UNIVERSIDAD POLITECNICA ESTATAL DEL CARCHI

Facultad de Comercio Internacional, Integracin, Administracin

y Economa Empresarial
Escuela de Administracin de Empresas y Marketing
NOMBRE: Nandy Almeida
ING: MSC. Yoskira Cordero
CURSO: SEXTO B

TEMAS A INVESTIGAR:

Variables de holgura o artificiales

Aplicacin de modelos duales
Anlisis de sensibilidad en modelos duales
Tipos de modelos de transporte
Aplicacin de modelos de transporte

OBJETIVO
Investigar mediante libros los temas establecidos, dando a conocer lo ms
importante del mismo.

INTRODUCCIN
Esta investigacin tiene como propsito fundamental la contextualizacin
variables de holgura o artificiales, tambin se centra en Aplicacin de modelos
duales, sensibilidad para la toma de decisiones en las organizaciones
Analizar las aplicaciones del Modelo de Transporte como lo veremos a
continuacin.

DESARROLLO DEL CONTENIDO

Definiciones

VARIABLES DE HOLGURA

El Mtodo Simplex trabaja basndose en ecuaciones y las restricciones

iniciales que se modelan mediante programacin lineal no lo son, para ello
hay que convertir estas inecuaciones en ecuaciones utilizando unas variables
denominadas de holgura relacionadas con el recurso al cual hace referencia
la restriccin y que en el tabulado final representa el "Slack or surplus" al que
hacen referencia los famosos programas de resolucin de investigacin de
operaciones, estas variables adquieren un gran valor en el anlisis de
sensibilidad y juegan un rol fundamental en la creacin de la matriz identidad
base del Simplex. (Salazar, 2017, pg. 3)

VARIABLES ARTIFICIALES
Son herramientas de clculo para generar soluciones iniciales de
programacin lineal. Si una variable artificial fue agregada tiene un valor
positivo (no cero), entonces la restriccin original en la cual esta variable
artificial fue agregada no ha sido satisfecha. Se ha encontrado una solucin
factible cuando todas las variables artificiales son iguales a cero, lo que indica
que todas las restricciones han sido satisfechas. Esta cuestin se maneja
mediante la funcin objetivo del problema. (Render , Stair , & Hanna, 2006)
Taha, (2004) menciona que: 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.
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, R 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.

Dado M, un valor positivo suficientemente grande (matemticamente,

M >), el coeficiente objetivo de una variable artificial representa una
penalizacin adecuada s.

M, en problemas de maximizacin
Coeficiente objetivo de la variable artificial M en problemas de minizacin

Mtodo de dos fases

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.

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. 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). (Taha, 2004, pg. 98)

EJEMPLO

Minimizar

Sujeto a:

Minimiza:

Sujeto a:

Minimizar

Sujeto a:
Minimizar

Sujeto a:

V.B. Z X1 X2 X3 S1 S2 R1 Solucin
Z 1 -3 -2 -4 0 0 -M 0

R1 0 2 2 3 -1 0 1 15

S2 0 2 3 1 0 1 0 12

V.B. Z X1 X2 X3 S1 S2 R1 Solucin
Z 1 -3+2M -2+2M -4+3M -M 0 0 15M

R1 0 2 2 3 -1 0 1 15
S2 0 2 3 1 0 1 0 12

Criterio para seleccionar la variable entrante:

Maximizacin : El valor mayor negativo del rengln Z.

Minimizacin: El valor mayor positivo del rengln Z.

V.B. Z X1 X2 X3 S1 S2 R1 Solucin
Z 1 -1/3 2/3 0 -4/3 0 4/3-M 20
X3 0 2/3 2/3 1 -1/3 0 1/3 5
S2 0 4/3 7/3 0 1/3 1 -1/3 7
 V.B. Z X1 X2 X3 S1 S2 R1 Solucin
Z 1 -5/7 0 0 -10/7 -2/7 10/7-M 18

X3 0 2/7 0 1 -3/7 -2/7 3/7 3

X2 0 4/7 1 0 1/7 3/7 -1/7 3

APLICACIN DE MODELOS DUALES

Problema dual es una programacin lineal definida en forma directa y

sistemtica a partir de un modelo original(o primal) de programacin lineal.
(Taha, 2004, pg. 115)
Asociado a cada problema lineal existe otro problema de programacin lineal
denominado problema dual, que posee importantes propiedades y relaciones
notables con respecto al problema lineal original, problema que para
diferencia del dual se denomina entonces como problema primal. (Martinez,
Vertis, Lopez, Jimenez Guillermo, & Moncayo, 2014)

El problema dual tiene tantas variables como restricciones tiene el

programa primal.
El problema dual tiene tantas restricciones como variables tiene el
programa primal
Los coeficientes de la funcin objetivo del problema dual son los
trminos independientes de las restricciones o RHS del programa
primal
Si el programa primales un problema de maximizacin, el programa
duales un problema de minimizacin.

EJEMPLO
 EJERCICIO

METODO PRIMAL
Maximizar la funcin objetivo.
Z = 5X1 + 4X2

X1 = PINTURA TIPO 1 Z= 5 4

X2 = PINTURA TIPO 2

TABLA DE RESUMEN

TORTAS X1 X2

PRECIO 5 4

UNIDADES 3,00 1,50 RESTRICCIONES

MATERIAL 1 6 4 24,00 24

MATERIAL 2 1 2 6,00 6

MATERIAL 3 0 1 1,50 2

MATERIAL 4 -1 1 (1,50) 1

Z MAX 21,00

METODO DUAL

Minimizar la funcin objetivo.

W = 24y1 + 6y2 + 2 y3 + y4

Z= 24 6 2 1

TABLA DE RESUMEN

MATERIAL Y1 Y2 Y3 Y4 RESTRICCIONES

PRECIO 24 6 2 1

UNIDADES 0,83 - - 0,67

X1 6 1 -1 5,00 5

X2 4 2 1 1 4,00 4

Z MIN 20,67

ANLISIS DE SENSIBILIDAD EN MODELOS DUALES

El Anlisis de Sensibilidad se encarga precisamente de estudiar cmo
afectara a la solucin ptima obtenida y a la funcin objetivo el cambio
(dentro de un rango predeterminado) de uno de los parmetros, manteniendo
fijos los restantes.
Dos conceptos importantes en anlisis de sensibilidad:
Precio sombra: es el aumento o disminucin provocada en el valor de la FO
debido a un incremento de una unidad del recurso correspondiente. Pero este
valor del precio sombra est acotado dentro de ciertos lmites del valor del
recurso. (Taha, 2004)
Lmites: hay superior e inferior del recurso son los valores para los cuales
otra restriccin que rea pasiva se agota y, por lo tanto, pasa a ser una
restriccin activa. Visto grficamente la restriccin en cuestin llega a otro
vrtice determinado por otra restriccin.

La solucin ptima de una programacin lineal se basa en una toma instanea

de las condiciones que prevalecen en el momento de formular y resolver el
modelo. En el mundo real, los ambientes de decisin rara vez permanecen
estticos, y es esencial determinar cmo cambia la solucin ptima, cuando
cambian los parmetros del modelo. Eso es lo que hace el anlisis de
sensibilidad. Proporciona tcnicas de cmputo recientes para estudiar el
comportamiento dinmico de la solucin ptima que resulta al hacer cambios
en los parmetros del modelo. (Taha, 2004)
EJEMPLO

TIPOS DE MODELOS DE TRANSPORTE

La programacin lineal es un campo tan amplio que se extiende a subclases
de problemas para los cuales existen mtodos de solucin especiales. Una
de estas subclases se conoce como problemas de transporte. El mtodo
simplex de programacin lineal, puede servir para resolver estos problemas.
Pero se han desarrollado mtodos ms sencillos que aprovechan ciertas
caractersticas de los problemas. Entonces, el mtodo del transporte son slo
tcnicas especiales para resolver ciertos tipos de problemas de programacin
lineal.
El modelo de transporte es un caso particular de los problemas referidos a la
programacin lineal. Trata situaciones de envo de productos de lugares
llamados puntos origen (fuentes de abastecimiento) a los puntos destino
(fuentes de consumo), siendo su objetivo, determinar las cantidades ptimas
de envo de las fuentes de abastecimiento a las fuentes de consumo que
minimicen el costo total del transporte, al mismo tiempo que satisfagan tanto
los lmites de la oferta como los requerimientos de la demanda. (Taha, 2004,
pg. 165)
Grafico 1: Modelos de Transporte
Mtodo de los flujos
Mtodo de Mtodo de la esquina Mtodo del costo Mtodo de cost
mutuamente
aproximacin de Vogel Noroeste mnimo preprocessing
preferibles
Resolucionde Es un algoritmo Es un algoritmo Permite obtener Es un mtodo de
problemas de heurstico capaz de desarrollado con el normalmente una eficacia anloga a los
transporte solucionar problemas objetivo de solucin bsica mucho mtodos de Russell y
Metodo heuristico de transporte o resolver problemas de ms prxima a la de Vogel
distribucin mediante transporte o ptima
la consecucin de una distribucin, arrojando Ahorrando iteraciones
solucin bsica inicial mejores resultados
que satisfaga todas las que mtodos como el
restricciones de la esquina
existentes sin que esto noroeste, dado que se
implique que se enfoca en las rutas que
alcance el costo presentan menores
ptimo total. costos.

EJEMPLO
 EJERCICIO
Car californio fabrica tres tipos de acero en diferentes plantas. El tiempo requerido para
fabricar una tonelada de acero y los costos en cada planta se ilustran en la siguiente tabla.
Cada semana debe producirse 140 toneladas de acero del tipo I y II y del tipo III 150 (1,2 y
3). Cada planta est abierta 40 hrs por semana. Plantear el modelo de transporte.
Costo MODELO DE TRANSPORTE
Planta Acero 1 Acero 2 Acero 3 Tiempo 1 2 3
1 60 40 28 20 1 60 40 28
2 50 30 30 16 2 50 30 30
3 43 20 20 15 3 43 20 20
DEMAN
DA 140 140 150

MODELO DE PROGRAMACIN LINEAL

Z= 60X11 + 40X12 + 28X13 + 50X21 + 30X22 + 30X23 + 43X31 + 20X32 + 20X33
X11 X12 X13 X21 X22 X23 X31 X32
Z=
60 40 28 50 30 30 43 20

TABLA DE RESUMEN
X11 X12 X13 X21 X22 X23 X31 X32
PRECIO 60 40 28 50 30 30 43 20
UNIDAD
ES - - 120 140 - 10 - 140
OFERTA
PLANTA
1 1 1 1
OFERTA
PLANTA
2 1 1 1
OFERTA
PLANTA
3 1 1
1 1 1
1 1 1
1 1

Z MIN 13.860,00

Anlisis Al menor costo posible los envos deben realizarse de la siguiente manera:
:
X21 De la planta 1 ubicada hacia la fbrica 3 se debe realizar 1 solo envi con 120 ton de acero cajas a un precio de $28.
X22 De la planta 2 ubicada hacia la fbrica 1 se debe realizar 1 solo envi con 140 ton de acero cajas a un precio de $50.
X31 De la planta 2 ubicada hacia la fbrica 3 se debe realizar 1 solo envi con 10 ton de acero cajas a un precio de $30.
De la planta 3 hacia la fbrica 2 se debe realizar 1 solo envi con 140 ton de acero cajas a un precio
X23 de $20.
X33 De la planta 3 ubicada hacia la fbrica 3 se debe realizar 1 solo envi con 20 ton de acero cajas a un precio de $20.
CONCLUSIN:
Estas herramientas estudiadas nos ayudan a generar soluciones
econmicas de las empresas por medio de la programacin lineal, como
tambin nos permite tomar decisiones por medio de la sensibilidad ya
que nos muestra el comportamiento dinmico de la solucin ptima del
problema los cuales podemos hacer cambios.
En conclusin los modelos de transporte tiene como objetivo minimizar el
costo total de transportar los productos desde cada origen a su debido
destino satisfaciendo la demanda en cada momento.

BIBLIOGRAFA:
Martinez, I., Vertis, G., Lopez, J., Jimenez Guillermo, & Moncayo, L. (2014).
Investigacion de operaciones. Mexico: Ebook.
Render , B., Stair , R., & Hanna, M. (2006). Metodos cuantitativos para los
negocios. Mexico: Pearson Educacion.
Salazar, B. (2017). ingenieriaindustrialonline. Obtenido de
ingenieriaindustrialonline:
https://www.ingenieriaindustrialonline.com/herramientas-para-el-
ingeniero-industrial/investigaci%C3%B3n-de-
operaciones/m%C3%A9todo-simplex/
Taha, H. (2004). Investigacion de operaciones. Mexico: Pearson Educacion.

Recuperado de: http://www.youtube.com/watch?v=Jm0-4Qrcp1k

Recuperado de:http://www.youtube.com/watch?v=NrJQ0oVtLLQ