Documente Academic
Documente Profesional
Documente Cultură
PROGRAMACIN LINEAL
APLICADA.
Contenido
FORMULACIN DE
MODELOS DE
PROGRAMACIN LINEAL.
Qu es la programacin lineal?.
Es una de las tcnicas agrupadas como
programacin matemtica, aplicable a problemas
de asignacin de recursos limitados, con
actividades competitivas hacia un objetivo comn,
que puede ser de maximizar beneficios (por
ejemplo utilidades o bien rendimientos); tambin
se puede desear minimizar el esfuerzo (por
ejemplo los costos, el personal asignado a tareas,
o el desperdicio en procesos). Se usa un modelo
matemtico con representacin vlida de la
problemtica en estudio; sus relaciones deben ser
lineales o de "lnea recta", que significa utilizar,
slo una variable de primer grado en cada trmino.
Caractersticas
Se busca
una
combinaci
n de
recursos.
Se deben
satisfacer
varios
criterios.
Se identifica
un criterio
como el
objetivo.
Ubicacin de la IO en las
Organizaciones
La investigacin de operaciones ha tenido un impacto impresionante en el
mundo, al mejorar la eficiencia de muchas organizaciones. Ha hecho
contribuciones significativas al incremento de la productividad dentro de la
economa de muchos pases, de ellos ms de 30 que son miembros de la
International Federation of Operational Research Societies (IFORS). Al inicio de
la dcada de los 90, el U.S. Bureau of Labor Statistics predijo que la IO sera la
3 rea profesional, de ms rpido crecimiento para los egresados graduados
entre 1990 y 2005 en Estados Unidos, con 100,000 personas laborando como
analistas de IO en el 2005.
Ubicacin de la IO en las
Organizaciones
Generalmente el grupo de IO se asocia con el de sistemas de procesamiento de
datos, pues el acceso a las computadoras es el apoyo indispensable para sus
actividades, por lo que no es raro que estn integrados dada la posibilidad de tener
el mejor manejo de la informacin deseada y ordenada como convenga. De este
modo ambos grupos, el de IO y el de sistemas de procesamiento de datos, se
complementan en trminos de los objetivos de la institucin.
Metodologa
1. Identificar el
problema
(Partes y
Objetivos)
4.Verificar el
modelo y usarlo
en prediccin
(Valorar la
solucin)
2. Observar el
problema
(Informacin)
5. Seleccionar
alternativas de
solucin
3. Formular del
modelo
matemtico
(Plantear)
6. Presentar
resultados a la
organizacin
7.Implementar y
evaluar
recomendaciones
INVESTIGACION DE OPERACIONES
Clasificacin de los modelos segn
la I.O.
Modelo Matemtico
Es aquel modelo que describe el comportamiento de un sistema a
travs de relaciones matemticas y supone que todas las variables
relevantes son cuantificables. Por ende tiene una solucin optima.
Modelo de Simulacin
Es un modelo que imita el comportamiento de un sistema sobre un
periodo de tiempo dado, esta basado en observaciones estadsticas.
Este tipo de modelo entrega soluciones aproximadas.
Modelo Heurstico
Es una regla intuitiva que nos permite la determinacin de una solucin
mejorada, dada una solucin actual del modelo, generalmente son
procedimientos de bsqueda. Este tipo de modelo tambin entrega
soluciones aproximadas.
Modelo General de PL
Definicin de variables:
Sea xj = #.... ; j = 1, 2, 3....n
Funcin objetivo:
Max. o Min. z = C1X1 + C2X2 + ... + CjXj + ... + CnXn
Sujeto a restricciones: i = 1, 2, 3, ... , m
a11X1 + a12X2 + ... + a1jXj + ... + a1nXn
= b1
a21X1 + a22X2 + ... + a2jXj + ... + a2nXn
= b2
.
ai1X1 + ai2X2 + ... + aijXj + ... + ainXn
= bi
.
am1X1 + am2X2 + ... + amjXj + ... + amnXn = bm
Condiciones de signo para variables:
toda xj 0
m = # total de restricciones,
n = # de variables de decisin (originales)
Cj, aij y bi son constantes (o parmetros) dados.
MTODOS DE SOLUCIN
Ejemplo
Gepetto S.L., manufactura muecos y trenes de
madera.
Cada mueco:
Produce un beneficio neto de 3 .
Requiere 2 horas de trabajo de acabado.
Requiere 1 hora de trabajo de carpinteria.
Cada tren:
Produce un beneficio neto de 2 .
Requiere 1 hora de trabajo de acabado.
Requiere 1 hora trabajo de carpinteria.
Cada semana Gepetto puede disponer de:
Todo el material que necesite.
Solamente 100 horas de acabado.
Solamente 80 horas de carpinteria.
Tambin:
La demanda de trenes puede ser cualquiera (sin lmite).
La demanda de muecos es como mucho 40.
Variables de
Decisin
x = n de
muecos
producidos a
la
semana
y = n de trenes
producidos a
la
semana
Funcin Objetivo. En
cualquier PPL, la decisin a
tomar es como maximizar
(normalmente el beneficio) o
minimizar (el coste) de
alguna funcin de las
variables de decisin. Esta
funcin a maximizar o
minimizar se llama funcin
objetivo.
El objetivo de Gepetto es
elegir valores de x e y para
maximizar 3x + 2y.
Usaremos la variable z
para denotar el valor de la
funcin objetivo. La funcin
objetivo de Gepetto es:
Max z = 3x + 2y
Restricciones
Son desigualdades
que limitan los
posibles valores de
las variables de
decisin.
En este problema las
restricciones vienen
dadas por la
disponibilidad de
horas de acabado y
carpintera y por la
demanda de
muecos.
Tambin suele haber
restricciones de signo
o no negatividad:
x0
y0
Restricciones
Cuando x e y crecen, la funcin objetivo de Gepetto tambin
crece. Pero no puede crecer indefinidamente porque, para
Gepetto, los valores de x e y estn limitados por las siguientes
tres restricciones:
Restriccin 1: no ms de 100 horas de tiempo de acabado pueden ser
usadas.
Restriccin 2: no ms de 80 horas de tiempo de carpinteria pueden ser
usadas.
Restriccin 3: limitacin de demanda, no deben fabricarse ms de 40
Estas
tres restricciones pueden expresarse matematicamente
muecos.
2 x + y 100
Restriccin 2:
x + y 80
Restriccin 3:
x 40
Mueco
Tren
Beneficio
Acabado
100
2 x + y 100
(acabado)
Carpintera
80
x + y 80
(carpinteria)
Demanda
40
x
signo)
signo)
40 (demanda muecos)
(restriccin de
y 0
(restriccin de
(funcin objetivo)
Sujeto a (s.a:)
2 x + y 100 (restriccin de acabado)
x + y 80
(restriccin de carpinteria)
40
(restriccin de signo)
y 0
(restriccin de signo)
Regin factible
La regin factible de un PPL es el conjunto de todos los puntos
que satisfacen todas las restricciones. Es la regin del plano
delimitada por el sistema de desigualdades que forman las
restricciones.
x = 40 e y = 20 est en la regin
factible porque satisfacen todas
las restricciones de Gepetto.
Sin embargo, x = 15, y = 70 no
est en la regin factible porque
este punto no satisface la
restriccin de carpinteria
[15 + 70 > 80].
Restricciones de Gepetto
2x + y 100 (restriccin
finalizado)
x + y 80
carpintera)
(restriccin
x
40
demanda)
(restriccin
0
y 0
(restriccin signo)
(restriccin signo)
Solucin ptima
Para un problema de maximizacin, una
solucin ptima es un punto en la regin
factible en el cual la funcin objetivo tiene un
valor mximo. Para un problema de
minimizacin, una solucin ptima es un punto
en la regin factible en el cual la funcin objetivo
tiene un valor mnimo.
La mayora de PPL tienen solamente una
solucin ptima. Sin embargo, algunos PPL no
tienen solucin ptima, y otros PPL tienen un
nmero infinito de soluciones.
Se puede demostrar
que la solucin
ptima de un PPL
est siempre en la
frontera de la
regin factible, en
un vrtice (si la
solucin es nica) o
en un segmento
entre dos vrtices
contiguos (si hay
infinitas soluciones)
100
2x + y = 100
80
60
40
20
20
40
60
80
(restriccin de carpintera)
40 (restriccin de demanda)
(restriccin de signo)
y 0
(restriccin de signo)
Restricciones
2x + y = 100
100
2 x + y 100
x + y 80
x
40
80
60
y 0
40
Teniendo en
cuenta las
restricciones de
signo (x 0, y
0), nos queda:
20
20
40
60
80
100
Restricciones
80
2 x + y 100
x + y 80
x
40
60
x + y = 80
40
y 0
20
20
40
60
80
100
Restricciones
80
x = 40
2 x + y 100
x + y 80
x
40
0
y 0
60
40
20
20
40
60
80
Y
2x + y = 100
100
80
x = 40
60
x + y = 80
40
20
Regin
Factible
20
40
60
80
Restricciones
2 x + y 100
100
80
60
x + y 80
2x + y = 100
40
x = 40
y 0
D
x + y = 80
40
20
Regin
Factible
C
B
20
40
60
80
100
2x + y = 100
80
E(0, 80)
x = 40
D(20, 60)
60
B es solucin de
x = 40
y=0
C es solucin de
x = 40
2x + y = 100
E es solucin de
x + y = 80
x=0
40
20
Regin
Factible
C(40, 20)
x + y = 80
B(40, 0)
A(0, 0)
20
40
60
80
Resolucin grfica
Max z = 3x +
2y
Para hallar la
solucin ptima,
dibujamos las
rectas en las
cuales los puntos
tienen el mismo
valor de z.
La figura muestra
estas lineas para
z = 0, z = 100, y z
= 180
100
80
(0, 80)
(20, 60)
60
40
20
Regin
Factible
(40, 20)
(40, 0)
(0, 0)
20
z=0
40
z = 100
60
80
z = 180
Resolucin grfica
Max z = 3x +
2y
La ltima recta
de z que
interseca (toca)
la regin factible
indica la solucin
ptima para el
PPL. Para el
problema de
Gepetto, esto
ocurre en el
punto D (x = 20,
y = 60, z = 180).
100
80
(0, 80)
(20, 60)
60
40
20
Regin
Factible
(40, 20)
(40, 0)
(0, 0)
20
z=0
40
z = 100
60
80
z = 180
Resolucin analtica
Max z = 3x +
2y
Tambin
podemos encontrar la
solucin ptima calculando el
valor de z en los vrtices de la
regin factible.
Vrtice
(0, 0)
(40, 0)
(40, 20)
(20, 60)
(0, 80)
z = 3x + 2y
z = 30+20 = 0
z = 340+20 = 120
z = 340+220 = 160
z = 320+260 = 180
z = 30+280 = 160
100
80
(0, 80)
(20, 60)
60
40
20
Regin
Factible
(40, 20)
(40, 0)
(0, 0)
20
40
60
80
Recuerda que:
La regin factible en cualquier PPL
est limitada por segmentos (es un
polgono, acotado o no).
La regin factible de cualquier PPL
tiene solamente un nmero finito de
vrtices.
Cualquier PPL que tenga solucin
ptima tiene un vrtice que es ptimo.
Un problema de minimizacin
Corazn
(x)
Ftbol
(y)
mujeres
6x + 3y
30
hombres
2x + 8y
24
Coste
1.000
50
100
50x +100y
(funcin objetivo
s.a:
(mujeres)
6x + 3y 30
2x + 8y 24
x, y 0
(hombres)
(no negatividad)
en 1.000
Dibujamos la regin
factible.
Y
14
Min z = 50 x + 100y
s.a. 6x + 3y 30
2x + 8y 24
x, y 0
12
6x + 3y =
30
10
8
6
4
2x + 8y =
24
4
14
10
12
14
12
10
El vrtice B es solucin de
6x + 3y = 30
2x + 8y = 24
Por tanto, B(4, 2)
no est acotada
Regin
Factible
8
6
4
El vrtice C es solucin de
2x + 8y = 24
y=0
Por tanto, C(12, 0)
C
2
4
14
10
12
Vrtice
z = 50x + 100y
A(0, 10)
z = 500 + 10010 =
= 0+10000 = 10 000
B(4, 2)
z = 504 + 1002 =
= 200+200 = 400
z = 5012 + 1000 =
C(12, 0)
= 6000+0 = 6 000
El coste mnimo se obtiene en B.
Solucin:
x = 4 anuncios en pr. corazn
y = 2 anuncios en futbol
Coste z = 400 (mil )
Y
14
12
10
A(0, 10)
Regin
Factible
8
6
4
B(4, 2)
C(12, 0)
2
4
14
10
12
Min z = 50 x + 100y
s.a. 6x + 3y 30
14
2x + 8y 24
12
x, y 0
10
El coste
mnimo se
obtiene en el
punto B.
Z = 600
Z = 400
A(0, 10)
Regin
Factible
8
6
4
Solucin:
x = 4 anuncios en pr. corazn
y = 2 anuncios en futbol
Coste z = 400 (mil )
B(4, 2)
C(12, 0)
2
4
14
10
12
Consideremos el siguiente
problema:
60
50
max z = 3x + 2y
s.a:
3x + 2y 120
x + y 50
x,y0
40
30
Regin
Factible
B
z = 120
z = 60
z = 100
A
10
20
30
40
50
60
No existe
Regin Factible
50
x 30
s.a:
3x + 2y 120
x + y 50
x
30
y 30
x,y0
40
y 30
x + y 50
30
20
3x + 2y 120
10
20
30
40
50
PPL no acotado
max z = 2x y
s.a:
xy1
Y
6
Regin Factible
2x + y 6
x, y 0
La regin factible es no
acotada. Se muestran en
el grfico las rectas de
nivel para z = 4 y z = 6.
Pero podemos desplazar
las rectas de nivel hacia
la derecha
indefinidamente sin
abandonar la regin
factible. Por tanto, el
valor de z puede crecer
indefinidamente.
z=4
3
z=6
1
EL MTODO SIMPLEX
Es un mtodo genrico de solucin de problemas
lineales, desarrollado por George Dantzig en 1947.
Como tal, el mtodo simplex es un procedimiento
algebraico, pero puede entenderse ms fcilmente
como un mtodo geomtrico.
Antes de
Simplex,
hacerse a
el Mtodo
Conversin de modelos de PL a la
Forma Estndar
Todo modelo de PL, para efectos de resolverse con el Mtodo
Simplex, debe llevarse a una Forma Estndar con las siguientes
caractersticas:
1. El lado derecho de las ecuaciones debe ser no-negativo
2. Todas las restricciones deben convertirse a Ecuaciones
3. Todas las variables deben ser no-negativas
EJEMPLO: Maximizar Z = 2x1 + 3x2 + x3
Sujeto a:
x1 + x2 + x3 = 10
Conversin de modelos de PL a la
Forma Estndar
Maximizar Z = 2x1 + 3x2 + x3
Sujeto a: x1 + x2 + x3 = 10
Sujeto a: x1 + x2 + x3 = 10
x1 + 4x2 + 3x3 8
x1 + 4x2 + 3x3 8
x1 no restringida, x2 0, x3 0
x1 no restringida, x2 0, x3 0
2
Maximizar Z = 2x1 3x2 + x3
Sujeto a: x1 x2 + x3 = 10
3a Sujeto a: x1 + x2 + x3 = 10
x1 - 4x2 + 3x3 S3 = 8
x1 no restringida, x2 0, x3 0, S10,
S20, S30
x2=-x2
x1 + 4x2 + 3x3 S3 = 8
x1 no restringida, x2 0, x3 0, S10,
S20, S30
Conversin de modelos de PL a la
Forma Estndar
Maximizar Z = 2x1 3x2 + x3
Sujeto a: x1 x2 + x3 = 10
2x1 + 3x2 - 2x3 S1 = 5
7x1 + 4x2 + 5x3 + S2 = 6
x1 - 4x2 + 3x3 S3 = 8
x1 no restringida, x2 0, x3 0, S10,
S20, S30
3b
x1= x1 x1
Maximizar Z = 2x1 2x1 - 3x2 + x3
Sujeto a: x1 x1 x2 + x3 = 10
2x1 2x1 + 3x2 - 2x3 S1 = 5
7x1 7x1 + 4x2 + 5x3 + S2 = 6
x1 x1 - 4x2 + 3x3 S3 = 8
x1 0, x1 0, x2 0, x3 0, S10,
S20, S30
Soluciones Bsicas
EJEMPLO: Minimizar Z = -3x1 - 5x2
Sujeto a:
x1 4
Forma
Estnda
r
2x2 12
Sujeto a: x1 + S1 = 4
2x2 + S2 = 12
3x1 + 2x2 18
3x1 + 2x2 + S3 = 18
x1 , x2 0
x1 , x2 , S1, S2, S3 0
x1
x2
s1
s2
s3
12
18
-9
-6
-2
12
12
x2
s1
s2
s3
P1
12
18
Fact
P2
Fact
P3
-9
NO
P4
-6
NO
P5
Fact
P6
Fact
P7
-2
12
NO
P8
12
Fact
P5
P2
P6
P8
Punto
Factibles
Puntos
Adyacente
s
Valor Z en
el Punto
P1
P2 y P8
Z=0
P2 (Z = -30) y P8 (Z = -12)
P2
P1 y P5
Z = -30
P1 (Z = 0) y P5 (Z = -36)
P5
P2 y P6
Z = -36
P2 (Z = -30) y P6 (Z = -27)
P6
P5 y P8
Z = - 27
P5 (Z = -36) y P8 (Z = -12)
P8
P1 y P6
Z = -12
P1 (Z = 0) y P6 (Z = -27)
P1
El Mtodo Simplex inicia explorando uno de los puntos, usualmente
el origen (en este caso P1), y saltar a un punto adyacente slo si ste
salto mejora el valor de Z.
Si estando en un punto se determina que ninguno de los adyacentes a
l mejora el valor de Z, entonces se ha encontrado el ptimo.
En este caso el ptimo es el punto P5, y se encuentra en 3
iteraciones (P1 P2 P5).Juan Jos Bravo B., M.Sc.
Simplex Tabular
Minimizar Z = -3x1 - 5x2
Sujeto a: x1 + S1 = 4
2x2 + S2 = 12
3x1 + 2x2 + S3 = 18
P1
x1 , x2 , S1, S2, S3 0
x1
x2
s1
s2
s3
12
18
Variables
No
Bsicas
Tabla 1
Variable
s
Bsicas
Variables
Bsicas
Coeficientes en la
Funcin Objetivo
(Cj)
x1
x2
S
1
S2
S3
Solucin
(R.H.S.)
S1
S2
12
S3
18
Zj - Cj
Coeficientes de
las
Valor Objetivo
Simplex Tabular
Ya obtenida la Tabla 1, el
Para ello observamos el
Mtodo Simplex se pregunta:
rengln (Zj Cj), que
La Tabla 1 es ptima? (es
da slo informacion de
decir, el punto P1 es
las Variables No Basicas
ptimo?).
Criterio de
Parada
Si todos los valores
Para Minimizacin
del rengln (Zj Cj)
Si un valor del rengln (Zj Cj) es
0 entonces la
positivo, indica que al darle valores a la
Tabla es ptima
variable no bsica respectiva, mejora la
Debe ingresar a la
solucin la Variable
No Basica que tenga
el mayor valor
positivo en el rengln
(Zj Cj)
funcin objetivo.
Si un valor del rengln (Zj Cj) es
negativo, indica que al darle valores a la
variable no bsica respectiva empeora la
funcin objetivo.
Si un valor del rengln (Zj Cj) es cero,
indica que al darle valores a la variable no
bsica respectiva, no hay cambio en la
Criterio de
funcin objetivo.
Simplex Tabular
Tabla 1
Columna
entrante
Variables
Bsicas
Coeficientes en
la Funcin
Objetivo (Cj)
x1
x2
S1
S2
S3
Solucin
(R.H.S.)
Razn
Mnima
()
S1
S2
12
12/2 = 6
S3
18
18/2 = 9
Zj - Cj
sale
S2
Para darle valores a la
variable X2 (es decir,
volver bsica a X2),
debe salir de la
solucin actual una de
las variables bsicas
(es decir, una de ellas
deber volverse no
basica cero).
Se calcula dividiendo
el elemento de la
columna R.H.S con el
elemento de la
columna entrante,
siempre que el
elemento de esta
ltima columna sea
positivo.
Simplex Tabular
Tabla 1
Variables
Bsicas
Coeficientes en la
Funcin Objetivo (Cj)
x1
x2
S1
S2
S3
Solucin
(R.H.S.)
S1
S2
12
S3
18
1 0
0 1/ 2
0 0
0 0
0 4
0 6
1 18
0 0
Zj - Cj
1
0
0
2
2
5
1
0
0
0
0
1
0
0
0 4
0 12
1 18
0 0
r2 / 2
1
0
0
1
2
5
r4 -5r2
r3 -2r2
1 0 1
0 1 0
4
6
3 0 0
1 1
6
3 0 0 5 / 2 0 30
0
1/ 2
Tabla 2
Variables
Bsicas
Coeficientes en la
Funcin Objetivo (Cj)
x1
X2
S1
S2
S3
Solucin
(R.H.S.)
S1
x2
-5
1/2
S3
-1
-5/2
-30
Zj - Cj
3 Bravo
0 B., M.Sc.
0
Juan Jos
0
0
Simplex Tabular
Tabla 2
Variable
s
Bsicas
Coeficientes en la
Funcin Objetivo
(Cj)
x1
X2
S1
S2
S3
Solucin
(R.H.S.)
Razn
S1
4/1 =4
x2
-5
1/2
S3
-1
6/3 =2
-5/2
-30
S3
Solucin
(R.H.S.)
x1
P2
Zj - Cj
x2
s1
s2
s3
6
Fact
Tabla 3
Variables
Bsicas
Coeficientes en la
Funcin Objetivo (Cj)
x1
S1
1/3
-1/3
x2
-5
1/2
x1
-3
-1/3
1-3
-3/2
-1
-36
Zj - Cj
P5
x1
x2
s1
s2
X2
S1
S2
s3
Juan
0 Jos Bravo
0 B., M.Sc.
Fact
Tabla
OPTIMA
Estandarizacin
Tradicional
Minimizar Z = 4x1 + x2
Sujeto a: 3x1 + x2 = 3
4x1 + 3x2 6
4x1 + 3x2 S2 = 6
x1 + 2x2 4
x1 + 2x2 + S3 = 4
x1 , x2 0
x1 , x2,S2, S3 0
Min Z = 4x1 + x2
Sujeto a: 3x1 + x2 = 3
Sujeto a:
4x1 + 3x2 6
3x1 + x2 = 3
x1 + 2x2 4
4x1 + 3x2 S2 = 6
x1 , x2 0
x1 + 2x2 + S3 = 4
x1 , x2,S2, S3 0
Aqu n = 6 y m = 3,
siendo (n-m) = 3. Es
decir, al hacer 3
variables iguales a
cero sale una
Solucion Inicial
Inmediata Factible.
[Puede observar que
estas 3 variables no
bsicas iniciales deben
ser x1, x2, s2].
R1 = 3 - 3x1 - x2
Sujeto a:
R2 = 6 - 4x1 - 3x2 + S2
3x1 + x2 + R1 = 3
Transformacin necesaria en la
Funcin Objetivo:
4x1 + 3x2 S2 + R2 = 6
x1 + 2x2 + S3 = 4
Tabla 1
Variables
Bsicas
Coeficientes en
la Funcin
Objetivo (Cj)
x1
x2
S2
S3
R1
R2
Solucin
(R.H.S.)
R1
R2
-1
S3
- (4-7M)
(4M -1)
-M
9M
Zj - Cj
Coeficientes en
la Funcin
Objetivo (Cj)
x1
x2
S2
S3
R1
R2
Solucin
(R.H.S.)
R1
R2
-1
S3
- (4-7M)
(4M -1)
-M
9M
Zj - Cj
Tabla OPTIMA
Tabla 4
Variables
Bsicas
Coeficientes en
la Funcin
Objetivo (Cj)
X1
x2
S2
S3
R1
R2
Solucin
(R.H.S.)
X1
-1/5
2/5
2/5
X2
3/5
-1/5
9/5
S2
-1
-1/5
7/5-M
-M
17/5
Zj - Cj
Optima de
MAXIMIZACION tiene
todos los valores del
rengln (Zj Cj) 0. Es
decir, el criterio funciona
a la inversa de la
Minimizacion.
mltiples
soluciones
Maximice Z = (5/2)X1 + X2
Sujeto a:
3X1 + 5X2 15
5X1 + 2X2 10
XjTabla
> 0 ; jFinal
= 1, 2
OPTIMA
Variables
Bsicas
Coeficientes en la
Funcin Objetivo (Cj)
x1
X2
S1
S2
Solucin
(R.H.S.)
S1
3.8
-0.6
X1
5/2
0.4
0.2
0.5
Zj - Cj
Coeficientes en la
Funcin Objetivo (Cj)
x1
X2
S1
S2
Solucin
(R.H.S.)
S1
-1
S2
5/2
-0.5
-1
Zj - Cj
Entra x1 pero:
Cul variable sale?
Problema sin solucin
Cuando en la Tabla Final existe como solucin una Variable
Artificial con valor mayor que cero.
Mtodo de Penalizacin
Una nueva iteracin indica que x_{3} ingresa a la base. El mnimo coeficiente
la respectiva columna es:
DUALIDAD Y NALISIS DE
SENSIBILIDAD
Anlisis de Sensibilidad
En todos los modelos de programacin lineal los coeficientes de la
funcin objetivo y las restricciones se dan como datos de entrada o
como parmetros fijos del modelo. En los problemas reales los valores
de estos coeficientes no estn, en general, perfectamente fijados,
debido a que la mayora de ellos dependen de parmetros no
controlables, por ejemplo, futuras demandas, coste de materias
primas, costo de energa, etc. y no pueden ser predichas con
exactitud antes de que el problema sea resuelto. Tambin puede
suceder que aunque conozcamos los parmetros exactamente
estemos interesados en estudiar como varia la solucin optima si
cambiamos algn parmetro intencionadamente, a efectos de
tratamiento, ambas situaciones se resuelven de forma anloga. Cada
variacin en los valores de los datos del problema generara un nuevo
problema de programacion lineal. El anlisis de sensibilidad nos
proporcionaran herramientas para el calculo de las soluciones optimas
de los problemas obtenidos por la modificacin de los parmetros
originales del problema.
Anlisis de Sensibilidad
Los tipos de cambios de Anlisis de Sensibilidad son:
Anlisis de Sensibilidad
1. Los coeficientes de la funcin objetivo o coeficientes objetivo.
2. Los coeficientes tecnolgicos: aquellos coeficientes que afectan a
las variables de las restricciones, situados a la izquierda de la
desigualdad. Se llaman as porque
habitualmente describen
capacidades tecnolgicas en problemas de optimizacin lineal de
costes de produccin
3. Los recursos disponibles o
Right-Hand-Side: los trminos
independientes de cada restriccin, situados a la derecha de la
desigualdad.
Anlisis de Sensibilidad
Dado un problema de programacin lineal tal que:
Se sustituye
Por lo tanto queda:
c)
d)
Siempre verdadera
Se interceptan los conjuntos soluciones para dar el siguiente resultado
e) El valor del coeficiente de la variable X2 en el problema es: 4
por tanto
Se sustituye:
Por lo tanto queda:
f) Entonces el intervalo es el siguiente
Ejemplo:
Recordando problema P
b)
c)
sustituye:
lo tanto queda
para
los
coeficientes
sto slo originara un cambio en la columna 2 de la tabla final, que quedara com
gue
Tabla final
y operando obtenemos
restriccin anterior ya esta actualizada, basta con incluir una variable de holgur
restriccin esta lista.
A partir de esta tabla que no es optima habr que aplicar el simplex con
las consideraciones
oportunas debidas a la utilizacin de variables artificiales, es decir, si al
finalizar la variable bsica sigue en la base con valor no nulo el problema
con la nueva restriccin no es factible