1

TAREA 3
SOLUCIÓN DE MODELOS DE PROGRAMACIÓN LINEAL DE
OPTIMIZACIÓN

PRESENTADO POR:
DIANA MAESTRE DAZA
Cod 26948806

Actividad presentada como para nota obligatoria en la unidad 1 del grupo del curso Programación
Lineal al tutor:
ANGELICA MILENA BARRIOS

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

VICERRECTORÍA ACADÉMICA Y DE INVESTIGACIÓN
CURSO: PROGRAMACIÓN LINEAL
CÓDIGO: 100404
2020
 2

Contenido

Introducción ................................................................................................................................. 3

Ejercicio 1. Análisis de dualidad. ................................................................................................ 4

Ejercicio 2. Análisis de sensibilidad. ........................................................................................... 9
Ejercicio 3. Análisis post-óptimo .............................................................................................. 14

Conclusion. 23
Referencias ................................................................................................................................ 24
 3

Introducción

El análisis de Sensibilidad se relaciona con la cuantificación de los efectos en la solución óptima

de cambios en los parámetros del modelo matemático. Cuando escribimos un modelo, damos por

aceptado que los valores de los parámetros se conocen con certidumbre; pero en la realidad no

siempre se cumple que los valores sean verídicos, ya que por ejemplo las variaciones en los costos

de los materiales, en la mano de obra o en el precio de un producto, ocasionan cambios en los

coeficientes de la función objetivo. Así mismo las demoras en los envíos de los proveedores, las

huelgas, los deterioros no previstos y otros factores imponderables generaran cambios en la

disponibilidad de los recursos

 4

Ejercicio 1. Análisis de dualidad.

Se presenta la siguiente situación problema de programación 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 pintura tipo C a un costo de USD1.764.
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 requiere 28 t de pigmento, 35 t de aglutinante y 30 t de 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 cuenta con por lo menos 1.700 t de pigmento, 1.500 t de 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 producción?

A partir de la situación problema:

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

En hoja de cálculo (Excel), formular el problema como un modelo de

programación lineal, plantear la función objetivo, las restricciones por
recursos y restricción de no negatividad. En adelante se denominará el
problema primal.
PINTURA A PINTURA B PINTURA C
$ 1.120,0 $ 1.596,0 $ 1.764,0
PIGMENTO 72 5 50 1.700
AGLUTINANTE 28 35 30 1.500
DISOLVENTE 25 45 35 1.100

VARIAIBLES
PINTURA A X1 RESTRICCIONES
PINTURA B X2 72 X1 + 28 X2 + 25 X3 ≥ 1700
PINTURA C X3 5 X1 + 35 X2 + 45 X3 ≥ 1500
FUNCION OBJETIVO 50 X1 + 30 X2 + 35 X3 ≥ 1100
Zmin=1120X1+1596X2+1764X3 NO-N X1,X2,X3≥0
 5

2. Solución del modelo de programación lineal por el análisis de dualidad en hoja de cálculo
(Excel) y Excel QM.

FUNCION OBJETIVO
Z - 1120 X1 - 1596 X2 - 1764 X3 = 0
VARIABLES DE HOLGURA
S1,S2,S3
RESTRICCIONES Multiplicamos las restricciones por (-1)
Z - 1120 X1 - 1596 X2 - 1764 X3 = 0 -72X1- 28 X2 - 25 X3 + S1 = -1700
-5X1 - 35 X2 - 45 X3 + S2 = - 1500
72 X1 + 28 X2 + 25 X3 - S1 = 1700
-50 X1 - 30 X2 - 35 X3 + S3 = -1100
5 X1 + 35 X2 + 45 X3 - S2 = 1500
50 X1 + 30 X2 + 35 X3 - S3 = 1100

Tabla 1
i_1 X1 X2 X3 S1 S2 S3 RESULTADO
F1 Z -1120 -1596 -1764 0 0 0 0
F2 S1 -72 -28 -25 1 0 0 -1700
F3 S2 -5 -35 -45 0 1 0 -1500
F4 S3 -50 -30 -35 0 0 1 -1100

RAZON 15,5555556 57 70,56

Iteracion #1
ITE. 1 X1 X2 X3 S1 S2 S3 RESULTADO
F2"(1120)+F1 Z 0 -1160,44444 -1375,11111 -15,5555556 0 0 26444,4444
F2"=F2/(-72) X1 1 0,38888889 0,34722222 -0,01388889 0 0 23,6111111
F2"(5)+F3 S2 0 -33,0555556 -43,2638889 -0,06944444 1 0 -1381,94444
F2"(50)+F4 S3 0 -10,5555556 -17,6388889 -0,69444444 0 1 80,5555556

RAZON 0 35,1058824 31,7842697

Iteración #2
ITE. 2 X1 X2 X3 S1 S2 S3 RESULTADO
F3"(1375.1111)+F1 Z 0 -109,797753 0 -13,3483146 -31,7842697 0 70368,5393
F3"(-0.34722)+F2 X1 1 0,12359551 0 -0,01444623 0,00802568 0 12,5200642
F3"=F3/(-43,26) X3 0 0,76404494 1 0,00160514 -0,02311396 0 31,9422151
F3"(17.6388)+F4 S3 0 2,92134831 0 -0,66613162 -0,40770465 1 643,980738
 6

Las cantidades de cada tipo de pintura que PAINCOL, Co debe producir, con los recursos que
dispone y minimizando los costos de producción, serían así:
Pintura tipo A: 12,5200
Pintura tipo B: 0
Pintura tipo C: 31,9422
con lo que obtendría un costo de producción de USD$70.368,5393
En Excel QM:
Minimizar

x1 x2 x3 LHS Slack/Surplus
Minimize 1120 1596 1764 sign RHS 70368,54
c1 72 28 25 > 1700 1700 0 c1
c2 5 35 45 > 1500 1500 0 c2
-
c3 50 30 35 > 1100 1743,981 643,9807384 c3
Results
Variables 12,52006 0 31,94222
Objective 70368,54
 7

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

FUNCION OBJETIVO
Z -1700 Y1 - 1500 Y2 - 1100 Y3 = 0
Z Max = 1700 Y₁ + 1500 Y₂ + 1100 Y₃
72 Y1 + 5Y2 + 50Y3 + H1 ≤ 1120
SUJETO A
28Y1 + 35Y2 + 30Y3 + H2 ≤ 1596
72 Y1 + 5Y2 + 50Y3 ≤ 1120
25 Y1 + 45Y2 + 35 Y3 + H3 ≤ 1764
28Y1+ 35Y2 + 30Y3 ≤ 1596
25 Y1 + 45Y2 + 35 Y3 ≤ 1764
Hj ≥0; j:1,2,3 Y1,Y2,3 ≥ 0

TABLA DE ITERACIONES
Y1 Y2 Y3 H1 H2 H3 RESULTADO RAZON
F1 Z -1700 -1500 -1100 0 0 0 0
F2 H1 72 5 50 1 0 0 1120 15,56
F3 H2 28 35 30 0 1 0 1596 57
F4 H3 25 45 35 0 0 1 1764 70,56

ITERN#1 ITE1 Y1 Y2 Y3 H1 H2 H3 RESULTADO RAZON

F2"(1700)+F
0 -1381,94 80,555555 23,6111111 0 0 26444,4444
1 Z
F2"=F2/72 Y1 1 0,069444 0,6944444 0,01388889 0 0 15,5555556 224,00
F2"(-28)+F3 H2 0 33,05556 10,555556 -0,3888889 1 0 1160,44444 35,11
F2"(-25)+F4 H3 0 43,26389 17,638889 -0,3472222 0 1 1375,11111 31,78

RESULTADO ITE2 Y1 Y2 Y3 H1 H2 H3 RESULTADO

F4"*(1381,944)+F1 Z 0 0 643,9807 12,52006 0 31,94222 70368,539
F4"(-0.069..)+F2 Y1 1 0 0,6661 0,01445 0 -0,00161 13,348
F4"*(-33.055)+F3 H2 0 0 -2,9213 -0,12360 1 -0,76404 109,798
F4"=F4/(43,26388) Y2 0 1 0,4077 -0,00803 0 0,02311 31,784

EN EXCELQM

MAXIMIZAR Results
x1 x2 x3 LHS Slack/Surplus
Maximize 1700 1500 1100 sign RHS 56420,5457
c1 72 5 50 < 1120 2498,55538 -1378,55538
c2 28 35 30 < 1596 1308,82825 287,17175
c3 25 45 35 < 1764 1430,97913 333,020867
Results
Variables 13,3483146 31,7842697 0
Objective 56420,5457
 8

5. Interpretar los resultados de la solución del problema primal y del problema dual para la
optimización de recursos.
 La dualidad nos da la opción de interpretar los resultados de sus puntos de optimización
de una forma más eficiente en los problemas de programación lineal.
 La solución óptima de un modelo lineal determina la asignación optima de recursos
limitados. Como veremos, el valor óptimo de las variables duales indica si es o no
conveniente cambiar el nivel de recursos en el modelo.
 9

Ejercicio 2. Análisis de sensibilidad.

Se presenta la siguiente situación problema de programación lineal:

A partir de la situación problema:
La empresa CHOCOLATES Co., produce tres bases de chocolates, dulce y le genera una utilidad
de USD1.700, semidulce y le genera una utilidad de USD1.400 y amargo y le genera una utilidad
de USD1.200.
Para producir chocolate dulce, requiere 12 t de cacao, 12 t manteca de cacao y 12 t de azúcar. Para
producir chocolate semidulce, requiere 12 t de cacao, 6 t de manteca de cacao y 1 t de azúcar. Para
elaborar el chocolate amargo, requiere 12 t de cacao, 1 t de manteca de cacao y 1t de azúcar. El
inventario de la empresa cuenta con una disponibilidad máxima de 1.000 t de cacao, 500 t de
manteca de cacao y 700 t de azúcar.
¿Qué cantidad de cada base de chocolate debe producir CHOCOLATES Co. con los recursos
disponibles para maximizar sus utilidades?

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

MANTECA
BASE DE
CACAO(t) DE AZUCAR UTILIDAD
CHOCOLATES
CACAO
DULCE 12 12 12 1700
SEMIDULCE 12 6 1 1400
AMARGO 12 1 1 1200
INVENTARIO
1000 500 700
DISPONIBLE

2. Solucionar el modelo de programación lineal por el método simplex primal:

VARIABLES DE DECISION
X1 DULCE
X2 SEMIDULCE
X3 AMARGO
Funcion Objetivo Maximizar
Z=1700X1+1400X2+1200X2
 10

Restricciones de Recursos
12 𝑋1 + 12 𝑋2 + 12 𝑋3 ≤ 100012 𝑋1 + 6 𝑋2 + 1 𝑋3
≤ 50012 𝑋1 + 1 𝑋2 + 1 𝑋3 ≤ 700𝑋𝑗 ≥ 0; 𝑗: 1,2,3Modelo
12 𝑋1 + 6 𝑋2 + 1 𝑋3 ≤ 50012 𝑋1 + 1 𝑋2 + 1 𝑋3 ≤ 700𝑋𝑗
≥ 0; 𝑗: 1,2,3Modelo
12 𝑋1 + 1 𝑋2 + 1 𝑋3 ≤ 700𝑋𝑗 ≥ 0; 𝑗: 1,2,3Modelo
𝑋𝑗 ≥ 0; 𝑗: 1,2,3Modelo
Modelo Primal
𝑍 = −1700𝑋1 − 1400𝑋2 − 1200𝑋2 + 0𝑠1 + 0𝑠2 + 0𝑠3
12 𝑋1 + 12 𝑋2 + 12 𝑋3 ≤ 100012 𝑋1 + 6 𝑋2 + 1 𝑋3
≤ 50012 𝑋1 + 1 𝑋2 + 1 𝑋3 ≤ 700𝑋𝑗 ≥ 0; 𝑗: 1,2,3TABLA
12 𝑋1 + 6 𝑋2 + 1 𝑋3 ≤ 50012 𝑋1 + 1 𝑋2 + 1 𝑋3 ≤ 700𝑋𝑗
≥ 0; 𝑗: 1,2,3TABLA
12 𝑋1 + 1 𝑋2 + 1 𝑋3 ≤ 700𝑋𝑗 ≥ 0; 𝑗: 1,2,3TABLA
𝑋𝑗 ≥ 0; 𝑗: 1,2,3TABLA
TABLA DE ITERACIONES

X1 X2 X3 s1 s2 s3 RHS RAZON
F1 Z -1700 -1400 -1200 0 0 0 0
F2 s1 12 12 12 1 0 0 1000 83,3333
F3 s2 12 6 1 0 1 0 500 41,6667
F4 s3 12 1 1 0 0 1 700 58,3333

ITE_1 X1 X2 X3 s1 s2 s3 RHS RAZON

F3*(1700)+F1 Z 0 -550 -1058,33 0 141,67 0 70833,33
F3*(-12)+F2 s1 0 6 11 1 -1 0 500 45,4545
F3"=F3/12 X1 1 0,5 0,0833 0 0,0833 0 41,6667 500
F3*(-12)+F4 s3 0 -5 0 0 -1 1 200

ITE_2 X1 X2 X3 s1 s2 s3 RHS
F2"(1058.33)+F1 Z 0 27,27273 0 96,21212 45,45455 0 118939,39
F2"=F2/11 X3 0 0,545455 1 0,090909 -0,09091 0 45,45
F2"*(-0.0833)+F3 X1 1 0,454545 0 -0,00758 0,090909 0 37,88
s3 0 -5 0 0 -1 1 200,00

¿Qué cantidad de cada base de chocolate debe producir CHOCOLATES Co. con los
recursos disponibles para maximizar sus utilidades?
Las cantidades de cada base de Chocolate que CHOCOLATES, Co debe producir, con los
recursos que dispone y maximizando sus utilidades, serían así:
 11

Dulce: 37,8787 t
Semidulce: 0 t
Amargo: 45,4545 t
con lo que obtendría un costo de producción de USD$118.939,394
EN EXCELQM

DATOS Results
x1 x2 x3 LHS
Maximize 1700 1400 1200 sign RHS 118939,4
RESTRICCIONES 1 12 12 12 < 1000 1000
RESTRICCIONES 2 12 6 1 < 500 500
RESTRICCIONES 3 12 1 1 < 700 500
Results
Variables 37,87879 0 45,45455
Objective 118939,4

Función Objetivo Maximizar

𝒁 = 𝟏𝟕𝟎𝟎𝑿𝟏 + 𝟏𝟒𝟎𝟎𝑿𝟐 + 𝟏𝟐𝟎𝟎𝑿𝟐

Restricciones por Recursos

𝟏𝟐 𝑿𝟏 + 𝟏𝟐 𝑿𝟐 + 𝟏𝟐 𝑿𝟑 ≤ 𝟏𝟎𝟎𝟎

𝟏𝟐 𝑿𝟏 + 𝟔 𝑿𝟐 + 𝟏 𝑿𝟑 ≤ 𝟓𝟎𝟎𝟏 𝟐 𝑿𝟏 + 𝟏 𝑿𝟐 + 𝟏 𝑿𝟑 ≤ 𝟕𝟎𝟎

𝟏𝟐 𝑿𝟏 + 𝟏 𝑿𝟐 + 𝟏 𝑿𝟑 ≤ 𝟕𝟎𝟎𝑿 𝒋𝒔 ≥ 𝟎; 𝒔: 𝒋: 𝟏, 𝟐, 𝟑
𝑿𝒋𝒔 ≥ 𝟎; 𝒔: 𝒋: 𝟏, 𝟐, 𝟑

Se sumará s1 debido a que es el valor más alto de las variables exceso.

𝑿𝟏 = 𝟑𝟕, 𝟖𝟖 + (−𝟎, 𝟎𝟎𝟕𝟓𝟖)𝝀
𝒙𝟑 = 𝟒𝟓, 𝟒𝟓 + (𝟎. 𝟎𝟗𝟎𝟗𝟎𝟗)𝝀
𝒁 = 𝟏𝟏𝟖𝟗𝟑𝟗, 𝟑𝟗 + 𝟗𝟔, 𝟐𝟏𝟐𝟏𝟐𝝀
se hacen los valores mayor o igual a 0
𝑿𝟏 = 𝟑𝟕, 𝟖𝟖 + (−𝟎, 𝟎𝟎𝟕𝟓𝟖)𝝀 ≥ 𝟎
𝒙𝟑 = 𝟒𝟓, 𝟒𝟓 + (𝟎. 𝟎𝟗𝟎𝟗𝟎𝟗)𝝀 ≥ 𝟎
Hallar el rango de factibilidad
 12

𝟑𝟕, 𝟖𝟖 + (−𝟎, 𝟎𝟎𝟕𝟓𝟖)𝝀 ≥ 𝟎

𝟒𝟓, 𝟒𝟓 + (𝟎. 𝟎𝟗𝟎𝟗𝟎𝟗)𝝀 ≥ 𝟎

Despejar Lambda≤

𝟑𝟕, 𝟖𝟖 + (−𝟎, 𝟎𝟎𝟕𝟓𝟖)𝝀 ≥ 𝟎𝟑 𝟕, 𝟖𝟖 + (−𝟎, 𝟎𝟎𝟕𝟓𝟖)𝝀 ≥ 𝟎

𝝀 ≤ 𝟒𝟗𝟗𝟗𝟕, 𝟑𝟔 𝝀 ≥ −𝟒𝟗𝟗, 𝟗𝟓
rango de Factibilidad
−𝟒𝟗𝟗, 𝟗𝟓 ≤ 𝝀 ≤ 𝟒𝟗𝟗𝟗, 𝟑𝟔
CUADRO RESUMEN
Recursos Productos Dispo. Uso de Holgura
Inicial recursos
DULCE SEMIDUL AMARG Cantidad Cantidad
CE O Uso Holgura
Cacao 12 12 12 1.000 1000 0
M de 12 6 1 500 500 0
Cacao
Azúcar 12 1 1 700 500 200
Utilidad $ 1.700 $ 1.400 $ 1.200 $
118.939,4
Decisión 37,878787 0 45,454545
88 45

Final Reducido Objetivo Permisible Permisible

Nombre Valor Coste Coeficiente Aumentar Reducir
Variables x1 37,87878788 0 1700 12700 60
-
Variables x2 0 27,27272727 1400 27,27272727 1E+30
Variables x3 45,45454545 0 1200 500 50

Final Sombra Restricción Permisible Permisible

Lado
Nombre Valor Precio derecho Aumentar Reducir
RESTRICCIONES 1 < constraints 1000 96,21212121 1000 5000 500
RESTRICCIONES 2 < constraints 500 45,45454545 500 200 416,6666667
RESTRICCIONES 3 < constraints 500 0 700 1E+30 200
 13

a. Analizar los cambios de aumento y reducción de los coeficientes de las variables de la

función objetivo.
Al realizar la variación en las Holguras se puede concluir que se pueden obtener valores con una
utilidad mayor que la utilidad que se tuvo de 118939,39, por lo tanto, esto permitirá mejorar la
producción de empresa, estas variaciones de lambda deben estar en el rango de sensibilidad
encontrado.

b. Analizar los cambios de aumento y reducción de las disponibilidades de las restricciones.

El informe respuestas proporciona el valor iniciad final de la celda objetivo y de las celdas variables
de decisión (también llamadas variables ajustadas ), un listado de cada restricción y su estado
clasificación en Obligatorio para las restricciones activas opcionales para no las activas, el termino
divergencia se utiliza para describir cuanto las variables de holgura como las de beneficio,
representa la diferencia entre los dos miembros de la restricción, se puede comprobar con la
columna valor de la celda, para las restricciones activas esta divergencia es 0

4. Interpretar los resultados del análisis de sensibilidad para la optimización de los recursos.
De la tabla de optimización se puede concluir en cuanto aumentara la función objetivo (utilidad) si
se logra producir un producto adicional de los ya calculados, producir una base de chocolate extra
nos aumenta nuestra función objetivo en $ 96,21, una base extra de chocolate semidulce aumentara
nuestra función objetivo en $45,45 mientras que una base extra de chocolate amargo no afecta el
incremento de nuestra función objetivo esto debido a que para la producción de esta base no se
logra a consumir todos los recursos disponibles en el inventario y para los otros dos productos sus
recursos son limitados esto se observa en la tabla de sensibilidad en la columna de valor final (uso
de recursos) y la restricción del lado derecho(cantidad usada).
La tabla también nos ayuda a decidir que tanto se pueden reducir o aumentar la producción de los
productos sin alterar la función objetivo.
 14

Ejercicio 3. Análisis post-óptimo

Se presenta la siguiente situación problema de programación lineal:

Containers de Colombia Co., produce tres clases de contenedores para transporte marítimo: High
Cube, Open Side y Dry Van y utiliza tres tipos de acero Corten como materia prima: acero Corten
cobre, acero Corten cromo y acero corten níquel.
El contenedor High Cube tiene un costo de US$31.428, el contenedor Open Side tiene un costo de
US$25.714 y el contenedor Dry Van tiene un costo de US$37.142. Para su producción, el contendor
High Cube requiere 7 toneladas de acero Corten cobre, 3 toneladas de acero Corten cromo y 3
toneladas de acero Corten níquel, el contenedor Open Side requiere 3 toneladas de acero Corten
cobre, 4 toneladas de acero Corten cromo y 3 toneladas de acero Corten níquel y el contendor Dry
Van requiere 5 toneladas de acero Corten cobre, 4 toneladas de acero Corten cromo y 6 toneladas
de acero Corten níquel. Su planta de producción dispone como mínimo de 11.500 toneladas de
acero Corten cobre, 7.500 toneladas de acero Corten cromo y 8.000 toneladas de acero Corten
níquel.
La gerencia financiera requiere optimizar los costos percibidos por contenedor y pide a la gerencia
de producción, evaluar la cantidad óptima de cada clase de contenedor a producir.
A partir de la situación problema:
1. Formular el problema como un modelo de programación lineal.

COSTO A. C. COBRE A.C. CROMO A.C. NIQUEL

HIGH CUBE 31.428 7 3 3
OPEN SIDE 25.714 3 4 3
DRY VAN 37.142 5 4 6
Dispo. Inicial 11.500 7.500 8.000
Función objetivo Max Z = 31428X1 + 21714X2 + 37142X3

Restricciones
R1 7X1 + 3X2 + 3X3 ≤ 11.500
R2 3X1 + 4X2 + 3X3 ≤ 7.500
R3 5X1 + 4X2 + 6X3 ≤ 8.000
R4 X1,X2,X3 ≥ 0
 15

2. Solucionar el modelo de programación lineal por el método simplex dual:

X1 X2 X3 RESULTADO
BARRIL
HIGH CUBE OPEN SIDE DRY VAN
A.C. COBRE 7 3 5 ≤ 11500
A.C. CROMO 3 4 4 ≤ 7500
A.C. NIQUEL 3 3 6 ≤ 8000
COSTO $ 31.428 $ 25.714 $ 37.142

VARIABLES
X1= HIGH CUBE
X2= OPEN SIDE MODELO CANONICO
X3= DRY VAN Funcion Objetivo MAXIMIZAR
Z= cantidades a producir Z=31428X1+25714X2+37142X3

RESTRICCIONES
A.C. COBRE 7X1+3X2+5X3<=11.500
A.C. CROMO 3X1+4X2+4X3<=7.500
A.C. NIQUEL 3X1+3X2+6X3<=8.000
no negatividad X1,X2,X3>=0

Restricciones más las variables de Holgura.

RESTRICCIONES
A.C. COBRE 7X1+3X2+5X3-S1<=11.500
A.C. CROMO 3X1+4X2+4X3-S2<=7.500
A.C. NIQUEL 3X1+3X2+6X3-S3<=8.000
no negatividad X1,X2,X3,S1,S2,S3>=0

NUEVO MODELO PARA EL METODO DUAL YA QUE NO SE PUEDE TRABAJAR

CON VARIABLES DE HOLGURA NEGATIVAS.

RESTRICCIONES
A.C. COBRE -7X1-3X2-5X3+S1=-11500
MODELO ESTANDAR
A.C. CROMO -3X1-4X2-4X3+S2=-7.500
Funcion Objetivo: maximizar
A.C. NIQUEL -3X1-3X2-6X3+S3=-8.000 Z-31.428X1-25.714X2-37.142X3
no negatividad X1,X2,X3,S1,S2,S3>=0
 16

TABLA DE ITERACIONES

ITE Z X1 X2 X3 S1 S2 S2 Solución RAZON

F1 Z 0 -31428 -25714 -37142 0 0 0
F2 S1 0 -7 -3 -5 1 0 0 -11.500 2300
F3 S2 0 -3 -4 -4 0 1 0 -7.500 1875
F4 S3 0 -3 -3 -6 0 0 1 -8.000 1333,3333

ITERACION 1 ITE Z X1 X2 X3 S1 S2 S2 Solución

F4"*(37142)+F1 Z 0 -12857 -7143 0 0 0 -6190,333 49522666,67
F4"(5)+F2 S1 0 -4,5 -0,5 0 1 0 -0,833333 -4833,333333
F4"*(4)+F3 S2 0 -1 -2 0 0 1 -0,666667 -2166,666667
F4"=F4/(-6) X3 0 0,5 0,5 1 0 0 -0,166667 1333,333333

ITE Z X1 X2 X3 S1 S2 S2 Solución RAZON

F1 Z 0 -12857 -7143 0 0 0 -6190,333 49522666,67
F2 S1 0 -4,5 -0,5 0 1 0 -0,833333 -4833,333333 1074,0741
F3 S2 0 -1 -2 0 0 1 -0,666667 -2166,666667 2166,6667
F4 X3 0 0,5 0,5 1 0 0 -0,166667 1333,333333 2666,6667

ITERACION 2 IT Z X1 X2 X3 S1 S2 S2 Solución
F2"*(12857)+F1 Z 0 0 -5714,44 0 -2857,11 0 -3809,407 63332037,04
F2"=F2/(-4.5) X1 0 1 0,11111 0 -0,2222 0 0,18519 1074,074074
F2"*(1)+F3 S2 0 0 -1,8889 0 -0,222 1 -0,48148 -1092,592593
F2"(-0.5)+F4 X3 0 0 0,4444 1 0,11111 0 -0,2593 796,2962963

ITE Z X1 X2 X3 S1 S2 S2 Solución
F1 Z 0 0 -5714,444 0 -2857,111 0 -3809,407 63332037,04
F2 X1 0 1 0,1111111 0 -0,222222 0 0,1851852 1074,074074
F3 S2 0 0 -1,888889 0 -0,222222 1 -0,481481 -1092,592593
F4 X3 0 0 0,4444444 1 0,1111111 0 -0,259259 796,2962963
 17

IT X X X
Z S1 S2 S2 Solución
ITERACION 3 E 1 2 3
- - -
Z 0 0 0 0
F3"(5714,44)+F1 2184,82 3025,29 2352,78 66.637.450,98
X1 0 1 0 0 -0,24 0,06 0,16
F3"*(-0.1111)+F2 1.009,804
F3"*F3/(-
X2 0 0 1 0 0,12 -0,53 0,25
1.888889) 578,431
X3 0 0 0 1 0,06 0,24 -0,37
F3"*(-0.444)+F4 539,216

ITE Z X1 X2 X3 S1 S2 S2 Solución
Z 0 0 0 0 -2184,82 -3025,29 -2352,78 66.637.450,98
X1 0 1 0 0 -0,24 0,06 0,16 1.009,804
X2 0 0 1 0 0,12 -0,53 0,25 578,431
X3 0 0 0 1 0,06 0,24 -0,37 539,216

HIGH OPEN DRY

CONTAINERS COLOMBIA CUBE SIDE VAN
CANTIDADES A PRODUCIR 1.009,804 578,431 539,216
COSTOS $ 31.428 $ 25.714 $ 37.142
FUNCION OBJETIVO $ 66.637.451

EN EXCELQM

Data Results
x1 x2 x3 LHS
Maximize 31428 25714 37142 sign RHS 66637451
Constraint 1 7 3 5 < 11500 11500
Constraint 2 3 4 4 < 7500 7500
Constraint 3 3 3 6 < 8000 8000
Results
Variables 1009,804 578,4314 539,2157
Objective 66637451
 18

3. Realizar el análisis post-óptimo a la solución óptima simplex dual del modelo de

programación lineal.

VARIABLES Final Reducido Objetivo Permisible Permisible

Nombre Valor Coste Coeficiente Aumentar Reducir
HIGH CUBE 1009,80 0 31428 14999,00 9285,50
OPEN SIDE 578,43 0 25714 9230,15 5714,44
DRY VAN 539,22 0 37142 12857,50 6315,37

RESTRICCIONES Final Sombra Restricción Permisible Permisible

Nombre Valor Precio Lado derecho Aumentar Reducir
A.C COBRE < constraints 11500 2184,82 11500 4916,67 4291,67
A.C CROMO < constraints 7500 3025,29 7500 2291,67 1092,59
A.C NIQUEL < constraints 8000 2352,78 8000 2269,23 1447,37

a. Realizar los cambios que afectan la factibilidad:

1. Cambios en el lado derecho.

RESTRICCIONES
A.C. COBRE 7X1+3X2+5X3<=16.500 2. MODELO CANONICO
A.C. CROMO 3X1+4X2+4X3<=10.000 Funcion Objetivo MAXIMIZAR
A.C. NIQUEL 3X1+3X2+6X3<=10.500 Z=31428X1+25714X2+37142X3
no negatividad X1,X2,X3>=0

x1 x2 x3
Maximize 31428 25714 37142 sign RHS
Constraint 1 7 3 5 < 16500
Constraint 2 3 4 4 < 10000
Constraint 3 3 3 6 < 10500

Results
Variables 1647,059 676,4706 588,2353
Objective 91006765
 19

Rec. Sombra Rec.

Asignados Disponible
Restricciones de Lado Precio Lado
recursos izquierdo derecho
A.C. COBRE 16500 2184,823529 16500
A.C. CROMO 10000 3025,294118 10000
A.C. NIQUEL 10500 2352,784314 10500

ANALISIS:

Al realizar los cambios de la disponibilidad, con valores, fuera de los permitidos por el
análisis de sensibilidad, se genera una afectación evidente en el resultado de la función
objetivo y las variables resultados.
Las diferencias fueron las siguientes; se optimizo la función en un valor 91.006.765 con
respecto al resultado inicial de 66.637.451, lo cual indica de manera consecutiva una
mayor cantidad de producción antes las variables descritas, que en efecto maximizarían
las utilidades según el ejercicio objeto de estudio

2. Adición de una nueva restricción.

RESTRICCIONES
A.C. COBRE 7X1+3X2+5X3<=11.500 3. MODELO CANONICO
A.C. CROMO 3X1+4X2+4X3<=7.500 Funcion Objetivo MAXIMIZAR
A.C. NIQUEL 3X1+3X2+6X3<=8.000 Z=31428X1+25714X2+37142X3
NUEVA 3X1+2X2+3X3=7.500
no negatividad X1,X2,X3>=0

x1 x2 x3
Maximize 31428 25714 37142 sign RHS
A.C. COBRE 7 3 5 < 11500
A.C. CROMO 3 4 4 < 7500
A.C. NIQUEL 3 3 6 < 8000
NUEVA 3 2 3 < 7500
Results
Variables 1009,804 578,4314 539,2157
Objective 66637451
 20

Rec. Precio Rec.

Asignados Disponible
Restricciones de Lado Sombra Lado
recursos Izquierdo Derecho
A.C. COBRE 11500 2184,823529 11500
A.C. CROMO 7500 3025,294118 7500
A.C. NIQUEL 8000 2352,784314 8000
NUEVA 5803,921569 0 7500

ANALISIS: La adición de una nueva restricción, normalmente se realiza cuando se presenta

problemas de X o Y situación, esta debe ser agregada sin afectar las condiciones de factibilidad de
la solución actual.
Para eso se toma una parte del porcentaje de algunas restricciones ya trabajadas siendo mayor e
igual, de esta manera no afectará ni cambiará la optimización de la actividad Cómo se evidencia
en el ejercicio y expuestos y desarrollo mediante solver y excelQM
 21

b. Realizar los cambios que afectan la optimalidad:

1. Cambios en los coeficientes de la función objetivo.

1.

RESTRICCIONES
A.C. COBRE 7X1+3X2+5X3<=11.500 2. MODELO CANONICO
A.C. CROMO 3X1+4X2+4X3<=7.500 Funcion Objetivo MAXIMIZAR
A.C. NIQUEL 3X1+3X2+6X3<=8.000 Z=31428X1+25714X2+37142X3
no negatividad X1,X2,X3>=0

x1 x2 x3
Maximize 46500 35000 50000 sign RHS
A.C. COBRE 7 3 5 < 11500
A.C. CROMO 3 4 4 < 7500
A.C. NIQUEL 3 3 6 < 8000
Results
Variables 1009,804 578,4314 539,2157
Objective 94.161.765

Rec. Precio Rec.

Asignados Disponible
Restricciones de Lado Sombra Lado
recursos Izquierdo Derecho
A.C. COBRE 11500 3882,352941 11500
A.C. CROMO 7500 4029,411765 7500
A.C. NIQUEL 8000 2411,764706 8000

ANALISIS: En efecto, si se realizan incrementos en las variables de la función objetivo,

dejando a un lado los intervalos posibles analizados en informe sensibilidad, en donde se
mantiene igual las cantidades a producir, en esta, afectará todo el resultado, ya que se
obtendrá una mayor utilidad por la igualdad de cantidades producida según la actividad de
estudio, esto se puede analizar el desarrollo los cambios afectaron la utilidad del ejercicio
 22

3. Adición de una nueva actividad.

4.

RESTRICCIONES
A.C. COBRE 7X1+3X2+5X3+4X4<=11.500 5. MODELO CANONICO
A.C. CROMO 3X1+4X2+4X3+3X4<=7.500 Funcion Objetivo MAXIMIZAR
A.C. NIQUEL 3X1+3X2+6X3+3X4<=8.000 Z=31428X1+25714X2+37142X3+25714X4
no negatividad X1,X2,X3,X4>=0

x1 x2 x3 x4
Maximize 31428 25714 37142 25714 sign RHS
A.C. COBRE 7 3 5 3 < 11500
A.C. CROMO 3 4 4 3 < 7500
A.C. NIQUEL 3 3 6 3 < 8000
Results
Variables 937,5 0 250 1229,167
Objective 70356042

ANALISIS: Se trabaja con una nueva actividad, afectando una de las variables de la
producción, pero con una mayor optimización en función objetivo.
Esto quiere decir, qué al querer agregar una actividad, no aceptaría la utilidad ni las
cantidades a producir, por lo que se producirá una igualdad por un resultado mayor y mejor
es decir que la decisión agregada no sería errónea ni equivoca, ante el resultado generado
de ganancias
 23

Conclusión
Hay que considerar que la teoría de dualidad, que incluye el método simplex dual para trabajar
con soluciones básicas en busca de una optimización, juega un papel de gran importancia en el
análisis de sensibilidad. Los valores usados como parámetros de un modelo de programación
lineal son sólo estimaciones. Por lo tanto, es necesario llevar a cabo el análisis de sensibilidad
para investigar lo que ocurre si las estimaciones están equivocadas. La idea fundamental es
proporcionar la clave para realizar esta investigación de manera eficiente. Los objetivos generales
del análisis de sensibilidad son identificar los parámetros relativamente sensibles que afectan la
solución óptima, para tratar de estimarlos con más cuidado y después elegir una solución que se
mantenga como buena en un cierto intervalo de valores posibles de estos parámetros sensibles.
No hay que olvidar que este análisis constituye una parte muy importante de los estudios de
programación lineal.
 24

Referencias

Modelos de programación lineal de optimización: Hillier, F. & Lieberman, J. (2011). Introducción a la

investigación de operaciones (pp. 179-190), Hillier, F. & Lieberman, J. (2011).

Introducción a la investigación de operaciones (pp. 207-216) y Chediak, F. (2013). Investigación de

operaciones (pp.153-169) y OVIs

Optimización lineal: teoría, métodos y modelos

Goberna, T. (2004). Optimización lineal: teoría, métodos y modelos (pp. 277-298) Alicante, España:
Editorial Mc Graw Hill. Recuperado de:http://bibliotecavirtual.unad.edu.co:
2460/lib/unadsp/detail.action?docID=3195264

Modelos de decisión en la programación

Pineda, R. (2018, diciembre 7). OVI – modelos de decisión en la programación lineal [Archivo de video].
Recuperado de: http://hdl.handle.net/10596/22660

Unidad 1 modelos de decisión en la programación lineal

Pineda, R. (2018, diciembre 7). OVA – Unidad 1 modelos de decisión en la programación lineal [Objeto
Virtual de Aprendizaje]. Recuperado de: http://hdl.handle.net/10596/22680.