Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Objetivo
Desarrollar modelos que le permitan responder de una manera más rápida, efectiva y
apropiada a la intensa dinámica de las organizaciones.
Objetivos particulares
• Estructurar una situación de la vida real como un modelo matemático, logrando
una abstracción de los elementos esenciales para la toma de decisiones.
• Diseñar e implementar sistemas y procedimientos para la optimización de recursos.
• Aplicar técnicas para la programación y control de proyectos.
Usted adquirirá una noción de este tema a medida que trabaje en los ejemplos que se
presentarán más adelante. Sin embargo, un resumen verbal puede permitirle elaborar
una idea. Expresado en forma breve, el tipo más común de aplicación abarca el
problema general de asignar de la mejor manera posible —es decir, de forma óptima—
recursos limitados a actividades que compiten entre sí por ellos. Con más precisión, este
problema consiste en elegir el nivel de ciertas actividades que compiten por recursos
escasos necesarios para realizarlas. Después, los niveles de actividad que se eligen dictan
la cantidad de recursos que consumirá cada una de ellas. La variedad de situaciones a
las que se puede aplicar esta descripción es sin duda muy grande, ya que abarca desde
la asignación de instalaciones de producción a los productos hasta la asignación de los
recursos nacionales a las necesidades de un país; desde la selección de una cartera de
inversiones hasta la selección de los patrones de envío; desde la planeación agrícola
hasta el diseño de una terapia de radiación, etc. No obstante, el ingrediente común de
todas estas situaciones es la necesidad de asignar recursos a las actividades mediante la
elección de los niveles de éstas.
Las variables de decisión son incógnitas que deben ser determinadas a partir de la
solución del modelo. Los parámetros representan los valores conocidos del sistema o que
se pueden controlar. Las variables de decisión se representan por: X1, X2, X3,…, Xi, i = 1, 2,
3,…, n.
Por ejemplo, si el objetivo es minimizar los costos de operación, la función objetivo debe
expresar la relación entre el costo y las variables de decisión, siendo el resultado el menor
costo de las soluciones factibles obtenidas.
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.
Es una técnica utilizada para desarrollar modelos matemáticos, diseñada para optimizar
el uso de los recursos limitados en una empresa u organización.
Función Objetivo del Modelo se define como maximización o minimización con relación
a:
1. MÉTODO GRAFICO
Ejemplo 1. La WYNDOR GLASS CO. produce artículos de vidrio de alta calidad, entre ellos
ventanas y puertas de vidrio. Debido a una reducción de las ganancias, la alta
administración ha decidido reorganizar la línea de producción de la compañía. Se
discontinuarán varios productos no rentables y se dejará libre una parte de la capacidad
de producción para emprender la fabricación de dos productos nuevos cuyas ventas
potenciales son muy prometedoras:
Determina cuáles tasas de producción deben tener los dos productos con el fin de
maximizar las utilidades totales, sujetas a las restricciones impuestas por las capacidades
de producción limitadas disponibles en las tres plantas. Se permite cualquier combinación
de tasas de producción que satisfaga estas restricciones, incluso no fabricar uno de los
productos y elaborar todo lo que sea posible del otro.
Ejemplo 2. Comex produce pinturas para interiores y exteriores, M1 y M2. La tabla siguiente
proporciona los datos básicos del problema.
Una encuesta de mercado indica que la demanda diaria de pintura para interiores no
puede ser mayor que 1 tonelada más que la de pintura para exteriores. También, que la
demanda máxima diaria de pintura para interiores es de 2 toneladas. Comex desea
determinar la mezcla óptima (la mejor) de productos para exteriores y para interiores que
maximice la utilidad diaria total.
2. MÉTODO SIMPLEX.
La transición de la solución del punto esquina geométrico hasta el método simplex
implica un procedimiento de cómputo que determina en forma algebraica los puntos
esquina. Esto se logra convirtiendo primero a todas las restricciones de desigualdad en
ecuaciones, para después manipular esas ecuaciones en una forma sistemática. Una
propiedad general del método simplex es que resuelve la programación lineal en
iteraciones. Cada iteración desplaza la solución a un nuevo punto esquina que tiene
potencial de mejorar el valor de la función objetivo. El proceso termina cuando ya no se
pueden obtener mejoras.
Una restricción (>=) establece, normalmente, un límite inferior para las actividades del
modelo de programación lineal. Como tal, la cantidad por la que el lado izquierdo es
mayor que el límite mínimo (lado derecho) representa un excedente.
La conversión de (>=) a (=) se logra restando una variable de excedencia, del lado
izquierdo de la desigualdad. Por ejemplo, en el modelo de la dieta (Ejemplo 3), la
restricción que representa los requisitos mínimos de alimento está dada como:
Es importante observar que las variables de holgura y de excedencia, s1 y e1, siempre son
no negativas.
El único requisito que queda es que el lado derecho de la ecuación que resulte sea no
negativo. Esta condición se puede satisfacer siempre, si es necesario multiplicando
ambos lados de la ecuación resultante por –1. Por ejemplo, la restricción
Ahora se multiplican ambos lados por –1, y se obtiene un lado derecho no negativo, que
es lo que se busca; esto es,
La tabla simplex.
Algoritmo simplex Funciona solo con restricciones ≤ para MAX y ≥ para MIN:
Ejemplo 4 En una granja de pollos se da una dieta "para engordar" con una composición
mínima de 15 unidades de una sustancia A y otras 15 de una sustancia B. En
el mercado solo se encuentran dos clases de compuestos: el tipo I con una composición
de una unidad de A y cinco de B, y el tipo II con una composición de cinco unidades
de A y una de B. El precio del tipo I es de 10 dólares y el del tipo II es de 30 dólares. ¿Qué
cantidades se han de comprar de cada tipo para cubrir las necesidades con un coste
mínimo?
Ejemplo 5 Cierto fabricante produce dos artículos, A y B, para lo que requiere la utilización
de dos secciones de producción: sección de montaje y sección de pintura. El
artículo A requiere una hora de trabajo en la sección de montaje y dos en la de pintura;
y el artículo B, tres horas en la sección de montaje y una hora en la de pintura. La sección
de montaje solo puede estar en funcionamiento nueve horas diarias, mientras que la de
pintura solo ocho horas cada día. El beneficio que se obtiene produciendo el artículo B es
de 40 euros y el de A es de 20 euros. Calcula la producción diaria de los
artículos A y B que maximiza el beneficio.
Ejemplo 6 Un orfebre fabrica dos tipos de joyas. Las del tipo A precisan 1 g de oro y 1,5 g
de plata, vendiéndolas a 40 euros cada una. Para la fabricación de las de tipo B emplea
1,5 g de oro y 1 g de plata, y las vende a 50 euros. El orfebre tiene solo en el taller 750 g
de cada uno de los metales. Calcula cuántas joyas ha de fabricar de cada clase para
obtener un beneficio máximo.
Ejemplo 7 En una fábrica de dulces navideños finos se preparan dos surtidos para lanzarlos
al mercado, el primero se vende a $450 y contiene 150 gramos de galletas, 100 gramos
de trufas y 80 gramos de chocolates envinados. El segundo surtido se vende a $560 y
contiene 200 g de galletas, 100 gramos de trufas y 100 gramos de chocolates envinados.
Se dispone de un total de 200 kg de galletas, 130 kg de trufas y 104 kg de chocolates
envinados. La empresa de embalajes solo puede suministrar 1200 cajas. ¿Cuántos surtidos
de cada tipo convendría fabricar para que el beneficio sea el máximo?
El método simplex dual resulta ser una estrategia algorítmica eficiente cuando luego de
llevar un modelo de programación lineal a su forma estándar, la aplicación del método
simplex no es inmediata o más bien compleja.
Una aplicación típica del método simplex dual es en la resolución de problemas con una
función objetivo de minimización, con restricciones del tipo mayor o igual y donde las
variables de decisión son mayores o iguales a cero.
Algoritmo de aplicación
Paso 2: Se selecciona el lado derecho "más negativo" lo cual indicará cuál de las actuales
variables básicas deberá abandonar la base.
Paso 3: Se actualiza la tabla anterior siguiendo un procedimiento similar al utilizado en
el Método Simplex.
0. Al estandarizar las ecuaciones, aquella con signo >= se les resta (-ei) una variable de
exceso.
1.Como en la solución, las variables básicas no pueden ser negativas, las restricciones
que tengan añadidas la variable de exceso se les multiplica por (-1). Recordar que para
minimizar Z es negativo y para maximizar Z es positivo.
Recuerde que: En el caso de maximización se puede elegir como columna pivote el valor
más negativo del renglón Z y terminamos cuando hay ceros o coeficientes positivos.
Para minimización se elige como pivote del renglón Z el valor más positivo y terminamos
cuando solo hay ceros o coeficientes negativos.
Ejemplo 10. Una empresa fabrica dos tipos de pan, el tipo I requiere de 10 unidades del
Trigo, el cual debe por su caducidad de consumirse en al menos 100 unidades, el tipo I
también requiere de 100 unidades de centeno y el tipo II requiere de 200 unidades de
centeno. La producción del pan tipo I cuesta $500 y del tipo II $600 por unidad.
El consumo de centeno debe superar las 8000 unidades, en tanto que el pan tipo I y II
requieren de 250 y 300 unidades de salvado respectivamente el cual está limitado a
15000 unidades ¿Qué cantidades de cada uno de los panes se deben de fabricar para
minimizar los costos?
Ejemplo 11. Una compañía de pulpa de papel posee dos regiones forestales, la región I y
la región II, y dos molinos, A y B. Las capacidades de suministro mensual de madera de
las regiones I y II son 120 y 250 toneladas, respectivamente. El molino A requiere por lo
menos 200 toneladas de madera al mes y el B al menos 150 también al mes. Los costes
de transporte en unidades monetarias por tonelada de cada región a cada molino son
los siguientes: 5 de la región I al molino A, 4 desde la región I al molino B, 5 desde la región
II al molino A, y 6 desde la región II al molino B. ¿Qué cantidad de madera debe
transportarse desde cada región I y II a cada molino A y B de forma que se minimice el
coste total de transporte? ¿Cuál ese coste mínimo? ¿Hay algún trayecto que no debe
realizarse para conseguir dicho coste mínimo?
Cuando en un problema de PL en las que todas las restricciones son (≤) con lados
derechos no negativos ofrecen una conveniente solución factible básica inicial con
todas las holguras. Los modelos que implican restricciones (=) o (≥) no lo hacen.
El procedimiento para iniciar PLs de “mal comportamiento” con restricciones (=) y (≥) es
utilizar variables artificiales que desempeñan el papel de holguras en la primera iteración,
y que luego se desechan en una iteración posterior. Aquí veremos dos métodos
estrechamente relacionados: el método M, y el método de dos fases.
Paso 1: Modifique las restricciones para que el lado derecho de cada restricción no sea
negativo.
Esto requiere que cada restricción con un lado derecho negativo se multiplique por -1.
Recuerda que, si multiplicas una desigualdad por cualquier número negativo, la
dirección de la desigualdad se invierte. Por ejemplo, la desigualdad x1+ x2 ≥ -1 en -x1 - x2 ≤
1.
Paso 1’: Identifique cada restricción que es ahora (después del paso 1) una restricción
con el signo = o ≥. En paso 3, agregaremos una variable artificial a cada una de estas
restricciones.
Paso 4 Deje que M denote un número positivo muy grande. Si el problema de PL es uno
de minimización, agregue (para cada variable artificial) Mai a la función objetivo. Si el
problema es de maximización, agregue (para cada variable artificial) -Mai a la función
objetivo.
Paso 5 Debido a que cada variable artificial estará en la base inicial, todas las variables
artificiales deben eliminarse de la fila 0 antes de comenzar el símplex. Esto asegura que
comencemos con una forma canónica. Al elegir la variable de entrada, recuerde que M
es un número positivo muy grande. Por ejemplo, 4M - 2 es más positivo que 3M + 900, y -
6M – 5 es más negativo que -5M - 40.
Ahora resuelve el problema transformado por el método simplex. Si todas las variables
artificiales son iguales a cero en la solución óptima, entonces hemos encontrado la
solución óptima al problema original. Si alguna variable artificial es positiva en la solución
óptimo, entonces el problema original es inviable (no tiene solución factible).
Ejemplo 13. Bevco manufactures an orange-flavored soft drink called Oranj by combining
orange soda and orange juice. Each ounce of orange soda contains 0.5 oz of sugar and
1 mg of vitamin C. Each ounce of orange juice contains 0.25 oz of sugar and 3 mg of
vitamin C. It costs Bevco 2¢ to produce an ounce of orange soda and 3¢ to produce an
ounce of Orange juice. Bevco’s marketing department has decided that each 10-oz
bottle of Oranj must contain at least 20 mg of vitamin C and at most 4 oz of sugar. Use
linear programming to determine how Bevco can meet the marketing department’s
requirements at mínimum cost.
Los siguientes pasos describen el método simplex de dos fases. Tenga en cuenta que los
pasos 1 a 3 para el simplex de dos fases son idénticos a los pasos 1 a 3 para el método
Big M.
Paso 1 Modifique las restricciones para que el lado derecho de cada restricción no sea
negativo.
Esto requiere que cada restricción con un lado derecho negativo se multiplique por -1.
Paso 1´ Identifique cada restricción que es ahora (después del paso 1) una restricción =
o ≥. En el paso 3, agregaremos una variable artificial a cada restricción.
Paso 3 Si (después del paso 1´) la restricción i es una restricción ≥ o =, agregue una variable
artificial ai.
También agregue la restricción de signo ai ≥ 0.
Paso 4 Por ahora, ignore la función objetivo del PL original. En su lugar, resuelva un PL cuya
función objetivo sea min Z' = (suma de todas las variables artificiales). A esto se le llama
PL Fase I. El acto de resolver el PL de la Fase I obligará a que las variables artificiales sean
cero.
Caso 1 El valor óptimo de Z 'es mayor que cero. En este caso, el problema de PL
original no tiene una solución viable.
Caso 2 El valor óptimo de Z 'es igual a cero y no hay variables artificiales en la base
óptima de la Fase I. En este caso, descartamos todas las columnas del cuadro óptimo de
la Fase I que corresponden a las variables artificiales. Ahora combinamos la función
objetivo original con las restricciones del cuadro óptimo de la Fase I. Esto produce el PL
Fase II.
La solución óptima para la fase II es la solución óptima para el problema de PL
original.
Caso 3 El valor óptimo de Z' es igual a cero y al menos una variable artificial está en
la base óptima de la Fase I. En este caso, podemos encontrar la solución óptima al
problema de PL original si al final de la Fase I descartamos de la última tabla óptima de
la Fase I todas los artificiales no básicos y cualquier variable del problema original que
tenga un coeficiente negativo en fila
0 del cuadro óptimo de la Fase I.
Analisis de sensibilidad
En PL, los parámetros (datos de entrada) del modelo pueden cambiar dentro de ciertos
límites sin que cambie la solución óptima. Esto se conoce como análisis de sensibilidad y
será el tema de esta sección. Más adelante, en el capítulo 4 estudiaremos el análisis post
óptimo, el cual tiene que ver con la determinación de la nueva solución óptima cuando
se cambian ciertos datos de entrada.
La presentación explica las ideas básicas del análisis de sensibilidad por medio de la
solución gráfica, y después se extienden al problema general de PL con base en los
resultados que aparecen en la tabla simplex.}
Ejemplo 16. HITSA fabrica dos productos en dos máquinas. Una unidad del producto 1
requiere 2 horas en la máquina 1, y 1 hora en la máquina 2. Una unidad del producto 2
requiere 1 hora en la máquina 1, y 3 horas en la máquina 2. Los ingresos por unidad de
los productos 1 y 2 son de $30 y $20, respectivamente. El tiempo de procesamiento diario
total disponible en cada máquina es de 8 horas. Realice un analisis de sensibilidad grafico
haciendo cambios en la disponibilidad de recursos.
Ejemplo 18. Hasbro utiliza tres operaciones para armar tres tipos de juguetes: trenes,
camiones y carros. Los tiempos diarios disponibles para las tres operaciones son 430, 460
y 420 minutos, respectivamente, y los ingresos por unidad de tren, camión y auto de
juguete son de $3, $2 y $5, respectivamente.
Los tiempos de ensamble por tren en las tres operaciones son de 1, 3 y 1 minutos,
respectivamente. Los tiempos correspondientes por tren y por camión son (2,0,4) y (1,2,0)
minutos (un tiempo cero indica que la operación no se utiliza).
Realice un analisis de sensibilidad algebraica y determine los precios duales (precios
sombra) e intervalos de factibilidad y optimalidad.
Nuestra definición del problema dual requiere expresar el problema primal en la forma
del modelo manejado con anterioridad (todas las restricciones son ecuaciones con lado
derecho no negativo, y todas las variables son no negativas). Este requerimiento es
consistente con el formato de la tabla inicial simplex. De ahí que cualesquiera de los
Las ideas clave para construir el dual a partir del primal se resumen como sigue:
1. Asigne una variable dual por cada restricción primal.
2. Construya una restricción dual por cada variable primal.
3. Los coeficientes de restricción (columna) y el coeficiente objetivo de la variable
primal j-ésima definen respectivamente los lados izquierdo y derecho de la
restricción dual j-ésima.
4. Los coeficientes objetivo-duales son iguales a los lados derechos de las
ecuaciones de restricción primales.
5. Las reglas que aparecen en la tabla 1 y 2 rigen el sentido de optimización, la
dirección de las desigualdades y los signos de las variables en el dual. Una forma
fácil de recordar el tipo de restricción en el dual (es decir ≤, ≥ o =), es que si el
objetivo dual es de minimización (es decir, apunta hacia abajo), entonces todas
las restricciones serán del tipo ≥ (es decir, apuntan hacia arriba). Lo opuesto aplica
cuando el objetivo dual es de maximización.
A)
B)
C)
RELACIONES PRIMAL-DUAL
Los cambios realizados en los datos de un modelo de PL pueden afectar la optimalidad
y/o factibilidad de la solución óptima actual. Esta sección presenta varias relaciones
primal-dual que pueden usarse para calcular de nuevo los elementos de la tabla simplex
óptima. Estas relaciones constituyen la base de la interpretación económica del modelo
de PL y del análisis postóptimo.
Ejemplo 20. Considere el modelo del ejemplo 18, determine los valores duales óptimos
con alguno de los métodos descritos en el tema de relación primal-óptima y compruebe
como se puede obtener cualquier iteración de la tabla simplex a partir de los datos
originales del problema primal y dual.