Scribd Logo
Upload

Welcome to Scribd!

  • TAHA, H. A Cap. 2

    Uploaded by

    Mitza
    39 views59 pages

    Copyright

    © © All Rights Reserved

    Available Formats

    PDF or read online from Scribd

    Did you find this document useful?

    Is this content inappropriate?

    Report this Document

    Copyright:

    © All Rights Reserved
    Download as PDF or read online from Scribd
    Flag for inappropriate content
    39 views59 pages

    TAHA, H. A Cap. 2

    Uploaded by

    Mitza

    Copyright:

    © All Rights Reserved
    Download as PDF or read online from Scribd
    Flag for inappropriate content
    of 59
    CURSO: METODOS CUANTITATIVOS EN LA GESTION i UNIVERSIDAD NACIONAL ABIERTA RECCION DE INVESTIGACIONES ¥ POSTGRADO MAESTRIA EN ADMINT: RACION-DE-NEGOG! DE LA EMPRESA INVESTIGACION DE OPERACIONES | CAPITULO 2 Taha, H. A. (2004). Investigacién de Operaciones. 7™a. Edicién. Editorial Perentice Hall. Compilacién con Fines Académicos y S° respetan los Derechos de autor. 24 CAPITULO 2 Introduccién a la programacion lineal La programacién lineal se apica a modelos de optimizacion en los que las funciones objetivo y restricci6n son estrictamente lineales, La técnica se aplica en una amplia variedad de casos, en Tos campos de agricultua, industria, transporte, economia, sélud,ciencias sociales y de 1a con- duct, y militar También produce algoritmos eficientes de cSmputo para problemas con miles dderestticciones y variables. En realidad, debido a su tremenda eficiencia de céleulo la progr’ imaci6n lineal forma la columna vertebral de los algoritmos de solucién para otros modelos de investigeciGn de operaciones, como las programaciones enter, estocéstica y no lineal ste capitulo comienza con el caso de un modelo de dos variables, y presenta su solu- cién gréfica, Esta soluci6n gréfica permite tener una perspectiva del desarrolio del método Simplex, t6enica nlgebraica general (véase el capitulo 3). También presenta ideas concretas pura el desarrollo y la interpretacién de andliss de sensibilidad en programaci6n Hines. El ea piulo termina con la formulaciéa y Ia interpretacin de J soluci6n de varia aplicaciones rea- lista, MODELO DE PROGRAMACION LINEAL CON DOS VARIABLES sta secciinexplcar a soluién gréfica de una programacin lineal con dos variables. Aunque ‘Bile préctoa casino existe problemas condos variabes,1a presentacin apotaré ideas con tretas par el desarollo del algoritmo de solucin general que se presenta eel capitulo 3 u Famplo 2.11 (La compafila Reddy Mikis) ‘Reddy Milks produce pinturas para interiors y exteriors, pporciona los datos bésicos del problems. ‘Mi y M2. La tabla siguiente pro- "Ton de materia prima de isponbilidad daria 42. Capitulo? —_Introducion ala programacion lineal | | 1 Pinuves para Pinuros pare | | feueriores—_—_inesiores asl (08) ‘aeria prima, A 6 4 Py 1 2 6 Utlidad por ton nites de8) S ‘Una eaves de mercado indice que le demanda dart cde Pints Te intesiores no pue- de seyrmayor que | tonelada ms que Inde pinta pas exteriors “También, que la demands i ae chai de pintra par interiors 8 de 2 ronan | | Maen pia. M2 ‘ i | Reddy Milks desn determina Ia mela 6p (Ie mejor) de productos para exteriores yy para interores que maximice 1 uidad dir total. a modelo de programacin lineal como en cualquier ciones, tiene tres componentes bésicos. modelo de investigacién de opera 1. Las varlables de decisin que se tate de determinas 2. Bi objetivo (la mete) que se treta de optimiza. 2. Las restrieclomes que se deben salisfacer. paso esencial en el desarrollo La definicén comecta dela variables de decision 4 00 Por fas restricciones se ha- | na ver hecha, la trea de consi 1a fncién obeNO Y ce en forma més directa. jun ol problema de Reddy Mikks, se necesita desrmit las cantidades a producit de } pieuras para exteriors e interiores. Ash 68 “Variables del modelo se definen como sigue: { | ny Toneadesproduidas daramente e pinura pare extrores | \ ' | \ 3 J tonlacas produces diariamente, de pote Pas interiores ca desea aumentar Sus uiliades todo lo posible. i ra formar ia funcién objetivo, la empres a gles), el abjetvo de Ia empresa se exprest ast: representa la ida darn total (en miles de = Maximizar2= Supt tt ~~ ininvclonsedefinen ls resiciones ave Himiten ) Meximizar = 52, ~ 6%) ©) Maximizar 2=-1 +2 & Maximizar 2=-34, + % 3. Determine el espacio de solucionesy la sohuciGn dpm del modelo de Reddy Mikks para cada uno dels siguientes cambios independienes: 4) La demanda daria méxima ée pintura para exterores es de 2.5 toneladas ’) La demanda daria de pintra para intrires és por lo menos de 2 ailadas 6) La demanda dita e pintra para iterioes es exactamenie I foelada mds gue ade pinta - pparnextrioes:— a : 4) La disponbiidad dria de a materi prima M1 es cuando menos 24 toneladas. «) La isponibilidaddisria de a materia prima M1 es cusndo menos 24 toneledas,y la demand ciavindepinture para nteriores es mayor que la depinturapareexterioresen al menos 1 tonelada 4. Para el modelo original de Reddy Mikks,identfiqe el o os puntos de esguina que defna(n) a solucién dpima para cada una dels siguientes funcioues objetivo: Qrnanth Deant3n Jo br te {Bn qué cifiere a solucidn de ), de as dea y by? f 48 Capitulo2 _Introduccién a {a programacién lineal | 5. Juan acaba de entrar at uiversidad,y e da. cuenta ques slo estdin y no juega so persoal- dad serd gis, Desa reper su tiempo disponible, aproximadamente de 10 horas por di, etre jcgo yestio, Estima que el juego es dblemente dived que el estudio, Tambien desea et er ceando mets un tiempo igual al ue pasa jugando. Sin embargo se da cuenta que si debe hacentodas ustavens escolaes, no puede jugar mis de 4horas diaras. dm debe repartir Joan so tempo, para maximizar su placer de estudiar y jugar 2.2.2. Solucién de un modelo de minimizacion eee Femplo 2.2-2 (Problema de la dieta) | En Granjas Modelo se usa diariamente un mimo de 800 libras (Ib) de un alimento especial que es una mezcla de mafz y soya, con las composiciones siguientes: | ————— Toporiberaneo i Almeuo ros Fias_ Co) Aimee _ Protas Pirmt_ Cove) a op om ~SC«O oe oo tw Soe Las necesidadesdiettins del alimento especial son on mimo de 30% de protenas y un anéxinio de 5% de fibras. Granjas Modelo desea detertinar las proporciones de alimento que | produzcan un costo diario mfnime, Hae crcl de alimentos consist en matzy soy, las variables de decisin del mo- delo se definen como sige: 1x, =Tb de mafz en Ja mezela diaria | ‘gb de soya enta mezcl daria ‘La fancién objetivo tata de minimize el costo (en délres) diario total de Ja mezela de alimentos, yen consecuencia se expresa como sigoe: : rminimiaar z= 0.34 + 0.9%, Las eesricciones del modelo reflejan Ia cantidad diavia necesariay tos requerimientos dictates, Como Granjas Modelo necesita un minimo de 800 Ib davis de aimento, Ta res- trceidn eorespondiente se puede expresar como sigue: 3, tx 800 _ Bin cuanto ala restrccin detéticn de necesidades de protein la cantidad de protefna que dationen Ib dem y 2 I de soya es (108%, + O.6x,) Ib: Est canidad debe ser cuando spenos igual a 30% de Ia mezela total de alimentos, (x, + x) Ibs esto es _ 01092, 0.6% = 03¢x +2) De manera similar, la restricci6n de a fibra se define como 0.02%, + 0.06, $ 0.95(e +32) Las resucciones se simplifican agrupando todos los términos en x,y % y pastndolos al ino iaierd de cad desigualdad, para que slo quede una constant en el Indo dere. ‘Asigel modelo completo viene a ser as aiMTALZAT E= USK POST sujetaa xt my = 800 oatxy, ~ 030% = 0 TUR = UOT SV wm =O a figura 2.3 muestra la soluci6n gréfica del modelo, A diferencia del modelo de Reddy ‘Mieks (jemplo 22-1), la segunda y la tercera restriceiones pasan por el origen. Para graficar las rectascorrespondientes solo se necesita un punto adicional, que se puede obtener asignan- down valor a una de las variables y despejando la otra, Por ejemplo, en Ja segunda resriceién Sy = 200 produce 0.21 X 200 0.3xq = 0, es decir, = 140. Bso quiere decit que le recta Oiatx, 13x = O pase por (0, 0) y (200, 140), También obsérvese que no se puede usar 0, 0) ‘como punto de referencia en las resticciones 2 3, porque ambas rectas pasan por el origen. En lugar de ellos se puede usar cualquier otro punto, por ejemplo (100, 0) 0 (0, 100) para ese propésito, ‘Ya que en este modelo se busca minimizat la funciGn objetivo, necesitamos reducir todo to posible el valor de z, en la dreccié que muestra Ie figura 2:3. La solucién éptima es I tersecciGn de ls dos rectas, x, + 2 = 800 y 0.21x, ~0.3x, = 0; asf se obtienen x, = 470.6 Ib '329.4 Ib, El costo minimo correspondiente, de la mezcla de alimentos, es z = 0.3 X 470.6 + 0.9 x 329.4 = $437.64 diatios 4 FiGguRA23 Solucin gra del modelo aeladiess 000 20 Capitulo2 _Introduccién a la programacién lineal CONJUNTO DE PROBLEMAS 2.28 1. lengua deci de decrecimieno de en cada uno de tos siguientes cases: i 2) Minimizarz = 4x20 j 1b) Minimizes =, + ‘) Minimizare === 1 2 Pal modcode indie, suponge au a dispniiidad diara del ata finitaa 480. 1den- ‘ifique el nuevo espacio de soluciones y determine la nueva solucién 6ptima. i 4. Panel moto de acta, qu clese de soli éptima pri el modelo sla mesa | alimentos no debe exceder de 800 Ib por dia? ;Tiene sentido esa solucién’? | ‘4, Juan debe trabajar cuando menos 20 horas a Ie semana para complementar sus ingresos, y ‘al mis t ar eto lnescvel. Tene a oportnied de taba en dos lends al mendeo: en a i Tend pode tear ene 5 12 hots por semana yen ainda 2epeniten bajar ene To oegs Arba tends le pega el miso std pc hor. En conseeenei, en quiere basar i 1 lion aor de cuts hors trabajar en cada end en un cierto dit: el ator de ten- areca bajo: Con bas en ls ensevsia con ots empeade, Jan estima queen ua scala eT oslo cures de esion son 8 Gen ts ends I 2, respectivanete, Come a teasién sesncts cada spone quel nsdn ttl a final de a semaca es prporconl canted own ue iabaae as ents. Costas horas debera taba ua en cada tienda? 5 Ole conse una einer ar cabo evo productos: ese! goin bese y con \ (ite parsons Las demndas en bares) de ests products sa 14,00, 30,00, 1.000 rsp, anette rn Dba ine conto par exer a CHIC Debio alas eu | saa selon queer la OPEP (Orgunizcin de Pies Exporadores de Pee) Teu2- ee Cipona pnde etre mens e 40% desu rd ce i, y leo de Dba. OC pronto ‘cts cu drnanday de cro pemanecedn eles Grae fs 10 aes sige ta tts copectcaions dels dos cron determinan dos propatcones dita de produc nba de crud de In ind O.2 bari de sel, 25 bat de gesolina, 0.1 basi Be tureaatey 0S bar de combustible pra vin, Los rendimintosconespndientes del ‘do de Dub son: .1,06,0.5 0. respctvament ‘te nests dtonnar a zapaciad minim de a einer, en bails de eto por dt {6 Abonos $A. dese vere una sua qu gener eden ana imo de $10,00. Dis Janz de do rps aeciouais: cones eles ala tenologla, con un exdimento anal vere dey 25%, especvaneate, Asai nt azciones de ala enolgt an ms ene ara son mi ereegaia,y Aor dese mia In cantided inva en lla aun mxino de 60% de ne lcttidad anima qu debe investi Aboros en cada gape de asiones pare a canna ia met de inversion? 223° Solucién gratica con TORA a El diseio del programa TORA le permite usarlo en modo tutorial © en modo automtico (0 si 10 —— degen, una-combinacin de los dos). Se maneja.con ments, y en consecuencia no requiere ut manual del usuario, Sin embargo, para su comodidad, se presenta una introducci6n @ TORA & el apéndice C. ‘La soluci6n gréfica de problemas de programaci6n lineal con TORA requiere los pasos siguientes: 4. Seleccione nineesProgeanming-(programacién inal) del mensiaazn mene. (ane peincipal. t 2. specifique el modo de captura (archivo existente o problema muevo) y capture i 43, En problemas nuevos, use la tabla de captura para ingresar Tos datos. : 4, Oprima gee wens. (mend resolver + 5, Seleccione soive “> Graphical (resolver => gréfico) del mend sonversoprrr (esolver/modificar. | 6. Especifique el formato del resultado y a continuacién oprima cote Output Screen (ie la pantalla de resultados). 7. E] modelo de programacin lineal se grafica y se esuelve. La figura 2.4 muestra la solueién gréfica del modelo de Reddy Mikks (archivo ch2Tora- ‘ReddyMikks.xt), En la ventana izquierda se ve le programacién lineal algebraica. La ventana derecha comienza con un primer cuadrante, con ejes x, y ¥ ya con escala adecunca, exacta- ‘mente como hatfa usted si estaviera graficendo en un papel. Puede graficar la programaci6n fi ‘neal de dos maneras: si hace clic en el renglén “Click here to graph LP in one stroke" (clic agus para presentar le gréfica de una vez) de la ventana izquierda, toda Ia programacién lineal se Coty nt ee en Pree} Coe ee fl [ae oy MS FiGURAZ& Resultado grfice del modelo de iy Mikks obrenido con TORA 22. Capitulo2 _Introduccin ala programaci6n lineal raficaré de un ve O bien, haciendo clic en las reseiones por una (en cualquier or- an a contnuacion oo cic en a funcin objetivo para produc una presentacién animadade Tadeterminacién éptime. saan Ngner nf Fexbilidad ol expeimentar con el méulo ertico de TORA, se pue- —gerevicta toe te gifica hacienda clic-en-el renglén de resiocn de no negatividad Seg odes as xj > 0) ena ventana izquiréa, Terirer PATE fear orprogs MaciOn lineal del momento haciendo clic en viewMods (vetlmodificar), resolviendo a ‘continuacién el nuevo modelo. CONJUNTO DE PROBLEMAS 2.2C 1. Tuorit de TORA. ngrese i siguiente programacién lines! en TORA y seleccione el modo de qalucign gafea para presenter la pantalla correspondiente Minimizar2= 3x, + 8% 1 sujetaa | mut mes t 2x - 3 50 | x +24 $30 ay m=O x 510 | ned yx =O -vcoinuncin, nun oj depp, trace lot es son esas eras [tembign pod aecaecn Prine oraph Ganprimirgrfics) enn parte suptio els eon devecha para te ee oe qescalay a pra usa) A.cnkoncin gage atealets resticei6a IF; sonia haga clic nea en ven agi spas PI ‘comprobar sv res Toes Repia fo anterior par eda resis, 9 cont aeign termine el prosedimiento con aoe eeoee a fancién objetv. El proceso gues upline por OPA ST reforear wre apensn dela slusongrfica de programsci6nlinel en cuanto PTORA le proporciona re- troaimentacin inmesita a. Roget l modelo de Reddy Mik (hive ch2ToeReddyMiek ‘Use TORA para demos Rese i Slims de progrmacén nel iene ext lina tun pinto dees une del espacio de soluciones En fms especea, os Te opelén vip /oattif inet nab tds dats conlns opciones siguientes, para demos cambios en la peudien- — ee fanidnebeivo podranubicar a sfueen ping ern puto do ede distinto. La oe rt eines quelos puto esuia de espacio de so) on todo Io que So jcrina slain Glia del problems de roganasss nea |. —— a rsinte bess Fa = ont oe @ ceon tte gra-tnte hana —Gomeal mods del pecblema del dita (rcivo chore cambie la funeisn objetivo e inmnizare-=-0 87+ 0.8% Use el médulo grifico de TORA para demostrar que la souciGn Sptima est asociada con dos punta de esquina ditintos,y que ambos puntos producen el mismo valor objetivo. Bn este caso se dice que el problema tiene dprimasalternativas.Explique las condiciones que causan esta si tuacién y demuestre que, de hecho el problema tiene una cantidad infinita de 6pimes alterat- ‘YOR OMT RUASTON ACUTE Ug TOHRU PAT TENT THOS CSS SOT 4, Se ine ol siguiente modelo de programacin lineal Maxienzar: 3 44 sujet a Gx, + dn = 24 6x, + 3x 5 225 mt mss x t2n <6 yt ast ns2 mr BO [En programacin lineal, se dice que una resticein es redundonte sal eliminarla del modelo no cambia el espacio de soluciones Use Ia funcingréfia de TORA para identifica las restricciones redundanies,y a coninuscién demuestre que su eliminacién no afecta al espacio de soluciones ni ala solucién éptima, 5, Enel modelo de Reddy Milks, use TORA para demostar que la eliminaci6n de las restricciones de matsia prima tesuricciones 1 y 2) dan como resultado wn espacia de soluciones no acotad. {Qué se puede decir en este caso, cerca dl slucién éptim del modelo? (6. Enel modelo de Reddy Mikks, suponga que se lealade la siguiente resticci6n Hea ‘Use TORA para demosrar que el modelo resultant tiene restreciones coflictvas que no se pueden satisfacer al mismo tiempo, yen consecuencia, no tiene solucisa facile. 2.3. ANALISIS GRAFICO DE SENSIBILIDAD ‘Un modelo de programacién lineal es una foto instanténea de una situaciGn real en la que los : pparémetros del modelo (coeficientes de le funcir-objetivo'y de las restricciones)-esumen vi lores estticos. Para aumentar la aplicacin de la programaci6n lineal en la préctica, se neces ta agregar una dimensién dinémica que investigue el impacto que tiene hacer cambios en los ~~ parmetros del modelo (oeficientes dela fancisn objetivo y de las restricciones) Sobre 1830 Iuci6n 6ptime. A este proceso se le ama anilisis de sensibilidad, porque estudi la sensibili- dad dela soluci6n 6ptima respecto a los cambios que se hagan en el modelo. En esta secci6n se investigarén dos casos de andlisis de sensibilidad basados en la solu- cin gréfica de la programacién lineal: 1) cambios en los coeficientes de la funcién objetivo y | __2) cambios en el lado derecho de las restricciones. Aunque la presentaciGn es elemental y su__ —teanes-e-imitadorpropreionperspestivas-fondamentales-de-desarolo-dl-anlisi- de sensibilidad. Enel cepftulo 4 se describe una presentacién completa del tema. 24 Capitule2 _ Introducci6n a la programacion lineal 234 Cambios en los coeficientes de la funcién objetivo “La funcidn objetivo en general en un problema de programacin lineal condos variables se puede escribir como sigue: Manin aa 0 RATERS = OO Los cambios de los coefcietes cy ¢; harén cambiar la pendiente de zy en consecuencia, post ‘iroote el punto de esauina éptimo (véase ana iustracin en la igure 2.1). Sin embargo, Hey ar vara de variai6a, tanto para c, como para c dentro del cual el dptimo del momenta Fenaree sin cambio En forma espetia no ineresa determinate erat de oprinaiag Ten elcibn® (o de 2) donde se mantenga sin cambio la solucénéptima del momento, Enel siguiente ejemplo se iistael procedimiento. — Femplo 234 “Acetea del modelo de Reddy Mikks (Ejemplo 2.1-1), en la figure 25 la solucién dptima en C potion el valec maximo de «= Sry + 4 Si se eambia Ja soluiénobjelivo a2 = 6 Dron lun en C perranererd Glin mints la pealente de zqude en ls pees aa pens que se ervzan en C, que Son 6x, + At = 24 (materia prima, MI) yx + 29 = 6 {tetera prima, 2) Esa relaciOn se puede expresar algebracarnente como 4 2 Sic, # 0, entonces 5 = = obien pores Sicy # 0, entonces 5S — = nia primera condici6n, c, #0 significa que la ect de I funcién objetivo no poet sr horizontal De igual modo, en la segunda condicié c, # 0 sigifien que 2 no puede ser vet, rar Goo se puede ver en la figura 2.5, el interval de opimalidad en ete modelo (detnide porlas ds retas qe s erzan en C) no perte qu Ia fancién objetivo z= uk + Ca A po pen posiontal o vertical. El resultado esque se apicaaeste ejemplo cade una de as dos se elon dadas. Para ls casos en Tos que c,¥ pueden asunr valores ceo, el interval Geode) abn vis en dos conjnos,en os oe los denrrinaores 0 ‘puedan set ent Véance algunas lustraciones en el problema 1, conjunto de problemas 23a an adn as endiciones para yes que mies que esi relcones ete den eH Te tes especificados;t-solocib 6sima-permanece sin cambio en C. ObsEESe wos steeds que z= cy + cg coincide con x + 2p = 6, pueden presente pines ate nos en-caalguie lugar del segmento de reta CD. De igual manera, si coincide con 64, + 4% tage. esa observacién no enbia el hecho que C sig sieado épimo en ambos casos ‘Se peden usa las condiciones dadas para determina el intervaloéptimo para uno dos cveiicrtes cuando el oo pertanece con su valor original, enz= Sx, + 4xy Ast dao a= 4

    You might also like