PARTE I 1. En qu fases se puede descomponer la resolucin de un problema de Programacin Lineal?

Se puede descomponer en 3 fases principales que son: Planteamiento del Modelo La resolucin del Problema El anlisis econmico de los Resultados. 2. Qu optimiza y a que est sujeta la Programacin Lineal? Optimiza la solucin de problemas econmicos en los que intervienen recursos limitados, sujeto a la satisfaccin de demandas. 3. Qu condiciones debe tener un problema para que sea considerado como un modelo de Programacin Lineal? Deben estar bien definidas las variables de decisin de manera que puedan expresadas simblicamente. El problema debe tener bien definido las funciones objetivos y las restricciones, de forma que puedan ser expresadas matemticamente como funciones lineales. 4. Qu caractersticas internas debe tener un problema de Programacin Lineal? Las variables deben ser de tipo lineal La funcin objetivo debe ser lineal

La relacin de las variables debe ser de tipo lineal. 5. Qu pasos se deben seguir para la formulacin de un problema de Programacin Lineal? Comprensin del Problema: Es el proceso en el cual se asimila bien el problema, se debe leer detalladamente su contenido e identificar el objetivos y parmetros. Definicin de las Variables de Decisin: En este paso se simbolizan todos los parmetros que formaran parte del modelo de programacin lineal. Formulacin de la Funcin Objetivo: Se define la meta o el objetivo que se desea alcanzar. Planteamiento de las Restricciones: Se plantean las restricciones de manera que se pueda observar claramente las condiciones con que se debe contar para la resolucin de un problema, se debe destacar que todas la variables deben ser de tipo lineal. 6. Sobre qu criterio se basan los problemas de maximizacin y minimizacin? Problema de Maximizacin: Una vez establecidos los recursos y la cantidad de actividades obtenibles por unidad de cantidad, se trata de determinar la combinacin de actividades que proporciona el mayor rendimiento de los recursos, basados en el Criterio de Mxima Utilidad. Problema de Minimizacin: Dada una actividad especfica, la relacin entre cada uno de los recursos, especificaciones generales de la actividad y costo unitario de cada recurso, determinar las cantidades necesarias de estas para obtener la cantidad con el mximo aprovechamiento de los recursos basados en el Criterio de Mnimo Costo Total.

PARTE II VERDADERO Y FALSO. EXPLIQUE 1. La funcin objetivo es independiente de las restricciones (F)

Esta afirmacin resulta ser falsa, ya que en un problema de programacin lineal con dos variables se tiene por finalidad optimizar ya sea maximizar o minimizar una funcin lineal, en la cual se encuentra la llamada funcin objetivo que est sujeta a una serie de restricciones que son un conjunto de condiciones que es preciso satisfacer, por lo que debe haber una interdependencia entre las variables que conforman la funcin objetivo con las restricciones. 2. En programacin lineal las variables solo pueden ser positivas o cero (V)

La metodologa de la programacin lineal requiere que todas las variables sean positivas, es decir mayores a cero, ya que en general para la mayora de los problemas esto es real, debido a que no se querra obtener una solucin que solicite la produccin de menos dos cajas. 3. Cualquier problema puede reducirse a un solo modelo de programacin lineal (V)

Se debe utilizar un modelo matemtico con representacin vlida de la problemtica en estudio; sus relaciones deben ser lineales, que significa utilizar, slo variables de primer grado en cada trmino. El modelo de programacin lineal es un caso especial de la programacin matemtica, pues debe cumplir que, tanto la funcin objetivo como todas las funciones de restriccin, sean lineales. Adems estos deben cumplir con las condiciones de proporcionalidad, aditividad, divisibilidad y certidumbre. 4. Todas las restricciones deben expresarse en la misma unidad de medicin (F)

No es necesario que todas las restricciones estn expresadas en las mismas unidades de medicin, es decir, una restriccin puede estar expresada en dlares, en tanto que una segunda

restriccin podra expresarse en horas, una tercera en libras, pies cuadrados o alguna otra unidad de medicin. Las unidades de medicin del segundo trmino de una restriccin, es decir, del lado derecho del signo de igualdad o desigualdad, siempre deben ser iguales a las unidades de medicin del primer Trmino, o lado izquierdo de la restriccin.

5.

Los problemas con periodos mltiples son los que se pueden plantear como modelos de P.L cuando el proceso de planteamiento abarca diversos periodos ()

Considera la situacin de Schwim Manufacturing Company en donde la administracin desea alcanzar varias metas. Ahora supondremos que la administracin desea ordenar dichas metas en orden de importancia y que la meta ms importante tiene prioridad absoluta sobre la siguiente meta ms importante y as sucesivamente.

Para lograr que las metas de baja prioridad se consideren solamente despus de lograr las metas de alta prioridad, se clasifican las metas en k rangos y las variables de desviacin asociadas con las metas, se les asigna un nmero prioritario Pj(j = 1,2,....,k). Los factores de prioridad satisfacen

P1>>>P2>>>...Pj>>>Pj+1.

Las relaciones de prioridad implican que la multiplicacin por n, no importa que tan grande sea n, no puede hacer una meta de baja prioridad tan importante como una meta de alta prioridad (por ejemplo: Pj>nPj+1).

Ahora supongamos que la divisin de bicicletas de Schwim, adems de lograr sus $600.00 de meta primaria de utilidad, desea utilizar completamente sus departamentos de ensamblaje y terminacin durante la reorganizacin que se avecina. Esto es, como una meta secundaria, la divisin desea minimizar el tiempo ocioso. La formulacin del modelo es:

Minimizar Z = P1(d1- + d1+) + P2(d2-+d3-) s. a. 15x1+25x2 +d1- -d1+ = 600 x1 +3x2 + d2- -d2+ = 60 x1 +x2 +d3- -d3+ = 40 x1,x2,di-,di+ " 0 Donde: x1 = Nmero de bicicletas de 3 velocidades producidas por da x2 = Nmero de bicicletas de 10 velocidades producidas por da d1- = Cantidad por debajo de la utilidad perseguida d1+ = cantidad por encima de la utilidad perseguida d2- = Tiempo ocioso diario en el departamento de ensamble d2+ = Tiempo extra diario en el departamento de ensamble d3- = Tiempo ocioso diario en el departamento de terminacin.

d3+ = Tiempo extra diario en el departamento de terminacin.

Nota: Puesto que d1- y d1+ se incluyen en la funcin objetivo, el modelo intentar lograr exactamente la utilidad diaria perseguida de $600, minimizando tanto las desviaciones positivas como las negativas. Con d2+ d3+ y eliminados de la funcin objetivo, sin embargo, el modelo no se preocupar del tiempo extra en el departamento de ensamble o terminacin e intentar minimizar solamente el tiempo ocioso en estos departamentos. Debido a que la meta de utilidad perseguida es ms importante que la meta de minimizacin del tiempo ocioso, a esta se le asigna prioridad P1 . El modelo intentar lograr esta meta hasta donde ms le sea posible antes de considerar la meta secundaria de minimizar el tiempo ocioso de produccin.

6.

Los problemas en los cuales el objetivo consiste en mezclar ingredientes bsicos para fabricar productos finales refinados se denominan problemas de dieta (F)

(Stigler, 1945). Propuso el problema de dieta y concluyo que Consiste en determinar una dieta de manera eficiente, a partir de un conjunto dado de alimentos, de modo de satisfacer requerimientos nutricionales. La cantidad de alimentos a considerar, sus caractersticas nutricionales y los costos de stos, permiten obtener diferentes variantes de este tipo de modelos.

7.

Los problemas de asignacin tienen como objetivo asignar en forma ptima recursos en actividades (V)

Es un problema de programacin lineal que tiene una manera especial de resolverse. Consiste en buscar la relacin entre dos conjuntos, de forma que el rendimiento de dicha relacin sea el ptimo posible.

8.

Los problemas de transporte implican la distribucin de bienes o servicios a partir de una ubicacin de oferta o almacenamiento hacia diversas ubicaciones de demanda (V)

Es un problema similar al de la asignacin con la diferencia de que no se asignan elementos de un conjunto a otro sino cantidades de producto que normalmente vienen representadas por costos de transporte. A diferencia del problema de asignacin la matriz no tiene por que ser cuadrada, pueden existir mas destinos que orgenes, tambin pueden no coincidir las cantidades que se fabrican o almacenan con los pedidos que se reciben pudiendo estos ser menores o iguales

PARTE III. PROBLEMA El INURBE tiene 800 hectreas de tierra del primera clase, pero no urbanizada, en un lago escnico al noreste de la ciudad. En el pasado se aplica la poca o ninguna regulacin a nuevas urbanizaciones en torno al lago. Debido a la falta de servicio de drenaje, o desage para alcantarillado, se utilizan muchos tanques spticos, la mayora instalados en forma inadecuada. Con el paso de los aos, la infiltracin de los tanques spticos ha provocado un grave problema de contaminacin del agua. Para controlar la degradacin de la calidad del agua, los funcionarios del municipio prestaron y aprobaron algunos reglamentos estrictos aplicables a todas las urbanizaciones que se proyecta construir en el futuro: a. Slo se pueden construir casas para una, dos y tres familias, donde las unifamiliares constituyen cuando menos el 50% del total.

b. Para limitar el nmero de tanques spticos, se requieren tamaos de lote mnimo de 2,3 y 4 hectreas, para casas de una, dos y tres familias. c. Se deben establecer reas de recreo de una hectrea cada una, a razn de un rea por cada 200 familias. d. Con miras a preservar el ecosistema del lago, no se puede extraer agua del subsuelo para uso en la casa o el jardn. El Presidente de INURBE estudia la posibilidad de urbanizar las 800 hectreas que posee esta corporacin en el largo. La nueva urbanizacin incluir casas para una, dos y tres familias. Estima que el 15% del terreno ser utilizada en la apertura de calles y vas de acceso para servicios. Asimismo, calcula sus ingresos derivados de la venta de las diversas unidades habitacionales sern los siguientes. Unidades Habitacionales Sencilla Ingreso neto por unidad ($) 10000 Doble 15000 Triple 20000

El costo de conexin del servicio de agua al rea es proporcional al nmero de unidades que se construyen. Sin embargo, la comunidad considera que se deber conectar a un costo mnimo de 100.000$ para que el proyecto sea econmicamente factible. Adems, la expansin del sistema acufero ms all de su capacidad actual esta limitado a 200.000 galones por da durante un perodo de consumo mximo, pico. Los datos que se presentan resumen el costo de conexin del servicio de agua y del consumo de esta, suponiendo una familia de tamao medio.

Unidad habitacional Sencilla Costo del servicio de agua por unidad ($) Consumo de agua por unidad (gal/dia) 400 600 840 450 1000 1200 1400 800 Doble Triple Recreo

Solucin Analizando los enunciados, se tienen 800 Hectreas, puesto como se estima que el 15% de ellas se usen para apertura de calles vas de acceso para servicios, entonces nos queda 85% del total de 800 Hectreas para la construccin de viviendas y zonas de recreo, es decir: 800x85% = 680 Hectreas Definimos las variables:

Ahora, planteando las ecuaciones o inecuaciones segn los enunciados: Las viviendas unifamiliares sern cuando menos el 50% del total de viviendas, es decir: ( ) ( )

(1)

se requieren lotes de 2, 3 y 4 Hectreas para casas de una, dos y tres familias respectivamente, en cuando al rea en Hectreas considerando adems las reas de recreo, esto significa:

(2)

se deben establecer reas de recreo, un rea de recreo por cada 200 familias, matemticamente se representa as:

Es decir:

(3)

de la tabla 12, para los costos se considera un minimo de $ 100000, luego se tiene: (4)

de la tabla 12, para el consumo de agua se considera un mximo de 200000 galones, luego se tiene:

(5)

por ultimo de la tabla 11, la funcin objetivo (Z) ser la funcin ingreso neto por unidad habitacional, luego se tiene:

(6)

Las primeras 5 expresiones son las restricciones que derivan del planteamiento de los funcionarios del municipio y de las condiciones propias de la instalacin-rentabilidad. La ultima ecuacin es la funcin objetivo que en este caso ser maximizada pues se pretende el ingreso neto mximo por unidad habitacional. Planteando formalmente el problema:

MAXIMIZAR:

(6)

SUJETO A LAS RESTRICIONES: (1) (2) (3)

(4) (5)

Ahora, para utilizar el mtodo simplex es necesario agregar variables de holgura las inecuaciones menor o igual y agregar variables de exceso y artificiales a las igualdades e inecuaciones mayor o igual quedando el sistema de restricciones de la siguiente forma:

(1) (2) (3) (4) (5)

Penalizando la funcin objetivo con las variables artificiales y un nmero grande M, se tiene:

6)

Despejando la funcin objetivo:

Para eliminar las variables artificiales de la ecuacin anterior, se realiza el sistema de ecuaciones siguiente con (1), (3) y (4):

( ( (

) ) )

__________________________________________________________________ ( ) ( ) ( ) ) (

Reduciendo:

( (

) )

Se construye la matriz inicial con esta ecuacin y las restricciones, en el archivo adjunto de Excel.

MTODO SIMPLEX 1. Describa Brevemente la Tcnica Simplex El mtodo del simplex fue creado en 1947 por el matemtico George Dantzig. El mtodo del se utiliza, sobre todo, para resolver problemas de programacin lineal en los que intervienen tres o ms variables. Es un procedimiento computacional para determinar soluciones bsicas factibles para un sistema de ecuaciones y verificar las soluciones para asegurarse de que sean optimas. Este mtodo pasa de una solucin bsica factible a otra, mejorando siempre la solucin previa, hasta llegar a la optima.

Adems de ser eficiente, dicho mtodo tiene otras ventajas. Es completamente mecnico (se utilizan matrices, operaciones elementales sobre renglones y aritmtica bsica). Asimismo, no implica el uso de geometra. Esto permite resolver problemas de programacin lineal que tiene cualquier nmero de restricciones y variables.

2. En un problema de programacin lineal que forma deben tener las restricciones para poder aplicar el mtodo Simplex? Todas las restricciones son ecuaciones con trminos independientes no negativos. 3. Enuncie y Explique la Aplicacin del Concepto de Optimalidad Rango de Optimalidad: o intervalo de valores permisibles para permanecer ptimo, de un coeficiente de la funcin objetivo se calcula determinando un intervalo para el coeficiente de la funcin objetivo, en el cual la solucin bsica ptima se mantiene ptima asumiendo constantes

todos los otros datos del problema. Si el coeficiente cj se modifica y se mantiene al interior de este rango, la solucin ptima sigue siendo ptima, pero al modificarse los cj el valor de la funcin objetivo Z*=cx* se modificar en consecuencia. 4. Qu tipo de matriz generan las variables bsicas? Las variables bsicas iniciales deben tener una matriz de base asociada igual a la identidad. En muchas ocasiones, al introducir las variables de holgura en las restricciones se genera una matriz bsica identidad, que puede ser utilizada como base inicial del algoritmo. 5. Describa los Pasos o Etapas que se siguen en el Mtodo Simplex El Mtodo Simplex se utiliza como un apoyo para interpretar la solucin ptima, que es la solucin matemtica que d la computadora. Para lograr esto, se presenta la metodologa que sigue el Mtodo Simplex en la solucin manual de problemas de Programacin Lineal ya sean de maximizacin o de minimizacin: Igualar las restricciones del problema modelado: Se igualan las restricciones para tener la matriz identidad del problema. Esta matriz identidad es el punto de partida que utiliza el Mtodo Simplex para solucionar el problema. Existen las siguientes reglas para hacer la igualacin de las restricciones: Si se tiene una restriccin menor o igual se agregar una variable de holgura (H). Si la restriccin es mayor o igual se restar una variable de excedente (E) y se sumar una variable artificial (A). Si la restriccin es una igualdad se sumar una variable artificial (A).

Formar la "Tabla Inicial": Existen diferentes formatos de tablas que se pueden usar para el Mtodo Simplex. Los formatos se diferencian solo en la colocacin de los datos pero la esencia es la misma. Una vez definido el formato de la tabla, se mantendr igual durante todo el desarrollo del problema, independientemente de la etapa que se este haciendo. Reconocer si la solucin que da la Tabla es ptima, checando el cumplimiento del "Criterio de Optimabilidad (Cj-Zj 0)": El Mtodo Simplex utiliza el Criterio de Optimabilidad para saber si ya lleg a la solucin ptima del problema. Si la tabla que se tiene no cumple con este criterio, se tendr que seguir adelante con otras iteraciones, es decir, calculando ms tablas hasta cumplirlo. El criterio de optimabilidad se enuncia en la forma siguiente:La solucin ser ptima s y solo sj 0. Es decir, los valores del rengln de laj deben ser ceros o negativos. Un valor positivo indica que la solucin de la tabla no es ptima. Como el Mtodo Simplex trabaja por iteraciones (pasar de una tabla a otra hasta llegar a la solucin ptima), es posible leer la solucin que se tiene en cualquier tabla de las calculadas. Para leer la solucin de una tabla que se haya calculado, es necesario ver dos columnas, la columna Base nos dar las Variables Bsicas que forman la solucin y la columna "Bi" nos dar el valor de estas variables. Cualquier variable no incluida en la base es una Variable no Bsica con valor cero. Si la solucin no es ptima, se debe: Calcular la "Nueva Tabla": hasta encontrar la solucin ptima. Para calcular la nueva tabla se tiene que definir la Variable de Entrada (VE), la "Variable de Salida (VS)", el "Pivote" y los "Criterios de Ajuste" para los nuevos renglones. El "Criterio para definir la Variable de Entrada" es seleccionar la variable con el mximo valor del rengln.

Repetir el "Paso 3 y 4" hasta que la tabla calculada cumpla con el criterio de optimabilidad: Si se cumple con el criterio de optimabilidad, entonces la solucin de esa tabla es ptima, si no, se continua "iterando" es decir haciendo nuevas tablas hasta encontrar la solucin ptima del problema por lo que se repite nuevamente el paso 4. Dar la "Solucin ptima" del problema: Esta solucin ptima es una "solucin matemtica" que requiere ser interpretada. "Interpretar" la solucin ptima del problema: En la interpretacin de la solucin ptima, se debe ver si el problema tiene "variables discretas" o "variables continuas". Si se tienen variables discretas, al hacer la interpretacin de la solucin ptima del problema, se tendr que dar en valores "enteros" haciendo los ajustes requeridos en la solucin matemtica obtenida. Si son variables continuas, la interpretacin se har directamente con los valores obtenidos sin hacer ningn ajuste.

6. Cules son las Caractersticas de las Variables de Holgura y Excedente? Variable de Holgura: Es la cantidad de recursos no utilizado en el programa, cuya funcin principal desde un punto de vista matemtico es la de romper la inecuacin o desigualdad llamada restriccin, que se presenta en todo el problema de programacin lineal. El coeficiente, o sea el costo de esta variable, ser siempre cero. Los problemas que incluyen mas de dos variables estn mas all del alcance del mtodo grafico bidimensional. Puesto que se requieren ecuaciones, el sistema de desigualdades lineales se debe convertir en un sistema de ecuaciones lineales. Esto se logra mediante la inclusin de una variable separada floja o de excedentes en cada desigualdad en el sistema.

Una desigualdad menor que igual a se puede convertir en una ecuacin mediante la adicion de una variable floja s 0. Una desigualdad mayor que igual a se convierte en ecuacin restndole una variable de excedentes s 0 . 7. Cul es el propsito de las variables artificiales en la solucin de un problema de programacin lineal? Variable artificial: Es un artificio que permite la posibilidad de trabajar con el metodo simplex, pero dicha variable no interviene en la solucin del problema, su valor variara dependiendo si se trata de un problema de minimizacin su valor ser +M, en donde M es un valor tan grande como se desee.

8. Cuando una Solucin es Ilimitada? Explique Se considera una solucin ilimitada cuando una o ms variables y el valor de la funcin objetivo adquieren un valor ilimitado sin quebrantar las restricciones estructurales. Este tipo de soluciones no se suelen presentar en problemas de programacin lineal reales, debido a que se presenta por las siguientes causas:

Omisin de una o ms restricciones Fallas en la modelacin y solucin Errores en los datos de entrada al mtodo de solucin

9. Cmo se obtiene una solucin optima al resolver un problema de maximizacin?

Una Solucin ptima es aquella solucin bsica posible que optimiza a la funcin objetivo, la funcin optima se obtiene cuando todos los elementos de la fila de la funcin objetivo son positivos.

10. Qu diferencia existe entre los pasos para resolver un problema de maximizacin y uno de minimizacin?

Si en lugar de maximizar, se trata de un problema de minimizacin, se sigue es mismo procedimiento, pero cambiando el sentido del criterio, es decir, para entrar en la base se elige la variable cuyo valor, en la fila de la funcin objetivo sea el mayor de los positivos, y finalizan las interacciones cuando todos los coeficientes de la fila funcin objetivo son negativos.

Tcnica de Variables Artificiales Esta tcnica muestra como puede obtenerse una solucin bsica factible inicial cuando las variables de holgura no proporcionan tal solucin. En general este ser el caso cuando al menos una de las restricciones es del tipo = o . Se desarrollan para este propsito mtodos basados en el uso de variables artificiales.

Mtodo M o Mtodo de Penalizacin Tcnica de Dos Fases

Tecnica M Los pasos bsicos de la tcnica M son los siguientes: Paso 1: Exprese el problema en la forma estndar determinada. Paso 2: Agregue variables no negativas al lado izquierdo de cada una de las ecuaciones correspondientes a las restricciones de tipo = y . Estas variables se denominan variables artificiales y su adicin hace que se infrinjan las restricciones correspondientes. Esta dificultad se elimina asegurando que las variables artificiales sean cero (= 0) en la solucin final, siempre que exista solucin del problema. Esto se logra asignando una penalizacin muy grande por unidad a estas variables en la funcin objetivo. Tal penalizado se designar como M para problemas de maximizacin y +M para problemas de minimizacin, M > 0.
Paso 3: utilice las variables artificiales en la solucin bsica inicial. Sin embargo, a fin de que la tabla inicial se prepare adecuadamente, la funcin objetivo deber expresarse en trminos de variables no bsicas nicamente. Esto significa que los coeficientes de las variables artificiales en la funcin objetivo deben ser 0, un resultado que puede lograrse sumando mltiplos adecuados de las ecuaciones de restriccin al rengln objetivo. Paso 4: Proceder con los pasos regulares del mtodo Simplex. Las variables artificiales brindan solo un artificio matemtico para obtener una solucin de inicio. El efecto de estas variables en la solucin final se cancela por su alta penalizacin en la funcin objetivo.

Tcnica de dos fases Una desventaja de la tcnica M es el posible error de computo que podra resultar de asignar un valor muy grande a la constante M. Para aliviar la dificultad, el nuevo mtodo elimina el uso de la constante M resolviendo el problema en dos fases, estas dos fases se describen de la manera siguiente:

Fase 1: formula un nuevo problema reemplazando la funcin objetivo original por la suma de las variables artificiales. La nueva funcin objetivo entonces se minimiza sujeta a las restricciones del problema original. Si el problema tiene un espacio factible el Valor mnimo de la nueva funcin objetivo ser 0. Ahora pase a la fase dos. De otra manera, si al Valor mnimo es mayor a cero, el problema se termina con la informacin de que no existen soluciones factibles.

Fase 2: utilice la solucin bsica ptima de la fase uno como una solucin de inicio para el problema original. En este caso la funcin objetivo original se expresa en trminos de de las variables no bsicas utilizando las eliminaciones usuales de Gauss-Jordan.

REFERENCIAS BIBLIOGRFICAS

Dowling, E.(1986) Matemticas para Economistas Series Schaum..Editorial McGraw Hill. Mxico.

Taha, H (1995). Investigacin de Operaciones. (5ta Ed. ) Editorial Alfaomega. Mexico