.1. Introduccin.

Muchas personas clasifican el desarrollo de la Programacin Lineal (PL) entre los avances cientficos ms importantes de mediados del siglo XX. En la actualidad es una herramienta comn que ha ahorrado miles o millones de d lares a muchas compa!as " negocios# inclu"endo industrias medianas en distintos pases del mundo. Cul es la naturaleza de esta notable herramienta y qu tipo de problemas puede manejar? E$presado %revemente# el tipo ms comn de aplicaci n a%arca el pro%lema general de asignar recursos limitados entre actividades competitivas de la me&or manera posi%le (es decir# en forma ptima). Este pro%lema de asignaci n puede surgir cuando de%a elegirse el nivel de ciertas actividades que compiten por recursos escasos para reali'arlas. La variedad de situaciones a las que se puede aplicar esta descripci n es sin duda mu" grande# " va desde la asignaci n de instalaciones productivas a los productos# hasta la asignaci n de los recursos nacionales a las necesidades de un pas( desde la planeaci n agrcola# hasta el dise!o de una terapia de radiaci n( etc. )o o%stante# el ingrediente comn de todas estas situaciones es la necesidad de asignar recursos a las actividades. *on frecuencia# seleccionar una alternativa inclu"e satisfacer varios criterios al mismo tiempo. Por e&emplo# cuando se compra una pie'a de pan se tiene el criterio de frescura# tama!o# tipo (%lanco# integral u otro)# costo " re%anado o sin re%anar. +e puede ir un paso ms adelante " dividir estos criterios en dos categoras, restricciones " el o%&etivo. Las restricciones son las condiciones que de%e satisfacer una soluci n que est %a&o consideraci n. +i ms de una alternativa satisfacen todas las restricciones# el o%&etivo se usa para seleccionar entre todas las alternativas facti%les. *uando se elige una pie'a de pan# pueden quererse -.. gr. de pan %lanco re%anado " hecho no antes de a"er. +i varias marcas satisfacen estas restricciones# puede aplicarse el o%&etivo de un costo mnimo " escoger las ms %arata. E$isten muchos pro%lemas administrativos que se a&ustan a este molde de tratar de minimi'ar o ma$imi'ar un o%&etivo que est su&eto a una lista de restricciones. un corredor de inversiones# por e&emplo# trata de ma$imi'ar el rendimiento so%re los fondos invertidos pero las posi%les inversiones estn restringidas por las le"es " las polticas %ancarias. /n

hospital de%e planear que las comidas para los pacientes satisfagan ciertas restricciones so%re sa%or# propiedades nutritivas# tipo " variedad# al mismo tiempo que se trata de minimi'ar el costo. /n fa%ricante# al planear la producci n futura# %usca un costo mnimo al mismo tiempo c mo cumplir restricciones so%re la demanda del producto# la capacidad de producci n# los inventarios# el nivel de empleados " la tecnologa. La PL se ha aplicado con 0$ito a estos " otros pro%lemas. La PL es una t0cnica determinista# no inclu"e pro%a%ilidades " utili'a un modelo matemtico para descri%ir el pro%lema. El ad&etivo lineal significa que todas las funciones matemticas del modelo de%en ser funciones lineales. En este caso# la pala%ra programaci n no se refiere a programaci n en computadoras( en esencia es un sin nimo de planeacin. 1s# la PL trata la planeacin de las actividades para obtener un resultado ptimo, esto es, el resultado que mejor alcance la meta especificada (se !n el modelo" entre todas las opciones de solucin. 1unque la asignaci n de recursos a las actividades es la aplicaci n ms frecuente# la PL tiene muchas otras posi%ilidades. 2e hecho# cualquier pro%lema cu"o modelo matemtico se a&uste al formato general del modelo de PL es un pro%lema de PL.

Supuestos de la programacin lineal. E$iste un nmero de suposiciones reali'adas en cada modelo. La utilidad de un modelo est directamente relacionada con la realidad de los supuestos. El primer supuesto tiene que ver con la forma lineal de las funciones. 3a que el o%&etivo es lineal# la contri%uci n al o%&etivo de cualquier decisi n es proporcional al valor de la varia%le de decisi n. Producir dos veces ms de producto producir dos veces ms de ganacia# contratando el do%le de pginas en las revistas do%lar el costo relacionado con las revistas. Es una Suposicin de Proporcin. 1dems# la contri%uci n de una varia%le a la funci n o%&etivo es independiente de los valores de las otras varia%les. La ganancia con una computadora )ote%oo4 es de

5-.#67....# independientemente de cuantas computadoras 2es4top se producen. Este es un Supuesto de Adicin. 1nlogamente# "a que cada restricci n es lineal# la contri%uci n de cada varia%le al lado i'quierdo de cada restricci n es proporcional al valor de la varia%le e independiente de los valores de cualquier ora varia%le. Estas suposiciones son %astante restrictivas. 8eremos# sin em%argo# que ser claros " precisos en la formulaci n del modelo puede a"udar a mane&ar situaciones que parecen en un comien'o como le&anos a estos supuestos. El siguiente supuesto es la Suposicin de ser Divisible. Es posi%le tomar una fracci n de cualquier varia%le. Por e&emplo# en un pro%lema de mar4eting# qu0 significa comprar 9.:6 avisos en la televisi n;. Es posi%le que la suposici n de ser divisi%le sea insatisfecha en este e&emplo. < puede ser que tales unidades de 9.:6 avisos correspondan a 9#:::.6 minutos de avisos# en cu"o caso redondeando la soluci n seran 9#::6 minutos con una mnima duda que est0 cercana a la soluci n ptima. +i la suposici n de divisi%le no es vlida# entonces se usar la t0cnica de Programaci n Lineal Entera. La ltima suposici n es el Supuesto de Certeza. La Programaci n Lineal no permite incertidum%re en los valores. +er difcil que un pro%lema cumpla con todas las suposiciones de manera e$acta. Pero esto no negar la facti%ilidad de uso del modelo. /n modelo puede ser an til aunque difiera de la realidad# si se es consistente con los requerimientos ms estrictos dentro del modelo " se tiene claras sus limitaciones al interpretar los resultados.

E$isten limitaciones prcticas para el uso de la PL. /na se relaciona con los clculos. En general se necesita una computadora. 2esafortunadamente# las calculadoras# aun las programa%les# son poco tiles# puesto que la PL tiene necesidad de gran cantidad de memoria o almacenamiento. +i no se tiene acceso a una computadora# se estar limitado a pro%lemas mu" sencillos. La otra limitaci n se refiere al costo de formular un pro%lema de

PL. En teora# podra usarse PL# por e&emplo# para hacer las compras semanales de a%arrotes. +in em%argo# sera necesario conocer todas las compras posi%les que pueden reali'arse (0stas seran las varia%les)# adems de cada restricci n como sa%or# nmero de comidas# vitaminas " protenas. Es o%vio que el costo de o%tener todos estos datos e$cede lo que se podra ahorrar si se hicieran las compras ptimas. 1ntes de emprender una aplicaci n de PL# de%e considerarse la disponi%ilidad " el costo de los datos necesarios.

2.2. Formulacin de modelos de Programacin Lineal.

1unque se ponga en duda# la parte ms difcil de PL es reconocer cundo 0sta puede aplicarse " formular el pro%lema matemticamente. /na ve' hecha esa parte# resolver el pro%lema casi siempre es fcil. Para formular un pro%lema en forma matemtica# de%en e$presarse afirmaciones l gicas en t0rminos matemticos. Esto se reali'a cuando se resuelven =pro%lemas ha%lados> al estudiar un curso de lge%ra. 1lgo mu" parecido sucede aqu al formular las restricciones. Por e&emplo# consid0rese la siguiente afirmaci n, A usa ? horas por unidad " B usa 9 horas por unidad. +i de%en usarse todas las -.. horas disponi%les# la restricci n ser,

?1 @ 9A B -..

+in em%argo# en la ma"ora de las situaciones de negocios# no es o%ligatorio que se usen todos los recursos (en este caso# horas de mano de o%ra). Ms %ien la limitaci n es que se use# cuando mucho# lo que se tiene disponi%le. Para este caso# la afirmaci n anterior puede escri%irse como una desigualdad,

?1 @ 9A -..

Para que sea acepta%le para PL# cada restricci n de%e ser una suma de varia%les con e$ponente -. Los cuadrados# las races cuadradas# etc. no son acepta%les# ni tampoco los productos de varia%les. 1dems# la forma estndar para una restricci n pone a todas las varia%les del lado i'quierdo " s lo una constante positiva o cero del lado derecho. Esto puede requerir algn reacomodo de los t0rminos. +i# por e&emplo# la restricci n es que A de%e ser por los menos el do%le de B# esto puede escri%irse como,

1 9A

1 9A .

) tese que pueden moverse t0rminos de un lado a otro de las desigualdades como si fuera un signo de igualdad. Pero al multiplicar una desigualdad por -# el sentido de esta desigualdad se invierte. Puede ser necesario hacer esto para que los coeficientes del lado derecho sean positivos. Por e&emplo# si se quiere que A sea por lo menos tan grande como A 9# entonces,

1 A 9 1 A 9 por ltimo A 1 9

/na nota final so%re desigualdades, es sencillo convertir una desigualdad en una ecuaci n. Codo lo que se tiene que hacer es agregar (o restar) una varia%le e$tra. Por e&emplo,

A 1 9

es lo mismo que

A 1 + S B 9

en donde S representa la diferencia# o la holgura# entre A 1 " 9. S se llama variable de hol ura. Por otro lado# se restara una variable de supervit en el caso siguiente,

1 9A .

es lo mismo que

1 9A S B .

1lgunos m0todos de soluci n (como el M0todo +mple$) " la ma"ora de los programas de computadora (como el MathProg# que viene en el <D *ourseEare# que acompa!a al li%ro =Fntroducci n a la Fnvestigaci n de <peraciones> de los autores Gillier " Lie%erman) requieren que todas las desigualdades se conviertan en igualdades.

La metodologa de PL requiere que todas las varia%les sean positivas o cero# es decir# no negativas. Para la ma"ora de los pro%lemas esto es real# no se querra una soluci n que diga, prod'canse menos dos ca&as o contrtense menos cuatro personas. Mientras que no e$iste un lmite en el nmero de restricciones que puede tener un pro%lema de PL# slo puede haber un objetivo. La forma matemtica del o%&etivo se llama funcin objetivo. 2e%e llevar consigo el ma$imi'ar o minimi'ar alguna medida num0rica. Podra ser ma$imi'ar el rendimiento# la ganancia# la contri%uci n marginal o los contactos con los clientes. Podra ser minimi'ar el costo# el nmero de empleados o el material de desperdicio. *on frecuencia el o%&etivo es evidente al o%servar el pro%lema.

*omo el valor de la funci n o%&etivo no se conoce hasta que se resuelve el pro%lema# se usa la letra Z para representarlo. La funci n o%&etivo tendr# entonces# la forma,

Ma$imi'ar

H B I1 @ :A

Minimi'ar

H B 9$- @ 7$9

+e anali'a una aplicaci n para ilustrar el formato de los pro%lemas de Programaci n Lineal.

Planeacin de la fuerza de trabajo. El gerente de personal de =La Cortuga 8elo'# +.1. de *.8.># est anali'ando la necesidad de mano de o%ra semi calificada durante los pr $imos seis meses. +e lleva - mes adiestrar a una persona nueva. 2urante este perodo de entrenamiento un tra%a&ador regular# &unto con uno en adiestramiento (aprendi')# producen el equivalente a lo que producen -.9 tra%a&adores regulares. +e paga 57..... mensuales a quien est en entrenamiento# mientras que los tra%a&adores regulares ganan 5J..... mensuales. La rotaci n de personal entre los tra%a&adores regulares es %astante alta# del -.K mensual. El gerente de personal de%e decidir cuntas personas necesita contratar cada mes para adiestramiento. En seguida se da el nmero de mesesLhom%re necesarios. Cam%i0n se desea tener una fuer'a de tra%a&o regular de --. al principio de &ulio. En cuanto al -M de enero# ha" 7J empleados regulares.

Mes Enero Ne%rero Mar'o

MesesLhom%re requeridos :. 7. :.

Mes 1%ril Ma"o Ounio

Meses- om!re re"ueridos J. 6. -..

Este pro%lema tiene un aspecto dinmico# "a que la fuer'a de tra%a&o en cualquier mes depende de la fuer'a de tra%a&o regular " en adiestramiento del mes anterior. Para cualquier mes# el nmero total de mesesLhom%re disponi%les se puede e$presar como sigue,

MesesLhom%re disponi%les, Di @ ..91i

en donde,

Di B nmero de tra%a&adores regulares al principio del mes 1i B nmero de aprendices contratados en el mes.

Entonces los requerimientos de cada mes pueden e$presarse por las restricciones,

enero fe%rero mar'o a%ril ma"o &unio &ulio (principio)

D- @ ..91D9 @ ..919 D? @ ..91? DI @ ..91I D7 @ ..917 D: @ ..91: D6

:. 7. :. J. 6. -.. --.

2e%ido a la rotaci n# el -.K de los tra%a&adores regulares se van cada mes. 1s# el nmero de tra%a&adores regulares disponi%les# por e&emplo# al principio de fe%rero sera,

D9 B ..PD- @ 1-

En la misma forma# pueden escri%irse las ecuaciones para el nmero de tra%a&adores disponi%les al principio de cada mes,

enero fe%rero mar'o a%ril ma"o &unio &ulio

DD9 D? DI D7 D: D6

B B B B B B B

7J (dado) ..PD- @ 1..PD9 @ 19 ..PD? @ 1? ..PDI @ 1I ..PD7 @ 17 ..PD: @ 1:

El o%&etivo glo%al del gerente de personal es minimi'ar el costo. La funci n o%&etivo es,

Minimi'ar, H B J..(D- @ D9 @ D? @ DI @ D7 @ D:) @ 7..(1- @ 19 @ 1? @ 1I @ 17 @ 1:)

1hora se tiene el pro%lema en el formato general de PL con -? varia%les " -I restricciones.

Los tomadores de decisiones en las empresas esta%lecen criterios que de%e cumplir una soluci n "# despu0s# %uscan esa soluci n. En PL# los criterios se e$presan como restricciones. +e e$ploran las soluciones posi%les " se usa la funci n o%&etivo para elegir la me&or de entre aquellas que cumplen con los criterios. La PL se denomina t0cnica de

optimi'aci n# pero optimi'a s lo dentro de los lmites de las restricciones. En realidad es un m0todo de satisfacci n de criterios.

Forma est#ndar de los modelos de Programacin Lineal. +up ngase que e$iste cualquier nmero (digamos m) de recursos limitados de cualquier tipo# que se pueden asignar entre cualquier nmero (digamos n) de actividades competitivas de cualquier clase. Etiqu0tense los recursos con nmeros (-# 9# ...# m) al igual que las actividades (-# 9# ...# n). +ea $& (una varia%le de decisi n) el nivel de la actividad j# para j B -# 9# ...# n# " sea Z la medida de efectividad glo%al seleccionada. +ea c& el incremento que resulta en Z por cada incremento unitario en $& (para j B -# 9# ...# n). 1hora sea %i la cantidad disponi%le del recurso i (para i B -# 9# ...# m). Por ltimo defnase ai& como la cantidad de recurso i que consume cada unidad de la actividad j (para i B -# 9# ...# m " j B -# 9# ...# n). +e puede formular el modelo matemtico para el pro%lema general de asignar recursos a actividades. En particular# este modelo consiste en elegir valores de $-# $9# ...# $n para,

Ma$imi'ar H B c-$- @ c9$9 @ ... @ cn$n# su&eto a las restricciones, a--$- @ a-9$9 @ ... @ a-n$n %a9-$- @ a99$9 @ ... @ a9n$n %9

am-$- @ am9$9 @ ... @ amn$n %m "

$- .#

$9 .#

...#

$n .

Qsta se llamar nuestra forma estndar (porque algunos li%ros de te$to adoptan otras formas) para el pro%lema de PL. *ualquier situaci n cu"a formulaci n matemtica se a&uste a este modelo es un pro%lema de PL. En este momento se puede resumir la terminologa que usaremos para los modelos de PL. La funci n que se desea ma$imi'ar# c-$- @ c9$9 @ ... @ cn$n# se llama funcin objetivo. Por lo general# se hace referencia a las limitaciones como restricciones. Las primeras m restricciones (aquellas con una funci n del tipo ai-$- @ ai9$9 @ ... @ ain$n# que representa el consumo total del recurso i) reci%en el nom%re de restricciones funcionales. 2e manera parecida# las restricciones $& . se llaman restricciones de no ne atividad. Las varia%les $& son las variables de decisin. Las constantes de entrada# ai&# %i# c&# reci%en el nom%re de parmetros del modelo.

$tras %ormas de modelos de Programacin Lineal. Es conveniente agregar que el modelo anterior no se a&usta a la forma natural de algunos pro%lemas de programaci n lineal. Las otras formas le #timas son las siguientes,

-. Minimi'ar en lugar de ma$imi'ar la funci n o%&etivo,

Minimi'ar H B c-$- @ c9$9 @ ... @ cn$n#

9. 1lgunas restricciones funcionales con desigualdad en el sentido ma"or o igual,

ai-$- @ ai9$9 @ ... @ ain$n# %i# para algunos valores de i#

?. 1lgunas restricciones funcionales en forma de ecuaci n,

ai-$- @ ai9$9 @ ... @ ain$n# B %i# para algunos valores de i#

I. Las varia%les de decisi n sin la restricci n de no negatividad,

$& no restringida en signo para algunos valores de j.

*ualquier pro%lema que inclu"a una# varias o todas estas formas del modelo anterior tam%i0n se clasifica como un pro%lema de PL# siempre " cuando 0stas sean las !nicas formas nuevas introducidas. Puede ser que la interpretaci n que se ha dado de asignaci n de recursos limitados entre actividades que compiten no se aplique# pero independientemente de la interpretaci n o el conte$to# lo nico que se necesita es que la formulaci n matemtica del pro%lema se a&uste a las formas permitidas. +e ver que estas otras cuatro formas legales se pueden reescri%ir en una forma equivalente para que se a&uste al modelo que se present . Entonces# todo pro%lema de PL se puede poner en nuestra forma estndar si se desea.

2.&. Solucin 'r#%ica de Modelos Lineales con dos (aria!les.

Para la soluci n grfica de programas lineales con dos varia%les# lo que se tiene que hacer es tra'ar un e&e de coordenadas cartesianas# para graficar las desigualdades dadas por el pro%lema# despu0s encontrar el Rrea de +oluciones Nacti%les " proceder a graficar la funci n o%&etivo para conocer el valor ptimo (ma$imi'ar o minimi'ar) que ser la soluci n del pro%lema.

Ejemplo: Problema de mezcla de productos. /n fa%ricante est tratando de decidir so%re las cantidades de producci n para dos artculos, mesas " sillas. +e cuenta con P: unidades de material " con 69 horas de mano de o%ra. *ada mesa requiere -9 unidades de material " : horas de mano de o%ra. Por otra parte# las sillas usan J unidades de material cada una " requieren -9 horas de mano de o%ra por silla. El margen de contri%uci n es el mismo para las mesas que para las sillas, 57... por unidad. El fa%ricante prometi construir por lo menos dos mesas.

Paso 1: formulacin del problema. El primer paso para resolver el pro%lema es e$presarlo en t0rminos matemticos en el formato general de PL. S*ul es el o%&etivo; Es ma$imi'ar la contri%uci n a la ganancia. *ada unidad de mesas o sillas producidas contri%uir con 57 en la ganancia. 1s las dos alternativas son la producci n de mesas " la producci n de sillas. 1hora puede escri%irse la funci n o%&etivo,

Ma$imi'ar H B 7$- @ 7$9

en donde,

$- B nmero de mesas producidas

$9 B nmero de sillas producidas

S*ules son las restricciones o limitaciones del pro%lema; E$isten tres restricciones. Primero# el material est limitado a P: unidades. *ada mesa se lleva -9 unidades de material " cada silla usa J unidades. La primera restricci n es# entonces,

-9$- @ J$9 P:

La segunda restricci n es el total de horas de mano de o%ra. /na mesa se lleva : horas# una silla -9 horas " se dispone de un total de 69 horas. 1s,

:$- @ -9$9 69

E$iste una limitaci n ms. El fa%ricante prometi producir por lo menos dos mesas. Esto puede e$presarse como,

$- 9

Por ltimo# las restricciones de no negatividad son,

$- .# $9 .

Poniendo todo &unto el modelo se tiene,

Ma$imi'ar

H B 7$- @ 7$9

Destricciones, -9$- @ J$9 P: :$- @ -9$9 69 $- 9 $- .# $9 .

Paso 2: r!fica de las restricciones. El siguiente paso en el m0todo grfico es di%u&ar todas las restricciones en una grfica. Esto puede hacerse en cualquier orden. Por conveniencia se comen'ar con las restricciones de no negatividad. Qstas se muestran en la siguiente figura,

En esta grfica# una soluci n se representara por un punto con coordenadas $- (mesas) " $9 (sillas). Las coordenadas representaran las cantidades de cada artculo que se de%en producir. El cuadrante superior derecho se llama $e in %actible puesto que es el nico cuadrante en que pueden estar las soluciones. Los otros tres cuadrantes no son facti%les# "a que requeriran la producci n de cantidades negativas de mesas o de sillas o de am%as.

La siguiente restricci n es $- 9. La manera ms sencilla de di%u&ar las restricciones de recursos es en dos pasos, (-) convertir una desigualdad en una ecuaci n " graficar la ecuaci n " (9) som%rear el rea apropiada arri%a " a%a&o de la lnea que resulta en el paso -. *onvertir una igualdad en una ecuaci n aqu significa ignorar la parte de =ma"or que> o =menor que> de la restricci n.

1s# en el e&emplo# $- 9 se convierte en $- B 9. Esta ecuaci n est tra'ada en la siguiente figura,

*ualquier punto en la lnea $- B 9 satisface la ecuaci n. +in em%argo# la restricci n es ms amplia# "a que cualquier punto $- T 9 tam%i0n la cumplir. Esto inclu"e todos los puntos que estn a la derecha de la lnea $- B 9. Entonces# la regi n facti%le inclu"e todos los valores de $- que estn sobre o a la derecha de la l#nea $- B 9.

La limitaci n so%re las horas de mano de o%ra es la siguiente restricci n. *omo antes# primero se convierte en una ecuaci n, :$- @ -9$9 B 69. Puede graficarse esta lnea si se encuentran dos puntos so%re ella. El par de puntos ms sencillos de locali'ar son las intersecciones con los e&es X- " X9. Para encontrar la intersecci n con el e&e X9 se hace $- B .. La ecuaci n se reduce# entonces# a,

-9$9 B 69 $9 B :

La intersecci n con el e&e X- se encuentra haciendo $9 B .. 1s,

:$- B 69 $- B -9

Estos dos puntos " la lnea que los une se muestran en la siguiente figura,

*ualquier punto que est sobre o abajo de esta lnea cumplir con la restricci n. *ualquier punto arri%a de esta lnea requerir ms de 69 horas de mano de o%ra " no es acepta%le. En la siguiente figura se com%ina esta restricci n con la anterior. En la regi n facti%le# am%as restricciones se cumplen.

La ltima restricci n es la de material. +iguiendo el procedimiento anterior# primero se encuentran las intersecciones para la igualdad. Qstas son $- B .# $9 B -9 " $- B J# $9 B.. +e locali'an los dos puntos en la grfica( se tra'a la lnea# " como la restricci n es del tipo menor o igual que# se som%rea el rea que est a%a&o de la lnea. El resultado se muestra en la siguiente figura,

*ualquier soluci n que est0 en la frontera o dentro del rea som%reada cumplir con todas las restricciones. 1hora se utili'ar la funci n o%&etivo para seleccionar la soluci n ptima.

Paso ": obtencin de la solucin ptima: l#neas de indiferencia. Para encontrar la soluci n ptima# se grafica la funci n o%&etivo en la misma grfica de las restricciones. La funci n o%&etivo en este pro%lema es H B 7$- @ 7$9. *omo todava no se conoce el m$imo valor facti%le de H# no puede tra'arse el ptimo de la funci n o%&etivo. )o o%stante# es posi%le suponer algunos valores para H " graficar las lneas resultantes. En la siguiente figura se muestran las lneas para H B 97 "H B 7.,

Las lneas de este tipo se llaman l#neas de indiferencia# porque cualquier punto so%re una lnea dada da la misma ganancia total. ) tese que la distancia perpendicular del origen a la lnea aumenta al aumentar el valor de H. Cam%i0n# todas las lneas de indiferencia son paralelas entre s. Estas propiedades grficas pueden usarse para resolver el pro%lema.

En la siguiente figura# se ilustran todas las restricciones " las dos lneas de indiferencia supuestas. En la grfica puede o%servarse que la lnea de indiferencia para H B 7. est completamente fuera de la regi n facti%le. Para H B 97# parte de la lnea cae dentro de la

regi n facti%le. Por tanto# e$iste alguna com%inaci n de $- " $9 que satisface todas las restricciones " da una ganancia total de 597. Por inspecci n# puede o%servarse que ha" ganancias ms altas que son facti%les.

Fmaginando que la lnea de indiferencia H B 97 se mueve hacia la lnea H B 7.# de las propiedades de la grfica que se hicieron notar antes# el punto ptimo estar so%re la lnea de indiferencia ms le&ana al origen pero que todava toque la regi n facti%le. Esto se muestra en la siguiente figura,

*on el punto ptimo locali'ado grficamente# la nica tarea que queda es encontrar las coordenadas del punto. ) tese que el punto ptimo est en la intersecci n de las lneas de restricci n para materiales " horas de mano de o%ra. Las coordenadas de este punto se pueden encontrar resolviendo el sistema de ecuaciones que forman estas dos restricciones utili'ando cualquiera de los m0todos de soluci n (suma " resta# sustituci n o igualaci n). Las coordenadas de este punto resultan ser (:# ?). La sustituci n de este punto en la funci n o%&etivo da la ganancia m$ima,

H B 7(:) @ 7(?) B 5I7

$esumen del m%todo r!fico. Para resolver grficamente pro%lemas de programaci n lineal, -. E$pr0sense los datos del pro%lema como una funci n o%&etivo " restricciones. 9. Urafquese cada restricci n. ?. Localcese la soluci n ptima.

)so del m*todo gr#%ico para minimi+acin.

*onsideremos un Pro%lema de PL en el cual el o%&etivo es minimi'ar costos. La soluci n del pro%lema de minimi'aci n sigue el mismo procedimiento que la de pro%lemas

de ma$imi'aci n. La nica diferencia es que ahora se quiere el menor valor posi%le para la funci n o%&etivo. +up ngase que se tiene el siguiente pro%lema,

Ejemplo: Problema de dieta. /n comprador est tratando de seleccionar la com%inaci n ms %arata de dos alimentos# que de%e cumplir con ciertas necesidades diarias de vitaminas. Los requerimientos vitamnicos son por lo menos I. unidades de vitamina V# 7. unidades de vitamina X " IP unidades de vitamina 3. *ada on'a del alimento 1 proporciona I unidades de vitamina V# -. unidades de vitamina X " 6 unidades de vitamina 3( cada on'a del alimento A proporciona -. unidades de V# 7 unidades de X " 6 unidades de 3. El alimento 1 cuesta 7 pesosW4ilogramo " el alimento A cuesta J pesosW4ilogramo.

Paso 1: formulacin del problema. La meta en este pro%lema es encontrar la manera menos costosa para satisfacer las necesidades vitamnicas. Las dos alternativas disponi%les son los alimentos 1 " A. Matemticamente la funci n o%&etivo es,

Minimi'ar H B 71 @ JA

Las restricciones son los requerimientos mnimos de las tres vitaminas. Qstas se muestran enseguida,

Destricciones, I1 @ -.A I. vitamina V

-.1 @ 7A 7. vitamina X 61 @ 6A IP vitamina 3 1 .# A . no negatividad

Paso 2: r!fica de las restricciones. El procedimiento para graficar es el mismo que se us antes, (-) graficar cada ecuacin de restricci n( (9) graficar el rea apropiada. Para la primera restricci n la ecuaci n es I1 @ -.A B I.. Las dos intersecciones con los e&es son (.#I) " (-.#.). Esta lnea se muestra en la siguiente figura,

La restricci n pide I. unidades o ms de la vitamina V. *ualquier punto que est0 arriba de la lnea de restricci n ser facti%le " todos los puntos que quedan a%a&o de esa lnea sern acepta%les. En la siguiente figura se muestra la regi n facti%le,

2espu0s se grafica la restricci n para la vitamina X. La ecuaci n -.1 @ 7A B 7. tiene intersecciones con los e&es en (.#-.) " (7#.). En la siguiente figura se ilustran las restricciones para las vitaminas V " X. ) tese que las soluciones que quedan en las reas a o b no son facti%les# "a que quedaran a%a&o de las lneas de restricci n.

1l agregar la tercera restricci n# este segundo paso queda terminado# como se muestra en la siguiente figura,

Paso ": localizacin de la solucin ptima. En la siguiente figura se muestra la frontera e$trema ms dos lneas de indiferencia# las de H B I. pesos " H B :. pesos. La frontera e$trema est formada por los puntos a# %# c " d# puesto que 0stos son los puntos de intersecci n facti%les ms cercanos al origen.

Urficamente# el o%&etivo de minimi'ar el valor de H significa a&ustar una lnea de indiferencia tan cerca del origen como sea posi%le. En la figura anterior puede o%servarse que e$isten muchas soluciones posi%les para H B :.# pero ninguna para H B I.. Fmaginando mover la lnea H B :. hacia el origen# el ltimo punto de contacto con la frontera e$trema ser el punto %. Entonces# el punto % es la soluci n ptima. En la figura anterior se o%serva que el punto % es la intersecci n de dos lneas,

(-) I1 @ -.A B I. (9) 61 @ 6A B IP

Desolviendo el sistema de ecuaciones,

Multiplquese la ecuaci n (-) por 6, Multiplquese la ecuaci n (9) por X I,

(?)

9J1 @ 6.A B 9J. (I) X9J1 X 9JA B X-P: I9A

B JI AB 9 +ustit"ase en la ecuaci n (-), I1 @ -.(9) B I. 1B 7

La soluci n menos costosa es 7 4ilogramos de alimento 1 " 9 4ilogramos de alimento A. El costo total de esta com%inaci n es, H B 71 @ JA B 7(7) @ J(9) B 97 @ -: B I- pesos +i se usa el m0todo de prue%a " error para locali'ar la soluci n ptima# se de%en encontrar las coordenadas de los puntos a# b# c# " d. +e de%e calcular despu0s el valor de la funci n o%&etivo para cada punto. 1 continuaci n se muestran los resultados de este procedimiento,

,esultados de prue!a - error

Punto .oordenadas Z / 0A + 1B a % c
1 B -.# A B . 1 B 7# A B 9 1 B?# A B I 7. I- menor I6

1 B .# A B -.

J.

.AS$S 2SP2.IAL2S.

M3ltiples soluciones.

Ma$imi'ar su&eta a

$9 @ ?$9$9 $- .# $9 .

?$$-

9$9 I -9 -J

4inguna solucin %acti!le.

Ma$imi'ar su&eta a

@ ?$9$9 -WI.$- @ -W:.$9 -W7.$- @ -W7.$9 $$9 $- .# $9 .

?. 9.

5rea o ,egin de Soluciones Facti!les no Acotada.

Ma$imi'ar su&eta a

X 9$$9 X $$9 @ 9$$9 $- .# $9 .

$e resar a la P! ina Principal ASPEC&'S ()S*C'S DE +A P$',$A-AC*./ +*/EA+ Muchas personas clasifican el desarrollo de la programaci n lineal entre los avances cientficos ms importantes de mediados del siglo XX# su impacto desde -P7. ha sido e$traordinario. En la actualidad es una herramienta de uso normal que ha ahorrado miles o millones de pesos a muchas compa!as o negocios# inclu"endo empresas medianas en los distintos pases industriali'ados del mundo( su aplicaci n a otros sectores de la sociedad se est ampliando con rapide'. /na proporci n mu" grande de los clculos cientficos en computadoras est dedicada al uso de la programaci n lineal. S*ul es la naturale'a de esta nota%le herramienta " qu0 tipos de pro%lemas puede mane&ar. E$presado %revemente# el tipo ms comn de aplicaci n a%arca el pro%lema general de asignar recursos limitados entre actividades competitivas de la me&or manera posi%le (es decir# en forma ptima). *on ms precisi n# este pro%lema inclu"e elegir el nivel de ciertas actividades que compiten por recursos escasos necesarios para reali'arlas. 2espu0s# los niveles de actividad elegidos dictan la cantidad de cada recurso que consumir cada una de ellas. La variedad de situaciones a las que se puede aplicar esta descripci n es sin duda mu" grande# " va desde la asignaci n de instalaciones de producci n a los productos# hasta la asignaci n de los recursos nacionales a las necesidades de un pas( desde la selecci n de una cartera de inversiones# hasta la selecci n de los patrones de envo( desde la planeaci n agrcola# hasta el dise!o de una terapia de radiaci n# etc. )o o%stante# el ingrediente comn de todas estas situaciones es la necesidad de asignar recursos a las actividades eligiendo los niveles de las mismas. La programaci n lineal utili'a un modelo matemtico para descri%ir el pro%lema. El ad&etivo lineal significa que todas las funciones matemticas del modelo de%er ser funciones lineales& En este caso# las pala%ra pro ramacin no se refiere a programaci n en computadoras( en esencia es un sin nimo de planeacin& 1s# la programaci n lineal trata la planeacin de las

actividades para o%tener un resultado ptimo# esto es# el resultado que me&or alcance la meta especificada (segn el modelo matemtico) entre todas las alternativas de soluci n. 1unque la asignaci n de recursos a las actividades es la aplicaci n ms frecuente# la programaci n lineal tiene muchas otras posi%ilidades. de hecho# cualquier pro%lema cu"o modelo matemtico se a&uste al formato general del modelo de programaci n lineal es un pro%lema de programaci n lineal. 1n ms# se dispone de un procedimiento de soluci n e$traordinariamente eficiente llamado m*todo simple67 para resolver estos pro%lemas# incluso los de gran tama!o. Estas son algunas causas del tremendo auge de la programaci n lineal en las ltimas d0cadas. M$82L$ 82 P,$',AMA.I94 LI42AL Los t0rminos clave son recursos y actividades, en donde m denota el nmero de distintos tipos de recursos que se pueden usar " n denota el nmero de actividades %a&o consideraci n. 1lgunos e&emplos de recursos son dinero " tipos especiales de maquinaria# equipo# vehculos " personal. Los e&emplos de actividades inclu"en inversi n en pro"ectos especficos# pu%licidad en un medio determinado " el envo de %ienes de cierta fuente a cierto destino. En cualquier aplicaci n de programaci n lineal# puede ser que todas las actividades sean de un tipo general (como cualquiera de los e&emplos)# " entonces cada una correspondera en forma individual a las alternativas especficas dentro de esta categora general. El tipo ms usual de aplicaci n de programaci n lineal involucra la asignaci n de recursos a ciertas actividades. La cantidad disponi%le de cada recurso est limitada# de forma que de%en asignarse con todo cuidado. La determinaci n de esta asignaci n inclu"e elegir los niveles de las actividades que lograrn el me&or valor posi%le de la medida lobal de efectividad& *iertos sm%olos se usan de manera convencional para denotar las distintas componentes de un modelo de programaci n lineal. Estos sm%olos se enumeran a continuaci n# &unto con su interpretaci n para el pro%lema general de asignaci n de recursos a actividades. H B $& B valor de la medida glo%al de efectividad nivel de la actividad & (para & B -#9#...#n)

c& B %i B ai& B

incremento en H que resulta al aumentar una unidad en el nivel de la actividad & cantidad de recurso i disponi%le para asignar a las actividades (para i B -#9#...#m) cantidad del recurso i consumido por cada unidad de la actividad &

El modelo esta%lece el pro%lema en t0rminos de tomar decisiones so%re los niveles de las actividades# por lo que $-#$9#....#$n se llaman :aria!les de decisin. Los valores de c&# %i " ai& (para i B -#9#....#m " & B -#9#....#n) son las constantes de entrada al modelo. Las c&# %i " ai& tam%i0n se conocen como par#metros del modelo. F$,MA 2S;548A, 82L M$82L$ 1hora se puede formular al modelo matemtico para este pro%lema general de asignaci n de recursos a actividades. En 2atos necesarios para un modelo de programaci n lineal que mane&a la asignaci n de recursos a actividades particular# este modelo consiste en elegir valores de $-#$9#....#$n para, optimi'ar (ma$imi'ar o minimi'ar) H B c-$- @ c9$9 @....@ cn$n# su&eta a las restricciones, a--$- @ a-9$9 @....@ a-n$n Y %a9-$- @ a99$9 @....@ a9n$n Y %9 . . . am-$- @ am9$9 @....@ amn$n Y %m

X- Z .#

X9 Z.#

...#

Xn Z..

S)P$SI.I$42S 82L M$82L$ 82 P,$',AMA.I94 LI42AL

P$'P'$C*'/A+*DAD La contri%uci n de cada actividad al valor de la funcin objetivo ' es proporcional al nivel de actividad (j, como lo representa el t0rmino c&$& en la funci n o%&etivo. 2e manera similar# la contri%uci n de cada actividad al lado izquierdo de cada restriccin funcional es proporcional al nivel de la actividad (j# en la forma en que lo representa el t0rmino ai&$& en la restricci n. En consecuencia# esta suposici n elimina cualquier e$ponente diferente a - para las varia%les en cualquier t0rmino de las funciones ("a sea la funci n o%&etivo o la funci n en el lado i'quierdo de las restricciones funcionales) en un modelo de programaci n lineal. AC&*0*DAD Esta%lece que la entrada " salida de un recurso en particular al con&unto de actividades# de%en ser la misma cantidad( o sea# que las actividades transforman los recursos " no los crean o destru"en. Esta suposici n garanti'a que la contri%uci n total tanto a la funci n o%&etivo como a las restricciones# es igual a la suma de las contri%uciones individuales. *uando en un pro%lema dado no se tenga la aditividad puede recurrirse al empleo de otras t0cnicas de la programaci n matemtica# dependiendo de cada caso en particular. AD*&*0*DAD *ada funci n en un modelo de programaci n lineal ("a sea la funci n o%&etivo o el lado i'quierdo de las restricciones funcionales) es la suma de las contribuciones individuales de las actividades respectivas. D*0*S*(*+*DAD Las varia%les de decisi n en un modelo de programaci n lineal pueden tomar cualquier valor# inclu"endo valores no enteros, que satisfagan las restricciones funcionales " de no negatividad. 1s# estas varia%les no estn restringidas a s lo valores enteros. *omo cada varia%le de decisi n representa el nivel de alguna actividad# se supondr que las actividades se pueden reali'ar a niveles fraccinales& LIMI;A.I$42S 82L M$82L$ 82 P,$',AMA.I94 LI42AL

-'DE+' DE&E$-*/1S&*C' El modelo de PL involucra nicamente tres tipos de parmetros, *&# ai& " %i( de ah su sencille' " gran aplicaci n. +in em%argo# el valor de dichos parmetros de%e ser conocido " constante. *uando el valor de los parmetros tiene un cierto riesgo o incertidum%re# pude utili'arse la programaci n param0dica# la programaci n estocstica# o reali'arse un anlisis de sensi%ilidad. -'DE+' ES&)&*C' En algunos modelos matemticos se han empleado con 0$ito las ecuaciones diferenciales# para inducir la varia%le tiempo en ellos. En este sentido# puede decidirse que la PL utili'a un modelo esttico# "a que la varia%le tiempo no se involucra formalmente. 1dquiriendo un poco de e$periencia en la formulaci n de modelos de PL# puede im%uirse la tempora%ilidad mencionada# con el uso de su%ndices en las varia%les. -'DE+' 23E /' S3(4'P&*-*5A 2e%ido a la forma que se plantea el modelo de PL# o encuentra la soluci n ptima o declara que 0sta no e$iste. *uando no es posi%le o%tener una soluci n ptima " se de%e o%tener alguna# se recurre a otra t0cnica ms avan'ada que la PL# la cual se denomina programaci n lineal por metas.

$e resar a la P! ina principal

En los siglos XVII y XVIII, grandes matemticos como Newton, Leibnitz, Bernouilli y, sobre todo, Lagrange, que tanto haban contribuido al desarrollo del clculo infinitesimal, se ocuparon de obtener mximos y mnimos condicionados de determinadas funciones. Posteriormente el matemtico frnces ean !aptiste" oseph Fourier #$%&'"$'()* fue el primero en intuir, aunque de forma imprecisa, los m+todos de lo que actualmente llamamos programaci,n lineal y la potencialidad que de ellos se deri-a.

.i exceptuamos al matemtico Gaspar Monge #$%/&"$'$'*, quien en $%%& se interes, por problemas de este g+nero, debemos remontarnos al a0o $1(1 para encontrar nue-os estudios relacionados con los m+todos de la actual programaci,n lineal. En este a0o, el matemtico ruso 2eonodas Vitalye-ich Kantarovitch publica una extensa monografa titulada Mtodos matemticos de organizacin y planificacin de la produccin en la que por primera -e3 se hace corresponder a una extensa gama de problemas una teora matemtica precisa y bien definida llamada, hoy en da, programaci,n lineal . En $1/$"$1/4 se formula por primera -e3 el problema de transporte, estudiado independientemente por Koopmans y Kantarovitch, ra3,n por la cual se suele conocer con el nombre de problema de Koopmans-Kantarovitch. 5res a0os ms tarde, G. Stigler plantea otro problema particular conocido con el nombre de r+gimen alimenticio optimal. En estos a0os posteriores a la .egunda 6uerra 7undial, en Estados 8nidos se asumi, que la efica3 coordinaci,n de todas las energas y recursos de la naci,n era un problema de tal comple9idad, que su resoluci,n y simplificaci,n pasaba necesariamente por los modelos de optimi3aci,n que resuel-e la programaci,n lineal. Paralelamente a los hechos descritos se desarrollan las t+cnicas de computaci,n y los ordenadores, instrumentos que haran posible la resoluci,n y simplificaci,n de los problemas que se estaban gestando. En $1/%, G.B. Dantzig formula, en t+rminos matemticos muy precisos, el enunciado estndar al que cabe reducir todo problema de programaci,n lineal. :ant3ig, 9unto con una serie de in-estigadores del United States epartament of !ir "orce, formaran el grupo que dio en denominarse S#$$% &Scientific #omputation of $ptimum %rograms'. 8na de las primeras aplicaciones de los estudios del grupo .;<<P fue el puente a+reo de !erln. .e continu, con infinidad de aplicaciones de tipo preferentemente militar. =acia $1>) se constituyen, fundamentalmente en Estados 8nidos, distintos grupos de estudio para ir desarrollando las diferentes ramificaciones de la programaci,n lineal. ;abe citar, entre otros, ?and ;orporation, con :ant3ig, <rchard"=ays, @ord, @ulAerson y 6ale, el departamento de 7atemticas de la 8ni-ersidad de Princenton, con 5ucAer y Buhn, as como la Escuela 6raduada de Cdministraci,n Industrial, dependiente del ;arnegie Institute of 5echnology , con ;harnes y ;ooper. ?especto al m+todo del simplex, que estudiaremos despu+s, se0alaremos que su estudio comen3, en el a0o $1>$ y fue desarrollado por :ant3ig en el United States (ureau of Standards S)!# #$M%U*)+, ayudndose de -arios modelos de ordenador de la firma I!7. 2os fundamentos matemticos de la programaci,n lineal se deben al matemtico norteamericano de origen hDngaro anos von Neuman #$1)("$1>%*, quie en $14' public, su famoso traba9o *eor,a de -uegos. En $1/% con9etura la equi-alencia de los problemas de programaci,n lineal y la teora de matrices desarrollada en sus traba9os. 2a influencia de este respetado matemtico, discpulo de :a-id =ilbert en 6otinga y, desde $1(), catedrtico de la Universidad de %rincenton de )stados Unidos, hace que otros in-estigadores se interesaran paulatinamente por el desarrollo riguroso de esta disciplina. En $'>' se aplicaron los m+todos de la programaci,n lineal a un problema concretoE el clculo del plan ptimo de transporte de arena de construccin a las obras de edificacin de la ciudad de Mosc.. En este problema haba $) puntos de partida y 4() de llegada. El plan ,ptimo de

transporte, calculado con el ordenador Strena en $) das del mes de 9unio, reba9, un $$F los gastos respecto a los costes pre-istos. .e ha estimado, de una manera general, que si un pas subdesarrollado utili3ase los m+todos de la programaci,n lineal, su producto interior bruto #PI!* aumentara entre un $) y un $>F en tan s,lo un a0o.

La programaci!n lineal hace historia" #l puente a$reo %e Berl&n En $1/& comien3a el largo perodo de la guerra fra entre la antigua 8ni,n .o-i+tica #8?..* y las potencias aliadas #principalmente , Inglaterra y Estados 8nidos*. 8no de los episodios ms llamati-os de esa guerra fra se produ9o a mediados de $1/', cuando la 8?.. bloque, las comunicaciones terrestres desde las 3onas alemanas en poder de los aliados con la ciudad de !erln, iniciando el bloqueo de !erln. C los aliados se les plantearon dos posiblidadesE o romper el bloqueo terrestre por la fuer3a, o llegar a !erln por el aire. .e adopt, la decisi,n de programar una demostraci,n t+cnica del poder a+reo norteamericanoG a tal efecto, se organi3, un gigantesco puente a+reo para abastecer la ciudadE en diciembre de $1/' se estaban transportando />)) toneladas diariasG en mar3o de $1/1, se lleg, a las '))) toneladas, tanto como se transportaba por carretera y ferrocarril antes del corte de las comunicaciones. En la planificaci,n de los suministros se utili3, la programaci,n lineal. #El $4 de mayo de $1/1, los so-i+ticos le-antaron el bloqueo*

'(u$ es la programaci!n lineal )

En infinidad de aplicaciones de la industria, la economa, la estrategia militar, etc.. se presentan situaciones en las que se exige maximi3ar o minimi3ar algunas fucniones que se encuentran su9etas a determinadas limitaciones, que llamaremos restricciones. Para hacernos una idea ms clara de estos supuestos, -eamos dos e9emplosE #*emplo +" ,roblema %e m-.imos. )n una gran/a se preparan dos clases de fertilizantes0 % y 10 mezclando dos productos ! y (. Un saco de % contiene 2 3g de ! y 4 de (0 y un saco de 1 contiene 56 3g de ! y 7 de (. #ada saco de % se vende a 866 (s. y cada saco de 1 a 266 (s. Si en la gran/a hay almacenados 26 3g de ! y 47 de (0 9cuntos sacos de cada tipo de pienso deben preparar para obtener los m:imos ingresos; #*emplo /" ,roblema %e m&nimos. Una campa<a para promocionar una marca de productos lcteos se basa en el reparto gratuito de yogures con sabor a limn o a fresa. Se decide repartir al menos 86666 yogures. #ada yogur de limn necesita para su elaboracin 6.7 gramos de un producto de fermentacin y cada yogur de fresa necesita 6.4 gramos de este mismo producto. Se dispone de = 3ilogramos de este producto para fermentacin. )l costo de produccin de un yogur de limn es de 86 (s. y 46 (s. uno de fresa. En los dos e9emplos descritos est claro que tanto la cantidad que deseamos maximi3ar como la cantidad que deseamos minimi3ar podemos expresarlas en forma de ecuaciones lineales. Por otra parte, las restricciones que imponen las condiciones de ambos problemas se pueden expresar en forma de inecuaciones lineales.

5ratemos de plantear en t+rminos matemticos los dos e9emplos anterioresE

+0 .i designamos por x al nDmero de sacos de fertili3ante de clase P y por y el nDmero de sacos

de fertili3ante de clase H que se han de -ender, la funci,n E Z 1 233x 4 533y representar la cantidad de bol-ares obtenidas por la -enta de los sacos, y por tanto es la que debemos maximi3ar. Podemos hacer un peque0o cuadro que nos ayude a obtener las restriccionesE IJ Ag de C Ag de ! P : H y ': $)y ') 4: >y 4> ), y )

Por otra parte, las -ariables : e y, l,gicamente, han de ser no negati-as, por tanto E : ;on9unto de restriccionesE 5x 4 +3y /x 4 6y x 37 y 53 /6 3

/0 .i representamos por : el nDmero de yogures de lim,n e y al nDmero de yogures de fresa, se

tiene que la funci,n de costos es Z 1 23x 4 /3y. Por otra parte, las condiciones del problema imponen las siguientes restriccionesE :e nDmero E : > y ') :e fermentaci,nE ).>: K ).4y 1))) 2as -ariables : e y han de ser, l,gicamente, no negati-asG es decirE :

), y

;on9unto de restriccionesE X+y x 37 y 53 8333 3

3.6x 4 3./y

#n %e9initivaE Se llama programaci!n lineal al con*unto %e t$cnicas matem-ticas :ue preten%en resolver la situaci!n siguiente" ;ptimizar <ma.imizar o minimizar0 una 9unci!n ob*etivo7 9unci!n lineal %e varias variables7 su*eta a" una serie %e restricciones7 e.presa%as por inecuaciones lineales.
8n problema de programaci,n lineal en dos -ariables, tiene la siguiente formulaci,n estndarE

puediendo cambiarse maximi3ar por minimi3ar, y el sentido de las desigualdades. En un problema de programaci,n lineal inter-ienenE 2a funci,n f<x,y0 1 ax 4 by 4 c llamada 9unci!n ob*etivo y que es necesario optimi3ar. En esa expresi,n x e y son las variables %e %ecisi!n, mientras que a, b y c son constantes. 2as restricciones que deben ser inecuaciones lineales. .u nDmero depende del problema en cuesti,n. El carcter de desigualdad -iene impuesto por las limitaciones, disponibilidades o necesidades, que sonE inferiores a ... # menoresE L o *G como mnimo de ... #mayoresE M o * . 5anto si se trata de maximi3ar como de minimi3ar, las desigualdades pueden darse en cualquiera de los dos sentidos. Cl con9unto de -alores de : e y que -erifican todas y cada una de las restricciones se lo denomina con*unto <o regi!n 0 9actible. 5odo punto de ese con9unto puede ser soluci,n del problemaG todo punto no perteneciente a ese con9unto no puede ser soluci,n. En el apartado siguiente -eremos como se determina la regi,n factible. 2a soluci!n !ptima del problema ser un par de -alores #:60 y6* del con9unto factible que haga que f#:0y* tome el -alor mximo o mnimo.

En ocasiones utili3aremos las siglas PP2 para indicar problema de programaci,n lineal.

Determinaci!n %e la regi!n 9actible

2a soluci,n de un problema de programaci,n lineal, en el supuesto de que exista, debe estar en la regi,n determinada por las distintas desigualdades. Esta recibe el nombre de regi!n 9actible, y puede estar o no acotada.

=egi!n 9actible acota%a

=egi!n 9actible no acota%a

2a regi,n factible incluye o no los lados y los -+rtices, segDn que las desigualdades sean en sentido amplio # o * o en sentido estricto #L o M*. .i la regi,n factible est acotada, su representaci,n grfica es un polgono con-exo con un nDmero de lados menor o igual que el nDmero de restricciones.

El procedimiento para determinar la regi,n factible es el siguienteE +0 Se resuelve ca%a inecuaci!n por separa%o, es decir, se encuentra el semiplano de
soluciones de cada una de las inecuaciones.

.e dibu9a la recta asociada a la inecuaci,n. Esta recta di-ide al plano en dos regiones o semiplanos Para a-eriguar cul es la regi,n -lida, el procedimiento prctico consiste en elegir un punto, por e9emplo, el #),)* si la recta no pasa por el origen, y comprobar si las coordenadas satisfacen o no la inecuaci,n. .i lo hacen, la regi,n en la que est ese punto es aquella cuyos puntos -erifican la inecuaci,nG en caso contrario, la regi,n -lida es la otra.

/0 La regi!n 9actible est- 9orma%a por la intersecci!n o regi!n com>n %e las soluciones %e
to%as las inecuaciones. ;omo sucede con los sistemas de ecuaciones lineales, los sistemas de inecuaciones lineales pueden presentar -arias opciones respecto a sus solucionesE puede no existir soluci,n, en el caso de que exista el con9unto soluci,n puede ser acotado o no. Vemoslo con un e9emploE :ibu9a la regi,n factible asociada a las restriccionesE :>y y y / : /

2as rectas asociadas son E r E : > y N / G s E y N / , tE y ? :

Elegimos el punto <#),)*, que se encuentra en el semiplano situado por deba9o de la recta. Introduciendo las coordenadas #),)* en la inecuaci,n : > y /, -emos que no la satisfaceE ) K ) N ) L / . Por tanto, el con9unto de soluciones de la inecuaci,n es el semiplano situado por encima de la recta r E : > y N / .

Procedemos como en el paso anterior. 2as coordenadas #),)* satisfacen la inecuaci,n y / # ) /* . Por tanto, el con9unto de soluciones de la inecuaci,n es el semiplano que incluye al punto <.

2a recta t asociada a la restricci,n pasa por el origen, lo cual significa que si probsemos con el punto <#),)* no llegaramos a ninguna conclusi,n. Elegimos el punto #$,)* y -emos que no satisface la inecuaci,n y : # y N ) L $ N : *. Por tanto, el con9unto soluci,n de esta inecuaci,n es el semiplano determinado por la recta t que no incluye al punto #$,)*.

2a regi,n factible est formada por los puntos que cumplen las tres restricciones# es decir, se encuentran en los tres semiplanos anteriores.

M$to%o gr-9ico
o M$to%o %e las rectas %e nivel
2as rectas %e nivel dan los puntos del plano en los que la funci,n ob9eti-o toma el mismo -alor. .i la funci,n ob9eti-o es f#:0y* N a: K by K c, la ecuaci,n de las rectas de ni-el es de la formaE a: K by K c N ) a: K by N A

Variando A #o p* se obtienen distintos ni-eles para esas rectas y, en consecuencia, distintos -alores para f#:0y*. En un problema todas las rectas de ni-el son paralelas, pues los coeficientes a y b de la recta a: K by N A son los que determinan su pendiente. Por tanto, si A$ es distinto de A4 , las rectas a: K by N A$ y a: K by N A4 son paralelas. 2uego, tra3ada una cualquiera de esas rectas, las dems de obtienen por despla3amientos paralelos a ella. .i lo que se pretende es resol-er un problema de programaci,n lineal, los Dnicos puntos que interesan son los de la regi,n factible, y las Dnicas rectas de ni-el que importan son aquellas que estn en contacto con dicha regi,n. ;omo el ni-el aumenta #o disminuye* despla3ando las rectas, el mximo #o el mnimo* de f#x,y* se alcan3ar en el Dltimo #o en el primer* punto de contacto de esas rectas con la regi,n factible. Veamos ahora como se aplica todo esto a la resoluci,n de un problema de programaci,n lineal E 7aximi3ar @ ? f&:0y' ? : > y .u9eto aE 6 6 y +0 =epresentamos la regi!n 9actible" 2a recta s E : N / pasa por el punto #/,)* y es paralela al e9e O. 2as soluciones de ) : son los puntos entre el e9e O y la recta : N / 2a recta r E y N / pasa por el punto #),/* y es paralela al e9e X. 2as soluciones de ) y son los puntos entre el e9e X y la recta y N / 2a recta t E y ? :P4 pasa por los puntos #),)* y #4,$* . 2as soluciones de y : P4 son los puntos de su i3quierda. / / : y A A : B4

?esol-iendo los sistemas correspondientes calculamos los -+rtices de la regi,n factibleE Q y ? :P4 , : N ) R nos da el -+rtice <#),)* Q : N /, y N xP4 R nos da el -+rtice C#/,4* Q : N / , y N /R nos da el -+rtice !#/,/* Q y N / , : N ) R nos da el -+rtice ;#),/* /0 =epresentamos las rectas %e nivel " En nuestro caso son rectas de la forma : > y N A . Inicialmente representamos @ ? : > y N ) . 5rasladndola hacia la derecha, obtenemos las rectas E : > y N 4, : > y N /, : > y N ' , es decir aumenta el ni-el. 20 ;btenemos la soluci!n !ptima" .e obtiene en el punto de la regi,n factible que hace mximo A. En nuestro caso esto ocurre en el punto !G es el Dltimo punto de contacto de esas rectas con la regi,n factible , para el que A N '. Si hay %os v$rtices7 , y (7 :ue se encuentran en la misma recta %e nivel 7%e ecuaci!n ax 4 by 1 ? .#s evi%ente :ue to%os los puntos %el segmento ,( son %e esa recta@ por tanto7 en to%os ellos 9<x,y0 vale ?. As& pues7 la soluci!n !ptima es cual:uier punto %e esa recta@ en particular los v$rtices , y (.

M$to%o anal&tico
o M$to%o %e los v$rtices
El siguiente resultado, denominado teorema 9un%amental %e la programaci!n lineal, nos permite conocer otro m+todo de solucionar un programa con dos -ariables. En un programa lineal con dos -ariables, si existe una soluci,n Dnica que optimice la funci,n ob9eti-o, +sta se encuentra en un punto extremo #-+rtice* de la regi,n factible acotada, nunca en el interior de dicha regi,n. .i la funci,n ob9eti-o toma el mismo -alor ,ptimo en dos -+rtices, tambi+n toma id+ntico -alor en los puntos del segmento que determinan. En el caso de que la regi,n factible no es acotada, la funci,n lineal ob9eti-o no alcan3a necesariamente un -alor ,ptimo concreto, pero, si lo hace, +ste se encuentra en uno de los -+rtices de la regi,n 2a e-aluaci,n de la funci,n ob9eti-o en los -+rtices de la regi,n factible nos -a a permitir encontrar el -alor ,ptimo #mximo o mnimo* en alguno de ellos. Vemoslo con un e9emploE 7aximi3ar S N f#:0y* N (: K 'y su9eto aE /: > >y 4: K >y : ),y /) () )

+0 Ballar los puntos %e corte %e las rectas asocia%as a las restricciones" ;alculamos las soluciones de cada uno de los seis sistemas de dos ecuaciones con dos inc,gnitas que se pueden formar con las cuatro restriccionesE Q /: K >y N /) , 4: K >y N ()R. .oluci,n C#>,/* Q /: K >y N /) , : N ) R .oluci,nE! #),'* Q /: K >y N /) , y N )R. .oluci,nE ;#$),)* Q 4: K >y N () , : N )R .oluci,nE :#),&* Q 4: K >y N () , y N )R. .oluci,n E E#$>,)* Q : N ), y N )R .oluci,nE <#),)* /0 Determinar los v$rtices %e la regi!n 9actibleE 2os -+rtices de la regi,n factible son aquellos puntos que cumplen todas las restricciones. .i sustituimos los puntos en cada una de las desigualdades tenemos queE ! no cumple la segunda restricci,n 4: K >y () , ya que 4T) K >T' N /) . Por tanto, el punto ! no es un -+rtice de la regi,n factible. E no cumple la primera restricci,n /: K >y /) , ya que /T$> K >T) N &) . Por tanto, el punto E no es un -+rtice de la regi,n factible.

2os puntos C, ;, : y < -erifican todas las desigualdades, son los -+rtices de la regi,n factible. 20 Calcular los valores %e la 9unci!n ob*etivo en los v$rticesE f#C* N f#>,/* N (T> K 'T/ N /% f#:* N f#),&* N (T) K 'T& N /' f#;* N f#$),)* N (T$) K 'T ) N () f#<* N f#),)* N (T) K 'T) N )

2a soluci,n ,ptima corresponde al -+rtice para el que la funci,n ob9eti-o toma el -alor mximo. En este caso es el -+rtice :#),&*. #ste m$to%o es el menos utiliza%o %e los tres :ue veremos

#s:uema pr-ctico
2os problemas de programaci,n lineal pueden presentarse en la forma estndar, dando la funci,n ob9eti-o y las restricciones, o bien plantearlos mediante un enunciado. .i +ste es el caso, puede seguirse el camino que indicamos a continuaci,n, e9emplificado con el siguiente problemaE #n un almac$n se guar%a aceite %e girasol y %e oliva. ,ara aten%er a los clientes se han %e tener almacena%os un m&nimo %e /3 bi%ones %e aceite %e girasol y D3 %e aceite %e oliva y7 a%em-s7 el n>mero %e bi%ones %e aceite %e oliva no %ebe ser in9erior a la mita% %el n>mero %e bi%ones %e aceite %e girasol. La capaci%a% total %el almac$n es %e +63 bi%ones. Sabien%o :ue el gasto %e almacena*e es el mismo para los %os tipos %e aceite <+ uni%a% monetaria0 . 'Cu-ntos bi%ones %e ca%a tipo habr- :ue almacenar para :ue el gasto sea m-.imo)
;bs" ,ue%e parecer algo absur%o ma.imizar los gastos 7 pero se ha enuncia%o %e esta 9orma para :ue el e*emplo sea lo m-s completo posible

,aso +E" 2eer detenidamente el enunciadoE determinar el ob9eti-o, definir las -ariables y escribir
la funci,n ob9eti-o.

El ob9eti-o esE halla cuntos bidones de cada tipo hay que almacenar para maximi3ar los gastos .uponemos que tal ob9eti-o se consigue almacenado : bidones de aceite de girasol e y de aceite de oli-a ;,mo cada bid,n de aceite de girasol cuesta almacenarlo $ unidad monetaria y lo mismo para uno de aceite, los gastos sern x + y 2uego, la funci,n ob9eti-o esE 7aximi3ar la funci,n Z = f(x,y) = x + y

,aso /E" ?eordenar los datos del problema y a partir de las cantidades
decididas, x e y, escribir el sistema de inecuaciones que determinan las restricciones. Un m,nimo de 46 bidones de aceite de girasolE x /3 Un m,nimo de A6 bidones de aceite de olivaE y D3 )l n.mero de bidones de aceite de oliva no debe ser inferior a la mitad del n.mero de bidones de aceite de girasolE y .F/ Ca capacidad total del almacn es de 576 bidonesE x + y +63 3@y 3

Cdems, los nDmeros de bidones deben ser cantidades positi-asE x

;bs." Como veremos en e*emplos posteriores en algunas ocasiones pue%e interesar utilizar una tabla para recopilar to%a la in9ormaci!n y hacer los %os primeros aparta%os

,aso 2E" Expresar el problema en la forma estndar.

.iguiendo con el e9emplo, seraE 7aximi3arE @ ? f&:0y' ? : > y .u9eto aE : > y $>) y :P4 : 4) G y /)

Cqu termina el planteamiento del problema. Para su resoluci,n hay que continuar con E ,aso DEE ?epresentar grficamente las restricciones y marcar claramente la regi,n factible.
Para las restricciones anteriores debemos representar las rectasE x K y N $>) , y N xP4 , x N 4) e y N /), obteni+ndose la regi,n factible que en la figura se encuentra coloreada.

,aso 6EE =allar las coordenadas de los -+rtices del polgono obtenido.
?esol-iendo los sistemas E Q : N 4), y N /) R , Q y ? :P4 , y N /) R , Q y ? :P4 , : > y N $>)R , Q : > y N $>), : N 4)RG se obtienen los -+rticesE C#4),/)* , !#'),/)* , ;#$)), >)* , :#4),$()*

,aso GEE .ustituir las coordenadas de esos puntos en la funci,n ob9eti-o y hallar el -alor mximo
o mnimo. .ustituyendo en f#x,y* N x K y, se tieneE f#4),/)* N &) , f#'),/)* N $4) , f#$)), >)* N $>) , f#4),$()* N $>) ;omo el -alor mximo se obtiene en los puntos ; y :, puede optarse por cualquiera de los dos, o por cualquier punto perteneciente al segmento que los une. Cs, por e9emplo, se obtendra el mismo gasto con /) bidones de aceite girasol y $$) bidones de aceite de oli-aG o 1) y &) respecti-amente.

,aso HE" 5ambi+n es con-eniente representar las rectas de ni-el para comprobar que la soluci,n
grfica coincide con la encontrada. Esta con-eniencia se con-ierte en necesidad cunado la regi,n factible es no acotada. En nuestro caso, puede comprobarse que las rectas de ni-el tienen la misma pendiente que la recta lmite de la restricci,n : > y $>) G por tanto, hay mDltiples soluciones.

,aso 5EE Por Dltimo, como en la resoluci,n de todo problema es necesario criticar la soluci,nE
cerciorarse de que la soluci,n hallada es l,gica y correcta. En este e9emplo, no todos los puntos del segmento ;: son soluciones -lidas, ya que no podemos admitir -alores de : e y no enteros , como ocurrira en el punto #1).>,>1.>* . ;bs." Si un problema en la 9orma est-n%ar no in%ica :ue se %ebe realizar por el m$to%o anal&tico o gr-9ico 7 seguiremos para su resoluci!n los pasos %el DE al 5E

Iipos %e soluciones
2os programas lineales con dos -ariables suelen clasificarse atendiendo al tipo de soluci,n que presentan. Ustos pueden serE

Factibles

Si e.iste el con*unto %e soluciones o valores :ue satis9acen las restricciones. C su -e3, pueden serE Con soluci!n >nica )n una urbanizacin se van a construir casas de dos tiposD ! y (. Ca empresa constructora dispone para ello de un m:imo de 5266 millones de pesetas0 siendo el coste de cada tipo de casa de 86 y 46 millones0 respectivamente. )l !yuntamiento e:ige Eue el n.mero total de casas no sea superior a 26. Sabiendo Eue el beneficio obtenido por la venta de una casa de tipo ! es A millones y de 8 millones por una de tipo (0 9cuntas casas deben construirse de cada tipo para obtener el m:imo beneficio;

VariablesD : N nJ de casas tipo C G y N nJ de casas tipo ! @unci,n ob9eti-oE 7aximi3ar @ N f#:0y* N /: K (y ;on9unto de restriccionesE El coste total (): K 4)y $')) . El Cyuntamiento impone : > y ') . :e no negati-idadE : ) , y ).

5iene por regi,n factible la regi,n coloreada. .i hallamos los -alores de la funci,n ob9eti-o en cada uno de los -+rtices E f#<* N f#),)* N ) G f#;*Nf#&),)* N 4/) Gf#:* N f#4),&)* N 4&) G f#E* N f#),')* N 4/) 2a soluci,n es Dnica, y corresponde al -+rtice para el que la funci,n ob9eti-o toma el -alor mximo. En este caso es el -+rtice :#4),&)*. Por tanto se deben construir 4) casas de tipo C y &) de tipo ! con un coste de 4&) millones de pesetas.

Con soluci!n m>ltiple

Si e.iste m-s %e una soluci!n....................................................................................... Ma:imizar la funcin @ ? f&:0y' ? A: > 4y su/eta a las restricciones 4: > y A 0 : - y 5 0 : 6 0 y 6.

2os -alores de la fucni,n ob9eti-o en cada uno de los -+rtices sonE f#<*Nf#),)* N ) , f#C* N f#$,)* N / G f#!*Nf#>P(,4P(* N ' , f#;* N f#),/* N ' 2a funci,n ob9eti-o alcan3a el -alor mximo en los -+rtices ! y ;, por tanto, en todos los puntos del segmento !;. =ay infinitas soluciones, soluci,n mDltiple, que corresponden a los puntos del segmento situado entre dos -+rtices de la regi,n factible. En estos casos, como ya -imos en el captulo anterior, la funci,n ob9eti-o es paralela a una de las restricciones.

Con soluci!n no Cuan%o no e.iste l&mite para la 9unci!n ob*etivo acota%a Ma:imizar la funcin @ ? f&:0y' ? : > y su/eta a las restricciones y 4: 0 y :B4 . 5iene por regi,n factible la 3ona coloreada que aparece en la figura, que es una regi,n no acotada. 2a funci,n crece indefinidamente para -alores crecientes de : e y. En este caso no existe un -alor extremo para la funci,n ob9eti-o, por lo que puede decirse que el problema carece de soluci,n. Para que suceda esta situaci,n la regi,n factible debe estar no acotada.

No 9actibles

Cuan%o no e.iste el con*unto %e soluciones :ue cumplen las restricciones7 es %ecir7 las restricciones son inconsistentes.

Ma:imizar la funcin @ ? f&:0y' ? 8: > 2y su/eta a las restricciones : > y F 0 : > y 4 0 : 6 0 y 6. Io existe la regi,n factible, ya que las 3onas coloreadas que aparecen en la figura son Dnicamente soluciones de alguna de las inecuaciones . Por tanto, el con9unto de soluciones del sistema de desigualdades no determina ninguna regi,n factible. Este tipo de problemas carece de soluci,n.

M$to%o %el Simple.

Es un procedimiento iterati-o que permite ir me9orando la soluci,n a cada paso. El proceso concluye cuando no es posible seguir me9orando ms dicha soluci,n. Partiendo del -alor de la funci,n ob9eti-o en un -+rtice cualquiera, el m+todo consiste en buscar sucesi-amente otro -+rtice que me9ore al anterior. 2a bDsqueda se hace siempre a tra-+s de los lados del polgono #o de las aristas del poliedro, si el nDmero de -ariables es mayor*. ;,mo el nDmero de -+rtices #y de aristas* es finito, siempre se podr encontrar la soluci,n. El m+todo del simplex se basa en la siguiente propiedadE si la funci,n ob9eti-o, f, no toma su -alor mximo en el -+rtice C, entonces hay una arista que parte de C, a lo largo de la cual f aumenta. Vamos a resol-er mediante el m+todo del simplex el siguiente problemaE 7aximi3ar @? f&:0y'? 8: > 4y 52 A4 4A ) 4: > 8y 8: > y x ),y .e consideran las siguientes fasesE +. Convertir las %esigual%a%es en igual%a%es .e introduce una variable de holgura por cada una de las restricciones, para con-ertirlas en igualdades, resultando el sistema de ecuaciones linealesE 4: > y > h ? 52 4: > 8y > s ? A4 8: >y > d ? 4A /. Jgualar la 9unci!n ob*etivo a cero
El m+todo del simplex fue creado en $1/% por el matemtico 6eorge :ant3ig . El m+todo del simplex se utili3a, sobre todo, para resol-er problemas de programaci,n lineal en los que inter-ienen tres o ms -ariables. El lgebra matricial y el proceso de eliminaci,n de 6auss" ordan para resol-er un sistema de ecuaciones lineales constituyen la base del m+todo simplex.

.u9eto aE 4: > y

- 8: - 4y > @ ? 6 2. #scribir la tabla inicial simple. En las columnas aparecern todas las -ariables del problema y, en las filas, los coeficientes de las igualdades obtenidas, una fila para cada restricci,n y la Dltima fila con los coeficientes de la funci,n ob9eti-oE

5abla I . Iteraci,n nJ $
!ase Variable de decisi,n Variable de holgura Valores soluci,n : h s d @ 4 4 2 "( G $ ( $ "4 h $ ) ) ) s ) $ ) ) d ) ) $ ) $' /4 4/ )

D. #ncontrar la variable %e %ecisi!n :ue entra en la base y la variable %e holgura :ue sale %e la base

1. Para escoger la -ariable de decisi,n que entra en la base, nos fi9amos en la Dltima fila, la
de los coeficientes de la funci,n ob9eti-o y escogemos la -ariable con el coeficiente negati-o mayor #en -alor absoluto*. En nuestro caso, la -ariable : de coeficiente " (. .i existiesen dos o ms coeficientes iguales que cumplan la condici,n anterior, entonces se elige uno cualquiera de ellos. .i en la Dltima fila no existiese ningDn coeficiente negati-o, significa que se ha alcan3ado la soluci,n ,ptima. Por tanto, lo que -a a determinar el final del proceso de aplicaci,n del m+todo del simplex, es que en la Dltima fila no haya elementos negati-os. 2a columna de la -ariable que entra en la base se llama columna pivote #En color ver%e*.

A. Para encontrar la -ariable de holgura que tiene que salir de la base, se di-ide cada t+rmino
de la Dltima columna #-alores soluci,n* por el t+rmino correspondiente de la columna pi-ote, siempre que estos Dltimos sean mayores que cero. En nuestro casoE $'P4 VN1W , /4P4 VN4$W y 4/P( VN'W .i hubiese algDn 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 tendramos una soluci,n no acotada y no se puede seguir. El t+rmino de la columna pi-ote que en la di-isi,n anterior d+ lugar al menor cociente positi-o, el (, ya ' es el menor, indica la fila de la -ariable de holgura que sale de la base, d. Esta fila se llama fila pivote #En color ver%e*. .i al calcular los cocientes, dos o ms son iguales, indica que cualquiera de las -ariables correspondientes pueden salir de la base.

*. En la intersecci,n de la fila pi-ote y columna pi-ote tenemos el elemento pi-ote

operacional, 2. 6. #ncontrar los coe9icientes %e la nueva tabla. 2os nue-os coeficientes de : se obtienen di-idiendo todos los coeficientes de la fila d por el pi-ote operacional, (, que es el que hay que con-ertir en $. C continuaci,n mediante la reducci,n gaussiana hacemos ceros los restantes t+rminos de su columna, con lo que obtenemos los nue-os coeficientes de las otras filas incluyendo los de la funci,n ob9eti-o @. 5ambi+n se puede hacer utili3ando el siguiente esquemaE @ila del pi-oteE Nueva 9ila %el pivote1 <Kie*a 9ila %el pivote0 " <,ivote0 ?esto de las filasE Nueva 9ila1 <Kie*a 9ila0

L <Coe9iciente %e la vie*a 9ila en la columna %e la variable entrante0 M

<Nueva 9ila %el pivote0

Vemoslo con un e9emplo una -e3 calculada la fila del pi-ote #fila de x en la 5abla II*E Vie9a fila de s ;oeficiente Iue-a fila pi-ote Iue-a fila de s 4 " 4 x $ N ) ( " 4 x $P( N %P( ) " 4 x ) N ) $ " 4 x ) N $ ) " 4 x $P( N "4P( /4 " 4 x ' N 4&

5abla II . Iteraci,n nJ 4
!ase Variable de decisi,n Variable de holgura Valores soluci,n : h s : @ ) ) $ ) y +F2 %P( $P( "$ h $ ) ) ) s ) $ ) ) d "4P( "4P( $P( $ 4 4& ' 4/

;omo en los elementos de la Dltima fila hay uno negati-o, "$, significa que no hemos llegado toda-a a la soluci,n ,ptima. =ay que repetir el procesoE

1. 2a -ariable que entra en la base es y, por ser la -ariable que corresponde al coeficiente "$ A. Para calcular la -ariable que sale, di-idimos los t+rminos de la Dltima columna entre los
t+rminos correspondientes de la nue-a columna pi-oteE 4E$P( VN&W , 4&E%P( VN%'P%W y 'E$P( VN'W y como el menor cociente positi-o es &, tenemos que la -ariable de holgura que sale es h. El elemento pi-ote, que ahora hay que hacer $, es +F2. <perando de forma anloga a la anterior obtenemos la tablaE

*.

5abla III . Iteraci,n nJ (

!ase Variable de decisi,n Variable de holgura Valores soluci,n : y s : @ ) ) $ ) y $ ) ) ) h ( "% "$ ( s ) ) ) ) d "4 D $ "$ & $4 & ()

;omo en los elementos de la Dltima fila hay uno negati-o, "$, significa que no hemos llegado toda-a a la soluci,n ,ptima. =ay que repetir el procesoE

1. 2a -ariable que entra en la base es d, por ser la -ariable que corresponde al coeficiente "$ A. Para calcular la -ariable que sale, di-idimos los t+rminos de la Dltima columna entre los
t+rminos correspondientes de la nue-a columna pi-oteE &P#"4* VN"(W , $4P/ VN(W, y &E$ VN&W y como el menor cociente positi-o es (, tenemos que la -ariable de holgura que sale es s. El elemento pi-ote, que ahora hay que hacer $, es D.

*.

<btenemos la tablaE

5abla IV . @inal del proceso

!ase Variable de decisi,n Variable de holgura Valores soluci,n : y d : @ ) ) $ ) y $ ) ) ) h "$P4 "%P/ "(P/ >P/ s ) ) ) ) d ) $ ) +/ ( 2 22

;omo todos los coeficientes de la fila de la funci,n ob9eti-o son positi-os, hemos llegado a la soluci,n ,ptima. 2os soluci,n ,ptima -iene dada por el -alor de S en la columna de los -alores soluci,n, en nuestro casoE 22. En la misma columna se puede obser-ar el -+rtice donde se alcan3a, obser-ando las filas correspondientes a las -ariables de decisi,n que han entrado en la baseE D<27+/0 X .i en el problema de maximi3ar apareciesen como restricciones inecuaciones de la formaE ax K by cG multiplicndolas por " $ se transforman en inecuaciones de la forma " ax " by " c y

estamos en el caso anterior X .i en lugar de maximi3ar se trata de un problema de minimi3ar se sigue el mismo proceso, pero cambiando el sentido del criterio, es decir, para entrar en la base se elige la -ariable cuyo -alor, en la fila de la funci,n ob9eti-o, sea el mayor de los positi-os y se finali3an las iteraciones cuando todos los coeficientes de la fila de la funci,n ob9eti-o son negati-os

Jnterpretaci!n geom$trica %el m$to%o %el simple.

2as sucesi-as tablas que hemos construido -an proporcionando el -alor de la funci,n ob9eti-o en los distintos -+rtices, a9ustndose, a la -e3, los coeficientes de las -ariables iniciales y de holgura. En la primera iteraci,n #5abla I* han permanecido todos los coeficientes iguales, se ha calculado el -alor de la funci,n ob9eti-o en el -+rtice C#),)*, siendo este ). C continuaci,n se despla3a por la arista C!, calculando el -alor de f , hasta llegar a !. Este paso aporta la 5abla II. En esta segunda iteraci,n se ha calculado el -alor que corresponde al -+rtice !#',)*E SNf#',)* N 4/ .igue por la arista !;, hasta llegar a ;, donde se para y despliega los datos de la 5abla III. En esta tercera iteraci,n se ha calculado el -alor que corresponde al -+rtice ;#&,&* E SNf#&,&*N(). ;ontinua haciendo clculos a tra-+s de la arista ;:, hasta llegar al -+rtice :. 2os datos que se refle9an son los de la 5abla IV. ;oncluye con esta tabla, ad-irtiendo que ha terminado #antes ha comprobado que la soluci,n no me9ora al despla3arse por la arista :E* El -alor mximo de la funci,n ob9eti-o es ((, y corresponde a x N ( e y N $4 #-+rtice :*. .i calculas el -alor de la funci,n ob9eti-o en el -+rtice E#),$/*, su -alor no supera el -alor ((.

$e resar a la ) ina )rincipal

M<;$8$ 82 S$L).I94 ',5FI.$

regresar

Introduccin. La PL es una t0cnica mediante la cual se toman decisiones# reduciendo el pro%lema %a&o estudio a un modelo matemtico general# el cual de%e ser resuelto por m0todos cuantitativos. En desarrollo de este captulo se aplicarn la soluci n de dichos modelos aplicando diversas t0cnicas como, el m0todo grfico# m0todo simple$# m0todo matricial# t0cnica de la gran M.

1dems se desarrollara la aplicaci n de varia%les artificiales " o%tenci n de soluciones para identificar a que tipo de clasificaci n pertenecen. Por medio de dichos modelos de soluci n se podr o%tener las soluci n adecuada para cada pro%lema " facilitar la toma de decisiones. M*todo gr#%ico. El m0todo grfico se utili'a para la soluci n de pro%lemas de PL# representando geom0tricamente a las restricciones# condiciones t0cnicas " el o%&etivo. El modelo se puede resolver en forma grfica si s lo tiene dos varia%les. Para modelos con tres o ms varia%les# el m0todo grfico es imprctico o imposi%le. *uando los e&es son relacionados con las varia%les del pro%lema# el m0todo es llamado m0todo grfico en actividad. *uando se relacionan las restricciones tecnol gicas se denomina m0todo grfico en recursos. Los pasos necesarios para reali'ar el m0todo son nueve, -. graficar las soluciones facti%les# o el espacio de soluciones (facti%le)# que satisfagan todas las restricciones en forma simultnea. 9. Las restricciones de no negatividad XiTB . confan todos los valores posi%les. ?. El espacio encerrado por las restricciones restantes se determinan sustitu"endo en primer t0rmino YB por (B) para cada restricci n# con lo cual se produce la ecuaci n de una lnea recta. I. tra'ar cada lnea recta en el plano " la regi n en cual se encuentra cada restricci n cuando se considera la desigualdad lo indica la direcci n de la flecha situada so%re la lnea recta asociada. 7. *ada punto contenido o situado en la frontera del espacio de soluciones satisfacen todas las restricciones " por consiguiente# representa un punto facti%le. :. 1unque ha" un nmero infinito de puntos facti%les en el espacio de soluciones# la soluci n ptima puede determinarse al o%servar la direcci n en la cual aumenta la funci n o%&etivo. 6. Las lneas paralelas que representan la funci n o%&etivo se tra'an mediante la asignaci n de valores ar%itrarios a fin de determinar la pendiente " la direcci n en la cual crece o decrece el valor de la funci n o%&etivo. E&emplo. Ma$imi'ar H B ?X- @ 9X9 restricciones , X- @ 9X9 YB: 9X- @ X9 YBJ LX- @ X9 YBX9 YB 9 XTB . X9 TB .

(-) (9) (?) (I) (7) (:)

*onvirtiendo las restricciones a igualdad " representandolas grficamente se tiene,

X- @ 9X9 B : 9X- @ X9 B J LX- @ X9 B X9 B 9 XB. X9 B .

(-) (9) (?) (I) (7) (:)

Nigura - Espacio de soluci n presentada con Vin[s%

Nigura 9 2eterminaci n de soluci n

Ma$imi'ar

H B ?X- @ 9X9 Punto 1 A * (X-# X9) (.# .) (I# .) (?.?# -.?) (9# ?) (-# ?) (.# 9) H . -9 -9.: -9 P I

( ptima ) 2 E N

Ca%la 9. +oluci n M0todo Urfico )ara obtener la solucin rfica, despus de haber obtenido el espacio de solucin y raficada la funcin objetivo el factor clave consiste en decidir la direccin de mejora de la funcin objetivo&

M<;$8$ SIMPL2=. >8ant+ig 1?@AB

regresar

En la soluci n grfica o%servamos que la soluci n ptima est asociada siempre con un punto e$tremo del espacio de soluciones. El m0todo simple$ est %asado fundamentalmente en este concepto. *areciendo de la venta&a visual asociada con la representaci n grfica del espacio de soluciones# el m0todo simple$ emplea un proceso iterativo que principia en un punto e$tremo facti%le# normalmente el origen# " se despla'a sistemticamente de un punto e$tremo facti%le a otro# hasta que se llega por ltimo al punto ptimo. E$isten reglas que rigen la selecci n del siguiente punto e$tremo del m0todo simple$, -. El siguiente punto e$tremo de%e ser ad"acente al actual. 9. La soluci n no puede regresar nunca a un punto e$tremo considerado con la anterioridad. El algoritmo simple$ da inicio en el origen# que suele llamarse soluci n inicial. 2espu0s se despla'a a un punto e$tremo ad"acente. La elecci n especfica de uno a otro punto depende de los coeficientes de la funci n o%&etivo hasta encontrar el punto ptimo.

1l aplicar la condici n de optimidad a la ta%la inicial seleccionamos a Xi como la varia%le que entra. En este punto la varia%le que sale de%e ser una de las varia%les artificiales. Los pasos del algoritmo simple$ son ( -. ) , -. 2eterminar una soluci n %sica facti%le inicial. 9. Prue%a de optimidad, determinar si la soluci n %sica facti%le inicial es ptima " s lo si todos los coeficientes de la ecuaci n son no negativos ( TB . ). +i es as# el proceso termina( de otra manera se lleva a ca%o otra interacci n para o%tener la nueva soluci n %sica facti%le inicial. ?. *ondici n de facti%ilidad.L Para todos los pro%lemas de ma$imi'aci n " minimi'aci n# varia%le que sale es la varia%le %sica que tiene la ra' n ms peque!a (positiva). /na coincidencia se anula ar%itrariamente. I. +eleccionar las varia%les de holgura como las varia%les %sicas de inicio. 7. +elecciona una varia%le que entra de entre las varia%les no %sicas actuales que# cuando se incrementan arri%a de cero# pueden me&orar el valor de la funci n o%&etivo. +i no e$iste la soluci n %sica es la ptima# si e$iste pasar al paso siguiente. :. Deali'ar el paso iterativo. a) +e determina la varia%le %sica entrante mediante la elecci n de la varia%le con el coeficiente negativo que tiene el valor ma"or valor a%soluto en la ecuaci n. +e enmarca la columna correspondiente a este coeficiente " se le da el nom%re de columna pivote. %) +e determina la varia%le %sica que sale( para esta# se toma cada coeficiente positivo (T.) de la columna enmarcada# se divide el lado derecho de cada rengl n entre estos coeficientes# se identifica la ecuaci n con el menor cociente " se selecciona la varia%le %sica para esta ecuaci n. c) +e determina la nueva soluci n %sica facti%le constru"endo una nueva ta%la en la forma apropiada de eliminaci n de Uauss# a%a&o de la que se tiene. Para cam%iar el coeficiente de la nueva varia%le %sica en el rengl n pivote a -# se divide todo el rengl n entre el nmero pivote# entonces rengl n pivote nuevo B rengl n pivote antiguo nmero pivote para completar la primera iteraci n es necesario seguir usando la eliminaci n de Uauss para o%tener coeficientes de . para la nueva varia%le %sica X& en los otros renglones# para reali'ar este cam%io se utili'a la siguiente f rmula, rengl n nuevo B rengl n antiguo L ( coeficiente de la columna pivote X rengl n pivote nuevo) cuando el coeficiente es negativo se utili'a la f rmula, rengl n nuevo B rengl n antiguo @ (coeficiente de la columna pivote X rengl n pivote nuevo)

;ABLA SIMPL2= como se capturara la soluci n %sica facti%le inicial en el siguiente e&emplo, sea, Ma$imi'ar H B 9X-@IX9 su&eto a, 9X-@ X9YB 9?. X-@ 9X9YB 97. X9YB -9. todas las X-#X9TB.

BAS2 Z ++9 +?

Z . . . .

=1 L9 9 .

=2 LI 9 -

S1 . . .

S2 . . .

S& . . . -

S$L).I94 . 9?. 97. -9.

,AZ94 . 9?.W97.W9 -9.W-

+eleccione la varia%le que entra " la varia%le que sale de la %ase, Entra X9 " sale +?# se desarrolla la nueva ta%la soluci n " se continua el proceso iterativo hasta encontrar la soluci n optima si es que est e$iste. Ca%la <ptima,

BAS2 Z +XX9

Z . . . .

=1 . . .

=2 . . . -

S1 . . .

S2 9 L9 .

S& . ? L9 -

S$L).I94 7.. P. -. -9.

,AZ94

+oluci n, H B 57.. fa%ricando X-B-. X9B-9. +o%rante de +- B P. Cipo de soluci n, $ptima M3ltiple

Solucin de problemas en donde la solucin continua no sea aplicable

regresar

)so de pa"uetes computacionales en la solucin e interpretacin de los resultados

Puedes %a&ar el tutorial de Vin[s%@ Cutorial Vin[s%@ regresar CinDs!+E 2e%e %a&ar el +oftEare de apo"o para resolver los modelos de programaci n lineal. *nterpretacin de los resultados: 8eamos la salida de un modelo que involucra la planeaci n de la producci n# en donde se desean construir mesas " sillas el recurso disponi%le es ?. m9 de madera por semana# IJ horas por semana( la demanda de las sillas es de 7 unidades " la de mesas de -. unidades# la utilidad que se o%tiene por las mesas es de 5-. " por las sillas de 5J# ademas para construir la mesa se ocupa lo siguiente, I.7 m9 de madera por unidad# : horas por unidad. Para la silla se ocupan, -.7 m9 de madera por unidad " ? horas por cada unidad fa%ricada. *on esta informaci n se desarrolla el modelo siguiente, Ma$ H B -.X-@JX9 s.a. I.7X-@-.7X9 YB ?. :..X-@?..X9 YB IJ toda X-#X9 TB. *l reporte final de este modelo es el si uiente (por +in,sb" 2ecision +olution /nit *ost or Cotal 8aria%le 8alue Profit c& *ontri%ution X. X9 -:..... <%&etive Nunction Left Gand +ide -...... J..... (Ma$) B . -9J..... -9J..... Deduced Aasis 1lloEa%le 1lloEa%le +tatus Min c& Ma$ c& LM 7..... -:..... M

*ost L:..... at %ound . %asic

*onstraint

2irection

Digth Gand +lac4 or +hadoE +ide +urplas Price

1lloEa%le Min. DG+

1lloEa%le Ma$. DG+

**9

9I..... IJ.....

YB YB

?...... IJ.....

:..... .

. 9.:::6

9I..... .

M :......

I4;2,P,2;A.I94 82 LA SALI8A, *nformacin de la 6uncin 'bjetivo: 2ecision 8aria%le (8aria%le de 2ecisi n), +on las varia%les que se han definido en la formulaci n del pro%lema en este caso representan al producto X- B mesas " X9B sillas. +olution 8alue (8alor de la soluci n), *antidad de mesas " sillas a fa%ricar# el pro%lema se resuelve " nos indica que para o%tener la me&or soluci n en t0rminos de la utilidad# se necesitan fa%ricar -: sillas " no fa%ricar mesas. /nit *ost or Profit (costo por unidad# /tilidad por unidad), *antidad de pesos que vamos a ganar por cada mesa " por cada silla (5-. " 5J respectivamente. Cotal *ontri%ution (contri%uci n total), Es la cantidad en pesos que resulta al multiplicar la utilidad de cada producto por la cantidad que se va a fa%ricar# e&emplo al fa%ricar -: sillas " multiplicarlo por 5Wsilla J# la contri%uci n es de 5-9J.....# as al sumar la contri%uci n por concepto de las mesas nos arro&a una aportaci n de 5......# esto resulta de hacer la operaci n de (5Wmesa-.) (.mesas)B 5......# finalmente la suma de -9J.....@...... B 5-9J.....# esto es lo que se conoce como el valor de <%&etive Nunction Ma$. Deduced *ost (*osto reducido), esto nos indica el dinero que hemos de&ado de ganar por cada unidad no fa%ricada. en este caso de%emos de aumentar a mas de 5:..... la utilidad de la mesa para que sea atractiva la fa%ricaci n de mesas. Aasis +tatus (estado de la %ase), Fndica si la varia%le es %sica o no %sica# en este e&emplo la varia%le X- (mesas) resulta ser no %sica# esto es que no forma parte de la soluci n ptima# la varia%le X9 (sillas) es una varia%le %sica# "a que forma parte de la soluci n. 1lloEed Min c& (rango mnimo del c&), esta es la mnima utilidad que puedo o%tener sin que la %ase actual cam%ie. (LM) 1lloEed Ma$ c& (rango mnimo del c&), esta es la m$ima utilidad que puedo o%tener sin que la %ase actual cam%ie. (-:.....) los valores que aparecen son para el producto Mesa. *nterpretacin de las $estricciones: *onstraint (Destricci n), +on las restricciones que forman parte del pro%lema# se tienen dos restricciones (*- " *9) la restricci n de la madera " la de horas hom%re.

Left hand side (valor al lado i'quierdo), esto nos indica el consumo de recurso# de ?..... m9 de madera se consumieron 9I.... m9. 2irection (direcci n), es la direcci n de la restricci n (YB#TB o B) Digth hand side (valor lado derecho), es el recurso disponi%le actualmente ?. m9 +lac4 or +urplas (holguras), nos indican un faltante o %ien un so%rante +hadoE Price (precio som%ra), nos indica la soluci n 2ual# esto es que el 9.:::6 indica que cada hraLhom%re se de%e ofrecer como mnimo en 5Whr 9.:::6. 1lloEed Min DG+ (rango mnimo del %&), esta es la mnima cantidad de recurso que se de%e de mantener sin que la %ase actual cam%ie. (. hrsLhom%re) 1lloEed Ma$ DG+ (rango mnimo del %&), esta es la m$ima cantidad de recurso que se de%e de mantener sin que la %ase actual cam%ie (:...... hrsLhom%re) regresar

S;LNCJON G=PFJCA D# ,=;BL#MAS D# ,=;G=AMACJON LJN#AL

7uchos problemas de administraci,n y economa estn relacionados con la optimi3aci,n #maximi3aci,n o minimi3aci,n* de una funci,n su9eta a un sistema de igualdades o desigualdades. 2a funci,n por optimi3ar es la 9unci!n ob*etivo. 2as funciones de ganancia y de costo son e9emplos de funciones ob9eti-o. El sistema de igualdades o desigualdades a las que est su9eta la funci,n ob9eti-o refle9an las restricciones #por e9emplo, las limitaciones sobre recursos como materiales y mano de obra* impuestas a la soluci,n #o soluciones* del problema. 2os problemas de esta naturale3a se llaman problemas de programacin matemtica. En particular, aquellas donde la funci,n ob9eti-o y las restricciones se expresan como ecuaciones o desigualdades lineales se llaman problemas de programacin lineal.

Nn problema %e 8n problema de programaci,n lineal consta de una funciYn ob9eti-o lineal por m programaci!n lineal su9eta a ciertas restricciones en la forma de igualdades o desigualdades lineal ;omo e9emplo de un problema de programaci,n lineal en que la funci,n ob9eti-o debe maximi3arse, considerese el siguiente problema de producci,n con dos -ariables

El granjero Lopez tiene 480 hectrea en la !"e e p"e#e e$%rar ya ea trigo MaizD o $a&z' El calc"la !"e tiene 800 hora #e tra%ajo #i poni%le #"rante la UtilidadD HA6 po e taci(n cr"cial #el )erano' *a#o $rgene #e "tili#a# y lo re!"eri$iento *raba/oD 4hs po

la%orale $o tra#o a la #erecha, +,"nta hectrea #e ca#a "no #e%e plantar para $axi$izar " "tili#a#-+,"l e . ta "tili#a# $xi$a-

*rigoD UtilidadD H86 po *raba/oD 5hs po

/ol"ci(n0 ;omo primer paso para la formulaci,n matemtica de este problema, se tabula la informaci,n dada #5abla $*. .i llamamos : a las hectreas de ma3 e y a las hectreas de trigo. Entonces la ganancia total %, en d,lares, est dada porD PN/)xK()y Hue es la funci,n ob9eti-o por maximi3ar. Ma&z Irigo #lementos %isponibles

Boras 4 $ Bect-reas $ $ ')) Ntili%a% por uni%a% Z/) Z() /') 2a cantidad total de tiempo par hectreas para sembrar ma3 y trigo est dada por 4:>y horas que no debe exceder las ')) horas disponibles para el traba9o. Cs se tiene la desigualdadE 4:>y<266 )n forma anloga0 la cantidad de hectreas disponibles est dada por :>y0 y sta no puede e:ceder las hectreas disponibles para el traba/o0 lo Eue conduce a la desigualdad. %or .ltimo0 si no Eueremos tener prdidas0 : y y no pueden ser negativa0 de modo Eue :>6 y>6 )n resumen0 el problema en cuestin consiste en ma:imizar la funcin ob/etivo %?A6:>86y su/eta a las desigualdades 4:>y<266 :>y<A26 :>6 y>6 /ol"ci(n 1rfica 2os problemas de programaci,n lineal en dos -ariables tienen interpretaciones geom+tricas relati-amente sencillasG por e9emplo, el sistema de restricciones lineales asociado con un problema de programaci,n lineal bidimensional" si no es inconsistente" define una regi,n plana cuya frontera est formada por segmentos de recta o semirrectas, por lo tanto es posible anali3ar tales problemas en forma grfica.

.i consideremos el problema del gran9ero 2,pe3, es decir, de maximi3ar % ? A6:> 86y su9eta a 4:>y<266 :>y<A26 :>60 y>6 &I' El sistema de desigualdades #%* define la regi,n plana S que aparece en la figura >. ;ada punto de S es un candidato para resol-er este problema y se conoce

como soluci!n 9actible. El con9unto S se conoce como con*unto 9actible. El ob9eti-o es encontrar [ entre todos los puntos del con9unto S" el punto o los puntos que optimicen la funci,n ob9eti-o %. 5al soluci,n factible es una soluci!n !ptima y constituyen la soluci,n del problema de programaci,n lineal en cuesti,n. ;omo ya se ha obser-ado, cada punto %&:0y' en S es un candidato para la soluci,n ,ptima del problema en cuesti,n, por e9emplo, es fcil -er que el punto #4)), $>)* est en S y, por lo tanto, entra en la competencia. El -alor de la funci,n ob9eti-o % en el punto &4660576' est dado por %?A6&466'>86&576'?54.766 . Chora si se pudiera calcular el -alor de % correspondiente a cada punto de S, entonces el punto #o los puntos* en S que proporcione el -alor mximo de % formar el con9unto soluci,n buscado. Por desgracia, en la mayora de los problemas, la cantidad de candidatos es demasiado grande o, como en este problema, es infinita. Cs este m+todo no es adecuado. Es me9or cambiar de punto de -istaE en -e3 de buscar el -alor de la funci,n ob9eti-o % en un punto factible, se asignar un -alor a la funci,n % y se buscarn los puntos factibles que correspondieran a un -alor dado de %. Para esto sup,ngase que se asigna a % el -alor &))). Entonces la funci,n ob9eti-o se con-ierte en A6:> 86y ? F.6660una ecuaci,n lineal en : e yG por lo tanto, tiene como grfica una lnea recta C5 en el plano. Est claro que a cada punto del segmento de recta dado por la intersecci,n de la lnea recta C5 y el con9unto factible S corresponde el -alor dado &))) de %. Cl repetir el proceso, pero ahora asignando a % el -alor de $4.))), se obtiene la ecuaci,n A6:> 86y ?54.666 y la recta C4 lo cual sugiere que existen puntos

factibles que corresponden a un -alor mayor de %. <bs+r-ese que la recta C4 es paralela a C5, pues ambas tienen una pendiente igual a JAB8. Esto se comprueba con facilidad escribiendo las ecuaciones en explcita de la recta. En general, al asignar di-ersos -alores a la funci,n ob9eti-o, se obtiene una familia de rectas paralelas, cada una con pendiente igual a JAB8. Cdems, una recta correspondiente a un -alor mayor de % est ms ale9ada del origen que una recta con un -alor menor de %. El significado es claro. Para obtener las soluciones ,ptimas de este problema, se encuentra la recta perteneciente a esta familia que se encuentra ms le9os del origen y que interseque al con9unto factible S. 2a recta requerida es aquella que pasa por el punto %&84605F6' #@ig. &*, de modo que la soluci,n de este problema est dado por :?8460 y?5F6 # es decir que el gran9ero 2,pe3 deber sembrar (4) hectreas de ma3 y $&) hectreas de trigo*, lo que produce el -alor mximo %?A6&846'>86&5F6'?5I.F66. Io es casualidad que la soluci,n ,ptima de este problema apare3ca como -+rtice del con9unto factible S. :e hecho, el resultado es consecuencia del siguiente teorema bsico de la programaci,n lineal, que se enuncia sin demostraci,n. Ieorema +

.i en problema de programaci,n lineal tiene una soluci,n, entonces +sta debe apa esquina, del con9unto factible S asociado con el problema. Cdems, si la funci,n ob dos -+rtices adyacente de S, entonces se optimi3a en todos los puntos del segmen estos -+rtices, en cuyo caso existe una infinidad de soluciones al problema

En nuestro e9emplo los Dnicos -+rtice del con9unto factible S son los puntos coordenadosE &606'K &A6606'K &84605F6'K &60A26*, llamados tambi+n puntos esquinas #@ig. &*.

8n e9emplo en el que tendramos infinitas soluciones, esE .up,ngase que la utilidad por hectreas es de Z/) para ambos, ma3 VE?5I;E PN/)xK/)y este caso muestra la misma utilidad total en los -+rtices#),/')* y #(4), #),)* ) que la lnea de utilidad en mo-imiento abandona la regi,n sombreada #),/')* $1.4)) determinado por esos -+rtices #adyacentes* , as todo punto en ese lad mxima. 5oda-a es -lido, sin embargo, que la utilidad mxima ocurr #(4),$&)* $1.4)) #/)),)* $&.))) El teorema $ dice que la bDsqueda de las soluciones a un problema de programaci,n lineal se puede restringir al examen del con9unto de -+rtices del con9unto factible S relacionado con el problema. ;omo un con9unto factible S tiene un nDmero finito de -+rtices, el teorema sugiere que las soluciones a un problema de programaci,n lineal se puedan hallar inspeccionando los -alores de la funci,n ob9eti-o P en los -+rtices. Cunque el teorema $ arro9a un poco de lu3 acerca de la naturale3a de la soluci,n de un problema de programaci,n lineal, no indica cundo tiene

soluci,n. El siguiente teorema establece ciertas condiciones que garanti3an la existencia de la soluci,n de un problema de programaci,n lineal. 2eore$a 30 Exi tencia #e "na ol"ci(n

Supngase un problema de programacin lineal con un con/unto factible S y una fu by. 5. Si S est acotado0 entonces % tiene u valor m:imo y n valor m,nimo en S. 4. Si S no est acotado y tanto a como b son no negativos0 entonces % tiene un va restricciones Eue definen a S incluyen las desigualdades : L 6 e y L 6. 8. Si S es el con/unto vac,o0 entonces el problema de programacin lineal no tien no tiene un valor m:imo ni uno m,nimo

El m+todo utili3ado para resol-er el problema del gran9ero 2,pe3 recibe el nombre de m$to%o %e las es:uinas. Este m+todo sigue un procedimiento muy sencillo para resol-er los problemas de programaci,n lineal basado en el teorema$. 4.to#o #e la e !"ina

5. Se grafica el con/unto factible. 4. Se encuentran las coordenadas de todas las esEuinas &vrtices' del con/unto 8. Se eval.a la funcin ob/etivo en cada esEuina. A. Se halla el vrtice Eue proporcione el m:imo &m,nimo' de la funcin ob/etivo. S con esta propiedad0 entonces constituye una solucin .nica del problema. Si la fun ma:imiza &minimiza' en dos esEuinas adyacentes de S0 entonces e:iste una infinid ptimas dadas por los puntos del segmento de recta determinado por estos dos v

Cplicaremos los conceptos antes emitidos al siguiente problema de nutrici,n, basado en los requerimientos, en el cual hay que minimi3ar la funci,n ob9eti-o. 5n n"tricioni ta a e ora a "n in#i)i#"o !"e "fre "na #eficiencia #e hierro y )ita$ina 6, y le in#ica !"e #e%e ingerir al $eno 3400 $g #e )ita$ina 678 (tia$ina) y 8900 $g #e )ita$ina 673 (ri%ofla)ina) #"rante cierto per&o#o #e tie$po' Exi ten #o p&l#ora #e )ita$ina #i poni%le , la $arca : y la $arca 6' ,a#a p&l#ora #e la $arca : contiene 40 $g #e hierro, 80 $g #e )ita$ina 67 8, 9 $g #e )ita$ina 673 y c"e ta ; centa)o ' ,a#a p&l#ora #e la $arca 6 contiene 80 $g #e hierro, 89 $g #e )ita$ina 678 y #e )ita$ina 673, y c"e ta 8 centa)o (ta%la 3)' +,"le co$%inacione #e p&l#ora #e%e co$prar el paciente para c"%rir " re!"eri$iento #e hierro y )ita$ina al $enor co to7arca C =ierro Vitamina !"$ Vitamina !"4 ;osto por pldora #8.Z* /) mg $) mg > mg ),)& 7arca ! $) mg $> mg $> mg ),)' ?equerimientos mnimos 4/)) mg 4$)) mg $>)) mg

Solucin: .ea : el nDmero de pldoras de la marca C e y el nDmero de pldoras de la marca ! por comprar. El costo #, medido en centa-os, est dado por # ? F:> 2y que representa la funci,n ob9eti-o por minimi3ar. 2a cantidad de hierro contenida en : pldoras de la marca C e y el nDmero de pldoras de la marca ! est dada por A6:>56y mg, y esto debe ser mayor o igual a 4/)) mg. Esto se traduce en la desigualdad. A6:>56y>4A66 ;onsideraciones similares con los requisitos mnimos de -itaminas !"$ y !"4 conducen a las desigualdadesE 56:>57y>4566 7:>57y>5766 respecti-amente. Cs el problema en este caso consiste en minimi3ar #?F:>2y su9eta a A6:>56y>4A66 56:>57y>4566 7:>57y>5766 :>60 y>6 El con9unto factible S definido por el sistema de restricciones aparece en la figura. 2os -+rtices del con9unto factible S son !&604A6'K (&860546'K #&546K F6' y &86606'.

2os -alores de la funci,n ob9eti-o # en estos -+rtices en la tabla que sigue Vertice C #),4/)* !#(),$4)* ;#$4),&)* :#()),)* ;N&x K 'y $14) $$/) $4)) $'))

2a tabla muestra que el mnimo de la funci,n ob9eti-o #?F:>2y ocurre en el -+rtice (&860546' y tiene un -alor de $$/). Cs el paciente debe adquirir () pldoras de la marca C y $4) de la marca !, con un costo mnimo de Z$$,/). El mtodo de las esquinas es de particular utilidad para resolver problemas de programacin lineal en dos variables con un nmero pequeo de restricciones, como han demostrado los ejemplos anteriores, sin embargo su efectividad decrece con rapidez cuando el nmero de variables o de restricciones aumenta. Por ejemplo, se puede mostrar que un ejemplo de programacin lineal en tres variables cinco restricciones puede tener hasta diez esquinas factibles. !a determinacin de las esquinas factibles requiere resolver "# sistemas $%$ de ecuaciones lineales luego comprobar que cada uno es un punto factible, sustitu endo cada una de estas soluciones en el sistema de restricciones. &uando el nmero de variables de restricciones aumenta a cinco diez, respectivamente 'que an es un sistema pequeo desde el punto de vista de las aplicaciones en econom(a), la cantidad de vrtice por hallar comprobar como esquinas factibles aumenta hasta *+*, cada uno de estos vrtices se encuentra resolviendo el sistema lineal ...,de +%+- Por esta razn, el mtodo de las esquinas se utiliza con poca frecuencia para resolver problemas de programacin lineal, su valor reside en que permite tener una mejor idea acerca de la naturaleza de las soluciones a los problemas de programacin lineal a travs de su uso en la solucin de problemas de dos variables. $e resar a la P! ina Principal <=>1=:4:/ *E ,>4<52:,?@A <:=: =E/>LBE= <=>6LE4:/ *E <=>1=:4:,?>A L?AE:L )n esta pagina0 se presenta la documentacin relativa a los programas de computacin Eue sern utilizados en el curso para resolver problemas de programacin Cineal0 adicionalmente0 el alumno puede ba/ar los programas de computacin con fines acadmicos0 con miras a resolver los problemas propuestos del curso y no deben ser utilizados con fines comerciales ya Eue los mismos estn protegidos por las leyes de derechos de autor. :'7) <=>1=:4:/ *E ,>4<52:,?@A !dicional al programa S$CM)+0 incluido en )N#)C-4666 de MOcrosoft &cuya e:plicacin didctica del funcionamiento del programa Solver &AA7 3b'0 se incluye en este documento Eue puede ser ba/ado por Usted'0 se incorporan otros programas Eue operan ba/o sistema POndoQs =2BM)B4666BN%0 debiendo disponer de una computadora actualizada con procesador %entium OO y superiores0

memoria m,nima de 47F 3b y capacidad de disco de 76 M( y los cuales pueden ser ba/ados a continuacinD. !.5' )l programa Pin1S( &8.= Mb'0 cuya propiedad intelectual es del r. GihCong #hang y es aplicable a todos los problemas de Onvestigacin de $peraciones. %ara conocer sus usos y aplicaciones0 se incorpora el M!RU!C US$ del POR1S(. !.4' )l programa %rgCin0 cuya propiedad es de la Universidad de Cisboa &%ortugal'0 el cual se aplica para soluciones grficas de problemas de dos dimensiones. !.8' )l programa Onv$p &8F5 3b'0 desarrollado por la Universidad del #uyo en !rgentina0 se aplica para la solucin de problemas relacionados con transporte y redes. !.8' )l programa Cingo0 propiedad de Cindo Systems Onc &US!'0 Eue dado su gran tama<o &52.= Mb'0 se recomienda Eue Usted lo recupere directamente de la pagina Peb del propietario de dicha tecnologia httpDBB QQQ.lindo.com %osteriormente se irn incorporando otros programas de computacin espec,ficos para cada caso y cuyo uso ser descrito mediante e/emplos en la #lase. B.L0 NS; D#L ,=;G=AMA S;LK#= D# #MC#L #7icrosoft* Para conocer la aplicaci,n del m+todo .<2VE? de EX;E2 #7icrosoft*, se utili3ar un e9emplo prcticoE 7ax SN $) X$ K ' X4
Su*eto a"

()X$ K4)X4 LN $4) 4X$ K 4X4 LN 1 /X$ K &X4 LN 4/ X$,X4 MN) 2a Dnica dificultad que tenemos es el de modelar el programa dentro del Excel, y eso, es muy fcil. Por supuesto, hay infinidad de maneras de hacerlo, aqu propongo una. .e acti-a Excel y en una ho9a... .e ubican las celdas que se correspondern con el -alor de las -ariables de decisi,nG en +ste caso, las celdas !& y ;&, se les da un formato para diferenciarlas de las dems, aqu a3ul oscuro #-er captura aba9o*. .e ubica tambi+n, las celdas que contendrn los coeficientes de las -ariables de decisi,n, !/ y ;/, y se llenan con

sus respecti-os -alores, $) y '. Cunque +ste Dltimo paso, se podra omitir y de9ar los coeficientes definidos en la celda de la funci,n ob9eti-o, as es me9or para los anlisis de sensibilidad y para que la ho9a quede portable para otro programa. .e ubica la celda que se corresponder con la funci,n ob9eti-o #celda ob9eti-o*, la !(. En ella se escribe la funci,n que sea, en +ste caso, ser el coeficiente de X$ #en !/* por el -alor actual de X$ #en !&* mas el coeficiente de X4 #en ;/* por el -alor actual de X4 #en ;&* < seaE B5A5I\5A5:@5*5:\5*5I

;oeficientes para la primera restricci,nE los podemos escribir en la misma columna de las -ariables de decisi,nG en las celdas !% y ;%, con los -alores () y 4), seguido del sentido de la desigualdad #LN* y de su correspondiente ?=.E $4). C la derecha ubicaremos el -alor actual de consumo de la restricci,n, ella se escribir en funci,n de las -ariables de decisi,n y de los coeficientes de la restricci,n. Esta celda, la utili3ar .ol-er como la real restricci,n, cuando le digamos que el -alor de +sta celda no pueda sobrepasar la de su correspondiente ?=.. :e nue-o ser el -alor del coeficiente por el de la -ariableEBA6\5A5:@*6\5*5:. Iotese que ahora !% y ;% no tienen el signo Z. Pues es que luego que se haya escrito +sta celda, se podr arrastrar hacia aba9o para que Excel escriba la f,rmula por nosotros #la pere3a\*, pero tome los -alores relati-os a los coeficientes que le corresponda a los mismos -alores de las -ariables de decisi,n. .e repite los pasos anteriores para las otras restricciones, pero ahora la f,rmula serE BAJ\5A5:@*J\5*5: " BAP\5A5:@*P\5*5:.

El resto del formato es para darle una presentaci,n ms bonita a la ho9a. Chora a reso-erlo\ Cl hacer clicA en =erramientas , .ol-er se tendr una pantalla como la siguiente. 2o primero que hay que hacer es especificar la celda ob9eti-o y el prop,sitoE maximi3ar. .e escribe !( #o Z!( , !Z( , Z!Z( como sea, da igual*, en el recuadro ]cambiando las celdas], se hace un clicA en la flechita ro9a, para poder barrer las celdas !& y ;&G lo mismo da si se escriben directamente los nombres.

O ahora para las restriccionesE se hace clicA en agregar...

En @% est la primera restricci,n, como se puede -er en la captura. .e especifica el sentido de la restricci,n LN, MN , N. Cqu tambi+n se puede especificar el tipo de -ariable, por defecto es continua, pero se puede escoger ]Int] para entera o ]!in] para binaria. En el recuadro de la derecha establecemos la cota. Cqu podemos escribir $4) pero me9or escribimos ZEZ% para que quede direccionado a

la celda que contiene el $4), y despu+s lo podramos cambiar y -ol-er a encontrar la respuesta a manera de anlisis de sensibilidad. .e repite +ste paso para las otras dos restricciones. 2a condici,n de no negati-idad hay que incluirla manualmente, asE

El cuadro de dilogo debe lucir asE

O listo\ .e hace clicA en resol-er y ya. Parece un poco largo en comparaci,n con los otros paquetes de programaci,n lineal, pero esto se har s,lo una -e3, para los pr,ximos programas se podr utili3ar la misma ho9a cambiando los coeficientes. .in embargo, como se puede notar, la flexibilidad de modelar es muy

grande, y se puede introducir directamente en una ho9a donde se haga el anlisis de Planeaci,n Cgregada, 5ransporte, In-entario, .ecuencias, balanceo, etc.

+egresar %agina %rincipal EL 4E2>*> /?4<LEX <:=: />L5,?@A *E <=>6LE4:/ *E <=>1=:4:,?@A L?AE:L Es un procedimiento iterati-o que permite ir me9orando la soluci,n a cada paso. El proceso concluye cuando no es posible seguir me9orando ms dicha soluci,n.
El m+todo del simplex fue creado en $1/% por el matemtico 6eorge :ant3ig .

Partiendo del -alor de la funci,n ob9eti-o en un -+rtice El m+todo del simplex se utili3a, sobre todo, para cualquiera, el m+todo consiste en buscar sucesi-amente resol-er problemas de otro -+rtice que me9ore al anterior. 2a bDsqueda se hace programaci,n lineal en los siempre a tra-+s de los lados del polgono #o de las aristas que inter-ienen tres o ms del poliedro, si el nDmero de -ariables es mayor*. ;,mo el -ariables. nDmero de -+rtices #y de aristas* es finito, siempre se podr encontrar la soluci,n. El lgebra matricial y el El m+todo del simplex se basa en la siguiente propiedadE si la funci,n ob9eti-o, f, no toma su -alor mximo en el -+rtice C, entonces hay una arista que parte de C, a lo largo de la cual f aumenta.
proceso de eliminaci,n de 6auss" ordan para resol-er un sistema de ecuaciones lineales constituyen la base del m+todo simplex.

;on miras a conocer la metodologa que se aplica en el 7+todo .I7P2EX, -amos a resol-er el siguiente problemaE 7aximi3ar su9eto aE @? f&:0y'? 8: > 4y 4: > y 52 4: > 8y A4

8: > y 4A x ),y ) .e consideran las siguientes fasesE +. Convertir las %esigual%a%es en igual%a%es .e introduce una variable de holgura por cada una de las restricciones, para con-ertirlas en igualdades, resultando el sistema de ecuaciones linealesE 4: > y > h ? 52 4: > 8y > s ? A4 8: >y > d ? 4A /. Jgualar la 9unci!n ob*etivo a cero - 8: - 4y > @ ? 6 2. #scribir la tabla inicial simple. En las columnas aparecern todas las -ariables del problema y, en las filas, los coeficientes de las igualdades obtenidas, una fila para cada restricci,n y la Dltima fila con los coeficientes de la funci,n ob9eti-oE 5abla I . Iteraci,n nJ $ !ase Variable de decisi,n Variable de holgura Valores soluci,n : y h s d h 4 $ $ ) ) $' s 4 ( ) $ ) /4 d 2 $ ) ) $ 4/ @ "( "4 ) ) ) ) D. #ncontrar la variable %e %ecisi!n :ue entra en la base y la variable %e holgura :ue sale %e la base 1. Para escoger la -ariable de decisi,n que entra en la base, nos fi9amos en la Dltima fila, la de los coeficientes de la funci,n ob9eti-o y escogemos la -ariable con el coeficiente negati-o mayor #en -alor absoluto*. En nuestro caso, la -ariable : de coeficiente " (. .i existiesen dos o ms coeficientes iguales que cumplan la condici,n anterior, entonces se elige uno cualquiera de ellos.

.i en la Dltima fila no existiese ningDn coeficiente negati-o, significa que se ha alcan3ado la soluci,n ,ptima. Por tanto, lo que -a a determinar el final del proceso de aplicaci,n del m+todo del simplex, es que en la Dltima fila no haya elementos negati-os. 2a columna de la -ariable que entra en la base se llama columna pivote #En color a3ulado*. !. Para encontrar la -ariable de holgura que tiene que salir de la base, se di-ide cada t+rmino de la Dltima columna #-alores soluci,n* por el t+rmino correspondiente de la columna pi-ote, siempre que estos Dltimos sean mayores que cero. En nuestro casoE $'P4 VN1W , /4P4 VN4$W y 4/P( VN'W .i hubiese algDn 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 tendramos una soluci,n no acotada y no se puede seguir. El t+rmino de la columna pi-ote que en la di-isi,n anterior d+ lugar al menor cociente positi-o, el (, ya ' es el menor, indica la fila de la -ariable de holgura que sale de la base, d. Esta fila se llama fila pivote #En color azula%o*. .i al calcular los cocientes, dos o ms son iguales, indica que cualquiera de las -ariables correspondientes pueden salir de la base. *. En la intersecci,n de la fila pi-ote y columna pi-ote tenemos el elemento pi-ote operacional, 2. 6. #ncontrar los coe9icientes %e la nueva tabla. 2os nue-os coeficientes de : se obtienen di-idiendo todos los coeficientes de la fila d por el pi-ote operacional, (, que es el que hay que con-ertir en $. C continuaci,n mediante la reducci,n gaussiana hacemos ceros los restantes t+rminos de su columna, con lo que obtenemos los nue-os coeficientes de las otras filas incluyendo los de la funci,n ob9eti-o @. 5ambi+n se puede hacer utili3ando el siguiente esquemaE @ila del pi-oteE Nueva 9ila %el pivote1 <Kie*a 9ila %el pivote0 " <,ivote0

?esto de las filasE Nueva 9ila1 <Kie*a 9ila0 L <Coe9iciente %e la vie*a 9ila en la columna %e la variable entrante0 M <Nueva 9ila %el pivote0 Vemoslo con un e9emplo una -e3 calculada la fila del pi-ote #fila de x en la 5abla II*E Vie9a fila de s 4 " ;oeficiente 4 x Iue-a fila pi-ote $ N Iue-a fila de s ) ( " 4 x $P( N %P( ) " 4 x ) N ) $ " 4 x ) N $ ) " 4 x $P( N "4P( /4 " 4 x ' N 4&

5abla II . Iteraci,n nJ 4 !ase Variable de decisi,n Variable de holgura Valores soluci,n : y h s d h ) +F2 $ ) "4P( 4 s ) %P( ) $ "4P( 4& : $ $P( ) ) $P( ' @ ) "$ ) ) $ 4/ ;omo en los elementos de la Dltima fila hay uno negati-o, "$, significa que no hemos llegado toda-a a la soluci,n ,ptima. =ay que repetir el procesoE 1. 2a -ariable que entra en la base es y, por ser la -ariable que corresponde al coeficiente "$ A. Para calcular la -ariable que sale, di-idimos los t+rminos de la Dltima columna entre los t+rminos correspondientes de la nue-a columna pi-oteE 4E$P( VN&W , 4&E%P( VN%'P%W y 'E$P( VN'W y como el menor cociente positi-o es &, tenemos que la -ariable de holgura que sale es h. *. El elemento pi-ote, que ahora hay que hacer $, es +F2. <perando de forma anloga a la anterior obtenemos la tablaE 5abla III . Iteraci,n nJ ( !ase Variable de decisi,n Variable de holgura Valores soluci,n : y h s d

y s : @

) ) $ )

$ ) ) )

( "% "$ (

) ) ) )

"4 D $ "$

& $4 & ()

;omo en los elementos de la Dltima fila hay uno negati-o, "$, significa que no hemos llegado toda-a a la soluci,n ,ptima. =ay que repetir el procesoE 1. 2a -ariable que entra en la base es d, por ser la -ariable que corresponde al coeficiente "$ A. Para calcular la -ariable que sale, di-idimos los t+rminos de la Dltima columna entre los t+rminos correspondientes de la nue-a columna pi-oteE &P#"4* VN"(W , $4P/ VN(W, y &E$ VN&W y como el menor cociente positi-o es (, tenemos que la -ariable de holgura que sale es s. *. El elemento pi-ote, que ahora hay que hacer $, es D. <btenemos la tablaE 5abla IV . @inal del proceso !ase Variable de decisi,n Variable de holgura Valores soluci,n : y h s d y ) $ "$P4 ) ) +/ d ) ) "%P/ ) $ ( : $ ) "(P/ ) ) 2 @ ) ) >P/ ) ) 22 ;omo todos los coeficientes de la fila de la funci,n ob9eti-o son positi-os, hemos llegado a la soluci,n ,ptima. 2os soluci,n ,ptima -iene dada por el -alor de S en la columna de los -alores soluci,n, en nuestro casoE 22. En la misma columna se puede obser-ar el -+rtice donde se alcan3a, obser-ando las filas correspondientes a las -ariables de decisi,n que han entrado en la baseE D<27+/0 X .i en el problema de maximi3ar apareciesen como restricciones inecuaciones de la formaE ax K by cG multiplicndolas por " $ se transforman en inecuaciones de la forma " ax " by " c y estamos en el caso anterior X .i en lugar de maximi3ar se trata de un problema de minimi3ar se sigue el mismo proceso, pero cambiando el sentido del criterio, es decir, para entrar en la base se elige la -ariable cuyo -alor, en la fila de la funci,n ob9eti-o, sea el mayor de los positi-os y se finali3an las iteraciones cuando todos los coeficientes de la fila de la

funci,n ob9eti-o son negati-os

Jnterpretaci!n geom$trica %el m$to%o %el simple. 2as sucesi-as tablas que hemos construido -an proporcionando el -alor de la funci,n ob9eti-o en los distintos -+rtices, a9ustndose, a la -e3, los coeficientes de las -ariables iniciales y de holgura. En la primera iteraci,n #5abla I* han permanecido todos los coeficientes iguales, se ha calculado el -alor de la funci,n ob9eti-o en el -+rtice C#),)*, siendo este ). C continuaci,n se despla3a por la arista C!, calculando el -alor de f , hasta llegar a !. Este paso aporta la 5abla II. En esta segunda iteraci,n se ha calculado el -alor que corresponde al -+rtice !#',)*E SNf#',)* N 4/ .igue por la arista !;, hasta llegar a ;, donde se para y despliega los datos de la 5abla III. En esta tercera iteraci,n se ha calculado el -alor que corresponde al -+rtice ;#&,&* E SNf#&,&*N(). ;ontinua haciendo clculos a tra-+s de la arista ;:, hasta llegar al -+rtice :. 2os datos que se refle9an son los de la 5abla IV. ;oncluye con esta tabla, ad-irtiendo que ha terminado #antes ha comprobado que la soluci,n no me9ora al despla3arse por la arista :E* El -alor mximo de la funci,n ob9eti-o es ((, y corresponde a x N ( e y N $4 #-+rtice :*. .i calculas el -alor de la funci,n ob9eti-o en el -+rtice E#),$/*, su -alor no supera el -alor ((.

M*todo de la FMG o de Penali+acin.

Gasta este momento se han presentado los detalles del m0todo smple$ con la suposici n de que el pro%lema se encuentra en nuestra forma est!ndar >ma6imi+ar Z suHeta a las restricciones %uncionales de la %orma - restricciones de no negati:idad so!re todas las :aria!lesB con !i A para toda i / 17 27 ...7 m. En esta secci n se

esta%lecer c mo hacer los a&ustes requeridos a otras formas legtimas de modelos de Programaci n Lineal. +e ver que todos estos a&ustes se pueden hacer en el paso inicial# de manera que el resto del m0todo smple$ se aplica &usto como se aprendi . El nico pro%lema serio que introducen las otras formas de restricciones funcionales (B ) es identificar una solucin inicial bsica factible. 1ntes# esta soluci n inicial se encontra%a en forma mu" conveniente al hacer que las varia%les de holgura fueran las varia%les %sicas iniciales# donde cada una era igual a la constante no ne ativa del lado derecho de la ecuaci n correspondiente. 1hora de%e hacerse algo ms. El enfoque estndar que se utili'a es estos casos es la t*cnica de :aria!les arti%iciales. Qsta constru"e un problema artificial ms conveniente introduciendo una varia%le ficticia (llamada variable artificial) en cada restricci n que lo requiera. Esta nueva varia%le se introduce s lo con el fin de que sea la varia%le %sica inicial para esa ecuaci n. Las restricciones usuales de no negatividad tam%i0n se aplican so%re estas varia%les " la funci n o%&etivo se modifica para que imponga una penali+acin e$or%itante en el caso de que adquieran valores ma"ores que cero. Las iteraciones del m0todo smple$ automticamente fuer'an a las varia%les artificiales a desaparecer (a volverse cero) una a una# hasta que todas quedan fuera de la soluci n( despu0s de esto se resuelve el pro%lema real. Para ilustrar la t0cnica de las varia%les artificiales# primero se considerar el caso en que la nica forma no estndar en el pro%lema es la presencia de una o ms restricciones en forma de igualdad. $estricciones en forma de i ualdad. En realidad# cualquier restricci n en forma de igualdad, ai-$- @ai9$9 @ . . . @ ain$n B %i es equivalente a dos restricciones de desigualdad, ai-$- @ ai9$9 @ . . . @ ain$n %i# ai-$- @ ai9$9 @ . . . @ ain$n %i

+in em%argo# en lugar de hacer esta sustituci n e incrementar con ello el nmero de restricciones# es ms conveniente usar la t0cnica de la varia%le artificial. +uponga que se modifica el pro%lema de e&emplo presentado " resuelto en la secci n anterior. El nico cam%io que sufre el modelo de programaci n lineal es que la tercera restricci n# ?$ - @ 9$9 -J# se convierte en una restricci n de igualdad, ?$- @ 9$9 B -J 1plicando la t0cnica de las varia%les artificiales se introduce una varia%le artificial no ne ativa (denotada por $7) en la ltima ecuaci n# como si fuera una varia%le de holgura, ?$- @ 9$9 @ $7 B-J En resumen si tenemos una restricci n funcional en forma de igualdad " deseamos -pasarla a su forma de i ualdad.# nicamente de%emos sumar una varia%le artificial. $estricciones funcionales de la forma Para ilustrar la manera en que la t0cnica de las varia%les artificiales mane&a las restricciones de la forma usaremos el siguiente e&emplo,
Minimi'ar su&eta a H B ..I$..?$..7$..:$$- .# @ @ @ @ ..7$9 ..-$9 ..7$9 B ..I$9 $9 .

9.6 : :

)otemos que la tercera restricci n es del tipo # por lo que para cam%iarla a su forma de igualdad tendramos que restar una varia%le de supervit (o de e$cedente)# quedando de la siguiente manera, ..:$- @ ..I$9 $7 B : +e ha restado la variable de e(cedente $7 (se utili' $7 porque en la primera restricci n agregamos una varia%le de holgura que sera $? " en la segunda restricci n

agregamos tam%i0n una varia%le artificial que sera $I( todo esto con el fin de convertir las desigualdades a su forma de igualdades) para que consuma el e$ceso de ..:$- @ ..I$9# o sea# lo que se pasa de :. )o o%stante en este caso de%e agregarse otra varia%le. Esta varia%le e$tra# llamada variable artificial se aumenta como sigue, ..:$- @ ..I$9 $7 @ $: B : La ra' n de esto es que# si no se agrega la varia%le artificial# no se estaran cumpliendo las restricciones de no negatividad. Para comprenderlo# se de&ar sin aumentar. El m0todo smple$ comien'a por hacer todas las varia%les reales (originales) iguales a cero. Entonces, ..:$- @ ..I$9 $7 B : +ea $- B . " $9 B .# entonces, $7 B : $7 B : (que no cumple la restricci n de no negatividad) La varia%le artificial opera para mantener todas las varia%les no negativas cuando ..:$- @ ..I$9 es menor que :. +i $- B . " $9 B .# entonces $7 B . " ..:$- @ ..I$9 $7 @ $: B : $: B : En resumen# una restricci n de la forma se convierte a su forma de igualdad restando una varia%le de e$cedente " sumando una varia%le artificial. *onsideremos el siguiente pro%lema,
Ma$imi'ar H B ?$@ 7$9

su&eta a

9$9 @ B ?$9$9 $- .# $9 . $-

I -9 -J

*omo e$plicamos anteriormente# para resolver este pro%lema# de%emos construir un pro!lema arti%icial que tiene la misma soluci n ptima que el pro%lema real# haciendo dos modificaciones a este pro%lema real. -. +e aplica la t*cnica de las :aria!les arti%iciales introduciendo una :aria!le arti%icial no ne ativa (denotada por $7) en la ltima ecuaci n# como si fuera una varia%le de holgura, ?$- @ 9$9 @ $7 B-J 9. +e asigna una penalizacin enorme al hecho de tener $7 > .# cam%iando la funci n o%&etivo H B ?$- @ 7$9 a, H B ?$- @ 7$9 M$7# donde M sim% licamente representa un nmero positivo muy rande. Este m0todo que fuer'a a $7 hasta el nivel de $7 B . en la soluci n ptima se llama m*todo de la M. /otaE Para el caso de minimi'aci n# penali'amos a la varia%le artificial# haci0ndola aparecer en la funci n o%&etivo con un coeficiente de @M. 1hora se encuentra la soluci n ptima para el pro%lema real aplicando el m0todo smple$ al pro%lema artificial. *omo $7 &uega el papel de la varia%le de holgura en la tercera restricci n del pro%lema artificial# esta restricci n es equivalente a ?$- @ 9$9 -J. En particular# el sistema de ecuaciones despu0s de aumentar el pro%lema artificial (en otras pala%ras# pasarlo a su forma de igualdades) es,
Ma$imi'ar H#

su&eta a H ?$$ 7$9 @ M$7 B B @ $I B @ $7 B Para & B -# 9# ]# 7 . I -9 -J

$?

9$9 ?$- @ 9$9 $& .

En este momento estamos preparados para pasar los coeficientes a la ta%la smple$,

(aria! le Z B#sica H $? $I $7 . . . 61 X? . ? 62 X7 . 9 9 6& . . . 6@ . . . 60 M . . -

Lado derec o . I -9 -J .ociente I2s ptimaJ

Esta ta%la todava no est en la forma apropiada porque el coeficiente de $7 es diferente de cero en la ecuaci n de H (es M). Por lo tanto# antes de que el m0todo smple$ pueda aplicar la prue%a de optimalidad " encontrar la varia%le %sica entrante# de%e pasarse esta ta%la a la forma apropiada para que cumpla la condicin sKmple6. Esta condici n que de%e cumplir toda ta%la del m0todo smple$ para que pueda reportarnos la siguiente soluci n %sica facti%le dice que, =Coda varia%le %sica de%e tener un - en la intersecci n de su rengl n " columna correspondiente " cero en los dems renglones incluido el rengl n de H># en otras pala%ras# que toda varia%le que sea %sica solamente de%e aparecer en el rengl n de la restricci n que representa. Para hacer cero el coeficiente M# utili'amos el rengl n de $7 como rengl n pivote multiplicndolo por M " sumando el resultado al rengl n de H. Deali'ando el procedimiento anterior# la ta%la smple$ queda de la siguiente manera,
(aria! le Z B#sica 61 62 6& 6@ 60 Lado derec o .ociente I2s ptimaJ

L?ML? L9ML7

-JM

/( 0 1 '

$? $I $7

. . .

. ?

. 9 9

. .

. .

. . -

I -9 -J

(.# .# I# -9# -J) HB -JM

Podemos o%servar que la ta%la anterior "a se encuentra en la forma apropiada " podemos leer la soluci n %sica facti%le actual# que es (.# .# I# -9# -J)# la cual aplicando la prue%a de optimalidad vemos que no es ptima "a que todava tenemos coeficientes negativos en el rengl n de H (los correspondientes a $- " $9). 1plicando el m0todo smple$ a la ta%la anterior tenemos, el coeficiente negativo con el ma"or valor a%soluto corresponde a $- ( ?M ?)# recordemos que M es un nmero muy rande positivo# por lo tanto# $- se convierte en la varia%le %sica entrante# reali'ando los cocientes correspondientes# vemos que $? se convierte en la varia%le %sica saliente. El procedimiento completo para resolver este e&emplo se muestra en el siguiente con&unto de ta%las,

(aria!le Z 61 62 6& 6@ 60

der

B#sica

H
$? $I $7

- L?ML L9ML ? 7
. . . . ? . 9 9

.
. .

.
. .

.
. . -

H
$$I $7

. . .

.
. .

L9ML ?M@? 7
. 9 9 . ?

.
. .

.
. . M@7W9

:M

H
$$I $9

. . .

.
. .

.
. . -

PW9
? ?W9

.
. .

. -W9
M@-

H
$$? $9

. . .

.
. .

.
. . -

.
. .

?W9
-W? -W? -W9

-W? -W? .

-*/*-*5AC*./ con el m%todo s#mple7. /na manera directa de minimi'ar H con el m0todo smple$ es cam%iar los roles de los coeficientes negativos " positivos en el rengl n de la funci n o%&etivo# tanto para la prue%a de optimalidad como para la parte - de una iteraci n. +e determina la variable bsica entrante mediante la elecci n de la varia%le con el coeficiente positivo menor en la ecuaci n de H. La soluci n %sica facti%le actual es ptima si " s lo si todos los coeficientes de la ecuaci n de la funci n o%&etivo (rengl n de H) son no positivos ( . ). +i es as# el proceso termina( de otra manera# se lleva a ca%o otra iteraci n para o%tener la nueva soluci n %sica facti%le# lo que significa el cam%io de una varia%le no %sica por una %sica (parte -) " viceversa (parte 9)# " despu0s despe&ar las varia%les de la nueva soluci n (parte ?). )otemos que no se ha dicho nada con respecto a la forma de o%tener la variable bsica saliente en una iteraci n# "a que este paso se reali'a de la misma manera que cuando se est ma$imi'ando# es decir# se escoge aquella varia%le %sica con el menor cociente. Flustremos la forma de utili'ar el m0todo smple$ para el caso de minimi'aci n. *onsideremos el siguiente e&emplo,
Minimi'ar su&eta a H B ?$$$@ @ @ J$9 I$9 9$9

I 9

$- .#

$9 .

Pasando este pro%lema a su forma de igualdades a!adiendo las varia%les necesarias# o%tenemos lo siguiente,
Minimi'ar H# su&eta a H ?$- J$9 M$7 B @ @ B $I$9 $? $- @ 9$9 $I @ $7 B . para & B -# 9# ]# 7 $& . I 9

/tili'ando el m0todo de la M para o%tener una soluci n ptima por el m0todo smple$# o%tenemos el siguiente con&unto de ta%las,
(aria!le Z 61 62 6& 6@ 60 Lado derec o .ociente

I2s ptim

B#sica

H
$? $7

. .

?
-

J
I 9

.
.

.
. . -

M
. -

.
I 9

H
$? $7

- M ? 9M J . M
. . I 9 .

.
. -

9M
I 9

H
$? $-

. .

.
. -

9
9 9

.
.

?
-

M@?
-

:
9 9

(.# .# I 9) IW- B I H B 9 9W- B 9 (9# .# 9 .) HB: 9ptim

)otemos que la primera ta%la no se encontra%a en la forma apropiada para el m0todo smple$# "a que el coeficiente de la varia%le %sica $7 era de M en el rengl n de H# lo cual hacia que no se cumpliera la condici n smple$.

M*todo de las dos Fases.

En el e&emplo presentado en la secci n =Destricciones funcionales de la forma =# recordemos la funci n o%&etivo real, )roblema real2 Minimi'ar H B ..I$- @ ..7$9

+in em%argo# el m0todo de la M utili'a la siguiente funci n o%&etivo a trav0s de todo el procedimiento, /todo de la /2 Minimi'ar H B ..I$- @ ..7$9 @ M$I @ M$:

*omo los dos primeros coeficientes (..I " ..7) son desprecia%les comparados con M# el m0todo de dos fases puede eliminar la M usando las siguientes dos funciones o%&etivo que definen H de manera completamente diferente, /todo de las dos fases2 %ase 32 .). %ase 42 Minimi'ar H B ..I$- @ ..7$9 (con $I B . " $: B .). Minimi'ar H B $I @ $: (hasta que $I B . " $: B

La funci n o%&etivo de la fase - se o%tiene dividiendo la funci n o%&etivo del m0todo de la M entre M eliminando los t0rminos desprecia%les# en otras pala%ras# la fase consiste en la minimi'aci n de la suma de todas las varia%les artificiales que se introdu'can en el pro%lema. *omo la fase - conclu"e al o%tener una soluci n %sica facti%le para el pro%lema real (aquella en la que $I B . " $: B .)# esta soluci n se usa como la soluci n %sica facti%le inicial para aplicar el m0todo smple$ al pro%lema real (con su funci n o%&etivo) en la fase 9. 1ntes de resolver el e&emplo de esta manera se har un resumen de las caractersticas generales. $esumen del m%todo de dos fases.

)aso inicial2 +e revisan las restricciones del pro%lema original introduciendo varia%les artificiales segn se necesite para o%tener una soluci n %sica facti%le inicial o%via para el pro%lema artificial. %ase 32 uso del m0todo smple$ para resolver el pro%lema de programaci n lineal, Minimi'ar H B de todas las varia%les artificiales# su&eta a las restricciones revisadas. La soluci n ptima que se o%tiene para este pro%lema (con H B .) ser una soluci n %sica facti%le para el pro%lema real. %ase 42 se eliminan las varia%les artificiales (de todas formas# ahora todas valen cero). *omen'ando con la soluci n %sica facti%le que se o%tuvo al final de la fase -# se usa el m0todo smple$ para resolver el pro%lema real. Enseguida se resumen los pro%lemas que de%en resolverse por el m0todo smple$ en las fases respectivas para el e&emplo.
)roblema para la fase 32 Minimi'ar su&eta a ..?$- @ ..-$9 @ ..7 @ ..7$9 $..: @ ..I$9 $$? @ $I $7 @ $: B B B 9.6 : : V B $I @ $:#

"
$- . $9 . $? $I . $7 . $: .

)roblema para la fase 42 Minimi'ar su&eta a H B ..I$- @ ..7$9#

..?$- @ ..-$9 @ ..7$- @ ..7$9 ..:$- @ ..I$9

$? $7

B B B

9.6 : :

"
$- . $9 . $? $7 .

Las nicas diferencias entre estos dos pro%lemas se encuentran en la funci n o%&etivo " en la inclusi n (fase -) o e$clusi n (fase 9) de las varia%les artificiales $ I " $:. +in las varia%les artificiales# el pro%lema para la fase 9 no tiene una solucin bsica factible inicial o%via. El nico prop sito de resolver el pro%lema para la fase - es o%tener una soluci n %sica facti%le con $I B . " $: B . que se pueda usar como la soluci n %sica facti%le inicial para la fase 9. Las siguientes ta%las muestran el resultado de aplicar el m0todo smple$ a este pro%lema para la fase -,
(aria!le C 61 62 6& 6@ 60 6L

La

dere

B#sica

$? $I $:

. ..? . ..7 . ..: . ..? . ..7 . ..:

....7 ..I ....7 ..I ..??

. .

. .

. . -

. . -

9.

V
$? $I $:

- -.- ..P

.
. . ?.??

.
. .

. . -

.
. . -

-9

9.

V
$$I $:

. . .

. ..7? ?.::
. . ..?? -.:: ..9 9

.
. .

. . -

.
. . -

9.

-.

..

V
$$I $9

. . .

.
. .

.
. . -

-.:I
:.:? -.:I -.

.
. .

-.:7 9.:7
-.:7 -.:7 -.:7 -.:7 7 7

..7

J..

..7

V
$$7 $9

. . .

.
. .

.
. . -

.
7 ..PP 7..7

..:. ?

.
. .

. .

6.

..

I.

)otemos que "a hemos o%tenido una soluci n

ptima para la fase - que

consisti en la minimi'aci n de la suma de todas las varia%les artificiales. <%servemos tam%i0n que la funci n o%&etivo V termin con un valor de cero en la ltima ta%la# lo que indica que las dos varia%les artificiales ($I " $:) valen cero tienen valores recprocos " se cancelan mutuamente para dar cero. En nuestro caso# las dos varia%les artificiales valen cero "a que no se encuentran en la columna de las varia%les %sicas en la ltima ta%la de la primera fase. La segunda fase consiste en resolver el pro%lema original utili'ando como ta%la inicial de esta fase la ltima ta%la de la primera fase pero sin considerar la columna de las varia%les artificiales "a que 0stas tomaron el valor de cero en la primera fase. El m0todo smple$ aplicado a la segunda fase se muestra en el siguiente con&unto de ta%las,
(aria!le B#sica Z 61 62 6&
@

Lado 6 60 6L derec o .ociente I2s ptimaJ

H
$$7 $9

- ..I ..7
. . . . . . . . . . . . . . . . -

.
7 ..PP 7..7

.
..:. ?

. .
. . - . .

.
6.7 ..? I.7

H
$$7 $9

..7

9
7 ..PP 7..7

.
. .

?
6.7 ..? I.7

H
$$7 $9

. . .

.
. .

..79
7 ..PP 7..7

.
. .

7.97
6.7 ..? I.7

(6.7#I.7#.#.#..?#.)
H B 7.97 9ptima %ase 2

)otemos que no fue necesario aplicar propiamente el m0todo smple$ a la primera ta%la de la segunda fase# "a que nicamente aplicando operaciones con matrices para tratar de llevar esta ta%la a la forma apropiada para el m0todo smple$ fue suficiente para resolver el pro%lema planteado en la segunda fase. Es necesario aclarar que no siempre ocurrir de esta manera# es decir# si despu0s de de&ar la ta%la en la forma apropiada# es necesario aplicar el m0todo smple$# se de%e aplicar como lo hemos estudiado. /ota: Fndependientemente de que el pro%lema original (real) sea de ma$imi'aci n o minimi'aci n# la primera %ase siempre consistir# en la minimi+acin de la suma de todas las varia%les artificiales.

DNALJDAD
El dual es un problema de P2 que se obtiene matemticamente de un modelo primal de P2 dado. 2os problemas dual y primal estn relacionados a tal grado, que la soluci,n smplex ,ptima de cualquiera de los dos problemas conduce en forma automtica a la soluci,n ,ptima del otro. El m+todo smplex adems de resol-er un problema de P2 llegando a una soluci,n ,ptima nos ofrece ms y me9ores elementos para la toma de decisiones. 2a dualidad y el anlisis de sensibilidad son potencialidades de +ste m+todo. En la mayora de los procedimiento de P2, el dual se define para -arias formas del primal, dependiendo de los tipos de restricciones, de los signos de las -ariables y del sentido de la optimi3aci,n. 2a experiencia nos indica que en ocasiones, los principiantes se confunden con los detalles de esas definiciones. 7s importante aDn es que el uso de esas definiciones mDltiples puede conducir a interpretaciones

inconsistentes de los datos en la tabla smplex, sobre todo en lo que respecta a los signos de las -ariables. El concepto de dualidad indica que para cada problema de P2 hay una asociaci,n y una relaci,n muy importante con otro problema de programaci,n lineal, llamado precisamente dual.
2a relaci,n entre el problema dual y su asociado, es decir el problema original llamado primal, presenta -arias utilidadesE

Cporta elementos que aumentan sustancialmente la compresi,n de la P2. El anlisis de dualidad es una herramienta Dtil en la soluci,n de problemas de P2, por e9emploE ms restricciones que -ariables. El problema dual tiene interpretaciones e informaciones importantes que muestran que los anlisis marginales estn siempre in-olucrados implcitamente al buscar la soluci,n ,ptima a un problema de P2.

2a forma estndar general del primal se defina comoG para maximi3ar o minimi3ar.

su9eto aG

^;,mo con-ertir un problema primal a dual_

8n problema dual se formula de un problema primal de la siguiente formaE $. .i el primal es un problema de maximi3aci,n su dual ser un problema de minimi3aci,n y -ice-ersa. 4. 2os coeficientes de la funci,n ob9eti-o del problema primal se con-ierten en los coeficientes del -ector de la disponibilidad en el problema dual. (. 2os coeficientes del -ector de disponibilidad del problema original se con-ierten en los coeficientes de la funci,n ob9eti-o #-ector de costo o precio* en el problema dual. /. 2os coeficientes de las restricciones en el problema primal, ser la matri3 de los coeficientes tecnol,gicos en el dual. >. 2os signos de desigualdad del problema dual son contrarios a los del primal. &. ;ada restricci,n en un problema corresponde a una -ariable en el otro problema. .i el primal tiene m restricciones y n -ariables, el dual tendr n restricciones y m -ariables. Cs, las -ariables Xn del primal se con-ierte en nue-as -ariables Om en el dual.

,=;BL#MA ,=JMAL #N F;=MA CAN;NJCA" MAM Q1 CM Su*eto a" AM b M 3 E9emplo. .i el problema primal esE 7CX SN />X$ K $%X4 K >>X( .u9eto aE X$ K X4 K X( 4))

,=;BL#MA DNAL #N F;=MA CA MJN Q1 BR Su*eto a" AR C R 3

1X$ K 'X4 K $)X( >))) $)X$K %X4 K 4$ X( /)))

X9 ) El problema dual serE 7II SN 4))O$ K >)))O4 K /)))O( .u9eto aE O$ K 1O4 K $)O( /> O$ K 'O4 K %O( $% O$ K $)O4 K 4$O( >> O9 ) F;=MA D# ,=#S#NIA= #L ,=;BL#MA DNAL 7II N 4X$ " (X4 .u9eto aE $X$ K 4X4 $4 /X$ " 4X4 (

&X$ " $X4 N $) X$,4 ) $. 2le-ar el problema a su equi-alente de maximi3aci,n, multiplicando la funci,n ob9eti-o por [$E 7CX "4X$ K (X4 9. ;on-ertir las restricciones en una restricci,n equi-alente multiplicando por [$ ambos ladosE "/x$ K 4x4 "( ?. Para las restricciones de igualdad, obtener 4 restricciones de desigualdad, una de forma y la otra de forma G despu+s regresar al punto anterior y cambiar la restricci,n a la forma E &X$ [ $X4 $)

&X$ [ $X4 $) &X$ [ $X4 $)

"&X$ K $X4 "$) Cs el problema primal se ha replanteado en la forma equi-alenteE 7CX SN "4X$ K (X4 .u9eto aE $X$ K 4X4 $4 "/X$ K 4X4 " ( &X$ [ $X4 $) "&X$ K $X4 "$) X$,4 ) /. 5eniendo el problema primal con-ertido a la forma can,nica de un problema de maximi3aci,n, es fcil lle-arlo al problema dualE 7II .u9eto aE O$[/O4 K &O(`[&O(`` "4 restricci,n 4O$ K 4O4 [ $O(` K $O(`` O$, 4, (`, (`` ) ( $4O$ [ (O4 K $)O(

O`( y O``( ambas se refieren a la tercera del problema primal.

E-A$*'. F. F)CD<2/**F<) 1 L1 F)8E+CFU1*F<) 2E <PED1*F<)E+ 2efinici n de antecedentes# u%icaci n en las organi'aciones# metodologa. FF. PD<UD1M1*F<) LF)E1L.

 Modelo de la Programaci n Lineal (P.L. Ueneral). Propiedades. Normulaci n con Programaci n Lineal de aplicaciones tpicas en, producci n# selecci n de equipo# procesos# horarios# dieta# etc. +oluci n para el pro%lema e$presado con Programaci n Lineal. M0todo de soluci n grfica con solo dos varia%les. 8isuali'aci n de conceptos de P.L.( soluci n facti%le " no facti%le# soluci n %sica# soluci n nica " no nica# restricci n redundante# soluci n degenerada# varia%le de holgura " superflua. M0todo de soluci n analtica para el pro%lema de P.L. Normas equivalentes del modelo de programaci n lineal. 2efiniciones " teoremas de P.L. M0todo +FMPLEX " criterios para el cam%io de %ase. 8aria%les artificiales. M0todo +FMPLEXLPE)1L o de la M Urande. M0todo +FMPLEXL2<+ N1+E+. *asos especiales en la ta%la +FMPLEX. Ceora de la 2ualidad en P.L. <%tenci n del Pro%lema 2ual en forma can nica. <%tenci n del Pro%lema 2ual en forma directa. Equivalencia entre las dos o%tenciones anteriores +ignificado de las varia%les duales e interpretaci n econ mica. M0todo 2/1LL+FMPLEX " criterios para cam%ios de %ase. Estructura matricial de la ta%la +FMPLEX. 1nlisis de sensi%ilidad de la soluci n ptima de un pro%lema. *am%ios en el vector ! de recursos de restricciones.

 *am%ios en el vector . de coeficientes de la funci n o%&etivo. *am%ios en la matri' A de coeficientes de restricciones. 1plicaciones de la Programaci n Lineal a Dedes de Nlu&o. 2efinici n. Modelo de transporte simple. 2efinici n. Modelo matemtico de P.L. " ta%la usual. +oluci n inicial para la optimi'aci n de un pro%lema. 1lgortmo de transporte (+FMPLEXL+FMPLFNF*12<) para la optimi'aci n. E&emplificaci n de soluciones degenerada " no degenerada. Modelo de trans%ordo definici n. Modelo matemtico de trans%ordo %alanceado " sin capacidades. Modelo matemtico de trans%ordo con capacidades. Pro%lemas " modelo matemtico de ruta mnima. 2efinici n. 1lgortmo de 2i&4stra para red orientada " no orientada. 1lgortmo matricial para cualquier red. Pro%lema de r%ol mnimo " algortmo de con&unto conectado. Pro%lema " modelo matemtico de flu&o m$imo 1lgortmo de NordLNul4erson para red orientada 1lgortmo matricial para cualquier red. I4(2S;I'A.I$4 82 $P,2,A.I$42S.

Es la aplicaci n del m0todo cientfico. Por grupos interdisciplinarios. En el estudio de pro%lemas de las organi'aciones creads por el hom%re %uscando un a soluci n integral.

Modelo matemtico o%ligado.

MEC<2< *FE)CFNF*< M0todos estadsticos de muestreo. Fnvestigador de operaciones. 1dministradores. Fnformticos. UD/P<+ Fngenieros. F)CED2F+*FPLF)1DF<+ Economistas. *ontadores. Etc. *DE121+ P<D EL G<ADE. Enfoque sist0mico. 1)CE*E2E)CE+. 1^<. 1/C<D. CE*)F*1 2E+1DD<LL121. -67P [uesna" Modelos primarios de programaci n matemtica. -J6? U.Oordan. Modelos lineales. -J6I Varlas. Modelos primarios de programaci n matemtica. -JP- Min4ous4". Modelos lineales. -P.? Nar4as. Modelos lineales. -JP6 Mar4ov. Modelos dinmicos pro%a%ilsticos. -P.7 Erlang. Lneas de espera. _onig Egervar" 1signaci n. -P?6 Morgerstern. L gica estadstica. -P?6 8on )eEman. Ceora de &uegos. -P?P _antorovich. 2istri%uci n.

-PI6 U.2ant'ig. M0todo +FMPLEX. -P7.`s Aellman. Programaci n dinmica. _unLCuc4er. Programaci n no lineal. Uomor". Programaci n entera. NordLNul4erson. Dedes de flu&o. 1^<. 1/C<D. CE*)F*1 2E+1DD<LL121. Mar4oEit'. +imulaci n. Daifa. 1nlisis de decisiones. 1rroEL_arli. Fnventarios. +iglo X8F..... )eEton. Lagrange Pro%a%ilidad ". *lculo 2iferencial Laplace. Estadstica. Lei%nit'. +tiel&es. MetodologKa de In:estigacin de $peracionesE Fdentifica el pro%lema (partes " o%&etivos) 9 <%servar el +istema (informaci n) ?

Normular un Modelo Matemtico (plantear ) I 8erificar el Modelo " usarlo en predicci n (evaluar " derivar sol. ) 7 +eleccionar alternativas de soluci n : Presentar resultados a la organi'aci n 6 Fmplementar " evaluar recomendaciones FProgramacin LinealG 1 pesar de que la programaci n lineal se empe' a estudiar desde finales del +.XFX no fue hasta mediados del presente siglo en que tuvo auge como t0cnica matemtica aplica%le a los pro%lemas de la empresa. El 2r. U. 2amt'ing desarroll el m0todo simple$ " con ello hi'o posi%le la soluci n de grandes pro%lemas modelados con programaci n lineal que solo queda%an en la situaci n de estudios. Paralelamente a la invenci n de este m0todo a partir de mediados del siglo se desarrollo la computaci n digital " se pudo tener resultados ptimos a los pro%lemas estudiados que se quedaron como modelos. La programaci n lineal es actualmente la t0cnica matemtica utili'ada mas actualmente gracias a que el algoritmo simple$ es mu" eficiente " al desarrollo de la computaci n.

Lo que se %usca con la aplicaci n de la programaci n lineal es resolver pro%lemas comunes " a la ve' mu" variados de la empresa en donde en general se tienen necesidades por satisfacer con cierto nmero de recursos limitados o escasos " con el o%&etivo de lograrlo en forma ptima. Esto significa la %squeda de un valor m$imo cuando se trata de %eneficios( o %ien la %squeda de un mnimo cuando se trata de esfuer'os a desarrollar. /n modelo de programaci n lineal es un con&unto de e$presiones matemticas las cuales de%en cumplir la caracterstica de linealidad que puede cumplirse siempre " cuando las varia%les utili'adas sean de primer grado. 1dems un modelo de P.L de%e tener las propiedades de,

Proporcionalidad 1ditividad (adici n) 2ivisi%ilidad *ertidum%re(certe'a)

1ntes de formular un modelo general para P.L conviene ilustrar algunos e&emplos que faciliten la interpretaci n de la generali'aci n E&emplo de producci n, /na empresa ha de&ado de fa%ricar ciertos productos# li%erando de esta forma las cargas de producci n que tenan sus equipos en los departamentos de maquinado. 1hora se tienen horas mquina que se pueden utili'ar en los productos denominados -#9#? de la siguiente manera, Mquina Goras por pie'a de producto Goras Maq. 2isponi%les - 9 ? por semana Nresadora P ? 7 7.. Corno 7 I L ?7. Dectificadora ? L 9 -7. /tilidad 5W pie'a 7. 9. 97 Decomendaci n del Mnimo Mnimo Mnimo 2epto. 8tas a Prod. ?. -7 9. Formular un modelo de P.L para este pro!lema

2efinici n de varia%les a utili'ar en el m0todo de programaci n lineal

+ea, X& B numero de pie'as de producto &(&B-#9#?) a fa%ricar para ma$imi'ar la utilidad.

Nunci n econ mica " o%&etivo,

M1X HB 7.X- @ 9.X9 @ 97X? a (2lsW/nidad) (/nidadW+em)b B a2lsW+em.b sujeta a restricciones de horas mquina disponibles por semana Nresadora , PX- @ ?X9 @ 7X? \ 7.. horas mquina fresadora Corno, 7X- @ IX9 \ ?7. horas mquina torno Dectificadora, ?X- @ 9X? \ -7. horas maquina rectificadora *ondiciones de signos pare las varia%les, X- \ ?. pie'as X9 \ -7 pie'as X? \ 9. pie'as E&emplo de inversi n, +e desean invertir 9 millones de d lares en : tipos de inversi n cu"as caractersticas son las siguientes, Cipo de Fnter0s Nactor de Pla'o promedio Fnversi n 1nual(K) Diesgo de inversi n - J.7 ...9 J 9 P ...- 9 ? J.7 ..?J 7 I -I.? ..I7 : 7 :.6 ...6 9 : -? ..?7 I

El factor de riesgo significa la pro%a%ilidad de que el rendimiento real sea inferior al esperado. +e considera venta&oso un perodo promedio ponderado de inversi n de ciando menos 7 a!os( pero el factor promedio ponderado de riesgo no de%e ser superior a ..9.. La le" prohi%e que la suma de las inversiones de los tipos I " : sea ma"or al 97K del total de la inversi n. *on P.L formule un modelo de P.L para decidir c mo invertir para ma$imi'ar el rendimiento de los 9 millones de d lares. (+<L. 1)

2efinici n de varia%les

+ea, X& B cantidad de d lares a invertir en el tipo &(&B-#9#?#I#7#:) para ma$imi'ar el rendimiento.

Nunci n o%&etivo

M1X HB ...J7X- @ ...PX9 @ ..J7X? @ ..-I?XI @ ...:6X7 @..-?X: su&eta a restricciones, -) X- @ X9 @ X? @XI @ X7 @ X: B 9#....... dls. ...9X- @ ...-X9 @ ..?JX? @ ..I7XI @ ...6X7 @ ..?7X: \ ..9 (9#.......) B I..#... dls. JX- @ 9X9 @ 7X? @:XI @ 9X7 @ IX: \ 7 (9#.......) B -.#....... dls. XI @ X: \ ..97 (9#.......) B 7#....... dls. X-# X9# X?# XI# X7# X: \ . (+<L. A)

2efinici n de varia%les

+ea, X& B Nracci n capital a invertir en el tipo &(&B-#9#?#I#7#:) para ma$imi'ar el rendimiento.

Nunci n econ mica " o%&etivo,

M1X HB J.7X- @ PX 9 @ J.7X? @ -I.?X I @ :.6X7 @-?X : su&eta a restricciones, -) X- @ X9 @ X? @XI @ X7 @ X: B - (capital)

 ...9X- @ ...-X9 @ ..?JX? @ ..I7XI @ ...6X7 @ ..?7X: \ ..9 (-) B ..9 JX- @ 9X9 @ 7X? @:XI @ 9X7 @ IX: \ 7 (-) B 7 XI @ X: \ ..97 (-) B ..97 X-# X9# X?# XI# X7# X: \ . E&emplo, Problemas de mezcla en la inversin. 2efinici n de varia%les, +ea, $& B Nracci n del capital a invertir en la tipo & (& B -#9#...#:) para ma$imi'ar el rendimiento. Nunci n o%&etivo, Ma$. ' B J.7 $- @ P $9 @ J.7$? @ -I.?$I @ :.6$7 @ -?$: +u&eto a restricciones, $- @ $9 @ $? @ $I @ $7 @ $: B (Nactor de riesgo) ...9$- @ ...-$9 @ ..?J$? @ ..I7$I @ ...6$7 @ ..?7$: c ..9 (-) B ..9 J$- @ 9$9 @ 7$? @ :$I @ 9$7 @ I$: c 7(-) B 7 $I @ $: c ..97 (-) B ..97 $-#$9#...#$: c . aQsta es otra forma de plantear el pro%lemab Problema de establecimiento de 8orario. En un sector de la ciudad se tiene el siguiente requerimiento de policas, PEDF<2< 2EL 2F1 G<D1 2EL 2F1. P<LF*F1+ DE[/EDF2<+ (c) .:L-. ?.. 9 -.L-I ?7. ? -IL-J I97 I -JL99 I7. 7 99L.9 97. : .9L.: 9..

El periodo d- sigue inmediatamente del :. *ada polica de%e la%orar J hrs consecutivas. Normular un modelo de programaci n lineal de este pro%lema. PEDF<2<WG<D1 9 ? I 7 : DE[/EDF2<+. XX: XX9 X9 X? X? XI XI X7 X7 X: .:L-. -.L-I -IL-J -JL99 99L.9 .9L.:

c ?..

c ?7.

c I97

c I7.

c97.

c9..

2efinici n de varia%les, +ea $& B )mero de policas que inician el periodo & (& B -#9#?#...#:) Nunci n o%&etivo, Min. ' B $- @ $9 @ $? @ $I @ $7 @ $: (policas mnimos para cu%rir turnos a:b) +u&eto a restricciones, $- @ @ $: c ?.. $- @ $9 c ?7. $9 @ $? c I97 $? @ $I c I7. $I @ $7 c 97. $7 @ $: c 9.. .... toda $& c . E&emplo, Problema de aprovec8amiento de recursos.

/na empresa papelera reci%e un pedido de rollos de papel de la misma calidad " espesor para los siguientes anchos, 7.. rollos de ?. in# I7. rollos de I7 in " -7. rollos de 7: in. En las %odegas de la empresa solo se tiene e$istencia en esta calidad de papel en ancho de -.J in# por lo que se piensa de%en someterse a un proceso de corte longitudinal si se desea cumplir la demanda de este pedido. Normular un modelo de programaci n lineal correspondiente a este pro%lema.

-.J cm *<DCE 2efinici n de varia%les, +ea $& B d de cortes del tipo & (& B -#9#....#7) necesarios para cumplir el pedido con mnimo desperdicio de papel. Nunci n o%&etivo (o econ mica), Min. ' B -J$- @ ?$9 @ 99$? @ -J$I @ 6$7 +u&eto a restricciones, ?$- @ 9$9 @ $? c 7.. rollos de ?.` $9@ $I @ $7 c I7. rollos de I7` $? @ $7 c -7. rollos de 7:` ...las unidades, Dollos *orte *orte B Dollos ...para restricciones. in corte corte B in ...para funci n o%&etivo.

Coda $& c . Problema de almacenamiento en el transporte. /n %arco tiene las siguientes capacidades de almacenamiento en sus %odegas de popa# centro " proa. Los due!os del %arco pueden elegir una porci n o toda la carga de los productos 1# A " *# cu"as caractersticas se ta%ulan a continuaci n. 1dems# para preservar el equili%rio del %arco de%e cumplirse con una carga proporcional a la capacidad de las respectivas %odegas. A<2EU1 PD<1 (-) *E)CD< (9) P<P1 (?) PD<2/*C<+ 1 A * *1P1*F212 C<)EL121+ ?... 9... -7.. C)+ 1 CD1)+P<DC1D ?7.. 97.. 9... m?WCon :. 7. 97 *1P1*F212 m? -?.... -.... ?.... /CFLF212 (MFLE+ 2L+WC)) J 6 :

2efinici n de varia%les, +ea, $i& B toneladas del producto & (& B 1#A#*) a cargar en la %odega i (i B -#9#?) para ma$imi'ar la utilidad en el via&e. Nunci n o%&etivo, Ma$ ' B J($-1 @ $91 @ $?a) @ 6($-A @ $9A @ $?A) @ :($-* @ $9* @ $?*) ...con unidades Miles de dls. Con Con B miles de d lares +u&eto a restricciones, $-1 @ $-A @ $-* c ?... Con. *apacidad en Con $91 @ $9A @ $9* c 9... $?1 @ $?A @ $?* c -7.. :.$-1 @ 7.$-A @ 97$-* c -?.... m?.

*apacidad en Con :.$91 @ 7.$9A @ 97$9* c -..... :.$?1 @ 7.$?A @ 97$?* c ?.... $-1 @ $-A @ $-* c ?7.. Con. *apacidad en Con $91 @ $9A @ $9* c 97.. $?1 @ $?A @ $?* c 9... Proporci n de carga en las %odegas, $-1 @ $-A @ $-* B $91 @ $9A @ $9* B $?1 @ $?A @ $?* c ?... 9... -7.. -odelo de pro ramacin lineal eneral& 2efinici n de varia%les, +ea $& B d.... ( & B -# 9# ?....n Nunci n o%&etivo, C0rminos del primer grado que se sumen. Ma$. o Min. ' B *-$- @ *9$9 @ ... @ *&$& @ ... @ *n$n ...donde n B d total de valores & B ocurrencia. +u&eto a restricciones, i B -# 9# ?# ... # m a--$- @ a-9$9 @ ... @ a-&$& @ ... @ a-n$n c B c %a9-$- @ a99$9 @ ... @ a9&$& @ ... @ a9n$n c B c %9 e e ai-$- @ ai9$9 @ ... @ ai&$& @ ... @ ain$n c B c %i e

e am-$- @ am9$9 @ ... @ am&$& @ ... @ amn$n c B c %m *ondiciones de signo para varia%les, toda $& c . -odelo eneral de pro ramacin lineal resumido en: +umatorias. 2efinici n de varia%les, sea $& B d ( & B -# 9# ?# ... # n Nunci n o%&etivo, (Ma$.WMin.) ' B c c&$& ... su&eta a, cai&$& c B c %i i B -# 9# ?# ... # m ... condiciones de signo, c $& c . *on vectores. (Ma$.WMin.) ' B *$ ... su&eto a, 1$ c B c % $c. Propiedades 9ue debe de se uir el modelo de pro ramacin lineal. Proporcionalidad. En el modelo de programaci n lineal los pagos de%en ser proporcionales. El modelo de programaci n lineal es esttico# plantea una situaci n del momento. $ B progreso de la actividad Aditi:idad. +iempre los pagos se suman. Dequerimientos. *ostos " /tilidades.

8i:isi!ilidad. Las varia%les involucradas en el modelo de programaci n lineal pueden no ser un nmero entero... +i los valores son mu" peque!os no importa el redondeo. +i son mu" altos afecta el redondeo. .ertidum!re. Codos los parmetros que se mane&an de%en ser pasados con certe'a. -%todos de solucin del modelo de pro ramacin lineal. El modelo de programaci n lineal se puede resolver tanto grfica como analticamente# pero para pro%lemas de tama!o comn que se encuentran como aplicaciones# la soluci n grfica no es til. En cam%io# la soluci n analtica utili'ando el algortmo +FMPLEX que se ver posteriormente es el procedimiento normal para la %squeda de la soluci n ptima de un pro%lema. -%todo de solucin r!fica. La gran limitaci n que se tiene con el m0todo de soluci n grfica con programaci n lineal es que su aplicaci n s lo puede hacerse a pro%lemas con dos " cuando mucho tres varia%les# en este curso se e&emplifica para pro%lemas solo con dos varia%les. 1 pesar de tal inconveniente# el m0todo grfico resulta til para e$posici n e ilustraci n de los conceptos de la programaci n lineal. E&emplo, Ma$. ' B ?$- @ 7$9 ... su&eto a, $- c I .......... (-) 9$9 c -9 .......... (9) ?$- @ 9$9 c -J .......... (?) $- ( $9 c . E$presar geom0tricamente el sistema dentro del grfico( rango de valores. $- c I 9 $9 c -9 ? $- @ 9 $9 c -J (-) (I#.) N (9) $9 c : (?) $- $9 (..:) 1 .P

(.#P) A (:#.) O Las desigualdades son fronteras o divisi n del espacio plano. +i la recta no pasa por el origen# se toman en cuenta las coordenadas de <. Espacio soluci n, +atisface al sistema (facti%le) posi%le. *on&unto de soluciones facti%les. +i se satisface la restricci n# el origen pertenece al semiplano que satisface la restricci n. (-) (?) ?$- B -9 G $-B I $- B I ?$- @ 9$9 B -J G B (I#?) 9$9 B : ( $9 B ? Cra'o de la funci n econ mica 81L<D DEL1CF8< ' (7#.) (.#?) Mltiplo de los coeficientes que nos dan la pendiente de la funci n. ' B -7 supuesto ...trasladar a ' en cualquier direcci n respetando la pendiente (paralela a la o%tenida). Gaciendo coincidir ' con todos los v0rtices conocidos nos damos cuenta que a medida que se ale&a del origen crece. El punto m$imo es *. ... donde ' B ?(9) @ 7(:) B ?: Ma$ ' B ?: Los v0rtices son capaces de generar lo <PCFM<. .$4(2=I8A8E +i dados dos puntos cualesquiera contenidos en el con&unto " se unen mediante el segmento " si se cumple para todo par de puntos# es conve$o. Para resolver mediante el algortmo +FMPLEX# el con&unto de%e ser *<)8EX<.

.$4M)4;$ .$4(2=$E un con&unto es conve$o si dados dos puntos 1 " A cualesquiera# contenidos en el mismo# el segmento de recta que los une queda contenido en dicho con&unto totalmente. 82FI4I.I$4 MA;2MA;I.AE /n con&unto conve$o se forma por com%inaci n conve$a lineal entre dos puntos 1 " A como sigue, P B 1 @ A(- L ) para . c c ...donde 1 " A son vectores " es un escalar. E&emplo, <%tener un punto p que sea **L entre dos v0rtices 1 " N con B f. P B ((.#:) f) @ (I#.) (- L f) P B (.#?) @ (9#.) P B (9#?) <O<, )< +E P/E2E) UE)ED1D L<+ 8EDCF*E+. MEC<2< UD1NF*<. E&emplo, Ma$ ' B ?$- @ 7$9 ...su&eta a, $- c I ... (-) 9$9 c -9 ... (9) ?$- @ 9$9 c -J ... (?) $- ( $9 c . .$4M)4;$ .$4(2=$E /n con&unto es conve$o si dados dos puntos 1 " A contenidos en el mismo# el segmento de recta que losa une queda contenido totalmente en dicho con&unto. 82FI4I.I$4 MA;2MA;I.AE /n con&unto conve$o se forma por com%inaci n conve$a lineal entre dos puntos 1 " A como sigue, P B 1 @ A(- L ) para . c c E&emplo, <%tener un punto P que sea **L entre los v0rtices 1 " N con B f P B (.#:) f @ (I#.) (- L fP B (.#?) @ (9#.) c P B (9#?)

(pueden calcularse as todos los puntos a e$cepci n de los v0rtices) *uando se tienen desigualdades ha " que convertir a igualdades (ec. lineales). Comando la restricci n ?, En este caso coincidi # pero no lo sa%amos# si no fuera as# necesitamos una nueva varia%le =$> llamada olgura " retomando el e&emplo anterior se tendra, $- @ $? B I ... (-) 9$9 @ $I B -9 ... (9) ?$- @ 9$9 @ $7 B -J ... (?) $? # $I # $7 G<LU/D1. $- ... $7 c . ..." se tiene un sistema ampliado a 0 dimensiones& 8EDCF*E < 1 * N G A O D X. . 9 I I . : I X9 . : : . ? P . : X? I I 9 . . I L9 . XI -9 . . -9 : L: -9 . X7 -J : . : . . . L: <A)E+. N1*CFALE N1*CFALE N1*CFALE N1*CFALE N1*CFALE

... en las o%servaciones se se!alan los puntos como facti%les porque cumplen con la no negatividad# pero los puntos A# O " D no cumplen con la condici n de no negatividad# lo cual nos indica que no son facti%les. Detomando el sistema anterior# solo cam%iaremos el signo de desigualdad de (?) que ser c. ?$- @ 9$9 c -J ... (?) 1gregaremos al sistema ahora una Ig restricci n# siguiendo con la condici n de no negatividad. ?$- @ 9$9 c -J ... (I) ($- # $9 )

si .... (. # -9 ) I " si ... (J # . ) 1mpliando el sistema inmediato anterior# podemos hacer lo mismo que antes con -# 9 " I# pero no con ? porque el signo es c " nos indica que mnimo -J " necesitaremos una 81DF1ALE +/PEDNL/1 o de G<LU/D1 )EU1CF81. 8EDCF*E < 1 * N G A O D X. . 9 I I . : I X9 . : : . ? P . : X? I I 9 . . I L9 . XI -9 . . -9 : L: -9 . X7 L-J L: . L: . . . : X: 9I -9 : -9 : : : . <A+ED81*F<)E+ )< N1*CFALE )< N1*CFALE N1*CFALE )< N1*CFALE N1*CFALE )< N1*CFALE )< N1*CFALE N1*CFALE

<&o, en el rengl n D de la ta%ulaci n anterior ha" tres ceros# a diferencia del resto de la misma ta%ulaci n " de la anterior de 7 dimensiones. Esto se de%e a que por ese punto pasan ? rectas " por el resto convergen solo dos rectas. En el punto =D> intersectan, -9 D-I

... " se dice que el punto como tal es )< /)F*<. 3 tomando en consideraci n que para un solo punto se requiere de una intersecci n# el resto de los puntos es /)F*<. +e dice entonces que el punto D tiene, +<L/*F<) N1*CFALE +<L/*F<) )< /)F*1 ... " solo cuando se dan las dos anteriores soluciones se llama +<L/*F<) 2EUE)ED121. /n v0rtice no nico se esta%lece cuando ha" redundancia.

5bservaciones caracter#sticas& ...el v0rtice < es )< N1*CFALE " /)F*<. 1 es )< N1*CFALE " /)F*<. * es N1*CFALE " /)F*<. N es )< N1*CFALE " /)F*<. G es N1*CFALE " /)F*<. A es )< N1*CFALE " /)F*<. O es )< N1*CFALE " /)F*<. D es N1*CFALE# /)F*< " 2EUE)ED12<. ..." por lo tanto# del grfico anterior decimos entonces que * " G son no degeneradas. 2ENF)F*F<)E+, S$L).I$4E Es un con&unto de valores para las varia%les o %ien un vector X B ($- # $9 # ... # $& # $&@- # ... # $n # $n@- # ... # $n@m ) que satisface al con&unto de restricciones S$L).I$4 FA.;IBL2E Es un con&unto de valores para las varia%les o %ien un vector X B ($- # $9 # ... # $& # $&@- # ... # $n # $n@- # ... # $n@m ) que satisface al con&unto de restricciones ..." adems satisface a toda $& c . . S$L).I$4 BASI.AE Es una soluci n que se o%tiene al hacer nulas# al menos# (m@n)Lm varia%les# en donde m B d total de restricciones# n B d de varia%les de decisi n (originales) aen el e&emplo# m B ? " n B 9 h (?@9) L ? B 9 ... en el e&emplo de I restricciones m B I " n B 9# resultando (I @ 9) L I B 9 .... " por esto# en el sistema ampliado se tiene en 8EDCF*E , +<L/*F<)E+ A1+F*1+b. ..." se resuelve el sistema para las restantes. S$L).I$4 BASI.A FA.;IBL2E Es una soluci n %sica que cumple toda $& c ..

S$L).I$4 82'242,A8AE Es una soluci n %sica facti%le que tiene menos de m varia%les estrictamente positivas. S$L).I$4 4$ 82'242,A8AE Es una soluci n %sica facti%le con e$actamente m varia%les estrictamente positivas. S$L).I$4 $P;IMAE Es una soluci n %sica facti%le que optimi'a la funci n La isoluci n` en el grfico - " 9 sera solo el rea som%reada. La isoluci n facti%le` en - cuando cumple con c . " en 9 coincide con isoluci n` (polgono 1# *# G# N# <) i+oluci n %sica` en - todos los v0rtices pero en 7 dimensiones " en 9 solo *# D# G pero en : dimensiones. E&emplo, Mi$ ' B I$- @ ?$9 ...su&eta a, $- @ $9 c : ... (-) 9$- L $9 c . ... (9) $- c 9 ... (?) $- ( $9 c . $- # $9 9$- B $9 $- # $9 # :) A - 9 9(.) B -(.) , (.#.) < ? (9 # .) N (: # .) 1 9(-) B -(9) , (-#9) 9(9) B -(I) , (9#I) * El con&unto anterior se diferenca de los anteriores porque es un *<)O/)C< 1AFEDC< " al pedir un m$imo# se tendra una soluci n +F) LjMFCE. Decordar que si el origen se encuentra en el con&unto facti%le# al pedirse minimi'ar# esta se llama soluci n trivial. I(9) @ ?(I) B 9. ....aMinb *onsiderando Min '

I(:) @ ?(.) B 9I Desolviendo analticamente, $- @ $9 L $? c : 9$- L $9 L $I c . $- L $7 c 9 $-# $9 # $? # $I # $7 c . (los v0rtices en 9 dimensiones pasan a ser soluciones %sicas en ? dimensiones) 8EDCF*E+ < +<L/*F<)E+ A1+F*1+ A N < * 1

X. 9 . 9 :

X9 : . . I .

X? . LI L: . .

XI L: I . . -9

X7 L9 . L9 . I

*1D1*CEDF+CF*1+ ).N1*CFALE+# /)F*1 ).N1*CFALE+# /)F*1 ).N1*CFALE+# )< /)F*1 ).N1*CFALE+# )< /)F*1# 2EUE. ).N1*CFALE+# /)F*1

La degeneraci n en * se provoca por una restricci n redundante , ? * se genera de la simultanei'aci n de las rectas -#9 ( 9#? ( -#? " se tienen ? soluciones %sicas. *omo en el grfico anterior el nmero de soluciones %sicas es infinito " hacemos o tomamos solo soluciones %sicas, d m$imo de m @ n B m @ n B m @ n h soluciones %sicas m n mh nh m B d de restricciones. n B d de varia%les de decisi n. d B ? @ 9 B ? @ 9 B 7 B 7 B 7 h B -. ? 9 ? 9 ?h 9h En los e&emplos anteriores no cam%ia el nmero m$imo# pero las lneas hori'ontal " vertical o cru'an el e&e contrario.

El modelo de programaci n lineal se puede presentar en diferentes formas " algunas de ellas resultan importantes para el mane&o de los temas siguientes del curso. F$,MA .A4$4I.AE Esta es til para el mane&o del tema que se refiere al pro%lema dual de cualquier pro%lema de programaci n lineal. La forma can nica acepta%le " reconocida en la ma"ora de los te$tos de%e cumplir con lo s siguientes requisitos, Nunci n o%&etivo ma$imi'ar. Destricciones del tipo c. *ondiciones de negatividad para varia%les. <tra forma legtima para considerar como can nica es cumpliendo con los siguientes requisitos, Nunci n o%&etivo de minimi'ar. Destricciones del tipo c. *ondiciones de no negatividad para varia%les. N<DM1+ *1)<)F*1+. Ma$imi'ar. Minimi'ar. ' B *$ ' B *$ su&eto a, su&eto a, 1$ c % 1$ c % $c.$c. Ma$ ' B ?$- @ 7$9 (L-) Min ' B L?$- L 7$9 +u&. a, +u&. a, $- c I L$- c LI 9$9 c -9 L 9$9 c L-9 ?$- @ 9$9 c -J L?$- L 9$9 c L-J $- ( $9 c .

F$,MA 2S;A48A,E El modelo de programaci n lineal para resolverse# necesita arreglarse para igualdades# lo cual se consigue utili'ando tanto varia%les de holgura como varia%les superfluas. Lo anterior da lugar a la presentaci n del modelo cumpliendo con l os siguientes requisitos, Nunci n o%&etivo para Ma$. o %ien Min. Destricciones del tipo B. Lado derecho de restricciones no negativo. *ondiciones de no negativo para varia%les. F$,MA I,,2')LA,E El modelo de programaci n lineal generalmente se presenta en forma irregular( es decir# no cumple con la forma can nica ni tampoco forma estndar# pero mediante el procedimiento alge%raico se puede conseguir convertir a un modelo que cumpla las formas mencionadas tal como se ve en el siguiente e&emplo, %ormas equivalentes del modelo de pro ramacin lineal& E&emplo, Ma$ ' B 7$- L $9 @ ?$? ...su&eta a, $- @ 9$9 @ I$? c -9 ... (-) $9 @ $? B 7 ... (9) 9$- L $9 @ 7 $? c : ... (?) $- ( $9 c . ( $? LFADE %ormas cannicas (en forma vectorial" Ma$ ' B *$ Min ' B *$ su&eto a, su&eto a, 1$ c . 1$ c . $c.$c. .....en el caso anterior conviene usar Ma$ para no invertir la funci n o%&etivo. %orma cannica& 1lgo que incomoda es $- c . " entonces se hace un acuerdo matemtico para crear otra varia%le $- como se hace a continuaci n,

$- c . h L$-` B $- c . ...la hicimos igual a $-` " luego multiplicamos todo por L-. (L$-` B $- c .) (L-) Bh $-` B L$- c . ...ahora para $? , $? B ($?@ L $?L) $?@ ( $?L c . si... $?@ T $?L h $? T . $?@ Y $?L h $? Y . $?@ B $?L h $? B . iniciando... Ma$ ' B 7$- L $9 @ ?$? h ' B 7$-` L $9 @ ?$?@ L ?$?L ...su&eta a, $-` @ 9$9 @ I$?@ L I$?L c -9 ... (-) Para la restricci n original (9) no tengo un proceso especfico# pero se ponen en sustituci n de esta restricci n de igualadad a 9 restricciones de desigualdad con signos opuestos (mismo t0rminos). $9 @ $?@ L $?L c 7 ........ (9@) $9 @ $?@ L $?L c 7 ........ (9L) ...pero como no tenemos que tener aqu c # entonces multiplicamos a 9L por (L-) " queda de la siguiente forma, L$9 L $?@ @ $?L c L7 ........ (9L) Pasando a la restricci n (?)# ha" que multiplicarla por (L-) sin de&ar de tomar el signo para $-`. 9$-` @ $9 L 7$?@ @ 7$?L c L:

$-` B L$- c . ( $9 # $?@ ( $?L c . 1grupando todo lo anterior resulta la forma can nica. %orma estndar& Ma$WMin ' B *$ +u&eta a, 1$B% $c. Ma$ ' B 7$-` L $9 @ ?$?` L ?$?` +u&eta a, (tomando las originales " tomando los arreglos para varia%les) L $-` @ 9$9 @ I$?@ L I$?L @ $I B -9 ..... (-) $9 @ $?@ L $?L B 7 ..... (9) L 9$-` L $9 @ 7$?@ L 7$?L L $7 B : ..... (?) +/PEDNL/1 $-` ( $9 ( $?@ ( $?L ( $I " $7 c . ......quedando de esta manera la forma estndar. E&ercicio, Min ' B I$- @ ?$9 L $? +u&eta a, 9$- L $9 @ 9$? B -I ..... (-) $- @ $9 @ ?$? c J ..... (9) ?$9 @ 9$? c I ..... (?) $- LFADE ( $9 c . ( $? c . %orma cannica& L$9` B $9 c . $- B ($-@ L $-L) $-@ T $-L h $- T .

$9` B L$9 c . $-@ c . ( $-L c . $-@ Y $-L h $- Y . $-@B $-L h $- B . Min ' B I$-@ L I$-L L ?$9` L $? +u&eta a, (9$-@ L 9$-L @ 9$9` @ 9$? c -I) (L-) 9$-@ L 9$-L @ 9$9` @ 9$? c -I ..... (-L) L9$-@ @ 9$-L L 9$9` L 9$? c L-I ..... (-@) ($-@ L $-L L 9$9` @ ?$? c J) (L-) L$-@ @ $-L @ 9$9` L ?$? c J ..... (9) L ?$9` @ 9$? c I .....(?) h L9$-@ @ 9$-L L $9` L 9$? c L-I ..... (-@) 9$-@ L 9$-L @ $9` @ 9$? c -I ..... (-L) L$-@ @ $-L @ 9$9` L ?$? c J ..... (9) L ?$9` @ 9$? c I ..... (?) $-@ ( $-L ( $9` ( $? c . %orma estndar& L$9` B $9 c . $- B ($-@ L $-L) $9` B L$9 c . $-@ c . ( $-L c . Min ' B I$-@ L I$-L L ?$9` L $? +u&eta a, 9$-@ L 9$-L @ $9` @ 9$? c -I ..... (-) $-@ L $-L L 9$9` @ ?$? @ $I c J ..... (9)

L ?$9` @ 9$? L $7 c I ..... (?) $-@ ( $-L ( $9` ( $? ( $I ( $7 c . M<;$8$ SIMPL2=. El m0todo smple$ fue desarrollado en -PI6 por el 2r. Ueorge 2ant'ig " con&untamente con el desarrollo de la computadora hi'o posi%le la soluci n de pro%lemas grandes planteados con la t0cnica matemtica de programaci n lineal. El algortmo denominado smple$ es la parte medular de este m0todo( el cual se %asa en la soluci n de un sistema de ecuaciones lineales con el conocido procedimiento de UaussL Oordan " apo"ado con criterios para el cam%io de la soluci n %sica que se resuelve en forma iterativa hasta que la soluci n o%tenida converge a lo que se conoce como ptimo. Las definiciones siguientes fundamentadas en ? importantes teoremas# a"udan a entender la filosofa de este eficiente algortmo. &eoremas de la Pro ramacin +ineal. El con&unto de soluciones facti%les para un pro%lema de P.L. es un con&unto conve$o. La soluci n ptima del pro%lema de programaci n lineal # si e$iste# es un punto e$tremo (v0rtice) del con&unto de soluciones facti%les. +i dicha soluci n ptima se tiene para ms de un punto e$tremo# entonces tam%i0n optimi'a en cualquier punto que sea com%inaci n conve$a lineal entre los dos v0rtices que optimi'a. ..." suponiendo que la funci n o%&etivo fuera, Ma$ '* B :$- @ I$9 h :(9) @ (:) B ?: Ma$ 'G B :(I) @ I(?) B ?: Ma$ '1 B :(.) @ I(:) B 9I *alcular P como **L entre * " G con B k P B * @ (- L ) G P B k (9 # :) @ ( - L k) (I # ?) P B ( f # ?W9) @ (? # PWI) B (6W9 # -7WI) ... " retomando el grfico anterior, HP B : (6W9) @ I (-7WI) B ?:

 El nmero m$imo de puntos e$tremos (v0rtices) por revisar en la %squeda de la soluci n ptima del pro%lema es finito " coincide con el nmero m$imo de soluciones %sicas nicas que se pueden determinar mediante el %inomio... m @ n B m @ n B (m@n) h m n mh nh 8IA',AMA F)4.I$4AL 82L M2;$8$ SIMPL2=. )< +F .,I;2,I$S 82L AL'$,I;M$ SIMPL2= PA,A 2L .AMBI$ 82 BAS2. El algortmo smple$ mane&a e$clusivamente soluciones %sicas " que cumplan con facti%ilidad( es decir# todas las varia%les de%en ser no negativas. Por lo tanto# para el mane&o de las soluciones %sicas facti%les " su valoraci n# requiere de la aplicaci n de ciertos criterios fundamentados en los teoremas "a mencionados. Por cada intento de clculo es necesario aplicar los siguientes criterios,

.riterio de optimalidad. +e aplica en el algortmo smple$ para determinar entre las varia%les noL%sicas# una que entre a la %ase# eligiendo aquella noL%sica con el coeficiente ms negativo en el rengl n ' de la ta%la smple$( si el pro%lema tiene el o%&etivo de ma$imi'ar. En caso contrario# es decir# para minimi'ar# de%e elegirse para varia%le entrante a la %ase a aquella que tenga el coeficiente ms positivo en el rengl n ' de la ta%la. .riterio de %acti!ilidad. +e aplica en el algoritmo smple$ para determinar entre las varia%les %sicas a una que salga de la %ase# aplicando la siguiente funci n.

$i Min ( solo a i 4 T . ai4 Esto es vlido tanto para pro%lemas de ma$imi'ar como de minimi'ar. Elemento pivote. +e declara como elemento pivote a aqu0l coeficiente que se u%ica en el cruce de la columna i4` " el rengl n ii` elegidos en los dos criterios "a anotados.

E&emplo, Desolver con el m0todo smple$ el siguiente modelo de programaci n lineal. Ma$ ' B ?$- @ 7$9 ...su&eta a, $- c I (-) 9$9 c -9 (9) ?$- @ 9$9 c -J (?) $- ( $9 c . ... conseguir la forma estndar Ma$ ' B ?$- @ 7$9 ...su&eta a, $- @ $? c I (-) Aloque d- 9$9 @ $I c -9 (9) ?$- @ 9$9 @ $7 c -J (?) $- ( $9 ( $? ( $I # $7 c . holguras N<DM1 M1CDF*F1L.