Escolar Documentos
Profissional Documentos
Cultura Documentos
100 cal
2 gr
$ 8.0
Carne y
pescado
500 cal
35 gr
$ 25.0
Harinas
120 cal
8 gr
$ 3.0
Requisitos
mnimos
2600 cal
60 gr
La formulacin general del Problema del transporte es que un cierto producto se elabora
en varios centros, n, y en su produccin intervienen los productos a1,a2,...,as. Este
producto debe ser enviado a m destinos cuyo coste por envo desde cada planta a cada
destino son conocidos. Adems se deben enviar en cantidades b1,b2,...,bs. El objetivo es
minimizar el coste total del transporte. Por ejemplo,
Una empresa tiene dos plantas de produccin en la ciudad de Mxico, una en el norte y
otra en el sur. El nivel de produccin de la planta del sur es de 1500 unidades y la del
norte de 3500. Las ventas de la empresa se distribuyen en las ciudades de Cuernavaca 850
unidades, Guadalajara 4000 unidades, Monterrey 3500 unidades. El costo de transporte se
por unidad se muestra en la siguiente tabla.
Planta Sur
Planta Norte
Cuernavaca
30
32
Guadalajara
240
235
Monterrey
320
315
La pregunta es determinar el nmero de unidades que debe enviar desde cada planta a
cada ciudad para que los costos sean mnimos?
La programacin lineal.
Los problemas de programacin tienen como objetivo principal la asignacin ptima de
los recursos con que cuenta una empresa, la mayora de las veces muy limitados, para
alcanzar objetivos especficos. Por esta razn los recursos, definidos en forma de
restricciones, pueden ser de distintos orgenes. Estas van desde las restricciones de
produccin como las impuestas por el mercado. Tambin, pueden ser resultado de las
limitaciones de material en almacn o en reserva.
Al final, el objetivo es maximizar o minimizar una funcin de beneficio, como podran ser
el la mxima utilidad el mnimo costo. Trataremos de determinar la mejor solucin
posible bajo ciertas restricciones, tales como el trabajo, maquinaria y la existencia de
insumos necesarios para la fabricacin de los productos de la empresa.
Se trata de un
b) Sujeta a las restricciones. Hiptesis de linealidad del modelo; es decir para obtener
2600 caloras diarias se requiere una combinacin 1001 de verdura, 5002
caloras obtenidas de carne y pescado y 123 de harinas de trigo y maz. La misma
consideracin se hace para las protenas.
1001 + 5002 + 123 2600
21 + 352 + 83 60
Restriccin de caloras
Restriccin de protenas
a) Sujeta a las restricciones. Hiptesis de linealidad del modelo; por un lado el camin
solo puede transportar una combinacin de 1 de caf y 2 de pimienta que no
deben rebasar un peso de 20,000 kg. Por otro lado, el volumen de 0.0251 de caf
y 0.012 de pimienta pueden ocupar un volumen no mayor a 1200 3 .
1 +
2 20,000
0.0251 + 0.012 1200
Restriccin de capacidad
Restriccin de volumen
Como hemos visto, un programa lineal pone en juego cuatro categoras de elementos; las
actividades, las constantes econmicas, las restricciones y los coeficientes tcnicos.
a) Las actividades son las variables de decisin del modelo en estudio. Se trata de
seleccionar aquellas que correspondan a la funcin a optimizar. Usualmente
utilizamos letras como 1 , 2 , 3 , . O bien , , , ,
b) Las constantes econmicas miden el nivel de realizacin asociado al beneficio de
cada recurso de la organizacin, o de la empresa. De esta manera a cada le
asociamos un beneficio .
c) Las restricciones del problema. Estas pueden ser de naturaleza muy diversa,
dependen del problema. Son los elementos que limitan el problema, las
restricciones. Estas pueden ser las limitaciones de produccin, de presupuesto, etc.
d) Los coeficientes tcnicos, son las cantidades de cada recurso que son necesarios
para producir una unidad de producto. Al recurso i y a la actividad j le
corresponder el coeficiente tcnico
Si las variables son continuas y los coeficientes tcnicos y econmicos son independientes
de los valores de las variables, el problema de programacin lineal se puede presentar de
la siguiente manera.
Un programa lineal en la forma cannica se escribe de la siguiente manera,
Maximizar
sujeto a:
= 1 1 + 2 2 + +
1 1 + 2 22 + +
= 1,2,3, . ,
En trminos econmicos,
Para resolver el programa lineal, deberemos buscar los valores de las variables de decisin
como 1 , 2 , 3 , ., que optimizan la funcin econmica , o si as fuera el caso demostrar
que el modelo no tiene solucin.
Para establecer un lenguaje comn damos las siguientes definiciones;
(30 60)
(13 60)
Un poliedro convexo es una figura geomtrica en la que al trazar un segmento que une dos puntos, estos
puntos estn contenidos dentro del poliedro.
configura la regin factible. Por tanto, ser suficiente hallar las coordenadas de dichos
vrtices (intersecciones de rectas) y determinar (sustituyendo en la funcin objetivo) cul
de ellos es la solucin ptima. En nuestro ejemplo, tendramos slo cuatro puntos
candidatos a ser solucin del problema (los cuatro vrtices del polgono), sustituyendo sus
coordenadas en la funcin objetivo obtenemos:
(0,0) = 0;
21 225
(24,0) = 1440; 4 ,
Taller norte
1
1
6
Taller sur
2
4
3
Minimizar
sujeto a:
= 4501 + 6002
1 + 22 90
1 + 42 120
61 + 32 180
1 , 2 0
1 = 90 22
1 = 180 32
90 22 = 180 32
2 = 40 y 1 = 10
1 = 90 22
1 = 120 42
90 22 = 120 42
2 = 15 y 1 = 60
Casos especiales
Hasta ahora, los problemas resueltos grficamente tienen una solucin ptima, lo que no
siempre sucede. A la hora de resolver un problema de Programacin Lineal, nos
podramos encontrar con cualquiera de estas tres situaciones especiales que conviene
conocer:
Mtodo SIMPLEX
El mtodo del simplex se utiliza, sobre todo, para resolver problemas de programacin
lineal en los que intervienen tres o ms variables. La base del mtodo es el lgebra
matricial y el proceso de eliminacin de Gauss-Jordan.
Un programa lineal es un sistema de ecuaciones o de inecuaciones llamadas
restricciones que son lineales (es decir, que las variables no estn elevadas a una
potencia superior a uno y no estn multiplicadas entre ellas). Es a partir de estas
restricciones que debemos optimizar una funcin lineal llamada funcin objetivo.
=
0
Sin embargo, el mtodo Simplex esta diseado para ser utilizado nicamente con
problemas en la forma estndar. Es decir,
a) Todas las restricciones son igualdades.
b) Todas las variables son no negativas
c) Los componentes del vector de las restricciones son todos positivos.
10
Si la desigualdad es del tipo, agregamos una variable de holgura positiva del lado
izquierdo de la inecuacin. Para igualar el lado izquierdo con el derecho.
+
0
11
2 + 3
2 +
+ 3
180
0 ,
120
150
0
Los pasos a seguir para resolver un programa lineal por el mtodo Simplex son los
siguientes;
1. Pasar el programa lineal a la forma estndar. Se trata de convertir las desigualdades en
igualdades. Para cada restriccin, se incluye una variable de holgura, para convertirlas en
igualdades, resultando el sistema de ecuaciones lineales:
2x + 3y + S1
2x + y +
x + 3y +
= 180
S2
= 120
S3 = 150
, , 1 , 2 , 3 0
3. Escribir la tabla inicial simplex. El proceso de clculo iterativo del algoritmo del simplex
es ms ordenado si el modelo lineal se rescribe en una arreglo de datos que llamaremos
Tabla del Simplex. En esta tabla se muestran con mucha claridad y en forma estructurada
las variables y coeficientes del modelo. Adems, cada tabla muestra una solucin para un
punto extremo del modelo lineal. 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 inicial del simplex
Variables
Base
Valor
S1
S2
S3
S1
180
S2
120
S3
150
-3
-4
12
4. Elegir la variable bsica y la variable de holgura que sale de la base, eleccin del pivote.
Para escoger la variable de decisin que entra en la base, realizamos los siguientes pasos,
a) Escogemos la variable con el coeficiente negativo mayor (en valor absoluto) de la
funcin objetivo, ltima lnea del arreglo del simplex. En nuestro ejemplo, la
columna de la variable y que tiene el coeficiente 4, segunda columna.
i.
ii.
ii.
13
Variable de decisin
X
S1
S2
y
Z
Variable de holgura
S1
S2
S3
13
13
Valor
50
El siguiente paso es completar la nueva tabla. Para el recalculo vamos a utilizar la tabla
anterior. Los valores de las celdas vacas se obtienen de la siguiente forma:
Si es el coeficiente del rengln y la columna .
=
12
3
31 = 2 (1) = 1
32
3
Variables
Base
Variable de decisin
X
S1
11 = 11
S2
21 = 21
Y
Z
41 = 41
12
3
= 2 (1) =
32 31
3
22
1
31 = 2 (1) =
32
3
13
42
4
(1) =
31 = 3
32
3
Variable de holgura
Y
S1
S2
S3
13
Valor
0
0
1
0
50
14
Variable de
decisin
Variable de holgura
Valor
S1
S2
S3
S1
-1
30
S2
53
70
1/3
1/3
50
53
4/3
200
13
30
1 = 30
70
53 = 42
50
13 = 150
Variable de holgura
Valor
S1
S2
S3
-1
S2
53
43
53
13
23
13
30
30 1 = 30
20
20 43 = 15
40
40 23 = 60
250
Obtenemos la tabla:
Solucin ptima
Variables
Variable de decisin
Base
Variable de holgura
Valores solucin
S1
S2
S3
45
15
34
S2
14
30
14
255
54
12
54
34
12
Como todos los coeficientes de la fila de la funcin objetivo son positivos, hemos llegado a
la solucin ptima.
La solucin ptima viene dada por el valor de Z en la columna de los valores solucin, en
nuestro caso: 255. 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: = , =
Interpretacin geomtrica del mtodo simplex.
El proceso iterativo del simplex nos ha llevado a construir diferentes tablas de datos. En
cada una de ellas calculamos el valor de la funcin objetivo en los distintos vrtices,
puntos extremos, en cada caso se realiz un procedimiento de prueba para saber si se
encontr el ptimo.
El proceso iterativo del Simplex
inicia en el punto (0,0) con un
valor de la funcin objetivo = 0.
16
El tercer paso, nos lleva al punto (30,40), los datos se pueden verificar en la tabla que
corresponde a la esta tercera iteracin. El valor de la funcin objetivo nuevamente se
calcula y nos entrega el valor de = 250.
El proceso iterativo termina al llegar al punto C(45,30) que es el punto ptimo. El valor
que corresponde a la funcin objetivo es el mximo Z=255.
An tendramos un ltimo punto en D(60,0). Su valor no supera el encontrado en el punto
anterior.
En el ejercicio anterior el Mtodo Simplex hace uso de la propiedad de que la solucin
ptima de un problema de Programacin Lineal se encuentra en un punto extremo del
dominio de puntos factible, por lo cual, la bsqueda secuencial del algoritmo se basa en la
evaluacin progresiva de estos vrtices hasta encontrar el ptimo. Cabe destacar que para
aplicar el Mtodo Simplex a un modelo lineal, este debe estar en un formato especial
conocido como forma cannica.
Entonces un programa lineal esta en forma cannica si todas sus restricciones son del tipo
menor o igual, como en el siguiente ejemplo.
Maximizar = 1 1 + 2 2 + 3 3
sujeto a: 11 1 + 12 2 + 13 3 1
21 1 + 22 2 + 23 3 2
31 1 + 32 2 + 33 3 3
1 , 2 , 3 0
Sin embargo no todos los problemas se presentan de esta forma, como el caso de la
minimizacin o ms an cuando tenemos restricciones diferentes, como de igualdad o de
mayor o igual. En estos casos tendremos que utilizar una transformacin mediante la
incorporacin de variables artificiales.
Variables artificiales.
17
coeficiente muy alto positivo, que lo representamos con la variable M. De esta manera,
para minimizar la funcin objetivo deben anularse estas variables, con lo que en alguna de
las iteraciones del mtodo Simplex las variables artificiales dejan de ser bsicas y a partir
de ese momento puede prescindirse de ellas.
El siguiente ejemplo ilustra la forma de utilizar las variables artificiales para obtener una
solucin ptima
Encontrar la solucin ptima para el siguiente programa lineal.
Maximizar
sujeto a:
= 31 + 22 + 3
1 + 22 + 33 6
21 2 + 3 5
1 + 22 + 23 2
1 , 2 , 3 0
Como en el ejercicio anterior, para restricciones del tipo se aade una variable de
holgura, en la restriccin.
Por cada restriccin del tipo , se resta una variable de holgura negativa
A las restricciones de = y , se les aade una variable artificial.
21 2 + 3 2 + 2 = 5
1 + 22 + 23 3 + 3 = 2
1 , 2 , 3 , 1 , 2 , 3 , 1 , 2 0
Finalmente, tendremos que incluir las variables artificiales en la funcin de beneficio, para
esto utilizaremos el mtodo de la M grande. El mtodo de la M grande permite la
eliminacin de las variables negativas, hasta donde sea posible. El mtodo utiliza la letra
18
3 = 2 1 22 23 + 3
= 31 + 22 + 3 (5 21 + 2 3 + 2 ) (2 1 22 23 + 3 )
Agrupando trminos nos queda la transformacin.
= (3 + 3)1 + (2 + )2 + (1 + 3)3 2 3 7
1
1
2
1
-3-3M
2
2
-1
2
-2-M
3
3
1
2
-1-3M
1
1
0
0
0
2
0
1
0
0
3
0
0
1
0
2
0
-1
0
M
3
0
0
-1
M
Valores
6
5
2
-7M
1
0
0
1
0
2
0
-5
2
4+5M
3
1
-3
2
5+3M
1
1
0
0
0
2
0
1
0
0
3
-1
-2
1
3+3M
2
0
-1
0
M
3
1
2
-1
-3-2M
Valores
4
1
2
6-M
al segundo rengln. El pivote es el elemento 2,6 = 2. En este caso entra a la base una
variable de holgura.
Base
1
3
1
Z
1
0
0
1
0
3
52
52
52
12
32
12
1
2
1
1
2
12
12
12
0
0
0
3
2
3
0
2
1
2
1 2
12
-1
0
M
3
0
1
0
0
Valores
72
12
52
15
2
1
0
0
1
0
2
1
0
0
0
3
1
1
1
4
1
25
1
15
7
5
2
15
0
25
4
5
3
0
-1
0
M
2
15
0
25
Valores
75
4
165
3
0
1
0
0
4
5
62
5
Ahora el pivote es el elemento 1,4 = 0.2. Deja la base la variable de decisin 2 y entra
la variable de holgura 2 .
Base
2
3
1
Z
1
0
0
1
0
2
5
0
2
4
3
5
1
3
8
1
2
1
1
3
2
-1
0
0
M
3
0
-1
0
M
2
1
0
0
0
3
0
1
0
0
Valores
7
4
6
18
Una consideracin final sobre las variables artificiales. Si en la tabla final del simplex; en la
base, tenemos al menos una variable artificial no negativa, el problema no tiene solucin.
No existe un rea de soluciones factible.
Caso Minimizacin
20
Las restricciones del tipo nos obliga a trasformar el problema para utilizar variables
artificiales. De esta forma el programa lineal trasformado ser el siguiente:
Minimizar
sujeto a:
= 31 + 42 + 53
1 + 22 + 33 1 + 1 = 5
21 + 2 + 23 2 + 2 = 6
Minimizar
sujeto a:
1 , 2 , 3 , 1 , 2 , 1 , 2 0
= 31 + 42 + 53 + 1 + 2
1 + 22 + 33 1 + 1 = 5
21 + 2 + 23 2 + 2 = 6
1 , 2 , 3 , 1 , 2 , 1 , 2 0
2 = 6 21 2 23 + 2
= 31 + 42 + 53 + (5 1 22 33 + 1 ) + (6 21 2 23 + 2 )
Agrupando trminos y finalmente
1
1
2
-3+3M
2
2
1
-4+3M
3
3
2
-5+5M
1
-1
0
-M
2
0
-1
-M
1
1
0
0
2
0
1
0
Valores
5
6
11M
21
1
1
3
4/3
4
4
+
3
3
2
2/3
-1/3
2
3
3
1
13
2/3
-1
-2/3
5 2
+
3
3
-M
5 5
3 3
2
0
Valores
5/3
25 8
+
3 3
8/3
1
0
1
0
-1/4
-1
3
1
0
0
1/2
-3/4
-1/2
-1
-1
1-M
2
1/4
3/4
1-M
Valores
1
2
11
Hemos encontrado el ptimo, todos los coeficientes del rengln Z son negativos. Los
valores para este punto ptimo son = 11 y 1 = 2, 2 = 0 3 = 1.
Un ltimo ejercicio nos muestra cmo utilizar variables artificiales, cuando tenemos
restricciones de diferentes tipos. El procedimiento es similar ya sea se trata de un
programa de maximizacin o de minimizacin.
Ejemplo. Una empresa que fabrica alimento para aves, produce y empaca dos tipos de
comida para patos y pollos, en empaques de 20 kilos. El costo semanal de fabricar un saco
de comida para pollos es de $5 pesos y de $7 para patos. La empresa va a comercializar un
alimento mixto que sirva para los dos tipos de aves. Al alimento para pollos se le aade un
mximo de 200 unidades de vitaminas mientras que la comida para patos deber tener un
mnimo de 100 unidades. El total de unidades de vitaminas para la mezcla deber ser
exactamente 800 unidades.
La formulacin del programa es el siguiente.
22
= 51 + 72
. . 1 200
2 100
1 + 2 = 800
1 , 2 0
Donde
1 = Vitaminas para pollos.
2 = Vitaminas para patos.
Siempre que se incorpore una variable de holgura o artificial a una restriccin, habr que
agregarlas en las dems restricciones y en la funcin objetivo. En una solucin ptima, las
23
variables artificiales no pueden ser variables bsicas. La razn para que estas se excluyan
en la solucin ptima es que estas absorben la negatividad de la variable de holgura.
Tambin representan por cuantas unidades no se ha cumplido con la restriccin. Para
eliminar estas variables artificiales se le asigna un costo extremadamente alto para los
casos de minimizacin y una reduccin grande en las ganancias para los casos de
maximizacin. En problemas de minimizacin las variables con costos bajos son deseables
y son las primeras en entrar a la solucin y las variables con costos altos sern
rpidamente eliminadas.
Para lograr esto utilizaremos el mtodo de la M grande. El mtodo utiliza la letra M en vez
de unidades monetarias para representar un nmero muy grande. Le asigna un
coeficiente de M, costo muy alto en casos de minimizacin y -M, reduccin de ganancias
para maximizacin. Las variables de holgura negativa tienen un costo de cero.
Acomodamos las restricciones y la funcin objetivo con sus nuevas variables de holgura y
artificiales.
= 51 + 72 + 01 + 02
. .
Funcin de costos
+ 1
= 200
2
2 = 100
= 800
1 + 2
1 , 2 , 1 , 2 0
Funcin de costos
+ 1
= 200
2 + 2
= 100
2
1 + 2
+ 3 = 800
1 , 2 , 1 , 2 , 1 , 2 0
3 = 800 1 2
1
1
0
2
0
1
1
1
0
2
0
-1
2
0
1
3
0
0
Valores
200
100
800
-5+M
-7+2M
-M
900M
1
1
0
2
0
1
1
1
0
2
0
-1
2
0
1
3
0
0
Valores
200
100
-1
700
-5+M
-7+M
7-2M
700+700M
El anlisis del cuadro anterior nos indica que el costo para la mezcla es de 700 + 700,
que es alto. El punto extremo (0,100) indica una combinacin de 0 unidades de
vitaminas para pollos y 100 para patos. La variable de holgura 1 =200. Esto indica una
disponibilidad de 200 unidades. En el caso de la variable bsica 3 , el valor de 700, al
sustituir en la restriccin aumentada incumple la condicin ya que 1 + 2 + 700 = 800
Base
1
2
3
Z
1
1
0
2
0
1
1
1
0
2
0
-1
2
0
1
3
0
0
Valores
200
100
-1
-1
500
5-M
-7+M
7-2M
1700+500M
En esta tercera iteracin del simplex, las variables bsicas son 1 con valor de 200, 2 que
vale 100 y 3 con 500. El costo para esta solucin sigue siendo muy alto, $1700 + $500M,
25
1
1
0
2
0
1
1
1
-1
2
0
0
2
0
0
3
0
1
Valores
200
600
-1
-1
500
-2
-M
7-M
5200
Los valores de los , de 0 y negativos indican que la solucin es ptima. Las variables
bsicas son: 1 con un valor de 200 unidades, 2 con 600 y 2 con 500 unidades. La
variable 1 al igual que las artificiales, son variables no bsicas. Se puede apreciar en el
arreglo anterior, que la matriz identidad pas al lado izquierdo de la tabla.
El costo para la solucin final es de = $5,200. De esta manera se utilizarn 200
unidades de vitaminas para pollos y 600 para patos a un costo semanal de $5,200. La
variable 2 = 500 representa un exceso de 500 unidades de las vitaminas para patos sobre
el mnimo necesario de 100 unidades.
Mtodo Dual
El concepto de dualidad fue desarrollado por Von Neumann en 1947. Tiene una
interpretacin econmica muy importante en tanto que nos introduce al concepto de
precios sombra. Tambin llamados precios de referencia. Los precios sombra vienen
dados por los valores de las variables en el ptimo del programa dual de un problema de
programacin lineal. Son precios de equilibrio que responden al aprovechamiento ms
eficiente de los recursos productivos; una especie de precios naturales o precios justos;
los precios que deberan regir en el mercado si el modelo de competencia funcionara
correctamente. Vamos a explicar este procedimiento mediante un ejercicio.
Una sociedad agrcola produce 2 cultivos, frijol y maz, representados por las variables
1 2 . Estos cultivos tienen un precio de venta de $4 y $8 pesos por kilo. En la
produccin utilizan entre otros 2 insumos; fertilizante y semilla. Las cantidades de cada
insumo necesarias para obtener un kilo de cada cultivo son las siguientes:
26
Entradas
Fertilizante
Semilla
1
1
1
4
Cantidad
disponible
10
20
1 , 2 0
= 41 + 82
1 + 2 10
1 + 42 20
2 = 10 1 ;
si 1 = 0, 2 = 10
1 = 10, 2 = 0
2 = 5 141 ;
si 1 = 0, 2 = 5
1 = 20, 2 = 0
3 , 3 = 53.33
Para encontrar las primas de seguro ms bajas, para cubrir completamente las prdidas;
es decir, remplazar el ingreso por ventas en caso de siniestro.
Hagamos 1 y 2 las primas de seguro para el fertilizante y la semilla de manera que la
prima total para cada insumo es 1 1 y 2 2 respectivamente. Adems, la prima
asegurada no puede ser negativa.
1 , 2 0
27
No importa cuales sean los valores individuales de los diferentes insumos es evidente que
el aseguro combinado de todos los insumos necesarios para producir una unidad del
primer cultivo deben ser iguales a 1; esta condicin se puede representar as,
11 1 + 12 2 1
21 1 + 22 2 2
Por lo tanto, para obtener la prima de seguro ms adecuada, es necesario asegurar que la
prima total de todos los insumos requeridos para producir un kg de cada cultivo sea igual
a los kg de cultivo vendidos.
De acuerdo a lo anterior, para nuestro ejemplo, obtenemos el programa lineal siguiente:
= 101 + 202
1 + 2 4
1 + 42 8
1 , 2 0
1 + 2 = 4 ;
1 + 42 = 8 ;
si 1 = 0, 2 = 4 1 = 4, 2 = 0
si 1 = 0, 2 = 2 1 = 8, 2 = 0
(8,0) = 80;
8 4
3 , 3 = 53.33;
(0, 4) = 80
3 , 3 = 53.33
A fin de darle sentido econmico a las variables duales, aumentamos el recurso 2 en una
unidad. El programa lineal primal, maximizacin, se modifica en la restriccin 2.
= 41 + 82
28
1 + 2 10
1 + 42 21
1 , 2 0
1 = 10
La variacin en el beneficio es
19
11
= 43 + 83 =
76
3
88
3
164
3
=
4
3
160
3
11
3
19
3
+3
Es evidente que el sentido econmico de las variables duales vara en funcin del sentido
econmico del vector , que es el beneficio asociado a una unidad de produccin del
producto. As, si expresa los beneficios unitarios, entonces representa los beneficios
marginales imputables al aumento de la cantidad disponible de un recurso.
Mtodo Simplex-Dual
Como hemos visto antes, un programa lineal se puede presentar de dos formas
diferentes: en la forma cannica y en la estndar.
Forma cannica:
Forma dual:
Maximizar =
Sujeto a:
0
Minimizar =
Sujeto a:
0
29
Las variables no son las mismas, pasamos de la variables ` a . Los precios o valores de
estas nuevas variables en la funcin objetivo a minimizar son las constantes de las
restricciones del programa primal. A cada restriccin del primal corresponde una variable
dual. Las nuevas constantes de las restricciones del programa dual corresponden a los
valores de la funcin objetivo del primal. Finalmente se cambia el sentido de las
inecuaciones de las restricciones.
El cuadro siguiente resume la forma de encontrar el programa dual a partir del primal.
Primal
Dual
Variable
Restriccin
Max
Beneficio unitario
Trmino de la derecha
Lnea
Columna
Restriccin
Restriccin
Variable
Min
Trmino de la derecha
Costo unitario
Columna
Lnea
Restriccin
= 81 + 42
. 21 + 2 4
41 3
1 52 5
1 , 2 , 3 0
1 8
5 4
5 0
y su transpuesta
2
4
1
8
1
0
5
4
4
3
5
0
Que corresponde
al programa dual
anterior
El mtodo simplex-dual es til para resolver problemas en los que la forma estndar es
compleja, restricciones negativas o la aplicacin del mtodo simplex no es inmediata. Es
decir, si en un problema lineal, despus de igualar a cero la funcin objetivo y pasar a su
30
forma estndar, utilizando las variables de holgura, al menos una restriccin, cualquiera
de las constantes del vector de disponibilidades es negativa y se asegura que se tiene
solucin ptima.
Si tenemos el problema de programacin lineal siguiente,
= 1 + 42
. 31 2 12
1 32 6
1 , 2 0
Algoritmo Simplex-Dual.
Este algoritmo inicia, de la misma manera que el simplex, eligiendo una primera base que
es el origen. La nica diferencia entre ellos es el criterio para elegir las variables que
entran y salen y la regla para detener el algoritmo.
El primer paso es pasar el programa primal al programa dual. Se introducen las variables
de holgura necesarias. Si al menos uno de los valores de la parte derecha es negativo y se
31
1
2
3
1
1
2
3
Disponible
2
3
2
1
20
25
15
programa dual.
Programa dual
de
maximizacin
es
el
= 141 + 122
. 21 + 32 20
31 + 22 25
1 + 2 15
1 , 2 0
32
-2
-3
20
-3
-2
25
-1
-1
15
1
1
0
0
2
0
1
0
Valor
-14
-12
0
La columna del lado derecho de las restricciones tiene valores negativos; por lo tanto
aplicamos el algoritmo dual del Simplex. El valor ms negativo es 14; por lo tanto la
variable que sale de la base es 1 . Para encontrar la que sale de la base obtenemos los
cocientes
Mnimo
20
2
25
3
15
, 1 =
25
3
2/3
-5/3
10/3
1
0
0
1/3
-1/3
20/3
-1/3
-2/3
25/3
2
0
1
0
Valor
14/3
-8/3
-350/3
-2
103
203
253
, 13 , 23
53
1
0
1
0
1
0
0
1/5
1/5
6
8
-3/5
2/5
7
2/5
-3/5
2
Valor
18/15
8/5
-122
18
33
Otro ejercicio
Minimizar
Sujeto a:
Minimizar
Sujeto a:
V. Bsica
X1
X2
S1
S2
Solucin
-2000
-1000
S1
-3
-1
-40
S2
-2
-2
-60
V. Bsica
X1
X2
S1
S2
Solucin
-1000
-500
30000
S1
-2
-1/2
-10
X2
-1/2
30
V. Bsica
X1
X2
S1
S2
Solucin
34
-1000
-500
-250
35000
S1
-1
-1/2
1/ 4
S2
-2
1/ 2
-5/4
25
= 3 4 + 8
Cada restriccin del tipo <= puede ser llevada a una ecuacin de igualdad
usando una (nueva) variable de holgura no negativa, con coeficiente nulo en la
funcin objetivo.
Cada restriccin del tipo >= puede ser llevada a una ecuacin de igualdad
usando una variable de exceso no negativa, con coeficiente nulo en la funcin
objetivo, para compensar el efecto de la variable de holgura negativa en la
restriccin completamos con una variable artificial.
Las restricciones del tipo =, Se les aade una variable artificial para no
violentar la restriccin. A menos que la restriccin pase por el origen, de lo
contrario existir una diferencia entre el origen y la igualad de la restriccin. La
variable artificial absorber esta diferencia.
En una solucin ptima, las variables artificiales no pueden ser variables bsicas. La
razn para que estas se excluyan en la solucin ptima es que estas absorben la
negatividad de la variable de holgura.
3 4
12
+ 2 + 4
4 2 + 5 = 12
3 4 + 1
= 12
+ 2 2 + 2 = 4
4 2 + 5 + 3 = 12
35
Donde es la posicin del pivote; k es la columna pivote y r el rengln pivote.
7. Repetir pasos 3 al 5 hasta encontrar el ptimo.
=
Referencias Bibliogrficas
Alpha C. Chiang Mtodos Fundamentales de Economa Matemtica. Ed. McGraw-Hill,
1987.USA
Hillier, F.S. y Liebermann, G.J. Introduccin a la Investigacin de Operaciones. Ed.
McGraw-Hill. 2001.
Hammond P.J. y Sydsaeter Knut. Matemticas para el Anlisis Econmico. ED. Prentice
Hall, 1998. Mxico.
Simonnard M. Programation Linaire. Ed Dunond, 1972. Francia.
36