SOLUCION DE MODELOS DE PROGRAMACION LIENAL DE OPTIMIZACION

TAREA 3 - EJERICIO 1 - ANÁLISIS DE DUALIDAD

(Actividad Individual)

PROGRAMACION LINEAL
GRUPO:100404A_764

PRESENTADO POR:
ANA MARIA SANCHEZ
CODIGO: 1140833263

PRESENTADO AL TUTOR:
ALVARO JAVIER ROJAS BARACALDO

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

ESCUELA DE CIENCIAS BASICAS TECNOLOGIA E INGENIERIA ECBTI
CEAD - BUCARAMANGA
NOVIEMBRE DE 2020
 INTRODUCCION

La programación lineal como lo hemos visto durante el desarrollo de las actividades presentadas en el
curso, es el campo de las matemáticas que se dedica al estudio y análisis de problemas.

El presente trabajo consta de dar solución a los problemas planteados en la guia de actividades y rubrica
de la tarea 3, utilizando la programación lineal para estudiar el problema y darle solución a través del
metodo simplex primal para encontrar su solución por medio del problema dual

Se prensenta el la situación problema a dar solución y resuelve a traves de tres tipos de ejericicios ya
planteados: Análisis de Dialidad, Análisis de sensibilidad y Análisis post-óptimo
 OBJETIVOS

Solucionar problemas de programación lineal utilizando el método simplex dual

Analizar los resultados para la toma de desiciones

Aportar de manera individual los conocimientos adquiridos para solucionar los ejercicios propuestos en
esta tarea 3 y así sean compartidos en el foro colaborativo para ir construyendo el trabajo grupal.
 SITUACION PROBLEMA DE PROGRAMACION LINEAL

La empresa PAINTCOL Co., produce pintura tipo A a un costo de USD1.120, la pintura tipo B a un costo de USD1.596 y la pintu
Para la producción de pintura tipo A, se necesitan 72 t de pigmento, 5 t de aglutinante y 50 t de disolvente. La pintura tipo B re
disolvente y la pintura tipo C necesita 25 t de pigmento, 45 t de aglutinante y 35 t de disolvente. El inventario de la empresa cu
aglutinante y 1.100 t de disolvente.
¿Qué cantidad de cada tipo de pintura debe producir PAINTCOL Co. con los recursos disponibles para minimizar los costos de p

¿Qué cantidad de cada tipo de pintura debe producir PAINTCOL Co. con los recursos disponibles para minimizar los costos de p

1. Formular el problema como un modelo de programación lineal.

A este lo llamaremos Problema Primal

Información de la situacion problema: Tabla de variables

Variables de decisión
(X1,X2,X3…Xn)
Tipo A Tipo B Tipo C Disponibilidad
Recurso
Pigmento 72 t 28 t 25 t 1700
Aglutinante 5t 35 t 45 t 1500
Disolvente 50 t 30 t 35 t 1100
Costo 1120 1596 1764

Función Objetivo
Minimizar Z = -1120X1 - 1596X2 - 1764X3

Definir restricciones
Sujeto a: R1: -72X1 - 28X2 - 25X3 <= -1700
R2: -5X1 - 35X2 - 45X3 <= -1500
R3: -50X1 - 30X2 - 35X3 <= -1100
No negatividad X1 + X2 + X3 >= 0

Transformar las funciones: agregar variables de holgura, exceso y artificiales según corresponda
Variables
Sn = holgura
An= artificial

Primera restricción: Z = -1120X1 - 1569X2 -1764X3 + 0S1 + 0S2 + 0S3 = 0

-72X1 - 28X2 - 25X3 + S1 = -1700
-5X1 - 35X2 - 45X3 + S2 = -1500
-50X1 + 30X2 + 45X3 + S3 = -1100

Elaborar cuadro de Coeficientes separados

Iteración 0
Variable Decisión Variable Holgura
Var Basicas Z
 Var Basicas Z
X1 X2 X3 S1 S2 S3
S1 0 -72 -28 -25 1 0 0
S2 0 -5 -35 -45 0 1 0
S3 0 -50 -30 -45 0 0 1
Z 1 -1120 -1569 -1764 0 0 0

Iteración 2, calculamos numeros de variable entrante dividiendo cada uno de los numeros de la variable saliente entre el pivot
Variable Decisión Variable Holgura
Var Basicas Z X1 X2 X3 S1 S2 S3
X1 X2 X3 S1 S2 S3
S2 0 0 -33.0555556 -43.2638888889 -0.06944 1 0
S3 0 0 -10.5555556 -27.6388888889 -0.69444 0 1
X1 0 1 0.388888889 0.34722222222 -0.01389 0 0
Z 1 0 -1133.44444 -1375.11111111 -15.5556 0 0

Iteración 3
Variable Decisión Variable Holgura
Var Basicas Z X1 X2 X3 S1 S2 S3
X1 X2 X3 S1 S2 S3
S3 0 0 -19.57397 0 0.001115 1 80.55556
X2 0 0 0.764044944 1 0.001605 -0.02311 0
X1 0 1 0.702871411 0 0.346598 -0.0049 0
Z 1 0 -82.7977528 0 -13.3483 -31.7843 0

¿Qué cantidad de cada tipo de pintura debe producir PAINTCOL Co. con los recursos disponibles para minimizar los costos de
producción?

Z = 70368.539
X1 = -12.421 Pintura tipo A
X2 = 31.942 Pintura tipo B
X3 = 0 Pintura tipo C

Ahora comparamos con la ecuación Objeto

Z = 1700X1 + 1500X2 + 1100X3

Reemplazamos
Z = -1700(12.421) - 1500(31.942) - 1100(0) 21115.7
Z = 21115.7 + 47913 47913
Z = 69028.7 69028.7
 costo de USD1.596 y la pintura tipo C a un costo de USD1.764.
disolvente. La pintura tipo B requiere 28 t de pigmento, 35 t de aglutinante y 30 t de
El inventario de la empresa cuenta con por lo menos 1.700 t de pigmento, 1.500 t de

para minimizar los costos de producción?

para minimizar los costos de producción?

Valor Razón
 Valor Razón

-1700 15.5555556
-1500 56.0357143
-1100 70.56
0

variable saliente entre el pivote

Valor Razón

-1381.94444 0 0
80.5555556 59.7575309
23.6111111 -0.2160494
26444.4444

0
Valor Razón

-2513.36535 0
31.9422151 0
-12.4219725 0
70368.5393

para minimizar los costos de

 QM.Primal
Enter
Enter the
the values
values inin the
the shaded
shaded area
area then
then use
use the
the Run
Run Excel's
Excel's Solver
Solver button.
button.
Alternatively,
Alternatively, or
or to
to view
view the
the sensitivity
sensitivity results,
results, open
open Solver
Solver by
by going
going to
to the
the Data
Data Tab
Tab
(Excel
(Excel 2007,
2007, 2010,
2010, 2013,
2013, 2016)
2016) or
or the
the Tools
Tools menu
menu (Excel
(Excel 2003,
2003, 2011).
2011).
Linear Programming

Use one of the three signs below for each constraint

< less than or equal to
= equals (You need to enter an apostrophe first.)
> greater than or equal to

Data Results
x1 x2 x3 LHS Slack/Surplus
Minimize -1120 -1596 -1764 sign RHS -64891
Constraint 1 -72 -28 -25 > -1700 -1788.688 88.688 Constraint
Constraint 2 -5 -35 -45 > -1500 -1180.075 -319.925 Constraint
Constraint 3 -50 -30 -35 > -1100 -1579.31 479.31 Constraint

Results
Variables 12.421 31.942 0
Objective -64891

Page 8
1. Formular el problema como un modelo de programación lineal.
A este lo llamaremos Problema Primal

MIN Z = 1120 X1 + 1596 X2 + 1764 X3

Restricciones: R1: 72 X1 + 28 X2 + 25 X3 >= 1700

R2: 5 X1 + 35 X2 + 45 X3 >= 1500
R3: 50 X1 + 30 X2 + 35 X3 >= 1100
X1, X2,X3 >= 0

A este lo llamaremos Problema Dual

Paso 1: Formulamos la función objetivo usando W en lugar de Z y hacemos la función inversa.

Tomamos todos los coeficientes del lado derecho de cada una de las restricciones, esto me indicará que para la
función objetivo obtendre dos coeficientes para tres variables, y no las llamaremos X sino que las llamaremos Y

MAX W = 1700 Y1 + 1500 Y2 + 1100 Y3

Sujeto a:
R1: 72 Y1 + 5 Y2 + 50 Y3 < = 1120
R2: 28 Y1 + 35 Y2 + 30 Y3 <= 1596
R3: 25 Y1 + 45 Y2 + 35 Y3 <= 1764
R4: Y1, Y2, Y3 >= 0: no rest.

Primera restricciónW = 1700Y1 +1500Y2 + 1100Y3 +S1 + 0S2 + 0S3 = 0

-72Y1 -5Y2 - 50Y3 + S1 = -1120
-25Y1 - 35Y2 - 30Y3 + S2 = -1596
-25Y1 - 45Y2 - 35Y3 + S3 = -1764

2. Solucionar el problema primal por el método simplex dual.

Elaborar cuadro de Coeficientes separados
Iteración 0
Variable Decisión Variable Holgura
Var Basicas
Y1 Y2 Y3 S1 S2 S3
W 1700 1500 1100 0 0 0
S1 -72 -5 -50 1 0 0
S2 -25 -35 -30 0 1 0
S3 -25 -45 -35 0 0 1
Razon -68 -33.3333333 -31.4285714

Iteración 2, calculamos numeros de variable entrante dividiendo cada uno de los numeros de la variable saliente entre el piv
Variable Decisión Variable Holgura
Var Basicas
Y1 Y2 Y3 S1 S2 S3
W 914.285714 85.7142857 0 0 0 31.4285714
S1 -36.2857143 59.2857143 0 1 0 -1.42857143
S2 -3.57142857 3.57142857 0 0 1 -0.85714286
Y3 0.71428571 1.28571429 1 0 0 -0.02857143
Razon -256 24 0

Iteración 3
Variable Decisión Variable Holgura
Var Basicas
Y1 Y2 Y3 S1 S2 S3
W 1000 0 0 0 -24 52
S1 23 0 0 1 -16.6 12.8
Y2 -1 1 0 0 0.28 -0.24
Y3 2 0 1 0 -0.36 0.28

Iteración 4
Variable Decisión Variable Holgura
Var Basicas
Y1 Y2 Y3 S1 S2 S3
W 0 0 0 0 -24 52
Y1 0 0 0 0 0 0
Y2 1 0 0 0.04347826087 -0.72173913 0.55652174
Y3 2 0 1 0 -0.36 0.28

¿Qué cantidad de cada tipo de pintura debe producir PAINTCOL Co. con los recursos disponibles para minimizar
los costos de producción?

W = -53424
Y1 = 0 Pintura tipo A
Y2 = 121.495652 Pintura tipo B
Y3 = 80.64 Pintura tipo C

Ahora comparamos con la ecuación Objeto

W = 1700X1 + 1500X2 + 1100X3 W = 1700Y1 +1500Y2 + 1100Y3 +S1 + 0S2 + 0S3 = 0

Reemplazamos
Z = -1700(0) - 1500(121.495652) - 1100(80.64) 182243.478
Z = 21115.7 + 47913 88704
Z = 270947.478 270947.478
e indicará que para la
que las llamaremos Y

Valor

-1120
-1596
-1764

de la variable saliente entre el pivote

Valor

-55440
 1400
-84
50.4

Valor

-53424
2794.4
-23.52
80.64

Valor

-53424
0
121.495652
80.64

nibles para minimizar

+S1 + 0S2 + 0S3 = 0

 QM.Dual
Enter
Enter the
the values
values inin the
the shaded
shaded area
area then
then use
use the
the Run
Run Excel's
Excel's Solver
Solver button.
button.
Alternatively,
Alternatively, or
or to
to view
view the
the sensitivity
sensitivity results,
results, open
open Solver
Solver by
by going
going to
to the
the
Data
Data Tab
Tab (Excel
(Excel 2007,
2007, 2010,
2010, 2013,
2013, 2016)
2016) or
or the
the Tools
Tools menu
menu (Excel
(Excel 2003,
2003,
Linear Programming 2011).
2011).

Use one of the three signs below for each constraint

< less than or equal to
= equals (You need to enter an apostrophe first.)
> greater than or equal to

Data Results
Y1 Y2 Y3 LHS Slack/Surplus
Maximize 1700 1500 1100 sign RHS 70368.54
Constraint 1 72 5 50 < 1120 1120 0 Constraint
Constraint 2 28 35 20 < 1596 1486.202 109.7978 Constraint
Constraint 3 25 45 35 < 1764 1764 0 Constraint

Results
Variables 13.34831 31.78427 0
Objective 70368.54

Page 13
 OBJETIVOS

En el presente trabajo se evidencia el desarrollo del problema planteado inicialmente, dandole solución
por medio de los tres metodo solicitado "Análisis de dualidad", a través del modelo de programación
lineal y esto me permitío entregar las actividad individual correspondiente.
 BIBLIOGRAFIA

Rojas, A. y Hernández, O. (2020). Análisis de sensibilidad en programación lineal con Excel QM [OVI].
Recuperado de https://repository.unad.edu.co/handle/10596/33783

Rojas, A. y Hernández, O. (2020). Análisis de dualidad en programación lineal [OVI]. Recuperado de

https://repository.unad.edu.co/handle/10596/33782

Hillier, F. & Lieberman, J. (2011). Introducción a la investigación de operaciones (pp. 179-190). México,
México: Editorial McGraw Hill Interamericana. Recuperado de https://elibro-
net.bibliotecavirtual.unad.edu.co/es/ereader/unad/101895