Programación Lineal Entera

Prof. Ing. Claudio L. R.
Sturla
REPBLICA ARGENTINA
PROGRAMACIN LINEAL
Se puede reproducir libremente. Se agradecer citar la fuente.
THE RECORDING, COPYING, LOAN, UNAUTHORIZED HIRE, PUBLIC SHOWING OR
BROADCAST OF THIS DATAGRAM IS STRONGLY ENCOURAGED.
Claudio L. R. Sturla
Bibliografa:
Bunday, Brian D. y Garside, Gerarl R. Linear Programming in Pascal, Edward Arnold Ltd.,
Londres, ISBN 0-7131-3647-2, 1.987.
Dorfman, Robert, Samuelson, Paul A. y Solow, Robert M. Programacin Lineal y Anlisis
Econmico, 2 edicin, Aguilar, Madrid, 1.964.
Fraleigh, John B. y Beauregard, Raymond A., lgebra Lineal, Addison-Wesley Iberoamericana,
EE. UU., ISBN 0-201-64420-7, 1.989.
Frazer, J. Ronald, Programacin Lineal Aplicada, Editorial Tcnica, S.A., Mxico.
Hadley, G. Linear Programming, Addison-Wesley Publishing Company, Massachusetts, EE.UU,
ISBN 0-201-02660-0, 1.963.
Hillier, Frederick S. y Lieberman, Gerald J. Introduc cin a la Investigacin de Operacio nes , 3
edicin en Castellano, McGraw Hill de Mxico S. A. de C. V., Naucalpan de Jurez, 1.993, ISBN
968-422-993-3.
Gass, Sal I., Programacin Lineal, CECSA, Mxico.
Goldstein, E. G. y Yudin, D. B. Programacin Lineal, Paraninfo, Madrid, ISBN 84-283-0868,
1.976.
Kaufmann, Arnold Mtodos y Modelos de la Investiga cin de Operaciones , Tomo I, 2 edicin,
CECSA, Mxico, 1.981.
Munier, Nolberto J., Aplicaciones de la Programacin Lineal, Editorial Astrea, Buenos Aires.
Poiasina, Marta Rosa et al, Gua de Ejercicios y Trabajos Prcticos, Centro de Estudiantes de
Ingeniera Tecnolgica, Facultad Regional Buenos Aires, Universidad Tecnolgica Nacional.
Poiasina, Marta Rosa et al, Anexo Gua de Trabajos Prcticos - Ejercicios Resueltos, Centro de
Estudiantes de Ingeniera Tecnolgica, Cdigo: K/40/P03, Facultad Regional Buenos Aires, Uni-
versidad Tecnolgica Nacional.
Schroeder, George G. Administracin de Operaciones, McGraw Hill de Mxico S. A. de C. V.,
Naucalpan de Jurez, Mxico, 1.994, ISBN 970-10-0088-9.
Winston, Wayne L., Investigacin de Operaciones, Grupo Editorial Iberoamrica S. A. de C. V.,
Mxico, ISBN 970-625-029-8, 1.994.
Sitios internet
http://www.lindo.com
http://members.tripod.com/~operativa/Invop.html
http://www-math.cudenver.edu/~hgreenbe/courseware/Lpshort/frame-intro.html
pl-01.doc
22
Prof. Ing. Claudio L. R. Sturla
URL para bajar el software WinQSB
http://my.fit.edu/ ~ dhott/WinQSB/winqsbdisk1.zip
La programacin lineal
1
es una herramienta poderosa, pues an con aplicaciones parciales, se pueden
obtener ahorros importantes.
La programacin lineal es una parte del conjunto:
PROGRAMACIN
LINEAL Comn
Otras clases o subconjuntos de programacin lineal son la PROGRAMACIN LINEAL ENTERA, la
PROGRAMACIN LINEAL PARAMTRICA, etc.
A su vez la Programacin Lineal es parte de un rea ms amplia, la de la Programacin Matemtica que
trata de problemas no lineales.
PROGRAMACIN LINEAL
Para comenzar veremos un problema sencillo:
Considrese que una empresa fabrica dos productos
P
1
y
P
2
.
Para fabricar esos productos la empresa utiliza:
Mano de obra;
Materia prima y
Equipos.
Estos insumos se disponen en forma limitada.
Adems sabemos los beneficios unitarios de la venta de
P
1
y
P
2
.
P
1
P
2
Disponibilidad
Mano de obra 20 10 100.000
Materia prima 10 30 180.000
Equipos 5 1 40.000
Beneficios 8 5
La cifra 100.000 pueden ser directamente en unidades de Mano de obra o las UM equivalentes a esa
Mano de obra.
20 es un coeficiente tecnolgico o insumo especfico.
Dado que tenemos unas disponibilidades decidimos usarlas.
Cuntas unidades se deben producir cada una de los dos productos para maximizar los beneficios?
1
Las ideas bsicas de la programacin lineal surgieron de un estudio acerca de problemas de asignacin de recursos hecho
por la fuerza area de los EE. UU. durante la Segunda Guerra Mundial, aunque haba ya muchos resultados que trataban la
maximizacin de una funcin bajo ciertas restricciones. George Dantzig, miembro del proyecto SCOOP (Scientific
Computation of Optimun Programs) de la fuerza area, formul el problema de la programacin lineal y dise el mtodo
simplex de solucin en 1.947.... George Dantzig naci en 1.914 y trabaj para la Rand Corporation despus de su aporte a
la fuerza area. Actualmente es profesor de Investigacin de Operaciones en la Universidad de Standford.
pl-01.doc
23
Nota: Este es claramente un ejemplo muy simple (casi simplista) pero, como con muchas cosas, debe-
mos comenzar a un nivel sencillo para luego progresar.
Vamos a formular un plan de produccin (tambin llamado un mix de produccin), o sea vamos a
determinar cules son las cantidades que debemos producir de maximizando beneficios. Y de aqu surge
la explicacin de uno de los nombres. Como las primeras aplicaciones de la Programacin Lineal fue
determinar mezclas ptimas de productos, este tipo de problema lineal recibi el nombre de
Programacin Lineal.
Adivinando
Para explorar el problema podramos, simplemente suponer (por ejemplo, utilizando nuestro juicio)
cuntas unidades de productos producir y ver qu ocurre.
Producir una unidad de producto
P
1
y una unidad de producto
P
2
No parece ser una suposicin correcta pues slo ganaramos 8 UM por una unidad del prrimer producto
y 5 UM por una unidad del segundo producto.
Decimos que la solucin no es interesante.
Otra solucin podra ser
Producir 4 unidades de
P
1
y tres unidades de
P
2
En lugar de continuar nuestra adivinanza nos podemos aproximar al problema de una manera lgica.
Reflexinese por un momento que realmente necesitamos una solucin que cumpla las restricciones con
el mximo beneficio.
Sin embargo, an si seguimos adivinando no podramos nunca saber si hemos logrado o no la solucin
mnima.
Afortunadamente, nuestra aproximacin estructurada nos permitir encontrar la solucin de mnimo
costo.
La mezcla ptima se obtendr por medio de una funcin objetivo que tiene como parmetros a los
beneficios unitarios.
Las unidades de los coeficientes tecnolgicos son:
[ ]
20
1
1
]
1
unidades de Mano de obra
unidad de P
que, en general, ser:
unidad de recurso i
unidad de producto j
1
]
1
El funcional representa el objetivo a lograr. Fijar ese objetivo puede ser difcil. Una vez elegido UNO lo
buscamos y no nos desviamos a causa de objetivos secundarios.
El sistema dado est sobredimensionado. Por qu?. Veamos.
Podemos plantear vnculos
20 10 100 000
1 2
x x + .
Si deseamos producir una unidad de
P
1
y una de
P
2
tendremos:
20 1 10 1 100 000 . . . +
El 100.000 pone un techo.
Las otras son:
pl-01.doc
24
10 30 180 000
5 40 000
1 2
1 2
x x
x x
+
+
.
.
Una
x
j negativa no tiene una interpretacin adecuada, entonces:
x x
1 2
0 0
Podramos s tener un coeficiente negativo. Por ejemplo si produzco videocasetes y luego retengo parte
de ellos para grabar pelculas y venderlas grabadas. El videocasete virgen es un insumo para la pelcula
grabada en vdeo.
Pero adems queremos que el programa maximice el funcional:
Z x x maximo + 8 5
1 2
PRIMERA HIPTESIS: el beneficio no depende de la cantidad a producir (es REAL en
cierto entorno).
Las hiptesis son supuestos del problema y debemos tenerlas presentes o saber qu error representan.
La real podra ser cuadrtica (economas de escala).
No olvidar que estamos haciendo un modelo matemtico del problema real. Platn deca que a lo largo
de la vida vamos viendo muchas sillas. Con y sin respaldo, con tres, cuatro o ms patas. Pero de ellas
formamos una idea, que nos permite reconocer cada silla.
SEGUNDA HIPTESIS: definimos 20 (el insumo especfico) como 20. Quizs sea un
valor estadstico.
TERCERA HIPTESIS: que el equipo que sirve para producir
P
1 tambin sirve para
producir
P
2
.
CUARTA HIPTESIS: No hay limitaciones en el mercado. El mercado no se satura.
P
1
nos da mayor beneficio que
P
2
. No deberamos producir ms de
P
1
? O todo de
P
1
? Lo veremos
al resolver.
Al poner en las condiciones de vnculo 100 000 . hemos supuesto que podemos llegar a usar menos de
100.000, o sea que puede ocurrir que nos sobre recurso.
Vimos que tanto las condiciones de vnculo como el funcional son lineales. Por eso es Programacin
Lineal.
Hay varias cosas para sealar aqu:
Un asunto importante detrs de esta formulacin es QUE LO HACE PENSAR. An si no hace nada
nunca con matemticas, este proceso de tratar de pensar clara y lgicamente acerca de un problema,
puede ser muy til.
Un problema comn con la formulacin es olvidar algunas restricciones o variables y todo el proceso
debera ser considerado como iterativo (iterando delante y atrs con variables, restricciones y
objetivo hasta que estemos conformes).
El problema matemtico que hemos dado tiene la forma:
todas las variables son continuas (por ejemplo, pueden tomar valores fraccionarios)
hay un solo objetivo (maximizar o minimizar)
pl-01.doc
25
el objetivo y las restricciones son lineales, por ejemplo, cada trmino es una constante o una
constante multiplicada por una incgnita (por ejemplo, 24, 4 x, 6 y son trminos lineales pero x y
es un trmino no lineal).
Cualquier formulacin que satisfaga estas tres condiciones se llama un programa lineal.
Hemos (implcitamente) supuesto que era permisible trabajar con fracciones de producto los
problemas donde esto no se permita y las variables deban tomar valores enteros se tratarn con la
programacin entera.
A veces las variables de decisin deberan ser enteras pero por razones de simplicidad las dejamos
fraccionarias. Esto es relevante en problemas donde los valores de las variables de decisin son
grandes porque cualquier parte fraccionaria puede entonces ser ignorada (note que a veces los datos
(nmeros) utilizados en la formulacin de la programacin lineal sern de cualquier forma inexactos.
Discusin
Considerando el ejemplo de los dos productos:
Es un problema de decisin.
Hemos tomado una situacin del mundo real y construido una representacin matemtica equi-
valente tal representacin a veces se llama un modelo matemtico de una situacin real (y el
proceso por el cual se obtiene el modelo se llama formular el problema).
Habiendo obtenido nuestro modelo matemtico nosotros (esperamos) tener algn mtodo cuantitativo
que nos permita resolver el modelo (obteniendo una solucin numrica) tal mtodo cuantitativo a
veces se llama un algoritmo
2
para resolver el modelo.
2
Systematic procedure that produces in a finite number of steps the answer to a question or the solution of a problem.
The name derives from the Latin translation, Algoritmi de numero Indorum, of the 9th-century Muslim mathematician al-
Khwarizmi's arithmetic treatise "Al-Khwarizmi Concerning the Hindu Art of Reckoning."
For questions or problems with only a finite set of cases or values an algorithm always exists (at least in principle); it
consists of a table of values of the answers.
In general, it is not such a trivial procedure to answer questions or problems that have an infinite number of cases or
values to consider, such as "Is the natural number (1, 2, 3, . . .) a prime?" or "What is the greatest common divisor of the
natural numbers a and b?"
The first of these questions belongs to a class called decidable; an algorithm that produces a yes or no answer is called a
decision procedure.
The second question belongs to a class called computable; an algorithm that leads to a specific number answer is called a
computation procedure.
Algorithms exist for many such infinite classes of questions; Euclid's Elements, published about 300 BC, contained one for
finding the greatest common divisor of two natural numbers.
Every elementary school student is drilled in long division, which is an algorithm for the question "Upon dividing a
natural number a by another natural number b, what are the quotient and the remainder?"
Use of this computational procedure leads to the answer to the decidable question "Does b divide a?" (the answer is yes if
the remainder is zero).
Repeated application of these algorithms eventually produces the answer to the decidable question "Is a prime?" (the
answer is no if a is divisible by any smaller natural number besides 1).Sometimes an algorithm cannot exist for solving an
infinite class of problems, particularly when some further restriction is made upon the accepted method. For instance, two
problems from Euclid's time requiring the use of only a compass and a straightedge (unmarked ruler) trisecting an angle
and constructing a square with an area equal to a given circle were pursued for centuries before they were shown to be
impossible.
At the turn of the 20th century, the influential German mathematician David Hilbert proposed 23 problems for
mathematicians to solve in the coming century.
The second problem on his list asked for an investigation of the consistency of the axioms of arithmetic.
Most mathematicians had little doubt of the eventual attainment of this goal until 1931, when the Austrian-born logician
Kurt Gdel demonstrated the surprising result that there must exist arithmetic propositions (or questions) that cannot be
proved or disproved.
Essentially, any such proposition leads to a determination procedure that never ends (a condition known as the halting
problem).
pl-01.doc
26
Esencialmente un algoritmo (para un modelo particular) es un conjunto de instrucciones que, cuando se
las sigue paso a paso, producirn una solucin numrica a tal modelo.
Nuestro modelo tiene un objetivo, que es algo que estamos tratando de optimizar.
Habiendo obtenido la solucin numrica de nuestro modelo, debemos trasladarla a la situacin del
mundo real.
Una cosa que deseamos enfatizar es que la investigacin operativa trata de problemas de decisin.
Tambin podemos definir un modelo matemtico como consistente de:
Variables de decisin, que son las incgnitas a ser determinadas por la solucin del modelo.
Restricciones para representar las limitaciones fsicas del sistema.
Una funcin objetivo.
Una solucin (o solucin ptima) del modelo es la identificacin de un conjunto de valores de las
variables que son factibles y que llevan al valor ptimo de la funcin objetivo.
Filosofa
En trminos generales podemos considerar a la investigacin operativa como la aplicacin de mtodos
cientficos a la toma de decisiones.
Subyaciendo a la investigacin operativa est la filosofa que:
Se deben hacer las decisiones; y
Utilizando una aproximacin cuantitativa (explcita, articulada) nos llevar (en promedio) a
mejores decisiones que utilizando aproximaciones no cuantitativas (implcitas, no articuladas)
como las utilizadas por los decisores humanos.
Se puede argumentar que aunque la investigacin operativa es imperfecta, ofrece la aproximacin ms
perfecta disponible para hacer una determinada decisin en muchas instancias (lo que no quiere decir
que el utilizar la investigacin operativa producir la decisin correcta.)
A veces la aproximacin humana a la toma de decisiones puede ser caracterizada (conceptualmente)
como la aproximacin pregunte a Jos, dando simplemente a Jos (el experto) el problema y los
datos relevantes, encerrarlo en una habitacin por un rato y esperar que aparezca la respuesta.
Las dificultades con esta aproximacin son:
Velocidad (costo) para llegar a la solucin.
Calidad de la solucin: Jos genera soluciones de buena calidad en cualquier caso particular?
Consistencia de la solucin: Jos siempre genera soluciones de la misma calidad? (esto es
especialmente importante cuando se comparan diferentes opciones).
Ahora Ud. Puede formarse su propia opinin acerca de si la investigacin operativa es mejor o no que
esta aproximacin.
SOLUCIN GRFICA
Supongamos
20 10 100 000
1 2
x x + .
si
x x
1 2
0 10 000 .
In an unsuccessful effort to ascertain at least which propositions are unsolvable, the English mathematician and logician
Alan Turing rigorously defined the loosely understood concept of an algorithm.
Although Turing ended up proving that there must exist undecidable propositions, his description of the essential features
of any general-purpose algorithm machine, or Turing machine, became the foundation of computer science.
Today the issues of decidability and computability are central to the design of a computer program a special type of
algorithm.
pl-01.doc
27
si
x x
2 1
0 5000 .
Si
x
1
0
y
x
2
0
el origen verifica la inecuacin y por lo tanto pertenece al semiplano de validez.
-10.000
0
10.000
20.000
30.000
40.000
50.000
-
1
.
0
0
0
1
.
0
0
0
3
.
0
0
0
5
.
0
0
0
7
.
0
0
0
9
.
0
0
0
1
1
.
0
0
0
1
3
.
0
0
0
1
5
.
0
0
0
1
7
.
0
0
0
1
9
.
0
0
0
X1
X
2
Mano de obra
Equipos
Materia prima
Hay una sola rea donde se cumplen SIMULTNEAMENTE las condiciones de no negatividad y las
restricciones. Es el polgono OACB donde existen infinitas soluciones.
QUINTA HIPTESIS Las variables
x
j
son continuas.
Nos falta representar el funcional. Tambin se le llama isoutilidades (si se maximiza) o isocosto (si se
minimiza).
Z x x + 8 5
1 2
es la expresin de un plano porque en esta ecuacin hay tres
variables. Z es la tercera variable. Esta es la ecuacin de un plano. Ese plano es perpendicular al plano
del papel. Podemos entonces dar valores a Z y nos darn distintas rectas producto del corte del plano
Z con el plano de los ejes coordenados.
Podemos hacer arbitrariamente
Z Z 0 40 ;
. Los cortes son paralelos entre s. Entonces slo ne-
cesitamos la pendiente:
5 8
8
5
2 1
2
x Z x
x Z x

*
O sea ya sabemos que la pendiente es -8/5. Se van trazando paralelas a un funcional cualquiera y luego
se va aumentando el valor del funcional trazando paralelas a la inicial en la direccin del aumento del
funcional.
El punto mximo es aquel donde la distancia desde el funcional hasta el vrtice origen es mxima.
En nuestro caso crece hacia el noreste. El vrtice ptimo es el B; y si leemos en el grfico:
max B
Z Z x x + 5 * 200 . 5 8 * 400 . 2 ; 200 . 5 ; 400 . 2
2 1
Si la recta de la traza del funcional fuera paralela al lado BC tengo no una sino infinitas soluciones.
En el espacio podemos imaginar un cubo y un plano que contenga uno de los cuadrados que son cara.
Ejemplo prototipo
La Empresa AA produce artculos de vidrio de alta calidad, incluyendo ventanas y puertas de vidrio.
Tiene tres plantas.
Los marcos y molduras de aluminio se hacen en la planta 1, los marcos de madera se fabrican en la
planta 2 y en la 3 se produce el vidrio y se ensamblan los productos.
pl-01.doc
28
Vrtice B
Vrtice A
Vrtice C
Vrtice O
Debido a que las ganancias se han reducido, la alta administracin ha decidido reorganizar la lnea de
produccin de la compaa.
Se discontinuarn varios productos no rentables y se dejar libre una parte de la capacidad de
produccin para emprender la fabricacin de dos productos nuevos que tienen grandes ventas
potenciales:
Producto 1: Una puerta de vidrio de 8 pies con marco de aluminio
Producto 2: Una ventana con marco de madera de 4 por 6 pies
El producto 1 requiere parte de la capacidad de produccin en las plantas 1 y 3 y nada en la planta 2.
El producto 2 slo necesita trabajo en las plantas 2 y 3.
La divisin de comercializacin sabe que la compaa puede vender todos los productos que se puedan
fabricar en las plantas.
Sin embargo, como ambos productos competiran por la misma capacidad de produccin en la planta 3,
no est claro qu mezcla de productos sera la ms rentable.
Por lo tanto, se ha formado equipo de IO para estudiar esta cuestin.
El equipo de IO comenz con algunas discusiones con la alta administracin para identificar objetivos
del estudio.
Estas discusiones llevaron a desarrollar la siguiente definicin del problema:
Determinar qu tasas de produccin deben tener los dos productos con el fin de maximizar las
utilidades totales, cindose a las restricciones impuestas por las capacidades de produccin
limitadas disponibles en las tres plantas. Se permite cualquier combinacin de tasas de
produccin que satisfaga estas restricciones, incluyendo no producir uno de los productos y todo
lo que sea posible del otro.
El equipo de IO tambin identific los datos que necesitaba reunir:
1. Nmero de horas de produccin disponibles por semana en cada planta para estos nuevos
productos. (Casi todo el tiempo de estas plantas est comprometido con los productos
actuales.)
2. Nmero de horas de produccin que cada lote producido de cada producto nuevo usa en
cada una de las plantas.
3. La ganancia por lote de cada producto nuevo. (Se eligi la ganancia por lote producido
como una medida adecuada despus de que el equipo lleg a la conclusin de que la ganancia
incremental de cada lote adicional producido seria en esencia constante sin importar el
nmero total de lotes producidos. Debido a que no se incurre en costos sustanciales para
iniciar la produccin y la comercializacin de estos nuevos productos, la ganancia total de
cada uno es aproximadamente esta ganancia por lote producido multiplicada por el nmero
de estos lotes.)
La obtencin de estimaciones razonables de estas cantidades requiri el apoyo de personal clave en
varias unidades de la compaa.
El personal de la divisin de manufactura proporcion los datos de la primera categora mencionada.
El desarrollo de estimaciones para la segunda categora requiri un anlisis por parte de los ingenieros
de manufactura involucrados en el diseo de los nuevos productos.
Analizando los datos de estos ingenieros junto con una decisin sobre los precios de la divisin de
mercadotecnia, el departamento de contabilidad calcul las estimaciones para la tercera categora.
La tabla resume los datos reunidos.
Tiempo de produccin, en horas
Producto
Planta 1 2 Tiempo de produccin
pl-01.doc
29
disponible por semana,
horas
1 1 0 4
2 0 2 12
3 3 2 18
Beneficios por lote 3000 UM 5000 UM
El equipo de IO reconoci de inmediato que se trataba de un problema de programacin lineal del tipo
clsico de mezcla de productos y procedi a la formulacin del modelo matemtico correspondiente.
Formulacin como un Problema de Programacin Lineal
Para formular el modelo matemtico (de programacin lineal) para este problema, sea

1
x = nmero de lotes de producto 1 fabricados por semana
semana por fabricados 2 producto de lotes de nmero
2
x
Z = ganancia semanal total (en miles de UM) por la produccin de estos dos productos
Por lo tanto, x
1
y x
2
son las variables de decisin para el modelo.
Usando el ltimo rengln de la tabla se obtiene
2 1
5 3 x x Z +
El objetivo es elegir los valores de x
1
y x
2
de manera que maximicen
2 1
5 3 x x Z + sujeto a las
restricciones impuestas sobre sus valores por las capacidades de produccin limitadas disponibles en las
tres plantas.
La tabla indica que cada lote del producto 1 que se produce por semana usa 1 hora de produccin a la
semana en la planta 1, y slo se dispone de 4 horas semanales.
Matemticamente, esta restriccin se expresa mediante la desigualdad 4
1
x
De igual manera, la planta 2 impone la restriccin 12 2
2
x
El nmero de horas de produccin usadas a la semana en la planta 3 que se consume al elegir
2 1
y x x
como las tasas de produccin de los nuevos productos sera
2 1
2 3 x x +
Entonces, la expresin matemtica para la restriccin de la planta 3 es 18 2 3
2 1
+ x x
Por ltimo, como las tasas de produccin no pueden ser negativas es necesario restringir las variables de
decisin a valores no negativos:
0
0
2
1
x
x
Resumiendo, en el lenguaje matemtico de programacin lineal, el problema consiste en seleccionar
valores de
2 1
y x x para
Maximizar
2 1
5 3 x x Z +
sujeto a las restricciones
4
1
x
pl-01.doc
30
12 2
2
x
18 2 3
2 1
+ x x
y
0
0
2
1
x
x
Solucin grfica:
Este pequeo problema tiene slo dos variables de decisin y por lo tanto slo dos dimensiones, as que
se puede usar un procedimiento grfico para resolverlo.
Este procedimiento incluye la construccin de una grfica de dos dimensiones con x
1
y x
2
en los ejes.
El primer paso es identificar los valores de (x
1
, x
2
) permitidos por tas restriciones.
Esto se hace dibujando cada una de las rectas que limitan los valores permitidos por una restriccin.
Para comenzar, ntese que las restricciones de no negatividad,
0
0
2
1
x
x
exigen que (x
1
, x
2
) estn en el
lado positivo de los ejes (incluyendo que est sobre cualquiera de los dos ejes), es decir, en el primer
cuadrante.
De manera parecida, se traza la restriccin 2 x
2
12 (o de manera equivalente, x
2
6)
El paso final es seleccionar, dentro de esta regin factible, el punto que maximiza el valor de Z
Para descubrir cmo realizar este paso de manera eficiente intente algunos valores por prueba y error.
Si se dibuja la recta 3 x
1
+ 5 x
2
= l0, se puede ver que existen muchos puntos sobre esta recta que estn
dentro de la regin.
Como al intentar este valor arbitrario de Z = 10 se tiene una mejor perspectiva, debe intentarse ahora un
valor arbitrario ms grande, digamos Z = 20
De nuevo, un segmento de la recta Z = 20 se encuentra dentro de la regin, de manera que el mximo
valor permisible de Z debe ser por lo menos 20.
Observe ahora en la figura que las dos rectas que se acaban de graficar son paralelas.
Diseo de terapia de radiacin
Acaban de diagnosticar que Mara tiene cncer en una etapa bastante avanzada.
Especficamente, tiene un tumor grande en el rea de la vejiga (una lesin completa en la vejiga").
Mara recibir los cuidados mdicos ms avanzados disponibles en el pas, con el fin de proporcionarle la
mejor posibilidad de supervivencia.
Estos cuidados incluyen una terapia de radiacin extensa.
La terapia de radiacin incluye el uso de una mquina de rayos externos que pasa radiacin ionizante a
travs del cuerpo del paciente daando tanto los tejidos cancerosos como los sanos.
Lo normal es que se administren los rayos con precisin desde diferentes ngulos en un plano de dos
dmensiones.
Debido a la atenuacin, cada rayo descarga ms radiacin sobre el tejido cercano al punto de entrada
que sobre el cercano al punto de salida.
La dispersin tambin causa que parte de la radiacin se descargue sobre tejidos que estn fuera de la
trayectoria directa del rayo.
Como las clulas del tumor casi siempre se encuentran diseminadas entre clulas sanas, la dosis de
radiacin a travs de la regin del tumor debe ser suficiente para matar las clulas malignas que son un
poco ms sensibles a sta, pero lo suficientemente pequea como para no matar a las clulas sanas.
Al mismo tiempo, la dosis agregada que reciben los tejidos crticos no debe exceder los niveles de
tolerancia establecidos, con el objeto de prevenir complicaciones que puedan resultar mas serias que la
enfermedad misma.
pl-01.doc
31
Por la misma razn, la dosis completa que recibe el cuerpo sano debe minimizarse.
Debido a la necesidad de balancear cuidadosamente todos estos factores, el diseo de la terapia de
radiacin es un proceso muy delicado.
La meta principal de este diseo es elegir la combinacin de rayos que debe utilizarse y la intensidad de
cada uno para generar la mejor distribucin de la dosis posible. (La fuerza de la dosis de la dosis en
cualquier punto del cuerpo se mide en llamadas kilorads )
Una vez diseado el tratamiento, se administra en muchas sesiones a lo largo de varias semanas.
En el caso de Mara, el tamao y la localizacin del tumor hace que el diseo de su tratamiento sea un
proceso ms delicado de lo usual.
La figura muestra un diagrama de un corte transversal del tumor visto desde arriba, al igual que los
tejidos cercanos crticos que deben evitarse.
Estos tejidos incluyen rganos vitales (por ejemplo, el recto) al igual que estructura sea (como el fmur
y la pelvis) que atenuarn la radiacin.
Adems se muestra el punto de entrada y la direccin de los nicos dos rayos os que se pueden usar con
un grado mdico de seguridad para este caso. (De hecho, el ejemplo se ha simplificado en este punto, ya
que en la realidad deben considerarse docenas de rayos posibles.)
1. Vejiga y tumor
2. Recto, cccix, etc.
3. Fmur, parte de la pelvis, etc.
Para cualquier rayo propuesto de una intensidad dada, el anlisis de cul sera la absorcin de radiacin
resultante en distintas partes del cuerpo requiere un proceso complicado.
En resumen, con base en un anlisis anatmico cuidadoso, la distribucin de energa dentro de un corte
transversal de dos dimensiones se puede graficar en un mapa de isodosis en el que las curvas representan
la fuerza de la dosis como un porcentaje de la fuerza de la dosis en el punto de entrada.
pl-01.doc
1
2
Rayo 2
Rayo 1
3 3
32
Despus se coloca una red fina sobre el mapa de isodosis.
Si se suma la radiacin absorbida en los cuadros que contienen cada tipo de tejido, se puede calcular la
dosis promedio que absorben el tumor, los tejidos sanos y los tejidos crticos.
La absorcin de la radiacin es aditiva cuando se administra ms de un rayo (en forma secuencial).
Despus de un anlisis exhaustivo, el equipo mdico estim con detalle los datos necesarios para el
diseo del tratamiento de Mara; el resumen se presenta en la tabla.
Fraccin de la dosis de entrada
absorbida por rea (promedio)
rea Rayo 1 Rayo 2
Restriccin sobre la
dosis promedio total,
kilorads
Anatoma sana 0,4 0,5 Minimizar
Tejido crtico 0,3 0,1 2,7
Regin del tumor 0,5 0,5 = 6
Centro del tumor 0,6 0,4 6
La primera columna da una lista de las reas del cuerpo que deben considerarse y las dos siguientes
proporcionan la fraccin de la dosis de radiacin de cada rayo en el punto de entrada que se absorbe en
promedio en las reas respectivas.
Por ejemplo, si el nivel de la dosis en el punto de entrada del rayo 1 es 1 kilorad, entonces se absorbern
0,4 kilorad en toda la anatoma sana en el plano de dos dimensiones, un promedio de 0,3 kilorad en los
tejidos crticos cercanos, un promedio de 0,5 kilorad en las distintas partes del tumor y 0,6 kilorad se
absorbern en el centro del tumor.
La ltima columna da las restricciones sobre la dosis total de ambos rayos que se absorbe en promedio
en las diferentes partes del cuerpo.
En particular, la absorcin promedio de la dosis para la anatoma sana debe ser tan pequea como sea
posible, los tejidos crticos no deben exceder 2,7 kilorads, el promedio sobre todo el tumor debe ser
igual a 6 kilorads y en el centro del tumor debe ser por lo menos 6 kilorads.
Formulacin como un Problema de Programacin Lineal
Las dos variables de decisin x
1
y x
2
representan la dosis (en kilorads) en el punto de entrada de los rayos
1 y 2, respectivamente.
Como debe minimizarse la dosis total que llega a la anatoma sana, sea Z esta cantidad.
En este punto se pueden usar los datos de la tabla para formular el siguiente modelo de programacin
lineal.
Minimizar
Z = 0,4 x
1
+ 0,5 x
2

sujeta a
6 4 , 0 6 , 0
6 5 , 0 5 , 0
7 , 2 1 , 0 3 , 0
2 1
2 1
2 1
+
+
+
x x
x x
x x
y
0
0
2
1
x
x
Observe las diferencias entre este modelo y el presentado de la Empresa AA.
Este modelo involucraba maximizar Z, y todas las restricciones tenan la forma
pl-01.doc
33
El nuevo modelo incorpora otras tres formas legtimas, a saber, minimizar Z, restricciones de la forma =
y restricciones de la forma
Sin embargo, ambos modelos tienen slo dos variables, de manera que este nuevo problema tambin se
puede resolver usando el mtodo grfico.
La figura muestra la solucin grfica.
La regin factible consiste nada ms en el segmento entre los puntos (6, 6) y (7,5, 4,5), ya que los
puntos en este segmento son los nicos que satisfacen simultneamente todas las restricciones. (Observe
que la restriccin de igualdad limita la regin factible al segmento y, despus, las otras restricciones
determinan los puntos extremos del conjunto).
La lnea punteada representa la el funcional.
La solucin ptima es (7,5, 4,5), con Z =5,4
Ha que utilizar una dosis total en el punto de entrada de 7,5 kilorads para el rayo 1 y 4,5 kilorads para el
rayo 2.
Ejemplo
Utilice el mtodo grfico para resolver el siguiente problema de PL:
Maximizar:
pl-01.doc
34
2 1
2 x x Z +
sujeto a
44 3
18
60 5 2
10
2 1
2 1
2 1
2
+
+
+
x x
x x
x x
x
y
0
0
2
1
x
x
RESTRICCIONES DEL TIPO x 1 000 .
Al encontrarnos con un problema de Programacin Lineal el primer paso es analizar cules son
las variables que tienen una restriccin en cuanto a su valor. Se seleccionar una unidad apropiada para
la restriccin y se relacionar la restriccin con las variables (en general bajo la forma de una
desigualdad).
Por ejemplo, supngase se dispone de 1.000 h durante el perodo de trabajo de una mquina y
que el producto A requiere 10 h/u de producto, mientras que el producto B requiere 2 h/u de producto.
En este caso la restriccin son las 1.000 h disponibles de la mquina y las variables son las
cantidades a producir de los productos A y B.
Una ecuacin de restriccin adecuada sera:
10 2 1 000 A B + .
La inecuacin:
10 2 1 000 A B + .
significa que si B no se fabrica, se pueden producir hasta 100 u de A y que si A no se fabrica se pueden
hacer hasta 500 u de B. Y tambin cualquier otra combinacin lineal como:
50
250
10 50 2 250 1000
25
375
10 25 2 375 1000
A
B
A
B
+
.
.
Ejemplos
I) Una empresa fabrica los productos C y D. La dificultad es que durante la operacin de
ensamble pueden procesarse 100 u/da de C 300 u/da de D cualquier combinacin lineal de ellas.
Formule la inecuacin de restriccin adecuada.
Respuesta I) La restriccin debe ser tal que si D = 0, C = 100 y si D = 300, C = 0.
Si se toma un da:
1
100
1
300
1 C D +
Si tomramos como restriccin el nmero de u por da que deben ser producidas quedara:
pl-01.doc
35
C
D
C D
+
+
3
100
3 300
Lo que se puede variar son slo las u a fabricar de C D.

Adems ntese que una solucin factible que utiliza completamente la capacidad es
50 150 C D y
, lo que significa:
3 50 1 150 300 +
II) El producto R est formado por 1.000 u de materia prima. Pueden emplearse dos materiales:
M y N, en la cantidad que se desee. Cada u de material M pesa 1,8 Kg mientras que cada u de material
N pesa 1,2 Kg. Las especificaciones tcnicas requieren que el producto R no pese ms de 1.500 Kg.
Cul es la solucin adecuada?.
Respuesta II) La restriccin adecuada es:
1 8 1 2 1 500 , , . M N +
En este caso la variable o las variables son las cantidades de material usado. Ntese que en
general la restriccin es la limitacin mientras que "artculos producidos" o "materiales empleados" son
aquellas variables que pueden controlarse introduciendo diferentes cantidades en la combinacin total.
III) El producto T debe producirse la semana prxima. Cualquiera de los dos materiales, P y Q,
puede emplearse en cualquier combinacin para producir el producto. Si se hace slo de P, el producto
T pesara 1.800 Kg. Si se hace nicamente de Q pesara 1.200 Kg. Las especificaciones requieren que el
producto T no pase de 1.500 Kg. Cul es la restriccin correspondiente?.
Respuesta III) La restriccin es:
1 800 1 200 1 500 . . . P Q +
Esta restriccin es casi igual a la del ejemplo 2) pero han cambiado las unidades. P tiene ahora
como unidades:
[ ]
P
peso de P en el producto T
Kg
1
]
1
1800 .
[ ]
Q
peso de Q en el producto T
Kg
1
]
1
1200 .
Las variables de control siguen siendo P y Q.
Ejemplos para que resuelva el lector por si
IV) Un taller puede producir dos modelos diferentes de un mecanismo. Cada modelo emplea
distintas cantidades de materia prima y mano de obra directa.
Para el modelo A se usa, por u de ese modelo, 1 Kg de fundicin de hierro y 3 HH (horas
hombre); para el modelo B se usan 2 Kg de fundicin y 2 HH.
Para la elaboracin de dichas piezas se dispone de 6 HH y de 4 Kg de fundicin de hierro.
Se gana 1 UM por cada mecanismo vendido. Se vende toda la produccin. Programar la
produccin de manera que la ganancia sea mxima.
V) En un taller metalrgico se fabrican dos tipos de piezas: A y B, que deben seguir los si-
guientes procesos: estampado en hojas metlicas, soldado y finalmente pintado.
La operacin de estampado consiste en preparar partes idnticas, que luego sern soldadas de a
pares formando la pieza tipo A. La pieza B sigue exactamente el mismo proceso.
pl-01.doc
36
Los tiempos estndar, dados en min por u, para cada operacin, son los siguientes:
OPERACIN A B TIEMPO DISPONIBLE POR SEMANA
Estampado 3 8 48.000 min
Soldado 12 6 42.000 min
Pintado 9 4 36.000 min
La utilidad unitaria es 4 UM para la pieza A y 3 UM para la pieza B. Dicha utilidad es constante
para todas las unidades vendidas. Se desea establecer el programa semanal que maximice la ganancia.
VI) Cierta fbrica elabora dos tipos de telas, usando lana de tres colores distintos. Se necesita
la siguiente materia prima por cada m de tela:
TELA A TELA B DISPONIBLE PARA FABRICACIN
Lana roja 120 g 150 g 30.000 g
Lana verde 150 g 60 g 20.000 g
Lana amarilla 90 g 240 g 36.000 g
El cuadro indica tambin cunta lana existe disponible en un momento dado. El fabricante desea
saber de qu manera usar este material, bajo la suposicin de que puede obtener un beneficio de 150
UM por cada metro de tela A y de 90 UM por cada metro de tela B. Desea maximizar sus beneficios.
VII) Una empresa fabrica tornillos y tuercas. Los tornillos requieren 20 HH de mano de obra,
10 u de materia prima y 5 u de equipo. Cada tuerca requiere 10 HH de mano de obra, 30 u de materia
prima y 1 u de equipo. Los beneficios calculados por tornillo son de 8 UM y por tuerca de 5 UM. La
empresa posee una disponibilidad de 10.000 HH de mano de obra, 80.000 u de materia prima y 40.000 u
de equipo. Cuntos tornillos y cuntas tuercas deben fabricarse para maximizar el beneficio?.
VIII) En un campo se desea comprar un mximo de 40 vacas y 200 ovejas. Cada vaca necesita
una hectrea de campo, 150 HH/ao y brinda una utilidad de 250 UM. Cada oveja necesita 0,25 hec-
treas de campo, 25 HH/ao y brinda una utilidad de 45 UM.
Si se poseen 72 hectreas de campo y 10.000 HH/ao disponibles, cul es el beneficio mximo
que puede obtenerse del campo y qu cantidad de vacas y ovejas deben comprarse?.
IX) El producto W se fabrica en un taller, ya sea en turno regular o en h extra. Tambin se
procesa en el departamento de ensamble, siempre en turno regular. El producto W proporciona un
beneficio de 5 UM si se fabrica en turno regular y 1 UM si se produce en h extra. El producto W re-
quiere 10 min de taller y 2 min en el departamento de ensamble. Se dispone de 40 h en el taller de turno
regular y 20 h de tiempo extra. Se dispone adems de 10 h en el departamento de ensamble. Cules son
las restricciones correspondientes?.
Respuesta IX)
Llamaremos a lo producido en turno regular y W W
r c
a lo similar en turno extra:
10 2 400
10 1 200
2 600
W
W
W W
r
c
r c
+
+
.
.
turno regular
h extra
2
Se eligen dos variables an en la restriccin de ensamble porque generan beneficios diferentes.
Se han cambiado las unidades para homogeneizar las restricciones.
RESTRICCIONES DE LA FORMA x 100
Es el caso donde la restriccin se expresa como una igualdad. Es caracterstica de los casos de
maximizacin del funcional pero no est limitada a ellos.
Ejemplos
pl-01.doc
37
X) El producto T debe fabricarse la semana prxima. Cualesquiera de los materiales, P y Q,
pueden emplearse en cualquier combinacin para producir T. Si se hace nicamente con P el producto T
pesara 1.800 Kg. Si se hace nicamente con Q el producto T pesara 1.200 Kg. Las especificaciones
requieren que el producto T no pese ms de 1.500 Kg. Cules son las restricciones correspondientes?.
Respuesta X) Las restricciones son:
1 800 1 200 1 500
1
. . . P Q
P Q
+
+
Este ejemplo es igual al III). Sin embargo, ahora se ha agregado la restriccin adicional que
requiere que se produzca T. Esto se hace con la ecuacin P+Q=1.
Ejemplo N 1 (Para el hogar)
Resolver grficamente los siguientes problemas:
a)
x
x x
x x
Z x x max
2
1 2
1 2
1 2
3
4 3 24
4 3 12
5 5
+

+
b)
x x
x
x x
Z x x max
1 2
1
1 2
1 2
8
6
2 12
4 4
+
+
+
c)
4 3 12
2 5 3
2 0
4 5
1 2
1 2
1 2
1 2
x x
x x
x x
Z x x min
+

+
+
d)
3 4 36
2 8
4 4
3 2 30
6 8
1 2
1 2
1 2
1 2
1 2
x x
x x
x x
x x
Z x x max
+
+
+
+
+
PRESENTACIN ANALTICA
m
= nmero de recursos (i recursos)
n = nmero de productos (j productos) Tambin nmero de variables del problema
a
ij

nmero de unidades de recurso i necesarias para producir una unidad de producto j
b
i

nmero mximo de unidades del recurso i disponibles
c
j

utilidad por unidad de producto j
x
j

cantidad producida del producto j
El problema es:
Obtener
pl-01.doc
38
c x c x c x maximo
k k 1 1 2 2
+ + +
sujeto a las condiciones:
x
x
x
x
k
1
2
3
0
0
0
0
...........................................
y
a x a x a x b
a x a x a x b
a x a x a x b
k k
k k
m m mk k m
11 1 12 2 1 1
21 1 22 2 2 2
1 1 2 2
+ + +
+ + +
+ + +
................................................
Cada desigualdad puede ser transformada en una ecuacin sumndole un nmero no negativo desco-
nocido que en ingls se llama slack.
Este nombre se utiliza para diferenciarlo de las incgnitas x y adems tiene unidades distintas.
La traduccin de slack de la tercera edicin del diccionario Oxford es floja, no firme.
En Castellano es usual llamarles variables de holgura.
Entonces la primera inecuacin puede transformarse en la siguiente ecuacin:
a x a x a x x b
ik k k 11 1 12 2 1 1
+ + + +
+
Volveremos ms adelante sobre esto.

El problema general de programacin lineal es encontrar un vector
( ) X x x x x
k n
1 2
, , , , ,
que optimice la forma lineal
c x c x c x c x optimo
k k n n 1 1 2 2
+ + + + +
sujeta a las restricciones lineales
x j n
j
0 1 2 , , ,
y
a x a x a x a x b
a x a x a x a x b
a x a x a x a x b
k k n n
k k n n
i i ik k in n i
11 1 12 2 1 1 1
21 1 22 2 2 2 2
1 1 2 2
+ + + + +
+ + + + +
+ + + + +

................................................................
...............................................................
a x a x a x a x b
m m mk k mn n m 1 1 2 2
+ + + + +
donde
n m
Otras formas de presentar son:
Minimice
c x
j j
j
n
1
sujeta a
x
j j
0
y
pl-01.doc
39
a x b i m
ij j
j
n
i

1
1 2 , , , ,
Minimice
c X
sujeta a
X 0
y
[ ]
A X b
donde
c vector fila n-dimensional
X
vector columna n-dimensional
0 = vector columna n-dimensional nulo
[ ] ( )
A a
ij

matriz de coeficientes tecnolgicos de i filas y j columnas
b
vector columna m-dimensional
Hasta este punto lo que podemos hacer es lo siguiente: hacer n-m variables iguales a cero y resolver
para las m ecuaciones con m variables remanentes. El problema sera entonces como sigue. Ntese que
la matriz de coeficientes es cuadrada.
a x a x a x b
a x a x a x b
a x a x a x b
m m
m m
m m mm m m
11 1 12 2 1 1
21 1 22 2 2 2
1 1 2 2
+ + +
+ + +
+ + +
.................................................
que puede escribirse como
[ ] ( ) ( ) ( ) A X b m por m m por m por 1 1
Si
[ ] A
es cuadrada y no singular el vector solucin
X
estar dado por
( ) X A b
1
Una matriz es singular cuando su determinante tiene valor cero. La condicin necesaria y
suficiente para que una matriz cuadrada tenga inversa es que sea regular.
Para resolver utilizaremos el mtodo de eliminacin completa de JORDAN-GAUSS. En m
pasos el procedimiento premultiplica por
( ) A
1
al sistema de ecuaciones indicado.
Supongamos el siguiente sistema de tres variables
x x x
x x x
x x x
1 2 3
1 2 3
1 2 3
2
2 3
6
+
+ +
+ +
(1)
Donde A es
( ) A
_
,
1 1 1
2 1 1
1 1 1
(1) entonces se puede escribir como:
pl-01.doc
40
1 1 1
2 1 1
1 1 1
2
3
6
1
2
3
_
,
_
,
_
,
x
x
x
, si hacemos
P P P P
1 2 3 0
1
2
1
1
1
1
1
1
1
2
3
6

_
,
_
,
_
,
_
,
; ; ;
(1) puede escribirse como
x P x P x P P
1 1 2 2 3 3 0
+ +
INICIO PARNTESIS
Un conjunto de vectores U U U
n 1 2
, , , es linealmente independiente si, para todos los
nmeros

1 2
, , ,
n
el hacer la operacin

1 1 2 2
0 U U U
n n
+ + +
implica que

1 2
0
n
Por ejemplo
U U
1 2
1
0
1
1
_
,
_
,
son linealmente independientes

1 1 2 2 1 2
1
0
1
1
0
0
U U +

_
,
_
,
_
,
1 2
2
0
0
+
_
,
_
,

2 1 2 1
0 0 0 + pero luego ,
Sin embargo, el conjunto de vectores
U U U
1 2 3
1
0
0
1
1
1
_
,
_
,
_
,
; ;
es linealmente dependiente porque

1 2 3
1 2
2 3
1
0
0
1
1
1
0
0
0
0
_
,
_
,
_
,
_
,
+
+
_
,
_
,

2 1 3 2
y
Si hacemos

1 2 3
queda
donde
puede ser de cualquier nmero.

En un espacio bidimensional ( ) E
2
existen dos vectores linealmente independientes mien-
tras que todo conjunto de tres vectores es linealmente dependiente.
Un espacio vectorial
E
n
es un conjunto de vectores generado por la suma de dos cua-
lesquiera de ellos o por la multiplicacin de uno cualquiera de ellos por un escalar. En ese
espacio existen n vectores linealmente independientes mientras que cada conjunto de n+1
vectores es linealmente dependiente.
pl-01.doc
41
Una base para
E
n
es un conjunto de n vectores linealmente independientes. Cualquier
vector de
E
n
puede ser expresado unvocamente como una combinacin lineal de los
vectores de una base dada. El conjunto de los n vectores es una base para
E
n
.
La transformacin elemental de fila (columna) es sumar las coordenadas de la fila
(columna) i (j) con las correspondientes de otra fila (columna) cualquiera multiplicada por
un escalar.
Dos matrices se denominan equivalentes A B si una de ellas se deduce como consecuencia
de transformaciones elementales de fila (columna).
Los determinantes de estas dos matrices son iguales.
FIN DEL PARNTESIS
Puesto que A es no singular, el conjunto de vectores
P P P
1 2 3
, , y
es linealmente independiente y forma
una base en el espacio tridimensional.
Para demostrarlo (por el absurdo) supondremos que
P P P
1 2 3 ,
, y
son linealmente dependientes por lo
que

1 1 2 2 3 3 1 1 2 2 3 3
0 P P P P P P + +
donde al menos una
i
debe ser distinta de cero.
Entonces podemos escribir
P P P
1
2
1
3
1
2 2 3 3
1
1
1
1
1
1

_
,
_
,

donde
2
2
1
3
3
1
y
La matriz A era
( ) ( ) A P P P
1 2 3
Sumamos a la primera columna la segunda multiplicada por
2
3
y la tercera multiplicada por
3
1
,
quedando:
( ) A
_
,
_
,
_
,
2
1
3
1
1
1
1
1
1
1
1
1
1
1
1
1
( ) A
esta suma no cambia el valor del erminante

_
,
_
,
_
,
_
,
_
,
2
1
3
1
2
1
3
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
det

( ) A

_
,
0 1 1
0 1 1
0 1 1
El determinante de esta matriz es cero (pues lo es una de sus columnas).
La matriz, sin embargo, era no singular.
Llegamos a una contradiccin.
Por lo tanto el conjunto de vectores de ( ) A
deber ser linealmente independiente.
pl-01.doc
42
Procedemos entonces con (1):
Multiplicamos la primera ecuacin por dos y la sumamos a la segunda y multiplicamos la primera
ecuacin por -1 y la sumamos a la tercera.
Paso 1
x x x
x x
x
1 2 3
2 3
3
2
3 7
2 4
+

Como ahora debemos usar el trmino

3
2
x
para eliminar
x
2
de todas menos una de las ecuaciones
dividimos esa ecuacin por el coeficiente de
x
2
quedando:
x x x
x x
x
1 2 3
2 3
3
2
1
3
7
3
2 4
+

El 3, coeficiente de
x
2
, lo llamamos pivote.
Ahora debemos multiplicar la segunda ecuacin por -1 y sumarla a la primera.
Paso 2
x x
x x
x
1 3
2 3
3
2
3
1
3
1
3
7
3
2 4

Dividimos la tercera por dos.

x x
x x
x
1 3
2 3
3
2
3
1
3
1
3
7
3
2

Ahora multiplicamos la tercera por dos tercios y se la sumamos a la primera y multiplicamos la tercera
por un tercio y se la sumamos a la segunda.
Paso 3
x
x
x
1
2
3
1
3
2
(2)
Y esta es la solucin al sistema.
Este proceso ha transformado la matriz de coeficientes
( ) A
_
,
1 1 1
2 1 1
1 1 1
en la matriz de coeficientes para las ecuaciones
transformadas (2) que es la matriz identidad.
I
3
1 0 0
0 1 0
0 0 1
_
,
pl-01.doc
43
La transformacin total efectuada por el procedimiento de eliminacin completa equivale
a premultiplicar el sistema (1) por
( ) A
1
.
Si reescribimos la matriz ( ) A
con una matriz identidad m por m y el vector
P
0
queda la matriz parti-
cionada
( ) A I P
0
,
_
6 1 0 0 1 1 1
3 0 1 0 1 1 2
2 0 0 1 1 1 1
Si premultiplicamos por
( ) A
1
queda:
( ) ( )
A A A I A P I A X

1 1 1
0
1
Los pasos 1 a 3 quedarn:
Paso 1
1 1 1 1 0 0 2
0 3 1 2 1 0 7
0 0 2 1 0 1 4
_
,
Paso 2
1 0
2
3
1
3
1
3
0
1
3
0 1
1
3
2
3
1
3
0
7
3
0 0 2 1 0 1 4

_
,
Paso 3
1 0 0 0
1
3
1
3
1
0 1 0
1
2
1
3
1
6
3
0 0 1
1
2
0
1
2
2
_
,
La nica combinacin lineal de los vectores

P P P P
1 2 3 0
, y igual a
ha quedado determinada.
1 3 2
1 2 3 0
P P P P + +
(descomposicin cannica)
1
1
2
1
3
1
1
1
2
1
1
1
2
3
6
_
,
_
,
_
,
_
,
P P P
1 2 3
, y
forman una base en el espacio tridimensional. Cualquier otro vector de dicho
espacio puede ser expresado como una combinacin lineal nica de estos 3 vectores.
Verifiquemos la inversin de ( ) A
( ) A
_
,
1 1 1
2 1 1
1 1 1
A + + + + 1 1 2 1 1 2 6
pl-01.doc
44
( )
+
1
i j
ij
menor
adjunto
M

11 12 13
21 22 23
31 32 33
0 3 3
2 2 0
2 1 3

Se los debe trasponer para hallar la adjunta.
( ) adj A
_
,
0 2 2
3 2 1
3 0 3
( )
( )
A
adj A
A
_
,
_
,
1
0
2
6
2
6
3
6
2
6
1
6
3
6
0
3
6
0
1
3
1
3
1
2
1
3
1
6
1
2
0
1
2
( ) ( ) A A

_
,
_
,
+ + + +
+ + + + + +
+ + + +
_
,
1
1 1 1
2 1 1
1 1 1
0
1
3
1
3
1
2
1
3
1
6
1
2
0
1
2
0
1
2
1
2
0
1
2
1
2
0
1
2
1
2
1
3
1
3
0
2
3
1
3
0
1
3
1
3
0
0
1
2
1
2
1
3
1
3
1
3
1
6
1
2
_
,
1 0 0
0 1 0
0 0 1
Es posible calcular la inversa de una matriz utilizando el software Matlab, que nos da, con una funcin
propia del soft, su valor.
Por ejemplo:
> A=[1 1 -1;-2 1 1;1 1 1]
A =
1 1 -1
-2 1 1
1 1 1
>> INVERSA=inv(A)
INVERSA =
0 -1/3 1/3
1/2 1/3 1/6
-1/2 0 1/2
>> P0=[2;3;6]
P0 =
2
pl-01.doc
45
3
6
>> X=INVERSA*P0
X =
1
3
2
Ejemplos de resolucin Gauss-Jordan (para practicar)
1)
'
+
+ +
+ +
4 2
8 2
6
3 2 1
3 2 1
3 2 1
x x x
x x x
x x x
2)
'
+
+
+ +
5 2
6 2 2
9 2 2
3 2 1
3 2 1
3 2 1
x x x
x x x
x x x
Repaso de expresin cartesiana de un vector
Si proyectamos el vector sobre los ejes de una terna cartesiana ortogonal obtendremos segmentos
a a a
x y z
, y
que denominaremos componentes del vector segn los ejes x, y y z respectivamente. Si
tomamos sobre cada uno de los ejes versores

i j k , y y los multiplicamos por
a a a
x y z
, y
obten-
dremos vectores a i a j a k
x y z
. , . .

y de mdulos
a a a
x y z
, y
Es fcil ver que a resulta ser la suma
de los tres vectores antedichos. Es decir que:
a a i a j a k
x y z
+ +

El vector queda, entonces, expresado como combinacin lineal de los vectores

i j k , y . Esta forma de
expresar el vector se llama expresin cartesiana ortogonal de a
Los versores

i j k , y cumplen la condicin de ser linealmente independientes y constituyen una base
del sistema de coordenadas elegido.
Aclaracin
La regla de Cramer no se usa por dos motivos:
a) el algoritmo que resuelve el problema de programacin lineal utiliza el mtodo de eliminacin
completa.
b) La regla de Cramer sirve para n ecuaciones con n incgnitas. Los problemas usuales de
programacin lineal en general son de
n 3
El resolver n 3 es fcil en Cramer. No as para
valores mayores.
Seguimos:
Supongamos que tenemos
y P y P y P P
1 1 2 2 3 3 4
+ +
pl-01.doc
46
que se puede escribir
y y y
y y y
y y y
1 2 3
1 2 3
1 2 3
4
2 2
4
+
+ +
+ +
de dnde
,
_
1 1 1
1 1 2
1 1 1
A
(Obsrvese que la matriz ( ) A
es la misma que en (1)).
( ) A Y P
4
Y adems tenemos, por ejemplo:
P
4
4
2
4

_
,
Para resolver premultiplicamos por

( ) A
1
( ) ( ) ( ) A A Y A P

1 1
4
De donde:
( ) Y A P
1
4
Y
estar dado por
Y
_
,
_
,
_
,
0
1
3
1
3
1
2
1
3
1
6
1
2
0
1
2
4
2
4
2
2
0
Actualizado al 25/11/2.002
D:\INVESTIGACIN OPERATIVA\FRBA PL 1 Impreso el 18/03/2008
pl-01.doc
47

Programación Lineal Entera

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Programación Lineal Entera

Uploaded by

Copyright:

Available Formats

Prof. Ing. Claudio L. R.

Lo que se puede variar son slo las u a fabricar de C D.

Volveremos ms adelante sobre esto.

puede ser de cualquier nmero.

Como ahora debemos usar el trmino

Dividimos la tercera por dos.

La nica combinacin lineal de los vectores

Para resolver premultiplicamos por

You might also like