Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Operativa 1
Trabajo 2
Integrantes:
Según las características de las funciones del problema y de las variables se tienen
diferentes tipos de problemas de Programación Matemática. Si todas las funciones del
problema, objetivo y restricciones son lineales, se tiene un problema de Programación
Lineal.
st
a11 x1 + a12 x2 + … + a1n xn = b1
a21 x1 + a22 x2 + … + a2n xn = b2
….
am1 x1 + am2 x2 + … + amn xn = bm
Max z = cT X
st
AX ≤ b
X≥0
Siendo
z: la función objetivo
c = (c1,...,cn)T : vector de coeficientes de la función objetivo.
X = (x1,...,xn)T: vector de variables de decisión.
A = (...,aij,...): matriz de coeficientes técnicos (i =1, 2, ..., m; j =1, 2, ..., n).
b = (b1,...,bm)T : vector de demandas (recursos).
X = {x Rn / A x ≤ b , x ≥ 0}
Como se verá posteriormente, todos los óptimos (si existen) deberán estar en la frontera
del conjunto de soluciones factibles.
La solución de un problema de programación lineal, en el supuesto de que exista, debe
estar en la región determinada por las distintas desigualdades. Esta recibe el nombre de
región factible, y puede estar o no acotada.
La región factible incluye o no los lados y los vértices, según que las desigualdades
sean en sentido amplio (≤ o ≥) o en sentido estricto (< o >).
Los problemas de programación lineal (PL) que solo tengan dos variables de
decisión pueden resolverse gráficamente, ya que, como se ha visto en los Antecedentes,
una ecuación de dos variables corresponde a una recta en el plano y una desigualdad de
dos variables corresponde a una región en el plano. La representación grafica de los
problemas de PL ofrece un medio muy efectivo para entender los distintos casos que se
pueden presentar en este tipo de problemas. Aunque la mayoría de los problemas de
interés práctico tienen más variables y por lo tanto no es posible su representación en
R2, al entender el significado de algunos conceptos básicos de manera grafica,
posteriormente se pueden generalizar para n dimensiones.
El método grafico consiste en encontrar en primer lugar todos los puntos que son
solución del conjunto de restricciones; el conjunto de puntos solución se llama región
factible. Posteriormente hay que determinar, de todas las posibles soluciones, cual o
cuales de ellas optimizan la función objetivo (fo). Para entender el método se analiza el
siguiente ejemplo.
Una empresa produce dos tipos de mesas: un estilo colonial y otro estilo nórdico. Las
utilidades que se obtienen de su venta son de $2 000 por la colonial y $2 200 por la
nórdica. Para esta semana ya hay un pedido de 10 mesas de tipo nórdico. El gerente de
producción quiere realizar la planeación de su producción semanal sabiendo que
solamente cuenta con 450 horas para la construcción y 200 horas para barnizarlas. En el
siguiente cuadro se indican las horas necesarias para realizar cada una de las tareas y la
utilidad para ambas mesas.
Cuadro 2.1
En primer lugar hay que definir las variables de decisión; en este caso se debe decidir
cuantas mesas de cada tipo producir en la semana.
La FO es maximizar la utilidad:
x1, x2 ≥ 0
Esta restricción acota la región factible: todos los puntos pertenecientes al área
sombreada cumplen con la primera restricción: ambas variables son positivas y x2 ≥ 10.
La segunda restricción es no exceder las 450 horas disponibles para la fabricación de
ambos tipos de mesas. Al agregar esta segunda restricción se reduce la región factible:
solo los puntos que aparecen sombreados en la grafica 2.2 representan las posibles
soluciones; esto es, las combinaciones del número de mesas de tipo colonial y nórdico
que se pueden fabricar con las 450 horas y que por lo menos haya 10 de estilo nórdico.
Gráfica 2.1
En general, cada restricción acota el área de las posibles soluciones; aun así, el número
de soluciones posibles es muy grande; si se consideran variables reales, hay infinitas
soluciones.
Por último hay que introducir la restricción que indica la cantidad de horas con que se
cuenta para barnizar las mesas producidas: 5x1 + 2x2 ≤ 200.
Paso 2. Evaluación de las posibles soluciones. Para esto debe evaluarse la función de
utilidad para cada una de las posibles soluciones. En el cuadro 2.2 se muestran los
resultados para algunas de estas posibles soluciones.
Se puede observar que cuanto mayor sea el número de mesas, aumenta la utilidad.
También vemos que en cuanto aumenta el número de mesas tipo colonial, disminuye el
número máximo de mesas tipo nórdico que se pueden fabricar. Para garantizar que el
resultado sea el óptimo, sería necesario calcular la función de utilidad para cada uno de
los puntos solución, que en este sencillo caso llegan a algunos cientos de puntos.
Cuadro 2.2
Cuadro 2.3
Paso 3 bis. Traficación de la función de utilidad. Aunque en este caso son solo cuatro
vértices, en otros problemas pueden ser muchos más; por ello, en lugar de tener que
analizar todos ellos, se puede encontrar el vértice solución utilizando la información de
la FO. Como el valor de la fo no es conocido, Max U = 2 000x1 + 2 200x2 se asigna
cierto valor a la utilidad; por ejemplo, si se pretendieran ganar $22 000, entonces:
y se grafica sobre la región factible la recta correspondiente; esta recta pasa exactamente
sobre el vértice a de la región. También se puede graficar la recta correspondiente a una
utilidad de $88 000 o $120 000 o cualquier otra cantidad:
Cada recta corresponde a las distintas combinaciones de valores (x1, x2) para los que el
valor de la utilidad es el mismo. Se observa que todas las líneas de utilidad son paralelas
y que a medida que la utilidad aumenta, la ordenada al origen de la recta aumenta.
Habrá una recta según incrementa el valor de la utilidad, que pasara por solamente un
vértice de la región factible. Este vértice es justamente el punto óptimo. Aquí es fácil
entender por qué la solución óptima siempre está en alguno de los vértices de la región
que delimita el conjunto de soluciones posibles. Por ejemplo, la recta correspondiente a
la utilidad de $150 000 no toca a la región factible, por lo tanto no es posible obtener tal
utilidad con las restricciones del problema.
Gráfica 2.4
MÉTODO DE MINIMACION
Cuando se trata de minimizar el valor de la FO, deben graficarse las restricciones para
encontrar el conjunto de posibles soluciones que determina la región factible, de la
misma manera que para el caso de maximizar. Para encontrar el o los puntos óptimos, es
necesario dar un valor a la FO y graficarla. Como ahora lo que interesa es minimizar,
habrá que determinar en qué sentido se desplaza la recta al disminuir el valor de la FO.
El último punto que toque dicha recta, perteneciente a la región factible, será el punto
buscado.
Ejemplo:
x+y≥5
y ≤ x +3
3y − x≥ −1
y +2x ≤ 16
4y − x ≤ 22
EJERCICIO MINIMACION
Una empresa tiene 2 plantas de producción (P1 y P2) de cierto artículo que vende en 3
ciudades (C1,C2 y C3). En P1 produce 5000 unidades, y en P2 7000 unidades. De estas
12000 unidades las vende así: 3500 es C1, 4000 en C2 y 4500 en C3. Los costes de
transporte, en euros por unidad de producto, desde las plantas de producción a las
ciudades son:
Determina el nº de artículos que debe enviar la empresa desde cada planta a cada ciudad
para que los costes de transporte sean mínimos. Para problemas de este tipo necesitamos
una nueva variable.
x≥0
3500 − x ≥ 0
y≥0
4000 − y ≥ 0
5000 − x − y ≥ 0
−500 + x + y ≥ 0
Sustituyendo es:
C (0, 500) = 22250
C (0, 4000) = 19625
C (1000, 4000) = 20875
C (3500, 1500) = 25875
C (3500, 0) = 27000
C (500, 0) = 23250
MÉTODO DE MAXIMIZACIÓN
Se trata ahora de trazar paralelas al vector que pasen por los vértices anteriores, es decir:
Solución grafica. Paralelas al vector por los vértices.
Se observa gráficamente que de las tres paralelas trazadas, la que corta al eje y en un
punto mayor es la que pasa por el punto (5,1), que por tanto será la solución ´optima al
problema de máximos planteado.
Luego la función tiene su solución optima en (5,1) donde toma el valor 15000.
Una fábrica de muebles fabrica dos tipos de sillones, S1 y S2. La fabrica cuenta con dos
secciones; carpintera y tapicera. Hacer un sillón de tipo S1 requiere 1 hora de carpintera
y 2 de tapicera, mientras que uno de tipo S2 requiere 3 horas de carpintera y 1 de
tapicera. El personal de tapicera trabaja un total de 80 horas, y el de carpintera 90. Las
ganancias por las ventas de S1 y S2 (unidad) son, respectivamente 60 y 30 euros.
Calcular cuántos sillones de cada tipo hay que hacer para maximizar las ganancias.
Este es un problema típico en el que hay que usar las técnicas de programación lineal.
Intentaremos seguir el siguiente esquema:
Y además
x≥0
y≥0
Pues el nº de unidades producidas no puede ser negativo.
Ya tenemos por tanto las restricciones.
Con lo cual hay infinitas soluciones y el beneficio que se obtiene es 2400 euros.
Debemos interpretar que en el contexto del problema no todas las soluciones son
validas, sino que sólo sirven soluciones enteras, es decir, no se pueden fabricar, por
ejemplo 3’8 sillones del tipo S1. Las soluciones con sentido vendrían dadas por:
Donde se suponen conocidos los valores de los coeficientes aij , bj y ci; esto quiere
decir que el modelo está totalmente determinado. Sin embargo, esto no es cierto; en la
mayoría de los casos estos valores son solamente estimaciones de los valores que
tomaran los parámetros, o pueden variar si cambian las condiciones del mercado o, en el
caso de la disponibilidad de recursos, incluso pueden modificarse por decisión de la
gerencia.
El análisis de sensibilidad permite estudiar como las variaciones en los valores de los
coeficientes del modelo modificaran la solución óptima sin tener que resolver el
problema para las distintas posibilidades. Este análisis constituye una parte muy
importante en el estudio de los problemas de pl. La justificación formal del análisis de
sensibilidad la da el estudio del problema dual al problema principal que se está viendo.
Las relaciones entre la solución del problema dual y el primal permiten calcular otros
parámetros como los precios sombra de los recursos, los limites de variación aceptables
para que no se modifique la solución optima, las holguras complementarias o como
cambiarían las cosas si se debe introducir una nueva restricción. Todos estos parámetros
se pueden analizar de manera analítica, aunque no se hará en el presente texto pues el
enfoque es aprender por medio del análisis de problemas.
Centraremos el análisis en los puntos a, b y e ya que son los que suelen cambiar más a
menudo y son fáciles de visualizar con el método grafico. Los cambios en los
coeficientes técnicos solo ocurren cuando se cambia la tecnología de producción, por
ejemplo, por cambios en el proceso o la introducción de maquinaria, y esto no ocurre
frecuentemente y puede ameritar un análisis completamente diferente.
EJEMPLO
Para realizar el análisis se utilizara el mismo ejemplo que se uso en la unidad 4 para
introducir el método Simplex. El modelo de pl para el ejemplo es este:
Variables de decisión:
x1: cantidad de articulo A a producir
x2: cantidad de articulo B a producir
Función objetivo:
Max U = 150x1 + 200x2
Restricciones:
Mano de obra: 8x1 + 8x2 ≤ 64 horas
Materias primas: 4x1 + 2x2 ≤ 24 unidades
Demanda: x2 ≤ 6 artículos
Aplicando el método Simplex obtenemos el tableau final del Cuadro 1.1. Luego, la
solución optima del problema corresponde a z = 280, s1 = 24, x3 = 8, x1 = 2 y x2 = s2 =
s3 = 0.
En la base óptima del problema (1.1) la única variable de decisión no basal es x2. Dicha
variable, posee como coeficiente en la función objetivo: c2 = 30. Llamaremos cj al
coeficiente en la función objetivo de la variable j. Como x2 no está en la base, ser³a
interesante determinar el valor de c2 necesario para que la variable x2 sea incorporada a
la base optima.
(2.1)
En este caso, cualquier variación inferior a 5 no cambiara la base. Un incremento
exactamente igual 5 implica que x2 puede pasar a ser una variable basal (optimo
alternativo). Valores mayores a 5 representan un cambio en el óptimo y requerirá
efectuar iteraciones adicionales para obtener la nueva solución óptima. De todas formas,
antes de asegurar que haya cambiado la solución optima, se debe verificar que
efectivamente pueda entrar a la base la variable a la que se le ha modificado su
coeficiente en la función objetivo. A modo de ejemplo, consideremos un incremento =
10. En este caso, chequeamos
que la variable x2 pueda entrar (Cuadro 2.2). En este caso, solo puede salir x1, x2 puede
entrar con valor 1;6. Luego, el nuevo valor de la función objetivo resulta:
(2.2)
Para ilustrar el análisis consideremos una variación sobre el coeficiente c1, es decir,
modifiquemos el valor del coeficiente en la función objetivo de la variable x1. La
incorporación del parámetro al tableau final original del problema (Cuadro 1.1) se ve
en forma explícita en el Cuadro 3.1.
Como el tableau final siempre es una forma canónica de las variables basales, la
modificación solo afecta los cj –zj de variables no básicas. En otras palabras, para
determinar el rango de variación que mantiene la base debemos imponer (caso de
maximización):
(3.1)
(3.3)
para mantener la base optima. En caso que la variación supere este rango cambiara la
combinación de variables en la base y el valor de la función objetivo. Si el valor de se
mantiene en el rango, las variables no cambian de valor y la nueva magnitud de la
función objetivo queda definida por:
(3.4)
Si el valor de escapa al rango definido en (3.3) cambiara la base y será necesario iterar
para determinar el nuevo valor de las variables basales. Consideremos por ejemplo =
40 y veamos el efecto sobre la solución optima. Incorporando el nuevo valor de c1 el
tableau deja de ser óptimo (Cuadro 3.2), en este caso conviene ingresar la variable s2
con valor 4. Completando la iteración (Cuadro 3.3) se verifica que se ha alcanzado el
óptimo. En este caso se obtiene s1 = 16, s2 = 4, x1 = 4 y x2 = x3 = 0, con valor de
función objetivo igual a 400. El nuevo valor de z se podr³a haber predicho en términos
del precio sombra de la variable entrante y el valor que toma la variable:
(3.5)
Luego, un cambio en el coeficiente de una variable básica fuera de su rango de
optimalidad implica un cambio de la base optima y por lo tanto un desplazamiento a
otro punto extremo de la región factible (puede ser mas de una iteración). Por otro lado,
un cambio dentro del rango de optimalidad modifica los cj -zj , pero mantiene la base.
Cuadro 3.2: Tableau Modificado