Investigacion de Operaciones Sexta Edicion

-r\-^
\F Y ]A
JL_,/\ l,/ \
f f-ll-trt r
t__LrlLtl,
\
I
i
1
i
MEX-19o.
NUEVAyoRK.
eocor.
LoNDRES .
MADRTD
MUNT.H .
NUEVA
DEr_Hr .
oo* .;;;;;il1;.u
srNcApuR .
syDNEy.
roKro.
roR;;;rci.H
lNvEsTlGActN
DE
opERActoNEs
Una
introduccin
I
unive
rsity
of
",##:J
*#3
TRADUCCIN:
Guadalup
e MezaStaines
Tra ductora
profe
sion al
Ricardo
Cruz
Investigador
Fundacin
Javier
Barros
Sierra
REVTSTN
TCNTCA
Angel
Fernndez
Gamero
Universidad
Iberoamericana
l
sPo
CIB PEAS
28117
--
=Z;lE=
L- ] -
I
=G
J r\-
-
'
1
)
=4E
l-I:
ENTICE
HALL
Contenido
CRPTUIO
I: PERSPECTIVA
GENERAL DE I'A INVESTIGACru
OE OPERACIONEs
1.1 Modelos
matemticos
de investigacin
de operaciones
1
7.2. Tcnicas de investigacin
de operaciones
3
1.3 Modelado de simulacin
4
f .4 El arte del modelado
5
1.5 Acerca de este libro 6
Bibliografa
1
Parte t: Modelos determinsticos
CAPTULO
2: INTRODUCCIN
A I'A PROGRAMACION
Introduccin
11
Construccin
del modelo de PL 11
Solucin
grfica de PL 14
2.3.1 Slofucin de un modelo de maximizacin
15
2.3.2 Solucin de un modelo de minimizacin
1B
2.3.3 Variables de holgura, de supetvit
y no restringdas
Anlisis
grf,co de sensibilidad
22
2.4.1 ambios en los coefcientes
de la
funcin
obietivo
2.4.2 Valor unitario de un recurso 27
Solucin
por computadora
de problemas de PL 33
Anlisis de modelos seleccionados
de PL 39
tl
2.1,
2.2
2.3
20
23
2.4
2.5
2.6
I
Yll .,i"
'
,,f
'./, , t/
'r:
/ ../.:,t: ,
l:,. ,,r',
2.1 Resumen 62
Bibliografa
62
Problemasintegrales
62
EL MTODO SMPLEX
Contenido
lll
3.I
3.2
Introduccin
67
Forma estndar de PL y sus soluci,::;s
3.2.1 Forma estndar de
pL
6-
3.2.2 Determinacin
de soluco.: :_.,.
3.2.3 Variables no restringidas i._r_-..,-,:
.
El algoritmo smplex 74
Solucin inicial artiflcial 86
3.4.1 El mtodo de la M 86
3.4.2 El mtodo de dos
fases
92
Casos especiales en la aplicacin dei rne :-,:_ .
-:-:\
gl
3.5.1 Degeneracin
97
3.5.2 ptimos alternafvos lTj
3.5.3 Soluciones no acotadas i03
3.5.1 Solucin no
factible
106
l:.1
3.4
3.5
CAPTULO
4:
3.6 Resumen 108
Bibliografa
108
Problemasintegrales
108
ANUSIS
DE DUALIDAD Y DE SENSIBILIDAD
4.1 Introduccin
I11
4.2 Definicin del problema
dual I77
4.3 Relacin entre las soluciones ptimas primal r -"-
4.4 Interpretacin
econmica
de la dualidad 1l:
4.4.1 Interpretacin
econmica de las variable-r .;.,;,. r
4.4.2 Interpretacin
econmica de las restriccioi",s
duales i25
J.5 Mtodo dual smplex 12g
:.6
Ciculos primales-duales
135
J.: Anlisis postptimo
o de sensibilidad
I43
ido
Contenido
i7
1.7.1
Cambios
que afectan
ta
factbitirtad
j
14
4.7.2
Cambio,s
qr" irrtnn
ti,iili)'i'i"
1_5
4.9
Resumen
161
Bibliografa
167
problemasintegrales
762
CAPTULO
5: MODELO
DE TRANSPORTE
Y SUS VARIANTES
T.
i
5.1
,
Definicin
del modelo rJe transporte
165
5.2
Modelos
de transporte
no tradicionales
774
5.3
Fl algoritmo
de transport
e 179
5.3.1
Determinacii
" to roiirn
inicial
lgj
5_3 2
Clculos
iterativos
ad okorii_o""'itS
5.-t.J
Expticacin
aa *etoao"ii*):;;;
,";r" et mtodo
de multiplicadores
Ig3
5.4
El modelo
de asignaci
n I94
5_.1.1
El mroclo
hngaro
t95
5.4.2
Explicacin
siptex
"t'iraoao
hngaro
201
5.5
El modelo
de transbord
o 202
5.6
Resumen
207
Bibliografa
208
problemasintegrales
20g
CAPTULO
: MODELOS
DE REDES
6.7
Alcance
de las aplicaciones
de recles
215
.
6.? Definiciones
de red
276
,
U: , Algoritmo
de rbol de expansin
mnima
21g
6.4
problema
de la ruta
ms corta
222
6.4.1
Ejemplos
_de
aplicaciones
de la ruta
ms
corta 222
6.4.2
Algoritmos
de la ruta
ms corta
227
6.5
Modelo
del flujo
mximo
237
6.5.1
Enumeracin
de cortes
238
6.5.2
Algoritmo
rtet
flujo mtximo
239
6'6
Problema
del flujo restringido
de costo
mnimo
24g
16s
215
6.6.1
6.6.2
6.6.3
CPMyPERT
263
6.7.1 Representacin
de la red 263
6.7.2 Clculo de la ruta crtica 270
6.7.3 Construccn
d.el programa
de
Representacin
de la red 21g
Formulacin
de progratnacin
linel _-_i
Algoritmo smplex de redes restriE;.;;:
Contenido
28t
CAPITULO 7:
6.8 Resumen
279
Bibliografa
278
Problemasintegrales
27g
PROGRAMACIN
U N EAL AVANZADA
7.7 Introduccin
2gl
7.2 Vectores y bases 2g1
7.2.1
pL
estndar en
forma matricial 2gl
7.2.2
Representacin
vectorial de una base _.
i-j
7.2.3 Soluciones
bsicas 2g5
7.3 Pruebas
de validez del mtodo smplex lE-
7.3.i Definicin
de conjuntos ,orriro, 2g:
7.3.2
Optimalidad.
del algoritmo
smplex
j5.i
7.4 Thbla smplex generalizada
en forma matricia_i
7.5 Algoritmos
de clculo eficientes
2gj
7.5.1
Mtodo smplex revisado
2g7
7.5.2 Algoritmo
de variables acotadas
305
7.5.3
Algoritmo de descomposcin
313
7.6 Dualidad
323
7:6.1 Definicin
matricial del problema
dual
-l_.j
7.6.2
Solucin ptima clual SZq
7.7 Programacin
lineal paramtrica
32g
7.7.1
Cambios paramtricos
en C 330
7.7.2
Cambios paramtricos
en b JJ.3
7.8
-.9
Resumen
346
Brbhoerafa
346
Problemasintegrales
346
Alg-oritmo
de punto interior
de Karmarkar
336
7.8.1
ldea bsica del algoritmo
tle punto interior
-1,?6
7.8.2
Algoritmo
de punto interior
JJg
endo
BI
Cortenido
cRpruro
e:
CAPTULO 9:
PROGRAMACIN
DE METAS
8.1 Objetivo individual
versLts metas mltiples
8.2 Una formulacin
de programacin
de metas
8.3 Algoritmos
de programacin
de metas 354
8.3.1 El mtodo de ponderacin
355
8.3.2 El mtodo por preferencias
356
8.4 Resumen 363
Bibliografa
363
Problemasintegrales
363
PROGRAMACIN
LINEAL ENTERA
I1(l
..+9
xi
349
367
9.1
9.2
9.3
Introduccin
361
Aplicaciones
ilustrativas
367
Algoritmos
de solucin
de la programacin
entera
,
3g4
9.3.1 Algoritmo de ramificacfn
I
acotamiento (RyA)
JS5
9.3.2
Algoritmo de enumeracin
implcira cero_uno 3gl
9.3.3 Algoritmo del plano cortante 39g
9.4 Resumen
404
Bibliografa
405
problemas
integrales
405
CAPTULO
IO: PROGRAMACIN
DINMICA
DETERMINSTICA
10.1
70.2
10.3
10.4
10.5 Problema
de dimensionalidad
433
10.6 Resumen
436
Bibliografa
436
Introduccin
409
Naturaleza
recursiva
de los clculos en la
pD
40g
Recursin
hacia adelante y hacia atrs 413
Aplicaciones
selectas de
pD
474
10.1.1
Modelo de volumen_carga
415
10.4.2
Modelo del nmero de impleados 421
10.1.3
Modelo de reemplalo tte iquipo 425
10.1.1
Modelo de inversin 129
10.1.5
Modelos tle inventario
4ij
te?
f
,
,/
Problema
integral
436
CAPTULO
I I: MODELOS
INVENTARIOS
DETERMINSTICOS
11.1 Introduccin
439
71.2
Modelo de inventario
general
ll:
1I.3
Modelos estticos
de lote econmi;
I
-'
-
11.3.1 Mod'elo EOQ clsico
i;''
11.3.2
EOQ con descuetttos
p'r -';r'
"
'
11.3'3
EOQ de artculos
rrurlriP:::
de almacenamienio
J19
1.7.4
Modelos
dinmicos
de lote econL-]r:-: -
:
-
-
1 I -1.1 Motlelo sin costo de
PrePa:"-
11.4.2
Modelo con costo de prepn'' -
i
-
11.5 Resumen
4'71
Bibliografa
417
Problemasintegrales
417
Parte l!: Modetos Probablstcos
CAP|TULO
I2: REVISIN
DE PROBABILIDAD
BSICA
12.1 Introduccin
47'7
72.2 LeYes de
Probabilidad
4'7-l
12.i.1
Ley de suma de probabiliriaae'
r-j
12.2'2 Ley rie Ia probabilidad
cotttitt '"
--
72.3
Variables aleatorias
y distribuciones
de
-*'::=-
12.4 Esperanza
de una variable aleatoria
j:-:
tZ.tt,l Media y varianz'a de wta rariabJc 'i'
'
-"
12'4'2 Mediay varianzadevariables
a'i';'---'
j.r:
_ - I
_
j
_\-
-._.
jjj
'-'-il;ii
186
439
475
477
12.5 Cuatro distribuciones
de probabilidao
c'-::;:r-'
189
12.5'1 Distribucin
binomial
189
12.5.2 Distribucin
Poissson
191
12.5.3 Distribucin
exponencial
r?-st:r"
';
:E:
12.5.1 Distribucin
normal 193
-l,n
Distribuciones
empricas
+96
',: -
Resumen
503
Bibirog:aia
503
/
ilo
Contenido
cAPruLo I3: MoDELos
DE PRoNsflcos
73.1. Introduccin
505
13.2 Tcnica del promedio
mvil 505
13.3 Suavizacin
exponencial
510
I3.4 Regresin
5I2
13.5 Resumen
517
Bibliografa
5I7
problema
integral 5Il
cApTULo r4:
.lt\F,Llsts
DE DEctstN
yJUEGOS
1,4.I
,.,
Ambientes
de decisin
5L9
./
:trA{
Toma de decisiones
bajo una certidumbre
519
..:i**".
14.2.1 Mtodo analtico dL jerarqua
52i
j"4.3
.
,
Toma de decisiones
bajo riesgo 530
14.3.1 Criterio del vaior espado
531
14.3.2 Variaciones
d.el criterio del valor esperado 53g
I4.4 Decisin
bajo incertidumbre
54g
L4.5 Teora de juegos
554
14.5.1 Solucin ptima a juegos
tJe suma cero entre d.os
personas
555
14.5.2 Solucin de juegos
de estrategias mezcladas
55g
14.6 Resumen
567
Bibliografa
567
problemasintegrales
567
CAPTULO
T 5 : PROGI?AMACIN
DINMICA
PROBABILSTICA
15.1 Introduccin
57I
I5.2 Juego de azar 571
15.3
problema
de inversin
575
15.4 Maximizacin
del evento
de lograr una meta 5g0
Bibliografa
5g4
problemas
integrales
594
,9
xlll
505
5t9
571
I
1
I
I
t
il
t"
I
xiv
CAPTULO
I6: MODELOS
DE INVENTARIOS
PROBABISNCOS
f6.1 Introduccin
585
16.2 Modelos
de revisin continua
5Si
t.2.t Modelo EOQ
"prob'thi':-- ;'' '
-.
-
'--
16.2.2 Modelo EOQ probabiis-:' -':''
16.3 Modelos de un solo
Periodo
591
16.3.1 Modelo sin costo de prer';'';:'-':
-
-
-
16.3.2
Modelo con costo d
P'::;':'"
'' :
-- j
-"
'
:
76.4 Modelo de periodos mitiples
'"'
16.5 Resumen
603
Bibliografa
603
Problemas
integrales
603
CAPTULO
17: SISTEMAS
DE COI'AS
Contenido
s85
607
17.r
17.2
11.3
11.4
Por
qu estudiar las colas? 60r
Elementos
de un modelo de coias ^-':
Paoel de la distribucin
exponencial
t7.'3.t ProPiedad de olvido oll
17.3.2 Deiivacin
de la distibttcin
t:
"
''
'
-ll
Modelos de nacimiento
y muerte
prt1:
-:
:;--
-
:
-ntre
las distribuciones
exponencial
y de Pt->>'-:
:
-:
17.4.1 Modelo de nacimiento
puro ^'
-'
17.4.2 Modelo de muerte
Pura
619
Modelo de colas de Poisson generalizac':
:-
-
Colas especializadas
de Poisson 6:-
17.6.1 Medidas derendimiento
de es"''-'
'
:--\
17.6.2 Modelos de un solo servidor
-:l
17.6.3 Modelos de servidores mlripie: :-'i--
l
17.6.4 Modelo de servicio de mc1ttirias-
fl.5
17.6
(M/M/R):(GD/I</K) 652
77 |7
(MlGll):(GDl*l*) -
Frmula de PoLla'-ze k Khintchine
(P-K) 6s6
17.8 Otros modelos de colas 658
1-.9 Modelos de decisin de colas 659
17.9.1 Modelos de costos 659
17.a.: Modelo de nivel de aspiracitt
65
{
Conrtenido
77.70
Resumen
667
Bibliografa
66]-
problemasintegrales
667
CAPTULO
I8;
MODEI.ADOR
POR
SIMUI.ACION
673
18.1
18.2
18.3
78.4
18.5
18.6
18.7
79.2
19.3
19.4
19.5
19.6
Bibliografa
741
Qu es la simulacin?
673
Simulacin
Monte
Carlo
674
Tipos
de simulacin
679
Elementos
de simulacin
de eventos
discretos
6g0
1.8:4 I
Definicin
genrica
d"
"r"r;;;
";;;-
18.4.2
Muestreo
a"partir
d" rtriJjoni
de prooabilidatt
Generacin
de nmeros
aleatorios
692
Mecnica
de la simulacin
discreta
693
Mtodos
para
reunir
observaciones
estadsticas
699
!8:?_!
Mtodo
det subintervalo
-iOO-""*"-"'
,,!r:t
Mtodo
de replicacin
702
16.7.3
Mtodo
tciclo regenerarivo
702
682
1g-g
Lenguajes
de simulacin
705
19.9
Resumen
709
Bibliografa
709
CAPTULO
I9: PROCESO
DE DECISIN
MARKOVIANO
19.1
Alcance
del pro-blema
de decisin
Markoviano:
el
ejemplo
del jardinero
7II
Modelo
de programacin
dinmica
de etapas
finitas
Modelo
de etapas
infinitas
7lg
:?11
Modo
tle enumeracin
exhaustiva
7tg
19.3.2
Mrcdo
de iteracin
d.e poltica
sn tlescuentos
19.3.3
Mbdo
de iteracin
de poltica
con descuentos
Solucin
por programacin
lineal
72g
Resumen
733
Ap_ndice:
revisin
de las cadenas
Markov
733
?:6,1
procesos
tle Markov
731
19.6.2
Calenas
de Markov
731
7tt
713
7))
726
i I
ej-a
-,i..i-'
ii, :
:.-
--3
-'-.
I *
xvr
Parte lll: Modelos no
CAPTULO 20:
CAPTULO 2I:
APENDICE
A:
lineales
TEORA DE OPTIMIZACIN CISICA
20.1 Introduccin i45
202 Problemas no restringidos 745
24.2.1 Condiciones necesarias y sufi.cienres
-:a,
20.2.2 El mtodo Newton-Raphson 751
20.3 Problemas con restricciones 753
20.3.1 Restricciones de igualdad 753
20.3.2 Restricciones de desigualdad 771
20.4 Resumen 779
Bibliografa 719
ALGORITMOS DE PROGRAMACIN
NO LINEAL
2f .7 Algoritmos sin restricciones
797
21.1.1 Mtodo de bsqueda directa 7gl
21.1.2 Mtodo del gradiente 793
2I.2 Algoritmos con restricciones
lg7
21.2.1 Programacin separable 7g7
21.2.2 Programacincuadrtica
797
21.2.3
programacin
geomtrica
g0l
21.2.4 Programacnestocstica g07
21.2.5 Mtodo de combinaciones lineales
gi
l
21.2.6 Algoritmo SUMT Bt3
2I.3 Resumen 814
Bibliografa 814
REVISIN DE VECTORES Y MATRICES
4.1 Vectores 815
4.1.1. Delinicin de un vector
gl5
4.1.2 Suma (resta) de vectores
gj5
4.1.3 Multiplicacin de vectores por escalitres il6
4.1.4 Vectoreslinealmenteindependentes gI6
4.2 Matrices 816
4.2.1 Defincn de una matriz
g16
4.2.2 Tipos de matrices
g16
4.2.3 Operaciones aritmticas con matrices
gI7
4.2.4 Determinante de una matiz cuarlrada
gig
Contenido
743
745
781
8ls
{
i,
['
t
"l
Contenido
APNDICE B:
4.2.5 Matriz no sngular 820
4.2.6 Inversa de una matriz 821
4.2.7 Mtodos para calcular la inversa de una matriz
g22
4.3 Formas cuadrticas 825
4.4 Funciones convexas y cncavas 826
Bibliografa 826
Problemas 826
INTRODUCCIN A SIMNET II
Estructura del modelado 829
Representacindeproposiciones
830
8.2.1 Nodo
fuente
830
8.2.2 Nodo de la cola 832
8.2.3 Nodo de instalacin 833
8.2.4 Nodo auxiliar 835
8.2.5 Reglas bsicas para la operacin de nodos 836
Expresiones matemticas de SIMNET II 838
Ejemplo del modelo SIMNET II 840
Rutas de transaccin en SIMNET II 842
8.5.1 Seleccin de ruta 843
8.5.2 Rutas GOTO (campo
*T)
845
8.6 Ramas en SIMNET II 847
8.7 Variables estadsticas 853
B.8 Conmutadores lgicos 855
8.9 Comandos especiales 858
8.9.1 Activacin y desactivacin de una
fuente
859
8.9.2 Recoplacin de variables estadsticas 859
8.9.3 Comandos para la manipulaein de archivos 860
8.10 Datos iniciales 865
8.10.1 Entradas del archivo inicial 865
8.10.2 Funciones de densidad continua, discretas
y discretizadas 866
8.10.3 Funciones tipo tabla 86Z
8.10.4 Inicializacin de elementos de arreglos 868
8.11 Resumen 870
Bibliografa 870
xvil
829
B.1
8.2
8.3
8.4
8.5
xvi
APNDICE
C:
npruolcs
o:
Rpruolce
s:
ruolcE
ToRA
y
SIMNET
l, tNsrAt-Acln y
e.ecr-cru
C.1 Instalacin
y ejecucin g71
TABt-As
esrRosncRs
RESPUESTAS
A LOS PROBLEMAS
IMPARE5
Contenido
87t
Pre
873
877
909
rptulo
la tc-
nes en
deter-
ticas
nlisis
s fun-
nte la
rbils-
sobre
colas
clusi-
lcin
'IA
SC
in de
cin.
a es-
]'se
\ET
Limi-
i---
l\- !'\
rII.
l. El
*E
.!L
INVESTIGACIN
DE
OPERACIONES
Una introduccin
cas.
sus
rry
ty
ma
mi
M.
de
'ha
Captulo
I
Perspectiva
general
de la investigacin
de operaclones
I.I MODELOS MATEMTCOS
DE INVESTICNCru
DE OPERACIONES
Imagine que usted tiene un compromiso de negocios de cifrqo semanas entre Fayettevie
(F1.V) y Denver
(DEN). Vuela d Fayetteville ei lunes y regresa el mircoles. Un boleto re-
gular de viaje redondo cuesta 400 dlur"r, pero le conce.den un descuento del 20% si las
fechas del boleto abarcan un fin de semana. n boleto de viaje sencillo en cualquier direccin
cuesta 75i/o delptecio regular.
Cmo
debe comprar los boletos
para el periodo de cinco
semanas?
Podemos considerar la situacin como un problema de toma de decisiones' cuya solu-
cinrequierelaidentificacindetrescomponentesprincipales.
1.
Cules
son las alternativas de la decisin?
2.
Bajo
qu restricciones se toma la decisin?
3.
Qu
es un criterio objetivo para la evaluacin de las alternativas?
Las siguientes alternativas estn disponibles
para la compla de los boletos:
L. Comprar cinco boletos normales FYV-DEN-FYV'
2. comprar un boleto normal FYV-DEN, cuatro DEN-FYV-DEN
que abarquen
lo'
fines de semana
Y
uno DEN-FYV'
3. Comprar un boleto FYV-DEN-FYV
para abarcar
"1]T-":
de la primera Semana
\. -,
mircoles de la ltima semana y cuatio DEN-FYV-DEN
que abarquen los fire'
:=
semana, para cubrir las porciones restantes'
La restriccin en estas opciones es que usted deber salir el lunes y regresal el mier; - -:* '':
1a misma semana.
//;
i
Cap. 1 Perspectiva
general de la investigacin de operaciones
Un criterio objetivo obvio para la evaluacin de la alternativa propuesta es el precio
de los boletos, La alternativa que ofrece el costo ms bajo es la mejor. De manera especflca,
tenemos
Costo de la alternativa 1
=
5 x 400
= $2 000
Costo dela alternativa2=.75
x400
+
4 x -100
- '75x
400
= $2200
Costo de la alternativa3 =
5 x ('8 x 400)
=
$1600
Por consiguiente, usted debe elegir la alternativa 3'
El ejemplo anterior proporciona los componentes prilcipales de un modelo de in-
vestigacin d operacion"J
1tO,
a saber, las alternativar las restricciones y un criterio ob-
jetiv.
por
lo general, las alternativas del problema de decisin pueden tener la forma de
variables descnocidas' Despus, estas variables se utilizan para construir las restricciones y
el criterio objetivo como funciones matemticas apropiadar El resultado final es un modelo
matemtico que relaciona las variables, las restricciones
)'ia
funcin objetivo. La solucin del
modelo prod.r"" entonces los valores de las variables de la decisin que optimizan
(maxi'
mizan o minimizan) el valor de la funcin objetivo. al mismo tiempo que satisfacen todas
las restricciones. Se hace referencia a la solucin resultante como la solucin factible p'
tima.
Un modelo matemtico tpico de IO por lo coml se organiza como sigue:
Maximizar o minimizar
(Funcin del objetivo)
Sujeto a (Restricciones)
Ejemplo 1.1-1.
Suponga que le piden que configure un trozo de alambre de L pulgadas de largo en una forma
r".iunlulut, de manera que se maximice el rea cercada.
Cules
seran el largo y el ancho pti-
mos del rectngulo?
Las variables del problema son el largo /
1'
el ancho a del rectngulo. Por consiguiente, el
rea resultante es A
=
l pulgz.De manera que ma-timizamos A bajo la restriccin de que la lon-
gitud del permetro del iectngulo,2 (t + a) sea igual a la longitud disponible, L' El modelo
matemtico se escribe como:
Maximizar A
=
la
estu(
trucc
nes
I
cuan
paft
sioni
cisio:
ilustl
menl
enu
espe
el pt
ms
la en
ocul
asce
de t(
dura
Pnn'
cien
con(
I
"2
TCNIC
sujeta a
PoCemos resolver este modelo empleando la restriccin I + a
= *
para substituir una de las
r-aiables en la funcin objetivo, 1o que da
L
l+a:1
Enl
nUal
i-
-
gE L
>1u
:
-i
-- i-
:=;
&
trl
IL \ LA
A=l^-ala=
^
-
a-
__::
=--_
raciones
; el precio
3specfica,
:1o de in-
iterio ob-
forma de
icciones y
n modelo
ucin del
n (maxi-
:en todas
fible p-
ma forma
rcho pti-
uiente, el
ue la lon-
I modelo
a de las
Sec. 1,2 Tcnicas de investigacin
de operaciones
Por clculo sabemos, en este caso, que el mximo del rea A ocurre en el punto en que ra pen-
diente de A con respecto a d es cero, es decir,
dAL
dr:t-2a:o
La solucin de la ecuacin anterior es d
:
f
. La condicin de suficiencia (segunda
de_
rivada) muestra qre a
:
f
esunpuntomximo.plrtanto,
l =
f ,yrarrucin ptima indican
.
4, J
uylrtrld lltulu
que, entre todas las formas rectangulares,
el cuadrado produceil-rea
cercada ms erande.
Aun cuando los modelos matemticos son la piedra angular de la mayor parte de los
estudios de Io, en la solucin del problema de toma de decisines hay algo a, q.r. la cons-
truccin y la solucin del modelo matemtico. De manera especflca, tos prutemas
de ,Je_sio-
nes por 1o comn incluyen importantes factores intangibles, que tal u", no son fcilnoerre
cuantificables. El principal entre estos factores es la presencia
delilemento humano en la mar.r
parte de los ambientes de toma de decisiones. De hecho, se han reportado situaciones - ;-
siones donde el efecto de la conducta humana ha influido a tal giado en el problema
de de-
cisiones, que la solucin obtenida del modelo matemtico se cnsidera impracticable. Una
ilustracin de estos casos es una versin del problerha d.el ascensor, que ha circulado amplia-
mente' En respuesta a las quejas de los inquilinos acerca del servici tan lento del ascensor
en un edificio de oficinas muy grande, se analiz la situacin utilizando un modelo de lneas de
espera. Sin embargo, la solucin propuesta para apresuiar el servicio del ascensor no mitig
el problema. Un estudio adicional de la situicin ievel que las quejas de los inquilinos eran
ms bien un caso de tedio y el problema se resolvi utilizando
"ipor
de cuerpo entero en
la entrada al ascensor. Las quejas desaparecieron
cuando los usuarios del ascensor se mantenan
ocupados contemplndose a s mismos y a los dems mientras esperaban el servicio del
ascensor.
El aspecto matemtico de la IO debe considerarse en el contexto ms amplio del proceso
de toma de decisiones. Los cientficos ingleseg que fueron los pioneros en las atividades de Io
durante la Segunda Guerra Mundial, reconocieion este punto.-Aun
cuando su trabajo concerna
principalmente
a la asignacin ptima del limitado matrial de guerra, el equipo de IO inclua a
cientficos de las_reas de sociologa, psicologa y ciencias def comportuito,
como un re-
conocimiento de la importancia de su contribucin al proceso
de toma de decisiones.
'.2
TcNIcAs DE INVESTIGACIN
DE oPERAcIoNEs
En los modelos matemticos de IO, las variables de la decisin pueden ser enteras o conti-
'nuas' y el objetivo y las funciones de restriccin son lineales o no lineales. Los pro-blema:
de optimizacin planteados por estos modelos dieron origen a una variedad de mtodos i
solucin' cada uno diseado para tomar en cuenta las piopiedades
matemticas especral-
del modelo. La ms prominente y exitosa de estas tcnicas Ls la programacin lineal, dor::
todas las funciones, el objetivo y las restricciones
son lineales y too las variables soi ;,-E-
tinuas' Otras tcnicas que abordan otros tipos de modelos matemticos son progra6ri
dinmis'
programacin
entera, ptogta-"cin
no lineal, programacin
de meta-e r
1yqgm-
macin de redes, para mencionar slo unas cuantas.
Cap. 1 Perspectiva
Sec. i,
EL ARTE ]
IJn esl
IO co
sobre :
ciendc
(
ciaya
que pl
soluci,
las oP,
tiva
[c
atribu
y habi
l
precis
poder
l
Entre
mejor
en su
arte q
de est
vestig
final c
saber
estudi
mater
dar. c
los al
masia
puedt
el em
matei
J
- ^:
-l
U!l>
De hecho. todas las tcnicas de investigacin de operaciones
dan por resultado algoritmos
;l:r.putacionui"r
q". ..n de naturaleza itativa. Esto significa que el problema se resuelve
;l iteracion"t
V
qi" ."Ja nueva iteracin lleva la solucin ms cerca de la ptima' La natu-
r1eza iterat*" iit
"fgoritmos
por lo general da origen a clculos voluminosos
y tediosos'
Es rmperativo
que estoJalgoritmos
se ejecuten en computadora'
El empleo de la computadora
como un instrumento esencial para resolver-los modelos
de IO dio orig"*
""
pi*m"nte dificultad computacional:la
del error de redondeo de la
mquina. Estos errores iienen mayor importancia medida que
-se
incrementa el nmero de
iteraciones. Et proutema es an ms difcil cuando las variables del modelo estn restringidas a
valoresenteros.Debidoaquelacomputadorahacetodoslosclculosenpuntoflotantearit-
mtico
(no de
"tttitj,no
es posibleia representacin
exacta de (algunos) valores enteros
y deben porr"r*
"lp
"ti"uls tolerancias
apropiadas
para explicar esas aproximaciones
in-
herentes.
Algunosmodelosmatemticossontancomplejosqueesimposibleresolverlosme-
diante cualquiera de los algoritmos de optimizacin
dispnibles.
En esos casos' puede ser
necesario uuufionr
la bsqueda de 1a slucin pma y simplemente se debe buscar una
buena solucio",
"f.*A"
la heurstica. Casi siempre. una heurstica aplica reglas
-cortas
para
producir urru uu.rru rolucin al problema. La ventja de una heurstica sobre un algoritmo de
tptimizacin
exacta es que' en general' su ejecucin es ms rpida'
1.3 MODEI.ADO
DE SIMUI.ACIN
A pesar de los impresionantes-adelantos
en el modelado matemtico' hav muchas situaciones
reales que todava'estn ms all de las capacidades
de fepresentar sistemas matemticamente.
por
una parte, la "rig\dez" de la represencin
matemtiia
pugde hacer que resulte imposible
describir en forma adecuada el problema de decisiones
mediante un modelo matemtico'
por
otro lado. incluso cuando es posible formular un modelo matemtico apropiado, el pro-
blema de optimrzacin
resultant puede ser demasiado
complejo para los algoritmos de so-
lucin disPonibles.
Un enfoque alternativo
para modelar un sistema complejo es 1a simulacin'
El mode-
-.,Jo
po6l-rri*iOn es la segnda ejor opcin para observ'ar un sistema real' Difiere del
r.rdelado matemtico en que ,to ., ,t"t"rutio
"tpbn"t
de manera erpLcita la relacin entre
,e,-ntrada y ta saliAa. F,nvLzde ello, desglosa eliistema real en (pequeos) mdulos y des-
pms imita ef comportamiento
real el slstema, utilizando relaciones lgicas para unir los
rduios. e-p"ruiOo con el mdulo de entrada, los clculos de la simulacin avanzan entre
,rs nduios propiados hasta que se obtiene el resultado deseado'
Los catcutoi de simulacih, aunque
por 1o comn son simples' son excesivos' Por con-
,-;
-=-,-".. irop".rruUle ejecutar un
-td"lo
de simulacin sin utilizar ia computadora'
-..
::,lelos de simulacin son mucho ms flexibles en la representacin
de sistemas
-.-:
:__i
=-,::.,:lentes
matemticos.Laraznprincipal
es que la simulacin considera al sis-
':-
=
.
--
:::-'t' ;lemental, mientras
que los moel'os matmticos tienden a representar al
:l-j-:-: ;.):;
-:
:unto de vista ms global'
-
.
-=l:-
-:.;
Je ia simulacin"no carece de desventajas. El desarrollo de un modelo
- :i- ::--: :,:
-
:=sular eS costoso, tanto en trminos de tiempo Como de recursos'
Ai--,. -.
=
;:-;---,:
j-
:llunos models de simulacin, incluso en las computadoras
ms
-!^-:-- - --
fr:--r:-
-:--
:: -: ..:
t.t
eracrones
ileoritmos
e resuelve
-
La natu-
tediosos.
s modelos
tdeo de la
mero de
ringidas a
tante arit-
:s enteros
.ciones in-
erlos me-
puede ser
uscal una
ortas para
oritmo de
fuaciones
icamente.
imposible
temtico.
lo. el pro-
tos de so-
El mode-
)ifiere
del
in entre
los y des-
a unir los
zan entre
. Por con-
ora.
: sistemas
ra al sis-
:sentar al
n modelo
recursos.
loras ms
Sec, 1.4 El arte del modelado
1.4 ELARTE DEL MODEI.ADO
Un estudio de.Io debe.estar arraigado en el trabajo de equipodonde
tanto los analistas de
Io como el cliente trabajan en colaboracin. Los analistas de Io. con sus conocimientos
sobre modelad.o, necesitarn la experiencia y la cooperacin
del cliente para quie'
se est ha-
ciendo el estudio.
Como un instrumento
de toma de decisiones, la Io debe considerarse como una cien-
cia y a la vez como un arte. Es una ciencia en virtud de las tcnicas matemticas rncorporadas
que presenta y
T Yn
arte debido a que el xito de todas las fases que preceden r sieuen a la
solucin del modelo matemtico depende en gran parte de la creatividiad y la experiencia
de
las operaciones del equipo de investigacion.wltemain
(1994) aconseja q"L;irfia*ca
eiec-
tiva
[de
IO] requiere algo ms que una competencia unulti.u' tambin requiere, entre orros
atributos, un criterio tcnico (por ejemplo .rndo y cmo utilizar una tcnica determrna,la,
y habilidades en-la comunicacin y la supervivenci
organi zacionar,,.
Resulta difcil prescribir
cursos de accin
"rp".fi""o,
(similares
a los que dicta la teona
precisa de los modelos matemticos) para estoi factores intangibles.
obido a eso. slo
podemos ofrecer pautas generares purala puesta en prctica
de la Io.
Las etapas principales para la puesta en prctica
de la Io incruyen
1. Definicin del problema
2. Construccin del modelo
3. Solucin del modelo
4. Validacin del modelo
5. Puesta en prctica
de la solucin.
Entre estas cinco etapas slo la tercera, concerniente
a la solucin del modelo, es la que
mejor se define y la ms fcil de poner en prctica en un estudio de IO, J"bi;;
r"
aborda
en su mayor parte la teora matemtica
ms precisa. Aplicar el resto o tur
"iupuJes
ms un
arte que una teora. En consecuencia,
no podernos presiribir procedimientos
pata ejecucin
de estas etapas.
La definicin del problema
implica establecer el alcance del problema que se est in-
vestigando' sta. es un funcin qr" d"b" oesempenai it
"r
equipo de Io. El resultado
final de la investigacin
es identificar
tres etemgntos p.lncipates
ecislon J"t p.out"*u.
u
saber: (1) la descripcin de las alternativas de decisin,
1-jiu
o"t"r-inacin det iuletivo oel
estudio y (3) la especificacin
de las limitaciones
uajo tas'cui";
;p;;;;ir,"*" q,,];" modeta.
La construccin
del modelo implica traducir la definicin del problem
a relaciones
matemticas' Si el modelo resultante se ajusta en uno de los modelos matemticos estn-
dar, como programacin
lineal, por lo comn es posible
encontrar una solucin utilizando
los algoritmos disponibles,
Como una alternativa, si lasietaciones
matemticas son de-
masiado complejas para permitir la determinacin
ie una solucin analtica, el equipo ae to
puede
optar por simplificar el modelo y emplear un enfoqu" heurstico, o bien consitle ::
ei empleo de la simulacin, si es apropido. n algunos ;;;r, una combinacin de mo-_ _s
matemtico,
de simulacin y heurstio puede sei apropiad a pararesolver
el prot,i;r. :.
decisiones.
-+
.---...--.'...'..-.'.-*._
Cap. 1 Perspectiva
La solucin del modelo es, con mucho, la ms sencilla de todas las etapas de IO, debido
a que implica el empleo de algoritmos de optimizacin bien definidos. Un aspecto importante
de la etapa de solucin del modelo es el
qnlisis
de sensibilidad. sta obtiene informacin adi-
cional acerca de la conducta de la solucin'optima" cuando el modelo experimenta algu-
nas variaciones en los parmetros. El anlisis de sensibilidad es particularmente necesario
cuando no es posible calcular con precisin los parmetros del modelo. En estos casos, es im-
portante estudiar el comportamiento de la solucin ptima en la vecindad de las estima-
ciones iniciales de los parmetros del modelo'
La validacin del modelo verifica si el modelo propuesto hace lo que se supone que
debe hacer, es decir,
el
modelo proporciona una prediccin razonable del comportamiento
del sistema que se est estudiando? Inicialmente, el equipo de IO debe estar convencido de
que el resultdo del modelo no contiene
''sorpresas".
En otras palabras,
tiene
sentido la
solucin?
Los
resultados son intuitivamente aceptables? En el aspecto formal, un mtodo
comn para verificar la validez de un modelo. es comparar su resultado con los datos de los
resultados histricos. El modelo es vlido si. bajo condiciones similares de entrada, repro-
duce el desempeo que se conoce. Sin embargo. por lo general no hay una seguridad de que
el desempeo futuro seguir duplicando e1 comportamiento conocido. Adems, debido a
que por tb comn el modelo se basa en un examen cuidadoso de los datos pasados, la com-
putu"iOn propuesta debe ser favorable. Si el modelo propuesto est representando un nuevo
iirt"-u
(inexistente), no habr datos histricos disponibles para hacer la comparacin. En
tales casos, podemos recurrir al empleo de la simulacin como un instrumento independiente
para verificar el resultado del modelo matemtico'
Lapuesta en prctica de la solucin de un modelo validado implica la traduccin de los
resultados del modelo a instrucciones de operacin. impartidas en una forma que sea com-
prensible para los individuos que administrarn el sistema recomendado. El peso de esta
tarea recae principalmente en el equipo de IO'
-!
I.5 ACERCA DE ESTE LIBRO
\forse (1967) manifiesta que "la enseanza de los modeios no es equivalente a la enseanza
jel
modelado". El autor ha tomado nota de esta importante declaracin durante la prepara-
;n de |a sexta edicin. Se ha hecho un esfuerzo consciente para producir el arte del modelado
;l IO. Los modelos realistas que presentamos a todo lo lar-so dei libro. los numerosos proble-
na< de aplicacin (enunciados) y los casos completos que ofrecemos al final de los captulos
prrpcrionan una perspectiva hacia el anlisis de las situaciones prcticas.
El autor cree que un primer curso de IO ie debe proporcionar al estudiante una
bgenLe ba:e en las matemticas de la IO, as como una valoracin de sus aplicaciones po-
enclalei Este plan proporcionar a los usuarios de IO la clase de confianza que normal-
tnre raimra si la capacitacin principal se concentrara slo en los aspectos filosficos y
arcsticos de la IO. {-Jna vez que se ha asegurado un conocimiento fundamental de la base
matemtic- los estudiantes pueden incrementar sus habilidades en el aspecto artstico del
modelado de IO estudiando los ejemplos de casos que estn disponibles en varios peri-
dicos v publicaciones. El autor recomienda de manera muy particular Interfaces (publi-
l- r.
B.ItsUOGRAFi
Evss.
Cinci
Gass. S
1990.
MoRnl
Wrllr
--
a'
PP.-
r operaciones
de IO, debido
ro importante
rrmacin
adi-
imenta
algu-
rte necesario
; casos, es im-
e las estima-
: supone que
Lportamiento
rnvencido
de
re sentido la
[. un mtodo
datos de los
rada, repro-
ridad de que
s, debido a
Ldos, la com-
Co un nuevo
aracin.
En
dependiente
Lccin de los
ue sea com-
so de esta
L enseanza
Ia prepara-
:l modelado
sos proble-
x captulos
diante una
Lciones po-
re normal-
losficos y
de la base
rtstico
del
rios peri-
res (publi-
Binliografa
7
trd"|j]f,,Xlfj'i}j"
of Management
Science)
como una excelente
fuenre
de aplicaciones
TMUOGRAFiA
t"Tl;,i;"l'3\i:,#;i.r*g
in the Decision
and Manage)ent
sciences,
south-\r,esrern pubrishing,
offir:.'"Model
world: Danger,
Beware
the user as a Modeler,
,,
Interfaces,vol.20,
Nm. 3. pp. 60_4,
Monnrs' w" "on the Art of Model ing," Management
science,vol.
13, pp. 8707-8777,1967.
*';til;,R"
*Insights
on Modeling
from a Dozen r*p"rtr,"
operations
Research,vol.42.
\rim" r.
:-
-ir.,
'L*Al
,/
MODELOS DETERMINSTICOS
Captulo
lntroduccin
a la programacin
lineat
2. r tNTRooucclru
La programacin
lineal (PL) es una tcnica de modelado matemtico, diseada paru opi-
mizar el empleo de recursos limitados. La programacin
lineal se aplica exitosamente
en el
ejercito, la agricultura, la industria, la transportacin,
1a economa, loi sistemas de salud e, in-
cluso, en las ciencias conductuales y socialei. La utiliad de la tcnica se incrementa
mediante
la disponibilidad
de programas
de computadora
altamente eficientes. De hecho la
pL,
debido
a su elevado nivel de eficiencia computacional,
es la base para el desarrollo
de algoritmos de
solucin de otros tipos (ms compljos) de modelos de Ib, incluyendo
ru prog;u"-ucin
en-
tera, no lineal y estocstica.
Los clculos en la PL, igual que en la mayor parte de los modelos de Io, por lo comn
son voluminosos y tediosos y, por consiguient, requieren
el empleo oe ta
"orrip,rtadora.
El
software TORA, amigable con el usuari, qr" u.o-pua a este libro, est diseado para mi-
tigar la carga de los clculos.
2.2 CONSTRUCCIN
DEL MODELO DE PL
Esta seccin ilustra los elementos bsicos de un
de dos variables. Los resultados proporcionan
pretacin
del problema general
de
pL.
modelo de PL utilizando un sencillo ejemplo
ideas concretas para la solucin y t inter_
Ejemplo 2.2-1 (LA
CoMpAl nnooy MIKKS).
1:"ollY|u":"llogft
pinluras tanto-para interiores como para exteriores, a partir de dos :-=:.-
rias primas, Ml y M2. La siguiente tabla proporciona
ros daios bsicos o"l
o.i"iru.
'f2
ap.2 lntroduccin
a la programacin
lineal
:*:
Toneladas
de maieria pnma por ronelada
de
Pinnra
para extencrts
Pinra
!,a,a inieriores
Disponibilidad
mxima diaria
(toneladas)
\fateria prima, M1
\fateria pima. M2
6
1
.A
6
1
Utilidad por ronelada
(1000
dlares)
1.
)
3.
Variables de decisin que i::;-:. :. :::::::rar
Objetivo (meta
) que traia.n..: r.r :..a-::
Restricciones que necesit.:
- s ::._i_j:_: l
x,
=loneladgs diarias producidas
de pln:::=:--.
:r::nores
r:
=
Toneladas diarias producidas
de pin:. :::: :::_:iLares
Utilizando estas deflniciones, la siguiente tarea -s
J.:,:s-r-:
-:
lgi9o.
para la compaa es increm"enta.
,unio .orr. : _ : :. . - l
total diaria de la pintura,
tanto para exteriores .o*o ..=
=,=_ ria total (en miles de dlares),bbtenemos
z=5xr*.1-r-
El objetivo de la compaa
es
Maximizarz=5_rr+.Lr-
El ltimo eiemento del modelo aborda las restricciones
c__i=
.im:ian
el empleo y la de_ :a*da
de materia prima. Las restricciones-il;r;;;;;;.i.;..-:;l;
r.erbarmente
como
-E
/
EmRIeo de materia prima
1
-

Disponibdad
rn&\,i: J.;
\ para ambas pinturas
i
.:
\ materia pnma
'::-,s lel problema
resulta que
Empleo de materia prima
M1.
=
6xt + 4x, toneladas
Empteo de materia prma M2
=
Ixt + Zr, toneladas
Ser.2.2
Construccin
del modelo de
pL
Debido a que las disponibilidades
diarias de la materia prima ML y M2 estnlimitadas
a 24 y 6
toneiadas, respectivamente,
las restricciones
asociadas ," a*p."run .o-o,
6x, t 4x,
<
24 (Materia prima MI)
x, - Lr,
<
6 (Materia
prima M2)
Hay dos tipos de restricciones
de la demanda: (1) Ia demanda mxima diaria de la pintura
para interiores se limita a 2 toneladas y (2) el exceso de produccin
diaria de pintura para interio-
res sobre la pintura para exteriores es cuando mucho de 1 tonelada. La primera restriccin
es
directa y se expresa como 12
= ?.Lr
segunda restriccin
; p;J. t;;orr.r, pui-e";r;;;;
que la diferencia entre la produccin
iaria de pinturas p;i";;;;.es
\- paa erteriores,
x2
-
xltno exceda de L tonelada, es decirx,
_
rr
=
1.
una restriccin implcita (o
"que se entiende como tal") sobre e1 modelo. es que las r aria-
bles xt y x2 no deben ser negativas. Por tanto, aadimos las restricciones de no negatidad,
\
2 0,xz
>
0,para satisfacer este requerimiento. (Ms
aetante, en ei.upitulo .1. r er:mos que las
restricciones
de no negatividad
son esenciales para el desarrollo del aorirrn.. - ..-,r,riJ
j.]
modelo de PL..)
El modelo c,ompleto de Reddy Mikks se escribe como
Maximizar
z=5xr+4xz''
sujeta a
6x,-4xr-24
x1 + 2xr< 6
--r-
::= :
'r, 'r>0
'
cualquier solucin que satisface todas las restricciones
del modelo es una solucion frct,e.
p.r
ejem.llg, lasolucinrr=3toneladasl12=ltoneladaesfactiblepo.q*oor-:.-,=--_--_:_.jeias
restricciones,
incluyendo las restriccion.r
d" .ro negatividad.
par
u"iin.u.".;.=:'...
,;*:
tuimos (xt=3,xr=
1) en el lado izquierdo de cada restriccin,pa.u
ur"gurr*os ; :,-- se:adsr.agan
las desigualdades.
Por ejemplo, enla primera restriccin, 6r, + 4xr:? t 3
_
.
-:
ll. que es
menosqueelladoderecho_delarestriccin
(=24).Elvaltrdeliafuncin:;.:,.-rriroasociada
conlasolucin(xr=3,ar=
1) esz
:
5 X 3 + 4 X 1
:
19 (milesdedlares
-
Desde el punto de vista de todo el modelo, lo que en realidad nos :::-:isa es la solucin
factible pfima que produce la mxima utilidad total. Si reflexiona usted u_ rr-..o. deber concluir
que el modelo tiene un nmero muy grande (de hecho, infinito) de solucicr;.
-acrib
jes.
Como tal,
resulta imposible emplear sustituciones directas para determiar la prrma. Er
'ez
de ello. nece-
sitamos procedimientos
eflcientes que localicen la solucin ptima de una mane ra sistemtica. El
mtodo grfico en la seccin 2.3 y su generulizacin
algebraica en el captulo
-i
proporcionan
esos
procedimientos.
13
i
*
I
;
I
En el ejemplo anterior' las f'unciones
del objetivo y de las resrriccione
so.$,t{as li
neales. En las suposiciones
de linearidad
estn intrinsecas'las
d;;pr;;J"d"!"jiifii
1' Proporcionalidad,
que requiere que la contribucin
de cada variable Oela ecision.
tanto en la funcin del objetivo como en las restricciones
,
t"u arrrto*ririr'o;i;iii^,
,,
valor de la variable.
por
ejemplo, si Reddy Mikks otorga r.rr"rrio, por cantidad
cuad'cJ, :.Li
Cap.2 lntroduccin a la programacin lineal
ventas exceden ciertos lmites, entonces los ingresos ya no sern proporcionales a la cantidad
de las ventas.
2. Aditividad,
que estipula que la contribucin total de todas las variables en la funcin
del objetivo y en las restricciones sea la suma directa de la contribucin individual de cada
variabie.
por
-ejemplo.
dos product os competidores, en donde un incremento en el nivel de ven-
tas de un product afecta in forma adversa el del otro, no satisface la propiedad de aditividad.
Serie de
Problemas
2'2a
1.
para
el modelo de Redd-v Mikks, construya cada una de las siguientes restricciones y
exprsela-< con un lado derecho constante:
(ai La demalda diaria de pintura para interiores excede a la de pintura para exte-
riores cun,:j o nlenos por 1 tonelada. =t
-:
:
(b) El emple ur ano de materia prima M2, es cuando mucho de 6 toneladas y
t-tnnrir, ieti de 3 toneladas'
t
' :
(c) La deman,la ,le pintura para interiores no puede ser menor que la demanda de
P'lnrura Para
erteriores'
{dl L .u"rijui
rrnima
de pintura que debe producirse, tanto para interiores como
para ertei-iores- es 3 toneladas.
i
{el La p,ropernn
,Je pintura para interiores con la produccin total de pinturas,
ourta p-u rnreriores como para exteriores, no debe exceder de .5.
2- Deterue La
-o,r:'usjn
ptima
factible
ene las siguientes soluciones del modelo de
Re'Cdr \fiL-k::
(a)
-r:
:
-'-r-
: '
O)
-r:
:
l.-t-
:
I'
(c) -t:
:
-1'--
-
r'-i'
(d)'rt:'--t-::'
(e)
-t,
:
l'
'r-
:
-' '
3.
para
la solucin tacrible x.-
=
2. xz
=
2 del modelo de Reddy Mikks' determine
(a) La cantidad ilL-r
'tilizada
de materia ptima Mt'
(b) La cantida'd no rLlt"lizada de materia prima M2
4. Suponga que Re,Cdy \tikks le vende su pintura para exteriores a un solo ma-
yoiirtu,
"on
,.o descuenro por cantidad. El resultado final es que la utilidad por
tonelada ser de 5 ]j dlares si el contratista compra no ms de 2 toneladas diarias
o de lo contrario de -t 5lU dlares.
Es
posible modelar esta situacin como un
modelo de PL?
;
2.3 SOLUCION GRAFICA DE PL
Esta secc-in nuestra la forma en ia cual un modelo de PL de dos variables se resuelve grfi-
carnente. ,{un eualdo 1os modelos de dos variables muy rara vez oculren en la prctica
(donde un model,r ipico de PL incluye miles de variables y restricciones),las ideas obteni-
3i
14
lineal
jdad
jn
ada
en-
ad.
Sec. 2.3 Solucin
grfica de PL
15
das del procedimiento
grfico constituyen la base para el desarrollo de la tcnica general de
solucin
(llamada mtodo smplex)'
que presentamos en ei captuio 3'
El procedimiento
grfico incluye dos pasos bsicos:
1. La determinacin
del espacio de solucin que define ias soluciones factibles que sa-
tisfacen todas las restricciones del modelo'
2. La determinacin
de la solucin ptima de entre todos los ptllltu'rs en e1 espacio de
solucin factible.
El procedimiento se describe tanto para una funcin de objetivo de r.orinizacin'
como de minimizacin.
2.3.1 Solucin de un modelo de maximizacin
Ejemplo 2.}-1.
Utilizamos el modelo de Reddy Mikks para ilustrar los dos pasos del procedimiento
.-=;:
Paso 1. Determinacin del espacio de solucin
factible:
Primero. como se muestra en la f,gura 2-1, supongamos
que el eje horizontal xt y el eje
"r;-:I
12 representan las variables de la pintura para exteriores y de la pintula para interiores r-s'rr;:-
vamente. Despus, consideremos
las restiicciones de no negatividad xr > 0
Y
xz> 0' Est's :':s
restricciones limitn el readel espacio de solucin al primer cuadrante
(que se encuentta a:: -:
del eje x,
Y
a la derecha del eje x, )'
Restricciones:
6ry+4x2<24
C
\+Lx2<
6
@
-xt+
x2< 1
O
,r<2@
x1 >oO
tr>0@
,-, +:ll-.*,.
-
f
^
r / -
'{'
,*
.,1
'-
i._. :- rr
.\
:-' .L t
-ll
.at ,,- !
.'i
i'j
-
)
---.,+-1:
!
_-\-<
-
+ \
_
-, i
-
--. ... j
.,
,; t..,t
--=-"t"
.l t
, 1--I
-
j.,
--
- 2"1
r,}
-
{
_-:
!
.\ jiu.!
16
Cap.2
lntroduccin
a la programacin
lineal
La lorma ms sencilla
de expiicar las cuatro restncci.::es
:3::rnres es reemnl^-^- r^^ r-
.
-sualdades
con ecuaciones
y despus ,rluru, lurlneas
rectas .-.r,,..a,ottt
es reempiazar
las desl-
.ad 6.r' t 4xr= 24 se relmpl;;;;;trn.u
.".,u
g;,;
-
_.:_:.'rt::"tltlô]o.ladesigual-
:e.-esitamos
d9s punros precisos.
qu. ,. pu.ol"';;;.;..
..1_,_:=--
yara
azar esta lnea.
obrene
*,:zf :
o, y d"rpu!.'aii"r,.roo.r-
=
r,..,.
_.._-T::.flTili;r.jff1
guiente,
lalneapasaatravsdelosdospunro,
111.6rr ,:.
.
_-
l
figura2-I.
-- r*-
''r muestra
la lnea (1) en la
Despus
consideamos
el efecto de la desisul.:
i :_
-_ :*: hace la desiguaidad
es di_
;i'ff : :i1ffi *: #
&::,::T
;":i
:,*:*.
: i{.
r-
_t.
--,
_
-
:,,,
a d. s d e h
jr*
; ;;"; ;
"
;
es utitizar er origen qo,oi"o-
u'n;;;;;;;.;;.l-..,= i
-t-_t-,
"-".,.tminar
el lado factibte
(0,0)satisfaceaxr+.+xr<24(es;;;,;r''_-.-.='=t-'-__,,.jutulaprimerarestriccin,
que el tado ractibie
de t restrij;;;;;';
+,r.
=
:.
_: _.
- -
_ _-_
,:::' de 2!.). Esto significa
por la flecha direccional
asociada
con t ,"rti.,c,a
,
-- ' ,.
-..-=
,--
tste resultado
se muestra
En eeneal. si el origen no ,arisfa..
ia d=.1__ .
. ,
-
::---
-.
apunrar en el lado opuesro
de (0,0).Adem;::,:._..':-=
.
-.'==
.,.],,il:t:,ir.::.::l;li:o":
podemos
elegir otro punto
de referen.iu
fu.u
ele::-.:
__ r_: * .:: _ ::s:ado.
Po-so 2. Derertninaciin
de la solucin
iiir,-
La figura I l proporcionaet
espaciode'solu.iu"
r.,
_ , -
.=::-.--:
-.-
modelo. Fste
espacio
est delineado p";1";,"-i'j-l. .. :-.
,
-=. -.
-t:':'Jaslasrestricciones
del
quin::
{ B.c.D.EvF.cuarquiJ;;";;;;;;;"-..
. ,'=l= _-'._,,.-,';?';;},::;:irffi:
factrL'-:
en j sentido
de que satisiace
torr'r*
res:::::-,.
., :-.-:,
..:,ue
er espacio
factible
Sec. 2.!
I
ft
ir
p
L
I
I
,(Maximice,=5-r
-:::
xt+2b<6
Figura 2-2
lin
lineal
r las
desi_
desigual_
sra
lnea,
-
u para
,.
UUIISI-
ii)
en ja
rd
es
di_
razada;
:aib.le
l-
rccjOn,
gnifica
uestra
debe
)nces
s del
s es-
rnto
ible
;:.:--._:-:
Sec. 2.3 Solucin grfica
de PL
ABCDEF consiste en un nmero infinito de puntos, necesitamos un procedimiento que identi-
fique la solucin ptima.
La determinacin de la solucin ptima requiere la identificacin de la direccin en la cual
incrementa la funcin de la utilidad z =
5xt * 4x, (recuerde que esramos maximizando
z).Lo
podemos hacer asignndole a z los valores arbitrariamente crecientes de 10 y 15, que seran
equivalentes a trazar las lneas 5x,
-l
4x,
=
10 y 5xr * 4x,
= 15. La f,eura l-1 superpone estas dos
lneas en el espacio de solucin del modelo. De esta manera, ia utidad
--
se incrementa en la di-
reccin que se muestra en la figura, hasta que lleguemos al punto en el :::a--io de solucin ms
all del cual cualquier incremento adicional nos dejar fuera de los lmites = ,1BCDEF. Dicho
punto es el ptimo.
En trminos de la figura 2-2, el punto C da la solucin ptima. De mac;:" : ;;
-s
ralores
de xt y xt se determinan resolviendo las ecuaciones asociadas con las lneas I i r
-,
1 :
=s
:=::.
6x1
-l
4x,
:
lA,
x, t Lrr: 6
Lasolucinproduce xr=3y xr= 1.5, con z=5 x3 + 4 x1.5=2I.Esto quiere decir :. -. -=--
cla ptima diaria del producto de 3 toneladas de pintura para exteriores y 1.5 tonela,j,s :. :::-
tura para interiores producir una utilidad diaria de 21 000 dlares.
No es accidental que la solucin ptima est asociada con un punto de esquina del =,::":
de solucin en donde se intersecan dos lneas. De hecho, si cambiamos la pendiente de
.
-=-
cin de utilidad e (cambiando sus coeficientes), descubriremos que la solucin ptima si=-:r=
est identificada por uno de estos puntos de esquina. Esta observacin es la idea clave p-:' :-
desarrollo del algoritmo smplex general, que presentaremos en el captulo 3.
Serie de problemas 2.3a
1. Considere las siguientes restricciones:
(a)
-3x,
i xr'< 7. (b) r
-
2xr>- 5.
(d) xr
-
x2=0. (e)
-xr
* xr>0.
(c) 2x,
-
3x,
=
8.
Determine el espacio factible para cada restriccin individual, dado que x1,x2 2 {'!.
2. Identifique la direccin del incremento en z en cada uno de los siguientes casos:
(a) Maximicez:xr-xz. (b) Maximice z
:
-5x, -
6xr.
(c) Maximic? Z
:
-xt
* 2xr. (d) Maximice z
:
-3x,
* xr.
3. Determine el espacio de solucin y la solucin ptima del modelo de Reddy l'Iitk
para cada uno de los siguientes cambios independientes:
(a) La demanda mxima diaria de pintura para exteriores es de 2.5 toneladas.
(b) La demanda diaria de pintura para interiores es por 1o menos de 2 tonelad-.
(c) La demanda diaria de pintura para interiores es exactamente de 1 toneiada r-
que la de pintura para exteriores.
(d)
La disponibilidad diaria de materia prima, ML, es de por lo menos 24 tor=,.;s.
(e) La disponibilidad diaria de materia prima, M1-, es de24 toneladas comc
r-"*-:--,;,
y la demanda diaria de pintura para interiores excede a la de pintura :-: ;r:=-
'
riores en por lo menos L tonelada.
Para el modelo (original) de Reddy Mikks, identifique el (los) punto(s) de esquina que
determina(n) la solucin ptima para cada una de las siguientes funciones del objetivo:
(a)
z:3xrtxr.
(b)e:xrr3xr.
(c)
z
:
6xt
-t
4xr.
En
qu difiere la solucin en (c) de las correspondientes en (a) y (b)?
Jack es un estudiante emprendedor de primer ao en la universidad ulern. Com-
prende que "slo el trabajo v nada de diversin hacen de Jack un muchacho abu-
rrido". Como resultado. Jack quiere distribuir su tiempo disponible, de alrededor de
10 horas al da, entre el trabajo v la diversin. Calcula que el
juego
es dos veces ms
divertido que el trabajo.Timbin quiere estudiar por lo menos tanto como
juega.
Sin
embargo, Jack comprende que si quiere terminar todas sus tareas universitarias, no
puede jugar
ms de cuatro horas al da.
Cmo
debe distribuir Jack su tiempo para
maximizar su satisfaccin tanto en el trabajo como en el
juego?
2.3.2 Solucin de un modelo de minimizackn
Ejemplo 2.3-2 (PROBLEMA DE Il\ DIE-[A,I
Ozark Farms utiliza diariamente por 1o mens flX) libras de alimento especial. El alimento espe-
cial es una mezcla d,e maz y semilln de soya- con las siguientes composiciones:
Libra por h-bra de alimg16 para ganado
Alimento para ganado Protenas Fibra Costo (/libra)
Maz
-(}9
Semilla de soya .60
Los requerimientos dietticos diarim del alimento especial estipulan por lo menos un 307o
de protenas y cuando mucho un 5% de fibra. Ozark Farms desea determinar el costo mnimo
diario de la mezcla de alimento.
Debido a que la mezcla ds limento consiste de maz y semilla de soya, las variables de
decisin del modelo se definen como
rr
=
libras de matz en la mezcla diaia
z
=
libras de semilla de soya en la mezcla diaria
La funcin objetivo trata de minimizar el costo diario total (en dlares) de la mezcla de ali-
mento y se expresa como
minimice z=.3xr+.9x2
Las restricciones del modelo deben reflejar la cantidad diaria necesaria y los requerimientos
dietticos. Debido a que Ozark Farms necesita 800 libras de alimento al da, la restriccin aso-
ciada se puede expresar como
xr*xr>800
18
*23
3
I-a restri
tenas
i
ddadd
tato
il
De
mal
Las
re
izquie
${etr
I
, t-..f--d
4.
5.
Ret
.2
.06
i
.
I
I
i
l
.30
.90
t
h
rgrarnacn
lneal
')"::#f:#:,y:
Sec. 2.3 Solucin grfica de PL
La restriccin del requerimiento diettico de protenas se desarrolla despus. La cantidad de pro-
tenas incluida en x, libras de matz y x, libras de semilla de sova es (.09x, + .6xr) libras. Esta can-
tidad debe ser igual por lo menos a30"/" delamezcla total de alimento
(x1+
xr) libras, lo que por
tanto nos da
.09x, + .6xr>.3(xr* xr)
De manera similar, la restriccin de fibras se construye como
.02x, + .06xr'< .05(x, + xr)
Las restricciones anteriores se simplifican agrupando todos los coeficientes de ,r. r'-- en e1 lado
izquierdo de cada desigualdad. De manera que el modelo completo se conrier: i
minimice z =.3xt+
.9xz
sujeta a
r. * r.>800 .-|'-2-
.21xr-.30xr= 0
.03x,
-
.}lxr> 0
xyx2
>
0
La figura 2-3 proporciona la solucin grfica del modelo.A diferencia de las del mod:r, ;;
Reddy Mikks (ejemplo2.3-1,),dos de las restricciones atraviesan el origen. Parafrazar cad"
-:
t?
J
Ulen.
Com_
uchacho
abu_
'alrededor
de
os
veces
ms
mo juega.
Sin
ersitarias,
no
trempo
para
-
rento
espe_
un
30"/o
mnimo
b.les
de
le
a.li-
ntos
t50-
ptimo: x1= 470.61b
xz
=
329.4|b
z = $437.64
L
Cap.2 lntroduccin a la programacin
lineal
Sec.2.3
Solucin
grf
de las lneas rectas asociadas, necesitamos un punto adicionai, que se obtiene asignndole a una
de las variables un valor y despus resolviendo la otra variable.
por
ejemplo, x, = 200 dara
.:1 x 200
-.3xr:0,oxr:
l40.Estosigniflcaquelalnearecta.2lxr--.3xr=
0atraviesa(0,0)
]'(100.
140). Observe tambin que la direccin de factibilidad para las ds restricciones'qu
atraviesan el origen se pueden determinar utilizando un punto de referencia que no sea (0, 0.; por
ejempio, es posible utllizar ya sea (100,0) o (0. 100) como un punto de referencia patu tu r"guttAu
r' 1a tercera restricciones.
Debido a que este modelo busca la minimizacin de la funcin del objetivo, necesitamos
reducir el valor de tanto como sea posible en 1a direccin que muestra la flcha en la figura 2-
3. La solucin ptima es la interseccin de las dos lneas -r. ' xt = 800 y .2Ix,
-
.3x, = 0, que da
\:
470.59 libras y xz = 329.41 libras. El costo mnimo asociado de la mezcla de alimento es
z
:
.3 x 470.59 + .9 x 329.42:
$437.65 porda.
Serie de problemas 2.3b
1. Identifique la direccin de la disminucin en
--
en cada uno de los siguientes casos:
(a) Minimice z
:
4x,
-
2*r. (b) iv{inimice :
:
-3x,
* xr.
(c) Minimice
Z:
-xt-2*r.
2. Pata el modelo de la dieta, supongamos que la disponibilidad diaria de maz se limita
a 450 libras. Identifique el nuevo espacio de solucin y determine la nueva solucin
ptima.
3. Para el modelo de la dieta,
qu
tipo de solucin ptima dara el modelo si la mez-
cla de alimento no excediera de 800 libras al da?
Tiene
sentido esta solucin?
4. John debe trabajar por lo menos 20 horas a 1a semana para complementar su in-
greso mientras asiste a la escuela.Tiene la,rportunidad de trabajarin dos tiendas al
detalle: en la tienda 1 John puede trabajar eutre 5 y 1,2 horas a la semana, y en la
tienda 2 le permiten trabajar entre 6 r' 1{J horas. Ambas tiendas pagan el mismo
salario por hora. De manera que John quiere L'asar su decisin u.itu de cuntas
horas debe trabajar en cada tienda en un criterio diferente: el factor del estrs en el
trabajo. Basndose en entrevistas con los empleados actuales, John calcula que, en
unaescaladelal0,losfactoresdelestrssondeSv6enlastiendasly2,respecti-
vamente. Debido a que el estrs aumenta por hora. l supone que el estrs ttal al
final de la semana es proporcional al nmero de horas que tiabaja en la tienda.
Cuntas
horas debe trabajar en cada tienda?
2.3.3 Variables de holgura, de supervit y no restringidas
:
-
.:
-::
'-ulelos
de Reddy Mikks y de la dieta. hemos lilizado restricciones tanto de < como
:
=
l:*.tl hemos resuelto ambos ejemplos bajo la hrptesis de que todas las variables
1':t
-1-
--::.---
's-
Esta seccin deflne dos vaiables especiales. ia de holgura y la de supert,
;-JE
---
- --: -
- -:
.r relacin con las restricciones <
]'
>.Tambin
int;du; el conc'epto de
la vri*e rrn restringida,
cuyo valor puede ser positi..o. cero o negativo
I&r'q'dd
holgura' Para las restricciones del tipo (-).ei lado derecho por lo
comn rsEr-::: '
-'-ite sobre la disponibitidad de un t.utio
1,el
lado izquierdo r"pr"-
senta
el emPleo
que hac
modelo.
De manera
que
del recurso
excede
al er
iestriccin
6x,
* 4x'
=
ReddY
Mikks'
es eqrrr\
;ie;i".la
variable
de h
irateria Prima'
M1'
Variable
d'e suPei
0uerimientos
mnimo-i
-initno
del
lado
izqui<
dieta,
la restriccin
qu'
es matemticamente
c
oositivo
de S,signthca
requerimiento
mntmt
Variable
no rest
la naturaleza
de las
va
cuales
una
vadable Pl
aPlicacin'
EiemPlo
2'3-3'
McBurger'
et re'
de libra Y
hambr
en tanto
la han:
bras
de carne' 9'
el costo
de la e:
utilidades
de \f
v
de 15 centavc
Ln un da dadt''
Veamos
burguesas
de i
la carne
dePel
dena
carne
aCi
se convierte
et
cul Produce
:
gura
(Primer
'
es reemPlazat
El hecho
de c
holgura
com'
DesPu
menos
cualc-
de bras
a
uo suPelr-ll
5.
L
nacin
lineal
rndole
a una
:
200
dara
tlaviesa
(0,0)
rcctones
qu
'ea
(0,
0); por
a Ia segunda
necesitamos
r la
frgura
2-
= 0, que
da
rlimento
es
-
]S
CASOS:
se limita
;olucin
la
mez-
5n?
: su
in_
ndas
al
renla
nismo
rntas
;enel
le,
en
recti-
tal
al
:nda.
N
senta el empleo que hacen de ese recurso limitado las diferentes acti
modelo. De manera que una holgura representa la cantidad en ia cual
del recurso excede al empleo que le dan las actividades. Por ejemplc
restriccin 6x, * 4x, < 24 asociada con el empleo de la materia pnm:
Reddy Mikks, es equivalente a 6x, I 4x,
-l
s1
:24,
siempre
!
cu&ir,tr-
guiente,
la variable de holgura st (
:
24
-
6*,.
*
4rr) representa la cani.-
materia prima, M1..
\d"
Vqriable de superwit, Las restricciones del tipo (
>
)
por lo comn ;.:;:::-::: :;-
querimientos mnimos de especificaciones. En este caso, un supervit repre:<-::. .-
=l:;s;
mnimo del lado izquierdo, sobre el requerimiento mnimo. Por ejemplo. en ei :-' ,:,.;:-
-
:.
=
dieta, la restriccin que representa los requerimientos mnimos del alimento.-r-
-
r:
- -r-.
esmatemticamenteequivalente axI + xz- St:800,siempreycuandoSi
=,1"1'--
,;
-
positivo de S, significa que se producir una cantidad excedente de alimento (por ;r;-
'
:..
requerimiento mnimo de 800 libras).
Variable no restringida. Tanto en el modelo de Reddy Mikks como en el de l ;-=:=
lanaturaleza de las variables requiere que asuman valores no negativos. Hay situaciones -: ,1:
cuales una variable puede asumir cualquier valor real. El siguiente ejemplo ilustra una pr--r::;
aplicacin.
Ejemplo 2.3-3.
McBurger, el restaurante de alimentos de preparacin rpida, vende hamburguesas de un cua::,-
de libra y hamburguesas con queso. La de un cuarto de libra utiliza un cuarto de libra de carn=.
en tanto la hamburguesa con queso slo utiliza .2 libras. El restaurante empieza el da con 200 t-
bras de carne, pero puede ordenar ms a un costo adicional de 25 centavos por libra, para cubr;:
el costo de la entrega. Cualquier sobrante de carne al final del da se dona a HotSoup Charity. La.
utilidades de McBurger son de 20 centavos de dlar por una hamburguesa de un cuarto de liba
y de 15 centavos por una con queso. En general, McBurger no espera vender ms de 900 piezas
en un da dado.
Cuntas
hamburguesas de cada tipo debe preparr McBurger?
Veamos primero las restricciones. Si dejamos que .x1 y 12 representen el nmero de ham-
burguesas de un cuarto de libra y de hamburguesas con queso que se preparan, el empleo de
la carne depender de si McBurger se mantiene dentro del lmite inicial de 200 libras, o de si or-
dena carne adicional. En el primer caso, la restriccin es .25x, + .2x2
<
200, y en el segundo caso
se convierte en .25x1 * .2x,
>
200.La seleccin especfica entre las dos restricciones depende de
cul produce un ptimo mejor. En efecto, no sabemos si la restriccin debe operar con una hol-
gura (primer caso) o con un supervit (segundo caso). Una forma lgica de explicar la situacro:
es reemplazar las dos restricciones con
.25xr+ .2xr+
\=200,h
no restringida
El hecho de que x, sea no restringida permite que la variable desempee los papeles tanto i
--.
holgura como de un supervit, segn se desee.
Despus consideramos la funcin objetivo. McBurger trata de maximizar 1a utiiid:; : -.-
menos. cualquier costo adicional en el que pueda incurrir como resultado de ordenar u.: --::::
de libras adicionales de carne. Se incurre en el costo adicional slo si;r, desempea ;,:.:r- :-'
un supervit, es decir, si x.
(
0.
B
\
)mo
ries
vit,
de
lo
e-
macin
lineal
'nndole a una
c.
:200
dara
atraviesa
(0,0)
tricciones
que
r sea (0,0); por
rra la segunda
. necesitamos
en Ia figura 2-
r.
= 0, que da
: alimento
es
ntes casos:
z se limita
va
solucin
r si la mez-
lucin?
ntar su in-
; tiendas
al
na. y en la
el mismo
le cuntas
strs en el
Lla que,
en
l. respecti-
s total al
Ia tienda.
i
=
como
variables
upervit,
Lcepto
de
o por
lo
lo repre-
senta el empleo que hacen de ese recurso limitado las diferentes actividades (variables) del
modelo. De manera que una holgura representa la cantidad en la cual la cantidad disponib'le
dei recurso excede al empleo que le dan las actividades. Por ejemplo, matemticamente. la
restriccin 6x.
-f
4x, < 24 asociada con el empleo de la materia prima MI, en el modelo de
Reddy Mikks, es equivalenfe a 6x, * 4x,
-l
sy: 24, siempre y cuando sr > 0.Por consi-
suiente, la variable de holgura s, (
:
24
-
6*,
-
4rr) representa la cantidad no utilizada de
materia prima, M7.
Variable de supervit. Las restricciones del tipo (
>
)
por lo comn determinan re-
querimientos mnimos de especificaciones. En este caso, un supervt representa el exceso
mnimo del lado izquierdo, sobre el requerimiento mnimo. Por ejemplo, en el modelo de la
dieta, la restriccin que representa los requerimientos mnimos del alimento, xt * x, > 800,
es matemticamente equivalente a xr + xz
-
St: 800, siempre y cuando S, > 0. Un valor
positivo de S, significa que se producir una cantidad excedente de alimento (por encima del
requerimiento mnimo de 800 libras).
Variable no restingida. Tanto en el modelo de Reddy Mikks como en el de la dieta,
lanattralezade las variables requiere que asuman valores no negativos. Hay situaciones en las
cuales una variable puede asumir cualquier valor real. El siguiente ejemplo ilustra una posible
aplicacin.
Ejemplo 2.3-3.
McBurger, el restaurante de alimentos de preparacin rpida, vende hamburguesas de un cuarto
de libra y hamburguesas con queso. La de un cuarto de libra utiliza un cuarto de libra de carne,
en tanto la hamburguesa con queso slo utiliza .2 libras. El restaurante empieza el da con 200 li-
bras de carne, pero puede ordenar ms a un costo adicional de 25 centavos por libra, para cubrir
el costo de la entrega. Cualquier sobrante de carne al finai del da se dona a HotSoup Charity. Las
utilidades de McBurger son de 20 centavos de dlar por una hamburguesa de un cuarto de libra
y de 15 centavos por una con queso. En general, McBurger no espera vender ms de 900 piezas
en un da dado.
Cuntas
hamburguesas de cada fipo debe preparar McBurger?
Veamos primero las restricciones. Si dejamos que .r1 y x, representen el nmero de ham-
burguesas de un cuarto de libra y de hamburguesas con queso que se preparan, el empleo de
la carne depender de si McBurger se mantiene dentro del lmite inicial de 200 libras, o de si o-
dena carne adicional. En el primer caso, la restriccin es .25x, * .2x,
=
200, y en el segundo caso
se convierte en .25x, * .2x, > 2}}.Laseleccin especfica entre las dos restricciones depende de
cul produce un ptimo mejor. E,n efecto, no sabemos si la restriccin debe operar con una hoi-
gura (primer caso) o con un supervit (segundo caso). Una forma 1gica de explicar la situacir
es reemplazar las dos restricciones con
.25x, + .2x, + x,
=
200, xt no restringida
El hecho de que x, sea no restringida permite que la variable desempee los papeles tanto C:
-:.
holgura como de un supervit, segn se desee.
Despus consideramos la funcin objetivo. McBurger trata de maximizar 1a uti";': : -'-'
menos cualquier costo adicional en el que pueda incurrir como resultado de ordenar ;::
-
-::
-i
de libras adicionales de carne. Se incurre en el costo adicional slo si x, desemp::-=
=
:-:': :r-
un supervit, es decir, si:r, < 0.
21
2.
Cap.2
lntroduccin
a la programacin
lill
Matemticamenl
una. sustirucir
";;;;"'
es dificil
trabajar
una r;111ute
no resrringida. por
esra razn,utiriza
d."ir
d.;.';;'"'"""ot
que con'ierte
la'ariable
no."rt.ingida
"i'l,
"r.r"les
no negatira
_.
= ,r-J
- -r.. donde.r,
..r..i >
0
l:i:
0
i_* = 0..
desempean
etpap,eide
r
,T,'"T::'
A
ff ; .:';."1
#j1 E :i:iF:
::
ru i :j',lT.";
;'" :ilT:ti"
r' {
;' 0
v
x,
=
t*iu"
r."p'r?0.:H:#::;alores
po:riros
:a:a
.;
-'
';
r*";;;#fi::;Tfili::flT
'la funcin
objetir-o
se e
'2-'t'
- ''rt
- 'r'
- 'r: = 200
rxpesa
dechme:.
:n
Serie
de problemas
Z.3c
1. En el modelo
de Reddy
Mikks.
con_si,lerar,a
:olucin
factible
, .
tonerada'
Derermine.r
uuro.
a.--...--rr-.
asociadas
or;;
i;;'rl:,,':,liilr;?i
2. En_e^l
modelo
de la dieta,
determie
la ;i
en 500liuras
e }, y 60
;;:
;#::'rexcedente
de arimenro
que
consisrt
3. Dos productos
se fabrican
.o ,o
;;;
i:'e:{ttll';t:::::"*'?-+-::Tij-!;i.'i,:'"1tri:ff
ilff
:
u'*r"i.
""""
#;:111';ffi
h1;-HS1''
"'
po,
oiu.
en'u-n-
iia cuarquiera,
er ia,
::l:l:dy.,,"
2. Se
f
ueden
emptear
oo.u_.
=-f
t*ucto
I. pero
no ms de 45 unidades
adicional
de .50 de dlar
por
;l*r;.
'c' -
rlr
ara
satisfacer
Ia demandr;;;;;;;
t"'
;:fTji,,::'oJ;:xi,*:i?::,:HilT*,
de ,os producros
, y 2 son
de 6 00 y
deJabricacin
pru
cada producro.
ar: .
';-
rodelo
y determin
.l
"i""i;;;;
_
necesariu,
"n "^l
centro.
:'rno
cualesquier
nmero
. t orur'.-rtrl
ftl Si el costo
por.rninuto
ae horas
e.rrra
>.
debe
utiliza
horas
extra?
--
incrernenta
a 1.50
dlares,
la
compaa
Str. 2.4
Anlisis
graficc
--::ta,Jo.
s proporciona
u
-:sibi[dad.
En el caPtuic
'-l'ridad.
2,4.1
Cambios
en los c
l runcin
objetivo
gener
II
l-os cambios
en los coefi
PL en la seccin
2'3'w
ltima
a tn
Punto
de e
sfiia
de variacin
tanto
-,
informacin
que trati
-
anera ms esPecf,ca'
n
:
re conservar
inalter
.lemPlo
ilustra
la forma
rfico.
EjemPlo
2.zt-1.
APlicamos
el
Proctd
En la figura
2--l' la st
mos la funcin
oL'je
cuando
el decr'e
c'
saber, 6x,
a'1'
=
11
gebraicamente
esta
o
En ia
Primet
De una manera
si
Como se ve en la
intersecan
en C)' l
vertical. Como
rei
(Para los casos en
dividirse
en dos c
ilurlrusi6gs.
r-a:
Lo que ct
sigualdades
dada
^,'oqi
-:a-t
-
ternativa
en cuaic
h]
-
ll-
- --.!
2.4
A'\LTUSIS
GR/FICO
DE SENSIBITIDAD
L.rn
modelo
O.I!
:r,ull
instantnea
de una situcin
eal
i:J.n""fi15x,,::1".::u;1ffi
ff
:,HillXtrl,''::1:"'"cuauosparmetrosdermo-
.Hli:*1:.i{.i1;rnl",;:l;;:i:"i:r,.#:"ffi
H",'".3#;tj*F:iTi;;i
consideran."*i""il,i::Jll1;:i'*,'"","::r.t*.",r.:S^.*-ll:,."i*,^*i,]0.,
de
pL
Se lado
derecho
de las t.tr."i#r.""un
.uunoo
ia presenracr'-:oi:"y"
v
(2) l;;;;bios
en er
on es elemental
y de un alcance
3*l i
Anlisis grfico de sensibilidad
r-:.ic,. s proporciona una perspectiva fundamental hacia la importancia del anlisis de
or--::ad. En el captulo 4 se presenta en todos sus detalles el problema del aniisis de sen-
_-.
-:- i
"
-
-1d.
2 4.I Cambios en los coeficientes de la funcin objetivo
* -.ncin
objetivo general en un problema de PL de dos variables se puede e:c::':i: coro
maximice o minimice z =
crxT + c2x2
,rs cambios en los coeficientes
%y
czcambiarn el declive de e. En la solucin sal;' l=
PL en la seccin 2.3,un cambio en el declive de z
puede conducir a cambiar la s.''-:;:-
rrrima a vn punto de esquina diferente del espacio de solucin. Sin embargo. ha-r ::"
ana
de variacin tanto para c1 como paf a czque conservarinaltetada la ptima' Esi' ;-'
-.
informacin que tratamos de encontrar por medio del anlisis de sensibilidad' De ul.
-anera
ms especfica, nos interesa determinar la gama de optimalidadpatalatazn., lc
'
--ue
conservar inalterada la solucin ptima de un modelo determinado. El siguient;
=-iemplo
ilustra la forma en la cual se puede llegar al resultado deseado utilizando el anlis-,'
gf,co.
Ejemplo 2.4-1.
Aplicamos el procedimiento del anlisis de sensibilidad al modelo de Reddy Mikks (ejemplo 2.2-1).
En la-figura 2-4, la solucin ptima en C proporciona el valor mximo de z =
5xt + 4xr. Si cambia-
mos la funcin objetivo a z =
c1x7 + c2x2, efltonces Ia solucin C seguir siendo ptima siempre y
cuando el declive de z se encuentre entre los declives de las dos lneas que se intersecan en C, a
saber,6x, +4xr=24(maferiaprimaMl)yx1+2xr=6(materiapimaM2).Podemosexpresaral-
gebraicamente esta relacin como
!=z=?,
cr*o
6- ct- 1
6
4
En la primera condicin, c, * 0 significa que la funcin objetivo no puede ser horizontal.
De una manera similar, en la segunda condicin, c, * 0 significa qe z no puede ser vertical'
Como se ve en la flgura 2-4, el rango ptimo en este modelo (definido por ias dos lneas que se
intersecan en C), no permite que la funcin objetivo Z
:
ctxt + c2x2sea una lnea horizontal o
vertical. Como resultado, cualquiera de ias dos condiciones dadas es aplicable en este ejemplo.
(Para los casos en los cuales tanto c1 como czasumen valores de cero, la gama para ! o
1
d.b.
dividirse en dos conjuntos en los cuales no se permite que los denominadores sean cer. Paa
ilustraciones.vase el problema 2.4a-1.)
^ ^
Lo que dicen las condiciones pu.u
.r!
y j .. qu" los valores de cry crque satisfacen las ds-
sigualdades dadas conservarn automticamnte inalterada la solucin ptima en C'
.Obse:-' =
que si z
:
c{r + crxrllega a coincidir con f1 + 2xr: 6,entonces puede ocurrir la pt5r"
''-
tirnativa en culquier punto en el segmento de la lnea CD.De una manera similar, si coinr:; :':l
6x, * 4x,
:
24,enfonces todos los puntos en el segmento de la lnea BC proporcionan :i-=
'; '
-
73
3ramacin
lnr
.:.2n.
utilizan
:s o negativas
'r:>0yx;=
=posible
quer
:,
ianto,
Ia ro
-_
:ladas
yr,
=
1
t prima
M1
1-
que
consiste
produccin
e, El tiempo
iuiera,
el fa_
1-<
unidades
1 a un costo
n de
6.00 y
rel
ptimo
tlras
extra
;L-rinpaa
s
jel
mo-
lurai
que
n ptima
ie PL.
Se
los en
el
alcance
1-9t
L L2
24 Cap. 2 lntroduccin a la program #"2'4
Punto
ptimo actual
Figura 2-4
ternativas. \o obstante, esta observacin no cambia el hecho de que C sigue siendo p
ambos cascs.
Podemos ;nplear las condiciones dadas para determinar el rango ptimo para uno de I
ficientes. sulLrniendo que el otro coeficiente permanezca igual que el dado originalmente
5.r,, +
.l-r-.
Por consiguiente. si c, sigue siendo igual a 4, el rango ptimo asociado para c
termina de la condicin
l=l=!
substituyendo cz= 4, que da 4x]
=ct=4
2
=
cI
=
6. De manera similal, si especificamos c,
=
5, la condicin
{
-Z - Z
<cr<10.
Serie de prbfemas 2.4a
1. Determine
,srficamente
el rango ptimo,
|,purulos
siguientes problemas. Ob
Ios casos especiales donde ct o c2pueden asumir un valor de cero.
(a) Maximice: 2' .
-
3,r,
sujeta a
iv -]_ 7v-<5
'"t "")
-
"
r
-f,*
xrS0
Xl,XZ=0
Anlisis
gr{ico
de
sensibilit
=
4x,
* 3x2
(b) Maximice
z
suieta
a
3.xt
_t
(c) Maximice
z
suieta
a
:
,r*
x2
2.
En
el
Proo:1::,1";*ii.
*,
?,.J::['il,'i,^
o.
,
rul
ii
"1
to'to.Pot
libra
c
"'
io;u
ut'*ii:J;';/;;
(c) Si
el'?"l,Llln,o
.
libra
de
ahrne
ttg;lti^
siendo
Ptu
'*"fs;'f;";.i:';
li^,r:*lt:tu,:l'J
lata,
mientras
qu
;;;l;;'
En Promedio'
tJdt;'o.,"cuandoAi
'
i"
t
la marca
B&K
tl* u"ntut
de
la
rnarca
;'";;;'
si"
embargo'I
l'"\"i"u,.,t"s.1atas
d'
'-'
iu'u
rnaximizar
s
rb)
betermine
la ra:
t"'
tlt"'udu
la
soluc
4' Baba
Furniture
Con
"
;l^;
rnesas ir
sillas'
s
l"'umutut
una
silla'
#;mesa'Las
utili
Puna
oPera
un
tun
ia)
Determlne
gra
(b) Determine
ei
terada
1a
Pttr
- *---'-z:a
#
Sec.
2.4
Figura 2-4
ternatias.No obstante,esta obsen:: :
-
-:--
: :
---l
-:
.'i'
-r'
:-'
-:::moen
ambos casos.
Podemos emplear las condiciones da::-: ::.:'-ji :
-
:i r'iln r *"; *ri
-: 'lS Cog-
flcientes,suponiendoqueelotrocoefrciel-;:'::::-:::-::
'-:-
--::
i--
"!il:rin:l:311
z=
5x,-4,t..Porconsiguiente.sict-siq.uesi::: a-, --:
----
: -
---"'
>c.de-
termina de 1a condicin
] =l =9
su'rs:t:-1'::--', =
-
;-: *-
*
-' - :'
o
2<crs 6. De manera simill, si esDe:'=:'-:: - = '
r --:-l- I
'
r
- -
:.:= T
=c"<10.
1. Derermine srficamente
el ranso ptimc. .::::
,:'> :asos especiales dolde . r t- ueden as:*--
rar \farimice:
:
lr:'
- -:'l:
:-
-i?
a
.:
,
-
^,.-
- -i
leal
Sec.2.4
Anlisis grfico
de sensibilidad
Maximicez=4xr*3x,
sujeta a
25
(b)
C7
3x,*5xr<5
xI- xz=0
xb xz< 0
(c)Maximicez:xr*x,
sujeta a
-xt
I xz= 0
3x,-xr<3
xb x2> 0
2, En el problema
de la dieta del ejemplo 2.3_2,
(a) Determine
la gama de.optimalid-ad
para la razndel
costo por libra de maz con
el costo por libra de alimento de semilla de sova.
(b) Si el costo por libra de maz se incremen
ta 20A y el del alimento de semilla de
soya disminuye 5,'/",
la
solucin actual seguira siendo Ofiimaf
(c)
si el costo por libra de maz se mantiene fij a 30 centavos'de
dlar y el costo por
libra de alimento de semilla de soya aumenta a 1.10 dlares,
la
solucin actual
seguira siendo ptima?
3' La tienda de comestibles
B&K vende dos tipos de bebidas no alcohlicas:
la marca de
sabor de-cola A1 y lamarca propia de la tienda, B&K de colas, ms econmica.
El
margen de utilidad en la bebida de cola ,{1 es de alrededor
de lcentavos
de dlar por
lata, mientras que la de bebida de cola B&K suma unu gu;"ia
ur.rtu de 7 centavos
por lata' En promedio,
la tienda no vende ms de 500 laLs de ambas bebidas de cola
al da' Aun cuando 41 es una marca ms conocida, los clientes tienden a comprar ms
latas de la marca B&K, porque
es considerablemente
ms econmica.
Se calcula que
las ventas de la marca R&Ilsuperan
a las de la marca 41 en u rarnde 2:1, por lo
T:"ol.Sin
embargo, B&K vende, como mnimo, 100latas
de ,A1 al da.
(a)
cuntas
latas de cada marca debe tener en existencia
la tienda diariamente
para maximizar
su utilidad?
(b)
Determineraraz.n
de las utilidades por lata de A1 y B&K que mantendr in_
lterada la solucin en (a).
4. Baba Furniture
company emplea a cuatro cbrpinteros
durante 10 das para ensam_
blar mesas y sillas. Se requieren 2 horas para ensambrar
una mesa y 30 minutos para
ensamblar
una silla' Por lo comn, los clientes compran entre cuatro y seis sillas con
cada mesa. Las utilidades son de 135 dlares por mesa y 50 dlares por silla. La com_
paa
opera un turno de
g
horas al da.
L J
(a)
Determine grficamente
la mezcrade produccin
ptima de los 10 das.
(b)
Determine
el rango de ra razn de utiaae, p".;;il;;]iu"
,,'unt.ndr
-ra_l-
terada la ptima.(a).
26
lineal
Sd
(c) Si las utilidades actuales por cada mesa y silla se reducen 10%, utilice la respuesta
en (b) para mostlar la forma en la cual este cambio afecta la solucin ptima ob-
tenida en (a).
(d)
Si las utilidades actuales por cada mesa y silla cambian a 720 y 25 dlares, utilice
el resultado de sensibilidad en (b) para determinar si cambiar o no la solucin
en (a).
5. El Bank of Elkins est asignando un mximo de 200 000 dlares para prstamos per-
sonales y de automviles durante el prximo mes. El banco cobri l4o/o- por prstamos
personales y 12% por prstamos para automviles. Ambos tipos de prestamos
se
liquidan al final de un periodo de un ao. La experiencia muestra que lrededor del
3o/o de los prstamos personales y del2% de los prstamos para automr,iles nunca
se liquidan. Por lo comn, el banco asigna cuando menos
"f
dobt" de los prstamos
personales a los prstamos para automviles.
(a) Determine la asignacin ptima de fondos para los dos tipos de prstamos y la
tasa neta de utilidad que obtendr el banco de todos los pistamos.
(b) Determine el rango de optimalidad para \a raz6n de las tsas de inters de prs
tamos personales y para automvil que mantendr inalterada la solucin
""
1u.
(c) Supongamos que el porcentaje de prstamos personales y paraautomvil
no li-
quidados cambia a 4% y 37o, respectivamente,
cmo
aieitara este cambio la
solucin ptima en (a)?
6. Electra produce dos tipos de motores elctricos, cada uno en una lnea de ensamble
separada. Las respectivas capacidades diarias de las dos lneas son de 600 y 750 mo-
tores' El motor tipo 1 emplea 10 unidades de cierto componente electrnico y el
motor tipo 2 slo utiltza 8 unidades, El proveedor
del componente puede proior-
cionar 8 000 piezas al da. Las utilidades por motor para los tipos 1 y 2 ,on ae oo y +o
dlares, respectivamente.
(a) Determine la mezcla ptima paralaproduccin
diaria.
(b) Determine el rango de optimalidad de la razn d,e utilidades por unidad que
mantendr inalterada la solucin en (a).
7. Popeye Canning tiene un contrato para recibir 60 000 libras de tomates maduros a 7
centavos de dlar por libra, con los cuales produce jugo
de tomate enlatado, as
como pasta de tomate' Los productos enlatados se
"mpaJun
en cajas d,e 24lafas.IJna
lat de
jugo
requiere una libra de tomates frescos y una lata de psta toto requlere
l
de libra. La participacin
de mercado de la compa se limita u Z OOO caas ae jug
y 6 000 cajas de pasta. Los precios de mayoreo por caja de jugo y de pasta son de"ry
9 dlares, respectivamente.
(a)
Desarrolle un programa de produccin
ptima para
popeye.
(b)
Determine la razn del precio por caja ae
ugo
con el prcio por caja de pasta
que permitir que
popeye
produzca ms cajas de
jugo
que de pasta.
"
8' Dan's Furniture
Company ensambla dos tipos de gabinetes
de cocina de madera
:r;ortada: regulares y de lujo. Los gabinetes regulres estn pintados de blanco y
l*: ,je ;ujo estn barnizados. Thnto la pintura como el barnizado se llevan a cabo
cn ul
'Jepanamento.
La capacidad diaria del departamento
de ensamble puede
rea,
27,
Sec. 2.4 Anlisis grfico
de sensibilidad
;a
b-
producir
un mximo d"
a|l
gabinetes
regulares y 151 gabinetes
de lujo. El bar_
nizado de un gabinete
de lujo se lleva el ioUfe A",tlem
Si el departamentr
de pintura/barnizado."
"i.u,iniff*:1J'Jilllli.llllti;
lujo, terminara
181uttiades
diarias.l"
".*funiu
"ujrulu
que las utuJ".,
po,
##rde
los gabinetes
regulares y de lujo srn de 1* y 14f drares_ respecti_
(a)
Frrmule er pr*rema
crma un pr.grama
rinear y encuentre
er progrrn
de pro-
duccin
ptime prr a.
(b)
Sulcrsam's
que' dchid" a la competencia,
las utilidades pcr unidad 6lE 135 r;.i-
dades regulares y de lujt debe.reducirse
a Sf y ifi dflares, resfecivmenre
titicc el anlisis de ,"rrribilidud
para determi"u.
rifu srluciln tima en {a,
- mantiene inalterada
n.
(
2.4.2 Valor unitario de un recurso
En la mayor parte
de los modelos de lL, las restricciones
por lo comn representan
la ud-
'lizacia
de recursos limitados.
Fara dichas restricciones;
el lado derecho proporciona
el lmite
sobre la disponibilidad
del recurso. En esta seccin, estudiamos
la sensibilidad
de la solucin
ptima a los cambios en la disponibilidad
de los ,""ur.or.
Ei u*alirl, proporciona
una sola
medida' llamada valor unitario del recurso, que cuantifica
el ndice del camtio
"n "iuulo,
op-
timo en la funcin objetivo,
como resultao-de
hacer .u-uio,
"i
ra disponibilidad
de un re-
curso. El procedimiento
se ilustra en el siguiente
ejemplo.
l
Ejemplo2.L2.
En el modelo de Reddy Mikks, las dos primeras
restricciones
representan
las limitaciones
sobre
:illlt:fffil
te la materia p rima Mt
v
uz, ,"ri""tivamenre
o"r*ii"
"r
varor por unidad para
Empezamos
con la restriccin para la ma teria pr.ima Ml. Lafrgura2.Smuestra
que la ptima
actual ocurre en el punto
c
que es l interseccin
d hs neas
"ro"iJun
Ia materia prima
Mt y M2' ctando cambia la disponibilid
ad de Ml, (aumenta
o disminuye
alrededor
del nivel actual de
24 toneladas), el punto
de solucin
ptima c se "deslizar " a lolargo
del segmento
de la lnea
DG' cualquier cambio en M1 fuerade la gama de este segmento
har que el punto de interseccin
c sea infactible (recuerde
que c es la inrseccin
de las-lneas
ur*iulu,
"on
Mr y M2)por esta
razn, decimos que ros puntos.finales
D
=
(2,2) y 6
=(6,0) aerr"ui.l
,ongo de
factibitidad para
Ml'La cantidad de Mi-asociada
con D
=
(z,zj ".ur.ui"
;;;;;-iri'
= u x 2 + 4 x 2 = 20 toneladas. De manera similar, la cantidadie'M2
asociada"on
6
:(6,0)is
6 x 6 + 4 x 0
=
36 to_
neladas. Por consiguiente,
er rango de factibiliad parc MLes 20
<
'ur'
- sa.De manera equiva_
lente, si definimos Ml
= 24 + br,"naonor
o,
"s
el cambio en la materia prima
arriba o abajo
del nivel actual de 24 toneladas,
"nton.",
teneos 20
=
24 + D;
=
*;;,
_4
=
Dr= 12. Esto
significa que el nivel actual de M1 se puede
air-i.rl. hasta cuatroionJuuq
o aumentar hasta 1l
toneladas,
al mismo tiempo.que
se garantiza
que el punto
d" ,.r;";;;;;;a
se dar en la ite:-
seccin C de las lneas asociad as cln Ut v U),.
Ahora volvemos
nuestra atencin l clculo.del
valor por unidad de la materia prima _rf-
A medida que la cantida d de MI cambia dentro del rango de 20
<
M1, s 36, el valor de __ .:sc,ci-
28
Cap.2
6 'r
* !tt
9"*
i +
'
I
lntroduccin
a la programacin
lineal
4
$
il
1
Figura 2-5
Puno
.t
opilmo a.-rual
do con el punto ptimo C cambia a un ndice crs:nre. porque DG es un segmento lineal.
por
tanto, si dejamos que y1 represente el valor po:
.r.:r
e la atea pna Ml,tenemos
r.,:
Qq*Eue-'jGD.G
Camliaa11 : ljrr:t.G
Dado que D
=
(2,2)y
G
=
(6,0), enronces
zenD:5x2+4x2:
zenG:5x6-4x0:
ii,-,
=.
;- tir----
L! Ut tl c: l
3r-r
,;' - -
,ie cia:es t
De ello se sigue que
30-18 3
It
:
36
_
29:
(miles de cia;s por :oreia.ia ce 111)
El.resultado
muestra que un cambio de una tonelada en _111 el anso 20
<
MI
=
36 cambiar el
r alor ptimo de en 750 dlares.
.. .
3::o,it:::n:t_q:tulnor
la mareria prirna
-1fi. La gura 2-6 muestra que et rango de factibi-
-:i:rrrr-ulestderineadoporlospunrosfinares
gi'11,donder=(+,0)y=t3,zl-gip""t"
-: ..= :;::; por la interseccin de lasineas ED t- BC.
por
tanto.
M2 en B
=
xt + 2x.
=
4
-
2 x 0
=
_1
toneladas
M2enH:3
-
2 x:
= T
toneladas
n lineal
de sensibilidad
zen B
:
5x, * 4xr: 5 x 4+ 4 x 0
:
20(milesdedlares)
z en H: 5 x
3
+ 4 x Z:
!a lmltes
de dlares)
De eilo se sigue entonces que para 4
=
MZ
= ?,
.l
.,rulo,
po, unidad de -V2.,r -. :e ,-alcula como
lz=
1
1-it".
de dlares por ronelada de M2)
2
E
64
^
-20
J
20
;-4
1
.z
Rango de factibilidad para el mateital M2
\
<.
6
Figura 2-6
Serie de probtemas
2.4b i
-,
I
1' wild west produce
dos tipos de sombreros
estilo vaquero.
El sombrero
tipo 1 re_
quiere
el doble de tiempo de trabajo que el del tipo z. si toJo" los sombreros pro_
ducidos nicamente
son del tipo ,la compaRa puede producir
un total,{d.@ft
sombreros
al da. Los lmites diirios der mercado
son de rso y zoo su.**I*rl
tipos 1 y 2, respectivamente'
La utilidad del sombrero
tipo 1 es de
g
dllF,i
v i'iJel'
r-
sombrerotipo2esde5dlares--.-!rvvJ\|}.-.
:l iJ*"Ji:;:?:::tflinca
para
determinar
er nmero
de sombrero,
o$*a, i.:
*
(b)
Determine
el valor de incrementar
la capacidad
de produccin
. lu .|a.
:
en un sombrero
tipo 2y errango para ra cual
"r "pli;bl.;;;.,.r"r,ri#llr
--try
lineal
(c)
(d)
si el lmite de la demanda del sombrero tipo 1 disminuye a 120, determine el
efecto correspondiente en la utilidad ptima, utilizand el valor unitario del
recurso.
cul
es el incremento en el valor por unidad en la participacin
de mercado del
sombrero tipo2?
En
cunto se puede incrementar la participacin
de mercado,
al mismo tiempo que rinde el valor calculado por unidad?
2. una compaa fabrica dos productos. y B. El volumen de ventas de A es por lo
menos 80% de las ventas totales de A y B. Sin embargo, la compaa no puede
vender ms de 100 unidades de,4 por dia. Los dos prod*uctos utilizan una materia
prima, cuya disponibilidad mxima diaria se limita 240 libras al da. Las propor-
'
ciones de utilizacin de la materia prima son de 2 libras para cada unidad A a y ae
4libras para cada unidad de B. Los precios unitarios de Ay B son de 20 y 50 dlres,
respectivamente.
(a) Determine la mezcla ptima de los dos productos.
(b) Determine el valor por cambio unitario en la disponibilidad de la materia prima
y su rango de aplicabilidad.
(c) Utilice el anlisis de sensibilidad para determinar el efecto de cambiar la de-
manda mxima del producto A por
-10 unidades.
3. Una compaa que opera 10 horas al da fabrica cada uno de dos productos en tres
procesos en secuencia. La siguiente tabia resume los datos del problema:
Minutos por unidad
Producto Proceso 1 Proceso 2 Proceso 3 Utilidad por unidad
(a) Determine la mezcla ptima de los dos productos.
(b) Supongamos que se estn considerando los tres procesos para una expansin y
usted necesita determinar su prioridad. Disee una torma leica para tgtut ert
meta.
4 Show & Sell puede anunciar sus productos en la radio o la televisin locales. El pre-
supuesto para anuncios est limitado a 10 000 diares al mes. Cada minuto de anun-
cios por radio cuesta 15 dlares y cada minuto de comerciales por televisin cuesta
300 dlares. A Show & Sell le agrada utilizar los anuncios por dio por lo menos el
doble de los anuncios por televisin. Por lo pronto. no es prctico utilizar ms de 400
minutos de anuncios por radio. La experiencia pasada mestra que se calcula que los
anuncios por televisin son 25 veces ms efectivos que los de la radio.
(a)
Determine la asignacin ptima del presupuesto para 1os anuncios por radio y
te levisin,
ft) Determine
el valor por unidad de incrementar el lmite mensual en la publici-
dad por radio.
8
10
6
20
10
5
I
2
$2
$3
r fineal
rne
el
o
del
o
del
ado,
rlo
-"de
na
f,r-
de
)s,
a
de sensibilidad
31
(c)
Si el presupuesto mensual se aumenta a 15 000 dlares. utilice la def,nicin de
valor de la unidad para determinar la medida ptima resultante de la efectividad
publicitaria.
5. wyoming Electric coop. es propietaria
de una planta generadora
de enerda con
turbinas de vapor. ngb.ido-3 que wyoming es ric en defsitos de carbn. r"?"""
genera vapor con carbn. Sin embargo, esto crea el problema
de satisfacer los estn-
dares de emisin. Las regulaciones de la Environmental
protection
Agen*
{Agencia
de Proteccin Ambiental) limitan la descarga de dixido de antfreu.imo p..L pgi
milln y la descarga de humo de las chimeneas de la planta a 20libia poi noo. L"
Cooperativa recibe dos grados de carbones pulverizados,
CL y C2,paraser urilizaCo..
en la planta. Por lo comn, los dos grados se mezclan antes de quemarlos
por
srm-
plicidad, supondremos que el contaminante de azufre de la meicla (en partes p*or
milln) es un promedio- ponderado de ra proporcin
de cada grado empliado en la
mezcla. Los siguientes datos se basan en el consumo de 1 tonJada por ora de cada
uno de los dos grados de carbn.
Grado
de carbn
Descarga de azufre
en partes por milln
Descarga de humo
en libras por hora
Vapor generado
en libras por hora
CI
C2
1 800
2 r00
2.1
.9
12 000
9 000
(a) Determine la proporcin ptima paramezclar
los dos grados de carbn.
(b) Determine el efecto de relajar el lmite de la descarga*de humo 1 libra sobre la
cantidad de vapor generado por hora.
6' La Divisin de Educacin Continua en Ozark Community College ofrece un total de
30 cursos cada semestre. Los cursos que ofrece generalm-ente
so*n de dos tipos: prc-
ticos, como trabajos en madera, procesador
de palabras y mantenimiento
de auto-
mviles; y humansticos, como historia, msica y bellas artes.
para
satisfacer las
demandas de la comunidad, es necesario ofrecer pr 1o menos 10 cursos de cada tipo,
cada semestre. La Divisin calcula que los ingress por ofrecer esos cursos prcticos y
humansticos son aproximadamente
1 500 y i ooo ôtures por curso, respeciivament.
(a)
Cmo
debe asignar la escuela sus 30 cursos?
(b) Determine el ingreso si se incrementa el requerimiento mnimo de los cursos
.
prcticos con un curso ms.
(c) Determine el ingreso si se incrementa el requerimiento
mnimo de los cursos hu-
mansticos con un curso ms.
7' Burroughs Garment Company fabrica camisas para caballero y blusas para dama
para walmark Discount Stores. walmark aceptr toda la prouccin que le pro_
porcione Burroughs.
-El
proceso de produccin
incluye corte, costura y empacado"
Burroughs emplea a25 trabajadores en el departam"nto
d" crte, a 35'en ei depar-
tamento de costura y a 5 en el departament
de empacado. La fbrica trabaia
-;:
turno de 8 horas, slo 5 das a la semana. La siguient tabla proporciona los ,-.*-
rimientos de tiempo y las utilidades por unidad-para las dos
i."ndus
lineal
Minutos por unidad
Prenda Costura Empacado Utilidad por unidad($)
Camisas
Blusas
Determine el programa de produccin semanal ptima para Burroughs.
Si los requerimientos mnimos diarios de walmark son de 2 000 camisas y 3 000
blusas,
es
posible que Burroughs proporcione estas cantidades con su semana
de trabajo actual de 5 das? De. no ser as,
puede
usted sugerir alguna forma
para que Burroughs satisfaga estos requerimientos?
cul
ser el programa de
produccin ptimo en este caso?
(c) Determine el valor por hora de los procesos de corte, costura y empacado.
(d) Supongamos que se puedan trabajar horas extra en los departamentos de corte
y costura,
cul
debe ser la tarifa mxima por hora que debe pagar Burroughs
por las horas extra?
Chemlabs fabrica dos productos de hmpie za para el hogar, A y B, procesando dos
tipos de materia prima, I y IL EI procesamiento de una unidad de materia prima I
cuesta 8 dlares y produce .5 unidad de solucin A y .5 unidad de solucin B.
Adems, el procesamiento de una unidad de materia prima II cuesta 5 dlares y pro-
duce .6 unidad de solucin A y .4 unidad de solucin B. La demanda diaria de la
solucin A es entre 10 y 15 unidades v la de la solucin B es entre 12y 20 unidades.
(a) Encuentre la mezcla ptima de r'B que debe producir Chemlabs.
(b) Determine el valor por cambio de unidad en los imites de la demanda de los
productos Ay B.
Una lnea de ensamble que consta de tres estaciones consecutivas produce dos mo-
delos de radios: Hitri-1 y Hi-Fi-2. La siguiente tabla proporciona los tiempos de en-
samble para las tres estaciones de trabajo.
Minutos por unidad
Edicin de trabajo HiFi-1 HiFi-l
El mantenimiento diario de las estaciones 1,2 y 3 consume l0o/o.14% y l2yo,respec-
i.-" a6.n,". del mximo de 480 minutos disponibles para cada estacin, cada da.
{a) La compaa desea determinar la mezcla ptima de productos que minimizar
,os tiempos inactivos (o no utilizados) en las tres estaciones de trabajo.
tbl Determine el valor de disminuir 1 nrnfo de nnrcenrqie el riemnn d.iodn lo
-o--
20 70
60 60
2.50
3.20
12
4
mMffiilld
u
llmml
$mimm
(a)
(b)
l}i:ljijiili!
jlh iiiil
si;,l
l
6
-5
4
1
2
-l
Determine el valor de disminuir 1 punto de porcentaje el tiempo diario de man-
ie:'irni11s para cada estacin.
:{r 5 Solucin por computadora de problemas de
pL
33
a
a
2 5 Solucin por computadora de problemas de
pL
:.
r'uedimiento
grfico en la seccin 2.3 se utllizaprimordialmenre para revelar algunas rle
*is :ropiedades fundamentales de la solucin de PL. En la prctica. donde los mo*delos t-
l':,ie
.ie programacin lineal implican cientos, o incluso miles de variaL'tres ! -stricciones.
I
.i:nica
forma viable de resolver esos modelos es utilizando un prourarr.i
=::,:piado
de
:,::r,putadora.
En esta seccin, se utiliza el mdulo de PL del software TORA para pr-:<il- r-rs re-
=itados
de la solucin del problema de programacin lineal. Aun-cuando TOR-{ slo
-raleja
problemas de tamao limitado, el tipo y la calidad de los resultados de 1a i:::=;,i
; salida est a la par con los que se obtienen de los programas comerciales popu;:,i;=
fjemplo 2.F1.
La f,gura 2-7 presenta la solucin de TORA para el modelo de Reddy Mikks. Utilizaremc.s
.o '--
terpretaciones que se proporcionan en el mtodo grfico para explicar la informacin de
=-
-'
deTORA:
La informacin de salida se divide en dos partes principales: (1) RESUMEN DE l-{
SOLUCIN PllIUA (OPTIMUM SOLUTIO SUVINVf
Y
(2) ALISIS DE SE\SI.
BILIDAD (SENSITIVITY ANALYSIS). En el RESUMEN DE LA SOLUCIN prnr.
obtenemos los valores ptimos de las variables y el valor ptimo del objetivo, es decir, la ca::-
dad de pintura para exteriores, 11
,
es 3 toneladas; la cantidad de pintura para exteriores, xr, es 1
"5
toneladas; y la utilidad asociada es de 21 000 dlares. Tambin proporciona informacin acerc
de las variables de holgura (-)
fslack]
y de supervit (+)
fsurplus]
asociadas con la restriccin
(constraint). F,n el modelo de Reddy Mikks no hay restricciones (
= )
por consiguiente, todas las
variables asociadas son de holgura. La informacin de salida muestra que las holguras de las dos
primeras restricciones son cero, lo que significa que tanto las materias primas, M1 y M2,se con-
sumen en su totalidad. La holgura de la tercera restriccin equivale a 2.5 toneladas, 1 que significa
que la restriccin est satisfecha en exceso (debido a que la produccin de pintura pu.u intJriot"s
es menor que la produccin de pintura para exteriores). La ltima holgura asociad con la cuarta
estriccin muestra que la produccin de pintura para interiores es media tonelada menor que el
Imite mximo especificado por la demanda mxima del mercado.
Las dos secciones superiores del ANLISIS DE SENSIBILIDAD abordan la forma de
hacer cambios ind'viduales (single changes) en los coeficientes de la funcin objetivo y en los
lados derechos de las restricciones (right-hand sides). Por ejemplo, la solucin ptima actual se
mantendr inalterada siempre y cuando la utilidad por tonelada de pintura para eiteriores se en-
cuentre entte 2 000 y 6 000 dlares. Adems, la factibilidad de la solucin actual no resulta afec-
tada siempre y cuando la disponibilidad diaria de la materia prima, MI,se mantenga entre 20 y
36 toneladas. Estos resultados son los mismos que se obtuvieron grficamente en el elemplo2.4-2.
Los cambios en los coeficientes de la funcin objetivo dentro de los lmites spcificados
no cambiarn el valor de xr o de xr, pero afectarn el valor de la funcin objetivo z
(vase la sec-
cn2.4.1). Sin embargo, los cambios en el lado derecho dentro de los lmiies especiflcados alte-
rarn los valores tanto de las variables como de la funcin objetivo (como se explic en la seccin
2.4.2).En la seccin 4.7 se proporcionan los mtodos eficientes para calcular la nueva solucin.
Todava debemos explicar dos columnas adicionales: el costo reducido (reduced cost) de
una variable y el precio dual (dtal price) de una restriccin. Vamos a empezar con la deflniin
de los costos reducidos.
Una variable de PL se considera como una actividad econmica que consume (entrada
recursos para el propsito.de producir (salida) una utilidad. En este contexto, tenemos la s,-
guiente definicin:
lcorto
por
unidad) f.cotto
de los recursos)
/ uniad oor unidad \
I
o. *,iuiouc
,l=
[
Ji.:T;]:.";,ffi,
j-l
de actividad
)
,.
Cap.2 lntroduccin
a la programacin
lineal
***
0PTII''1U14 S0LUTI0N SUlilllARy
***
Tl t1 e: Reddy t'li kks Model
Final iteration No:3
0bjective value (max)
= 21,0000
Va ri abl e
Val ue 0bl Coeff 0bj Vai Contrib
x1 EXT
X2 INT
3,0000
1 . 5000
5. C000 15.0000
6.0000
1
(()
2()
3
(<)
4(o
Constrai nt
Slack(-)/Surplus(+)
t :'Tn
r.\:_iSiS ***
Object'i ve coefficj ents
- -
Si ngl e Changes :
Vari abl e Current Coeff l4i n Coei, !1ax Coeff Reduced Cost
24. 0000
6 . 0000
1 . 0000
2 , 0000
***
SE|\lSJTir/JiY
x1 EXT
x2 Il'lT
5.0000
4.0000
2 . 000ri
1 ??2?
5 , 0000
1C.0000
0 . 0000
0 .0000
Right-hand Side
--
Single Changes:
Constraint
Current RHS I'li n RHS
v:x
RHS Dual Price
1
(()
24.0000 20,0000
2
()
6.0000 4,0000
3
(O
1,0000
_1,5000
4
(()
2.0000 1.5000
Objective Coefficients
--
Sjmultaneous Changes i:
36. C000
F,^1
:rinlty
;
^ni lI
0.7500
0. 5000
0 . 0000
0 , 0000
Nonbasic Var Optinral.ity Condjtjon
sx3
sx4
0.7500 +
0.2500 dl +
-0,'Z,a 22 >- A
0.5000 +
-0.5000 d1 +
0,/5C: : )=:
Right-hand Side Ranging
--
Sjmultaneous Changes D:
Basic Var Value/Feasibjl
jty
Condjt.ion
x1 EXT
x2 Il'lT
sx5
sx6
Figura 2-7
3.0000 +
0.2500 Dl +
-0.5000 D2 >= C
1.5000 +
-0,1250 Dl + 0.7500 DZ )= 0
2.5000 +
0.3750 D1 +
-1.2500 D2 +
r.'Cil
0,5000 +
0.1250 Dl +
-0.7500 02 +
i.Ctii l)-c
3s i 5 Solucin por
computadora
de problemas
de
pL
c1
j<
c2-
S: ei costo reducido por unidad de la actividad es positivq entonces el costo de los recursos co:is,Lr:r-_-
dos por unidad es ms elevado que.su utilidad por unidad y no debe emprenderse la acti'idad. Es:,:
quiere decir que el valor de la variable asociada en la soluin ptima debe se cero Como alte-a-
iva' una actividad que es econmicamente
atractiva tendr un csto reducldo oe c::, :: la soiucrn
ptrma. 1o que significa que se ha llegado a un punto de equilibrio en el cual la saijc= ::,,,-lad de la
unidad) es igual a la entrada (costo unitario de los recursos). En la figura2.7,tanto.i..
; ..-:,r .:",- :renen
uncoStoreducidodecerodebidoaqueambossonpositivosenlasucinopi^"
Despus, consideramos
la definicin de precios duares.
pe
trectrq el precio du,. :_:.::::::
el valor unitario de un recurso, exactamente
como se explica en la seccini.4;, .; d..-. .
-. , .:
ciona la contribucin a la funcin objetivo resultante de un aumento o una ^."irrc.-
...--.
-,,
en la disponibilidad
de un recurso. El nombre de precio dual surgi de la definicin ma:-::,,::
del problema
dual en la.programacin
lineal (vase el captulo 4). otros nombes m.l:s::-
munes para el precio dual incluyen los de precios sombra y muliplicadores
smplex. Aun cua-:: .,
nombre de valor unitario de un recurso,
[ue
se emplea n h seccin 2.4.z,proporciona
una :=__
cripcin ms adecuada de lo que significail resultao de salida, utilizaremos el nombre de pr;-.,,
dual debido a que es estndar en la salida de todos los cdigos comerciales de la
pL.
En la flgura 2-7
,
Ios precios duares de la materia pr"ima Mr y uz
"on
.75 y .5 o 750 r.
-<
dlares por tonelada, respectivamente.

Estos resultados son iguales a los que se obtuvieron gral-
camente en el ejemplo 2.4-2 y nicamente son vridos para lo"s rangos respectivos 20
=
MI
< v^
y
1^=
M2
=
63' Por ejemplo, si la disponibilidad
de M1 se increrenta e su nivel actual de l-t
a 28 toneladas, er varor ptimo de la luncin objetivo ," irr.."**iura po. 750 x (2g
_
24)
=
3 000 dlares.
Los precios duales_para la tercera y cuarta restricciones
del modelo de Reddy Mikks son
ceroparalos rangos
-1'5
a
o
y 1.5 a
*,respectivamente.Este
resultadomuestra
quelosincre-
mentos en los recursos que representan los lmites del mercado para la produccin
de pinturas
para interiores y exteriores no tienen ningn efecto sobre la soluin opt'ima
La porcin restante de la salida del ANLISIS DE sENSIBntao
representa el efecto
sobre la ptima que resulta de hacer cambios simultneos (simultaneous
changes) en todos los
coeficientes de la funcin objetivo o en el lado derecho de todas las restricciones.
Los cambios en
los coeficientes del objetivo suponen que la funcin objetivo et moeio e Reddy Mikks se da
como z
:
(5 + dt)x, + (4 + d)xz.Las condiciones resultantes (asociadas
con las holguras sx, y
sxo
)
dadas por
.75 + .25
_
.125d2> 0
.50
-
.50d1 + .750d2> 0
en realidad son iguales que Ia condicin
35
1
2-
I
4
que derivamos en la seccin2.4'L d,e la solucin grfica.De
manera especfica, si determinamo:
ct
:
5 + dtY cz = 4 + d2'obtendremos
las mismas condiciones (verifquelol).
Observe en esi.
caso que si se satisfacen las condiciones
dadas para los valores dados oL dty dz,entonces s-_
cambiar el valor ptimo de la funcin objetivo, pero los valores de las variables se manten::.:,
inalterados' Si los cambios son tales que no ," ,uti.fu."n las condiciones
dadas, debe r.oir.:. .
calcular una nueva ptima, utilizandoel procedimiento
que propor.lonu-ou
en la seccr.::
-
-
Despus, consideramos hacer cambios simultneos en ls lados derechos de l:. :...::-
ciones. Para el modelo de Reddy Mikks, se supone que los lados derechos respecrir rS _: :.: r: i-
36
Cap. 2 lntroduccin
a la programacin
lineal
tricciones son 24 + or,
g
* D?,1 + Dt,y 2 + Do. Las cuatro condiciones
dadas de hecho pro-
porcionan
los nuevos valores de la sotucin en trminos d." Dr, D;:;-.y-bo.
Er,o, varores de ras
soluciones deben ser no negativos para satisfacer ta factibilidaa.
*'""-pro,
supongamos que
Dt
= 5, D,
:
-t,
D,
:
l,y D4
:
2, entonces
x,
:
3 * .25 x 5_.5 x
_1
:
4.75
xz
:
I.5
_
.125 x 5 + .75 x
_I
= .I25
sxs
:
2.5 + .375 x 5
_
I.25 x
_1
+ 1 x I = 6.625
s-r6
= .5 + .125 x 5
_
.75 x
_1
+
\ x 2
:
3.g75
Todos los valores son no negativos; de all que los cambios especif,cados producirn
la nueva solu-
cinfactiblexr:4,5
toneladas,xr:.125ionenalasv:
5 x 4.75 * i) nS:24.25,o24250
dlares. El valor resultante de z exede el valo acrual por Az
: g24250 _
gZI000 :
$3 250. Esta
cantidad tambin se puede calcular como
Az: Dry, + D,-r., - D:],: * D!
donde yr, y.t, y3 e y4 sot los precios duales de los respectivos
recursos.
por
tanto, tenemos
Az
=
5 x
$750 + (_1) x 5,500
_
1 x 0 + Z x 0
=$3
250
!d
Este tipo de clculo slo es vrido si los cambios D,-i:1.2,3,4,
conducen a una solucin
:1rJ:tt":,::]]:Tg:r..."*ltan
en un valor negati'o e cuarquier .lul uu.iules, entonces se
'.
.rp*;;;;
;;#;.t.
Serie de problemas
2.5a
1. La figura 2-8 proporcionala
salida TORA para el modelo de la dieta del ejemplo 2.3_2.
(a)
Interprete
el precio dual de la primeia
resrriccin.
(b)
si el requerimiento
mnimo diario de alimento se incementa
a 900, determine
la nueva solucin ut'izando
ra informacin
de salida en ra figura 2-g.
(c)
Si los costos por libra de maz y de semill de sor.a se cambian a .40 y 1.05
_
dlares. respectivamente.
seguiria
siendo ptima r ,"r"1" actual?
(d) De-la sorucin grfica,derive
ias condiciones'de
optimJJuJqu.
se proporcionan
en la figura 2-8 para los cambios simultneos
"o
lo, coeficientes
de la funcin
objetivo.
2. El modelo de
pL
del problem
a2.4a_7 se da como
Maximice
=I8xr+9x,
sujeta a
24x, * 8x,
<
60 000
x,s2000,,<6000
XrrXr> 0
rionde
-r:
)'-r:
son el nmeo de cajas de jugo
y de pasta que la compaa debe pro-
ducir. La solucin del modelo ," piopo..iona
en la figura2_9.
lineal
pro-
e las
que
Sec. 2.5 Solucin por computadora de problemas
de PL
***
OPTIl'|UIf SOLUTION SU!1MARY
***
Tjtle:0iet problem
0bjectlve value
(mjn)
= 437,6471
Va ri abl e Val ue Obj Coeff Obj Val Contrib
37
xl Corn
x2 Soy
470.5882
329,4118
0.3000
0.9000
141.1765
296 ,47 06
Constra i nt Slack(-)/Surplus(+)
-
0
a
1
(>)
2
(<)
30)
800.0000
0 . 0000
0 . 0000
0 , 0000+
0.0000-
0.0000+
***
STNSITIVITY Al.]ALYSIS
***
0bjective coefcients
--
Single Changes:
Vari abl e Current Coeff t'1in Coeff llax Coeff Reduced Cost
x1 Corn
x2 Soy
0 , 3000
0 . 9000
-0.6300
0 .3000
0.9000
i nfni ty
0 . 0000
0.0000
Right-hand Sjde
--
Single Changes:
Constrai nt Current RHS |'1i n RHS Itiax RHS 0ual Price
1
())
2 (<)
3
(>)
800. 0000
0.0000
0.0000
0.5471
1.1765
0 , 0000
0.0000 i nfrni ty
-138.0000 168.0000
-i nfni ty i0.8235
Objective Coefcients
--
Sjmultaneous Changes d:
Nonbasic Var 0ptlmality Condltion
5x3
-0.5471
+
-0.5882 di +
-0.4118 d2
(=
0
sx4
-1.1765
+ 1.9608 d1 +
-1.9608 d2 <= 0
Right-hand Side Ranging --
Simultaneous Changes D:
Basic Var Value/Feasjbility Condition
x1 Corn 470.5882 + 0,5882 D1 +
x2 Soy 329,41i8 + 0.4118 Dl +
sxs 10.8235 +
0,0135 D1 +
Figura 2-8
1.9608 D2 )= 0
-1.9608 D2 ): 0
0.0784 02 +
-1.0000 D3 ): 0
:#:
38
Cap.2 lntroduccin
a la programacin
lineal
***
OPTII'4UIVI SOLUIION SUl'1ITIARY
***
Title; Problem 2.5a-2
Objective value (max) :63000.0000
Variable
Value
0bj Coeff
x1 Jui ce
x2 Paste
500.0000
6000.0000
18,0000
9.0000
9000.:rCi:
54000, i
"rC:
Constraint
)lacK(-)/5urt rs
RHS
1
(<)
60000,0000
0.000r_
2 (<)
2000.0000
150. _
3 (<)
6000.0000
._
0bjective coerrcjents
ril':'i;jllvlTY
Ai\{'vs:s
Variable
Current Coeff l"1in Coeff
*
-
e,$r
x1 Juice
x2 Paste
18.0000
9.0000
0.0000
6.0000
Right-hand
Side
--
Single Changes:
Constnai nt Current RHS I'ji n RH S
1 (<)
2
(<)
3 (()
60000.0000
2000.0000
6000.0000
48000.0000
500.0000
1500.0000
0bjective Coefcients --
Sjmultaneous
Chanqes c:
l.{onbasic Var 0ptimal ity Condjtjon
sx3
sx5
0.7500 +
0.0417 dl )= 0
3,0000 +
1.0000 d2 +
-a.:jj:
Rlght-hand S'ide Ranging --
Sjlnultaneous
Chanqes l:
Easjc Var Value/Feasjbjlity
Condjtion
x2 Paste 6000.0000 +
1.0000 D3 >_ 0
x1 Jujce 500.0000 +
0.0417 D1 +
_,3333
sx4
1500.0000 +
-0.0417 D1 + i.
Figura ?-9
_:
\- '
:2-
,al
Sec. 2.6 Anlisis de modelos seleccionados de PL
(a) Determine el valor por unidad de una libra adicional de tomate.
(b)
Vale
la pena que la compaa aumente su participacin de mercado del
jugo.r
De
la pasta?
(c) Si la compaa reduce la cantidad contratada de tomate a 50 r,"NlI
iibras. deter-
mine la nueva solucin ptima.
(d) Si la utilidad por caja de
jugo
se reduce a L5 dlares y la utilidad por caja de
pasta se aumenta a 10 dlares,
cambiar
la solucin ptima actuall
(e) Si la cantidad de tomate comprado se aumenta a B0 000libras y la panicpa;rn
de mercado de la pasta se incrementa a7 000,determine la nueva solu;:.c: :
tima.
(f) Si la cantidad de tomate comprado se disminuye a 30 000libras y la participar:r
de mercado de la pasta se incrementa a 8 000 cajas,
sera
posible determia
-:
nueva solucin basndose en los datos enlafigtra2-9?
2. ANUSIS DE MODELOS SELECCIONADOS DE PL
Esta seccin presenta modelos realistas de PL, en los cuales la definicin de las variables y la
construccin de la funcin objetivo y de las restricciones no son tan directas como en el caso del
modelo de dos variables. Adems, la salida TORA de la computadora para cada modelo, igual
que lo presentado en la seccin 2.5, permitir interpretaciones muy claras de las soluciones.
Ejempro 2.G1 (POLTrCA DE PRSTAMOS BANCARTOS).
El Thriftem Bank, una institucin de servicio completo, est en proceso de formular una poltica
de prstamos que incluye un mximo de 12 millones de dlares. La siguiente tabla proporciona
los datos pertinentes acerca de los diferentes tipos de prstamos que ofrece el banco:
39
Tipo de
prstamo
Tasa
de inters
Probabilidad de
un mal crdito
Personal
Automvil
Vivienda
Agrcola
Comercial
.140
.130
.120
.125
.100
.10
.07
.03
.05
.02
Los malos crditos son irrecuperables y, por tanto, no producen ningn ingreso por intereses.
La competencia con otras instituciones financieras en el rea requiere que el banco asigne
por lo menos 40"/" de los fondos a prstamos agrcolas y comerciales. Para ayudar a la industrla
de la vivienda en la regin, los prstamos para viviendas deben ser equivalentes por io menos a
50% de los prstamos personales, para automvil y para viviendas. El banco tambin ha declads
una poltica de que la razn total de los malos crditos en todos los prstamos no puede e\.-t
-Er
de.04.
Modelo matemtico
Las varipbles del modelo se pueden definir como sigue:
40
tDdlllii,.
Cap.2 lntroduccin
a la programacin
lineal
xr
=
prstamos personales (en millones de dlares)
-r2
=
prstamos para automvil
x,
=
prstamos para vivienda
"r1 =
prstamos agrcolas
"x5 =
prstamos
comerciales
El objetivo de Thriftem Bank es maximizar su utilidad neta, que se compone de la diferencia
entre el ingreso de los intereses r'los fondos perdidos por ios malos creiios. Debido a que estos
ltimos no son recuperabres. nr e1 capital ni rs intereses, ra funcin objetivo se da como
Maximice :
:
.1_ii.9,r )
_
.131,9-1.r-)
_
.12(.97xr) + .125(.95xr)
-
.1t.9&.,
-
.1.r-,
-
.07.r.
-
.03x,
-
.O5xo
-
.A2x,
Esta funcin se simplifica a
Maximice:
:
.01.r
-
.r
j.-,-.,.: _
).J.r.,
_
.06g75x0 + .07gx5
El problema tiene cinco restricciones:
L Fondos totales
Y.
-
r- >
-
w f .. > ;
r- < 11
-:
3. Prstamos para vivienda
xr>.5(.rrr-..-:-.,
4. Lme en los malos crditos
.06x, * .03x,
-
.01x, * .01.r,
_
.i,.r.
=
5. No negatividad
rr > 0, xz20,x: Z 0,:r. > 0.,r. > _
,-..1i:j,:o:t:"1"":::tu
en la formulacin
anterior es qu: :ciurs ios prsramos
se hacen apro-
--
: l::lJrlte al mismo tiempo. Esta suposicin nos permite :o :;r;: en cuenta las diferencias
en
.:: :
_
:.s de tiempo de los fondos asignados a los iferente, p.sramos.
-
_:_.'-rr_i
1:l-"delo
de ra
poltica
der Banco se muesra en la rigura 2-10. nicamente
'---- :
-: -s Frestamos para vivienda y comerciales.
De los trpos rJstantes, los prstamos
:;::
-,::j,-. -srenosatractivos.nosl,oporquetienenelcoefiiienteobjetivomspequeo
x, i -i:-
-
,1.
-
.r..
-
2, Prstamos comerciales
.v
agrcolas
i{c.
6 Anlisis de modelos seleccionados de
pL
***
OPTII'IUl"j SOLUTION SU14ITJARY
***
-':i
e: Bank l'lodel
:'ra,
i terati on No: 5
:rjec:jve value (max)
= 0.9965
ia.iable
Val ue 0bj Coeff 0bj Va1 Contrib
11
xi pers'n1
x2 car
x3 home
x4 farm
x5 com'l
0.0000
0 . 0000
7 .2000
0. 0000
4. 8000
0.0260
0.0509
0.0864
0 . 0688
0.0780
0.0000
0 . 0000
0.6221
0.0000
0.37 44
Constraint
Slack(-)/Surplus(+)
1(<)
12.0000
0.0000-
2
(>)
4.8000
0.0000+
3
(()
0.0000
3.6000_
4
(<)
0.0000
0.1680_
0bjective coerrcjents ril,:'i;jllvlTY
ANALYSIS
***
x1 pers'n1
x2 car
x3 hoflle
x4 farm
x5 coft]'l
0.0864
0.0864
i nfini ty
0,0/80
0.0864
0.0604
0.0355
0 . 0000
0 . 0092
0.0000
Variable Current Coeff l'lin Coeff l'4ax Coeff Reduced Cost
0.0260
-i nfnj ty
0.0509
-i nfini ty
0.0864 0.0780
0.0688
-infinity
0.0780 0.0688
Right-hand Sjde
--
S'ing1e Changes:
Constra i nt Current RHS l,1i n RHS Max RHS Dual Pli ce
1
(()
2 (>)
3
(<)
4 (<)
12.0000
4 . 8000
4 .8000
0 . 0000
infnity
12.0000
j
nfinj ty
infnity
0.0864
-0.0084
0 . 0000
0.0000
0.0000
-3.6000
0.0000
-0.1680
Objective Coeffcjents --
Sjmu:ltaneous Changes d:
Nonbasjc Var 0ptimal ity Condjtjon
xi pers'n1
0.0604 +
1.0000 d3
_
d1 )= 0
x2 car
-
0.0355 +
1.0000 d3
*
dZ >-
x4 farm 0.0092 +
1,0000 d5
_
d4 )= 0
sx6 0.0084 +
1.0000 d3 +
_t.booo
d5 )= 0
sx7 0.0864 +
1.0000 d3 ): 0
Right-hand Sjde Ranging --
Slmultaneous Changes D:
Basic Var Value/Feasibility
Condition
x3 home 7,2000 +
1.0000 D1
x5 com'l 4.8000 + 1.0000 D2
sx9 3.6000 +
0.5000 01
sx10 0. 1680 +
0.0100 D1
Figura 2-10
-1.0000 D2 )= 0
-0.5000 D2 + 1.0000 D3 )= 0
0.0100 D2 + 1.0000 D4 >= 0
+
)=0
+
+
42
Cap.2
lntroduccin
a la programacin
lined
(=
'026)'
sino tambin
debido a que su costo reducido
es el ms elevado entre todas las variables (=
'0604)'
El costo reducido
tig"ffi."
[u"la "utiliad" " ru uuiiu
del prstamo
personal debe incrementarse
en
-0604 para q"u" ru tu"i"uie
apenas tenga una utilidad.
Si vemos los precios duales' la primera
restriccin
mu"ti.u qu" un lncremento
de 1 (milln)
de dlares en los fondos asignados
incrementar
ra utilidad
""tu
" oo, to, pre.tu-.-.sZ+
1_ru.nes) de dlares Esto es equivarente
a una utilidad anual de .az ,o.. ,Jil;;;.
Debido a que el rango asociado
es (4'8'c)'
esta utilidad est garanLada
para cuarquier
incremento
en los fondos asignados
arriba de tos 12 (millon"t)
d.
"dl;;;actuales.
urru uiioui Lr 8.64yo parecebaja,
es- pecialmente
debido a que la rasa de inrer,
-a.
ou;u que cobra ;i b";; es de 10%. La diferen_ cia se atribuye a los maios prstamos.
qu. no ,on recuperables
tanto en capital y como en inters. De hecho, er coeficiente
objeti'o
ms'atto
"n
ei moolto e, oao+
lp.JriJ_o, puru vivienda).
Es interesante
observar que este coeflciene
es igual al precio
d"d d;';;;triccin
1 (fondos
asignados)' La conclusin
de esta obsenacin;r;r"
cualesqiera
nu""o, fondos adicionales
se asignarn segn la solucin ptima u lo, p.eri_os
para vivienda.
La restriccin
2 determina
el lmite'mrrimo
sotre la ,u-rJ" prstamos
agrcolas y comerciales' El precio
duar nee3fiyo (=
-
.oo+) mu"rrru qu. un incremento
en ese lmite tendr un efecto adverso sobre la
-utilidad
neta, En or.u,
fuiuurur, no hay una ventaja
econmica
en establecer un lmite mnimo sobre la cantidad o. priri.-o,
agrcolas y comerciales.
Esta observacin
es compatible
con la interpretacin
de ra primera
."itri..irr,
qu"
".irprrtu
que cualesquiera
nuevos fondos adicionares
se asignar
a los prstamos
para viviendas,
-!,
q.r" a los prstamos
agrcolas y comerciales'
De hecho, si .ri-naru-o,
el requerimier,.
J"i*,.
mnimo en los prstamos agrcolas y comercialeg
todos los fondos se asignar"
u r",
f.ero-o.
puru uiui"rrda (veriflque esta conclusin
"esrirando"
la resrriccin
2. uti_Lizano
h ;p;;';irra"*
de ToRA).
,m
M
JML1
6l
ir
u
ti
"i"-t:_1.^r-.1
_(U:g
y
URBANTZACTN
DEL suEI-o).
il:Tffi::Tl":::,:,-.:;:,^l
jr;i",.,,lo.:gJ.*: de terreno no urbanizado
a orilas de un lagopanormicoenel
corazndelasMonta.;i-'-"
qw
rurrclu uu urDanado
a orillas de un
gulaciones.
o ninq.ne a lcc
-,,o.,oo
,,-L^-:-^
^: -
)zark',En
el pasado,
se aplicaban
-uy
poau, ,o
5iii"r"J!l;1,'::i#h:lT"':,".",x'"#::"::',::#*+,1;ir;l:i"'?'ffi:l':liil;;
:lli:::'jxx;:f:?:i:"*::::T:::":::1.:::lT;iilj.;l;":ffi:'T;:'Hlij:;'::x?::
ffTti:'l'tr:."i.j:i:T:l:?n:?:::::t,l:1';
s".
," in.turu''"n;;;#,*".i:;:ffi:i:::
ilit?;*
jill:::,1"J:#il:'rasnrtracrone'il.'r"J"'p;i";;;;;;ilil1ffii,:ff
:lT:"1,'; problema
de contaminacin
del agua.
Para frenar una mayor degiadacin
en la ca[dad
del agua, ]os funcionarios
del condado aprobaron
reglamentos
muy estrictos,
apricabres a todas ras futuras urbanizaciones.
1' Slo se pueden
construir viviendas
familiares
individuares,
dobles y triples y las vivien-
das de una sola familia
deben sumar po.l;;.;;i;";
2'
para
limitar
er n..:: de fosas spticar
se.requi.r",-,
ro;", ;; ,inlrup.rn"i"
mnima de 2, 3 y 4 acres para las viviendas
familaes
idi"iuai"r,
jol;.
;
;;;r, r"spectivamente.
3' Se deben establecer
reas recreativas
de un acre cada una, en una proporcin
de un rea por cada 200 familias.
-
5"#;:T:"::
l:ff::lt:
der lago, ras aguas rreticas
no pueden
bombearse para uso
El presidente
de Birdeyes
Real Esrate est e.studiando
la posibilidad
de urbanizar
los
g00
ac-i'es de la compaa'
La nueva urbanizacinincluir
viviendas
i"-ii'irividuales,
dobres y
:r-rles-
Se calcula que 15Yo o" tu ,up"rn.i.
,"
""r"-ir
en abrir ;;il*;
en instalaciones
para se'-:Las
pbiicos'
Birdeyes
calcula las utilidadesde
ras oiteren;;;;,
habitacionales
como
Sff.26 Anlisis de modelos seleccionados de PL
Unidad habitacional Individual Doble Triple
Utilidad neta por unidad ($) 10 000 12 000 15 000
El costo de conectar el servicio de agua al rea es proporcional al nmero ie u-idades
construidas. Sin embargo, el condado estipula que se debe cobrar un mnimo de 1-r
r,r",r
,jlaes
para que el proyecto sea econmicamente factible. Adems, la expansin del sistema ,1: ag::a^
ms all de su capacidad actual, est limitada a 200 000 galones al da durante los periodos l:;...
Los siguientes datos resumen el costo de la conexin del servicio de agua, as como el cc..
j.
de agua, suponiendo una familia promedio:
Unidad habitacional lndividual Doble Tiiple rea recreativa
4:
Costo del servicio
de agua por unidad ($)
Consumo de agua
por unidad (galones/da)
1 000
400
1200 1 400
600 840
800
450
Modelo matemtico
T. a compaa debe decidir el nmero de viviendas que va a construir junto
con el nmero de
reas recreativas que satisfaga los reglamentos del condado. Defina
.r,
:
nmero de unidades para una sola familia
x,
:
nmero de unidades para dos familias
x,
:
nmero de unidades para tres familias
xo = nmero de reas recreativas
El objetivo de la compaa es maximizar la utilidad total, es decir
Maximice
e =
10 000r + t20}0xr+ 15 000.r,
Las restricciones de problema incluyen
1. Lmite en el uso de suelo
2. Lmite en los requerimientos para viviendas de una sola familia, en relacin con otros
estilos
3. Lmite en los requerimientos concernientes a reas recreativas
4. Requerimiento de capital para la conexin de agua potable
5. Lmite sobre el consumo diario de agua durante el periodo pico
Estas restricciones se expresan matemticamente como sigue:
L Uso de suelo
2x, * 3x, * 4x, I lxo
=
680 (: .85 x 800)
2. Viviendas para una sola
familia
tt
=.5
xr*xrtx,
/t
/
:f .
2t
9"
6
41 Cap.2 lntroduccin a la programacin lineal
o
3. Areas recreativas
o
4. Capital
.5xt
-
.5x,
-
.5x, > 0
x. * 2x.-l 3x,
!>LLJ
2(n
200x0-xt-bz-3xr=g
1 000x. + I200x, + 1 400, + 800x.
>
100 000
5. Consumo del agua
400. + 600.r, + 840.r. + 450,
<
200 000
6. No negatividad
Jr > 0, xz>0,:r_. > 0,x.2 0
En la formulacin del modelo, una buena prctica es prestarle atencin al impacto del re-
dondeo de errores en el clculo. En el modelo anterior. los coeficientes en las restricciones 4 y 5
(capital y consumo de agua) son relativamente ms grandes que la mayor parte de los coefi-
cientes en las restricciones restantes. Esta inconsistencia podra conducir a un indeseable redondeo
de errores de la mquina, resultante de la manipulacin mixta de coeflcientes relativamente
grandes y relativamente pequeos. En este ejemplo. podemos rectiflcar este problema potencial
reduciendo en escala todos los coeficientes de las restricciones 4 y 5 por la constante 1 000. Esto
reduce las restricciones a
x, * t.Lr, + L4x, * &t.
=
L00
.4x, * .6xr* .84-r, + .45-t. < 200
Desde el punto de vista del clculo, es igualmente nocivo abordar coeficientes de restricciones
muy pequeos. En tales situaciones, es aconsejable aumentar en escala todos los coeficientes
pequeos para producir alguna consistencia en la formulacin del modelo. Casi todo el software (in-
cluyendoTORA) tratar de lograr esta consistencia antes de resolver el problema. Sin embargo, una
buena prctica del modelado es realizar este paso durante la formulacin del modelo.
La flgura 2-1L proporciona la solucin ptima del modelo. Observamos que la progra-
macin lineal no proporciona una solucin entera en general. La solucin actual nos da INDI-
VIDUAL
=339.152
y RNES RECREATIVAS
=
1.696. con DOBLE
=
TRIPLE
=
O. Podemos
redondear esta solucin a INDIVIDUAL=339 y nraS RECREATIVAS (RECR'N)
=
2 (lo
que incidentalmente es la solucin entera ptima).
La solucin ptima no recomienda la construccin de viviendas dobles y triples, a pesar del
hecho de que sus utilidades por unidad (12 000 y 15 000 diares) son ms altas en el sentido ab-
-:oluto
que una vivienda individual. Este resultado muestra que las utilidades marginales que se
rrpresan en la funcin objetivo no son suflcientes para juzgar la utilidad de una actividad.
-{'lem<
debemos considerar el costo de los recursos utilizados por la actividad. De hecho, esto
es 1,o que losa el costo reducido. Los costos reducidos actuales de 3 012.45 y 5 024.94. dlares por
DOBLE r TRIPLE proporcionan el exceso del costo por unidad de recursos sobre la utilidad
n lineal
Sec.2.6 Anlisis de modelos seliccionados de PL
***
OPT]4IJM SOLUTION SUI'1I.4ARY
***
/t5
iitle: Land Development
Fi nal i terati on No: 6
0bjeciive value
(max)
:3391521.2500
!ari abl e Val ue 0bj Coeff 0bi Val Contrib
x1 SINGLE
x2 D0UBLE
x3 TRIPLE
x4 RECR'N
0 , 0000
0 . 0000
0.0000
339.1521 10000.0000 3391521.2500
0.0000 12000.0000
0.0000 15000.0000
1.6958 0.0000
Constra i nt RHS Slack(-)/Surplus(+)
(()
(>)
())
())
680.0000
0 . 0000
0,0000
100.0000
200 . 0000
0.0000-
169.5760+
0 , 0000+
'
240.5087+
63.5761-
5
(()
***
SENS]TIVITY Al,lALYSIS
***
Objectjve coeficients
--
Single Changes:
Vari abl e Current Coeff l'li n Coeff l'lax Coeff Reduced Cost
l-
5
i-
)
x1 SINGLE
x2 D0UBLE
x3 TRIPLE
x4 RECR'N
10000.0000 7993,3557
12000,0000 -i nfni tY
15000.0000 -i
nfinj tY
0.0000 -2000000,1250
'inf
ni ty
1 5012 .4688
20024. 9351
5000 .0000
0.0000
3012.4688
5024.9351
0 . 0000
R'ight-hand Sjde
--
Single Changes:
Constra i nt Current RHS l'lin RHS 14ax RHS Dual Pri ce
1
(<) 680.0000 r99.70r2
2
()) 0.0000 -infinity
3
()) 0.0000 -340.0000
4
()) 100.0000 -inflnity
5
(<) 200.0000 1.36,4239
Objecti ve Coeffci ents
- -
Si mul taneous Changes d:
996 .8926
169.5760
50988.0195
340.5087
j
nfni ty
4987,5308
0.0000
-24.9377
0 . 0000
0 , 0000
Nonbasic Var Optimality Condition
x2 D0UBLE 3012.4688
+ 1.5012 d1 +
-0.0025 d4 - d2 )- 0
x3 TRIPLE 5024.9351
+ 2.0025 d1 +
-0.0050
d4 - d3 )= 0
Sx6 24.9377 + 0.0025 d1 +
-0.0050 d4 )- 0
sx8 4987.5308
+ 0.4988 dl + 0.0025 d4 )= 0
Right-hand Side Ranging'- Simultaneous Changes D:
Basic Var Value/Feasjbi'lity Condjtion
sx7 240.5087 + 0.500i 01 +
x1 SINGLT 339.1521
+ 0.4988 D1 +
x4 RECR'N 1.6958 + 0.0025 D1 +
sx5 169.5760
+ 0.2494 0i +
sx12 63.5761 +
-0.2006 D1 +
Figura 2-LL
0.0015 D3 +
-1.0000 D4 )= 0
-0.0025
D3 )= 0
0.0050 D3 )= 0
-1.0000
D2 +
-0.0012 D3 >= 0
-0.0012 D3 + 1.0000 D5 >= 0
Cap.2 lntroduccin
a la programacin
linea
marginal' Por tanto, para que cualquier actividad sea apenas lucrativa, debemos reducir .t .ort.
I por unidad de los recursos, o bien incrementar la utilidad marginal
".,
unu cantidad igual a su I
costo reducido.
Ejemplo
2.6-3 (PROBLEMA
EN LA PROGRAMACTN
Oe
Progress city est estudiando la factibilidad
de introducir un sisiema de autobuses de trnsito
Las restricciones2,4..y
5 tienen valores positivosde
holgura/supervit,lo
que indica que sus
recursos son "abundantes".
Como resultado, sus precios duiles (vaior por unidad) son cero. La
restriccin que representa el terreno disponible, tiene un valor dual e a
gg7.53
dlares, indi-
cando que un incremento de un acre en el terreno disponible
tiene un val,or de 4
gg7.53en
utiiidad
neta' Esta informacin podra ser valiosa para decidir acerca de ru .o-pru de nuevas tierras.
La restriccin 4 tiene un precio duar de
-24
93i dlares y, oJuroo a que es negativo,
cualquier incremento en su "recurso" afectaren forma adversa lu uiltiua total.
pero
por
qu?
Podemos responder a esta pregunta sio si sabemos cules son las unidades del
,,recurso,'de
esa
restriccin. Veamos de nuevo la restriccin:
2OO A. RECR.- INDIV
_
2 DOBLE
-3
TRIPLE
>
O
La restriccin especifica el nmero mnimo de reas recreativas (A. RECR.) en relacin con el
nmero de viviendas. Tal como est ahora la restriccin,
las uniiades de su lado izquierdo son
confusas. Sin embargo, si dividimos toda ra restriccin entre 200, obtenernos
A. RECR.
-
(005 INDIV. + .01 DOBLE + .015 TRIpLE)
=
O
La variableA' RECR' representa el nmero de eas recreativas Debido a que cada rea recreativa
ocupa un acre, las unidades de A. RECR' y las de la expresin
entre parntesis
tambin deben ser
en acres' Por tanto, un incremento
de una unidad .n .1 ludo derech
es
ect, un incremento de
0 a 1) se puede interpretar como un incremento de un acre en a. irgcn. Con la nueva pre-
sentacin de la restriccin, podemos decir que el precio dual representa el valor por incremento
en acres en el rea recreativa- Sin embargo,.oo iu nu.ra restriccin,
el precio dual debera ser
200 x
-24'937 = -4
987.53 dlares. (De hecho, si usted modifica la restriccin como se muestra y
vuelve a correr el modelo, la salida ToRA dar direciamente
el nuevo valor dual,
intntelol)
. .th-otu'el
nuevo precio.dual
nos dice que un incremento
de un acre en ei rea recreativa
reducir la utilidad 4 987.53 dlares' Es inteiesante obsen,ar que iguala exactamente
al precio
dual del recurso de uso del suelo (restriccin
2), pero con el signo ofuesto. El resultado tiene un
sentido econmico' debidoa que un acre asignado al rea.e.utiua
es un acre que se quita a la
construccin
de viviendas. Por consiguiente,
no es una coincidencia que ios precios
duales sean
iguales.
masivo que disminuya el.problema del smog, reduciendo el nmeo de
'ehculos
que circulan en
la ciudad' El estudio inicial busca la determinacin del nmeo mnimo de autobuses que pueda
manejar las necesidades
de transporte'
Despus de recopilar la inJormacin
necesaria, el inge-
niero de la ciudad observ que el nmero minimo de autobuses fluctuaba segn la hora del da.
Al estudiar ms a fondo los datos, fue evidente que era posibie
hacer una aproximacin
del
nmero de autobuses mediante valores constantes sobre inten.alos
sucesivos de 4 horas cada
:-o La figura2-12 resume los descubrimientos
dei ingeniero.
para
llevar a cabo el manteni-
-::::
1'.1".".
requerido,.cada
autobs poda operar s1o ocho horas sucesivas al da.
. :. r :.,..1t(tOn
m4temAttCA
<
i.:-=:.--1".t::T:: :
,t nmero de autobuses que van a operctr durante tos dikrentes turnos
"l;.
;;:- .::"t
t:tt:.t:yfn la demanda
mnima (restricciones),
at mismo riempo que se minimp
c! t,,.r."...,: .,f:.
,J
autobuses diarios en operacin (objetivo).
-G..
Erc 2,6 Anlisis de modelos seleccionados
de PL
x3
#
X4
#
xs
#
Figan2-12
Talvezusted
ya ha observado
que la deflnicin de las variables es ambigua' Sabemos
que
cada autobs op".u turnos de ocho horas, pero no sabemos cundo debe empezar cada turno'
Si seguimos un horario normal de tres tutt'o'
1S'Of
a'm'
-
4:00 p'm'' 4:01-
t
*
-
t-?.90^YT::0"
y 12:01-
g:00
a.m.)
y suponemos Que
fi, r, y r, ,on el nmeio de autobuses
que ernpiezan el
primero, segundo
y tercer turnos, si vemos fu'ngtu 2-12 p,odemos notar
que f
1
=
\0, x, > 12 y
xt > Sdonde el nmero mnimo correspondieite
es iguat a x\ + x2 * xt
:
t0 + 12 + 8
:
30
autobuses diariamente
Esta solucin es aceptable slo si los turn os debencoincidir
con el programa normal de tres
turnos. Sin embargo,
puede ser ventajoso permitir que el proceso de optimizacin
elija la "meio:-
hora para
"^p"rrun
turno. una forma razonaute ae tograrto es permitir que un turno emprc;=
cada 4 horas. La parte inferibr de la flgura 2_ I2llustraeste
concepto' donde los turnos
r3s-:.-
pados) pueden empezar a las 12:01 a'm', 'Of a'm'' 8:01 a'm'' 12'L p'm''4:01 pP y !,
.:---
donde cada turno contina durante 8 horas consecutivas'Ahora
estamos preparados:3:-3 'Enn::f
las variables:
17
s{o
sr
t5
A
t-
d
48
Cap.2 lntroduccin
a la programacin
lineal
Minimice
z = xt +_tr + -rr + J1 + ;r5 + -16
* o
=
4 (12:01a.m._4:00
a.m,.r
>
E (.1:01 a.m._g:00 a,m. )
| ,, > 10 (8:01
a.m.-12:00 medri:;:.
x, lxo >7
(12:01
p.m.-.1:00r.
xo I x, > 12 (,1:01
p.m._g:00 p n
,
x, I xu
=
,1 (8:01
p.m.-12:Cr,.r
r :-
J * r:
a
- s; . s:i::t'cativo
en este
.S::, ::::-:tenteS Siempre Sean
: :::.. ::.;,das
ipo ejemplo, la
:': S;:. :::::en:e v Un anliSiS de
,r,
:
nmero de autobuses que empiezan a las12:01 a.m.
x, = nmero de autobuses que empiezan a las 4101 a.m.
x,
:
nmero de autobuses que empiezan a las
g:01
a.m.
xo
= nmero de autobuses que empiezan a las 12:01 p.m.
x,
:
nmero de autobuses que empiezan a las 4:01 p.m.
xu = nmero de autobuses que empiezan a ias
g:01
p.m.
E1 modelo matemtico se escribe como
sujeta a
x1
xr* x,
x2
I.;ni.].6-]rPRoBLEMADEDESPERDICIoE\ELCoRTEom
I'trI!TF-\Ln{\r
"l>0
/:l:
^
La salida en la figura 2-13 muestra que se necesita un tota- :c r: . _,_ : *:is pr satisfacer
la demanda. Ei programa ptimo requiere que.r:
=
J autohuses ::-: ::;: . .: 12:01. d.rrr.,x,
=
,l0alas4:01
a.m..x1=8alasl2:01
p.m
f
xr=r',alac_,.1 p.m,Lu:,
,,
.---.r-,.
,;;;;;;;;;",
loqueindicaqueelproblematieneunasolucionptrmaaltenatl,,..
l:.::.;r>rlualespropor-
cionan una informacin inteesante.
un precio duaile i rndrca,*- *-
','-,.-".,o de una unidad
en el nmero mnimo de autobuses requeridos para ei peiiodo co:r:!:
- .:r;:,,;. r
a unido a un in-
cremento igual en el nmero total de aulobuses en o:qacron )
-.
_-r
-:.
=.
.. ,mbios estn
limitadosporlosrangosespecificadosenlafigurai_i,.poet;E:-:..:;:,-::.n:entomnimo
para el periodo 2 (restriccin
2) se puede in-crem.n:.:
J: :
=
__ ;_
-:_
:
-n
:nc_emento
neto en el nmero total de autobuses en operacrn. De man;:. s,::., .: _:r: rJir-rrrento uni_
tarioenelrequerimientomnimodelperiodo3.msarlacei,.:::;:_::.:.:.nmerototal
deoperacionesenunacantidadigual.Êstetipodeinlomaci:;::-:_:::::::a:aanalizarla
solucin ptima.
Un anlisis de sensibiiidad
de los coeficientes del ot,:::
ejemplo, debido a que la nafural,eza del modelo ,.qu,.r, .
iguales a 1. Si la funcin objetivo se reestructuru pu, q.= ._-
ninimizacin
del costo de operacin de los autobuses
).la s:i,:
'-rsibilidad
de estos coeficientes
sera significativo.
::'
- ::::: r.
;mpan]- pro.duce
rolros de papel con ;n anc:o est1.::
je
r0 pies cada uno. Los
:::--,:)::::,:sdeloscrientes,condiferentesanchos.seproducenrecortandorosrolloses_
.::-r. ,::::- jl:picos(quepriedenr,aiardaada)serarun1_nenlasiguientetabla:
Sc- 2.6 Anlisis de modelos seleccionados de
pL
***
0PT1f4U11 S0LUTI0N SUlll{ARy
***
-':-::
Bus l'1odel
:":'iteration
No:5
-:;:ctive value
(min)
= 26.0000, ALTERNATIVE solution detected at x3
ir:able Val ue Obj Coeff 0bj.Val Contrjb
4!t
xi 12:01Al4
x2 4:00All
x3 8:004M
x4 12:01Pl'1
x5 4 : 01Pt'l
x6 I : 01PI1
4. 0000
10.0000
0,0000
8.0000
4.0000
0.0000
1.0000
1 .0000
1 . 0000
1 . 0000
1.0000
1 . 0000
4. 0000
10.0000
0 . 0000
L0000
4. 0000
0.0000
Constrai nt S1ack(-)/Surplus(+)
1
())
2 (>)
3
())
4 (>)
5
(>)
6())
4. 0000
8. 0000
10.0000
7.0000
12.0000
4. 0000
0 . 0000+
6.0000+
0.0000+
1.0000+
0 . 0000+
0. 0000+
***
SENSITIVITY Al'1ALYSIS
***
-)
DE0ENERATE or ALTERNATE optirnurn. Ranges may not be unique
Objective coeffrcients
--
S'ingle Changes:
Vari abl e Current Coeff l'1i n Coeff Max Coeff Reduced Cost
x1 12:0141'1
x2 4: 004l\4
x3 8:004M
x4 12:01Pl'l
x5 4 : 01Pt'1
x6 8: 01P14
Right-hand Side
--
1 . 0000
1.0000
1.0000
1 . 0000
1 . 0000
I . 0000
Sl ng1 e Changes:
0 .0000
0 . 0000
1.0000
1.0000
1.0000
1 . 0000
1.0000
1.0000
infinlty
1 . 0000
1 . 0000
infnity
0.0000
0 . 0000
0 . 0000
0.0000
0,0000
0 . 0000
Constraint Current RHS l'4i n RHS 14ax RHS Dual Pli ce
1 (>)
2
(>)
3
())
40)
5
())
6
(>)
4.0000
8. 0000
10.0000
7.0000
12.0000
4. 0000
0.0000
-infnity
4.0000
- i nfini ty
11.0000
0 . 0000
i nfini ty
14.0000
infinlty
8. 0000
i nfini ty
5 . 0000
1.0000
0 . 0000
1 . 0000
0.0000
1 ,0000
0 , 0000
Right-hand Side Ranging
--
Simultaneous Changes 0:
Basjc Var Value/Feasibjlity Conditlon
x1 12:01At'l
sx8
x2 4:004l4
sx10
x4 12:01Pfl
x5 4:01Pl"l
Figura 2-\3
4.0000 +
6.0000 +
10.0000 +
1,0000 +
8.0000 +
4.0000 +
1.0000 D1 ): 0
1.0000 D1 +
-1.0000 D2 + 1.0000 D3 >= 0
1.0000 03 )- 0
-1.0000 D4 + 1.0000 D5 +
-1,0000 D6 )= 0
1.0000 D5 +
-1.0000 D6 )= 0
1.0000 D6 >= 0
Cap.2
Introduccin
a la programacin
Pedido
Ancho
Nmero
deseado
deseado
(pies)
de rollos
5
7
9
I
2
3
150
200
300
En la prctica'
un pedidn
se prepara
fijando las cuchillas
de corte en el ancho deseado. por lo comn'
hay cierto nmero
de foimas .n t^, *u1., ,. pu"o"
.o.t".
",
,"il. estndar para satisfacer un pedido
determinad
o.rungurui-i;;;.:Ti
trei posicione,
po.iut".
de las cuchillas para eI rollo de 20 pies' Aunque hay otrur"po.i.ion.,
ir.tiur.r. p, .l r"o,"rl"ri,nitaremos
ra exposicin a la consideracin
de las posiciones
A, B y c.o ru figura2-r4.Las
posiciones
posibles
se combi-
1il3||:il::a.rar
pedidos para
anchos o s.; v e pis.
Los
'is'i;;i;;;;
ejempros
de combina_
1' cortar 300 rollos (estndar)
utilizando
ia posicin,4
y 75 rollos utilizando
la posicin
B.
2' cortar 200 rollos utilizando
la posicin
v 100 rollos utilizando
la posicin
c.
cul combinacin
1s
mergl? Responderemos
a-esta pregunta
considerando
el
,.des-
perdicio"
que producir
cada cobitu.i;.;;;.
figura 2-14,1;
;; sombreada
represenra el excedente
de los rollos que no son lo bastante
anchos pu.u."rirru.",
los pedidos
requeridos. Estos excedentes
de rollos se .ono."., .o'J)'uprranio'",
,t ,;;;;.-;;L.no,
"uutuur
lo
.,posi_
tivo" de cada combinacin
carcuran
,"-J.rp.;icjo
en
"r
.";;.-l;:;bargo,
puesto
que ros
rollos excedentes pueden
tener diferentes
anchor debemos
"r"rlr'rracin
en er rea d,er
desperdicio
en el corte ms que
"n "t
n,r*"ro 0.,1"",
excedenres.
Suponiendo
que el rolro es_
;:1]]t
t-'rff un largo de t pies,
"l
t;l; ;:;.-.ii.io
en er corte ,. .rruru
como sigue (vase
ra
I
I
Posicin,4
Posicin
C
Fi-ser 2_14
Posicin
ll
lt
It
lt
Sec. 2.6 Anlisis de modelos seleccionados de
pL
51
Combinacin 1: 300(4 x L) + 75(3 x L): | 425Lptes:
Combinacin 2: 200(4 x ) + 100(1 x )
:
900L pies:
Estas reas slo cuentan las porciones sombreadas en la figura 2-14. Cualquier produc-
cin excedente de los rollos de 5-,7 -,y 9- pies, tambin se debe considerar en el clcutro el rea
de desperdicio en el corte. En la combinacin L,la posicin A produce un excedenre de
-r,,-
200
=
100 rollos extra de 7- pies y la posicin B produce 75 rollos extra de 7- pies.
por
tarto, :- rea
de "desperdicio" adicional
"i
ni
1l
x
D
:
I22sL piesr. La;;;; atcinZno protluce :oi1os
excedentes de7 y 9 pies, pero la posicin C s produce 200
-
150
=
50 rollos extra de ,i pr:s. ;cl
un rea de desperdicio adicional de 50 (5 x L)
:
250L pies2. Como resultado tenemos
( Area total de desperdicio
'l
Ien
el corte para la combinacin I)
= L 425L + 1225L
= 2 650L pies:
( Area total de desperdicio
'\
Ien
el corte para la combinacin z)
= eoot + 250L
=
]. 150L pies2
La combinacin 2 es la mejor, porque produce un rea ms pequea de desperdicio en el cone,
Para obtener la solucin ptima el problema, es necesario determinar todas las posi-
ciones posibles de las cuchillas y despus generar todaslas soluciones factibles.Aun cuano ia
determinacin de todas las posiciones quiz no sea demasiado difcil,la generacin
de todas las
combinaciones factibles no es fcil. De manera que es evidente la necesidad de un enfoque sis-
temtico. Esto es lo que lograr el modelo de
pL.
Rep rese ntacin matemtica
Tiatamos de determinar las
combinaciones de las posiciones (variables) que puedan sa tisfacer los
peddos requeridos (restricciones) con el rea mnima d.e desperdicio ,'n il ,irt, (objetiv).
La deflnicin de las variables como se dan debe traducirse de tal forma qe puda uti-
lizarla el operador de la cortadora. De manera especfica,las variables se deflnen cm o el nmero
de rollos estndat que van a cortarse conforme a una posicin determinada de las cuchillas, Esta
definicin requiere la identiflcacin de todas las posiciones posibles de las cuchillas, como se
resume en la siguiente tabla. Las posicionesL,2y
3 se dan en la figura 2-14. Usted se debe con-
vencer de la validez de las posiciones restantes y de que no se han olvidado posiciones,,pro-
metedoras". Recuerde quena posicin prometeora no puede producir un rollo de desperdicio
en el corte de 5 pies de ancho o ms.
Posicin de las cuchillas
150
200
300
Desperdicio en el
corte por pie de largo
Para expresar el modelo matemticamente, definimos las variables como
r;
=
mero de rollos estndar que van a cortarse conforme a la posicin7, j=
1,2,....6
Ancho
requerido
(pies)
Mnimo
nmero
de rollos
5
7
9
0224r0
110020
101002
CaP.2
***
OPTIMUl4 SOLUT]ON SUI4I4ARY
***
lntroduccin a la programacin lineai
Title: Trim Loss lt4odel
Fi nal i terati on No: 5
0bjective value
(min) =
==> ALTFRNATIVE solutJon
262.5000
detected at x4
Vari abl e Val ue 0bj Coeff 0bj Val Contrib
x1 stng_l
x2 stng_2
x3 stng_3
x4 stng_4
x5 stng_5
x6 stng_6
0.0000
0 . 0000
25.0000
0.0000
i00.0000
137.5000
1 .0000
1.0000
1.0000
0.0000
0.0000
25.0000
0.0000
100.0000
137.5000
Constrai nt RH5 Slack(-)/Surplus(+)
1
())
2
(>)
3
(>)
150.0000
200,0000
300 . 0000
0.0000+
0.000c-
0.0000+
***
SENS]TIVlTY ANALYSJS
0bjective coefficients
--
Single Changes:
==> DTGENERAIT or ALTERNATE optinrum. Ranges may n0t le unique
Vari abl e Current Coeff l'4i n Coef f llax Coeff Reduced Cost
Lt-:iI
It'
li
x1 stng_l
x2 stng_2
x3 stng_3
x4 stng_
x5 stng,-5
1 .0000
1 . 0000
i.0000
1 .0000
0.8750
0.8750
0.5000
1 . 0000
0.2500
-0.1250
-0.1250
0.0000
0.0000
0,0000
0.0000
irinity
:ririly
i.0000
inFritv
1.2500
1.20C0
tltay nol e urique
x6 stng_6 1.0000 1.0000
Right-hand Sjde
--
Sjngle Changes:
==> DEGTNERATE or ALTERNATE 0ptinlunl. Ranges
Constrai nt Current RHS lvli n RNS Hax R.fS Dual Pri ce
1
())
2
(>)
3
(>)
Figura 2-15
t00.0000 70c. Jc00
0.0000 300. N0c0
25.0000
'1
niniiy
150.0000
200.0000
300.0000
0.2500
0.3750
0.5000
Las restricciones del modelo abordan directamente 1a satisfaccin de la demanda de rollos. Si se
utilizan todas las posiciones que se muestran en la tabla. obtenemos
Nmero de rollos de 5 pies producidos
=
Ltt + 2x, + 4xo + xt
=
xt + x2+ zxs
=
xI+ x3 + 2x6
F::=.
;-tidades deben ser iguales por lo menos a 150,200 y 300 rollos, respectivamente.
P-a construir la funcin objetivo, observamos que el rea total de desperdicio en el corte
e. ,. u::.cra entre eI rea total de los rollos estndar utilizados y el rea total que representa
occs -':'. :'t:idos. Por tato
t\:
5. 2"6 Anlisis de modelos seleccionados
de
pL
ea total de rollos estndar
:
20L(x, + x2 + x, I xo* x,
.1_
reatoraldepedidos
= (150 x 5 + 200 x 7 + 300 x
53
,r)
9)
=
j -<OI
Dado que el largo t del rollo estndar es una restriccin, la funcin objetir-o se re,luce a
Minimice
z
=
xr + x2+ x3 + x4 + x5 + x6
Por tanto, el modelo general se puede escribir como
Minimice
Z =
xt * xz+ x3 + x4 + xs + x6
suJeto a
2x,
-l
2x,
-t
4x^
xr* x,
xrlxs
xi=- o,
+ xs
>
150 (rollos de 5 pies)
t 2x,
>
*.Zxu
>
j:1,2,...,6
La solucin ptima del modelo en la figura 2-15 indica que el problema
tiene ptimas
rnternativas,
lo que significa que para el mismo nmero de rolls estndar, se pueden ufihzar
diferentes posiciones para satisfacer el pedido. La solucin dada requiere el corte de 25 ro-
ilos estndar conforme a la posicin
3, e 100 conforme a la posicin
5 y de 137.5 conforme
a la posicin
6. La solucin no es "aplicable", debido a qu" ru no
",
un entero.
podemos
uti-
liza un algoritmo entero para resolver el problema (vase ellaprtuto 9) o bien redondear la
solucin de PL de manera que _16 tome el valor conservador de i3g.
En vista del requerimiento
de enteros para las variables, la solucin se interpreta de
una
manera un tanto diferente. Por ejemplo, el precio dual de .25, correspondiente
a la res-
triccin 1, significa que el incremento
de un rollo nicamente en a demanda de rollos de 5
pies requerir
el corte.de_ una cuarta parte adicional de un rollo estndar de 20 pies. Esta re-
comendacin
es imprctica. En vez de ello, podemos
recomendar
el corte de un rollo adi-
cional de 2 pies por cada cuatro rollos adicionales de 5 pies. Esta recomendacin
es vlida
siempre y cuando estemos dentro del rango
[100,700]
"tp""in"oo
por el rango del lado
derecho. un anlisis similar aprica a ros pre-cios
duales ristntes.
Serie de problemas
2.a
1' Considere el modelo de Thriftem Bank del ejemplo 2.6-7 y su solucin en la figura
2-10.
(a)
considere la salida que corresponde
a hacer cambios individuales
en
derecho de la restriccin.
Explique por qu el valor mnimo pe
lado derecho de la primera restriccin ei igual a 4.g millones
bin explique por qu el varor mximo "et tao derecho de
striccin es igual a 12.
(b)
Supongamos que el banco asigna los
las y comerciales.
Calcule la utilidad
mas diferentes.
l2 millones de dlares a prsr
neta resultante para el banco
1., '
:d."
-
-
54
Cap. 2 lntroduccin
a la programacin lineal
(c) Supongamos
que los fondos disponibles
para hacer prstamos se incrementan
a 20 millone, i-Jtur",
y qrr" .t lmite mnimo pafa los prstamos agrcolas
y
comerciales
se incremen

g
-uones.
La
,ru"uu solucin ptima seguira in-
cluyendo
nicamente
los prstamos
para vivienda y para automvil?
2. Considere
el modelo de Uso de Suelo del ejemplo 2'6.-2' Supongamos Oue-!!$^
eyes puede
"o*prui
100 acres adicionaies
d. t".i.no virgen a un precio de 450 000
dlares. utilice tos itaos
del modelo en la figura 2-!1. paraproporcionarle
a
la compaa
una decisin concerniente
a esta compla'
3. Considere
la Programacin
de Autobuses
del ejemplo 2'6-3'
.
(a) Utilice ro, ,"rrriiuot
e ta satia en la figuia 2-73 para determinar
el nmero
total ptimo de autobuses'
suponiendo
que e1 nmer91nimo
de autobuses
para los sei, periodos sucesivs
se da coo
0)
g'n'10'7
'12'a)
v
(ii) (4'8"7
'
7,\2,4).
(b) Supongamos
que los requerimientos
mnimos se cambian a (6' 9'12'7
'
15' 6)'
utilice el anlisis de sensibilidad
para determinal
si la solucin actual sigue
siendo tactiule. ii es tactiule. deteine
los nuevos valores de las variables'
4. Considere
el modelo de desperdicio
en ei corte del ejemplo 2.6-4 y su solucin
en
lafigwa2-1'5'
(a) Si cortamos 20 rollos utilizando
la posicin 1 v 100 rollos utilizando
la posicin
3, calcul e el reade desperdicio
asociada en el corte'
(b)Supongamosqueelnicorolloestndardisponibleesde15piesdeancho.
Genere tourju,
fori"ion",
posibles de ias cuchillas
para producir rollos de
5_,1-yl_
pi.s y catute el desperdicio
en el recorie asociado
por cada pie de largo.
(c) En el modelo oiigi"ur,.i
la d'emanda
de rollos de 7- pies de ancho disminuye en
g0,
cul
es el nrero total de rollos estndar de 20 pies que se necesitar
para
satiifacer
la demanda de los tres tipos de rollos?
(d) En el modelo original, si la demnda
de rollos de 9- pies se cambia a 400'
cuntos
rotto,
"r7rrr
adicionales
de 20 pies se necesitarn
para satisfacer
la nueva demanda?
5. Shale oil, ubicada en la isla de Aruba. tiene una capacidad
de 600 000 barriles de
petrleo cruo at -Los
productos finales de la refiera inciuyen dos tipos de ga-
solina sin plomo: r"g"i"r
V
pt"mium. El proceso de refir.ado abarca tres etapas:
(1-)
una torre de destilao
qu prodrrc" unu tur. concentrada.
(2) una unidad de alam-
biques desintegraor"r,
qo" produce un concentrado
de gasolina utilizando una
porcin de la uus" con."nirudu
producida en la torre de destilado
y (3) una unidad
mezcladora
que mezcla el concentrado
de gasolina de 1a ridad desintegradora
y la
base concentraa
de la torre de destilado.Tanto
la gasolina regular como la-pre-
mium se prr"o"r, p,oO""i' yu
'"u
con la base concenirada
o con el concentrado
de
gasolina durante'"i
pto""r de mezclado.
aun cuando a costos diferentes' La com-
paa calcula
que l utilidad neta por barril de gasolina regular es de 7'70 y 5'20
dlares, OepenOlefio
de si ,"
-""lu
de ia base concentrada
o de la gasolina con-
;enrrada. Los valores correspondientes
de la utilidad
para el grado premium son
,: ,:{l
i'
10,40 dlares.
q&'
6 Anlisis de modelos seleccionados de
pL
57
'r
Segn las especificaciones del diseo, se necesitan cinco barriles de petrleo'
;mdo para producir un barril de base concentrada. Las unidad*t A. au*Uiq"L,
desinlsgdsres
no pueden :utilizar ms de 40 000 barriles de base concentrada
al
a. Toda la base concentrada restante se utiliza directamente en la unidad mez-
cladora para producir el producto final, la gasolina. Los lmites de la demalOu pu*
la gasolina regular y premium son de 80 000 y 50 000 barriles al da.
(a)
Desarrolle un modelo para determinar el programa de produccin
ptimo
para la refinera.
O)
9glglgqmos
que la capacidad de la torre de destilado se puede incremenpr a
650 000 barriles de petrleo crudo al da, a un costo iniciafde 3 500 000 dlaes
y a un costo diario de mantenimiento de 15 000 dlares.
Recomendara
u_<red.
la expansin? Exponga cualesquiera hiptesis r"ur, n"""rrias para llegar a una
decisin.
6 Hawaii Sugar Company produce azttcar morena, azicar procesada (blanca), aziscat
pulverizada y melazas con el jarabe
de la caa de azicar.La compaRia compra 4 00tr
toneladas de
jarabe
a la semana y tiene un contrato para entregr un mnimo de 2-i
toneladas semanales de cada tipo de azicar.El proceso de pro?uccin
se inicia fa-
bricando azcar morena y melazas con el jarab.
Una toneiada de jrabe
produce
.3 tonelada de azcar morena y .1 tonelada de melazas. Despus, elazicarblanca se
eiabora procesando el az(tcar morena. Se requiere 1 tonelad de azticar morena para
producir .8 de tonelad a de azcar blanca. Finlmente, el anicar pulverizadase
fabrica
de la azcar blanca por medio de un proceso de molido especial, que tiene 95% de
eficiencia de conversin (1 tonelada d azcar blanca produe .95 de tonela dade az,-
car pulverizada).
Las utilidades por tonelada de azcir morena, azicar blanca, aztcar
pulverizada y melazas son de 150,200, 230 y 35 dlares, respectivamente.
(a) Formule el problema como un progrma neal y determinar el programa de
produccin semanal.
(b) Investigue la factibilidad econmica de ampliar la capacidad de procesamiento
de la compaa a ms de 4 000 toneladas d jarabe
a la semana.
7.
fox
Enterprises est considerando seis proyectos para su posible construccin, a lo
largo de los prximos cuatro aos. A cbntinuacin se prporcionan
las utilidades
esperadas (valor actual) y los desembolsos de efectivo put tor proyectos. Fox est
autorizada para emprender cualquiera de los proyects parciai o totalmente. Un
compromiso parcial de un proyecto prorrateartanto
la utilidad como los desem-
bolsos de efectivo en forma proporci,onal.
Desembolso de efectivo (en miles de dlares)
Proyecto Ao 1 Airo2
Utilidad (en miles
Ao 3 Ao 4 de dhres)
r
2
J
4
5
6
10.5
8.3
t0.2
7.2
12.3
9.2
14.4
12.6
t4.2
10.5
10.1
7.8
2.2
9.5
5.6
7.5
8.3
6.9
32.40
35.80
17.75
14.80
18.20
12.35
2.4
3.r
4.2
5.0
6.3
5.1
Fondos disponibles
(en
miles de dlares)
60.0 70.0 35.0 20.0
56
Cap.2 lntroduccin
a la programacin lineal
Flujo de efectivo
(en miles de dlares) al principiar el
Proyecto
Ao 1 Ao 2 Ao 3 Ao 4 Ao 5
(a)Formuleelproblemacomounprogramalinealydetermine|amezc|aptima
de proyectos que maximice las utilidades totales'
(b) Suponga-o,
qlr" no es posible. emprender
ninguna
parte del proyecto 2 a
menos de que t;:;il
por to.mlttos una poicin del proyecto 6'
(c)
Vale
la pena pedir inero
prestado el cuarto ao?
(d)Enelmodelooriginal,supon.galo:quecualesquierafondosquequedanalfinal
del primer ao se-emplen
efao siguiente inmediato'
Encuentre
la nueva solu-
cin ptima
y d;;;d*"
"unt
le;pide prestado" cada ao al ao anterior.
(e) Suponga-o,
q* i*]o"o, anuales dispnibles
para los tres primeros aos se
pueden
"*."0"i
*i
",
,"."rurio,
pidiend'o dinero prestado de otras actividades
financieras
"rri- iu
"o-puRia.
Formule de nevo el modelo
y encuentre.la
solucin Optimu."i-a^tt""""tf"cin
requerirapedir,prestado
en cualquier
ao? De ,". urill,il es la proporcin de utilidades sobre el dinero prestado?
S.AcmeManufacturingCompanyhaobtenidouncontratoparaentregafVentanas
para viviendu, rrruri" t,o, piOti*o" seis_ meses. Las demandas sucesivas
para los seis
periodos son 100, zi,tgo,MO,220
y 110, respectivamente.
El.costo de produccin
porventanavarade,"t*"'aotro,dependiendodeloscostosdelamanodeobra'el
material
y las utilidades. Acme calcula
que el costo de produccin
por ventana du-
rante los prximos seis meses ser de 50.45, 55,48,52y
50 dlares, respectivamente'
Paraaprovecharlasfluctuacionesenelcostodefabricacin,Acmepuedeelegirpro-
ducirmsdeloque'"""""'ituparasatisfacerlademandadeunmesdeterminadoy
tener en existencia el exceso de unidades,
para entregarlas
en los meses posteriores'
Sin embargo, esto har que incurra
"n
.or, de almacenamiento
en una proporcin
de
g
dlares ,,'"rrr*,
por ventana, evaluados en el inventario al final del mes.
(a)Desarrollarunproglamalineaiparadeterminarunprogramadeproduccin
ptima
Para
Acme.
(b) Resolve,
"t
prut"-a suponiendo
que Acme tiene un inventario
inicial de 25
ventanas a principios del primer mes'
(c) Los precios ,rut"l L" los periodos t'?'O
t
5 son exactamente
iguales a los costos
de fabricaci";;;;;;d'para
los ,n r-. periodos, mientras
que el del periodo
3 dif,ere. Explique
por qu.
rementa a 9 dlares
(d) Si el costo de almacenamiento
por ventana por mes se lnc
la
solucin ptima en-(a) se mantendr inalterada?
9. El inversionista
Doe tiene cuatro oportunidades
potenciales para invertir un total
de 100 000 dlares-La
siguiente tabia proporciona el flujo de efectivo
para las cua-
tro inversiones.
1
2
3
J
-
1.00
-
1.00
0.00
-1.00
0.50
0.60
-
1.00
0.40
0.30
0.20
0.80
0.60
1.80
1.50
1.90
1.80
t.20
1.30
0.80
0.95
Sec. 2.6 Anlisis de modelos seliccionados de PL
La informacin en la tabla se interpreta como sigue: para el provecto 1 . 1.00 dlar
invertido a principios del primer ao producir .50 al principio del segundo ao,
.30 al principio del tercer ao, 1.80 al principio del cuarto ao y 1.20 al principio
del quinto ao. Las entradas restantes se interpretan de manera similar. Una en-
trada de 0.00 significa que no hay un flujo de efectivo de entrada ni de salida. Doe
lamhin
tiene la opcin adicional de invertir en una cuenta bancaria que produce
6.5Y""ant: Los fondos acumulados de un ao se pueden reinvertir en los aos
sigiontes:-'
(a) Formule el problema como un programa lineal, para determinar la asignacin
ptima de fondos a las oportunidades de inversin.
(b) Utilice los precios duales para determinar la utilidad total sgbre la inversin.
(c) Si usted desea gastar 1 000 dlares en diversiones al final del primer ao,
',cmo
afectara este gasto la cantidad acumulada al principio del quinto ao?
(d) Si sus gastos en diversiones son de 1 000 dlares al final de cada uno de los
cuatro primeros aos, determine los fondos acumulados al final del quinto ao.
10. Toolco ha firmado un contrato con AutoMate para proporcionarles a sus tiendas
automotrices de descuento cinceles y llaves de tuercas. La demanda semanal de Au-
toMate es de l" 500 llaves de tuercas y 1.200 cinceles. La capacidad actual de Toolco
no es lo bastante grande para producir las unidades requeridas y debe trabajar
horas extra y posiblemente subcontratar a otros talleres de herramientas. El resul-
tado es un incremento en el costo de produccin por unidad, como se muestra en la
siguiente tabla. El mercado restringe las llaves de tuercas a una proporcin de por
lo menos 2:1 con los cinceles.
57
Herramienta Tipo de produccin
Rango de produccin
semanal (unidades)
Costo por
unidad($)
Llaves de tuercas Regular
Horas extra
Subcontratacin
Cinceles Regular
Horas extra
Subcontratacin
0-550
551-800
801-m
0-620
621-900
901-o
2.00
2.80
3.00
2.r0
3.20
4.20
(a) Formular el problema como un programa lineal y determinar el programa de
produccin ptimo para cada herramienta.
(b) Relacionar el hecho de que la funcin del costo de produccin ha increme-
tado los costos por unidad con la validez del modelo
(c) Relacionar los precios duales del modelo con los costos de produccinl por
unidad que se muestran en la tabla.
'
.
.
(d)
Cul
es el efecto d incrementar las capacidades de produccin regular
_v
de
horas extra en una unidad, sobre el costo de produccin total por setuana?
:
1,1. Cuatro productos se procesan en secuencia en dos mquinas. La siguienre
F!L__
proporcionalosdatospertinentesalproblema
E.:_ :i-
"
Sec
58
Tiempo de fabricacin por unidad (hora)
Mquina Costo por
hora ($)
Producto 1 Producto 2 Producto 3 Producto 4 CaPacidad
(hora)
500
380
2
2
4
1
J
2
2
-'t
10
5
1
2
Precio de venta
por unidad ($)
45
55 70 65
(a) Formular el problema como un modelo de PL y encontrarla solucin ptima'
(b)Supongu-o,qo"".,alquiercapacidadadicionaldelasmquinasly2slose
' '
po"a""udquirii trabajando
horas extra.
cul
es el.costo mximo
por hora
en el cual fu
"o-puniu
debe estar dispueita a incurrir para cualquiera de las
mquinas?
(c)Encuntodebereducilseelcostodeltrabajoenlamquina,porunidaddel
iroducto
3,paraque slo sea rentable?
(d)
'En
el modet,o original, supongamos
que los precios de venta para los productos
1,3 y + ,"
"u-Uiu"r,
u Ab, e'S y O dlares, respectivamente.
Determine los lmites
sobie el precio de venta del producto 2 que deiatn inalterados los valores ac-
tuales de las variables'
(e)Enelmodelooriginal,silacapacidaddelamquinalseincrementaa550horas,
determine
"t
runio sotre la capacidad de la mquin a2 que har que la solucin
actual siga siendo factible'
12. lJnfabricante
produce tres modelos I.II y III de cierto producto utilizando mate-
rias primas ,q
i
n.La siguiente tabla proporciona los datos para el problema.
Materia prima
Requerimientos Por
unidad
u Disponibilidad
4 000
6 000
N*
II
A
B
a?{
427
Demanda mnima
Utilidad por unidad
($)
200 200 150
30 20 50
El tiempo de mano de obra por unidad del modelo I es el doble del II y el triple del
III. Todos los trabajador",
" la fbrica pueden producir el equivalente de 1 500
unidades del modelo I. Los requerimientos
del mercado especifican las propor-
ciones de 3:2:5 para la produccin de los tres modelos respectivos'
(a) Formule et problema como un programa lineal y encuentre.la.solucin
ptima'
(b) Supongamos
que el fabricante-pud"
comprar unidades adicionales de la ma-
' '
,"u pii*u ,i tZ dlares por unidad.
Sera
aconsejable hacerlo?
(c)
.Recmendara
usted que el fabricant comprara unidades adicionales de la
materia prima B a 5 dlares por unidad?
Sec. 2.6 Anlisis de modelos
seliccionados
de
pL
Flujo de efectivo (en millones de dlares) en
Proyecto
ltIt99
1.t4t99
I17l99
ut\t99
3LtI2t99
(d)
cree
usted que sera ventajoso
para el fabricante
incrementar
ra proporcin
de ras unidades producidas
del mfdeto I con 1", dJ;;J;i;
rr ms arriba de ra
proporcin
actual de 3:2?
13. HiRise
construction
puede
licitar en dos proyectos
de un ao. El flujo de efectivo
trimestral (en
millonei de dlares)
se proporciona
en la siguiente
tabra. para
los dos
proyectos.
59
5.0
2.8
1.8
1.8
I
n
-1.0
-3.0
-3.1
-2.5
-
1.5
1.5
HiRise tiene fondos en efectivo
de 1_minn
ar principio
de cada trimestre y
.
puede pedir prestada
una cantidad
igual, a toy, ae:m-tru
J"?r"ra.
nominar
anuar.
Esto significa que.si
f 1a1ti{a{
q,rJpia"
prestada
"" "l
tii-""re i es B, entonces
0
=
B,
=
r,para
.i.=
r,2,3, 4. cu;rquier
d-inero p."rruJo
J"L-" pugu.r"
al finar der
trimestre'
El efectivo excedente pu"o" ganar
un inters trimestral
a una tasa nomi_
nal de 8% anual'Todo
el dinero u"u-.riudo
al final a" un tii-"rtre
se invierte
en el
siguiente trimestre.
(a)
Supongamos
que le permiten
a HiRise
una participacin
parcial
o total en los
dos proyectos'
Determine
el nivel de participacin
que maximizarel
efectivo
neto acumulado
al 3IlI2/99.
(b)
Es
posibre
en cuarquier
trimestre pedir
dinero prestado
y simurtneamente
terminar
con fondos en efectivo?
Explique.
(c) Proporcione
una interpretacin
econmica
de los precios
duales resultantes
del modelo.
(d)
Muestre la forma en la cual los precios
duales asociados
con el lmite superior
del dinero que se pidi prestado
al principio
der terceriri*".rr"
se pueden
de_
rivar de los precios
duales asociads
con el balance
oe tas e"uaciones
que re_
presentan
er flujo de entrada-salida
en ras cinco rectras
gnadas
der ao.
14' Al anticipar
er considerabre
gasto
universitario,de
su hijo, una pareja
ha iniciado
un programa
de inversin
anuar er da que et nino curnpi-i-"o.il
0.' que continuar
hasta que cumpla 18'
La pareja
"ut"uiu
qu" podr
invertir
las siguientes
cantidades
a principios
de cada ao:
Ao
10
Cantidad (g)
2000 2000 2sQ0 2s00 3000 3m
^
Para evitar sorpresas
desagradabres,
ra pareja
opta por invertir er ainero "-n
una forma segura' en las siguients
opcioner, (r
uiiorio*;;;;r,
con
-*r",
*ie
60
rendimiento
anual; bonos del gobierno a seis aos, que rinden 7
'9oA
y tienen un
preclo de mercado actual iguat'18% de su valor nominal,y
(3) bonos municipales a
nueve aos, que rinden 8.5olo, con un precio de mercado actual de 1'02 de su valor
nominal.
(a)
Cmo
debe la pareja invertir su dinero?
ini
b"t"t-ine
la tasa de utilidad asociada con cada ao'
15. Un ejecutivo de negocios tiene la opcin de invertir ms dinero en dos planes: el
plan A garantizaqrr"e
"ada
dlar invlrtido ganar .70 de aqu a un ao y el plan B
iiuntiuque
cada dlar invertido
ganar dlut"t despus de 2 aos' En el plan
, las inueisiones se pueden hacer anualmente
y en el plan B,las inversiones se per-
miten nicamente
en los periodos que son mltiplos de dos
(a)Cmodebeinvertireleecutivo100000dlaresparamaximizarlasganancias
al final de 3 aos?
(b)Vatelapenaqueelejecutivoinviertamsdineroenlosplanes?
16. Considere el problema de asignar tles tipos de aviones a cuatro rutas, conforme a
los siguientes datos:
Nmero de viajes diarios en la ruta
Tipo
De avin
Capacidad
(pasajeros)
Nmero
de aviones
Nmero diario de clientes
I 000 2 000 900 1 200
Los costos asociados, incluyendo los castigos por perder clientes debido a que
no hay espacio disPonible, son
Costo de operacin
($) por viaje en la ruta
Tipo de avin
221
332
542
J
4
5
5
8
10
50
30
20
1
2
J
i 200
1 000
800
1 000
800
600
1
2
.J
1 100
900
800
1 500
I 000
900
Castigo ($) por cliente
Perdido
70 45 50 40
t=
lt'
t- ^-
Lu,-'
r
(a) Determine la asignacin ptima del avin a las rutas y determine el nmero
asociado de viajes.
ft)
Resulta
ventajoso incrementar el nmero de cualquiera de los tres tipos de
ar-iones?
(c) Interprete ios precios duales asociados con las restricciones
que replesentan
lr5 ]rnites en el nmero de clientes a quienes da servicio cada ruta.
Sec. 2.6
17.
Anlisis de modelos seleccionados de PL
Dos aleaciones, A y
4
se hacen de cuatro metales I, II, III
.v
'. conforme a las si-
guientes especificaciones:
Aleacin Especiflcaciones Precio de venta ($)
Cuando mucho 80% de I
Cuando mucho 30% de II
Cuando menos 50% de IV
Entre el 40 y 60"A de II
Cuando menos 30% de III
Cuando mucho 70o/o deIY
Los cuatro metales, a su vez, se extraen de tres
datos:
minerales, segn los siguiente:
61
200
300
A
Conponentes (%)
Cantidad mxima
Mineral (toneladas) III IV Otros
Precio/tonelada
($)
1
2
J
1 000
2000
3 000
(a)
Qu
cantidad de cada tipo de aleacin debe producirse? (Sugerencia: dejar
que.rt sea las toneladas de mineral I asignadas a la aleacin k y definir
'e
como
las toneladas de aleacin k producidas).
(b)
Cunto
de cada mineral debe asignarse a la produccin de cada aleacin?
(c)
Cul
de las restricciones de la especificacin contribuye de una manera ad-
versa a la solucin ptima?
(d)
cul
es el precio mximo que debe estar dispuesta a pagar la compaa por
tonelada del mineral 1?
Del
mineral 2?
Delmineral3?
18. Un apostador juega
una partida que requiere dividir el dinero de la apuesta entre
cuatro elecciones. El juego
tiene tres resultados. La siguiente tabla proporciona la
ganancia o la prdida correspondientes por dlar para las diferentes opciones del
juego.
Utilidad por dlar depositado en una eleccin determinada
Resultado
30
40
50
20 10 30 30 10
10 20 30 30 10
5570200
15
4
-8
-7
9
10
4
-3
-9
-3
5
3
1
2
J
Set
62
Cap. 2 lntroduccin a la programacin lineal
Bez,tn,ta, M., J' Jenvrs, and M. Srrenalr, Linear Programming
and Network Flows, 2a ed., Wiley'
Eljugadortieneuntotalde500dlaresyslopuedejugar.unavez,E|resultado
exacto del
juego no se conoce a priori. ne-tido a esta incertidumbre,
la estrategia
a"f
ulnJot
es"maximizar
la utilidâd mnimaproducida
por los tres resultados'
tul -.
debe asignar eljugador los 500 dlares entre las cuatro elecciones?
ilug;rrnrio,
ta uliudad neia et
jugador puede ser positiva, cero o_negativa.)
ol iJaconsejara
usted al
jugador que apostara fondos adicionales?
2.7 RESUMEN
Latcn\ca
grficade PL se utiliza para obtener conclusiones
generales ace.rca de las propie-
dadesdelasolucindePL.RevelaquelasolucinptimadePLestasociadaconunpunto
de esquina o"i ."pu.io de la solucin. Este resultad clave es la base para el desarrollo del
mtodo smplex,
que presentamos en el captulo 3,pararesolver
el problema general de la
programacin
hnd. i,l mtodo
grfico tambin
proporciona una profunda interpretacin
econmica
del modelo de PL'
BIBLIOGRAFA
Nueva York, 1990.
Scnn,o.ce, L., LINDO: An OPtimization
Danvers. Mass', 1991.
Modeling System, Text and Software,4a ed', Boyd and Fraser'
3a ed.,Wiley, Nueva York' 1990.
Wn-rr.qrt, l{., M o del B uil din g n M athematic al P r o gr ammin g'
PROBLEMAS
INTEGRALES
| ?n.-.* Hi-c company
fabrica y enlata tres extractos de naranja: concentrado
de
jugo' jugo regular
y
mermelada'Losproductos,quesesuponequeSonpalausocomercial'sefabricanenlatasde
cinco galones. La mermelad utiliza nuranjus de Grado I y los productosfestante*s
utilizan el
Grado II. r-a ,igui"nt" tabla enumera lo. uros de la naranja, as como la demanda
para el
Prximo
ao:
Grado de
la naranja
Libras de naranja
Por
lata de cinco galones
Demanda
mxima
(en latas)
Producto
Mermelada
Concentrado
Jugo
I
II
II
5
30
15
10 000
12 000
40 000
--:RedBandCanners",stanfordBusinessCaseslg65'GraduateSchoolofBusiness'Stan- !1,-:--
f^-: ;
--
=- -
Seo- 2.7 Resumen
Una encuesta de mercado muestra que la demanda de
jugo regular es por 1o menos el ,joh{e
que la del concentrado.
En el pasado, HlC compraba naranjas Grado I y Grado II por separado- a las precios
respectivos de25 y 20 centavos de dlar por libra' Este ao' una helada inesp'eraJ' c't'he a
los cultivadores a recolectar y vender la cosecha prematuramente, sin clasi-ficala en G=,io I
_v-
Grado II. Se calcula que 30% de los 3 000 000 de libras de la cosecha caen en Ia categoni de
Grado I y que slo 60% es de Grado II. Por esta razn,Ia cosecha se est ofreciendo a ul:rsac
de descuento uniforme de 19 centavos de dlar por libra. HiC calcula que le costar a La om-
paa alrededor de 2.15 centavos por libra clasificar las naranjas en Grado I y Grado I[-
T
naranjas inferiores al estndar (10% de la cosecha), se descartarn.
Para fines de la asignacin de costos, el departamento de contabilidad emplea el sigulen:;
argumento para calcular el costo por libra de las naranjas de Grado I y Grado II. Puesto que
10% de la cosecha comprada caer ms abajo del estndar del Grado II, el costo promedio efe-
tivo por libra se puede calcular como
@t;n
--
23.5 centavos. Puesto que la proporcin del
Grado I con el Grado II en el lote comprado es de I aL,elcosto promedio correspondiente pox
libra, basado en los precios antiguos, es
@t2+A :
21.67 centavos. Por tanto, el incre-
mento en el precio promedio (= 23 .5 centavos
-
21.67 centavos
=
1.83 centavos) debe reasig-
narse a ios dos grados, utilizando la proporcin 1:2 que da un costo por libra del Grado I de
25 + 1.83(1) = 25.61centavos y un costo de Grado II de 20 + 1.83()
:21.22
centavos. Uti-
Lando esta informacin, el Departamento de Contabilidad cumple con la siguiente hoja de
utilidades para 1os tres productos.
Producto (lata de cinco galones)
Mermelada Concentrado Jugo
E}
Precio de venta
Costos variables
Gastos fljos generales
asignados
Costo total
utilidad neta
$1s.50
9.85
1.05
$10.90
4.60
$30.2s
2t.05
2.1.5
$20.75
13.28
1..96
$1:4
5.51
$23.20
7.05
I
Estaplecer un plan de produccin para Hi-C Company.
f ?-2,* Una siderrgica opera una fundidora y dos laminadoras. La fundidora funde tres tipos de rollos
de acero que se trabajan en su taller mecnico antes de enviarlos a las laminadoras. Las lami-
nadoras utilizan los rollos para fabricar varios productos.
Al principio de cada trimestre, las laminadoras preparan sus necesidades mensuales
de rollos y las entregan a la fundidora. Despus, el gerente de la fundidoratraza un plan de
produccin que est restringido esencialmente por la capacidad de trabajo del taller. La es-
casez se cubre mediante la compra directa a fuentes externas, a un precio ms elevado' En la
siguiente tabla se proporciona una comparacin entre el costo por rollo cuando se adquiere
de la fundidora y su precio de compra externo. Sin embargo, la administracin observa que
esa escasez no es frecuente y que se puede calcular que ocurre alrededor del 5% del tiemc,
xBasado
en S. Jain, K. Stott y E. Vasold, "Orderbook Balancing Using a Combination of Linea
Programming and Heuristic Techniques", lnlerfaces, vol.9, nm. 1, noviembre de 1978'pp.55-67
Tipo de
rollo
Peso
(libras)
Costo interno
($ por rollo)
Precio de compra externo
($ por rollo)
108
L45
194
90
130
180
800
L200
1 650
1
2
J
Los tiempos de procesamiento en las cuatro mquinas diferentes son
Tiempo de procesamiento por rollo
Rollo 1 Rollo 2 Rollo 3 mquinas por mes
Hora disponible
Nmero de por mquina
Tipo de
mquina
320
310
300
310
La demanda de rollos para las dos laminadoras, durante los prximos tres meses es
Demanda de decenas de rollos
Laminadora L Laminadora 2
Mes Rollo 1 Rollo 2 Rollo 3 Ro1lo 1 Rollo 2 Rollo 3
Piantee un programa de produccin para e1 taller mecnico.
2-3. ArkTec ensambla computadoras PC para clientes privados. Los pedidos para los cuatro
trimestres siguientes son 400,700,500 y 200, respectivamente. ArkTec tiene la opcin de pro-
ducir ms de la demanda para el trimestre. en cuyo caso se incurre en un costo de 100 dlares
de almacenamiento por cada computadora. La creciente produccin de un trimestre al si-
guiente requiere la contratacin de empleados adicionaies, lo que incrementa en 60 dlares el
costo de produccin por computadora en ese trimestre. Adems, la disminucin en la produc-
cin de un trimestre al siguiente requerira el despido de empleados, lo que da por resultado
un incremento de 50 dlares en el costo de produccin por computadora en ese trimestre.
-
Cmo debe programar ArkTec el ensamble de computadoras, con el fln de satisfacer la de-
:-.- ia para los cuatro trimestres?
l--l
:
: .' :: F:rniture Company fabrica y ensambla sillas, mesas y libreros. La planta produce los
::, :
-::.-s
semiacabados, que se ensamblan en la instalacin de ensamble de Ia compaa.
7
6
0
9
5
4
3
6
1
0
6
1
2
J
4
10
8
9
5
0
20
20
10
20
40
20
30
0
40
50
30
xl
30
0
50
0
10
1
2
J
I
I
Sec. z./ Resumen
La capacidad de produccin (no ensamblada) mensual de la planra ilclue
j
l,r sills
1 000 mesas y 580 libreros. La instalacin de ensamble emplea a 150 rrabaiadores en dae
turnos de ocho horas al da, cinco das a la semana. Los tiempos promedio de ersamble po:
silla, mesa y librero son 20, 40 y 15 minutos, respectivamente.
El nmero de trabajadores en la instalacin de ensamble flucta debioc. ;s raca-
ciones anuales de los empleados. Las solicitudes de vacaciones pendientes inclul-el a
',r_r
:r-
bajadores en mayo,25 en junio y 45 en julio.
El departamento de mercadotecnia calcula que el pronstico de ventas para los =s
=:-
ductos, para los meses de mayo, junio y julio,
es
Pronsticos de ventas de las unidades
Producto Mayo Junio Julio
Inventario a
nales de abril
s
Silla
Mesa
Librero
2 800
500
320
3 350
1 400
600
2300
800
300
30
100
50
El costo de produccin y el precio de venta para los tres productos son
Producto Costo por
unidad ($)
Precio por
unidad ($)
Silla
Mesa
Librero
150
400
60
250
750
t20
Si una unidad no se vende en el mes en que se produce, se guarda para su posible venta
en un mes posterior. El costo de almacenamiento es alrededor del2Y" del costo de produccin
de Ia unidad.
Debe
Beaver aprobar las vacaciones anuales propuestas?
Captulo
El mtodo
smPlex
J,2
El empleo
problema
I\'|RODUCCION
Fl intodo grfico en el captulo 2 muestra que la solucin ptima de PL siempre est asociada
:nvn punto a" uqu-*o
g.ambin conocid-o matemticamente
como punto extremo)
del es-
:cio de la solucin. Este resultado es la idea clave para el desarrollo del mtodo smplex aI-
:braico
general para resolver cualquier modelo de PL'
La transicin del punto extfemo geomtrico
(o esquina) de la solucin al mtodo smplex
rdica en identificar aigebraicamentJlos
puntos extremos'-Para
lograr esta meta' primero
;onvertimos et mod"t la forma estndai de PL, utilizando variables de holgura o de su-
rervit,
para convertir las restricciones
de desigualdad en ecuaciones'
Nuestro inters en la forma estndar e
pl-
se basa en las soluciones bsicas de las
ecuaciores lineales simultneas.
Esta solucin bsica (algebraica) define completamente
:odos los puntos
"o*.r
(geomtricos) del espacio de la solucin
(para la prueba, vase la
seccin
'7.2).,'lurgotil-o ,ipt"* est disead
putu localizat de manera eflciente la ptima
entre estas soluciones bsicas'
FORMA ESTNDAR
DE PL Y SUS SOLUCIONES
BSICAS
Esta seccin muestra primero la forma en la que se obtiene la forma estndar de PL' Des-
pus muestra la forma en la cual se determinan
las soluciones bsicas'
3.2.1 Forma estndar de PL
de las soluciones bsicas para resolver el modelo general de PL requiere
ponef
-
en una forma estndar, cuyas propiedades son
E7
68
Cap. 3 El mtodo smplex
1' Todas las restricciones (con
excepcin de las restricciones
de no negatividad
sobre
las variables)
son ecuaciones
con un lado ierecho no negativo.
2. Todas las variables son no negativas.
3. La funcin objetivo puede
ser del tipo de maximizacin
o de minimizacin.
l
'
conversin
de desiguardades
a ecuaciones.
una desiguardad
der tipo
<
(>)
se convierte a una ecuacin aumentando
su lado izquierdo
;; variable
de holgura (su-
pervit) (vase
Ia seccin 2.3.3 paralas definicior",l"
h;ldru,
],
,up".ault;.
Ejemplo de
=
restriccin.
xr*2xr<3
es equivalente
a
xr*Zxr*sr:3
donde la holgurasr I 0.
Ejemplo de > restriccin.
es equivalente
a
3x, * xr> 5
3xr*xr-Sr:5
5M.
-
u4@
ln
II
donde el supervit S, > 0.
El lado derecho de una ecuacin
siempre se puede
hacer no negativo,
multiplicando
la
ecuacin por
-1,
de ser necesario.Tmbin
obseivamos qu"r.ru
desiguardad (<) se con_
vierte- a (>) multiplicando
ambo-s lados por
-1.
por
ejemplo
,2
< 4 seconvierte
en
_2
>
_4
cuando multiplicamos
ambos lados por
:L.
2. conversin
de una variabre
no restrngida
a variabres
no negativas.
una
ffiTffiiXi::{r:#,d"
se puede expresar
en rrminos
de dos variables
, ,rgottror,:uti_
x,:xl
-x,,
xl,x, >0
P-or eiemplo,p?tlrr:,-5,
dejamos que xrn
:
O y x
:5.
Si x
:
r;,entonces
tenemos
*-'
:
_5
y x;
-
0. Fn ambos casos, xr* y, soh no negativas,
como se desea.
La sustitucin
se efecta en tds as restriccio-n",
y
"n
ra r.rncion
objetivo. Despus de
r:solr-er
el problema
en trminos ae xrl
I
x,
,
el valor a" u uurluui"
original se determina
en-
:: -
--i: mediante
una sustitucin
hacia'airs.
3' conversin
de maximizacin
a minimizacin.
La maximizacin
de una fun-
cin-n'r-'
-i-. . .,rn) es equivalente
a la minimizacin
de
-f(xr,xz,.
. .
,xn),en el sentido de
eue
amf'5
frLrblemas producen
los mismos valores ptimos d,e x1,xr,...,y
xn.
Fir
,1.--
.!,]
:
iq' 3 2 Forma estndar de PL y sus soluciones bsicas 69
li
jj-
F.re-'lo
3-2-1.
Esprese el siguiente modelo de PL en forma estndar.
:Lr3ta a
Maximice z =
2xt + 3x2 + 5x3
xr1_ x,
-
rr=
-5
-6x,
* lxr- 9xr= 4
xr * x, * 4x.: t0
xp x2>- Q
rj no restringida
La conversin se efecta de la siguiente manera:
1,. Reste el supervit Sr del lado izquierdo de la primera restriccin y despus multiplique amt'.s
lados por
-1
para obtener un lado derecho no negativo. (Como una alternativa, podemos muitipiic.:
ambos lados de la desigualdad > por
-
L para convertirla < con un lado derecho no negativo y despus
aumentar una holgura st al lado izquierdo.)
2. Aada la holgura s2 al lado izquierdo de la segunda restriccin.
3. Debido a que la tercera restriccin ya est en forma de ecuacin, en este caso no se necesita
una holgura o un supervit.
4. Sustituya x
z
:
xt
-
xl no restringida en el objetivo y en todas las restricciones, en donde .rf
yxl
=
0.
Las operaciones dadas producen el siguiente estndar de PL.
Maximice z = 2x, * 3x, * 5x{
-
54;
sujeta a
-xt-
xz+rxi- x, *s, 5
-6xr#7xr*
9r; * n*t *sz= 4
x, * x, +,4x{
-
4x,
:
10
xt, xz, x{, xr, xt, rs > 0
1. Escriba la forma estndar del ejemplo 3.2-L,suponiendo que la primera restriccin
es del tipo
=,
la segunda restriccin es del tipo
=
y la tercera restriccin es del tipo
<
. Adems, -r1 eS lo restringida y x: > 0.
2. Dos productos diferentes, PI y P2, se pueden fabricar en cualquiera de dos m-
quinas diferentes, MI y M2. El tiempo de procesamiento por unidad de cualquiera
de los productos, en cualquiera de las mquinas, es el mismo. La capacidad diaria de
lamquina,M1, es de 200 unidades (ya sea de P1 o de P2 o de una mezcla de ambos,
y la capacidad diaria de la mquina, M2, es de 250 unidades. El supervisor del a:rr
quiere balancear el programa de produccin de las dos mquinas, de tal manera :
-.
-,ll _
70
Cap.3 El mtodo smplen
el nmero total de unidades producidas
en una mquina est dentro de 5 unidadcr
del n_mero producido
en la tra. La utilidad po, unidud d; F1
",
de r.0 dlares
'
ir
de P2 es de 15 dlares.
prepare
er problema
en la forma
"tt"au,
J"
3' Muestre cmo la siguiente funcin objetivo puede ser presentada
en la forma estnda
de PL:
Minimice
z
:
max{lx,
-
xz * 3xrl,l_x, + 3xr
-
xrll
X1, X2, X3 2 0
4. Muestre que las rz ecuaciones::
)a,,x,:
b, i
:
I,2,...,m
son equivalentes
a las siguientes rz + 1 desigualdades:
-1a
-
L.Z.,..rm
m
=
),
)a,,x,'
bu i
j:1,
(2',,).,
3.2.2 Determinacin
de soluciones
bsicas
La forma estndar de PI , incluye
m ectaciones lileales simultneas
en ru incgnitas
o varia-
bles (zz < n)' Dividimos las variables r en dos series: (1) ,
--
uu.iuut"r,
u ru, Juui", r", u.ig-
namos valores cero y (2) las restantes n variables,.uyr
uutor"Jse
eterminan
resolviendo
las rz ecuaciones
resultantes.
Si las m ecuaci.ones proucen
una solucin nica, entonces las
n variables asociadas se llaman variables bsicas y tu" n
--
i"t""t"s variables
se conocen
como variables no bsicas. En este caso, la solucin nica resuliante
incluye una solucin
bsica' Si todas las variables
asumen uulor", no negativos, entonces la solucin
bsica es
factible.
De lo contrario,
es no
factible.
Basndonos
en las definiciones
dadas, el nmero mximo d,e posibles
soluciones
bsi-
cas para las a ecuaciones
con n incgnitas es
ln\ nl
II:
\ml ml (n
-
m)!
Ejemplo3.2.2.ConsiderelasiguienteseriededosecuacioneScon"i,'.oi@
xrl xr*4xrtZxo*3xr:g
4xr*2xr*2xr*
xaI6xr:{
Identl-flque
una solucin bsica factible, una solucin bsica no factible y combinaciones
de varia-
bles que no producen
soluciones bsicas.
Ei nrimero mximo de soluciones bsicas posibles
es
#
:
10.
posteriormente,
mostramos
que ale-onas de estas combinaciones
quiz ,ro pdur.un
nrniuna ,oluJorr-uarr.u.
s-
3J Forma estndar
de
pL
y sus soluciones
bsicas
Ecuaciones:
\*4xr:g
4x1 * 2xr: l,
Ecuaciones:
x1* xt:$
4xt * Zxr= !
Ecuaciones:
44 * Zxo:
g
24 * xo: l,
Por definicin,
una,soluci-
bsica slo puede incluir dos (= rlz) variabler
lo que signifi6 que el nmero asociado
de variables
no bsicai cero debeser
tres (= n
_
m).
Ctso 1. Solucin bsica
factible
Cero variables (no bsicas) (x2,xo,x5)
71
Solucin: (jnica
con x,
:
0, x.
:
2.
Situacin:
Soruci bairca
aciture debido a que las variabres
bsicas . r:"
Caso 2. Sotucin uariro n,
)lXuio'
Cero variables (no bsicas) : (xr, xa, x,)
Solucin:
nica con xt
: _
6, x = 1.4
Situacin:.
Solucin beiicano
atfbk debidoa que x,
(
0.
Caso 3. tnfinidad
de soluciones
Cero variables (no bsicas) (x1,x2,x5)
Solucin:
No hay una solucin
nica porque
las soruciones
son dependientes
(si usted.divide
la primera
Lcucion
""i;;-;.,obtendr
la segunda
Situacin:
ffi:?."soluciones.
Caso 4. Solucin inexistente
Cero variables (no bsicas) : (x1, xr, xa)
Ecuaciones:
x2 * 3xr:
g
2x, * 6xr: 4
Solucin:
No existe una solucin porque
las ecuacione
ssoninconsistentes.
Situacin:
Solucininexistente.
Serie de probtemas
3.2b
il
A :
p
1' En el ejemplo
3'2-2 examina-mos
cuatro combinaciones
de variables.
ponga
a prueba
las combinaciones
(-r1,.r4), (xr,xr)y
(xz,,x)
e identifiquelu
Jituu.ion
de sus soluciones.
jL
2. Considere
la siguiente
pL:
sujeta a
Maximice
z=2x1 +3x,
xri-3xr<6
3xr*2xr<6
X1,X2 2 Q
la:
:
:'
72
(a) Exprese el problema en forma estndar.
(b) Determine todas las soluciones bsicas del problema y clasifquelas como factibles
y no factibles.
(c) Emplee la sustitucin directa en la funcin objetivo para determinar la mejor
solucin bsca
factible.
(d) Verifique grficamente que la solucin obtenida en (c) sea la solucin ptima de
PL y, por tanto, concluya que la solucin ptima se puede determinar alge-
braicamente, considerando slo las soluciones factibles bsicas.
(e) Muestre cmo la solucin bsica no
factible
est representada en el espacio de la
solucin grfrca.
3. Determine la solucin ptima para cada una de las siguientes PL, enumerando todas
las soluciones bsicas.
(a) Maximice z
:2x1
-
4x2
-l
54
-
6xo
sujeta a
xr*4xr-2xr*8xo=2
-xt
I 2x, * 3x.. * 4xo= !
Xy X2, X3, Xa, - 0
(b) Minimice Z
:
xt I 2x2
-
34
-
2xa
sujeta a
xr*2x"-3xr-l x:4
xr-l 2xr* xr*2xo:4
Xy X2, X3, X4, - 0
4. Muestre que todas las soluciones bsicas de las siguientes PL son no factibles.
sujeta a
Maximice z=xr+x2
xrI2xr<6
2x, * x,
>-
1,6
xyx2 - Q
3.2.3 Variables no restrngdas y soluciones bscas
E- la seccin2.3.3 definimos las variables no restringidas. Despus, en la seccin 3.2.1, mos-
::-"-.'s que. en la forma estndar, una variable no restringida x, debe sustituirse en trminos
j=
;:'- i-aiables
no negativas como
x:xl-*
,*f,ri>0
Sec. 3.2 Forma estndar de PL y sus soluciones bsicas
Basndonos en la definicin de soluciones bsicas en la seccin 3.2.2.es impositie que -r- \
xf sean variables bsicas simultneamente, porque son dependientes La i=F;n.Jenri
proviene del hecho de que los coeficientes de restriccin de xrl son los negatilos :e
-.
i ,r .
Esto significa que en cualquier solucin bsica, por 1o menos una de las r'nal-;s
-.::- ',
xf debe ser no bsica a nivel cero (vase el problema 3.2c-I).
Serie de problemas 3.2c
1. Considere la siguiente PL:
sujeta a
Maximice z =
2xt + 3x, + 5x3
-6x,
* 7x,
-
9xr> 4
xt * x, * 4xr: 10
X11X32Q
x2 no restringida
La conversin a la forma estndar implica utilizar la sustitucif xz
:
x[
-
xi,
Muestre que ninguna de las soluciones bsicas del problema puede incluir tanfo xl
y xt simultneamente.
sujeta a
Maximice Z=xt*3xz
xt I xrs2
-xt
I xr= 4
x1 no restringida
xz> 0
(a) Determine todas las soluciones bsicas factibles del problema.
(b) Utilice la sustitucin directa en la funcin objetivo para determinar la mejor
solucin bsica.
(c) Resuelva grficamente el problema y verifique que la solucin obtenida en (c) es
la ptima.
3. JoShop fabrica tres productos, cuyas utilidades por unidad son de 2,5 y 3 Otar8qr-tg}{f\
..
pectivamente. La compaa ha presupuestado 80 horas de tiempo de manb.de.obrp:,i''.5
y 65 horas de tiempo mquina para la fabricacin de los tres productos. Lps.reque-.
-'-5
rimientos de mano de obra por unidad de los productos 1,2 y 3 son de2,1;! 2 hoias.
;
respectivamente. Los correspondientes requerimientos de tiempo mquinpor u"i-
j$
da son de .1 y .5 horas.loShop consider la mano de obra y ias horas pr".opoqs=.ip
:::
s-|ll
:4'
._-. _._
_.j
rEA{s
73
iles
,or
la
de
'l
:l
l
Sec.3'
Cap.3 El mtodo smpler
tadas como metas que puede exceder, si es necesario, pero a un costo adicional de
15 dlares por hora de mano de obra y de 10 dlares por hora mquina. Las respecti-
vas utilidades por unidad para los tres productos son 2,5 y 3 dlares.
(a) Formule el problema como una PL y determine todas sus soluciones bsicas
factibles.
(b) Utilice los resultados en (a) para determinar la solucin ptima.
4. En una PL en la que hay varias variables no restringidas, una transformacin del tipo
,
:
*f
-
*
,
ri
,
ri
=
0 duplicar el nmero correspondiente de variables no ne-
gativas. En vez de ello, podemos reemplazar las variables k no restringidas exacta-
menteconk+lvariablesnonegativas,utilizandolasustitucinx j:
x'j
-
u,xj,tn>0.
Utilice TORA para mostrar que los dos mtodos producen la misma solucin para
la siguiente PL:
sujeta a
Maximice z =2xr
-l
3xt
-
2x3
4xr- xr
-
5xr:10
Zxr*3x.*2x.:72
xt 2 0,xz,xz no restringida
3.3 EL ALGORITMO S|MPLEX
Basn<lonos en el desarrollo en la seccin 3.2, podemos determinar la PL ptima enu-
merando en forma exhaustiva todas las soluciones bsicas (factibles) de la forma estndar'
Sin embargo, este procedimiento es ineficiente desde el punto de I'ista del clculo. El algo-
ritmo smplex est diseado para localizar la ptima concentrndose en un nmero selec-
cionado de las soluciones bsicas factibles del problema.
El mtodo smplex siempre empieza en una solucin bsica factible
1-
despus trata de
encontrar otra solucin bsica factible que mejorar el valor del objetivo. Esto es posible
slo si un incremento ennavariable cero actual (no bsica) conduce a un mejoramiento del
valor del objetivo. Sin embargo, para que una variable cero actual se convierta en positiva,
debe eliminarse una de las variables bsicas actuales (volverse no bsica a nivei cero) para
sarantizar que la nueva solucin incluir exactamente ru variables bsicas (recuerde que slo
:.os interesan las soluciones bsicas can m variables bsicas). En la termrologa del mtodo
,trplex. la variable cero seleccionada es la variable de entrada v la variable bsica eliminada
:. ,a variable de salida.
fienplo 3^F1.
--
--.',zamos
el modelo de Reddy Mikks (ejemplo 2.2-t) para explicar los detalles del mtodo sm-
:-=: Los principaies elementos del problema se resumen aqu por comodidad. Digamos que
,r:
=
Produccin diaria de pintura para exteriores, en toneladas
.r:
=
Produccin diaria de pintura para interiores, en toneladas
:
-:-::::ar2 r-\ieriores e interiores se producen con dos tipos de materia ptima,Mly M2.
-,5:.,-,;:is
resrricciones representan 1os lmites sobre la disponibilidad de ia materia
74
--\
76
Cap.3 El mtodo smplex
Il
Sec'
3
x2
Maximice z=Sxt+4xz
sujeta a
6x1+4x2<24
@
x1+2x23 6
@
-x1
.t
x2< I
O
w _--.x
/
r:s
- g
x x220
2-
1
z
t
Figura 3-1
La variable de entrada x, ahora debe incrementarse arriba del mvel de cero. La flgura 3
-
1
muestra que, empezando en el origen A (x,
= 0, xz
:
0), el valor ms
grande
que le podemos
asignar a 11, sin caer fuera del espacio factible, est deflnido por el punto
g
{_t,
:
1. x,
j
o). Brro
signiflca que la solucin se mover del punto extremo A al punto xtremo meiorado B.
Debido a que el algoritmo smplex es algebraico, necesitamos mostrar cmo se determina
el punto extremo B a partir de la tabla sin el beneficio de la representacin
_crfica.
De la figura
3*1, determinamos B considerando las intersecciones de ias restricciones
-on
e1 eje xr. Allge-
braicamente, estas intersecciones son las razones del lado derecho de la ecuacin (es
eci, tos co-
eficientes de la columna de "solucin") con los coeficientes correspondientes de la restriccin
bajo x6 como lo muestra la siguiente tabla.
Solucin
bsica factible xr Solucin
Razn
(o interseccin)
24
:,81-:a
s2
-1
6
uZ
=
+
{uinima}
6-
I
-
i
= -t
(No tomar en cuenta)
2
= -
(No tomar en cuenta)
.ti
J.
/'j
't''
Sec. 3.3 El algoritmo smPlex
Rengln
pivote
Columna
p ivot e
Los clculos de Gauss-Jordan necesarios para producir la nueva solucin bsica incluyen
dos tipos.
1. Rengln
Pivote
Nuevo rengln pivote
=
rengln pivote actual + elemento pivote
2. Todos los dems renglones, incluyendo z
Nuevo renglr =
(rengln actual)
-
(su coeflciente de la columna pivote) X (nuevo rengln pivote
r'
Los clculos del tipo 1 dividen el rengln pivote (rengln s1) entre el elemento pivote
(=t
'
La siguiente tabla smpiex muestra el nuevo rengln pivote, donde la variable de entrada
:-:
bsic) x, reemplaza la variable de salida s1. La columna de la solucin proporciona difecta:----
el nuevo valor de x, (= 4).
77
Nos interesan nicamente las razones no negativas (o intersecciones i
por.ue :epie-o;::
la direccin del incremento en x1. Dado que los coeflcientes de la columa de
"su'-u;i"
sjegl;
son, por diseo, no negativos, lai raronei resultantes serrt no negavas s1o si e,
=-:-:r:c
l;-
nominador es estrictamente positivo. sta es lataznpor la cual descartamos 1e-';:;-- :
-*'
ecuaciones 3 y 4 cuyos denominadores son negativos o cero'
Laraznno negativa mnima proporciona el valor de la variable de entrada - ::
-'
:;;r:
solucin, a saber, h =
4 (comprla con el punto B en la figura 3-1)' El increr-::; :'--
rresponiente en el valor del objetivo z es (5 dlares X 4 toneladas)
=
2 dlares
Despus determinamoslavartable
de salida entre las variables bsicas actuales -{.-
::- i: i
,ra
eue
se deben obligar al nivel cero cuando entra.r1. (Recuerde que una solucin bsic 3'r ;fi-
"j".pto
debe incluiiexactamente
m
=
4 variables bsicas.) Debido a que sr se asocia con 1a :'
-
I
rias pequena no negativa), su valor ser cero en el nuevo punto B. Por tanto, s1 esla varia:
"
:
saliia, que automiicamnte
hace que f1 sea bsica en el nivel 4. El reemplazo de la varlb-:
e .alida s, con la variable de entrada x1 produce la nueva solucin bsica (x1' s2, s3, so)'
El clculo de la nueva solucin bsica se basa en las operaciones de renglones de Gerc-
Jordan. La siguiente tabla smplex, que es una rplica de la tabla smplex inicial' identifica :'
columna pivoL como la asociaa con la variable de entrada y el rengln pivote como el rengll
asociado con la variable de salida. La interseccin de la columna pivote y el rengln pivote defie
el elemento
Pivofe.
Solucin bsical
factible I t
Los clculos del tipo 2 se aplican a los renglones restantes, como sigue:
1. rengln-z
Rengln z-actnali
(1
-5
-(-5)
x Nuevorenglnpivote: (0 5
:
Nuevo rengln-z: (1 0
2. rengln-s2
Rengln sr-actual: (0 1
-(1)
x Nuevorenglnpivote: (0
-1
- Nuevo rengln-s2: (0 0
3. rengln-st
Renglns3-actual: (0
-1
1 0 0 1 0
-(-1)xNuevorenglnpivote:
(0 1
3 |
O 0 0
:Nuevorengln-s.:
(0 0
; I
O 1 0
Sec.3
s.
s3
-40000
+fooo
-3 looo
20100
-?-
o o o
t-
1 o o
l0)
1
20)
I
20)
l6)
| -4)
l2)
I 1)
l4)
ls)
4. rengln-sa El nuevo rengln-sa permanece igual que el actual, debido a que su coefi-
ciente en Ia columna pivote es ceo.
Por tanto, el nuevo cuadro smplex correspondiente a la nueva solucin bsica (x1, s2, sr, so)
se convierte en
S o 1uc in
1
0
0
0
2!
3-6
l_!
36
:1
36
10
000
100
010
001
$er 3.3 El algoritmo smPlex
Observe que el nuevo cuadro smplex tiene las mismas propiedades que el rdcial. Cuando
,Jeterminamos ls variables no bsicas x2y s1 e cero, la solucin automticaeue oroduce ia
nueva solucin bsica (x' = 4,Sz: 2's:
:
5, s:2)junto con el nuevo r.a1or corespc."e:te
de z (= 20). Este
,,condicionamiento"
del cuadro smplex es el resultado de la apJjcaicn ae
--
operaciones de rengln de Gauss-Jordan.
un examen de la rlltima tabla smplex muestra que no es ptima, debido a qu: ia
"'---:-
b1e no bsica xrtiene un coeficiente negativo en el rengln Z. Este razonamiento' c-u :s ;
mismo que utilizamos con la tabla smplex inicial, se aclara cuando expresamos ei rens-: :
como
25
i
, -;,,-
2,,*
?9
";
Un incremento en x2 (arriba de su valor cero actual) es ventajoso debido a que incrementar e'
valor de z. Por tanto, x2 es la variable de entrada'
Despus, determinamos la variable de salida, calculando las razones de las restricciones
con direccin no negativa de la variable de entrada.rr.
Solucin bsica
factible \,XZ Solucin Razn
79
xl
"4e.
r1i{lSr$tl
,t3
,t,
{z-'
i.3."-j..
!
3
I
J
1
4 4*
?
=6
2
5
2
!
,'t!t
<=
5
-r
J
a t 1
-1
Los clculos muestran que s2 es la variable de salida y qlue xzentrar en la nueva solucin
bsica al valor de
],la
razn (no negativa) ms pequea. El incremento correspondiente en e es
t?
x
Zl
:
l,prouciendo la nueva z
:
20 + 1
:
21.
'-
Blnuev rengln pivote lo da aho,ra el rengln-s2 y la columna pivote est asociada Qorr x2.
Por tanto, el elemento pivote es igual a
].
Enseguida, aplicamos las operaciones de rengln de Gauss-Jordan como sigue:
1. Nuevo rengln-pivote-s, - rengln-actual s, +
t.
2. Nuevo rengln-z =
rengln-z actual
- ?3
"
nuevo rengln pivote
3. Nuevo rengln-x1 =
rengln actual-x1
- t3l
t nuevo rengln pivote
4. Nuevo rengln-s3 =
rengln actual-s3
-
(;)
"
nuevo rengln pivote
5. Nuevo rengln-so =
rengln actual-sa
-
(1) x nuevo rengln pivote
Estos clculos producen la siguiente tabla smplex:
80
Cap. 3
\
El mtodo smplex
$ro,.
, .Puesto
qlue ninguno de los coeficientes del rengln
z asociados con las variables
no bsicas 11 y.r2 es negativo,la ltima tabla smplex s Opiima.
La solucin ptima se puede leer en la tabla smplex deia siguiente manera. Los valores
ptimos de las variables en la columna "bsica" se dan n la column derecha de la,,solucin,'y
se interpretan como
lrt
rLul
fi
it
1
Variable
de la decisin Valor ptimo
Recomendaciones
Solucin bsica
factible z x1 x2 s1 s2 s3 s4 Solucin
t ooi+oo
21.
xl
x2
s3
s4
0
0
0
0
^11
u
- -:
42
.13
I
--
84
^35
84
^13 U-
84
3
2
_:.
2
I
2
Producir diariamente 3 toneladas de pintura
para exteriores
Producir diariamente 1.5 toneladas de pintura
para interiores
La utilidad diaria es de 21 000 dlares
La tabla smplex ofrece abundante informacin adicional, que incluye
L. La situacin de los recursos
2. El valor por unidad (precios duales) de los recursos
3. Todos los datos requeridos para hacer el anlisis de sensibilidad sobre la solucin
ptima
Aqu mostraremos cmo se puede determinar la situacin de los recursos. La determi-
nacin de los precios
duales y el empleo de los datos de la tabla smplex para hacer el anlisis
de sensibilidad,
se tratan en el captulo 4.
, f.]
r'-
La situacin de los recursos est designada como escasa o abundante dependiendo, res-
i"t lrec{ir
amente, de si las actividades (variables) ;"i;;d"l" utilizantotalmente
o no la canti-
9:l
di recurso. Esta informacin se obtiene de la tabla smplex ptima, verificanoo el valor
j.r;,':.j,,li
;:: lrritt'
Er e I :rodelo de Reddy Mikks,las cuatro restricciones se clasifican de la siguiente manera: -."
rt:rt%
,
tt'g
r$
:: . .,]
x1
21.
''
de
':
r 31't1" de holgura asociada con la restriccin que representa al recurso. Si el valor de
^
, .
, ftpo'-r-;la
es cero' ellecurso se utiliza completamente y se clasifica como escaso. De lo con-
:^;,.'-'
^:;:-;lFn";1t1:olgura
go:tiy1
ilgi:l que el recurso es abundante.
rplex
Setr 3.3 El algoritmo smPlex
81
Recursos
Valor de la holgura Situacin
\fateria prima, MI
\fateria ptima, M2
Lmite de la demanda 1
Lmite de la demanda 2
sr:0
sz:0
s:1
^
-a
Escaso
Escaso
Abundante
Abundante
La situacin de los recursos indica que est gatantizado un incremento en la dispon:-
:-.,dad de las materias prima M7 y M2 debio a que ambos lecursos son escasos' La canti'ic
:=l rncremento se puee determinar empleando los procedimientos apropiados del anli'r'
j;
,ensibilidad. Esie punto se expuso en las secciones 2.4 y 2.5 y se examinar ms amplia-
--Dte
en el captulo 4.
El ejempio 3.3-1 se refiere a la maxintizacin. En la minimizacin,la seleccin de las
i ;iables de salida es la misma que en el caso de la maximizacin.Patala
variable de entrada'
:ado que max z =
- min (-z),
"-o
," muestra en la seccin 3'2J"e|caso de la minimizacin
..lecci,ona la variable de enirada como la variable no bsica con el coeflciente objetivo ms
:;ssitit,o;el mnimo Z se obtiene cuando todos los coeficientes del rengln-Z son no positivos'
Las reglas para seleccionar las variables de entrada y de salida se conocen como condi'
ciones ae optimanaad
y de factibilidad. Por sencillez, resumimos estas condiciones
y despus
itrS
Pasos
del mtodo smplex'
Condcin de optimalidad- La variable de entrada en un problema de maximizacin
.i
minimizacin) es la vri able no bsica qoe tiene el coeficiente ms negativo (positivo) en el ren-
gin z. Los empates se rompen arbitrariimente. Se llega a la ptima en la iteracin donde todos
los coeficientes de los r"nglon", Z de las variables no bsicas son no negativos (no positivos)'
condicin de
factibilidad-
Tanto para los problemas de maximizacin como de
minimizacin, la variable de salida es la variable bsica asociada con la raz6n no negativa
ms pequea. Los empates se rompen arbitrariamente'
Los pasos del mtodo smPlex son
Paso 0. Determine una solucin bsica factible inicial'
paso
1-. Seleccione wa variable de entrada empleando la condicin de factibilidad.
Detngase si no hay una variable de entrada'
paso
2. Selecci"one una variable de salida utilizando la condicin de factibilidad.
paso
3. I)etermine las nuevas soluciones bsicas empleando los clculos apropiados
de Gauss-Jordan.VaYa
al
Paso
1'
Los clculos del mtodo smplex son iterativoq en el sentido de que se aplican condi-
ciones y clculos fijos a la tabla smplex actual para producir la siguiente tabla. Por tantc'
nos referimos a las sucesivas tablas smplex como iteraciones.
rJntrazode las sucesivas solucionis bsicas del ejemplo 3.3-1 en el espacio grficc
=-
la figura 3-L, muestra que las iteraciones en el punto extremo A se mueven hacia el pun:;' .I-
tr.rio B y terminan en el punto extremo ptimo C. Estas iteraciones corresponden a 1=:-;-
82
tos extremos adyacentes donde la ruta del mtodo smplex coincide con los bordes del espacio
de la solucin. El algoritmo jams
puede cortar a trats del espacio de la solucin yeno di-
rectamente de A a C. (Vase
algoritmo del punto interior, seccin 7.8, para un
-todo
d"
solucin alternativo.)
Serie de problemas
3.3a
1-. Este pioblema est diseado para reforzar su comprensin
de la condicin de
factibilidad del mtodo smplex. n la primera tabla smplex en el ejemplo 3.3-1,uti-
lizamos la prueba de la razn mnima (no negativa) para determinar la variable de
salida. Esta condicin garantiza que ninguno de los nrr"uo, valores de las variables
bsicas se convertir en negativo. Para demostrar este punto, aplique TORA al mo-
delo de Reddy Mikks y utilice la opcin de "guiada poi el usurio-" para forzar a s2,
en Yez de a s1, a salir de la solucin bsica. Ahora, va la tabla smpiex resultante y
observar que 11 asume un valor negativo (=
-Z)}oque
significa qu" iu rru"uu solucin
no es factible.
2. Considere la siguiente serie de restricciones:
x, * 2x, * 2x, * 4xo= 40
Zxr- xz* xr*2xos 8
4xr-2xr* x3-
-ro<L0
Xy X2, X3, X4 2 O
Pata cada una de las siguientes funciones objetivo, resuelva el problema utilizando
la opcin de guiada por el usuario de TORA:
(a) Maximice
z
:
2xr I xz
-
34 * 5xa.
(b! Maximice
z
:
8x1 * 6x2 * 34
-
2xa.
(c) Maximice
z
:
3x1
-
xz * 34 * 4xo.
(d) Minimice
z
:
5x1
-
4x2-r 64
-
gxa.
(e) Minimice
z
:
-4xt
* 6x2
-
24 * 4xa.
3' La siguiente tabla smplex representa una iteracin smplex especfica.Todas las varia-
bles son no negativas.
()
Determine la variable de salida si la variable de entrada es (i) xr, (ii) xo,(iii)
-r5,
liv t -t"'
,u,
tt'
Solucin bsica
factb 1 e
0 3 0
-2 -3
_1
5 I
u1131030
1
-1
0 0 6
_4
o o
'rPlex
raci
J Q]-
\ J-
aac 1,3
El algoritmo smplex
(b)
Para cada caso en (a) y sin utilizar las operaciones de Gauss-Jordan. derermm;
el valor de la variable de entrada y el incremento coffespondiente en e. r'a,tr d-
objetivo e.
{ Considere el siguiente sistema de ecuaciones:
xrl2xr-3xr*5xo]_x, :4
5xr-2*,
-l
6xo lxa
:8
2xr*3xr-2x.r*3xo
lxt
:3
-xl
+ xr*2xo *rr:0
X1rX2;...rfS20
Sea x5, x6,.'. y.r8 una solucin bsica inicial factible. Si x1 se convierte en bsica,
cul
de las variables bsicas dadas debe convertirse en no bsica a nivel
""to
pu.i qu.
todas las variables sigan siendo no negativas y cul sera el valor de x1 en la nueva io-
lucin? Repita este procedimiento para x2, xz y xq.
5. (a) Resuelva la siguiente PL por inspeccin y justifique
la respuesta en trminos de
las soluciones bsicas del mtodo smplex.
Maximice z =
r
sujeta a
,
5xr*x,,
:4
6*, I xz
:8
3*, * xo: 3
X1, X2, X3, X4, 2 0
(b) Repita (a) suponiendo que la funcin objetivo requiere la minimizacin de
Z:XT
6. Resuelva el siguiente problema po r inspeccin y justifique
el mtodo de solucin en
trminos de las soluciones bsicas del mtodo smplex.
Maximice
z =
5xt
-
6x2 + 3x.
-
5xa + 12x5
sujeta a
x, * 3x, * 5x, * 6xo
-f
3x, < 90
X1, x2, X3, x4, x5 2 0
{sugerencia:
una solucin bsica consta de una variable solamente)
7. Considere el espacio de solucin bidimensional en la figura3-2
(a) Determine grficamente el punto extremo ptimo, suponiendo que la funcjr
objetivo se da como
Maximice
z=3xt+6xz
83
J.
ai-
ie
]S
F
:.
;
I
84
Figura 3-2
(b) si las iteraciones smplex empiezan en el punto,4, identifique la ruta del algo-
ritmo.
(c) Determine la variable de entrada, las razones correspondientes de la condicin
factible y el cambio en el valor de z, suponiendo que la interaccin inicial ocurre
en el punto Ay qtse la funcin objetivo se da como
.
Maximice
z=4xr+xz
(d) Repita (c), suponiendo que la funcin objetivo es
Maximice Z=xt*4xz
considere el espacio de la solucin tridimensional de
pL
en la figura 3-3, cuyos
puntos extremos factibles son A, B, ...y J.
(a)
Cul
de los siguientes pares de puntos extremos son adyacentes:(A,B), (B,D),
(E,H) y (A,I)?
(b) Supongamos que las iteraciones smplex empiezan enAy que la ptima ocurre
en 1L Indique si cualquiera de las siguientes rutas no son legtimas para el al-
goritmo smplex y exponga larazn.
(i) A-+B-+G-+H.
(ii) A-+E-+I-+H.
(iii) A-+C+ E-+B-->A-+D -+H.
Para el espacio de la solucin en la figura 3-3, todas las restricciones son del
tipo
<
y todas las variables xbxz,y x3 son no negativas. Supongamos
eus
s1, J2, s3,
!
s+ ( > 0) son las holguras asociadas con las restricciones representadas por los
planos CEIJE BEIHG, DFJHG e IJH, respectivamente. Identiflque las variables
bsicas y no bsicas asociadas con cada punto extremo factible del espacio de la
solucin.
considere el espacio de la solucin en la figura 3-3, donde el algoritmo smplex em-
pieza en el punto A. Determine la variable de entrada enlaprimeraiteracin, junto
8.
9.
10.
Sec. 3.3 El algoritmo smplex
X2
con su valor y el mejoramiento en
objetivo:
(a) Maximice z
:
xt
-
2x2 r 34.
(b) Maximice z
:
Sxt * 2x2 * 44.
(c) Maximice z
: *2xt
* 7x2 * 24.
(d) Maximice z
:
x1 I x2 * x3.
Considere la siguiente PL:
Maximice z=16\.+15x2
sujeta a
Figura 3-3
para cada una de las siguientes funcione.
85
11.
40x1 * 3Ixr=
-xt
* xzS
t24
1
J x1
X1,X2> 0
Utilice TORA cuando sea apropiado para responder a lo siguiente:
(a) Resuelva el problema por el mtodo smplex, donde la variable de entrada es
la variable no bsica con el coeficiente ms negativo del rengln z.
(b) Resuelva el problema mediante el algoritmo smplex, seleccionando siempre la
variable de entrada como la variable no bsica con el menor coeficiente nega-
tivo del rengln -2.
(c) Compare el nmero de iteraciones en (a) y (b). La seleccin de la variable de
entrada como la variable no bsica con el coeficiente ms negatvo en el
rengln -2,
es
conducente a un nmero menor de iteraciones? Explique 1.
tazn.
(d) Supongamos que el sentido de optimizacin se cambia a minimizacin mu-.,-
plicando
z por
-1. Cmo
afectara este cambio las iteraciones smple r
A: (0,0,0)
A: (1, 0,0)
C: (0, 1,0)
D: (0,0, 1)
86 Cap. 3 El mtodo smplex
12. La compaa Gutchi fabrica bolsos, estuches para afeitar y mochilas. La fabricacin
de los tres productos incluye piel y un material sinttico, pero la piel parece ser la
materia prima ms limitante. El proceso de produccin requiere dos tipos de man
de obra calificada: costura y acabado. La siguiente tabla proporciona la disponibi-
lidad de los recursos, su utilizacin en los tres productos y las utilidades por unidad-
Requerimientos de recursos por unidad
Recurso Bolso Estuche Mochila Disponibilidad diaria
i-
flfiFq
Piel (pies'z)
Costura (horas)
Acabado (horas)
J
2
1
1
1
.5
2
2
1
42 pies2
40 horas
45 horas
Precio de venta ($) 24
Formule el problema como un programa lineal, encuentre la solucin ptima uti-
lizando TORA y determine el estado de los recursos.
3.4 SOLUCIN INICIAL ARTIFICIAL
En el ejemplo 3.3-1, el hecho de empezar las iteraciones smplex en una solucin bsica
factible garantiza que todas las siguientes iteraciones sern factibles. Para las PL en las cuales
todas las restricciones son del tipo (<) (con lados derechos no negativos), las holguras ofre-
cen una solucin bsica factible conveniente para empezar. Entonces surge una pregunta
natural:
cmo
encontrar una solucin bsica inicial para los modelos que incluyen restric-
ciones (=) y (=)?
. El procedimiento ms comn para empezar las PL que no tienen holguras conve-
nientes es utilizar variables artificiales. Estas variables son las que asumen el papel de hol-
guras en la primera iteracin y que slo es posible eliminar en una iteracin posterior. Se
proponen dos mtodos estrechamente relacionados para lograr este resultado: el mtodo de
la M y el mtodo de dos fases.
3.4.1 El mtodo de la M
El mtodo dela M empieza con la PL en la forma estndar. Para cualquier ecuacin I que no
tiene ua holgura, aumentamos una variq,-ble_arlif,cial R'_F.n'!9*q=c_gg'e*s_!g-variablese.convjete
en parte de lisolqglQL,brlslsaldsiat,Si-ibargo, debidli'q""'l* uitinciales son ajenas al
mdelo d Pf,ll"nnamos una penalidad en la funcin objetivo, para obligarlas a un nivel .
;ero en una iteracin posterior del algoritmo smplex
Debido a que M_es g!_y?lglp.9.itivp suficientemente grande,la variable R se penaliza
en la tu*crn objetivo utilllndo
:fuiR,enel
caso de una maximizac-inj+-MK,?n*IcEde
unlrninlrniiacin. Debidci a esia pndlidd;Ia ntftilIproio d otiiiiilgi:-
camente rrataiild-impulsar R, al nivel cero durante el curso de las iteraciones smplex. El
siguiente ejemplo proporciona los detalles del mtodo.
45 22
Solucin inicial artificial
Ejemplo 3.,1-1.
Minimice z=4x1 +x2
suJeta a
3x, * xr: J
4x, * 3xr> 6
n +1_ <4
xx22 0
La forma estndar se obtiene restando un supervit
-r3 en la segunda restriccin y aar;- -
do una holgura xo en Ia tercera restriccin.
por
tanto, obtenemos
Minimice
7=4xr+x2
sujeta a
3x, * x,
:3
4xr*3xr-x, :6
xt*2x, *xo=4
x1, x2,
\,
X4 Z 0
La primera y segunda ecuaciones no tienen variables que desempeen el papel de hol-
guras. Por consiguiente, utilizamos las variables artificiales Rt y Rzen estas dos ecuaiones y las
penalizamos en la funcin objetivo con MR1 + MRr.La
pL
resultante se da como
Minimice
z = 4xt + x, + MR, + MRz
sujeta a
* xz *R,
=3
*3xr-x, '*R, :6
+x.
+x,:4
L -.+
?
87
F{t-
fi'
r!
t
3xt
4r,
x1
X1, 2, x3, Xo, Rt, Rr, > 0
En el modelo modificado, ahora podemos utilizar Rr, Rz y .r4 como la solucin bsica
factible inicial, como 1o demuestra la siguiente tabla smplex (por cnveniencia, hemos eliminado
la columna -2, porque no cambia en todas las iteracions).
Solucin bsica
factible
88
Cap, 3 El mtodo smpler
Anies de proceder con los clculos del mtodo smplex, necesitamos hacer que el rengln
-z sea consistente con el resto de la tabla smplex. De manera especfica, el valor de z asociado
conlasolucinbsicainicialRl
:3,R2=
6,yxo:4debe ser3M + 6M + 0:9Metvezde0-
como se muestra en el lado derecho del rengln -2. Esta inconsistencia se debe al hecho de que
R1 y R2 tienen coeflcientes no cero (-M,
-M)
en el rengln -z (compare con la solucin inicial de
todas holguras en el ejemplo 3.3
-
1, donde los coeficientes del rengln -z de las holguras son cero).
Estas inconsistencias se eliminan sustituyendo Rt y Rz en el rengln -2, utilizando las ecuacione
apropiadas de restriccin. En particular, observe los elementos "l" realzados en el rengln -Rt y en
el rengln -Rr. Multiplicardo cada uno de los renglones -R1 y de los renglones -R2pot M
.r
aadiendo la suma al rengln -2, efectivamente se sustituir a R1 y R2 en el rengln objetivo.
Podemos resumir este paso como
Nuevorenglnz =
antiguorengln z+ M xa:englnR, + M x renglnRr.
Esta operacin se aplica a nuestro ejemplo como
Antiguo rengln -z:
+Mxrengln-R1:
(-4
-1
(3M M
0
-M -M
0 I
0)r
0 M 0 0 1 Zttt'
+ M x rengln -R2: (4M 3M
-MOMO I
6M)
I
eM)
-
Nuevo rengln -z: (-4 + 7M-1 + 4M
-M
0 0 0
Por tanto, la nueva tabla smplex se convierte en
Observe que la nueva z =
9M, ahora es consistente con los valores de la solucin bsica factible
inicial R'
:
3. Rz
:
6.y x+
:
4.
Ahora, la ltima tabla smplex est lista parala aplicacin del mtodo smplex, utilizando
las condiciones de optimalidad y de factibilidad. Debido a que estamos minimizando la funcin
objetivo,.r1, que tiene el coeflciente ms positivo en el rengln -z (=
-4
+ 7M) esla variable de
entrada. Las razones de la condicin de factibilidad producen R1 como la variable de salida.
Una vez que se han determinado las variables de entrada y de salida, la nueva tabla sm-
plex se calcula utilizando las conocidas operaciones de Gauss-Jordan. Recuerde que al realizar
las operaciones de rengln sobre la funcin objetivo, las expresiones en M deben abordarse
aigebraicamente. Por tanto, el nuevo rengln pivote se multiplica por
-
(
-4
+ 7 M) y se suma al
reagln - actual para obterier el nuevo rengln objetivo. As, la siguiente tabla smplex se da
como
Solucin bslca
factible S o luc in
rplex
gtn
iado
le 0.
que
Li de
ro).
{lE
'eE
lr
r-o.
Sec. 3.4 Solucin inicial artificial
Solucin bsica
factible
89
4=
1
llijr:rl:::rt:i
3
Observe cmo la primera iteracin smplex obliga a la variable R, a salir de la solua:
bsica, lo que es compatible con el concepto d penalizr
estas variables en la funcin objer...
La ltima tabla
{mplex-muestra
que xry R2son las variables de entrada y de saLida. res-
pectivamente'
Por tantr,,los clculos smplex se deben continuar paru o, it".u"iones ms a fir rle
satisfacer la condicin de optimalidad.
ia solucin ptima resurtante
",
-:=-!-,;;:?,;;:
,-'
z
:
{
(vease la figura Z.qu-l).
Hay dos observaciones
concernientes
al mtodo de la M.
1' El empleo de la-penalidad
M puede no forzar a la variable artiflcial al nivel cero en
la iteracin smplex final. Si el problema
de PL no tiene
"tr "rp*lo
de solucin factible (es
decir' las restricciones
l? :ol
consistentes)
entonces la iteracin smplex final incluirr
fo,
ro
menos una variable artificial en un nivel positivo. Esto es una indicain
de que el prolema
no tiene una solucin factible.
2. Tericamente,
la aplicacin de la tcnica de-la M reqoiere M-+ a.
Sin embargo,
desde el punto de vista de utilizar la computad ora, M debe ser finita y lo suficientemente
grande.
Qu
grande
es "suficientemente
gru.rd",,
",
una preguntu
uti"rtu. o" 1nn"ru
"rp""i
fica, M debe ser lo bastante grande pari actuar como una penalidad, pero no debe ser tan
grande que desequilibre ta eiactitud de los clculos smplexiEnfarticular,
nuestra principal
preocupacin
aqu es acerca de los errores de redond" d" ru mqrrirra, q;;;;;"';"rri,",
de la manifulacin
de una mezcla de nmeros grandes y pequelos.
El siguiente ejemplo de-
muestra nuestro punto.
Ejemplo 3.4-2.
Considere el siguiente problema:
sujeta a
Maximice
z =
0.2xr + 0.5x2
3xt
-l
Zxr>- 6
xr*2xr<4.
xbx2 0
90
Haremos dos experimentos que demuestren el posible impacto adverso de la M sobre los clcule
Experimento 1
Utilizando la opcin de guiado por el usuario de TORA, aptique el mtodo smplex con M
:
lrli
y despus repita utilizando M
:
999 999. La primera M produce la solucin correcta rr
=
1
i
rz
=
1.5, mientras que la segunda da la solucin incorrecta x,
=
4 y xz
=
0.
Experimento 2
Multiplique la funcin objetivo por 1 000 para obtener z
:
200x1 * 500x, y resuelva el problema
utilizando M
=
70 y M
=
999 999 y observe que el segundo valor es el que proporciona la solucin
correcta en este caso.
La conclusin de los dos experimentos es que la eleccin correcta del valor de M depende
de los datos. El requerimiento terico no califlcado que requiere que M se seleccione "mur
grande" conduce a serios errores de redondeo.
Quiz sta es la razn por la cual el mtodo de la
M nunca se pone en prctca en los programas comerciales de PL. En su lugar, se utiliza el m-
todo de dos
fases,
que pre entamos en la siguiente seccin.
1. Complete la iteracin smplex del ejemplo 3.4-l yobtenga la solucin ptima.
2. En elejemplo 3.4- 1, identifique la tabla smplex inicial para cada uno de los siguien-
tes casos (independientes) y desarrolle el rengln -z asociado despus de sustituir
todas las variables artiflciales:
(a) La tercera restriccin es .x1 + 2x2 > 4.
(b) La segunda restriccin es 4-r1 + 3x2
=
6.
(c) La segunda restriccin es 4.r1 + 3x,
:
6.
(d) La funcin objetivo es maximizar z
:
4x1 * xr.
3. Considere la siguiente serie de restricciones:
-2x,
* 3xr: 3
4x, * 5xr> 10
x, * 2xr< 5
6x,
-l
7x,
=
3
4x, i 8xr> 5
xy x22 0
Para cada uno de los siguientes problemas, desarrolle el rengln -z despus de susti-
tuir las variables artificiales:
(a) Maximice z
:
5x1 * 6x, sujeta a (1), (3) y (a).
(b) Maximice z
:
2xt
-
Tx2sujeta a (I), (2), ()
V
(5).
(c)
Minimice
z
:
3x1 * 6x, sujeta a (3), (a) y (5).
(d)
Minimice
z
:
4xr * 6x, sujeta a (1), (2) y (5).
{e) \finimice
z
:
3x1 * 2xrsujetaa (1) y (5).
$@.
(1)
(2)
(3)
(4)
(s)
Sec. 3.4 Solucin inicial artificial 91
4. Considerar la siguiente serie de restricciones:
xt* xr*xr:7
Zxr*5xr*xr>1"0
X1, X2, X3 2 0
Resuelva el problema para cada una de las siguientes funciones objetivo:
(a) Maximice z:2x1 * 3x2
-
54.
(b) Minimice z
:2x1
t 3x2
-
54.
(c) Maximice z
:
xt * 2x2
-f
x3.
(d) Minimice z
:4\
-
8x2-r 34.
Cnnsidere el problema
Maximice z =2xr
+ 4xz+ 44- 3xa
sujeta a
xti xrlx,
:4
xr*4x, *ro:8
XyX2,X3,X4, 2 0
Resuelva el problema utilizando xzy x+ para la solucin bsica factible. No utilice
ninguna variable artifi cial.
6. Resuelva el problema utilizando xzy xc como las variables bsicas factibles. No utili-
ce ninguna variable artificial.
Minimice z =
3x.t + 2x2 + 3x1
sujeta a
* 4xrI x,
+ xz *xo-
XpX2rX3tX4, >0
7. Considere el problema
sujeta a
Maximice Z=xt*5x2+3x3
xr*2xr-lxr:3
2rr- x2
:4
XyX2rX320
La variable x3 desempea el papel de una holgura; por tanto, no necesitamos u:r2
variable artificial en la primera restriccin. Sin embargo, en la segunda restriccir >i
5.
7
10
x1
2x,
A.
92
necesita
una variable
artiflcial.
utilice esta solucin
inicial (es decir, xr, en la primera
restriccin y R, en la segunda restriccin)
para resorver
este problema.
subjeta a
3.4.2 El mtodo
de dos fases
Maximice
z=2x1 +5x,
3x,
-t
2x,
>
6
2xri
xz=2
xx22Q
El ejemplo
3'4-2 demuestra
e!irupqgQ4g!q;o-de1edode-o&iryq-rei*9..!,
l-a*exacfirudder
ry'"qtg'do dela
M' El mtodo "ffi
diseado para
mitigar el problema,
eliminando por completo
la constante
M. Como el nombre lo sugiere,
"r--?0.
resuelve
la
pL
en dos fases. La fase I rrata de encontrar
una solucin
iniciat"tactiti;;;-;^_$
g!*pgslhle
encol41 esasolcilEr!9Ir-Iagr,*_Ar_"i119":-g.*".elp1o-b-lgmaoriginal.
Fase r' Exprese
el problema
en la forma estndar
de
pL
y aada las variables
artifl-
ciales necesarias
a las restricciones,
exactamente
como en eI mtodo
de la M.
para
obtener una solucin
bsica inicial.
E"r"goiu
"rr*Unt
r-Urr?*$*o]ucron bsica de las ec-uaciones
resultantes
que
minimicela
surna de las variables
ar-
tincirss.
si eluuro';;;;r;;;;;;;.,
es posirivo.
er problema
de
pL
no tiene
una sorucin fatible,1o
que iimina
el prceso
" ,oirJr, (recuerde
q* ,r"
vria6raran'amp.,ti,;L"i;u
qu"
no se ha satisfecho
la restriccin
origi-
__
nal correspondiente).
De lo-contrario,
uuunru_*
u i" f"r" n.
Fase II' utilce la solucin ractlEt",u*inia
en la fs I
"";;;;;;olucin
factible
ini_
cial para el problema
original.
Ejemplo
3.4-3. Utilizamos
el mismo problema
en el ejemplo
3.4_I.
Fase I
Minimicer=R1
+R2
sujeta a
3xr*
x, *R,
4xr*3xr-a"
+R,
xr+2x,
l*o
La tabia smprex
asociada
," J:J;J''
xo' R'' R'
=
0
-
-')
:6
=4
Solucin bsica factible
93
x2 x3
10..
t]
3
-1
20
*|t
*
R1
R2
0
0
1
0
0
:o
w
0
x,
Como en el mtodo M' RrY R2 se sustituyen en el rengln -r utilizando los siguientes c-:
-,
- ,
An''guorengln-r: (0 0 0
-1
*1
0
* Xrengln-R1:
(3 1 0 1 0 0
+lxrengln-Rr:
(4 3
-1
0 1 0
:
Nuevo rengln -r: (7 4
-l
0 0 0
El nuevo rengln -r
r I 7x, + 4x,
_
x, * 0R1 + 0R2 + \xo
: g
ahora se utiliza para resolver la fase I del problema, que produce Ia siguiente tabla smplex p-
tima (verifquelo!)
Solucin
0
f
5
q
5
1
Debido a Ia mnima r
=
O,ra fase I produce la solucin bsica factibl e xt:
? ,
xr:
E ,y
x = l' En este punto, las variables artificiales han completado su misin y podemos eliminar to-
talmente sus columnas de la tabla smplex y avanzr a la fase II.
Fase II
Despus de eliminar las columnas artificiales, el problema
originalse escribe como
Minimice
z=4xt+xt
sujeta a
xt*
x2-
xz*xq
Xy X2, X3, X4 2 0
0)
3)
6)
e)
r
xt
x2
x4
J
5
6
5
:1
1
_x,
5',
J
-X"
-l-
9+ Cap.3 El mtodo smplex
Esencialmente, la fase I es un procedimiento que transforma las ecuaciones de la restriccin ori-
ginal en una forma que proporciona una solucin bsica factible inicial para el problema. Por
tanto, la tabla smplex asociada con la fase II de1 problema se da como
IJna vez ms, debido a que las variables.rr y xttienen coeficientes no cero en el rengln -2,
deben sustituirse. Los clculos para modificar el rengln -z son
Antiguorengln -z: (-4
+ 4 x rengln -x,: (4
* 1 X rengln -x2-: (0
:
Nuevo rengln -e: (0
Por tanto, la tabla smplex inicial se da como
-1
0
1
0
0
4
5
_1
5
1
5
ol
01
ol
0l
0)
?
ir
fr
Debido a que estamos minimizando,x3 debe entrar en la solucin. La aplicacin de los clcu-
los del mtodo smplex producir la ptima en una iteracin (verifquelo!).
La eliminacin de las variables al final de la fase I se efecta slo cuando todas son no
basicas (como lo ilustra el ejemplo 3.4-2). Sin embargo, es posible que esas variables artifi-
u-iales puedan seguir siendo bsicas pero a nivel cero, al final de la fase I. En este caso, esas
variables, por necesidad, forman parte de la solucin bsica inicial de la fase II. Como tales,
lm clculos en la fase II se deben modificar para asegurarse de que una variable artificial
artrlca se r.uelva positiva durante las iteraciones de la fase II.
'
L reg:la para garantizar que una variable bsica artificial cero nunca se vuelva positiva
durante la fase II es muy sencilla. Si en la columna pivote, el coeficiente de la restriccin co-
rrgryondiente a la variable bsica artificial a cero es positivo, automticamente defrnir el ele-
myto pivorc {debido a que corresponde alarazn mnima de cero) y la variable artificial se
Solucin bsica
factib 1 e S o 1uc in
Solucin bsica
factibl e S o 1uc in
convertir en no bsica en la siguiente iteracin. Si el elemento pi.vote BS i;r,,. -- :-:--r::-
-i=-
racin dejar inalterada la variable artificial a nivel cero. Esto nos deja .'1.-, : -:: -
:=
- -
=-=-
mento pivote negativo. E,n este caso, la proporcin mnima no estar asocla:: :
--
-
,.
'
=:-.:
-.
bsicaartificial(cero).Sisucedequelaraznmnimaresultanteespositird.;r,. r,::
ableartificialasumirunvalorpositivoenlasiguienteiteracin(veustedF,:::--
impedir que esto suceda, de todas maneras
forzamos
a la variable artificial a sa--: ;.
cin. Debido a que la variable artificial est a nivel cero, su eliminacin de la sol;.-:
-
.
no debe afectar la factibilidad de las variables bsicas restantes. (A usted le resuh.:.
sumir los tres casos utilizando el formato de la tabla smplex.)
Para resumir, la regla para la fase II requiere forzar a la variabie artiflcial a s:-,: :: :
solucip bsica en cualquier momento en que el coeficiente de su restriccin en ia ;,:'--:-, ,
pivote sea positivo o negativo. De hecho, esta regla se puede aplicar al final de la fase I :.,-.
eliminar las variables artificiales cero de la solucin bsica antes de que empecemos ;,-
-
:
fase II (vase el problema 3.4b-5).
1. (a) En la fase I,
por
qu siempre se minimiza la suma de las variables artificiales.'
(b) Si la PL es del tipo de maximizacin,
maximizamos
la suma de las variables ar-
tificiales en Ia fase I?
2. Para cada caso en el problema 3.4a-3, escriba la correspondiente funcin objetivo
de la fase I.
3. Resuelva el problema 3.4a-4 con el mtodo de dos fases.
4. Escriba la fase I para el siguiente problema y despus resulvalo con TORA para
mostrar que el problema no tiene una solucin factible.
Maximice z=Zxt+5xz
sujeta a
3x,
-l
2x, > 6
1,. | ,, <:2
LÎ I
2
X1'x2-Q
5. Considere el siguiente problema:
Maximice z =
3xt + 2x, + 3x3
sujeta a
Zxr* xz* xr=2
3x, * 4x,'f 2x., > 8
X1, X2, X1 2 0
(a) Utilice TORA para mostrar que la fase I terminar con una variable bsica
":.
ficial cero.
96
(b) Utilice clculos manuales para rcalizar la fase II con la variable artificial cero
como parte de la solucin bsica inicial. Asegrese de que las variables artifi-
ciales nunca asuman valores positivos.
(c) Muestre que es posible impulsar la variable artificial cero fuera de la solucin
bsica ptima de la fase I (antes de que comencemos la fase II), seleccionando
una variable de entrada con elemento pivote no cero en el rengln de la variable
artificial. Despus, contine con la fase II utilizando la nueva solucin bsica.
6. Considere el siguiente problema:
Maximice
z =
3xt + 2x2 + 3xg
suieta a
2xr- x2- xt:2
xr*3xr* xz:6
3x, * 4x, + 2xr:
g
XyX2rX320
(a)
Utilice TORA para mostrar que la fase I termina con dos variables artificiales
cero en la solucin bsica.
(b) Muestre que cuando el procedimiento
del problema
5(c) se aplica al final de la
fse I, slo una de las dos variables artificiaies cero se p*4" hacer no bsica.
(c) Muestre que la restriccin original asociada con la varible artificial cero que no
se puede hacer no bsica en (b) debe ser redundante y, por tanto, su rengrn, as
'
como la variable artificial misma, se pueden
suprimirlolalmente
al prinipio de
la fase II.
7. Considere la siguiente
pL:
sujeta a
Maximice
z =
3xt + 2x, + 3x3
Zxt* xz* xt-2
3x,
'l
4x, * 2x,
>
8
X1, X2, X3 2 0
La tabla smplex ptima al flnal de la fase I se da como
Solucin bsica
factible
olucaon
21101
-5 O 2
-1 -1
Sec. 3.5 Casos especiales en la aplicacin del mtodo smplex
Muestre que las variables no bsicas x1,x3,x4! rs nunca asumirn r'"-r:s: !.:'i.r5 ,,
final de la fase II. Por consiguiente, sus columnas se suprimen ante s de l-;
- -:::
: :
-:
: s
la fase II" En esencia, la eliminacin de estas variables reduce las ec*.;
-,.::
:r 'r:-
triccin del probleml ? x2,= 2. Esto significa que no ser necesario iievar :
-:: -
: -:s:
II, porque el espacio de la solucin se reduce nicamente a un punto.
La conclusin general de este problema es que cualesquiera varia'r,=.
-
r ::
-
cas que tienen coeficientes estrictamente negativos en el rengln-z al finai .: ,: :: :
I, se suprimen de la tabla smplex, ya que nunca pueden asumir valores prs-.-.,
'
:
final de la fase II. A propsito, los coeficientes negativos del rengln- z para
-..
'
:- ,-
ables no artificiales slo ocurren si una variable artiflcial es bsica (a nivel ce:- :.
final de la fase I.
8. Considere el modelo de PL
Minimice z =
2xt - 4x, + 3xj
ujet
5xt
-
6x, I 2xr:- 5
-rr*3xr*5-r,>
8
2x,
-f
5x,
-
4x. > 4
X1, X2, X3 > 0
Muestre cmo se pueden modificar las desigualdades a un conjunto de ecuaciones
que requieren el empleo de una sola variable artificial (en vez de dos).
3.5 CASOS ESPECIALES EN I.AAPLICACIN DEL MTODO SMPLEX
Esta seccin considera cuatro casos especiales que se presentan en la aplicacin del mtodo
smplex.
1-. Degeneracin
2. ptimaalternativa,y
3. Soluciones no acotadas
4. Soluciones inexistentes (o no factibles)
Q)
Nuestro inters en el estudio de estos casos especiales es doble: (1) presentar una ex-
plicacin terica delarazn de estas situaciones y (2) proporcionar una interprefacrn prc-
tica de lo que podran significar estos resultados especiales en un problema de la vida real.
3.5.1 Degeneracin
En la aplicacin de las condiciones factibles del mtodo smplex, un empate de la razn r''
-
'
-
ma debe romperse arbitrariarnente con el propsito de determinar la variable de s' :'
97
i.
tl
*f
'.:
,
li.
$
a-
-
98
Cuando esto sucede' una o ms de las variables bsicas sern ceo en la siguiente iteracin.
En este caso, la nueva solucin es degenerada.
No hay nada alarmante en el hecho de abordar una solucin degenerada, con ex-
cepcin de un pequeo inconveniente terico que en breve expondremos. esde el punto de
vista prctico, la condicin revela que el modlo tiene por lo menos una restricci n redun-
dante' Pata poder proporcionar
ms perspectivas
de loi impactos tericos y prcticos de la
degeneracin, consideramos un ejemplo numrico. La itusiracin grfica debe mejorar ta
comprensin de las ideas que son la base de esta situacin especial.
Ejempro 3.s.1 (soLUCrN
prnrA DEGENERADA).
sujeta a
Maximice
z=3xt+9xz
x, * 4xr< 8
x, I 2xr< 4
Xr, X,
>_
0
Dejemos qtJe
hy
x4 sean variables de holgura. Las iteraciones smplex se proporcionan
en
la siguiente tabla smplex.
En la iteracin inicial,xry xoempatan para la variable de salida. sta es la razn por la cual l
r-ariable bsicaxotiene un valor de cero en la iteracin 1 y,por tanto, da por resultado una solucin
brsica degenerada. Se llega a la ptima despus de que se lliva a cabo una iteracin adicional.
,
Cu1
es la implicacin prctica de la degeneiacin? Veamos la figura 3-4, que proporciona
ia solucin grfica para el modelo. Ties lneas pasan a travs de la ptiria x1
=
0, r=2. Debido a
que ste es un problema bidimensional, el punto est determinado en exceso y una de las restric-
ciones es edundante' En la prctica, el simple conocimiento de que algunos recursos son super-
fluos resuita vahoso durante la puesta en pictica de la solucin. La iniormucin tambin puede
Iteracin
entra x2
sale x.
I
entra x1
sale xn
2
(
pt ina )
Solucin bsica
factible
xl x2 x3 xL Solucin
0
z
-3 -9 0 00
x3
x,
7410
i201
8
4
z
3^q
4v4O
18
x2
x4
1r
4ro
1^l
2
u
-,
l
2
0
z n^33
vvz2
18
x2
xl
^111
2 -2
1 0
-1 2
2
0
>ec. J.b Casos especiales en la aplicacin del mtodo smplex
Figura 3-4
ser conducente al descubrimiento de irregularidades en la construccin del modelo. Por dessra-
cia, no hay tcnicas conflables para identificar las restricciones redundantes directamente de ia
tabla smplex.
Desde el punto de vista terico, la degeneracin tiene dos implicaciones. La primera
concierne al fenmeno de los ciclos o caminar en crculo. Si usted ve las iteraciones 1 y 2 en la
tabla smplex, encontrar que el valor objetivo no ha mejorado (z
=
18). Por consiguiente, es con-
cebible que el procedimiento smplex repetira la misma secuencia de iteraciones sin mejorar
nunca el valor objetivo y sin terminar los clculos. Aun cuando hay mtodos para eliminar los ci-
clos, estos mtodos podran conducir a un retraso drstico en los clculos. Por esta razn,la
mayor parte de los cdigos de PL no incluye disposiciones para los ciclos, confiando en el hecho
de que el porcentaje de estos problemas es demasiado pequeo para garanfizar una puesta en
prctica rutinaria de los procedimientos de los ciclos.
El segundo punto terico surge en el examen de las iteraciones 1 y 2. Ambas iteraciones,
aun cuando difleren en la clasiflcacin de las variables como bsicas y no bsicas, proporcionan
valores idnticos de todas las variables y del valor objetivo, a saber
rr:0, xz--2, r::0, x:0, z:18
Es
posible entonces interrumpir los clculos en Ia iteracin 1 (cuando la degeneracin aparece
por primera vez), aun cuando no sea ptima? La respuesta es no, porque la solucin se puede de-
generar temporalmente (vase el problema 35a-2).
1. Considere el espacio de la solucin grfica en la flgura 3-5. Supongamos que las ite-
raciones smplex empiezan en A y que la solucin ptima ocurre en D y que la fun-
cin objetivo se define de tal manera que A, x1 entra primero en la solucin.
(a) Identifique (en la grfica) los puntos extremos que definen la ruta del mtodo
smplex hacia el punto ptimo.
(b) Determine el nmero mximo posible de iteraciones smplex necesarias pa::
llegar a la solucin ptima.
2. Muestre (tanto grficamente como por el mtodo smplex) que la siguiente Pl -,
t emp o r alm ente de gener ada.
99
lr
n
100
Figura 3_5
sujeta a
sujeta a
20x,1-)*,
-
a*o
-f
9xo=0
Maximice
z=3xt+2x,
4x,
-l
3x,
=
12
4xr* xr= 8
4x,
-
xr.< 8
xyx2> 0
3' Utilice la opcin interactiva de TORA para "hojear" la iteracin smplex sucesiva de
la siguiente PL (desarrollada por E. M. Beale). La solucin bsica fctible cle todas
las holguras reaparecer de manera idntica en la iteraci n 7 . El ejemplo ilustra la
ocurrencia de los ciclos en las iteraciones smplex y la posibilidad de^que el algo-
ritmo smplex nunca converja en la solucin ptima.
Maximicer:irr-
1
ixt -
8"r- x3
+
lt
2*,.
-I2xr-1x.*3xo=0
x3
<1
Xy x2, X3, Xa 1 0
Es interesante observar que si todos los coeficientes en esta
pL
se convierten a valo-
res enteros (utilizando
mltiplos apropiados). entonces el algoritmo smplex llegar
a la ptima en un nmero f,nito de iteraciones (iatntelol).
Sec.3.5 Casos especiales en la aplicacin del mtodo smplex
Figura 3-6
(Advertencia..no utilice la versin automatizada de TORA; de lo contrario, como es
de esperarse, todas las iteraciones seguirn un ciclo indefinido).
3.5.2 ptimos alternativos
6)
Cuando la funcin objetivo es paralela a una restricctnno acotada (es decir, una restriccin
que se satisface como una ecuacin por medio de la solucin ptima), la funcin objetivo
asumir el mismo valor ptimo en ms de un punto de la solucin. Por esta raz6n se conocen
como ptimos alternativos. El siguiente ejemplo muestra que hay una infinidad de esas
soluciones. El eiemplo tambin demuestra la importanciaprctica de encontrar ptimos al-
ternativos.
Ejemplo 3.5-2 (INFINIDAD DE SOLUCIONES).
sujeta a
Maximice z=2xt+4xz
xt
-l
2xr= 5
xrl xrs4
x"x'> 0
La figura 3-6 demuestra cmo pueden surgir los ptimos alternativos en el modelo de PL
cuando la funcin objetivo es paralela a una restriccin no acotada. Cualquier punto en e1
-rr:'
mento BC de la lnea representa un ptimo alternativo con el mismo valor objetivo z =
10,
Las iteraciones del modelo se proporcionan en la siguiente tabla smplex.
101
\,
Iteracin
Solucin bsica
factible x1 x2 x3 x4 Solucin
0
x2
x3
ent ra
s a1e
z
-2
0 0 0
x3
x4
1
1
210
101
5
4
1 (ptimo)
entra x1
sale xo
z 0 2 0 10
x2
x4
I
2
1
2
1;0
o*t1
I
2
2
( ptimos
alternativos )
z UU/ t0
x2
x1
0 1 1
-1
1 0
-1
2
1
3
102 Cap.3 El mtodo smpler
La iteracin 1 da los ptimos alternativos xr
:
0, x:
:
1
.y , =
10. que coinciden con el punto
B en la figura 3-6.
Cmo
sabemos por esta tabla smplex que existen los ptimos alternativos?
Vea los coeficientes de las variables zo bsicas en la ecuacin -z dela iteracin 1. El coeficiente
de x1 no bsica es cero, indicando que
'r1
puede entrar en la solucin bsica sin cambiar el valor de
z,
pero causando un cambio en los valores de 1as variables. La iteracin 2 hace exactamente eso.
dejar que x1 entre en la solucin bsica, lo que obliga a x4 a salir. Esto da por resultado ei nuevo
punto de la solucin en C (xr
=
3,xz= 1, =
10).
El nuevo mtodo smplex nicamente determina los dos puntos de esquina B y C. Matemti
camente, podemos determinar todos los puntos de esquina (fr, r) en el segmento de la lnea BC
comounpromedioasignadononegativodelospuntosByC. Portanto,dadoque0
=
a
=
ly
B: xr:
C: xr:3, xr=1
entonces todos los puntos en el segmento de la lnea BC se dan por
i,:a(0)+(1 +"x3):3-3a
xz: (1
-
aX1):
Cuando a
:
0, (2r, tr)
:
(3,1), que es el punto C. Cuando a
:
1, (ir, ir)
:
(0.
f.
que es
el punto B. Paralos valores de entre 0 y 1, (ir, ir) se encuentra entre B. y C.
En la prctica, los ptimos alternativos son tiles porque nos permiten elegir de entre
nu;h as soluciones sin experimentar ningn deterioro en el valor objetivo. Como ilustracin,
pror ejemplo. la solucin en B muestra que la actividad 2 slo est en un nivel positivo, mientras
Que
am!5 actividades en C son positivas. Si el ejemplo representa una situacin de una mezcla
de productos. desde el punto de Vista de la competencia de ventas ser ventajoso fabricar dos
productos en vez de uno. En este caso, se recomienda la solucin en C.
5
0. x.:
"2
/-)\
"l;/
*
-1
1-l a
2
Sec, 3.5 Casos especiales en la aplicacin del mtodo smplex
1.
para
la siguiente PL, encuentre tres soluciones bsicas ptimas alternativa-<
r' des-
pus escriba una expresin general para todos los ptimos alternativo: no b:icos
que constituyen estas tres soluciones.
Maximice Z=xr*2x2+3x3
sujeta a
3x..
=
103
10
5
1
x, * 2x, J-
xt* x2
=0
x3
5x..
)
x1
Xp X2, X3
Muestre que todos los ptimos alternativos de la siguiente PL son no bsicos. Pro-
porcione una demostracin grfica bidimensional del tipo de espacio de la solucin
y de la funcin objetivo que producir este resultado.
Maximice z=2xt- x2+3x3
sujeta a
xt- xz * 5x, < 10
2xr-xrI3xr<40
XyX2,X320
Para la siguiente PL, muestre que la solucin ptima es degenerada y que existen
soluciones alternativas que son todas no bsicas
Maximice z=3xt+xz
sujeta a
x, * 2x,
xt* x2-
7x,
-f
3x,
-
xy x7, x3
3.
<20
0
3.5.3 Solucin no acotada
En algunos modelos de PL, los valores de las variables se pueden incrementar indefinida-
mentJ sin violar ninguna de las restricciones, lo que significa que el espacio de la solucin es
no acotado por lo
-.ror
en una direccin. Como resultado, el valor objetivo aumentar
(ul
caso de maximizacin) o disminuir (un caso de minimizacin) indefinidamente. En este caso.
tanto el espacio de la solucin como el valor objetivo ptimo son no'acotados.
104
Cap. 3 El mtodo smpler
La no acotacin en un modelo slo indica una cosa: el modelo est mal construido. T r
irregularidades ms probables en estos modelos son que no se han tomado en cuenta una c
ms restricciones no redundantes y que los parmetros (constantes)
de algunas restricciones
no se calcularon correctamente.
Los siguientes ejemplos muestran cmo se puede reconocer la no acotacin, tanto en a.
espacio de la solucin como en el valor objetivo, en la tabla smplex.
Ejemplo 3.5-3 (VALOR
OBJETM NO ACOTADO).
sujeta a
Maximice z=2xt+xz
xr
-
xr< 10
2*,
<
40
X1,Xr> 0
Iteracin inicial.
En la tabla smplex inicial, tanto 1 como x2 son candidatos a entrar en la solucin. Debido
a que -r1 tiene el coeficiente ms negativo, por lo comn se selecciona como la variable de entrada.
Sin embargo, todos los coeflcientes de la restriccinbajo xrson negativos o cero, lo que signiflca
que 12 se puede incrementar indeflnidamente sin violar ninguna de ias restricciones. Debido-a que
cada incremento por unidad en x2 incrementar ae en 1, un aumento infinito en x, tambin dar
por resultado un aumento infinito en z. Por tanto, el problema no tiene una solucin acotada- Este
resultado se ve en la figura 3-7.81 espacio de la solucin es no acotado en la direccin de r, y el
valor de z se puede incrementar indefinidamente.
La regla para reconocer la no acotacin es la siguiente. Si en cualquier iteracin los
coeficientes de la restriccin de cualquier variable ,o isiroson no positivos, entonces el es-
pacio
de la solucin es no acotado en esa direccin. Si, adems, el coeficiente del objetivo de
:sa variable
es negativo en el caso de una maximizacin,
o positivo en el caso de una mini-
n:izacin.
entonces el valor ob jetivo
tambin es no acotado.
Serie de problemas
3.5c
L En el ejemplo 3'5-3,muestre que si, de acuerdo con la condicin de optimalidad,
empezamos
con.r1 como la variable de entrada, entonces el algoritmo smplex a la
larga conduci a una solucin no acotada.
Solucin bsica
factib I e
Solucin
Sec. 3.5 Casos especiales
en la aplicacin
del mtodo smplex
Figura 3-7
r05
',4
,*nil
2. Considere la
pL:
sujeta a
sujeta a
Maximice
z
=
20xt + 10x. + x,
3x,
-
3x., * 5x,
<
50
x1 + xz
xl
-
xrt4xr-<
10
20
X1, X2, x3 2 0
(a)
Al inspeccionar,las
restricciones,
determine la direcci n (xr, x2o x.) en la cuar er
espacio de la solucin es no acotado.
(b)
sin hacer clculos
adicionales,
puede
usted concruir
cul es el valor objetivo
ptimo?
3. En algunos moderos mar construidos
de
pL,
el espacio
de la solucin puede
ser no
acotado aunque el problema
tenga un valor objeiivo
u"o,uo. Esa ocurrencia
slo
indica irregularidades
en la constiuccin
der
-od"to.
B"l* p."uremas
grandes.
tar
vez sea difcil detectar la existencia
de la no acotacin
medianie
una inspeccin.
Idee
un procedimiento
para determinar
si el espacio de una solucin
es acotado o no 1
aplquelo
al siguiente
modelo:
Maximice
z
=
40xt + 20x, + 2x.
$
ir
t..
il
]i
rI]
106
3xr-3x.r*5xr<50
xI + xr<10
x\- xr* 4x.=2
X1, X2, f: >
0
3.5.4 Sotucin
no factbleq3
Si las restricciones
no se satisfacen
simultneamente,
el modelo no tiene una solucin factible.
Fsta situacin nunca puede ocurrir si todas las restricciones
son del tipo
<
(suponiendo
cons-
tantes no negativas en el lado derecho),
debido a que las trotgurr;roporcionan
una solucin
fiiti.ut-e
Para otros tipos de restriccioes,
utilizamts variablJs
arii'nciates.
eun cuando las ar-
tificiales se penalizan paraforzarras
a cero en la ptima,;;;i;;"ede
ocurrir si el modero
tiene un espacio factible. De lo contrario, por 1o menos una variabl'e artificial ser positiva
en
la iteracin ptima.
Desde el punto
de vista prctico,
un espacio no factible indica la posibilidad
de que el
modelo no est formulado
correctamente.
Ejempto 3.5-4 (ESPACIO
DE soLUCrN
NO FACTTBLE).
Maximice
z=3x.r+2xz
sujeta a
2x, I xr.< I
3x,
-l
4x, > !2
xr, xr>o
La siguiente tabla smplex proporciona
las iteraciones
smplex del modelo.
Iteracin
0
entra x2
sale x,
Solucin bsica
factible
xj
x2 x4 x3 R S oluc i n
_
I2M
z
-3-3M
-2-4M M o
2701
3 4
_1
o
7+5M
0 M 2+4t1
2101
-5 0
_1 _4
0
0
1
0
0
1
x3
R
2
l2
1
.pseudo-
:::lna
)
z
4-4M
x2
R
2
4
La iteracin
ptima 1 muestra que la variable artificial R es positiva(=
a), lo que indica que el probtema
es no factible' La figura 3-8 demuestra
el espacio de la solucin
no factible. El mtodo smpier' al pemiti
que Ia varr.able
artificial sea positiva,
en esencia ha invertido
la direccin
de la de_
:'::i,i**::.,,-"?,:,tr_" !:::*:_=
1i.
puede
usted
""pri"*'.0.o?
El resultado
es to que llamamss
una solucin pseudo
Optima.
Sec. 3.5 Casos especiales en la aplicacin
del mtodo smplex
107
Solucin
pseudo ptima
Figura }-8
Serie de problemas
3.Sd
1. T
a empresa Toolco. produce
tres tipos de herramientas,
21, T2 y 43.stas utilizan
dos clases de materia pnma, M1, y M2,deacuerdo
con los daios en la siguiente tabla:
Nmero de unidades de materia prima por herramienta
Materia prima
T3
T2
TI
t\- -
r? \u*
(:'
-\5'.
6
A
5
J
J
5
MT
M2
*
I
La disponibilidad
diaria de materia prima es de 1 000 unidades y 1 200 unidades, res-
pectivamente.
El departamento
de mercadotecnia
le inform l gerente encarlado
de la produccin que, segn sus investigaciones,
la demanda diaria de las tres herra-
mientas debe ser de por ro menos 500 unidades.
podr
el defartamento
de fabri_
cacin satisfacer la demanda? De no ser as,
cul
es el mxio que Toolco puede
proporcionar
de las tres herramientas?
2. Considere el modelo de
pL
Maximice
z
=
3xr + 2x2 + 3x3
br* xz* xr32
3x, * 4x, * 2xr> 8
XyX2rX>0
Muestre, con la tcnica de ra M, que la solucin ptima incluye una variable bsica
artificial Sin embargo, debido a que su valor es ceio, el probrema
tiene una soruci:
ptima
factible.
108
3. RESUMEN
Cap.3 El mtodo smpler
El mtodo smplex se basa en la teora fundamental de que la solucin ptima de un pro-
grama lineal est asociada con un punto extremo y que los puntos extremos estn complita-
mente definidos por las soluciones bsicas de la forma estndar del modelo de
pL.
El uso de
mtodos artificiales para encontrar una solucin inicial para el modelo est diseado para
automatizar el mtodo smplex para la computadora. El captulo expone las implicacines
tericas y prcticas de los casos especiales de degeneracin, ptimos alternativos, no aco-
tamiento y no factibilidad.
BIBLIOGRAFA
Bezenaa, M., J. Jenvls y H. Suenar-r, Linear Programming and Network Flows,2nded.,Wiley, Nueva
York,1990.
DNrzrc, G., Linear Programming and Extension^s, Princeton University Press, Princeton, N.J.,1963.
NenlNc, E., y A. Tucran, Linear Programming and Related Problems,Academic
press,
Boston, 1992.
TeHe, H., "Linear Programming," Captulo II-1 en Hand.book of Operations Research, J. Moder y S.
Elmaghraby (editores),Van Nostrand Reinhold, Nueva
york,
197g.
PROBLEMAS INTEGRALES
I $-1 Una pequea compaa enlatadora produce cinco tipos de artculos enlatados que se extraen
de tres tipos de fruta fresca. El proceso de fabricacin emplea dos departamentos de produc-
cin que originalmente se disearon con capacidades excedentes para darle cabida a una posi-
ble expansin futura. De hecho, en la actualidad la compaa opera sobre la base de un turrro
y puede ampliarse fcilmente a dos o tres turnos para satisfacer el incremento en la demanda.
Por el momento, la restriccin real parece ser la limitada disponibilidad de fruta fresca. De-
bido a la limitada capacidad de refrigeracin en las instalaiiones de la compaa, la fruta
fresca debe llevarse diariamente.
Un joven
investigador de operaciones acaba de ingresar en la compaa. Despus de
analizar la situacin de la produccin, el analista decidi formular un modelo maestr de
pL
para la planta. El modelo incluye cinco variables de decisin (para los cinco productos) y tres
restricciones (para la materia prima). Con tres restricciones y cinco variabls, la teora de la
PL dice que la solucin ptima no puede incluir ms de tres productos...Vamos,',
comenta el
analista, "la compaa no est operando en forma ptima!".
El analista programa una junta
con el gerente de la planta para hablar de los deta-
lles del modelo de PL. El gerente, que parece seguir bien el concepto del modelado, est
de acuerdo con el analista en que el modelo
"t
uou representacir, qu" ," aproxim a la
realidad.
El analista contina explicando que, segn la teora de la
pL,
el producto
ptimo no
debe exceder de tres porque el modelo slo tiene tres restricciones. Como tal,quiivaldra
1a pena considerar la posibilidad de descontinuar los dos productos que no dejan utili-
Sec. 3.6 Resumen
109
dades' El gerente escucha con atencin y despus le informa al analista que 1a compaa
tiene el compromiso de producir los cinco productos debido a la naruralezu .op.i1 iuu
del mercado y a que la compaa de ninguna manera puede descontinuar cualquiera de los
productos.
El investigador de operaciones replica que la nica manera de me,liar la
situacin es agregando al menos dos restriccion"r
-r,
en cuyo caso el mode r:rmo de
PL incluir los cinco productos.
En este punto, el gerente se siente confundido porque la idea de tener que aial res
restricciones para producir ms productos no sugier un optimalidad. La respuesa c: el
gerente obtiene del analista es: "Eso es lo que dice la teora i ta
pI_,'.
Qu
opina usted de esta,,paradoja',?
a}2r Una compaa de camiones de CMC, que se especializa en envos de
,,Carga
de menos d; u-
camin", opera cierto nmero de terminales estratgicamente
ubicadas en Estados Unidos-
Cuando las cargas llegan a la terminal se clasiflcan, y ,"u puru su entrega a clientes iocales c
para su envo a otras terminales. Los andenes de las terminales cuentan con un personal de
trabajadores de plantay eventuales. Los trabajadores d.e plantason empleados deisindicato. a
quienes se les garantiza !a semana de trabajo de 40 horas. Se espera que un empleado de
planta, asignado a uno de los tres turnos estndar del da, trabaje en el mismo turnô durante
cinco das consecutivos, pero puede empezar cualquier da de la semana. Los emplead.os even-
tuales se contratan temporalmente por cualquier nmero de horas, para que se encarguen de
las cargas pico que pueden exceder la capacidad de trabajo de los trabajadores disp"onibles
por licitacin. El contrato del sindicato restringe a ios empleados eventuales a menos de 40
horas a la semana.
Las cargas llegan a la terminal a todas horas del da y,para todos los propsitos prcti-
cos, su nivel vara continuamente con Ia hora del da. Un esiuiio de los datoi hiitricos-mues-
tra que el nivel de la carga asume un patrn repetitivo semanal, cuyo pico es durante el fin de
semana (de viernes a domingo). La poltica de la compaa especiflca que una carga debe
procesarse dentro de las 16 horas siguientes a su llegadaa la terminal.
Desarrolle un modelo para determinar la asignacin semanal de los trabajadores de
planta y la contratacin de trabajadores eventuales.
lBasado
en un estudio rearizado por el autor para una compaa camionera de cMC.
*t
,*f
Captulo
A,rlisis de d ualidad
y de sensibilidad
T
i INTRODUCCION
La solucin ptima de un problema de programacin lineal representa una instantnea de las
condiciones que prevalecn en el momento en que se formula el modelo. En el mundo real,
los ambientes de decisiones muy raravez permanecen estticos y es esencial equipar la PL
con la capacidad de determinar los cambios en la solucin ptima que resultan de hacer cam-
bios en ls parmetros del modelo. Esto es lo que hace el anlisis de sensibilidad. Propor-
ciona tcnicas de clculo eficientes que nos permiten estudiar la conducta dinmica de la
solucin Ptima.
ya
hemos abordado el tema del anlisis de sensibilidad a un nivel elemental en la sec-
cin2.4.En este captulo presentamos un trato algebraico del tema, basado en el empleo de
la teora de Ia dualidad.
El anlisis de sensibilid ad realiza cambios discretos en los parmetros del modelo. Una
generalizacin de esta situacin es el caso en el que los parmetros cambian de acuerdo con
iunciones predetermin adas continuas.Lafcnica,llamadaprogramacin
paramtrica' se pre-
sentar en la seccin 7'7'
4.2, DEFINICIN DEL PROBLEMA DUAL
El modelo de PL que desarrollamos
para una situacin se conoce como el problema pri'
mal. El problema dual es una def,nicin matemtica estrechamente relacionada, que se de-
riva directamente del problema primal. Esta seccin proporciona los detalles matemtic.
del modelo dual.
En la mayor parte de los tratamientos de la PL, la dual se define para varias forn:'' :
=
la primal, depndindo del sentido de optimizacin (maximizacin o minimizacin
r' :: ' -
:
tip-os de las iestricciones (s,
=,
y
:)
y del signo de las variables (no negativas
\' :: :-'-
tringidas). Este tipo de tratamiento puede resultar confuso (vase el problema
j.l'-
-
=:
ifl
112
sujeta a
Cap. 4 Anlisis de dualidad y de sensibilidad
:il5
este libro presentamos
una sola def,nicin, que automticamente
incluye todas lasformas de
la primal' La definicin supone que el problema primal se expresa enlaforma estndar (sec-
cin3.2),que entonces se define como
Maximice o minimice,
:
f,r,*,
n
2o,*
:
b, i
:
1,2,...,m
xj 20, j:1,2,...,n
T as variables
Yi,i
=
1',2,...,n, incluyen supervit y holguras, si los hay. La forma estndar tiene
tres propiedades.
L. Todas las restricciones
son ecuaciones (con lado derecho no negativo).
2. Todas las variables son no negativas.
3. El sentido de ra optimizacin puede ser maximizacin
o minimizacin.
Recuerde que la forma estndar siempre se utiliza para producir la tabla smplex ori-
ginal y que la solucin del problema
dual se obti"n" direciamente
de la tabla smplel
fri-ut
ptima, como se mostrar en la seccin 4.3. As, al definir la dual desde la prmi
".nu.,
automticamente
obtenemos una solucin dual compatible con los clculos del
mtodo
srmplex.
I as variables y las restricciones
del problema
dual se pueden construir simtricamente
a partir del problema primal, como sigue:
1' Una variable dual se define para cada una de las ecuaciones de la restriccin pri-
malm.
2. una restriccin dual se define para cada primar
de ras z variables primales.
3' Los coeficientes del lado izquierdo de la restriccin dual son iguales a los coefi-
cientes de la restriccin (columna)
de la variable primal asociada. Su lado derecho
es igual al coeficiente del objetivo de ra misma variable primal.
4' Los coeficientes
del objetivo de la dual son iguales al lado derecho de las ecuaciones
de la restriccin primal.
La tabla 4-1 resume grficamente
esta informacin,
donde
!rfz...,y
ym representan las
variables
duales.
Las reslas para determinar
el sentido de optimizacin,
el tipo de restriccin y el signo
de las variables
en el problema
dual se resumen en la tabla 4-2.Lossiguientes
ejemplos de-
muestran la puesta en prctica
de estas reglas.
Sec. 4.2
TABLA 4-1
Definicin del problema dual
'113
:.:i abf es duales
Variables primales
x1 X? xr X-
c1 c2
',.,e.1
C-
ft
fz
v,
n2
4., a.,
,ilrllilliiiiriii ii: .- . :'iiri]l
,,r:,lurlriiii., : l:'r,,:.li
a. a,,
;j ,n
iR.'!i'trr. I,c'C.i:n.'
cual a ia
J
, ;: :: :Qb.
j:t:tt ttrg
l
,','.:::::.::.:,:",u:a.:L:::l'.1:',:ir:
TABLA
/t-2
Primal estndar
Problema objetivo
Problema dual
Objetivo Tipo de restriccin Signo de la variable
Maximizacin
Minimizacin
Minimizacin
Maximizacin
No restringida
No restringida
Ejemplo 4.2-1.
Problema dual
sujeta a
Minimicew=L0yr+8y,
Primal Primal estndar
Variables
duales
Maximice z =
5xt + t2x, + 4x,
sujeta a
xr+2x2+ -{3
s 10
2xr- xr+3xr= 8
xbX2,\>0
Maximice z =
5xt + 12x, + 4x, + 1xo
sujeta a
x.+2x2+ x3+ f=10
2xr- xr+3xr+Oxo= 6
Xy X2' Xy X4
>-
0
ft
lz
111
Cap. 4 Antisis
de duatidad y de sensibilldd
yr*2yr>5
2y,
-
yr> 12
yr*3yr>4
yr+Oyr>01
h,
yzni."stringiaa
J
=+
(/r > 0, y, norestringida)
Ejemplo
4.L2.
Primal
estndar
Minimice
z=1,5x,+12x,
sujeta a
\+2x2>3
Lrr- 4xr= J
xt,xr>_0
Ya:1""
z
=
15xt + I2x, + 0i, + \xo
suJeta a
xr+2xr_xr+ _3
2xr-4x,
+x4=5
Xy X21 X3, Xa 2 0
Problema
dual
sujeta a
Maximicew=3yr+5y,
!1
1- 2y"
<
15
2y,
-
4yr= IZ
-lt
<
0
(oyr=g)
!z= 0
I r lz
no restringida
(redundante)
Ejemplo
4.2-3.
Primal
primal
estndar
Sustituya
xt.= xi-
;;;;;;
^..,_lyru*t*t..
z
=
5xi
_
5x1 + 6x,
suJeta a
xl- xi+2x2
=5
-xi+ xt+5x.r_4
=J
4xt-4xr+7x,
*xo=g
xl, xr, x, > 0
Variables
duales
Maximice
z=5xr+6x,
suJeta
a
xt+2xr=5
-x,
+ 5xr> 3
4x, + 7xr<
g
-r. oo restringida
r:20
!t
!z
ft
Sc. 4.2 Definicin del problema dual
115
Problema dual
sujeta a
Minimice z
:
5yt + 3y, + 8y.,
lt- rzt
4!z>
li
=
O,
_
lz*
4y.:5)
-lt
+
lz-
4lt >
-5J
2Yr+ SYr* 7Yz> 6
lz
>
0 +(yr=0)
!z>
0
yr no restringida
! z, ! z,
no restringida (redundante)
La primera y segunda restricciones son reemplazadas por una ecuacin. La regla en este
caso es que una variable primal no restringida siempre corresponde a una restriccin dual de
igualdad y, a la inversa, una ecuacin primal produce una variable dual no restringida.
1. En el ejemplo A.z-L,derive el problema dual asociado si el sentido de optimizacin
en el problema primal se cambia a minimizacin.
2. Considere el ejemplo 4.2-1.. La aplicacin del mtodo smplex a la primal requiere
el empleo de una variable artificial en la segunda restriccin de la primal estndar
para obtener una solucin bsica inicial. Muestre que la presencia de una variable
primal artificial no afecta la definicin de la dual porque conduce a una restriccin
dual redundante.
3. En el ejemplo A.z-z,derive el problema dual asociado, dado que el problema dual
est aumentado por la tercera restriccin 3x1 + xr= !.
4. En el ejemplo 4.2-3,muestre que incluso si el sentido de optimizacin en la primal
se cambia a minimizacin, una variable primal no restringida siempre corresponde a
una restriccin dual de igualdad.
5. Escriba la dual para cada uno de los siguientes problemas primales:
(a) Maximice z
:
-Sxt
* 2xz
sujeta a
-xt*
xz<
-2
2x, * 3xr< 5
X1rX22Q
(b) Minimice z
:
6x1t 3xt
sujeta a
t\
Ir
$
tr
&,
-&--__
_.
116
Cap. 4 Anlisis
de dualidad y de sensibilidad
6xr-3xr*x:=
3x, * 4x,, * *,
=
XyX2,X320
(c)
Maximicez:5h*6xz
sujeta a
x1 * 2xr: J
-rr
* 5xr>3
x1 no restringida
xz=0
_ _.
(9b:*e
que .r2 es no positiva)
(d)
Minimice
z
:
3xt + 4x2 + 6x3
sujeta a
x, I xr> I0
rr>0
xz=0
xr20
(e)Maximicez-x1
*x2
sujeta a
2x1 * xr: J
3x1
-
xr:
g
x1,x2rto restringida
6.
Cierto
or Falso?
(a)
La_dual del problema
dual produce
la primal original.
(b)
si la restriccin primal
estbriginalmente
en forma de ecuacin,la
variable
dual
correspondiente
necesariamente
es no restringida.
(c)
Si la restriccin
ryrjryl
es del tipo
=,la
varia6le dual correspondiente
ser, no
negativa (no positiva),
dependindo
de si el objetivo pii-
es maximizacin
(minimizacin).
(d)
si la restriccin
qrimf
es der tipo >,la
variable dual correspondiente
ser no
negativa (no positiva),
dependindo
de si er ouetivo p.i*ur
es minimizacin
(maximizacin).
(e)
una variable primal
no restringida
resultar en una restriccin
dual de igualdad.
t.
I
* siguientes
reglas explcitas
a menudo se mencionan
en la mayor parte de los ri_
bros de investigacin
de operaciolef y programacin
lineal para la construccin
del
problema
duar. Muestre que ra definicin generar que se profor"ionu
enratabra
4_2
abarc estas reglas.
2
5
4lm
g
Sec. 4.3 Relacin entre las soluciones ptimas primal y dual 117
Problema
de minimizacin
*rr
|l,
Problema
de rnaximizacin
Restricciones
Variables
>0
<0
No restringidas
4,3 REI.ACIN ENTRE I.AS SOLUCIONES PNUNS
PRIMAL Y DUAL
Variables
<0
>0
No restringidas
Restricciones
Los problemas primales y duales estn tan estrechamente relacionados, que la solucin p-
tima de un problema se puede obtener directamente (sin clculos adicionales) de la tabla
smplex ptima del otro problema. Este resultado se basa en la siguiente propiedad:
Propiedad I. En cualquier iteracin smplex de la primal o la dual,
/ Coeficiente. del \
{objetivo
de la variable
|
:
\
l.n
un problema
I

Lado izquierdo
\
I
^rnor
lado derecho \
I
a" Iu restriccin7 en
/
\ e[ otro problema I
La propiedad es simtrica, tanto respecto a los problemas primales como a los duales.
La propiedad I sirve para determinar (directamente) la solucin ptima de un pro-
blema a partir de la tabla smplex ptima del otro. Este resultado podra ser ventajoso desde el
punto de vista de los clculos, si los clculos asociados con el problema resuelto son considera-
blemente menos que los asociados con el otro problema. Por ejemplo, si un modelo tiene 100
variables y 500 restricciones, desde el punto de vista de los clculos es ventajoso resolver el
dual, debido a que slo tiene 100 restricciones.
Ejemplo 4.3-L.
Considere los problemas primal y dual del ejemplo 4.2-1, que aqu se repiten por con\3-
niencia.
Primal
Dual
Maximice
z =
5\ + I2xr+ 4x.
sujeta a
xr+ 2x, + .r3 s 10
2xr- xr+3r.- 8
x1,x2,x3> 0
1,,,
Minimice w=1,0yr+gy,
sujeta a
lt+
2lt > 5
2yt- yr> t2
lt+
3y
=
4
1l,
> 0, y, no restringida
118
La siguiente tabla smplex proporciona las iteraciones para el problema primal.
Aplicando la propiedad I a las variables de la solucin inicial xa y R en la iteracin ptima
3, obtenemos la siguiente informacin:
Variables primales iniciales
-1*
*
!z=- -M
v,-
(-Ml
= -1+
u
)
Coeficiente de la ecuacin z
(iteracin 3)
Resticcin dual asociada
E;i:n resultante de la propiedad I
29
5
-)r>o
v,-O=22
.5
I t erac in
Solucin bsica
fact ib 1 e x1 x2 x. x4 A:,,11' S o luc in
0
z
-5-2M -t2+M -4-31"1
O o
-8M
xL
D
L 2
'1
1^
z-'tl
10
8
I
z
_t
3
40 - 4
-T
0 0
l-j
32
3
x,
X"
1
?
3
L
3
_l
3
0 }
'2&
:
"3,,...':-:
'. .''{','a','ta:
,-t
,:
I o
22
T
q
3
2
-;
o o
:
-1*,
t68
l
x2
x^
L
I 0
3,.,
.,.t...
-.,.1'
7
'
'
'.:7'
1.?
7'. t
/
:
l
0 I
22
l
26
7
3
z 0 0
? ,o 1
=
:
-=i
lvl
)))
21 4
5
x1
0 1
21
'i
5
1.. 2
.,5i 5
5
1
1 0
5
12
5
26
5
Sec. 4.3 Relacin entre las soluciones ptimas primal y dual
119
La solucin de las ecuaciones dadas es
/r
:']
y yr=
-1.
Si usted resuelr.e e_ r,blema
dual independientemente, obtendr la misma solucin. Adems, debido a la srle:::a : ia
propiedad I respecto al problema primal y dual, una aplicaci-n_ similaq a ia tabla sri:-e
".::,ra
inicial dar automticamente la solucin ptima primal x, =
L!
.*,
:
t
y *r: 0 ru-i:. :rR {
para resolver la dual y veriflque que la aseveracin dada es cierta).
La aplicacin de Ia propiedad I a las variables iniciales siempre resulta en ecua;.,--s :.-
ciles de resolver, ya que cada ecuacin incluye exactamente una variable. Sin emba;.r. - :
-.j
nada que nos impida el empleo de cualquiera de las otras dos variables (primales) (es de:::..r , t.
y xt) para generar las ecuaciones deseadas. Por ejemplo, en la tabla smplex ptima. 1-. .;;.-
ciones de la propiedad I asociadas con
'r1
y .x3 son, respectivamente,
ytI2lz-5:0
ltt3!t_
4::
5
La solucin de estas dos ecuaciones dar todava los mismos valores ptimos duales
y:
-
?
y yz
:
-?
. Sin embargo, las ecuaciones no son tan sencillas como las uroiiudu, con.r1 v
R (convnzase usted mismo que cualquiera de las dos variables x. x2, x31x, y R producirn las
variables duales).
A continuacin, presentamos una relacin entre la primal y la dual que, junto
con la
propiedad I, se puede emplear para proporcionar interesantes interpretaciones econmicas
del problema de programacin lineal.
Propiedad II. Para cualquier par de soluciones
factibles
primal y dual,
/
Valordelobjetivoenel
\ _l
Yalordelobjetivoenel
\
\problema
de maximizscicn/
-=
\problema
de minimizacin)
En el ptimo, fa relacin es vlida como una ecuacin estricta.
Ejemplo 4.3-2.
En el ejemplo 4.2- 1, es posible mostrar (por medio de una inspeccin de las restricciones),
que los problemas primales y duales tienen soluciones factibles (x,
=
0, xr=0, rr:8) y
(y,
= 6,yr.
= 0). Los valores asociados de las funciones objetivo se dan entonces como z
:
I
y w
=
60. A la inversa, la solucin ptima para los dos problemas (xr
:
!,*r: ?,r,
:
O) y
6,,
:
?,
y,
:
-?)
nos da z =
w
=
54.8. Ambos clculos demuestran la propieda.
La propiedad II revela que para todas las soluciones factibles de la primal y la dual, el
valor objetivo en el problema de minimizacin siempre proporciona
unu cotu"in superior
en el valor objetivo del problema de maximizacin. Debido a eso, las iteraciones sucesivas
del problema de maximizacin darn por resultado un incremento en el valor de la funcin
objetivo y las del problema de minimizacin darn por resultado una disminucin en el valor
de la funcin objetivo. A la larga, durante el curso de las iteraciones sucesivas, se llegar a un
punto de equilibrio donde los valores objetivo de la maximizacin y de la minifuizacin
deben ser iguales.
*f
G--
120
1. En el ejemplo 4.3-l.,utilice las restricciones duales asociadas con xzy ;oparadeter-
minar los valores ptimos duales
lty !2.
2. Considere la siguiente
pL:
Maximice
z
:
5x, I 2x, * 3x.,
sujeta a
* 5x, 2xr:
-
5xr- 6xr<
X1, X2, X3 2 0
La solucin ptima da la siguiente ecuacin objetivo:
7 * }xy
-
23x, * 7x, * (5 + M)xo+ 0x,
:
159
donde la artificial xoy la holgura
"{5
Son las variables bsicas iniciales. Escriba el
problema dual asociado y determine su solucin ptima a partir de la ecuacin p-
tima z.
Maximice
e | 5x, * 3x,
suJeta a
I2xr* xz:3
x2
:4
xyx2,x320
(a) Escriba el problema dual asociado.
(b) Dada la informacin de que las variables bsicas ptimas son x1 y x3, determine
la solucin ptima dual asociada.
Maximice
z
:
2x, I 4x, * 4x,
_
3xo
sujeta a
xtl xr*x,
-4
xrl4x, *xo:8
Xy X2, X3, Xq > 0
utiiice el problema dual para verificar que la solucin bsica (xr*r)no
es ptima.
5. En el problema
4,la ecuacin objetivo en la tabla smplex ptima es
30
40
xl
x1
XT
2x,
Sec. 4.3 Relacin entre las soluciones ptimas primal y dual
z
4 2xt * 0x, * 0x, I 3xo: 16
Determine la solucin ptima dual asociada.
Determine una solucin factible parala siguiente serie de desigualda,Je s-
el problema dual:
Zxr*3xr=12
-3x,
* 2x.t= 4
3xt
-
5xr< 2
x1 no restringida
xz> 0
(Sugerencia: aumente la funcin objetivo trivial, maximice z
:
Oxr * Oxr * 0x, a la:
desigualdades, despus resuelva la dual).
7. Encuentre el valor ptimo de la funcin objetivo para el siguiente problema, inspec-
cionando nicamente su dual. (No resuelva la dual por el mtodo smplex.)
sujeta a
Minimize z
:
!0x, * 4x, * 5xt
5xr-7xt*3xr>50
X1, X2, fr 2 0
8. Calcule un rango para el valor objetivo ptimo para cada una de las siguientes PL:
(a) Minimicez=5xt+2xz
sujeta a
(b) Maximice z
sujeta a
xr- xz>3
2x, * 3xr> 5
xyx220
=xt*Sxz*3xz
xrIZxr*xz:
Zxr- xz =
X1, X2, I: > 0
(c) Maximicez=2xt*xz
sujeta a
r
r*
6.
4
.---*--
Cap. 4
x1
-
xr= l0
2xr.
<
40
xy x2> O
(d)
Maximicez=3xt+2xz
sujeta a
Anlisis de dualidad y
de sensibi
2xr* xr=3
3x, * 4xr> 12
xp x2> 0
9. En el problema 8(a), sea gue./i y y2lasvariables
duales. Determine si los siguienrs
pares de soluciones primal-dual
son ptimas:
(a) (xr
:
3, xz: 1; yt: 4,
!z:
1)
(b) (r
:
4, xz: l; yt
:
1, yz: 0)
(c) (r
:3,
xz:0; yr
:5,
yz:0)
4.4 INTERPRETACIN
ECONMICA DE I.A DUALIDAD
x20,j
=
122
Fl problema
de la programacin
lineal se puede considerar como un modelo de asignacin
de recursos, en el cual el objetivo es maximizar el ingreso o la utilidad, sujeto a la di$onibi-
lidad de recursos limitados. viendo el problema dese este punto de vist, el problema
dual
asociado ofrece interesantes interpretaciones
econmicas el modelo de asilnacin de re-
cursos de la PL.
Para formalizat la exposicin, consideremos la siguiente representacin
de los proble-
mas generales primales y duales en los cuales el primal asume el papel de un modelo e asig-
nacin de recursos:
n
Maximice
e=Sc.x
4Jt
iaa
l=r
n
5. a,,x,
<
b,.i
=
1.2-...
1a'
Desde el punto de vista del modelo de asignacin de recursos, el problema primal tiene
n actir-idades econmicas y rn recursos. El coeciente c en el primal-representa
la utilidad
por Inidad
de la actividadT, El recurso l, cuya disponibilidad
mxima es b,, se consume a una
tasa de a,;
rniddg5
por unidad de la actividadT.
Minimice w
=|,
b,y,
sujeta a
i
2
o,,r,> c, j
=
1,2,...,n
!>
0,i
=
I,2,...,m
Sec. 4.4 lnterpretacin econmica de la dualidad
4.4.1 lnterpretacin econmica de las variables duales
La propiedad II en la seccin 4.3 manifiesta que para cualesquiera dos solucrc,:-s
duales los valores de las funciones objetivo, cuando son finitas. deben satisfacii
-
desigualdad:
z:)cx;<)bt:w
j:f
i:1
La igualdad estricta es vlida cuando tanto la solucin primal como la dual son ptrmas-
vamos a considerar primero la condicin ptima
z = w. Dado que el problma p.-:
representa un modelo de asignacin de recursos, podemos pensar en z como la representa"--: -
de la utilidad en dlares. Debido a qtte b, representa el nmero de unidades disponibtes del i;-
curso l, de ello se sigue que la ecuacin
z = w se puede expresar dimensionalmnte como
$
:
>
(unidades del recurso l) ($ dlares por unidad del recurso l)
i
Esto significa que las variables duales y,, deben representar el valor por unidacl del recurso l.
(Fsta misma interpretacin se obtuvo grficamente en la seccin Z.q.Z tin el empleo de la
dualidad.) En muchas publicaciones se hace referencia a las variables y, con el nornbre tc-
nico de precios duales. Otros nombres (igualmente no sugestivos), incluyen los de precios
sombra y multiplicadores smplex.
Empleando la misma lgica, la desiguald ad z 1 w, asociada con cualesquiera de dos
soluciones primal y dual factibles, se interpreta como
(Utilidad) < (Valor de los recursos)
Esta relacin dice que, mientras la utilidad total de todas las actividades sea menor que el
valor de los recursos, las soluciones primal y dual correspondientes no pueden ser ptimas.
Slo se llega a la optimalidad (utilidad mxima) cuando ios recurros r. han explotadb com-
pletamente, lo que slo sucede cuando la entrada (valor de los recursos) excede a la salida
(utilidad)' En terminos_econmicos, se dice que este sistema permanece inestable (no ptimo)
cuando el ingreso (valor de los recursos) excede la salida (utilidad total). La estailidad
ocurre nicamente cuando las dos cantidades son iguales.
Ejemplo 4.4-1.
A continuacin se proporciona el modelo de R.eddy Mikks (ejemplo 2.2-1) y su dual
Primal de Reddy Mikks Dual de Reddy Mikks
Maximice
z =
5xt+ 4xz
sujeta a
6x, + 4x,
<
24 (recurs o I, Mf)
xr+ 2xr< 6 (recurso2, M2)
-x1+
x2= 1 (recurso3)
xt= 2 (recurso4)
x,,xr> 0
Minimice w
=
24yt + 6y, +
lz
+ 2!
sujeta a
6yt+ yr-y..
=5
4yr+2yr+yr+y^> 4
lr !2, !z,lq
>*
0
Solucin ptima:
x,=3,xr=\.5,2=21
Solucin ptima:
lt =
.75,12
=
.5,
lz = !=
0, w
=
2I
123
t
*il
I
t
t
)
124
Cap. 4 Anlisis
de dualidad y de sensibilidar
De manera sucinta,
el modelo.
de Reddy Mikks relaciona
a la produccin
de dos tipos de
pintura (para
interiores.y
para exteriores),
utiiizando
dos clases d";;;;r*
prima,
M1. y MZ (re_ cursos 1 y 2) y sujeto a ras condiciorr",
"r.uoo
,.pr"r"rriu;;;;;j;**era
y cuarra restric_ ciones' El problema
trata de determinar
la.i.""ruu,
" pi"i"."
piu irlt"rior", y exteriores
que deben producirse
para maximizar
las utilidades (expresaas
",
,ii", " lares).
La sorucin
prima duar muestra qu"
"iuuioipor
unidal
J"ll,i"r"rr"
prima
ML(recurso 1), es yr
=
.75 (o 750 dlares por tonetada),
mientras que la de la materia pima
M2(recurso
2) es ,/z =
.5 (o 500 dlares por tonelada).
En ra seccin z.+il.*i*-;;;;:j_""te
que esos mismos resulrados
son cierros para
ros rangos (20J
); .;.;;;;ffi;t#:;
I y 2. respecrivamente (estos
rangos tambin se derivartialg.Urri.i."r;
e].la seccin 4.7.1\.porconsiguienre,
la ma_ teriaprma'
M1' se incrementar
desu nivel actual de z+ tonelJas
u ,rn'n,u*l.o
de 36 toneladas, con un incremento
correspondiente
en la utilidad
de12 x t50;]u,";
= 9 000 dlares).
De manera similar,
el lmite sobre la materia priu,
uz,se puede
in"r"r*"iu.
de 6 toneladas
a un mximo de 6'67 toneladas,
con un incremento
correspondiente
en la utilidad de .67 x 500 dlares
=
335 dlares' Se pueden
proporcionar
interpretaciones
similares
,i--, niu"t", de la materia prima
disminuyen
ms abajo de los niveles
-a-c-t'".
o*,." o"l.rl""r..
t"ot."dos
de aplicabilidad' La exposicin
no impi;ca que no r"; p;;;i"
cambiar
to. .""urr6,
ados a niveles fuera de los rangos de apricabilidu.,si-pt"*"1r"-d:;;"
er valor po. uniJuJ o" cada uno de los recur_ sos 1 y 2 est garantizado
slo dlntro de lo, Jn.ionudos
rangos.
Para los recursos 3 y 4, que representanlor
requerimient-os
del mercado, los precios
duales (valores
duales ptimos!on
amlqr.";;,1;fu"
inoi"u
s""
r*-r";;;;
asociados
son abun_ dantes. De all que su valor por unidad es de cero.
Serie de problemas
4.4a
t
*T#'r"iltJ:"0-
t'calcule
el cambio en la utilidad
prima en cada uno de los si-
(a)
La restriccin
para
la materia prima,
Ml (recurso
1), es 6-r, * 4x,
<
22. (b)
La restriccin paratamareria;.il;,
rraz
ir""r.r )j',"ilr*
2x,
=
{.J. (c)
La condicin
del mercado
,"pr"r""l."
p;;;i;;r^,
o
",, ",
=
,o
2' NWAC
Electronics
fabica cuatro
tipos de cables sencilos para
un contratista
de la defensa'
cada cabre debe pasar pot iuu,ro operaciones
en secuencia:
empalme,
sor_
l,T,%3,"r,iff:f,:
"
ip"ccio,,.
r" ,ig,i""t"
,"ur prp;;;;""
los datos perti_
Minutos por unidad
Cable
Empalme
Soldadura Acoplamiento
Inspeccin
Utilidad por unidad (g)
sc-110
s c_l]_i
SC.:--
10.5
9.3
11..6
8.2
20.4
24.6
17.7
26.5
J.Z
2.5
3.6
5.5
5.0
5.0
5.0
5.0
9.40
10.80
8.75
7.80
Capariai
liaria (minutos)
4
g00.0
9 600.0
4 700.0
4 500.0
Sec. 4.4 lnterpretacin econmica de la dualidad
125
El contratist a garanfizaque el nivel mnimo de produccin para cada uno de los cua-
tro cables es de 100 unidades.
(a) Formule el problema como un modelo de programacin lineal v utilice TORA
para determinar el programa ptimo de produccin'
ft)
basndose en los precios duales generados por TORA,
recomendara
usted
hacer incrementos en las capacidades diarias de cualquiera de las cualro opera-
ciones? ExPlique.
(c) La situacin de los requerimientos mnimos de produccin para ios cuairo
cables,
representa
una ventaja o una desventaja para NAWC Electr'-nlcsl
Ofrezca una explicacin basada en los precios duales proporcionados lc
TORA.
(d)
Es
factible incrementar la capacidad de la soldadura en 10% de su lmite ;-
iual, al mismo tiempo que se mantiene la contribucin actual por unidad a 1a
utilidad, como lo especifica el precio dual?
3. Bagco produce chaquetas y bolsos de piel. una chaqueta requiere 8m2 de piel
,v
ul
bolio sOlo utiliza 2m2.Los requerimientos de mano de obra para los dos productos
son 12 y 5 horas, respectivaminte. Los suministros semanales actuales de los dos
producios se limitan i t ZOO mt y 1 850 horas, respectivamente. La compaa vende
ias chaquetas y los bolsos a 350 y 120 dlares, respectivamente. El objetivo es deter-
minar el progiu-u de produccin qu maximice la utilidad neta' BagCo est con-
siderando una expansin de la produccin.
Cul
es el mximo precio de compra
que la compaa ebe pagar por la piel adicional?
Por
la mano de obra adicional?
4.4.2 lnterpretacin econmica de las restricciones duales
Las restricciones duales se pueden interpretar utilizando el resultado de la propiedad I en la
seccin 4.3. Es decir, en cualquier iteracin primal'
(Coeficiente objetivo de xr) ai!
-
cj
Utilizamos el anlisis dimensional para interpretar esta ecuacin. La utilidad por unidad,
c, de laactividad
j es en dlare, po, unidud. Entnces, por consistencia la cantidad 2Y il
debe estar tambin en clares por unidad. Enseguida, debido a que ct representa la utilidad,
la cantidad 2Y flij!,qu" upur"" en la ecuacin con un signo opuesto, debe representar el
costo. Al mismo tiempo, dado que a,, es\a cantidad del recurso i utilizada por la actividad
/,
las variables duales y, d"b"tr representar el costo atribuido por unidad del recurso i
1'
podemos pensar en la cantida d2T-;rf
.como
el costo atribuido de todos los recursos nece-
sarios para producir una unidad de la actividad
j.
iu
"o.ri"lOn
de maximizacin de optimalidad del mtodo smplex dice que un incre-
mento en el nivel de una actividadT no utilizada (no bsica) mejorar Ia utilidad slo si su co-
eficiente objetivo
(2?={y'
-
c)
es negativo. En trminos de la interpretacin anterior. est
condicin manifiesta que
rir
til
*o
m
_s
-.L
i:L
1,
i'l
f
126
. futitiaaa
por unidad)
\
de la actividadi
)
Por tanto' la condicin
de maximizacin
de la optimalidad
dice que es econmicamente
ven-
tajoso incrementar
una actividad a un nivel positivo
si la utilida por uniaad excede el costo
atribuido por unidad.
Para familiarizarlo
con la notacin
estndar utilizada
en las diferentes publicaciones,
introducimos
la definicin
',:
i
uur,
i=l
para representar
el costo atribuido de los recursos empleados por unidad de la activid ad j.
La
notacin (-z
-
')
es el coeficiente
objetivo de x, en la iabla siplex y a menudo se hace refe-
rencia a l como el costo reducido
de la activiad
7.
De tr""rro ui*u"os libros utilizan
7
-
c
para calcular directamente
el coeficiente de ta ecucion ;b;i""
vez d.e utllizarlas
ope-
raciones de rengln de Gauss-Jordan).
El empleo de .,
_
,,
"r,
io,
")lcrrlos
smplex en realidad
es parte del mtodo smprex revisado, que expondr"-o,
Jr,
"r "afrtuto
z.
/
Costo alribuido
de los )
|
...urro,
empleados por
I
I
unidad de la acrividadTJ
Ejemplo 4.4-2.
ToYCo ensambla tres tipos de juguetes:
trenes, camiones y automviles,
utilizando tres opera-
ciones' Los lmites diarios sobre l'os tiempos disponibles para las tres operaciones
son de 430,460
y 420 minutos, respectivamente,
y ras utliiud., po, .udu tren, camii
I
automvil son 3,2 y 5
dlares, respectivamente.
Los tiempos de ensamble po.r tren ; .;;.iperaciones
son de 1,3 y
1 minutos, respectivamente.
I os ii.-po. correspondientes
por camin y por automvil
son
Q,0,$
y (1,2,0)
minutos (un tiempo de c"ro ini"u qu" la opecin
no se utiliza).
si dejamos qve
h,x2y x, representen
el nmero diari de unidades ensambladas
de trenes,
camiones y automviles,
el model,o de
pL
asociado y su dual ," urr
"*,
Primal de TOYCO
Dual de TOYCO
Maximice
z =
3xt + Lrr- 5x,
sujeta a
^x,
+ 2x, + x3
=
430 (Operacin
1)
3xr + + 2x,
=
460 (Operacin}i
x, + 4x,
=
420 (Operacin
3)
Xr, Xr, Xr:- 0
Minimice
z =
430yt+ 460yr+ 420y,
suJeta a
lt+3!z+
lz>3
2yr+ + 4yr>2
It+2!z
>5
lY!z'lt2 0
Solucin ptima:
x,
= 0. x,
= 100. xr
=
230, z =
I 350 dlares
Solucin ptima:
It=1,lz=2,1,=0
La solucin primal
UOIT." requiere la produccin
de camiones
de juguete
(xz
=
t00) y au:omr'iles
de juguete
(:
=
230), pero de ningn tren (x,
=
0) E;:;;;ii"u
qu", de acuerdo con le a'-:r:al economa
de escala, los irnes ae;ug;;; no dejn ,rtiliu".."sii
embargo, la comperen-
cia di.-ra que Toyco
tambin produzca
tren;s"
io*o
se puede bg;;;;;;?
Si vemos el probrema
desde ei punto
de visra de la inierpretaci"
;; ;;
-
c1 para
-r1, ros trenes de juguete
sern econmi_
Sec. 4.4 lnterpretacin
econmica de la dualidad
camente atractivos slo si zr
(
c1. Por tanto,TOYCO
incrementar la utilidai ]l:'::r':: '
:--
mentando el precio O" n"nt po. ,rnidad, o bien disminuyendo el costo atribuidtr ;' -;
'
:. --
---:s -::-
lizados zr(: lt
* 3y,
-l
yJ.U"aumentoenlautilidadporunidadtalveznoseal'-:::'=.::i--:
:
que TOyCO qui"r" ,"grr. ,iendo
"o*petitiva
en el meicado. Una disminucin
en : ;! ::: :' i-'-
t", "uio a que implica mejoramientos
en las operaciones de ensamble,
princl:-.-:= :--
duciendo su empleo por unidad de los tiempos disponibles
para las operaciones' si dej
'*
:' ;
-=
rr,,rry rrrepresenten
las proporciones en lai cuales se reducen los tiempos por unidad i --
::.
oi"i.iorr"r,el
problemar"qui"r"determinar
f1,f2!\detalmaneraqueel
nuevocosro-::-r-*
de estas tres oplraciones descienda ms abajo de la utilidad por unidades c,, es decir'
1(1
-
rr)Y, + 3(1
-
rz)Yz+ 1(1
-
r,)Y, < 3
Paralosvaloresdadosde lt:
!'!z:2yy':0'estadesigualdadsereducea(verifqueloi
'
r,
-l
6rr) 4
127
*rf
*f
Porconsiguiente,cualesquieravaloresfactiblesderlyr|ef|tfeOylquesatisface:
11 * 612> 4 deben hacer que los trenes de
juguete dejen una utilidad. Por ejemplo, rr = .25
}.
rz= .2producirn Zt- ct: .zs + 6(.2)
-
4:
-2.55.Sinembargo,observequeunareduccin
unitaria en el empleo de ia operacin Z'es e veces ms efectiva como una reduccin igual en e1
empleo de la oPeracin 1.
Serie de
Problemas
4.4b
1.Enelejemplo4.4-2,supongamosquepafalostrenesdejuguete,elempleopor
unidad de la operacir, z,"
iu"de
r;duir de 3 minutos a!.25 minutos como m-
ximo.
En
cunto debe reduiirse la utilizacin
por unidad de la operacin 1, para
que loi trenes de
juguete dejen apenas una utilidad?
Z. inelejemplo
4.4--V,soponiu-ot
queTOYCO est estudiando
la posibilidad de in-
troducir un cuarto
iuguete:
la-iont de bomberos. El ensamble no utiliza la opera-
cin 1. Sus tiempos e ensamble
por unidad en las operaciones
2 y 3 son de 1 y 3
minutos, r"rp""iiuu-ente.
La utifdad por unidad es de 4 dlares'
Le
aconsejara
usted a TOYCO que introdujera el nuevo producto?
3. JoShop llizatoinos
y p."nru, taladradoras
para producir cuatlo tipos de partes
para quin as,
ppl,
ipz,
ppz
y
pp.La
tabla a continuacin
resume los datos per-
tinentes de la situacin.
t,
s
,,'t
:r
'
l
Tiempo de trabajo en mquina en minutos por unidad de
Mquina
PP1 PPz PP3 PP4
Capacidad
(minutos)
Tornos
Prensas taladradoras
2
J
5300
5300
Utilidad por unidad ($)
para
las partes que no se producen por medio de la solucin ptima actuai' d=:;i-
mine el ndice de deterioro en la utilidad ptima por incremento
unitario d ;o:'
uno de estos
Productos'
128 Cap. 4 Anlisis de dualidad y de sensibilidm
4. Considere la solucin ptima de JoShop en el problema 3. La compaa calcula
q;e
para cada una de las partes con produccin cero en la solucin ptima es posible r.r
lizar una reduccin general de 20% en el tiempo de trabajo de las mquinas :r
medio de mejoramientos del proceso.
Estos
mejoramientos haran que las pa:-s
dejaran utilidades? De no ser as,
cul
es el porcentaje mnimo de reduccin n,x*
sario para obtener una utilidad?
4.5 MTODO DUAL SMPLEX
En esta seccin, introducimos un algoritmo smplex diferente que est motivado pcr
"t
relacin entre los problemas primal y dual. El algoritmo est diseado para resolver u:t
clase de modelos de PL de una manera eficiente. El nuevo mtodo es esencial para hacei
anlisis de sensibilidad (vase la seccin 4.7).
En el algoritmo dual smplex, el problema de PL empieza (mejor que) ptimo

n;
factible. Las iteraciones sucesivas estn diseadas para avanzar hacia la factibilidad, sil r::-
lar la optimalidad. En la iteracin, cuando se restaura la factibilidad, el algoritmo termina-
mtodo dual smplex contrasta con el mtodo regular (primal) smplex del captulo 3 eu r-
sentido de que las iteraciones empiezan factibles y no ptimas y continan siendo factibl:r
hasta que se logra la optimalidad.
En el mtodo dual smplex, el cuadro smplex inicial debe tener un rengln objetivo
"-g-
timo por lo menos con una variable bsica no factible (< 0). Para mantener la optimalidai-u
simultneamenfe, avarzar hacia la factibilidad en cada nueva iteracin, se emplean las ri"m
condiciones siguientes:
Condicin dual de
factibilidad
La variable de salida, x., es la variable bsica que tient
el valor ms negativo, con empates que se rompen arbitrariamente. Si todas las variabi:s
bsicas son no negativas, el algoritmo termina.
Condicin dual de optimalidad. La variable de entrada est determinada entre l.s
variables no bsicas como la correspondiente a
min flzr--!1 ." .o)
No bsica xi
| |
4.-
|
u
donde a,, es el coeficiente de restriccin de la tabla smplex asociada con el rengln de ;
variable de salida x,y la columna de la variable de entrada xr. Los empates se rompen art',-
trariamente.
Si reflexiona un poco, observar que la condicin dual de optimalidad se basa en l
-nisma
idea general que se emplea en el desarrollo de la condicin primal de
factibilidad
e:
e;;aptulo 3,
Ejemplo.l5-1.
---:--^ ^
>u -! d
Minimice z=3xt+2xz
Sec. 4.5 Mtodo dual smplex 1n
3x, I xr:- 3
4x, * 3xr>'6
\+
x2=3
X\, X2> 0
La tabla smplex inicial para el problema se da como
Las variables 13 y -r4 son supervit, mientras que rs es una holgura. Multiplicamos cada una
de las ecuaciones asociadas con las variables bsicas de supervit x3 y -r4 por
-1,
de manera que el
lado derecho muestre directamente cules variables bsicas son no factibles (x,
:
-J,1o
:
-6,
s
:
3). ste ser siempre el procedimiento que utilizaremos en el algoritmo dual smplex.
Adems, zi
-
c 3 0 para todas las j
=
1,2,...,5, lo que indica que la solucin bsica inicial es p-
tima. Por tanto, la tabla smplex anterior satisface las condiciones requeridas para la tabla sm-
plex inicial del mtodo smplex dual, a saber, la ptima y la no factible.
La condicin dual de factibilidad indica que xo (:
-6)
es la variable de salida. Despus,
aplicamos la condicin dual de optimalidad para determinar la variable de entrada utilizando la
siguiente tabla resumen.
Variable
--f
x1
a
--1
x2 x. x^ x.
Las proporciones muestran que.r2 es la variable de entrada. Observe que una variable r, S c&n-
didato para entrar en la solucin bsica slo si su ao, es estrictamente negativa. Por tanto, las va-
riables bsicas x3,x4y xsno deben considerarse.
La siguiente tabla smplex se obtiene utilizando las operaciones familiares de rengln. que
nos dan
**t
rengln-z (z
-
c)
rengln-xo, u4i
lz;-c;l
Proporcin
l-d4+l
000
010
3.
4
Solucin bsica
factlble
-3 -1
I 0 0
-4 -3
0 1 0
11001
130
Cap. 4 Anlisis de dualidad y de sensibilioxitr
Solucin bsica
factible
I
xl
Solucin
*X:
xt-
x5
Proporcin
La tabla smplex anterior muestra que.r3 sale y.r1 entra,lo que por tanto nos da la siguien-
tabia smplex:
La ltima tabla smplex es factible (y ptima)
solucin correspondiente es .r1
:
?,
*,
6
Para teforzar su comprensin del enfoque smplex dual, la figura 4
-
1 muestra grfica-
mente la ruta seguida por el algoritmo en la solucin del ejemplo 4.5-LEl algoritmo
"tpi".t en el punto extremo A (que es no factible y mejor que el Optimo), despus-avanzahaja B
(que todava es no factible y mejor que el ptimo) y por lfimo se vuelve factible en C. En
este punto, el proceso termina con c como la solucin ptima factible.
Serie de problemas 4.Sa
1.-Considere el espacio de la solucin en la figna 4-2,donde se desea encontrar el punto
extremo ptimo que utilice el mtodo dual smplexpara minimizar
z
:
2x1
-l
x2.La
solucin ptima ocurre en el punto
:
(0.5,1.5) en la grfica.
(a) Si la solucin bsica inicial (no factible) la da el punto G,
sera
posible que las
iteraciones del mtodo dual smplex siguieran la ruta G,E,F2 Expque.
(b)
Si la solucin bsica inicial
1no
fictible) empiezaen el punto L, identifique una
ruta posible del mtodo dual smplex que conduzca al punto factible ptimo en
el punto f,
y, por consiguiente, termina el algoritmo. I;
21
5'
-:
3
4
l
1
-l
1
-;
1
-l
l
Solucin bsica
factible
Solucin
_:l
1 _l
55
),2
-55
Sec. 4.5 Mtodo dual smplex
X2
tt
:i::;a#a-
_,
Figura 4-1
Figura 4-2
132
Cap. 4 Anlisis de dualidad y
de sensibilidac
2' Resuelva los siguientes problemas
mediante el algoritmo dual smplex y trace la rur
del algoritmo en el espacio de la solucin grfica.
(a) Minimicez=2\+3xz
sujeta a
2xr2xr<30
x, * 2xr> 1,0
X1,X220
(b) Minimice
z =
5xt-t 6xz
sujeta a
xr1-xr>2
4x, * xr> 4
X1,X2-Q
3' Resuelva los siguientes problemas
mediante el algoritmo dual smplex y trace la ruta
del algoritmo en el espacio de la solucin grfica.
(a) Minimicez=4xt+2xz
sujeta a
(b)
Minimice
z
sujeta a
"
'" -1
^1
|
^2
_
3x,
-
xr> 2
X1rX2> 0
=
2x1 + 3x2
,*!1#--
2x, * xr> 3
v L-
-4
^\
|
^2_
L
X1rX2-Q
(sugerencia:
reemprace la restriccin
de iguardad con dos desigualdades).
4. Dual smplex con restricciones
artificiares.
considere el siguiente problema:
Maximice
z=2xt- x2*x3
sujeta a
2x, * 3x,
-
5xr> 4
-xrI9xr- xs>3
4xr*6xr*3rr<8
XyX2rl:>0
lad
llta
Sec. 4.5 Mtodo dual smplex 13
La solucin bsica inicial que se compone de los supervrt xo y -r5 v de la holzura -t
es no factible debido a x+
:
-4y
*t
:
-3.
Sin embargo, la dual smpler no es direc-
tamente aplicable, debido a que .r1 y x3 no satisfacen la condicin de marimizcin
de la optimalidad. Muestre que al aumentar la restriccin artificial -r:
-
.r=
=
-lf
(donde M es suficientemente grande para no eliminar cualesquiera puntc facu-hle-*
en el espacio de la solucin original) y despus utihzar la nueva restriccin cstxlo ;-
rengln pivote, la seleccin de x1 como la variable de entrada dar un rengln ot{etir o
todo ptimo. Despus, utilice el mtodo dual smplex con el problema modificadc
5. Utilizando el procedimiento de restriccin artificial que presentamos en el protrlem
4, resuelva los siguientes problemas por medio del mtodo dual smplex. En cada
caso, indique si la solucin resultante es factible, no factible o no acotada.
(a) Maximicez=Zxz
sujeta a
-xt*2xr-2xr>
8
-xt*
xz* xzs 4
Zxr- xt*4xr=10
Xy, X2, XZ> 0
-
3x,
x.- xrs2
xt* xz>4
2x,
-
2xr> 3
x1, x22 0
(c) Minimicez=-xr+xz
sujeta a
x,
-
4x"> 5
x,
-
3xr= 1
2x,
-
5xr> 1.
x"x'> 0
(d) Maximice z =Zxz
sujeta a
-xr1-3xr-
7*r-
-xt*
xz- xsS
3xr* xr-llxr=
X1 X2t Xs > 0
(b) Maximice z =
xr
sujeta a
.
1i
5
1,
8
\
134
Cap. 4 Anlisis de dualidad y de sensibilnnrt
6' Resuelva la siguiente PL en tres formas diferentes (por comodidad
utilice ToR{r
D su opinin acerca de cul mtodo parece ser er ms eficiente en el aspecto i*
clculo.
Minimice
z
=
6xt +,/x, + 3xr+ 5xo
sujeta a
5x,
-f
6x,
-
3x..
-l
4xo > 12
xr-5xr-6xo=19
Zxrl5xr*
xz* r+> 8
X1, X2, X3, X4> 0
7' Algoritmo smplex g.ene.ralizad.o.
El algoritmo smplex (primal) que estudiamos
en r-
captulo 3 empiezafactible
pero no opiimo. EI sm'plex uul
""ra
(mejor que) o:_
timo, pero no factible.
eu
sucede si un modelo de
pL
empiezl no ptimo as corn
no factible? Ya hemos visto que er smplex primal
anarjza la no factibilidad de ;
solucin inicial utilizando
variables artiflcialls. De una
-un"*
similar, el smppr
dual analiza la no optimalidad
utilizando restricciones
artiflciales. Aunque estos prc-
cedimientos
estn diseafos_ para mejorar los clculos atomticos,
esos detallc:
pueden hacer que se.pierda.de
vista 1o que implica realmente et atgoritmo smplel
es decir' que la solucin ptima de una PL est asociada con una solucin del punir
extremo (o bsico). Basndose
en esta observacin,
usted debe
,,ajustar,,su
propic
algoritmo_smplex
para ros moderos de
pL
qu"
"-pi"ru"
n-Jptmos
as como n.-
factibles. Para ilustrar este procedimiento,
consider
el modero e
pL
del problem:
5(")
Plmodelo
se puede poner
en forma de la siguient" t";r; ,;plex, en ra cual la
solucin bsica inicial (xr,xo,xr)
es no ptima (oe6roo
" "J
;;i;*o no facrible (de_
bido a x=
-8).
(observe
que ra primer
""uu"ir,
se muriplic por
-
r para revelai
la no factibilidad
directamente
en la columna de
,,solucin;,.)
r
Resuelva el problema
sin utilizar cualesquiera
variables o restricciones
arti-
ficiales, como sigue: erimine la no factibilidad
aplicanao prr*"ro
una versin de ra
condicin
de factibitidad.gr"]
smplex que seleccio na a x.como la variable de salida.
Para determinar
la variable de entrada, todo lo que necesitamos
es una variable no
Solucin bsca
factible
So1ucl:
1
-2
2 I
o o
-1
1 1 o 1 0
t
-r
4 0 O 1
Sec. 4.6 Clculos primales-duales
't35
bsica cuyo coeflciente de restriccin en el rengln xo sea estrictametrri neEati\-o. La
seleccin se hace sin pensar en mantener la optimalidad debido a que. en cualquier
forma, es inexistente en este punto (comprela con la condicin de optrmaud:d ,lual).
Este procedimiento se repite segn sea necesario hasta que se satisface la ie--::brda,l.
El siguiente paso ser prestarle atencin a la optimalidad aplicando la colr.--.in ;
optimalidad apropiada del mtodo smplex primal.
La esencia de este ejercicio es que el mtodo smplex no es rgido. En la_: .L-
caciones abundan las variaciones del mtodo smplex (por ejemplo, e1 mroc; :r-
mal-dual, el mtodo simtrico, el mtodo de lneas cruzadas y el mtodo mulir'i;r
"
que dan la impresin de que cada procedimiento es diferente cuando. de heci:.
todos buscan la solucin en un punto extremo, con una inclinacin hacia la auton-
tizacin y la eficiencia en los clculos.
8. El modelo de PL del problema 5(c) no tiene una solucin factible. Muestre cmo r-
detecta esta condicin mediante el procedimiento smplex generalizado que propor-
cionamos en el problema 7.
9. El modelo de PL del problema 5(d) no tiene una solucin acotada. Muestre la forma
en la cual se detecta esta condicin mediante el procedimiento smplex generalizado
que proporcionamos en el problema 7.
+,6 CLCULOS PRIMALES-DUALES
Al hacer el anlisis de sensibilidad, nos interesamos en un resultado principal: si los cambios
en los coeficientes del modelo cambiarn (la optimalidad o la factibilidad) de la solucin ac-
tual. De ser as,
cmo
es posible determinar la nueva ptima (si existe una)? Siempre
podemos responder a estas preguntas resolviendo de nuevo el problema; sin embargo, para
los problemas prcticos tpicos, con miles de variables y restricciones, esto resulta ineciente.
Para obtener los resultados deseados de una manera eficiente, necesitamos comprender
cmo los clculos smplex se ven afectados cuando se hacen cambios en los coeficients origi-
nales del modelo. En particular,
cmo
se ven afectadas la optimalidad (coeficientes del
rengln objetivo) y la factibilidad lado derecho de la tabla smplex) cuando se hacen esos
cambios?
Una forma compacta de seguir los clculos smplex es utilizando matrices.
para
aquellos
de nosotros que no tenemos una experiencia previa en matrices, slo necesitamos trei ope-
-
raciones elementales de matriz: (vector de rengln) X (matriz), (matriz) X (vector de
columna) y (escalar) x (matriz). Estas operaciones se introducen aqu por conveniencia.
Primero empezamos con algunas definiciones (vase el apndice A pira-una revisin ms
completa de las matrices):
una matri4 A, de tama o (m x n) es una disposicin rectangular de elementos con
zn renglones y n columnas.
Unvector de rengln, V, de tamao ,x es una maiz (I x n).
Un vector de columna,
I
de tamao m, es una matriz (m X I).
ti*
rf
l
*t
L.
2.
3.
tu
136
Cap. 4 Anlisis de dualidad
y de sens
Estas definiciones se representan matemticamente como
att atz a7,
azt azz azn
aml am2 Q^r-
Enseguida, introducimos
las tres operaciones de matriz:
1. (V x A). Esta operacin se define nicamente si el tamao de vector del rengln
T
es igual al nmero de renglones de A' En este caso'
v x A
:
(2o,o,r,2',oo,''',2',o,,)
Por ejemPlo,
[r
2)
(r1.,22,T)l 3 +
I
:
(l x 11 + 3 x22+ 5 x 33, 2x 11' + 4 x22 + 6 x33)
ts
6l
:
(242,308)
2. (A X P). Esta operacin se deflne nicamente si el tamao de las columnas de A es
igual al tamao de vector de la columna P' En este caso'
.:[;]
Como ilustracin, tenemos
-l-r
t l
i1
3 sll
";l:[llx1+22x3+33*s.l
=
-:
-t 6ll;;l lirxz+22x4+33x61
AXP:
2orP
n
2orP
:
n
2o^P
j--1
[:13]
Sec. 4.6 Clculos primales-duales 137
3. (Escalar x matriz). Dada la cantidad escalar (o constante) c, la operacin de mul-
tiplicacin aA resultar en una matriz (m x n) cuyo elemento a la (ry) es igual a ca,r.
Por ejemplo, dado que a
:
1"0,
"tt
(10)[1
? Z]:
ti8
:
j=t
20 301
so 60l
En general, cA
:
Aa. La misma operacin se extiende igualmente a la multipli-
cacin de vectores por escalares. Por ejemplo, aV
:
Va y aP
:
Po,
Dadas las definiciones anteriores, podemos expresar el problema general de PL
Maximice z cixi
sujeta a
P'x,: b
todos x;
>
0
donde P; y b son cada uno vectores de columna de tamafio m.
En el anlisis de sensibilidad, nos interesa estudiar el efecto de hacer cambios en
los coeficientes objetivo cy elvecfor b del lado derecho sobre la optimalidad y la facti-
bilidad del problema. Para ese fin, utilizamos la siguiente representacin general de ma-
ftizde la tabla smplex. (Lavalidez matemtica de esta tabla smplex se detallar en la
seccin 7.4).
La tabla smplex anterior se presenta en el formato utilizado en el captulo 3. Por con-
siguiente, X, en la columna ms a la izquierda, representa el vector bsico actual. La matriz
B-1 (que se muestra en el cuadro sombreado en el rengln de restricciones inmediatamente
abajo del conjunto de variables que corresponden al vector bsico inicial), se llama la in-
versa. Los elementos de esta matriz'inVersa cambian de una tabla smplex a las siguientes
como una funcin de la X, actual.
El clculo de los elementos de las restricciones asociadas con la tabla smplex son diec-
tos. Es decir, las columnas P, y b en el modelo original se transformaron correspondientemente
a B-1P, y B-t b en la tabla smplex actual. De manera que los nicos elementos restantes son
aquellos asociados con la ecuacin z objetivo, es decir, zj
*
ci Sea Y
=
(yr,yr, ...,!^) el vector
j
='t
*
t.
i
Solucin bsica
factible Inicial X" 5.]lltc:t on
138 Cap. 4 Anlisis de dualidad y de sensibilidad
del rengln m qe define las variables duales. En la seccin 4.3 mostramos que los valores
duales se calculan resolviendo un conjunto de ecuaciones lineales simultneas. Una forma m*
compacta y, sin embargo, equivalente de calcular el vector dual (o precios duales) es
y:
CB-1
en donde C es un vector del rengln m, que se compone de los coeflcientes de la funcin ot'
jetivo
original c asociados con el vector bsico original X (vase la seccin 7.4 para una ra-
lidacin de esta frmula). Por tanto, Z
-
cse calcula como
ail
-
ci
:yp,_c,
La segunda ecuacin muestra
eue
z
-
c; es la diferencia entre los lados izquierdo y derechc'
de las restricciones duales (tambin se muestra en la seccin 4.4-2).
Todos los elementos de la tabla smplex actual se calculan a partir de la inversa actual
B
1
y de los datos originales del problema. Como se mostrar en la siguiente seccin, este
punto es decisivo para hacer los clculos del anlisis de sensibilidad.
Ejemplo 4.6-1.
La PL del ejemplo 4.3-1 se utilzar para demostrar los clculos primales-duales. Los problema:
primales y duales se vuelven a exponer aqu en forma de matriz.
5'
,_
':2
i=1
Primal Dual
xb x2, x3 >
Maximice , = 1s.tz.+ll*r"
sujeta a
L*.t
hol
=Lal
0
tr 2 tlx,
lz :
gll',
' '[*,
.
Minimice ,
=
(r,rr)
[t3] sujeta a
(v,,v,)l;
i
l>-
6,12,4)
,1lr
> 0, y, no restringida
Los clculos primales-duales proporcionados aplican a cualesquiera de las iteraciones
smplex. Demostramos este punto utilizando la iteracin 1 de la solucin primal que proporcio-
namos en el ejemplo 4.3-l.Tenemos
",
:
i;1,
CB
:
(0,4)
(Observe que el orden de los elementos C" debe seguir el mismo orden especiflcado por el vec-
tor bsico Xu es decir co despus ca.) Tmbin obtenemos la inversa como
g-t
[,
-+l
_t
lo 1l
L J-I
dad
Jres
l
'i
ns
:'
ob-
\-a-
Sec. 4.6 Clculos primales-duales
Por consiguiente, el vector dual asociado se calcula como
(yr,yr): Y: C"B-t: (0,4)
:
(0,
)
Los coeficientes de la ecuacin z asociada se calculan como
Demanerasimilarcalculamos Zz- cz:
-+,zt -
ct= 0,2- cq:0,y zs-,r--2
+
'Lli''-
rifquelo!).
Despus mostramos la forma en la que se calculan los elementos de'las ecuaciones de res-
triccin utilizando la inversa B-1 y las columnas de restriccin originales Pr y b. La columna del
lado derecho de la iteracin se calcula como
De manera similar, las columnas del lado izquierdo de las restricciones se ilustran calculando la
columna asociada corl 11 colo
Las columnas restantes bajo x2,x3,x4e)ft y R se calculan de una manera similar (veri-
fquelo!)
La conclusin principal del ejemplo 4.6-1 es que toda la tabla smplex en cualquier ite-
racin se puede generar de la inversa asociada B-1 y de los datos originales del modelo' Por
consiguiente, en trminos de hacer el anlisis de sensibilidad sobre una solucin ptima de
PL cuya base inversa es B-1, podemos estudiar el efecto de cualesquiera cambios en los coe-
ficientes objetivo y en el lado derecho de las restricciones, simplemente volviendo a calcular
toda la zj
-
c j(ecuacin e)
y B-1b (lado derecho de la tabla smplex). Si los resultados de los
clculos muestran que el vector bsico actual X sigue siendo factible y ptimo, entonces no
hay nada ms que hacer. De lo contrario, se necesitan clculos adicionales para recuperar la
optimalidad o la factibilidad. La siguiente seccin detalla estos clculos.
Serie de problemas 4.a
1. En la solucin del ejemplo 4.3-l,identifique la base inversa y verifique todos los
elementos de
(a) Iteracin 2.
(b) Iteracin 3.
t
r
:ho
.ial
5te
1
-+l
JI
,
il
zt- cr: YPr
-
cr
:
(0,3r[;]
-
s
:
-l
*.: u-'o:
[l i]
t:t
t?l
[r
-1.]
'',
t1l
'
'*'
:
[o i-1
t'l
:
L3l
es
o-
14O
Cap. 4 Anlisis de dualidad y de sen
2. Considere el siguiente modelo de
pL:
Maximice
z
=
3xt + 2x2 + 5x3
sujeta a
bz* xr* xo
I2x,
*xs
X=
:30
:60
:20
siguientes
soluciones bsicas
-+
o-l
tt
,'l
o'l
-1
1l
8
gl
1 3l
-4
-4l.
1 1l
,r)
-i
ol
+'l
'l
trl
4*,
+
Xy X2, X3, X4t IS 2 0
idad y la factibilidad
de
t
l1
lx, l I
t*tl
Xr:l*.,
I,
B-t:io
ttt
Lxol I
L0
1
4
,
-1
I
2
0
-2
o:ii]
"
':f
(b)
(c)
xr*
3tt
xr*
Verifique la optimal
(a)
f
,,1
f;rj
"
siguientes
solucions
3. Considere el siguiente
modelo de
pL:
Maximice
z=4xt+1,4x2
sujeta a
2\+7xz+h :21.
7xt*2x,
*xo:2J.
Xy X2, X3, X42 Q
.r.erif,cue
la optimaridad
y la factibilidad
de cada una de las
bisicas.
(a)
4. Considere
el siguiente modelo de PL:
Minimice z =2xt+
xz
sujeta a
141
solucin bsica
Y
verif,que su
Sec. 4.6 Clculos
primales-duales
Ilol
u-:l
; .l
[-i
']
[. ;l
u-':['
I
i
t
-z_)
I +s 4sl
u-':l
, tl
L-ot
4sl
l:
'l
B-t:l
"
I
l-; 'l
"r:
f:],
"r:
[],
*r:
['J,
*,:
[il,
(b)
(c)
(d)
sujeta a
3xr* xz-xs -3
4xr*3x2 -x4
:6
xri2x,
*xr:3
X1, X2t X3, x4, rs
> 0
Calcule toda la tabla smplex asociada con la siguiente
optimalidad Y
su factibilidad'
r",t iii'l
*r=1",
l.
"-':l-1
;
ol
L*l
l'
-1
'l
L
5. Considere
el siguiente modelo de PL:
Maximice z =
5xt + !2x, + 4x3
lr
142
Cap. 4 Anlisis de dualidad y de sensibld,a,r
Solucin
xt * 2x, * x, * xo: 1,0
2*r.- xr*3x, :
z
(a) rdentifique
la mejo^ll;;i'"llri,1,,,ru,"ntes
soruciones bsicas factibles:
[,
-ll
(i)
",:[]l
u':l^
il
L'
iJ
lz
-rl
(ii)
x,:f*,.l,n-,:ls
sl
Lxrl l1 2l
Ls
sl
[:
-1-l
(iii)
x"=f"'1,"-':lt
tl
Lr']
L+
+
)
(b)
La
solucin obtenida en (a) es ptima para el modelo de
pL?
6' La siguiente es la tabla smplex ptima para un modelo de maximizacin con tres
restricciones ( <
)
y todas las variables no negatb@. Las variabr es x4, x5y x6 son ras
holguras asociadas con las tres restricciones.
Determine el vator oueivo"ptim
asociado en dos formas diferentes, utilizando las funciones
objetivo piimat y d'ual.
tr<
Solucin bsica
factibl,e
7. Considere el siguiente modelo de
pL:
Maximice
z
=
5xt + 2x2 + 3x3
sujeta a
xr*5xr*2xr=b,
xr-5x2-6xr=b,
xyx2tx20
0
0
1
0 1 1
_1
1010
0 0
-1
1
Sec. 4.7 Anlisis postptimo o de sensibilidad
Los valores constantes especficos de
fuy
b, producen la siguiente tabla smplex
ptima:
Las constantes a, b, c, dy e se pueden determinar de los datos del problema orignal
y de la condicin factible ptima de la tabla smplex. Determine
(a) Los lmites del lado derecho, bry br, de las restricciones 1- y 2.
(b) La solucin ptima dual.
(c) Los elementos a, b y c asociados con la variable xr.
4.7 ANUSIS POSTPTIMO O DE SENSIBILIDAD
El anlisis de sensibilidad se trat a un nivel elemental en la seccin 2.4.Esta seccin utiliza
la dualidad y los clculos primales-duales para proporcionar un trato ms a fondo del tema.
El anlisis de sensibilidad se hace despus de obtener la solucin ptima (actual) de un
modelo de PL. La meta es determinar si los cambios en los coeficientes del modelo dejarn
inalterada la solucin actual y, de no ser as, cmo obtener con eficiencia una nueva ptima
(suponiendo que exista una).
En general, los cambios en el modelo dan por resultado uno de cuatro casos.
1. La solucin actual (bsica) permanece inalterada.
2. La solucin actual se vuelve no factible.
3. La solucin actual se vuelve no ptima.
4. La solucin actual se vuelve no ptima as como no factible.
En el caso 2, utilizamos el mtodo dual smplex para recuperar la factibilidad, y en el caso 3
utilizamos el mtodo smplex (primal) para obtener la nueva ptima. En el caso 4, utilizamos
los mtodos primal y dual para obtener la nueva solucin. Los tres primeros casos se investigan
posteriormente. El cuarto caso, debido a que es una combinacin de los casos 2 y 3, se tratâ
en Problemas integrales 4-3.
. .i:,-'-
r 1,
"'.
El modelo de TOYCO del ejemplo 4.4-2 se utilizar para explicar los diferentes..i2io-
cedimientos. Recuerde que el modelo de TOYCO relaciona el ensamble de tres tipos de
juguetes:
trenes, camiones y automviles. Cada ensamble requiere tres operaciones sucesivas
Queremos determinar el nmero de unidades de cada juguete que maximizarla utilidad. El
modelo y su dual se repiten aqu por comodidad.
_ -
llr
:S
Is
o
i':*.
' '.
:-'.
.:. jq
*c
_ ..r
!
3F.5,{
-.4
'
'i*
ji
-.-''
F
----*<'**
-*
---"-.*--
Solucin bsica
factible
b210
c
-8 -l
1
Primal de TOYCO
Dual de TOYCO
Maximice z =
3xt + 2xr+ 5xz
sujeta a
xr + 2x2 t xs - 430 (Operacin 1)
3x, + + 2x,
<
460 (Operacin2)
x, + 4x,
<
420 (Operacin 3)
x1, x2, x3
>-
0
Minimice z =
430yt+ 460yr+ 420y,
sujeta a
lt+3!z+ lt=3
Zyr+ + 4yr>2
lt+2!z
>5
lrlz,lz>
0
Solucin ptima:
x,
=
0, x,
=
100, :
=
230, z =
1 350 dlares
Solucin ptima:
It=!,lz=2,y2=0
144
Cap. 4 Anlisis de dualidad y de sensibilidac
La tabla smplex ptima asociada para la primal se da como
I
x,
So1ucln
z
1350
4.7.1 Cambios que afectan ta factibitidad
La factibilidad de la solucin ptima actual puede resultar afectada nicamente si (1) se cam-
bia el lado derecho de las restricciones, b, o (2) si se aade una nueva restriccin al modelo.
En ambos casos la no factibilidad ocurre cuando por lo menos uno de los elementos de B-1 b
se vuelve negativo, es decir, si una o ms de las variables bsicas actuales se vuelve negativa.
Cambios discretos en el vectot b del lado derecho. Esta seccin considera el caso en
que se hacen cambios especficos discretos en uno o ms de los elementos del vector b. El
siguiente ejemplo ilustra el procedimiento.
Ejemplo 4.7-1.
Supongamos que TOYCO desea ampliar sus lneas de ensamble incrementand o en 40/o la capa-
cidad diaria de cada lnea a 602,644 y 588 minutos, respectivamente. Con estos incrementos, el
nico cambio que tendr lugar en la tabla smplex ptima es el lado derecho de las restricciones
(y el valor objetivo ptimo). As, utilizando la frmula XB
:
B-1b, obtenemos
Pcr: tanto. las vaiables bsicas actuales, x2,x3! x6siguen siendo factibles en los nuevos va-
lc,es .'r-.
-rll
r 18. La utilidad ptima asociada es de 1
g9
dlares.
X"
x"
x6
100
234
20
[",] |
t
-i
ol
ruorr rr+or
l.l=l
, j,ll;;l:l;;;l
L*uJ
l-,
,-11'*'1
L
,'.1
Sec. 4.7 Anlisis postptimo
o de sensibilidad
1
/15
Aun cuando la nueva solucin es atractiva desde el punto de vista del incremeoto en la uti-
lidad,TOYCO reconoce que su puesta en prctica llevar tiempo. Por consiguienre. se hizo
otra
propuesta para cambiar la capacidad de holgura de la operacin 3 (_ru
=
20 miniio,s
a ia capacidad
de la operacin 1, que cambia lamezcla de capacidad de las tres operaciones a -158. i., r l.r..,mi-
nutos, respectivamente. La solucin resultante es
I +
-i
ol
:l
o
+
'l
L_,
; ,]
La solucin resultante es no factible debido a que -x6
= -20.
Aplicamos el mtodo smplc
dual para recuperar la factibilidad. Primero, modificamos el lado derecho de la tabla sft"Fler
comosemuestraenlacolumnasombreada.Observequeelvalorasociado
dez=3x0+2 x 11-
5x230=1370dlares.
Solucin bsica factible x" x, x. S o luc in
De la smplex dual, sale x6y entra x., lo que da la siguiente tabla smplex ptima (en ge-
neral, la smplex dual necesita ms de una iteracin para recuperar la factibilidad.
S oluc i n
1 350
100
230
2A
La solucin ptima permanece esencialmente inalterada. Esto, a su vez, signif,ca que el
cambio propuesto en la asignacin de la capacidad no es ventajoso en este caso.
1. En el modelo deTOYCO que mencionamos al principio de la seccin 4.7,
sera
ms
ventajoso asignarle el exceso de capacidad de 20 minutos de la operacin 3 a la ope-
racin 2,envez de a la operacin 1?
ffr--
-.* -*
*
=-.:-*
*fE
tfil
l-r"
l.;
L*o
[+sol I riol
l+eol:l rrol
L+oo-j L -
ool
x2
x6
x2
x3
x,
?'
-1
1 o
1
-1
o
424
lo1ofo
22
200-2 11
1
i
:
2
-1
ool
4
01o
2
.11
I
--
22
1rt6
Cap. 4 Anlisis de dualidad y de
2. Supongamos que ToYCo desea cambiar la capacidad de las tres operaciones
forme a los siguientes casos:
utilice el anlisis de sensibilidad para determinar la solucin ptima.
considere el modelo de Reddy Mikks del ejemplo z.z.-r.Su tabla smplex prmn
se proporciona en el ejemplo 3.3-1. Si la disponibilidad diaria de las materias ncp
mas M1'y M2se incrementa a28y 8 toneladas, respectivamente, utilice el anlisis fu
sensibilidad para determinar la nueva solucin ptima.
Ozatk Farm tiene 20 000 pollos tiernos a los que alimenta durante 8 semanas anrsr
de enviarlos al mercado" La alimentacin diaria por cada pollo vara conforme al s-
guiente programa:
Semana
libra/pollo .26 .48 .75 1.00 1.30 1.60 1.90 2.I0
Contenido (libras) por libra de
lngrediente
Calcio Protenas Fibra
$
por libra
Piedra caliza
Matz
Semilla de soya
Lamezcla de alimentos debe contener
(a)
Por lo menos .8% pero no ms de 1..2o/o de calcio
(b)
Por lo menos 22o/o de protenas
(c) Por lo menos 5"/" de fibra cruda
Desarrolle un programa ptimo para el periodo de alimentacin de
g
semanas.
Para llegar al aumento de peso deseado en 8 semanas, la alimentacin debe sars-
facer estrictas necesidades alimenticias mediante una mezcla de productos alimenc-
cios.Aun cuando una lista tpica de alimentos es grande,por
simpiicidad limitaremm
el modelo a slo tres ingredientes: piedra caliza,maz yiemilla de soya. Las neces
dades alimenticias tambin se limitarn a tres tipos: Calcio, protenay fibra. La si-
guiente tabla resume el contenido alimenticio de los ingredientes seleccionadm.
junto
con los datos de su costo.
(a,
t;ll]
(b,
t:tr]
(",
tiffi]
,
[f;l]
3.
4.
.380
.001
.002
.12
.45
1.60
.00 .00
.09 .02
.50 .08
Sec. 4.7 Anlisis postptimo o de sensibilidad
117
Rango
factible
de los elementos de b, Otra forma de ver el efecto de cambiar la dis-
ponibilidad de los recursos (es decir, el vector b del lado derecho), es determinar el rango
para el cual sigue siendo factible la solucin actual. El siguiente ejemplo ilustra e,sre proce-
dimiento.
Ejemplo 4.7-2.
En el modelo de TOYCO, supongamos que nos interesa determinar el rango de factibitidad ,ie la
capacidad de la operacin 1. Esto se logra reemplazando el vector b con
La cantidad Dr representa el cambio en la capacidad de la operacin l" arriba y abajo del nisel
actual de 430 minutos. La solucin bsica actual sigue siendo bsica si Xs
:
B*1br
>
0. es
decir.
La primera condicin (, > 0) nos da D1
= -200,1a
segunda condicin (,
=
0) es inde-
pendiente de Dry la tercera condicin (ru > 0) nos da D1
<
10. Por tanto, la solucin bsica ac-
tual sigue siendo factible para
-200
<
Dr
=
10. Esto equivale a variar la disponibilidad de
minutos de la operacin 1. en el rango
430
-
200
<
(Capacidad de la operacin 1)
<
430 + 10
o bien
230
=
(Capacidad de la operacin 1)
=
qqO
El cambio en el valor objetivo ptimo asociado con D, es D1 yr,en donde y1 es el valor por
unidad (precio dual) en dlares por minuto de la operacin 1.
Para ilustrar el empleo del rango determinado, supongamos que la capacidad de la ope-
racin 1 se cambia del nivel actual de 430 minutos a 400 minutos. La solucin bsica actual sigue
siendo factible, debido a que la nueva capacidad cae dentro del rango factible. Para calcular los
nuevos valores de las variables, utilizamos Dt= 400
-
430
= -30
a fin de obtener
Para calcular el cambio asociado en el valor ptimo de la funcin objetivo, primero clcu-
lamos los precios duales como
tlt
t;'l
1
,
0
-L
)o
11
[+:o
+ o,l
ur=l+eo
I
L42o I
[i:r."'l: [;::.i]
=
[l] l+zo )
lro-z
!,.;.
[;:]
:
[;::
.
;,-'']
:
[,:i] L'uJ
120
-
2(-30)
118
(jr,lz,lt):
cB-1
:
(2,5,0)
Cap. 4 Anlisis de dualidad y de sensibil,id
= (r,2,0)
11
r1.
t
-4
^1
ut
-z
Por consiguiente, el valor por minuto de la operacin es y,
=
1 dlar por minuto y el
cambio en la utilidad ptima es Dryr:
-30
x 1
:
-30
dlares. Recuerde que el valor dadc,
por unidad yt
=
1 sigue siendo vlido slo dentro del rango especificado para Dr.Cualquier cam-
bio fuera de este rango causa la no factibilidad, de all la necesidad de utilizar el mtodo smpier
dual para determinar la nueva solucin, si existe una.
Es posible utilizar procedimientos similares a fin de determinar los rangos factibles
para D2y D., los cambios asociados con las operaciones 2 y 3 (vase el problema 4 .7b-1).La
determinacin de Dr, DzY Dz, en la forma prescrita y su relacin
"on
los valores ptimos
duales de
lt,yz
y y. slo son vlidos cuando cada recurso se considera por separado. Si "-
cidimos cambiar los tres recursos simultneamente, debe derivarse un cnjunt diferente de
condiciones, reemplazando el vector actual b con el nuevo vector b* cuyos elementos res-
pectivos son 430 + Db46O * Dzy 420 + D3 (vase el problema 43b-2).
1. En el modelo de ToYCo, supongamos que D2y Dr, representan los cambios en la
disponibilidad de las operaciones 2 y 3.
(a) Determine el rango de variacin para Dry D, que mantendr la factibilidad de
la solucin actual, suponiendo que los cambios se aplican a una operacin a la
vez.
(b) Determine el cambio de\ valor por minuto en \as capacidades de las operaciones
2v 3.
(c) Si la disponibilidad de la operacin 2 se cambia de los 460 minutos actuales a 500
minutos, determine la nueva solucin y el cambio correspondiente en la utilidad
ptima.
(d) Si la disponibilidad de la operacin 3 se cambia de 420 minutos a 450 minutos
encuentre la nueva solucin y su cambio asociado en la utilidad ptima.
(e) Si la disponibilidad de la operacin 3 se cambia de 420 minutos a 380 minutos.
encuentre la nueva solucin y su cambio asociado en la utilidad ptima.
2. En el modelo de ToYCo, supongamos que los cambios Dr, Dr.y Dr, se hacen sj-
multneamente en las tres operaciones.
(a) Determine las condiciones que mantendrn la factibilidad de la solucin ptima
actual.
(b)
Si las disponibilidades de las operaciones 1,2y 3 se cambian a 438,500 y 410
milutos, respectivamente, utilice las condiciones determinadas en (a) para
mostrar que la solucin bsica actual sigue siendo factible y determine el cam-
bio en la utilidad p-tima, utilizando los precios duales ptimqs.
Sec, 4.7 Anlisis
postptimo o de sensibilidad
(c) Si las disponibilidades de las tres operaciones se cambian a -160.440
.v
380 minu-
tos, respJctivamente, utilice las condiciones obtenidas en (a. para mostrar que la
solucin bsica actual se vuelve no factible y despus utilice el mtodo smplex
dual para determinar la nueva solucin.
3. Considere el modelo de TOYCO'
(a) Supongamos que cualquier tiempo adicional parala operacin 1. ms all de su
capaciad actual de 430 minutos por da, debe hacerse sobre una base de hoas
"*iru
u 50 dlares por hora. El costo por hora incluye tanto la mano de obra
como la operacin de la mquina.
Es
econmicamente ventajoso utilizar las
horas extra con la oPeracin 1?
(b) Supongamos
que el operador de la operacin2ha aceptado trabajar dos horas
de tiempo extra al da, a 45 dlares la hora. Adems, el costo de la operacin
misma s de 10 dlares la hora.
Cul
es el efecto neto de esta actividad sobre la
utilidad diaria?
(c)
Vale
la pena utilizar las horas extra con la operacin 3?
(d) Supongamos
que la disponibilidad diaria de la operacin 1 se incrementa a 440
' '
minutos. Cualquier tiempo extra utilizado ms all de la capacidad mxima ac-
tual costar 40 dlares la hora. Determine la nueva solucin ptima, incluyendo
la utilidad neta asociada.
(e) Supongamos
que la disponibilidad de la operacin 2 se disminuye 15 minutos al
' -
d; y que el csto por hora de la operacin durante el horario regular es de 30
dlarei.
Es
venrajoso disminuir la disponibilidad de la operacin2?
4. Gutchi Company fabrica bolsos, estuches para afeitar y mochilas. La fabricacin de
los tres productos requiere piel y material sinttico y la piel es la materia prima li-
mitante. El proceso d fabricacin utiliza dos tipos de mano de obra calificada: cos-
tura y acabado. La siguiente tabla proporciona la disponibilidad de los recursos, su
utilizacin en los tres productos y las utilidades por unidad'
Requerimientos de recursos por unidad
Recurso Bolso Mochila Estuche para afeitar Disponibilidad diaria
Piel (pies'z)
Costura (horas)
Acabado (horas)
Precio de venta
(dlares)
Formule el problema como un programa lineal y encuentre la solucin ptima uti-
lizando TORA. Despus, indique si los siguientes cambios en los recursos mantendr:
factible la solucin actual. Para los casos donde se mantiene la factibilidad, detern:'-=
la nueva solucin ptima (valores de las variables y de la funcin objetivo).
&ir
Hlr
f
ic,
I-
]S
.a
)5
42
40
45
3
2
1
2
2
1
45 22 14

Investigacion de Operaciones Sexta Edicion

Cargado por

Copyright:

Formatos disponibles

Investigacion de Operaciones Sexta Edicion

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Investigacion de Operaciones Sexta Edicion

Cargado por

Copyright:

Formatos disponibles

-r\-^

dlares por tonelada, respectivamente.

También podría gustarte