Documentos de Académico
Documentos de Profesional
Documentos de Cultura
I. INTRODUCCION
1
Investigación Operacional también se conoce con los nombres de Ciencias
de la Administración, Análisis de Sistemas, Cibernética, Análisis de Decisión,
y/o Análisis de Operaciones.
2
3. TÓPICOS DE LA I.O.:
i) Análisis estadístico
ii) Simulación
iii) Programación Lineal
iv) Redes (pert/cpm)
v) Teoría de Inventarios
vi) Teoría de colas
vii) Programación no lineal
viii) Programación Heurística
ix) Programación dinámica
x) Programación entera
xi) Teoría de juegos
xii) Teoría de decisiones
xiii) Análisis de riesgo
II PROGRAMACIÓN LINEAL
i) PROPORCIONALIDAD:
La función objetivo y cada restricción sobre
las variables de decisión debe ser lineal. Esto
es, las medidas de efectividad (utilidad o
costo) en la F.O. y, la cantidad de recurso
usado debe ser proporcional al valor de cada
variable de decisión considerada
individualmente.
Si por ejemplo para hacer una silla necesito
½ tabla, para fabricar 3 sillas necesitare 1½.
Los recursos son proporcionales a la
producción. Esto no es válido en todo los
casos reales.
3
Ej: curva de reconocimiento
El modelo en la
realidad es la
curva azul, pero
podemos
linealizarlo
trazando rectas
que en cierto
intervalo se
aproxima a la
realidad, con lo
cual se reduce a una combinación de
ecuaciones lineales.
ii) ADITIVIDAD:
La suposición de proporcionalidad no es
suficiente para garantizar que la F.O. y las
restricciones sean lineales, por lo tanto, es
necesario que cada variable sea aditiva con
respecto a la utilidad (costo) y a la cantidad
de recurso utilizado.
Los recursos es posible sumarlos en distintas
actividades.
iii) DIVISIBILIDAD:
Algunas veces las variables de decisión
deberán tener un significado físico, que es
posible solo si ellas tienen valores enteros.
Sin embargo la solución obtenida por la
programación lineal con mucha frecuencia no
es entera.
Luego se debe suponer que las unidades de
las actividades pueden ser divididas en
niveles fraccionarios.
4
iv) DETERMINISMO:
La programación lineal, está definida para
trabajar suponiendo que el comportamiento
de las variables y parámetros es conocido con
certeza.
En los problemas reales, muy pocas veces se
satisface por completo esta suposición.
v) NUMERO DE OBJETIVOS:
La programación lineal esta limitada a
considerar un solo objetivo.
En consecuencia, si el problema tiene
muchos objetivos que no son posibles de
agrupar en uno solo, no se puede utilizar
programación lineal.
x1 ≥ 0, x2 ≥ 0 , . . . . , xn ≥ 0
donde los aij, bi, cj son los parámetros que permiten relacionar las variables de
decisión con la función objetivo y restricciones.
** Podemos tener los casos de minimización, restricciones del tipo ≥, = e
incluso la no condición de no negatividad.
5
EJEMPLO:
Un señor tiene disponible semanalmente 7000 gr. de hilo rojo; 4000 gr.
de hilo verde y 7000 gr. de hilo amarillo y decide fabricar tela escocesa y
exportar a Escocia. Debido a los colores puede fabricar a dos clanes, los
McFarlam y los McDonald (bajo el supuesto que son cada uno lo
suficientemente grandes como para comprar cualquier producción de tela). No
consideraremos el costo por mano de obra. El objetivo es maximizar las
utilidades.
Sean:
x1: metros de tela McFarlam fabricados por semana
x2: “ “ “ McDonald “ “ “ Var. Controlable
x1, x2 ≥ 0
6
X2
7000
Frontera tecnológica por el hilo rojo
X1
3500 7000
4000
7
Por ejemplo: Para la frontera tecnológica por el hilo rojo:
x2
7000
Frontera tecnológica
x1
3500
8
Tengamos siempre presente que el objetivo es maximizar Z = 5x1 + 4x2
x2
rojo
Pto. factible
V IV
III
amarillo
II x1
I
verde
x3
x4 x5
x1 = 0
x2 = 0
x3 = 7000
x4 = 4000
x5 = 7000 Z=0
x1 = 3500
x2 = 0
x3 = 0
x4 = 500
x5 = 3500 Z = 17500
9
Analizando el “ingreso marginal”, es decir, ver que implicaciones tiene
producir 1m menos de tela McFarlam.
x1 = 3499 ⇒ x3 = 2
x4 = 501
x5 = 3501 Con los cuales se puede fabricar
2m de tela McDonald.
∴ x2 = 2 ⇒ x3 = 0
x4 = 499
x5 = 3497
x1 = 3000
x2 = 1000
x3 = 0
x4 = 0
x5 = 2000 Z = 19000
x1 = 2999 ⇒ x3 = 2
x4 = 1
x5 = 2001 Con lo cual se puede fabricar 1
metro de tela 2.
∴x2 = 2001 ⇒ x3 = 1
x4 = 0
x5 = 1999
10
2.1 Solución Gráfica de Modelos de Programación Lineal
11
2.1.2 Graficar las restricciones
Restricción ii) 4C + 8M ≤ 64
20
C
10 16
12C + 6M ≤ 120 4C + 8M ≤ 64
12
i) La región de soluciones factibles es un conjunto convexo
Un conjunto X es convexo si para cualquier par de ptos. x1, x2 en el
segmento de línea que une esos ptos. esta también en el conjunto.
En forma matemática esto es, si x1, x2 ∈ X, entonces cualquier pto.
x = λx2 + (1-λ)x1, 0 ≤ λ ≤ 1 debe también pertenecer al conjunto.
x2
x1
x1 x2
Si es convexo No es convexo
Para el caso particular del problema en análisis los ptos. extremos son:
C = 10 y M = 0
C=0yM=8
C = 0 y M =0
C=8yM=4
13
Luego la solución optima es fabricar 8 comedores clásicos y 4
comedores modernos con una utilidad de 2560 UM
M
Sea Z = 800 = 200C + 240M
Si C = 0 ⇒ M = 800/240 = 3.3
20 M = 0 ⇒ C = 800/200 = 4
8 pto. optimo
desplazar
C
10 16
Z=0 Z = 800 Z = 2560
i) Múltiples soluciones
14
Sea max Z = x1 + 1,5x2
s.a.
(1) 2x1 + 3x2 ≤ 6
(2) x1 + 4x2 ≤ 4
(3) x1, x2 ≥ 0
x2
2
múltiples soluciones
x1
3 4
Z=1 Z=2
15
x2
Z = ¿?
x1 – 5x2 ≥ -5
desplazar
Z = -10
x1 ≥ 10
1
x1 Z = 10
10
x1 ≥ 0
1
x1
1
x1 + x2 ≤ 1
16
Para una mejor visualización del procedimiento se evaluará el sgte.
problema:
(2) x1 = 0 ⇒ x2 ≤ 16
x2 = 0 ⇒ x1 ≤ 8
16
Z* = 2720
8x1 + 4x2 ≤ 64
x1 = 0 ⇒ x2 = 11.3
x2 = 0 ⇒ x1 = 13.6
10 P3
8 6x1 + 12x2 = 120 (1)
8x1 + 4x2 = 64 (2)
6x1 + 12x2 ≤ 120 de (1) x1 = 20 – 2x2
en (2) 8(20 – 2x2) + 4x2 = 64
160+16x2 + 4x2 = 64
x2 = 96/12 = 8
x1
4 8 20 ∴ x1 = 4
17
Posteriormente colocar la FO también como ecuación
Z - 200x1 – 240x2 = 0
P1 : x1, x2 =0 x3 = 120 , x4 = 64
P2 : x1, x3 =0 x2 = 10 , x4 = 24
P3 : x3, x4 =0 x1 = 4 , x2 = 8
P4 : x2, x4 =0 x1 = 8 , x3 = 72
Var no básicas
Toman el valor 0
El paso inicial es elegir una solución básica inicial factible, para lo cual
el sistema de ecuaciones compuesto por las restricciones y función objetivo
debe estar en forma canónica. Al tomar como base inicial las variables de
holgura, el sistema queda automáticamente en forma canónica.
18
La variable de ingreso, se elige aquella que incrementa en forma más
rápida la FO. En este caso es la variable x2 pues en la ecuación de la función
objetivo tiene un coeficiente negativo mayor.
La restricción que primero deja de ser válida nos señala cual de las
variables básicas antiguas es la que debe salir tomando su lugar la variable
entrante. Una vez realizada esta operación es necesario dejar el sistema en
forma canónica para la nueva base.
1 1
(1) x1 + x2 + x3 =10
2 12
19
Posteriormente de las otras ecuaciones incluida la FO la nueva variable
básica.
Multiplico por 240(1) y la sumo a la FO
140 40
FO: Z + x3 + x4 = 2720
9 3
19 1
(1): x2 + x3 - x4 =8
36 12
1 1
(2): x1 - x3 + x4 =4
18 6
20
Esta solución corresponde al pto. P3 de la gráfica.
Si se analiza la FO, se puede apreciar que el valor de Z ya no puede ser
incrementado ya que todos los coeficientes son positivos, con lo cuál está es la
solución optima con x1 = 4, x2 = 8 y Z = 2720.
El esquema general de procedimientos puede resumirse en los sgtes.
pasos:
21
3.1 Aplicación a Otros Modelos de PL
s.a.
n
∑a
j =1
ij x ij ≤ bi i = 1,2,…, m
xj ≥ 0 j = 1,2 …, n
a i1 x1 + a i 2 x 2 + . . . . + a in x n ≥ bi (1)
22
Para poder emplear el método simplex, se debe restar una variable ri tal
que la restricción se transforme en igualdad.
a i1 x1 + a i 2 x 2 + . . . . a in x n − ri = bi (2)
a i1 x1 + a i 2 x 2 + . . . . + a in x n − ri + t i = bi (3)
Sin embargo, esto equivale a introducir una nueva variable sin sentido
físico, manteniendo constante el número de ecuaciones. Por lo tanto, es
necesario asegurar que el procedimiento del simplex deje fuera de la base final
a todas las variables artificiales con un gran castigo, tal que el método
simplex, las haga tomar el valor cero automáticamente.
23
El coeficiente –M en la FO hace que la variable artificial t1 tome un
valor cero en la solución optima; M es un valor muy grande.
Resolución: FO Z – 3x1 + x2
2x1 + 3x2 + x3 =6
x1 – x2 - r1 + t1 = 2
Luego la restricción (2) deja de ser valida primero, por lo tanto sale la
variable básica t1.
FO Z – x2 – 3r1 + (M + 3)t1 = 6
5x2 + x3 + 2r1 – 2t1 = 0
x1 – x2 – r1 + t1 = 0
24
entra r1:
restricción (1) valida hasta r1 = 1
“ (2) “ para cualquier valor de r1
luego sale x3.
13 3
FO Z + x2 + x3 + Mt1 = 8
2 2
5 1
(1) x2 + x3 + r1 – t1 = 1
2 2
1
(2) x1 ± x2 ± x3 =3
2
solución optima: x1 = 3, r1 = 1, Z = 9
∑a
j =1
ij x j ≥ bi
∑a
j =1
ij x j ≤ bi
25
3.1.4 Modelos con Variables sin Restricciones de Signo
Existe una forma abreviada de tabular los diferentes pasos del método
simplex a través de cuadros llamados “tableau”. El procedimiento es
exactamente el mismo, pero, hay mayor agilidad debido a la mecánica de
trabajo que posee. El tableau se forma después de haber transformado las
inecuaciones en ecuaciones, con las variables de holgura, de excedente y
artificiales que correspondan.
Sea el problema:
n
Max Z = ∑ c j x j Variables de holgura
j =1
s.a.
n
∑aj =1
ij x j + x n + i = bi i = 1, …, m
xj ≥ 0 j = 1, …, n + m
La forma del tableau de este problema es:
26
Donde:
Bi: Indican los vectores que están en la base o, en otras palabras las
unidades que forman la base.
Z = CB X B
Z j − C j = CB a j − C j
27
Paso 2: Aplicación del criterio de optimalidad
X Br X
Calcule = min Bi , Yik > 0
Yrk i
Yik
X
En el tableau ∆ = Bi , Yik > 0
Yik
28
Paso 4: Calcular el nuevo tableau (^)
donde:
Yrj
Yˆrj = para todo j
Yrk
* esto hace que la nueva variable básica quede con valor 1
en dicha fila ( Yˆrk = 1 )
Yik
Yij = Yij − ∗ Yrj , para todo j, i = 1,…, m + 1
Yrk
i≠r
** esto hace que todos los Yik excepto para i = r queden con
valor cero.
* y ** hacen que la nueva base del sistema este en forma
canónica.
Ej:
Max Z = 7x1 + 10x2
s.a.
7x1 + 7x2 ≤ 49
10x1 + 5x2 ≤ 50
x1, x2 ≥ 0
29
Primero se deben agregar las variables de holgura, quedando el
problema de la sgte. forma:
Vector en CB a1 a2 a3 a4 b ∆
la base x1 x2 x3 x4
-7 -10 0 0 0
x3 0 7 7 1 0 49
x4 0 10 5 0 1 50
7 10 0 0
-7 -10 0 0 0
7 7 1 0 49 49/7 = 7
10 5 0 1 50 50/5 = 10
Z 3 0 10/7 0 70
x2 1 1 1/7 0 7
x4 5 0 -5/7 1 15
30
Resolvamos el problema de telas McFarlam y McDonald.
El menor
La con coef.
mas negativo X Bi
, Y ik > 0
Y ik
-5 -4 0 0 0 0
elemento 2 1 1 0 0 7000 7000/2 = 3500
pivote 1 1 0 1 0 4000 4000/1 = 4000
1 2 0 0 1 7000 7000/1 = 7000
0 0 1 3 0 19000
x1 1 0 1 -1 0 3000 X1 optimo
x2 0 1 -1 2 0 1000 X2 optimo
x5 0 0 1 -3 1 2000 Recurso sobrante
hilo amarillo
31
Ej:
Una señora decide fabricar pasteles en forma artesanal (1, 2, 3, 4 tipos
de pasteles).
Dispone de 200 horas a la semana de mano de obra y 180 horas de
hornos a la semana.
Se asume que tiene un capital de trabajo de 120 UM/semana.
Tipo pastel
1 2 3 4
Mano de obra [h] 6 3 2 4
Horno [h] 6 0 3 4
Capital [UM] 2 3 1 4
Sea:
xi = docenas de pastel i a fabricar a la semana i = 1,…, 4
32
x1 x2 x3 x4 x5 x6 x7
-4 -10 -9 -12 0 0 0 0
6 3 2 4 1 0 0 200 200/4
6 0 3 4 0 1 0 180 180/4
2 3 1 4 0 0 1 120 120/4
2 -1 -6 0 0 0 3 360
4 0 1 0 1 0 -1 80 80/1
4 -3 2 0 0 1 -1 60 60/1
1/2 3/4 1/4 1 0 0 1/4 30 30/(1/4)
14 -10 0 0 0 3 0 540
2 3/2 0 0 1 -1/2 -1/2 50 50/(3/2)
2 -3/2 1 0 0 1/2 -1/2 30
0 9/8 0 1 0 -1/8 3/8 45/2 (45/2)/(9/8)
Obs.:
* Si se pide fabricar una docena de x4 mas, se pierden 80/9 ≈ 9 UM
(Zj – Cj es llamado precio sombra).
Z4 – C4 = 80/9 como Cj = 12
Z4 = 80/9 + 12 ≈ 21
Es la contribución máxima de x4 tal que la
solución básica no cambie.
Esta lo haría si C4 = 22
33
Z4 – C4 = 21 – 22 = -1 , Z aumentaría en una unidad, por lo
tanto, convendría fabricar mas x4.
Z 2 − C2 = 0 y C 2 = 10
+
δ
T T −1
Z 2 = C Y2 = C B a 2 = 10
B B
Se
mantienen
Z 2 − (C 2 + δ ) = Z 2 − C 2 = −δ
1
424 3
0
Para que sea la misma solución, entiéndase igual base, se debe cumplir:
80 8
(x4) + δ ≥0 δ ≥ −10
9 9
17 1
(x6) − δ ≥0 δ ≤ 17
9 9
10 1
(x7) + δ ≥0 δ ≥ −10
3 3
34
x4 x6
x7
-10 0 10 17
− 10 ≤ δ ≤ 17
Ej. 2:
Min Z = 60x1 + 60x2
s.a.
x1 + x2 ≤ 10
2x1 + x2 ≥ 8
x1 + 2x2 ≥ 10
x1, x2 ≥ 0
x2
10
x1
4 10
(3)
(2)
(1)
35
⇔ Max Z = -60x1 – 60x2 - Mt1 – Mt2
s.a.
x1 + x2 + x3 = 10
2x1 + x2 - r1 + t1 =8
x1 + 2x2 -r2 + t2 = 10
x1, x2, x3, r1, r2, t1, t2 ≥0
x1 x2 x3 r1 r2 t1 t2 Z
60 60 0 0 0 M M 0
1 1 1 0 0 0 0 10
2 1 0 -1 0 1 0 8
1 2 0 0 -1 0 1 10
60 – 3M 60 – 3M 0 M M 0 0 0 – 18M
60 60 0 0 0 0 0 0
(M) -3 -3 0 1 1 0 0 -18
x3 1 1 1 0 0 0 0 10 10/1
t1 2 1 0 -1 0 1 0 8 8/2
t2 1 2 0 0 -1 0 1 10 10/1
Obs.: Se miran primero los términos asociados a “M” ya que son mucho
mas grandes.
0 30 0 30 0 -30 0 -240
(M) 0 -3/2 0 -1/2 1 3/2 0 -6
x3 0 1/2 1 1/2 0 -1/2 0 6 6/(1/2)
x1 1 1/2 0 -1/2 0 1/2 0 4 4/(1/2)
t2 0 3/2 0 1/2 -1 -1/2 1 6 6/(3/2)
“TERMINARLO”
36
* No pueden aparecer en la base las var. artificiales y las variables de
holgura simultáneamente.
* Si una variable artificial queda en la base significa que no hay
solución.
Ej. 3:
Alrededor del año 635 AC Esparta decidió reclutar tropas de reservas
para incrementar sus fuerzas armadas, pudiendo los nuevos guerreros
enrolarse en 1, 2, 3, o 4 años.
El costo unitario asociado a cada tipo de guerrero en el año t es Cit con
i = 1,…, 4, siendo en cada año, la cantidad mínima de guerreros igual a Rt.
Se desea encontrar una política optima para los próximos 4 años, que
minimice los costos totales.
1 2 3 4
MinZ = ∑ ∑ x ij cij
i j
37
Ej. 4: Un agente vendedor.
Sean:
xi: numero de visitas para vender producto i al mes
10% Prob.
comisión precio éxito
38
∴FO max Z = 5.25x1 + 3.45x2
∴ x2 ≥ 24/0.6
x2 ≥ 40
x1 ≤ 10/0.5
x1 ≤ 20
x2 ≤ 39/0.6
x2 ≤ 65
1.5x1 + 0.5x2 ≤ 80
y se tiene que
x1, x2 ≥ 0
39
x1 x2 x3 x4 x5 x6 t1
-5.25 -3.45 0 0 0 0 M 0
0 1 -1 0 0 0 1 40
1 0 0 1 0 0 0 20
0 1 0 0 1 0 0 65
1.5 0.5 0 0 0 1 0 80
Debo canonizar en t1
-5.25 -3.45 0 0 0 0 0 0
(M) 0 -1 1 0 0 0 0 -40
t1 0 1 -1 0 0 0 1 40
x4 1 0 0 1 0 0 0 20
x5 0 1 0 0 1 0 0 65
x6 1.5 0.5 0 0 0 1 0 80
Ej. 4:
Max X = 130x1 + 540x2 + 1450x3
s.a.
x1 + 3x2 + 10x3 ≤ 2000
4x2 + 13x3 ≤ 2000
5x1 + 20x2 + 65x3 ≤ 2000
5x3 ≤ 2000
x1, x2, x3 ≥ 0
40
-240/13 -1220/13 0 0 0 250/13 0 580000/13
3/13 -1/13 0 1 0 -2/13 0 22000/13
-1 0 0 0 1 -13/65 0 1600
1/13 4/13 1 0 0 1/65 0 400/13
-5/13 -20/13 0 0 0 -1/13 1 24000/13
5 0 305 0 0 22 0 54000
1/4 0 1/4 1 0 -39/260 0 1700
-1 0 0 0 1 -13/65 0 1600 Restricción 2
1/4 1 13/4 0 0 1/20 0 100
0 0 5 0 0 0 1 2000
Modelo Dual
Problema Dual:
s.a.
n
∑a
j =1
ij x j ≤ bi i = 1,…,m
xj ≥ 0 j = 1,…, n
41
Problema Dual: encontrar los valores de w1, w2,…, wm tal que,
m
minZ ′ = ∑ bi wi
i =1
s.a.
m
∑a
i =1
ij wi ≥ c j j = 1,…, n
wi ≥ 0 i = 1,…, m
x1 . . . . . . x n
w1 a11 . . . . a1n b1
. . . .
. . . ≤ .
. . . .
wm a m1 . . . . a mn bm
[c1
. . . . . . cn ]
Ejemplo:
42
Problema Dual:
MinZ ′ = 6 w1 + 8w 2 + 7 w3 + 15w 4 + w5
s.a.
w1 + w3 + 3w 4 ≥ 4
w 2 + w3 + w 4 − w5 ≥ 3
w1 , w 2 , w3 , w4 , w5 ≥ 0
MaxZ = 5 x1 + 4 x 2
s.a.
x1 + 2 x 2 ≤ 7000
x1 + x 2 ≤ 4000
2 x1 + x 2 ≤ 7000
x1 , x 2 ≥ 0
. . .
. . .
. . .
W * = [0 3 1]
Z * = $19000
43
Prop. Fundamentales del Problema Dual:
MaxZ = c x
s.a.
Ax ≤ b
x≥0
y su respectivo dual:
T
MinZ ′ = b W
s.a
T T
A W ≥C
W ≥0
Demostración:
(Ax) ≤ b i i
( )
wi A x i ≤ wi bi
∑ w (A x ) ≤ ∑ w b
T T
i i i i ⇔ W Ax ≤ b W
i i
44
iii) Si el problema primal tiene una solución básica factible optima,
entonces el problema dual tiene una solución factible optima, con el
mismo valor en la F.O.
MaxZ = 7 x1 + 10 x 2
s.a.
7 x1 + 7 x 2 ≤ 49
10 x1 + 5 x 2 ≤ 50
x1 , x 2 ≥ 0
45
c) Utilizando las propiedades del problema dual, determine la
solución optima del dual a partir del tableau asociado a la
solución optima del primal.
Desarrollo.
X2
10
Problema Primal
x1* = 0
7 x 2* = 7
Z * = 70
2 5 10 X1
7
Z*=70
10x1+5x2≤50
7x1+7x2≤49
46
W2
Rest.1) si w1=0 ⇒ w2=7/10=0.7
w2=0 ⇒ w1=7/7=1.0
Rest.2) si w1=0 ⇒ w2=10/5=2.0
w2=0 ⇒ w1=10/7=1.429
Z=70)
2.0
Si w1=0 ⇒ w2=70/50=1.4
Si w2=0 ⇒ w1=70/49=1.429
Z>70
0.7
W1
1.0
7w1+5w2≥10
7w1+10w2≥7
x1 x2 x3 x4
3 0 10/7 0 70
x2 1 1 1/7 0 7
x4 5 0 -5/7 1 15
47
Otras Formulaciones:
Ejemplo:
Max Z = x1 + 2x2 + x3
s.a.
x1 –2x2 + 3x3 ≥ 1 w1
x1 + x2 – 2x3 ≤ 2 w2
x1 + x3 = 4 w3
x1 ≥ 0, x2 ≤ 0, x3 s.r.s
Solución Dual:
Observación:
Primal Dual
Z W
Soluciones básicas Soluciones básicas no
factibles suboptimas factibles supraoptimas
optimo
48
ii) Basta resolver un solo problema (sea este primal o dual) y por
simple inspección obtenemos el resultado de su análogo.
Max Z = C X
s.a.
AX ≤ b (1)
X ≥0
Min Z’ = b T W
s.a.
T T
A W ≥C (2)
W ≥0
49
m
∑ai =1
ij wi = c j
Costo oportunidad
50
El Método Dual Simplex
El procedimiento es:
Ejemplo:
Resuelva el sgte. problema de PL utilizando el método dual simplex.
51
Este problema es equivalente a:
49 50 0 0 0
x3 -7 -10 1 0 -7
x4 -7 -5 0 1 -10
0 15 0 7 -70
x3 0 -5 1 -1 3
x1 1 5/7 0 -1/7 10/7
Z = 70 x1 = 10/7 x2 = 0 x3 = 3 x4 = 0
(W = -Z)
52
Ejemplo 2:
Dual:
2 0 0 3/2 15
x3 -4 0 1 -3/2 3
x2 2 1 0 1/2 5
Z* = 15
x1 = 0; x2 = 5; x3 = 3; x4 = 0
53
de forma análoga Max Z = 4x1 + 3x2
se llega a: s.a.
2x1 + 3x2 ≤ 18 w1
3 0 0 5 -15
w2 0 1 3/2 4x1 + 2x2 ≤ 10 w2
w3 1 0 2 x1, x2 ≥ 0
3 0 0 5 -15
w2 3/2 0 1 3/2
w3 1 0 2
en forma análoga:
3 0 0 5 5
w2 3/2 1 0 -1/2 3/2
w3 4 0 1 -2 2
del ejemplo anterior, construir el tableau optimo del dual a partir del tableau
optimo del primal:
Dual:
Max Z = 7x1 + 10x2 Min Z’ = 49w1 + 50w2
s.a. s.a.
7x1 + 7x2 ≤ 49 w1 x1 7w1 + 10w2 ≥ 7
10x1 + 5x2 ≤ 50 w2 x2 7w1 + 5w2 ≥ 10
x1, x2 ≥ 0 w1, w2 ≥ 0
x1*w3 = 0
x2*w4 = 0
x3*w1 = 0
x4*w2 = 0
54
Tableau optimo del primal:
3 0 10/7 0 70
x2 1 1 1/7 0 7
x4 5 0 -5/7 1 15
Solución:
Como Z* = 70Z’ = 70
0 15 0 7 -70 dado que x1 = 0 ⇒ w3 > 0, w3 = 3
w3 0 -5 1 -1 3 x2 = 7 ⇒ w4 = 0
w1 1 5/7 0 -1/7 10/7 x3 = 0 ⇒ w1 > 0, w1 = 10/7
x4 = 15 ⇒ w2 = 0
Para saber el valor de w2/w3 debemos ver el valor de x4/x1, dado que w2 esta
relacionado con x4 y w3 con x1, el valor de x4/x1 = 5 ⇒ w2/w3 = -5
Min Z = 2x1 + x2
s.a.
3x1 + x2 ≥ 3
4x1 + 3x2 ≥ 6
x1 + 2x2 ≥ 3
x1 ≥ 0, x2 ≥ 0
Solución:
Max W = -Z = -2x1 - x2
s.a.
-3x1 - x2 + x3 ≥ -3
-4x1 - 3x2 + x4 ≥ -6
-x1 - 2x2 + x5 ≥ -3
xi ≥ 0 ∀i = 1...5
55
x1 x2 x3 x4 x5
2 1 0 0 0 0
x3 -3 -1 2 11 0 0 -3
max ;
x4 -4 -3 − 4 − 30 1 0 -6
x5 -1 -2 0 0 1 -3
Sale x4 y entra x2
x1 x2 x3 x4 x5
2/3 0 0 1/3 0 -2
-5/3 0 2 / 3 11 / 3 -1/3 0 -1
max
1 − 5 / 3 0− 1 / 3 -1/3
;
4/3 0 2
5/3 0 0 -2/3 1 1
x1 x2 x3 x4 x5
0 0 2/5 1/5 0 -12/5
x1 1 0 -3/5 1/5 0 3/5
x2 0 1 4/5 -3/5 0 6/5
x5 0 0 1 -1 1 0
56