Lineal

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BASICAS TECNOLOGIA E INGENIERIA

CONTENIDO DIDCTICO DEL CUSO: 100404 PROGRAMACION LINEAL

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA
PROGRAMA DE CIENCIAS BASICAS

AUTOR DEL MATERIAL
GLORIA LUCIA GUZMAN ARAGON

100404 PROGRAMACION LINEAL
EDGAR MAURICIO ALBA VALCARCEL
(Director Nacional)

LUIS GERMANA HUERFANO
Acreditador

SOGAMOSO
Junio de 2010


ASPECTOS DE PROPIEDAD INTELECTUAL Y VERSIONAMIENTO

El presente mdulo fue diseado en el ao 2004 por La Esp. Gloria lucia Guzmn
Aragn, docente de la UNAD, y ubicado inicialmente en el CEAD de Neiva, ella es
Licenciada en Matemticas y Fsica, Especialista en matemticas Avanzadas,
Especialista en Docencia Universitaria, Magister en Direccin y Gestin de
Recursos Humanos, Maestrante en educacin con especialidad en ONLINE, se ha
desempeado como docente de la UNAD desde el 2004 y como tutor desde 1984
hasta la fecha, adems ha sido catedrtico de diversas Universidades de
Cundinamarca y del Huila, ha desempeado cargos de docencia administrativa
como Rectora de varios colegios, Coordinadora Acadmica, Asesora pedaggica y
en la actualidad es investigadora principal de los grupos Delta 515 y generacin
21.
El presente mdulo ha tenido cinco actualizaciones, desarrolladas por la
docente Gloria Guzmn en los aos 2006, 2007, 2008 y 2009 con los aportes de la
red de tutores que ella dirige y en 2010 por Edgar Mauricio Alba V. tutor del Cead
Sogamoso y en equipo con el grupo de tutores del curso.
Este documento se puede copiar, distribuir y comunicar pblicamente bajo las
condiciones siguientes:
Reconocimiento. Debe reconocer los crditos de la obra de la manera
especificada por el autor o el licenciador (pero no de una manera que
sugiera que tiene su apoyo o apoyan el uso que hace de su obra).
No comercial. No puede utilizar esta obra para fines comerciales.
Sin obras derivadas. No se puede alterar, transformar o generar una obra
derivada a partir de esta obra.
Al reutilizar o distribuir la obra, tiene que dejar bien claro los trminos de la
licencia de esta obra.
Alguna de estas condiciones puede no aplicarse si se obtiene el permiso del
titular de los derechos de autor
Nada en esta menoscaba o restringe los derechos morales del autor.


INDICE DE CONTENIDOS

INTRODUCCIN
JUSTIFICACIN
INTENSIONALIDADES FORMATIVAS
a. PROPOSITOS
OBJETIVOS
Objetivo general
Objetivos especficos:
b. METAS
c. COMPETENCIAS
UNIDAD 1
INTRODUCCIN A LA PROGRAMACIN LINEAL
CAPITULO 1
LA INVESTIGACION DE OPERACIONES
Introduccin
Leccin 1 Antecedentes y origen de la I.O
Leccin 2 Qu es la Investigacin de operaciones?
Leccin 3 Metodologa de la I.O.
Leccin 4 Componentes de investigacin de Operaciones

CAPITULO 2
CONJUNTOS CONCAVOS Y CONVEXOS
Introduccin
Leccin 5 Concepto de conjunto convexo
Leccin 6 Propiedades de los conjuntos convexos


Leccin 7 Ejercicios de aplicacin
Leccin 8 Funciones cncavas convexas

CAPITULO 3.
CONCEPTUALIZACION DE LA PROGRAMACION LINEAL
Introduccin
Leccin 9 Concepto
Leccin 10 Formulacin del problema de programacin lineal
Leccin 11 Modelo general de programacin lineal
Leccin 12 Otras formas de modelos de P.L.
Leccion 13 Terminologa y conceptos basicos

UNIDAD 2
METODOS DE SOLUCION
CAPITULO 1
METODO GRAFICO
Leccin 14 Introduccin mtodo Grafico
Leccin 15 Definicin
Leccin 16 Concepto general del Mtodo Grafico
Leccin 17 Pasos para solucin mediante el mtodo grafico
Leccion 18 Ejemplos

CAPITULO 2
METODO ALGEBRAICO
Introduccin
Leccin 19 Pasos para utilizar un mtodo Algebraico
Leccin 20 Ejemplos desarrollados
Leccin 21 Taller

CAPITULO 3
METODO SIMPLEX
Introduccin
Leccin 22 Pasos para desarrollar el mtodo Simplex


Leccin 23 Dualidad
Leccin 24 Comparacin entre el mtodo simplex y dual simplex
Leccin 25 Anlisis de sensibilidad
Leccin 26 Taller del mtodo Simplex
Leccin 27 Taller Dualidad
Leccin 28 Degeneracin
Leccin 29 Problemas de programacin lineal con variables acotadas
Leccin 30 Algoritmo de descomposicin
Leccin 31 La Programacin Lineal basada en los computa


INTRODUCCIN

El curso de Programacin Lineal Componente de Formacin Disciplinar y tiene
carcter bsico en los programas de Ingeniera que oferta la UNAD, adems es de
tipo terico. Tiene como objetivo Formular, obtener y analizar soluciones a
problemas de programacin lineal, como apoyo a la industria y la ingeniera,
optimizando los recursos disponibles y facilitando la toma de decisiones.
El curso tiene 2 crditos acadmicos los cuales comprenden el estudio
independiente y el acompaamiento tutorial, con el propsito de:

Comprender los elementos tericos que sustentan la programacin lineal.
Identificar y utilizar los mtodos de programacin lineal para la solucin de
problemas.
Identificar y manejar los algoritmos utilizados en la optimizacin de
funciones lineales sujetas a restriccin de tipo general.
Identificar diferencias entre la formulacin de modelos y tcnicas de
solucin.

Este curso est compuesto por dos Unidades didcticas a saber:
Unidad 1. Introduccin a la Programacin Lineal donde se pretende que el
estudiante valore la importancia que tiene la investigacin de operaciones en
proporcionar herramientas para la construccin de modelos matemticos en
particular los de programacin lineal, adems de la conceptualizacin y las
diferentes formas de presentacin de un problema de programacin lineal.
Unidad 2. Mtodos de Solucin se plantean los diferentes mtodos empleados
para solucionar problemas a nivel grfico, algebraico, simplex, con los que se
pretende que el estudiante posea herramientas para que busque la solucin


ptima a problemas simples y complejos que se le puedan presentar tanto en la
cotidianidad como en el ejercicio de su vida profesional y/o laboral.

El curso es de carcter terico y la metodologa a seguir ser bajo la estrategia de
educacin a distancia. Por tal razn es importante planificar el proceso de:
Estudio independiente: Se desarrolla a travs del trabajo personal y del
trabajo en pequeos grupos colaborativos de aprendizaje.
Acompaamiento tutorial: Corresponde al acompaamiento que el tutor
realiza al estudiante para potenciar el aprendizaje y la formacin.

El Sistema de evaluacin del curso es a travs de la evaluacin formativa, que
constituye diferentes formas de comprobar el avance en el auto aprendizaje del
curso.
En este sentido se realizarn tres tipos de evaluacin alternativas y
complementarias, estas son:
Autoevaluacin: evaluacin que realiza el estudiante para valorar su
propio proceso de aprendizaje.
Coevaluacin: Se realiza a travs de los grupos colaborativos, y pretende
la socializacin de los resultados del trabajo personal.
Heteroevaluacin: Es la valoracin que realiza el tutor.

El sistema de interactividades vincula a lo9s actores del proceso mediante
diversas actividades de aprendizaje que orientan el trabajo de los estudiantes
hacia el logro de los objetivos que se pretenden, de la siguiente manera:
Tutor-estudiante: a trasvs del acompaamiento individual
Estudiante-estudiante: mediante la participacin activa en los grupos
colaborativos de aprendizaje.
Estudiantes-Tutor: a travs del acompaamiento a los pequeos grupos
colaborativos de aprendizaje.
Tutor-Estudiantes: mediante el acompaamiento en el grupo de curso.
Estudiantes-Estudiantes: en los procesos de socializacin que se realizan
en el grupo de curso.

Para el desarrollo del curso es importante el papel que juega los recursos
tecnolgicos como medio activo e interactivo, buscando la interlocucin durante
todo el proceso de dilogo docente-estudiante


Los materiales impresos en papel, se han convertido en el principal soporte
para favorecer los procesos de aprendizaje autodirigido.
Sitios Web: propician el acercamiento al conocimiento, la interaccin y la
produccin de nuevas dinmicas educativas.
Sistemas de interactividades sincrnicas: permite la comunicacin a travs
de encuentros presenciales directos o de encuentros mediados ( Chat,
audio conferencias, videoconferencias, tutoras telefnicas)
Sistemas de interactividades diferidas: permite la comunicacin en forma
diferida favoreciendo la disposicin del tiempo del estudiante para su
proceso de aprendizaje, mediante la utilizacin de correo electrnico, foros
grupos de discusin, entre otros.

El acceso a documentos adquiere una dimensin de suma importancia en tanto la
informacin sobre el tema exige conocimientos y planteamientos preliminares, por
tal razn es imprescindible el recurso a diversas fuentes documentales y el
acceso a diversos medios como son: bibliotecas electrnicas, hemerotecas
digitales o impresas, sitios Web especializados.
En la medida en que usted adquiera el rol de estudiante, interiorice y aplique los
puntos abordados anteriormente, podr obtener los logros propuestos en este
curso, as como un aprestamiento en los enfoques y mtodos de la programacin
lineal, mediante la estrategia de la educacin a distancia.


JUSTIFICACIN

No es del todo fcil definir qu es la investigacin de operaciones. Existen
diversas definiciones en textos, pero se podra decir que la investigacin de
operaciones es un enfoque cientfico interdisciplinario para la solucin de
problemas, que envuelve la interaccin compleja, dinmica y sujetiva de hombres,
mtodos y sistemas, a los cuales, en algunos casos no se les puede proporcionar
una solucin exacta por medio de los procedimientos matemticos o por medio de
tcnicas de ensayo y error. Utilizando modelos matemticos como un recurso
primario, la metodologa de la investigacin de operaciones est diseada para
cuantificar y acotar estos problemas dentro de un marco de restricciones
especficas, medidas, objetivos y variables, de tal forma que se busquen controles
ptimos de operacin, decisiones, niveles y soluciones.
La programacin matemtica es quizs el rea ms desarrollada de la
investigacin de operaciones. Cubre tpicos tales como: Programacin lineal,
programacin de redes y programacin entera, adems de otras variantes de
mtodos de programacin tales como programacin de metas, en este curso nos
ocuparemos de la programacin lineal y sus diversos mtodos y tcnicas de
solucin para una adecuada toma de decisin.
Un modelo de programacin lineal proporciona un mtodo eficiente para
determinar una decisin ptima, (o una estrategia ptima o un plan ptimo)
escogida de un gran nmero de decisiones posibles. La decisin ptima es la que
Satisface un objetivo de administracin, sujeto a varias restricciones.
Las competencias que promueve el curso y que son necesarias son:
COGNITIVA: Capacidad de apropiarse de un conjunto de conocimientos a travs
del desarrollo, monitoreo y aplicacin de procesos de pensamiento.
COMUNICATIVA: Capacidad de comprender, expresar mensajes y de desarrollar
procesos argumentativos, apoyados por la asertividad en las relaciones
interpersonales.
CONTEXTUAL: Capacidad de ubicar el conocimiento en el contexto cientfico,
poltico, cultural, tecnolgico, social y en el plano nacional e internacional, as


como la disposicin y capacidad para aplicarlo en procesos de transformacin que
inciden en la calidad de vida de la poblacin.

VALORATIVA: Capacidad de apropiarse de valores como el respeto a la vida. La
dignidad humana, la convivencia la solidaridad, la tolerancia y la libertad que
orientan las acciones del individuo como persona, como ser social y como
profesional.
Para el logro de estas competencias, es necesario que se planifique de manera
responsable el proceso de auto estudio por parte del estudiante si se quieren
lograr resultados positivos en el aprendizaje de los conceptos incluidos en el
curso, este proceso se puede planificar de la siguiente manera:
Auto estudio: Estudio individual del material sugerido y consulta de otras
fuentes ( documentales, consulta en biblioteca, Internet, bibliografa
recomendada, consulta a bases de datos documentales, entre otros)
Trabajo en grupo: Creacin de grupos de estudio o discusin con el
propsi8to de preparar consultas estructuradas al docente tutor.
Consultas al tutor de las inquietudes surgidas en el punto anterior.
Retroalimentacin: Una vez el tutor haya resuelto las inquietudes, estudia
nuevamente el tema, teniendo en cuenta las sugerencias o respuestas
dadas por el tutor.
Procesos de evaluacin: Una vez se halla realizado el proceso de
retroalimentacin, desarrolle los diferentes momentos de evaluacin
propuesta para el curso como son la auto evaluacin, la coevaluacin y la
heteroevaluacin.

De esta manera se pretende alcanzar los objetivos propuestos del curso y de la
programacin lineal en la solucin de problemas de aplicacin.


INTENSIONALIDADES FORMATIVAS

PROPOSITOS

Construir modelos de programacin lineal que permita describir una
situacin dada en forma apropiada y as manipular los datos en forma
ordenada y eficiente.
Apropiarse de los diferentes mtodos y tcnicas para resolver problemas de
programacin lineal.
Operar las soluciones planteadas a travs de los diferentes mtodos y tener
en cuenta las condiciones variables, es decir realizar el anlisis de
sensibilidad correspondiente.
Permitir que los estudiantes resuelvan problemas del campo de la ci encia,
la tecnologa e ingeniera, con los conocimientos interiorizados del curso
acadmico en mencin.
Fomentar en el estudiante caractersticas que deben identificarlo en su
desempeo y actuacin profesional de la Ingeniera.

OBJETIVO GENERAL

Formular, obtener y analizar soluciones a problemas de programacin lineal, como
apoyo a la industria y la ingeniera, optimizando los recursos disponibles y
facilitando la toma de decisiones.
OBJETIVOS ESPECFICOS:
Comprender los elementos tericos que sustentan la programacin lineal.
Identificar y utilizar los mtodos de programacin lineal para la solucin de
problemas.
Identificar y manejar los algoritmos utilizados en la optimizacin de
funciones lineales sujetas a restriccin de tipo general.
Identificar diferencias entre la formulacin de modelos y tcnicas de
solucin.


METAS

Al terminar el curso de programacin lineal, el estudiante:
Identificar conceptos fundamentales de la programacin lineal
Reconocer los diversos mtodos y tcnicas para solucionar problemas de
programacin lineal.
Valorar la importancia que tiene la programacin lineal en situaciones
organizacionales para las empresas en el mundo moderno.
Plantear y resolver problemas en diferentes campos del saber, haciendo
un proceso de abstraccin de escenarios conocidos a escenarios
desconocidos de las temticas estudiadas.

COMPETENCIAS

El estudiante comprende e interpreta adecuadamente los conceptos de
programacin lineal, como funcin objetivo, restricciones, variables,
optimalidad, sensibilidad.
El estudiante identifica y maneja los diferentes mtodos y tcnicas para
solucionar problemas que involucran la programacin lineal.
El estudiante aprende a compartir los conocimientos adquiridos con sus
compaeros, con su tutor y en general con la comunidad educativa.
El estudiante adquiere destreza en el manejo de las TIC, en su formacin
acadmica, por medio del uso de medios y mediaciones que la UNAD le
ofrece.


UNIDAD UNO
INTRODUCCIN A LA PROGRAMACIN LINEAL


CAPITULO 1
LA INVESTIGACION DE OPERACIONES

INTRODUCCION
LECCION 1 ANTECEDENTES Y ORIGEN DE LA I.O.
LECCION 2 QUE ES LA INVESTIGACION DE OPERACIONES?
LECCION 3 METODOLOGA DE LA I.O.
LECCION 4 COMPONENTES DE LA I.O.

INTRODUCCION
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 creo nuevos problemas que ocurren 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 determinar la mejor solucin (optima) para
un problema de decisin con la restriccin de recursos limitados.
En la Investigacin de Operaciones utilizaremos herramientas que nos permiten
tomar una decisin a la hora de resolver un problema, tal es el caso de los
modelos de Investigacin de Operaciones que se emplean segn sea la
necesidad.
Actualmente la investigacin de operaciones a incursionado en la administracin
con muy buenos resultados en este campo pues el ambiente de negocios al que
se est sometido y los mltiples cambios que ellos generan, los ciclos de vida de
los productos se hacen ms cortos, la abrumadora y acelerada era de la nueva
tecnologa y la internacionalizacin creciente, son razones suficientes para
desarrollar modelos que optimicen los resultados en estos campos del saber


LECCION 1 ANTECEDENTES Y ORIGEN DE LA INVESTIGACION DE
OPERACIONES
La investigacin de operaciones se origino en la segunda guerra mundial como
una necesidad de dar solucin a los problemas de carcter militar, los primeros
interesados en estos aspectos fueron los britnicos y los americanos quienes
asignaron esta tarea a un grupos de fsicos, matemticos, bilogos, estadsticos,
psiclogos entre otros para emplear el mtodo cientfico en la solucin de
problemas estratgicos y tcticos.
Despus de la guerra atrajo la atencin de la industria que buscaba soluciones a
problemas de complejidad y especializacin ascendente en las organizaciones.
Los primeros esfuerzos se dedicaron a desarrollar modelos apropiados y
procedimientos correspondientes para solucionar problemas que surgan en reas
tales como: la programacin de refineras de petrleo, la distribucin de productos,
la planeacin de productos, el estudio de mercados y la planeacin de inversiones.
Un factor importante de la implantacin de la Investigacin de Operaciones en
este periodo es el mejoramiento de las tcnicas disponibles en esta rea. Muchos
de los cientficos que participaron en la guerra, se encontraron a buscar resultados
sustanciales en este campo; un ejemplo sobresaliente es el mtodo Simplex para
resolucin de problemas de Programacin Lineal, desarrollado en 1947 por
George Dantzing. Muchas de las herramientas utilizadas en la Investigacin de
Operaciones como la Programacin Lineal, la Programacin Dinmica, Lneas de
Espera y Teora de Inventarios fueron desarrolladas al final de los aos 50.
Un segundo factor importante para el desarrollo de este campo fue el
advenimiento de la revolucin de las computadoras. Para manejar los complejos
problemas relacionados con esta disciplina, generalmente se requiere un gran
nmero de clculos que llevarlos a cabo a mano es casi imposible. Por lo tanto el
desarrollo de la computadora digital, fue una gran ayuda para la Investigacin de
Operaciones.
En la dcada de los 80 con la invencin de computadoras personales cada vez
ms rpidas y acompaadas de buenos paquetes de Software para resolver
problemas de Investigacin de Operaciones esto puso la tcnica al alcance de
muchas personas. Hoy en da se usa toda una gama de computadoras, desde las
computadoras de grandes escalas como las computadoras personales para la
Investigacin de Operaciones.


LECCION 2. QUE ES LA INVESTIGACION DE OPERACIONES
La investigacin de operaciones es la aplicacin, por grupos interdisciplinarios, del
mtodo cientfico a problemas relacionados con el control de las organizaciones o
sistemas, a fin de que se produzcan soluciones que mejor sirvan a los objetivos de
la organizacin.
Algunos aspectos relacionados con la definicin:
Una organizacin es un sistema formado por componentes que se
interaccionan, unas de estas interacciones pueden ser controladas y otras
no.
La complejidad de los problemas que se presentan en las organizaciones
ya no encajan en una sola disciplina del conocimiento, se han convertido en
multidisciplinario por lo cual para su anlisis y solucin se requieren grupos
compuestos por especialistas de diferentes reas del conocimiento que
logran comunicarse con un lenguaje comn.
La investigacin de operaciones es la aplicacin de la metodologa
cientfica a travs de modelos matemticos, primero para representar al
problema y luego para resolverlo.
La investigacin de operaciones se aplica a problemas que se refieren a la
conduccin y coordinacin de operaciones (o actividades) dentro de una
organizacin.
La investigacin de operaciones intenta encontrar una mejor solucin, (llamada
solucin ptima) para el problema bajo consideracin.
Un enfoque de la investigacin de operaciones abarca:
Construir un modelo simblico que por lo general es un modelo matemtico,
pretende extraer los elementos fundamentales de un problema de decisin
que es complejo e incierto de tal manera que pueda optimizar una solucin
viable para la consecucin de los objetivos de acuerdo al analista.
Examinar y analizar las relaciones que determinan las consecuencias de la
decisin realizada y comparar el mtodo relativo de acciones alternas con
los objetivos de quien va a tomar la decisin.
Desarrollar una tcnica de decisin que comprenda teoras matemticas y
que conduzca a la optimizacin de los resultados.


La investigacin de operaciones se aplica tanto a problemas tcticos como
estratgicos de una organizacin. Los primeros tienen que ver con actividades
diarias y los segundos tienen una orientacin y una planeacin organizada
generalmente se apoyan en operaciones de carcter indirecto.
LECCION 3. METODOLOGIA DE LA INVESTIGACION DE OPERACIONES
El uso de mtodos cuantitativos para solucionar problemas, generalmente implica
a mucha gente de toda la organizacin. Los individuos de un equipo de proyectos
proporcionan informacin de sus reas respectivas respecto a diversos aspectos
del problema. El proceso de aplicar mtodos cuantitativos requiere de una
sucesin sistemtica de pasos:

NO

Definicin del
problema
Formulacin de un
modelo matemtico.
Resolucin del
modelo
matemtico.
Solucin
Es vlida la
solucin?
Modelo
modificado
Implementacin


LECCION 4. COMPONENTES DE LA INVESTIGACION DE OPERACIONES

4.1. DEFINICION Y FORMULACION DEL PROBLEMA:

Esto incluye determinar los objetivos apropiados, las restricciones sobre lo que se
puede hacer, las interrelaciones del rea bajo estudio con otras reas de la
organizacin, los diferentes cursos de accin posibles, los lmites de tiempo para
tomar una decisin, etc. Este proceso de definir el problema es crucial ya que
afectar en forma significativa la relevancia de las conclusiones del estudio.

4.2 FORMULACION DE UN MODELO MATEMATICO:
La forma convencional en que la investigacin de operaciones realiza esto es
construyendo un modelo matemtico que represente la esencia del problema.
Un modelo siempre debe ser menos complejo que el problema real, es una
aproximacin abstracta de la realidad con consideraciones y simplificaciones que
hacen ms manejable el problema y permiten evaluar eficientemente las
alternativas de solucin.

4.3 OBTENCION DE UNA SOLUCION APARTIR DEL MODELO
Depende de las caractersticas del modelo. Los procedimientos de solucin
pueden ser clasificados en tres tipos: a) analticos, que utilizan procesos de
deduccin matemtica; b) numricos, que son de carcter inductivo y funcionan en
base a operaciones de prueba y error; c) simulacin, que utiliza mtodos que imitan o,
emulan al sistema real, en base a un modelo.
Resolver un modelo consiste en encontrar los valores de las variables
dependientes, asociadas a las componentes controlables del sistema con el
propsito de optimizar, si es posible, o cuando menos mejorar la eficiencia o la
efectividad del sistema dentro del marco de referencia que fijan los objetivos y las
restricciones del problema.
La seleccin del mtodo de solucin.


4.4 PRUEBA DEL MODELO:
Antes de usar el modelo debe probarse exhaustivamente para intentar identificar y
corregir todas las fallas que se puedan presentar.

4.5 VALIDACION DEL MODELO:
Es importante que todas las expresiones matemticas sean consistentes en las
dimensiones de las unidades que emplean. Adems, puede obtenerse un mejor
conocimiento de la validez del modelo variando los valores de los parmetros de
entrada y/o de las variables de decisin, y comprobando que los resultados de
modelo se comporten de una manera factible.

4.6 ESTABLECIMIENTO DE CONTROLES DE LA SOLUCION:
Esta fase consiste en determinar los rangos de variacin de los parmetros dentro
de los cuales no cambia la solucin del problema.
Es necesario generar informacin adicional sobre el comportamiento de la
solucin debido a cambios en los parmetros del modelo. Usualmente esto se
conoce como ANLISIS DE SENSIBILIDAD.
Esta fase consiste en determinar los rangos de variacin de los parmetros dentro
de los cuales no cambia la solucin del problema.
Es necesario generar informacin adicional sobre el comportamiento de la
solucin debido a cambios en los parmetros del modelo. Usualmente esto se
conoce como ANLISIS DE SENSIBILIDAD.

4.7 IMPLEMENTACION DE LA SOLUCION:
El paso final se inicia con el proceso de "vender" los hallazgos que se hicieron a lo
largo del proceso a los ejecutivos o tomadores de decisiones.


CAPITULO DOS
CONJUNTOS CONVAVOS Y CONVEXOS

INTRODUCCIN
LECCION 5. CONCEPTO DE CONJUNTO CONVEXO
LECCION 6. PROPIEDADES DE LOS CONJUNTOS CONVEXOS
LECCION 7. EJERCICIOS DE APLICACIN
LECCION 8. FUNCIONES CONCAVAS CONVEXAS

. INTRODUCCIN

En el presente captulo podr valorar la importancia que tiene el anlisis de la
convexidad de conjuntos as como los diferentes tipos de convexidad o
concavidad de funciones toda vez que ellos constituyen los instrumentos
fundamentales para el desarrollo de la Teora de la Optimizaci n Matemtica.
En primera instancia abordaremos el concepto de conjuntos convexos, su
definicin y propiedades fundamentales para luego analizar el comportamiento de
las combinaciones lineales convexas.

LECCION 5. CONCEPTO DE CONJUNTO CONVEXO.

Para analizar el concepto de conjunto convexo vamos a plantear el siguiente
ejemplo


.
EJEMPLO.
Consideremos los siguientes CONJUNTOS:

CONJUNTO P

P

CONJUNTO Q

Q

CONJUNTO R


R

CONJUNTO T.

T

Definimos la idea de conjunto convexo como aquel conjunto que contiene
cualquier segmento que une dos puntos del conjunto.
As por ejemplo segn esta idea GRAFICA, el conjunto P

x
P
y

Obsrvese que para cualquier par de puntos (x, y) que estn dentro del conjunto
P, el segmento que une dichos puntos siempre queda dentro del conjunto, en
consecuencia P sera un conjunto convexo.


Consideremos el conjunto Q:

Q
x y

Obsrvese que para cualquier par de puntos (x,y) que estn dentro del conjunto Q,
el segmento que une dichos puntos no queda dentro del conjunto, en
consecuencia Q no sera un conjunto convexo.
Consideremos el conjunto R:

x R

y

En este caso para cualquier par de puntos (x,y) de esta recta R, el segmento que
los une queda dentro del conjunto, en consecuencia R es un conjunto convexo.
Por ltimo sea el conjunto T:


x

T
y

Es claro grficamente que para cualquier par de puntos x, y, el segmento que los
une est totalmente contenido en dicho conjunto.
Consideremos un ltimo ejemplo en el plano, sea el conjunto T

T
(conjunto poligonal delimitado por los puntos (0,0),(5,3),(0,8),(7,4),(6,3),(7,1 )
Se puede ver que existen segmentos, como el indicado en la figura que se sale del
conjunto por lo que este conjunto no sera CONVEXO.

T


EJERCICIOS
Determinar si los siguientes conjuntos son o no convexos, dibujndoles
previamente:
a. Conjunto poligonal determinado por los puntos (0,1),(1,0),(1,3),(0,1)
b. Conjunto poligonal determinado por los puntos (1,1),(2,1),(2,3),(-1,2), (-
1,0),(1,1)

SOLUCION:
a. es convexo

b. no es convexo

Podemos definir conjuntos en el plano de una manera ms compleja:


As por ejemplo si consideramos el conjunto

Qu hacemos para dibujar este conjunto?

Primero dibujamos la curva que delimita el conjunto.
Para delimitar la regin del plano basta considerar un punto que no est en la
curva, por ejemplo (1,2) si ese punto satisface la ecuacin entonces ese es el
recinto a considerar, en nuestro caso como 2 s es mayor o igual que 1. Entonces
el recinto es

Obsrvese que es claramente convexo pues cualquier par de puntos que estn en
S3 el segmento que los une est claramente contenido en S3.


Qu sucedera si no podemos representar grficamente el conjunto, como
sucede con conjuntos de dimensin superior a 3?
En esos casos es necesario dar una definicin analtica de conjunto convexo, para
lo cual efectuamos la siguiente definicin:

CONJUNTO CONVEXO:
Diremos que un subconjunto S R
n
es convexo si para cualquier par de
puntos y para cualquier [0,1] se cumple que est
en S, es decir que si llamamos segmento de extremos por

S es convexo si para cualesquiera ,

Cul es el significado de z= x+(1- )y?
Vamos a verlo en un ejemplo:

EJEMPLO:
Estudiar analticamente si el conjunto anterior

es un conjunto convexo.
Para ello consideremos dos vectores de S
3

(x
1
,y
1
), (x
2
,y
2
),


Habra que comprobar si b(x
1
,y
1
)+(1-b)(x
2
,y
2
) es un vector que pertenece a S
3
para
cualquier valor de b en [0,1]
Es decir tendremos que comprobar si
.bx
1
+(1-b)x
2
, by
1
+(1-b)y
2

Como x
1,
y
1
entonces bx
1,
by
1
(pues b es positivo o cero)
Y como x
2,
y
2
entonces (1-b)x
2,
(1-b)y
2

Sumando ambas expresiones se obtiene la desigualdad por tanto S
3
es un
conjunto convexo.

Y comprobando si el vector

Que una vez simplificado nos da

Y al expandirle

Si es un vector del conjunto S
3
.


EJERCICIO
Estudiar de forma grfica si los siguientes conjuntos son o no conjuntos convexos.
a.
b.
SOLUCIONES:
a. Lo hacemos grficamente, representando el conjunto.
Para ello dibujamos los dos lmites del conjunto x
2
+y
2
=1 y x
2
+y
2
=4
(circunferencias de radio 1 y radio 2)
Definimos las expresiones

Y luego las representamos como aparece.

cul es el recinto?
Ahora debemos determinar en que lado de las circunferencias se sita el
conjunto.


Tomemos un punto fuera de ambas circunferencias, por ejemplo (0,0),. Y
comprobemos si se verifica la primera desigualdad para ese punto

Efectivamente no se verifica, por tanto el conjunto se sita hacia fuera de la
circunferencia.
Por otro lado

Es cierta por tanto el conjunto es la corona circular situada entre la
circunferencia de radio 1 y la circunferencia radio 2.
Este conjunto es convexo?
Claramente se ve que no, tomemos dos puntos cualesquiera por ejemplo (-
1,1/2) y (2,0), ambos pertenecen al conjunto, sin embargo el segmento que
los une como se ve no pertenecen al conjunto.

b. Consideremos las expresiones que definen los lmites del conjunto:


Representemos ambas rectas:

Para saber cul es exactamente el recinto, tomemos un punto que no est en
dichas rectas, por ejemplo (0,0).
Comprobemos a qu lado de la recta x+y=1 se encuentra nuestro conjunto x+y=1,
comprobamos para (0,0), y observamos que 0+0= 1 verifica la ecuacin, por tanto
el recinto x+y=1 est al lado del (0,0).


Y por otro lado para determinar el conjunto x-y=1 comprobamos que 0-0= 1 por
tanto tambin es de la recta hacia el (0,0), con lo cual tendremos que el recinto
ser:


LECCION 6. PROPIEDADES DE LOS CONJUNTOS CONVEXOS.
Vamos a estudiar qu sucede con la UNIN y la INTERSECCIN de conjuntos
convexos. Comencemos con la INTERSECCIN de conjuntos convexos.
INTERSECCIN DE CONJUNTOS CONVEXOS.
EJEMPLO.
Sean los siguientes conjuntos convexos:

Si los representamos tendremos:


Cul es la interseccin de estos dos conjuntos?
Se puede ver que la interseccin es el conjunto

Se puede ver grficamente que es un conjunto convexo.
Y este ejemplo se puede generalizar con la siguiente propiedad:
LA INTERSECCIN DE CONJUNTOS CONVEXOS ES UN CONJUNTO
CONVEXO.
UNIN DE CONJUNTOS CONVEXOS.


A partir de los conjuntos convexos anteriores S y T, veamos cul es el conjunto
unin.

Este conjunto no es convexo pues si considero dos puntos del conjunto por
ejemplo
(1.04, -1.57) y (2.43,-0.3)
Si representamos el segmento que une dichos puntos editando

Obtenemos


Segmento que no est totalmente contenido en el conjunto. Luego:
LA UNION DE CONJUNTOS CONVEXOS EN GENERAL NO ES UN CONVEXO

LECCION 7. EJERCICIOS DE APLICACION

CONJUNTOS CONCAVOS Y CONVEXOS
Representar los siguientes conjuntos de R
2
e indicar cules son convexos:
a.
b.
c.
d. R
2

e.
f.
g.
h.
i.
Probar que todo subespacio vectorial de R
3
es un conjunto convexo.


LECCION 8. FUNCIONES CONCAVAS Y CONVEXAS

Las funciones cncavas y convexas representan un papel fundamental en la
Teora de la Optimizacin ya que pueden garantizarnos la GLOBALIDAD de los
ptimos locales. Por ello vamos a iniciar este apartado introduciendo el concepto
de funcin cncava y convexa para luego ms tarde introducir condiciones que
nos permitan reconocer si una funcin es cncava o convexa dependiendo de sus
propiedades de diferenciabilidad.
EJEMPLO.
Consideremos la siguiente funcin:

Si dibujamos esta funcin y obtenemos

Observemos la grfica de esta funcin en el intervalo [0,3 ]


Podemos ver que en esta grfica si dibujamos cualquier segmento que una dos
puntos de la misma, ste siempre queda por debajo de la grfica. Por ejemplo,
consideremos los puntos

Si dibujamos el segmento que une dichos puntos en la grfica obtenemos

Qu claramente queda por debajo de la grfica.
Consideremos otros pares de puntos de la grfica por ejemplo:
Al dibujar el segmento que une dichos puntos tenemos:

Consideremos otro par de puntos por ejemplo

Si los dibujamos considerando


Obtenemos

Se puede observar que para cualquier par de puntos de la grfica que toman
valores en el segmento considerado el segmento que une dichos puntos siempre
queda por debajo de la grfica por ello podemos efectuar la siguiente definicin:
FUNCIONES ESTRICTAMENTE CONCAVAS Y CONCAVAS
DEFINICIN:
Diremos que una funcin f es estrictamente cncava en un conjunto M convexo si
todo segmento que une dos puntos de la grfica esta estrictamente por debajo de
la grfica.
Diremos que una funcin es CONCAVA (no estricta) si no todas las cuerdas que
unen puntos de la grfica en dicho intervalo quedan estrictamente por debajo.
Vamos ahora a introducir el concepto de funcin CONVEXA.
Consideremos el siguiente ejemplo:
EJEMPLO.
Consideremos la misma funcin anterior


pero ahora considerada en
que debemos enfocarnos es:

Consideremos ahora nuevamente varios puntos de esta grfica en dicho intervalo
por ejemplo

si dibujamos el segmento que los une por medio de la matri z

se obtiene


si ahora dibujamos el segmento que une los puntos

Obtendremos

Obsrvese que los segmentos quedan siempre por encima de la grfica de la
funcin.
En estos casos, diremos que la funcin es convexa en el intervalo dado.
Por ello podemos realizar la siguiente definicin:

FUNCIN CONVEXA.
DEFINICION: Sea f una funcin definida en un intervalo de R, diremos que dicha
funcin es convexa en el intervalo si todo segmento que une dos puntos de la
grfica queda por encima de la grfica. Si siempre queda estrictamente por
encima decimos que la funcin es estrictamente convexa.
EJERCICIO
Estudiar el carcter de las siguientes funciones en los recintos que se indican:
(a) En toda la recta real:

(b) En toda la recta real:


( C) En el intervalo (0,1 )

(d) En el intervalo (-1 ,0)

(e) En el recinto (-3 ,0)

(f) En el recinto (0,3 )

SOLUCIONES:
a. ESTRICTAMENTE CONVEXA


b. ESTRICTAMENTE CONVEXA

c. ESTRICTAMENTE CONVEXA

d. ESTRICTAMENTE CONCAVA


e. estrictamente CONCAVA

f. ESTRICTAMENTE CONVEXA


CAPITULO 3
CONCEPTUALIZACION DE LA PROGRAMACION LINEAL

Introduccin
LECCION 9. Concepto
LECCION 10. Formulacin del problema de programacin lineal
LECCION 11. Modelo general de programacin lineal
LECCION 12. Otras formas de modelos de P.L.
LECCION 13. Terminologa y conceptos bsicos

INTRODUCCION
Muchas personas clasifican el desarrollo de la Programacin Lineal (PL) entre
los avances cientficos ms importantes de mediados del siglo XX. En la
actualidad es una herramienta comn que ha ahorrado miles o millones de dlares
a muchas compaas y negocios, incluyendo industrias medianas en distintos
pases del mundo. Cul es la naturaleza de esta notable herramienta y qu tipo
de problemas puede manejar? Expresado brevemente, el tipo ms comn de
aplicacin abarca el problema general de asignar recursos limitados entre
actividades competitivas de la mejor manera posible (es decir, en forma ptima).
Este problema de asignacin puede surgir cuando deba elegirse el nivel de ciertas
actividades que compiten por recursos escasos para realizarlas. La variedad de
situaciones a las que se puede aplicar esta descripcin es sin duda muy grande, y
va desde la asignacin de instalaciones productivas a los productos, hasta la
asignacin de los recursos nacionales a las necesidades de un pas; desde la
planeacin agrcola, hasta el diseo de una terapia de radiacin; etc. No obstante,
el ingrediente comn de todas estas situaciones es la necesidad de asignar
recursos a las actividades.

LECCION 9. CONCEPTO
El adjetivo lineal significa que todas las funciones matemticas del modelo deber
ser funciones lineales. En este caso, las palabra programacin no se refiere a
programacin en computadoras; en esencia es un sinnimo de planeacin. As, la
programacin lineal trata la planeacin de las actividades para obtener un
resultado ptimo.


La programacin lineal es una tcnica de investigacin de operaciones para la
determinacin de la asignacin optima de recursos escasos cuando la funcin
objetivo y las restricciones son lineales. Es una manera eficiente de resolver estos
problemas cuando se debe hacer una eleccin de alternativas muy numerosas
que no pueden evaluarse intuitivamente por los mtodos convencionales.

LECCION 10. FORMULACION DEL PROBLEMA DE PROGRAMACION LINEAL
10.1 INTRODUCCION
Los trminos clave son recursos y actividades, en donde m denota el nmero de
distintos tipos de recursos que se pueden usar y n denota el nmero de
actividades bajo consideracin.
Z = valor de la medida global de efectividad.
Xj = nivel de la actividad j (para j = 1,2,...,n).
Cj = incremento en Z que resulta al aumentar una unidad en el nivel de la
actividad j.
bi = cantidad de recurso i disponible para asignar a las actividades (para
i = 1,2,...,m).
aij = cantidad del recurso i consumido por cada unidad de la actividad j.

10.2 ESTRUCTURA DE UN MODELO DE PROGRAMACION LINEAL

1. Funcin objetivo. Consiste en optimizar el objetivo que persigue una
situacin la cual es una funcin lineal de las diferentes actividades del
problema, la funcin objetivo se maximizar o minimiza.

2. Variables de decisin. Son las incgnitas del problema. La definicin de
las variables es el punto clave y bsicamente consiste en los niveles de
todas las actividades que pueden llevarse a cabo en el problema a formular.


3. Restricciones Estructurales. Diferentes requisitos que debe cumplir
cualquier solucin para que pueda llevarse a cabo, dichas restricciones
pueden ser de capacidad, mercado, materia prima, calidad, balance de
materiales, etc.

4. Condicin tcnica. Todas las variables deben tomar valores positivos, o
en algunos casos puede ser que algunas variables tomen valores
negativos.

LECCION 11. MODELO GENERAL DE PROGRAMACION LINEAL

Formulacin de modelos de Programacin Lineal.
Aunque se ponga en duda, la parte ms difcil de PL es reconocer cundo
sta puede aplicarse y formular el problema matemticamente. Una vez hecha esa
parte, resolver el problema casi siempre es fcil.
Para formular un problema en forma matemtica, deben expresarse
afirmaciones lgicas en trminos matemticos. Esto se realiza cuando se
resuelven problemas hablados al estudiar un curso de lgebra. Algo muy


parecido sucede aqu al formular las restricciones. Por ejemplo, considrese la
siguiente afirmacin: A usa 3 horas por unidad y B usa 2 horas por unidad. Si
deben usarse todas las 100 horas disponibles, la restriccin ser:
3A + 2B = 100
Sin embargo, en la mayora de las situaciones de negocios, no es
obligatorio que se usen todos los recursos (en este caso, horas de mano de obra).
Ms bien la limitacin es que se use, cuando mucho, lo que se tiene disponible.
Para este caso, la afirmacin anterior puede escribirse como una desigualdad:
3A + 2B 100
Para que sea aceptable para PL, cada restriccin debe ser una suma de
variables con exponente 1. Los cuadrados, las races cuadradas, etc. no son
aceptables, ni tampoco los productos de variables. Adems, la forma estndar
para una restriccin pone a todas las variables del lado izquierdo y slo una
constante positiva o cero del lado derecho. Esto puede requerir algn reacomodo
de los trminos. Si, por ejemplo, la restriccin es que A debe ser por los menos el
doble de B, esto puede escribirse como:
A 2B A - 2B 0
Ntese que pueden moverse trminos de un lado a otro de las desigualdades
como si fuera un signo de igualdad. Pero al multiplicar una desigualdad por -1, el
sentido de esta desigualdad se invierte. Puede ser necesario hacer esto para que
los coeficientes del lado derecho sean positivos. Por ejemplo, si se quiere que A
sea por lo menos tan grande como B - 2, entonces:
A B 2
A B -2
Por ltimo B A 2


Una nota final sobre desigualdades: es sencillo convertir una desigualdad en una
ecuacin. Todo lo que se tiene que hacer es agregar (o restar) una variable extra.
Por ejemplo:
B - A 2 es lo mismo que B - A + S = 2
En donde S representa la diferencia, o la holgura, entre B - A y 2. S se llama
variable de holgura. Por otro lado, se restara una variable de supervit en el caso
siguiente:
A - 2B 0 es lo mismo que A - 2B -S = 0
Algunos mtodos de solucin (como el Mtodo Simplex) y la mayora de
los programas de computadora (como el MathProg, que viene en el
ORCourseware, que acompaa al libro Introduccin a la Investigacin de
Operaciones de los autores Hillier y Lieberman) requieren que todas las
desigualdades se conviertan en igualdades.
La metodologa de PL requiere que todas las variables sean positivas o
cero, es decir, no negativas. Para la mayora de los problemas esto es real, no se
querra una solucin que diga: prodzcanse menos dos cajas o contrtense
menos cuatro personas.
Mientras que no existe un lmite en el nmero de restricciones que puede
tener un problema de PL, slo puede haber un objetivo. La forma matemtica del
objetivo se llama funcin objetivo. Debe llevar consigo el maximizar o minimizar
alguna medida numrica. Podra ser maximizar el rendimiento, la ganancia, la
contribucin marginal o los contactos con los clientes. Podra ser minimizar el
costo, el nmero de empleados o el material de desperdicio. Con frecuencia el
objetivo es evidente al observar el problema.


Como el valor de la funcin objetivo no se conoce hasta que se resuelve el
problema, se usa la letra Z para representarlo. La funcin objetivo tendr,
entonces, la forma:
Maximizar Z = 4A + 6B
Minimizar Z = 2x
1
+ 5x
2

Se analiza una aplicacin para ilustrar el formato de los problemas de
Programacin Lineal.
FORMA ESTNDAR DE LOS MODELOS DE PROGRAMACIN LINEAL.
Supngase que existe cualquier nmero (digamos m) de recursos limitados de
cualquier tipo, que se pueden asignar entre cualquier nmero (digamos n) de
actividades competitivas de cualquier clase. Etiqutense los recursos con nmeros
(1, 2, ..., m) al igual que las actividades (1, 2, ..., n). Sea x
j
(una variable de
decisin) el nivel de la actividad j, para j = 1, 2, ..., n, y sea Z la medida de
efectividad global seleccionada. Sea c
j
el incremento que resulta en Z por cada
incremento unitario en x
j
(para j = 1, 2, ..., n). Ahora sea b
i
la cantidad disponible
del recurso i (para i = 1, 2, ..., m). Por ltimo defnase a
ij
como la cantidad de
recurso i que consume cada unidad de la actividad j (para i = 1, 2, ..., m y j = 1, 2,
..., n). Se puede formular el modelo matemtico para el problema general de
asignar recursos a actividades. En particular, este modelo consiste en elegir
valores de x
1
, x
2
, ..., x
n
para:
Maximizar Z = c
1
x
1
+ c
2
x
2
+ ... + c
n
x
n
,
sujeto a las restricciones:
a
11
x
1
+ a
12
x
2
+ ... + a
1n
x
n
b
1

a
21
x
1
+ a
22
x
2
+ ... + a
2n
x
n
b
2


a
m1
x
1
+ a
m2
x
2
+ ... + a
mn
x
n
b
m
y
x
1
0, x
2
0, ..., x
n
0
sta se llamar nuestra forma estndar (porque algunos libros de texto adoptan
otras formas) para el problema de PL. Cualquier situacin cuya formulacin
matemtica se ajuste a este modelo es un problema de PL.
En este momento se puede resumir la terminologa que usaremos para los
modelos de PL. La funcin que se desea maximizar, c
1
x
1
+ c
2
x
2
+ ... + c
n
x
n
, se
llama funcin objetivo. Por lo general, se hace referencia a las limitaciones como
restricciones. Las primeras m restricciones (aquellas con una funcin del tipo a
i1
x
1

+ a
i2
x
2
+ ... + a
in
x
n
, que representa el consumo total del recurso i) reciben el
nombre de restricciones funcionales. De manera parecida, las restricciones x
j
0
se llaman restricciones de no negatividad. Las variables x
j
son las variables de
decisin. Las constantes de entrada, a
ij
, b
i
, c
j
, reciben el nombre de parmetros del
modelo.
LECCION 12. OTRAS FORMAS DE MODELOS DE PROGRAMACIN LINEAL.
Es conveniente agregar que el modelo anterior no se ajusta a la forma
natural de algunos problemas de programacin lineal. Las otras formas legtimas
son las siguientes:
1. Minimizar en lugar de maximizar la funcin objetivo:
Minimizar Z = c
1
x
1
+ c
2
x
2
+ ... + c
n
x
n
,
2. Algunas restricciones funcionales con desigualdad en el sentido mayor o igual:
a
i1
x
1
+ a
i2
x
2
+ ... + a
in
x
n
, b
i
,

para algunos valores de i,
3. Algunas restricciones funcionales en forma de ecuacin:


a
i1
x
1
+ a
i2
x
2
+ ... + a
in
x
n
, = b
i
,

para algunos valores de i,
4. Las variables de decisin sin la restriccin de no negatividad:
x
j
no restringida en signo para algunos valores de j.
Cualquier problema que incluya una, varias o todas estas formas del modelo
anterior tambin se clasifica como un problema de PL, siempre y cuando stas
sean las nicas formas nuevas introducidas. Puede ser que la interpretacin que
se ha dado de asignacin de recursos limitados entre actividades que compiten no
se aplique, pero independientemente de la interpretacin o el contexto, lo nico
que se necesita es que la formulacin matemtica del problema se ajuste a las
formas permitidas. Se ver que estas otras cuatro formas legales se pueden
reescribir en una forma equivalente para que se ajuste al modelo que se present.
Entonces, todo problema de PL se puede poner en nuestra forma estndar si se
desea.

FORMULACION ALGEBRAICA: FORMA CANONICA
Todo problema de PL puede representarse como:

Max (z) =c1x1+c2x2+...+cnxn
sujeto a:
a11x1 + a12x2 +...+ a1nxn b1
a21x1 + a22x2 +...+ a2nxn b2
...
am1x1 + am2x2 +...+ amnxn bm
x1, x2, ...,xn 0


siendo:

xj: Nivel de actividad de la variable xj
cj: Contribucin unitaria de xj a funcin objetivo
aij: Coeficiente tcnico, unidades de recurso i que se consumen por
unidad de variable j
bi: Cantidad disponible de recurso i

Otra representacin:

En forma matricial:
Max (z) = C x
sujeto a:
Ax b
x 0
A esta forma se la denomina forma cannica

IMPORTANCIA DE LA FORMA CANONICA

La forma cannica es importante porque todos los desarrollos e
interpretaciones econmicas del problema pueden referirse a la misma.
Es posible transformar un problema de PL a un problema equivalente en
forma cannica.
Un problema de PL puede consistir en:
Buscar un mximo o un mnimo de la funcin objetivo
n ... 2, 1, j 0 x
m ... 2, 1, i donde b x a
: a sujeto
x c (z) Max
j
i
n
1 j
j ij
n
1 j
j j


Restricciones de tipo , e =
Variables positivas, negativas o no restringidas en signo
Conversin de un problema lineal general a su forma cannica:
Cambiar el sentido de la optimizacin
Cambiar el sentido de la desigualdad
Cambiar una desigualdad en igualdad
Variable de holgura o slack
Variable surplus
Cambiar igualdades en desigualdades
Cambiar variables sin restriccin de signo a otras de signo positivo o
nulo

LECCION 13. TERMINOLOGIA Y CONCEPTOS BASICOS

Conjunto factible
Es el conjunto de puntos que satisfacen simultneamente todas las
restricciones (o filas) del problema
Actividades, columnas o variables (xj)
Representan los usos alternativos que deben competir entre s para la
obtencin de los recursos de forma que se optimice la funcin objetivo
Recursos (bi)
Son productos, tiempo, etc. Se cuantifican en el trmino independiente o
Right Hand Side (RHS) del problema
El conjunto factible de un problema de PL, si existe, es representable mediante
un poliedro convexo


UNIDAD 2

METODOS DE SOLUCION


CAPITULO 1

LECCION 14. INTRODUCCION METODO GRAFICO
LECCION 15. DEFINICION
LECCION 16. CONCEPTO GENERAL DEL METODO GRAFICO
LECCION 17. PASOS PARA LA SOLUCION MEDIANTE EL METODO
GRAFICO
LECCION 18. EJEMPLOS

LECCION 14. INTRODUCCION METODO GRAFICO

Antes de entrarnos por completo en los mtodos analticos de la investigacin de
operaciones es muy conveniente ver un poco acerca de las desigualdades de una
ecuacin lineal.
Por ejemplo tenemos la ecuacin

2X + 3Y = 60 en donde X, Y 0

Es decir que para que se cumpla la igualdad de la ecuacin nos tocara adquirir 15
unidades de X y 10 unidades de Y respectiva mente:

2(15) + 3(10) = 60


Y la solucin se dara por la misma lnea recta.
Pero por otra parte si en la ecuacin no se quiere llegar a la totalidad del resultado
se dar la ecuacin en una forma diferente llamada inecuacin:
2X + 3Y 60 en donde X, Y 0
Dndose como solucin factible un rea sombreada que depende del signo de la
desigualdad. Si el signo es el la solucin ser el rea inferior esa se sombrear o
si por el contrario el sigo es el rea a sombrear ser la de todos los puntos por
encima de la lnea obtenida.

En la anterior grafica la solucin ms factible es la de los punt os ms cerca del eje
X (bajo la recta de la solucin lineal ya que la ecuacin es precedida por el signo
.


LECCION 15. DEFINICION:

Por definicin de algunos libros una desigualdad entre dos variables es una
desigualdad que puede escribirse de la forma:

ax + by +c < 0 (o bien 0, 0, >0)

En donde a, b, c son constantes mientras que a y b son diferentes de cero
En trminos geomtricos, la solucin de una desigualdad lineal en x y y consiste
en todos los puntos del plano cuyas coordenadas satisfacen la desigualdad.
Observemos a continuacin las desigualdades y las regiones descritas por ellas:
EJEMPLO 1:
Determinar la regin descrita por la desigualdad y 5
Cuando veamos un problema como este no nos asustemos porque el hecho de
que no aparezca la x en ningn lugar de la ecuacin solo quiere decir que x es
cierto en cualquier punto de x.
SOLUCION

La regin sombreada es la solucin factible para la desigualdad planteada.


EJEMPLO 2:
Describir la regin definida por la desigualdad: x -2

EJEMPLO 3:
Dando valores a x y y determinamos las rectas con las reas correspondientes a
las desigualdades planteadas.
2x + y > 3
x y
y 1 > 0
Este sistema es equivalente

y > -2x + 3 x =0; y =3
Y=0; x= 3/2
y x x= 0; y= 0
x=1 ; y= 1
y > 1/2


Obsrvese que se ha escrito cada desigualdad de manera que y queda
despejada. Consecuencia las regiones apropiadas con respecto a las rectas
correspondientes restaran evidentes. En primer lugar se trazan las rectas

y = -2x + 3,
y = x Y
y = y

Despus se sombra la regin que se encuentra simultneamente por encima de la
recta, sobre o por debajo de la segunda de ellas y por encima de la tercera esta
regin es la solucin.

Entonces la solucin para el anterior ejercicio seria la regin sombreada.


LECCION 16. CONCEPTO GENERAL DEL METODO GRAFICO

Ahora se considerara la forma en que se pueden resolver problemas de tipo lineal,
en donde la funcin dada se tendr que maximizar o minimizar. Una funcin lineal
en x y y tiene la forma:

Donde a y b son constantes. Tambin se requerir que las restricciones
correspondientes estn representadas mediante un sistema de desigualdades
lineales o ecuaciones en x y en y y que todas las variables sean no negativas.

A un problema en el que intervienen todas estas condiciones se le denomina
problema de programacin lineal.

La programacin lineal fue desarrollada por George B. danzing a fines de la
dcada de 1940 y se utilizo primero en la fuerza area de losa estados unidos
como auxiliar en la toma de decisiones. En la actualidad tiene amplia aplicacin en
el anlisis industrial y econmico.

En un problema de programacin lineal a la funcin que se desea maximizar o
minimizar se le denomina funcin objetivo. Aunque por lo general existe una
cantidad infinitamente grande de soluciones para el sistema de restricciones (a las
que se denomina soluciones factibles o puntos factibles), el objetivo consiste en
encontrar una de esas soluciones que represente una solucin ptima (es decir
una solucin que del valor mximo o mnimo de la fusin objetivo)

En conclusin con lo que acabamos de revisar en la parte anterior sobre las
inecuaciones nos da para definir literalmente el mtodo grafico y el mtodo
algebraico dentro del mbito de la programacin lineal.

ax+by=0


Entonces el mtodo grafico en la programacin lineal es simplemente sacar de
una situacin (problema) ecuaciones lineales y convertirlas en desigualdades o
inecuaciones para poder graficarlas y as sacar la regin mas optima dependiendo
del signo de la desigualdad esa rea se sombreara y esa ser la solucin mas
optima del problema.

LECCION 17. PASOS PARA LA SOLUCION MEDIANTE EL METODO
GRAFICO
Para llegar a una solucin ptima en el mtodo grafico se requiere seguir con una
serie de pasos que podemos dar a continuacin:

1. formulacin del problema
El primer paso para la resolucin por mtodo grafico es expresar el problema
en trminos matemticos en el formato general de la programacin lineal
(desigualdades) con un solo fin maximizar la contribucin a la ganancia.
2. graficar las restricciones
El prximo paso de la solucin por mtodo grafico es la graficacin de las
restricciones en el plano cartesiano para establecer todas las posibles
soluciones.
3. obtencin de la solucin optima
Para encontrar la solucin ptima, se grafica la funcin objetivo en la misma
grfica de las restricciones. Se graficara siempre la funcin objetivo del
problema y se dar la solucin de acuerdo con el smbolo que este presente en
las restriccin de la funcin objetivo.

LECCION 18. EJEMPLOS

EJEMPLO: 1

Maximizar la funcin objetivo:


Z= 3x + y

Sujeto a las restricciones:

2x + y 8
2x + 3y 12
x, y 0

a continuacin graficamos las desigualdades planteadas en las restricciones as:

2x + y 8 x=0; y=8
y=0; x=4

2x + 3y 12 x=0; y=4
Y=0; x=6
x, y 0


Se observa que la regin factible esta conformada por los puntos A(0,0); D(0,4);
B(4,0) y el punto C que es el resultado de la interseccin de las 2 inecuaciones
cuyo valor aproximadamente en el plano esta dado por las coordenadas (3,2).

Ahora bien el problema solicita la maximizacin de Z = 3x + y que se obtiene
precisamente en el punto C(3,2).
EJEMPLO: 2
Minimizar la funcin objetivo:
Z= 2x + 3y
Sujeto a las restricciones:
x +2y 10

3x + 2y 18

x, y 0


a continuacin graficamos las desigualdades planteadas en las restricciones as:

x + 2y10 x=0; y=5
y=0; x=10

3x + 2y18 x=0; y=9
Y=0; x=6
x, y 0

Regin Factible

(4,3)

Se observa que la regin factible esta conformada por los puntos (0,9); (4,3);
(10,0), donde el punto (4,3) es el resultado de la interseccin de las dos
ecuaciones dadas como restricciones.
Ahora bien el problema solicita la maximizacin de Z = 3x + y que se obtiene
precisamente en el punto C(3,2).


CAPITULO 2

METODO ALGEBRAICO

INTRODUCCION
LECCION 19. PASOS PARA UTILIZAR EN METODO ALGEBRAICO
LECCION 20. EJEMPLOS DESARROLLADOS
LECCION 21. TALLER

INTRODUCCION

En ocasiones nos encontramos con problemas de ndole magnitud, a los cuales se
desea maximizar o minimizar una funcin sujeta a ciertas restricciones.
Muchas personas califican al mtodo algebraico, como uno de los mtodos ms
importantes en el campo de la programacin lineal. En la actualidad es una
herramienta comn, que se ha prestado para resolver problemas de gran
magnitud; por su simplicidad, sencillez y estilo de uso cientos de empresas,
compaas de todo el mundo han ahorrado miles y miles de pesos.
En este captulo se tratara la formulacin de problemas utilizando el mtodo
algebraico para la solucin de problemas de programacin lineal. Se hace un
enfoque a la variedad de aplicaciones del mtodo para que el estudiante
interesado pueda tener una visin y ejercitar sus conocimientos.
El mtodo algebraico contempla en su desarrollo al mtodo grafico y de la misma
manera el mtodo grafico no estara completo sin la rigurosidad del mtodo
algebraico pues la apreciacin visual que da el grafico en la solucin ptima puede
estar sujeta a error por parte del analista.


LECCION 19. PASOS PARA UTILIZAR EN METODO ALGEBRAICO
Dado que tenemos un problema de dos variables, podemos graficar las
soluciones posibles y comprender algunos puntos interesantes respecto a las
relaciones lineales. Veremos la siguiente manera de obtener grficamente las
soluciones al problema planteado y luego veremos como obtenerlas
algebraicamente.
1. Exprsense los datos del problema como una funcin objetivo y
restricciones.
2. Graficar las restricciones.
3. Definir el conjunto factible.
4. Encontrar la solucin ptima
A continuacin se presentan el anlisis algebraico y grafico de algunos problemas
de programacin lineal:

LECCION 20. EJEMPLOS DESARROLLADOS

PROBLEMA 1:
Supngase una compaa fabrica 2 tipos de artefactos, manuales y elctricos.
Cada uno de ellos requiere en su fabricacin el uso de 3 maquinas: A, B y C. un
artefacto manual requiere del empleo de la maquina A durante 2 horas, de una 1
en B y una 1 en C, un artefacto elctrico requiere de 1 hora en A, 2 horas en B y 1
hora en C. supngase adems que el numero mximo de horas disponible por
mes para el uso de las tres maquinas es 180, 160 y 100, respectivamente. La
utilidad que se obtiene con los artefactos manuales es de 4000 pesos y de 6000
pesos para los elctricos. Si la compaa vende todos los artefactos que fbrica,
Cuntos de ellos de cada tipo se deben elaborar con el objeto de maximizar la
utilidad mensual?


A B C UTILIDAD
MANUALES(X) 2 1 1 4000
ELECTRICOS(Y) 1 2 1 6000
HORAS
DISPONIBLES
180 160 100

SOLUCIN:

1. Paso: Planteamos la funcin objetivo y las restricciones correspondientes:

MAX Z= 4000X + 6000Y

SUJETO A:

2X + Y 180

X + 2Y 160

X + Y 100

2. Paso: Elaboramos el grfico correspondiente a las restricciones con el fin
de precisar la regin factible y determinar los puntos que la conforman:


2X + Y 180 X=0 Y= 180
Y=0 X= 90

X + 2Y 160 X=0 Y=80
Y=0 X=160

X + Y 100 X=0 Y=100
Y=0 X=100

3. Paso: Resolvemos el sistema de ecuaciones para determinar las
coordenadas del punto B y C as:


Para B: X + 2Y 160 Para C: 2X + Y 180

X + Y 100 X + Y 100

Y= 60 X = 80

X= 40 Y = 20

4. Paso:

Con los puntos de la regin factible:
O(0,0) ; B(40,60) ; C(80,20) ; A(0,80); D(90,0) Maximizamos la funcin
objetivo :

MAX Z = 4000x + 6000 y

(0,0) 4000(0) + 6000(0) = 0

(0,80) 4000(0) + 6000(80) = 480000

(40,60) 4000(40) + 6000(60)= 520000

(90,0) 4000(90) + 6000(0) = 360000


5. Paso: La solucin para el problema est representada por la fabricacin de
40 artefactos manuales y 60 artefactos elctricos generando una mxima
utilidad de $ 520.000.

EJEMPLO 2:

Un granjero va a comprar fertilizante que contiene tres ingredientes nutritivos, A, B
Y C. Las necesidades mnimas son 160 unidades de A, 200 de B y 80 de C.
Existen en el mercado dos marcas populares de fertilizante. El llamado
crecimiento rpido que cuesta $ 4000 el costal y contienen 3 unidades de A, 5 de
B y 1 de C, y el de crecimiento normal que cuesta $3000 y contiene 2 unidades de
cada ingrediente. Si el granjero desea minimizar el costo al tiempo que mantiene
el mnimo de los ingredientes nutritivos que se requieren, cuantos costales de
cada marca debe comprar?.

A B C COSTO
CRECI/RAPIDO 3 5 1 4000
CRECI/NORMAL 2 2 2 3000
REQUERIMIENTO 160 200 80

SOLUCIN:

1. Paso: Determinamos la funcin objetivo y sus restricciones:

MIN Z= 4000X + 3000Y


SUJETO A LAS RESTRICCIONES:

3X + 2Y 160
5X + 2Y 200
X + 2y 80

2. Paso: Elaboramos la grfica y determinamos la regin factible:

3X + 2Y 160 X=0 Y= 80
Y=0 X= 53,33

5X + 2Y 200 X=0 Y= 100
Y=0 X= 40

X + 2y 80 X=0 Y=40
Y=0 X=80


3. PASO: Determinar las coordenadas de los puntos A y B:

Para A: 3X + 2Y 160 Para B: 3X + 2Y 160

5X + 2Y 200 X + 2y 80

-2X = -40 2X = 80

X = 20 X= 40

Y = 50 Y = 20

4. Paso: Optimizamos la funcin objetivo:


Z= 4000X + 3000Y
(80,0) 4000(80) + 3000(0) = 320000
(40,20) 4000(40) + 3000(20) = 220000
(20,50) 4000(20) + 3000(50) = 230000
(0.100) 4000(0) + 3000(100) = 300000

5. Paso: La solucin del problema para el granjero est en comprar 40
unidades de crecimiento rpido y 20 de crecimiento normal, con un costo
mnimo de $ 220.000.


LECCION 21. TALLER

1. MAXIMIZAR

P= 10x + 12y

Sujeta a:

x + y 60
x - 2y 0
x, y 0

2. MAXIMIZAR

P= 5x + 6y

Sujeta a

x + y 80
3x + 2y 220
2x + 3y 210
x, y 0


3. MAXIMIZAR

Z= 4x - 10y

Sujeta a

x 4y 4
2x y 2
x, y 0

4. MINIMIZAR

Z= 7x + 3y

Sujeta a

3x y -2
x + y 9
x y = -1
x, y 0

5. Un fabricante de juguetes que esta preparando un programa de produccin
para 2 nuevos artculos, maravilla y fantstico, debe utilizar la i informacin
respecto a sus tiempos de construccin que se proporcionan en la siguiente


tabla. Por ejemplo, cada juguete maravilla requiere de 2 horas en la maquina
A. las horas de trabajo disponibles de los empleados por semana, son: para la
maquina A, 70 horas; para la B, 40 horas; para terminado, 90 horas. Si las
utilidades de cada juguete maravilla y cada juguete fantstico son de
$40.000 y $60.000, respectivamente, Cuntas unidades de cada uno deben
fabricarse por semana con el objeto de maximizar las utilidades? cual seria la
utilidad mxima?

MAQUINA A MAQUINA B TERMINADO
MARAVILLA 2h 1h 1h
FANTASTICO 1h 1h 3h


CAPITULO 3

METODO SIMPLEX

INTRODUCCION
LECCION 22. PASOS PARA DESARROLLAR EL METODO simplex
LECCION 23. DUALIDAD
LECCION 24. COMPARACION ENTRE EL METODO SIMPLEX DUAL Y EL
DUAL-SIMPLEX
LECCION 25. ANALISIS DE SENCIBILIDAD
LECCION 26. TALLER METODO SIMPLEX
LECCION 27. TALLER DUALIDAD
LECCION 28. DEGENERACION
LECCION 29. PROBLEMAS DE PL CON VARIABLES ACOTADAS
LECCION 30. ALGORITMOS DE DESCOMPOSICION
LECCION 31. LA PROGRAMACION LINEAL BASADA EN LOS
COMPUTADORES

INTRODUCION

En los captulos 1 y 2 de esta unidad vimos como resolver problemas de
programacin lineal a travs del mtodo grafico y el mtodo algebraico, surgen
grandes limitaciones a la hora de trabajar con estos dos mtodos, es decir que no
es posible darle ptima solucin a un problema. Esto se debe a que el mtodo
grafico no resulta prctico cuando el nmero de variables se aumenta a tres, y con
ms variables resulta imposible de utilizar. Por otra parte el mtodo algebraico
tarda demasiado tiempo aun para problemas de pocas variables y restricciones.
El mejor mtodo para resolver un problema de programacin lineal es el mtodo
simplex, ya que es un mtodo de fcil aplicacin, de tipo algortmico y conduce a
una eficiente solucin del problema.


CONCEPTO

El mtodo simplex fue desarrollado por George dantzig (1947) y es un mtodo
algebraico que se utiliza para resolver problemas de programacin lineal en un
nmero finito de pasos en una computadora. Este mtodo establece una solucin
factible y luego prueba si es ptima o no. Si no lo es busca una mejor solucin y si
esta no es optima entonces repite el proceso hasta hallar una solucin ptima.

LECCION 22. PASOS PARA EL DESARROLLO DEL METODO SIMPLEX

1. Elaborar la tabla simplex inicial.

X1 X2 X3 S1 S2 S3 S4 Z b
S1 a11 a12 a13 1 0 0 0 0 b1
S2 a21 a22 a23 0 1 0 0 0 b2
S3 a31 a32 a33 0 0 1 0 0 b3
S4 a41 a42 a43 0 0 0 1 0 b4
Z -C1 -C2 -C3 0 0 0 0 1 0

Indicadores

Existen cuatro variables de holgura, S1, S2, S3, y S4; una para cada restriccin.
2. Si todos lo indicadores del ltimo rengln son no negativos, entonces Z tiene
un mximo cuando X1=0, X2=0 y X3=0. El valor mximo es 0. Si existen
indicadores negativos, localizar la columna en la que aparezca el indicador
ms negativo. Esta columna seala la variable entrante.


3. Dividir cada uno de los elementos de la columna de b que se encuentran por
encima de la recta punteada entre el correspondiente elemento de la columna
de la variable entrante. Se debe realizar esta divisin solo en los casos en los
que el elemento de la variable que entra sea positivo.

4. encerrar en un crculo el elemento de la columna de la variable entrante que
corresponde al menor cociente del paso 3. Este es un elemento pivote. La
variable saliente es la que se encuentra al lado izquierdo del rengln del
elemento pivote.

5. Utilizar operaciones elementales sobre renglones para transformar la tabla en
otra tabla equivalente que tenga un 1 en donde se encuentra el elemento
pivote y 0 en las dems posiciones de esa columna.

6. la variable entrante debe reemplazar a la variable saliente en el lado izquierdo
de esta nueva tabla.

7. si todos los indicadores de la tabla nueva son no negativos, ya se tiene una
solucin ptima. El valor mximo de Z es el elemento del ltimo rengln y la
ltima columna. Ocurre esto cuando las variables se encuentran del lado
izquierdo de la tabla son iguales a lo elementos correspondiente de la ltima
columna. Todas las dems variables son ceros. Si cuando menos uno de los
indicadores es negativo, se debe repetir el mismo proceso con la nueva tabla,
comenzando con el paso 2.

EJEMPLOS DESARROLLADOS

EJEMPLO 1

Maximizar Z= 5X1+4X2


Sujeto a: X1+X2 20
2X1+X2 35
-3X1+X2 12
X10, X20

Este problema de programacin lineal se ajusta a la forma normal. La tabla
simplex inicial es:

x1 x2 S1 S2 S3 Z b Cocientes
S1 1 1 1 0 0 0 20 201=20
Variable S2 2 1 0 1 0 0 35 352=17.5
Saliente S3 -3 1 0 0 1 0 12

Z -5 -4 0 0 0 1 0

Indicadores
Variable
Entrante
El indicador mas negativo, -5, aparece en la columna x1. Por ello, x1 es la variable
entrante. El menor cociente es 17.5, de modo que, S2 es la variable saliente. El
elemento pivote es 2. Utilizando operaciones elementales sobre los renglones
para obtener un 1 en la posicin del pivote y 0 en las dems posiciones de esa
columna, se tienen:


x1 x2 S1 S2 S3 Z b
1 1 1 0 0 0 20
2 1 0 1 0 0 35
-3 1 0 0 1 0 12

-5 -4 0 0 0 1 0

1 1 1 0 0 0 20
1 1/2 0 1/2 0 0 35/2 (Multiplicando el rengln 2 por 1/2)
-3 1 0 0 1 0 12

-5 -4 0 0 0 1 0

0 1/2 1 -1/2 0 0 5/2 (Sumando al rengln uno el rengln 2
1 1/2 0 1/2 0 0 35/2 multiplicado por -1; sumando al rengln
0 5/2 0 3/2 1 0 129/2 tres el rengln 2 multiplicado por 3;
Sumando al rengln cuatro el rengln dos


0 -3/2 0 5/2 0 1 175/2 multiplicado por 5)

La nueva tabla es:
x1 x2 S1 S2 S3 Z b Cocientes
Variable S1 0 1/2 1 -1/2 0 0 5/2 5/2 1/2=5
Saliente x1 1 1/2 0 1/2 0 0 35/2 35/2 1/2=35
S3 0 5/2 0 3/2 1 0 129/2 129/25/2=25(4/5)

Z 0 -3/2 0 5/2 0 1 175/2
Indicadores
Variable Entrante
Obsrvese que en el lado izquierdo, x1 reemplaz a S2. Ya que -3/2 es el
indicador ms negativo se debe continuar con el proceso. La variable entrante es
ahora x2. El menor cociente es 5. De modo que S1 es la variable saliente y es
el elemento pivote. Utilizando operaciones elementales sobre renglones, se tiene:

x1 x2 S1 S2 S3 Z b
0 1 -1/2 0 0 5/2
1 1/2 0 1/2 0 0 35/2
0 5/2 0 3/2 1 0 129/2

0 -3/2 0 5/2 0 1 175/2

0 1/2 1 -1/2 0 0 5/2 (Sumando al rengln dos el rengln uno
1 0 -1 1 0 0 15 multiplicado por -1; sumando al rengln


0 0 -5 4 1 0 52 tres el rengln uno multiplicado por -5;
Sumando al rengln cuatro el rengln
0 0 3 1 0 1 95 uno multiplicado por 3)

0 1 2 -1 0 0 5
1 0 -1 1 0 0 15
0 0 -5 4 1 0 52 (Multiplicando el rengln uno por 2)

0 0 3 1 0 1 95

La nueva tabla es:
x1 x2 S1 S2 S3 Z b
x2 0 1 2 -1 0 0 5
x1 1 0 -1 1 0 0 15
S3 0 0 -5 4 1 0 52

Z 0 0 3 1 0 1 95
Indicadores
En donde x2 reemplazo a S1 en el lado izquierdo. Como todos los indicadores son
no negativos, el valor mximo de Z es 95 y aparece cuando x2=5 y x1=15 (y
S3=52, S1=0, S2=0).

EJEMPLO 2
Maximizar Z= 3x1 + 4x2 + 3/2x3


Sujeta a: -x1-2x2 -10
2x1+2x2+x3 10
x1, x2, x3 0

La restriccin (10) no se ajusta a la forma normal. Sin embargo, multiplicando
ambos lados de (10) por -1 resulta.

TABLA SIMPLEX I

x1 x2 x3 S1 S2 Z b Cocientes
Variable S1 1 2 0 1 0 0 10 102=5
Saliente S2 2 2 1 0 1 0 10 102=5

Z -3 -4 -3/2 0 0 1 0
Indicadores
Variable
Entrante

La variable entrante es x2. Dado que existe un empate en el menor cociente, se
puede elegir cualquiera de los dos, S1 o S2, como la variable saliente. Se escoge
S1. Se encierra en un crculo el pivote. Utilizando operaciones elementales sobre
renglones, se obtiene la tabla 2.


TABLA SIMPLEX II

x1 x2 x3 S1 S2 Z b Cocientes
Variable x2 1/2 1 0 1/2 0 0 5 no hay puesto
Saliente S2 1 0 1 -1 1 0 0 que 0 No es positivo

Z -1 0 -3/2 2 0 1 20 01=0
Indicadores
Variable
Entrante

La tabla II corresponde a una SFB (solucin bsica factible) en la que una variable
bsica S2 es 0. Por ello, la SFB es degenerada. Ya que existen indicadores
negativos, se contina el proceso. La variable entrante es ahora x3, la variable
saliente es S2 y el pivote se encuentra encerrado en un crculo. Utilizando
operaciones elementales sobre renglones, se obtiene la tabla III.

TABLA SIMPLEX II

x1 x2 x3 S1 S2 Z b
x2 1/2 1 0 1/2 0 0 5
x3 1 0 1 -1 1 0 0

Z 1/2 0 0 1/2 3/2 1 20
Indicadores


En virtud de que todos los indicadores son no negativos, Z es mxima cuando
x2=5 y x3=0, y x1=S1=S2=0. El mximo valor es Z=20. Obsrvese que este valor
es igual al valor de Z correspondiente a la tabla II. En problemas con degeneracin
es posible llegar al mismo valor de Z en varias etapas del proceso simplex.
EJEMPLO 3:

Considere el siguiente problema de programacin lineal:

Maximizar Z=2x1+5x2+8x3

Sujeto a x1+ x2+ x3 12
8x1-4x2+4x3 24
x2+ x3 8
x1, x2, x3 0

PASO 1: INICIALIZACIN:

Maximizar Z

Z-2x1-5x2-8x3 = 0 (0)
x1+ x2+ x3+ x4 =12 (1) (II)
8x1-4x2+4x3 +x5 =24 (2)
x2+ x3 +x6 =8 (3)
xj0, j=1,2,,6

Donde las variables de holgura son x4, x5 y x6.


La tabla inicial para la aplicacin del algoritmo Simplex es:

La solucin bsica falible de partida se obtiene fcilmente del sistema de
ecuaciones (II). Cada una de las ecuaciones tiene una sola variable bsica. Por
ejemplo, la variable bsica de la ecuacin (2) es x5 ya que tiene coeficientes de +1
en esa ecuacin y no aparece en ninguna de las otras ecuaciones.

Esto quiere decir que, en esa ecuacin, la dems variables, al ser no bsicas, sus
valores son ceros y, por consiguiente, podemos deducir que el valor de x5 es igual
a 24.

De manera similar, de la ecuacin (0) se obtiene que Z = 0, de la (1) se obtiene
que x4 = 12 y de la (3) que x6 = 8.

Observe que en la tabla se pueden leer estos valores directamente. Bastar hacer
corresponder a cada variable bsica indicada en la primera columna, (V.B.) los
valores de la ltima columna (b).

Observe adems que la matriz correspondiente a las variables bsicas de las
restricciones, es una matriz unidad.
V.B x1 x2 x3 x4 x5 x6 b
Z -2 -5 -8 0 0 0 0
x4 1 1 1 1 0 0 12
x5 8 -4 4 0 1 0 24
x6 0 1 1 0 0 1 8


PASO 2: PROCESO ITERATIVO

Primera Iteracin

La variable bsica entrante es x3, puesto que es la que tiene mayor coeficiente en
la funcin objetivo de (I), o bien es la de coeficientes ms negativos en la tabla
inicial (-8 en este ejemplo).

La variable bsica saliente se determina de la siguiente manera: la cota superior
de la variable bsica entrante xent = x3, viene dada por + si a'13 0 y b'1/a'13 si
a13>0. Entonces, los valores de a'13 y b1 son:

Restriccin
1 a'13 = 1 b'1 = 12
2 a'23 = 1 b'2 = 24
3 a'33 = 1 b'3 = 8

Como todos los coeficientes de las ecuaciones i (i = 1, 2,3) son posit ivos, entonces
la cota superior estar dada por b'1/a'13. O sea:

b1/a'13 = 12/1 = 12
b'2/a'23 = 24/4 = 6
b'3/a'33 = 8/1 = 8


La menor cota superior es 6, que corresponde a la restriccin numero 2. La
variable bsica que corresponde a esa ecuacin es x5 y es, en consecuencia, la
variable bsica saliente. Es decir, en el conjunto de variables bsicas se cambia a
x5 por x3, por lo que las nuevas variables bsicas son x4, x3 y x6.

Ahora x3 es una variable bsica, luego debe tener un coeficiente +1 en l a segunda
ecuacin y no debe aparecer en ninguna otra, es decir, en cualquier otra ecuacin
distinta de la segunda restriccin (que es la ecuacin donde la variable bsica es
x3) el coeficiente de x3 debe ser cero. Esto se logra de la siguiente manera:

1. Divida toda la ecuacin por 4, que es el coeficiente de x3 en la segunda
restriccin.
La ecuacin queda

2x1 - x2 + 1x3 + 1/4x5 = 6 (A)

2. Para lograr ceros en los coeficientes de x3 en las nuevas ecuaciones (0),
(1) y (3) multiplique la ecuacin (A) anterior por 8, -1 y -1 uno a la vez, y
sume el resultado a las ecuaciones anteriores (0), (1) y (3). O sea,
multiplicar la ecuacin (A) por 8 se obtiene:

16x1 - 8x2 + 8x3 + 2x5 = 48

Esta ecuacin sumada con la ecuacin (0) se partida queda:

Z + 14x1 13x2 + 2x5 = 48

Que vendra a ser la ecuacin (0).


De manera similar, para lograr un cero en el coeficiente de x3 de la ecuacin (1),
multipliquemos la ecuacin (A) por -1 y sumemos el resultado a la ecuacin (1).

(1) Ecuacin A: -2x1 + x2 x3 -1/4X5 = - 6
Ecuacin (1): x1 + x2 + x3 + x4 = 12
Nueva Ecuacin: - x1 + 2x2 + x4 1/4x5 = 6

Finalmente, para lograr un cero en el coeficiente de x3 de la ecuacin (3),
multipliquemos (A) por -1 y sumemos el resultado a (3). La nueva ecuacin (3)
despus de la transformacin es:

-2x1 + 2x2 - 1/4x5 + x6 = 2

La solucin presente despus de la primera iteracin es:

(x1, x2, x3, x4, x5, x6) = (0, 0, 6, 6, 0, 2); Z = 48

Estos resultados se presentan de una manera sencilla en forma tabular. Al igual
que se hizo con la tabla inicial, registramos solamente los coeficientes de las
variables y los colocamos inmediatamente debajo de la tabla inicial. Esta segunda
tabla proporciona una manera fcil de ver los valores actuales de las variables
bsicas despus de que se ha realizado la primera iteracin.

La tabla inicial y la que resulta despus de la primera iteracin son las siguientes:


V.B x1 x2 x3 x4 x5 x6 b
Z -2 -5 -8 0 0 0 0
x4 1 1 1 1 0 0 12
x5 8 -4 4 0 1 0 24
x6 0 1 1 0 0 1 8
Tabla Inicial

Tabla Despus De La Primera Iteracin

Observe que si en la segunda tabla se intercambian las columnas de x5 y x3, de
nuevo se destaca la matriz unitaria.

En este momento, es oportuno preguntarse si la solucin que se ha obtenido
despus de la primera iteracin es la solucin ptima. Para responder la pregunta,
veamos si es posible incrementar una de las variables de tal manera que la
funcin objetivo aumente. La funcin objetivo despus de la primera iteracin es:
Z + 14x1 13x2 + 2x5 = 48, o bien
Z = -14x1 + 13x2 2x5 + 48
V.B x1 x2 x3 x4 x5 x6 b
Z 14 -13 0 0 2 0 48
x4 -1 2 0 1 -1/4 0 6
x5 2 -1 1 0 1/4 0 6
x6 -2 2 0 0 -1/4 1 2


Si aumentamos x2 aumentar el valor de Z, puesto que su coeficiente es positivo
(+13). Por consiguiente, todava no hemos obtenido el valor ptimo y necesitamos
realizar otra iteracin. A esta misma conclusin hubisemos llegado si
observamos que en la tabla despus de la primera iteracin, todava existe un
coeficiente (el de x2) que es negativo.

Segunda iteracin

Despus de la primera iteracin, el sistema de ecuaciones queda:

Z = -14x1 + 13x2 -2x5 + 48
-x1 + 2x2 + x4 - 1/4x5 = 6
2x1 - x2 + x3 + 1/4x5 = 6
-2x1 +2x2 - 1/4x5 + x6 = 2

La variable bsica entrante es x2, puesto que es la que tiene mayor coeficiente en
la funcin objetivo, o bien es la del coeficiente ms negativo en la tabla despus
de la primera iteracin.
Para determinar la variable bsica saliente, procedemos de manera similar a lo
que hizo en la primera iteracin.
En este caso xent = x2

Restriccin
1 a'12 = 2 , b'1 = 6
2 a'22 = -1 , b'2 = 6
3 a'32 = 2 , b'3 = 2


Las cotas superiores son:

6/2 = 2
+ ya que a'22 = -1 < 0
2/2 = 1

La menor cota superior es 1 y corresponde a la tercera restriccin. Entonces la
variable bsica saliente es x6, es decir, cambiamos x6 por x2. Las nuevas
variables son x4,x3 y x2.

Como x2 es ahora una variable bsica, debe tener un coeficiente +1 en la
ecuacin (3) y no debe aparecer en ninguna otra ecuacin. Esto se logra de la
siguiente manera:

1. Se divide toda la ecuacin (3) por 2, que es el coeficiente de x2 en esa
ecuacin.

2. Se multiplica la ecuacin resultante en el paso 1. por 13, -2 y +1, unos a
las vez, y se suman los resultados a las ecuaciones (0), (1) y (2).

El resultado es:

Z + x1 +3/8x5 + 13/2x6 = 61 (0)
x1 + x4 - x6 = 4 (1)
x1 + x3 + 1/8x5 + 1/2x6 = 7 (2)
x1 + x2 - 1/8x5 + 1/2x6 = 1 (3)


Regla de parada

Como todos los coeficientes de la ecuacin (0) son positivos, la solucin presente
es ptima; o sea: Z = 61, x4 = 4, x3 = 7, x2 =1 y el resto de las variables son
ceros.

Al igual que en la primera iteracin, los resultados se pueden presentar en forma
tabular. La tabla inicial y las que resultan despus de la primera y de la segunda
iteracin, son las siguientes:

V.B x1 x2 x3 x4 x5 x6 b
Z -2 -5 -8 0 0 0 0
x4 1 1 1 1 0 0 12
x5 8 -4 4 0 1 0 24
x6 0 1 1 0 0 1 8
Tabla Inicial

V.B x1 x2 x3 x4 x5 x6 b
Z 14 -13 0 0 2 0 48
x4 -1 2 0 1 -1/4 0 6
x5 2 -1 1 0 1/4 0 6
x6 -2 2 0 0 -1/4 1 2
Primera Iteracin


V.B x1 x2 x3 x4 x5 x6 b
Z 1 0 0 0 3/8 13/2 61
x4 1 0 0 1 0 -1 4
x5 1 0 1 0 1/8 1/2 7
x6 1 1 0 0 -1/8 1/2 1
Segunda Iteracin

La solucin ptima es (x1, x2, x3, x4, x5, x6) = (0, 1, 7, 4, 0, 0); Z = 61
Hemos visto la aplicacin del mtodo Simplex para obtener la solucin ptima de
un problema de Programacin Lineal y su forma tabular asociada. En realidad, el
proceso de hace bastante mas expedito utilizando directamente la tabla, sin tener
que pasar por las ecuaciones correspondientes. La determinacin de las variables
bsica entrantes y salientes en cada iteracin, puede hacerse directamente a
partir de cada una de las tablas.
Ejemplo 4:
Observemos el siguiente ejemplo, recordando los pasos fundamentales en el
mtodo simplex, adems del uso de variables artificiales, no confundir con
adicionales.
Maximizar Z = -5x
1
+ 8x
2
+ 3x
3
,
sujeto a
2x
1
+ 5x
2
- x
3
1
-3x
1
- 8x
2
+ 2x
3
4
-2x
1
- 12x
2
+ 3x
3
9
1. Expresamos estas condiciones en forma matricial. Se eligen 3 (m)
columnas linealmente independientes dentro de A ___ P
4
, P
5
, P
6
.


P
4
P
5
P
6

2
5 -1 1 0 0

1

-3 -8 2 0 1 0 4
-2
-
12
3 0 0 1 9
Al introducir estas tres nuevas columnas, estamos utilizando tres variables
adicionales: x
4
, x
5
y x
6
.
Nuestra funcin objetivo tendr la siguiente expresin:
Z = -5x
1
+ 8x
2
+ 3x
3
+ 0x
4
+ 0x
5
+ 0x
6

Se resuelve el sistema en las variables correspondientes:

1 - 2x
1
- 5x
2
+ x
3
= x
4

4 + 3x
1
+ 8x
2
- 2x
3
= x
5

9 + 2x
1
+ 12x
2
- 3x
3
= x
6

Haciendo x
1
= x
2
= x
3
= 0 se obtiene el vrtice de salida:
(0,0,0,1,4,9)
Obtenemos, asimismo una "nueva" funcin objetivo:
Z =-5x
1
+ 8x
2
+ 3x
3
+ 0 (1 - 2x
1
- 5x
2
+ x
3
)+ 0 (4 + 3x
1
+ 8x
2
- 2x
3
) + 0 (9 + 2x
1

+ 12x
2
- 3x
3
)
2. De aqu obtenemos que z
0
= 0


3. Para ver si es posible mejorar z
0
, se examina la funcin z=f(x
1
, x
2
, x
3
) y de
todos los coeficientes que sean positivos, se coge el mayor. Mientras haya
coeficientes positivos se va a poder mejorar.
Se plantea como aumentar el valor de una variable, de forma que las otras
variables que aparecan en la expresin de Z sigan nulas y, al menos, una
de las que eran distintas de cero se anule.
Actuaremos sobre la variable x
2
, ya que es la de mayor coeficiente, 8.
Nuestro siguiente vrtice debe cumplir las siguientes condiciones:
x
2
=k>0,
x
1
= x
3
= 0
y x
4
, x
5
, x
6
0 y de estas tres variables, al menos, una nula.
Se resuelve el sistema en las variables sealadas, teniendo en cuenta
todas las anteriores condiciones:

1 - 5k = x
4

4 + 8 k = x
5

9 + 12k = x
6

Debemos anular x
4
, ya que es imposible anular x
5
y x
6
, con valores
positivos. La mejor eleccin ser k=1/5,
Con este valor obtenemos el nuevo vrtice de salida:
(0, 1/5 ,0,0, 28/5 ,57/5)
Ahora debemos rehacer las expresiones, expresadas en funcin de x
1
, x
3
y
x
4
.
4. Se cambia la columna de la variable sealada que acaba de anularse por la
de la sealada que aument su valor.


P
2
P
5
P
6

2/5
1 -1/5 1/5 0 0

1/5

1/5 0 2/5 8/5 1 0 28/5
14/5 0 3/5 12/5 0 1 57/5
Se resuelve el sistema y se encuentra la expresin de la funcin objetivo
correspondiente a esa eleccin de columnas.
Z = 8/5 - 41/5 x
1
+ 23/5 x
3
+ 8/5 x
4

Obtenemos z
1
, que saldr de sustituir el valor del vrtice hallado en la nueva
expresin de la funcin objetivo:
z
1
= 8/5.
5. Se repite cuantas veces haga falta el proceso. (mientras haya coeficientes
positivos).
x
3
= k
x
1
, x
4
= 0
Por tanto,

1/5 + k/5 = x
2

28/5 - 2/5 k = x
5

57/5 - 3/5 k = x
6

Elegimos k= 14 (2 igualdad), obteniendo los siguientes valores:


P
2
P
3
P
6

1/2 1 0 1 1/2 0

3

1/2 0 1 4 5/2 0 14
5/2 0 0 -3/2 0 1 3
Se resuelve el sistema y se encuentra la expresin de la funcin objetivo:
Z = 66 - 21/2 x
1
- 20 x
4
+ 23/2 x
5

Calculamos el vrtice de salida, haciendo x
1
= x
4
= x
5
= 0,
(0,3,14,0,0,3) z
2
= 66
Ya no se puede mejorar este valor (no hay coeficientes positivos). El
proceso ha finalizado.
vrtice solucin: (0,3,14)
Alcanzado para Z= 66

Comentarios
Para arrancar el simplex se precisa de un vrtice inicial. Cuando las
columnas de la matriz identidad estn dentro de A, este primer vrtice
siempre se puede hallar.
Si I
m
no est dentro de A:
(I
m
, matriz identidad de mxm, con m= n de condiciones.)
1. Debe elegirse m columnas linealmente independientes de A
cualesquiera. Aun as, puede que el simplex no arranque.
2. Manipular las ecuaciones del sistema para que ste sea equivalente
y la matriz identidad aparezca en el sistema final.


1

1

-1

0

1

2 3 0 1 6

F
1

F
2
- 2F
1

1

1

-1

0

1

0 1 2 1 4

con Z, funcin objetivo del problema.
3. Introduccin de nuevas variables, variables artificiales (no confundir
con adicionales). Sern tantas como sean necesarias y donde sean
necesarias para obtener la matriz identidad.

-1 0 0 1 1

48

1 2 -1 0 0 97
0 2 0 -1 0 11

-1 0 0 1 1 0 0

48

1 2 -1 0 0 1 0 97
0 2 0 -1 0 0 1 11
5. con Z, funcin objetivo del problema.
Esta introduccin afecta a las condiciones y a la funcin objetivo que
quedar modificada en el sentido de que habr dos variables nuevas
ms (variables artificiales).
Se aaden tantos sumandos nuevos como variables artificiales
introducidas con coeficiente -M, siendo M arbitrariamente grande,
que no hace falta especificar.
Z = 2x
1
- x
2
+ x
4
- 3x
5
- M(x
6
+ x
7
)


Obtenemos un nuevo problema, llamado problema aumentado, de
cuya solucin se saca la solucin del problema estudiado:
I. Problema inicial (a su forma cannica): A X = B; Z = C
t
X
II. Problema aumentado: A' X = B; Z
*
= C'
t
X
Si el problema aumentado tiene solucin en un vrtice en el que todas las
variables artificiales toman el valor cero, tendremos un vrtice solucin para el
problema en la forma cannica.
V
s
* = (v
1
, v
2
,..., v
n
, ..., 0,..., 0

) solucin de II ___ V
s
= (v
1
, v
2
,..., v
n
) solucin de I.
Si el problema aumentado tiene una solucin en un vrtice en el que alguna de
sus componentes artificiales sea no nula, el problema inicial no tiene solucin.

LECCION 23. DUALIDAD
Para cada problema de programacin lineal hay una asociacin y una relacin
muy importante con otro problema de programacin lineal, llamado precisamente
dual. El dual permite resolver problemas de maximizacin resolviendo un
problema minimizacin relacionado con aquel.
El mtodo simplex adems de resolver un problema de programacin lineal
llegando a una solucin ptima nos ofrece ms y mejores elementos para la toma
de decisiones. La dualidad y el anlisis de sensibilidad son potencialidades de
ste mtodo
El dual es un problema de PL que se obtiene matemticamente de un modelo
primal de PL dado. Los problemas dual y primal estn relacionados a tal grado,
que la solucin simplex ptima de cualquiera de los dos problemas conduce en
forma automtica a la solucin ptima del otro.

23.1 PASOS PARA CONVERTIR UN PROBLEMA PRIMAL A UNO DUAL
1. Si el primal es un problema de maximizacin su dual ser un problema de
minimizacin y viceversa.
2. Los coeficientes de la funcin objetivo del problema primal se convierten en
los coeficientes del vector de la disponibilidad en el problema dual.


3. Los coeficientes del vector de disponibilidad del problema original se
convierten en los coeficientes de la funcin objetivo (vector de costo o
precio) en el problema dual.
4. Los coeficientes de las restricciones en el problema primal, ser la matriz
de los coeficientes tecnolgicos en el dual.
5. Los signos de desigualdad del problema dual son contrarios a los del
primal.
6. Cada restriccin en un problema corresponde a una variable en el otro
problema. Si el primal tiene m restricciones y n variables, el dual tendr n
restricciones y m variables. As, las variables Xn del primal se convierte en
nuevas variables Ym en el dual.

PROBLEMA PRIMAL EN
FORMA CANONICA:
MAX Z= CX
Sujeto a:
AX b
X 0
PROBLEMA DUAL EN
FORMA CANONICA:
MIN Z= BY
Sujeto a:
AY C
Y 0


23.2 EJEMPLOS RESUELTOS

EJEMPLO 1

Encontrar el dual del siguiente problema:
Maximizar Z = 3X1 + 4X2 + 2X3
Sujeta a X1 + 2X2 + 0X3 10,
2X1 + 2X2 + X3 10,
X1, X2, X3 0.
El duaL es:
Minimizar W = 10Y1 + 10 Y2
Sujeta a Y1 + 2Y2 3,
2Y1 + 2Y2 4,
0Y1 + Y2 2,
Y1, Y2 0.

EJEMPLO 2
Encontrar el dual del siguiente problema:
Minimizar Z = 4X1+ 3X2
Sujeta a 3X1 - X2 3, (11)
X1 + X2 1, (12)
-4X1 + X2 3, (13)
Y1, Y2 0.


Debido a que es un problema de minimizacin, las restricciones (12) y (13) deben
quedar >. Multiplicando ambos lados de (12) y (13) por -1, tendremos -X1 - X2 > -
1 y 4X1 - X2 > -3. Por lo tanto:

3X1 - X2 2,
X1 - X2 -1,
4X1 - X2 -3.

El dual es:

Maximizar W = 2Y1 Y2 3Y3
Sujeta a 3Y1 Y2 + 4Y3 4,
-Y1 - Y2 - Y3 3,
Y1, Y2, Y3 0.


LECCION 24. COMPARACION ENTRE EL METODO SIMPLEX Y DUAL -
SIMPLEX
PRIMAL DUAL
Necesita para comenzar una base
(primal) factible.

Partiendo de una base primal factible,
se trata de alcanzar una factibilidad
del dual, manteniendo una factibilidad
del primal a travs de todo el proceso.

El criterio para optimizacin para el
primal es el criterio de factibilidad del
dual.

Los elementos pivote son posibles en
todas las iteraciones, a fin de
mantener la factibilidad del primal.

La columna pivote se selecciona
primero entre aquellas columnas que
corresponden a un coeficiente
negativo, luego se determina la fila
pivote de tal manera que se garantice
que la factibilidad del primal se
mantenga en la prxima base.

La no factibilidad del dual se
establece en el simplex primal, si la
columna pivote no tiene componentes
Necesita para comenzar una base
(dual) factible.

Partiendo de una base dual factible, el
mtodo trata de alcanzar factibilidad
del primal, manteniendo una
factibilidad del dual a travs del todo
el proceso.
El criterio de optimizacin para el dual
Es el criterio de factibilidad para el
primal.

Los elementos pivotes son negativos
en todas las iteraciones, a fin de
acercarse a la factibilidad del primal.

La fila pivote se selecciona primero y
entre aquellas filas que tienen un
valor actualizado negativo en el
segundo miembro de las ecuaciones.
Se determina luego la columna pivote
de tal manera que se mantenga la
factibilidad dual en la prxima base.

La no factibilidad del primal se
establece en el dual simples, si la
fila pivote no tiene componentes con


con valores positivos. valores negativos.

LECCION 25. ANALISIS DE SENSIBILIDAD

Una vez que se ha obtenido la solucin ptima de un problema de programacin
lineal, es muchas veces necesario realizar un anlisis de sensibilidad; esto es
estudiar cmo cambia la solucin del problema por cambios discretos que se
introduzcan en los distintos coeficientes de este problema. Los cambios discretos
en esos coeficientes pueden o no afectar la condicin de factibilidad (XB0) y la
llamada condicin de optimalidad (todos los Zj Cj 0 para los problemas del tipo
maximizacin).

Una forma de conocer los cambios que ocurren en la solucin ptima de un
problema de P.L. cuando ocurren cambios (discretos) en uno o ms coeficientes,
es resolver completamente el nuevo problema y comparar su solucin con la
obtenida en el problema original. Esto puede ser, sin embargo, completamente
ineficiente. Otra manera es hacer uso de las propiedades del primal-dual
estudiadas anteriormente. En general, esto ltimo reduce bastante el esfuerzo
computacional, comparando con el que tendramos que realizar si resolvemos el
nuevo problema y es precisamente lo que haremos en esta seccin.

Despus de llegar a la solucin de un problema de programacin lineal. Puede
ocurrir que el administrador necesite hacer ciertos cambios en los recursos
disponibles de la operacin, en el costo de operacin, en el precio de materia
producido, etc. Generalmente estos cambios dan origen a un nuevo problema, y
su resolucin requiere recursos financieros, humanos y tiempo; pero en ocasiones
no es factible gastar y esperar ms por el nuevo problema creado con el cambio
ocurrido en las disponibilidades. Con las propiedades del mtodo simplex no se
necesitar resolver el nuevo problema desde el principio, ya que es posible reducir
muchos clculos y ahorrar recursos y tiempo llegando a nuevas soluciones
ptimas, sin resolver el problema totalmente, pues ese es el objetivo del anlisis
de sensibilidad. El anlisis de sensibilidad permite utilizar la tabla final para realizar


operaciones con objeto de analizar los siguientes cambios en el problema de
programacin lineal:

Cambios en el vector de disponibilidad de recursos
Cambios en el vector de costos o precio, o sea, en los coeficientes de la
funcin objetivo
Adicin de nuevas actividades, es decir, las variables de decisin
Aumentar el nmero de restricciones.

CAMBIOS EN EL VECTOR DE DISPONIBILIDAD

Suponga el siguiente problema de programacin lineal:

Max Z= 8X1 + 6X2
Sujeta a:
4X1 + 2X2 60
2X1 + 4X2 48
X1 + X2 0
El presidente de la fbrica decidi aumentar 2 horas de cada da en la capacidad
de los dos departamentos (la fbrica trabaja 6 das a la semana, pero los sbados
trabajan hasta medio da). Al presidente le interesa saber que efectos tendrn sus
decisiones sobre la solucin ptima actual.
Z=132 X1= 12 X2= 6 H1= 0 H2= 0
Segn la decisin del presidente el nuevo problema ser:
Max Z= 8X1 + 2X2
Sujeto a:
4X1 + 2X2 71


2X1 + 4X2 59
Para resolver ese problema utilizamos la tabla final del problema anterior.
Base Variables de
Decisiones
X1 X2
Variables de
Holgura
H1 H2
Solucin
Z 0 0 5/3 2/3 132
Final X1
X2
1 0
0 1
1/3 -1/6
-1/6 1/3
12
6
Multiplicamos la matrz de los coeficientes tecnolgicos de las variables que no
estn en la base, al nuevo vector de disponibilidad, por consiguiente los nuevos
valores de las variables bsicas actuales son:
X1 1/3 -1/6 71 14
= =
X2 -1/6 1/3 59 7.5

Como X1 y X2 no son negativos la nueva solucin es factible y ptima. Para
encontrar el valor Z multiplicamos el vector de costo o precio al vector de la nueva
solucin.
14
(8,6) = 157
7.5

Supngase que por dificultades econmicas no se puede vender el producto con
la misma rapidez que el ao pasado, y por problemas de liquidez no es posible
cubrir el sueldo de todos los trabajadores, pero como se sabe que la situacin es
temporal no se quiere cerrar la planta completamente, as que el presidente


decidi reducir la capacidad en ensamble y terminacin a 56 y 25 horas
respectivamente, pero su inquietud es saber qu efectos tendrn estas nuevas
decisiones en el nivel de produccin y en su ganancia, por consiguiente el nuevo
problema ser:
Max z= 8x1 + 6x2
SUJETO A:
4x1 + 2x2 56
2x1 + 4x2 25
Solucin:
X1 1/3 -1/6 56 14.5
= =
X2 -1/6 1/3 25 -1

Como los nuevos valores de las variables de decisin tienen signo negativo violan
la propiedad del simplex, o sea, cuando el sector [b] [0] la solucin no es factible.
Entonces la nueva solucin de la segunda restriccin X2= -1 no es factible; aqu
el mtodo de dual simplex llega a ser importante para restablecer la factibilidad del
problema.
Base X1 X2 H1 H2 Solucin
Z 0 0 5/3 2/3 110
X1
X2
1
0
0
1
1/3 -1/6
-1/6 1/3
14.5
-1

Z 0 10 0 4 100
X1
X3
1
0
2
-6
0
1 -2
12.5
6

ptimo
La solucin factible y ptima actual es: X1= 12.5, X2= 0, X3= 6, X4= 0, Z= 100


No se debe olvidar que para encontrar cul recurso hay que aumentar a fin de
lograr el mejor rendimiento marginal, tenemos que ver en la tabla final de dual
aquella variable dual correspondiente a la restriccin primal que tiene el valor
positivo ms alto, y el recurso que rendir ms si aumentamos unas unidades.
Para ms informacin ver la interpretacin de dual.
CAMBIO AL VECTOR DE COSTO O PRECIO
Supongamos que la compaa tiene mucha mercanca almacenada que no puede
vender. El presidente decide bajar el precio de la mesa a 6 pesos y el de la silla a
5 pesos, pero antes de hacer vlida al decisin quiere saber qu efecto tendr en
su operacin y ganancia; el nuevo problema ser:
Max Z= 6X1 + 5X2
Sujeto a:
4X1 + 2X2 60
2X1 + 4X2 48
X1,X2 0
Solucin:
El anlisis de sensibilidad para este tipo de cambio toma como punto de partida la
solucin ptima del problema original multiplicando el nuevo vector de costo o
precio (valores de la funcin objetivo por la matriz de coeficientes tecnolgicos), o
sea, la matriz de los coeficientes de las variables que no estn en la base de la
tabla final de simplex: el resultado de esta multiplicacin le llamaremos Q.
Si Q 0 la solucin es factible, si Q 0 la solucin no es factible. Hay una mejor
explicacin con el procedimiento de simplex. Si la solucin es factible se debe
verificar que la solucin sea ptima tambin, si no es ptima, seguimos con el
procedimiento de simplex.
Para verificar si Q es el resultado de la F.O. por la matriz de coeficientes
tecnolgicos multiplicamos Q por la matriz de los coeficientes del dual, y
llamaremos al resultado de esta multiplicacin L, restamos L, con el nuevo vector
de costo o precio, si el resultado es el cero; la solucin es ptima si no seguimos
con el procedimiento simplex.


C
(vector de costo y precio) x Mariz de = Q
Coeficientes
Tecnolgicos

Q matriz de las variables = L
De cual es dual

L C = 0, la solucin es ptima

1/3 -1/6
(6,5) = (7/6,2/3)
-1/6 1/3

Como Q, o verificamos la optimalidad
4 2
(7/6, 2/3) = (6,5)
2 4
Los nuevos coeficientes de la F.O. (Z) correspondientes a X1 y X2 de la tabla final
de simplex son:

(8 6) (8 5) = (2 1)


LECCION 26. TALLER METODO SIMPLEX
1. MAXIMIZAR

Z= x1 + 2x2

Sujeta a

2x1 + x2 8
2x1 + 3x2 12
x1, x2 0

2. MAXIMIZAR

Z= -x1 + 3x2

Sujeta a
x1 + x2 6
-x1 + x2 4
x1, x2 0

3. MAXIMIZAR

Z= 8x1 + 2x2


Sujeta a

x1 x2 1
x1 + 2x2 8
x1 + x2 5
x1, x2 0

4. Una compaa de carga maneja envos para 2 compaas, A y B, que se
encuentran en la misma ciudad. La empresa A enva cajas que pesan 3
libras cada una y tiene un volumen de 2 pies; la B enva cajas de 1 pie con
peso de 5 libras cada una. Tanto A como B hacen envos a los mismos
destinos. El costo de trasporte para cada caja de A es $7500 y para B es
$5000. la compaa transportadora tiene un camin con espacio de carga
para 2400 pies y capacidad mxima de 9200 libras. En un viaje, Cuntas
cajas de cada empresa debe transportar el camin para que la compaa
de transportes obtenga el mximo ingreso? cual es este mximo?

5. una compaa fabrica 3 productos X, Y, Z. cada producto requiere de los
tiempos de maquina y tiempo de terminado como se muestran en la tabla.
Los nmeros de horas de tiempo de maquinas y de tiempo de terminado
disponibles por mes son 900 y 5000 respectivamente. La utilidad por unidad
X, Y y Z es $3000, $4000 y $6000 respectivamente. Cual es la utilidad
mxima al mes que puede obtenerse?

TIEMPO DE
MAQUINA
TIEMPO DE
TERMINADO
X 1 4
Y 2 4
Z 3 8


LECCION 27. TALLER DUALIDAD

En los siguientes problemas hay que encontrar solo la forma dual del
ejercicio no es necesario que los resuelva, sin embargo si es su deseo
hacerlo proceda.

1. MAXIMIZAR

Z= 2x1 + 3x2

Sujeta a

x1 + x2 6
-x1 + x2 4
x1, x2 0

2. MAXIMIZAR

Z= x1 + 8x2 + 5x3

Sujeta a

x1 + x2 + x3 8
-x1 + 2x2 + x3 2
x1, x2, x3 0


3. Una empresa est comparando los costos de publicidad en dos medios de
comunicacin: peridicos y radio. Para cada peso de publicidad la tabla que
aparece en seguida presenta el numero de personas por grupo de ingresos, de
cada uno de esos medios de comunicacin alcanza. La empresa desea llegar a
cuando menos 8000 personas de las que tienen ingresos de menos de
$500.000 y cuando menos 6000 de las que ganan mas de $500.000. utilizar el
dual y el mtodo simplex para hallar las cantidades que debe invertir la
empresa en publicidad en peridicos y en radio, para llegar a ese nmero de
personas, con un costo total mnimo. cual es el costo total mnimo de
publicidad?

MENOS DE
$500.000
MAS DE $500.000
PERIODICOS 40 100
RADIO 50 25

LECCION 28. DEGENERACION: INTRODUCCION

Las unidades anteriores cubren los aspectos fundamentales del modelo de
programacin lineal. Pero este captulo se presentan algunos tpicos avanzados
relacionados con la degeneracin en programacin lineal, as como algoritmos
para resolver problemas con estructuras especiales. Con el estudio de esta unidad
entonces, es complemento natural de un primer curso de investigacin de
operaciones para un estudiante de ingeniera.


DEGENERACION EN PROGRAMACION LINEAL

En el desarrollo del mtodo simple, hemos visto que si existe una solucin bsica
factible (pero no optima) al conjunto de restricciones y en ausencia de
degeneracin, es posible ir combinando sucesivamente un vector de la base y
alcanzar una solucin optima (o una indicacin de que la solucin no esta
acotada) en un numero finito de pasos.
Para la solucin de la degeneracin en programacin lineal existen dos mtodos
importantes: mtodo de perturbacin de charnes y mtodo simplex generalizado.

1. METODO DE PERTURBACION DE CHARNES

Se considera solamente la resolucin de un problema particular, considerando un
conjunto de problemas cuyos valores son modificados a un valor en particular.
Cuando los valores no se modifican el conjunto de problemas incluye el problema
original a resolver.

PASOS PARA OBTENER UNA SOLUCION DEGENREADA APARTIR DE LA
SOLUCION BASICA

Numeramos los vectores de tal manera que aquellos que conforman la
matriz identidad estn de primero.
Comenzando con una matriz identidad como base podemos obtener
siempre una solucin bsica inicial para el problema perturbado.
En algunos casos no es importante hallar el valor de E (dado por algunos libros
como el coeficiente que acompaa el resultado de la solucin factible), ya que no
es necesario en la practica porque requiere de mucho trabajo sin embargo es
importante ya que demuestra que cualquier valor entre 0 y Emax puede perturbar
el resultado de la solucin degenerada.


2. USO DE LA TECNICA DE PERTURBACION EN EL METODO SIMPLEX EN
FORMA TABULAR

Para aplicar la tcnica de perturbacin de Charnes con el mtodo tabular del
algoritmo simplex se resuelve de la misma forma que el mtodo simplex para
realizar el clculo de la SBF (solucin bsica factible).
En primer lugar consideramos las menores potencias de E porque los valores mas
pequeos son los que cuentan.
Claro esta que en el uso de la tcnica de perturbacin con el mtodo simplex en
forma tabular, debemos proveer las columnas para los vectores artificiales que se
requieran.
Veamos a continuacin un ejemplo ilustrativo del procedimiento para seleccionar
el vector que debe salir de la base y que asegurar que el ciclaje no ocurrir.

V.B
a1
x1
a2
x2
a3
x3
a4
x4
a5
x5 b
Z 0 0 0 -4 -3 0
X1 1 0 0 2 4 2
X2 0 1 0 3 1 0
X3 0 0 1 4 2 0

En la primera iteracin el vector a4 entra a la base. Ahora bien, al dividir Xb/Yi4 se
tiene

Min {2/2;0/3;0/4}=0 (no es nico)


El vector que sale de la base esta unvocamente determinado, puesto que
XB2/Y24=XB3/Y34=0 nos movemos entonces a la primera columna y
determinamos:

Y21/Y24 y Y31/Y34.

Y21/Y24=0/3=0
Y31/Y34=0/4=0

En ambos casos el coeficiente es cero. Tomemos entonces la columna de a2
(segunda columna) y calculamos Y22/Y24 y Y32/Y34, o sea:

Y22/Y24=1/3; Y32/Y34=0/4=0

En este caso se obtiene el coeficiente mnimo de cero.

Entonces sacamos de la base al vector a3. En otras palabras, la variable X4 entra
y sale X3. el elemento pivote es entonces Y34=4. la nueva tabla ser:


V.B
a1
x1
a2
x2
a3
x3
a4
x4
a5
x5 b
Z 0 0 1 0 -1 0
X1 1 0 -1/2 0 3 2
X2 0 1 -3/4 0 -1/2 0
X3 0 0 1 0

Primera iteracin
Con una iteracin adicional obtenemos la solucin ptima. A partir de la
informacin dada en las tablas, vamos a mostrar la solucin correspondiente al
problema perturbado.
Para la primera tabla de acuerdo a la ecuacin

n+s
Xb(E) = Xb + E ^ (j)Yj
j=1

Tenemos:

XB1 (E) = 2 + E +2E^(4) +4E^(5)
XB2 (E) = 0 + E^(2) +3E^(4) +E^(5)
XB3 (E) = 0 + E^(3) +4E^(4) +2E^(5)
Z(E) = 0


Los nuevos valores XnBi(E) cuando se incorpora el vector a4 se obtiene la
segunda tabla y son los siguientes:
XnB1 (E) = 2 + E^(3) (1/2)E^(3) +3E^(5)
XnB2 (E) = E^(2) (3/4) E^(3) (1/2)E^(5)
XnB4 (E) = 1/4E^(3) + 4E^(4) +2E^(5)
ZN(E) = E^(3) + 4E^(4) + 2E^(5)

Para los valores pequeos de E los XBi(E) son positivos. A dems
ZN(E) > Z(E).

METODO SIMPLEX GENERALIZADO

Esta tcnica utiliza el concepto de vectores ordenados lexicogrficamente.
Un vector X es lexicogrficamente positivo (y se denota por X>0) y su primer
componente distinto de 0 es positivo. Dicho de otra manera, si examinamos el
vector X de izquierda a derecha y encontramos que la primera componente
distinta de cero es positiva, entonces el vector es lexicogrficamente positivo.

Seleccin del vector que entra en la base

El vector que entra en la base en cualquier iteracin se determina de la misma
manera que el mtodo simplex comn, de hecho es el mismo vector que entrara
si tratramos con la solucin bsica factible XB del problema original.
Seleccin del vector que sale de la base

Para determinar el vector que sale de la base podemos utilizar una generalizacin
de la formula usual;
XBr/Yrk = min{ XBi/Yik, Yik > 0}


i
EJEMPLO

Utilicemos el mismo ejemplo anterior para mostrar la solucin obtenida utilizando
el mtodo simplex generalizado.

V.B x1 x2 x3 x4 x5 b
Z 0 0 0 -4 -3 0
X1 1 0 0 2 4 2
X2 0 1 0 3 1 0
X3 0 0 1 4 2 0
Z 0 0 1 0 -1 0
X1 1 0 -1/2 0 3 2
X2 0 1 -3/4 0 -1/2 0
X3 0 0 1 1/2 0

Para la tabla inicial

XB1=(2,1,0,0) XB2=(0,0,1,0) XB3=(0,0,0,1)

Z=(0,0,0,0)


Todos los vectores de las variables son lexicogrficamente positivos.

Para la segunda tabla se tiene

XBN1=(2,1,0,-1/2) XBN2=(0,0,1,-3/4) XBN=(0,0,0,-1/4)

ZN=(0,0,0,1)

Los nuevos vectores de las variables son tambin lexicogrf icamente positivos y
adems ZN > Z.

LECCION 29. PROBLEMAS DE PROGRAMACION LINEAL CON VARIABLES
ACOTADAS

En un problema de programacin lineal, frecuentemente ocurre que un cierto
numero de restricciones sin de la forma: 0<Xj <uj o bien 0< lj<X. estos tipos de
restricciones se denominan restricciones de variables acotadas; en el primer tipo
las variables tienen cotas superiores y en el segundo tipo tienen cotas inferiores.

En un problema de programacin lineal donde el nmero de restricciones de
variables acotadas es pequeo, se puede aplicar directamente el mtodo simplex
convencional sin tener inconveniente con el crecimiento de la base. Sin embargo,
si este nmero de restricciones es grande, entonces el tamao de la base puede
ser tal que la aplicacin directa del mtodo simplex convencional resulte poco
eficiente.


LECCION 30. ALGORITMO DE DESCOMPOSICION

INTRODUCCION

Frecuentemente se presentan problemas de programacin lineal de gran tamao y
con una estructura especial, los cuales son computacionalmente imposibles de
resolver. Un ejemplo tpico ocurre cuando cada una de las actividades tiene el
mismo tiempo recursos propios y recursos compartidos con otras actividades.
A este tipo de problemas se les suele aplicar un procedimiento de
descomposicin, el cual consiste en dividir el problema original en subproblemas
de ms fcil manejo y luego resolver estos ltimos casi independientemente.

PRINCIPIO DE DESCOMPOSICION

Los problemas de programacin lineal con un gran numero de restricciones y una
estructura especial, son a menudo computacionalmente difciles de resolver,
puesto que el tiempo de de solucin se incrementa considerablemente con el
numero de restricciones.

Esto hace que sea conveniente utilizar el llamado principio de descomposicin, o
sea, dividir el problema original en un cierto nmero de subproblemas, resolver
estos ltimos casi independientemente y luego reunir las partes para obtener la
solucin optima.


ALGORITMO DE DESCOMPOSICION

Pasos:

1. reducir el problema original de la forma modificada en funcin de las nuevas
variables.
2. encontrar una SBF al problema modificado. A menudo es necesario utilizar
la tcnica de las variables artificiales.
3. para la iteracin en curso y para cada subproblema determine un valor
optimo utilizando la relacin:

Minimizar Wj = (CB R0 Aj Cj)Xj
Sujeto A: BjXj=bj
Xj0

Luego determine (punto optimo)=min{j} para todo j. si 0, la solucin presente
es optima; en el caso contrario vaya al paso 4.

4. introduzca la variable que sea de la solucin optima correspondiente a y
calcule B exp(-1). Vaya al paso 2.

LECCION 31. LA PROGRAMACION LINEAL BASADA EN LOS
COMPUTADORES
Este apndice est basado en el uso de programas de computacin, para facilitar
la aplicacin de la Programacin Lineal y poder obtener resultados rpidamente.
PHP simplex es un programa gratis, que puede ayudar al estudiante a aclarar las
dudas en la aplicacin de la teora dada en este mdulo. Este programa fcil de
manejar, presenta paso a paso y calcula las operaciones usando el mtodo


Simplex, adems calcula y realiza las grficas cuando requiere realizar el
problema por el mtodo grfico.
Por el link: http://www.phpsimplex.com/simplex/simplex.htm entre, haciendo control +
clic sobre este vnculo.
En ayuda tutorial, encuentra la gua clara, para poder usar el programa php
simplex.


FUENTES DOCUMENTALES

DOCUMENTOS IMPRESOS:

THA, Hamdy A. Investigacin de operaciones. Editorial Alfaomega, 5 edicin
1.995.

EPPEN, Gould y Schimidt. Investigacin de operaciones en las Ciencias de
Ingeniera. Editorial Prentice may, 3 edicin

GALLAGHER, Watson. Mtodos Cuantitativos para la Toma de decisiones.
Editorial McGraw Hill

SHAMBLIN, James. Investigacin de Operaciones.

KAUFMANN , A. Faure R. Invitacin a la investigacin de operaciones. 7 edicin.
C:E:C:S:A

MARTHUR Y SOLOW. Investigacin de Operaciones. Editorial Prentice Hall.

SASIENI, Yaspan. Investigacin de operaciones. Mxico. Limusa.

BARROS,Oscar. Investigacin operativa anlisis de sistemas. Chile, Universitaria.

MORA, Jose Luis. Investigacin de operaciones e informtica. Editorial Trillas.


PRAWDA, Juan. Mtodos y Modelos de investigacin de operaciones. Editorial
Limusa, 1.979. Tomo I

THIERAUF, Robert. Introduccin a la investigacin de operaciones. Editorial
Limusa 1.982

HADLEY G. Linear Programming. Editorial Addison-Wesley. 1969

GASS, Saul I. Linear Programming. Methods and Applications. Editorial McGraw
Hill. 1969.

Revistas:

ters & Industrial Engineering.
Computers & Operations Research.
IIE Solutions.
Industrial Engineering.
Industrial World en Espaol.
International Journal of Operations & Production Management.
Management Science.
Manufacturing Engineering.
Mathematical Programming.
Mathematics of Operations Research.
Operations Research.

SOFTWARE EDUCATIVOS:


CPLEX
NETPLOW
OPTIMA
PAFO
SOCRATES
MATLAB
SIAM 2000
PIMAD

DIRECCIONES SITIOS WEB:

SUN W.
NASDAQ.
TODAS LAS DIRECCIONES QUE LLEVEN A INVESTIGACIN DE
OPERACIONES.

Lineal

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

Lineal

Caricato da

Copyright:

Formati disponibili

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

ESCUELA DE CIENCIAS BASICAS TECNOLOGIA E INGENIERIA

Potrebbero piacerti anche