Programacion Lineal

2.
1 INTRODUCCIN
La Programacin Lineal (PL) o Linear Programming (LP) es un modelo matemtico usado
inicialmente en la solucin de problemas en el rea de la defensa con el objeto de optimizar el
efecto de sistemas de armas en caso de guerra; posteriormente se utiliz en las industrias, para
ayudar a tomar las mejores decisiones de distribucin de recursos productivos escasos entre
varios posibles productos, es decir situaciones de planificacin y programacin de la
produccin con el objeto de determinar tipos de productos y cantidades a fabricar, de forma de
obtener resultados ptimos para la empresa.
En el ao 1947 G. Dantzig desarroll el simplex, poderoso algoritmo que permite resolver
modelos de PL.
A comienzos de la dcada del cincuenta muchas empresas norteamericanas experimentaron un
fuerte crecimiento en sus niveles operacionales y se us la PL para determinar niveles de
actividad y asignacin de recursos en forma ptima.
La Programacin (entindase como sinnimo de planificacin en forma ptima) Lineal es
actualmente una de las herramientas de la Investigacin de Operaciones ms utilizadas.
Adems de lo explicado anteriormente, ha ampliado su mbito de aplicaciones a optimizar una
gran variedad de situaciones, entre ellas problemas de portafolio de inversiones, de transporte
y distribucin de productos, de programacin de personal, de manejo de inventarios, de
ubicacin de instalaciones (plantas, bodegas), combinaciones de las situaciones mencionadas,
etc.
Una situacin de toma de decisin que utiliza PL comprende tres fases, en lo que respecta al
uso de la PL misma:
Formulacin del problema como un modelo de PL.
Resolucin del modelo de PL.
Interpretacin de la solucin y anlisis de sensibilidad asociado a ella.
En este apunte se presentan estas tres fases, usando ejemplos tpicos que permitirn al lector
comprender de mejor manera el tema.
No debe quedar inadvertido que para la formulacin de una situacin como un modelo de PL,
alguien deber darse cuenta que hay un problema entre manos que requiere atencin y que por
otra parte la PL es una herramienta adecuada para abordarlo (ver Figura 1.1).
George Dantzig
2.2 APLICACIONES TPICAS DE LA PL

Algunas situaciones tpicas o problemas (las que muchas veces se presentan en forma
combinada) de toma de decisin que utilizan PL se detallan a continuacin:
Problemas de Produccin de una Mezcla de Productos (Product Mix).

Una planta manufacturera (por ejemplo una fbrica de cemento) puede producir una
cierta variedad de productos (en este caso diversos tipos y calidades de cementos). Cada
producto requiere una cantidad especfica de distintos recursos (materias primas, tiempo
de mquinas, horas hombre, bodegaje, etc.). Por otra parte cada producto genera un
beneficio diferente. La formulacin de PL busca determinar la cantidad ptima que
se debe producir de cada uno de los productos en el corto plazo, de forma de
maximizar los beneficios en forma global y satisfacer tambin todas las restricciones de
recursos.
Una situacin anloga es la de la carga de un buque mercante portacontenedores, en que
la seleccin y ubicacin de distintas cargas (cada una compuesta por un cierto tipo y
cantidad de contenedores) en las distintas bodegas debe satisfacer contratos de fletes
martimos, restricciones de peso, volumen, equilibrio o estiba, orden (pensando en
cuales se debern descargar primero), etc.
Problemas de Planeacin agregada.

Es un caso ms complejo que el anterior ya que se trata de problemas de produccin que
consisten en planificar las cantidades totales a producir de varias categoras de
productos - los que son considerados en forma agregada por categora - demandados
por distintos clientes en el corto y mediano plazo (tpicamente con un horizonte de un
ao y actualizacin mensual) determinando el empleo global de recursos en forma
agregada para las varias categoras de productos (mano de obra normal y en tiempos
extras, subcontratos, maquinaria, inventario necesario de materias primas, de productos
semielaborados y de consumos, embalaje, bodegaje, etc.) que determinan la oferta.
Tambin se puede considerar influir sobre la demanda con variables tales como el
precio, retardo o adelanto de pedidos, promociones y la publicidad.
Cuando el problema de produccin abarca varios perodos de tiempo, se habla de

planificacin multiperodica. Por ejemplo, si se puede producir en un perodo ms de lo
demandado, lo que sobra puede que sea posible y conveniente almacenarlo para un
prximo perodo. Esto puede ser representado en PL a travs de variables de niveles de
inventario o productos terminados, inventario que tendr un cierto costo de mantencin.
Posterior a la etapa de planeacin viene la etapa de programacin de la produccin
con un horizonte de semanas, donde los recursos y las categoras de productos son
considerados en forma desagregada.
Problemas de Mezclado de Componentes (Blending).

El caso tpico es el de una refinera de petrleo que fabrica varios productos
(combustibles) en base a la mezcla de distintos crudos. La refinera desea determinar
las cantidades ptimas de los componentes (crudos), que deben ser mezclados entre s,
para obtener gasolinas de distintos octanajes y otros productos, maximizando los
beneficios de la venta de los productos, sujeto a la disponibilidad de los componentes, a
la demanda y a la capacidad de produccin. Este proceso productivo se conoce como
destilacin fraccionada, en que la mezcla es sometida a una elevacin paulatina de
temperatura para obtener de la mezcla los distintos productos.
Problemas de Seleccin de la Publicidad y el Tipo de Medio a Usar.

La formulacin de PL busca seleccionar correctamente la combinacin de medios (TV,
diarios, revistas, radio, internet, etc.) a usar y la cantidad de comerciales (spots) durante
una campaa publicitaria. Las restricciones son el presupuesto total y la cantidad de
spots que se pueden pasar en cada medio. En este caso se busca la llegada del
mensaje publicitario al mximo de consumidores potenciales, generando la mayor
demanda posible por el producto o servicio publicitado.
Problemas de Dieta.
Es muy similar al caso de mezclado de componentes, con la diferencia que se persigue
minimizar los costos asociados a la produccin de alimentos para uso en ganadera,
avicultura, acuicultura, etc. respetando porcentajes mnimos de diversos componentes.
Un problema similar se presenta en agricultura cuando se deben usar fertilizantes y
abonos.
Problemas de Seleccin de Portafolio de Inversiones.

El problema est en determinar la cantidad de dinero a destinar a cada posible inversin,
dado un monto global a invertir. Se persigue maximizar el retorno esperado y/o
minimizar el riesgo del portafolio (o cartera de inversiones), dadas las caractersticas
de cada tipo de inversin.
Problemas de Transporte y Distribucin.

Permanentemente una multitienda o cadena de supermercados con cobertura geogrfica
amplia, debe enviar productos desde sus bodegas o centros de distribucin a sus tiendas.
Las cantidades a enviar y los costos asociados son conocidos. El tomador de la decisin
quiere conocer qu cantidad deber enviar de cada bodega a cada tienda para
minimizar el costo total de transporte sujeto a la disponibilidad en cada tienda y
demanda de cada local.
Situaciones similares se presentan en la distribucin de agua, gas, corriente elctrica,
seal de cable para TV, telfono, etc.
Los problemas de transporte y distribucin tambin se presentan en el caso de diseo de
redes de transporte que usen transbordo, utilizando ya sea aviones, buques, trenes o
camiones como medio, lo que se conoce como transporte multimodal.
Otra aplicacin es en el proceso de la toma de decisiones para ubicar las plantas
industriales, bodegas y centros de distribucin de una nueva empresa, considerando los
costos de transporte de las posibles alternativas de ubicacin.
Problemas de Asignacin de Trabajos.

Los trabajadores tienen distintos tipos de habilidades y se demoran tiempos distintos en
diversos trabajos. La meta es determinar quienes deben realizar cada uno de los
diversos trabajos para minimizar el tiempo total, de tal manera que se aproveche en
forma ptima la disponibilidad de horas hombre. Una situacin similar se produce con
respecto a la maquinaria.
Problema de eleccin de rutas.

Otra aplicacin es la eleccin de rutas de buses, camiones, aviones, buques, etc, al
existir dos o ms alternativas; en este caso se tratar de minimizar el costo de la
alternativa elegida.
Problema de organizacin de turnos.

Existen tanto empresas de servicios como manufactureras que deben trabajar ms
tiempo que una jornada normal, llegando incluso a requerirse la operacin en forma
continua por 24 horas; en este caso se trata de cubrir los requerimientos de fuerza
laboral en cada uno de los perodos de la jornada usando turnos, con el mnimo
costo de personal y respetando la legislacin laboral correspondiente.
2.3 MODELAMIENTO Y SOLUCIN DE PROBLEMAS

DE PL
2.3.1 MODELAMIENTO DE PL
Los pasos para dar forma a un modelo de programacin lineal se pueden resumir como sigue:
1.- Definir las variables de decisin, que corresponden a las variables del mundo real, las
que conformarn el problema de una manera matemtica; en los modelos de PL se trata de
determinar los valores de estas variables de decisin que hacen que la funcin objetivo tenga
un valor ptimo.
2.- Determinar la funcin objetivo (FO), que es una expresin matemtica que debe quedar
expresada como funcin lineal de las variables de decisin, definidas anteriormente. Esta
expresin se deber optimizar (maximizar o minimizar), sujeta a las restricciones que se
explican en el siguiente prrafo (por ejemplo recursos limitados).
3.- Determinar las restricciones, que limitan o acotan los posibles valores de las variables de
decisin. Estas pueden obtenerse a partir de la disponibilidad de maquinarias, mano de obra,
materias primas, demanda, recursos financieros, etc.
El hecho que existan variables de decisin implica que existen diversos cursos de accin o
alternativas entre los cuales se pueda elegir. Por ejemplo, si una compaa produce 3
productos distintos, la gerencia puede utilizar un modelo de PL para decidir cuales producir
y en que niveles; de paso se aclara como distribuir entre ellos los recursos limitados que
tiene para producirlos, pudiendo resultar algn nivel de holgura (parte de un recurso que no
se emplear), el que puede ser utilizado eventualmente para otro propsito. Si no existieran
alternativas, (caso se pueda producir solamente un tipo de producto), no es necesario
construir un modelo.
Un aspecto importante en PL es el requisito que todas las expresiones matemticas deben ser
lineales. Obviamente, en la realidad no todos los factores son lineales; a veces expresiones no
lineales son necesarias para modelar situaciones, por ejemplo, en el caso de que existan
economas de escala. Afortunadamente se ha demostrado que muchos factores (horas de

trabajo, utilizacin de maquinaria, beneficios, costos, etc.) son razonablemente lineales o
pueden ser aproximados a expresiones de este tipo. Sin embargo, si se descubre que un factor,
definitivamente, no se puede expresar linealmente entonces el problema no se puede resolver
mediante PL y seguramente se trata de un caso de programacin no lineal (PNL).
Los modelos de PL pueden ser utilizados para modelar o resolver situaciones que cumplan con
las siguientes condiciones:
Debe poder expresarse o modelarse la situacin en forma matemtica.
Todos los factores o trminos considerados en la FO y las restricciones deben ser lineales,
es decir deben estar constituidas por la suma de uno o varios trminos en que cada uno de
ellos debe ser el producto de un coeficiente por una variable de decisin, debiendo ser el
exponente de esta ltima de valor uno; si no se cumple esta condicin estamos frente a un
problema de programacin no lineal (PNL).
Deben existir una o ms restricciones sobre las variables de decisin del problema, lo que
determina que existan diversos cursos de accin entre los que se pueda elegir, determinados
por los rangos de valores que pueden tomar las variables de decisin.
Las variables de decisin podrn tomar valores continuos (decimales); si no se cumple esta
condicin estamos frente a un problema de programacin entera (PE) que estudiaremos ms
adelante, y constituye un caso particular de la PL de gran inters.
A continuacin se presenta un ejemplo de mezcla de productos, con el objeto de introducirnos a

la programacin lineal.
Una empresa puede producir 4 productos y desea maximizar sus beneficios. El beneficio de
cada uno de los productos es de 5, 2, 6 y 4 unidades monetarias por unidad producida. Adems,
la empresa emplea 200 trabajadores calificados y 150 no calificados, y la semana tiene 40 horas
de trabajo. El tiempo necesario para producir una unidad de cada producto se presenta en la
tabla 2.1 adjunta. Determinar el modelo lineal con el objeto de decidir sobre los niveles de
produccin semanal de cada uno de los productos.
HHs
Productos
1
semanales
Horas de Trabajo Calificado
8000
(200x40)
Horas de Trabajo No Calificado
11
Beneficio
6000
4 (150x40)
Tabla 2.1
Solucin
Para modelar este problema se deben realizar los 3 pasos sealados anteriormente. Estos son:
definir las variables de decisin, determinar la funcin objetivo y finalmente las restricciones.
Variables de Decisin: P1 : cantidad de unidades a producir del prod. 1 (trab. calificados)

P1: cantidad de unidades a producir del prod. 1 (trab. no calificados)
P2: cantidad de unidades a producir del prod. 2 (trab. calificados)
Funcin Objetivo:
Maximizar Z = 5 P1+5P1+2 P2+2P2+6P3+6 P3+4 P4+4P4
Restricciones:
5 P1 + 3 P2 + P3 + 8 P4
8000
(T. Calificado)
5 P1 + 7 P2 + 4 P3 + 11 P4
6000
(T. No Calificado)
P1 = P1 + P1 (cantidad total de unidades a producir del producto 1)

En la pgina siguiente se presenta la figura 2.1 con la solucin de este modelo, la que se obtuvo
usando el programa Mathprog; se debe tener en cuenta que las variables de decisin no se
pueden asociar en forma directa entre el modelo y la salida del Mathprog; esto porque
Mathprog usa la notacin X1(P1), X2(P1), X3(P2), X4(P2), X5(P3), X6(P3), X7(P4),
X8(P4) para las variables de decisin. Por otra parte este programa se basa en el algoritmo
simplex.
Linear Programming Model:

Number of Decision Variables:
Number of Functional Constraints:
Max Z =
5 X1 +
5 X2 +
2 X3 +
2 X4 +
6 X5 +
6 X6 +
4 X7
4 X8
subject to
1)
5 X1 +
3 X3 +
1 X5 +
8 X7 <=
8000
2)
5 X2 +
7 X4 +
4 X6 +
11 X8 <=
6000
and
X1 >= 0, X2 >= 0, X3 >= 0, X4 >= 0, X5 >= 0, X6 >= 0, X7 >= 0, X8 >= 0.
Solve Automatically by the Simplex Method:

Optimal Solution
Value of the
Objective Function: 57000
Variable
|
Value
____________|__________
X1
|
0
X2
|
0
X3
|
0
X4
|
0
X5
|
8000
X6
|
1500
X7
|
0
X8
|
0
| Slack or
| Shadow
Constraint | Surplus
|
Price
____________|______________|____________
1
|
0
|
6
2
|
0
|
1.5
Figura 2.1
|
Sensitivity Analysis
|
|Objective Function Coefficients
|
|
| Allowable Range
| Current | To Stay Optimal
|
Value | Minimum | Maximum
| ________|_________|_________
|
5 | - infin |
30
|
5 | - infin |
7.5
|
2 | - infin |
18
|
2 | - infin |
10.5
|
6 |
1 | + infin
|
6 |
4 | + infin
|
4 | - infin |
48
|
4 | - infin |
16.5
|
|
|
Right Hand Sides
|
|
| Allowable Range
| Current | To Stay Feasible
|
| ________|_________|__________
|
8000 |
0 | + infin
|
6000 |
0 | + infin
En general la estructura de un modelo de PL con m recursos y n actividades (o productos),

se visualiza ordenando los datos de inters en una tabla (ver tabla 2.2) como sigue:
ACTIVIDAD ACTIVIDAD
RECURSO 1
2
1
2
A11
A21
m
Am1
EFECTO
C1
EN Z POR
UNIDAD
DE Xj
A12
A22
ACTIVIDAD
n
CANTIDAD DE
RECURSO
DISPONIBLE
A1n
B1
A2n
B2
Am2
C2
Amn
Cn
Bm
Tabla 2.2
MAX Z = C1X1+ C2X2+ C3X3 +..................+ CnXn
(LA FO PUEDE SER TAMBIN MIN.)
SUJETA A (S.A.)
A11X1 + A12X2 +................................+ A1nXn B1
A21X1 + A22X2 +..................................+ A2nXn B2
Am1X1 + Am2X2 +................................+ AmnXn Bm
(ALGUNAS RESTRICCIONES PUEDEN SER O =)
FINALMENTE PLANTEAREMOS LAS CONDICIONES DE NO
NEGATIVIDAD
X1 0, X2 0,..............................,Xn 0
El modelo anterior en forma tabular (ver tabla 2.3) queda as:
ACT ACT ACT ACT ACT ACT

1
1 2
2 3
3
RECURSO 1 5
RECURSO 2 0
EFECTO EN 5
Z POR
UNIDAD DE
Xj
0
5
5
3
0
2
0
7
2
1
0
6
0
4
6
ACT ACT
4
4 CANTIDAD
DE
RECURSO
DISPONIBLE
8
0
8000
0
11 6000
4
4
Tabla 2.3
Ejemplo de la empresa textil: ver pildorita o prueba solemne
2.3.2 RESOLUCIN GRFICA DE MODELOS DE PL

Un mtodo para resolver los modelos de programacin lineal consiste en la representacin
grfica del modelo, la que tiene un valor didctico para entender la PL y el algoritmo simplex.
Este mtodo puede ser usado slo para resolver modelos con hasta tres variables de decisin.
Para aquellos que tengan ms variables de decisin se deben utilizar otras tcnicas, tales como
el algoritmo simplex. Para efectos didcticos se usan modelos con dos variables de decisin.
Las caractersticas del mtodo grfico son:
Puede utilizarse con cualquier cantidad de restricciones, pero a medida que estas aumentan,
la complejidad aumenta, dado que cada restriccin agrega una lnea recta al grfico (o
plano, en el caso de tres variables de decisin).
Desde el punto de vista de las restricciones, estas pueden ser =, o .
Desde el punto de vista de la FO los modelos pueden ser de maximizacin de

minimizacin.
El conjunto de puntos del plano que satisface todas las restricciones en un modelo de
programacin lineal, se denomina regin factible. Los puntos de esta regin cumplen con
todas las restricciones y por otro lado la regin factible contiene todas las posibles
soluciones. Generalmente, a medida que se agregan restricciones disminuye el tamao de
esta regin, pudindose llegar a la situacin que no exista una regin factible.
Despus de determinada la regin factible, y conociendo en especial los vrtices de ella (dado
que los ptimos se producirn en los vrtices) es necesario determinar el vrtice que maximice
o minimice la FO. Esto se hace dibujando la lnea recta que representa la FO, para distintos
valores de esta e identificando el vrtice en la regin factible donde se optimice el valor de la
FO dibujada (alternativamente se puede evaluar la FO en todos los vrtices de la regin
factible, objeto determinar en cul de ellos la FO es ptima). Se pueden generar dos tipos de
soluciones:
1. La lnea recta asociada a la FO se maximiza en un vrtice de la regin factible, con
lo cual la solucin ptima es nica.
2. La lnea recta asociada a la FO se maximiza en un segmento de la frontera de la
regin factible (arista), donde se producen soluciones ptimas mltiples las que
consisten en todos los puntos de la arista. Este es un caso menos frecuente que el
anterior.
Tambin es posible que:
1. No exista una regin factible.
2. La regin factible no limite el valor de la FO, pudiendo crecer (caso maximizacin)
o disminuir indefinidamente (caso minimizacin).
Con el siguiente problema (modelo) se ejemplifica este mtodo grfico.

Un fabricante manufactura dos productos, puertas y ventanas. Las puertas aportan con 3
unidades monetarias a los beneficios, mientras las ventanas lo hacen con 4, c/u. La gerencia
desea establecer el plan de produccin semanal que maximice el beneficio, dado que toda la
produccin ofertada se puede vender sin problema de demanda.
La informacin de la produccin se presenta en la siguiente tabla 2.4
Por unidad
Maquinaria
Mano de Obra
(Horas)
(Horas)
4
4
2
6
100
180
Puertas
Ventanas
Disponibilidad por
semana
Tabla 2.4
Solucin
Primero se debe modelar el problema. Esto se presenta a continuacin:
Variables de Decisin:
X1: Cantidad de puertas a fabricar.

X2: Cantidad de ventanas a fabricar.
Funcin Objetivo:
Maximizar Z = 3 X1 + 4 X2
Restricciones:
4 X1 + 2 X2 100
(Horas de Maquinaria)
4 X1 + 6 X2 180
(Horas de Mano de Obra)
Considerando las holguras, las restricciones quedan:
4 X1 + 2 X2 + Xh1 = 100
4 X1 + 6 X2 + Xh2 = 180
A continuacin se grafican (ver figura 2.2) las restricciones, para determinar la regin factible;
luego agregamos la recta asociada a la FO para distintos valores de ella.
X2
X1
Figura 2.2
Es de notar que la pendiente de la recta asociada a la FO es (3/4), y las pendientes de las rectas
asociadas a las restricciones son -(2) y (2/3) respectivamente.
El programa Mathprog nos permite resolver en forma grfica este problema, presentndose a
continuacin en la figura 2.3 la ltima pantalla al usar Solve interactively by the graphical
method, del men F3, Procedure. Resulta X1 = 15, X2 = 20, Xh1 = 0, Xh2 = 0 y Z* = 125.
Figura 2.3
Es de notar que en la figura 2.3 agregamos al modelo la restriccin X1 + X2 40, que para
efectos de la solucin grfica no influye; esta restriccin ser usada posteriormente para
explicar el concepto de holgura y el concepto de restriccin redundante.
Alternativamente se tabulan todos los vrtices de la regin factible (la solucin ptima y el
valor ptimo se encuentra en alguno de los vrtices) calculndose el valor de la FO para cada
uno de estos puntos. Esto se presenta en la siguiente tabla 2.5.
VERTICES (X1, X2) Z*, Valor de la FO

(0, 0)
(0, 30)
(15, 20)
(25, 0)
Tabla 2.5
De esta manera se obtiene la solucin o punto ptimo y el valor ptimo o ms favorable de la
FO.
En los prximos pasos introduciremos cambios a nuestro modelo, resolviendo en forma grfica
para ver los efectos que generan los cambios en los resultados; en otras palabras efectuaremos
un anlisis de sensibilidad en forma grfica.
QU PASA SI TENEMOS VARIACIONES EN LOS COEFICIENTES DE LA FO?

En este caso la regin factible no cambia, pero si cambia la recta asociada a la FO
Analizaremos lo que sucede con el punto ptimo al variar la expresin de la FO (cambiaremos
el coeficiente de X2) a las siguientes formas indicadas en la primera columna de la siguiente
tabla 2.6:
NUEVA FO
3X1+
Pendiente
de (X1, X2) =
la recta FO
(0, 0)
(X1, X2) =
(X1, X2) =
(X1, X2) =
(0, 30)
(15, 20)
(25, 0)
X2
3X1+1,5X2
3X1+ 4X2
3X1+4,5X2
3X1+ 5X2
Tabla 2.6
Nos interesa determinar el intervalo de variacin de cada uno de los coeficientes de la funcin
objetivo, de modo que la actual solucin ptima siga siendo la ptima; es de notar que la regin
factible se mantiene; la FO cambia, y la recta asociada tambin, variando su pendiente.
Sea Z = C1x1+C2x2 (su pendiente es (C1/C2))

La solucin ptima de la nueva funcin, seguir siendo ptima en x1*= 15 ; x2*= 20 ssi:
-2 -(C1/C2) -2/3
(recordemos que -2 y -2/3 son las pendientes de las rectas que determinan la solucin ptima)
Para C1:
-2 -C1/4 -2/3
8/3 C1 8
Para C2:
-2 -3/C2 -2/3
3/2 C2 9/2
Alternativamente para determinar el intervalo de C1 podemos calcular que valores tomar la

funcin objetivo en el actual ptimo (15, 20) y en (25,0) y (0, 30) que son los vrtices ms
cercanos y plantear que el valor de la funcin objetivo sea mayor en (15, 20) en relacin a los
vrtices ms cercanos.
C1x15 + 4x20 C1x25 + 4x0

C1x15 + 4x20 C1x0 + 4x30
10xC1 80
15xC1 40, de donde resulta 8/3 C1 8
En el caso del intervalo para C2, se puede determinar tambin de la misma forma
QU PASA SI TENEMOS VARIACIONES EN LOS RECURSOS (LADOS DERECHOS)?

Analizaremos grficamente que pasa si tenemos variaciones en la cantidad de recursos
disponibles para cada una de las restricciones. En este caso las rectas asociadas a las
restricciones se desplazarn, pudindose producir varias situaciones, dependiendo de las
caractersticas de la restriccin (activa o no activa, redundante o no redundante); asumiremos
que el recurso mano de obra, correspondiente al lado derecho de la segunda restriccin, que
est en nivel 180 disminuye a 120 y luego aumenta a 360.
La restriccin original es 4 X1 + 6 X2 180.
VARIACIONES
4X1 + 6X2 120
4X1 + 6X2 360
(X1, X2)
Z
(0, 0)
0
(X1, X2)
Z
(0, 20)
80
(0, 0)
0
(0, 50)
200
(X1, X2)
Z
(22.5, 5)
87.5
(X1, X2)
Z
(25, 0)
75
(25, 0)
75
COMENTARIO
AMBAS REST.
PERMANECEN
ACTIVAS
LA
SEGUNDA
REST. SE HACE
REDUNDANTE
Nos interesa determinar el intervalo de variacin de cada uno de los coeficientes del lado
derecho de las restricciones, de modo de preservar la geometra del problema; esto es, que se
conserven las mismas restricciones activas de la solucin ptima inicial y que la solucin no
cambia en cuanto a las variables bsicas que la conforman (las variables bsicas son X1 y X2,
mientras que las no bsicas son Xh1 y Xh2).
En primer trmino determinaremos los precios sombra; el precio sombra de una restriccin es
el cuociente entre la variacin del valor ptimo de la funcin objetivo, y la variacin del
coeficiente del lado derecho de la restriccin (esto dentro de un cierto rango de variacin del
lado derecho). Ms adelante explicaremos el precio sombra desde el punto de vista de los
resultados de la empresa.
Primera restriccin:
4X1 + 2X2 = 100 + 1
4X1 + 6X2 = 180
Resolvemos el sistema formado por las dos ecuaciones obteniendo:

X1 = 15 + (3/8)1 y X2 = 20 - (1/4)1; reemplazando en Z se obtiene
Z = 125 + (1/8) 1, de donde el precio sombra es 1/8
Segunda restriccin:
4X1 + 2X2 = 100
4X1 + 6X2 = 180 + 2
Resolvemos el sistema formado por las dos ecuaciones obteniendo:

X1 = 15 - (1/8)2 y X2 = 20 +(1/4)2, y reemplazando en Z se obtiene
Z = 125 + (5/8) 2, de donde el precio sombra es 5/8
Ahora determinaremos el rango de variacin de cada uno de los coeficientes del lado derecho
de las restricciones, de modo de preservar la geometra del problema, mantenindose las
mismas variables bsicas X1 y X2.
Primera restriccin:
4X1 + 2X2 = 100 + 1
4X1 + 6X2 = 180
Debemos considerar que al variar 1, desplazamos la recta asociada a la primera restriccin y
variamos la regin factible; determinaremos hasta donde podemos variar la regin factible sin
que vare la geometra de ella.
X1 = 15 + (3/8)1 y X2 = 20 - (1/4)1
X1 = 15 + (3/8)1 0
(Si X1 = 0, la solucin est ubicada en el eje vertical en (0, 30))
Despejando resulta 1 -40
X2 = 20 -(1/4) 1 0
(Si X2 = 0, la solucin esta ubicada en el eje horizontal, en (45, 0))
Despejando resulta 1 80
por lo que el intervalo es [ 100-40, 100+80 ] = [ 60, 180 ]
Alternativamente podemos determinar que valores tomar el lado izquierdo de la primera

restriccin (4X1 + 2X2) en los puntos (0,30) y (45, 0); los valores son 60 y 180
respectivamente, los que corresponden a los determinados anteriormente.
Si el lado derecho de la primera restriccin se hace menor a 60, la solucin ptima estar en el
eje vertical con X1 = 0 y la segunda restriccin tendr una holgura positiva; las variables
bsicas son entonces X2 y Xh2, mientras que las no bsicas X1 y Xh1.
Por otra parte si el lado derecho de la primera restriccin es superior a 180, la solucin ptima
estar en el eje horizontal en el punto (45,0) y la primera restriccin tendr una holgura
positiva.
Segunda restriccin:
4X1 + 2X2 = 100

4X1 + 6X2 = 180 + 2
X1 = 15 - (1/8)2 y X2 = 20 +(1/4)2
X1 = 15 -(1/8) 2 0
(Si X1 = 0, la solucin esta ubicada en el eje vertical, en (0, 50))
Despejando resulta 2 120,
X2 = 20 +(1/4)2 0
(Si X2 = 0, la solucin esta ubicada en el eje horizontal en (25, 0))
Despejando resulta 2 -80
por lo que el intervalo es [ 180-80, 180+120 ] = [ 100, 300 ]
Alternativamente podemos determinar qu valores tomar el lado izquierdo de la segunda

restriccin (4X1 + 6X2) en los puntos (25,0) y (0, 50); los valores son 100 y 300
respectivamente, los que corresponden a los determinados anteriormente.
Si el lado derecho de la segunda restriccin se hace menor a 100, la solucin ptima estar en
el eje horizontal con X2 = 0 y la primera restriccin tendr una holgura positiva.
Por otra parte si el lado derecho de la segunda restriccin es superior a 300, la solucin ptima
estar en el eje vertical en el punto (0,50) y la segunda restriccin tendr una holgura positiva.
En la pgina siguiente presentamos la solucin obtenida con el software MATHPROG al

modelo que hemos analizado en forma grfica, de forma de verificar los resultados obtenidos.

Max Z =
3 X1 +
4 X2
1)
4 X1 +
2 X2 <=
100
2)
4 X1 +
6 X2 <=
180
subject to
and
X1 >= 0, X2 >= 0.
Optimal Solution
Coefficients
Value of the
Variable
|
Value
____________|__________
X1
|
15
X2
|
20
| Slack or
| Shadow
|
Price
____________|______________|____________
1
|
0
|
0.125
2
|
0
|
0.625
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Objective Function
| Allowable Range
Current | To Stay Optimal
________|_________|_________
3 | 2.66667 |
8
4 |
1.5 |
4.5
Right Hand Sides
| Allowable Range
Current | To Stay Feasible
________|_________|__________
100 |
60 |
180
180 |
100 |
300
2.3.3 MTODO SIMPLEX Y ANLISIS DE SENSIBILIDAD.

2.3.3.1 Mtodo Simplex
Tal como se seal en la seccin anterior, para resolver problemas con ms de tres variables de
decisin no es posible utilizar el mtodo grfico. En estas situaciones, el mtodo simplex
aparece como la nica alternativa; ya que en la prctica los problemas con menos de cuatro
variables de decisin son muy poco frecuentes (en realidad existe otro algoritmo conocido
como el mtodo del punto interior, el que es ms rpido que el simplex en la solucin de
modelos grandes, pero entrega poca informacin para efectuar anlisis de sensibilidad).
El algoritmo del mtodo simplex se presenta en los anexos. Este consiste en viajar por los
vrtices de la regin factible hasta llegar al ptimo, generalmente partiendo del origen.
Muchos de los modelos reales de PL son muy extensos, por lo que resolverlos mediante el
mtodo simplex en forma manual es prcticamente imposible. En la realidad se utilizan
programas computacionales (software), tales como el Mathprog, WhatsBest!, Lindo, Lingo,
Solver del Excel entre otros, en la resolucin de modelos de PL. Por esta razn, la idea ms
importante en este apunte es aprender a modelar, luego a introducir el modelo con sus datos en
el formato del software a usar y finalmente a interpretar los resultados obtenidos por los
programas y el anlisis de sensibilidad asociado; de ninguna manera a buscar la solucin del
modelo, ya que este es trabajo para el software.
A continuacin se presenta un problema resuelto (ya analizado geomtricamente) usando el
mtodo simplex con el software MATHPROG; ntese que hemos agregado una restriccin de
material.
X1: Cantidad de puertas fabricadas.

X2: Cantidad de ventanas fabricadas
Funcin Objetivo:
Restricciones:
X1 + X2 + Xh1
4 X1 + 2 X2 +
4 X1 + 6 X2 +
Xh2
= 40
(Kg. de Material)
= 100
Xh3 = 180
Con el problema ya modelado utilizaremos el mtodo simplex. Los resultados obtenidos con el
MATHPROG se presentan a continuacin, en la figura 2.4; ntese que hemos agregado las
variables de holgura Xh1, Xh2 y Xh3 para la primera, segunda y tercera restriccin
respectivamente, las que MATHPROG genera internamente.
Figura 2.4
De la hoja de solucin del mtodo simplex se identifican:
Valor ptimo de la FO (Value of the Objective Function): este corresponde al valor que
toma la FO (normalmente identificado por Z*) cuando se reemplazan los valores ptimos
encontrados para las variables de decisin. Representa al beneficio mximo que se puede
obtener, y asciende a la suma de 125.
Solucin ptima o valores ptimos de las variables de decisin, X1 y X2 que en este caso
indican que se deben producir puertas y ventanas en niveles de 15 y 20 respectivamente.
Variables de Holgura o de Supervit (slack or surplus respectivamente): al resolver un

modelo mediante el simplex, lo primero que se realiza es transformar todas las
desigualdades de las restricciones en igualdades, agregando variables de holgura (Slack
variables) para las restricciones con , o bien, variables de supervit (Surplus variables)
para las restricciones con . Los valores que adquieren estas variables al obtener la solucin
ptima del problema indican la cantidad de recurso no empleado (caso holgura) asociado a
las restricciones y la cantidad en que una restriccin del tipo es sobrepasada o superada
(caso supervit). En este caso, se tienen tres variables de holgura (Xh1, Xh2 y Xh3). Dado
que Xh2 = Xh3 = 0, esto implica que todos los recursos asociados a las restricciones (2) y
(3) sern utilizados, mientras que el asociado a la restriccin (1) ser parcialmente utilizado,
quedando un saldo de Xh1 = 5. El hecho que la holgura de la primera restriccin sea
positiva indica que esta restriccin no esta activa, es decir no participa en la determinacin
de la solucin ptima.
Precios Sombra o precios duales (Shadow prices, dual prices): lo podemos entender como
la variacin de la FO si se tuviese una unidad ms del recurso asociado a una restriccin. En
este caso, si se tuviese una unidad ms del recurso asociado a la restriccin (1) la FO
aumentara en cero, o bien, si se tuviese una unidad menos la FO disminuira en cero; esto
se debe a que este recurso no est utilizado en su totalidad (es un recurso abundante), tal
como se seal anteriormente; Xh1 = 5 es la variable de holgura asociada a esta restriccin.
El nico efecto que se tiene en este caso al aumentar o disminuir el recurso asociado a la
restriccin (1) es la misma variacin en Xh1.
Por otra parte, si se tuviese una unidad ms o menos del recurso asociado a la restriccin (2)
la FO aumentar en 0,125 disminuir en 0,125. En el caso de la restriccin (3), la
variacin correspondiente es de 0,625, frente a una variacin unitaria del recurso. Las
variables de holgura asociadas a la restriccin (2) y (3) son cero y estamos frente a recursos
escasos.
Desde un punto de vista de los resultados de la empresa y asumiendo que la FO

corresponde a utilidades o ganancias donde ya est considerado el costo del recurso,
un precio sombra positivo para un recurso significa que la utilidad se puede aumentar en
una cantidad igual al precio sombra por el solo hecho de obtener una unidad ms del
recurso a su precio normal, que ya se consider para calcular la utilidad unitaria como la
diferencia entre el precio de venta unitario y el costo unitario. En caso que se deba pagar un
precio mayor al normal por la unidad adicional del recurso, el precio sombra indica la
cantidad mxima adicional sobre el precio normal que vale la pena pagar.
En caso que la FO no incluya el costo del recurso (por ejemplo cuando la FO representa
ingresos por ventas), el precio sombra indica el precio mximo que valdra la pena pagar
por una unidad adicional del recurso. Esto ya que el aumento del ingreso sera igual al
mayor costo y la utilidad no cambia.
El anlisis efectuado anteriormente para el precio sombra solamente es vlido cuando los
valores de los lados derechos (recursos) de las restricciones varan dentro de los rangos
definidos bajo el ttulo Right Hand Sides.
2.3.3.2 Anlisis de Sensibilidad

En el modelo, todos los parmetros tales como la disponibilidad de los materiales (valores del
lado derecho en las restricciones), el aporte a los beneficios de cada producto (los coeficientes
en la FO) son los mejores estimados. En la realidad estos pueden variar por diversas razones.
Qu pasara si la disponibilidad de los materiales (restriccin 1) cambia en 10 unidades? Se
mantendra la situacin ptima?
Qu pasara si el aporte a los beneficios de cada producto aumenta en 2 unidades?
Las respuestas a estas preguntas se pueden obtener del anlisis de sensibilidad, el que se
incluye en los resultados de los programas, como los nombrados anteriormente. Una limitacin
que poseen las salidas de estos programas es que el anlisis de la variacin de los parmetros se
debe hacer en forma individual.
A continuacin se presenta una explicacin de la informacin presentada en la hoja de
resultados del ejemplo anterior, que fue resuelto a travs del Mathprog:
Anlisis de Sensibilidad (Sensitivity Analysis), que se puede desglosar en 2 partes:
Coeficientes de la FO (Objective Function Coefficient): se presentan los valores

actuales (Current value) de dichos coeficientes, y adems el rango permitido entre el
que pueden moverse para que la solucin actual siga siendo ptima sin cambiar los
valores de las variables de decisin (Allowable range to stay optimal). Se debe destacar
que al variar los coeficientes de la FO dentro de cualquier rango, la regin factible (zona
achurada) no cambia. En el ejemplo, el coeficiente de X1 es 3 y se puede mover entre
2,6667 y 8; el coeficiente de X2 es 4 y se puede mover entre 1,5 y 4,5 (para los valores
extremos se producen soluciones ptimas mltiples, ya que la recta asociada a la FO es
coincidente en cuanto a su pendiente, con una arista de la regin factible).
Desde un punto de vista geomtrico, corresponde al caso en que la recta asociada a la
FO esta fija al vrtice ptimo, cambiando su pendiente, pero sin llegar a desplazar el
ptimo a otro vrtice. El valor de la FO si cambia y podemos entonces calcular el nuevo
valor de la FO si el primer coeficiente cambia por ejemplo de 3 a 5, obtenindose un Z
= 5xX1 + 4xX2 = 5x15 + 4x20 = 155.
En caso que alguno de los coeficientes de la FO se mueva fuera del rango indicado, el
vrtice o punto ptimo cambiar y el valor de la FO tambin. El problema debe ser
resuelto nuevamente usando el software.
Lados Derechos de las Restricciones (Right Hand Sides): estos valores indican en este
ejemplo la cantidad mxima o lmite de recursos disponibles. Se presentan los valores
actuales (Current value), y el rango permitido en el que pueden variarse para que la
solucin siga siendo ptima en relacin a mantener las mismas variables de decisin en
la solucin, no obstante los valores de las variables de decisin pueden cambiar.
En el ejemplo tenemos que:
el valor del lado derecho de la restriccin 1 es 40 y puede moverse entre 35 y +.
el valor del lado derecho de la restriccin 2 es 100 y puede moverse entre 60 y

140.
el valor del lado derecho de la restriccin 3 es 180 y puede moverse entre 100 y
220.
Lo primero que debemos tener claro es que al variar los lados derechos de las
restricciones, cambia la regin achurada o regin factible; esto con la excepcin de una
restriccin que sea no activa y lo siga siendo, en cuyo caso la regin factible no cambia;
en el ejemplo es el caso de la restriccin de materiales que se puede mover a partir de 40
hasta el infinito, y lo nico que pasa es que la holgura de materiales aumenta a partir del
valor 5, a medida que el lado derecho aumenta sobre 40.
Cuando varan los lados derechos de las restricciones que determinan el vrtice ptimo
dentro de los rangos indicados (por ejemplo el 100 de la segunda restriccin disminuye
a 70 o aumenta a 130), este vrtice ptimo se desplaza, pero sigue estando determinado
por las mismas rectas (rectas = restricciones) que se han desplazado producto de la
variacin de los lados derechos, las variables de decisin bsicas (las que no son cero)
siguen siendo las mismas pero sus valores cambian, con lo cual la FO cambia. Haciendo
una analoga futbolstica, el equipo titular no cambia.
En el caso del ejemplo el equipo titular esta compuesto por X1, X2 y la variable de
holgura de la primera restriccin, Xh1; la reserva esta compuesta por las otras dos
variables de decisin que tenemos, es decir la variable de holgura de la segunda y de la
tercera restriccin, Xh2 y Xh3 respectivamente. Desde el punto de vista algebraico, la
solucin ptima esta dada por la solucin del siguiente sistema de ecuaciones:
4X1 + 2X2 = 100, 4X1+ 6X2 =180 y X1+ X2 + Xh1=40
Cuando los lados derechos de las restricciones varan ms all de los rangos indicados
(por ejemplo si el 100 de la segunda restriccin disminuye a 50 o aumenta a 150), el
vrtice ptimo queda determinado no por las mismas rectas y las variables de decisin
bsicas (las que no son cero) no son las mismas; lo anterior es por que la regin factible
cambio de una forma tal, que ahora las rectas que determinan el vrtice ptimo no son
las mismas. El equipo titular cambia, producindose la salida de una variable que deja
de ser titular y pasa a la reserva y la entrada de una variable que era reserva y ahora es
titular.
Desde un punto de vista geomtrico, el rango indicado para cada restriccin
corresponde al caso en que la recta asociada a la restriccin se desplaza paralela a la
original, pudiendo cambiar la posicin del punto o vrtice ptimo (es el mismo vrtice
que se desplaza), dependiendo si la restriccin esta involucrada o no en la determinacin
de ese ptimo; se mantiene la factibilidad y la optimalidad. En este caso la regin
factible (zona achurada) puede variar, los valores de las variables de decisin bsicas
pueden variar, y de variar estos la FO variar.
En caso que alguno de los valores se mueva fuera del rango indicado, el problema debe
ser resuelto nuevamente usando el software.
Podemos entonces analizar que pasa si el recurso mano de obra cambia por ejemplo
desde 180 a 200 120; lo mismo para el recurso materiales si se cambia por ejemplo de
40 a 50 35.
Qu sucede con la variacin de los coeficientes de las variables de decisin a nivel de
las restricciones? La razn por la cual no se efecta anlisis de sensibilidad para estos
coeficientes, es que son los menos propensos a variar.
El costo reducido no es mostrado en la salida del Mathprog; este valor indica, para una
variable de decisin que resulta con nivel cero en la solucin ptima (no se producen en
este ejemplo), el cambio de la FO al forzar una de dichas variables a tener nivel unitario en
la solucin ptima; visto de otra forma, agregamos a nuestro modelo una nueva restriccin,
en que una variable de decisin debe tener un valor unitario.
2.3.3.3 El modelo dual

Asumamos que deseamos ya sea vender o arrendar (como arrendador), nuestros tres recursos en
vez de ocuparlos productivamente en forma directa; veremos que el modelo dual es una
herramienta que nos ayudar a fijar un precio mnimo para vender o arrendar nuestros recursos.
Este precio mnimo lo podemos visualizar tambin como un costo de oportunidad.
Otra forma de visualizar este modelo dual es si queremos comprar o arrendar (como
arrendatario) unidades adicionales de los recursos que ya tenemos, o sea hasta cuanto estoy
dispuesto a pagar por una unidad adicional de un determinado recurso.
Lo indicado hasta aqu es vlido si la FO de nuestro modelo no incluye los costos de nuestros
recursos, como es el caso del ingreso (en esta situacin los coeficientes de la FO son los precios
de venta unitarios).
Si la FO incluye los costos de nuestros recursos (caso la FO corresponda a utilidades), el
modelo dual nos permitir determinar el valor adicional a dichos costos que determinarn el
precio mnimo al que estamos dispuestos a vender o arrendar (como arrendador) y el precio
mximo al que estamos dispuestos a comprar o arrendar (caso arrendatario).
Nuestro modelo original es:

X1: Cantidad de puertas fabricadas.

X2: Cantidad de ventanas fabricadas
Funcin Objetivo:
X1 + X2
Restricciones:
40
(Kg. de Material)
(Y1)
(Y2)
4 X1 + 2 X2
100
4 X1 + 6 X2
180
(Horas de Mano de Obra) (Y3)
Nuestro modelo dual es:

Y1: Precio mnimo para vender cada Kg. de Material.

Y2: Precio mnimo para vender cada Hora de Maquinaria
Y3: Precio mnimo para vender cada Hora de mano de Obra
Funcin Objetivo:
Restricciones:
MIN Yo = 40Y1 + 100Y2 + 180 Y3

Y1 + 4Y2 + 4Y3 3
Y1 + 2Y2 + 6Y3 4
A continuacin presentamos la salida de Mathprog (resolucin automtica) para el modelo

dual:

Min Z =
subject to
40 X1 +
100 X2 +
1)
1 X1 +
4 X2 +
4 X3 >=
2)
1 X1 +
2 X2 +
6 X3 >=
and
180 X3
X1 >= 0, X2 >= 0, X3 >= 0.

Optimal Solution
Coefficients
Value of the
Variable
|
Value
____________|__________
X1
|
0
X2
|
0.125
X3
|
0.625
| Slack or
| Shadow
|
Price
____________|______________|____________
1
|
0
|
15
2
|
0
|
20
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Objective Function
| Allowable Range
Current | To Stay Optimal
________|_________|________
40 |
35 | + infin
100 |
60 |
140
180 |
100 |
220
Right Hand Sides
| Allowable Range
Current | To Stay Feasible
________|_________|________
3 | 2.66667 |
8
4 |
1.5 |
4.5
Es de notar que la solucin al modelo dual son los precio sombra (o precios duales) del modelo
original (o primal). Recordemos que los precios sombra del primal corresponden al aumento en
la FO (considerando FO del tipo ingresos) si yo dispongo de una unidad adicional del recurso y
que por otra parte las variables del dual corresponden a cuanto es lo mximo que estamos
dispuestos a pagar por una unidad adicional del recurso.
Es lgico que dicho mximo sea igual al aumento en la FO.
Tambin es de destacar que los valores de las FO de ambos modelos son iguales, y que los
precios sombra del dual son iguales a los valores de la solucin del primal (es de notar que en
los modelos de minimizacin MATHPROG entrega los precios sombra con el signo opuesto;
en nuestro ejemplo entonces los precios sombra son 15 y 20).
Por otra parte debemos aclarar que el dual del dual corresponde al primal.
Aprovecharemos esta ltima salida del Mathprog para ejemplificar un modelo de

minimizacin, en este caso de costos. Para dicho efecto consideraremos que nuestro modelo
dual representa la situacin en que estamos fabricando un medicamento a partir de tres
productos base de costos unitarios de 40, 100 y 180 por gramo respectivamente. Debemos tener
en cuenta que por cada pastilla de 1 gramo, este medicamento debe contener al menos 3 y 4
mg. de las vitaminas M y N respectivamente; se sabe que por gramo los productos base
contienen 1, 4 y 4 mg. de vitamina M y 1, 2 y 6 mg. de vitamina N respectivamente.
X1, X2 y X3 son las cantidades de gramos de los productos base para producir una pastilla.
La solucin es que debemos usar productos base en la siguiente medida: 0,125 gramos del
segundo y 0,625 gramos del tercero (lo anterior implica que debemos usar 0,25 gramos de
relleno o excipientes para alcanzar 1 gramo del producto). Las variables de superavit son
cero para ambas restricciones.
En caso que la primera restriccin cambia de 3 a 5 (o sea es ms exigente), el nuevo valor
de la FO ser el anterior, ms el doble del precio sombra de esta primera restriccin, es decir
FO = FO + (5-3) x precio sombra = 125 + 2x15 = 155, o sea la FO empeora en 30 (recordemos
que estamos minimizando).
Ahora bien, si por ejemplo la segunda restriccin cambia de 4 a 3 (o sea es menos
exigente), el nuevo valor de la FO ser el anterior, menos el precio sombra de esta segunda
restriccin, es decir FO = FO + (3-4) x precio sombra = 125 - (20) = 105, o sea la FO mejora
en 20 (recordemos que estamos minimizando).
Si no disponemos de excipientes debemos agregar la restriccin X1 + X2 + X3 = 1 para obtener
1 gramo del producto.
2.4 ANEXOS
ALGORITMO DEL MTODO SIMPLEX
El mtodo simplex es un algoritmo, o conjunto de instrucciones, que examina vrtices o puntos
esquina de la regin factible en una forma secuencial, calculando el Z correspondiente, hasta
que se obtiene la mejor solucin, sea esta la maximizacin de un beneficio o la minimizacin
de un costo. Algunos programas computacionales basados en el simplex son capaces de
resolver modelos de PL con varios miles de variables. A continuacin se presenta en la figura
2.5 un diagrama de este algoritmo, el que nos permitir entenderlo en forma global:
Partida
Establecer el PL en formato estndar
Insertar variables de holgura, supervit y

artificiales; armar Tableau inicial con Z = 0
NO
Puedo mejorar
Z?
SI
Solucin
Optima
Interpretacin de
Resultados
Seleccionar la ms alta contribucin e

identificar elemento pivote
Transformar elemento pivote a 1

(dividindolo por su valor)
Va operaciones filas hacer 0 los elementos

en la columna pivote, excepto el 1
FIN
Figura 2.5
Este algoritmo se puede resumir en los siguientes 7 pasos.
Paso 1: Construir el modelo (definir las variables de decisin, FO y restricciones).
Paso 2: Estandarizar el modelo; para ello se deben convertir las desigualdades en igualdades
agregando variables de holgura para las restricciones y de supervit para las restricciones ;
adems de deben agregar tambin variables artificiales para las restricciones = y . Se puede
usar como estandar un modelo de minimizacin o su equivalente de minimizacin.
MATHPROG usa como estandar la maximizacin.
Paso 3: Establecer el Tableau (tabla) inicial del mtodo simplex, a partir de la FO del paso 1 y
las igualdades determinadas en el paso anterior; identificar las variables bsicas.
Paso 4: Mejorar el valor de la FO (Z) seleccionando la columna (columna pivote) con el valor
ms negativo, es decir con la mayor contribucin a la FO (Z). Este paso determina la variable
bsica que entra a la base.
Dividir las cantidades del lado derecho por los respectivos nmeros positivos de esta columna
pivote. Seleccionar el cuociente menor para identificar as la fila pivote, el elemento pivote, y la
variable bsica que pasa a ser no bsica, o sea que sale de la base.
Paso 5: Dividir todos los elementos en la fila pivote por el valor del elemento pivote, y entrar
estos nuevos valores como una nueva fila con una nueva variable bsica; en la posicin del
pivote aparece un 1.
Paso 6: Restar de cada fila existente en el tableau, la nueva fila determinada en el paso 5
(multiplicada por un coeficiente adecuado), de tal manera de transformar los valores antiguos
que se encuentran en la columna pivote en 0, excepto el 1 en la posicin que tena el pivote.
Paso 7: Chequear si existen valores negativos en la primera fila asociada a Z. Si no existen,

entonces se tiene la solucin ptima. Si existen, ir al paso 4
A continuacin, en la Fig. 2.6,
se muestra el desarrollo del mtodo simplex, usando el
Mathprog, para el caso de nuestro ejemplo de las puertas y ventanas.

SALIDA DE MATHPROG (SOLUCIN INTERACTIVA)
LOS COEFICIENTES 1, 2 y 6 QUE
MULTIPLICAN A X2 EN EL LADO
IZQUIERDO DE LAS
RESTRICCIONES INDICAN LAS
CANTIDADES DE RECURSOS QUE
REQUIERE PRODUCIR UNA UNIDAD
DE X2

Max Z =
2
3
3 X1 +
4 X2
1)
1 X1 +
1 X2 <=
40
2)
4 X1 +
2 X2 <=
100
3)
4 X1 +
6 X2 <=
180
subject to
and X1 >= 0, X2 >= 0.

LAS
VAR.
BAS.
INIC.
SON
X3,
X4 Y
X5
LAS
VAR.
BAS.
SON
X3,
X4 Y
X2
LAS
VAR.
BAS.
SON
X3,
X1 Y
X2
Solve Interactively by the Simplex Method:

Bas|Eq|
Coefficient of
| Right
Var|No| Z|
X1
X2
X3
X4
X5 | side
___|__|__|_______________________________|______
| | |
|
Z | 0| 1|
-3
-4
0
0
0 |
0
X3| 1| 0|
1
1
1
0
0 |
40
X4| 2| 0|
4
2
0
1
0 |
100
X5| 3| 0|
4
6*
0
0
1 |
180
Bas|Eq|
Coefficient of
| Right
Var|No| Z|
X1
X2
X3
X4
X5 | side
___|__|__|_______________________________|______
| | |
|
Z | 0| 1|-0.33
0
0
0 0.667 |
120
X3| 1| 0|0.333
0
1
0 -0.17 |
10
X4| 2| 0|2.667*
0
0
1 -0.33 |
40
X2| 3| 0|0.667
1
0
0 0.167 |
30
Bas|Eq|
Coefficient of
| Right
Var|No| Z|
X1
X2
X3
X4
X5 | side
___|__|__|_______________________________|______
| | |
|
Z | 0| 1|
0
0
0 0.125 0.625 |
125
X3| 1| 0|
0
0
1 -0.12 -0.13 |
5
X1| 2| 0|
1
0
0 0.375 -0.13 |
15
X2| 3| 0|
0
1
0 -0.25 0.25 |
20
Figura 2.6
EL 4 INDICA QUE UNA

UNIDAD DE X2 MEJORA
EN CUATRO UNIDADES
LA FO, AL ENTRAR A LA
BASE; X1 MEJORA SOLO
TRES UNIDADES
EL PIVOTE SE INDICA
CON UN *; EN ESTE
CASO ES SEIS
EN LA PRIMERA FILA
TODOS LOS VALORES
SON MAYORES O
IGUALES A CERO, POR
LO QUE NO PODEMOS
MEJORAR MAS EL Z,
CUYO OPTIMO ES 125.
En la tabla final del mtodo simplex mostrada en la figura 2.6 se identifican:
Valor de la FO y de las variables bsicas (X3, X1, X2) : estos valores se observan en la
columna en el lado derecho (Right Side). Las variables que no aparecen son las no bsicas,
las que tienen nivel cero.
Precios Sombra (o precio dual). Los valores se observan en la fila Z, inmediatamente bajo
las variables de holgura X3, X4 y X5 (corresponden a las que anteriormente denominamos
como Xh1, Xh2 y Xh3.
Costos Reducido: para una variable de decisin que en la solucin ptima tiene nivel cero
es la cantidad en la que la FO disminuir (en el caso de una maximizacin) si una unidad de
esa variable de decisin es forzada en la solucin. Estos valores se observan en la fila Z,
bajo las variables de decisin X1 y X2. En este caso ambos son cero, ya que ambas
variables de decisin tienen niveles positivos.
A continuacin daremos una visin geomtrica-algebraica del algoritmo simplex, siempre

usando nuestro ejemplo de las puertas y ventanas.
Funcin Objetivo:
Restricciones:
X1 +
X2 + Xh1
4 X1 + 2 X2
4 X1 + 6 X2
= 40
+ Xh2
= 100
+ Xh3 = 180
Ntese que desde un punto de vista algebraico este es un sistema de tres ecuaciones con cinco
incgnitas, el que tiene infinitas soluciones, muchas de ellas no factibles; si agregamos la
condicin que todas las variables deben ser 0, entonces nos restringimos a las soluciones
factibles.
Por otra parte sabemos que tenemos cinco variables, de las cuales tres deben conformar cada
una de las soluciones bsicas (el equipo titular) y las otras dos sern no bsicas (la reserva, a
nivel cero).
Existen 10 formas distintas de escoger las tres variables bsicas de entre las cinco variables.
Cada una de estas 10 formas da origen a un vrtice del grfico que ya dibujamos para este
modelo, siendo solamente cuatro de los vrtices factibles.
En la siguiente tabla presentamos los diez vrtices, siendo solamente los cuatro primeros
factibles:
X1
15
25
10
30
40
45
X2
30
20
40
50
30
10
Xh1
40
10
15
-10
-5
Xh2
100
40
20
-40
-60
-80
Xh3
80
80
-60
-120
-40
20
FACTIBLES
NO FACTIBLES
Desde un punto de vista algebraico nuestra solucin inicial (primera tabla del simplex) es X1 =
X2 = 0, con lo que automticamente la base es Xh1 = 40, Xh2 =100, Xh3 = 180. La FO vale
cero.
Luego tenemos que X2 entra a la base (ya que estamos maximizando la FO y en la FO el

coeficiente 4 es mayor que 3) y Xh3 sale de la base, lo que equivale a resolver nuestro sistema
original con X1 = Xh3 = 0.
Xh3 sale de la base por la prueba del cuociente mnimo; para mostrar esta prueba expresamos
nuestras ecuaciones de la siguiente forma:
Xh1 = 40 X2 0
X2 40
Xh2 = 100 2X2 0
X2 100/2
Xh3 = 180 6X2 0
X2 180/6;
al aumentar X2, Xh3 llega a cero antes que Xh1 y Xh2; el valor que toma X2 al llegar Xh3 a
cero es treinta.
Debemos resolver nuestro sistema con X1 = Xh3 = 0
X1 + X2
+ Xh1 = 40
4 X1 + 2 X2
+ Xh2 = 100
4 X1 + 6 X2
+ Xh3 = 180, lo que nos da X2 = 30, Xh1 = 10, Xh2 = 40; la FO vale 120.
Finalmente X1 entra a la base y Xh2 sale de la base, lo que equivale a resolver nuestro sistema
original con Xh2 = Xh3 = 0.
X1 + X2
+ Xh1 = 40
4 X1 + 2 X2
+ Xh2 = 100
4 X1 + 6 X2
+ Xh3 = 180, lo que nos da X1 = 15, X2 = 20, Xh1 =5; la FO vale 125.
Desde un punto de vista geomtrico el simplex viaja por la frontera (o aristas) de la regin
factible, desde el vrtice (0,0) al vrtice (0,30) para llegar finalmente al vrtice (15,20) y
quedarse en este ltimo vrtice.
Con el objeto de comprender en mejor forma las tres tablas del simplex presentadas en la
pgina anterior presentaremos la forma apropiada de eliminacin de Gauss para este modelo,
en que cada variable bsica debe aparecer slo en una ecuacin, debe tener coeficiente 1 y
adems las otras variables bsicas no deben estar presentes en dicha ecuacin. Esta forma se
basa en la ejecucin de sumas entre filas.
Xh1, Xh2 y Xh3 constituyen la base o equipo titular

X1
+X2
4X1
+2X2
4X1
+6X2
+Xh1
+Xh2
+Xh3
40
100
180
/6
Z - 3X1 - 4X2 = 0
X1
+X2
4X1
+2X2
2X1/3
+X2
Entra X2 y sale Xh3 de la base
X1/3
40
100
+Xh3/6
30
-Xh3/6
10
-Xh3/3
40
+Xh3/6
30
+Xh2
+Xh1
8X1/3
2X1/3
+Xh1
+Xh2
+X2
x3/8
X2 = 30 -2X1/3 Xh3/6
Z - 3X1 - 4(30 - 2X1/3 Xh3/6) = 0
Z - X1/3 + 2Xh3/3 = 120 Entra X1 y sale Xh2 de la base
X1/3
X1
2X1/3
-Xh3/6
10
-Xh3/8
15
+Xh3/6
30
-Xh2/8
-Xh3/8
+3Xh2/8
-Xh3/8
15
-Xh2/4
+Xh3/4
20
+Xh1
+3Xh2/8
+X2
+Xh1
X1
+X2
X1 = 15 - 3Xh2/8 + Xh3/8
Z - (15 - 3Xh2/8 + Xh3/8)/3 + 2Xh3/3 = 120
Z + Xh2/8 + 15Xh3/24 = 125
Vemos que las tablas del mtodo simplex en la figura 2.6 corresponden a la primera, tercera y
quinta tablas anteriores.
2.4.2 EJERCICIOS PROPUESTOS

MODELAMIENTO
1.- PLANIFICACIN DE PRODUCCION EN VARIOS PERIODOS, USANDO
SOBRETIEMPO Y MINIMIZANDO COSTOS.
Una fbrica puede elaborar en horario normal 100 unidades de un producto durante cada
uno de cuatro perodos de tiempo consecutivos, con costos que varan de un perodo a otro.
Adicionalmente puede trabajarse en sobretiempo; en la siguiente tabla se muestran los datos de
demanda, costo de produccin en horario normal, capacidad de produccin en sobretiempo y
costo de produccin en sobretiempo:
Perodo
Dda.
(unidades)
1
2
3
4
130
80
125
195
Costo de
Prod. en
Horario
Normal
6
4
8
9
Capacidad
Costo de
en
Prod.
sobretiempo Sobretiempo
60
65
70
60
8
6
10
11
Es posible almacenar hasta 70 unidades en stock de un perodo a otro, a un costo de $1,5 por
unidad por perodo.
Se desea determinar la cantidad de unidades a elaborar en cada perodo en horario normal y en
sobretiempo y los niveles de stock, de modo de satisfacer las demandas a un costo mnimo. Al
inicio del perodo 1 existen 15 unidades en stock.
2.- PLANIFICACIN DE PRODUCCION, MAXIMIZANDO GANANCIA.

Una compaa manufacturera discontinu cierta lnea de productos no rentable. Esto
cre un exceso considerable en la capacidad de produccin. La gerencia quiere dedicar esta
capacidad a uno o ms de tres productos; llmense productos 1, 2, 3. En la siguiente tabla se
resume la capacidad disponible de cada mquina que puede limitar la produccin:
Tipo de mquina
Tiempo disponible (en horas

mquina por semana)
500
350
150
Fresadora
Torno
Rectificadora
El nmero de horas mquina que se requiere para cada unidad de los productos respectivos es:
Tipo de mquina
Fresadora
Torno
Rectificadora
Producto 1
9
5
3
Producto 2
3
4
0
Producto 3
5
0
2
El departamento de ventas ha indicado que la demanda para los productos 1 y 2 es muy grande,
en relacin a la capacidad de la compaa y que la demanda del producto 3 es de 20 unidades
por semana. La ganancia unitaria es de $50, $20, $25 respectivamente para los productos 1, 2,
3. El objetivo es determinar cuntos productos de cada tipo debe producir la compaa para
maximizar la ganancia; en el caso del producto 3 se debe vender todo lo que se produce.
3.- PROGRAMACION DE TURNOS.
Una empresa ha determinado sus requerimientos mnimos de trabajadores por perodo
horario de su departamento de produccin en la siguiente tabla; se requiere determinar el
nmero de trabajadores por turno de 8 horas que minimiza el costo total diario; los trabajadores
de cada turno se desempaan en varios perodos consecutivos de acuerdo a lo indicado en la
tabla. Como alternativa se plantea minimizar el nmero total de trabajadores por da (la suma
de los trabajadores de los cinco turnos). Es lo mismo?
PERIODO HORARIO
TURNO 1
TURNO 2
TURNO 3
TURNO 4
TURNO 5
TRAB.
06 A 08
48
08 A 10
79
10 A 12
65
12 A 14
14 A 16
87
64
16 A 18
73
18 A 20
82
20 A 22
22 A 24
43
00 A 6
COSTO DIARIO POR TRAB.
170
160
175
180
195
52
15
4.- MEZCLA DE COMPONENTES

Un granjero alimenta a sus cerdos con una mezcla de chancado, vitaminas y un alimento
especial.
Posee 1850 cerdos que deben comer como mnimo 20 Kg. de comida por da c/u.
Desea minimizar el costo de alimentar los cerdos asegurndose al mismo tiempo que los
animales reciban una dieta balanceada. Esta dieta y los factores de costos se presentan a
continuacin.
Requerimiento Diario
Mnimo en Dieta por Cerdo
Contenido de Alimentacin
Chancado (Kg.)
Alimento Especial (Kg.)
Vitaminas (Botellas)
Caloras
40
1,5
2,0
--
1
20
Vitaminas
2
10
0,5
0,5
0,5
--7
3
30
-1
14
Costos
5 ($/Kg.)
10 ($/Kg.)
20 ($/Botella)
Determinar el modelo de programacin lineal asociado.
5.- MEZCLA DE COMPONENTES

Una panadera industrial ha recibido una orden urgente de uno de sus distribuidores por
galletas altamente proteicas. El costo debe ser minimizado y la mezcla debe cumplir con los
requerimientos mnimos de nutricin.
La orden requiere 10.000 Kg. de galletas, que son fabricadas en base a la mezcla de 4
ingredientes R, S, T y U, con costos asociados de $8, $2, $3 y $1 por Kg. respectivamente. El
lote debe contener un mnimo de 4000 Kg. de protenas, 2500 Kg. de grasa, 3000 Kg. de
carbohidratos y 500 Kg. de azcar. Los ingredientes contienen los siguientes porcentajes por
peso.
R
S
T
U
Protenas
50%
10%
30%
0%
Grasa
30%
15%
5%
5%
Carbohidratos
15%
50%
30%
5%
Formular el modelo de programacin lineal asociado.
Azcar
5%
15%
30%
30%
Rellenos
0%
10%
5%
60%
6.- Una empresa ha decidido fabricar un ensamblaje de merlot y cabernet. Se sabe que un litro
de la cepa merlot vale en el mercado USD 10, en cambio la cepa carbernet vale USD 15. Los
costos de produccin equivalen a USD 10 por unidad del ensamblaje. Asuma que no hay
prdida de material en el proceso de mezclado. La cantidad mxima de ensamblaje que se
puede mezclar en forma diaria es de 100 Litros. Se sabe adems, que el precio de venta de
este ensamblaje ser de USD 30. Por ltimo, por decisin tcnica del enlogo a cargo, se ha
determinado que la cantidad de litros de merlot usados en la mezcla debe ser al menos el
doble que la usada de cabernet y adems la cantidad de litros disponibles diarios de cada
vino en el mercado asciende a 70 litros de merlot y 30 de cabernet.
Formule un modelo de programacin lineal que permita determinar cunto se debe comprar de
cada cepa de manera de maximizar la utilidad de la operacin de fabricacin y venta del
ensamblaje.
7.- Una empresa fabrica sillas para escritorios que se arman en su departamento de Ensamblado
Final, cada una de las cuales requiere dos unidades de la parte A, dos unidades de la parte B
y una unidad de la parte C. Estas partes se fabrican en otros dos departamentos (Depto. 1 y
Depto. 2) de la misma planta. La siguiente tabla indica las razones de produccin, junto con
la cantidad mxima de horas humanas (HH) disponibles en los Deptos. 1 y 2.
RAZONES DE PRODUCCION
(unidades por HH)
DEPTO.
CANTIDAD DE PARTE A
PARTE B
PARTE C
HH
DISPONIBLES
POR SEMANA
1
1500
10
1200
12
Se pide construir un modelo de PL que permita determinar la cantidad mxima de sillas para
escritorios que se pueden producir semanalmente, as como tambin el programa de

produccin de las partes A, B y C que permita lograr dicho mximo. En el caso del
departamento de Ensamblado se dispone de horas ilimitadas.
RESOLUCIN GRFICA
8.-
Utilice el mtodo grfico para resolver este modelo:

Maximizar
Z = 2X + Y
Sujeta a
X -Y 10
X
20
X 0, Y 0
9.-
a) Utilice el mtodo grfico para resolver este modelo:

Minimizar
Z = 3X + 2Y; (alternativamente usar Max.)
Sujeta a
X + 2Y 12
2X + Y 8
X 0, Y 0
b) resuelva el modelo de a), agregando la restriccin 2X + 3Y = 12
10.-
Dos minas productoras de oro, despus del proceso de chancado, producen oro que
puede ser clasificado en tres clases (alta, media y baja ley). La compaa duea de estas dos
minas tiene un contrato en el que debe proveer en una semana 12 toneladas de alta ley como
mximo, 8 toneladas de media ley como mnimo y 24 toneladas de baja ley. Las minas
tienen sus caractersticas propias segn:
Mina
X
Y
Costo por da
180
160
Alta
6
1
Produccin (ton/da)
Media
4
1
Baja
3
6
Cuntos das a la semana debe trabajar cada mina de modo de cumplir con el contrato de
manera eficiente? Modele este problema usando PL y resulvalo en forma grfica. Las minas
trabajan como mximo seis das a la semana, pudiendo trabajar cada da en forma fraccional
11.-
En forma grafica encuentra la solucin del siguiente modelo:
MIN 2X1 + 3X2 5X3, sujeto a

3X1 + 7X2 + 21X3 42
Xi 0 i = {1, 2, 3}
Alternativamente usar MIN 2X1 + 3X2 + 5X3
12.- Del Mathprog, estudiar el Demo Graphical method; resolver el problema 8.- usando
Solve interactively by the graphical method
MTODO SIMPLEX Y ANLISIS DE SENSIBILIDAD
13.-
Para el siguiente modelo de PL, en forma grfica determina:
la regin factible
la solucin ptima y el valor ptimo de Z
el valor del precio dual (o sombra) de la primera restriccin
MAX Z = 6X1 + 7X2

s.a.
2X1 + 3X2 24
2X1 + X2 16
14.-
con X1 0, X2 0
Considera el siguiente problema de PL para planificacin de la produccin de

una industria que fabrica tres productos a partir de dos recursos:
MAX Z = 3X1+2X2+4X3
S.A.
6X1+3X2+5X3 25
3X1+4X2+5X3 20 CON X1 0, X2 0, X3 0
La siguiente es su tabla final, en la que se logr el ptimo:
A) Identifica las variables bsicas, las de holgura y sus respectivos valores, los precios
sombra de los recursos, los costos reducidos de las variables de decisin y el valor
ptimo de la FO.
B)
Determina la resolucin que debe tomar la industria frente a cada una de las
siguientes opciones:
1. Comprar una unidad ms del primer recurso, del que se tienen 25 unidades, a un
precio de 0,3.
2. Comprar una unidad ms del segundo recurso, del que se tienen 20 unidades, a
un precio de 0,5.
3. Vender una unidad del primer recurso, del que se tienen 25 unidades, a un precio
de 0,3.
4. Vender una unidad del segundo recurso, del que se tienen 20 unidades, a un
precio de 0,5.
15 .-
Del Mathprog, estudiar los Demos Interpretation of the Slack Variables, Simplex
Method, Algebraic Form, Simplex Method, Tabular Form; resolver el problema

anterior usando Solve Automatically by the Simplex Method; tambin usar Solve
Interactively by the Simplex Method (previamente se debe entrar a Set-up for the
Simplex Method, Interactive Only).
16.-
Una empresa tiene 3 productos que aportan con $20, $20 y $15 cada uno a los
beneficios. Cada producto necesita dos materiales para ser manufacturado, presentndose
estos requerimientos en la siguiente tabla:
Material 1
7
6
3
100
Producto 1
Producto 2
Producto 3
Material Total Disponible
Material 2
5
4
2
200
a) Modelar el problema y resolverlo con Mathprog en forma automtica e interactiva.

b) Realizar un anlisis de sensibilidad, a partir de los resultados obtenidos con la salida de la
resolucin automtica del MATHPROG. Determinar los costos reducidos con la
informacin de la solucin interactiva.
17.-
Usando el mtodo simplex, resolver el siguiente sistema de ecuaciones; explique la
funcin objetivo elegida para este propsito. Cada una de las ecuaciones puede ser asociada
con una restriccin.
4X + 2Y = 17
2X + 3Y = 13,5
2.4.3 BIBLIOGRAFA
(1) INVESTIGACIN DE OPERACIONES DE F. HILLIER Y G. LIEBERMAN,
SPTIMA EDICIN, CAPTULOS 3 Y 4.
(2) INTRODUCTION TO MANAGEMENT SCIENCE DE F. HILLIER, M. HILLIER Y G.
LIEBERMAN, CAPTULOS 2, 3 Y 4.
(3) ADMINISTRACIN DE OPERACIONES DEL AUTOR ROGER SCHROEDER,
TERCERA EDICIN, SUPLEMENTO (PAGS. 365 A LA 378).
(4) QUANTITATIVE ANALYSIS FOR BUSINESS DECISIONS DE H. BIERMAN, C.
BONINI Y W. HAUSMAN, OCTAVA EDICIN, CAPTULOS 10, 11 Y 12.
(5) OPTIMIZACIN Y MODELOS PARA LA GESTIN DE CARMEN ORTIZ,
SAMUEL VARAS Y JORGE VERA, CAPTULOS 2 AL 6. ESTE TEXTO FUE
ESCRITO POR CHILENOS, EDITADO E IMPRESO EN CHILE.
(6) QUANTITATIVE METHODS FOR BUSINESS DE D. ANDERSON, D. SWEENEY Y
T. WILLIAMS, QUINTA EDICIN, CAPTULOS 7, 8, 9 Y 10.
(7) INVESTIGACION DE OPERACIONES EN LA CIENCIA ADMINISTRATIVA DE G.
EPPEN, F. GOULD, C. SCHMIDT, J. MOORE Y L.WEATHERFORD, QUINTA EDICIN,
CAPTULOS 2, 3, 4, 5 Y 6.
(8) INVESTIGACIN DE OPERACIONES DE H. TAHA, SEXTA EDICIN,

CAPTULOS 2, 3 Y 4.
(9) PRINCIPLES OF CORPORATE FINANCE POR R. BREALEY Y C. MYERS,
CUARTA EDICIN, CAPITULO 28.
(10) DIRECCIN DE OPERACIONES DE J. A. DOMNGUEZ, M. J. ALVAREZ, S.
GARCIA, M. A. DOMNGUEZ, A. RUIZ. PAGS. 85 A 88 DEL TOMO ASPECTOS
TCTICOS Y OPERATIVOS EN LA PRODUCCIN Y LOS SERVICIOS.
(11) INVESTIGACIN DE OPERACIONES DE K. MATHUR Y D. SOLOW,
CAPTULOS 3, 4, 5 Y 6.
2.4.4 SOFTWARE PARA MODELOS DE PL Y PE (PROGRAMACIN

ENTERA)
a) Mathprog; este software acompa al libro de Hillier y Lieberman indicado en la
Bibliografa 1) hasta la sexta edicin.
NOTA: El comando PRINT TO FILE permite generar archivos de texto (extensin .txt),
los que pueden ser abiertos con Word u otro procesador de texto. Por otra parte el comando
SAVE genera archivos con extensin .dat, que es el formato usado por Mathprog.
b) Solver; este se encuentra en el men del Excel, bajo la columna Herramientas.
c) Lindo (Linear INteractive and Discrete Optimizar); este software (al igual que Lingo y
WhatsBest!) se puede obtener en versiones demostrativas desde http://www.lindo.com
sitio de la empresa LINDO SYSTEMS INC., la que desarroll y actualmente comercializa
LINDO, LINGO Y WHATSBEST. Estos son programas para resolver modelos de
Programacin Matemtica. Para obtener programas demostrativos, se debe seleccionar la
lengueta Download.
WhatsBest! es, al igual que el Solver un add-in (complemento) para el Excel.
Con respecto a Lindo y Lingo, el primero esta limitado a modelos de PL y PE, mientras
que el segundo permite resolver adicionalmente modelos de programacin no lineal (PNL),
tema fuera del programa de nuestro curso.
d) En la pgina http://lionhrtpub.com/orms/ormssurveys.html hay varias listas de software
usados para resolver diversos modelos empleados en IO, entra ellas una para resolver
modelos de PL; esta pgina pertenece a la revista OR/MS Today, publicada por INFORMS
(Institute for Operations Research and the Management Sciences), cuya pgina es
http://www.informs.org
e) La gran disponibilidad de soluciones computacionales existentes para los modelos de

programacin lineal puede ser tambin apreciada en el registro que posee el Servidor Neos
perteneciente a OTC (Optimization Technology Center, que funciona con el apoyo del
Departamento de Energa y de la Universidad Nortwestern de Estados Unidos) en la
siguiente direccin electrnica:
http://www-fp.mcs.anl.gov/otc/Guide/SoftwareGuide/Categories/linearprog.html
OTC is devoted to research in numerical optimization, Internet and distributed

computing, problem-solving environments, and to the study of optimization in a wide
range of applications.
One of the central projects is NEOS - the Network Enabled Optimization System.
NEOS consists of the NEOS Guide, a comprehensive guide to optimization models,
algorithms and software, and the NEOS Server, which is capable of solving optimization
problems automatically over the Internet.

Programacion Lineal

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Programacion Lineal

Încărcat de

Drepturi de autor:

Formate disponibile

2.

Formulacin del problema como un modelo de PL.

Resolucin del modelo de PL.

Interpretacin de la solucin y anlisis de sensibilidad asociado a ella.

2.2 APLICACIONES TPICAS DE LA PL

Problemas de Produccin de una Mezcla de Productos (Product Mix).

Problemas de Planeacin agregada.

Cuando el problema de produccin abarca varios perodos de tiempo, se habla de

Problemas de Mezclado de Componentes (Blending).

Problemas de Seleccin de la Publicidad y el Tipo de Medio a Usar.

Problemas de Seleccin de Portafolio de Inversiones.

Problemas de Transporte y Distribucin.

Problemas de Asignacin de Trabajos.

Problema de eleccin de rutas.

Problema de organizacin de turnos.

2.3 MODELAMIENTO Y SOLUCIN DE PROBLEMAS

economas de escala. Afortunadamente se ha demostrado que muchos factores (horas de

Debe poder expresarse o modelarse la situacin en forma matemtica.

A continuacin se presenta un ejemplo de mezcla de productos, con el objeto de introducirnos a

Horas de Trabajo Calificado

Horas de Trabajo No Calificado

Variables de Decisin: P1 : cantidad de unidades a producir del prod. 1 (trab. calificados)

Maximizar Z = 5 P1+5P1+2 P2+2P2+6P3+6 P3+4 P4+4P4

P1 = P1 + P1 (cantidad total de unidades a producir del producto 1)

Linear Programming Model:

Number of Functional Constraints:

Solve Automatically by the Simplex Method:

En general la estructura de un modelo de PL con m recursos y n actividades (o productos),

El modelo anterior en forma tabular (ver tabla 2.3) queda as:

ACT ACT ACT ACT ACT ACT

2.3.2 RESOLUCIN GRFICA DE MODELOS DE PL

Desde el punto de vista de las restricciones, estas pueden ser =, o .

Desde el punto de vista de la FO los modelos pueden ser de maximizacin de

Con el siguiente problema (modelo) se ejemplifica este mtodo grfico.

Primero se debe modelar el problema. Esto se presenta a continuacin:

X1: Cantidad de puertas a fabricar.

(Horas de Mano de Obra)

Considerando las holguras, las restricciones quedan:

(Horas de Mano de Obra)

VERTICES (X1, X2) Z*, Valor de la FO

QU PASA SI TENEMOS VARIACIONES EN LOS COEFICIENTES DE LA FO?

Sea Z = C1x1+C2x2 (su pendiente es (C1/C2))

Alternativamente para determinar el intervalo de C1 podemos calcular que valores tomar la

C1x15 + 4x20 C1x25 + 4x0

QU PASA SI TENEMOS VARIACIONES EN LOS RECURSOS (LADOS DERECHOS)?

Resolvemos el sistema formado por las dos ecuaciones obteniendo:

Resolvemos el sistema formado por las dos ecuaciones obteniendo:

Alternativamente podemos determinar que valores tomar el lado izquierdo de la primera

4X1 + 2X2 = 100

por lo que el intervalo es [ 180-80, 180+120 ] = [ 100, 300 ]

Alternativamente podemos determinar qu valores tomar el lado izquierdo de la segunda

En la pgina siguiente presentamos la solucin obtenida con el software MATHPROG al

Linear Programming Model:

Number of Functional Constraints:

2.3.3 MTODO SIMPLEX Y ANLISIS DE SENSIBILIDAD.

X1: Cantidad de puertas fabricadas.

(Horas de Mano de Obra)

Variables de Holgura o de Supervit (slack or surplus respectivamente): al resolver un

Desde un punto de vista de los resultados de la empresa y asumiendo que la FO

2.3.3.2 Anlisis de Sensibilidad

Anlisis de Sensibilidad (Sensitivity Analysis), que se puede desglosar en 2 partes:

Coeficientes de la FO (Objective Function Coefficient): se presentan los valores

el valor del lado derecho de la restriccin 1 es 40 y puede moverse entre 35 y +.

el valor del lado derecho de la restriccin 2 es 100 y puede moverse entre 60 y