Análisis Cuantitativo para Decisiones II

Faculta de Administración y Turismo

Ciclo 2018-I
-Programación Lineal, generalidades, modelo de P. L.

Lic. Adm. William Dextre Martínez

 Programación Lineal

Lic. Adm. William Dextre Martínez

 Conceptos de análisis de sensibilidad:
* Reducción de costos.
* Rango de optimalidad.
* Precios sombra.
* Rango de factibilidad.
* Holgura complementaria.
* Agregar restricciones/variables.

Obtención de una solución por métodos

computacionales:
* TORA
* WINQSB
* EXCEL
* LINDO
 EL MODELO DE
PROGRAMACIÓN
LINEAL
Continuación del caso anterior…
 Variables de decisión

* X1 = Cantidad producida de Space Rays (en docenas por

semana).

* X2 = Cantidad producida de Zappers (en docenas por

semana).

 Función objetivo
* Maximizar la ganancia semanal.
Modelo de Programación Lineal

Max 8X1 + 5X2 (ganancia semanal)

Sujeto a:

2X1 + 1X2 <= 1200 (Cantidad de plástico)

3X1 + 4X2 <= 2400 (Tiempo de producción)
X1 + X2 <= 800 (Limite producción total)
X1 - X2 <= 450 (Producción en exceso)
Xj >= 0 , j= 1, 2. (Resultados positivos)
Conjunto de soluciones factibles
para el modelo lineal.

 El conjunto de puntos que satisface todas las restricciones

del modelo es llamado:

REGION FACTIBLE
 USANDO UN GRAFICO SE
PUEDEN REPRESENTAR
TODAS LAS RESTRICCIONES,
LA FUNCION OBJETIVO Y
LOS TRES TIPOS DE PUNTOS
DE FACTIBILIDAD.
 • Tipos de puntos de factibilidad
X2

1200
Restricción del plástico:
2X1+X2<=1200
The Plastic constraint

Restricción del total de producción:

X1+X2<=800

600 No Factible

Restricción del
exceso de producción:
Horas de Factible X1-X2<=450
Producción
3X1+4X2<=2400
X1
600 800
Punto Inferior
Punto Medio
Punto Extremo
Resolución gráfica para encontrar
la solución óptima.
comenzar con una ganancia dada de = $2,000...
Entonces aumente la ganancia...
X2
1200
...y continúe hasta que salga
de la región factible
4,
Utilid. = $ 000
3,
800
Ganancia 2, =$5040

600

X1

400 600 800

1200 X2
Se toma un valor cercano
al punto óptimo

800
Región no
factible
600

Región
Feasible
region
Factible
X1
400 600 800
Resumen de la solución óptima
Space Rays = 480 docenas
Zappers = 240 docenas
Ganancia = $5040
* Esta solución utiliza todas las materias primas (plástico) y todas las
horas de producción.
* La producción total son 720 docenas (no 800).
* La producción de Space Rays excede a la de Zappers por solo 240
docenas y no por 450.
 Soluciones óptimas y puntos extremos.

* Si un problema de PL tiene una solución óptima, entonces esta

corresponde a un punto extremo.

 Múltiples soluciones óptimas.

* Cuando existen múltiples soluciones óptimas implica que la FO es

una recta paralela a uno de los lados de la región factible.
* Cualquier promedio ponderado de la solución óptima es también
una solución óptima.
 Solución mediante el método Simplex

Partamos de la base que el problema a resolver es el siguiente:

Max 8X1 + 5X2 (ganancia semanal)
Sujeto a:
2X1 + 1X2 <= 1200 (Cantidad de plástico
3X1 0+ 4X2 <= 2400 (Tiempo de producción
X1 + X2 <= 800 (Limite producción total
X1 - X2 <= 450 (Producción en exceso
Xj >= 0 , j= 1, 2. (Resultados positivos)

Para poder utilizar el método simplex se deben cumplir las siguientes

restricciones:
 Coeficientes de la FO TABLA SIMPLEX GENERAL
Variables de decisión Variables de holgura

CJ C1 C2 ... Cn 0 0 ... 0
VB X1 X2 … Xn Sn+1 Sn+2 … Sn+m VS

0 Sn+1 a11 a12 … a1n 1 0 … 0 b1

una
0 Sn+2 a21 a22 … a2n 0 1 … 0 b2 fila
para
. . . . . . . .
. . . . . . . . cada
. . . . . . . .
restricción
0 Sn+m am1 am2 ...amn 0 0 … 1 bm
Zj Z
Una columna para cada variable
Cj- Zj
Costo de oportunidad Zmax
Criterio simplex
 Restricciones del Algoritmo
a) Solo se puede utilizar para maximizar la función objetivo.

Para minimizar se debe maximizar (-z).

b) Solo se puede aplicar a restricciones de igualdad.
2x1 + X2 + S1 =1200 ;S1 = Var. de holgura
<= 3X1 + 4X2 + S2 = 2400 ;S2 = Var de holgura
X1 + X2 + S3 = 800 ;S3 = Var de holgura

(caso ficticio)
>= 2X1 + x2 >= 100
2X1 + X2 - S4 = 100 ;S4 = Var de exceso
c) Todas las variables deben ser mayores que cero.

x1 - x2 + S4 + a1 = 450 a1= Var artificial

Por el hecho de haber agregado una variable artificial se debe

agregar a la función objetivo a1 pero con un valor muy grande
y negativo representado por -M.

Max 8x1 + 5x2 - Ma1

 Ejemplo de Simplex:
Vamos a resolver el siguiente problema:

Maximizar Z = f(x1,x2) = 3x1 + 2x2

Sujeto a: 2x1 + x2 ≤ 18

2x1 + 3x2 ≤ 42

3x1 + x2 ≤ 24

x1 ≥ 0 , x2 ≥ 0
Se consideran los siguientes pasos:

1. Convertir las desigualdades en igualdades:

Se introduce una variable de holgura por cada una de las

restricciones, este caso s1, s2, s3 para convertirlas en igualdades
y formar el sistema de ecuaciones estandar. Usando en
simplex el siguiente criterio:

Signo: Introducir

≤ sn
FORMA ESTANDAR:

2x1 + x2 + s1 = 18

2x1 + 3x2 + s2 = 42

3x1 + x2 + s3 = 24
 2. Igualar la función objetivo a cero y despues agregar la variables de
holgura del sistema anterior:

Z - 3 x1 - 2 x2 = 0
Para este caso en particular la funcion objetivo ocupa la
ultima fila del tablero, pero de preferencia siempre se
devera de colocar como la primer fila
Cuando minimizamos se toma el valor (+) positivo de Fo
para convertirlo en negativo y cuando maximizamos
tomamos el valor (+) negativo de Fo para convertirlo en
positivo.

3. Escribir el tablero inicial simplex:

En las columnas aparecerán todas las variables del problema y, en las

filas, los coeficientes de las igualdades obtenidas, una fila para cada
restricción y la última fila con los coeficientes de la función objetivo:
 Tablero Inicial

Base Variable de Variable de holgura Solución

decisión

X1 X2 S1 S2 S3

S1 2 1 1 0 0 18

S2 2 3 0 1 0 42

S3 3 1 0 0 1 24

Z -3 -2 0 0 0 0
4. Encontrar la variable de decisión que entra en la base y la
variable de holgura que sale de la base

A. Para escoger la variable de decisión que entra en la base, (FLECHA

ROJA PARTE SUPERIOR), observamos la ultima fila, la cual muestra los
coeficientes de la función objetivo y escogemos la variable con el
coeficiente más negativo (en valor absoluto).

En este caso, la variable x1 de coeficiente - 3.

Si existiesen dos o más coeficientes iguales que cumplan la

condición anterior, entonces se elige cualquiera de ellos.

Si en la última fila no existiese ningún coeficiente negativo,

significa que se ha alcanzado la solución óptima.

Por tanto, lo que va a determinar el final del proceso de aplicación del

método del simplex, es que en la última fila no haya elementos negativos.

La columna de la variable que entra en la base se llama

columna pivote (en color azulado).
 B. Para encontrar la variable de holgura que tiene que salir de la base,
(FLECHA ROJA COSTADO IZQUIERDO) se divide cada término de la
última columna (valores solución) por el término correspondiente de la
columna pivote, siempre que estos últimos sean mayores que cero.

Si hubiese algún elemento menor o igual que cero no se hace dicho

cociente. En el caso de que todos los elementos fuesen menores o iguales a
cero, entonces tendríamos una solución no acotada y no se puede seguir.

El término de la columna pivote que en la división anterior dé lugar al

menor cociente positivo, el 3, ya 8 es el menor, indica la fila de la variable de
holgura que sale de la base, S3. Esta fila se llama fila pivote (en color
azulado).
 Iteración No. 1

Base Variable de Variable de holgura Solución Operación

decisión

X1 X2 S1 S2 S3

S1 2 1 1 0 0 18 18/2 = 9

S2 2 3 0 1 0 42 42/2 = 21

S3 3 1 0 0 1 24 24/3 = 8

Z -3 -2 0 0 0 0
 Si al calcular los cocientes, dos o más son iguales, indica que cualquiera
de las variables correspondientes pueden salir de la base.

C. En la intersección de la fila pivote y columna pivote tenemos el elemento

pivote operacional, 3, este indica que la variable de decisión X1 entra y la
variable de holgura S3 sale.

5. Encontrar los coeficientes para el nuevo tablero de simplex.

Los nuevos coeficientes de la fila pivote se obtienen dividiendo todos

los coeficientes de la fila por el pivote operacional “3”, ya que este se debe
convertir en 1.

A continuación mediante la reducción gaussiana hacemos ceros los

restantes términos de la columna pivote, con lo que obtenemos los nuevos
coeficientes de las otras filas incluyendo los de la función objetivo Z.
0 1/3 1 0 -2/3 2
Factor que le
2 1 1 0 0 18
corresponde
- - - - - - la Fila
2 2 2 2 2 2
x x x x x x
Nueva Fila
1 1/3 0 0 1/3 8
Pivot

 2 – (2 x 1) = 0
 1 – (2 x 1/3) = 1/3 Nuevos valores de la fila 1:
 1 – (2 x 0) = 1 0 1/3 1 0 -2/3 2
 0 – (2 x 0) = 0
 0 – (2 x 1/3) = -2/3
 18 – (2 x 8) = 2
 Resultado de Iteración No. 1

Base Variable de Variable de holgura Solución Operación

decisión

X1 X2 S1 S2 S3

S1 0 1/3 1 0 -2/3 2 f(S1) – 2 f(X1)

S2 0 7/3 0 1 -2/3 26 f(S2) – 2 f(X1)

X1 1 1/3 0 0 1/3 8 (1/3) X1

Z 0 -1 0 0 1 24 f(Z) + 3 f(X1)
 Como en los elementos de la última fila hay un numero
negativo, -1, significa que no hemos llegado todavía a la solución óptima.
Hay que repetir el proceso:

A. La variable que entra en la base es x2, por ser la columna pivote

que corresponde al coeficiente -1

B. Para calcular la variable que sale o la fila pivote, dividimos los

términos de la columna solución entre los términos de la nueva
columna pivote:

y como el menor cociente positivo es 6, tenemos que la fila

pivote y la variable de holgura que sale es S1.

C. El elemento pivote, que ahora hay que hacer 1, es 1/3.

Y se opera de forma análoga a la anterior iteración

 Iteración No. 2

Base Variable de Variable de holgura Solución Operación

decisión

X1 X2 S1 S2 S3

S1 0 1/3 1 0 -2/3 2 2/(1/3) = 6

S2 0 7/3 0 1 -2/3 26 26/(7/3) = 78/7

X1 1 1/3 0 0 -1/3 8 8/(1/3) = 24

Z 0 -1 0 0 1 24
 Resultado de Iteración No. 2

Base Variable de Variable de holgura Solución Operación

decisión

X1 X2 S1 S2 S3

X2 0 1 3 0 -2 6 3X2

S2 0 0 -7 0 4 12 f(S2) – (7/3) f(X2)

X1 1 0 -1 0 1 6 f(X1) – (1/3) f(X2)

Z 0 0 3 0 -1 30 f(Z) + f(X2)
 Como en los elementos de la última fila hay uno negativo, -1,
significa que no hemos llegado todavía a la solución óptima. Hay que
repetir el proceso:

A. La variable que entra en la base es S3, por ser la variable que

corresponde al coeficiente -1

B. Para calcular la variable que sale, dividimos los términos de la

última columna entre los términos correspondientes de la
nueva columna pivote:

6/(-2) [=-3] , 12/4 [=3], y 6:1 [=6]

y como el menor cociente positivo es 3, tenemos que la
variable de holgura que sale es S2.

C. El elemento pivote, que ahora hay que hacer 1, es 4.

Obtenemos la tabla:
 Iteración No. 3

Base Variable de Variable de holgura Solución Operación

decisión

X1 X2 S1 S2 S3

X2 0 1 3 0 -2 6 No se toma por
ser negativo
S2 0 0 -7 0 4 12 12/4 = 3

X1 1 0 -1 0 1 6 6/1 = 6

Z 0 0 3 0 -1 30
 Resultado de Iteración No. 3

Base Variable de Variable de holgura Solución Operación

decisión

X1 X2 S1 S2 S3

X2 0 1 -1/2 0 0 12 f(X2) + 2 f(S3)

S3 0 0 -7/4 0 1 3 (1/4) S3

X1 1 0 -3/4 0 0 3 f(X1) – f(S3)

Z 0 0 5/4 0 0 33 f(Z) + f(S3)

 Tablero Final

Base Variable de Variable de holgura Solución

decisión

X1 X2 S1 S2 S3

X2 0 1 -1/2 0 0 12

S3 0 0 -7/4 0 1 3

X1 1 0 -3/4 0 0 3

Z 0 0 5/4 0 0 33
 Como todos los coeficientes de la fila de la
función objetivo son positivos, hemos llegado a
la solución óptima.

Los solución óptima viene dada por el valor

de Z en la columna de los valores solución, en
nuestro caso: 33.
 Análisis de sensibilidad para la
solución óptima.
 ¿Es sensible la solución óptima a cambios en los parámetros de entrada?

 Posibles razones para responder la pregunta anterior:

* Los valores de los parámetros usados fueron los mejores
estimados.
* Medio ambiente por ser dinámico puede producir cambios.
* El análisis del “qué pasa si” puede proveer información
económica y operacional.
Análisis de sensibilidad de los
coeficientes de la función objetivo
 Rango de optimalidad
 La solución óptima permanecerá inalterable mientras:
 Un coeficiente de la función objetivo se encuentre dentro del
rango de optimalidad.
 No hay cambios en ningún otro parámetro.

 El valor de la función objetivo cambiará si el coeficiente multiplica una

variable cuyo valor es distinto de cero.
 Los efectos del cambios en un coeficiente de
la función objetivo, sobre la solución óptima
X2
1200

800

600

X1

400 600 800

 Los efectos del cambio de un coeficiente de la
función objetivo, sobre la solución óptima
X2
1200 Rango de optimalidad

800

600

400 600 800 X1

 Cambios Múltìples
 El rango de optimalidad es válido cuando un único
coeficiente de la función objetivo cambia.

 Cuando cambia más de una variable se utiliza la regla del

100%.
  Regla del 100%
 Para cada aumento (disminución) en un coeficiente de la
función objetivo calcular (y expresar como un porcentaje) la
relación de cambio del coeficiente al máximo aumento posible
(disminución) determinada por los límites del rango de
optimalidad.

 Sumar todos los cambios de porcentaje. Si el total es menor

que 100%, la solución óptima no cambiará. Si este total es
mayor que 100%, la solución óptima puede cambiar.
 Reducción de costos
La reducción de costos de una variable a su cota inferior (comúnmente
cero) implica que:
 Los coeficientes de la función objetivo deben cambiar antes que la variable
pueda tomar un valor sobre la cota inferior.
 Con lo anterior la cantidad de ganancia óptima cambiará según las variables
aumentadas desde la cota inferior.

 Holgura complementaria
 Existe holgura en la solución óptima, cuando cada variable está en su cota
inferior o el costo reducido es 0.
Análisis de Sensibilidad del
coeficiente del lado derecho

 Cualquier cambio en el lado derecho (bi) de una restricción activa

cambiará la solución óptima.

 Cualquier cambio en el lado derecho de una restricción no activa que

sea menor que la holgura o o el exceso, no produce ningún cambio en
la solución óptima.
 Para el análisis de sensibilidad de la validez de
los coeficiente del lado derecho nos interesa
responder las siguientes preguntas :
 ¿ Manteniendo todos los otros coeficientes , en cuánto cambiaría
el valor óptimo de la función objetivo (por ejemplo, la ganancia)
si el coeficiente del lado derecho de una restricción cambia en
una unidad?

 ¿ Hasta cuántas unidades se puede agregar o disminuir para que

la solución siga siendo válida?
 X2

1200

Restricción materiales
(plásticos)
Nueva restricción materiales (plásticos)

Ganancia máxima= 5040

600
Combinación de restricciones
en la producción

Restricción del
tiempo de Feasible Puntos extremos
producción X1

600 800
  Interpretación correcta del
precio sombra
 Los costos amortizados: El precio sombra, es el valor por una
unidad extra del recurso, ya que el costo del recurso no es
incluido en el cálculo de los coeficientes de la función objetivo.

 Los costos incluídos: El precio sombra es el valor superior por

unidad del recurso, el costo del recurso se incluye en el cálculo
del coeficiente de la función objetivo.
 El rango de factibilidad
 El conjunto de los coeficientes del lado derecho entregan el
rango para que el mismo conjunto de restricciones determine el
punto óptimo.

 Dentro del rango de factibilidad, los precios sombras

permanecen constante; sin embargo, la solución óptima
cambiará.
Otros cambios para optimizar la función
objetivo
 La incorporación de una restricción.
 La eliminación de una restricción.
 La incorporación de un variable.
 La eliminación de un variable.
 Cambio en el lado izquierdo de los coeficientes.
Modelo sin solución óptima
 No factible: Ocurre cuando en el modelo no hay ningún
punto de factible.

 No acotado: Ocurre cuando el objetivo puede crecer

infinitamente (objetivo a maximizar).
Infactibilidad

Ningún punto se encuentra,

simultáneamente, sobre la línea 1
la línea 2 y 3

1
3
Solución No Acotada

Dieta Marina
 Un problema de minimización del costo de la dieta:
 Mezcle dos porciones de lo productos:
Texfoods, Calration.
 Minimice el costo total de la mezcla.
 Mantenga los requerimientos mínimos
de Vitamina A, Vitamina D, y hierro.
Variables de decisión:
x1 (X2) - - El cantidad de Texfoods (Calration) se usó en cada
porción (cada 2 onzas) .
 El modelo
Costo por 2 oz.
minimizar 0.60X1 + 0.50X2
sujeto a
20X1 + 50X2  100
25X1 + 25X2  100 Vitamina D
% Vitamina A
por 2 oz. 50X1 + 10X2  100 hierro
X1, X2  0 % requerido
 La solución gráfica
5
Restricción de hierro

4 Región factible

Restricción de vitamina D

2
Restricción de vitamina A

2 4 5
 Resumen de la solución óptima

 Producto Texfood = repartir 1.5 (= 3 onzas)

 Producto Calration = repartir 2.5 (= 5 onzas)
 Costo =$ 2.15 por porción servidar.
 El requisito mínimo para la Vitamina D y el hierro no se encuentren en
superávit.
 La mezcla provee 155% del requerimiento para Vitamina A.
Solución para problemas lineales con muchas
variables de decisión usando el computador
 Los paquetes de programas lineales resuelven grandes modelos
lineales.
 La mayoría de los software usan la técnica algebraica llamada
algoritmo Simplex.
 Los paquetes incluyen:
 El criterio de la función objetivo (Max o Min).
 El tipo de cada restricción: .
Los coeficientes reales para el problema.
,  , 

 La solución generada por un software
de programación lineal incluye:
 Los valores óptimos de la función objetivo.
 Los valores óptimos de las variables de decisión.
 La minimización del costo para los coeficientes de la función
objetivo.
 Los rangos de optimización para los coeficientes de la función
objetivo.
 La cantidad de holgura o exceso sobre cada restricción.
 Los precios sombra (o dual) para las restricciones.
 Los rangos de factibilidad para el coeficiente del lado derecho.
 GRACIAS

Lic. Adm. William Dextre Martínez