| Programacién linest aplicada | racunse nee ronnie | sua] fsa | Bowe a im | ame Tuao am bm yt 1 asa mewes (wacom [an fae te | Reon capaone | soo [sem | wun ft % % En doncie as variables se definen de la siguiente forma: X, = cantidad de silas a produc por sarmana 2X, = cantidad de mesas a producir por semana. fas product por semana, 3 funeign debe ser maximizada to tubo y mane de obra son de carke mas de su dspenibiidad as 5X, +3, + 7X, < 100 metras, Restriecin para la madera Max = SOO0X, + 8900K, + 6000%, Inoue a's rogram neat Suleso = EX, 9K, + 7H, < 200 motros de madera, 3K, + 6 18%, © 180meiros de tubo. G+ IK +B < UW horas ce mano de obra e200 1.3, MODELO GENERAL DE PROGRAMACION LINEAL nck lades ym recursos disponibles jenen n productas © 3 [ie | eisronmate ecuRso ie Donde on forma generalized se define lo siguiente = cantidad disponible dol re #2, ¢ = costo o precio unitario del producto o actividad j j= 1.2.3, .09 8, = cantidad de recurso i {i= 1, 2,3...) necesay tunidad del artculo = 1.2.37) fabricar una par 1.3.1, Forma estindar del modelo de programacién lineal sta as fa forma més conacida y trabajada del modelo ce programacién nest Su planteemionio se presenta ansaguida: Maxz = POP ON we OK, ak Ket ot HO,sgramacién lingal aglicaaa 20K = aH agit oe BACB, 2a Xt aX at Kids 1.3.2, Forma matricial del modelo de programacién fineel ia forma matrial del modele de programacién fneal se hace nace!" ~ todos los vectoeas v matricas que en el modelo intervienen asi MATRIZ A: este metre contione todos i alomentas de asignacién unitaria de fecurses. En elgunos textos se denomine matiz de coaficientas tecnolégions. VECTOR X: este vector contians todas las variables de! problema y esté defi do coma vector colin VECTOR bx en este vector se involucran todas las disponibilacies de recursos ‘2 términos independienies. Esta definido como un vector columns 4 bs batbs Pre iedoren sb Progam VECTOR C: en este vector fila se involucran tacos les coeficantes de costo, fad, ingreso 0 precio, segin sea el casa CnC C2 Cb Cod ‘VECTOR 9; el vector columna cero cantiane tentos ceros como variables invo- lucre el problema y garantiza las restricciones de no negativided a L 1 modelo matemsticn de progremacion lineal en su forma mat muestra a continuaciém es come se Maz GC Os 69+ Programaci6 sal apicada armbar Sa Ses 1.3.3, Forma sumatorial El modele materia de programacidn lineal ullizande sumatorias es come se muesvra 3 continuacion: wiz = $¢, in programaciin ra ests madelo y con base ngs. Su forma es la sigule 1.4. OTRAS FORMAS DEL MODELO lector puede ose que se ha utiltado en todas las formas una funcion objetivo ce maximizaciéa y las testriciones funcionales son del tigo menar 0 ‘gual que. Esto noindlica que siemare as si, eso depende de la formulacion del problema y puede inclu lo siguiente: La funcién objetivo puede ser de minimizaciéo. +. Las ractricciones pueden ser det tipe mayor 0 iat + Las rasticciones pueden ser de igualdad estictamente. Esto se podré observar cuando se llegue al capitule de matodos de solucién, 1.5. PROCEDIMIENTO PARA LA CONSTRUCCION DE MODELOS haste acd y la experiencia det au onstruccién de modelos mater smiendan nombra iba Inveducciin a Aasto es lo que ‘oda Is informacian de parame iere conseguir (abjetva) y defi ‘a grandes cosgos as limitantes del PASO 3. Definicién de variables Este es talvez solucion del problema nes. Acui se debe 189, para lograr as esto fuera asi no hae tonces se parte del hech ‘guoemnamentales, sonas dal mercado, st, Al iqual que |e funcion objetivo, PASO 6, Scluci6n del modelo matemstico La funcian abjetve, junto con las restrcciones (pasos 4 y S) en cenjunto, aso que se terra ol modelo matemético. Este se debe solucionar en lo posible con crea| Programacién lines! aplicada suraeso Seer Sls ‘una técnice de optimizacién (hay més téenieas, como por ejemplo [a simdacién ‘que no arzojasoluciones Gotimas, a cual permite halla tos valores de as variar bles definicas en paso tres. PASO 7. Prueba del modelo y a soluci6n Con base en la solucién del modelo, se debe resizer las prusbas pertinentes, especialmente carraboraren iss restrcciones, que se curnpla con la mejor utii- zatién de los recursos y que fe funci6n objetve tenge su valor Sptimo, En este paso, se debe evaluarelfuncionamiento del modelo con su cespectiva solucion: 1 finds vaificar el cumplimiento de ios abjatives. — PASO 8. Implantacién del modelo Reslizadas todas as pruebas de implementer la solucién an la practica. No olvide que la mayoria de mode- los arojan soluciones dptimas; que casi siemare er la perfectamente por diferentes factores. For lo tanto no olvide aplicer ef p250 nueve, PASO 9. Controlary retroalimentar En todo momento se debe es ion y parbmatres dei rodaio;a fa de ir evaluando los posibles cambios que se Saban realizar y que ao descontraen el sistema 1.6, REGLAS DE EQUIVALENCIA' Primera regla Maximizar X os equivalente a minimizsr -2X Ejempto: Max. 2 = 3K, + 4X, a6 aquivalente a Min (2) = 2X, ~&X,. (también su puede ceslizar sla Inversa ast ‘Minimizar ¢X e8 equivalente a maximizar=cX jemplo: Min Z = Tk, + 9X, es equivalente a Mix. (Z) = TK,~ 5K, Segunda regla Una desigualdad AX ¢ b es equivalente 2 AX > -b ample: 1 PRAWDA, an, Mites y medals de iverigeae de snraianes Volumen B93, esa, 380 10 jor en ef punto anteriat no queda més cue —~ 448, £ 150! equivalents a-3%; Esta regla también se puede da Una desigualdad AX > b ese Herpes 9K, 2 15005 equivalante a 3% 5K, < 150 Tercera regla ‘Tod restclcion de la forma AX = b se puede establecer como la intersaccion dda dos cesigualdadas asi AX s by AK b. Bjemplo: 4X, + 3X, + 3X, = 120 horas as equivalent dos siguiertés restFicclones: 44, + 3K, + 3K, < 120 horas, AX, + 3K, 9.3K, 2 120 horas 2 la interseccién de las Cuarta Regla Toda desiguaidad de la forma AX < b puede convert scicion de un vector on el lads izquierda da la resvicc ‘ene m componantas ne nagativas y see denomning vector de holgura y asus ‘componantes variables de holgurs, Es decir el vector quade at 4 (0 \#.| jo] H=18,%{0) i) 0 Hemplo: 5%, + 3K, + 7X, £ 100, 3G + OK + AK, © 150, 4K #3, 3% 120 Esequivalentee BX, + 3M + TX H, = 100. Byrd =H, = 180, 23 + H= 220, PH H20Programacién linea! Quinta regla Toda desiguatdad de Is forma Ax = b puede converirse en gualdad mediante lares m componentas so nega Bjemplo: 5X,» 3X, + 7K, > 100. (+ 8X, + 4K, 2150, 4X, + 3K, 3K, 2120 5X, + 3K, + 7-5, = 100. GFK HHS, = 150 AK, 3K, 23K, +5,» 420 S520 Sexta regia {Una variable no rastringida fen algunos textos se danomi lia que pueda tomar cualquier clase de valor: positives, cero 0 nagativos: puede seriese come la diferencia entre otras dos variables no negativas. jempla: sila variable X, sa considera no vestingids, es equivalente a expresar festa misma variable como: X, = 8, ~ R, (Com R, y R, mayores o iguales que cero} La variable x, serd positive si 8, es mayor que R, seré cera si esigual que R, y serd negativa siR, es menor que R, Estas reglas ce equivalencia tendran su maxima aplcacién (especialmente fa tltama} cuando se abarde el tema de dualidac. Inveducctn slaPregamecdn ines 1.7, SUPOSICIONES DE LA PROGRAMACION LINEAL? En todo problema ce programacisn Ineal se consideran prasentas las siguien= tes suposiciones: Supesicién de propercianalidad MaxZ= $000%, + 8000X, = 6000%, sujeto a: SK, +344 2X, « 100 metros de madera 3X, = 6K, 4 8K, £ 150 retras de tube 4%, = 3K + 3K, < 120 horas de mano de obra 2 proporcionalicad se refiare en et go del ejemplo prototiga ce la seccién 41.2, por una sila faoicads la ei lidad es $10.00. Lo que qui sd 83 $5,000, par ‘que la contrbucir ‘bricadas a u pues se sabe que cade horas de mana de obra; fabricacion de sills depenste dels ca vaier que tom so por corcepte dela que se fabrquero sea a! para cada una is rastricciones @ halla surmande el consumo iad se refiere 2 que hay gu ientemente por cada artculo 0: ‘consumo total de cada rec suman los consumes indepencientas de los mismes. Suposicién de divisibilidad Aqui se rfiere 2 que an todo oroblama de programaciée linesl se supone que las variables pueden tomar cualquier valet fraceionarc; 0 sea que para el pro biems de a seccién 1.2 se podria decir que se vaa fabricar 1/3 de esritria, 2 UISTON, vay. 08, cin de sporacome, Pag 83 Eval Thomsen, cana asiani pragramacién lineal aplicads Suposicisn de cortidumbre {Todo problema de pregramacion neal supone que se conacen exzctamente rating de recurso (coeticient cioned y la eisgoniided de cada uno de los ecu ‘esirieciones esto es conocer perfactsments todos Con un Solo pardmetrs que se dasconozca, se genera incertidumbra, u“