Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Capitulo I-Mc
Capitulo I-Mc
Para Moskovitz
Con los elementos y variables del sistema real, dependiendo del caso se
representan como modelo físico, simbólico o analógico, teniendo en cuenta que un
modelo es menos complejo que un sistema real, ya que es imposible representar
todos los elementos de un sistema real en un modelo.
Solución y prueba del modelo
Identificados los errores del modelo, será necesario, cambiar ciertos datos errados
o variables no consideradas, así como incluir alguna información que es relevante
para el modelo y no se tomó en cuenta, todos estos cambios se realizaran en el
modelo para generar un modelo reformulado o ajustado.
Cadenas de Markov: Técnica que se usa para predecir a corto y largo tiempo, los
eventos futuros, bajo un cierto comportamiento inicial. Estipula que todo evento o
suceso inicial evoluciona con una probabilidad de ocurrencia ahora y después, si
estas ocurrencias se hacen repetidas veces constituyen la cadena de Markov. El
proceso contempla cadenas de Markov transitorias, aplicaciones, clasificación de
estados de una cadena de Markov, periodicidad, cadenas ergódicas, tiempos
promedio de primera pasada, cadenas de Markov absorbentes.
Simulación: Esta es una técnica que nos permite recopilar información acerca del
comportamiento del sistema al paso del tiempo, se usa para estimar las mediciones
del desempeño de un sistema modelado. La simulación se aplica en redes de
comunicaciones, manufactura, control de inventario, comportamiento del cliente,
pronósticos económicos, sistemas biomédicos y estrategias y tácticas bélicas, etc.
• Planeación de la producción,
• Asignación de personal,
• Transporte,
• Inventarios,
• Dietas,
• Mercado,
• Estrategias de inversión,
• Administración de proyectos,
• La automatización y la disminución de costos,
• Reclutamiento de personal,
• Clasificación y asignación a tareas de mejor actuación e incentivos a la
producción,
• Localización de bodegas y centros distribuidores,
• Reemplazo de equipo, comprar o rentar,
• Control de avance de cualquier proyecto con múltiples actividades, tanto
simultáneas como las que deben esperar para ejecutarse, etc.
CAPITULO I
PROGRAMACIÓN LINEAL
DEFINICIÓN
Respecto a los puntos a y b hemos visto cómo se generan dentro del ejemplo de la
fábrica de muebles. Las restricciones de no negatividad sugieren que luego de
satisfecho e l objetivo y las restricciones estructurales del modelo matemático de
programación lineal; esta debe interpretarse en un sentido económico o físico; es
decir, que las variables que satisfagan al modelo deben tomar valores mayores o
iguales a cero.
Antes de proceder a desarrollar cada una de las etapas o fases que se dan en la
aplicación de los modelos de programación lineal, nos detendremos un instante en
la evaluación o análisis de un sistema; ello implica que debemos tener bien en claro
lo siguiente: ¿Qué es un sistema? ¿Qué elementos constituyen el sistema? y ¿Cuál
es su comportamiento con su entorno y otro sistema? Para ello examinemos
nuestro sistema de la fábrica de muebles en estudio.
Como podemos observar en la tabla, los elementos del sistema han sido
cuantificados y existen requerimientos mínimos y disponibilidades máximos
para alguno de ellos, así como se desea optimizar un elemento del
sistema (utilidades) desde el punto de vista del gerente general; en ventas
y producción no se han cuantificado las cantidades de sillas, mesas y
estantes porque justamente es lo que debemos determinar. ¿Qué es lo que
se debe determinar en el problema?; así como se ha planteado desde el punto de
vista del gerente, uno de sus objetivos es maximizar las utilidades de producir
sillas, mesas y estantes; pero en ¿qué cantidades? es justamente lo que queremos
determinar un programa que me maximice las utilidades con los recursos presentes
en el sistema. En consecuencia lo que se desea determinar es el número de sillas,
mesas y estantes a fabricar; por lo tanto ellas constituirán nuestras variables
incógnitas de nuestro futuro modelo matemático que sugiere:
• Una función objetivo.
• Restricciones estructurales.
• Restricciones de no negatividad.
En esta parte vamos a detallar la construcción del modelo desde el punto de vista
del GERENTE siendo uno de sus objetivos principales el de maximizar las
utilidades totales de la fabricación de sillas, mesas y estantes en cantidades que
desconocemos, con la participación de los recursos escasos y disponibilidades;
para lo cual haremos un análisis rápido y somero de la utilidad total que
involucraría:
Sea
SI = (NS) el número de sillas a fabricar.
ME = (NM) el número de mesas a fabricar.
ES = (NE) el número de estantes a fabricar.
SI, ME, ES ≥ 0.
En resumen, la estructura total de nuestro modelo quedaría como:
Obteniéndose la solución de producir 200 sillas, 100 mesas y 1000 estantes con
una utilidad máxima de $3400
d1) IMPLEMENTACION
Esta concepción establece que cada problema es resuelto por cada área
responsable y se olvidan que cada problema es parte de la empresa en su conjunto
y que la empresa depende de otras empresas y otros sistemas. Esta concepción
constituye una forma cerrada de dar soluciones a determinado problema
construyéndose modelos matemáticos que no van a tener efectos positivos en la
toma de decisiones.
Existe otra concepción de los problemas de la empresa que está tomando mucha
fuerza en nuestro país, y es la de restituir la visión de síntesis o cerrada de analizar
los problemas por una más amplia y abierta que estudia los problemas en toda su
extensión y magnitud tratando de relacionarlos siempre con los objetivos
principales de la empresa, definiendo los elementos del sistema, sus
interrelaciones internas y externas como la evaluamos anteriormente. Este tipo de
análisis nos permite construir modelos de programación lineal en la que se trata de
representar la complejidad de la situación real en una forma abierta y compleja;
porque si el problema se suscita en una determinada área, este problema se
analiza al interior de ella y fuera de ella, permitiendo así la permanente interacción
entre los elementos del área problema y de ella con otras áreas dentro de la
empresa así, como con otros sistemas que interactúan con la empresa.
Hace décadas en el país se han introducido estas técnicas, debido al auge que
experimentaron las computadoras y que hicieron posible aplicar programas en
lenguaje de alto nivel y paquetes como el MPS/360 (Mathematical Programming
System), sistema que hacía uso de tarjetas para introducir los datos del modelo
matemático; luego aparecieron el MPSX/370 versión mejorada del paquete anterior
cuyo sistema de ingreso de datos y salidas y de resultados es interactivo
permitiendo una rápida solución del modelo. Ambos paquetes requieren el uso de
grandes ordenadores. Recientemente han aparecido paquetes para
microordenadores como el LP/1, LP/2 (Linear Programming 1 y 2 u algoritmo
Simplex y algoritmo del transporte); el LINDO (Linear Interactive And Discrete
Optimizer); el BLP88 (Bound Linear Programming 88), GLP, WINQSB, EXCEL,
POM y otros que han permitido el ingreso con fuerza de los modelos de
programación lineal en todo campo de empresas pública o privada, pequeña,
mediana y grande empresa. Si inicialmente la aplicación se hacía en función del
uso de computadores limitándose por ello las grandes empresas como PETRO
PERU, MINERO PERU, CENTROMIN PERU y otras
de gran envergadura; hoy con el uso de los computadores personales la aplicación
se ha difundido y sus resultados no se han hecho esperar
porque nos generan asignación eficiente de los recursos escasos con los que
cuenta una determinada institución; por lo que se puede decir que la programación
lineal ha dejado de ser un mito en su aplicación. Desde los primeros años de la
década del 60 diversas empresas y entidades han aplicado la programación
lineal para la toma de decisiones en problemas específicos. Dentro de las
aplicaciones conocidas en nuestro medio, mencionaremos las siguientes:
Modelo matemático de transporte de crudos y refinados para la asignación óptima
de la flota nacional.
Modelo de refinería para la obtención de gasolinas del octanaje adecuado al
mínimo costo.
Modelo matemático para la planta de lubricantes del callao
Unileche s.a.
Sider Perú
Ministerio de transportes
Ministerio de agricultura
Modelo de rotación de cultivos para los valles de la costa norte del Perú.
Función Objetivo
Restricciones
Las restricciones son relaciones entre las variables de decisión y los recursos
disponibles. Las restricciones del modelo limitan el valor de las variables de
decisión. Se generan cuando los recursos disponibles son limitados.
En el Modelo se incluye, adicionalmente de las restricciones, las restricciones de no
negatividad de las Variables de decisión, o sea: Xi ≥ 0. Por ejemplo, si una de las
variables de decisión representa el número de empleados de un taller, el valor de
esa variable no puede ser negativo. Porque, el mínimo valor que pueda tener la
variable mesas a fabricar, su valor solamente podrá ser igual a cero (cuando no se
produce) o mayor que cero (cuando se produce), o sea positivo; sería absurdo
obtener como resultado que se va a fabricar menos cuatro mesas, porque no
tendría explicación física ni económica.
Problema de Transporte
Por ejemplo, suponga que una empresa posee dos plantas que elaboran un
determinado producto en cantidades de 550 y 650 unidades diarias,
respectivamente. Dichas unidades deben ser trasladadas a tres almacenes con
demandas diarias de 400, 300 y 550 unidades, respectivamente. Los costos de
transporte (en $/unidad) son:
Diagrama
Variables de decisión:
Xij = Unidades transportadas de planta i (i=1,2), al almacén j (j=1,2,3)
Función Objetivo:
Demanda:
Oferta:
No Negatividad:
Xij ≥0
Las variables de decisión deben aceptar soluciones como números reales para
tener un modelo de programación lineal.
APLICACIÓN 2
Problema de la dieta
Variables de decisión:
Función Objetivo:
Problema de inventarios
Supuestos adicionales:
Variables de decisión:
Función objetivo:
Por condiciones del problema I3 es igual a cero, así que incluso podríamos no
incluirla, pero la consideramos.
Restricciones del problema:
Restricciones de demanda
Restricciones de no negatividad
APLICACIÓN 4
Supongamos que un banco dispone de $100 millones para destinar a cuatro tipos
de créditos ofrecidos, los cuales tienen las siguientes, tasas de crédito:
Variables de decisión:
Función Objetivo:
Restricciones
del problema:
Restricciones de no negatividad
APLICACIÓN 5
En el problema una refinería produce cuatro tipos de gasolina (gas 1, gas 2, gas 3 y
gas 4). Dos características importantes de cada gasolina son su número de
octanos (NO) y su presión de vapor (PV), que están dados por:
Estas gasolinas pueden ser vendidas directamente a un precio de $20 por barril o
bien mezcladas para obtener gasolinas de aviación (gas para avión tipo A y gas
para avión tipo B). La calidad de estas dos últimas junto con sus precios de venta
es:
Variables de decisión:
Xj: cantidad de barriles del gas j que son vendidos sin mezclar, con j = 1, 2, 3, 4.
XA: cantidad de barriles de gas para avión tipo A.
XB: cantidad de barriles de gas para avión tipo B.
XjA: cantidad de gas j usado en gas para avión tipo A.
XjB: cantidad de gas j usado en gas para avión tipo A.
De composición de barriles de A y B
De octanaje (NO)
APLICACIÓN 6
Distribución de Personal
Variables de decisión:
Función Objetivo:
Minimizar Costos de contratación
APLICACIÓN 7
Varillas de madera
El Jefe de producción ordena que se corten 350 varillas de 119cms y 350 varillas
de 90cms (Cada cuadro lleva 2 varillas de cada dimensión).
Cortar 350 varillas de 300cms. en varillas de 119cms, y de 90cms para cumplir con
el pedido de acuerdo a la orden del Jefe de Producción. El jefe de producción
propone los siguientes tipos de cortes:
Con este tipo de corte, se cortarían 175 varillas de 119cms y obtendríamos 350
varillas de 119cms, para los 175 cuadros de pedidos y 175*62=10850 cms de
desperdicio.
Con este tipo de corte, se tendrían que cortar 350/3=116.6 varillas de 300cms,
tendríamos que redondearlas a 117 varillas y el total de desperdicio de 117+30 + 90
= 3600cms. En conclusión, se comprarían 175 + 117= 292 varillas de 300cms y un
total de desperdicios de 10850 + 3600 = 14450cms de desperdicios.
Forma 1
Si cortamos:
1 varilla el resultado es 2 varilla de 119cms y 62cms de desperdicios
X1 varillas el resultado será 2X1 varillas de 119cms y 62X1 cms. de desperdicios
Forma 2
Si cortamos:
1 varilla el resultado es 2 varilla de 90cms, 1 varilla de 119cms y 62cms de
desperdicios
X2 varillas el resultado será 2X2 varillas de 90cms, 1X2 varilla de 119cms y 1X2
cms. de desperdicios
Forma 3
Si cortamos:
1 varilla el resultado es 3 varilla de 90cms y 30cms de desperdicios
X3 varillas el resultado será 3X3 varillas de 90cms 30X3 cms. de desperdicios
El modelo matemático:
Función objetivo:
Minimizar el total de desperdicios:
Para cumplir con el pedido de los 175 cuadros se necesitan 350 varillas de 90cms y
350 varillas de 119cms.
APLICACIÓN 8
Una empresa produce computadoras en dos plantas (P1, P2), los cuales son
enviados a dos almacenes (A1, A2), para luego distribuirlos a sus tres clientes (C1,
C2, C3). Las capacidades de producción en sus plantas 1 y 2 son de 30 y 20
unidades diarias, respectivamente. Los productos se llevan a los clientes 1, 2 y 3
que solicitan 15 unidades diarias cada una, en los almacenes no existen unidades
guardadas, sí los costos unitarios en dólares del traslado de las computadoras de
las plantas a los almacenes y de los almacenes a los clientes se dan en las tablas
siguientes:
Variables de decisión:
Función objetivo:
Restricción de no negatividad
Xij≥ 0; Enteros
APLICACIÓN 9
El problema de asignaciones
Una empresa de transporte tiene cuatro choferes para ser asignados a cuatro
vehículos (auto, tractor, camión y cisterna). Por experiencia de los choferes en
cada uno de estos vehículos se ha estimado un rango de evaluación de cero
(menos experimentado) a diez (más experimentado), obteniéndose la siguiente
tabla de calificación:
El objetivo es asignar los choferes a los vehículos uno a uno, de manera que se
maximice la calificación.
Función objetivo:
Restricciones de no negatividad:
METODOS DE SOLUCION DE LA PROGRAMACION LINEAL
a. FUNCIÓN OBJETIVO.
El criterio de optimización es por lo general optimizar un objetivo ya sea
maximizando por ejemplo utilidad, producción, ventas o minimizando costos,
tiempos, desperdicios, distancias. La función objetivo se presenta bajo la siguiente
forma general:
b. RESTRICCIONES ESTRUCTURALES.
Las restricciones de no negatividad son aquellas donde las variables toman valores
mayores o iguales a cero, por lo tanto ese tipo de restricciones se representan de
modo siguiente:
A. FUNCION OBJETIVO
B. RESTRICCIONES ESTRUCTURALES
C. RESTRICCIONES DE NO NEGATIVIDAD
a. FUNCIÓN OBJETIVO
b. RESTRICCIONES ESTRUCTURALES
c. RESTRICCIONES DE NO NEGATIVID AD
RESUMEN DE LA FORMA MATRICIAL
a. FUNCIÓN OBJETIVO
b. RESTRICCIONES ESTRUCTURALES
c. RESTRICCIONES DE NO NEGATIVID AD
Estandarizando el modelo:
Para solucionar problemas del sistema de “m” ecuaciones con “n” variables se
determinará un número de soluciones básicas igual a:
Se tendrán seis soluciones básicas y los pasos a seguir en el método son los
siguientes:
b . Generamos una nueva solución, eligiendo una variable que no esté en la base
Xk, entonces podemos elegir X1 o X2 en forma arbitraria, para nuestro caso se
está eligiendo X2 el cual ingresara a la base en reemplazo de S1 o S2, en
forma arbitraria elegimos S1. La elección de X2, genera una columna pivotal, y
la elección de S1 la fila pivotal, generando el elemento pivote por la
intersección de la fila y columna pivotal como se muestra en la tabla. El
elemento pivote identifica en su columna la variable que ingresa a la base y en
su fila la variable que sale de la base
c. Luego de elegir el pivote, aplicamos los cuatro pasos que establece Gauss
Jordan, para generar una nueva solución que podrá ser factible o no factible,
los pasos son los siguientes:
Donde:
EN: Elemento nuevo
ET: Elemento a transformar
SF: Semipivote de fila
SC: Semipivote de columna
P : Pivote
En la tercera solución
En la cuarta solución
En la quinta solución
Sexta solución
MÉTODO SIMPLEX.
El cuadro presenta la forma esquemática como deben ser ubicados los datos del
problema en su forma inicial para un problema de maximización de la forma:
Ck: Columna de los coeficientes de las variables básicas que participan en la base
en cada fase, el valor del coeficiente es el correspondiente a la función
objetivo estandarizada de las variables que participan en la base o solución y están
definidas en la columna Xk.
Xk: Columna de las variables solución o variables básicas. En ella participan todas
las variables que en sus respectivas columnas estén precedidas por vectores
unitarios positivos, el valor uno del mencionado vector da la ubicación de la fila
correspondiente a la variable básica en la columna Xk, en el cuadro podemos
observar que (S1, S2, ..., Sm) están precedidos de vectores unitarios y por tanto
participan en Xk.
Xj: Columna de los coeficientes de las variables de decisión para j = 1, 2...n.
R : Ratio o columna de segunda decisión para la elección del elemento pivote. Elige
la fila pivotal o variable que sale de la base considerando para ella siempre el menor
ratio positivo ya sea en un proceso de maximización o minimización, se descartan
los ratios negativos.
Cj-Zj: Columna de primera decisión para la elección del elemento pivote. Elige la
columna pivotal o la variable no básica que entra a la base. Su valor positivo en
cuanto aumenta la función objetivo conviene para maximización, y el valor negativo
en cuanto disminuye su función objetivo conviene para minimización.
Es aquella variable que se adiciona a cada restricción del tipo (≤), y en la función
objetivo se adiciona dicha variable con coeficiente cero. Si en la solución el valor de
la variable de holgura es cero significa que se ha usado todo el recurso, si por el
contrario es mayor a cero implica que el recursono se usó completamente por lo
que está sobrando dicho recurso.
PASOS A SEGUIR EN EL MÉTODO SIMPLEX (CASOS DE MAXIMIZACION)
a. Función Objetivo:
d. Restricciones Estructurales
e. Restricciones de no negatividad
Donde:
X1: Número de sillas a Fabricar
X2: Número de mesas a Fabricar
Los pasos a seguir en el método simplex son los siguientes:
2. Los datos del modelo matemático son ubicados en la tabla del simplex, como se
muestra en el cuadro siguiente:
3. Identificamos las variables de solución o variables básicas de la columna Xk. En
ella se ubicaran las variables que estén precedidos por vectores unitarios positivos,
tal es el caso de las variables (S1, S2 y S3) y para determinar la fila en que se
ubicaran bastará ver la ubicación del valor uno del vector unitario y en la dirección
de su correspondiente fila se ubicará su variable en Xk. El valor uno de S1 se
encuentra en la primera fila, por lo
tanto S1 se ubicará en la primera fila de Xk, del mismo modo procederemos a
ubicar S2 cuyo valor unitario se encuentra en la segunda fila dando la ubicación de
S2 en la segunda de Xk y por último el valor uno de S3 se encuentra en la tercera
fila, por lo tanto S3 se ubicará en la tercera fila de Xk con lo cual se completa la
columna Xk.
5. Los valores de Zj son definidos como el costo de oportunidad que obtiene una
determinada variable y sus valores los determinamos del siguiente modo: cada
elemento de la columna ( Ck) se multiplica por cada elemento aij de cada columna
(X1, X2, S1, S2, S3, B) en la dirección de su correspondiente fila y el resultado de
su sumatoria es ubicada en la correspondiente columna a la variable que ha sido
multiplicada. Los elementos de la columna (Ck) siempre participan en la
multiplicación.
Prosiguiendo con nuestro ejemplo tendremos los siguientes resultados.
Primera solución
Para saber si esta solución inicial es la óptima debemos determinar los beneficios
netos (Cj-Zj), empezamos determinando
El mayor valor elegido (Cj-Zj=12) identifica la columna pivotal y la variable (X2) que
ingresa a la base con su coeficiente (12) de la función objetivo y mejora el valor de
Z, la columna de ratios R (40, 44, 64) identifica la variable que sale de la base (S1)
y la fila pivotal eligiendo el menor ratio (40) positivo. Columna y fila pivotal
identifican al nuevo pivote (2) que permitirá con los pasos de Gauss Jordan
determinar la segunda solución.
Segunda Solución
Para saber si esta segunda solución es la óptima debemos determinar los nuevos
beneficios netos (Cj-Zj), empezamos determinando
Tercera Solución
Para saber si esta tercera solución es la óptima debemos determinar los nuevos
beneficios netos (Cj-Zj), empezamos determinando
Es aquella variable que se adiciona a cada restricción del tipo (≥), y en la función
objetivo dicha variable con coeficiente cero. Si el valor de la variable
es cero significa que se ha usado la cantidad mínima permitida, si por el contrario
es mayor a cero implica que se ha usado el recurso un excedente mayor al mínimo
permitido.
Donde:
X1: Cantidad de raciones de Leche a consumir
X2: Cantidad de raciones de carne a consumir
Como se podrá observar se han seguido los mismos pasos que para el caso de
maximización, con la variante de la fila de primera decisión (Cj - Zj), en la cual se
opta por elegir el menor valor y en la determinación de la solución óptima que para
el caso de minimización se inclina por obtener en su fila de primera decisión
valores mayores o iguales que cero (Cj - Zj ≥ 0). Es necesario aclarar que para que
exista solución óptima cuando se hace uso de las variables artificiales, estas no
deben participar en la base (columna de Xk).
A continuación, desarrollaremos paso a paso el método simplex.
Primera Solución
Segunda Solución
Para saber si la segunda solución es la óptima debemos determinar los
beneficios netos (Cj-Zj), empezamos determinando
Tercera Solución
Cuarta Solución
Quinta Solución
Para saber si la quinta solución es la óptima debemos determinar los beneficios
netos (Cj-Zj), empezamos determinando
PARA MAXIMIZACION
FORMA I:
FORMA II:
FORMA I:
FORMA II:
Ambas soluciones admiten el mismo valor óptimo (Z = 36). Por lo tanto cualquier
combinación lineal de los vectores también es óptimo y es representado por la
relación:
SOLUCIONES NO ACOTAD AS
RESTRICCIÓN REDUNDANTE
Se presenta este caso cuando existe una restricción con pendiente igual a otra o
cuando una o más restricciones no afectan la solución del problema, en
consecuencia serian redundantes en el modelo, ya que si no la consideramos la
solución óptima se mantiene, por ejemplo:
La solución óptima del modelo es X1=12, X2=24, S1=0, S2=42, S3=0 y Z=432. En
el método grafico se demostró que si prescindimos de la restricción (R2: 3X1 + 3X2
≤ 150) la solución óptima se mantiene, en consideración a ello aplicaremos el
método simplex, el siguiente modelo:
PROBLEMA DE MINIMIZACION
Cuando en una restricción se usa una variable artificial (Ai), en la función objetivo
se usa dicha variable artificial con coeficiente (MAi) en minimización y (-MAi) en
maximización, siendo M un valor muy grande que tiende a infinito. El simplex lo usa
como un artificio la variable artificial para generar una solución inicial factible y si el
problema tiene solución en la solución final u óptima las variables artificiales se
igualan a cero. Para evitar usar la M grande, se diseñó el Método de las dos fases.
Fase I
Cualquiera que sea el objetivo (maximizar o minimizar) del problema, se minimizan
solo la suma de todas las variables Artificiales como función objetivo, usadas en el
problema, realizándose un conjunto de iteraciones hasta lograr que las variables
artificiales se anulen y por consiguiente el valor de Z = 0, luego se procede con la
fase II. Si en la primera fase Z es diferente de cero, el problema no tiene solución.
Fase II
Usamos la solución de la fase I como solución inicial factible de la fase II usando la
función objetivo estandarizada de las variables de decisión, teniendo en cuenta que
las variables Artificiales son iguales a cero, se eliminan del esquema del simplex de
la fase I las columnas de las variables artificiales y se procede con las iteraciones
de la fase II.
Aplicación
Aplicando la variable de exceso y artificial se tiene:
FASE 1
En la fase I, siempre se minimizará la suma de todas las variables artificiales que
tenga el problema. A continuación procedemos a solucionar el problema planteado,
usando el método simplex, los resultados son los siguientes:
En la solución observamos que las variables artificiales no están en la base, por
ende son no básicas y toman el valor igual a cero, así como el valor de su función
objetivo (Z=0).
FASE II
En la segunda fase no aparecen os coeficientes M, ya que han salido de la base
las variables artificiales, y han tomado valores iguales a cero. La solución al nuevo
problema se halla mediante el método simplex. Así:
Solución:
X1=4,X2=0,S1=6,S2=0,A1=A2=0,Z=8
Para poder resolver este problema Lineal que cuenta con dos variables artificiales,
se debe de hacer uso del Método de Dos Fases, e l cual perm itirá obtener
soluciones básicas factibles.
FASE I
FASE II
MODELO DUAL
Existe una correspondencia muy sintomática entre los dos problemas; de tal forma
que el problema dual puede ser considerado como problema primal;
correspondiente al otro el problema dual.
FORMA GENERAL
PROBLEMA PRIMAL
El modelo primal del modelo general que se presenta esta minimizando una
variable Z; presenta “m” restricciones en el primal (R1p...Rmp) y cada restricción
genera una variable dual (VD) conformada por (Y1..Ym), por otra parte el primal
contiene “n” variables de decisión (X1..Xn) y el primal presenta “m” mínimos
recursos (B1..Bm). Con todos estos elementos generamos el modelo dual.
PROBLEMA DU AL
El dual hace todo lo contrario del primal, si el primal minimiza el dual maximiza y
viceversa, la función objetivo del dual (FOD) es generada por los valores de los
recursos del primal (B1..Bm) multiplicado por su correspondiente variable dual
(Y1..Ym), las restricciones del dual (R1D..RmD) son determinadas por los
coeficientes “aij” de un variable de decisión Xj multiplicado por su correspondiente
variable dual Yi, el tipo de restricción del dual, como el primal todos son “≥” en el
dual todos serán “≤ y viceversa y por último el lado derecho de las restricciones del
dual se completan con los valores de los coeficientes de la función objetivo del
primal (C1..Cn), como se aprecia en el modelo dual:
B. FORMA M ATRICI AL
PROBLEMA PRIM AL
1. FUNCIÓN OBJETIVO
2. RESTRICCIONES ESTRUCTURALES
3. RESTRICCIONES DE NO NEGATIVIDAD
PROBLEMA DU AL
1. FUNCIÓN OBJETIVO
2. RESTRICCIONES ESTRUCTURALES
3. RESTRICCIONES DE NO NEGATIVIDAD
7. Si las restricciones del primal tienen sentido (≥), el dual tendrá sentido (≤) y
viceversa.
Para uniformizar las restricciones de este caso se procede a multiplicar por (-1) a
la(s) desigualdad(es) de sentido opuesto que permitan una sencilla aplicación de
las relaciones del primal dual del cuadro al haberse cambiado el sentido del signo
de la(s) variable(s) afectada(s), ejemplo
Existen dos formas de trata estos tipos de restricciones; las que veremos a
continuación:
a. Método de Sustitución.-
En este caso la restricción que está precedida por una igualdad, se resuelve para
una variable determinada y su valor es sustituido en todo el sistema. Consideremos
el siguiente grupo de restricciones:
b. División de la restricción.-
Una restricción del tipo “igual que” puede ser desdoblada en dos desigualdades
similares pero de sentido opuestos. Ejemplos:
La primera ecuación puede ser desdoblada en las siguientes dos inecuaciones:
Problema Primal
Problema Dual
Ejemplo 2:
Primal
Dual
TEOREMA 1
Problema Primal
Problema Dual
TEOREMA 2:
Dado los problemas primal y dual, únicamente uno y solo uno de los siguientes
casos puede ocurrir:
a. El problema primal y el problema dual tienen soluciones óptimas y sus funciones
objetivos óptimas son iguales, es decir si Xo, es óptimo para el problema primal, y
Yo es óptimo para el problema dual entonces:
b. Si el problema dual no tiene soluciones factibles y el problema dual tiene al
menos una, entonces el dual tiene una solución no acotada y viceversa, si el
problema dual no tiene soluciones factibles y el problema primal tiene al menos
una, entonces, el problema primal tiene una solución no acotada.
TEOREMA 3
TEOREMA 4
Problema Primal
Problema Dual
TEOREMA 5
TEOREMA 6
Relación entre los valores o coeficientes tecnológicos (aij) del primal y dual
Para generar la tabla del simplex Primal dual, los valores aij del primal (dual) y aij
del dual (primal) se relacionan del modo siguiente: si se parte de la solución óptima
del primal (dual).
1. Se identifica el valor aij que será trasladado del problema primal (dual) al
problema dual (primal).
2. En el primal (dual), el aij identifica en su columna una variable no básica (VNB)
y en su fila una variable básica VB respectivamente.
3. Ambas variables identificadas en el paso anterior del primal (dual) son
relacionados con sus respectivas variables del dual (primal).
4. En la fila de la VB del dual (primal) y columna de la VNB del dual (primal)
identificados en el paso anterior se ubica el valor de aij del paso 1, pero con signo
cambiado; siendo éste el valor correspondiente aij del dual (primal).
Si se parte de la solución dual (primal) se sigue el mismo procedimiento.
Para ver como aplicamos las relaciones de las variables y los valores de los
elementos aij en las soluciones óptimas del primal y dual, partamos del siguiente
modelo matemático.
Primal:
Primal Estandarizado:
Solucionando el primal, cada iteración del simplex estaría compuesto de cinco filas
(cinco restricciones) y trece columnas (dos variables de decisión, cinco variable de
exceso, cinco variables artificiales y la columna de B), en total en cada iteración se
tendrían 65 elementos, para encontrar la solución óptima se tendrían que realizar
como mínimo cinco iteraciones, lo que representa realizar 325 operaciones como
mínimo, en el siguiente gráfico mostramos la solución inicial del simplex.
Dual Estandarizado
Para completar la tabla del simplex Primal dado que se tiene la solución óptima del
dual, los valores aij del dual se relacionan con los aij del primal del modo siguiente:
Toda variable que esta en la base S1, S2, S5, X1 y X2 (VB) son precedidas por
vector unitario positivo luego los aij en cada columna de la variable estaría
conformada por su correspondiente vector unitario, siendo el valor uno quien define
la fila en la base, del modo siguiente:
Teniendo en cuenta que cada valor aij del dual identifican en cada fila un variable
básica (VB) y en su columna identifica una variable no básica, dichas variables se
relacionan con una variable no básica (VNB) y una variable básica (VB) del primal,
identificados las variables del primal, en la ubicación de la columna de su (VNB) y
en la fila de la (VB) del primal se ubica el valor aij con signo cambiado en el primal.
Se sigue la siguiente relación:
Aplicación al valor aij=3 del dual, de la fila Y4 (VB) y columna Y5 (VNB) de su
solución óptima:
El aij=3, del dual en su fila identifica la VB(Y4) que se relaciona con la VNB(S4) del
primal, por otra parte el dual en su columna identifica la VNB(Y5) que se relaciona
con la VB(S5) del primal, luego en la ubicación de la VNB(S4) y fila de la VB(S5)
del primal se da el valor con signo cambiado de aij=-3, el mismo proceso se aplica
con todos los aij faltantes hasta completar el tablero del simplex.
Toda variable básica del primal o dual identifica una fila y toda variable no básica
del primal o dual se identifica en una columna, siempre a una variable básica primal
(dual) le corresponderá una variable no básica del dual (primal), aplicando esas
relaciones completamos el tablero del simplex en el óptimo con los resultados
siguientes:
Presentamos un ejemplo del traslado de aij del dual al primal
Otro ejemplo:
Con los datos del cuadro construimos el modelo matemático del primal y le
asociamos su problema dual, que son definidos por:
PROBLEMA PRIMAL
Identificando a:
PROBLEMA DU AL
Por otro lado el problema dual estará determinado por el siguiente modelo
matemático:
Los valores numéricos del modelo dual (datos del problema) son valores
transpuestos del problema primal y por lo tanto sus unidades son conocidas y
teniéndose en cuenta la simetría existente entre el primal y dual, será necesario en
todo caso que tipo de interpretación se le vaya a dar a las variables Y1, Y2, Y3.
Como los resultados de la función objetivo que se debe optimizar son exactamente
iguales en cantidad el primal como el dual; entonces la interpretación de las
variables de decisión del dual se realizarán en su propia función objetiva del modo
siguiente:
Y como habíamos dicho anteriormente el Max (Z) del primal debe ser igual
en cantidad y unidad que el Min (G) del dual, siendo sus unidades de (G = Z = $),
luego las unidades de Y1, Y2, Y3 para que cumplen con este requisito estarán
dadas por:
Como Y1, Y2, Y3 son las variables de decisión del problema dual; luego el objetivo
del dual será encontrar el costo de cada metro cuadrado de madera, de cada hora
hombre y de cada metro de tubo. Luego la función objetivo del dual quedará
determinado por:
Y como consecuencia del anterior análisis las restricciones estructurales del dual
quedarán determinados por:
Se interpreta que la inversión mínima que se haga para producir una silla debe ser
como mínimo de $8, es decir si se venden (1m2 de madera, 3hh de recursos
humanos y 2m de tubos) se debe recuperar como mínimo $8 y para producir una
mesa la inversión debe ser como mínimo de $12, es decir si se venden (2m2 de
madera, 3hh de recursos humanos y 1m de tubos) se debe recuperar como
mínimo $12 , así como podremos apreciar el valor de las variables de decisión del
dual Y1, Y2, Y3, representan los costos en dólares por producto, ellos también
representan los valores marginales del primal, el valor de Y1 es el valor marginal de
cada metro cuadrado de madera, el valor de Y2 es el valor marginal de cada hora
hombre y el valor de Y3 es el valor marginal de metro de tubo), en consecuencia los
valores de Y1, Y2, Y3 nos proveen información para nuestro caso, cuantos dólares
pueden proporcionar los recursos metros cuadrados de madera, horas humanos y
metros de tubo que logran incrementar por una unidad de recurso adicional, para
ser procesados en los medios de producción.
Para completar este tipo de análisis desarrollaremos la solución del problema primal
del modelo matemático limitándonos a la solución óptima que queda resumida
como:
SOLUCIÓN ÓPTIMA DEL PRIMAL
Aplicando las relaciones que existen entre las variables de los problemas primal y
dual; así como las existentes en los valores de los aij respectivos, tendremos la
solución óptima del primal:
Las relaciones entre las variables del problema primal y dual estarán dadas por:
En el primal
En el dual
Min(G) = $496
Con toda esta información disponible la empresa puede tomar ciertas decisiones,
como la de decidirse por la elaboración de 8 sillas y solicitar para esta producción
(8m2 de madera, 24 horas hombres y 16 metros de tubos) y producir 36 mesas
solicitando para la elaboración (72m2 de madera, 108 horas hombres y 36 metros de
tubo) producción que le reportará una utilidad máxima de $496. En la producción de
sillas y mesas utilizaremos a plenitud la disponibilidad de metros cuadrados de
madera y horas hombres disponibles y nos sobrarán 12 metros de tubos.
Por otra parte las variables de decisión del problema dual brindan una información
muy importante debido a que sus valores (Y1, Y2, Y3) brindan información de
utilidades marginales de los recursos disponibles. Como podemos observar la
utilidad marginal de cada metro cuadrado de madera adicional es de $4, la utilidad
marginal de cada hora hombre adicional es de $1.33 y respecto a la utilidad
marginal de cada metro de tubo es $0, porque dicho recurso esta sobrando y
cualquier aumento implicaría aumentar el almacen de dicho recurso.