.1. Introduccin.

Muchas personas clasifican el desarrollo de la Programacin Lineal (PL) entre los avances cientficos ms importantes de mediados del siglo XX. En la actualidad es una herramienta comn que ha ahorrado miles o millones de dlares a muchas compaas y negocios, incluyendo industrias medianas en distintos pases del mundo. Cul es la naturaleza de esta notable herramienta y qu tipo de problemas puede manejar? Expresado brevemente, el tipo ms comn de aplicacin abarca el problema general de asignar recursos limitados entre actividades competitivas de la mejor manera posible (es decir, en forma ptima). Este problema de asignacin puede surgir cuando deba elegirse el nivel de ciertas actividades que compiten por recursos escasos para realizarlas. La variedad de situaciones a las que se puede aplicar esta descripcin es sin duda muy grande, y va desde la asignacin de instalaciones productivas a los productos, hasta la asignacin de los recursos nacionales a las necesidades de un pas; desde la planeacin agrcola, hasta el diseo de una terapia de radiacin; etc. No obstante, el ingrediente comn de todas estas situaciones es la necesidad de asignar recursos a las actividades. Con frecuencia, seleccionar una alternativa incluye satisfacer varios criterios al mismo tiempo. Por ejemplo, cuando se compra una pieza de pan se tiene el criterio de frescura, tamao, tipo (blanco, integral u otro), costo y rebanado o sin rebanar. Se puede ir un paso ms adelante y dividir estos criterios en dos categoras: restricciones y el objetivo. Las restricciones son las condiciones que debe satisfacer una solucin que est bajo consideracin. Si ms de una alternativa satisfacen todas las restricciones, el objetivo se usa para seleccionar entre todas las alternativas factibles. Cuando se elige una pieza de pan, pueden quererse 100 gr. de pan blanco rebanado y hecho no antes de ayer. Si varias marcas satisfacen estas restricciones, puede aplicarse el objetivo de un costo mnimo y escoger las ms barata. Existen muchos problemas administrativos que se ajustan a este molde de tratar de minimizar o maximizar un objetivo que est sujeto a una lista de restricciones. un corredor de inversiones, por ejemplo, trata de maximizar el rendimiento sobre los fondos invertidos pero las posibles inversiones estn restringidas por las leyes y las polticas bancarias. Un

hospital debe planear que las comidas para los pacientes satisfagan ciertas restricciones sobre sabor, propiedades nutritivas, tipo y variedad, al mismo tiempo que se trata de minimizar el costo. Un fabricante, al planear la produccin futura, busca un costo mnimo al mismo tiempo cmo cumplir restricciones sobre la demanda del producto, la capacidad de produccin, los inventarios, el nivel de empleados y la tecnologa. La PL se ha aplicado con xito a estos y otros problemas. La PL es una tcnica determinista, no incluye probabilidades y utiliza un modelo matemtico para describir el problema. El adjetivo lineal significa que todas las funciones matemticas del modelo deben ser funciones lineales. En este caso, la palabra programacin no se refiere a programacin en computadoras; en esencia es un sinnimo de planeacin. As, la PL trata la planeacin de las actividades para obtener un resultado ptimo, esto es, el resultado que mejor alcance la meta especificada (segn el modelo) entre todas las opciones de solucin. Aunque la asignacin de recursos a las actividades es la aplicacin ms frecuente, la PL tiene muchas otras posibilidades. De hecho, cualquier problema cuyo modelo matemtico se ajuste al formato general del modelo de PL es un problema de PL.

Supuestos de la programacin lineal. Existe un nmero de suposiciones realizadas en cada modelo. La utilidad de un modelo est directamente relacionada con la realidad de los supuestos. El primer supuesto tiene que ver con la forma lineal de las funciones. Ya que el objetivo es lineal, la contribucin al objetivo de cualquier decisin es proporcional al valor de la variable de decisin. Producir dos veces ms de producto producir dos veces ms de ganacia, contratando el doble de pginas en las revistas doblar el costo relacionado con las revistas. Es una Suposicin de Proporcin. Adems, la contribucin de una variable a la funcin objetivo es independiente de los valores de las otras variables. La ganancia con una computadora Notebook es de

$10,750.00, independientemente de cuantas computadoras Desktop se producen. Este es un Supuesto de Adicin. Anlogamente, ya que cada restriccin es lineal, la contribucin de cada variable al lado izquierdo de cada restriccin es proporcional al valor de la variable e independiente de los valores de cualquier ora variable. Estas suposiciones son bastante restrictivas. Veremos, sin embargo, que ser claros y precisos en la formulacin del modelo puede ayudar a manejar situaciones que parecen en un comienzo como lejanos a estos supuestos. El siguiente supuesto es la Suposicin de ser Divisible. Es posible tomar una fraccin de cualquier variable. Por ejemplo, en un problema de marketing, qu significa comprar 2.67 avisos en la televisin?. Es posible que la suposicin de ser divisible sea insatisfecha en este ejemplo. O puede ser que tales unidades de 2.67 avisos correspondan a 2,666.7 minutos de avisos, en cuyo caso redondeando la solucin seran 2,667 minutos con una mnima duda que est cercana a la solucin ptima. Si la suposicin de divisible no es vlida, entonces se usar la tcnica de Programacin Lineal Entera. La ltima suposicin es el Supuesto de Certeza. La Programacin Lineal no permite incertidumbre en los valores. Ser difcil que un problema cumpla con todas las suposiciones de manera exacta. Pero esto no negar la factibilidad de uso del modelo. Un modelo puede ser an til aunque difiera de la realidad, si se es consistente con los requerimientos ms estrictos dentro del modelo y se tiene claras sus limitaciones al interpretar los resultados.

Existen limitaciones prcticas para el uso de la PL. Una se relaciona con los clculos. En general se necesita una computadora. Desafortunadamente, las calculadoras, aun las programables, son poco tiles, puesto que la PL tiene necesidad de gran cantidad de memoria o almacenamiento. Si no se tiene acceso a una computadora, se estar limitado a problemas muy sencillos. La otra limitacin se refiere al costo de formular un problema de

PL. En teora, podra usarse PL, por ejemplo, para hacer las compras semanales de abarrotes. Sin embargo, sera necesario conocer todas las compras posibles que pueden realizarse (stas seran las variables), adems de cada restriccin como sabor, nmero de comidas, vitaminas y protenas. Es obvio que el costo de obtener todos estos datos excede lo que se podra ahorrar si se hicieran las compras ptimas. Antes de emprender una aplicacin de PL, debe considerarse la disponibilidad y el costo de los datos necesarios.

2.2. Formulacin de modelos de Programacin Lineal.

Aunque se ponga en duda, la parte ms difcil de PL es reconocer cundo sta puede aplicarse y formular el problema matemticamente. Una vez hecha esa parte, resolver el problema casi siempre es fcil. Para formular un problema en forma matemtica, deben expresarse afirmaciones lgicas en trminos matemticos. Esto se realiza cuando se resuelven problemas hablados al estudiar un curso de lgebra. Algo muy parecido sucede aqu al formular las restricciones. Por ejemplo, considrese la siguiente afirmacin: A usa 3 horas por unidad y B usa 2 horas por unidad. Si deben usarse todas las 100 horas disponibles, la restriccin ser:

3A + 2B = 100

Sin embargo, en la mayora de las situaciones de negocios, no es obligatorio que se usen todos los recursos (en este caso, horas de mano de obra). Ms bien la limitacin es que se use, cuando mucho, lo que se tiene disponible. Para este caso, la afirmacin anterior puede escribirse como una desigualdad:

3A + 2B 100

Para que sea aceptable para PL, cada restriccin debe ser una suma de variables con exponente 1. Los cuadrados, las races cuadradas, etc. no son aceptables, ni tampoco los productos de variables. Adems, la forma estndar para una restriccin pone a todas las variables del lado izquierdo y slo una constante positiva o cero del lado derecho. Esto puede requerir algn reacomodo de los trminos. Si, por ejemplo, la restriccin es que A debe ser por los menos el doble de B, esto puede escribirse como:

A 2B

A 2B 0

Ntese que pueden moverse trminos de un lado a otro de las desigualdades como si fuera un signo de igualdad. Pero al multiplicar una desigualdad por el sentido de esta 1, desigualdad se invierte. Puede ser necesario hacer esto para que los coeficientes del lado derecho sean positivos. Por ejemplo, si se quiere que A sea por lo menos tan grande como B 2, entonces:

A B 2 A B 2 por ltimo B A 2

Una nota final sobre desigualdades: es sencillo convertir una desigualdad en una ecuacin. Todo lo que se tiene que hacer es agregar (o restar) una variable extra. Por ejemplo:

B A 2

es lo mismo que

B A + S = 2

en donde S representa la diferencia, o la holgura, entre B A y 2. S se llama variable de holgura. Por otro lado, se restara una variable de supervit en el caso siguiente:

A 2B 0

es lo mismo que

A 2B S = 0

Algunos mtodos de solucin (como el Mtodo Smplex) y la mayora de los programas de computadora (como el MathProg, que viene en el OR Courseware, que acompaa al libro Introduccin a la Investigacin de Operaciones de los autores Hillier y Lieberman) requieren que todas las desigualdades se conviertan en igualdades.

La metodologa de PL requiere que todas las variables sean positivas o cero, es decir, no negativas. Para la mayora de los problemas esto es real, no se querra una solucin que diga: prodzcanse menos dos cajas o contrtense menos cuatro personas. Mientras que no existe un lmite en el nmero de restricciones que puede tener un problema de PL, slo puede haber un objetivo. La forma matemtica del objetivo se llama funcin objetivo. Debe llevar consigo el maximizar o minimizar alguna medida numrica. Podra ser maximizar el rendimiento, la ganancia, la contribucin marginal o los contactos con los clientes. Podra ser minimizar el costo, el nmero de empleados o el material de desperdicio. Con frecuencia el objetivo es evidente al observar el problema.

Como el valor de la funcin objetivo no se conoce hasta que se resuelve el problema, se usa la letra Z para representarlo. La funcin objetivo tendr, entonces, la forma:

Maximizar Minimizar

Z = 4A + 6B

Z = 2x1 + 5x2

Se analiza una aplicacin para ilustrar el formato de los problemas de Programacin Lineal.

Planeacin de la fuerza de trabajo. El gerente de personal de La Tortuga Veloz, S.A. de C.V., est analizando la necesidad de mano de obra semi calificada durante los prximos seis meses. Se lleva 1 mes adiestrar a una persona nueva. Durante este perodo de entrenamiento un trabajador regular, junto con uno en adiestramiento (aprendiz), producen el equivalente a lo que producen 1.2 trabajadores regulares. Se paga $500.00 mensuales a quien est en entrenamiento, mientras que los trabajadores regulares ganan $800.00 mensuales. La rotacin de personal entre los trabajadores regulares es bastante alta, del 10% mensual. El gerente de personal debe decidir cuntas personas necesita contratar cada mes para adiestramiento. En seguida se da el nmero de meses-hombre necesarios. Tambin se desea tener una fuerza de trabajo regular de 110 al principio de julio. En cuanto al 1 de enero, hay 58 empleados regulares.

Mes Enero Febrero Marzo

Meses-hombre requeridos 60 50 60

Mes Abril Mayo Junio

Meses-hombre requeridos 80 70 100

Este problema tiene un aspecto dinmico, ya que la fuerza de trabajo en cualquier mes depende de la fuerza de trabajo regular y en adiestramiento del mes anterior. Para cualquier mes, el nmero total de meses-hombre disponibles se puede expresar como sigue:

Meses-hombre disponibles: Ri + 0.2Ai

en donde:

Ri = nmero de trabajadores regulares al principio del mes Ai = nmero de aprendices contratados en el mes.

Entonces los requerimientos de cada mes pueden expresarse por las restricciones:

enero febrero marzo abril mayo junio julio (principio)

R1 + 0.2A1 R2 + 0.2A2 R3 + 0.2A3 R4 + 0.2A4 R5 + 0.2A5 R6 + 0.2A6 R7

60 50 60 80 70 100 110

Debido a la rotacin, el 10% de los trabajadores regulares se van cada mes. As, el nmero de trabajadores regulares disponibles, por ejemplo, al principio de febrero sera:

R2 = 0.9R1 + A1

En la misma forma, pueden escribirse las ecuaciones para el nmero de trabajadores disponibles al principio de cada mes:

enero febrero marzo abril mayo junio julio

R1 R2 R3 R4 R5 R6 R7

= = = = = = =

58 (dado) 0.9R1 + A1 0.9R2 + A2 0.9R3 + A3 0.9R4 + A4 0.9R5 + A5 0.9R6 + A6

El objetivo global del gerente de personal es minimizar el costo. La funcin objetivo es:

Minimizar: Z = 800(R1 + R2 + R3 + R4 + R5 + R6) + 500(A1 + A2 + A3 + A4 + A5 + A6)

Ahora se tiene el problema en el formato general de PL con 13 variables y 14 restricciones.

Los tomadores de decisiones en las empresas establecen criterios que debe cumplir una solucin y, despus, buscan esa solucin. En PL, los criterios se expresan como restricciones. Se exploran las soluciones posibles y se usa la funcin objetivo para elegir la mejor de entre aquellas que cumplen con los criterios. La PL se denomina tcnica de

optimizacin, pero optimiza slo dentro de los lmites de las restricciones. En realidad es un mtodo de satisfaccin de criterios.

Forma estndar de los modelos de Programacin Lineal. Supngase que existe cualquier nmero (digamos m) de recursos limitados de cualquier tipo, que se pueden asignar entre cualquier nmero (digamos n) de actividades competitivas de cualquier clase. Etiqutense los recursos con nmeros (1, 2, ..., m) al igual que las actividades (1, 2, ..., n). Sea xj (una variable de decisin) el nivel de la actividad j, para j = 1, 2, ..., n, y sea Z la medida de efectividad global seleccionada. Sea cj el incremento que resulta en Z por cada incremento unitario en xj (para j = 1, 2, ..., n). Ahora sea bi la cantidad disponible del recurso i (para i = 1, 2, ..., m). Por ltimo defnase aij como la cantidad de recurso i que consume cada unidad de la actividad j (para i = 1, 2, ..., m y j = 1, 2, ..., n). Se puede formular el modelo matemtico para el problema general de asignar recursos a actividades. En particular, este modelo consiste en elegir valores de x1, x2, ..., xn para:

Maximizar Z = c1x1 + c2x2 + ... + cnxn, sujeto a las restricciones: a11x1 + a12x2 + ... + a1nxn b1 a21x1 + a22x2 + ... + a2nxn b2

am1x1 + am2x2 + ... + amnxn bm y

x1 0,

x2 0,

...,

xn 0

sta se llamar nuestra forma estndar (porque algunos libros de texto adoptan otras formas) para el problema de PL. Cualquier situacin cuya formulacin matemtica se ajuste a este modelo es un problema de PL. En este momento se puede resumir la terminologa que usaremos para los modelos de PL. La funcin que se desea maximizar, c1x1 + c2x2 + ... + cnxn, se llama funcin objetivo. Por lo general, se hace referencia a las limitaciones como restricciones. Las primeras m restricciones (aquellas con una funcin del tipo ai1x1 + ai2x2 + ... + ainxn, que representa el consumo total del recurso i) reciben el nombre de restricciones funcionales. De manera parecida, las restricciones xj 0 se llaman restricciones de no negatividad. Las variables xj son las variables de decisin. Las constantes de entrada, aij, bi, cj, reciben el nombre de parmetros del modelo.

Otras formas de modelos de Programacin Lineal. Es conveniente agregar que el modelo anterior no se ajusta a la forma natural de algunos problemas de programacin lineal. Las otras formas legtimas son las siguientes:

1. Minimizar en lugar de maximizar la funcin objetivo:

Minimizar Z = c1x1 + c2x2 + ... + cnxn,

2. Algunas restricciones funcionales con desigualdad en el sentido mayor o igual:

ai1x1 + ai2x2 + ... + ainxn, bi, para algunos valores de i,

3. Algunas restricciones funcionales en forma de ecuacin:

ai1x1 + ai2x2 + ... + ainxn, = bi, para algunos valores de i,

4. Las variables de decisin sin la restriccin de no negatividad:

xj no restringida en signo para algunos valores de j.

Cualquier problema que incluya una, varias o todas estas formas del modelo anterior tambin se clasifica como un problema de PL, siempre y cuando stas sean las nicas formas nuevas introducidas. Puede ser que la interpretacin que se ha dado de asignacin de recursos limitados entre actividades que compiten no se aplique, pero independientemente de la interpretacin o el contexto, lo nico que se necesita es que la formulacin matemtica del problema se ajuste a las formas permitidas. Se ver que estas otras cuatro formas legales se pueden reescribir en una forma equivalente para que se ajuste al modelo que se present. Entonces, todo problema de PL se puede poner en nuestra forma estndar si se desea.

2.3. Solucin Grfica de Modelos Lineales con dos Variables.

Para la solucin grfica de programas lineales con dos variables, lo que se tiene que hacer es trazar un eje de coordenadas cartesianas, para graficar las desigualdades dadas por el problema, despus encontrar el rea de Soluciones Factibles y proceder a graficar la funcin objetivo para conocer el valor ptimo (maximizar o minimizar) que ser la solucin del problema.

Ejemplo: Problema de mezcla de productos. Un fabricante est tratando de decidir sobre las cantidades de produccin para dos artculos: mesas y sillas. Se cuenta con 96 unidades de material y con 72 horas de mano de obra. Cada mesa requiere 12 unidades de material y 6 horas de mano de obra. Por otra parte, las sillas usan 8 unidades de material cada una y requieren 12 horas de mano de obra por silla. El margen de contribucin es el mismo para las mesas que para las sillas: $5.00 por unidad. El fabricante prometi construir por lo menos dos mesas.

Paso 1: formulacin del problema. El primer paso para resolver el problema es expresarlo en trminos matemticos en el formato general de PL. Cul es el objetivo? Es maximizar la contribucin a la ganancia. Cada unidad de mesas o sillas producidas contribuir con $5 en la ganancia. As las dos alternativas son la produccin de mesas y la produccin de sillas. Ahora puede escribirse la funcin objetivo:

Maximizar Z = 5x1 + 5x2

en donde:

x1 = nmero de mesas producidas

x2 = nmero de sillas producidas

Cules son las restricciones o limitaciones del problema? Existen tres restricciones. Primero, el material est limitado a 96 unidades. Cada mesa se lleva 12 unidades de material y cada silla usa 8 unidades. La primera restriccin es, entonces:

12x1 + 8x2 96

La segunda restriccin es el total de horas de mano de obra. Una mesa se lleva 6 horas, una silla 12 horas y se dispone de un total de 72 horas. As:

6x1 + 12x2 72

Existe una limitacin ms. El fabricante prometi producir por lo menos dos mesas. Esto puede expresarse como:

x1 2

Por ltimo, las restricciones de no negatividad son:

x1 0, x2 0

Poniendo todo junto el modelo se tiene:

Maximizar

Z = 5x1 + 5x2

Restricciones: 12x1 + 8x2 96 6x1 + 12x2 72 x1 2 x1 0, x2 0

Paso 2: grfica de las restricciones. El siguiente paso en el mtodo grfico es dibujar todas las restricciones en una grfica. Esto puede hacerse en cualquier orden. Por conveniencia se comenzar con las restricciones de no negatividad. stas se muestran en la siguiente figura:

En esta grfica, una solucin se representara por un punto con coordenadas x1 (mesas) y x2 (sillas). Las coordenadas representaran las cantidades de cada artculo que se deben producir. El cuadrante superior derecho se llama Regin Factible puesto que es el nico cuadrante en que pueden estar las soluciones. Los otros tres cuadrantes no son factibles, ya que requeriran la produccin de cantidades negativas de mesas o de sillas o de ambas.

La siguiente restriccin es x1 2. La manera ms sencilla de dibujar las restricciones de recursos es en dos pasos: (1) convertir una desigualdad en una ecuacin y graficar la ecuacin y (2) sombrear el rea apropiada arriba y abajo de la lnea que resulta en el paso 1. Convertir una igualdad en una ecuacin aqu significa ignorar la parte de mayor que o menor que de la restriccin.

As, en el ejemplo, x1 2 se convierte en x1 = 2. Esta ecuacin est trazada en la siguiente figura:

Cualquier punto en la lnea x1 = 2 satisface la ecuacin. Sin embargo, la restriccin es ms amplia, ya que cualquier punto x1 > 2 tambin la cumplir. Esto incluye todos los puntos que estn a la derecha de la lnea x1 = 2. Entonces, la regin factible incluye todos los valores de x1 que estn sobre o a la derecha de la lnea x1 = 2.

La limitacin sobre las horas de mano de obra es la siguiente restriccin. Como antes, primero se convierte en una ecuacin: 6x1 + 12x2 = 72. Puede graficarse esta lnea si se encuentran dos puntos sobre ella. El par de puntos ms sencillos de localizar son las intersecciones con los ejes X1 y X2. Para encontrar la interseccin con el eje X2 se hace x1 = 0. La ecuacin se reduce, entonces, a:

12x2 = 72 x2 = 6

La interseccin con el eje X1 se encuentra haciendo x2 = 0. As:

6x1 = 72 x1 = 12

Estos dos puntos y la lnea que los une se muestran en la siguiente figura:

Cualquier punto que est sobre o abajo de esta lnea cumplir con la restriccin. Cualquier punto arriba de esta lnea requerir ms de 72 horas de mano de obra y no es aceptable. En la siguiente figura se combina esta restriccin con la anterior. En la regin factible, ambas restricciones se cumplen.

La ltima restriccin es la de material. Siguiendo el procedimiento anterior, primero se encuentran las intersecciones para la igualdad. stas son x1 = 0, x2 = 12 y x1 = 8, x2 =0. Se localizan los dos puntos en la grfica; se traza la lnea, y como la restriccin es del tipo menor o igual que, se sombrea el rea que est abajo de la lnea. El resultado se muestra en la siguiente figura:

Cualquier solucin que est en la frontera o dentro del rea sombreada cumplir con todas las restricciones. Ahora se utilizar la funcin objetivo para seleccionar la solucin ptima.

Paso 3: obtencin de la solucin ptima: lneas de indiferencia. Para encontrar la solucin ptima, se grafica la funcin objetivo en la misma grfica de las restricciones. La funcin objetivo en este problema es Z = 5x1 + 5x2. Como todava no se conoce el mximo valor factible de Z, no puede trazarse el ptimo de la funcin objetivo. No obstante, es posible suponer algunos valores para Z y graficar las lneas resultantes. En la siguiente figura se muestran las lneas para Z = 25 yZ = 50:

Las lneas de este tipo se llaman lneas de indiferencia, porque cualquier punto sobre una lnea dada da la misma ganancia total. Ntese que la distancia perpendicular del origen a la lnea aumenta al aumentar el valor de Z. Tambin, todas las lneas de indiferencia son paralelas entre s. Estas propiedades grficas pueden usarse para resolver el problema.

En la siguiente figura, se ilustran todas las restricciones y las dos lneas de indiferencia supuestas. En la grfica puede observarse que la lnea de indiferencia para Z = 50 est completamente fuera de la regin factible. Para Z = 25, parte de la lnea cae dentro de la

regin factible. Por tanto, existe alguna combinacin de x1 y x2 que satisface todas las restricciones y da una ganancia total de $25. Por inspeccin, puede observarse que hay ganancias ms altas que son factibles.

Imaginando que la lnea de indiferencia Z = 25 se mueve hacia la lnea Z = 50, de las propiedades de la grfica que se hicieron notar antes, el punto ptimo estar sobre la lnea de indiferencia ms lejana al origen pero que todava toque la regin factible. Esto se muestra en la siguiente figura:

Con el punto ptimo localizado grficamente, la nica tarea que queda es encontrar las coordenadas del punto. Ntese que el punto ptimo est en la interseccin de las lneas de restriccin para materiales y horas de mano de obra. Las coordenadas de este punto se pueden encontrar resolviendo el sistema de ecuaciones que forman estas dos restricciones utilizando cualquiera de los mtodos de solucin (suma y resta, sustitucin o igualacin). Las coordenadas de este punto resultan ser (6, 3). La sustitucin de este punto en la funcin objetivo da la ganancia mxima:

Z = 5(6) + 5(3) = $45

Resumen del mtodo grfico. Para resolver grficamente problemas de programacin lineal: 1. Exprsense los datos del problema como una funcin objetivo y restricciones. 2. Grafquese cada restriccin. 3. Localcese la solucin ptima.

Uso del mtodo grfico para minimizacin.

Consideremos un Problema de PL en el cual el objetivo es minimizar costos. La solucin del problema de minimizacin sigue el mismo procedimiento que la de problemas

de maximizacin. La nica diferencia es que ahora se quiere el menor valor posible para la funcin objetivo. Supngase que se tiene el siguiente problema:

Ejemplo: Problema de dieta. Un comprador est tratando de seleccionar la combinacin ms barata de dos alimentos, que debe cumplir con ciertas necesidades diarias de vitaminas. Los requerimientos vitamnicos son por lo menos 40 unidades de vitamina W, 50 unidades de vitamina X y 49 unidades de vitamina Y. Cada onza del alimento A proporciona 4 unidades de vitamina W, 10 unidades de vitamina X y 7 unidades de vitamina Y; cada onza del alimento B proporciona 10 unidades de W, 5 unidades de X y 7 unidades de Y. El alimento A cuesta 5 pesos/kilogramo y el alimento B cuesta 8 pesos/kilogramo.

Paso 1: formulacin del problema. La meta en este problema es encontrar la manera menos costosa para satisfacer las necesidades vitamnicas. Las dos alternativas disponibles son los alimentos A y B. Matemticamente la funcin objetivo es:

Minimizar Z = 5A + 8B

Las restricciones son los requerimientos mnimos de las tres vitaminas. stas se muestran enseguida:

Restricciones: 4A + 10B 40 vitamina W

10A + 5B 50 vitamina X 7A + 7B 49 vitamina Y A 0, B 0 no negatividad

Paso 2: grfica de las restricciones. El procedimiento para graficar es el mismo que se us antes: (1) graficar cada ecuacin de restriccin; (2) graficar el rea apropiada. Para la primera restriccin la ecuacin es 4A + 10B = 40. Las dos intersecciones con los ejes son (0,4) y (10,0). Esta lnea se muestra en la siguiente figura:

La restriccin pide 40 unidades o ms de la vitamina W. Cualquier punto que est arriba de la lnea de restriccin ser factible y todos los puntos que quedan abajo de esa lnea sern aceptables. En la siguiente figura se muestra la regin factible:

Despus se grafica la restriccin para la vitamina X. La ecuacin 10A + 5B = 50 tiene intersecciones con los ejes en (0,10) y (5,0). En la siguiente figura se ilustran las restricciones para las vitaminas W y X. Ntese que las soluciones que quedan en las reas a o b no son factibles, ya que quedaran abajo de las lneas de restriccin.

Al agregar la tercera restriccin, este segundo paso queda terminado, como se muestra en la siguiente figura:

Paso 3: localizacin de la solucin ptima. En la siguiente figura se muestra la frontera extrema ms dos lneas de indiferencia, las de Z = 40 pesos y Z = 60 pesos. La frontera extrema est formada por los puntos a, b, c y d, puesto que stos son los puntos de interseccin factibles ms cercanos al origen.

Grficamente, el objetivo de minimizar el valor de Z significa ajustar una lnea de indiferencia tan cerca del origen como sea posible. En la figura anterior puede observarse que existen muchas soluciones posibles para Z = 60, pero ninguna para Z = 40. Imaginando mover la lnea Z = 60 hacia el origen, el ltimo punto de contacto con la frontera extrema ser el punto b. Entonces, el punto b es la solucin ptima. En la figura anterior se observa que el punto b es la interseccin de dos lneas:

(1) 4A + 10B = 40 (2) 7A + 7B = 49

Resolviendo el sistema de ecuaciones:

Multiplquese la ecuacin (1) por 7: Multiplquese la ecuacin (2) por 4:

(3)

28A + 70B = 280 (4) 28A 28B = 196 42B

= 84 B= 2 Sustityase en la ecuacin (1): 4A + 10(2) = 40 A= 5

La solucin menos costosa es 5 kilogramos de alimento A y 2 kilogramos de alimento B. El costo total de esta combinacin es: Z = 5A + 8B = 5(5) + 8(2) = 25 + 16 = 41 pesos Si se usa el mtodo de prueba y error para localizar la solucin ptima, se deben encontrar las coordenadas de los puntos a, b, c, y d. Se debe calcular despus el valor de la funcin objetivo para cada punto. A continuacin se muestran los resultados de este procedimiento:

Resultados de prueba y error

Punto Coordenadas Z = 5A + 8B a b c
A = 10, B = 0 A = 5, B = 2 A =3, B = 4 50 41 menor 47

A = 0, B = 10

80

CASOS ESPECIALES.

Mltiples soluciones.

Maximizar sujeta a

x2 + 3x1 2x2 x1 0, x2 0

3x1 x1

2x2 4 12 18

Ninguna solucin factible.

Maximizar sujeta a

+ 3x1 2x2 1/40x1 + 1/60x2 1/50x1 + 1/50x2 x1 x2 x1 0, x2 0

1 1 30 20

rea o Regin de Soluciones Factibles no Acotada.

Maximizar sujeta a

2x1 x2 x1 x2 + 2x1 x2 x1 0, x2 0

1 6

Regresar a la Pgina Principal ASPECTOS BSICOS DE LA PROGRAMACIN LINEAL Muchas personas clasifican el desarrollo de la programacin lineal entre los avances cientficos ms importantes de mediados del siglo XX, su impacto desde 1950 ha sido extraordinario. En la actualidad es una herramienta de uso normal que ha ahorrado miles o millones de pesos a muchas compaas o negocios, incluyendo empresas medianas en los distintos pases industrializados del mundo; su aplicacin a otros sectores de la sociedad se est ampliando con rapidez. Una proporcin muy grande de los clculos cientficos en computadoras est dedicada al uso de la programacin lineal. Cul es la naturaleza de esta notable herramienta y qu tipos de problemas puede manejar. Expresado brevemente, el tipo ms comn de aplicacin abarca el problema general de asignar recursos limitados entre actividades competitivas de la mejor manera posible (es decir, en forma ptima). Con ms precisin, este problema incluye elegir el nivel de ciertas actividades que compiten por recursos escasos necesarios para realizarlas. Despus, los niveles de actividad elegidos dictan la cantidad de cada recurso que consumir cada una de ellas. La variedad de situaciones a las que se puede aplicar esta descripcin es sin duda muy grande, y va desde la asignacin de instalaciones de produccin a los productos, hasta la asignacin de los recursos nacionales a las necesidades de un pas; desde la seleccin de una cartera de inversiones, hasta la seleccin de los patrones de envo; desde la planeacin agrcola, hasta el diseo de una terapia de radiacin, etc. No obstante, el ingrediente comn de todas estas situaciones es la necesidad de asignar recursos a las actividades eligiendo los niveles de las mismas. La programacin lineal utiliza un modelo matemtico para describir el problema. El adjetivo lineal significa que todas las funciones matemticas del modelo deber ser funciones lineales. En este caso, las palabra programacin no se refiere a programacin en computadoras; en esencia es un sinnimo de planeacin. As, la programacin lineal trata la planeacin de las

actividades para obtener un resultado ptimo, esto es, el resultado que mejor alcance la meta especificada (segn el modelo matemtico) entre todas las alternativas de solucin. Aunque la asignacin de recursos a las actividades es la aplicacin ms frecuente, la programacin lineal tiene muchas otras posibilidades. de hecho, cualquier problema cuyo modelo matemtico se ajuste al formato general del modelo de programacin lineal es un problema de programacin lineal. An ms, se dispone de un procedimiento de solucin extraordinariamente eficiente llamado mtodo simplex, para resolver estos problemas, incluso los de gran tamao. Estas son algunas causas del tremendo auge de la programacin lineal en las ltimas dcadas. MODELO DE PROGRAMACIN LINEAL Los trminos clave son recursos y actividades, en donde m denota el nmero de distintos tipos de recursos que se pueden usar y n denota el nmero de actividades bajo consideracin. Algunos ejemplos de recursos son dinero y tipos especiales de maquinaria, equipo, vehculos y personal. Los ejemplos de actividades incluyen inversin en proyectos especficos, publicidad en un medio determinado y el envo de bienes de cierta fuente a cierto destino. En cualquier aplicacin de programacin lineal, puede ser que todas las actividades sean de un tipo general (como cualquiera de los ejemplos), y entonces cada una correspondera en forma individual a las alternativas especficas dentro de esta categora general. El tipo ms usual de aplicacin de programacin lineal involucra la asignacin de recursos a ciertas actividades. La cantidad disponible de cada recurso est limitada, de forma que deben asignarse con todo cuidado. La determinacin de esta asignacin incluye elegir los niveles de las actividades que lograrn el mejor valor posible de la medida global de efectividad. Ciertos smbolos se usan de manera convencional para denotar las distintas componentes de un modelo de programacin lineal. Estos smbolos se enumeran a continuacin, junto con su interpretacin para el problema general de asignacin de recursos a actividades. Z = xj = valor de la medida global de efectividad nivel de la actividad j (para j = 1,2,...,n)

cj = bi = aij =

incremento en Z que resulta al aumentar una unidad en el nivel de la actividad j cantidad de recurso i disponible para asignar a las actividades (para i = 1,2,...,m) cantidad del recurso i consumido por cada unidad de la actividad j

El modelo establece el problema en trminos de tomar decisiones sobre los niveles de las actividades, por lo que x1,x2,....,xn se llaman variables de decisin. Los valores de cj, bi y aij (para i = 1,2,....,m y j = 1,2,....,n) son las constantes de entrada al modelo. Las cj, bi y aij tambin se conocen como parmetros del modelo. FORMA ESTNDAR DEL MODELO Ahora se puede formular al modelo matemtico para este problema general de asignacin de recursos a actividades. En Datos necesarios para un modelo de programacin lineal que maneja la asignacin de recursos a actividades particular, este modelo consiste en elegir valores de x1,x2,....,xn para: optimizar (maximizar o minimizar) Z = c1x1 + c2x2 +....+ cnxn, sujeta a las restricciones: a11x1 + a12x2 +....+ a1nxn < b1 a21x1 + a22x2 +....+ a2nxn < b2 . . . am1x1 + am2x2 +....+ amnxn < bm

X1 0,

X2 0,

...,

Xn 0.

SUPOSICIONES DEL MODELO DE PROGRAMACIN LINEAL

PROPORCIONALIDAD La contribucin de cada actividad al valor de la funcin objetivo Z es proporcional al nivel de actividad xj, como lo representa el trmino cjxj en la funcin objetivo. De manera similar, la contribucin de cada actividad al lado izquierdo de cada restriccin funcional es proporcional al nivel de la actividad xj, en la forma en que lo representa el trmino aijxj en la restriccin. En consecuencia, esta suposicin elimina cualquier exponente diferente a 1 para las variables en cualquier trmino de las funciones (ya sea la funcin objetivo o la funcin en el lado izquierdo de las restricciones funcionales) en un modelo de programacin lineal. ACTIVIDAD Establece que la entrada y salida de un recurso en particular al conjunto de actividades, deben ser la misma cantidad; o sea, que las actividades transforman los recursos y no los crean o destruyen. Esta suposicin garantiza que la contribucin total tanto a la funcin objetivo como a las restricciones, es igual a la suma de las contribuciones individuales. Cuando en un problema dado no se tenga la aditividad puede recurrirse al empleo de otras tcnicas de la programacin matemtica, dependiendo de cada caso en particular. ADITIVIDAD Cada funcin en un modelo de programacin lineal (ya sea la funcin objetivo o el lado izquierdo de las restricciones funcionales) es la suma de las contribuciones individuales de las actividades respectivas. DIVISIBILIDAD Las variables de decisin en un modelo de programacin lineal pueden tomar cualquier valor, incluyendo valores no enteros, que satisfagan las restricciones funcionales y de no negatividad. As, estas variables no estn restringidas a slo valores enteros. Como cada variable de decisin representa el nivel de alguna actividad, se supondr que las actividades se pueden realizar a niveles fraccinales. LIMITACIONES DEL MODELO DE PROGRAMACIN LINEAL

MODELO DETERMINSTICO El modelo de PL involucra nicamente tres tipos de parmetros: Cj, aij y bi; de ah su sencillez y gran aplicacin. Sin embargo, el valor de dichos parmetros debe ser conocido y constante. Cuando el valor de los parmetros tiene un cierto riesgo o incertidumbre, pude utilizarse la programacin paramdica, la programacin estocstica, o realizarse un anlisis de sensibilidad. MODELO ESTTICO En algunos modelos matemticos se han empleado con xito las ecuaciones diferenciales, para inducir la variable tiempo en ellos. En este sentido, puede decidirse que la PL utiliza un modelo esttico, ya que la variable tiempo no se involucra formalmente. Adquiriendo un poco de experiencia en la formulacin de modelos de PL, puede imbuirse la temporabilidad mencionada, con el uso de subndices en las variables. MODELO QUE NO SUB-OPTIMIZA Debido a la forma que se plantea el modelo de PL, o encuentra la solucin ptima o declara que sta no existe. Cuando no es posible obtener una solucin ptima y se debe obtener alguna, se recurre a otra tcnica ms avanzada que la PL, la cual se denomina programacin lineal por metas.

Regresar a la Pgina principal

En los siglos XVII y XVIII, grandes matemticos como Newton, Leibnitz, Bernouilli y, sobre todo, Lagrange, que tanto haban contribuido al desarrollo del clculo infinitesimal, se ocuparon de obtener mximos y mnimos condicionados de determinadas funciones. Posteriormente el matemtico frnces Jean Baptiste-Joseph Fourier (1768-1830) fue el primero en intuir, aunque de forma imprecisa, los mtodos de lo que actualmente llamamos programacin lineal y la potencialidad que de ellos se deriva.

Si exceptuamos al matemtico Gaspar Monge (1746-1818), quien en 1776 se interes por problemas de este gnero, debemos remontarnos al ao 1939 para encontrar nuevos estudios relacionados con los mtodos de la actual programacin lineal. En este ao, el matemtico ruso Leonodas Vitalyevich Kantarovitch publica una extensa monografa titulada Mtodos matemticos de organizacin y planificacin de la produccin en la que por primera vez se hace corresponder a una extensa gama de problemas una teora matemtica precisa y bien definida llamada, hoy en da, programacin lineal . En 1941-1942 se formula por primera vez el problema de transporte, estudiado independientemente por Koopmans y Kantarovitch, razn por la cual se suele conocer con el nombre de problema de Koopmans-Kantarovitch. Tres aos ms tarde, G. Stigler plantea otro problema particular conocido con el nombre de rgimen alimenticio optimal. En estos aos posteriores a la Segunda Guerra Mundial, en Estados Unidos se asumi que la eficaz coordinacin de todas las energas y recursos de la nacin era un problema de tal complejidad, que su resolucin y simplificacin pasaba necesariamente por los modelos de optimizacin que resuelve la programacin lineal. Paralelamente a los hechos descritos se desarrollan las tcnicas de computacin y los ordenadores, instrumentos que haran posible la resolucin y simplificacin de los problemas que se estaban gestando. En 1947, G.B. Dantzig formula, en trminos matemticos muy precisos, el enunciado estndar al que cabe reducir todo problema de programacin lineal. Dantzig, junto con una serie de investigadores del United States Departament of Air Force, formaran el grupo que dio en denominarse SCOOP (Scientific Computation of Optimum Programs). Una de las primeras aplicaciones de los estudios del grupo SCOOP fue el puente areo de Berln. Se continu con infinidad de aplicaciones de tipo preferentemente militar. Hacia 1950 se constituyen, fundamentalmente en Estados Unidos, distintos grupos de estudio para ir desarrollando las diferentes ramificaciones de la programacin lineal. Cabe citar, entre otros, Rand Corporation, con Dantzig, Orchard-Hays, Ford, Fulkerson y Gale, el departamento de Matemticas de la Universidad de Princenton, con Tucker y Kuhn, as como la Escuela Graduada de Administracin Industrial, dependiente del Carnegie Institute of Technology , con Charnes y Cooper. Respecto al mtodo del simplex, que estudiaremos despus, sealaremos que su estudio comenz en el ao 1951 y fue desarrollado por Dantzig en el United States Bureau of Standards SEAC COMPUTER, ayudndose de varios modelos de ordenador de la firma IBM. Los fundamentos matemticos de la programacin lineal se deben al matemtico norteamericano de origen hngaro Janos von Neuman (1903-1957), quie en 1928 public su famoso trabajo Teora de Juegos. En 1947 conjetura la equivalencia de los problemas de programacin lineal y la teora de matrices desarrollada en sus trabajos. La influencia de este respetado matemtico, discpulo de David Hilbert en Gotinga y, desde 1930, catedrtico de la Universidad de Princenton de Estados Unidos, hace que otros investigadores se interesaran paulatinamente por el desarrollo riguroso de esta disciplina. En 1858 se aplicaron los mtodos de la programacin lineal a un problema concreto: el clculo del plan ptimo de transporte de arena de construccin a las obras de edificacin de la ciudad de Mosc. En este problema haba 10 puntos de partida y 230 de llegada. El plan ptimo de

transporte, calculado con el ordenador Strena en 10 das del mes de junio, rebaj un 11% los gastos respecto a los costes previstos. Se ha estimado, de una manera general, que si un pas subdesarrollado utilizase los mtodos de la programacin lineal, su producto interior bruto (PIB) aumentara entre un 10 y un 15% en tan slo un ao.

La programacin lineal hace historia: El puente areo de Berln En 1946 comienza el largo perodo de la guerra fra entre la antigua Unin Sovitica (URSS) y las potencias aliadas (principalmente , Inglaterra y Estados Unidos). Uno de los episodios ms llamativos de esa guerra fra se produjo a mediados de 1948, cuando la URSS bloque las comunicaciones terrestres desde las zonas alemanas en poder de los aliados con la ciudad de Berln, iniciando el bloqueo de Berln. A los aliados se les plantearon dos posiblidades: o romper el bloqueo terrestre por la fuerza, o llegar a Berln por el aire. Se adopt la decisin de programar una demostracin tcnica del poder areo norteamericano; a tal efecto, se organiz un gigantesco puente areo para abastecer la ciudad: en diciembre de 1948 se estaban transportando 4500 toneladas diarias; en marzo de 1949, se lleg a las 8000 toneladas, tanto como se transportaba por carretera y ferrocarril antes del corte de las comunicaciones. En la planificacin de los suministros se utiliz la programacin lineal. (El 12 de mayo de 1949, los soviticos levantaron el bloqueo)

Qu es la programacin lineal ?
En infinidad de aplicaciones de la industria, la economa, la estrategia militar, etc.. se presentan situaciones en las que se exige maximizar o minimizar algunas fucniones que se encuentran sujetas a determinadas limitaciones, que llamaremos restricciones. Para hacernos una idea ms clara de estos supuestos, veamos dos ejemplos: Ejemplo 1: Problema de mximos. En una granja se preparan dos clases de fertilizantes, P y Q, mezclando dos productos A y B. Un saco de P contiene 8 kg de A y 2 de B, y un saco de Q contiene 10 kg de A y 5 de B. Cada saco de P se vende a 300 Bs. y cada saco de Q a 800 Bs. Si en la granja hay almacenados 80 kg de A y 25 de B, cuntos sacos de cada tipo de pienso deben preparar para obtener los mximos ingresos? Ejemplo 2: Problema de mnimos. Una campaa para promocionar una marca de productos lcteos se basa en el reparto gratuito de yogures con sabor a limn o a fresa. Se decide repartir al menos 30000 yogures. Cada yogur de limn necesita para su elaboracin 0.5 gramos de un producto de fermentacin y cada yogur de fresa necesita 0.2 gramos de este mismo producto. Se dispone de 9 kilogramos de este producto para fermentacin. El costo de produccin de un yogur de limn es de 30 Bs. y 20 Bs. uno de fresa. En los dos ejemplos descritos est claro que tanto la cantidad que deseamos maximizar como la cantidad que deseamos minimizar podemos expresarlas en forma de ecuaciones lineales. Por otra parte, las restricciones que imponen las condiciones de ambos problemas se pueden expresar en forma de inecuaciones lineales.

Tratemos de plantear en trminos matemticos los dos ejemplos anteriores:

1) Si designamos por x al nmero de sacos de fertilizante de clase P y por y el nmero de sacos

de fertilizante de clase Q que se han de vender, la funcin : Z = 300x + 800y representar la cantidad de bolvares obtenidas por la venta de los sacos, y por tanto es la que debemos maximizar. Podemos hacer un pequeo cuadro que nos ayude a obtener las restricciones: N kg de A kg de B P x Q y 8x 10y 80 2x 5y 25 0, y 0

Por otra parte, las variables x e y, lgicamente, han de ser no negativas, por tanto : x Conjunto de restricciones: 8x + 10y 2x + 5y x 0, y 80 25 0

2) Si representamos por x el nmero de yogures de limn e y al nmero de yogures de fresa, se

tiene que la funcin de costos es Z = 30x + 20y. Por otra parte, las condiciones del problema imponen las siguientes restricciones: De nmero : x + y 80 De fermentacin: 0.5x + 0.2y 9000 Las variables x e y han de ser, lgicamente, no negativas; es decir: x

0, y

Conjunto de restricciones: X+y x 0, y 80 9000 0

0.5x + 0.2y

En definitiva: Se llama programacin lineal al conjunto de tcnicas matemticas que pretenden resolver la situacin siguiente: Optimizar (maximizar o minimizar) una funcin objetivo, funcin lineal de varias variables, sujeta a: una serie de restricciones, expresadas por inecuaciones lineales.
Un problema de programacin lineal en dos variables, tiene la siguiente formulacin estndar:

puediendo cambiarse maximizar por minimizar, y el sentido de las desigualdades. En un problema de programacin lineal intervienen: La funcin f(x,y) = ax + by + c llamada funcin objetivo y que es necesario optimizar. En esa expresin x e y son las variables de decisin, mientras que a, b y c son constantes. Las restricciones que deben ser inecuaciones lineales. Su nmero depende del problema en cuestin. El carcter de desigualdad viene impuesto por las limitaciones, disponibilidades o necesidades, que son: inferiores a ... ( menores: < o ); como mnimo de ... (mayores: > o ) . Tanto si se trata de maximizar como de minimizar, las desigualdades pueden darse en cualquiera de los dos sentidos. Al conjunto de valores de x e y que verifican todas y cada una de las restricciones se lo denomina conjunto (o regin ) factible. Todo punto de ese conjunto puede ser solucin del problema; todo punto no perteneciente a ese conjunto no puede ser solucin. En el apartado siguiente veremos como se determina la regin factible. La solucin ptima del problema ser un par de valores (x0, y0) del conjunto factible que haga que f(x,y) tome el valor mximo o mnimo.

En ocasiones utilizaremos las siglas PPL para indicar problema de programacin lineal.

Determinacin de la regin factible

La solucin de un problema de programacin lineal, en el supuesto de que exista, debe estar en la regin determinada por las distintas desigualdades. Esta recibe el nombre de regin factible, y puede estar o no acotada.

Regin factible acotada

Regin factible no acotada

La regin factible incluye o no los lados y los vrtices, segn que las desigualdades sean en sentido amplio ( o ) o en sentido estricto (< o >). Si la regin factible est acotada, su representacin grfica es un polgono convexo con un nmero de lados menor o igual que el nmero de restricciones.

El procedimiento para determinar la regin factible es el siguiente: 1) Se resuelve cada inecuacin por separado, es decir, se encuentra el semiplano de
soluciones de cada una de las inecuaciones.

Se dibuja la recta asociada a la inecuacin. Esta recta divide al plano en dos regiones o semiplanos Para averiguar cul es la regin vlida, el procedimiento prctico consiste en elegir un punto, por ejemplo, el (0,0) si la recta no pasa por el origen, y comprobar si las coordenadas satisfacen o no la inecuacin. Si lo hacen, la regin en la que est ese punto es aquella cuyos puntos verifican la inecuacin; en caso contrario, la regin vlida es la otra.

2) La regin factible est formada por la interseccin o regin comn de las soluciones de
todas las inecuaciones. Como sucede con los sistemas de ecuaciones lineales, los sistemas de inecuaciones lineales pueden presentar varias opciones respecto a sus soluciones: puede no existir solucin, en el caso de que exista el conjunto solucin puede ser acotado o no. Vemoslo con un ejemplo: Dibuja la regin factible asociada a las restricciones: x+y y y 4 x 4

Las rectas asociadas son : r : x + y = 4 ; s : y = 4 , t: y = x

Elegimos el punto O(0,0), que se encuentra en el semiplano situado por debajo de la recta. Introduciendo las coordenadas (0,0) en la inecuacin x + y 4, vemos que no la satisface: 0 + 0 = 0 < 4 . Por tanto, el conjunto de soluciones de la inecuacin es el semiplano situado por encima de la recta r : x + y = 4 .

Procedemos como en el paso anterior. Las coordenadas (0,0) satisfacen la inecuacin y 4 ( 0 4) . Por tanto, el conjunto de soluciones de la inecuacin es el semiplano que incluye al punto O.

La recta t asociada a la restriccin pasa por el origen, lo cual significa que si probsemos con el punto O(0,0) no llegaramos a ninguna conclusin. Elegimos el punto (1,0) y vemos que no satisface la inecuacin y x ( y = 0 < 1 = x ). Por tanto, el conjunto solucin de esta inecuacin es el semiplano determinado por la recta t que no incluye al punto (1,0).

La regin factible est formada por los puntos que cumplen las tres restricciones, es decir, se encuentran en los tres semiplanos anteriores.

Mtodo grfico
o Mtodo de las rectas de nivel
Las rectas de nivel dan los puntos del plano en los que la funcin objetivo toma el mismo valor. Si la funcin objetivo es f(x,y) = ax + by + c, la ecuacin de las rectas de nivel es de la forma: ax + by + c = 0 ax + by = k

Variando k (o p) se obtienen distintos niveles para esas rectas y, en consecuencia, distintos valores para f(x,y). En un problema todas las rectas de nivel son paralelas, pues los coeficientes a y b de la recta ax + by = k son los que determinan su pendiente. Por tanto, si k1 es distinto de k2 , las rectas ax + by = k1 y ax + by = k2 son paralelas. Luego, trazada una cualquiera de esas rectas, las dems de obtienen por desplazamientos paralelos a ella. Si lo que se pretende es resolver un problema de programacin lineal, los nicos puntos que interesan son los de la regin factible, y las nicas rectas de nivel que importan son aquellas que estn en contacto con dicha regin. Como el nivel aumenta (o disminuye) desplazando las rectas, el mximo (o el mnimo) de f(x,y) se alcanzar en el ltimo (o en el primer) punto de contacto de esas rectas con la regin factible. Veamos ahora como se aplica todo esto a la resolucin de un problema de programacin lineal : Maximizar Z = f(x,y) = x + y Sujeto a: 0 0 y 1) Representamos la regin factible: La recta s : x = 4 pasa por el punto (4,0) y es paralela al eje Y. Las soluciones de 0 x son los puntos entre el eje Y y la recta x = 4 La recta r : y = 4 pasa por el punto (0,4) y es paralela al eje X. Las soluciones de 0 y son los puntos entre el eje X y la recta y = 4 La recta t : y = x/2 pasa por los puntos (0,0) y (2,1) . Las soluciones de y x /2 son los puntos de su izquierda. 4 4 x y 4 4 x /2

Resolviendo los sistemas correspondientes calculamos los vrtices de la regin factible: { y = x/2 , x = 0 } nos da el vrtice O(0,0) { x = 4, y = x/2 } nos da el vrtice A(4,2) { x = 4 , y = 4} nos da el vrtice B(4,4) { y = 4 , x = 0 } nos da el vrtice C(0,4) 2) Representamos las rectas de nivel : En nuestro caso son rectas de la forma x + y = k . Inicialmente representamos Z = x + y = 0 . Trasladndola hacia la derecha, obtenemos las rectas : x + y = 2, x + y = 4, x + y = 8 , es decir aumenta el nivel. 3) Obtenemos la solucin ptima: Se obtiene en el punto de la regin factible que hace mximo k. En nuestro caso esto ocurre en el punto B; es el ltimo punto de contacto de esas rectas con la regin factible , para el que k = 8. Si hay dos vrtices, P y Q, que se encuentran en la misma recta de nivel ,de ecuacin ax + by = k .Es evidente que todos los puntos del segmento PQ son de esa recta; por tanto, en todos ellos f(x,y) vale k. As pues, la solucin ptima es cualquier punto de esa recta; en particular los vrtices P y Q.

Mtodo analtico
o Mtodo de los vrtices
El siguiente resultado, denominado teorema fundamental de la programacin lineal, nos permite conocer otro mtodo de solucionar un programa con dos variables. En un programa lineal con dos variables, si existe una solucin nica que optimice la funcin objetivo, sta se encuentra en un punto extremo (vrtice) de la regin factible acotada, nunca en el interior de dicha regin. Si la funcin objetivo toma el mismo valor ptimo en dos vrtices, tambin toma idntico valor en los puntos del segmento que determinan. En el caso de que la regin factible no es acotada, la funcin lineal objetivo no alcanza necesariamente un valor ptimo concreto, pero, si lo hace, ste se encuentra en uno de los vrtices de la regin La evaluacin de la funcin objetivo en los vrtices de la regin factible nos va a permitir encontrar el valor ptimo (mximo o mnimo) en alguno de ellos. Vemoslo con un ejemplo: Maximizar Z = f(x,y) = 3x + 8y sujeto a: 4x + 5y 2x + 5y x 0,y 40 30 0

1) Hallar los puntos de corte de las rectas asociadas a las restricciones: Calculamos las soluciones de cada uno de los seis sistemas de dos ecuaciones con dos incgnitas que se pueden formar con las cuatro restricciones: { 4x + 5y = 40 , 2x + 5y = 30}. Solucin A(5,4) { 4x + 5y = 40 , x = 0 } Solucin:B (0,8) { 4x + 5y = 40 , y = 0}. Solucin: C(10,0) { 2x + 5y = 30 , x = 0} Solucin: D(0,6) { 2x + 5y = 30 , y = 0}. Solucin : E(15,0) { x = 0, y = 0} Solucin: O(0,0) 2) Determinar los vrtices de la regin factible: Los vrtices de la regin factible son aquellos puntos que cumplen todas las restricciones. Si sustituimos los puntos en cada una de las desigualdades tenemos que: B no cumple la segunda restriccin 2x + 5y 30 , ya que 20 + 58 = 40 . Por tanto, el punto B no es un vrtice de la regin factible. E no cumple la primera restriccin 4x + 5y 40 , ya que 415 + 50 = 60 . Por tanto, el punto E no es un vrtice de la regin factible.

Los puntos A, C, D y O verifican todas las desigualdades, son los vrtices de la regin factible. 3) Calcular los valores de la funcin objetivo en los vrtices: f(A) = f(5,4) = 35 + 84 = 47 f(D) = f(0,6) = 30 + 86 = 48 f(C) = f(10,0) = 310 + 8 0 = 30 f(O) = f(0,0) = 30 + 80 = 0

La solucin ptima corresponde al vrtice para el que la funcin objetivo toma el valor mximo. En este caso es el vrtice D(0,6). Este mtodo es el menos utilizado de los tres que veremos

Esquema prctico
Los problemas de programacin lineal pueden presentarse en la forma estndar, dando la funcin objetivo y las restricciones, o bien plantearlos mediante un enunciado. Si ste es el caso, puede seguirse el camino que indicamos a continuacin, ejemplificado con el siguiente problema: En un almacn se guarda aceite de girasol y de oliva. Para atender a los clientes se han de tener almacenados un mnimo de 20 bidones de aceite de girasol y 40 de aceite de oliva y, adems, el nmero de bidones de aceite de oliva no debe ser inferior a la mitad del nmero de bidones de aceite de girasol. La capacidad total del almacn es de 150 bidones. Sabiendo que el gasto de almacenaje es el mismo para los dos tipos de aceite (1 unidad monetaria) . Cuntos bidones de cada tipo habr que almacenar para que el gasto sea mximo?
Obs: Puede parecer algo absurdo maximizar los gastos , pero se ha enunciado de esta forma para que el ejemplo sea lo ms completo posible

Paso 1: Leer detenidamente el enunciado: determinar el objetivo, definir las variables y escribir
la funcin objetivo.

El objetivo es: halla cuntos bidones de cada tipo hay que almacenar para maximizar los gastos Suponemos que tal objetivo se consigue almacenado x bidones de aceite de girasol e y de aceite de oliva Cmo cada bidn de aceite de girasol cuesta almacenarlo 1 unidad monetaria y lo mismo para uno de aceite, los gastos sern x + y Luego, la funcin objetivo es: Maximizar la funcin Z = f(x,y) = x + y

Paso 2: Reordenar los datos del problema y a partir de las cantidades

decididas, x e y, escribir el sistema de inecuaciones que determinan las restricciones. Un mnimo de 20 bidones de aceite de girasol: x 20 Un mnimo de 40 bidones de aceite de oliva: y 40 El nmero de bidones de aceite de oliva no debe ser inferior a la mitad del nmero de bidones de aceite de girasol: y x/2 La capacidad total del almacn es de 150 bidones: x + y 150 0;y 0

Adems, los nmeros de bidones deben ser cantidades positivas: x

Obs.: Como veremos en ejemplos posteriores en algunas ocasiones puede interesar utilizar una tabla para recopilar toda la informacin y hacer los dos primeros apartados

Paso 3: Expresar el problema en la forma estndar.

Siguiendo con el ejemplo, sera: Maximizar: Z = f(x,y) = x + y Sujeto a: x + y 150 y x/2 x 20 ; y 40

Aqu termina el planteamiento del problema. Para su resolucin hay que continuar con : Paso 4: Representar grficamente las restricciones y marcar claramente la regin factible.
Para las restricciones anteriores debemos representar las rectas: x + y = 150 , y = x/2 , x = 20 e y = 40, obtenindose la regin factible que en la figura se encuentra coloreada.

Paso 5: Hallar las coordenadas de los vrtices del polgono obtenido.

Resolviendo los sistemas : { x = 20, y = 40 } , { y = x/2 , y = 40 } , { y = x/2 , x + y = 150} , { x + y = 150, x = 20}; se obtienen los vrtices: A(20,40) , B(80,40) , C(100, 50) , D(20,130)

Paso 6: Sustituir las coordenadas de esos puntos en la funcin objetivo y hallar el valor mximo
o mnimo. Sustituyendo en f(x,y) = x + y, se tiene: f(20,40) = 60 , f(80,40) = 120 , f(100, 50) = 150 , f(20,130) = 150 Como el valor mximo se obtiene en los puntos C y D, puede optarse por cualquiera de los dos, o por cualquier punto perteneciente al segmento que los une. As, por ejemplo, se obtendra el mismo gasto con 40 bidones de aceite girasol y 110 bidones de aceite de oliva; o 90 y 60 respectivamente.

Paso 7: Tambin es conveniente representar las rectas de nivel para comprobar que la solucin
grfica coincide con la encontrada. Esta conveniencia se convierte en necesidad cunado la regin factible es no acotada. En nuestro caso, puede comprobarse que las rectas de nivel tienen la misma pendiente que la recta lmite de la restriccin x + y 150 ; por tanto, hay mltiples soluciones.

Paso 8: Por ltimo, como en la resolucin de todo problema es necesario criticar la solucin:
cerciorarse de que la solucin hallada es lgica y correcta. En este ejemplo, no todos los puntos del segmento CD son soluciones vlidas, ya que no podemos admitir valores de x e y no enteros , como ocurrira en el punto (90.5,59.5) . Obs.: Si un problema en la forma estndar no indica que se debe realizar por el mtodo analtico o grfico , seguiremos para su resolucin los pasos del 4 al 8

Tipos de soluciones
Los programas lineales con dos variables suelen clasificarse atendiendo al tipo de solucin que presentan. stos pueden ser:

Factibles

Si existe el conjunto de soluciones o valores que satisfacen las restricciones. A su vez, pueden ser: Con solucin nica En una urbanizacin se van a construir casas de dos tipos: A y B. La empresa constructora dispone para ello de un mximo de 1800 millones de pesetas, siendo el coste de cada tipo de casa de 30 y 20 millones, respectivamente. El Ayuntamiento exige que el nmero total de casas no sea superior a 80. Sabiendo que el beneficio obtenido por la venta de una casa de tipo A es 4 millones y de 3 millones por una de tipo B, cuntas casas deben construirse de cada tipo para obtener el mximo beneficio?

Variables: x = n de casas tipo A ; y = n de casas tipo B Funcin objetivo: Maximizar Z = f(x,y) = 4x + 3y Conjunto de restricciones: El coste total 30x + 20y 1800 . El Ayuntamiento impone x + y 80 . De no negatividad: x 0 , y 0.

Tiene por regin factible la regin coloreada. Si hallamos los valores de la funcin objetivo en cada uno de los vrtices : f(O) = f(0,0) = 0 ; f(C)=f(60,0) = 240 ;f(D) = f(20,60) = 260 ; f(E) = f(0,80) = 240 La solucin es nica, y corresponde al vrtice para el que la funcin objetivo toma el valor mximo. En este caso es el vrtice D(20,60). Por tanto se deben construir 20 casas de tipo A y 60 de tipo B con un coste de 260 millones de pesetas.

Con solucin mltiple

Si existe ms de una solucin....................................................................................... Maximizar la funcin Z = f(x,y) = 4x + 2y sujeta a las restricciones 2x + y 4 , x - y 1 , x 0 , y 0.

Los valores de la fucnin objetivo en cada uno de los vrtices son: f(O)=f(0,0) = 0 , f(A) = f(1,0) = 4 ; f(B)=f(5/3,2/3) = 8 , f(C) = f(0,4) = 8 La funcin objetivo alcanza el valor mximo en los vrtices B y C, por tanto, en todos los puntos del segmento BC. Hay infinitas soluciones, solucin mltiple, que corresponden a los puntos del segmento situado entre dos vrtices de la regin factible. En estos casos, como ya vimos en el captulo anterior, la funcin objetivo es paralela a una de las restricciones.

Con solucin no Cuando no existe lmite para la funcin objetivo acotada Maximizar la funcin Z = f(x,y) = x + y sujeta a las restricciones y 2x , y x/2 . Tiene por regin factible la zona coloreada que aparece en la figura, que es una regin no acotada. La funcin crece indefinidamente para valores crecientes de x e y. En este caso no existe un valor extremo para la funcin objetivo, por lo que puede decirse que el problema carece de solucin. Para que suceda esta situacin la regin factible debe estar no acotada.

No factibles

Cuando no existe el conjunto de soluciones que cumplen las restricciones, es decir, las restricciones son inconsistentes.

Maximizar la funcin Z = f(x,y) = 3x + 8y sujeta a las restricciones x + y 6 , x + y 2 , x 0 , y 0. No existe la regin factible, ya que las zonas coloreadas que aparecen en la figura son nicamente soluciones de alguna de las inecuaciones . Por tanto, el conjunto de soluciones del sistema de desigualdades no determina ninguna regin factible. Este tipo de problemas carece de solucin.

Mtodo del Simplex

Es un procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso concluye cuando no es posible seguir mejorando ms dicha solucin. Partiendo del valor de la funcin objetivo en un vrtice cualquiera, el mtodo consiste en buscar sucesivamente otro vrtice que mejore al anterior. La bsqueda se hace siempre a travs de los lados del polgono (o de las aristas del poliedro, si el nmero de variables es mayor). Cmo el nmero de vrtices (y de aristas) es finito, siempre se podr encontrar la solucin. El mtodo del simplex se basa en la siguiente propiedad: si la funcin objetivo, f, no toma su valor mximo en el vrtice A, entonces hay una arista que parte de A, a lo largo de la cual f aumenta. Vamos a resolver mediante el mtodo del simplex el siguiente problema: Maximizar Z= f(x,y)= 3x + 2y 18 42 24 0 2x + 3y 3x + y x 0,y Se consideran las siguientes fases: 1. Convertir las desigualdades en igualdades Se introduce una variable de holgura por cada una de las restricciones, para convertirlas en igualdades, resultando el sistema de ecuaciones lineales: 2x + y + h = 18 2x + 3y + s = 42 3x +y + d = 24 2. Igualar la funcin objetivo a cero
El mtodo del simplex fue creado en 1947 por el matemtico George Dantzig . El mtodo del simplex se utiliza, sobre todo, para resolver problemas de programacin lineal en los que intervienen tres o ms variables. El lgebra matricial y el proceso de eliminacin de Gauss-Jordan para resolver un sistema de ecuaciones lineales constituyen la base del mtodo simplex.

Sujeto a: 2x + y

- 3x - 2y + Z = 0 3. Escribir la tabla inicial simplex En las columnas aparecern todas las variables del problema y, en las filas, los coeficientes de las igualdades obtenidas, una fila para cada restriccin y la ltima fila con los coeficientes de la funcin objetivo:

Tabla I . Iteracin n 1
Base Variable de decisin Variable de holgura Valores solucin x h s d Z 2 2 3 -3 Y 1 3 1 -2 h 1 0 0 0 s 0 1 0 0 d 0 0 1 0 18 42 24 0

4. Encontrar la variable de decisin que entra en la base y la variable de holgura que sale de la base

A. Para escoger la variable de decisin que entra en la base, nos fijamos en la ltima fila, la
de los coeficientes de la funcin objetivo y escogemos la variable con el coeficiente negativo mayor (en valor absoluto). En nuestro caso, la variable x de coeficiente - 3. Si existiesen dos o ms coeficientes iguales que cumplan la condicin anterior, entonces se elige uno cualquiera de ellos. Si en la ltima fila no existiese ningn coeficiente negativo, significa que se ha alcanzado la solucin ptima. Por tanto, lo que va a determinar el final del proceso de aplicacin del mtodo del simplex, es que en la ltima fila no haya elementos negativos. La columna de la variable que entra en la base se llama columna pivote (En color verde).

B. Para encontrar la variable de holgura que tiene que salir de la base, se divide cada trmino
de la ltima columna (valores solucin) por el trmino correspondiente de la columna pivote, siempre que estos ltimos sean mayores que cero. En nuestro caso: 18/2 [=9] , 42/2 [=21] y 24/3 [=8] Si hubiese algn elemento menor o igual que cero no se hace dicho cociente. En el caso de que todos los elementos fuesen menores o iguales a cero, entonces tendramos una solucin no acotada y no se puede seguir. El trmino de la columna pivote que en la divisin anterior d lugar al menor cociente positivo, el 3, ya 8 es el menor, indica la fila de la variable de holgura que sale de la base, d. Esta fila se llama fila pivote (En color verde). Si al calcular los cocientes, dos o ms son iguales, indica que cualquiera de las variables correspondientes pueden salir de la base.

C. En la interseccin de la fila pivote y columna pivote tenemos el elemento pivote

operacional, 3. 5. Encontrar los coeficientes de la nueva tabla. Los nuevos coeficientes de x se obtienen dividiendo todos los coeficientes de la fila d por el pivote operacional, 3, que es el que hay que convertir en 1. A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos de su columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la funcin objetivo Z. Tambin se puede hacer utilizando el siguiente esquema: Fila del pivote: Nueva fila del pivote= (Vieja fila del pivote) : (Pivote) Resto de las filas: Nueva fila= (Vieja fila)

- (Coeficiente de la vieja fila en la columna de la variable entrante) X

(Nueva fila del pivote)

Vemoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla II): Vieja fila de s Coeficiente Nueva fila pivote Nueva fila de s 2 2 x 1 = 0 3 2 x 1/3 = 7/3 0 2 x 0 = 0 1 2 x 0 = 1 0 2 x 1/3 = -2/3 42 2 x 8 = 26

Tabla II . Iteracin n 2
Base Variable de decisin Variable de holgura Valores solucin x h s x Z 0 0 1 0 y 1/3 7/3 1/3 -1 h 1 0 0 0 s 0 1 0 0 d -2/3 -2/3 1/3 1 2 26 8 24

Como en los elementos de la ltima fila hay uno negativo, -1, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso:

A. La variable que entra en la base es y, por ser la variable que corresponde al coeficiente -1 B. Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los
trminos correspondientes de la nueva columna pivote: 2:1/3 [=6] , 26:7/3 [=78/7] y 8:1/3 [=8] y como el menor cociente positivo es 6, tenemos que la variable de holgura que sale es h. El elemento pivote, que ahora hay que hacer 1, es 1/3. Operando de forma anloga a la anterior obtenemos la tabla:

C.

Tabla III . Iteracin n 3

Base Variable de decisin Variable de holgura Valores solucin x y s x Z 0 0 1 0 y 1 0 0 0 h 3 -7 -1 3 s 0 0 0 0 d -2 4 1 -1 6 12 6 30

Como en los elementos de la ltima fila hay uno negativo, -1, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso:

A. La variable que entra en la base es d, por ser la variable que corresponde al coeficiente -1 B. Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los
trminos correspondientes de la nueva columna pivote: 6/(-2) [=-3] , 12/4 [=3], y 6:1 [=6] y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es s. El elemento pivote, que ahora hay que hacer 1, es 4.

C.

Obtenemos la tabla:

Tabla IV . Final del proceso

Base Variable de decisin Variable de holgura Valores solucin x y d x Z 0 0 1 0 y 1 0 0 0 h -1/2 -7/4 -3/4 5/4 s 0 0 0 0 d 0 1 0 12 3 3 33

Como todos los coeficientes de la fila de la funcin objetivo son positivos, hemos llegado a la solucin ptima. Los solucin ptima viene dada por el valor de Z en la columna de los valores solucin, en nuestro caso: 33. En la misma columna se puede observar el vrtice donde se alcanza, observando las filas correspondientes a las variables de decisin que han entrado en la base: D(3,12) * Si en el problema de maximizar apareciesen como restricciones inecuaciones de la forma: ax + by c; multiplicndolas por - 1 se transforman en inecuaciones de la forma - ax - by - c y

estamos en el caso anterior * Si en lugar de maximizar se trata de un problema de minimizar se sigue el mismo proceso, pero cambiando el sentido del criterio, es decir, para entrar en la base se elige la variable cuyo valor, en la fila de la funcin objetivo, sea el mayor de los positivos y se finalizan las iteraciones cuando todos los coeficientes de la fila de la funcin objetivo son negativos

Interpretacin geomtrica del mtodo del simplex

Las sucesivas tablas que hemos construido van proporcionando el valor de la funcin objetivo en los distintos vrtices, ajustndose, a la vez, los coeficientes de las variables iniciales y de holgura. En la primera iteracin (Tabla I) han permanecido todos los coeficientes iguales, se ha calculado el valor de la funcin objetivo en el vrtice A(0,0), siendo este 0. A continuacin se desplaza por la arista AB, calculando el valor de f , hasta llegar a B. Este paso aporta la Tabla II. En esta segunda iteracin se ha calculado el valor que corresponde al vrtice B(8,0): Z=f(8,0) = 24 Sigue por la arista BC, hasta llegar a C, donde se para y despliega los datos de la Tabla III. En esta tercera iteracin se ha calculado el valor que corresponde al vrtice C(6,6) : Z=f(6,6)=30. Continua haciendo clculos a travs de la arista CD, hasta llegar al vrtice D. Los datos que se reflejan son los de la Tabla IV. Concluye con esta tabla, advirtiendo que ha terminado (antes ha comprobado que la solucin no mejora al desplazarse por la arista DE) El valor mximo de la funcin objetivo es 33, y corresponde a x = 3 e y = 12 (vrtice D). Si calculas el valor de la funcin objetivo en el vrtice E(0,14), su valor no supera el valor 33.

Regresar a la Pgina Principal

MTODO DE SOLUCIN GRFICO

regresar

Introduccin. La PL es una tcnica mediante la cual se toman decisiones, reduciendo el problema bajo estudio a un modelo matemtico general, el cual debe ser resuelto por mtodos cuantitativos. En desarrollo de este captulo se aplicarn la solucin de dichos modelos aplicando diversas tcnicas como: el mtodo grfico, mtodo simplex, mtodo matricial, tcnica de la gran M.

Adems se desarrollara la aplicacin de variables artificiales y obtencin de soluciones para identificar a que tipo de clasificacin pertenecen. Por medio de dichos modelos de solucin se podr obtener las solucin adecuada para cada problema y facilitar la toma de decisiones. Mtodo grfico. El mtodo grfico se utiliza para la solucin de problemas de PL, representando geomtricamente a las restricciones, condiciones tcnicas y el objetivo. El modelo se puede resolver en forma grfica si slo tiene dos variables. Para modelos con tres o ms variables, el mtodo grfico es imprctico o imposible. Cuando los ejes son relacionados con las variables del problema, el mtodo es llamado mtodo grfico en actividad. Cuando se relacionan las restricciones tecnolgicas se denomina mtodo grfico en recursos. Los pasos necesarios para realizar el mtodo son nueve: 1. graficar las soluciones factibles, o el espacio de soluciones (factible), que satisfagan todas las restricciones en forma simultnea. 2. Las restricciones de no negatividad Xi>= 0 confan todos los valores posibles. 3. El espacio encerrado por las restricciones restantes se determinan sustituyendo en primer trmino <= por (=) para cada restriccin, con lo cual se produce la ecuacin de una lnea recta. 4. trazar cada lnea recta en el plano y la regin en cual se encuentra cada restriccin cuando se considera la desigualdad lo indica la direccin de la flecha situada sobre la lnea recta asociada. 5. Cada punto contenido o situado en la frontera del espacio de soluciones satisfacen todas las restricciones y por consiguiente, representa un punto factible. 6. Aunque hay un nmero infinito de puntos factibles en el espacio de soluciones, la solucin ptima puede determinarse al observar la direccin en la cual aumenta la funcin objetivo. 7. Las lneas paralelas que representan la funcin objetivo se trazan mediante la asignacin de valores arbitrarios a fin de determinar la pendiente y la direccin en la cual crece o decrece el valor de la funcin objetivo. Ejemplo. Maximizar Z = 3X1 + 2X2 restricciones : X1 + 2X2 <=6 2X1 + X2 <=8 -X1 + X2 <=1 X2 <= 2 X1 >= 0 X2 >= 0

(1) (2) (3) (4) (5) (6)

Convirtiendo las restricciones a igualdad y representandolas grficamente se tiene:

X1 + 2X2 = 6 2X1 + X2 = 8 -X1 + X2 = 1 X2 = 2 X1 =0 X2 = 0

(1) (2) (3) (4) (5) (6)

Figura 1 Espacio de solucin presentada con WinQsb

Figura 2 Determinacin de solucin

Maximizar

Z = 3X1 + 2X2 Punto A B C (X1, X2) (0, 0) (4, 0) (3.3, 1.3) (2, 3) (1, 3) (0, 2) Z 0 12 12.6 12 9 4

( ptima ) D E F

Tabla 2. Solucin Mtodo Grfico Para obtener la solucin grfica, despus de haber obtenido el espacio de solucin y graficada la funcin objetivo el factor clave consiste en decidir la direccin de mejora de la funcin objetivo.

MTODO SIMPLEX. (Dantzig 1940)

regresar

En la solucin grfica observamos que la solucin ptima est asociada siempre con un punto extremo del espacio de soluciones. El mtodo simplex est basado fundamentalmente en este concepto. Careciendo de la ventaja visual asociada con la representacin grfica del espacio de soluciones, el mtodo simplex emplea un proceso iterativo que principia en un punto extremo factible, normalmente el origen, y se desplaza sistemticamente de un punto extremo factible a otro, hasta que se llega por ltimo al punto ptimo. Existen reglas que rigen la seleccin del siguiente punto extremo del mtodo simplex: 1. El siguiente punto extremo debe ser adyacente al actual. 2. La solucin no puede regresar nunca a un punto extremo considerado con la anterioridad. El algoritmo simplex da inicio en el origen, que suele llamarse solucin inicial. Despus se desplaza a un punto extremo adyacente. La eleccin especfica de uno a otro punto depende de los coeficientes de la funcin objetivo hasta encontrar el punto ptimo.

Al aplicar la condicin de optimidad a la tabla inicial seleccionamos a Xi como la variable que entra. En este punto la variable que sale debe ser una de las variables artificiales. Los pasos del algoritmo simplex son ( 10 ) : 1. Determinar una solucin bsica factible inicial. 2. Prueba de optimidad: determinar si la solucin bsica factible inicial es ptima y slo si todos los coeficientes de la ecuacin son no negativos ( >= 0 ). Si es as, el proceso termina; de otra manera se lleva a cabo otra interaccin para obtener la nueva solucin bsica factible inicial. 3. Condicin de factibilidad.- Para todos los problemas de maximizacin y minimizacin, variable que sale es la variable bsica que tiene la razn ms pequea (positiva). Una coincidencia se anula arbitrariamente. 4. Seleccionar las variables de holgura como las variables bsicas de inicio. 5. Selecciona una variable que entra de entre las variables no bsicas actuales que, cuando se incrementan arriba de cero, pueden mejorar el valor de la funcin objetivo. Si no existe la solucin bsica es la ptima, si existe pasar al paso siguiente. 6. Realizar el paso iterativo. a) Se determina la variable bsica entrante mediante la eleccin de la variable con el coeficiente negativo que tiene el valor mayor valor absoluto en la ecuacin. Se enmarca la columna correspondiente a este coeficiente y se le da el nombre de columna pivote. b) Se determina la variable bsica que sale; para esta, se toma cada coeficiente positivo (>0) de la columna enmarcada, se divide el lado derecho de cada rengln entre estos coeficientes, se identifica la ecuacin con el menor cociente y se selecciona la variable bsica para esta ecuacin. c) Se determina la nueva solucin bsica factible construyendo una nueva tabla en la forma apropiada de eliminacin de Gauss, abajo de la que se tiene. Para cambiar el coeficiente de la nueva variable bsica en el rengln pivote a 1, se divide todo el rengln entre el nmero pivote, entonces rengln pivote nuevo = rengln pivote antiguo nmero pivote para completar la primera iteracin es necesario seguir usando la eliminacin de Gauss para obtener coeficientes de 0 para la nueva variable bsica Xj en los otros renglones, para realizar este cambio se utiliza la siguiente frmula: rengln nuevo = rengln antiguo - ( coeficiente de la columna pivote X rengln pivote nuevo) cuando el coeficiente es negativo se utiliza la frmula: rengln nuevo = rengln antiguo + (coeficiente de la columna pivote X rengln pivote nuevo)

TABLA SIMPLEX como se capturara la solucin bsica factible inicial en el siguiente ejemplo: sea: Maximizar Z = 2X1+4X2 sujeto a: 2X1+ X2<= 230 X1+ 2X2<= 250 X2<= 120 todas las X1,X2>=0

BASE Z S1 S2 S3

Z 0 0 0 0

X1 -2 2 1 0

X2 -4 1 2 1

S1 0 1 0 0

S2 0 0 1 0

S3 0 0 0 1

SOLUCIN 0 230 250 120

RAZN 0 230/1 250/2 120/1

Seleccione la variable que entra y la variable que sale de la base: Entra X2 y sale S3, se desarrolla la nueva tabla solucin y se continua el proceso iterativo hasta encontrar la solucin optima si es que est existe. Tabla Optima:

BASE Z S1 X1 X2

Z 0 0 0 0

X1 0 0 1 0

X2 0 0 0 1

S1 0 1 0 0

S2 2 -2 1 0

S3 0 3 -2 1

SOLUCIN 500 90 10 120

RAZN

Solucin: Z = $500 fabricando X1=10 X2=120 Sobrante de S1 = 90 Tipo de solucin: Optima Mltiple

Solucin de problemas en donde la solucin continua no sea aplicable

regresar

Uso de paquetes computacionales en la solucin e interpretacin de los resultados

Puedes bajar el tutorial de WinQsb+ Tutorial WinQsb+ regresar WinQsb+: Debe bajar el Software de apoyo para resolver los modelos de programacin lineal. Interpretacin de los resultados: Veamos la salida de un modelo que involucra la planeacin de la produccin, en donde se desean construir mesas y sillas el recurso disponible es 30 m2 de madera por semana, 48 horas por semana; la demanda de las sillas es de 5 unidades y la de mesas de 10 unidades, la utilidad que se obtiene por las mesas es de $10 y por las sillas de $8, ademas para construir la mesa se ocupa lo siguiente: 4.5 m2 de madera por unidad, 6 horas por unidad. Para la silla se ocupan: 1.5 m2 de madera por unidad y 3 horas por cada unidad fabricada. Con esta informacin se desarrolla el modelo siguiente: Max Z = 10X1+8X2 s.a. 4.5X1+1.5X2 <= 30 6.0X1+3.0X2 <= 48 toda X1,X2 >=0 El reporte final de este modelo es el siguiente (por WinQsb) Decision Solution Unit Cost or Total Variable Value Profit cj Contribution X1 0 X2 16.0000 Objetive Function Left Hand Side 10.0000 8.0000 (Max) = 0 128.0000 128.0000 Reduced Basis Allowable Allowable Status Min cj Max cj -M 5.0000 16.0000 M

Cost -6.0000 at bound 0 basic

Constraint

Direction

Rigth Hand Slack or Shadow Side Surplas Price

Allowable Min. RHS

Allowable Max. RHS

C1 C2

24.0000 48.0000

<= <=

30.0000 48.0000

6.0000 0

0 2.6667

24.0000 0

M 60.0000

INTERPRETACIN DE LA SALIDA: Informacin de la Funcin Objetivo: Decision Variable (Variable de Decisin): Son las variables que se han definido en la formulacin del problema en este caso representan al producto X1 = mesas y X2= sillas. Solution Value (Valor de la solucin): Cantidad de mesas y sillas a fabricar, el problema se resuelve y nos indica que para obtener la mejor solucin en trminos de la utilidad, se necesitan fabricar 16 sillas y no fabricar mesas. Unit Cost or Profit (costo por unidad, Utilidad por unidad): Cantidad de pesos que vamos a ganar por cada mesa y por cada silla ($10 y $8 respectivamente. Total Contribution (contribucin total): Es la cantidad en pesos que resulta al multiplicar la utilidad de cada producto por la cantidad que se va a fabricar, ejemplo al fabricar 16 sillas y multiplicarlo por $/silla 8, la contribucin es de $128.0000, as al sumar la contribucin por concepto de las mesas nos arroja una aportacin de $0.0000, esto resulta de hacer la operacin de ($/mesa10) (0mesas)= $0.0000, finalmente la suma de 128.0000+0.0000 = $128.0000, esto es lo que se conoce como el valor de Objetive Function Max. Reduced Cost (Costo reducido): esto nos indica el dinero que hemos dejado de ganar por cada unidad no fabricada. en este caso debemos de aumentar a mas de $6.0000 la utilidad de la mesa para que sea atractiva la fabricacin de mesas. Basis Status (estado de la base): Indica si la variable es bsica o no bsica, en este ejemplo la variable X1 (mesas) resulta ser no bsica, esto es que no forma parte de la solucin ptima, la variable X2 (sillas) es una variable bsica, ya que forma parte de la solucin. Allowed Min cj (rango mnimo del cj): esta es la mnima utilidad que puedo obtener sin que la base actual cambie. (-M) Allowed Max cj (rango mnimo del cj): esta es la mxima utilidad que puedo obtener sin que la base actual cambie. (16.0000) los valores que aparecen son para el producto Mesa. Interpretacin de las Restricciones: Constraint (Restriccin): Son las restricciones que forman parte del problema, se tienen dos restricciones (C1 y C2) la restriccin de la madera y la de horas hombre.

Left hand side (valor al lado izquierdo): esto nos indica el consumo de recurso, de 30.000 m2 de madera se consumieron 24.000 m2. Direction (direccin): es la direccin de la restriccin (<=,>= o =) Rigth hand side (valor lado derecho): es el recurso disponible actualmente 30 m2 Slack or Surplas (holguras): nos indican un faltante o bien un sobrante Shadow Price (precio sombra): nos indica la solucin Dual, esto es que el 2.6667 indica que cada hra-hombre se debe ofrecer como mnimo en $/hr 2.6667. Allowed Min RHS (rango mnimo del bj): esta es la mnima cantidad de recurso que se debe de mantener sin que la base actual cambie. (0 hrs-hombre) Allowed Max RHS (rango mnimo del bj): esta es la mxima cantidad de recurso que se debe de mantener sin que la base actual cambie (60.0000 hrs-hombre) regresar

SOLUCIN GRFICA DE PROBLEMAS DE PROGRAMACIN LINEAL

Muchos problemas de administracin y economa estn relacionados con la optimizacin (maximizacin o minimizacin) de una funcin sujeta a un sistema de igualdades o desigualdades. La funcin por optimizar es la funcin objetivo. Las funciones de ganancia y de costo son ejemplos de funciones objetivo. El sistema de igualdades o desigualdades a las que est sujeta la funcin objetivo reflejan las restricciones (por ejemplo, las limitaciones sobre recursos como materiales y mano de obra) impuestas a la solucin (o soluciones) del problema. Los problemas de esta naturaleza se llaman problemas de programacin matemtica. En particular, aquellas donde la funcin objetivo y las restricciones se expresan como ecuaciones o desigualdades lineales se llaman problemas de programacin lineal.

Un problema de Un problema de programacin lineal consta de una funcin objetivo lineal por m programacin lineal sujeta a ciertas restricciones en la forma de igualdades o desigualdades lineal Como ejemplo de un problema de programacin lineal en que la funcin objetivo debe maximizarse, considerese el siguiente problema de produccin con dos variables

El granjero Lopez tiene 480 hectreas en la que se puede sembrar ya sea trigo Maiz: o maz. El calcula que tiene 800 horas de trabajo disponible durante la Utilidad: $40 po estacin crucial del verano. Dados mrgenes de utilidad y los requerimientos Trabajo: 2hs po

laborales mostrados a la derecha, Cuntas hectreas de cada uno debe plantar para maximizar su utilidad?Cul es sta utilidad mxima?

Trigo: Utilidad: $30 po Trabajo: 1hs po

Solucin: Como primer paso para la formulacin matemtica de este problema, se tabula la informacin dada (Tabla 1). Si llamamos x a las hectreas de maz e y a las hectreas de trigo. Entonces la ganancia total P, en dlares, est dada por: P=40x+30y Que es la funcin objetivo por maximizar. Maz Trigo Elementos disponibles

Horas 2 1 Hectreas 1 1 800 Utilidad por unidad $40 $30 480 La cantidad total de tiempo par hectreas para sembrar maz y trigo est dada por 2x+y horas que no debe exceder las 800 horas disponibles para el trabajo. As se tiene la desigualdad: 2x+y<800 En forma anloga, la cantidad de hectreas disponibles est dada por x+y, y sta no puede exceder las hectreas disponibles para el trabajo, lo que conduce a la desigualdad. Por ltimo, si no queremos tener prdidas, x y y no pueden ser negativa, de modo que x>0 y>0 En resumen, el problema en cuestin consiste en maximizar la funcin objetivo P=40x+30y sujeta a las desigualdades 2x+y<800 x+y<480 x>0 y>0 Solucin Grfica Los problemas de programacin lineal en dos variables tienen interpretaciones geomtricas relativamente sencillas; por ejemplo, el sistema de restricciones lineales asociado con un problema de programacin lineal bidimensional- si no es inconsistente- define una regin plana cuya frontera est formada por segmentos de recta o semirrectas, por lo tanto es posible analizar tales problemas en forma grfica.

Si consideremos el problema del granjero Lpez, es decir, de maximizar P = 40x+ 30y sujeta a 2x+y<800 x+y<480 x>0, y>0 (7) El sistema de desigualdades (7) define la regin plana S que aparece en la figura 5. Cada punto de S es un candidato para resolver este problema y se conoce

como solucin factible. El conjunto S se conoce como conjunto factible. El objetivo es encontrar entre todos los puntos del conjunto S- el punto o los puntos que optimicen la funcin objetivo P. Tal solucin factible es una solucin ptima y constituyen la solucin del problema de programacin lineal en cuestin. Como ya se ha observado, cada punto P(x,y) en S es un candidato para la solucin ptima del problema en cuestin, por ejemplo, es fcil ver que el punto (200, 150) est en S y, por lo tanto, entra en la competencia. El valor de la funcin objetivo P en el punto (200,150) est dado por P=40(200)+30(150)=12.500 . Ahora si se pudiera calcular el valor de P correspondiente a cada punto de S, entonces el punto (o los puntos) en S que proporcione el valor mximo de P formar el conjunto solucin buscado. Por desgracia, en la mayora de los problemas, la cantidad de candidatos es demasiado grande o, como en este problema, es infinita. As este mtodo no es adecuado. Es mejor cambiar de punto de vista: en vez de buscar el valor de la funcin objetivo P en un punto factible, se asignar un valor a la funcin P y se buscarn los puntos factibles que correspondieran a un valor dado de P. Para esto supngase que se asigna a P el valor 6000. Entonces la funcin objetivo se convierte en 40x+ 30y = 6.000,una ecuacin lineal en x e y; por lo tanto, tiene como grfica una lnea recta L1 en el plano. Est claro que a cada punto del segmento de recta dado por la interseccin de la lnea recta L1 y el conjunto factible S corresponde el valor dado 6000 de P. Al repetir el proceso, pero ahora asignando a P el valor de 12.000, se obtiene la ecuacin 40x+ 30y =12.000 y la recta L2 lo cual sugiere que existen puntos

factibles que corresponden a un valor mayor de P. Obsrvese que la recta L2 es paralela a L1, pues ambas tienen una pendiente igual a 4/3. Esto se comprueba con facilidad escribiendo las ecuaciones en explcita de la recta. En general, al asignar diversos valores a la funcin objetivo, se obtiene una familia de rectas paralelas, cada una con pendiente igual a 4/3. Adems, una recta correspondiente a un valor mayor de P est ms alejada del origen que una recta con un valor menor de P. El significado es claro. Para obtener las soluciones ptimas de este problema, se encuentra la recta perteneciente a esta familia que se encuentra ms lejos del origen y que interseque al conjunto factible S. La recta requerida es aquella que pasa por el punto P(320,160) (Fig. 6), de modo que la solucin de este problema est dado por x=320, y=160 ( es decir que el granjero Lpez deber sembrar 320 hectreas de maz y 160 hectreas de trigo), lo que produce el valor mximo P=40(320)+30(160)=17.600. No es casualidad que la solucin ptima de este problema aparezca como vrtice del conjunto factible S. De hecho, el resultado es consecuencia del siguiente teorema bsico de la programacin lineal, que se enuncia sin demostracin. Teorema 1

Si en problema de programacin lineal tiene una solucin, entonces sta debe apa esquina, del conjunto factible S asociado con el problema. Adems, si la funcin ob dos vrtices adyacente de S, entonces se optimiza en todos los puntos del segmen estos vrtices, en cuyo caso existe una infinidad de soluciones al problema

En nuestro ejemplo los nicos vrtice del conjunto factible S son los puntos coordenados: (0,0); (400,0); (320,160); (0,480), llamados tambin puntos esquinas (Fig. 6).

Un ejemplo en el que tendramos infinitas soluciones, es: Supngase que la utilidad por hectreas es de $40 para ambos, maz VERTICE P=40x+40y este caso muestra la misma utilidad total en los vrtices(0,480) y (320, (0,0) 0 que la lnea de utilidad en movimiento abandona la regin sombreada (0,480) 19.200 determinado por esos vrtices (adyacentes) , as todo punto en ese lad mxima. Todava es vlido, sin embargo, que la utilidad mxima ocurr (320,160) 19.200 (400,0) 16.000 El teorema 1 dice que la bsqueda de las soluciones a un problema de programacin lineal se puede restringir al examen del conjunto de vrtices del conjunto factible S relacionado con el problema. Como un conjunto factible S tiene un nmero finito de vrtices, el teorema sugiere que las soluciones a un problema de programacin lineal se puedan hallar inspeccionando los valores de la funcin objetivo P en los vrtices. Aunque el teorema 1 arroja un poco de luz acerca de la naturaleza de la solucin de un problema de programacin lineal, no indica cundo tiene

solucin. El siguiente teorema establece ciertas condiciones que garantizan la existencia de la solucin de un problema de programacin lineal. Teorema 2: Existencia de una solucin

Supngase un problema de programacin lineal con un conjunto factible S y una fu by. 1. Si S est acotado, entonces P tiene u valor mximo y n valor mnimo en S. 2. Si S no est acotado y tanto a como b son no negativos, entonces P tiene un va restricciones que definen a S incluyen las desigualdades x 0 e y 0. 3. Si S es el conjunto vaco, entonces el problema de programacin lineal no tien no tiene un valor mximo ni uno mnimo

El mtodo utilizado para resolver el problema del granjero Lpez recibe el nombre de mtodo de las esquinas. Este mtodo sigue un procedimiento muy sencillo para resolver los problemas de programacin lineal basado en el teorema1.

Mtodo de las 1. Se grafica el conjunto factible. esquinas 2. Se encuentran las coordenadas de todas las esquinas (vrtices) del conjunto 3. Se evala la funcin objetivo en cada esquina. 4. Se halla el vrtice que proporcione el mximo (mnimo) de la funcin objetivo. S con esta propiedad, entonces constituye una solucin nica del problema. Si la fun maximiza (minimiza) en dos esquinas adyacentes de S, entonces existe una infinid ptimas dadas por los puntos del segmento de recta determinado por estos dos v Aplicaremos los conceptos antes emitidos al siguiente problema de nutricin, basado en los requerimientos, en el cual hay que minimizar la funcin objetivo. Un nutricionista asesora a un individuo que sufre una deficiencia de hierro y vitamina B, y le indica que debe ingerir al menos 2400 mg de vitamina B-1 (tiamina) y 1500 mg de vitamina B-2 (riboflavina) durante cierto perodo de tiempo. Existen dos pldoras de vitaminas disponibles, la marca A y la marca B. Cada pldora de la marca A contiene 40 mg de hierro, 10 mg de vitamina B1, 5 mg de vitamina B-2 y cuesta 6 centavos. Cada pldora de la marca B contiene 10 mg de hierro, 15 mg de vitamina B-1 y de vitamina B-2, y cuesta 8 centavos (tabla 2). Cules combinaciones de pldoras debe comprar el paciente para cubrir sus requerimientos de hierro y vitamina al menor costo? Marca A Hierro Vitamina B-1 Vitamina B-2 Costo por pldora (US$) 40 mg 10 mg 5 mg 0,06 Marca B 10 mg 15 mg 15 mg 0,08 Requerimientos mnimos 2400 mg 2100 mg 1500 mg

Solucin: Sea x el nmero de pldoras de la marca A e y el nmero de pldoras de la marca B por comprar. El costo C, medido en centavos, est dado por C = 6x+ 8y que representa la funcin objetivo por minimizar. La cantidad de hierro contenida en x pldoras de la marca A e y el nmero de pldoras de la marca B est dada por 40x+10y mg, y esto debe ser mayor o igual a 2400 mg. Esto se traduce en la desigualdad. 40x+10y>2400 Consideraciones similares con los requisitos mnimos de vitaminas B-1 y B-2 conducen a las desigualdades: 10x+15y>2100 5x+15y>1500 respectivamente. As el problema en este caso consiste en minimizar C=6x+8y sujeta a 40x+10y>2400 10x+15y>2100 5x+15y>1500 x>0, y>0 El conjunto factible S definido por el sistema de restricciones aparece en la figura. Los vrtices del conjunto factible S son A(0,240); B(30,120); C(120; 60) y D(300,0).

Los valores de la funcin objetivo C en estos vrtices en la tabla que sigue Vertice A (0,240) B(30,120) C(120,60) D(300,0) C=6x + 8y 1920 1140 1200 1800

La tabla muestra que el mnimo de la funcin objetivo C=6x+8y ocurre en el vrtice B(30,120) y tiene un valor de 1140. As el paciente debe adquirir 30 pldoras de la marca A y 120 de la marca B, con un costo mnimo de $11,40. El mtodo de las esquinas es de particular utilidad para resolver problemas de programacin lineal en dos variables con un nmero pequeo de restricciones, como han demostrado los ejemplos anteriores, sin embargo su efectividad decrece con rapidez cuando el nmero de variables o de restricciones aumenta. Por ejemplo, se puede mostrar que un ejemplo de programacin lineal en tres variables y cinco restricciones puede tener hasta diez esquinas factibles. La determinacin de las esquinas factibles requiere resolver 10 sistemas 3x3 de ecuaciones lineales y luego comprobar que cada uno es un punto factible, sustituyendo cada una de estas soluciones en el sistema de restricciones. Cuando el nmero de variables y de restricciones aumenta a cinco y diez, respectivamente (que an es un sistema pequeo desde el punto de vista de las aplicaciones en economa), la cantidad de vrtice por hallar y comprobar como esquinas factibles aumenta hasta 252, y cada uno de estos vrtices se encuentra resolviendo el sistema lineal ...de 5x5! Por esta razn, el mtodo de las esquinas se utiliza con poca frecuencia para resolver problemas de programacin lineal, su valor reside en que permite tener una mejor idea acerca de la naturaleza de las soluciones a los problemas de programacin lineal a travs de su uso en la solucin de problemas de dos variables. Regresar a la Pgina Principal PROGRAMAS DE COMPUTACIN PARA RESOLVER PROBLEMAS DE PROGRAMACION LINEAL En esta pagina, se presenta la documentacin relativa a los programas de computacin que sern utilizados en el curso para resolver problemas de programacin Lineal, adicionalmente, el alumno puede bajar los programas de computacin con fines acadmicos, con miras a resolver los problemas propuestos del curso y no deben ser utilizados con fines comerciales ya que los mismos estn protegidos por las leyes de derechos de autor. A.-) PROGRAMAS DE COMPUTACIN Adicional al programa SOLVER, incluido en EXCEL-2000 de MIcrosoft (cuya explicacin didctica del funcionamiento del programa Solver (445 kb), se incluye en este documento que puede ser bajado por Usted), se incorporan otros programas que operan bajo sistema WIndows 98/ME/2000/XP, debiendo disponer de una computadora actualizada con procesador Pentium II y superiores,

memoria mnima de 256 kb y capacidad de disco de 50 MB y los cuales pueden ser bajados a continuacin:. A.1) El programa WinQSB (3.9 Mb), cuya propiedad intelectual es del Dr. YihLong Chang y es aplicable a todos los problemas de Investigacin de Operaciones. Para conocer sus usos y aplicaciones, se incorpora el MANUAL DE USO del WINQSB. A.2) El programa PrgLin, cuya propiedad es de la Universidad de Lisboa (Portugal), el cual se aplica para soluciones grficas de problemas de dos dimensiones. A.3) El programa InvOp (361 kb), desarrollado por la Universidad del Cuyo en Argentina, se aplica para la solucin de problemas relacionados con transporte y redes. A.3) El programa Lingo, propiedad de Lindo Systems Inc (USA), que dado su gran tamao (18.9 Mb), se recomienda que Usted lo recupere directamente de la pagina Web del propietario de dicha tecnologia http:// www.lindo.com Posteriormente se irn incorporando otros programas de computacin especficos para cada caso y cuyo uso ser descrito mediante ejemplos en la Clase. B.-) USO DEL PROGRAMA SOLVER DE EXCEL (Microsoft) Para conocer la aplicacin del mtodo SOLVER de EXCEL (Microsoft), se utilizar un ejemplo prctico: Max Z= 10 X1 + 8 X2
Sujeto a:

30X1 +20X2 <= 120 2X1 + 2X2 <= 9 4X1 + 6X2 <= 24 X1,X2 >=0 La nica dificultad que tenemos es el de modelar el programa dentro del Excel, y eso, es muy fcil. Por supuesto, hay infinidad de maneras de hacerlo, aqu propongo una. Se activa Excel y en una hoja... Se ubican las celdas que se correspondern con el valor de las variables de decisin; en ste caso, las celdas B6 y C6, se les da un formato para diferenciarlas de las dems, aqu azul oscuro (ver captura abajo). Se ubica tambin, las celdas que contendrn los coeficientes de las variables de decisin, B4 y C4, y se llenan con

sus respectivos valores, 10 y 8. Aunque ste ltimo paso, se podra omitir y dejar los coeficientes definidos en la celda de la funcin objetivo, as es mejor para los anlisis de sensibilidad y para que la hoja quede portable para otro programa. Se ubica la celda que se corresponder con la funcin objetivo (celda objetivo), la B3. En ella se escribe la funcin que sea, en ste caso, ser el coeficiente de X1 (en B4) por el valor actual de X1 (en B6) mas el coeficiente de X2 (en C4) por el valor actual de X2 (en C6) O sea: =$B$4*$B$6+$C$6*$C$4

Coeficientes para la primera restriccin: los podemos escribir en la misma columna de las variables de decisin; en las celdas B7 y C7, con los valores 30 y 20, seguido del sentido de la desigualdad (<=) y de su correspondiente RHS: 120. A la derecha ubicaremos el valor actual de consumo de la restriccin, ella se escribir en funcin de las variables de decisin y de los coeficientes de la restriccin. Esta celda, la utilizar Solver como la real restriccin, cuando le digamos que el valor de sta celda no pueda sobrepasar la de su correspondiente RHS. De nuevo ser el valor del coeficiente por el de la variable:=B7*$B$6+C7*$C$6. Notese que ahora B7 y C7 no tienen el signo $. Pues es que luego que se haya escrito sta celda, se podr arrastrar hacia abajo para que Excel escriba la frmula por nosotros (la pereza!), pero tome los valores relativos a los coeficientes que le corresponda a los mismos valores de las variables de decisin. Se repite los pasos anteriores para las otras restricciones, pero ahora la frmula ser: =B8*$B$6+C8*$C$6 y =B9*$B$6+C9*$C$6.

El resto del formato es para darle una presentacin ms bonita a la hoja. Ahora a resoverlo! Al hacer click en Herramientas , Solver se tendr una pantalla como la siguiente. Lo primero que hay que hacer es especificar la celda objetivo y el propsito: maximizar. Se escribe B3 (o $B3 B$3 $B$3 como sea, da igual), en el recuadro "cambiando las celdas", se hace un click en la flechita roja, para poder barrer las celdas B6 y C6; lo mismo da si se escriben directamente los nombres.

Y ahora para las restricciones: se hace click en agregar...

En F7 est la primera restriccin, como se puede ver en la captura. Se especifica el sentido de la restriccin <=, >= =. Aqu tambin se puede especificar el tipo de variable, por defecto es continua, pero se puede escoger "Int" para entera o "Bin" para binaria. En el recuadro de la derecha establecemos la cota. Aqu podemos escribir 120 pero mejor escribimos $E$7 para que quede direccionado a

la celda que contiene el 120, y despus lo podramos cambiar y volver a encontrar la respuesta a manera de anlisis de sensibilidad. Se repite ste paso para las otras dos restricciones. La condicin de no negatividad hay que incluirla manualmente, as:

El cuadro de dilogo debe lucir as:

Y listo! Se hace click en resolver y ya. Parece un poco largo en comparacin con los otros paquetes de programacin lineal, pero esto se har slo una vez, para los prximos programas se podr utilizar la misma hoja cambiando los coeficientes. Sin embargo, como se puede notar, la flexibilidad de modelar es muy

grande, y se puede introducir directamente en una hoja donde se haga el anlisis de Planeacin Agregada, Transporte, Inventario, Secuencias, balanceo, etc.

Regresar Pagina Principal EL METODO SIMPLEX PARA SOLUCIN DE PROBLEMAS DE PROGRAMACIN LINEAL Es un procedimiento iterativo que permite ir mejorando la solucin a cada paso. El proceso concluye cuando no es posible seguir mejorando ms dicha solucin.
El mtodo del simplex fue creado en 1947 por el matemtico George Dantzig .

Partiendo del valor de la funcin objetivo en un vrtice El mtodo del simplex se utiliza, sobre todo, para cualquiera, el mtodo consiste en buscar sucesivamente resolver problemas de otro vrtice que mejore al anterior. La bsqueda se hace programacin lineal en los siempre a travs de los lados del polgono (o de las aristas que intervienen tres o ms del poliedro, si el nmero de variables es mayor). Cmo el variables. nmero de vrtices (y de aristas) es finito, siempre se podr encontrar la solucin. El lgebra matricial y el El mtodo del simplex se basa en la siguiente propiedad: si la funcin objetivo, f, no toma su valor mximo en el vrtice A, entonces hay una arista que parte de A, a lo largo de la cual f aumenta.
proceso de eliminacin de Gauss-Jordan para resolver un sistema de ecuaciones lineales constituyen la base del mtodo simplex.

Con miras a conocer la metodologa que se aplica en el Mtodo SIMPLEX, vamos a resolver el siguiente problema: Maximizar sujeto a: Z= f(x,y)= 3x + 2y 2x + y 18 2x + 3y 42

3x + y 24 x 0,y 0 Se consideran las siguientes fases: 1. Convertir las desigualdades en igualdades Se introduce una variable de holgura por cada una de las restricciones, para convertirlas en igualdades, resultando el sistema de ecuaciones lineales: 2x + y + h = 18 2x + 3y + s = 42 3x +y + d = 24 2. Igualar la funcin objetivo a cero - 3x - 2y + Z = 0 3. Escribir la tabla inicial simplex En las columnas aparecern todas las variables del problema y, en las filas, los coeficientes de las igualdades obtenidas, una fila para cada restriccin y la ltima fila con los coeficientes de la funcin objetivo: Tabla I . Iteracin n 1 Base Variable de decisin Variable de holgura Valores solucin x y h s d h 2 1 1 0 0 18 s 2 3 0 1 0 42 d 3 1 0 0 1 24 Z -3 -2 0 0 0 0 4. Encontrar la variable de decisin que entra en la base y la variable de holgura que sale de la base A. Para escoger la variable de decisin que entra en la base, nos fijamos en la ltima fila, la de los coeficientes de la funcin objetivo y escogemos la variable con el coeficiente negativo mayor (en valor absoluto). En nuestro caso, la variable x de coeficiente - 3. Si existiesen dos o ms coeficientes iguales que cumplan la condicin anterior, entonces se elige uno cualquiera de ellos.

Si en la ltima fila no existiese ningn coeficiente negativo, significa que se ha alcanzado la solucin ptima. Por tanto, lo que va a determinar el final del proceso de aplicacin del mtodo del simplex, es que en la ltima fila no haya elementos negativos. La columna de la variable que entra en la base se llama columna pivote (En color azulado). B. Para encontrar la variable de holgura que tiene que salir de la base, se divide cada trmino de la ltima columna (valores solucin) por el trmino correspondiente de la columna pivote, siempre que estos ltimos sean mayores que cero. En nuestro caso: 18/2 [=9] , 42/2 [=21] y 24/3 [=8] Si hubiese algn elemento menor o igual que cero no se hace dicho cociente. En el caso de que todos los elementos fuesen menores o iguales a cero, entonces tendramos una solucin no acotada y no se puede seguir. El trmino de la columna pivote que en la divisin anterior d lugar al menor cociente positivo, el 3, ya 8 es el menor, indica la fila de la variable de holgura que sale de la base, d. Esta fila se llama fila pivote (En color azulado). Si al calcular los cocientes, dos o ms son iguales, indica que cualquiera de las variables correspondientes pueden salir de la base. C. En la interseccin de la fila pivote y columna pivote tenemos el elemento pivote operacional, 3. 5. Encontrar los coeficientes de la nueva tabla. Los nuevos coeficientes de x se obtienen dividiendo todos los coeficientes de la fila d por el pivote operacional, 3, que es el que hay que convertir en 1. A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos de su columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la funcin objetivo Z. Tambin se puede hacer utilizando el siguiente esquema: Fila del pivote: Nueva fila del pivote= (Vieja fila del pivote) : (Pivote)

Resto de las filas: Nueva fila= (Vieja fila) - (Coeficiente de la vieja fila en la columna de la variable entrante) X (Nueva fila del pivote) Vemoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla II): Vieja fila de s 2 Coeficiente 2 x Nueva fila pivote 1 = Nueva fila de s 0 3 2 x 1/3 = 7/3 0 2 x 0 = 0 1 2 x 0 = 1 0 2 x 1/3 = -2/3 42 2 x 8 = 26

Tabla II . Iteracin n 2 Base Variable de decisin Variable de holgura Valores solucin x y h s d h 0 1/3 1 0 -2/3 2 s 0 7/3 0 1 -2/3 26 x 1 1/3 0 0 1/3 8 Z 0 -1 0 0 1 24 Como en los elementos de la ltima fila hay uno negativo, -1, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso: A. La variable que entra en la base es y, por ser la variable que corresponde al coeficiente -1 B. Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote: 2:1/3 [=6] , 26:7/3 [=78/7] y 8:1/3 [=8] y como el menor cociente positivo es 6, tenemos que la variable de holgura que sale es h. C. El elemento pivote, que ahora hay que hacer 1, es 1/3. Operando de forma anloga a la anterior obtenemos la tabla: Tabla III . Iteracin n 3 Base Variable de decisin Variable de holgura Valores solucin x y h s d

y s x Z

0 0 1 0

1 0 0 0

3 -7 -1 3

0 0 0 0

-2 4 1 -1

6 12 6 30

Como en los elementos de la ltima fila hay uno negativo, -1, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso: A. La variable que entra en la base es d, por ser la variable que corresponde al coeficiente -1 B. Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote: 6/(-2) [=-3] , 12/4 [=3], y 6:1 [=6] y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es s. C. El elemento pivote, que ahora hay que hacer 1, es 4. Obtenemos la tabla: Tabla IV . Final del proceso Base Variable de decisin Variable de holgura Valores solucin x y h s d y 0 1 -1/2 0 0 12 d 0 0 -7/4 0 1 3 x 1 0 -3/4 0 0 3 Z 0 0 5/4 0 0 33 Como todos los coeficientes de la fila de la funcin objetivo son positivos, hemos llegado a la solucin ptima. Los solucin ptima viene dada por el valor de Z en la columna de los valores solucin, en nuestro caso: 33. En la misma columna se puede observar el vrtice donde se alcanza, observando las filas correspondientes a las variables de decisin que han entrado en la base: D(3,12) * Si en el problema de maximizar apareciesen como restricciones inecuaciones de la forma: ax + by c; multiplicndolas por - 1 se transforman en inecuaciones de la forma - ax - by - c y estamos en el caso anterior * Si en lugar de maximizar se trata de un problema de minimizar se sigue el mismo proceso, pero cambiando el sentido del criterio, es decir, para entrar en la base se elige la variable cuyo valor, en la fila de la funcin objetivo, sea el mayor de los positivos y se finalizan las iteraciones cuando todos los coeficientes de la fila de la

funcin objetivo son negativos

Interpretacin geomtrica del mtodo del simplex Las sucesivas tablas que hemos construido van proporcionando el valor de la funcin objetivo en los distintos vrtices, ajustndose, a la vez, los coeficientes de las variables iniciales y de holgura. En la primera iteracin (Tabla I) han permanecido todos los coeficientes iguales, se ha calculado el valor de la funcin objetivo en el vrtice A(0,0), siendo este 0. A continuacin se desplaza por la arista AB, calculando el valor de f , hasta llegar a B. Este paso aporta la Tabla II. En esta segunda iteracin se ha calculado el valor que corresponde al vrtice B(8,0): Z=f(8,0) = 24 Sigue por la arista BC, hasta llegar a C, donde se para y despliega los datos de la Tabla III. En esta tercera iteracin se ha calculado el valor que corresponde al vrtice C(6,6) : Z=f(6,6)=30. Continua haciendo clculos a travs de la arista CD, hasta llegar al vrtice D. Los datos que se reflejan son los de la Tabla IV. Concluye con esta tabla, advirtiendo que ha terminado (antes ha comprobado que la solucin no mejora al desplazarse por la arista DE) El valor mximo de la funcin objetivo es 33, y corresponde a x = 3 e y = 12 (vrtice D). Si calculas el valor de la funcin objetivo en el vrtice E(0,14), su valor no supera el valor 33.

Mtodo de la M o de Penalizacin.
Hasta este momento se han presentado los detalles del mtodo smplex con la suposicin de que el problema se encuentra en nuestra forma estndar (maximizar Z sujeta a las restricciones funcionales de la forma y restricciones de no negatividad sobre todas las variables) con bi 0 para toda i = 1, 2, ..., m. En esta seccin se

establecer cmo hacer los ajustes requeridos a otras formas legtimas de modelos de Programacin Lineal. Se ver que todos estos ajustes se pueden hacer en el paso inicial, de manera que el resto del mtodo smplex se aplica justo como se aprendi. El nico problema serio que introducen las otras formas de restricciones funcionales (= ) es identificar una solucin inicial bsica factible. Antes, esta solucin inicial se encontraba en forma muy conveniente al hacer que las variables de holgura fueran las variables bsicas iniciales, donde cada una era igual a la constante no negativa del lado derecho de la ecuacin correspondiente. Ahora debe hacerse algo ms. El enfoque estndar que se utiliza es estos casos es la tcnica de variables artificiales. sta construye un problema artificial ms conveniente introduciendo una variable ficticia (llamada variable artificial) en cada restriccin que lo requiera. Esta nueva variable se introduce slo con el fin de que sea la variable bsica inicial para esa ecuacin. Las restricciones usuales de no negatividad tambin se aplican sobre estas variables y la funcin objetivo se modifica para que imponga una penalizacin exorbitante en el caso de que adquieran valores mayores que cero. Las iteraciones del mtodo smplex automticamente fuerzan a las variables artificiales a desaparecer (a volverse cero) una a una, hasta que todas quedan fuera de la solucin; despus de esto se resuelve el problema real. Para ilustrar la tcnica de las variables artificiales, primero se considerar el caso en que la nica forma no estndar en el problema es la presencia de una o ms restricciones en forma de igualdad. Restricciones en forma de igualdad. En realidad, cualquier restriccin en forma de igualdad: ai1x1 +ai2x2 + . . . + ainxn = bi es equivalente a dos restricciones de desigualdad: ai1x1 + ai2x2 + . . . + ainxn bi, ai1x1 + ai2x2 + . . . + ainxn bi

Sin embargo, en lugar de hacer esta sustitucin e incrementar con ello el nmero de restricciones, es ms conveniente usar la tcnica de la variable artificial. Suponga que se modifica el problema de ejemplo presentado y resuelto en la seccin anterior. El nico cambio que sufre el modelo de programacin lineal es que la tercera restriccin, 3x 1 + 2x2 18, se convierte en una restriccin de igualdad: 3x1 + 2x2 = 18 Aplicando la tcnica de las variables artificiales se introduce una variable artificial no negativa (denotada por x5) en la ltima ecuacin, como si fuera una variable de holgura: 3x1 + 2x2 + x5 =18 En resumen si tenemos una restriccin funcional en forma de igualdad y deseamos pasarla a su forma de igualdad, nicamente debemos sumar una variable artificial. Restricciones funcionales de la forma Para ilustrar la manera en que la tcnica de las variables artificiales maneja las restricciones de la forma usaremos el siguiente ejemplo:
Minimizar sujeta a Z = 0.4x1 0.3x1 0.5x1 0.6x1 x1 0, + + + + 0.5x2 0.1x2 0.5x2 = 0.4x2 x2 0

2.7 6 6

Notemos que la tercera restriccin es del tipo , por lo que para cambiarla a su forma de igualdad tendramos que restar una variable de supervit (o de excedente), quedando de la siguiente manera: 0.6x1 + 0.4x2 x5 = 6 Se ha restado la variable de excedente x5 (se utiliz x5 porque en la primera restriccin agregamos una variable de holgura que sera x3 y en la segunda restriccin

agregamos tambin una variable artificial que sera x4; todo esto con el fin de convertir las desigualdades a su forma de igualdades) para que consuma el exceso de 0.6x1 + 0.4x2, o sea, lo que se pasa de 6. No obstante en este caso debe agregarse otra variable. Esta variable extra, llamada variable artificial se aumenta como sigue: 0.6x1 + 0.4x2 x5 + x6 = 6 La razn de esto es que, si no se agrega la variable artificial, no se estaran cumpliendo las restricciones de no negatividad. Para comprenderlo, se dejar sin aumentar. El mtodo smplex comienza por hacer todas las variables reales (originales) iguales a cero. Entonces: 0.6x1 + 0.4x2 x5 = 6 Sea x1 = 0 y x2 = 0, entonces: 5=6 x no negatividad) La variable artificial opera para mantener todas las variables no negativas cuando 0.6x1 + 0.4x2 es menor que 6. Si x1 = 0 y x2 = 0, entonces x5 = 0 y 0.6x1 + 0.4x2 x5 + x6 = 6 x6 = 6 En resumen, una restriccin de la forma se convierte a su forma de igualdad restando una variable de excedente y sumando una variable artificial. Consideremos el siguiente problema:
Maximizar Z = 3x1 + 5x2

x5 = (que no cumple la restriccin de 6

sujeta a

2x2 + = 3x1 2x2 x1 0, x2 0 x1

4 12 18

Como explicamos anteriormente, para resolver este problema, debemos construir un problema artificial que tiene la misma solucin ptima que el problema real, haciendo dos modificaciones a este problema real. 1. Se aplica la tcnica de las variables artificiales introduciendo una variable artificial no negativa (denotada por x5) en la ltima ecuacin, como si fuera una variable de holgura: 3x1 + 2x2 + x5 =18 2. Se asigna una penalizacin enorme al hecho de tener x5 > 0, cambiando la funcin objetivo Z = 3x1 + 5x2 a: Z = 3x1 + 5x2 Mx5, donde M simblicamente representa un nmero positivo muy grande. Este mtodo que fuerza a x5 hasta el nivel de x5 = 0 en la solucin ptima se llama mtodo de la M. Nota: Para el caso de minimizacin, penalizamos a la variable artificial, hacindola aparecer en la funcin objetivo con un coeficiente de +M. Ahora se encuentra la solucin ptima para el problema real aplicando el mtodo smplex al problema artificial. Como x5 juega el papel de la variable de holgura en la tercera restriccin del problema artificial, esta restriccin es equivalente a 3x1 + 2x2 18. En particular, el sistema de ecuaciones despus de aumentar el problema artificial (en otras palabras, pasarlo a su forma de igualdades) es:
Maximizar Z,

sujeta a Z 3x1 x1 5x2 + Mx5 = = + x4 = + x5 = Para j = 1, 2, , 5 0 4 12 18

x3

2x2 3x1 + 2x2 xj 0

En este momento estamos preparados para pasar los coeficientes a la tabla smplex:

Variab le Z Bsica Z x3 x4 x5 1 0 0 0 x1 3 1 0 3 x2 5 0 2 2 x3 0 1 0 0 x4 0 0 1 0 x5 M 0 0 1

Lado derecho 0 4 12 18 Cociente Es ptima?

Esta tabla todava no est en la forma apropiada porque el coeficiente de x5 es diferente de cero en la ecuacin de Z (es M). Por lo tanto, antes de que el mtodo smplex pueda aplicar la prueba de optimalidad y encontrar la variable bsica entrante, debe pasarse esta tabla a la forma apropiada para que cumpla la condicin smplex. Esta condicin que debe cumplir toda tabla del mtodo smplex para que pueda reportarnos la siguiente solucin bsica factible dice que: Toda variable bsica debe tener un 1 en la interseccin de su rengln y columna correspondiente y cero en los dems renglones incluido el rengln de Z, en otras palabras, que toda variable que sea bsica solamente debe aparecer en el rengln de la restriccin que representa. Para hacer cero el coeficiente M, utilizamos el rengln de x5 como rengln pivote multiplicndolo por y sumando el resultado al M rengln de Z. Realizando el procedimiento anterior, la tabla smplex queda de la siguiente manera:
Variab le Z Bsica x1 x2 x3 x4 x5 Lado derecho Cociente Es ptima?

-3M-3 -2M-5

18M

x5 + Z M

x3 x4 x5

0 0 0

1 0 3

0 2 2

1 0 0

0 1 0

0 0 1

4 12 18

(0, 0, 4, 12, 18) Z= 18M

Podemos observar que la tabla anterior ya se encuentra en la forma apropiada y podemos leer la solucin bsica factible actual, que es (0, 0, 4, 12, 18), la cual aplicando la prueba de optimalidad vemos que no es ptima ya que todava tenemos coeficientes negativos en el rengln de Z (los correspondientes a x1 y x2). Aplicando el mtodo smplex a la tabla anterior tenemos: el coeficiente negativo con el mayor valor absoluto corresponde a x1 ( 3M recordemos que M es un nmero muy grande positivo, por lo tanto, x1 se 3), convierte en la variable bsica entrante, realizando los cocientes correspondientes, vemos que x3 se convierte en la variable bsica saliente. El procedimiento completo para resolver este ejemplo se muestra en el siguiente conjunto de tablas:

Variable Z x1 x2 x3 x4 x5

der

Bsica

Z
x3 x4 x5

1 -3M- -2M3 5
0 0 0 1 0 3 0 2 2

0
1 0 0

0
0 1 0

0
0 0 1

Z
x1 x4 x5

1
0 0 0

0
1 0 0

-2M- 3M+3 5
0 2 2 1 0 3

0
0 1 0

0
0 0 1
M+5/2

6M

Z
x1 x4 x2

1
0 0 0

0
1 0 0

0
0 0 1

9/2
1 3 3/2

0
0 1 0

0 1 1/2
M+1

Z
x1 x3 x2

1
0 0 0

0
1 0 0

0
0 0 1

0
0 1 0

3/2
1/3 1/3 1/2

1/3 1/3 0

MINIMIZACIN con el mtodo smplex. Una manera directa de minimizar Z con el mtodo smplex es cambiar los roles de los coeficientes negativos y positivos en el rengln de la funcin objetivo, tanto para la prueba de optimalidad como para la parte 1 de una iteracin. Se determina la variable bsica entrante mediante la eleccin de la variable con el coeficiente positivo menor en la ecuacin de Z. La solucin bsica factible actual es ptima si y slo si todos los coeficientes de la ecuacin de la funcin objetivo (rengln de Z) son no positivos ( 0 ). Si es as, el proceso termina; de otra manera, se lleva a cabo otra iteracin para obtener la nueva solucin bsica factible, lo que significa el cambio de una variable no bsica por una bsica (parte 1) y viceversa (parte 2), y despus despejar las variables de la nueva solucin (parte 3). Notemos que no se ha dicho nada con respecto a la forma de obtener la variable bsica saliente en una iteracin, ya que este paso se realiza de la misma manera que cuando se est maximizando, es decir, se escoge aquella variable bsica con el menor cociente. Ilustremos la forma de utilizar el mtodo smplex para el caso de minimizacin. Consideremos el siguiente ejemplo:
Minimizar sujeta a Z = 3x1 x1 x1 + + + 8x2 4x2 2x2

4 2

x1 0,

x2 0

Pasando este problema a su forma de igualdades aadiendo las variables necesarias, obtenemos lo siguiente:
Minimizar Z, sujeta a Z 3x1 8x2 Mx5 = + 4x2 + x3 = x1 x1 + 2x2 x4 + x5 = 0 para j = 1, 2, , 5 xj 0 4 2

Utilizando el mtodo de la M para obtener una solucin ptima por el mtodo smplex, obtenemos el siguiente conjunto de tablas:
Variable Z x1 x2 x3 x4 x5 Lado derecho Cociente

Es ptim

Bsica

Z
x3 x5

1
0 0

3
1 1

8
4 2

0
1 0

0
0 1 0 1

M
0 1

0
4 2

Z
x3 x5

1 M 2M 0 3 8 M
0 0 1 1 4 2 1 0

0
0 1

2M
4 2

Z
x3 x1

1
0 0

0
0 1

2
2 2

0
1 0

3
1 1

M+3
1 1

6
2 2

(0, 0, 4 2) 4/1 = 4 Z = 2 2/1 = 2 (2, 0, 2 0) Z=6 ptim

Notemos que la primera tabla no se encontraba en la forma apropiada para el mtodo smplex, ya que el coeficiente de la variable bsica x5 era de en el rengln de Z, M lo cual hacia que no se cumpliera la condicin smplex.

Mtodo de las dos Fases.

En el ejemplo presentado en la seccin Restricciones funcionales de la forma , recordemos la funcin objetivo real: Problema real: Minimizar Z = 0.4x1 + 0.5x2

Sin embargo, el mtodo de la M utiliza la siguiente funcin objetivo a travs de todo el procedimiento: Mtodo de la M: Minimizar Z = 0.4x1 + 0.5x2 + Mx4 + Mx6

Como los dos primeros coeficientes (0.4 y 0.5) son despreciables comparados con M, el mtodo de dos fases puede eliminar la M usando las siguientes dos funciones objetivo que definen Z de manera completamente diferente: Mtodo de las dos fases: Fase 1: 0). Fase 2: Minimizar Z = 0.4x1 + 0.5x2 (con x4 = 0 y x6 = 0). Minimizar Z = x4 + x6 (hasta que x4 = 0 y x6 =

La funcin objetivo de la fase 1 se obtiene dividiendo la funcin objetivo del mtodo de la M entre M eliminando los trminos despreciables, en otras palabras, la fase 1 consiste en la minimizacin de la suma de todas las variables artificiales que se introduzcan en el problema. Como la fase 1 concluye al obtener una solucin bsica factible para el problema real (aquella en la que x4 = 0 y x6 = 0), esta solucin se usa como la solucin bsica factible inicial para aplicar el mtodo smplex al problema real (con su funcin objetivo) en la fase 2. Antes de resolver el ejemplo de esta manera se har un resumen de las caractersticas generales. Resumen del mtodo de dos fases.

Paso inicial: Se revisan las restricciones del problema original introduciendo variables artificiales segn se necesite para obtener una solucin bsica factible inicial obvia para el problema artificial. Fase 1: uso del mtodo smplex para resolver el problema de programacin lineal: Minimizar Z = de todas las variables artificiales, sujeta a las restricciones revisadas. La solucin ptima que se obtiene para este problema (con Z = 0) ser una solucin bsica factible para el problema real. Fase 2: se eliminan las variables artificiales (de todas formas, ahora todas valen cero). Comenzando con la solucin bsica factible que se obtuvo al final de la fase 1, se usa el mtodo smplex para resolver el problema real. Enseguida se resumen los problemas que deben resolverse por el mtodo smplex en las fases respectivas para el ejemplo.
Problema para la fase 1: Minimizar sujeta a 0.3x1 + 0.1x2 + 0.5 + 0.5x2 x1 0.6 + 0.4x2 x1 x3 + x4 x5 + x6 = = = 2.7 6 6 W = x4 + x6,

y
x1 0 x2 0 x3 x4 0 x5 0 x6 0

Problema para la fase 2: Minimizar sujeta a Z = 0.4x1 + 0.5x2,

0.3x1 + 0.1x2 + 0.5x1 + 0.5x2 0.6x1 + 0.4x2

x3 x5

= = =

2.7 6 6

y
x1 0 x2 0 x3 x5 0

Las nicas diferencias entre estos dos problemas se encuentran en la funcin objetivo y en la inclusin (fase 1) o exclusin (fase 2) de las variables artificiales x 4 y x6. Sin las variables artificiales, el problema para la fase 2 no tiene una solucin bsica factible inicial obvia. El nico propsito de resolver el problema para la fase 1 es obtener una solucin bsica factible con x4 = 0 y x6 = 0 que se pueda usar como la solucin bsica factible inicial para la fase 2. Las siguientes tablas muestran el resultado de aplicar el mtodo smplex a este problema para la fase 1:
Variable W x1 x2 x3 x4 x5 x6

La

dere

Bsica

x3 x4 x6

0 0.3 0 0.5 0 0.6 0 0.3 0 0.5 0 0.6

0.1 0.5 0.4 0.1 0.5 0.4 0.33

1 0 0

0 1 0

0 0 1

0 0 1

2.

W
x3 x4 x6

1 1.1 0.9

0
1 0 0 3.33

0
0 1 0

1
0 0 1

0
0 0 1

12

2.

W
x1 x4 x6

1
0 0 0

0 0.53 3.66
1 0 0 0.33 1.66 0.2 2

0
0 1 0

1
0 0 1

0
0 0 1

2.

1.

0.

W
x1 x4 x2

1
0 0 0

0
1 0 0

0
0 0 1

1.64
6.63 1.64 10

0
0 1 0

1.65 2.65
1.65 1.65 1.65 1.65 5 5

0.5

8.0

0.5

W
x1 x5 x2

1
0 0 0

0
1 0 0

0
0 0 1

0
5 0.99 5.05

1
1 0.60 3

0
0 1 0

1
0 1 0

7.

0.

4.

Notemos que ya hemos obtenido una solucin ptima para la fase 1 que consisti en la minimizacin de la suma de todas las variables artificiales. Observemos tambin que la funcin objetivo W termin con un valor de cero en la ltima tabla, lo que indica que las dos variables artificiales (x4 y x6) valen cero tienen valores recprocos y se cancelan mutuamente para dar cero. En nuestro caso, las dos variables artificiales valen cero ya que no se encuentran en la columna de las variables bsicas en la ltima tabla de la primera fase. La segunda fase consiste en resolver el problema original utilizando como tabla inicial de esta fase la ltima tabla de la primera fase pero sin considerar la columna de las variables artificiales ya que stas tomaron el valor de cero en la primera fase. El mtodo smplex aplicado a la segunda fase se muestra en el siguiente conjunto de tablas:
Variable Bsica Z x1 x2 x3
4

Lado x x5 x6 derecho Cociente Es ptima?

Z
x1 x5 x2

1 0.4 0.5
0 0 0 0 0 0 1 0 0 1 0 0 0 0 1 0 0 1 0 0 1

0
5 0.99 5.05

0
1 0.60 3

0 0
0 0 1 1 0 0

0
7.5 0.3 4.5

Z
x1 x5 x2

0.5

2
5 0.99 5.05

0
0 1 0

3
7.5 0.3 4.5

Z
x1 x5 x2

1
0 0 0

0
1 0 0

0.52
5 0.99 5.05

0
0 1 0

5.25
7.5 0.3 4.5

(7.5,4.5,0,0,0.3,0)
Z = 5.25 ptima fase 2

Notemos que no fue necesario aplicar propiamente el mtodo smplex a la primera tabla de la segunda fase, ya que nicamente aplicando operaciones con matrices para tratar de llevar esta tabla a la forma apropiada para el mtodo smplex fue suficiente para resolver el problema planteado en la segunda fase. Es necesario aclarar que no siempre ocurrir de esta manera, es decir, si despus de dejar la tabla en la forma apropiada, es necesario aplicar el mtodo smplex, se debe aplicar como lo hemos estudiado. Nota: Independientemente de que el problema original (real) sea de maximizacin o minimizacin, la primera fase siempre consistir en la minimizacin de la suma de todas las variables artificiales.

DUALIDAD
El dual es un problema de PL que se obtiene matemticamente de un modelo primal de PL dado. Los problemas dual y primal estn relacionados a tal grado, que la solucin smplex ptima de cualquiera de los dos problemas conduce en forma automtica a la solucin ptima del otro. El mtodo smplex adems de resolver un problema de PL llegando a una solucin ptima nos ofrece ms y mejores elementos para la toma de decisiones. La dualidad y el anlisis de sensibilidad son potencialidades de ste mtodo. En la mayora de los procedimiento de PL, el dual se define para varias formas del primal, dependiendo de los tipos de restricciones, de los signos de las variables y del sentido de la optimizacin. La experiencia nos indica que en ocasiones, los principiantes se confunden con los detalles de esas definiciones. Ms importante an es que el uso de esas definiciones mltiples puede conducir a interpretaciones

inconsistentes de los datos en la tabla smplex, sobre todo en lo que respecta a los signos de las variables. El concepto de dualidad indica que para cada problema de PL hay una asociacin y una relacin muy importante con otro problema de programacin lineal, llamado precisamente dual.
La relacin entre el problema dual y su asociado, es decir el problema original llamado primal, presenta varias utilidades:

Aporta elementos que aumentan sustancialmente la compresin de la PL. El anlisis de dualidad es una herramienta til en la solucin de problemas de PL, por ejemplo: ms restricciones que variables. El problema dual tiene interpretaciones e informaciones importantes que muestran que los anlisis marginales estn siempre involucrados implcitamente al buscar la solucin ptima a un problema de PL.

La forma estndar general del primal se defina como; para maximizar o minimizar.

sujeto a;

Cmo convertir un problema primal a dual?

Un problema dual se formula de un problema primal de la siguiente forma: 1. Si el primal es un problema de maximizacin su dual ser un problema de minimizacin y viceversa. 2. Los coeficientes de la funcin objetivo del problema primal se convierten en los coeficientes del vector de la disponibilidad en el problema dual. 3. Los coeficientes del vector de disponibilidad del problema original se convierten en los coeficientes de la funcin objetivo (vector de costo o precio) en el problema dual. 4. Los coeficientes de las restricciones en el problema primal, ser la matriz de los coeficientes tecnolgicos en el dual. 5. Los signos de desigualdad del problema dual son contrarios a los del primal. 6. Cada restriccin en un problema corresponde a una variable en el otro problema. Si el primal tiene m restricciones y n variables, el dual tendr n restricciones y m variables. As, las variables Xn del primal se convierte en nuevas variables Ym en el dual.

PROBLEMA PRIMAL EN FORMA CANONICA: MAX Z= CX Sujeto a: AX b X 0 Ejemplo. Si el problema primal es: MAX Z= 45X1 + 17X2 + 55X3 Sujeto a: X1 + X2 + X3 200

PROBLEMA DUAL EN FORMA CA MIN Z= BY Sujeto a: AY C Y 0

9X1 + 8X2 + 10X3 5000 10X1+ 7X2 + 21 X3 4000

Xj 0 El problema dual ser: MIN Z= 200Y1 + 5000Y2 + 4000Y3 Sujeto a: Y1 + 9Y2 + 10Y3 45 Y1 + 8Y2 + 7Y3 17 Y1 + 10Y2 + 21Y3 55 Yj 0 FORMA DE PRESENTAR EL PROBLEMA DUAL MIN = 2X1 - 3X2 Sujeto a: 1X1 + 2X2 12 4X1 - 2X2 3

6X1 - 1X2 = 10 X1,2 0 1. Llevar el problema a su equivalente de maximizacin, multiplicando la funcin objetivo por 1: MAX -2X1 + 3X2 2. Convertir las restricciones en una restriccin equivalente multiplicando por 1 ambos lados: -4x1 + 2x2 -3 3. Para las restricciones de igualdad, obtener 2 restricciones de desigualdad, una de forma y la otra de forma ; despus regresar al punto anterior y cambiar la restriccin a la forma : 6X1 1X2 10

6X1 1X2 10 6X1 1X2 10

-6X1 + 1X2 -10 As el problema primal se ha replanteado en la forma equivalente: MAX Z= -2X1 + 3X2 Sujeto a: 1X1 + 2X2 12 -4X1 + 2X2 - 3 6X1 1X2 10 -6X1 + 1X2 -10 X1,2 0 4. Teniendo el problema primal convertido a la forma cannica de un problema de maximizacin, es fcil llevarlo al problema dual: MIN Sujeto a: Y14Y2 + 6Y36Y3 -2 restriccin 2Y1 + 2Y2 1Y3 + 1Y3 Y1, 2, 3, 3 0 3 12Y1 3Y2 + 10Y3

Y3 y Y3 ambas se refieren a la tercera del problema primal.

EMARIO. I. INTRODUCCION A LA INVESTIGACION DE OPERACIONES Definicin de antecedentes, ubicacin en las organizaciones, metodologa. II. PROGRAMACION LINEAL.

 Modelo de la Programacin Lineal (P.L. General). Propiedades. Formulacin con Programacin Lineal de aplicaciones tpicas en: produccin, seleccin de equipo, procesos, horarios, dieta, etc. Solucin para el problema expresado con Programacin Lineal. Mtodo de solucin grfica con solo dos variables. Visualizacin de conceptos de P.L.; solucin factible y no factible, solucin bsica, solucin nica y no nica, restriccin redundante, solucin degenerada, variable de holgura y superflua. Mtodo de solucin analtica para el problema de P.L. Formas equivalentes del modelo de programacin lineal. Definiciones y teoremas de P.L. Mtodo SIMPLEX y criterios para el cambio de base. Variables artificiales. Mtodo SIMPLEX-PENAL o de la M Grande. Mtodo SIMPLEX-DOS FASES. Casos especiales en la tabla SIMPLEX. Teora de la Dualidad en P.L. Obtencin del Problema Dual en forma cannica. Obtencin del Problema Dual en forma directa. Equivalencia entre las dos obtenciones anteriores Significado de las variables duales e interpretacin econmica. Mtodo DUAL-SIMPLEX y criterios para cambios de base. Estructura matricial de la tabla SIMPLEX. Anlisis de sensibilidad de la solucin ptima de un problema. Cambios en el vector b de recursos de restricciones.

 Cambios en el vector C de coeficientes de la funcin objetivo. Cambios en la matriz A de coeficientes de restricciones. Aplicaciones de la Programacin Lineal a Redes de Flujo. Definicin. Modelo de transporte simple. Definicin. Modelo matemtico de P.L. y tabla usual. Solucin inicial para la optimizacin de un problema. Algortmo de transporte (SIMPLEX-SIMPLIFICADO) para la optimizacin. Ejemplificacin de soluciones degenerada y no degenerada. Modelo de transbordo definicin. Modelo matemtico de transbordo balanceado y sin capacidades. Modelo matemtico de transbordo con capacidades. Problemas y modelo matemtico de ruta mnima. Definicin. Algortmo de Dijkstra para red orientada y no orientada. Algortmo matricial para cualquier red. Problema de rbol mnimo y algortmo de conjunto conectado. Problema y modelo matemtico de flujo mximo Algortmo de Ford-Fulkerson para red orientada Algortmo matricial para cualquier red. INVESTIGACION DE OPRERACIONES.

Es la aplicacin del mtodo cientfico. Por grupos interdisciplinarios. En el estudio de problemas de las organizaciones creads por el hombre buscando un a solucin integral.

Modelo matemtico obligado.

METODO CIENTIFICO Mtodos estadsticos de muestreo. Investigador de operaciones. Administradores. Informticos. GRUPOS Ingenieros. INTERDISCIPLINARIOS Economistas. Contadores. Etc. CREADAS POR EL HOBRE. Enfoque sistmico. ANTECEDENTES. AO. AUTOR. TECNICA DESARROLLADA. 1759 Quesnay Modelos primarios de programacin matemtica. 1873 G.Jordan. Modelos lineales. 1874 Warlas. Modelos primarios de programacin matemtica. 1891 Minkousky. Modelos lineales. 1903 Farkas. Modelos lineales. 1897 Markov. Modelos dinmicos probabilsticos. 1905 Erlang. Lneas de espera. Konig Egervary Asignacin. 1937 Morgerstern. Lgica estadstica. 1937 Von Newman. Teora de juegos. 1939 Kantorovich. Distribucin.

1947 G.Dantzig. Mtodo SIMPLEX. 1950's Bellman. Programacin dinmica. Kun-Tucker. Programacin no lineal. Gomory. Programacin entera. Ford-Fulkerson. Redes de flujo. AO. AUTOR. TECNICA DESARROLLADA. Markowitz. Simulacin. Raifa. Anlisis de decisiones. Arrow-Karli. Inventarios. Siglo XVI..... Newton. Lagrange Probabilidad y. Clculo Diferencial Laplace. Estadstica. Leibnitz. Stieljes. Metodologa de Investigacin de Operaciones: 1 Identifica el problema (partes y objetivos) 2 Observar el Sistema (informacin) 3

Formular un Modelo Matemtico (plantear ) 4 Verificar el Modelo y usarlo en prediccin (evaluar y derivar sol. ) 5 Seleccionar alternativas de solucin 6 Presentar resultados a la organizacin 7 Implementar y evaluar recomendaciones Programacin Lineal A pesar de que la programacin lineal se empez a estudiar desde finales del S.XIX no fue hasta mediados del presente siglo en que tuvo auge como tcnica matemtica aplicable a los problemas de la empresa. El Dr. G. Damtzing desarroll el mtodo simplex y con ello hizo posible la solucin de grandes problemas modelados con programacin lineal que solo quedaban en la situacin de estudios. Paralelamente a la invencin de este mtodo a partir de mediados del siglo se desarrollo la computacin digital y se pudo tener resultados ptimos a los problemas estudiados que se quedaron como modelos. La programacin lineal es actualmente la tcnica matemtica utilizada mas actualmente gracias a que el algoritmo simplex es muy eficiente y al desarrollo de la computacin.

Lo que se busca con la aplicacin de la programacin lineal es resolver problemas comunes y a la vez muy variados de la empresa en donde en general se tienen necesidades por satisfacer con cierto nmero de recursos limitados o escasos y con el objetivo de lograrlo en forma ptima. Esto significa la bsqueda de un valor mximo cuando se trata de beneficios; o bien la bsqueda de un mnimo cuando se trata de esfuerzos a desarrollar. Un modelo de programacin lineal es un conjunto de expresiones matemticas las cuales deben cumplir la caracterstica de linealidad que puede cumplirse siempre y cuando las variables utilizadas sean de primer grado. Adems un modelo de P.L debe tener las propiedades de:

Proporcionalidad Aditividad (adicin) Divisibilidad Certidumbre(certeza)

Antes de formular un modelo general para P.L conviene ilustrar algunos ejemplos que faciliten la interpretacin de la generalizacin Ejemplo de produccin: Una empresa ha dejado de fabricar ciertos productos, liberando de esta forma las cargas de produccin que tenan sus equipos en los departamentos de maquinado. Ahora se tienen horas mquina que se pueden utilizar en los productos denominados 1,2,3 de la siguiente manera: Mquina Horas por pieza de producto Horas Maq. Disponibles 1 2 3 por semana Fresadora 9 3 5 500 Torno 5 4 - 350 Rectificadora 3 - 2 150 Utilidad $/ pieza 50 20 25 Recomendacin del Mnimo Mnimo Mnimo Depto. Vtas a Prod. 30 15 20 Formular un modelo de P.L para este problema

Definicin de variables a utilizar en el mtodo de programacin lineal

Sea: Xj = numero de piezas de producto j(j=1,2,3) a fabricar para maximizar la utilidad.

Funcin econmica y objetivo:

MAX Z= 50X1 + 20X2 + 25X3 [ (Dls/Unidad) (Unidad/Sem)] = [Dls/Sem.] sujeta a restricciones de horas mquina disponibles por semana Fresadora : 9X1 + 3X2 + 5X3 * 500 horas mquina fresadora Torno: 5X1 + 4X2 * 350 horas mquina torno Rectificadora: 3X1 + 2X3 * 150 horas maquina rectificadora Condiciones de signos pare las variables: X1 * 30 piezas X2 * 15 piezas X3 * 20 piezas Ejemplo de inversin: Se desean invertir 2 millones de dlares en 6 tipos de inversin cuyas caractersticas son las siguientes: Tipo de Inters Factor de Plazo promedio Inversin Anual(%) Riesgo de inversin 1 8.5 0.02 8 2 9 0.01 2 3 8.5 0.38 5 4 14.3 0.45 6 5 6.7 0.07 2 6 13 0.35 4

El factor de riesgo significa la probabilidad de que el rendimiento real sea inferior al esperado. Se considera ventajoso un perodo promedio ponderado de inversin de ciando menos 5 aos; pero el factor promedio ponderado de riesgo no debe ser superior a 0.20. La ley prohibe que la suma de las inversiones de los tipos 4 y 6 sea mayor al 25% del total de la inversin. Con P.L formule un modelo de P.L para decidir cmo invertir para maximizar el rendimiento de los 2 millones de dlares. (SOL. A)

Definicin de variables

Sea: Xj = cantidad de dlares a invertir en el tipo j(j=1,2,3,4,5,6) para maximizar el rendimiento.

Funcin objetivo

MAX Z= 0.085X1 + 0.09X2 + 0.85X3 + 0.143X4 + 0.067X5 +0.13X6 sujeta a restricciones: 1) X1 + X2 + X3 +X4 + X5 + X6 = 2,000.000 dls. 0.02X1 + 0.01X2 + 0.38X3 + 0.45X4 + 0.07X5 + 0.35X6 * 0.2 (2,000.000) = 400,000 dls. 8X1 + 2X2 + 5X3 +6X4 + 2X5 + 4X6 * 5 (2,000.000) = 10,000.000 dls. X4 + X6 * 0.25 (2,000.000) = 5,000.000 dls. X1, X2, X3, X4, X5, X6 * 0 (SOL. B)

Definicin de variables

Sea: Xj = Fraccin capital a invertir en el tipo j(j=1,2,3,4,5,6) para maximizar el rendimiento.

Funcin econmica y objetivo:

MAX Z= 8.5X1 + 9X 2 + 8.5X3 + 14.3X 4 + 6.7X5 +13X 6 sujeta a restricciones: 1) X1 + X2 + X3 +X4 + X5 + X6 = 1 (capital)

 0.02X1 + 0.01X2 + 0.38X3 + 0.45X4 + 0.07X5 + 0.35X6 * 0.2 (1) = 0.2 8X1 + 2X2 + 5X3 +6X4 + 2X5 + 4X6 * 5 (1) = 5 X4 + X6 * 0.25 (1) = 0.25 X1, X2, X3, X4, X5, X6 * 0 Ejemplo: Problemas de mezcla en la inversin. Definicin de variables: Sea: xj = Fraccin del capital a invertir en la tipo j (j = 1,2,...,6) para maximizar el rendimiento. Funcin objetivo: Max. z = 8.5 x1 + 9 x2 + 8.5x3 + 14.3x4 + 6.7x5 + 13x6 Sujeto a restricciones: x1 + x2 + x3 + x4 + x5 + x6 = 1 (Factor de riesgo) 0.02x1 + 0.01x2 + 0.38x3 + 0.45x4 + 0.07x5 + 0.35x6 " 0.2 (1) = 0.2 8x1 + 2x2 + 5x3 + 6x4 + 2x5 + 4x6 " 5(1) = 5 x4 + x6 " 0.25 (1) = 0.25 x1,x2,...,x6 " 0 [sta es otra forma de plantear el problema] Problema de establecimiento de horario. En un sector de la ciudad se tiene el siguiente requerimiento de policas: PERIODO DEL DIA HORA DEL DIA. POLICIAS REQUERIDOS (") 1 06-10 300 2 10-14 350 3 14-18 425 4 18-22 450 5 22-02 250 6 02-06 200

El periodo #1 sigue inmediatamente del 6. Cada polica debe laborar 8 hrs consecutivas. Formular un modelo de programacin lineal de este problema. PERIODO/HORA 1 2 3 4 5 6 REQUERIDOS. X1 X6 X1 X2 X2 X3 X3 X4 X4 X5 X5 X6 06-10 10-14 14-18 18-22 22-02 02-06

" 300

" 350

" 425

" 450

"250

"200

Definicin de variables: Sea xj = Nmero de policas que inician el periodo j (j = 1,2,3,...,6) Funcin objetivo: Min. z = x1 + x2 + x3 + x4 + x5 + x6 (policas mnimos para cubrir turnos [6]) Sujeto a restricciones: x1 + + x6 " 300 x1 + x2 " 350 x2 + x3 " 425 x3 + x4 " 450 x4 + x5 " 250 x5 + x6 " 200 .... toda xj " 0 Ejemplo: Problema de aprovechamiento de recursos.

Una empresa papelera recibe un pedido de rollos de papel de la misma calidad y espesor para los siguientes anchos: 500 rollos de 30 in, 450 rollos de 45 in y 150 rollos de 56 in. En las bodegas de la empresa solo se tiene existencia en esta calidad de papel en ancho de 108 in, por lo que se piensa deben someterse a un proceso de corte longitudinal si se desea cumplir la demanda de este pedido. Formular un modelo de programacin lineal correspondiente a este problema.

108 cm CORTE Definicin de variables: Sea xj = # de cortes del tipo j (j = 1,2,....,5) necesarios para cumplir el pedido con mnimo desperdicio de papel. Funcin objetivo (o econmica): Min. z = 18x1 + 3x2 + 22x3 + 18x4 + 7x5 Sujeto a restricciones: 3x1 + 2x2 + x3 " 500 rollos de 30' x2+ x4 + x5 " 450 rollos de 45' x3 + x5 " 150 rollos de 56' ...las unidades: Rollos Corte Corte = Rollos ...para restricciones. in corte corte = in ...para funcin objetivo.

Toda xj " 0 Problema de almacenamiento en el transporte. Un barco tiene las siguientes capacidades de almacenamiento en sus bodegas de popa, centro y proa. Los dueos del barco pueden elegir una porcin o toda la carga de los productos A, B y C, cuyas caractersticas se tabulan a continuacin. Adems, para preservar el equilibrio del barco debe cumplirse con una carga proporcional a la capacidad de las respectivas bodegas. BODEGA PROA (1) CENTRO (2) POPA (3) PRODUCTOS A B C CAPACIDAD TONELADAS 3000 2000 1500 TNS A TRANSPORTAR 3500 2500 2000 m3/Ton 60 50 25 CAPACIDAD m3 130000 10000 30000 UTILIDAD (MILES DLS/TN) 8 7 6

Definicin de variables: Sea: xij = toneladas del producto j (j = A,B,C) a cargar en la bodega i (i = 1,2,3) para maximizar la utilidad en el viaje. Funcin objetivo: Max z = 8(x1A + x2A + x3a) + 7(x1B + x2B + x3B) + 6(x1C + x2C + x3C) ...con unidades Miles de dls. Ton Ton = miles de dlares Sujeto a restricciones: x1A + x1B + x1C " 3000 Ton. Capacidad en Ton x2A + x2B + x2C " 2000 x3A + x3B + x3C " 1500 60x1A + 50x1B + 25x1C " 130000 m3.

Capacidad en Ton 60x2A + 50x2B + 25x2C " 100000 60x3A + 50x3B + 25x3C " 30000 x1A + x1B + x1C " 3500 Ton. Capacidad en Ton x2A + x2B + x2C " 2500 x3A + x3B + x3C " 2000 Proporcin de carga en las bodegas: x1A + x1B + x1C = x2A + x2B + x2C = x3A + x3B + x3C " 1 3000 2000 1500 Modelo de programacin lineal general. Definicin de variables: Sea xj = #.... ; j = 1, 2, 3....n Funcin objetivo: Trminos del primer grado que se sumen. Max. o Min. z = C1x1 + C2x2 + ... + Cjxj + ... + Cnxn ...donde n = # total de valores j = ocurrencia. Sujeto a restricciones: i = 1, 2, 3, ... , m a11x1 + a12x2 + ... + a1jxj + ... + a1nxn " = " b1 a21x1 + a22x2 + ... + a2jxj + ... + a2nxn " = " b2 ai1x1 + ai2x2 + ... + aijxj + ... + ainxn " = " bi

 am1x1 + am2x2 + ... + amjxj + ... + amnxn " = " bm Condiciones de signo para variables: toda xj " 0 Modelo general de programacin lineal resumido en: Sumatorias. Definicin de variables: sea xj = # ; j = 1, 2, 3, ... , n Funcin objetivo: (Max./Min.) z = " cjxj ... sujeta a: "aijxj " = " bi i = 1, 2, 3, ... , m ... condiciones de signo: " xj " 0 Con vectores. (Max./Min.) z = Cx ... sujeto a: Ax " = " b x"0 Propiedades que debe de seguir el modelo de programacin lineal. Proporcionalidad. En el modelo de programacin lineal los pagos deben ser proporcionales. El modelo de programacin lineal es esttico, plantea una situacin del momento. x = progreso de la actividad Aditividad. Siempre los pagos se suman. Requerimientos. Costos y Utilidades.

Divisibilidad. Las variables involucradas en el modelo de programacin lineal pueden no ser un nmero entero... Si los valores son muy pequeos no importa el redondeo. Si son muy altos afecta el redondeo. Certidumbre. Todos los parmetros que se manejan deben ser pasados con certeza. Mtodos de solucin del modelo de programacin lineal. El modelo de programacin lineal se puede resolver tanto grfica como analticamente, pero para problemas de tamao comn que se encuentran como aplicaciones, la solucin grfica no es til. En cambio, la solucin analtica utilizando el algortmo SIMPLEX que se ver posteriormente es el procedimiento normal para la bsqueda de la solucin ptima de un problema. Mtodo de solucin grfica. La gran limitacin que se tiene con el mtodo de solucin grfica con programacin lineal es que su aplicacin slo puede hacerse a problemas con dos y cuando mucho tres variables, en este curso se ejemplifica para problemas solo con dos variables. A pesar de tal inconveniente, el mtodo grfico resulta til para exposicin e ilustracin de los conceptos de la programacin lineal. Ejemplo: Max. z = 3x1 + 5x2 ... sujeto a: x1 " 4 .......... (1) 2x2 " 12 .......... (2) 3x1 + 2x2 " 18 .......... (3) x1 ; x2 " 0 Expresar geomtricamente el sistema dentro del grfico; rango de valores. x1 " 4 2 x2 " 12 3 x1 + 2 x2 " 18 (1) (4,0) F (2) x2 " 6 (3) x1 x2 (0.6) A 09

(0,9) B (6,0) J Las desigualdades son fronteras o divisin del espacio plano. Si la recta no pasa por el origen, se toman en cuenta las coordenadas de O. Espacio solucin: Satisface al sistema (factible) posible. Conjunto de soluciones factibles. Si se satisface la restriccin, el origen pertenece al semiplano que satisface la restriccin. (1) (3) 3x1 = 12 H x1= 4 x1 = 4 3x1 + 2x2 = 18 H = (4,3) 2x2 = 6 ; x2 = 3 Trazo de la funcin econmica VALOR RELATIVO z (5,0) (0,3) Mltiplo de los coeficientes que nos dan la pendiente de la funcin. z = 15 supuesto ...trasladar a z en cualquier direccin respetando la pendiente (paralela a la obtenida). Haciendo coincidir z con todos los vrtices conocidos nos damos cuenta que a medida que se aleja del origen crece. El punto mximo es C. ... donde z = 3(2) + 5(6) = 36 Max z = 36 Los vrtices son capaces de generar lo OPTIMO. CONVEXIDAD: Si dados dos puntos cualesquiera contenidos en el conjunto y se unen mediante el segmento y si se cumple para todo par de puntos, es convexo. Para resolver mediante el algortmo SIMPLEX, el conjunto debe ser CONVEXO.

CONJUNTO CONVEXO: un conjunto es convexo si dados dos puntos A y B cualesquiera, contenidos en el mismo, el segmento de recta que los une queda contenido en dicho conjunto totalmente. DEFINICION MATEMATICA: Un conjunto convexo se forma por combinacin convexa lineal entre dos puntos A y B como sigue: P = A + B(1 - ) para 0 " " 1 ...donde A y B son vectores y es un escalar. Ejemplo: Obtener un punto p que sea CCL entre dos vrtices A y F con = . P = ((0,6) ) + (4,0) (1 - ) P = (0,3) + (2,0) P = (2,3) OJO: NO SE PUEDEN GENERAR LOS VERTICES. METODO GRAFICO. Ejemplo: Max z = 3x1 + 5x2 ...sujeta a: x1 " 4 ... (1) 2x2 " 12 ... (2) 3x1 + 2x2 " 18 ... (3) x1 ; x2 " 0 CONJUNTO CONVEXO: Un conjunto es convexo si dados dos puntos A y B contenidos en el mismo, el segmento de recta que losa une queda contenido totalmente en dicho conjunto. DEFINICION MATEMATICA: Un conjunto convexo se forma por combinacin convexa lineal entre dos puntos A y B como sigue: P = A + B(1 - ) para 0 " " 1 Ejemplo: Obtener un punto P que sea CCL entre los vrtices A y F con = P = (0,6) + (4,0) (1 - 9 = (0,3) + (2,0) " P = (2,3)

(pueden calcularse as todos los puntos a excepcin de los vrtices) Cuando se tienen desigualdades ha y que convertir a igualdades (ec. lineales). Tomando la restriccin 3: En este caso coincidi, pero no lo sabamos, si no fuera as, necesitamos una nueva variable x llamada holgura y retomando el ejemplo anterior se tendra: x1 + x3 = 4 ... (1) 2x2 + x4 = 12 ... (2) 3x1 + 2x2 + x5 = 18 ... (3) x3 , x4 , x5 HOLGURA. x1 ... x5 " 0 ...y se tiene un sistema ampliado a 5 dimensiones. VERTICE O A C F H B J R X1 0 0 2 4 4 0 6 4 X2 0 6 6 0 3 9 0 6 X3 4 4 2 0 0 4 -2 0 X4 12 0 0 12 6 -6 12 0 X5 18 6 0 6 0 0 0 -6 OBNES. FACTIBLE FACTIBLE FACTIBLE FACTIBLE FACTIBLE

... en las observaciones se sealan los puntos como factibles porque cumplen con la no negatividad, pero los puntos B, J y R no cumplen con la condicin de no negatividad, lo cual nos indica que no son factibles. Retomando el sistema anterior, solo cambiaremos el signo de desigualdad de (3) que ser ". 3x1 + 2x2 " 18 ... (3) Agregaremos al sistema ahora una 4 restriccin, siguiendo con la condicin de no negatividad. 3x1 + 2x2 " 18 ... (4) (x1 , x2 )

si .... (0 , 12 ) 4 y si ... (8 , 0 ) Ampliando el sistema inmediato anterior, podemos hacer lo mismo que antes con 1, 2 y 4, pero no con 3 porque el signo es " y nos indica que mnimo 18 y necesitaremos una VARIABLE SUPERFLUA o de HOLGURA NEGATIVA. VERTICE O A C F H B J R X1 0 0 2 4 4 0 6 4 X2 0 6 6 0 3 9 0 6 X3 4 4 2 0 0 4 -2 0 X4 12 0 0 12 6 -6 12 0 X5 -18 -6 0 -6 0 0 0 6 X6 24 12 6 12 6 6 6 0 OBSERVACIONES NO FACTIBLE NO FACTIBLE FACTIBLE NO FACTIBLE FACTIBLE NO FACTIBLE NO FACTIBLE FACTIBLE

Ojo: en el rengln R de la tabulacin anterior hay tres ceros, a diferencia del resto de la misma tabulacin y de la anterior de 5 dimensiones. Esto se debe a que por ese punto pasan 3 rectas y por el resto convergen solo dos rectas. En el punto R intersectan: 12 R14

... y se dice que el punto como tal es NO UNICO. Y tomando en consideracin que para un solo punto se requiere de una interseccin, el resto de los puntos es UNICO. Se dice entonces que el punto R tiene: SOLUCION FACTIBLE SOLUCION NO UNICA ... y solo cuando se dan las dos anteriores soluciones se llama SOLUCION DEGENERADA. Un vrtice no nico se establece cuando hay redundancia.

Observaciones caractersticas. ...el vrtice O es NO FACTIBLE y UNICO. A es NO FACTIBLE y UNICO. C es FACTIBLE y UNICO. F es NO FACTIBLE y UNICO. H es FACTIBLE y UNICO. B es NO FACTIBLE y UNICO. J es NO FACTIBLE y UNICO. R es FACTIBLE, UNICO y DEGENERADO. ...y por lo tanto, del grfico anterior decimos entonces que C y H son no degeneradas. DEFINICIONES: SOLUCION: Es un conjunto de valores para las variables o bien un vector X = (x1 , x2 , ... , xj , xj+1 , ... , xn , xn+1 , ... , xn+m ) que satisface al conjunto de restricciones SOLUCION FACTIBLE: Es un conjunto de valores para las variables o bien un vector X = (x1 , x2 , ... , xj , xj+1 , ... , xn , xn+1 , ... , xn+m ) que satisface al conjunto de restricciones ...y adems satisface a toda xj " 0 . SOLUCION BASICA: Es una solucin que se obtiene al hacer nulas, al menos, (m+n)-m variables, en donde m = # total de restricciones, n = # de variables de decisin (originales) [en el ejemplo, m = 3 y n = 2 ! (3+2) - 3 = 2 ... en el ejemplo de 4 restricciones m = 4 y n = 2, resultando (4 + 2) - 4 = 2 .... y por esto, en el sistema ampliado se tiene en VERTICE : SOLUCIONES BASICAS]. ...y se resuelve el sistema para las restantes. SOLUCION BASICA FACTIBLE: Es una solucin bsica que cumple toda xj " 0.

SOLUCION DEGENERADA: Es una solucin bsica factible que tiene menos de m variables estrictamente positivas. SOLUCION NO DEGENERADA: Es una solucin bsica factible con exactamente m variables estrictamente positivas. SOLUCION OPTIMA: Es una solucin bsica factible que optimiza la funcin La `solucin' en el grfico 1 y 2 sera solo el rea sombreada. La `solucin factible' en 1 cuando cumple con " 0 y en 2 coincide con `solucin' (polgono A, C, H, F, O) `Solucin bsica' en 1 todos los vrtices pero en 5 dimensiones y en 2 solo C, R, H pero en 6 dimensiones. Ejemplo: Mix z = 4x1 + 3x2 ...sujeta a: x1 + x2 " 6 ... (1) 2x1 - x2 " 0 ... (2) x1 " 2 ... (3) x1 ; x2 " 0 x1 , x2 2x1 = x2 x1 , x2 , 6) B 1 2 2(0) = 1(0) : (0,0) O 3 (2 , 0) F (6 , 0) A 2(1) = 1(2) : (1,2) 2(2) = 1(4) : (2,4) C El conjunto anterior se diferenca de los anteriores porque es un CONJUNTO ABIERTO y al pedir un mximo, se tendra una solucin SIN LMITE. Recordar que si el origen se encuentra en el conjunto factible, al pedirse minimizar, esta se llama solucin trivial. 4(2) + 3(4) = 20 ....[Min] Considerando Min z

4(6) + 3(0) = 24 Resolviendo analticamente: x1 + x2 - x3 " 6 2x1 - x2 - x4 " 0 x1 - x5 " 2 x1, x2 , x3 , x4 , x5 " 0 (los vrtices en 2 dimensiones pasan a ser soluciones bsicas en 3 dimensiones) VERTICES O SOLUCIONES BASICAS B F O C A

X1 0 2 0 2 6

X2 6 0 0 4 0

X3 0 -4 -6 0 0

X4 -6 4 0 0 12

X5 -2 0 -2 0 4

CARACTERISTICAS N.FACTIBLES, UNICA N.FACTIBLES, UNICA N.FACTIBLES, NO UNICA N.FACTIBLES, NO UNICA, DEGE. N.FACTIBLES, UNICA

La degeneracin en C se provoca por una restriccin redundante : 3 C se genera de la simultaneizacin de las rectas 1,2 ; 2,3 ; 1,3 y se tienen 3 soluciones bsicas. Como en el grfico anterior el nmero de soluciones bsicas es infinito y hacemos o tomamos solo soluciones bsicas: # mximo de m + n = m + n = m + n ! soluciones bsicas m n m! n! m = # de restricciones. n = # de variables de decisin. # = 3 + 2 = 3 + 2 = 5 = 5 = 5 ! = 10 3 2 3 2 3! 2! En los ejemplos anteriores no cambia el nmero mximo, pero las lneas horizontal y vertical o cruzan el eje contrario.

El modelo de programacin lineal se puede presentar en diferentes formas y algunas de ellas resultan importantes para el manejo de los temas siguientes del curso. FORMA CANONICA: Esta es til para el manejo del tema que se refiere al problema dual de cualquier problema de programacin lineal. La forma cannica aceptable y reconocida en la mayora de los textos debe cumplir con lo s siguientes requisitos: Funcin objetivo maximizar. Restricciones del tipo ". Condiciones de negatividad para variables. Otra forma legtima para considerar como cannica es cumpliendo con los siguientes requisitos: Funcin objetivo de minimizar. Restricciones del tipo ". Condiciones de no negatividad para variables. FORMAS CANONICAS. Maximizar. Minimizar. z = Cx z = Cx sujeto a: sujeto a: Ax " b Ax " b x"0x"0 Max z = 3x1 + 5x2 (-1) Min z = -3x1 - 5x2 Suj. a: Suj. a: x1 " 4 -x1 " -4 2x2 " 12 - 2x2 " -12 3x1 + 2x2 " 18 -3x1 - 2x2 " -18 x1 ; x2 " 0

FORMA ESTANDAR: El modelo de programacin lineal para resolverse, necesita arreglarse para igualdades, lo cual se consigue utilizando tanto variables de holgura como variables superfluas. Lo anterior da lugar a la presentacin del modelo cumpliendo con l os siguientes requisitos: Funcin objetivo para Max. o bien Min. Restricciones del tipo =. Lado derecho de restricciones no negativo. Condiciones de no negativo para variables. FORMA IRREGULAR: El modelo de programacin lineal generalmente se presenta en forma irregular; es decir, no cumple con la forma cannica ni tampoco forma estndar, pero mediante el procedimiento algebraico se puede conseguir convertir a un modelo que cumpla las formas mencionadas tal como se ve en el siguiente ejemplo: Formas equivalentes del modelo de programacin lineal. Ejemplo: Max z = 5x1 - x2 + 3x3 ...sujeta a: x1 + 2x2 + 4x3 " 12 ... (1) x2 + x3 = 5 ... (2) 2x1 - x2 + 5 x3 " 6 ... (3) x1 ; x2 " 0 ; x3 LIBRE Formas cannicas (en forma vectorial) Max z = Cx Min z = Cx sujeto a: sujeto a: Ax " 0 Ax " 0 x"0x"0 .....en el caso anterior conviene usar Max para no invertir la funcin objetivo. Forma cannica. Algo que incomoda es x1 " 0 y entonces se hace un acuerdo matemtico para crear otra variable x1 como se hace a continuacin:

x1 " 0 ! -x1' = x1 " 0 ...la hicimos igual a x1' y luego multiplicamos todo por -1. (-x1' = x1 " 0) (-1) =! x1' = -x1 " 0 ...ahora para x3 : x3 = (x3+ - x3-) x3+ ; x3- " 0 si... x3+ > x3- ! x3 > 0 x3+ < x3- ! x3 < 0 x3+ = x3- ! x3 = 0 iniciando... Max z = 5x1 - x2 + 3x3 ! z = 5x1' - x2 + 3x3+ - 3x3...sujeta a: x1' + 2x2 + 4x3+ - 4x3- " 12 ... (1) Para la restriccin original (2) no tengo un proceso especfico, pero se ponen en sustitucin de esta restriccin de igualadad a 2 restricciones de desigualdad con signos opuestos (mismo trminos). x2 + x3+ - x3- " 5 ........ (2+) x2 + x3+ - x3- " 5 ........ (2-) ...pero como no tenemos que tener aqu " , entonces multiplicamos a 2- por (-1) y queda de la siguiente forma: -x2 - x3+ + x3- " -5 ........ (2-) Pasando a la restriccin (3), hay que multiplicarla por (-1) sin dejar de tomar el signo para x1'. 2x1' + x2 - 5x3+ + 5x3- " -6

x1' = -x1 " 0 ; x2 , x3+ ; x3- " 0 Agrupando todo lo anterior resulta la forma cannica. Forma estndar. Max/Min z = Cx Sujeta a: Ax=b x"0 Max z = 5x1' - x2 + 3x3' - 3x3' Sujeta a: (tomando las originales y tomando los arreglos para variables) - x1' + 2x2 + 4x3+ - 4x3- + x4 = 12 ..... (1) x2 + x3+ - x3- = 5 ..... (2) - 2x1' - x2 + 5x3+ - 5x3- - x5 = 6 ..... (3) SUPERFLUA x1' ; x2 ; x3+ ; x3- ; x4 y x5 " 0 ......quedando de esta manera la forma estndar. Ejercicio: Min z = 4x1 + 3x2 - x3 Sujeta a: 2x1 - x2 + 2x3 = 14 ..... (1) x1 + x2 + 3x3 " 8 ..... (2) 3x2 + 2x3 " 4 ..... (3) x1 LIBRE ; x2 " 0 ; x3 " 0 Forma cannica. -x2' = x2 " 0 x1 = (x1+ - x1-) x1+ > x1- ! x1 > 0

x2' = -x2 " 0 x1+ " 0 ; x1- " 0 x1+ < x1- ! x1 < 0 x1+= x1- ! x1 = 0 Min z = 4x1+ - 4x1- - 3x2' - x3 Sujeta a: (2x1+ - 2x1- + 2x2' + 2x3 " 14) (-1) 2x1+ - 2x1- + 2x2' + 2x3 " 14 ..... (1-) -2x1+ + 2x1- - 2x2' - 2x3 " -14 ..... (1+) (x1+ - x1- - 2x2' + 3x3 " 8) (-1) -x1+ + x1- + 2x2' - 3x3 " 8 ..... (2) - 3x2' + 2x3 " 4 .....(3) ! -2x1+ + 2x1- - x2' - 2x3 " -14 ..... (1+) 2x1+ - 2x1- + x2' + 2x3 " 14 ..... (1-) -x1+ + x1- + 2x2' - 3x3 " 8 ..... (2) - 3x2' + 2x3 " 4 ..... (3) x1+ ; x1- ; x2' ; x3 " 0 Forma estndar. -x2' = x2 " 0 x1 = (x1+ - x1-) x2' = -x2 " 0 x1+ " 0 ; x1- " 0 Min z = 4x1+ - 4x1- - 3x2' - x3 Sujeta a: 2x1+ - 2x1- + x2' + 2x3 " 14 ..... (1) x1+ - x1- - 2x2' + 3x3 + x4 " 8 ..... (2)

- 3x2' + 2x3 - x5 " 4 ..... (3) x1+ ; x1- ; x2' ; x3 ; x4 ; x5 " 0 MTODO SIMPLEX. El mtodo smplex fue desarrollado en 1947 por el Dr. George Dantzig y conjuntamente con el desarrollo de la computadora hizo posible la solucin de problemas grandes planteados con la tcnica matemtica de programacin lineal. El algortmo denominado smplex es la parte medular de este mtodo; el cual se basa en la solucin de un sistema de ecuaciones lineales con el conocido procedimiento de GaussJordan y apoyado con criterios para el cambio de la solucin bsica que se resuelve en forma iterativa hasta que la solucin obtenida converge a lo que se conoce como ptimo. Las definiciones siguientes fundamentadas en 3 importantes teoremas, ayudan a entender la filosofa de este eficiente algortmo. Teoremas de la Programacin Lineal. El conjunto de soluciones factibles para un problema de P.L. es un conjunto convexo. La solucin ptima del problema de programacin lineal , si existe, es un punto extremo (vrtice) del conjunto de soluciones factibles. Si dicha solucin ptima se tiene para ms de un punto extremo, entonces tambin optimiza en cualquier punto que sea combinacin convexa lineal entre los dos vrtices que optimiza. ...y suponiendo que la funcin objetivo fuera: Max zC = 6x1 + 4x2 ! 6(2) + (6) = 36 Max zH = 6(4) + 4(3) = 36 Max zA = 6(0) + 4(6) = 24 Calcular P como CCL entre C y H con = P = C + (1 - ) H P = (2 , 6) + ( 1 - ) (4 , 3) P = ( , 3/2) + (3 , 9/4) = (7/2 , 15/4) ... y retomando el grfico anterior: ZP = 6 (7/2) + 4 (15/4) = 36

 El nmero mximo de puntos extremos (vrtices) por revisar en la bsqueda de la solucin ptima del problema es finito y coincide con el nmero mximo de soluciones bsicas nicas que se pueden determinar mediante el binomio... m + n = m + n = (m+n) ! m n m! n! DIAGRAMA FUNCIONAL DEL METODO SIMPLEX. NO SI CRITERIOS DEL ALGORITMO SIMPLEX PARA EL CAMBIO DE BASE. El algortmo smplex maneja exclusivamente soluciones bsicas y que cumplan con factibilidad; es decir, todas las variables deben ser no negativas. Por lo tanto, para el manejo de las soluciones bsicas factibles y su valoracin, requiere de la aplicacin de ciertos criterios fundamentados en los teoremas ya mencionados. Por cada intento de clculo es necesario aplicar los siguientes criterios:

Criterio de optimalidad. Se aplica en el algortmo smplex para determinar entre las variables no-bsicas, una que entre a la base, eligiendo aquella no-bsica con el coeficiente ms negativo en el rengln z de la tabla smplex; si el problema tiene el objetivo de maximizar. En caso contrario, es decir, para minimizar, debe elegirse para variable entrante a la base a aquella que tenga el coeficiente ms positivo en el rengln z de la tabla. Criterio de factibilidad. Se aplica en el algoritmo smplex para determinar entre las variables bsicas a una que salga de la base, aplicando la siguiente funcin.

xi Min ; solo a i k > 0 aik Esto es vlido tanto para problemas de maximizar como de minimizar. Elemento pivote. Se declara como elemento pivote a aqul coeficiente que se ubica en el cruce de la columna `k' y el rengln `i' elegidos en los dos criterios ya anotados.

Ejemplo: Resolver con el mtodo smplex el siguiente modelo de programacin lineal. Max z = 3x1 + 5x2 ...sujeta a: x1 " 4 (1) 2x2 " 12 (2) 3x1 + 2x2 " 18 (3) x1 ; x2 " 0 ... conseguir la forma estndar Max z = 3x1 + 5x2 ...sujeta a: x1 + x3 " 4 (1) Bloque #1 2x2 + x4 " 12 (2) 3x1 + 2x2 + x5 " 18 (3) x1 ; x2 ; x3 ; x4 , x5 " 0 holguras FORMA MATRICIAL.