Professional Documents
Culture Documents
Ejemplo No 1: La compañía "ELECTRONICA S.A" produce radios y televisores cada radio se vende con una
ganancia de 300 soles mientras que en cada televisor vendido se gana 500 soles.
Ambos productos deben pasar por los departamentos A y B (impresión de circuitos y ensamblaje respectivamente).
Mensualmente, se dispone de 200 y 140 horas de los departamentos A y B respectivamente.
Cada radio requiere 1 hora de A y 1 hora de B, cada televisor requiere 2 horas de A y 1 hora de B. ¿Cuál es el
programa de producción que maximiza la ganancia?
Producto Ganancia
Radio 300 soles/unidad
TV 500 soles/unidad
Sean
X1 = Numero de radios que se deben producir mensualmente
X2 = Numero de televisores que se deben producir mensualmente
Gráficamente se tiene:
En el programa Primal, el problema consiste en hallar el número de radios y televisores que se deben producir para
obtener una ganancia máxima utilizando los dos recursos (un máximo de 200 y 140 horas por mes en los Dptos. A y B
respectivamente).
1
x≥0
Para este caso concreto los elementos de A, b, c y x tienen las siguientes unidades:
𝑠𝑜𝑙𝑒𝑠 𝑠𝑜𝑙𝑒𝑠
Max z = 300 (x1 radios) + 500 (x2 TV)
𝑟𝑎𝑑𝑖𝑜 𝑇𝑉
=> (x1 + 2x2) horas del dpto. B ≤ 140 horas del Dpto. B
x1 + 2X2 ≤ 140
Observé que para producir una unidad del producto j (j = 1 para radios; j=2 para TV), se requiere aij unidades del
recurso 1 y aij unidades del recurso 2. Por ejemplo para producir un radio se requiere una unidad del recurso 1 y una
unidad del recurso 2 (1 hora del Dpto. A y 1 hora del Dpto. B respectivamente).
En el programa primal de la ecuación escrita anteriormente, el que volvemos a escribir por ser conveniente se tiene lo
siguiente:
Observe que en cada restricción (cada fila) está relacionada con un recurso; de modo que al lado derecho del signo ≤
(u otro signo) se indica la disponibilidad del recurso, y en el lado izquierdo se indican los requerimientos de dichos
recursos por los n productos.
2
Por otro lado, cada columna corresponde a un producto Por ejemplo el producto 1 permite obtener una ganancia
unitaria de S/.300. Además, para producir cada unidad del producto 1 se requiere una unidad del recurso 1 y una
unidad del recurso 2.
Lógicamente estos recursos corren el riesgo de disminuir por diferentes motivos; como incendio de los Dptos. A y B,
fallas electromecánicas, etc.
DEFINICION 5.2: El concepto de valor de un recurso se usa en optimización para indicar el valor económico o
capacidad de un recurso para producir ganancia. Por lo tanto el valor económico de un recurso este asociado con los
beneficios que se obtiene al asignar dicho recurso a la producción de ciertos productos.
Sean:
y1 = valor de una unidad del recurso 1 (valor de una hora del Dpto. A).
y2 = valor de una unidad del recurso 2 (valor de. una hora del Dpto. B)
Si la compañía ELECTRONICA S.A. tuviera que alquilar sus recursos a otra compañía, entonces tiene que hallar el
valor de las 200 horas del Dpto. A y 140 horas del Dpto. B; o sea:
𝑠𝑜𝑙𝑒𝑠 𝑠𝑜𝑙𝑒𝑠
w = (𝑦1 ) (200 ℎ𝑜𝑟𝑎𝑠 𝑑𝑒𝑙 𝐷𝑝𝑡𝑜. 𝐴) + (𝑦2 ) (140 ℎ𝑜𝑟𝑎𝑠 𝑑𝑒𝑙 𝐷𝑝𝑡𝑜. 𝐵)
ℎ𝑜𝑟𝑎𝑠 𝑑𝑒𝑙 𝐷𝑝𝑡𝑜.𝐴 ℎ𝑜𝑟𝑎𝑠 𝑑𝑒𝑙 𝐷𝑝𝑡𝑜.𝐵
La compañía que adquiere el servicio de alquiler tratará de minimizar el valor de los recursos correspondientes, es
decir su función objetivo es:
De acuerdo a los datos del problema, un radio requiere 1 hora del Dpto. A ( a11) y 1 horas del Dpto. B (a21). Por lo
tanto el valor combinado de todos los recursos para producir un radio es:
soles
(1 hora del Dpto. A) = (y1 )
horas del Dpto. A
soles
(1 hora del Dpto. B) = (y2 )
horas del Dpto. B
Por otro lado, un radio produce una ganancia de 300 soles ( c1) a la compañía.
Por lo tanto el valor combinado de todos los recursos para producir un radio debe ser mayor o igual a 300 soles.
Enfatizamos que el valor combinado de todos los recursos que se utilizan para producir un radio es por lo menos 300
soles, porque esa es la ganancia que obtiene al producir un radio; y el valor combinado de todos los recursos que se
utilizan para producir un radio puede ser más de 300 soles si es posible asignar dichos recursos a la producción de otro
artículo más rentable. De lo anterior se desprende la siguiente inecuación:
1y1 + y2 ≥ 300
3
De modo similar, un televisor requiere 2 horas del Dpto. A (a12) y una hora del Dpto. B (a22).
Por lo tanto, el valor combinado de todos los recursos para producir un televisor es;
soles
(2 hora del Dpto. A) = (y1 )
horas del Dpto. A
soles
(1 hora del Dpto. B) = (y2 )
horas del Dpto. B
El valor combinado de estos recursos debe ser por lo menos 500 soles
2y1 + y2 > 500
Reuniendo el funcional w y las restricciones tenemos el siguiente programa:
Observamos que el programa Dual, puede derivarse del Primal directamente aplicando la definición. En efecto
observamos que el Programa Dual es el dual del Primal.
Para resolver el programa Dual, procedemos gráficamente, como se indica en la Figura (2).
Obsérvese que el valor óptimo de z es 54,000 soles, una cantidad igual al valor óptimo de w. Esto no es una
coincidencia particular, sino que corresponde a una propiedad de los programas lineales primal y dual.
4
EL TEOREMA DE DUALIDAD
Uno de los resultados más importantes de la teoría de programación matemática, y en especial de programación lineal,
es el teorema de dualidad. Por esta razón dedicamos una sección especial a este teorema.
No presentaremos aquí la prueba del teorema de dualidad; pero trataremos de explicar algunos resultados: Considere
los programas Primal y Dual.
Max z = ctx
Sujeto a:
Ax ≤ b
x≥0
Min w = bty
Sujeto a:
At y ≥ c
y≥0
Sea yo un vector que representa la solución óptima del programa dual, entonces la i-ésima componente de yo (o sea yoi),
representa la rapidez de cambio de la función objetivo del primal respecto al i-ésimo recurso; es decir:
𝛿𝑧
yoi =
𝛿𝑏𝑖
SOLUCION:
Si el recurso 1 se aumenta de 30 a 31 entonces la nueva solución óptima del primal es x 1 = 6,5; x2 = 6; z = 43. Esto
implica que ∆z = 1, entonces se tiene:
∆𝑧 43−42 1
y01 = = 31−30 = 1 = 1
∆𝑏1
De modo similar; si el recurso 2 es aumentado de 6 a 7 unidades (dejando b 1 en 30), entonces la nueva solución del
primal es x1 = 4.5, x2 = 7, z = 44, entonces:
∆𝑧 44−42 2
y02 = = = =2
∆𝑏2 7−6 1
yo = [1, 2]𝑡
La figura siguiente muestre la solución del programa dual, donde en efecto se observa que la solución óptima está dada
por:
yo = [1, 2]𝑡 y w óptimo = 42
6
Este corolario es muy importante, por cuanto se refiere a la existencia de la solución de un programa lineal cualquiera.
Justamente debido a su importancia, muchas veces es identificado como el teorema de existencia.
DUALIDAD
El concepto de dualidad tiene un rol muy importante, no sólo en programación lineal, sino en la teoría de optimización
en general.
Más aún, la teoría de dualidad es más amplia que la teoría de programación matemática, nos interesa el concepto de
dualidad restringido a la teoría de optimización.
Todo programa matemático, lineal o no lineal, existe asociado con otro llamado programa dual. En particular, todo
programa lineal tiene su correspondiente programa dual.
En este capítulo se estudiará las relaciones matemáticas entre un programa lineal y dual y luego se dará la
interpretación física correspondiente. Es decir se tratará de interpretar el significado de las variables y funciones
objetivos de ambos programas.
En la sección anterior se introduce el programa dual vía una definición Sin embargo esta sección, se presenta la
formulación del programa dual a partir del primal, mediante un análisis deductivo.
En las siguientes secciones se discute las diversas formas de presentación de ambos programas; y luego se procede a
realizar la interpretación económica.
1. Definición
Dado el Programa Lineal P en forma canónica, entonces el programa D es el dual o Programa Lineal Dual de P; y este
es referido como Programa Primal.
En lo sucesivo los símbolos P y D denotan a los Programas primal y dual respectivamente.
Max z = cx (1)
Sujeto a Ax ≤ b (2)
x≥0 (3)
7
y es un vector de m componentes, cuyos valores debe ser hallados para minimizar la función w sujeta a las
restricciones (5) y (6).
Con el objeto de obtener una mejor visualización de las relaciones que existen entre el programa primal y el dual, a
continuación, escribiremos estos programas en forma expandida.
Sujeto a:
La notación compacta del programa P puede será expandida como sigue:
2. Formulación del Programa Dual a Partir del Primal Mediante Análisis Deductivo
En la sección anterior, observemos que para todo programa primal, P, expresado en forma canónica, existe un
programa dual, D.
La obtención del programa dual a partir del primal, es una operación relativamente mecánica, por cuanto solo es
necesario seguir un procedimiento compatible con la definición 1.
En los problemas de ingeniería, administración, comercio, etc., el programa primal tiene una interpretación concreta
por cuanto las variables y constantes que intervienen tienen significado físico y además ciertas unidades.
En esta sección nuestro objetivo es derivar un programa dual a partir del primal correspondiente; pero no siguiendo un
procedimiento matemático formal sino más bien a través de una discusión con sentido físico.
Problema No 2
Primal Dual
Maximizar Z = 3X1 + 5X2 Minimizar Z = 160Y1 + 120Y2 + 280Y3
Sujeto a: Sujeto a:
2X1 + 2X2 ≤ 160 (1) 2Y1 + Y2 + 4Y3 ≥ 3
X1 + 2X2 ≤ 120 (2) 2Y1 + 2Y2 + 2Y3 ≥ 5
Y 1, Y 2 ≥ 0
4X1 + 2X2 ≤ 280 (3)
X 1, X 2 ≥ 0
La variable que entra a la base es X2, por tener el coeficiente más negativo y la variable que sale es X4.
Básica X1 X2 X3 X4 X5 Solución
Z -1/2 0 0 5/2 0 300
X3 1 0 1 -1 0 40
X1 1/2 1 0 1/2 0 60
X5 3 0 0 -1 1 140
La variable que entra a la base es X1, por tener el coeficiente negativo y la variable que sale es X3.
Básica X1 X2 X3 X4 X5 Solución
Z 0 0 1/2 2 0 320
X2 1 0 1 -1 0 40
X1 0 1 -1/2 1 0 40
X5 0 0 -3 2 1 20
8
2Y1 + Y2 + 4Y3 −Y4 + A1 = 3
2Y1 + 2Y2 + 2Y3 −Y5 + A2 = 5
b. La formulación será de la siguiente manera:
Minimizar Z1 = A1 + A2
Igualando a cero la función objetivo, tenemos
Z1 −A1 − A1 = 0
Sujeto a
2Y1 + Y2 + 4Y3 −Y4 + A1 = 3
2Y1 + 2Y2 + 2Y3 −Y5 + A2 = 5
Y1, Y2, Y3 , Y4 , Y5 , A1 , A2 ≥ 0
c. Llevamos los datos a un tablero inicial
Var Bas Y1 Y2 Y3 Y4 Y5 A1 A2 Val Sol
Z1 0 0 0 0 0 -1 -1 0
A1 2 1 4 -1 0 1 0 3
A2 2 2 2 0 -1 0 1 5
e. Identificamos la variable que entra a la base, como estamos minimizando, elegimos a la más positiva, es decir
entra a la base Y3 y la variable que sale es la que tiene la razón menor, para mantener la factibilidad: Min{3/4,
5/2} = ¾ = 0.75 que corresponde a la variable A1.
Var Bas Y1 Y2 Y3 Y4 Y5 A1 A2 Val Sol
Z1 1 3/2 0 1/2 -1 -3/2 0 7/2
Y3 1/2 1/4 1 -1/4 0 1/4 0 ¾(-6)(-2)
A2 1 3/2 0 1/2 -1 -1/2 1 7/2
Las operaciones realizadas son:
Nueva fila Y3 = 1/4 x fila anterior Y3
Nueva fila Z1 = Anterior fila Z1 + (-6 x fila Y3)
Nueva fila A2 = Anterior fila A2 + (-2 x fila Y1)
El tablero anterior aun no es óptimo porque hay coeficientes negativos en la fila Z 1, por tanto continuamos
iterando
f. La variable que entra a la base es Y2, la que sale de la base es A2
Var Bas Y1 Y2 Y3 Y4 Y5 A1 A2 Val Sol
Z1 0 0 0 0 0 -1 -1 0
Y3 1/3 0 1 -1/3 1/6 1/3 -1/6 1/6
Y2 2/3 1 0 1/3 -2/3 -1/3 2/3 7/3(-1/4)(-3/2)
Las operaciones realizadas son:
Nueva fila Y2 = 2/3 x fila anterior Y2
Nueva fila Z = anterior fila Z + (-3/2 x fila Y2)
Nueva fila Y3 = anterior fila Y3 + (-1/4 x fila Y2)
g. Fase II
Minimizar Z = 160Y1 + 120Y2 + 280Y3
Igualando a cero la FO, tenemos: Z -160Y1 - 120Y2 - 280Y3 = 0
Var Bas Y1 Y2 Y3 Y4 Y5 Val Sol
Z -160 -120 -280 0 0 0
Y3 1/3 0 1 -1/3 1/6 1/6
Y2 2/3 1 0 1/3 -2/3 7/3
9
Las operaciones realizadas son:
Nueva fila Z = Anterior fila Z + (-280 x fila Y3 -120 x fila Y2)
El tablero anterior aun no es óptimo porque hay coeficientes positivos, por lo que hay que continuar iterando
10
Relación entre la solución óptima primal y la solución óptima dual
Un modelo dual puede resolverse utilizando el algoritmo simplex, para conocer el valor de las variables
duales, pero este procedimiento no es necesario, pues como se dijo en la introducción del capítulo, una de
las ventajas claves de la dualidad es la posibilidad de obtener la solución del dual directamente de la
solución del primal.
Del problema No 2, tenemos el siguiente Primal y Dual
Primal Dual
Maximizar Z = 3X1 + 5X2 Minimizar Z = 160Y1 + 120Y2 + 280Y3
Sujeto a: Sujeto a:
2X1 + 2X2 ≤ 160 (1) 2Y1 + Y2 + 4Y3 ≥ 3
X1 + 2X2 ≤ 120 (2) 2Y1 + 2Y2 + 2Y3 ≥ 5
Y 1, Y 2 ≥ 0
4X1 + 2X2 ≤ 280 (3)
X1, X2 ≥ 0
1 −1 0
Matriz Inversa Optima = [−1/2 1 0]
−3 2 1
Método 1
Vector renglón de los coeficientes
Valores óptimos de las Inversa 𝑝𝑟𝑖𝑚𝑎𝑙
( )= ( objetivos originales de las )𝑥( )
variables 𝑑𝑢𝑎𝑙𝑒𝑠 óptima
variables básicas óptimas 𝑝𝑟𝑖𝑚𝑎𝑙𝑒𝑠
Y2 1 −1 0 5∗1−3∗1+0 2
1
[Y1 ] = [5, 3, 0]* [−1/2 1 0] = [ 5 ∗ 2 + 3 + 0 ] = [1/2]
Y3 −3 2 1 0 0
Y2 2
[Y1 ] = [1/2]
Y3 0
Cómo leer la solución óptima del dual a partir del renglón Z del tablero óptimo si el primal es un
problema de maximización
11
Valor óptimo de la variable yi, del dual = coeficiente de Si (variable de holgura), en el renglón Z optimo (31)
si la restricción i es una restricción ≤
Valor óptimo de la variable dual yi = - (coeficiente de ei (variable de déficit en el renglón Z oprimo (31’)
si la restricción i es una restricción ≥
Valor óptimo de la variable dual yi = (coeficiente de ai (variable artificial) en el renglón Z optimo) - M
si la restricción i es una restricción de igualdad (31’’)
Mediante el ejemplo siguiente se ilustra cómo determinar la solución óptima del dual de un problema con restricciones
≤, ≥ e igualdad.
Según esta regla, podemos encontrar el dual a partir de la solución del primal
Como la primera restricción del primal es una restricción ≤ según (31), y1 = coeficiente de x3 en el renglón Z óptimo =
1/2. La segunda restricción del primal es una restricción ≤ por eso vemos de (31) que y2 = (coeficiente de x4 en el
renglón Z óptimo) = 2, como la tercera restricción del primal es una restricción ≤ según (31), y3 = coeficiente de x5 en
el renglón Z óptimo = 0.
Problema No 3
Max z = 3x1 + 2x2 + 5x3
Sujeto a
x1 + 3x2 + 2x3 ≤ 15
2x2 – x3 ≥5
2x1 + x2 – 5x3 = 10
x1, x2, x3 ≥ 0
Se suma una variable de holgura s1, se resta una variable de excedente e2 y se suman dos variables artificiales a2 y a3 .
El tablero óptimo se da en la tabla siguiente.
A partir de este tablero la solución óptima es z =565/23, x3 = 15/23, x2 = 65/23, x1 = 120/23, s1 = e2 = a2 = a3 =0.
Utilice esta información para determinar la solución del dual.
Básica X1 X2 X3 S1 E2 A2 A3 solución
Z 0 0 0 51/53 58/23 M-58/23 M+9/23 565/23
X3 0 0 1 4/23 5/23 -5/23 -2/23 15/23
X2 0 1 0 2/53 -9/23 9/23 -1/23 65/23
X1 1 0 0 9/23 17/23 -17/23 7/23 120/23
12
Al seguir los pasos se encuentra el dual a partir del tablero en la tabla primal:
Min w = 15y1 +5y2 + 10y3
Sujeto a
y1 + 2y2 ≥3
3y1 +2y2 +y3 ≥ 2
2y1 – y2 – 5y3 ≥ 5
y1 ≥ 0, y2 ≤0, y3 no restringido
A partir de (31) y el tablero del primal óptimo es posible encontrar la solución óptima de (33) como sigue:
Como la primera restricción del primal es una restricción ≤ según (31), y1 = coeficiente de s1 en el renglón Z óptimo =
51/23. La segunda restricción del primal es una restricción ≥, por eso vemos de (31’) que y 2 = - (coeficiente de e2 en el
renglón Z óptimo) = -58/23.
Como la tercera restricción es una restricción de igualdad, de (31"), y3 = (coeficiente de a3 en el renglón Z óptimo) —
M = 9/23
Por el teorema del dual, el valor de w de la función objetivo optima del dual debe ser igual a 565/23. En
resumen, la solución dual óptima es
w = 565/23, y1 = 51/23, y2 = -58/23, y3 = 9/23
Como leer la solución óptima del dual a partir del renglón z del tablero óptimo si el primal es un
problema de minimización
Valor óptimo de la variable xi del dual = (coeficiente de si en el renglón Z óptimo) si la restricción i es una restricción
≤
Valor óptimo de la variable xi, del dual = - (coeficiente de ei, en el renglón Z óptimo) si la restricción i es una
restricción ≥
Valor óptimo de la variable xi = (coeficiente de ai en el renglón Z óptimo) + M del dual si la restricción i es una
restricción de igualdad
Con el fin de ilustrar cómo se puede leer la solución óptima del dual en un problema de minimización a partir del
tablero óptimo del primal considere
Básica y1 y2 y3 e1 s1 a1 a2 Solución
Z -1 0 0 -3 0 3-M -1-M 6
y2 1 1 0 -2 0 2 -1 2
s1 -1 0 0 3 1 -3 2 2
y3 0 0 1 1 0 -1 1 2
El tablero óptimo para este problema se presenta en la tabla 26. Por lo tanto, la solución óptima del primal es w = 6,
y2= y3 = 2, y1 = 0. El dual del PL anterior es
13
Según el tablero del primal, la solución óptima del dual es z = 6, x1 = 3, x2 = 0, x3=-1
Ejercicio No 4: La Dakota Furniture Company fabrica escritorios, mesas y sillas. Para la manufactura de cada tipo de
mueble se requiere madera y dos tipos de mano de obra calificada: acabado y carpintería. La cantidad de recursos
necesarios para elaborar cada tipo de muebles se proporciona en la tabla siguiente.
Se cuenta en la actualidad con 48 pies tablón de madera. 20 horas de acabado y 8 horas de carpintería. Un escritorio se
vende en 60 dólares, una mesa, en 30 dólares y una silla en 20 dólares. Dakota opina que la demanda de escritorios y
sillas es ilimitada, pero cuando mucho se pueden vender 5 mesas. Puesto que los recursos disponibles ya se compraron,
Dakota quiere maximizar el ingreso total. Si se definen las variables de decisión como
X1 = cantidad de escritorios fabricados
X2 = cantidad de mesas fabricadas
X3 = cantidad de sillas fabricadas
al leer hacia abajo. De igual manera, si el primal es un problema de minimización normal, se le encuentra al leer hacia
abajo; el dual se determina al leer de lado a lado de la tabla. El uso de la tabla se ilustra mediante la determinación del
dual del problema de Dakota y el dual del problema de la dieta. El problema de Dakota es
Si aplicamos el formato de la tabla 14, leemos el problema de Dakota en la tabla 15. Entonces, si leemos hacia abajo
encontramos que el dual de Dakota es
El método tabular para la determinación del dual hace evidente que la restricción dual i-ésima corresponde a la
variable primal i-ésima xi. Por ejemplo, la primera restricción dual corresponde a xi (escritorios), porque cada número
proviene de la columna de x1, (escritorios) del primal. De igual manera, la segunda restricción dual corresponde a x2
(mesas), y la tercera restricción dual corresponde a x3 (sillas). De la misma manera, la variable dual yi se asocia con la
i-ésima restricción primal. Por ejemplo, y1 se asocia con la primera restricción primal (restricción de la madera) porque
cada coeficiente de y1, en el dual proviene de la restricción de la madera o de la disponibilidad de madera. La
importancia de estas correspondencias entre el primal y el dual se aclara en la sección siguiente.
14
La primera restricción del dual se relaciona con los escritorios, la segunda con las mesas y la tercera con las sillas.
Asimismo, y1, se relaciona con la madera. y2 con las horas de acabado y y3 con las horas de carpintería. La
información pertinente acerca del problema de Dakota se proporciona en la tabla 21.
Ahora ya estamos listos para interpretar el dual (20) de Dakota. Suponga que un empresario desea comprar todos los
recursos de Dakota. Luego el empresario debe determinar el precio que está dispuesto a pagar por una unidad de cada
recurso de Dakota. Con esto en mente, definimos
Los precios y1, y2 y y3 de los recursos se deben determinar ahora resolviendo el dual (20) de Dakota. El precio total
que se tiene que pagar por estos recursos es 48y1 + 20y2 + 8y3. Como el costo de comprar los recursos se debe
minimizar.
Pero ésta es justamente la primera restricción (o de los escritorios) del dual de Dakota. Un razonamiento similar
muestra que por lo menos se deben pagar 30 dólares por los recursos utilizados para fabricar una mesa (6 pies tablón
de madera, 2 horas de acabado y 1.5 horas de carpintería). Esto quiere decir que y1, y2 y y3 tienen que satisfacer
Ésta es la segunda restricción (de las sillas) del dual de Dakota. De manera similar, la tercera restricción (de las sillas)
del dual.
y1 + 1.5y2 + 0.5y3 ≥ 20
Establece que por lo menos 20 dólares (el precio de una silla) se tiene que pagar por los recursos necesarios para
fabricar una silla (1 pie tablón de madera, 1.5 h de acabado y 0.5 h de carpintería). También se deben mantener las
restricciones de signo y1 ≥ 0, y2 ≥ 0, y y3 ≥ 0. Al reunir todo se observa que la solución del dual del problema de
Dakota sí da los precios de la madera, horas de acabado y horas de carpintería. El análisis anterior señala también que
la variable i-ésima del dual de hecho corresponde de manera natural a la restricción i-ésima del primal.
En resumen, cuando el primal es un problema de maximización normal, las variables del dual se relacionan con el
valor de los recursos que tiene disponibles el tomador de decisiones. Por esta razón, las variables del dual a menudo
reciben el nombre de precios sombra de los recursos. Un análisis más completo se presenta en la sección siguiente.
15
Maximizar Z = 60X1 + 30X2 + 20X3
Sujeto a
8X1 +6X2 + X3 ≤ 48 (Restricción de la madera)
4X1 +2X2 + 1.5X3 ≤ 20 (Restricción de acabado)
2X1 +1.5X2 + 0.5X3≤ 8 (Restricción de carpintería)
X2 ≤ 5 (Restricción de la demanda de mesas)
X1, X2, X3 ≥ 0
Una Cía. manufacturera fabrica los productos 1 y 2; y es suficientemente afortunada como para vender todo lo que
puede producir actualmente.
Cada producto requiere un tiempo de manufacturación en los 3 departamentos y la disponibilidad de una cantidad fija
de horas-hombre por semana en cada departamento; tal como se muestra en el cuadro siguiente:
El problema consiste en decidir qué cantidad de cada producto debe manufacturarse con el objeto de hacer el mejor
empleo de los medios limitados de producción, sabiendo que la ganancia por cada unidad del producto 1 es de S/. 3.00
y del producto 2 es de S/. 5.00.
Resumen
Maximizar Z = 3X1 + 5X2
Sujeto a:
2X1 + 2X2 ≤ 160 (1)
X1 + 2X2 ≤ 120 (2)
4X1 + 2X2 ≤ 280 (3)
X1, X2 ≥ 0
X1 = 0 X2 = 0 X2 = 60 X1 = 120 (2)
16
X1 = 0 X2 = 0 X2 = 140 X1 = 70 (3)
b. Trazar la línea resultante encontrando dos puntos distintos en esa línea.
b. Trazar la línea de la función objetivo dando un valor arbitrario de Z, por ejemplo Z = 150. Encontramos la
intersección de X1 y X2.
X1 = 0 X2 = 0
X2 = 30 X1 = 50
17
d. Mover la línea de la función objetivo en forma paralela a sí misma en la dirección de mejora hasta que la línea esté
a punto de dejar la región factible. (El punto extremo final es la solución óptima al programa lineal.)
e. Calcular los valores de las variables en la solución óptima resolviendo las dos ecuaciones de las dos líneas que pasan
por este punto.
X1 = 40
X1 = 40
X2 = 40
Z = 320
Método Simplex
Paso 0. Determinar una solución básica factible de inicio.
18
Paso 1. Seleccionar una variable de entrada aplicando la condición de optimalidad. Detenerse si no hay variable de
entrada; la última solución es la óptima.
Paso 2. Seleccionar una variable de salida aplicando la condición de factibilidad.
Paso 3. Determinar la nueva solución básica con los cálculos adecuados de Gauss-Jordan. Ir al paso 1.
Paso Inicial: Se introducen las variables de holgura. Se seleccionan las variables de decisión como las variables no
básicas iníciales(es decir, iguales a cero) y las variables de holgura como las variables básicas iníciales.
En el ejemplo: Esta selección conduce a la tabla simplex inicial que se muestra en la tabla siguiente, por lo que la
solución BF inicial es (0, 0, 160, 120, 280)
Prueba de Optimalidad. La solución BF es óptima si y solo si todos los coeficientes del renglón 0 son no negativos
(≥0). Si es así, el proceso se define, de otra manera, sigue a una iteración para obtener la siguiente solución BF, que
incluye cambiar una variable no básica en básica (paso 1) y viceversa (paso 2) y después despejar la nueva solución
(paso 3).
Iteración. Paso 1: Se determina la variable básica entrante con la selección de la variable (que de modo automático
es no básica) con el coeficiente negativo que tiene el mayor valor absoluto (es decir el coeficiente “más negativo”) de
la ecuación (0). Se pone un recuadro alrededor de la columna debajo de este coeficiente y se le da el, nombre de
columna pivote.
En el ejemplo: El coeficiente más negativo es -5 para x2 (5- < -3), de manera que x2 debe convertirse en variable básica
(Este cambio se indica en la tabla 10 mediante el recuadro alrededor de la columna debajo de -5)
Paso 2: Se determina la variable la variable básica que sale con la prueba del cociente mínimo.
Ponga un recuadro en este renglón que se llama renglón pivote. El número que se encuentra en los dos recuadros se
llama número pivote.
19
La celda pivote es 2, a toda la fila de esta celda se divide entre 2, para convertirlo en 1
20
Problema No 5
Una florista sabe hacer solo 2 tipos distintos de arreglos florales (x1, x2) ) para los cuales dispone de 3 tipos distintos de
flores: rosas, tulipanes e ibizcos. Los requerimientos de flores para cada arreglo, la disponibilidad de flores y los
precios de cada arreglo vienen dados por:
Flores X1 X2 Disponibilidad
Rosas 3 1 300
Tulipanes 1 1 140
Ibizcos 1 3 300
Precio 200 100
1. Formule un PPL que resuelva el problema de maximización de ingresos por ventas sujeto a la
disponibilidad de recursos.
2. ¿Cuál es el problema dual asociado?
3. Resuelva el problema dual asociado.
4. Suponga que retorna frustrado después que una bella dama le cerrara la puerta cuando usted le llevaba
amablemente una rosa, un tulipán y un ibizco Si se encuentra con la florista, ¿Cuánto cree que estaría
dispuesta a pagar ella por sus flores?
Solución
1. A estas alturas del curso, todos debieran de poder modelar un problema tan sencillo como este por lo que
ahorrare comentarios:
Maximizar Z = 200X1 + 100X2
Sujeto a
3X1 + X2 ≤ 300
X1 + X2 ≤ 140
X1 + 3X2 ≤ 300
X1, X2 ≥ 0
2. Solución del problema primal
Básica X1 X2 X3 X4 X5 Solución
Z -200 -100 0 0 0 0
X3 3 1 1 0 0 300
X4 1 1 0 1 0 140
X5 1 3 0 0 1 300
Básica X1 X2 X3 X4 X5 Solución
Z 0 -100/3 200/3 0 0 20000
X1 1 1/3 1/3 0 0 100
X4 0 2/3 -1/3 1 0 40
X5 0 8/3 -1/3 0 1 200
Básica X1 X2 X3 X4 X5 Solución
Z 0 0 50 50 0 22000
X1 1 0 1/2 -1/2 0 80
X2 0 1 -1/2 3/2 0 60
X5 0 0 1 -4 1 40
Solución del primal: X1 = 80, X2 = 60, X3 = 0, X4 = 0, X5 = 20, Z = 22000
21
Solución Dual
Minimizar Z = 300Y1 + 140Y2 + 300Y3
Sujeto a
3Y1 + Y2 + Y3 ≥ 200
Y1 + Y2 + 3Y3 ≥ 100
Y1, Y2 ≥ 0
Para encontrar el dual, procedemos como se describió en la introducción teórica de esta clase aplicando las relaciones
de dualidad:
Esta formulación resuelve el problema de un agente externo que quiere saber qué precio unitario ofrecer por cada una
de las flores si quiere comprarle todas las flores a la florista. Así, y1, y2, e y3 son los precios asociados a las rozas,
tulipanes e ibizcos.
Minimizar Z1 = A1 + A2
Igualando a cero Z1, tenemos: Z1 – A1 – A2 = 0
Básica Y1 Y2 Y3 Y4 Y5 A1 A2 Solución
Z1 0 0 0 0 0 -1 -1 0
A1 3 1 1 -1 0 1 0 200
A2 1 1 3 0 -1 0 1 100
Eliminamos el coeficiente (-1) de la fila Z1 en la columna A1 y A2
22
Básica Y1 Y2 Y3 Y4 Y5 A1 A2 Solución
Z1 4 2 4 -1 -1 0 0 300
A1 3 1 1 -1 0 1 0 200
A2 1 1 3 0 -1 0 1 100
Hay 2 variables candidatas a ingresar a la base Y1 e Y3 porque tienen el mismo coeficiente (4), elegimos a
Y1 arbitrariamente. La variable de salida seria A1
La variable que entra es Y3 y la que sale es A2
Nueva fila Y1 = 1/3 x Anterior Fila Y1
Nueva fila Z1 = Fila anterior Z1 + (-4 x Fila Y1)
Nueva fila A2 = Fila anterior A2 + (-1 x Fila Y1)
Básica Y1 Y2 Y3 Y4 Y5 A1 A2 Solución
Z1 0 2/3 8/3 1/3 -1 -4/3 0 100/3
Y1 1 1/3 1/3 -1/3 0 1/3 0 200/3
A2 0 2/3 8/3 1/3 -1 -1/3 1 100/3
Básica Y1 Y2 Y3 Y4 Y5 A1 A2 Solución
Z1 0 0 0 0 0 -1 -1 0
Y1 1 1/4 0 -3/8 1/8 3/8 -1/8 125/2
Y3 0 1/4 1 1/8 -3/8 -1/8 3/8 25/2
Fase II
La FO original es: Minimizar Z = 300Y1 + 140Y2 + 300Y3
Igualando a cero, tenemos:
Z - 300Y1 - 140Y2 - 300Y3 = 0
Incorporándolo al tablero óptimo sin las columnas de las variables artificiales de la primera fase tenemos:
Básica Y1 Y2 Y3 Y4 Y5 Solución
Z -300 -140 -300 0 0 0
Y1 1 1/4 0 -3/8 1/8 125/2
Y3 0 1/4 1 1/8 -3/8 25/2
Básica Y1 Y2 Y3 Y4 Y5 Solución
Z 0 10 0 -75 -75 22500
Y1 1 1/4 0 -3/8 1/8 125/2
Y3 0 1/4 1 1/8 -3/8 25/2
23
La solución es:
Y1 = 50
Y2 = 50
Y3 = 0
Z = 22000
Estas variables son denominadas variables duales
También se pueden encontrar el valor de las variables duales, partiendo del tablero optimo primal de la
siguiente manera:
Vector renglón de los coeficientes
Valores óptimos de las Inversa 𝑝𝑟𝑖𝑚𝑎𝑙
( )= ( objetivos originales de las )𝑥( )
variables 𝑑𝑢𝑎𝑙𝑒𝑠 óptima
variables básicas óptimas 𝑝𝑟𝑖𝑚𝑎𝑙𝑒𝑠
Básica X1 X2 X3 X4 X5 Solución
Z 0 0 50 50 0 22000
X1 1 0 1/2 -1/2 0 80
X2 0 1 -1/2 3/2 0 60
X5 0 0 1 -4 1 40
24
1 1
Y1 1/2 −1/2 0 200 ∗ − 100 ∗ + 0 ∗ 1
2 2 50
[Y2 ] = [200 100 0]x [−1/2 3/2 0] = 1 3 = [50]
Y3 1 −4 1 − ∗ 200 + 100 ∗ − 4 ∗ 0 0
2 2
[ 200 ∗ 0 + 100 ∗ 0 + 0 ∗ 1 ]
Solución mediante el método simplex dual
Minimizar Z = 300Y1 + 140Y2 + 300Y3
Sujeto a
3Y1 + Y2 + Y3 ≥ 200
Y1 + Y2 + 3Y3 ≥ 100
Y1, Y2 ≥ 0
Básica Y1 Y2 Y3 Y4 Y5 Solución
Z1 -300 -140 -300 0 0 0
Y4 -3 -1 -1 1 0 -200
Y5 -1 -1 -3 0 1 -100
La variable que sale de la base es Y4, porque tiene el coeficiente más negativo.
La variable que sale es Mínimo {-300/-3, -140/-1, -300/-1} = 100, que corresponde a la variable Y1.
Básica Y1 Y2 Y3 Y4 Y5 Solución
Z1 -300 -140 -300 0 0 0
Y4 -3 -1 -1 1 0 -200
Y5 -1 -1 -3 0 1 -100
Básica Y1 Y2 Y3 Y4 Y5 Solución
Z1 0 -40 -200 -100 0 20000
Y1 1 1/3 1/3 -1/3 0 200/3
Y5 0 -2/3 -8/3 -1/3 1 -100/3
La variable que sale de la base es Y5 y la variable que entra es Min {-40/(-2/3), -200/(-8/3), -100/(-1/3)}=
{60, 75, 300} = 60, que corresponde a Y2.
Básica Y1 Y2 Y3 Y4 Y5 Solución
Z1 0 0 -40 -80 60 22000
Y1 1 0 -1 -1/2 -1/2 50
Y2 0 1 4 1/2 3/2 50
Básica X1 X2 X3 X4 X5 Solución
Z 0 0 50 50 0 22000
X1 1 0 1/2 -1/2 0 80
X2 0 1 -1/2 3/2 0 60
X5 0 0 1 -4 1 40
25
Como la primera restricción del primal es una restricción ≤ según (31), y1 = coeficiente de x3 en el renglón Z óptimo =
50. La segunda restricción del primal es una restricción ≤ por eso vemos de (31) que y2 = (coeficiente de x4 en el
renglón Z óptimo) = 50, como la tercera restricción del primal es una restricción ≤ según (31), y3 = coeficiente de x5
en el renglón Z óptimo = 0.
Problema No 6
Resolver el problema (Método Simplex Dual)
Minimizar Z = 160Y1 + 120Y2 + 280Y3
Sujeto a:
2Y1 + Y2 + 4Y3 ≥ 3
2Y1 + 2Y2 + 2Y3 ≥ 5
Y1, Y2 ≥ 0
Nota: Primero se identifica a la variable saliente y es aquella que tiene el valor en el lado derecho y es el más negativo.
La variable que entra a la base es aquella que tiene el coeficiente (Cj – Zj)/−∝𝑗 menor si minimizamos y mayor
si maximizamos
e. Se identifica la variable saliente y es aquella que tiene el valor derecho más negativo y corresponde a la variable Y 5.
La variable entrante es aquella con la razón mínima de: (-160/-2, -120/-2, -280/-2) = (80, 60, 140) = 60 y
corresponde a Y2.
f. A la fila pivote dividir entre (-2)(F3 = F3/-2) y deben realizarse las operaciones siguientes:
1F3 +F2
120F3 + F1
26
Y4 -1 0 -3 1 -1/2 -1/2
Y2 1 1 1 0 -1/2 5/2(1)(120)
g. Aun no se ha llegado al optimo porque aun en el lado derecho existe un valor negativo (-1/2) y corresponde a la
variable Y4, por tanto es la variable saliente. La variable entrante será la que tiene la razón mínima (-40/-1, -160/-3,
-60/(-1/2)) = (40, 53.33, 120) = 40, corresponde a la variable Y 1
Var. Solución Y1 Y2 Y3 Y4 Y5 Val. Sol.
Z -40 0 -160 0 -60 300
Y4 -1 0 -3 1 -1/2 -1/2
Y2 1 1 1 0 -1/2 5/2
Razón -40/-1=40 -160/-3=53.33 -60/(-1/2)=120
h. A la fila pivote lo multiplicamos por (-1) (F2 = (-1)F2) y realizamos las operaciones elementales de Gauss Jordán
siguientes:
-1F2 + F3
40F2 + F1
i. Se ha llegado al optimo por que no existen valores negativos en el lado derecho, los valores óptimos son:
Y1 = ½
Y2 = 2
Y3 = 0
Y4 = 0
Y5 = 0
Z = 320
Como la restricción (1) y (2) dan origen al vértice óptimo, resolvemos estas ecuaciones
X1 = 41
320.5−320 1
Y1 = = 0.5 =
1 2
Valor para Y2
28
Ahora incrementemos 1 hora en el Dpto. B y veamos como varia la Función Objetivo
X1 + 2X2 = 121
Como la restricción (1) y (2) dan origen al vértice óptimo, resolvemos estas ecuaciones
2X1 + 2X2 = 160 (1)
X1 + 2X2 = 121 (2)
Multiplicamos por (-1) la ecuación (2)
X1 = 39
Pero esta restricción no forma parte de la solución óptima, por tanto no incrementa la función objetivo, es decir es 0 el
incremento, entonces:
0
Y3 = = 0
1
Y3 = 0
Con estos valores se reemplazan en la función objetivo y se calcula como se hizo anteriormente.
Ejemplo No 8:
Resolver el siguiente modelo usando el método Dual-Simplex
Minimizar Z= 2X1 + 1X2
29
Sujeto a : 3X1 +X2 > 10
4X1 +3X2 > 12
X1 +2X2 < 3
con X1, X2 > 0
Expresando el modelo en formato estándar y ajustándolo para que las variables básicas sean las variables de holgura
tenemos:
Minimizar Z= 2X1 + 1X2
Sujeto a : -3X1 -X2 +X3 = -3
-4X1 -3X2 +X4 = -6
X1 +2X2 +X5 = 3
Usando el método Dual Simplex obtenemos, sucesivamente:
Tabla 0
Básicas X1 X2 X3 X4 X5 Solución
Z -2 -1 0 0 0 0
X3 -3 -1 1 0 0 -3
X4 -4 -3 0 1 0 -6
X5 1 2 0 0 1 3
Sale X4
Entonces los cocientes son Min = {-2/-4, -1/-3} = 1/3, por tanto entra X2
Nota: Obsérvese que cuando el objetivo es minimizar, se toma el valor menor de los cocientes.
Tabla 1
Básicas X1 X2 X3 X4 X5 Solución
Z -2/3 0 0 -1/3 0 2
X3 -5/3 0 1 -1/3 0 -1
X2 4/3 1 0 -1/3 0 2(1)(-2)
X5 -5/3 0 0 2/3 1 -1
Sale X3
Los cocientes son: Min{(-2/3)/(-5/3), (-1/3)/(-1/3)} = {2/5, 1} = 2/5, por tanto entra X1
Tabla 2 (óptima)
Básicas X1 X2 X3 X4 X5 Solución
Z 0 0 -2/5 -1/5 0 12/5
X1 1 0 -3/5 1/5 0 3/5
X2 0 1 4/5 -3/5 0 6/5
X5 0 0 -1 1 1 0
La solución óptima es X1 = 3/5, X2 = 6/5; X3=0, X4=0, X5=0, Z = 12/5
En la gráfica observamos el camino que realmente siguió el algoritmo para pasar de la solución infactible con valor Z=
0 a la solución factible óptima con valor Z = 12/5.
La aplicación del método simplex dual es especialmente útil en el análisis de sensibilidad. Se usa cuando después de
haber obtenido la solución óptima, se desea agregar una nueva restricción al modelo si la nueva restricción no se
cumple.
En este caso se obtiene que para los valores óptimos de las variables de decisión, la solución permanece óptima pero se
convierte en infactible. Surge entonces la necesidad de aplicar el algoritmo Dual-Simplex para extraer la variable
básica que tiene valor infactible. Cuando estudiemos el tema de análisis de sensibilidad analizaremos un caso como el
citado.
Problema No 9: La carne con papas es el plato favorito de Gregorio. Por eso decidió hacer una dieta continua de sólo
estos dos alimentos (más algunos líquidos y suplementos de vitaminas) en todas sus comidas.
Ralph sabe que ésa no es la dieta más sana y quiere asegurarse de que toma las cantidades adecuadas de los dos
alimentos para satisfacer los requerimientos nutricionales. Él ha obtenido la información nutricional y de costo que se
muestra en el siguiente cuadro.
30
Ralph quiere determinar el número de porciones diarias (pueden ser fraccionales) de res y papas que cumplirían con
estos requerimientos a un costo mínimo.
a. Formule un modelo de programación lineal.
b. Use el método gráfico para resolver el modelo.
c. Utilice una computadora para resolver este modelo por el método simplex.
Variables de decisión
X1: Cantidad de gramos de Res
X2: Cantidad de gramos de Papas
Función Objetivo
Minimizar Z = 4X1 + 2X2
Restricciones
5X1 + 15X2 ≥ 50 (Carbohidratos)
20X1 + 5X2 ≥ 40 (Proteínas)
15X1 + 2X2 ≤ 60 (Grasa)
X1, X2 ≥ 0
31
La solución óptima se da en el vértice A, en la intersección de (1) y la recta (2), entonces procedemos a resolverlo:
5X1 + 15X2 = 50 (1)
20X1 + 5X2 = 40 (2)
-275X2 = -800
X2 = 2.9091
Reemplazando de (1)
5X1 + 15(2.9091) = 50
5X1 = 50 – 43.636363
5X1 = 6.363636
X1 = 1.2727
Z = 4X1 + 2X2
Z = 4(1.2727) + 2(2.9091)
Z = 5.0908+5.8182 = 10.909
Función Objetivo
Minimizar Z = 4X1 + 2X2
Restricciones
5X1 + 15X2 ≥ 50 (Carbohidratos) (1)
20X1 + 5X2 ≥ 40 (Proteínas) (2)
15X1 + 2X2 ≤ 60 (Grasa) (3)
X1, X2 ≥ 0
32
Básica X1 X2 X3 X4 X5 Solución
Z -10/3 0 -2/15 0 0 20/3
X2 1/3 1 -1/15 0 0 10/3
X4 -55/3 0 -1/3 1 0 -70/3
X5 43/3 0 2/15 0 1 160/3
La variable que sale de la base es X4, la que entra es Min {(-10/3)/(-55/3), (-2/15)/(-1/3)} ={11/55,2/5}= 11/55 que
corresponde a la variable X1
Básica X1 X2 X3 X4 X5 Solución
Z 0 0 -4/55 -2/11 0 120/11
X2 0 1 -4/55 1/55 0 32/11
X1 1 0 1/55 -3/55 0 14/11
X5 0 0 -7/55 43/55 1 386/11
En el tablero anterior se cumple la condición de factibilidad y optimalidad, por tanto la solución es:
X1 = 14/11 = 1.27273, X2 =32/11= 2.9091, X3 =0, X4=0, X5=386/11 = 35.09091, Z = 10.9091
INICIALIZACIÓN
Encontrar una solución Dual básica factible al problema en la tabla Primal; todos los coeficientes en el renglón cero
son positivos o ceros.
PASO PRINCIPAL
1. Si todos los elementos en el Lado Derecho son mayores o iguales a cero detenerse, la solución actual es óptima
Dual (y también Primal). Si no, seleccione el elemento más negativo del Lado Derecho de la tabla simplex y defina
dicha posición como el renglón pivote.
33
f. Determinar la variable que entra (columna pivote), Razón = |Coeficiente de Z / coeficiente fila pivote|
Razón Menor = Columna X2 |-500 /-3| = 83.333
Nota: No hay más iteraciones cuando no existan soluciones con coeficientes negativos.
Solución optima
X1 = 20
X2 = 4
X3 = 0
X4 = 0
Z = 26000
Problema No 10
Considere el siguiente modelo de PL y determine su solución por el método dual-simplex.
Igualando a cero la función objetivo y agregando las variables de holgura para obtener ecuaciones de restricción.
34
- 2X2 -2X3 + X5 =-5
X1, X2, X3 ≥ 0
Conclusión.
La solución óptima es:
X2 = 3/2
X3= 1
Con Zoptima = -36
Ejemplo No 3: Una compañía manufacturera elabora dos tipos de bates para baseball: uno de peso ligero usado en los
juegos de las ligas menores y otro de peso mediano que se vende a los equipos de las ligas mayores.
La producción de un bate requiere una operación de torno para darle forma, un proceso de lija para suavizar la madera,
y para los medianos, solamente: una mano de laqueado como tratamiento final.
Un bate para liga menor requiere 1 minuto en un torno de alta velocidad en tanto que el bate para la liga mayor toma 2
minutos de tiempo torneado, puesto que se le debe dar la forma con tolerancias muy estrechas. Debido a la rápida dada
de forma del peso ligero, se requieren 3 minutos en la maquina lijadora, en tanto que el mediano necesita solo 2
minutos para ser lijado. El laqueado es hecho a mano y como resultado de esto solo pueden producirse 400 medianos
durante una semana.
Para una semana promedio de trabajo debe utilizarse 1000 minutos de tiempo de torno y 1800 minutos de tiempo de
lijado.
Asúmase que la compañía puede vender tantos bates de cada tipo como los que pueden producir, además se conoce
que la utilidad es de S/. 3.00 por cada peso ligero y S/. 4.00, por cada mediano producido.
Variables de Decisión
X1: No de bates ligeros producidos por semana
X2: No de bates medianos producidos por semana
X1 + 2X2 + X3 = 1000
3X1 + 2X2 + X4 = 1800
X2 + X5 = 400
Z - 3X1 - 4X2 = 0
35
Variable de Variable de holgura
Solución Razón
Básica z decisión
x1 x2 x3 x4 x5
z 1 -3 -4 0 0 0 0
x3 0 1 2 1 0 0 1000 1000/2=500
x4 0 3 2 0 1 0 1800 1800/2=900
x5 0 0 1 0 0 1 400 400/1=400
Ingresa x2 y sale x5
36
La solución es x1 = 300, x2 = 300, x3 = 0, x4 = 100, x5 = 0, z = 2400
Otra forma de encontrar el valor de las variables duales, es aumentar un minuto del recurso 1 (torno) es decir aumentar
de 1000 a 1001 minutos
2401.5−2300
y1 = = 1.5 = 3/2
1
Ahora aumentamos el recurso 2 (lijadora) de 1800 a 1801, el resto de recursos permanecen igual.
37
2400.5−2400
y2 = = 0.5 = 1/2
1
Ahora aumentamos el recurso 3 de 400 a 401 (laqueado), el resto de recursos permanecen igual.
2400−2400
y3 = = 0
1
CARACTERISTICAS CLAVE
En este tema, usted ha aprendido que las características clave asociadas con la solución grafica de un problema de
programación lineal con dos variables y algunas restricciones de desigualdad son las siguientes:
a. Obtener la región factible realizando lo siguiente para cada restricción:
b. A. Reemplazar el signo de desigualdad con un signo de igualdad.
c. Trazar la línea resultante encontrando dos puntos distintos en esa línea.
d. Identificar el lado factible de la línea.
La región factible, entonces, consiste en aquellos puntos que satisfacen todas las restricciones simultáneamente.
a. Obtener una solución óptima mediante los siguientes pasos:
b. Seleccionar cualquier punto dentro de la región factible.
c. Trazar la línea de la función objetivo a través del punto elegido
d. Determinar el lado de mejora de la línea de la función objetivo.
e. Mover la línea de la función objetivo en forma paralela a sí misma en la dirección de mejora hasta que la línea esté
a punto de dejar la región factible. (El punto extremo final es la solución óptima al programa lineal.)
f. Calcular los valores de las variables en la solución óptima resolviendo las dos ecuaciones de las dos líneas que
pasan por este punto.
1. Problema
2. Problema:
38
3. Problema
39