Professional Documents
Culture Documents
Modelos Deterministas:
Optimizacin Lineal
Sitio Espejo para Amrica Latin
Sitio Espejo para Espaa
Esta es la versin en Espaol del sitio Web principal en Ingls, el cual se encuentra
disponible en:
Linear Programming
MENU
1. Introduccin y resumen
2. Optimizacin: Programacin Lineal (PL)
3. Problema Dual: Construccin y Significado
4. Manejo de Incertidumbres mediante Modelacin de Escenarios
5. El Mtodo Simplex Clsico
6. Programas Lineales Generales con Enteros
7. Herramientas para el Proceso de Validacin de Modelos
Sitios Adjuntos:
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 2 de 78
Para buscar el sitio, proba en Edicion | Encotrar en la pgina [Ctrl + f]. Escribi una
palabra o frase en el espacio del dilogo. Por ejemplo "optimizacin" o "sensibilidad" Si el
primer resultado de la palabra o la frase no es lo que vos buscabas, intenta con Encuentra
Prximo.
1. Introduccin y resumen
2. Optimizacin
3. Programacin Lineal (PL)
4. Proceso de Formulacin de un Problema de PL y su Aplicacin
{ El Problema del Carpintero
{ Un Problema de Mezcla
{ Otras Aplicaciones Comunes de PL
5. Mtodo de Solucin Grfica
6. Vnculo entre Programacin Lineal y Sistemas de Ecuaciones
7. Extensin a Mayores Dimensiones
8. Ejemplo Numrico: el Problema del Transporte
9. Conceptos y Tcnicas de Aprendizaje Asistidos por Computadora
10. Cmo Interpretar los Resultados del Paquete de Software LINDO
11. Implementaciones de Computacin con el Paquete WinQSB
12. Cmo Resolver un Sistema de Ecuaciones Lineales Utilizando un Software de PL?
Problema Dual
1. Introduccin
2. Clculo de Rangos de Sensibilidad para Problemas Pequeos
3. Qu es la Regla del 100% (regin de sensibilidad)
4. Aadir una nueva restriccin
5. Suprimir una restriccin
6. Reemplazar una restriccin
7. Aadir una variable (por ejemplo, introducir un nuevo producto)
8. Suprimir una variable (es decir, cancelar un producto)
9. Problema de asignacin ptima de recursos
10. Determinacin de la mnima utilidad neta del producto
11. Indicadores de metas
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 3 de 78
1. Introduccin
2. Mtodo Algebraico
3. Pivoteando Operaciones en Filas
4. El Mtodo Simplex
1. Introduccin
2. Aplicacin mixta de programacin con enteros: restricciones "Y-O"
3. Programas lineales con enteros 0 - 1
4. Aplicaciones para formulacin de presupuestos de inversiones
5. Problemas de scheduling (planificacin de turnos)
6. Programacin con restricciones no binarias
7. Optimizacin combinatoria
8. Programacin no lineal
1. Introduccin
2. Ilimitacin
3. Soluciones Optimas Mltiples (soluciones ptimas Innumerables)
4. No Solucin (PL no-factible)
5. Degeneracin
6. Redundancia entre las Restricciones
7. PL sin Vrtices
8. PL con Soluciones Ilimitadas, y Soluciones Optimas Mltiples
9. Sobre las Variables de Decisin Bsicas y No-Bsicas
10. PL sin Ninguna Solucin Interna
11. PL sin Ninguna Solucin Interna, y Limitada
12. PL con Puntos Interiores como Soluciones Optimas
13. La Solucin Optima Generada por un Paquete de PL no es Obtenidas por Otro
14. La Tabla Optima del Simplex Proporciona una Solucin Dual?
15. La Conversin a la Forma Estndar Podra Distorsionar la Regin de Factibilidad
16. Remover las Restricciones de Igualdad Mediante la Sustitucin Podra Cambiar el
Problema
17. Interpretacin Errnea del Precio Sombra
18. Es el Precio Sombra Siempre no-Negativo?
19. Precios Sombra Alternativos
20. Situaciones Mas- por- Menos y Menos- por -Mas
Introduccin y Resumen
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 4 de 78
Un modelo puede considerarse como una entidad que captura la esencia de la realidad sin la
presencia de la misma. Una fotografa es un modelo de la realidad ilustrada en la imagen.
La presin arterial puede utilizarse como un modelo de la salud de una persona. Una
campaa piloto de ventas puede utilizarse como un modelo de la respuesta de las personas a
un nuevo producto. Por ltimo, una ecuacin matemtica puede utilizarse como un modelo
de la energa contenida en un determinado material. En cada caso, el modelo captura algn
aspecto de la realidad que intenta representar.
Ya que un modelo slo captura determinados aspectos de la realidad, su uso puede no ser
apropiado en una aplicacin en particular porque no captura los elementos correctos de la
realidad. La temperatura es un modelo de las condiciones climticas pero puede ser
inapropiado si uno est interesado en la presin baromtrica. Una foto de una persona es un
modelo de la misma pero brinda poca informacin acerca de sus logros acadmicos. Una
ecuacin que predice las ventas anuales de un producto en particular es un modelo de ese
producto pero tiene poca utilidad si lo que nos interesa es el costo de produccin por
unidad. Por lo tanto, la utilidad del modelo depende del aspecto de la realidad que
representa.
Un modelo puede ser inadecuado aun cuando intenta capturar los elementos apropiados de
la realidad si lo hace de una manera distorsionada o sesgada. Una ecuacin que pronostica
el volumen mensual de ventas puede ser exactamente lo que el gerente de ventas quiere
pero podra generar grandes prdidas si arroja constantemente clculos de ventas altos. Un
termmetro que lee de ms (o de menos) tendra poca utilidad para realizar un diagnstico
mdico. En consecuencia, un modelo til es aquel que captura los elementos adecuados de
la realidad con un grado aceptable de precisin.
Un modelo ofrece al analista una herramienta que puede manipular en su anlisis del
sistema en estudio, sin afectar al sistema en s. Por ejemplo, supngase que se ha
desarrollado un modelo matemtico para predecir las ventas anuales como una funcin del
precio de venta unitario. Si se conoce el costo de produccin por unidad, se pueden calcular
con facilidad las utilidades anuales totales para cualquier precio de venta. Para determinar
el precio de venta que arrojar las utilidades totales mximas, se pueden introducir en el
modelo distintos valores para el precio de venta, uno a la vez, determinando las ventas
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 5 de 78
resultantes y calculando las utilidades anuales totales para cada valor de precio de venta
examinado. Mediante un proceso de prueba y error, el analista puede determinar el precio
de venta que maximizar las utilidades anuales totales.
Lo ideal sera que si el modelo matemtico es una representacin vlida del rendimiento del
sistema, mediante la aplicacin de las tcnicas analticas adecuadas, la solucin obtenida a
partir del modelo debera ser tambin la solucin para el problema del sistema. As, la
efectividad de los resultados de la aplicacin de cualquier tcnica operativa es en gran
medida una funcin del grado en el cual el modelo representa al sistema en estudio.
A fin de definir las condiciones que nos conducirn a la solucin del problema del sistema,
el analista primero debe identificar un criterio segn el cual se podr medir el sistema. Este
criterio a menudo se denomina medida del rendimiento del sistema o medida de
efectividad. En aplicaciones empresariales, la medida de efectividad generalmente son los
costos o las utilidades, mientras que en aplicaciones gubernamentales esta medida
generalmente se define en trminos de un ndice costo/beneficio.
La formulacin de una funcin objetivo que tenga sentido normalmente es una tarea tediosa
y frustrante. Los intentos de desarrollo de una funcin objetivo pueden terminar en un
fracaso. Esto puede darse porque el analista elige el conjunto incorrecto de variables para
incluir en el modelo o bien, si el conjunto es el adecuado, porque no identifica
correctamente la relacin entre estas variables y la medida de efectividad. En un nuevo
intento, el analista trata de descubrir las variables adicionales que podran mejorar su
modelo descartando aquellas que parecen tener poca o ninguna relevancia. No obstante,
slo se puede determinar si estos factores realmente mejoran el modelo una vez realizadas
la formulacin y prueba de nuevos modelos que incluyan las variables adicionales. Todo el
proceso de seleccin y rechazo de variables puede requerir reiteraciones mltiples hasta
desarrollar una funcin objetivo satisfactoria. En cada iteracin, el analista espera lograr
alguna mejora en el modelo, aunque no siempre se tiene tanta buena suerte. Por lo general,
el xito final es precedido por una serie de fracasos frustrantes y pequeos progresos.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 6 de 78
tasacin de distintas viviendas, con distintos valores para las caractersticas mencionadas y
descubre que el valor de mercado desciende a medida que aumenta la superficie cubierta
expresada en pies cuadrados. Dado que este resultado no concuerda con la realidad, el
analista cuestionara la validez del modelo. Por otro lado, supngase que el modelo es tal
que el valor de las viviendas es una funcin creciente de cada una de las cuatro
caractersticas citadas, como generalmente es de esperar. Si bien este resultado es alentador,
no necesariamente implica que el modelo es una representacin vlida de la realidad, dado
que la tasa de aumento de cada variable puede ser excesivamente alta o baja. La segunda
etapa de la validacin del modelo requiere una comparacin de los resultados del modelo
con los resultados obtenidos en la realidad.
Optimizacin
La humanidad hace tiempo que busca, o profesa buscar, mejores maneras de realizar las
tareas cotidianas de la vida. A lo largo de la historia de la humanidad, se puede observar la
larga bsqueda de fuentes ms efectivas de alimentos al comienzo y luego de materiales,
energa y manejo del entorno fsico. Sin embargo, relativamente tarde en la historia de la
humanidad, comenzaron a formularse ciertas clases de preguntas generales de manera
cuantitativa, primero en palabras y despus en notaciones simblicas. Un aspecto
predominante de estas preguntas generales era la bsqueda de lo "mejor" o lo "ptimo".
Generalmente, los gerentes buscan simplemente lograr alguna mejora en el nivel de
rendimiento, es decir, un problema de "bsqueda de objetivo". Cabe destacar que estas
palabras normalmente no tienen un significado preciso
Se han realizado grandes esfuerzos por describir complejas situaciones humanas y sociales.
Para tener significado, esto debera escribirse en una expresin matemtica que contenga
una o ms variables, cuyos valores deben determinarse. La pregunta que se formula, en
trminos generales, es qu valores deberan tener estas variables para que la expresin
matemtica tenga el mayor valor numrico posible (maximizacin) o el menor valor
numrico posible (minimizacin). A este proceso general de maximizacin o minimizacin
se lo denomina optimizacin.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 7 de 78
La programacin lineal muchas veces es uno de los temas preferidos tanto de profesores
como de alumnos. La capacidad de introducir la PL utilizando un abordaje grfico, la
facilidad relativa del mtodo de solucin, la gran disponibilidad de paquetes de software de
PL y la amplia gama de aplicaciones hacen que la PL sea accesible incluso para estudiantes
con poco conocimiento de matemtica. Adems, la PL brinda una excelente oportunidad
para presentar la idea del anlisis what-if o anlisis de hiptesis ya que se han desarrollado
herramientas poderosas para el anlisis de post optimalidad para el modelo de PL.
Qu es una funcin: una funcin es una cosa que hace algo. Por ejemplo, una mquina de
moler caf es una funcin que transforma los granos de caf en polvo. La funcin (objetivo)
traza, traduce el dominio de entrada (denominado regin factible) en un rango de salida con
dos valores finales denominados valores mximo y mnimo.
1. 1. La funcin objetivo debe ser lineal. Vale decir que se debe verificar que todas las
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 8 de 78
variables estn elevadas a la primera potencia y que sean sumadas o restadas (no
divididas ni multiplicadas);
Por ejemplo, el siguiente problema no es un problema de PL: Max X, sujeta a < 1. Este
problema tan sencillo no tiene solucin.
Max X2
sujeta a:
X1 + X2 0
X12 - 4 0
Aunque la segunda restriccin parece "como si" fuera una restriccin no lineal, esta
restriccin puede escribirse tambin de la siguiente forma:
X1 -2, y X2 2.
En consecuencia, el problema es de hecho un problema de PL.
Para la mayora de los problemas de PL, podemos decir que existen dos tipos importantes
de objetos: en primer lugar, los recursos limitados, tales como terrenos, capacidad de
planta, o tamao de la fuerza de ventas; en segundo lugar, las actividades, tales como
"producir acero con bajo contenido de carbono", y "producir acero con alto contenido de
carbono". Cada actividad consume o probablemente contribuye cantidades adicionales de
recursos. Debe haber una funcin objetivo, es decir, una manera de discriminar una mala de
una buena o una mejor decisin. El problema es determinar la mejor combinacin de
niveles de actividades, que no utilice ms recursos de los disponibles. Muchos gerentes se
enfrentan a esta tarea todos los das. Afortunadamente, el software de programacin lineal
ayuda a determinar esto cuando se ingresa un modelo bien formulado.
Para formular un problema de PL, recomiendo seguir los siguientes lineamientos generales
despus de leer con atencin el enunciado del problema varias veces.
Todo programa lineal consta de cuatro partes: un conjunto de variables de decisin, los
parmetros, la funcin objetivo y un conjunto de restricciones. Al formular un determinado
problema de decisin en forma matemtica, debe practicar la comprensin del problema (es
decir, formular un Modelo Mental) leyendo detenidamente una y otra vez el enunciado del
problema. Mientras trata de comprender el problema, formlese las siguientes preguntas
generales:
1. Cules son las variables de decisin? Es decir, cules con las entradas
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 9 de 78
Recuerde que la regin factible tiene poco o nada que ver con la funcin objetivo (minim. o
maxim.). Estas dos partes en cualquier formulacin de PL generalmente provienen de dos
fuentes distintas. La funcin objetivo se establece para cumplir con el deseo (objetivo) del
decisor mientras que las restricciones que forman la regin factible generalmente provienen
del entorno del decisor que fija algunas limitaciones / condiciones para lograr su objetivo.
Durante un par de sesiones de brain-storming con un carpintero (nuestro cliente), ste nos
comunica que slo fabrica mesas y sillas y que vende todas las mesas y las sillas que
fabrica en un mercado. Sin embargo, no tiene un ingreso estable y desea optimizar esta
situacin.
El objetivo es determinar cuntas mesas y sillas debera fabricar para maximizar sus
ingresos netos. Comenzamos concentrndonos en un horizonte de tiempo, es decir, un
plazo de planificacin, , para revisar nuestra solucin semanalmente, si fuera necesario.
Para saber ms acerca de este problema, debemos ir al negocio del carpintero y observar lo
que sucede y medir lo que necesitamos para para formular (para crear un modelo de) su
problema. Debemos confirmar que su objetivo es maximizar sus ingresos netos. Debemos
comunicarnos con el cliente.
El problema del carpintero se trata de determinar cuntas mesas y sillas debe fabricar por
semana; pero primero se debe establecer una funcin objetivo La funcin objetivo es: 5X1
+ 3X2, donde X1 y X2 representan la cantidad de mesas y sillas; y 5 y 3 representan los
ingresos netos (por ejemplo, en dlares o dcimas de dlares) de la venta de una mesa y una
silla, respectivamente. Los factores limitantes, que normalmente provienen del exterior, son
las limitaciones de la mano de obra (esta limitacin proviene de la familia del carpintero) y
los recursos de materia prima (esta limitacin proviene de la entrega programada). Se
miden los tiempos de produccin requeridos para una mesa y una silla en distintos
momentos del da y se calculan en 2 horas y 1 hora, respectivamente. Las horas laborales
totales por semana son slo 40. La materia prima requerida para una mesa y una silla es de
1 y 2 unidades, respectivamente. El abastecimiento total de materia prima es de 50 unidades
por semana. En consecuencia, la formulacin de PL es la siguiente:
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 10 de 78
Maximizar 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 40 restriccin de mano de obra
X1 + 2 X2 50 restriccin de materiales
tanto X1 como X2 son no negativas.
Este es un modelo matemtico para el problema del carpintero. Las variables de decisin,
es decir, las entradas controlables son X1, y X2. La salida o el resultado de este modelo son
los ingresos netos totales 5 X1 + 3 X2. Todas las funciones empleadas en este modelo son
lineales (las variables de decisin estn elevadas a la primera potencia). El coeficiente de
estas restricciones se denomina denomina Factores Tecnolgicos (matriz). El perodo de
revisin es de una semana, un perodo conveniente dentro del cual es menos probable que
cambien (flucten) las entradas controlables (todos los parmetros tales como 5, 50, 2,..).
Incluso en un plazo de planificacin tan corto, debemos realizar el anlisis what-if o de
hiptesis para responder a cualquier cambio en estas entradas a los efectos de controlar el
problema, es decir, actualizar la solucin prescripta.
Ntese que dado que el Carpintero no va a ir a la quiebra al final del plazo de planificacin,
agregamos las condiciones que tanto X1 como X2 deben ser no negativas en lugar de los
requerimientos que X1 y X2 deben ser nmeros enteros positivos. Recuerde que las
condiciones de no negatividad tambin se denominan "restricciones implcitas".
Nuevamente, un Programa Lineal funcionara bien para este problema si el Carpintero
contina fabricando estos productos. Los artculos parciales simplemente se contaran como
trabajos en proceso y finalmente se transformaran en productos terminados, en la siguiente
semana.
Maximizar 5 X1 + 3 X2 - 2 X3
Sujeta a:
2 X1 + X2 40 + X3 restriccin de la mano de obra con horas adicionales desconocidas
X1 + 2 X2 50 restriccin de materiales
En esta nueva condicin, veremos que la solucin ptima es X1 = 50, X2 = 0, X3 = 60, con
ingresos netos ptimos de US$130. Por lo tanto, el carpintero debera contratar a un
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 11 de 78
ayudante por 60 horas. Qu pasara si slo lo contrata por 40 horas? La respuesta a esta
pregunta y a otros tipos de preguntas del estilo "qu pasara si" (what-if) se estudia en la
seccin sobre anlisis de sensibilidad en este sitio Web.
Un Problema de Mezcla
El taller de Joe se especializa en cambios de aceite del motor y regulacion del sistema
electrico. El beneficio por cambio del aceite es $7 y de $15 por regulacion. Joe tiene un
cliente fijo con cuya flota, le garantiza 30 cambios de aceite por semana. Cada cambio de
aceite requiere de 20 minutos de trabajo y $8 de insumos. Una regulacion toma una hora de
trabajo y gasta $15 en insumos. Joe paga a los mecanicos $10 por hora de trabajo y emplea
actualmente a dos de ellos, cada uno de los cuales labora 40 horas por semana. Las compras
de insumos alcanzan un valor de $1.750 semanales. Joe desea maximizar el beneficio total.
Formule el problema.
Esto es una pregunta de programacin linear. Una porcin de un cambio del aceite o del
ajuste no es factible.
X1 = Cambios del aceite, ajuste
X2 = Ajuste
Sujeta a:
X1 30 Cuenta De la Flota
20X1 + 60X2 4800 De trabajo tiempo
8X1 + 15X2 1750 Primas Materias
X1 0, X2 0.
El coste de trabajo de $10 por hora no se requiere para formatar el problema desde el
beneficio por cambio del aceite y el ajuste toma en la consideracin el coste de trabajo.
Finanzas: el problema del inversor podra ser un problema de seleccin del mix de su
cartera de inversiones. En general, la variedad de carteras puede ser mucho mayor que lo
que indica el ejemplo y se pueden agregar muchas ms restricciones distintas. Otro
problema de decisin implica determinar la combinacin de mtodos de financiacin para
una cantidad de productos cuando existe ms de un mtodo de financiacin disponible. El
objetivo puede ser maximizar las ganancias totales cuando las ganancias de un producto
determinado dependen del mtodo de financiacin. Por ejemplo, se puede financiar con
fondos internos, con deuda a corto plazo o con financiacin intermedia (crditos
amortizados). Puede haber limitaciones con respecto a la disponibilidad de cada una de las
opciones de financiacin, as como tambin restricciones financieras que exijan
determinadas relaciones entre las opciones de financiacin a los efectos de satisfacer los
trminos y condiciones de los prstamos bancarios o financiacin intermedia. Tambin
puede haber lmites con respecto a la capacidad de produccin de los productos. Las
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 12 de 78
variables de decisin seran la cantidad de unidades que deben ser financiadas por cada
opcin de financiacin.
Dado que somos una especie visual (especialmente la cultura estadounidense), debido a
nuestro sistema educativo, muchas de las herramientas de enseanza escolar utilizadas en la
actualidad son de naturaleza grfica. Les enseamos a leer mostrndoles figuras de las
cosas. Les enseamos a contar mostrndoles el orden de los nmeros. En consecuencia,
nuestros receptores visuales se agudizan a expensas de otras funciones cognitivas. Tambin
he descubierto que las personas de negocios responden mejor a los grficos y a los cuadros
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 13 de 78
Todas las variables estn elevadas a la primera potencia y son sumadas o restadas (no
dividas ni multiplicadas). La restriccin debe adoptar alguna de las siguientes formas
(, , o =, es decir que las restricciones de PL siempre estn cerradas), y el objetivo
debe ser de maximizacin o minimizacin.
Por ejemplo, el siguiente problema no es un problema de PL: Max X, sujeta a <. Este
problema tan sencillo no tiene solucin.
3. Utilice papel milimetrado. Grafique cada restriccin, una por una, como si fueran
igualdades (como si todo y , es = ) y luego trace la lnea.
4. A medida que se crea cada lnea, divida la regin en 3 partes con respecto a cada
lnea. Para identificar la regin factible para esta restriccin en particular, elija un
punto en cualquier lado de la lnea y coloque sus coordenadas en la restriccin, si
satisface la condicin, este lado es factible, de lo contrario el otro lado es factible. En
el caso de restricciones de igualdad, slo los puntos sobre la lnea son factibles.
Una vez graficadas todas las restricciones, debe generarse una regin factible no
vaca (convexa), salvo que el problema sea no factible.
6. Cree (como mnimo) dos lneas de igual valor desde la funcin objetivo, fijando la
funcin objetivo en dos nmeros distintos cualquiera. Grafique las lneas resultantes.
Al mover estas lneas paralelas, encontrar el vrtice ptimo (punto extremo), si es
que existe.
En general, si la regin factible se encuentra dentro del primer cuadrante del sistema
de coordenadas (es decir si X1 y X2 0), entonces, para los problemas de
maximizacin, usted debe mover la funcin objetivo de igual valor (funcin iso)
paralela a s misma lejos del punto de origen (0, 0), como mnimo, teniendo a la vez
un punto en comn con la regin factible. Sin embargo, para los problemas de
minimizacin, debe realizar lo opuesto, es decir, mover la funcin objetivo de igual
valor (funcin iso) paralela a s misma acercndola al punto de origen, a su vez
teniendo como mnimo un punto en comn con la regin factible. El punto comn
proporciona la solucin ptima.
Recuerde que las restricciones de PL proporcionan los vrtices y las esquinas. Un vrtice es
la interseccin de 2 lneas o en general, n hiperplanos en problemas de PL con n variables
de decisin. Una esquina es un vrtice que adems es factible.
Maximizar 5 X1 + 3 X2
Sujeta a:
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 14 de 78
2 X1 + X2 40
X1 + 2 X2 50
and both X1, X2 are non-negative.
Nota: Existe una alternativa del abordaje de la funcin objetivo de igual valor (funcin iso)
con problemas que tienen pocas restricciones y una regin factible acotada. Primero busque
todas las esquinas, tambin llamadas puntos extremos. Luego, evale la funcin objetivo en
los puntos extremos para llegar al valor ptimo y a la solucin ptima.
Por ejemplo, en el problema del carpintero, la regin factible convexa proporciona los
puntos extremos con las coordenadas que figuran en la siguiente Tabla:
Dado que el objetivo es maximizar, de la tabla anterior surge que el valor ptimo es 110, el
cual se obtiene si el carpintero sigue la estrategia ptima de X1 = 10 y X2 = 20.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 15 de 78
Si un programa lineal tiene una regin factible acotada no vaca, la solucin ptima es
siempre uno de los puntos extremos. .
La prueba de esta afirmacin surge de los resultados de los siguientes dos hechos:
Debido a que todas las restricciones son lineales, la regin factible (R.F.) es un polgono.
Adems, este polgono es un conjunto convexo. En cualquier problema de PL que tenga
ms de dos dimensiones, los lmites de la regin factible son partes de los hiperplanos, y la
regin factible en este caso se denomina poliedro y tambin es convexa. Un conjunto
convexo es aquel en el cual si se eligen dos puntos factibles, todos los puntos en el
segmento de la lnea recta que une estos dos puntos tambin son factibles. La prueba de que
la regin factible de los programas lineales son siempre conjuntos convexos surge por
contradiccin. Las siguientes figuras ilustran ejemplos de los dos tipos de conjuntos: un
conjunto no convexo y un conjunto convexo.
Hecho N 2: El valor iso de una funcin objetivo de un programa lineal es siempre una
funcin lineal.
Este hecho surge de la naturaleza de la funcin objetivo de cualquier problema de PL. Las
siguientes figuras ilustran las dos clases tpicas de funciones objetivo de igual valor
(funcin iso).
De la combinacin de los dos hechos expresados arriba surge que si un programa lineal
tiene una regin factible acotada no vaca, la solucin ptima es siempre uno de los puntos
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 16 de 78
extremos.
Para superar la deficiencia del mtodo grfico, utilizaremos esta conclusin til y prctica
en el desarrollo de un mtodo algebraico aplicable a problemas de PL multidimensionales.
Por suerte, la mayora de los problemas de optimizacin empresarial son lineales y es por
eso que la PL es tan popular. Hoy en da, existen ms de 400 paquetes de software en el
mercado para resolver problemas de PL. La mayora se basa en la bsqueda de vrtices.
Esto equivale a pasar de un vrtice a otro cercano en busca de un punto ptimo.
Por ejemplo, en el caso del Problema del Carpintero, se pueden calcular todas las
soluciones bsicas, tomando dos ecuaciones cualquiera y resolvindolas al mismo tiempo.
Luego, se utilizan las restricciones de las otras ecuaciones para verificar la factibilidad de
esta solucin. Si es factible, esta solucin es una solucin bsica factible que proporciona
las coordenadas de un punto extremo de la regin factible. Para ilustrar el procedimiento,
considere las restricciones del Carpintero en la posicin obligatoria (es decir todas con
signo =):
2X1 + X2 = 40
X1 + 2X2 = 50
X1 = 0
X2 = 0
Aqu tenemos 4 ecuaciones con 2 incgnitas. Existen como mximo C42 = 4! / (2! 2!) = 6
soluciones bsicas. Si resolvemos los seis sistemas de ecuaciones resultantes tenemos:
X1 X2 5X1 + 3X2
10 20 110*
0 40 No factible
20 0 100
0 25 75
50 0 No factible
0 0 0
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 17 de 78
Cuatro de las soluciones bsicas que figuran arriba son soluciones bsicas factibles que
satisfacen todas las restricciones y pertenecen a los vrtices de la regin factible. Al incluir
la solucin bsica factible en la funcin objetivo, podemos calcular el valor ptimo.
Entonces, de la tabla anterior surge que la solucin ptima es X1 = 10, X2 = 20, con un
valor ptimo de US$110. Este abordaje puede aplicarse para resolver problemas de PL de
ms dimensiones.
Sujeta a:
X11 + X12 = 200
X21 + X22 = 100
X11 + X21 = 150
X12 + X22 = 150
todas Xij 0
Como este problema de transporte es equilibrado (oferta total = demanda total) todas las
restricciones estn en forma de igualdad. Adems, cualquiera de las restricciones es
redundante (si se suman dos restricciones cualquiera y se resta otra obtenemos la restriccin
restante). Borremos la ltima restriccin. El problema entonces queda as:
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 18 de 78
Sujeta a:
X11 + X12 = 200
X21 + X22 = 100
X11 + X21 = 150
todas Xij 0
Ahora poniendo cualquier y dos (o ms) las variables para poner cero de a, es fcil de ver,
inspeccionando las tres ecuaciones que todas las otras soluciones son no factible.
Por lo tanto, la estrategia ptima es X11 = 50, X12 = 150, X21 = 100, y X22 = 0, con un
costo total de transporte mnimo de US$6.500.
Si lo desea, puede resolver este problema con Modul Net.Exe en el paquete WinQSB para
verificar estos resultados.
Para obtener una versin ms detallada del Mtodo Algebraico, visite el sitio Toward the
Simplex Method
Los programas lineales reales siempre se resuelven por computadora. Por lo general las
computadoras utilizan el mtodo simplex para llegar a las soluciones. Los coeficientes de la
funcin objetivo se denominan coeficientes de costos (porque histricamente durante la
Segunda Guerra Mundial, el primer problema de PL fue un problema de minimizacin de
costos), coeficientes tecnolgicos y valores RHS (o valores del lado derecho). Esta es la
manera perfecta de aprender conceptos del anlisis de sensibilidad. Como usuario, usted
puede darse el lujo de ver resultados numricos y compararlos con lo que usted espera ver.
El paquete LINDO es un software muy utilizado para problemas de PL. Se puede bajar una
versin para Windows gratuita en la pgina Home de LINDO en LINDO,
http://www.lindo.com. En este sitio se explica como ejecutar e interpretar los resultados del
paquete LINDO.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 19 de 78
En este curso, utilizamos paquetes de software con dos objetivos distintos. Queremos
realizar muchos experimentos numricos utilizando paquetes de software como
herramientas para resolver muchos problemas a fin de ver por nosotros mismos, y
comprender todos los conceptos tericos (como por ejemplo, los precios sombra)
contenidos en los temas del curso. Esto comprende tambin las herramientas de
computacin disponibles en la Web. Por ltimo, aprendemos a usar e interpretar los
resultados de los paquetes de software a fin de resolver problemas prcticos de gran
tamao.
Al igual que todos los paquetes de PL, tal como WinQSB, Lindo emplea el mtodo
simplex. Junto con la solucin del problema, el programa tambin proporciona un anlisis
comn de sensibilidad de los Coeficientes de la Funcin Objetivo (denominados
Coeficientes de Costos) y el RHS de las restricciones. A continuacin, presentamos una
explicacin de los resultados del paquete LINDO.
Supngase que usted desea correr el Problema del Carpintero. Inicie el paquete LINDO (o
WinQSB). Desde el teclado escriba lo siguiente en la venta actual:
{MAX 5X1 + 3X2, Sujeta a 2X1 + X2 < 40 X1 + 2X2 < 50, Fin }
NOTA:
z Haga clic en "Reports" (Informes) y luego elija "Tableau" (Tabla), luego haga clic en
"Solve" (Resolver) y elija "Pivot" haga clic en "OK" (Aceptar), "Close" (Cerrar),
"Cancel" (Cancelar), contine de esta manera hasta que aparezca el mensaje "Do?
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 20 de 78
Despus de esto sigue la solucin del problema, es decir la estrategia para fijar las variables
de decisin a fin de lograr el valor ptimo antes mencionado. Esto aparece con una
columna de variables y una columna de valores. La columna de valores contiene la solucin
del problema. La reduccin de costos asociada con cada variable se imprime a la derecha de
la columna de valores. Estos valores se toman directamente de la tabla simplex final. La
columna de valores proviene del RHS. La columna de reduccin de costos proviene
directamente de la fila indicadora.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 21 de 78
Debajo, aparece el anlisis de sensibilidad de los coeficientes de costos (es decir de los
coeficientes de la funcin objetivo). Cada parmetro de coeficiente de costos puede variar
sin afectar la solucin ptima actual. El valor actual del coeficiente se imprime junto con
los valores de lmite superior e inferior permitidos para que la solucin siga siendo ptima.
Ntese que en la tabla simplex final, los coeficientes de las variables de holgura / excedente
en la fila objetivo proporcionan la unidad del valor del recurso. Estos nmeros se
denominan precios sombra o precios duales. Debemos tener cuidado al aplicar estos
nmeros. Slo sirven para pequeos cambios en las cantidades de recursos (es decir, dentro
de los rangos de sensibilidad del RHS).
Para cumplir con este requerimiento, convierta cualquier variable no restringida Xj en dos
variables no negativas reemplazando cada Xj por y - Xj. Esto aumenta la dimensionalidad
del problema slo en uno (introducir una variable y) independientemente de cuntas
variables sean no restringidas.
Si cualquier variable Xj est restringida a ser no positiva, reemplace cada Xj por - Xj. Esto
reduce la complejidad del problema.
Resuelva el problema convertido y luego vuelva a ingresar los valores de las variables
originales.
Ejemplos Numricos
Maximizar -X1
sujeta a:
X1 + X2 0,
X1 + 3X2 3.
Maximizar -y + X1
sujeta a:
-X1 - X2 + 2y 0,
-X1 - 3X2 + 4y 3,
X1 0,
X2 0,
and y 0.
La solucin ptima para las variables originales es: X1 = 3/2 - 3 = -3/2, X2 = 3/2 - 0 = 3/2,
con valor ptimo de 3/2.
Para detalles acerca de los algoritmos de solucin, visite el sitio Web Artificial-Free
Solution Algorithms, ejemplo N 7.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 22 de 78
Utilice el mdulo LP/ILP de su paquete WinQSB para cumplir dos objetivos: resolver
grandes problemas y realizar experimentos numricos para comprender los conceptos
presentados en las secciones LP y ILP.
Autoajuste de ancho de columnas (Best Fit): Con el botn "best fit" del men Format
(Formato) cada columna puede tener su propio ancho.
Resolver buscando la solucin ptima (si es que existe): Seleccione "Solve the
problem" (Resolver el problema) desde el men "Solve and Analyze" (Resolver y
Analizar), o utilice el cono "Solve" (Resolver) que se encuentra en la parte superior de la
pantalla. Esto genera un "Combined Report" (Informe Combinado) que brinda la solucin y
los resultados adicionales (reduccin de costos, rangos de optimalidad, holgura / excedente,
rango de factibilidad y precios sombra).
Notas:
Utilice el archivo de Ayuda ("Help") del paquete WinQSB para aprender cmo funciona.
Para ingresar problemas en el software QSB; para una restriccin tal como X1 + X2 50,
el coeficiente es 1 y debe ingresarse de esta manera en el software. Para cualquier variable
que no se utilice en esa restriccin en particular (por ejemplo si el problema tuviera X3 pero
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 23 de 78
no fuera parte de la restriccin mencionada) simplemente deje la celda en blanco para esa
restriccin.
Para construir el dual de un determinado problema, haga clic en Format (Formato), luego
seleccione "Switch to the Dual Form" (Cambiar a la forma dual).
1- Debido a que los paquetes de resolucin de problemas de PL requieren que todas las
variables sean no negativas, por cada variable substituya Xi = Yi - T en todas partes.
2- Cree un objetivo artificial, como por ejemplo minimizar T
3- Las restricciones del problema de PL son las ecuaciones del sistema despus de las
sustituciones mencionadas en el paso 1.
2X1 + X2 = 3
X1 -X2 = 3
Primero, cree una PL con un objetivo artificial como por ejemplo Max X1, sujeta a 2X1 +
X2 = 3, X1 - X2 = 3, y tanto X1 como X2 sin restriccin de signo. Luego, ingrese esta PL
en el mdulo LP/ILP para arribar a la solucin.
Si usted utiliza un paquete de software de PL que requiere que todas las variables sean no
negativas, primero substituya X1 = Y1 - T y X2 = Y2 - T en ambas ecuaciones. Tambin
necesitamos una funcin objetivo. Fijemos una funcin objetivo artificial como por ejemplo
minimizar T. El resultado es la siguiente PL:
Min T
Sujeta a:
2Y1 + Y2 - 3T = 3,
Y1 - Y2 = 3.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 24 de 78
------------------------------------------------------------------------------
Construccin del Problema Dual
Objetivo: Max (por ejemplo Objetivo: Min (por ejemplo los
las utilidades) costos)
Tipos de restricciones: Tipos de restricciones:
una restriccin usual una restriccin usual
= una restriccin limitada = una restriccin limitada
(estricta) (estricta)
una restriccin inusual una restriccin inusual
Tipos de variables:
0 una condicin usual
... sin restriccin de signo
0 una condicin inusual
---------------------------------------------------------------------------
Existe una correspondencia uno a uno entre el tipo de restriccin y el tipo de variable
utilizando esta clasificacin de restricciones y variables tanto para los problemas primarios
como los duales.
- Utilice el tipo de variable de un problema para determinar el tipo de restriccin del otro
problema.
- Utilice el tipo de restriccin de un problema para determinar el tipo de variable del otro
problema.
Puede verificar las reglas de construccin del problema dual utilizando su paquete
WinQSB.
Ejemplos Numricos:
min x1 - 2x2
sujeta a:
x1 + x2 2,
x1 - x2 -1,
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 25 de 78
x2 3,
x1, x2 0.
sujeta a:
2X1 + X2 40
X1 + 2X2 50
X1 0
X2 0
Sujeta a:
2U1 + U2 5
U1 + 2U2 3
U1 0
U2 0
Aplicaciones: usted puede utilizar la dualidad en una amplia gama de aplicaciones tales
como:
- En algunos casos, puede ser ms eficiente resolver el problema dual que el primario.
- La solucin dual proporciona una interpretacin econmica importante tal como los
precios sombra (es decir, los valores marginales de los elementos RHS) que son los
multiplicadores Lagrangianos que demuestran una cota (estricta) del valor ptimo del
problema primario y viceversa. Histricamente, el precio sombra se defini como la mejora
en el valor de la funcin objetivo por aumento unitario en el lado derecho, porque el
problema generalmente adoptaba la forma de una mejora de maximizacin de utilidades (es
decir, un aumento). El precio sombra puede no ser el precio de mercado. El precio sombra
es por ejemplo el valor del recurso bajo la "sombra" de la actividad comercial. Se puede
realizar un anlisis de sensibilidad,es decir un anlisis del efecto de pequeas variaciones
en los parmetros del sistema sobre las medidas de produccin, calculando las derivadas de
las medidas de produccin con respecto al parmetro.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 26 de 78
Datos de entrada no
controlables
Mesas Sillas Disponible
Mano de
2 1 40
obra
Materia
1 2 50
prima
Ingresos
5 3
netos
Y su formulacin de PL
Maximizar 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 40 restriccin de mano de obra
X1 + 2 X2 50 restriccin de materiales
tanto X1 como X2 son no negativas.
Supngase que el Carpintero desea contratar un seguro para sus ingresos netos. Digamos
que:
U1 = el monto en dlares pagadero al Carpintero por cada hora de trabajo perdida (por
enfermedad, por ejemplo),
U2 = el monto en dlares pagadero al Carpintero por cada unidad de materia prima perdida
(por incendio, por ejemplo).
Por supuesto que el corredor de seguros intenta minimizar el monto total de US$(40U1 +
50U2) pagadero al Carpintero por la Compaa de Seguros. Sin embargo, como es de
esperar, el Carpintero fijar las restricciones (es decir las condiciones) para que la compaa
de seguros cubra toda su prdida que equivale a sus ingresos netos debido a que no puede
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 27 de 78
Minimizar 40 U1 + 50 U2
Sujeta a:
2U1 + 1U2 5 ingresos netos por una mesa
1U1 + 2U2 3 ingresos netos por una silla
U1, U2 son no negativas.
Tal como vimos en el Problema del Carpintero y su Problema Dual, el Valor Optimo es
siempre el mismo para ambos problemas. Esto se denomina Equilibrio Econmico entre el
Problema Primario y el Problema Dual.
Errores de Redondeo cometido por los Gerentes: tenga cuidado siempre que redondee el
valor de los precios sombra. Por ejemplo, el precio sombra de la restriccin de recursos en
el problema anterior es 8/3, por ende, si usted desea comprar ms de este recurso, no
debera pagar ms de US$2.66. Sin embargo, siempre que usted quiera vender cualquier
unidad de este recurso, no debera hacerlo a un precio inferior a US$2.67.
Podra darse un error similar si usted redondea en los lmites de los rangos de sensibilidad.
Como siempre, hay que prestar atencin porque el lmite superior e inferior deben
redondearse para abajo y para arriba, respectivamente.
Ahora ya sabe que los precios sombra son la solucin del problema dual. Aqu tenemos
un ejemplo numrico.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 28 de 78
Max X1 + X2
sujeta a:
X1 1
X2 1
X1 + X2 2
todas las variables de decisin 0.
Utilizando un paquete de software, puede verificar que el precio sombra para el tercer
recurso es cero, mientras que no hay sobrante de ese recurso en la solucin ptima X1 =1,
X2 = 1.
Para estudiar los cambios direccionales en el valor ptimo con respecto a los cambios en el
RHS (sin restricciones redundantes y con todos los RHS 0) distinguimos los dos casos
presentados a continuacin:
Para restriccin de : cambio en la misma direccin. Vale decir que un aumento en el valor
RHS no produce una disminucin en el valor ptimo sino que ste aumenta o permanece
igual segn la restriccin sea obligatoria o no obligatoria.
Para restriccin de =: el cambio puede ser en cualquier direccin (ver la seccin Ms por
Menos en este sitio).
Para restriccin de : cambio en la misma direccin. Vale decir que un aumento en el valor
RHS no produce una disminucin del valor ptimo sino que ste aumenta o permanece
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 29 de 78
Para restriccin de =: el cambio puede ser en cualquier direccin (ver la seccin Ms por
Menos en este sitio).
El Precio Sombra nos indica cunto cambiar la funcin objetivo si cambiamos el lado
derecho de la correspondiente restriccin. Esto normalmente se denomina "valor marginal",
"precios duales" o "valor dual" para la restriccin. Por lo tanto, el precio sombra puede no
coincidir con el "precio de mercado".
Por cada restriccin del RHS, el Precio Sombra nos indica exactamente cunto cambiar la
funcin objetivo si cambiamos el lado derecho de la restriccin correspondiente dentro de
los lmites fijados por el rango de sensibilidad del RHS.
Por consiguiente, por cada valor RHS, el precio sombra es el coeficiente del cambio en el
valor ptimo causado por cualquier aumento o disminucin admisible en el RHS dentro del
cambio admisible.
Un anti-ejemplo:
sujeta a:
X1 + X2 2
2.5X1 + 4X2 10
Donde ambas variables de decisin son no negativas.
Max X2
sujeta a:
X1 + X2 3
2.5X1 + 4X2 10
donde ambas variables de decisin son no negativas.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 30 de 78
El nuevo problema tiene la solucin ptima (0, 2.5) con un valor ptimo de 2.5.
Entonces, pareciera "como si" el precio sombra de este recurso es 2.5 - 2 = 0.5. De hecho,
el precio sombra de este recurso es 1, el cual se puede verificar construyendo y resolviendo
el problema dual.
El motivo de este error se torna obvio si observamos que el aumento admisible para
mantener la validez del precio sombra del primer recurso es 0.5. El aumento en 1 excede el
cambio admisible del primer valor RHS.
Ahora supngase que cambiamos el mismo valor RHS en + 0.1 que es admisible. Entonces
el valor ptimo del nuevo problema es 2.1. Por consiguiente, el precio sombra es (2.1 -2) /
0.1 = 1. Es necesario prestar mucha atencin al calcular los precios sombra.
Si usted quiere calcular el precio sombra de un valor RHS sin tener su rango de
sensibilidad, puede obtener los valores ptimos de dos perturbaciones como mnimo. Si el
ndice de cambio en ambos casos arroja los mismos valores, entonces este ndice es
realmente el precio sombra. A modo de ejemplo, supngase que perturbamos el RHS de la
primera restriccin en +0.02 y -0.01. Si resolvemos el problema despus de estos cambios
utilizando un software de PL, obtenemos los valores ptimos de 2.02 y 1.09,
respectivamente. Como el valor ptimo para el problema nominal (sin ninguna
perturbacin) es igual a 2, el ndice de cambio para los dos casos es: (2.02 - 2)/0.02 = 1, y
(1.09 - 2)/(-0.01) = 1, respectivamente. Como estos dos ndices coinciden, podemos
concluir que el precio sombra del RHS de la primera restriccin es de hecho igual a 1.
Nos interesa saber el precio sombra del valor del RHS 2 = 10. El problema dual es:
Esto se puede verificar con el software WinQSB. La solucin del problema dual es U1 =
8/3, U2 = -1/3. Por lo tanto, el precio sombra del valor RHS 2 = 10 es U2 = -1/3. Es decir
que por cada aumento (disminucin) unitario en el RHS2, el valor ptimo del problema
primario disminuye (aumenta) en 1/3, dado que el cambio en RHS 2 est dentro de los
lmites de sensibilidad.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 31 de 78
Para otra versin del mismo problema primario, fjese que el problema puede escribirse de
la misma manera, cambiando la direccin de la segunda restriccin de desigualdad:
Como ya debe haber notado, ambos problemas duales son iguales al sustituir U1 = Y1, y
U2 = -Y2. Esto significa que los precios sombra obtenido para RHS 2 = 10, y RHS 2 = -10
tienen el mismo valor con el signo opuesto (como es de esperar). Por ende, , el signo del
precio sombra depende de cmo se formule el problema dual , aunque el significado y su
interpretacin son siempre los mismos.
Supngase que tenemos una PL que tiene una nica solucin ptima. Es posible tener ms
de un conjunto de precios duales?
Su dual es:
Este problema dual tiene diversas soluciones alternativas, tales como, (U1 = 8, U2 = 0) y
(U1 = 4, U2 = 6). Todas las combinaciones convexas de estos dos vrtices tambin son
soluciones.
Existen casos generales para los cuales los precios sombra no son nicos. Como en el
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 32 de 78
ejemplo anterior, siempre que exista redundancia entre las restricciones, o si la solucin
ptima es "degenerada", puede haber ms de un conjunto de precios duales. En general, las
restricciones lineales independientes son condicin suficiente para que exista un nico
precio sombra.
Si corremos el problema dual en Lindo vemos que X1 = 0, X2 = 1, con precios sombra (0,
13, 0).
El entorno comercial muchas veces es impredecible e incierto debido a factores tales como
cambios econmicos, reglamentaciones pblicas, dependencia de subcontratistas y
proveedores, etc. Los gerentes generalmente se ven inmersos en un entorno dinmico e
inestable donde aun los planes a corto plazo deben re-evaluarse constantemente y ajustarse
de manera incremental. Todo esto requiere una mentalidad orientada al cambio para hacer
frente a las incertidumbres. Recuerde que las sorpresas no forman parte de una decisin
slida.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 33 de 78
Se puede hacer frente a las incertidumbres de una manera ms "determinista". Este abordaje
tiene distintos nombres tales como "modelacin de escenarios", "modelacin determinista",
"anlisis de sensibilidad" y "anlisis de estabilidad". La idea es generar, de manera
subjetiva, una lista ordenada de incertidumbres importantes que supuestamente podran
tener un mayor impacto sobre el resultado final. Esto se lleva acabo antes de focalizarse en
los detalles de cualquier "escenario" o modelo.
Pueden presentarse distintos niveles de aceptacin (por el pblico en general, por los
decisores, por las partes interesadas) a distintos tipos de incertidumbre.
Distintas incertidumbres tienen distintos impactos sobre la confiabilidad, robustez y
eficiencia del modelo.
La relevancia del modelo (su correspondencia con la tarea) depende en gran medida del
impacto de la incertidumbre sobre el resultado del anlisis. Las sorpresas no forman parte
de las decisiones ptimas slidas.
A continuacin, sigue una lista abreviada de las razones por las cuales se debe tener en
cuenta el anlisis de sensibilidad:
z Para probar la solidez de una solucin ptima. Las sorpresas no forman parte de las
decisiones ptimas slidas.
z Para identificar los valores crticos, umbrales, o valores de equilibrio donde cambia la
estrategia ptima.
z Para identificar sensibilidad o variables importantes.
z Para investigar soluciones sub-ptimas.
z Para desarrollar recomendaciones flexibles que dependan de las circunstancias.
z Para comparar los valores de las estrategias de decisin simples y complejas.
z Para evaluar el riesgo de una estrategia o escenario.
Comunicacin:
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 34 de 78
Errores de redondeo cometido por los gerentes: como siempre, se debe prestar atencin al
redondear el valor de los lmites de los rangos de sensibilidad. El lmite superior y el lmite
inferior deben redondearse hacia abajo y hacia arriba respectivamente para que sean
vlidos.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 35 de 78
formulaciones de programacin estocstica son los dos principales enfoques para manejar
la incertidumbre. El anlisis de sensibilidad es un procedimiento de post optimalidad que
no puede influir en la solucin. Sirve para investigar los efectos de la incertidumbre sobre
la recomendacin del modelo. Por otro lado, la formulacin de programacin estocstica
introduce informacin probabilstica acerca de los datos del problema, a pesar de los
primeros momentos (es decir los valores esperados) de la distribucin de la funcin
objetivo con respecto a la incertidumbre. Esto ignora las evaluaciones de riesgo del decisor,
caracterizadas por la varianza o el coeficiente de variacin.
El problema es encontrar un rango para cada coeficiente de costos c(j), de la variable Xj, de
manera que la solucin ptima actual, es decir el punto extremo actual (esquina) siga
siendo ptimo.
Paso 1: Considere las nicas dos restricciones obligatorias de la solucin ptima actual. Si
hay ms de dos restricciones obligatorias, hay degeneracin, en cuyo caso el anlisis de
sensibilidad tradicional no es vlido.
Paso 3: Construya una ecuacin correspondiente a cada restriccin obligatoria, como figura
a continuacin:
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 36 de 78
Advertencias:
1. Recuerde que nunca debe dividir por cero. Dividir por cero es una falacia comn en
algunos libros de texto. Por ejemplo en Introduction to Management Science, de
Taylor III, B., 6th Ed., Prentice Hall, 1999, the author, unfortunately, divides by zero
on page 189.
Para mayores detalles y otras falacias comunes, visite el sitio Web The zero saga &
confusions with numbers . Una pregunta para usted: cules de estas afirmaciones
son correctas y por qu?
a) cualquier nmero divido por cero es indefinido;
b) cero divido por cualquier nmero es cero; o
c) cualquier nmero dividido por s mismo es 1
Sujeta a: X1 + X2 2, X1 - X2 0, X1 0, X2 0
Sujeta a:
2X1 + X2 40
X1 + 2X2 50
X1 0
X2 0
(5 + c1)/2 = 3/1, para la primera restriccin, y (5 + c1)/1 = 3/2 para la segunda restriccin.
Resolviendo estas dos ecuaciones se obtiene: c1 = 1 y c1 = -3.5. Por lo tanto, el incremento
permisible es 1, mientras que la disminucin permisible es 1.5. Por lo tanto, mientras el
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 37 de 78
primer coeficiente de costo C1 permanezca dentro del intervalo [ 5 - 3.5, 5 + 1] = [1.5, 6],
contina la solucin ptima actual.
Sujeta a:
X1 + X2 2
X1 - X2 0
X1 0
X2 0
(5 + c1)/1 = 3/1, para la primera restriccin y (5 + c1)/1 = 3/(-1) para la segunda restriccin.
Resolviendo estas dos ecuaciones se obtiene: c1 = -2 y c1 = -8. Por lo tanto, la disminucin
permisible es 2, mientras que el incremento permisible es ilimitado. Por lo tanto, mientras
el primer coeficiente de costo C1 permanezca dentro del intervalo [ 5 - 2, 5 + ] = [3, ],
contina la solucin ptima actual.
Rango de sensibilidad del lado derecho para problemas de PL con dos restricciones
como mximo
Adems de la informacin necesaria que antes se mencion, tambin nos interesa saber
cunto puede vender (o comprar) el Carpintero de cada recurso a un precio (o costo)
"razonable". Es decir, hasta dnde se puede incrementar o disminuir el RHS(i) con un
valor i fijo, mientras se mantiene la validez del precio sombra corriente del RHS(i)? Es
decir, hasta dnde se puede incrementar o disminuir el RHS(i) con un valor i fijo mientras
se mantiene la solucin ptima corriente para el problema dual?
Asimismo, con cualquier RHS, el precio sombra (tambin conocido como su valor
marginal), es la cantidad de cambio en el valor ptimo proporcional a una unidad de
cambio para ese RHS en particular. Sin embargo, en algunos casos no se permite cambiar
tanto el RHS. El rango de sensibilidad del RHS proporciona los valores para los que el
precio sombra tiene significado econmico y permanece sin cambios.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 38 de 78
Sujeta a:
2U1 + U2 5
U1 + 2U2 3
U1 0
U2 0
Sujeta a:
2X1 + X2 40
X1 + 2X2 50
X1 0
X2 0
Clculo del Rango para RHS1: Las primeras dos restricciones son obligatorias, por lo tanto:
De modo similar, para el segundo RHS, se obtiene: [50 - 30, 50 + 30] = [20, 80].
El rango de sensibilidad que se present en la seccin anterior es un anlisis del tipo "what-
if" o de hiptesis del tipo de "un cambio por vez". Consideremos el problema del
Carpintero; supongamos que queremos hallar los incrementos permisibles simultneos de
RHS ( r1, r2 0). Existe un mtodo sencillo de aplicar que se conoce como "la regla del
100%" que establece que los precios sombra no cambian si se da la siguiente condicin
suficiente:
Aqu, 60 y 30 son los incrementos permisibles de los RHS, basados en la aplicacin del
anlisis de sensibilidad ordinario. Es decir, siempre que el primer y el segundo RHS
aumentan r1, y r2 respectivamente, mientras esta desigualdad contine, los precios sombra
para los valores del lado derecho permanecen sin cambios. Obsrvese que sta es una
condicin suficiente porque, si se viola esta condicin, entonces los precios sombra pueden
cambiar o an as seguir iguales. El nombre "regla del 100%" surge evidente cuando se
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 39 de 78
Aplicando la regla del 100% a los otros tres cambios posibles en los RHS se obtiene:
La siguiente Figura ilustra la regin de sensibilidad de ambos valores RHS como resultado
de la aplicacin de la regla del 100% al problema del Carpintero.
Desde un punto de vista geomtrico, obsrvese que el poliedro con los vrtices (60, 0), (0,
30), (-15, 0) y (0,-30) en la Figura es slo un subconjunto de una regin de sensibilidad
ms grande para los cambios en ambos RHS. Por lo tanto, permanecer dentro de esta regin
de sensibilidad es slo una condicin suficiente (no necesaria) para mantener la validez de
los precios sombra actuales.
Pueden obtenerse resultados similares para los cambios simultneos de los coeficientes de
costos. Por ejemplo, supongamos que queremos hallar la disminucin permisible
simultnea en 1 y los incrementos en 2, , es decir, el cambio en ambos coeficientes de costo
de 1 0 y c2 0.
La regla del 100% establece que la base corriente sigue siendo ptima siempre que:
La Figura anterior tambin ilustra todas las otras posibilidades de incrementar/disminuir los
valores de ambos coeficientes de costos como resultado de la aplicacin de la regla del
100%, mientras se mantiene al mismo tiempo la solucin ptima corriente para el problema
del Carpintero.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 40 de 78
Sujeta a:
X1 + X2 2
X1 - X2 0
X1 0
X2 0
Quizs recuerden que ya hemos calculado los rangos de sensibilidad con un cambio por vez
para este problema en la seccin Clculo de Rangos de Sensibilidad. El rango de
sensibilidad para el primer coeficiente de costo es [ 5 - 2, 5 + ] = [3, ], mientras que para
el segundo coeficiente de costo es [3 - 8, 3 + 2] = [-5, 5]. Se debera poder reproducir una
figura similar a la anterior ilustrando todas las otras posibilidades de incrementar/disminuir
ambos valores de coeficientes de costos como resultado de la aplicacin de la regla del
100%, mientras al mismo tiempo se mantiene la solucin ptima corriente para este
problema.
Supongamos que se reemplaza una restriccin por una nueva. Cul es el efecto de este
intercambio?
El proceso: Determine si la restriccin previa es obligatoria (es decir, activa, importante)
hallando si el valor de holgura/excedente es cero. Si es obligatoria, el reemplazo puede
afectar la solucin ptima corriente. Reemplace la restriccin y resuelva el problema. De lo
contrario (si no es una restriccin obligatoria), determine si la solucin corriente satisface la
nueva restriccin. Si la satisface, entonces este intercambio no afectar la solucin ptima.
De lo contrario (si la solucin corriente no satisface la nueva restriccin), reemplace la
restriccin anterior por la nueva y resuelva el problema.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 41 de 78
Como los recursos son siempre escasos, a los gerentes les preocupa el problema de la
asignacin ptima de los recursos. Se recordar que en el Problema del Carpintero se
trataron ambos recursos como parmetros, es decir, como valores numricos fijos:
Maximice 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 40, restriccin de mano de obra
X1 + 2 X2 50, restriccin de material
y ambas X1, X2 son no negativas.
Supongamos que desea hallar la mejor asignacin del recurso mano de obra para el
Carpintero. En otras palabras, cul es el mejor nmero de horas que el Carpintero debera
asignar a su negocio?
Tomemos como R el nmero de horas asignadas, el cual se usar para determinar su valor
ptimo. Por lo tanto, el modelo matemtico es hallar R1, de modo tal que:
Maximice 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 R1 restriccin mano de obra
X1 + 2 X2 50 restriccin de material
y todas las variables X1, X2 y R1 son no negativas.
Obsrvese que ahora R1 se trata no como un parmetro sino como una variable de decisin.
Es decir, la maximizacin se realiza con las tres variables, X1, X2 y R1:
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 42 de 78
Maximice 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 - R1 0 restriccin de mano de obra
X1 + 2 X2 50 restriccin de material
y todas las variables X1, X2 y R1 son no negativas.
Con software de PL, la solucin ptima es X1 = 50, X2 = 0, con una asignacin ptima de
la mano de obra de R1 = 100 horas. As, el valor ptimo es $250.
Incluso se puede obtener el precio sombra para este recurso usando esta informacin. El
precio sombra es el ndice de cambio en el valor ptimo con respecto al cambio en el lado
derecho. Por lo tanto, (250 - 110)/(100 - 40) = 140/60 = 7/3, que es el precio sombra del
RHS1, segn se hall por otros mtodos en las secciones anteriores.
Se recordar que en el Problema del Carpintero ambas utilidades netas ($5 y $3) fueron
consideradas como entradas incontrolables, es decir, que eran valores determinados por el
mercado:
Maximice 5 X1 + 3 X2
Sujeta a:
2 X1 + X2 40 restriccin mano de obra
X1 + 2 X2 50 restriccin material.
Y ambos, X1, X2, son no negativos.
Supongamos que el Carpintero desea conocer el valor mnimo del primer coeficiente en la
funcin objetivo, que actualmente es $5, para poder producir con rentabilidad el primer
producto (las mesas).
Supngase que la utilidad neta mnima es c1 dlares; por lo tanto, el problema consiste en
hallar c1, de manera tal que:
Maximice c1 X1 + 3 X2
Sujeta a:
2 X1 + X2 40 restriccin mano de obra
X1 + 2 X2 50 restriccin material.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 43 de 78
Minimice 40 U1 + 50 U2
Sujeta a:
2U1 + 1U1 c1 Utilidad neta de una mesa
1U1 + 2U2 3 Utilidad neta de una silla.
Y U1, U2, c1 son no negativas.
Se observa que ahora la utilidad neta c1 se trata como una variable de decisin. La
minimizacin se hace sobre las tres variables; X1, X2 y c1:
Minimice 40 U1 + 50 U2
Sujeta a:
2U1 + 1U1 - c1 0
1U1 + 2U2 3
Y U1, U2, c1 son no negativas.
Se recordar que existen soluciones alternativas para este valor de frontera del rango de
sensibilidad para el coeficiente de costo. La solucin correspondiente al lmite inferior se
describe en el rango del anlisis de sensibilidad del coeficiente de costo, calculado con
anterioridad en el Problema del Carpintero. Por lo tanto, la mnima utilidad neta es siempre
la misma que el lmite inferior del rango de sensibilidad del coeficiente de costo generado
por el software.
Indicadores de metas
Una de las razones por las cuales los gerentes de empresas sobrestiman la importancia de la
estrategia ptima es que las organizaciones con frecuencia usan indicadores como
"sustitutos" para satisfacer sus necesidades inmediatas. La mayora de los gerentes prestan
atencin a indicadores tales como la utilidad, el flujo de fondos, el precio de la accin, etc.
que indican ms una supervivencia que una meta de optimizacin.
Para resolver el problema de alcanzar la meta, se debe primero aadir la meta del conjunto
de restricciones. Para convertir el problema de alcanzar la meta en un problema de
optimizacin, se debe crear una funcin objetivo ficticia. Podra ser una combinacin lineal
del subconjunto de variables de decisin. Si se maximiza esta funcin objetivo se obtendr
una solucin factible (si es que existe). Si se minimiza, se podra obtener otra
(habitualmente en el otro "lado" de la regin factible). Se podra optimizar con diferentes
funciones objetivas.
Otro abordaje es usar modelos de "Programacin de Metas" que manejan con precisin
problemas de satisfaccin de restricciones sin necesariamente tener un solo objetivo.
Bsicamente, consideran medidas de violacin de restricciones e intentan minimizarlas. Se
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 44 de 78
En el algoritmo de solucin sin variables artificiales se puede usar una funcin objetivo
ficticia de cero pero no en algunos paquetes de software, tales como el Lindo. Con los
paquetes de software se puede maximizar o minimizar cualquier variable como una funcin
objetivo.
Ejemplo numrico
X1 + X2 - S1 = 2, -X1 + X2 - S2 = 1, X2 + S3 = 3, y
X1, X2, S1, S2, S3 0.
Una solucin es X1 = 2, X2 = 3, S1 = 3, S2 = 0, y S3 = 0.
Para obtener detalles sobre los algoritmos de soluciones visite el sitio Web Artificial-Free
Solution Algorithms.
Supongamos que quiere hallar el peor de varios valores de funciones objetivos definidas
con un conjunto comn de restricciones en una sola corrida de computacin.
Sujeta a:
2 X1 + X2 40
X1 + 2 X2 50
Y ambos, X1, X2, son no negativos.
Maximice y
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 45 de 78
Sujeta a:
y 5x1 + 3X2
y 7X1 + 2X2
y 4X1 + 4X2
2X1 + X2 40
X1 + 2X2 50
Y todas las variables, X1, X2, y, son no negativas.
De modo similar, se puede resolver el minimax de varias funciones objetivos en una sola
corrida.
Los totales de mano de obra son 4 y 9. El valor ptimo para este problema es $7.
Ahora, si se cambia la segunda mano de obra disponible de 9 por 12, el valor ptimo sera
$4. Es decir, que se ha trabajado ms horas por menos utilidad.
Esta situacin surgen frecuentemente y se conoce como "La Paradoja de Ms por Menos".
El recurso nmero 2 tiene un precio sombra negativo!
Para hallar el mejor nmero de horas se debe trabajar para maximizar el ingreso,
resolviendo la siguiente PL paramtrica:
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 46 de 78
Introduccin
El mtodo grfico resulta limitado cuando se resuelven problemas de PL que tienen una o
dos variables de decisin. Sin embargo, este proporciona una clara ilustracin de donde se
encuentran la regin de factibilidad y de no-factibilidad, as como tambin de los vrtices.
El tener una comprensin visual del problema ayuda a un mejor proceso de pensamiento
racional del mismo. Por ejemplo, hemos aprendido que: si una PL tiene una regin de
factibilidad no-vaca y conectada, la solucin ptima siempre se encuentra en uno de los
vrtices de la regin de factibilidad (una esquina.) Por lo tanto, lo que se necesita hacer es
encontrar todos puntos de intercepcin (vrtices), ver cuales se encuentran dentro del rea
de factibilidad, y luego examinar cada uno de ellos para cual proporciona la solucin
ptima. Ahora, mediante el uso de los conceptos de Geometra Analtica podremos
sobrellevar estas limitaciones de la visin humana. El mtodo algebraico esta diseado para
extender los resultados del mtodo grfico a un problema de PL multidimensional.
Mtodo Algebraico:
Los modelos de PL con variables de decisin multidimensional
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 47 de 78
Las variables llevadas a cero son las variables de exceso y defecto y las variables
restringidas (cualquier Xi's 0, Xi's 0) solamente. Luego de llevar todas estas
variables a cero, proceda a encontrar las otras variables mediante la resolucin del
sistema cuadrado de ecuaciones.
3. Comprobar la Factibilidad: Todas las variables de defecto o exceso deben ser no-
negativas, y compruebe por la condicin de restriccin (si existe alguna) en cada
variable. Cada solucin factible es llamada una Solucin Factible Bsica, la cual es
el punto en cada esquina de la regin de factibilidad.
4. Seleccionar una Esquina Optima: Entre todas las soluciones factibles (i.e., puntos
en las esquinas factibles), encuentre el ptimo (si existe alguno) evaluando cada uno
en la funcin objetivo. Podran existir soluciones ptimas mltiples.
Recuerde que: un sistema lineal AX=b tiene una solucin si y solo si el rango de A es igual
al rango de la matriz argumento (A,B).
Definiciones a Saber:
Cada solucin para cualquier sistema de ecuaciones es llamada una Solucin Bsica (SB).
Todos las SB, que son factibles se les llama Soluciones Factibles Bsicas (SFB).
En cada solucin bsica, las variables, que usted igualo a cero, son llamadas las Variables
No-Bsicas (VNB), todas la otras variables que se calcularos mediante el sistema de
ecuaciones son llamadas Variables Bsicas (VB).
Note que, la lista de las variables de decisin, las cuales son las VB para una solucin
ptima, son absolutamente disponibles en la tabla de soluciones ptimas en QSB.
Los defectos son los sobrantes de insumos. Los excesos son los sobrantes en la produccin.
donde ! significa Factoriales. Por ejemplo, 4 ! = (1)(2)(3)(4) = 24. Note que por definicin
0 ! = 1.
Note que, si E > T T > R + E, la formulacin inicial de la PL podra estar equivocada. Los
remedios para las acciones correctivas son discutidos en la seccin El Lado Oscuro de la
PL: Herramientas para la Validacin de Modelos.
Max X1 + X2
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 48 de 78
sujeto a:
X1 + X2 10
X1 8
X2 12
X1 + X2 - S1 = 10
X1 + S2 = 8
X2 + S3 = 12
S1 S2 S3 X1 X2 X1 + X2
0 0 10 8 2 10
10 0 0 8 12 20*
0 10 0 -2 12 10
Este problema de PL no puede ser resuelto por el mtodo grfico. Sin embargo, el mtodo
algebraico es general en el sentido que no pone ninguna limitacin en la dimensionalidad
del problema. Note que tenemos dos ecuaciones con una variable de exceso, y una variable
de decisin restringida. Los parmetros para este problema son: T= 4, R = 2, y E = 2. Esto
nos proporciona el nmero total de soluciones bsicas posibles: 2! / [(2!). (0!)] = 1.
Haciendo las variables X1 y de exceso iguales a cero:
X1 X2 X3 S1 3X1 + X2 -4X3
0 2 1 0 -2*
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 49 de 78
Introduciendo las variables de exceso y defecto para convertir todas las inigualdades en
igualdades, tenemos:
2X1 + X2 + S1 = 40
X1 + 2X2 + S2 = 50
Aqu tenemos 2 ecuaciones con 4 incgnitas. Dado que las variables X1 y X2 son ambas
restringidas, debemos llevar otras dos variables incluyendo estas dos a cero. Resolviendo el
sistema de seis ecuaciones resultante, tenemos:
S1 S2 X1 X2 5X1 + 3X2
0 0 10 20 110*
0 -30 0 40 no-factible
0 30 20 0 100
15 0 0 25 75
-60 0 50 0 no-factible
40 50 0 0 0
Min X1 + 2X2
sujeto a:
X1 + X2 4
-X1 + X2 2
X1 0, y X2 son no-restringidas en signo.
X1 + X2 - S1 = 4
-X1 + X2 + S2 = 2
Aqu tenemos 2 ecuaciones con 4 incgnitas. Dado que solo X1 es restringida, debemos
hacer cero por lo menos dos de las variables S1, S2, y X1. Resolviendo el sistema de seis
ecuaciones resultante, tenemos:
X1 X2 S1 S2 X1 + 2X2
0 4 0 -2 no-factible
0 2 -2 0 no-factible
1 3 0 0 7*
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 50 de 78
Dejemos que los Xij denoten la cantidad de transportacin que sale del origen i al destino j.
La formulacin de la PL del problema de minimizacin del costo total de transporte es:
sujeto a:
X11 + X12 = 200
X21 + X22 = 100
X11 + X21 = 150
X12 + X22 = 150
todos los Xij 0
dado que este problema de transporte es balanceado (oferta total = demanda total), todas las
restricciones estn en forma de igualdad. Adicionalmente, todas las restricciones son
redundantes (agregando dos restricciones cualquiera y sustrayendo alguna otra
obtendramos la restante.) Eliminemos una restriccin de tal forma que el problema se
reduce a:
sujeto a:
X11 + X12 = 200
X21 + X22 = 100
X11 + X21 = 150
para todos los Xij 0
Este problema de PL no puede ser resuelto por el mtodo grfico. Sin embargo el mtodo
algebraico no tiene limitaciones en las dimensiones del PL. Note que tenemos tres
ecuaciones con cuatro variables de decisin restringidas. Haciendo cualquiera de las
variables cero, tenemos:
Por lo tanto, la estrategia ptima es X11 = 50, X12 = 150, X21 = 100, y X22 = 0, con por lo
menos un coste total de transporte de $6,500.
Max X1 + X2
sujeto a:
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 51 de 78
X1 + X2 5
X1 + X2 + S1 = 5
El pivoteo utiliza operaciones en fila (conocido como las operaciones en fila de Gauss-
Jordan) para cambiar una matriz de entrada (la pivote) a "1", y luego cambiar todas las
otras entradas en la columna pivote a cero.
Una vez que el pivote es elegido, las operaciones de pivotaje en fila debe ser como sigue:
Paso 1: Hacer un pivote "1" mediante la divisin de toda la fila pivote por el valor del
pivote.
Paso 2: Hacer el resto de la columna pivote ceros agregando a cada fila a mltiplo confiable
de la fila pivote.
2X1 + X2 + X3 = 3
X1 + 3X3 = 1
2X1 + X2 = 2
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 52 de 78
1 0 0 ?
0 1 0 ?
0 0 1 ?
Paso 1. Utilice las operaciones de fila columna por columna;
b) Reduzca todos los otros valores de la columna a cero mediante la adicin del mltiplo
apropiado correspondiente desde la fila que contiene el uno, a cada fila subsiguiente.
Notaciones: Fila vieja [ ], Fila nueva { }. Colocando estas dos matrices una junto a la otra,
la matriz argumentada es:
El Mtodo Simplex
El Mtodo Simplex es otro algoritmo para resolver problemas de PL. Recuerde que el
mtodo algebraico proporciona todos los vrtices incluyendo aquellos que no son factibles.
Por lo tanto, esta no es una manera eficiente de resolver problemas de PL con numerosas
restricciones. El Mtodo Simplex es una modificacin del mtodo algebraico, el cual vence
estas deficiencias. Sin embargo, el Mtodo Simplex tiene sus propias deficiencias. Por
ejemplo, este requiere que todas las variables sean no-negativas ( 0); Adems, todas las
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 53 de 78
3. Construya la tablatura simplex inicial con todas las variables de exceso en CBV. La
ltima fila en la tabla de iteracin contiene el coeficiente de la funcin objetivo (fila
Cj.)
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 54 de 78
Siga al paso 4.
Una pequea discusin acerca de la estrategia del mtodo simplex: Al comienzo del
procedimiento simplex; el conjunto de supuestos estn constituidos por las variables de
exceso (holgura.) Recuerde que el primer CBV contiene solo variables de exceso. La fila Cj
presenta un incremento en el valor de la funcin objetivo el cual resultar si una unidad de
la variable j-sima columna correspondiente fue trada en los supuestos. Esta fila responde
la pregunta: Podemos mejorar la funcin objetivo si nos movemos a una nueva CBV?
Llamaremos a esta la fila indicadora (dado que esta indica si la condicin de optimalidad
esta satisfecha).
El criterio para ingresar una nueva variable en el CBV causar el incremento por unidad
mas alto de la funcin objetivo. El criterio para remover una variable del CBV actual se
mantiene factible (asegurndose que el nuevo LMD, despus de los no-negativos restantes.)
Advertencia: Siempre que durantes las iteraciones en el Simplex tengan un LMD negativo,
significa que se ha seleccionado la variable saliente errada. El mejor remedio es comenzar
de nuevo.
Note que existe una solucin a cada tabla de iteracin en el simplex. Los valores numricos
de las variables bsicas son los valores de LMD, mientras que las otras variables (no-
bsicas) son siempre iguales a cero.
Las Recetas Numricas sostienen que el algoritmo Simplex es casi siempre O(max
(N,M)), lo cual significa que el nmero de iteraciones es factor del nmero de variables
restricciones, el que sea mas grande.
Sujeto a:
2X1 + X2 40
X1 + 2X2 50
y ambos X1, X2 son no-negativos.
Luego de agregar las dos variables de exceso S1 y S2, el problema se hace equivalente a:
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 55 de 78
Sujeto a:
2X1 + X2 + S1 = 40
X1 + 2X2 + S2 = 50
Y las variables X1, X2, S1, S2 son todas no-negativas.
Esta tabla de iteracin no es ptima dado que algunos elementos Cj son positivos. La
variable entrante es X1 y la saliente es S1 (mediante la prueba de C/R). El elemento pivote
se encuentra entre las llaves ({}). Luego de pivotear, tenemos:
Esta tabla de iteracin no es ptima dado que algunos elementos Cj son positivos. La
variable entrante es X2 y la saliente es S2 (mediante la prueba de C/R). El elemento pivote
se encuentra entre las llaves ({}). Luego de pivotear, tenemos:
CBV X1 X2 S1 S2 LMD
X1 1 0 2/3 -1/3 10
X2 0 1 -1/3 2/3 20
Cj 0 0 -7/3 -1/3
Esta tabla de iteracin es ptima dado que todos los elementos Cj son no-positivos y todos
los LMD son no-negativos. La solucin ptima es X1 = 10, X2 = 20, S1 =0, S2 = 0. Para
encontrar el valor ptimo, sustituya estos valores en la funcin objetivo 5X1 + 3X2 = 5(10)
+ 3(20) = $110.
Visite tambin las pginas web tutOR, El Lugar Simplex, La Mquina Simplex, y
Explorador -PL.
La PL estndar asume que las variables de decisin son continuas. Sin embargo, en muchas
aplicaciones, los valores fraccionarios pueden no servir de mucho (por ej., 2,5 empleados).
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 56 de 78
Por otra parte, como a esta altura ya saben, como los programas lineales con enteros son
ms difciles de resolver, quizs se pregunten para qu la molestia. Por qu no
simplemente usar un programa lineal estndar y redondear las respuestas a los enteros ms
cercanos? Desafortunadamente, esto genera dos problemas:
1) 66.00000
Observen asimismo que el simple redondeo de la solucin continua a los valores enteros
ms prximos no da la solucin ptima en este ejemplo. En general, las soluciones
continuas redondeadas pueden no ser las ptimas y, en el peor de los casos, no son
factibles. Sobre esta base, uno se puede imaginar que puede demandar mucho tiempo
obtener la solucin ptima en un modelo con muchas variables de enteros. En general, esto
es as, y les convendr utilizar la caracterstica GIN slo cuando es absolutamente
necesario.
Como ltimo comentario, el comando GIN tambin acepta un argumento de valor entero en
lugar de un nombre de variable. El nmero corresponde al nmero de variables que uno
desea que sean enteros generales. Estas variables deben aparecer primero en la formulacin.
De tal modo, en este ejemplo sencillo, podramos haber reemplazado las dos sentencias
GIN por la nica sentencia GIN 2.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 57 de 78
Supongan que una panadera vende ocho variedades de rosquillas. La preparacin de las
variedades 1, 2 y 3 implica un proceso bastante complicado, por lo que la panadera decidi
que no les conviene hornear estas variedades, a menos que pueda hornear y vender por lo
menos 10 docenas de las variedades 1, 2 y 3 combinadas. Supongan tambin que la
capacidad de la panadera limita el nmero total de rosquillas horneadas a 30 docenas, y
que la utilidad unitaria de la variedad j es j dlares. Si xj, j = 1, 2, ,6 denote el nmero de
docenas de la variedad j que se deben hornear, y luego la utilidad mxima puede hallarse
resolviendo el siguiente problema (asumiendo que la panadera consigue vender todo lo que
hornea):
Maximice Z = Pj Xj
Sujeta a las restricciones: Xj 30
X1 + X2 + X3 = 0, OR, X1 + X2 + X3 10
Maximice Z = Pj Xj
Sujeta a las restricciones: Xj 30
X1 + X2 + X3 - 30y 0,
X1 + X2 + X3 - 10y 10
Xj 0, y = 0, or 1.
Luego haga clic en SOLVE. La salida da la solucin ptima y el valor ptimo despus de
ocho iteraciones "Branch-and-Bound" (de rama y frontera).
Observe que en lugar de repetir INT cuatro veces se puede usar INT 4. Las primeras cuatro
variables aparecieron en la funcin objetivo.
1) 24.00000
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 58 de 78
Nro. DE ITERACIONES = 8
Supongan que una compaa de Investigacin y Desarrollo dispone de una suma de dinero,
D dlares, para invertir. La compaa ha determinado que existen N proyectos en los que
conviene invertir, y por lo menos dj dlares deben invertirse en el proyecto j si se decide
que ese proyecto j es aqul en el que vale la pena invertir. Asimismo, la compaa
determin que la utilidad neta que puede obtenerse despus de invertir en el proyecto j es
de jdlares. El dilema de la compaa es que no puede invertir en todos los proyectos N,
porque
dj > D. Por lo tanto, la compaa debe decidir en cules de los proyectos invertir
maximizando la utilidad. Para resolver este problema, el asesor formula el siguiente
problema:
Xj = 1 si la compaa invierte en el proyecto j, y
Xj = 0 si la compaa no invierte en el proyecto j.
El monto total que se invertir entonces es de
dj Xj, y como este monto no puede ser superior a D dlares tenemos la siguiente
restriccin:
dj X j D
La utilidad total ser Pj Xj. Por lo tanto, la compaa quiere el problema 0-1:
Maximice Z= Pj Xj
Sujeta a: dj Xj D, Xj = 0, OR 1.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 59 de 78
Es un problema de rutina en los hospitales planificar las horas de trabajo de las enfermeras.
Un modelo de planificacin es un problema de programacin con enteros que consiste en
minimizar el nmero total de trabajadores sujeto al nmero especificado de enfermeras
durante cada perodo del da.
Como cada enfermera trabaja ocho horas puede comenzar a trabajar al comienzo de
cualquiera de los siguientes cinco turnos: 8:00, 10:00, 12:00, 2:00 o 4:00. En esta
aplicacin no consideramos ningn turno que comience a las 9:00, 11:00, etc. Tampoco es
necesario tener enfermeras que comiencen a trabajar despus de las 4:00, porque entonces
su turno terminara despus de la medianoche, cuando no se necesitan enfermeras. Cada
perodo tiene dos horas de duracin, de modo tal que cada enfermera que se presenta a
trabajar en el perodo t tambin trabajar durante los perodos t + 1, t+ 2, y t + 3 --- ocho
horas consecutivas. La pregunta es: "Cuntas enfermeras deberan comenzar su turno en
cada perodo para satisfacer los requerimientos del recurso especificados en la tabla
anterior?" Para formular el modelo de este problema. Xt es una variable de decisin que
denota el nmero de enfermeras que comenzarn su horario en el perodo t. La mano de
obra total, que deseamos minimizar, es Xt. Durante el perodo 1, debe haber por lo menos
10 personas de guardia; entonces, debemos tener X1 10. De modo similar, los
requerimientos del perodo 2 slo pueden satisfacerse con X1 + X2 8. De esta manera
denotamos los requerimientos de los perodos restantes:
X1 + X2 + X3 9,
X1 + X2 + X3 + X4 11,
X2 + X3 + X4 + X5 13,
X3 + X4 +X5 8,
X4 + X5 5,
X5 3,
Todas las variables son nmeros enteros.
Observe que X1 no est incluida en la restriccin del perodo 5, ya que las enfermeras que
comienzan en el perodo 1 ya no estn en servicio en el perodo 5. Asimismo, observe que
puede resultar necesario tener ms que el nmero requerido de personas en algunos
perodos. Por ejemplo, vemos con la primera restriccin que el nmero de enfermeras que
comienzan a trabajar en el perodo 1 debe ser 10, como mnimo. Todas ellas estarn todava
trabajando en el perodo 2, pero en ese momento slo se necesitarn ocho personas.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 60 de 78
Entonces, incluso si X2 = 0,
Programacin no lineal
Optimizacin combinatoria
Agrupar, cubrir y particionar (aplicaciones de los programas con enteros) son los
principales temas matemticos que constituyen la interfaz entre la combinatoria y la
optimizacin. La optimizacin combinatoria es el estudio de estos problemas. Aborda la
clasificacin de problemas de programacin con enteros, de acuerdo con la complejidad de
algoritmos conocidos para resolverlos, y con el diseo de algoritmos apropiados para
resolver subclases especiales de problemas. En particular, se estudian problemas de flujos
de red, correspondencias y sus generalizaciones matroides. Esta materia es uno de los
elementos unificadores de la combinatoria, la optimizacin, la investigacin operacional y
la computacin cientfica.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 61 de 78
Los obstculos potenciales siempre existen, los cuales afectan cualquier aplicacin de la
PL. Las soluciones ptimas podran ser no-factibles, ilimitadas, podran existir soluciones
mltiples. La degeneracin del modelo podra ocurrir. La figura siguiente proporciona una
clasificacin de para el proceso de validacin de modelos de Programacin Lineal (PL):
Problemas con los Paquetes de PL: La mayora de los software para resolver problemas
de PL tienen problemas en reconocer el lado oscuro de la PL, y/o dar alguna sugerencia
remedio para resolverlo. Resuelva el problema siguiente utilizando el WinQSB, y luego
descubra y reporte los resultados obtenidos.
Ilimitacin
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 62 de 78
Max Y1
sujeto a:
Y1 + Y2 -2T = 0
Y1 -Y2 = 2
todas la variables de decisin son 0.
BVS Y1 Y2 T LMD
T 0 -1 1 1
Y1 1 -1 0 2
Cj 0 1
A pesar de que la variable Y2 debera entrar como una variable bsica, todos los elementos
en esta columna son menores que cero, Por lo tanto, el problema de programacin lineal es
ilimitado.
Aprenda que una solucin ptima ilimitada significa tener una regin de factibilidad
cerrada ilimitada, sin embrago, la situacin inversa de este enunciado podra no ocurrir.
Una solucin ptima ilimitada significa que las restricciones no limitan a la solucin
ptima y que la regin de factibilidad se extiende hasta el infinito.
Resolucin: En la vida real, esta situacin es muy extraa. Revise la formulacin de las
restricciones, faltan una o ms restricciones. Revise tambin alguna mala especificacin de
las restricciones en cuanto a las direcciones de las inigualdades o errores numricos.
Regin de Factibilidad Ilimitada: Tal y como se mencion anteriormente, aprenda que una
solucin ilimitada requiere una regin de factibilidad cerrada ilimitada. La situacin inversa
de este enunciado podra no ocurrir. Por ejemplo, el siguiente problema de PL tiene una
regin de factibilidad cerrada ilimitada, sin embargo, la solucin es limitada:
La solucin ptima es X1 = 4, y X2 = 0.
Identificacin: En la tabla de iteracin final del Simplex, si la fila Cj (la ltima fila en la
tabla) es cero para una o ms de las variables no-bsicas, tendramos dos soluciones
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 63 de 78
ptimas (por lo tanto muchas infinitas) Para encontrar la otra esquina ( si existe), se hace un
pivote en una columna nobsica con Cj igual a cero.
Siempre que existan dos vrtices que sean ptimos, se pueden generar todas las otras
soluciones ptimas mediante la "combinacin lineal " de las coordenadas de las dos
soluciones. Por ejemplo, para el ejemplo anterior basado en dos soluciones obtenidas del
QSB, todas las soluciones siguientes son por lo tanto ptimas:
Resolucin: Revise los coeficientes dela funcin objetivo y las restricciones. Podran
existir errores de aproximacin redondeo.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 64 de 78
Minimizar X1 + X2 + 2X3
Sujeto a:
X1 + X2 + X3 10
X1 + X2 + 2X3 13
X1, X2 son no-negativas.
El conjunto de soluciones ptimas para este problema constituye la mitad del plano. Es
decir, todas las soluciones ptimas se encuentran en el plano X1 + X2 + 2X3 = 13, tal que
X1 + X2 + X3 10, X1 0, X2 1, y X3 0.
Una solucin no-factible significa que las restricciones son demasiado limitantes y no han
dejado espacio para la regin de factibilidad.
Resolucin: Revise las restricciones por cualquier mala especificacin en las direcciones
de las inigualdades, y por errores numricos. Si no existen errores, entonces existen
conflictos de intereses. Esto puede ser resuelto encontrando el IIS (vea la Nota de abajo) y
luego reformule el modelo.
Degeneracin
Un vrtice degenerado es uno a travs del cual pasan mas de n hiper- planos si estamos en
el n-simo espacio Euclideano, digamos 3 lneas en un espacio de 2 dimensiones. En dicho
vrtice un mtodo como el Simplex puede cambiar de una representacin (con n hiper-
planos) a otra, y podra terminar de forma cclica en el primero y luego repeir este ciclo.
Ahora, agregando pequeas cantidades para (digamos, el LMD de las restricciones) mover
ligeramente al hiper-plano correspondiente y perturbar el vrtice. En vez, existirn
muchos vrtices cercanos donde solo hiper-planos se encuentran. Ahora, el mtodo puede ir
de uno a otro (mejorando cada vez la funcin objetivo) y dejar esta rea de degeneracin.
Luego, la perturbacin puede ser apagada de nuevo en implementaciones computacionales
modernas del mtodo Simplex y sus muchas variaciones.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 65 de 78
Max X1 + X2
sujeto a:
X1 1
X2 1
X1 + X2 2
todas las variables de decisin son 0.
Siempre que la solucin ptima sea degenerada, se obtendrn mltiples precios sombra.
Para el problema anterior, los dos grupos de precios sombra son (1, 1, 0) y (0, 0, 1) como se
podra verificar si se construye y soluciona el problema dual
Identificacin: Si existen por lo menos dos ratios de columna mas pequeos e iguales
(bi/aij) mientras se aplica el mtodo Simplex, la solucin es degenerada y arbitrariamente
escoge una variable saliente.
Ambos, el Lindo y el WinQSB toman 3 iteraciones para resolver este problema simple de
degeneracin.
Resolucin: agregue al valor de LMD un nmero pequeo, como 0,001. Esto debera
resolver el problema.
Anlisis de Sensibilidad: El anlisis de sensibilidad podra ser IN- valido y usted podra
tener Precios Sombra Alternativos.
Min X2
sujeto a:
X2 - 2X3 + X4 = 1
X1 + 2X2 - X3 = 0
X1 + X2 + 3X3 = 2
todas las variables de decisin son 0.
Redundancia significa que algunas de las restricciones no son necesarias dado que existen
otras mas severas. Para un caso sencillo de PL con restricciones redundantes, considere el
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 66 de 78
Identificacin: Por lo menos una fila en la tabla de iteracin tiene todos los elementos
incluyendo los de LMD con valores iguales a cero.
Resolucin: Elimine dicha fila y prosiga. Sin embargo, la redundancia en las restricciones
no es absoluta sino relativa. Adicionalmente, lo minimalista de un conjunto de
restricciones, es decir, que no existen redundantes para describir una regin de factibilidad,
no implica necesariamente que el nmero de restricciones es el mas pequeo.
Anlisis de Sensibilidad: El anlisis de sensibilidad de LMD podra ser invalido por que
las restricciones redundantes no estn disponibles, adicionalmente se podran tener Precios
Sombra Alternativos. Por ejemplo, en casi todos los Modelos de Redes una de las
restricciones es siempre redundante, por lo tanto los resultados del anlisis de sensibilidad
de paquetes de computadora (tales como el modulo de QSB) para este tipo de problemas
podran ser invlidos.
PL sin Vrtices
Maximice X1 + X2
Este problema tiene una regin de factibilidad cerrada sin restriccin y sin vrtices. Sin
embargo, todas las soluciones mltiples son los puntos sobre la lnea X1 + X2 = 5.
X1 X2 y S1 X1+X2
__________________________
0 0 0 -5 no- factible
0 0 -5/2 0 no- factible
0 5 0 0 5
5 0 0 0 5
Esto proporciona dos soluciones bsicas simples con valores objetivos iguales. Esto indica
que, existen soluciones mltiples, sin embargo, la regin de factibilidad original se
encuentra distorsionada!
Para este problema, el WinQSB proporciona dos soluciones ptimas distintas: (X1 = 5, X2
= 0), y (X1 = 0, X2 = 5) las cuales no son vrtices. Esto significa que, no solo cualquier
combinacin convexa de estos dos puntos es ptima, sino que los puntos mas all de
ellos son por lo tanto ptimos.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 67 de 78
Maximice X1 + X2
Este problema tiene una regin de factibilidad cerrada e ilimitada. Existen soluciones
ptimas mltiples, tanto limitadas como ilimitadas, las cuales son los puntos sobre la lnea
X1 + X2 = 5.
Cuando se realizan las iteraciones del Simplex, se cumple que cuando una variable de
decisin se hace una variable bsica, esta se mantiene bsica. Pues no!, no siempre es as.
Una variable de decisin no-bsica puede convertirse bsica durante las iteraciones del
Simplex, y en una iteracin siguiente convertirse no-bsica de nuevo. Considere el
problema siguiente:
Maximice X1 + 2X2
sujeto a: X1 + X2 = 2, X1 0, X2 0.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 68 de 78
Maximice X1 + 2X2
sujeto a: X1 + X2 = 2, X1 - X2 = 0, X1 0, y X2 0.
El problema tiene una regin de factibilidad la cual es el punto simple (X1 = 1, X2 = 1),
con un valor ptimo de 3. Por lo tanto, este problema no tiene punto interior ni punto
limitado (acotado). Solo posee un vrtice.
Maximice X1 + X2 + X3 + X4
Por ejemplo, la solucin tima X1 = 50, X2 = 50, X3 = 100, X4 = 100, con valor ptimo de
300, es un punto interior de la regin de factibilidad para este problema. De hecho,
cualquier solucin factible (no necesariamente bsica) es una solucin ptima tambin.
La Solucin obtenida por paquete de PL podra no ser la misma que se obtendra con otro
paquete. Considere el siguiente ejemplo numrico:
Minimice X1 + X2 + 2X3
Sujeto a:
X1 + X2 + X3 10
X1 + X2 + 2X3 13
X1, X2 sin restriccin en el signo
X1 = 0 + (1 - )7 = 7 - 7,
X2 = 7 + (1- )0 = 7,
X3 = 3 + (1- )3 = 3,
para todo 0 1.
Sin embargo, note que ambas restricciones son activas, por lo tanto las soluciones se
encuentran sobre la intercepcin de estos dos planos, el cual es una lnea. Adicionalmente,
cualquier punto sobre la lnea no esta restringido a los a estar entre los puntos A y B. En
otras palabras, es cualquier punto sobre la lnea de intercepcin (en forma paramtrica):
X1 = t,
X2 = 7 - t,
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 69 de 78
X3 = 3,
Por lo tanto, este problema de PL no tiene vrtices, tiene multiples soluciones limitadas, y
soluciones ilimitadas.
Lindo: Para correr este problema en Lindo, primero se debe satisfacer las condiciones de
no-negatividad mediante la sustitucin de para cada variable no-restringida Xi = xi - y. El
resultado es:
min x1 + x2 + 2x3 - 5y
sujeto a:
x1 + x2 + x3 - 3y 10
x1 + x2 + 2x3 - 5y 13
Todas las variables son no-negativas.
Dado que el precio sombra del problema dual es una solucin al primal, observemos
mas detenidamente el problema dual, el cual es:
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 70 de 78
La utilidad de la tabla del simplex para aplicaciones gerenciales es obtenida por el hecho de
que esta contiene toda la informacin necesaria para realizar anlisis de sensibilidad, asi
como usted aprender posteriormente en este curso. Sin embargo, la tabla ptima del
simplex no proporciona la solucin dual por si mismo. Los precios sombra son las
soluciones del problema dual.
Como usted ahora sabr, los precios sombra pueden ser positivos, cero o igualmente
negativos, sin embargo, en la tabla final del simplex la ltima fila debe ser siempre no-
positiva (as como lo requiere los algoritmos de solucin). Por lo tanto, no podemos
simplemente leer los valores de los precios sombra en la tabla final sin antes formular el
problema dual.
Sujeto a:
X1 + 2X2 50,
-X1 + X2 10,
X1 0, X2 0.
BVS X1 X2 S1 S2 LMD
X1 1 0 1/3 2/3 10
X2 0 1 1/3 -1/3 20
Cj 0 0 8/3 1/3
Los precios sombra no son (8/3, 1/3). Como usted observa, despus de construir el
problema dual, el cual es:
Sujeto a:
Y1 - Y2 3,
2Y1 + Y2 5,
Y1 0,
and Y2 0.
Obteniendo la formulacin del problema dual, ahora se pueden leer correctamente los
precios sombra. Por lo tanto, los precios sombra son Y1 = 8/3, y Y2 = -1/3. De nuevo,
cuando se construye el dual del problema se observa que Y2 tiene que ser 0, en signo.
Esta es la razn por la cual se toma -1/3 en vez de 1/3 para Y2, de la tabla final del simplex.
Maximice X1 + X2
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 71 de 78
Este problema tiene una regin de factibilidad cerrada ilimitada sin vrtices. Sin embargo,
todas las soluciones mltiples son los puntos sobre la lnea X1 + X2 = 5.
Ahora veamos que obtenemos si convertimos este problema a forma estndar, el cual es un
requerimiento para iniciar el Mtodo Simplex.
Maximice X1 + X2 -2y
sujeto a:
X1 + X2 -2y + S1 = 5, y todas las variables estn restringidas en signo.
X1 X2 y S1 X1+X2
_________________________
0 0 0 5 0
0 0 -5/2 0 no-factible
0 5 0 0 5
5 0 0 0 5
Esto proporciona vrtices ptimos. Esto indica que existen soluciones mltiples. Sin
embargo, la regin de factibilidad original se encuentra ahora distorsionada!, esto significa
que no somos capaces de producir todas las soluciones mediante el uso de cualquier
combinacin convexa de las dos soluciones (0, 5) y (5, 0).
Para encontrar la solucin a este problema, se necesitan saber las dos definiciones
siguientes:
Raya: Una raya es la mitad de una lnea: {V + h: 0}, de donde h es un vector no-cero
contenido en S. El punto V es llamada la raz, por lo tanto se dice que la raya esta enraizada
a V.
Raya Extrema: Una raya extrema de un conjunto cerrado de S es una raya que no puede
ser expresada como combinacin lineal de cualquier otra raya de S.
Todos los puntos ptimos estn localizados en cualquiera de los dos extremos de la raya
ambos arraizados a V = (0, 5), en las direcciones (1, -1), y (-1, 1):
para todo 1 0, y 2 0.
Sin embargo, para representar todos los puntos en la regin de factibilidad, se necesita un
trmino adicional:
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 72 de 78
para todo 1 0, 2 0, y 3 0.
El ltimo trmino necesario para todos los puntos por debajo de la lnea. Esto se obtiene del
hecho de que ambas variables son no-restringidas en signo [en direcciones [(0, -1) y (-1,
0)].
Siempre que exista cualquier restriccin en forma de igualdad en u problema de PL, existe
la tentacin de reducir el tamao del problema removiendo las restricciones de igualdad
mediante la sustitucin. El problema se mantiene igual si se eliminan la(s) variable(s) no-
restringidas mediante la igualdad de restricciones (si es posible). Sin embargo, si no existen
variables no-restringidas, se debe remover la restriccin de igualdad mediante la sustitucin
dado que esto podra generar otro problema de PL totalmente diferente. Este es un ejemplo
para remover una restriccin de igualdad:
Max X1
Sujeto a:
X2 + X3 = -1
X1 - 2X2 + X3 1
X1 + X2 2
Todas las variables son no-negativas.
Max X1
Sujeto a:
X1 - 3X2 2
X1 + X2 2
Todas las variables son no-negativas,
Obteniendo una solucin ptima de (X1 = 2, X2 = 0), con un valor ptimo de 2. por lo
tanto, estos dos problemas No son equivalentes.
Sin embargo, usted se preguntar: Bajo que condiciones es seguro el eliminar una
restriccin de igualdad por sustitucin? La respuesta es, ya sea bajo una variable no-
restringida, como se mencion anteriormente, o si todos los coeficientes de una restriccin
de igualdad tiene el mismo signo que LD, entonces sera seguro el eliminar cualquier
variable por sustitucin de forma tal de reducir el nmero de variables y restricciones.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 73 de 78
El Precio Sombra nos dice en cuanto la funcin objetivo cambiar si cambiamos el lado
derecho (LMD) de la restriccin correspondiente. Esto es llamado comnmente el valor
marginal, precio dual o valor dual para la restriccin. Por lo tanto, el precio sombra no
seria el mismo que el precio de Mercado.
Para cada LMD de las restricciones, el Precio Sombra dice exactamente en cuanto cambiar
la funcin objetivo si cambiamos el lado derecho (LMD) de la restriccin correspondiente
dentro de los lmites dados en el rango de sensibilidad del LMD.
Por lo tanto, para cada valor de LMD, el precio sombra es el ratio del cambio en el valor
ptimo causado por cada incremento (descenso) permitido dentro del cambio permisible del
LMD.
Un Contraejemplo:
Considere la siguiente PL:
Max X2
sujeto a:
X1 + X2 2
2,5X1 + 4X2 10
donde ambas variables de decisin son no-negativas.
Max X2
Sujeto a:
X1 + X2 3
2,5X1 + 4X2 10
Donde ambas variables de decisin son no-negativas.
El nuevo problema tiene una solucin ptima de (0, 2,5) con un valor ptimo de 2,5.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 74 de 78
Por lo tanto, esto parece como si el precio sombra para este recurso es 2,5 - 2 = 0,5. De
hecho el precio sombra para este recurso es 1, el cual puede ser encontrado mediante la
construccin y resolucin del problema dual.
La razn para este problema se hace evidente si se nota que la tolerancia incrementa para
mantener la validez de que el precio sombra del primer recurso es 0,5. El incremento en 1
esta mas all del cambio permitido en el primer valor del LMD.
Suponga ahora que cambiamos el mismo valor de LMD por + 0,1 el cual es permisible,
luego el valor ptimo para el nuevo problema es 2,1. Por lo tanto el precio sombra es (2,1 -
2) / 0,1 = 1. Debemos ser cuidadosos cuando calculamos el precio sombra.
Estamos interesados en encontrar el precio sombra de LMD2 = 10. el problema dual es:
Para otro ejemplo del mismo problema primal, note que el problema puede ser escrito de
forma equivalente mediante el cambio en la direccin de la segunda restriccin de
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 75 de 78
inigualdad:
De nuevo, la formulacin del dual puede ser verificada utilizando el software WinQSB
software. La solucin a este problema dual es Y1 = 8/3 y Y2 = 1/3. Por lo tanto, el precio
sombra para LMD2 = -10 es Y2 = 1/3. esto significa que para cada unidad de incremento
(descenso) en el valor LMD2, el valor ptimo para el problema primal incrementa (decrece)
en 1/3, dado que el cambio en LMD2 se encuentra dentro de los lmites de sensibilidad.
Como usted previamente not, ambos problemas duales son el mismo cuando se sustituye
U1 = Y1, y U2 = -Y2. Esto significa que los precios sombra obtenidos por el LMD2 = 10, y
LMD2 = -10 tienen el mismo valor con signos contrarios (como se esperaba). Por lo tanto,
el signo del precio sombra depende de cuando se formula el problema dual, a pesar de que
su significado e interpretacin son siempre los mismos.
Visite adicionalmente
Situaciones de Mas-por-Menos & Menos-por-Mas.
Suponga que tenemos una PL y esta tiene una solucin ptima nica. Es posible encontrar
mas de un conjunto de precios duales?
Este problema dual tiene varias soluciones alternativas tales como, (U1 = 8, U2 = 0) y (U1
= 4, U2 = 6). Todas las combinaciones convexas de estos dos vrtices son soluciones
tambin.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 76 de 78
Existen casos generales para los cuales los precios sombra no son nicos. As como en el
ejemplo anterior, siempre que exista redundancia entre las restricciones, o si la solucin
ptima es degenerada, debera existir masa de un conjunto de precios duales. En general,
la interdependencia lineal de las restricciones son una condicin suficiente para la unicidad
de los precios sombra.
El total e horas de trabajo son 4 y 9. El valor ptimo para este problema es $7.
Ahora, si se cambia la segunda disponibilidad de trabajo desde 9 a 12, el valor ptimo sera
$4. Esto significa que se ha trabajado mas horas por menos ingreso.
Para determinar el mejor nmero de horas, se debe trabajar para maximizar el ingreso
mediante la resolucin de la siguiente PL paramtrica:
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 77 de 78
Declaracin de derechos de propiedad intelectual: El uso legtimo, segn las pautas de 1996
guas de consulta justas del uso para los multimedia educativos, de los materiales
presentados en este sitio Web est permitido para propsitos educativos no comerciales.
Este sitio puede duplicarse, intacto con esta declaracin, en cualquier servidor de acceso
pblico y puede vincularse a cualquier otra pgina Web. Todos los archivos se encuentran
disponibles en http://www.mirrorservice.org/sites/home.ubalt.edu/ntsbarsh/Business-stat
para el duplicado.
Este sitio fue lanzado el 25/2/1994, y sus materiales intelectuales son revisados a fondo anualmente. La
versin actual es la 8a Edicin. Todos los links externos son chequeados una vez al mes.
Vuelta a:
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010
Modelos Deterministas: Optimizacin Lineal Pgina 78 de 78
EOF: 1994-2009.
http://home.ubalt.edu/ntsbarsh/opre640s/spanishd.htm 12/11/2010