Professional Documents
Culture Documents
Ciencias Matemáticas
PROGRAMACIÓN LINEAL
INVESTIGACIÓN OPERATIVA
I
TEORÍA Y EJERCICIOS
ÍNDICE
2
Investigación Operativa I – Lucio Malásquez Ruiz
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
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.
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
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.
7
Investigación Operativa I – Lucio Malásquez Ruiz
CLASIFICACIÓN DE PROBLEMAS
III DE IO
Los problemas en Investigación de Operaciones se clasifican de acuerdo ha:
Transporte y Asignación
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
9
Investigación Operativa I – Lucio Malásquez Ruiz
METODOLOGÍA DE LA IO
IV
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.
10
Investigación Operativa I – Lucio Malásquez Ruiz
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
12
Investigación Operativa I – Lucio Malásquez Ruiz
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 ($ boletoida 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
13
Investigación Operativa I – Lucio Malásquez Ruiz
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.
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
16
Investigación Operativa I – Lucio Malásquez Ruiz
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:
17
Investigación Operativa I – Lucio Malásquez Ruiz
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
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
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:
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:
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.
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.
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:
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
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
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
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
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
3
Investigación Operativa I – Lucio Malásquez Ruiz
¡Listo! Ahora plantearemos y compararemos las tres Funciones Objetivo de los tres casos.
4
Investigación Operativa I – Lucio Malásquez Ruiz
Variables de decisión:
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:
5
Investigación Operativa I – Lucio Malásquez Ruiz
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
Variables de Decisión:
X1: Cantidad de ovejas
X2: Cantidad de cerdos
X3: Cantidad de vacas
Función Objetivo:
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:
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
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
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
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
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
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
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
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
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:
Definición Formal.-
EL conjunto S ⊂ Rn es convexo si:
∀ x1, x2 ∈ S
∀ λ ∈ ℝ, 0 ≤ λ ≤ 1
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
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:
19
Investigación Operativa I – Lucio Malásquez Ruiz
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
21
Investigación Operativa I – Lucio Malásquez Ruiz
V EJEMPLOS
SOLUCIÓN:
22
Investigación Operativa I – Lucio Malásquez Ruiz
SOLUCIÓN:
SOLUCIÓN:
23
Investigación Operativa I – Lucio Malásquez Ruiz
SOLUCIÓN:
SOLUCIÓN:
24
Investigación Operativa I – Lucio Malásquez Ruiz
SOLUCIÓN:
SOLUCIÓN:
25
Investigación Operativa I – Lucio Malásquez Ruiz
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:
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
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
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.
35
Investigación Operativa I – Lucio Malásquez Ruiz
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
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
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
4. Encontrar la variable No Básica que entra a la base y la Variable básica que sale de la
base.
38
Investigación Operativa I – Lucio Malásquez Ruiz
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
Aplicamos Simplex:
40
Investigación Operativa I – Lucio Malásquez Ruiz
GRÁFICO
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
Aplicamos Simplex:
43
Investigación Operativa I – Lucio Malásquez Ruiz
Aplicamos Simplex:
GRÁFICO
44
Investigación Operativa I – Lucio Malásquez Ruiz
Aplicamos Simplex:
45
Investigación Operativa I – Lucio Malásquez Ruiz
GRÁFICO
Aplicamos Simplex:
46
Investigación Operativa I – Lucio Malásquez Ruiz
Aplicamos Simplex:
47
Investigación Operativa I – Lucio Malásquez Ruiz
Aplicamos Simplex:
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.
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:
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.
54
Investigación Operativa I – Lucio Malásquez Ruiz
GRÁFICO
SIMPLEX
55
Investigación Operativa I – Lucio Malásquez Ruiz
SIMPLEX
56
Investigación Operativa I – Lucio Malásquez Ruiz
IV EJERCICIOS
57
Investigación Operativa I – Lucio Malásquez Ruiz
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
1º FASE
SIMPLEX
59
Investigación Operativa I – Lucio Malásquez Ruiz
SIMPLEX
60
Investigación Operativa I – Lucio Malásquez Ruiz
SIMPLEX
61
Investigación Operativa I – Lucio Malásquez Ruiz
SIMPLEX
GRÁFICO
62
Investigación Operativa I – Lucio Malásquez Ruiz
SIMPLEX
SIMPLEX
63
Investigación Operativa I – Lucio Malásquez Ruiz
SIMPLEX
64
Investigación Operativa I – Lucio Malásquez Ruiz
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.
68
Investigación Operativa I – Lucio Malásquez Ruiz
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
Veamos un ejemplo:
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)
71
Investigación Operativa I – Lucio Malásquez Ruiz
¿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
73
Investigación Operativa I – Lucio Malásquez Ruiz
GRÁFICO
74
Investigación Operativa I – Lucio Malásquez Ruiz
V EJEMPLOS
75
Investigación Operativa I – Lucio Malásquez Ruiz
TERCERO
Dado el PPL Primal de la pregunta 1 y su tabla óptima. Hallar la solución Óptima
del Dual sin resolverlo.
CUARTO Dado el PPL Dual de la pregunta 2 y su tabla óptima. Hallar la solución Óptima del
Primal sin resolverlo.
76
Investigación Operativa I – Lucio Malásquez Ruiz
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.
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
• 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
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:
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
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:
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
④FACTIBILIDAD. La variable que sale es la variable básica que tiene el valor más negativo en la columna de soluciones.
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
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.
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.
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
89
Investigación Operativa I – Lucio Malásquez Ruiz
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
¿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).
92
Investigación Operativa I – Lucio Malásquez Ruiz
¿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:
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.
Verifiquemos en LINDO.
94
Investigación Operativa I – Lucio Malásquez Ruiz
V 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)
95
Investigación Operativa I – Lucio Malásquez Ruiz
96
Investigación Operativa I – Lucio Malásquez Ruiz
VI 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).
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
A partir de la 1era iteración (No la Sbi) hasta la última tabla (óptima), cada tabla presenta
la siguiente propiedad:
106
Investigación Operativa I – Lucio Malásquez Ruiz
107
Investigación Operativa I – Lucio Malásquez Ruiz
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
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:
111
Investigación Operativa I – Lucio Malásquez Ruiz
112
Investigación Operativa I – Lucio Malásquez Ruiz
113
Investigación Operativa I – Lucio Malásquez Ruiz
114
Investigación Operativa I – Lucio Malásquez Ruiz
115
Investigación Operativa I – Lucio Malásquez Ruiz
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
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
122
Investigación Operativa I – Lucio Malásquez Ruiz
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)
Habiendo halla la Solución Básica Inicial (Sbi), ya podemos hallar la solución óptima
mediante el Método UV
123
Investigación Operativa I – Lucio Malásquez Ruiz
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.
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.
124
Investigación Operativa I – Lucio Malásquez Ruiz
PASO Nº 2 Considerando la Solución Inicial hallada por el método N-O Aplicamos el Método UV (o
MODI) para hallar la solución óptima.
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.
126
Investigación Operativa I – Lucio Malásquez Ruiz
127
Investigación Operativa I – Lucio Malásquez Ruiz
②Hallo F.O.: Z = Cij – Zij
128
Investigación Operativa I – Lucio Malásquez Ruiz
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.
129
Investigación Operativa I – Lucio Malásquez Ruiz
130
Investigación Operativa I – Lucio Malásquez Ruiz
131
Investigación Operativa I – Lucio Malásquez Ruiz
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.
132
Investigación Operativa I – Lucio Malásquez Ruiz
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
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.
2º colocar en la celda de la esquina noreste de la tabla, celda (1,1), tantas unidades de producto
como sea posibles
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.
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
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:
138
Investigación Operativa I – Lucio Malásquez Ruiz
139
Investigación Operativa I – Lucio Malásquez Ruiz
140
Investigación Operativa I – Lucio Malásquez Ruiz
②Hallo F.O.: Z = Cij – Zij
141
Investigación Operativa I – Lucio Malásquez Ruiz
142
Investigación Operativa I – Lucio Malásquez Ruiz
143
Investigación Operativa I – Lucio Malásquez Ruiz
144
Investigación Operativa I – Lucio Malásquez Ruiz
②Entre todos los valores de las penalidades, comparo y elijo la MAYOR, de esta fila o columna elegida, elijo el MENOR costo.
145
Investigación Operativa I – Lucio Malásquez Ruiz
146
Investigación Operativa I – Lucio Malásquez Ruiz
147
Investigación Operativa I – Lucio Malásquez Ruiz
EJERCICIOS
VIII
148