TECNOLÓGICO NACIONAL DE MÉXICO

INSTITUTO TECNOLÓGICO DE TAPACHULA

MODELOS DE OPTIMIZACION DE RECURSOS

CATEDRÁTICO:

ING. HEIDI SUSANA LOPEZ GONZALEZ

TRABAJO:

REPORTE ACADEMICO DE INVESTIGACION

CARRERA:
INGENIERIA CIVIL

SEMESTRE:
CUARTO

GRUPO:
B

NOMBRE DEL ALUMNO

 EDWIN EDDISON CIFUENTES MORENO

PERIODO ESCOLAR:

VERANO 2020

FECHA DE ENTREGA:
15 DE JULIO DEL 2020
Tabla de contenido

Tabla de contenido.........................................................................................................................................................
Resumen........................................................................................................................................................................
Introducción...................................................................................................................................................................
Marco teórico................................................................................................................................................................
Conclusión................................................................................................................................................................... 13
Referencias.................................................................................................................................................................. 14

Resumen

Un problema de programación lineal es cuando la función objetivo es una función lineal y

las restricciones son ecuaciones lineales; la forma estándar de un problema con m
restricciones y n variables se representa. Cada problema lineal existe otro problema de
programación lineal denominado problema dual (PD), que posee importantes propiedades
y relaciones notables con respecto al problema lineal original, problema que para diferencia
del dual se denomina entonces como problema primal (PP).
El conjunto de soluciones del sistema se puede obtener por la intersección de las
diferentes regiones factibles de las inecuaciones.
El Método Simplex es una herramienta matemática básica en la toma de decisiones pero
requiere de entender cada uno de sus pasos y la constancia de practicarlos. Minimizar
costos o maximizar ganancias dependerá de las necesidades de cada empresa o sujeto,
los caminos para tomarlos son infinitos pero cuando se trata de más de dos variables. En
todos los modelos de programación lineal los coeficientes de la función objetivo y las
restricciones se dan como datos de entrada o como parámetros fijos del modelo.

Introducción
La programación lineal es un procedimiento matemático que realizamos con la finalidad de
solucionar ciertos problemas que presentamos los seres humanos en las diferentes
profesiones, es muy importante investigar acerca de este tema porque es necesario que
nosotros como estudiantes de la carrera de ingeniería civil aprendamos a identificar y a
solucionar problemas de forma matemática, ya que con la investigación podemos apreciar
más, fundamentarnos de la buena información y tener la idea de aplicar los conocimientos
que se van adquiriendo en esta materia de modelos de optimización de recursos, ya que
en algún momento podemos llegar a trabajar en una empresa donde tenemos que llevar
esta técnica matemática, teniendo en cuenta que para esto debemos razonar y ser preciso
con nuestras tomas de decisiones porque tenemos que optimizar (maximizar o minimizar),
además se debe mostrar los ciertos límites que se presenta en el problema; tenemos que
ser creadores de nuestra propia función matemática donde debemos llevar un buen control
para que se notifiquen las buenas producciones o ganancias en la empresa, mostrando la
calidad de un verdadero profesional llevando a cabo un buen proceso de programación
lineal que sea confiable para determinar y poder aplicarlo dentro de la empresa.

Marco teórico

2.1. El planteamiento del problema de P. L.

“Un problema de programación lineal es cuando la función objetivo es una función lineal y
las restricciones son ecuaciones lineales; la forma estándar de un problema con m
restricciones y n variables se representa.
Tiene el siguiente orden y temas tales como:
 Definir el objetivo
 Definir las variables de decisión
 Definir las restricciones
 Condiciones técnicas

Definir el objetivo o función objetivo

Una expresión en el modelo de programación lineal que enuncia matemáticamente lo que
se intenta maximizar o minimizar depende el problema que se desee resolver.
Para maximizar el producto se tiene que llevar a cabo estos puntos:
  Objetos
 Utilidades
 Valor presente
Para minimizar:
 Costos
 Los desperdicios

Definir las variables de decisión

Son las incógnitas del problema básicamente consisten en los niveles de todas las
actividades que pueden llevarse a cabo en el problema a formular, estas pueden ser de
tantos tipos diferentes como sea necesario, e incluir tantos subíndices como sea requerido.

Restricciones
Son los diferentes requisitos que debe cumplir cualquier solución para que pueda llevarse
a cabo. En cierta manera son las limitantes en los valores de los niveles de las diferentes
actividades (variables). Las restricciones más comunes son de seis tipos, las cuales se
listan a continuación:
 Restricción de capacidad
Limitan el valor de las variables debido a las disponibilidades de horas-hombres, horas-
maquinas, espacio, etc.
 Restricción de entradas
Son limitantes debido a la escases de materias primas, mano de obra, dinero, etc.
 Restricción de calidad
Son las restricciones que limitan las mezclas de ingredientes, definiendo usualmente la
calidad de los artículos a manufacturar.
 Restricciones de balance de material
Estas son las restricciones que definen las salidas de un proceso en función de las
entradas, tomando en cuenta generalmente cierto porcentaje de merma o desperdicio.
 Restricciones internas
Son las que definen a una variable dada, en la formulación interna del problema, un
ejemplo tipo, es el de inventario.

Condiciones técnicas
En este apartado se establece que todas las variables deben tomar valores no
negativos”[ CITATION Ort11 \l 2058 ].

2.2. El modelo primal y el dual.

“Asociado a cada problema lineal existe otro problema de programación lineal denominado
problema dual (PD), que posee importantes propiedades y relaciones notables con
respecto al problema lineal original, problema que para diferencia del dual se denomina
entonces como problema primal (PP).
Las relaciones las podemos enumerar como siguen:
a) El problema dual tiene tantas variables como restricciones tiene el programa primal.
b) El problema dual tiene tantas restricciones como variables tiene el programa primal
c) Los coeficientes de la función objetivo del problema dual son los términos
independientes de las restricciones o RHS del programa primal.
d) Los términos independientes de las restricciones o RHS del dual son los coeficientes de
la función objetivo del problema primal.
e) La matriz de coeficientes técnicos del problema dual es la traspuesta de la matriz
técnica del problema primal.
f) El sentido de las desigualdades de las restricciones del problema dual y el signo de las
variables del mismo problema, dependen de la forma de que tenga el signo de las
variables del problema primal y del sentido de las restricciones del mismo problema. ( Ver
tabla de Tucker)
g) Si el programa primal es un problema de maximización, el programa dual es un
problema de minimización.
h) El problema dual de un problema dual es el programa primal original.
El sentido de las igualdades y desigualdades se comporta según la tabla de Tucker,
presentada a continuación.

Los problemas duales simétricos son los que se obtienen de un problema primal en forma
canónica y normalizada, es decir, cuando llevan asociadas desigualdades de la forma
mayor o igual en los problemas de minimización, y desigualdades menor o igual para los
problemas de maximización. Es decir, si el problema original es de la siguiente forma:
Máx Z(x) = ct x
s.a: A x ≤ b
x≥0
El problema dual ( dual simétrico ) es :
Mín G(λ) = λ b
s.a: λ A ≥ c
λ≥0
Los restantes tipos de combinaciones de problemas, se conocen con el nombre de duales
asimétricos. Como por ejemplo:
Máx Z(x) = ct x
s.a:
Ax=b
x≥0
El problema dual ( dual asimétrico ) es :
Mín G(λ) = λ b
s.a:
λA≥c
λ >< 0, es decir, variables libres.
Preguntas:
¿Por qué se plantea el programa dual?
¿Qué significado tiene su solución?
¿La solución del dual se puede obtener desde el primal?
Respuestas:
a) Por una parte permite resolver problemas lineales donde el número de restricciones es
mayor que el número de variables.
b) La dualidad permite realizar importantes interpretaciones económicas de los problemas
de programación lineal.
c) La dualidad permite generar métodos como el método dual del simplex de gran
importancia en el análisis de postoptimización y en la programación lineal paramétrica.
Importancia de la dualidad en programación lineal
La resolución de los problemas duales respecto a los primales se justifica dada la facilidad
que se presenta dados problemas donde el número de restricciones supere al número de
variables. Además de tener gran aplicación en el análisis económico del problema.

Otra de las ventajas que presenta, es que dado a que el número de restricciones y
variables entre problema dual y primal es inverso, se pueden resolver gráficamente
problemas que presenten dos restricciones sin importar el número de variables” [ CITATION
Sal19 \l 2058 ].

2.3. La interpretación geométrica.

Inecuaciones lineales.
Interpretación geométrica
Toda recta ax + by + c = 0 divide al plano en tres regiones:
El conjunto de puntos (x, y) del plano para los que ax + by + c = 0
El conjunto de puntos (x, y) del plano para los que ax + by + c > 0
El conjunto de puntos (x, y) del plano para los que ax + by + c < 0
A la parte del plano que es solución de una inecuación se le llama región factible de la
inecuación.
La recta x - y + 1 = 0 divide al plano en las siguientes tres regiones:
Cuando deben satisfacerse simultáneamente más de una inecuación estamos ante un
sistema de inecuaciones lineales.
El conjunto de soluciones del sistema se puede obtener por la intersección de las
diferentes regiones factibles de las inecuaciones.
A dicha región se le llama región factible del sistema.

Programación lineal:
Elementos
La programación matemática es una técnica mediante la cual se permite calcular el valor
óptimo (máximo o mínimo, según los casos) de una función objetivo cuyas variables están
sujetas a un conjunto de restricciones.
Cuando la función objetivo y las restricciones son lineales, se dice que se está ante un
problema de programación lineal.
Un problema de programación lineal consta, por tanto, de los siguientes elementos:
 Un conjunto de variables reales x1, x2,,,, xn denominadas variables de decisión.
 Una función objetivo de primer grado cuyas variables son las variables de decisión y que se pretende
optimizar (hallar su máximo o su mínimo). La función objetivo es en realidad la representación
matemática del objetivo general de la situación mediante la cual se pretende tomar la mejor decisión.
 Un conjunto de restricciones establecidas mediante relaciones lineales entre las variables del
problema y que pueden ser de igualdad o de desigualdad.
Formulación matemática
Función objetivo
Optimizar (maximizar o minimizar) z = ax + by sujeta a las siguientes restricciones
 Solución posible: cualquier par de valores (x1, y1) que cumpla todas la restricciones. Al conjunto de
soluciones posibles de un problema lineal se le llama región factible.
 Solución óptima: un par de valores (x1, y1), si existe, que hace máxima o mínima la función objetivo.
 Un problema de pr. lineal puede tener ninguna, una o infinitas soluciones óptimas.
 Si la solución óptima es única, estará en un vértice.
 Si hay infinitas soluciones óptimas, estarán en un lado de la región factible.
 La región factible puede ser acotada o no acotada.
Resolución analítica
Se deben dar los siguientes pasos:
 Se representa gráficamente la región factible.
 Se obtienen las coordenadas de todos los vértices de dicha región factible.
  Se evalúa la función objetivo en los vértices de la región factible.
 Se elige la solución óptima del problema (el vértice que hace mayor o menor la función objetivo).
Al aplicar estos pasos se pueden dar las siguientes posibilidades:
 La región factible es acotada.
El problema siempre tiene solución óptima. Puede haber:
 Una única solución.
 Infinitas soluciones. Dos vértices solución óptimas, el segmento de extremos esos vértices son
también soluciones óptimas del problema.
 La región factible no es acotada.
 Se sigue el mismo criterio que en el caso anterior, pero existe la posibilidad de que no haya solución
óptima.
 Es preferible utilizar el método gráfico.
Resolución geométrica
Se deben dar los siguientes pasos:
 Se representa gráficamente la región factible.
 Si la función objetivo es z = ax + by, se representa gráficamente la recta inicial ax + by = 0 y se la
considera movible de forma paralela a lo largo del eje OY.

2.4. El método simplex tabular.

“El Método Simplex es una herramienta matemática básica en la toma de decisiones pero
requiere de entender cada uno de sus pasos y la constancia de practicarlos. Minimizar
costos o maximizar ganancias dependerá de las necesidades de cada empresa o sujeto,
los caminos para tomarlos son infinitos pero cuando se trata de más de dos variables, el
camino realmente óptimo se encuentra justo en este momento en sus manos.
Bases del método simplex
Desarrollado en 1947 por George B. Dantzing, el método simplex se haconvertido en el
método general para resolver problemas de programación lineal, a diferencia del método
gráfico puede ser usado cuando las variables del problema son más de 2 caracterizándose
por buscar soluciones “mejores” que el método grafico para optimizar la función objetivo
del problema.
Antes de desarrollar el método habrá que hacer algunas especificaciones:
Formulación del Modelo
Usar un modelo matemático para la resolución de problemas es la base de la
programación lineal recordando que modelo se refiere a la representación simplificada de
la realidad; los modelos matemáticos en específico hacen uso de símbolos matemáticos y
presentan elementos como:
 Variables: representan las incógnitas del problema
 Restricciones: se contemplan las limitaciones a las que se encuentra sujeta la resolución del
problema considerando la escasez de recursos en tiempo y espacio.
 Función objetivo: representa la meta que se pretende alcanzar y en la cual se basan las decisiones
principales para maximizar los beneficios o bien para minimizar los costos (considere que en la
programación lineal el calificativo “lineal” hace referencia que las ecuaciones usadas en el modelo
serán siempre de primer grado, es decir, sin exponentes).

Sin embargo, los resultados no siempre deberán tomarse literalmente pues es deber del
interprete considerar que hay factores externos como el cambio climático, la competencia,
las condiciones de seguridad, entre otros; por lo tanto los resultados del modelo deberán
ser usados como una base para el tomador de decisiones con el objetivo de conseguir los
mejores resultados en diferentes situaciones. Por lo tanto, es importante señalar
cuestiones que debe considerar la persona encargada del modelado.
 Entre más sencillo sea el modelo, mejor será el resultado. Un modelo complejo no siempre será la
mejor solución.
 El modelo debe ser validado antes de ser implementado para saber si representa la situación real y
en caso de no ser así habrá que hacer los ajustes correspondientes.
 Si se hacen las cosas de manera apresurada, el modelo saldrá mal. Debe hacerse un minucioso
análisis de la información recabada para Identificar que en verdad será útil para el modelo.
 Los modelos son un herramienta más el tomador de decisiones tendrá siempre la última
palabra”[ CITATION Int15 \l 2058 ].

2.5. Análisis de sensibilidad: cambios en los coeficientes objetivos, cambios

en los recursos y cambios en los coeficientes tecnológicos.
“En todos los modelos de programación lineal los coeficientes de la función objetivo y las
restricciones se dan como datos de entrada o como parámetros fijos del modelo. En los
problemas reales los valores de estos coeficientes no están, en general, perfectamente
fijados, debido a que la mayoría de ellos dependen de parámetros no controlables, por
ejemplo, futuras demandas, coste de materias primas, costo de energía, etc. y no pueden
ser predichas con exactitud antes de que el problema sea resuelto. También puede
suceder que aunque conozcamos los parámetros exactamente estemos interesados en
estudiar como varía la solución óptima si cambiamos algún parámetro intencionadamente,
a efectos de tratamiento, ambas situaciones se resuelven de forma análoga. Cada
variación en los valores de los datos del problema generara un nuevo problema de
programación lineal. El análisis de sensibilidad nos proporcionara herramientas para el
cálculo de las soluciones óptimas de los problemas obtenidos por la modificación de los
parámetros originales del problema.
Análisis de Sensibilidad
1. Los coeficientes de la función objetivo o coeficientes objetivo.
2. Los coeficientes tecnológicos: aquellos coeficientes que afectan a las variables delas
restricciones, situados a la izquierda de la desigualdad. Se llaman así porque
habitualmente describen capacidades tecnológicas en problemas de optimización lineal de
costes de producción
3. Los recursos disponibles o Right-Hand-Side: los términos independientes de cada
restricción, situados a la derecha de la desigualdad.

1. Aplicando análisis de sensibilidad para los coeficientes de la función objetivo:

Las variables estructurales son aquellas con las que se planteó originalmente el problema
de programación lineal, como lo sería: X1, X2 y X3; pero, dentro de las variables
estructurales podemos distinguir variables básicas (X1 y X3) (aparecen en la primera
columna de la tabla simplex final (antes descrita) y definen la solución óptima) y variables
no básicas ; entonces se concluye que el análisis de sensibilidad para los coeficientes de la
función objetivo depende de si las variables son básicas o no.
1.1 Análisis de sensibilidad para los coeficientes de variables no básicas
Este es el análisis más sencillo debido a que si la variable es no básica, entonces tiene un
coeficiente distinto de cero en la última fila de la tabla simplex final (antes descrita), este
coeficiente es el máximo valor que el coeficiente de la función objetivo de dicha variable
puede aumentar manteniendo la solución óptima.

Procedimiento para el Análisis de sensibilidad de los coeficientes de variables no básicas

a) Se lee de la tabla simplex final, el término que pertenece a la columna de la varia pleno
básica en la última fila y se le resta una variable cualquiera
b) Se plantea la condición de optimalidad; es decir, que este nuevo término debe ser
positivo (mayor que cero) para que la solución siga siendo óptima
c) Se resuelve la desigualdad
d) Se suma a ambos lados de la desigualdad el coeficiente de la función objetivo que
acompaña a la variable y este resultado es el intervalo de sensibilidad del coeficiente.

1.2 Análisis de sensibilidad para los coeficientes de variables básicas

Cuando las variables son básicas, el procedimiento para el análisis de sensibilidad varía un
poco, pero conserva su lógica
Procedimiento para el Análisis de sensibilidad de los coeficientes de variables básicas
a) Se reemplaza el cero en la última fila de la columna de la variable por el negativo de la
variable
b) Ahora la tabla ya no es óptima, pues existe un elemento negativo en la última fila, por
tanto normaliza la columna de la variable, es decir se debe generar un cero en la posición
donde esta
c) Se plantea la condición de optimalidad; es decir, que todos los términos de la última fila
de la tabal simplex deben ser positivos (mayor que cero) para que la solución siga siendo
óptima
d) Se resuelven las desigualdades individualmente y se interceptan los conjuntos
soluciones
e) Se suma a todos los lados de la desigualdad el coeficiente de la función objetivo que
acompaña a la variable y este resultado es el intervalo de sensibilidad del coeficiente

Análisis de Sensibilidad para términos independientes de las restricciones:

Las restricciones de un problema de programación lineal representan las limitantes de
recursos que tiene una empresa. La primera pregunta que se puede hacer antes de
averiguar ¿cuántos recursos más puedo contratar para seguir con mi óptimo? (análisis de
sensibilidad de los términos independientes) es ¿cuánto es lo más que estoy dispuesto a
pagar por una unidad de recurso extra?
La respuesta a esta pregunta es el precio sombra, este es el máximo incremento en el
precio normal de un recurso que estamos dispuestos a pagar sin que nuestras ganancias
disminuyan. Este es un dato que se puede leer directamente de la tabla simplex final en la
última fila de la columna de la variable de holgura asociada a la restricción o recurso que
se quiere investigar”[ CITATION Sar12 \l 2058 ].

Conclusión

La investigación de programación lineal lo cual nos indica que es un determinado

procedimiento matemático que nos sirve para la solución de problemas en diferentes
disciplinas como administración, economía, sociología, entre otros, en este caso
retomamos la ingeniería, siendo esta la disciplina que estamos estudiando donde si
queremos podemos especificarnos en ella para hacer más importante el tema visto.
Investigar programación lineal fue muy importante porque vamos adquiriendo
conocimientos muy bonitos que nos ayudan a formarnos, siendo temas que comúnmente
empleamos en nuestra vida diaria sin darnos cuenta, nos abre la mente para tener más
ideas claras y aplicar los conocimientos adquiridos. La programación nos permite resolver
problemas a través de las ecuaciones lineales, aplicando el proceso de programación lineal
para maximizar y minimizar costos para mejorar la función en las organizaciones. Aplicar el
aprendizaje será de mucha utilidad para los futuros ingenieros ya que en las empresas
donde trabajen van a ser utilizados estos conocimientos matemáticos llevando el
determinado proceso y tomar las decisiones adecuadas en la empresa que te forme a ser
un profesional con buenas características que cualquier empresa va a querer tener, con el
hecho de formular tu propio modelo matemático (puedes hasta ser emprendedor de una
empresa).

Referencias

Ortega, A. (4 de octubre de 2011). SlideShare. Recuperado el 14 de julio de 2020, de

https://es.slideshare.net/armandoingenierocivil/el-planteamiento-del-problema-pl
Salazar Lopez, B. (11 de junio de 2019). Ingenieria Industrial Online. Recuperado el 14 de julio de
2020
Valencia Sandoval, K. (septiembre de 2015). Introduccion al metodo simplex: forma tabular paso a
paso. Recuperado el 14 de julio de 2020, de
 http://ri.uaemex.mx/oca/view/20.500.11799/31644/1/secme-16318.pdf
Sarcos, I. (25 de Enero de 2012). SlideShare. Recuperado el 14 de julio de 2020, de
https://es.slideshare.net/Steffmaya/analisis-de-sensibilidad-2222222-1