EL MODELO DE PROGRAMACIÓN LINEAL (PL)

• En la introducción se vio que si una realidad puede representarse por medio de un sistema de
desigualdades y ecuaciones lineales, se tiene entonces un modelo de PL.
• El enfoque de PL considera el sistema bajo estudio en funciones elementales llamadas
actividades.
• Generalmente las actividades son expresadas mediante variables que se llaman Variables de
Decisión. Las variables de decisión están afectadas por factores constantes, llamados
comúnmente, parámetros del modelo
• La forma general del modelo es:
n
Maximizar Z   c j x j (Función objetivo)
j1
n
Sujeto a : a
j1
ij x j  b i ; i  1,2,..., m

xj  0
Las xj se llaman las variables de decisión y representa n el nivel de actividad
1
FORMA MATRICIAL DEL MODELO DE PROGRAMACIÓN LINEAL

Matriz de
coeficientes de las
restricciones

2
PREMISAS DEL MODELO DE PL

3
 CONTRUCCIÓN O FORMULACIÓN DE UN MODELO DE PL (EJEMPLO 1)
EJEMPLO 1:
Un fabricante elabora tres productos A, B y C. Hay dos procesos V y W por los cuales tienen que
pasar los tres productos. El tiempo de manufactura (en horas) para cada unidad de producto es:

Producto V W
A 9 11
B 5 18
C 20 6

En el proceso V no se dispone de más de 400 horas semanales y en el W a lo sumo 750

horas. La ganancia unitaria por la fabricación y venta de los productos es 32, 20 y 60,
respectivamente. Suponiendo que todo lo que se produce se puede vender, ¿cuánto debe
producirse y venderse de cada producto para maximizar las ganancias?

4
 FORMULACIÓN DEL PROBLEMA DE PL
Designemos por x1, x2, x3 la cantidad de producto A, B y C, respectivamente, que debe
producirse. Estas son las variables de decisión.
El modelo es:

Maximizar Z  32x1  20x 2  60x 3

sujeto a : 9x1  5x 2  20x 3  400
11x1  18x 2  6x 3  750
x1 , x 2 , x 3  0
En forma resumida :
3 3
Max Z   c j x j ; sujeto a :  a ijx j  b i , i  1,2 ; x j  0
j1 j1

5
 EJEMPLO 2 (*)

La empresa WGC produce dos productos en sus tres plantas. Los datos relevantes se muestran más abajo. La
división de mercadeo ha concluido que se puede vender la cantidad que puedan producir las tres plantas. Se
desea saber cuántas unidades deben producirse de cada producto para maximizar las ganancias por sus
ventas. Formule el problema, es decir, defina las variables de decisión, muestre la función objetivo y las
restricciones-
Tiempo de producción
por producto (Hr)
Productos
Tiempo de producción
Planta 1 2
disponible Hr/semana
1 1 0 4
2 0 2 12
3 3 2 18
Ganancia
3000 5000
por producto

(*) Resumido de Hillier and Lieberman, “Introduction to Operations Research”, 9TH Edition
6
 EJEMPLO 2 (*)

Designemos por x1 y x2 la cantidad de productos 1 y 2, respectivamente, que deben producirse y

venderse. Designemos por Z la ganancia. El modelo es entonces:

Maximizar Z = 3000x1 + 5000x2 (Función objetivo)

Sujeto a: x1 ≤ 4
2x2 ≤ 12
(Restricciones)
3x1 + 2x2 ≤ 18
x1 , x2 ≥ 0

También puede expresarse:

Maximizar (En miles) Z = 3x1 + 5x2 (Función objetivo)

Sujeto a: x1 ≤ 4
x2 ≤ 6 (Restricciones)
3x1 + 2x2 ≤ 18
x1 , x2 ≥ 0

(*) Resumido de Hillier and Lieberman, “Introduction to Operations Research”, 9TH Edition
7
 EJEMPLO 3

Supongamos que se desea obtener un diseño preliminar de un conjunto de apartamentos. Nuestro

estudio muestra que los apartamentos de 1 y 2 habitaciones son los más buscados en el área. Se
conoce que hay demanda, a lo sumo, de 3 apartamentos de 3 habitaciones y 6 apartamentos de 2
habitaciones. La tabla siguiente muestra el costo y la ganancia para cada tipo de apartamento.

Tipo de apto. Costo Ganancia

1 habitación 90 20
2 habitaciones 180 24
3 habitaciones 220 27

El capital disponible es 1.800. Si el criterio de maximizar ganancias fuese el único, lo más ventajoso
sería construir todos de una habitación. Sin embargo, la planificación exige que se construyen
apartamentos de todo tipo y se ha colocado una penalización de hasta 960 puntos para permitir
diversidad.

8
 EJEMPLO 3 (CONTINUACIÓN)

Tipo de apartamento Penalización

1 habitación 120
2 habitaciones 60
3 habitaciones 30
¿Cuántos apartamentos de cada tipo deben construirse?
SOLUCIÓN
Designemos por x1, x2 y x3 el número de apartamentos de 1, 2 y 3 habitaciones,
respectivamente
Maximizar Z = 20x1 + 24x2 + 27x3
90x1 + 180x2 + 220x3 ≤ 1800
120x1 + 60x2 + 20x3 ≤ 960
X2 ≤ 6; x3 ≤ 3; x1, x2, x3 ≥ 0
La solución es: x1 = 5,778 ; x2 = 3,444 ; x3 = 3,00

9
 EJEMPLO 4 (*)

Ozark Farms consume diariamente un mínimo de 800 lb de un alimento especial, el cual es una
mezcla de maíz y soya con las composiciones que se muestran en la tabla de abajo. Las necesidades
dietéticas del alimento especial son un mínimo de 30% de proteína y un máximo de 5% de fibra. El
objetivo es determinar la mezcla diaria de alimento a un costo mínimo. Formule el problema como
uno de programación lineal.

x1= libras de maíz en la mezcla diaria

x2 = libras de soya en la mezcla diaria

Min Z = 0,3x1 +0,9x2

s.a: x1 + x2 ≥ 800
Modelo de PL 0,21x1 – 0,30x2 ≤ 0
0,03x1 – 0,01x2 ≥ 0
x1, x2 ≥ 0

(*) Resumido de H. TAHA, “Investigación de Operaciones”, 9a Edición

10
 EJERCICIOS (*)

1. Para el caso del problema 5 del tema 1, defina las siguientes restricciones y expréselas con un
lado izquierdo lineal y un lado derecho constante:
(a) La demanda diaria de pintura para interiores supera la de pintura para exteriores por al menos
una tonelada.
(b) El consumo diario de materia prima M2 en toneladas es cuando mucho de 6 y por lo menos de 3.
(c) La demanda de pintura para interiores no puede ser menor que la demanda de pintura para
exteriores.
(d) La cantidad mínima de pintura que debe producirse tanto para interiores como para exteriores es
de 3 toneladas.
(e) La proporción de pintura para interiores respecto de la producción total de pintura para interiores
y exteriores no debe exceder de 5
2. Una compañía que funciona 10 horas al día fabrica dos productos en tres procesos secuenciales.
La tabla resume los datos pertinentes. Formule el problema como uno de PL para determinar la
combinación óptima de los dos productos.

(*)Tomados de H. Taha, Novena edición 11

 EJERCICIOS

3. Resuelva el problema N° 5, página 20 del libro de H. Taha, novena edición

4. Resuelva el problema N° 6, página 20 del libro de H. Taha, novena edición
5. Resuelva el problema de la dieta (página 24 del libro de H. Taha, novena edición), suponiendo
que la disponibilidad diaria de maíz se limita a 450 lb. Identifique el nuevo espacio de soluciones,
y determine la nueva solución óptima.
6. Una empresa elabora tres tipos de bebidas utilizando zumo de piña y zumo de melocotón. El
dueño de la empresa ha comprado 1.500 litros de zumo de piña y 2.000 de zumo de melocotón.
Los litros de zumo requeridos en la fabricación de cada bebida vienen dados en la tabla que se
muestra más adelante. El precio de venta de cada bebida es 15 euros el litro. El costo del zumo
de piña es de 1 euro el litro y 2 euros el litro de zumo de melocotón. Se conoce que la demanda
de bebidas asciende a 400 litros. Formule el problema como uno de PL.

12
OBTENCIÓN DE SOLUCIONES DE UN MODELO DE PL

• Método gráfico *
• Método algebraico *
• Método Simplex, Revisado, Dual Simplex *
• Método de descomposición
• Método del pivote complementario
• Método del punto interior

13
 MÉTODO GRÁFICO

CONJUNTO CONVEXO:
Un conjunto C es convexo si para dos puntos cualesquiera P y Q pertenecientes al
conjunto, con coordenadas (p1, p2) y (q1, q2) respectivamente, cualquier punto X
cuyas coordenadas sean:
x1 = l p1 + (1 – l) q2
x2 = l p2 + (1 – l) q2 ; 0 ≤ l ≤ 1
también pertenece al conjunto

P
P

Q
Q

14
EJEMPLO 1 (MÉTODO GRÁFICO)

Maximizar Z = 3x1 + 6x2 (0)

s.a: x1 + x2 ≤ 10 (1)
x1 ≤ 2 x2 (2)
x2 ≤ 6 (3)
x1, x2 ≥ 0 (4)

x2
X2 = 6 (ecuación de borde

(1)

P (3) K: Región factible (se

(2) cumple con todas las
K restricciones)
P: Solución Óptima

x1

15
EJEMPLO 2: MÉTODO GRÁFICO

Minimizar Z = 2x1 + 5x2 (1)

s. a: 8x1 + 4x2 ≤ 32 (2)
x1 ≤ 2x2 (3)
x2 ≤ 10 ; (4) x1, x2 ≥ 0

x2

(3)
(4)

(2)
K

Óptimo
x1

16
Ejemplo 3: Método gráfico

Maximizar Z = 3x1 + 5x2

Sujeto a: x1 ≤ 4 x1, x2 ≥ 0
2x2 ≤ 12
x2 ≤ 8
3x1 + 2x2 ≤ 18

(2,6) X2 = 8

X1 = 4 X2 = 6
Restricción
activa
K
3X1 + 2x2 = 18

17
 EJERCICIOS

1) Maximizar Z = 5x1 + 4 4) Min Z = 0,3x1 +0,9x2

Sujeto a: 6x1 + 4 x2 ≤ 20
x1 + 2x2 ≤ 6 s.a: x1 + x2 ≥ 800
-x1 + x2 ≤ 1 0,21x1 – 0,30x2 ≤ 0
x2 ≤ 2 x1, x2 ≥ 0 0,03x1 – 0,01x2 ≥ 0
x1, x2 ≥ 0
2) Maximizar Z = 2x1 + 4x2
Sujeto a: x1 + x2 ≤ 4
x1 + 2x2 ≤ 5 x1, x2, ≥ 0

3) Maximizar Z = 2x1 + x2
Sujeto a: x1 – x2 ≤ 10
2x1 ≤ 40 x1, x2, ≥ 0

18
 EJERCICIOS
6. La siguiente tabla resume los hechos más importantes acerca de dos productos A y B, y los
recursos Q, R y S requeridos para producirlos. A) Formule el problema como uno de PL. B)
Resuélvalo por el método gráfico. C) ¿Cuál es la solución del problema si las ganancias por unidad
de A y de B son, respectivamente 4 y 1?
Recurso utilizado por
unidad producida
Cantidad de recurso
Recursos A B
disponible
Q 2 1 2
R 1 2 2
S 3 3 4
Ganancia
3 2
por producto

7. Suponga que en un modelo de PL se han suministrado las restricciones que se muestran más
abajo. A) Demuestre que la región factible está ilimitada. B) Si el objetivo es maximizar Z=x2-x1,
¿tiene entonces el modelo una solución óptima? C) Repita la parte B) cuando el objetivo es
maximizar Z = x1 – x2. D) Para el caso que la función objetivo es tal que el modelo no tiene solución
óptima, ¿significa que no hay solución óptima para este modelo? Explique que pudo haber pasado
cuando se formuló el problema.

Restricciones: -x1 + 2x2 ≤ 50; -2x1 + x2 ≤ 50, x1, x2 ≥ 0

19
 EJERCICIOS
8. Use el método gráfico para resolver el siguiente problema de PL:
Minimizar Z = 15x1 + 20x2
x1 + 2x2 ≥ 10
2x1 – 3x2 ≤ 6 Restricciones
x1 + x2 ≥ 6
x1, x2 ≥ 0
9. Considere el siguiente modelo de PL que se muestra más abajo.
A) Use el método gráfico para resolver este modelo.
B) Cómo cambia la solución óptima si se cambia la función objetivo a Z = 40x1 + 70x2

Mín. Z = 40x1 + 50x2

Sujeto a:
2x1 + 3x2 ≥ 30
X1 + x2 ≥ 12
2x1 + x2 ≥ 20
x1 ≥ 0, x2 ≥ 0

20
 MÉTODO ALGEBRAICO
n
Maximizar Z   c j x j (Función objetivo)
j1
Problema
n
Sujeto a : a
j1
ij x j  b i ; i  1,2,..., m Original

xj  0
Las xj se llaman las variables de decisión y representa n el nivel de actividad

En el método algebraico, cada desigualdad se transforma en una igualdad

añadiendo VARIABLES DE HOLGURA, con lo cual el número de
variables se incrementa en m, ya que hemos agregado una variable de
holgura por cada restricción, a excepción de las de no negatividad. El
modelo así construido se llama problema aumentado.

21
DEFINICIONES Y PROPIEDADES

• La ecuación de borde de una cualquiera de las restricciones del problema original coincide
con la del problema aumentado, si la variable de holgura correspondiente es igual a cero.

• La intersección de dos ecuaciones de borde en el problema original, es un “punto

esquina” de n dimensiones.

• Un punto esquina que pertenezca a la región factible, se llama “punto esquina factible”

• Dos puntos esquina factibles se llaman “adyacentes”, si el segmento que los une es un
borde de la región factible.

• Una “solución aumentada” es aquella del problema original que ha sido aumentada con
los valores correspondientes a las variables de holgura.

22
 DEFINICIONES Y PROPIEDADES (CONTINUACIÓN)

• Una solución básica es un punto esquina obtenido del

problema aumentado. Cada solución básica (SB) se obtiene
haciendo n variables (llamadas variables no básicas – VNB)
iguales a cero. Las restantes m variables (VB) se obtienen de la
solución simultánea del sistema de m ecuaciones.
• Una solución básica factible (SBF) es un punto esquina factible
en el problema aumentado con las variables de holgura. Si una
de esas m variables básicas es cero, la solución se llama
degenerada.

23
 DEFINICIONES Y PROPIEDADES (CONTINUACIÓN)

PROPIEDAD 1
Si hay una solución óptima, ésta debe ser un punto esquina factible. Si hay
múltiples soluciones óptimas, entonces dos puntos esquina factibles deben
ser adyacentes. No es posible tener una solución óptima que no sea un
punto esquina factible.
PROPIEDAD 2
Hay un número finito de puntos esquina factibles

C (m + n), n = (m + n)! / m!.n!

PROPIEDAD 3
Si un punto esquina factible es “mejor o igual” que todos sus adyacentes,
entonces es óptimo

24
 EJEMPLO

Sea x2

Maximizar Z = 3x1 + 6x2 x1+x2 = 10

s. a.: x1 + x2 ≤ 10 Óptimo
x2 = 6
x1 – 2x2 ≤ 0 m=3
Región
x2 ≤ 6 Factible

x1, x2 ≥ 0 x1-x2 = 0
x1
El problema aumentado con las variables de holgura es:
Maximizar Z = 3x1 + 6x2
s. a.: x1 + x2 + x3 = 10
x1 – 2x2 + x4 = 0
x2 + x5 = 6
x1, x2, x3,x4,x5 ≥ 0
Hay n + m = 5 variables y m = 3 ecuaciones, luego hay 2 VNB y 3 VB
Para resolver el sistema hacemos las variables no básicas = 0 y calculamos los valores
de las variables básicas. A continuación, calculamos el valor de Z y el máximo es la
solución
25
 SOLUCIÓN AL EJEMPLO POR EL MÉTODO ALGEBRAICO

Hay C5,2 = 10 puntos esquina (2 VNB y 3 VB. Total de variables = 5)

VNB VB (X1,X2,X3,X4,X5) Z Obs
1,2 3,4,5 0,0,10,0,6 0 Degenerada
1,3 2,4,5 0,10,0,20,-4 --- No factible x2

1,5 2,3,4 0,6,4,12,0 36 x1+x2 = 10

1,4 Igual a la 1a Óptimo

x2 = 6
2,3 1,4,5 10,0,0.-10,6 No factible
Región
2,4 1,3,5 0,0,10,0,6 Degenerada Factible
2,5 1,3,4 No pto. esquina
x1-x2 = 0
3,4 1,2,5 20/3,10/3,0,0,50/3 40 x1

3,5 1,2,4 4,6,0,8,0 48 Óptimo

4,5 1,2,3 12,6,-8,0,0 --- No factible

Para que una solución sea factible, todas las variables deben tener valores ≥ 0

26
 EJERCICIOS

Resuelva los siguientes ejercicios utilizando el método algebraico.

1) Minimizar Z = -2x1 – 4x2

Sujeto a: 2x1 + 3x2 ≤ 7

8x2 ≤ 4
x1 ≥ 0; x2 ≥ 0

2) Maximizar Z = 5x1 – 7x2

Sujeto a: 10x1 + 3x2 ≤ 3

6x1-2x2 ≤ 2
x1 ≥ 0; x2 ≥ 0

3)

27
 EL MÉTODO SIMPLEX

n
Maximizar Z   c j x j (Función objetivo)
j1
n
Sujeto a : a
j1
ij x j  b i ; i  1,2,..., m

xj  0

FORMA CANÓNICA:
• Maximización

• Variables de decisión no negativas

• Restricciones del tipo ≤

28
TRANSFORMACIONES A LA FORMA CANÓNICA
1. Minimización (Z) se transforma a maximización (W = -Z)
Ejemplo:
Minimizar Z = 3x1 + 5x2 – 6x3 se transforma a
Maximizar W = -3x1 – 5x2 + 6x3

2. Desigualdad del tipo ≥

Se multiplica por -1 para obtener una del tipo ≤
Ejemplo:
3x1 + 8x2 – 10x3 ≥ 5 se transforma en -3x1 - 8x2 + 10x3 ≤ - 5

3. Restricción del tipo =

Ejemplo: 8x1 + 6x2 +7x3 = 40 se transforma en
8x1 + 6x2 +7x3 ≤ 40 y 8x1 + 6x2 +7x3 ≥ 40
29
TRANSFORMACIONES A LA FORMA CANÓNICA (CONTINUACIÓN)

4. Una variable sin restricción de signo puede ser reemplazada por la

diferencia de dos no negativas.
Ejemplo: Si x3 no está restringida en signo se reemplaza por (x3’ – x3”) donde
x3’ y x3” son mayores o iguales a cero.

5. Una restricción cuyo primer miembro es un valor absoluto

Ejemplo: | ax1 + bx2 | ≤ C, donde C ≥ 0 se reemplaza por:
ax1 + bx2 ≤ C y ax1 + bx2 ≥ - C

30
TRANSFORMACIONES A LA FORMA CANÓNICA
Ejemplo: Expresar en forma canónica
Minimizar Z = 3x1 + 5x2 – 6x3
s.a: x1 + x2 + x3 ≤ 20
3x1 +6x2 + 10x3 ≥ 30
x2 + x3 = 11
|2x1 + x2 | ≤ 15 ; x1, x2 ≥ 0 ; x3 sin restricción de signo
Se expresa en forma canónica de la siguiente manera:
Maximizar W = -3x1 - 5x2 + 6 (x3’ – x3”)
x1 + x2 + (x3’ – x3”) ≤ 20
-3x1 - 6x2 - 10 (x3’ – x3”) ≤ - 30
x2 + (x3’ – x3”) ≤ 11
-x2 - (x3’ – x3”) ≤ -11
2x1 + x2 ≤ 15 y -2x1 - x2 ≤ 15
x1, x2, x3’, x3” ≥ 0
31
 FORMA TÍPICA DEL MODELO DE PROGRAMACIÓN LINEAL

n
Maximizar Z   c j x j (Función objetivo)
j1
n
Sujeto a : a
j1
ij x j  x i  b i ; i  1,2,..., m

xj  0; x i  0; b i  0

32
 FORMA TÍPICA DEL MODELO DE PROGRAMACIÓN LINEAL

Transformación a la forma típica del modelo de PL:

Para restricciones del tipo ≤ se agrega una variable de holgura por cada restricción
Para restricciones del tipo ≥ se agrega una variable de exceso (surplus) por cada
restricción

ORIGINAL FORMA TÍPICA

Máx. Z = 2x1 + 5x2 – x3 Máx. Z = 2x1 + 5x2 – x3
s.a: 3x1 + x2 + 2x3 ≤ 15 s.a: 3x1 + x2 + 2x3 + x4 = 15
x1 + x2 – x3 ≤ 20 x1 + x2 – x3 +x5 = 20
2x1 + 4x2 ≥ 8 2x1 + 4x2 - x6 = 8
x1, x2, x3 ≥ 0 x1, x2, x3,x4,x5,x6 ≥ 0

33
 EL MÉTODO SIMPLEX EN FORMA TABULAR

Máx. Z = 2x1 + 5x2 + 8x3

s.a: x1 + x2 + x3 ≤ 12
8x1 - 4x2 +4x3 ≤ 24
x2 + x3 ≤ 8
x1, x2, x3 ≥ 0

Agregamos las variables de holgura

Máx. Z = 2x1 + 5x2 + 8x3

s.a: x1 + x2 + x3 + x4 = 12
8x1 - 4x2 +4x3 + x5 = 24
x2 + x3 + x6 = 8

xj ≥ 0 ; j = 1,2, …,6

34
 EL MÉTODO SIMPLEX EN FORMA TABULAR

Z - 2x1 - 5x2 - 8x3 +0x4+0x5+0x6 =0

x1 + x 2 + x3 + x4 = 12
8x1 - 4x2 +4x3 + x5 = 24
x2 + x3 + x6 = 8

La tabla inicial es la siguiente:

VB x1 x2 x3 x4 x5 x6 b
Z -2 -5 -8 0 0 0 0
Fila pivote
x4 1 1 1 1 0 0 12
x5 8 -4 4 0 1 0 24
x6 0 1 1 0 0 1 8

Elemento pivote Columna pivote

Variable que entra es x3 (coeficiente de Z más negativo)

Variable que sale: 12/1 = 12; 24/4 = 6; 8/1 = 8. El menor valor es 6 que corresponde a x5. Luego,
la variable que sale es x5 (cociente menor entre 12, 6 y 8).
La intersección de la columna pivote con la fila pivote es el elemento pivote (#4)
35
 EL MÉTODO SIMPLEX EN FORMA TABULAR

Dividimos entre 4 los números de la fila pivote para obtener 1 en el elemento pivote. La fila queda:
x3 2 -1 1 0 1/4 0 6

Los números restantes de la columna pivote deben ser ceros. Por ejemplo, para formar un cero en la fila de Z
multiplicamos los números de la fila anterior por -8 y los sumamos con los correspondientes a la fila de Z. Con
lo cual la nueva fila de queda:

Z 14 -13 0 0 2 0 48

Operaciones similares se repiten para formar ceros en los elementos restantes de la columna pivote. La tabla
después de la primera iteración queda:

VB x1 x2 x3 x4 x5 x6 b
Z 14 -13 0 0 2 0 48 Z =48
El resto de
x4 -1 2 0 1 -1/4 0 6 X4=6 las variables
tienen valor
x3 2 -1 1 0 1/4 0 6 x3=6
cero
x6 -2 2 0 0 -1/4 1 2 x6=2

Todavía la solución no es óptima. Para la próxima iteración, la variable que entra es x2 y la

36
variable que sale es x6.
 EL MÉTODO SIMPLEX EN FORMA TABULAR
VB x1 x2 x3 x4 x5 x6 b
Z -2 -5 -8 0 0 0 0
Tabla
x4 1 1 1 1 0 0 12
inicial
x5 8 -4 4 0 1 0 24
x6 0 1 1 0 0 1 8
Z 14 -13 0 0 2 0 48
Primera
x4 -1 2 0 1 -1/4 0 6
iteración
x3 2 -1 1 0 1/4 0 6
x6 -2 2 0 0 -1/4 1 2
Z 1 0 0 0 3/8 13/2 61
x4 1 0 0 1 0 -1 4 Segunda
iteración
x3 1 0 1 0 1/8 1/2 7
x2 1 1 0 0 -1/8 1/2 1

Solución óptima: x1 = 0; x2 = 1; x3 = 7; x4 = 4; x5 = 0; x6 = 0 ; Z = 61

37
 USO DE SOLVER PARA OBTENER LA SOLUCIÓN DE UN PROBLEMA DE PL
EJEMPLO 1:
Se hace referencia al modelo del Tema 1, lámina N° 27

38
 USO DE SOLVER PARA OBTENER LA SOLUCIÓN DE UN PROBLEMA DE PL
EJEMPLO 2
UTILICE SOLVER PARA COMPROBAR EL RESULTADO DEL PROBLEMA PROPUESTO EN EL TEMA 2
RELACIONADO CON EL DISEÑO PRELIMINAR DE UN CONJUNTO DE APARTAMENTOS.

39
 USO DE SOLVER PARA OBTENER LA SOLUCIÓN DE UN PROBLEMA DE PL

EJEMPLO 3:

X1 X2 TOTALES
FUNCIÓN OBJETIVO 8 5 230
RESTRICCIÓN 1 -3 2 30 >= 30
RESTRICCIÓN 2 2 1 50 >= 50
RESTRICCIÓN 3 1 1 40 >= 30
x1 x2 Z
SOLUCIÓN 10 30 230

40
 EJERCICIOS: UTILICE “SOLVER” PARA RESELVER LOS SIGUIENTES PROBLEMAS

1) 2)
Mín. Z = 6x1 + 4x2 + 2x3 Min. Z = 12 x1 + 7 x2
s.a.: 5 x1 + 7 x2 ≥ 8
s.a.: 6x1 + 2x2 + 6x3 ≥ 6
4 x1 + 2 x2 ≥ 15
6x1 + 4x2 = 12
2 x1 + 1 x2 ≥ 3
2x1 – 2x2 ≤ 12 x1, x2 ≥ 0
x1,x2,x3 ≥ 0

3)
Máx. Y = 8y1 + 15y2 + 3y3
s.a.: 5y1 + 4y2 + 2y3 ≤ 12
7y1 + 2y2 + y3 ≤ 7
y1, y2, y3 ≥ 0

41
 TÉCNICA DE LAS VARIABLES ARTIFICIALES

Si todas las restricciones son del tipo ≤, se puede establecer una Solución Básica Factible
(SBF) de partida con las variables de holgura. Sin embargo, si las restricciones son del
tipo ≥ o del tipo =, se usa la técnica de las variables artificiales.

Ejemplo 1:
6x1 + 2x2 + 6x3 ≥ 6 se transforma en:
1° ) 6x1 + 2x2 + 6x3 – x4 = 6
Luego 6x1 + 2x2 + 6x3 - x4 + x5 = 6, donde x5 es una variable artificial no negativa
Ejemplo 2:
6x1 + 4x2 = 12 se transforma en:
6x1 + 4x2 + x7 = 12, donde x7 es una variable artificial no negativa

42
 EJEMPLO:
Mín. Z = 6x1 + 4x2 + 2x3
s.a.: 6x1 + 2x2 + 6x3 ≥ 6
6x1 + 4x2 = 12
2x1 – 2x2 ≤ 12
x1,x2,x3 ≥ 0

La forma típica es:

Máx. W = - 6x1 - 4x2 - 2x3
s.a.: 6x1 + 2x2 + 6x3 – x4 + x5 = 6
6x1 + 4x2 + x6 = 12
2x1 – 2x2 + x7 = 12
x1,x2,x3, x4, x5, x6, x7 ≥ 0
x4 es una variable de exceso (surplus)
x5 , x6 son variables artificiales y x7 es una variable de holgura (slack)
43
 DUALIDAD
Todo problema de PL tiene asociado un segundo problema, de tal manera que la solución
óptima de uno de ellos produce información sobre la solución óptima del otro. A uno de los
problemas se le conoce como primal y al otro como dual.
Ejemplo (Problema de la dieta)
Supongamos que un granjero puede utilizar dos tipos (1 y 2) de granos para alimentar a sus
pollos. El costo de cada kilogramo de los tipos 1 y 2 son, respectivamente Bs. 12 y Bs. 7. Cada
kilogramo de los tipos 1 y 2 proporciona cierta cantidad de los nutrientes almidón, proteínas y
vitaminas.

Unidades / Kg. De grano

Grano tipo Almidón Proteínas Vitaminas
1 5 4 2
2 7 2 1

El número de unidades requerido para una dieta balanceada de almidón, proteínas y vitaminas
es, respectivamente, 8, 15 y 3. Se desea determinar las cantidades de granos tipos 1 y 2 para
obtener la dieta requerida a un costo mínimo.

44
 SOLUCIÓN AL PROBLEMA DE LA DIETA
Designemos por x1 y x2 el número de kilogramos de granos tipos 1 y 2.
El modelo es:
Min. Z = 12 (Bs./Kg.) x1 + 7 (Bs./Kg.) x2
s.a.: 5 (unid. /kg.) x1 + 7 (unid. /kg.) x2 ≥ 8 unidades
4 (unid. /kg.) x1 + 2 (unid. /kg.) x2 ≥ 15 unidades
2 (unid. /kg.) x1 + 1 (unid. /kg.) x2 ≥ 3 unidades
x1, x2 ≥ 0

Supongamos ahora que un industrial le propone al granjero fabricarle un tipo especial de harina,
en cubitos, para cada tipo de nutriente.
Designemos por y1, y2 , y3 los precios del industrial (Bs. / unidad) para el almidón, la proteína y la
vitamina. Un kilogramos del industrial tiene un valor intrínseco de 5y1 + 4y2 + 2y3. El precio del
industrial, para ser competitivo, debe cumplir para el grano tipo 1 lo siguiente:
5y1 + 4y2 + 2y3 ≤ 12. De manera similar 7y1 + 2y2 + y3 ≤ 7

45
SOLUCIÓN AL PROBLEMA DE LA DIETA (CONTINUACIÓN)

PRIMAL DUAL

Min. Z = 12 x1 + 7 x2 Máx. Y = 8y1 + 15y2 + 3y3

s.a.: 5 x1 + 7 x2 ≥ 8
4 x1 + 2 x2 ≥ 15
2 x1 + 1 x2 ≥ 3
x1, x2 ≥ 0
s.a.: 5y1 + 4y2 + 2y3 ≤ 12
7y1 + 2y2 + y3 ≤ 7
y1, y2, y3 ≥ 0

Las yi se les llaman las variables duales

46
OBTENCIÓN DEL DUAL DE UN PROBLEMA
(PRIMAL) DE PL
Sea Máx. Z = c x
s.a.: A x ≤ b (I)
x≥0

El dual es:
Min. Y = b’ y
s.a.: A’ y ≥ c’ (II)
y≥ 0

47
EJEMPLOS
1)

PRIMAL DUAL
Máx. Z = 5x1 + 8x2 Min. Y = 60y1 + 80y2 -3y3 +6y4
x1 + 6x2 ≤ 60 y1 y1 + 3y2 y3 ≥ 5
3x1 + 8x2 ≤ 80 y2 6y1 +8y2 – y3 + y4 ≥ 8
x1 + x2 ≥ 3 y3 y1, y2, y3, y4 ≥ 0
x2 ≤ 6 y4
x1, x2 ≥ 0

48
EJEMPLOS
2)

PRIMAL DUAL
Máx. Z = 3x1 – 5x2 + 6x3
2x1 – x2 + 3x3 = 12
3x2 + x3 ≤ 15
-3 ≤ x1 ≤ 10 Min. Y = 12y1 + 15y2 +10y3 + y4
x2 ≥ 0; x3: sin restricción de signo 2y1 – y4 = 3
Las restricciones se escriben: -y1 + 3y2 ≥ -5
2x1 – x2 + 3x3 = 12 y1 3y1 + y2 = 6
3x2 + x3 ≤ 15 y2 y1: sin restricción de signo
x1 ≤ 10 y3 y2, y3, y4 ≥ 0
-x1 ≤ 3 y4

49
EJERCICIO PARA REALIZAR EN CLASE:

Hallar el dual del siguiente problema de programación lineal

Minimizar Z = c11x11 + c12x12 + c21x21 + c22x22 + c31x31 + c32x32

Sujeto a:
x11 + x12 = a1
x21 + x22 = a2
x31 + x32 = a3
x11 + x21 + x31 = b1
x12 + x22 + x32 = b2
xij ≥ 0, para todo i, j
PROPIEDADES FUNDAMENTALES DE LOS PROBLEMAS DUALES

1. Si x es una solución del problema primal e y es una solución del dual, entonces Z ≤ Y

2. Si (I) y (II) tienen soluciones factibles x* e y*, con c x = b’ y, entonces x* e y* son soluciones óptimas
de (I) y (II), respectivamente.

3. Si el problema de maximización es factible y su función objetivo no está acotada superiormente, el

problema de minimización no puede tener una solución factible.

4. Si el problema de minimización es factible y su función objetivo no está acotada inferiormente, el

problema de maximización no puede tener una solución factible.

5. Teorema fundamental: Si uno de los dos problemas (primal o dual) tiene una solución óptima,
entonces el otro tiene una solución óptima y los valores de esos óptimos son iguales, es decir, Máx. Z =
Min. Y

51
 EJEMPLO: UTILICE SOLVER PARA OBTENER LAS SOLUCIONES DEL PRIMAL Y DEL DUAL.

PRIMAL DUAL
Máx. Z = 5x1 + 4x2 Min. W = 24y1 + 6y2 + y3 +2y4
6x1 + 4x2 ≤ 24 6y1 + y2 – y3 ≥ 5
x1 + 2x2 ≤ 6 4y1 +2y2 +y3 + y4 ≥ 4
-x1 + x2 ≤ 1 y1, y2, y3, y4 ≥ 0
x2 ≤ 2
x1, x2 ≥ 0

52
OTRO EJEMPLO
Utilice SOLVER para resolver el primal y el dual del siguiente problema primal de PL:
Min. Z = 2x1 + x2
x1 + x2 ≥ 10
10x1 – x2 ≥ -10
4x1 – x2 ≥ -20
x1 + 4x2 ≥ 20
x1,x2 ≥ 0

El dual es:
Máx. Y = 10y1 – 10y2 -20y3 +20y4
y1 + y2 +4y3 + y4 ≤ 2
y1 – y2 – y3 +4y4 ≤ -1
y1, y2, y3, y4 ≥ 0

53
INTERPRETACIÓN ECONÓMICA DE LAS VARIABLES DUALES.

Recordemos que si x es una solución del problema primal e y es una solución del dual,
entonces Z ≤ Y, es decir:

n m
Z   c j x j   bi yi  Y
j1 i 1

La igualdad es válida cuando la solución del primal y del dual son óptimas.
Debido a que bi representa el número de unidades disponibles del recurso i,
entonces bi yi puede expresarse dimensionalmente como:
Bs. = (unidades del recurso i) (Bs. / unidad de recurso i)
De tal manera que las yi representan el valor por unidad del recurso i. Los
valores de las yi se les llama precios duales o precios sombra (también
multiplicadores simplex)

54
ANÁLISIS DE SENSIBILIDAD

Recordemos que un análisis de sensibilidad tiene como objetivo averiguar cómo cambia la
solución de un problema por cambios en parámetros del modelo. El análisis de sensibilidad se
hace después de obtener la solución óptima de un modelo de PL. Lo que se quiere es
determinar si los cambios en los coeficientes del modelo, modifican de alguna manera la
solución presente. Si ocurre alguna modificación, entonces cómo obtener eficientemente la
nueva solución óptima, caso que exista.

Los cambios que se pueden introducir conducen a:

1. La solución óptima presente permanece inalterada
2. La solución presente se vuelve no factible
3. La solución presente se vuelve no óptima
4. La solución presente se vuelve no óptima y no factible
5. Múltiples soluciones óptimas

55
 Z=6
X1=0, x2 = 6
Z=15 X2=0, x1=2

56
 ANÁLISIS DE SENSIBILIDAD
Utilice el diagrama anterior para realizar, gráficamente, los siguientes cambios, uno por uno, a partir
del problema original. Obtenga los nuevos valores óptimos (caso que existan).
Los valores después de realizar los cambios, puede comprobarlos utilizando Solver.

1) Agregue la restricción x2 ≤8 (¿Nueva solución óptima?)

2) Cambie la función objetivo a: Max Z = 3x1 + x2 (¿Nueva solución óptima?)

3) Cambie la función objetivo a: Max Z = 6x1 + 4x2 (¿Nueva solución óptima?)

4) Cambie el segundo miembro de la restricción #2, de 12 a 24

57