitan para lograr este objetivo? Explique.
146
Solucin: usando el LINDO MAX 7x1+8x2+5x3+4x4+6x5+2x6 subject to 2)x1+x4=2000 3)x2+x5=4000 4)x3+x6=5000 5)0.5x1+0.45x2+0.6x3<=2400 6)x1+x2+x3<=5500 END Resultado obtenido con el LINDO LP OPTIMUM FOUND AT STEP 2
OBJECTIVE FUNCTION VALUE 1) 55000.00 VALUE 0.000000 2333.333252 0.000000 4000.000000 2666.666748 REDUCED COST 0.000000 0.250000 0.000000 0.500000 0.000000 0.000000 DUAL PRICES
VARIABLE X1 X2 X3 X4 X5 X6
2000.000000
ROW SLACK OR SURPLUS 2) 3) 4) 5) 6) 0.000000 0.000000 0.000000 0.000000 1166.666626 2
4.500000 6.000000 2.000000 5.000000 0.000000
NO. ITERATIONS=
147
RANGES IN WHICH THE BASIS IS UNCHANGED: OBJ COEFFICIENT RANGES VARIABLE X1 X2 X3 X4 X5 X6 CURRENT COEF 7.000000 8.000000 5.000000 4.000000 6.000000 2.000000 ALLOWABLE 0.500000 INFINITY 0.333333 INFINITY 0.250000 0.600000 ALLOWABLE INCREASE INFINITY 0.250000 0.600000 0.500000 INFINITY 0.333333 DECREASE
RIGHTHAND SIDE RANGES ROW 2 3 4 5 6 CURRENT RHS 2000.000000 4000.000000 5000.000000 2400.000000 5500.000000 ALLOWABLE 2800.000000 INFINITY INFINITY 700.000000 INFINITY ALLOWABLE INCREASE DECREASE 2000.000000 4000.000000 2666.666748 1400.000000 1166.666626
Al igual que en el ejemplo anterior las respuestas se obtienen de la solucin usando el Lindo a. Cul es el plan de produccin/adquisicin ptimo para la MTV Steel? Respuesta: VARIABLE X1 X2 X3 X4 X5 X6 VALUE 0.000000 2333.333252 0.000000 4000.000000 2666.666748 2000.000000
Plan de produccin
REDUCED COST 0.000000 0.250000 0.000000 0.500000 0.000000 0.000000
148
b. Cules de las dos restricciones de recursos son acotantes? Respuesta: El recurso limitante es el tiempo de mquina debido a que su variable de holg ura tiene valor cero. Esto indica que el tiempo se consume en su totalidad ROW SLACK OR SURPLUS 2) 3) 4)
Recursos
DUAL PRICES
0.000000 0.000000 0.000000 0.000000 1166.666626
4.500000 6.000000 2.000000 5.000000 0.000000
5) 6)
c. La compaa puede vender su material para soldar con una ganancia de $32 por libra. Cunto deber vender? Explique. Respuesta ROW SLACK OR SURPLUS 2) 3) 4)
Recursos
DUAL PRICES
0.000000 0.000000 0.000000 0.000000 1166.666626
4.500000 6.000000 2.000000 5.000000 0.0000
5) 6)
Si observamos en los recursos vemos 1166.667 onzas de material para soldar no son necesarias en el plan de produccin. Luego es la cantidad que debe venderse a $32 la onza Los dems tems quedan como ejercicio para el lector.
149
III Unidad didctica Investigacin Operativa I
APLICACIONES ESPECIALES DE LA PROGRAMACIN LINEAL
Tercera unidad didctica
8. APLICACIONES ESPECIALES DE LA PROGRAMACIN LINEAL 8.1. El problema del transporte 8.2. Mtodos para determinar una solucin factible bsica inicial 8.3 Mtodo que conduce a la solucin ptima 8.4. El problema de asignacin 8.5. Algoritmo de asignacin (mtodo hngaro)
153
Objetivos
III Unidad didctica Aplicaciones Especiales de la Programacin Lineal Objetivo Al finalizar esta unidad didctica estar en capacidad de reconocer el alcance de Internet como fuente de ventajas competitivas en las organizaciones y construir aplicaciones web bsicas para apoyar los procesos de negocio de las mismas.
Comprende y explica la definicin del modelo de transporte y la aplicacin del algoritmo de transporte y su aplicacin a problemas reales para solucionar problemas de transporte siguiendo los pasos de: 1. la determinacin de la solucin inicial, 2. el mtodo UV. Comprende y explica la definicin del modelo de transporte y la aplicacin del algoritmo de asignacin aplicacin a problemas reales: Mtodo Hngaro
154
Contenidos
III Unidad didctica
APLICACIONES ESPECIALES DE LA PROGRAMACIN LINEAL
8. APLICACIONES ESPECIALES DE LA PROGRAMACIN LINEAL 8.1. EL PROBLEMA DEL TRANSPORTE
El problema de transporte es una clase especial de PPL. Consiste en distribuir cualquier producto desde un grupo de centros de produccin llamados orgenes a un grupo de centros de recepcin llamados destinos de manera que, conocidos la cantidad demandada en cada destino y el costo de transportar una unidad de productos de cada origen a cada destino; se satisfaga la demanda con el costo total mnimo. Consideremos el caso general de m orgenes y n destinos en forma tabular se tiene.
Destinos Orgenes 1 2 ,m bj
1 C11 C21 .. Cm1 .b1
2 C12 C22 Cm2 .b2
n C1n C2n Cmn .bn
.ai .a1 .a2 .am
Ejemplo: Cij = costo de transportar 1 unidad del origen i al destino j Xij = Nmero de unidades a enviar del origen i al destino j.
155
El planteamiento consiste en que existen m orgenes y se supone que en cada origen hay ai unidades disponibles o almacenadas de determinado producto, siendo i=1,2,, m. Existen tambin n destinos y cada una requiere de bj unidades de este producto siendo j=1,2,.., n...Los ai y bj se llaman exigencias por fila y por columna respectivamente y estos son positivos puesto que los valores nulos o negativos no tendran significado fsico. Formulacin:
min Z = C ij X ij
i =1 j =1
s.a:
Por oferta
X
j =1
ij
= a i ; i = 1,2,.., m
Por demanda
X
i =1
ij
= b j ; j = 1,2,..., n
X ij 0, (i = 1,2,..., n; j = 1,2,..., n)
Por equilibrio:
ai = b j
i =1 j =1
Solucin factible bsica no degenerada. Es una solucin factible bsica con exactamente m+n-1 variables bsicas (positivas) Solucin factible bsica degenerada. Es una solucin factible bsica con menos de m+n-1 variables bsicas.
156
8.2.
MTODOS PARA DETERMINAR UNA SOLUCIN FACTIBLE BSICA INICIAL
1. Mtodo de la esquina noroeste (N-O) El mtodo empieza en el cuadro (ruta) de la esquina noroeste de la tabla (variable X11) Paso1. Asigne tanto como sea posible al cuadro seleccionado y ajuste las cantidades asociadas de oferta y demanda, restando la cantidad asignada. Paso2.Tache el rengln o la columna con cero oferta o demanda para indicar que no se pueden hacer asignaciones adicionales en ese rengln o en esa columna. Si tanto el rengln como la columna dan cero simultneamente, tache slo uno de ellos y deje una oferta (demanda) de cero en el rengln (columna) no tachado. Paso3. Si queda sin tachar exactamente un rengln o columna, detngase, De lo contrario, avance al siguiente cuadro a la derecha si se acaba de tachar una columna, o al inferior si se ha tachado un rengln. Vaya, al paso 1. 2. Mtodo de la matriz mnima Determinar la celda cuyo costo es el ms bajo de todos los que integran la matriz. Si existen varias se selecciona arbitrariamente una de ellas. Sea la celda (i, j) entonces: Xij = min(ai ,bj ). Si: i) ai<bj entonces actualizar bj= bj-ai y elimnese la fila i. ii) ai>bj entonces actualizar ai= ai-bj y elimnese la columna j. iii) ai = bj elimnese la fila i o la columna j pero no ambos. se continuar repitiendo el proceso para la tabla resultante.
157
3. Mtodo de VOGEL Este mtodo provee una solucin factible bsica inicial generalmente superior a los anteriores. El mtodo mide la diferencia entre los dos costos menores en cada fila o columna y este indica donde la no asignacin al costo menor significa la mayor prdida (principio de la ms grande penalidad). 1. Determinar la penalidad para cada fila y cada columna al no colocar en la solucin inicial la variable que tenga el menor costo en esta fila o columna. Para la fila i, esto significa restar el costo ms pequeo de esta fila del siguiente costo ms pequeo de la misma fila en la matriz de costos. Si dos costos de esta fila son ambos los ms pequeos la penalidad es cero. La penalidad de la columna j se calcula de una forma similar. 2. Cuando se han calculado todas las penalidades, localcese la mayor, ya sea una penalidad de fila o de columna y ah introducir a la base Xij correspondiente a la celda de costo ms bajo (i, j) esto es: Xij = min(ai ,bj ) Si: i) ai<bj entonces actualizar bj= bj-ai y elimnese la fila i., esta fila se elimina en 01 resto del proceso y seguidamente se calcula las penalidades de columna sin considerar ahora en el clculo de las penalidades de columna los elementos de la matriz de costos de la fila eliminada. Si: ii) ai>bj entonces actualizar ai= ai-bj y elimnese la columna j; esta columna se elimina en el resto del proceso y seguidamente se calcula las penalidades de fila sin considerar ahora en el clculo de la columna eliminada. iii) Si: ai = bj elimnese la fila i o la columna j pero no ambos, se continuar repitiendo el proceso para la tabla resultante. 3. Repetir el proceso hasta obtener la solucin factible bsica inicial.
158
4.
Si dos o ms penalidades de fila o columna son iguales en una iteracin cualquiera procdase como sigue. a) Ver si el elemento de mnimo costo en una de las filas o columnas igualadas es tambin el mnimo elemento de costos en su columna o fila. si existe tal elemento mini b) minj Cij entre las filas o columnas igualadas, deshacer la relacin a favor de tal fila o columna. Si no existe en ninguna de las filas o columnas igualadas tal elemento mnimo, columnas. determnese penalidades secundarias para estas filas y
La penalidad secundaria para una fila (o columna) se define como la diferencia entre el segundo elemento de costo ms pequeo en esta fila (o columna) y el elemento de costo ms pequeo en la columna (o fila) que contiene dicho segundo elemento. Si hay dos o ms elementos de costos del mismo valor que el segundo elemento de costos ms pequeo en la fila (o columna) igualada habr varias penalidades secundarias a calcular en dicha fila (o columna). La igualdad entre las penalidades primarias se rompe a favor de la fila o columna con la mayor penalidad secundaria, si todava queda alguna igualdad, el mtodo dice que podemos elegir arbitrariamente ya sea la fila o la columna.
8.3
MTODO QUE CONDUCE A LA SOLUCIN PTIMA
El mtodo UV o mtodo de Modi 1. Comenzar con alguna solucin factible bsica inicial, utilizando cualquiera de los mtodos anteriormente estudiados. 2. Dibujar una matriz que corresponde a la presente matriz solucin excepto en que los elementos son los costos de las variables bsicas en lugar de las magnitudes de las variables. Esta matriz es la Zij.
159
3.
Se construye un conjunto de nmeros (llamados Vj) a lo largo de la parte superior de la matriz Zij y un conjunto de nmeros (llamados Ui) a lo largo del lado izquierdo, y tales que su suma iguale a los valores encerrados en el circulo y de sus intersecciones y por tanto satisfagan Zij =Ui +Vj y completar las celdas vacas con las sumas de los Ui y Vj de las correspondientes fila y columna, es decir, completar los zij que faltan mediante el calculo de Zij=Ui+Vj
4.
Calcular Cij-Zij, Si todos los Cij-Zij 0, la solucin es ptima. Si uno o mas CijZij<0 ser posible una solucin mejor.
5.
De estas variables que tiene un costo de entrada negativo, se determina el que tenga el valor ms negativo. Pasando a la matriz solucin, se traza la trayectoria, es decir, un lazo cerrado que empiece y termine en el cuadro de la variable de entrada. El Lazo consiste nicamente en segmentos horizontales y verticales conectados. Cada esquina del lazo resultante, con excepcin de la que esta en el cuadro de la variable de entrada, debe coincidir con una variable bsica actual. Existe exactamente un lazo para una determinada variable de entrada. Se traza la trayectoria +, - que empieza en esta variable. Se iguala a la variable solucin ms pequea de las que estn en la celda que contiene signo menos.
6.
Ahora se repiten los pasos 2 a 5 hasta que alguna iteracin demuestre que es ptima.
7.
Si en la variable final Cij-Zij hay un costo de entrada nulo para una variable que no este en la solucin normal, el problema tiene soluciones alternativas.
Observaciones i) Si se desea maximizar ganancias con el envo de una unidad origen i al destino j, aplicamos el mtodo UV haciendo una ligera modificacin es decir: Multiplicar todos los valores Cij por -1 ya que:
160
Max Z = C ij X ij = Min{-z} = {- C ij X ij } En
i =1 j =1 i =1 j=1
esta
forma
podemos
encontrar la solucin factible bsica inicial y luego aplicar el mtodo UV para la obtencin de la solucin ptima. ii) iii) Si se prohben los envos de un origen i a un destino j, hgase Cij=M; siendo M un valor infinitamente grande. Esto garantiza que Xij=0 en la solucin final. Si obligatoriamente hay que enviar de un origen i a un destino j, hgase Cij=-M. Esto garantiza que sea Xij 0 en la solucin final.
PROBLEMA DE TRANSPORTE CASO MINIMIZACIN 1. El problema de distribucin de Cosmic Computer Company CCC es que tiene tres plantas de ensamblaje de microcomputadoras en San Francisco, Los ngeles y Phoenix. La planta de Los ngeles tiene una capacidad de produccin mensual de 2000 unidades. Cada una de las plantas de San Francisco y Phoenix puede producir un mximo de 1700 unidades al mes. Las microcomputadoras de CCC se venden a travs de cuatro tiendas detallistas localizadas en San Diego, Barstow, Tucson y Dallas. Los pedidos mensuales de los vendedores al menudeo son de 1700 unidades en San Diego, 1000 en Barstow, 1500 en Tucson y 1200 en Dallas. La tabla contiene el costo de embarque de una microcomputadora desde cada planta de ensamblaje hasta cada una de las distintas tiendas minoristas. Determinar una solucin factible bsica inicial utilizando el mtodo de la matriz mnima y d usted la solucin ptima. TIENDAS PLANTAS San Francisco Los ngeles Phoenix SAN DIEGO 5 4 6 BARSTOW 3 7 5 TUCSON 2 8 3 DALLAS 6 10 8
161
Mtodo para obtener una solucin factible bsica inicial Mtodo de la esquina nor oeste Caso minimizacin Plantas Tiendas San Francisco Los ngeles Phoenix Demanda bj San Diego 5 4 6 1700 Barstow 3 7 5 1000 Tucson 2 8 3 1500 Dallas 6 10 8 1200 (OFERTAS)ai 1700 2000 1700 ai=bj=5400
Mtodo de la esquina nor oeste Mtodo para obtener una solucin factible bsica inicial 5 4 6 1700 b1 3 7 5 1000 b2 2 8 3 1500 b3 6 10 8 1200 b4 1700 a1 2000 a2 1700 a3
X11= Min (a1,b1)=min(1700, 1700)=1700 .a1>b1 a1=a1-b1=1700-1700=0 eliminamos la columna b1 X12= min (a1,b2)= min(0, 1000)=0 . b2>a1 b2=b2-a1=1000-0=1000 eliminamos la fila a1 X22= min (a2,b2)= min (2000, 1000)=1000 .a2>b2 a2=a2-b2=2000-1000=1000 elimino la columna 2 X23 = min (a2, b3)= min (1000,1500)=1000 .a2<b3 b3=b3-a3=1500-1000=500 elimino la fila 2 X33= min (a3,b3)= min(1700,500)=500 .a3>b3 a3=a3-b3=1200 y elimino la columna 3 X34= min (a3, b4) = min (1200, 1200)=1200 San Diego 1700pc $5 Barstow 0pc $3 1000pc $7 Phoenix 1700 b1 1000 b2 Solucin factible bsica inicial 500pc $3 1500 b3 Tucson Dallas 1700 a1 1000pc $8 1200pc $8 1200 b4 1700 a3 2000 a2
San Francisco Los ngeles
Costo mnimo inicial =1700x5+0x3+1000x7+1000x8+500x3+1200x8=$34600 162
Mtodo de la matriz mnima Para encontrar una solucin factible bsica inicial 5 4 6 1700 b1 3 7 5 1000 b2 2 8 3 1500 b3 6 10 8 1200 b4 1700 a1 2000 a2 1700 a3
X13 = min (a1,b3)=min (1700, 1500) entonces x13=1500 .a1>b3 actualizo a1=a1-b3=1700-1500=200 eliminas la columna 3 X12= min (a1,b2)= min (200,1000)=200 entonces x12=200 .a1<b2 actualiza b2=b2-a1=800 elimino la fila 1 X21 = min(a2,b1)=(2000,1700)=1700 entonces x21=1700 .a2>b1 a2=a2-b1=300 elimino la columna 1 X32= min(a3,b2)=min(1700,800)=800 X34= min (a3,b4)=min (900,1200)=900 .a3<b4 X24= min (a2,b4)=(300,300)=300 x32=800 x34=900 .a3>b2 a3=a3-b2=900 elimino la columna b2 actualiza b4=b4-a3=300 elimino la fila 3 x24=300
San Diego San Francisco Los ngeles Phoenix 1700pc $4
Barstow 200pc $3
Tucson 1500pc $2
Dallas 1700 a1 300pc $10 2000 a2 1700 a3
800pc $5
900pc $8 1200 b4
1700 b1 1000 b2 1500 b3 Solucin factible bsica inicial o costo mnimo inicial = 200x3+1500x2+1700x4+300x10+800x5+900x8=$24600
163
Mtodo UV que conduce a la solucin ptima Para aplicar el mtodo UV vamos a considerar la solucin factible bsica inicial obtenida por el mtodo de la matriz mnima Paso 1 paso2 y paso 3 lo trabajamos junto pues seala comenzar con alguna solucin inicial y trabajar con la matriz de costos, para luego determinar el Zij V1=0 0 4 2 U1=0 U1=0 U2=4 U2=4 U3=2 U3=2 Cij-Zij 6 10 8 6 10 8 0 0 0 V2=3 3 7 5 V2=3 V3=2 V1=0 V4=6 V2=3 V4=6 V3=2 2 6 4 V4=6 6 10 8
Zij= Z12=U1+V2=3 Z13=U1+V3=2 Z21=U2+V1=4 Z24=U2+V4=10 Z32=U3+V2=5 Z34=U3+V4=8 PASO 4 Calcula Cij 5 4 6 ZIJ 0 4 2 CIJ-ZIJ= 5 0 0 0 4 0 3 7 5 3 7 5 2 8 3
U1=0 U2=4 U3=2
2 6 4 0 2 -1
PASO 5 X33 =-1 es una variable que va a ingresar por tener el indicador ms negativo y se trabaja con la matriz solucin 200pc + 1700pc 800pc1500- >=0 800- >=0 164 + 1500pc 300pc 900pc
MAX=800
San Diego San Francisco Los ngeles Phoenix 1700PC $4
Barstow 1000PC $3
Tucson 700PC $2
Dallas 1700 a1
300PC 2000 a2 $10 800PC 900PC 1700 a3 $3 $8 1700 b1 1000 b2 1500 b3 1200 b4 Nuevo costo mnimo inicial= 1000X3+700X2+1700X4+300X10+800X3+900X8=23800 Mtodo UV 1 , 2, y 3 U1=0 U2=3 U3=1 V1=1 1 4 2 U1=0 U1=0 U2=3 U2=3 U3=1 U3=1 Cij-Zij 6 10 8 7 10 8 -1 0 0 V2=3 3 6 4 V2=3 V3=2 V1=1 V4=7 V3=2 V4=7 V3=2 2 5 3 V4=7 7 10 8
Zij= Z12=U1+V2=3 Z13=U1+V3=2 Z21=U2+V1=4 Z24=U2+V4=10 Z33=U3+V3=3 Z34=U3+V4=8 Paso 4 Calcular Cij 5 3 2 4 7 8 6 5 3 ZIJ 1 3 4 6 2 4 CIJ-ZIJ= 4 0 0 1 4 1
2 5 3 0 3 0
Variable que ingresa X14=-1 Paso 5 1000PC 700PC 1700PC 800PC +
+ 300PC 900PC 165
700- >=0 900- >=0 MAX=700 dalla 700PC 1700 a1 $6 1700PC 300PC 2000 a2 $4 $10 1500PC 200PC 1700 a3 $3 $8 1700 b1 1000 b2 1500 b3 1200 b4 Nuevo costo min = 3X1000+6X700+4X1700+10X300+3X1500+200X8=$23100 San francisco Los ngeles phoenix San diego barstow 1000PC $3 tucson
Mtodo UV U1=0 U2=4 U3=2 V1=0 0 4 2 U1=0 U1=0 U2=4 U2=4 U3=2 U3=2 6 10 8 3 7 5 0 0 0 1 3 0 0 0 0 1 5 3 6 10 8 V2=3 3 7 5 V2=3 V4=6 V1=0 V4=6 V3=1 V4=6 V3=1 1 5 3 V4=6 6 10 8
Zij= Z12=U1+V2=3 Z14=U1+V4=6 Z21=U2+V1=4 Z24=U2+V4=10 Z33=U3+V3=3 Z34=U3+V4=8 Cij 5 3 2 4 7 8 6 5 3 Zij 0 4 2 Cij-Zij 5 0 4
166
Dado que (Cij-Zij )0 la solucin obtenida anteriormente es ptima, es decir Cuadro ptimo San Diego San Francisco Los ngeles Phoenix 1700PC $4 1700 b1 Interpretacin: De SF a B transportamos 1000 pc a un costo por unidad $3 costo total De SF a D transportamos 700 pc a un costo por unidad $6 costo total De LA a SD transportamos 1700 pc a un costo por unidad $4 costo total De LA a D transportamos 300 pc a un costo por unidad $10 costo total De P a T transportamos 1500 pc a un costo por unidad $3 costo total DeP a D transportamos 200 pc a un costo por unidad $8 costo total $3000 $4200 $6800 $3000 $4500 $1600 1000 b2 1500PC $3 1500 b3 Barstow 1000PC $3 Tucson Dallas 700PC $6 300PC $10 200PC $8 1200 b4 1700 a1 2000 a2 1700 a3
Costo total mnimo ptimo $23100
PROBLEMA DE TRANSPORTE. CASO MAXIMIZACIN En el caso maximizacin, la matriz de utilidad se multiplica por -1 y luego se trabaja como un caso de minimizacin, es decir se sigue los mismos pasos del algoritmo, teniendo en cuenta que la suma de ofertas debe ser igual a la suma de demandas Ejemplo2 Hexxon Oil compaa tiene seis consultores internacionales de petrleo, tres de los cuales estn actualmente ubicados en los EE.UU., dos en Rusia y uno en Nigeria. Arabia Saud ha solicitado dos consultores durante una semana a una tarifa de $4200 cada uno. Venezuela ha solicitado un consultor durante una semana a una tarifa de $4000. Indonesia ha solicitado tres consultores durante una semana a una tarifa semanal de $4000 cada uno. Los gastos semanales por consultores son de $1400 en Arabia Saud, $1000 en Venezuela y $700 en Indonesia. La siguiente tabla muestra las tarifas de viaje redondo (en dlares) para enviar por avin a los consultores:
167
HACIA DESDE Estados Unidos Rusia Nigeria ARABIA SAUD 1600 1500 1200 VENEZUELA 700 1700 1100 INDONESIA 1900 1600 1500
A. Encuentre una solucin inicial: obtener la solucin ptima. Solucin HACIA DESDE Estados unidos Rusia Nigeria 1500 1200 2 1700 1100 1 1600 1500 3 2 1 ARABIA SAUD 1600 VENEZUELA 700 INDONESIA 1900
ai =ofertas
3
b j =demandas
TARIFA Estados Unidos Rusia Nigeria 4200 4000 4000
GASTO MENSUAL 1400 1000 1700
Obteniendo utilidades HACIA DESDE Estados Unidos Rusia Nigeria ARABIA SAUDI 4200-1400-1600 4200-1400-1500 4200-1400-1200 VENEZUELA 4000-1000-700 4000-1000-1700 4000-1000-1100 INDONESIA 4000-700-1900 4000-700-1600 4000-700-1500
168
La nueva tabla (utilidad)
HACIA DESDE Estados unidos Rusia Nigeria Bi 1300 1600 2 1300 1900 1 1700 1800 3 2 1 ARABIA SAUD 1200 VENEZUELA 2300 INDONESIA 1400 Ai 3
Bsqueda de la solucin factible bsica inicial Matriz de CostoMtodo de la Matriz mnima A todo multiplico por menos uno y busco el menor valor: HASTA DESDE Estados Unidos Rusia Nigeria ARABIA SAUD -1200 -1300 -1600 2=b1 VENEZUELA -2300 -1300 -1900 1=b2 INDONESIA -1400 -1700 -1800 3=b3
ai
3=a1 2=a2 1=a3
bj
X12 = MIN (a1,b2) = MIN (3,1) X12 = 1 a1>b2 a1=a1-b2 a1= 3 1 a1=2
169
Elimino la columna dos y vuelvo a escoger el menor valor -1200 -1300 -1600 2 -2300 -1300 -1900 1 -1400 -1700 -1800 3 3 2 1
X33 = MIN (a3,b3) = MIN (1,3) X33 = 1 a3<b3 b3=b3-a3 b3= 3 1 b3=2 Elimino la fila tres y vuelvo a escoger el menor valor -1200 -1300 -1600 2 -2300 -1300 -1900 1 -1400 -1700 -1800 3 3 2 1
X23 = MIN (A2,B3) = MIN (2,2) X23 = 2 A2>B3 =A2=A2-B3 A2= 2-2 A2=0 Elimino la columna tres y vuelvo a escoger el menor -1200 -1300 -1600 2 -2300 -1300 -1900 1 -1400 -1700 -1800 3 3 2 1
170
X21 = MIN (a2,b1) = MIN (0,2) X21 = 0 a2<b1 b1=b1-a2 b1= 2-0 b1=2 Elimino la fila 2 y vuelvo a escoger el menor -1200 -1300 -1600 2 -2300 -1300 -1900 1 -1400 -1700 -1800 3 3 2 1
Solo me queda -1200 X11 = MIN (a1,b1) = MIN (2,2) X11 = 2
Matriz costo final -1200 2 -1300 0 -1800 1 -2300 1 -1700 2
171
Solucin bsica inicial MIN COSTOS: 2(-1200)+ 1(-2300)+ 0(-1300)+ 2(-1700)+ 1(-1800) MIN COSTOS = - 9900 MAX= - (MIN) MAX= - (-9900) MAX= 9900 Mtodo (UV) Trabajar con la matriz de costos final -1200 -1300 -2300 -1700 -1800 a) Construir Zij
Z ij = U i + VJ
V1 U1 U2 U3 Si U1=0 U1= 0 U1= 0 V1= -1200 V2= -2300 V3=-1600 V3= -1600 -1200 -1300 V2 -2300 -1700 -1800 V3
Z11= U1+V1 = -1200 Z12= U1+V2 = -2300 Z21 = U2+ V1 = - 1300 Z23 = U2 + V3 = -1700 Z33 = U3+ V3 = -1800
U2=-100 V1= -1200 U2=- 100 U3=-200
172
= -1200 V1 U1=0 U2=-100 U3=-200 -1200 -1300 -1400
= -2300 V2 -2300 -2400 -2500
= -1600 V3 -1600 -1700 -1800
Calculando Cij Zij -1200 -1300 -1600 -2300 -1300 -1900 -1400 -1700 -1800
-1200
-2300 -2400 -2500
-1600 -1700 -1800
0 +1100 -600
-1300 -1400
0 0 -200 De la matriz costo final 2 - 0 + Tomar solo los signos negativos 1
+200 0 0
2 + 1 -
1 0 0 0
MAX = 0
-1200 2 -2300 1 -1700 2 -1600 0 -1800 1 173
b) Construir Zij Zij = V1 U1 U2 U3 Si U1=0 -1600 -1200 V2 -2300 -1700 -1800 V3
Z11= U1+V1 = -1200 Z12= U1+V2 = -2300 Z23 = U2 + V3= -1700 Z31 = U3+ V1 = -1600 Z33 = U3+ V3 = -1800
U1= 0 U1= 0 U2= - 300 U3= - 400 U3= - 400
V1= -1200 V2= -2300 V3= -1400 V1= -1200 V3= -1400 = -1400 V3 -1400 -1700 -1800
= -1200 V1 U1=0 U2=-300 U3=-400 -1200 -1500 -1600
= -2300 V2 -2300 -2600 -2700
Calculando Cij Zij -1200 -1300 || -1600 -2300 -1300 -1900 -1400 -1700 -1800 0 0 0 0 1300 800 0 0 0 -1200 -1500 -1600 -2300 -2600 -2700 -1400 -1700 -1800
174
La matriz sali positiva por tanto: MIN COSTOS: 2(-1200)+ 1(-2300)+ 2(-1700)+ 0(-1600)+ 1(-1800) MIN COSTOS: -9900 Solucin ptima = MAX= - (MIN) MAX= - (-9900) =9900 Matriz solucin hacia desde Estados Unidos Rusia Nigeria 1600 0 1200 2 2300 1 1700 2 1800 1 Arabia Saudi Venezuela Indonesia
Enviamos 2 consultores de Estados Unidos a Arabia Saud $1200 utilidad $2400 Enviamos 1 consultores de Estados Unidos a Venezuela Enviamos 2 consultores de Rusia a Indonesia Enviamos 1 consultores de Nigeria a Indonesia $2300 utilidad $2300 $1700 utilidad $3400 $1800 utilidad $1800 Utilidad mxima $9900
Ejemplo 3. Use el mtodo por aproximacin de la matriz mnima y el mtodo UV para resolver el problema de transporte, donde la matriz contiene informacin de las utilidades por transportar una unidad del origen i al destino j. Establezca el valor ptimo de la funcin objetivo. Destinos Orgenes 1 2 3 bj 2 5 7 300 6 1 9 200 3 9 8 100 200 300 100 A B C .ai
175
Sol.: i) Hallando la solucin factible bsica inicial por el mtodo de la matriz mnima: primero verificamos que la suma de ofertas debe ser igual a la suma de demandas, es decir:
3 3
i
II)
=1
ai =
bj j
=1
= 600
Como es un caso de maximizacin multiplicamos la matriz por (-1) por ser una matriz de utilidad y lo trabajamos de la misma manera como si fuera un caso de minimizacin.
ai
-2 -5 -7 -6 -1 -9 200 -3 -9 -8 100 200 300 100
bj
300
* El menor valor de las celdas es:
23
= -9
23
= min(a 2,b 3) min(a 2, b 3) = (300,100) X
23
= 100
a2 >b3
= a 2 b 3
= 300 -100
= 200
Elimino la columna 3
-2 -5 -7 -6 -1 -9
176
Ahora
32
el
menor
valor
de
32
las
celdas
es:
= min(100,200) <b2
32
= min(a 3,b 2)
= 100 b 2 = 200-100 b 2 = 100
b2 =b2 a 3
Elimino la fila 3
-2 -5 -6 -1
Ahora
el
menor
valor
de
12 2
las
celdas
es:
12
= min(200,100)
1
>b2
X a = a b
1 1
12
= min(a 1, b 2)
= 100
a 1 = 100
Elimino la columna 2
-2 -5
Ahora el menor valor de las celdas es:
21
= min(a 2, b 1) X
21
= min(200,300) X
21
= 200
<b1 b1 =b1 a 2
b 1 = 100
Elimino la fila 2
-2
177
Ahora
el
menor
valor
de
11
las
celdas
es:
X
-2 100 -5 200
11
= min(100,100) X
11
= min(a 1, b 1)
= 100
-6 100 -9 100 -9 100
C.
Min Inicial
2x 100 6x 100 5x 200 9x 100 9x 100 = 3600

Mx. Inicial = -(-3600) = 3600
Mtodo UV
v
-2 -5 -5
= -2
= -6
= -6 =0 = -3
-6 -9 -9
-6 -9 -9
u u
= -3
178
Z Z
Z
11
= u 1 +v 1 = 2 u 1 = 0,v 1 = 2 = u 1 +v 2 = 6 u 1 = 0,v 1 = 6 = u 2 +v 1 = 5 u 2 = 3,v 1 = 2 = u 2 +v 3 = 9 u 2 = 3,v 3 = 6 = u 3 +v 2 = 9 u 3 = 3,v 2 = 6
12
21
Z Z
-2 -5 -7
23
32
-6 -1 -9
-3 -9 -8
-2 -5 -5
-6 -9 -9
-6 -9 -9
0 0
0 8 0
3 0 1
-2
Se puede mejorar la solucin anterior:
El menor valor de las celdas es:
31
= 2
100 200
+
100 100
100
100 0 ; 100 0 Max = 100

179
-2 0 -5 200 -7 100
-6 200 -9 100
Nuevo C. Min. Inicial
2x 0 6x 200 5x 200 9x 100 7 x 100 = 3800
Nuevo Mx. Inicial = -(-3800) = 3800 Mtodo UV
v
-2 -5 -7
= -2
-6 -9 -9
= -6
-6 -9 -11
= -6
u u
=0 = -3
= -5 = u 1 +v 1 = 2 u 1 = 0,v 1 = 2 = u 1 +v 2 = 6 u 1 = 0,v 1 = 6 = u 2 +v 1 = 5 u 2 = 3,v 1 = 2 = u 2 +v 3 = 9 u 2 = 3,v 3 = 6 = u 3 +v 1 = 7 u 3 = 5,v 2 = 2
11
Z
Z
12
21
Z Z
180
23
31
-2 -5 -7
-6 -1 -9
-3 -9 -8
-2 -5 -7
-6 -9 -9
-6 -9 -11
0 8 0
3 0 3
0 0
No hay ndices negativos en la diferencia Respuesta: De: (1 A) Transportamos (1 B) (2 A) (2 C) (3 A) Unidades 0 200 200 100 100
ij
ij
. Fin del proceso:
Costo/Unidad ($) 2 6 5 9 7
Zopt Mx. = $ 3800
181
Ejemplo 4. Una compaa tiene fbricas en A, B, y C, las cuales proveen a los almacenes que estn en D, E, F y G. Las capacidades mensuales de las fbricas son 70, 90 y 115 (unidades) respectivamente y las demandas para D, E, F, y G son 50, 60, 70,95 respectivamente. Los costos de embarque son los siguientes: Destinos Orgenes A B C bj 17 15 15 50 20 21 14 60 13 26 15 70 12 25 17 95 70 90 115 D E F G .ai
Determinar una solucin factible bsica inicial utilizando el mtodo de la esquina (N-O) y d usted la solucin ptima. Sea XAD El nmero de unidades a transportar de A-D Sea XAE El nmero de unidades a transportar de A-E Sea XAF El nmero de unidades a transportar de A-F Sea XAG El nmero de unidades a transportar de A-G Sea XBD El nmero de unidades a transportar de B-D Sea XBE El nmero de unidades a transportar de B-E Sea XBF El nmero de unidades a transportar de B-F Sea XBG El nmero de unidades a transportar de B-G Sea XCD El nmero de unidades a transportar de C-D Sea XCE El nmero de unidades a transportar de C-E Sea XCF El nmero de unidades a transportar de C-F Sea XCG El nmero de unidades a transportar de C-G
F.O. Min. C = 17XAD + 20XAE + 13XAF + 12XAG + 15XBD + 21XBE + 26XBF + 25XBG + 15XCD + 14XCE + 15XCF + 17XCG S.A. XAD + XBD + XCD = 50 XAE + XBE + XCE = 60 Demandas
182
XAF + XBF + XCF = 70 XAG + XBG + XCG = 95 XAD + XAE + XAF + XAG = 70 XBD + XBE + XBF + XBG = 90 XCD + XCE + XCF + XCG = 115 Mtodo de la Esquina Noroeste 17 20 13 12 70 15 21 26 25 90 15 14 15 17 115 50 60 70 95 275 X11 = min (a1, b1) = min (70, 50) X11 = 50 a1 > b1 a1 = a1 - b1 a1 = 70 - 50 a1 = 20 Elimino columna 1
Ofertas
X12 = min (a1, b2) = min (20, 60) X12 = 20 a1 < b2 b2 = b1 - a1 b2 = 60 - 20 b2 = 40 Elimino fila 1
X22 = min (a2, b2) = min (90, 40) X22 = 40 a2 > b2 a2 = a2 b2 a2 = 90 40 183
a2 = 50 Elimino la columna 2 X23 = min (a2, b3) = min (50, 70) X23 = 50 a2 < b3 b3 = b3 a2 b3 = 70 50 b3 = 20 Elimino la fila 2 X33 = min (a3, b3) = min (115, 20) X33 = 20 a3 > b3 a3 = a3 b3 a3 = 115 20 a3 = 95 Elimino la columna 3 X34 = min. (a3, b4) = min (95, 95) X34 = 95. Solucin Factible Bsica Inicial 17 50 20 20 21 40 26 50 15 20 17 95
Costo Mnimo Inicial: 17x50 + 20x20 + 21x40 + 26x50 + 15x20+ 17x95= 5305
184
Mtodo que conduce a la solucin ptima El mtodo UV o mtodo de MODI 1. Comenzar con alguna solucin factible bsica inicial. 2 y 3. Dibujar una matriz solucin Zij:
v1=17 v2=20
v3=25
v4=27
u1=0 u2=1 u3=10
17 18 7
20 21 10
25 26 15
27 28 17
Z11 = U1+V1 = 17 Z12 = U1+V2 = 20 Z22 = U2+V2 = 21 Z23 = U2+V3 = 26 Z33 = U3+V3 = 15 Z34 = U3+V4 = 17
U1= 0 U1= 0 U2= 1 U2= 1
V1 = 17 V2 = 20 V2 = 20 V3 = 25
U3= -10 V3 = 25 U3= -10 V4 = 27
4. Cij Zij >= 0 Cij Zij < 0
Solucin Optima Se puede mejorar la solucin
17 20 13 12 15 21 26 25 15 14 15 17 Cij
17 20 25 27 18 21 26 28 = 7 10 15 17 Zij
0 0 -12 -15 -3 0 8 4 0 -3 0 0
185
5. Variable que ingresa es el mas negativo de la matriz resultante 20 50 -40 50 + -20 95 + -Luego; ai 17 50 21 60 26 30 15 40 50 bj 60 70 95 17 75 12 20 70 90 115 +
X14 = -15
>= 0 50 - > = 0 95 - >= 0

20 -
max = 20
Nuevo costo mnimo: 17x50 + 12x20 + 21x60 + 16x30 + 15x40 + 17x75= 5005 El mtodo UV o mtodo de MODI 1. Comenzar con alguna solucin factible bsica inicial.
2 y 3. Dibujar una matriz solucin TIJ: v1=17 v2=5 v3=10 v4=12 u1=0 u2=16 u3=5 17 33 22 5 21 10 10 26 15 12 28 17
186
U1= 0 U1= 0 U2= 16 U2= 16 U3= 5 U3= 5
V1 = 17 V4 = 12 V2 = 5 V3 = 10 V3 = 10 V4 = 12
4.
Cij TIJ >= 0 Cij TIJ < 0
17 20 13 12 15 21 26 25 15 14 15 17 Cij
17 5 10 12
0 15 3
33 21 26 28 = -18 0 0 -3 22 10 15 17 TIJ -7 4 0 0
5. Variable que ingresa es el mas negativo de la matriz resultante -50 60 30 + -40 75 + -20 +
X21 = -18
>= 0 30 - >= 0 75 - >= 0

50 -
max = 30
187
Luego; ai 17 20 15 30 21 60 15 70 50 bj Nuevo costo mnimo: 17x20 + 12x50 + 15x30 + 21x60 + 15x70 + 17x45= 4465 El mtodo UV o mtodo de MODI 1. Comenzar con alguna solucin factible bsica inicial. 2 y 3. Dibujar una matriz solucin TIJ: 60 70 95 17 45 12 50 70 90 115
v1=17 v2=23 v3=10 v4=12 u1=0 u2=-2 u3=5 17 15 22 23 21 28 10 8 15 12 10 17
Z11 = U1+V1 = 17 Z14 = U1+V4 = 12 Z21 = U2+V1 = 15 Z22 = U2+V2 = 21 Z33 = U3+V3 = 15 Z34 = U3+V4 = 17 188
U1= 0 U1= 0 U2= -2 U2= -2 U3= 5 U3= 5
V1 = 17 V4 = 12 V1 = 17 V2 = 23 V3 = 10 V4 = 12
4. Cij Zij >= 0 Cij Zij < 0 17 20 13 12 15 21 26 25 15 14 15 17 Cij
Solucin ptima Se puede mejorar la solucin 17 23 10 12 15 21 8 10 = 22 28 15 17 Zij X32 = -14 0 -3 0 0 0
0 18 15 0
-7 -14 0
5. Variable que ingresa es el ms negativo de la matriz resultante -20 30 60 + - 70 45 + -50 +
>= 0 45 - >= 0 20 - > = 0

60 -
max = 20
Luego; ai 12 70 15 50 21 40 14 20 50 bj Nuevo costo mnimo: 12x70 + 15x50 + 21x40 + 14x20 + 15x70 + 17x25= 4185 15 70 17 25 70 90 115
60 70 95
189
El mtodo UV o mtodo de MODI 1. Comenzar con alguna solucin factible bsica inicial. 2 y 3. Dibujar una matriz solucin TIJ: v1=3 u1=0 u2=12 u3=5 3 15 8 v2=9 v3=10 v4=12 9 21 14 U1= 0 U2= 12 U2= 12 U3= 5 U3= 5 U3= 5 10 22 15 12 24 17
V4 = 12 V2 = 3 V2 = 9 V2 = 9 V3 = 10 V4 = 12
4.
Cij Zij >= 0 Cij Zij < 0
17 20 13 12 15 21 26 25 15 14 15 17 Cij Zij
3 9 10 12 15 21 22 24 = 8 14 15 17
14 11 3 0 0 4 7 0 0
0 1 0
Cij Zij>= 0 La solucin anterior viene a ser la solucin ptima.
190
Es decir: ai 12 70 15 50 21 40 14 20 50 bj 15 70 17 25 70 90 115
60 70 95
Unid. $ costo De A-G Transportamos XAG = 70 x 12 De B-D Transportamos XBD = 50 x 15 De B-E Transportamos XBE = 40 x 21 De C-E Transportamos XCE = 20 x 14 De C-F Transportamos XCF = 70 x 15 De C-G Transportamos XCG = 25 x 17 Costo Mnimo = 4185
191
Serie de Problemas 8.1 1. Una fbrica cuenta con 4 almacenes situados en diferentes partes del pas. El almacn 1 cuenta con 10 unidades de mercanca, el 2 con 12, el tres con 5 y 4 con 10. Con las existencias de mercancas que tienen dichos almacenes se debe abastecer a 5 centros de consumo. El centro de consumo 1 demanda 6 unidades de mercanca; el centro 2, demanda 8; el 3 demanda tres, el 4 demanda 9 y 11 el 5. Los costos de transporte de cada almacn a cada centro de consumo aparecen en el cuadro. CC Almacenes 1 2 3 4 Demanda 1 4 2 3 2 6 2 2 1 4 2 8 3 5 4 1 3 3 4 5 1 2 4 9 5 1 4 1 2 11 Existencia de mercanca 10 12 5 10
Se trata de determinar aquel programa de transportes cuyo costo sea mnimo.
2.
Tres fbricas producen tres productos A, B, y C, las cuales proveen a una tienda el cual esta interesado en comprar 60 del producto A, 25 del producto B y 30 del producto C. Las utilidades por producto que obtendra la tienda al adquirir a cada fbrica se encuentra en el cuerpo de la tabla, as mismo la oferta de dichas fabricas. Producto Fbrica D E F bj 11 12 10 60 14 13 14 25 17 18 19 30 100 15 40 A B C .ai
Determinar una solucin factible bsica inicial utilizando el mtodo de VOGEL y d usted la solucin ptima.
192
3.
American Motors Inc. puede enviar un total de hasta 200 automviles en camin y 600 en ferrocarril de su fbrica de Detroit a sus distribuidores de Chicago, Cleveland, Washington D.C. y Filadelfia. El costo (en dlares) de enviar un carro a cada uno de los distribuidores por camin y por tren y las demandas de los distribuidores se muestran en la siguiente tabla: Costo de embarque ($/carro)hacia
Por Camin Tren Demanda(carros)
Chicago 30 45 300
Cleveland 20 30 100
Washington, D.C 50 75 250
Filadelfia 60 90 150
a) Encuentre una solucin inicial b) Determine la solucin ptima 4. Use el mtodo por aproximacin de Noroeste y el mtodo UV para resolver el problema de transporte. Establezca el valor ptimo de la funcin objetivo. Existen soluciones ptimas alternativas? Destinos Orgenes 1 2 3 bj 9. 7 4 5 200 5 8 6 300 200 100 300 A B .ai
Resuelva el siguiente problema. La matriz de costo es: ai 11 12 10 13 150 14 13 14 11 150 17 18 19 16 375 9 8 8 10 225 300 350 150 200
bj
193
8.4.
EL PROBLEMA DE ASIGNACIN
En muchos problemas de decisin es necesario asignar un elemento de un grupo (como una mquina, un empleado, etctera) a un elemento de un segundo grupo (como una tarea, un proyecto, etctera). Considere, por ejemplo, asignar trabajos a mquinas en una planta industrial, asignar representantes de ventas a territorios o asignar investigadores a proyectos. A. CARACTERSTICAS CLAVE
Al hacer una asignacin, a menudo deben cumplirse dos condiciones: Cada elemento del primer grupo debe asignarse a exactamente un elemento del segundo grupo. Cada elemento del segundo grupo debe asignarse a exactamente un elemento del primer grupo. B. CARACTERSTICAS CLAVE
Para obtener la asignacin ptima, cada nueva matriz de asignacin satisfar: PROPIEDAD1. Todos los nmeros son no negativos PROPIEDAD2. Cada fila y cada columna tienen al menos una celda con un valor de 0. Siempre que, en cualquiera de estas matrices, encuentre una asignacin en la que cada celda seleccionada tenga un valor cero ha encontrado, de hecho, la asignacin ptima. 8.5. ALGORITMO DE ASIGNACIN (mtodo hngaro) Paso 0 Inicializacin: cree la matriz inicial con las propiedades 1 y 2 modificando la matriz de asignacin de la siguiente manera: 1. Por cada fila, identifique el nmero menor y reste ese valor de cada celda en esta fila.
194
2. Por cada columna, identifique el nmero menor y reste ese valor de cada celda en esta columna. Paso 1 Prueba de optimalidad: intente identificar una asignacin factible en la matriz actual en la que cada celda seleccionada tenga un valor de cero. Si se encuentra esta asignacin, detngase: sta es la solucin ptima; de otra manera encuentre el nmero de asignaciones que s tienen el valor de cero y vaya al paso 2. Paso2 Movimiento: establezca una nueva matriz de asignacin con las propiedades 1 y 2, y haga lo siguiente: 1. Trace el nmero mnimo de lneas horizontales y verticales como sea posible en la ltima matriz reducida que cubrir todas las celdas que contienen valores cero. 2. Entre todas las celdas no cruzadas, identifique una con el menor valor y a. b. Reste este nmero de todas las celdas no cruzadas y Aada este nmero a todas las celdas en la interseccin de dos lneas. Ahora vaya al paso 1.
195
EXPLICACIN SIMPLEX DEL MTODO HNGARO El problema de asignacin en el cual n empleados se asigna a n trabajos, se puede representar como un modelo de PL de la siguiente manera: digamos que C ij es el costo de asignar al empleado i al trabajo j y definiremos:
X ij =
1, si se asigna al empleado i el trabajo j 0, de lo contrario
Entonces el modelo de PL se da como:
Minimice Z = C ij X ij
i =1 j =1
s.a.
X
j =1 n
ij
= 1, i = 1,2,..., n = 1, j = 1,2,..., n X ij = 0 1
X
i =1
ij
196
ASIGNACIN CASO MINIMIZACIN Ejemplo 1. Joshop necesita asignar cuatro trabajos que recibi a cuatro empleados. Las diversas habilidades de estos dan origen a costos variados por el desempeo de los trabajadores. La tabla resume los datos del costo de las asignaciones. Los datos indican que el empleado 1 no puede trabajar en el trabajo 3 y que el empleado 3 no puede trabajar en el trabajo 4. i) Determine la asignacin ptima. Trabajo Trabajador 1 2 3 4 ii) $50 $50 $20 $70 $40 $20 $30 $90 $30 $50 $70 $20 $60 $70 1 2 3 4
Supongamos que hay disponible un empleado adicional (el quinto) para desempear los cuatro trabajos, a los costos respectivos de 60, 45,30 y 80 dlares. Es econmico reemplazar a uno de los cuatro trabajadores actuales con el nuevo?
Trabajo Ttrabajador 1 2 3 4 Solucin
1 $50 $70 $90 $70
2 $50 $40 $30 $20
3 $20 $50 $60
4 $20 $30 $70
Observe que no se va asignar el empleado 1 al trabajo 3 y que el empleado 3 no puede trabajar en el trabajo 4entonces vamos a poner en la celda un valor M positivo infinitamente grande de tal manera que sea un costo bastante elevado y no pueda ser asignado. 50 70 90 70 50 40 30 20 M 20 50 60 20 30 M 70
197
a) Determinamos el menor valor por fila y restamos 50 70 50 40 M 20 20 30 20 20
90
70 30 50 60 50 30
30
20 30 20 0 0 0
50
60 M-20 0 20 40 0
M
70 0 10 M-30 50 0
30
20
b) Determinamos el menor valor por columna y restamos 0 20 30 20 30 20 (0) 0X M-20 (0) 20 40 0 10 M-30 50
c) Observamos que es imposible asignar por tanto vamos a trazar lneas horizontales y verticales 0 20 30 20 30 20 0 0 M-20 0 20 40 0 10 M-30 50
d) Determinamos el menor de las celdas no cruzadas =10. . Restamos los valores de las celdas no cruzadas al menor valor y sumamos en la interseccin de dos lneas el menor valor. 0 10 20 10 40 20 (0) 0X M-10 0 20 40 0 0 M-40 40
e) Observamos que no se puede asignar volvemos a trazar lneas horizontales y verticales, para cubrir los ceros de asignacin con la menor cantidad de lneas. 0 10 20 10 40 20 0 0 M-10 0 20 40 0 0 M-40 40
198
f) Menor de las celdas: 10 0X 10 10 (0) 50 30 (0) 0X M-10 (0) 10 30 (0) 0X M-50 30
Es posible asignar Trabajo Trabajador 1 2 3 4 1 $50 $70 $90 $70 2 $50 $40 $30 $20 3 $20 $50 $60 4 $20 $30 $70
Al trabajador 1 se le asigna el trabajo 4 a un costo de $20 Al trabajador 2 se le asigna el trabajo 3 a un costo de $20 Al trabajador 3 se le asigna el trabajo 2 a un costo de $30 Al trabajador 4 se le asigna el trabajo 1 a un costo de $70 costo min ptimo =$140 ii) Trabajo Trabajador 1 2 3 4 5 50 70 90 70 60 50 70 90 70 60 50 1 $50 $70 $90 $70 $60 50 40 30 20 45 50 40 30 20 45 20 2 $50 $40 $30 $20 $45 M 20 50 60 30 M 20 50 60 30 20 3 $20 $50 $60 $30 20 30 M 70 80 20 30 M 70 80 20 0 0 0 0 0 0 0 0 0 0 0 4 $20 $30 $70 $80 0 0 0 0 0 5 0 0 0 0 0
199
0 30 M-20 0 0X 20 20 0 10 0X 40 10 30 M-20 0X 20 (0) 40 50 0X 10 25 10 60 (0) Imposible asignar, luego trazamos lneas horizontales y verticales 0 20 40 20 10 30 20 10 0 25 M-20 0 30 40 10 0 10 M-20 50 60 0 0 0 0 0
Menor de las celdas no cruzadas: 10 0X 10 30 10 (0) Trabajo Trabajador 1 2 3 4 5 40 20 10 (0) 25 1 $50 $70 $90 $70 $60 M-10 (0) 30 40 10 2 $50 $40 $30 $20 $45 (0) 0X M-30 40 50 3 $20 $50 $60 $30 10 0X (0) 0X 0X 4 $20 $30 $70 $80 5 0 0 0 0 0
Al trabajador 1 se le asigna el trabajo 4 a un costo de $20 Al trabajador 2 se le asigna el trabajo 3 a un costo de $20 Al trabajador 3 se le asigna el trabajo 5 a un costo de $0 Al trabajador 4 se le asigna el trabajo 2 a un costo de $20 Al trabajador 5 se le asigna el trabajo 1 a un costo de $60 Costo min ptimo $120 Respuesta: S es econmico reemplazarlo
200
ASIGNACIN CASO MAXIMIZACIN Ejemplo 2. Un corredor de bienes races planea la venta de 5 lotes de terreno y ha recibido ofertas individuales de 4 clientes. Debido a la cantidad de capital que se requiere, estas ofertas se han hecho en el entendimiento de que ninguno de los 4 clientes comprar ms de un lote. Las ofertas se muestran en la tabla. El corredor de bienes races quiere maximizar su ingreso total a partir de esas ofertas. Lote Comprador A B C D 1 16 19 15 19 2 15 17 15 0 3 25 24 18 15 4 19 15 0 17 5 20 25 16 18
Solucin Dado que tenemos cuatro compradores para cinco lotes completamos la matriz con un comprador artificial Lote Comprador A B C D E 16 19 15 19 0 1 16 19 15 19 0 15 17 15 0 0 2 15 17 15 0 0 25 24 18 15 0 3 25 24 18 15 0 19 15 0 17 0 4 19 15 0 17 0 20 25 16 18 0 5 20 25 16 18 0
1) Identificar el mayor valor de las celdas: 25 2) Restar los valores de cada celda de este numero encontrado 25-16=9 6 10 6 25 10 8 10 25 25 0 1 7 10 25 6 10 25 8 25 5 0 9 7 25
201
A partir de este tablero los pasos son los mismos que en minimizacin 9 6 10 6 25 9 6 3 0 0 0 10 8 10 25 25 10 8 3 19 0 0 0 1 7 10 25 0 1 0 4 0 0 6 10 25 8 25 6 10 18 2 0 0 6 10 18 2 0 4 8 16 0 0 3 7 15 0X (0) 3 25 24 18 15 5 0 9 7 25 5 0 2 1 0 0 5 0 2 1 0 5 0 2 1 2 5 (0) 2 2 3 4 19 15 0 17 0 5 20 25 16 18 0 0 7 6 25
10 0 9 6 8 1 3 3 0 0 19 4 0 0 0 Menor de las celdas no cruzadas: 2 8 0 9 6 6 1 3 1 0 0 17 4 2 0 2 Menor de las celdas no cruzadas: 1 7 (0) 8 5 5 1 2 (0) 0X (0) 17 5 2 0X 3 Lote Comprador A B C D E 1 16 19 15 19 2 15 17 15 0
Al comprador A se le asigna el lote 3 con un ingreso de $25 Al comprador B se le asigna el lote 5 con un ingreso de $25 Al comprador C se le asigna el lote 2 con un ingreso de $15 Al comprador D se le asigna el lote 1 con un ingreso de $19 Ingreso mximo=$84 202
Ejemplo3 Arthur J Big and Company es una compaa de contabilidad que tiene un especialista en impuestos en cada uno de sus oficinas en Washington D.C., Cleveland, Lousville y Atlanta. La oficina central ha recibido una solicitud para un especialista en impuestos en cada uno de sus clientes de Columbus, Nashville, Charleston y Pittsburgh los costos de los siguientes especialistas se proporcionan en la siguiente tabla. Hacia Desde Washington Cleveland Lousville Atlanta Columbus 431 214 585 Nashville 659 533 174 246 Charleston 342 259 501 Pittsburgh 247 129 393 683
Como socio general de la compaa, determine cmo enviar un especialista a cada ciudad para minimizar sus costos totales del viaje. Solucin Como podemos observar es imposible enviar un especialista de Cleveland hacia Columbus y Charleston, frente a estos casos se pone un M bastante grande de manera que al ser M un costo bastante elevado nos garantiza su no asignacin. Otra forma es asignarle un costo bastante alto en comparacin con los dems costos, por ejemplo 2000, como podemos ver este costo es bastante alto y de seguro que no enviamos el especialista. De la matriz de costos: 431 M 214 585 659 533 174 246 342 M 259 501 247 129 393 683
203
Elegimos por fila el menor valor y restamos este valor de cada respectiva fila
celda en su
184 M-129 40 339
412 404 0 0
95 M-129 85 255
0 0 219 437
247 129 174 246
Elegimos por columna el menor valor y restamos este valor de cada celda de s u respectiva columna
144 M-169 0 299 40
412 402 0 0 0
10 M-214 0 170 85
0 0 219 437 0
Cada cero significa un cero de asignacin es decir si asigno el primer cero (posicin
X 14 ) en la primera fila me indica que envo un especialista de Washington-Pittsburg

e inmediatamente tarjo el cero que esta debajo (posicin X 24 ) puesto que el
especialista de Cleveland ya no puede ser asignado a Pittsburg. Como no se puede asignar trazamos lneas horizontales y verticales de tal manera que se pueda cubrir con la menor cantidad de lneas los ceros de asignacin.
204
144 M-169 0 299
412 402 0 0
10 M-214 0 170
0 0 219 437
De las celdas no cruzadas elegimos el menor valor = 10 y restamos este numero de todas las celdas no cruzadas, sumamos este numero a aquellas celdas cruzadas por dos lneas y las que estn cruzadas por una sola lnea permanecen igual
134 M-179 0 289
412 402 10 0
0 M-224 0 160
0 0 229 437
Observamos que es posible asignar luego la respuesta es: Hacia Desde Washington Cleveland Lousville Atlanta X X Columbus Nashville Charleston X X Pittsburgh
205
Solucin: De Washington a Charleston 342 De Cleveland a Pittsburgh De Lousville a Columbus De atlanta a Nashville Solucin ptima = 129 214 246 931
Ejemplo 4 Arthur J Big and Company es una compaa de contabiliadad que tiene un especialista en impuestos en cada uno de sus oficinas en Washington D.C., Cleveland, Lousville y atlanta. La oficina central ha recibido una solicitud para un especialista en impuestos en cada uno de sus clientes de Columbus, Nashville, Charleston y Pittsburgh las utilidades de los siguientes especialistas se proporcionan en la siguiente tabla.
Hacia Desde Washington Cleveland Lousville Atlanta Columbus 431 240 214 650 Nashville 659 533 174 346 Pittsburgh 247 129 393 683
Como socio general de la compaa, determine como enviar un especialista a cada ciudad para maximizar sus utilidades totales del viaje-dar solucin ptima
206
Creamos una columna artificial para completar el tablero
431 240 214 650
659 533 174 346
247 129 393 683
0 0 0 0
Determinamos el mayor valor de toda la tabla = 683 y lo restamos de todo el tablero
252 443 469 33
24 150 509 337
436 554 290 0
683 683 683 683
Determinamos el valor menor en cada fila y luego en cada columna restando respectivamente
228 293 179 33
0 0 219 337
412 404 0 0
659 533 393 683
24 150 290 0
207
195 260 146 0 33
0 0 218 337 0
412 404 0 0 0
266 140 0 290 393
Trazamos las lneas
195 260 146 0
0 0 219 337
412 404 0 0
266 140 0 290
Valor mnimo = X24=140
55 120 146 (0)
(0) 0X 359 477
272 264 (0) 0X
126 (0) 0X 290
208
Columbus Washington Cleveland Lousville Atlanta Solucin: De Washington a Nashville De Lousville a Pittsburgh De Atlanta a Columbus X
Nashville X
Pittsburgh
Charleston X
enviamos un especialista con una utilidad $659 enviamos un especialista con una utilidad $ 393 enviamos un especialista con una utilidad $ 650 1702 Es el monto total de las utilidades
209
Serie de Problemas 8.4 1. Se trata de efectuar 5 tareas diferentes y se cuenta para tal efecto con 5 equipos. Se quiere conocer qu tarea debe realizar cada equipo productivo empleando el mnimo de tiempo en conjunto, si el tiempo que tarda cada equipo en realizar cada tarea es el que se indica en la tabla:
Tareas Equipos 1 2 3 4 5
A 12 7 5 14 12
B 17 1 3 3 12
C 4 3 1 1 4
D 10 10 9 11 4
E 11 1 16 16 16
2.
Resuelva los modelos de asignacin en la tabla siguiente:
$3 $6 $9 $2 $9
$9 $1 $4 $5 $6
$2 $5 $7 $4 $2
$3 $6 $2 $4
$7 $6 $1 $5
$10 $3
$3 $8 $6 $8 $9
$8 $7 $4 $4 $10
$2 $2 $2 $2 $6
$10 $3 $9 $7 $3 $9 $7 $5 $5 $10
210
3. Joshop necesita asignar cuatro trabajos que recibi a cuatro empleados. Las diversas habilidades de stos dan origen a costos variados por el desempeo de los trabajadores. La tabla resume los datos del costo de las asignaciones. Los datos indican que el empleado 1 no puede trabajar en el trabajo 3 y que el empleado 3 no puede trabajar en el trabajo 4. Trabajo Trabajador 1 2 3 4 * $50 $50 $20 $70 $40 $20 $30 $90 $30 $50 $70 $20 $60 $70 1 2 3 4
Supongamos que Joshop acaba de recibir un quinto trabajo y que los costos respectivos de que los desempeen los cuatro empleados son 20,10, 20, y 80 dlares Debe tener prioridad el nuevo trabajo por encima de cualquiera de los 4 trabajos que ya tiene Joshop?
4. Se usarn cuatro barcos cargueros para transportar bienes de un puerto a otros cuatro puertos (numerados 1, 2, 3,4). Se puede usar cualquier barco para hacer cualquiera de los cuatro viajes. Sin embargo, dadas algunas diferencias entre los barcos y las cargas, el costo total de carga, transporte y descarga de bienes para las distintas combinaciones de barcos y puertos vara mucho. Estos costos se muestran en la siguiente tabla. Puerto Barcos 1 2 3 4 5 6 7 5 4 6 5 4 6 7 7 6 7 5 6 6 1 2 3 4
El objetivo es asignar los barcos a los puertos en una correspondencia uno a uno de manera que se minimice el costo total para los cuatro barcos. 211
5.
El entrenador de un equipo de natacin de un equipo de natacin debe asignar competidores para la prueba de 200 metros combinados por equipo para mandarlos a las olimpiadas juveniles. Como mucho de sus mejores nadadores son rpidos en ms de un estilo, no le es fcil decidir a qu estilo asignar a cada uno. Los cinco mejores nadadores y sus mejores tiempos (en segundos) en cada estilo son: Tipo de nado Dorso Pecho Mariposa Libre Carlos 37.7 43.4 33.3 29.2 Cristina 32.9 33.1 28.5 26.4 David 33.8 42.2 38.9 29.6 Antonio 37.0 34.7 30.4 28.5 Jos 35.4 41.8 33.6 31.1
El entrenador quiere determinar cmo asignar cuatro nadadores a los cuatro tipos de nado para minimizar la suma de los mejores tiempos correspondientes.
6. Suponga que una empresa tiene 5 puestos vacantes cuyo desempeo requiere diversas habilidades. Se han presentado 7 candidatos que han sido sometidos a pruebas especiales de seleccin para cada empleo, habiendo obtenido las siguientes calificaciones:
Empleos Candidatos A B C D E F G
1 69 61 62 45 42 33 46
2 97 79 83 80 39 34 50
3 81 27 48 41 42 10 28
4 68 14 65 65 32 12 33
5 95 38 94 70 83 17 92
212
Ayude a determinar al gerente de personal el mejor equipo seleccionado, donde la puntuacin en su conjunto sea la mxima, considerando la calificacin que haya obtenido cada candidato en el puesto al que se decida asignarlo.
7. Steel company ha decidido iniciar la produccin de cuatro nuevos productos utilizando tres plantas que por el momento tiene exceso de capacidad de produccin. Los productos requieren un esfuerzo productivo comparable por unidad por lo que la capacidad de produccin disponible en las plantas se mide por el nmero de unidades de cualquier producto que se pueden obtener por da, como se muestra en la ltima columna de la tabla. El ltimo rengln de la produccin diaria requerida para satisfacer las ventas proyectadas. Cada planta puede producir cualquiera de estos productos, excepto la planta 2 que no puede fabricar el producto 3. Sin embargo, el costo variable por unidad de cada producto difiere entre una planta y otra, como se muestra en el cuerpo de la tabla. Ayude a la gerencia a minimizar el costo de asignacin de tal manera que debe asignarse al menos uno de los productos a cada planta.
Producto Planta 1
Costo unitario 2 3 4
Capacidad disponible
1 2 3 Tasa de produccin
41 40 37 20
27 29 30 30
28 27 30
24 23 21 40
75 75 45
213
IV Unidad didctica Investigacin Operativa I
TPICOS AVANZADOS EN PROGRAMACIN LINEAL: PROGRAMACIN POR OBJETIVOS Y PROGRAMACIN LINEAL ENTERA
Cuarta unidad didctica Investigacin de Operaciones I
TPICOS AVANZADOS EN PROGRAMACIN LINEAL: PROGRAMACIN POR OBJETIVOS Y PROGRAMACIN LINEAL ENTERA 9. OPTIMIZACIN MULTIOBJETIVO CON PROGRAMACIN POR METAS (O POR OBJETIVOS) 9.1. Programacin de metas 9.2. Identificacin de las metas y penalizaciones 9.3. Formulacin de programacin lineal para un problema de programacin de metas 9.4. Identificacin de las variables de decisin 9.5. Identificacin de la funcin objetivo 9.6. Identificacin de las restricciones 10. PROGRAMACIN ENTERA
10.1. Cmo resolver un problema de programacin lineal entera? 10.2. Interpretacin grfica del espacio de soluciones de un PPLE 10.3. Qu dificultades se presenta si se redondea la solucin de un PPLE? 10.4. Resolucin de un PPLE por el mtodo grfico 10.5. La tcnica de ramificacin y acotamiento 11. BIBLIOGRAFA
217
Objetivos
IV Unidad didctica TPICOS AVANZADOS EN PROGRAMACIN LINEAL: PROGRAMACIN POR OBJETIVOS Y PROGRAMACIN LINEAL ENTERA Objetivos generales Comprender la importancia de resolver modelos de mltiples objetivos y convertir los objetivos mltiples originales en una sola meta. Resolver programas lineales en los cuales algunas o todas las variables de decisin estn restringidas a valores enteros.
Comprende y explica los conceptos bsicos de la programacin por objetivos. Comprende y explica los conceptos bsicos de la programacin lineal entera.
218
Contenidos
IV UNIDAD DIDCTICA
TPICOS AVANZADOS EN PROGRAMACIN LINEAL: PROGRAMACIN POR OBJETIVOS Y PROGRAMACIN LINEAL ENTERA
9.
OPTIMIZACIN MULTIOBJETIVA CON PROGRAMACIN POR METAS (O POR OBJETIVOS)
Este anlisis ampla el horizonte de la programacin lineal, donde la funcin a maximizar es nica; y por tanto, la solucin ptima es solo una. En la programacin por objetivos se tienen varias funciones objetivo que tratan de alcanzarse simultneamente, y por lo tanto la solucin del modelo satisface los mltiples objetivos planteados, en lugar de optimizar uno solo de ellos, o ms difcil an, optimizar todos los objetivos. Este modelo es una variante del modelo general de programacin lineal, en el cual se llega a la solucin ptima minimizando siempre las desviaciones positivas y negativas de las metas propuestas inicialmente. Tales metas propuestas pueden ser priorizadas de acuerdo al grado de estimacin que se tenga por alcanzarlas. Estas metas pueden ser tan diversas como: maximizar beneficios, aumentar el porcentaje de participacin en el mercado, minimizar costos y maximizar la calidad del producto, todas incluidas en el mismo problema, propuestas en diferentes unidades, lo cual ampla considerablemente el horizonte de la programacin lineal con un solo objetivo. Veamos un ejemplo de optimizacin multiobjetiva.
219
Ejemplo 1. Steel company produce tres tamaos de tubos: A, B, C, que son vendidos, respectivamente en $10, $12 y $9 por pie. Para fabricar cada pie del tubo A se requieren 0,5 minutos de tiempo de procesamiento sobre un tipo particular de mquina de modelado. Cada pie del tubo B requiere 0,45 minutos y cada pie del tubo C requiere 0,6 minutos. Despus de la produccin, cada pie de tubo, sin importar el tipo, requiere 1 una onza de material de soldar. El costo total se estima en $3, $4 y $4 por pie de los tubos A, B y C, respectivamente. Para la siguiente semana, MTV Steel ha recibido pedidos excepcionalmente grandes que totalizan 2000 pies del tubo A, 4000 pies del tubo B y 5000 pies del tubo C. Como solo se dispone de 40 horas de tiempo de mquina esta semana y solo se tiene en inventario 5500 onzas de material de soldar, el departamento de produccin no podr satisfacer esta demanda, requiere un total de 97 horas de tiempo de mquina 11000 onzas de material de soldar. No se espera que contine este alto nivel de demanda. En vez de expandir la capacidad de las instalaciones de produccin, la gerencia de MTV est considerando la compra de algunos de estos tubos a proveedores de Japn a un costo de entrega de $6 por pie del tubo A, 6$ por pie del tubo B y $7 por pie del tubo C. Los datos se resumen en la tabla siguiente:
Tiempo de mquina (min/ft) Material soldar (oz/ft) Costo de produccin ($/ft) Costo de compra ($/ft)
Tipo
Precio de venta($/ft)
Demanda (ft)
A B C
Cantidad disponible
10 12 9
2000 4000 5000
0.50 0.45 0.60 40hr
1 1 1 5500oz
3 4 4
6 6 7
220
Sea: x1, x2, x3, el nmero de pies de tubo de tipo A, B, C por producir respectivamente y x4, x5,x6, el nmero de pies de tubo de tipo A, B, C por comprar a Japn respectivamente.
Maximizar Z:7x1 + 8x 2 + 5x 3 + 4x 4 + 6x 5 + 2x 6
s.a: Restriccin de demanda
Solucin: Usando el LINDO MAX 7x1+8x2+5x3+4x4+6x5+2x6 subject to 2)x1+x4=2000 3)x2+x5=4000 4)x3+x6=5000 5)0.5x1+0.45x2+0.6x3<=2400 6)x1+x2+x3<=5500 END
221
RESULTADO OBTENIDO CON EL LINDO LP OPTIMUM FOUND AT STEP 2
OBJECTIVE FUNCTION VALUE 1) 55000.00 VALUE 0.000000 2333.333252 0.000000 4000.000000 2666.666748 REDUCED COST 0.000000 0.250000 0.000000 0.500000 0.000000 0.000000
2000.000000
ROW SLACK OR SURPLUS 2) 3) 4) 5) 6) 0.000000 0.000000 0.000000 0.000000 1166.666626 2
DUAL PRICES
4.500000 6.000000 2.000000 5.000000 0.000000
NO. ITERATIONS=
222
RANGES IN WHICH THE BASIS IS UNCHANGED: OBJ COEFFICIENT RANGES VARIABLE X1 X2 X3 X4 X5 X6 CURRENT COEF 7.000000 8.000000 5.000000 4.000000 6.000000 2.000000 ALLOWABLE 0.500000 INFINITY 0.333333 INFINITY 0.250000 0.600000 ALLOWABLE INCREASE INFINITY 0.250000 0.600000 0.500000 INFINITY 0.333333 DECREASE
RIGHTHAND SIDE RANGES ROW 2 3 4 5 6 CURRENT RHS 2000.000000 4000.000000 5000.000000 2400.000000 5500.000000 ALLOWABLE 2800.000000 INFINITY INFINITY 700.000000 INFINITY ALLOWABLE INCREASE DECREASE 2000.000000 4000.000000 2666.666748 1400.000000 1166.666626
En el ejemplo anterior, el objetivo consiste en determinar cunto de cada tipo de tubo producir y cunto adquirir del Japn de modo que se puedan cumplir las demandas y maximizar las ganancias de la compaa. Sin embargo, un segundo objetivo surge cuando el director ejecutivo le informa a usted que el gobierno ha pedido un esfuerzo voluntario para reducir la cantidad de gasto monetario en importaciones. En trminos de estas variables de decisin nuestro nuevo modelo tiene dos objetivos: i) Maximizar la ganancia =ganancia de la produccin+ganancia de productos adquiridos: MAX= 7 x1 + 8 x2 + 5 x3 + 4 x4 + 6 x5 + 2 x6
223
ii)
Minimizar el costo de importacin=Costo de importacin de tubos tipo A +costos de importacin de tubos Tipo B + costos de importacin de tubos Tipo C
MIN= 6 x4 + 6 x5 + 7 x6 s.a. Restriccin de demanda
Observaciones A) Si el problema se corre con el lindo, es decir: MAX= 7 x1 + 8 x2 + 5 x3 + 4 x4 + 6 x5 + 2 x6 s.a. Restriccin de demanda
224
La respuesta es: 1) Zmax= 55000.00 VALUE 2000.000000 0.000000 2333.33252 0.000000 4000.000000 2666.666748
VARIABLE X1 X2 X3 X4 X5 X6 B.
Si el problema se corre con el lindo, es decir: MIN= 6 x4 + 6 x5 + 7 x6
s.a. Restriccin de demanda
225
La respuesta es: 1) Zmin= 39800 VALUE 1200 4000 0 799.999 0 5000
VARIABLE X1 X2 X3 X4 X5 X6 C.
Si la respuesta de las variables de decisin obtenidas en A) reemplazamos en B) 1) Zmax= 55000.00 VALUE 2000.000000 0.000000 2333.33252 0.000000 4000.000000 2666.666748
Es decir en MIN= 6 x4 + 6 x5 + 7 x6 MIN= 6(0) +6(4000)+7(2666.666748) MIN= $42666.67
226
Observamos que en un intento por maximizar las ganancias, el costo de las importaciones aumenta de su valor mnimo de $39800 a $42666.67 D. Si la respuesta de las variables de decisin obtenidas en B) reemplazamos en A) 1) Zmin= 39800 VALUE 1200 4000 0 799.999 0 5000
Es decir en: MAX= 7 x1 + 8 x2 + 5 x3 + 4 x4 + 6 x5 + 2 x6 Max = 7((1200)+8(4000)+5(0)+4(799.999)+6(0)+2(5000) ZMax=$53600 Observamos que en un intento por minimizar el costo de las importaciones, la ganancia disminuye de su valor mximo de $55000 a $53600
9.1
PROGRAMACIN DE METAS
En el ejemplo anterior debemos ver de qu modo tratamos los objetivos en conflicto de maximizar las ganancias, y minimizar el costo de las importaciones. Un planteamiento para manejar el equilibrio de estos objetivos es la programacin de metas, en la cual, para cada objetivo, usted identifica metas y penalizaciones. Definicin de programacin de metas Planteamiento utilizado para resolver un problema de optimizacin de objetivos mltiples como un programa lineal que equilibra los pros y los contras de los objetivos en conflicto.
227
Para aplicar la programacin de metas y llegar a una decisin es bueno identificar lo siguiente: Meta: valor objetivo numrico especfico establecido para un fin en un programa de metas o dicho de otra manera valor objetivo numrico especfico que usted desea que esa meta logre. Penalizacin: valor relativo que se usa para representar insatisfaccin con cada unidad que un objetivo est por debajo de su meta, si el objetivo es maximizar, y por encima de la meta si el objetivo es minimizar.
9.2. IDENTIFICACIN DE LAS METAS Y PENALIZACIONES Las metas son los valores que los tomadores de decisiones, idealmente, desearan lograr para cada objetivo. Por ejemplo, en el problema, el director ejecutivo, sabiendo que la ganancia mxima posible es de $55000, puede elegir este valor como el objetivo que refleja la meta de lograr la ganancia ms alta posible. Sabiendo que el costo mnimo posible de las importaciones, segn el resultado, es de $39800, el director ejecutivo puede escoger este valor o algn otro como la meta. Por ejemplo, el director ejecutivo puede estar igualmente satisfecho si se hace un intento de lograr un costo de importacin de $40000. Esta meta de $40000 puede ser violada si el hacerlo tiene como resultado un aumento significativo de la ganancia. Las penalizaciones, a su vez, reflejan la importancia relativa para los tomadores de decisiones de no cumplir las metas de cada objetivo. Un valor ms alto de una penalidad indica que el cumplir con la meta tiene una mayor prioridad. Al escoger valores especficos para estas penalidades, considere el objetivo de maximizar las ganancias. La meta es de $55 000. Si se alcanza o excede la meta, entonces no hay penalizacin. Sin embargo, si no se logra la meta de ganancia de $55 000, entonces deber haber penalizacin y cuanto ms alejado se encuentre de lograr la meta, ms
228
alta ser la penalizacin total. Las penalizaciones pueden aumentar ya sea de manera lineal o de manera no lineal (trabajaremos con penalizaciones lineales). Para cada objetivo usted debe escoger un solo valor numrico para indicar la penalizacin por unidad (por ejemplo, un dlar en el caso que presentamos anteriormente), por no haber logrado la meta. Las penalizaciones se escogen de modo que reflejen la desventaja relativa entre los objetivos, de acuerdo con la preferencia de los tomadores de decisiones. Si el director ejecutivo siente que es dos veces ms importante lograr el objetivo de $55 000 en la ganancia que el objetivo de $40000 en el costo de las importaciones, entonces usted puede escoger las siguientes penalizaciones: Penalizacin de ganancia = 2 por cada dlar de ganancia que est por debajo de $55 000 Penalizacin de importacin = 1 por cada dlar de importacin que est por encima de $40 000 En general, las penalizaciones no tienen otro significado fsico que el de indicar la importancia relativa de lograr las metas.
9.3
FORMULACIN DE PROGRAMACIN LINEAL PARA UN PROBLEMA DE PROGRAMACIN DE METAS
Una vez identificadas las metas y las penalizaciones para cada uno de los objetivos, se sigue los pasos de identificacin de variables de una sola funcin objetivo y de restricciones.
229
9.4
IDENTIFICACIN DE LAS VARIABLES DE DECISIN
Con el enfoque de programacin de metas, adems de las variables de decisin originales necesitaremos definir dos nuevas variables para cada objetivo: una para representar la cantidad en la cual el objetivo se pasa del objetivo especificado y la otra para representar la cantidad que est por debajo de la meta. En el ejemplo anterior debido a que hay dos objetivos, tambin necesita las siguientes cuatro variables de decisin: P+ = Cantidad de dlares en que excede la ganancia de la meta de $55 000 P - = Cantidad de dlares que faltan para la ganancia meta de $55 000 I+ = Cantidad de dlares en que las importaciones exceden la meta de $40 000 I - = Cantidad de dlares que faltan para que las importaciones alcancen la meta de $ 40 000. El modelo final debe asegurar que solamente una variable de cada par tenga un valor positivo, y que el valor de la otra sea cero
9.5
IDENTIFICACIN DE LA FUNCIN OBJETIVO
En la programacin por metas, el objetivo es minimizar la penalizacin total por no haber logrado las dos metas es decir: Penalizacin total = (penalizacin por no alcanzar la meta de ganancia) + (penalizacin por exceder la meta de importacin) Observe que el director ejecutivo ha asignado una penalizacin del doble por cada dlar que falte para lograr la meta de ganancia que la asignada a cada dlar que se exceda de la meta de importacin. Luego la funcin objetivo para este problema esta definido en funcin de P y I+ Minimizar 2P +1 I+
230
9.6
IDENTIFICACIN DE LAS RESTRICCIONES
Las restricciones anteriores del problema se mantienen igual, excepto que en general incluir la siguiente restriccin de metas para cada objetivo original. (Valor del objetivo) (cantidad por arriba de la meta)+ (cantidad por debajo de la meta) = Meta Luego, el modelo anterior queda de la siguiente manera Minimizar 2P +1 I+
S.a.
Restriccin de demanda
0.5 x1 + 0.45 x2 + 0.6 x3 2400 (tiempo de mquina) x1 + x2 + x 3 5500 (material para soldar)
Restricciones de metas
7 x1 + 8 x2 + 5 x3 + 4 x4 + 6 x5 + 2 x6 P + + p = 55000
6 x4 + 6 x5 + 7 x6 I + + I = 40000 x1 ,x 2 ,x 3 ,x 4 ,x 5 ,x 6 , P + , P , I + , I 0 (restricciones Lgicas)

(Observe que al menos I + o I debe tomar el valor de cero lo mismo para las P) 231
Aplicando el paquete LINDO al modelo min 2Pmenos+Imas subject to 2)x1+x4=2000 3)x2+x5=4000 4)x3+x6=5000 5)0.50x1+0.45x2+0.60x3<=2400 6)x1+x2+x3<=5500 7)7x1+8x2+5x3+4x4+6x5+2x6-Pmas+Pmenos=55000 8)6x4+6x5+7x6-Imas+Imenos=40000 end Se obtiene el siguiente resultado: LP OPTIMUM FOUND AT STEP 5
OBJECTIVE FUNCTION VALUE 1) 1888.889 VALUE 777.777771 333.333344 2000.000000 0.000000 3111.111084 888.888916 0.000000 5000.000000 0.000000 0.000000 REDUCED COST 0.000000 0.000000 0.000000 0.888889 0.000000 0.000000 0.333334 0.000000 2.000000 1.000000
VARIABLE PMENOS IMAS X1 X4 X2 X5 X3 X6 PMAS IMENOS
232
ROW SLACK OR SURPLUS DUAL PRICES 2) 0.000000 2.888889 3) 0.000000 6.000000 4) 0.000000 -3.000000 5) 0.000000 22.222221 6) 388.888885 0.000000 7) 0.000000 -2.000000 8) 0.000000 1.000000 NO. ITERATIONS= 5
RANGES IN WHICH THE BASIS IS UNCHANGED: OBJ COEFFICIENT RANGES VARIABLE PMENOS IMAS X1 X4 X2 X5 X3 X6 PMAS IMENOS ROW 2 3 4 5 6 7 8 CURRENT COEF 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 CURRENT RHS 2000.000000 4000.000000 5000.000000 2400.000000 5500.000000 55000.000000 40000.000000 2.000000 ALLOWABLE 1.000001 1.333334 0.888889 INFINITY 0.250000 0.800000 INFINITY 0.333333 INFINITY INFINITY ALLOWABLE 162.790695 129.629623 388.888885 25.000002 INFINITY INFINITY 333.333344 ALLOWABLE INCREASE DECREASE 1.142857 0.333333 INFINITY 0.888889 0.800000 0.250000 0.333333 INFINITY 2.000000 1.000000 ALLOWABLE
RIGHTHAND SIDE RANGES INCREASE DECREASE 50.000004 55.555557 47.619049 1399.999878 388.888885 777.777771 INFINITY
233
Observamos que nuestro plan de produccin es: Producir 2000 pies del tubo tipo A y 3111.11 pies del tubo tipo B
Y nuestro plan de compra es: Importar 888.9 pies del tubo Tipo B y de 5000 pies del tubo tipo C
En trminos de las metas observamos que: i) P-: el valor de 777.78 para (PMenos) nos indica que la meta de ganancia de $55000 no se cumple por $777.78. En otras palabras, el plan de produccinimportacin anterior tiene una ganancia de $(55000-777.78)=$54222.22 ii)
I + : el valor de 333.3333 para (IMs) nos indica que la meta de importacin de

$40 000 se excede en $333.3333. En otras palabras el plan de produccinimportacin anterior tiene un costo de $(40000+333.3333)=$40333.33333
Observaciones: i) ii) Los objetivos mltiples, a menud o, entran en conflicto entre s. S olo se puede optimizar un objetivo a expensas de los otros. No podemos esperar lograr los mejores valores p objetivos de manera simultnea. ara todos los
Serie de problemas 10 1. Presentar 5 ejemplos de programacin por objetivos con sus respectivos anlisis.
234
10.
PROGRAMACIN ENTERA
Definicin. Un problema de programacin lineal entera (PPLE) es aquel que representa el siguiente formato:
n
Max c j x j
j =1
s.a.
a x
j =1 ij
bi i = 1, 2,
x j entero 0
Asimismo, definimos su equivalente continuo como:
n
Max c j x j
j =1
s.a.
a x
j =1 ij
bi i = 1, 2,
xj 0
Un problema de programacin lineal entera y su equivalente continuo tiene la misma estructura solo los diferencia el hecho de que en el segundo las variables pueden asumir valores reales.
10.1. CMO RESOLVER UN PROBLEMA DE PROGRAMACIN LINEAL ENTERA? Dado un PPLE primeramente resolvemos su equivalente continuo, si la solucin obtenida es entera, entonces esta solucin ser tambin la solucin ptima del PPLE. Si por el contrario, la solucin ptima del equivalente continuo tiene por lo menos una variable cuyo valor no es entero, entonces debemos utilizar Tcnicas de Programacin Entera. 235
10.2. INTERPRETACIN GRFICA DEL ESPACIO DE SOLUCIONES DE UN PPLE Consideremos el siguiente PPLE
Maxz = 4 x + 5 y s.a. x+ y 8 2 x + y 10 x, y, enteros 0
24
18
12
Payoff: 6
4 x+
5 y=
40
: 0 : 0 1x+
2x+ 1y=
1y= 8 10
10
20 8)
30
40
50
60
Optimal Decisions(x,y): ( 0, : 1x + 1y <= 8 : 2x + 1y <= 10
236
Observaciones 1. 2. 3. El espacio de soluciones factibles de un PPLE est formado por puntos aislados. El espacio de soluciones factibles de un PPLE no es conjunto convexo. Ya no se puede hablar de puntos extremos. En el ejemplo presentado la solucin ptima del equivalente continuo es (x,y)=(0,8)
4.
24
18
12
Payoff: 6
4 x+
5 y=
40
: 0 : 0 1x+
2x+ 1y=
1y= 8 10
10
20 8)
30
40
50
60
Optimal Decisions(x,y): ( 0, : 1x + 1y <= 8 : 2x + 1y <= 10
Como esta solucin es entera ser tambin solucin del PPLE.
237
10.3. QU DIFICULTADES SE PRESENTA SI SE REDONDEA LA SOLUCIN DE UN PPLE? Si al resolver el equivalente continuo de un PPLE, la solucin no resulta entera y optamos por redondear dicha solucin se pueden presentar las siguientes dificultades a) La solucin redondeada es no factible Consideremos el siguiente PPLE
Maxz = x + y s.a. 2x + y 6 x + 2y 4 x, y, enteros 0

Resolviendo el equivalente continuo por el mtodo grfico:
Maxz = x + y s.a. 2x + y 6 x + 2y 4 x, y 0
12
Payoff: 1.00 x + 1.00 y = 3.33
: 1.00 x + 2.00 y = 4.00 0 : 2.00 x + 1.00 y = 6.00 0 Optimal Decisions(x,y): (2.67, 0.67) : 2.00x + 1.00y <= 6.00 : 1.00x + 2.00y <= 4.00 10 20 30
238
Solucin ptima del equivalente continuo:
x=
8 2.67 3 Solucin redondeada: x = 3 2 y = 0.67 3
y =1
Vemos que la solucin redondeada no cumple las restricciones! Por lo que decimos que es no factible. Observe por ejemplo: 2 x + y 6 2(3) + 1 6 como vemos no cumple la restriccin. b) La solucin redondeada cumple las restricciones pero no es ptima Consideremos el siguiente PPLE
Maxz = 5 x + 4 y s.a. x+ y 5 10 x + 6 y 45 x, y, enteros 0

Resolviendo el equivalente continuo por el mtodo grfico:
Maxz = 5 x + 4 y s.a. x+ y 5 10 x + 6 y 45 x, y 0
18
12
Payoff: 5.00 x + 4.00 y = 23.75
: 10.00 x + 6.00 y = 45.00 0 : 1.00 x + 1.00 y = 5.00 0 10 20 30 40
Optimal Decisions(x,y): (3.75, 1.25) : 1.00x + 1.00y <= 5.00 : 10.00x + 6.00y <= 45.00
Solucin ptima del equivalente continuo es x = 3.75 y=1.25 con Z= 23.75 239
Redondeando: Asumamos que redondeamos: x = 3 y=1 , es decir, en el punto (3,1) Observamos que: Z = 5 x + 4 y Z = 5(3) + 4(1) = 19 es factible, pero no es ptimo pues (3,2) es una mejor solucin, es decir: Z = 5 x + 4 y Z = 5(3) + 4(2) = 23 y es ptimo. Veamos su grfico por PPLE.
18
12
Payoff: 5.00 x + 4.00 y = 23.00
: 10.00 x + 6.00 y = 45.00 0 : 1.00 x + 1.00 y = 5.00 0 10 20 30 40
Optimal Decisions(x,y): (3.00, 2.00) : 1.00x + 1.00y <= 5.00 : 10.00x + 6.00y <= 45.00
240
10.4 Resolucin de un PPLE por el mtodo grfico
Min 24000 x + 20000 y s.a 40 x + 30 y 400 2 x y 15 x 10 y5 x, y enteros 0
30
24
18
12
Payoff: 24000 x + 20000 y = 248000
: 6 : 0 : 2x1x+
0x+ 0y= 15
1y= 10
1y=
: 40 x + 0
30 y = 400 10 4)
20
30
40
50
60
Optimal Decisions(x,y): ( 7, : 40x + 30y >= 400 : 2x - 1y <= 15 : 1x + 0y <= 10 : 0x + 1y <= 5
El espacio de soluciones factibles del PPLE es: F= {(7,5),(8,5),(9,5),(10,5),(7,4),(8,4),(9,4),(8,3),(9,3)} si reemplazamos cada punto en la funcin objetivo veremos que el punto que minimiza la funcin objetivo es el punto (7,4) con funcin objetivo mnimo igual a 248 000
241
10.5. LA TCNICA DE RAMIFICACIN Y ACOTAMIENTO Esta tcnica consiste en insertar restricciones en el problema original (acotamiento) y resolviendo por el mtodo Simplex vamos obteniendo soluciones ptimas con los cuales se va construir un rbol de decisin (ramificacin) siguiendo luego en la direccin del rbol con el mejor valor ptimo encontrado hasta el momento. 10.5.1. Procedimiento 1. Resolvemos el equivalente continuo del PPLE, esto puede dar lugar a las siguientes posibilidades: a. Si la solucin ptima obtenida es entera, entonces fin del proceso, sta ser la solucin del PPLE. b. En caso contrario tomamos una de las variables cuyo valor no es entero y generamos dos restricciones. Por ejemplo: suponga que: x = r
[ r ]
[ r] +1
Podemos observar que se generan dos ramificaciones es decir:
x [ r ] ; x [ r ] + 1
2. Resolvemos el equivalente continuo insertando una de las restricciones, por ejemplo:
x [ r ] y ubicamos el resultado en una de las
ramificaciones. Luego resolvemos el equivalente continuo considerando solo la segunda restriccin: x [ r ] + 1 y ubicamos el resultado en la otra ramificacin.
242
3.
Si alguna solucin obtenida es entera y no existe ramificacin con algn valor ptimo mejor, entonces fin de proceso en caso contrario continuamos con el paso 1 en la ramificacin que tenga el mejor valor ptimo hasta el momento.
Ejercicios 1. Max. 3X1 + 4X2 s.a. 2X1 + 8X1 + 3X2 <= 18 7X2 <= 56 X1 , X2 enteros >= 0 Solucin Resolviendo el equivalente contino Max. 3X1 + 4X2 s.a. 2X1 + 8X1 + X1 X2 0 9 6 0 (0,6) (9,0) 3X2 <= 18 7X2 <= 56
L1: 2X1 + 3X2 = 18
L1: 2X1 + 3X2 = 18
L2: 8X1 + 7X2 = 56
L2: 8X1 + 7X2 = 56 X1 X2 0 7 8 0 (0,8) (7,0)
243
30
24
18
12
Payoff: 3.0 X1 + 4.0 X2 = 25.4 : 8.0 X1 + 7.0 X2 = 56.0
: 2.0 X1 + 3.0 X2 = 18.0 0 10
20
30
40
50
60
70
Optimal Decisions(X1,X2): ( 4.2, 3.2) : 2.0X1 + 3.0X2 <= 18.0 : 8.0X1 + 7.0X2 <= 56.0
244
L1 L2 2X1 + 3X2 = 18 (4) 8X1 + 7X2 = 56 8X1 + 12X2= 72 (-) 8X1 + 7X2 = 56 5X2 = 16 X2 = 3.2
2X1 + 3X2 <= 18 8X1 + 7X2 <= 56 X2 = 3 , X1 = 4.5 X2 = 3 , X1 = 4.375
2X1 + 3(3.2) = 18 2X1 + 9.6 = 18 2X1 = 8.4 X1 = 4.2
X2 <= [| 3.33 |]
2X1 + 3X2 <= 18 8X1 + 7X2 <= 56 X1 = 4 , X2 = 3.333 X1 = 4 , X2 = 3.428
Z= 25.13 X1 = 4.38 X2 = 3
Z= 25.33 X1 = 4 X2 = 3.23 X1 <= [| 4.2 |]
Z= 25.4 X1 = 4.2 X2 = 3.2
X2 >= [| 3.33 |] + 1
Z= 25 X1 = 3 X2 = 4
2X1 + 3X2 <= 18 8X1 + 7X2 <= 56
X2 = 4 , X1 = 3 X2 = 4 , X1 = 3.5
X1 >= [| 4.2 |] + 1 Z= 24.144 X1 = 5 X2 = 2.28

2X1 + 3X2 <= 18 8X1 + 7X2 <= 56
No tiene sentido
X1 = 5 , X2 = 2.667 X1 = 5 , X2 = 2.285
Respuesta: X1 = 3 X2 = 4 Z ptimo = 25
245
Observaciones 1) 2) A medida que aumentamos de nivel el valor de la funcin objetivo no mejorar. En el problema que se ha tenido que resolver, la solucin entera es la siguiente:
max 3x1 + 4 x2 s.a. 2x1 +3x 2 18 8x1 +7x 2 56 x1 4 x2 4 x1 ,x 2 0
Serie de problemas 10 Resolver por ramificacin y acotamiento
1) MaxZ = 5 x1 + 4 x2 s.a.
x1 + x2 5 10 x1 + 6 x2 45 x1 , x2 , entero 0
2) MaxZ = 3 x1 + 2 x2 s.a.
2 x1 + 2 x2 9 3x1 + 3x2 18 x1 , x2 , entero 0
246
3) MaxZ = x1 + x2 s.a.
2 x1 + 5 x2 16 6 x1 + 5 x2 27 x1 , x2 , entero 0
4) MinZ = 5 x1 + 4 x2 s.a.
3x1 + 2 x2 5 2 x1 + 3x2 7 x1 , x2 , entero 0

5) MinZ = 24000 x1 + 20000 x2 s.a.
40 x1 + 30 x2 400 2 x1 x2 15 x1 10 x2 5 x1 , x2 , entero 0
247
Bibliografa
HILLER, Frederick-LIEBERMAN, Gerald Introduccin a la Investigacin Operativa. McGraw-Hill, Mxico, 1991. BAZARAA, Mokhtar-JARVIS, John Programacin lineal y flujo de redes. Limusa-Mxico. PRAWDA WITENBERG, Juan Mtodos y Modelos de Investigacin de Operaciones. Vol. I Limusa-Mxico TAHA, Hamdy Investigacin de Operaciones. Una Introduccin. Representaciones y Servicios de Ingeniera S.A. Mxico. EPEN-GOULD-SCHMIDT Investigacin de Operaciones en la Ciencia Administrativa. Prentice- Hall Hispanoamrica, S.A. DANTZIG, George B. Linear Programming and Extension. Princeton University Press SASIENI, YASPAN and FRIEDMAN Operations Research. J. Wesles & Sons Inc.
248
MOSKOWITZ, Herbert, Investigacin de Operaciones. Espaa, Edit Prentice-Hall BUFFA y DYER Ciencias de la Administracin e Investigacin de Operaciones. Limusa. TURBAN, Meredith, Fundamentals of Management Science. Irwin, 5th. Edition - 1999 KAMLESH, Mathur y Daniel SOLOW Investigacin de operaciones. El arte de la toma de decisiones.
249

INVES

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

INVES

Caricato da

Copyright:

Formati disponibili

FACULTAD DE INGENIERAS Y ARQUITECTURAS

Escuela Profesional de Ingeniera Industrial

Lic. Hctor F. Cerna Maguia

Escuela Profesional de Ingeniera Industrial

1. Presentacin de la Gua didctica

Escuela Profesional de Ingeniera Industrial

2. Presentacin del docente

Escuela Profesional de Ingeniera Industrial

Escuela Profesional de Ingeniera Industrial

Escuela Profesional de Ingeniera Industrial

Con relacin al plan de estudios Haber aprobado la asignatura de Inferencia Estadstica.

Escuela Profesional de Ingeniera Industrial

Ruta Web del Campus Virtual: http://dued.up.edu.pe

Escuela Profesional de Ingeniera Industrial

Escuela Profesional de Ingeniera Industrial

Curso : XXXXXXXXXXXXX 0201-02XXX XXXXXXXXXXXX Docente: XXXXXXXXXXXXXXXXXXXXX

Slabo del curso Gua del curso Unidades didcticas

En esta seccin usted contar con:

Presentacin del docente

Es la presentacin que el docente hace de su asignatura.

Escuela Profesional de Ingeniera Industrial

En la parte inferior de cada aula virtual ver:

Tiene un cuadro con los nombres de todas las autoridades de su Facultad.

Para que usted pueda realizar sus pedidos.

Escuela Profesional de Ingeniera Industrial

Con todos los programas que usted deber trabajar:

A continuacin le mostramos los contenidos distribuidos por semana de estudio.

Escuela Profesional de Ingeniera Industrial

Comprende la importancia II del algoritmo Simplex en la solucin de problemas de programacin lineal

III Unidad didctica APLICACIONES ESPECIALES DE LA PROGRAMACIN LINEAL Objetivo general

Escuela Profesional de Ingeniera Industrial

Comprende y explica los conceptos bsicos de la programacin lineal entera.

Escuela Profesional de Ingeniera Industrial

Exmenes Examen parcial Examen final Examen sustitutorio

Semana de estudios Cuarta Octava Dieciocho

La nota mnima aprobatoria de todos los exmenes es de once (11).

Escuela Profesional de Ingeniera Industrial

11. Orientaciones para el estudio de la asignatura

Tiempo sugerido de estudio 30 horas

Escuela Profesional de Ingeniera Industrial

12. Orientaciones para las tutoras

Escuela Profesional de Ingeniera Industrial

I Unidad didctica Investigacin Operativa I

Primera unidad didctica

INTRODUCCIN A LA INVESTIGACIN DE OPERACIONES Y FUNDAMENTOS DE LA PROGRAMACIN LINEAL

1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8

Escuela Profesional de Ingeniera Industrial

Define y comprende los fundamentos de la programacin lineal

Conoce y comprende la importancia de modelar problemas aplicados a diferentes reas de la ciencia.

Primera unidad didctica

Escuela Profesional de Ingeniera Industrial

Introduccin a la investigacin de operaciones (IO)

Primera unidad didctica

Los recursos son escasos

Los sistemas son cada vez ms complejos

Cada vez es ms difcil asignar los recursos o actividades, de la forma ms eficaz

Escuela Profesional de Ingeniera Industrial

Primera unidad didctica

Sociedad Espaola de Estadstica e Investigaciones Operativas (SEIO) www.cica.es/aliens/seio.

Association of European O.R. Societies (EURO) www.ulb.ac.be/euro/euro_welcome.html.

Escuela Profesional de Ingeniera Industrial

Primera unidad didctica

Decisiones bajo condicin de certeza

Decisiones bajo condicin de incertidumbre