qwertyuiopasdfghjklzxcvbnmqwerty uiopasdfghjklzxcvbnmqwertyuiopasd fghjklzxcvbnmqwertyuiopasdfghjklzx UNIDAD III.

-TEORIA DE LA cvbnmqwertyuiopasdfghjklzxcvbnmq DUALIDAD Y ANALISIS DE LA SENSIBILIDAD wertyuiopasdfghjklzxcvbnmqwertyui HORA:8 A 9 PM opasdfghjklzxcvbnmqwertyuiopasdfg hjklzxcvbnmqwertyuiopasdfghjklzxc vbnmqwertyuiopasdfghjklzxcvbnmq wertyuiopasdfghjklzxcvbnmqwertyui opasdfghjklzxcvbnmqwertyuiopasdfg hjklzxcvbnmqwertyuiopasdfghjklzxc vbnmqwertyuiopasdfghjklzxcvbnmq wertyuiopasdfghjklzxcvbnmqwertyui opasdfghjklzxcvbnmqwertyuiopasdfg hjklzxcvbnmrtyuiopasdfghjklzxcvbn mqwertyuiopasdfghjklzxcvbnmqwert yuiopasdfghjklzxcvbnmqwertyuiopas
INVESTIGACION DE OPERACIONES FECHA:28/ABRIL/2012

3.1 FORMULACION DEL PROBLEMA DUAL

A cada problema de programacin lineal (Primal), existe otro problema tambin lineal llamado Dual. Entre estos dos problemas existen relaciones muy tiles en el llamado anlisis de sensibilidad, dado que todos los parmetros de ambos modelos son meras estimaciones o representar decisiones gerenciales de sus verdaderos valores. La solucin ptima del problema dual proporciona los precios en el mercado o los beneficios de los recursos escasos asignados en el problema original.

Formulacin del problema Dual a partir del primal

En consecuencia; con el problema de maximizacin, el problema dual est conformado por minimizacin. Aun ms, el problema dual usa los mismos parmetros que el problema primal; pero en diferentes lugares, tal como se resume a continuacin. 1) Los coeficientes de la funcin objetivo del problema primal son los lados derechos de las restricciones funcionales del problema dual. La dualidad parte dependiendo de su origen:

1.- El objeto de un problema debe ser opuesto al otro.

2.- El problema de Maximizacin. Debe contar con todas sus restricciones y el de Min .

3.- Las variables de ambos problemas deben ser no negativas. 4.-Cadarestriccin en un problema tiene asociada una variable en el otro y viceversa.

5.- El vector de recursos (transporte) de un problema se convierte en el vector de coeficientes objetivo del otro y viceversa.

6.- La matriz de coeficientes tecnolgicos de un problema es la transpuesta de la matriz de coeficientes tecnolgicos de otros.

EJEMPLO: Una compaa produce y vende 2 tipos de mquinas de escribir: manual y elctrica. Cada mquina de escribir manual es vendida por un ingreso de 40 dls. Y cada mquina de escribir elctrica produce un ingreso de 60 dls. Ambas mquinas tienen que ser procesadas (ensambladas y empacadas) a travs de 2 operaciones diferentes (O1 y O2). La compaa tiene una capacidad de 2000 hrs. Mensuales para la operacin O1 y 1000 hrs. Mensuales de la operacin O2. El nmero de horas requeridas de O1 y O2 para producir un modelo terminado se da en la siguiente tabla.

Encuentre el nmero ptimo de unidades de cada tipo de mquina de escribir que se debe producir mensualmente para maximizar el ingreso. OBJETIVO: Maximizar el ingreso total RESTRICCIONES: horas mensuales de las operaciones VARIABLE DE DECISION: nmero de mquinas de escribir a producir

X1 = nmero de mquinas de escribir manuales X2 = nmero de mquinas de escribir elctricas

3.2 Relacin primal-dual

Todo problema de programacin lineal tiene asociado con l otro problema de programacin lineal llamado DUAL. El problema inicial es llamado PRIMO y el problema asociado (sombra) es llamado el problema PRIMO. Los dos juntos son llamados problemas duales ya que ambos estn formados por el mismo conjunto de datos. La solucin bsica factible ptima de estos problemas es tal que una puede fcilmente ser usada para la solucin de la otra. La dimensin del problema de programacin lineal influencia la eleccin del clculo del primo o del dual. Si el primo tiene ms ecuaciones que variables, es frecuentemente ms fcil obtener la solucin del dual ya que menor nmero de iteraciones son requeridas. Adems si el primo tiene solucin, el dual tendr solucin. Una vez que el problema dual es formulado, el procedimiento de solucin es exactamente el mismo que para cualquier problema de programacin lineal.

El valor ptimo en el primo, es siempre igual al valor ptimo del dual. Los valores absolutos de las variables del Dual (w`s) se encontraran en la tabla final (Optima) del primo en la fila Zj-Cj bajo las columnas de las variables que originalmente aportaron las columnas para formar la matriz identidad. De manera similar el valor absoluto de las variables del primo (xis) se encontrar en la tabla Optima del Dual en la fila Zj-Cj bajo las columnas de las variables que originalmente aportaron las columnas para formar la matriz identidad Relacin Primo - Dual

Considere la forma cannica de dualidad y sea xo y wo soluciones factibles a los problemas del Primo y del Dual respectivamente. Entonces Axo b; x 0; wo A C; y wo O. Multiplicando Axo b en la izquierda por wo O y a wo A C en el derecho por xo O obtenemos: Cxo wo Axo wo b O

MTODO DEL DUAL (TEORIA DE DUALIDAD)

Todo problema de programacin lineal tiene asociado con l otro problema de programacin lineal llamado DUAL. El problema inicial es llamado PRIMO y el problema asociado (sombra) es llamado el problema PRIMO. Los dos juntos son llamados problemas duales ya que ambos estn formados por el mismo conjunto de datos. La solucin bsica factible ptima de estos problemas es tal que una puede fcilmente ser usada para la solucin de la otra. La dimensin del problema de programacin lineal influencia la eleccin del clculo del primo o del dual. Si el primo tiene ms ecuaciones que variables, es frecuentemente ms fcil obtener la solucin del dual ya que menor nmero de iteraciones son requeridas. Adems si el primo tiene solucin, el dual tendr solucin. Una vez que el problema dual es formulado, el procedimiento de solucin es exactamente el mismo que para cualquier problema de programacin lineal.

3.3 I n t e r p r e t a c i n e c o n m i c a de la dualidad

Se basa de manera directa en la interpretacin ms frecuente del problema primal (problema de programacin lineal en nuestra forma estndar).

Interpretacin del problema dual.

Para ver la forma en que esta interpretacin del problema primal conduce a una interpretacin econmica del problema dual. La primera interpretacin econmica de los problemas lineales duales fue formulada por el economista y matemtico L. Kantorovich en 1939, antes incluso de que Dantzig formulara el primer algoritmo para la resolucin de tales problemas. Consideremos el Problema: Primal:

Max z = c1x1 + c2x2 + ... + cnxn

Sujeto a: a11x1 + a12x2 +... + a1nxn b1 a21x1 + a22x2 + ... + a2nxn b2 ... am1x1 + am2x2 + ... + amnxn bm x10, x20... xn0

Supongamos que es un problema de produccin donde: bi (i=1,2,...,m): denota la disponibilidad del recurso i-simo cj (j=1,2,...,n): denota el margen de beneficio unitario del producto j-simo aij: denota la cantidad del recurso i-simo necesaria para obtener una unidad del producto jsimo xj: denota el nivel de produccin del producto j-simo

Como consecuencia: cjxj: denota el beneficio total por las xj unidades del producto j-simo

Por tanto, la funcin objetivo es el margen de beneficio total y queremos determinar los niveles de produccin que la maximizan. aijxj: denota lo que se necesita del recurso i-simo para producir la cantidad xj del producto jsimo.

Por tanto, la restriccin k-sima se traduce en que la cantidad del recurso k-simo que se necesita para elaborar todos los productos ha de ser menor o igual que la disponibilidad del recurso ksimo El Problema Dual del anterior ser:

Min w = b1y1 + b2y2 + ... + bmym

Sujeto a: a11y1 + a21y2 +... + am1ym c1 a12y1 + a22y2 +... + am2ym c2 ... a1ny1 + a2ny2 +... + amnym cn y10, y20,..., ym0
sea (x1, x2,..xn) la solucin optima del problema primal y (y1, y2,..ym) la solucin optima del problema dual. Llamemos z* al valor de la funcin objetivo en el optimo. Sabemos que:

Z*=c1x*1+c2x*2++cnx*n=b1y*1+b2y*2++bmy*m= W*

La variacin marginal que se experimenta en el ptimo cuando vara ligeramente (infinitesimalmente) la constante de i-esima restriccin del problema primal viene dada por: z*/bi= Y*i Asi pues, Qu interpretacin tiene el valor ptimo de la variable dual i-esima? Lo que varia la funcin objetivo en el optimo por unidad en que varia la constante de la restriccin primal i-esima.
Por tanto el valor optimo de la variable dual i-esima (y*i) se interpreta en trminos econmicos como el precio marginal (sombra o ficticio, no de mercado) que en el optimo la empresa esta dispuesta a pagar por un incremento del recurso disponible; no se pagar nunca mas de ese precio por una cantidad suplementaria del recurso disponible ya que, en caso contrario, la empresa obtendr por el uso de esa cantidad una mejora en el valor de la funcin objetivo menor que lo que se ha pagado por el recurso que permite obtenerla.

Observemos ahora las restricciones duales: ajiyj: denota lo que vale al cantidad de recurso j-simo que se necesita para producir una unidad de producto i-simo Por tanto, la restriccin i-sima del dual se interpreta como que el valor total de los recursos necesarios para producir una unidad del producto i-simo es mayor o igual que el beneficio por unidad del producto i-simo. Resumiendo, podemos considerar el Problema Dual como el de determinar un sistema de precios marginales no negativos de forma que se minimice el precio total de los recursos disponibles y tal que el coste imputado a cada unidad de producto sea mayor o igual al margen de beneficio unitario de dicho producto, para cada producto. Como aplicacin al problema de produccin que estamos tratando veamos las siguientes conclusiones, razonadas primero por lgica y luego su equivalente con las Condiciones de Holgura Complementaria (CHC): a) Consideremos la restriccin j del dual, con su variable de holgura: a1j y1 + a2jy2 + ... + amjym ym+j = cj

A Si la variable de holgura asociada a la restriccin j-sima del dual, es positiva nos indicar que A>cj, es decir, que los recursos utilizados en producir una unidad del producto j-simo valen ms que el margen de beneficio unitario del producto j-simo. Por tanto, no sera lgico producir dicho producto, es decir, *j x =0. Ntese que esto es equivalente, por las CHC, a que, si * m+ j y >0 entonces *j x =0. Por tanto, slo se producir de aquellos productos para los cuales el valor de los recursos utilizados en su produccin coincide con su margen de beneficio. Es decir, si *j x >0 entonces *m+ j y =0

b) Para la solucin ptima del problema, unas restricciones estn saturadas (variables de holgura nulas) y otras no. Consideremos la restriccin k-sima del Primal con su variable de holgura:

ak1 x1 + ak2x2 + ... + aknxn + xn+k = bk B Si la restriccin k-sima del Primal no est saturada (es decir, B<bk, o lo que es lo mismo, *n+k x >0), disponemos de ms recurso k-simo del que necesitamos para llevar a cabo el proceso productivo, y una variacin marginal de dicho recurso no variar el valor de la funcin objetivo en el ptimo, porque, aunque nos den ms, ya tenamos de sobra y no lo habamos utilizado.

Ntese que esto es equivalente, por las CHC, a que, si * x n+k >0 entonces y*k =0 (recordar que la interpretacin de y k es z/ bk ** ) c) Por la CHC sabemos que si y*k >0 ( z/ bk >0) entonces x n+k =0 (la restriccin k-sima del primal se satura). La interpretacin econmica es: Si la variable dual k-sima es positiva entonces el recurso k-simo se utiliza en su totalidad. Adems un incremento (disminucin) marginal del recurso k-simo aumentar (disminuir) el valor de la funcin objetivo.

3.4 Condiciones de Kuhn-Tucker

Historia
Las condiciones necesarias que deben satisfacer los ptimos de problemas de optimizacin no lineal con restricciones de desigualdad fueron publicadas por primera vez (1939) en la tesis de Maestra de William Karush (1917-1997) (en aquel entonces estudiante de matemticas de la Universidad de Chicago) (W. Karush (1939): Mnima of Functions of Several Variables with Inequalities as Side Constraints. M.Sc. Dissertation. Dept. of Mathematics, Univ. of Chicago, Chicago, Illinois.), aunque fueron renombradas tras un artculo en una conferencia de Harold W. Kuhn y Albert W. Tucker en 1951. (H. W. Kuhn, Tucker, A. W.: Nonlinear programming (Proceedings of 2nd Berkeley Symposium, University of California Press, 1951, Berkeley.) Las condiciones de Karush-Kuhn-Tucker (KKT) son una generalizacin del mtodo de los multiplicadores de Lagrange para restricciones de desigualdad.

Formulacin
las tablas para minimizacin y para maximizacin son idnticas salvo que los valores de los multiplicadores estn cambiados de signo. Por tanto, la estrategia conveniente para optimizar una funcin sujeta a restricciones de desigualdad por el mtodo de las condiciones de KKT ser:

1. Plantear el problema como si se tratara solo de minimizacin y resolver el sistema de ecuaciones correspondientes. 2. Eliminar aquellos puntos encontrados que no satisfacen las restricciones gi 0. 3. Eliminar aquellos puntos que tienen a la vez multiplicadores positivos y negativos. 4. Para minimizacin: escoger dentro de aquellos puntos que tienen multiplicadores no negativos aquel que tienen la menor evaluacin de la funcin objetivo. 5. Para maximizacin: escoger dentro de aquellos puntos que tienen multiplicadores no positivos aquel que
6. tienen la mayor evaluacin de la funcin objetivo.

Ejemplo

3.5 Dual Simplex

Como sabemos, el mtodo simplex es un algoritmo iterativo que iniciando en una solucin bsica factible pero no ptima, genera soluciones bsicas factibles cada vez mejores hasta encontrar la solucin ptima (s esta existe). Ntese que la base de su lgica es mantener la factibilidad, mientras busca la optimalidad. Pero surge la posibilidad de usar otro esquema igualmente iterativo, que como contraparte del simplex, comienza en una solucin bsica ptima, pero no factible y mantiene la inmejorabilidad mientras busca la factibilidad. Con este procedimiento se llega igualmente a la solucin ptima. El nuevo algoritmo fue desarrollo en 1954 por C. E. Lemke y se conoce con el nombre de Mtodo Dual-Simplex. A continuacin se presenta su estructura y un ejemplo para ilustrar su aplicacin Algoritmo Dual-Simplex para un modelo de maximizacin Introduccin

Primero se debe expresar el modelo en formato estndar, agregando las variables de holgura y de exceso que se requieran. Enseguida, en las ecuaciones que tengan variables de exceso (resultantes de restricciones de tipo >), se debe multiplicar por (-1) en ambos lados, para hacer positivo el coeficiente de la variable de exceso, y formar as un vector unitario que nos permita tomar esta variable de exceso como una variable bsica inicial. Sin necesidad de agregar una variable artificial en esa restriccin. Al hacer lo anterior se logra que debajo de las variables bsicas aparezca una matriz identidad, que es la que el simplex siempre toma como base inicial. Obtendremos que los trminos del lado derecho de las ecuaciones multiplicadas por (-1) quedan con signo negativo, lo cual hace que la solucin inicial sea infactible. Es importante destacar que este proceso es muy til ya que en muchos modelos evita la inclusin de variables artificiales en el momento de transformar un modelo a formato estndar.

El algoritmo para resolver un modelo de maximizacin es el siguiente: Paso 1: Hallar una solucin bsica inicial infactible e inmejorable

Escribir el tablero inicial tomando a las variables de holgura y de exceso como variables bsicas inciales

Paso 2: Prueba de factibilidad Si todas las variables bsicas son no negativas, la actual solucin es la ptima. Si hay al menos una variable bsica negativa, seleccionar como variable de salida, (llammosla (XB) s), a aquella con el valor ms negativo. Los empates se pueden romper arbitrariamente. Paso 3: Prueba de inmejorabilidad S en el rengln de la variable bsica de salida (XB) s todos los coeficientes de reemplazo con las variables no bsicas son no negativos, la solucin del modelo es ptima limitada. Se termina el proceso. Si en el rengln de la variable bsica de salida (XB) s, hay al menos un coeficiente de intercambio negativo, se efectan los cocientes entre el efecto neto de cada variable no bsicas y su correspondiente coeficiente de intercambio negativo. Es decir, siendo (XB)s la variable de salida se calculan todos los cocientes

Se toma como variable de entrada (llammosla Xe) a aquella que corresponda al mnimo de los cocientes del anterior conjunto Si la variable de entrada es Xe el elemento pivote ser el elemento (Se)s El empate se puede romper arbitrariamente. Aplicar la operacin de pivoteo para generar la nueva tabla, en la cual aparezca Xe como variable bsica en lugar de la variable de salida (XB)s Repetir el algoritmo a partir del paso 2.

3.6 cambio en vector costos cj

3.7 CAMBIO EN Bi de las restricciones

3.8 VARIACIN EN LOS COEFICIENTES TCNICOS DE LAS RESTRICCIONES, aij

Los cambios o modificaciones en los coeficientes tcnicos de las restricciones pueden afectar tanto a la condicin de factibilidad como a la de optimalidad, segn se trate de un coeficiente asociado a una variable no bsica o a una variable bsica. Los coeficientes tcnicos forman parte de los vectores asociados a las diferentes variables, vectores Pi .Como la repercusin segn se trate de una variable bsica o no bsica, puede ser muy distinta, estudiaremos los dos Casos por separado.

Cuando Xi no es Bsica
Aqu se efecta el cambio sobre el coeficiente tecnolgico de las variables, para muchos problemas ste coeficiente tecnolgico aij Es el valor inverso de la productividad, concepto ste de vital importancia para el tomador de decisiones. Productividad P= Q/t Coef. Tecnolgico aij= t/Q Q= unidades t= Tiempo Para ste cambio y los siguientes, de nuevo se aplica el principio de que el coeficiente de la variable de holgura de la ecuacin donde ocurre el cambio, nos indica el nmero de veces que cada ecuacin ha sido sumada restada de las dems ecuaciones sea el nmero de veces que ocurre el cambio, siendo el cambio la diferencia entre el nuevo y el actual valor de aij

Se propone hacer el cambio en la segunda restriccin de la siguienteforma: 3X1+ 2X2< 18 por X1+ 2X2< 18; El a2, 1 Ha cambiado de 3 a 1 y es el coeficiente de X1 Que en el ptimo es variable NO bsica. El cambio ocurre en la ecuacin (2), que tiene la variable de holgura X4 Que inici con coeficiente (1), luego su coeficiente en cada ecuacin indica el nmero de veces que ocurre el cambio en cada ecuacin. Matemticamente:

Cuando Xi es Bsica
Como el cambio se efecta sobre el coeficiente de una variable que en el ptimo es Bsica, ello har que aparezca dicha variable con coeficiente diferente de cero (0) en la funcin objetivo, teniendo que ser eliminada. ste proceso ocasionar cambios en los Zj - Cj de las variables NO bsicas que en caso de tomar valores menores que cero (0), no mantienen la optimalidad y habr que iterar empleando el mtodo simplex; Tambin pueden ocurrir cambios en los bi convirtiendo la solucin en NO factible, en cuyo caso debe emplearse el mtodo Dual Simplex

Se propone cambiar el a22 de 2 a 4, coeficiente de X2 en la segunda restriccin, variable que en el ptimo actual es variable bsica. 3X1 + 2X2 < 18 cambiar por 3X1 + 4X2 < 18

La ecuacin en donde ocurre el cambio es la segunda, y en ella la variable que empez con coeficiente uno (1) es X4, luego los coeficientes de X4 en cada ecuacin indican las veces que ocurre al cambio en cada ecuacin, matemticamente:

3.9 ADICION DE UNA NUEVA VARIABLE

ANLISIS DE SENSIBILIDAD. El anlisis de sensibilidad consiste en ver las variaciones que se pueden producir en La solucin ptima al variar alguna de las condiciones inciales del problema. Como pueden Ser: a) Coeficientes de las variables. b) Introduccin de nuevas variables. c) Adicin de nuevas restricciones. d) Etc. Supongamos el problema del fabricante de patatas. F.O.: Max 4 X1 + 5 X2 + 9 X3 + 11 X4 S.a.: X1 + X2 + X3 + X4 15 7 X1 + 5 X2 + 3 X3 + 2 X4 120 3 X1 + 5 X2 + 10 X3 + 13 X4 100 Cuya tabla final queda: X1 X2 X3 X4 X5 X6 X7 bi LO 0 3/7 0 11/7 13/7 0 5/7 695/7 L1 1 5/7 0 -5/7 10/7 0 -1/7 50/7 L2 0 -6/7 0 13/7 -61/7 1 4/7 325/7 L3 0 2/7 1 12/7 -3/7 0 1/7 55/7 Calculamos su dual: F.O.: Min 15 Y1 + 120 Y2 + 100 Y3 S.a.: Y1 + 7 Y2 + 3 Y3 4 Y1 + 5 Y2 + 5 Y3 5 Y1 + 3 Y2 + 10 Y3 9

Y1 + 2 Y2 + 13 Y3 11 Cuya solucin es: Y1 = 13/7 Y2 = 0 Y3 = 5/7 Y4 = 0 Y5 = 3/7 Y6 = 0 Y7 = 11/7

VARIACIN DE LOS COEFICIENTES DE LA FUNCIN OBJETIVO.

1) En las variables no bsicas: Veamos la variacin, por ejemplo, del coeficiente de la variable no bsica X2. Queremos saber qu valor, P2, podemos incrementar al coeficiente para que nuestra Solucin contine siendo factible. La restriccin del dual correspondiente ser: Y1 + 5 Y2 + 5 Y3 5 + P2 Sustituyendo los valores: P2 3/7 Por tanto, mientras esta condicin se cumpla, nuestra solucin seguir siendo Factible. Para P2 3/7 la solucin deja de ser factible. 2) En las variables bsicas: Tomando por ejemplo, la variable bsica X1 y sustituyendo los valores en la Restriccin correspondiente en el dual tenemos: 13/7 + 0 + 3 * 5/7 4 + P1

13 + 15 28 7 P1 P1 0 que no nos indica nada. Nota: si hubisemos tomado otra variable bsica (por ejemplo X3) habramos obtenido el mismo resultado.

INTRODUCCIN DE UNA NUEVA VARIABLE.

La introduccin de una nueva variable en el primal va a suponer incluir una Restriccin en el dual. Mientras esta restriccin se cumpla en el dual, la variable nueva no entrar en la base. Supongamos que en nuestro problema, don Francisco y doa Remedios, su mujer, deciden producir adems patatas congeladas para ensaladilla. Supongamos tambin que para cada kg fabricado necesita 3 horas y dos kg de materia prima. Adems desea venderlo a 3ptas. /kg. En estas condiciones nuestro modelo quedara modificado de la siguiente manera: F.O.: Max 4 X1 + 5 X2 + 9 X3 + 11 X4 + 3 X8 S.a.: X1 + X2 + X3 + X4 + X8 15 7 X1 + 5 X2 + 3 X3 + 2 X4 + 2 X8 120 3 X1 + 5 X2 + 10 X3 + 13 X4 + 3 X8 100

Siendo la nueva restriccin en el dual la siguiente: Y1 + 2 Y2 + 3 Y3 3 Sustituyendo valores nos queda: 28/7 3 Por tanto se cumple esta restriccin y la variable que hemos introducido se queda Fuera de la base.

Si don Francisco desea fabricar este producto, tendr que obtener un beneficio unitario superior a 28/7 (provocando que la nueva variable introducida X8 entrase en la base). Supongamos que decide que este valor sea 10. Esto quiere decir que la restriccin del dual, correspondiente a la nueva variable introducida en el primal, es no factible y por lo tanto, la solucin de ambos se modificar.

Para poder continuar aplicando el mtodo iterativo simplex dual necesitamos conocer los valores de la columna, en la tabla, de la nueva variable. El coeficiente de la LO (en el primal) sabemos que es el valor de la variable de holgura del dual, correspondiente a su restriccin. Y este valor ser: 13/7 + 3 * 5/7 Y8 = 10 Y8 = -6 Los nuevos coeficientes de la variable Y8 para las lneas L1, L2 y L3 sern: a18 a15 a16 a17 a18 * a28 a38

a28 = a25 a26 a27 a38 Donde a15 a16 a17 A= a35 a36 a37

a25 a26 a27 a35 a36 a37

A es la matriz de los coeficientes transformados de las variables de holgura y a18, a28 Y a38, son los nuevos coeficientes que la nueva variable tiene en cada una de las restricciones. En estas condiciones obtenemos que: a18 = 1 * 10/7 + 2 * 0 + 3 * (-1/7) =1 a28 = 1 * (-61/7) + 2 * 1 + 3 * (4/7) = - 5

a38 = 1 * (-3/7) + 2 * 0 + 3 * (1/7) = 0 Los coeficientes sern por tanto:

X8 LO -6 L1 1 L2 -5 L3 0 Por tanto, podemos aplicar el criterio1 del simplex dual para proseguir las iteraciones.

3.10 Adicin de una nueva restriccin

La adicin de una nueva restriccin a un modelo existente puede llevar a uno de los dos casos siguientes: 1. La nueva restriccin es redundante, lo que quiere decir que se satisface con la solucin optima actual y por consiguiente, se puede eliminar por completo del modelo. 2. La solucin actual viola la nueva restriccin, y en este caso se puede aplicar el mtodo simplex dual para recuperar la factibilidad

Ejemplo: Suponga que TOYCO cambia el diseo de los juguetes, y que para el cambio se requerir agregar una cuarta operacin en las lneas de ensamble. La capacidad diaria de la nueva operacin es 500 minutos, y los tiempos por unidad, para los tres productos en esta operacin son 3, 1 y 1 minutos, respectivamente. La restriccin resultante se forma, por consiguiente, como sigue: 3X1 + X2 + X3 <500 Esta restriccin es redundante, porque queda satisfecha con la solucin optima actual X1= 0, X2= 100 y X3 =230. Eso quiere decir que la solucin ptima actual permanece sin cambio. Ahora suponga que los tiempos por unidad, en TOYCO, para la cuarta operacin son 3, 3 y 1 minutos, respectivamente. Todos los datos restantes del modelo permanecen igual. En este caso la cuarta restriccin: 3X1 + 3X2 + X3 <500 No queda satisfecha por la solucin optima actual. En consecuencia, debemos aumentar la nueva restriccin a la tabla ptima actual, como sigue (X7 es una holgura):

Bsica Z X2 X3 X6 X7

X1 4 -1/4 3/2 2 3

X2 0 1 0 0 3

X3 0 0 1 0 1

X4 1 0 -2 0

X5 2 -1/4 1 0

X6 0 0 0 1 0

X7 0 0 0 0 1

Solucin 1350 100 230 20 500

Como las variables X2 y X3 son bsicas se deben sustituir y eliminar sus coeficientes de restriccin en el rengln X7, lo que se puede hacer con la siguiente operacin: Nuevo rengln X7 = Rengln anterior X7 [3 * (Rengln X2) + 1 * (Rengln X3)] La nueva tabla es la siguiente

Bsica Z X2 X3 X6 X7

X1 4 - 3/2 2 9/4

X2 0 1 0 0 0

X3 0 0 1 0 0

X4 1 0 -2 - 3/2

X5 2 - 1/4 1

X6 0 0 0 1 0

X7 0 0 0 0 1

Solucin 1350 100 230 20 -30

Otro ejemplo de este caso, suponga que se introduce la nueva restriccin, al modelo dado en la tabla: Z = - 4X1 - 5X2

Bsica

X1 9/2 1 13/2 -3

X2 0 0 1 0

X3 0 1 0 0

X4 0 0 0 1

X5 5/2 0 -1

Solucin

Z X3 X2 X4

45 4 9 6

Solucin ptima: X1 = 0, X2 =9

La solucin ptima anterior viola la nueva restriccin 2X1 + 3X2 <24

Bsica

X1 9/2 1 3/2 -3 2

X2 0 0 1 0 3

X3 0 1 0 0 0

X4 0 0 0 1 0

X5 5/2 0 1/2 -1 0

X6 0 0 0 0 1

Solucin

Z X3 X2 X4 X6

45 4 9 6 24

Bsica

X1 9/2 1 3/2 -3 -5/2

X2 0 0 1 0 0

X3 0 1 0 0 0

X4 0 0 0 1 0

X5 5/2 0 1/2 -1 -3/2

X6 0 0 0 0 1

Solucin

Z X3 X2 X4 X6

45 4 9 6 -3