Está en la página 1de 371

MAESTRIA PYGE

Ing. Rodrigo Sempértegui Álvarez


MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez
I. Introducción

I.1. Introducción
Antecedentes:
􀁺 Durante la Segunda Guerra Mundial, el mando británico
consultó a científicos y técnicos sobre distintas cuestiones
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

militares:
– Despliegue de radares.
– Dirección de operaciones antisubmarinas, de minas,
bombardeos y traslado de tropas.

􀁺 El resultado se llamó Investigación de Operaciones Militares,


y más tarde Investigación Operativa (IO)

􀁺 El MIT contribuyó a su puesta en marcha


– El profesor Morse (MIT) fue pionero en los EE.UU.
– Fundó el Centro OR del MIT y colaboró en la fundación de
ORSA.

3
I. Introducción

¿Qué son las ciencias de la gestión (investigación


operativa)?
􀁺 Hoy en día: las ciencias de la gestión y la
investigación operativa suponen “el empleo de
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

modelos matemáticos para proporcionar pautas que


permitan a los gestores tomar decisiones efectivas
partiendo de la información de la que disponen, o
para hallar el modo de ampliar ésta, en caso de que
sea insuficiente para llegar a la decisión adecuada.”

4
I. Introducción

La investigación operativa en la historia


􀁺 1947
– Proyecto Scoop (Scientific Computation of
Optimum Programs), en el que George Dantzig y
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

otros científicos desarrollan el método simplex de


programación lineal.
􀁺 Década de 1950
– Años muy interesantes: progresos matemáticos,
teoría de colas, programación matemática.
Comparar con: Inteligencia artificial (I.A.) en los 60.
􀁺 Década de 1960
– Crece el interés: más progreso, grandes proyectos.
Comparar con: Inteligencia artificial en los 80.

5
I. Introducción

􀁺 Década de 1970
– Época de desilusión y estancamiento. NPcompleto.
Expectativas más realistas.
􀁺 Década de 1980
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

– Gran expansión del uso de computadores


personales.
Acceso cada vez más fácil a datos. Se extiende la
disposición de los directivos al empleo de modelos.
􀁺 Década de 1990
– Uso creciente de sistemas de I.O.
Nuevos avances de la tecnología de I.O; p.ej:
ampliaciones de optimización y simulación a hojas
de cálculo, lenguajes de modelación, optimización a
gran escala. Mayor interconexión entre la I.A. y la I.O
6
I. Introducción

La investigación operativa en el año 2000


􀁺CIENTOS de oportunidades para el campo de la I.O.
􀁺Datos, datos y más datos
– Datos de e-business (click stream, compras, otros
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

datos de transacciones, correo electrónico, etc.)


– El proyecto del genoma humano y su desarrollo
􀁺Mayor automatización en la toma de decisiones
􀁺Necesidad de mayor coordinación para la
utilización de recursos (gestión de la cadena de
suministro)

7
I. Introducción

Definición

Aplicación del método científico por un grupo multidisciplinario


MAESTRIA PYGE

personas a la resolución de un problema.


Ing. Rodrigo Sempértegui Álvarez

Objetivo

El principal objetivo de esta área de conocimientos consiste en


formular y resolver diversos problemas orientados a la toma de
decisiones, mediante métodos científicos, que optimizan el
funcionamiento del proceso analizado, generalmente bajo
condiciones que implican la utilización de recursos escasos.

8
I. Introducción

Naturaleza

La naturaleza de los problemas abordados pueden ser:


MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Métodos determinísticos: Programación lineal, programación


entera, transporte, teoría de la localización o redes, programación
multicriterio, teoría de inventarios, etc. (Modelos de Prog.
Matemática)

Métodos probabilísticos: Cadenas de markov, teoría de juegos,


líneas de espera, teoría de inventarios, etc.

Métodos híbridos: Conjugan métodos determinísticos y


probabilísticos.

Métodos heurísticos: soluciones basadas en la experiencia.

9
I. Introducción

Gran cantidad de problemas reales cada más


complejos y especializados requieren de:
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Uso de metodologías para la formulación


matemática de estos problemas.

Métodos y herramientas de resolución, como los


que provee la Investigación de Operaciones.

10
I. Introducción

I.1.1 Formulación del Problema


1. Definir el Problema
– Definir el Problema
Especificación de Objetivos
MAESTRIA PYGE


Ing. Rodrigo Sempértegui Álvarez

2. Observar el Sistema
– Reunir Datos
– Estimar Valores de Parametros
3. Formular el Modelo Matemático para el Problema
– Representación Idealizada del Problema
4. Verificar el Modelo y usar el Modelo para Predicciones
– Estimar el Grado de Acercamiento del Modelo a la Realidad
5. Seleccionar la Alternativa Adecuada
– Escoger el modelo que mejor se adapta a los objetivos
6. Presentar los Resultados y Conclusiones del Estudio a la
Organización
7. Implantar y Evaluar las Recomendaciones

11
I. Introducción

Formular el Problema

Observar el Sistema
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Formular el Modelo Matemático

Verificar el Modelo y usar para predicciones

Seleccionar la Alternativa

Presentar Resultados y Conclusiones

Implantar y Evaluar
Recomendaciones
12
I. Introducción

I.2 Elementos de un modelo de optimización.


optimización
MAESTRIA PYGE

Supongamos que se dispone de determinadas piezas para la


Ing. Rodrigo Sempértegui Álvarez

elaboración de dos productos finales. Se dispone de 8 “piezas


pequeñas” y 6 “piezas grandes”, que son utilizadas para elaborar
sillas (usando 2 piezas pequeñas y 1 pieza grande) y mesas
(usando 2 piezas de cada tipo).

Interesa decidir cuántas sillas y mesas fabricar de modo de obtener


la máxima utilidad, dado un beneficio neto de U$ 15 por cada silla y
de U$20 por cada mesa fabricada.

13
I. Introducción

Posibles soluciones factibles a considerar, esto es soluciones


que respetan las restricciones del número de piezas
MAESTRIA PYGE

disponibles, son por ejemplo, fabricar:


Ing. Rodrigo Sempértegui Álvarez

• 4 sillas, que reportan una utilidad de U$60


• 1 sillas y 2 mesas , utilidad de U$55
• 3 mesas, utilidad de U$60
• 1 mesa y tres sillas, utilidad de U$65
• 2 sillas y 2 mesas, utilidad de U$70
• etc.

14
I. Introducción

Componentes de un modelo matemático:


i) Las variables de decisión, que consiste en definir cuáles son las
decisiones que se debe tomar. En el ejemplo,
x: número de sillas elaboradas. y: número de mesas elaboradas.
MAESTRIA PYGE

¿Qué puedes decidir?


Ing. Rodrigo Sempértegui Álvarez

Ej: cuanto producir; cuanto invertir, y en qué, son variables de


decisión

ii) La función objetivo del problema, que permita tener el mejor


criterio para decidir entre todas las soluciones factibles. En el
ejemplo, maximizar la utilidad dada por:
z = f(x,y) = 15x + 20y

¿Qué quiere decir “mejor”?


Ej: maximizar beneficio, minimizar coste, … son objetivos

15
I. Introducción

iii) Restricciones del problema, que consiste en definir un conjunto


de ecuaciones e inecuaciones que restringen los valores de las
variables de decisión a aquellos considerados como factibles. En el
ejemplo, respetar la disponibilidad de piezas para la fabricación de
MAESTRIA PYGE

sillas y mesas:
Ing. Rodrigo Sempértegui Álvarez

Piezas pequeñas: 2x + 2y  8
Piezas grandes : x + 2y  6
También se impone restricciones de no – negatividad:
x,y  0
¿Qué restricciones limitan las decisiones?
Ej: no exceder presupuesto, no usar más piezas que las disponibles,
etc.… son restricciones

iv) Resolución del Modelo y Análisis de la Solución

16
I. Introducción

En resumen: Max 15x + 20y


sa: 2x + 2y  8
MAESTRIA PYGE

x + 2y  6
Ing. Rodrigo Sempértegui Álvarez

x,y  0

El ejemplo corresponde a un modelo de Programación Lineal.


Si además restringimos los valores de x e y a números
enteros, tendríamos un modelo de Programación Entera. Por
otra parte, si hubiese retornos crecientes a escala,
deberíamos emplear una función objetivo no lineal como
f(x,y) = cxa + dyb con a,b >1, y tendríamos un modelo de
Programación No Lineal.

17
I. Introducción

BIBLIOGRÁFIA EN INVESTIGACIÓN DE OPERACIONES

1. Introducción a la Investigación de Operaciones, F.S. Hillier y


MAESTRIA PYGE

G.J. Lieberman, McGraw Hill, Sexta Edición, 1997.


Ing. Rodrigo Sempértegui Álvarez

2. Investigación de Operaciones, una introducción, H.A. Taha,


Prentice Hall, México, Sexta Edición, 1998.
3. Introduction to Management Science, F. Hillier, M. Hillier and
G.J. Lieberman. Irwin McGraw-Hill, 1999.
4. Model Operations Research: A practical Introduction. M.W.
Carter and C.C.Price. CRC Press, 2000.
5. Practical Management Science: Spreadsheet Modeling and
Applications, Winston, W.L., Albright S.C. y Broadie M.,
International Thomson Publishing Company, 1997.

18
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez
II. Modelos de Programación Matemática
Programación Lineal

Temario:
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

II.1. Introducción
II.2. Definiciones
II.3. Suposiciones de la PL
II.4. Ejemplos de modelamiento.
II.5. Resolución gráfica de problemas.
II.6. Análisis de Sensibilidad.
II.7. El Método Simplex.
II.8. Dualidad en Programación Lineal.
II.9. Análisis de Sensibilidad o Post-Optimal
20
II. Modelos de Programación Matemática
Programación Lineal

II.1 INTRODUCCIÓN

 La programación lineal es un caso especial de la programación


matemática, en donde todas las funciones que participan en el
MAESTRIA PYGE

modelo son lineales.


Ing. Rodrigo Sempértegui Álvarez

 Utilización:

 Planificación
 Gestión de recursos humanos y materiales
 Transporte
 Planificación financiera
 Organización de la producción.
 Una extensa gama de problemas que aparecen en las áreas
de tipo industrial, económico, administrativo, militar, etc.

21
II. Modelos de Programación Matemática
Programación Lineal

II.2 DEFINICIONES

 Función Lineal.- una función f(x1, x2, x3,…. xn) es una función
lineal de x1, x2, x3,…. xn, si y solo si para algún conjunto de
MAESTRIA PYGE

constantes c1, c2, c3,…. cn, existe una función f(x1, x2, x3,….
Ing. Rodrigo Sempértegui Álvarez

xn) = c1 x1+ c2 x2, c3 x3,…. cn xn

 Desigualdad Lineal.- una desigualdad f(x1, x2, x3,…. xn)≥ b ó


f(x1, x2, x3,…. xn)≤ b es lineal, si y solo si la función f(x1, x2, x3,
…. xn) es lineal y b es cualquier número real.

 Un problema de Programación Lineal.- es un problema de


optimización, para el cual:
 Se busca maximizar o minimizar una función lineal de variables de
decisión.
 Los valores de las variables de decisión satisfacen un conjunto de
restricciones. Cada restricción es una ecuación o una desigualdad
lineal.

22
II. Modelos de Programación Matemática
Programación Lineal

La Región Factible y la Solución Óptima:

• Región Factible.- Es el conjunto de todos los puntos que


satisfacen todas las restricciones del problema de PL.
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

• Solución Óptima.- Para un problema de maximización en PL la


solución óptima es el punto o conjunto de puntos de la región
factible con mayor valor de la función objetivo. Para un problema
de minimización en PL la solución óptima es el punto o conjunto
de puntos de la región factible con menor valor de la función
objetivo.

23
II. Modelos de Programación Matemática
Programación Lineal

 Suposiciones de Proporcionalidad y Aditividad.-

 El hecho de que la función objetivo de un problema de PL tiene


MAESTRIA PYGE

que ser una función lineal de las variables de decisión, tiene dos
Ing. Rodrigo Sempértegui Álvarez

implicaciones:
 La contribución de cada variable de decisión a la función objetivo es
proporcional al valor de la variable de decisión.
 La contribución a la función objetivo por parte de cualquier variable
de decisión es independiente de los valores de las otras variables
de decisión.

 El hecho de que cada restricción de un problema de PL tiene


que ser una desigualdad o igualdad lineal de las variables de
decisión, tiene también dos implicaciones:
 La contribución de cada variable al lado izquierdo de cada
restricción es proporcional al valor de la variable de decisión.
 La contribución de cada variable al lado izquierdo de cada
restricción independiente de los valores de las otras variables de
decisión.

24
II. Modelos de Programación Matemática
Programación Lineal

• Suposición de Divisibilidad.-

– La suposición de divisibilidad requiere que cada variable de


decisión pueda tomar valores fraccionarios.
MAESTRIA PYGE

– En muchas situaciones donde no se presenta la divisibilidad,


Ing. Rodrigo Sempértegui Álvarez

redondear cada variable de la solución óptima del problema de PL


a un valor entero, puede proporcionar una solución razonable más
no necesariamente óptima.

• Suposición de Certidumbre.-

– La suposición de certidumbre significa que tiene que conocerse


con certidumbre cada parámetro (coeficiente de la función objetivo,
coeficientes de las variables de las restricciones, lado izquierdo de
las restricciones).

25
II. Modelos de Programación Matemática
Programación Lineal

II.4 Ejemplos de modelamiento.


MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

i) Problema de Transporte (ENERGIA). El


problema consiste en decidir cuántas unidades
trasladar desde ciertos puntos de origen (plantas,
ciudades, etc.) a ciertos puntos de destino (centros
de distribución, ciudades, etc..) de modo de
minimizar los costos de transporte, dada la oferta y
demanda en dichos puntos.
Se suponen conocidos los costos unitarios de
transporte, los requerimientos de demanda y la
oferta disponible.
26
II. Modelos de Programación Matemática
Programación Lineal

Por ejemplo, suponga que una empresa posee dos plantas


que elaboran un determinado producto en cantidades de 250
MAESTRIA PYGE

y 450 unidades diarias, respectivamente. Dichas unidades


Ing. Rodrigo Sempértegui Álvarez

deben ser trasladadas a tres centros de distribución con


demandas diarias de 200, 200 y 250 unidades,
respectivamente. Los costos de transporte (en $/unidad) son:

C.Dist. 1 C.Dist.2 C.Dist.3


Planta 1 21 25 15
Planta 2 28 13 19

27
II. Modelos de Programación Matemática
Programación Lineal

Diagrama:
C.D.1
X 11
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Planta 1
X 12

X 21 X 22 C.D.2
Planta 2

X 13
X 23
C.D.3

Orígenes Destinos

28
II. Modelos de Programación Matemática
Programación Lineal

Variables de decisión:

xij = Unidades transportadas desde la planta i (i=1,2), hasta el


centro de distribución j (j=1,2,3)
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Función Objetivo:

Minimizar el costo total de transporte dado por la función:


21x11+25x12+15x13+28x21+13x22+19x23
Restricciones del problema:

1) No Negatividad: xij  0

2) Demanda:
CD1 : x11 +x21 = 200
CD2 : x12 +x22 = 200
CD3 : x13 + x23 = 250
29
II. Modelos de Programación Matemática
Programación Lineal

3) Oferta :
MAESTRIA PYGE

P1 : x11 + x12 + x13  250


Ing. Rodrigo Sempértegui Álvarez

P2 : x21 + x22 + x23  450

Las variables de decisión deben aceptar soluciones como


números reales para tener un modelo de P.L.

30
II. Modelos de Programación Matemática
Programación Lineal

ii) Problema de la dieta: este consiste en determinar una


dieta de manera eficiente, a partir de un conjunto dado de
MAESTRIA PYGE

alimentos, de modo de satisfacer ciertos requerimientos


Ing. Rodrigo Sempértegui Álvarez

nutricionales.
Supongamos que se tiene la siguiente información:

Leche Legumbre Naranjas Requerimientos


(galon) (1 porción) (unidad) Nutricionales
Niacina 3,2 4,9 0,8 13
Tianina 1,12 1,3 0,19 15
Vitamina C 32 0 93 45
Costo 2 0,2 0,25

31
II. Modelos de Programación Matemática
Programación Lineal

Variables de decisión:
x1 : galones de leche utilizados en la dieta.
x2 : porciones de legumbre utilizadas en la dieta.
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

x3 : unidades de naranja utilizadas en la dieta.


Función Objetivo:
Minimizar el costo total de la dieta, dado por:
2 x1 + 0.2 x2 + 0.25 x3
Restricciones del problema:
Requerimientos mínimos de los nutrientes considerados:
3.2 x1 + 4.9 x2 + 0.8 x3  13
1.12 x1+ 1.3 x2 + 0.19 x3  15
32 x1+ + 93 x3  45
x1  0 ; x 2  0 ; x 3  0

32
II. Modelos de Programación Matemática
Programación Lineal

iii) Problema de dimensionamiento de lotes:


MAESTRIA PYGE

Este consiste en hallar una política óptima de producción para


Ing. Rodrigo Sempértegui Álvarez

satisfacer demandas fluctuantes en el tiempo, de modo de


minimizar costos de producción e inventario, considerando la
disponibilidad de diversos recursos escasos.
Supongamos que una fabrica puede elaborar hasta 150
unidades en cada uno de los 4 períodos en que se ha
subdividido el horizonte de planificación y se tiene
adicionalmente la siguiente información:

33
II. Modelos de Programación Matemática
Programación Lineal

Periodos Demandas Costo Prod. Costo de Inventario


(unidades) (US$/unidad) (US$/unidad)
MAESTRIA PYGE

1 130 6 2
Ing. Rodrigo Sempértegui Álvarez

2 80 4 1
3 125 8 2.5
4 195 9 3

Supuestos adicionales:
1) Existe un inventario inicial de 15 unidades.
2) No se acepta demanda pendiente o faltante (es decir, se
debe satisfacer toda la demanda del periodo).

34
II. Modelos de Programación Matemática
Programación Lineal

Variables de decisión:
xt : número de unidades elaboradas en el periodo t.
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

It : número de unidades de inventario al final del periodo t.


Función objetivo:
Consiste en minimizar los costos de producción y el costo de
mantenimiento de inventario.
6x1+ 4x2 + 8x3 + 9x4 + 2I1 + I2 + 2.5I3 + 3I4

Notar que en el óptimo I4 será 0, así que incluso podríamos


no incluirla, pero de todos modos la consideramos.

35
II. Modelos de Programación Matemática
Programación Lineal

Restricciones del problema:


1) Restricciones de cotas, que reflejan la capacidad de
MAESTRIA PYGE

producción.
Ing. Rodrigo Sempértegui Álvarez

xt 150  t  Período
2) Restricciones de no negatividad
xt  0  t  Período
3) Restricciones de demanda
x1 + I0 – I1 = 130 Periodo 1 I0=15
x2 + I1 – I2 = 80 Periodo 2
x3 + I2 – I3 = 125 Periodo 3
x4 + I3 – I4 = 195Periodo 4
36
II. Modelos de Programación Matemática
Programación Lineal

iv) Problema de planificación financiera:


Supongamos que un banco dispone de $250 millones para
MAESTRIA PYGE

destinar a 4 tipo de créditos ofrecidos, los cuales tienen las


Ing. Rodrigo Sempértegui Álvarez

siguientes, tasas de crédito:


• Primer crédito corriente (PCC) :12%
• Segundo crédito corriente (SCC) :16%
• Crédito para el hogar :16%
• Crédito personal :10%

37
II. Modelos de Programación Matemática
Programación Lineal

La asignación de estos créditos, debe satisfacer la siguiente


política utilizada por la institución:
MAESTRIA PYGE

El monto asignado a los PCC, debe ser al menos, el 55% del


Ing. Rodrigo Sempértegui Álvarez

monto asignado a los créditos corrientes, y al menos un 25%


del total del dinero prestado.
El SCC, no puede exceder el 30% del total del dinero
prestado, por políticas tributarias el interés recibido por el
banco no debe exceder a un retorno del 14% sobre el capital
prestado.
¿Cuánto asignar a cada tipo de crédito, de la manera más
eficiente, respetando la política del banco?

38
II. Modelos de Programación Matemática
Programación Lineal

Variables de decisión:
x1 :Monto asignado al PCC. x2 : Monto asignado SCC.
x3 : Monto asignado al crédito para el hogar.
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

x4 : Monto asignado al crédito personal.


Función Objetivo:
Se propone maximizar los retornos recibidos en la asignación,
dados por: 0.12 x1 + 0.16 x2 + 0.16 x3 + 0.10 x4
Restricciones del problema:
x1  0.55 ( x1 + x2 )
x1  0.25 ( x1 + x2 +x3 + x4 )
x2  0.30 ( x1 + x2 +x3 + x4 )
(0.12x1+0.16x2+0.16x3+0.10x4 )  0.14 ( x1+ x2 +x3 +x4 )
Adicionalmente: x1 + x2 +x3 + x4  250
39
II. Modelos de Programación Matemática
Programación Lineal

v) Problema de mezcla de productos: en este problema una


refinería produce 4 tipos de gasolina (gas 1, gas 2, gas 3 y
MAESTRIA PYGE

gas 4). Dos características importantes de cada gasolina son


Ing. Rodrigo Sempértegui Álvarez

su número de performance (NP) y su presión de vapor (RVP),


que están dados por:

NP RVP Barriles diarios


gas 1 107 5 3814
gas 2 93 8 2666
gas 3 87 4 4016
gas 4 108 21 1300

40
II. Modelos de Programación Matemática
Programación Lineal

Estas gasolinas pueden ser vendidas directamente a un


precio de $24,83 por barril o bien mezcladas para obtener
gasolinas de aviación (avgas A y avgas B). La calidad de
MAESTRIA PYGE

estas dos últimas junto con sus precios de venta son:


Ing. Rodrigo Sempértegui Álvarez

NP RV Precio por barril (US$)


avgas A Al menos 100 A lo más 7 26,45
Avgas B Al menos 91 A lo más 6 25,91

El NP y RVP de cada mezcla es un promedio de los


respectivos NP y RVP de las gasolinas empleadas.

Se desea obtener un plan de venta de las distintas gasolinas


que maximice los retornos.

41
II. Modelos de Programación Matemática
Programación Lineal

Variables de decisión:
xj : cant. de barriles del gas j que son vendidos sin mezclar, con j =
1, 2, 3, 4.
MAESTRIA PYGE

xA : cant. de barriles de avgas A. xB : cant. de barriles de avgas B.


Ing. Rodrigo Sempértegui Álvarez

xjA: cant. de gas j usado en avgas A. xjB: cantidad de gas j usado en avgas B.
Función objetivo:
Max 24,83 (x1 + x2 + x3 + x4) + 26,45xA + 25,91xB
Restricciones: x1 + x1A + x1B = 3814
x2 + x2A + x2B = 2666
x3 + x3A + x3B = 4016
x4 + x4A + x4B = 1300
x1A + x2A + x3A + x4A = xA
x1B + x2B + x3B + x4B = xB

42
II. Modelos de Programación Matemática
Programación Lineal

NP, avgas A:

107 x 1A  93x 2 A  87x 3 A  108 x 4 A


 100
MAESTRIA PYGE

xA
Ing. Rodrigo Sempértegui Álvarez

NP, avgas B:
107 x 1B  93 x 2B  87 x 3B  108 x 4B
 91
xB
RVP, avgas A:
5 x 1A  8x 2 A  4 x 3 A  21x 4 A
7
xA

RVP, avgas B:
5 x 1B  8 x 2 B  4 x 3 B  21x 4 B
6
xB
43
II. Modelos de Programación Matemática
Programación Lineal
vi) Problema de expansión de la capacidad de un Sistema de
Potencia Eléctrica:

En este problema se desea planificar la expansión de la


capacidad de un sistema eléctrico para los siguientes T años. La
demanda (estimada) para el año t corresponde a d t MW para t = 1,
MAESTRIA PYGE

2, ..., T. La capacidad existente del sistema corresponde a c t MW


Ing. Rodrigo Sempértegui Álvarez

para el año t = 1, 2, ..., T.

Existen 2 alternativas para la expansión de la capacidad del


sistema: 1) Usar plantas térmicas a petróleo; 2) Usar plantas
térmicas a gas.

Se requiere una inversión pt por MW instalado de una planta a


petróleo que esté operativa al comienzo del año t, y el
correspondiente costo para una planta a gas es g t.
Por razones políticas y de seguridad, se ha decidido que no más
del 30% de la capacidad instalada, corresponda a plantas a gas
(nuevas).

Cada planta a petróleo tiene una vida de 20 años y una planta a


gas una vida de 15 años.
Se desea proponer un plan de expansión al mínimo costo posible.
44
II. Modelos de Programación Matemática
Programación Lineal

Variables de decisión:
xt : cantidad de MW expandidos en planta a petróleo al inicio
del año t, con t = 1, 2, ..., T.
MAESTRIA PYGE

yt : cantidad de MW expandidos en planta a gas al inicio del


Ing. Rodrigo Sempértegui Álvarez

año t, con t = 1, 2, ..., T.


zt : cantidad total de MW disponible en plantas nuevas a
petróleo al inicio del año t.
wt : cantidad total de MW disponible en plantas nuevas a gas
al inicio del año t.

45
II. Modelos de Programación Matemática
Programación Lineal
T
Min   p t x t  gt y t 
t 1
MAESTRIA PYGE

t
w t   yk
Ing. Rodrigo Sempértegui Álvarez

t  15
c t  z t  w t  dt k 1
t
t
z t   xk t  20
wt  y
k  t 14
k t  15
k 1 wt
t  0,30 t  1...T
ct  zt  w t
zt  x
k  t 19
k t  20 x t , yt , z t , w t  0

46
II. Modelos de Programación Matemática
Programación Lineal

vii) Problema de Establecimiento del Horario de Trabajo:


Una oficina de correos necesita de un número diferente de
empleados de tiempo completo, para diferentes días de la semana.
El número de empleados de tiempo completo requeridos para cada
MAESTRIA PYGE

día se da en la taba siguiente:


Ing. Rodrigo Sempértegui Álvarez

DIA No. EMP. DIA No. EMP. DIA No. EMP.


NECESARIO NECESARIO NECESARIO
Lunes 17 Martes 13 Miércoles 15
Jueves 19 Viernes 14 Sábado 16
Domingo 11
Las reglas sindicales señalan que cada empleado debe trabajar por
5 días consecutivos y después descansar 2 días. La oficina de
correos quiere cumplir con sus requerimientos diarios y utilizar
solamente empleados de tiempo completo. Formule un PL para
minimizar los empleados de tiempo completo

47
II. Modelos de Programación Matemática
Programación Lineal

Variables de Decisión: xi : número de empleados que empieza a


trabajar el día i
Función Objetivo: Min z= x1 + x2 + x3 + x4 + x5 + x6 + x7
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Restricciones: x1 + x4 + x5 + x6 + x7 ≥ 17
x1 + x2 + x5 + x6 + x7 ≥ 13
x1 + x2 + x3 + x6 + x7 ≥ 15
x1 + x2 + x3 + x4 + x7 ≥ 19
x1 + x2 + x3 + x4 + x5 ≥ 14
x2 + x3 + x4 + x5 + x6 ≥ 16
x3 + x4 + x5 + x6 + x7 ≥ 11
xi ≥ 0 (i=1,2,3,…7)
48
II. Modelos de Programación Matemática
Programación Lineal

PROBLEMAS PROPUESTOS:
1.- Supóngase que la oficina de correos puede obligar a trabajar un
día extra a la semana. Por ejemplo un empleado que ha trabajado de
MAESTRIA PYGE

lunes a viernes, tendría que trabajar el sábado. Se paga al empleado


Ing. Rodrigo Sempértegui Álvarez

50 dólares diarios por los 5 primeros días y 62 dólares por el día


extra (en caso de haber trabajado). Formule un PL cuya solución
permita a la oficina de correos minimizar el costo para cumplir con
sus necesidades laborales semanales.
2.-Supóngase que la oficina de correos tiene una planta de 25
empleados a tiempo completo y no se le permite ni contratar ni
despedir empleados. Formular un PL para programar el horario de
los empleados a fin de maximizar el número de fines de semana
libres recibidos por los empleados.

49
II. Modelos de Programación Matemática
Programación Lineal

PROBLEMAS PROPUESTOS:
3.- Los empleados del Departamento de Policía trabajan dos turnos
de 6 horas diarias, escogidos entre los siguientes 4 turnos posibles:
MAESTRIA PYGE

1) de 0h a 6 h, 2) de 6h a 12h, 3) de 12 a 18h, 4) de 18 a 24h. Se


Ing. Rodrigo Sempértegui Álvarez

necesita el siguiente número de policías por cada turno: 1) 15, 2) 5,


3) 12 y 4) 6. A los policías que tienen turno consecutivos se les paga
12 dólares la hora y a los policías que no tienen turnos consecutivos
se le para 18 dólares la hora. Formule un PL para minimizar los
costos y cubrir la demanda diaria de fuerza laboral del Departamento
de Policía

50
II. Modelos de Programación Matemática
Programación Lineal

II.5. Resolución gráfica de problemas.


MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Consideremos el siguiente problema a resolver gráficamente:

Max z = 3x1 + 5x2


sa:
x1 4
2x2 12
3x1 + 2x2  18
x1, x2 0

51
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

x2 Región de puntos factibles


Función Objetivo
9

4 6 x1

52
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

x2 Región de puntos factibles


Función Objetivo
9

4 6 x1

53
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

x2 Región de puntos factibles


Función Objetivo
9
x* Solución Optima

4 6

54
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

x2 Región de puntos factibles


Función Objetivo
9
x* Solución Optima

4 6

55
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

x2 Región de puntos factibles


Función Objetivo
9
x* Solución Optima

4 6

56
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

x2 Región de puntos factibles


Función Objetivo
9
x* Solución Optima

x*
6

4 6

57
II. Modelos de Programación Matemática
Programación Lineal

En primer lugar, se debe obtener la región de puntos factibles


en el plano, obtenida por medio de la intersección de todos
los semi-espacios que determinan cada una de las
MAESTRIA PYGE

inecuaciones presentes en las restricciones del problema.


Ing. Rodrigo Sempértegui Álvarez

A continuación, con el desplazamiento de las curvas de nivel


de la función objetivo en la dirección de crecimiento de la
función (que corresponde a la dirección del vector gradiente
de la función, z(x1,x2) = (3,5)T, se obtiene la solución óptima
del problema en la intersección de las rectas: 2x2 = 12 y
3x1+2x2 = 18 (restricciones activas). Esto es:

x 1* = 2 x 2* = 6

z* = 3 x1* + 5 x2* = 36

58
II. Modelos de Programación Matemática
Programación Lineal
Algunas reflexiones
Los ejercicios anteriores plantean un PROBLEMA DE DECISIÓN
Hemos tomado una situación real y hemos construido sus
equivalentes matemáticos: MODELO MATEMÁTICO
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Durante la formulación de los modelos matemáticos, hemos


considerado el método cuantitativo que nos permitirá resolver el
modelo numéricamente ALGORITMO
El algoritmo es un conjunto de instrucciones que siguiendo de
manera ordenada producen una solución numérica

NUEVA DEFINICION

Ciencia para la representación de problemas reales mediante


modelos matemáticos que junto con métodos cuantitativos nos
permiten obtener una solución numérica a los mismos.

59
II. Modelos de Programación Matemática
Programación Lineal

Notar que se pueden dar otras situaciones en la búsqueda de


MAESTRIA PYGE

una solución óptima para esta clase de problemas:


Ing. Rodrigo Sempértegui Álvarez

1) La solución óptima exista pero haya más de una. En


el ejemplo, considerese la nueva función objetivo:
z = 6x1+4x2.
2) El problema no tenga solución, dada una región de
puntos factibles no - acotada. En el ejemplo, reemplace
cada desigualdad  por una .
3) El problema no tenga solución, porque no existen puntos
factibles. En el ejemplo, suponga que agregamos la
restricción: x1  5.

60
II. Modelos de Programación Matemática
Programación Lineal

II.3. Análisis de sensibilidad.


MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Consideremos otro ejemplo:


max z= 15x + 20 y
s.a. 2x+2y≤8
x+2y ≤6
x,y≥0

61
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal

15 x  20 y
Ing. Rodrigo Sempértegui Álvarez

Max
sa : 2x  2 y  8
x  2y  6
4
x, y  0
3

2 4 6

62
II. Modelos de Programación Matemática
Programación Lineal

A partir de la resolución gráfica del problema se tiene:


MAESTRIA PYGE

Solución óptima : x1*= 2 ; x2*= 2


Ing. Rodrigo Sempértegui Álvarez

Valor óptimo : z = z(2,2) = 70


El análisis de sensibilidad permite responder, entre
otras, las siguientes preguntas:
1) ¿Cuál es el intervalo de variación de algún
coeficiente de la función objetivo, de modo que la
actual solución siga siendo la óptima?

63
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal

15 x  20 y
Ing. Rodrigo Sempértegui Álvarez

Max
sa : 2x  2 y  8
x  2y  6
4
x, y  0

4 6

64
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal

15 x  20 y
Ing. Rodrigo Sempértegui Álvarez

Max
sa : 2x  2 y  8
x  2y  6
4
x, y  0

4 6

65
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal

15 x  20 y
Ing. Rodrigo Sempértegui Álvarez

Max
sa : 2x  2 y  8
x  2y  6
4
x, y  0

4 6

66
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal

15 x  20 y
Ing. Rodrigo Sempértegui Álvarez

Max
sa : 2x  2 y  8
x  2y  6
4
x, y  0

4 6

67
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal

15 x  20 y
Ing. Rodrigo Sempértegui Álvarez

Max
sa : 2x  2 y  8
x  2y  6
4
x, y  0

4 6

68
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal

15 x  20 y
Ing. Rodrigo Sempértegui Álvarez

Max
sa : 2x  2 y  8
x  2y  6
4
x, y  0

4 6

69
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal

15 x  20 y
Ing. Rodrigo Sempértegui Álvarez

Max
sa : 2x  2 y  8
x  2y  6
4
x, y  0

4 6

70
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal

15 x  20 y
Ing. Rodrigo Sempértegui Álvarez

Max
sa : 2x  2 y  8
x  2y  6
4
x, y  0

4 6

71
II. Modelos de Programación Matemática
Programación Lineal

Sea z = c1x1+c2x2
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

La solución óptima de la nueva función,


seguirá siendo: x1*= 2 ; x2*= 2 sí:
 c1 1
 1 
c2 2

72
II. Modelos de Programación Matemática
Programación Lineal

También podemos estudiar el intervalo de un sólo coeficiente,


dejando el resto de los parámetros fijos:
MAESTRIA PYGE

Para C1:  c1
Ing. Rodrigo Sempértegui Álvarez

1
 1   10  c1  20
20 2
Para C2:  15 1
 1   15  c 2  30
c2 2

73
II. Modelos de Programación Matemática
Programación Lineal

2) ¿Cuál es el intervalo de variación de los coeficientes


del lado derecho (términos libres) de las restricciones, de
MAESTRIA PYGE

modo que la actual solución siga siendo la óptima?


Ing. Rodrigo Sempértegui Álvarez

Estudiaremos por separado las variaciones de cada uno de


los coeficientes del lado derecho de las restricciones, de
modo preservar la geometría del problema, esto es, que se
conserven las mismas restricciones activas de la
solución óptima inicial.

74
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal

15 x  20 y
Ing. Rodrigo Sempértegui Álvarez

Max
sa : 2x  2 y  8
x  2y  6
4
x, y  0
3

2 4 6 8

75
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal

15 x  20 y
Ing. Rodrigo Sempértegui Álvarez

Max
sa : 2x  2 y  8
x  2y  6
4
x, y  0
3

2 4 6 8

76
II. Modelos de Programación Matemática
Programación Lineal

Primera restricción.
La mayor variación del coeficiente del lado derecho se alcanza en
MAESTRIA PYGE

x=0 y y=4, de donde se obtiene:


Ing. Rodrigo Sempértegui Álvarez

z(0,4) = 15 · 0 + 20 · 4 = 80 y b1* = 0 + 2 · 4 = 8
La menor variación del coeficiente del lado derecho se alcanza en:
x=4 ; y=0, de donde se obtiene:
z(4,0) = 15 · 4 + 20 · 0 = 60 y b1 = 4 + 2 · 0 = 4
De aquí, se calcula el precio sombra  1, que indica la razón o tasa
de cambio de la función objetivo con respecto al cambio en una
unidad del lado derecho:
z(0,4)  z(4,0) 80  60
1   5
b1*  b1 84

77
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal

15 x  20 y
Ing. Rodrigo Sempértegui Álvarez

Max
sa : 2x  2 y  8
x  2y  6
4
x, y  0

4 6

78
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal

15 x  20 y
Ing. Rodrigo Sempértegui Álvarez

Max
sa : 2x  2 y  8
x  2y  6
4
x, y  0

4 6

79
II. Modelos de Programación Matemática
Programación Lineal

Segunda restricción.
La mayor variación del coeficiente del lado derecho se alcanza en
x=6 y y=0, de donde se obtiene:
MAESTRIA PYGE

z(0,4) = 15 x 6 + 20 x 0 = 90 y b1*= 2 x 6 + 2x0 = 12


Ing. Rodrigo Sempértegui Álvarez

La menor variación del coeficiente del lado derecho se alcanza en:


x=0 ; y= 3, de donde se obtiene:
z(4,0) = 15 x 0 + 20 x 3 = 60 y b1= 2 x 0 + 2 x 3 = 6
De aquí, se calcula el precio sombra P2, que indica la razón o tasa
de cambio de la función objetivo con respecto al cambio en una
unidad del lado derecho: z(6,0)  z(0,3) 90  60
2   5
b2  b2
*
12  6

80
II. Modelos de Programación Matemática
Programación Lineal

Ejemplo 2

Una fábrica produce 2 tipos de juguetes de madera: soldados y


trenes se vende un soldado en 27 dólares y se usan 10 dólares de
MAESTRIA PYGE

materia prima y 14 dólares en mano de obra. Se vende un tren en


Ing. Rodrigo Sempértegui Álvarez

21 dólares y se usan 9 de materia prima y 10 dólares en mano de


obra. La producción de soldados y trenes necesita de 2 tipos de
trabajo especializado: carpintería y acabado. Un soldado requiere
de 1 hora de carpintería y 2 de acabado. Un tren requiere de 1
hora de carpintería y una de acabado. La empresa dispone de 80
horas de carpintería y 100 de acabado y puede conseguir toda la
materia prima necesaria. La demanda de trenes no tiene límite
pero no se pueden vender mas de 40 soldados a la semana.
Formule un PL para maximizar la ganancia semanal.

81
II. Modelos de Programación Matemática
Programación Lineal

x número de trenes
y número de soldados

max z = 3x + 2y ganancia
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

s.a. 2x+y ≤100 restricción de acabado


x +y ≤80 restricción de carpintería
x ≤40 restricción de demanda de soldados
x,y≥0

82
II. Modelos de Programación Matemática
Programación Lineal

max z= 3x + 2y
MAESTRIA PYGE

s.a. 2x+y ≤100


Ing. Rodrigo Sempértegui Álvarez

x+y ≤80
x ≤40
x, y ≥ 0

83
II. Modelos de Programación Matemática
Programación Lineal

solución
x=20
y=60
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

84
II. Modelos de Programación Matemática
Programación Lineal

A partir de la resolución gráfica del problema se tiene:


MAESTRIA PYGE

Solución óptima : x*= 20 ; y*= 60


Ing. Rodrigo Sempértegui Álvarez

Valor óptimo : z = z(20,60) = 180


El análisis de sensibilidad permite responder, entre
otras, las siguientes preguntas:
1) ¿Cuál es el intervalo de variación de algún
coeficiente de la función objetivo, de modo que la
actual solución siga siendo la óptima?

85
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

86
II. Modelos de Programación Matemática
Programación Lineal

Sea z = c1x1+c2x2
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

La solución óptima de la nueva función,


seguirá siendo: x*= 20 ; y*= 60 sí:
 c1
2   1
c2

87
II. Modelos de Programación Matemática
Programación Lineal

También podemos estudiar el intervalo de un sólo coeficiente,


dejando el resto de los parámetros fijos:
MAESTRIA PYGE

Para C1:
Ing. Rodrigo Sempértegui Álvarez

 c1
2   1  2  c1  4
2

Para C2:

3 3
2   1   c2  3
c2 2

88
II. Modelos de Programación Matemática
Programación Lineal

2) ¿Cuál es el intervalo de variación de los


coeficientes del lado derecho (términos libres)
MAESTRIA PYGE

de las restricciones, de modo que la actual


Ing. Rodrigo Sempértegui Álvarez

solución siga siendo la óptima?


Estudiaremos por separado las variaciones de cada
uno de los coeficientes del lado derecho de las
restricciones, de modo preservar la geometría del
problema, esto es, que se conserven las mismas
restricciones activas de la solución óptima inicial.

89
II. Modelos de Programación Matemática
Programación Lineal

max z= 3x + 2y
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

s.a. 2x+y ≤100


x+y ≤80
x
≤40 x, y ≥ 0

90
II. Modelos de Programación Matemática
Programación Lineal

Primera restricción.
La mayor variación del coeficiente del lado derecho se alcanza en
x=60 y y =0, de donde se obtiene:
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

z(60,0) = 3 · 60 + 2 · 0 = 180 y b1* = 2 · 60 + 1 · 0 = 120


La menor variación del coeficiente del lado derecho se alcanza en:
x= 4 ; x2 = 0, de donde se obtiene:
z(40,0) = 3 · 40 + 2 · 0 = 120 y b1 = 2 · 40 + 1 · 0 = 80
Obsérvese que, aunque para 80≤b1≤120 la base actual es óptima
los valores de las variables de decisión y de la función objetivo
cambian. Por ejemplo si 80≤b1≤100 la solución óptima cambiará del
punto B a algún otro punto en el segmento AB. Similarmente si
100≤b1≤120 la solución óptima cambiará del punto B a algún otro
punto en el segmento AD.

91
II. Modelos de Programación Matemática
Programación Lineal

Para ilustrar la idea, sea b1 el número de horas de acabado


disponibles. Si cambiamos b1 a 100+Δ sabemos que la base será
óptima para -20≤Δ ≤20 la solución para el PL será todavía e punto
MAESTRIA PYGE

en el que las restricciones de acabado y carpintería son obligatorias.


Ing. Rodrigo Sempértegui Álvarez

Por lo tanto si cambiamos b1 = 100+Δ se puede encontrar los


nuevos valores de las variables al resolver
2x + y = 100 + Δ y x + y =80
Esto produce que x=20+Δ, y y=60-Δ lo que significa que si
aumentamos el número de horas de acabado da como resultado un
aumento de número de soldados producidos y una disminución de
trenes producidos.

92
II. Modelos de Programación Matemática
Programación Lineal

De aquí, se calcula el precio sombra  1, que indica la razón o tasa


de cambio de la función objetivo con respecto al cambio en una
MAESTRIA PYGE

unidad del lado derecho:


Ing. Rodrigo Sempértegui Álvarez

z(60,0)  z(40,0) 180  120


1    1. 5
b1  b1
*
120  80

93
II. Modelos de Programación Matemática
Programación Lineal

max z= 3x + 2y
MAESTRIA PYGE

s.a. 2x+y ≤100


Ing. Rodrigo Sempértegui Álvarez

x+y ≤80
x ≤40
x, y ≥ 0

94
II. Modelos de Programación Matemática
Programación Lineal

Segunda restricción.
La mayor variación del coeficiente del lado derecho se alcanza en x=0
y y=100, de donde se obtiene:
z(0,100) = 3·0 + 2·100 = 200 y b2*= 1·0 + 1·100 = 100
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

La menor variación del coeficiente del lado derecho se alcanza en: x=0 ;
y=60, de donde se obtiene:
z(0,60) = 3·0 + 2·60 = 120 y b2= 1·0 + 1·60 = 60
Obsérvese que, aunque para 60≤b2≤80 la base actual es óptima los
valores de las variables de decisión y de la función objetivo cambian.
Por ejemplo si 60≤b2≤80 la solución óptima cambiará del punto B a
algún otro punto en el segmento BF. Similarmente si 80≤b1≤100 la
solución óptima cambiará del punto B a algún otro punto en el segmento
AC.

95
II. Modelos de Programación Matemática
Programación Lineal

Ahora, sea b2 el número de horas de carpintería disponibles. Si


cambiamos b2 a 80+Δ sabemos que la base será óptima para -20≤Δ
≤20 la solución para el PL será todavía e punto en el que las
MAESTRIA PYGE

restricciones de acabado y carpintería son obligatorias.


Ing. Rodrigo Sempértegui Álvarez

Por lo tanto si cambiamos b2 = 80+Δ se puede encontrar los nuevos


valores de las variables al resolver
2x + y = 100 y x + y =80 + Δ
Esto produce que x=20-Δ, y y=60+2Δ lo que significa que si
aumentamos el número de horas de carpintería da como resultado
una disminución del número de soldados producidos y un
disminución de trenes producidos.

96
II. Modelos de Programación Matemática
Programación Lineal

De aquí, se calcula el precio sombra P2, que


indica la razón o tasa de cambio de la función
objetivo con respecto al cambio en una unidad
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

del lado derecho:

z(0,100)  z(0,60) 200  120


2   2
b2  b2
*
100  60

97
II. Modelos de Programación Matemática
Programación Lineal

Supongamos que cambiamos b3 = 40+Δ se puede encontrar los


nuevos valores de las variables al resolver
MAESTRIA PYGE

2x + y = 100 y x + y =80
Ing. Rodrigo Sempértegui Álvarez

Esto produce que la solución original x=20, y y=60. Entonces se


puede demostrar que la base actual es óptima para un Δ ≥ -20, lo
que significa que si se cambia el lado derecho de esta restricción en
el intervalo en la cual la base es óptima, la solución del PL no
cambia.

98
II. Modelos de Programación Matemática
Programación Lineal

II.4. El Método Simplex.


MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Un PL puede tener restricciones en forma de igualdad o de


desigualdad. También pueden tener variables que tienen que
ser no negativas o no tener restricción de signo.

Para usar el Algoritmo Simplex hay que transformar el PL en


un problema equivalente, en el cual:

 Todas las restricciones son ecuaciones


 Todas las variables son no negativas

Un PL que se encuentra en esta forma está en su forma


ESTANDAR.
99
II. Modelos de Programación Matemática
Programación Lineal

Ejemplo 1 de transformación en su forma


Estandar
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Una Empresa produce dos tipos de cinturones: El modelo de lujo y


el modelo regular. Cada tipo requiere un metro de cuero. El
cinturón regular requiere de una hora de trabajo especializado y el
de lujo necesita de dos horas. Se dispone semanalmente de 60
horas de mano de obra especializada y 40 metros de cuero. Si
cada cinturón regular y cada cinturón de lujo contribuyen a las
ganancias con 3 y 4 dólares cada uno; cual es el plan de
producción para generar la máxima utilidad?

100
II. Modelos de Programación Matemática
Programación Lineal

Si definimos:
MAESTRIA PYGE

X1 = Número de cinturones de lujo producidos


Ing. Rodrigo Sempértegui Álvarez

X2 = Número de cinturones regulares producidos

El modelo sería:

Max Z= 4X1+3X2
s.a.
X1+ X2 ≤ 40 (Restricción del cuero)
2X1+ X2 ≤ 60 (Restricción de mano de obra)
X1, X2 ≥ 0 (Restricción de no negatividad)

101
II. Modelos de Programación Matemática
Programación Lineal

El modelo en la forma estandar:


MAESTRIA PYGE

Max Z= 4X1+3X2
Ing. Rodrigo Sempértegui Álvarez

s.a.
X1 + X2 + S1 = 40 (Restricción del cuero)
2X1+ X2 + S2 = 60 (Restricción de mano de obra)
X1, X2, S1 , S2 ≥ 0 (Restricción de no negatividad)

102
II. Modelos de Programación Matemática
Programación Lineal

Ejemplo 2 de transformación en su forma Estandar


Min Z= 50X1+20X2 +30X3 +80X4
s.a. 400X1+ 200X2 + 150X2 + 500X2 ≥ 500
MAESTRIA PYGE

3X1 + 2X2 ≥6
Ing. Rodrigo Sempértegui Álvarez

2X1 + 2X2 + 4X3 + 4X4 ≥ 10


2X1 + 4X2 + X3 + 5X4 ≥ 8
X1, X2 , X3 , X4 ≥ 0

En la Forma Estadar:
Min Z= 50X1+20X2 +30X3 +80X4
s.a. 400X1+ 200X2 + 150X2 + 500X2 –E1 = 500
3X1 + 2X2 –E2 =6
2X1 + 2X2 + 4X3 + 4X4 –E3 = 10
2X1 + 4X2 + X3 + 5X4 –E4 = 8
X1, X2 , X3 , X4 ,E1 ,E2 ,E3 ,E4 ≥ 0 103
II. Modelos de Programación Matemática
Programación Lineal

Ejemplo 3 de transformación en su forma Estandar


Max Z= 20X1+15X2
s.a. X1 ≤ 100
MAESTRIA PYGE

X2 ≤ 100
Ing. Rodrigo Sempértegui Álvarez

50X1 + 35X2 ≤ 4000


20X1 + 15X2 ≥ 2000
X1, X2 ≥ 0

En la Forma Estadar:
Max Z= 20X1+15X2
s.a. X1 +S1 = 100
X2 +S2 = 100
50X1 + 35X2 +S3 = 4000
20X1 + 15X2 –E4 = 2000
X1, X2 ,S1 ,S2 ,S3 ,E4 ≥ 0 104
II. Modelos de Programación Matemática
Programación Lineal

II.4. El Método Simplex.

En lo que sigue consideremos el siguiente problema de


programación lineal en su forma estándar:
MAESTRIA PYGE

Min c1x1 + c2x2 + ... + cnxn


Ing. Rodrigo Sempértegui Álvarez

sa a11x1 + a12x2 + ... + a1nxn = b1


a21x1 + a22x2 + ... + a2nxn = b2
... ... ...
am1x1 + am2x2 + ... + amnxn = bm

xi  0, i = 1, 2, ..., n y mn
Matricialmente escrito como:
Min cTx
s.a. Ax = b
x0
105
II. Modelos de Programación Matemática
Programación Lineal

En resumen, es posible reformular de manera equivalente el


problema usando las siguientes justificaciones:
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

1) Siempre es posible llevar un problema de maximización a


uno de minimización. Si f(x) es la función objetivo a maximizar
y x* es la solución óptima:
f(x*)  f(x) ,  x factible

- f(x*)  - f(x) ,  x factible

x* es también mínimo de - f(x)

106
II. Modelos de Programación Matemática
Programación Lineal

2) Cada restricción del tipo  puede ser llevada a una


ecuación de igualdad usando una (nueva) variable de
holgura no negativa, con un coeficiente nulo en la función
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

objetivo.

3) De igual modo, cada restricción del tipo  puede ser


llevada a una ecuación de igualdad usando una variable de
exceso no negativa.

4) Siempre es posible escribir una variable libre de signo


como la diferencia de dos variables no negativas.

107
II. Modelos de Programación Matemática
Programación Lineal
Considérese un sistema Ax = b de m ecuaciones lineales con n
variables (supóngase n≥m)
DEFINICION: Se obtiene una solución básica de Ax = b, haciendo
n-m variables (variables no básicas VNB) iguales a cero y
MAESTRIA PYGE

resolviendo el sistema resultante de m variables que quedan


Ing. Rodrigo Sempértegui Álvarez

(variables básicas VB).


Naturalmente, las selecciones diferentes de variables no básicas
VNB llevaran a soluciones básicas diferentes.
La búsqueda de la solución óptima se restringe a encontrar un
vértice óptimo y cada vértice del conjunto de las restricciones del
problema, llamado región de puntos factibles, corresponde a una
solución básica factible del sistema Ax = b.
Esta solución básica factible, corresponde a su vez a aquellas
soluciones que resultan de resolver el sistema para exactamente m
variables, fijando las restantes n-m en cero, llamadas
respectivamente variables básicas y no-básicas, que además deben
satisfacer condiciones de no-negatividad

108
II. Modelos de Programación Matemática
Programación Lineal

EJEMPLO 1 DE SOLUCION BASICA FACTIBLE:


MAESTRIA PYGE

max Z= 4x1 + 3 x2 max Z= 4x1 + 3 x2


Ing. Rodrigo Sempértegui Álvarez

s.a. x1 + x2 ≤ 40 s.a. x1 + x2 +s1 = 40


2x1 + x2 ≤ 60 2x1 + x2 +s2 = 60
x1, x2 ≥ 0 x1, x2, s1, s2 ≥ 0

Variables Variables Solución Básica Punto


Básicas No Básicas Factible
x1,x2 s1,s2 s1=s2= 0 x1= 20 x2= 20 E
x1,s1 x2,s2 x2=s2= 0 x1= 30 s1= 10 C
x1,s2 x2,s1 x2=s1= 0 x1= 40 s2= -20 No es sbf porque s2<0
x2,s1 x1,s2 X1=s2=0 s1= -20 x2= 60 No es sbf porque s1<0
x2,s2 x1,s1 x1=s1= 0 x2= 40 s2= 20 B
s1,s2 x1,x2 x1=x2= 0 s1= 40 s2= 30 F

109
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

110
II. Modelos de Programación Matemática
Programación Lineal

EJEMPLO 2 DE SOLUCION BASICA FACTIBLE:


MAESTRIA PYGE

max Z= x1 + 2 x2 + 2 x3
Ing. Rodrigo Sempértegui Álvarez

s.a. 2 x1 + x2 ≤ 8
x3 ≤ 10
x1, x2, x3 ≥ 0
Variables Solución Básica Factible Punto Z
Básicas
x1,x3 x1=4 x3=10 x2=s1=s2=0 D 24
s1,s2 s1=8 s2=10 x1=x2=x3=0 F 0
s1,x3 s1=8 x3=10 x1=x2=s2=0 E 20
x2,x3 x2=8 x3=10 x1=s1=s2=0 C 36
x2,s2 x2=8 s2=10 x1=x3=s2=0 B 16
x1,s2 x1=4 s2=10 x2=x3=s1=0 A 4

111
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

112
II. Modelos de Programación Matemática
Programación Lineal

Teorema Fundamental de la Programación Lineal:


MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Si un problema tiene solución óptima, tiene una solución


básica factible óptima.

113
II. Modelos de Programación Matemática
Programación Lineal

Dada una matriz B de m x m invertible, esta induce una partición de


las variables y parámetros del modelo como se muestra a
continuación:
n  x1  xB  c B 
MAESTRIA PYGE

x     
Ing. Rodrigo Sempértegui Álvarez

m m

x   2    c 
B D     nm
  nm
A=      
m xn  xD  c D 

xB :variables básicas.
xD :variables no básicas.
m n-m cB :costos básicos.
B : es llamada una matriz de base
cD :costos no básicos.

114
II. Modelos de Programación Matemática
Programación Lineal

Supongamos el problema en la forma estandar:

Max z= 60 x1 + 30 x2 + 20 x3 + 0 s1 + 0 s2 + 0s3
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

s.a: 8 x1 + 6 x2 + x3 + s1 =48
4 x1 + 2 x2 + 1.5 x3 + s2 = 20
2 x1 + 1.5 x2 + 0. 5 x3 + s3 = 20
x1, x2, x3, s1, s2, s3≥ 0

Donde la solución es:


z= 280 con s1=24 ,x3=8 y x1=2
las variables básicas son: s1,x3,x1
las variables no básicas son: x2,s2,s3
115
II. Modelos de Programación Matemática
Programación Lineal

Por lo tanto el sistema anterior puede expresarse como:


Max z= CB xB + CD xD
s.a: B xVB + D xD = b
MAESTRIA PYGE

x B , x D≥ 0
Ing. Rodrigo Sempértegui Álvarez

S1 x2

Es decir: max z= 0 20 60 X3 + 30 0 0 s2
X1 s3

s.a. 1 1 8 S1 6 0 0 x2
0 1.5 4 X3 + 2 1 0 s2
0 0.5 2 X1 1.5 0 1 s3

S1 0 x2 0
X3 ≥ 0 s2 ≥ 0
X1 0 s3 0

116
II. Modelos de Programación Matemática
Programación Lineal

Multiplicando las restricciones:


B xB + D xD = b por B-1:
MAESTRIA PYGE

B-1 B xB + B-1 D xD = B-1 b o bien:


Ing. Rodrigo Sempértegui Álvarez

xB + B-1 D xD = B-1 b

Donde:

1 2 -8
B-1= 0 2 -4
0 -0.5 1.5

117
II. Modelos de Programación Matemática
Programación Lineal

Sustituyendo en nuestro ejemplo:

s1 1 2 -8 6 0 0 x2 1 2 -8 48
MAESTRIA PYGE

x3 + 0 2 -4 2 1 0 s2 = 0 2 -4 20
Ing. Rodrigo Sempértegui Álvarez

x1 0 -0.5 1.5 1.5 0 1 s3 0 -1 1.5 8

O bien:

s1 -2 2 -8 x2 24

x3 + -2 2 -4 s2 = 8

x1 1.25 -0.5 1.5 s3 2

118
II. Modelos de Programación Matemática
Programación Lineal

Ahora expresemos la función objetivo de la misma manera:


Tomemos las restricciones
B xB + D xD = b y multipliquemos por el vector CBB-1
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

CB xB + CB B-1DxD= CBB-1 b

z- CB xB - CD xD =0

Sumando las dos últimas relaciones:

z+(CB B-1D- CD)xD= CBB-1 b

119
II. Modelos de Programación Matemática
Programación Lineal

Criterio de Optimalidad:
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

c T x  cBT x B  cDT x D
T
B  1 1
 c B b  B D x B  cDT x D 
1

 cBT B b  cDT  cDT B D x B x D
1

valor actual vector de costos
de la función reducidos.
obj.

120
II. Modelos de Programación Matemática
Programación Lineal

La ecuación que define cada uno de los costos


MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

reducidos es:
rj  c j  cBT B 1A j

Donde j es el índice de variable no-básica y Aj la


respectiva columna en A de esa variable.
La actual solución básica factible es óptima ssi
rj  j, existe una variable no básica xp con costo
reducido negativo, que entra a la nueva base.

121
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

Para decidir quién deja la base, es necesario calcular el


mayor valor que puede tomar la variable entrante que
garantiza la factibilidad de la nueva solución básica, con:
 y1 0   y1 p 
x  y 
B  1b    B  1A   2 p 
2 0
j
   
   
x
 m 0 y
 mp
y se debe calcular:

yk 0  yi 0 
 Min  / yip  0  x k deja la base
ykp  yip 
122
II. Modelos de Programación Matemática
Programación Lineal

Ejemplo.
Resolver el siguiente problema de P.L.
Max 40x + 60y
sa: 2x + y  70
MAESTRIA PYGE

x + y  40
Ing. Rodrigo Sempértegui Álvarez

x + 3y  90
x,y  0
Se deben agregar 3 variables de holgura ( s1 , s2 , s3 var.básicas), y
llevar a forma estándar (x1 = x y x2 = y).
Min -40x1 – 60x2
sa: 2x1 + x2 + s1 = 70
x1 + x2 + s2 = 40
x1 + 3x2 + s3 = 90
x1, x2, x3, s1 , s2 , s3  0,

123
II. Modelos de Programación Matemática
Programación Lineal

Tabla inicial:
MAESTRIA PYGE

x1 x2 s1 s2 s3
Ing. Rodrigo Sempértegui Álvarez

2 1 1 0 0 70
1 1 0 1 0 40
1 3 0 0 1 90
-40 -60 0 0 0 0

124
II. Modelos de Programación Matemática
Programación Lineal

Usamos como variable entrante a la base x2 (pues r2<0).


MAESTRIA PYGE

x1 x2 s1 s2 s3
Ing. Rodrigo Sempértegui Álvarez

2 1 1 0 0 70
1 1 0 1 0 40
1 3 0 0 1 90
-40 -60 0 0 0 0

Se calcula Min { 70/1, 40/1, 90/3 } = 30, por lo tanto sale s3.

125
II. Modelos de Programación Matemática
Programación Lineal

Actualizando, queda la siguiente tabla (no óptima), donde


la variable entrante a la base es x1 (pues r1<0).
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

x1 x2 s1 s2 s3
5/3 0 1 0 -1/3 40
2/3 0 0 1 -1/3 10
1/3 1 0 0 1/3 30
-20 0 0 0 20 1800

Se calcula Min { 40/(5/3), 10/(2/3), 30/(1/3) } = 15, por lo


tanto s2 deja la base actual.

126
II. Modelos de Programación Matemática
Programación Lineal

Actualizando, queda la siguiente tabla final:


MAESTRIA PYGE

x1 x2 s1 s2 s3
Ing. Rodrigo Sempértegui Álvarez

0 0 1 -5/2 ½ 15
1 0 0 -1/3 -½ 15
0 1 0 1/3 ½ 25
0 0 0 20 10 2100

Como todos los costos reducidos son mayores o iguales que cero nos
encontramos en la solución óptima.

127
II. Modelos de Programación Matemática
Programación Lineal

 x 1  15 
    s2  0
MAESTRIA PYGE

x B  x 2   25  xD      
Ing. Rodrigo Sempértegui Álvarez

 s1  15  s3  0


z* = - 40 x 15 - 60 x 25 = - 2100

En la formulación inicial, tenemos como solución óptima


x*=15, y *=25, con valor óptimo 2.100.

128
II. Modelos de Programación Matemática
Programación Lineal

Ejemplo 2 del método Simplex


MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Min Z= 2X1 -3X2


s.a.
X1 + X2 ≤ 4
X1 - X2 ≤ 6
X1, X2 ≥ 0

129
II. Modelos de Programación Matemática
Programación Lineal

Método 1 -Z X1 X2 S1 S2 ld Variable Razón


MAESTRIA PYGE

Básica
Ing. Rodrigo Sempértegui Álvarez

Min Z= 2X1 - 3X2


1 2 -3 0 0 0 -Z=0
s.a.
X1 + X2 ≤ 4 0 1 1 1 0 4 S1=4 (4/1)=4
X1 - X 2 ≤ 6 0 1 -1 0 1 6 S2=6 Ninguna
X1, X2 ≥ 0

-Z X1 X2 S1 S2 ld Variable
Básica
1 5 0 3 0 12 -Z=12
0 1 1 1 0 4 X2=4
0 2 0 1 1 10 S2=10

130
II. Modelos de Programación Matemática
Programación Lineal

Método 2 Z X1 X2 S1 S2 ld Variable Razón


MAESTRIA PYGE

Básica
Ing. Rodrigo Sempértegui Álvarez

Max -Z= -2X1 +3X2


1 -2 3 0 0 0 Z=0
s.a.
X1 + X2 ≤ 4 0 1 1 1 0 4 S1=4 (4/1)=4
X1 - X 2 ≤ 6 0 1 -1 0 1 6 S2=6 Ninguna
X1, X2 ≥ 0

-Z X1 X2 S1 S2 ld Variable
Básica
1 -5 0 -3 0 12 Z=-12
0 1 1 1 0 4 X2=4
0 2 0 1 1 10 S2=10

131
II. Modelos de Programación Matemática
Programación Lineal

Resumen del Método Simplex:


MAESTRIA PYGE

Paso 0: Escribir el problema de programación lineal en su


Ing. Rodrigo Sempértegui Álvarez

forma estándar.
Paso 1: Escoger una solución básica factible inicial.
Paso 2: Escoger una variable no - básica con costo reducido
negativo que determina la variable entrante y seguir al paso
tres. Sin embargo, si todos los costos reducidos son mayores
que cero , parar, ya que la actual solución es la óptima.
Paso 3: Calcular el criterio de factibilidad que determina que
variable deja la base. Si todos los cuocientes son negativos:
problema no - acotado, parar.
Paso 4: Actualizar la tabla de modo de despejar el valor de
las nuevas variables básicas, los costos reducidos y el valor
de la función objetivo. Volver al Paso 2.

132
II. Modelos de Programación Matemática
II.Programación Lineal
Modelos de Programación Matemática
Programación Lineal

No siempre es fácil obtener una solución básica


MAESTRIA PYGE

factible inicial, en las variables originales del


Ing. Rodrigo Sempértegui Álvarez

modelo. Para conseguir esto existen varios


procedimientos como son:

• Método de la M – grande.
• Método Simplex de dos fases.

133
II. Modelos de Programación Matemática
Programación Lineal
INTRODUCCIÓN
Hasta el momento sólo se han estudiado problemas
en la forma estándar.
MAESTRIA PYGE

Maximizar Z.
Ing. Rodrigo Sempértegui Álvarez

Restricciones de la forma menor igual.


Todas las variables no negativas
FORMA ESTANDAR
Maximizar Z= 3X1 + 5X2
Sujeto a: X1 ≤ 4
2X2 ≤ 12
3X1 + 2X2 ≤ 18
X1, X2 ≥ 0

134
II. Modelos de Programación Matemática
Programación Lineal

Existen variaciones cuando:


MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

 Restricciones en forma de igualdad


 Lados derechos negativos
 Restricciones de la forma mayor igual que
 Función objetivo minimizar

135
II. Modelos de Programación Matemática
Programación Lineal

Método de la M grande.

Paso 1: Modifique las restricciones de tal manera que el lado


derecho de cada restricción sea no negativa.
MAESTRIA PYGE

Paso 2: Transforme cada restricción de desigualdad a la forma


Ing. Rodrigo Sempértegui Álvarez

estandar
Paso 3: Si la restricción i es una igualdad o un restricción de ≥ añadir
una variable artificial ai
Paso 4: Sea M un número positivo muy grande. Si el PL es de
minimización añadir (para cada variable artificial) Ma i a la función
objetivo. Si el PL es de maximización añadir (para cada variable
artificial) -Mai a la función objetivo.
Paso 5: Ya que cada variable artificial estará en la función objetivo
(renglón cero) eliminar todas las variables artificiales de la función
objetivo (renglón cero)
Paso 5: Resolver el problema con el método simplex.

136
II. Modelos de Programación Matemática
Programación Lineal

1. RESTRICCION EN FORMA DE IGUALDAD

Cualquier restricción del tipo


MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

a11 X1 + a12 X2 + a13 X3 + ………+ a1n Xn =b1

Es equivalente a
a11 X1 + a12 X2 + a13 X3 + ………+ a1n Xn ≤ b1
a11 X1 + a12 X2 + a13 X3 + ………+ a1n Xn ≥ b1

Lo que es inconveniente pues aumenta el número de restricciones

137
II. Modelos de Programación Matemática
Programación Lineal

Lo que se hace entonces es introducir variables


artificiales
Cambiemos la tercera restricción de desiguladad de
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Wyndor Glas c.o. por una igualdad

FORMA ESTANDAR
Maximizar Z= 3X1 + 5X2
Sujeto a: X1 ≤ 4
2X2 ≤ 12
3X1 + 2X2 = 18
X1, X2 ≥ 0

138
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

139
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

140
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

141
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

142
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

143
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

144
II. Modelos de Programación Matemática
Programación Lineal

PROBLEMA REAL PROBLEMA ARTIFICIAL


MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Max z= 3 x1 + 5 x2 Max z= 3 x1 + 5 x2 - M x5
s.a. s.a.
x1 ≤ 4 x1 ≤ 4
2 x2 ≤ 12 2 x2 ≤ 12

3 x1 + 2 x2 = 18 3 x1 + 2 x2 ≤ 18
x1 , x2 ≥ 0 x1 , x2 ≥ 0
Así: 3 x1 + 2 x2 + x5 = 18

145
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

146
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

147
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

148
II. Modelos de Programación Matemática
Programación Lineal
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

149
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

150
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

151
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

152
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

153
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

154
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

155
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

156
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

157
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

158
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

159
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

160
II. Modelos de Programación Matemática
Programación Lineal

Ejemplo: Max 2x1 + x2


sa: 10x1 + 10x2  9
10x1 + 5x2  1
MAESTRIA PYGE

x1,x2  0
Ing. Rodrigo Sempértegui Álvarez

Se debe agregar una variable de holgura (x3) y una variable de


exceso (x4), y llevarlo a su forma estándar.
Min -2x1 - x2
sa: 10x1 + 10x2 +s3 =9
10x1 + 5x2 - e4 = 1
x1,x2, x3, x4  0

161
II. Modelos de Programación Matemática
Programación Lineal
Método Simplex de dos Fases.

Fase 0: Usamos los pasos 1,2 y 3 del método de la M grande


Fase 1:
Paso 1: Por el momento, ignorar la función objetivo original. En su lugar
MAESTRIA PYGE

resuelva un PL cuya función objetivo es min w= Σ ai . La resolución de este


Ing. Rodrigo Sempértegui Álvarez

programa lineal hará las variables necesariamente iguales a cero.


Ya que cada ai ≥0, la solución del PL corresponderá a uno de los 3 casos
siguientes:
caso 1: El valor óptimo de w>0. En este caso el problema no tiene
solución
caso 2: El valor óptimo de w=0, y no hay variables artificiales en la base
óptima de la fase I. En este caso omitimos todas las columnas que
corresponden a las variable artificiales en el cuadro de la fase I.
Combinamos la función objetivo original con las restricciones del cuadro
óptimo de la fase I. Pasamos a la fase II
caso 3: El valor óptimo de w=0, y por lo menos una variable artificial está
en la base óptima de la fase I. En este caso podemos encontrar la solución
para el PL original, si al final de la fase I, omitimos del cuadro óptimo de la
fase I todas las variables artificiales no básicas y cualquier variable del
problema original con coeficiente negativo en el renglón cero de l cuadro
óptimo de la fase I
Fase 2: Resolver el problema con el método simplex. 162
II. Modelos de Programación Matemática
Programación Lineal

Método Simplex de dos Fases.

Aplicamos Simplex de dos Fases :


MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Fase 1: Min x5
sa: 10x1 + 10x2 +s3 =9
10x1 + 5x2 - e 4 + a5 = 1
x1,x2, x3, x4, x5 0
Quedando la siguiente tabla:

Variables x1 x2 s3 e4 a5 valor
Básicas
w 0 0 0 0 1 0
s3 10 10 1 0 0 9
a5 10 5 0 -1 1 1
163
II. Modelos de Programación Matemática
Programación Lineal

donde:

s3 9 x1 0
MAESTRIA PYGE

xB= = xD= x2 = 0
Ing. Rodrigo Sempértegui Álvarez

a5 1 e4 0

Luego se hace cero el costo reducido de la variable x5 de la


tabla anterior, y queda la siguiente tabla inicial.
Variables x1 x2 s3 e4 a5 valor
Básicas
w -10 -5 0 1 0 -1
s3 10 10 1 0 0 9
a5 10 5 0 -1 1 1

164
II. Modelos de Programación Matemática
Programación Lineal

Método Simplex de dos Fases.

La variable entrante a la base es x1 ( pues r1 < 0).


MAESTRIA PYGE

Variables x1 x2 s3 e4 a5 valor
Ing. Rodrigo Sempértegui Álvarez

Básicas

w -10 -5 0 1 0 -1

s3 10 10 1 0 0 9

a5 10 5 0 -1 1 1

Calculamos Min { 9/10, 1/10}= 1/10, por lo tanto sale


a5.

165
II. Modelos de Programación Matemática
Programación Lineal
Obteniéndose la siguiente tabla final:

Variables x1 x2 s3 e4 a5 valor

Básicas
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

w 0 0 0 1 0 0

s3 0 5 1 1 -1 8

x1 1 1/2 0 -1/10 1/10 1/10


s3 8 x2 0

xB= = xD= e4 = 0

x1 1/10 a5 0

Donde, la anterior, corresponde a la solución óptima del problema


en la Fase 1, con valor óptimo 0. De aquí entonces tomamos x1 y
x3 como variables básicas.

166
II. Modelos de Programación Matemática
Programación Lineal
Fase 2:
Variables x1 x2 s3 e4 valor
Básicas
z -2 -1 0 0 0
MAESTRIA PYGE

s3 0 5 1 1 8
Ing. Rodrigo Sempértegui Álvarez

En la tabla hacemos
x1 0 los costos reducidos
1 1/2 de variables básicas
0 -1/10 1/10

Variables x1 x2 s3 e4 valor

Básicas

z 0 0 0 -1/5 1/5

Luego la variable entrante s3a la base


0 es5 e4 (pues
1 r4<0).
1 Y calculando
8 Min { 8/1, (-1/10)/
(1/10) } = 8, se tiene que sale
x1 s3. 1 1/2 0 -1/10 1/10

167
II. Modelos de Programación Matemática
Programación Lineal

Quedando:

Variables x1 x2 s3 e4 valor
MAESTRIA PYGE

Básicas
Ing. Rodrigo Sempértegui Álvarez

z 0 1 1/5 0 9/5
e4 0 5 1 1 8
x1 1 1 1/10 0 9/10

donde la solución óptima del problema resulta ser:

e4 8 x2 0

xB xD
= = = =

x1 9/10 s3 0

168
II. Modelos de Programación Matemática
Programación Lineal

Consideremos otro ejemplo para el caso 2


min z= 2 x1 + 3 x2
s.a. 1/2 x1 + 1/4 x2 ≤ 4
MAESTRIA PYGE

1 x1 + 3 x2 ≥ 20
Ing. Rodrigo Sempértegui Álvarez

x1 + x2 = 10
x1 , x2 ≥ 0

Aumentando las variables de holgura, exceso y artificiales

min z= 2 x1 + 3 x2

1/2 x1 + 1/4 x2 + s1 = 4

1 x1 + 3 x2 - e2 + a2 = 20

x1 + x2 + a3 = 10

169
II. Modelos de Programación Matemática
Programación Lineal

Primera Fase
min w= a2 + a3
MAESTRIA PYGE

1/2 x1 + 1/4 x2 + s1 = 4
Ing. Rodrigo Sempértegui Álvarez

1 x1 + 3 x2 - e2 + a2 = 20

x1 + x2 + a3 = 10

variable w x1 x2 s1 e2 a2 a3 valor

w 1 0 0 0 0 -1 -1 0

s1 1/2 1/4 1 0 0 0 4

a2 1 3 0 -1 1 0 20

a3 1 1 0 0 0 1 10

170
II. Modelos de Programación Matemática
Programación Lineal

sumamos las columnas 2 y 3 para eliminar las variables a2 y a3

VB w x1 x2 s1 e2 a2 a3 valor prueba
MAESTRIA PYGE

w 1 2 4 0 -1 0 0 30
Ing. Rodrigo Sempértegui Álvarez

s1 0 1/2 0 1 0 0 0 4 16
a2 0 1 3 0 -1 1 0 20 7
a3 0 1 1 0 0 0 1 10 10

171
II. Modelos de Programación Matemática
Programación Lineal

Haciendo 1 al pivote

VB w x1 x2 s1 e2 a2 a3 valor
w 1 2 4 0 -1 0 0 30
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

s1 0 0.5 0 1 0 0 0 4
a2 0 1/3 1 0 -1/3 1/3 0 20/3
a3 0 1 1 0 0 1 10

Realizando operaciones
VB w x1 x2 s1 e2 a2 a3 valor prueba
w 1 2/3 0 0 1/3 -4/3 0 10/3
s1 0 5/12 0 1 1/12 -1/12 0 7/3 28/5
x2 0 1/3 1 0 -1/3 1/3 0 20/3 20
a3 0 2/3 0 0 1/3 -1/3 1 10/3 1/5

172
II. Modelos de Programación Matemática
Programación Lineal

VB w x1 x2 s1 e2 a2 a3 valor
w 1 2/3 0 0 1/3 -4/3 0 10/3
MAESTRIA PYGE

s1 0 5/12 0 1 1/12 -1/12 0 7/3


Ing. Rodrigo Sempértegui Álvarez

x2 0 1/3 1 0 -1/3 1/3 0 20/3


x1 0 1 0 0 1/2 -1/2 3/2 5

VB w x1 x2 s1 e2 a2 a3 valor
w 1 0 0 0 0 -1 -1 0
s1 0 0 0 1 -1/8 1/8 -5/8 1/4
x2 0 0 1 0 -1/2 1/2 -1/2 5
x1 0 1 0 0 1/2 -1/2 3/2 5

173
II. Modelos de Programación Matemática
Programación Lineal
Fase 2
Volvemos a introducir la función objetivo original
VB z x1 x2 s1 e2 valor
z 1 -2 -3 0 0 0
s1 0 0 0 1 -1/8 1/4
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

x2 0 0 1 0 -1/2 5
x1 0 1 0 0 1/2 5

Como tanto x1 como x2 están en la base óptima de la fase 1


debemos eliminarlas del renglón 0
VB z x1 x2 s1 e2 valor
z 1 0 0 0 -1/2 25
s1 0 0 0 1 -1/8 1/4
x2 0 0 1 0 -1/2 5
x1 0 1 0 0 1/2 5

Debido a que no hay como mejorar la función objetivo original


Esta es OPTIMA
174
II. Modelos de Programación Matemática
Programación Lineal
Supongamos que en el ejemplo anterior se cambia la segunda
restricción (a fin de analizar el caso 1)

min z= 2 x1 + 3 x2
s.a. 1/2 x1 + 1/4 x2 ≤ 4
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

1 x1 + 3 x2 ≥ 36
x1 + x2 = 10
x1 , x2 ≥ 0

Aumentando las variables de holgura, exceso y artificiales


min z= 2 x1 + 3 x2
s.a. 1/2 x1 + 1/4 x2 + s1 = 4
1 x1 + 3 x2 - e2 + a2 = 36
x1 + x2 + a3 = 10

175
II. Modelos de Programación Matemática
Programación Lineal

Primera Fase
min w= a2 + a3
MAESTRIA PYGE

1/2 x1 + 1/4 x2 + s1 = 4
Ing. Rodrigo Sempértegui Álvarez

1 x1 + 3 x2 - e2 + a2 = 36
x1 + x2 + a3 = 10

variable w x1 x2 s1 e2 a2 a3 valor
w 1 0 0 0 0 -1 -1 0
s1 0 1/2 1/4 1 0 0 0 4
a2 0 1 3 0 -1 1 0 36
a3 0 1 1 0 0 0 1 10

176
II. Modelos de Programación Matemática
Programación Lineal

sumamos las columnas 2 y 3 para eliminar las variables a2 y a3


MAESTRIA PYGE

VB w x1 x2 s1 e2 a2 a3 valor prueba
Ing. Rodrigo Sempértegui Álvarez

w 1 2 4 0 -1 0 0 46
s1 0 1/2 1/4 1 0 0 0 4 16
a2 0 1 3 0 -1 1 0 36 12
a3 0 1 1 0 0 0 1 10 10

177
II. Modelos de Programación Matemática
Programación Lineal

VB w x1 x2 s1 e2 a2 a3 valor

w 1 -2 0 0 -1 0 -4 6
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

s1 0 1/2 1/4 1 0 0 -1/4 3/2

a2 0 -2 0 0 -1 1 -3 6

x2 0 1 1 0 0 0 1 10

Como ninguna variable en el renglón 0 tiene coeficiente positivo


se trata de un cuadro óptimo de la fase 1.
Debido a que el valor de w=6>0 el PL no tiene solución factible

178
II. Modelos de Programación Matemática
Programación Lineal

Algunos casos especiales


MAESTRIA PYGE

1) Problema Infactible. Esta situación se detecta


Ing. Rodrigo Sempértegui Álvarez

cuando el valor óptimo del problema de la Fase 1


da mayor que cero.
2) Múltiples soluciones óptimas. Esta situación se
detecta cuando existen costos reducidos iguales a
cero en una o más de las variables básicas
óptimas.
3) Problema no acotado. Esta situación se detecta
cuando al realizar el cálculo de la variable que deja
la base, todos los elementos y kj de la columna j en
la tabla, son negativos para j el índice de una
variable no básica con costo reducido negativo.
179
II. Modelos de Programación Matemática
Programación Lineal

II.5. Dualidad en Programación Lineal.

Consideremos un ejemplo de producción de 2 productos finales que


hacen uso de tres recursos escasos (máquinas), cuyas
MAESTRIA PYGE

disponibilidades en horas corresponden a los lados derechos de las


Ing. Rodrigo Sempértegui Álvarez

restricciones.
P) Max 40x1 + 60x2
sa: 2x1+2x2  70
x1 + x2  40
x1 + 3x2  90
x 1, x 2  0
La solución óptima y el valor óptimo del problema P) esta dada por:

x 1* = 5
x2* = 25

z = v(p) = 2100

180
II. Modelos de Programación Matemática
Programación Lineal

En lo que sigue, combinaremos las distintas restricciones del


problema, ponderando por los valores  1,  2 y  3 cada una,
MAESTRIA PYGE

respectivamente, de modo de obtener la mejor cota superior


Ing. Rodrigo Sempértegui Álvarez

del valor óptimo del problema P). Vale decir:

 1(2x1+2x2) +  2(x1+x2) +  3(x1+3x2)  70  1 +


40  2 + 90  3

Para garantizar que el lado derecho de esta última


desigualdad sea una cota superior de la función objetivo se
debe cumplir que :

2  1 +  2 +  3  40
2 1 +  2 + 3  3  60
181
II. Modelos de Programación Matemática
Programación Lineal

La mejor elección de esta cota se obtendría al resolver:


MAESTRIA PYGE

D) Min 70  1 + 40  2 + 90  3
Ing. Rodrigo Sempértegui Álvarez

sa: 2  1 +  2 +  3  40
2 1 +  2 + 3  3  60
 1,  2,  3  0
Este problema se conoce como el problema “ Dual” D)
asociado al problema “Primal” P).

También resulta que al formular el problema dual de D) se


obtiene el problema primal (o uno equivalente).

Cualquiera de los dos entrega la misma información y el valor


óptimo alcanzado es el mismo.

182
II. Modelos de Programación Matemática
Programación Lineal

Más generalmente, si el problema primal es:


P) n
Max  c jx j
j1
MAESTRIA PYGE

n
sa :  aij x j  bi i  1,2,..., n
Ing. Rodrigo Sempértegui Álvarez

j1

xj  0 j  1,2,..., m

su dual resulta el problema: m

D) Min  bi i
i 1
m
sa :  aij i  c j j  1,2,..., n
i 1

i  0 i  1,2,..., m

183
II. Modelos de Programación Matemática
Programación Lineal
Lo que se puede expresar en forma matricial como:
P) Max c Tx
sa: Ax  b
x0
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

D) Min bT 
sa: AT   c
0
Si el problema primal corresponde a:
P) Max -cTx
sa: Ax  b
x0
Su dual resulta ser:
D) Min -bT 
sa: AT   c
0
Es decir, el dual del dual es el problema primal

184
II. Modelos de Programación Matemática
Programación Lineal

Teorema de dualidad débil:


Si x IRn, es una solución factible del problema primal P) y  IRm, una
MAESTRIA PYGE

solución factible del problema dual D), entonces:


Ing. Rodrigo Sempértegui Álvarez

n m
c x   c j x j   bi i  b T 
T

j1 i 1
En particular, si ambas soluciones son los óptimos de sus respectivos
problemas, sus valores óptimos cumplen que :
v(P)  v(D)

Teorema de dualidad fuerte:


Si x* = (x1*, x2*, ..., xn*)T, es una solución óptima problema primal P),
entonces el problema dual D) tiene solución óptima * = ( 1*,  2*, ...,  m*)T
que satisface: n m
v(P)  c T x *   c j x j *   bi i *  b T   v(D)
j1 i 1

185
II. Modelos de Programación Matemática
Programación Lineal

Además:
i)Si P) es no-acotado entonces D) es infactible.
MAESTRIA PYGE

ii)Si D) es no-acotado entonces P) es infactible.


Ing. Rodrigo Sempértegui Álvarez

Ejemplo: P) Min 3x1 + 4x2 + 5x3


sa: x1+ 2x2 + 3x3  5
2x1 + 2x2 + x3  6
x 1, x 2, x 3  0

D) Max 5 1 + 6 2
sa:  1 + 2 2  3
2 1 + 2 2  4
3 1 +  2  5
 1,  2  0

186
II. Modelos de Programación Matemática
Programación Lineal

Resolvemos D) por Simplex, en su forma estándar:


1 2 3 4 5
 3  3 
1 2 1 0 0 3
xB   4   4
MAESTRIA PYGE

   
Ing. Rodrigo Sempértegui Álvarez

2 2 0 1 0 4   5  5 
3 1 0 0 1 5   1  0 
xD      
-5 -6 0 0 0 0   2  0 
Luego la variable entrante a la base es  2 (pues r2<0). Y
calculando Min { 3/2, 4/2, 5/1 } = 3/2, se tiene que sale  3

187
II. Modelos de Programación Matemática
Programación Lineal

1 2 3 4 5   2  3 / 2 
½ 1 ½ 0 0 3/2 xB  4    1 
   
MAESTRIA PYGE

  5  7 / 2
Ing. Rodrigo Sempértegui Álvarez

1 0 -1 1 0 1
5/2 0 -1/2 0 1 7/2   1  0 
xD      
-2 0 3 0 0 9   3  0 
Luego la variable entrante a la base es  1 (pues r2<0). Y
calculando Min { (3/2)/(1/2), 1/1, (7/2)/(5/2)} = 1, se tiene que
sale  4

188
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal

1 2 3 4 5  1  1
Ing. Rodrigo Sempértegui Álvarez

x B    2   1
0 1 1 -1/2 0 1    
1 0 -1 1 0 1   5  1
0 0 2 -5/2 1 1   3  0 
xD      
0 0 1 2 0 11   4  0 

Sol. óptima de D):


 1* = 1;  2* = 1; v(D) = 11
Sol. óptima de P):
x1* = 1; x2* = 2; x3* = 0; v(P) = 11
189
II. Modelos de Programación Matemática
Programación Lineal

Método Simplex Dual:


MAESTRIA PYGE

La idea de este método consiste en resolver de alguna


Ing. Rodrigo Sempértegui Álvarez

manera el problema dual asociado a P) en la tabla y variables


del problema primal P), según veremos en su aplicación a un
problema primal (ejercicio anterior).
Min 3x1 + 4x2 + 5x3
sa: x1+ 2x2 + 3x3  5
2x1 + 2x2 + x3  6
x 1, x 2, x 3  0

190
II. Modelos de Programación Matemática
Programación Lineal

Método Simplex Dual:


MAESTRIA PYGE

Min 3x1 + 4x2 + 5x3 + 0x4 + 0x5


Ing. Rodrigo Sempértegui Álvarez

sa: x1 + 2x2 + 3x3 - x4 5 x(-1)


2x1 + 2x2 + x3 - x5  6 x(-1)
x1, x2, x3, x4, x5  0

x1 x2 x3 x4 x5
-1 -2 -3 1 0 -5
-2 -2 -1 0 1 -6
3 4 5 0 0 0

191
II. Modelos de Programación Matemática
Programación Lineal

Método Simplex Dual:


MAESTRIA PYGE

En la tabla anterior se toman dos variables de exceso x4 y x5 ,


Ing. Rodrigo Sempértegui Álvarez

y se multiplica por un número negativo con la finalidad de


encontrar la matriz identidad IRn, además es necesaria la
condición de que los costos reducidos de la tabla sean
mayores que cero ( lo que en este caso se cumple).
En la tabla anterior se escoge, usando el lado derecho,
alguna variable con valor negativo.

Escogemos x5 , variable que dejará la base. Enseguida , se


obtiene la variable entrante calculando:
Min { (-3/-2) , (-4/-2),(-5/-1)} = 3/2.

De donde resulta que x1 entra a la base.

192
II. Modelos de Programación Matemática
Programación Lineal

Método Simplex Dual:


x1 x2 x3 x4 x5
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

0 -1 -5/2 1 -1/2 -2
1 1 1/2 0 -1/2 3
0 1 7/2 0 3/2 -9

La tabla posee aún un lado derecho negativo (costos


reducidos negativos del problema dual), por lo cual no es
factible en P).

193
II. Modelos de Programación Matemática
Programación Lineal

x4 (=-2) deja la base, luego calculamos :


Min {(-1/-1),((-7/2)/(-5/2)),((-3/2)/(-1/2))} = 1, por lo que x2 entra a la
base.
x1 x2 x3 x4 x5
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

0 1 5/2 -1 ½ 2
1 0 -2 1 -1 1
0 0 1 1 1 -11

La tabla posee lados derechos no-negativos (costos reducidos


positivos del problema dual) y también los costos reducidos de las
variables no básicas x3, x4 y x5 son no-negativos , por lo que tenemos
una solución factible en P) que es la solución óptima del problema.
 x 1   1
x   x 2   2  v(P)  11
   
 x 3  0

194
II. Modelos de Programación Matemática
Programación Lineal

II.6. Análisis de Sensibilidad o Post-Optimal

1) ¿Qué ocurre con las actuales variables básicas si se cambia


MAESTRIA PYGE

algún coeficiente del lado derecho (b)?


Ing. Rodrigo Sempértegui Álvarez

y se cumple: x B  0
1
Si calculamos: x B  B b
Las mismas variables básicas lo son también de la nueva solución
óptima, calculada con el nuevo b .
Si lo anterior no se cumple, se puede aplicar el Método Simplex
Dual.
2) ¿ Qué ocurre con la actual solución óptima si se agrega una
nueva variable al problema ?

Para decidir si la actual solución básica es óptima para el nuevo


problema, calculamos el costo reducido de la nueva variable
mediante la formula:
rk  ck  cBTB 1Ak
195
II. Modelos de Programación Matemática
Programación Lineal
donde k es el índice de la nueva variable y Ak su respectiva
columna en la matriz de coeficientes. Si se cumple que rk0 se
conserva la actual solución óptima. En caso contrario, se sigue con
el Simplex.
MAESTRIA PYGE

3) ¿ Que ocurre con la actual solución óptima del problema P) si se


Ing. Rodrigo Sempértegui Álvarez

cambian los coeficientes que definen la función objetivo ?

Supongamos que el vector nde coeficientes en la función objetivo


cambia a un vector c  IR
La actual solución óptima también lo es para P
con:
T
P) Min c x
sa : Ax  b
x0

196
II. Modelos de Programación Matemática
Programación Lineal

Siempre que los nuevos costos reducidos sean mayores o


iguales a cero (notar que también cambia el valor de la
función objetivo en la actual solución óptima). Es decir se
MAESTRIA PYGE

debe cumplir que:


Ing. Rodrigo Sempértegui Álvarez

rD  cD  cBT B 1 D  0 o equivalentemente
T
rj  c j  c B 1 A j  0
B  j
En caso contrario, se aplica el Simplex a partir de la tabla final
de P) con los nuevos costos reducidos y nuevo valor de la
actual solución básica.

197
II. Modelos de Programación Matemática
Programación Lineal

Veamos los cambios que tienen lugar cuando sólo varía un


coeficiente del vector c de la función obj.
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

a) Cambio de un coeficiente asociado a una variable no-


básica xJ:
Se conserva la misma solución óptima del problema P) ssi.
para esa variable xJ:
T 1
rj  c j  cBB A j 0 j

198
II. Modelos de Programación Matemática
Programación Lineal

Consideremos :
c j  c j  j
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Por lo tanto se conserva la misma solución ssi:

j  rj  c j  c j  rj

199
II. Modelos de Programación Matemática
Programación Lineal

b) Cambio en un coeficiente de la función objetivo


MAESTRIA PYGE

asociado a una variable básica:


Ing. Rodrigo Sempértegui Álvarez

En este caso para tener la misma solución óptima,


se debe cumplir que el costo reducido de todas las
variables.a cero.
T 1
rj  c j  cBB A j 0

0 
c i  c i  i cB  cB  i 1  cB  iei

 0 
200
II. Modelos de Programación Matemática
Programación Lineal

Si el incremento es cualquiera en el siguiente


MAESTRIA PYGE

intervalo, se conserva la misma solución óptima:


Ing. Rodrigo Sempértegui Álvarez

 rj   rj 
Max  / yij  0  i  Min  / yij  0
 yij   yij 

donde rj es el costo reducido de la respectiva


variable no básica en la actual solución óptima y los
coeficientes yij denotan las entradas en la tabla final
del Simplex asociadas a la variable básica xi (cuyo
costo cambia) y la respectiva variable no básica xj

201
II. Modelos de Programación Matemática
Programación Lineal

Ejemplo:
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

La siguiente tabla, es la tabla final de un


problema de programación lineal.

1,00 2,33 1,67 0,00 0,27 -0,07 1333,33


0,00 -0,03 0,03 1,00 -0,01 0,03 66,67
0,00 6,67 3,33 0,00 2,93 0,27 18666,67

Con esta tabla realizaremos un análisis de


sensibilidad:
202
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal

a) Variar los recursos ( lado derecho):


Ing. Rodrigo Sempértegui Álvarez

Las xB del problema primal no cambian como base


óptima, si los valores asociados a estas variables.

x B  B 1b y se cumple xB  0

Para calcular estos intervalos de recursos, se


necesita la matriz inversa asociada a las variables
básicas del tabla final.

203
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal
Ing. Rodrigo Sempértegui Álvarez

 4 10   4 / 15  1 / 15 
B  B 
1

 1 40    1 / 150 2 / 75 
Intervalo recurso 1:
 4 / 15  1 / 15  6000  b1 
  1 / 150 2 / 75  x  4000   0
   
20000 4 b1 10000 b1
 0   0
15 15 150 150

b1  5000  b1  10000

204
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Lineal

 5000  b1  10000


Ing. Rodrigo Sempértegui Álvarez

1000  b1  16000

Intervalo recurso 2:
 4 / 15  1/ 15   6000 
  1/ 150 2 / 75  x  4000  b   0
   2

 2500  b2  20000


1500  b2  24000

205
II. Modelos de Programación Matemática
Programación Lineal

Variable x1:
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Max {0}  C1  Min {((20/3)/(7/3)),((10/3)/(5/3))}

0  D1  2 10  C1* 12

Variable x4:

Máx {((20/3)/(-1/30))}  D4  Min {((10/3)/(1/30))}

-200  D4  100 -60  C4* 240

206
II. Modelos de Programación Matemática
Programación Lineal

Variable x2:
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

C2* = C2 +  2 C2 = -20
 2 - r2 C2*  - 20 - ( 20/3)
C2*  - 80/3

Variable x3:

C3* = C3 +  3 C3 = -18
 3 - r3 C3*  - 18 - ( 10/3)
C3*  - 64/3
207
II. Modelos de Programación Matemática
Programación Lineal

BIBLIOGRÁFIA EN PROGRAMACIÓN LINEAL

1. Linear Programming and Network Flow, M.Bazaraa,


MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

J.Jarvis and H.Sherali. John Wiley & Sons, Inc., New York,
Second Edition 1990.
2. Introduction to Linear Optimization, D.Bertsekas and
J.Tsitsiklis. Athena Scientific USA, 1997.
3. Linear Programming, V.Chvátal. W.H. Freeman and
Company, New York, 1983.
4. Linear Programming and Extensions, G. Dantzig.
Princeton University Press, New Jersey, tenth printing, 1993.
5. Introducción a la Programación Lineal y No Lineal,
D.Luenberger. Adisson Wesley Iberoamericana, 1989.
6. Linear and Combinatorial Programming, K. Murty. John
Wiley & Sons, Inc., New York, Second Edition 1976.
7. Model Building in Mathematical Programming, H.P.
Williams. John Wiley & Sons, Inc., New York, 4rd Edition 1999.
208
II. Modelos de Programación Matemática
Programación Lineal

DIRECCIONES ELECTRÓNICAS EN PROGRAMACIÓN LINEAL


MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Preguntas de consulta frecuente en Programación Lineal:


http://www-unix.mcs.anl.gov/otc/Guide/faq/linear-programming-faq.html

Servidor NEOS, guía de software de Programación Lineal:


http://www-fp.mcs.anl.gov/otc/Guide/SoftwareGuide/Categories/linearprog.html

Servidor NEOS, ejemplo problema de la dieta:


http://www-fp.mcs.anl.gov/otc/Guide/CaseStudies/diet/index.html

Guía de software de Programación Lineal en revista OR&MS Today


(INFORMS Magazine):
http://lionhrtpub.com/software-surveys.shtml

209
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez
II. Modelos de Programación Matemática
Programación Entera

Temario:
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

III.1. Introducción y ejemplos de modelamiento.


III.2. Resolución de problemas de P. E.
III.3. Método de Branch and Bound.

211
II. Modelos de Programación Matemática
Programación Entera
Ejemplo de Restricciones “O”

Seat considera la fabricación de 3 tipos de automóviles: compacto, mediano


MAESTRIA PYGE

y largo. En la tabla se presentan los recursos requeridos y las ganancias


proporcionadas por cada tipo de automóvil. En la actualidad se cuenta con
Ing. Rodrigo Sempértegui Álvarez

6000 ton de acero y 60000 horas de trabajo. Para que la producción de un


tipo de automóvil sea económicamente factible hay que fabricar al menos
1000 unidades de este tipo. Formular un modelo matemático para optimizar
las ganancias.
COMPACTO MEDIANO LARGO
Ton. de acero 1.5 3 5
hors de trabajo 30 25 40
ganancia (dolares) 2000 3000 4000

212
II. Modelos de Programación Matemática
Programación Entera

Consideremos como variables de decisión


x1 = número de automóviles compactos
MAESTRIA PYGE

x2 = número de automóviles medianos


Ing. Rodrigo Sempértegui Álvarez

x2 = número de automóviles grandes

Por lo tanto la función objetivo (ganancia de la fábrica):


Max z=2000 x1+ 3000x2 + 4000x3

R1 x1≤ 0 ó x1≥1000
R2 x2≤ 0 ó x2≥1000
R3 x3≤ 0 ó x3≥1000
R4 1.5 x1 + 3 x2 + 5 x3 ≤ 600
R4 30 x1 +25 x2 + 40 x3 ≤ 60000

213
II. Modelos de Programación Matemática
Programación Entera

Restricciones “O”
MAESTRIA PYGE

Se dan dos restricciones de la forma:


Ing. Rodrigo Sempértegui Álvarez

f(x1, x2,… xn) ≤ 0 g(x1, x2,… xn) ≤ 0


Se desea asegurar que se cumpla por lo menos una de las dos
restricciones. Deberá agregarse las siguientes dos restricciones:
f(x1, x2,… xn)≤ My g(x1, x2,… xn)≤M(1-y)
Donde: y es una variable 0-1 y M es un número muy grande que
asegure que se satisfagan:
f(x1, x2,… xn)≤M g(x1, x2,… xn)≤M
Para todos los valores de x1, x2,… xn que satisfagan las otras
restricciones.

214
II. Modelos de Programación Matemática
Programación Entera

Max z=2000 x1+ 3000x2 + 4000x3


MAESTRIA PYGE

R1 x1 ≤ M1 y1
Ing. Rodrigo Sempértegui Álvarez

1000- x1 ≤ M1(1-y1)
R2 x2 ≤ M2 y2
1000- x2 ≤ M2(1-y2)
R3 x3 ≤ M3 y3
1000- x3 ≤ M3(1-y3)
R4 1.5 x1 + 3 x2 + 5 x3 ≤ 6000
R4 30 x1 +25 x2 + 40 x3 ≤ 60000
x1, x2, x3 ≥ 0
y1, y2, y3 = 0 ó 1

215
Ejemplo de Restricciones “SI ENTONCES”

STour recibe pagos de los turistas con tarjetas de crédito de 4 regiones


diferentes galápagos, costa, sierra y oriente. El valor promedio de pagos
por los clientes de cada región es galápagos 70000, costa 50000, sierra
60000 y oriente 40000. STour debe decidir hacia donde deben enviar los
clientes sus pagos, ya que recibe el 20% de interés anual y desea recibir
los pagos lo más pronto posible. STour considera montar las oficinas para
procesar los pagos en cuatro ciudades Puerto Ayora, Guayaquil, Cuenca y
MAESTRIA PYGE

Puyo. El número promedio de días (a partir del envío del pago) hasta la
Ing. Rodrigo Sempértegui Álvarez

liquidación de un cheque y hasta que STour pueda depositar el dinero


depende de la ciudad a la cual se manda el pago como se muestra en la
tabla siguiente. El costo anual por manejar una oficina es de 50000. Si se
abre la oficina en Puerto Ayora solo puede recibir el dinero de galápagos y
de ninguna otra región (si galápagos envía su dinero a la Puerto Ayora
entonces ninguna otra región puede enviar el dinero a Puerto Ayora)
Formular un PL para minimizar la suma de los costos por intereses
perdidos y por el manejo de la oficina. Supóngase que cada región debe
enviar su dinero a una sola oficina.
DESDE HACIA
P.Ayora Guayaquil Cuenca Puyo

Galápagos 2 6 8 8
Costa 6 2 5 5
Sierra 8 5 2 5
Oriente 8 5 5 2
216
II. Modelos de Programación Matemática
Programación Entera

Restricciones “SI ENTONCES”


MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Se desea asegurar que se cumpla g(x1,x2,…xn)≥0 si se satisface


f(x1,x2,…xn)>0, mientras que si no se satisface f(x1,x2,…xn)>0
entonces g(x1,x2,…xn)≥0 no debe satisfacerse. Deberá agregarse
las siguientes dos restricciones:
-g(x1, x2,… xn)≤My f(x1, x2,… xn)≤ M(1-y)
Donde: y es una variable 0-1 y M es un número muy grande que
asegure que se satisfagan:
f(x1, x2,… xn)≤M g(x1, x2,… xn)≤M
Para todos los valores de x1, x2,… xn que satisfagan las otras
restricciones.

217
II. Modelos de Programación Matemática
Programación Entera
Funciones lineales por partes

Supongamos que una función lineal por partes tiene los puntos de
ruptura b1,b2,…bn. Para algún k (k=1,2,3…n-1), bk ≤ x≤ bk+1.
MAESTRIA PYGE

Entonces, para algún número zk (0 ≤ zk ≤1) se puede escribir x


Ing. Rodrigo Sempértegui Álvarez

como:
x= zk bk+(1-zk)bk+1
Ya que f(x) es lineal para bk ≤ x≤ bk+1 , podemos escribir como:
f(x)=zk f(bk)+(1-zk) f(bk+1 )
Paso 1: donde se presenta f(x) remplazar por z1f(b)
+z2f(b2)+z3f(b3)…..znf(bn)
Paso 2: añadir las siguientes restricciones:
z1≤y1, z2≤y1+y2 , z3≤y1+y2……. zn-1 ≤yn-2+yn-1, zn ≤1
y1+y2+y3….+yn-1=1
z1+z2+z3….+zn-1=1
X=z1b1+z2b2+z3b3+…….znbn

218
II. Modelos de Programación Matemática
Programación Entera

Ejemplo de Funciones lineales por partes


MAESTRIA PYGE

Supóngase que se produce gasolina a partir de petoleo. Al comprar


Ing. Rodrigo Sempértegui Álvarez

el petróleo de nuestro proveedor se recibe un descuento por


cantidad. Los 500 primeros galones de petróleo cuestan 0.25
dólares el galón; los siguientes 500 galones a 0.20 dólares; y los
siguientes 500 galones a 0.15 dólares Se pueden comprar como
máximo 1500 galones

219
II. Modelos de Programación Matemática
Programación Entera
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

220
II. Modelos de Programación Matemática
Programación Entera
a) Problema de la mochila.
Una empresa está pensando invertir en cuatro proyectos diferentes,
cada proyecto se finaliza a lo más en 3 años. Los flujos de caja
requeridos en cada año junto con el Valor Presente Neto de cada
MAESTRIA PYGE

proyecto, concluIdos los años de ejecución, y las disponibilidades de


Ing. Rodrigo Sempértegui Álvarez

recursos financieros se resumen en la siguiente tabla:


Proy 1 Proy 2 Proy 3 Proy 4 Disp. Recursos
Año 1 10 8 6 12 30
Año 2 8 15 4 0 15
Año 3 18 0 16 0 12
V.P.N. 35 18 24 16

Interesa determinar en cuáles proyectos invertir de modo de conseguir el


mayor V.P.N. de la inversión.

221
II. Modelos de Programación Matemática
Programación Entera

Variables de decisión:
1, si se invierte en el proyecto i
MAESTRIA PYGE

xi   con i  1,2,3,4
0, sin o
Ing. Rodrigo Sempértegui Álvarez

Función objetivo:
Max 35x1 + 18x2 + 24x3 + 16x4

222
II. Modelos de Programación Matemática
Programación Entera

Restricciones (tres alternativas):


1) Reinvirtiendo el dinero no utilizado en un período:
Año1: 10x1 + 8x2 + 6x3 + 12x4 + s1 = 30
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Año2: 8x1 + 15x2 + 4x3 + s2 = 15 + s1


Año3: 18x1 + 16x3  12 + s2
xi  {0,1} i = 1,2,3,4
2) Sin invertir el dinero no utilizado en un período, pero utilizando el
retorno de los proyectos concluídos:
Año1: 10x1 + 8x2 + 6x3 + 12x4  30
Año2: 8x1 + 15x2 + 4x3  15 + 16x4
Año3: 18x1 + 16x3  12 + 18x2
xi  {0,1} i = 1,2,3,4

223
II. Modelos de Programación Matemática
Programación Entera

3) Reinvirtiendo el dinero no utilizado en un período y, también


el retorno de proyectos concluidos:
MAESTRIA PYGE

Año1: 10x1+ 8x2+ 6x3+ 12x4+ s1 = 30


Ing. Rodrigo Sempértegui Álvarez

Año2: 8x1+ 15x2+ 4x3 + s2 = 15 + s1 + 16x4


Año3: 18x1 + 16x3  12 + s2 + 18x2
xi  {0,1} i = 1,2,3,4

224
II. Modelos de Programación Matemática
Programación Entera
Notar que el conjunto de las soluciones factibles es finito. Esto
ocurrirá generalmente con los problemas de Programación Entera
(puros). En el ejemplo, el número de soluciones factibles no supera
el número de las soluciones binarias del problema (variables
MAESTRIA PYGE

restringidas sólo a valores 0 o 1) que son 24 = 16, dado el número de


Ing. Rodrigo Sempértegui Álvarez

variables utilizadas, de hecho las soluciones factibles son menos de


16 pues en particular xi=1 para i=1,2,3,4 no satisface las
disponibilidades de capital en cualquiera de las tres alternativas.

225
II. Modelos de Programación Matemática
Programación Entera
Tomemos el ejemplo de la mochila dado con anterioridad
Supongamos que adicionalmente la inversión efectuada requiera
nuevas restricciones.
MAESTRIA PYGE

- Se debe invertir en al menos 1 de los 3 primeros proyectos:


Ing. Rodrigo Sempértegui Álvarez

x1 + x2 + x3 1
- El proyecto 2 no puede ser tomado a menos que el proyecto 3 si
sea tomado: x2 x3
- Se puede tomar el proyecto 3 o 4 pero no ambos: x3 + x4  1
- No se puede invertir en más de dos proyectos: x1 + x2 + x3 + x4  2

226
II. Modelos de Programación Matemática
Programación Entera

b) Cumplimiento de un subconjunto de las restricciones de un


problema.
Consideremos un problema que posee las siguientes restricciones:
MAESTRIA PYGE

12x1 + 24x2 + 18x3  2400


Ing. Rodrigo Sempértegui Álvarez

15x1 + 32x2 + 12x3  1800


20x1 + 15x2 + 20x3  2000
Supongamos además, que nos basta con obtener alguna solucion
óptima que verifique el cumplimiento de al menos 2 de las 3
restricciones anteriores.
Variables de decisión:
1, si la restricción j se satisface
yj  
0, casocontrario

227
II. Modelos de Programación Matemática
Programación Entera

Cada inecuación anterior la reemplazamos por:


12x1 + 24x2 + 18x3  2400 + M1 (1- y1)
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

15x1 + 32x2 + 12x3  1800 + M2 (1- y2)


20x1 + 15x2 + 20x3  2000 + M3 (1- y3)
Además, debemos agregar la restricción que permita que a lo
más una de las restricciones no se cumpla:
y1 + y2 + y3  2 Mi = constante lo suf. grande

228
II. Modelos de Programación Matemática
Programación Entera
c) Inclusión de costos fijos.
MAESTRIA PYGE

Supongamos que se desea tener lotes de compra de un producto


Ing. Rodrigo Sempértegui Álvarez

dado, para satisfacer demandas que fluctúan en el tiempo sobre un


horizonte de planificación dividido en T períodos.
Asumimos conocidos: una estimación de la demanda dt, con t = 1,
2, ..., T, los costos fijos asociados a la compra de una unidad pt,
los costos asociados al mantenimiento de una unidad en inventario
de cada período ht y los costos fijos asociados a la gestión de
compra en el período t, st.
Observación: no se permite unidades de faltante.

229
II. Modelos de Programación Matemática
Programación Entera

Variables de decisión
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

xt: número de unidades compradas en t.


It : nivel de inventario al final del período t.
con t: 1, 2, ..., T

1, si se hace una compra en el periodo t


yt  
0, sin o

230
II. Modelos de Programación Matemática
Programación Entera
Función objetivo
T

 st y t  p t x t  h t It
MAESTRIA PYGE

Min
Ing. Rodrigo Sempértegui Álvarez

t 1

Restricciones
xt + It-1 - It = dt t = 1, 2, ..., T
I0 = inventario inicial
x t  M t yt t = 1, 2, ..., T
Mt = cte. grande

231
II. Modelos de Programación Matemática
Programación Entera

d) Problema de cobertura:
Dado un número de regiones o zonas, en las cuales se ha
subdividido una comuna, cuidad, país, etc., digamos que un total de
MAESTRIA PYGE

m, se desea instalar un cierto número de servidores (escuelas,


Ing. Rodrigo Sempértegui Álvarez

centros de atención primaria de salud, compañías de bomberos,


etc.) de entre un conjunto de n potenciales servidores ubicados en
alguna de las zonas dadas.
Se conoce la información relativa a que zonas pueden ser atendidas
por cada uno de los n potenciales servidores, es decir, se conoce la
matriz de incidencia A = (aij) donde :
1, si la zona i puede ser atendida por el servidor j
aij  
0, sin o
con i  1,2,..., m y j  1,2,..., n

232
II. Modelos de Programación Matemática
Programación Entera

Se desea determinar cuáles son los servidores que deben ser


instalados de modo de dar cobertura a cada zona, dados los costos
de instalación cj del servidor j.
Variables de decisión:
MAESTRIA PYGE

1, si se instala el servidor j


Ing. Rodrigo Sempértegui Álvarez

xj  
0, sin o
n
Función objetivo:
Min  cj xj
j1

Restricciones: Para cada zona i n


 aij x j  1
j1

Se agrega la siguiente restricción, si adicionalmente, hay algún


límite en el número de servidores que se pueden instalar (digamos
m
k) :
 xj  k
j1

233
II. Modelos de Programación Matemática
Programación Entera

e) Problema de transporte y localización:


MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Si se tiene un conjunto de m clientes que demandan di


unidades de un producto determinado. Una compañía desea
satisfacer esas demandas desde un cierto conjunto de
plantas elegidas de n potenciales lugares donde se
instalarán.

Sean cj los costos asociados a la instalación de la planta j , vj


el costo unitario de producción de la planta j y tij el costo de
transporte de una unidad desde la planta j al cliente i .
Se desea decidir cuáles plantas abrir y el tamaño de cada
una de modo de satisfacer las demandas estimadas.

234
II. Modelos de Programación Matemática
Programación Entera

Variables de decisión:
1, si se abre la planta j
yj  
MAESTRIA PYGE

0, sin o
Ing. Rodrigo Sempértegui Álvarez

xij = el número de unidades elaboradas en la planta j para


satisfacer el cliente i, con j = 1,...,n y i = 1,....,m.

235
II. Modelos de Programación Matemática
MAESTRIA PYGE Programación Entera
Ing. Rodrigo Sempértegui Álvarez

Función objetivo:
n n
 m
  n m
Min  j j  j   ij 
c y  v x   t ijxij
j 1 j1 i 1 j 1 i 1

Costo de Costo de Costo de


Instalación Producción Transporte

236
II. Modelos de Programación Matemática
Programación Entera

Restricciones:
1) Demanda cliente i:
MAESTRIA PYGE

 x ij  di
Ing. Rodrigo Sempértegui Álvarez

i 1

2) Relacionar variables de producción con las asociadas


a la apertura de plantas (variables
n
binarias):
 x ij  M j y j
j1

donde Mj es una constante grande (por ejemplo,


capacidad máxima de producción de la planta j), con xij 
0 e yj  {0,1}.

237
II. Modelos de Programación Matemática
Programación Entera

III.2. Resolución de problemas de P. E.


MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Supongamos que tenemos el siguiente problema


de programación lineal:
PL) Max cTx
s.a. Ax=b
x0
Pero todas o una parte de las variables deben
restringir su valor a números enteros, dando origen
a un problema de Programación Entera (puro) o
de Programación Entera- Mixta, respectivamente.
238
II. Modelos de Programación Matemática
Programación Entera

Por ejemplo:
PLE) Max c Tx
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

s.a. Ax=b
x  0, xj entero
El problema PL) corresponde a la relajación continua del
problema PLE), que resulta de eliminar las condiciones de
integralidad de las variables de decisión en PLE).

El valor óptimo de PL) provee sólo una cota superior del


valor óptimo de PLE). Notar sin embargo, que si la solución
óptima de PL) cumple con la integralidad de los valores
requiridos, entonces esta solución es también solución
óptima de PLE).

239
II. Modelos de Programación Matemática
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez
Programación Entera

240
II. Modelos de Programación Matemática
Programación Entera
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

241
II. Modelos de Programación Matemática
Programación Entera
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

242
II. Modelos de Programación Matemática
Programación Entera

Ejemplo
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

PLE) Max x2
s.a. - 2x1 + 2x2  1
2x1 + x2  7
x1  0, x2  0 enteros

243
II. Modelos de Programación Matemática
Programación Entera
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

x2 - 2x1 + 2x2  1
2x1 + x2  7

. .
. . .
. . . . x1
3.5

244
II. Modelos de Programación Matemática
Programación Entera
Notar que en el ejemplo la solución óptima puede ser hallada por
simple enumeración de todas las soluciones factibles. Aquí las
soluciones óptimas son:
MAESTRIA PYGE

x1* = 1 o x1* = 2
Ing. Rodrigo Sempértegui Álvarez

x2* = 1 x2* = 1
Esta alternativa de enumeración queda naturalmente restringida a
problemas muy pequeños.
Alternativamente, podemos resolver la relajación continua asociada
al problema PLE). Si la solución óptima de la relajación continua da
una solución entera, esa es la solución óptima no solo del problema
lineal sino que también lo es del problema lineal entero.
En el ejemplo, la solución de la relajación continua es:
x1 = 3/2 x2 = 2

245
II. Modelos de Programación Matemática
Programación Entera
A partir de esta última solución podemos redondear o truncar los
valores que no salieron enteros, obteniendo respectivamente en el
ejemplo:
MAESTRIA PYGE

x1 = 2 x1 = 1
Ing. Rodrigo Sempértegui Álvarez

x2 = 2 x2 = 2
las cuales no son soluciones factibles de PLE), de modo que desde
el punto de vista de una resolución numérica no es suficiente con
resolver la relajación continua.
Todavía podrían resultar soluciones factibles de PLE), pero no
neceasariamente óptimas. Por ejemplo:
PLE) Max f(x1, x2) = x1 + 5x2
s.a. x1 + 10x2  10
x1  1
x1  0, x2  0 enteros

246
II. Modelos de Programación Matemática
Programación Entera
Solución óptima de PL)
x1 = 1 f(1,9/10)=5,5
x2 = 9/10
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Redondeando o truncando los valores


x1 = 1 infactible x1 = 1 f(1,0)=1
x2 = 1 x2 = 0
Pero la solución óptima de PLE) es:
x1 = 0; x2 = 1; v(PLE) = 5

247
II. Modelos de Programación Matemática
Programación Entera
III.3. Método de Branch and Bound.

Consideremos el siguiente problema de programación entera:


MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

PLE) Max 21x1 + 11x2


s.a. 7x2 + 4x2  13
x1  0
x2  0
x1, x2 enteros

Consideremos inicialmente la resolución de la relajación continua de


PLE), que consiste en eliminar las condiciones de integralidad.

248
II. Modelos de Programación Matemática
Programación Entera

III.3. Método de Branch and Bound.


x2
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

3 x2 = 3

3/2
2 x2 = 2

21x1+11x2=39
1 x2 = 1

13/7 sol. relajada

x1
x1 = 1 x1 = 2
21x1+11x2 7x1+4x2=13 249
II. Modelos de Programación Matemática
Programación Entera
Descripción del método Branch and Bound (maximización)
MAESTRIA PYGE

Paso 0
Ing. Rodrigo Sempértegui Álvarez

Hacer P0), la relajación continua de PLE)


Fijar la cota inferior del v(PLE) en -.
Paso1
Seleccionar un problema no resuelto, Pi)
Resolver Pi) como problema de programación lineal.
Agotar este problema, usando:
(i) que se encontró una solución entera
(ii) que el problema resulta infactible
(iii) que el problema no provee un valor mejor que la actual cota del
valor óptimo v(PLE).
250
II. Modelos de Programación Matemática
Programación Entera
Si el problema Pi) resulta agotado y da solución entera, mejorar el
valor de la cota inferior de v(PLE).
Si todos los problemas están agotados, parar.
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Solución óptima de PLE), la solución entera asociada a la actual


cota inferior de v(PLE), si existe (si no existe entonces PLE) es
infactible)
Si el problema no está agotado pasar al paso 2.
Paso 2
Seleccionar una variable xj= ûj, cuyo valor en la solución óptima de
Pi) no de entero.
Eliminar la región correspondiente a
ûj < ûj < ûj + 1
Crear dos nuevos problemas de programación lineal que incorporen
a Pi) dos restricciones mutuamente excluyentes: xj  ûj, xj  ûj
+1 una en cada problema y volver al paso 1.
251
II. Modelos de Programación Matemática
Programación Entera

x1 = 13/7
MAESTRIA PYGE

x2 = 0 P0) Relajación continua


P0
Ing. Rodrigo Sempértegui Álvarez

z = 39 -< z  39
x11 x12 P1) Max 21x1 + 11x2
x1 = 1
x2 = 3/2 s.a. 7x1 + 4x2  13
P1 P2 x1  1
z = 37.5
x22 infactible x1  0
x21
x1 = 5/7 x2  0
x1 = 1
x2 = 1 P11 P12 x2 = 2 P2) Max 21 x1 + 11x2
z = 32 z = 37 s.a. 7x1 + 4x2  13
x11 x1  1
x1 = 0
x2 = 13/4 P121 P122 x2  1
z = 35.75 x1  0
x24 infactible
x23 x2  0
x1 = 0
x2 = 3 P1211 P1212 De donde 32  z  39
z = 33 infactible 
252
Solución óptima
II. Modelos de Programación Matemática
Programación Entera
BIBLIOGRÁFIA EN PROGRAMACIÓN ENTERA
MAESTRIA PYGE

1) Integer Programming, L.A.Wolsey. John Wiley & Sons,


Ing. Rodrigo Sempértegui Álvarez

Inc., New York, 1998.


2) Combinatorial Optimization C.H.Papadimitriou and
K.Steiglitz. Prentice Hall Inc., USA, 1982.
3) Linear and Combinatorial Programming, K. Murty. John
Wiley & Sons, Inc., New York, Second Edition 1976.
4) Integer and Combinatorial Optimization, George L.
Nemhauser and Laurence A. Wolsey. John Wiley & Sons, Inc.,
New York, 1999.
5) Model Building in Mathematical Programming, H.P.
Williams. John Wiley & Sons, Inc., New York, 4rd Edition 1999.

253
II. Modelos de Programación Matemática
Programación Entera
DIRECCIONES ELECTRÓNICAS EN PROGRAMACIÓN ENTERA
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Preguntas de consulta frecuente en Programación Lineal:


http://www-unix.mcs.anl.gov/otc/Guide/faq/linear-programming-faq.html

Servidor NEOS, guía de software de Programación Entera:


http://www-fp.mcs.anl.gov/otc/Guide/SoftwareGuide/Categories/intprog.html

Servidor NEOS, ejemplo problema corte de rollos:


http://www-fp.mcs.anl.gov/otc/Guide/CaseStudies/cutting/index.html

Guía de software de Programación Lineal en revista OR&MS Today


(INFORMS Magazine):
http://lionhrtpub.com/software-surveys.shtml

254
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

PROGRAMACION SEPARABLE
La forma de los problemas de PNL
separable es:

n
MAESTRIA PYGE

max o min Z   f j ( x j )
Ing. Rodrigo Sempértegui Álvarez

i 1

s.a.
m

g
j 1
ij ( x j )  bi i
Ejemplo
max Z  30 x1  2 x  35 x 2  2 x
2
1
2
2
MAESTRIA PYGE

s.a.
Ing. Rodrigo Sempértegui Álvarez

x  2 x  250
2
1
2
2

x1  x 2  20
x1 , x1  0
max Z  f 1 ( x1 )  f 2 ( x 2 )
donde
f 1 ( x1 )  30 x1  2 x12
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

f 2 ( x 2 )  35 x 2  2 x 22
s.a.
g11 ( x1 )  g 12 ( x 2 )  250
g 21 ( x1 )  g 22 ( x 2 )  20
donde
g11 ( x1 )  x12 g12 ( x 2 )  2 x 22
g 21 ( x1 )  x1 g 22 ( x 2 )  x 2
buscamos los números
 i y i tales que :
 i  xi  i
MAESTRIA PYGE

Para el ejemplo :
Ing. Rodrigo Sempértegui Álvarez

R1
0  x1  15.81
0  x 2  11 .18 0  x1  16
R2
0  x1  20 0  x2  12
0  x1  20
sup ongamos
pi , j  xi  pi , j 1
entonces para 0    1
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

xi   pi , j  (1   ) pi , j 1
y aproximamo s
f i ( xi )   f i ( pi , j )  (1   ) f i ( pi , j 1 )
g ir ( xi )   g ir ( pi , j )  (1   ) g ir ( pi , j 1 )
generali z a ndo
 j1   j 2   j 3   j 4  ......   jn  1
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

x j   j1 p j1   j 2 p j 2   j 3 p j 3   j 4 p j 4  ......   jn p jn

f j ( x j )   j1 f j ( p j1 )   j 2 f j ( p j 2 )   j 3 f j ( p j 3 )   j 4 f j ( p j 4 )  ......   jn f j ( p jn )

gij ( x j )   j1 gij ( p j1 )   j 2 gij ( p j 2 )   j 3 gij ( p j 3 )   j 4 gij ( p j 4 )  ......   jn gij ( p jn )

donde exiten solamente 2  con sec utivos que son diferentes de cero
para el ejemplo

11  12  13  14  15  1  21   22   23   24   25  1


x1  11 p11  12 p12  13 p13  14 p14  15 p15 x2   21 p21   22 p22   23 p23   24 p24   25 p25
x1  11 0  12 4  13 8  1412  1516 x2   21 0   22 4   23 8   2412   2516
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

f1 ( x1 )  11 f1 ( p11 )  12 f1 ( p12 )  13 f1 ( p13 )  14 f1 ( p14 )  15 f1 ( p15 )
f1 ( x1 )  11 0  12 88  13 112  14 72  15 ( 32)
f 2 ( x2 )   21 f 2 ( p21 )   22 f 2 ( p22 )   23 f 2 ( p23 )   24 f 2 ( p24 )   25 f 2 ( p25 )
f 2 ( x2 )   21 0   22 87   23 138   24 153)   25132

g11 ( x1 )  11 g11 (0)  12 g11 (4)  13 g11 (8)  14 g11 (12)  15 g11 (16)
g11 ( x1 )  11 0  1216  13 64  14144  15 256
g12 ( x2 )  12 g12 (0)   22 g12 (3)   23 g12 (6)   24 g12 (9)   25 g12 (12)
g12 ( x2 )  12 0   2218   23 72   24162   25 288
g 21 ( x1 )  12 g12 (0)   22 g12 (4)   23 g12 (8)   24 g12 (12)   25 g12 (16)
g 21 ( x1 )  12 0   22 4   23 8   2412   2516
g 22 ( x1 )   21 g 22 ( p21 )   22 g 22 ( p22 )   23 g 22 ( p23 )   24 g 22 ( p24 )   25 g 22 ( p25 )
g 22 ( x1 )   21 0   22 6   23 6   24 9   2512
11  y1
12  y1  y2
13  y2  y3
14  y3  y4
15  y4
MAESTRIA PYGE

 21  z1
Ing. Rodrigo Sempértegui Álvarez

 22  z1  z2
 23  z2  z3
 24  z3  z4
 25  z4
y1  y2  y3  y4  y5  1
z1  z2  z3  z4  z5  1
0   ij  1
y  {0,1}
z  {0,1} 263
II. Modelos de Programación Matemática
Programación No - lineal
BIBLIOGRÁFIA EN PROGRAMACIÓN NO LINEAL

1. Nonlinear Programming, M.Bazaraa, H.Sherali and C.Shetty.


MAESTRIA PYGE

John Wiley & Sons, Inc., New York, Second Edition 1993.
Ing. Rodrigo Sempértegui Álvarez

2. Nonlinear Programming, D.Bertsekas. Athena Scientific USA,


1995.
3. Numerical Methods for Unconstrained Optimization and
Nonlinear Equations, J.Dennis and R.Schnabel. SIAM Classics in
Applied Mathematics 16. SIAM Publications, Philadelphia, 1996.
4. Practical Methods of Optimization, R.Fletcher. John Wiley &
Sons, Inc., 1981.
5. Introducción a la Programación Lineal y No Lineal,
D.Luenberger. Adisson Wesley Iberoamericana 1989.
6. Mathematical Programming: Theory and Algorithms, M.Minoux.
John Wiley & Sons, Inc., New York, 1986
7. Optimization Software Guide, J.Moré and S.Wright, SIAM
Frontiers in Applied Mathematics 14, SIAM Publications,
Philadelphia 1993.

264
II. Modelos de Programación Matemática
Programación No - lineal
DIRECCIONES ELECTRÓNICAS EN PROGRAMACIÓN NO
LINEAL
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Preguntas de consulta frecuente en Programación No Lineal:


http://www-unix.mcs.anl.gov/otc/Guide/faq/nonlinear-programming-faq.html

Servidor NEOS, guía de software de Programación No Lineal :


http://www-fp.mcs.anl.gov/otc/Guide/SoftwareGuide/Categories/unconstropt.html
http://www-fp.mcs.anl.gov/otc/Guide/SoftwareGuide/Categories/constropt.html

Servidor NEOS, ejemplo problema de carteras de inversión:


http://www-fp.mcs.anl.gov/otc/Guide/CaseStudies/port/index.html

Guía de software de Programación No Lineal en revista OR&MS Today


(INFORMS Magazine):
http://lionhrtpub.com/software-surveys.shtml

265
III. Programación Dinámica

Contenidos
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

III. Programación
Dinámica

266
III. Programación Dinámica

III. Programación Dinámica


MAESTRIA PYGE

 La programación dinámica se utiliza tanto en problemas lineales


Ing. Rodrigo Sempértegui Álvarez

como no lineales.
 La programación dinámica es útil para resolver un problema
donde se deben tomar una serie de decisiones
interrelacionadas.
 A diferencia de la P.L., la programación dinámica no tiene
formulación matemática estándar. Se trata de un enfoque de tipo
general para la solución de problemas, y las ecuaciones se
derivan de las condiciones individuales de los mismos.

267
III. Programación Dinámica

El problema de la diligencia
Un cazafortunas desea ir de Missouri a California en una
MAESTRIA PYGE

diligencia, y quiere viajar de la forma más segura posible. Tiene


Ing. Rodrigo Sempértegui Álvarez

los puntos de salida y destino conocidos, pero tiene múltiples


opciones para viajar a través del territorio.
Se entera de la posibilidad de adquirir seguro de vida como
pasajero de la diligencia.
El costo de la póliza estándar (Cij) se muestra en la tabla de la
siguiente página.
¿Cuál es la ruta que minimiza el costo de la póliza de seguro?

268
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez
III. Programación Dinámica

269
III. Programación Dinámica

Algunas Alternativas de Solución


1. Enumeración exhaustiva: enumerar todas las rutas
MAESTRIA PYGE

posibles, calcular su costo y elegir la de menor valor. En


Ing. Rodrigo Sempértegui Álvarez

total son 18.


2. Elegir la ruta más barata en cada etapa. Esta solución no
necesariamente conduce al óptimo global. Un pequeño
sacrificio en una etapa puede permitir mayores ahorros
más adelante
3. Programación Dinámica:
 Estrategia de solución: un problema complejo es
desagregado en problemas más simples que se resuelven
etapa por etapa
 En el caso de la diligencia un problema simple sería pensar
qué pasaría si al viajero sólo le faltara una etapa del viaje

270
III. Programación Dinámica

Por P.D. la solución sería entonces ir desde el estado actual (i


cualquiera que sea) y llegar a su destino final (estado J) al costo c ij.
Se hace lo mismo para cada jornada (etapa), ensanchando el
problema. Así encontramos la solución óptima del lugar al que debe
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

dirigirse teniendo en cuenta la información de la iteración anterior.

Formulación
Sea Xn ( n = 1,2,3,4 ) las variables que representan el destino
inmediato en la etapa n.
A → X1 → X2 → X3 → X4 Donde X4 = J
Sea fn (S, Xn) el costo total de la mejor política global para las etapas
restantes, dado que el agente se encuentra en el estado S, listo para
iniciar la etapa n y se dirige a Xn como destino inmediato.

271
III. Programación Dinámica

Dados S y n , sea Xn* el valor de Xn (no necesariamente único), que


minimiza fn (S , Xn) , y sea fn*(S) el valor mínimo correspondiente de
fn (S, Xn) entonces:
fn* (S) = Min Xn fn(S, Xn) = fn(S, Xn*)
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Costo Mínimo costo


fn(S, Xn) = Inmediato + futuro (etapa
(etapa n) n+1 en adelante)
= cs , xn + fn+1* (Xn)
↓ ↓
Costo por ir Costo óptimo
de la ciudad i acumulado
al destino j

272
III. Programación Dinámica

Etapa n=4

Como el destino final (estado J) se alcanza al terminar la etapa 4,


entonces
MAESTRIA PYGE

f5*(J) = 0
Ing. Rodrigo Sempértegui Álvarez

El objetivo es hallar f1*(A) y su ruta correspondiente.


Cuando el cazafortunas tiene sólo una etapa por recorrer (n=4) , su
ruta de ahí en adelante, estará determinada por el estado actual (H o
I) y su destino final X4=J

La ruta será: S →J donde S= H o I

Luego f4*(S) = cS,J + f5*(J) = cS,J


f4(H) = cH,J = 3
f4(I) = cI,J = 4

273
III. Programación Dinámica

Etapa n=3
El cazafortunas tiene 2 etapas por recorrer (n=3).
Suponga que sale de E.
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Luego f3*(E) = 4 y X3* = H


En general para la etapa 3 se tiene:

274
III. Programación Dinámica
Etapa n=2
En la segunda etapa, el cazafortunas tiene 3 jornadas por recorrer
(n=2). Suponga que sale de C.
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Luego f2*(C) = 7 y X2* = E


En general para la etapa 2 se tiene:

275
III. Programación Dinámica
Etapa n=1
En la primera etapa, el cazafortunas tiene todas las jornadas por
recorrer (n=1). Necesriamente debe salir de A.
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Luego f1*(A) = 11 y X1* = C ó D


Veamos:

276
III. Programación Dinámica

La solución del problema gráficamente


MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Podemos ver que hay 3 soluciones óptimas

277
III. Programación Dinámica
Características de la P.D.

1. El problema se puede dividir por etapas, que requieren una


política de decisión en cada una de ellas.
2. Cada etapa tiene un cierto número de estados asociados a su
MAESTRIA PYGE

inicio. (Estados son las diferentes condiciones posibles en las que se


Ing. Rodrigo Sempértegui Álvarez

puede encontrar el sistema en cada etapa del


problema).
3. El efecto de la política de decisión en cada etapa, es transformar
el estado actual en un estado asociado con el INICIO de la siguiente
etapa.
4. El procedimiento pretende hallar la política óptima para el
problema completo. Esto quiere decir, la política a emplear desde
cualquier posible estado del problema.
5. Dado el estado actual, la política óptima desde este estado es
independiente de las políticas adoptadas en las etapas anteriores.
(la solución depende únicamente del estado actual y no de cómo se
llegó allí) PRINCIPIO DE OPTIMALIDAD EN LA P.D., (Richard
Bellman, 1957)

278
III. Programación Dinámica
Características de la P.D. cont….

6. El procedimiento de la solución termina cuando se obtiene la


política óptima de la última etapa (por lo general la solución en esta
etapa es trivial)
MAESTRIA PYGE

7. Siempre se dispone de una relación recursiva (esto es lo que


Ing. Rodrigo Sempértegui Álvarez

permite trabajar las decisiones interrelacionadas).


La relación recursiva será:
fn* (Sn)= Max Xn { fn (Sn, Xn) } ó fn* (Sn)= Min Xn { fn (Sn, Xn) }

Donde:
N: Número de etapas
n: etiqueta para la etapa actual (n=1,2,3,…N)
Sn: Estado actual para la etapa n
Xn: Variable de decisión para la etapa n

279
III. Programación Dinámica
Características de la P.D cont….

8.Cuando se tiene una relación recursiva como la de la función, el


procedimiento de solución “hacia atrás” inicia en la última etapa y se
mueve hacia la primera, etapa por etapa
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Xn* : Valor óptimo de Xn dado Sn

280
III. Programación Dinámica

ALGORITMO DE P.D. HACIA ATRÁS: Para cada valor


probable de la variable de estado al inicio de la etapa,
MAESTRIA PYGE

determinar el mejor estado final


Ing. Rodrigo Sempértegui Álvarez

ALGORITMO DE P.D. HACIA ADELANTE: Para cada


valor probable de la variable de estado al final de la
etapa, determinar el mejor estado inicial

281
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Introducción a las
técnicas Heurísticas
INTRODUCCIÓN
• Esta es una nueva herramienta que nos ayuda en la
resolución de los diferentes tipos de problemas.
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

• Así el objetivo es de minimizar costes y/o maximizar los


beneficios.

• Estando dados de la siguiente forma:


optimizar f ( x) con las restriccio nes
hi ( x)  bi i  1.....l

hi ( x)  bi i  1.....m
h ( x )  b i  1.....n
 i i
INTRODUCCIÓN
Un algoritmo eficiente que se puede utilizar es
el simplex.
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Para el caso de tener muchas variables este ya


no resulta eficiente, por el tiempo que requiere
para realizar los cálculos.
INTRODUCCIÓN
Existen los llamados Problemas de Optimización
Combinatorios que contienen variables de
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

decisión enteras y el espacio de soluciones está


formado por ordenaciones o subconjuntos de
números naturales.

Los más conocidos son:


Problema de la mochila
Problema del viajante
Knapsack problem-De la
mochila
Consiste en:
Seleccionar de entre un conjunto de n productos, cada
MAESTRIA PYGE

uno con un valor ci y un volumen vi.


Ing. Rodrigo Sempértegui Álvarez

Determinando aquellos que quepan en un recipiente


con volumen V y que tengan el mayor valor posible. Así
se determina un subconjunto para el cual:
| *  1..n

c
i
i  max  ci
i 1..n
i

con la restricción
v V
i
i
Knapsack problem-De la
mochila
xi toma el valor de 1 cuando el item se introduce
en la mochila
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

xi toma el valor de 0 en caso contrario.


n
Así:
max  ci xi
i 1

con las restricciones


n

v x
i 1
i i V

xi   0,1 i  1..n
Travelling Salesman Problem(TSP)
Dado un mapa de carreteras, se desea visitar n
ciudades de forma que se recorra el menor número de
MAESTRIA PYGE

kilómetros y solo se visite una sola vez cada ciudad.


Ing. Rodrigo Sempértegui Álvarez

Solución Optima es la ruta


<1, 6, 3, 4, 2, 5>
6 Con un coste de 61km.
15
20
1 16 7
3
12 20
16 7 8
5
9 21
2 10
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Complejidad Computacional
Problemas de tipo
combinatorio
La enumeración completa del conjunto de
soluciones y la generación del conjunto de
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

soluciones factibles no es eficiente.

El tiempo de cálculo crece exponencialmente con


el número de ítems del problema.
Problema de la mochila
Para el problema de la mochila el número de
subconjuntos del conjunto {1..n} es 2n
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Si un computador pudiese generar en un segundo un


millón de esos subconjuntos el tiempo para hallar la
solución sería:

Con n = 20, 220 = un segundo.


Con n = 40, 240 = dos semanas.
Con n = 60, 260 = 365 siglos.
Problemas P
Aquellos para los cuales se conocen algoritmos que
necesitan un tiempo polinominal para ofrecer una
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

solución óptima.

Son resolubles eficientemente.


Problemas NP
Aquellos para los cuales no se conoce un algoritmo
polinomial de resolución.
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

No son algorítmicamente resolubles eficientemente.


P es un subconjunto de NP:

P  NP
Problemas NP-completos
La mayoría de problemas de interés empresarial son
NP-completos.
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

No se ha podido encontrar algoritmos eficientes


para la resolución de problemas NP-completos.
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Heurísticas
HEURÍSTICAS
Del griego heuriskein que significa encontrar.
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Son algoritmos que ofrecen soluciones factibles,


que aunque no optimicen la función objetivo,
se supone que al menos se acercan al valor
óptimo.

Las heurísticas son utilizadas como una


herramienta útil que da soluciones a problemas
reales.
HEURÍSTICAS
Definición:
MAESTRIA PYGE

“Procedimientos simples, a menudo basados en el


Ing. Rodrigo Sempértegui Álvarez

sentido común, que se supone ofrecerán una buena


solución (aunque no necesariamente la óptima) a
problemas difíciles, de un modo fácil y rápido”
Zanakis, Evans 1981
HEURÍSTICAS
Factores para la utilización de métodos heurísticos:
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

a. Cuando no existe un método exacto de


resolución o éste requiere mucho tiempo de
cálculo o memoria.
b. Cuando no se necesita la solución óptima.
c. Cuando los datos son poco fiables.
d. Cuando las hay limitaciones de tiempo,
espacio, etc.
e. Como paso intermedio en la aplicación de otro
algoritmo.
HEURÍSTICAS
Ventajas:
Permiten mayor flexibilidad para el manejo de las
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

características del problema.

Ofrecen más de una solución.


HEURÍSTICAS
Inconvenientes:

No es posible conocer la calidad de la solución.


MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Existen métodos para realizar acotaciones. Un


procedimiento es el de relajar el problema, de manera que
sea más fácil de resolver.

Cuando estos procedimientos no son posibles, se puede


utilizar métodos que indican que la heurística no es
buena.

Siempre una técnica exacta es mejor que cualquier tipo de


heurística.
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

TIPOS DE HEURÍSTICAS
TIPOS DE HEURÍSTICAS
MÉTODOS CONSTRUCTIVOS
MAESTRIA PYGE

MÉTODOS DE DESCOMPOSICIÓN
Ing. Rodrigo Sempértegui Álvarez

MÉTODOS DE REDUCCIÓN

MANIPULACIÓN DEL MODELO

MÉTODOS DE BÚSQUEDA POR ENTORNOS


MÉTODOS CONSTRUCTIVOS
Añaden paulatinamente componentes
individuales a la solución, hasta que se obtiene
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

una solución factible.

 ALGORITMOS GOLOSOS O DEVORA-DORES


(GREEDY)
MÉTODOS DE DESCOMPOSICIÓN
(“Divide y vencerás”) Dividen el problema en
MAESTRIA PYGE

subproblemas más pequeños, siendo el


Ing. Rodrigo Sempértegui Álvarez

output de uno el input de otro.

APLICACIÓN A UN PROBLEMA DE
PROGRAMACIÓN LINEAL MIXTA.
MÉTODOS DE REDUCCIÓN

Identifican alguna característica que


MAESTRIA PYGE

presumiblemente deba poseer la solución


Ing. Rodrigo Sempértegui Álvarez

óptima.
MANIPULACIÓN DEL MODELO

Modifican la estructura del modelo,


MAESTRIA PYGE

haciéndolo más sencillo de resolver, y


Ing. Rodrigo Sempértegui Álvarez

deduciendo de su solución, la solución del


problema original.

REDUCIR EL ESPACIO DE SOLUCIONES

AUMENTAR EL ESPACIO DE SOLUCIONES


MÉTODOS DE BÚSQUEDA POR
ENTORNOS
Partiendo de una solución factible inicial, y
mediante alteraciones de esa solución, pasan de
MAESTRIA PYGE

forma iterativa a otras soluciones factibles de su


Ing. Rodrigo Sempértegui Álvarez

entorno.

CRITERIO DE PARADA

ALMACENAMIENTO DE SOLUCIÓN ÓPTIMA.

PASO DE UNA SOLUCIÓN FACTIBLE A OTRA.


(NEIGHBORHOOD)
MÉTODO DE BÚSQUEDA LOCAL O
DE DESCENSO
En cada iteración se pasa de una solución actual
a una de su entorno que sea mejor que ella,
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

finalizando cuando todas las soluciones del


entorno sean peores.

OPTIMOS LOCALES.
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

EJEMPLO DE FUNCIÓN
CON UN ÓPTIMO LOCAL
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Metaheurísticas
Recocido Simulado

Recocer:
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Proceso térmico para obtener estados de baja


energía en un sólido, mediante un baño térmico.
Para cada temperatura durante el proceso de
recocido, el sólido puede alcanzar el equilibrio
térmico solo si el enfriamiento se produce
lentamente.
Caso contrario puede llegar a estados meta-
estables.
Recocido Simulado

La evolución de un sólido en el baño térmico puede ser


MAESTRIA PYGE

simulado mediante el algoritmo de la Metrópolis,


Ing. Rodrigo Sempértegui Álvarez

basado en las técnicas Monte Carlo.


Realiza en paso de un estado a otro según:
 Si el estado generado posee una energía menor que el
estado que actualmente se tiene, se acepta el estado
generado como actual.
 Caso contrario el estado se aceptará con una
determinada probabilidad, la cual está en función de:
 La temperatura
 La diferencia entre los dos niveles de energía.
Algoritmos genéticos
“Técnicas de búsqueda basadas en la mecánica de
MAESTRIA PYGE

la selección natural y genética” [Goldberg, 1989]


Ing. Rodrigo Sempértegui Álvarez

Los algoritmos genéticos son flexibles y pueden


ser aplicados en un amplio número de
problemas.
Algoritmos genéticos
En los algoritmos biológicos, la información
MAESTRIA PYGE

hereditaria es pasada a través de los cromosomas


Ing. Rodrigo Sempértegui Álvarez

o genes, los cuales a su vez están formados de un


determinado número de valores (alelos).

Los organismos pueden agruparse formando


poblaciones, los que mejor se adaptan tienen
mayor probabilidad de sobrevivir y reproducirse.
Algoritmos genéticos
Los alelos pueden representar valores de las
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

variables de decisión, que se corresponderán


con los genes.

Los cromosomas representan las soluciones.

Los algoritmos genéticos, trabajan sobre una


población de soluciones generando una nueva
en cada iteración.
Búsqueda Tabú
Los orígenes de la búsqueda tabú se ubican a
fines de los 60s y principios de los 70s.
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Se atribuye a Fred Glover, quien desarrolló esta


heurística para tratar de resolver problemas de
cubierta no lineal, aunque varios de sus principios
también fueron delineados independientemente
por P. Hansen .
Búsqueda Tabú
 El uso de estructuras flexibles de memoria basadas en atributos,
diseñadas para permitir una mejor explotación de los criterios de
evaluación y la información histórica de la búsqueda que se
conseguiría con estructuras rígidas de memoria o con sistemas
carentes de memoria
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

 Un mecanismo asociado de control basado en la interacción entre las


condiciones que limitan y hacen más flexible el proceso de búsqueda.
Este mecanismo se encuentra inmerso en la técnica en la forma de
restricciones y criterios de aspiración

 La incorporación de memorias de diferente duración (de corto a largo


plazo), para implementar estrategias que intensifiquen y
diversifiquen la búsqueda. Las estrategias de intensificación
refuerzan las propiedades de las combinaciones de movimientos que
han demostrado ser buenas, mientras que las estrategias de
diversificación dirigen la búsqueda hacia nuevas regiones del espacio
de soluciones factibles.
GRASP
Una entre las metaheurísticas más exitosas que
aparecieron en los últimos años del siglo pasado es
GRASP.
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

un método multiarranque diseñado para resolver


problemas difíciles en optimización combinatoria. En
su versión básica cada iteración consiste en dos fases:
una fase constructiva cuyo producto es una solución
factible buena, aunque no necesariamente un óptimo
local, y una búsqueda local, durante la cual se
examinan vecindades de la solución, al llegar a un
óptimo local la iteración termina.

La iteraciones continúan, guardando la mejor solución


encontrada en cada una de ellas, hasta que se alcanza
un criterio de terminación.
Redes Neuronales
Una de las misiones en una red neuronal consiste en
simular las propiedades observadas en los sistemas
neuronales biológicos a través de modelos matemáticos
MAESTRIA PYGE

recreados mediante mecanismos artificiales


Ing. Rodrigo Sempértegui Álvarez

Una red neuronal se compone de unidades llamadas


neuronas. Cada neurona recibe una serie de entradas a
través de interconexiones y emite una salida. Esta salida
viene dadas por 3 enlaces:

Enlace Sináptico
Enlace de Activación
Enlace de Transferencia
Redes Neuronales
Enlace Sináptico: que por lo general consiste en la
sumatoria de cada entrada multiplicada por el peso
de su interconexión (valor neto). Si el peso es
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

positivo, la conexión se denomina excitatoria; si es


negativo, se denomina inhibitoria.

Enlace de activación: que modifica a la anterior.


Puede no existir, siendo en este caso la salida la
misma función de propagación.

Enlace de transferencia: que se aplica al valor


devuelto por la función de activación. Se utiliza para
acotar la salida de la neurona y generalmente viene
dada por la interpretación que queramos darle a
dichas salidas
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez
LOS INVENTARIOS SE RELACIONAN
CON:
CONTABILIDAD: Proporcionan la estimación de
costos en el control de inventarios.
MAESTRIA PYGE

FINANZAS: Costos de oportunidad o intereses


Ing. Rodrigo Sempértegui Álvarez

por concepto de la inversión en inventarios.


SISTEMAS DE INFORMACIÓN: Desarrollo y
mantenimiento de sistemas para la administración
de inventarios.
MARKETING Y VENTAS: Se depende de los
inventarios disponibles para atender a los
clientes.
OPERACIONES: Nos permite ejercer un control
total del inventario en la empresa.
CONCEPTOS DE INVENTARIO
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

“El inventario es volumen de materiales


que se tiene debido a que las partes o
bienes terminados que se recibe, es mayor
que el volumen de los mismos que se
distribuye”.
RAZONES PARA MANTENER
INVENTARIOS ALTOS
SERVICIO AL CLIENTE: Un inventario alto
acelera la entrega y mejora la puntualidad en el
reparto de mercancía; reduce la posibilidad de que
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

se presenten faltantes o/y ordenes atrasadas.


COSTO DE HACER PEDIDOS: Generalmente el
costo de hacer pedidos es el mismo,
independientemente del tamaño del pedido,
influyen factores como:
1.Tiempo para seleccionar un proveedor y
negociar las condiciones de la operación.
2.Tiempo para preparar la documentación.
3.Tiempo para realizar el seguimiento y recibir la
mercancía solicitada.
RAZONES PARA MANTENER
INVENTARIOS ALTOS
COSTO DE PREPARACIÓN: El costo que implica
reajustar una máquina para que fabrique un
componente o artículo diferente del que estuvo
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

fabricando anteriormente.
Esto incluye la mano de obra y el tiempo requerido
para efectuar las modificaciones, la limpieza y la
instalación de nuevas herramientas o aparatos.
Además se debe considerar los costos de material
desperdiciado.
El costo de preparación es también independiente
del tamaño del pedido.
RAZONES PARA MANTENER
INVENTARIOS ALTOS
COSTO DE TRANSPORTE: El costo de transporte
de salida de la planta puede reducir aumentando
los niveles de inventario.
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Tener inventario disponible permite realizar más


embarques con cargas completas y minimizar la
necesidad de acelerar los embarques utilizando
otras modalidades de transporte más costosas.
PAGOS A PROVEEDORES: Se puede reducir el
total de los pagos a los proveedores obteniendo
descuentos unitarios por volúmenes o cantidades
grandes de pedidos.
RAZONES PARA MANTENER
INVENTARIOS BAJOS

“La principal razón para mantener inventarios


MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

bajos es que el inventario representa una


inversión monetaria temporal en bienes, por la
cual la empresa tiene que pagar intereses (en
lugar de recibirlos)”.
RAZONES PARA MANTENER
INVENTARIOS BAJOS
 INTERÉS O COSTO DE OPORTUNIDAD: Para financiar un
inventario, las empresas tienen que conseguir un préstamo o
perder la oportunidad de hacer un a inversión que nos puede
MAESTRIA PYGE

devolver un rédito atractivo.


Ing. Rodrigo Sempértegui Álvarez

 COSTOS DE ALMACENAMIENTO Y MANEJO:


El inventario requiere espacio y tiene que ser transportado para
entrar o salir del almacén. Ese espacio tiene un costo, al igual que
el personal y equipo (ejemplo montacargas), utilizados para
manejar el inventario.

 IMPUESTOS, SEGUROS Y MERMAS: Al final del año, se pagan


más impuestos cuando los inventarios son más altos, y el seguro
sobre los activos es más caro cuando los elementos por asegurar
son más numerosos.
RAZONES PARA MANTENER
INVENTARIOS BAJOS

Las mermas o disminuciones se presentan


MAESTRIA PYGE

por:
Ing. Rodrigo Sempértegui Álvarez

1. Robo o sustracción de elementos del inventario por


clientes o empleados
2. Obsolescencia o caducidad del producto
3. Deterioro por desperdicios o por daños físicos (golpes
accidentales).
TIPOS DE INVENTARIO

Los tipos de inventario no pueden identificarse


por sus rasgos físicos, sin embargo en términos
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

conceptuales cada uno tiene una gestación


diferente. Los tipos son:
Inventario de Ciclo
Inventario de Seguridad
Inventario de Previsión
Inventario en Tránsito
TIPOS DE INVENTARIO
INVENTARIO DE CICLO: La porción del inventario
total que varía en forma directamente proporcional
al tamaño del lote se conoce como Inventario de
MAESTRIA PYGE

Ciclo o Inventario del Ciclo.


Ing. Rodrigo Sempértegui Álvarez

El tiempo transcurrido entre los pedidos se lo


conoce como CICLO.
La cantidad de inventario pedido o comprado, se lo
conoce como TAMAÑO DE LOTE (Q).
El tamaño del lote, Q, varía en forma directamente
proporcional al tiempo transcurrido (o ciclo) entre
los pedidos.
Cuanto más tiempo transcurra entre dos pedidos
sucesivos de un artículo determinado, tanto mayor
tendrá que ser el inventario de ciclo.
TIPOS DE INVENTARIO
Al inicio del ciclo el inventario es el máximo es decir Q
Al final se encuentra en su mínimo valor, es decir 0
MAESTRIA PYGE

(cero)
Ing. Rodrigo Sempértegui Álvarez

Por lo tanto, el inventario promedio de ciclo será:


Inventario Promedio de Ciclo = (Q+0)/2 = Q/2
Esta fórmula es exacta, cuando la tasa de demanda
es constante y uniforme. Sin embargo cuando la
demanda por ciclo no es contante, proporciona una
estimación razonable y satisfactoria.
TIPOS DE INVENTARIO

 INVENTARIO DE SEGURIDAD: Para evitar


MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

problemas en el servicio al cliente, se suele mantener


un inventario “extra”, llamado “inventario de
seguridad”, que es una protección contra la
incertidumbre de la demanda, las cantidades
suministradas y los tiempos de entrega.
El inventario de seguridad garantiza que las
operaciones no se interrumpan cuando esos
problemas se presenten.
TIPOS DE INVENTARIO
INVENTARIO DE PREVISIÓN: Inventario que se
utiliza en las empresas para absorber las
MAESTRIA PYGE

irregularidades que se presentan a menudo en la


Ing. Rodrigo Sempértegui Álvarez

tasa de demanda o en el suministro.


ejemplo. Los fabricantes de aparatos de aire
acondicionado, suelen recibir hasta el 90% de su
demanda anual durante solo tres meses al año.
Esa irregularidad en la demanda provoca que un
fabricante acumule un inventario de previsión en
los períodos de baja demanda, a fin de no tener
que incrementar demasiado sus niveles de
producción cuando la demanda alcance sus
puntos máximos.
TIPOS DE INVENTARIO
INVENTARIO EN TRÁNSITO: El inventario que se
mueve de un punto a otro recibe el nombre de
inventario en tránsito.
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

El inventario en tránsito esta constituido por los pedidos


que los clientes han hecho, pero que todavía no han
sido entregado.
El inventario en tránsito entre dos puntos puede
medirse como la demanda promedio durante el tiempo
de entrega, que es la demanda promedio del artículo
por período (d) multiplicada por el número de períodos
comprendidos dentro del tiempo de entrega del artículo
(L), para trasladarse entre los dos puntos:
Inv. en Tránsito = dL
TIPOS DE INVENTARIO
EJEMPLO INVENTARIO DE CICLO E INVENTARIO
EN TRÁNSITO:
MAESTRIA PYGE

Una planta envía mensualmente llantas a un mayorista,


Ing. Rodrigo Sempértegui Álvarez

en partidas cuya lote promedio es de 2800 llantas. La


demanda promedio del mayorista es de 700 llantas por
semana y el tiempo de entrega desde la planta es de 3
semanas. Cuanto inventario del ciclo e inventario en
tránsito maneja el mayorista?
Inv. Del Ciclo = Q/2=2800/2= 1400 llantas
Inv. En tránsito= DL= dL=(700 llantas/sem.)*3 sem.
= 2100 llantas

336
TACTICAS PARA LA REDUCCION DE INVENTARIOS
Los administradores siempre buscarán formas efectivas para
reducir el inventario, en términos de costo.
Es necesario entonces considerar algunos criterios como:
1. Reducir el tamaño del lote Q; sin embargo el hecho de
MAESTRIA PYGE

efectuar tales reducciones en Q, sin realizar ningún otro


Ing. Rodrigo Sempértegui Álvarez

cambio, nos puede complicar la situación, por lo que es


necesario también considerar adicionalmente aspectos
como:
 Perfeccionar los métodos para hacer pedidos y ajustes
iniciales, lo cual abaratará los costos de hacer pedidos y
de preparación, y así permitir que el lote Q, pueda
efectivamente ser menor.
 El incremento de la repetibilidad para suprimir o eliminar
la necesidad de realizar cambios o alteraciones
importantes.
TACTICAS PARA LA REDUCCION DE
INVENTARIOS
2. Mejorar los pronósticos de demanda: esto nos evitará
sorpresas en el comportamiento de los clientes.
3. Abreviar los tiempos de entrega: siempre que sea
MAESTRIA PYGE

posible seleccionar proveedores que ofrezcan menores


Ing. Rodrigo Sempértegui Álvarez

tiempos de entrega.
4. Reducir la incertidumbre en el suministro: los
proveedores pueden ser más fiables, si compartimos con
ellos los planes de producción.
5. Disminuir el Inventario de Previsión: para manejar con
éxito este criterio se necesita adicionalmente:
 Agregar nuevos productos con diferentes ciclos de
demanda
 Organizar campañas de promoción de ventas fuera de
temporada
 Ofrecer a los clientes planes de precios de tipo
estacional
COLOCACIÓN DE INVENTARIOS DE
MANUFACTURA
Los gerentes toman decisiones sobre la
colocación de inventarios según la clasificación
MAESTRIA PYGE

que se le da a un artículo:
Ing. Rodrigo Sempértegui Álvarez

Artículo Especial: Aquel artículo que se fabrica a


pedido, de acuerdo con ciertas especificaciones
particulares, y en cantidades solicitadas.
Artículo Estándar: Aquel que se fabrica para
tenerlo en inventario y que normalmente está
disponible cuando se lo requiere.
MAESTRIA PYGE INVENTARIOS ANALISIS ABC

CLASE C
100 CLASE B
Ing. Rodrigo Sempértegui Álvarez

90
Porcentaje del valor monetario

CLASE A
80

70

60

50

40

30

20

10

10 20 30 40 50 60 70 80 90 100

Porcentaje de los artículos


INVENTARIOS ANALISIS ABC
Una organización típica tiene miles de artículos en
inventario, pero solo un pequeño porcentaje de ellos
merecen más atención y control de la Gerencia
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

El análisis ABC, es un proceso que divide en 3 clases, de


acuerdo con su uso monetario.
 Los artículos clase A: Representan tan solo el 20% del
total de artículos, pero les corresponde el 80% de la
inversión total.
 Los artículos clase B: Representan el 30%, pero les
corresponde únicamente el 15% del uso monetario.
 Los artículos clase C: Les corresponde el 50% de los
artículos, con apenas el 5% de la inversión total.
MAESTRIA PYGE INVENTARIOS ANALISIS ABC

“El objetivo del análisis ABC, es


Ing. Rodrigo Sempértegui Álvarez

identificar los niveles de inventario de


los artículos clase A y permitir que la
gerencia los controle cuidadosamente,
utilizando adecuadamente los criterios
analizados anteriormente”
CANTIDAD ECONOMICA DE PEDIDO

La cantidad económica de pedido EOQ (del


MAESTRIA PYGE

inglés economic order quantity) permite


Ing. Rodrigo Sempértegui Álvarez

determinar el mejor ciclo del nivel de inventario


para un artículo, y por tanto, minimiza el total
de los costos anuales de hacer pedidos y de
manejo de inventarios.
CANTIDAD ECONOMICA DE PEDIDO
El planteamiento para hallar la EOQ se basa en
Las siguientes suposiciones:
MAESTRIA PYGE

1.La demanda del artículo es constante (ej. siempre es de 10


Ing. Rodrigo Sempértegui Álvarez

unid. diarias)
2.No hay restricciones para el tamaño de cada lote (ej.
limitaciones por la capacidad del camión o del manejo de
materiales)
3.Los dos únicos costos relevantes corresponden al manejo
de inventario y el costo fijo por lote.
4.Las decisiones referentes a un artículo pueden tomarse
independientemente de las decisiones de los demás.
5.El tiempo de entrega es constante (ej. siempre en 14 días se
recibe exactamente lo que se pidió)
CÁLCULO DE LA EOQ
Cuando las suposiciones de la EOQ han sido
satisfechas, el inventario del ciclo se comporta como se
muestra en la figura:
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Recepción Agotamiento del inventario


del pedido (tasa de demanda)
Inventario disponible

Q
(unidades)

Inventario del
Q/2 ciclo promedio

1 ciclo

Porcentaje de los artículos

Niveles de inventario del ciclo


CÁLCULO DE LA EOQ
Un ciclo comienza con Q unidades en inventario
(pedido), durante el ciclo es utilizado a una tasa
constante.
MAESTRIA PYGE

Se pide un nuevo lote calculando que el nuevo


Ing. Rodrigo Sempértegui Álvarez

pedido se reciba precisamente cuando el


inventario llegue a 0 (porque la demanda es
constante).
Ya que el inventario varía entre Q y 0, el inventario
del ciclo promedio será igual a la mitad del tamaño
del lote.
CÁLCULO DE LA EOQ
Costo total = CM+CP

Costo de pedidos

Costo Anual (dolares)


Costo Anual (dolares)

Costo Anual (dolares)


CM

Costo de
manejo
MAESTRIA PYGE

CP
Ing. Rodrigo Sempértegui Álvarez

Tamaño del lote (Q) Tamaño del lote (Q) Tamaño del lote (Q)

(a) Costo anual de manejo de inventario (b) Costo anual de hacer pedidos (c) Costo anual total

Costo anual manejo de inventarios= (inventario del ciclo


promedio Q/2)(costo de manejo unitario H)
Costo anual de hacer pedidos= (núm. pedidos/año: D/Q)(costo
de hacer pedidos o de preparación S)
Costo total (C) = costo anual de manejo + costo anual de
hacer pedidos
CÁLCULO DE LA EOQ
En el siguiente ejemplo gráfico observamos que el
mejor tamaño de lote, o EOQ, está en el punto más
bajo de la curva total (entre 50 y 100 unidades)
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Costo
actual

3000
Costo Anual (dolares)

Costo total = Q/2*(H) + D/Q*(S)

2000
Costo de manejo = Q/2*(H)

1000

Costo de pedidos = D/Q*(S)


Costo
mas bajo

50 100 150 200 250 300 350 400


El mejor Q Actual
(EOQ) Q
Tamaño del lote (Q)
CÁLCULO DE LA EOQ

Esta fórmula la obtenemos de las siguientes


MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

formas:
- Con la derivada de la función del costo total con
respecto a Q.
- Igualando las fórmulas correspondientes al costo
anual de hacer pedidos y el costo anual de manejo
de inventario y resolviendo para Q.
TIEMPO ENTRE PEDIDOS
El tiempo entre pedidos TBO (time between
orders) para un tamaño de lote es el tiempo
MAESTRIA PYGE

promedio que transcurre entre la recepción o


Ing. Rodrigo Sempértegui Álvarez

solicitud de dos pedidos de reabastecimiento


constituidos por Q unidades.
COMPRESIÓN DEL EFECTO DE LOS
CAMBIOS
- Un análisis de sensibilidad de la EOQ, permite
modificar sistemáticamente los parámetros de
MAESTRIA PYGE

importancia crucial a fin de determinar los efectos


Ing. Rodrigo Sempértegui Álvarez

del cambio:
- Un cambio en la tasa de demanda. A medida que
aumenta la demanda, el tamaño de lote también
debe aumentar, pero más lentamente que la
demanda real.
COMPRESIÓN DEL EFECTO DE LOS
CAMBIOS
- Un cambio en los costos de pedidos. Al aumentar
S, aumenta la EOQ, y en consecuencia, aumenta
MAESTRIA PYGE

el inventario del ciclo promedio.


Ing. Rodrigo Sempértegui Álvarez

- Un cambio en los costos de manejo de inventario.


La EOQ disminuye a medida que H aumenta y
viceversa.
- Errores en la estimación de D, H y S. El costo total
es muy poco sensible a los errores, aun en el caso
de que las estimaciones sean erróneas por un
amplio margen.
SISTEMAS DE CONTROL DE
INVENTARIOS
Un sistema de control de inventarios responde a
cuánto y cuándo debemos pedir.
MAESTRIA PYGE

Al seleccionar un sistema, es fundamental


Ing. Rodrigo Sempértegui Álvarez

considerar si el artículo corresponde a una


demanda dependiente (son los que se requieren
como componentes o insumos para un producto o
servicio) o independiente (está afectada por las
condiciones del mercado y no se relaciona con las
decisiones de inventario de otro artículo).
SISTEMAS DE CONTROL DE
INVENTARIOS
El inventario de demanda independiente incluye:
1. Mercancía al mayoreo y al menudeo.
2. El inventario respectivo de la industria de
MAESTRIA PYGE

servicios (ej. sellos y etiquetas en oficinas


Ing. Rodrigo Sempértegui Álvarez

postales, artículos de oficina, artículos de


supermercado, etc).
3. Inventarios para la distribución de artículos
finales y partes de sustitución.
4. Suministros para mantenimiento, reparación y
operación, es decir elementos que no forman
parte del producto o servicio (uniformes para
empleados, combustible).
La demanda dependiente muestra un patrón muy
distinto del que corresponde a la demanda
independiente y deben administrarse con
técnicas diferentes
SISTEMAS DE CONTROL DE
INVENTARIOS
Los sistemas de control de inventarios
específicamente son:
MAESTRIA PYGE

- Sistema de revisión continua (Q)


Ing. Rodrigo Sempértegui Álvarez

- Sistema de revisión periódica (P)


- Sistemas híbridos:
- Sistema de reabastecimiento opcional
- Sistema de inventario base
SISTEMAS DE CONTROL DE INVENTARIOS
Sistema Q

Sistema de revisión continua, o sistema de


MAESTRIA PYGE

punto de reorden (ROP) o sistema de cantidad


Ing. Rodrigo Sempértegui Álvarez

de pedido fija. Se rastrea el inventario restante de


un artículo cada vez que se hace un retiro del
mismo, para saber si es momento de hacer un
nuevo pedido. El estado de inventario (IP) mide la
capacidad del artículo para satisfacer la demanda
futura.
SISTEMAS DE CONTROL DE INVENTARIOS
Sistema Q
La IP(inventory position) se calcula con la relacion:
IP = OH + SR – BO
MAESTRIA PYGE

Donde:
Ing. Rodrigo Sempértegui Álvarez

OH = inventario disponible.
SR = Las recepciones programadas (pedidos
realizados, aun no recibidos)
BO = órdenes atrasadas.
Cuando la IP llega a un nivel mínimo
predeterminado llamado punto de reorden (R), se
pide una cantidad fija Q del artículo.
SISTEMAS DE CONTROL DE INVENTARIOS
Sistema Q
Sistema Q cuando la demanda y el tiempo de entrega
son constantes y se conocen con certeza
El punto de reorden es
MAESTRIA PYGE

IP IP IP
Ing. Rodrigo Sempértegui Álvarez

igual a la demanda
In ve n ta rio d isp o n ib le

Pedido Pedido Pedido Pedido


recibido recibido recibido recibido

Q
durante el tiempo de
Q Q

R
OH OH
entrega.
OH

Pedido
prestado
Pedido
prestado
En la figura anterior la
Pedido
prestado

Tiempo línea con pendiente


O
L L L

descendente es el
TBO TBO TBO

inventario disponible. Cuando aquel llega a R, se


presenta un nuevo pedido. El inventario sigue
descendiendo en el período de entrega L. El nuevo
pedido llega justo cuando el inventario desciende a
0.
SISTEMAS DE CONTROL DE INVENTARIOS
Sistema Q
Sistema Q cuando la demanda es incierta
IP IP IP
Cuando la demanda es
MAESTRIA PYGE

Pedido Pedido Pedido


incierta:
Ing. Rodrigo Sempértegui Álvarez

recibido recibido recibido


Pedido
Inventario disponible

recibido

Q Q Q
Punto de reorden =
R
Pedido Pedido Pedido
demanda promedio durante
el período de entrega +
prestado prestado prestado

O
TBO 1
L1

TBO 2
L 2

TBO 3
L 3
Tiempo
inventario de seguridad.
La línea ondulada con pendiente descendente
indica que la demanda varía de un día a otro. La
tasa de demanda cambiante denota que el tiempo
entre períodos es variable, de modo que TBO1 ≠
TBO2 ≠ TBO3
SISTEMAS DE CONTROL DE INVENTARIOS
Sistema Q
Debido a la incertidumbre de la demanda, las
ventas en el período de entrega son imprevisibles
MAESTRIA PYGE

por lo que se añade un inventario de seguridad


Ing. Rodrigo Sempértegui Álvarez

como medida de protección contra posibles


perdidas de ventas. Cuanto más grande sea el
inventario de seguridad, y por ende más alto el
punto de reorden, tanto menos probable será que
se presenten faltantes.
SISTEMAS DE CONTROL DE INVENTARIOS
Sistema Q

Inventario de seguridad
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

Una forma de determinar el inventario de


seguridad adecuado es establecer un nivel de
servicio o ciclo del nivel del servicio, es decir, la
probabilidad deseada de no quedarse sin
inventario en ningún ciclo de pedidos.
Si la demanda varía poco en el ciclo, el inventario
de seguridad puede ser pequeño, por el contrario,
si la demanda varía en forma considerable de un
ciclo a otro, el inventario de seguridad deberá ser
grande.
SISTEMAS DE CONTROL DE INVENTARIOS
Sistema Q
MAESTRIA PYGE

Ciclo del nivel de servicio = 85%


Ing. Rodrigo Sempértegui Álvarez

Demanda
promedio
durante el Probabilidad de faltantes
tiempo de (1.0 - 0.85 = 0.15)
entrega
R

zs L

Fig. Cómo encontrar el inventario de seguridad con una distribución de probabilidad


normal para un ciclo del nivel de servicio del 85%
SISTEMAS DE CONTROL DE INVENTARIOS
Sistema Q

La demanda promedio del tiempo de entrega es la


MAESTRIA PYGE

línea central, quedando el 50% a cada lado,


Ing. Rodrigo Sempértegui Álvarez

entonces, si se selecciona un ciclo de nivel de


servicio de 50%, el punto de reorden R sería la
cantidad representada por esa línea central.
El inventario de seguridad será 0 cuando R es
igual a la demanda promedio.
Para brindar un nivel de servicio por encima del
50%, el punto de reorden deberá ser mayor que la
demanda promedio durante el tiempo de entrega.
SISTEMAS DE CONTROL DE INVENTARIOS
Sistema Q

Cálculo del inventario de seguridad


MAESTRIA PYGE

Encontramos el inventario de seguridad


Ing. Rodrigo Sempértegui Álvarez

multiplicando el número de desviaciones estándar,


con respecto a la media que se requiera para
aplicar el ciclo del nivel de servicio, z, por la
desviación estándar de la demanda en la
distribución de la probabilidad, σL, durante el
tiempo de entrega.
Inventario de seguridad = z σL
SISTEMAS DE CONTROL DE INVENTARIOS
Sistema P

Conocido a veces como sistema de reorden a


MAESTRIA PYGE

intervalos fijos o sistema de reorden periódico, e el


Ing. Rodrigo Sempértegui Álvarez

cual la posición de inventario de un artículo se


revisa periódicamente y no en forma continua. Los
nuevos pedidos se colocan siempre al final de
cada revisión y el TBO tiene un valor fijo de P. La
demanda total entre revisiones es variable.
SISTEMAS DE CONTROL DE INVENTARIOS
Sistema P
En este caso persisten cuatro de las suposiciones
originales de la EOQ:
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

- Que no existan restricciones en el tamaño del lote.


- Que los costos pertinentes sean los de manejo de
inventario y pedidos.
- Que las decisiones de un artículo sean
independientes de las decisiones del resto.
- Que no exista incertidumbre en los tiempos de
entrega ni en el suministro.
SISTEMAS DE CONTROL DE INVENTARIOS
Sistema P
Sistema del tiempo entre revisiones
Para manejar un sistema P, deben considerarse: la
duración del tiempo entre revisiones, P, y el nivel
MAESTRIA PYGE

objetivo del inventario, T.


Ing. Rodrigo Sempértegui Álvarez

La duración del tiempo entre revisiones P, puede ser


cualquier intervalo conveniente (todos los viernes, cada
dos viernes).
Selección del nivel objetivo de inventario
Es el intervalo de protección o intervalo de tiempo para
el cual deberá estar planeado el inventario cuando se
haga cada nuevo pedido, es decir T= d(P+L) (p
períodos para revisar, corregir y restablecer la IP +
tiempo de entrega).
SISTEMAS DE CONTROL DE INVENTARIOS
Sistema P

Inventario de seguridad
MAESTRIA PYGE

Se calcula de forma similar al sistema Q.


Ing. Rodrigo Sempértegui Álvarez

Se multiplica las desviaciones estándar deseadas,


z, por la desviación estándar de la demanda en el
curso de intervalo de protección, σP+L
Inventario de seguridad = z σP+L
VENTAJAS COMPARATIVAS DE LOS
SISTEMAS Q Y P
Las ventajas de los sistemas Q son las siguientes:
1. La frecuencia con que se revisa cada artículo
MAESTRIA PYGE
Ing. Rodrigo Sempértegui Álvarez

puede ser individualizada.


2. Los tamaños de lote fijos, si son suficientemente
grandes, suelen traducirse en descuentos por
cantidad.
3. Los inventarios de seguridad más bajos se
traducen en ahorros.
VENTAJAS COMPARATIVAS DE LOS
SISTEMAS Q Y P

Las ventajas de los sistemas P son las siguientes:


MAESTRIA PYGE

1. La administración del sistema resulta cómoda


Ing. Rodrigo Sempértegui Álvarez

porque el reabastecimiento se realiza a


intervalos fijos.
2. Los pedidos de artículos múltiples de un mismo
proveedor pueden hacerse en una sola orden de
compra.
3. Solo es necesario conocer la IP (posición de
inventario), cuando se realiza una revisión.
SISTEMAS DE CONTROL DE INVENTARIOS
Sistemas Híbridos

Sistemas Híbridos:
MAESTRIA PYGE

- Sistema de reabastecimiento opcional. Se utiliza


Ing. Rodrigo Sempértegui Álvarez

para revisar la IP a intervalos fijos, y si dicha


posición ha disminuido hasta un nivel
predeterminado (para hacer un pedido de tamaño
variable que cubra las necesidades esperadas).
- Sistema de inventario base. Expide una orden de
reabastecimiento cada vez que realiza un retiro,
por la misma cantidad que fue extraída en dicho
retiro.