| i : ' ; i i i i i CapiTULo 1 INTRODUCCION A LA PROGRAMACION LINEAL 1.1 PROGRAMACION MATEMATICA Los modclos de decisién, también lamadlos optimizantes, son aquellos que formu- lan una funcién objetivo a maximizar o minimizar. La resolucién de estos problemas consiste en dete: el valor (o nivel de actividad) que deben tener las variables para alcanzar el mejor valor de Ia funcién objetivo. “Los modelos de decisién se clasifican en problemas no restringidos ¥ en problemas restringidos (Ilamados “programas mateméticos”, y en forma genérica “programacién mateméatica”). Los problemas no restringidos son aquellos que solamente tienen formulado un objetivo y tienen Ta forma: MAX £(X) o bien: MIN £0) en donde X es un vector de variables (1, x2, X35. Xa): Normalmente, les variables estén afectadas por parimetros, denominados coeficientes del funcional. Un ejennplo de problema no restringido es el siguiente: MIN: 3 x; +2/) + In +4x1 La programacién matematica (PM) se puede definir como la formulacién, sclucién y andlisis de modelos de decisién que, ademis del planteo de un funcional, ineluyen una ‘0 més restricciones que se deben satisfacer. Las variables de decisién (que denotaremos en forma general como x;) representan las actividades o incdgnitas del problema. Ejemplos de variables pueden ser la cantidad Ge unidades a fabricar de diferentes productos en un periodo de tiempo, la cantidad de dinero a invertir en distititas alternativas financieras, el numero ro de personas asignadas a un Conjunto de actividades. el tiempo de realizaci6n de tareas. etcéicra. El objetivo de un programa matemitico es siempre le optimizacién de un resultado. La formulacién matemdtica del objetivo del problema se denomina “funcional” o “fun- cidn objetivo”. Ejemplos de objetives de problemas fisico-econdmicos pueden ser: ma- ximizar cl beneficio, minimizar el costo, maximizar la producciéa, minimizar el desper- dicio, maximizar el empleo de la mano de obra, minimizar cl impacto ambiental, maximizar los clientes potenciales, eteétera. Las restricciones (0 limitaciones) de un problema de PM se plantean a través de ecuaciones o inecuaciones. La formulacién matemitica de las restricciones del proble- ma se conoce.con el nombre de “condiciones de vinculo”Fa INTRODUCCION ALA PROGRAMACION LINEAL / Tipicamente las restricciones representan recursos y requerimientos. Los recursos de un problema real pueden representar dinero, materiales, materias primas, mano de obra, capacidad de planta, capacidad de venta, capacidad de distribucién, etc, Las formulaciones matematicas de las limitaciones de recursos son tipicamente restricciones de 0), a0 positivas (x; < 0), irrestrictes, acatadas inferiormente (x; > d), acotadas superiormente (x) <4), continuas, enteras, etc. En la mayoria de los problemas fisico-econémicos de la realidad, las variables presentan la condicién de no-negatividad. Esto es, no se podria fabricar una cantidad negetiva de unidades de un producto; a lo sumo podriamos no fabricarlo, en cuyo caso Ia variable asume el valor cero. Un programa matematico consiste entonces en un funcional a optimizar (maximizar © minimizar) sujeto a un conjunto de ones | de vino” yamlos INTRODUCCION ALA PROGRAMACION LINEAL MAX [oMIN]: £0) Sujetoa: S.A], 2X) <[=,2] bz aX) $ [= , 2] ben en donde X es un vector de variables (x1, ¥2, 25, - ciones. El objeto de la PM es determinar la mejor asignacién de los recursos y requesi- mientos a las diferentes actividades (representadas por las variables) de manera tal de optimizar el objetivo planteado y cumpliendo con las restricciones del probiema. Existen muchos algoritmos para resolver los problemas de PM, cada uno de ellos disefiado para encontrar la solucién optima, es decir el nivel de cada una de las variables de decisién que da el mejor valor al funcional, a la vez que se satisfacen todas las condi- ciones de vinculo y de las variables. La programacién lineal (PL) es un aso particular de la programacién matemitica en donde las relaciones entre las variables, tanto en el funcional como en las condicio- nes de vineulo, son de tipo lineal. Una gran mayoria de los sistemas y procesos reales responden a fenémenos que se pueden describir 2 través de ecuaciones o inecuaciones lineales. La siguiente restriccién es del tipo lineal: »%4) sujeto a detenminadas condi- + 6xy-3x244x5 $18 Si, en cambio, las relaciones de las variables en el funcional o en las condiciones de vinculo, 0 en ambos, no son lineeles, se dice que el problema es un programa no lineal. Ejemplos de limitaciones no lineales son: + Oxyt Ie + xs T+ Kine 210 + Axi +log xa tml? = 50 ‘Un caso particular de programacién no lineal lo constituye la “programacién cua- dritica” en donde las restriceiones son lineales pero Ia funciGn objetivo es la suma de tuna forma lineal y cuadratica, del tipo: MAK: 6x, +2 +4212 +2 357 Otro caso de programacién no lineal es la “programacion separable” en donde la funcién objetivo o las restricciones pueden formularse mediante funciones separables; por ejemplo: 6x) +2 x2" +3257 2650 Una caracterizacion adicional de los programas matemiéiticos se puede hacer ea funcién de fa naturaleza de las variables. Los problemas son de"“programacién conti nua” cuando todas las variables esumen valores continuos, de “programacién entera” cuando todas las variables asiimen valores enteros (tambiga Ilamados diseretos) y de “programacién entera mixta” cuando algunas variables son continuas y otras enteras.vy IBVIRODUCCION A LA PROGRAMACIDN LINEAL, sss Un caso especial de la programacién entera es la denominada “programacién bina- rid”, que es el que se da cuando todas las variables asumen tnicamente valores 0 0 1 Existen también problemas de “programacién binaria mixta”, evando algunas variables son continuas y otras binarias. Finalmente, en la denominada “programacién mixta” tendremos variables de los tres tipos mencionados (continuas, enteras y binarias). En el afio 1947, George Dantzig desarrollé y describi6é un método para resolver problemas de programaciéa lineal, que se denominé algoritmo del Simplex, en donde las Variables intervinientes en el problema son continuas y no negativas ¥"Tos téxminos in- dependientes son no negativos. Sobre la base dé este método de resolucién se desarro- Maron luego técnicas para resolver problemas matemiticos binarios, enteros y algunos no lincales. La programaciéa matemética se aplica a la resoluci6n de innumerables problemas en la administraciéa de sistemes cmpresariales, enire los que podemos mencionar pro- gramacién de la producein, mezcla de componentes, asiguacidn de actividades, distri- bucién de productos, eteétera., y en otrosimbitos no industriales, tales como operacio- nes militares, medicina, administracién gubernamental, eteétera. 1.2 PROGRAMACION LINEAL Un programa matemético en el cual todas las restricciones y el funcional son fun ciones lineales es un programa lineal (PL). Normalmente, en Jos problemas lineales se da la condicién de no negatividad de las variables. En consecuencia, un problema de programaciéa lineal queda formulado ma- teméticamente de /a siguiente forma: ‘Maximizar una funcién del tipo ¥ 6 x; sujeto a un conjunto de restricciones del tipo ay. x; 0. Por supuesto que un problema de maximizacién puede convertirse en un problema de minimizacin (y viceversa) y una restriccién de mayor igual puede formularse como una restriccién de menor o igual (y viceversa). Los parémetros oj que afectan a las variables en la funci6n objetivo se conocen con elnombre de cocficientes del flmcional, los parémetros aj que afectan a las variables en las condiciones de vinculo se denominan coeficientes tecnolégicos y los parémetros by se llaman términos independientes 0 RHS (del inglés right hand side). Para un problema de “k” variables y “m” restricciones, la formulacién matematica ce un problema de maximizacion con testricciones de menor o igual es: ne1a © D: 6/4 [BVTRODUCCION A LA PROGRAMACION LINEAL B MAX: rxt + 2x + 09354 om tax aux: Fax tai x3 + Fan XE Sb} ta Xi Fn tat +a Sb: an x) tage tay 33+ ~ + ase xe bs Ant Xt + Aa X2 + Aaa X3 + - Fak Xe Sm siendo: 20 La anterior es 1a denominada forma candnica de un problema de maximizacién. Sin embargo, cads inecuacién de < puede transformarse en una ecuacién, simple- mente sumando una variable no negativa. Fsta forma de presentar un problema mate- ‘matica lineal se llama estindar. La forma estindar de un problema de programacién lineal es, entonces: MAX 1X1 + Xs + OXI + Sujetoa © an xi Fax tai3%5+ an 1 tank +3 % + agi Xt a Xa bays at at Oe Ke oF Bk Xk Xke1 = by oF nx Xk + Xia = not 254 + kes = by eat X1 + Bi 9 + As 5 + Lame Xt Xp = bp siendo x20 Las condiciones de vinculo de un problema de PL expresado en su forma esténdar constituyen un sistema de ecuaciones de “n” variables y “m” incdgnitas. A continuaciéa se desarrollara un ejemplo bésico, simple, que se tomar como base para el desarrollo de los diferentes conceptos teéricos que se expondrin en los capitulos siguientes. Ejemplo 1.1: Una empresa manufacnmrera fabrica dos piezas A y B, que dejan respecitvamente una wiilidad de $400 y $300 por unidad. El proceso de elaboracién de ambos productos consisie en tres etapas: un tratamiento térmico realizado en un equipo que tiene una disponibilidad mensual de 720 horas, un proceso de mecanizado levado a cabo en un sector de méquinas que cuenta con una capacidad mensual de 640 horas y una etapa de Finalizacibn manual efectuada,en.un departamento que tiene una disponibilidad de 480 hhoras hombre por mes. Se desea determinar el plan de fabricacién mensuel. El tiempo que requiere cada unidad en las diferentes etapas de elaboracién, para cada tipo de pieza, se indica a continuacién:4 INTRODUCCION A LA PROGRAMACION LINEAL. 9 | 18 | 8 10 | 10 Para resolver el problema se asumen las siguientes hipétesis: 1. La produccién es continua. Si al finalizer el mes una picza ha sido comenzada pero in no se finalizé su fabricacién, la parte que falta terminar se continuard el mes si- guiente. Esto nos permite suponer que las variables son continuas, 2. No existen otras limitaciones fisicas u operativas mis que las enunciadas, es decir, no hay restricciones de despacho, materia prima, almacenamiento, ni de otros recur sos. Tampoco es limitativa la demanda, es decir, se asume que todas las piezas fa- bricadas se pueden vender. 3. El sobrante de los recursos de Tratamiento Térmico (TT), de Maquinaria (MA) y de Mano de Obra (MO) no se utiliza. 4. Los precios no varian en el periodo. - Los interrogantes a responder (variables de decision) son las cantidades de piezas A xy B que se deben producir en el mes con el fin de maximizar las utilidades (objetivo). ‘Llamando: x1 ala cantidad de piezas de tipo A a fabricar por mes, y 29 a la cantidad de piezas de tipo B a fabricar por mes, Ia funcién objetivo del problema sera: MAX: 400 x) + 300 x2 Las restricciones del proceso son Ie disponibilidad maxima de los recursos de TT, MA y MO. Con relacién al recurso Tratamiento Térmico, si cada pieza A insume 9 hs ¥ cada pieza B insume 18 hs, la utilizacién mensual total de horas de este recurso serd 9 XL + 18 x2. Obviamente, dicha utilizacién no puede superar a la disponibilided; luego: 9n+ 18%S720 Del mismo modo, cl requerimicnto del recurso Maquinaria esta dado por la expre- sién 16 x + 8 xy, y este valor no puede exceder a la disponibilidad mensual: 16x, + 8x2 <640 Finalmente, para el recurso Mano de Obra tendremos: 10x + 10x. <480 Como se puede observar, tanto las restriceiones como Ja funcién objetivo son rela- cciones lineales. Por otra parte, las variables x; y x; cumplen con la condicién de no ne-x 2 of ay at INTRODUCCION A LA PROGRAMACION LINEAL 1s oe gatividad: Esto es, se puede no producir (valor cero de las variables) o producir (valor positivo de las variables) piezas A y B en el mes. En definitiva, nos ha quedado formulado el siguiente programa matemético lineal: MAX: 400 x, +300 x2 Sujeto a: 9x1 +18 x2 $720 centre ellos el algoritmo del Simplex. Sin embargo, como se trata de un problema de s0- Jamente dos variables, ensayaremos una resolucién gréfica, Tomaremos un par de ejes cartesianos en donde se representara en abscisas a x1 ¥ en ordenadas 2 x2. Como se cumple con la condicién de no negatividad de las variables, el resultado estara siempre sobre el primer cuadrante. Grafiquemos en primer luger la restriccién correspondicate al Tratamiento Téomi- co: Ox, + 18x: 5720 Para ello (ver pag. 16) se dibuja la ecuacién de la recta 9x14 18x.=720 - y lucgo se determina la porcién de Semiplano correspondiente a la desigualdad. Observando la igualdad, vemos que para x, igual 2 0, x2 es igual a 40. Del mismo ‘modo, para x2 = 0, x; es igual a 80. Uniendo estos dos puntos tendremos graficada la couacién de larecta 9x; + 18x2~ 720. Para determinar cual es la porcién de semiplano correspondiente a la desigualdad se prueba con un punto cualquiera, normalmente el origen de coordenaéas. En este caso, el origen de coordenadas (x; = 0 y x2= 0) satisface la restriccién, es decir 0 < 720, por Jo que el semiplano correspondiente a la restriccién debe contenerlo. En consecuencia, queda formado un conjunto de infinites solucioncs (cualquier punto por debajo de la recta, perteneciente al trifngulo resaltado) que satisface la res- ‘triccién de TT. Para representar la inecuacién correspondiente al recurso Maquinaria (ver pag. 17), procedemos del mismo modo. Se definen en primer lugar dos puntos de la recta 16x,+ 80= Para xj=0=97%=80 | 16x, + 8x2 3640 10x, + 10x, £480 con Xt: X22 0 y continuas a ° ee z 1.3 RESOLUCION GRAFICA 2 Para la resoluci6n analitica de este tig de problemas existen diversos algoritmos, t ; : ' ; | : i i t i t30 1 Uniendo estos dos puntos queda definida la recta 16 x1 + 8 x2 = 640. Para graficar Ja inecuacién se prueba si el origen de coordenadas satisface la desigualdad. En efecto, en este caso también esti contenido, por lo que cualquier punto por debajo de la recta satisface la ecuacién de MA. Componienda las dos restricciones planteadas (IT y MA), queda definido un re- cinto correspondiente a un poligono, que se muestra en la préxima pagina. Cualquiera de los infinitos puntos pertenecientes a este recinto es una solucién que satisface con- jumamente las restricciones de TT y MA. Finalmente, representaremos le restriceién de mano de obra (MO): 10x14 1032 £480 Se definen en primer lugar dos puntos de la recta 10x, + 10x =480 Para x= 03 x2=48 ypara 2 =0 = x1 = 48 Uniendo estos dos puntos queda definida Ia recta 10x1 + 10 x2 = 480. Para graficar Ja inccuacién se prueba si cl origen de coordenadas satisface la desigualdad. También en este caso este punto satisface la restriccién por lo que cualquiera de los infinitos puntos por debajo de la recta graficada satisface la ecuacién de MO.: Zn lol [INTRODUCCION ALA PROGRAMACION LINEAL 7 z 0 Cae at Componiendo finalmente las tres restricciones planteadas (TT, MA y MO), queda = definido un nuevo recinio de soluciones, tal como se muestra en Ja figura siguiente. ae Cuzlquicra de los infinitos puntos correspondientes 2 este poligono convexo satisface concurrentemente las tres restricciones y, en consecuencia, es una solucién factible del problema. ree era on- fcar aen18 INTRODUCCION ALA PROGRAMACION LINEAL. El objetivo del problema consiste en determinar cual dc los infinitos puntos se co- responde con la mejor solucién, es decir aquél que maximiza la funcidn objetivo 400 x: +300 x2. Para encontrar grificamente la solucién Optima se dibujan distintastrazas del plano Z=400 x; +300 xz sobre el plano xj. Fl plano del funcional es un plano que corta al x1-X2 como se indica en la préxima ‘gura, de manera que sobre el plano x~x2 cl valor de Z es igual a 0. Para valores mayo- tes de Z (es decir planos perpendiculares y dispucstos por encima de x xz el valor de Z aumenta). De esta forma, las diferentes trezas del plano del funcional sobre el plano Xi-% Som reetas paralelas. Particularmente, cuando Z = 0, la taza sobre x1~Xa pasa por #1 origen de coordenadas. Por consiguiente, graficaremos sobre el plano xx: primero la raza correspondiente a Z = 0, es decir: 400 x) +300 a=0 de donde: x, --ty Cuando x1=0 3x=0 yeuando x)= 15 =) =~20 Con estos dos puntos sc grafica la raza Z'= 0 en el par de ejes cartesianos x1-2, tal como se indica en la figura de la préxima pagina.co- Vx no ene trctreetenane tenth rene Zn lol ys YTRODUCCIGN ALA PROGRAMACION LINEAL 19 Cualquier valor del funcional Z mayor que cero tendri, como hemos visto, trezas que constituyen rectas paralelas 2 Z = 0 (ver la figura de la pagina 20). El valor de Z sera tanto mayor cuanto més nos desplacemos en el primer cuadrante hacia valores po- sitivos de x, y x2. En consecuencia, para hallar la solucién Optima se debe desplazar la recta del funcional lo maximo posible sin salir del recinto de soluciones factibles y, siendo éste un poligono conyexo, la solucién dptima del problema se encuentra en un punto extremo (0 vértice). En el problema formaulado, Ia solucién Sptima se encuentra en el vértice que cons- tituye Ie interseccién de las rectas correspondientes 2 los recursos de Mano de Obra y “Maquinaria, tal como se puede ver en la figura de la pagina 21 Leyendo el valor de x1 correspondiente en el gje de las abscisas, se detcomine ol ni- vel de actividad éptimo de piezas A, y leyendo el valor de x; en el eje de ordenadas se ctctmina el valor éptimo de piezas B a producir por mes.20 INTRODUCCION ALA PROGRAMACION LINEAL. En consecuencia, los niveles de actividad de las variables x, = 32 y x: = 16 signifi- can que se debe producir 32 piezas de A y 16 piezas de B por mes a fin de maximizar el objetivo. Con este programa de produccién se obtiene un beneficio de: Z= 400 .32 +300 . 16 = 17600 Sines Lauutilizacién de los recursos se puede determinar reemplazando el valor de xy y el de x; en cada una de las expresiones. Para este ejemplo teadremos: TT) 9x, + 189%2=576 MA) 16xi+ 8x=0640 MO) 10x; + 10x2=480 ~-~1eneenstreiaei main enna tobias imnegtitemanetininoT eeLalidag INTRODUCCION A L.A PROGRAMACION LINEAL 2 x if rel yel | i | Ff | | | i i | | i | 1,4 VARIABLES SLACKS El sistema de inecuaciones planteado para este ejemplo 9x4 18x<720 l6x+ 8x S640 10X1+ 10x $480 puede expresarse como un sistema de ecusciones, simplemente, sumando una variable no negativa en cada restriccién: 9x4 18x: +x = 720 l6x+ 8x tx = 640 10x1+ 10x +x5 = 480 La variable x3 representa el sobrante mensual del Tratamiento Térmico, x; el so- ‘brante mensual de Maguinaria y x; el sobrante mensual de Mano de Obra. En PM, a las variables de devisién del problema se las lama “Variables reales” 0 también “variables fuertes”. En este ejemplo x, y x2 son variables reales. ‘Las variables que permiten transformar una inecuacién en una ecuacién se denomi- nan “variables slacks” 0 “variables débiles”. En el ejemplo formulado x, x4 y x3 son. variables slacks.2 INTRODUCCION 4 LA PROGRAMACION LINEAL Las variables slacks correspondientes a restricciones de < (tal como en el ejemplo formulado) representan normalmente sobrantes de recursos, y se las llama “variables de ‘holgura’”. En cambio, Jas variables slacks correspondientes a restricciones de > representan excedentes sobre requerimientos minimos impuestos, y se las lama “variables super- uas”. Supongamos que tuvigramos la resiriccién de que la produccién conjunia de pie~ zas Ay B deba ser mayor a 40 unidades por mes. En este caso, la formulacién matemé- tica seri: xy +x2 240 Para wransformar esta inecuzcién en una ecuacién se le deberfa-sestar una variable no negativa, por ejemplo x¢: x, +x) — x5 =40 La variable x, estaria indicando en euSntas unidades mensuales se habria exeedido el minima impuesto de 40 piezas. ‘Volviendo al problema originalmente planteado, tenemos que el misma se podria formuler, agregando las variables slacks, dela siguiente manera: MAX: 400 x: +300 x2 = Sujeto a: 9x + 18x +x =720 | l6xt 8x +m = | 10x + 10x, Xs =480 En cl primer gréfico de la pagina 23, sobre la recta de TT dibujada, el valor de la variable x; (sobrante de Tratamiento Térmico) es igual e cero, ya que se corresponde con la igualdad 9x) + 18%2=720 Cualquier punto por debajo de ella implica un valor de x; > 0. Del misme modo, sobre la recta MA la variable x, es igual a cero y sobre la recta MO la variable xs vale cero. En Ia solucién éptima el valor de x; es de 144 hs por mes, es decir, la diferencia entre la disponibilidad (720 hs) y la utilizacién ($76 hs) del recurso TT. Este valor sc puede hallar también grificamente midiendo la distancia del punto éptimo a la recta de TT en Ia escala que se describe a continuacién, y que se muestra en el segundo gréfico de la proxima pagina. En el origen de coordenadas, la utilizacién del recurso es 0, lo que implica que el sobrante cs 720 hs. En consecuencia, si la distancia medida (en cm) desde el origen de coordenades a la recta cquivele a 720 hs, la distancia (en cm) desde el punto optimo a la recta equivale a “x” hs. Procediendo de esta forma en nuestro ejemplo, se puede lecr sobre el grifico que el sobrante del recurso de Tratamiento Térmico es de 14 bs. "sores tne eee nae TREN COwan ie mé- able ido dria ela mde INTRODUCCION A LA PROGRAMACION LINEAL 3 2 Xt Por otra parte, se puede observer gréficamente en Iz solucién éptima del problema que los sobrantes de los recursos de Maquinaria (x4) y de Mano de Obra (xs) son nulos, ya que ese punto se encuentra sobre las recias x4 =0y x5 =0. Si bien la solucién grifica esté limitada a problemas de dos variables reales, resulta muy ttil para la interpretacién de la geometria de la Programacién Lineal y de los con- ceptos que se verdn més adelante.24 INTRODUCCION A LA PROGRAMACION LINEAL 1.5 DISTINTAS FORMAS DE FORMULAR UN PROBLEMA DE PL Para el ejemplo propuesto, un probleme de maximizacién de dos variables (x: y x2) y tres restricciones, el problema lineal se puede formular como un sistema de inecuacio- nes, de la siguiente forma: MAX: 1x Fe Sujetoa: ay x1 +a Sb, 91 X1 + ap 1 SD 231 xy +a xy Sbs eon Xi, %2 20 y continuas Como hemos visto, los coeficientes c; se denominan coeficientes del funcional, los aj Coeficientes teonolégicos y los b; témninos independientes. La formulacién arriba cexpresada cs la forma canbnica tipica de un problema de maximizacion. ‘Agregando las variables slacks, se pasa a la forma estindar: MAX: eri Fea xe [ Sujetoa ax tape + =b; aim +42 % = ay x1 + a5 x 4x5 =b5 con Xi, X25 Xa X4y X52 Oy continuas Existe también una formulacién matricial para un problema de programacién li- neal. Llamando A a la matriz de coeficientes teenolégicos: Gy ay | A=|a, a, 1 ced 1 ‘Xa la matriz (vector columna) de las variables del problema (fuertes y débiles):1x) cio- los iba n lis [INTRODUCCION ALLA PROSRAMACION LINEAL 25 y Ca la natriz (vector fila) de los coeficientes del funcional: c=la aac o) tendremos que en la formulacién del problema la funcién objetivo es el producto metii- cial Cx y les condiciones de vinculo, el producto matricial AX=B siendo ademés el vector X 2 0. En efecto, el producto matricial ay a: 1 x] fb, % ay ez 1 |+}x, |=!b, Xe aa) 2 1] |x. es el funcional a maximizar. Mas aiin, el problema también se puede formular como un producto vectorial. ‘Sean los vectores ay a 1 0 0 Av=lap| 3 Ar=lan| 3 4; 3 Aysll] ; A,=|0 by ae 0 0. 1 Entonces, el funcional y les condiciones de vinculo correspondiente a la forma es- ‘téndar del problema se pueden plantcar tambiéa de la siguiente forma:26 IVTRODUCCION A LA PROGRAMACION LINEAL, MAX: =“ Ye; -x; ‘Sujeto a DaAy-x Es decir, las condiciones de vinculo sc pucden expresar como el siguiente producto vectorial: an ‘an 1 0 ie by yy |X | Asa [2024/0 f-x, +] |x, +] 0 |-x, =| By as a 0 oO E by Finalmente, una forma muy conveniente de presentar el problema original cuando se esti modelizando un caso con muchas variables y restricciones cs on formato de cuadro matricial (o “modo extendido”), en donde los nombres de las columnas son: cada una de las variables reales del problema, signo de la restriceiSn y término independiente, mientras que los nombres de las filas son: objetivo del problema, cada una de las restricciones y tipo de variable. La mayoria de los sistemas computarizados de PL. utilizan esta forma de ingreso de datos para los modelos. La siguiente es la forma extendida de un problema de dos variables y tres restricciones: VARIABLE | | VARIABLE? | Signo | RHS MAX ei © Resticcién 1 on ae s | bh Reswicion2 | an a =a 6 Resiriccion 3 ay ae 2] Tipo de variable | condicion | _condicion En definitiva, el problema formulado como ejemplo puede plantearse de las siguientes formas: 1) Sistema de inecuaciones: MAX: 400% 730030 Sujetoa: « 9x4 18x. < 720 I6xy+ 8x; 5 640 1Oxi+ 10x: $ 480 con ym 2 Oy continuas 2) Sistema de eouaciones: ant me annie aetna eine enptceif aee ETETMREFCEREE ' i i | f t | | i iINTRODUCCION ALA FROGRAMACION LINEAL Be lb/te un MAX: 400%, + 300%, Sultoa 9 +1S +H = Wt 8% 4m = 10 x+ 10x $= Xi Kea Xp Ky XB Oy continuas 70 640 430 3) Producto matricial: x Max: [400 300 0 0 ox, 918 1 x] [720 Sujeto: 168 Ld] xs |=] 640 10 10 allz,} [480 con x20 4) Producto vectorial: 2 MAX: — 400%, + 300% +045 40% 40x 9 18) ft) (0) (0) (70 sujeto a: [16 xy +]8 fxa+]0 xy +] [x4 +{0 [x5 =| 610 10) lo} lo) (lo) b 480 oa 22, RH HEO 5) Cuadro matricial (0 “forma extendida”): 400 300 3 ry z 720 16 * 5 0 10 10 é 0 continua, NN | continua, NN28 INTRODUCCION ALA PROGRAMACION LINEAL 1.6 RECINTOS DE SOLUCIONES FACTIBLES Una solucién de un problema de programacién matemitica puede expresarse como un vector de variables (reales y slacks). En forma gréfica, una solucién queda represen tada por un punto. Las soluciones que satisfacen todas las restricciones del problema se llaman “facti- les” y las que no lo hacen se denominaa “no factibles". Gréficamente, las soluciones factibles definen un conjunto que se Llama recinto de soluciones factibles. Estos recintos pueden ser convexes 0 no convexos, Un conjunto es convexo cuando cualquier combinacién lineal de dos soluciones factibles es también una solucién factible, es decir, si tomamos dos puntos cualquiera (A y B) del recinto, todos los puntos (XX) que constituyen una combinacién lineal entre A y B también perto. nccen al revinto. Por ejemplo, los siguientes conjuntos son convexos: ya que cualquier combinacién lineal X entre A y B tambign forma parte del conjunto de soluciones factibles. Por el contrerio, no son convexos los siguientes fecintos: Los problemas de programacién lineal con variables continuas y uniformes definen siempre poliedros convexos. En cl caso particular de dos variables reales, tal como he- mos visto en el ejemplo formulado, el recinto definido es un poligono convexo. “sarc atriengcreinre hate temenontenaveenesennsmopcticndintobesLo blac 29 IVTRODUCOION A LA PROGRAMACION LINEAL En,im problema de programacién lineal de “‘n” variables (reales y slacks) y “m” restricciones, se define como “solucién bésica” a aquella en la que por lo menos “nm” ae variables son nulas (0, dicho de otra forma, como maximo “m’” variables son distintas . de cero). a Tomemos el ejemplo planteado, en donde la cantidad de variables “a” es 5 y la cantidad de restricciones “m” es 3, y representemos cada solucién a través de un vector Nae en donde sus elementos componentes representan el valor que adopia cada una de las oad variables: vin. a ato, x rte alee Xs ae Indicaremos cada valor positivo con una “p”, cada valor negativo con una “n” y cada valor aulo con un 0. Volvamos al Ejemplo 1.1, cuyo grafico se muestra 2 continua cion. Cualquier punto que se encuemtre dentro del poligono, incluyendo sus bordes y vértices, c5 una solucién factible, tales como 8, R y C, y tiene la particularidad de que todos sus componentes son no negativos. El punto $ es una solucién factible pero no constituye una base ya que todas las va~ | siables que lo integran tienen valores distintos de cero. ode | i i no =f he- i30 BNTRODUCCION A LA PROGRAMACION LINEAL SS eee ee Una solucién como el punto R (que esti sobre un lado del poligono) es factible pe- To tampoco constituye una soluci6n bisica debido 2 que sélo tiene un componente igual cera (x1): 2 fi Suu EI punto D, en cambio, representa una solucia bésica ya que dos variables son aulas (% = 0-y x1 = 0) y ademés cs factible al scr todos los valores de las variables no negativos. Del mismo modo también son soluciones basicas factibles los puntos O, C, B yA. 0 0 P P [Pp P o P P 0 p=|0| o=lp! =o] Be=lp| aA=|p Pp P Pp 0 o P. P. 9 1) P. Como hemos dicho més arriba, un punto fuera del recinto, como el Q, es una soke cidn no factible. En efecto, ea esz solucion tenemos dos valores positivos y tres negati- vos: BERS Por supuesto que tampoco es basica. Sin embargo, los puntos K, L, E, M y P son soluciones no factibles pero bésicas ya que por lo menos 2 de sus componentes son nulos. En efecto: 0 0 [ep P D P P P 0 0 n| Laln| E=|0{ M-=|p] P=lo >| 0 0 n n a " n lo n| En los problemas de PL las soluciones bésicas factibles son vértices del poliedro convexo (en todos ellos se cumple que todos sus componentes son no negativos y de ellos por lo menos n-m son iguales a cero). are ein ea eee rene HOAsble pe- e igual les son bles no 36,3 a solu- negati- sicas ya »oliedra 03 y de INTRODUCCION ALA PROGRAMACION LINEAL Ts tblay 31 Es ficil comprender, por la geometria de los programas lineales, que la solucién Gptima estard siempre en un vértice del poliedro convexo ya que en un punto exiremo es ‘en donde se obtiene el m4ximo o el minimo desplazamiento del funcional. 1.7 SOLUCION ANALITICA, Hasta aqui hemos visto cémo se resuelve gréficamente un problema sencillo de PL. Intentaremos ahora encontrar la solucién analitica de una forma sencilla. El ntimero total de soluciones bisicas (factibles y no factibles) en un problema de programacién lineal es la cantidad de combinaciones de “n” tomadas de a “m”. En el ejemplo planteado la cantidad de soluciones bisicas es 10. En efecto: Para resolver el problema analiticamente, de las infinitas soluciones posibles se de- berfan calcular solamente aquellas que constituyan bases, y dentro de estas soluciones basicas se deberian tomar solamente aquellas que scan factibles. ‘A partir de la forma estindar, ¢s decir el sistema do 3 ecuaciones y 5 incégnitas MAX: 400 x; + 300 xz Sujeto a: 9x, +18 +x; =720 16xi+ 8x2 +Xq = 640 10x, +10% +X5= 480 i con 1, X2, X3, x4, X52 Oy comtimvas se forman las 10 bases posibles (es decir sistemas de 3 ecuaciones con 3 incégnitas y se resuelver). Aquellas soluciones en donde alguna variable sea negativa se descartan por i ser no factibles. Para las soluciones factibles se calcula el valor de funcional. La solu- i cién éptima serd aquella cuyo valor del funcional es maximo. 1 ‘A continuacién se procederé de a forma indicada y, para una mejor comprensién | se indicara cul es el punto de le formulacién grdfica que se esti calculando: VARIABLES 5 | VARIABLES | sistema DEECUACIONES | SOLUCION | FUNCIONAL | PUNTO | xan Fy z-0 ° a : xis 8x +m z=i200 | D ' 10% : 184% : M5% ey, FACTIBLE a : 10%32 EXTRODUCCION A LA PROGRAMACION LINEAL 4 18x tx 2 NO. yess ae FACTIBLE a 9x, +18 x Mit | 16m+ 8x +X Z= 16000 ¢ 10x14 10 x } 8x, +18 NO %3% | 16x+ 3x2 E 1034410 x ete Ox, F1B Gtx: x l6x+ 8x Z=17600 B MS | 10x 410%; 9x, +s mim | 16m Z=16000 A 10%, = 9x, NO. min | 16m + FACTIBLE |? 10%: ox, +n, wits | 16% +e HO. M FACTIBLE 10% Resulta obvio que esta forma de resolver problemes de PL es ineficiente y com- pleja, y tanto mas cuanto mas variables tenga el problema. En estos casos se debe utili zar un algoritmo de resoluciéa que permita explorar solamente algunas soluciones basi- cas factibles en forma procedural y eficiente para llegar a la saluci6n éptima. 1.8 PROBLEMAS DE MINIMIZACION Se resolver a continuacin un problema de minimizacién cn forma gréfica. Ejomplo 1.2 8 Una empresa produce sacos para la preparacién de cemento usando los ingre- dientes Ay B. Cada kilo de ingrediente A cuesta § 6 y contiene 4 unidades de arena fina, 3 unidades de arena gruesa y 6 unidades de pedregullo. Por su parte, cada kilo de ingrediente B cuesta $ 7 y contiene 3 unidades de arena fina, 5 unidades de arena grue- say 2 unidades de pedréguilo. Cada saco debe cantener por lo menos I1 unidades de arena fina, 10 unidades de arena gruesa y 9 unidades de pedreguilo,E Ute INTRODUCCION A LA FROGRAMACION LINEAL 33 Llamaremos x; y %2 @ la cantidad de ingrediente A (en Xg) y de ingrediente B (en Kg) que debe contener cada saco. Las restriociones que se deben satisfaccr son las can~ tidades minimas de arena fina (AF), arena grucsa (AG) y pedregullo (PE) requeridas para un saco de producto. En consecuencia, [a formulacién matemétiea del problema lineal es la siguiente: MIN: 6x1 +730 Sujetoa AF) 4x1 +3 211 | AG) 3x1+5%210 PE) 6x1+2m29 con x1,%2 20 Y continuas Greficando las rectas de las restricciones, tendremos que +” BmAF: Parax;=0=9x2= 3.67 y para x.~ 0 =» x =2.75 + En AG: Parax;=0=x2= 2 yparax,=0—x.=333 “2” EnPE: Parax;=0%2=45 yparay=0 = %2=15 En todas las restricciones, se observa que el origen de coordenadas no las satisface, por lo que los semiplanos correspondientes son los superiores. Para determinar la recta del funcional en Z = 0, se determinan dos puntos: + Para xy=0=9m= 0 yparax.= 0.6 = x= -0.7 ‘Como se trata de minimizar el funcional, se deberi desplazar Ia recta lo menos po- sible hacia valores positives dei y% £ Se puede transformar el sistema de inecuaciones en un sisiema de ecuaciones agre- gando las variables slacks superfivas Xs, Xs ¥ Xs, que representan los excedentes sobre os minimnos impuestos de arena fina, arena gruesa y pedregullo, respectivamente. De la resolucion grafica surge que el éptimo se obtiene en | cee x= 2.27 oe x = 0.64 %=0 x70 xs=5.91 7 En consecuencia, la solucién éptima del problema es preparar cada bolsa con 2.27 m Ke de A y 0.64 Ke de B, la que tendra un costo de $ 18.09. Cada bolsa contendré 11 fe unidades de arena fina, 10 de arena gruesa y 14.91 de pedregullo. ‘lode grue- es de34 om ou mE INTRODUCCION A LA FROGRAMACION LINEAL, aDn ld he CaPiTULO2 RESOLUCION DE PROGRAMAS LINEALES 2.1 ALGORITMO DEL SIMPLEX Bisicamente, el método Simplex es un procedimiento iterativo para resolver problemas de PL cuando todas las variables que intervienen en el problema son no negetivas y cuando los tétmines independientes (RHS) son tambiga no negetivos, es decir, problemas del si- guicnte tipo: MAX (MIN): Ye, x, Sujeto a: Sa, x, d] siendo: b 20 y con: x2 0y continuas Compo todo algoritmo, el procedimiento requiere un criterio de comicnzo, un criterio de iteraci6n y un criierio de terminacién. El primer paso comprende la obtencién de una solu- cién bisica factible; normalmente se toms el origen de coordenadas como primera solucién. El proceso iterativo consiste en pasar de una soluci6n bisica factible (o “base”) a otra solu- cién bisica factible en forma tal que el fimcional mejore (es decir que se ineremente si se esta maximizando, o que se reduzca si se esti minimizando) o que por lo menos se manten- ga en el mismo valor. El proceso contintia basta que se alcanza una solucién dptima, si existe. EI método propone la utilizacién de tablas, una para cada base que se va explorando. Las tablas del Simplex tienen el siguiente formato: cyt tyes Ze Las variables x, son las variables que no se han anulado para formar la base, es decir las que tienen tipicamente un valor disfinio a cero (estan activadas). Se dice que estas varia- bieS son “basices”, 0 que estin en la base. Por el contraro, las variables que se anulan para formar una soluci6a basi cas”. En la colurnna By)se consignan los valo- res bj que adoptan las vari i i36 ___RESOLUCIONDE PROGRAMAS LINEALES En la pacte principal de la tabla va la mattiz. de coeficientes tecnoldgicos de la formu- lacién lineal correspondiente a esa base. Esto es, en cada une de las columnas se indicar. los coeficientes de cada vector Aj asociado « la variable x; correspondiente. En la fila superior de Ia primera tabla solamente, se indican los coeficientes del funcio~ nal correspondiente a cada variable. En la primera columna (la dispuesta més a la izquierda) se consignan s610 los coeficientes del funcional correspondientes a las variables bésicas. El valor del funcional Z se indica en la tiltima fila, en el extremo izquierdo. Mas adelante se explicard qué valores se consignan en la ditima columna (dispuesta sobre el extremo dere- cho) con el titulo by/ag, y cuales en la fila denominada 2-4. Desarrollaremos él método conjuntamente con el ejemplo miento térmico, maguinaria y mano de obra. La formulacién ori siguiente: el problema de trata: al del problema es la MAX: 400 x: +300 xz Sujeto a: 9x, +18x, $720 16x; + 8 x2 $640 10+ 10% $480 con: 21,3220 y continuas y el grafico correspondiente: El algoritmo consiste en los siguientes pasos o etapas: Primero: Formular e] problema en la forma csténdar, es decir, agregando Jas variables slacks cuando haya desigualdedes en la formulaciéa original. snspesnione er nae embetter rere eM RRMables resents Eo be lug RESOLUCION DE PROGRAMAS LINEALES 7 MAX: 400 x +300 x Sujeto a: 9x1 +18 x33 16x+ 8x. +X 101+ 10x. +Xs 1, ¥, XG, 4, Xs2 0 y continuas ‘Seoundo: Plantear una soluci6n bisica factible. El algoritmo propone como primera solu- cién basica factible cl origen de coordenades, es decir, la solucién en donde se anulan las, variables reales ( y x). Esto significa que en la primera base estarén en la soluci6n Xs, X4 ¥ x, euyos valores son 720, 640 y 480, respectivamente. A estas variables, entonces, se las ilama bisicas (0 se dice que estén en la base). En el cuerpo principal de la tabla se consignan los cocficientes teenolégicos de la for- mulacidn esténdar del problema. En la primera fila (c) se indican los coeficientes del fun- ional para cada variable (400, 300, 0, 0 y 0), y en la columna c, se consignan solamente los, coeficientes del funcional de las variables basicas. Frimeratsbl [¢ | 400 300 @ 0 mo | 9 18 t 0 o40 | 16 8 1 0. 480 | 10 10 Cuando no se indican valores en el cuerpo principal de Ia tabla se supone que éstos son core. Observernos que los Ay, es decir los vectores correspondientes a las variables basicas ‘son versores. = En primer lugar, se calcula el valor del funcional Z = }\¢; r, de la soluci6n. ara la primera base tendremos que Z=0.%5 Este valor se indica en Ie easilla correspondiente en la parte inferior izquierda. Bl resto de los valores de la fila del funcional se denominan zc}. El valor de zs el de Ja sumatoria de los coeficientes ¢, por Jos ag: a 1 ky Ys por consiguicate: Felis kG € Deets De manera que 0.x +0. x5=0 & beer38 __-RESOLUCION DE PROGRAMAS LINEALES 9+0.16+0.10=400 =-400 -18+0.8+0. 10-300 =—300 -140,0+0.0-0=0 -0+0,1+0.0-0=0 -0+0.0+0.1-0-0 Estos valores se colocan en la ultima fila de Ia tabla. Primeratabla [oj 4003000 0 0 | 0 m | o iw tt 1 0 oo | 16 8 1 0 430 | 19 10 1 Tew 400-300 0 0 eam [Como puede observarse, los zj— ¢; corespondientes a los vectores asociados a las va~ | tlables basics (As, Ag y As) son iguales a cero. ‘Tereero: Determinar si la solucién puede ser mejorada. Si ¢s asi, se pase a explorar una ueva base; en caso contrario, se termina el proceso, correspondiendo la solucién éptima a la presente solucién. Bl oriterio para determinar si lz solucién puede mejorar es el siguiente: a. En el caso de ester maximizando, si existe un z ~ 6 negativo, el funcional puede aumentar. “the tee b. En el caso de estar mi imizando, si existe 2; ~ ¢ positivo, el funcional puede dismi- ‘muir. ee En el ejemplo, en la primere solucién existen valores 2; — ¢; negativos siendo un pro- blema de maximizacién; por lo tanto, el funcional puede mejorar si pasamos a la proxima base. El Simplex explora el recinto pasando de Ia base actual a una base vecina, introducien- do una variable a la base (es decir activando una de las veriables nulas) y sacando una va- “lable de la base (es decir anulando na de las variables que estin en la base). Recordemos que una tase consiste en una solucién quetiene por lo menos nm variables nulas, de ma- nera que si se activa una variable, se tiene que desactivar otra variable. Cuarto: Elegie una variable para que salga de la base que constituird la proxima solucion y otra variable para que entre en dicha base. El oriterio para detccminar le variable que ingresa a la base es el siguiente: 1. Enel caso de estar maximizando, se deberd ingresar la variable cuyo 2;~ ¢; sea mas ne- ¢gativo. En el caso de que haya un empate puede elegirse cualquiera de ellas. 2. En el caso de estar minimizando, se deberd ingresar la variable cuyo = 5} 9ce mas ps sitivo, En el caso de que haya un empatc pude clegirse cualquicra de-cllas. En nuestro ejemplo, el 2)— cj mis negativo es el correspondiente a la variable x; con un valor igual a—400. En consecuentcia, se sclecciona a x; para que ingrese en la proxima base. nan Lng rinoeettcns sr nA EE AEE EON OE RET OMAR,as va ar una itima 2 puedle ismi- aan pro- roxima ducien- tuna va rdemos de ma- lucién y con ua, na base. cosets omental [RESOLUCION DF PROGRAMAS LINEALES y al fur 39 Pare. determinar la variable que debe salir de Ia base, se calculan los coeficientes b/2y de la columna correspondiente a la variable j que esté ingresando. Estos valores se consig- san en is columna ubicada mésala derecha de la tabla, como se indica a continuacién: 300 8 80 16° 8 1 40 1 10 1 | 48 400300 0 ‘Al minimo cociente bay no negative se lo llama @, y representa el valor que asumiri en la préxima solucién Ia variable ingresante En nuestro ejemplo, el minimo cociente by/aijes el correspondiente 2 la variable x, por lo que ésta serd Ja que se anula en la préxima base. Ademés, la variable x; asumira el valor 40 en la nueva solucién. El coeficiente que corresponde a la columna de la variable que ingresa a la base (x;) y a la fila de la variable que sale de la base (xe) se ama “pivote”. En elejemplo, el pivote es 16. Primeratable [—o | 400] 300] 0 [ 0 [ 0 0 ory ig] 1 80 | fe, | 8: 1 40 o 10. | 10 1 | 48 4 | s00 fo fo | oO a bE Quinto: Efectuar el cambio de base. Para ello se procede de Ia siguiente form ‘Las variables que formarin parte de la nueva base son x3, 1 (en lugar de x.) y xs. Aso ciados a estas variables, los veotores A3, Ai y As son versores. por el pivote.40 RESOLUCION DE PROGRAMAS LINEALES 1 a a 0 sl El resto de Jos valores se calculan mediante el procedimicnto de transformacién de matriz inversa de Gauss Jordan. Esto ¢s, pera calculer un coeficiente en una posiciin deter- minada, se toma de la table de la solucién anterior el valor ubieado en esa posicién y se le resta el cociente entre e] producto del coeficiente que esta en la fila del pivote por el coefi- ciente que est en Ia columna del pivote, ¥ el pivote. Tencremos entonces: 640x9 16 B, =720-- =360 640x10 B, = 480- 16 30 Estos valores se consignan en Ia tabla. ‘Segunda tabla Luego se calculan los valores de Zy de 2; Z=0.360+400.40+ 0. 80~ 16000 yelde los zi-oj: ty = 0. 15.5+400.0.5+0.5—300=-100 2-4 = 0 .(-0.5625) + 400. 0.0625 + 0 . (0.625) -0= 25 naa nr shape seen enh anythin ec RtAS De never crea iereceeerasteiecindaencnetomtnesnibp fofiay RESOLUCTONDE PROGRAMAS NEALES . A El resto de los valores (Z1-ci, 25-¢s 25-03) se pueden ealeular del mismo modo, pero como las varisbles asociadas son bésicas, se sabe que van a ser iguales a cero. Todos los | valores de z-o, se pueden determinar también por el método de inversion de matrices de Ganss-Jordan. Los valores calculados sc colocan en la tabla: ‘Segunda tabla 406 ién de deter- ysele coefi- Esia tabla se corresponde al punto A de la solucién grifica que se ha desarrollado ante- riormente.~ Siguiendo el procedimiento, se vuelve al paso 3 y se sigue hasta llegar a la solucin Sptima. Para oste ejemplo, observamos que aiin no se ha encontrado el ptimo, ya que existe atin un valor 2;-c; negativo, corespondiendo al vector Aa. En consecuencia, deberé ingresar la variable x2, Para determinar la variable que debe salir de la base se caloulan los cocficientes bay y se toma el minimo no negativo. En la prdxima solueién saldré entonces la variable x;, a 1a que le corresponde el valor 16 (@), que seré el nivel que asumiré la variable x ‘Segunda tabla Z = 16000 a -100 0-25 0 ees El pivote seré chora 5. Se procede entonces al cambio de base siendo Ia préxima solucién: ming 1 0125. 0.1 1 0.12502 oT 0 0 a5 00 Se observa ahora que todos los z,-¢; son no negatives por lo que se ha encontrado la solucién éptima. Esta base se corresponde al punto B de la solucién gréfica que se ha expli- cado. El Valor éptimo entonces es fabricar 32 piezas de A y 16 piezas de B por mes, lo que daria una ufilidad mensual de $,17600. El sobrante de TT seria de 144 hs por mes, mientras que los recursos MA y MO estarfan siendo utilizados completamente (ye que x y Xs son igual a cero en la soluci6n éptima).42 _____ RESOLUCIONDE PROGRAMAS LINEALES A continuaci6n se expondrin juntas las tres tables del Simplex, tal como se irfan cal- culando y completando a medida que se va aplicando ef algoritm Gi 0] © e| 0] x of} xs Z=0 0] s 400 | x, . | 0 | xs a 0.6251 Z = 16000 0 10 0 2 0 T a] 6 Tis 27 400 | x, 1 0125-01 300 |x 1 0.12502 Z = 17600 ono anne 20 Se oxplicard y justificard ahora el procedimiento en forma genérica para un problema de maximizaci6n con dos variables reales y tres variables débiles. Como se ha indicado, el algoritmo resuelve problemas en donde todas las variable son continuas y no negativas y los ‘éeminos infdependientes no negativos. En consccuencia, haremos esa supesicién. En primer luger, el modelo se debe formular en su forma estindar: MAX 2=G5, 46%, 46% +O 45, Sujet a: faum tae + =, GyXFOn%, +X Ma El Simplex propone como primera solucién basica a la que surge de anular todas las variables reales, 0 sea el origen de coordenadas: %; = % Hb; a =); Podemos expresar esta primera solucién como combinacién lineal de los vectores basi cos (As, Ayy As). zs) [i 0) (0 b, B=|x,) =| 0|x,4]1 x4] 0 |x, = |b, x} (0 0 } 1 b, nase ssh tired rroma o,el ros 1s as bisi- Fn lo/yy ; sour De magaastns GALES ie cuyo funeional es Z =c, X, +C, X, +C5Xs. Si la contribucién de las variables slacks en el fincional es cero, el valor de la funcién objetivo para la primera solucion es cero. En general, cualquier solucién se puede expresar como una combinaci6n de los vecto- res que estén en la base: B=S.4x,| 24) ‘Le fancién objetivo correspondiente a una solucién cualquiera, como por ejemplo la primera, se puede expresar como la sumatoria de los coeficientes del funcional de las varia~ ‘bles basicas multiplicados por dichas variables bisicas: 20-3, %, | @2) Cuzlquicr vector que no esté en Ia base también se puede expresar como combinacién lineal de los vectores que estén en la base. En la primera solucién, los vectores que no estin en Ia base son A, y Ax: a, 1 0 0 A, =] ay | =4,)0 [Fa] lea, 0 ay 0 0 1 ‘az ) 1 0 0 A, =| ay | =ay|0 [rap] fran! 0 a, 0 0 1 = Es decir: Para pasar a otra solucién, el algoritmo propone ingresar una variable actualmente inactiva y desactivar una de las variables basicas. El criterio para seleccionar la variable a ingresara la base es seleccionar aquella ie mejor contribuye a la funciéa objetivo. ‘Suponiendo que.ci> ¢,, [a variable que se ingresa es x1. Agregando la variable x; al sistoma de ecuaciones tendremos: ay% +5 ay, +, by 3,8, +2525, Para que quede una solucién bisica se debe eliminar una de las variables bésicas (x3, x4 03) de este sistema de couasiones. El valor de 2 debe ser tal que permita que se anule sélo una de ellas dejando al resto no negativas:44 . RESOLUCION DE PROGRAMAS LINEALES a,x, 20 ax, 20 5 —a3,x, 20 2, = Despejando x; de todas las inecuzciones: Esto es entonces el erterio para seleccionat la variable que se va de la base en el pro- cedimiento del Simplex (aquella que se corresponde con el minimo cociente by/a,). Tomando ahora la expresi6n (2.3) y multiplicando miembro a micmbro por , tendre- mos: 04, =0S 4,4, Sumando y restando a (2.1): Bad Ax, +0 4,-0 50,4, ysacando A, como factor comtin, tendremos la expresidn de la nueva solucién: Bad, 0+3-4,(,-84,) 7 cuyo valor de funcional es: Z% 30,04 “e (% — 9 G,) Aplicando primero propiedad distributive y teniendo en cuenta Is expresién (2.2), ten dremos oxy =e %,4y= 042 -F0 ca, y sacando 6 como factor comin: =29-6 {s ey Yass Ze Liamendo: 2,I pro- indre- 2), ten [RESOLUCION DE PROGRAMAS LINEALES a resulta: 2 <2 of, En forma general, tendremos que para una solucién de un paso P cualquiera, el valor del funcional es igual al valor del Amcional del paso anterior (P-1) al que se le resta el pro- ducto entre Oy Go). 2 =27-0k,-4]] @#) Teniendo en cuenta que € es siempre no negativo (es el valor que esume Ia variable candidata a entrar en la solucidn), en el caso de estar maximizando el funcional mejorar (es decir, cumentard) si existe alguna variable no bésica x; pera la cual la diferencia (z,-¢;) sea negativa. Del mismo modo, en un problema de minimizacion, el funcional mejorara (es decir, disminuira) si hay algun variable no bisica x on esa solueién para la cual la diferen- cia (2-0) sea positiva. ‘La expresién (2.4) también nos da el criterio para seleccionar la variable que debe in- grocar a la base, es decir aquella cuyo (7;-;) sea més negativo si se esté maximizando o més positivo si se esti minimizanéo. Finalmente, dicha expresion permite establecer el ctiterio de finalizacién del algoritmo. Sino existe ningtin valor (2;-¢)) pare el cual et funcional pueda mejorar, el proceso se termi- 2.2 SIGNIFICADO DE LA FORMULACION DE LAS TABLAS DEL SIMPLEX Las diferentes tablas del Simplex constituyen el mismo sistema de ecuaciones al que s Je-van haciendo transformaciones lineales. En efecto, la primera tabla del Simplex representa a un sistema de ecuaciones correspondiente a las condiciones de vinculo de la formulacion estindar del problema al que se le agrega una ccuacién en donde se expresa ol funcional como una variable. 9x, +18x, +3 =720 16x,+ 8x, +x, =640 10x, 410s, +x, =480 Z—400x, -300x, = 0 ‘Amulando x y29y resolviendo se tiene que:(0 0 =| 720 y z=0 640 430 La segunda tabla del Simplex: RESOLUCION DE PROGRAMAS LINEALES 0 360 BS 1 0.5625 400 40 05 0.0625 0 80 5 0625 1 Z = 16000 00S o representa un sistema de ecuaciones lineales, que es el mismo que el anterior, al que se han hecho transformaciones lineales de manera tal de obtener un cocficieate 1 para x; cn una ceuacién (la del pivote) y cero en el resto de las ecuaciones. 13.Sx; +2,-0.5625x, =360 : x405x, +0.0625z, = 40 Sz, — 0.6250x, +x, = 80 Z~100x, + 25x, = 16000 Anulando 2 y x, y resolviendo se tiene que: 40 0 x=|360| y z= 16000 0 80 Finalmente, la ditima tabla (correspondiente a la solucién Sptima) 144, 1125-27 32 1 0125-01 Bl 16 1 20.125 0.2 Z = 17600 oo 0125 20 también representa un sistema de ecuaciones, al que se le han hecho transformaciones li- neales para obtener un J en [a iltima fila y un cero en las otras, que se indica a continuahan una os lie ninco nei eS tS ie Hr Wao RESOLUCION DE PROGRAMAS LINEALES 47 X, +1.1250x, —2.7x,=144 Ss, + 0.125x,-O.1x,= 32 X, ~0.1250x,+0.2x,= 16 Z+12.5x, +20x, =17600 Anulando x4 y Xs ¥ resolviendo se tiene que: y z= 17600 2,3 MATRIZ INVERSA Las restrieciones de un problema original de PL. en su forma esténdar, tal como dijimos anteriormente, se puede expreser como un producto matricial A(a.m) multiplicado por un vector de variables X de “n” dimensiones, resultando dicho producto igual al vector de tér- minos independientes B de “m” dimensiones. Tomemos la formulacién del sistema de ecuaciones del problema original del ejemplo: 9%, +1844 =720 16x, + 8x, +24 10x, +10x, 9 +x5 Una base consiste en un sistema de ecuaciones lineales de “m” variables y “m” incdg- nitas. Es decir, de las “n” variables del problema (entre las reales y las slacks), se anulan “n- m’” variables. En consecuencia, el sistema de ecuaciones de una base es el producto matri- cial de una matriz A (m, m) multipliceda por un vector de variables X (de m dimensiones) igual al vector columna de téminos independientes B: A.X=B Este sistema de ecuaciones se puede resolver por medio de la mattiz inversa. En efec- ATLALK=A'.B LX=A'.B X=A'.B Por ejemplo, la primera base (origen de coordenadas) consiste en amular las variables %1 Y %9, lo que resulta en el siguiente sistema de ecuaciones: 5 720 x, =64048 [RESOLLUCION DE PROGRAMAS LINEALES La matriz A en este caso particular es una matriz identidad, de manera que la formula- cién del producto tmatricial A . X= B de la primera base es: 1 0 0)(x,) (720 01 Offs, |=] 640 0 0 1Jlx,) (480 La solucién de este sistema de ecuaciones X= A". B es: (» 1 0 0) (720) (720 x, |=|0 1 0} 640 |=| 640 iB 0 0 1) (480) [480 La segunda base del Simpler consiste en activar x, y desactivar x5, por lo que ol siste- ma de ecuaciones original quedaria: + 9x =720 +16r, = 640 +10x, +1, = 480 La formulaciéa A.X =B de esta base es: 1 9 0)\(x,) (720 0 16 O}/ x, |=] 640 0 10 1} {x} (480 y la solucién de este sistema de ecuaciones X= A. Bes: %) (1 -0.5625 0) (720) (360 x, f=}O 0.0625 0} 640 |=| 40 x O -0.625 1)(480) | 80 La siguiente base consistfa en anular del sistema original a las variables x4 y x5. xy + 9x, +18x, = 720 +16x, + 8x, =640 +10x, +10x, = 480 La formulacin A.X =B de esta base es: 19 18)(x,) (720 0 16 8} x, |=|640 0 10 10) |x, ) (480 ¥ la solucién de este sistema de ecuaciones X=La lolay RESOLUCION DF PROGRAMAS LINEALES. da x) (1 1.425 -2.7) (720) (144 x, |=]0 0.125 —0.1|-| 640 || 32 x,} (a -0125 02) \480) | 16 En el Simplex, la matriz inversa de una base cualquiera es la quo se encuentra por de- bajo de la matriz identidad de la primera tabla. Esa matriz es la inversa de la que se halla por encima de la matriz identidad de ese paso en la primera tabla. iste- 0 400 ° 0 14 400 32 | 1 300 16 1 Z = 17500 DmNBTIEN: La matriz inversa del segundo paso es: ‘1 0.5625 0 =|0 0.0625 0 0 0.625 1 que es la inversa de la que esti por encima de Ia matriz identidad del segundo paso en la primera table (vectores As, Ai, As): 19 0 A=|0 16 0 9 10 1 Finalmente, la matriz inverse del tercer paso. 1 1.125 -2.7 A*=|0 0.125 -O.1 0 —0.125 02 ‘que es la inversa de la que esté por encima de la matriz identidad del tercer paso en Ia pri- mera tabla (vectores A, Ai, Aa): +50 FRESOLUCION DE PROGRAMAS LINEALES fi 9 ws A=|0 16 8 0 10 10 La ventaja de la matriz inversa es que cuslquier vector transformado para ese paso se puede calcular como el producto de le matriz inversa por el vestor de la primera tabla. Por ejemplo, el vector B de Ia tiltima tabla, es decir I solucién del tercer paso, se puede calcular multiplicando: 11,125 -2.7) (720) (149 A“ B=|0 0.125 —0.1 || 640 |=) 32 0 -0125 02}(480) [16 Del mismo modo, cualquier otro yector transformado se puede calcular multiplicando la matriz inversa por ese vector en la primera tabla, Tomemos el vector Aj: 1 1125 -27) (9) (0 A714 =|0 0.125 -01}/16|=|1 0 -0125 02) (10) \o 2.4 BASES ARTIFICIALES Al aplicar el algoritmo del Simplex en un problema en el cual existen restricciones de mayor o igual cn le formulacién original sc presenta una situaciin especial cuando el térmi- no independiente es distinto de cero. En efecto, supongamos la siguiente restriceién: xy +x220 Para utilizar el método, esta inecuacién debe transformarse en una ecuacién restando una variable supe-flua no negetiva Xs: 0 x +x2-%, Como hemos comentado, el Simplex toma como primera base a aquella que anula las variables reales, por lo que en esa primera solucién quedaria que »5~ -20, lo que vulncra el principio de no negatividad de las variables. Para salvar este inconveniente, se utilizan las denominadas variables artificiales. Estas variables se agregan a la igualdad con coeficieme +1: xy tx - 95 4p 20 Como s¢ est agregando una nucva variable al problema, también se debe anular una variable més para former una base. El algoritmo del Simplex anula en la primera soluci6n a la variable slack por la cual se genera la variable artificial Una situacion que también requieré del planteo de variables artificiales ocurre con las restwicciones de igual. Supongamos que la restricci6n fuera: 3 mtx ‘Aqui se presentaria una incompatibilided en la primera base, ya que quedaria que 0 = 15. Para salvar esta situacién se agrega una variable artificial: "or searcher ese hme iba bt gE UMPse or lar 1do undo alas Puna iéna mfas e0= [RESOLUCION DE PROGRAMAS LINEALES wife tA= 15 Resulta obvio que estas variables deben asumir valor cera.en la solucién Optima, ya que de lo contrario estariamos describiendo restricciones diferentes 2 las reales. Para ello, en el funcional se deben afectar las variables artificiales por un cocficiente M muy grande que contribuya muy contrariamente al objetivo propuesto. En consecuencia, para un pro- blema de maximizacién, una variable artificial estar’ afectada en la fun iciente.-M.y en un problema de minimi: (Giendo M un valor arbitrariamente alto). Mn Objetive por un in estard afectada por un coeficieme +M Ejemplo 2.1 MAK: 5x, +8x 6x, +5x, $30 — Sujeto a x21 4x, +5 $20 ‘con Xi, X20 Como podemos observar en la solucién gratica del problema, el origen de coordenadas no es ua solucién factible. x1 Para resolver el problema con el algoritme del Simplex se presente el problema en su forma estindar:2 RESOLUCION DE PROGRAMAS LINEALES 5x 78% 6x, +5x, +3, Sujetoa Xe 4x, +5x, +r, =20 CON Ki, Noy XG, Ny SEO Dado que el Simplex debe iniciar el proceso en una solucién bisica factible, se debe generar una base artificial azregando a la segunda restriccién una variable artificial y afec- tando al funcional con dicha variable (en forma muy contraria al objetivo, como hemos visto). MAX: 5x, +8%-Mpy 62, 45x, +a Sujetoa XX — 4x, +5x, +x, =20 con Xt ¥, XK X20 Ahora sf, se formula la primera tabla del Simplex y se resuelve. La primera base constituye una base artificial porque corresponde a una solucién no factible. Como Ia variable 1; contribuye muy negativamente ‘en cl funcional, sc va de la base en Ia primera iteracién. La segunda solucién ya es factible, puesto que no aparece ninguna variable artificial en la base. gsanS lsesDEEEED) One nic maar waa 6 =| M 1 a a 1 1 45 1 4 SMS 0M oO Oo tt 2 |] 6 TS =F] 5 8 1 1 eI ie oa 15 A 5 1 3 3 Zs 5 0 0 -8 0 &8+M [eal t <= 10 | L A f 4 [98 1 02 i 3 [08 - 102 ei | = Z 32 a4 0. 0.0 16 M Tt 3 T T OL OT 8 48 1 0.08 12 3.8 0.08 1 012-1 Las Oo 0 14 0 046 M ene ag ere AR PRE AEAn lofey 33 RESOLUCION DE PROGRAMAS LINEALES “Ef'vector de la variable p; cs simetrico cone En consecuencie, no seria necesario seguir caloulando I vector una vez que se fue de la solucién, variable xs que le da origen. res transformados de este Ejemplo 2.2. Restricciones de igual. Resolver por Simplex el siguiente programa lineal: be MAX: 6 xj +1029 x5 ee Sujetoa: 30x, +50 x2 +6025 < 1200 ae 20x2+15%5 < 550 mt om = 2 con X15 2X5 20 Resolucién’ Este caso requiere primero el planteo de la forma estinder MAX: 6xi+10%+ 9% Sujetoa: 30x, +50 x: +60 xs + xy 1200 ee 20m t1S% xs = 550 xt % 20 Pla eee con Hip Xp %Sy KAZ O (Como la tercera restriccién es una igualdad, se debe agregar una variable artificial 2 a fin de poder aplicar el método Simplex, generando una bese artificial en el origen de ecor- denadas. Finalmente, se formulan les tables del Simplex para encontrar la solucién Sptima. MAX: 6x; +10 x74 9 eM A Sujetoa: 30x) +50 %2260%5 +X, 20 x4 15%5, | xt © | con, Kip Xb, %S, Xp X5ZO 6 a) M 61 24 15 1 25 1_| 2054 RESOLUCION DE PROGRAMAS LINEALES e [+ 200 | -20 Bw 1 50 13.33 150 | -20 15 1 20 | 10 20 ik 1 1 | - 00M | 4 2 1M t 9 3.333 | -0.333 1 0017 1-083 1oo | -15 1 025 1. -75 10 20 1 1 one 2 Z 730 | 1 0.15 259M Ejemplo 2.3. Problema de minimizacién En la siguieme tabla se indica la contribucién vitaminica por gramo de dos ingre- dientes Cy y C2 @ un medicamento que requiere 3000 unidades de vitamina A, 250 gr de vitamina By 90 unidades de vitamina Ey el costo por cada gramo de cada uno de ellos. Se requiere determinar- qué cantidad de gramos de cada ingrediente se necesita en el medica- mento. 5000 | 200 oluci Llamendo x a Te cantidad de ingrediente Cy y xz @ la cantidad de ingrediente C>, en gramos, que se deben incorporar en el medicamento. El planteo del problema es el siguien- te: MIN: = °05x1+0.9 x Sujetoa: VA) 2000 x; +5000 x2 23000 VB) 400x+ 200x2> 250 VE) 100x:+ 100%> 90 con: x1,222 0 Se transforma primero el sistema de inccuaciones cn un sistema de ecusciones, me- diante cl agicgado de variables slacks superfluas: MIN: = 05x, 10.9 2 | Sujeto a: 2000 x4 +5000 x23 400, + 200 x2 aX 00x, + 100 x2 7ks con: Xt) Xap Xa, Xa Xs ZO y luego se agregan las variables attificiales correspondientes: 5 : 3 t iigre de 3.Se dca C., en guicn- 25, me~ sisson RESOLUCION DE PROGRAMAS LINEALES MIN: © 05x +09x9 +My +Mpe+M ps Sujeto a: 2000 x) +5000 x2- Xs. tH 400%, + 200x2 = +h 100 x; + 100x2 = +hs= 90 Kay Kay XS, 4X2 O Se plantea entonces el Simplaxy se resuelve: Jo tb/ yy 55 « 06 08 5 B57 35+ 2 z= som | T M t 8 on 1 0003 omer eo as os | a 0.0003 py oe DD 30 dormer so te Z=061 0001 ee Como se trata de un problema de minimizacién y todos los 23-¢; son no positivos, la tl- tima tabla constituye Ia solucién 6ptima. ‘Como hemos mencionado anteriormente, una vez que las variables artificiales dejan la base, no es necesario calcular los coeficienies de los vectores jy asociados, ya que sus valo- res son simétricos a los coeficientes de los vectores que dan origen a la necesidad de for- mular dichas variables artificiales (es decir [1; con Xs, [lz Con X4¥ Hg con Xs).56 s RESOLUCION DE PROGRAMAS LINEALES 025 as 0st 05 Le 10 2.5 INTERPRETACION DE LA SOLUCION OPTIMA |A partt de la tabla Gptima de un problema de PL se puede extracr informacién fisico- econdwtica muy interesante para la toma de decisiones. Difereaciaremos las distintas partes Se ia tabla, en particular el vector B, los vectores A; asociados a resriceiones, los vectores ‘A asoviados a actividades y la tims fla para cada uno de estos vectores, 1, Vector B. Nos da el nivel de actividad dptimo de les variables que estan en la base. En la ditima fila se tiene el valor del funcional, 2, Vector Aj asociado a une variable slack que no esté en Ja base: Los a intiten Ia varie- Gon Gare! sentido del signo del coeficiente) que se producisfaen Ins variables x: bsicas por cada unidad que se relaja la restriccin, Por su parte, los 2; musstiag la variacion {ie se verificaria en el funcional en el sentido de su signo Gnererento tr el caso de es- see we eimizando 0 reduccion en el caso de estar minimizando) por cada unidad que <° felgja la restriccién, Estos valores 2;2jrelacionadlos con restriocionesse aman “valores marginales” (o “precios sombra”). 3. Veotor A, ssociado a una Variable “fueste” que no estéen la base: Los indican la va- Fusion (en el sentido contrario al signo del coeficiente) que se produciria en fas vari bles 2 basicas si se activara [a variable en una unidad, Por su parte, ls ze; musstan ta ‘yariacién que se verificaria en el funcional en el sentido contrario al signe (reduceién en rence estar maximizando o aumento en el.caso de estar minimizando) por cada uni- dad que s¢ activara la variable. Estos valores 26) relacionados con actividades se lla- man “costos de oportunidad” (0 “costos reducidos”) Ejemplo 2.4 “Tomemos la tabla 6ptima del ejemplo 1.1 de Tratamiento Térmico, Magquinaria y Ma- no de Obra: ssovannsboecnnaranenh hie coenacrescanegeiilsnae sntetteeaTE#n Ielor 0 | x 1 1,125 = -2.7 = WHA de, 400] xe 1 0.125 - -0.1 eo teen 300| 1 0.125" 0.2 egg ent: Z = 17600 a) C125 20 BARGE -~ Peco ; ee El mejor resultado, conforme al objetivo planteado, se obtiene produciendo 32 unida- “5 ‘des mensuales de la pieza A (x; = 32) y 16 unidades mensuales de la pieza B (x2 = 16). De esta forma se alcanza un beneficio.de $ 17600 por mes. El sobrante de Tratamiento Térmico es de 144 hs. por mes. Los recursos de Maquinaria y de Mano de Obra estan saturados, es decir, se estd utilizando toda la disponibilidad (4 = 0 x= 0)- 278 °E valor marginal del recurso Maquinaria es $12.5. Esto significa que por eada hora adicional que se pudiera disponer de ese recurso, el funcional aumentaria $12.5. Dicho de otra forma, se estaria dispuesto a pagar hasta $12.5 por una hora adicional de maquinaria. Por otra parte, si se pudiera obtener una hora més de maquinaria, el sobrante de Trata~ miento Térmico aumentaria en 1.1250 hs. por mes, la produccion mensual de A se incre- mentaria en 0.125 unidades y la produccién mensual de B se reducirfa en 0.125 unidades. El valor marginal del recurso Mano de Obra es de $20. Esto cs, por cada hora adicional de Mano de Obra que se pudicra conseguir, Ia funciin objetivo creceria en $20. Dicho de otra manera, se podria pagar hasta $20 Ia hora adicional de la mano de obra. Si se pudiera obtener una hora més de Mano de Obra por mes, el sobrante de trata~ miento térmico se reduciria en 2.7 h por mes, la produccién mensual de A disminuiria en 0.1 unidades y Ia produccién mensual de B aumentaria en 0.2 unidades. Resulta obvio que ol valor marginal del Tratamiento Térmico es $0, ya que hay so- brante de este recurso en la soluciSn éptima. Los costos de oportunidad para esta solucién son cero, ya que los niveles de actividad de las variables x: y X2 son distintos de cero. Eiemplo 2.5 : ‘A fin de interpretac los vectores relacionados con las variables reales, modifiquemmos los datos del ejemplo 1.1 de la siguiente manera: Utilidad unitaria de A: $500 Utilidad unitaria de B: $240 Manteniendo sin modificar el resto de los parimetras y resolviendo el problema por Simplex, tendremos la siguiente solucion optima: 0 | os 500 | x 0 | x Z = 20.000 En este éaso, tal como se desprende de la tabla, lo mnds conveniente es produeir 40 uni- dades mensuales de A y no producir B. El resultado econémico es de $20,000 por mes. 51 sobrante de Mano de Obra es de 80 hs mensuales, mientras que el de TT es de 360 hs y no t ‘existe sobrante de MA. -58 [RESOLUCION DE PROGRAMAS LINEALES ‘Los valores de! Vector Az (asociado con la actividad “produccién de B” representada por x) se interpretan cc la siguiente forma: Por cada unidad que se produjera de B, el so- brante'de TT se reducirfa en 13.5 hs, la produccién de A disminuiria en 0,5 piezas y el so- bbrante de Mano de Obra se reduciria en 5 hs por mes. El costo de oportunidad de B es de $10. Esto significa que si se produce una unidad de B, el funcional disminuiré en $10. Este valor puede interpretarse también como lo que se déberia aumentar como minimo la contribueién de B en el funcional para que convengz producirla. Ello significa que, si la utilidad unitaria de B fuera mayor 2 $250 (en lugar de los $240 actuales), convendria fabricar piezas B. Los valores del vector Ag (asociado con el recurso MA representadlo por x4) se inter- pretan de la siguiente forma: Por cada unided adicional que se pudiera disponer de MA, el sobrante de TT se reduciria en 0,5625 hs, la produccién de A aumentaria en 0.0625 piezas y el sobrante de Mano de Obra se reduciria en 0,625 hs por mes. El valor marginal de $31.25 significa que por cada unidad adicional que se pudiera conseguir de MA el funcional aumentaria en ese valor, por lo que se estaria dispuesto a pa- ‘gar $31.25 la hora de este recurso. 2.6 OTROS METODOS DE RESOLUCION DE PROGRAMAS DE PL El método Simplex constituye el algoritmo de resolucién de programas lineales ms di- vulgado, Existen varies modificaciones al método presentado que lo- hacen mas eficiente, centre las que podemos mencionar el denominado Simplex Revisado. El método Simpler, tal como hemos visto, explora el recinto de soluciones factibles por Jos extremos de! poliedro. Es un algoritmo de naturaleza (o tiempo) exporencial en lo que se refiere al niimero de iteraciones necesario para arribar a la solucién Sptima. Existen, sin embargo, otros métodos, que son de naturaleza polinomial y que se Ilaman de “punto interior”, Estos algoritmos atraviesan el recinto intemamente, para continuar Ine- go la exploracién en forma extema. Ei primer algoritmo de este tipo fue el denominado Selipsoidal” (Khachiyan, 1979), que es muy poco conocido. En el afio 1984, N. Karmarkar desarrollé un método que puede competir en eficiencia con el Simplex, sobre todo, para problemas de gran envergaduta.En bell CapfTuLo 3 CASOS PARTICULARES 3.1 SOLUCIONES ALTERNATIVAS. Este caso se da cuando existe més de una solucién que optimiza el resultado. Si las va~ riables del problema son continuas, y existe mas de una solucién, entonces habed infinites soluciones alternatives. Ea el caso de dos variables reales, se llegard a este tipo de solucién sj la recta del fun- cional es paralela a.un lado del poligono convexo.. “Al buscar el méxinio desplazamiento del funcional se observa en la figura que el punto extremo A cs Gptimo, pero también lo son el punto extremo B y cualquier combinacién lineal entre A y B. Enel Simpler, se sabe que se ha llegado a una-solucién alternativa cuando se observa que, habiendo llegado a la solucién éptima, hay algtin valor 4-0; correspondiente a variables ina yariable-no-bisica.se llama cero alternativo y se indica co-6 (CASOS PARTICULARES En un problema de dos variables reales, para encontrar el otro punto extremo, también ptimo, se procede a ingresar a la Ja variable que tiene el 0* y se saca la que corres- ponda, conforme al criterio de salida explicado. Cualquier combinacién lineal entre los dos puntos extremos dptimos, también es dptima. La expresién general de las soluciones allér- nafivas para dos puntos extremos se puede expresar como: =X ot K®_ a -a) siendo OSaS1 Es obvio que puede haber mas de dos puntos extremos, en problemas de dimensiones superiores a dos variables reales. Ejemplo 3.1: MAX: 25m +35 Sujeto a: mt 3m 212 2m+ x S10 Sq+ 7x2 <35 con = 0 0 o/s | 2 4 e| 0] = | 10 fi 10 o | xs | 35 1 5 Z=0 0 0 35, m] 4 12 Ol eaalane r 36 =[o}] xs | 7 1_|2625 Z= 4 0 0 xm | 3125 “0.125 . xq | 1625 -0.625 x_| 2.625 1__0375 = 175 005 (ame 35] = | 22m 1 05536 0222 o | x | 14sg 1 0.8889 -0.5556 25 | x | 3.8889!| 1 0.7778 -0.1111 Z= 175 oF 05 Observamos que la tercera tabla constituye la solucién éptima, ya que todos los z-; son no negativos; pero hay un cero alternativo, lo que indica que la solucién es alternativa. Para hallar el otro punto extremo se introduce x; (la variable que tiene el cero altecna- tivo) y se itera, En la nueva solucién, cl funcional tendré c{ mismo valor, ya que pertenece 2 la misma recta de isobeneficios, y por supuesto que también tendri un cero alternativo. ets ali mechatemratnSal. of ag CCASOS PARTICULARES a eee ee El corjunto de infinitas soluciones Sptimas se puede expresar entonces come combina- cién lineal de la tercera y cuarta base: 2.625 3.8889) 3.125 2.2222 X=0-| 0 |+d-a)-|L4444 1.625 0 0 0 entre 0 y 1 La solucién grifica de este probleme es la siguiente: 3.2 SOLUCION DEGENERADA. Las soluciones baisicas son aquellas que tienen por lo menos "1 cero. Las soluciones basicas convencionales tienen exacts Puede ocurtiz, sin embargo, que las bases teagan una cantidad mayor de variables iguales a cero. En estos casos, se dice que las soluciones son "degeneradas” o "degradadas". En el grifico siguiente, correspondiente a un problema de 2 variables y tres restriccio- nes, el punto "B" constituye una solucién degenerada. En efecto, en ese punto se encuentran anuladas 3 variables. Este tipo de soluciGn podria presentar el inconveniente de que se forme un lazo cerrado antes de encontrar Ia solucién dptima al problema. E! procedimiento del Simplex, tal como hemos visto, consiste en pasar de una base 2 otra ingresando una variable y sacando otra variable de la base. En el problema graficado, al pasar del origen de coorderadas al panto sm” variables iguales or alanae CASOS PARTICULARES B, si el dptimo no,se encuentra en este punto, el método debe optar por Ia eliminacién de una de las variables candidates a salir (x, 0 x3). Xt Para el procedimiento es como si la bast B estuviera dividida en tres soluciones (B®, B® y B™), tal como se indica en el proximo gréfico. Ea B® son nules x: y x1, en B® son nulas x2 y Xs, mientras que en el B® son nules xs y xs. a solucion siguiente de solucién Be anterior a Si se eligiera anuler Ia variable correspondiente a la recta en donde se encuentra la proxima base (o sea xs), podrian ocurtir dos cosas: a) que en la siguiente iteraci6n se pase a le proxima base en el proceso de iteracién (punto ©) como se ve en el siguiente grafico: _c.sssibe! usta eimiaelasmR tragedies ei ea Re ERUPT ARRC e RRNaR ANah,nto potubhinoineniabioaedsnpeccieantiaresaini deastenraoulte ts oes La (cay (CASOS PARTICULARES 6 asolucion iguiente =o de solucién anterior obien b) que en Ia siguiente iteracién el proceso se quede en ta misma base B; esto es, que se pase al punto B©. Si ello ocurriera, la préxima iteracién llevaria al punto B, la proxi- ma al B®, luego al B®, y de este modo el ciclo so repetiria indefinidamente sin salir nunca de Ta soluci6n B. En realidad la probabilidad de un Joop es muy baja, pero existe; de manera que habria, que eviter que se anule la variable que también es nula en la préxima base del proceso. Ea este caso no habria que anular primero xs, ya que en la proxima base (C) también es nula xs. Si, en cambio, se clige anular primero la variable que no estd desactivada en Ia prOxi- ma solucién (en el ejemplo x,), ocurriré lo siguiente: Primero se anula x¢ (punto B™), luego se anula x, (punto B®) y finalmente se cambia de base y se pasa al punto C. De esta forma, se va a iterar dos veces en el punto B, pero nos aseguramos que no se va a entrar en un lezo cerrado.6 (CASOS PARTICULARES BO En ol Simplex, la solucién degenerada se detecta en la base anterior al observar que existe un empate de @. Esto implica que existe mis de una variable candidata a salir (en nuestro ejempio xs y xi). Si se estuviera resotviendo el Simplex en forma manual, se podria elegir cualquiere de elas. En el eventual caso de que se detecte un foop oon la eleccién que se toms, habré que seleccionar a la otra. embargo, si se aplica el procedimiento en forma computarizada, se debe eviter Ia posibilidad de ocurrencia de un azo. Para resolver este inconveniente existen varios algo- ritmos de protecci6n, de los cuales mencionaremos el siguiente a moda de ejemplo: 3) Se toman las filas de las variables candidatas a salir de la base. ii) Cada una de las filas se divide por el pivote que le corresponderia si la variable de la fila fuera la que sale de la base. iii) Se comparan los coeficientes de las filas de izquierda a derecha hasta encontrar Ia pri- mera desigualdad. jv) Debe salir de la base la variable que esta en la fila en donde el coeficiente de le primera desigualdad encontrade es menor (de manera absoluta). Lamentablemente, introducir estos métodos para eviter e] ciclaje puede reducir drés camente la rapidez de la realizacién de los edlculos. Muchos software de PL no ineluyen estos métodos a fin de no afectar la eficiencia en términos de velocidad de resolucién, basindose en el hecho de que la probabilidad de ocu- rrencia de un loop es muy baja. Ejemplo 3. MAX: 4x1435 x Sujetoa: 2m + 5x2 20 10x + 4x2 < 40 1Sx+ us 6 on xis %2 Oy continuas Resolviendo el problema con el método Simplex tendremos: se AT a unm ateenstque (en aifa que ela pie aera isti- 2eu- i 0 ajo | 4 1 04 ol elo }] x | 0 B 0.15 1 Z= 16 (mel. QUasee Dian SESE: T efo0[ xs] 2 1 Be -105 8727 )4 |x 4 1 025-1 | 16 35] ~ | 0 1 037525 | - L= 16 0 o 0 -03125 4.75 t 0] x | 87273 O77 1 -7.6364 4 | x |1eiz] 1 -0.1818 0.9091 a5 | ~ | 32727 10277 03636 Z= 18.727 | 0 002073 0 «23636 Observando la primera tabla del Simplex, verios que la variable que debe ingresar a la base es x. Pero, al determinar la variable que debe salir de la base, notamos que hay un empate de @_= 4, por lo que se pucde inferir que la préxima bese seré degenerada. Para se- leccionar cul de las dos variables (2c 0 x;) se deberfa desactivar, aplicamos el algoritmo de proteccién arriba explicado. §) Se toman las dos filas de las variables candidatas (x. yx) [xe] 4010 4 0 1 o[wu |] 6 15 1 0 1 fi) Cada una de las filas se divide por su pivote: la de x. por 10 y la de xs por 1.5: x | 4 Tee x | 4 10667 0 0.667 iii) Al comparar de izquierda a derecha, le primera desigualdad se da on la tercera columne iv) Como 0.4 es menor que 0,667 se elige la variable x, para que salga de la soluci6n. Lanueva base (segunda tabla) es una base degradada (punto B) ya que una de las va- riables basicas adopta un valor nulo (33). Procediendo con Ja nueva iteracién (tercera tabla), puede verse que aiin estamos en.el mismo punto degeneraco B, en donde la variable basica hala es ahora x;. Obsérvese que el valor del funcional es el mismo en las tablas segunda y tercera.6 ‘cASOS PAETICULARES Tterando nuevamente, se produce el cambio de base, y vemos que se ha legado a la soluci6n optinia, |. Sienel primer paso se hubiera elegido eliminar x; en lugar de x, nos habsiamos aho- { Trado la doble iteracién en el punto B, pero habriamos corrido el riesgo de entrar en el lazo cerrado. La solucién grifica a este problema es la siguiente: % 3.27] 182 XY Tal como se puede observer, el punto B concurren las rectas correspondientes 2 dos testricciones, y ademas se encuentra sobre el eje correspondicate a xy~ 0. Es decit. en ese unto hay més de “n—_m” variables nulas. Para ilustrar otro ejemplo de degeneracién, en el siguiente grfico se ha dibujado un recinto de soluciones factibles para un problema de tres variables reales (x1, x y x3). En este caso n-m es igual a 3. Por lo tanto, todos los puntos indicados son bases convencionales, ‘excepto la solucion X ),en donde se anulan 4 variables. scent : = ' é 5 '1 z0 ‘CASOS PARTICULARES aa lila a —_——— 3.3 POLIEDRO ABIERTO rameitos. No existirfa inconveniente alguno en formulaciones de poliedro abierto, si se alcanza la solucién éptima, como en el siguiente ejemplo de minimizacion. Z=Min68 ‘CASOS PARTICULARES En el algoritmo del Simplex, el poliedro abierto se identifica cuando no existe ningin: cociente by/2ij no negativo. Lo anterior significa que las variables candidatas a ingresar podrfan asumir valores in- finitamente grandes. Ejemplo 3.3. MAX: 443% Sujetoe Ixy + 1 -Lm + 2x; 22 Ixt xsd 24 X22 Oy continuas Resolviendo por Simplex, vemos que la primera tabla se corresponde al origen de co- ordenadas (no factible). La segunda tabla se corresponde también 2 una solucién no fectible, ya que todavia queda una variable artificial en la base. La siguiente base es factible, pero no es Sptima dado que existe un zy-c; negativo, sien- do el problema de maximizacién. Sin embargo, al introducir la variable x3 a la base, encon- tramos que no hay ninguna candidata a anularse. En consccuencia, la solucidn es no acotada. = -M| me 4 e}-M] 2 o | x 4 Z=0 e/-M] wo 3 gs 1 o | x 3 3 ° wu Ger 0 Z=3M+3 Cet 2 ea 2 1 0.6667 03333 * +]. lines: 2 1 03333-03333 € @ ie o | « 6 Ey 1 por oe fe Zs a oO -36667 03533 ~20 ~~ T La solucién gréfica de este problems es la siguiente: seamaster saan+3) ee Bl | (CASOS PARTICULARES 69 3.4 SOLUCION INCOMPATIBLE Cuando no existe ninguna solucién que satisfage concurrentemente todas les restric- ciones pianiéadas, la solucion se lama incompatible. Un probleina de PL que dé como re- sultado una Solucién incompatible est mal formulado y, en consecuencia, deberd ser plan- teado nuevamente, En el Simplex, este tipo de solucién se identifica porque hay variables artificiales en ‘una base que ya no se puede mejorar (esto es, todos los z;-¢, son positivos en el caso de estar muaximizando o negatives si se esti minimizando). Ejemplo 3.4 MAX: 3ut4m Sujeto 2x4 4x2 $20 10x; + 6x2 < 60 ut m28 con xin%e 20 continuas Resolviendo por Simplex, vemos que en la tervcra tabla todos los valores de 74-9) son positivos, por lo que la solucién no puede mejorar. Sin embargo, la variable yu per- manece en la base. Como las soluciones factibles requicren que todas ; variables arti- ficiales sean nulas, la Solucién ¢s incompatible.10 (CASOS PARTICULARES 3 4 0 __-w a 1 5 D 6 1 10 1 1 = 8 3M_-4M__0 o Mo t 4fa] 5 | os 1 oa 10 =|o] " SOLUCION OPTIMA DEGENERADA SOLUCION INCOMPATIBLE SOLUCION POLIEDRO ABIERTO 4.1. PASAJE DE FORMULACION DE PROBLEMA DIRECTO A PROBLEMA DUAL Para pasar una formulacién de un problema original a su formulacion dual, se lo debe- z4 llevar primero, o bien a su forma canénica, es deci 1. MAX: cx Sujetoa = AXSB con. X20 2 MIN: CX Suiewa AX2B mi con, X20 fo bien, a su forma estindar sosastanunaspctaitc nitble be nasebh silat Ean FORMULACION DUAL B 4 MN: CX Sujetoa AX=B con x20 El caso 1 consiste en un problema expresado en su forma candnica de maximizacién, es decir, con todas las restricciones de menor o igual y con las condiciones de no negativi- dad de las variables. El dual de este problema es de minimizacién con todas las restriccio- nes de mayor o igual y con les condiciones de no negativided para las variable duales, como se indica a continuacién: MIN: BY Sujetoa ATY2C con y20 Las restricciones de “son las naturales para los problemas de maximizacién. Ob- viamente, en la formulacién original de un problema de PL de miximo podremos tener también elgunas restricciones de menor o igual. En este caso, para convertir la formulacion directa on dual se deben transformar primero todas las restricciones de “>” en réstricciones dete El caso 2 consiste en un problema de PL expresado en su forma canénica de minimiza- cin, es decir, con todas las restricciones de mayor o igual y con las CNN de las variables. El dual de este problema es un caso de maximizacién con todas las restrieciones de ‘menor o igual y con les CNN para las variables duales, como se indica a continuacion: MAX: BY sujeton ATY ” son las naturales de los problemas de minimizacién. Si en Ja formulacién original del problema de minimo hubiera restricciones de menor o igual, para convertir Ia formulacién directa en dual se deben transformar primero todas las restricciones de“ <” en restrieciones de “>”. El caso 3 es un problema de PL expresado en su forma estindar de maximizaci6n, es decir, con todas les restricciones de igual y con las CNN. El dual de este problema es de minimaizacién pero sin la condicién de no negatividad de las variables (es decir, las varia~ bles yj son irrestrictas): MIN: : BY Sujeto «: aAty2c Si en cl problema directo hubiera desigualdades, éstas se deberdn convertir en restric- ciones de igual antes de transformar el problema a la formulacién dual. le fea74 FORMULACION DUAL. El caso 4 es un problema de PL expresado en su forma estindar de minimizacién, es decir, con todas las restricciones de igual y con las CNN. El dual de este caso es un proble- ma de maximizacién, con todas las restricciones de menor o igual, pero sin la condicién de no negatividad de las variables (es decir, las variables duales son irrestrictas): MAX: BY Sujeto a ATY en el caso 1, y restrie- ciones de > en restricciones de < en el caso 2). Los duales de las formas estindar (casos 3 y 4), en cambio, son formulaciones asimé- tricas, ya que se medifican asimétricamente los Signes de las restrieciones con respecto a lt formulacién primal (restriceiones de = en restricciones de > en el caso 3, y restrieciones de = en testricciones de C ‘SIMETRICO con X20 [con = ¥20. MN: Cx MAX: BY 2 |CANONICA |Sujetoa AX2B |Sujetoa ATYSC ‘SIMETRICO con X20 |con Yz0 MAX: = CX MIN: = BY 3 JESTANDAR |Sujetoa AX=B |Sujetoa a'Y>C | ASIMETRICO con, x20 MIN: = CX MAX: BY 4 [ESTANDAR |Sujtoz AX=B |sujetoa a'Y es no negativa € y3 €s no positiva. En cfecto, multiplicando Ja tercera ecuacién por -1, tendremos la formulacién duel definitiva del ejemplo planteedo: MAX 100 yi + 55 y+ 180 ys Sujetoa yn +2yy <7 Kt mt ys 2 y: 20 ys $0 ‘A fin de comprender claramente los conceptos hasta aqui vistos del programa dual, se formularé a continuaciéa el ejemplo de un caso bisico. Ejemplo 4.4 Un empresario dispone de un conjunio de méquinas-herramientas ([resadoras, tornos y pulidoras) para elaborar piezas (4 y B). Cada pieza A insume ! h de fresado, 2 de tor- rneado y 0,5 de pulido, mientras que cada pieza B requtere 2.5 h de fresado, 1 de torneado y 0.8 de pulido. El fabricamse dispone de 1800 h de fresadoras; 1600 h de tornos y 800 h de cpulidoras por mes y sabe que cada pieza A le deja un bensficio de $ 120, miantras que cada pieza B, de 8 200. ‘Las formulaciones directa y dual de este problema son las siguientes: MAX 120 x; +200 xz sujetoa FRE) Xi + 25x25 1800 TOR) 2x,+ x < 1600 PUL) 05x) +08x < 800 con x20 MIN 1800 yx + 1600 yo + 800 y5 sujeto 2 A) Ly: +2y2+05y3 2 120 B) 25yi+ y2+0.8ys 2 200 yiz0 Esto ed, le primera restriceién esti relecionada al producto A y la segunda restricoion lo esti al producto B. Asimismo, la variable y; esté relacionada a la restriccion de fresado (FRE), la variable yz a torneado (TOR) ¢ ys a pulido (PUL). Si transforméramos Jos sistemas de inccuaciones de los problemas directo y dual en sistemas de ecuaciones, tendriamos:78 FORMULACIGNDUAL PROBLEMA DIRECTO: X1+25 mt ant 9 0.521 + 08 xy PROBLEMA DUAL: yit2y+05y+y = 120 25yi+ yt 0By; — + ys = 200 Esto quiere decir que la correspondencia existente entre variables es la siguiente: Para verificar el teorema fundamental de la dualidad, resolveremos ambos problemas lineales. Como vemos en la tiltima tabla, Ja produccién mensual éptima cs de 550 unidades de Ay 500 unidades de B, lo que genera una utilidad de $ 166000 por mes. El sobrante de pulido es de 125 horas mensuales. También se observa que el valor marginal de fresado es de 70 Shh y el de tomeado de 25 $b. PROBLEMA DIRECTO gi 120200 0 sin) 0 % 1800 1 2 1 720 o x 1600 2 1 1 1600 a Xs 300 os 08 1 1000 L= 0 =220___-200 0 o 0 200 | 720 T T 1800 0 x 880 1 550 0 % 204 1244.44 Z = 144900 0 0 0 200 [x 500 T 05-025 120) x 590 1 025 0625 o a 125, 0.275 0.1125 ae? 166000 0 o 70. 3 alas de de Sen FORMULACION DUAL, 9 PROBLEMA DUAL & | 18001600 #00 M__M M | m | 120 2 05° 4 1 120 M | m | 200 108 nt 1 | 80 | = 35M 3M___13M 2 20M |e asso soo Me 120] m | 40 ow 1. 04 1 04] 25 | 200 | | so | t 0.32 “04 04 | 200 16M 018M vam 14M Z=aom+144000] 0 yy ong My 8 En 1600] y2 | 25 1 04135 035 0.625 -0.25 1800] y: | 70 | 1 0.2750 5 425 05 MM Z = 166000 DO etos Rasy 500 meg eran Podemos observar eri la tabla éptima dual que el valor del funcional coincide con el de la tabla dptima directa. Asimismo, los valores de las variables duales son los z,-¢; de las ‘variables directas corespondientes. 42 PASAJE DE TABLA OPTIMA DIRECTA A OPTIMA DUAL Una vez obtcnida la table éptima del problema directo se puede pasar directamente a Ja tabla Sptima dual (o viceversa), teniendo en consideracién lo siguiente: Si_una variable directa esti fuera de la base en la solucién éptima directa, su corres- pondiente variable dual esté enla base de Ia solucién dptima dual Del mismo modo, si una variable directa esté en la base en Ia solucién dptima directa, Ia variable dual correspondiente no est en la base optima dual, El valor del funcional del problema directo de una soluci6a finite coincide con el valor del funcional del dual. Los valores de las variables (columna B) de un problema de maximizecién pasan con signo cambiado a a fila del funcional en la columna de la variable dual correspon- Giente. Los valores de las variables (cotumna B) de un problema de minimizacién pasan con su signo a la fila del funcional en la columna de la varieble dual correspondiente. En el siguiente grafico se esquematizan las relaciones arriba mencionadas entre [as ta- blas optimas directa y dual.80 FORMULACION DUAL, ai 3 wary LF a Los coeficientes aj; de los vectores columna (A,) asociados a las actividades (variables reales) 0 a las desigualdades (variables slacks) del problema pasan con signo cambiado ala fila de la variable dual correspondiente. Si el problema es de maximizacién, el coe~ ficiente de la fila del funcional (z;-c) de estos vectores colummna pasa con su signo a la fila correspondiente de la columna B. Si, en cambio, el problema es de minimizacién, cambia el signo. Esquematicamente: - Bj A a rea LE ees Ei O | ~ oS Los coeficientes aj de vectores columna asociados a igualdades (Aj) pesan 2 la fila de la variable dual correspondiente con signe cambiado si el problema original es de maxi- ‘zaci6n, y con el mismo go, el coeficiente de la fila del funcional de un problema de maximizacién (2M) 0 pias cen sesessyaementYn biay FORMULACION DUAL 81 (@-M) de un problema de minimizacién de estos vectores columne pasa como % siem- pre con su signo a [a fila correspordicate de la columna B. 5 44 aE to e la B 8, me eT) ae En resumen, siendo yp le variable duel correspondiente a x; ye Ia variable dual corres- pondiente a2, los coeficientes aj y 7-0) del funcional correspondiertes al vector A, del pro- blema directo, se transforman de la siguiente manera en el dual: ay eq ay 28 Ye ae 5 “Bos oq 265 0 Ye 3 En forma més mnemotéenica: 4a la 1 Es obvio, que las mismas consideraciones deben tenerse en cuenta cuando el pasaje se ie realiza desde la solucién optima dual a la solucin éptima directa. me ‘A continuacién se formularén distintos problemas a los fines de ejemplificar lo aqui lo % enunciado. i 3 i82 FORMULACION DUAL iemplo Para el ejemplo 4.4 propuesto (caso de fresado, tomeado y pulide), un problema de maximizacién, la solucién Sptima directa estaba dada por la siguicnte tabla: 025 0.625 0275 -0.1125 1 7 25, Como», %2 9 Xs estén en Ia base, las variables duales correspondientes ys, ys € yy no estin en la base. En cambio, como Xs y X« no estén en la base, las variables duales corres- pondientes yi ¢ y2 sf estén en Ia base. El valor del funcional coincide en 166000. Los coeficientes de A’; y A”2son versores (ya que yi € yo estin en la base). El vector eolumna As x» [05 s x | 025 xs | -0.275 z505|__70. vt se transforma en el vector fila de la variable y; en donde 25-c35e convierte en el valor devi, y los ais se convierten correspondientemente, con ¢l signo cambiado (ya que el vector surge de una restriccién de“ <*)en-a'y 70 10275 025-05 % Xx Del mismo modo, el vector columna A, x2 [025 x | 0.625 xs [0.1125 rcs! 25 y se transforma en el vector fila de la variable yz en donde z,-c4 se convierte en el valor de yz, y los aj se convierten correspondientemente, con el signo cambiado (ya que el vector surge de una restriecion de <) en -2°y. 25 [01125-0625 025 % (OG De esta forma, el dual dptimo es: restaurantes ites teeFORMULACICN DUAL S - — “Ly By A's é ye 25 1 0.125 -0.625 0.25 y 70 1 02750 025-05 Z_= 165000 “125-550-500 ee Xs x % Es decir: + az3 =0.5 (intersecci6n x2, y; en el primal) se transforma en a’1.=-0.5 finterseccion yi, X2 en el dual), «ais =-0.25 (imterseecién x1, yy en el primal) se transforma en aye 0.25 (interseecién ys, ° yen el dual), y + a55=-0.275 (interseccién xs, y; en el primal) se transforma en 2° Yas Xs en el dual). 275 (interseccion Del mismo modo, + axq=-0.25 (interseccion Xa, Ya en el primal) se wansforma en 2°s5= 0.25 (intersevcién y2, xoenel dual), + ay4= 0.625 (intersceciOn x;, y2 en cl primal) se transforma en a’,;= -0.625 (interseceién Yo en el dual), y = -0.1125 (inerseecién xs, y2 en el primal) sé transforma en a= ciém Yo, Xs en el dual), es: L125 (intersec- Ejemplo 4.6 Dado el siguiente problema MIN: xt 0S x42 Sujeto a: But 2mt4%5236 - X40.5 x92 x5 212 xt mt unl con x20 cuya tabla éptima se indica a continuacién, pasar de la tabla éptima directa a la tabla ép- tima dual. f | fdbeeopscatia84 FORMULACION DUAL Resolucién: Como el problema es de minimizacién la columna correspondiente a la igualdad 2 pasa como fila de la restriccién sin cambiar el signo. = Bh = ioe 1. 36] yi 1 1A a I A 7 2 2 1 4 3 a | ys | 05 05 201 4 Z=16 04 04 06 Lee tsi Xa La variable y; es irrestricta debido a que la formulacién del problema dual asi lo esta- blece ‘Como vemos, el valor éptimo de la variable ys, en este caso, da un resultado negativo. 43 INTERPRETACION ECONOMICA DEL PROBLEMA DUAL No siempre es factible encontrar un significado intuitivo de las variables duales. Sin embargo, cuando la formulacién del problema consiste en una optiniizacién economica, las variables duales tienen una interpretaci6n interesante desde el punto de vista de la toma de decisiones, Las variables reales del problema dual son los valores marginales 2-c; de las restric- ciones del problema directo. Tal como hemos visto, representan la modificacién que se veri- ficarfe en el funcional por cada unidad de relajacién de ta restriccién. En las restricciones de mayor o igual, liberar la resteitcién implica reducir Ia condicién en una unidad, mientras que en las de menor o igual, liberar fa restriccién implica aumeniar la condicién en una uni- dad. ‘Supongamos que tenemos una restriccién de S formulando una disponibilidad maxima de un recurso “*b”, En este caso, el valor marginal (también llamado “precio sombra”) repre- senta la mejora que se evidencia en el funcional por cada unidad de recurso que se obtenga. ‘Cuando hablamos de mejora nos referimos a “‘ineremento” si se est maximizando 0 a “disminuci6n’” si se esti minimizando. Esto significa, entonces, que el valor marginal de un recurso limitado por une restriccién de < es el precio maximo que se estaria dispuesto a pager por obtener una unidad adicional del mismo. Del mismo modo, constituye el precio minimo al que se Je deberia vender una unidad de ese recurso a un tercere. Cuando el valor marginal es cero, significa que tenemos disponibilidad sobrante del returso “b” y, en conse ‘cuencia, no habria necesidad de adquirirlo, por lo que el precio de compra es cero. Resulta obvio que cualquier valor que obtengamos por la venta del recurso sobrante es conveniente, y poreill el precio minimo de venta es cero. Suponiendo ahora que tenemos una réstriccién de > formulando un requerimiento mi- nimo de fabricacién “b” de un producto A, el valor marginal represents la mejora que expe rimentaria el funcional por cada unidad que se pudiera disminuir la limitacién del requeri- miento. Esto significa que el hecho de cumplir con el requerimiento minimo resulta un perjuicio y, en consecuencia, el valor marginal seria el precio maximo que se podria pagar a tun tercero por une unidad del producto, a fin de cumplir con el requerimiento impuesto. ‘También, representa lo que se deberia incrementar el precio de venta de las unidades que estén por encima de la produccién optima a fin de cumplir con la restriccion. schon eSegeiicasupaiDak laa FORMULACION DUAL 85 ‘Las vatiables slacks del problema dual son los costes de opoitunidad zc; de las varia bles reales del problema directo. Tal como hemos visto, el costo de oportunidad (también llamado “costo reducido”), representa el perjuicio que se obtiene en el funcional (disminu- cién en el caso ce estar maximizando 0 aumento en cl caso de estar minimizando) por cada unidad que se active una variable cuando la solucién éptima del problema indica que dicha ectividad debe ser nula. Esto significa que el costo de oportunidad nos indica en cuinto hhabria que modificar el coeficiente de 1a variable en el funcional para que convenga acti- ‘varia. Si, por ejemplo, la variable x representara la cantidad a fabricar de un producto, y la solucion optima estableciera que no se debe producir dicho producto, el costo de oportuni- Gad estarfa representando cl ineremento que deberia realizarse en el precio de venta unitario {6 la disminucién en el costo) para que convenga producirio. En un problema en donde la variable x represente la cantidad a adquirir de un cierto producto, y el programa éptimo determine no camprario, el costo reducido representard el valor que el proveedor deberia disminuir e! precio para que sea conveniente adquirir dicho producto. Problemas de m: Ejemplo 4.7: Interpretar la formulaci6n dual del efercicio 4.4 Resolucién: Si [a intencién del empresario es dedicarse a la fabricacién de piczas A y B, entonces se deberia plantear el siguiente programa lineal: MAX = 120x; +2002 sujeto a las siguientes restrieciones: FRE) Mt 25mS 1800 TOR) 2m+ x < 1600 PUL) 0.5x40.8x: < 800 siendo las x; 20 El resultado éptimo de este problema, mostrado con Ja ultima tabla del Simpler. es el siguiente: © 120] 200 a 0 0 [ES = 200 2 500 1 1 0.50 | -0.25 | 1 120 | x 530 025 | 0.625 0 % 125 0.275 | -0.112 | | Z 166000, 70 25 Ee Ye ys v1 vi Es decir, se deberian producir, 500 piezas B y 550 piezas A para obtener un resultado de § 166.000 por mes. De esta forma, se haria uso de la totalidad de los recursos de fiesado y tomeado y quedaria un sobrante de 125 horas por mes de pulido.36 FORMULACION DUAL, Sin embargo, el empresario podria plantearse la altemativa de vender los recursos de sus maquinas fresadoras, tomos y pulidoras a agin tercero interesado. En este caso se de- beria plantear como interrogante cual deberia ser el precio minimo de venta de estos recut sos. Surge de inmediato que el precio de venta minimo de las 125 horas sobrantes de pulido es cero, ya que cualquier valor al que se pueda vender la hora de pulidora darfa una mayor a nope! empresario decide vender las horas de los recursos, tendrd que resig- nar fabricacién de piezas A y B, al menos si vende horas de fresa y de torno (0 més de 125 horas de pulidora), En el caso limite de que venda todos sus recursos, el empresario deberi ganar como minimo los $ 166000 por mes que esti ganando actualmente. En consecuencia, su objetivo seria determinar los precios de venta minimos que debe fijar a los recursos para obtener por lo menos el beneficio que obtendria si dedicara sus recursos a fabricar y vendor piczas A y B. Para cllo, cl beneficio que se obienga por vender los recursos que se dedican a Ia fabei- sacién de una pieza A debe scr mayor que el beneficio que se obtiene por fabricar y vender dicha pieza, y el beneficio que se obtenga por vender los recursos que se dedican a la fabri- caciOn de una pieza B debe ser mayor que el que se obtiene por fabricar y vender dicha pie- a. Cada pieza A requicre 1 h de fresado, 2 de tomeado y 0.5 de pulido. En consecuencia, al beneficio que se obtendria por vender los recursos de fresado a urrprecio ys, tomeado & un precio y2 y pulido a un precio ys debe ser mayor al bensficio de § 120 que sc obiendria por fabricar y vender la pieza A, es decir: lyi+2y2+05y, 2 120 Del mismo modo, para la pieze B: 25 yi+ yo+0.8 ys > 200 Debido a que se dispone de 1800 horas de fresado, 1600 de torneado y 800 de pulido, el valor total minimo que sc deberia obtener al vender los recursos deberia ser: 1800 y; + 1600 yz + 800 y5 Este es, entonces, el otro planteo que se podria hacer e] empresario para analizar la po- sibilidad de la venta de sus recursos. MIN 1800 1 + 1600 y2 +800 ys Sujeto 2 yt 2¥2405y = 120 25yi+ yo+0.8ys > 200 . con las y:20 Este programa constituye la formulacién dual del problema original cnunciado més arriba, cuya tabla Optima del Simplex es: seecechte ee careaeaieeFORMULACION DUAL 97 p 100 | 1600 | 800 0 0 1300 | ¥; | 70 1 0.275 | 0.250 | -0.50 1600 | y2 | 25 1__| 0.1125 | 0.625 | 0.25 Z= 166000 [_-125 | -s50_| -soo (SS 8 x xs x % En forma genérica, para una restriccion j de menor o igual, del tipo: L4y% S 2) el valor marginal y, representa el precio al que la empresa deberfa desprenderse de una uni- dad (por ejemplo, mediante Ja venta) de una unidad del recurso j en lugar de asignacla a las actividades xj. Los costos de oportunidad son las variables slacks de la formulacién dual. Para une resttiecién i dual asociada a un producto x; day, 2 {én correspondiente, agregando la variable slack yj seria: De 43 En el ejemplo anterior, para la pieza A la restricci6n correspondiente es: Ly +2y2+05 ys > 120 ¥y, por consiguiente: Lyi +2y240.5 ys - Ys = 120 El valor de 1 yy +2 y2 + 0.5 ys se interpreta como el beneficio que se obtendria por ‘vender los recursos que demandaria la fabricacién de una picza A, mintras que 120 es el beneficio que se obtendria por fabricar y vender la pieza A. En consecuencia ys, el costo reducido de le pieza A,es lo que estaria dejando de ganar el empresario si fabricara y ven- diera la pieza A en lugar de vender los recursos que ella insume. En resumen, los valores ptimos de las variables duales y; son los zj-o; del problema di- recto. Los valores marginales son. los z-¢; de las variables asociadas a las restriceiones y los costos de oportunidad son los za; de las variables asociadas a las actividades, tal como puede observarse en la siguiente tabla resumen correspondiente a la solucién directa del ejemplo arriba enunciado:988 FORMULACION DUAL | 550 0 B 500 0 0 70, E 0 25 125) 0 5166000, Del mismo modo, los valores Sptimos de las variables dicectas x; son los z-c; del pro blema dual. A continuscién se muestra Ia tabla resumen de la solucién dual del mismo ejemplo: 70 0 25 0 0 125 oO 550 0 = 500 $ 166000 jemplo 4, Interpreter econémicamente la modificacidn en el planteo y en la solucién éptima del Ejemplo 2.4 si se formulara adicionalmente la siguiente restriccion de 2: “La produccién minima de A debe ser de 600 wnidades”. Resolucién: ‘Tal como se comenté antericrmente, en los problemas de maximizacién las restriccio- nes de s son naturales, micntras que las de mayor o igual son relativaments excepcionales La expresién metemética de la nueva limitacién es: x12 600 El planteo directo del problema serfa entonces: MAX = 120x, + 200%; sujeto a las siguientes restriccion« FRE) x + 25x, < "1800 TOR) Qx,+ x2 < 1600 PUL) 05m 408%: < 800 REQ.MIN) x: 2 6002 lel w 89 FORMULACION DUAL Resolviendo, se obtiene la siguiente solucién: 2 280 $152000 Como puede observarse, el excedente xs por sobre el minimo impuesto de 600 unida- des para el producto A es cero, por lo que podria obtenerse un mejor resultado si no se im- pusiera dicha limitacién. En consecuencia, asociado a esta restriecién habré un valor margi- nal distinto de cero ($280 por ada unidad de A). La interpretacion econémica del valor marginal de la restriccién del requerimiento mi- nimo es cualquiera de las siguientes: a) Si se liberara en una unidad le restriecién (es decir, si en lugar de 600 unidades, le resiricci6n fuera de 599), el funcional aumentaria cn $ 280. b) Se podria pagar hasta § 280 para comprer una unidad de A s un tercero que la ofte7- ca, afin de satisfucer ese requerimiento minimo. ) El valor de! funcional del problema sin la restriccién era de 3166000, mientras que con la restricci6n es de $152000 (es decir, una diferencia de $14000 por mes). Quiere decir, ‘que si a cada una de estas 50 unidades de més se les pudieran incrementar el precio de venta en ms de $280, se recuperarian los $14000. = 4) Si se vendieran los recursos asociados a la fabricacién de piezas A, el precio de venta de esos recursos se tiene que incrementar en y¢.a fin de poder cumplir con el com- promiso contraido de entregar por lo menos 600 unidades de A, tal como se puede observar een la primera restriccién de la formulaci6n dual cuando se agrega la restriecién de minimo: MIN 1800 y; + 1600 yo + 800 y3- 600 ys Sujetoa A) ly:+2y2+0.Sys-ye 2 120 B)25yi+ yr 08ys 2 200 En un problema de minimizacin de un objetivo cconémico, el valor marginal (precio sombra) representa la disminucién del costo por el hecho de relajar en una unidad la restric- cién “6”, Pare una restriccién de mayor o igual de un requerimiento, el valor marginal es el pre~ cio que se estaria dispuesto a pagar por cada unided de requerimiento. Del mismo modo, constituye el precio minimo de venta de cada unidad de requerimiento a un tercero. ‘Cuando el valor marginal es cero, significa que hay excedente del requerimiento “b” y, ‘en consecueneia, no babria necesidad de adquirirlo, por lo que el precio de compra es cero. El costo de oportunidad (“costo reducido”) para los problemas de minimizacién man- tiene el mismo significado que se explicd més arriba, represeatando el perjuicio que se ob-50 FORMULACION DUAL, ae cera Rerriont Pot cada unidad que sc active la variable cuando la solucién éptima del problema indique que dicka actividad debe scr nula. Si, por ejemplo, la variable « repre comprar dicho producto, e| costo de oportunidad estaria representando el descuemto que se eberia obtener en ol precio unitario de corapra para que convenga adquitclo, Nuevamente, las restricciones de mayor o igual son naturales en los problemas de mi- nimizaciGn, mientras que las de menor o iguel son rclativamente excepcionales od Un productor debe alimentar a un animal que reguiere semanalmente 200 unidades de Resolucién: El productor se plantea el siguiente programa lineal: MIN Sart 8xy Sujeto a: ND) 5x, +15x2 200 FO) 10x, +12x2> 120 PO) 8x +4 x2 100 con las variables x1 y x» 0 La solucién de este probiema lleva al siguiente resultado: 0 it 0 0 0.44 fa 0 0 O35 i 3s Es decir, la cantidad de alimento A que deberé adquirir semanalmente pace alimentar a cada animal es de 7 Kg y de alimento B, 11 Kg. De esta forma el requerimiento de niinta estard satisecho en su Valor minimo de 200 unidades (ya que el excedents e> cero), el 6. querimiento de fésforo estard excedido en 82 unidadcs por sobre las 120 necesarige yal requerimiento de potasio estard en su valor minimo de 100 unidades. El valor marginal de 0.44 implica que si se redujera en una unidad el requerimiento de nitrato, el valor del funcional —es decir el costo— disminuiria en $ 0.44. De igual manera, Por cada tnidad que se redujera la nocesidad scmianal de potaso, el funcional bajaria § 0.35In lof. ty FORMULACION DUAL 1 Finalmente, como hay excedente de fésforo, el funcional no se modificaria si se cambiara en una unidad el requerimiento minimo. En otras palabras, el monto de $ 0.44 es el valor que tiene para el productor cada uni- ded de nitrato. A. ese precio estarfa dispuesto a vender, si oudiera, una unidad de nitrato a un tercero interesado en comprarla. Del mismo modo, $ 0 es el precio minimo al que se deberia vender cada unidad de fdsforo y $ 0.35 el precio minimo al que se deberfa vender cada unidad de potasio. La formulacién del problema dual se podria interpretar de la siguiente forma: Si el productor tuviera la posibilidad de adquitir por alg otro medio’ los compucstos quimicos requeridos para sus animales (a través de otros alimentos u otras formas de suministro), se preguntaria cual deberia ser el precio méximo de compra que deberia pager por cada unidad de nitrato, de fosforo y de potasio. Es evidente que como miéximo estaria dispuesto a pegar $123 por semana por animal. El producto matematico 5 y1 representa el precio que deberia pagar el productor por las unidades de nitrato que proporciona cada unidad (Kg) de alimento A. Del mismo modo, 10 yz es el precio que se deberfa pagar como miximo por las unidades de fésforo que propor- ciona cada Kg de alimento A y. finaimente 8 ys es lo que se deberfa pagar por las unidades de potasio que proporciona cada Kg de A. En consccuencia, 5 yi +10 y2 + 8 ys es el precio miximo eue se deberia pagar por comprar los minerales que proporeiona un Kg de A. Por supuesto que este valor debe ser menor a lo que se paga actualmente por un Kg de A, es decir: Syi+10y:+8y<5 Del miamo modo, el precio que se deberia pagar por adquicir de alguna otra forma los 3 minerales que proporciona un Kg de B debe ser menor 2 lo que se paga actualmente por un | KgdeB: : i 3 Sy +12yt4yss8 4 Finalmente, ol objetivo debe ser pagar como maximo lo que se pags actualmente por 4 alimentar aun animal: MAX 200 yi +120 ya 100 ys En resumen, la formulacién dual del este problems es: MAX — 200; + 120 y2+100ys Sujetoa Sy +10y2+8y3 5 5 I5yi: +12 y2t4yss 8 yi20FORMULACION DUAL, B 0.44 0 : 0 2 i 0.35 0 0 7 0 i 5123 ‘Al incorporar una variable slack a la restriccién de A tendremos: Sy tly t8ys-ye= 5 Dado que 5 yi + 10 yz + 8 y; esl precio méximo de compra que el productor debe pa- gar por conseguir Ia cantidad de minerales equivalentes a los que proporciona un Kg de Ay que el término independiente 5 es lo que se paga actualmente por un Kg de A, el valor de ys ros indica lo que se estaria pagando de més por adquirir los minerales a través del producto A. En este caso Ye cero, lo que nos indica que es convenicate adquirir el producto A. Si, por el contrario 3 fuera positivo, no seria conveniente adquirir ninguna unidad de A y si se deberia procurar obtener los minerales a través de una fuente altecrativa. El mismo anélisis se puede hacer con el alimento B, concluyendo para el ejemplo que es conveniente su adquisici6n. Ejemplo 4.10: ‘Supongamos que al problema del ejemplo 4.9, se ogregue la restriccién de que no se puede adquirir mas de 10 wnidades de B. Resolucién: La formulacién directa del problema quedaria entonces: MIN 5x,+ 8% Sujeto a: ND 5x, +15%22 200 FO) 10x;+12x2> 120 PO) 8x4 4x22 100 REQ. MAX) %S 10 conx 20 El resultado éptimo de este problema es el siguiente:FORMULACION DUAL, 93. $130 Puede observarse aqui que por cada Kg adicional que se pudiera adquirir de B por en- cima de los 10 Kg impuestos, el costo total por semana de alimentar a un animal se reduci- ria en $7. El planteo dual de este problema es: MAX 200 ¥i + 120 y+ 100 ys - 10 ye Sujeto a Syitl0ys+8y2 <5 ISy;+12y2+4ys-YoS 8 con yi20 Las restriceiones de igual se pueden presentar naturalmente en problemas de maximi- zacién y de minimizacién. Como hemos visto, los valores marginales de los vectores 2; correspondientes a igualdades pueden ser positives ¢ negatives. Si cl valor marginal es po- sitivo, significa que sclajar la igualdad en una unidad implica uns mejora en el funcional. Si, cn cambio, es negativo, relajar Ja igualdad en una unidad implica un perjuicio en el faneio~ nal, Para un problema de maximo, relajar la igualdad significa eumentar en una unidad le limitaciin. Por ejemplo, si para la restriccién xj + x9 + X5~ 10 el valor marginal correspon- diente fuera 4, significa que el funcional aumentarfa en 4 unidades si el término indepen- diente fuera 11 (en lugar de 10). Si, en cambio, el valor marginal fuera -4, esto significa que al aumentar a 11 el RHS, el funcional se reduciria en 4 unidades. Para un problema de minimo, relajar la igualdad significa disminvir en una unidad le imitacién. Por ejemplo, si para la siguiente restriecién x; +x; +5 = 10 el valor marginal fucra igual a 3, esto significa que el funcional se reduciria en tres unidades si el término independiente fuera 9 (en lugar de 10). Si en cambio, el valor marginal fuera igual a -3, significa que el funcional se incrememtaria en 3 unidades si el RHS fuera 9. Ejemplo 4.11: Supongamos una empresa que puede fabricar 3 productos PI, P2.y P3 para los que se requiere recursos de mano de obra (MO), materia prima (MF) y maguinaria (MA). Existen restricciones de disponibiliciad de los recursos (DM), limitaciones comerciales de cantidad minima del producto P3 (MN3) y de cantidad méxima del producto P2 (MX2) a elaborar por ines.94 FORMULACIGN DUAL. Los datos se indican en la siguiente tabla: Se formula lizard el sistema de programacién lineal LINDO para resolver este problema. La in matematica (en el formato LINDO) del problema es la siguiente: MAX 500 PI +400 P2 +600 P3- 4 MO-1 MP- 15 MA. ST MO) 5P1+4P2+6P3 -MO=0 ow DMO) MO< 1200 &) MP) 0.2PI + 03P2+0.1P3 -MP=0 &) DMP) MP< 300 i) MA) 1.1 P1+0.8P2+1.3P3-MA=0 G9) DMA) MA< 800 60) MX2) 2 <200 pas MN3) —-P3>70 Ge) END. A la derecha, entre paréntesis (no ¢s parte de 1a formulacion en LINDO) se han indica- do los nombres de las variables duales (y)) para una mejor comprensién de la formulacién dual. La formulacién dual del problema seria la siguiente: MIN 1200 y2 + 300 y4 + 800 ys +200 y;-70yp Sujeto a PL) Syp +02 ys+ Lys 2500 2) 4y1+0.3 y+ 0.8 ys+ yr = 400 P3) 6y1 + O.1 ys+13ys- ys 2600 MO) y:- 2 <4 MP) ys- ye 51 MA) ys- Ye $15FORMULACIGN DUAL fo lhu 95 Para resolver el problema se puede hacer tanto por el directo como por el dual. Con el sistema LINDO se resolvid cl problema directo, siendo la salida de la solucién éptima la siguiente: LP OPTIMUM FOUND ATSTEP 3 OBJECTIVE FUNCTION VALUE b 11495 VARIABLE VALUE REDUCED COST PI 0.000000 P2 195.0000000 PS 70.000000 MO 1200,000000 9.000000 MP 65.500000 0.000000 MA 247.0000 0.000000 ROW SLACK DUAL PRICES Mo) 0.000000 96.925003 DMO) 0.00000 2.925003 Me) 0.000000 7.000000 DMP) 234.500000 0.000000 MA) 0.000000 15.000000 DMA) 553.0000 0.000000 Mix2) 5.000000 0.000000 ‘MNB) 6.000000 -1.150000 En la primera columna se indican los nombres de las variables directas. Con el nombre VARIABLE se muestran las variables reales, mientras que con el nombre ROW se mues- tran las variables slacks (cuyo nombre es el que se le dio @ la restriccién). En la segunda columna se indican los valores Sptimos de las variables. ‘A patti de la Jectura de los valores de las variables reales, puede observarse que no conyiene fabricar PI, la producci6n éptima de P2 es 195 unidades por mes y la de P3 de 70. La utilizacién mensuel de la mano de obra es de 1200 horas, de la materia prima 65.50 Ke, yy de maquinaria 247 horas. A partir de la lectura de los valores de las variables slacks, se observa que no hay so- brante de mano de obra (DMO), que sobran 234.50 Kg por mes de materia prima (DPM) y que sobran 553 horas de maquina (DMA). Obviamente, el sobrante 0 excedente de les res- triceiones de igual es cero (MO, MP y MA). No se aleanza la limitacién maxima de P2 (hay ‘un sobrante de 5 unidades con respecto a dicho limite) y sc realiza exactamente la canticad minima de P3 exigida (el excedente con respecto al minimo impuesto es cero), En a tercera columna, se consignan los valores de las variables duales correspondien- tes, es decir, los costos de oportunidad (llamados REDUCED COST por el LINDO) y los valores marginales (liamados DUAL PRICES), La intorpretacién de las veriables duales de la soluci6n Optima de! problema cs la siguiente: El costo reducido del producto Pl es $1.325. Esto signitica que: 1. por cada unidad que se fabrique el funcional decrecerd en exe valor. 2. si se pudiera aumentar el precio de venta de PI 2 mis de $ 501325 el producto Pl debe- ria fabricarse 3. si se pudiera disminuir el costo de los insumos de P1 en més de $ 1.325, el producto PI deberia fabricarse. 4. si se vendicran los recursos que insume una unidad de PI se deberia hacer 2 los si- guientes valores:96 FORMULACION DUAL yi = 96.925. $ / hora de mano de obra ys= 1 S/Kg de materia prima Ys=15 $/hora de maquinaria ppera obtener un ingreso de $501.325 en lugar de dedicarlos 2 la fabricacién de P1 que retor- na un ingreso de $ 500. El valor marginal de la disponibilidad de la mano de obra (DMO) es de 92.925003. Esto significa que 2) si Ia disponibilidad de la mano de obra aumentara en una hora, el funcional se incre- mentaria en $92.925003. b) cl precio minimo de venta de la mano de obra a un tercero seria igual a este valor, El valor marginal de la ecuacién de balance de mano de cbra es de 96,92503. Esto im- plica que si la mano de obra fuera una hora més eficiente, el beneficio que se obtendria es de $96,92503. Ea efecto, la ecuacién correspondiente a la utilizacion de mano de obra, es: 5P1+4P2+6P3-MO=0 La solucién Optima nos da una utilizacion de 5 .0+4.195+6.70= 1200 hs. Si ta utilizaci6n de la mano de obra para fabricar piezas se redujera una hora, el fine cional se incrementaria en 96.925003 . Esto se interpreta de la siguiente forma: 5P1+4P246P3-MO= © visto de otra forma: 5P1+4P2+6P3-1= MO Otra interpretacién del valor marginal de In ecuacién de la mano de obra (MO) es el precio méximo que se podria pagar por mejorar la eficiencia de este recurso para la produc- cién éptima. Por ejemplo, si una consultora en ingenieria industrial asegura que se puede mejorar los tiempos de fabricacién de la mano de obra, se Ie podria pagar hasta ese valor por cada hora que pueda reducir por mes. Finalmente, ese mismo valor se puede interpretar como el precio de venta minime que se podria yender a un tercero la hora de mano de obra, al que habria que descontar los $4 que se pagan actualmente (es decir $92.92503).. La diferencia entre 96.925003 (MO) y 92.925003 (DMO) es justaments los $ 4 que se paga la hora de mano de obra La restriccién dual es Mays & que obviamente para este problema es una restriccién de igual (ya que el valor directo de la ‘MO €s distinto a cero y por consiguiente yi2= 0). Es decir, el previo de venta que se pagarfa por 1 hora de MO menos los $4 que se pa- gan actualmente representa el benoficio que se obtendrfa por 1 hora mas de MO (y) El valor marginal de la disponibilidad de materia prima (DPM) cs cero ya que hay un sobrante. Por su parte, el valor marginal de la utilizacién de este recurso (MP) es igual a 1. Esto significa que si se puiera hacer un mejor aprovechamiento de la materia prima (es decir consumir un Kg. menos por mes) se obtendria un beneficio de $1 (que es lo que ac~ ‘tualmente se page eada Kg).li lable iia eo a FORMULACION DUAL Del mismo modo, existe un sobrante de maquinaria, por Io que el precio sombra de la disponibilidad (DMA) de este recurso es cero y el de Ia utilizacién (MA) es igual a lo que actualmente cuesta ($15 por hora). Con respecto a la restriccion de produccién maxima del producto P2, como existe un sobrante no tiene valor marginal Finalmente, la produccién minima del producto P1 da un valor marginal igual a 1.15. I LINDO muestra a este valor en forma negativa (distinto a como se observaria en el Sim- cplex). La interpretaciin de este valor es que si se redujera el requerimiento minimo de 70 ‘unidades 2 69, el beneficio se incrementaria en $1.15. El LINDO expresa todos los valores ‘marginales como la variacién en el funcional por cada unidad que se ineremonta la restrie- cidn, Es por eso que muestra un valor negativo, entendiéndose que si el requerimiento mi- nnimo del producto P3 fuera de 71 (en lugar de 70), el beneficio se reduciria en $1.15. plo 4. En algunas ocasiones conviene resolver ¢l problema mediante e| planteo dual en lugar de hacerlo a través del directo. Esto ocurre cuando la formulacién original del problema tiene una gran cantidad de restrieciones de mayor o igual, las que requieren la utilizacién de variables artificiales para la aplicacién del algoritmo del Simplex, en. general cuando el ob- Jetivo es de minimizacién, Problemas sencillos de minimizacién de dos restricciones se pueden resolver en forma gréfice con la formulacién dual. ‘Supongamos que se desea encontrar gréficamente la soluci6n Sptima al siguiente’ pro- blema: pM = eg Ss se MIN 20x, +30x2 +60%5 + 20K: + 30 x5 Sujetoa m+ m+ 2m+ ut324 OW) 2m-2 mt But Mt x23 Oe) con Xi, %0,%.%4 X20 : Como la formulacién dual tiene solamente dos variables directas, el problema se puede resolver grificamente. La formulacién dual es le siguiente: MAX 4yit3 yo | Sujetoa ynt2y2 < 20 @). yi- 292 $30 ) 2y. +352 < 60 &) yit ye $20 &) 3y+ ye $30 (x) con Yu y2z 0 Ylile98 FORMULACION DUAL Niet i = 2025 «#430 «435 «4045 v1 El resultado es y; = 8 ¢ y2=6. En consecuencis, el hecho de que y; € y2 sean distintos de cero implica que la dos resiricciones directas estin en el limite (es decir, justo en el igual), por lo que xs = 0 y x7 = 0. Las otras variables duales Ye, ys, Ys Son distintas de cero. Por lo tanto, x= 0, quedando el problema directo reducido a: Xr F3%5 =4 2xpt xs 93 ¢s decir, un sistema de dos ecuaciones con das incégnitas que lleva al siguiente resultado: x= x=.2A Wii, CapiruLo 5 ANALISIS DE SENSIBILIDAD ‘Une vez alcanzada Ia solucién éptima, se pueden realizar los denominados anilisis de sensibilidad 0 estudios post-optimales, que consisten bésicamente en responder preguntas del tipo "2qué pasaria si..?", wales como: {Qué pasaria si se modificara el valor de un coeficiente de la funcién objetivo? {Qué pasaria si se modificara el valor de un témino independiente? i {Qué pasarfa si se agregara una nueva actividad al problema? | {Qué pasarfa si se agregara una nueva restriccién al problema? i TaN untaja del algoritme del Simplex es que los estudios de sensibilidad surgen 2 partir Sptima, sin necesidad de tener que resolver el problema desde su inicio. Esto permite reducir significativamente el tiempo de resolucién puesto que el punio de partida consiste en una base inicial que va a estar mucho més cerce de la nucva solucida (si es que se modifica) de lo que esta la base correspondiente al origen de coordenadas. Tipicamente se pueden estudiar variaciones en los parimetros del problema y modifi- ccaciones en su estructura 4) El primer caso se conace como “andlisis paramétrica” que consiste en observa las va~ | riaciones que se producen cn la solucién recomendada cuando se modifican los valores de i tras (principalmente, co ‘ional y términos independientes). | ;, En el segundo caso, se plantean agregados de mucves actividades 0 de nuevas restri 5.1 VARIACIONES EN LOS COEFICIENTES DE LA FUNCION OBJETIVO ‘Tomaremos como ejemplo un problema de maximizacin con tres restricciones de me- nor o igual, cuya formalacion es: MAX: Gxt ow Sujetoa: ay, %1-+ axa Sb, aX tan XS be 255+ 22 X2S by con 24, %2 2 0 y continuas El hecho de modificar el valor de un coeficiente de eficiencia (por ejemplo ¢1) no altera el sistema de ecuaciones del problema directo. El recinto de soluciones factibles es el mi ‘mo; lo que sf cambia os Ia pendionte, del funcional. Dependiendo del cambio verificado en ‘a pendiente de fa funcién objetivo, la solucién puede permanecer en la misma base 0 pasar a.ctro punto extremo100 ANALISIS DE SENSIBILIDAD El sistema de ecuzciones del problema dual, en cambio, se modifica cuando cambia ef coeficiente ¢}; en efecto: i MIN: byt bey2+ bys Suletoe: any; tanystanys2o1 apYi+anYetanys2e i con Yi Yo 20 continuas 4 3 En consecuencia se debe utilizar la tabla dptima primal como punto de partida para sa- 4 br qué pasaria si se modifica un coeficiente del funcional 4a ‘Veamos el ejeraplo de Tratamiento Térmico, Maquinaria y Mano de Obra, Le formula- q cién original del problema era: | MAX: 400 x +300 x Sujeto a: 9m +18 xz $720 16x + 8x, 5640 10x) +10%, £480 con x1, x22 0y continuas que daba como resultado la siguiente solucién éptima directa: 4003000) o 0 a j Oo | x | 144 Tt Ls 27 | 4 400} x | 32 1 0.125 0.1 300] ~ | 16 1 0.125 02 Z = 17600 oo meee) i ‘Supongamos que se quisiera analizar qué pasaria si se modifica la utilidad unitaria de las piezas A a $550 (en lugar de los $400 actuales). Es obvio que se modificaré la Gitima fila (funcional y valores duales), pero 4s modificard la solucién dptima directa propucsta? Para responder a esta pregunta reemplazamos el coeficiente ¢;= 400 por ¢,= 550 en la solu- cién optima y simplemente calculamos la titima fila Z = 22400 Como todos los 2; son positives (para un problema de maximizacién), la solucién 6ptima no se modifica, es decir sigue siendo:i mt ie i iti si olf 101 ANALISIS DE SENSBBILIDAD Gréficamente vemos que la pendiente del funcional no cambié lo suficiente como para que se modifique la soluci6n Optima del punto B. ‘Veamos ahora qué pasaria si el valor de ¢, fuera, en cambio, igual a $650 por unidad. Reemplazando en la tabla éptima, se observa que existe un 7c negativo (para As). Esto indica que la solucién éptima propuesta debe cambiar. Procediendo conforme al algo- ritmo del Simplex, ingresa la base la variable xs (sobrante de MO) y sale x2102 ANALISIS DESENSIBILIDAD Haciendo el cambio de base correspondiente, llegamos 2 Ia nueva solucién éptima para el valor de c; = 650, se ie hing eee 30 as g " 0 x | 360 1351-05625 650 un | 4 | 1 os 0.0625 0 xs | 80 5 1 : Z = 26000 oq. 25 0 40625 0 i j q 3| a 3 4 aq li acacia Es decir, Gréficamente, esta soluci6n se corresponde con el punto A, 5.2 VARIACIONES EN LOS TERMINOS INDEPENDIENTES (RHS) Modificar un término independiente, implica modificar el recinto de soluciones facti- bles.My ltl ANALISIS DE SENSBILIDAD 403 Un valor diferente de un RHS, por cjemplo ba, implica un desplazamiento en forma pe- ralela de la recta correspondiente. Esto es asi porque se modifica el sistema de ecuaciones del problema directo: MAX: orm +e Xe Sujetos: ax; tax
0 ‘Supongamos que se desea saber qué pasaria si la disponibilidad de MA pasara de 640 a 700 hs por mes. Es obvio que la solucién directa variarfa, pero jse mantendria la soluci6a dual (es decir los valores de les variebles marginales y costos de oportunidad)? A fin de responder a este interrogante, debemos trabajar con la solucién éptina dual. Para ello, debemos pasar primero de la tabla Gptima directa ea 30 0 0 Of x | 144 Tan 2s0=2 7 400) m | 32 1 0.125 -0.1 300] x2 | 16 1 0.12502 _Z = 17600 oo 0 25 20 % % MH yo Ys ala tabla optima dual, lo que nos da como resultado:104 -ANALISIS DE SENSIBILIDAD, 720 G40_—«480 0 a 640 | ye | 125 | -L125 1 “0.125 0.125 480_| ys 20 27 1 on 02 Z_= 17600 | -144 32 -16 % x Xs % % Luego se modifica el valor de bz y se observa si cambia la soluci6n dual 6ptima: 700 20 yn 80 0 125 | -1.125 1 0.125 0.125 480 20 a7 1 o4 02 Hieao. ae 2s 18350 | -211.5 395 8S Grificamente vemos que si bien la recta de MA se desplaz6 hacia arriba, el dual no al- can76 a modificarse, ya que la variacién de funcional por cada unidad adicional de mano de obra sigue siendo la misma (12,5 $/h). i i ahi asin 16 85 x 4 Supongamos, en cambio, que se quisi horas méquina fuera de 800 por mes.Yr fut 105 ANALISIS DE SENSIBILIDAD 300 m0 iy 480 ° 0 006460 | yo | 125 | -1125 1 0.125 0.125 480 | 20 27 1 O1 02 Z_ = 60 | 3 Z_= 19600 | = 396 = 4 i tT Como hay una variable z-b; positiva, procedemos a efectuar el cambio de base, Jo que nos llevaa la siguiente solucién éptima dual: 720 800480 0 0 ¢ ys | 100 2 8 1 1 480 v3 |__40 09 1.6 1 0.1 Z_= 19200 288-32 0 48 0 En este caso, se modifica la solucién dual (cambian los valores marginales y los costos de oportunidad). Vernos que entré en la base ys (lo que significa que en el directo se va de Ia base Xz, por lo que se deja de fabricar el producto B) y se fuc yz (entra en Ja base x4, por To que habré sobrante de Maquinatie) Gréficamente: sigs ab ice wh ce a anemic nda106 ANALISIS DE SENSIBILIDAD — es 5.3 RANGO DE VALIDEZ DE LA SOLUCION OPTIMA, En los ejemplos anteriores hemos visto que cuando modificabamos el coeficiente de eficiencia ¢; a 550 la solucién directa se mentenia, pero cuando lo varidbamos a 650 la so- Iucién cambiaba Del mismo modo, al modificar bz (disponibilidad mensual de Maquinaria) a 700 hs se manitenia la estructura de la solucién éptima, pero cambiaba si se llevaba a 800 hs por mes. Resulta de interés especial conocer cudl es el valor del pardmetro a partir del cual cam- bia la solucién. rangos de validez de las soluciones éptimas hay que distinguir si la variable del coeficiente que se modifica esonoenlebase. ———SCT Variables que estin en la base El nuevo valor de ¢; (que llamaremos ¢’)) que hace que se produzea justo un cambio de base (solucién alternativa) debe ser tal que genere un 7;-c; igual a cero (cero altemativo) en el vector A; de una de las variables no bésicas, dejando al resto de los 25-6; no negativos (si se maximiza) 0 no positivos (si se minimiza), ea |x | & 1 ay oo 0 ae oo oo Es decir, seré un valor ca, = Ale, ~¢,) 1) Para un problema de maximizacién (2,-c;) es positive. En consecuencia, para obtener un cero alternativo la variacién A(z,-c)) debe ser negativa. a) Sie esti buscando el limite superior, la diferencia (e'-c)) ¢s positiva y por Jo tanto el valor a; debe ser negativo. En caso contrario no hay limite superior. b) Sise quiere determinar el limite inferior, la diferencia (¢’;-c,) es negativa y por lo tanto el ay debe ser positivo. En caso contrario, no existe el limite inferior. 2) Para un problema de minimizacién (2;-c;) es negativo. Por lo tanto, para obtener un cero alternativo le veriacién A(z) debe ser positiva. a) Si'se esti buscando el limite superior, la diferencia (¢’-c)) es positiva y por lo tanto cl valor ay debe ser positive. En caso contrario no hay limite superior. b)_Si se quiere determinar el limite inferior, la diferencia (c’-:) es negativa y por lo ‘tanto el ay debe ser negativo. En caso contrario, no existe el limite inferior. En resumen, despejando c% (que serd el limite superior ¢} yp 0 el limite inferior c} ie) y teniendo en cuenta que los z,-¢; de los ottos vectores de variables no basicas deben ser no negativos si se maximiza el objetivo 0 no positivos si se minimiza, tendremos que se debe scleccionar el vector correspondiente al minimo cociente (2-25.ee ee last cu ashe aida Xn [ofiy ANALISISDE SENSIBILIDAD 107 En consecuencia: Gly Cviar = 62) siendo les signos de los aj segtin se indica en la siguiente table: * + = ‘Veamos, entonces, cuales son los limites superior e inferior para el coeficiente c; del ejemplo, Teniendo en cuenta que x: esté en la base y que es un problema de maximizacién, tendremos: 2 0 125 Cigp = 400+ — = 600 a on ¥ =400-—> = 300 0.125 En efectn, si cr fuera igual a 600: eeraiace 0 xs 600-400 | x 2 300 x 80, Z = ¥7600 [oa 0 BS 20 i Z = 24000 Lo 0 Um Em tendriamos una solucién altemativa entre el punto B (indicado en la tabla) y el punto A que surge del cambio de base ingresando xs y anulando x- 0 x | 360 135 1 -0.5625 600 m | 40 1 05 0.0625 o xs | 80 5 0.625 1 Z = 24000 0 oF 0 375 0 Sapeas Si el-valor de c; fuera apenas superior a 600, la soluci6n Optima pasara a ser la base A. Graficamente:108 ANAUISIS DE SENSIBILIDAD 40 16 x 0 3 300-400 | x, | 32 1 0125-01 | 256 300 x | 16 1 +185 90.2 |n = Z = 17600 00 0 BS 2 Z = 14400 oo oo 30 En este caso también tendremos una soluci6n alternativa entre {a base indicada en la tabla anterior (punto B) y la siguiente bese (punto C): 0 x | 128 08889 0-10-24 300 xi 16 1 “011M 02 300 x-| 32 1 ont 0.1 Z = 14400 a) oe 0 30 Si el valor de ¢; fuera apenas inferior a 300, la solucién éptima pasatia a scr definiti- vamente la base C. La solucién grafica se puede visualizar en la préxima pégina. El mismo procedimiento de andlisis se puede seguir para evaluar el rango de validez de Jos términos independicntes dentro del cual no se modifica la solucién dual propuesta (valo- res merginales y costos de oportunidad). Supongamos que se desea encontrar los limites superior € inferior del recurso de Mano de Obra (ba). we se voces aMiliee conse biaee ANALISIS DE SENSIBILIDAD Dik/u 109 ‘Aqui el dual es un problema de minimizacién, por lo que se deberin tomar aj positives superior y negativos cuando se esti buscando el limite En consecuencia, para el limite superior habré solucién altemativa entre las dos si- guientes bases: 768 70 fy 80 0 0 768640 | y2 | 125 | -1.125 1 -0.125 480 20 27 1 o1 02 17600 a14t Ec gmenI6: 19200 -288 48 OFi190 ANALISIS DE SENSIBILIDAD Del mismo modo se puede reemplazar ei valor de 640 por 512 y observar eleambio de base en ese punto. aii a 312 720 gay 480 ° a 512640 | v2 | 125 1 0.125 0.925 Z 480 | 20 1 On ~E2 3 Z = 19200 6 eS 4 = 312 | ys | 20.8333 1 O4167 08333 Qa4i7 mo _| y, {7404 | 4 03704 __ 9370-00741 Z_= 16000 o oO oF =16 32 (Bi ‘Visualizando este rango en el grifico del problema directo, tmdremos: inno vi tan en Ia hase Si la variable cuyo andlisis de coeficiente de funcional que se quiere anslizar no est en la base, cl Limite ej que hace que haya justo un cambio de bese (sdluci6n alternativa) debe. ser tal que genere en el propio vestor A un 2 ¢; igual a cero (cero altemativo).sa pulse ebcu Bazeer) oe Tsay &,-c,}-[e;-¢,)=0 1) para un problema de miximo, z-¢)¢s positivo; luego | a) si'se busca el limite superior la variacién (¢’j-c) es positiva, luego seré ee =e +6] 63) b) el limite inferior serd -s0, ya que (c’j- ¢)) es negativo, por lo que Ia diferencia arriba indicada nunca podré ser igual a cero. - sie = =| 64) 2) para un problema de minimo, 7,6; es negativo; luego a) sise busca el limite inferior, la variacién (¢’-c)) es negativa, luego ser c, @-¢)) 65) b) el limite superior seri +=, ya que (¢';-¢) es positive, por lo que Ie diferencia arriba indicada nunca podré ser igual a cero. Cjmg = 42°] (5.6) Continuando con el ejemplo formulado, supongamos que se quiere determinar eudl es el rango ce validez de la solucién dual para el recurso Tratamiento Térmico (TT) dentro del cual no se alteran los valores de las variables duzles (solucién dual). Partiendo de la tabla éptima dual, observamos que la variable comespondiente (y) no es bdsica. Luego, considerando que el problema dual de este ejemplo persigue un objetivo de minimizacion, aplicaremos las expresiones 5.5 y 5.6: Bigg = 720-144 = 576 En efecto cuando by= 576 tendiremos una solucién alternativa,12 ANALISIS DE SENSIBLLIDAD LA 30 a ee 40 16 2 x Recordemos que una solucién altemativa en el dual es una soluciéa degenerada en el directo. 5.4 ANALISIS PARAMETRICO 1. Variaciones paramétricas de coeficientes del funcional Tomacemos una variacién del coeFiciente del producto A (1), hacidnidolo variar desde = hasta +o, a partir de la solueién Sptima hallada. Empezaremos el aniisis para valores superiores a 400: En primer lugar se calcula el limite superior y se determina la base Optima para ese valor dl parémetro =400+29 600 O01 Cin sissy lie era east glDolly ANALISIS DE SENSIBILIDAD 113, 600 Go ° 0 0 144 1 600-490 32 1 300 16, 1 0 0 0 0 0 a LLuego se procede a cambiar de base a la solucién alternativa correspondiente: 0 x | 360 1351-05625 00-490 | x | 40 ny 05 0.0625 0 xs | 90 3 0625 1 Z = 24000 vo 0 375 0 y se caloula el nuevo limite superior. ‘Sin embargo, al aplicar (5.1), vemos que, traténdose de un problema de maximizacién, no encontramos ningun aj negative. En consecuencia, no hay limite superior pare ¢, fo que significa que se mantendrén los mismos valores de las variables directas para cualquier va~ Jor de-¢; mayor a 600. ‘Analizaremos ahora valores inferiores a los 400 correspondientes a la solucién inicial. Aplicando (5.2) y teniendo en cuenta que los valores de aj tienen que ser abors positivos: 125 = 400-42 =300 ae 0.125 300 499 300 o 0 0 XS ‘144 128 300-400 x 32 L 0.125 0.1 256 300 x 16 1 0125 02 - Z = +7690 oO 0 Bs 2 Z = 14400 oO 0 pegs 30 Sc caleula entonces el nuevo limite inferior aplicando (5.2):14 ANALISIS DF SENSIBILIDAD or 300-3 150 se lleva el problema a esa nueva base 150 gag 200 Of ard eatC, 128 0.8889) 1-24 16 1 LL B | x0 32 1 om i =o eo 2 ¢ 0 tier 0 0 Sc cambia ahora la base a la base alternativa comespondiente: 150 300 0 Oma 0 x 320 12 ae 1 oO Xs 80 3 0.5555 L 300 | m | 40 | os 1 0.0556 Z= 12000 Oo 0 16466670 0 Se ti ei Whe ai iso Debido a que x; se va de la base, se termina el anilisis paramétrico. Graficando ¢, en funcién de x; se tiene lo que se denomina curva de oferta para el pro- ducto A: Se podria graficar adicionalmente la variacién del funcional (z) ea funcin de ¢;:ANALISIS DE SENSTBILIDAD us =% ¥y también las variaciones de cualquier otro tipo de variable del problems, por ejemplo x2 (fabricacién de B), x; (sobrante de TT), yz (valor marginal de maquinaria) e ys (valor mar- ginal de mano de obra), i i ec ih iiss ie116 ANALISIS DESENSIBILIDAD tt a) * 2, Variaciones paramétricas de términos independientes Tomaremos una variacién del coeficiente del término independiente bz (comespon- diente al recurso Maquinaria), haciéndolo variar desde 0 hasta +=, a partir de la solucién ‘Sptima hallada. Empecemos el andlisis para valores superiores 2 640: En primer lugar se calcula el limite superior y se pasa a la base optima para ese valor del parémetro. 16 esis eensspo ei lah wide cei al asta ANALISIS DE SENSIBILIDAD Ww 720 708 480 0 0 oe 768 648 yo 125 L125 1 0.125 430 | ys | 20 | 27 L O1 Z = 17600 aK o oO = Zz 9200 -238 oO 0 48 Luego se introduce la variable ys a la base, seliendo y2. La nueva base es entonces: 720_| 768 | 480 0 0 0 y: | 100 9 8 1 480 5 | 40 09 1.6 n Z_= 19200 288 OF a Se calcula entonces el nuevo limite superior de bo. Como no es una variable basica, e! nuevo limite superior es +=. ‘Se realizar ahora el andl Dae = 040- 7 | 512 | 480 0 0 640 s 312640] y2 | 125 | -1125 | 1 ~0.125 430 | ys | 20 21 1m eor Z_= 16000 oe 0 0 | -i6 Iterando, se pasa a la otra base alternative: 20.8333 0.4167 | -0.0833 -y | 74074 | 0.3704 | 0.0370 | -0.0741 Z_ = 16000 oO 0 [nated terse 32. Se calcula chora el nuevo limite inferior, y se itera después a la nueva solucién:us ANALISISDDS SENSIBILIDAD. 720 320 480 0 0 a be i 320533 | y: | 20.8333 1 0.4167, m0 ,_| 7.4074 | 1 0.3704 Z_= 12000 0 a 80 Se itera para pasar a le base altemnati 720 OE) 0 0 320 | yz | 3750 | 225 i 1.25 0.125 0 fail 8200 0a x 327: 10 1 2 Z = 12000 OF a -80 0 -40_ es) El proximo limite inferior es 40 « =320-—_=0 on 0.125 Por lo tanto, la nueva solucién es: 0 720 329 480 0 0 0339 [ y. | 3750 | 225 p 125 0.125 © ye | 200 | 27 10 1 2 Zz a =720 o ~480 oO or bce x Xs ee % ¥ yarno se puede seguir iterando debido a que al pretender ingresar y2 no hay ninguna vacia~ ble que pueda salir. Observar que este punto es e] originen de coordenadas. ‘Veamos, entonces la evolucién de algunes variables en forma gréfica, por ejemplo fin- cional (2), produceién de B (x,), valor marginal de la mano de obra (y3), produccion de A (Gx), utilizacién de la mano de obra (480-x:) y sobrante de tratamiento térmico (x:). Los valores correspondientes a estas Variables y las pendientes se obtienen, por su- puesto, de las tables calculadas.19 by 768 40 768 19200 512 512 ANALISIS DESENSIBILIDAD Bob cr rornionc hm enman ceed ¥3120 ANAUSISDESENSEILAD dw 480-x5 : —S 0.4167 i 1.25 t 320 b AX 70 225 m0 512 768 y 5.5 AGREGADO DE ACTIVIDADES 0 RESTRICCIONES 1. Agregado de un nuevo producto ‘Supongamos que se desea analizar Ia conveniencia de introducir un nuevo producto C ala linea de producciGn del ejemplo planteado. Este producto requiere 12 hs de TT; IT fs de MAy 14 hs de MO, y tiene una utilidad unitaria de $430. ,Conviene fabricarlo?. Si asi fuera zeusl deberia ser entonces la solucién propuests? Para responder a estas preguntas se puede partir de la soluci6n 6ptima obtenida. En el primer caso, la respuesta esiaré dada a partir de los valores que significan para el fabricante los recursos TT, MA y MO (valores duales marginales). Si el precio al que se podrian ven- der los recursos que insume la fabricacién de una pieza cualquiera (z) fuera mayor a la uti- lidad unitaria que se obtendria por a (c), no conviene fabricarlo, En caso contrario, introducitse este producto a le linea de produccin. 2 ‘|aati ee Voleduy ANALISIS DE SENSIBILIDAD 41 ‘Llamando xg a la cantidad de piezns a fabricar por mes del produeto C, para que con- venga claborarlo se debe cumplir que 2 300 20 A la primera tabla dual se le debe agregar el vector A's: se i it eei devstnai ieaeet viglepaipnivoned debit vl eit Ln tol, ANAUSIS DESENSBLDAD 13 PRIMERA TABLA M | | 400 M |p | 300 ara calcular directamente ef transformado de A’< en la tabla 6ptima, se toma la matriz inversa y se multiplica por el vector original. oA 0.125 0.125) (0.5 (0.0375 -01 02 ) (os ol Luego, la tiltims tabla del dual complete seré: ‘ULTIMA TABLA 40 | y. | ws [-bas 1 “ans O15 “0.0573 seo |» | 20 | 27 1 ort oat | 18181 2 = 17600 0.03216 2M eM 38 SB 6 X% MH 6 Como se esté minimizando, se deberé ingresar la variable ys en la base, lo que implica que sa correspondiente directa que Hamaremos x (sobrante de Materie Prima) es cero, La nueva solucién quedard entonces: 0.2085 03409 0.091 0.0568 (ies 25 yo | 181.81 | 24545 9.0909 0.909 _-1.818 Z = 1e910 [2572703455 335.45 2091 = © SB 4 © om & EA Esto significa que la queva solucién seré producir 35.45 unidades de Ay 9.09 unidades de B por mes, para cbiener una uslidad de $ 16910. De esta forma el sobrante de TT es de 957.27 hs por mes, no hay sobrante de MA (valor marginal $19.32 por hore), el sobrante de MO ee de 34.55 y no hay sobrante de MP (valor marginal $181.81 por Kg).14 ANALISIS DF SeNSIBRLEDAD