You are on page 1of 174

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS Facultad de

Ciencias Matemáticas

PROGRAMACIÓN LINEAL
INVESTIGACIÓN OPERATIVA
I

TEORÍA Y EJERCICIOS

Lucio Malásquez Ruiz


Ciudad Universitaria 2016
Investigación Operativa I – Lucio Malásquez Ruiz

ÍNDICE

1. Introducción a la Investigación Operaciones .......................................... 4 pág.


1.1 Introducción ..................................................................................... 5 pág.
1.2 ¿Qué es la investigación de Operaciones? ...................................... 6 pág.
1.3 Clasificación de la Metodología de IO ............................................. 8 pág.
1.4 Metodología de IO ......................................................................... 10 pág.
1.5 Modelo Matemático ...................................................................... 12 pág.
2. Programación Lineal: Modelo .............................................................. 15 pág.
2.1 Programación Lineal ...................................................................... 16 pág.
2.2 Presentación del Modelo de PL ..................................................... 17 pág.
2.3 Suposición del Modelo de PL ......................................................... 18 pág.
2.4 Interpretación Económico del Modelo PL ..................................... 18 pág.
2.5 Propiedades del Modelo PL ........................................................... 21 pág.
2.6 Formas de mostrar el Modelo de PL.............................................. 23 pág.
2.7 Transformaciones en el Modelo de PL .......................................... 26 pág.
2.8 Formulación de Problemas ............................................................ 39 pág.
3. Métodos De Solución Gráfica ................................................................ 40 pág.
3.1 Introducción ................................................................................... 41 pág.
3.2 Conjuntos Convexos ...................................................................... 42 pág.
3.3 Método Gráfico.............................................................................. 45 pág.
3.4 Tipos de Problemas Lineales .......................................................... 46 pág.
3.5 Ejemplos ........................................................................................ 51 pág.
3.6 Ejercicios ........................................................................................ 56 pág.
4. Método Simplex .................................................................................... 57 pág.
4.1 Introducción ................................................................................... 58 pág.
4.2 Definiciones Previas ....................................................................... 59 pág.
4.3 Método Simplex ............................................................................. 65 pág.
4.4 Casos en la resolución de un PL ..................................................... 66 pág.
4.5 Ejemplos ........................................................................................ 72 pág.
4.6 Ejercicios ........................................................................................ 73 pág.
5. Método De Variables Artificiales........................................................... 74 pág.
5.1 Idea Conceptual ............................................................................. 75 pág.
5.2 ¿Variable Artificial? ........................................................................ 76 pág.
5.3 Método de la M ............................................................................. 80 pág.
5.4 Ejercicios ..................................................................................... ... 81 pág.
5.5 Método de Dos Fases .................................................................... 89 pág.
5.6 Ejercicios ........................................................................................ 90 pág.
6. Dualidad De Un PPL ............................................................................... 91 pág.
6.1 Introducción ................................................................................... 92 pág.
6.2 Relación entre Primal y Dual ......................................................... 93 pág.
6.3 Formulación del Dual ..................................................................... 94 pág.

2
Investigación Operativa I – Lucio Malásquez Ruiz

6.4 Teorema de la Dualidad ................................................................. 98 pág.


6.5 Ejemplo ........................................................................................ 103 pág.
6.6 Ejercicios ...................................................................................... 104 pág.
7. Métodos Dual Simplex ........................................................................ 105 pág.
7.1 Introducción ................................................................................. 106 pág.
7.2 Método Dual Simplex .................................................................. 110 pág.
7.3 Ejercicios ...................................................................................... 111 pág.
8. Programación Lineal Con LINDO ......................................................... 112 pág.
8.1 Introducción ................................................................................. 113 pág.
8.2 ¿Cómo usar LINDO? ..................................................................... 114 pág.
8.3 Interpretación de los resultados en LINDO ................................. 115 pág.
8.4 Análisis de Sensibilidad en LINDO ................................................ 118 pág.
8.5 Costo Reducido ............................................................................ 120 pág.
8.6 Precio Dual ................................................................................... 122 pág.
9. Propiedades De La Tabla Simplex ....................................................... 123 pág.
9.1 Introducción ................................................................................. 124 pág.
9.2 Propiedades de una Tabla Simple................................................ 126 pág.
9.3 Ejemplos ...................................................................................... 128 pág.
9.4 Ejercicios ...................................................................................... 135 pág.
10. Optimización: Método Transporte ...................................................... 136 pág.
10.1 Definición .................................................................................... 137 pág.
10.2 Propiedades................................................................................. 140 pág.
10.3 SBI: Método Esquina N-O ............................................................ 141 pág.
10.4 Solución Óptima: Método UV ..................................................... 142 pág.
10.5 Caso Oferta ≠ Demanda .............................................................. 145 pág.
10.6 Método Costos Mínimos ............................................................. 146 pág.
10.7 Método Voguel............................................................................ 147 pág.
10.8 Ejercicios ...................................................................................... 148 pág.

3
Investigación Operativa I – Lucio Malásquez Ruiz

I. INTRODUCCIÓN A
LA INVESTIGACIÓN
DE OPERACIONES

TEMAS


Introducción ........................................................................................... 5 Pág.

¿Qué es la investigación de Operaciones? ............................................... 6 Pág.

Clasificación de la Metodología de IO ...................................................... 8 Pág.

Metodología de IO ................................................................................ 10 Pág.

Modelo Matemático .............................................................................. 12 Pág.

4
Investigación Operativa I – Lucio Malásquez Ruiz

I INTRODUCCIÓN

El objetivo del curso es que el estudiante aprenda a reconocer los problemas tipo
de la Investigación de Operaciones de modo que sepa a qué técnica recurrir en
cada caso, para un adecuado estudio y solución del mismo.
Como su nombre lo indica, la Investigación de Operaciones (IO), o Investigación
Operativa, es la investigación de las operaciones a realizar para el logro óptimo
de los objetivos de un sistema o la mejora del mismo. Esta disciplina brinda y utiliza
la metodología científica en la búsqueda de soluciones óptimas, como apoyo en
los procesos de decisión, en cuanto a lo que se refiere a la toma de decisiones
óptimas y en sistemas que se originan en la vida real.

Antecedentes Históricos

El término IO se utiliza por primera vez en el año 1939 durante la Segunda Guerra Mundial, específicamente cuando surge
la necesidad de investigar las operaciones tácticas y estratégicas de la defensa aérea, ante la incorporación de un nuevo
radar, en oportunidad de los ataques alemanes a Gran Bretaña. El avance acelerado de la tecnología militar hace que los
ejecutivos y administradores militares británicos deban recurrir a los científicos, en pos de apoyo y orientación en la
planificación de su defensa. El éxito de un pequeño grupo de científicos que trabajaron en conjunto con el ejecutivo
militar a cargo de las operaciones en la “línea”, derivó en una mayor demanda de sus servicios y la extensión del uso de la
metodología a USA, Canadá y Francia entre otros.

Sin embargo, el origen de la Investigación Operativa puede considerarse como anterior a la Revolución Industrial, aunque
fue durante este período que comienzan a originarse los problemas tipo que la Investigación Operativa trata de resolver.
A partir de la Revolución Industrial y a través de los años se origina una segmentación funcional y geográfica de la
administración, lo que da origen a la función ejecutiva o de integración de la administración para servir a los intereses del
El término IO se utiliza por primera vez en el año 1939 durante la Segunda Guerra Mundial,
sistema como un todo.
específicamente cuando surge la necesidad de investigar las operaciones tácticas y estratégicas de la
La Investigación Operativa tarda en desarrollarse en el campo de la administración industrial. El uso de la metodología
defensa aérea, ante la incorporación de un nuevo radar, en oportunidad de los ataques alemanes a
científica en la industria se incorpora al principiar los años 50, a partir de la 2da Revolución Industrial, propiciada por los
GranavancesBretañadelasComunicaciones,.ElavanceaceleradoylaComputación,delatecnologíaquesientan militarlasbaseshacepara laqueautomatización,losejecutivosyporysobreadministradorestodoporel

militaresflorecimientobritánicosybienestardebaneconómicorecurrirde esealosperíodocientíficos,. en pos de apoyo y orientación en la planificación de


su defensa. El éxito de un pequeño grupo de científicos que trabajaron en conjunto con el ejecutivo
Los primeros desarrollos de esta disciplina (IO) se refirieron a problemas de ordenamiento de tareas, reparto de cargas de
militartrabajo, planificaciónacargode ylasasignaciónoperacionesderecursosen laen“línea”,elámbito derivómilitarenensusunainicios,mayordiversificándosedemandaluego,desusyextendiéndoseserviciosy la
finalmente a organizaciones industriales, académicas y gubernamentales.
extensión del uso de la metodología a USA, Canadá y Francia entre otros.
Existen varias asociaciones en todo el mundo, que agrupan a personas (estudiantes, científicos y profesionales)
interesados por el estudio y aplicación de la Investigación Operativa. La más grande de todas es INFORMS, de Estados
Unidos de Norteamérica asociación que nace de la unión de la ORSA = Operation Research Society of America, con 8 000
miembros y la TIMS = Institute of Managment Science con 6 000 miembros. También existen Asociaciones Canadienses,
europeas, Latinoamericanas y asiáticas federadas en la IFORS, International Federation of Operation Research Societies.
La Asociación Latinoamericana de Investigación de Operaciones, ALIO, conglomera a la mayor parte de las Asociaciones
de América Central y Sur.

Se publican decenas de revistas diferentes en todo el mundo. Existen programas de Posgrado (maestría y
doctorado) en la especialidad, en América y Europa.

5
Investigación Operativa I – Lucio Malásquez Ruiz

¿QUÉ ES LA INVESTIGACIÓN
II OPERATIVA?
Es la ciencia aplicada que estudia a las organizaciones en forma sistémica a fin de
hacer de estas más eficientes. Se enfoca en la resolución de problemas reales y en
la toma de decisiones. Aplicando conceptos y métodos de varias áreas científicas
en la concepción, planeamiento u operación de sistemas.

En esta disciplina se destacan las siguientes características esenciales:


  
Una fuerte orientación a Teoría de Sistemas,
  
La participación de equipos interdisciplinarios,
 
La aplicación del método científico en apoyo a la toma de decisiones.

En base a estas propiedades, una posible definición es: la Investigación Operativa


es la aplicación del método científico por equipos interdisciplinarios a problemas
que comprenden el control y gestión de sistemas organizados (hombre- máquina);
con el objetivo de encontrar soluciones que sirvan mejor a los propósitos del sistema
(u organización) como un todo, enmarcados en procesos de toma de decisiones.

UNA DEFINICIÓN COMPLETA: “Es un enfoque científico para


la toma de decisiones ejecutivas, que consiste en:

El arte de modelar situaciones complejas;

La ciencia de desarrollar técnicas de solución para


resolver dichos modelos
La capacidad de comunicar efectivamente los
resultados.”
A la que en mi opinión solo le faltaría incluir el objetivo general de la IO: estudiar
la asignación óptima de recursos escasos a determinada actividad.

Resumiendo los puntos más importantes a denotar:


  
Es un arte-ciencia.
 
 Determina el óptimo curso de acción.
 
 Resultados cuantitativos.
 
 Ayuda en el proceso de toma de decisiones.
 
Resolver un problema

Uso de modelos matemáticos Sistema Ineficiente Sistema Eficiente


Se debe construir
 un modelo y resolverlo para la posterior toma de
decisiones
 
Se debe ser creativo para la concepción del modelo

6
Investigación Operativa I – Lucio Malásquez Ruiz

Un proceso de decisión respecto a la política de inventarios en una


EJEMPLO
organización. Existen 4 funciones administrativas que han dado lugar a
departamentos cuyos objetivos son:

Función Objetivo
Producción Maximizar la cantidad de bienes (servicios) producidos y minimizar
el costo unitario de la producción.
Comercialización Maximizar la cantidad vendida y minimizar el costo unitario de las
ventas.
Finanzas Minimizar el capital requerido para mantener cierto nivel del
negocio.
Personal Minimizar el capital requerido para mantener cierto nivel del
negocio.

Con respecto al INVENTARIO y según estos OBJETIVOS:


El departamento de producción necesita producir tanto como sea posible a un costo
mínimo, lo que se logra fabricando un solo producto en forma continua, pues se
logra mayor eficiencia y se minimiza el tiempo perdido por cambio de equipo, al
cambiar de artículo. Con este procedimiento se logra un gran inventario con una
línea de productos pequeña.
El departamento de mercado también necesita un gran inventario, pero para
vender tanto como sea posible, debe surtir de la más amplia variedad de
productos. Motivos de desencuentro con el departamento de producción.
Para minimizar el capital necesario para que el negocio marche, el departamento
de Finanzas debe reducir la cantidad de dinero "comprometido", lo más directo es
reducir los inventarios. Se propone que los inventarios deben aumentar o disminuir
en proporción a la fluctuación de las ventas.
En contraposición, cuando las ventas son bajas, ni producción ni personal requieren
disminuir la producción, ni reducir personal. Personal le interesa mantener la
producción a un nivel tan constante como sea posible, ya que el despido implica
repercusiones en la moral del personal, pérdida de personal calificado, nuevos
costos de formación de nuevo personal cuando así se requiera. Esto se traduce en
producir hasta el nivel del inventario cuando las ventas son bajas y agotarlo
cuando éstas son altas.
Los objetivos enumerados y definidos de esta manera son difíciles de llevar a la
práctica por su inconsistencia desde el punto de vista de la organización y del
sistema en su conjunto. Es tarea y responsabilidad del ejecutivo (gerente) determinar
una política de inventario que convenga a los intereses de toda la compañía y no de
una sola de las funciones subordinadas. La tarea de organización y gerenciamiento
requiere que se considere al SISTEMA en su conjunto y ésta es la esencia del trabajo
gerencial. El ejecutivo debe decidir y para ello recurrirá a algún método. Le
convendrá recurrir a un Investigador de Operaciones, dado que supuestamente éste
estará apto para utilizar la investigación científica en apoyo a las decisiones que
el ejecutivo deba tomar. Este apoyo se hace especialmente necesario cuando se
trata de la búsqueda de soluciones “óptimas” a problemas que se originan en
las organizaciones y servicios en general.

7
Investigación Operativa I – Lucio Malásquez Ruiz

CLASIFICACIÓN DE PROBLEMAS
III DE IO
Los problemas en Investigación de Operaciones se clasifican de acuerdo ha:

a) Atendiendo al objetivo del problema.

• Cuyo objetivo es maximizar cierta cantidad (beneficio, eficiencia) o minimizar cierta


medida (costo, tiempo), quizás teniendo en cuenta una serie de limitaciones o requisitos
que restringen la decisión (disponibilidad de capital, personal, material,
Modelos de requisitos Ejemplos: Problemas de secuenciación, Problemas de
Optimización localización, Problemas de rutas y Problemas de búsqueda.
Problema de Secuenciación.-
Trata de colocar los objetos en
cierto orden
Problema de Localización.-
• Cuyo objetivo es describir o predecir sucesos (nivel de ventas, fechas de
Trata de asignación de recursos. terminación de proyectos, número de clientes, etc.) dadas ciertas condiciones.
Problemas de Ruta.-Encontrar Ejemplos: Problemas de inventario, Problemas de colas y Problemas
la ruta optima de entre varias Modelos de de competencia.
alternativas. Problemas de
Búsqueda.-Buscar información
Predicción
para tomar una decisión. Se usa
la Teoría de Decisión
Estadística.

b) Por el grado de certidumbre de los datos.


Programación Lineal

Transporte y Asignación

Optimización Lineal Programación Entera y


ModelosdeInvestigaciónOperativa

Binaria

Problema de redes

Determinísticos ProgramaciónMulticriterio

Métodos Clásicos
Modelo Determinístico.-
Todos los datos del problema se
Optimización No Lineal Métodos de Búsqueda consideran conocidos.

Planificación de proyectos
Programación No Lineal

Programación Dinámica
Híbridos

Modelos de Inventario

Simulación
Estocásticos

Análisis de Decisión

Procesos Estocásticos

Teoría de colas

8
Investigación Operativa I – Lucio Malásquez Ruiz

Características importantes de la IO:

Orientación del estudio hacia el sistema y no hacia


un problema en particular.

Utilización de equipos mixtos.

Adopción del método científico.

Una vez clasificados los problemas de Investigación Operativa, pasamos a describir la


resolución de los mismos.

9
Investigación Operativa I – Lucio Malásquez Ruiz

METODOLOGÍA DE LA IO
IV

Representaremos el sistema o el fenómeno del mundo real o el problema a resolver


en un lenguaje matemático.

Paso 1. Definición del problema, se debe tener en cuenta un buen plan de trabajo:
  
Observar.
 
 Ser consciente de las realidades políticas.
 
 Decidir qué se quiere realmente.
 
 Identificar las restricciones.
 
Buscar información de modo continuo.

Paso 2. Modelado matemático, es procedimiento que reconoce y verbaliza un


problema para posteriormente cuantificarlo transformando las expresiones
verbales en expresiones matemáticas. Etapas:
1. Identificar las variables de decisión: puede ser útil hacerse las siguientes preguntas:
¿qué es lo que hay que decidir? O ¿sobre qué elementos tenemos control? O ¿cuál
sería una respuesta válida para este caso?
2. Identificar la función objetivo: ¿Qué es lo que queremos conseguir? o Si yo fuera el
jefe de esta empresa, ¿qué me interesaría más?
3. Identificar las restricciones.
4. Traducir todos los elementos básicos a un modelo matemático.

10
Investigación Operativa I – Lucio Malásquez Ruiz

Paso 3. Resolución del modelo. Etapas:


1. Elegir la técnica de resolución adecuada.
2. Generar las soluciones del modelo.
3. Comprobar/validar los resultados.
4. Si los resultados son inaceptables, revisar el modelo matemático.
5. Realizar análisis de sensibilidad.

Paso 4. Presentación/Implementación de los resultados


Etapas:
1. Preparar informes y/o presentaciones.
2. Vigilar el proceso de implementación.

Ahora veamos las fases de un estudio de la Investigación de Operaciones.

Los pasos a seguir en la aplicación del método científico (coincidentes con los de la
Teoría General de Sistemas) son, en su expresión más simple:
1.- Planteo y Análisis del problema
2.- Construcción de un modelo
3.- Deducción de la(s) solución(es)
4.- Prueba del modelo y evaluación de la(s) solución(es)
5.- Ejecución y Control de la(s) solución(es)

Observar que el problema es UNO SOLO, sin embargo existen maneras distintas
de observar un mismo problema, dependiendo de los objetivos que se planteen
para resolverlo.

11
Investigación Operativa I – Lucio Malásquez Ruiz

V MODELO MATEMÁTICO

Partamos conociendo un poco de la Programación Matemática:

La programación matemática es un área de la matemática que se preocupa, con la


generación de modelos matemáticos, de representar situaciones reales en las cuales se
tiene como principal objetivo la optimización de un recurso escaso.

Entonces, un modelo matemático es una representación idealizada y simplificada de un


sistema, expresada en términos de símbolos y expresiones matemáticas. Ejemplo: F=m.a
Y queda definido por:

Imagine que tiene un compromiso de negocios que requiere 5 semanas


EJEMPLO de traslado continuo entre Lima y Arequipa. Sale de Lima los lunes y
regresa los miércoles. Un boleto regular de viaje redondo cuesta $400,
pero se ofrece 20% de descuento si el viaje redondo comprende un fin
de semana. Un boleto sencillo en cualquier dirección cuesta 75% del
precio regular. ¿Cómo debe comprar los boletos para reducir el costo
del traslado durante las 5 semanas?

Podemos considerar la situación como un problema de toma de decisiones, cuya solución


requiere responder tres preguntas:

12
Investigación Operativa I – Lucio Malásquez Ruiz

Analicemos y respondamos las preguntas:


Duración de Viaje: 5 semanas
Salir los lunes y regresar Miércoles
Costo de boleto normal (ida y vuelta): $400.00
Costo de boleto normal con fin de semana: 80% del costo normal.
Costo de boleto sencillo (ida): 75% del costo normal.

Se consideran tres alternativas razonables:


1. Comprar cinco boletos normales L-A-L para salir el lunes y regresar el
miércoles de la misma semana.
2. Comprar un boleto L-A, cuatro A-L-A que abarquen fines de semana, y uno
A-L.
3. Comprar un boleto L-A-L para el lunes de la primera semana y el miércoles de
la última semana, y cuatro A-L-A para los viajes restantes. Todos los boletos
en esta alternativa cubren por lo menos un fin de semana.
La restricción en estas opciones es que pueda salir de Lima el lunes y
regresar el miércoles de la misma semana.

Un criterio objetivo obvio para evaluar la alternativa propuesta es el precio


de los boletos. La alternativa que dé el costo mínimo será la mejor.

Específicamente, tenemos:
  
Costo de la alternativa 1: boletos *400 ($ boleto ida y vuelta) = $2000

Costo de la alternativa 2: 1 boleto* 0.75 (% boleto sencillo)* 400 ($ boleto ida y vuelta)
+ 4 boletos * (0.8 (% boleto + fin de semana) * 400 ($ boletoida y vuelta)) 1 boleto* 0.75
(% de boleto sencillo)* 400 ($ boleto ida y vuelta) = $ 1880
 
Costo de la alternativa 3:

 
boletos* (0.8 (%boleto fin de semana)*400 ($ boleto ida y vuelta)) = $1600

La alternativa 3 es la mejor porque es la más económica.

Aunque el ejemplo anterior ilustra los tres componentes principales de un modelo


de IO, los cuales son: alternativas, criterio objetivo y restricciones, las situaciones
difieren por los detalles de la construcción de cada componente y la solución del
modelo resultante. Para ilustrar este punto veamos otro ejemplo:

Considere la formación de un rectángulo de área máxima con un trozo


EJEMPLO de alambre de “L” pulgadas de longitud. ¿Cuál será el mejor ancho y
altura del rectángulo?
En contraste con el ejemplo de los boletos, el número de alternativas en este ejemplo no es
finito; es decir, el ancho y la altura del rectángulo pueden asumir una cantidad infinita de
valores porque son variables continuas. Para formalizar esta observación, las alternativas
del problema se identifican definiendo el ancho y la altura como variables algebraicas

w = ancho del rectángulo en pulgadas,


h = altura del rectángulo en pulgadas.

13
Investigación Operativa I – Lucio Malásquez Ruiz

Con base en estas definiciones, las restricciones de la situación pueden expresarse


verbalmente como

1. Ancho del rectángulo + altura del rectángulo = la mitad de la longitud del


alambre.
2. El ancho y la altura no pueden ser negativos.

Estas restricciones se traducen de manera algebraica como sigue


1. 2(w + h) = L
2. w≥0, h≥0
Ahora el único componente restante es el objetivo del problema; es decir, maximizar
el área del rectángulo.

Si Z se define como el área del rectángulo, el modelo completo es:

Maximizar Z = w * h
Sujeto a
2(w + h) = L
w, h ≥0

Utilizando cálculo diferencial, la mejor solución de este modelo es = ℎ = 4, la cual requiere la construcción de una forma cuadrada.

Con los datos de los dos ejemplos anteriores, el modelo general de IO se organiza en
el siguiente formato general:

Una solución del modelo es factible si satisface todas las restricciones; es óptima si,
además de ser factible, produce el mejor valor (máximo o mínimo) de la función
objetivo. En el ejemplo de los boletos, el problema considera tres alternativas
factibles, y la tercera es la que produce la solución óptima.

Aunque los modelos de IO están diseñados para “optimizar” un criterio objetivo


específico sujeto a un conjunto de restricciones, la calidad de la solución resultante
depende de la exactitud con que el modelo representa el sistema real. Considere, por
ejemplo, el modelo de los boletos. Si no se identifican todas las alternativas
dominantes para comprar los boletos, entonces la solución resultante es óptima sólo en
relación con las opciones representadas en el modelo. Específicamente, si se omite la
alternativa 3 en el modelo, entonces la solución “optima” requeriría que se compraran
los boletos en $1880, la cual es una solución subóptima. La conclusión es que “la”
solución óptima de un modelo es mejor sólo para ese modelo. Si el modelo es una
representación razonablemente buena del sistema real, entonces su solución también
es óptima para la situación real.

14
Investigación Operativa I – Lucio Malásquez Ruiz

II. PROGRAMACIÓN
LINEAL: MODELO

TEMAS


Programación Lineal .............................................................................. 15 Pág.

Presentación del Modelo de PL .............................................................. 16 Pág.

Suposición del Modelo de PL ................................................................. 17 Pág.

Interpretación Económico del Modelo PL ............................................... 18 Pág.

Propiedades del Modelo PL ................................................................... 18 Pág.

Formas de mostrar el Modelo de PL ....................................................... 19 Pág.

Transformaciones en el Modelo de PL .................................................... 21 Pág.

Formulación de Problemas .................................................................... 26 Pág.

15
Investigación Operativa I – Lucio Malásquez Ruiz

I PROGRAMACIÓN LINEAL

La programación lineal (PL) es un medio matemático que permite asignar una


cantidad fija de recursos, a la satisfacción de varias demandas de tal forma que
mientras se optimiza algún objetivo se satisface otras condiciones definidas.
Utilizando modelos matemáticos como un recurso primario, la metodología de la IO
está diseñada para cuantificar y acotar estos problemas dentro de un marco de
restricciones específico, medido, objetivo y variable, de tal forma que se busquen
controles óptimos de operación, decisiones, niveles y soluciones.
Los problemas de asignación surgen en el momento en que un cierto número de
mercancías o de tareas deben ser distribuidos de la mejor manera posible, teniendo
en cuenta las limitaciones que existen.

16
Investigación Operativa I – Lucio Malásquez Ruiz

II PRESENTACIÓN DEL MODELO DE


PL
La PL es un conjunto de modelos de programación matemática destinados a la
asignación eficiente de los recursos limitados en actividades conocidas, con el objeto
de satisfacer metas (objetivos) deseadas (maximizar utilidades o minimizar costos).
Un modelo de PL consta de:
2.1.1. Función Objetivo (F.O.).- Define la medida de efectividad del sistema de
manera ideal, el valor de la F.O. es influenciado por las variables controlables y no
controlables.

Donde Z es de Maximizar/Minimizar.
2.1.2. Una serie de Restricciones.- El sistema tiene limitaciones; tecnológicos,
económicos y otros, éstos los representamos mediante relaciones de igualdad y
desigualdad.

Donde:

2.1.3. Variables.- Factores mensurables que dan sustentación al problema. Ejemplo:


Los rangos de existencia de las variables pueden ser:

2.1.4. Parámetros.- Condiciones mensurables, inherentes a la estructura del modelo,


valores conocidos y que relacionan las variables de decisión con las restricciones y
la F.O.
Resumiendo:

Un problema de P.L. consiste en


hallar valores para las variables
de decisión X1, X2, X3,…, Xn tales
que maximicen o minimicen el
valor de la medida de eficiencia
(función objetivo) y que
satisfagan un conjunto de
funciones llamadas restricciones

17
Investigación Operativa I – Lucio Malásquez Ruiz

SUPOSICIÓN DEL MODELO DE


III PL

Para desarrollar problemas y ser resueltos por la PL se deben dar las siguientes
suposiciones:
  
La F.O. debe expresar el objetivo del problema.
  
Se deben conocer las cantidades: Cj, aij y bi.
  
La F.O. y las restricciones son lineales.
 
Las restricciones deben expresar limitaciones del sistema en estudio.

IV INTERPRETACIÓN ECONÓMICA
DEL MODELO DE PL

18
Investigación Operativa I – Lucio Malásquez Ruiz

V PROPIEDADESPL DEL MODELO DE

La linealidad implica que la programación lineal deba satisfacer dos propiedades: la


proporcionalidad y la aditividad.

La proporcionalidad significa que los indicadores de Costo/Utilidad en la F.O. y


la cantidad de cada recurso usado tienen que ser proporcionales, al valor de cada
variable de decisión del modelo. Las cantidades Cj, aij deben ser proporcionales
al valor de cada variable. Por ejemplo:


La aditividad significa que cada variable de decisión debe ser aditiva respecto
al costo/utilidad y a la cantidad de recursos usados. Es decir, se puede valorar la
función objetivo Z, así como también los recursos utilizados, sumando las
contribuciones de cada uno de los términos que intervienen en la función Z y en las
restricciones. Por ejemplo:
=4 1 +2 2

Divisibilidad: El modelo da valores reales de las variables de decisión.

Optimalidad: La solución del modelo PL de maximizar utilidad o minimizar costos


ocurre en uno de los vértices del conjunto convexo

19
Investigación Operativa I – Lucio Malásquez Ruiz

PLANEACIÓN DE LA PRODUCCIÓN
EJEMPLO Una fábrica produce los productos 1, 2 y 3. Se tiene las restricciones para su
elaboración:

Tiempo Disponible Horas Máquina por cada unidad de Producto


por Máquina
Tipo de Máquina Horas/Semana Producto Nº 1 Producto Nº 2 Producto Nº 3
Torno 4200 8 3 3
Fresa 4100 4 2 -
Fresa 650 2 - 1

El Dpto. de ventas predice que el producto 3 se venderá a lo máximo 20 unidades. Las


ganancias por unidad son $30, $10, $15 respectivamente de cada uno de los productos.
¿Qué cantidad de cada producto se debe fabricar?
SOLUCIÓN:
Analicemos los datos y lo plasmamos en una tabla general.
Tiempo Disponible Horas Máquina por cada unidad de Producto
por Máquina
Tipo de Máquina Horas/Semana Producto Nº 1 Producto Nº 2 Producto Nº 3
Torno 4200 8 3 3
Fresa 4100 4 2 -
Fresa 650 2 - 1
Ganancia $30 $10 $15
Disponible 20 Unidades

Variable de decisión:
Xj : Número de unidades a fabricar del producto j = 1,2,3.

Función Objetivo:
Trabajamos con beneficios, entonces debemos maximizar las ganancias.
Max Z = 30X1 + 10X2 + 15X3

Restricciones:
1. El uso de las máquinas no debe exceder su disponibilidad:

8X1 + 3X2 + 3X3 ≤ 4,200


4X1 + 2X2 ≤ 4,100
2X1 + X3 ≤ 650

2. La producción del producto 3 no debe exceder de 20

X3 ≤ 20
3. Restricciones de no negatividad:

X1, X2, X3 ≥ 0.

Resumen: El PPL es

20
Investigación Operativa I – Lucio Malásquez Ruiz

FORMAS DE MOSTRAR EL
VI MODELO DE PL
2.6.1. Forma Canónica. La forma canónica para un problema de maximizar / minimizar se
caracteriza por tener sus restricciones expresados por “menor
o igual” / “mayor o igual”, rangos no negativos y ningún término independiente.

2.6.2. Forma Mixta. Un problema maximizar / minimizar se caracteriza por tener todas sus
restricciones expresados en ≤, = (≥, =), rangos no negativos y ningún término
independiente en la función.

2.6.3. Forma Genérica. Cuando un problema de PL no está expresado siguiendo una cierta
norma (Canónica, Mixta, Estándar). Normalmente contienen restricciones y rangos
de varios tipos, así como término independiente en la F.O.

21
Investigación Operativa I – Lucio Malásquez Ruiz

2.6.4. Forma Estándar (Normal) A partir de esta formulación, se aplican todos los métodos
de resolución.
Características:
La F.O. no debe tener término independiente.
Todas las restricciones deben ser de igualdad.
Todas las variables deben ser no negativas.

VARIABLE DE HOLGURA
Una variable de holgura se interpreta como la cantidad de productos imaginarios que
se deben producir o dejar de producir. Cada producto de este tipo imaginario requiere
una unidad de un recurso y su costo o beneficio es cero.

En la restricción 1, la desigualdad es de menor o igual, si cumple la igualdad, entonces


la variable de holgura tomará el valor de 0 en 2. Si en 1 se cumple estrictamente la
desigualdad, la variable de holgura en 2 tomará un valor estrictamente positivo. En este
caso, la variable de holgura representa la cantidad de productos que deben producir
(+).

Veamos que en la restricción 3, la desigualdad es de mayor o igual, es decir, la


variable de holgura representa la cantidad de productos imaginarios que deben dejar
de producir (-).
Ejemplo:

22
Investigación Operativa I – Lucio Malásquez Ruiz

VII TRANSFORMACIONES EN EL
MODELO DE PL
Algunas formas de expresar un modelo de PL son más convenientes que otras para ciertos
propósitos. Por esta razón es útil conocer los procedimientos de transformación a saber.

2. Cuando la F.O. tiene término


1. Cuando el problema es de minimizar, y independiente. Dado
se desea expresarlo como máximo.
Dado Max Z = C0 + Σ CjXj
Min Z = Σ CjXj Definiendo
Min Z = - Min (-Z) = Max (-Z) G = Z- C0 = Σ (Cj)Xj
Entonces Se resuelve:
Max G = Σ (-Cj)Xj Max G = Σ (Cj)Xj
Donde Z = - G Luego de calcular:
Z óptimo = Z = G + CO

3. Cuando hay variables de rango no-positivo. 4. Cuando existen variables de rango


libre (irrestricto).
Dado Sea Xj variable libre:
Xj ≤ 0 Xj = Xj’- Xj’’
Basta con efectuar le cambio Con Xj’, Xj’’ ≥0
Xj’= - Xj ≥0 El programa se resuelve con
Se resuelve el problema con Xj’ Xj’y Xj’’

5. Puede haber restricciones:


|ai1X1 + ai2X2 +… + ainXn| ≤ b 6. Cuando hay restricciones de desigualdad,
Que es equivalente a ambas restricciones: se introduce variables de holgura, tal como se
ai1X1 + ai2X2 +… + ainXn ≤ b indicó.
ai1X1 + ai2X2 +… + ainXn ≥ -b

23
Investigación Operativa I – Lucio Malásquez Ruiz

Dado el PPL:
EJEMPLO
Min Z = 10 – 35X1 – 20X2 + X3
Sujeto a:
4X1 + X2 – 2X3 ≤ 8
X1 + X3 = 10
6X1 + X2 ≥ 5
X1 ≤ 0, X2 ≥ 0, X3 irrestricto
Hacer las siguientes transformaciones:
1. La F.O. no debe tener el término independiente.
2. La F.O. debe ser maximizar.
3. Escribir el modelo, con las restricciones de no negatividad.

SOLUCIÓN:

1. La F.O. no debe tener el término independiente

Operando:
Z – 10 = – 35X1 – 20X2 + X3
Función Objetivo Original: Min G = – 35X1 – 20X2 + X3
Min Z = 10 – 35X1 – 20X2 + X3 Donde G = Z – 10 entonces
Z = G + 10

La FO transformada:
Min G = – 35X1 – 20X2 + X3

2. La F.O. debe ser maximizar (partiremos de la FO obtenida en 1).

Escribiendo:
Min G = – Min (-G) = Max (-G)
Max (-G) = – (– 35X1 – 20X2 + X3)
Max H = 35X1 + 20X2 – X3
Tenemos la FO: Donde G = – H
Min G = – 35X1 – 20X2 + X3 Luego H = – G = – (Z – 10)
– (Z – 10) = – Z + 10
Entonces Z = – H + 10
La FO transformada:
Max H = 35X1 + 20X2 - X3

24
Investigación Operativa I – Lucio Malásquez Ruiz

3. Escribir el modelo, con las restricciones de no negatividad (partiremos del a FO obtenida


en 2).

Hacer: X3 = X3’ – X3’’ y X1 = – X1’


Tenemos el PPL: Entonces:
Max H = 35X1 + 20X2 - X3 Max H = – 35X1’ + 20X2 – (X3’ – X3’’)
Sujeto a: Sujeto a:
4x1 + X2 – 2X3 ≤ 8 X1 + X3 = 10 6X1 + – 4 X1’ + X2 – 2 (X3’ – X3’’) ≤ 8
X2 ≥ 5 – X1’ + (X3’ – X3’’) = 10
– 6X1’ + X2 ≥ 5

Transformando:
Max H = – 35X1’ + 20X2 – X3’ + X3’’
Sujeto a:
– 4 X1’ + X2 – 2 X3’ + 2 X3’’ + S1 =8
– X1 ’ + X3’ – X3’’ = 10
– 6X1’ + X2 – S3 =5
X1’, X2, X3’, X3’’, S1, S3 ≥ 0

2
Investigación Operativa I – Lucio Malásquez Ruiz

VII FORMULACIÓN DE PROBLEMAS

PROBLEMA Nº 1 PLANEAMIENTO DE LA PRODUCCIÓN


Un artesano se dedica a fabricar mesas y sillas. Se tiene la siguiente
información:

El Artesano quiere hacer un máximo de 15 mesas y entre 10 y 12 sillas. El precio de una


plancha de madera es de $1 y el costo de una hora de trabajo es de $10. ¿Cuántas
mesas y sillas deben fabricarse?
¿Cuál es el objetivo?
¿Bajar el costo?
¿Aumentar las utilidades?
¿Disminuir el tiempo de
trabajo?

El problema no indica en base a qué debemos elaborar nuestro planteamiento, por ello
desarrollaremos para los tres casos, pero seremos más específicos atendiendo a los costos.
Entonces, si nos basamos en los costos, el artesano tendrá como objetivo bajar el costo total
de producir sillas y mesas. Y la pregunta sería:
¿Cuántas mesas y sillas deben fabricarse si el artesano desea disminuir los costos?
SOLUCIÓN:
Variables de Decisión:
X1 = Número de mesas a fabricar.
X2 = Número de sillas a fabricar.

Función Objetivo:
Para la Función Objetivo debemos conocer el costo por mesas fabricadas y el costo por
sillas fabricadas, ya que al sumar dichos valores, tendremos el costo total por fabricar
mesas y sillas que será nuestro Z.

2
Investigación Operativa I – Lucio Malásquez Ruiz

Recordemos algunos datos que nos brinda el problema:

El costo total por producir mesas y sillas será 12 X1+21 X2, entonces nuestra función objetivo
será:
Minimizar Z = 12 X1+21 X2

Restricciones:
 
Disponibilidad de planchas de madera.
2X1 + X2 ≤ 40
 
Disponibilidad de horas de trabajo.
X1 + 2X2 ≤ 40
 
Requerimientos de fabricación.
X1≤ 15 10≤ X2 ≤ 12
 
No negatividad.
X1, X2 ≥ 0

Entonces nuestro PPL es:

3
Investigación Operativa I – Lucio Malásquez Ruiz

¡Listo! Ahora plantearemos y compararemos las tres Funciones Objetivo de los tres casos.

PROBLEMA Nº 2 CORTE DE ROLLOS DE PAPEL

Se hacen pedidos a una papelera de 800 rollos de papel corrugado de


30 pulgadas de ancho, 500 rollos de 45 pulgadas y 1000 de 50
pulgadas. La papelera tiene solo rollos de 108 pulgadas de ancho.
¿Cómo deben cortarse los rollos parar surtir el pedido con el mínimo
desperdicio de papel, sabiendo que el máximo desperdicio aceptable
de papel por rollo es de 22 pulgadas?
SOLUCIÓN:
El problema dice que la papelera tiene solo rollos de 108 pulgadas, y que debe sobrar al
cortar un máximo de 22 pulgadas (desperdicio aceptable) al cortar 30’, 45’ y 50’, entonces
las posibles formas de corte serán:

4
Investigación Operativa I – Lucio Malásquez Ruiz

¡Ya podemos plantear el problema!


Tenemos 5 modelos de cortes que la papelera deberá realizar, pero no sabemos cuántos
de cada modelo, por eso definiremos nuestro planteamiento de esta manera:

Variables de decisión:

Xk : Cantidad de rollos de 108 pulgadas de ancho, cuyo corte se aplicará el


modelo k =1, 2, 3, 4, 5

Plasmemos los datos en una tabla para plantear nuestra Función Objetivo y restricciones:

Función Objetivo:
Debemos minimizar el desperdicio de papel en pulgadas, por lo que la F.O. será:

Min Z = 18X1 + 3X2 + 18X3 + 13X4 + 8X5


Restricciones:
  
Primer pedido (pedido de rollos de 30’)
X1 + 2 X2 = 800
  
Segundo pedido (pedido de rollos de 45’)
X2 + 2X3 + X4 = 500
  
Tercer pedido (pedido de rollos de 50’)
X4 + 2X5 = 1000
 
No negatividad
X1, X2, X3, X4, X5 ≥ 0

Entonces nuestro PPL es:

5
Investigación Operativa I – Lucio Malásquez Ruiz

PROBLEMA Nº 3 PROBLEMA DE EMPAQUETAMIENTO


Un distribuidor de pollos desea vender paquetes de menudencia: cuello,
pata y molleja. Cada paquete debe estar compuesto por las tres
menudencias y a lo más debe pesar 1 kilo, se desea vender un lote de
400 paquetes. Al distribuidor le cuesta la porción de cuello S/. 80,
molleja S/.75 y pata S/. 50. Además:
a. El peso combinado de molleja y pata debe ser por lo menos la mitad del paquete.
b. El peso de cuello y pata no debe exceder los 500 gramos.
c. Cualquier tipo de menudencia debe ser al menos 20% del paquete.
d. Una porción equivale a 10 gramos.

¿Cuál debe ser la composición del paquete?


SOLUCIÓN:
Planteamos el problema en un cuadro para definir nuestro planteamiento.

Variables de Decisión:
Me piden hallar la composición del paquete, por ello:
X1: Cantidad de Gramos de cuello en un paquete.
X2: Cantidad de Gramos de pata en un paquete.
X3: Cantidad de Gramos de molleja en un paquete.

Función Objetivo:
Deseamos minimizar los costos del empaquetamiento:

MinZ= + , +

Restricciones:
 
Peso máximo del paquete:
X1 + X2 + X3 ≤ 1000
 
Peso combinado de molleja y pata:
X + X ≥ X +X +X
1 2 3

232

 
Peso combinado de cuello y pata
1+2+ 3
X1 + X2 ≤ 500
 
% Peso de cada menudencia.
X1 ≥ 0.2 (X1 + X2 + X3) X2 ≥ 0.2 (X1 + X2 + X3) X3 ≥ 0.2 (X1 + X2 + X3)
 
No negatividad
X1, X2, X3 ≥ 0

6
Investigación Operativa I – Lucio Malásquez Ruiz

Entonces nuestro PPL es:

PROBLEMA Nº 4 CRIANZA DE GANADO


Un Granjero puede criar ovejas, cerdos y ganado vacuno. Tiene espacio
para 30 ovejas, ó 50 cerdos, ó 20 cabezas de ganado vacuno, o
cualquier combinación. Considerando la siguiente relación; 3 ovejas
ocupan el mismo espacio de 5 cerdos y 3 ovejas ocupan el mismo
espacio de 2 vacas.
El Granjero debe criar, por ley al menos una cantidad de cerdo como ovejas y vacas juntas.
Los beneficios por cada animal son; $50, $40 y $100 para ovejas, cerdos y vacas
respectivamente.
SOLUCIÓN:
Ya que nuestro objetivo será maximizar las utilidades, plantearemos nuestro problema para
esta pregunta: ¿Cuántas ovejas, cerdos y vacas debe criar el granjero para aumentar sus
beneficios?

Variables de Decisión:
X1: Cantidad de ovejas
X2: Cantidad de cerdos
X3: Cantidad de vacas

Función Objetivo:

Deseamos maximizar las utilidades:


Max Z = + +

Nuestras Restricciones.
Primero, el problema nos dice que tiene espacio para 30 ovejas, ó 50 cerdos ó 20 vacas, es
decir hay un espacio límite de área. ¿Y de qué tamaño es el espacio límite? ¿Podemos
medirlo? Si.

7
Investigación Operativa I – Lucio Malásquez Ruiz

Apliquemos Mínimo Común Múltiplo para conocer una equivalencia con el espacio
de la granja:
MCM (30, 50, 20) = 300 ue
Entonces:

30 ovejas <> 50 cerdos <> 20 vacas <> 300 ue (espacio)

Esta equivalencia nos describe que 30 ovejas, ó 50 cerdos ó 20 vacas


ocupan 300 unidades de área de la granja. ¿Y cuánto ocupa una oveja?
¿Cuánto un cerdo? ¿Cuánto una vaca? Respondamos a estas preguntas con las
equivalencias que ya tenemos.

 
 Si 30 ovejas ocupan 300 ue entonces:




 
 Si 50 cerdos ocupan 300 ue entonces:




 
Si 20 vacas ocupan 300 ue entonces:

Ahora planteamos el problema en una tabla con los datos hallados y los que nos
brinda el problema.

Restricciones:
 
Combinación de los tres tipos de ganado.
10 X1 + 6 X2 + 15 X3 ≤ 300
 
Cantidad mínima de cerdos.
X2 ≥ X1 + X3
 
Limitaciones por capacidad.
X1 ≤ 30
X2 ≤ 50
X3 ≤ 20
 
No negatividad
X1, X2, X3 ≥ 0

8
Investigación Operativa I – Lucio Malásquez Ruiz

Entonces nuestro PPL es:

PROBLEMA Nº 5 PLANIFICACIÓN DE SIEMBRA


Trescooperativasagrariascultivan
remolacha, algodón y sorgo. El rendimiento
agrícola de cada cooperativa está limitado
por la cantidad de tierra irrigable, como por
la cantidad de agua designada. Datos de los
recursos de las cooperativas.

Estos cultivos difieren en su ganancia por


acre y el consumo de agua. Se ha
establecido una cuota máxima para el
número total de acres que pueden
dedicarse a cada uno de estos cultivos en
las cooperativas.

Las tres cooperativas han convenido en sembrar la misma proporción de su tierra irrigable.
La tarea que tiene la Oficina Técnica, es planear cuántos acres se ha de dedicar cada
cultivo para cada cooperativa. El objetivo es maximizar la ganancia total de las

cooperativas en su conjunto.

SOLUCIÓN:

Como el problema indica, tendremos una variable que me indicará cuantos acres de cierta
cooperativa está destina a cierto cultivo.

9
Investigación Operativa I – Lucio Malásquez Ruiz

Variables de Decisión:
Xij: # Acres de la cooperativa i=1, 2, 3 destinados al cultivo j= R, A, S

Función Objetivo:
Deseamos maximizar la ganancia total por la venta de los 3 cultivos:
Max Z = 400 (X1R + X2R + X3R) +
300 (X1A + X2A + X3A) +
100 (X1S + X2S + X3S)
Restricciones:
 
Disponibilidad de la tierra irrigable
COOP1: X1R + X1A + X1S ≤ 400
COOP2: X2R + X2A + X2S ≤ 600
COOP3: X3R + X3A + X3S ≤ 300
 
Asignación de acres por cultivo:
Remolacha: X1R + X2R + X3R ≤ 600
Algodón: X1A + X2A + X3A ≤ 500
Sorgo: X1S + X2S + X3S ≤ 325

 
 Pacto social: Sembrar en la misma proporción de su tierra disponible.


 
 Asignación de agua:





 
No negatividad

Para esta última restricción hemos usado:

Por ejemplo, el cultivo destinado a la cooperativa 1 deberá cumplir con el consumo de agua
del cultivo y la asignación de agua. Para ello: Primero vemos la cantidad de pies que usará
la remolacha: 600*3 = 1800 pies, luego debemos saber qué parte pertenece a dicha
cooperativa, por eso dividimos entre 400: 1800/400= 9/2 acre/pie. En el caso del
algodón será 5/2 y en el caso de sorgo 0.
Entonces, al sumar estas cantidades deberá ser no más de 600 acre/pie (asignación de
agua) para la cooperativa 1.

10
Investigación Operativa I – Lucio Malásquez Ruiz

PROBLEMA Nº 6 DISTRIBUCIÓN DE JORNADAS DE TRABAJO


En un establecimiento comercial se desea encontrar el menor número de
empleados para una jornada de 12 horas de trabajo y donde los
empleados deben trabajar jornadas de 6 horas consecutivas, cumpliendo
los siguientes requerimientos:

SOLUCIÓN:
Analicemos, por ejemplo, si en el primer turno se tiene a 4 empleados, entonces:

Variables de Decisión:
Xk: Cantidad de empleados requeridos al inicio de turno k= 1, 2, 3, 4

Función Objetivo:
Deseamos maximizar las utilidades:
Min Z = X1 + X2 + X3 + X4

Restricciones:

 Limitaciones del número de empleados por turno: Turno
1: X1 ≥ 4
Turno 2: X1 + X2 ≥ 8
Turno 3: X2 + X3 ≥ 10
Turno 4: X3 + X4 ≥ 6
 
No negatividad
X1, X2, X3, X4 ≥ 0

11
Investigación Operativa I – Lucio Malásquez Ruiz

PROBLEMA Nº 7 PROBLEMA DE LA SIEMBRA EN LA GRANJA


Jane es dueña de una granja de 45 acres. En ellos va a sembrar trigo y
Maíz. Cada acre sembrado con trigo rinde 200 dólares de utilidad; cada
acre sembrado con maíz proporciona 300 dólares de utilidad. La mano de
obra y el fertilizante que se utiliza para cada acre, aparece en la tabla
siguiente.

Se dispone de 100 trabajadores y de 120 toneladas de fertilizantes. Mediante


Programación lineal determine cómo Jane puede maximizar las utilidades

SOLUCIÓN:
Variables de Decisión:
X1: Número de acres sembrados con trigo
X2: Número de acres sembrados con maíz

Función Objetivo:
Max Z = 200 X1 + 300 X2

Restricciones:
 
De la mano de obra:
3X1 + 2X2 ≤ 100
 
Del fertilizante:
2X1 + 4X2 ≤ 120
 
No negatividad
X1, X2 ≥ 0

PROBLEMA Nº 8 PROBLEMA DE LA FÁBRICA DE PRODUCTOS


Una pequeña empresa fabrica dos productos A y B. El producto A requiere
4 horas en la sección 2. Utilidad unitaria 400 soles. El producto B requiere 4
horas en la sección 1 y 6 horas en la sección 2. Utilidad unitaria 360 soles.

El producto B tiene una demanda máxima de 10 unidades por semana. La sección 1 trabaja a
un tuno: 48 horas por semana. La sección 2 trabaja a dos turnos: 90 horas por semana. Costos
fijos de la empresa: 2000 soles semanales. Plantee el problema de programación lineal
determinando la utilidad total de la empresa por semana.

12
Investigación Operativa I – Lucio Malásquez Ruiz

SOLUCIÓN:
Variables de Decisión:
X1: Número de productos de tipo A
X2: Número de productos de tipo B

Función Objetivo:
Max Z = 400 X1 + 360 X2 - 2000

Restricciones:
 
De la sección 1:
4X1 ≤ 48
 
De la sección 2:
4X1 + 6X2 ≤ 90
 
No negatividad
X1, X2 ≥ 0

PROBLEMA Nº 9 PROBLEMA DE FÁBRICA DE LÁMPARAS


Una compañía fabrica y venden dos modelos de lámpara L1 y L2. Para su
fabricación se necesita un trabajo manual de 20 minutos para el modelo L1
y de 30 minutos para el L2; y un trabajo de máquina de 20 minutos para L1
y de 10 minutos para L2. Se dispone para el trabajo manual de 100 horas
al mes y para la máquina 80 horas al mes. Sabiendo que el beneficio por
unidad es de 15 y 10 euros para L1 y L2, respectivamente, planificar la
producción para obtener el máximo beneficio.
SOLUCIÓN:
Variables de Decisión:
X1: Número de lámparas L1
X2: Número de lámparas L2

Función Objetivo:
Max Z = 15 X1 + 10 X2

Restricciones:
 
Del trabajo manual:
1 1

3 1
+ 2 2
≤ 100

 
Del trabajo de máquina:

1 1

1 + 2 ≤ 80
3 6


No negatividad
X1, X2 ≥ 0

13
Investigación Operativa I – Lucio Malásquez Ruiz

PROBLEMA Nº 10 PROBLEMA DE ALMACÉN DE MATERIAL ESCOLAR

Con el comienzo del curso se va a lanzar unas ofertas de material escolar.


Unos almacenes quieren ofrecer 600 cuadernos, 500 carpetas y 400
bolígrafos para la oferta, empaquetándolo de dos formas distintas; en el
primer bloque pondrá 2 cuadernos, 1 carpeta y 2 bolígrafos; en el segundo,
pondrán 3 cuadernos, 1 carpeta y 1 bolígrafo. Los precios de cada paquete
serán 6.5 y 7 €, respectivamente. ¿Cuántos paquetes le convienen poner de
cada tipo para obtener el máximo beneficio?
SOLUCIÓN:
Variables de Decisión:
X1: Número del primer Bloque
X2: Número del segundo Bloque

Función Objetivo:
Max Z = 6.5 X1 + 7X2

Restricciones:
 
De cuadernos:
2X1 + 3X2 ≤ 600
 
De carpetas:
X1 + X2 ≤ 500
 
De bolígrafos:
2X1 + X2 ≤ 400

 
No negatividad
X1, X2 ≥ 0

14
Investigación Operativa I – Lucio Malásquez Ruiz

III. MÉTODOS DE
SOLUCIÓN GRÁFICA

TEMAS


Introducción .......................................................................................... 16 Pág.

Conjuntos Convexos .............................................................................. 17 Pág.

Método Gráfico ..................................................................................... 18 Pág.

Tipos de Problemas Lineales .................................................................. 21 Pág.

Ejemplos ............................................................................................... 22 Pág.

Ejercicios ............................................................................................... 27 Pág.

15
Investigación Operativa I – Lucio Malásquez Ruiz

I INTRODUCCIÓN

Un problema general de programación lineal, puede ser resuelto por:


  
Método Gráfico
  
Método Analítico (pe: Simplex, Algebraico)
 
Computacionales (pe: LINDO)

El método gráfico no es recomendable para dimensiones mayores a 2, es decir R2. Los


métodos analíticos utilizan los conceptos del algebra lineal entre ellos el Simplex, Simplex
dual. También se cuenta con una amplia variedad de software computacional para hallar la
solución del PL.
El método gráfico utiliza la geometría plana, es fácilmente comprensible y brinda una
idea clara de lo que sucede al resolver un problema lineal. Nos permite visualizar algunas
propiedades de la programación lineal.
El método gráfico tiene una metodología:
  
Gráfica de la Región Factible
  
Diseño del a Función Objetivo


Desplazamiento de la Función Objetivo en dirección del incremento (o decremento) del valor
de la Función Objetivo.

Para conocer el cómo aplicar el método gráfico, primero debemos conocer algunos
conceptos básicos que se explicarán a continuación.

16
Investigación Operativa I – Lucio Malásquez Ruiz

II CONJUNTOS CONVEXOS

Un subconjunto S de puntos es un conjunto convexo si todos los puntos del segmento de recta
que une a cualquier par de puntos del conjunto también pertenecen al conjunto S.

Para comprender mejor la definición del conjunto convexo debe tenerse en cuenta que dado
dos puntos x1 y x2, los puntos + ( − ) con ≤ ≤ corresponden justamente con los
puntos del segmento que une x1 y x2.
Ejemplos de conjuntos convexos:

Los que no son conjuntos convexos sería:

Definición Formal.-
EL conjunto S ⊂ Rn es convexo si:
∀ x1, x2 ∈ S
∀ λ ∈ ℝ, 0 ≤ λ ≤ 1

Los puntos = λx1 + (1 − λ)x2


Pertenecen a S.

Vértices o Puntos extremos de un conjunto convexo.-


Un punto x de un conjunto convexo S es un vértice o punto extremo si no es posible encontrar
dos puntos x1, x2 en S tales que:
= λx1 + (1 − λ)x2
0≤λ≤1
Para cualquier conjunto convexo S ⊂ Rn. Un punto X de S es un punto extremo si para cada segmento rectilíneo que se encuentra
completamente en S y que pasa por el punto X, X es un extremo del segmento rectilíneo.

En un programa lineal con conjunto factible S, se verifica que X ∈ S es un punto extremo de S si y solo si es una solución básica factible del
programa lineal expresado en forma estándar.

17
Investigación Operativa I – Lucio Malásquez Ruiz

III MÉTODO GRÁFICO

Para aplicar el Método Gráfico debemos seguir algunos pasos que describiremos a
continuación, partiendo de un ejemplo:

Paso 1.- Definimos a cada restricción como la recta L1, L2, L3.

Paso 2.- Tabularemos, para ello la ecuación “≥” ó “≤” serán ahora “=”

Paso 3.- Graficamos, donde las variables de decisión serán los ejes del plano. (A fines
educativos los graficamos por separado.)

18
Investigación Operativa I – Lucio Malásquez Ruiz

Ahora, intersectaremos estas área en un gráfico y veamos cual es el área que originan
las inecuaciones.

Paso 4.- Vemos en el gráfico que no tenemos los puntos de P y Q, así que debemos
hallarlos.

Sabemos que:

Paso 5.- Evaluamos cada punto de la Región Factible en la función Objetivo:


=4 1+ 6 2

19
Investigación Operativa I – Lucio Malásquez Ruiz

Paso 6.- Solución.

Observemos la gráfica para conocer algunas definiciones (en color los puntos que
cumplen cada definición):

POSIBLES SOLUCIONES
Un problema de Programación Lineal no siempre presenta una única solución óptima,
existen otras posibles soluciones según la región factible:

20
Investigación Operativa I – Lucio Malásquez Ruiz

IV TIPO DE PROBLEMAS LINEALES

1. PROBLEMAS QUE ADMITEN UNA ÚNICA SOLUCIÓN.

• Se presenta cuando la región es limitada y la solución cae en un vértice de la región.

2. PROBLEMAS QUE ADMITEN MÚLTIPLES SOLUCIONES (ÓPTIMAS


ALTERNATIVAS).
• Se presenta cuando la solución cae en un extremo (lado o rayo) de la región, esto es, todos
los puntos (infinitos) que se encuentran en el extremo óptimo hacen máximo (o mínimo) el valor
de la función. Se presenta cuando la línea de la F.O. es paralela a una de las restricciones.

3. PROBLEMAS QUE NO TIENEN SOLUCIÓN (PROBLEMAS INVIABLES).

• Se presenta cuando la región que describe el problema es vacío.


• Esta clase de problemas se presenta cuando existe incongruencia en los datos
y/o especificaciones; o cuando el problema no está bien formulado.

4. PROBLEMAS CON SOLUCIÓN ILIMITADA.

• Se presenta cuando la región es ilimitada y la solución no cae en ningún extremo de la región.


Esto es posible encontrar puntos en la región factible con valores de la función objetivo muy
grandes (∞ en caso de problema de máx.) o muy pequeños (-∞ en caso de problemas de min).
Se presenta en caso de que la formulación del problema no es correcta.

21
Investigación Operativa I – Lucio Malásquez Ruiz

V EJEMPLOS

EJEMPLO Nº 1 DADO EL MODELO LINEAL:

SOLUCIÓN:

EJEMPLO Nº 2 DADO EL MODELO LINEAL:

22
Investigación Operativa I – Lucio Malásquez Ruiz

SOLUCIÓN:

EJEMPLO Nº 3 DADO EL MODELO LINEAL:

SOLUCIÓN:

23
Investigación Operativa I – Lucio Malásquez Ruiz

EJEMPLO Nº 4 DADO EL MODELO LINEAL:

SOLUCIÓN:

EJEMPLO Nº 5 DADO EL MODELO LINEAL:

SOLUCIÓN:

24
Investigación Operativa I – Lucio Malásquez Ruiz

EJEMPLO Nº 6 DADO EL MODELO LINEAL:

SOLUCIÓN:

EJEMPLO Nº 7 DADO EL MODELO LINEAL:

SOLUCIÓN:

25
Investigación Operativa I – Lucio Malásquez Ruiz

EJEMPLO Nº 8 DADO EL MODELO LINEAL: PRODUCCIÓN DE SOMBREROS


Una Compañía produce dos tipos de sombrero vaquero, cada sombrero
del tipo 1 requiere el doble de tiempo en mano de obra que el tipo II. Si
todos los sombreros son solo del tipo II, la Compañía puede producir un
total de 500 sombreros al día.
El mercado limita las ventas diarias del tipo I y II a 150 y 250 sombreros respectivamente.
Los beneficios por sombrero son $8 para el tipo I y $5 para el tipo II. Determinar el número
de sombreros que deben producirse de cada tipo.
SOLUCIÓN:
Variable de decisión.-
Xj : Cantidad de sombreros a producir del tipo = I y II.

Función Objetivo.-
Beneficio total de la producción de sombreros, maximizar las ganancias.
Max Z = 8X1 + 5X2
Restricciones.-
 
Proporcionalidad en la producción de sombreros:

 
Ventas del sombrero tipo I
X1 ≤ 150
 
Ventas del sombrero tipo II
X2 ≤ 250
 
No Negatividad
X1, X2 ≥ 0.

La compañía tiene que producir 125 sombreros tipo I y 250 sombreros tipo II para lograr
el beneficio máximo de 2250.

26
Investigación Operativa I – Lucio Malásquez Ruiz

V EJERCICIOS RESUELTOS

EJERCICIO Nº 1 DADO:

a) MAX Z = 2X1+3X2
b) MIN Z = 2X1+3X2
Sujeto a: (RESTRICCIONES)
 
 X1+2X2 ≤ 6 ……. L1
 
2X1+X2 ≤ 8 ……. L2

 
X1,X2 ≥ 0

SOLUCIÓN:
 
Para graficar consideramos a X1 como X y a X2 como Y y graficamos la igualdad


Graficamos L1 y L2

27
Investigación Operativa I – Lucio Malásquez Ruiz

 
 Calculamos el punto C igualando a L1 y L2







 Por lo tanto C= (10/4, 4/3)
 
 Entonces los puntos son los siguientes:







  Z: o
Reemplazamos los puntos en la función
Para el Punto A: 2(0)+3(0)=0
 o Para el Punto B: 2(0)+3(3)=9
 o Para el Punto C: 2(10/3)+3(4/3)=10.6667
 o Para el Punto D: 2(4)+3(0)=8
 
Entonces:
MAX Z = 2X1+3X2=10.6667
MIN Z = 2X1+3X2=0

EJERCICIO Nº 2 DADO:

a) MAX Z = 2X1+3X2
b) MIN Z = 2X1-3X2
Sujeto a: (RESTRICCIONES)
 
 X1+X2 ≤ 4 ……. L1
 
X1 - X2 ≤ 6 ……. L2

 
X1,X2 ≥ 0

SOLUCIÓN:
 
Para graficar consideramos a X1 como X y a X2 como Y y graficamos la igualdad

28
Investigación Operativa I – Lucio Malásquez Ruiz

 
Graficamos L1 y L2

 
 Entonces los puntos son los siguientes:






  Z: o
Reemplazamos los puntos en la función
Para el Punto A: 2(0)-3(0)=0
 o Para el Punto B: 2(0)-3(4)=-12
 o Para el Punto C: 2(4)-3(0)=8
 
Entonces:
MAX Z = 2X1-3X2=8
MIN Z = 2X1-3X2=-12

EJERCICIO Nº 3 DADO:

a) MAX Z = 500X1+1000X2
b) MIN Z = 500X1-1000X2
Sujeto a: (RESTRICCIONES)

X1 ≤ 200 ……. L1
 
 2.5X1 +5.5X2 ≤ 1200 ……. L2
 
X1 +X2 ≤ 500 ……. L3

 
X1,X2 ≥ 0

29
Investigación Operativa I – Lucio Malásquez Ruiz

SOLUCIÓN:
 
Para graficar consideramos a X1 como X y a X2 como Y y graficamos la igualdad

 
Graficamos L1 y L2

 
Calculamos el punto III con L1 y L2:

Por tanto el punto III: (200,127.27)


 
 Entonces los puntos son los siguientes:







 Reemplazamos los puntos en la función Z:
o
Para el Punto A: 500(0) + 1000(0)=0
 o Para el Punto B: 500(0) + 1000(218.18)=218180
 o Para el Punto C: 500(200) + 1000(127.27)=227270
 o Para el Punto D: 500(200) + 1000(0)=100000
 
Entonces:
MAX Z = 2X1-3X2=227270
MIN Z = 2X1-3X2=0

30
Investigación Operativa I – Lucio Malásquez Ruiz

EJERCICIO Nº 4 DADO:

c) MAX Z = 400X1+800X2
Sujeto a: (RESTRICCIONES)

3X1 +5X2 ≤ 5000 ……. L1
 X1 +4X2 ≤ 3000 ……. L2

X1,X2 ≥ 0
SOLUCIÓN:
 
Igualamos las restricciones
3X1 +5X2 = 5000
X1 +4X2 = 3000
 
Hallamos la región factible

 
Hallamos el valor del punto C
3X1 + 5X2 =5000
(3) X1 + (3)4X2 = (3)3000 (-)
---------------------------------------
X1 = 714.2857
X2 = 571.42857
 
Obteniendo la solución óptima:
Para el punto: (0, 0) = 400(0)+800(0)=0
Para el punto: (1666.7, 0) = 400(1666.7)+800(0)=0
Para el punto: (714.2857, 571.42857) = 400(714.2857)+800(571.42857)=742857.14
Para el punto: (0, 750) = 400(0)+800(750)=600000
  Entonces:
 
MAX Z = 400X1+800X2=742857.14

31
Investigación Operativa I – Lucio Malásquez Ruiz

VI EJERCICIOS PROPUESTOS

32
Investigación Operativa I – Lucio Malásquez Ruiz

IV. MÉTODO
SIMPLEX

TEMAS


Introducción .......................................................................................... 34 Pág.

Definiciones Previas .............................................................................. 35 Pág.

Método Simplex .................................................................................... 36 Pág.

Casos en la resolución de un PL .............................................................. 42 Pág.

Ejemplos ............................................................................................... 43 Pág.

Ejercicios ............................................................................................... 49 Pág.

33
Investigación Operativa I – Lucio Malásquez Ruiz

I INTRODUCCIÓN

Es un procedimiento algebraico creado por George Dantzig en 1947 para hallar la


solución óptima a un problema de Programación Lineal.

Desde que las soluciones que optimizan la F.O. se encuentran en la frontera de la


región Factible y en particular en los vértices de esta. El simplex localiza un vértice
de la región y salta para el siguiente vértice adyacente de forma que mejore el valor
de la F.O.

Con este método, en vez de probar con cada punto extremo de la región de
factibilidad, se inicia con cualquier punto extremo de la región de factibilidad y
mediante transformaciones elementales se llega a puntos extremos más eficientes.

34
Investigación Operativa I – Lucio Malásquez Ruiz

II DEFINICIONES PREVIAS

ESTANDARIZACIÓN. - Es el proceso por el cual se eliminan las inecuaciones del sistema


añadiendo variables de holgura o de excedencia obteniendo así un sistema de ecuaciones.

VARIABLES DE HOLGURA

 En las restricciones (≤) el lado derecho representa el límite
sobre la disponibilidad de un
recurso y el lado izquierdo el uso de ese recurso limitado.
  
Una holgura representa la cantidad del recurso que no se utiliza.

Las variables positivas Sj introducidas para convertir
las desigualdades ≤ en
igualdades (=), y se llaman variables de holgura.

VARIABLES DE EXCESO O SUPERÁVIT


  
Las restricciones (≥) determinan requerimientos mínimos de especificaciones.
  
Un superávit representa el exceso del lado izquierdo sobre el requerimiento mínimo.

Las variables positivas Sj introducidas
 para convertir las desigualdades ≥ en igualdades
(=), se llaman variables de exceso.

35
Investigación Operativa I – Lucio Malásquez Ruiz

III MÉTODO SIMPLEX

El simplex inicia con una solución factible y cuando las restricciones son ≤, una solución
factible ocurre en el origen de coordenadas.

PROCEDIMIENTO.-
1. Se estandarizan la función objetivo y el sistema de inecuaciones que determina al
problema.
2. Se expresa el problema en forma de tabla.
3. Se escoge la solución básica inicial y empieza la iteración.
4. Generar una nueva solución factible usando las condiciones de optimalidad y
factibilidad hasta que dicha solución óptima sea obtenida, siempre que exista y
sea finito.

FORMA DE TABLA.-

36
Investigación Operativa I – Lucio Malásquez Ruiz

Ahora veamos un ejemplo para entender el método simplex y algunas propiedades


importantes.

EJEMPLO Nº 1 Un carpintero fabrica sillas y mesas, su producción está limitada por lo


siguiente:
Él dispone por semana 36 listones.
  
Para cada silla requiere 4 listones de madera.
 
Para cada mesa requiere 4 listones de madera.

Él dispone por semana 48 horas de mano de obra.


  
Para cada silla dispone 3 horas de mano de obra.
 
Para cada mesa dispone 6 horas de mano de obra.

Determine el plan de producción óptima, si:


  
La utilidad por silla es s/200
 
La utilidad por mesa es s/300

SOLUCIÓN:
Variables de decisión:
: Cantidad de sillas a producir
: Cantidad de mesas a producir

Función Objetivo:
Maximizar ganancias (beneficios) á =200 1+300 2

Restricciones:
  
Según limitación de madera: 4 1+4 2≤36
  
Según mano de obra: 1+6 2≤48
 
Restricción de No negatividad: 1,2≥0

SIMPLEX

1. Estandarizando: Convertir las desigualdades en igualdades.

Se introduce una variable de holgura por cada una de las restricciones, para convertirlas
en igualdades, resultando el sistema de ecuaciones lineales:

37
Investigación Operativa I – Lucio Malásquez Ruiz

2. Escribir el problema en forma de Tabla.

3. Se escoge la Solución Básica Inicial (Sbi) y se empieza la iteración.

4. Encontrar la variable No Básica que entra a la base y la Variable básica que sale de la
base.

5. En la base aparecen S1 y S2, pero la VE es X2 y la VS es S2, entonces en la base


aparecerá X2 en lugar de S2. Esto ocasiona que el contenido de la tabla cambie y
que cumpla con lo siguiente: El pivote ahora debe ser uno y los otros valores de la
misma columna deben ser ceros, ¿Cómo?
Veamos la tabla de la 1era iteración:

38
Investigación Operativa I – Lucio Malásquez Ruiz

Ya completa la tabla, verificamos que la fila de Z aun no es positiva o cero, entonces


seguimos iterando, definimos el elemento pivote = 2, mi Var. Entrada =X1, Var. Salida
= S1 y elaboramos la siguiente tabla que corresponde a la 2da iteración:

La solución óptima es: 2500. En la misma columna se puede observar el vértice donde se
alcanza, observando las filas correspondientes a las variables de decisión que han entrado
a la base: (X1, X2) = (2,7).

El carpintero debe producir 2 sillas y 7 mesas por semana para tener un beneficio
máximo de s/ 2500

GRÁFICO

39
Investigación Operativa I – Lucio Malásquez Ruiz

Simplex en un PPL de Maximizar: ¿Por qué hacemos cada proceso?


Y recordemos como lo hicimos.
POR LA CONDICIÓN DE OPTIMALIDAD:
Para escoger la variable No básica que entra en la base, nos fijamos en los coeficientes de las variables No
básicas en la función objetivo y escogemos la variable con el coeficiente más negativo.
Lo que va a determinar el final del proceso de aplicación del método del simplex es que los coeficientes de las
variables No básicas en la función objetivo sean ceros o positivos.

POR LA CONDICIÓN DE FACTIBILIDAD:


Para encontrar la variable básica que tiene que salir de la base, se divide cada término de la última columna (valores
solución) por el término correspondiente de la columna pivote, siempre que estos últimos sean mayores que cero.
Si hubiese algún elemento menor o igual que cero no se hace dicho cociente. En el caso de que todos los elementos
fuesen menores o iguales a cero, entonces tendríamos una solución no acotada y no se puede seguir. El término de la
columna pivote que en la división dé lugar al menor cociente positivo, indica la fila de la variable básica que sale
de la base. Si al calcular los cocientes, dos o más son iguales, indica que cualquiera de las variables correspondientes
puede salir de la base, es arbitrario.

Veamos ahora un PPL de Minimización:

EJEMPLO Nº 1 Tenemos el PPL:

Aplicamos Simplex:

40
Investigación Operativa I – Lucio Malásquez Ruiz

GRÁFICO

En términos generales, en un PPL de Maximizar o Minimizar sucede:

CONDICIÓN DE OPTIMALIDAD

PROBLEMA DE MAXIMIZACIÓN:

 
La variable entrante es seleccionada como la variable NO básica que tiene el coeficiente más
negativo en la ecuación de la función objetivo.
 
El Proceso termina cuando todos los coeficientes de las variables NO básicas son cero
o positivos.
PROBLEMA DE MINIMIZACIÓN:

 La variable NO básica que entra a la base es la que tiene el coeficiente más positivo en la
ecuación de la función objetivo.
 
El proceso termina cuando todos los coeficientes son negativos o cero.

CONDICIÓN DE FACTIBILIDAD
  
Se verifica en las restricciones.
  
El objetivo es encontrar la variable básica que saldrá de la base.

La variable que sale de la base es la variable básica correspondiente al más pequeño
cociente positivo obtenido de dividir los valores de la solución y los coeficientes
 positivos
de la restricción de la variable entrante, tanto en PPL de Max. y Min.

41
Investigación Operativa I – Lucio Malásquez Ruiz

CASOS EN LA RESOLUCIÓN DE
IV UN PL

42
Investigación Operativa I – Lucio Malásquez Ruiz

V EJEMPLOS

EJEMPLO Nº 1 Tenemos el PPL:

Aplicamos Simplex:

43
Investigación Operativa I – Lucio Malásquez Ruiz

EJEMPLO Nº 2 Tenemos el PPL:

Aplicamos Simplex:

GRÁFICO

44
Investigación Operativa I – Lucio Malásquez Ruiz

EJEMPLO Nº 3 Tenemos el PPL:

Aplicamos Simplex:

Una solución alternativa la hallaríamos eligiendo la Variable de Entrada = X1, veamos


la 2da iteración:

45
Investigación Operativa I – Lucio Malásquez Ruiz

GRÁFICO

EJEMPLO Nº 4 Tenemos el PPL:

Aplicamos Simplex:

46
Investigación Operativa I – Lucio Malásquez Ruiz

EJEMPLO Nº 5 Tenemos el PPL:

Aplicamos Simplex:

EJEMPLO Nº 6 Tenemos el PPL:

47
Investigación Operativa I – Lucio Malásquez Ruiz

Aplicamos Simplex:

EJEMPLO Nº 7 Tenemos el PPL:

Aplicamos Simplex:

48
Investigación Operativa I – Lucio Malásquez Ruiz

VI EJERCICIOS

49
Investigación Operativa I – Lucio Malásquez Ruiz

V. MÉTODO DE
VARIABLES
ARTIFICIALES

TEMAS

Idea Conceptual .................................................................................... 51 Pág.

¿Variable Artificial? ............................................................................... 54 Pág.

Método de la M..................................................................................... 55 Pág.

Ejercicios ............................................................................................... 59 Pág.

Método de Dos Fases ............................................................................ 60 Pág.

Ejercicios ............................................................................................... 66 Pág.

50
Investigación Operativa I – Lucio Malásquez Ruiz

I IDEA CONCEPTUAL

Sabemos que el simplex inicia cuando se tiene una solución factible y las restricciones son ≤.
Además, una solución factible ocurre en el origen de coordenadas.

¿Qué sucede cuando el origen no es solución factible?

Cuando las restricciones son “≥”, “=” y/o bi<0, el origen no es una solución factible. El
problema ahora radica en encontrar una solución básica inicial. Determinamos dos métodos:
El Método de la M y el Método de Dos Fases.

51
Investigación Operativa I – Lucio Malásquez Ruiz

II ¿VARIABLE ARTIFICIAL?

Una variable artificial es aquella que define una dirección auxiliar que se utiliza para
llegar hacia la región de factibilidad de un P.P.L.

Se utiliza una variable artificial cuando las restricciones son “≥” o “=”.

El procedimiento para iniciar PPL con restricciones “≥” y “=” es utilizar variables artificiales
que desempeñan el papel de holguras en la primera iteración, y que luego se desechan en
una iteración posterior.

52
Investigación Operativa I – Lucio Malásquez Ruiz

III MÉTODO DE LA M

Consiste en modificar nuestra función objetivo restando de ella las variables artificiales
afectadas del coeficiente M, el cual se supone positivo y tan grande como se quiera.

En esta forma no hay duda que Z alcanzará su valor máximo cuando todas las variables
artificiales sean cero.

Sí al final de una iteración todos los coeficientes de la F.O. Son no negativos y el valor de
Z depende de M el problema es incompatible.
En términos generales, en un PPL de Maximizar o Minimizar sucede:

CONDICIÓN DE OPTIMALIDAD
Dado M, un valor positivo suficientemente grande (matemáticamente M→∞), el coeficiente objetivo de una variable artificial representa una penalización apropiada si:

Coeficiente Objetivo de la Var. Artificial = − en PPL Maximización


en PPL Minimización

Procedimiento.-
1. Expresar el problema en forma estándar.
2. Sumar variables no negativas (Ri) a la mano izquierda de las ecuaciones correspondientes
a restricciones de tipos (>=) ó (=), estas variables Ri se llaman variables artificiales.
3. Los costos asociados (coeficientes de Ri) de estas variables serán –M para problemas de
Maximización y +M para problemas de Minimización. (En F.O.)
4. Se usa las variables artificiales para la solución básica inicial y se procede a aplicar el
simplex hasta obtener la solución óptima.
Tenemos Tenemos el PPL Maximización:
EJEMPLO Nº 1

53
Investigación Operativa I – Lucio Malásquez Ruiz

¿Qué variables
Plasmamos el problema en una tabla:
colocamos aquí?
Las variables que
conforman una
SIMPLEX matriz identidad.

Tenemos Tenemos el PPL Minimización:


EJEMPLO Nº 2

Plasmamos el problema en una tabla:

54
Investigación Operativa I – Lucio Malásquez Ruiz

GRÁFICO

Tenemos Tenemos el PPL:


EJEMPLO Nº 3

Plasmamos el problema en una tabla:

SIMPLEX

55
Investigación Operativa I – Lucio Malásquez Ruiz

Tenemos Tenemos el PPL:


EJEMPLO Nº 4

Plasmamos el problema en una tabla:

SIMPLEX

56
Investigación Operativa I – Lucio Malásquez Ruiz

En resumen, el método de la M consiste en:

IV EJERCICIOS

57
Investigación Operativa I – Lucio Malásquez Ruiz

V MÉTODO DE DOS FASES

La desventaja del método M es el posible error de cómputo que podría resultar de asignar
un valor muy grande a la constante M. Esta situación podría presentar errores de redondeo
en las operaciones de la computadora digital.
Para evitar esta dificultad el problema se puede resolver aplicando el método de las 2
fases, que como menciona su nombre, se resuelve en dos fases:

58
Investigación Operativa I – Lucio Malásquez Ruiz

Tenemos Tenemos el PPL Maximización:


EJEMPLO Nº 1

Formulo el problema para aplicar la 1era Fase.

1º FASE

Plasmamos el Problema en una tabla:

SIMPLEX

59
Investigación Operativa I – Lucio Malásquez Ruiz

2º FASE Formulo el problema para aplicar la 2da Fase.

Usando el resultado de la 1era Fase, sin considerar la columna de la Variable artificiales y


considerando la F.O. del problema original.

SIMPLEX

Tenemos Tenemos el PPL Minimización:


EJEMPLO Nº 2

60
Investigación Operativa I – Lucio Malásquez Ruiz

1º FASE Formulo el problema para aplicar la 1era Fase.

Plasmamos el Problema en una tabla:

SIMPLEX

2º FASE Formulo el problema para aplicar la 2da Fase.

61
Investigación Operativa I – Lucio Malásquez Ruiz

Usando el resultado de la 1era Fase, sin considerar la columna de la Variable artificiales y


considerando la F.O. del problema original.

SIMPLEX

GRÁFICO

Tenemos Tenemos el PPL:


EJEMPLO Nº 3

62
Investigación Operativa I – Lucio Malásquez Ruiz

1º FASE Formulo el problema para aplicar la 1era Fase.

Plasmamos el problema para aplicar la 1era Fase.

SIMPLEX

2º FASE Formulo el problema para aplicar la 2da Fase.

Usando el resultado de la 1era Fase, sin considerar la columna de la Variable artificiales y


considerando la F.O. del problema original.

SIMPLEX

63
Investigación Operativa I – Lucio Malásquez Ruiz

Tenemos Tenemos el PPL:


EJEMPLO Nº 4

1º FASE Formulo el problema para aplicar la 1era Fase.

Plasmamos el problema en una tabla:

SIMPLEX

2º FASE Formulo el problema para aplicar la 2da Fase.

64
Investigación Operativa I – Lucio Malásquez Ruiz

Usando el resultado de la 1era Fase, sin considerar la columna de la Variable artificiales y


considerando la F.O. del problema original.

SIMPLEX

65
Investigación Operativa I – Lucio Malásquez Ruiz

VI EJERCICIOS

66
Investigación Operativa I – Lucio Malásquez Ruiz

VI. DUALIDAD DE
UN PPL

TEMAS


Introducción .......................................................................................... 68 Pág.

Relación entre Primal y Dual .................................................................. 69 Pág.

Formulación del Dual ............................................................................. 70 Pág.

Teorema de la Dualidad ......................................................................... 71 Pág.

Ejemplo................................................................................................. 75 Pág.

Ejercicios ............................................................................................... 80 Pág.

67
Investigación Operativa I – Lucio Malásquez Ruiz

INTRODUCCIÓN
I
Hemos visto como la programación lineal puede ser usada para resolver una extensa
variedad de problemas propios de los negocios, ya sea para maximizar utilidades o
minimizar costos. Las variables de decisión en tales problemas fueron, por ejemplo, el
número de productos a producir, la cantidad de pesos a emplear, etc. En cada caso la
solución óptima no explicó cómo podrían ser asignados los recursos (ejemplo: materia prima,
capacidad de las máquinas, el dinero, etc.) para obtener un objetivo establecido.

La teoría de dualidad es una propiedad matemática. Este concepto se aplica a la teoría de


optimización. Todo problema de programación lineal se le asocia otro problema de
programación lineal, llamado el problema de programación dual. En particular, todo
problema lineal (primal) tiene su correspondiente dual.

La solución óptima del problema de programación dual, proporciona la siguiente


información respecto del problema de programación original:
1. La solución óptima del problema dual proporciona los precios en el mercado o los
beneficios de los recursos escasos asignados en el problema original.
2. La solución óptima del problema dual aporta la solución óptima del problema
original y viceversa.

Normalmente llamamos al problema de programación lineal original el problema de


programación primal.
El problema dual es un problema de PL auxiliar que se define directa y sistemáticamente a
partir del modelo de PL original o primal.

68
Investigación Operativa I – Lucio Malásquez Ruiz

RELACIÓN ENTRE PRIMAL Y


II DUAL



 La relación principal entre un PPL Primal y su PPL
Dual es que tanto el problema primal
como el dual buscan el valor óptimo del sistema.
 
En relación a las variaciones en las desigualdades:

Si el PPL Primal es de Minimizar, nos ubicamos en la columna de PPL MIN, donde la tabla
indica, por ejemplo:
o Si el PPL Primal es de Minimizar, su Dual será de Maximizar.
o Si el PPL Primal presenta una variable con desigualdad ≥, entonces en el PPL Dual,
la restricción será de ≤.
o Si el PPL Primal presenta una restricción con desigualdad ≥, entonces en el PPL
Dual, la variable será de ≥.

Y si fuera el PPL Primal de Maximizar, nos ubicamos en la columna de PPL Max y ubicamos
la desigualdad según corresponda.

69
Investigación Operativa I – Lucio Malásquez Ruiz

III FORMULACIÓN DUAL

Veamos un ejemplo:

Veamos paso a paso:


1. Los coeficientes se ordenarán de esta manera:

2. Las desigualdades se asignarán según la tabla.

70
Investigación Operativa I – Lucio Malásquez Ruiz

IV TEOREMA DE LA DUALIDAD

Dado un par de problema (primal y su dual) uno y solamente uno de las tres afirmaciones es
verdadero.
  
Los dos problemas son vacíos.
  
Uno es vacío y el otro ilimitado.

Ambos admiten soluciones óptimas finitas (sus funciones

objetivo en el punto óptimo asumen igual valor)

Tenemos Tenemos el PPL Minimzación:


EJEMPLO Nº 1

71
Investigación Operativa I – Lucio Malásquez Ruiz

Tenemos Tenemos el PPL Maximización:


EJEMPLO Nº 2

¿Es posible hallar el valor de las Var. Duales hallando la solución del primal? Estandarizo mi
PPL Primal y aplico Simplex:

72
Investigación Operativa I – Lucio Malásquez Ruiz

GRÁFICO

¿CUÁL ES EL OBJETIVO DE PLANTEAR EL DUAL?


Nos permite resolver problemas lineales donde el número de restricciones es mayor que el
número de variables. La solución de unos de los problemas (primal o dual) nos proporciona
de forma automática la solución del otro PPL. Otra de las ventajas de la dualidad, es la
posibilidad de resolver gráficamente algunos problemas.

73
Investigación Operativa I – Lucio Malásquez Ruiz

Tenemos Tenemos el PPL Minimización:


EJEMPLO Nº 3

El PPL Primal presenta 5 variables, su Dual presenta 2 variables. Entonces es conveniente


resolver el PPL Dual:

GRÁFICO

74
Investigación Operativa I – Lucio Malásquez Ruiz

V EJEMPLOS

EJEMPLO Nº 1 Un fabricante de muebles tiene 6 unidades de madera y 28 horas


disponibles, para fabricar biombos decorativos. EL modelo 1 requiere
2 unidades de madera y 7 horas del tiempo disponible; mientras que
el modelo 2 requiere 1 unidad de madera y 8 horas. Los precios de los
modelos 1 y 2 son $120 y $80, respectivamente. ¿Cuántos biombos de
cada modelo debe fabricar si desea maximizar su ingreso en la venta?
Determine el planteamiento del problema.

PRIMERO Resolvemos usando Simplex:

75
Investigación Operativa I – Lucio Malásquez Ruiz

SEGUNDO Resolvemos EL Dual por Método de la M:

TERCERO
Dado el PPL Primal de la pregunta 1 y su tabla óptima. Hallar la solución Óptima
del Dual sin resolverlo.

Conocemos al PPL Dual:

En la Pregunta 1 hallamos la tabla óptima del PPL Primal.

CUARTO Dado el PPL Dual de la pregunta 2 y su tabla óptima. Hallar la solución Óptima del
Primal sin resolverlo.

Conocemos al PPL Dual y su Primal:

76
Investigación Operativa I – Lucio Malásquez Ruiz

En la Pregunta 2 hallamos la tabla óptima del PPL Dual.

Observemos la Pregunta 3.
QUINTO
¿Cómo saber si 400/9 es el valor ?, ¿Por qué no ?
Sólo debes organizar correctamente la manera en la que formulas tu PPL Dual.
Primero, estandarizamos el PPL Primal.

Segundo, formulemos su PPL (Forma Práctica)

Ahora formulemos el Dual:

77
Investigación Operativa I – Lucio Malásquez Ruiz

Veamos que al formular el PPL Dual asignamos Y1 a la primera restricción del Primal. Dicha
restricción, al estandarizar, tiene la variable S1. Entonces en la tabla ubicaremos S1 y
sabremos que su valor en los Zj – Cj será el valor de Y1.

Tenemos
EJEMPLO Nº 2

78
Investigación Operativa I – Lucio Malásquez Ruiz

TABLA RESUMEN DE LAS REGLAS DE PASO DEL PRIMAL AL DUAL

• Maximizar • Minimizar
• Función Objetivo • Término Independiente
• Fila i-ésima de Coef. • Columna i-ésima de
Primal • Columna j-ésima de
• Relac ión i-ésima de ≤
Dual Coef.
• Va riable i -ésima no

Coef. • Fila j-ésima de Coef.

• Relación i-ésima de = negativa


• Variable j-ésima no • Variable i-ésima no
restringida restringida
• Variable j-ésima no • Restricción de =
negativa • Restricción de ≥

79
Investigación Operativa I – Lucio Malásquez Ruiz

VI EJERCICIOS

80
Investigación Operativa I – Lucio Malásquez Ruiz

VII. MÉTODOS
DUAL SIMPLEX

TEMAS


Introducción .......................................................................................... 82 Pág.

Método Dual Simplex ............................................................................ 83 Pág.

Ejercicios ............................................................................................... 87 Pág.

81
Investigación Operativa I – Lucio Malásquez Ruiz

INTRODUCCIÓN
I
Recordemos, en el Método Simplex se cumple:

El algoritmo simplex-dual el problema empieza optimo y no factible. Las iteraciones


sucesivas están diseñadas para avanzar hacia la factibilidad sin violar la Optimalidad.
Cuando se restaura la factibilidad, el algoritmo termina.

Este método fue elaborado por CarltonE. Lemke en 1954, se utiliza para hallar la solución
de un PPL, que es óptimo pero no factible. En la actualidad todo el software comercial
utiliza éste método.

82
Investigación Operativa I – Lucio Malásquez Ruiz

II MÉTODO DUAL SIMPLEX

Se aplica para resolver problemas que tienen factibilidad dual, es decir son óptimos, pero
no factibles. Se aplica de manera general en modelos de minimización.

La limitación de este método es que no siempre es posible obtener una solución óptima. Se
aplica cuando las restricciones son “≥“y los costos son negativos.
Veamos el procedimiento con un ejemplo:

EJEMPLO Nº 1 Tenemos el PPL Minimización:

Si se intenta expresar este problema como una tabla simplex inicial, se observará que las
variables de holgura (S1, S2) no ofrecen una solución inicial factible. Como este es un
problema de minimización y todos los coeficientes de la ecuación objetivo son ≤ 0, la
solución básica inicial S1 = 4 y S2 = -3 es óptima pero no factible. Este problema es del tipo
común que se puede manejar a través del método simplex dual.

83
Investigación Operativa I – Lucio Malásquez Ruiz

Aplico el Método Simplex Dual:

El procedimiento que seguimos fue el siguiente:


①Las desigualdades de las restricciones del PPL las convertiremos a ≤ multiplicando por -1.
②Estandarizamos el PPL.
③Representamos en una tabla el PPL Estandarizado con los Zj-Cj≥0.

④FACTIBILIDAD. La variable que sale es la variable básica que tiene el valor más negativo en la columna de soluciones.

VS=Min {b, b<0}


Si todas las variables básicas son no negativas el proceso termina y se alcanza la solución factible.
⑤OPTIMALIDAD. La variable que entra se elige de entre las variables no básicas como sigue: Tome los coeficientes del lado izquierdo de la
ecuación z entre los coeficientes correspondientes a la ecuación asociada a la variable que sale. Ignore los cocientes
asociados a denominadores positivos o cero. La variable que entra es aquella con el cociente más
pequeño si el problema es de minimización. El valor absoluto más pequeño de las razones si el problema es
de maximización (rompa los empates arbitrariamente). VE=Max {Zj−Cj , y<0} ó VE=Min {| Zj−Cj |, y<0}

⑥Hacemos las transformaciones para que la columna del pivote se convierta a su forma canónica (vector unitario).
⑦Paramos cuando XB≥0, sino regresamos al paso 4. En el ejemplo anterior, observemos como el Método Simplex Dual busca la factibilidad:

84
Investigación Operativa I – Lucio Malásquez Ruiz

EJEMPLO Nº 2 Tenemos el PPL Maximización:

SOLUCIÓN. El valor máximo de la función objetivo es Z*=2500


Porque Z* = 200(2) + 300(7) = 2500

EJEMPLO Nº 3 Tenemos el PPL Maximización:

85
Investigación Operativa I – Lucio Malásquez Ruiz

Si se intenta expresar este problema como una tabla simplex inicial, se observará que las
variables de holgura (S1, S2) no ofrecen una solución inicial factible. Como este es un
problema de maximización y todos los coeficientes de la ecuación objetivo son ≥ 0, la
solución básica inicial S1 = - 5 y S2 = -7 es óptima pero no factible. Este problema se
puede manejar a través del método simplex dual.

Aplico Simplex Dual:

CONCLUSIÓN. Esto ocurre, por ejemplo, cuando se agrega una nueva restricción al problema después
que se ha obtenido la solución óptima. Si esta restricción no se verifica por la solución óptima, el problema
permanece óptimo, pero llega a ser no factible. Por lo tanto, el método simplex dual se utiliza entonces
para quitar la no factibilidad en el problema.

COMPARATIVO ENTRE EL MÉTODO SIMPLEX Y EL MÉTODO DUAL-SIMPLEX.

86
Investigación Operativa I – Lucio Malásquez Ruiz

III EJERCICIOS

87
Investigación Operativa I – Lucio Malásquez Ruiz

VIII.
PROGRAMACIÓN
LINEAL CON LINDO

TEMAS

Introducción .......................................................................................... 89 Pág.

¿Cómo usar LINDO? ............................................................................... 90 Pág.

Interpretación de los resultados en LINDO ............................................. 91 Pág.

Análisis de Sensibilidad en LINDO .......................................................... 92 Pág.

Costo Reducido ..................................................................................... 95 Pág.

Precio Dual ............................................................................................ 97 Pág.

Ejercicios ............................................................................................... 99 Pág.
88
Investigación Operativa I – Lucio Malásquez Ruiz

INTRODUCCIÓN
I

La velocidad y la facilidad de uso han hecho de LINDO el estándar de la industria para


resolver problemas de optimización Lineal, Entera, y Cuadrática.

LINDO es el software de Optimización más popular para la Instrucción e Investigación. Para


modelos grandes o pequeños, lineales o enteros, LINDO.

89
Investigación Operativa I – Lucio Malásquez Ruiz

II ¿CÓMO USAR LINDO?

Veamos el cómo a través de un ejemplo.

90
Investigación Operativa I – Lucio Malásquez Ruiz

INTERPRETACIÓN DE LOS
III RESULTADOS EN LINDO
Veamos otro ejemplo para tocar todos los casos al analizar el resultado:

91
Investigación Operativa I – Lucio Malásquez Ruiz

ANÁLISIS DE SENSIBILIDAD EN
IV LINDO

¿Qué pasa si…?

CAMBIOS EN COEFICIENTES DE LA F.O.

¿Cómo se afectan la función objetivo y la solución óptima, cuando cambian los coeficientes
de las variables de decisión Cj en la función objetivo?

Si cambiamos el valor del coeficiente asociado a una Variable Básica (VB) dentro del rango
permitido entonces la solución óptima no cambia (Xi no cambia).

Los cambios en los coeficientes de costos Cj requieren un análisis según sean:

Donde ΔCi = Ci’ - Ci debe pertenecer al intervalo o rango permitido.

EJEMPLO Nº 1 Tenemos el PPL Maximización desarrollado en LINDO. ¿Si varía el valor


de un Ci de una Variable Básica, como actúa la solución Óptima y el
valor de la F.O.?

92
Investigación Operativa I – Lucio Malásquez Ruiz

EJEMPLO Nº 2 ¿Y si varía el valor de un Ci de una Variable NO Básica, como actúa la


solución Óptima y el valor de la F.O.?

CAMBIOS EN TÉRMINO INDEPENDIENTE DE UNA RESTRICCIÓN

¿Cómo se afectan la función objetivo y la solución óptima, cuando cambia el valor del lado
derecho de una restricción (bi)? Los cambios en los términos independientes bi requieren un
análisis según perteneciera a:

Donde bi = bi’ - bi debe pertenecer al intervalo o rango permitido.


De lo contrario no debe tomarse en cuenta el valor del dual Yi.

93
Investigación Operativa I – Lucio Malásquez Ruiz

EJEMPLO Nº 3 ¿Si varía el valor de Bi de una restricción Activa, como actúa la solución
óptimo y el valor de la F.O.?

Verifiquemos en LINDO.

EJEMPLO Nº 4 ¿Y si varía el valor de Bi de una restricción NO Activa, como actúa la


solución óptimo y el valor de la F.O.?

Verifiquemos en LINDO.

94
Investigación Operativa I – Lucio Malásquez Ruiz

V COSTO REDUCIDO

Al inicio de este capítulo se brindó una breve interpretación de Costo Reducido:

El Costo Reducido (CR) brinda información acerca de cómo cambia la solución óptima del
PL cuando se modifica el coeficiente de la FO en el caso de una Variable No Básica (VNB).
Para cualquier Variable No Básica Xi, el CR es lo que debe mejorar el coeficiente de la FO
antes que el PL tenga una solución óptima en la que Xi sea una Variable Básica (VB)

El CR para Xi es la cantidad que le sobra o le falta a Xi para estar en la base óptima.

95
Investigación Operativa I – Lucio Malásquez Ruiz

EJEMPLO Nº 1 ¿Y si el valor de un Ci de una Variable NO Básica se aumenta en más


que su CR, cómo actúa la solución Óptima y el valor de la F.O.?

EJEMPLO Nº 2 ¿Y si el valor de un Ci de una Variable NO Básica se aumenta en su CR,


cómo actúa la solución Óptima y el valor de la F.O.?

96
Investigación Operativa I – Lucio Malásquez Ruiz

VI PRECIO DUAL

Al inicio de este capítulo se brindó una breve interpretación de Precio Dual:

El precio Dual (PD), conocido también como Precio Sombra (PS), de la i- ésima restricción de
un PL es la cantidad en que mejora el valor Z óptimo del PL si el Lado derecho (LD) aumenta
una unidad. Si después de un cambio en el Lado Derecho de una restricción la base actual
ya no es óptima, entonces podrán modificarse los PD de todas las restricciones.

EJEMPLO Nº 1 Vamos a variar el lado derecho de una restricción y veremos cómo afecta
la solución óptima y el valor de la FO.

97
Investigación Operativa I – Lucio Malásquez Ruiz

Esto se cumple, siempre que la B1 pertenezca al intervalo permitido (-100 ≤ B1 ≤ 50) para
mantener la base óptima. De lo contrario, el nuevo valor de Z no podría ser hallado mediante
Z’ = Z* + Bi (Yi).

Recuerda que este ejemplo es un PL de Maximización, en un PL de Minimización el nuevo valor


de Z será hallado mediante Z’ = Z* - Bi (Yi), es decir, el Z* variará también, de acuerdo a su
precio Dual (Yi) de modificar algún valor de Bi.

Recuerda: Esto sucede siempre y cuando Bi pertenezca al intervalo permisible.

98
Investigación Operativa I – Lucio Malásquez Ruiz

VII EJERCICIOS
EJERCICIO Nº 1

99
Investigación Operativa I – Lucio Malásquez Ruiz

100
Investigación Operativa I – Lucio Malásquez Ruiz

EJERCICIO Nº 2

101
Investigación Operativa I – Lucio Malásquez Ruiz

102
Investigación Operativa I – Lucio Malásquez Ruiz

103
Investigación Operativa I – Lucio Malásquez Ruiz

IX. PROPIEDADES
DE LA TABLA
SIMPLEX

TEMAS


Introducción ........................................................................................ 105 Pág.

Propiedades de una Tabla Simple ........................................................ 106 Pág.

Ejemplos ............................................................................................. 110 Pág.

Ejercicios ............................................................................................. 117 Pág.
104
Investigación Operativa I – Lucio Malásquez Ruiz

INTRODUCCIÓN
I
En este capítulo conoceremos la relación que posee la tabla óptima entre sus valores. Y las
posibles formas de encontrar el PL original a partir de la tabla óptima, o completar la tabla
únicamente como datos el PL Original y una matriz.

105
Investigación Operativa I – Lucio Malásquez Ruiz

II PROPIEDADESSIMPLE DE UNA TABLA

Para un PPL de la forma:

A partir de la 1era iteración (No la Sbi) hasta la última tabla (óptima), cada tabla presenta
la siguiente propiedad:

Veamos claramente la tabla:

EJEMPLO Nº 1 Tenemos el PPL Canónico

106
Investigación Operativa I – Lucio Malásquez Ruiz

¿Es posible completar la tabla óptima?

a) Completaremos la tabla por propiedades.

Reemplazando los datos en los T4, T3, T2, T1 y T6.

Completamos la tabla y verificamos que sea óptima:

107
Investigación Operativa I – Lucio Malásquez Ruiz

b) Resolvemos la tabla hasta hallar la tabla óptima:

EJEMPLO Nº 2 ¿Y si fuese al revés? Tenemos tabla óptima completa y deseamos


conocer el PPL.

Veamos la tabla con sus propiedades y veamos cuales son los datos que nos brinda
el problema.

Sabemos que un factor en común entre T1, T2, T3, T4, T5 y T6 es B-1, que de desaparecer nos
daría los valores que deseamos hallar. ¿Cómo desaparecer el B-1? Sabemos que BxB-1=1
entonces hallaremos B para hallar los valores de A, b y C.

108
Investigación Operativa I – Lucio Malásquez Ruiz

109
Investigación Operativa I – Lucio Malásquez Ruiz

III EJEMPLOS

EJEMPLO Nº 1 Dada la siguiente tabla óptima, hallar el PPL.

Veamos la tabla con sus propiedades y veamos cuales son los datos que nos brinda
el problema.

Sabemos que un factor en común entre T1, T2, T3, T4, T5 y T6 es B-1, que de desaparecer nos
daría los valores que deseamos hallar. ¿Cómo desaparecer el B-1? Sabemos que BxB-1=1
entonces hallaremos B para hallar los valores de A, b y C.

110
Investigación Operativa I – Lucio Malásquez Ruiz

Hallando A, b y C:

Entonces con los valores hallados el PPL será:

EJEMPLO Nº 2 Dada el PPL de Maximización.

111
Investigación Operativa I – Lucio Malásquez Ruiz

Y se obtiene la siguiente tabla óptima

a) Completaremos la tabla por propiedades.

112
Investigación Operativa I – Lucio Malásquez Ruiz

Completamos la tabla y verificamos que sea óptima:

EJEMPLO Nº 3 Dada el PPL de Maximización.

113
Investigación Operativa I – Lucio Malásquez Ruiz

114
Investigación Operativa I – Lucio Malásquez Ruiz

EJEMPLO Nº 4 Dada el PPL de Maximización.

a) CASO1: Completar tabla óptima

115
Investigación Operativa I – Lucio Malásquez Ruiz

b) CASO 2: Hallar el PPL

116
Investigación Operativa I – Lucio Malásquez Ruiz

IV EJERCICIOS

117
Investigación Operativa I – Lucio Malásquez Ruiz

X. OPTIMIZACIÓN:
MÉTODO
TRANSPORTE

TEMAS

Definición ........................................................................................... 119 Pág.

Propiedades ........................................................................................ 122 Pág.

SBI: Método Esquina N-O ..................................................................... 123 Pág.

Solución Óptima: Método UV .............................................................. 124 Pág.

Caso Oferta ≠ Demanda ...................................................................... 138 Pág.

SBI: Método Costos Mínimos ............................................................... 143 Pág.

SBI: Método de Voguel ........................................................................ 144 Pág.

Ejercicios ............................................................................................. 148 Pág.

118
Investigación Operativa I – Lucio Malásquez Ruiz

DEFINICIÓN
I
El problema clásico de transporte se presenta cuando se debe determinar un programa
óptimo de envíos que:
a) Se originan en fuentes (centros de distribución) donde se tienen disponibilidades de
un bien.
b) Son enviados directamente a sus destinos finales (centros de demanda) donde se
requieren varias cantidades fijas.
c) Cumplen que la demanda total sea igual a la oferta total
d) El costo satisface una función objetivo lineal. O sea, el costo de cada embarque es
proporcional a la cantidad embarcada y el costo total es la suma de los costos
individuales

El modelo de transporte puede ser usado en otras áreas, por ejemplo el control de
inventarios u horario de empleos, etc.

Para contemplar todos los elementos involucrados en el problema, se acostumbra hacer una
tabla llamada TABLA DE TRANSPORTE, en la siguiente forma:

119
Investigación Operativa I – Lucio Malásquez Ruiz

Por tanto el modelo matemático del problema de transporte es:

Según el sistema de restricciones, para que el problema tenga solución factible se tiene que la suma de las ecuaciones ① debe ser igual a la suma de las ecuaciones ②:

120
Investigación Operativa I – Lucio Malásquez Ruiz

El problema de transporte también se puede resolver por el Simplex, por su forma tiene su
propio método solución.

121
Investigación Operativa I – Lucio Malásquez Ruiz

II PROPIEDADES

Teorema 1.- El problema de transporte tiene una solución posible.


Teorema 2.- Una base para el problema de transporte consiste de m+n-1 vectores
linealmente independientes (#origen + #destinos -1 restricciones).

122
Investigación Operativa I – Lucio Malásquez Ruiz

III SBI: MÉTODO DE ESQUINA N-O

1. Comenzando desde la esquina noroeste de las celdas disponibles (al inicio, la celda
correspondiente a X11). Realizar la mayor asignación posible dentro de los límites de la
oferta y demanda: X11 = min (a1, b1)
2. Ajuste las cantidades asociadas de Oferta y Demanda restando la cantidad asignada.
3. Marcar la columna o fila cuya oferta o demanda haya sido satisfecha, y volver al paso 1
hasta que todas las asignaciones hayan sido realizadas.
Puede haber dos casos:
i) a1 < b1 → b’1 = b1–a1 (nos movemos verticalmente)
X11 = a1 y pasamos a la celda (2,1) donde X21 = min (a2, b’1)

ii) a1 > b1 → a’1 = a1–b1 (nos movemos horizontalmente)


X11 = b1 y pasamos a la celda (1,2) donde X12 = min (a’1, b2)

Así se continúa hasta obtener la solución factible básica inicial.

Habiendo halla la Solución Básica Inicial (Sbi), ya podemos hallar la solución óptima
mediante el Método UV

123
Investigación Operativa I – Lucio Malásquez Ruiz

IV SOLUCIÓNUV ÓPTIMA: MÉTODO

También llamado Método de Distribución Modificada (MODI). El método consiste en asignar a cada
una de las restricciones su variable dual, correspondiendo una variable dual a cada columna y a
cada fila en la tabla de transporte, teniendo un conjunto de m+n variables duales, de las cuales
m+n-1 son independientes y una es redundante.

Los pasos a seguir son:


1.-Determinación de una solución inicial básica factible (Método N-O)
2.-Prueba de la solución respecto de la condición de optimalidad.
3.-Mejora de la solución cuando no es óptima.
4.-Repetir los pasos 2 y 3 hasta obtener solución óptima
Veamos un ejemplo el procedimiento con un ejemplo. Partiremos hallando la Sbi para luego aplicar
el Método UV.

EJEMPLO Nº 1
Una empresa distribuidora desea establecer un plano de distribución de una
misma clase de productos desde sus 3 almacenes para sus 4 clientes. Los datos
sobre costos de transporte por unidad de producto, las demandas y las ofertas
son dados en la siguiente tabla.

Formulando el problema de otro modo:

124
Investigación Operativa I – Lucio Malásquez Ruiz

PASO Nº 1 Aplicamos el Método Nor-Oeste. Obtendremos la Matriz Cij

PASO Nº 2 Considerando la Solución Inicial hallada por el método N-O Aplicamos el Método UV (o
MODI) para hallar la solución óptima.

INICIAMOS LA 1ERA ITERACIÓN.-


Planteamos la Matriz de Costos (Zij), vemos si es óptima, y de acuerdo a ello iteramos.
①Planteamos la Matriz de Costos Zij

Para construir el conjunto ui y vj.


Se construye un conjunto de número ui y vj tal que la suma será igual a los valores de la matriz Zij
(del paso 1).

125
Investigación Operativa I – Lucio Malásquez Ruiz

Ya hallados todos los valores de ui y vj se completa las celdas vacías con la suma de los ui y vj en la
matriz Zij que contiene los costos de la variable solución.

②Hallo F.O.: Z = Cij – Zij

③Nueva Base Posible


Ubico la Variable de Entrada y Salida:

Sumando y restando 400 (VS) donde corresponda tendremos:

126
Investigación Operativa I – Lucio Malásquez Ruiz

INICIAMOS LA 2DA ITERACIÓN.- REPITO LOS PASOS 1,2 Y3


Planteamos la Matriz de Costos (Zij), evaluamos su Optimalidad y de acuerdo a ello iteramos.
①Planteamos la Matriz de Costos Zij y construyo los ui y vj.

②Hallo F.O.: Z = Cij – Zij

③Nueva base posible.


Ubico la Variable de Entrada y Salida:

INICIAMOS LA 3CERA ITERACIÓN.- REPITO LOS PASOS 1,2 Y3


Planteamos la Matriz de Costos (Zij), evaluamos su Optimalidad y de acuerdo a ello iteramos.
①Planteamos la Matriz de Costos Zij y construyo los ui y vj.

127
Investigación Operativa I – Lucio Malásquez Ruiz
②Hallo F.O.: Z = Cij – Zij

③Nueva base posible.


Ubico la Variable de Entrada y Salida:

INICIAMOS LA 4TA ITERACIÓN.- REPITO LOS PASOS 1,2 Y3


Planteamos la Matriz de Costos (Zij), evaluamos su optimalidad y de acuerdo a ello iteramos.
①Planteamos la Matriz de Costos Zij y construyo los ui y vj.

②Hallo F.O.: Z = Cij – Zij

128
Investigación Operativa I – Lucio Malásquez Ruiz

Ya no desarrollo el paso 3 porque ya es óptima la base.


Entonces la Solución Óptima será la nueva base posible de la iteración 3.

Entonces la cantidad a distribuir desde un almacén a un cliente será:

Con el costo mínimo de:


CT = 500*10+200*11+200*9+600*10+300*11+100*10
CT = 19300

EJEMPLO Nº 2
Supongamos que una empresa productora de barras de pan tiene dos
almacenes A1 y A2 desde los cuales debe enviar pan a tres panaderías P1, P2
y P3. Las ofertas, las demandas y los costes de envío se dan en el siguiente grafo.

Formulando el problema de otro modo:

129
Investigación Operativa I – Lucio Malásquez Ruiz

PASO Nº 1 Aplicamos el Método Nor-Oeste. Obtendremos la Matriz Cij

Considerando la Solución Inicial hallada por el método N-O Aplicamos el Método UV (o


PASO Nº 2 MODI) para hallar la solución óptima.

INICIAMOS LA 1ERA ITERACIÓN.-


①Planteamos la Matriz de Costos Zij y construyo los ui y vj.

②Hallo F.O.: Z = Cij – Zij

③Nueva base posible.


Ubico la Variable de Entrada y Salida:

130
Investigación Operativa I – Lucio Malásquez Ruiz

INICIAMOS LA 2DA ITERACIÓN.-


①Planteamos la Matriz de Costos Zij y construyo los ui y vj.

②Hallo F.O.: Z = Cij – Zij

Ya no desarrollo el paso 3 porque ya es óptima la base.


Entonces la Solución Óptima será la nueva base posible de la iteración 1.

Entonces la cantidad a distribuir desde un almacén a un cliente será:

Con el costo mínimo de:


CT=1500*8 + 500*10 + 2000*4 + 500*9
CT=29 500

131
Investigación Operativa I – Lucio Malásquez Ruiz

EJEMPLO Nº 3 Una empresa energética colombiana dispone de cuatro plantas de


generación para satisfacer la demanda diaria eléctrica en cuatro
ciudades, Cali, Bogotá, Medellín y Barranquilla. Las plantas 1, 2, 3 y 4
pueden satisfacer 80, 30, 60 y 45 millones de KW al día
respectivamente. Las necesidades de las ciudades de Cali, Bogotá,
Medellín y Barranquilla son de 70, 40, 70 y 35 millones de Kw al día
respectivamente.

Los costos asociados al envío de suministro energético por cada millón de KW entre cada
planta y cada ciudad son los registrados en la siguiente tabla. Formule un modelo de
programación lineal que permita satisfacer las necesidades de todas las ciudades al tiempo
que minimice los costos asociados al transporte.

Ahora la cantidad asignada a la esquina noroeste es restada a la demanda de Cali y a la


oferta de la "Planta 1", en un procedimiento muy lógico. Dado que la demanda de Cali una vez
restada la cantidad asignada es cero (0), se procede a eliminar la columna. El proceso de
asignación nuevamente se repite.

132
Investigación Operativa I – Lucio Malásquez Ruiz

Continuamos con las iteraciones.

En este caso nos encontramos frente a la elección de la fila o columna a eliminar (tachar), sin
embargo podemos utilizar un criterio mediante el cual eliminemos la fila o columna que
presente los costos más elevados. En este caso la "Planta 2". Nueva iteración.

Una vez finalizada esta asignación, se elimina la "Planta 3" que ya ha sido satisfecha con la
asignación de 60 unidades, por ende nos queda una sola fila a la cual le asignamos las
unidades estrictamente requeridas y hemos finalizado el método.

133
Investigación Operativa I – Lucio Malásquez Ruiz

El cuadro de las asignaciones (que debemos desarrollarlo paralelamente) queda así:

Los costos asociados a la distribución son:

134
Investigación Operativa I – Lucio Malásquez Ruiz

EJEMPLO Nº 4
Una empresa dedicada a la importación y distribución de computas cuenta
con socios en Inglaterra y Alemania como países proveedores, y tres puntos de
distribución, identificados como Región 1, Región 2 y Región 3. Por su parte,
Inglaterra tiene disponibles 7200 computadoras, mientras que en Alemania la
existencia alcanza las 5300. Se sabe que la Región 1 requiere de 5500
computadoras, mientras que tanto Región 2 como Región 3 necesita 3500
computadoras cada una. Los costos de transporte unitarios asociados desde
cada origen a cada destino, se muestra en la siguiente tabla:

Se desea conocer de que país y en qué cantidad deben enviarse las computadoras a cada Región,
al menor costo posible.

Aplicar el método de la esquina noroeste al problema de transporte del ejemplo de las


computadoras ejemplo 1)

1º Obtener la tabla inicial del problema de transporte.

2º colocar en la celda de la esquina noreste de la tabla, celda (1,1), tantas unidades de producto
como sea posibles

Para realizar la asignación se compara el valor de la demanda y la oferta que corresponde a la


celda y se coloca en máximo valor posible entre la oferta y la demanda, es decir, el menor valor de
los dos comparados.

3º Ajustar la oferta y demanda según corresponda y cancela la fila o columna que ya está satisfecha.

135
Investigación Operativa I – Lucio Malásquez Ruiz

En este caso, se canceló la primera columna, y la nueva oferta ajusta de Inglaterra es de 1700, lo
cual indica en la celda correspondiente.

4º Trasladarse hacia la celda de la derecha (si se canceló la columna) o hacia la celda de abajo (se
canceló la fila) y asignar tantas unidades como sea posibles. Si es la última celda disponible, termina
en otro caso continuar en el paso tres.

Como se canceló la primera columna, se avanza hacia la derecha en la primera fila y se asigna
1700 unidades. Se ajusta la oferta y la demanda. Debido a que esta no es la ultima celda
disponible, continuamos.

Observamos que es necesario continuar con el algoritmo, entonces:

En la última tabla obtenida, ya no hay celdas disponibles, ya que cada celda o bien tiene cierta
cantidad de unidades asignada o fue cancelada. Las celdas con unidades asignadas se conocen
como celdas básicas y a las celdas canceladas se les llama celdas no básicas.

5º Interpretarla solución factible del modelo con el valor de las variables Xij.

Para interpretar la solución del modelo se recupera el valor de cada variable Xij, las cuales
corresponden a las celdas básicas C(i,j) Para este problema las celdas básicas con sus respectivas
variables de decisión, son:

136
Investigación Operativa I – Lucio Malásquez Ruiz

Entonces, el costo del modelo de transporte está dado por la suma de los productos del costo unitario
por el número de unidades asignadas en cada celda básica.

Por lo tanto, la primera solución factible significa que se deben enviar 5500 y 1700 computadoras
desde Inglaterra a la Región I y Región 2, respectivamente. Desde Alemania, 1800 y 3500
computadoras a la Región 2 y Región 3, respectivamente, con un costo total de transporte de
$129,200.00

6º Calculas los costos marginales de las celdas no básicas. Si los costos marginales son cantidades
Positivas, la solución es óptima y el proceso termina. Si los costos marginales son cantidades negativas, se
requiere formar otra tabla. Para este caso, las celdas no básicas son C(1,3) y C(2,1). En este momento
decidimos presentar hasta la primera solución factible, ya que si bien puede calcularse los costos
marginales en este punto, posteriormente se presentará el método Modi para este efecto.

137
Investigación Operativa I – Lucio Malásquez Ruiz

V CASO OFERTA ≠ DEMANDA

Hasta ahora hemos tratado casos en los que el problema está balanceado, es decir, la
Oferta es igual a la Demanda. ¿Pero si no lo fuese? Existen dos casos:

Veamos algunos casos de planteamiento:

138
Investigación Operativa I – Lucio Malásquez Ruiz

EJEMPLO Nº 1 Tenemos el siguiente planteamiento:

Verifiquemos si esta balanceado.

Ya podemos resolver el problema:

PASO Nº 1 Aplicamos el Método Nor-Oeste.


Obtendremos la Matriz Cij

139
Investigación Operativa I – Lucio Malásquez Ruiz

Considerando la Solución Inicial hallada por el método N-O Aplicamos el Método


UV
PASO Nº 2 (o MODI) para hallar la solución óptima.

Iniciamos la 1era iteración. -


①Planteamos la Matriz de Costos Zij y construyo los ui y vj.

②Hallo F.O.: Z = Cij – Zij

③Nueva base posible.


Ubico la Variable de Entrada y Salida:

Iniciamos la 2da iteración. -


①Planteamos la Matriz de Costos Zij y construyo los ui y vj.

140
Investigación Operativa I – Lucio Malásquez Ruiz
②Hallo F.O.: Z = Cij – Zij

③Nueva base posible.


Ubico la Variable de Entrada y Salida:

Iniciamos la 3cera iteración. -


①Planteamos la Matriz de Costos Z ij y construyo los ui y vj.

②Hallo F.O.: Z = Cij – Zij

141
Investigación Operativa I – Lucio Malásquez Ruiz

Ya no desarrollo el paso 3 porque ya es óptima la base.


Entonces la Solución Óptima será la nueva base posible de la iteración 2.

Entonces la cantidad a distribuir desde un almacén a un cliente será:

Dejando 10 productos en el almacén C sin enviar. Con el costo mínimo de:


CT = 30*8+30*8+20*8
CT = 640

142
Investigación Operativa I – Lucio Malásquez Ruiz

SBI: MÉTODO COSTOS


VI
MÍNIMOS
Procedimiento:
1. Elija la celda disponible con el menor costo de toda la tabla, y realice la
asignación máxima permitida por las restricciones de oferta y demanda.
2. Ajuste las cantidades asociadas de Oferta y Demanda restando la cantidad
asignada.
3. Marcar la columna o fila cuya oferta o demanda haya sido satisfecha, y volver al
paso 1 hasta que todas las asignaciones hayan sido realizadas.

EJEMPLO Nº 1 Halla la Solución Básica Inicial del siguiente problema:

Situando la solución en la tabla:

143
Investigación Operativa I – Lucio Malásquez Ruiz

El costo de esta solución es:


CT = 12x70 + 15x50 + 26x15 + 25x25 +14x60 + 15x55 CT = 4270
La solución encontrada por el método del Costo Mínimo está más cerca al óptimo que la
solución que puede ser encontrada por el Método Esquina Nor-Oeste.

VII SBI: MÉTODO DE VOGUEL


Existe otro método para lograr hallar una Sbi, es el método de Aproximación de Voguel,
cuyo procedimiento es el siguiente:
1. Para cada fila. Ubique las celdas con los dos menores costos de entre las
disponibles. Halle la diferencia entre estos costos (penalidad) y escriba el resultado
al lado del valor de Suministros para esa fila.
2. Para cada columna. Realice la misma operación, la penalidad irá al lado del
valor de Requisitos para la columna.
3. Elija la fila ó columna que tenga la mayor penalidad asociada.
4. De la fila ó columna elegida, elija la celda con el menor costo y realice la
asignación máxima permitida por las restricciones de oferta y demanda.
5. Ajuste las cantidades asociadas de Oferta y Demanda restando la cantidad
asignada.
6. Marcar la columna o fila cuya oferta o demanda haya sido satisfecha, y volver al
paso 1 hasta que todas las asignaciones hayan sido realizadas.

144
Investigación Operativa I – Lucio Malásquez Ruiz

EJEMPLO Nº 1 Halla la Solución Básica Inicial del siguiente problema:

Situando la solución en la tabla:


①Hallo la Penalidad: Ubico los dos menores costos por fila y columna, y resto.

②Entre todos los valores de las penalidades, comparo y elijo la MAYOR, de esta fila o columna elegida, elijo el MENOR costo.

Observamos que existen dos penalidades iguales de la fila 2 y columna2. Elegimos la


columna 2 y elegimos la celda que contiene el menor costo (14); luego introducimos la base.

145
Investigación Operativa I – Lucio Malásquez Ruiz

Se elimina la columna 2 (Ya no trabajamos con dicha columna).

146
Investigación Operativa I – Lucio Malásquez Ruiz

Entonces, tenemos lo siguiente:

El costo de esta solución básica inicial es:


CT= 12x70 + 15x50 +26x15+25x25+14x60+15x55 CT= 840 + 750 + 390 + 625 +
840 + 825
CT = 4270

147
Investigación Operativa I – Lucio Malásquez Ruiz

EJERCICIOS
VIII

148

You might also like