GABRIEL BARRETO

22.649.452

METROPOLITANO

GABIBARRETO17@HOT... 04242799428

236
VERDADERO O FALSO:

Respuesta problema 1
Sea xij = número de trabajos aceptados durante el día y la noche.

Z máx = 275 (x11 + x12) + 125 (x21 + x22) + 225 (x31 + x32)

Sujeto a 1.200 (x11 + x12) + 1.400 (x21 + x22)

+ 800 (x31 + x32) ≤ 13.400

100 (x11 + x12) + 60 (x21 + x22)

+ 80 (x31 + x32) ≤ 1.050

1.200x12 + 1.400x22 + 800x32 ≤ 9.200

100x12 + 60x22 + 80x32 ≤ 650

Además xij ≥ 0 para todos i y j.

El problema dado se puede formular como un problema de programación lineal. Definamos las variables de
decisión de la siguiente manera:

x11 = número de trabajos aceptados durante el día para la categoría

1 x12 = número de trabajos aceptados durante la noche para la categoría

1 x21 = número de trabajos aceptados durante el día para la categoría

2 x22 = número de trabajos aceptados durante la noche para la categoría

2 x31 = número de trabajos aceptados durante el día para la categoría

3 x32 = número de trabajos aceptados durante la noche para la categoría 3

Ahora, escribamos la función objetivo y las restricciones:

Función objetivo: Max Z = 275(x11 + x12) + 125(x21 + x22) + 225(x31 + x32)

Restricciones: 1,200 (x11 + x12) + 1,400 (x21 + x22) + 800 (x31 + x32) ≤ 13,400

100 (x11 + x12) + 60 (x21 + x22) + 80 (x31 + x32) ≤ 1,050

1,200x12 + 1 ,400 x22 + 800x32 ≤ 9.200

100x12 + 60x22 + 80x32 ≤ 650

Además, xij ≥ 0 para todo i y j.

Entonces, el problema de programación lineal se puede resumir como:

Max Z = 275(x11 + x12) + 125(x21 + x22) + 225(x31 + x32)

Sujeto a: 1,200(x11 + x12) + 1,400(x21 + x22) + 800(x31 + x32) ≤ 13,400

100(x11 + x12) + 60(x21 + x22) + 80(x31 + x32) ≤ 1.050

1.200x12 + 1.400x22 + 800x32 ≤ 9.200

100x12 + 60x22 + 80x32 ≤ 650 j.

VERDADERO O FALSO:
A. VERDADERO.
B. VERDADERO.
RELLENAR LOS ESPACIOS EN BLANCO:

11. La programación lineal es una técnica que intenta determinar la mejor manera de asignar
RECURSOS para lograr algún OBJETIVO.
12. Una técnica de programación lineal mejora la calidad de DECISIONES.
13. En una programación lineal, todas las relaciones entre las variables de decisión son
LINEAL.

OPCIÓN MÚLTIPLE:
1. El modelo matemático de un problema de PL es importante porque
(a) ayuda a convertir la descripción verbal y los datos numéricos en una expresión matemática (R)
(b) los tomadores de decisiones prefieren trabajar con modelos formales
(c) captura la relación relevante entre los factores de decisión
(d) permite el uso de la técnica algebraica

2. La programación lineal es un
(a) técnica de optimización restringida
(b) técnica para la asignación económica de recursos limitados
(c) técnica matemática
(d)Todo lo anterior (R)

3. Una restricción en un modelo PL restringe

(a) valor de la función objetivo
(b) valor de una variable de decisión
(c) uso del recurso disponible
(d)Todo lo anterior (R)
RESPUESTA 2

Interpreté este problema de dos formas.

La primera forma fue que se utilizaron exactamente 600 kg de explosivo A, al menos 480 kg de
explosivo B y exactamente 540 kg de explosivo C.
El resultado de ese análisis se muestra a continuación:

MAXIMIZAR e = 2x + 3y 4z sujeto a
3x + y + 4z = 600
2x + 4y + 2z= 480
2x + 3y + 3z =540
Solución óptima: e = 645; x= 45, y=45, z=105
La segunda consistió en el uso de un máximo de 600 kg de explosivo A, al menos 480 kg de
explosivo B y exactamente 540 kg de explosivo C.
El resultado de dicho análisis se muestra a continuación:
MAXIMIZAR e = 2x + 3y + 4z sujeto a
3x + y + 4z = 600
2x + 4y + 2z >= 480
2x + 3y + 3z = 540
Solución óptima: e = 645; x = 45, y = 45, z= 105
El en el análisis fue la interpretación de "decidieron utilizar un máximo de 600 kg de explosivo A".
La primera interpretación asume que se utilizó exactamente 600 kg de explosivo A. La segunda
interpretación asume que se utilizó un máximo de 600 kg de explosivo A, lo que implica que se
podría utilizar menos de 600 kg.

La función objetivo es:

e = 2x + 3y + 4z esto es lo que se quiere maximizar.
La primera suposición maximiza en 645 toneladas de explosivo.
La segunda suposición maximiza en 660 toneladas de explosivo.
Las ecuaciones de restricción son las mismas con la excepción de que:
La primera suposición asume que 3x + y + 4z = 600
La segunda suposición asume que 3x + y + 4z <= 600
No forzar que el explosivo A sea igual a 600 kg libera las ecuaciones para maximizar con o sin el
explosivo A.
Esto llevó a 0 números de bombas de tipo P en lugar de los 45 que se basaron en la hipótesis 1.
Mi inclinación es optar por la suposición 1, pero incluí la suposición 2 por si acaso mi suposición de
interpretación 1 estaba equivocada.
Los resultados de la suposición 1 indican utilizar 45 bombas de tipo P, 45 bombas de tipo Q
y 105 bombas de tipo R.
Los resultados de la suposición 2 indican utilizar 0 bombas de tipo P, 60 bombas de tipo Q
y 120 bombas de tipo R.

Digamos que X1, X2 y X3 sean la cantidad de bombas de tipo P, Q y R a experimentar,

respectivamente.
Entonces, el problema LP se puede formular de la siguiente manera:
Maximizar Z = 2x1 + 3x2 + 4x3
Sujeto a las restricciones
(i) Explosivo A: 3x1 + x2 + 4x3 ≤ 600,
 (ii) Explosivo B: 2x1 + 4x2 + 2x3 ≥ 480,
(iii) Explosivo C: 2x1 + 3x2 + 3x3 = 540,
y x1, x2, x3 ≥ 0.

Forma estándar: Añadiendo variables de holgura, exceso y artificiales en las restricciones

del problema LP, la forma estándar del problema LP se convierte en:

Maximizar Z = 2x1 + 3x2 + 4x3 + 0s1 + 0s2 – MA1 – MA2

Sujeto a las restricciones

(i) 3x1 + x2 + 4x3 + s1 = 600,
(ii) 2x1 + 4x2 + 2x3 – s2 + A1 = 480,
(iii) 2x1 + 3x2 + 3x3 + A2 = 540, Además de X1, X2, X3, S1, S2, A1, A2 ≥ 0.

Solución mediante el método simplex La solución básica factible inicial: s1 = 600, A1 = 480,
A2 = 540, Max Z = –1,020 M obtenido al poner las variables básicas x1 = x2 = s2 = 0.

Cj → 2 3 4 0 0 –M –M
Coeficiente de Variantes Valor de X1 X2 X3 S1 S2 A1 A2 Radio
variables básicas Variantes básicas mínimo
CB B B(=XB) X B X2
0 S1 600 3 1 4 1 0 0 0 600/1
S1 A1 480 2 4 2 0 -1 1 0 480/4 →
S2 A2 540 2 3 3 0 0 0 1 540/3
Z=1,020 M Zj -4M -7M -5M 0 M -M -M
Cj - Zj 2+4M 3+7M 4+5M 0 -M 0 0
↑
Solución inicial
El valor de C2 - Z2 en la columna X2 es el más grande y positivo. Se elige la variable no básica X2
para reemplazar a la variable básica A1 en la base. Para esto, aplicamos las siguientes
operaciones de fila: R2 (nueva) → R2 (antigua) × (1/4) (elemento clave); R1(nueva) → R1(antigua) -
R2(nueva); R3(nueva) → R3(antigua) - 3R2(nueva)
Para obtener la solución básica factible mejorada como se muestra en la siguiente Tabla.

Cj → 2 3 4 0 0 –M
Coeficiente de Variantes Valor de X1 X2 X3 S1 S2 A1 Radio mínimo
variables básicas Variantes básicas X B X2
CB B B(=XB)
0 S1 480 5/2 0 7/2 1 1/4 0 960/7
3 X2 120 1/2 1 1/2 0 -1/4 0 240
-M A1 180 1/3 0 3/2 0 3/4 1 120 →
Z=1,020 M Zj 3/2-M/2 3 3/2-M/2 0 -3/4-3M/4 -M
Cj - Zj 1/2+M/2 0 5/2+3M/2 0 3/4-3M/4 0

SOLUCIÓN MEJORADA
 ↑
El valor de C3 - Z3 en la columna X3 es el más grande de los variables positivos y no básicos. Se
elige reemplazar el variable básico A2 por X3 en la base. Para esto, aplicamos las siguientes
operaciones de fila:
R3(nueva) → R3(vieja) × (2/3) (elemento clave);
R1(nueva) → R1(vieja) - (7/2) R3(nueva); R2(nueva) → R2(vieja) - (1/2) R3(nueva),
para obtener la solución básica factible mejorada mostrada.

Cj → 2 3 4 0 0
Coeficiente de Variantes Valor de X1 X2 X3 S1 S2
variables básicas Variantes básicas
CB B B(=XB)
0 S1 60 4/3 0 0 1 -3/2
3 X2 60 1/3 1 0 0 -1/2
-M X3 120 1/3 0 1 0 1/2
Z=1,020 M Zj 7/3 3 4 0 1/2
Cj - Zj -1/3 0 0 0 -1/2

SOLUCIÓN ÓPTIMA
Todas las cj - zj ≤ 0 y las variables artificiales A1 y A2 han sido eliminadas de la base (mezcla de
solución). Por lo tanto, se llega a una solución óptima con X1 = 0 bombas de tipo P, X2 = 60
bombas de tipo Q, X3 = 120 bombas de tipo R, con el beneficio máximo de Z = 660.
RESPUESTA 3
El problema de programación lineal de maximizar se puede expresar de la siguiente manera:
Función objetivo: Maximizar 3x1 + x2

Sujetos a las restricciones: x1 + x2 ≤ 20 x1 + 2x2 ≤ 30 2x1 + x2 ≤ 30 x1, x2 ≥ 0

Para expresar el PL en forma estándar, necesitamos que todas las restricciones sean
desigualdades, todas las variables sean no negativas y que la función objetivo sea de
maximización.

Expresando las restricciones con variables de holgura introducimos las variables de holgura x3, x4,
x5:
x1 + x2 + x3 = 20 x1 + 2x2 + x4 = 30 2x1 + x2 + x5 = 30
Las variables de holgura son no negativas(x3, x4, x5≥0).
Reescribiendo la función objetivo en forma estándar:
Maximizar 3x1 + x2 + 0x3 + 0x4 + 0x5

Las soluciones básicas son obtenidas al igualar las variables no básicas a 0 y resolver el sistema
de ecuaciones generado por las restricciones.
Solución básica 1: x1 = 20, x2 = 0, x3 = 0, x4 = 30, x5 = 0 Factible: Sí
Solución básica 2: x1 = 0, x2 = 15, x3 = 20, x4 = 0, x5 = 10 Factible: Sí
Solución básica 3: x1 = 30, x2 = 0, x3 = 0, x4 = 0, x5 = 30 Factible: No
La solución básica 3 es degenerada ya que la variable básica x2 toma el valor 0. Esto significa que
la restricción correspondiente no es activa.
Sustituyendo las soluciones básicas en la función objetivo:
Solución básica 1: 3(20) + 0 = 60 Solución básica 2: 3(0) + 15 = 15 Solución básica 3: 3(30) + 0 =
90
La mejor solución es la Solución básica 3 con un valor de 90 en la función objetivo.
Para comprobar gráficamente que la solución obtenida es óptima, se puede graficar el conjunto
factible y trazar la línea de nivel correspondiente a la función objetivo. La solución óptima se
encuentra en el punto de intersección entre la línea de nivel y el conjunto factible.
 Las soluciones básicas no factibles están representadas en el espacio de la solución gráfica por
puntos que se encuentran fuera del conjunto factible o en el límite de alguna restricción. Esos
puntos no pueden ser alcanzados como soluciones óptimas.

Formulación matemática. Los problemas primarios y duales de LP del problema dado son:

Primal problema Dual problema

X1 y X2 son el número de unidades de A y Y1 y Y2 son el costo de una hora en las

B a producir, respectivamente máquinas I y II, respectivamente.

Maximizar Zx = 6X1 + 8X2 Minimizar Zy = 300y1 + 110 Y2

Sujeto a las siguientes restricciones: 30x1 Sujeto a las siguientes restricciones:

5x1 + 10x2 ≤ 110
30y1 + 15y2 ≥6
+ 20x2 ≤ 300
20y1 + 10y2 ≥8
X1, X2 ≥ 110 y1, y2 ≥0

La solución óptima del problema primal es

Cj → 6 8 0 0
Coeficiente de Variantes Valor de X1 X2 S1p S2p
variables básicas Variantes básicas
CB B XB(=b)
 6 X1 4 1 0 1/20 -1/20
8 X2 9 0 1 -1/10 3/20

Z= 96 C j - Zj 0 0 -1/10 -6/10

Indica que la solución óptima es producir: X1 = 4 unidades del producto A; X2 = 9 unidades del producto B y
Zx = máximo beneficio total, Rs 96.

La solución óptima del problema dual se puede obtener aplicando el método del Big-M. La solución óptima
es

Cj → 300 110 0 0
Coeficiente de Variantes Valor de Y1 Y2 S1d S2d
variables básicas Variantes básicas
CB B YB
300 Y1 1/10 1 0 -1/20 1/40
110 Y2 6/10 0 1 1/10 -3/20

Z= 96 b i - Zj 0 0 4 9

Hora en la máquina II y Zy = costo mínimo total, Rs 96. Los valores de Y1 = Rs 1/10 y y2 = Rs 3/5, indican el
valor de una hora de tiempo de máquina de las máquinas I y II, respectivamente. Sin embargo, dado que las
horas de las máquinas pueden aumentarse más allá de un límite específico, este resultado solo es válido
para un rango específico de horas disponibles en las máquinas I y II. Comparación de las soluciones Para
interpretar la solución óptima de la primal (o dual), los valores de la solución se pueden leer directamente
de la tabla simplex óptima del dual (o primal).

El método se puede resumir en los siguientes pasos.

Las variables de exceso en la primal corresponden a las variables básicas duales en la solución óptima y
viceversa. Por ejemplo, S1p es la variable de exceso de la primera restricción primal. Esta corresponde a la
primera variable dual Y1. De manera similar, S2p corresponde a la segunda variable dual Y2. Además, S1d y S2d
son las variables de excedente duales y corresponden a X1 y X2, respectivamente, del problema primal. La
correspondencia entre las variables primal y dual se resume de la siguiente manera:

PRIMAL DUAL

Variables principales {XX 12 S 1d

S 2d }
Variables excedentes

Variables holgura {SS 12 pp Y1

Y2 }
Variables principales
2. El valor en la fila cj – zj debajo de las columnas de las variables de holgura/excedente, ignorando el signo
negativo da directamente los valores óptimos de las variables básicas duales/primales. Por ejemplo, C 3 – Z3 =
1/10 y C4 – Z4 = 6/10 valores en la Tabla 5.2 bajo holgura primaria S1p y S2p corresponden a valores de
solución de dual variables Y1 e Y2 en la Tabla 5.3 y viceversa. La relación primal-dual para estos problemas
que son factibles se pueden resumir.

PRIMAL DUAL

 Valor de variables básicas  (Cj - Zj) valores en las

columnas de variables
 (Cj - Zj) valores en las excedentes no básicas
columnas de variables de  Valor de variables
holgura no básicas básicas

3. El valor óptimo de la función objetivo es el mismo para problemas de PL primarios y duales.

El problema de programación lineal que se presenta se puede resolver utilizando el método simplex de
variable acotada. A continuación, se muestra el problema y las restricciones:

Función objetivo: Max Z = 3x1 + 5x2 + 2x3

Restricciones:

1. x1 + 2x2 + 2x3 ≤ 14

2. 2x1 + 4x2 + 3x3 ≤ 23

3. 0 ≤ x1 ≤ 4

4. 2 ≤ x2 ≤ 5

5. 0 ≤ x3 ≤ 3

El método simplex de variable acotada es una variante del método simplex que se utiliza cuando algunas
variables tienen restricciones de no negatividad y límites superiores e inferiores. Para resolver este
problema, se deben seguir los siguientes pasos:
 1. Convertir las restricciones a ecuaciones:

 Restricción 1: x1 + 2x2 + 2x3 + s1 = 14

 Restricción 2: 2x1 + 4x2 + 3x3 + s2 = 23

2. Introducir variables de holgura y exceso:

 Restricción 1: x1 + 2x2 + 2x3 + s1 = 14

 Restricción 2: 2x1 + 4x2 + 3x3 + s2 = 23

 Restricción 3: x1 + 2x2 + 2x3 + x4 = 4 (variable de holgura para x1)

 Restricción 4: -x2 + x5 = -2 (variable de exceso para x2)

 Restricción 5: x3 + x6 = 3 (variable de holgura para x3)

3. Escribir la tabla inicial del método simplex:

Base x1 x2 x3 s1 s2 x4 x5 x6 RHS

s1 1 2 2 1 0 0 0 0 14

s2 2 4 3 0 1 0 0 0 23

x4 1 2 2 0 0 1 0 0 4

x5 0 -1 0 0 0 0 1 0 -2

x6 0 0 1 0 0 0 0 1 3

Z -3 -5 -2 0 0 0 0 0 0

4. Aplicar el método simplex para encontrar la solución óptima. Este proceso implica iteraciones hasta
que se alcance una solución óptima. Cada iteración implica seleccionar una variable de entrada y
una variable de salida, y actualizar la tabla.

5. La solución óptima se alcanza cuando no hay variables de entrada o todas las variables de entrada
tienen coeficientes negativos en la fila Z.

6. La solución óptima se encuentra en la última columna de la tabla, en la fila Z. Los valores de las
variables x1, x2 y x3 se encuentran en las columnas correspondientes a las variables básicas en la
tabla final.
Primero debemos reescribirlo en forma estándar. La forma estándar se obtiene al agregar variables de
holgura y restricciones de no negatividad para las variables de decisión.

Tenemos el sistema de desigualdades:

w - 3z ≤ 2 2w - 3z ≤ 4 2w + z ≤ 1 w ≥ 0 z ≥ 0 wz = 0

Para implementar el algoritmo del pivote complementario, creamos una tabla con las siguientes columnas:
w, z, x1, x2, x3, x4, x5, RHS, donde x1, x2, x3, x4, x5 son las variables de holgura, y RHS es el lado derecho de
las restricciones.

Inicialmente, la tabla es la siguiente:

W Z X1 X2 X3 X4 X5 RHS

1 -3 1 0 0 0 0 2

2 -3 0 1 0 0 0 4

2 1 0 0 1 0 0 1

1 0 0 0 0 1 0 0

0 1 0 0 0 0 1 0

En cada iteración del algoritmo, seleccionamos una variable no básica y ejecutamos el pivote
complementario para obtener una nueva solución. Elegimos la variable con el coeficiente de costo reducido
más negativo para maximizar la función objetivo.

En este caso, la función objetivo es w - Mz. Como queremos maximizarla, elegimos la variable z como la
variable no básica a ingresar. Calculamos los coeficientes de costo reducido para determinar las razones de
cambio y elegir la variable básica que sale.

El coeficiente de costo reducido para z es -M. Dado que M es negativo, se puede decir que el costo reducido
para z es cero. Sin embargo, debemos recordar que wz = 0. Por lo tanto, no debemos seleccionar una razón
de cambio que incluya la variable z.

Calculamos las razones de cambio utilizando las restricciones que tienen las variables básicas asociadas
negativas. En este caso, solo hay dos restricciones que cumplan con esto: la primera y la segunda
restricción. Calculamos las razones de cambio:

W Z X1 X2 X3 X4 X5 RHS Ratio

1 -3 1 0 0 0 0 2 2/3
2 -3 0 1 0 0 0 4 4/3

2 1 0 0 1 0 0 1 1/2

1 0 0 0 0 1 0 0 -

0 1 0 0 0 0 1 0 -

Seleccionamos la variable básica que sale como la que tiene la menor razón de cambio. En este caso, la
variable básica que sale es x3, ya que tiene una razón de cambio de 1/2.

Aplicamos el pivote complementario utilizando la entrada w = 1 y la salida x3 = 1/2:

W Z X1 X2 X3 X4 X5 RHS Ratio

1 -3 1 0 0 0 0 2 2/3

2 -3 0 1 0 0 0 4 4/3

0 1 0 0 1 0 0 1/2 1/2

1 0 0 0 0 1 0 0 -

0 1 0 0 0 0 1 0 -

Ahora volvemos a calcular los coeficientes de costo reducido y las razones de cambio:

W Z X1 X2 X3 X4 X5 RHS Ratio

1 -3 1 0 0 0 0 2 2/3

2 -3 0 1 0 0 0 4 4/3

0 1 0 0 1 0 0 1/2 1/2

1 0 0 0 0 1 0 0 -

0 1 0 0 0 0 1 0 -

El coeficiente de costo reducido para z es -M = -2. Como es negativo, seleccionamos z como la variable no
básica a ingresar. Calculamos las razones de cambio:

W Z X1 X2 X3 X4 X5 RHS Ratio

1 -3 1 0 0 0 0 2 -

2 -3 0 1 0 0 0 4 -
0 1 0 0 1 0 0 1/2 1/2

1 0 0 0 0 1 0 0 -

0 1 0 0 0 0 1 0 -

La razón de cambio más pequeña es 1/2, perteneciente a la variable básica z. Por lo tanto, no hay una
variable no básica que pueda ingresar.

La tabla final se muestra a continuación:

W Z X1 X2 X3 X4 X5 RHS

1 0 1 0 0 0 0 1

0 1 0 1 0 0 0 2

0 1 0 0 1 0 0 1/2

1 0 0 0 0 1 0 0

0 1 0 0 0 0 1 0

La solución óptima es w = 1, z = 2, x1 = 0, x2 = 0, x3 = 1/2, x4 = 0, x5 = 0.

FIN DEL TRABAJO SUSTITUTIVO DE PRUEBAS