Documentos de Académico
Documentos de Profesional
Documentos de Cultura
REFERENCIAS:
http://www.gestiondeoperaciones.net/programacion_lineal/como-resolver-un-
modelo-de-programacion-lineal-con-el-metodo-simplex-dual/
https://prezi.com/olzjqprsytrk/metodo-dual-simplex/
http://gc.initelabs.com/recursos/files/r157r/w13109w/MateNegocios_unidad
%204.pdf
http://www.investigaciondeoperaciones.net/metodo_simplex_dual.html
http://gfebres.net/Downloads/eCourses/Docs/2012.Taha.InvestigacionDeOperacio
nes9naEdicion.pdf
http://investigaciondeoperacionesind331.blogspot.mx/p/analisis-de-
sensibilidad.html
http://www.programacionlineal.net/sensibilidad.html
https://www.inf.utfsm.cl/~esaez/fio/s2_2003/apuntes/sensibilidad-2003-2.pdf
MÉTODO DUAL
El Método Simplex Dual nos ofrece una alternativa algorítmica para abordar la
resolución de modelos de Programación Lineal. En particular este método se
puede utilizar cuando luego de llevar a la forma estándar un modelo de
Programación Lineal no se dispone de una solución básica factible inicial con la
cual se pueda dar inicio a las iteraciones del algoritmo. En este contexto a
continuación se presenta un ejemplo con los detalles de la aplicación de este
procedimiento.
Características:
Ventajas y desventajas:
A) Permite eliminar una base inicial infactible en el caso de restricciones del
tipo = o ≥ sin necesidad de introducir variables artificiales.
B) Presenta ventajas en algunos casos de análisis de sensibilidad, como la
adición de nuevas restricciones o nuevas variables.
C) Utiliza menos iteraciones.
D) La desventaja es que para empezar a iterar en este método se requiere de
la condición de factibilidad dual.
Dualidad:
5. Se escriben los coeficientes de la función objetivo del modelo primal
en el último renglón.
6. Se escribe cada uno de los coeficientes de las restricciones del problema
primal en forma horizontal, ocupando los renglones de la tabla.
7. En la última columna se escriben las cantidades limitantes de las
restricciones del modelo primal.
8. De esta tabla podemos obtener el modelo dual, lo único que debemos
hacer es leer el modelo de manera vertical y los coeficientes de la
función objetivo se obtienen de la última columna
Los elementos del vector fila deben aparecer en el mismo orden en que las
variables básicas aparecen en la columna Básica de la tabla simplex.
Para cualquiera de las dos soluciones factibles primal y dual, los valores de las
funciones objetivo, cuando son finitos, deben satisfacer la siguiente desigualdad:
En el óptimo, los dos valores objetivo son iguales, es decir, z 5 w. En función del
modelo de asignación de recursos, z representa $ ingresos, y bi representa
unidades disponibles del recurso i. Por lo tanto, dimensionalmente, z 5 w implica
Esto quiere decir que la variable dual, yi, representa el valor por unidad del recurso
i. Como se expone en la sección 3.6, el nombre estándar precio dual (o precio
sombra) del recurso i reemplaza el nombre (sugestivo) valor por unidad en toda la
literatura de programación lineal y en los paquetes de software, de ahí que
también se adoptó el nombre estándar en este libro. Utilizando el mismo análisis
dimensional, podemos interpretar la desigualdad z, w (para cualquiera de las dos
soluciones primal y dual) como
Esta relación expresa que en tanto el ingreso total de todas las actividades sea
menor que el valor de los recursos, las soluciones primalas y duales
correspondientes no serán óptimas. La optimalidad se alcanza sólo cuando los
recursos se han explotado por completo. Esto puede suceder sólo cuando la
entrada (valor de los recursos) se iguala a la salida (ingreso en dólares).
Una vez más utilizamos el análisis dimensional para interpretar esta ecuación. El
ingreso por unidad, cj, de la actividad j está en dólares por unidad. De ahí que, por
consistencia, la cantidad también debe estar en dólares por unidad. A
continuación, como cj representa ingreso, la cantidad con signo opuesto, debe
representar costo. Por lo tanto tenemos
La conclusión es que la variable dual y1 representa lo que se conoce en la
literatura de PL como costo imputado por unidad de recurso i, y podemos
considerar que la cantidad como el costo imputado de todos los recursos
necesarios para producir una unidad de la actividad j. Como se indica en la
sección 3.6, la cantidad (5 costo imputado de la actividad j – cj a ) se conoce como
costo reducido de la actividad j. La condición de optimalidad de maximización del
método simplex plantea que un incremento en el nivel de una actividad j no
utilizada (no básica) puede mejorar el ingreso sólo si su costo reducido es
negativo. En función de la interpretación precedente, esta condición establece que
Aplicación:
Ejemplos:
1) Para el eficiente desempeño de las actividades de una empresa
comercializadora de bienes raíces de bienes raíces, se han
cuantificado para los departamentos los costos de ventas y
administración en $10,500.00 y $12,000.00 respectivamente. Mientras que
para una casa los mismos costos ascienden a $18,000.00 y $10,000.00,
respectivamente. La utilidad que reporta cada departamento es de
$150,000.00 y de $300,000.00 para cada casa. La empresa desea reducir
al nivel mínimo posible el importe de sus costos totales manteniendo una
utilidad de al menos $18, 000,000.00, así como la necesidad de que la
cantidad de departamentos vendidos a lo menos sea el doble de casas
vendidas. ¿Cuál es la combinación óptima de departamentos y casas que
se deben comercializar? y, ¿cuál es el importe de los costos totales con el
nivel de ventas calculado?
Con lo anterior podemos definir las variables de decisión:
X1 = La cantidad de departamentos vendidos.
X2 = La cantidad de casas vendidas.
A partir de esta definición el modelo de programación lineal primal es:
Zmin= (10,500 + 12,000) x1 (18,000 +10,000) x2
Sujeto a:
150,000x1 + 300,000x2 ≥ 18, 000,000 1. Restricción de la utilidad mínima.
X 1− 2x2 ≥ 0 2. Restricción de la cantidad de
ventas.
X 1 , x2 ≥ 0 3. Condición de no negatividad.
Nota que los costos totales son la suma de los costos de ventas y de
administración para cada inmueble, además, como se trata de minimizar costos,
los datos de la utilidad se emplean como una restricción. La tabla dual está dada
por:
De manera similar con el primer pivote, con operaciones básicas entre renglones,
se resuelve la tabla símplex:
En esta iteración todos los coeficientes del renglón de la función objetivo
son no negativos, es decir, mayores o iguales a cero, por lo que el proceso del
método simplex ha concluido. Cabe recordar que estamos resolviendo un
problema dual, por lo que la solución del modelo primal se obtiene del valor de
los coeficientes asociados a las variables de holgura que dan el renglón de la
función objetivo. Es decir:
Por lo que al transferir la solución de la tabla simplex a las variables originales del
problema primal se tiene:
En el ejemplo dicha variable es X5. Luego para determinar que variable entra a la
base realizamos un mínimo cociente entre el negativo del costo reducido de las
variables no básicas y las entradas estrictamente menores a cero para las
variables no básicas en la fila 2 (fila asociada al lado derecho más negativo).
Es decir: Min{-160/-2; -120/-2; -280/-2}=60 ==> el coeficiente mínimo se alcanza
en la segunda columna asociada a la variable no básica X2, por tanto dicha
variable entra a la base.
En cada iteración del Método Simplex Dual se escoge un lado derecho con valor
negativo, identificando la respectiva variable básica primal, quien deja la base.
Finalmente se realiza una iteración realizando las operaciones filas que sean
necesarias, de modo de ingresar X2 a la base al mismo tiempo que X5 deja la
base. Los resultados serían:
Notar que ahora las variables básicas son X4 y x2 donde sólo X4 =-1/4 lo que no
satisface la condición de ser una solución básica factible. Por lo tanto realizamos
una nueva iteración, en este caso sacando de la base a la variable X4 y
calculamos el mínimo cociente: Min {-40/-1; -160/-3; -60/-1/2}=40 ==> el
coeficiente mínimo está en la primera columna por tanto la variable X1 entra a la
base.
En consecuencia se actualiza la tabla quedando lo siguiente:
Las variables básicas ahora son X1=1/4 y X2=1/2 (que cumplen las condiciones de
no negatividad). Adicionalmente el costo reducido de las variables no básicas
también es mayor o igual a cero, por tanto estamos frente a la solución óptima del
problema.
Se puede reconocer adicionalmente que el valor óptimo es V(P)=100 que se
obtendría al evaluar la solución óptima del problema en la función objetivo, sin
embargo, en el procedimiento dicho valor se obtiene con signo cambiado.
El ejemplo anterior nos permitió apreciar cómo a través del Método Simplex
Dual se puede abordar la resolución de un modelo de Programación Lineal que
luego de ser llevado a la forma estándar no provee una solución básica factible
inicial.
Análisis de Sensibilidad
El análisis de sensibilidad busca determinar los efectos que se producen en
la solución óptima al realizar cambios en cualquiera de los parámetros del modelo
de programación lineal planteado inicialmente. Entre los cambios que se
investigan están: los cambios en los coeficientes de las variables en
la función objetivo tanto para variables básicas como para las variables
no básicas, cambios en los recursos disponibles de las restricciones, variación de
los coeficientes de utilización en las restricciones e introducción de una
nueva restricción.
Variables de Decisión:
X1 = Número de Ha a plantar de la variedad Virginia
Función Objetivo:
Maximizar (9.600 – 960) X1 + (7.500 – 720)X2 = 8.640X1 + 6.780X2
Restricciones:
1. X1 ≤ 30
2. X1 + X2 ≤ 85
5. X1, X2 ≥ 0
En este caso la utilidad por hectárea del tabaco Virginia puede variar entre 6.780
USD y 9.040 USD, de tal forma que el actual nivel de producción (solución óptima)
sería el mismo. Lo anterior permite concluir que el intervalo de variación para la
utilidad total será .
TOYCO utiliza tres operaciones para armar tres tipos de juguetes: trenes,
camiones y carros. Los tiempos diarios disponibles para las tres operaciones son
430, 460 y 420 minutos, respectivamente, y los ingresos por unidad de tren,
camión y auto de juguete son de $3, $2 y $5, respectivamente. Los tiempos de
ensamble por tren en las tres operaciones son de 1, 3 y 1 minutos,
respectivamente. Los tiempos correspondientes por tren y por auto son (2, 0,4) y
(1, 2,0) minutos (un tiempo cero indica que la operación no se utiliza). Sean x 1, x2 y
x3 las cantidades diarias de unidades ensambladas de trenes, camiones y autos,
respectivamente, el modelo de PL asociado se da como:
Utilizando x4, x5 y x6 como las variables de holgura para las restricciones de las
operaciones 1, 2 y 3, respectivamente, la tabla óptima es
La solución recomienda fabricar 100 camiones y 230 autos pero no trenes. El
ingreso asociado es $1350.
Para expresar la tabla simplex óptima del problema modificado en función de los
cambios D1, D2 y D3, primero volvemos a escribir la tabla de inicio con los nuevos
lados derechos, 430 1 D1, 460 1 D2 y 420 1 D3.
Las dos áreas sombreadas son idénticas. Por consiguiente, si repetimos las
mismas iteraciones simplex (con las mismas operaciones de filas) como en el
modelo original, las columnas en las dos áreas resaltadas también serán idénticas
en la tabla óptima, es decir
La nueva tabla óptima da la siguiente solución óptima:
Ahora utilizamos esta solución para determinar los precios duales y los intervalos
de factibilidad. Precios duales: El valor de la función objetivo puede escribirse
como
Esto significa que, por definición, los precios duales correspondientes son de 1, 2
y 0 ($/min) para las operaciones 1, 2 y 3, respectivamente. Los coeficientes D1,
D2 y D3 en la fila z óptima son exactamente los de las variables de holgura x4, x3
y x6. Esto significa que los precios duales son iguales a los coeficientes de las
variables de holgura en la fila z óptima. No existe ambigüedad en cuanto a qué
coeficiente corresponde a qué recurso porque cada variable de holgura está
identificada de forma única con una restricción. Intervalo de factiblidad: La solución
actual permanece factible si todas las variables básicas permaneces no negativas,
es decir
La nueva solución factible (óptima) es x1= 88, x3= 224, y x6 = 68 con z = 3(0) +
2(88)+ 5(224) = $1296. Observe que el valor objetivo óptimo también puede
calcularse utilizando los precios duales como z= 1350 + 1 (-30)+ 2(-12) + 0(10)
5=$1296. Las condiciones dadas pueden producir los intervalos de factibilidad
individuales asociados con cambiar los recursos uno a la vez (como se define en
la sección 3.6.1). Por ejemplo, un cambio del tiempo de la operación 1 sólo implica
que D2 = D3 = 0. Por tanto, las condiciones simultáneas se reducen a
Con la definición dada de costo reducido, podemos ver que una variable no
rentable (como x1) puede hacerse rentable de dos maneras: 1. Incrementando el
ingreso unitario. 2. Reduciendo el costo unitario de los recursos consumidos. En la
mayoría de las situaciones, las condiciones del mercado dictan el precio por
unidad y puede ser difícil incrementarlo a voluntad. Por otra parte, una opción más
viable es reducir el consumo de recursos porque el fabricante puede reducir el
costo si hace que el proceso de producción sea más eficiente.
Conclusiones