You are on page 1of 8

UNIDAD 1 INVESTIGACIN DE OPERACIONES

UNIDAD 1. PROGRAMACIN LINEAL.


1.1 Modelo de programacin lineal con dos variables.
1.2 Solucin grfica.
1.3 Anlisis grfico de sensibilidad.
1.4 Mtodo simplex.
1.5 Solucin artificial de inicio.
1.5.1 Mtodo M.
1.5.2 Mtodo de dos fases.


PROGRAMACIN LINEAL.
La programacin lineal se aplica a modelos de optimizacin en los que las funciones objetivo y
restriccin son estrictamente lineales. La tcnica se aplica en una amplia variedad de casos, en los
campos de agricultura, industria, transporte, economa, salud, ciencias sociales y de la conducta, y
militar.
Tambin produce algoritmos eficientes de cmputo para problemas con miles de restricciones y
variables. En realidad, debido a su tremenda eficiencia de clculo, la programacin lineal forma la
columna vertebral de los algoritmos de solucin para otros modelos de investigacin de
operaciones, como las programaciones entera, estocstica y no lineal.
Comenzaremos con el caso de un modelo de dos variables, y presenta su solucin grfica. Esta
solucin grfica permite tener una perspectiva del desarrollo del mtodo smplex, tcnica
algebraica general


1.1 MODELO DE PROGRAMACIN LINEAL CON DOS VARIABLES.
Esta seccin explicar la solucin grfica de una programacin lineal con dos variables. Aunque en
la prctica casi no existen problemas con dos variables, la presentacin aportar ideas concretas
para el desarrollo del algoritmo de solucin general que se presentar en el captulo 3.
Ejemplo 2.1-1 (La compaa Reddy Mikks)
Reddy Mikks produce pinturas para interiores y exteriores, M1 y M2. La tabla siguiente proporciona
los datos bsicos del problema.


Ton de materia prima de
Pinturas
para
exteriore
s
Pinturas
para
interiores
Disponibilidad
diaria
mxima
(ton)
Materia prima, M1 6 4 24
Materia prima, M2 1 2 6
Utilidad por ton (miles
de $)
5 4


Una encuesta de mercado indica que la demanda diaria de pintura para interiores no puede ser
mayor que 1 tonelada ms que la de pintura para exteriores. Tambin, que la demanda mxima
diaria de pintura para interiores es de 2 toneladas.
Reddy Mikks desea determinar la mezcla ptima (la mejor) de productos para exteriores y para
interiores que maximice la utilidad diaria total.
El modelo de programacin lineal, como en cualquier modelo de investigacin de operaciones,
tiene tres componentes bsicos.
1. Las variables de decisin que se trata de determinar.
2. El objetivo (la meta) que se trata de optimizar.
3. Las restricciones que se deben satisfacer.
La definicin correcta de las variables de decisin es un primer paso esencial en el desarrollo del
modelo. Una vez hecha, la tarea de construir la funcin objetivo y las restricciones se hace en
forma ms directa.
Para el problema de Reddy Mikks, se necesita determinar las cantidades a producir de pinturas
para exteriores e interiores. As, las variables del modelo se definen como sigue:
x = Toneladas producidas diariamente, de pintura para exteriores
x = Toneladas producidas diariamente, de pintura para interiores
Para formar la funcin objetivo, la empresa desea aumentar sus utilidades todo lo posible. Si z
representa la utilidad diaria total (en miles de dlares), el objetivo de la empresa se expresa as:
Maximizar z = 5x + 4x
A continuacin se definen las restricciones que limitan el uso de las materias primas y la demanda.
Las restricciones en materias primas se expresan verbalmente como sigue:

Segn los datos del problema,
Uso de la materia prima M1, por da = 6x + 4x toneladas
Uso de la materia prima M2, por da = 1x + 2x toneladas
Ya que la disponibilidad de las materias primas M1 y M2 se limita a 24 y 6 toneladas,
respectivamente, las restricciones correspondientes se expresan como sigue:
6x + 4x 24 (Materia prima M1)
x + 2x 6 (Materia prima M2)
La primera restriccin de la demanda indica que la diferencia entre la produccin diaria de pinturas
para interiores y exteriores, x - x no debe ser mayor que una tonelada, y eso se traduce en x - x
1.
La segunda restriccin de la demanda estipula que la demanda mxima diaria de pintura para
interiores se limita a 2 toneladas, y eso se traduce como x 2.
Una restriccin implcita (o que se sobre entiende) es que las variables x y x no pueden asumir
valores negativos.
Las restricciones de no negatividad, x 0, x0, expresan ese requisito.
El modelo de Reddy Mikks completo es: Maximizar z = 5x + 4x sujeta a:
6x + 4x 24
x + 2x 6
-x + x 6
x 2
x, x 0
Cualquier valor de y x que satisfaga todas las restricciones del modelo es una solucin factible.
Por ejemplo, la solucin x = 3 toneladas diarias y x = 1 tonelada diaria es factible, porque no viola
alguna de las restricciones, incluyendo las de no negatividad. Para comprobar este resultado se
sustituye (x = 3, x = 1) en el lado izquierdo de cada restriccin.
Por ejemplo, en la primera restriccin:
6x + 4x = 6 x 3 + 4 x 1 = 22
Que es menor que 24 en el lado derecho. El valor de la funcin objetivo correspondiente a la
solucin :
(x = 3, x = 1) es z = 5 x 3 + 4 x 1 = 19 (miles de dlares).
Desde el punto de vista de todo el modelo, nos interesa determinar la solucin ptima factible
que produzca la utilidad total mxima y al mismo tiempo satisfaga todas las restricciones.
No se acepta enumerar las soluciones factibles, porque el modelo tiene una cantidad infinita de
ellas. En su lugar, se necesita un procedimiento sistemtico que ubique con eficiencia la solucin
ptima. El mtodo grfico de la seccin 2.3, y su generalizacin algebraica en el captulo 3,
resuelven este punto.
(En el ejemplo anterior, las funciones objetivo y restricciones son lineales, todas. La linealidad
implica que la programacin lineal debe satisfacer dos propiedades: proporcionalidad y aditividad.)
1. La proporcionalidad requiere que la contribucin de cada variable de decisin en la funcin
objetivo, y sus requerimientos en las restricciones, sea directamente proporcional al valor de la
variable. Por ejemplo, en el modelo de Reddy Mikks, las cantidades 5x y 4x expresan las
utilidades por producir x1 y x2 toneladas de pintura para exteriores y para interiores,
respectivamente, y las utilidades unitarias por tonelada son 5 y 4, que definen las constantes de
proporcionalidad. Si, por otra parte, Reddy Mikks ofrece alguna clase de descuentos por cantidad
cuando las ventas son mayores que ciertas cantidades, la utilidad ya no ser proporcional a las
cantidades producidas x y x.
2. La aditividad estipula que la contribucin total de todas las variables en la funcin objetivo y sus
requerimientos en las restricciones, sean la suma directa de las contribuciones o requerimientos
individuales de cada variable. En el modelo de Reddy Mikks, la utilidad total es igual a la suma de
dos componentes individuales de utilidad. Sin embargo, si los dos productos compiten por la
misma parte de mercado en forma tal que un aumento de ventas de uno afecte negativamente al
otro, ya no se satisface la propiedad de aditividad.
CONJUNTO DE PROBLEMAS 2.1A
1. Para el modelo de Reddy Mikks, defina cada una de las siguientes restricciones y exprsela con
una constante del lado derecho:
a) La demanda diaria de pintura para interiores es mayor que la de pintura para exteriores
en al menos 1 tonelada.
b) El uso diario de la materia prima M2 es 6 toneladas cuando mucho, y 3 toneladas
cuando menos.
c) La demanda de pintura para interiores no puede ser menor que la demanda de pintura
para exteriores.
d) La cantidad mnima que se debe producir de pinturas para interiores y para exteriores es
de 3 toneladas.
e) La proporcin de pintura para interiores entre la produccin total de pinturas para
interiores y para exteriores no debe ser mayor que 0.5.
2. Determine la mejor solucin factible entre las siguientes soluciones (factibles y no factibles) del
modelo de Reddy Mikks:
a) x = 1, x = 4
b) x = 2, x = 2
c) x = 2, x = 1.5
d) x = 2, x = 1
e) x = 2, x = -1
3. Para la solucin factible x = 2, x = 2, del modelo de Reddy Mikks, determine
a) La cantidad no usada de la materia prima M1.
b) La cantidad no usada de la materia prima M2.

4. Suponga que Reddy Mikks vende su pintura para exteriores a un mayorista, con un descuento
por volumen. La utilidad por tonelada es $5000 si el mayorista no compra ms de 2 toneladas
diarias, y de $4500 en los dems casos. Se puede traducir esta situacin a un modelo de
programacin lineal?
1.2 SOLUCIN GRFICA DE LA PROGRAMACIN LINEAL
El procedimiento de solucin grfica comprende dos pasos:
1. Determinacin del espacio de soluciones que define todas las soluciones factibles del modelo.
2. Determinacin de la solucin ptima, entre todos los puntos factibles del espacio de soluciones.
Usaremos dos ejemplos en el procedimiento, para mostrar cmo se manejan las funciones objetivo
de maximizacin y de minimizacin.
-pag 14 a la 22- libro inv de operaciones hamdy a taha

1.3 ANLISIS GRFICO DE SENSIBILIDAD.
Un modelo de programacin lineal es una foto instantnea de una situacin real en la que los
parmetros del modelo (coeficientes de la funcin objetivo y de las restricciones) asumen valores
estticos. Para aumentar la aplicacin de la programacin lineal en la prctica, se necesita
agregar una dimensin dinmica que investigue el impacto que tiene hacer cambios en los
parmetros del modelo (coeficientes de la funcin objetivo y de las restricciones) sobre la solucin
ptima. A este proceso se le llama anlisis de sensibilidad, porque estudia la sensibilidad de la
solucin ptima respecto a los cambios que se hagan en el modelo.
En esta seccin se investigarn dos casos de anlisis de sensibilidad basados en la solucin
grfica de la programacin lineal: 1) cambios en los coeficientes de la funcin objetivo y
2) cambios en el lado derecho de las restricciones. Aunque la presentacin es elemental y su
alcance es limitado, proporciona perspectivas fundamentales del desarrollo del anlisis de
sensibilidad. En el captulo 4 se describe una presentacin completa del tema.

1.4 MTODO SIMPLEX.
El mtodo grfico del captulo 2 indica que la solucin ptima de un programa lineal siempre est
asociada con un punto esquina del espacio de soluciones. Este resultado es la clave del mtodo
smplex algebraico y general para resolver cualquier modelo de programacin lineal.
La transicin de la solucin del punto esquina geomtrico hasta el mtodo smplex implica un
procedimiento de cmputo que determina en forma algebraica los puntos esquina. Esto se logra
convirtiendo primero a todas las restricciones de desigualdad en ecuaciones, para despus
manipular esas ecuaciones en una forma sistemtica.
Una propiedad general del mtodo smplex es que resuelve la programacin lineal en iteraciones.
Cada iteracin desplaza la solucin a un nuevo punto esquina que tiene potencial de mejorar el
valor de la funcin objetivo. El proceso termina cuando ya no se pueden obtener mejoras.
El mtodo smplex implica clculos tediosos y voluminosos, lo que hace que la computadora sea
una herramienta esencial para resolver los problemas de programacin lineal. Por consiguiente, las
reglas computacionales del mtodo smplex se adaptan para facilitar el clculo automtico.

CASOS ESPECIALES DE LA APLICACIN DEL MTODO SMPLEX
En esta seccin se examinarn cuatro casos especiales que se presentan al aplicar el mtodo
smplex.
1. Degeneracin.
Al aplicar la condicin de factibilidad del mtodo smplex, se puede romper un empate en la razn
mnima en forma arbitraria. Cuando se presenta un empate, al menos una variable bsica ser
cero en la siguiente iteracin, y se dice que la nueva solucin es degenerada.
No hay que alarmarse al manejar una solucin degenerada, a excepcin de una pequea
incomodidad terica de ciclado, que describiremos en breve. Desde el punto de vista prctico, la
condicin indica que el modelo tiene al menos una restriccin redundante. Para poder presentar
mejor perspectiva de los impactos prcticos y tericos de la degeneracin presentaremos un
ejemplo numrico, que resolveremos en forma algebraica y grfica.
2. ptimos alternativos.
Cuando la funcin objetivo es paralela a una restriccin obligatoria (es decir, una restriccin que se
satisface como ecuacin en la solucin ptima), la funcin objetivo asumir el mismo valor ptimo,
que se llama ptimos alternativos, en ms de un punto de solucin. El siguiente ejemplo muestra
que hay una cantidad infinita de esas soluciones. Tambin demuestra un significado prctico de
encontrar ptimos alternativos.
3. Soluciones no acotadas.
En algunos modelos de programacin lineal, los valores de las variables pueden aumentar en
forma indefinida sin violar alguna de las restricciones, y eso significa que el espacio de soluciones
es no acotado al menos en una direccin. El resultado es que el valor objetivo puede aumentar (en
caso de maximizacin) o disminuir (si se trata de minimizacin) en forma indefinida.
En ese caso, tanto el espacio de soluciones como el valor ptimo objetivo no estn acotados.
La no acotacin apunta hacia la posibilidad de que el modelo est mal construido. Las irregulares
ms probables en esos modelos son que no se hayan tomado en cuenta una o ms restricciones
no redundantes, y que los parmetros (constantes) de algunas restricciones puedan no haberse
estimado en forma correcta.
Los siguientes ejemplos muestran cmo se puede reconocer la no acotacin, tanto del espacio de
soluciones como del valor objetivo, en la tabla smplex.
4. Soluciones inexistentes (o no factibles).
Los modelos de programacin lineal con restricciones inconsistentes no tienen solucin factible.
Estos casos nunca suceden si todas las restricciones son del tipo (suponiendo lados derechos no
negativos), porque las holguras permiten tener una solucin factible. Para otros tipos de
restricciones se usan variables artificiales. Aunque esas variables artificiales se penalizan en la
funcin objetivo, para obligarlas a ser cero en el ptimo, eso slo puede suceder si el modelo tiene
un espacio factible. En caso contrario, al menos una variable artificial ser positiva en la iteracin
ptima.
Desde el punto de vista prctico, un espacio no factible indica la posibilidad de que el modelo no
est bien formulado.

El inters de estudiar esos casos especiales es doble: 1) presentar una explicacin terica de esos
casos, y 2) presentar una interpretacin prctica de lo que pudieran significar esos resultados
especiales en un problema en la vida real.

1.5 SOLUCIN ARTIFICIAL DE INICIO.
Los programas lineales en los que todas las restricciones son () con lados derechos no negativos
ofrecen una cmoda solucin factible bsica de inicio con todas las holguras. Los modelos donde
intervienen restricciones del tipo (=) o () no poseen esta propiedad.
El procedimiento para iniciar programas lineales de mal comportamiento con restricciones (=) y
() es permitir que variables artificiales desempeen el trabajo de holguras en la primera
iteracin, para despus, en alguna iteracin posterior, desecharlas en forma legtima.
Aqu presentaremos dos mtodos muy relacionados: el mtodo M y el mtodo de dos fases.

1.5.1 MTODO M.
El mtodo M comienza con la programacin lineal en forma de ecuacin.
Una ecuacin i que no tenga una holgura (o una variable que pueda hacer el papel de una
holgura) se aumenta con una variable artificial, Ri, para formar una solucin de inicio parecida a la
solucin bsica con todas las holguras.
Sin embargo, como las variables artificiales son ajenas al modelo de programacin lineal, se usa
un mecanismo de retroalimentacin en el que el proceso de optimizacin trata en forma automtica
de hacer que esas variables tengan nivel cero.
En otras palabras, la solucin final ser como si las variables artificiales nunca hubieran existido en
primer lugar. El resultado deseado se obtiene penalizando las variables artificiales en la funcin
objetivo.

1.5.2 MTODO DE DOS FASES.
Debido al impacto potencial adverso del error de redondeo sobre la exactitud del mtodo M, donde
se manipulan en forma simultnea coeficientes grandes y pequeos, el mtodo de dos fases
reduce el problema eliminando por completo la constante M. Como su nombre indica, el mtodo
resuelve la programacin lineal en dos fases: la fase I trata de determinar una solucin bsica
factible de inicio y, si se encuentra, se invoca la fase II para resolver el problema original.
Fase I. El problema se pone en forma de ecuacin y se agregan a las restricciones las variables
artificiales necesarias (exactamente como en el mtodo M) para asegurar una solucin bsica de
inicio. A continuacin se determina una solucin bsica de las ecuaciones resultantes, que
minimice la suma de las variables artificiales. Si el valor mnimo de la suma es positivo, el problema
de programacin lineal no tiene solucin factible, y termina el proceso (recuerde que una variable
artificial positiva significa que no se satisface una restriccin original). En caso contrario, se
prosigue a la fase II.
Fase II. Se usa la solucin factible de la fase I como solucin bsica factible de inicio para el
problema original.