Documentos de Académico
Documentos de Profesional
Documentos de Cultura
pl-01 Claudio LR Sturla PDF
pl-01 Claudio LR Sturla PDF
Sturla
REPBLICA ARGENTINA
PROGRAMACIN LINEAL
Se puede reproducir libremente. Se agradecer citar la fuente.
Claudio L. R. Sturla
Bibliografa:
Bunday, Brian D. y Garside, Gerarl R. Linear Programming in Pascal, Edward Arnold Ltd.,
Londres, ISBN 0-7131-3647-2, 1.987.
Dorfman, Robert, Samuelson, Paul A. y Solow, Robert M. Programacin Lineal y Anlisis
Econmico, 2 edicin, Aguilar, Madrid, 1.964.
Fraleigh, John B. y Beauregard, Raymond A., lgebra Lineal, Addison-Wesley Iberoamericana,
EE. UU., ISBN 0-201-64420-7, 1.989.
Frazer, J. Ronald, Programacin Lineal Aplicada, Editorial Tcnica, S.A., Mxico.
Hadley, G. Linear Programming, Addison-Wesley Publishing Company, Massachusetts, EE.UU,
ISBN 0-201-02660-0, 1.963.
Hillier, Frederick S. y Lieberman, Gerald J. Introduccin a la Investigacin de Operaciones, 3
edicin en Castellano, McGraw Hill de Mxico S. A. de C. V., Naucalpan de Jurez, 1.993, ISBN
968-422-993-3.
Gass, Sal I., Programacin Lineal, CECSA, Mxico.
Goldstein, E. G. y Yudin, D. B. Programacin Lineal, Paraninfo, Madrid, ISBN 84-283-0868,
1.976.
Kaufmann, Arnold Mtodos y Modelos de la Investigacin de Operaciones, Tomo I, 2 edicin,
CECSA, Mxico, 1.981.
Munier, Nolberto J., Aplicaciones de la Programacin Lineal, Editorial Astrea, Buenos Aires.
Poiasina, Marta Rosa et al, Gua de Ejercicios y Trabajos Prcticos, Centro de Estudiantes de
Ingeniera Tecnolgica, Facultad Regional Buenos Aires, Universidad Tecnolgica Nacional.
Poiasina, Marta Rosa et al, Anexo Gua de Trabajos Prcticos - Ejercicios Resueltos, Centro de
Estudiantes de Ingeniera Tecnolgica, Cdigo: K/40/P03, Facultad Regional Buenos Aires, Uni-
versidad Tecnolgica Nacional.
Schroeder, George G. Administracin de Operaciones, McGraw Hill de Mxico S. A. de C. V.,
Naucalpan de Jurez, Mxico, 1.994, ISBN 970-10-0088-9.
Winston, Wayne L., Investigacin de Operaciones, Grupo Editorial Iberoamrica S. A. de C. V.,
Mxico, ISBN 970-625-029-8, 1.994.
Sitios internet
http://www.lindo.com
http://members.tripod.com/~operativa/Invop.html
http://www-math.cudenver.edu/~hgreenbe/courseware/Lpshort/frame-intro.html
pl-01.doc 22
Prof. Ing. Claudio L. R. Sturla
URL para bajar el software WinQSB
http://my.fit.edu/~dhott/WinQSB/winqsbdisk1.zip
http://my.fit.edu/~dhott/WinQSB/winqsbdisk2.zip
http://my.fit.edu/~dhott/WinQSB/winqsbdisk3.zip
La programacin lineal1 es una herramienta poderosa, pues an con aplicaciones parciales, se pueden
obtener ahorros importantes.
La programacin lineal es una parte del conjunto:
PROGRAMACIN
LINEAL Comn
PROGRAMACIN LINEAL
1
Las ideas bsicas de la programacin lineal surgieron de un estudio acerca de problemas de asignacin de recursos hecho
por la fuerza area de los EE. UU. durante la Segunda Guerra Mundial, aunque haba ya muchos resultados que trataban la
maximizacin de una funcin bajo ciertas restricciones. George Dantzig, miembro del proyecto SCOOP (Scientific
Computation of Optimun Programs) de la fuerza area, formul el problema de la programacin lineal y dise el mtodo
simplex de solucin en 1.947.... George Dantzig naci en 1.914 y trabaj para la Rand Corporation despus de su aporte a
la fuerza area. Actualmente es profesor de Investigacin de Operaciones en la Universidad de Standford.
pl-01.doc 23
Prof. Ing. Claudio L. R. Sturla
Nota: Este es claramente un ejemplo muy simple (casi simplista) pero, como con muchas cosas, debe-
mos comenzar a un nivel sencillo para luego progresar.
Vamos a formular un plan de produccin (tambin llamado un mix de produccin), o sea vamos a
determinar cules son las cantidades que debemos producir de maximizando beneficios. Y de aqu surge
la explicacin de uno de los nombres. Como las primeras aplicaciones de la Programacin Lineal fue
determinar mezclas ptimas de productos, este tipo de problema lineal recibi el nombre de
Programacin Lineal.
Adivinando
Para explorar el problema podramos, simplemente suponer (por ejemplo, utilizando nuestro juicio)
cuntas unidades de productos producir y ver qu ocurre.
No parece ser una suposicin correcta pues slo ganaramos 8 UM por una unidad del prrimer producto
y 5 UM por una unidad del segundo producto.
Decimos que la solucin no es interesante.
Otra solucin podra ser
En lugar de continuar nuestra adivinanza nos podemos aproximar al problema de una manera lgica.
Reflexinese por un momento que realmente necesitamos una solucin que cumpla las restricciones con
el mximo beneficio.
Sin embargo, an si seguimos adivinando no podramos nunca saber si hemos logrado o no la solucin
mnima.
Afortunadamente, nuestra aproximacin estructurada nos permitir encontrar la solucin de mnimo
costo.
La mezcla ptima se obtendr por medio de una funcin objetivo que tiene como parmetros a los
beneficios unitarios.
Las unidades de los coeficientes tecnolgicos son:
unidades de Mano de obra
[ 20] = unidad de P1
que, en general, ser:
unidad de recurso i
unidad de producto j
El funcional representa el objetivo a lograr. Fijar ese objetivo puede ser difcil. Una vez elegido UNO lo
buscamos y no nos desviamos a causa de objetivos secundarios.
El sistema dado est sobredimensionado. Por qu?. Veamos.
Podemos plantear vnculos
20 x1 + 10 x 2 100.000
Si deseamos producir una unidad de P1 y una de P2 tendremos:
20 .1 + 10 .1 100.000
El 100.000 pone un techo.
Las otras son:
pl-01.doc 24
Prof. Ing. Claudio L. R. Sturla
10 x1 + 30 x 2 180.000
5 x1 + x 2 40.000
Podramos s tener un coeficiente negativo. Por ejemplo si produzco videocasetes y luego retengo parte
de ellos para grabar pelculas y venderlas grabadas. El videocasete virgen es un insumo para la pelcula
grabada en vdeo.
Pero adems queremos que el programa maximice el funcional:
Z = 8 x1 + 5 x 2 maximo
Las hiptesis son supuestos del problema y debemos tenerlas presentes o saber qu error representan.
La real podra ser cuadrtica (economas de escala).
No olvidar que estamos haciendo un modelo matemtico del problema real. Platn deca que a lo largo
de la vida vamos viendo muchas sillas. Con y sin respaldo, con tres, cuatro o ms patas. Pero de ellas
formamos una idea, que nos permite reconocer cada silla.
SEGUNDA HIPTESIS: definimos 20 (el insumo especfico) como 20. Quizs sea un
valor estadstico.
TERCERA HIPTESIS: que el equipo que sirve para producir P1 tambin sirve para
producir P2 .
Un asunto importante detrs de esta formulacin es QUE LO HACE PENSAR. An si no hace nada
nunca con matemticas, este proceso de tratar de pensar clara y lgicamente acerca de un problema,
puede ser muy til.
Un problema comn con la formulacin es olvidar algunas restricciones o variables y todo el proceso
debera ser considerado como iterativo (iterando delante y atrs con variables, restricciones y
objetivo hasta que estemos conformes).
El problema matemtico que hemos dado tiene la forma:
todas las variables son continuas (por ejemplo, pueden tomar valores fraccionarios)
hay un solo objetivo (maximizar o minimizar)
pl-01.doc 25
Prof. Ing. Claudio L. R. Sturla
el objetivo y las restricciones son lineales, por ejemplo, cada trmino es una constante o una
constante multiplicada por una incgnita (por ejemplo, 24, 4 x, 6 y son trminos lineales pero x y
es un trmino no lineal).
Cualquier formulacin que satisfaga estas tres condiciones se llama un programa lineal.
Hemos (implcitamente) supuesto que era permisible trabajar con fracciones de producto los
problemas donde esto no se permita y las variables deban tomar valores enteros se tratarn con la
programacin entera.
A veces las variables de decisin deberan ser enteras pero por razones de simplicidad las dejamos
fraccionarias. Esto es relevante en problemas donde los valores de las variables de decisin son
grandes porque cualquier parte fraccionaria puede entonces ser ignorada (note que a veces los datos
(nmeros) utilizados en la formulacin de la programacin lineal sern de cualquier forma inexactos.
Discusin
Habiendo obtenido nuestro modelo matemtico nosotros (esperamos) tener algn mtodo cuantitativo
que nos permita resolver el modelo (obteniendo una solucin numrica) tal mtodo cuantitativo a
veces se llama un algoritmo2 para resolver el modelo.
2
Systematic procedure that produces in a finite number of steps the answer to a question or the solution of a problem.
The name derives from the Latin translation, Algoritmi de numero Indorum, of the 9th-century Muslim mathematician al-
Khwarizmi's arithmetic treatise "Al-Khwarizmi Concerning the Hindu Art of Reckoning."
For questions or problems with only a finite set of cases or values an algorithm always exists (at least in principle); it
consists of a table of values of the answers.
In general, it is not such a trivial procedure to answer questions or problems that have an infinite number of cases or
values to consider, such as "Is the natural number (1, 2, 3, . . .) a prime?" or "What is the greatest common divisor of the
natural numbers a and b?"
The first of these questions belongs to a class called decidable; an algorithm that produces a yes or no answer is called a
decision procedure.
The second question belongs to a class called computable; an algorithm that leads to a specific number answer is called a
computation procedure.
Algorithms exist for many such infinite classes of questions; Euclid's Elements, published about 300 BC, contained one for
finding the greatest common divisor of two natural numbers.
Every elementary school student is drilled in long division, which is an algorithm for the question "Upon dividing a
natural number a by another natural number b, what are the quotient and the remainder?"
Use of this computational procedure leads to the answer to the decidable question "Does b divide a?" (the answer is yes if
the remainder is zero).
Repeated application of these algorithms eventually produces the answer to the decidable question "Is a prime?" (the
answer is no if a is divisible by any smaller natural number besides 1).Sometimes an algorithm cannot exist for solving an
infinite class of problems, particularly when some further restriction is made upon the accepted method. For instance, two
problems from Euclid's time requiring the use of only a compass and a straightedge (unmarked ruler) trisecting an angle
and constructing a square with an area equal to a given circle were pursued for centuries before they were shown to be
impossible.
At the turn of the 20th century, the influential German mathematician David Hilbert proposed 23 problems for
mathematicians to solve in the coming century.
The second problem on his list asked for an investigation of the consistency of the axioms of arithmetic.
Most mathematicians had little doubt of the eventual attainment of this goal until 1931, when the Austrian-born logician
Kurt Gdel demonstrated the surprising result that there must exist arithmetic propositions (or questions) that cannot be
proved or disproved.
Essentially, any such proposition leads to a determination procedure that never ends (a condition known as the halting
problem).
pl-01.doc 26
Prof. Ing. Claudio L. R. Sturla
Esencialmente un algoritmo (para un modelo particular) es un conjunto de instrucciones que, cuando se
las sigue paso a paso, producirn una solucin numrica a tal modelo.
Nuestro modelo tiene un objetivo, que es algo que estamos tratando de optimizar.
Habiendo obtenido la solucin numrica de nuestro modelo, debemos trasladarla a la situacin del
mundo real.
Una cosa que deseamos enfatizar es que la investigacin operativa trata de problemas de decisin.
Tambin podemos definir un modelo matemtico como consistente de:
Variables de decisin, que son las incgnitas a ser determinadas por la solucin del modelo.
Restricciones para representar las limitaciones fsicas del sistema.
Una funcin objetivo.
Una solucin (o solucin ptima) del modelo es la identificacin de un conjunto de valores de las
variables que son factibles y que llevan al valor ptimo de la funcin objetivo.
Filosofa
En trminos generales podemos considerar a la investigacin operativa como la aplicacin de mtodos
cientficos a la toma de decisiones.
Subyaciendo a la investigacin operativa est la filosofa que:
Se deben hacer las decisiones; y
Utilizando una aproximacin cuantitativa (explcita, articulada) nos llevar (en promedio) a
mejores decisiones que utilizando aproximaciones no cuantitativas (implcitas, no articuladas)
como las utilizadas por los decisores humanos.
Ahora Ud. Puede formarse su propia opinin acerca de si la investigacin operativa es mejor o no que
esta aproximacin.
SOLUCIN GRFICA
Supongamos
20 x1 + 10 x 2 = 100.000
si x1 = 0 x 2 = 10.000
In an unsuccessful effort to ascertain at least which propositions are unsolvable, the English mathematician and logician
Alan Turing rigorously defined the loosely understood concept of an algorithm.
Although Turing ended up proving that there must exist undecidable propositions, his description of the essential features
of any general-purpose algorithm machine, or Turing machine, became the foundation of computer science.
Today the issues of decidability and computability are central to the design of a computer program a special type of
algorithm.
pl-01.doc 27
Prof. Ing. Claudio L. R. Sturla
si x 2 = 0 x1 = 5.000
50.000 Vrtice A
40.000
30.000 M ano de obra
Vrtice B Equipos
X2
20.000
10.000 M ate ria prim a
0
-10.000 Vrtice C
00
00
00
00
00
0
0
0
00
00
00
00
00
00
.0
.0
.0
.0
.0
.0
1.
3.
5.
7.
9.
11
13
15
17
19
-1
X1
Hay una sola rea donde se cumplen SIMULTNEAMENTE las condiciones de no negatividad y las
Vrtice O
restricciones. Es el polgono OACB donde existen infinitas soluciones.
Nos falta representar el funcional. Tambin se le llama isoutilidades (si se maximiza) o isocosto (si se
minimiza).
Z = 8 x1 + 5 x 2
Ejemplo prototipo
La Empresa AA produce artculos de vidrio de alta calidad, incluyendo ventanas y puertas de vidrio.
Tiene tres plantas.
Los marcos y molduras de aluminio se hacen en la planta 1, los marcos de madera se fabrican en la
planta 2 y en la 3 se produce el vidrio y se ensamblan los productos.
pl-01.doc 28
Prof. Ing. Claudio L. R. Sturla
Debido a que las ganancias se han reducido, la alta administracin ha decidido reorganizar la lnea de
produccin de la compaa.
Se discontinuarn varios productos no rentables y se dejar libre una parte de la capacidad de
produccin para emprender la fabricacin de dos productos nuevos que tienen grandes ventas
potenciales:
Producto 1: Una puerta de vidrio de 8 pies con marco de aluminio
Producto 2: Una ventana con marco de madera de 4 por 6 pies
El producto 1 requiere parte de la capacidad de produccin en las plantas 1 y 3 y nada en la planta 2.
El producto 2 slo necesita trabajo en las plantas 2 y 3.
La divisin de comercializacin sabe que la compaa puede vender todos los productos que se puedan
fabricar en las plantas.
Sin embargo, como ambos productos competiran por la misma capacidad de produccin en la planta 3,
no est claro qu mezcla de productos sera la ms rentable.
Por lo tanto, se ha formado equipo de IO para estudiar esta cuestin.
El equipo de IO comenz con algunas discusiones con la alta administracin para identificar objetivos
del estudio.
Estas discusiones llevaron a desarrollar la siguiente definicin del problema:
Determinar qu tasas de produccin deben tener los dos productos con el fin de maximizar las
utilidades totales, cindose a las restricciones impuestas por las capacidades de produccin
limitadas disponibles en las tres plantas. Se permite cualquier combinacin de tasas de
produccin que satisfaga estas restricciones, incluyendo no producir uno de los productos y todo
lo que sea posible del otro.
1. Nmero de horas de produccin disponibles por semana en cada planta para estos nuevos
productos. (Casi todo el tiempo de estas plantas est comprometido con los productos
actuales.)
2. Nmero de horas de produccin que cada lote producido de cada producto nuevo usa en
cada una de las plantas.
3. La ganancia por lote de cada producto nuevo. (Se eligi la ganancia por lote producido
como una medida adecuada despus de que el equipo lleg a la conclusin de que la ganancia
incremental de cada lote adicional producido seria en esencia constante sin importar el
nmero total de lotes producidos. Debido a que no se incurre en costos sustanciales para
iniciar la produccin y la comercializacin de estos nuevos productos, la ganancia total de
cada uno es aproximadamente esta ganancia por lote producido multiplicada por el nmero
de estos lotes.)
pl-01.doc 29
Prof. Ing. Claudio L. R. Sturla
disponible por semana,
horas
1 1 0 4
2 0 2 12
3 3 2 18
Beneficios por lote 3000 UM 5000 UM
El equipo de IO reconoci de inmediato que se trataba de un problema de programacin lineal del tipo
clsico de mezcla de productos y procedi a la formulacin del modelo matemtico correspondiente.
Z = ganancia semanal total (en miles de UM) por la produccin de estos dos productos
Z = 3 x1 + 5 x 2
x1 0
x2 0
Maximizar Z = 3 x1 + 5 x 2
x1 4
pl-01.doc 30
Prof. Ing. Claudio L. R. Sturla
2 x 2 12
3 x1 + 2 x 2 18
x1 0
x2 0
Solucin grfica:
Este pequeo problema tiene slo dos variables de decisin y por lo tanto slo dos dimensiones, as que
se puede usar un procedimiento grfico para resolverlo.
Este procedimiento incluye la construccin de una grfica de dos dimensiones con x1 y x2 en los ejes.
El primer paso es identificar los valores de (x1, x2) permitidos por tas restriciones.
Esto se hace dibujando cada una de las rectas que limitan los valores permitidos por una restriccin.
x1 0
Para comenzar, ntese que las restricciones de no negatividad, exigen que (x1, x2) estn en el
x2 0
lado positivo de los ejes (incluyendo que est sobre cualquiera de los dos ejes), es decir, en el primer
cuadrante.
De manera parecida, se traza la restriccin 2 x2 12 (o de manera equivalente, x2 6)
El paso final es seleccionar, dentro de esta regin factible, el punto que maximiza el valor de Z
Para descubrir cmo realizar este paso de manera eficiente intente algunos valores por prueba y error.
Si se dibuja la recta 3 x1 + 5 x2 = l0, se puede ver que existen muchos puntos sobre esta recta que estn
dentro de la regin.
Como al intentar este valor arbitrario de Z = 10 se tiene una mejor perspectiva, debe intentarse ahora un
valor arbitrario ms grande, digamos Z = 20
De nuevo, un segmento de la recta Z = 20 se encuentra dentro de la regin, de manera que el mximo
valor permisible de Z debe ser por lo menos 20.
Observe ahora en la figura que las dos rectas que se acaban de graficar son paralelas.
Rayo 1
3 3
Rayo 2
1. Vejiga y tumor
2. Recto, cccix, etc.
3. Fmur, parte de la pelvis, etc.
Para cualquier rayo propuesto de una intensidad dada, el anlisis de cul sera la absorcin de radiacin
resultante en distintas partes del cuerpo requiere un proceso complicado.
En resumen, con base en un anlisis anatmico cuidadoso, la distribucin de energa dentro de un corte
transversal de dos dimensiones se puede graficar en un mapa de isodosis en el que las curvas representan
la fuerza de la dosis como un porcentaje de la fuerza de la dosis en el punto de entrada.
pl-01.doc 32
Prof. Ing. Claudio L. R. Sturla
Despus se coloca una red fina sobre el mapa de isodosis.
Si se suma la radiacin absorbida en los cuadros que contienen cada tipo de tejido, se puede calcular la
dosis promedio que absorben el tumor, los tejidos sanos y los tejidos crticos.
La absorcin de la radiacin es aditiva cuando se administra ms de un rayo (en forma secuencial).
Despus de un anlisis exhaustivo, el equipo mdico estim con detalle los datos necesarios para el
diseo del tratamiento de Mara; el resumen se presenta en la tabla.
La primera columna da una lista de las reas del cuerpo que deben considerarse y las dos siguientes
proporcionan la fraccin de la dosis de radiacin de cada rayo en el punto de entrada que se absorbe en
promedio en las reas respectivas.
Por ejemplo, si el nivel de la dosis en el punto de entrada del rayo 1 es 1 kilorad, entonces se absorbern
0,4 kilorad en toda la anatoma sana en el plano de dos dimensiones, un promedio de 0,3 kilorad en los
tejidos crticos cercanos, un promedio de 0,5 kilorad en las distintas partes del tumor y 0,6 kilorad se
absorbern en el centro del tumor.
La ltima columna da las restricciones sobre la dosis total de ambos rayos que se absorbe en promedio
en las diferentes partes del cuerpo.
En particular, la absorcin promedio de la dosis para la anatoma sana debe ser tan pequea como sea
posible, los tejidos crticos no deben exceder 2,7 kilorads, el promedio sobre todo el tumor debe ser
igual a 6 kilorads y en el centro del tumor debe ser por lo menos 6 kilorads.
Z = 0,4 x1 + 0,5 x2
sujeta a
x1 0
x2 0
Observe las diferencias entre este modelo y el presentado de la Empresa AA.
Este modelo involucraba maximizar Z, y todas las restricciones tenan la forma
pl-01.doc 33
Prof. Ing. Claudio L. R. Sturla
El nuevo modelo incorpora otras tres formas legtimas, a saber, minimizar Z, restricciones de la forma =
y restricciones de la forma
Sin embargo, ambos modelos tienen slo dos variables, de manera que este nuevo problema tambin se
puede resolver usando el mtodo grfico.
La figura muestra la solucin grfica.
La regin factible consiste nada ms en el segmento entre los puntos (6, 6) y (7,5, 4,5), ya que los
puntos en este segmento son los nicos que satisfacen simultneamente todas las restricciones. (Observe
que la restriccin de igualdad limita la regin factible al segmento y, despus, las otras restricciones
determinan los puntos extremos del conjunto).
La lnea punteada representa la el funcional.
La solucin ptima es (7,5, 4,5), con Z =5,4
Ha que utilizar una dosis total en el punto de entrada de 7,5 kilorads para el rayo 1 y 4,5 kilorads para el
rayo 2.
Ejemplo
Utilice el mtodo grfico para resolver el siguiente problema de PL:
Maximizar:
pl-01.doc 34
Prof. Ing. Claudio L. R. Sturla
Z = 2 x1 + x 2
sujeto a
x 2 10
2 x1 + 5 x 2 60
x1 + x 2 18
3 x1 + x 2 44
x1 0
x2 0
25 A
10 25 + 2 375 1.000
375 B
Ejemplos
pl-01.doc 35
Prof. Ing. Claudio L. R. Sturla
D
C+ 100
3
3 C + D 300
Lo que se puede variar son slo las u a fabricar de C D.
Adems ntese que una solucin factible que utiliza completamente la capacidad es
50 C y 150 D , lo que significa:
3 50 + 1 150 = 300
II) El producto R est formado por 1.000 u de materia prima. Pueden emplearse dos materiales:
M y N, en la cantidad que se desee. Cada u de material M pesa 1,8 Kg mientras que cada u de material
N pesa 1,2 Kg. Las especificaciones tcnicas requieren que el producto R no pese ms de 1.500 Kg.
Cul es la solucin adecuada?.
III) El producto T debe producirse la semana prxima. Cualquiera de los dos materiales, P y Q,
puede emplearse en cualquier combinacin para producir el producto. Si se hace slo de P, el producto
T pesara 1.800 Kg. Si se hace nicamente de Q pesara 1.200 Kg. Las especificaciones requieren que el
producto T no pase de 1.500 Kg. Cul es la restriccin correspondiente?.
peso de Q en el producto T
[ Q] =
1200
. Kg
Las variables de control siguen siendo P y Q.
IV) Un taller puede producir dos modelos diferentes de un mecanismo. Cada modelo emplea
distintas cantidades de materia prima y mano de obra directa.
Para el modelo A se usa, por u de ese modelo, 1 Kg de fundicin de hierro y 3 HH (horas
hombre); para el modelo B se usan 2 Kg de fundicin y 2 HH.
Para la elaboracin de dichas piezas se dispone de 6 HH y de 4 Kg de fundicin de hierro.
Se gana 1 UM por cada mecanismo vendido. Se vende toda la produccin. Programar la
produccin de manera que la ganancia sea mxima.
V) En un taller metalrgico se fabrican dos tipos de piezas: A y B, que deben seguir los si-
guientes procesos: estampado en hojas metlicas, soldado y finalmente pintado.
La operacin de estampado consiste en preparar partes idnticas, que luego sern soldadas de a
pares formando la pieza tipo A. La pieza B sigue exactamente el mismo proceso.
pl-01.doc 36
Prof. Ing. Claudio L. R. Sturla
Los tiempos estndar, dados en min por u, para cada operacin, son los siguientes:
OPERACIN A B TIEMPO DISPONIBLE POR SEMANA
Estampado 3 8 48.000 min
Soldado 12 6 42.000 min
Pintado 9 4 36.000 min
La utilidad unitaria es 4 UM para la pieza A y 3 UM para la pieza B. Dicha utilidad es constante
para todas las unidades vendidas. Se desea establecer el programa semanal que maximice la ganancia.
VI) Cierta fbrica elabora dos tipos de telas, usando lana de tres colores distintos. Se necesita
la siguiente materia prima por cada m de tela:
TELA A TELA B DISPONIBLE PARA FABRICACIN
Lana roja 120 g 150 g 30.000 g
Lana verde 150 g 60 g 20.000 g
Lana amarilla 90 g 240 g 36.000 g
El cuadro indica tambin cunta lana existe disponible en un momento dado. El fabricante desea
saber de qu manera usar este material, bajo la suposicin de que puede obtener un beneficio de 150
UM por cada metro de tela A y de 90 UM por cada metro de tela B. Desea maximizar sus beneficios.
VII) Una empresa fabrica tornillos y tuercas. Los tornillos requieren 20 HH de mano de obra,
10 u de materia prima y 5 u de equipo. Cada tuerca requiere 10 HH de mano de obra, 30 u de materia
prima y 1 u de equipo. Los beneficios calculados por tornillo son de 8 UM y por tuerca de 5 UM. La
empresa posee una disponibilidad de 10.000 HH de mano de obra, 80.000 u de materia prima y 40.000 u
de equipo. Cuntos tornillos y cuntas tuercas deben fabricarse para maximizar el beneficio?.
VIII) En un campo se desea comprar un mximo de 40 vacas y 200 ovejas. Cada vaca necesita
una hectrea de campo, 150 HH/ao y brinda una utilidad de 250 UM. Cada oveja necesita 0,25 hec-
treas de campo, 25 HH/ao y brinda una utilidad de 45 UM.
Si se poseen 72 hectreas de campo y 10.000 HH/ao disponibles, cul es el beneficio mximo
que puede obtenerse del campo y qu cantidad de vacas y ovejas deben comprarse?.
Ejemplos
pl-01.doc 37
Prof. Ing. Claudio L. R. Sturla
X) El producto T debe fabricarse la semana prxima. Cualesquiera de los materiales, P y Q,
pueden emplearse en cualquier combinacin para producir T. Si se hace nicamente con P el producto T
pesara 1.800 Kg. Si se hace nicamente con Q el producto T pesara 1.200 Kg. Las especificaciones
requieren que el producto T no pese ms de 1.500 Kg. Cules son las restricciones correspondientes?.
PRESENTACIN ANALTICA
m = nmero de recursos (i recursos)
n = nmero de productos (j productos) Tambin nmero de variables del problema
a ij = nmero de unidades de recurso i necesarias para producir una unidad de producto j
bi = nmero mximo de unidades del recurso i disponibles
c j = utilidad por unidad de producto j
x j = cantidad producida del producto j
El problema es:
Obtener
pl-01.doc 38
Prof. Ing. Claudio L. R. Sturla
c1 x1 + c2 x 2 + + ck x k maximo
sujeto a las condiciones:
x1 0
x2 0
x3 0
...........................................
xk 0
y
a11 x1 + a12 x2 + + a1k xk b1
a21 x1 + a22 x2 + + a2 k xk b2
................................................
am1 x1 + am2 x2 + + amk xk bm
Cada desigualdad puede ser transformada en una ecuacin sumndole un nmero no negativo desco-
nocido que en ingls se llama slack.
Este nombre se utiliza para diferenciarlo de las incgnitas x y adems tiene unidades distintas.
La traduccin de slack de la tercera edicin del diccionario Oxford es floja, no firme.
En Castellano es usual llamarles variables de holgura.
Entonces la primera inecuacin puede transformarse en la siguiente ecuacin:
a11 x1 + a12 x 2 + + a ik x k + x k + 1 = b1
Volveremos ms adelante sobre esto.
El problema general de programacin lineal es encontrar un vector
X = ( x1 , x 2 , , x k , , x n )
que optimice la forma lineal
c1 x1 + c2 x 2 + + c k x k + + cn x n optimo
sujeta a las restricciones lineales
x j 0 j = 1, 2, , n
y
a11 x1 + a12 x 2 + + a1k x k + + a1n x n = b1
a 21 x1 + a 22 x 2 + + a 2 k x k + + a 2 n x n = b2
................................................................
a i1 x1 + a i 2 x 2 + + a ik x k + + a in x n = bi
...............................................................
a m1 x1 + a m2 x 2 + + a mk x k + + a mn x n = bm
donde n m
Otras formas de presentar son:
Minimice
n
cj x j
j= 1
sujeta a
xj 0 j
y
pl-01.doc 39
Prof. Ing. Claudio L. R. Sturla
n
a ij x j = bi i = 1, 2, , , m
j= 1
Minimice
c X
sujeta a
X 0
y
[ A] X = b
donde
c = vector fila n-dimensional
X = vector columna n-dimensional
0 = vector columna n-dimensional nulo
[ A] = ( aij ) = matriz de coeficientes tecnolgicos de i filas y j columnas
b = vector columna m-dimensional
Hasta este punto lo que podemos hacer es lo siguiente: hacer n-m variables iguales a cero y resolver
para las m ecuaciones con m variables remanentes. El problema sera entonces como sigue. Ntese que
la matriz de coeficientes es cuadrada.
a11 x1 + a12 x 2 + + a1m x m = b1
a 21 x1 + a 22 x 2 + + a 2 m x m = b2
.................................................
a m1 x1 + a m2 x 2 + + a mm x m = bm
que puede escribirse como
[ A] X = b ( m por m)( m por 1) = ( m por 1)
Si [ A] es cuadrada y no singular el vector solucin X estar dado por
1
X = ( A) b
Una matriz es singular cuando su determinante tiene valor cero. La condicin necesaria y
suficiente para que una matriz cuadrada tenga inversa es que sea regular.
Para resolver utilizaremos el mtodo de eliminacin completa de JORDAN-GAUSS. En m
pasos el procedimiento premultiplica por ( A) 1 al sistema de ecuaciones indicado.
pl-01.doc 40
Prof. Ing. Claudio L. R. Sturla
1 1 1 x1 2
2 1 1 x 2 = 3
1 1 1 x 3 6
, si hacemos
1 1 1 2
P1 = 2 ; P2 = 1 ; P3 = 1 ; P0 = 3
1 1 1 6
(1) puede escribirse como
x1 P1 + x 2 P2 + x 3 P3 = P0
INICIO PARNTESIS
pl-01.doc 41
Prof. Ing. Claudio L. R. Sturla
Una base para E n es un conjunto de n vectores linealmente independientes. Cualquier
vector de E n puede ser expresado unvocamente como una combinacin lineal de los
vectores de una base dada. El conjunto de los n vectores es una base para E n .
La transformacin elemental de fila (columna) es sumar las coordenadas de la fila
(columna) i (j) con las correspondientes de otra fila (columna) cualquiera multiplicada por
un escalar.
Dos matrices se denominan equivalentes A B si una de ellas se deduce como consecuencia
de transformaciones elementales de fila (columna).
Los determinantes de estas dos matrices son iguales.
pl-01.doc 42
Prof. Ing. Claudio L. R. Sturla
pl-01.doc 43
Prof. Ing. Claudio L. R. Sturla
La transformacin total efectuada por el procedimiento de eliminacin completa equivale
a premultiplicar el sistema (1) por ( A) 1 .
Si reescribimos la matriz ( A) con una matriz identidad m por m y el vector P0 queda la matriz parti-
cionada
( A I P0 )
1 1 1 1 0 0 2
2 1 1 0 1 0 3
1 1 1 0 0 1 6
Si premultiplicamos por ( A) 1 queda:
(A 1
A A 1 I A 1 ) (
P0 = I A 1 X )
Los pasos 1 a 3 quedarn:
Paso 1
1 1 1 1 0 0 2
0 3 1 2 1 0 7
0 0 2 1 0 1 4
Paso 2
2 1 1 1
1 0 0
3 3 3 3
0 1 1 2 1 7
0
3 3 3 3
0 0 2 1 0 1 4
Paso 3
1 1
1 0 0 0 1
3 3
0 1 0 1 1 1
3
2 3 6
1 1
0 0 1 0 2
2 2
La nica combinacin lineal de los vectores P1 , P2 y P3 igual a P0 ha quedado determinada.
1 P1 + 3 P2 + 2 P3 = P0 (descomposicin cannica)
1 1 1 2
1 2 + 3 1 + 2 1 = 3
1 1 1 6
P1 , P2 y P3 forman una base en el espacio tridimensional. Cualquier otro vector de dicho
espacio puede ser expresado como una combinacin lineal nica de estos 3 vectores.
Verifiquemos la inversin de ( A)
1 1 1
( A) = 2 1 1
1 1 1
A = 1+ 1+ 2 + 1 1+ 2 = 6
pl-01.doc 44
Prof. Ing. Claudio L. R. Sturla
( 1) i + j
M ij
menor
adjunto
11 = 0 12= 3 13 = 3
21 = 2 22 = 2 23 = 0
31 = 2 32 = 1 33 = 3
Se los debe trasponer para hallar la adjunta.
0 2 2
adj ( A) = 3 2 1
3 0 3
2 2 1 1
0 0
6 6 3 3
adj ( A) 3 2 1 1 1 1
( A) 1 = = =
A 6 6 6 2 3 6
3 3 1 1
0 0
6 6 2 2
1 1 1 1 1 1 1 1
0 0+ + 0+ 0+
1 1 1 3 3 2 2 2 2 2 2
1 1 1 1 1 2 1 1 1
( A)( A) 1 = 2 1 1 = + + 0 + + 0 + + 0 =
2 3 6 3 3 3 3 3 3
1 1 1 1 1 1 1 1 1 1 1 1
0 0+ + + +
2 2 2 2 3 3 3 6 2
1 0 0
= 0 1 0
0 0 1
Es posible calcular la inversa de una matriz utilizando el software Matlab, que nos da, con una funcin
propia del soft, su valor.
Por ejemplo:
> A=[1 1 -1;-2 1 1;1 1 1]
A=
1 1 -1
-2 1 1
1 1 1
>> INVERSA=inv(A)
INVERSA =
0 -1/3 1/3
1/2 1/3 1/6
-1/2 0 1/2
>> P0=[2;3;6]
P0 =
2
pl-01.doc 45
Prof. Ing. Claudio L. R. Sturla
3
6
>> X=INVERSA*P0
X=
1
3
2
x1 + x 2 + x 3 = 6
2 x1 + x 2 + x 3 = 8
2 x + x x = 4
1 2 3
2)
2 x1 + 2 x 2 + x 3 = 9
2 x1 x 2 + 2 x 3 = 6
x x + 2x = 5
1 2 3
y1 P1 + y 2 P2 + y 3 P3 = P4
pl-01.doc 46
Prof. Ing. Claudio L. R. Sturla
que se puede escribir
y1 + y 2 y 3 = 4 1 1 1
2 y1 + y 2 + y 3 = 2 de dnde A= 2 1 1
y1 + y 2 + y 3 = 4 1 1 1
( A) Y = P4
4
P4 = 2
4
( A) 1( A) Y = ( A) 1 P4
De donde:
1
Y = ( A) P4
Actualizado al 25/11/2.002
D:\INVESTIGACIN OPERATIVA\FRBA PL 1 Impreso el 18/03/2008
pl-01.doc 47