Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
Contenido
Introducción ................................................................................................................................. 3
Conclusion. 23
Referencias ................................................................................................................................ 24
3
Introducción
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
coeficientes de la función objetivo. Así mismo las demoras en los envíos de los proveedores, las
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
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
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
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
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
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_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
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
Despejar Lambda≤
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
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
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
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
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
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
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
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
programación lineal.
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
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
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
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
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
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
Pineda, R. (2018, diciembre 7). OVI – modelos de decisión en la programación lineal [Archivo de video].
Recuperado de: http://hdl.handle.net/10596/22660
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.